文章核心观点 - 软件并未死亡，但软件的用户基础正在发生结构性替换，从人类用户转向AI Agent，这标志着行业进入了“Agent体验（AX）”时代 [1][2][3][5][6][7][8] - SaaS公司的核心竞争力正从图形用户界面体验转向为AI Agent提供卓越的体验，这要求公司重新构建产品交互模式、编码领域知识并优化性能与成本 [11][22][23] Agent用户基础的转变 - **用户结构发生根本性替换**：在普通企业中，机器身份与人类用户的比例已达到45:1，部分组织甚至高达100:1，AI Agent正成为主要用户 [6] - **Agent操作方式不同**：Agent通过API、脚本和结构化命令以编程方式操作软件，完全绕过图形界面，不进行点击导航 [7] - **生产数据印证趋势**：数据库服务Neon报告其80%的数据库由AI Agent创建；GitHub上超过5%的代码提交完全由Claude Code完成，另有约40%得到了AI辅助 [6] 定义Agent体验（AX）时代的三个关键信号 - **Anthropic发布托管Agent架构**：将“大脑”（模型与外壳）、“双手”（工具与沙箱）和“会话”（事件日志）三层解耦，意味着SaaS公司可将Agent架构委托给前沿AI实验室 [9] - **Intercom与Zapier为Agent重建产品**：Zapier的SDK让编程Agent能访问超过9000个应用连接器；Intercom的Fin AI助手实现了65%的端到端问题解决率，并发布了Fin CLI供Agent直接调用 [9] - **Linear的错误示范**：其发布的Agents功能优先构建了嵌入式聊天界面，但未提供MCP服务器或CLI工具，未能满足客户让外部Agent连接其数据的核心需求 [10] 新软件栈的构成模式一：Skill文件 - **Skill文件是编码领域知识的Markdown文档**：它直接告诉Agent如何正确使用工具，包括调用顺序、约束和原因，使领域专业知识能被Agent直接读取和执行，无需人类翻译 [12] - **Skill文件成为机构知识的新载体**：知识不再主要存在于用户界面或帮助中心，而是沉淀在Skill文件中，这对于确保Agent操作的准确性至关重要 [13] - **实际应用案例**：Figma随MCP服务器发布了编码设计系统惯例的Skills；PostHog将Skill文件视为给高素质新员工的入职手册，例如指导Agent使用正确的默认事件以避免数据误导 [12][13] 新软件栈的构成模式二：CLI工具与MCP服务器 - **命令行界面成为出色的Agent体验**：接受结构化输入并产生结构化输出的CLI命令天然可组合，便于Agent调用、串联工作流和失败重试 [14][15] - **领先公司已进行重建**：37signals将Basecamp重写为完全Agent可访问的产品，包括全新CLI和结构化JSON输出；Google的Gemini CLI扩展在三个月内吸引了超过100万开发者使用 [14] - **开发工具生态围绕Agent构建**：Vercel的AI SDK月下载量突破2000万；主流AI编程工具如Claude Code、GitHub Copilot CLI均通过命令行运行 [14][15] 新软件栈的构成模式三：垂直模型 - **垂直模型是在领域专属数据上微调的模型**：其在特定领域（如法律、客服）的表现超越通用模型，且理论上更快、更便宜 [16] - **垂直模型的成功与挑战案例**：法律AI公司Harvey的定制模型曾让律师在97%的情况下更偏好它而非GPT-4，并助力其ARR在2026年1月达到1.9亿美元，估值达110亿美元 [17]。然而，随着前沿通用推理模型的快速进步，Harvey自己的法律模型在基准测试中被超越，公司最终转向使用模型选择器在多个前沿模型间路由任务 [18] - **垂直模型的有效性条件**：在查询模式高度专门化、错误后果严重且公司拥有足够专有反馈数据的场景下能建立优势，例如Intercom基于超过4000万次已解决对话训练的客服检索模型 [19] 性能即护城河 - **成本与延迟成为关键竞争维度**：Agent只关心性能，包括认证简便性、安全性、成本和速度 [20] - **成本优化策略**：大多数AI生产任务（如数据验证、格式转换）不需要前沿模型推理。采用级联路由等策略，先将查询发送给廉价模型或代码，仅在需要时升级，可实现显著成本节约。斯坦福FrugalGPT研究显示，该方法在保持媲美GPT-4准确率的同时，最高可实现98%的成本降低，生产中通常节省30-60% [20] - **延迟优化至关重要**：小模型响应时间为数十毫秒，确定性代码为个位数毫秒，而前沿模型需要数秒。在链式调用的Agent工作流中，优化策略能将等待时间从30秒缩短至2秒，这种差异会被用户和Agent注意到 [20][21] 对行业与公司的启示 - **软件价值层转移**：软件的数据层、工作流逻辑和领域专业知识依然有价值且越来越重要，但必须被重新编码成Agent和模型能够消费的格式 [22] - **赢得Agent体验的五大要素**：1) 超越特定模型的稳定接口；2) 人类与Agent能力一致；3) 编码了从业者判断力的Skill文件；4) 供Agent配置操作的CLI；5) 在确有场景时使用垂直模型保持领先 [23] - **构建可防御优势**：最值得关注的公司是那些在权重里积累垂直数据优势、用Skill文件编码工作流知识、并用CLI/MCP服务器实现一切可组合的公司。仅声称“为自己的领域构建了AI Agent”已不具备防御性 [23]

当前AI应用的主要问题与认知误区 - 大多数人使用AI的方式仍停留在“看烟花”阶段，问题不在于工具而在于认知，真正的分水岭在于能否认清模型本质、定义问题边界并从无限解空间中逼出“最优解” [1] - 纠结于学习具体工具（如写prompt、Sora、扣子、Manus）是追逐表象，变化太快，这些学习从今天回头看可能“还是没用，而且越学越焦虑” [7][31] - 例如“龙虾”这类产品，其架构设计和产品感觉很好，但离实用有非常大的距离，反复调教它不会在掌控模型能力上带来实质性帮助，对普通用户而言仍是“烟花” [30][31] 高效使用大模型的核心方法论 - 写prompt时，信息并非越多越好，过长的prompt会磨灭模型的泛化能力，关键在于找到既能激发模型又能达到目的的边界 [8] - 模型在一个问题上的输出本质是一个正态分布，越靠近中央（概率越高）的结果越通用但也越平庸，真正好的解（边缘解）需要被激活 [8] - 激活边缘解的方法：通过多步引导，将不同顶尖人物（如乔布斯、马斯克）的思维方法论从边缘挪到中央，并以其视角评估问题，汇总不同视角的极端建议以获得更有效的判断 [9][10][11] - 思考本身已变得廉价，驾驭思考的方向、挖掘模型的原生能力才是关键，这需要被标准化、产品化 [11] 垂直化与模型“控制”是未来趋势 - 未来的命题是模型“烟花”能力的可控性，真正懂模型的机构（如Anthropic）核心目标是确保智能不失控，使其能处理复杂业务 [7] - 企业未来的核心竞争力不是训练一个通用模型，而是定义自己垂类的知识、MCP（模型上下文协议）、skill（技能）等，在垂直领域将自己的偏好叠加到基座模型上 [15][17][18] - 基座模型如同人类的DNA，是通用能力的基础，但从通用能力到企业内高效的“员工”，中间缺一个“大学”来进行“分科”教育，这正是市场机会所在 [14][19] - “权重工程”将成为未来，每个人能以极低成本在基座模型上定义自己的环境，训练出环境内的最优解，最优解无法通过通用模型猜出 [16][17] AI产品商业模式的演进 - 市场上常见的按席位收费（软件逻辑）和按结果付费模式被认为不合理或易产生纠纷 [20] - 最合理的逻辑是按能量付费，将智能变得像电、水一样按单位计价，这将使智能变得极其廉价，企业的竞争将转向如何在廉价智能之上发挥创造力并将其接入物理世界带来收益 [21] - 公司的定位是提供行业最佳实践（如销售策略库），解决企业80%-90%的共性需求，企业只需在此基础上叠加自身偏好，加速智能体适配并接入物理世界的进程 [19][21] AI产品哲学的三大流派分析 - **OpenAI的AI浪漫主义**：产品有极高的想象力门槛（如Sora、Atlas），旨在售卖AI的想象力，推动市场对AI无限潜力的认知和更大投入，但产品留存极差 [23] - **谷歌的AI实用派**：产品看似平平无奇（如Notebook LM），但留存持续增长，其本质是对模型知识的管控管道，是知识生产的流水线，底层核心是提升生产力 [24] - **Anthropic的AI极客/原生主义**：前两者是为人类做产品，而Anthropic是为智能体（agent）做产品，其思考极其第一性，追求AI原生，是每个AI产品经理应研究的必修课体系 [25][40] 基础模型竞争格局与中美差异 - 基础模型的迭代速度在加快，但当技术不再让人“惊艳”时，可能意味着它进入了应用的深水区 [28][29] - AI更像电力，当它不再被单独提及、而是嵌入物理世界重塑商业链路时，其真正价值才出现 [29] - 中美模型差距没有在拉大，中国追上的趋势比较确定，从应用角度看，做垂直应用（如销售智能体）时，国内模型与海外模型效果可能只差5%，但成本可能差10倍 [32] - 模型本身没有网络效应，OpenAI守不住壁垒，Google能追上来的原因在于其从芯片、集群、基模、应用到生态的全链路无短板，将战争从模型战争转变为生态战争 [33][34] - Google的苏醒得益于创始人回归（能扛住反共识和高风险）、OpenAI老本吃完、以及硅谷无竞业禁止导致知识高速流动，最终比拼的是现金流、资源、算力卡、人才及组织敏捷性 [35][36][37] 对AI本质与未来影响的深层思考 - AI一定是一次最伟大的革新，它提供了近乎无限生命、无限尝试的方式，帮助人类拓展边界，找到世界的本源 [43] - 世界的本体可能是计算（万物皆比特），任何问题都可视为计算科学问题，只要能求解，大模型就可以解决 [38][42][48] - 在AI时代，人类的价值在于指明方向、设计棋盘、定义对错，而将所有找到解（解题）的事情交给模型，解题变得极其廉价，出题才是关键 [60] - AI有可能产生意识，意识可能脱离于载体（硅基或碳基）而存在，这引发了关于智能本质的深刻思考与讨论 [58][59][60]

文章核心观点 - 客服软件公司Intercom通过开放其垂直领域AI模型API，从一家SaaS软件公司转型为AI基础设施公司，这代表了垂直领域SaaS巨头向AI模型公司演变的潜在行业终局[2][3] - 在客服这一垂直领域，Intercom自研的Apex模型在关键商业指标上已全面超越Anthropic和OpenAI的前沿通用模型，证明了垂直模型可以碾压通用模型[2][8][11] - 公司的战略核心是主动进行自我颠覆，将竞争护城河从软件功能迁移至模型能力和数据飞轮，并采用平台思维构建生态[16][17][19] 三层产品架构 - **第一层：Fin智能客服平台**：开箱即用的核心产品，已有约8000家企业使用，提供行业最高的问题解析率，满足99%客户的需求[5] - **第二层：Fin Agent API**：允许客户将Fin的智能能力嵌入到自己的产品界面中，使用自定义的前端展示[5] - **第三层：Fin API平台（新发布）**：直接开放底层模型（包括Apex），客户可构建完全定制化的客服Agent，合同起步价为每年25万美元，按调用量计费，单位价格自称是同类模型中最低的[5][6] - 三层架构反映了客户（尤其是大客户）对把控自身客服体验的需求增长，越往下自由度越高、门槛也越高[5][6] - 第三层的高起步价和低价策略旨在抢占模型层市场份额，形成生态粘性，类似于AWS早期的市场策略[6][20] 模型性能数据 - **解析率**：Apex模型达到73.1%，比最强的通用模型（Sonnet 4.6的69.6%）高出近2个百分点[8][9] - **首token延迟**：Apex为3.7秒，比Sonnet 4.6的5.4秒快了1.7秒，比GPT-5.4的4.3秒也更快[8][12] - **幻觉率变化**：相比基准模型Sonnet 4.6，Apex的幻觉率下降了64.7%[8] - **数据基础**：性能数据基于过去6个月的生产环境测试，模型每周处理超过200万条客户问题，经过约8000家企业的真实环境验证[2][8] - 解析率被视为最核心的商业指标，直接决定AI独立解决问题的比例，每提高一个百分点都可能显著节省人力成本[9] 垂直模型对通用模型的优势 - 在客服这一特定垂直领域，专注的垂直模型（Apex）在解析率、响应延迟和幻觉率上全面领先于通用的前沿模型（如Sonnet 4.6, Opus 4.5, GPT-5.4）[11][12] - 优势源于垂直模型的专注性：通用模型需分散注意力处理多种任务，而垂直模型只需在单一领域做到极致[12] - 性能优势具有重大商业价值：解析率高2-3个百分点意味着在每周200万条工单中，可多解决数万条无需人工介入的问题；更快的响应速度（3.7秒）有助于降低用户转向高成本人工服务的概率[12] 开放模型的战略逻辑 - **进攻性理由**：市场需求存在，许多公司希望自建客服Agent并需要最好的底层模型，开放API可直接满足需求并创造收入，公司甚至欢迎竞争对手成为客户[13][14][21] - **防守性理由**：软件功能作为护城河的时代正在结束，工程生产力大幅提升（翻了一倍多），功能已不再稀缺，核心价值正向模型层聚集[14][15][16] - 公司不担心开放模型会助长竞争对手，因其拥有持续迭代的**数据飞轮**（每周200万条新对话数据）和将模型转化为产品的**系统工程能力**作为更深层的壁垒[18][23] 生态野心与行业信号 - 公司展现出**平台思维**，希望第三方利用Apex模型开发针对不同垂直行业（如牙科、汽车）的定制化客服解决方案，从而从产品公司转型为基础设施提供商[19] - 25万美元的年起步价瞄准的是有技术能力的大客户和创业公司，对于后者而言，使用现成的、经过验证的模型比从头训练成本更低[20] - 此举揭示了SaaS行业的三个深层变化： 1. **软件公司正在变成AI公司**：需自研垂直模型，用模型能力定义产品[22] 2. **护城河发生迁移**：从“功能壁垒”转向“模型与数据壁垒”，积累的独特数据（如数以亿计的客服对话）难以被复制[22][23] 3. **垂直整合是终局**：类似苹果的端到端控制，在AI时代体现为从界面、Agent到模型的全栈自有，以控制整体体验[22] 对行业的启示 - 垂直领域积累的**大量专业数据**是训练优质垂直模型的燃料，其价值可能超过产品本身，Intercom的案例证明了客服数据可以训练出碾压通用模型的垂直模型[23][26] - **自我颠覆是关键的生存策略**，等待被颠覆不如主动转型，将AI能力构建为新的护城河[17][26][27] - **通用大模型并非万能**，在垂直领域想做到最好，最终需要走专用模型的道路[26] - 这一模式可复制到法律、医疗、金融、教育等拥有大量专业对话数据的垂直领域，是AI时代的重要机遇[26]

蚂蚁集团的AI战略与差异化路径 - 公司选择聚焦支付、金融与医疗健康作为未来发展的三大核心支柱，与聚焦通用大模型的巨头形成差异化竞争[2][3] - 公司旗下健康AI助手“阿福”专注于医疗健康垂直领域，自上线以来单日处理的健康疑问已超过1000万个，月活用户增长到3000万以上，成功切入老年市场[1][3] - 公司宣布业务与组织将全面AI化，并对AI方向有开创性贡献的团队与个人给予“AI Credit”特别激励，以激发内部创新活力[2][9] 垂直模型“阿福”的构建与优势 - “阿福”在医疗健康领域构建了数据与场景的双重壁垒，其医疗大模型投入了很大资源，有近千人的医学团队进行数据标注以确保专业性[4] - 该应用已让全国1000多位医生在线上开设“AI分身”，为患者增加了高质量健康服务供给[3] - 公司抓住了老龄化社会的“银发流量”红利，数据显示“阿福”50后与60后用户占比达20%[1] 支付业务的AI化改造与生态协同 - 公司在支付领域推动AI化改造，千问App全面接入“支付宝AI付”，实现了用户通过自然语言指令完成“一句话点外卖”及一键付款的全流程[6] - 支付宝联合生态伙伴发布了中国首个面向Agent商业需求设计的开放技术协议（ACT协议），旨在为AI与电商、外卖等服务的协同打造“通用语言”，提升效率并降低对接成本[6][8] - 公司CEO认为，在AI时代，数字支付的基础设施必须进化，公司目标是打通AI时代支付的“最后一公里”[6][8] 行业竞争格局与资本投入 - 2026年伊始，人工智能竞争已成为深入核心领域的“军备竞赛”，阿里巴巴、腾讯、字节跳动等巨头均在AI赛道展开激烈竞争[1][9] - 阿里巴巴宣布未来三年投入3800亿元建设云和AI硬件基础设施，超过去十年投入总和，过去四个季度在“AI+云”基础设施领域的累计资本开支已达1200亿元[9][10] - 腾讯预计2025年资本支出将占收入的低两位数百分比，以腾讯的营收规模估算将达到千亿元左右，字节跳动则预计在2026年增加资本支出高达1600亿元人民币[10] 市场趋势与公司定位 - 2025年Gartner调研显示，中国企业计划大幅增加在生成式AI和AI领域的技术投资，平均增幅分别达到40.3%和33.3%，预计到2028年中国70%的大型企业将为LLM部署建立完善的治理框架[11] - 公司CEO认为，在金融、医疗健康等深度专业领域，通用AI不可能吃下所有，这些领域需要做精深，现在是“军备竞赛”，拼的是人才、技术和资金储备[12] - 经过战略沉淀，公司凭借“阿福”等一系列AI应用向市场展现了强势回归的底气，其战略演进始终紧扣“普惠”二字，2022-2024年公司研发投入占营收比重超10%[9][13]

公司产品发布与功能 - OpenAI正式推出旗下首款AI医疗产品“ChatGPT Health”，该功能开发历时近两年，历经全球260多名医生指导，以补充而非替代临床护理为原则[1][12] - 新功能可与苹果健康（Apple Health）等多个医疗应用联动，目前已对首批一小部分用户开放访问，未来几周将拓展至所有网页和iOS用户，其中电子健康记录部分仅在美国提供[1][12] - ChatGPT Health能以便于理解的语言解读包含化验结果、就诊摘要和临床病史的病历，并能整理用户数据以生成具体问题向医生提问[4][15] - 通过连接Apple Health等设备，新功能可以追踪用户的活动、睡眠和营养，并为接受GLP-1治疗的用户提供个性化的饮食指导[4][15] - OpenAI为新功能提供了独立的隐私空间，所有对话、已连接应用和文件均与其他聊天内容隔离存储[4][15] 技术基础与评估框架 - 2025年5月，OpenAI依靠全球260多名医生在30个重点领域提供的超过60万次反馈，建立了AI医疗评估框架HealthBench[1][12] - HealthBench框架收录了5000份真实医疗对话场景，在测试中OpenAI最强推理模型GPT-o3力压Grok 3和Gemini 2.5 Pro，比人类医生的回答率高出4倍[4][15] - ChatGPT Health建立于HealthBench框架之上[4] 用户基础与市场数据 - OpenAI报告称，每周有超过2.3亿人在ChatGPT上提出医疗健康相关问题[1][10] - 在OpenAI全球超8亿用户中，每四人中就有一人每周提交医疗保健相关问题，每日有超过4000万用户通过ChatGPT咨询医疗保健问题[7][18] 战略布局与高管引入 - 2025年8月，OpenAI高调招募了两位高管，宣告其进军医疗保健领域[5][16] - 引入的高管包括：市值超百亿美元的上市医疗社交平台Doximity的联合创始人兼前首席战略官Nate Gross，他将领导OpenAI的医疗战略[5][16] - 同期加入的还有前Instagram的产品联合主管Ashley Alexander，负责领导医疗保健产品[7][18] - 公司不再单一依赖通用型聊天机器人，而是在核心模型之上构建垂直模型，这被视作目前各家AI巨头竞争的关键[8][19] 合作伙伴与生态构建 - OpenAI与美国最大的实时数据公司b.well合作，帮助用户导入健康记录、财务信息以及可穿戴设备和其他医疗数据[8][19] - 谷歌也在2025年10月与b.well建立了合作关系，尽管其尚未为AI模型Gemini发布专门的健康功能集[8][19] 多元化业务布局 - OpenAI在医疗健康领域进行了广泛布局，涵盖药物研发、监管、临床辅助、患者管理及自主研发等多个领域[9][20] - 在药物研发领域，合作方包括赛诺菲与Formation Bio（AI驱动的药物开发模型）、礼来（新型抗菌药物研发）、Moderna（内部流程优化，创建750+AI智能体）以及Retro Biosciences（生物医药研发模型）[9][20] - 在监管领域，与FDA讨论在药物审批与监管中使用AI，以缩短药物上市时间[9][20] - 在临床辅助领域，与Color Health合作开发Cancer Copilot癌症筛查助手，可在5分钟内分析患者病历；与Penda Health合作开发基于大语言模型的Al Consult临床助手[9][20] - 在患者管理领域，与Oscar Health合作进行保险索赔自动化、医疗笔记处理等；与Summer Health合作提供儿科护理技术支持[9][20] - 在自主研发方面，GPT-5将包含健康顾问功能，HealthBench是开源的医疗大模型基准测试框架[9][20] 高层愿景与个人投资 - OpenAI首席执行官山姆·奥特曼强调，医疗健康是GPT-5最有意义并显著提升的功能之一[8][19] - 山姆·奥特曼本人是一名坚定的AI+生物科技信仰者，投资了Formation Bio、Retro Biosciences两家AI制药独角兽[9][20] - 他本人计划成立的脑机接口公司Merge Labs，正在探索通过基因改造脑细胞[9][20]

AI产业规模与代际演进 - 人工智能时代产业规模预计将比前一代（移动互联时代）至少大100倍[5] - 移动互联时代产业规模比PC互联时代至少大10倍[5] AI技术发展的五大新趋势 - 趋势一：AI技术从鉴别式、生成式走向智能体AI，过去7个月智能体AI任务长度翻倍且准确度超过50%[7] - 趋势二：预训练阶段规模定律放缓，更多工作转移至训练后阶段如推理和智能体应用，前沿模型智力上限仍在提升但迭代速度放缓[7] - 趋势三：物理智能和生物智能快速发展，VLA模型推动智能驾驶规模化落地，预计2030年10%车辆将具备L4功能[7] - 趋势四：AI风险快速上升，智能体出现使AI风险至少增加一倍[8] - 趋势五：AI产业新格局形成，呈现基础大模型+垂直模型+边缘模型架构，后两者未来发展空间更大[8] 大模型发展格局预测 - 预计2026年全球基础大模型约8-10个，中国占3-4个，美国占3-4个[8] - 中国大模型发展具独特性，表现为更快算法、更高效率、更低价格[8] - 未来开源模型将成为主流，开源与闭源模型比例预计为4:1[8] 成本与算力动态 - 过去一年推理成本降低10倍，但智能体复杂性使算力需求上涨10倍，形成乘数效应[7] 长期产业机遇 - 新一代人工智能是原子、分子和比特融合，是信息智能、物理智能和生物智能融合[3] - 具身智能快速爆发，预计2035年机器人数量有望超过人类[8]

文章核心观点 - AI视频生成应用Sora2在有限邀请制下迅速登上美国App Store免费应用榜首位，显示市场对AI视频生成的高度热情，全球科技企业正共同寻找能引爆市场的“超级应用” [1] - AI领域正分化为通用大模型和垂直模型两大阵营，2025年被视为人工智能应用元年，AI超级应用可能不止一个，中国厂商凭借应用场景和工程优化能力有望占据全球第一梯队 [3][5][10] AI行业发展路线 - 通用大模型如ChatGPT、Sora2正加速从技术提供商向应用平台服务商转变，通过构建生态系统和收购硬件公司（如OpenAI花65亿美元收购io）来扩大影响力 [3] - 垂直模型利用行业数据和知识在特定领域提供精准解决方案，例如彭博社的BloombergGPT和Cohere的Command-R模型 [5] - 业界普遍认为2025年是人工智能应用元年，AI正快速渗透各行各业，有影视公司使用Sora2后单部短剧成本降幅达30%-40% [5] - 通用大模型和垂直模型可能平行共生，通用大模型成为基础架构和流量入口，垂直模型在特定领域深耕形成互补优势 [6] - AI编程模型Cursor年重复经常性收入(ARR)已超5亿美元，美图秀秀的AI工具驱动公司整体付费率从2023年上半年的2.9%增加至2025年上半年的5.5% [6] 中国AI应用前景 - 中国科技公司拥有从1到N的产品能力，2024年中国电商零售规模已是美国的3倍，电商渗透率50%约为美国的2倍 [8] - 中国公司拥有AI应用运营推广优势，抖音“给豆包一张平平无奇的照片”热度超过1400万，可灵“快来惹毛我”话题播放量达7.2亿次 [9] - 中国AI产品具有成本优势，Sora2生成5秒视频需要0.5-2.5美元，比可灵等国产模型高出80%左右 [9] - 科大讯飞2025年上半年海外AI硬件同比增长超3倍，AI办公本在日本和韩国众筹平台成为销售额TOP1产品 [9] - 包括通义千问、腾讯混元、字节豆包、文心一言在内的中国先进大模型已开始构建自主技术生态 [9]

AI产业规模与代际演进 - 新一代人工智能是原子、分子和比特的融合，是信息智能、物理智能和生物智能的融合 [1] - 移动互联时代产业规模比PC互联时代至少大10倍，人工智能时代产业规模将比前一代至少大100倍 [1] AI产业发展五大新趋势 - 第一大趋势是从鉴别式AI到生成式AI，并走向智能体AI，过去7个月智能体AI的任务长度翻倍、准确度超过50% [3] - 第二大趋势是预训练阶段的规模定律（Scaling Law）放缓，更多工作转移至训练后阶段如推理和智能体应用，推理成本降低10倍，但智能体复杂性使算力上涨10倍 [3] - 第三大趋势是物理智能和生物智能快速发展，如VLA模型规模化落地智能驾驶，预计2030年10%的车辆将具备L4功能 [3] - 第四大趋势是AI风险快速上升，智能体出现后让AI风险至少增加一倍 [4] - 第五大趋势是AI呈现新的产业格局，形成基础大模型+垂直模型+边缘模型局面，未来更大发展在于垂直模型和边缘模型 [4] AI模型产业格局与预测 - 预计2026年全球基础大模型约有8至10个，其中中国有3至4个，美国有3至4个 [4] - 中国在发展大模型方面呈现独特性，表现为更快的算法、更高效率、更低的价格 [4] - 未来开源模型将成为主流，开源与闭源模型之间的比例预计约为4:1 [4] 具身智能发展预测 - 具身智能将快速爆发，预计到2035年机器人数量有望超过人类数量 [4]

文章核心观点 - AI产业快速发展将带来巨大产业机遇，其产业规模将比前一代至少大100倍 [1] AI产业发展新趋势 - 趋势一：AI技术从鉴别式、生成式走向智能体AI，过去7个月智能体AI的任务长度翻倍、准确度超过50% [3] - 趋势二：预训练阶段的规模定律放缓，更多工作转移至训练后阶段如推理和智能体应用，推理成本降低10倍，但智能体复杂性使算力上涨10倍 [3] - 趋势三：物理智能和生物智能快速发展，VLA模型推动智能驾驶落地，预计2030年10%的车辆将具备L4功能 [3] - 趋势四：具身智能快速爆发，预计2035年机器人数量有望超过人类，同时AI风险因智能体出现至少增加一倍 [4] - 趋势五：AI产业格局呈现基础大模型+垂直模型+边缘模型局面，预计2026年全球基础大模型约8-10个，中国占3-4个，开源模型将成为主流，与闭源模型比例约为4:1 [4]

采购模式 - 集合采购由平台统一归集下游订单后向上游集中议价采购 以规模优势降低成本 适合稳定的大宗需求 [1] - 拼单团购是多个买家组团以量换价 依赖即时成团 更适合灵活的小批量交易 [1] - 多多平台结合集合采购与拼单团购优势 通过订单反推实现低库存 高周转 [1] 算力布局 - 公司在新疆已备案部分算力资源 计划于今年完成部分算力部署 [1] - 算力未来将部分供给用于各类大模型和垂直模型适用 部分用于公司自身发展 [1]