解析大模型行业从发展历程到投资视角20260720

时间：7月20日参会人：无 全文摘要 在近期的投资人汇报中，东吴计算机团队聚焦于大模型行业的发展动态。指出当前AI正处于基础设施建设与模型能力迅速扩张阶段，agent产品化趋势明显，企业开始注重模型的实际应用效果。报告回顾了AI产业的最新变化，包括重要会议召开、模型更新及政策支持，强调中国在AI政策上的推动，旨在促进各行业应用并重视安全、权限治理。提到谷歌、美团等公司发布的新模型，展示模型迭代速度。未来，AI发展预期围绕基础设施建设、模型能力提升及大模型应用场景拓展。报告总结了重点公司的市场表现，为投资者提供了针对性的投资建议，强调大模型产业链价值将集中于关键技术资源、高切换成本能力及可量化的应用入口。 章节速览 00:00大模型行业的发展历程与投资视角 报告回顾了大模型行业的发展，强调了人工智能基础设施扩张、模型能力扩散、Agent产品化及企业关注回报率的阶段，指出产业竞争已转向真实场景应用。 00:36大模型演进与人工智能政策趋势 近期，人工智能领域在政策与技术两方面展现出显著进展。国家政策持续强调人工智能在物理世界的应用，推动开源开放与场景应用，同时注重法律法规建设。技术层面，各大模型迭代加速，如谷歌集成计算机操作能力、美团发布国产大模型等。OpenAI与岳知案面蒙少的最新产品发布，尤其是后者2.8万亿参数的kmk3模型，对闭源模型形成强烈冲击，凸显开源模型的竞争力。 03:42大模型能力与国产算力趋势分析 报告探讨了模型代码能力作为执行任务的关键，以及模型从对话框向工作平台转变的趋势。强调了单位任务成本成为衡量模型成本的新标准，而非传统的每百万token价格。同时，分析了 国产算力在大模型训练和推理全流程中的应用进展，如美团的lonecar模型，以及中科曙光、华为、阿里等企业在国产化道路上的贡献，指出国产算力是不可阻挡的发展趋势，对实现人工智能自主可控至关重要。 06:40大模型发展历程与产业影响 对话回顾了大模型从2017年至今的发展历程，包括注意力机制的引入、预训练规模化、产品化、多模态开源与企业化并行，以及推理模型和agent能力的崛起。每个阶段都伴随着技术突破和产业利润的转移，如GPU、存储和算力需求的增长。当前，大模型正深入工作流，执行具体任务，推动相关产业的投资重点转移。 11:56AI产业链现状与未来趋势分析 对话深入探讨了AI产业链的三大维度：基建端、模型端和落地端。基建端显示大厂资本开支加速，AI产业链收入增长显著；模型端，闭源模型保持领先，但开源模型快速追赶，模型能力泛化；落地端，AI产品初步展现自动化办公潜力，但在医疗、金融等领域尚需更可靠的技术与监管。AI正快速渗透各行业，但全面应用尚待时日。 15:21AI与互联网周期对比及行业启示 对比互联网、云计算和移动互联网周期，分析AI行业现状与未来趋势。指出AI行业与互联网早期相似，但成本结构不同，强调需关注商业模式闭环与实际业绩。类比云计算，讨论AI行业价格战与生态竞争；类比移动互联网，预测AI入口分散趋势，提出多入口、多平台、多场景并存的格局。核心观点在于，AI行业需回归真实回报率，实现商业闭环以支撑高估值。 21:38大模型产业链价值分布与投资逻辑 对话探讨了大模型产业链的价值集中方向，包括关键硬件资源、高切换成本能力和可量化回报的应用入口。强调大模型作为智能底座的重要性，以及其商业模式的不成熟与未来潜力。投资大模型被视为对下一代生产力新范式的投资，存在合理泡沫，代表技术进步与生产变革的核心。 25:11模型公司盈利模式转型探讨 讨论了模型公司未来发展方向，指出单纯依赖模型能力难以维持高估值，建议转向平台化、垂直场景或绑定算力等策略，以实现生态变现。同时提及开源模型的重要性。 25:47开源模型对AI产业的影响与加速作用 对话探讨了开源模型在AI产业中的战略意义，指出其降低了参与门槛，推动了产业加速发展，强调了开源模型对闭源模型的冲击及对AI需求的放大效应，同时分析了开源模型对投资逻辑的影响，强化了应用层、工具层和基础设施层的投资价值，总结了全球大模型厂商的发展趋势。 27:58大模型市场竞争格局分析：闭源与开源阵营的分化 对话讨论了大模型市场的竞争格局，主要分为闭源模型阵营（如OpenAI、srobic）和开源模型阵营（如deepsik、千问ki等）。闭源阵营通过提升模型能力维持市场领先地位，而开源阵营则以高性价比和本土化策略扩大市场份额。此外，一些平台型公司通过整合模型能力到搜索、社交等领域，形成自身生态壁垒，如XAI、mt等。整体来看，市场分化为闭源和开源两大阵营，各具特色。 30:10大模型行业动态与市场趋势分析 对话回顾了OpenAI、Anthropic、Sopec及Google等公司在大模型领域的最新发展，包括OpenAI的GPT5.6发布、Anthropic模型在企业级市场的优势、Sopec的高收入验证企业级市场的潜力，以及Google全栈产品闭环的优势与挑战。强调了出口管制对国内大模型国产替代的加速作用，以及代码模型作为高价值入口的重要性。 37:38XAI与国产模型DeepC：租赁巨头与新兴力量的较量 对话探讨了XAI作为数据中心租赁巨头的现状，其GLK模型持续更新，依托自有平台构建小生态。同时，国产模型DeepC自2025年初以来，展现出值得深入挖掘的潜力，成为行业关注焦点。 38:26DeepSik与千问：国产AI模型的工程化突破与产业价值 对话深入探讨了DeepSik和千问在AI领域的工程化突破，强调了通过算法优化和资源高效利用实现模型能力与成本效益的平衡。DeepSik通过创新设计，如FP4精度、专用语言开发底层算子及自研融合内核，展示了在资源紧俏条件下，通过工程化手段显著降低成本，打破了顶级模型需天量资本投入的观念，推动了国产AI生态的繁荣。千问则展现了类似谷歌的技术路径，强调了在AI发展中的战略适配与竞争加剧作用。 40:32AI平台化战略与生态建设 对话围绕AI平台化战略展开，强调了开源模型和开发者生态的重要性，以及结合自研AI芯片形成AI云底座的优势。阿里宣布即将开源2.8万亿参数的千问3.8模型，字节的豆包则定位为C端产品化。 41:31字节跳动豆包产品生态与kmk3开源模型亮点 对话强调了字节跳动通过豆包等C端产品构建的流量入口和推荐系统优势，及其在视频模型领域的sota地位。豆包升级后引入付费功能，不影响免费用户体验，且内容可嵌入第三方工具。kmk3开源模型的发布，使开源模型在斯坦福AI能力报告中首次超越闭源模型，成为能力最强的开源模型。 43:39国产大模型与场景落地的融合竞争 对话探讨了国产大模型在不同场景下的应用与竞争趋势，以腾讯的万亿参数大模型为例，强调了模型与业务深度结合的重要性。美团作为案例，展示了场景厂商构建顶级基础模型的能力，预示着未来大模型竞争将转向多入口多场景的场景落地竞赛。 44:46大模型产业发展与公司案例分析 对话深入探讨了大模型产业中几家关键公司的财务表现、业务定位及未来发展趋势，特别关注了质谱、minimax和科大讯飞的案例。质谱通过API和智能体收入增长，转型为平台型公司；minimax则聚焦海外C端市场，利用全球化路径建立护城河；科大讯飞凭借国资背景和国产算力优势，在政企市场中标金额领先，展现出稀缺性和发展潜力。整体分析揭示了大模型产业的多元路径和未来可能的发展方向。 50:10AI模型演进与硬件投资趋势分析 报告探讨了闭源与开源AI模型的竞争格局，强调了硬件基础设施的重要性，尤其是在GPU高带宽存储和先进封装技术方面。同时，讨论了AI应用成本降低带来的市场机遇，以及可能替代现有模型架构的新技术发展。整体上，报告支持AI硬件和应用领域的持续投资，尤其是开源模型能力提升对AI应用的广泛影响。 思维导图 要点回顾 东吴计算机团队关于大模型行业的发展历程和投资视角的主要观点是什么？ 我们一直认为人工智能正处在基础设施高强度扩张和模型能力快速扩散的阶段，其中大模型已经开始初步实现产品化，并且企业开始关注并逐步验证回报率。当前，产业竞争已转向真实场景，即能否在实际工作环境和工作流中有效可用。 最近一个月内，大模型或人工智能产业有哪些边际变化？ 在过去的一个月里，一系列重要事件发生，如2023年世界人工智能大会召开，总书记在开幕式上强调人工智能要从数字世界走向物理世界，并鼓励开源开放，推进场景应用，同时强调法律法规和安全监管的重要性。此外，谷歌发布了集成计算机操作能力的大模型James3.5，多家公司如SOP、美团等也发布了新的大模型产品，如科allstate5和国产3D大模型龙kt2.0等。 当前大模型演进中的三条总结规律是什么？ 第一条规律是代码能力已成为agent操作的基本工具，代码能力强几乎可以与真实任务能力强画等号；第二条规律是模型正在从对话框向具有执行任务操作工具能力的工作平台升级；第三 条规律是衡量模型成本的指标从每百万参数的价格转变为完成一个成功任务的成本。 国产算力在大模型领域的边际变化有哪些？ 近期最重要的变化是美团的LoneCar模型在国产卡基础上完成了从预训练到推理的全流程，这标志着国产算力成为持续且重要的主线。虽然之前就有模型使用国产卡做推理，但真正实现全流程国产化对于大模型的未来发展具有重要意义。 对于大模型发展历程的五个阶段，能否进行梳理介绍？ 第一阶段是TransferModel阶段（2017-2019年），以注意力机制为核心，解决模型并行训练和长距离Token关系捕捉问题，为后续大模型训练开辟空间。第二阶段是预训练规模化阶段（2020-2021年），以GPT-3为代表，证明了通过少量样本学习实现多种任务的可行性，预训练成为产业共识。第三阶段（2022-2023年）是产品化阶段，大模型开始能够理解自然语言指令并在实验室外实际应用，如GPT商业化成功。第四阶段（2023-2024年）多模态开源上下文和企业化并行发展，模型能力扩展到图像和其他复杂任务，同时出现大量开源模型，企业根据性价比选择闭源或开源模型。第五阶段（2025-2026年）推理模型和agent能力成为产业主线，模型能力评价标准多元化，从单纯信息生成转向任务落地执行，大模型进一步嵌入工作流并在真实场景中完成任务。 大模型产业的投资重点是什么？ 大模型产业的投资重点是不断追踪和适应能力模型能力的变化。 大模型目前的发展阶段涉及哪些维度？ 大模型目前的发展阶段主要从基建能力、模型能力和非基建扩张模型能力以及大模型能力落地三个方面进行衡量。 在基建端的情况如何？ 在基建端，头部大厂的资本开支持续加速上升，基础设施企业的收入保持高速增长，表明AI产业链中的云和基础设施已能实现真实收入兑现，头部大厂的资本开支成为整个AI产业链收入的重要来源。 模型端的发展态势怎样？ 模型端方面，闭源模型仍保持领先，但开源模型追赶速度非常快，在常上下文代码和动模态能力等领域，开源模型正逐步具备解决实际工程问题的能力，模型能力呈现平权趋势。 落地端的情况如何？ 落地端，AIGC产品大多处在早期阶段，但部分产品已初步具备产品形态，如小龙虾和Copilot等，在办公流程自动化方面取得一定进展，但在非编程场景下，成品稳定性有待提升，企业落地节奏在高频标准化、可验证的工作流场景较快，而在医疗、金融、工业等领域因责任界定和可靠性需求较高，落地速度较慢。 对比互联网、云计算和移动互联网的历史周期，大模型行业有哪些相似之处？ 大模型行业在早期发展阶段与互联网和云计算相似，都经历了快速用户增长和大量初创公司的涌现，资本市场开始关注用户规模、流量等新指标，并出现过度狂热的现象。然而，大模型行业的商业模式和实际业绩能否支撑高估值是当前阶段需要关注的核心问题，不同于互联网时代的低编辑成本和线性增长，大模型每次用户交互都有对应的成本，必须回归真实的回报率来评估其