事件概述 - 宇树科技（Unitree）的G1人形机器人在王力宏成都演唱会上完成伴舞及高难度“韦伯斯特”后空翻，表演视频在社交媒体广泛传播并引发关注 [2] - 特斯拉CEO埃隆·马斯克在X平台上对该视频点赞并评论“Impressive”，吸引了约4000万海外用户围观 [2] 技术展示与行业趋势 - 机器人跳舞已成为展示运动控制能力的关键方式，宇树G1今年2月发布的跳舞视频在外网获得超600万播放，并带动了商演需求 [4] - 多家机器人公司跟进展示舞蹈能力，例如逐际动力、帕西尼科技、星尘智能在2024年8月世界机器人大会上展示，智元机器人（稚晖君旗下）在9月展示空翻，小鹏IRON机器人在11月跟跳流行舞蹈，特斯拉Optimus也曾展示跳《天鹅湖》 [6] - 舞蹈动作，尤其是“韦伯斯特”后空翻，是机器人运动能力的“天花板”和里程碑，需要腿部爆发力、瞬时翻转与稳定落地三重能力叠加 [12][13] - 实现舞蹈动作对硬件和算法要求极高：机器人全身需23-43个自由度，控制算法需每秒完成1000次姿态修正，对电机爆发力、减速器“0公差”齿轮组、轻便且坚固的机械结构构成严苛挑战 [7][8][9] - 舞蹈本质是连续的稳定性测试，需克服电机发热、齿轮磨损、地面打滑等物理阻力，任何微小误差都可能导致失衡摔倒 [10][11] 市场反响与商业影响 - 人形机器人租赁市场经历价格大幅波动：2024年初借助春晚热度，宇树G1等日租金高达1.5万至3万元人民币且“一机难求”；至2024年底，日租金已暴跌至2000-3000元人民币 [23][24] - 早前流行的“机器狗”日租金更是跌至300-500元人民币 [25] - 马斯克的点赞行为可能为处于价格低谷的机器人租赁行业带来新的关注度和营销机会 [26] 行业竞争与战略解读 - 马斯克旗下特斯拉拥有直接竞品人形机器人Optimus，其点赞中国竞争对手的行为可能具有复杂商业目的 [4] - 分析认为马斯克擅长“零成本营销”，其点赞可能意在向市场兜售“具身智能”路线可行的核心逻辑，为自身技术发展争取时间与关注 [15][16][17][22] - 特斯拉Optimus同样具备高难度舞蹈能力（如单腿跳《天鹅湖》），其技术关键在于毫秒级扭矩微调与运动链平滑规划，展示了特斯拉在精密制造方面的优势 [18][19] - 马斯克本人较少发布Optimus跳舞视频（2021年底至2025年底相关娱乐视频仅3-4个，占比不足1%），其内容更聚焦技术进步，暗示跳舞仅是一种“表演”而非终极目标 [20] 技术现状与产业阶段 - 当前机器人跳舞表演依赖于预先编写的代码指令和严密的技术保障，例如宇树G1在王力宏演唱会伴舞时，每台机器人需1-2名技术人员随时支持，并有整个技术团队现场保障 [21] - 行业存在对“机器人跳舞”的批评，认为缺乏环境感知与自主决策能力的机器人仅是执行预设动作的“电子花瓶”，与实现通用人工智能（AGI）的目标相距甚远 [21] - 中国机器人产业现状被概括为“硬件先行，智能在后”，已能制造出具备高运动性能的“躯壳”，但尚缺AGI“灵魂” [26]

酷特智能AI产品研发进展 - 酷特数智化企业级操作系统已从1.0版本升级至2.0版本 该版本已正式研发完成并发布[1] - 酷特AI 2.0是酷特智能与华为联合打造的服装行业首个AGI（通用人工智能）成果[1] - 该系统的产业应用核心产品包括酷小智、酷小匠、酷小易 它们形成了全链路智能中枢[1] - 核心产品已同步升级并应用到智能体企业及智能体企业集群的实战场景中[1] - 公司已通过华为开发者大会发布、组织人工智能知名专家研讨等多种形式进行研讨和发布[1] - 后续将继续围绕智能体集群协同和行业场景深化应用进行持续迭代[1] 酷特智能H股上市进展 - 关于H股上市的相关工作进展情况 公司表示请投资者关注后续公告[1] - 公司H股上市尚存在较大不确定性[1]

核心观点 - Google DeepMind提出颠覆性观点，认为通用人工智能可能不会以单一超级模型的形式出现，而是通过成百上千个普通AI Agent协作“拼凑”而成，这被称为“拼凑型AGI” [1][2] - 当前几乎所有AI安全研究都聚焦于单一超级模型的对齐与安全，但技术、经济与基础设施的发展正使得分布式、多Agent协作的AGI路径成为可能且紧迫的安全考量 [1][4] - 公司提出了一个四层纵深防御的系统性框架，旨在为这种多Agent系统构建一个可控、可监管的“市场”，以应对其带来的全新安全风险 [12][13][44] 技术路径与现状 - 实现“拼凑型AGI”的技术基础已经就绪，包括AI Agent的快速部署、Agent间通信协议的标准化以及经济激励驱动的专业化Agent生态爆发 [4] - 目前大多数模型在软件工程任务上的持续表现时间低于3小时，这种能力的“斑块化”意味着短期内单一模型难以实现全面的通用智能 [7] - Agent间通信协议如Anthropic的MCP正在被广泛采用，这些标准化协议如同互联网的TCP/IP，是分布式智能涌现的关键基础设施 [9] 经济学驱动因素 - 经济学因素强烈倾向于专业化Agent生态，因为一个“包打天下”的前沿超级模型对于绝大多数任务而言成本过高，企业会选择“够用就好”的便宜模型 [8] - 市场动力将创造一个需求驱动的生态系统，无数专业化、精调过的、便宜的Agent将涌现，各自服务特定需求 [8] - 在这种观点下，AGI被视为一种“事态”，即一个成熟的、去中心化的Agent经济体系，而非单一实体 [9] 潜在风险与挑战 - 多Agent系统的能力涌现可能不是渐进的，引入一个新的、更智能的编排框架可能导致整个系统的能力突然跃升，甚至可以在没有中央编排器的情况下自组织成智能网络 [11] - 这种系统性的范式转变可能是快速而突然的，并且可能不会被立即识别，这带来了重大风险 [12] - 当前所有针对单一模型的AI安全框架都无法有效应对这种分布式智能涌现的风险 [4] 提出的安全框架（纵深防御模型） - **第一层防御（市场设计与经济激励）**：核心是构建一个“可渗透沙盒”市场，通过结构性约束和经济激励塑造Agent集体行为，具体机制包括隔离环境、动态数据摄取费、熔断机制、智能合约与AI裁判、加密身份与质押、声誉系统与共谋检测、托宾税以及结构性控制 [13][15][16][17][18][19][21][22][23][24][25] - **第二层防御（市场准入安检）**：确保每个进入市场的Agent满足最低安全标准，核心要求包括对抗鲁棒性、可中断性、局部遏制、对齐、机械可解释性及防御恶意提示 [26] - **第三层防御（实时监控与检测）**：负责主动检测新型故障模式和涌现行为，包括Proto-AGI签名检测、系统性风险实时监控、红队测试与取证工具，并需要独立的人类监督 [27][28][29][30] - **第四层防御（法律与监管层）**：提供外部权威与问责制，措施包括借鉴公司法确立法律责任、建立行业标准与合规、引入基于风险的保险机制、实施反垄断措施、推动国际协调以及加强基础设施治理 [31][32][33][34][35][36][37] 框架的局限性与挑战 - 该框架目前是纯理论的，许多措施尚未在实践中完全开发，代表着开放的研究挑战，缺乏实际的实现、基准测试和效果验证 [38][39] - 工程可行性存疑，例如准确估计复杂决策链的真实成本可能超出当前能力，且AI裁判本身也存在被操纵的风险 [40] - 存在效率与安全的权衡，框架中的安全机制会增加延迟、成本和摩擦，可能导致逆向选择，使市场青睐快速但不安全的Agent [41] - 可解释性技术尚不成熟，其忠实度和可扩展性存在重大问题，监控思维链也可能引入新的风险表面 [42] - 人类监督存在瓶颈，强大的系统可能操纵人类验证层，且Agent的行动速度可能使人工验证在操作上不可行，合格监督者数量也可能不足 [43] 行业影响与研究意义 - 该研究填补了AI安全研究的盲点，当前超过95%的研究聚焦单体模型对齐，而对多Agent系统安全的关注不足5%，但现实是后者的部署正在加速 [44] - 研究为AI安全社区提供了清晰的研究路线图，包括短期开发检测算法与安全协议、中期完善经济机制与取证工具、长期建立大规模试点和治理框架 [45] - 改变了行业对AGI时间线的评估，如果“拼凑型AGI”假说正确，AGI可能比预期更早到来，当前已部署的多个GPT-4级Agent通过有效协作，可能已在某些领域接近或超越人类集体能力 [46] - 对产业有直接指导意义，开发多Agent系统的公司需从一开始考虑系统级安全，AI基础设施提供商需在协议设计中内置安全考量，监管者需意识到现有针对单一模型的监管框架可能不足 [47]

生成式AI模型性能与架构创新 - 谷歌Gemini 3 Flash模型在SWE-Bench Verified测试中获得78%的分数，超越了Pro版的76.2%，其速度是Gemini 2.5 Pro的3倍，且Token消耗量减少30% [1] - Gemini Flash集成了大量Agentic RL研究成果，通过后训练算法实现小模型“降维打击”，而Pro版的主要作用是蒸馏Flash [1] - 帕累托前沿反转现象表明，参数规模不再是衡量模型性能的唯一标准，更便宜、更快的模型现在也可以是更聪明的模型 [1] - MiniMax开源其海螺视频底层技术VTP（视觉分词器预训练框架），在AI视觉生成领域发现了Scaling Law，破解了“第一阶段训练越好第二阶段反而变差”的悖论 [3] - VTP通过重建、CLIP图文对比和自监督学习三管齐下的训练方案，使视觉分词器学会理解而非只会重建，算力扩大10倍性能提升65.8% [3] - 通义千问推出Qwen-Image-Layered图像生成模型，采用自研架构将图片拆解成多个RGBA图层，每层可独立操作而不影响其他内容 [4] - 该模型核心技术包括RGBA-VAE和VLD-MMDiT，支持重新着色、物体替换、缩放移动、干净删除等操作，分层结构天然支持高保真编辑 [4] 自动驾驶技术路线与挑战 - 旧金山一场大停电导致红绿灯熄灭，Waymo无人驾驶出租车因系统无法确认安全边界而集体停摆，秒变路障 [2] - 事件凸显了Waymo与特斯拉技术路线的差异：Waymo依赖多传感器融合和高精地图，而特斯拉FSD依赖视觉和AI，后者在此次事件中完全未受影响 [2] - 该事件暴露了L4级无人驾驶在突发城市基础设施异常状况下的脆弱性 [2] AI公司发展与资本市场动态 - AI公司MiniMax正式冲刺港股“大模型第一股”，公司成立于2022年初，拥有385人团队，平均年龄29岁 [5] - 公司累计消耗5亿美元，约为OpenAI开销的不到1% [5] - 2025年前9个月，MiniMax营收达5344万美元，同比增长超170%，海外收入占比超70% [6] - MiniMax拥有超2.12亿个人用户和13万家企业客户 [6] - 公司股东阵容包括米哈游、阿里、腾讯、小红书、高瓴、红杉等，董事会平均年龄32岁 [6] - MiniMax是全球唯四全模态进入第一梯队的大模型公司 [6] 前沿硬件与计算技术突破 - 上海交大陈一彤团队推出全光生成式AI芯片LightGen，首次将光子计算拓展至大模型语义媒体生成领域，研究登上《Science》 [7] - LightGen由光子编码器、光学潜在空间和光子生成器构成，能实现512×512高分辨率图像生成、3D生成、高清视频生成及语义调控 [7] - 该系统速度达3.57×10^4 TOPS，能效达6.64×10^2 TOPS/W，计算密度达2.62×10^2 TOPS/mm²，整体性能比英伟达A100高出两个数量级以上 [7] AGI发展路径与安全框架 - DeepMind发布研究提出，AGI极可能通过多个次级AGI智能体协作与拼凑率先涌现，而非单一庞大模型 [8] - 论文提出了包含市场设计、基线智能体安全、监控与监督、监管机制的四层深度防御框架 [8] - 研究强调“拼凑型AGI”假设此前受关注甚少，建议构建虚拟智能体沙盒经济以解决智能体共谋等分布式风险 [8] 创业经验与团队管理 - ElevenLabs和Lovable的CEO建议创业前积累7-8年工作经验，包括在优秀公司的任职经历和对用户痛点的深刻理解 [9] - 高速扩张的关键在于保持“创始人模式”与“管理模式”的平衡，团队构成建议一半内部培养一半外部资深人士，并采用高强度工作模式 [9] - 欧洲创业虽缺乏成熟创业网络和资深高管，但人才优秀且忠诚度高，时区优势可同时对接全球市场 [9]

文章核心观点 - 人工智能发展进入新阶段，超级智能的出现将首次导致技术革命“消灭工作”而非仅替代岗位，对社会经济结构构成根本性挑战 [2][8][78][79] - 大模型技术发展远未到顶，预训练模型的Scaling Law仍有空间，而推理模型的Scaling Law则刚刚开始，技术演进正沿着“预训练模型-推理模型-智能体”的主线快速推进 [12][13][16][17] - 行业竞争格局未定，OpenAI与Google各有优势，未来可能多种生态共存，而下一代模型（如世界模型、AI科学家）的探索已吸引巨额资本押注 [4][20][34][41] - AI基础设施（算力、能源、数据中心）的投入是构建下一代数字时代的基石，当前不存在整体性泡沫，但算力仍是核心瓶颈 [42][44][47][48][51] - 应用层面，编程和内容生成已成为明确的爆款方向，具备强自主运营能力的智能体（Agent）预计将在2026年开始大量涌现 [52][53][54][55] 技术发展趋势与模型演进 - **发展主线**：过去三年AI发展呈现清晰的三部曲：预训练模型、推理模型、智能体，模型能力持续向上突破，推理模型与智能体的边界正在模糊 [13][14][15][18] - **Scaling Law 现状**：预训练模型的Scaling Law还远远没有到达顶点，其效率虽不如三五年前，曲线变平缓，但投入产出依然成正比，而推理模型的Scaling Law其实还有很长的路要走 [16][17][19] - **下一代模型探索**：行业正在寻找Transformer之外的新架构突破口，世界模型和“AI科学家”（用AI改善AI）是重要方向，硅谷已有相关初创公司在人未到齐、网站未上线时估值就达40亿至50亿美元 [4][20][22][23] - **模型能力评估**：评判模型能力不能只看传统“跑分”，需更关注其完成实际任务的生产力，推理模型能够“慢思考”的时长是衡量智力上限的重要标志 [24][25][26] 行业竞争与市场格局 - **OpenAI vs Google**：两者竞争激烈，各有优势。Google凭借全栈能力、强大执行力在Gemini 3.0上实现了爆发，其AI三要素（算法、人才、数据）结合良好；OpenAI则拥有约8亿周活跃用户的ChatGPT应用生态和先发优势，但面临内部动荡及在预训练模型上投入不足的挑战 [34][35][36][37] - **生态模式**：未来AI时代可能像移动互联网时代一样，封闭的全栈生态（如苹果）与开放的生态体系（如安卓）共存，现在给OpenAI、英伟达下结论为时过早 [40][41] - **芯片竞争**：Google使用自研TPU训练出Gemini 3.0，引发了TPU是否会打败GPU的讨论，给英伟达股价带来压力，但最终哪种体系胜出尚待观察 [40] 基础设施与资源瓶颈 - **核心瓶颈**：算力依然是AI发展的根本瓶颈，电力、数据中心（IDC）建设是满足算力需求的前提 [42][44][47] - **美国基建挑战**：美国IDC建设速度慢，从立项到运行需约三年，电网能力是主要卡脖子环节，而非能源本身短缺 [43][44] - **算力密度单位**：行业开始用“兆瓦”作为算力集群的新单位，1兆瓦电力约对应50万张GPU（H200）的算力 [44] - **中国算力制约**：DeepSeek团队明确表示其模型性能受限主要因为算力不足，加算力后模型能力仍有持续提升空间 [46][47] 应用落地与投资热点 - **已确认的爆款应用**：To C端的ChatGPT和To B端的AI编程（如Cursor）已成为明确爆款，AI生成内容在金融、体育等领域的新闻报道占比已超过50% [52][53][60] - **智能体（Agent）爆发点**：随着推理模型能力提高，预计在未来12到24个月内AI会有非常大突破，2026年将出现大量具备强自主运营能力的Agent [54][55][56] - **垂类机会**：编程、客服、媒体内容生成、企业工作流自动化是可能快速发展的垂类赛道 [57][59][60][62] - **端侧AI现状**：当前的AI手机、AI眼镜等硬件主要聚焦于智能交互，真正的智能仍在云端，端侧生成式模型驱动尚未成熟，自动驾驶是特例因其车载算力充足 [63] 机器人赛道与具身智能 - **存在泡沫**：中国的机器人赛道被认为是AI领域泡沫最多的，中国可能有上百家机器人公司，而美国仅约十家左右 [65][66] - **发展挑战**：在世界模型取得突破之前，具身智能很难做到通用，这不是三到五年的事，而是五到十年的事 [66][73] - **中美差异**：中国在机器人本体制造和供应链上有显著优势（一次升级仅需一周，美国需两个月），但大部分本体仍处于遥控状态，缺乏自主执行通用任务的泛化能力 [67][72] - **务实路径**：特斯拉机器人可能实现百万台量产，因其专注于工业场景中的“一类任务”机器人，而非通用机器人，这在特定领域已具重大意义 [68][69][75] 社会经济影响与未来挑战 - **就业冲击本质**：超级智能将“消灭工作”本身，而不仅仅是替代某个岗位，这是人类首次面临技术革命减少整体工作机会的挑战 [2][78][79] - **创造与消灭的循环**：AI会创造新工作机会（如图片需求增加），但这些新机会最终可能仍由AI自身满足，而非转移给人类 [78] - **贫富差距与超级个体**：在大模型驱动的Agentic Economy时代，会出现“一人的独角兽”式超级个体，个人能力和收入差距将进一步拉大 [9][85] - **潜在解决方案探索**：社会开始探讨全民基本收入（UBI）、新的税收体系（向机器人或公司利润征税）以及让公民分享技术成长红利的投资账户等方案 [82][83] - **未来职业形态**：自由职业者、非全职工人招聘可能成为主流，人们需要具备机器难以替代的特定技能，并保持好奇心和创造力以应对变化 [86][88][89]

公司估值与市场地位 - 智谱最新估值达243.77亿元，是中国大模型公司中首个公开确切估值金额的公司[2] - 按2024年收入计算，智谱是中国企业LLM领域最大的独立大模型厂商及第二大模型厂商，市占率为6.6%，超越了阿里巴巴和商汤科技[4] 商业化收入与增长 - 公司收入从2022年的0.6亿元增长至2024年的3.1亿元，年复合增长率达130%[5] - 2025年上半年收入为1.9亿元，较2024年同期的0.4亿元同比增长超300%[5] - 近85%的收入来自本地化部署业务，客户分布于互联网科技、公共服务、电信、传统企业等多个垂直行业[5] - 2025年上半年海外收入占比快速提升至近12%，主要来自马来西亚和新加坡市场，实现了中国大模型技术出海的突破[5] 商业模式与客户拓展 - 商业化收入由本地化部署和云端部署构成，公司推行“纵横策略”[5] - 纵向通过MaaS平台降价引流，再向高毛利的本地化部署业务转化，初步构建商业循环[5] - 横向凭借MaaS平台高度灵活可扩展的特点，交付通用模型能力，实现token调用量的快速规模化[5][6] - 2025年上半年，本地化部署和云端部署的机构客户分别为95家和3061家，而2024年全年分别为123家和5457家[5] - 截至2025年第三季度，公司拥有超过1.2万名机构客户，较上半年大幅增加，模型赋能逾8000万台终端用户设备及超4500万名开发者[5] 产品能力与市场表现 - 公司坚持“模型即产品”的逻辑，最新发布的GLM 4.5/4.6基座模型原生融合推理、编码、智能体能力[9] - GLM模型在Code Arena上与Anthropic、OpenAI的模型并列第一，发布后MaaS平台调用量呈指数级增长[9] - MaaS平台拥有超过290万企业及应用开发者，是中国最活跃的大模型API平台之一，中国前10大互联网公司有9家使用其GLM大模型[10] - GLM Coding套餐上线2个月付费开发者超过15万，年度经常性收入快速破亿[10] - 2025年11月，公司日均token消耗量达4.2万亿，而2022年仅为5亿，增长显著[5] 研发投入与财务表现 - 公司经调整净亏损持续扩大，2022年至2024年分别为0.97亿元、6.21亿元、24.66亿元，2025年上半年为17.52亿元[11] - 研发费用是亏损主因，同期分别为0.8亿元、5.3亿元、22.0亿元及15.9亿元[11] - 研发费用中算力服务费用占比从最初的17%快速升至超70%，与MaaS平台调用量增长同步[11] - 公司认为高研发投入是保持模型领先优势、维持头部阵营地位的战略选择[11] 毛利率与战略取舍 - 公司毛利率从2022年的54.6%波动至2025年上半年的50.0%[5] - 毛利率下降主要源于MaaS平台业务为争夺市场份额而进行的策略性降价[5][6] - 公司愿意牺牲短期毛利率，通过云端业务降价引流并扩大规模，预计未来本地化与云端业务收入将各占一半[6] 技术实力与行业定位 - 公司脱胎于清华大学，从基座模型底层架构起步，率先推出国内多个“首个模型”[15] - 根据行业评估，GLM-4.5在全球排名第三、在中国跃居第一、在全球开源模型中位居榜首[18] - 在检索增强生成领域的LLM幻觉排行榜中，GLM-4.5的幻觉率为全球第二低及中国最低[18] - 公司在OpenRouter上的token消耗量持续居于全球前十及中国前三，其付费API收入超过所有国产模型之和[18] - 公司近期连续开源多模态和智能体系列模型，在Hugging Face Trending榜单前10名中占据5席[16] 融资历程与行业背景 - 公司成立近6年，累计完成超8轮融资，融资规模超83亿元[21] - 作为“百模大战”中首家冲刺资本市场的公司，其上市表现将为中国独立大模型公司乃至整个产业定价提供参考[21][22] - 行业共识认为，在AI发展的关键阶段，维持投入、不下牌桌比短期盈利更重要[14]

核心观点 - 公司是一家以极致资本效率和全球化运营为核心竞争力的全模态AGI公司，尽管在传统会计准则下呈现累计亏损，但其经调整亏损持续收窄，并已跑通可持续、高毛利的双轮驱动商业模式，正以“中国研发+全球造血”模式冲击港股IPO，旨在重构AGI赛道的估值逻辑 [1][3][14] 财务与运营表现 - **营收高速增长与结构健康**：2025年前九个月营收达5344万美元，同比增长170% [6] 收入结构多元，C端订阅占比超71%，B端API业务毛利率高达69.4% [6] - **盈利能力显著改善**：公司整体毛利率从2023年的-24.7%快速转正，于2024年达到12.2%，并在2025年前九个月进一步提升至23.3% [6] - **亏损实际持续收窄**：按衡量科技公司业务可持续性的Non-IFRS（经调整净亏损）口径，2025年前九个月经调整亏损净额为1.86亿美元，同比缩窄8.6%，而同期收入增长174.7% [3][7] - **运营效率卓越**：应收账款周转天数仅38天，远低于行业平均的60-90天，应收账款余额仅806万美元，显示增长不依赖烧钱 [7] - **现金储备充足**：截至2024年9月底，公司账上现金储备为11亿美元，支撑后续发展 [3][8] 技术实力与资本效率 - **行业地位领先**：公司跻身全球全模态AGI四强，服务覆盖200个国家与地区的2.12亿用户 [1] - **极致资本效率**：累计融资约15亿美元，实际累计净消耗仅约5亿美元，便达到全球顶级技术布局，其成本约为行业领袖OpenAI估算投入（400亿至550亿美元）的1% [8] - **技术成本优化**：通过算法优化替代算力堆砌，训练成本占收入比从2023年的1342%大幅降至2025年的266.5% [7] 商业模式与市场布局 - **全球化收入来源**：公司自诞生之初便是生而全球化的，70%收入来自海外，覆盖200个国家与地区 [1][8] - **双轮驱动商业模式**：C端拥有2.12亿个人用户，B端拥有13万企业客户，形成消费与企业双引擎，抗风险能力强 [7][13] - **B端生态广泛**：公司是唯一被亚马逊AWS Bedrock唯一点名引入的中国大模型，同时登陆谷歌Vertex AI、微软AI Foundry三大云平台，客户横跨科技、创意、硬件、广告等多个领域 [7] 组织与文化 - **团队年轻高效**：公司拥有385名员工，平均年龄29岁，其中研发人员占比74%，董事会平均年龄32岁 [1][10] - **组织架构扁平**：CEO之下不超过三层职级，决策链极短 [10] - **AI原生工作方式**：超过80%的代码由AI生成，从根本上重构工作方式，将人效推至极致 [10] 上市意义与投资逻辑 - **填补市场空白**：港股市场缺乏拥有AGI核心技术与成熟商业化能力的标杆企业，公司上市将填补这一空白 [12] - **豪华股东阵容**：战略投资者包括米哈游、阿里、腾讯、小红书等，财务资本包括高瓴、红杉、IDG等，形成“技术+生态+资金”三重护航 [12] - **提供稀缺投资逻辑**：为全球投资者提供三重稀缺逻辑：算法优化带来的新估值锚点、双轮驱动构筑的护城河、以及“中国研发+全球造血”模式在地缘政治下的风险对冲价值 [13]

投资评级与核心观点 - 报告对昆仑万维维持“增持”评级 [10] - 报告核心观点认为，昆仑万维前瞻布局世界模型，AI能力保持行业领先，商业化水平有望持续加强，同时算力需求高增明确，需关注其芯片业务进展 [5][6][7][8] 公司基本情况与市场表现 - 公司最新收盘价为39.99元，总市值为502亿元，总股本为12.55亿股 [4] - 公司52周内最高价为49.98元，最低价为27.23元 [4] - 公司资产负债率为17.9%，市盈率为-30.76 [4] - 截至报告发布时，公司股价在过去一年中表现弱于传媒行业指数 [3] 事件回顾与行业背景 - 2025年12月11日，AI视频生成公司Runway发布了其首款通用世界模型GWM-1，进军“世界模拟”产业赛道 [5] - 世界模型被视为通向AGI（通用人工智能）的重要技术路线，能够使AI具备类似人类的认知和推理能力，目前Google、DeepMind、Meta等头部机构均在积极推进相关研究 [6] 公司技术布局与领先性 - 昆仑万维是国内首个同时推出3D场景生成与可交互视频生成模型的企业，于2025年2月推出了世界模型-Matrix系列 [6] - 2025年8月，公司进一步打造并开源Matrix-3D，可实现从单图像生成可漫游的高质量三维场景，在多个评估指标上优于360 DVD、Imagine360、GenEx等主流模型，并取得全景视频生成任务的SOTA成绩 [6] - 2025年11月，公司推出SkyReels V3多模态视频生成模型，在声音画面同步、画面质量等关键指标上已接近主流闭源SOTA视频模型 [7] - 2025年11月，公司发布Mureka V7.6与Mureka O2模型，其中Mureka在音乐质量与提示词遵循等维度上已超过海外头部AI音乐产品同期表现水平 [7] - 2025年11月，公司发布轻量化版本R1V4-Lite，在单一模型中统一实现了主动图像操作、外部工具调用与多模态深度研究三大能力 [7] 商业化前景与算力需求 - 公司AI产品已广泛覆盖办公协同、3D场景生成、AI社交及短剧等多个应用领域 [7] - 伴随AI产业演进，视频、图像等新模态应用加速落地，算力需求持续增长 [8] - 根据新华网报道，预计2025年中国智能算力规模将达到1037.3 EFLOPS，较2024年增长43%；2026年规模有望进一步提升至1460.3 EFLOPS，体量或将达到2024年的两倍 [8] - 公司持续推进AI芯片研发，关键模块的设计与验证进展顺利，产品落地后有望形成新增长动能 [8] 财务预测与估值 - 预计公司2025年营业收入为71.42亿元，同比增长26.14%；2026年营业收入为80.09亿元，同比增长12.14%；2027年营业收入为88.86亿元，同比增长10.94% [9][12] - 预计公司2025年归母净利润为-4.40亿元，2026年转正为0.13亿元，2027年增长至2.74亿元 [9] - 预计公司2025年每股收益（EPS）为-0.35元，2026年为0.01元，2027年为0.22元 [9] - 以2025年12月19日收盘价计算，对应2025/2026/2027年市盈率（PE）分别为-114倍、3951倍和183倍 [10][12] - 预计公司毛利率将从2024年的73.6%调整至2025-2027年约67.6%的水平 [13]

文章核心观点 - 人工智能行业在ChatGPT发布三周年之际，竞争白热化，模型性能差距缩小，发展面临天花板质疑，但产业对AGI的到来仍充满信仰与探索 [1] - 行业展望2026年，将面临智能瓶颈与投资回报焦虑，同时也在规模法则、多模态、研究探索、物理AI仿真数据、AI for Science、模型应用一体化、个性化软件、行业落地ROI验证、AI眼镜及AI安全等多个方向寻求突围 [1] Scaling Law与AGI进化路径 - 行业主流信仰通过增加算力、数据、参数的Scaling Law可驱动智能持续增长直至AGI，但近期模型智能升级放缓及数据枯竭论引发质疑 [2] - 反对观点认为大模型仅是拟合语言相关性，而非真正理解世界，智能需包含抽象、因果推理等，且规模法则正接近极限，未来突破需更好的学习方式而非简单扩展规模 [2] - 在底层架构与训练方法无颠覆性变革背景下，Scaling Law仍是目前最可靠、实用的增长路径，因其能力提升可预测、产业投入可评估、人才与工程体系可延续迭代 [3] - 近期Gemini 3的表现与DeepSeek V3.2研究印证了规模法则现阶段依然有效 [3] - 美国AI新基建规划大型数据中心总装机容量超45吉瓦(GW)，预计吸引超2.5万亿美元投资，黄仁勋提出在预训练、后训练强化学习及推理过程中均存在规模法则，支撑算力持续增长 [3] - 数据是当前大模型进化最迫切难题，高质量可用数据稀缺，行业正探索通过合成数据、推理过程数据、强化学习数据、多模态数据等构建可工程化、可规模化的数据生成体系 [4] - 未来将是New Scaling Law时代，不仅堆砌算力，更注重数量与质量扩展，结合算力资源充沛，有望通过算法与架构优化带来底层突破，AGI可能来自规模与结构性创新（如世界模型、具身智能等）的结合 [4] 多模态技术的突破与意义 - 谷歌Gemini、OpenAI Sora等多模态模型实现了对内容的深度理解与生成，迎来了多模态的ChatGPT时刻 [5] - 多模态技术从感知（如视觉）方向探索智能进化，类比生物进化中视觉的出现触发了认知能力的阶段性跃迁，有望推动AI智能出现非线性跃升 [5][7] - 大语言模型仅通过文本学习经过人类加工的“二手世界”，多模态模型通过图像、视频等对世界状态的直接投射，包含空间、时间及物理约束信息，为形成更稳健的世界模型提供可能 [9] - 多模态为人工智能打开了“感知-决策-行动”闭环的可能性，与工具使用、机器人控制结合，可通过环境反馈持续优化，实现智能跃升 [10] 研究探索与创新方向 - 研究驱动是大模型行业核心范式，以小团队多方向并进的赛马机制有效，预计2026年在底层架构、训练范式、评测方法、长期记忆、Agent等领域有望诞生更多突破 [11] - 全球涌现一批非共识的技术实验室：伊利亚的SSI聚焦安全超智能，融资30亿美金 [12]；Mira的Thinking Machines Lab推出产品Tinker帮助微调模型 [12]；李飞飞的World Labs专注空间智能 [12]；杨立昆的AMI目标构建理解物理世界的系统 [12]；欧洲的H Company研发能解决复杂现实问题的超级Agent [12] - 底层架构与训练范式出现创新研究：日本的Sakana AI站在Scaling Law对立面，探索演化式模型与群体智能协作以降低算力依赖 [13]；Liquid AI开发可连续演化的液体神经网络架构 [14]；谷歌提出嵌套学习(Nested Learning)概念，设计快慢系统协同解决灾难性遗忘问题 [14] - 评测牵引成为重要研发范式，行业正探索应对静态刷榜数据污染等挑战的新方法，包括构建面向Agent与长期任务的跨步、跨工具评测体系（如SWE-bench、AgentBench），以及基于游戏、模拟世界的动态交互式仿真环境评测 [15] 仿真数据在物理AI中的应用 - 机器人物理世界数据采集成本高（真机采集一条数据成本1-10美元）、速度慢，仿真生成数据边际成本趋近于零且可并行，在早中期研发中将成为主流，Sim-to-Real鸿沟正被生成式AI填平 [17] - 仿真数据在规模覆盖、可控可复现、跨本体迁移方面具有优势，能低成本覆盖长尾场景，支持多机器人多任务训练统一对齐 [18] - 产学研界已有实践：上海人工智能实验室的合成数据集InternData-A1包含超63万条轨迹、7433小时数据，覆盖4种具身形态、70项任务，基于其预训练的模型在仿真与真实任务上表现与官方模型相当 [18]；银河通用发布灵巧手合成数据集DexonomySi，包含超950万条抓取姿态，覆盖超1万个物体，并基于此开发了具身大模型GroceryVila实现机器人双手自主取物 [18]；谷歌的Genie 3为机器人训练提供无限可能的模拟环境 [18] - 仿真存在建模误差（如接触、材料、传感器噪声）及难以覆盖真实世界无穷意外组合的局限，尤其在软体物体、长周期可靠性、高风险人机共处等场景 [19][20] - 在物理AI早中期研发中，仿真预计承担90%以上的数据与验证工作，真机数据用于物理锚定与校准，仿真正成为物理AI的数据基础设施 [21] AI for Science (AI4S)的进展 - AI4S最具象征意义的成果是AlphaFold，但普遍质疑其离产业应用仍远，未能根本改变药物研发等领域的周期与成本 [22] - 2026年可能成为转折点，AI4S正从模型驱动的学术突破转向系统工程化的科研生产力 [22] - 核心障碍在于验证太贵太慢且难复制，当前积极变化是AI正被直接嵌入实验系统：谷歌DeepMind计划2026年在英国建立基于AI的自动化科研实验室，形成假设生成、机器人执行、数据回流的闭环，首次让AI4S从建议者变成执行者 [23] - 国家层面推动：美国通过《启动创世纪任务》行政令，将AI4S上升为国家战略，由能源部牵头建立全国性AI科学平台，整合联邦科研数据、超算资源和AI模型，聚焦先进制造、生物技术等关键领域，有望解决高质量科学数据匮乏的痛点 [25] - 2026年可能在某些领域出现研发周期数量级压缩，自动化实验与AI workflow成为头部机构标准配置，科研组织开始围绕AI agents重构分工 [26] 模型应用一体化与网络效应 - 大模型目前能力虽强但平台效应弱，未形成类似移动互联网的网络效应，ChatGPT周活接近10亿，但模型不会因用户增多自动变强，用户间连接弱 [27] - “裸模型”阶段因交互是一次性、私有的，难以直接回流训练与复用，且创造的价值源于对个体能力提升而非用户间关系密度，因此AI更多是生产力工具而非平台 [28] - 模型与应用一体化是破局点，当模型拥有稳定身份、长期记忆并持续参与用户工作流时，AI才具备成为平台的能力 [28] - 一个方向是模型接入更多应用（+AI），如GPT推出智能购物、群聊功能，Sora2推出Cameo个人数字形象功能以建立社交关系链 [29] - 更具颠覆性的方向是构建智联网新形态（AI+），即个人、团队、组织拥有自己的Agent并彼此协作，形成AI原生的网络效应 [31] - 未来Agent网络效应可能出现多种形式：交易型网络（形成服务型Agent与用户Agent的双边市场）[32]；知识型网络（用户打磨的隐性技能库使模型越用越聪明）[32]；工作流型网络（复杂任务流程被模块化、标准化并广泛复用）[32]；社交型网络（AI成为组织内的超级连接器促进协作）[32] - 模型应用一体化的真正意义在于构建以模型为认知核心、应用为关系容器、Agent为基本节点的智能网络 [33] 个性化软件与AI编程 - AI Coding逼近普适生产力，软件正从工业化产品变为高度个性化、情境化、即时化的工具，进入软件3.0时代 [35] - Anthropic首席执行官预测未来3-6个月AI将编写90%的代码，12个月内几乎所有代码可能由AI编写 [35] - 美团内部已有52%的代码由AI生成，90%的工程师频繁使用AI工具，部分团队依赖AI完成90%以上代码编写 [35] - 腾讯月均新增代码3.25亿行，超90%工程师使用AI编程助手CodeBuddy，50%的新增代码由AI辅助生成 [35] - 软件生产核心瓶颈从编码能力转向问题定义能力，自然语言等成为主要编程接口，出现“vibe coder”称谓 [38] - 编程供给充裕将激活需求侧长尾市场，软件可千人千面，实现从人适应软件到软件适应人的范式转移，满足曾因市场规模小而被忽略的个性化需求 [39] - 部分解决通用问题的微软件将被分享复用，形成小规模生态（如Hugging Face Spaces上的小应用、Chrome插件）[39] - 软件平权时代来临，编写软件像写文章一样简单，核心竞争力转向共情、问题定义与想象力 [40] 行业落地与ROI验证 - AI行业落地从早期概念验证(PoC)进入核心业务流程，企业关注点从技术先进性转向可衡量的业务价值，ROI与性价比成为第一性问题 [41] - 麦肯锡报告显示，至少在一个职能中常态化使用AI的企业比例从78%升至88%，但多数仍处探索或试点阶段，企业层面规模化部署稀少，AI高绩效企业仅6% [41] - OpenAI企业调研显示，ChatGPT Enterprise周消息量增约8倍，员工人均消息量提升30%，组织平均推理token消耗增长约320倍，75%员工认为AI提升工作速度或质量，平均每日节省40-60分钟，重度用户每周节省超10小时 [42] - 早期AI应用多以Copilot形态承担边缘任务，对组织整体效率影响有限，当前积极变化是AI开始深入行业流程中后段 [43] - 下一步可验证收益将来自生产效率、客户响应、营销指标、研发生产力提升，未来深度收益将来自流程再造、智能体协同、供应链智能化等领域 [44] - 工作模式向“一个人+N个智能体”转变，企业管理逻辑将重构为以结果交付、质量稳定性和风险控制为中心的新范式 [44] AI眼镜的发展前景 - AI眼镜销量达1000万台是成为大众消费品的临界点，预测Meta Ray-Ban等产品2026年单品牌有望冲击此目标，巴克莱研究预测2035年销量将达6000万副 [45] - 雷朋制造商依视路将提前实施年产能1000万件可穿戴设备计划以满足需求 [45] - 硬件做减法是成功关键，Meta放弃高成本显示模组，将重量控制在50克以内，结合大模型多模态能力，首先成为合格穿戴与拍照设备，降低制造难度与用户门槛 [47] - AI眼镜将改变软件生态，操作逻辑从以应用为中心转向以意图为中心，自然语言交互主导，技能商店(Skill)可能取代应用商店 [48] - 眼镜摄像头产生的第一视角海量数据可为机器人训练提供数据，并可能催生基于视觉关注度的全新推荐与广告模式 [48] - 个人隐私、数据脱敏及相关法律伦理规范在AI眼镜领域尤为重要 [48] AI安全与治理 - AI能力提升与AGI逼近使安全关注度提升，调研显示66%受访者经常使用AI，但超半数(58%)认为其不可信赖，公众信任度呈下降趋势 [50][51] - 安全算力成为重点，预计超10%的算力将投入安全领域（涵盖安全评估、对齐实验、红队测试等）[54] - OpenAI曾承诺将20%算力用于超级智能对齐研究但未兑现，伊利亚成立的SSI公司专注超人工智能安全，融资30亿美金，估值320亿美元 [54] - 美欧法规提案将高风险模型的系统测试、评估、监控列为强制义务，安全算力将形成刚性成本，且随着模型能力增长，安全评估对算力需求指数级放大 [54] - AI治理委员会成为趋势，越来越多企业建立深度嵌入研发全流程的安全伦理机构 [55] - 例如：Google DeepMind有Responsibility & Safety团队参与全过程 [55]；微软有Aether委员会其结论纳入工程必选流程 [55]；Anthropic设立长期利益信托(LTBT)机制并推动宪法AI(Constitutional AI)将安全嵌入训练 [55] - AI安全与负责任正演变为与算力、算法、数据同等重要的基础性要素，缺乏可信安全机制的模型将难以进入关键行业与主流市场 [56]

文章核心观点 文章回顾了人工智能行业自ChatGPT发布三年来的发展历程，指出当前大模型性能差距缩小、发展面临天花板质疑，但同时产业对AGI的信仰与探索依然坚定[2] 展望2026年，行业在焦虑与分歧中，有望在技术路径、多模态、研究范式、数据生成、行业应用及新硬件等多个方向实现突围[2] 1. 规模法则的演进与争议 - **对规模法则的质疑声增大**：随着大模型智能升级放缓及数据枯竭论出现，业界对Scaling Law的质疑增多，认为其可能接近极限，真正的智能需要抽象化、因果建模等能力，而非简单扩展规模[3] - **规模法则现阶段依然有效且演进**：在底层架构无颠覆性创新的背景下，Scaling Law因其能力提升可预测、产业投入可评估、人才工程体系可延续等优势，仍是可靠的工程化增长路径[4] 谷歌Gemini 3和DeepSeek V3.2的表现印证了其现阶段有效性[4] - **向“新规模法则”时代迈进**：未来的发展将不仅是堆砌算力，而是向数据数量扩大与质量提升两个方向扩展，结合世界模型、具身智能等结构性创新，以寻求底层突破[5][7] 2. 多模态技术的突破与意义 - **迎来“多模态的ChatGPT时刻”**：谷歌Gemini、OpenAI Sora等模型已能深度理解并生成多模态内容，标志着关键突破[8] - **多模态是智能非线性跃升的关键**：类比生物进化中视觉的出现触发了认知能力跃迁，多模态技术让AI从学习“二手”文本世界转向感知更接近真实世界的结构性约束，为形成稳健的世界模型提供了可能[8][12] - **开启“感知-决策-行动”闭环**：多模态与工具使用、机器人控制结合，使AI能在环境中通过反馈持续优化，实现智能跃升[13] 3. 研究探索与组织创新 - **研究驱动与赛马机制**：以小团队开展多方向并行实验是OpenAI等机构的有效组织方式，契合技术快速迭代的特点[15] - **涌现多元化的前沿实验室**：包括聚焦安全超智能的SSI（已融资30亿美元）、专注可靠性的Thinking Machines Lab、研究空间智能的World Labs、追求高级机器智能的AMI以及研发超级Agent的H Company等[16] - **底层架构与训练范式创新活跃**：如Sakana AI探索演化式模型与群体智能以降低算力依赖；Liquid AI开发可连续演化的液体神经网络；谷歌提出嵌套学习以解决灾难性遗忘问题[17] - **评测范式向动态与复杂任务演进**：为解决静态刷榜和数据污染问题，行业正构建围绕Agent能力、需要多步规划与长期记忆的评测体系，如SWE-bench、AgentBench等[17] 4. 仿真数据在物理AI中的核心作用 - **仿真数据成本优势显著**：机器人真机采集一条数据成本在1-10美元，而仿真生成边际成本趋近于零，且能并行运行数万实例[19] - **仿真数据覆盖长尾场景并具可复现性**：能以指数级低成本覆盖极端光照、稀有故障等长尾场景，并锁定变量，便于问题诊断与回归测试[20] - **产学研实践验证其有效性**：上海人工智能实验室的InternData-A1数据集包含63万条轨迹，基于其训练的模型在多项仿真与真实任务上表现与官方模型相当；银河通用发布的DexonomySi数据集包含超950万条抓取姿态，并基于此开发了端到端具身大模型[20] - **形成“仿真主供给、真机强纠偏”工业范式**：在物理AI研发中，仿真预计承担90%以上的数据与验证工作，真机数据则用于物理锚定与最终验收，该范式已在NVIDIA、DeepMind等公司实践[23] 5. AI for Science 迈向系统工程化 - **从模型突破转向科研生产力**：AI4S正从AlphaFold式的象征性成果，转向系统工程化的科研生产力提升，这是行业被真正改变的前兆[24] - **AI嵌入自动化实验闭环**：谷歌DeepMind计划2026年建立AI自动化科研实验室，AI将负责假设生成与实验编排，与机器人执行形成可规模化的闭环，首次让AI从建议者变为执行者[25] - **国家战略推动数据与资源整合**：美国通过《启动创世纪任务》行政令，将AI4S上升为国家战略，旨在整合联邦科研数据、超算资源训练科学基础模型，解决高质量数据匮乏的痛点[28] - **2026年可能成为研发模式转折起点**：虽难言全面商业落地，但某些领域研发周期可能出现数量级压缩，自动化实验与AI工作流成为头部机构标准配置[29] 6. 模应一体与智联网雏形 - **大模型缺乏原生网络效应**：ChatGPT周活近10亿，但用户交互是一次性、私有的，难以形成反馈闭环与用户间连接，AI是生产力工具而非平台[31][32] - **模型与应用一体化是破局点**：当模型拥有稳定身份和长期记忆，并深度参与用户工作流时，才具备成为平台的基础[32] 探索方向包括模型接入更多应用（如GPT的智能购物、群聊功能）以及构建以Agent为节点的智联网[32][34] - **智联网可能催生多种网络效应**：包括交易型网络（Agent间形成服务双边市场）、知识型网络（用户打磨的技能经验共享）、工作流型网络（生产范式持续进化）以及社交型网络（AI成为超级连接器）[35][36] 7. 软件生产进入个性化时代 - **AI编程接近普适生产力**：Anthropic CEO预测未来12个月内几乎所有的代码都可能由AI编写；美团内部已有52%的代码由AI生成；腾讯超过90%的工程师使用AI编程助手，50%的新增代码由AI辅助生成[37] - **软件生产核心瓶颈转移**：从编码能力转向问题定义能力，自然语言成为主要编程接口，出现“vibe coder”[40] - **激活长尾需求与实现软件平权**：极低的构建成本使软件能千人千面，满足曾因市场规模小而被忽略的个性化、情景化需求，软件成为人类表达与解决问题的基本媒介[40][41] 8. 行业落地聚焦性价比与ROI - **企业关注点转向可衡量业务价值**：AI行业应用的第一性问题从技术先进性转向投资回报率与性价比[43] - **规模化部署仍存差距但使用量增长**：麦肯锡报告显示，88%的企业至少在一个职能中使用AI，但进入规模化阶段的比例很低，AI高绩效企业仅6%[43] OpenAI调研显示，ChatGPT Enterprise周消息量增约8倍，75%的员工认为AI提升了工作速度或质量，重度用户每周可节省超10小时[44] - **应用深入流程中后段并重构工作范式**：AI正从边缘任务深入核心业务流程，未来收益将来自流程再造、智能体协同等领域[44] 工作最小单元可能变为“一个人+N个智能体”，企业管理逻辑将转向以结果交付为中心[45] 9. AI眼镜迈向千万台临界点 - **出货量有望突破千万台分水岭**：预测Meta Ray-Ban等产品在2026年单品牌销量有望冲击1000万台；巴克莱预测2035年销量达6000万副；制造商依视路计划实施年产能1000万件的生产计划[45] - **“硬件减法”策略成功**：Meta通过放弃高成本显示模组，将眼镜重量控制在50克以内，结合大模型多模态能力，优先作为穿戴拍照设备，降低了制造难度与用户门槛[47] - **重塑交互逻辑与软件生态**：交互从以应用为中心转向以意图为中心，自然语言为主导；技能商店可能取代应用商店；摄像头产生的第一视角数据将赋能空间智能研发并可能催生新的推荐与广告模式[48] 10. AI安全成为研发与应用必选项 - **公众信任度下降凸显安全重要性**：全球调研显示，尽管66%受访者经常使用AI，但超半数（58%）认为其不可信赖，信任度较2022年呈下降趋势[50] - **安全算力投入成为热点**：预计超10%的算力将投入安全评估、对齐实验等领域；伊利亚成立的SSI公司已融资30亿美元，专注超智能安全；欧美法规可能使安全算力成为刚性成本[53] - **企业建立深度嵌入的治理机构**：如Google DeepMind的Responsibility & Safety团队、微软的Aether委员会、Anthropic的长期利益信托与宪法AI机制，将安全深度嵌入研发全流程[54] - **安全演变为基础性要素**：可信安全机制成为进入关键行业的前提，监管框架使安全实践从最佳实践变为准入门槛[55]