企业级AI应用发展现状 - 行业重心从“百模大战”的技术探索期全面转向规模化应用期 [1] - 新一代AI应用已在智能客服、知识库问答、内容生成等知识密集且交互开放的场景中率先取得规模化突破 [1][21] - 企业面临的核心挑战从单点技术突破转向构建系统性、端到端的落地能力 [1][27] 核心驱动因素 - **政策驱动**：2025年8月《国务院关于深入实施“人工智能+”行动的意见》将AI定位为新质生产力核心引擎，目标到2027年与6大重点领域深度融合、新一代智能终端/智能体应用普及率超70%，2030年普及率超90% [6][8] - **技术驱动**：技术路线从模型中心转向Agent驱动，AI-Ready数据和AI Agents是当前发展最快的两项技术 [10] - **需求与资本驱动**：企业因经济与竞争压力，需求从可行性验证转向商业价值验证 [14]；2025年中国AI产业融资事件772起，应用层融资事件数量占比超50%，AI+医疗成为热门吸金赛道 [12] 核心价值与落地痛点 - **三大核心价值方向**：流程增效（直接降本）、知识增幅（激活知识资产）、价值创新（重塑产品与商业模式） [17] - **规模化落地三大瓶颈**：数据基础薄弱与治理缺失、业务价值缺乏可量化度量体系、缺乏兼具技术与业务洞察的复合型人才 [23] 落地框架与关键载体 - **总体框架**：从应用层、支撑层、基础设施层和组织层四个维度构建端到端落地能力 [27] - **核心载体**：AI Agent成为企业级AI应用落地的核心载体，通过Function Call、MCP、Skills等方式与企业业务流程深度整合 [1][29] - **Agent落地关键**：构建“AI技术+软件工程+人工干预”三元体系，将复杂流程切分为可验证的最小任务单元以保障可靠性 [31] - **Agent能力进化**：从模型绑定的Function Calling向模块化、可复用的Agent Skills演进，提升复杂任务中的确定性 [37] 模型、数据与算力基础设施 - **模型选型**：以场景需求为导向，在多维度权衡模型效果、性能与成本，并可将GenAI与决策式AI结合以提升可用性 [39] - **数据底座**：AI-Ready的高质量数据集是构建企业独特AI竞争力的关键，其特征是高价值应用、高知识密度和高技术含量 [42] - **数据平台与安全**：需构建多模态、实时响应的Data+AI一体化平台 [45]，并建立覆盖数据输入、处理、输出全生命周期的主动安全治理体系 [47] - **算力基建**：GPU仍占据AI芯片主导地位，国内厂商在互联带宽、集群规模、推理优化等方面寻求差异化突破 [51]；AI Infra通过软硬一体协同优化提升国产算力可用性，是AI时代竞争关键要素 [53] 组织与人才转型 - **高层领导**：AI高绩效组织中，高达48%的高层管理者展现出对AI战略的强烈承诺，是普通组织的三倍，管理层投入深度直接决定AI应用成败 [56] - **员工赋能**：需从“以技术为中心的项目交付”转向“以员工为中心的价值运营”，通过提升用户采纳度释放AI实际价值 [57][59] - **角色升级**：业务人员需向能精准转化业务痛点的AI协作者转型；技术团队需从开发交付角色转向深度融入业务场景的价值赋能者 [60][62] 产业格局与商业模式 - **厂商格局**：主要有应用软件、技术服务及解决方案、云服务和AI模型四类厂商，形成分层协作、动态竞合格局 [2][65] - **商业模式**：厂商主要成本为算力与研发，两者合计占比通常可达70%及以上；收费模式以订阅制为主，效果付费模式仅在营销、运营等少数场景中应用 [67] 未来发展趋势 - **模型架构**：大模型由单一的Transformer架构向多架构（如新型RNN、CNN）并行迭代演进，以实现效率与性能的平衡 [2][71] - **流程重构**：AI将深度介入并重构企业流程，从任务自动向流程自主演进，人机协作模式发生根本转变 [2][74] - **AI for Science**：AI在科研领域形成技术底座、核心能力、科研流程、价值输出的闭环，通过降本、提速与跨界融合重塑企业研发竞争力 [2][76][77] - **物理AI**：从数字AI（信息处理）迈向物理AI（物理交互），连接数字智能与实体业务闭环，拓宽AI应用价值边界 [2][79] - **AI原生应用**：向全新的流量入口、交互方式、应用架构和业务逻辑演变，推动企业级AI应用价值重构 [2][82]

Anthropic发布Claude Cowork插件系统 - 公司于2月24日更新了Claude Cowork插件系统，允许用户从零开始定制化打造AI插件，将Claude能力以工具包形式融入工作流 [1] - 此次更新旨在打开整个企业级定制化插件市场，并重新解锁AI Agent的新玩法 [1] 产品功能与特性 - 系统通过对话式引导，帮助用户定制技能、设置命令并接入MCP（模型上下文协议），大幅降低技术门槛 [1][3] - 所有新增插件功能可在统一的“自定义”菜单中查看和管理，企业管理员拥有更高控制权，可搭建组织专属的私有化插件市场 [1][3] - Claude插件可与Slack、Salesforce、Excel等企业现有工具集成，并可在Cowork及任何基于Claude Agent SDK构建的系统中运行 [1] - Claude实现了跨应用上下文贯通，例如在Excel完成数据分析后自动将洞察转化为PowerPoint演示文稿 [4] - 新增OpenTelemetry支持，管理员可实时追踪团队插件采用率、工具调用成本及全流程活动数据，使AI投入产出比可量化 [4] 官方插件与生态集成 - 公司同步推出10个横跨HR、运营、设计等领域的官方插件，旨在示范玩法并设定企业级AI应用标准 [2] - 首批上线十大垂直场景插件模板，覆盖投行交易、财富管理、HR等多个领域，均由一线从业者参与设计 [5] - 插件已与Google Workspace、Salesforce、DocuSign、LSEG、S&P Global等主流企业工具深度集成 [4] 战略意图与行业影响 - 此次更新核心是让AI深入企业，将AI Agent能力转化为企业底层基础设施，打通技术与业务壁垒 [7] - 公司通过开放“工作流编排权”，使业务人员能将个体领域经验封装为企业数字资产，实现“经验即服务” [3][7] - 定制私有化AI插件成为企业将组织知识AI资产化的高效方式，可将员工经验直接转化为组织生产力提升 [7] - 此举标志着AI生态系统正从模型层向上构建，Claude开始从一个工具转向一个平台，Cowork成为现有AI技术栈之上的集成层 [9] - 当大模型厂商亲自下场降低“造工具”门槛，那些仅做基础AI能力包装、缺乏深度业务思考的Agent产品可能被取代 [9]

企业级AI应用发展背景 - 政策强力牵引人工智能与实体经济深度融合，最高级别文件《国务院关于深入实施“人工智能+”行动的意见》将AI定位为新质生产力核心引擎，目标到2027年实现与6大重点领域广泛深度融合、新一代智能终端及智能体应用普及率超70%，2030年普及率超90% [6] - 高质量数据集成为AI发展的核心支撑，相关政策明确其为AI与实体经济融合的核心载体，并提出构建“平台+数据集+模型”的一体化服务设施以降低应用门槛 [6] - 2025年能源、交通运输、医疗卫生等重点行业“人工智能+”政策密集出台，设定到2027年在各领域实现典型场景广泛覆盖与深度赋能的具体目标 [7][8][9] - 技术路线从模型中心转向Agent驱动，AI-Ready数据和AI Agents是当前发展最快的两项技术，企业关注重心由底层技术向可持续的AI应用交付转变 [10] - 投融资热点从底层模型转向应用层，截至2025年12月15日，中国AI产业全年融资事件772起，其中AI应用层融资事件数量占比超50%，AI+医疗成为热门吸金赛道 [12] 企业级AI应用现状与核心价值 - 行业从技术探索期全面转向规模化应用期，市场重心从可行性验证转向商业价值验证，供需双方关注点深入到与核心业务流程的深度集成和可衡量的投资回报 [1][14] - 新一代AI应用已在智能客服、知识库问答、内容生成等知识密集且交互相对开放的场景中率先取得规模化突破 [1][21] - 当前企业级AI应用核心价值聚焦三大方向：流程增效（降本主力）、知识增幅（价值创造新高地）和价值创新（重塑产品与商业模式） [17] - 规模化落地面临系统性痛点，主要包括数据基础薄弱与治理体系缺失、业务价值缺乏可量化度量体系、以及缺乏兼具技术与业务洞察的复合型人才 [23] 企业级AI应用落地框架 - 应用层以AI Agent为核心载体，通过Function Call、MCP、Skills等方式与企业业务流程深度整合，实现从思考到行动的跨越 [1][29][37] - 构建“AI技术+软件工程+人工干预”三元支撑体系，通过将复杂流程切分为可验证的最小任务单元以保障可靠性，并将既有业务系统功能封装为API或MCP Server供Agent调用 [31] - 知识系统与记忆系统协同构建Agent认知底座，知识系统通过RAG结合企业知识库注入专业信息，记忆系统通过分层结构化生命周期管理保留交互经验与任务状态 [34] - 支撑层需以场景为中心进行模型选型，在效果、性能与成本间权衡，并构建Data+AI的数据底座与面向AI的数据安全体系 [1][39][45][47] - 基础设施层AI算力向多元异构演进，GPU占据主导地位，国产芯片在互联带宽、集群规模、推理优化等方面寻求差异化突破，软硬件深度协同优化的AI Infra成为提升国产算力可用性的关键 [1][51][53] - 组织层成功关键取决于高层管理者的深度参与和有效领导，AI高绩效组织中高达48%的高层管理者展现出对AI战略的强烈承诺 [56] - 需从以技术为中心的项目交付转向以员工为中心的价值运营，通过提升用户采纳度释放AI实际价值，并推动业务人员向AI协作者、技术团队向价值赋能者转型 [57][60] 企业级AI应用产业格局与商业模式 - 产业主要有应用软件、技术服务及解决方案、云服务和AI模型四类厂商，形成分层协作、动态竞合格局 [2][65] - 应用软件厂商依托行业Know-how进行能力升级；技术服务厂商以定制化解决方案撬动客户；云服务商以模型+平台拉动底层资源消耗；AI模型厂商侧重提供模型私有化部署与定制化服务 [65][66] - 厂商成本主要集中在算力与研发，两者合计占比通常可达70%及以上 [67] - 收费模式以订阅制为主，效果付费模式仅在营销、运营等少数结果导向型场景中有所应用，其未来渗透率提升有赖于价值评估体系的完善 [67] 企业级AI应用未来趋势 - 大模型由单一的Transformer架构向多架构并行迭代演进，新型RNN（如Mamba-2）和CNN（如OverLoCK）架构助力实现效率与性能的平衡，企业可灵活组合适配不同场景 [2][71][73] - AI有望深度介入并重构企业流程，从任务自动向流程自主演进，未来AI将作为流程的自主管理者，人类角色转向目标设定与结果监控 [2][74][75] - AI在科研领域可形成技术底座、核心能力、科研流程、价值输出的闭环，通过降本、提速与跨界融合重塑企业研发竞争力 [2][76][77] - 物理AI（物理交互型AI）演进将拓宽AI应用价值边界，连接数字智能与实体业务，形成更完整的感知、决策、行动一体化智能业务链 [2][79][81] - AI原生应用将向全新的流量入口、交互方式、应用架构和业务逻辑演变，以大语言模型+Agent为核心，通过自然语言交互提供高度个性化、目标导向的服务 [2][82]

企业级AI应用发展背景 - 政策强力牵引人工智能与实体经济深度融合，最高级别文件《国务院关于深入实施“人工智能+”行动的意见》将AI定位为新质生产力核心引擎，目标到2027年实现与六大重点领域广泛深度融合、新一代智能终端及智能体应用普及率超70%，2030年普及率超90% [6] - 高质量数据集成为AI发展核心支撑，相关政策首次明确其概念并作为AI与实体经济融合的核心载体，提出构建“平台+数据集+模型”一体化服务设施以降低应用门槛 [6] - 2025年能源、交通运输、医疗卫生等重点行业密集出台“人工智能+”落地政策，设定到2027年实现典型场景广泛覆盖与深度赋能的具体目标 [7][8][9] - 技术路线从模型中心转向Agent驱动，AI-Ready数据和AI Agents是当前发展最快的技术，标志着AI应用正从辅助工具向自主决策跃迁 [10] - 投融资热点从底层模型转向应用层，截至2025年12月15日，中国AI产业全年融资事件772起，其中AI应用层融资事件数量占比超50%，AI+医疗成为热门吸金赛道 [12] 行业现状与核心价值 - 企业级AI应用已从技术探索期全面转向规模化应用期，市场重心从可行性验证转向商业价值验证 [1][14] - 新一代AI应用在智能客服、知识库问答、内容生成等知识密集且交互开放的场景中率先取得规模化突破 [1][21] - 当前企业级AI应用核心价值聚焦三大方向：流程增效（直接降本、ROI明确）、知识增幅（激活企业知识资产、赋能高效决策）和价值创新（重塑产品与客户体验、探索新商业模式） [17] - 规模化落地面临三大瓶颈：数据基础薄弱与治理体系缺失、业务价值缺乏可量化度量体系、缺乏兼具技术与业务洞察的复合型人才 [23] 落地关键框架与载体 - 企业级AI应用成功落地依赖于构建系统性、端到端的能力，涵盖应用层、支撑层、基础设施层和组织层四个维度 [1][27] - AI Agent成为当前企业级AI应用落地的核心载体，其以大语言模型为核心推理引擎，结合外部工具调用，实现从思考到行动的跨越，成为将AI推理能力转化为业务流程实际操作能力的重要载体 [1][29] - 企业级Agent落地需构建“AI技术+软件工程+人工干预”三元支撑体系，通过将复杂流程切分为可验证的最小任务单元以保障可靠性，初期可优先选择价值明确的劳动密集型或效率瓶颈型场景 [31] - Agent能力正从紧耦合的Function Calling向模块化、可复用的Agent Skills演进，通过封装结构化指令和资源来提升处理复杂任务时的确定性与灵活性，使其更深入集成至企业核心流程 [37] 模型、数据与算力基础设施 - GenAI模型选择需以场景需求为导向，在多维度权衡模型效果、性能与成本，在保证效果和性能达标的基础上追求最优性价比，并考虑将GenAI与决策式AI结合以提升在严肃企业级场景的可用性 [39] - AI-Ready的高质量数据集是构建企业独特AI竞争力的关键，其特征为高价值应用、高知识密度和高技术含量，尤其来自企业内部、承载业务知识的数据 [41][42] - AI时代数据治理呈现从被动跟随到主动规划、静态管理到实时响应、单一结构化到多模态管控三大趋势，企业需重构数据管理体系，构建多模态、实时响应的Data+AI一体化平台 [45] - 需构建覆盖数据输入、处理、输出全生命周期的主动安全治理体系，以防范数据合规性缺失、污染、敏感信息残留等风险向模型层传导 [47] - AI算力芯片中GPU主导地位稳固，行业竞争焦点由单芯片算力转向超大规模集群的系统级效率，国内厂商在互联带宽、集群规模、推理优化等方面进行差异化突破 [50][51] - AI Infra（人工智能基础设施）通过软硬件一体化协同设计对资源进行系统级调优，将原始算力转化为模型性能与业务价值，在国产化背景下对提升国产算力可用性起到关键作用 [53] 组织转型与人才要求 - 企业管理层的投入深度与决心直接决定AI应用成败，在AI高绩效组织（AI为息税前利润贡献超5%）中，48%的高层管理者展现出对AI战略的强烈“主人翁”式承诺，是普通组织的三倍 [56] - 企业需从以技术为中心的“项目交付”转向以员工为中心的“价值运营”，通过建立心理接纳、优化场景体验和促进能力内化来提升用户采纳度，从而释放AI实际价值 [57][59] - 业务人员需向AI协作者转型，能够精准识别业务痛点并将其转化为AI可解的问题框架，并掌握与AI协作的新一代技能；技术团队需从后台支撑走向前台价值赋能，成为连接技术与业务价值的AI流程架构师 [60][62] - AI项目ROI评估面临间接收益难以量化、隐性成本易被低估等挑战，可考虑放弃追求单一精确数字，转而采用分层、动态的评估框架来审视企业整体AI投资的价值回报 [63] 产业格局与商业模式 - 企业级AI应用领域主要有应用软件、技术服务及解决方案、云服务和AI模型四类厂商，形成分层协作、动态竞合格局 [2][65] - 应用软件厂商依托行业或业务Know-how进行能力升级；技术服务与解决方案厂商以定制化服务和一体化交付能力撬动客户；云服务商以模型+平台拉动底层资源消耗；AI模型厂商则侧重提供模型私有化部署及定制化训练服务 [65][66] - 厂商主要成本集中在算力与研发，两者合计占比通常可达70%及以上，其次为数据准备成本 [67] - 收费模式以订阅制为主，效果付费模式目前仅在营销、运营等少数结果导向型场景中有所应用，其未来渗透率提升有赖于厂商与客户共同构建完善的价值评估体系 [67] 技术演进与未来趋势 - 大模型架构由单一的Transformer向多架构并行迭代演进，新型RNN（如Mamba-2）和CNN（如OverLoCK）架构有助于实现效率与性能的平衡，使企业能面向不同场景灵活搭建高效架构组合 [2][71] - AI有望深度介入并重构企业流程，驱动流程自动化从基于预设规则的静态自动化，迈向由AI驱动的动态自主化，未来AI可能具备自主启动、重构与编排流程的能力 [2][74] - AI在科研领域可形成技术底座、核心能力、科研流程、价值输出的闭环，通过虚拟实验降本、自动化分析提速、跨学科知识融合破界，帮助研发驱动型企业提升竞争力 [2][76][77] - 物理AI（物理交互型AI）正从数字AI的信息处理迈向与物理世界的交互，通过空间智能和世界模型连接数字智能与实体业务，形成更完整的感知-决策-行动一体化智能业务链 [2][79][81] - AI原生应用将向全新的流量入口、交互方式、应用架构和业务逻辑演变，以大语言模型+Agent为核心，通过自然语言和多模态交互提供高度个性化、目标导向的服务 [2][82]

公司AI战略与产品布局 - 公司创始人兼首席科学家斯瑞达·温布带领一支40人的团队专注于AI前沿战略与技术融合，目标是打造安全、可靠、合规的软件产品，帮助企业实现生产力十倍增长 [2] - 公司于2025年7月推出了从0-1构建的专有大模型Zia LLM，并同时构建和部署了适配不同企业场景的小型、中型语言模型，以更好地满足B2B客户对成本可控性、输出准确性与数据合规性的需求 [4] - 公司在语音识别模型上推出针对英语和印地语的ASR模型，该模型已处理超过10万小时的语音数据，能够与Zia LLM高效联动，实现会议纪要、客服工单等多场景自动化 [4][5] - 公司正将自研AI引擎Zia逐步整合到各类产品中，包括无代码/低代码智能体构建工具Zia Agent Studio，该工具已向数千名客户开放，目标是让创建的智能体能够作为“数字员工”投入使用 [5] - 公司CEO马尼·温布负责带领公司实现下一代AI嵌入式产品的商业化落地，但指出由于AI Agent技术仍在快速迭代且需处理分散数据，如何为客户创造实际价值目前仍处于探索阶段 [4][5] 公司增长动力与市场策略 - 公司连年保持近30%的增长速度，除了北美、欧洲等强势地区外，亚太、北非及拉美等地的营收近两年实现了大幅提升 [5] - 公司后续重要的增长来源是新兴市场，尤其是东南亚、中东、北非和拉美，例如在中东地区，数字化转型正因业务需求和政府推动而被越来越多的企业重视 [6] - 公司着眼于长期发展，通过在全球多个国家和地区（包括美国、墨西哥、哥伦比亚、澳大利亚、新加坡、迪拜、中国和日本等）设立分支机构、雇佣本地员工并遵守当地法规，以本地化策略来抵御行业波动和降低外部不利因素的干扰 [8] 公司生态拓展与硬件投资 - 公司在夯实软件与AI核心能力的基础上，于去年7月在硬件领域展开了一系列重磅布局，包括收购专注于工业机器人解决方案的Asimov Robotics，并投资了医疗设备制造商vTitan、电动汽车公司Boson Motors、环卫机器人公司Gen Robotic Innovations [8] - 公司还独立孵化了多家先进材料、半导体领域的初创科技公司，与这些企业的深度合作旨在发挥公司在软件领域的积淀与优势，实现对硬件业务的有效赋能 [8][9] - 硬件场景产生的真实工业数据、物联网数据，能为公司的企业级大模型提供高质量训练素材，优化软件在垂直场景的适配性，形成从软件到硬件、数据，再回归软件价值的闭环，从而在技术、客户服务、商业布局及生态上实现协同 [9]

企业级AI应用发展背景 - 政策强力牵引人工智能从单点突破转向全域系统性赋能，定位为新质生产力核心引擎，目标到2027年实现与六大重点领域广泛深度融合，新一代智能终端、智能体等应用普及率超70%，2030年超90% [6] - 高质量数据集成为人工智能发展的核心支撑，被视为与实体经济融合的核心载体，政策提出“1+1”参考路径，旨在构建覆盖全流程的高质量数据集建设格局，并通过“平台+数据集+模型”一体化服务降低应用门槛 [6] - 2025年围绕“人工智能+”在能源、交通运输、医疗卫生等重点领域密集出台政策，释放数据要素价值、构建行业大模型体系、推广智能体应用，并设定到2027年实现典型场景广泛覆盖与深度赋能的具体目标 [7][8][9] - 技术路线从模型中心转向Agent驱动，AI-Ready数据和AI Agents是当前发展最快的技术，标志着AI应用正从辅助工具向自主决策跃迁，企业关注重心由底层技术向可持续的AI应用交付转变 [10] - 投融资热点从底层模型转向应用层，截至2025年12月15日，中国人工智能产业全年融资事件772起，其中AI应用层融资事件数量占比超50%，AI+医疗成为热门吸金赛道 [12] 企业级AI应用现状与核心价值 - 行业从技术探索期全面转向规模化应用期，竞争重心转变，市场重心从可行性验证转向商业价值验证 [1][14] - 新一代AI应用已在智能客服、知识库问答、内容生成等知识密集且交互相对开放的场景中率先取得规模化突破 [1][21] - 当前企业级AI应用核心价值聚焦三大方向：流程增效（替代重复劳动、降本、ROI明确）、知识增幅（激活企业知识资产、赋能高效决策）、价值创新（重塑产品与客户体验、探索新商业模式） [17] - 规模化落地面临系统性痛点，主要包括数据基础薄弱与治理体系缺失、业务价值缺乏可量化度量体系、以及缺乏兼具技术与业务洞察的复合型人才 [23] 企业级AI应用落地框架 - 应用层以AI Agent为核心载体，通过Function Call、MCP、Skills等方式拆解最小任务单元，促进与企业业务流程的深度整合，实现从思考到行动的跨越 [1][29][37] - 由于GenAI存在准确率瓶颈，企业级Agent落地需构建“AI技术+软件工程+人工干预”的三元支撑体系，通过将复杂流程切分为可验证的最小任务单元来保障可靠性 [31] - 支撑层需以场景为中心进行模型选型，并构建Data+AI的数据底座与面向AI的数据安全体系 [1] - 知识系统与记忆系统协同构建Agent认知底座，知识系统通过RAG结合企业知识库注入领域知识，记忆系统通过分层管理保留交互经验与任务状态 [34] - 基础设施层中，AI算力基建向多元异构演进，在国产替代背景下，软硬件深度协同优化的AI Infra成为提升国产算力可用性的关键 [1][53] - 组织层需要高层推动的顶层设计与员工维度的角色升级共同推动企业AI转型，高层管理者的深度参与和有效领导是AI转化为规模化价值的关键 [1][56] 技术发展趋势 - 大模型架构由单一的Transformer向多架构并行迭代演进，新型RNN（如Mamba-2、DenseMamba）和CNN（如OverLoCK）架构有助于实现效率与性能的平衡，使企业能灵活适配不同场景 [2][71][73] - AI有望深度介入并重构企业流程，驱动流程自动化从基于预设规则的静态自动化，迈向由AI驱动的动态自主化，人机协作模式将发生根本转变 [2][74][75] - AI在科研领域可形成技术底座、核心能力、科研流程、价值输出的闭环，通过降本、提速与跨界融合帮助企业提升研发竞争力 [2][76][77] - 物理AI演进将拓宽AI应用价值边界，从信息处理迈向物理交互，连接数字智能与实体业务，形成更完整的智能业务链 [2][79][81] - AI原生应用将向全新的流量入口、交互方式、应用架构和业务逻辑演变，以大语言模型为核心驱动力，以Agent架构为实现范式，推动应用由固定化工具向定制化解决方案转变 [2][82] 产业格局与商业模式 - 目前企业级AI应用领域主要有应用软件、技术服务及解决方案、云服务和AI模型四类厂商，形成分层协作、动态竞合格局 [2][65] - 应用软件厂商依托行业或业务Know-how进行能力升级；技术服务与解决方案商以定制化服务撬动客户；云服务商以模型+平台拉动底层资源消耗；AI模型厂商则侧重提供模型私有化部署及定制化训练服务 [65][66] - 厂商主要成本集中在算力与研发，两者合计占比通常可达70%及以上，其次为数据准备成本 [67] - 收费模式以订阅制为主，效果付费模式在当前市场面临较大落地阻力，仅在营销、运营等少数结果导向型场景中有所应用 [67]

年末市场分化的特征与驱动因素 - 临近年末A股市场呈现显著分化，商业航天、可控核聚变、无人驾驶等主题板块热度极高，部分板块指数创出历史新高，而白酒、传统消费等板块则出现下跌[3] - 分化的核心驱动因素是“资金调仓+产业事件”，机构在全年任务接近完成后，从前期涨幅较大的AI算力等领域撤出，转向“政策催化强、估值低、前期配置不足”的方向[3] - 具体的产业事件如世界首个全超导托卡马克实验装置（EAST）的进展、商业航天关键试验节点，进一步点燃了市场情绪[3] 机构资金行为是市场表现的核心逻辑 - 个股能否上涨本质上取决于机构大资金的参与意愿和持续时间，而非单纯依赖利好消息[7] - 以白酒板块为例，在2025年5月前后，尽管市场存在消费提振预期，但“机构库存”（反映机构资金活跃度的指标）数据早在5月初就已不活跃，导致股价在限酒令等消息下缺乏支撑并持续下跌[9][11] - 相反，有ST股在被曝出“社保基金踩雷”的利空后复牌上涨25%，其背后原因是机构资金早已进场，机构库存数据持续活跃[11][13] 利用数据分析识别有效机会的方法 - 筛选机会的关键是观察“机构库存”是否持续活跃，例如关注最近一个月该数据三日连增、五日连增的股票[14] - 需警惕“空涨”现象，即股价上涨但机构库存未活跃，这通常由游资或散户推动，缺乏持续性，例如某新能源股曾单日涨10%但一周后跌回原点[14] - 应关注“机构蓄势”情况，即股价横盘震荡但机构库存持续活跃，表明机构在暗中积累筹码，后续可能出现行情，例如某科技股横盘半月后上涨30%[14] - “机构控盘”数据有助于辅助决策，在持股下跌时提供持仓信心，或在空仓时提供提前关注的信号[14] 市场分化的结构性机会与未来主线 - 私募机构对热门主题的态度存在分化，部分机构严格筛选具备真实产业链受益前景或明确商业化前景（如超导工程化、无人驾驶渗透率提升）的个股，规避纯故事驱动的概念[3] - 展望2026年，AI被视为“共识主线”，关注点从“技术突破”转向“产业融合”带来的机会，例如具身智能、企业级AI应用等可落地方向[3] - 年末的市场分化是资金在为明年寻找“确定性”的过程，关键在于利用数据识别有机构资金持续支持的方向，如AI融合应用、超导工程化、无人驾驶商业化等领域[15]

餐饮行业深度报告核心观点 - 报告认为餐饮行业具备“攻守兼备，穿越周期”的特性，是服务消费政策的主要受益方向[7] - 餐饮收入在社零中占比提升至12%，且增速弹性高于社零整体，2023/2024年增速分别为20%/5%，高于社零总额的7%/4%[8] - 借鉴日本经验，外食产业规模在1997年达29.07万亿日元峰值后承压，但快餐业态表现相对较好；日本餐饮板块在消费者服务板块中市值占比达43%，头部餐企PE估值均在25倍及以上[9] - 投资建议关注四类标的：具备穿越周期能力的百胜中国、处于门店扩张期的小菜园、处于调整改革期的海底捞、以及赛道空间大且高势能扩张的达势股份[2][10] 计算机行业2026年度策略核心观点 - 报告核心观点为：从“+AI”到“AI+”，AI巨轮破浪前行，2026年展望是“算力筑基，模型进阶，应用可期”[3][13] - 2025年回顾：国内AI大模型（如DeepSeek）取得突破，带动行业阶段性独立行情；前三季度行业营收增长加速，利润端大幅修复；公募基金Q3配置比例为2.6%，低配2.2个百分点[12] - 2026年具体关注方向：1）AI算力，国内外大厂资本开支有望持续增长，重视国产算力自主可控[13]；2）大模型多模态能力提升[14]；3）AI应用，企业级应用有望迎来规模化推广拐点，Agent智能体普及率将快速提升；AI硬件（如OpenAI计划推出的终端）和阿里千问APP等C端应用值得关注[14] 航亚科技（688510.SH）首次覆盖报告核心观点 - 报告认为航亚科技以精锻技术为核心，深耕航空发动机关键零部件领域，并已在国际商用航空发动机（CFM）供应链寻求替代供应商的背景下实现“抢先卡位”[4][16] - 公司2025年前三季度实现营业收入5.30亿元，同比增长1.95%；归母净利润0.78亿元，同比下滑16.04%[16] - 增长驱动多元：1）国产商发CJ-1000A/CJ-2000；2）国内航发（如与航发黎阳合作）；3）燃气轮机（已成为GE等供应商）；4）医疗骨科植入锻件[16] - 盈利预测：预计2025-2027年营收为8.17亿、10.90亿、15.12亿元，同比增长16.1%、33.5%、38.6%；归母净利润为1.3亿、2.0亿、2.9亿元，同比增长4.3%、53.3%、44.6%[17] 宏观金融数据与政策观点 - **11月金融数据**：新增贷款3900亿元，同比少增，贷款同比增长6.4%，增速下滑0.1个百分点，主要受住户贷款减少2063亿元拖累；社融增速企稳于8.5%，新增社融约2.5万亿元；M2同比增长8%，M1同比增长4.9%，增速均有所回落[18][19] - **货币政策定调**：中央经济工作会议明确2026年继续实施适度宽松的货币政策，预计公开市场7天逆回购操作利率可能下调10个基点左右[5][19] - **中央经济工作会议精神**：整体思路概括为“内外统筹、注重质效、问题导向、持续摸索”；宏观政策保持积极，财政政策提及“保持必要的财政赤字、债务总规模和支出总量”；地产政策再提“去库存”，鼓励收购存量商品房用于保障性住房[21][22][23] - **2026年宏观展望**：预计经济增长目标在5%左右，实施更加积极有为的宏观政策，一般预算赤字率维持4%左右，公开市场操作利率和LPR预计下调10个基点左右[30] 非银金融行业监管动态 - **公募基金销售新规**：中基协下发《公开募集证券投资基金销售行为规范（征求意见稿）》，对宣传推介（如基金业绩展示需超6个月）、直播营销、费用披露及绩效考核等进行全面规范，旨在引导长期投资，消除“唯规模论”[26][27] - **公募基金薪酬新规**：中基协下发《基金管理公司绩效考核管理指引（征求意见稿）》，建立以基金投资收益为核心的差异化考核体系，要求中长期指标权重不低于80%，并实施强制利益绑定（如递延支付不少于三年）[28] - **行业影响**：两项文件从外部销售行为和内部治理双向推动公募行业向以投资者利益为核心的高质量发展转型，短期依赖激励驱动的销售模式将面临调整压力[28] 策略与市场观点 - **中国出口与工业力**：2025年上半年中国以全球12%的出口份额，贡献超40%的贸易顺差；工业产值占全球比重为28%，报告认为中国工业力“未到极限”[40] - **顺差前景**：在全球“需求有托底（主要经济体财政扩张）+供给无对手”的背景下，中国制造业出口竞争优势将继续创造大量顺差，且结构正向高附加值转型[40][41] - **人民币与资产重估**：美联储重启降息消除了人民币升值梗阻，跨境资本回流将系统性重估中国优势工业力[42] - **行业配置建议**：推荐【有】色金属（金/银/铜/锂）、【新】消费（零食/宠物/美护/旅游出行）、【高】端制造（新能源/化工/医疗器械/工程机械/国产算力链）[42] - **A股估值扫描**：通信行业领涨，其设备子行业全动态PE处于历史97.9%分位数；算力基建（剔除运营商/资源类）相对PE（TTM）从4.24倍升至4.47倍[45] 其他行业周度核心观点 - **计算机行业**：OpenAI发布主打企业级应用的GPT-5.2，其在GDPval基准测试中，GPT-5.2 Thinking版本在70.9%的任务中表现胜出或持平人类专家，且完成速度快11倍以上、成本低于1%[61][62] - **电力设备行业**：全国首个省内特高压交流环网（浙江）获批，总投资达293亿元；可控核聚变商业化加速；英伟达H200 GPU获对华出口许可；11月中国储能采招落地容量规模达33.5GWh，同比增长86%[65][66] - **有色金属行业**：政策定调2026年实施更加积极有为的宏观政策；美联储降息25个基点至3.5%-3.75%区间并宣布将重启扩表；紫金矿业湖南道县锂多金属矿项目投产，备案矿石量约1.96亿吨[74][75][76] - **量化基金业绩**：截至2025年12月12日，公募中证1000指增基金年内平均超额收益达7.52%，实现正超额收益的基金占比为89.13%；公募主动量化基金年内平均收益为26.64%[59]

交易概述 - 博瑞传播以6649.02万元对价，收购成都传媒集团及每经传媒持有的每经科技51%股权 [1] - 交易前，成都传媒集团与每经传媒分别持有每经科技33.26%和66.74%股份；交易后，博瑞传播与每经传媒分别持有51%和49%股份 [1] - 成都传媒集团转让其全部33.26%股份，对应交易金额4336.20万元；每经传媒转让17.74%股份，对应交易金额2312.82万元 [1][2] 交易标的与业务 - 每经科技成立于2018年12月，是《每日经济新闻》重点孵化的高新技术企业，于2022年11月被每经传媒整合控股 [2] - 公司核心业务聚焦于企业级AI应用赛道，深耕内容生产与传播场景，以自研智能化软件产品与场景化解决方案为核心 [2] - 公司客户涵盖金融、政务、企业及媒体等机构，旨在助力其实现智能传播 [2] 财务数据与业绩承诺 - 每经科技2023年、2024年及2025年上半年净利润分别为269.82万元、-75.42万元和-322.41万元，净利润呈下滑趋势 [5] - 转让方对每经科技2026年至2028年的三年累计净利润做出不低于2310万元的业绩承诺，若未达目标将进行现金补偿 [3] - 根据博瑞传播公告预测，每经科技2026年至2028年净利润分别为530.82万元、820.29万元和720.40万元，三年合计2071.51万元，与业绩承诺目标2310万元相近 [6] 交易影响与战略意图 - 交易完成后，每经科技将成为成都传媒集团旗下上市公司博瑞传播的资产，成都传媒集团不再直接持有其股份 [2] - 成都传媒集团董事长表示，此次收购是博瑞传播数字化转型的关键一跃，旨在通过“媒体+科技”的基因重组，为集团新型智媒体集团建设增添动能 [6] - 业内人士指出，博瑞传播支付4300多万元对价，变相为成都传媒集团进行了现金“输血” [2]

市场表现 - 2025年12月12日，A+H芯片产业链再度走强，全市场首只聚焦“港股芯片”产业链的港股信息技术ETF（159131）全天震荡走强，放量收涨2.07%，单日成交额达8228万元，一举收复5日和10日均线 [1][9] - 该ETF盘中数据显示，收盘价为0.936元，较前上涨0.019元，涨幅2.07%，当日成交总量为88.91万手，换手率达30.56% [2][10] - 成份股方面，阜博集团、天岳先进股价涨幅超过6%，商汤-W涨幅超过5%，小米集团-W、美图公司、第四范式、峰岹科技、瑞声科技等多只股票涨幅超过3% [2][10] 产品概况 - 港股信息技术ETF（159131）是全市场首只聚焦“港股芯片”产业链的ETF，其标的指数由“70%硬件+30%软件”构成，重仓港股“半导体+电子+计算机软件” [7][15] - 该ETF涵盖42只港股硬科技公司，前三大成份股权重分别为：中芯国际（20.48%）、小米集团-W（9.53%）、华虹半导体（5.80%），该指数不含阿里巴巴、腾讯、美团等大市值互联网企业，旨在更集中地捕捉港股AI硬科技行情 [7][15] - 该ETF支持T+0交易，为投资者提供了更高的交易灵活性 [7][15] 估值分析 - 截至2025年12月11日，港股信息技术ETF（159131）标的指数的最新市盈率为34.26倍，位于近3年39.85%的分位点，距离2025年2月的高点仍有56%以上的空间 [5][13] - 该指数的估值性价比显著优于其他主要科技类指数，例如创业板指（市盈率40.37倍，近3年分位点89.54%）和纳斯达克100指数（市盈率36.38倍，近3年分位点76.28%） [5][13] 行业催化剂 - 消息面上，OpenAI正式发布迄今最先进的GPT-5.2系列模型，创下多个基准测试的行业记录，其GPT-5.2 Thinking模型刷新了SWE编码能力测试的历史最高分，对AI板块情绪产生提振 [3][11] - 兴业证券全球首席策略师张忆东指出，AI目前仍属于一个大周期的初期，2026年最确定的投资方向依然是AI [3][11] - 中国银河证券指出，“人工智能”连续两年被重要会议强调，确认了其作为引领性、颠覆性技术的战略地位，预计未来政策将更侧重于推动科技创新转化为具体的产业新动能和产业链竞争力 [4][12] 2026年AI投资展望 - 西部证券分析认为，2026年AI板块可关注三大方向：算力筑基、模型进阶、应用可期 [3][11] - **AI芯片/算力侧**：国内外大厂资本开支有望持续增长，AI规模化应用将带动Tokens消耗高增，国产AI芯片在性能提升和软件生态（如DeepSeek-V3.1、TileLang）建设下，规模化落地进程有望加速 [3][11] - **模型侧**：大模型多模态能力的提升将从根本上降低其理解、交互和解决实际问题的门槛，极大地拓展应用范围 [4][12] - **应用侧**：在“人工智能+”顶层政策牵引下，企业级AI应用有望在2026年迎来规模化推广拐点，Agent智能体应用普及率有望快速提升，同时OpenAI计划在2026年末至2027年初推出首批AI终端硬件，可能引发产业链共振 [4][12]