文章核心观点 - 多位公募基金投研人士认为，谷歌Gemini 3的发布是AI产业发展的里程碑事件，标志着谷歌在AI领域实现反超并展示了软硬一体生态的优势 [19] - 当前AI板块基本面持续向上，估值处于合理阶段，基于2026年至2027年的高景气预期，AI作为市场主线的行情具备较强的可持续性 [12][24] - 市场并未出现“人工智能泡沫”，当前AI浪潮与2000年互联网泡沫有本质不同，产业基础更为扎实，龙头企业有扎实的利润和现金流支撑 [26][27][28] - 中国AI产业发展优势明显，尤其在应用场景、基建能力和开源生态方面，但短板在于底层算力和高端芯片 [34][35] - 未来1-2年，AI的关键突破将主要来自算法升级与算力基础设施升级，商业化应用将进入爆发期 [14][44] 谷歌Gemini 3发布的标志性意义 - 谷歌凭借Gemini 3实现了对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 [19] - Gemini 3将模型参数优化周期从数月压缩至一周，体现出软硬一体带来的迭代效率与成本优势 [19] - 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从硬件到软件闭环商业模式的可能性，是产业过渡阶段的里程碑 [19] - Gemini 3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的阶段 [20] - 谷歌的突围让产业在算力基础设施层进入多元化竞争状态，而在模型和应用层可能会向集中化演进 [20] AI板块基本面、估值与行情可持续性 - AI整体呈现“估值不便宜但空间巨大”的特点 [7][22] - 当前AI板块基本面持续向上，估值处于合理水平 [12][24] - 上游算力侧保持高景气度，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 [24] - 中游模型侧，海外模型持续提升能力上限，国内模型如通义千问、豆包等实现突破，出海进程加速，国内外模型厂商收入快速增长 [24] - 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 [24] - AI主线行情可持续的逻辑在于国内AI发展能追上美国，信心来源于硬件加速追赶、算法人才竞争以及更完整的应用产业链和市场 [24] 对“人工智能泡沫”的讨论 - 当下市场没有出现所谓的“人工智能泡沫”，与2000年互联网泡沫有巨大不同 [27] - 对比互联网浪潮，AI浪潮出现“爆款”级应用或许只是时间问题，现在说泡沫言之过早 [27] - 2000年大量中小公司以虚无叙事支撑高市值，如今AI优势企业支撑市值的是扎扎实实的利润和现金流，许多龙头公司呈现股价越涨而相对估值越便宜的现象 [28] - 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，用互联网商业化历史类比AI发展是用错误标尺测量另一类经济形态 [28] - 当前主要风险包括资本开支投入过多引发系统性风险，以及商业模式盈利性尚未完全清晰 [27] AI板块估值结构与风险关注点 - AI板块中部分细分领域存在估值偏高的风险 [30] - 投资建议把更多仓位放在当下及未来三年确定性较强、能兑现利润与现金流的龙头公司上 [31] - 投资风险更多在于产业进展是否顺利，以及竞争是否会影响领先企业的产业地位 [31] - 算力租赁行业存在高估风险，随着英伟达和国产算力芯片技术进步，旧卡经济性下降可能导致折旧期限缩短，影响企业盈利能力 [32] - AI初创企业和应用层企业存在高估风险，行业主导权转移到大型科技企业手中，综合实力不强的初创企业可能被巨头取代 [32] 中国AI产业发展的优劣势与国产算力 - 中国AI产业优势在于应用场景和基建能力，拥有全球最大的数字市场享受数据红利，丰富的落地场景，强大的基建能力和特高压网络为算力提供能源保障 [34] - 短板在于底层算力和模型架构，包括高端芯片受限、芯片制造工艺暂时落后，与主流大模型架构0-1创新能力有差距，软件栈成熟度不足以及缺乏高质量训练数据 [34] - 中国在开源生态、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之外的整条供应链能以更低成本、更快速度完成 [34] - 国产算力板块的长期投资价值显著，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 [16][34] - 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”，证明中国在AI算法和架构设计方面已有明显突破 [36] AI应用端发展阶段与商业化场景 - AI应用目前处于高速发展期，以Gemini 3为代表的SOTA模型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 [38] - 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 [39] - 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 [38] - 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，营销、法律、政务、代码等部分工作逐步被AI替代 [38] - 当前AI应用处于商业化落地初期，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 [39] AI产业链各环节投资价值展望 - 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大幅上调资本开支计划，主要投向算力芯片、光模块等硬件板块 [41] - 当前处于由“硬三年”向“软三年”过渡的早期阶段，模型和应用将带来巨大投资机会，同时其进化也会给上游算力带来新机会 [41] - 现阶段Scaling Law依然是核心理论基础，全球继续加大算力投资，未来2～3年算力领域有望形成较强的业绩兑现能力 [41] - 光模块领域是国内AI算力产业链为数不多的国产替代率较高的环节，国内厂商具有较强竞争力，发展出多个全球市占率领先的品牌 [42] - 当前更看好AI算力基础设施以及AI生态应用，掌握庞大算力资源和应用基础的大型科技企业具备显著优势 [42] 未来1-2年AI技术突破与商业应用方向 - 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 [14][44] - 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” [44] - 算力基础设施升级包括新的技术支撑超大规模GPU集群的出现 [44] - 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 [44] - 值得关注的技术突破是在线学习，采用此技术的模型能在推理过程中持续学习提升能力；最值得关注的商业应用场景为无人驾驶和人形机器人 [45]