AI产业链如何划分？有哪些关注要点？

AI 模型分类方式繁多，多数要素可“排列组合”。

1.AI 产业链如何划分？

AI 产业链自上而下可分为基础层、技术层、应用层。上游基础层来看，基于中科院院士郭光灿提出的人工智能三要素（算力、算据、算法），我们进一步将产业链细分 为算力基础、算据（数据）资源、算法框架。算力中的环节主要包括由 AI 芯片为核 心的服务器和数据中心，算据主要包括数据的采集、处理、分析，算法主要包括形成 大模型的底层训练代码和相关辅助软件。中游技术层来看，主要为各类 AI 模型和相 关技术，我们从模型功能区分为大语言模型（LLM）、视觉大模型（CV）和多模态大模 型。值得注意的是，模型区分的方式繁多，且存在交集，此处的区分方式更有助于产 业链环节的展示。下游应用层来看，我们将其区分为两大类，分别为行业应用（软件） 和端侧 AI 产品（硬件）。行业应用主要包括电商、医疗、金融等行业，端侧 AI 主要 包括 AI 眼镜、机器人、AI 玩具等。

AI 产业链具有“纵深长”、“赋能广”的特点。一方面，往上游看 AI 产业链有“纵深 长”的特点。AI 上游环节中包含以 AI 芯片为核心的 AI 服务器，算力需求的提升可 能带动集成电路产业链中的多数环节，半导体设备、设计、制造、封测均可视作 AI 产业链的延伸。同时，上游的云计算、大数据作为 AI 产业链中重要的一环，其自身 也有完整的产业链，因此 AI 模型的发展与普及带动多条上游环节及相关产业链发展。 另一方面，往下游看 AI 产业链具有“赋能广”的潜力。对于多数行业，行业数据和 需求分别构成必要和充分条件，AI 模型降本增效的特征有望广泛赋能行业。同时， AI 与不同的产品结合有望改变产品本质功能，从而创造新的需求。例如在与 AI 结合 后眼镜的功能由改善视力变为拍摄、识别、翻译等，或为眼镜创造增量需求。

为了便于理解产业链内各环节所扮演的角色，我们绘制下图，呈现了一枚芯片如何 逐步赋能至各行业。（1）AI 芯片结合内存、存储、光模块等其他电子元件或零部件， 组装形成服务器；（2）多个服务器组合后，由通信等领域运营商建设并运维，形成数 据中心；（3）数据中心提供硬件算力、云计算厂商提供云端算力、大数据厂商提供数 据，三者结合对海量数据进行处理；（4）基于大模型底层代码（机器学习算法），不 断投喂数据并训练形成初步大模型；（5）通过标注或其他方式微调，优化后形成大模 型产品，并可通过已有产品再次开发、结合行业数据，形成其他类型 AI 模型；（6） 下游行业以直接接入或联合开发的形式搭载 AI 模型，至此 AI 完成对行业的赋能。 AI 产业链条内相互作用影响，下游既可直接拉动上游需求，也可“反哺”中游模型。 通常行业区分上、中、下游的意义在于理清传导路线，区分供给方与需求方。AI 产 业链的特殊之处在于下游既可直接带动上游需求，也可成为中游的“供给方”。一方 面，万物互联的需求（AI 手机）以及强调及时性（AI 眼镜、智能驾驶）的领域，推 动边缘算力（端侧 AI）的发展，下游产品的畅销有望跳过多数环节直接推动上游 AI芯片的需求。另一方面。垂类模型由行业专有数据训练而来，下游行业成为 AI 模型 的数据供给方，随着行业应用渗透率的提升，采集的数据质量和规模伴随提升，反馈 至中游可使模型性能持续提升。

2.上中下游有何关注要点？

2.1 上游：短期“算力竞赛”降温，中长期算力需求仍有支撑

上游理解重心聚焦于 AI 芯片，由灵活性和能效两个维度决定芯片使用类型。上游环 节中，AI 服务器多数组成元件是“常量”，例如服务器需求提升直接带动光模块、内 存、PCB 等需求。而 AI 芯片则是“变量”，服务器可选用不同类型芯片。对于主流芯 片的区分可从灵活性和能效两个维度出发，通常灵活性越高能效越低。灵活性排序上 CPU＞GPU＞FPGA＞ASIC；能效排序上 CPU＜GPU＜FPGA＜ASIC，企业可根据需求选择。 DeepSeek 降本或降低短期“算力竞赛”烈度，但不改长期需求增长。短期来看， DeepSeek 低成本开发或对算力依赖路径形成挑战，进行大规模购买高端显卡的投入 必要性降低。短期可能出现的现象是现金流充裕、已有较大算力开支的企业（大厂） 继续维持资本开支，同时也重视算法层面的优化和创新，形成“两手都要抓”的态势。 但会大幅减少以“堆算力”为出发点的潜在中游企业。长期来看，类似“杰文斯悖论” 的场景可能在 AI 领域发生，即算法升级后 AI 大模型开发成本降低、性能不弱，更多 下游企业可能参与垂类模型开发中。同时，大模型使用价格大幅下降可能使更多企业搭载模型。二者均可能推动上游算力端需求总量的提升。此外，英伟达公布的数据显 示，AI 大模型（当前 Transformers 架构）训练所需要的算力很高，每两年算力需求 量的增长达 275 倍，即使算法创新对算力需求有一定削弱，但仍处发展初步阶段的 AI 大模型领域，对于未来算力的需求仍方兴未艾。

2.2 中游：中美垄断顶尖大模型，小模型赛道方兴未艾

AI 模型分类方式繁多，多数要素可“排列组合”。前文提到为便于产业链理解，我们 从功能区分为大语言模型（LLM）、视觉大模型（CV）和多模态大模型。其中多模态大 模型是指信息可以多种方式输入或输出，例如输入语音输出图片。除此以外，主流的 分类还包括：（1）从泛用性区分为通用模型和垂类模型；（2）从参数规模区分为大模 型和小模型，但参数量并未有统一明确的定义，我们以 LLM-Stats 网站作为参考，小 模型定义为 80 亿参数及以下；（3）从算法差异来看，当前主流路径分为推理模型（基 于推理）和非推理模型（基于训练）；（4）从开源、闭源角度以及文本长度等方面也 可将 AI 模型进一步区分。上述模型分类方式均存在交集，各类要素可“排列组合”， 因此理论上可能存在类似“开源的垂类多模态小模型”的组合，对于 AI 模型定义更 重要的可能是分清具体模型包含哪些要素，而非以单一维度归类。

全球顶尖 AI 模型被中美垄断，小模型整体能力仍有提升空间。结合 LLM-Stats 数据， 我们从五个领域挑选排名前五的大模型：多模态模型中，马斯克旗下 xAI 新发布模 型 Grok-3 超越 OpenAI-o1-pro 登顶；开源模型中，DeepSeek 与阿里垄断前三；长文 本模型中，前五名均为谷歌的 Gemini 系列；小模型领域，Gemini 登顶榜首，阿里千 问位列第二；非中美国家的模型中，主要以法国、以色列、加拿大模型为主。展望未 来，小模型普遍性能仍有较大上升空间，未来竞争或更为激烈。一方面，随着端侧 AI 的发展，对算力需求低、部署难度低的小模型更适配端侧产品。另一方面，小模型可 通过大模型蒸馏而来，如果基于已有的开源大模型蒸馏，则对于算法的要求提高，对 于算力的需求下降，更有利于算力受限的企业发展。

2.3 下游：短期重视金融领域，中长期重视医疗领域

三种视角观察 AI 下游，短期重视金融领域，中长期重视医疗领域。技术成熟时间视 角，短期金融、教育、文娱传媒、办公和营销等领域能够实现快速场景落地，推动智 能化转型。中期政务、制造和智慧城市等领域的市场潜力有望不断释放，未来场景想 象空间较大。长期大模型或将为医疗、汽车和科研等领域带来颠覆性变革，促进高质 量发展。变现能力视角，金融、文娱传媒、医疗等领域大模型市场潜力和场景商业落 地价值较高。文旅、农业、自然资源等领域 AI 赋能效果则相对一般。布局热度视角， 金融、医疗、教育、传媒、政务等领域当前已有或布局的垂类模型及企业相对较多， 热度相对较高。智能家居、文旅、农业等领域已布局企业相对较少。综合来看，短期 金融领域技术发展所需时间较短、市场变现能力较大，同时行业积极参与 AI，可重 点关注。中长期来看，医疗行业市场变现能力强，参与公司多，可持续跟踪。

金融领域短期重视智慧销售、问答、办公等场景，医疗领域短期重视电子病历、医学 培训等场景。金融领域来看，数字化程度相对较高，人工智能的行业渗透率高，其高 质量的数据资源为大模型的训练创造了良好环境。短期销售、风控和运营为大模型在 金融领域赋能的重点环节，通过引入前中台通用应用、后台应用、个性应用和监管应 用实现流程管理优化、运营成本降低和风控能力提升的目标。长期产品研发和 Agent 生产力工具是具有发展势能的潜力场景。医疗领域来看，大模型可赋能医疗行业“医、 教、研、管”等场景中的各个环节，以提高诊疗效率、诊疗精确度和管理效率等目标 为手段，全方位提升诊疗水平。当前大模型的技术成熟度相对较低，仅有电子病历等 技术要求相对低的场景进入商业化阶段。未来随着智能药物研发、数字疗法和辅助诊 疗等技术的成熟将带来价值提升，有效赋能医疗行业的智能化转型，提升医疗可及性。

AI 模型有望为数据密集型领域提供数字化转型的推力，并推动传统行业劳动力向高 价值任务转移。除金融与医疗行业以外，我们列举了主要下游行业潜在的应用领域， 并分为数据密集型、劳动密集型两类。数据密集型领域来看，例如金融、医疗、教育 等，AI 模型能够高效处理和分析海量数据，基于对历史数据的学习和理解，为企业 决策提供智能支持。同时也可以分析市场数据、客户反馈数据等，挖掘客户潜在需求 和未被满足的需求，为企业开发新产品和服务提供方向。围绕数据分析 AI 模型可加 速企业数字化转型。劳动密集型行业来看，例如制造、物流、办公等，通常会依赖大 量的人工执行重复性的基础工作。AI 模型依靠算法和自动化技术，或可以部分替代 低附加值任务。同时 AI 模型也可以为企业重新设计和优化工作流程，提高工作效率。