这份研报的核心内容是探讨AI模型能力提升的关键因素,包括预训练的重要性、参数扩张趋势、算力与数据的支撑作用,以及中美模型差距等。同时分析了模型降本增效的技术路径,如稀疏注意力、MOE架构等,并探讨了具身智能的发展路线和机器人数据质量等挑战。此外,还涉及AI应用空间、AI for Science的商业模式、白领市场渗透率、企业级部署瓶颈、AI EDA对半导体产业链的影响,以及国产算力的长期发展前景等。
具身智能行业的发展主要有两条路线:一是研发细分场景的世界模型,二是升级VLA路线强化语言模型能力。目前行业仍处于早期阶段,机器人数据质量是核心瓶颈,机器人进工厂更多解决的是商业问题而非数据有效性问题。未来,具身智能需要解决模型训练数据的质量和数量问题,同时AI应用空间广阔但短期ARR难以快速放量。企业级部署的主要矛盾是定制供给不足,需要懂后训练和行业场景的人员进行调试。
研报重点分析了AI模型能力提升的技术路径,包括预训练与后训练的关系、参数扩张趋势、算力与数据支撑等。同时探讨了模型降本增效的方法,如稀疏注意力、流程优化、压缩算法和MOE架构等。此外,还重点分析了具身智能的发展路线、机器人数据质量、AI应用空间与渗透率、企业级部署瓶颈、AI EDA对半导体产业链的影响,以及国产算力的长期发展前景等方向。
当前AI市场展现出广阔的应用空间,但短期ARR难以快速放量,主要受限于模型正确率和Token价格。企业级部署面临定制供给不足的瓶颈,需要既懂后训练又懂行业场景的人员进行调试。AI for Science若能从成本项转向收入分成模式,有望解锁较大ARR。白领市场空间大但渗透率低,属于增长缓慢的市场。机器人板块已从demo阶段进入部署和应用落地阶段,核心瓶颈仍是具身模型以及训练数据的质量和数量。
研报提示的风险包括中美模型差距,主要体现在预训练和合成数据方面,国产模型厂商受限于算力和数据。AI应用空间虽大,但短期ARR难以快速放量,模型正确率和Token价格是限制因素。企业级部署面临定制供给不足的瓶颈,需要既懂后训练又懂行业场景的人员进行调试。国产算力长期前景虽好,但当前受市场情绪影响较大,且部分厂商良率过低影响较大;若要用于训练,需要同时解决HBM、大规模组网、一致性和稳定性等体系问题。