易方达基金 盘前早知道 WAIC科技周 四 --AI从 聊天 走向 干活长任务Agent如何重塑算力需求

00:00:00 各位投资者朋友们，大家早上好，欢迎来到今天的盘前，早知道我是今天的指数观察员梦玲。我是易方达基金指数研究员陈华行。每个交易日上午9点，我们将在直播间为大家解读投资趋势，直击投资热点，让投资方向早知道，欢迎持续关注。那交流开始之前，首先提醒一下大家，根据证券期货投资者适当性管理办法等相关规定，本次交流仅适合风险承受能力匹配的投资者参与。基金有风险，投资需谨慎，详阅基金法律文件。 00:00:47 首先让我们一起来回顾昨日市场表现。7月16日，三大指数集体下跌，其中传媒、农林牧渔、美容护理板块领涨，建筑材料，电子通信板块领跌。截至收盘，上证指数下跌1.85%，报3882.41，深证成指下跌1.97%，报14488.65，创业板指下跌2.95%，报3692.46。资金面上，A股两市全天成交额总计2.42万亿元。港股市场，恒生指数上涨1.33%，报25008.60，恒生科技指数上涨1.98%，报4834.44。 00:01:31 那6月10号，Anthropic发布了Claude fable v与Claude mythos两款新模型。如果只看新闻标题，可能很多人就觉得这是一次普通的AI模型迭代，性能提升参数更强，如此而已。 00:01:47 主持人，说的没错啊，但如果我们深入看这次发布的细节，会发现一个重要的变化。这次模型升级的核心呢，不只是回答得更准、聊天体验更好，而是任务任务形态变了。大模型正在从一个问答工具向一个能够持续规划、执行、检查和修正的长任务Agent方向升级。 00:02:10 从聊天啊到干活，其实这个转折意味着什么？对应的它的算力需求会发生什么样子的变化呢？今天我们就来深入聊一聊这个话题。 00:02:23 冠行老师啊，那我们首先先拆解一下这次发布的两个新模型Faber5和mysos5。这两个名字很多投资者可能还不太熟悉，它们分别是什么，有什么样子的不同呢？好的，fbo5呢和mythos5可以理解为Anthropic基于同一底层模型能力做的分层分布。那我们先说Faber5，它的定位是什么。 00:02:47 Fbo5呢，是面向普通用户开放的methos classass模型，定位为公开可用的旗舰版本。它的重点呢，不是把普通聊天体验再打磨精进一些，而是处理更长时间、更复杂、更偏一步执行的任务。说得直白些，它不只是回答得更好看，而是要在更长的任务链条里稳定地去干活。 00:03:09 那MY5呢，它和fiber5有什么样子的不一样？Mythos5呢则是基于同一底层能力中权限更高、限制更少的版本，优先面向p r o j e c t、g l a s s w i n g等可信安全伙伴开放。由于这类模型在网络安全、生命科学等领域能力更强，那也可能带来更高的风险，Anthropic采用了更偏企业级的分层权限安全审计和可信的访问机制。那所以其实这两个模型一个是定位面向普通用户，一个是面向更高级的企业级的场景。对，您说的没错，这个fbo5啊就是普惠旗舰，mythos5呢是企业级高级版本。两者的核心差异在于权限层级、安全机制啊和适用场景不同，而非底层能力本身。 00:04:01 那聊完了这两个模型是什么，我们再来看看它们到底有多强。 00:04:07 从公开测试数据来看，这一代模型的能力提升主要体现在哪些方面呢？ 00:04:13 呃，从公开测试来看啊，这一代模型的能力提升主要体现在三类任务上，综合推理、Agent编程以及复杂的代码质量。我们可以逐一来看数据。那我们先说说这个综合推理在这个维度上mysos5的表现怎么样？在人类最后考试hle，也就是由人工智能安全中心与Scale AI于2025年联合发布的，这个多模态基准测试中啊，mythos5在不调用工具的情况下超过了preview版本，相比GPT5.5Gemini3.1Pro也明显提升了。 00:04:49 那这个hle测试具体衡量的是什么能力？Hle主要衡量模型在数学、科学、人文、逻辑推理等复杂问题上的综合能力，而且题目通常不是简单检索就能回答的，mythos5呢在这个测试上领先，说明模型不是只会生成流畅文本，而是在长链条推理、跨学科理解和复杂问题拆解上它更进了一步。 00:05:17 那编程能力呢？这是aiage agent最核心的能力之一，对编程能力的差距更直观啊，Swebench Pro主要用来测评模型能不能处理真实世界的Agent编程任务，比如理解代码库定位问题、修复代码跑测试并修复错误。在这个测试上呢，fbo5拿到了80.3%的成功率，高于此前刚发布的oppus4.8的这个69.2的成功率，也高于了GPT5.5的58.6，和Gemini 3.1Pro的54.2的这个正确率。80.3%的成功率啊，说明它已经不只是生成一段代码，而是更接近能在真实工程环境里去推进一段任务了。 00:06:04 对，主持人说的非常对，呃，这已经开始了质的变化了，这个模型不再只是写代码的工具了，它是真正能够参与到一个完整的这个工作流程中。那它的代码质量呢？有没有相关的一个测评数据？ 00:06:20 有的在cognition公司推出的frontier code diamond的测试中，fbo5拿到了29.3的成绩，而GPT5.5只有5.7，diamond的测试呢，是150个总任务中最难的50个啊，代表最高难度等级，用于衡量AI生成代码能否被开源项目维护者真正合并。这个测试榜单更关注Agent写出来的代码质量，而不是单纯能不能跑通。换句话来说，模型要理解需求，控制修改范围，减少副作用，还要让代码更接近工程团队能接受的这样的状态。那确实啊，从5.7%~29.3%，这个差距确实相当显著。那在真实的应用场景当中，有没有一些案例可以去佐证这种能力变化呢？ 00:07:08 有的早期案例也能说明这种变化的，呃，全球头部支付科技公司stripe，用F5在5000万行Ruby代码库里面做这个全局的迁移啊，据称原本一个团队要两个月以上的工作，这个模型一天就完成了。那么这个案例的重点我觉得不是快，而是任务规模变了，模型开始能 够应对大型的代码库，复杂依赖关系和这个连续的这个验证流程。换句话说，这个AICoding正在从补几行代码走向承接一段完整的工作任务去演变。 00:07:46 那我们聊完了模型本身的一个能力提升，我们今天回到今天最核心的问题啊，就是长任务Agent的发展到底会对算力需求产生什么样子的影响呢？冠心老师啊，就是消费AI token的一个需求曲线，会不会因为这种任务形态的改变而发生一个质的变化呢？嗯，我们可以这么理解，算力需求增长不止来自模型的参数变大，也来自使用方式的变化。那您展开说说啊，就是现在和过去的使用方式其实有什么样子的不一样呢？ 00:08:22 过去很多AI应用呢，呃单轮回答用户提问模型回答任务结束。但Agent模式下呢，一个任务往往会被拆解成多步啊，先理解目标，再制定计划，然后调用工具检查结果，最后根据反馈继续的去修正。那么一次任务可能包含多轮推理，多次的工具调用、多次的上下文读取和结果验证，那也就是说，完成同一个工作目标，Agent模式其实消耗的资源要远高于普通聊天。是的，您说的没错。完成同一个工作目标，Agent模式消耗的这个token数量、推理时间和上下文窗口使用量，可可能明显高于普通的聊天代码迁移和复杂的工程修复。 00:09:09 长文档分析、金融研究、科研辅助这些场景尤其是如此，任务链条长，对模型稳定性和算力供供给的需求也更高。 00:09:21 那我们聊完了长任务Agent的发展对算力需求产生的影响，我们再把视野拉回到产业趋势本身。那冠新老师，长任务Agent的发展和普及对于整个AI产业链来说，还有一个更深层次的变化，那就是需求模式的转变。那您能能不能帮我们深入分析一下？没问题， 00:09:43 更值得关注的是企业级Agent的使用频率，它不是偶尔试一次，而是可能嵌入研发、运营、风控、客服、投研等日常流程。一旦从个人尝鲜走向组织及部署，那么算力需求呢，会从流量驱动进一步变成工作流驱动。这类需求通常更持续，也更看重低延时、高可用的呃和安全可控。那从企业部署的角度来看啊， 00:10:12 长任务Agent的推广，它还需要满足哪一些条件？呃，我们说这个长任务Agent要真正的进入企业级场景，不能只停留在模型发布和产品演示的这个层面，还要具备以下的几个条件。第一呢，要足够的云端推理资源去承接高频调用，第二，企业需要建立相应的安全审计和权限管理机制，第三，模型需要具备更高的稳定性和可靠性，能够长时间运行而不出错。所以这实际上其实是一个模型能力提升、企业需求增加推动算力基础设施扩容，最终硬件产业链受益的一个链条。 00:10:57 对的，主持人，您梳理得非常清晰，fbo5呢和mythos5不只是一次模型的更新，它进一步说明大模型竞争的主线正在从聊天机器人转向长任务agent AI Coding,支持工作自动化和安全可控的企业级部署。 00:11:14 那这种变化是否会带来算力基础设施产业链新的投资机遇呢？是的，长任务Agent将成为AI应用的重要方向，投资线索最终还是会回到算力基础设施产业链。原因在于这类能力要真正进入企业场景，不能只停留在模型发布和产品演示的层面，还要有足够的云端推理资源去承接高额调用。海外云厂商、模型公司和AI应用平台要推广这类Agent能力，推理基础设施就需要持续的扩容。 00:11:49 刚刚您还提到啊，推理基础设施需要持续扩容，那从硬件环节来看，哪些环节最有可能受益于长任务Agent带来的算力需求增长呢？从硬件环节来看啊，相关需求会沿着AI服务器和数据中心链条传导，GPU和AI服务器是核心，网络互联决定集群效率，光模块、呃交换机、高速连接器、PCB等环节都会受益于集群规模的扩大。与此同时呢，数据中心的功率密度提升后，电源、散热、液冷、机柜等配套也会变得更为重要。 00:12:30 那从产业链的传导路径来看，这种需求增长的逻辑和之前有没有什么不同呢？长任务Agent越多，推理则负载越重，这些硬件环节的这个需求弹性啊也越值得去跟踪啊。和此前训练侧的需求不同，推理侧的需求更加持续更加高频，因为Agent是嵌入到日常工作流中的，而不是偶尔跑一次训练任务。 00:12:56 那么这种变化意味着呢，我们说算力需求的增长逻辑，正在从阶段性的培训爆发转向持续性的推理消耗，那对于普通投资者来说，如何参与这个方向的布局呢？逐一个股筛选是不是难度比较大？您说的对，海外算力链覆盖环节比较多，既有光模块、PCB、服务器零部件，也有半导体设备、材料、电源、散热和消费电子，那么逐一个股筛选的难度不低。 00:13:27 而且A股中啊有不少公司和全球AI硬件产业链联系密切，尤其是创业板中的一些公司，他们通过光通信、服务器零部件、PCB、消费电子、半导体设备、材料、电源、散热器等环节参与海外算力基础设施建设。 00:13:43 相比聚焦单一公司，借助ETF打包布局可能是一种更为便捷省心的参与方式。 00:13:52 那具体来说，易邦达旗下有哪些指数化工具可以关注？这些工具如何匹配长任务Agent带来的算力需求逻辑呢？ 00:14:02 好的，根据投资者的不同风险偏好和投资目标，我们整理了两条投资主线供大家参考。那我们先说说这个第一条主线，它对应的产品是哪一只？第一条线可以关注创业板ETF易方达，该产品紧密跟踪创业板指数，覆盖创业板中市值较大、流动性较好的代表性公司。不少创业板上市公司通过光通信、服务器零部件、PCB、消费电子等环节实质性地参与到了海外算力基础设施建设中。当长任务Agent推动推理侧算力需求持续增长时，这些公司有望受益于订单和业绩弹弹性的持续提升。 00:14:44 那第二条主线呢？第2条线如果希望进一步强化成长风格，可以关注我们的这个创业板成长ETF易方达。该产品在海外算力产业链中暴露程度更高，在科技制造和成长风