核心观点 - 从制造到智造，人工智能技术正进入重塑生产制造全链条的实战阶段，这关系到中国经济能否获得未来AI物理世界的主导权 [2] - 物理世界AI的构建是一个需要基于流程再造和物理学原理对传统产业进行深度改造甚至推倒重来的全新生态 [3] - 中国拥有庞大的制造场景和数据作为战略资源，但转型面临稳定现有产能与利用AI进行生态链重塑的取舍挑战 [3] - 成功转型需要制度变革以营造更具柔性的试错环境，并借鉴如上海引进特斯拉等开放布局的成功经验 [3][4] - 物理AI时代的竞争将更依赖市场的开放性、技术的开源性和制度的包容性，封闭系统难以形成优势 [5] 政策与战略方向 - 国务院总理强调，智能制造是推动产业变革的主攻方向，需利用人工智能对生产制造进行全链条全周期重塑 [2] - 上海两会热议构建“2+3+6+6”现代化产业体系，推动传统产业数智化、绿色化转型，打造世界级高端产业集群 [2] - 中央与地方、政府与市场同频共振的发展局面，为中国经济搭乘新一轮科技革命提供动力引擎 [2] - 2026年被视为物理世界AI布局的关键之年，转型关系到中国能否拿到未来AI物理世界的“门票” [2] 转型的机遇与挑战 - 机遇：中国在制造环节拥有数十年的最全案例，庞大的制造应用场景和数据是参与物理世界AI角逐的重要战略资源 [3] - 挑战：面临稳定现有制造产能利用率与利用AI技术重塑重整生态链的取舍问题 [3] - 挑战：用AI重构底层制造逻辑需要企业具备容忍度的试错环境、推倒重来的决断力以及将传统产业链冗余成本化的能力 [3] - 挑战：这场变革考验的是整个经济社会制度的重塑，需要通过制度变革重塑激励约束机制，降低企业创新成本 [3][4] 成功经验与关键要素 - 上海引进特斯拉的成功经验表明，以国际化视野和产业前瞻布局，可以成功带动区域打造国际产业链供应链 [4] - 成功实践的核心在于构建了自由开放的经济环境，汇聚全球技术、标准与智慧 [4] - 在物理世界AI时代，开放与自由不再是选择题，而是生存与发展的基本前提 [5] - 未来制造业将更多供给AI Agent（智能体），这种“商品即服务”的不断迭代的“半成品”，将使国际贸易规则和市场准入标准趋于复杂 [4] 未来展望与行动路径 - 物理世界AI的竞争将更加依赖于市场的开放性、技术的开源性和制度的包容性 [5] - 中国制造是中国承接物理世界AI最厚重的底气和资产 [5] - 迈向物理世界AI时代需要制度矩阵重构、经营战略重置和消费行为重塑的三重奏 [5] - 必须走出AI工具化的思维，为市场竞争的决断力、容错力和创新力提供可信、可行的制度场域 [5]

文章核心观点 - 人工智能技术正从制造环节切入，对生产制造全链条全周期进行重塑，推动中国制造业从“制造”向“智造”转型，这关系到中国经济能否拿到未来AI物理世界的“门票” [2] - 物理世界AI的构建是一个需要基于流程再造和物理学第一性原理的全新生态，可能需要对传统产业供应链进行改造甚至推倒重来 [3] - 中国制造业的机遇在于拥有庞大的制造应用场景和数据资源，挑战在于需平衡稳定现有产能与用AI重构底层制造逻辑的取舍，这要求制度、经营和消费行为进行系统性重塑 [3][7] - 物理AI时代的市场竞争将高度依赖市场的开放性、技术的开源性和制度的包容性，开放与自由成为生存与发展的基本前提 [6] 根据相关目录分别进行总结 政策与战略方向 - 国务院总理强调智能制造是推动产业技术变革和优化升级的主攻方向，需利用AI重塑生产制造全链条全周期 [2] - 上海两会热议“十五五”期间构建“2+3+6+6”现代化产业体系，核心是推动传统产业数智化、绿色化转型，并打造世界级高端产业集群 [2] - 中央与地方、政府与市场同频共振的发展局面，为中国经济搭乘新一轮科技革命提供动力引擎 [2] - 2026年被视为物理世界AI布局的关键之年 [2] 物理世界AI的机遇与挑战 - 物理世界AI是一个需要流程再造和基于物理学第一性原理的全新生态 [3] - 中国参与竞争的重要战略资源是庞大的制造应用场景和数据 [3] - 主要挑战在于平衡稳定现有制造产能利用率与用AI技术重塑重整生态链的取舍 [3] - 用AI为传统产业提供大脑和神经中枢需要重构底层制造逻辑，这对企业的试错容错环境、决断力及将传统产业链冗余成本化的能力提出更高要求 [3] - 这场变革考验整个经济社会制度的重塑，需通过制度变革重塑激励约束机制，为市场主体试错营造更具柔性的制度场景 [3] - 财政部在增值税进项税款方面的调整被视为一个积极的开始 [3] 成功经验借鉴与产业实践 - 充分吸收各地产业布局的成功经验至关重要，以上海引进特斯拉带动长三角打造新能源汽车国际产业链供应链为例，为利用AI重塑生产制造全链条提供了宝贵经验 [4] - 上海等地的成功实践核心在于构建了自由开放的经济环境，中国新能源汽车产业的国际竞争优势是在开放市场基准场景下汇聚全球技术、标准与智慧的结果 [6] 未来竞争格局与关键要素 - 未来制造业供给的更多是AI Agent（智能体），这种商品即服务的智能体是不断迭代升级的“半成品” [6] - AI Agent将给商品安全、技术标准及适应不同属地法律带来全新挑战，使国际贸易规则和市场准入标准趋于复杂 [6] - 物理AI时代的市场竞争将更加依赖于市场的开放性、技术的开源性和制度的包容性，封闭系统很难聚敛竞争优势 [6] - 开放与自由不再是选择题，而是生存与发展的基本前提 [6] 转型路径与必要条件 - 中国制造是中国承接物理世界AI最厚重的底气和资产 [7] - 让制造场景和应用工程数据成为中国迈入物理世界AI时代的桥梁，需要制度矩阵重构、经营战略重置和消费行为重塑的三重奏 [7] - 必须走出AI工具化的思维，真正为市场竞争的决断力、容错力和创新力提供可信、可行的制度场域 [7]

文章核心观点 - 中国正迈入物理世界AI时代 这需要制度矩阵重构 经营战略重置和消费行为重塑三重奏 其核心是利用人工智能技术对生产制造全链条全周期进行重塑 将中国制造升级为中国智造 以获取未来AI物理世界的主导权 [1][2][5] 中央与地方政策导向 - 国务院总理李强强调 智能制造是推动产业技术变革和优化升级的主攻方向 要积极利用人工智能技术对生产制造全链条全周期进行重塑 [2] - 上海两会热议“十五五”期间构建“2+3+6+6”现代化产业体系 推动传统产业数智化 绿色化转型 打造世界级高端产业集群 打响“上海制造”品牌 [2] - 中央与地方 政府与市场同频共振的发展局面 为中国经济社会搭乘新一轮科技革命快速列车提供重要的动力引擎 [2] 物理世界AI的机遇与挑战 - 物理世界的AI是一个需要基于流程再造和物理学第一性原理对传统产业供应链加以改造甚至推倒重来的全新生态 [3] - 机遇在于 中国在制造环节拥有数十年的最全案例 庞大的制造应用场景和数据是参与物理世界AI角逐的重要战略资源 [3] - 挑战在于 面临稳定现有制造产能利用率与提供AI技术重塑重整生态链的取舍问题 用AI重构底层制造逻辑需要企业有容忍度的试错容错环境 推倒重来的决绝以及将传统产业链供应链冗余成本化的决断力 [3] 制度与营商环境重塑 - AI驱动的物理世界变革关乎整个经济社会制度的重塑 需要通过制度变革重塑经济体系中的激励约束机制 为市场主体试错营造更具柔性的制度场景 降低企业创新发展的环境成本 [3] - 财政部在增值税进项税款方面的调整是一个积极的开始 [3] - 物理AI时代的市场竞争将更加依赖于市场的开放性 技术的开源性和制度的包容性 开放与自由是生存与发展的基本前提 [4] 产业实践与经验借鉴 - 以上海引进特斯拉带动长三角打造新能源汽车国际产业链供应链为例 其成功核心经验在于构建了自由开放的经济环境 汇聚了全球技术 标准与智慧 [4] - 未来制造业供给的更多是AI Agent（智能体） 这种不断迭代升级的“半成品”将给商品安全 技术标准及适应不同属地法律带来全新挑战 使国际贸易规则和市场准入标准趋于复杂 [4] 发展路径与关键节点 - 2026年是物理世界AI布局的关键之年 中国作为现有国际产业链生态链的主要供给方之一 其AI转型关系到中国经济是否拿到未来AI物理世界的“门票” [2] - 中国制造是中国承接物理世界AI最厚重的底气和资产 需要让制造场景和应用工程数据成为迈入物理世界AI时代的桥梁 [5]

行业核心矛盾与挑战 - 中国股权投资行业正站在历史性十字路口，面临“募资难、投资难、退出难”的生存考验，亟需探寻穿越周期的“新逻辑”与“新共识” [3] - 行业面临资金结构重构、资产范式转移、退出路径重建的深层挑战 [3] 资金端变局：国资主导时代的GP生存法则 - 资金结构发生根本性逆转，市场化LP（金融机构、高净值个人）退潮，以政府引导基金、地方产业基金为代表的国资成为市场主导力量 [6] - GP募资从“众星捧月”转变为必须“积极拥抱国资、地方政府”，否则“不在桌上就要出局” [8] - 国资LP承载多重政策目标，诉求包括财务回报、招商引资、政治正确及各类考察需求，可能倒逼GP偏离投资初心 [8] - 非一线城市国资LP面临“资产荒”困境，资金充裕但缺乏适合股权投资的优质头部项目，导致招商引资成为核心KPI [9] - GP的生存法则在于多重约束下寻求平衡：需坚守投资初心，有选择地与地方政府合作以保障投资动作不跑偏 [11] - GP需通过差异化定位证明独特价值，例如定位为“有产业基础、有产业资源的投资机构”，开发产业园基金、不良资产等另类产品满足LP需求 [11] - GP在招商引资中的新价值在于为地方政府提供专业的项目挖掘、判断能力及投后管理能力，而不仅仅是充当招商部门 [12] - 为匹配硬科技项目长周期培育特点，部分地方国资探索延长基金周期，例如苏州基金周期可达10年，最长“6年投资期+6年退出” [12] - 新基金需更紧密拥抱财力雄厚的国资作为基石LP，以支持长时间无现金流的“国运型”项目 [13] - 券商背景机构通过管理政府引导基金（母基金）、与国家级基金合作直投、开展S基金业务等多元化模式与国资深度合作 [13] - “国资时代”深刻重塑行业生态，GP角色向产业组织者、地方发展合伙人等多重身份演变 [13] 资产端演变：从模式套利到硬核创新的赛道探索 - 资产端投资逻辑发生嬗变，以“进口替代”和“模式创新”为代表的套利时代基本结束，需寻找新的增量市场和“非共识”机会 [15] - 当前市场稀缺资产少，“Me too”项目多，而脑机接口、具身智能等前沿技术领域因资本热涌导致估值与长期投资价值严重偏离 [17] - 投资本质是寻找产业确定性，应在赛道拥挤、估值过高时保持冷静，在行业冷清时进行布局 [17] - 新赛道探索聚焦三大方向：AI驱动的科技变革、全球化出海浪潮、与国家战略同频的“国运型”投资 [17] - **AI赛道投资策略**：划分为三大主线——聚焦AI基础设施（如服务器上游芯片与关键材料）；着力垂直场景的具身智能（如工业、特种作业机器人）；关注AI多模态技术驱动的新一代消费硬件及To B的AI Agent公司 [19] - 围绕大模型生态，从硬件基础设施、基础软件生态到端侧AI及企业级应用，未来十年将涌现大量市值超百亿美金的公司 [20] - AI基础设施在计算、存储、网络等领域持续有创新机会；中国开源模型生态繁荣带来“卖水、卖铲子”的基础软件工具投资机会 [20] - **出海赛道**：医疗健康是易全球化行业，中国创新药海外授权交易额从2019年近乎为0，到2025年前三季度总金额达1029.96亿美元，其中首付款49.76亿美元，单笔5000万美金以上交易占全球约40% [22] - 出海趋势背后驱动力包括国内政策改革、国际监管接轨、前期大规模资金投入、海外人才回流、本土成本优势及“工程师红利” [22] - 中国在SCI文章数量和高水平文章自然指数份额已超越美国，但科研成果转化效率偏低，这为投资人提供了系统性机会 [22] - “医工结合”（大三甲医院和医生科研能力提升）将催生大量临床价值导向的医疗创新，是另一个系统性机会 [22] - 出海策略包括“独立出海”和“配套出海”（跟随国内大客户出海需求）两种模式 [23] - **“国运型”投资赛道**：在中美科技竞争背景下，过去被认为“干不成”的硬核科技领域（如国家队火箭、脑机接口）成为新焦点，需清晰认识国家支持决心 [25] - 不要低估中国工程师的能力及国内对“从1到100”项目的执行能力 [25] - 未来十年，国家意志重点支持的量子计算、可控核聚变等前沿领域已形成高度共识，但项目中短期极难证伪，对构建合理投资组合构成挑战 [25] - 资产端逻辑从追求短期套利转向拥抱长期、高风险的硬核创新，对GP的认知深度、产业资源、全球视野和风险承担能力提出高要求 [26] 退出端困境：并购退出的理想、现实与未来 - 退出端压力巨大，并购被寄予厚望，被视为破解退出困局、实现流动性的关键路径 [28] - **并购的理想模型**：对早期项目可让创始人尽早上岸，缩短投资周期；对上市公司是外延式并购、扩展市值规模的重要手段；政府层面乐见其成，提出“并购招商元年” [30] - 对GP而言，并购是一条不依赖公开市场、更可控的退出通道；对融资环境恶化的创业公司是被并购是体面出路；对寻求增长的上市公司是快速切入新赛道的捷径 [30] - **并购的现实困境**：交易极端复杂，核心在于“天时地利人和”，最难是“人和”即各方利益平衡 [32] - **核心矛盾一：估值逻辑冲突**：海外高科技并购常“奔着技术去”，例如某营收小且亏损的海外科技公司因技术领先被以5.4亿美金收购，收购方还为创始团队追加1亿美金激励 [33] - 中国市场并购估值逻辑不同，上市公司通常要求按传统制造业PE倍数进行三年对赌 [33] - 国资监管对并购PE估值上限卡得死，上限为15倍，通常最终定在10-12倍，交易所审批严格 [33] - 以净利润为锚的“制造业估值体系”对缺乏利润的硬科技公司是毁灭性的，导致中国并购常沦为“类回购行为”（本金+利息） [33] - 某人民币项目并购案中，即使为各轮股东开出年化10%、8%、6%、4%的差异化利息回报方案，交易最终仍告吹 [33] - **核心矛盾二：“分配不均”导致内部瓦解**：当并购估值低于最后一轮融资估值时，内部股东利益分配引发激烈矛盾，早期投资人不愿让渡利益补偿后轮投资人 [34] - 典型案例：一个Pre-IPO轮估值51亿的项目，最终并购综合估值不到20亿，为达成交易只能对最后一轮投资人采取差异化定价（拿回本金或折算成上市公司股权） [35] - **核心矛盾三：创始人利益牺牲**：多轮博弈和估值下调后，创始人股份所剩无几，国资收购后如何激励无股权的创始团队成为新难题 [36] - 案例显示，去年许多企业家对并购持审慎态度，今年达成交易反映大家对未来独立IPO路径的预期变得更加务实 [36] - **并购的未来路径**：地方产业基金应将大笔资金用于围绕产业方的并购整合，以扶持本地产业并利用上市公司信用背书降低风险 [37] - 利用不同资本市场规则差异成为新策略，例如A股上市公司考虑利用港股H股主体进行收购，因港交所规则更宽松、可给更高估值且无需对赌 [37] - GP需主动建立并购能力，包括筹备并购基金、探索“投贷联动”、积极为被投企业与上市公司LP牵线搭桥 [37] - 并购退出正成为考验GP定价、谈判、交易结构设计、资源整合等综合能力的核心战场 [38]

AI应用板块市场表现 - 1月12日，AI应用板块全线爆发，AI、智谱AI、Sora概念、AI+营销、AI智能体等板块掀起涨停潮，A股市场有80余只股票集体涨停 [1] - A股市场具体表现包括：众诚科技涨幅+30.00%，主力净流入1.14亿；星图测控涨幅+29.99%，主力净流入2.11亿；值得买涨幅+20.00%，主力净流入2.30亿；昆仑万维、蓝色光标、拓尔思、中文在线、用友网络等公司涨停 [1][2] - 港股人工智能概念股同样冲高，智谱涨超40%，MINIMAX-WP涨超29%，微盟集团涨超20%，第四范式涨超18% [1] 政策驱动与产业目标 - 工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，为化工等原材料行业智能化升级提供实施路径和方法指引 [2] - 《意见》明确，到2027年，人工智能关键核心技术实现安全可靠供给，产业规模和赋能水平稳居世界前列 [3] - 具体量化目标包括：推动3个至5个通用大模型在制造业深度应用，推出1000个高水平工业智能体，打造100个工业领域高质量数据集，推广500个典型应用场景，培育2家至3家具有全球影响力的生态主导型企业，选树1000家标杆企业 [3][4] 产业发展阶段与核心驱动力 - 国内AI产业动态密集，在政策强力牵引与中上游算力、模型等基础设施已具备坚实基础的背景下，产业发展的核心引擎正明确转向下游应用端 [4] - 2026年的重点将是全面打开AI与千行百业深度融合的局面 [4] - 当前AI应用的投资逻辑已从前期的算力硬件角逐，转向需求侧价值兑现与国产化突破的双重主线，核心聚焦商业化变现能力与场景落地成效 [5] 技术趋势与未来方向 - 人工智能科学家杨强表示，作为AI应用重要载体的AI Agent（智能体）目前处于最初级阶段，未来的方向是让大模型能够自己定义目标、自己做规划，成为“内生的native的系统” [5] - 机构普遍看好生成式引擎优化（GEO）概念，其核心目标是让品牌或内容被AI大模型优先发现、理解、采信并引用，从而在AI生成的答案中获得高可见度与高可信度的“零点击曝光” [5] 产业优势与前景展望 - 我国在AI浪潮中展现出硬核竞争力，技术层面大模型能力持续突破，开源生态蓬勃发展；产业层面智谱、MiniMax登陆港交所，月之暗面完成高额融资，AI产业化与资本化进程提速；政策层面《人工智能大模型》系列国家标准正式实施 [4] - 产业基础方面，我国拥有全球最完整的工业体系与覆盖基础层至应用层的人工智能全产业链，以及41个工业大类与超大规模市场，催生海量多元的应用场景 [5] - 国泰海通研报认为，应用与算力轮动，算力之后有应用，本轮AI产业革命引发全球共振行情，展望2026年，AI应用有望从可用到好用，与多元化商业模式落地，成为AI产业行情核心主线 [6]

AI技术在全球及中国企业的应用现状 - 全球88%的企业已在至少一个业务职能中使用AI技术，比2024年高出10个百分点，但仅三分之一已着手推进AI的规模化落地 [7] - 中国内地AI应用普及率与全球持平，83%的企业在至少一个职能中常态化使用生成式AI，领先全球平均水平 [8] - 中国内地有45%的受访企业实现AI的规模化或全面部署，高于全球38%的均值 [9] AI Agent（智能体）的应用与挑战 - AI Agent热度高，62%的受访组织已在试验，但真正跑通业务流程的企业是少数派，在任何部门中推动AI Agent的公司都不到一成 [10] - AI Agent率先应用于流程清晰、标准化程度高的部门，如IT运维、知识管理、营销与销售 [10] - 部署AI Agent的根源挑战在于需要重构流程、重塑组织并重训员工，多数组织仍处于试用或验证阶段 [11] Agentic AI（智能体AI）成为未来趋势 - Agentic AI被置于技术趋势首位，其核心是AI能主动完成任务 [11] - 推动Agentic AI发展的三大底层动力：推理成本大幅下降（2025年模型推理价格中位数下降约50倍）、小模型爆发、多模态能力突破 [11][12] - Agentic AI深度融入后，将在企业、经济和个人三个层面带来改变，包括重塑组织架构、拉大企业间生产率差距（可能达两位数提升）以及改写工作定义 [12] 金融行业的AI应用与分化 - 金融业是AI技术落地的前沿阵地，但不少金融机构反馈AI应用效果不达预期，投入产出比不高，根源在于应用尚处尝试阶段，未真正重塑作业模式 [3][14] - 高绩效AI组织（能将至少5%的EBIT增长归因于AI）的成功特征在于：绘制明确的AI路线图，并主动重写业务流程，将AI嵌入前线流程与系统 [14] - 大模型加速行业分化，大型金融机构优势明显，但中小金融机构可借助降低的推理成本，通过寻找合适应用场景和合作伙伴实现能力跃升 [15] 实现AI价值的关键经验 - 要通过智能体AI实现业务价值，必须改变工作流程，例如财富管理流程未来在AI助力下可能从五步简化为三步 [16] - 智能体并非万能药，高变化、低标准化的工作流程更适合应用，在部署前需评估任务需求 [16] - 需杜绝“AI垃圾”，重视用户信任，这需要结合专业知识创建评估标准，并让专家持续参与测试 [17] - 人的作用依然不可或缺，需要监督模型准确性、确保合规、运用判断力并处理边缘情况 [17] AI在金融领域的治理与平衡策略 - 不能“一刀切”地应用AI，需根据业务特性选择最适合的AI类型 [17] - 规则型AI适用于信贷审批等标准化场景，可确保决策一致性和可解释性；生成式AI和智能体AI在非标知识领域更具优势，但不应让其直接制定规则 [18] - 需建立完善的治理框架，采取“规则主导+AI辅助”的混合模式，在创新与风险间找到平衡 [18]

行业挑战：AI技术普及带来的黑灰产新威胁 - AI手机等智能体的普及使得应用程序难以判断操作者是否为用户本人，触发了风控机制 [1] - 未来互联网上的操作行为将从以人为主转变为以智能体为主，这给风控带来了巨大挑战 [2] - 黑灰产正全面利用大模型技术提升其获利效率，具体体现在养号、模仿用户行为和突破传统验证手法上 [3] 黑灰产技术演进与攻击特征 - 黑灰产利用大模型自动生成贴合主题的回复内容，极大降低了养号成本，使账号行为更似真人 [3] - 黑灰产开始使用智能体调用API和自动化工具，其生成的点击、浏览等行为序列非常像真人，不再有明显的脚本特征 [3] - 多模态大模型能轻易识别图片内容（如验证码），导致传统行为验证码失效 [3] - 黑产攻击因使用高效工具而变得更隐蔽、对抗性更强 [3] 风控应对策略：AI风控新范式 - 依靠纯人工对抗黑灰产已非常困难，需构建新的应对体系 [4] - 应对体系首先由黑产研究院研究清楚作恶路径，策略团队在“攻防路径图”上标记识别、防御和处置点 [4] - 在原有积累的风控特征基础上，利用大模型自动生成风险特征，这些特征会输入到账号风险模型、行为模型等评分模型中 [4] - 未来5-10年，人类每天接触的信息将有超过50%来自AI，内容风控的进化需从“识别对象”变为“理解意图” [5] - 面对新挑战，引入基于大模型的审核智能体是应对办法之一 [5] 识别原理：反欺诈三定律 - 依据“反欺诈三定律”来区分正常AI助手与黑产机器操作 [2] - **多样性定律**：正常用户的设备环境多样（如不同手机型号、系统版本、电池电量状态），而黑产设备往往型号统一、状态一致、行为模式高度相似 [2] - **一致性定律**：正常人不会刻意频繁改变IP、手机号等基础信息，而黑产为注册大量账号会导致信息一致性出现断层或异常 [2] - **关联性定律**：正常用户的社交关联通常也是正常用户，而黑产账号往往是孤立点或其关联“朋友”也是黑产账号 [2] - 通过分析团伙的行为序列、设备多样性、信息一致性以及关联关系，仍能有效识别黑产 [2]

AI技术发展阶段与特点 - AI当前处于从量变到质变的关键节点 伴随涌现效应 其特点是规模定律 即数据、算力、算法结合使智能达到某一界限后突破 [2] - 涌现效应使AI不仅具备模式识别和感知能力 更获得了认知、生成和创造力 [2] - 未来十年将是人类与智能共同成长的协作时代 [1] AI产业应用与影响 - AI正作为通用生产力工具从科技探索走向各行各业 推动新一轮生产力革命 [1][2] - 机器人产业完全由新一轮人工智能带来 [2] - 教育、医疗等垂直传统行业将受益于AI技术 例如AI可加快新药研发速度并改变其整个范式 [3] - AI应用发展推动了AI基础设施建设 包括芯片、数据中心和云计算 科技巨头均在加快布局 [3] 大模型竞争格局与发展路径 - 全球范围内通用的前沿大模型数量未来不会超过10个 更大的机会来自于垂直模型或行业模型 [5] - DeepSeek通过更高效的系统架构和灵巧算法 在不需要很高算力的情况下于全球竞争中脱颖而出 其开源生态辐射至非洲、东南亚等市场 [5] AI基础设施投资趋势 - AI是一个几十万亿元的产业 参与企业定位各异 巨头构建全栈AI生态以增强竞争壁垒 其他公司则定位应用层或AI Agent解决具体行业问题 [5] - 当前AI基础设施投资热未来可能存在泡沫 类比1998年互联网基础设施建设浪潮 科技企业宁愿多布局也不愿错失发展机会 [6] 信息智能与物理智能融合 - 信息智能与物理智能的融合是未来十年的关键窗口期 [6] - 当前融合的技术瓶颈包括物理世界数据比较分散 以及物理世界模型需要更好的推理能力、理解能力和对三维、四维空间的感知能力 [6] AI安全与治理挑战 - AI能力越强风险越高 包括失控和被滥用的风险 信息智能方面存在深度伪造、虚假信息和AI幻觉等问题 [7] - 人工智能生成内容占比达到52% 首次超越人类创作的48% 这些存在不实内容的信息作为新训练数据进入AI模型 可能导致不实信息指数级泛滥 [8]

文章核心观点 - 人工智能正从“未来技术”快速转化为驱动中国经济增长的核心引擎，其战略定位已提升至国家高度，目标是通过“AI+”行动提升全要素生产率并实现经济结构的深层转型 [4] - AI的经济价值通过“AI新三件”的布局组合拳体现：构建坚实的底层基础设施、催生新兴产业赛道、以及对传统产业进行深度改造 [4][22] - AI不再是锦上添花的工具，而是能够重塑业务核心流程、创造新增长曲线的生产力，正在中国多个万亿级市场中重塑效率与增长 [8][22][23] AI基础设施（“新基建”） - 人工智能的基础设施由云计算、大模型和算力构成，是AI时代的数字“新基建” [9] - 2024年中国人工智能核心产业规模已突破7000亿元人民币，连续多年保持20%以上的高速增长，是整体经济增长速度的四倍以上 [4] - 行业竞争焦点从单纯的计算速度转向效率与成本的精打细算，领先企业需自研通用基座模型并提供可私有化部署的行业模型 [9] - 腾讯云以整体视角建设基础设施，确保软硬件协同以发挥最大算力价值，其“混元+开源模型”多模型解决方案已在30多个行业落地 [9][10] AI催生的新兴产业 - AI的生成能力正在创造高增长性、高附加值和轻资产化的全新商业模式与产业赛道 [14] - 在3D打印行业，AI通过自动化复杂设计极大降低专业门槛，推动技术走向大规模应用临界点 [14][18] - 拓竹科技接入腾讯混元3D生成模型，用户可通过文字或图片输入快速生成高质量3D模型，模型几何分辨率达1024³级，纹理贴图分辨率达4K，预计每月产生超10万次模型调用 [18] - AI助力中国企业开拓全球市场，在文化出海、游戏开发等领域成为孵化新物种、开拓新市场的关键变量 [19] AI对传统产业的深度改造 - 在零售业，绝味食品的AI Agent销售组业绩是人工组的3倍多，使复杂的全国性营销活动无需数周策划即可执行 [1] - 在汽车制造业，广汽集团与腾讯合作将车联网量产部署时间缩短至3个月，并合作开发AI点餐系统整合智能出行与零售场景 [20][21] - 在物流领域，腾讯云为货拉拉构建的“货运无忧大模型”实现整体降本30%，为DHL引入大模型使客服消息匹配率提升至97%，机器人解决率达74% [12][21] - 在金融服务业，华兴银行的AI信贷尽调助手将授信报告撰写周期从7-10天压缩至1天，东吴人寿的智能理赔流程将人工工作量减少80%以上，理赔周期压缩至1-3天 [21] - 在医疗健康领域，北京协和医院利用AI大模型串联患者全周期管理，迈瑞医疗的重症大模型可在5秒内为ICU医生提供决策辅助 [22] 具体应用案例与效能提升 - 同程旅行的AI旅行规划服务DeepTrip，在腾讯云算力支持下将用户决策到预定成本从天级别降低到“1小时内”，用户活跃度提升3倍 [12] - 中国银行基于腾讯云平台构建的“分析师工作台”已服务近4000名分析师，产生3000多个AI模型，直接助力反欺诈等业务智能化 [12]

行业趋势 - 具身智能被视为AI发展的最佳载体 投资机构积极布局从本体到大脑及部件的全产业链项目 [1] - 大模型格局基本确定 巨头已完成市场基础设施建设 资本兴奋点从大模型转向应用层和结果付费模式 [1] - AI相关企业估值在过去一年平均上涨37% 中国科技资产引发全球重新评估 [3] 投资策略 - 投资重点聚焦能形成品牌的科技产品 能构建生态的技术平台 以及能形成垄断的零部件或原材料供应商 [4] - 重点关注垂直细分领域 选择成熟行业深入理解痛点 通过AI重塑工作流程 [3] - 通过跨界连接发现机会 避免同质化创业和大厂业务覆盖区域 [3] 市场定位 - 将2025年定位为产业拐点 类比互联网2002年与移动互联网2011年的发展阶段 [3] - 通用型Agent领域竞争激烈 主要由大厂主导 基础设施层存在标准化挑战 [4] - 优先布局面向特定行业的垂直化Agent 以及面向C端用户的垂直场景应用 [4] 技术发展 - DeepSeek通过改进国产芯片运算逻辑实现技术突破 [3] - 技术门槛降低使纯技术背景优势减弱 行业专业知识和场景理解更为关键 [3]