市场表现与动态 - A股三大指数盘中探底回升，上证指数翻红，深证成指和创业板指跌幅收窄至1%以下 [1] - 软件开发与AI智能体板块翻红，沪市规模最大的人工智能AIETF（515070）持仓股用友网络涨停，合合信息大涨超8%，中科星图、科大讯飞、深信服等股涨幅居前 [1] - 人工智能AIETF（515070）跌幅收窄至1.57% [1] 行业融资与技术进步 - 由清华大学、Uber和Manifold AI公司共同打造的AI研究平台Manifold AI（流形空间）成功完成超亿元的天使+轮融资 [1] - Manifold AI平台专注于为科学研究提供支持，核心功能包括科学研究支持、数据管理、分析协作工具以及研究流程管理 [1] 行业趋势与市场观点 - 银河证券认为，以“AI+”为核心的科技革命是确定性产业趋势，巨额资本持续注入反映了全球对技术突破与未来价值的共识 [2] - 当前AI市场技术迭代真实发生、应用需求切实存在、产业逻辑清晰可循 [2] - AI龙头公司估值屡创新高，产业链各环节资本开支空前高涨 [2] - 当前AI资本市场相较于2000年互联网泡沫时期，更偏向于产业革命的早期 [2] 相关金融产品与指数 - 人工智能AIETF（515070）跟踪中证人工智能主题指数（930713），成分股选取为人工智能提供技术、基础资源以及应用端的个股，聚集人工智能产业链上中游 [2] - 该ETF前十大权重股包括中际旭创、新易盛、寒武纪-U、中科曙光、科大讯飞、豪威集团、海康威视、澜起科技、金山办公、紫光股份等国内科技龙头 [2] - 相关产品还包括华夏中证人工智能主题ETF联接A（008585）和华夏中证人工智能主题ETF联接C（008586） [3]

公司AI业务现状澄清 - 蓝色光标表示AI驱动的相关收入占整体营业收入比重较小[1] - 汉得信息表示AI产品与服务业务目前尚处起步阶段[1] - 光云科技表示AI相关产品收入占比较小[1] - 卓易信息表示AI编程产品尚处于市场导入期[1] 公司业务澄清与股东行为 - 恒为科技澄清不涉及AI应用相关业务[1] - 青木科技披露其控股股东、实际控制人吕斌及一致行动人允宜合伙在股票异动期间存在卖出公司股票的行为[1]

文章核心观点 智能体时代的到来正在重构云大厂、模型大厂与垂直应用厂商之间传统的生态边界 企业需求从流程管理转向结果交付、基础模型对原始知识的直接利用能力增强、以及人机交互范式从“人找应用”变为“应用找人” 这三重变革共同驱动大厂得以跨越行业知识壁垒 直接切入应用层的核心价值地带 这并非意味着应用厂商的全面失守 通过基于任务复杂度与知识复杂度的象限分析模型 可以清晰界定大厂的延长线与应用厂商的护城河 双方的关系正从分工协作转向复杂的竞合模式 未来需要通过新的利益绑定与能力互补 共同构筑智能体时代的产业新轮廓 [1][2][5][11][14][30] 范式迁移：智能体时代大厂越界应用层的驱动逻辑 - **传统壁垒在于深厚的行业Knowhow** 应用层的核心壁垒由对复杂业务流程的深刻理解和对行业专属知识的深度内化构成 例如ERP中一个简单采购流程可能涉及数百个审批节点和复杂对账逻辑 这些重资产的知识积累是大厂的天然短板 因此在过去形成了合作大于竞争的生态平衡 [3][5] - **驱动逻辑一：企业需求从流程管理转向结果交付** 过去企业需求是业务流程的代码化 应用作为管理工具由功能模块堆叠而成 智能体时代 企业核心需求转向辅助决策和结果交付 应用基于模型能力自然生长出结果 例如人力资源领域从管理招聘流程变为高效筛选人才 AI面试官的出现弱化了中间流程管理环节 使大厂得以绕过应用厂商的流程壁垒 直接截流应用价值 [7][8] - **驱动逻辑二：知识治理的重要性弱化** 基础模型能力持续强化 使其能够直接利用海量的原始非结构化文档 如规章制度、技术手册、合同文本等 通过长文本处理技术在推理阶段实时解析 无需复杂的先期知识治理即可输出准确专业的问答 这大幅降低了大厂涉足特定行业的知识门槛 [9][10] - **驱动逻辑三：入口变化的降维打击** 人机交互范式从“人找应用”重构为“应用找人” 用户从主动操作者回归为意图发令者 交互方式转向对话 对话框成为中心化调度中枢 理解用户意图并调度后台工具 大厂通过构建超级智能体掌握入口控制权 将独立应用变为平台插件 应用厂商从独立服务商降级为平台能力提供者 [11] - **应用厂商的防护区在于定制化服务与低容错场景** 大厂追求极致边际成本递减 难以在细分行业投入大量人力做贴身服务 在极其严肃、不容许概率性偏差的低容错率场景中 大厂完全基于模型的输出也难以达到要求 深度的客户贴身服务和对极低容错业务的兜底能力 构成应用厂商的最后堡垒 [12][13][14] 象限分析：基于任务与知识维度的大厂延长线判定模型 - **判定维度一：任务复杂度** 坐标轴左端是明确的单点决策或执行任务 右端是涉及多方协同的端到端复杂流程 大厂的典型扩张特征是单点任务导向 例如BI工具的核心取数、可视化呈现等单点任务 其价值随模型能力增强而锐减 可能成为大厂模型的标配功能 然而 任务的复杂度一旦上升到由复杂规则驱动的大型企业生产、采购等流程层面 大厂的越界便会遭遇巨大阻力 [16] - **判定维度二：知识复杂度** 坐标轴底部是通用知识 随着上下文窗口无限扩大 模型已实现对企业公开知识库的全量吞噬 例如共享服务中心SSC这类应用价值因此大幅缩水 坐标轴高处是涉及隐性知识与业务机理的专属知识 这些是应用厂商深厚的护城河 [17] - **第三象限“大厂吞噬区”：高风险地带** 此处应用任务复杂度低、知识复杂度低 大厂的模型原生能力可直接覆盖所有核心需求 例如前端代码生成 由于前端语言高度通用且有海量公开库供模型训练 大厂的Coding产品展现出统治级优势 垂直应用厂商在此区域几乎没有还手之力 [20] - **第二象限“融合共生区”：中等风险地带** 此处应用处理简单的单点任务 但背后知识壁垒极高 例如行业专用数据库或供应链风险管理系统 其背后庞大的私有规则库和历史数据是大厂难以触及的 大厂策略往往不是取代 而是将其作为插件接入自身生态系统 形成大厂提供模型底座、应用商提供知识插件的融合模式 例如ICT领域数据库IDC、金融数据终端FactSet已接入AWS的Quick Research [20] - **第四象限“流程重塑区”：蕴含变数的战场** 此处应用涉及复杂流程 但所依赖知识相对通用 大厂可能通过多智能体编排技术 用轻量化的智能体协作逻辑重构原本笨重的软件架构 例如CRM 传统销售流程需依次点击、录入并遵循预设路径 大厂超级智能体可同时启动挖掘线索、生成竞品分析、挖掘标杆案例等多个专项智能体 将人工执行的CRM变为智能体驱动的新应用 [21] - **第一象限“护城河区”：应用厂商最坚实的阵地** 此处应用涉及端到端复杂流程且具备极高专属知识壁垒 如ERP系统或银行核心交易系统 这些系统对数据私有性、系统确定性和事务一致性要求极高 完全无法容忍基于概率的模型随机性 大厂定位将长期维持在基础设施提供者 [22] 生态重塑：应用厂商的生存抉择与大厂的进击边界 - **应用厂商在“大厂吞噬区”的突围之道：向第二象限迁移** 厂商必须从单纯功能提供者转变为行业隐性知识的注入者 例如BI工具需深度整合特定的行业分析逻辑 如将银行分支行长的分析决策逻辑内化 代码生成类应用需转向具有高复杂度的后端业务代码生成 如聚焦嵌入式语言为生产制造企业提供服务 [24] - **应用厂商在“融合共生区”的突围之道：转向插件化生态** 厂商应主动拥抱大厂生态 定位为大厂超级智能体背后的专业插件 如IDC和FactSet成为AWS插件 这种转变可能使商业模式从订阅付费转向按用量或调用次数收费 [25][26] - **应用厂商在“流程重塑区”的突围之道：能力原子化与API-First** 厂商需将复杂业务流程能力进行模块化解构 使其更容易被调度和集成 这使其成为企业基于原子能力重塑应用的首选 也是大厂打造超级智能体时所需的业务组件最佳提供商 需保证自身应用API处于第一顺位 成为流程中不可替代的执行节点 [26] - **应用厂商在“护城河区”的突围之道：加速现有业务AI赋能** 厂商应致力于自研智能体 使自身应用在复杂流程和知识之上 升级为能够预测风险、自动优化的应用 例如ERP厂商通过AI赋能增加供应链解决方案能力 不仅能预测风险更能给出替代方案 [26][27] - **大厂在“大厂吞噬区”的战略：内嵌自研** 对于通用知识库、智能问数、代码助手等 大厂采取将其内嵌至模型或平台的自研策略 使其成为模型的基础能力 [28] - **大厂在“融合共生区”的战略：构建生态** 对于需要漫长行业积累与维护的专属知识领域 大厂表现出战略克制 通过生态伙伴最快速度补齐平台在专业领域的短板 [28] - **大厂在“流程重塑区”的战略：重做应用** 此处是大厂真正的战略主战场 目标是通过智能体重塑某一应用 例如通过全量采集、标注销售线下数据并训练专门销售模型 提供金牌销售应用直接替代销售人员成单 应用厂商已搭建的工具将成为大厂销售应用的组件 [28] - **大厂在“护城河区”的战略：回归基础设施提供者** 鉴于该区域业务逻辑复杂且容错率极低 大厂成功概率低 策略应是通过提供模型、算力、开发者工具等支持 帮助核心应用厂商实现AI转型 [29] - **未来的竞合关系转向复杂共生** 应用厂商与大厂关系从简单分工协作转向复杂竞合 应用厂商必须在知识或任务两者中选择自身竞争壁垒 成为细分领域无可替代的服务提供商 大厂维持生态的开放性与透明度是其能否在应用层站稳脚跟的关键 需要吸引更多具有高价值专属知识、复杂业务流程能力的应用厂商加入 [30]

文章核心观点 华为研究团队推出的SWE-Lego是一个仅基于监督微调（SFT）的软件工程代码智能体解决方案，旨在解决复杂软件工程任务训练成本高、高质量数据稀缺的挑战[4][9] 该方法无需复杂的强化学习（RL）流程，通过在数据构建、训练方法和测试策略三方面的创新，在SWE-bench Verified基准测试中取得了同等规模开源模型的SOTA性能，甚至超越部分更大规模闭源模型[2][5] 混合数据集构建 - 采用真实世界数据与合成数据互补的混合构建策略，共包含32,119个高质量任务实例和18,110个验证轨迹（其中14,110个完全解决，4,000个半解决），覆盖3,251个代码仓库[14][24] - 真实数据来自严格筛选的GitHub Pull Requests，提供贴近生产环境的复杂性和真实性，但数量有限且成本较高[14] - 合成数据通过AST转换和LLM重写在真实代码库中故意注入Bug生成，具有可扩展、成本低、可共享沙箱的优势，但复杂度相对较低[15] - 通过严格的轨迹验证流程确保数据质量，包括防止Git历史泄露导致的解决方案泄露、处理工具调用错误、精简工具集以及过滤低质量轨迹[20][21][22] - 实验表明，混合数据集是性能提升的最大驱动力，为SWE-Lego-Qwen3-32B模型贡献了+25.6%的性能提升[13][25] 改进的监督微调 - 引入步骤级错误掩码技术，在保持完整轨迹上下文的同时，仅对正确的步骤计算损失，避免模型学习专家轨迹中的中间错误步骤[26][28] - 采用基于轨迹交互轮数的课程学习策略，将数据按难度分为简单（0-50轮）、中等（50-70轮）、困难（70-100轮）三个等级，并分阶段进行训练[29] - 改进的SFT方法（错误掩码+课程学习）为SWE-Lego-Qwen3-32B模型带来了+3.8%的性能提升[13] - 经过改进的SFT训练后，SWE-Lego-Qwen3-8B和32B模型在SWE-bench Verified上的解决率分别达到42.2%和52.6%[5][33] 测试时扩展策略 - 测试时扩展（TTS）可在不重新训练的情况下，通过分配额外测试阶段计算资源提升模型性能，为SWE-Lego-Qwen3-32B模型贡献了+6.2%的提升[13] - 策略包含两个正交维度：串行扩展（增加最大交互轮次）与并行扩展（生成多个候选轨迹并选优）[34] - 在有限测试预算下，应优先进行串行扩展至性能饱和（约100-140轮），再将剩余资源分配给并行扩展[34][37] - 在并行扩展中，比较了生成式与回归式两种打分器，生成式打分器在候选轨迹数量（K值）增加时表现更优且持续改进，而回归式打分器易趋于饱和[37][38][39] - 使用生成式打分器的SWE-Lego-Verifier-8B在TTS@16设置下达到49.6%的解决率，超越了OpenHands-Critic-32B（44.0%）和R2E-Gym-Verifier-14B（47.0%）[40] 性能成果与行业意义 - SWE-Lego在SWE-bench Verified基准测试中，基于Qwen3系列模型微调后，其8B和32B版本分别达到42.2%和52.6%的解决率，取得了同等规模开源模型的SOTA水平[5][8] - 该方法证明了仅使用轻量级的SFT方法，无需复杂RL流程，也能在软件工程任务上达到顶尖性能，降低了训练成本与复杂度，对中小团队更具可行性[2][43] - 项目已全面开源，包括代码、模型和全部数据，可供行业直接获取和使用[2] 未来展望 - 未来工作将探索更大模型与更多数据的组合，并将方法扩展到Python之外的其他编程语言及其他类型的代码任务[43] - 计划处理企业级的长序列、多文件复杂任务，并将SWE-Lego应用到真实的软件开发流程中[43]

文章核心观点 - 一款名为“死了么”的APP通过解决独居青年的安全焦虑，在约一天半时间内迅速走红，成为现象级产品，并已进入多个国家及地区的国际工具榜前三 [1][3] - 该产品抓住了中国约1.23亿独居人口中被长期忽视的普遍安全需求，通过简单的打卡提醒功能实现盈利，并计划向主动式AI守护方向迭代 [12][15][16] - 公司围绕“安全守护”构建产品矩阵，旗下另一款产品CareAI专注于儿童安全领域，公司整体增速良好，并已完成首轮融资的中后段谈判 [13][16][17] 创业灵感与市场定位 - 创始人基于自身作为95后独居青年在深圳的生活经历，以及室友突发急性胃炎无人照看的险情，意识到独居安全是普遍风险而非个人不幸 [3][5][7] - 产品灵感部分来源于社交媒体上用户对“意外发生后能通知家人”应用的频繁讨论与高互动需求，这些需求以半自嘲但认真的方式表达出来 [7][8] - 公司明确将用户画像定位为一二线城市、年龄在25-35岁、以女性为主的独居青年 [11] 产品发展、传播与融资 - 产品在苹果应用商店上线后，凭借自然流量通过用户自发分享，从素人扩散至各层级媒体，在约1.5天内迅速爆火 [10][11][12] - 前期开发成本极低，仅约1000多元，产品已实现盈利，盈利模式为用户愿意支付8元为自身安全购买保障 [14][16] - 产品已引起创投领域广泛关注，各类投资机构接洽频繁，公司首轮融资已进行到中后阶段 [12][13] 产品功能、战略与行业前景 - 当前产品以打卡作为基础功能，未来迭代方向是发展主动式AI，旨在主动感知风险、判断异常并在危险发生前介入 [15] - 公司自称是国内第一家系统性地将“独居安全”作为正经生意来做的企业，并呼吁更多开发者关注这个被严重低估的赛道 [16] - 公司产品均围绕安全守护展开，除“死了么”外，旗下CareAI产品提供儿童位置查看与异常提醒等功能，类似软件版“小天才”，整体增速不错 [16][17] - 所针对的中国独居人口市场规模巨大，根据贝壳研究院《新独居时代报告》，截至2024年约达1.23亿人 [16]

公司股价表现 - 1月13日，久远银海股价上涨5.75%，报收22.99元/股，成交额7.44亿元，换手率8.45%，总市值93.85亿元 [1] - 公司股价已连续3天上涨，区间累计涨幅达19.45% [1] 公司基本情况 - 公司全称为四川久远银海软件股份有限公司，位于四川省成都市，成立于2008年11月24日，于2015年12月31日上市 [1] - 公司主营业务是以人力资源和社会保障为核心的民生信息化领域软件产品、运维服务和系统集成 [1] - 主营业务收入构成为：运维服务49.40%，软件34.76%，系统集成15.60%，其他(补充)0.24% [1] 基金持仓与表现 - 汇添富基金旗下汇添富中证互联网医疗指数(LOF)A（501007）重仓久远银海，为该基金第三大重仓股，占基金净值比例4.89% [2] - 该基金在三季度减持久远银海32.38万股，截至三季度末持有股数为42.36万股 [2] - 1月13日，该基金因持有久远银海浮盈约52.95万元；在久远银海连续3天上涨期间，该基金累计浮盈149.96万元 [2] - 汇添富中证互联网医疗指数(LOF)A（501007）成立于2016年12月22日，最新规模7021.92万元，今年以来收益14.69%，近一年收益36.26%，成立以来收益7.06% [2] 基金经理信息 - 汇添富中证互联网医疗指数(LOF)A（501007）的基金经理为吴振翔 [3] - 吴振翔累计任职时间15年346天，现任基金资产总规模197.81亿元，任职期间最佳基金回报209.42%，任职期间最差基金回报-31.53% [3]

核心观点 - 美国政府正对科技巨头施压 要求其承担数据中心建设的全部电力成本 而非转嫁给普通消费者 微软已就此与政府展开谈话并计划做出重大改变 [1][3][4] 政治与政策动态 - 美国总统特朗普在社交媒体明确表示 政府正确保消费者不为庞大的数据中心买单 直接针对科技行业在AI热潮中的基础设施扩张 [1][3] - 特朗普计划访问密歇根州福特汽车工厂并发表演讲 宣传其关税和制造业政策 以缓解选民对经济的不满情绪 [2] - 电价上涨问题已成为政治焦点 民主党已将物价和通胀作为11月中期选举的核心议题 [1][2] 行业与市场影响 - 美国电力价格涨幅已超过整体通胀水平 数据中心的快速建设被广泛视为推高电价的原因之一 [1][2] - 微软副董事长兼总裁计划在华盛顿活动中发表声明 该公司在活动预告中提出了关于AI基础设施成本分担的根本性问题 [1][4] - 微软声明暗示公司已在思考关键AI基础设施的成本分担问题 即谁从AI中受益以及谁应承担其成本 [4] 公司具体动态 - 特朗普透露微软将就数据中心成本问题做出重大改变 但未提供具体细节或时间表 [1][4] - 微软此前表示 美国正进入由AI力量塑造的新机遇时代 这提出了关于未来构建的根本性问题 [4]

AIGC指数市场表现 - 1月13日AIGC指数表现活跃，其成分股出现显著上涨[1] - 成分股易点天下股价触及涨停[1] - 成分股值得买股价上涨13.35%[1] - 成分股中文在线股价上涨10.61%[1] - 成分股海天瑞声股价上涨10.16%[1] - 成分股万兴科技股价上涨10.03%[1]

文章核心观点 - 知名投资者Michael Burry警告，大型科技公司依靠较少投资获取巨额利润的时代即将结束，人工智能是主要原因 [1] - 投资者应关注投入资本回报率而非营收增长或市场规模 [1] - 人工智能正推动微软、谷歌和Meta等公司从轻资产的软件模式转向资本密集型的硬件模式，涉及数据中心、芯片和能源 [1] - 即使人工智能帮助科技巨头扩大了市场，投入资本回报率下降仍可能在未来数年对股价造成压力 [1]

涉及的行业与公司 * **公司**：阜博集团（Vobile Group）[1] * **行业**：数字内容版权管理、AI多模态内容生成与商业化、影视娱乐、流媒体[2][4][5][9] 核心观点与论据 * **行业趋势与变革** * **AI技术加速渗透**：2026年AI应用收入已占软件行业总收入的接近5%，行业正迎来红利点[3] * **国产模型密集发布**：春节前后Deepseek V4、千问3.5和豆包2.0等顶尖国产模型发布，增强了市场信心[2][3] * **影视行业重大变革**：2025年四季度Sora 2推出及Disney与OpenAI合作，标志传统版权方与新兴大模型方开始合作，版权管理和商业化模式面临深刻变革[2][5] * **内容制作成本下降**：大模型发展推动内容制作更简单、成本更低，AI漫剧成本已降至传统漫剧的20%甚至10%[7][11] * **发行渠道将迎巨变**：当前AI影响主要集中在生产端，未来随着制作到变现能力发展，发行端也将发生重大变化[8] * **阜博集团的战略与能力** * **核心战略：“元素级管理”**：突破传统拷贝销售模式，对内容中的可识别特征元素（如钢铁侠形象）进行管理、传播和变现，实现管理资产的指数级增长[2][5][6] * **技术基石**：基于过去20年的保护、交易及变现能力扩展至元素级管理，拥有行业垄断性的指纹识别和监测体系[2][4][6][9] * **合作模式**：作为基础设施提供者，致力于建立确权能力，确保版权持有者获得收益，无需主动推动大型内容方与模型方的合作[14] * **全球化布局**：为全球市场提供服务，在美国与潜在合作伙伴深入沟通推动转型[2][4][6] * **具体业务进展与预期** * **AI漫剧市场**： * **中国市场成功原因**：用户对内容形式容忍度高、网络文学资源丰富、大平台支持（红果平台占据约80%发行渠道）[4][12] * **市场占比**：AI漫剧已占漫剧市场至少1/3甚至接近一半[11] * **海外盈利潜力**：巨大，通过管理YouTube等海外平台的盗版内容变现渠道，可带来可观收益，使整体收入大幅增加[4][13] * **与红果平台合作**： * 合作始于2025年底，已产生千万人民币级别收入，目前处于边用边试阶段[15] * 红果平台对服务非常满意并计划增加使用量，阜博的保护能力已成为微短剧和慢剧发行平台的重要标配[15][16] * **增长预期**：预计2026年合作在体量、区域及形式上将有显著提升[15] * **与迪士尼及大模型方合作**： * 自2007年起与迪士尼合作，通过技术胜出获得其投资，共同应对流媒体化过程中的盗版挑战[4][9] * 在大模型层面，为大型版权方提供独家版权保护服务以获取侵权证据，未来将继续参与大型版权方与大模型方的具体合作[9] * 预计2026年上半年将展示出与内容方和大模型方融合的能力[14] * **竞争与法律环境** * **中美竞争**：中美两大经济体在大模型领域竞争激烈[10] * **诉讼倾向**：版权方在与大模型厂商的诉讼中胜诉机会较大，因主要文化创意国家拥有强大的法律体系保障[13] * **行业共识**：预计伴随诉讼，最终会形成行业共识以推动商业化进展[9] 其他重要内容 * **多模态技术应用**：目前主要应用于动态漫画、短剧等AI生成内容领域[4] * **内容传播价值差异**：内容多平台扩散传播的价值显著高于单一平台发布，元素授权使用和跟踪及变现能力至关重要[2][8] * **NFT与区块链布局**：阜博集团在NFT市场有早期布局，通过区块链技术进行版权管理[4][9] * **国内业务关注点**：尽管主要业务在海外，但公司将持续关注并拓展国内多模态模型业务，特别是AI漫剧领域[10][11] * **产品升级**：公司正在迅速升级产品，并与多模态内容平台进行产品测试和商务沟通[14]