报告投资评级 - 报告未明确给出整体行业的投资评级，但基于其核心观点与投资建议，对AI产业趋势持积极看法 [6] 报告核心观点 - OpenClaw在GitHub上的星标数已超过22.8万个，排名前5%，其单周新增星标数量超过7000个，为全市场第一 [2] - OpenClaw的GitHub星标数在2026年2月24日已超过22.4万，超越Linux内核的21.8万，成为GitHub上星标数排名第14的项目，创下GitHub历史上最快的星标数增长速度 [6] - OpenClaw使用量的里程碑式突破，标志着其影响力可与Linux内核比肩，正成为Agent生态中的重要“事实检验标准” [6] - OpenClaw的定位正从“热门项目”向大量开发者协作的“共识平台”转变，这种共识基础下的生态扩展能力可能成为其“护城河” [6] - OpenClaw所代表的边缘AI，通过开源和按量付费的商业特性，结合边缘AI保护隐私、成本适应性强的特点，使非大型科技公司和个人也具备“自有化AI”能力，推动AI从“少数人拥有的高端能力”变成“多数设备的基础功能” [6] - 在Agent趋势拉动下，Token消耗迎来发展，OpenRouter数据显示截至2月23日当周，其token usage已达12.1T，较一月接近翻倍，其中中国模型如Minimax M2.5、Kimi K2.5、Deepseek V3.2的token消耗量排名居前五 [6] - AI正进入应用落地、需求加速与产业链景气共振的阶段，中国Token消耗量的快速增加暗示算力推理需求快速增长 [6] 投资建议总结 - 建议关注具备模型或应用能力，受益于潜在API调用相关收入加速增长的公司，如【MINIMAX】、【智谱】 [6] - 建议关注具备算力资源、模型能力与应用场景协同的平台型互联网公司，如【阿里巴巴】、【腾讯控股】 [6] - 建议关注算力与Token消耗巨大，有望拉动相关云服务需求的公司，如【金山云】、【百度集团】、【金蝶国际】 [6] - 建议关注具有较强确定性的AI算力硬件层公司，如【天数智芯】、【壁仞科技】、【华虹半导体】、【澜起科技】以及美股算力链公司【SNDK】、【MU】、【NVDA】、【INTC】、【LITE】 [6]

行业与公司 * 涉及的行业包括人工智能、云计算、算力基础设施、光通信、液冷技术等[1] * 涉及的公司包括Cloud Code、豆包手机、Deepseek、智谱GLM、kimi、台积电、谷歌、OpenAI、Claude、长飞、亨通、中天、烽火通信、通鼎互联、源杰科技、世佳光子、旭创、新易盛、剑桥、联特、天孚通信、泰晨光、英维克等[1][2][3][4][8][11][12][15][18][21][22][24] 核心观点与论据：AI应用与算力需求 * **AI Agent应用爆发在即**：预计2026年AI Agent产品（如豆包手机）将大量上市，驱动Token调用量和算力需求激增[1][2] * **算力产业链普遍涨价**：需求旺盛而供给紧张，导致算力产业链各环节出现不同程度的涨价[1][2] * **推理需求超预期**：H100芯片租赁价格逆势上涨，反映出推理需求远超预期，是推动云计算服务涨价的核心原因[12][13] * **财报季需求旺盛**：大厂（如谷歌）需求推动台积电上调资本开支至520~560亿美元，主要用于Coworks AI芯片[12] * **账单爆炸式增长**：北美程序员和白领深度依赖AI服务（如Cloud Code），Token消耗量大（例如每周至少千万级别），导致云计算账单激增[7] * **中国大模型因性价比切入市场**：Deepseek、智谱GLM等中国模型因成本优势进入北美，用于处理中低端任务，与高端云服务形成互补，每周调用量环比增长约10%[1][8][11] 核心观点与论据：关键产品与技术 * **Cloud Code表现极为突出**：凭借强大的代码理解能力和类人编写风格，在北美市场用户快速增长，推出半年内年化收入达10亿美元，成为增长最快的AI应用之一[1][3][4] * **Skills功能解决长上下文问题**：通过元数据描述技能，大幅减少Token消耗（例如从25万token降至几十到几百个token），提高模型效率，在北美迅速普及[1][5] * **Skills功能使用激增**：截至2025年底日新增技能约百项，到2026年1月27日一天新增26,228项技能[6] * **AI从建议工具变为操作工具**：2026年AI技术应用将发生显著变化，从用户操作电脑、AI提供建议，转变为用户提出建议、AI执行具体电脑操作[9][14] * **Co-worker与Open-Worker的演进**：Co-worker是功能强大的自动化工具，开源版本Open-Worker进一步贴近用户，实现AI记忆和主动执行功能[10] 核心观点与论据：算力基础设施（光通信/光模块） * **光纤光缆行业供需偏紧**：AI等新兴需求驱动下，行业从供大于求转向供需平衡，预计2026年将出现供不应求局面[1][16] * **AI显著拉动光模块与光纤需求**：800G、1.6T高性能光模块需求增长，同比例带动光纤需求增加，大型数据中心进一步拉长光纤使用距离[17] * **光模块板块前景看好**：2026年800G和1.6T需求量及出货量预计大幅增长，上游光芯片和激光器供给存在缺口[21] * **技术迭代加速**：2026年下半年CPU将进入产业化周期，加速OIO时代到来[22]；2026年下半年至年底预计推出3.2T产品，需关注硅光调制材料（如薄膜磷酸锂）变化[23] * **关注相关公司**：光纤光缆龙头（如长飞、亨通、中天）及产能修复公司（如通鼎互联）将受益[18]；光模块领域关注上游光芯片公司（如源杰科技、世佳光子）及一线龙头（如旭创、新易盛等）[21]；CPO领域关注天孚通信、泰晨光等[22] 核心观点与论据：液冷技术 * **液冷技术进入快速发展期**：随着超节点方案渗透和单柜功率提升，液冷成为标配，2025下半年至2026年将快速发展，是算力产业链中增速最快的子板块之一[1][24] * **市场规模可观**：预计2026年全球液冷市场规模达100亿美元，2030年可能达400亿美元，与当前光模块市场规模相当[24] * **有望涌现大型公司**：如英维克等[24] 其他重要内容 * **运营商招标价格影响有限**：虽然国内价格全球最低，但AI驱动的全球需求强劲，行业整体进入供需偏紧的趋势不会改变[19] * **北美算力市场前景乐观**：预计2026年Q1财报季将展示惊人的Token消耗量及2027年的确定性开支，收入潜力将加剧新一轮竞争（如OpenAI可能反击）[15] * **重要行业会议**：3月的OS大会和GTC大会是技术演变的重要催化剂，应重点关注[23]

行业与公司 * **涉及的行业**：企业级AI应用、IT技术、健康医疗、制造业、金融科技、教育、广告、编程、办公软件、工业、军用、财税、电商[1][3][12][14][15][16][19][20][21] * **涉及的公司**： * **海外**：亚马逊云、Adobe、AppLovin、Salesforce、Meta、Google、GitHub Copilot、Keras、Repl.it、Vicarious、OpenAI、Palantir[1][4][5][14][16][17][20] * **国内**：合合信息、金山办公、阿里巴巴、字节跳动、Deepseek、Kimi、MinMax、通义千问、汇量科技、蓝色光标、商汤科技、海康威视、中控技术、聚水潭、光云科技、卓翼科技、普元信息、360、复兴公司[1][4][6][14][16][17][18][19][20] 核心观点与论据 * **AI在企业级应用加速落地与兑现**：AI应用加速渗透企业级服务，龙头企业业绩开始兑现，预示应用大行情催化[1][2] * **企业级AI应用趋势深化**：企业级AI应用加速深化，消息传递量增长8倍，结构性工作流使用量增加19倍，平均推理Token消耗量增长320倍[11] * **中国模型调用量激增**：中国模型调用量从去年底至今增长近9倍，日均调用量达10万亿Tokens，同比增长363%[3][10] * **AI算力成为关键基础设施**：硬件驱动业绩增长，AI算力是基础设施建设的重要组成部分，类比互联网发展初期[1][2] * **大模型促应用生态繁荣**：大模型与编程结合降低APP发布门槛，但不会完全取代垂直领域数据服务，而是促进应用生态繁荣[4] * **行业影响分化**：大模型对行业影响深远，部分公司（如Adobe）面临转型压力，部分公司（如AppLovin、Salesforce）已触底反弹[1][5] * **深入行业者将胜出**：真正深入行业并持续反哺数据的玩家，将与大模型结合，启用AI战略并扩大团队[1][5] * **2026年AI发展核心方向**：Chatbot向Agent演进、多模态物理模型以及Agent[1][6] * **顶级模型竞争格局未定**：海外有Gemini、GPT，国内有千问、Deepseek、Kimi、MinMax等，头部交易尚未定局[1][6] * **未来三到五年潜在爆发领域**：增强现实（AGR）、核聚变、量子计算[1][7] * **开源模型的限制**：Deepseek V3.2论文指出开源模型在长文本处理效率、算力支持、AI代理能力（通用识别和指令执行）方面落后于闭源模型[1][8][9] * **AI编程广泛应用**：AI编程在企业中广泛应用，优化人力资源配置，减少低技能重复岗位，国内大厂员工愿意为此付费[3][16] * **AI决策技术应用广泛**：已应用于军事、金融、制造业等领域，帮助企业升级工作流程，提高决策效率[18] * **办公软件市场现拐点**：金山办公等公司月活跃用户数自2024年第二季度起环比持续增长，360公司第三季度利润数据也显示重要拐点[19] * **最具潜力的垂直方向**：工业、军用、财税、电商[20][21] * **工业**：中控技术通过预训练工业大模型部署，实现成本节约4000多万元，效能提升67%，生产效率提高1-3个百分点[20] * **军用**：美国Palantir的海陆空天一体化作战指挥系统是典型，中国在推进类似项目[20] * **财税**：税务自动化与AI深度融合将显著提高政府与企业效率[20] * **电商**：聚水潭、光云科技等通过匹配算法帮助商家节省成本，实现高效运营[20] 其他重要内容 * **增长最快行业**：采用企业级AI增长最快的三个行业是IT技术、健康医疗、制造业，金融科技也显著扩展[3][12] * **教育领域增速较低**：与预期相比，教育领域服务增速较低，可能解释了多邻国等海外AI教育公司收入不及预期[12][13] * **AI广告市场迅猛**：通过AI引擎优化广告投放，提高精准度并降低成本，Meta、Google等公司利用用户行为数据实现个性化推送，汇量科技、蓝色光标等业绩超预期[3][14] * **AI编程企业收入**：2025年，GitHub Copilot收入达4亿美元，Koa收入超过5亿美元[17] * **国内AI投入积极**：阿里巴巴、字节跳动等大厂，以及Deepseek、Kimi等公司都积极投入AI研发应用，卓翼、普元等较小公司也持续收益并全力提升AI能力[17] * **企业级AI操作系统**：四川省是AI决策领域龙头，其推出的企业级AI操作系统及应用商店为金融、银行和制造业提供解决方案[18] * **投资策略建议**：看好企业级服务中的广告决策与办公两大类跨行业服务，以及工业、军用、财税、电商四个垂直方向，建议布局这些细分赛道中基本面良好的龙头公司[21]

行业与公司 * 行业：人工智能，特别是大模型驱动的智能体（Agent）领域 [1] * 涉及公司： * 大模型厂商：谷歌（Gemini）、Deepseek、月之暗面（Kimi）、智谱（AutoGLM）、OpenAI、Anthropic、科大讯飞、字节跳动 [1][3][5][6][8][15] * 产品与平台：豆包手机助手、MindSpore、Anti Gravity、Jenna、Cloud Code、ChatGPT、GMAT Cloud、Cursor [2][6][11][12][21][24] * 其他：James Park（获超2亿美元融资）、一家丹麦AI客服公司 [8][14] 核心观点与论据 1. 大模型与智能体技术进展与差距 * 近期发布的大模型（Gemini、Deepseek V3.2、Kimi K2）在智能体能力上各有侧重 [1] * Gemini在人机交互方面表现最佳，能快速生成UI并接受键盘输入 [1][4] * 国产大模型在基础要素上已具备能力，但与国际领先水平仍有差距，尤其在前端性能和空间推理方面 [5] * 国产大模型执行时间普遍较长，导致用户使用成本较高 [1][5] * 在复杂任务（如生成电影知识图表、3D动画模拟）中，各模型表现不一，存在失败或不足 [3][4][5] 2. 智能体产品化与落地的挑战 * 开发完整智能体产品极度依赖强大的软件工程能力，大模型仅提供10%至20%的能力，80%的工作依赖传统软件工程 [9] * 复杂稳定的智能体产品无法由单个人完成，声称零部署或一键上线的应用需警惕 [1][9] * 智能体与操作系统整合拥有最高权限，可实现跨应用操作，但面临应用开发商的反制（如阿里系封杀豆包手机助手的转账、抢红包功能） [1][7] * 从技术演示到稳定运行存在巨大鸿沟，实现完全可靠需指数级增加算力和成本 [11] * 当前大模型在真实客服任务中成功率仅约40%，失败率超60%，在语义理解、场景上下文和常识推理上仍显著不足 [10] 3. 市场发展、风险与投资视角 * 智能体概念于2024年兴起，2025年被称为智能体元年，各类厂商纷纷投入 [8] * 市场初期对其价值存疑，但随着James Park获得超过2亿美元融资等案例，其重要性被逐渐认可 [8] * 市场上存在鱼龙混杂和劣质产品，需仔细甄别 [1][2][8] * 最看好的落地场景是专注于垂直领域的小点，如有明确好坏判定标准的税务审核、合同审查等 [19] * 相对通用但无明确标准的应用（如AI for PPT优化视觉呈现）也有一定市场 [19] * 开放性较强、缺乏明确边界的问题（如设计最优路径）实现难度大，成功案例少 [19] 4. 企业级应用与平台局限性 * 企业级智能体平台难以满足所有部门需求，统一的大系统无法覆盖所有流程，各部门在流程、合规、领域知识上需求不同 [3][16] * Memory技术需谨慎评估，过高Memory会影响系统效率，且模型可能因错误数据偏离方向 [3][17] * 数字员工/AI陪伴难以完全替代人工，需要大量调教且成本可能超过雇佣人工，更应视为协作与增强工具 [18] * 需警惕弱化数据隐私保护的行为，大模型对数据理解粗暴且难以控制，不应轻易将敏感数据交给第三方 [19] 5. 编程与开发工具现状 * 目前没有一家智能体平台被专业程序员广泛使用 [20] * 专业编程领域，Cloud Code表现最佳，其次是Gemini，ChatGPT因价格昂贵和特定场景语义理解不足而靠后 [21] * Web Coding平台主要面向非专业用户，通过拖拽降低实现简单逻辑的门槛，但无法承载复杂任务 [3][20] * 当前90%的智能体仍依赖预定义工作流 [3][20] * Web Coding的成功源于流程标准化和可复制性，确保了稳定性和复用性 [22] * Cursor产品面临较大风险，自Cloud Code推出后流量大幅下降，若不能摆脱对底层大模型的依赖则前景堪忧 [24][25] * UI设计工具可能成为重要发展方向 [3][21] 其他重要内容 1. 安全、权限与可靠性评估 * 评估智能体需考虑出错后果的可承受性 [1][11] * 在开源社区中，用户曾因给予Anti Gravity过高权限导致其删除整个代码库 [13] * 一家丹麦公司的AI客服系统被授权在无人监督下代表公司转移资金，存在极大风险 [14] * 在涉及金钱或关键事实确认时，让智能体完全代替人工操作非常危险 [14] 2. 行业实践与规则探索 * 行业内对AI介入程度有基本规则：通常让AI处理前端70%-80%的杂活累活（如文档规整、非结构化数据转换），最终关键决策由人类完成 [26] * 在生命攸关或影响力大的领域（如制药厂管线审核），最终决定权必须由人类掌握 [26] * 在错误影响较小的领域（如教育辅助），则允许AI更多参与 [26] * 不同行业根据AI可能带来的风险反向推导其介入程度，目前尚无统一标准，各方仍在探索边界 [26] 3. 工具定位与价值衡量 * 工具本身无好坏，关键在于用户如何使用 [23] * 若用户缺乏编程经验却指望通过Web Coding直接生成成熟产品，是错误定位 [23] * 若目标是提升资深开发人员效率（如提升200%），则Web Coding可以胜任 [23] * 工具价值取决于公司如何看待工具与人的关系，以及如何衡量生成代码的准确性和执行成功率等指标 [23]