AI在企业中的应用与影响 - 企业AI应用呈现出明显的杠杆效应，初创公司能快速构建适配AI的组织，而大型企业则面临传统工作流程与组织惯性的变革管理挑战，无论大小企业都需经历思维转变、技能培养、数据整合的艰苦过程 [2] - AI正在打破传统层级架构，实现信息流扁平化，例如微软CEO可直接通过Copilot获取简介并立即分享给所有部门同事，改变了以往由现场团队准备笔记、总部提炼的流程 [2] - 公司内部已用AI Agent自动化处理DevOps重复工作，如光纤挖断、设备故障等，这是自下而上的落地实践 [3] - 在LinkedIn等团队，公司将产品经理、设计师、前端工程师、后端工程师等角色合并为全栈构建者，重构了AI产品工作流 [3][13] - AI应用落地的关键差距在于大规模应用的推进力度，而非技术人才质量，全球AI技术人才与初创公司的质量已无显著差异 [3] - 判断AI是否存在泡沫的关键在于落地应用，当AI加速药物临床试验、提升农业生产效率、优化公共服务时，技术就已转化为实实在在的经济价值 [3] 微软的战略与产品愿景 - 微软与OpenAI合作的核心逻辑是不押注单一模型，而是打造算力加应用服务器层的平台，兼容多模型生态 [3] - 公司认为任何应用、任何公司最终都会同时使用多种模型，甚至在一个具体任务里编排多个模型协同工作，效果往往比单一的前沿模型更好 [25] - 微软的战略层面包括做好算力工厂Azure，以及在应用服务器层构建Foundry，未来每个人都在构建Agent，有强化学习环境和评测体系 [25] - 公司正在尝试新学徒制模式，由资深IC工程师带一组应届生，借助AI加速新人生产力爬坡，以适配AI时代的人才培养方式 [4][33] - PC必须成为本地模型的最佳载体，本地模型可以承担大量prompt处理，再按需调用云端能力，公司正在坚定推进这一方向 [29] - 公司推出了Agent 365，将给人用的身份体系、终端防护体系扩展到Agent身上，身份对于权限、决策、责任追溯等非常关键 [11][12] AI技术形态与演进 - AI在知识工作中正走向多种形态组合，包括智能补全、chat交互、可执行的actions以及全自主Agent，这些形态在编程中都已存在且可以组合使用 [7][8] - 在AI时代，计算机需要新的隐喻，例如无限思维的管理者，这形象地描述了用户同时在和大量Agent协作的状态 [9] - AI的演进路线是从chat开始，带推理的chat不只是一问一答，能看到完整的思考过程，现在到了actions阶段，通过模拟电脑操作、Skill和Agent调用来执行任务 [8] - 一种特别期待的形态是Copilot能通过MCP Server等方式，把工作流、待办事项、上下文全部拉进来，实现真正的知识工作组合 [10] - 模型会类似数据库市场演进，会有闭源的前沿模型，也会有达到前沿水平的开源模型，一个重要方向是企业把自身的隐性知识嵌入到自己掌控的模型权重中 [26] - 高性能工作站正在回归，现在已经有完全驻留在本地、基于NPU和GPU的模型 [27] 行业竞争与生态发展 - 科技行业每十年换一批竞争对手是好事，能倒逼企业保持竞争力，科技产业蛋糕会持续变大，绝非零和博弈 [3][16] - 美国技术栈的核心优势是生态效应，即平台之上生态收入远超自身收入，而非单纯的市场份额，技术扩散是做大全球蛋糕，而非抢蛋糕 [4][20] - 技术扩散的关键在于AI能否真正铺开，进入医疗、金融等所有行业，包括中小企业和公共部门，而不仅限于大企业 [18] - 在全球南方国家存在巨大机会，如果AI能显著提升政府把纳税人资金转化为公共服务的效率，哪怕只提升一点点，就可能带来几个百分点的GDP增长 [19] - 围绕平台形成的完整生态是美国一直以来的优势，例如衡量一个国家的生态是如何围绕平台建立起来的，包括渠道伙伴、ISV、相关IT从业者等 [20] - 基于美国的技术栈，世界各地都可能诞生顶级的科技公司，这并非美国技术、美国收入的问题，而是用新平台在全球范围内创造机会 [21][22] 组织变革与人才发展 - 自PC普及以来，知识工作正在发生最大的结构性变化，类似于当年PC加Excel和Email改变工作流程，AI正在带来同样级别的变化 [13] - 公司员工数量基本没变，但收入多了900亿美元，利润还翻了一倍，部分原因是自动化以及削掉了不少中间管理层 [13] - 企业AI的采用会同时发生自上而下和自下而上两种方式，自上而下源于客服、供应链、HR自助等场景的清晰ROI，而真正改变组织的一定是自下而上的力量 [30] - 工具扩散和真正被使用是最重要的事情，技能提升是在实际使用中完成的，而非仅仅学会 [31] - 公司依然坚定相信校园招聘，因为AI会彻底改变一个人掌握代码库、建立熟练度的速度，应届生的生产力曲线会比以往陡得多 [33] - 顶级工程实践更多体现在十倍、百倍工程师是如何借助AI打造高质量产品的，新一代毕业生对这些经验会学得更快 [34]

AI革命的核心特征与影响 - AI革命的核心是解放人类大脑 直接冲击人类的认知与决策核心 与前三次解放双手的工业革命存在本质区别[1] - 科研工作必须应用AI 否则将被时代淘汰 传统依赖人工实验的学科如材料学 也需通过自动化与AI赋能 将科研人员从重复工作中解放[1] 科研创新主体的转移 - 科研创新中心正从学术机构向拥有海量数据和算力的企业转移[1] - 在自动驾驶 具身智能等前沿领域 企业成为新技术的首发地 高校反而成为学习者[1] - 大模型研发在2014年后发生关键转折 此前最前沿模型主要由高校研发 此后大型平台企业成为绝对主体 高校占比微乎其微[1] AI技术扩散与产业应用 - 未来科研将深度植根于产业应用土壤 科创企业角色越发重要[2] - AI应用在加速落地 无论是与硬件结合还是Agent化[2] - AI指数级的进化速度重塑了生产力[2] AI发展带来的挑战与风险 - AI技术扩散存在“利益不一致”隐患 AI助手可能以实现背后公司利益最大化为前提 而非用户福祉[3] - 用户数据泄露风险正在加大 科技企业在技术投入 商业模式更迭和用户隐私保护方面的张力增大[2] - 具身智能机器人将无间断采集环境数据 涉及位置 社交对象 谈话内容等敏感数据在云端存在滥用风险[3] 应对挑战的思考与建议 - 教育应更关注AI难以替代的领域 如发现问题的能力 系统性思维及应对未知世界的探索欲[2] - AI不仅要“好用” 更要“可信” 应成为人类长期相处的伙伴[3] - 建议在科研与应用中建立“沙盒机制” 在可控可观察环境中进行技术扩散与伦理实验[3]

美联储经济与政策动向 - 美联储12月会议纪要显示，美国实际GDP温和增长，劳动力市场持续降温，第三季度经济活动表现稳健，但今年前三个季度的平均增速仍偏温和，低于此前对2024年的预期增速 [1] - 美联储工作人员预计，随着金融条件改善及关税影响逐步减弱，2025年后经济增速将略高于潜在水平，失业率逐步回落，通胀在短期承压后于2028年回到2% [1] - 美联储与会者普遍认为，通胀风险仍偏上行，而劳动力市场相关风险偏下行 [1] - 美国至12月27日当周初请失业金人数为19.9万人，为11月29日当周以来新低，低于预期的22万人 [1] 加密货币市场资金流向 - 2025年以来各公链净资金流入排名中，以太坊表现最强，净流入约42亿美元，位居首位 [1] - 资金流入排名中，以太坊之后依次为Hyperliquid、Sonic、WorldChain、Solana等 [1] - 多条链出现显著资金外流，其中Arbitrum净流出规模最大，其次为Unichain、BNB Chain等 [1] 加密货币行业动态与理念 - 以太坊联合创始人Vitalik Buterin发布文章，强调技术扩散和去中心化的战略可以有效应对权力过度集中问题 [2] - Vitalik Buterin呼吁更多企业和项目关注去中心化模型，避免权力过度集中，确保各方能够公平竞争并促进多极化发展 [2] - Bitwise已于12月30日向美国证券交易委员会提交了11只加密货币ETF的申请 [3] - Bitwise提交的ETF申请包括Bitwise AAVE Strategy ETF、Bitwise UNI Strategy ETF、Bitwise ZEC Strategy ETF等 [3] - 这些ETF的投资策略为将60%的资产直接投资于相关基础加密货币，40%投资于投资该加密货币的交易所交易产品 [3]

涉及的行业或公司 * 报告主题为2026年亚洲新兴市场股票展望 涵盖日本 新兴市场 中国 印度 巴西 阿联酋 新加坡 沙特 印尼 台湾等多个市场[1][3][4] * 行业方面提及金融 可选消费/电商 工业 能源 材料 信息技术 电信和房地产[5] * 特别关注人工智能资本支出及半导体需求相关的公司[3][50] 核心观点和论据 **总体策略与市场展望** * 建议2026年采取紧贴基准指数的市场风险敞口 相对新兴市场略微偏好日本[3][4] * 对2026年持谨慎乐观态度 依据是经济学家普遍建设性的全球增长预期 尤其是2027年可能出现的再加速[3] * 提高了基准情景的指数目标价 但同时强调更宽的乐观和悲观情景之间的点位差 反映六大维度的全球宏观风险与机遇将持续驱动市场[3] * 2025年是与2020年类似的异常表现年份 市场在年初大幅抛售后急速攀升 估值飙升至远高于长期均值 这在基准情景下限制了明年尤其是新兴市场的前景[15] **区域配置偏好** * 在基准情景中 日本（不对冲汇率）将略微跑赢新兴市场 论据包括对日本EPS预期略高于市场一致预期 而对新兴市场和中国预期略低于市场一致预期[4][12] * 日本市场的吸引力在于再通胀与ROE改善趋势已基本确立 并有望在即将上任的高市政权下通过温和的财政方案及监管改革进一步得到支持[4] * 日本市场还受益于结构性国内资金流入股票市场（包括股票回购和新NISA资金）以及日本金融厅推动的企业改革[4] * 经历2025年的强劲相对表现后 新兴市场在2026年将开始失去动能 因美元趋于稳定限制了金融条件的进一步宽松[4] * 对中国市场保持温和乐观态度 基准情景是明年多极世界风险减轻 这应能维持估值接近当前水平 但预计再通胀在2027年前不会明显显现[4] * 继续在印度 巴西 阿联酋和新加坡保持小幅超配 (OW) 同时维持沙特 印尼和台湾市场的低配 (UW)[4] **行业配置与主题投资** * 行业方面继续推荐核心超配金融 可选消费/电商和工业 低配能源和材料 平配 (EW) 信息技术 电信和房地产[5] * 自2025年3月起在焦点名单中重新增加了半导体/信息技术板块的敞口 原因是AI资本支出加速 但采取选择性策略 谨慎考虑估值（目前市净率约7倍）[50] **盈利与估值预测** * 对主要指数的目标点位和盈利预测进行了上调 例如TOPIX的2026年12月目标价为3,600点 较当前价格3,359点有约7%的上涨空间 MSCI新兴市场目标价为1,400点 较当前1,408点略有下降[12] * 预计估值将温和回归至10年区间的75-85百分位 例如新兴市场基准前瞻市盈率目标为13.0倍 处于10年区间的第85百分位 TOPIX目标为15.0倍 处于第83百分位[21][40] * 对日本的盈利预测至2027年12月累计比一致预期高约3个百分点 而新兴市场则低约6个百分点[33][43] 其他重要内容 * 报告强调了2026年市场回报率将继续显著分化 投资环境将呈现高度不确定性 可能出现广泛的结果区间[18] * 报告指出了六大关键不确定性领域需要构建稳健投资组合 包括美国经济增长 美元走势 中国再通胀进程 美国利率路径 多极世界格局演变以及人工智能资本支出及半导体需求[3][20] * 报告包含详细的基准 乐观和悲观情景下的目标点位 盈利及估值假设 例如TOPIX的乐观情景目标可达4,250点 悲观情景目标为2,440点 区间显著扩大[24][28] * 报告提及日本新任高市政权预计将实施有利于市场的政策 包括略为宽松的财政立场 并强调国防开支 国内技术投资和放松监管 此外2026年上半年存在提前选举的可能 而这通常与短期积极的市场环境相关[44]

中美AI竞赛格局 - 美国在追求通用人工智能和超级智能方面具有优势，其优势在于硬件和软件技术，但面临电力供应不足的挑战 [3][4][7] - 中国致力于将人工智能技术广泛应用于各类产品和服务，在硬件制造和成本控制方面具有优势，特别是在消费品领域 [3][4][6] - 美国对中国实施的硬件限制将影响中国在高端AI领域的竞争能力 [3] 机器人产业发展趋势 - 中国在机器人领域采取与电动汽车类似的策略，通过制造廉价但功能强大的设备主导市场，例如宇树科技发布售价6000美元的R1机器人 [6] - 美国在高端复杂机器人领域仍有机会，其软件优势明显，但硬件层面可能面临中国廉价机器人的冲击 [6] - 中国在太阳能和电动汽车领域的竞赛中已取得领先地位，去年新增172吉瓦太阳能装机容量 [6] 能源瓶颈与基础设施 - 到2030年，美国需要新建92吉瓦发电能力以满足数据中心需求，相当于约60-92个大型核电站的发电量 [8] - 美国当前电力供应不足，这将限制其在AI和AGI领域优势的充分发挥 [5][7][8] - 中国在电力生产方面已解决问题，具备基础设施优势 [7] AI技术安全与治理 - 当前面临三大明显威胁：虚假信息、网络安全和生物安全，其中生物安全风险尤为突出 [10][11] - AI训练效率不断提升，从FP16转向FP8，甚至4位浮点运算，这加剧了技术扩散的风险 [13][14] - 通过"蒸馏"和迁移学习技术，模型训练成本可降至原始训练的1%，同时达到80%-90%的顶级闭源模型水平 [14][15] 创业环境与成功要素 - 当前创办公司的门槛几乎为零，创业者可在线注册公司，利用AI工具编写代码，通过第三方物流和合同制造商处理硬件生产 [16] - 成功的关键在于快速行动并构建围绕"学习"的系统，通过监督或非监督训练实现爆发式增长 [17][18] - 行业创造财富的核心在于建立可规模化的平台，形成网络锁定效应，这是从微软到当代科技公司的普适真理 [19][20] 技术革命的历史意义 - 人工智能这种非人类智能的出现，其重要性堪比人类历史上电力、火或交通工具的发明 [21] - 未来十年将比以往任何时候都更能决定未来百年的走向，积极拥抱AI的国家和公司将成为大赢家 [22] - 所有经济增长都来源于应用智慧发现新事物、解决新问题，而AI正加速这一进程 [22]

科技创新本质 - 科技创新的核心在于技术扩散能力而非原创发明 华为通过模仿思科、三星和特斯拉实现通信设备、智能手机和新能源汽车领域的技术扩散[1] - 现代科技产业发展规律显示 技术扩散持续进行后 原创发明将自然涌现 德国、美国、日本均遵循此路径[2] - 创新是经济概念而非技术概念 熊彼特理论指出创新需将技术引入经济组织形成新生产能力[19][20] 航空业案例 - 莱特兄弟1903年发明飞机但美国航空业未崛起 1907年法国建立首家飞机工厂时美国仍处作坊生产阶段[3][5] - 欧洲主导早期航空业发展 荷兰皇家航空成为首家航空公司 德国建造首个实用风洞 美国1920年才建成低速风洞NACA 1号[7] - 二战前美国航空工业全球市场份额微小 证明发明权不等于产业化能力[8][9] 造船业对比 - 亨利·凯泽1942年将建筑业预制技术引入造船 自由轮建造周期从200天压缩至24天 4年造1490艘船[10] - 美国因《琼斯法案》保护政策放弃分段制造工艺 1956年后被日本反超 1980年代全球份额仅3%[11][12] - 日本造船业通过技术引进和政府支持崛起 验证技术扩散比原创发明更具产业价值[14][15] 企业主导趋势 - 全球研发投入78%来自企业 美国2022年研发支出占GDP 3.42% 商业部门贡献78%[39] - 中国1995-2022年企业研发经费占比从40.64%升至77.57% 接近美国水平[39] - 欧盟数据显示全球2000强企业占研发总投资85% 前50强占40% 华为等5家中国企业进入前50[42][43] 中美科技对比 - 世界500强中美国科技企业58家利润占比41.5% 中国46家利润占比21.8% 盈利能力差距显著[45] - 美国科技七姐妹总市值相当于A股与中概股总和 反映企业规模差距[46] - 中国需强化技术扩散能力 聚焦市场应用而非追求"原创发明"标签[47][48]

美国工业发展历程 内战前的工业基础 - 1789年塞缪尔·斯莱特通过"技术走私"将英国纺织技术引入美国，1793年复刻阿克莱特纺纱机，成为美国工业化起点，1830年美国棉纺厂工人达2.5万，超过英国的1.8万 [5][6] - 1790年汉密尔顿推动《专利法》和1791年《制造业报告》，主张保护幼稚产业并鼓励技术引进，1840年美国专利申请量已超越英国本土 [9][10] - 1860年内战前美国工业产值超法国但钢产量仅1.2万吨，不足英国1/40，机械设备依赖进口，北方工业产值占全国70%，南方工业几乎空白 [11][12] 内战后的技术追赶 - 1862年《宅地法》和《太平洋铁路法案》解放劳动力并加速铁路建设，内战结束后美国铁轨总长超英国，1880年钢铁产量达250万吨，反超英国的200万吨 [14][17] - 卡耐基采用垂直整合模式将钢铁成本降低40%，1890年其公司占美国钢产量30%，1900年美国钢产量达1000万吨跃居世界第一 [17] - 洛克菲勒标准石油通过"托拉斯"垄断90%市场，运输成本比英国低30%，1880-1900年汽油产量增长50倍，爱迪生电力革命推动美国发电量18年内超英国 [18] 20世纪的创新爆发 - 1908年福特T型车引入流水线，装配时间从12小时缩至90分钟，成本降60%，1914年产量达30万辆占全美50%，1920年美国工业产值160亿美元占全球66.4% [22][23] - 1913年美联储成立推动纽约证券交易所市值达伦敦1.5倍，1914年战时债券融资215亿美元，1920年代通用汽车金融公司分期付款模式使68%-75%新车通过信贷销售 [24] - 1900-1925年美国诺奖得主从零增至3人，洛克菲勒基金会资助约翰霍普金斯等高校，1920年代形成"技术扩散-规模经济-金融支撑-理论创新"闭环 [25][26] 核心驱动因素 - 制度创新：从汉密尔顿产业政策到美联储建立，专利法修订允许外国技术落地即申请专利 [9][24] - 规模优势：领土扩张与铁路网建设实现技术规模经济，1900年铁路总长30万公里为英国3倍 [14][17] - 技术转化：贝尔实验室专利池、杜邦研发体系等将外来技术转化为可量产系统 [20] - 金融协同：战时债券、消费信贷与资本市场联动加速产业升级 [24]

印度经济增长与技术扩散 - 印度1-3月经济增长7.4%，高于上一季度的6.2%，创下一年来最佳季度增长记录 [1] - 印度5月份新出口订单增幅达到三年来最高水平之一，受到来自亚洲、欧洲、中东和美国的强劲需求 [1] - 印度5月制造业PMI为57.6，虽环比略降0.6但仍呈现极强扩张性 [2] 制造业表现 - 2024/25财年印度汽车整车出口量达536万辆，同比增长19.2%，创历史新高 [6] - 印度汽车销量达每年400万辆，成为全球第三大汽车消费市场 [6] - 2018年印度手机进口21亿美元，2022年出口达110亿美元，本土生产比例从2%提升至98% [4] - 2023年全球约13%的iPhone在印度组装，其中四分之三产自富士康印度工厂 [4] 技术扩散与产业升级 - 印度通过"复制+适配+消化"模式实现技术升级，在智能手机制造、制药、可再生能源等领域取得进展 [10][13] - 塔塔集团2025年生产出第一颗自研芯片，每月产能达5万片晶圆 [11] - 印度IT生态快速崛起，2021年新增42家独角兽企业，是2020年的3.5倍 [8] - 印度数字基础设施"India Stack"大幅降低国内交易成本，Aadhaar系统覆盖率达95% [8] 产业集群与外资投入 - 泰米尔纳德邦形成多个产业集群，超过130家《财富》500强企业在该邦运营 [15] - 2023年印度吸引国际直接投资(FDI)超700亿美元，集中于芯片、电子、生物医药等高技术行业 [14] - 苹果供应商康宁投资1.2亿美元建厂，越南VinFast宣布投资20亿美元设厂 [17] 本土企业创新 - Reliance Jio自建5G生态，拥有约110万个5G基站，2024年开始销售自研5G堆栈技术 [18] - 教育科技公司Byju's通过数字教育技术拓展海外用户 [18] - 制药企业Bharat Biotech和Serum Institute从疫苗生产迈向mRNA平台与原创分子研发 [17]

人工智能竞争格局 - 美国与中国正在开展一场计算竞赛，人工智能是该领域的决定性技术 [1] - 美国认为出口管制无法阻挡中国进步，但能拖慢中国发展步伐 [1] - 美国需从4G和5G竞争中吸取教训，避免全球技术轨道被中国主导 [3] 技术扩散战略 - 美国计划利用现有AI优势主动实施技术扩散，让世界运行在美国轨道上 [1] - 技术扩散应以巧妙方式进行，既吸引全球靠拢又防止顶尖技术落入中国 [3] - 英伟达CEO认为限制AI技术传播适得其反，应加速美国技术全球普及 [4] 行业领导力挑战 - 美国不能假设一直领先，制胜关键在创新而非出口管制 [3] - 全球一半AI研究人员是中国人，中国在AI领域表现突出 [4] - 若不参与中国市场竞争，中国技术生态将扩散至全球 [4] 企业动态 - 英伟达CEO指出DeepSeek是一款优秀产品，中国AI发展迅速 [4] - 美国领先AI企业均来自本土，计划通过技术分享巩固优势 [1]

Manus产品定位与功能 - Manus被比喻为AI时代的"hao123"，作为大模型导航平台整合多种AI工具接口，不直接提供检索服务但可调用不同大模型能力[3][4] - 核心功能包括在虚拟服务器上调用大模型API，三大组成部分为虚拟服务器、浏览器和各类大模型接口[4] - 提供简历筛选、房产信息整理、财报分析等场景化功能，整合2024年主流AI应用案例[2] - 解决用户需在不同AI工具间切换的痛点，实现跨平台一站式服务[4] 技术架构与生态 - 技术底座完全依赖现有大模型接口，无自研底层模型，采用Claude3.5等模型进行长任务拆解[10] - 工程架构类似2024年"Computer use"，依赖Python爬虫和虚拟服务器技术[10] - 前代产品Monica曾达到100万用户，新版本实现Agent自主调用API完成复杂任务[6] - 受益于大模型技术扩散红利，类似Deepseek开源带来的行业技术普惠[8][11] 市场策略与行业影响 - 采用邀请码机制制造稀缺性，某鱼价格达30000元/个，精准控制早期用户体验[1][7] - 标志大模型生态成熟，类似小米进入领域预示供应链完善[5] - 2024年Q2中国AI融资规模564亿元（同比降20%），行业面临盈利困境[12] - 证明现有AI技术已满足80%需求，重点应转向用户体验优化而非技术迭代[12][13] 竞争格局与行业趋势 - 面临Computer Use、Phone Use等同类产品竞争，均实现人机交互自动化[10] - 腾讯DataLab实验室数据显示，多模态平台可使任务准确率提升58.58%，成本降61.65%[13] - 反映行业从技术竞赛转向应用创新，工程性创新成为新焦点[11] - 创始人承认产品模式易被复制，"大家都会做"是必然趋势[9] 产品局限性 - 缺乏技术护城河，大模型厂商可能直接下场竞争[2] - 功能整合度虽高但创新性有限，被评价为"雷声大雨点小"[14] - 完全依赖第三方API接口，商业形态不具备稀缺性[11]