大模型投资系列（1）：市值比肩京东、快手，智谱和MiniMax的稀缺性溢价和结构性分化

赵丹首席科技分析师dan_zhao@spdbi.com(852) 2808 6436 2026年大模型趋势展望：1.中美差异：据Artificial Analysis榜单，当前中美大模型技术差距已压缩至3~6个月，国内前沿模型综合水平逐渐逼近海外顶级模型，不过美国厂商更注重尖端技术创新，国内厂商重点聚焦场景落地与开源生态构建。2.竞争格局：中国独立大模型厂商凭借决策灵活性，与互联网大厂将呈现分层竞合、互补共生格局，大厂以算力、数据、生态主导通用基座与C端场景，独立厂商聚焦垂直技术、开源创新。3.商业变现：短期ToB模式具备更强稳健性与确定性，从长期潜力来看，To C模式更具想象空间。由于巨头对国内流量把控，独立厂商ToC国内生存空间被压缩，出海机会更大。4.盈利预期：大模型行业普遍处于亏损状态，核心制约因素为算力投入、研发成本及获客成本，短期难以实现盈利，盈利关键在于提升商业变现以及优化推理成本等。 杨子超，CFA科技分析师charles_yang@spdbi.com(852) 2808 6409 2026年3月4日 大模型公司有哪些共同特点？大模型行业正从参数竞赛转向效率与多模态融合，同时面临算力、数据等挑战。智谱与MiniMax作为国内独立大模型厂商代表，均为港交所上市首批大模型标的，布局MaaS、多模态与Agent方向，采用API、订阅、私有化部署等多元商业化路径，都呈现高营收增速、超高研发投入、持续大额亏损、经营现金流为负的典型早期成长特征。这些特征是大模型行业高投入、高成长的集中体现。 智谱和MiniMax有何不同？智谱与MiniMax在战略定位、技术路线、商业模式、市场布局及财务特征上存在显著差异：智谱定位为AI基础设施提供者，以GLM系列通用大模型为核心，走国产化全栈技术路线，主打To B业务，通过模型授权、私有化部署和行业定制服务国内政企客户，国内收入占比超80%，毛利率50%（1H25），人力与研发成本较高；MiniMax则定位为AI原生内容与交互平台，采用全模态并行的轻量高效技术路线，聚焦AI原生产品化，以To C业务为主（收入占比超70%），全球化特征突出、海外收入占比超70%，毛利率25.4%（2025），成本以算力为主。 大模型受到追捧，高增长预期已在估值充分反映，或需较长时间消化。智谱和MiniMax登陆港股，标志着中国大模型行业从技术探索迈入资本化与商业化博弈阶段。大模型公司受到追捧，股价暴涨，主要由于：AI产业风口、稀缺标的FOMO情绪、高增长预期、技术突破，叠加流通比例小和纳入恒指及港股通预期等因素。截至今年3月2日，智谱、MiniMax市值已比肩快手、京东，跻身港股科网股第一梯队，对应2025年P/S分别高达266倍和413倍，估值相对充分，或需较长时间消化。参考快手2021年上市初期估值冲高后持续回落，高成长赛道早期情绪溢价往往需要漫长周期消化，将主要依赖收入规模的几何级快速增长。 投资风险：人工智能落地不及预期；研发投入超预期；竞争加剧。 目录 2026年大模型趋势展望....................................................................................................................3大模型公司有何特点？.....................................................................................................................8智谱和MiniMax有何不同？...........................................................................................................10大模型是否过热？...........................................................................................................................14投资风险.........................................................................................................................................16 2026年大模型趋势展望 中美大模型技术能力有多大差距？ 目前，中美大模型技术能力差距已压缩至3~6个月，中国前沿模型综合智能分数逼近海外顶级模型的87%，在算法优化（如MOE、动态稀疏注意力）和工程提效下，部分技术延迟差距进一步缩小。 资料来源：Artificial Analysis、浦银国际 美国凭借对高端算力芯片的垄断、丰富的多元数据生态以及数倍于中国的资本投入，构筑了显著的硬约束优势。技术路径上，美国厂商更多以“突破技术上限”为核心目标，聚焦多模态理解、深度推理、长上下文等前沿领域的尖端突破，追求在技术上的领先地位和对技术边界的极致探索，并通过闭源模式构建商业壁垒；中国厂商相对更强调实用性与普惠性，通过算法创新和工程优化，在有限算力下提升模型性价比，目标是更广泛地服务于实际场景，并全面拥抱开源生态，在特定领域实现领先。中国厂商通过开源聚合分散的算力与场景资源，构建了“应用-反馈-迭代”的开发者生态飞轮，为技术快速迭代和商业化落地提供了坚实基础。 资料来源：Artificial Analysis、浦银国际 短期来看，我们预计美国厂商将继续占据基础研究与高端芯片的制高点，而中国有望凭借庞大的应用场景、成本控制能力和产业协同，在垂直行业落地与效率优化上扩大优势，形成“美国厂商主导尖端创新、中国厂商引领规模应用”的双强格局。 中国独立大模型厂商如何与大厂竞争？ 互联网大厂在大模型竞争中具备显著的资源优势：拥有雄厚的资金实力、庞大的用户基础及成熟的业务生态，可将大模型嵌入现有产品，形成用户粘性与马太效应。此外，依托集团整体资源，大厂在算力采购、数据获取等方面更具规模效应。然而，其大模型业务通常仅是集团多元业务的一部分，战略优先级与决策灵活性受限，存在跨部门协作挑战，难以像独立厂商般All in大模型核心技术迭代。 相较于互联网大厂，独立大模型厂商作为AI原生公司，核心优势在于极致的专注力、决策更加灵活。独立厂商通常将所有资源集中于打造顶尖的大模型，这使其决策链条极短，能够快速响应技术趋势和市场需求，敢于探索高风险、高潜力的前沿架构。由于没有庞大的存量业务包袱，它们能够更灵活地选择开源或商业策略，并以更专注的服务满足垂直行业的深度定制需求。 从技术能力上看，智谱、Kimi、DeepSeek、MiniMax等独立大模型厂商均处于国内前列水平，并未被传统互联网大厂拉开差距。全球模型中，OpenAI和Anthropic同样也成功挑战了传统科技巨头的市场地位，证明了独立厂商在AI时代具备与大型企业竞争的技术能力。此外，阿里巴巴、腾讯等传统大厂也广泛战略投资于独立大模型厂商，大厂的云业务通常也同时接入众多业内领先模型。我们认为大模型竞争未来更多是竞合并存的共生格局。考虑到中国市场整体仍处于发展初期，未形成绝对龙头，未来独立厂商仍有望通过融资、技术迭代与市场拓展，加速整合市场，成为行业主导者。 ToBvsToC？ 短期来看，我们认为To B模式是更稳健、更确定的商业化路径。它直接对接企业的降本增效需求，在金融、政务、制造等垂直场景中能快速验证并产生可量化的价值，形成清晰的付费闭环。当前，无论是API调用还是私有化部署方案，ToB收入都构成了行业现金流的主要支撑。然而，从长期颠覆性与规模潜力来看，To C模式更具想象空间。成功的To C应用能够创造全新的需求与市场，实现指数级用户增长，并最终构建起强大的生态和网络护城河，其天花板或高于To B服务。 在付费意愿维度，To B与To C呈现显著差异。To B模式下，企业客户为提升效率、降低成本，付费意愿较高，尤其在金融、能源、制造等对智能化需求迫切的行业，企业更愿意为AI解决方案付费以实现业务升级。而To C模式下，目前多数产品（如豆包、DeepSeek）以免费形式吸引用户，消费者付费意愿仍较低，变现难度大。 从商业模式看，ToB以API调用、私有化部署和行业解决方案为主，收入结构稳定且较可预测。ToC则以订阅制、广告、积分等模式为主，用户ARPU值相对较低。 竞争壁垒方面，To B模式需要厂商具备深厚的行业知识、强大的工程化能力及满足合规要求的能力，形成较高的进入壁垒。例如，金融、政务等高安全场景要求模型支持私有化部署和定制化开发，非头部厂商难以快速切入。而To C模式产品同质化较高，用户易因体验差异流失，未来或将演变为流量和生态的竞争，如豆包依托字节的内容生态、腾讯元宝通过高频服务留存用户，无强生态支持的独立AI助手生存空间被压缩。 然而，纯粹的单一模式存在局限：纯To B易陷入项目制定制、增长线性的问题；而纯To C则面临付费意愿低、盈利难的挑战。因此，B端C端融合变现可能是更好的选择，能够同时赋能企业及服务海量用户，形成数据、场景与商业价值的增强回路。 大模型厂商如何实现盈利？ 当前大模型行业仍处于商业化早期阶段，高算力、高研发及高获客成本是普遍现象。这些成本的叠加导致厂商普遍亏损，制约了早期盈利能力。尽管部分厂商通过技术优化（如算法创新、硬件适配）降低单位成本，但整体仍需依赖规模效应和商业化落地的加速来改善盈利状况。 算力成本是大模型厂商亏损的核心来源之一，巨额的算力消耗直接推高了运营成本。此外，大模型厂商需持续投入顶尖人才进行算法迭代和模型优化，研发成本居高不下。由于大模型技术处于快速演进阶段，为保持技术竞争力，厂商需在架构设计、多模态能力提升等领域不断投入，这部分成本构成了亏损的重要组成部分。研发投入的前置投入，与商业化回报不匹配，进一步加剧了亏损压力。同时，在C端市场，大模型厂商也要面临获客与推广成本对利润的侵蚀。 我们认为商业化能力提升和推理成本优化是大模型厂商未来实现盈利的核心环节。商业化方面，API调用量增长与商业模式升级共同驱动收入非线性增长。一方面，客户从试点式使用转向生产级高频调用，规模效应摊薄固定成本；另一方面，商业模式从基础API调用扩展至MaaS（模型即服务）、行业智能体、定制化解决方案等高价值服务，将提升ARPU值并增强客户粘性。推理成本优化方面，通过算法创新和工程优化进一步提升算力利用率，从而降低单位推理成本，推动毛利率提升，为低价高质服务创造空间。 当前大模型行业已进入技术迭代与商业化深耕并行的关键阶段，除核心格局与盈利逻辑外，技术范式、能力标配、行业协同及市场格局均呈现明确发展趋势： 推理能力强化，多模态应用扩展 大模型技术范式向推理能力演进，Gemini 3、千问3.5、GLM-5等国内外头部模型均强化了思维链（CoT）与自主工具调用能力，这标志着大模型从单纯的信息处理工具向具备逻辑推理与任务执行能力的协作者升级。多模态已成为大模型的关键数据基础设施与交互界面。 Agent能力成为模型基础标配 多智能体协作、长记忆、自主任务执行等已从附加功能升级为大模型的底层基础能力。AI正从单纯工具加速向人工智能“同事”进化，这种转变推动模型具备更复杂的协同与执行能力，以满足企业级场景的深度需求。 通用与垂类协同进化 通用大模型与垂类模型正形成协同进化关系：通用模型凭借强大的底层能力（如推理、多模态、工具调用等）为垂类场景提供基础支撑，而垂类场景通过行业专有数据（如金融、医疗等领域的高质量业务数据）反哺通用模型迭代，形成“通用能力输出-垂类数据反馈”的正向循环，推动行业进入系统级智能竞争阶段 商业