行业投资评级 - 报告未明确给出具体的行业投资评级 [1] 报告核心观点 - 大语言模型是包含百亿或更多参数的语言模型，其发展经历了基础模型、能力探索和突破发展三个阶段，以2022年11月ChatGPT的发布为标志进入突破发展阶段[3][32][36] - 大语言模型展现出涌现能力，如上下文学习、指令遵循和逐步推理，使其能够以少量样本处理复杂的新任务，并作为基座模型支持多元应用[8][9][11] - 大语言模型通过预训练、有监督微调、奖励建模和强化学习等阶段训练而成，其巨大的参数量（十亿到万亿级）和分布式训练技术是关键支撑[12][59][99] - 该技术对自然语言处理、信息检索、计算机视觉、AI Agent乃至通用人工智能（AGI）的发展产生了深远影响，并催生了以对话为统一入口的全新应用范式[7][10] - 行业已形成开源与闭源模型并存的格局，国内外多家科技公司发布了具有竞争力的大语言模型产品[4][38][39] 语言模型技术发展历程 - **早期发展**：语言模型于上世纪90年代出现，采用统计学方法；2003年首次融入深度学习思想；2018年Transformer架构的提出是关键转折点[4] - **预训练时代**：2018年，BERT和GPT-1开启了预训练语言模型（PLM）时代；2020年，拥有1750亿参数的GPT-3发布，开启大语言模型新时代，并引入了缩放法则，指出模型性能随参数、数据量和计算量的指数增加而线性提高[26][28][33] - **发展三阶段**： - **基础模型阶段（2018-2021）**：研究聚焦于模型结构本身，参数量在10亿以上的模型因微调计算量大，影响力初期受限[32] - **能力探索阶段（2019-2022）**：探索无需任务特定微调即可发挥大模型能力的方法，如语境学习（ICL）、指令微调，并出现了InstructGPT等算法[34][35] - **突破发展阶段（2022年11月起）**：以ChatGPT发布为起点，模型展现出强大的通用对话和任务处理能力，GPT-4进一步具备多模态能力，在基准考试中得分高于88%的应试者[36][37] - **核心模型演进**：从基于n-gram的统计模型，到神经语言模型（NLM），再到基于Transformer的大规模预训练语言模型（PLM），最终发展为参数量巨大的大语言模型[13][23][26] 大语言模型核心特性与能力 - **关键特性**：参数规模巨大（十亿至万亿），采用预训练与微调范式，具有上下文感知、多语言与多模态支持能力，但同时也面临生成有害内容、隐私、幻觉等伦理与风险问题[12] - **涌现能力**：包括上下文学习（ICL）、指令遵循和逐步推理（思维链），这些能力使其成为全新的AI范式，能够缩短具体应用的开发周期并提升效果[8][11] - **基座模型能力**：作为基座模型支持多元化的下游应用开发[9] - **统一入口能力**：支持以对话作为完成各类任务的统一入口，即Conversation as a Platform[10] 主要大语言模型产品（国内外） - **国外闭源模型**： - **GPT系列（OpenAI）**：GPT-3参数量1750亿，预训练数据量3000亿Token；ChatGPT基于GPT-3.5/GPT-4；GPT-4具备多模态能力，推测参数量达1.8万亿，上下文窗口达128k Token[4][39][43] - **Claude（Anthropic）**：Claude 2上下文窗口扩展到200K Token，擅长长文档处理与结构化数据输出[44] - **PaLM 2（Google）**：PaLM参数量5400亿，PaLM 2是其升级版，已部署于25个Google产品中，其Bard为会话应用[4][45] - **国内闭源模型**： - **文心一言（百度）**：基于参数量达2600亿的文心大模型，具备知识增强、插件机制等特点[4][47][48] - **讯飞星火（科大讯飞）**：3.0版本包含1700亿参数，支持多模态功能，并发布了支持私有化训练的“星火一体机”[4][49] - **通义千问（阿里巴巴）**、**腾讯混元**、**360智脑**等[4][39] - **开源模型**： - **LLaMA系列（Meta）**：参数规模从7B到70B，LLaMA-65B训练消耗超过102万GPU小时，LLaMA 2参数量达700亿[38][51][99] - **ChatGLM（智谱AI/清华）**：GLM3支持32K上下文长度，采用Multi-Query Attention提升推理速度[53] - **通义千问（阿里巴巴）**：开源70亿（7B）和140亿（14B）参数版本[56] - **Baichuan（百川智能）**：开源7B和13B参数模型，Baichuan-13B基于1.4万亿字符训练[57] 大语言模型训练技术 - **训练流程**：主要包含四个阶段：预训练、有监督微调（指令微调）、奖励建模和强化学习[59] - **预训练**： - 使用互联网网页、维基百科、书籍等海量数据，构建数千亿至数万亿单词的语料库，在数千块GPU上耗时数十天完成[61] - 数据需经过严格过滤，例如GPT-3将45TB的Common Crawl数据过滤至570GB使用[63] - **有监督微调（SFT）**：使用包含用户提示和理想输出的高质量小数据集对基座模型进行微调，使模型具备初步的指令理解与泛化能力，此类模型包括Alpaca、Vicuna、ChatGLM-6B等[67][71] - **奖励建模（RM）**：训练一个二分类模型，用于对同一提示下SFT模型的不同输出结果进行质量排序，为强化学习提供奖励信号[72] - **强化学习（RL）**：基于奖励模型，通过强化学习算法（如PPO）进一步优化SFT模型的参数，使模型生成更高奖励的文本，最终得到如ChatGPT、Claude等系统，但该方法存在稳定性挑战[76] - **分布式训练**： - 因模型与数据量巨大，必须采用分布式训练。例如，OPT使用992块A100 GPU训练近2个月；BLOOM使用384块A100 GPU训练3.5个月[64][99] - 并行策略包括数据并行（DP）、流水线并行（PP）和张量并行（TP），大模型训练通常混合使用这些策略[105][106][114] - 采用ZeRO优化器、混合精度训练等技术来优化内存占用，例如1750亿参数模型若使用FP16格式，模型状态需占用120GB内存[117][121] - **长文本建模**：为处理长文本，采用增加上下文窗口微调、改进位置编码（如ALiBi）或插值法来扩展模型的上下文处理能力[151] 大语言模型应用与生态 - **技术影响**：推动自然语言处理（文本理解与生成）、信息检索（智能搜索）、计算机视觉（文生图）、AI Agent（智能助理、数字人）等领域发展，并被视为通用人工智能（AGI）的早期形式[7] - **应用开发框架**：LangChain等框架简化了大语言模型应用开发，提供模型I/O、数据连接、智能体等标准化接口[177][178] - **提示与语境学习**：提示学习（Prompt-based Learning）和语境学习（In-Context Learning, ICL）成为使用大模型的新范式，无需参数更新即可让模型适应新任务[139][143] - **高效微调技术**：如LoRA，通过引入少量可训练参数来高效微调大模型，节省计算资源[149] - **思维链与任务分解**：思维链提示和由少至多提示等策略能显著提升大模型在复杂推理和规划任务上的表现[172][175]

2025年中国学习平板市场核心数据与增长态势 - 2025年中国学习平板全渠道销量为632.1万台，同比增长6.7%；销售额为199.1亿元，同比增长4.5% [2] - 市场增速显著低于年中预期的14.6%，且未达到预测的679万台销量，显示增长大幅放缓 [2] - 市场进入总量温和增长时代，正经历从高速扩张向理性成长和结构调整的转变 [8][9] 市场增速放缓的多维原因 - **政策红利退坡**：2024年下半年至2025年初的“国补”政策提前释放大量需求，造成高基数；2025年下半年政策收紧后市场回落，销量呈现“前高后低”态势，第一季度同比大涨近30%，第三、四季度增速分别回落至3.5%和5.9% [5] - **行业同质化内卷**：中低端价格带（2000元以下及2000-6000元）产品AI功能与教辅资源大同小异，缺乏差异化亮点 [5] - **通用平板跨界竞争**：iPad、华为MatePad等通用平板快速内置丰富学习资源和AI教育功能，对单一功能学习平板形成明显替代效应 [5] - **供应链成本施压**：全球存储芯片供应紧张导致涨价，推高学习平板制造成本，挤压厂商利润，价格上调劝退部分价格敏感客户 [5][6] - **用户产品体验不佳**：部分用户认为产品功能华而不实，行业内部数据显示约70%的用户月活跃次数不足3次，超过40%的设备在购买半年后处于闲置状态 [7] 市场竞争格局与产品结构 - **竞争格局高度集中**：2025年销量前八品牌（作业帮、学而思、科大讯飞、小猿、步步高、希沃、小度、BOE小屏课）合计占据88.4%的市场份额，较2024年提升近10个百分点，马太效应明显 [10] - **头部品牌定位分化**：作业帮以28.8%的销量份额位居第一，主导2000-2999元主流价格带；学而思以17.9%份额紧随其后，主导4000-5999元中高端市场；科大讯飞凭借AI技术壁垒在6000元以上高端市场保持领先 [12] - **中端市场成为主战场**：2000-2999元价格段是绝对主流，线上销量占比达45.9%，较2024年涨幅达30.7%，作业帮P30/P50、学而思P4、小猿P40等爆款均处于该价位 [13][15] - **高低端市场表现分化**：6000元以上高端机型销量同比减少5.4%，而1000-1999元低端机型销量大幅减少18.9%，表明消费者在追求性价比的同时仍对产品有高标准要求 [18] 技术演进与核心竞争要素 - **AI渗透率快速提升**：AI学习平板渗透率从2022-2023年的20%提升至2024年的39.3%，2025年已达57.8%，预计2026年将超过70% [19] - **AI功能向拟人化升级**：AI家教、作业精批、口语陪练等解决真实学习痛点的功能成为标配 [19] - **硬件配置趋势**：12英寸以上大屏成为市场主流，并普遍采用类纸屏等护眼技术 [19] - **竞争核心转向内容与技术**：硬件同质化背景下，内置资源的含金量成为关键护城河，头部企业凭借海量题库（如作业帮超25亿+题库）、自有教研团队（如学而思3000+S级教研员）和正版课程构建内容壁垒 [20] - **生态合作成为新风向**：教育大厂与科技大厂开启“强强联合”，如华为与学而思、荣耀与火火兔合作推出联名款，融合技术优势与内容优势，竞争升级为“硬件+内容”生态体系竞争 [20][21] 市场未来展望 - 洛图科技预测2026年全渠道市场销量将达666.3万台，同比增长5.4%，增速预计将进一步放缓 [21]

融资事件与行业信号 - 美国K-12数字课程与平台Subject完成2800万美元增长轮融资，由Vistara Growth领投，多家新老投资机构参与[1] - 融资的核心价值在于标志着AI正从浅层辅助工具，向K-12教育供给侧核心渗透，实现从工具到制度的深度嵌入[1] 公司发展现状与商业模式 - 公司已与美国约360个学区及相关教育组织建立合作，覆盖近1000所学校，服务于6-12年级学生[2] - 公司商业模式的核心是嵌入学区稳定预算池，依靠学区长期采购合同实现稳定现金流，而非依赖C端流量[3] - 公司2025财年年度经常性收入已突破1400万美元，ARR增长率与净收入留存率表现亮眼，规模化盈利潜力初步显现[3] 产品定位与核心竞争力 - 公司定位为学区“课程交付基础设施”，核心是解决美国K-12教育体系学分与课程的合规供给缺口，构建“可被制度认可”的产品体系[4] - 其AI技术深度嵌入课程设计、教学实施、成绩评估、学分认定的全流程，通过AI教学助理帮助教师优化教学、节省评分时间，并通过智能预警和数据洞察提升教学效果[4] - 公司产品已获得Cognia、College Board等顶级机构认证，确保课程学分的正规性与大学认可度[7] - 2024-2025学年，其AI驱动评分功能为合作学区节省大量教师工作时间，使用其短时课程的学生测验成绩显著优于使用其他平台同类课程的学生[5] 市场需求与行业背景 - 美国K-12教育体系面临供给侧结构性压力，包括教育资源分配不均、师资短缺、预算紧张、学习缺口严峻等问题，催生了“经认证课程+合规教师+可规模部署”的在线解决方案刚需[8] - 据2024年美国国家教育进展评估报告，美国学生学术表现持续下滑，教育预算削减加剧了公立学校的财政困境[8] - 当前AI教育平台的崛起核心是解决“课程供给缺口”，更贴近学区的组织管理需求，代表了行业从优化“内容分发效率”到解决“供给缺口”的转向[8] 中美AI教育发展路径对比 - 中美AI教育发展的核心共性是AI正从课堂辅助工具加速转向系统级的教育基础设施[9] - 在中国，AI教育解决方案的核心嵌入接口是“行政与教研结构”，通过与教育行政部门和学校信息系统深度对接，聚焦教学效率提升与教育数据整合，适配集中化的教育管理体制[9] - 在美国，以Subject为代表的路径，核心嵌入接口是“课程与学分结构”，产品竞争关键在于能否被高度自治的学区制度体系接纳，并纳入学生的毕业与升学链条，更强调“课程认证”与“责任机制”[10] - 相较于AltSchool等试图重构学校形态的创新模式，Subject选择在既有教育体系内扩容课程供给，解决学区实际痛点，这种渐进式路径虽创新性稍弱，但更易获得学区信任与预算支持，更具规模化复制潜力[10]

报告行业投资评级 - 报告未明确给出行业投资评级 报告的核心观点 - 中国医疗大模型行业正处于从技术验证向规模应用的关键转型期 在政策与市场需求双轮驱动下 行业构建了“算力筑基—模型攻坚—应用引领”的全链条发展体系 并加速向覆盖“预防-诊断-治疗-康复”全周期的智能伙伴演进[5] - 行业竞争已从早期的技术演示阶段 进入以临床价值验证、产品可靠性和商业落地能力为核心的综合实力比拼阶段 技术、医学与商业的深度融合能力将决定未来市场格局[15] - 未来行业将朝着构建“原生医疗大模型”、应用与部署模式多元化、以及商业模式向“平台+生态”模式过渡的方向发展[28][29][30] 一、市场背景 - 医疗大模型是以海量医学数据预训练、多模态融合与专业任务微调为核心技术路径的人工智能系统 主要类型包括通用医疗大模型、专科诊疗模型、医学影像模型、药物研发模型及中医大模型等[5] - 根据2024年行业应用分布数据 医疗行业以约10%的占比成为大模型应用的重要领域[6] - 行业发展自2019年起经历了从通用模型能力迁移 到专业知识深度对齐 再到多模态与临床工作流融合的快速演进 未来将朝着更安全、可解释、具身交互的方向发展 并最终成为覆盖全周期的可信医疗基础设施[7] 二、市场现状 - **市场规模**：2020年至2024年 中国医疗大模型市场规模从1.0亿元增长至10.8亿元 年复合增长率达81.6% 预计至2029年市场规模将攀升至75.8亿元 年复合增长率达46.8%[8] - **市场供给**：2025年1月至9月 中国医疗大模型领域已披露中标项目总量达到197个 算力、大模型和综合类三大板块占比趋于均衡 标志着产业已形成完整生态闭环[9] - **市场需求**：超过95%的医师认同AI的辅助价值 在诊疗环节最期待AI实现快速初筛与诊断复核 在治疗环节近九成医师希望AI提供方案优化与疗效预测 在患者管理方面超八成医师期待AI实现数据整合与风险预测等功能[10] 三、市场竞争 - **评估维度**：行业头部品牌的核心竞争力主要体现在核心算法与知识质量、应用场景与产品化深度、以及合规安全与临床验证三大维度[11][12][13][14] - **竞争格局**：市场呈现“技术巨头领跑、垂直精锐深耕、新锐力量破局”的多元化竞争生态 竞争焦点已转向临床价值验证、产品可靠性和商业落地能力的综合比拼[15] - **主要参与者**：报告推荐了十大代表品牌 包括百度灵医智惠、腾讯觅影、阿里健康、医渡科技、科大讯飞、联影医疗、东软医疗、英矽智能、晶泰科技和数坤科技 这些企业分别在通用模型应用、多模态影像、健康管理、垂直领域、智能交互、设备结合、IT系统融合、药物研发及医学影像等不同方向进行重点布局[16][17][18][19][20][21][22][23][24][25][26] 四、发展趋势 - **底层算法与数据质量升级**：未来技术发展重点将从基于通用模型的微调转向构建“原生医疗大模型” 利用更大规模、高质量、多模态的临床数据进行训练 以提升复杂任务中的深度理解与逻辑准确性[28] - **应用形态与部署模式多元化**：应用正从单一对话问答向深度嵌入业务流程的多元化形态演进 部署模式将从“云服务调用”发展为兼顾通用能力与数据安全的“混合部署模式” 产品将细化为面向医生、患者和科研的不同工具[29] - **商业模式与生态构建平台化**：商业化正从项目制向“平台+生态”模式过渡 领先厂商通过提供开放的“医疗大模型平台”或“能力底座” 吸引生态伙伴共同开发 以加速应用创新并构建更稳固的竞争壁垒[30]

文章核心观点 - 文章核心观点是，在阿里云和华为云降低AI开发门槛、提供低价算力与开发工具的背景下，一批在工业、教育、司法、政务、游戏、创意软件等垂直领域拥有AI应用布局的上市公司，将显著降低AI模型训练、部署和产品研发成本，加速其AI解决方案在各行业场景的规模化落地，从而充分受益于全行业AI应用普及的红利，打开新的业绩增长空间 [1][2][3][4][5][6][7][8][9][10][11][12][13][14][15][16][17][18][19][20][21][22][23][24][25][26][27][28][29][30][31][32] 工业与制造业AI应用 - 金现代专注电力、化工等领域信息化，拥有垂直领域专用大模型与AI智能取数等产品，可借助阿里云、华为云工具缩短项目交付周期、降低研发成本，AI赋能工业生产的场景落地加速 [1][34] - 赛意信息聚焦智能制造与工业软件，自研谷神工业大模型，作为华为MetaERP核心合作伙伴，借助阿里云低价算力与华为云CodeArts工具降低AI模型训练成本，AI业务订单快速增长 [2][35] - 鼎捷数智专注于制造业数字化与工业AI解决方案，将AI算法融入生产排程、质量检测等环节，在阿里云与华为云工具支持下可快速迭代工业AI模型，加速AI在制造业全流程落地 [28][64] 教育行业AI应用 - 中公教育利用AI技术开发智能题库与个性化学习系统，阿里与华为的AI开发利好将大幅降低其AI教育产品研发成本，优化智能答疑等功能 [4][37] - 竞业达自主研发的“星空教育大模型”已通过备案，基于该模型的AI教学工作台覆盖近40项应用工具，双巨头AI开发利好将加速该模型在学情分析等场景的深度应用 [7][40][41] - 科大讯飞拥有行业领先的讯飞星火大模型，其智慧教育产品可实现个性化教学与智能批改，在阿里云低价算力与华为云工具利好下，可加速AI技术在教育领域的规模化渗透 [16][50] - 盛通股份的科技教育板块在全国拥有800余家门店，正探索教育行业垂直大模型，阿里与华为降低AI开发门槛后，可优化AI编程课程内容与教学管理系统 [13][46] 司法、政务与智慧城市AI应用 - 华宇软件是国内智慧司法、智慧政务领域核心服务商，打造法律AI、政务AI一体化解决方案，阿里云与华为云AI工具普及可大幅降低其AI模型开发与部署成本，加速法律大模型在司法全流程应用 [19][53][54] - 通达海专注于司法信息化与AI技术应用，将AI融入司法文书生成、案件分类等环节，双巨头AI开发利好可助其低成本迭代AI算法，加速智能办案系统升级 [20][55] - 万达信息聚焦智慧政务、医疗健康等领域，将AI融入民生服务与政务办公，阿里云低价算力与华为云工具有助其降低AI模型训练成本，加速AI在民生服务等场景的规模化应用 [22][57] - 苏州科达主营视频会议与监控产品，深度融合AI视觉算法实现智能监控、远程庭审等功能，阿里云与华为云AI工具普及助力其快速迭代AI算法模型，提升视频分析精度 [24][59] 游戏、创意与内容AI应用 - 巨人网络将AIGC技术应用于游戏全生命周期，双巨头降低AI开发门槛为其提供了低成本接入顶尖大模型的机会，可快速迭代AIGC游戏开发工具，缩短研发周期 [3][37] - 昆仑万维布局AIGC、大模型与AI游戏，拥有自研天工大模型，阿里云低价API与华为云智能开发工具可大幅降低其大模型推理与应用开发成本，加速AIGC在内容生成、游戏美术等场景落地 [26][62] - 万兴科技是全球消费级AI创意软件龙头，产品接入AI大模型实现智能剪辑、AI绘图等功能，阿里云低价算力与华为云智能工具有助其快速优化AI功能，降低云端服务成本 [32][66] 其他垂直行业AI应用 - 中科创达为全球智能操作系统龙头，具备全栈OS与边缘AI部署能力，可借助阿里云与华为云开发工具快速迭代端侧AI功能，智能汽车、AIoT等产品线全面受益 [3][36] - 汇纳科技专注于商业地产与零售行业AI分析，以视频AI为核心，依托阿里云与华为云AI开发工具可快速优化AI视觉算法模型，降低算法迭代与部署成本 [17][51] - 拓尔思是国内NLP与AI智能搜索龙头，自研大模型聚焦垂直行业，阿里云与华为云AI利好落地有助其降低模型部署成本，加速AI在媒体、政务、司法等场景渗透 [27][63] - 正元智慧推出基于AI大模型的智慧校园一体化服务平台，支持低成本算力服务器本地化部署，阿里低价算力与华为智能编码工具普及将大幅降低其AI平台部署与运营成本 [11][44]

核心观点 - 报告认为，春节后市场交易热度将季节性回升，同时将进入经济数据与政策验证期，3月份A股市场机会大于风险，表现值得期待 [1] - 结构上建议聚焦成长与顺周期两条主线 [1] - 港股市场短期或维持震荡，长期看好内资定价权确立、政策红利及估值修复，配置上可采取与A股共振的“杠铃策略” [3] A股市场回顾与展望 - 2月（截至26日）A股主要指数涨多跌少，中证1000涨幅最大，累计上涨2.9%，科创50跌幅最大，累计下跌1.6% [1] - 行业端分化明显，综合、建筑材料、国防军工涨幅居前 [1] - 未来一个月市场将进入密集的数据与政策验证期，1、2月份经济金融数据将逐步披露，奠定全年经济基础预期 [1] A股配置主线与金股组合 - 成长主线受益于产业热度持续高涨及春季行情风险偏好提升，建议重点关注人形机器人、AI产业链等方向 [2] - 顺周期主线受益于商品价格强势及政策支持，建议关注有望持续涨价的资源品及线下服务相关领域 [2] - 2026年3月A股金股组合为：中际旭创、科大讯飞、盛弘股份、杰瑞股份、南京银行、华菱钢铁、川恒股份、中国巨石、太阳纸业、海尔智家 [3] - 金股组合估值数据：中际旭创2026年预测PE为61.7倍；科大讯飞2026年预测PE为123.8倍；盛弘股份2026年预测PE为20.4倍；杰瑞股份2026年预测PE为29.7倍；南京银行2026年预测PE为5.9倍；华菱钢铁2026年预测PE为10.5倍；川恒股份2026年预测PE为16.6倍；中国巨石2026年预测PE为26.1倍；太阳纸业2026年预测PE为12.7倍；海尔智家2026年预测PE为10.0倍 [6] 港股市场回顾与展望 - 2月港股市场出现回调，走势偏震荡，截至2月26日，恒生指数、恒生综合指数、恒生中国企业指数、恒生科技指数分别下跌3.7%、3.8%、5.4%、10.6%，仅恒生香港35指数上涨3.9% [1] - 市场短期或维持震荡，压力来自：头部互联网公司盈利复苏不及预期；美联储降息推迟致外资流出，南向资金支撑减弱，IPO与解禁分流资金；指数结构滞后于全球科技热点，板块极端分化缺乏赚钱效应，易受美股波动冲击 [3] - 长期看好港股的核心逻辑在于内资定价权确立、政策红利释放及深度估值修复 [3] 港股配置策略与重点标的 - 配置上可采取“杠铃策略”：防御端以高股息板块为底仓；进攻端聚焦半导体设备、AI算力（特别是北美产业链）、电力电网等硬科技成长主线，并同步配置受益于弱美元逻辑的有色资源板块 [3] - 2026年3月港股重点推荐标的为：鸿腾精密、汇聚科技、中石化油服 [4] - 重点标的估值数据：鸿腾精密2026年预测PE为21.4倍；汇聚科技2026年预测PE为35.3倍；中石化油服2026年预测PE为14.2倍 [7]

市场表现与行业动态 - 早盘市场情绪回暖，AI应用端及大数据方向集体上行，大数据ETF（515400）盘中涨幅达3.19%，创业板软件 ETF 富国（159107）盘中涨幅达3.01% [1] - AI相关细分方向如智谱AI、云计算、东数西算、AI应用、AI智能体涨幅居前，成分股云天励飞20cm涨停，城地香江、云赛智联等均涨停 [1] - 华为于2月26日发布AI代码智能体，覆盖代码生成、测试、知识问答，并接入GLM-5、DeepSeek及鸿蒙专属模型，旨在提升开发者效率 [1] - 英伟达GTC 2026大会将于3月16–19日举办，预计将发布全球首见的推理专用LPU芯片，同步推出Feynman新架构与Rubin系列芯片，聚焦低时延、高能效推理 [1] - 英伟达大会内容覆盖物理AI、AI工厂、智能体与算力基建，被视为将重塑AI产业链与商业化节奏的年度科技与投资核心风向标 [1] 产品结构与投资标的 - 大数据ETF（515400）紧密跟踪中证大数据产业指数（930902.CSI），该指数精选沪深两市50只大数据产业主题上市公司股票样本 [2] - 指数覆盖领域包括大数据存储设备、大数据分析技术、大数据运营平台、大数据生产、大数据应用等 [2] - 指数前十大重仓股包括科大讯飞、中科曙光、紫光股份等科技公司 [2] - 场外投资者可通过联接基金（A类018134；C类018135）关注相关投资机遇 [2]

报告行业投资评级 - 增持（维持） [1] 报告的核心观点 - 端云协同正驱动AI入口重塑与硬件范式重构，云端模型能力外扩与成本下降，端侧模型聚焦效率优化与能力压缩，并牵引硬件在算力、存力与散热方面协同升级 [1][2][5] 根据相关目录分别进行总结 1. 云端模型：能力边界外扩与成本重构并行 - **海外模型加速迭代，竞争范式转向任务能力比拼**：2026年以来，海外头部厂商围绕代码能力与多Agent体系密集布局，大模型正从对话式助手升级为具备执行闭环能力的操作型智能体 [5][10] - **代码模型沿“低延迟交互”与“长链复杂推理”双路线演进**：以OpenAI的Codex-Spark为代表的交互型Agent追求“近乎即时”（每秒超1000 tokens）的响应速度；以Claude 4.6为代表的任务型Agent则提供一百万Token长上下文，提升金融、法律等复杂业务场景的任务成功率 [5][13][14] - **多智能体（Multi-Agent）框架加速成为主流架构**：xAI的Grok 4.20以C端免费形态推广多智能体，通过四个专家体协同运行，使复杂推理准确率提升、幻觉率下降约65% [5][15] - **模型迭代周期显著缩短**：行业模型更新节奏加快，例如Google在推出Gemini 3 Pro后约三个月发布能力翻倍的Gemini 3.1 Pro；xAI的Grok 4.20可实现“每周版本更新” [5][17] - **国内模型性能快速追赶且性价比优势扩大**：春节期间国内厂商密集更新，呈现“性能逼近海外头部、价格快速下探”特征，正从供给端拉低行业推理成本并带动需求释放 [5][18] - **具体厂商表现**： - MiniMax M2.5定价显著低于行业主流，在约100 Tokens/s吞吐条件下连续运行一小时成本约1美元，1万美元预算理论上可支撑约4个Agent全年7×24小时运行 [20] - 字节豆包2.0 Lite输入价格约0.6元/百万tokens，相较行业均值呈数量级下降 [20] - 阿里通义千问Qwen 3.5引入原生GUI理解能力，综合成本较前代下降约60%，大型工作负载处理能力提升约8倍 [20] - **需求弹性开始释放**：MiniMax M2.5上线后24小时内用户构建超过1万个“专家Agent”；智谱GLM-5发布后需求强劲，公司上调GLM Coding Plan价格超过30% [20][22][24] 2. 端侧模型：端云协同主线下的效率优化与能力压缩 - **端云协同成为主流架构范式**：端侧模型的终局并非替代云端，而是与云端分工协同。高频、轻量、强隐私任务在端侧本地处理；重推理、长生成和高算力任务上云执行 [5][26] - **多模态能力是端侧模型关键竞争要点**：端侧是实现多模态“零延迟”交互的理想路径，全双工流式架构正成为主流交互范式。视觉Token压缩（如MiniCPM 4.5的3D-Resampler技术）是提升效率的关键 [5][29][31] - **模型架构在探索中演进**：MoE（混合专家模型）在端侧受限于内存瓶颈，EdgeMoE等工程优化可带来约1.2–2.7倍的推理性能提升，并降低约5–18%的内存占用。行业同时探索Qwen的Gated Delta-Net、DeepSeek的mHC、Mamba与注意力结合的混合架构等替代方案 [7][29][32][33] - **低比特量化技术持续发展**：4-bit已成为行业标准部署配置。行业开始探索2-bit等更低精度量化，Microsoft的BitNet表明1.58-bit量化可行，但需从头训练模型 [7][36][37] - **推理优化决定端侧体验上限**： - **Attention效率优化**：FlashAttention系列通过IO-aware设计提升计算利用率，端侧模型采用local-global attention、grouped query attention以适配硬件 [7][40] - **KV Cache管理**：KV Cache压缩对内存占用至关重要，研究显示可压缩至约3bit而质量损失有限。ChunkKV等技术在保持语言结构的同时带来约26%的吞吐提升 [7][41][42] - **并行解码加速**：Medusa、EAGLE等技术通过小模型生成草稿token再由大模型并行校验，实现约2.2–3.6倍推理加速。Diffusion LLM与并行解码结合，推理速度有望较传统自回归提升约4–6倍 [7][43][44] 3. 端侧模型牵引硬件重构：算力、存力与散热协同升级 - **整机AI功能从单点走向多模态与系统级整合**：2024年行业以图像消除、文本摘要等低门槛功能为主；2025年加速向语音、生成式图像等多模态创作延展，并进一步向操作系统底层渗透，竞争转向多模态体验与系统级整合深度 [2][48] - **存储侧：LPDDR6实现系统性能效提升**：三星LPDDR6支持高达10.7 Gbps的数据传输速率，单颗容量最高支持16GB。通过架构与电源管理重构，实现较上一代约21%的能效提升 [2][50][51] - **散热侧：新材料与方案优化热管理**：三星Exynos 2600芯片首次引入High-k EMC材料，使热阻较Exynos 2500降低约16%，有效缓解重载场景下的降频问题 [2][51] - **下一代旗舰SoC实现协同升级**：高通Snapdragon 8 Elite Gen 6有望推出支持LPDDR6的Pro版本，频率或将达到5GHz-5.5GHz，并计划引入三星HPB（高性能散热方案） [2][55]

美股龙头业绩催化与A股板块联动 - 美股软件龙头赛富时（Salesforce）在发布业绩后股价上涨超过4% [1] - 受此积极情绪带动，A股软件板块在2月27日强势反弹，软件ETF汇添富（159590）当日大涨超过2%，盘中成交额超过5000万元 [1] 软件ETF成分股表现强劲 - 软件ETF汇添富（159590）标的指数的热门成分股多数上涨，其中顺网科技涨幅超过11%，拓维信息涨停，润和软件涨幅超过6%，东方国信、深信服、拓尔思涨幅均超过4% [3] - 根据成分股涨跌幅数据，拓维信息（估算权重4.08%）涨停（涨10.00%），润和软件（估算权重3.84%）上涨6.35%，顺网科技（估算权重1.27%）上涨11.24% [4] 机构观点：行业跌势过度，反弹有望持续 - 多家机构认为软件行业近期跌势过度，后续或将持续反弹 [5] - Main Street Research首席投资官James Demmert认为软件行业近期跌势过度 [5] - 对冲基金GCQ Funds Management宣布软件股的抛售潮已经触底 [5] - 高盛大宗经纪业务部门表示，尽管避险基金对软件与IT服务板块的做空规模已达历史高点，但近期反弹行情仍有望延续 [5] AI发展对软件行业构成支撑而非威胁 - 英伟达黄仁勋表示，市场误判了AI对软件公司的威胁，AI助手不会取代软件工具，而是会反过来使用它们，大批软件公司将使用AI助手来开发软件并提高效率 [5] - 汇丰银行发布报告《软件将吞噬AI》，明确指出软件不仅不会走向消亡，反而是全球最大型企业用来“可控地利用AI的关键途径” [7] - 汇丰认为，企业软件不会受到AI的威胁，相反，AI将被嵌入到软件平台之中，企业真正需要的是可控、可审计、可重复运行的系统能力，而这正是软件平台的强项 [7] - 汇丰指出，像Salesforce、甲骨文（Oracle）、ServiceNow和微软这样的传统软件巨头，拥有深厚的领域专业知识、稳固的销售渠道和客户信任，更有可能编写最好的AI软件 [7] 中国AI模型调用量爆发式增长 - 2月，中国AI模型的调用量爆发式增长，首次超过美国 [5] - 根据OpenRouter数据，在2月9日至15日当周，中国模型调用量为4.12万亿Token，首次超过同期美国模型的2.94万亿Token [5] - 在2月16日至22日当周，中国模型的周调用量进一步冲高至5.16万亿Token，三周内大涨127%，而同期美国模型调用量跌至2.7万亿Token [6] - 全球调用量排名前五的模型中，中国模型占据四席，显示中国AI厂商集群式崛起 [6] 技术进展与新产品发布 - DeepSeek联合北大、清华研究团队提出全新的大模型推理系统DualPath，通过“双路径KV-Cache加载”机制，将Agentic大模型负载的离线推理吞吐量最高提升1.87倍，在线服务吞吐量平均提升1.96倍 [6] - 2月26日，科技大厂云码道公测版正式发布，主要为开发者和企业提供具备工程化能力的智能编码解决方案，覆盖代码生成、研发知识问答、单元测试用例生成等多种AI Coding技术 [6] 行业展望：2026年或成软件变现元年 - 汇丰指出，2026年有望成为软件变现的启动点，这也是全球最大型企业消费AI的主要机制，将带动AI推理需求呈现指数级增长 [8] - 汇丰认为，尽管硬件和半导体行业表现一直很好，但软件行业将会更好，因为企业购买的是解决业务问题的方案，而这些方案只能来自无限灵活的软件技术栈 [8] - 软件行业的总潜在市场（TAM）正处于长达5-10年大规模扩张周期的前夜，但市场认知错位导致软件板块的估值目前处于历史低位，汇丰提示现在是建立或扩大软件板块仓位的适宜时机 [8] AI应用展望与行业“K型”分化 - 中邮证券展望2026年AI应用，认为to B端，AI Agent是大模型重要的商业落地形式，已在客服、代码开发、营销等多场景实现落地，并加速向垂直领域专业化发展 [9] - to C端，依托互联网生态快速获客，例如豆包大模型日均使用量已突破50万亿tokens，排名中国第一、全球第三 [9] - 东方证券表示，市场担忧“模型吞噬软件”有一定合理性，但未来行业将呈现“K”型分化 [10] - 缺乏独有数据资源或深度行业Know-How、未形成网络效应的横向软件将面临模型更大的威胁，而拥有独家数据资源、容错率较低或具备监管锁定特征的纵向核心系统则风险较小，更容易依托自身系统叠加AI Agent来满足客户需求 [10] 软件ETF产品特征 - 软件ETF汇添富（159590）标的指数“AI应用”含量为35.22%，“智能体”含量为39.3%，在全市场软件赛道中占比较高 [10] - 该ETF紧跟中证全指软件指数，指数精选50只成分股，全面覆盖基础软件、应用软件、软件服务 [10]

AI医疗行业研究纪要关键要点 一、 行业与公司概述 * 涉及的行业为**AI医疗行业**[1] * 涉及的公司/产品包括：蚂蚁集团的“阿福”医疗入口[1][6]、腾讯健康小程序[6]、DeepSeek[15][16]、爱尔眼科[16]、华厦眼科[16]、云之声[24][26]、讯飞[19][24][26]、联影[22]、迈瑞[22]、海外公司Abridge[27] 二、 技术进展与能力评估 * **大模型的突破性作用**：相比传统AI医疗（主要集中于影像等标准化场景），大模型显著提升了语言理解、知识密度与表达组织能力，使诊疗能力被大幅强化[1][2] * **当前技术能力水平**：即便是小尺寸模型，在疾病识别与诊断的整体水平上，**至少可达到并在部分情况下超过一般医生水平**[1][2]；但在罕见病、极专科等顶尖领域仍不及专家[1][2] * **技术实现路径**：一般企业难以从0到1训练底层大模型，多数在开源基础上开展工作[2][14]；聚焦垂类与专病场景，沉淀**几万条优质问诊数据或病例**，即可基于开源大模型进行微调，形成专科模型[2][16] * **AI问诊技术可行性**：技术层面已达到较成熟程度，但落地仍需合规与验证[4]；关键敏感点在于**处方权**及AI能否承担“诊疗角色”[4] 三、 商业模式与变现路径 * **B端（医院端）是更清晰的商业化方向**：商业模式围绕**医生文书、科研等场景**提效，医生工作压力大，价值挖掘明确[1][5]；医院是AI医疗的稳定商业“产粮地”[2][20] * **C端商业化难度更高**：更依赖规模效应[1][5]；短期内政策对**AI处方权放开不乐观**，是C端商业化的关键限制[1][5][18] * **C端主流变现路径**：主要集中在**卖药与卖服务**，但以服务直接变现不多，更多是导流[1][8]；卖药维度上，除京东外很难与阿里竞争[8] * **其他变现路径**： * **数据服务**：传统主要付费方是**药企**，用于药品研发与临床应用[1][9]；平台侧可能面向大B端提供数据服务，辅助药企训练与开发[1][9] * **硬件变现**：将模型能力嵌入机器人、终端或小型设备中，通过软件加成提升整体议价能力[18] * **政府/医保付费模式可持续性差**：更偏“占地盘”，现实中“省钱再分成”难度很高，盈利难度大[18][19] * **医疗超级入口的变现**：蚂蚁“阿福”等入口变现基础盘较好（卖药、电商、保险、医疗服务）[1][7]，但当前更偏“价值探索”而非以商业为核心[1][7]；短期商业化相对克制[7] * **行业盈利现状**：严肃医疗的既有模式整体盈利并不理想，无论互联网诊疗还是AI影像，盈利表现普遍不强[27] 四、 市场参与者与竞争格局 * **医疗超级入口竞争**：传统互联网厂商医疗入口月活达到“几百万”已属不错[6]；腾讯健康小程序月活为“大几千万，近亿级”[6]；蚂蚁“阿福”凭借支付宝流量基础和**几十亿甚至上百亿的投入**，有望打造“超一档”的超级入口[6] * **医院端市场推动者**：传统HIS/信息化厂商因缺乏AI团队和动力，未必能做好AI场景应用[22]；更可能由**新公司切入**推进[22]；海外亦类似[22] * **设备厂商的AI集成**：联影、迈瑞等设备厂商在设备中增加AI能力，能提升产品价值与溢价空间[22] * **已形成规模的领域**：**AI语音病历**是相对明确的方向，云之声、讯飞在该领域表现较为成熟[24][26][27]；海外Abridge已发展为独角兽[27] 五、 具体应用场景与落地 * **院内核心应用场景——文书生成**：是核心大类之一[2][24]；院内至少有**20~30种文书**需要生成[24]；传统方式占用医生大量时间，住院医生在文书上的时间投入**可超过50%**[24] * **其他院内应用方向**：管理与科研分析（推动专科/专病模型）[24]、病人随访与客服服务（以较低边际成本扩展服务能力）[24][25] * **输入方式多样**：门诊可通过语音生成病历和处方建议[26]；住院场景中，查房记录可通过语音生成，但病程记录、出院总结等更多基于系统数据总结生成[26] * **基层医疗应用挑战**：讯飞等早期AI助手存在“**上了但不用**”的现象，因增加基层医生工作量而未带来效率提升[19]；关键需从“政策驱动”转向“工具属性”[19] 六、 数据要素与合规 * **医疗数据价值与付费方**：数据变现相对敏感且克制[1][9]；传统主要付费方是**药企**，支付能力强[9]；保险应用更多集中在控费与理赔[9] * **数据流通渠道**：既有灰色链路（如通过科研协议获取数据）广泛存在，是当前主流方式之一[10]；**合规链路正在增加**，政府或医院主导的数据集开始上交易所“挂网”，但量仍较小[10] * **数据产权与授权**：数据产权界定复杂，不完全归属医院[11]；若用于保险理赔等需要直接使用个人数据的场景，则需要获得C端授权[11]；科研使用通常以脱敏方式在科研框架下推进[11] * **数据规模要求**：大模型时代，聚焦垂类与专病场景时，数据量要求并不高[16]；但若覆盖全病种，则难度显著上升，需要每个疾病有足够数据，目前基本仅有大型机构具备能力[16] * **医保局与医院数据差异**：医保局掌握就诊费用相关关键数据，但并非“最全”[12]；医院数据最全，医保局的数据量与之无法比拟[12][13]；医保局侧核心数据主要是预结算与结算两张表[13] 七、 发展前景与关键挑战 * **关键限制——处方权**：将AI本身作为商品售卖的终局形态，需要获得**处方权**，这是医生的关键关口，**短期难以突破**，预计不是近5~10年能完成的事情[18] * **商业化节奏判断**：2025年是行业开始大规模推进的开源节点，但一年内快速落地不现实[23]；文书生成等方向是否能出现“有规模的东西”更可能在**2026年观察**[23] * **支付方分析**：**政府通常不是理想支付方**，财政项目周期长、难盈利[20]；**医院相对更具商业可行性**，流程更标准化、决策周期更短，构成稳定市场[20]；头部医疗信息系统厂商体量可达**二三十个亿年营收规模**[20] * **中医AI分身等新兴应用**：训练难度不高，但商业化核心在于用户付费意愿[17]；当前整体仍处在探索期，尚未出现大规模“为分身付费”的成熟模式[17]