GPT-5发布与市场反响 - GPT-5上线次日因用户批评恢复向付费用户提供GPT-4o [1] - 发布会展示存在数据图表错误、代码演示漏洞及科学原理解释误导问题 [3] - 核心技术更新"Router"被硅谷AI从业者指出为已存在数年的技术 [3] 技术架构与性能表现 - GPT-5采用实时路由器（Real-time Model Router）整合子模型而非端到端单一模型 [6][7] - 路由器技术原用于设备端成本平衡、多模型聚合及高频简单查询处理场景 [8] - 编程基准测试（SWE-bench）图表显示GPT-5准确率52.8% 但柱状图错误高于o3模型69.1% [27] - 多模态整合面临计算需求差异挑战 语音模块需低延时而研究模块可容忍数分钟延迟 [9] 垂直领域商业化战略 - 重点布局教育、健康医疗和编程三大垂直领域 [13] - 教育场景展示多模态语言学习功能 可自动生成法语学习网页及游戏应用 [14] - 健康医疗领域瞄准占美国GDP 18%的市场规模 [20] - 全球AI医疗市场规模预计从2024年26.69亿美元增至2030年188.38亿美元 年复合增长率38.62% [20] - 编程领域与Anthropic展开竞争 Cursor公司站队OpenAI对抗Claude Code产品 [22] 模型开发困境与瓶颈 - 内部项目Q-Star最终转化为o系列模型 侧重思维链推理但未达GPT-5命名标准 [37] - Orion项目（后称GPT-4.5）因高质量数据匮乏延期 依赖合成数据训练效果未达预期 [41] - 模型训练出现灾难性遗忘（Catastrophic Forgetting）现象 导致原有知识体系崩溃 [44] - Scaling Law面临瓶颈 预训练阶段性能增长放缓 [41][45] 未来技术发展路径 - 强化学习（RL）路线专注于目标驱动型任务 依赖通用验证器（Universal Verifier）提升答案质量 [46][49] - 多模态能力被视为关键突破方向 视频与世界模型（World Model）可拓展信息承载量 [55] - 联合嵌入预测架构（JEPA）成为替代Transformer的潜在方案 在潜层空间完成预测任务 [59] - 谷歌发布世界模型Genie 3 被部分业内人士认为重要性超过GPT-5 [56] 行业竞争与市场影响 - 语言学习公司多邻国股价在GPT-5发布会期间出现大幅震荡 [16] - OpenAI投资医疗AI公司Ambience Healthcare完成C轮2.43亿美元融资 [20] - 头部大模型公司开启价格战 争夺企业订单与市场份额 [3] - 基准测试（Benchmark）重要性下降 竞争前沿转向用户体验优化 [30]

AI Infra 行业定义与架构 - AI Infra 包括硬件和软件两部分 硬件指 AI 芯片 GPU 交换机等设备 软件可分为三层 最底层类似 IaaS 解决基础计算 通信和存储问题 中间层类似 PaaS 包含资源调度 资源管理等平台 MaaS 归属这一层 最上层近似 SaaS 应用层 但在 AI Infra 领域更倾向于理解为训练及推理框架的优化层 [2][3][4][5] AI Infra 发展历程与人才 - 第一批 AI Infra 人是有算法背景的人 如贾扬清 李沐 陈天奇 他们为充分利用 GPU 而做 AI Infra 第二批人更多是上规模 让 AI Infra 在工业界得到应用 [6][7] - 大模型兴起对 Infra 从业者是特别好的机会 AI Infra 进入主舞台 类似搜索引擎兴起时的 Google 需要世界一流 Infra 处理规模空前的互联网数据 大模型对算力和数据提出前所未有的要求 这样的窗口可能十年 二十年才会出现一次 [8][9][10][11][12] - AI Infra 和移动互联网 Infra 底层目标一致 都要高效稳定整合计算 通信和存储资源 但实操层面对硬件 网络互联 存储方式要求完全不同 AI Infra 绝对核心是 GPU 传统 Infra 核心是 CPU AI Infra 更极致 更贴合 AI 特殊需求 [13][14][15] - 未来做 AI Infra 的人 既有新成长起来的工程师 也有传统 Infra 人转型而来 Infra 更强调积累 与算法不同 算法非常依赖年轻人 有做算法的朋友说过算法人只有两年保质期 两年后陷入思维定势 跟不上新东西 [16][17][18] AI Infra 核心指标与价值 - 线上服务侧关注模型响应首字延迟 吐字稳定顺畅 整体成本降低 训练侧关注每张 GPU 处理的数据量和训练效率 [19] - 所有产品都依赖 Infra 区别在于是否投入成本做自己的 Infra 以及投入是否值得 假设有 1 万张 GPU 每月租金 1 亿 雇 Infra 工程师把 GPU 利用率提升 10% 每月能节省 1000 万 或多赚 1000 万 优化 Infra 后省下的钱可轻松 cover 人力成本 投入 Infra 可帮公司挣钱 确定性很高 [20][21][22][23] - 较小公司可用同样逻辑计算 值不值得雇 10 人优化性能 对比云厂商标准化方案成本 如果自己做不到更低成本 用 MaaS 或公有云服务更划算 服务商价值锚点是帮助规模较小公司节省 Infra 优化成本 [24][25] 第三方 AI Infra 公司机会与挑战 - 短期第三方价值是为客户提供 API 集贸市场 自由选择不同 API 因为模型厂商 Infra 主要服务自家模型或 API 公有云也提供类似服务 但仍有第三方空间 长远如果第三方没有独特价值 易被云厂商或模型公司吃掉 [26][27] - AI Infra 底层是硬件 上层是模型 当硬件和模型都逐渐开放和普及时 只做中间 Infra 层价值有限 且非常卷 难拉开技术差距 难形成长期壁垒 今天领先一点 几个月后可能被赶上 第三方想做出壁垒 需和硬件或模型做垂直整合 [28][29] - 以 MaaS 生意为例 MaaS 可看作 API 分发平台 真正能留住用户的是别人没有的东西 如与特定硬件厂商深度合作 以更低成本获得算力资源 有对硬件独到见解 这些是差异化优势 建议不要做夹在模型和硬件中间的人 可选择站在模型侧或硬件端 [30][31][32][33] - 当前是硬件和模型都在追求极致的时刻 需要既懂硬件又懂模型 这种两头通能力是 Infra 人特长 往上和模型做深度整合 或往下与硬件做 co-design 就有很多机会 如果固步自封 只在中间做优化 就把路走窄 [34][35] - 关键必须是主动参与者 而不是被动搭便车的人 如果比硬件厂商更懂模型 可影响硬件设计方向 如果比模型团队更懂硬件 可反向影响模型架构设计 具备这种影响力 成功是共赢 失败也是主动做出的判断和选择 [36][37][38] Infra 对模型效果影响与性能指标 - Infra 水平会影响模型效果 Infra 对大模型公司非常重要 各家公司参与同一场比赛 给定算力 怎么训出最好模型 假设都拿 5000 张卡 其他条件相同 如果 Infra 优化更好 效率高出 20% 同样时间能多学 20% 数据 训练出的模型效果更好 [40][41][42] - Infra 有标准化性能指标 如 MFU 衡量硬件利用率 分子是实际完成的浮点运算次数 分母是理论最大算力 MFU 越高 硬件用得越充分 但衡量 Infra 性能很复杂 仅靠单一指标难判断优劣 Infra 性能和硬件 模型 优化目标都密切相关 [43][45] - DeepSeek 能冲出来 一大原因是选对了优化目标 当时优化目标是给定推理成本 怎么训出最好模型 而其他所有人目标是给定训练算力 怎么训出最好模型 2024 年 9 月 o1 发布后 让大家看到推理阶段让模型多思考一会 最终输出效果更好 这种训练方式符合强化学习机制 DeepSeek 优化目标更符合强化学习需求 能以更低推理成本 更快速度输出结果和训练模型 率先完成 R1 甩开其他团队 [46][47][48][49][50] - Infra 有各种性能指标 但想取得好结果 最重要的是想清楚哪一个指标优先级最高 指标要符合产品需求 也要顺应行业发展方向和未来技术趋势 不同团队技术水平有高低 但真正拉开差距的是有没有选对努力方向 [51][52] - 从 o1 R1 验证强化学习路径后 当前最重要指标是 decoding 速度 推理分输入和输出两部分 输入关键指标是模型处理长文本速度 输出关键指标是模型吐字速度 后者最重要 决定线上业务成本 也直接决定强化学习效率 如果输出很慢 获得 reward 速度就比其他模型慢 但现在还有人很看重 MFU 等老指标 特别关注这类指标的人对当下技术认知有问题 [54][55] Infra 与算法团队协作与组织架构 - 最理想合作方式是大家像一个团队 为共同目标协作 很多事情有 trade-off 如损伤系统性能换算法提升 或反过来 最好两边一起讨论该谁让步 这是小团队优势 在大厂很难实现 [56][57][58] - 在大厂 Infra 总被视为支持性角色 算法人给 Infra 人提需求 Infra 人没有反向影响力 在很多人眼里 Infra 核心是降本 但降本通常不是最优先目标 需要纠正观念 Infra 实际上可对模型效果有正向影响 不仅仅是降本 [59][60][61] - 很多问题到最后是组织架构问题 模型由算法 Infra 和数据铁三角决定 三者缺一不可 必须协同 但很多人对模型理解存在偏差 模型算法效果往往取决于数据 而不是算法 模型效率成本主要由 Infra 决定 也不是算法 [62][63] - 比较合理组织架构是让 Infra 人设计模型结构 因为 Infra 人最知道怎么提高效率 节省成本 让数据的人负责刷模型点数和 benchmark 分数 因为他们最懂怎么喂模型 而算法人应该主要负责训练范式革新 但现在很多团队中 基本都是算法人在设计模型结构 刷模型点数 算法人不一定最适合做这些事 [64][65] 行业踩坑案例与经验 - 阶跃一开始对自己算力和能力过于自信 干了一个比 Llama 还大的模型 虽然训出来 但这个巨大模型有问题 过程中犯了一些错误 赌的事情可能会错 踩坑后再爬起来往前走 [66][67] - 最近有家公司开源模型 声称参数量不大 但算法做得好 效果可越级媲美更大模型 但模型因为架构设计问题 实际运行效率非常低 还不如大模型快 反映很多做算法的人并不真正懂硬件 也不了解模型在 Infra 层怎么运行 [68][69][70] - 算法人员做模型架构研究时 可能画图横轴模型尺寸或激活量 纵轴算法效果指标 试图找到 sweet point 让模型尺寸不大情况下算法效果不错 然后丢给 Infra 人优化 即便 Infra 人满足需求 模型实际运行也会出问题 如果真要画图 横轴应该是模型实际运行成本或运行效率 纵轴是模型效果 跑大量实验 找到真正可落地最优点 这件事只有在拉通所有团队后才可能完成 [71][72][73] 模型发展前景与多模态 - 模型范式革新不会那么快 但多模态还是有突破可能性 尤其是多模态生成和理解统一 现在多模态状态像 20 年 bert 模型 具备理解能力 但还没真正做通理解和生成 做通标志是同一个模型在理解任务上超越专门做理解模型 在生成任务上击败专门做生成模型 像 GPT-3.5 出来让很多做翻译等专用模型退休 [75][76][77] - Google Veo 3 效果很不错 但偏上一代模型 核心是做生成 工程做得比较好 把配乐等功能很好融合起来 技术突破和产品效果不是线性相关 Veo 3 把上一代技术发挥到非常强水平 但本身没带来太多范式上创新 [78][79][80] 初创或第三方 AI Infra 公司机会 - 训练侧商业模式不太成立 因为训模型的人非常懂行 难挣到这些人钱 他们也不愿把训练过程中研发细节交给第三方 否则泄露核心竞争力 排除训练后 推理侧还有一些机会 如推理加速 推理优化 [81][82] - 开源模型对 AI Infra 发展有促进作用 开源模型火起来 大家研究怎么把它跑得更好 促进 AI Infra 进步 但所有事情都有两面性 如果某个开源模型太火 大家花很多精力优化它 可能反而影响创新 如 DeepSeek 出来前 很多人优化 Llama DeepSeek 新范式一出 之前在 Llama 上很多积累就废掉 [83][84] 国产芯片与开源策略 - 现在 Infra 基本围绕英伟达卡做优化 虽然有团队尝试用国产芯片替代英伟达 但很多时候国产卡不是跑不动 而是性价比不如英伟达 当 DeepSeek 这样好用开源模型出现后 做一体机公司发现用英伟达卡跑 DeepSeek 比用国产卡更有性价比 更愿选择英伟达卡 [85][86] - 希望国产卡在技术层面具备竞争力 根据国产卡特性专门设计模型结构 让它在国产卡上高效运行 达到 SOTA 水平 阶跃开源 Step 3 是国内首个支持第三方商用 数百 B 规模视觉推理模型 能跑出 SOTA 水平 [87] - 视觉推理是模型根据图片 视频抽帧等视觉信息 直接完成推理任务 如让机器人去柜子拿东西 目标物品被杂物遮挡 机器人要进行视觉推理 进行任务拆解和决策 对于机器人或手机 汽车等智能设备 天然有视觉模态 根据周边环境 看到的东西决定怎么完成复杂任务 是典型视觉推理模型做的事情 视觉推理模型更常见应用场景是拍照解题 [88][89][90][91] - 之前有模型可做到拍照解题 但是把图片转成文字 再做文字推理 这种方式不是真正视觉推理 现在不需要中间转文字过程 让模型直接看图推理 如让机器人拿东西 目标物品周围有很多遮挡 难用文字描述清楚物理世界中位置关系 会丢掉很多信息 但模型直接看图 能直观知道该先拿开这个东西 再拿开那个东西 最后拿到目标物品 [92][93][94][95] - 选择开源是希望全国上下产业都获益 给所有国产芯片免费商用授权 开放模型权重 尽量帮他们做好模型适配 把 Step 3 在国产卡上推理成本压到很低水平 提高国产卡在性价比上竞争力 通过开源帮助国产芯片构建商业竞争力 也希望他们能推广模型 最后实现共赢 [96][97][98] 多模态成本与 Infra 人价值 - 多模态理解现在不算贵 但生成还是挺贵 尤其是视频生成 对成本降低蛮乐观 一年后应该能下降很多 能不能到十分之一不好说 但几分之一没问题 [99][100][101] - 在大模型时代 Infra 人容易被低估情况好很多 Infra 已是模型能力核心组成部分之一 DeepSeek 做得好是因为梁文锋是 Infra 人 梁文锋做量化出身 量化强调低延迟 需要对 Infra 有研究 在算法 数据和 Infra 之间 最擅长 Infra 这在业界是共识 DeepSeek 的 Infra 工程师数量比算法工程师多 但在很多大公司里 情况反过来 这可能是在过去一段时间里 一些大厂比较挣扎的原因之一 [102][103][104][105][106] - 在大模型快速发展阶段 需要有大量 Infra 人 把硬件设计和模型优化做到极致 并且做好垂直整合 但在大厂里 人才结构错配 不符合做好 AI 本质需求 [107] 给 AI Infra 从业者建议 - 建议靠近模型 或者靠近硬件 希望打心底对 Infra 感兴趣 有足够主观能动性去做各种各样 co-design [108][109] - Richard Sutton 的《The Bitter Lesson》核心观点是从长期来看 胜出永远是那些能最大程度利用计算资源方法 短期内各种奇技淫巧可能有效 但不能本质解决问题 虽然文章从算法视角写 但对 Infra 人同样有重大指导意义 因为最根本任务是设计出能发挥硬件全部性能模型和系统软件 让模型能充分利用这些资源 最希望是有朝一日 还能反过来影响硬件 换取摩尔定律不断延续 [109][110][111]

AI视频模型技术路径与能力展望 - Luma AI模型产品Lead戴高乐分享视频模型与世界模型的技术路径及未来能力展望 [2] - 探讨视觉模型从diffusion到DiT再到autoregressive的技术演进历程 [3] - 分析更智能的视觉模型能力发展前景 [3] Pixverse用户增长与商业化策略 - 爱诗科技联合创始人谢旭璋分享Pixverse两年内实现6000万用户的关键决策 [3] - 外部模型、自研模型与应用产品的选择与迭代策略 [4] - 从模型到特效类产品的转化逻辑及0-6000万用户的增长点与商业化路径 [4] 视频工具产品增长方法论 - 前OpusClip增长产品负责人谢君陶提出视频工具获客需聚焦创作者长期合作模式 [5] - 转化阶段强调灵活精准的定价策略与分阶段价格实验设计 [5] - 留存策略以用户为中心，通过客服团队与运营保持长期连接 [5] - 早期数据基建的取舍与数据驱动决策在增长中的关键作用 [5] 行业交流活动信息 - 活动聚焦AI视频领域模型、产品、增长三大维度实战经验分享 [10] - 线上会议时间为8月16日10:30-12:30，限额100人（非投资行业优先） [7][10]

AI Infra的定义与架构 - AI Infra包括硬件和软件两部分 硬件指AI芯片 GPU 交换机等设备 软件层面类比云计算分为三层 [3][4] - 最底层类似IaaS 解决基础计算 通信和存储问题 中间层类似PaaS 包含资源调度 资源管理等平台 MaaS归属这一层 [4][5] - 最上层近似SaaS应用层 但在AI Infra领域更倾向于理解为训练及推理框架的优化层 [5] AI Infra的发展历程 - 第一批AI Infra人如贾扬清 李沐 陈天奇等有算法背景 他们为充分利用GPU而开发AI Infra [6] - 第二批AI Infra人主要推动AI Infra在工业界的规模化应用 [6] - 大模型兴起使AI Infra进入主舞台 类似搜索引擎兴起时的机会窗口 可能十年二十年才出现一次 [7][9][10] AI Infra与传统Infra的差异 - AI Infra绝对核心是GPU 传统Infra核心是CPU [11] - AI Infra需要更极致 更贴合AI特殊需求 太阳底下没有太多新鲜事但要做到更极致 [12] - Infra人才相比算法更强调积累 算法依赖年轻人而Infra需要长期经验 [14] AI Infra的核心指标与价值 - 线上服务侧关注首字延迟 吐字稳定性 整体成本 训练侧关注每张GPU处理数据量和训练效率 [15] - 优化Infra可显著降低成本 例如1万张GPU每月租金1亿 利用率提升10%可节省1000万 [18][19] - 小公司可通过对比云厂商方案决定是否自建Infra 云服务商价值在于帮助小公司节省优化成本 [20][21] AI Infra的商业模式 - 第三方公司短期价值在于提供API集贸市场 让客户自由选择不同API [22] - 长期来看 第三方需与硬件或模型垂直整合才能建立壁垒 避免被云厂商或模型公司取代 [24][25] - MaaS服务商可通过与硬件厂商深度合作获得差异化优势 类似游戏机独占游戏 [26][27][28] AI Infra与模型效果 - Infra水平影响模型效果 优化更好的Infra可在相同算力下多学20%数据 提升模型效果 [36][37] - MFU是常见指标但单一指标难判断优劣 DeepSeek的MFU偏低但Infra并不差 [37][38] - DeepSeek成功关键在于选对优化目标 即给定推理成本训出最好模型 而非传统训练算力优化 [39][40][41] AI Infra的未来趋势 - 当前最重要指标是decoding速度 直接影响线上业务成本和强化学习效率 [44] - 多模态仍有突破可能性 需实现理解和生成的统一 类似GPT-3.5让专用模型退休 [63][64] - 开源模型促进AI Infra发展但也可能阻碍创新 如过度优化Llama影响新范式探索 [69] AI Infra的组织架构 - 理想协作是Infra 算法 数据团队共同决策 大厂中Infra常被视为支持角色缺乏影响力 [46][47][49] - 合理架构应是Infra人设计模型结构 数据人负责刷分 算法人主攻训练范式革新 [54] - 大厂人才结构错配 如DeepSeek Infra工程师多于算法工程师 而多数大厂相反 [81][82] AI Infra的创业机会 - 训练侧商业模式难成立 因训练方不愿泄露核心竞争力 推理侧如加速优化仍有机会 [67][68] - 国产芯片需专门设计模型结构提升性价比 Step 3开源模型支持国产卡商用并达到SOTA [69][73][74] - 多模态成本有望大幅下降 理解已不贵但生成仍贵 视频生成一年后可能降至几分之一 [75][76][77]

AI产业进入商业化闭环阶段 - AI正进入从算力投入到云服务消耗、再到商业化收入，最终回到算力再投入的良性循环，AI应用的起量是推动这一飞轮效应的关键 [1] - 国务院提出深入实施"人工智能+"行动，推动AI在经济社会发展各领域加快普及、深度融合，形成以创新带应用、以应用促创新的良性循环 [2] - 多位基金经理认为AI将进入商业化闭环新阶段，海内外AI应用加速起量，带动token调用量爆发增长，核心产品ARR斜率走陡，AI正逐渐进入下半场的应用爆发阶段 [2] AI应用商业化起量起规模 - 今年是AI应用商业化开始起量、起规模的关键一年 [3] - 海外方面：Cursor成为历史上最快达到5亿美元ARR的公司，Anthropic的ARR在半年内从10亿美元飙升至近40亿美元，OpenAI年化收入突破100亿美元（同比增长80%），Google的token日均调用量达16万亿（同比增长50倍） [3] - 国内方面：快手可灵推出10个月后ARR突破1亿美元，字节豆包大模型日均token使用量超16.4万亿（环比增长3.7万亿，较发布时增长137倍） [3] - AI功能正渗透进日常工作生活，token数量爆发式增长代表实际使用量飞速增长，Deepseek降低单位算力成本推动应用落地 [4] AI应用商业化进展与方向 - AI应用行情不再由事件催化主导，而是聚焦商业化实际进展，美股AI应用公司不断上修AI驱动业绩预期 [4] - AI应用聚焦B端和C端双轨赋能：B端以AI智能体为核心实现降本增效，2025年全球AI工具在代码生成等领域的应用率超25%；C端通过硬件集成和多模态体验重塑用户体验，但变现较弱 [5] - 短期可关注B端AI智能体方向和C端多模态相关方向，GPT5和国内政策支持为催化因素 [5] AI智能体成为核心入口 - AI Agent是人机交互的重要入口，OpenAI发布的GPT-5强化了Agent功能，可自动完成复杂任务 [6] - 2025年被称为"智能体元年"，智能体将演变为蜂群、集群，改变企业组织运营模式 [6] - AI智能体从2023年代理型工具阶段演进至2025年产业渗透阶段，实现垂直深耕和规模化落地 [7] - AI Agent有望成为新的互联网核心，催生手机厂商和互联网厂商的入口争夺，荣耀与智谱、苹果与阿里等合作抢滩AI Agent [7] 端侧创新为下一轮增长引擎 - AI端侧（手机、PC、眼镜等）进展相对缓慢，市场期待C端爆款产品和硬件突破 [10] - iPhone17系列的AI升级有望带动芯片、主板等产业链环节升级，AR/MR设备或成为多模态AI终端更优选 [10] - 智能眼镜、智能玩具和智能家居是端侧AI重要载体，智能眼镜行业2024年销量300万台，预计2027年达1亿台（对应1000亿元市场空间） [11] - 端侧创新是新一轮科技周期重要催化剂，硬件迭代速度快，明后年或见明显改善 [11]

GPT-5发布与资本市场影响 - OpenAI发布GPT-5模型，推理能力显著进步，定价与Gemini2.5Pro等主流模型持平，性价比提升[1] - GPT-5在垂类场景如编程和医疗测评表现优异，展现场景拓展潜力[1] AI行业技术迭代趋势 - 模型厂商快速更新迭代推动科技巨头在前沿模型领域军备竞赛[1] - 推理能力提升、scaling law及多模态技术推动算力需求爆炸式增长[1] - 推理能力进步解锁复杂应用场景可能性[1] 美股科技领域投资建议 - 建议围绕AI基础设施和应用环节布局，重点领域包括AI计算芯片、HBM、AI网络设备[1] - IDC、基础&应用软件、互联网服务等领域为推荐投资方向[1]

公司和行业内容总结 用友网络 **核心观点和论据** - 公司通过人员优化大幅减少亏损，现金流已回正，上半年经营性净现金流入同比增加6亿元，新签合同额上半年增长近8%，二季度增速达18%[2] - 组织架构从区域制转向行业垂直管理，短期影响订单，但2025年一季度起订单明显改善，预示业绩拐点到来[2] - BIP平台累计研发投入达100亿，占总收入60%，通过打通企业内部数据流和业务流，提供全面解决方案，主要面向大型企业客户[2] - 2025年8月中旬将发布BIP平台新版本，从3.0升级到BIP5，提升技术架构和功能，更好满足大型企业需求[2] - 下周五将发布库存管理、人力招聘和人力资源等多个方向的AI agent产品，预计2025年8月30日的中期报告中披露更多AI相关进展[2] **业绩表现** - 2025年第二季度单季度收入实现6%至10%的正增长，利润端大幅减亏，减少一到两个亿的亏损[3] - 预计今年收入增长接近10%，达98.8亿元，明年恢复到10%以上，达110亿元，后年预计达125亿元[4] - 今年亏损将大幅收窄，明年实现盈亏平衡，后年逐步恢复到正常净利润率[4] **估值情况** - 目前PS水平为5.4倍，相较行业平均7.6倍有超过40%的上涨空间[4] - 被作为重点推荐标的[4] **AI应用** - 全球企业服务类AI应用发展迅速，SAP、Salesforce、ServiceNow等公司取得超预期表现[6] - BIP平台具备与ServiceNow类似的能力，累计研发投入达100亿，占总收入60%[6] - 将在下周五发布多款AI应用产品，包括库存管理、人力招聘和人力资源等多个方向的agent产品[8] **组织架构调整影响** - 过去两年从区域制转向行业垂直管理模式，短期内导致部分订单丢失[7] - 自2025年一季度起订单情况明显改善，业绩进入拐点[7] 其他公司 **万兴科技** - 在多模态领域有望取得重大进展，业绩相较去年有所修复，收入增长预期为10%~20%，利润有望盈亏平衡[11] - 今年上半年移动端产品收入增速预期超过100%，全年AI收入接近两个亿[11] - 未来在多模态领域的发展前景广阔[12] **申桑达** - 在数据服务方面表现突出[11]

AI UGC生态价值驱动因素 - AI Coding降低非专业用户对游戏和互动视频等开发门槛 侧重赋予UGC交互性与功能逻辑 [1] - 多模态能力通过文生图/视频/音频等方式丰富UGC素材质量 让创作者高效获得素材 [1] AI游戏平台发展现状 - Roblox 2025Q2发布超过4400万款游戏 其中70%新游戏包含AI生成资产 AI工具缩短开发时间35% [1] - TapTap星火编辑器整合AIGC技术 提供可视化编程与免费素材 实现从创作到上线的闭环发行 [2] 中短视频平台AI应用进展 - 快手可灵2.0模型月活用户增长25倍 全球用户突破2200万 累计生成1.68亿个视频和3.44亿张图片 [3] - 哔哩哔哩2025Q1 AI相关视频观看时长同比提升超100% 形成AI绘画/视频生成/编程等多领域创作社区 [3] IP开发平台AI战略 - 阅文集团Top10动漫中7部来自腾讯动漫 计划通过AI多模态提升动漫IP开发效率和内容形态丰富度 [4]

港股科技ETF表现 - 恒生科技ETF基金（513260）收涨0.28%实现三连阳 全天成交额超4亿元 近7日净流入超5亿元 最新规模超52亿元创新高 融资余额保持1.2亿元以上[1] - 恒生科技成分股涨跌互现 比亚迪电子涨超7% 中芯国际涨超2% 腾讯控股、阿里巴巴、快手涨超1%[3] - 港股通科技30ETF（520980）收涨0.89% 全天成交达1.63亿元 近20日净流入超12.6亿元[3] AI大模型技术进展 - 谷歌发布Genie 3通用世界模型 可生成数分钟交互式3D环境 较Genie 2的10-20秒水平有数量级提升[5] - Anthropic推出Claude Opus 4.1 在Agent任务、真实世界编码和推理能力上全面提升 计划未来几周推出更大幅度模型修改[5][6] - OpenAI发布GPT-oss-120b和GPT-oss-20b开放权重模型 具备与o4-mini相当的现实世界性能 可在电脑本地运行[5] - 马斯克宣布下周开源Grok 2 Anthropic计划未来几周发布重大模型改进[6] 下一代大模型发展预期 - 下一代大模型（如GPT-5）预计以2-3倍规模实现近10倍智能水平 推理性价比提升一倍以上 8月起有望陆续面世[7] - 模型在逻辑推理、原始多模态、记忆系统等方面持续突破 加速下游应用商业化进度[7] - Agent方向：下一代模型逻辑推理向原理学习迈进 增强准确性和创新思考能力 带动办公应用、企业管理等场景大规模落地[8] - 多模态方向：原生多模态成为主流 处理文本、图像、视频、音频更高效 带动编辑工具、教育/医疗/科研、智驾、机器人等场景落地提速[8] - 算力需求：模型规模和数据量增长 MoE为核心发展趋势 训练及推理需求带动算力指数级提升 推动算力芯片、服务器、云计算领域增长[8] AI应用商业化前景 - AI应用发展步入拐点期 预计2025年核心AI应用公司AI业务贡献达2-5个百分点 2026年起有望接近或达到双位数[9] - 中国企业Deepseek-R1大模型凭借低成本、高性能和开源特性 推动AI商业化应用加速[10] - 港股科技龙头广泛分布于AI全产业链 涵盖大模型开发、商业应用及终端生态环节 受益于AI产业变革红利[10] 港股市场展望 - 下半年港股牛市继续 科技、消费资产与产业发展趋势更契合 基本面更优 吸引南下资金持续流入[9] - 中美经贸关系边际缓和 美国对华科技产品出口限制减少 港股互联网巨头或加大AI基础设施资本投入[11] - 港股互联网估值不高 AI产业周期向上趋势确认 推动港股科技龙头重新跑赢市场[11] 企业动态 - 美团启动中小商户发展扶持计划 重点支持长期经营、复购高、口碑好的中小餐饮商户 预计年底新增覆盖超10万家餐饮小店 单店助力金最高5万元[6]

核心观点 - 坚定看好多模态AI和出海赛道 产业发展和商业模式优势将带动行业公司享受高成长和高估值 [1] - 重视下半年垂类多模态AI应用机会 技术突破和成本优化将加速产业趋势发展 [1] - 特别关注有多模态AI应用出海布局的公司 起量速率可能更快 [1] 技术发展进展 - 主流AI产品能保持5-10秒视频稳定性和一致性 行业正探索生成视频时长上限 [2] - 字节提出CaptainCinema电影级短片生成框架 采用双步规划器实现叙事连贯性 [2] - 年内可能看到1分钟左右时长的AI视频出现 时长提升将加速内容渗透率 [2] 成本优化与商业模式 - 快手可灵视频生成产品在推理层面实现毛利打平 [3] - 阿里Wan2.2的MoE架构可节省50%计算消耗 [3] - 行业成本持续下降将带来"更好更便宜"的产品 提升用户渗透速率 [3] - 技术迭代推动推理成本进一步下降 用户使用成本降低 [3] 内容创新与扩容 - AI漫剧直接生成中AI参与度从50%提升至近80% [3] - AI转绘漫剧对真人实拍短剧进行再创作 全球发行更具普适性 [3] - 新内容业态成熟将带动内容市场扩容 AI视频可触及规模扩大 [3] 市场空间测算 - AI视频潜在空间测算为416亿美元 [4] - P端市场：海外2亿+国内1.6亿创作者 35%月活使用比例 海外10%/国内8%付费渗透率 月ARPU 35/17美元 对应38亿美元市场空间 [4] - B端市场：内容制作规模1984亿美元 20%AI渗透率 对应397亿美元市场空间 [4] - 考虑P端和B端场景重合 给予P端50%折算 得出416亿美元总市场空间 [4] - 海外用户付费能力和意愿更强 内容创作人工成本更高 [4] 关注公司 - 建议关注：快手-W(01024) 美图公司(01357) 万兴科技(300624) MiniMax(未上市) [1]