AI智能体的平台级机遇 - AI智能体被视为堪比移动互联网的平台级机会，正在重塑全球产业价值分配[2] - 通用大模型是基础设施，而AI智能体是能够直接创造价值的“发电厂”[2] - AI智能体革命的核心是解放人类的决策执行能力[2] 价值体现与商业应用 - **企业效率提升**：一家中等规模电商企业引入销售智能体后，线索转化率提升40%，成本仅为人工团队的1/3[3] - **个人能力延伸**：设计师通过创作智能体将重复性工作耗时减少80%[3] - **新商业模式孵化**：完全由AI智能体驱动的虚拟偶像公司已实现盈利，AI法律助手平台以传统律所1/10的价格提供服务[3] - **企业级数字人员工**成为细分方向，注重交互体验人性化以提升接受度和使用粘性[4] 关键发展节点与垂直领域 - 个人智能体可能成为继搜索、社交后的新流量入口[5] - 智能体正在改变医药研发、材料科学、芯片设计等领域的创新范式[5] - 重点关注方向包括：垂直行业合规智能体、跨部门协同智能体、SaaS化轻型平台、专业能力平民化产品、情感陪伴型产品、个人数字分身、研发加速工具以及跨学科创新催化剂[5] - 代码自主开发智能体能实现从需求描述到完整产品的应用开发[6] 投资者的筛选标准 - 寻找技术刚跨越可用门槛、能解决实际问题的场景[6] - 寻找数据护城河可构建的领域，依赖独特行业数据或专业知识[6] - 寻找商业闭环已得到验证的模式，已有早期客户付费且ROI明确[6] - 以推氪AI为例，其已在数字客服、虚拟培训等场景找到可复制的商业模式，并通过OEM模式降低企业使用门槛[6] - 团队需具备跨界整合能力，既懂AI技术又深谙行业know-how[7] 市场阶段与窗口期 - AI智能体赛道目前处于类似2011年移动互联网的阶段：技术基础就位、杀手级应用初现、市场认知形成但格局未固化[10] - 对于已完成技术验证、找到产品市场匹配的智能体公司，接下来18个月将是决定性的融资和发展窗口[10] - 历史经验表明，平台级技术浪潮的投资窗口期通常只有2-3年，移动互联网的黄金投资期是2010-2013年[9] 未来展望与商业模式 - 未来十年，最大的新公司可能来自真正理解如何将AI智能体转化为商业和社会价值的创造者[11] - 新兴商业模式包括：完全由智能体运营的虚拟公司和内容工作室、人机协作创业平台、以及智能体服务交易和租赁平台[12]

通用大模型在金融领域的局限性 - 通用大模型并非为金融市场设计，在真实市场表现不佳，近期一场“AI炒股大赛”中，两款中国模型成为唯二盈利的大模型，而美系四大模型全线亏损，最多的亏损达60% [1] - 通用大模型存在根本性“不适症”：其底层设计旨在理解世界而非市场，难以可靠区分信念与事实，这在金融等高危领域可能导致真实投资损失 [4] - 通用大模型依赖公开网络信息训练，存在金融垂类数据的滞后性和专业性缺失问题，且其“黑箱”决策与金融行业极高的合规性要求相悖 [4] 金融行业对专业AI体系的需求 - 金融行业需要一套完整的专业AI体系，而非仅将通用大模型作为辅助工具 [4] - 专业AI体系需构建四个关键层级能力：专业信源能力、专业分析框架、合规与可控、以及交易级的工程能力 [4][5][6] - 头部券商凭借其稀缺的数据资源、结构化分析框架、合规风控体系及高性能技术设施，在满足这四层需求上拥有核心资源禀赋 [5][7] 华泰证券AI原生应用“AI涨乐”的突破 - 华泰证券上线了国内首个AI原生证券交易APP“AI涨乐”，其意义在于从底层重构服务逻辑，让AI重塑交易体验，而非简单地在原有APP中嵌入AI功能 [2][8] - 该应用代表证券行业首次系统化地将AI技术整合为一套“可用、可控、可闭环”的产品体系，标志着从模型实验时代进入金融AI的“可用时代” [3][18] - AI涨乐重构了信息体系，从用户“看信息”转变为让模型“过滤信息”，并首次将AI深度接入完整交易链路，覆盖选股、盯盘、条件单、语音辅助下单等环节 [9][13][15] AI涨乐的核心功能与用户体验革新 - 选股功能革新：用户可通过自然语言（如询问“今天的热点是什么”）进行交互，AI利用大模型分析能力智能捕捉热点、挖掘关联板块并提供策略级分析，例如“涨停猎手”功能 [13][14] - 盯盘与条件单自动化：AI可代替用户持续监控市场，在关键事件发生时提醒，并将用户用语言描述的风险条件自动转化为条件单并执行，实现从“人盯市场”到“市场条件触发执行”的过渡 [15] - 语音辅助下单与交互范式变革：应用以对话为入口，用户可通过语音直接下达交易指令（如“买入100股苹果”），模型自动抓取关键信息并提示确认，实现了从意图到交易的完整、不间断AI贯穿链路 [8][15] - 致力于吸引Z世代投资者：应用提供二次元风格的AI投资助手形象（如Yomi和Domi），并内置基于用户兴趣生成财经播报的“早点听”播客功能，以年轻化、陪伴式体验重构用户关系 [16] AI涨乐的技术与工程化支撑 - 字节跳动旗下火山引擎提供了关键的技术支撑，包括构建私有化算力底座以满足金融级数据安全、合规与7x24小时服务可靠性的要求 [19] - 通过火山引擎的联网问答Agent能力，整合今日头条、抖音等大规模内容体系作为实时互联网信息池，与华泰内部专业数据库合并，赋予AI涨乐“市场实时感知”能力 [19] - 应用依赖模型集群而非单一模型：华泰自研模型确保核心投资分析的专业性与准确性；豆包大模型擅长处理财报、舆情等互联网碎片化信息的提炼与摘要 [20] - 火山引擎作为战略伙伴深度介入业务，与华泰共同解决行业难题，提供了从实验到产品化、工程化的关键一跃 [20] 对证券行业AI化发展的影响与展望 - 华泰与火山引擎的实践为行业提供了首个可复用的样本，预示着证券行业正从“数字化”迈入“AI原生”的深水区，类似行业的“iPhone时刻” [21] - 大型券商的演进路径将是“自研金融模型+全场景AI化”，旨在将AI深度融入全业务链条，构建智能服务护城河，其底层需要与火山引擎等企业合作确保基础设施性能 [22] - 中小券商的现实路径是“借助AI技术厂商，实现能力普惠”，通过API或模块化方案以较低成本和风险快速获取已验证的AI能力，实现“智能平权” [23] - 证券业的竞争维度正从传统的“网点多、人员多”，转向以数据、算法和算力深度融合为核心的“AI体系竞争” [23]

数据治理市场规模与痛点 - 2025年中国数据产量将达51.78ZB，但有效留存率仅5.1%，超九成数据因治理缺失沦为沉睡资产 [1] - 2025年78%的国内企业已实施数据治理，但仅有不足30%的企业实现数据资产化运营 [1] - 技术标准混乱、安全风险凸显等问题成为普遍痛点 [1] 数据治理行业演进 - 数据治理行业经历三个阶段：1.0时代比拼功能汇聚数据，2.0时代平台功能智能化但严重依赖行业专家 [2] - 传统治理模式存在规则僵化、语义割裂、任务碎片化等问题，导致大量数据资产沉睡 [2] - 行业亟须进入3.0时代，即依托垂直领域大模型实现全流程智能赋能 [2] - 到2028年，企业中超过50%的生成式AI模型将为特定领域模型 [3] 垂直模型解决方案优势 - 通用大模型缺乏深度业务理解，面临知识肤浅、幻觉频发困境 [4] - 垂直大模型能理解行业专有名词，例如应急管理场景下“三防”指防汛、防旱、防风 [4] - 百分点科技发布业内首个百思数据治理大模型（BS-LM），基于过去十年服务16个部委、90余个省市、50余家央企所积累的近千个项目经验 [4] 技术架构与实施机制 - 构建独特的数据回流机制，项目产生的数据主题库、标准元数据、运营指标体系等必须回流，直接影响项目考核 [5] - BS-LM采用知识原语理念，将复杂治理知识解构为可计算语义单元，通过多阶段训练和模型融合技术解决知识遗忘和语义漂移问题 [6] - 百思数据治理平台（AI-DG）以自然语言交互为入口、以智能体群为执行单元，实现从智能决策到高效执行 [6] 商业应用与价值验证 - 百思大模型已在政务、应急、央国企等关键领域落地，例如广州市白云区应急管理局对多源异构预案数据进行整合支撑智能分析 [7] - 某省应急厅的智能问数应用使跨业务数据获取与决策效率显著提升，实现从被动响应向主动治理跨越 [7] - 治理3.0时代核心是将行业知识变成可计算原语，让智能体处理重复性工作，使人专注于高价值判断 [7] - 未来垂类大模型竞争焦点是场景深度与知识厚度，而非参数大小 [7]

行业趋势转向 - AI产业正经历从通用能力探索到垂直行业落地的关键转折，决定AI商业价值的战役已在教育、医疗、客服等具体领域打响[2] - 通用大模型试图在所有场景下表现良好，却在任何场景下都难以做到极致，难以直接承担关键生产任务，真正的产业化落地必然发生在垂直场景[4] - 在线口语教学是最适合AI Agent落地的垂直场景之一，因其有明确的教学目标、可量化的学习效果、标准化的内容体系以及个性化互动需求[4] 斑马口语产品定位 - 公司推出业内首个真正实现AI外教一对一的产品「斑马口语」，是真正意义上在垂直行业落地的AI Agent[2] - 产品解决方案基于通用大模型能力，针对6-12岁儿童英语口语场景做深度定制，目标是打造真正「会教英语」的一对一AI外教，而非仅仅「能聊英语」的AI助手[5] - 教育场景对AI要求苛刻，AI外教需能判断发音标准度、情绪、理解程度并实时调整教学策略，且必须适龄，不能输出不当内容或事实性错误[4] 技术突破：实时交互 - 为实现自然对话，AI外教响应延迟需控制在合理范围，分层延时目标为即时反馈1.5秒内，标准响应1.5到2.5秒内[9] - 完整语音交互链路（ASR、大模型推理、TTS、网络传输）总延迟易超过2.5秒，在教学场景下不可接受[9] - 公司采用全链路流式处理架构，将各环节由串行等待改为流水线并行，并结合智能调度策略与WebRTC协议，将端到端延迟压至1.5到2.5秒目标范围[10] 技术突破：语音识别 - 英语教学对语音识别要求远超普通语音助手，需精准识别易混音素并给出音素级反馈，低龄儿童发音不标准率可能超过40%[11] - 系统需应对真实环境音频干扰，并解决VAD判停策略难题，避免打断孩子思路或导致交互混乱[12] - 公司采用智能VAD判停策略，结合音频能量、静音时长、语义完整度三维判断，并根据教学环节动态调整判停阈值[12] 技术突破：内容安全与适龄 - 教学场景需要严格的目标导向和内容可控，大模型的开放性和随机性可能导致错误知识或不适合儿童的内容输出[14] - 公司建立多层防护体系，包括在模型训练阶段进行数据严格筛选与安全强化训练，上线前进行全面测试集验证，运行时接入传统风控系统实时拦截与在线会话质检监控[15][16] 技术突破：多模态呈现 - 现代在线教学需实现语音、动画、文字、特效等多种元素的时序精确配合，同步误差超过200毫秒就会产生「对不上」的感觉[17] - 公司设计统一的时序编排引擎，所有模态元素在统一时钟下调度，并实现自动补偿机制以保持整体同步[17] - 采用「边生成边渲染」的流式策略与自适应性能降级机制，根据设备性能动态调整呈现策略，确保体验流畅[18] 市场竞争与公司优势 - AI教育赛道参与者众多，如谷歌、可汗学院等，但其产品多停留在「AI辅助学习」层面，工具属性强，而非真正意义上的「教学」[19] - 公司产品在实现AI主导教学、像真人老师一样引导系统化学习方面处于领先地位，优势建立在近60万节真实对话数据、1500万分钟交流记录以及长期技术积累之上[19] 行业影响与前景 - 产品成功正在重构口语教育赛道竞争规则，竞争焦点从外教资源、师资数量转向AI Agent打造能力，标准提升至AI外教能否做到比真人更稳定、更个性化、更具可扩展性[22] - 垂直AI Agent的成功为其他行业提供范本，未来可能涌现医疗问诊、心理咨询、法律咨询等领域的专业Agent，形成全新AI服务生态[22] - 中国企业在垂直AI应用上有能力做到全球领先，庞大的市场规模、丰富场景和快速迭代能力将成为巨大优势[22]

大模型发展路径 - 通用大模型与场景大模型相辅相成，通用大模型是基础，其强大的数据、算力和算法能力不断推高技术天花板 [1] - 通用大模型能力增强后，其解决场景问题的能力也会越来越强 [1] - 场景模型更专注于行业和应用场景的理解，能够满足时间、资源和环境等约束条件，实现精准落地 [1] 算力基础 - 算力是基础，国产算力正蓬勃发展 [3] - 百度昆仑芯已组成自研3万卡集群 [3] - 国内其他芯片厂商也在快速成长 [3] AI人才发展 - 人才是大模型发展的关键支撑，AI发展迅速，年轻人能快速掌握核心技术并发挥巨大作用 [3] - 优秀人才选择工作单位时不仅关注薪酬待遇，更重视研发平台、算力支持和成长空间 [3] - 企业争取AI人才需要提供综合支撑，确保技术创新得以持续 [3]

上市进展与市场地位 - 明略科技-W于10月17日通过港交所主板上市聆讯，中金公司为其独家保荐人[1] - 按2024年总收入计，公司是中国最大的数据智能应用软件供应商[1] 行业前景与公司定位 - 中国数据智能应用软件市场预计从2024年的人民币327亿元增至2029年的人民币675亿元，复合年增长率为15.6%[4] - 公司是中国领先的数据智能应用软件公司，提供涵盖营销和营运智能的产品及解决方案[4] - 公司致力于利用大模型、行业特定知识及多模态数据转变企业的营销及营运战略设计和决策程序[4] 客户构成与收入集中度 - 主要客户包括消费品、食品与饮料、汽车及3C行业的企业，以及线下零售和餐厅连锁运营者[5] - 2022年、2023年、2024年及截至2025年6月30日止六个月，来自最大客户的收入占比分别为11.9%、24.4%、19.3%、20.0%及18.9%[5] 财务表现 - 2022年、2023年、2024年及截至2024年、2025年6月30日止六个月的毛利率分别为53.2%、50.1%、51.6%、50.6%及55.9%[5] - 同期研发开支分别为人民币7.51亿元、4.81亿元、3.53亿元、1.74亿元及1.5亿元[5] - 2022年、2023年、2024年录得净利润人民币16.38亿元、3.18亿元、794.9万元，而截至2024年、2025年6月30日止六个月录得净亏损人民币9866万元及2.04亿元[6] - 净利润主要受优先股、认股权证及可换股票据的公允价值变动推动，2022年、2023年、2024年变动分别为人民币28.154亿元、5.855亿元及1.86亿元[6] 详细损益表数据 - 2022年、2023年、2024年总收入分别为人民币12.69265亿元、14.61973亿元、13.81382亿元[7] - 同期毛利分别为人民币6.75739亿元、7.32642亿元、7.12694亿元[7] - 同期研发开支分别为人民币7.50923亿元、4.80755亿元、3.53047亿元，占收入比例分别为59.2%、32.9%、25.6%[7] - 2022年、2023年、2024年营运亏损分别为人民币10.08933亿元、2.10919亿元、1.32347亿元[7]

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]

行业总体目标 - 2025至2026年机械行业营业收入目标突破10万亿元，年均增速达到3.5%左右 [1] 稳增长核心策略 - 方案核心在于找到拉动内需和提升供给的平衡点 [5] - 全方位扩大有效需求，聚焦挖掘存量市场潜力、培育新需求、扩大有效投资、推动产业数字化智能化转型、深化开放合作五项内容 [3] - 加大制造业重大技术改造和大规模设备更新工程的实施力度，为存量市场注入活力并推动高端智能制造和绿色节能技术落地 [5] 智能化转型重点 - 智能化转型成为行业发展重要抓手，通过深化技术融合和完善标准体系为高质量发展注入新动能 [8] - 实施智能装备创新发展工程，聚焦三大方向：攻坚工业母机和智能检测装备、发展智能农机与医疗机器人、攻关高端智能机器人 [8] - 加强通用大模型和机械行业大模型研发，推动人工智能、北斗导航等技术与装备深度融合 [8] - 大模型、北斗等技术融合赋能相当于给机械装上智慧大脑 [10] 政策与标准支持 - 积极出台有利于行业稳定运行的政策举措，助力装备企业开展技术创新和技术改造 [7] - 利用信息化平台强化运行监测，建立行业经济运行风险预警机制 [7] - 完善工业母机、农机装备、基础零部件等技术标准制修订，建设一批智能母工厂并推广成熟经验 [12] - 守住制造安全底线，确保核心技术及产品不被卡脖子 [10]

政策方案概述 - 工业和信息化部等六部门联合印发《机械行业稳增长工作方案（2025—2026年）》[1] - 方案旨在推动机械行业高质量发展，支撑工业经济稳定运行[1] - 机械行业是为国民经济、国防军工和民生事业提供技术装备的基础性、战略性和引领性行业，是工业经济"压舱石"[1] 行业增长目标 - 2025至2026年，力争营业收入年均增速达到3.5%左右[1] - 营业收入目标突破10万亿元[1] - 培育一批具有竞争力的中小企业特色产业集群和具有国际竞争力的产业集群[1] 行业现状与挑战 - 当前机械行业面临外部冲击影响加大、国内需求不足、非理性竞争加剧等问题[1] - 行业稳定运行面临挑战[1] 重点任务方向 - 方案从3方面提出14项重点任务，要求供需两侧同时发力，多方协同激发行业增长活力[1] - 重点任务包括加大制造业重大技术改造和大规模设备更新工程实施力度[1] - 开展数字化转型改造行动[1] - 支持工业母机、机器人、智能检测装备等攻关、验证和集成创新[1] - 加强通用大模型和机械行业大模型研发[1] - 着力整治非理性竞争，引导行业协会商会加强行业自律，促进产业有序发展和良性竞争[1] 政策保障措施 - 方案明确积极出台有利于机械行业稳定运行的政策举措，定期评估政策落实情况和实施成效[1] - 落实好工业母机等企业税收优惠政策，加大对装备企业金融支持力度[1] - 建立机械行业经济运行风险预警机制，加强经济运行监测调度[1]

360大模型战略定位 - 公司未开发大参数通用大模型 因需至少100亿美元投入且国外巨头已累计投资4000亿美元 [1] - 公司否认采用套壳模式 强调智能体需多专业模型支撑包括推理模型、编程模型及意图猜测路由模型 [1] - 公司保持千亿参数规模基座模型训练能力 并通过智能体工程化反哺基座模型优化 [1] 行业投资与技术路径 - 通用大模型领域存在极高资金壁垒 单企业基础投入门槛达百亿美元级别 [1] - 智能体开发需独立构建完整智力底座 涉及蒸馏板以外的多类型专业化模型协同 [1] - 巨头企业已形成规模化投资优势 行业资源集中度显著 [1]