中国大模型市场格局与调用量变化 - 根据OpenRouter数据，在9号到15号的一周内，中国大模型的调用量达到4.12万亿Token，首次超过美国模型的2.94万亿Token [1] - 调用量前五的模型中，中国占据四席，分别是MiniMax的M2.5、月之暗面的KimiK2.5、智谱GLM-5和DeepSeek V3.2 [1] - 市场出现战略分叉：BAT等公司将模型整合进搜索、电商、办公等现有业务，而Kimi、智谱、MiniMax等新势力则通过大量Agent拓展开发者生态 [1] 调用量激增的驱动因素与用户构成 - 调用量的激增主要源于全球开发者的使用，OpenRouter平台上美国开发者占47.17%，中国开发者仅占6.01% [2] - 驱动因素包括性能提升与成本优势：中国模型在代码编写、搜索等硬核领域表现已可比肩OpenAI和Anthropic的主力产品 [2] - 成本是核心优势：中国模型的调用成本仅为海外巨头的1/10到1/20，例如同样任务，使用Claude需100元，而使用MiniMax可能只需5元 [3] - 具体价格对比：MiniMax M2.5输入0.3美元/百万Token，输出1.1美元；智谱GLM-5输入0.3美元，输出2.55美元；Claude Opus4.6输入5美元，输出25美元 [4] 技术架构与效率优化 - 中国厂商采用混合专家（MoE）架构，根据任务只调用部分专家，实现了工程效率的极致优化 [3] - 阿里云等平台将顶级开源模型打包，推出首月7.9元的订阅，大幅降低了开发者的试错成本 [3] - Kimi K2.5能同时调度100个Agent分身，将复杂任务效率提升3到10倍；智谱GLM-5具备200K超长上下文窗口，适用于长时间任务 [3] Agent场景爆发与Token消耗逻辑转变 - Agent场景的爆发改变了Token消耗逻辑，从Chatbot的线性对话转变为任务执行中的反复推理推演，导致单次任务Token消耗呈指数级上升 [5] - 中信证券测算，智能体执行任务时，整体Token消耗可能提升十倍以上，对应的算力需求需增长百倍以上 [5] - OpenRouter数据显示，超过70%的Token消耗来自互联网大厂、中大型企业及专业程序员的生产环境 [6] - 在100K到1M Token的智能体典型工作流消耗区间，MiniMax M2.5的调用量遥遥领先 [6] 新势力厂商的财务压力与商业模式探索 - 新势力厂商面临严重亏损：智谱三年半亏损62亿元，MiniMax三年零三个季度亏损13.2亿美元（约95亿人民币） [8] - 算力成本占研发开支的70%到80%，形成“越卖越亏”的局面，每赚1元需付出5元多的算力成本 [8] - 行业探索从售卖API转向售卖结果，即Results-as-a-Service（RaaS）的按效果付费模式 [8] - 商业模式转变驱动行为变化：按Token定价促使厂商控制成本，按结果定价则促使厂商追求更高的通过率和转化率 [10] 按效果付费模式的落地场景 - **电商直播**：中科深智提供AI直播全托管服务，企业零成本开播，按GMV分成。案例显示，在同等投流ROI下，AI直播GMV可达头部真人主播的40%到50%，同时人力成本节省70%以上 [12][13] - **金融营销**：蚂蚁数科推出智能托管模式，银行设定目标后全流程由智能体执行，最终按交易规模增长的千分之二到千分之四收费。区域性银行是该模式的主要采纳者，占合作机构的三分之二 [14] - **工业领域**：在设备预测性检修、节能优化等场景尝试按实际节能效果收费，但大额复杂项目因效果难以衡量，仍采用传统模式 [15] 按效果付费模式的挑战与临界点 - 技术成熟度与采购主体变化是模式兴起的两个原因：技术能力提升，且采购方从科技部门转变为直接背负业务KPI的营销、财务等部门 [16] - **核心挑战在于效果归因**：企业业务增长是多因素共同作用的结果，目前缺乏统一标准精确量化AI的贡献度，基本只能一事一议 [18] - 实施按效果付费需重构商业逻辑，包括重新包装SKU、设计定价模型和签订合同 [19] - 该模式对厂商现金流构成巨大考验，需要先垫付算力成本，在效果达成后才能收款 [19] 行业成本结构与规模经济拐点 - 存在“杰文斯悖论”现象：过去三年主流模型的单位Token推理成本下降99%以上，但调用量暴涨导致算力总账单持续扩大 [20] - 海豚投研测算，为回本，云厂商需用算力创造1.2万亿美元收入，最终用户需靠AI创造2.4万亿美元经济价值，相当于美国GDP的7.5% [21] - 算力需求逻辑从训练转向推理，更关注单位Token的成本、能效和场景适配度，降低了竞争门槛 [22] - 主要云客户（如微软、亚马逊、谷歌、Meta）在购买标准GPU的同时，也在推进自研或扶持第三方专用推理芯片，2026年四家资本支出合计近7000亿美元 [23] - 中国新玩家积极布局低成本算力，如首都在线为智谱扩增GPU集群，弘信电子提供绿色算力直供，润泽科技支撑字节跳动的万亿级Token吞吐 [24] - 规模经济的拐点取决于“每花1元算力能收回多少钱”的比例何时超过1，当前算力成本占收入比例过高是主要财务风险 [24][26]

电话会议纪要分析总结 一、 涉及的行业与公司 * **行业**：大模型/AI行业、美股企业软件行业、云服务行业、传统硬件设备制造业、电力基础设施行业（核电/绿电/气电/电网/配电）、资源行业（关键矿产、油气、铀矿）、钢铁行业 * **公司**： * **大模型/AI公司**：OpenAI、Anthropic、XAI * **企业软件公司**：Salesforce、Workday、Adobe * **云服务厂商**：谷歌、亚马逊、Meta、微软、甲骨文 * **硬件设备制造商**：斯克、联想 * **电力与能源公司**：南方电力新、新资源能源、渡口能源、美孚、雪佛龙 * **装备与材料公司**：卡德比勒、鲍威尔工业、纽科 * **其他提及公司**：通用汽车、波音、康宁 二、 核心观点与论据 1. “脱虚向实”的“HALO交易”趋势及其延续性 * **核心观点**：市场存在从“虚”的资产（软件、云、硬件制造）转向“实”的资产（电力、资源）的交易趋势，即“脱虚向实”[2] * **“脱虚”资产面临的压力**： * **美股软件股**：受大模型公司争夺企业IT预算和估值竞争压制[1][2] * **云厂商**：AI资本开支优先级上升，压缩股东回报（回购与分红），冲击过去10年的投资范式[1][2][5] * **传统设备制造商**：受“AI税”（如存储涨价）影响，利润率下滑，盈利质量受扰动[1][2][6] * **“向实”资产的交易方向**：核心为“光电水矿油”，其中电力与资源两大方向最为集中[2] * **电力方向**：围绕AI扩张带来的电力基础设施建设需求，从发电侧（核电、绿电、气电）向全产业链（资源、装备、电网、材料）扩散[1][7] * **资源方向**：围绕关键矿产和原油的供给约束与政策驱动[2][8] 2. 软件股面临的压力与逻辑 * **压力来源**：大模型公司为冲击IPO与实现盈利目标（如2028年、2027年盈利），从企业软件公司手中争夺IT预算[3] * **核心逻辑**：大模型公司通过强调其产品对企业软件（如CRM、HR、设计工具）的替代性，并展示替代对象的巨大营收规模（如OpenAI对比Salesforce等公司2023年营收），来向投资者强化自身市场空间想象，从而压低软件股估值以抬升自身估值弹性[1][3] * **当前阶段**：仍主要是存量预算争夺，能否像去年算力板块一样转化为“增量逻辑”尚不确定，更可能体现为个股分化[4][5] 3. 云厂商的“AI保卫战”与投资范式冲击 * **确定性**：云厂商在现金流压力下（现金流转负）并未放缓AI投入，反而强化了资本开支必须做的信号，股东回报（回购与分红）被持续下调[5] * **行为模式**：以谷歌为例，倾向于基于成本与生态优势高举高打以震慑对手；其他云厂商也可能采取更积极的防御策略[1][5] * **对投资范式的影响**：过去10年支撑大资金配置云厂商的重要逻辑（稳定的股东回报）被压缩，导致市场对其估值框架产生不确定性和怀疑，引发波动与范式重估[1][5] 4. 传统硬件制造商的“AI税” * **具体含义**：指传统硬件与设备制造链条因AI发展导致的中间品（如存储）价格上涨，从而造成利润率下滑[2][6] * **财报验证**：2026年财报季已显示存储价格上涨带来的利润率下滑，例如斯克、联想等公司，即便指引乐观也未被市场认可[6][7] 5. 电力基础设施成为强势主线 * **市场表现**：美股风格从成长向价值切换，电力相关板块表现强势[1][7] * **传导链条**： * **发电侧**：核电、绿电、气电公司（如南方电力新）走强[7] * **装备与工程侧**：机械板块（如卡德比勒的燃气轮机业务）受益[7] * **资源侧**：铀矿、天然气、油气巨头（如美孚、雪佛龙）因电力公司上涨后的“打包配置”逻辑而蔓延走强[7] * **电网与配电侧**：配电板块（如鲍威尔工业）走强[7] * **材料侧**：钢铁公司（如纽科）因核能建设需求受到关注[7] * **政治与政策催化**： * **背景**：中期选举年，“还电于民”诉求强化，电力可负担性危机成为重要政治主题[1][8] * **事件**：冬季寒潮导致断电凸显矛盾；传闻特朗普政府考虑调整钢铝关税以降低居民生活成本；国情咨文要求科技大厂自建电力[8] * **具体行动**：特朗普将召集亚马逊、Meta、微软、谷歌、甲骨文（OpenAI）、马斯克（XAI）等科技企业高管，要求签署保证数据中心支付电费的承诺书[1][8] * **方向判断**：天然气被强调为主线，因其具备美国资源禀赋优势、相对环保与建设速度快的特点[8] 6. 资源竞争：关键矿产与原油 * **关键矿产**： * **美国资源外交**：特朗普政府拟利用五角大楼AI项目，为关键矿产设定排除特定国家干预的参考价格，并试图建立由关税支撑的全球贸易联盟，目标是“保供且保价”[2][8][9] * **机制**：建立关键矿产优惠贸易区，设定基准价格下限，通过关税和战略资源储备调节价格，建立“高确定性的价格脱离机制”[9] * **需求测算**：以铜为例，若按满足60天进口需求的“安全库存”口径，需30万吨库存；若主要消费国同步补库，可能贡献百万吨级别的需求[10] * **细分方向**： * **高进口依赖度资源**：参考美国地质勘探局报告，从中国进口依赖度大于50%的资源品，包括稀土、铋、硼、锑、石墨、砷、钨、锗、钽、镓等[11] * **企业参与线索**：在“金库计划”（120亿美元关键矿产资源储备）和“新工计划”框架下，跟踪通用汽车（钴锂镍）、波音（稀土）、康宁（硅）等公司及三大贸易商参与过的镍、铜、钨、锂矿项目[12] * **原油方向**： * **判断反转**：认为原油底部可能已经探明[2][13] * **关键论据**：美国石油产量已开始同比转负，为2021年以来首次，可能由于二叠纪盆地地质约束导致供应受限，使得“Drill Baby Drill”政策在物理层面遭遇阻碍[2][13] 三、 其他重要内容 * **市场风格**：除了电力，同步走强的方向还包括“跟光沾光”的板块，如CPU及核心组件、光纤，以及美股液冷趋势，整体可归纳为“光和电”[7] * **软件股机会**：软件叙事已演绎较久，阶段性存在错杀可能，后续需更多依赖自下而上的优选[3] * **原油参与建议**：提及若新叙事成立、底部探明，相关板块股票可以给予深度价值去参与[13]

AI叙事转变的三大层次 - 第一层叙事：对Scaling Law出现分歧，源于物理约束（如电力）、数据瓶颈和边际效率衰减，技术焦点转向算法拓展[5] - 第二层叙事：市场从奖励资本开支转向担忧投资回报，美国大型科技公司2026年AI相关资本开支或超7000亿美元[6] - 第三层叙事：担忧AI颠覆性从变革搜索（Chat时代）、变革软件（Agent时代）演进至颠覆宏观范式（全面AI时代），可能替代劳动力要素[7][8] 市场担忧与投资逻辑转变 - 市场担忧呈现矛盾：既担心AI变现太慢，又担心AI颠覆性太强，导致在恐慌情绪下对高估值板块进行线性外推[10] - 美国五大超级云厂商2026年约90%的经营性现金流将用于资本开支（2025年为65%），部分公司自由现金流转负风险增加[6] - 美国科技巨头2026年债券发行总额或高达4000亿美元，债务融资敞口快速增加[6] 反驳观点与未来展望 - 存在反驳宏观颠覆的观点：如“杰文斯悖论”认为效率提升会刺激新需求，AI在非标化任务上替代成本高，且社会适应力强[11] - AI变革过程不会一蹴而就，投资者需从“买一篮子AI”转向精细化筛选标的，关注变化的时间表、边界和结构性机会[11] 投资筛选建议视角 - 硬件层：关注供给约束最紧、定价权强的环节，如存储、电网、变压器、先进封装产能和光纤[12] - 模型层：筛选逻辑偏向拥有独占私有数据、极低成本推理基础设施及强大工程落地能力的公司[12] - 应用层：优先关注能快速落地、量化AI降本增效ROI、切入核心工作流或垂直领域的AI原生应用[12] - 关注中美AI路线差异：中国更强调“算力效率优先”和产业赋能，美国短期“替代性”冲击更强，长期关注制造业恢复[14]

报告核心观点 - 美国独立金融研究机构CitriniResearch发布《2028年全球智能危机》报告，核心观点认为AI的过度发展可能导致人类经济顶不住，引发经济危机[1] - 报告采用倒叙手法从2028年回顾2026年，其逻辑被认为具有说服力，报告发布后阅读量已破千万，并引发市场震动[2][5][6] 报告描述的危机传导机制 - AI替代人工导致成本极低且效率极高，企业将选择用AI替代人力，导致大规模失业和居民消费能力下降[6] - 出现“幽灵GDP”现象：企业营收和GDP数据增长，但实际消费收缩、订单减少，真实经济活动降温[8] - 企业因消费者没钱而营收下滑，进而继续降本裁员并更多使用AI，形成恶性循环[8] - 失业导致个人断供增加，引发房产抛售和房价猛跌，银行抵押资产贬值，金融机构收紧信贷，企业融资更困难，进一步加剧经济恶化[8] - 最终可能导致整个金融系统危机，包括银行资产缩水、债券爆雷和信用冻结[8] 对特定行业与公司的直接影响 - 报告点名公司如Visa、DoorDash、ServiceNow等股价纷纷大跳水[2] - 报告引用真实案例：2025年中，某世界500强公司在与SaaS供应商续约时，因使用OpenAI的AI工具可快速制作替代方案，迫使原供应商不仅未能涨价5%，反而接受七折续约[10] - 此案例表明，AI工具即使不能完全替代企业级软件，也已对传统SaaS企业的定价权和商业模式构成冲击[10] - SaaS企业若因此赚不到钱，可能被迫采取裁员提效的措施[12] 潜在的解决方案与未来社会形态 - 解决问题的关键在于财富分配规则，而非技术本身，需确保钱能回到人手中以维持经济运转[12] - 报告推演财富将向掌握算力和资源的寡头无限集中，当普通人失去出卖劳动力的资格，消费停滞将导致社会陷入困境[12] - 经济学家提出“起点收入”概念，本质是向机器的产能征收“AI税”，例如AI每多赚100元即按比例抽取部分回流给所有人，以此作为调节社会生产的阀门[12] - 未来可能出现转折：工作成为奢侈品，绝大多数人面临的困境将是无事可做的空虚，而非贫困[15] - 高质量人类的工作将保留，AI将低技能工作干成“地板价”[15] 对报告逻辑的质疑与不同观点 - 报告创作者之一指出报告不一定完美，并提出三点缓和因素：若裁员缓慢发生、给予转行适应时间，则冲击减小；AI可能像过去技术革命一样催生新岗位；提前推出“起点收入”等政策可化解风险[15] - 报告可能低估人类社会韧性，其“AI替代人-需求消失-经济崩溃”的线性逻辑可能不成立[17] - 引用“杰文斯悖论”：当资源变得更高效便宜，消耗量往往不降反升，例如蒸汽机提高煤炭效率后煤用量更多，Excel提升效率后财务数据分析岗位大爆发[17][19] - AI带来的效率提升可能释放更高级的需求，创造新岗位[19] - 英伟达黄仁勋认为人不会被AI替代，而是被AI放大，AI Agent需要人来指挥以实现更高层次的生产与创造[19] - 报告假设AI Agent会帮人类做出最优消费决策（如永远买最便宜商品），摧毁商业溢价，但现实是人类消费包含非理性因素，如情绪、立场等，这是AI难以替代的[21] - 某些行业如医疗、金融、法律，AI难以完全替代人类，因为其护城河不仅在于信息差，更在于责任归属，只要法律不承认AI担责，人类角色就无法被彻底端掉[22][23][24] 总结性观点 - 报告真正令人担忧之处在于人类可能坐视技术和资本无序发展而不采取行动[25] - AI可能导致财富集中和经济崩溃风险，但历史表明技术不是终点，规则（如税收、分配、责任认定）才是决定其为危机或红利的关键[25] - AI既可以是清场者，也可以是赋能工具，未来是否崩溃关键在人[26]

文章核心观点 - 文章认为，在AI驱动的后AGI时代，人类有偿就业不会终结，因为人类对地位和稀缺性的追求将创造新的经济需求，即“凡勃伦商品”，这些商品的价值源于其排他性和人工制造属性，而非生产效率，从而为人类劳动提供持续存在的空间[1][7][8][9] 历史与现代社会财富定义演变 - 在工业革命前的古代和中世纪社会，财富并非由金钱定义，而是由社会等级和可支配的下属数量决定，例如拥有更多可以发号施令的人（如孩子）被视为财富[2] - 现代社会通过经济网络和金钱实现专业化交换，创造了比古代更富裕、物质生活更舒适的社会，但人类对地位的渴望依然强烈[4] 后AGI时代的经济学争论 - 一种观点认为，一旦AI能比人类更高效、更廉价地完成所有工作，除非进行大规模财富再分配，否则人类将陷入赤贫[1] - 文章反驳上述观点，其核心论点是最终的商品消费者在乎产品是由人还是机器生产，人类文化有能力创造足够的稀缺性来维持就业[1][8] 地位竞争与稀缺性创造 - 在物质丰裕的富裕社会，人类非常在意序位排名，因此需要人为创造稀缺来进行地位竞争，这种竞争与择偶关系不大，且变得越发深奥和古怪[6] - 地位商品的典范是凡勃伦商品，其需求曲线与传统相反，价格越高需求越大，价值源于其稀缺性和作为地位信号的功能[7][8] - 例如，爱马仕铂金包的价格从1万美元到50万美元不等，其价值源于排他性（不透明的候补名单长达数年）和人工制造（由250名工匠耗时数小时打造）[7][8] AI驱动经济下的人类就业前景 - 即使AI和机器人在经济产出中占据主导地位，人类有偿就业不会终结，关键在于人类能否创造足够的凡勃伦商品来雇佣足够多的人进行生产[8] - 人类在为了地位游戏而制造稀缺性方面表现出惊人的创造力，且这种趋势正在加速，人类越来越稀缺（如生育率下降）只会强化这一趋势[9] - 未来人类可能珍视由其他人类手工制作的、具有极高价格和稀缺性的物品，例如价值15万美元、由火星粘土手工制作的咖啡杯[9]

2026年2月AI行业密集发布与格局转折 - 2026年2月被视为一个潜在的历史性转折时刻，全球最重要的AI公司集中发布了重量级新模型，引发了强烈的FOMO（错失恐惧）情绪 [1] 主要模型发布与性能表现 - 在半个月内，行业见证了Claude Opus 4.6、GPT-5.3-Codex、Seedance 2.0、Kling 3.0、Seedream 5.0、Qwen-image 2.0以及GLM-5等一系列重要模型发布 [2] - GLM-5突然发布，空降Artificial Analysis开源模型榜第一名，性能仅次于Claude Opus 4.6和GPT-5.2 (xhigh) [2] - GLM-5的涨价被视作标志性转折点，表明模型足够强大且需求增长迅速，其排队量已远超计划 [4] - 来自中国的模型在质量和数量上均已进入全面抗衡乃至交替领先的阶段，在当月发布的突破性模型中，超过半数由国产厂商摘取 [5] GLM-5的突破与市场影响 - GLM-5在发布前一周，以代号“Pony Alpha”在OpenRouter平台匿名上线，因其强大的编程能力迅速登顶热度榜 [6] - GLM-5在Coding（编程）和Agent（智能体）两个方向表现最佳，这是大模型能力竞争的后移关键领域 [6] - GLM-5在Agent能力相关测试（BrowseComp、MCP-Atlas、τ²-Bench）中均取得最高成绩 [7] - 在模拟经营测试Vending Bench 2中，GLM-5作为开源模型获得第一，最终账户余额达到4432美元，经营表现接近Claude Opus 4.5 [7] - GLM-5集成了DeepSeek Sparse Attention技术，在维持长文本效果无损的同时大幅降低了模型部署成本 [18] - GLM-5具备复杂的工程和长程Agent任务能力，是国产厂商中率先跟上AI尖端趋势的模型，能够实现自主构建系统，标志着大模型进入架构师深水区 [12] 行业标杆对比与竞争态势 - Seedance 2.0和GLM-5是当月最耀眼的双子星，分别代表国产大模型在视频生成和执行能力两大核心赛道实现SOTA（当前最优）突破 [10] - Seedance 2.0改写了视频生成的底层逻辑，AI不仅能补画面，还能补分镜头、情节和节奏 [10] - Anthropic的ARR（经常性年化收入）增长值预计将在2026年Q1首次超过OpenAI，并有望在2029年成为全球收入最高的AI公司 [10] - Anthropic几乎未进入消费级市场，其Claude周活不到1000万，主要依靠服务付费市场和API调用，收取“Tokens税” [10] - Anthropic的价值预期建立在模型在商用场景断档领先的假设上，但GLM-5的出现提供了同级替代品，其API成本仅为Claude Opus 4.6的1/10 [6][11] - 市场供给丰富后，用户可能行使选择权，这可能会动摇Anthropic收取最贵“Token税”的基础 [11][12] 市场路径与行业展望 - AI行业的2C（对消费者）和2B（对企业）路径分野明显：2C是产品之争，2B是模型之争 [13] - 在2B市场，模型性能与创收成正比，是一个更纯粹的研究型团队赛场 [13] - 2026年被行业共识认为是越过临界点的大年 [14] - 中国AI公司如智谱、MiniMax已上市，Kimi也展现出顽强生命力，反驳了“六小龙”会因资本不足掉队的说法 [17] - 技术上限的成熟将把“杰文斯悖论”原理扩张到极致，推动千行百业重塑 [17] - 开源协作具有重要意义，中国企业在路线创新上贡献增多，具有启发性 [18]

文章核心观点 - 软件行业正经历从“耐用品”向“快消品”的根本性转变，软件不再默认长期存在，而是围绕具体任务被快速生产、快速消耗 [1] - 这一转变由软件生产成本、组织方式与商业模式的同步变化推动，是AI时代生产效率提升后的必然结果 [1][22] 从反直觉现象看起：软件为什么开始“用完即弃” - 出现大量生命周期极短、规模极小的软件应用，例如为零时活动或家庭需求开发，用完即删 [2] - 企业端为应对促销活动、旺季周期、临时产线或监管检查等需求快速搭建内部系统，任务完成后即被弃用或整体重构，而非长期维护 [3] - 零代码平台、AI代码生成和云资源按需计费使软件开发成本从“数十万、数月”下降到“几百元、几天”，催生了大量原本不值得系统化的需求 [4] - 根据“杰文斯悖论”，AI让代码生产极其廉价并未减少软件开发，反而推动软件进入更多场景，导致软件数量膨胀而单个软件生命周期缩短 [4] 四个正在同时发生的结构性变化 - **软件形态转变**：软件从长期运行的系统转向以完成一次任务的能力出现，例如多智能体平台自动拆解任务并交付结果，或制造业中智能体以秒级响应完成任务后即进入下一次调用，软件成为被反复消耗的生产要素 [6] - **主导权转移**：低代码/无代码平台普及使业务部门开始主导系统搭建，Gartner与IBM研究指出约70%的新应用将在2025年前后通过低代码或无代码方式完成，国内平台已支撑百万级企业用户 [7] - **成本对比变化**：AI开发工具改变了维护与重写的成本对比，使整体重写比持续维护更划算，例如某互联网公司将90天开发周期压缩至30天，内部系统在一年内经历多次整体替换 [8] - **商业模式演进**：结果付费模式为短生命周期软件提供商业合理性，企业更愿为可量化的业务结果付费，如AI客服按销售提升分成、工业设备按产出计费 [9] To B软件行业正在承受的四重冲击 - **产品标准失效**：传统围绕架构优雅、长期可扩展性、易于维护的“好产品”标准正在失效，企业更关注交付速度、结果可量化验证及弃用重建成本是否足够低 [11][12][13] - **研发模式转向**：研发从围绕统一系统持续演进转向重心前移至组件、模板、工作流及智能体协作规则的设计，目标是搭建高效率的生产线以快速组合和复制能力 [14] - **定价逻辑变化**：按年订阅、按账号收费的模式合理性下降，厂商开始尝试按结果付费、按任务计费或按调用量计费，使成本与业务价值直接对应，削弱了对年度经常性收入的高度依赖 [15] - **客户关系演变**：客户关系从长期绑定走向项目制协作，厂商更多扮演高效执行者和能力提供者，需通过效率、结果和专业度持续赢得合作，而非依赖系统迁移成本形成锁定 [16] 边界与代价：哪些软件不应被消费品化 - **适用场景**：消费品化模式适用于个人微需求、部门级临时项目、探索性验证及流程清晰、结果可快速检验的任务型场景，价值体现在及时完成任务 [17] - **不适用边界**：核心业务系统、安全与合规系统、金融交易、医疗、航空航天等高可靠领域必须坚持长期可维护的软件逻辑，稳定性、可解释性、可追责性高于交付速度和灵活性 [18][19] - **潜在风险**：在不具备条件的领域盲目推动消费品化可能累积技术债务、削弱对关键流程的理解，并在合规和安全层面留下难以追溯的风险 [20] - **未来格局**：软件行业将呈现分化格局，一端是强调速度、低成本和结果导向的快消品软件，另一端是强调质量、稳定性和长期价值的精品系统 [20] - **企业所需能力**：企业需要具备区分和匹配不同软件形态的能力，而非在两者间二选一 [21] 结语 - 软件消费品化是AI时代生产效率提升后的必然结果，当代码生成成本趋近于零，软件数量必然爆发，生命周期必然缩短 [22] - 趋势既带来数字垃圾和技术债务的风险，也释放了低成本构建工具、验证想法的创造力 [23][24] - 关键在于建立判断力，以决定哪些软件应该快、哪些必须慢，哪些可以用完即弃、哪些值得长期投入，这种分层能力将决定企业与软件厂商在新周期中的位置 [24][25]

文章核心观点 - AI智能体（如Anthropic的Claude Cowork）和高效低成本模型（如DeepSeek R1）的出现，对传统SaaS软件公司的商业模式构成了根本性挑战，可能引发行业价值重估和长期结构性调整 [5][7][10] 市场恐慌事件比较：DeepSeek恐慌与Cowork恐慌 - **DeepSeek恐慌（2025年1月）**：DeepSeek发布训练成本仅为560万美元的R1推理模型，引发市场对美国科技巨头巨额AI投资价值的担忧，导致英伟达股价单日暴跌17%，市值蒸发近5890亿美元，纳斯达克指数下跌3.1% [6][7] - **Cowork恐慌（2025年2月）**：Anthropic推出通用AI智能体Claude Cowork及其开源插件，引发市场对传统企业软件专业知识价值被替代的担忧，导致汤森路透单日暴跌15.8%，标普500软件与服务指数五个交易日下跌近13% [5] - **两次恐慌的异同**：两者传导路径相似，均有市场反应过度之嫌；但本质不同，DeepSeek是“从1到n”的成本挑战，Cowork是“从0到1”的用例创新，后者的影响可能更为持久 [9][10] - **市场表现差异**：DeepSeek恐慌在一天内基本消化，英伟达次日反弹9%；Cowork恐慌引发的软件股抛售蔓延了整整一周，并扩散至全球市场，且无缓解迹象 [11] 传统SaaS商业模式面临的挑战 - **定价模型脆弱**：传统按人头（席位制）的收费模式在AI提升效率、可能导致企业缩编时面临收入下降风险 [14] - **计费模式转型**：SaaS公司正纷纷从买断制转向按用量计费，PricingSaaS 500指数显示，前500家公司平均每年发生3.6次定价变动，79家公司提供基于点数的定价，同比增长126% [15] - **混合模式效果最佳**：采用基础月费加超额买点卡的混合模式报告最高中位增长率为21%，表现优于纯订阅和纯用量计费产品，46%的SaaS公司结合了订阅与可变收费 [17] - **AI功能涨价受阻**：企业对传统软件捆绑AI并涨价的行为抵制强烈，例如部分团队拒绝为员工支付每月30美元的365 Copilot费用，微软因“强制捆绑AI”及隐藏低价方案遭到起诉并引发客户不满 [17] - **AI转型低效**：传统软件巨头试图在现有产品中嵌入AI，但往往功能堆砌、无人使用，其AI转型的笨拙与AI原生初创公司形成鲜明对比 [17] AI原生初创公司的崛起与传统SaaS的衰落 - **融资与估值**：AI原生初创公司获得大量融资，例如法律AI公司Harvey在2025年两次融资各3亿美元，估值达50亿美元；企业搜索AI公司Glean估值达72.5亿美元 [18] - **市场表现差距**：2025年，AI应用层占据超过一半的企业AI支出（190亿美元），其中AI原生初创公司的收入几乎是传统软件厂商的两倍，其中位年增长率达到100%，而传统SaaS公司仅为23%，差距达4.3倍 [18] - **传统SaaS的“三步灭亡”模式**：以Chegg为例，第一步是否认AI有效；第二步是宣布接入AI但效果不佳；第三步是走向灭亡，其订阅用户从2022年高峰的530万骤降至2025年的320万，股价从高点跌去99%，市值从147亿美元萎缩至约1.56亿美元 [22][23] 未来趋势：Vibe Coding与企业自建工具 - **降低开发门槛**：Vibe Coding（用自然语言生成应用）若走向成熟，将促使个人和企业倾向于自己制作工具而非购买第三方SaaS产品 [20] - **企业适应速度**：当新事物部署成本足够低时，企业适应速度很快，例如社交网络普及后企业官网更新减少，Threads上线后企业迅速将其加入运营列表，以及2025年初企业纷纷接入DeepSeek [21] - **对低代码平台的冲击**：基于规则的低代码/无代码平台已成为AI模型能力进化的牺牲品 [21] - **传统软件业的剩余价值**：未来传统软件业的最大价值可能在于处理客户非标需求、通用AI产品不愿做或客户自己无法通过Vibe Coding实现的“脏活累活” [24]

文章核心观点 - 全球软件股因Anthropic推出通用AI智能体Claude Cowork而遭遇抛售 市场担忧AI智能体可能颠覆传统SaaS软件的商业模式 导致专业知识与垂类经验积累的价值受损 此次“Cowork恐慌”与一年前因DeepSeek引发的“DeepSeek恐慌”相似但可能更为持久 [1][2][4] - 传统SaaS软件行业面临来自AI原生应用、定价模式转变及企业自建工具趋势的多重结构性挑战 其商业模式和价值可能被逐步侵蚀 [6][7][11] 市场恐慌事件比较 - **DeepSeek恐慌 (2025年1月)**: DeepSeek发布低成本推理模型R1 训练成本仅为560万美元 引发市场对科技巨头巨额AI投资价值的质疑 导致英伟达股价单日暴跌17% 市值蒸发近5890亿美元 但恐慌在一天内基本消化 英伟达次日反弹9% [2][5] - **Cowork恐慌 (2025年2月)**: Anthropic推出可操作电脑文件的通用AI智能体Claude Cowork及其开源插件 引发对SaaS软件公司未来的担忧 导致标普500软件与服务指数连续五个交易日下跌近13% 较10月高点跌去26% 汤森路透等多家软件公司股价单日暴跌10%-20% 此次恐慌已蔓延一周且尚未缓解 被认为可能比DeepSeek恐慌更持久 [1][4][5] 对传统SaaS商业模式的冲击 - **定价模型脆弱性**: 传统软件按人头计费(席位制)的模式在AI提升效率可能导致企业缩编时面临收入减少的风险 SaaS公司正纷纷转向按用量计费 2025年排名前500的SaaS公司平均每年发生3.6次定价变动 其中79家提供基于点数的定价 同比增长126% [7][8] - **混合计费模式效果最佳**: 采用基础月费加超额买点卡混合模式的产品报告中位增长率最高 达21% 表现优于纯订阅和纯用量计费产品 46%的SaaS公司结合订阅与可变收费 [9] - **AI功能涨价遭抵制**: 传统软件加入AI后涨价逻辑遭到客户强烈抵制 例如部分企业拒绝为员工支付每月30美元的Microsoft 365 Copilot费用 微软因“强制捆绑AI”及隐藏低价方案遭到起诉 并宣布从2025年7月起对商业套件每人每月强制涨价3美元 [9] 行业竞争格局变化 - **传统软件公司AI转型低效**: 许多传统软件巨头在现有产品中嵌入AI的尝试往往笨拙低效 功能堆叠但无人使用 [9] - **AI原生初创公司快速崛起**: 在传统软件涉及的领域 从头开始的原生AI智能体初创公司获得大量融资 例如法律AI公司Harvey在2025年两次融资各3亿美元 估值达50亿美元 企业搜索AI公司Glean估值达72.5亿美元 [10] - **市场份额与增长差距**: 2025年AI应用层占据超过一半的企业AI支出(190亿美元) 其中AI原生初创公司的收入几乎是传统软件厂商的两倍 AI原生初创公司的中位年增长率达100% 而传统SaaS公司仅为23% 差距达4.3倍 [10] 潜在威胁与发展趋势 - **企业自建工具趋势(Vibe Coding)**: 如果“Vibe Coding”(用自然语言生成应用)走向成熟 企业可能倾向于自己制作工具而非购买第三方SaaS产品 只要新事物部署成本足够低 企业的适应速度并不慢 [11] - **传统软件公司的“三步走向灭亡”模式**: 以在线教育公司Chegg为例 第一步是否认AI有效 第二步是宣布接入AI但效果不佳 第三步是走向灭亡 Chegg订阅用户从2022年高峰的530万骤降至2025年的320万 股价从2021年高点113美元跌去99% 市值从147亿美元萎缩至约1.56亿美元 [12] - **传统软件业的未来价值**: 传统软件业的最大价值可能转向处理客户非标的、AI通用产品不愿干的“脏活累活” 但这并非性感的商业模式 而AI模型需持续提升编程能力 减少幻觉 直到达到用户不在意的临界点 [13]

01. 7% 的 GDP 增速预测依旧保守，未来 GNI 才是主流经济指标？ - 公司创始人基于人工智能、机器人、储能等五大技术平台的融合趋势，预测全球GDP增长率有望达到7%，并认为此预测可能仍显保守 [5] - 历史上，全球实际GDP增速在缺乏技术创新的1500年至约1900年间长期仅为0.6%，后因铁路、电力等核心技术普及，在约125年间将增长率推升至3% [5] - 当前五大平台的协同效应被认为将推动增长率进一步翻倍至7%，且7%的增速可能只是一个起点 [5] - 现行GDP统计体系存在严重滞后，大量技术驱动的产出成为账面上的“隐形劳动” [6] - 例如，以前无偿的家庭内部劳动未计入GDP，但未来通过购买机器人服务，这些活动将转化为可衡量的国民收入，创造巨大的GDP账面增量 [6] - 若AI治愈癌症，原本庞大的医疗开支消失会导致GDP数据缩水，但这本质是人类健康净值的提升，而非经济衰退 [6] - 衡量进步的核心应回归到由技术驱动的生产力增长，历史上软件技术最终创造了超越旧有统计范畴的惊人财富 [7] - 技术带来的生产力爆发会引领经济进入良性的通缩轨道，技术进步促使商品价格大幅下降，从而激发出爆炸式的市场需求 [8][9] - 若GDP不再能准确衡量进步，人均生产力才是观察未来的关键，同时传统的标普500指数已无法定价此类创新价值 [9] - 标普和纳斯达克的头部公司基于过去的成功经验，其纳入新技术的机制极为滞后，必须在看到既成的利润后才会行动 [10] - 公司旗舰基金ARKK过去两年的年化回报率已达31%至33%，并预判颠覆性创新在未来五年将保持35%的复合增长 [11] - 放弃GDP后，最能准确衡量进步的单一指标是GNI（国民总收入），因其源自税务数据，通常比GDP更能准确反映真实财富 [12] - 在技术剧变期，产出端（GDP）很难完全捕捉技术溢价，而收入端的GNI则能有效捕捉这些财富的流向 [12] - 当前约2%的官方生产力增速被严重低估，这种数据失真可能导致政策制定者高估通胀并犯下决策错误，关注GNI才能精准反映技术驱动下的真实财富现状 [12] 02 . 经济活动的本质就是能源的转化？ - 结合“杰文斯悖论”指出，AI成本下降将驱动单位需求显著增长 [13] - 核能、太阳能及电池技术的进步将构成未来能源结构的关键支柱 [13] - 回顾20世纪70年代以来，美国和日本的过度监管导致了核能行业的技术停滞和成本攀升 [13] 03 . 汽车行业如何进化为涵盖范围更广的「机器人行业」？ - 早期风险投资界错失了Uber的投资机会 [4] - 传统车企因内燃机和人工驾驶的“基因”导致难以转型 [4]