科技行业2026年展望：企业级AI应用落地，开启价值新周期

2025年12月12日 2025年恒生人工智能主题指数（HSAIT.HK）表现亮眼，以34.6%的涨幅跑赢恒生指数（30.1%）及恒生科技指数（27.0%），并在12个恒生综合行业板块中涨幅位列第5，全年呈现“开局强势、金秋触阶段高点、年底震荡调整”的整体走势。 民银证券研究团队分析师：苏聪电话：37288224Email：louisesu@cmbcint.com AI大模型已迈向“开源民主化”阶段，为落地奠基。大模型的发展以2017年Transformer架构为起点，2021-2022年通过监督微调（SFT）和强化学习（RLHF）提升可靠性，后经历多模态和“思考链”的迭代，并在DeepSeek R1的推动下行业从“高成本闭源垄断”转向了“低成本开源民主化”。发展趋势来看，当前头部科技公司的资本支出不断加码（Top 5数据中心公司在25Q3Capex达1050亿美元），开源与闭源模型之间差距逐步缩小，模型在效率和性价比不断提升，Tokens调用量爆发式增长，推理模型成为主流，且中美之间的模型差距也在逐步收窄。 企业级AI大模型落地提速，需求全面爆发。企业级AI分为判别式AI和大模型AI（含生成式能力和Agentic能力），覆盖数据生成到决策优化。落地层面，企业AI的采纳率大幅提升，助力实现增收减支；企业对大模型的日均调用量明显提升，对开源模型的认可度增加；招投标市场活跃度激增（25年上半年已超过24年全年）；企业在生成式AI的预算也显著增加并开始向核心业务倾斜（26年预计增长75%），标志着行业正在迈入规模化落地新阶段。 注：截至2025年12月11日资料来源：iFind、民银证券 2026年行业发展将聚焦三大趋势：多模态与Agent技术渗透更多行业，企业开始转向复合AI策略，AI就绪数据将成为企业级AI大模型落地基石。当前市场格局也日趋清晰，主要参与者可划分为5大类别： 1）互联网科技巨头：覆盖基础层到应用层全栈生态，掌握算力与数据入口，如阿里、百度、腾讯、字节等；2）AI+Data技术提供商：聚焦基础层数智基建，保持“模型中立”，如星环科技、拓尔思、滴普科技等；3）技术转型者：包括上一代AI技术及企业转件转型厂商，行业及客户基础成熟，如科大讯飞、商汤科技、金蝶、金智维等；4）AI原生创业者：专注大模型技术突破的创业公司，如DeepSeek、月之暗面、MiniMax等；5）垂直领域深耕者：与特定行业深度结合专注于应用层，如百融云、迈富时、创新奇智、医渡科技等。 风险提示：落地不及预期、市场竞争加剧、下游客户预算不足、人材流失、地缘政治、政策监管收紧等风险 科技行业2026年展望：企业级AI应用落地，开启价值新周期 一、2025年行情回顾：港股恒生人工智能主题指数领涨，AI重塑资产价值 2025年初至今，港股的恒生人工智能主题指数（HSAIT.HK）跑赢恒生指数（HIS.HK）及恒生科技指数（HSTECH.HK）。截止2025年12月11日收盘，恒生人工智能主题指数（HSAIT.HK）较年初上涨了34.6%，同期恒生指数（HIS.HK）上涨了30.1%，恒生科技指数（HSTECH.HK）上涨了27%，跑赢了同期的恒生指数与恒生科技指数。 年初至今，以恒生人工智能主题指数为代表的港股整体呈现“开局强势，金秋触及阶段高点，年底前震动调整”的走势。从涨幅波动表现可以看出，年初特别是春节以来受DeepSeek大模型推出爆火出圈的利好影响，直接带来中国资产重估行情启动，港股恒生人工智能主题指数也展示出较明显的上涨行情，并在3月上升到阶段性顶点。4月初受关税影响冲击后整体下跌到阶段低点，但之后又开始波动上行并在9月底10月初伴随着美联储降息预期和AI应用的商业化落地等因素的推动，板块触及了年内阶段高点，但临近年底板块随情绪波动呈现震荡回落的态势，整体进入阶段性整理区间。 行业维度来看，2025年初至今，与恒生综合行业12个行业板块指数对比，恒生人工智能主题指数（HSAIT.HK）较年初的涨幅来看排名第5，属于中间靠前的位置，表现相对较好。 来源：iFind，民银证券整理 二、AI大模型的发展与演变：从“规模竞赛”到“开源民主化” 大型人工智能模型（Large AI models）是指那些通常基于神经网路构建的、拥有数十亿乃至数万亿参数量，旨在提升模型表达能力和预测能力、具有泛化能力、可处理海量数据并解决复杂任务的机器学习模型。根据Visual Intelligence发表的综述文章An Overview of Large AI Models and Their Applications，可以将AI大模型分为两大类：大型基础大模型和大型行业专用大模型。其中，大型基础模型根据输入数据类型模态差异可以划分为三类：LLM（Large Languagemodels，大型语言模型，核心输入是文本数据）、LVM（Large Vision Model，大型视觉模型，核心输入是视觉数据）和LMM（Large Multimodal Model，大型多模态模型，多模态数据混合输入，如文本+图像或文本+音频等）。大型行业专用大模型根据应用领域可以划分三个级别：大型通用AI模型（L0，能够跨多个行业和领域），大型行业特定AI模型（L1，是L0的微调行业大模型，结合了行业属性和知识，提升特定领域性能），和大型垂直专业化AI模型（L2，基于L1的微调垂直大模型，专注于解决特定任务和场景）。 来源：Tu, X., He, Z., Huang, Y.et al.An overview of large AI models and their applications.Vis. Intell.2, 34(2024).，民银证券整理 参考《A Brief History of LLMs：From Transformers (2017) to DeepSeek-R1(2025)》（LM Po，2025）,大语言模型最早可追溯到谷歌于2017年发表的论文《Attentionis All You Need》中所提出的Transformer架构，注意力机制（attention）的引入直接引发了架构革命，使得模型规模可实现指数级扩展，直接催生了ScalingLaw（规模定律）；而2018年BERT（Bidirectional Encoder Representations fromTransformers）的出现则带来了大模型训练范式的革命，证明了“预训练大模型+微调”（Pre-train + Fine-tune）路径可以大幅降低AI应用门槛，并直接推动了大模型时代的爆发。2020年，OpenAI发布的GPT-3凭借1750亿的参数规模展示了小样本和零样本学习能力在AI领域的潜力。此后，Google研究团队于2022年发 布 的 《Chain-of-Thought Prompting Elicits Reasoning in LargeLanguage Models》正式提出了“思考链”（CoT）的概念。同年，OpenAI在11月同时发布GPT-3.5（基础大语言模型，首次证明“微调+RLHF”能大幅提升可用性）和ChatGPT（微调后的对话交互产品，产品化的聊天机器人），随着ChatGPT免费向公众开放从而引发了全球性的广泛关注，也标志着AI大模型研究的新时代。2023年和2024年的GPT-4和GPT-4o等多模态模型不断发展，无缝集成文本、图像和音频处理，使之表现出更多元的能力。而2025年1月 推出的DeepSeek R1则标志着大模型从“高成本闭源垄断”向“低成本开源民主化”的转变，在成本颠覆、生态开放和地缘层面上影响明显，推动了中国AI生态的爆发。 来源：《全球大模型开源开发生态全景与趋势报告》蚂蚁开源，民银证券整理 划分阶段来看，2017年的Transformer架构是大型AI模型发展的根节点。2018年到2020年这一阶段，BERT和GPT的出现展示了大规模预训练和微调范式的潜力，并且引发了对扩展模型规模关键因素的关注，即数据集大小、参数数量和计算能力，为AI的未来突破奠定了基础。2021年到2022年期间，随着GPT-3非凡的生成式能力的展示，引发人们对指令遵循（如偏离用户意图）和 幻觉的担忧，从而推动了两种关键后训练方法的引入：监督微调(SFT，一种用于使用包含深度领域特定知识的自定义标记数据集，使预训练的大模型适应特定下游任务的技术)和强化学习（RLHF，一种基于奖惩机制在动态环境中对预训练大模型进行行为优化的适配技术），分别用以提升模型精度和同时进行偏好对齐，让模型不仅能够准确遵循指令要求，还能适应新的任务并持续改进，最终提升了AI的一致性和可靠性。这一阶段，ChatGPT将对话式LLM引入主流，使得领先的AI能力更容易为日常普通用户所接触。2023年到2024年迎来了多模态大模型的发展，将文本、图像和音视频集成到统一系统中，实现了更丰富的交互和更复杂问题的解决。同时，这一时期也是开源和开放权重强劲发展的阶段，使得模型能够被理解和定制，从而进行自适应调整和快速部署，而开源社区如Hugging Face这样的平台也推动了模型的开放，这在加速AI技术民主化的同时，也使得开源模型和闭源模型之间的差距在逐步缩小。2024年，AI开始强调推理能力的增强，并区分了“快思考”（快速、直觉）和“慢思考”（慢速、分析），OpenAI的o1和o3推理模型的发布推动了大模型在解决数据额和编码等复杂任务的能力。而进入2025年，DeepSeeKR1通过利用混合专家(MoE)、多头潜在注意力(MLA)和多标记预测(MTP)，和高效多阶段强化学习训练，展示了通过极低的训练成本可以实现卓越的推理能力，从而使得尖端的AI更加民主化和经济便捷，并促进了更具竞争性的生态系统的形成，也为大模型在各行各业的应用和创新创造了基础。 关于人工智能大模型近期的发展趋势，结合Artificial Analysis、SuperClue及OpenRouter等独立AI评估平台的统计来看（截止2025年12月11日），我们也关注到以下一些趋势特点： 1.头部科技公司的资本支出随着时间推移不断加码：全球主要5家超大规模数据中心公司（亚马逊、谷歌、Meta、微软和甲骨文）的资本支出（Capex）合计金额从2020年Q3的240亿美元提升到2025年Q3的1050亿美元，较2020年增长了约338%，为模型持续迭代提供了算力支撑。 来源：Artificial Analysis，民银证券整理 注：资本开支主要是指上述代表性科技公司在基础设施领域的重大投资，包括GPU及数据中心。资本支出是企业对AI发展的重要投入的指标，因为训练和运行前沿模型需要大量的算力支持。上述资本支出数据来自公开财务报告、新闻报道等。 2.大模型在比较基准测试中的性能持续提升，头部大模型迭代差距逐步缩小：过去三年中全球代表大模型持续迭代多个版本，基准表现随着时间的推移持续提升，且中外头部大模型之间的差距也在逐步收窄，发布频率和测评分数都趋向接近，大模型的发布日期也越来越密集。 来源：Artificial Analysis，民银证券整理 来源：ArtificialAnalysis，民银证券整理 3.模型开源趋势明显，且和闭源模型之间的差距缩小：当前开源和开放权重AI模型的发展强劲，根据从下图可以看出，来自Artificial Analysis所选的27个主流高分模型中，有13个来自开放权重模型，占比接近一半（48%）。再者，来自开放权重模型和专有模型的基准测评比分差距，过去三年期间也在波动收窄。 数据来源：Artificial Analysis，民银证券整理 4.主流大模型的效率和性价比不断提升，国内模型在性价比方面更有优势： 关注到各类主要语言模型（含推理及非推理模型）的每百万tokens推理价格整体在随着时间的推移逐步下降，如Intelligence Index评分在