未平仓空单比最高股票 - 截至12月24日，未平仓空单比位列前三的股票为万科企业（02202）、东方电气（01072）和中远海控（01919），空仓比分别为18.64%、17.51%和16.68% [1] - 前十大未平仓空仓比股票中，万科企业最新空仓数为4.11亿股，空仓比18.64%；东方电气最新空仓数为7144.61万股，空仓比17.51%；中远海控最新空仓数为4.80亿股，空仓比16.68% [2] - 其他位列前十的高空仓比公司包括恒瑞医药（15.54%）、中国平安（14.37%）、中兴通讯（14.31%）、宁德时代（12.54%）、紫金矿业（11.98%）、舜宇光学科技（11.47%）和福莱特玻璃（10.88%） [2] 未平仓空单比增幅最大股票 - 未平仓空单比（绝对值）较上一次增加最多的三只股票为东方电气（01072）、加科思-B（01167）和石药集团（01093），分别增加2.20%、0.77%和0.56% [1] - 东方电气的空仓比从15.31%大幅上升至17.51%，增幅达2.20%，是增幅最大的股票 [2] - 空仓比增幅前十的股票还包括昭衍新药（增加0.55%）、晶泰控股（增加0.47%）、IFBH（增加0.44%）、蓝思科技（增加0.42%）、保利置业集团（增加0.42%）、浙江世宝（增加0.41%）和中远海能（增加0.35%） [2] 未平仓空单比降幅最大股票 - 未平仓空单比（绝对值）较上一次减少最多的三只股票为三花智控（02050）、天齐锂业（09696）和越疆（02432），分别减少1.42%、0.82%和0.71% [1] - 三花智控的空仓比从9.87%下降至8.46%，降幅为1.42%，是降幅最大的股票 [3] - 空仓比降幅前十的股票还包括赣锋锂业（减少0.68%）、融创中国（减少0.55%）、美团-W（减少0.38%）、中创智领（减少0.37%）、巨子生物（减少0.36%）、速腾聚创（减少0.33%）和金蝶国际（减少0.33%） [3][4]

文章核心观点 - AI大模型发展正从基础设施向上层应用演进，基座大模型将收敛，但垂域模型与应用将极大丰富，成为引发技术变革的关键[1] - 物理AI是重要关注窗口，正加速具身智能、自动驾驶等领域演进，但技术路线存在分歧，软性基础尚在夯实[1] - 2025年进入“Agent元年”，AI技术正从Copilot辅助模式向自主行动的Agent模式迈进，目标是全价值链的业务重构，但规模化落地仍面临挑战[6][7] - 部分行业凭借信息密集、数据结构化程度高、价值闭环快等特征，已率先借力AI完成价值闭环，进入数智化转型“深水区”[1][9][11][12] 物理AI的技术路线与分歧 - 物理AI存在两条核心路线竞争：世界模型与视觉语言模型[2] - Sora等模型标志着AI从“预测者”向“模拟者”进化，是从数据驱动到模型仿真驱动、物理对齐、通用模拟的范式转移[2] - 当前Sora仅是“视觉模拟器”，而非真正的“物理世界模型”，因其缺乏因果推理、反事实推演和物理一致性，常出现违背物理逻辑的“物理幻觉”[2] - 世界模型路线分化为“生成派”与“表征派”：生成派通过海量感官数据归纳世界规律，适合做数据工厂或仿真训练；表征派通过构建内在结构推演世界状态，适合做决策大脑和实时推理[3] - 应用于具身智能的VLA模型将控制问题转化为序列建模，优势在于零样本泛化，但缺乏因果推理且依赖训练数据覆盖度；世界模型主张构建环境内部模型进行虚拟试错，样本效率远超VLA[3] - 产业界正呈现VLA与世界模型融合的趋势，例如利用VLA进行高层策略规划，利用世界模型进行底层动作验证[4] 网络架构向AI原生演进 - 网络架构正从“云原生”向“AI原生”演变[5] - 云原生解决了互联网应用的弹性伸缩和敏捷开发需求，互联网流量以“南北向”为主，数据包小而离散，对时延抖动有一定容忍度[6] - 大模型时代流量特征转向分布式“同步计算”，带来“大象流”、丢包零容忍、微秒级时延敏感等特点，需要网络做到“万无一失”[6] - AI原生网络的核心是极致的性能无损和算网协同，具备内生智能、确定性保障和算网一体等关键特征[6] - 应用层面，云原生应用以K8S为底座，以微服务架构为代表；AI原生应用以“大模型+Agent”为底座，以Agent及Agent间通信为代表；两者将趋于融合成为云智一体原生应用[6] Agent元年的机遇与挑战 - 2025年被称为“Agent元年”，将推动千行百业更彻底转型，从效率提升转向业务重构[6][7] - Agent从实验室走向企业核心生产系统的“最后一公里”面临多重挑战[8] - 在高可靠性行业，需解决随机性模型与确定性业务之间的矛盾、确保长程任务稳定性、构建可信安全边界[8] - 核心业务中，AI“幻觉”是不可接受的风险，企业无法容忍“黑盒”在没有人类审核下做出关键决策[8] - 由于上下文窗口限制，处理跨天、跨周的复杂任务链时，模型易出现记忆丢失或逻辑断裂，导致开发复杂度指数级增长[8] - Agent使用工具可能带来沙箱逃逸、资源耗尽和数据泄露等安全风险[8] - 企业现有IT环境复杂，存在接口标准化缺失、数据孤岛等问题，同时需平衡推理维护成本与投资回报率[8] 行业应用与价值闭环 - 能率先实现AI价值规模化复制的行业具备关键特征：信息密集、数据结构化程度高、具备强反馈机制、价值闭环极快、有一定容错度、具备一定范围泛化能力[9] - 数字化转型较好的行业更容易进行智能化转型[10] - 教育、医疗、软件开发、智能制造、城市治理等行业可能率先完成价值闭环[11] - 制造业凭借高度结构化数据环境和明确效率指标，成为AI价值变现的“排头兵”[11] - 城市治理依托海量多模态数据和公共安全需求，正通过“城市智能体”模式实现从被动响应到主动预防的跨越[11] - 数智化转型进入“深水区”意味着AI从外围辅助系统进入核心生产系统，如网络运营、电网调度、城市应急指挥等[12] - “深水区”将面临“三多”：多模态数据、多厂家设备、多业务场景；“三新”：新技术、新架构、新安全威胁；“三跨”：跨领域知识融合、跨系统数据调用、跨组织流程协同[12] 技术路径：通用大模型与行业小模型的协同 - 驱动行业AI发展并非“通用基础大模型+行业精调”与“从零构建行业专属小模型”的二选一，而应采用“云边协同”的混合路径[12] - “通用基础大模型+行业精调”是构建企业“大脑”的最有效路径，解决了认知层面的通用性与专业性矛盾，能以低成本继承通用逻辑能力，解决知识密集型任务[12] - 从零构建行业专属小模型是构建企业“四肢”的可行方案，在非自然语言、极致边缘和极致隐私场景下不可或缺，解决了感知与执行层面的效率、适配和安全问题[12] - 面对工业领域的振动波谱、雷达信号、基因序列等“非自然语言”数据，通用模型的先验知识可能成为噪音，需从零构建专用的CNN或Transformer模型[13] - 对于极致时延和功耗场景，如矿山无人驾驶卡车或高速贴片机，推理时延需控制在毫秒级，算力受限于嵌入式芯片，训练一个参数量在几百万到几亿的专用小模型是唯一可行方案[13] - 面向对数据隐私和主权有极致要求的场景，如金融或核心基础设施，为确保模型无潜在偏见或后门，会选择完全物理隔离环境下的从零训练[13] - AI本身已在重塑软件工程，高效利用AI代码大模型试错，可在一定程度上加速试错和降低成本[13]

2025年A股市场成交概况 - 2025年A股行情收官，市场成交活跃，多只个股成交额巨大 [1] 2025年A股成交额前十个股排名 - **中际旭创**以2.51万亿元的成交额位列榜首 [1] - **东方财富**成交额超过2万亿元，排名第二 [1] - **新易盛**成交额超过2万亿元，排名第三 [1] - 排名第四至第十的个股依次为：**寒武纪**、**宁德时代**、**胜宏科技**、**工业富联**、**阳光电源**、**中兴通讯**、**立讯精密** [1] - 排名前十的个股成交额均超过1.41万亿元 [1]

行业趋势与市场展望 - AI Agent手机被视为智能手机行业在增长乏力背景下的新变局与“船票”，2026年有望成为其“量产元年” [1][4] - 行业正出现“激进派”和“稳健派”两条截然不同的发展路径，大规模普及仍需闯过合规、成本、价值等多重难关 [1] - “量产元年”的到来取决于产业对算力、功耗、成本三条曲线交汇点的预判，需满足特定技术条件以将物料清单成本压到320美元以下 [10] 主要参与者与战略路径 - 字节跳动旗下豆包与中兴通讯合作推出豆包AI手机，并正积极推进与vivo、联想、传音等头部硬件厂商的合作 [4] - 大模型厂商如智谱宣布将其核心AI Agent模型AutoGLM全面开源，以推动行业发展 [4] - 手机硬件厂商如华为、vivo、荣耀、联想等纷纷在旗舰手机中注入AI Agent能力，华为将小艺升级为具备跨应用操作能力的“智能服务统一入口” [4] - “激进派”以豆包AI手机为代表，采取高权限集成模式直接调用系统底层功能 “稳健派”以华为等厂商为代表，通过操作系统级API接口实现跨应用协作，更符合现有开发规范 [5] - 头部手机厂商如vivo、华为去年出货量超过4000万部，系统级改动意味着亿元级别的合规费用，因此倾向于将AI做成“功能”而非“底座” 中兴手机全球市场份额约3%，边际风险低，更愿意用系统权限换取增量，呈现“小艇调头”效应 [6] 技术实现与权限冲突 - 豆包AI手机通过获取“android.permission.INJECT_EVENTS”系统级权限，将AI助手设置为操作系统的一部分，从而实现丝滑、无感的跨应用操作 [7] - 该高权限模式意味着AI可向系统输入流直接写入事件，其危险在于操作的不可分辨性，可能被恶意软件利用绕过安全识别 [8] - 出于对风险和安全问题的担忧，微信、淘宝等主流应用及一些银行类App已选择“屏蔽”豆包手机助手 [7][8] - 权限和智能是“跷跷板”关系，AI需要更多权限才能更智能，但过度开放权限可能威胁隐私与安全 [8] - 解决难题需在技术层面发展隐私计算、沙箱隔离，在行业端建立权限分级标准与审计机制，在政策层面完善法律法规 [8] 面临的挑战与量产条件 - 当前主流路径严重依赖云端进行屏幕理解与推理，存在三个根本性矛盾：持续上传屏幕流带来的数据主权与安全风险、受制于网络延迟与带宽的交互流畅度天花板、海量用户高频调用带来的难以持续的算力经济成本 [11] - 量产需迈过三重难关：一是合规关，需要工信部牵头出台“终端Agent权限白名单”标准 二是成本关，“NPU+大模型授权+内存溢价”不能使手机整机成本增幅超过8% 三是价值关，必须跑出日活跃用户数大于30万的“杀手级”场景 [11] - 具体量产技术条件包括：手机SoC的NPU算力超过40 TOPS、12nm以下射频PA量产、出现70美元级别的8GB LPDDR5X模组，三者同时达标才能把物料清单成本压到320美元以下 [10]

公司2025年回顾与业绩表现 - 2025年是公司成立四十周年，公司全面拥抱人工智能新时代 [1][4] - “连接+算力”新战略迈出坚实步伐，公司营收重返增长轨道 [1][5] - 网络业务深耕细作，稳固了其作为盈利“压舱石”的地位 [1][5] - 算力业务持续突破头部客户，打造增长“新引擎” [1][5] - 终端业务联手推出业界首款智能体手机，探索应用“新入口” [1][5] - 行业周期切换叠加业务结构调整，给公司带来了较大的盈利压力 [1][5] - 公司的品牌、渠道等核心能力仍需持续增强 [1][5] - 公司智算超节点与“Co-Sight超级智能体”分别斩获SAIL最高奖及开源榜单榜首 [2][5] - 公司蝉联CDP气候变化最高等级领导力A类评级 [2][5] 公司2026年战略与经营理念 - 2026年公司将秉持“和合兴业，提质增利”的理念，确保行稳致远 [2][4][5] - “和合兴业”理念将遵循“大市场容量、高复杂度、高成长性、有毛利空间”的原则，优化业务组合与资源配置 [3][6] - “和合兴业”要求向核心战略进一步聚焦，以协同之力突破创新瓶颈 [3][6] - “和合兴业”将充分激励和赋能基层团队，激发组织活力与创新潜能 [3][6] - “和合兴业”将加大拓展“朋友圈”，完善以根技术为内核的开放生态，矢志跻身智算产业第一阵营 [3][6] - “和合兴业”将持续践行绿色低碳发展理念，坚守科技向善初心 [3][6] - “提质增利”是公司实现纵深突破的必由之路 [4][7] - “提质增利”要求海外市场深耕存量，把握大国大T及中资企业出海机遇，实现稳健经营 [4][7] - “提质增利”要求国内运营商市场稳固网络格局，深挖场景需求以拓展增量空间 [4][7] - “提质增利”要求政企市场紧抓智算发展机遇，平衡业务规模与盈利水平 [4][7] - “提质增利”要求终端业务在海外坚定推进大国市场拓展，加强一体化运作与品牌建设 [4][7] - “提质增利”要求终端业务在国内全面发力端侧人工智能技术，积极探索新型终端形态 [4][7] - “提质增利”将进一步强化创新驱动，以跨专业跨学科的融合解决方案赋能客户，实现价值共创 [4][7] - “提质增利”将坚守质量底线，以质增效、提质增利，平稳穿越行业周期 [4][7] - 公司的战略目标是成为“网络连接与智能算力领导者” [4][7] 行业环境与展望 - 2026年国际环境复杂多变，不确定性因素显著增多 [2][5] - 国内“十五五”宏伟蓝图展开，人工智能、5G-A等技术创新加速催生新业态 [2][5] - 网络投资仍受行业周期影响 [2][5] - 智算业务商业闭环的形成尚需时日 [2][5]

文章核心观点 - 深圳在45年间成功培育了从“制造”到“创造”的强大品牌矩阵，其品牌发展历程是中国品牌崛起的缩影，并正通过系统性战略在新质生产力与全球竞争中引领未来 [2][5][33] 深圳品牌发展历程与阶段 - **破茧成蝶期（80-90年代）**：以“三来一补”融入全球链条，康佳、飞亚达等本土品牌萌芽，华为创立预示技术驱动时代到来 [7] - **自主崛起阶段（90年代末至21世纪初）**：发展理念转向“深圳质量”，华为、中兴打破通信垄断，招商银行、平安集团重塑金融格局，TCL、创维、金蝶等品牌在各自领域取得突破 [7] - **集群升级阶段（2010年代）**：网络通信、智能终端、新能源等多赛道并进，腾讯、比亚迪、迈瑞、贝特瑞等品牌在国内扎根并迈向全球 [7] - **引领定义阶段（当前）**：在“20+8”产业集群战略下，大疆、优必选、影石创新等品牌以颠覆性产品在全球市场占据领跑地位 [8] 深圳品牌的发展成果与规模 - 深圳已培育出**1220个**具有较高知名度和市场影响力的本土品牌，其中包括**13个百亿级品牌**和**7个千亿级品牌** [10] - 腾讯、中国平安、华为的品牌价值均已突破**4900亿元** [10] - 这1220个知名企业品牌贡献了全市**47.97%** 的销售额、**42.05%** 的纳税额和**32.87%** 的出口额，是深圳经济高质量发展的中坚力量 [11] - 品牌广泛分布于电子信息、新能源、生物医药、高端装备、金融服务、数字经济等关键领域 [11] 深圳品牌崛起的核心驱动因素 - **制度创新**：政府以“试验田”担当迭代政策工具，通过精准施策和包容审慎监管为品牌成长提供“政策温床” [16] - **创新驱动**：以“6个90%”创新生态为特色，驱动企业将年营收的**10%以上**投入研发，构筑覆盖基础研究到成果转化的全链条技术护城河 [17] - **产业生态支撑**：形成龙头引领型（如腾讯）、集群共生型（如无人机产业汇聚**600余家企业**）、平台赋能型（如深圳高新投的“投保联动”模式）三种典型生态模式 [19] - **国际视野**：品牌出海路径从加工贸易“走出去”，升级到自主品牌属地化运营“走进去”，再到技术与管理模式的全球化输出 [20] - **社会责任**：企业将依法纳税、稳定就业、践行ESG、投身碳中和等社会责任内化为战略自觉，积淀品牌信任基石 [21] 代表性企业与人物 - **功勋人物**：包括华为任正非、腾讯马化腾、比亚迪王传福、平安马明哲、创维黄宏生、迈瑞李西廷、顺丰王卫等，他们以企业家精神为深圳品牌烙下深刻印记 [22] - **卓越品牌（基石）**：如中集集团、深圳港集团、深圳地铁、能源集团等，代表城市的硬核实力与基础设施保障 [22] - **产业创新品牌（引领者）**：如全球电池材料巨头贝特瑞、华大北斗、问止中医以及在锂电智造、精密光学等领域的众多“隐形冠军” [23] - **成长型品牌（新锐力量）**：如地上铁租车、查策网络等，代表深圳品牌生生不息的创新后劲 [23] - **最新涌现的黑马企业**：包括消费级3D打印全球第一的拓竹科技、估值超千亿元的引望智能、实现半导体全领域技术突破的新凯来等 [2] 品牌进阶的具体路径案例 - **柯耐特（创新突围路径）**：在连接器领域避开低端价格战，聚焦新能源汽车等高端需求实现“赛道升维”，依托深圳精密制造基础持续技术突破，主导参与**2项**行业标准制定，获国家级“专精特新”等荣誉 [25][27] - **千岸科技/Ohuhu品牌（全球破局路径）**：在全球美术用品市场以自主品牌Ohuhu出海，通过产品创新和社交媒体社群运营，实现从“跨境卖货”到“全球品牌运营”的升级，产品多次获得红点奖等国际大奖及福布斯等海外顶级媒体背书 [27][29] 未来展望与战略指引 - 深圳品牌的发展已内化为城市最闪亮的名片与核心竞争力，其成功是“有为政府”与“有效市场”同频共振的实践 [15][33] - 面向未来，在数字经济、低空经济等新赛道上，预计将涌现更多以创新定义未来的“深圳名品” [33] - 《深圳品牌发展白皮书（1980-2025）》旨在为未来品牌建设提供战略指引，后续计划联合专业机构发布年度报告和细分领域报告 [31]

公司股价与市场表现 - 12月31日，中兴通讯股价上涨1.18%，报收37.71元/股，成交额7.65亿元，换手率0.50%，总市值达1803.87亿元 [1] 公司基本信息与业务构成 - 中兴通讯股份有限公司成立于1997年11月11日，并于1997年11月18日上市，总部位于广东省深圳市 [1] - 公司主营业务收入构成为：运营商网络业务占比49.00%，政企业务占比26.91%，消费者业务占比24.09% [1] 机构持仓情况 - 贝莱德基金旗下产品“贝莱德浦悦丰利混合A（016678）”在第三季度重仓中兴通讯，持有8000股，占基金净值比例为0.61%，为其第六大重仓股 [2] - 根据测算，12月31日该基金持仓中兴通讯浮盈约3520元 [2] 相关基金产品信息 - 贝莱德浦悦丰利混合A（016678）成立于2022年11月23日，最新规模为1420.61万元 [2] - 该基金今年以来收益率为3.09%，同类排名7258/8085；近一年收益率为2.77%，同类排名7262/8085；成立以来收益率为5.53% [2] - 该基金的基金经理为王洋与刘鑫 [3] - 截至发稿，王洋累计任职时间3年35天，现任基金资产总规模20.4亿元，任职期间最佳基金回报5.61%，最差基金回报-0.6% [3] - 刘鑫累计任职时间2年295天，现任基金资产总规模18亿元，任职期间最佳基金回报7.09%，最差基金回报-0.6% [3]

AI行业发展趋势与核心观点 - AI大模型发展将从基础设施向上层应用演进，基座大模型数量将收敛至个位数，但围绕千行百业将衍生丰富的垂域模型与应用，这是引发技术变革的关键[2] - 物理AI成为重要关注窗口，正加速推进具身智能、自动驾驶等领域演进，有望深刻改变未来社会运行方式[2] - 2025年被称为“Agent元年”，AI技术正从以“内容生成”为核心的Copilot辅助模式，向以“自主行动”为核心的Agent模式迈进，企业智能化目标从“效率提升”转向“业务重构”[9] - AI应用正告别“技术炫技”的初级阶段，迈入“价值落地”的关键时期，核心逻辑是从“实验室里的高精尖”转变为“产业中的实用工具”，从“单一技术赋能”升级为“全链条生态协同”[16] 物理AI的技术路线与竞争 - 物理AI存在两条核心路线竞争：世界模型与视觉语言模型（VLA）[3] - Sora等模型标志着AI正从“预测者”向“模拟者”进化，是从“数据驱动”到“模型仿真驱动”再到“物理对齐”和“通用模拟”的范式转移[3] - 当前Sora被视为“视觉模拟器”而非真正的“物理世界模型”，因其缺乏因果推理、反事实推演和物理一致性，常出现违背物理逻辑的“物理幻觉”[3][4] - 世界模型技术路线分化为“生成派”（如Sora、Marble）和“表征派”（如JEPA），生成派适合做数据工厂或仿真训练，表征派适合做决策大脑和实时推理[4] - VLA模型核心理念是将机器人控制转化为序列建模问题，价值在于零样本泛化能力，但缺乏因果推理且依赖训练数据覆盖度；世界模型主张先构建环境内部模型进行虚拟试错，样本效率远超VLA[5] - 产业界正呈现VLA与世界模型融合的趋势，例如利用VLA进行高层策略规划，利用世界模型进行底层动作验证[5] 世界模型面临的挑战与发展预测 - 世界模型赋能“数实融合”需解决三大难题：理解因果性并掌握第一性原理、构建解决物理一致性问题的模拟器、应对数据枯竭与长尾困境[6] - 世界模型旨在通过海量视频数据预训练，在神经网络内部构建隐式“物理引擎”，以在数字空间低成本试错和推演[6] - 自动驾驶等数据驱动型AI的下一阶段竞争本质是高质量合成数据的竞争，成熟的世界模型能生成现实中难以捕捉的极端工况数据[6] - 世界模型落地时间表预测：2024-2025年实现视觉仿真；2026-2027年实现物理对齐；2028-2030年有望实现通用具身智能[6] 网络架构向AI原生演进 - 网络架构正从“云原生”向“AI原生”演变，大模型时代流量特征转向分布式“同步计算”，带来“大象流”、丢包零容忍、微秒级时延敏感等特点，需要网络做到“万无一失”[7] - AI原生网络核心是极致的性能无损和算网协同，具备内生智能、确定性保障和算网一体等关键特征[7] - 应用层面，云原生应用以K8S为底座，AI原生应用以“大模型+Agent”为底座，两者将趋于融合成为云智一体原生应用[7] 中兴通讯的技术布局与产品 - 中兴通讯技术演进从2G时代硬件集成，发展到5G时代的芯片+整机+大模型的组装式研发范式，在技术、专利、标准方面从跟随转向引领[8] - 公司自研珠峰、定海、凌云等芯片，服务器、存储、数据中心交换机和数据中心等产品收入增速明显[8] - 公司提供全栈全域的智算解决方案，支持软硬解耦、模型解耦和训推解耦，聚焦工程能力工具化[8] - 针对智能体应用，中兴通讯推出“Co-Sight智能体工厂”，带有“CT级可靠性”基因，结合深度思考和反思、DAG和COA规划协同，支持分钟级智能体构建[11] - Co-Sight通过冲突感知元验证（CAMV）机制确保决策可信，采用基于结构化事实的可信推理（TRSF）支持超长任务的“断点续做”[11] - Co-Sight构建了严格的运行环境：受控沙箱、全链路审计、隐私保护[12] - Co-Sight 2.0在通用AI助手基准测试GAIA中连续三个月保持第一，在代表前沿知识的HLE评测中也连续两个月位居榜首[12] - 中兴通讯与中国移动合作，联合验证了“点金行动”的31个高价值场景，结合图谱检索、强推理以及电信级多智能体协议，助力自智网络向L4+迈进[12] - 公司采用“1（通用底座）+N（领域增强）+X（场景微调）”策略，结合RAG技术，兼顾能力与成本[16] Agent规模化落地的挑战 - 智能体从实验室原型走向企业核心生产系统的“最后一公里”充满挑战，在电信、金融、能源等高可靠性行业，需解决随机性模型与确定性业务之间的矛盾、确保长程任务稳定性、构建可信安全边界[10] - 核心业务中，AI“幻觉”是不可接受的风险，企业无法容忍“黑盒”在没有人类审核下做出关键决策[10] - 由于上下文窗口限制，处理跨天、跨周的复杂任务链时，模型易出现记忆丢失或逻辑断裂，导致Agent开发复杂度呈指数级增长[10] - Agent使用工具（执行代码、调用API、操作数据库）会带来安全风险，如沙箱逃逸、资源耗尽和数据泄露[10] - 企业现有IT环境复杂，存在接口标准化缺失、数据孤岛等问题，同时需平衡推理维护成本与投资回报率[10] 有望率先实现AI价值闭环的行业特征与方向 - 能率先实现AI价值规模化复制的行业关键特征：信息密集、数据结构化程度高、具备强反馈机制、价值闭环极快、有一定容错度、具备一定范围泛化能力[13] - 智能化转型基础是网络化和数字化，数字化转型较好的行业更容易进行智能化转型[14] - 具体产业中，教育、医疗、软件开发、智能制造、城市治理等可能率先完成价值闭环[14] - 制造业凭借高度结构化数据环境和明确效率指标，成为AI价值变现的“排头兵”；城市治理依托海量多模态数据和迫切公共安全需求，正通过“城市智能体”模式实现从被动响应到主动预防的跨越[14] - AI进入产业“深水区”意味着从外围辅助系统进入核心生产系统，将面临“三多”（多模态数据、多厂家设备、多业务场景）、“三新”（新技术、新架构、新安全威胁）、“三跨”（跨领域知识融合、跨系统数据调用、跨组织流程协同）的复杂局面[14] 行业AI模型部署路径 - 驱动各行各业融入AI的模型路径并非“二选一”，而应采用“云边协同”的混合路径[15] - “通用基础大模型+行业精调”是构建企业“大脑”的最有效路径，能以低成本继承通用逻辑能力，解决知识密集型任务[15] - 从零构建行业专属小模型是构建企业“四肢”的可行方案，在非自然语言、极致边缘和极致隐私场景下不可或缺，解决了感知与执行层面的效率、适配和安全问题[15] - 面对工业领域的振动波谱、雷达信号、基因序列等“非自然语言”数据，通用模型的先验知识可能成为噪音，需从零构建专用模型[15] - 在极致时延和功耗场景（如矿山无人驾驶卡车），推理时延需控制在毫秒级，训练一个参数量在几百万到几亿的专用小模型是唯一可行方案[16] - 在对数据隐私和主权有极致要求的场景（如金融），为确保模型无潜在偏见或后门，会选择完全物理隔离环境下的从零训练[16]

全球大模型竞争格局演变 - 2025年开年，DeepSeek的崛起成为改变全球大模型竞争态势的关键一环，国产大模型正充分拥抱开源生态 [1] - 行业逻辑正从“开源做生态，闭源做商业”的简单二元论发生变化，形成“三极鼎立”的新局面 [1][4] - 新的现实是，开源正在毁灭卖模型的商业模式，逼迫闭源走向更深的服务整合，即集成和分发 [1][4] 大模型竞争“三极鼎立”格局 - **第一极：美方SOTA闭源模型**，以GPT-5、Gemini 3为代表，凭借断层式推理性能和Agent能力，服务于企业关键业务流和高价值知识挖掘，以私有数据访问权、极致安全性和用户入口构建护城河 [4] - **第二极：中国普惠开源模型**，核心是算法优化突破算力瓶颈，追求极致和普惠 [4] - DeepSeek-V3通过MoE和MLA等创新，实现训练和推理成本量级降低 [4] - DeepSeek-R1性能对标OpenAI o1，采用纯强化学习路径和蒸馏技术，将高阶智能拉入普惠人间 [5] - 截至2025年10月，阿里通义千问Qwen的全球下载量已突破7亿次，成为全球第一AI开源模型 [5] - DeepSeek与Qwen的崛起不仅是性能追赶，更是架构效率与工程化能力的超越，在全球构建了足以抗衡硅谷的第二极技术生态 [5] - **第三极：垂域Agentic AI深耕**，聚焦垂直行业应用落地和价值挖掘，典型代表包括欧洲Mistral等 [5] 开源与闭源模式的战略转变 - Meta从“开源先锋”转向闭源（启动“Avocado”项目），是资本效率与竞争逻辑下的必然选择 [2] - 2023至2024年，Meta通过开源Llama系列模型，将PyTorch和Llama架构确立为行业事实标准，成功扮演了“反OpenAI联盟”盟主角色，使模型商品化以削弱竞争对手的垄断溢价 [2] - 进入2025年，该策略遭遇资本墙，前沿模型训练成本突破百亿美元大关，单纯依靠“生态影响力”已无法满足投资回报率审查，且缺乏云服务或应用场景等变现能力，无法构建可持续商业闭环 [3] - 曾引领文生图领域的开源先驱Stability AI在2025年面临严重现金流断裂与债务危机，最终不得不重组并引入外部资本控制 [3] AI发展目标：从AGI到ASI的演进 - AI发展逻辑正从“拟人化”迷途回归“工程化”坦途，即从“模仿人类”转向“数学优化” [5] - ASI被定义为在科学、代码、数学和复杂系统模拟等客观领域远超人类能力的智能形式，其发展目标从“模仿人类的通用性”重定向为“追求客观真理的极致优化” [6] - ASI将智能进化重构为可量化、可预测的工程问题，核心由三大引擎驱动 [6] 1. 通过测试时计算进行慢思考，依赖可预测的工业堆叠 2. 递归自我进化，利用“形式化验证”作为奖赏信号，不依赖昂贵且不稳定的人类反馈 3. 合成数据成为模型的高质量“燃料” - ASI发展面临三大阻碍 [6] 1. 评价体系滞后，易陷入“刷分陷阱” 2. “验证鸿沟”：当ASI提出的解法超越人类理解范畴时，难以判断是创新还是幻觉，这是阻碍其商业价值闭环的关键卡点 3. 面临物理世界反作用力，如吉瓦级（GW）的能源缺口、半导体供应链极限、安全治理真空等 算力基础设施面临的系统性挑战 - 随着摩尔定律边际效应递减及大模型参数量指数级膨胀，未来算力基础设施的显著瓶颈已从单一芯片计算能力转向数据传输能力 [7] - 核心挑战在于“内存墙”与“通信墙”的双重夹击，以及由此导致的“空泡”现象 [8] - “内存墙”：模型参数增长速度远超显存容量增速，模型必须被切分得更细，导致更频繁的跨芯片通信，加剧带宽压力 [8] - “通信墙”：在传统冯·诺依曼架构下，数据在存储与计算单元间搬运的能耗可能占总能耗的60%至90% [8] - 由于单个GPU显存无法容纳完整大模型，必须采用流水线并行、张量并行等技术将模型切分到多个GPU甚至多个计算节点上，随着集群规模扩大，跨节点通信变得频繁 [8] - 跨机通信带宽远低于机内通信带宽，导致“空泡”时间在总训练时间中占比急剧上升，极端情况下，昂贵GPU集群有超过50%的时间在等待数据 [8] - 竞争焦点从单芯片算力发展为芯片+互联+生态的协同竞争，以AI芯片和Scale-up互联为基础的推理效能和超节点算力成为主要方向 [8] 算力基础设施的未来发展方向 - 算力基础设施的未来不是“GPU越多越好”，而是追求“通信效率越高、系统越可靠、成本越可控” [9] - 超节点是应对数据传输瓶颈的关键路径，聚焦算力密度和算力扩展能力提升，使其在逻辑上表现为一台“巨型计算机” [9] - 构建可持续基础设施的主张包括 [9] - 以开放协议为根基：推动开放互联协议标准化，支持并参与国内开放互联标准（如OSIA、OLink、ETH-X）的制定与推广，构建兼容多厂商GPU的开放型超节点架构 - 以系统工程为手段：强化系统级工程能力，提升可靠性与可运维性，推动“算力+网络+散热+供电”一体化设计，布局液冷与智能供电 - 以场景价值为导向：追求“性能-成本-能耗”更优平衡 - 主张“性能甜点区”，反对盲目追求超大规模 [10] - 大模型训练中，优先验证64卡超节点的性价比 - 推理场景中，探索与DeepSeek类似的“跨节点专家并行+通信重叠”等软件优化方案 - 推动“Scale-up+Scale-out”混合架构，核心训练集群采用超节点，边缘或中小模型部署采用传统8卡服务器，实现资源分层、按需供给 AI与通信网络的深度融合 - 通信网络正从“管道”向“神经中枢”转型，算力是神经元，网络就是神经网络 [10] - **AI对网络的双重影响** [10] - **AI for Network**：产品级重点在硬件智能内生和软件智能进阶；网络级则通过Agentic AI、大数据和数字孪生深度融合，加速自智网络向L4+迈进 - **Network for AI**：在智能生产阶段，需要支持多种开放标准的高速无损互联（Die 2 Die、GPU 2 GPU、集群内部和DC之间），提升智算中心性能与效率；在智能应用环节，云边端协同、智能体间协同成为常态，泛在AI需要更强大的网络支撑 - 基础设施层面，将从“芯片级摩尔”向“系统级摩尔”迈进，即网、算、存、软、能协同发展 [11] - 应用层面，AI+通信网络+感知交互+存储计算+新能源五大基础技术融合，最终走向超级智能体 [11] - 传统APP面临AI Agent重构与“升级换代”，构建自有AI Agent开发平台支撑传统应用演进和AI原生应用成为核心需求 - Agentic AI会让算力网络和边缘计算重回关注重点 - 运营商需要能力上从“尽力而为”到“万无一失”，业务上从“一致性”到“差异化”，服务上从“拼指标”到“拼场景体验”，融合和集成能力是关键，最终考验资源利用效率和服务变现效率 [12] - 在AI大模型加持下，通信行业正经历从底层物理设施到上层商业模式的彻底重构 [12] 1. **架构融合**：推动通信网络向“分布式超级计算机”演进，算力网络通过SRv6和算网大脑，打破计算与网络界限，实现资源的原子化解耦与重组 2. **AI内生**：6G网络将是智能原生的，深度学习深度融入，使网络具备自我学习、自我优化能力 3. **价值重塑**：运营商和设备商有望从单纯的连接提供者跃升为智能时代的“发电厂”和“输电网”，成为数字经济赋能者 对AI“泡沫论”的见解 - 当前AI“泡沫论”的兴起，源于英伟达市值伴随业绩屡创新高，以及全球头部AI玩家围绕AI基础设施的密集投资和交叉投资推高市值的争议 [13] - 与2000年“互联网泡沫”的相似点在于：都有改变世界的愿景，都充斥FOMO（错失恐惧症）情绪，都存在大量初创公司高估值 [13] - 与互联网泡沫的不同点在于 [13] - 今天的AI已有大规模实际应用和激增的收入 - 核心大玩家（微软、谷歌、英伟达等）拥有稳健的现金流和相对合理的市盈率 - AI技术效用是真实的，更类似2000年的光纤基础设施建设，虽然短期可能算力过剩，但基础设施的铺设为长期应用爆发奠定了基础 [13] - 最大的风险存在于金融层面，市场上确实存在估值泡沫和约6000亿美元的营收缺口 [14] - 巨头通过“云计算信贷”和“往返交易”构建的账面繁荣掩盖了部分真实需求不足，债务融资与SPV的操作也存在较大风险 [14] - AI领域存在赢家难定、利润之谜、技术寿命等巨大不确定性，也可能导致泡沫破裂 [14] - 开源与闭源的博弈、通用与专用的博弈、推理经济性、能源约束、监管与法律等，也可能成为影响行业的变量 [14] 构建健康AI商业循环的建议 - 关注从“参数竞赛”转向“推理经济学”，只有当推理像水电一样便宜，Agent才能大规模替代人工 [14] - 拒绝“套壳”，深耕“工作流”，商业模式应从简单的Chatbot转向嵌入核心业务流的Agentic AI，按结果收费 [14] - 为避免反垄断拆分风险，巨头应主动降低对初创公司的排他性算力绑定，开放解耦 [14] - 对于能源和芯片的投资，应基于真实的推理需求预测，而非线性的训练规模外推，坚持投资基础设施的长期主义 [14] - 着眼去杠杆、关注ROI，应剥离金融工程带来的虚假收入，关注扣除云成本后的单元经济模型，优先采用小语言模型降低落地成本 [15] - 不能忽视监管机构在平衡创新与安全方面的作用 [15]

公司业绩与市场地位 - 公司2025年家庭终端年发货量再次超过1亿台 [1] - 公司在全球家庭终端市场的份额连续5年位居第一 [1]