2024年海外AI应用2025年前瞻：海外AI应用全线梳理，美股SaaS大周期拉开帷幕，各细分领域如何布局？

1、LLM：AI应用的风向标，突破Scaling Law，迈向Agent

近一年LLM性能迭代加速，推理成本快速降低

1）Gemini 1.5 Pro：谷歌于24M2发布的多模态模型，企业版可使用一百万tokens的上下文，远超Claude 2.1的20万tokens。Gemini 1.5 Pro基于MoE架构，大幅提高模型 效率，可以一次性处理大量信息，包括一小时视频、11小时音频、超过30000行代码等。 2）GPT-4o：于24M5发布的语音对话多模态模型，语音对话延迟显著降低，与人类对话的反应速度基本一致。可以输出笑声、歌声或表达情感，具备情感处理能力，有望 融入AR/VR、教育、情感陪伴等场景。 3）Claude 3.5 Sonnet：于24M6发布，综合性能超越GPT-4o的同时价格更便宜，推理端降本速度超预期。同时推出了实时交互功能Artifacts，使用户能够实时查看、编辑 和构建Claude生成的内容，支持文档、代码、网页内容、可缩放矢量图形、图表和流程图、交互式React组建。 4）OpenAI o1：于24M9发布，在编程、理科竞赛等推理密集型任务中，o1的性能明显优于GPT-4o，但在部分自然语言任务上无明显提升，缺点是推理成本较高、延迟较 高。基于强化学习推理和思维链技术，o1可以通过反思和修正得出最优解决方案，展现出一定的全局思维能力和自主规划能力，复杂推理补足长尾需求，开拓学术教育等 垂类场景，AI+低代码/网络安全领域有望最早受益。

新的Scaling Law正在涌现，Agent是否是通往AGI的正确道路？

当前LLM在文本处理和生成上表现优异，但AI应用产品形态同质化，难以发掘用户潜在需求、形成足够的用户粘性。而用户付费意愿不足，AI应用的成本收益临界点尚未到来。 AI应用进入瓶颈，北美科技巨头26年资本支出持续性以及上游算力产业链的业绩成长性受到质疑。

AI Agent应当拥有自主理解、规划和执行复杂任务的能力，可以将简单的指令自主拆分成多个步骤并精细化执行，将上一环节的输入作为下一环节的输出。早在23M4便有 AutoGPT、BabyAGI等Agent项目作为早期探索，但性能尚不成熟，且AI全自动代理存在潜在的可靠性风险。而近期的AI领域前沿论文，以及OpenAI o1集成前沿理论推出的 实际模型，展现了当前模型性能迭代和技术演进路径正走在通往Agent的正确道路上。 强化学习推理产生了新的Scaling Law，能有效应对训练侧计算资源投入边际递减的现状。强化学习范式中的self-play通过自主博弈生成大量高质量数据，有利于突破当前外 部训练数据逐渐用尽的现状；蒙特卡洛树搜索（MCTS）具备自主探索和连续决策的能力，更适应AI Agent的全局规划需求。 新的Scaling Law下推理算力需求大幅上升，但不代表训练算力需求会停止增长。1）强化学习推理对推理芯片的性能需求也会提高；2）预训练阶段同样需要消耗大量的算力； 3）强化学习推理并不意味着模型参数停止扩张，因为主模型参数提升可能会产生更好的推理路径。

2、云服务MaaS：LLM与应用的桥梁，彰显算力需求强劲

北美科技巨头资本支出持续提升，训练和推理算力供不应求

经历了2022年的宏观环境逆风和净利润承压后，北美科技公司在2023年普遍开启降本增效，谷歌、Meta、亚马逊的季度资本支出出现下滑。23Q3微软率先进入新一轮AI 投资周期，与OpenAI深入合作以抢占市场先机，支持Azure OpenAI、Copilot系列产品的模型训练和推理需求；谷歌于23Q4开始大幅度增加资本开支，以支持自研模型 Gemini及相关MaaS服务、AI产品的需求。而2023年利润压力较大的亚马逊、Meta的资本支出分别于24Q1、24Q2重回同比正增长。从24Q3资本支出来看，亚马逊的季度 资本支出以213亿美元领先（亚马逊资本支出部分用于物流和线下店建设），微软、谷歌分别为200、130亿美元，主营业务没有云服务的Meta季度资本支出为92亿美元。 根据Omdia，23年微软、Meta共计购买15万张H100 GPU，谷歌、亚马逊共计购买5万张H100 GPU。由于谷歌、亚马逊拥有自研AI芯片的储备，对第三方芯片供应商的依 赖较弱，但随着LLM性能迭代和用户对AI服务的要求提升，当前阶段训练和推理均需要高性能GPU和大规模集群算力的支撑，帮助科技巨头培养早期口碑、抢占市场先机。

MaaS：服务于B端AI应用落地，飞轮效应的启动器

自研大模型成本高，开源模型需解决模型微调、蒸馏、压缩等技术细节，MaaS将模型封装为云服务，直接为企业提供调用API接口和配套服务，节省时间和资源成本，是 企业落地AI应用的关键环节。MaaS的具体形式包括大模型训练平台、内置AI工具、托管服务等： 1）大模型训练平台，提供自研模型和开源模型的API接口。自研模型包括谷歌PaLM和PaLM2，亚马逊FM和Titan等（整合在Amazon Bedrock中），第三方模型包括微软 与OpenAI合作提供GPT4、和Meta合作提供开源模型LlaMA2等。 2）内置 AI 工具提升用户工作效率。例如微软Github Copilot、Azure Copilot，谷歌Vertex AI、AI App Builder、Gemini Code Assist，亚马逊Bedrock、Amazon Q。

3、美股软件应用全景图：股价底部反弹是否由AI应用驱动？

美股软件公司股价、估值上涨原因及主要上涨逻辑

美股软件公司股价表现主要受三方面因素影响：1）营收预期：SaaS公司的传统业务，主要与宏观经济预期、企业IT预算变化相关。当估值位于高位时，业绩指引低于预期较为危险；当估值较低时，指引低于预期影响不大。 2）“40法则”：即营收YoY+营业利润率，衡量SaaS公司基本面强劲程度和经营持续性的指标，对于SaaS公司来说，营业利润率超预期提升对于股价和估值提振较为明显。 3）远期PS估值：受AI新产品发布、AI商业化超预期、AI投资情绪波动等因素影响，且同类型公司有联动。

美股AI应用公司继24Q1财报季指引不及预期引发回调后，在24Q4再次迎来行情，主要原因有：1）特朗普胜选后市场对美国经济预期更加乐观，叠加降息周期，资金更多 地流向中小盘股。特朗普胜选后，标普北美技术软件指数、罗素2000指数股价涨幅高于标普500指数。 2）美股应用公司24Q3业绩基本面转暖，后续指引超预期程度提升； 3）OpenAI o1等底层AI大模型技术迭代和AI产品的加速推出。 截至2024年12月10日，标普北美技术软件指数远期12个月PS估值为10.4x，高于三年均值7.4x，高于五年均值8.0x。此次软件估值明显超越历史均值可类比2019年10月-12 月降息期间，主要受乐观的经济预期影响。若要类比20-21年的软件估值抬升，需等待AI商业化进一步落地，使AI实质性成为软件公司业绩加速增长的驱动力。

4、AI+广告/平台运营：强化流量护城河，广告匹配效率提升

AppLovin：基本面优质的移动营销平台，AI是否为核心竞争力？

AppLovin广告平台触达全球14亿用户，广告解决方案主要包括： 1）AppDiscovery：由Axon算法提供支持的营销解决方案，提高广告匹配效率； 2）MAX：应用内竞标软件，实时优化竞拍价格，带来更高的广告ROI； 3）Adjust：数据分析营销平台，通过数据优化广告投放策略，帮助广告主决策。 股价驱动力主要是业绩和指引超预期、营业利润率的上升。24Q3发布业绩后股 价大涨50%，主要系营业利润率大幅提升，公司发布强劲的收入指引。业绩超预 期的背后，证明广告算法Axon2.0的迭代效果可能被低估。

公司股价持续上涨主要受益于两个逻辑：1）从SaaS公司向广告公司的转型：20 年AppLovin仍处于EBIT亏损的阶段，当前营收和营业利润率均快速提升，40法则 已不适用，市场正在寻求新的定价逻辑。2）估值增长主要系新业务增长空间广阔： 电商是增长最快的新产品，是FY25业绩的重要贡献；当前公司还未推出广告主自 主服务平台，潜在空间广阔。 公司的下行风险仍存在：24Q3收入超预期多数来自游戏领域，电商可能预期过高。

AppLovin商业模式的成功，依赖于开发者和广告主的双向选择，形成早期规模 效应。随着公司构建全面的产品生态系统、形成完整的商业闭环（用户获取→ 广告变现→效果衡量），大量App数据用于训练和优化广告AI算法，使广告匹 配效率高于竞争对手。

5、AI+IT运维/数据治理：产品逻辑与AI更契合，商业化确定性强

AI编程：仍是最热门的AI应用，直接受益于LLM迭代

1）Open AI o1：模型处理编程任务的能力大幅度提高。 24M10 OpenAI推出canvas，对标Claude的Artifacts，融入编程工作流，能够实现IDE效果。 2）Github Copilot：虽然用户数快速增长，但年化收入仅处于十亿美元量级，市场规模有限，而支出端成本相对高昂；AI模型可能生成存在安全漏洞的代码，使应用程序面 临被跨站点脚本（XSS）攻击风险，不满足专业软件开发人群需求；面对Cursor AI带来的新一轮市场竞争，GitHub Copilot整合o1-preview 和 o1-mini 的早期访问权。 3）Cursor AI：问世于24M9，主要提供根据自然语言提示生成代码、实时感知上下文提供代码建议、完成定制化任务的辅助编程服务，并可通过聊天窗口直接操作。Cursor AI在代码补全的质量、速度和操作简易性上优于GitHub Copilot等辅助工具，成为AI辅助编程市场中的新晋强势产品。

IT运维&数据治理：估值随市场情绪大幅波动，AI产品商业化蓄势待发

AI功能在IT工作流、数据分析领域的需求强劲，商业化潜力初步展现。低代码、可视化等功能与生成式AI降低操作门槛的逻辑相契合，且 IT人员对AI工具的接受度更高。另外，数据分析领域可充分发挥生成式AI的自然语言交互和可视化能力。

6、AI+企业工作流：商业化稳步推进，受益于Agent趋势

企业级应用：生成式AI赋能产品阵营，受益于推理端降本趋势

根据微软官方调研，Copilot使用户在特定工作流（搜索、写作、总结）中效率提升29%，Copilot用户平均每周节省1.2小时。 23-24年大模型的技术迭代方向主要为推理端降本、多模态、低延迟，契合企业级AI生产力工具的要求。1）推理端降本：23M11推出的GPT-4 Turbo相比GPT-4输入成本 下降2/3、输出成本下降一半，24M5推出的GPT-4o相比GPT-4 Turbo调用成本下降一半，且性能持续提升，未来GPT-4o将免费向所有用户开放。推理端降本有望大幅提 振应用端需求。AI应用的性价比提升将开辟更多商业化路径，推理成本降低有望带动应用端的飞轮效应。 2）多模态与低延迟：由多模态模型支持的AI语音助手显著降低延 迟，根据OpenAI官方博客，GPT-4o可以在最快232毫秒、平均320毫秒内响应音频输入，与人类对话的反应速度基本一致。低延迟对于AI生产力工具的使用体验提升明显。 Copilot等AI办公工具需进行高频操作，对延迟较为敏感，由传统模型向多模态模型过渡有望提升用户付费意愿。

7、AI+行业垂类：以基本面为主导，AI演绎方向各异

AI视频生成：道阻且长，关注两条核心逻辑

AI视频生成的核心难题：1）视频质量的稳定性。在Runway等主流视频生成软件中，需要大量重复尝试才能达到预期效果，且对Prompt描述的准确度有较高的要 求。2）画面运动的核心逻辑理解。文生图模型可以通过大量训练在一定程度上解决画面透视、结构和比例的问题，但视频的生成需要对运动物体的结构有清晰的 理解和认知，才能在运动过程中准确刻画透视关系，避免画面走形和失真。相比一步到位的文生视频，以3D模型和物理引擎为中介的AIGC工具或将更具发展前景， 有望达到更高的视频质量上限。

基于现阶段AI视频商业化的主要痛点，短期内应当关注哪些机会？ 1）基于内容创作的商业化逻辑：视频作为典型的内容创作行业，需要持续的IP运营培养用户粘性，使用户倾注感情，因此需要以稳定的质量、前后连贯一致的风 格进行持续内容更新，核心竞争力在于分镜设计、镜头语言、叙事节奏等，现阶段AI生成视频很难做到这一点。短期内能规避该痛点的领域包括：① 广告营销、 自媒体等对视频质量要求不高领域；② 数字人直播等定制化空间小的模式。 2）基于商业化视频的质控和流程：在影视动画工业流程中，上下游流程整合度较高，分镜、建模、K帧、渲染等不同环节需要按照流程规范进行有效的信息沟通， 想要在人机之间准确传达需求，仍需提升大模型的通识能力和理解能力。针对这一痛点，短期内AIGC可以聚焦于在某个环节内部提升工作效率，因此上下游整合 能力强的产品更具优势，关注设计类产品完备的Adobe，旗下PR、AE等视频编辑软件整合Firefly AI，有效提高创作者的工作效率。

报告节选：

编辑：火腿肠