谷歌Gemini 3发布的标志性意义 - 谷歌凭借Gemini 3 Pro与Nano Banana Pro密集发布，在AI领域实现对OpenAI的强势反超，其根本优势在于构建了从TPU自研芯片、Gemini大模型到搜索及Waymo应用的全栈式闭环生态 [7] - 谷歌的生态化竞争策略推动其重新掌握AI主导权，软硬一体将模型参数优化周期从数月压缩至一周，体现出迭代效率与成本优势 [7] - Gemini 3在推理、编程和多模态能力上有显著提升，是AI发展中的一次重大突破，展示了AI产业可能的进路，包括原生多模态、Agent发展方向等 [7] - Gemini 3展示了从硬件（TPU）、模型及应用（Gemini）到服务（云服务、搜索、广告）闭环商业模式的可能性，可看作AI产业从“硬件”到“软件”过渡阶段的里程碑 [7] - Gemini 3的发布初步奠定了谷歌在AI领域从追赶到领跑的地位，展示出其技术与生态协同的优势 [8] - Gemini 3执行复杂工作流程的实际表现出现代际提升，标志着AI从“回答问题”跃迁到“执行任务”，在规划、长链路推理、多模态视频理解和工具协同上进入可用于真实工作流程的阶段 [9] - 谷歌的领先将刺激其他大模型厂商加大投入，AI“军备竞赛”的趋势仍将维持，有益于AI产业长期发展 [9] AI板块基本面与估值水平 - 目前AI整体呈现“估值不便宜但空间巨大”的特点 [3][10] - 当前AI板块基本面持续向上，估值也处于合理阶段 [4][10] - 上游算力侧依旧保持高景气度，AI对硬件的需求支撑相关企业业绩高增，2026年订单等基本面指引继续加速，2027年仍可维持中高增速 [11] - 中游模型侧，海外模型持续提升综合能力上限，国内模型通义千问、豆包等陆续实现突破，出海进程加速，海外市占率不断提高，且国内外模型厂商收入都在快速增长 [11] - 下游应用端已出现AI应用雏形，如智能体、机器人等，2026年至2027年有望大规模推广落地 [11] - 当前AI板块基本面仍然坚实，估值水平相对合理 [11] AI行情的可持续性 - 基于2026年至2027年高景气持续，AI作为市场主线的行情有望具备较强的可持续性 [4][10] - AI主线能否持续，背后的逻辑是国内AI发展能否追上美国，对此有信心 [10] - 信心来自硬件层面加速追赶，一些半导体公司收入的快速增长在以前很难想象；算法层面，AI竞争核心是人才，对手很难拉开代差；应用层面，国内拥有更完整的产业链和下游市场 [10] - AI作为本轮牛市行情的主线，可能仍具有一定持续性 [6][11] - 随着大模型进入产业生态竞争阶段，未来将更加偏好大型科技企业 [11] 对“人工智能泡沫”的看法 - 当下市场没有出现所谓的“人工智能泡沫”，与2000年互联网泡沫相比有巨大的不同 [12] - 目前AI领域投资增长很快，相关公司估值较高，但产业链盈利持续兑现、基本面良好、流动性相对宽裕，尚不具备传统意义上触发产业剧烈调整的宏观条件 [12] - 对比当年互联网浪潮，此次AI浪潮出现“爆款”级应用或许只是时间问题，现在说AI出现泡沫可能言之过早 [12] - 当前市场争论的“人工智能泡沫”与2000年的互联网泡沫，在资本狂热、估值偏高、行业早期波动等表象上有相似之处，但在盈利支撑、技术成熟度、市场格局等核心层面差异显著，本轮人工智能浪潮更加扎实 [12] - 2000年时期，大量“.com”中小公司以虚无的叙事把市值撑得非常大，估值高企，早已超出合理范畴；如今，支撑AI优势企业市值的大多是扎扎实实的利润和现金流，许多龙头企业呈现股价越涨而相对估值越便宜的现象 [13] - AI不是互联网2.0，它不是信息流速的升级，而是生产力结构的重写，以互联网商业化的历史来类比AI发展，本质上是用错误的标尺去测量另一类经济形态 [13] AI板块估值风险与规避 - 目前AI板块中部分细分领域存在估值偏高的风险 [14] - 建议把更多仓位放在当下以及未来三年确定性相对较强且能兑现利润与现金流的龙头公司上，给予确定性较高的龙头公司溢价；对于确定性较低、弹性较大的品种，可以考虑低仓位、分散持仓，待其确定性提升后再提高持仓比例 [14] - 当前AI板块的投资风险并不在于短期估值，而更多在于产业进展是否顺利，以及是否因为竞争加剧影响到领先企业的产业地位 [14] - 当前市场AI板块有两个方向存在一定高估风险：首先是算力租赁行业，随着英伟达和国产算力芯片技术持续进步，旧卡经济性大幅下降，可能导致折旧期限缩短，影响算力租赁企业的盈利能力；其次是AI初创企业和应用层企业，由于大模型竞争进入产业生态竞争阶段，行业发展主导权转移到大型科技企业手中，一些综合实力不强的AI初创企业以及产品单一的AI应用企业可能会被科技巨头取代 [15] 中国AI产业发展的优劣势 - 中国AI产业发展的优势在于应用场景和基建能力，包括拥有全球最大的数字市场因而享受数据红利，丰富的落地场景滋养各类AI应用的创新和生长，强大的基建能力和特高压传输网络为AI算力提供长期稳定的能源保障 [16] - 短板在于底层算力和模型架构，包括高端芯片受限以及芯片制造工艺暂时落后，与主流大模型架构0-1创新能力还有差距，软件栈成熟度仍不足以及缺乏用于训练的高质量数据 [16] - 中国在AI上的优势是整体体系的效率与落地速度，在开源生态、算力成本、工程化人才和产业链协同上具备更强的规模化能力，GPU之外的整条供应链——服务器、光模块、液冷、电力、IDC建设——中国都能以更低成本、更快速度完成，形成大规模训练与部署的经济性 [16] - 劣势在于受限于高端算力芯片供给 [16] - 中国AI产业在开源生态、制造业和落地场景等方面优势突出，但在基础理论和核心硬件等领域存在短板，高端模型理论以及核心硬件不足，如高端GPU等制造业能力，导致国内模型厂商落后海外1~2年 [17] - 中国AI发展的瓶颈主要是算力，这方面正在加速追赶，优势在于To C应用层面市场广度较大，有更好的落地经验 [17] - 中国AI产业发展优势明显，国产化和产业生态是两个重要优势，短板在底层半导体制造技术，这也是目前少数待突破的环节 [17] - DeepSeek实现了大模型第二路径“不强堆参数量和算卡，支持端侧部署”，向全世界证明了用更少GPU实现等效算力，也证明中国在AI算法和架构设计方面已有明显突破 [18] 国产算力板块的投资价值 - 从中期维度看，科技自主可控是长期趋势，伴随先进制程产能释放，国内互联网大厂、运营商的算力需求有望快速释放，带来国产算力芯片供应链业绩高速增长 [5][16] - 长期依然看好国产算力的成长空间 [16] - 国产算力领域，虽然目前存在不确定性，但弹性很大，国内无法使用最先进的海外算力，倒逼建立自己的完整生态，包括设备、材料、零部件、芯片设计、生态体系等等，任何一个突破都是巨大的机会 [17] - 国产算力板块的长期投资价值显著 [17] AI应用端的阶段与商业化场景 - AI应用目前处于高速发展期，以Gemini 3模型为代表的SOTA模型与产业生态高度融合，并迅速内嵌到生态应用中，模型调用词元数量处于快速增长期 [19] - 看好AI在建模和编程、个人知识库管理、企业生产力工具等多个细分领域的应用前景 [19] - 目前比较看好有明确商业化路径的应用场景，包括AI广告、办公和软件助手、数据与分析平台、AI编程、金融医疗等垂直领域软件平台等，上述方向海外已出现业绩兑现与明确收费模式，国内企业也在陆续尝试切入 [19] - AI正从预期驱动转入真实落地的新阶段，在To C端，AI应用已与广告、游戏、个人助理等紧密结合；在To B端，国内正参照美国的发展路径，营销、法律、政务、代码等部分工作逐步被AI替代 [19] - AI商业化还处于初期阶段，尤其在To C层面，尚未形成大规模、可重复的单点产品模式，看好传统企业数字生产力进入改造阶段的商业化落地 [20] - 当前AI应用处于商业化落地的初期阶段，市面上已出现了AI耳机、AI玩具、AI视频、AI编程等应用软件和终端电子产品，但均处于探索阶段，渗透率和付费率较高的应用主要是聊天和编程领域，主要看好广告营销、办公软件、视频编辑、AI眼镜、智能穿戴等场景 [20] 看好的AI产业链环节 - 目前可能处在由“硬三年”向“软三年”过渡的早期阶段，模型和应用将带来巨大的投资机会，同时模型和应用的进化带动需求提升，也会给上游算力带来新的机会 [21] - 最看好AI产业链上游算力基础设施，近期海内外互联网巨头开始大幅上调资本开支计划，主要投向算力基础设施领域，尤其是AI算力芯片、光模块等硬件板块 [22] - 在算力芯片领域，国产替代进程在加速，AI芯片产能和良率持续提升，出货量有望持续超越市场预期 [22] - 最关注算力环节，这与当前全球AI发展所处的阶段有关，现阶段Scaling Law依然是指导AI模型产业的核心理论基础，全球继续加大算力投资以占据领导地位，未来2～3年，算力领域有望形成较强的业绩兑现能力 [22] - 光模块领域，国内厂商具有较强竞争力，发展出多个全球市占率领先的光模块品牌，是AI算力产业链为数不多的国产替代率较高的环节，也是这轮AI算力扩张浪潮中的重要玩家 [23] - 当前更看好AI算力基础设施，以及AI生态应用，以Gemini 3为代表的SOTA模型仍在持续取得技术进步，表明Scaling Law规模法则仍然有效，算力投入仍然是必选项 [23] 未来1-2年AI关键突破方向 - 未来1～2年，AI的关键突破主要来自两个方向：算法升级与算力基础设施升级 [5][24] - 算法升级包括多Agent协作、长上下文与外部记忆，让模型从“回答问题”进化到“主动执行任务”，真正进入应用爆发期；算力基础设施升级包括新的技术升级支撑超大规模GPU集群的出现 [24] - 随着推理成本下降和自动化能力增强，AI将在企业流程、科研、创意和个人效率中快速实现商业化，形成新一轮确定性极强的需求周期 [24] - 未来最值得关注的技术突破和商业应用可能会出现在全模态突破、AI智能体落地、具身智能突破方向 [24] - 未来1～2年AI领域值得关注的技术突破是在线学习，采用在线学习技术的模型将在推理过程中不断进行学习和训练，持续提升模型能力 [24] - 从商业应用角度看，最值得关注的应用场景为无人驾驶和人形机器人 [24]