行业与公司 * 行业：中国人工智能基础模型行业 [1] * 涉及公司：智谱AI (Zhipu AI) [1]、MiniMax [1]、阿里巴巴 [5]、腾讯 [5]、字节跳动 [5]、Anthropic [4]、OpenAI [11]、Google [43] 核心观点与论据 需求增长：非线性、拐点驱动 * AI需求增长是拐点驱动的，而非线性，当模型质量足够好以解锁实际应用时，使用量会加速 [2][3] * 预计到2030年，全球AI市场规模将达到1.4万亿美元 [3] * 中国市场在2026年有望复制美国2025年的需求曲线，尤其是在编码领域 [4][9] * 论据：美国市场已证明模型达到生产级后需求增长之快，例如Anthropic的年化收入从2024年12月的10亿美元增长至2026年3月的190亿美元，15个月内增长19倍 [4][10] * 论据：中国国内模型能力已接近甚至超过一年前的美国领先模型，且定价更符合本地劳动力经济学，提高了采用的投资回报率 [4] * 智能体（Agent）趋势（如OpenClaw）正推动使用从单轮交互转向多步骤执行，显著增加了每项任务的token强度，且已被腾讯、阿里巴巴、字节跳动等互联网巨头集成到现有生态中，加速规模化 [5] 竞争格局：从价格战转向能力竞争 * 主要竞争战场已从token价格转向模型能力，因为需求增长最快的是质量比单价更重要的场景（如编码、智能体） [22] * 在智能体工作流中，客户购买的是任务成功完成，而非廉价token；每token更贵的模型如果成功率更高、重试次数更少，总体成本可能更低 [24] * 拥有强大前沿模型的公司向下游市场拓展，比围绕低价构建的公司向上游市场拓展更容易 [25] * 行业结构：LLM基础模型行业是“生死之战”，技术差距小、产品周期快、商业模式趋同（API销售），失去动力的公司会迅速被淘汰 [27][29] * 互联网巨头与独立模型提供商之间的竞争正变得更加直接，核心变量回归到模型能力 [50][56] 定价趋势：分化，而非单边变动 * API定价不太可能单向变动，更可能分化 [18] * 能力创造定价权：能独特解锁高价值任务（如智能编码、长周期工作流、企业级可靠性）的模型可以维持溢价 [18][20] * 单位成本持续优化：硬件、系统和算法效率的提升，将推动同等性能的推理成本下降，导致不再显著改进的模型商品化，价格可能下行 [19][20] 盈利能力：取决于毛利增长能否超越研发投入 * 盈利能力主要取决于收入增长和毛利率扩张能否超过行业持续大规模训练投入的需求 [31] * 对于保持全球顶级地位的LLM提供商，毛利率应会改善：模型效率和推理芯片效率提升将降低服务单位需求的成本，而高价值工作负载将支持更好的收入结构 [32] * 运营利润更不确定，因为行业仍处于激烈的模型竞赛中 [33] * 基准预测：智谱AI和MiniMax均预计从2029年开始盈利 [34] * 智谱AI预测：毛利从2023年的1100万美元增长至2030E的48.21亿美元，研发支出从2023年的7500万美元增长至2030E的18.20亿美元 [35] * MiniMax预测：毛利从2023年的-100万美元增长至2030E的44.36亿美元，研发支出从2023年的7000万美元增长至2030E的21.94亿美元 [36] 模型能力评估：价格、使用量、第三方评估结合 * 投资者应通过价格、使用量和第三方评估的组合来跟踪模型强度，单一指标不够清晰 [38] * Token价格：最重要的指标，体现了公司对其产品的市场定位，与最佳模型的价差是有效模型定位的有用代理 [42] * Token使用量：显示用户和开发者愿意大规模使用什么，是应用层健康状况的代理，应用类别组合显示强度构建方向 [42] * 第三方评估：如Artificial Analysis和LMArena，提供不同形式的外部验证 [42] * 论据：根据Artificial Analysis Intelligence评分，智谱AI和MiniMax当前的模型能力已超过一年前的Anthropic模型 [14][15] 生存关键要素：人才、算力、资本、组织执行力 * 生存下来的公司将拥有最佳的研究人才、算力获取、财务持久力和组织执行力的组合 [57] * 人才是第一位的，因为这是一个研究主导的行业，包括技术团队的密度和广度，以及高层的判断力 [58] * 算力和资本次之，因为前沿训练昂贵，推理经济也依赖于基础设施质量 [59] * 组织能力同样关键，在快速迭代的市场中，将研究进展转化为产品、使用量和货币化的能力几乎与模型本身一样重要 [60] 行业终局：差异化共存，非赢家通吃 * 模型不会最终趋同，广泛能力可能收敛，但模型仍可能保留差异化优势，市场不太可能以赢家通吃的结构结束 [61] * 不同公司在架构、训练数据、产品优先级和技术方向上做出不同选择，这些差异应继续产生不同的优势 [62] * 在扩张的市场中，即使部分能力重叠，几家公司也可以同时增长 [63] * 更现实的终局是少数几家实力雄厚的参与者，各自在不同领域拥有优势，在一个仍足够大的市场中竞争 [64] 战略考量：迭代、开源与全球化风险 * 模型迭代是必须的，预期节奏大约每年一个主要模型代际（例如GLM4.7到GLM5） [65] * 开源与闭源是投资组合选择：闭源模型商业上更清晰，但开源具有战略价值（支持生态系统发展、鼓励采用、加速技术反馈） [66] * 全球化风险主要在于算力获取和合规：更严格的芯片限制将削弱模型进展和成本竞争力；数据和安全合规是另一关键风险 [67][68] 其他重要内容 具体公司投资观点 * **智谱AI (Zhipu AI / Knowledge Atlas Technology)**：评级“增持”，目标价800港元 [6][71] * 投资论点：公司已达到重要拐点，GLM-4.5/4.6/4.7的发布及向智能体系统的战略转变，使其技术路线与全球前沿能力（生产级编码、长上下文推理、多步骤执行稳定性）保持一致 [72] * 业务架构：在受监管行业建立了大量本地化部署基础，云API是可扩展的增长引擎 [73] * 估值：基于30倍2030年预期市盈率，以15%的加权平均资本成本折现得出 [74] * 2030年预期收入：670.63亿元人民币；调整后净利润：171.46亿元人民币 [75] * 风险：出口管制、地缘政治风险、竞争加剧、持续高研发投入、商业化不确定性、对计算基础设施的依赖 [76] * **MiniMax**：评级“增持”，目标价1100港元 [6][77] * 投资论点：兼具技术实力、多模态商业化潜力和全球可扩展性 [77] * 模型能力：在全球基准测试中表现领先，文本、语音和视频生成模型均位居全球前列，研发投资回报率高 [81] * 全频谱模型支持B2B/B2C双重商业化 [81] * 全球定位推动规模和盈利 [81] * 估值：基于30倍2030年预期市盈率，以15%的加权平均资本成本折现得出 [78] * 2030年预期收入：91.36亿美元；调整后净利润：23.22亿美元 [79] * 风险：与美国工作室的诉讼、竞争加剧、持续高研发投入、商业化不确定性、对计算基础设施的依赖 [80] 数据与跟踪指标 * **Token价格跟踪**：提供了智谱AI、MiniMax、阿里巴巴、字节跳动以及Anthropic、OpenAI、Google在2026年2月及3月的详细API定价表 [38][40][43] * **使用量跟踪**：OpenRouter数据显示，总token需求在2026年初持续加速，OpenClaw和编码应用是主要驱动 [48][52][53] * **任务完成率的经济学**：在智能体工作流中，每步成功率的微小提升会带来最终任务完成率的巨大增益（例如，每步成功率从90%提升至95%，10步任务完成率从35%提升至60%） [26] * **任务级经济学比token级定价更重要**：示例显示，尽管Model C的每次尝试token成本最高（10美元），但由于其每次尝试成功率最高（91%），其每项成功任务的成本（11美元）可能低于更便宜的Model A（12美元） [26]