金融营销的进化与AI价值定位 - 金融营销经历了从传统1.0时代（依赖网点和客户经理）到数字化2.0时代（CRM和线上渠道）的演进，但仍存在数据孤岛和体验割裂问题 [3] - 智能化3.0时代以大语言模型和Agent为核心，AI技术提供三大价值：客户洞察力（解析非结构化数据）、实时智能决策（动态生成最优策略）、高效服务执行（7x24小时标准化服务） [3][4][5] - 全球头部金融机构已系统化部署AI和Agent，将其视为刚需而非选配 [5] 当前金融营销的核心挑战 - 获客成本居高不下，零售客户CAC（客户获取成本）动辄上千元，传统渠道效率低且线上转化难 [6] - 个性化体验不足，数据分散导致客户体验割裂，推荐精准度低 [7] - 复杂金融产品（如结构性产品、基金）因条款晦涩导致客户决策困难，易引发误解和投诉 [7] - 强监管环境下合规与创新效率难以平衡，AI生成内容合规性及数据隐私问题凸显 [8] - 营销效果归因模糊，多渠道触点导致ROI难以科学衡量 [9] AI与Agent的解决方案与实践 - 构建"智能营销中台"：数据基座（整合内外部数据）、智能引擎（AI算法集群）、服务与应用（标准化API支撑前端场景） [11] - 关键技术突破包括：大模型+RAG（结合内部知识库）、知识图谱（复杂关系推理）、多Agent协作（分工执行任务）、隐私计算（联邦学习） [12] - 行业标杆案例：某股份行通过数据中台提升高净值客户AUM，某理财子公司智能推荐系统转化率提升数倍，某银行AIGC平台优化私域运营效率 [12] 未来金融营销的竞争方向 - AI进化趋势：多模态交互（理解语音/图像）、因果决策（透明化解释）、自主进化（自我学习）、边缘响应（零延迟）、人机协同（1+1>2） [15] - 未来竞争核心是"智能密度"，即通过AI构建感知-认知-决策-行动闭环，形成差异化优势 [16] - 智能化转型窗口期将决定企业未来10-20年的核心竞争力，需建立"AI原生"营销体系 [16] 行业活动与前沿动态 - AICon 2025聚焦AI Agent、多模态、大模型架构创新等议题，展示金融AI应用案例与趋势 [1][17]

大模型进入RL下半场 - 行业关注点从模型算法转向实际效用 需要重新定义问题和设计真实用例的evaluation [1] - 现有评估体系面临挑战 需有效衡量Agent产品的ROI [1] - 创企和应用AI的企业需通过模型测评结果指导产品开发落地 [1] Agent测评基准发展 - SuperCLUE推出中文通用AI智能体测评基准AgentCLUE-General 对主流Agent产品能力进行深度剖析 [1] - 公司在模型测评领域经验深厚 与国内外模型及Agent团队保持紧密联系 [1] 行业交流活动 - 邀请SuperCLUE联合创始人朱雷探讨大模型和Agent评估核心难题 [2] - 线上分享活动定于5月15日20-22点举行 [3] 行业热点话题 - Agent产品定价模式与付费机制成为关注焦点 [4] - 红杉AI峰会指出行业共识：AI从卖工具转向卖收益 [4] - YC合伙人认为当前AI应用问题源于产品设计能力不足 [4] - 红杉资本强调应用层价值 预测下一阶段是Agent时代 [4] - 企业落地Agent需关注关键指标选择 [4]

公司战略与核心观点 - 公司坚持基础大模型研发，追求AGI（通用人工智能）是初心且不会改变 [3] - 公司差异化特点在于多模态能力，目前多个模态性能在业界领先，并积极探索前沿方向 [3] - 公司在应用层面选择差异化路线，与合作伙伴共同发力智能终端Agent，形成从模型到Agent、云侧到端侧的生态体系 [3] - 行业技术发展处于陡峭区间，公司不会放弃主流增长或前进趋势 [3][4] 技术发展趋势 - 基础大模型发展呈现两大趋势：从模仿学习到强化学习、从多模态融合走向多模态理解生成一体化 [6] - 多模态理解生成一体化是重要趋势，尤其在视觉领域，理解与生成由同一模型完成 [11] - 公司已发布理解生成一体化模型Step 1X-Edit，总参数量19B（7B MLLM + 12B DiT），支持11类高频图像编辑任务 [13] - 公司内部正在开发更高级版本，未来几个月将发布更先进技术 [13] 多模态能力布局 - 公司建立Step系列通用大模型矩阵，包括语言模型和多模态模型，多模态细分涵盖图像、视频、语音、音乐等 [8] - 公司是国内少数重视模态全覆盖并坚持原生多模理念的企业，认为多模态是实现AGI的必经之路 [9] - 多模态能力对垂直领域和C端应用必不可少，公司具备全面自研预训练模型能力，构成独特优势 [9] 智能终端Agent战略 - 公司采用"超级模型+超级应用"双轮驱动策略，将智能终端Agent作为重要方向之一 [15] - Agent爆发需要多模态能力和慢思考能力，这两项能力在2024年取得突破性进展 [15] - 公司已与OPPO、吉利、智元机器人等头部企业合作，重点布局手机、汽车、机器人等智能终端 [16] - 公司认为AI时代产品流量增长逻辑不同于传统互联网，智能终端服务C端存在巨大机会 [17] 产品与技术成果 - 图像编辑大模型Step1X-Edit性能达到开源SOTA，具备语义精准解析、身份一致性保持、高精度区域级控制三项关键能力 [13] - 该模型支持文字替换、风格迁移、材质变换、人物修图等11类高频图像编辑任务 [13] - 理解生成一体化的技术路线在公司成立之初就已设定 [14]

金融营销的演进与AI价值定位 - 金融营销从依赖网点和客户经理的传统1.0时代，演进至以CRM和线上渠道为主的数字化2.0时代，目前正进入以大语言模型和Agent为代表的智能化3.0时代 [2] - AI技术提供前所未有的客户洞察力，能解析结构化数据（如交易流水）和非结构化信息（如聊天记录、浏览轨迹），挖掘客户的真实需求和意图 [2] - AI实现实时精准的智能决策，整合市场动态、客户状态等多维度信息，动态生成最优营销策略，从“千人千面”升级至“一人一策” [3] - AI通过智能客服、虚拟数字人等Agent高效执行服务，7x24小时承担标准化任务，提升效率、降低成本，并释放客户经理专注于高价值服务 [4] 当前金融营销的核心挑战 - 行业面临获客成本居高不下的问题，零售客户的CAC（客户获取成本）动辄上千元，传统渠道效率低，线上渠道转化难 [5][6] - 数据孤岛导致个性化体验难以实现，客户在不同渠道需重复操作，无法提供“恰到好处”的服务，影响客户选择 [7] - 复杂金融产品如结构性产品、基金等条款复杂，客户理解困难，导致购买决策犹豫期长，易产生误解和投诉 [7] - 强监管环境限制创新效率，AIGC内容合规性、算法偏见及数据隐私保障成为新的挑战 [8] - 客户决策路径复杂，线上线下触点多，传统归因模型难以准确衡量营销ROI，导致预算分配不科学和资源浪费 [9] AI与Agent的解决方案及实践 - 构建“智能营销中台”作为核心解决方案，其底层为数据基座，整合内外部数据形成360度客户视图 [10] - 中间层为智能引擎，运用意图识别、情感分析、流失预警、LTV预测等AI算法，并结合大语言模型、知识图谱和强化学习技术 [10] - 上层服务与应用将智能能力封装成API，支撑智能客服、虚拟数字人、AIGC内容生成及自动化营销工具等场景 [10] - 关键技术突破包括：大模型结合RAG提升专业回答准确性；知识图谱增强推理能力；多Agent协作分工完成复杂流程；隐私计算实现安全数据合作建模 [11][12] - 行业实践案例显示，某股份行通过数据中台实现高净值客户精准洞察，带动AUM显著增长；某理财子公司智能推荐系统将理财产品转化率提升数倍；某银行利用AIGC平台提升营销内容生产效率和私域运营效果 [12] 未来发展趋势 - AI进化方向包括更懂客户的“多模态”交互，能理解语音、图像甚至微表情，使体验更接近真人 [13] - 未来AI将具备更可信的“因果”决策能力，解释决策过程以提升透明度并应对监管 [13] - Agent将发展出更自主的“进化”能力，实现自我学习、适应及跨机构协同，形成“金融智能体” [13] - 借助边缘计算，AI可实现更快速的“边缘”响应，达到“零延迟”体验 [13] - 人机协同将更高效，AI处理标准化工作，人类专注于复杂决策和战略创新 [13] - 未来竞争核心是“智能密度”，即有效运用智能技术构建感知、认知、决策、行动闭环的能力，关乎企业未来十年的核心竞争力 [14]

公司战略与定位 - 阶跃星辰专注于多模态技术研发，认为多模态是实现AGI的必经之路，并将大部分资源投入该领域[4][8] - 公司采取差异化竞争策略，未参与应用投流热潮，仅试水To C应用，保持低调但技术领先的身位[2][3] - 技术路线选择"难上加难"的理解生成一体化原生多模方向，从成立之初即定为主线[5][14] 技术布局与成果 - 成立两年发布22款自研基座模型，其中16款为多模态模型，占比超70%，覆盖文字、语音、图像等六大模态[4] - 多模态技术处于早期探索阶段，类比语言模型相当于GPT-1.0前的Transformer时期，需解决模态融合不降智的难题[5][18] - 重点布局两大技术趋势：预训练模型+强化学习提升推理能力，以及视觉领域理解生成一体化[10][14] - 组建多支技术路线并行团队，采取"并发突破"策略应对技术不确定性[7] 产品与商业化路径 - 2025年将产品"跃问"更名为"阶跃 AI"，实现从类ChatGPT产品向Agent能力转型[22] - 选择智能终端Agent为主攻方向，与Oppo、吉利汽车等头部企业合作落地手机、汽车、机器人场景[23][24] - 商业化逻辑强调模型突破先于应用爆发，通过绑定行业头部公司获取场景和数据，暂不直接ToC[20][24] - 认为AI产品流量增长不依赖传统投流模式，以DeepSeek为例验证技术驱动增长路径[19] 行业趋势判断 - 多模态与Agent成为2025年两大关键词，Agent爆发依赖多模态能力和慢思考能力的突破[6][23] - 技术演进路线从单模态到多模态，再到理解生成一体化，最终延伸至AI for Science[9][18] - 视觉领域尚未解决predict next frame难题，因模态复杂度远超语言（图片数据达百万维连续空间）[17] - 行业技术发展仍处陡峭增长期，基础模型研发决定应用上限，应用场景反哺模型迭代[22]

行业业绩表现 - 2024年计算机行业整体承压 营收同比增长5 0%至12499 4亿元 归母净利润同比下降41 1%至182 0亿元 主要受宏观环境影响及行业竞争加剧导致 [1] - 2025Q1行业显著复苏 营收同比增长15 1%至2818 7亿元 归母净利润同比大增790 5%至23 3亿元 主要因宏观环境回暖及前期技术投入效果显现 [1] 估值与机构配置 - 2025Q1计算机板块动态市盈率达81 5x 高于历史中枢水平 公募基金配置比例回升至3 1% 环比上升 [2] - 公募基金重仓前十大计算机公司包括金山办公 海康威视 科大讯飞等 未来配置比例有望随AI赋能及经济复苏进一步提升 [2] 跨境支付发展机遇 - 中美关税博弈升级推动中国减少对美出口依赖 支付宝 腾讯金融等企业加速拓展境外移动支付市场 [3] - 人民币国际地位提升受益于政策支持 金融市场开放及技术创新等多重因素 [3] 技术商业化进展 - 字节跳动扣子空间内测支持MCP扩展 集成飞书多维表格 高德地图等工具 即将开放MCP发布功能 [4] - 阿里Qwen3模型在Agent能力评测中刷新记录 原生支持MCP协议 为任务型应用提供模型层支撑 [4]

核心观点 - Manus的影响力被低估，其让大众真正看到Agent的重要性和可能性 [1][2] - 企业落地需要垂直领域真正懂场景的Agent，火山引擎发布的Data Agent是代表 [3] - Data Agent解决企业数据难题，包括统一管理平台、兼容非格式数据、自然语言查询等 [6][9] Data Agent功能 智能分析Agent - 涵盖智能分析Agent和营销策略Agent，前者主打数据分析，后者提供营销策划 [10] - 智能分析Agent类似chatbot，连接企业数据后可用自然语言对话进行数据分析 [11] - 测试案例显示可快速完成跨表查询任务，5分钟内给出查询和分析结果 [14][20] - 不仅能查询数据，还能解读数据并给出具体建议，如针对不同人群的销售策略 [32] 营销策略Agent - 处理新老用户和活动数据，提供从策划到执行的全流程服务 [39] - 测试案例显示可自动生成营销方案，包括客群筛选、触达内容编辑等 [44][54] - 生成的营销文案直击痛点，如针对不同敏感度客户的精准营销方案 [60][68] - 未来将加入营销后数据分析环节，实现营销活动全流程闭环 [69] Data Agent技术 - 采用MCP架构提升工具调用能力，适合调用稳定性好的服务 [72][73] - 通过工程化手段控制大模型幻觉问题，如单次数据准确性核查等 [71] - 数据库形态将变化，需要融合存储结构化、非结构化等多模态数据 [79][80] - 未来发展方向是自主学习和智能体协同，突破单一Agent能力边界 [87][89] 落地策略 - 大公司追最佳实践，小公司先用起来，数字化程度不同采取不同策略 [74][75] - 不会直接取代传统BI和ChatBI，而是长期共存服务不同场景 [76][77] - 开发团队需拥抱不确定性，深入理解模型原理而非简单加Prompt [82][85] - 产品方向是做更好的大模型容器，而非过度投入补模型短板 [86]

阿里云AI战略布局 - 阿里云正式上线Qwen3系列模型"全家桶"，包含2个MoE模型和6个稠密模型，参数规模从0.6B到235B，覆盖手机端到旗舰级体验，并一次性开源 [2] - Qwen3-4B小模型性能对标上一代Qwen-32B，发布两小时GitHub Star数超16.9k，显示市场高度关注 [2] - Qwen3采用混合推理架构，全球首个开源"快慢思考"集成模型，能自动识别任务场景切换思考模式，技术领先性显著 [5] 技术突破与成本优化 - Qwen3部署成本仅为DeepSeek-R1的四成（4张H20卡 vs 16张H20卡），性能全面超越国内领先模型 [6] - 模型支持MCP协议并推出Agent原生框架，孵化出爆款应用Manus（基于Qwen的Agent），推动AI应用生态 [13][14] - 阿里云通过"杰文斯悖论"效应刺激AI需求：Qwen3训练成本优化反而带动算力消耗激增，形成正向循环 [6] 集团AI化转型 - 阿里宣布未来三年投入3800亿建设云和AI基础设施，金额相当于近三年累计利润，战略级投入力度空前 [19][20] - 集团所有业务单元2025年绩效考核与AI应用成效挂钩，电商板块200+业务线联合通义团队开发智能功能 [21] - 夸克升级为集团AI旗舰应用，通义APP首批接入Qwen3模型，高德/飞猪/饿了么等快速落地AI功能 [23] 市场影响与财务前景 - 阿里云2024Q4营收317.42亿元（同比+13%），AI收入连续六季度三位数增长，市占率回升至26.1% [28][29] - 高盛预测2026/2027财年阿里云AI收入将达290亿/530亿元，占总收入20%/29%，推动整体收入增速超20% [29] - 摩根大通测算阿里云估值或达1850亿美元（按微软10.5倍PS），带动阿里整体市值从3045亿升至3910亿美元 [29] 行业竞争格局 - Qwen3实现中美大模型代际差抹平，开源生态已吸引90%上市银行/手机/汽车/家电品牌加入 [27] - 阿里构建"云计算底层+MaaS中间层+应用顶层"三位一体架构，布局完整度领跑国内互联网公司 [26][28] - 行业进入Agent元年，百万日活产品Agent化后token消耗激增30万倍，算力需求呈指数级增长 [16]

大模型行业动态 - 中国大模型能力获得认可，行业进入新篇章 [2][5] - DeepSeek推动中国AI生态良性变化，改变科研评价标准 [33][34] - 大模型发展进入L2阶段，对L1产品形成降维打击 [38][39] - 模型公司融资趋缓，资金开始流向应用层 [52][56][58] Manus成功经验 - 实现全球化营销和海外融资突破 [13][14] - 通过PLG方式实现快速增长，吸引硅谷投资 [15] - 团队具备快速调整产品方向的能力 [16] - 真格基金连续投资四次，看重创始人战略定力 [17][18][20] DeepSeek行业影响 - 降低大模型使用成本，促进小模型发展 [36] - 普及推理能力，提供宝贵训练数据 [37] - 推动AI商业化，降低客户教育成本 [37] - 证明L2对L1产品的降维打击 [38] 创业投资策略 - 应用层投资逻辑回归产品、用户需求和商业模式 [55][59] - 垂直领域机会多于通用领域 [97][98][106] - 早期创业者应关注小而美的闭环验证 [94][95] - ARR指标争议大，更应关注用户行为质量 [93][96] AI硬件与玩具 - Plaud Note年收入7000万美元，缺乏竞争对手 [76][81][83] - AI玩具应避免过度依赖"可爱"属性 [127] - 玩具开口说话可能破坏想象空间 [130][136] - 创造独特IP和玩法比单纯智能化更重要 [137][138] 技术发展趋势 - 视频生成技术处于早期采用阶段 [70] - AI基础设施比云计算时代更复杂 [70] - 多模态模型变化快于语言模型 [63][64] - 工具链设计需要预留技术突破冗余度 [64][65]

AI Agent发展 - Agent发展打开了人机协同全新范式，将为AI应用提供新的发展思路 [1] - 未来模型能力将持续提升，各领域Agent将成为模型触达终端用户的载体 [1] - 持续看好AI应用后续发展 [1] 字节跳动 - 发布通用Agent扣子空间开启内测，定位通用Agent [4] - 平台上用户可以选择精通各项技能的通用实习生或行业领域专家，通过与AI互动完成工作任务 [4] - 支持添加MCP扩展，AI Agent能力边界被进一步扩展，更多插件将接入 [4] - MCP有望成为AI时代的HTTP协议 [4] - 此举拉开大厂布局通用Agent序幕，阿里、腾讯等公司有望迅速推进 [4] 智谱 - 正式发布AutoGLM沉思，具备深度研究能力和实际操作能力 [4] - 利用全栈自研大模型技术，在多个测试环境中取得SOTA成绩 [4] - 核心模型逐步开源，推动相关生态扩展并快速催化应用场景 [4] Genspark - 发布超级智能体Genspark，综合性AI助手可协调多个AI工具高效执行任务 [5] - 采用整合多AI模型的混合代理（MoA）系统 [5] - 包含80多个工具集和10多个高级数据集，每个模型专门用于特定任务 [5]