报告行业投资评级 未提及 报告的核心观点 报告围绕语言模型、Transformer、ChatGPT、DeepSeek和新一代智能体展开，介绍语言模型的目标、任务、编码方式及发展历程，阐述Transformer的理论架构和训练机制，分析ChatGPT的发展及能力，探讨DeepSeek的技术创新和全栈影响，还提及新一代智能体的构成和能力[6][32][87][107][132] 根据相关目录分别进行总结 语言模型 - 终极目标是计算任意词序列是一句话的概率，基本任务是编码让计算机理解人类语言，编码方式有One - hot Encoding和Word Embedding，Word Embedding用低维词向量表示词，能使相近向量对应物体含义相近，语言模型发展经历基于统计的N - gram、基于神经网络的LSTM/GRU和Transformer阶段，还有Encoder - Decoder框架用于解决Seq2Seq问题[6][9][13][22][24] - 自监督学习包括语言的Masked Langauge Modeling和图像的Masked AutoEncoders，训练transformer需要数据、模型和算力，如ChatGPT训练使用45TB数据、近1万亿个单词和数十亿行源代码，包含1750亿参数，训练门槛是1万张英伟达V100芯片、约10亿人民币[55][57][62] Transformer - 理论架构创新包括自注意力机制、多头注意力和前馈网络/位置编码/层归一化，其注意力机制在语言任务中捕捉单词间关系，在图像任务中进行图像特征抽取，是大模型的技术基座[32][34][37] ChatGPT - 大型语言模型发展历经多个阶段，GPT - 3是语言模型转折点，有1750亿参数和涌现能力，ChatGPT是人工智能的IPHONE时刻，其训练基于GPT - 3.5，使用人类反馈的强化学习和近端策略优化算法微调[76][78][82] - GPT - 3系列和GPT - 3.5系列通过代码训练和指令微调增强能力，ChatGPT触发翔实回应、公正回应、拒绝不当问题和拒绝知识范围外问题的能力，多模态模型发展有开源的Meta的LLaMA系列、GPT - 4v和GPT - 4o等，各有不同能力提升[84][88][91] DeepSeek - 推理模型从生成到推理重心转变，DeepSeek - V3/R1是专家模型、强化学习、开源且高效，其技术全景图包括DeepSeek - V3 Base、DeepSeek - R1 - Zero、DeepSeek - R1和DeepSeek - R1 - Distill阶段，采用动态路由机制和专家共享机制，有极致工程优化[107][108][113] - DeepSeek - V3对标GPT - 4o，DeepSeek - R1对标OpenAI - o1，通过不同阶段训练提升推理能力和全场景能力，DeepSeek - R1 - Distill模型基于低参数量通用模型微调，可大幅提升性能和压缩参数[111][117][120] - 带来全栈影响，涉及大模型应用层、中间层和基础模型层，应用于教育、医疗等多个领域[121][122] 新一代智能体 - 从LLM到Agent发展，新一代智能体= Agent + LLM，LLM是Agent大脑，核心能力是逻辑推理，具备规划技能、工具使用和记忆能力，还有时空型GPT驱动的闭环多智能体协同系统实现时空智能自主化构建[126][132][137]

Elon Musk's AI start-up appears to be eyeing more Nvidia GPUs.When it comes to training generative AI models, Nvidia's (NVDA 0.28%) graphics processing units (GPUs) are hailed as the gold standard among industry experts. That's not exactly a novel conclusion considering the semiconductor powerhouse has amassed an estimated 90% or more of the GPU market.The more subtle idea here is how exactly Nvidia built such a gigantic lead over the competition. While it does not explicitly specify which companies buy its ...

Meta Platforms延迟发布Behemoth AI模型 - 公司因技术能力问题推迟旗舰AI模型Behemoth的发布，工程师难以显著提升其性能[1] - 内部员工质疑该模型相比早期版本的改进是否足以支持公开发布[1] Behemoth模型发布时间线 - 最初计划在4月Meta首届AI开发者大会期间发布[2] - 后内部目标推迟至6月，现进一步延迟至秋季或更晚[2][3] 模型技术定位 - 公司称Behemoth为"全球最智能的LLM之一"及"迄今最强大模型"[3][5] - 该模型被设计用于指导公司新一代AI模型的训练[3] 同期其他模型发布 - 4月已发布Llama系列新版本Llama 4 Scout和Llama 4 Maverick[5]

Meta大型语言模型Behemoth发布推迟 - Meta推迟其大型语言模型Behemoth的发布时间至秋季 原计划4月发布以配合首届AI大会LlamaCon 后推迟至6月 现再次延期[1] - 推迟原因是工程师认为Behemoth相比已发布的Llama 4改进不足 不足以支撑6月发布[2] - Behemoth被描述为"全球最智能的LLM之一" 将作为新模型的训练基础[3] Meta的AI战略布局 - 公司目标是成为全球顶级AI供应商 已将AI深度整合至Facebook Instagram WhatsApp等应用 用于辅助写作和图片编辑[4] - 4月底推出独立Meta AI应用 包含Ray-Ban智能眼镜功能入口[4] 行业竞争态势 - 分析师认为延迟发布可能导致Meta在AI竞赛中进一步落后于OpenAI和谷歌[5] - AI技术发展竞争激烈 延迟可能使竞争对手取得更大领先优势[6]

财务数据和关键指标变化 - Q2营收7800万美元，超出7400 - 7700万美元的指引上限，预计本财年剩余时间无重大固定许可收入合同签署 [4][17] - 与去年同期相比，Q2营收增加1020万美元，主要因固定许可收入增加1110万美元，但专业服务收入减少有所抵消；受欧元兑美元汇率波动影响，营收受到负面影响，但对盈利能力无影响 [18] - Q2毛利率77%，超出74% - 76%的指引上限，技术收入在营收组合中的占比高于预期 [18] - 非GAAP运营费用为3410万美元，较去年同期的5000万美元减少1590万美元（32%），主要源于去年底的重组努力、研发招聘延迟、欧洲子公司运营成本降低以及国际税收抵免 [19] - 调整后EBITDA为2950万美元，超出1800 - 2200万美元的指引上限，较去年同期约30万美元的EBITDA亏损改善2980万美元 [20] - Q2净利润为2170万美元，去年同期净亏损2.78亿美元，去年同期记录了2.52亿美元的商誉减值费用 [20][21] - 本季度末现金及可交易证券为1.228亿美元，较上季度末增加1230万美元，源于本季度1310万美元的正自由现金流 [21] - 可变许可收入为2990万美元，较去年同期增加480万美元（19%），略高于预期；固定许可收入为2150万美元，去年同期为1040万美元；连接服务收入为1260万美元，较去年同期的1360万美元下降100万美元（7%），但去年同期记录了260万美元的收入调整 [21] - 专业服务收入同比下降约480万美元，降幅略高于预期，因解决方案标准化程度提高，部分OEM将集成工作内部化 [22] - 总调整后账单为2.24亿美元，过去12个月与去年持平；Q2总账单（包括专业服务）为7770万美元，与去年同期相当 [23] - 预估版税为3970万美元，与去年同期相当 [24] - 上季度固定许可合同的消费量为970万美元，较去年同期下降约33%，符合预期 [25] - 截至本季度末的过去12个月，全球汽车生产渗透率为51%；Q2搭载Cerence技术的汽车发货量为1160万辆，与去年同期持平，环比下降1.3%；Q2全球IHS汽车产量同比增长1.3%，环比下降10.9%；不包括中国，全球汽车产量同比下降3%，环比下降1% [25] - 使用公司连接服务的汽车产量在过去12个月内同比增长10%，反映出对联网汽车的需求增加 [26] - 过去12个月的平均每单位价格（PPU）为4.87美元，高于去年同期的4.51美元，主要受连接服务附加率提高推动，本季度29%的车辆已连接，去年同期为26% [27] - 五年积压订单指标目前约为9.6亿美元，与两个季度前持平 [28] - 预计Q3营收在5200 - 5600万美元之间，无重大固定许可收入；预计毛利率降至66% - 68%，净亏损在1000 - 1300万美元之间，调整后EBITDA在100 - 400万美元之间 [29] - 重申本财年营收指引在2.36 - 2.47亿美元之间，预计盈利能力和自由现金流将好于原预期；预计全年调整后EBITDA在2800 - 3400万美元之间，自由现金流在2500 - 3500万美元之间 [29][30] - 计划用手头现金偿还6010万美元的2025年可转换债券，之后预计本财年剩余时间现金余额保持在7000万美元以上 [30] 各条业务线数据和关键指标变化 - **许可业务**：可变许可收入增长，固定许可收入增加，预估版税与去年同期相当，上季度固定许可合同消费量下降 [21][24][25] - **连接服务业务**：收入略有下降，但使用连接服务的汽车产量增加，反映出对联网汽车的需求增加 [21][26] - **专业服务业务**：收入同比下降，因解决方案标准化和部分OEM内部化集成工作 [22] 各个市场数据和关键指标变化 - 全球汽车生产方面，截至本季度末的过去12个月渗透率为51%，Q2搭载Cerence技术的汽车发货量与去年同期持平但环比下降，全球IHS汽车产量同比增长但环比下降，不包括中国的全球汽车产量同比和环比均下降 [25] - 中国市场对全球汽车产量季度环比下降有较大影响，公司尚未真正向中国国内市场的OEM销售产品 [26] 公司战略和发展方向和行业竞争 - 尽管面临宏观挑战和不确定性，公司仍专注于未来，凭借技术创新、多元化客户群和深厚的汽车专业知识保持差异化 [5] - 与CodeFactory合作推出Voice Topping解决方案，将对话式AI应用于自助服务亭，预计在2026财年及以后对营收和盈利能力产生影响 [9] - 战略投资于IP保护，对三星、微软和Nuance提起诉讼，以保护公司的创新技术 [10] - 推进2025年的三个关键交付成果：继续开发Cerence XUI平台，实现市场推出并与客户合作展示，计划扩展功能和语言支持；与新老客户扩大业务，多个主要客户项目开始生产；继续进行转型和成本管理，改善现金流和盈利能力 [11][14][15] - 努力扩大与分销商的合作伙伴关系，以加强汽车业务 [8] - 加速业务多元化，探索非汽车领域的新垂直市场，如与CodeFactory合作的自助服务亭项目 [9][102] 管理层对经营环境和未来前景的评论 - 对Q2业绩感到满意，对全年前景充满信心，但认识到存在宏观风险和不确定性 [33] - 基于当前信息，相信能够实现Q3和2025财年的指引 [33] - 认为关税对本季度业绩影响有限，预计Q3影响仍将有限，但客户在定价和项目时间表上有压力，公司与客户合作优化合作关系 [6][7] - 看到消费者对AI功能的需求推动了PPU的增加和连接服务的增长，对业务发展持积极态度 [45] 其他重要信息 - 公司将参加5月29日的T.D. Cowan技术、媒体和电信会议以及6月10日的Evercore ISI全球汽车OEM、经销商和供应商会议 [4] - 幻灯片和新闻稿可在公司网站的投资者板块获取 [3] 总结问答环节所有的提问和回答 问题1：请解释账单减速至0%但联网汽车加速增长的原因，以及这些指标对未来轨迹的指示作用 - 公司整体销量符合预期，略有上升；联网率上升表明更多汽车在整体销量中实现联网，联网汽车发货时产生账单，但收入在订阅期内摊销，因此联网率增加是积极信号，未来收入有望增长 [36] 问题2：新连接收入增长，是否可以预期在Q3、Q4继续增长，是否有一次性因素 - 新连接收入增长8%，本季度确认的收入来自之前的账单摊销；基于过去的账单情况，预计未来连接收入将增加，但汽车销售、连接和收入确认之间存在时间差 [38][39] 问题3：AI对连接业务增长的驱动因素是什么，以及对PPU的影响 - AI已渗透到车辆中，无论是嵌入式还是连接式汽车。嵌入式车辆中，大语言模型可实现无需特定关键词的车辆控制；连接式汽车中，AI可实现外部信息查询等功能，这些都驱动了消费者需求、PPU增加和连接服务增长 [42][45] 问题4：宏观因素会在哪些方面影响公司业务 - 宏观因素可能体现在客户定价和行业整体销量上。部分OEM因成本压力要求降价，公司通过优化软件需求和提供更好价格来应对；销量方面，公司大量业务在海外，美国的关税和影响可能不完全直接反映在公司业绩上 [46][48] 问题5：维持2025财年指引不变，专业服务减少和技术收入增加的具体情况及原因 - 专业服务面临一定逆风，但技术收入增加主要来自连接业务的增长和许可业务量的提升，同时公司减少固定合同的签订，避免了折扣，提高了有效价格 [52][53][54] 问题6：与MediaTek合作的边缘解决方案中，MediaTek带来了什么 - 这是与NVIDIA、MediaTek的三方合作，NVIDIA和MediaTek合作开发适用于汽车的核心芯片（SoC），公司与他们合作集成软件，优化性能、降低成本，减少对专业服务的需求 [57][58] 问题7：对微软提起诉讼的目的是什么 - 目的是保护公司的知识产权，确保公司在技术开发上的投资得到保护，不涉及其他额外目标 [60][61] 问题8：PPU在未来12 - 24个月的走势如何 - PPU受多种因素影响，包括定价压力、技术采用率、整体销量和连接汽车数量等，存在正负因素，目前无法提供未来指引，但过去12个月呈积极趋势 [83][84] 问题9：对微软提起诉讼的原因，以及是否意味着微软开始与公司竞争 - 诉讼主要是为了保护公司的知识产权，目前处于活跃诉讼阶段，无法提供更多细节；公司与微软仍在业务上合作，诉讼是独立问题，不影响双方的技术合作 [87][89][90] 问题10：关税是否会增加公司产品的客户兴趣 - 难以将客户兴趣与关税直接联系起来，公司认为技术本身是吸引客户的关键，如在上海车展展示的多模态功能受到消费者和OEM的喜爱；如果公司需要提高价格，需要提供更多功能以满足客户需求 [96][98] 问题11：请介绍非汽车领域的机会和潜在收入时间 - 公司与CodeFactory合作将汽车领域的大语言模型技术应用于自助服务亭，通过合作伙伴进行市场推广，成本效益高；目前正在探索其他垂直市场，但仍处于初期阶段，预计在2026财年及以后对营收产生影响 [102][103][104]

核心观点 - 2015年发表的论文《End-To-End Memory Networks》虽被Transformer的光芒掩盖，但已包含当前大型语言模型（LLM）的核心要素，如多层注意力机制、位置嵌入等 [2][8][22] - 该论文被引量仅3000+，远低于Transformer论文的17万+，但其创新性被行业低估 [3][9] 技术突破 - **注意力机制创新**：首次完全用注意力替代RNN，引入带键值投影的点积软注意力，并堆叠多层注意力结构 [8] - **位置嵌入**：为解决注意力顺序不变性问题引入时间嵌入（现称位置嵌入），现已成为LLM标准技术 [18][22] - **推理能力验证**：首次证明多层软注意力可产生复杂推理能力，奠定现代AI架构基础 [13] 研究背景 - 研究始于2014年FAIR实习项目，受导师Rob Fergus推动探索记忆机制，基于Jason Weston团队《Memory Networks》改进 [16] - 使用bAbI任务基准测试，发现RNN在无序多事实查询任务中的缺陷，促使转向注意力机制 [16][18] 关键实验 - 2014-2015年冬季实验显示：采用点积软注意力的记忆网络性能显著优于基线，尤其在语言建模任务中击败LSTM [18][19] - 创新技术包括键值分离投影、时间嵌入添加随机噪声等 [18][19] 行业影响 - 论文预见性：10年前已实现无RNN的纯注意力语言模型，其多层注意力结构和位置嵌入现被GPT等主流模型采用 [22] - 后续发展：Meta团队2024年发布《Multi-Token Attention》论文，进一步优化长上下文处理能力，解决"大海捞针"类任务 [26] 对比研究 - Transformer的改进：引入前馈层、多头注意力等，但核心思想源于早期注意力机制研究 [25] - Bahdanau等人2015年论文《Neural Machine Translation by Jointly Learning to Align and Translate》被行业认为是最早提出注意力机制的论文，但关注度仅为Transformer的1% [12]

明敏 发自 凹非寺 量子位 | 公众号 QbitAI 千呼万唤，Qwen3终于来了！ 一口气上新8大模型，通通开源。 旗舰模型Qwen3-235B-A22B全方位超越R1、o1、o3-mini，最大杯稠密模型也以32B参数量达到了可观水平。 | | Qwen3-235B-A22B | Qwen3-32B | OpenAl-o1 | Deepseek-R1 | Grok 3 Beta | Gemini2.5-Pro | Open Al-o3-mini | | --- | --- | --- | --- | --- | --- | --- | --- | | | MoE | Dense | 2024-12-17 | | Think | | Medium | | ArenaHard | 95.6 | 93.8 | 92.1 | 93.2 | - | 96.4 | 89.0 | | AIME'24 | 85.7 | 81.4 | 74.3 | 79.8 | 83.9 | 92.0 | 79.6 | | AIME'25 | 81.5 | 72.9 | 79.2 | 70.0 | 77.3 | 86.7 | 74.8 | ...

AI发展阶段的划分 - AI发展已进入下半场，从单纯解决问题转向定义问题和评估模型效果 [6][7] - 上半场核心在于训练方法创新，如Transformer、AlexNet、GPT-3等模型突破 [9] - 上半场训练方法论文引用量远超benchmark论文，如Transformer引用16万次vs WMT'14的1300次 [9][11] 强化学习(RL)的突破 - RL获得泛化能力，能同时处理软件工程、创意写作、数学问题等多样化任务 [8] - RL三大要素中，先验知识(priors)重要性超过算法和环境 [13][14][15] - 语言模型pre-training为RL提供了关键先验知识，但直接应用于控制领域效果不佳 [20][21] AI有效配方 - 核心配方包含：大规模语言预训练、算力数据扩展、推理与行动理念 [12] - 语言通过agent reasoning实现泛化，如ReAct框架结合推理与行动 [25][26] - 环境设计重要性凸显，OpenAI曾开发Gym、World of Bits等标准化RL环境 [18][19] 评估方法的转变 - 传统i.i.d评估假设与现实不符，需开发考虑长期记忆和连续任务的评估方式 [30] - 自动评估假设被质疑，真实人机交互评估如Chatbot Arena更具现实意义 [28][30] - 效用问题成为关键，AI需从攻克benchmark转向创造实际经济价值 [28][30] 行业影响与趋势 - 通用配方使渐进式改进价值降低，5%专项优化可能不如30%的通用模型提升 [26][28] - 下半场将催生万亿级公司，通过智能产品化实现商业价值 [30] - 行业需重新思考问题定义，产品经理类技能将更受重视 [7][28]

模型性能对比 - Claude-3.5-Sonnet在PaperBench基准测试中断崖式领先，第二名o1-high分数仅为第一名的60%，第三名DeepSeek-R1分数为第二名的一半[6] - GPT-4o表现超过推理模型o3-mini-high成为亮点[7] - 测试成绩数据：21.0 ± 0.8（Claude-3.5-Sonnet）、13.2 ± 0.3、6.0 ± 0.3、4.1 ± 0.1、3.2 ± 0.2、2.6 ± 0.2[9] 测试方法革新 - PaperBench相比去年10月MLE-Bnch测试更注重综合能力，要求复现ICML 2024论文全过程（理解/编码/实验）[3][4] - 选取20篇ICML 2024 Spotlight和Oral论文，涉及深度学习/概率方法/强化学习等8个领域，包含8316个可评分任务[15][17] - 采用开卷考试模式，允许有限联网搜索但屏蔽原论文代码库[18] 评估流程设计 - 三阶段流程：创建代码库→GPU执行→自动评分，全程在Ubuntu容器中完成[20] - 采用分级评分标准，按叶节点/父节点逐级评估，核心指标为论文平均复制分数[19] - 使用o3-mini作为裁判模型性价比最高，单篇论文评分成本66美元，比人类专家更经济高效[22][23] 人机对比实验 - AI在工作1-6小时内进度快于人类顶尖ML博士，12-24小时阶段持平，人类需24-48小时才能超越AI[11][12] - 测试显示AI裁判模型o1-mini的F1分数达0.78，接近人类专家0.84的水平[24] 技术开源进展 - 评估所需的代码/数据/Docker镜像已在GitHub逐步开源[25][26] - 公开了BasicAgent和IterativeAgent的系统Prompt模板，强调分步执行/代码规范/时间优化等原则[28][29][30][31] - 提供完整任务指令模板，包含资源说明/提交要求/代码示例等要素[34][36]

财务数据和关键指标变化 - 本季度总营收22.321亿元，同比增长29.6%，增速达30%，超越其他四家上市公共互联网云公司 [9][26][30] - 非GAAP运营利润首次转正，非GAAP运营利润率达1.1%，较去年亏损10.9%提升12个百分点 [11] - 非GAAP毛利达4.277亿元，创历史新高，同比增长63%，非GAAP毛利率为19.2% [11] - 非GAAP EBITDA利润率达16.1%，同比增加17.7个百分点，环比增加6.3个百分点 [12][35] - 截至2024年12月31日，现金及现金等价物总计26.488亿元，本季度经营现金流净流入5.702亿元 [36] 各条业务线数据和关键指标变化 公有云服务 - 本季度收入14.098亿元，同比增长34%，主要受AI相关业务显著增长推动，AI相关业务总账单达4.74亿元，占公有云服务收入的34% [15][30][31] - 来自小米和金山生态系统的收入同比增长76%，2025 - 2027年该生态系统将为公司带来总计11.3亿元的收入贡献，是2023年的10倍 [15] 企业云服务 - 本季度收入8223万元，同比增长22.7%，主要受特定垂直领域需求增加和Camelot IT服务增长推动 [18][31] 各个市场数据和关键指标变化 文档未提及相关内容 公司战略和发展方向和行业竞争 - 公司坚持高质量可持续发展战略，以AI引领转型，深化与小米和金山生态系统的合作，全面探索AI机遇，同时扩大收入规模并提高盈利能力 [9][23][24] - 在AI云计算时代，公司凭借行业洞察、研发投入和计算能力，在客户服务、技术能力和质量保证方面获客户和行业专家高度评价，市场份额和行业声誉显著提升，位居行业前列 [17] 管理层对经营环境和未来前景的评论 - 公司认为AI发展为云行业带来更广泛的推动力，随着DeepSeek的发布，更多企业和个人将使用大语言模型，公司作为市场参与者将从中受益 [44][45] - 预计2025年公有云和企业云收入增长将加速，全年非GAAP运营利润将为正，未来几年收入将加速增长，盈利能力将更高更稳定 [29][37] 其他重要信息 - 本季度IDC成本同比下降2.6%，从7.404亿元降至7.215亿元，折旧和摊销成本从去年同期的1.469亿元增至3.431亿元，解决方案开发和服务成本同比增长10.8%，从5.029亿元增至5.57亿元 [32] - 调整后总运营费用同比下降9.8%，环比下降9.1%，其中调整后研发费用较上季度收窄27%，调整后销售和营销费用较上季度下降，调整后G&A费用因信用损失波动略有增加 [34] 总结问答环节所有的提问和回答 问题1: 近期AI行业趋势对云计算行业供需结构和市场格局的影响，以及公司面临的机遇和挑战；2025年资本支出计划及应对供应端限制的措施 - 公司认为DeepSeek证明中国科技公司在技术和产品上能达到世界高度，降低了部署成本，加速了大语言模型在中国的部署，推动了AI和云行业发展，公司将从中受益；在AI领域竞争和技术改进增加，包括强化学习和多模型用例 [43][44][47] - 公司AI投资包括运营支出（OpEx）和资本支出（CapEx）两部分，过去四个季度在数据中心运营支出约29亿元，资本支出约50 - 60亿元，预计2025年总AI投资100亿元只是开始；公司与股东安排了租赁和表外融资支持AI投资，现有资产负债表上的现金并非AI投资的限制 [51][52] 问题2: 2025年营收增长预期的驱动因素，AI相关营收和小米及金山集团的营收贡献；长期盈利能力趋势 - 2024年Q4营收同比增长30%，超过行业顶级企业，各业务板块包括公有云、企业云以及公有云中的AI和非AI业务均健康增长；公司业务战略调整后客户结构健康，AI将是重要驱动因素，其他业务板块也将贡献增长 [58][60][61] - 公司虽无官方利润率指引，但过去几个季度毛利率持续改善，过去三个季度经营现金流为正，是利润率扩张的重要领先指标；预计EBITDA和运营利润增长速度将快于毛利率，公司管理层旨在保持毛利率、EBITDA利润率和运营利润率健康稳定扩张，同时关注现金流利润率扩张以支持新的AI投资 [61][62][64] 问题3: AI推理的需求及贡献；传统公有云业务设备充分折旧后是否继续产生收入及前景 - 小米和金山生态系统外，DeepSeek加速了大语言模型和AI在各行业的应用，客户数量增加，但单个大客户对集群的大量需求尚未出现，AI和DeepSeek的渗透趋势明显，但反映到财务报表可能需要时间；生态系统内AI推理需求强劲，小米生态的产品和服务以及金山办公的WPS AI用户账户均有增长 [69][70][72] - 公司在服务器和计算能力的折旧政策上较为保守，采用四年折旧政策，相比五年政策可能高估了成本，未来有释放盈利能力的潜力；2023年底和2024年初公司对资产分布和内部资源进行了审查，目前资产负债表上的资产健康，能匹配收入增长机会，有望提高股东回报和盈利能力 [74][76][77] 问题4: 2024年高性能AI服务价格下降、推理服务供应充足对公司GPU云收入定价策略及AI云收入和盈利的影响 - 本季度公司在互联网云业务上市公司中实现了可能是最高的增长率，毛利率也处于行业领先水平，公司对业务保密信息较为谨慎 [81][82] - 公司AI相关服务利润率高于传统以CPU为中心的ICE服务，定价取决于客户需求，公司有多种计算格式可满足不同需求；GPU定价与主要客户的核心生产需求相关，AI服务对客户工作流程和产品至关重要，客户愿意支付更高费用；公司已从传统IT云服务公司转变为AI云及解决方案服务公司，定价模式不同 [83][85][86]