报告行业投资评级 未提及相关内容 报告的核心观点 - 数字经济发展促使移动通信技术与人工智能深度融合，催生出移动人工智能时代，其成为全球数字和智能发展的关键驱动力 [4][5] - 移动AI基于“网络与AI双向赋能”，构建新型服务体系，释放经济和社会价值，推动产业数字化和智能化转型 [10][31] - 移动AI具有“三层四维”架构，各维度相互作用，形成闭环进化系统，支持其实现愿景 [6][50] - 为实现移动AI大规模部署，需从基础设施、频谱、技术、终端和标准化等方面构建支持体系 [110][111] 根据相关目录分别进行总结 执行摘要 - 移动AI以网络与AI双向赋能为原则，核心价值是负责任的AI及安全可信，目标是实现人工智能无处不在、值得信赖且易于使用 [3] - 数字经济发展推动移动通信与AI融合，催生移动人工智能时代，其成为全球数字和智能发展关键驱动力 [4][5] - 白皮书阐述移动AI价值、定义、架构等，呼吁协作行动，未来将从融合应用向原生共生进化，成为全球数字经济高质量发展基石 [7] Mobile AI的价值 经济价值：通过融合释放大规模潜力 - 5G/5G - A网络部署和AI扩散推动移动通信与AI深度融合，移动AI应运而生，构建新型服务体系，重塑工业和社会发展 [10] - 移动通信与AI相互促进，成为全球数字经济发展核心引擎，两者融合打破产业边界，激发市场潜力 [11] - 全球移动通信进入5G规模发展阶段，5G用户增长迅速，预计到2030年，移动通信行业对全球经济贡献将增至近11万亿美元，占全球GDP的8.4% [12][13] - 人工智能投资和市场规模加速融合，消费者端GenAI应用广泛，企业端AI市场呈爆炸式增长，6G设备连接数和无线接入网基础设施投资将大幅增加 [19][21][24] - 全球移动运营商收入预计稳定上升，资本支出将着重释放5G潜力和推动企业数字化转型，人工智能应用推动网络流量增长，促使运营商战略转型 [27][28][32] 社会价值：负责任、包容、安全的AI进步 - Mobile AI深度融入社会运作，社会价值体现在赋能社会治理、推动人工智能普及和促进合规安全治理三个维度，构建公平、包容、可靠和可持续的社会发展生态系统 [35] - 推动社会治理智能化升级，构建治理体系，实现治理模式转变，提高运营效率和公众满意度，增强应急响应能力 [36] - 推广人工智能技术普适性接入和民主化，打破硬件、技术和场景限制，使AI成为普惠资源，惠及不同人群和行业 [37] - 授权AI合规性、安全性和可控性，为智能设备提供远程监控和安全接管能力，建立合规和安全保证系统，促进AI治理网络形成 [38] 移动人工智能的内涵 总体架构 - 移动AI基于“网络与AI双向赋能”，遵循“负责任AI”和“安全与可信”理念，构建“三层四维”架构，实现技术到产业价值的全程整合和持续迭代 [40] - “三层”包括基础层、执行层和应用层，定义从基础设施到价值创造的垂直路径；“四维”包括人工智能网络、移动AI代理/设备、移动人工智能应用，构成动态循环，支持移动AI愿景实现 [42][45][50] 人工智能网络 - 移动AI推动网络规划从“静态设计”向“动态增长”转型，解决传统规划痛点，为数字社会基础网络提供支持 [47] - 移动AI通过持续学习和闭环协调推进运维向高效自主进化，实现网络自我优化和自我修复，提升网络运营效率和稳定性 [52] - 移动AI重塑网络优化系统，将离线算法升级为在线能力，实现端到端多目标优化，推动网络向“自主、精确、高效”转型 [54] - 移动AI构建协作智能运营系统，打破系统壁垒，实现跨模块互操作和协作，提升用户体验和价值，为网络运营创新开辟新路径 [56] 移动人工智能代理/设备 - 移动人工智能代理与设备涵盖多种形式，通过设备 - 边缘 - 云协同计算，克服单设备资源限制，实现智能服务民主化和个性化交付 [51] - 移动AI具身智能通过“终端 - 边缘 - 云”协同混合架构解决家用智能机器人、智能工厂多机器人协作和机械导盲犬等场景的核心挑战，实现适应性、协作性和成本效益的统一 [73][75][76] - 移动AI智能手机、可穿戴设备和代理根据终端智能化水平分为五级，目前L3人工智能代理加速发展，预计到2030年终端系统有望达到L4能力 [79] - 移动AI为终端代理构建高效运营和生态系统协同系统，解决终端代理面临的挑战，推动人类 - 计算机交互范例转变，促进智能服务广泛应用 [82] - 移动AI通过结合“轻设备 + 重云”架构和全球eSIM连接解决轻量级智能终端面临的挑战，推动移动AI代理终端全球化和民主化 [86] - 移动AI通过“核心终端 + 边缘外设 + 云支持”分布式代理系统架构解决多设备功能扩展问题，促进可穿戴设备向协同智能系统演变 [87][89] 移动人工智能应用 - 移动AI突破设备和空间限制，推动智能应用在消费者和企业领域深度渗透，提升数字消费体验和生活质量，提高生产效率和工业韧性 [91] - 移动AI为消费者领域带来数字化消费升级、沉浸式体验创新、多样化终端开发和主动智能服务发展等好处，提升社会运营效率和个人生活质量 [94][95][96] - 移动AI为企业领域的智能制造、智能交通、智能医疗、城市治理和能源与电力等行业提供解决方案，解决行业痛点，推动行业数字化和智能化转型 [97][99][106] 向移动人工智能 基础设施提升 - 基础设施提升是移动AI大规模部署的关键基石，通过提升通信网络能力和优化计算资源分配，构建底层保障系统，满足移动AI多样化场景需求 [113] - 提升基本通信网络能力，围绕高带宽、低延迟、海量连接和高可靠性四个维度升级，建立动态适应机制，满足不同场景需求 [115] - 提升计算能力，构建分层、协作的“设备 - 边缘 - 云”计算能力供给系统，适应全场景计算需求，提高计算资源利用率和服务响应速度 [117] 波段保证 - 频谱是移动AI服务数据的基础资源，频谱策略需双轨并行演进，追求“新频段规划”和“现有频谱优化” [114] - 推广中频段成为全球统一新主要频段，探讨毫米波等高频段在热点地区部署，满足不同服务需求 [118] - 引入人工智能驱动动态频谱管理等解决方案，实现频谱资源灵活调度和高效共享，提高频谱重用效率 [116] 技术创新 - 技术创新是移动AI核心驱动力，基于AI原生网络架构，发展双向技术体系，通过终端异构智能计算和多元代理协作等技术开发高效终端承载，由端到端安全技术框架保障 [119] - AI原生网络架构具有分层集中控制、功能分类与聚合和弹性按需部署等核心特性，支持原生AI功能，提升网络性能和效率 [120] - AI for Network将人工智能深度融入端到端网络系统，构建内生智能网络，其技术创新贯穿各个领域，支持新兴应用需求 [126][127][128] - 增强型上行新技术构成移动AI设备 - 云协作的物理基础，打破上行链路瓶颈，满足端到端闭环延迟需求 [129][131] - 无线网络代理实现无线域内自主闭环，核心驱动因素是通信大型语言模型和无线接入网络数字孪生系统，提高网络自主性和决策可信度 [132][133] - 核心网络人工智能需要智能升级，引入AI原生网络元素、大型模型和网络代理商等技术，推动网络向智能转变 [134][140] - 终端 - 边缘 - 云协作实现业务需求与资源的优化平衡，核心技术包括协同推理、协同微调和网络辅助卸载决策 [145] - 代理通信技术系统涵盖连接优化、计算赋能和可信管理等多维技术能力，满足智能代理通信需求 [147] - 移动AI安全包括确保系统安全和利用其服务于安全操作，多智能体系统安全需防范多种风险，采用相关技术和框架增强安全性 [152][155] 终端进化 - 终端是移动AI服务的最终载体，其能力演变和生态系统成熟度决定人工智能体验边界和商业化规模 [157] - 移动AI应用对终端硬件提出多方面要求，促使终端向多模态感知、全频段可靠连接和高效本地智能处理进化 [158] - 终端形态朝着多样化、协作化和普及化方向发展，通过硬件升级、创新端型和培育服务模式，释放移动AI应用价值 [158] 标准配方 - 标准化协作贯穿移动AI发展各方面，通过建立统一规范，促进产业链互操作性和高效协作，降低集成复杂性 [111] - 制定行业特定应用标准，引导移动AI应用规范化、标准化发展，减少研发成本，推动解决方案复制 [158] - 建立全球统一标准化技术体系，明确互联互通接口协议、多模态交互框架和数据传输规范等，消除协作障碍，提升行业协作效率 [162] - 整合产业链资源，构建移动人工智能体验评价系统，明确评价标准和指标映射规则，确保评价结果与用户感知一致 [163] 推荐与行动呼吁 - 移动AI发展面临网络架构压力、缺乏统一评估体系、价值观共享机制不发达等挑战 [169][170] - 提出六项行业建议，包括建立全球统一标准化体系、预留和优化频谱资源、激活数据为核心生产要素、加强基础设施建设、推动行业创新和构建下一代连接性 [180][181]

核心观点 - 市场对生成式AI的恐慌性抛售与十年前对AWS的恐慌类似 是基于“最坏情况假设”的非理性行为 历史表明软件巨头并未消亡 反而在进化中实现市值大幅增长 当前抛售创造了巨大的错配投资机会 [1][2][6] 历史类比：从AWS到GenAI - 当前市场认为GenAI将改变世界 投资逻辑简单化为买入AI新贵并做空一切传统软件 这与十年前AWS崛起时的市场情绪高度相似 [2] - 十年前 AWS推出新软件产品（如Redshift数据库）时 相关成熟软件公司股价会立即遭受重创 空头论调同样是“这些公司的终值是零” [2] - 主要区别在于 AWS主要冲击基础设施层 而GenAI更多被视为应用层的威胁 但市场的恐慌机制完全相同 [2] 历史回测：软件巨头的表现与进化 - 回顾过去十年 没有一家成熟的软件公司因为AWS的竞争而破产（终值归零） [1][4] - 虽然AWS夺取了市场份额并切走蛋糕 但整个软件市场的蛋糕本身也在变大 老牌玩家通过不断进化和应对 大多数公司继续表现优异 [4] - 具体案例显示 AWS竞争产品发布后 相关公司股价短期下跌 但6个月后多数实现强劲反弹 例如Talend在AWS Glue发布后6个月股价上涨53.6% NewRelic在AWS X-Ray发布后6个月上涨50.6% Tableau在AWS QuickSight发布后6个月上涨33.0% [5] - 部分未能适应的公司表现不佳 如Teradata在AWS Redshift发布后6个月股价下跌8.1% 市值最终缩水73% [5][8] - 更多公司展现出强大韧性并实现巨大增长 例如CyberArk自AWS推出竞争服务以来市值从8.85亿美元飙升至225.16亿美元 涨幅高达2443% 远超同期标普500指数2201%的涨幅 [8] - 微软（WorkSpaces竞争者）市值增长1048% 达到3.59万亿美元 谷歌（WorkDocs竞争者）市值增长871% Salesforce（QuickSight竞争者）市值增长373% 达到2480亿美元 MongoDB（Document DB竞争者）市值增长697% [8] - 部分公司如Tableau Splunk Red Hat最终被高溢价收购 并未走向消亡 [8] 当前市场错判与机会 - 软件ETF（IGV）年初至今（YTD 2026）下跌了约24% 而标普500指数基本持平 这是一种非理性的“无差别抛售” [1][6] - 市场错误地将所有现有软件公司视为即将被OpenAI或Anthropic等新玩家取代的“旧时代产物” 忽略了软件行业的复杂性和护城河 [6] - GenAI将扩大而非单纯取代软件市场 那些拥有核心记录系统和特定领域护城河的公司被错误定价了 [1] 值得关注的三类资产 - **记录系统拥有者**：如Salesforce和SAP 这些公司掌握企业的核心数据 地位稳固 难以被简单替换 [9] - **AI工具提供商**：那些帮助企业落地AI的公司 如JFrog或Snowflake [9] - **AI算力提供商**：如甲骨文 DigitalOcean或CoreWeave [9] 具有防御属性的领域 - **网络安全**：AI的采用将导致IT环境更复杂并提高黑客攻击效率 反而增加对高级安全防护的需求 Palo Alto Networks CrowdStrike和Zscaler等拥有强大现金流和增长中AI收入流的平台型公司具备极强防御性 [9] - **垂直SaaS**：如Veeva Systems Tyler Technologies和Autodesk 这些公司通常是特定行业的“记录系统” 拥有深厚的领域特定数据护城河 这是通用AI难以复制的 此外 政府 制药和金融服务等终端市场的IT买家通常较为保守 提供了额外缓冲 [9]

财务数据和关键指标变化 - 公司第三季度调整后营业利润首次超过5000万美元，达到5070万美元 [18] - 调整后营业利润率从去年同期的1.76%提升至1.82% [18] - 报告期内的税后利润为730万美元，调整后净利润约为5140万美元，调整后稀释每股收益同比增长约33% [18] - 营销和销售推广费用占预订总额的5.6%，与旺季特征及高利润业务增长带来的结构改善相符 [17] - 非现金利息成本（零息可转换债券）为2830万美元，因卢比贬值产生的汇兑损失约为530万美元 [18] - 季度末现金等价物超过8亿美元 [20] - 本季度公司回购了55万股股票，总金额约4150万美元，并回购了本金500万美元的2030年票据，总金额约460万美元，两项合计用于回购计划的资金总额为4610万美元，为迄今为止最高的在市场上回购金额 [19][20] 各条业务线数据和关键指标变化 - **机票业务**：调整后利润为1.079亿美元，按固定汇率计算同比增长20.4% [15]。其中国际机票业务贡献了该板块约43%的调整后利润 [15]。国内航空市场行业同比增长0.9%，公司实现了2.2%的增长，市场份额小幅提升至略高于31% [15] - **住宿业务（酒店、民宿、度假套餐）**：交易量同比增长20.3%，其中独立酒店增长更快，达20.6% [15]。非高端价格区间的间夜量增长超过23% [16]。由于商品及服务税下调，总预订价值增长较为温和，按固定汇率计算同比增长15.8% [16][36]。该板块调整后利润与总预订价值增长一致 [16]。国际酒店和套餐收入占比从去年同期的约23%提升至24.2% [16] - **巴士票务业务**：调整后利润为4240万美元，按固定汇率计算同比增长26.1% [17]。私人库存保持强劲增长，季度末每日班次超过4.5万，去年同期为4万 [11] - **其他业务（含附加服务）**：调整后利润为2750万美元，按固定汇率计算同比增长45.5% [17] - **民宿业务**：本季度售出超过2.76万处独特物业，覆盖超过1050个城市，对整体酒店交易量的贡献达到较低的两位数 [11] - **企业差旅业务**：MyBiz平台的活跃企业客户数超过7.75万，去年同期为6.4万；Quest to Travel的活跃大企业客户数达到539家，去年同期为493家 [12] - **新业务整合**：对Happay（差旅费用管理平台）的整合已完成，使其成为完整的差旅和费用管理解决方案 [13] 各个市场数据和关键指标变化 - **印度国内市场**：第三季度（传统旅游旺季）休闲旅游需求强劲复苏，但12月因新的飞行员飞行值勤时间限制规则导致临时中断 [3]。国内航空每日离港航班量在10月和11月同比分别增长2%和5%，但在12月同比下降5%，而原本预期为增长5% [7]。公司通过国际旅行和巴士、出租车等其他交通方式部分抵消了国内航空中断的影响 [3][7] - **国际出境市场**：被视为重要的增长机会，公司持续聚焦该板块增长 [7]。新推出的国际航班功能提供端到端签证指导，早期结果显示对转化率和签证附加率有积极影响 [8] - **城市层级渗透**：公司持续深入印度市场，平台覆盖国内2050多个城市，拥有超过9.7万个住宿选择 [9]。本季度在全国超过1950个城市售出物业，其中过去12个月有超过100个新城市首次产生销售 [9]。来自二线及以下城市的需求强劲 [9] - **东南亚市场**：通过redBus平台与Grab合作，在其平台整合城际巴士和轮渡预订 [12] 公司战略和发展方向和行业竞争 - **人工智能应用**：将AI视为积极的技术演进，利用AI改善客户旅程的各个环节（从灵感、发现、搜索、预订到售后）[4]。AI助手Mira每日对话量已扩展至超过5万次，其中72%被定义为优质对话，约15%的对话发生在旅行规划早期阶段 [5]。AI语音和聊天机器人能自主解决约一半的航班和酒店客户查询 [5]。公司还利用生成式AI为酒店合作伙伴提供数字绩效分析摘要 [6] - **一站式平台战略**：为满足平台上所有旅行及相关需求，近期推出了旅游和活动产品，为印度旅行者提供全球130个国家、1100个城市超过20万项可预订活动 [6] - **产品创新**：针对海滩度假旅行者，在顶级国际城市推出生成式AI驱动的海滨发现功能 [10]。针对女性旅行者，推出女性专属评分、AI生成的评论摘要和安全评分，覆盖100多个城市和3.3万多家物业 [10] - **交叉销售与库存整合**：在铁路搜索页面引入统一库存，让铁路用户能发现其搜索路线上的可用巴士 [12] - **行业竞争与格局**：管理层认为，在印度国内酒店市场，在线渗透率仍处于早期阶段，公司处于有利地位 [98]。对于Google和ChatGPT等可能在印度推出的AI旅行规划工具，管理层视其为更多是机会而非威胁，认为OTA在交易履行和售后服务方面有独特优势，关键在于保护直接流量和品牌影响力 [50][51][52][54][55][56] 管理层对经营环境和未来前景的评论 - **市场前景**：管理层相信印度旅游市场将在经济、社会和技术因素的共同推动下持续扩张 [4]。印度旅行者愿意在旅行上花费更多的趋势正在显现 [3] - **季度经营回顾**：10月和11月表现强劲，公司通过推出“Travel Ka Mahurat Sale”抓住了旅行情绪改善的机会，活动期间与超过7500万用户互动 [14]。12月上半月航班运营中断是季度的不利因素，虽然情况已稳定，但供应完全恢复可能推迟至下一财年 [14] - **政策影响**：印度政府将7500卢比以下类别酒店房间的商品及服务税从12%降至5%，这一合理化举措对推动酒店板块交易量增长产生了积极影响 [8][16][23]。这导致了交易量增长与总预订价值增长之间的差异，后者增长更为温和是税率变化的算术结果，而非该板块的结构性疲软 [9] - **资本配置**：公司继续加大对AI等核心增长能力的投资，同时寻找潜在的战略投资机会 [20] 其他重要信息 - 公司平台上的住宿选择超过9.7万个，覆盖印度2050多个城市 [9] - AI助手Mira有助于渗透到小城市，其方言语音功能使得超过45%的用户来自二线及以下城市，在非大都市，语音交互高出50% [5] - 公司成功运营了前往越南富国岛的包机套餐，简化签证流程有助于开拓新的目的地 [11] - 公司已完成法律实体重组，将所有关键运营业务纳入单一法律实体，这为未来的首次公开募股提供了便利，但目前没有时间表的更新 [57][58] 总结问答环节所有的提问和回答 问题: 关于独立酒店细分市场的增长分解和佣金率变化 [22] - **回答**：非高端（经济型至中端）酒店间夜量同比增长约23%，显著高于整体20.6%的增速，这主要受益于商品及服务税下调 [23]。整体佣金率基本保持稳定，约为17.7%，公司目标是将佣金率维持在较高的十位数范围 [23][24] 问题: 关于附加服务的强劲收入增长及其底层利润率 [25] - **回答**：附加服务增长是过去几年的持续趋势，得益于平台不断新增服务（如城际出租车、机场接送、高铁票务、小额保险、外汇、签证服务、旅游和活动等）[26][27]。部分交通相关服务的利润率与行业大体一致，其他一些服务则有显著的利润贡献 [28]。公司主要在平台层面看待盈利能力，按板块报告利润率，但按平台层面报告费用和利润 [28][29] 问题: 关于酒店和套餐业务收入同比增长放缓至9%的理解及正常化增长展望 [32][38] - **回答**：收入增长放缓主要是商品及服务税下调（影响约5%）和汇率变动的结果 [35][39]。按固定汇率计算，总预订价值增长为15.8%，若加回5%的税率影响，则增长与交易量增长基本一致 [35][36]。在接下来的四个季度，商品及服务税的影响将持续存在，增长应从当前水平略有提高 [40][41] 问题: 关于IndiGo削减10%运力对2026年国内航空交通增长的影响 [42] - **回答**：此次中断出乎意料，主要影响了最大的航空公司IndiGo [42]。预计在当前季度（1-3月），每日离港航班量将恢复至同比持平或增长1%-2%的正区间 [42][43]。随着飞行员排班等问题逐步解决，情况将持续改善，新飞机交付和现有飞机翻新计划仍在继续 [43]。整体供应情况在4-6月夏季航班计划提交后将更加清晰 [44] 问题: 关于AI助手Mira的反馈，以及Google等公司的AI工具进入印度市场对MakeMyTrip的影响 [46] - **回答**：Mira进展令人鼓舞，每日互动量从2-2.5万次增长至5万次，质量评分（1-5分）达3.9，72%为优质对话，20%的互动来自从未交易过的新用户（主要来自三、四线城市），约23%-24%的互动与旅行规划相关 [47][48][49]。对于Google等可能进入印度，管理层认为这主要影响旅行规划环节，可能促使流量从传统搜索转向AI工具，但交易履行和售后服务仍是OTA的优势领域 [50][51][54]。公司的对策包括发展自身的AI规划工具，并专注于保护直接流量（主要来自App）和品牌影响力，避免增加来自新搜索形式的付费流量占比 [52][55]。总体视GenAI为机会多于威胁 [55][56] 问题: 关于MakeMyTrip与redBus合并获得NCLT批准后，印度IPO时间表是否有更新 [57] - **回答**：法律实体重组为 eventual IPO 提供了便利，但目前没有更新的时间表或思路变化 [58] 问题: 关于酒店交易量强劲但收入增长受影响的进一步解释，以及佣金率在结构变化下的预期 [61] - **回答**：利润主要基于预订价值，因此税率下调既影响预订价值也影响绝对利润额，但佣金率百分比不变 [64]。此次税率下调对价格敏感的中端及经济型细分市场需求是重要的释放，推动了整体增长加速 [64]。公司更受鼓舞的是各板块交易量增长依然强劲，整体板块增长达到约22% [64] 问题: 如果没有IndiGo的运力中断，酒店交易量增长是否会更快 [66] - **回答**：航班是旅行计划的先导指标，运力中断确实产生了不利影响，公司通过巴士票务和城际出租车等其他交通方式增长来部分抵消 [66]。12月增长明显放缓，如果没有中断，情况会更好 [67] 问题: 关于营销推广费用率处于近期高位（5.6%）的原因及展望 [68] - **回答**：没有一次性因素，这完全反映了业务结构的变化：低利润的机票业务增长受负面影响，增长主要来自高利润业务（如酒店、巴士票务、附加服务），导致综合利润率改善 [69]。同时，增长更偏向于中端及经济型酒店，该细分市场的客户获取成本往往略高 [70]。尽管费用率为5.6%，调整后营业利润率仍保持在1.8%以上 [70] 问题: 关于长期增长与盈利展望，是否仍存在运营杠杆 [71] - **回答**：过去5-10年通过规模和市场份额提升带来的利润率改善在2024年左右已基本实现 [72]。目前客户获取成本已相当高效，公司更关注于实现20%以上的增长 [72]。在住宿业务占比仍处于40%多、低于50%的情况下，当前的调整后营业利润率是健康的 [73]。运营杠杆将更多来自固定成本（约占总支出的20%-25%），因此改善幅度将比前五年小，与近两年情况类似 [74] 问题: 商品及服务税下调是否导致需求从高价区间转向7500卢比以下类别，以及公司是否因此获得了市场份额 [79] - **回答**：公司在高端市场已基本覆盖所有酒店，扩张主要发生在中端及经济型领域 [80]。本季度现象主要是由于7500卢比以下价格区间因税率大幅下调产生了显著价差，吸引了大量需求 [81]。确实观察到约3%的交易量从高端、超高端细分市场转向中端及经济型，在总预订价值和调整后利润的总体结构上也发生了约4%-5%的转变 [82]。此次税率调整的真正益处在于释放了整个酒店类别的需求 [83] 问题: AI驱动的旅行规划工具是否会加速印度国际旅行等复杂产品向在线渠道的转移 [84] - **回答**：这是一个有趣的观点。仅就旅行规划本身而言，可能不会直接触发这种转移，因为历史上人们也通过Google或TripAdvisor进行规划 [85]。但像Mira这样的数字助手，因其交互性、语言便利性、处理复杂行程的能力以及顺畅的预订衔接，可能更有助于加速从线下（如传统旅行社）向线上的转移，特别是在国际旅行等复杂场景 [86][87][88] 问题: 随着航空业务可能从夏季复苏，总营销支出是否会回到之前提到的5%-5.5%范围 [89] - **回答**：很可能，这应该会开始反映业务结构的变化，因为其中没有一次性因素 [89] 问题: 航空业务的净佣金率（约7%）是否正常，以及正常范围是多少 [91] - **回答**：佣金率通常在这个水平附近波动，根据票价水平、预订与起飞之间的时间差等因素，可能会有上下0.5个百分点的浮动，本季度没有异常 [91] 问题: 关于酒店业务总预订价值增长算法，未来一年商品及服务税影响是否会持续使总预订价值增长低于交易量增长5个百分点 [92][93] - **回答**：这主要是光学影响，因为同比基数采用了不同的商品及服务税率，仅为一年期影响，对业务没有实际影响 [94]。关于酒店价格上涨，管理层指出，在其平台上销售的各个细分市场（包括占业务约10%的民宿），除季节性波动外，并未看到异常的、全行业范围的显著价格上涨，价格总体稳定 [95][96] 问题: 在印度国内酒店市场，鉴于其他上市OTA没有有意义的酒店业务，公司是否处于主导地位且竞争有限 [97] - **回答**：可以相对公平地这么说，但需要注意的是，该细分市场的在线渗透率仍处于早期阶段，还有很长的路要走 [98]

中国AI产业发展路径与市场展望 - 中国AI产业正走出一条以“开放模型”策略对抗全球“封闭”体系的独特路径，并在应用层加速变现 [2] - 市场正发生结构性转变，从算力炒作转向关注应用层的变现能力与生态壁垒 [3][4] - 预计到2027年，中国云端AI的总潜在市场规模将达到500亿美元 [3] 市场格局与核心优势 - 在全球前10名的SOTA模型中，中国已占据半壁江山 [3] - 中国在数据量、电力供应以及工程师红利上拥有显著的比较优势 [4] - 本土算力供应链韧性增强，为上层应用爆发提供底层支撑 [3] 应用层发展：超级应用与AI原生应用 - 中国市场呈现“超级应用”进化与“AI原生应用”爆发并行的独特景观 [5] - 微信作为AI Agent先驱潜力巨大，拥有11亿月活跃用户，日均用户时长高达99.4分钟，日均人均会话次数达44.6次 [6] - 字节跳动的豆包、百度的文心一言及阿里的Quark和元宝等AI原生应用正快速争夺用户时间，从聊天机器人向情感交互、内容创作及全能助手进化 [8] - 主要2C AI应用的日活跃用户数达数百万量级，月活跃用户数达数千万至两亿量级 [9] 企业端（2B）AI渗透与行业重塑 - 企业对生成式AI的部署意愿强烈，正从早期试验转向实质性生产力提升 [10] - AI在广告、医疗、金融、能源、电商及办公等垂直领域快速落地 [10] - 未来三年内，相当比例的工作时长将被生成式AI替代，企业IT支出重心将向AI基础设施倾斜 [10] - 例如，北森通过AI面试官等功能重塑人力资本管理，金山办公通过WPS AI提升用户付费率并巩固市场地位 [10] 主要互联网巨头AI战略定位 - **阿里巴巴**被视为“中国最佳AI赋能者”，其核心逻辑在于阿里云基础设施与电商、钉钉等业务场景的深度结合，能捕捉从算力、模型到应用的全链条价值 [12] - **腾讯**被赋予“最高2C变现潜力”评价，其AI战略通过微信生态整合，能以极高的投资回报率实现商业化，元宝助手深度集成微信公众号内容与搜索能力 [12] - **字节跳动**被定义为“全栈AI领导者”，布局从底层火山引擎、中间模型层到上层AI原生应用及硬件，最为全面 [12] - **百度**在AI转型上起步早，但其核心广告业务正面临AI搜索转型带来的压力 [12]

印度拟推AI模型训练强制性版权付费制度 - 印度工业和内贸促进部发布拟议框架，要求AI公司为其模型训练中使用的所有受版权保护内容支付使用费，费用通过一个由权利人组成的新型集体管理机构分配给创作者 [3] - 该提案采用“强制性一揽子许可”机制，旨在降低AI企业合规成本的同时，确保创作者获得合理报酬 [3] - 此举可能重塑OpenAI和谷歌等公司在印度这一全球最重要、增长最快的市场之一的运营方式 [1] 提案出台的背景与全球争议 - 提案出台之际，全球对AI公司使用受版权材料训练模型的担忧日益加剧，在美国和欧洲已引发多起诉讼 [3] - 目前法院和监管机构仍在评估此类训练是否构成“合理使用”，导致AI企业在法律不确定性中扩张业务 [3] - 与美国和欧盟仍在政策辩论不同，印度的方案被视为最具干预性的举措之一，即在强制付费前提下自动授予使用权 [3] 提案的核心机制与逻辑 - 一个八人委员会制定了该机制，认为其可避免多年法律争议，并确保创作者从一开始就能获得报酬 [3] - 委员会在一份125页文件中辩护称，一揽子许可是管理大规模AI训练数据“最不具负担的方式”，单一集体管理机构可作为“一站式窗口” [4] - 核心逻辑之一是：鉴于AI公司既从印度用户获得可观收入，又依赖印度创作者的作品训练模型，理应将部分价值返还给创作者 [4] - 文件援引OpenAI CEO说法，印度已是该公司仅次于美国的第二大市场，“很可能成为我们最大的市场” [4] 行业反对意见与替代方案 - 代表谷歌、微软等科技企业的行业协会Nasscom提交正式异议，主张印度应采纳更广泛的“文本与数据挖掘”例外条款，允许AI开发者在合法获取前提下使用受版权内容 [5] - Nasscom警告强制许可制度可能抑制创新，并建议应允许持异议的权利人选择退出，而非强制企业为所有训练数据付费 [5] - 代表Adobe、亚马逊云服务、微软等的商业软件联盟也敦促印度政府避免纯许可制，呼吁引入明确的TDM例外条款 [5] - BSA警告，若将训练限制于规模较小的已授权数据集，可能导致模型性能下降，并增加输出结果反映有限数据中趋势与偏见的风险 [6] 印度政府的立场与后续步骤 - 印度政府委员会未采纳“广泛TDM例外+选择退出”模式，理由是此类机制要么削弱版权保护，要么难以有效执行 [6] - 委员会提出一种“混合模式”：AI公司可自动访问所有合法公开的受版权作品，但必须向中央集体管理机构缴纳版税 [6] - 印度政府已就该提案启动公众咨询程序，给予企业和相关利益方30天时间提交意见，委员会汇总反馈后将形成最终建议提交政府审议 [6] 相关法律案件 - 在印度国内，新闻通讯社ANI已在德里高等法院起诉OpenAI，指控其未经授权使用ANI的文章 [5] - 该案促使法院审视AI训练本身是否构成“复制行为”，抑或属于“合理使用”范畴 [5]

文章核心观点 - 瑞银认为全球数据中心设备市场毫无降温迹象，行业增长势头强劲，预计2025年增长25-30%，2026年增速上调至20-25% [1][4] - 生成式AI的采纳率呈指数级增长，已产生170亿美元的年化经常性收入，AI数据中心的高强度资本投入将至少持续到2027年 [2][8] - 数据中心建设成本发生结构性变化，AI数据中心每兆瓦设施成本增加约20%，IT设备成本是传统的3-4倍，这利好上游设备供应商 [8] - 液冷技术是增长最快的细分赛道，预计将以45%的增速领跑，到2030年制冷板块年复合增长率约20% [4][6] - 电力供应是行业发展的主要瓶颈，但瑞银认为这推高了现有资产价值，而非终结投资周期 [11] 上调增长预期 - 瑞银将2026年数据中心设备市场增速预期上调至20-25%，随后2027年为15-20%，2028-2030年保持10-15%的稳健年化增长 [4][5] - 预测基于全球数据中心极低的空置率，北美、欧洲和亚太地区空置率分别为1.8%、3.6%和5.8%，显示供不应求格局 [5] - 瑞银Evidence Lab监测数据显示，全球数据中心当前运营产能约105GW，在建产能高达25GW [1] - 如果规划产能如期上线，2025-2029年行业年复合增长率将达到21% [5] 液冷技术领跑 - 随着AI芯片功率密度提升，制冷市场表现突出，预计到2030年将保持约20%的年复合增长率 [6] - 液冷技术是增长最快的细分赛道，预计增速将达到45% [4][6] 资本开支强度不减 - 超大规模云厂商的资本开支占销售额比重已从2023年翻倍以上，达到25-30% [8] - 目前资本开支约占行业经营性现金流的75%，处于可控范围，高强度投入预计至少持续到2027年 [8] - AI数据中心每兆瓦设施成本比传统数据中心增加约20%，主要受制冷和电力基础设施升级驱动 [8] - AI数据中心IT设备在总成本中占比大幅提升，其每兆瓦成本是传统的3-4倍，降低了客户对设施端价格的敏感度 [8] 单兆瓦价值量提升 - AI数据中心建设成本发生结构性变化，IT设备成本因昂贵的AI芯片而激增 [8] - 成本结构变化使得上游设备供应商受益 [8] AI变现已初现端倪 - 生成式AI已产生实质性收益，主要AI原生应用的年化经常性收入已达到170亿美元，约占当前SaaS市场总量的6-7% [2][10] - 企业通过使用AI实现的收入增长平均为3.6%，成本下降平均为5% [10] 物理约束与瓶颈 - 电力供应被视为最大的发展瓶颈，欧洲部分一级枢纽的电网连接排期已延至2030年代 [11] - 预计数据中心将占美国2025-2030年电力增量的60%以上，对电网可靠性和设备交付构成挑战 [11] - 瑞银认为这些瓶颈更多是推高了现有资产的价值，而非终结投资周期 [11] 技术迭代带来的赢家与输家 - 机架功率密度正从传统的10kW向AI时代的100kW甚至更高迈进，驱动基础设施技术架构深刻变革 [13] - 向800V直流架构转型是趋势，预计该技术将在2028年底至2029年初广泛部署 [13] - 技术转变将重塑竞争格局，中压设备需求保持稳定，但低压交流设备面临被更高电压直流配电替代的风险 [13] - 拥有完整中压产品线及创新能力的厂商防守性更强 [13]

全球数据中心设备市场增长前景 - 全球数据中心设备市场增长势头强劲且毫无降温迹象 [1] - 当前全球数据中心运营产能约为105GW，在建产能高达25GW [1] - 预计行业在2025年实现约25-30%的增长后，强劲势头将延续至2026年 [1] - 上调中期增长预期，预计2026年包括电力、制冷及IT设备在内的市场增速将达到20-25% [1] - 预计2026年增速维持在20-25%的高位，2027年为15-20%，2028-2030年间保持10-15%的稳健年化增长 [4] 市场供需与增长驱动力 - 北美、欧洲和亚太地区的数据中心空置率持续处于历史低位，分别为1.8%、3.6%和5.8%，显示出供不应求的市场格局 [4] - 如果规划中的产能如期于2029年上线，2025-2029年的年复合增长率（CAGR）也将达到21% [4] - 生成式AI（GenAI）的采纳率正呈现指数级增长，已出现年化经常性收入（ARR）达170亿美元的实质性收益，约占当前SaaS市场总量的6-7% [1][10] - 企业通过使用AI实现的收入增长平均为3.6%，成本下降平均为5% [10] - AI服务器更短的生命周期带来的替代需求，支撑了整个产业链的长期景气度 [1] 资本开支与成本结构 - 超大规模云厂商的资本开支占销售额（Capex/Sales）的比重较2023年翻了一倍以上，达到25-30% [8] - 目前的资本开支仍占行业经营性现金流（OCF）的75%左右，处于可控范围 [8] - 高强度的资本开支投入将至少持续到2027年 [8] - 与传统数据中心相比，AI数据中心的每兆瓦设施成本增加了约20% [8] - AI数据中心中，IT设备在总成本中的占比大幅提升，其每兆瓦成本是传统的3-4倍 [8] - 客户对设施端（Facility）的价格敏感度降低，从而利好上游设备供应商 [8] 细分市场与技术趋势 - 制冷市场表现尤为突出，预计到2030年，制冷板块将保持约20%的年复合增长率 [7] - 液冷技术（Liquid Cooling）将以45%的增速领跑，成为增长最快的细分赛道 [7] - 随着机架功率密度从传统的10kW向AI时代的100kW甚至更高迈进，基础设施的技术架构正在发生深刻变革 [16] - 预计向800V直流（DC）架构转型的趋势将在2028年底至2029年初广泛部署 [16] - 中压（MV）设备需求将保持稳定，但低压（LV）交流设备面临被更高电压直流配电替代的风险 [16] - 拥有完整中压产品线及创新能力的厂商防守性更强 [16] 行业面临的物理约束 - 电力供应被视为最大的瓶颈，尤其是在欧洲，部分一级枢纽的电网连接排期已延至2030年代 [10] - 预计数据中心将占美国2025-2030年电力增量的60%以上，这对电网可靠性和设备交付构成了挑战 [10] - 这些瓶颈更多推高了现有资产的价值，而非终结投资周期 [10]

市场地位与权威认可 - 国际权威机构Gartner在其第八期《生成式AI技术创新指南》中将阿里云列为“领导者象限”成员，成为亚太地区唯一入选厂商，与谷歌、OpenAI并列 [1] - 不同于传统报告聚焦营收，Gartner将生成式AI拆分为四个维度进行评估，阿里云是亚太唯一在全部四个维度（云基础设施、工程平台、基础模型、知识管理应用）均被评为“领导者”的企业 [3] - 沙利文报告显示，在2025年上半年的中国企业级大模型调用市场中，通义大模型占比位列第一；Omdia报告指出超7成《财富》中国500强企业已采用GenAI，其中阿里云渗透率达53%，排名第一 [3] 全栈AI能力布局 - 在最底层的GenAI云基础设施方面，公司持续加码硬件投入，于今年2月宣布投入3800亿元用于AI基础设施建设，并计划到2032年将云数据中心能耗规模扩大十倍，其HPN8.0网络支持10万卡互联 [6] - 在GenAI工程能力层，一站式AI研发平台PAI与通义大模型联合优化，使模型训练端到端加速比提升3倍以上；一站式模型服务和Agent开发平台“百炼”可一键调用两百多款模型，过去一年其模型日均调用量增长15倍 [6] - 在GenAI模型层，通义大模型家族覆盖全模态、全尺寸，屡次斩获全球最强开源大模型榜单，目前已服务超100万家客户，在《财富》中国500强中渗透率第一达53% [8] - 在最上层的AI知识管理与应用层，公司依然处于Gartner评估的新兴领导者象限，且是中国唯一厂商 [11] 垂直整合的竞争战略 - 全球AI竞争已进入深水区，真正的较量在于全栈整合能力，Gartner报告中的领导者象限仅坐稳谷歌和阿里云两家，其他巨头如亚马逊、微软缺乏顶级模型，OpenAI则缺乏云底座和芯片 [13] - 公司走软硬一体路径，其自研AI芯片已用于内部大模型训练，通义千问与PAI平台、CIPU的联合优化提升了效率，新产品如“无影Agentic Computer”试图实现端云协同的智能体计算 [14] - 公司将通义千问全面开源，累计开源模型超300个，衍生模型数量超18万，已成为全球性能强、应用广泛的开源大模型，新加坡国家人工智能计划（AISG）的最新项目已放弃Meta模型转向通义千问架构 [14] - 垂直整合模式虽前期投入巨大，但一旦跑通能在性能调优、成本控制和迭代速度上建立系统性优势，公司在亚太地区是唯一能同时在芯片、云平台、大模型和应用生态上形成闭环的云厂商 [14][16]

文章核心观点 - AI训练和推理集群架构推动数据中心基础设施支出空前增长，并对HPC架构产生反射性的有益影响 [1] - HPC-AI融合市场增长迅猛，远超历史平均水平，并预计在未来几年保持强劲增长势头 [1][4][5][17] HPC-AI市场整体规模与增长 - 2024年整体HPC-AI市场总销售额达599.3亿美元，同比增长23.5%，远高于7%到8%的历史平均增长率 [4] - 2024年本地部署HPC-AI系统收入为503.9亿美元，同比增长22.9%；云端HPC-AI系统销售额为95.4亿美元，增长4.9% [4] - 预计2025年整体HPC-AI市场收入将达5896.3亿美元，同比增长17%，其中云消费为123.8亿美元，本地部署系统为5775亿美元 [5] - 2025年上半年整体HPC-AI市场增长22%，与2024年23.5%的增长率接近 [17] - 预计HPC-AI支出增长将略微放缓，但在本十年结束前仍将保持在历史平均增长率两倍左右 [6] HPC-AI市场支出结构分析 - 2024年HPC-AI产品总支出599.3亿美元中，云计算消费模式占比15.9% [8] - 云端HPC-AI支出中存储占比30%，计算（含网络）支出为66.8亿美元，计算与存储比例为2.33:1 [8] - 本地HPC-AI支出中存储占比21.7%，计算支出为253.3亿美元，计算与存储比例为3.77:1，显示本地部署更侧重计算 [8] - 服务占HPC-AI预算相当大份额，软件份额相对较小，仅占5% [8] HPC与AI硬件销售趋势 - 传统HPC设备销售在2023年出现衰退后，于2024年反弹，并预计至2029年呈略微上升趋势 [12] - 预计在2027年年中左右，以AI为中心的硬件（超过50%工作负载是AI任务）销售额将超过以HPC为中心的硬件 [12] HPC-AI服务器市场竞争格局 - 2024年本地部署HPC-AI服务器市场总收入为253.32亿美元 [13] - HPE以71.51亿美元收入和28.2%的市场份额位居第一，戴尔以39.16亿美元和15.5%份额排名第二 [13] - 非传统供应商（ODM）合计收入69.34亿美元，市场份额达27.4%，几乎与HPE相当 [13][14] HPC-AI系统价格区间分布 - 2024年HPC-AI服务器收入按价格区间划分：领导力计算机（>1.5亿美元）占4.7%，超级计算机（1000万-1.5亿美元）占27.3%，大型HPC（100万-1000万美元）占27.9%，中型HPC（25万-100万美元）占15.7%，入门级HPC（<25万美元）占24.3% [14] - 中端市场（25万-100万美元）是最弱的价格区间 [14]

**公司：MSCI** [1] **核心观点与论据** **1 对生成式AI的战略定位与内部应用** * 公司对生成式AI感到兴奋 认为其能带来效率提升和新的产品机会[4] * 内部已在产品开发、数据工厂、客户服务等环节广泛应用AI工具 例如使用Replit、Cursor、GitHub Copilot等工具进行编码 并利用AI重构旧代码 实现了50%-60%的效率提升[5] * 在客户服务方面 通过AI分析客户记录 为客户经理提供智能支持以改善客户体验[5] **2 面向客户的AI产品与数据分发策略** * 已推出AI Insights产品 该产品支持多资产类别 允许客户使用自然语言实时查询投资组合信息 如追踪误差、风险贡献前十大股票等 为客户创造巨大效率[6][7] * 致力于通过多种渠道（如Snowflake、Claude、ChatGPT等大型语言模型）使公司数据更易获取 从而增加内容使用量 正在开发MCP连接器以实现公司数据/API与LLMs的集成[7][8] * 将AI Insights等代理能力捆绑到现有风险产品中 旨在通过增加价值来帮助客户留存、新销售和定价 而非作为独立产品销售[10] **3 各客户细分市场的增长驱动因素** * 分析产品线的客户构成：资产管理公司占40% 对冲基金占20% 银行和经纪交易商占20% 资产所有者占15% 其他占5%[14] * 对资产管理公司 策略是推动其将更多业务整合到公司平台 以帮助其节省成本 并减少客户使用产品的摩擦[15][16][17] * 对冲基金（尤其是量化基金、多策略基金）和经纪交易商/做市商是近几个季度的主要增长驱动力 它们大量消费公司的模型数据和因子模型数据[18] * 资产所有者领域 机会在于帮助其管理包含越来越多私募资产的全组合 解决全组合监督、风险建模和流动性问题等挑战[18][19][29][30] **4 财富管理与私募资产领域的机遇** * 财富管理业务目前占比很小（约5%）但处于早期增长阶段 主要聚焦三个用例：模型组合构建、顾问工作流程以及帮助资产管理人将其产品定位到财富渠道[21][22][23] * 通过收购Fabric并 rebrand 为 MSCI Wealth Manager 产品来构建财富管理能力 仍需大量投资进行整合[26] * 在私募资产领域 刚刚发布了私募信贷因子模型 补全了私募资产类别（已有私募股权、房地产、基础设施） 并集成到多资产类别模型中[28] * 未来机会包括解决私募资产的业绩归因、流动性风险管理等尚未完全解决的问题 特别是公募与私募资产交叉领域的问题[29][30] **5 关键产品与区域动态** * 多资产类别模型是核心基础 AI Insights构建于其上 需求也扩展到银行（用于投资账簿、ALM、监管）和对冲基金[31][32][33] * 固定收益分析的增长点在于与订单管理系统的集成以及证券化产品领域[34] * 区域增长与客户细分市场分布相关 例如对冲基金增长主要受益于美国市场 资产所有者机会在亚洲较为突出[35][36] * MSCI One平台正成为集成公司所有产品线内容的单一窗口 并托管AI Insights 但公司坚持开放架构 也通过竞争对手渠道分发内容[37][38] **6 产品路线图与未来重点** * 产品路线图重点包括：利用AI开发更具主题性、 transient 的因子模型以分析特定事件（如疫情、战争）对投资组合的影响[42] * 推动不同产品线之间的整合与交叉赋能 例如将因子风险分析嵌入源自Burgiss的Total Plan Manager产品 以及指数分析与篮子创建的结合[44][45][46] * 公司最大的竞争优势在于能够以集成方式整合公司全部能力来解决客户的投资组合问题[46] **其他重要内容** * **定价策略**：公司采取谨慎的定价方法 基于为客户提供的增量价值进行定价 而非一刀切的政策[39] * **股权因子模型**：除了响应客户对特定国家模型或因子结构的需求外 也在利用AI关注更主题化的短期因子[40][42] * **竞争定位**：强调开放架构 愿意通过竞争对手渠道分销以减少客户摩擦 认为集成能力是核心差异化优势[38][46]