武超則：國產算力是今年最確定的投資方向

2月25日，中信建投證券研究所所長、TMT行業首席分析師武超則在中信建投證券2025年度“人工智能+”投資策略會上分享了對人工智能的看法。

投資作業本課代表整理了要點如下：

1、2025年依然明確看好兩個方向，國產算力“水到渠成”，AI應用“落地生根”。
國產算力是我們認為今年最確定的投資方向。

2、算力的貝塔依然存在，即算力需求并未結束，距離泡沫化還有距離。但從結構上看，推理需求的比例會更大。

3、今年其實更像真正意義上的2013年，硬件已經鋪墊很久，滲透率開始提升，有了靠譜的操作系統，今天的大模型出現。

但對于應用的探索，未來才是整個產業的大頭。就是整個行業最終能稱之為主流產業，真正落地成為生產力，應用的價值一定遠大于基礎設施投資。

4、智能體（Agent）是我們今年在應用端最看好的方向，第二個我們看好的方向是端側AI，第三個是最近比較熱門的機器人，或稱聚生智能，但進展可能沒有前面兩個方向那么快，不過空間較大。

5、智能本身就是一種應用。智能需要一個載體，而終端和硬件載體目前是繞不開的。終端是否會因智能能力的平權而帶來新的創新周期，這是非常值得期待的。

6、未來，每個人都會有一個與自身能力和領域相匹配的強大個人智能體，作為日常工作和生活的私人助理，這將是一種可見的模式。

建議金融等行業，當下不是考慮如何開發自己的模型，而是如何搭建自己的智能體。

7、AI第一波能賺錢的場景可能在哪些方向？我們簡單梳理了前20的應用......但從活躍度和訪問量來看，主要集中在以下幾個方向：AI助手、AI搜索和AI視頻。

8、回到模型本身，未來，開源與閉源一定會并存。

9、大廠要回到基本邏輯：更大的算力和更多的優質數據。

10、中國的運營商資本開支是否會因AI的變化而提前結束下行周期，這是接下來兩個月需要重點觀察的。

11、中國互聯網廠商的資本開支雖然比過去增長了近一倍，但與北美相比，仍差一個匯率。從長期來看，中國云廠商的資本開支仍有很大的增長空間。

人工智能與醫療行業、商貿零售行業，以及各個傳統制造業的深度結合正在顯現。今天，我們聚焦于2024年年底發布的針對2025年全年的TMT行業策略報告主題。

報告分為兩部分：一是“國產算力水到渠成”，二是“AI應用落地生根”。

盡管春節期間發生了許多新的變化，但我們對2025年的前瞻觀點并未改變，依然明確看好兩個方向。

其一，國產算力是2025年我們最看好的方向之一。大模型的平權化以及模型的本地化部署，使得算力板塊，尤其是國產算力，成為上游投資最為確定的方向，我們稍后會展開討論。

另一部分是“AI應用落地生根”。回顧2023年針對2024年的策略展望，我們曾用“AI應用百花齊放”來形容當時的應用趨勢，這更多是主題性或情緒性的投資。而今年，我們用“落地生根”來表達應用逐步走向實質性落地的觀點。

雖然收入和利潤的體現可能尚需時日，但在下載量、用戶日活月活以及真實使用場景中，我們已經開始看到真實的變化，并且有更多行業基本面數據可供跟蹤。

接下來，我想用大約半小時的時間，從大模型或人工智能行業發展的三個基本要素——算法、算力和應用——來分享我們的最新看法。

首先回到模型本身。無論是2022年年底ChatGPT的出圈，還是今年春節期間DeepSeek的出圈，我們看到模型在過去兩年一直處于快速迭代過程中。

第一階段，我們稱之為語言模型，或自然語言大模型（LLM）。以ChatGPT為代表的這一代模型，能夠讓人工智能像人一樣“能聽、能懂”，同時在文本生成上有出色表現。對應的應用場景主要包括客服和文本生成等。

第二階段以GPT-4（2023年上半年）和LLama2（2023年7月）為代表。這一階段的模型讓機器能夠像人一樣學會使用工具，例如智能體（Agent）。這一階段是2023年大模型的核心變革期，應用場景包括編程和AI終端等。

第三階段是所謂的“慢思考”或推理模型。經過前兩階段的預訓練，模型通過超大算力和超大數據訓練，使機器具備語言和工具使用能力。

而在第三階段，以OpenAI的o1模型和今年的DeepSeek模型為例，訓練重點從訓練側轉向推理側。這不僅大幅降低了訓練成本，還顯著提升了模型的邏輯和推理能力。

如果大家最近使用了DeepSeek模型，會明顯感受到，與前兩代模型相比，它更像是個人助理，提供邏輯性和深度思考能力。

到了第三代模型，其應用場景不再局限于客服和助理Agent等，而是向更嚴肅的場景延伸，如人形機器人、無人駕駛以及更多B端生產場景。

然而，盡管OpenAI的o1模型早在2024年就已出現，為何DeepSeek的出現仍引起行業高度關注？

本質區別在于開源與閉源。DeepSeek R1模型開源后，其能力增益可被復現，例如通過強化學習等方式。開源不僅降低了成本，更重要的是增強了可解釋性和可追溯性，使得更多嚴肅場景的應用成為可能。

春節后，騰訊、阿里等大廠迅速吸收并對齊DeepSeek的能力，這正是產業正在發生的變化。開源除了免費和低成本外，還推動了本地化部署。未來，模型的創新不會止步，可能還會在預測能力、情感能力等方面超越人類平均水平。

到那時，AI在科研創新、醫療創新以及工業制造等嚴肅場景中的應用將更加廣泛，這一天可能比我們想象中來得更快。

由此可見，模型在過去兩年的迭代只是一個開始。未來十年甚至二十年，模型可能會經歷更多版本更新，其能力提升和對應用場景的影響需要我們動態看待。

以大模型比作移動互聯網時代的操作系統為例，安卓和iOS在過去20年中經歷了近20代的迭代。同樣，大模型也將不斷進化。DeepSeek的出現對大模型廠商而言，一方面降低了中小企業進行垂類模型訓練的成本，另一方面則加劇了大廠在基礎模型預訓練上的競爭。

大廠需要更大的模型規模和數據量來提升模型效果，這種競爭將更加激烈。因此，模型平權與巨頭競爭并存，這是當前產業的有趣現象。

關于DeepSeek的能力來源，其2024年12月推出的V3版本在工程創新上實現了低成本訓練，例如采用稀疏MoE（專家模型架構）、8位浮點數精度以及多token預測等技術，對標GPT-o1模型的能力。

而R1模型則在此基礎上進一步強化學習，優化了邏輯性和語言混合問題，使其更接近人類的說話邏輯和分析框架。這體現了基礎預訓練與工程創新的結合，如同練內功與練技法的相互促進。

其實前面我們談到過，基礎預訓練就像練內功，工程創新則像練技法。兩者往往是交叉進行的。內功練成了，還需要練技法，而技法的能力增益一旦被廣泛掌握，又需要回歸內功的修煉。基礎預訓練的重要性始終存在。

DeepSeek出現后，曾引發對算力需求的擔憂，擔心模型訓練成本的迅速下降會導致算力需求減少。但我們當時的判斷是Scaling Law（規模化法則）依然有效，算力需求依然會回歸到基礎預訓練。

無論是用于訓練還是推理，算力的確定性依然很高。只是今年算力需求的結構從去年以訓練為主，逐步向推理需求增加轉變。但算力的整體確定性并未下降，這是我們關注的基本框架。

我們稍微展開一下為什么Scaling Law依然有效。目前的訓練基本分為三部分：預訓練（pre-training）、后訓練（post-training）以及推理階段（test time）的算力重新投入。

這三部分分別解決內功、技法和融合的問題，形成螺旋式的需求迭代，這也是Scaling Law依然有效的原因。更強大的基礎模型對推理模式的創新至關重要，這是我們對算力的基本判斷。

第二個問題，R1模型出現后，“AI平權”成為大家討論的熱點。什么是平權？就是人人都能用上不錯的模型。

過去，海外領先的模型我們用不上，國內模型也存在成本高、幻覺等問題。而今年，大家可以用到的基礎模型能力至少從R1這一代開始，已經達到了一個基準。例如騰訊的元寶、千問等產品，基本可以實現類似的效果。

我們對大模型的看法可以分為兩方面。一方面，全球大廠會快速接入類似阿里云的服務。對OpenAI本身的戰略也會產生影響。例如春節期間OpenAI推出的o3-mini，雖然比DeepSeek稍貴，但已大幅降低成本。

未來，類似的模型產品會不斷涌現。另一方面，開源與閉源的討論也會持續。移動互聯網時代，蘋果的iOS是閉源的成功案例，而谷歌的安卓則是開源的成功代表。今天回到模型本身，未來，開源與閉源一定會并存。

當然，能力創新的源泉和迭代才是核心。全球大廠會更大力度增加資本開支，以求在基礎模型或預訓練上實現更強大的能力迭代。

但預訓練最大的問題是什么？基礎模型固然重要，但如何拉開差距？主要有以下幾個因素：一是更大參數規模的模型訓練，其算法會更加復雜；二是算力規模，例如英偉達的十萬卡，最新甚至達到20萬卡。規模越大，越能支持更大參數的模型，這又回到單卡能力的問題。

目前國產卡與英偉達的單卡能力差距并不大，但如果要解決10萬卡甚至20萬卡的問題，GPU本身依然是一個重要制約。

此外，高質量的數據也是關鍵。有說法稱到2026年，人類歷史上所有互聯網數據都會被AI學習完畢。至少DeepSeek進行了所謂的“蒸餾”，對自身數據進行了對齊。

那么，下一步能力增益從哪里來？數據，尤其是高質量的數據，依然是大廠競爭的關鍵。再延伸一下，高質量數據從哪里來？是否需要更多的用戶、更好的場景以及應用入口？

這也是為什么最近做模型的人開始更多地思考應用問題。源源不斷的用戶和應用場景帶來的高質量新增數據，是下一代模型增益來源的根本。從這個角度看，大廠要回到基本邏輯：更大的算力和更多的優質數據。在下一代模型上，如果有沒有人能超越DeepSeek，可能需要從這個框架下進行分析。

另一方面，開源模型引發了全球復現熱潮。各種垂類模型或小模型結合強化學習，也能實現不錯的效果。對中小企業、金融機構以及央國企等來說，如果在垂類場景上有絕對的數據或用戶優勢，結合開源模型進行本地化部署，迅速結合自身數據進行應用場景測試或訓練，將成為一種趨勢。

在這種環境下，一些垂類應用有望脫穎而出，只是需要一些時間。DeepSeek的出現以及低成本、高性能的趨勢，對整個AI產業鏈來說，用“激活”來形容最為恰當。它加速了產業循環、創新迭代以及應用進展的速度。

所以，用“激活”來形容DeepSeek對產業的影響是比較恰當的。它一定會讓整個產業運轉得更快。

接下來我們稍微展開一下，投資方面大致可以分為四部分：一是對算力本身的影響，二是對應用的影響，三是對端側的影響，四是對數據的影響。基本框架可以分為這四塊來看。

先說算力。我們會發現，大家實實在在地開始增加資本開支，體現在基本面上，主要還是在算力板塊。當然，算力不僅僅是GPU，還包括整個產業鏈，比如最近關注度較高的服務器、數據中心以及數據中心內的相關配套等。

第二大塊是應用。應用方面，北美和中國略有不同，后面我們會稍微展開。

第三塊是端側。硬件的確定性一方面在上游，即服務器端的算力是戰略基礎設施。另一方面，在應用側，雖然很多軟件層面的東西現在還難以把握，比如廣告、視頻等領域，但終端硬件，如手機、汽車、智能家居等，依然是難以繞開的數據入口。它不一定有最先進的模型，但一定有最新鮮的數據和最及時的應用場景。因此，端側仍然是今年確定性較高的方向。

還有一個容易被忽略的是數據。我們前面提到，未來基礎模型的創新能力增益主要來自數據本身，尤其是B端數據，具有專有性和獨特性。這也是一個重要的投資方向。

再看海外的o3 模型，從o1模型開始，其發展路徑與DeepSeek頗為相似，都是在推理側或邏輯層有了更好的表現。但整體來看，這只是一個中間狀態，未來海外下一代模型在能力上一定會有增益。

需要討論的是，它們是否會走上開源或閉源的道路，這可能是比較重要的影響因素。顯然，目前還不是終局。

另外，智能體（Agent）也是我們去年提到較多的概念，2025年我們依然看好這個方向。

智能體與單一強大模型的核心區別是什么？如果把通用人工智能或強大基礎模型比作一個人，那么智能體就是一個組織，比如一個單位、小組或團隊。

我們看到最近在很多企業的本地化部署里面，它不是只選擇一個模型，我可以選擇五個模型，哪個模型好我就要哪個，除了不同模型之外，更重要的是數據，包括結構化數據、非結構化數據以及企業內部的業務流程。這兩者結合起來，才能更好地解決業務需求。

我們建議金融等行業，當下不是考慮如何開發自己的模型，而是如何搭建自己的智能體。

在這個過程中，數據優勢和應用閉環的效果會更好。最近我們也看到一些第三方軟件，每個人都可以基于個人知識庫或數據庫搭建自己的智能體，最終成為個人助理。

未來，每個人都會有一個與自身能力和領域相匹配的強大個人智能體，作為日常工作和生活的私人助理，這將是一種可見的模式。

這張表很重要，顯示了全球大模型的訪問量情況。


毫無疑問，GPT依然排在第一，DeepSeek已經進入前三。黃色部分是國產模型，整體來看中美各占一半。這也從側面印證了為什么港股科技股和外資對中國科技資產非常關注。從結果上看，我們與海外模型在訪問量和能力效果上的差距正在縮小。

另一個值得關注的是模型價格下降帶來的易用性大幅提升。模型平權或價格下降激活了整個產業的乘數效應，越來越多的人開始部署應用。


我常舉一個例子，3G網絡在2009年就已商用，但手機游戲作為移動互聯網第一個賺錢的應用，直到2013年才出現，中間花了四五年時間。原因不是網絡不行，也不是手機不行，而是流量太貴。那個時代不可能用昂貴的流量玩游戲或看視頻。所以，成本下降是應用能夠起來的核心關鍵點，與模型自身能力同等重要。

簡單總結下，全球模型的變化主要體現在以下幾個方面：

一是從2025年開始，真正從研發走向生產環境，即從研發環境走向生產環境。簡單來說，每個人都能真正用上，工作場景也能接入，創新變得更加活躍。

二是大模型的技術路線和能力正在快速迭代，開源與閉源交叉領先。

三是國產模型的差距在縮小，易用性大幅提升，整個模型平權的趨勢非常明顯。

基于這些判斷，我再分享一下我們在投資方面看好的一些具體方向。

其實也是一開始講的題目，可以分為兩部分：一是算力，二是應用。

整體來看，算力的貝塔依然存在，即算力需求并未結束，距離泡沫化還有距離。但從結構上看，推理需求的比例會更大。

前兩年我們主要看到的是訓練需求，現在整體趨勢是從訓練轉向推理，推理開始成為重點。當然，大家也會關注訓練與推理的本質區別，后面我會稍微展開講一下。

首先回到算力的本質。算力到底是什么？打開機房，GPU無疑是整個行業的核心。我們需要把GPU做到服務器，現在本地化部署的成本已經大幅下降。

例如DeepSeek的70B模型，一臺服務器就足夠，成本在一二百萬左右。而去年本地化部署的成本至少是千萬量級，今年已經降至百萬量級，這是一個質變的區別。

很多人從“不可能部署”變成了“可能部署”。但服務器還不夠，還需要整個機房環境，包括銅連接、液冷、電源等，然后放入數據中心（IDC）。當然，機房內還需要光模塊、PCB等配套設備，最終組成算力的基礎環境。

所以，除了GPU本身(最直接或最重要的環節），本地化部署和應用的興起，后續對云計算的需求，對整個部署的需求，也會帶動整個行業的發展，這是我們最近看到的趨勢。

再看資本開支，這也是大家非常關注的。看下海外云廠商（CSP）的資本開支情況。可以發現2023年Q1是一個非常明確的拐點。

OpenAI在2022年年底推出ChatGPT后，從2023年開始，云廠商每季度的資本開支都在上升。預計2025年，北美云廠商的資本開支將在3000億到4000億美元左右。

再看國內，阿里的資本開支增長迅猛，無論是過去十年的總和還是每年的平均值，都至少翻了一倍。

更重要的是，除了阿里之外，騰訊、字節跳動、百度、美團等互聯網廠商的資本開支也在增加。

從拐點來看，2023年Q1整體數據表明，中國互聯網廠商的資本開支預計在3000億到4000億元人民幣左右。雖然國內比過去增長了近一倍，但與北美相比，仍差一個匯率。

在移動互聯網時代，我曾在2015年對云計算數據進行復盤。當時中國云廠商的資本開支約為北美的70%。而現在，我們僅約為北美的七分之一。

從長期來看，中國云廠商的資本開支仍有很大的增長空間。

再看運營商，中國的運營商資本開支一直是大頭。過去，三大運營商每年的資本開支約為4000億元。但今年有一個非常有意思的現象：中國云廠商和運營商的資本開支可能會達到一個平衡，都在3000億元左右。

美國在2018年就出現了這一現象，互聯網公司的資本開支超過了傳統運營商。之后，兩者就形成了交叉。

中國的運營商資本開支是否會因AI的變化而提前結束下行周期，這是接下來兩個月需要重點觀察的。

因為運營商資本開支本身處于下行周期，如果提前結束，那么云廠商和運營商的資本開支將成為算力上游資本開支的重要源泉。這也是后續投資機會確定性的來源。

回到國產算力，算力本身是一個貝塔，而國產算力則是阿爾法，即有邊際增量。

我們團隊曾做過一個表格，分析國產GPU的幾個關鍵點：首先是出貨量，即產能；其次是生態，類似于英偉達的CUDA或當年的X86，能否在生態中運轉；最后是產品力。目前國產GPU的單卡能力對標英偉達產品并不遜色，但接下來的關鍵難點在于流片（出貨量）和生態建設。這是大家在選擇投資標的時需要重點關注的。

我們前面提到，隨著訓練需求逐步轉向推理需求，推理卡對單卡計算能力的要求不再是唯一關鍵指標。存儲能力、通信能力以及能力可能更為重要。

相比訓練時代，推理時代對國產卡、創業公司以及專用推理卡廠商來說，可能會有更多機會，包括ASIC等。

這是我們看到的，做訓練跟推理本身的供給側，是大家需要去關注的變化。
因此，國產卡在推理時代的友好度和適配效率可能會更高，這是我們的判斷。

再看端側。如果把云側或服務器側比作大型超市，那么端側就是門口的小賣部。

端側算力非常重要，全球主流的PC廠商、手機廠商甚至機器人廠商都在迅速提升端側算力。汽車也是如此。我們相信，今年手機仍是一個值得看好的方向。

最近有很多討論，是否很快會出現一個非常強大的AI應用，它會是一個什么樣的APP或軟件？

我們團隊也討論過，比較確定的是，智能本身就是一種應用，就像互聯網剛興起時，互聯網本身就是一個應用。

智能需要一個載體，而終端和硬件載體目前是繞不開的。例如蘋果，雖然它沒有開發強大的大模型，但可以選擇與OpenAI合作（海外）或與阿里合作（國內）。終端是否會因智能能力的平權而帶來新的創新周期，這是非常值得期待的，這是我們對端測的一個判斷。

簡單總結一下，算力的變化主要有以下幾點：

一是整體需求依然旺盛，推理需求的比例會逐步增加，但這并不意味著訓練不重要，這兩者需要分開看待；

二是存算一體、軟硬件算法深度融合是一個重要的技術趨勢，DeepSeek也做了類似的創新；

三是端側算力依然值得期待；

四是國產化加速。國產算力是我們認為今年最確定的投資方向。

最后，我再用兩分鐘快速講一下應用。

從海外來看，GPT發布后的2到3個季度，AI應用開始多點開花，包括辦公、視頻、廣告、電商等領域都有不錯的表現。當時北美的一些B端應用，如AppLovin、Shopify、Palantir等公司，這些to B的SaaS公司業績超預期。

對我們來說，既要對標海外，也不能刻舟求劍，因為中國的SaaS商業模式與海外有所不同。這至少給我們一個思路：AI第一波能賺錢的場景可能在哪些方向？我們簡單梳理了前20的應用。

整體來看，榜單波動很快，與2013年游戲榜單類似，每周都在變化。但從活躍度和訪問量來看，主要集中在以下幾個方向：AI助手、AI搜索和AI視頻。在C端表現較好。

整體而言，B端商業化進展更快，業績落地更明顯；C端則體現在流量增長和用戶數上，業績體現相對較慢。

接下來我選了幾個在中國本土或未來一段時間相對看好的應用方向。

首先是智能體（AI Agent），這比較符合中國特色。無論是企業還是個人，最有價值的是將能力沉淀下來。

在模型趨同的情況下，如何讓應用差異化？構建自身的AI智能體非常重要。模型會不斷迭代，未來可能是多模型的，但獨特數據、知識庫和知識圖譜才是企業的核心價值。因此，智能體是我們今年在應用端最看好的方向。

但問題來了，誰來做智能體？我們需要進一步跟進。

目前看到手機硬件廠商如華為、小米、蘋果等想做智能體。一些在基礎模型競爭中難以立足的大模型廠商，也會轉向垂類智能體。一些互聯網公司也在往這個方向發展。例如騰訊的元寶，目前集成的是DeepSeek，未來可能會引入其他模型。

在智能體的競爭中，誰能脫穎而出，還需要進一步判斷。

第二個我們看好的方向是端側AI，我們列出了眼鏡等新興設備，但整體來看，端側最大的場景仍然是手機，其次是汽車、PC，以及眼鏡、玩具等。硬件載體對場景和數據的粘性較強。在投資方面，如果整機公司不好選，可以關注上游的存儲、零配件或元器件等領域。

第三個是最近比較熱門的機器人，或稱聚生智能。隨著模型邏輯能力的提升，機器人和自動駕駛市場空間最大，也最值得期待。但進展可能沒有前面幾個方向那么快，不過空間較大。

最后一頁，簡單總結一下。這些標的并不代表推薦，只是我們列出的一些方向，也并不全。

大模型依然是產業創新驅動的核心，從投資角度看，我們最看好四個方向：

首先最核心的是算力，包括GPU、服務器、光通信等領域；

當然算力本身，剛剛我們談到國產算力，可能除了GPU之外，但我覺得其實往上稍微去延伸一點，比如說在一些先進制程的代工，甚至是半導體的設備，以及相關的數據中心PCB和存儲。

越往上游它越集中，可能彈性沒有那么大，但是它確定性極高，然后你去選標的也很好選。因為整個上游都比較重資產，都經過過去幾年的大浪淘沙。

它不會像下游公司那樣變得越來越多，而是變得越來越少。這是我們看到的在上游這塊主要的一些標的。

二是AI硬件設備，如手機、PC、音箱等；

三是數據層相關服務；

四是應用端，列的公司比較多，列的多的原因是不知道選啥，反正整體來看可能會變化比較快，各個模塊里應該都會有些比較有意思的新公司去出來。

簡單的總結就是在應用這一側，從海外來看，B端應用已經開始在報表層面有非常好的落地。C端還是應用流量的持續增加。具體方向包括AI Agent、AI終端、聚生智能和無人駕駛。

最后再說一句，整體來看，過去兩年我們一直在討論人工智能的漲幅，現在進入是否處于泡沫化階段。

我用一張圖復盤了移動互聯網時代，去年也是類似的觀點。今年其實更像真正意義上的2013年，硬件已經鋪墊很久，滲透率開始提升，有了靠譜的操作系統，今天的大模型出現。

但對于應用的探索，未來才是整個產業的大頭。就是整個行業最終能稱之為主流產業，真正落地成為生產力，應用的價值一定遠大于基礎設施投資。

在移動互聯網時代，基礎設施投資與應用產值的比例大概是1:7。但現在看AI，你投一塊錢，上面的產值大概是七毛錢，10分之1都不到。

所以，這件事情可能才剛剛開始。重要的是，在新技術變革的活躍期，我們要不斷迭代研究框架，驗證投資標的。至少，這件事情是以五年、十年為維度來看待的。(投資作業本Pro)