核心观点 - AlphaFold 3代表生命科学领域的"foundation model时刻"，但蛋白质结构预测仅是科研闭环的起点，模型需从"预测结构"迈向"直接生成分子"才能实现新药开发效率的指数级提升 [3] - Chai-2是目前最接近目标的AI-native模型之一，能在无训练样本前提下设计具备binding活性的抗体，成功率高达16%，远超传统噬菌体筛选效率 [3] - AI-native制药平台将科学问题转化为工程问题，通过生成式建模重构药物研发流程 [4] Diffusion Model带来建模范式改变 - 传统分子模拟依赖量子化学计算和统计力学采样，计算成本极高（如D E Shaw团队每天仅能生成1微秒模拟轨迹） [10][11] - 人类基因组含2万+蛋白质，传统分子动力学无法满足大规模研究需求 [12] - 2021年score-based generative modeling突破实现从噪声直接生成样本，类比"从随机游走到直接导航"的范式转变 [13][16] - 蛋白质结构数据库PDB提供原子级三维坐标ground truth，使结构预测可转化为机器学习问题 [17] 结构设计与预测的逆问题 - 结构预测需从序列映射到三维结构，而结构设计是从功能需求逆向生成新序列 [43] - 多聚体预测和活性位点原子级建模是设计酶/抗体的关键，要求模型具备更高精度 [44] - 从预测到设计需要：1) 建模范式转变 2) 分子相互作用建模精细度提升 [45] - 评估指标如TM-score/LDDT基于物理距离矩阵，比语言模型更量化 [47] Chai-2的技术突破 - 将抗体设计成功率从0 1%提升至16%，mini protein设计成功率达60% [52] - 开发周期从传统方法的3-6个月压缩至2周，特定案例实现从零设计到验证仅1天 [58][60] - 在TNF-α等PDB中top 1%难度靶点上实现20%成功率，亲和力达纳摩尔级 [78][79] - 通过BLI技术验证52个靶点，确保零样本生成可靠性 [70][72] 分子生成平台的价值 - 类比GPU对AI的加速作用，平台将成为制药行业新生产力基础设施 [4][87] - 传统研发流程需6个月筛选+优化，AI-native流程简化为"定义问题-虚拟生成-实验验证"三阶段 [85] - 平台将改变药厂R&D布局，使前期假设生成能力成为核心竞争力 [86] - 血浆靶点（如自身免疫疾病）可能最先受益于该技术 [87][89] 未来商业模式 - "平台即IP"模式突破传统抗体专利依赖CDR序列的局限，可通过结构设计绕开专利壁垒 [101][102] - 合成数据将成为连接实验数据与理论的"第三模态"，提升模型预测能力 [93][94] - 物理验证与生成模型结合是解决"幻觉问题"的关键方向 [95] - 双特异性抗体和ADC药物是下一代重点拓展方向 [99][100] 行业趋势 - Virtual cell foundation model与分子结构预测形成互补，前者关注细胞表型响应 [104] - 抗体药物可能率先进入临床II-III期，小分子药物受限于合成化学工程化程度 [106][107] - 白盒系统（已知生物学通路）与黑盒系统（未解机制）结合是未来突破点 [105]

股价表现 - CrowdStrike股价在过去一个月上涨10.7%，远超Zacks安全行业4.6%的涨幅，也优于同行CyberArk(0.2%)、Palo Alto Networks(2.8%)和Check Point Software(-1.8%)的表现[1] - 公司股价上涨主要受AI原生网络安全解决方案需求推动[2] Falcon Flex订阅模式 - Falcon Flex订阅模式通过模块化和可扩展的解决方案简化安全采用流程，促进客户长期承诺和平台深度整合[4] - 第一季度ARR达44.4亿美元，同比增长22%，新增Falcon Flex账户价值7.74亿美元，总交易价值达32亿美元[5] - 超过820个客户采用Falcon Flex模式，交易价值两年内增长31%环比和6倍同比[6] - 典型案例包括某财富100强科技公司将1200万美元EDR协议扩展为1亿美元+的五年Falcon Flex协议[7] AI集成与平台扩展 - 公司连续三个季度收入超10亿美元，2026财年Q1收入同比增长近21%[11] - 48%订阅客户采用6+云模块，32%采用7+，22%采用8+[12] - Falcon平台作为"AI原生SOC"获得认可，与NVIDIA和微软合作增强AI安全能力[13][14] 成本压力 - 研发费用在过去六个财年增长12倍，2025财年销售营销费用从1.73亿增至15.2亿[15][16] - 2026财年Q1销售营销和研发费用分别同比增长25.5%和34.7%，非GAAP每股收益同比下降7.6%至0.73美元[17] 估值水平 - 公司远期12个月P/S比率为24.55倍，显著高于行业平均15.07倍和同行CyberArk(13.6X)、Palo Alto(12.97X)、Check Point(8.81X)[19][22] 行业地位 - 公司在威胁预防、响应和恢复领域保持领先地位，受益于企业对AI驱动安全解决方案的持续投入[23] - 生态系统建设成效显著，GuidePoint Security成为第五个交易额超10亿美元的合作伙伴[7]

01 相隔9个月，硅谷的AI公司已经进入下个阶段了 - ICONIQ Capital发布2025年度「The State of AI」报告，主题为「The Builder's Playbook」，聚焦AI产品落地战术路线图，涵盖产品路线图、市场策略、人才建设等维度[3] - 2024年报告侧重生成式AI的预算决策、采购偏好和ROI预期，2025年转向AI产品构建与落地实操[3] - 调研对象从2024年的219位「AI采用方」CXO（89%企业视GenAI为重要事项，88%批准AI预算）转变为2025年300家AI公司高管（CEO、工程/AI/产品负责人）[5] - 报告将AI公司分为「AI原生」和「AI赋能」两类，定义「高增长企业」标准：产品进入规模化阶段、年收入≥1000万美元，收入增长率按规模分三档（100%/50%/30%）[5][6] 02 AI不再是附属品，AI原生产品更容易推向市场 - AI原生公司的初代产品生命周期推进更快：47%已完成规模化扩张并通过市场验证，AI赋能公司仅13%达到该阶段[7] - 报告从模型演进阶段、实验性与投放速度平衡等角度，分析AI产品路线图与架构的最新最佳实践[7] 报告方法论与框架 - 采用问卷调研形式，受访者主要来自ICONIQ Venture and Growth投资组合的AI公司高管[4] - 报告设置五大章节：开发、市场定价、组织架构、预算、内部生产力，覆盖AI产品全流程[6]

业绩总结 - 截至2025财年第二季度，CrowdStrike的年经常性收入（ARR）达到39亿美元，同比增长32%[86] - 2024年第二季度结束的年经常性收入（ARR）为2.96亿美元，预计2025年第二季度将超过5.15亿美元，同比增长超过40%[94] - 2025年第二季度的净新增ARR为2.18亿美元，同比增长11%[151] - 2025年第二季度的自由现金流为2.72亿美元，同比增长44%[152] - 非GAAP订阅毛利率为81%[152] 用户数据 - CrowdStrike的客户保留率高达98%，显示出客户对其产品的高度满意度[74] - 2025年第二季度有超过100,000个客户，8个以上模块的客户增长66%[152] - CrowdStrike的客户平均使用超过7个模块，显示出平台的广泛采用[76] 市场展望 - CrowdStrike的市场机会总额（TAM）预计到2025年将达到1160亿美元，涵盖多个安全领域[66] - CrowdStrike的目标是到2026财年实现100亿美元的年经常性收入（ARR）[88] - 预计到2025财年结束，云安全ARR将达到25亿至30亿美元[134] - 预计到2025财年结束，下一代SIEM ARR将达到15亿至20亿美元[135] - 预计到2025财年结束，身份保护ARR将达到10亿至15亿美元[136] 新产品与技术研发 - CrowdStrike的云安全、身份保护和下一代SIEM解决方案被视为关键增长向量，预计到2025财年将实现超过3.5亿美元的收入[89] - CrowdStrike的Falcon Flex客户的总账户价值超过7亿美元，表明其灵活订阅模式的成功[76] 市场地位 - CrowdStrike在财富100强企业中占有超过70%的市场份额，显示出其在行业中的领导地位[25] - 在2024财年第二季度，CrowdStrike的云安全解决方案的收入超过2亿美元，显示出强劲的市场需求[92] 负面信息 - 2025财年下半年预计将面临6000万美元的ARR影响，主要由于合同期限延长和折扣[175] 其他信息 - 公司计算的美元基础毛保留率是通过将当前期间剩余的年度经常性收入（ARR）与前期ARR进行比较得出的[199] - 前期ARR是指在当前期间结束前12个月的所有订阅客户的ARR[199] - 当前期间剩余ARR是指在当前期间结束时仍然是客户的订阅客户的ARR[199] - 美元基础毛流失率等于1减去美元基础毛保留率[200]

业绩总结 - 截至2026财年第一季度，公司的年化经常性收入（Ending ARR）为44.4亿美元，同比增长22%[8] - 第一季度新增年化经常性收入（Net New ARR）为1.94亿美元[8] - 第一季度订阅收入为10.51亿美元，较上年同期的8.72亿美元增长20.5%[29][64] - 第一季度总收入为11.03亿美元，较上年同期的9.21亿美元增长19.8%[64] - 第一季度自由现金流为2.79亿美元，自由现金流率为25%[8] - 第一季度的非GAAP订阅毛利率为80%[31] - 第一季度的稀释每股收益（Diluted EPS）为0.73美元，较上年同期的0.79美元下降[32] - 第一季度的GAAP净亏损为110,207千美元，基本每股亏损为0.44美元[64] - 第一季度的非GAAP净收入为184,704千美元，基本每股非GAAP净收入为0.74美元[67] 未来展望 - 预计2026财年第二季度总收入将在11.44亿至11.52亿美元之间[40] - 预计2026财年总收入将在47.43亿至48.06亿美元之间[40] - 预计2026财年非GAAP净收入将达到8.79亿至9.10亿美元[41] - 预计2026财年非GAAP每股净收入将在3.44至3.56美元之间[40] 用户数据 - Q1FY26的美国市场收入为741,852千美元，占总收入的67%[71] - Q1FY26的剩余履约义务为6.8亿美元，较Q1FY25的4.7亿美元增长44.68%[71] 成本与费用 - Q1FY26的销售和营销费用为439,617千美元，占总运营费用的46.8%[66] - Q1FY26的非GAAP运营费用为656,013美元，占总收入的59%[71] - Q1FY26的GAAP运营亏损为124,656千美元，运营亏损率为11%[67] - Q1FY26的非GAAP运营收入为201,123千美元，非GAAP运营利润率为18%[67] 现金流与毛利 - Q1FY26的自由现金流为279,415美元，较Q1FY25的322,457美元下降13.36%[70] - Q1FY26的毛利总额为814,291千美元，较Q1FY25的696,033千美元增长16.9%[64] - Q1FY26的非GAAP订阅毛利为840,768千美元，非GAAP毛利率为80%[66] - Q1FY26的自由现金流利润率为25%，较Q1FY25的35%下降10个百分点[70] 股本信息 - Q1FY26的非GAAP稀释每股净收入为0.79美元，相较于Q1FY25的0.73美元增长8.22%[68] - Q1FY26的非GAAP稀释每股净收入的加权平均股份为254.550万股，较Q1FY25的250.164万股有所增加[68]

核心观点 - AI的终极目标不是辅助人类写代码，而是获得对整个软件生命周期的控制权，包括构思、上线和持续运维 [6][54] - Agentic叙事下基础设施是确定性最高的机会，因传统开发模式工程量大且流程复杂，需重构开发范式 [3] - AI-Native基础设施将经历L0-L5六个阶段的演化，最终实现Agent-Native OS，AI可像人类操作Linux一样自由控制系统 [6][47][52] 01 奇点已来：当AI写代码比人类更快 - Cursor每天生成超10亿行代码，相当于100万程序员的日产量，而全人类程序员日产量仅50亿行 [8] - Meta和Google已有30%代码由AI生成，每3行代码中就有1行来自AI [8] - 编程范式正从"手写代码"转向"指导AI写代码"，未来1-2年内AI替代人类编写代码的临界点将到来 [7][9] - Prompt成为新编程语言，开发流程从"手工雕刻"变为"指挥交响乐团"，人类角色转向设计和Review [8][9] 02 写代码只是开始 - 当前AI仅完成"制造零件"（写代码），但缺乏"组装、质检、发货"能力（部署、运维） [9] - AI需具备全栈能力：连接API、配置数据库权限、部署上线、设置监控等，形成完整闭环 [9][10] - 人类面临认知过载，因AI生成速度远超理解阈值，未来角色将转变为"需求表达者"和"结果验收者" [10][11] 03 现有系统的"人味"太重 - 现有基础设施（Firebase/Supabase/AWS等）默认人类工程师参与，依赖图形界面和非结构化错误提示 [12] - 系统报错如"权限不足"对AI是死胡同，缺乏结构化修复指引，需人类填补认知空白 [12][13] - 传统部署流程需人工点击控制台，而AI-Native方式应通过API实现全自动化操作 [13][16] 04 AI-Native Infrastructure的演化 L0阶段 - AI像实习生仅模仿人类操作，生成代码但无法理解系统依赖关系，如前端开发忽略后端服务 [18][19] - 基础设施存在"隐性人类假设"，错误提示和配置依赖人类经验 [20][24] L1阶段 - AI通过标准化接口调用工具，真正触发系统变更（如创建数据库），但缺乏系统级视角 [21][23] - 任务拆解为独立模块，不理解模块间逻辑关联，类似装修队各自施工导致功能冲突 [25][26] L2阶段 - AI具备模块主权，能组合Auth/Database等模块构建完整系统，理解权限控制等架构关系 [27][29] - 需基础设施提供系统视图API、模块结构化描述和可编程组合逻辑 [31] L3阶段 - AI自主选择技术栈（混合数据库/多语言运行时），掌控服务生命周期和资源调配 [33][34] - 突破平台"标准套餐"限制，实现自由技术选型，如同时部署PostgreSQL和MongoDB [36][38] L4阶段 - AI主导系统设计，规划资源分配、架构拓扑和运维策略，平台退化为资源供应商 [40][42] - 从控制单个服务升级为设计分布式系统，需开放虚拟机、网络等底层资源调度权 [45] L5阶段 - AI直接拥有操作系统root权限，自主配置内核参数和硬件资源，实现完全主权 [47][49] - 操作系统需原生支持AI，提供结构化状态监控和机器可读错误诊断 [51][53] 05 Result-as-a-Service - 终极形态是人类仅表达需求，AI完成从编码到运维的全流程，输出最终可用服务 [54][55] - 需构建五层基础设施：工具接口标准化（L1）、模块可组合（L2）、运行时可编程（L3）、系统设计开放（L4）、OS原生支持（L5） [55] - 现有平台（AWS/Supabase等）仍停留在L1阶段，接口碎片化且缺乏系统视图，需彻底重构 [56][57]

保险行业现状与AI重构机会 - 全球保险行业年保费超7 4万亿美元 美国市场以2 5万亿美元位居首位 占全球38% 行业占美国GDP比例达11 3% [8] - 行业运营效率低下 超过60%流程依赖人工判断与数据录入 人工成本占总运营支出40%-60% 索赔周期平均7-15天 客户满意度NPS仅31分 [9] - 结构性浪费体现在分销费用高昂 人工理赔成本巨大 美国每年欺诈损失约1200亿美元 占总赔付近10% 以及普遍存在的信息孤岛问题 [9] AI在保险行业的应用场景 - AI适合处理核保 报价 索赔 合规 客户支持等核心流程 这些本质都是对标准规则下文档 表格 历史记录的处理 [10] - LLMs在非结构化信息处理能力上的突破使AI可替代风险评估 文件解析 数据提取 初审 欺诈识别等人工任务 [11] - 具体应用包括承保环节自动采集分析数据 理赔环节自动处理材料 客服环节24/7语音服务 合规环节自动监测交易 [12] AI-native保险公司模式 - Harper和Corgi等公司从零打造AI驱动的保险业务 绝大部分核心流程由AI Agent执行 直接与传统保险公司竞争 [5] - 这种模式以更少人力实现更快响应 更低成本 更高客户满意度 传统公司受限于IT架构和合规流程转型缓慢 [13] - AI-native保险公司可能打破传统牌照 运营 渠道三位一体的护城河 成为行业结构性变革力量 [35] 前台AI应用：客户交互与销售 - Voice Agent革新获客与客户服务 Strada为经纪人自动化销售外呼 Fair Square通过语音代理简化老年人投保决策 [4][19] - 代表性公司包括Strada(自动拨打销售电话) Fair Square(老年人医保方案匹配) CareCycle(Medicare会员服务) [39][40][41] - Cohere Health的AI预授权平台处理88%请求 服务1600万会员 年处理1200万份授权请求 [42] 后台AI应用：流程自动化 - FurtherAI基于LLM的保险Copilot将保单提交处理时间从32分钟缩短至1分钟 效率提升200% [33] - Anterior的LLM助手帮助医生整理医保文件 节省护士人力 Comulate为经纪公司提供会计自动化平台 [34][52] - Camber自动化医疗报销流程 实现95%首次索赔批准率 已处理超20亿美元索赔 [55] 投资主题与市场空间 - 美国保险行业年运营成本约5000亿美元 人力支出占3250亿美元 AI替代10-20%人力对应市场空间300-700亿美元 [22][28] - 增量效率收益方面 每1美元AI投入可带来3-5美元回报 假设驱动行业10-15%效率提升 对应300-450亿美元空间 [24][28] - AI基础设施平台机会包括保险公司运营支出的5-10%(250-500亿美元)或效率收益分成(假设1000亿美元中10%) [25][28]

公司动态 - Enhans是一家专注于垂直商业AI代理的韩国初创公司，被Palantir Technologies选入其全球Startup Fellowship计划，成为全球25家入选公司中唯一的韩国代表[1] - 入选原因包括技术领导力、强大执行能力以及引领下一代AI原生公司的潜力[1] - Enhans将与Palantir工程师紧密合作，将其基于大型行动模型(LAM)的垂直AI代理与Palantir的Foundry和人工智能平台(AIP)集成[3] - 合作预计将帮助Enhans验证其全球可扩展性并为未来战略伙伴关系奠定基础[3] 行业趋势 - Palantir的使命是发起新一代"AI原生独角兽"浪潮，通过其平台Foundry和AIP实现大规模实时数据集成、分析和运营决策[3] - 数字商务速度和复杂性持续增加，能够自适应决策的自主代理正成为全球市场的重要基础设施[4] - 行业对不仅能解释数据还能根据数据采取行动的AI系统需求日益增长[4] 战略合作 - Enhans将在6月底的展示活动中向Palantir领导层、财富50强高管和全球投资者展示其AIP驱动的产品[3] - Enhans CEO表示此次合作不仅是对其技术的认可，更是对其在企业AI领域推动颠覆性创新能力的全球认可[4] - 公司计划通过与Palantir合作展示重新定义商业运作方式的真实AI用例，并建立以执行为核心的代理技术新全球标准[4]

谷歌I/O发布会战略方向 - 核心战略是让AI像空气一样无处不在，渗透到搜索、语音助手、办公套件、安卓系统及终端设备中[2] - AI必须成为企业整体业务链条的核心部分，从底层架构开始用AI思维重新设计产品逻辑[2][3] - 展示Gemini系列模型在多模态（文本/图像/音频/视频）下的理解与生成能力，预示未来通用智能需具备"会看、会听、会说"特性[4][5] - 提出Agentic AI（智能体）理念，要求AI能主动理解意图、规划任务并完成复杂操作[7][8] 对中国企业的启示与挑战 - 技术能力需足够强，内部协作机制需灵活以打破部门壁垒，贯穿AI思维至研发全环节[4] - 多模态大模型训练需大量资源、高质量数据及顶尖团队，中国在数据合规与伦理治理方面仍有差距[6][10] - 需构建具备智能体能力的系统，涉及模型推理、记忆、工具调用及安全决策机制[9] - 生态布局方面需建立开放协作的开发者生态系统，提升工具链水平与技术社区活力[11] 软硬件结合与商业化路径 - AI与硬件结合进入爆发期，华为、小米等拥有完整硬件生态的企业可激活智能终端创新场景[12] - 商业化需通过工具平台（如Google Cloud的Vertex AI）和产品体验升级双轮驱动[14][16] - 中国企业应聚焦生态建设与场景深耕，提供行业完整解决方案而非单纯技术输出[17][19] 中国企业的差异化竞争策略 - 避免盲目追求通用模型，转向行业大模型与轻量化解决方案，专注"专而精"和"特而强"[32][33] - 采用高效利旧+国产替代策略，利用国产芯片（华为昇腾/寒武纪）构建自主可控技术体系[27] - 聚焦高质量垂直行业数据（医疗/工业/城市管理），形成数据闭环与模型优化壁垒[31][32] 战略能力构建 - 需建立从芯片、数据、算法到研发投入的完整技术堆栈，而非单一模型追赶[23][24] - 定义自身突围方式，综合实力与战略执行力比复制谷歌模式更重要[34]

公司转型 - 高通正从周期性手机芯片供应商转型为AI原生基础设施的基础支柱之一 [1] 投资策略 - 投资风格聚焦于高潜力标的的早期发现 注重不对称机会(上行潜力至少2-3倍于下行风险) [1] - 通过利用市场低效和逆向洞察实现长期复利最大化 [1] - 投资周期为4-5年 以穿越市场波动 [1] 投资方法论 高确信度机会识别 - 领导力与管理分析: 包括业务扩展记录 明智资本配置 内部人持股 持续收入增长和可靠指引 [1] - 市场颠覆与竞争定位: 强调技术护城河 先发优势 网络效应驱动指数增长 以及高增长行业的市场渗透 [1] - 财务健康与风险管理: 关注可持续收入增长 高效现金流 强劲资产负债表 长期生存空间 避免过度稀释和财务弱点 [1] - 估值与不对称风险回报: 涉及收入倍数对比 DCF模型 机构支持 市场情绪分析 以及下行保护与巨大上行空间的平衡 [1] 组合构建与风险控制 - 核心仓位(50-70%): 高确信度稳定标的 [1] - 成长押注(20-40%): 高风险高回报机会 [1] - 投机仓位(5-10%): 具有颠覆性潜力的高风险标的 [1]