2024年海外科技年度行业策略报告：海外AI应用年度策略，关注数据与行业Know~how支撑的差异化优势

1 概述：投资机会从基础设施向应用转移，关注垂直赛道变现进展

投资主线继续围绕科技成长展开，背后是 AI 带来的业绩兑现与积极预期。年初至 今（12 月 20 日收盘，下同），纳斯达克指数累计涨幅 32.55%，估值水平 35.01x， 处于 91%历史分位；高估值背后是 AI 带来的业绩兑现与积极预期，科技成长仍 为主线逻辑，纳指科技累计涨幅 42.96%，估值水平 32.20x，处于 96%历史分位。 头部集中度进一步提高，M7 市值总和接近 20.29 万亿美元，占纳斯达克总市值 的 55.7%。

复盘年初至今 AI 产业链标的的表现，我们观察到两大趋势： 1）对 AI 投资机会的挖掘从算力基础设施向软件应用切换。 技术验证与预算分配使 AI 在具体场景的应用滞后于硬件设备。AI 的兴起首先带 动对基础设施的需求，因为这些设备是支持模型训练的刚性即时需求。而考虑到AI 应用于具体场景需要时间进行开发和验证，其产业发展相对硬件会有滞后，对 应应用公司在 AI 热潮早期的业绩与市场表现均弱于硬件公司。24Q1，以 Salesforce、Adobe、Workday 为代表的 AI+软件公司下季度指引均较为保守，客 户面临偏谨慎的宏观环境在收紧 IT 预算，并且收紧的预算还在向 AI 基础设施倾 斜，即对稳定 AI 应用的期待推迟了当期的软件开支。市场预期与业绩表现的脱节 使应用层公司在 24H1 股价表现疲软，Salesforce/Adobe/Workday 分别下跌 2.17%/19.02%/6.88%，同期英伟达上涨 149.50%。 宏观压制因素解除与业绩回暖推动市场修正对 AI 应用的预期，推动应用层公司 上涨。八月对美国经济衰退的交易基本结束，叠加美联储进入降息周期，两大压 制因素解除。以 Palantir 及 AppLovin 为代表的软件公司在 AI 赋能下业绩超预期， 改变市场对 AI 应用的消极看法，同时推动 AI 叙事从科技巨头向中小企业演绎。 9 月初至今，Palantir/AppLovin 分别上涨 1.56/2.67 倍，Salesforce/ServiceNow 分别上涨 36.25%/27.63%，英伟达上涨 12.86%。

2）对 AI 应用的关注点从产品概念向业绩兑现切换。 软件应用端企业走势分化明显。复盘 23 年软件公司的走势，我们发现该时期的 股价上涨主要由 AI 产品概念带来的估值提升驱动，而到今年下半年软件股反弹的 时候，投资者开始关注业绩兑现情况，仅有产品概念但商业化进展较慢的公司股 价出现了波动。按垂直场景划分，AI+数字营销（Meta、AppLovin 等）、+数据分 析（Palantir、C3.ai 等）等细分场景落地进展较快，AI 交易情绪火热进一步放大 业绩兑现情况，基本面+估值双击推动大涨；+CRM/ERP 等企业管理场景（Salesforce、Workday 等）其次，产品有在技术/形态/客户方面的积极进展但尚 未对业绩有明显贡献，乐观的市场预期驱动估值提升；而+内容生产软件（Adobe 等）变现节奏相对落后，估值回归基本面。

垂直赛道企业走势不同，差异背后是数据和场景 know-how 壁垒。以精准营销赛 道为例，AppLovin 自 23Q3 起业绩大超预期，24Q1-Q3 平均收入增速达到 43.51%， 年初至今股价涨幅达到 7.56 倍，背后是 AI 带来的推荐算法效率提升。但同样 AI 优化算法对千亿美元收入量级的 Meta 业绩的边际改善不那么明显，其 24Q1-Q3 平均收入增速为 22.35%，年初至今股价涨幅为 65.98%。广告平台领域另一头部 公司 Unity 算法升级进展较慢，年初至今股价下跌 44.95%。在类似的 β 下，业绩 与市场表现分化反映出公司对 AI 的开发程度不同，背后则是数据与行业 knowhow 的差异。

我们认为，现阶段 AI 更多是从技术改进角度赋能传统业务，且目前仍是判别式技 术而非生成式 AI 技术在主导投资回报。随着传统 AI 技术的优化以及生成式 AI 技 术的成熟，AI 应用存在很大的探索空间。尽管纳指估值达到 90%以上分位，但 AI 产业的盈利上涨有望持续消化估值，AI 应用板块仍具备上行空间。

2 模型：Scaling Law 泛化，巨头继续领航

2.1 现状：LLM 性能持续提升，竞争格局明确

自 OpenAI 通过 GPT 3 证实增加模型参数和训练数据量能显著提升大模型性能 后，超大规模LLM开发已成为大模型的主流技术，SOTA模型的性能一直在提升， 但提升速度有所放缓。对大参数、大算力的需求已将模型训练变成了少数机构之 间的竞争，目前已形成由 OpenAI、Anthropic 等研发水平领先的初创公司与微软、 谷歌、Meta、亚马逊等资源丰富的科技公司主导的市场格局。

OpenAI & 微软：GPT 系列继续迭代，o1 开启推理系列新篇章。OpenAI 于 24 年 5 月发布 GPT 4o，为 GPT 系列首个多模态模型，相比 GPT 4 Turbo 速度提升 两倍，且价格减半。9 月，侧重推理能力的 o 系列上线 o1 preview & mini，至 12 月更新 o1 完整版及 pro 版。12 月 21 日，o3 正式发布，相比 o1 在编码准确率 （71.7%，+20%）、数学测试（87.7%，+10%）和 Arc AGI 基准（87.5%，超 人类阈值）有明显提升。微软一方面和 OpenAI 维持排他的绑定关系，另一方面 推进自研，Phi-3 于今年 4 月发布并开源，包括 mini（3.8B）、small（7B）以及 medium（14B）三个版本，Phi-3.5 与 Phi-4 随后于 8 月与 12 月发布，进一步完 善多模态能力与推理能力。 Anthropic & 亚马逊：Claude 与 GPT 差距缩小，Anthropic 加深与亚马逊的绑 定关系。Anthropic 于 3 月推出 Claude 3 Opus/Sonnet/Haiku 版本，于 6 月推出 Claude 3.5 Sonnet。10 月，Claude 3.5 Sonnet 进一步升级，在保持原有价格和 速度的基础上，实现了全面的性能提升，在代码领域的优势进一步加强，并且引 入计算机使用能力，使 Claude 能够像人类一样通过观看屏幕、移动鼠标和点击 按钮来操作计算机。合作关系上，Anthropic 和亚马逊进一步绑定：1）Anthropic 选取 AWS 为模型训练的首要合作对象，并计划利用亚马逊 Trainium 和 Inferentia 进行下一代模型的训练与推理；2）亚马逊对 Anthropic 追加第二笔 40 亿美元投 资。

Google & DeepMind：Gemini 长文本与多模态能力突破，闭源开源双线并行。 1）闭源系列 Gemini：Gemini 1.5 于 2 月发布，在长上下文处理能力上实现重大 突破，其中 1.5 Pro 版本能够支持 100 万 Tokens 的超长上下文，并在 5 月更新 中扩展到 200 万 Tokens。12 月，Gemini 2.0 Flash Experimental 版本发布，多 模态理解能力进一步加强，支持原生调用谷歌搜索和代码执行工具、使用来自摄 像头或屏幕的音频和视频流；2）开源系列 Gemma：谷歌于 2 月发布 Gemma 系 列，6 月升级到 2.0 版本，代表公司正式入局开源与轻量级领域。 Meta：在开源领域加速追赶，Llama 3.1 在基础测试集表现追平闭源 SOTA。公 司于今年 7 月发布 Llama3.1，其中 405B 版本在基础测试集的表现已能够全面对标 GPT 4o 与 Claude 3.5 Sonnet 等领先闭源模型；在人类评估中，Llama 3.1 405B 表现相对 Claude 3.5 Sonnet 更优，相对 GPT 4 持平，略逊色于 GPT 4o。 Llama 3.2 及 3.3 分别于 9 月和 12 月发布，3.2 包括两个多模态模型（11B 和 90B）和两个轻量级仅文本模型（1B 和 3B）；3.3 则进一步优化多语言支持。

2.2 从发展目标看技术迭代趋势：Scaling Law 泛化为通往 AGI 的主流路径

建立 AGI 的基础是可扩展性与通用性。可扩展性即模型性能会在 Scaling Law 推 动下以可预测的方式提升。Scaling Law 指随着模型规模、数据量和计算资源的增 加，AI 的性能会以可预测的方式提升；该原理表明，模型参数数量和训练数据量 的扩大能够显著增强模型在理解和生成复杂模式方面的能力。通用性（即泛化能 力）指模型可以用少数的深度学习方法来解决多数问题。在多任务、多语境和多 环境中解决问题对更加全面的认知提出要求，结合“可扩展性”的核心，即要求 Scaling Law 能够在不同任务及不同模态中实现泛化，实现从单一任务到复杂场 景的适配以及从单模态到多模态的协同。 OpenAI 引领 Scaling Law 泛化的方向。OpenAI 通过对 GPT 系列模型的大规模 训练和实验，首次验证了预训练阶段的 Scaling Law。伴随高质量语言数据资源的 消耗，预训练阶段的 Scaling Law 出现天花板，公司继续在任务延展和模态扩张 两个方向寻求突破，并在 LLM 的推理环节与多模态模型的预训练环节中再次验证 Scaling Law，分别对应其于 24 年 2 月及 9 月发布的 Sora 与 o1 模型，引领生成 式模型的范式迭代。

创新趋势一：从预训练到后训练 Scaling Law，内化 CoT 及 Self-Play RL 增强 推理能力

OpenAI o1 首次验证后训练阶段的 Scaling Law。OpenAI GPT 系列模型采用预 训练、监督微调（SFT）及基于人类反馈的强化学习（RLHF）的架构，其中预训 练构建了核心的语言理解和生成能力，RLHF 则用于进一步微调模型以提升其响 应的准确性和符合性。相比之下，谷歌的 AlphaGo 主要依赖自我对弈（Self-Play） 强化学习（RL），通过大量的自我对弈不断优化策略网络和价值网络，专注于特 定任务的策略优化和决策制定。在二者的基础上，OpenAI 在 24 年 9 月发布的 o1 进一步均衡了预训练与强化学习的比例，意味着大模型能力的提升不再局限于预 训练阶段，还可以通过在后训练阶段中提升 RL 训练的探索时间和增加模型推理 思考时间来实现性能提升，即 Post-Training Scaling Law。 具体看 o1 的技术原理与测试结果：模型将复杂问题拆解为多个推理步骤，每个 步骤由独立的思维链（Chain-of-Thought, CoT）处理，并通过 Self-Play 强化学习 不断优化这些推理路径和策略选择，最终基于迭代式的自引导（Bootstrap）生成 合理的推理路径并汇总为解决方案。随着推理算力的提升，o1 能够进行更长时间 的深度思考，生成更多 CoT 数据，进一步增强其推理效果。同时，强化学习的应 用使模型在面对不同类型的问题时，能够更好地适应和泛化。o1 在对逻辑推理要 求较高的任务中相对 GPT 4o 明显改善，比如数学求解和程序编写等，并且在 MMLU 中达到 78.2%的最高分。

创新趋势二：从 NLP 到多模态 Scaling Law，视频生成进入 DiT 阶段

Sora 复用 LLM 训练的成功经验，初步验证多模态模型的 Scaling Law。由于多 模态数据包含图像、视频、音频等多种类型，在信息丰富度、处理方法、应用领 域方面均较为复杂，难以达到较大的训练规模体量，因此 Scaling Law 较难被验 证，直至 OpenAI 于今年 2 月发布的 Sora 推出。Sora 基于足量的数据和编码支 持，在 Transformer 和 Diffusion 融合架构上继续验证了 Scaling Law 的有效性。 视频生成模型的技术路线在 Sora 引领下进入 DiT 阶段。在 Sora 发布前，领先的 视频模型大多基于 Diffusion 架构，比如 Runway、Pika 等。Sora 采用 Diffusion Transformer（DiT）双层架构，首先将视频或图片降维表示成一个紧凑、高效的 形式，其后提取 Patch，将视图信息分解成更小单元，每个单元均包含视图中一部分时间和空间信息，以便后续进行针对性处理。该模型的关键创新在于将视频 帧视为 Visual Patch 序列，类似于 LLM 中的 Token，进而可有效处理各类视频。 这种方法与文本条件生成相结合，使 Sora 能够根据文本提示生成上下文相关且 视觉上连贯的高品质视频。在 Sora 的启发下，视频生成模型的技术方案开始大幅 度收敛至DiT架构，包括快速尝试复现的开源项目Open-Sora、Open-Sora-Plan， 以及商用闭源产品 Runway Gen-3、Luma Dream Machine 等。

2.3 从资本开支看研发投入趋势：巨头 AI 军备竞赛竞争加剧

Scaling Law 的实现需要大规模投入，AI 军备竞赛拉高科技巨头资本开支。 Scaling Law 的扩展过程中自然伴随着算力的增加需求，云厂商 capex 主要服务 自用及外供的计算资源，其增长能够反映产业现阶段对 AI 算力的需求。2023 年 生成式 AI 爆发，头部科技厂商均大力投入大模型的训练，并通过推理使模型适用 于自身业务；训练+推理共同提振自用算力需求。而在外供方面，云厂商也在自有 云计算平台上提供大模型 API，MaaS 的商业模式带动外供算力放量。在内外需 均旺盛的前提下，公司均加速算力资源投入，推动 capex 高增。根据 Omdiea Research 数据，2023 年 H100 出货量前四的终端用户为 Meta（15 万）、微软 （15 万）、谷歌（5 万）及亚马逊（5 万）。2024 年，四大云厂商 capex 加速增 长 ， 微 软 / 谷 歌 / 亚马逊 /Meta Q1-Q3 资 本 开 支 平 均 增 速 分 别 达 到 59.6%/81.5%/46.7%/17.1%，其中 Meta 增幅较小，主要是受到服务器交付节奏 的影响。

3 应用：商业化拐点已现，精准营销与数据分析赛道率先突破

3.1 趋势分析：判别式与生成式 AI 融合发展的 B 端垂直赛道有望率先变现

3.1.1 2B VS 2C：B 端用户需求明确，应用落地价值高

2B 应用用户粘性与付费意愿相对 2C 更强。2C AI 应用虽然在流量集聚和热点话 题制造上表现出色，但面临高热度低留存的问题，主要原因在于其功能多为“娱乐” 属性，无法提供持续的实用价值。相比之下，2B AI 应用在可控性、协作性和与场 景工作流的深度融合上展现出更大的优势，用户需求更加刚性，凭借更高的用户 粘性与付费意愿吸引应用公司入局。截至 24 年 7 月，AI 应用初创公司中超过 80% 属于 2B 赛道。

2B 应用商业模式日趋完善，更易在短期兑现业绩。2B 工具通过订阅提价与按量 付费的模式提高原有产品 ARPU，需求标准明确为 ROI，即对于企业而言只要 ROI>1 就会购买。相比而言，2C 应用发展迅速但存在需求不明确和用户粘性低 的问题，大部分产品仍处于免费向用户开放的状态，用户规模大但不反映在营收 上，需要持续探索 Killer App，等待用户破圈和变现。

3.1.2 判别式 AI VS 生成式 AI：判别式 AI 仍为短期 AI 变现主力

判别式 AI 多用于解决特定任务。传统 AI/AI 1.0 一般指判别式 AI（Discriminative AI，也称为决策式 AI），通过对已有数据的分析、判断和预测提供决策支持，主 要用于人脸识别、智能推荐和自动驾驶等领域。判别式 AI 的技术特征为：1）基 于 RNN/CNN 等架构，处理长序列数据的能力有限；2）采用监督学习，需要大量 的标注数据和专业编程人员；以上都导致模型的可扩展性有限，一个模型往往只 能对应单一的任务。

架构升级+GPU 能力提升+训练方式突破共同推动 AI 从分析决策向创造发展。谷 歌于 2017 年提出 Transformer 架构，以自监督学习为主，无需人工标注数据就 可以自动适配和执行各种任务，大幅提高模型的可扩展性；近年 GPU 算力的提 升进一步为基于 Transformer 架构与压缩知识预训练提供可能性。2022 年末， ChatGPT 发布，将 Pre-trained Transformer 架构带入大众视野，并驱动 AI 进入 生成式时代。基于海量数据训练的生成式大模型能够生成文本、图像、视频等各 类内容，并借助更强的推理和创造能力解锁更丰富的场景和更大的市场空间。

判别式 AI 是否会被生成式 AI 淘汰？

二者在不同垂类行业创造的价值有所差异，可以互补使用。判别式 AI 的技 术路径为基于已有数据“打标签”，从而对不同类别的数据进行区分，因此在 要求高精度输出结果和快速部署的环节能创造更多价值，比如生产制造、供 应链管理和风险管理等环节；而生成式 AI 在创造性和涌现性要求高的环节 中创造的总和投资价值更高，比如内容生产、人机交互等。生成式 AI 的幻觉 问题导致可控性弱，目前还很难独立满足 2B 场景的需要，相比之下，判别 式 AI 在推荐算法、数据分析等领域已有更丰富的场景和案例。

判别式 AI 仍为短期 AI 变现主力，生成式 AI 贡献更多发展空间。判别式 AI 将进一步深化其在金融风控、工业质检、供应链管理等关键领域的应用，提 高决策的精准度和效率；生成式 AI 将在内容创作、艺术设计、游戏开发等领 域展现其创新潜力，不断推动个性化和多样化的体验。长期来看，尽管生成 式 AI 的快速发展可能在某些领域引发变革，但不会出现生成式 AI 对判别式 AI 的取代。相反我们更有可能看到二者融合发展，判别式 AI 的分析能力和 生成式 AI 的创造性将相互补充，构建更为复杂和完备的 AI 系统。

3.1.3 Copilot VS Agent：产品形态从 Copilot 向 Agent 过渡，o1 为关键推手

依据人工在任务中的占比划分，人类与 AI 协同的模式可分为 Embedding、 Copilot 及 Agent 三种类型。其中，Embedding 即在某个环节去调用模型，比如 为决策提供即时信息；Copilot 即大模型接入到工作流程的每个环节，根据人类指 令按步执行任务；Agent（通常被认为是智能体）指将任务完全交给 AI 自主完成。 Agent 与 Copilot 最大的区别在于自主规划的能力，终极形态的 AI Agent 只需要 用户的起始指令和结果的反馈，过程中并不需要人的介入。

人类与 LLM 的协同模式正从 Copilot 向 Agent 过渡，o1 为关键推手。OpenAI 的 GPTs+Assistant API 被认为是用户自定义 Agent 的初级形态：GPTs 功能于 23 年 11 月发布，供 GPT Plus 以及企业用户在零代码的条件下定制自己的 GPT； 随后，GPT Store 于 24 年 1 月上线，供用户分享自己构建的 GPTs，被 Sam Altman 成为“AI 时代的 App Store”。这一阶段的 Agent 框架大多建立在简单的 prompt 编排和 API 调用基础上，这种架构在处理单一领域的特定任务时确实展现 出了令人惊艳的效果；但随着应用场景的拓展和任务复杂度的提升开始显露出其 局限性，特别是在处理需要深度推理、多轮交互和跨域协同的复杂任务时，局限 性更加明显。而以 OpenAI o1/o3、Gemini 2.0 为代表的新一代 LLM 推理能力显 著增强，改善原有预训练模型工具调用准确率低以及泛化能力差的问题，进一步 加速 Agent 产品的落地。 本年度我们看到很多 AI 应用提出 Agent 概念，但并不意味着这些 Agent 应用能 够实现所有工作流的自动化。工作可以人为地被无限拆分，能实现单个工作单元 的完全自动化应被归类为泛化的 Agent 概念产品（或者更多归于 Copilot+）。

3.2 落地现状：2C 应用头部格局稳定，2B 垂类变现进展领先

3.2.1 2C 应用：头部格局稳定，流量主要集中在聊天、搜索及图片编辑领域

头部格局基本稳定，ChatGPT 断层优势显著。年初至今，访问量前三的 AI 应用 稳定为 ChatGPT、Bing 及 Canva。相较 Bing 和 Canva 流量维持稳中有升的趋 势，ChatGPT 在历经多次产品迭代后访问量加速增长，至 11 月已达到 39.2 亿， 和其他网站形成断层优势。前三名外，Gemini（通用聊天）、Character.AI（陪伴）、 DeepL（翻译）及 Notion（文本处理）也稳定在访问量前十位置。

流量主要集中在聊天、搜索及图片编辑相关领域。

聊天：24 年 AI 聊天机器人全球访问量前 3 位的分别是 ChatGPT、Gemini 和 Claude。ChatGPT 的流量在 4 月和 7 月迎来关键增长，4 月至 6 月，GPT4 Turbo 的开放推动流量从 16.5 亿次增至 29.5 亿次；7 月起，GPT-4 mini 降 本优化、微调功能开放和 9 月 o1-preview 模型发布，加上 10 月提示缓存和 Canvas 功能应用，使流量进一步攀升至 39.2 亿次。Gemini 在 3 月流量达到 4.47 亿次，得益于 2 月 Bard 更名为 Gemini 并推出 Advanced 订阅服务及移 动端 App，Gemini 1.5 Pro 的发布也促进了增长，但因功能短板和市场竞争， 流量在 7 月下滑至 2.8 亿次。Claude 的流量从 1 月的 0.2 亿次增至 11 月的 0.89 亿次，增长 342%。其中，3 月 Claude 3 系列发布推动流量增长 164%， 6 月推出 Claude 3.5 Sonnet 及新增“Projects”功能进一步推动增长。

搜索：24 年搜索领域全球访问量前三位分别是 New Bing、360AI 搜索和 Perplexity AI。New Bing 流量长期维持高位，24M7-24M8 显著增长后趋于 平稳。360AI 搜索凭借“360 系浏览器”国内第一的入口优势及持续研发投入， 4 月发布测试版，6 月全面更新，24M4-24M11 访问量增长 2300%。PerplexityAI 流量整体相对平稳，7 月短暂回落后，因推出 Pro Search 功能优化数学计 算和编程能力，并提升用户体验，流量逐步回升并显著增长。

图片编辑：Canva 通过收购 Remove.bg 和 Leonardo.AI 等头部产品，借助 开源模型的可控性和扩展能力，完善功能矩阵以满足平面设计场景下高质量 输出的需求，全球访问量 24M1-M11 增长 53%。相比之下，Midjourney 因随 机性高、学习成本较高，难以满足用户对特定场景需求，吸引力下降，24M1- M11 全球访问量下降 30%。

3.2.2 2B 应用：数据量大且容错率高的营销、数据分析、管理场景 ROI 率先突破

传统 AI 在数据量大且可控性高的行业/场景应用程度高。AI 模型的通用技术路径 为：基于通用数据训练模型，以最小化预测结果与实际结果的差异。由此我们可 推断，数据量大以及目标明确（或者称为可控性高，从数学层面理解即可用简单 明确的目标函数来度量事件的结果）是 AI 技术充分发挥价值的前提条件。因此， 传统 AI 的典型应用场景包括基于海量数据挖掘的精准营销、安防、欺诈检测等， 典型落地行业包括数字化原生的互联网以及数字化程度较高的金融与制造业。生 成式 AI 泛化能力更强，初期推广容错率较高场景。生成式模型采用基于概率的生 成方式，一方面提升了模型的泛化能力，另一方面也会导致生成不准确、误导性甚至完全虚构内容的小概率事件。这种模型幻觉是目前生成式 AI 落地的主要难 点，尤其是在容错率低的自动驾驶、生物制药等场景。 综合以上考量，我们选取当前受 AI 影响最为明显的数字原生的软件互联网行业， 围绕其中数字营销、数据分析、企业管理（CRM/ERP）及内容生产软件四大赛道， 针对 AI 落地的情况进行分析。

+数字营销：推荐系统迭代提高广告 ROI，一手数据构筑护城河

通过 AI 实现精准营销的底层技术属于推荐算法，具体应用已渗透广告产业链的 各个环节：1）用户洞察：基于用户行为数据建立标签系统，进行用户定向分析、 聚类分析和相似度扩展；2）创意生成：通过对已有素材的学习，为特定用户生成 个性化内容，降低人工成本并提升投放 ROI；3）智能投放：预估用户点击率和转 化率，以 ROI 最大化为目标匹配广告需求，进行出价及投放；4）归因分析：对 用户数据进行集成性分析，不断改善广告投放的准确性和效果。其中，2）代表生 成式 AI 而非传统 AI 技术的应用，目前还处于产品化早期，为 AI 赋能广告提供充 足想象空间。 生成式推荐模型投入应用，成为推荐系统的重要补充。在推荐系统领域中，最主 流的模型是深度学习推荐模型(DLRM)，利用大量的异构特征，例如数值特征（CTR, ratio）、分类特征（创作者 ID、用户 ID）来建模用户和商品之间的关系。但是这 种范式没有体现出 Scaling Law，即随着计算规模的扩大，模型的性能难以提升。 Meta 于 24 年 2 月发布《Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations》，提出首个生成式推 荐模型（Generative Recommendations，GR），在其中验证搜广推的 Scaling Law。 论文中提及，公司的核心产品线中已用 GR 替换工业界长期使用的分层处理异构 特征的 DLRM 范式。

AI 赋能带动广告投放平台一致预期不断上调。我们以广告平台中的 Meta 及 AppLovin 为代表，分析其 AI 赋能情况。

1）Meta：推荐算法领军，核心 AI 与生成式 AI 路线并行。公司作为全球社交软 件的龙头企业，基于 Facebook、Instagram 等平台流量进行广告变现，并建设 Audience Network 广告生态，不止于提供自有产品的广告分发渠道。 公司将 AI 应用分为两条路线，核心 AI 方面，通过推荐与广告定位算法增效推动 短期变现，核心工具是 22 年上线的 Advantage+广告工具套件，利用 Meta AI 进 行实时自动化调整，以最小的投入获得最佳的投放效果。广告主可以选择“+展示 位置”、“+受众”等模块去自动化广告设置过程中的某个环节，或者直接使用“+购物 广告”、“+应用广告”等端到端自动化工具。据公司业绩会信息，A+购物广告能够 使投放效果提高 22%。此外，Meta Lattice（根据广泛数据点预测广告相应效果）、 Image Animation（基于图片生成视频）、Video Expansion（视频延展、变形等） 陆续发布，为广告 ROI 及 CPM 带来充足的提升空间。生成式 AI 方面，聊天助手 Meta AI、2C 角色设计 Creator AIs 以及 2B 角色设计 Business AIs 陆续发布，预 计在 MAU 达到 10 亿后开始变现。

AI 算法更新及 AI 工具的上线已显著提高广告 ROI，驱动广告业务量价齐升。公 司自 23Q4 后进入 ARPP 端参与度与货币化率双轮驱动阶段：一方面，AI 推荐架 构及 Reels 优化用户体验，提升使用时长，为 Ad load 提供更大空间， 23Q4/24Q1/24Q2/24Q3 广告触达量分别同比增长 21%/20%/10%/7%；另一方面， 以电商为主的广告主需求旺盛，叠加 Advantage+等 AI 工具助力优化广告投放效 果，23Q4/24Q1/24Q2/24Q3 CPM 分别同比增长 2%/6%/10%/11%。

2）AppLovin：跨平台闭环数据->推荐算法迭代->吸引更多广告主合作形成正向 循环，竞争优势凸显。AppLovin 是第三方广告平台，旗下平台包括 AppDiscovery （DSP，整合广告主需求并协助竞价，由底层广告推荐引擎 AXON 支持）、MAX （Mediation，帮助流量主集成竞价，进行撮合）、Adjust（归因平台，实时提供 数据监测和归因分析，收入来自年度订阅）等。 公司的业务逻辑为：AppDiscovery 作为 DSP 直接与广告主合作，指导广告主的 投放预算和出价目标，MAX 作为 Mediation，知道流量主的竞价情况；因此，公 司不仅能通过信息不对称来优化出价策略，提升广告主的 ROI，还能赚取其中的 差价。广告主和流量主的双向锁定形成生态闭环，使竞争对手难以渗透其市场。 流量主如果选择其他 Mediation，那 AppLovin 可以选择不将其 DSP 接入该平台。 这种机制的优势在 AXON 助推下进一步深化。 推荐引擎AXON升级是公司业绩爆发式增长的主要驱动因素。AXON最早于2022 年发布，并于 23 年初迭代至 2.0 版本，大幅提高广告投放的精准度，使客户能在 几微妙之间完成大规模的广告拍卖。AXON 2.0 通过持续的迭代学习、训练数据 量的增加和推荐算法的增强，匹配用户与相关广告内容更精准快速，为广告商增 加 ROAS，吸引更多客户加入并带来更多数据，形成了数据-算法-客户数的良性 循环，推动公司广告收入在 23Q3 之后进入新一高增阶段，盈利能力也明显提升。

为什么 AI ROI 在广告营销领域率先显现？

苹果修改数据隐私政策助推广告平台升级推荐算法。苹果于 2021 年 4 月发 布 iOS 14.5，全面上线 ATT 框架（App Tracking Transparency，应用跟踪 透明度），限制应用读取用户设备的 IDFA（Identifier for Advertisers，广告 标识符），只有用户点击允许的情况下，各应用才能实施跨平台数据追踪。 据华尔街见闻数据，接近 80%的用户选择禁止跨平台追踪，直接打击移动广 告投放的精准度，导致个性推荐广告 CPM 相对主动搜索广告及品牌广告大 幅降低。2022 年，网络广告增速出现明显下滑（YoY-23.1pct），个性化推 荐广告平台业绩均受到冲击，Meta/AppLovin 收入 YoY-1%/+1%。ATT 实施 之后广告平台更多依赖第一手的用户行为数据进行分析和推荐，这涉及到 AI/ML 能力，广告推荐的门槛由此提高。

Meta 和 AppLovin 率先完成算法优化，借助广告 ROI 优势实现业绩高增。 Meta 在 22 年接连上线 CAPI、Advantage+自动化工具、Lattice 排名模型、 生成式推荐模型以缓和 ATT 的影响，公司业绩在 23Q3 开始释放。AppLovin 在 23 年年初推出 AXON 2.0，收入相应开始高增。

算法的成功改造不是偶然，背后是多年的数据与算法积累。算法的优化需要 大规模训练和测试，对数据和算力的要求较高。Meta 拥有以 Facebook 和 Instagram 为代表的五款社交应用，去重后 MAU 达到全球网民的 74%，一手用户数据的丰富程度遥遥领先。AppLovin在移动广告产业拥有完善布局， 使其能通过 AppDiscovery 平台获取广告主数据（投放预算、出价策略）， 通过 MAX 平台获取跨平台的流量主数据（广告填充率、展示效果），收购 的 Adjust 平台能回传用户从广告点击到深度转化的行为数据；广告位数据 与用户行为的数据提供完整的用户生命周期视图，使 AXON 在模型训练时 无需依赖外部数据就能精准优化 ROAS。因此，Meta 和 AppLovin 相比其他 竞争者在 AI+营销有更好的优势卡位。

+数据分析：生成式大模型为串联数据及算法积累的中枢

AI 对数据分析的作用：1）数据处理：从多个来源注入数据，自动识别并修正数 据中的错误，确保数据的质量和一致性；2）数据分析：从海量数据中提取有价值 的信息，识别潜在的商业机会和风险；3）信息交互：基于 LLM 与用户形成交互， 实时满足用户的个性化需求，比如调用特定数据、形成多个决策方案等。其中， 3）代表生成式 AI 而非传统 AI 技术的应用，在数据分析平台中扮演把过去的深厚 积累串联起来的智能中枢，通过 RAG、Tool Call 等手段放大原有数据处理能力的 优势。

我们选取 AI 渗透最深的数据分析环节，对代表性企业 Palantir 进行分析：

深耕大数据分析和决策智能，政商双线扩大 TAM。Palantir 于 2003 年以国 防安全软件起家，现旗下有 Gotham 和 Foundry 两大平台，分别为政府和商 业用户提供智能数据解决方案，其中 Gotham 政府平台能够充分利用非结构 化数据，通过将数据转换为带有标签的信息去寻找数据背后的逻辑，帮助政 府部门进行决策，主要服务 NSA、FBI、CIA 等；Foundry 企业平台能够整 合客户各部门的结构化数据，打破信息孤岛并进行定量分析，已覆盖金融、 能源、交运等行业。公司的业务扩张逻辑是：通过项目制交付的解决方案优 化平台，利用平台去拓展新的应用场景，再不断开发新的平台，形成可持续 循环的业务扩张逻辑。

从传统 AI 到生成式 AI，Palantir 始终走在 AI 技术应用的前沿。公司基于前 期大量 R&D 投入构筑技术壁垒，对 AI 的应用不断加深：Gotham 和 Foundry 内置 ML 模型，一方面对大量多源异构数据进行精确且实时的整合分析；另 一方面，模型会利用决策反馈的数据进行训练迭代。23 年 4 月，公司发布新 产品人工智能平台（AIP，Artificial Intelligence Platform），深度应用生成式 AI 技术，其中 Assist 模块便于开发者私有化部署 LLM，客户能够基于自然 语言调用数据、询问决策建议；Logic 模块便于开发者定制 Agent；Automate 模块使用户自定义任务开始条件与要求，实现工作流端到端的自动化。根据 Forrester Wave 24Q3 调查结果，公司在 AI/ML 平台处于领先者地位。

AIP 驱动业绩连续超预期，成功背后是长期的数据处理经验及用户心智培育。 Palantir 在数据复杂度极高的军事领域积累了 20 年的经验，并能深刻理解从 原始数据导向决策辅助的数据处理管道、领域建模、人机交互应该如何通过 产品设计来衔接，为 AIP 沉淀了天然的数据层和应用层的优势。此外，公司 通过举办为其 1-5 天的 AIP Bootcamp 训练营帮助客户认知大模型与企业场 景结合的价值，大幅推动销售转化。公司预计 24 年全年在全美各地为潜在 用户举办大约 2000 次训练营（较去年增加一倍）。

+资源管理：产品功能较同质，Salesforce 及微软引领创新与商业化趋势

生成式 AI 有助于为用户自动化重复性的任务并提高协作效率。AI 在企业流程协 作及任务管理领域（CRM、ERP 等）的应用主要围绕生成式 AI 展开，生成式 AI 能够基于自然语言交流优化软件中资源管理、销售管理、客户服务等模块的功能， 通过定制对话、信息调用、内容总结、撰写邮件等功能提高企业管理的效率。 AI 助手普及，功能同质化程度高。Salesforce 引领 AI+企业管理软件的发展，率 先在 23 年 3 月推出 Einstein GPT（Copilot），为客户提供开箱即用的生成式 AI 功能，至 6 月形成由 Sales GPT、Service GPT、Marketing GPT、Commerce GPT等构成的AI Cloud服务。随后，Adobe、Oracle、SAP陆续上线用于CRM/ERP 的生成式 AI 功能，产品同质化程度高，基本集中于对话、数据分析、撰写邮件等 功能。

Salesforce 和微软引领 CRM 产品升级至 Agent 形态。 1）Salesforce：公司于 9 月发布 Agentforce,并与 12 月推出 2.0 版本，目前提供 五种 Agent 的搭建能力，在此基础上提供一站式的垂直行业 Agent 解决方案（包 括医疗健康、银行、零售等）。Agentforce 的特点在于把大部分的技术环节封装 完整，并在 UI 层为客户留了定制化的空间，通过低代码和生成式 AI 配置，降低 部署难度；相比其 Copilot 产品更加侧重在实际业务场景的自主学习与决策。 Agentforce 借公司在销售场景积累的行业 know-how 及数据减少模型幻觉，助 力其在企业管理软件市场走出差异化，有望促进客户转化、提振市场份额。

Agentforce 采取按对话量付费的模式，相较 Einstein GPT 的额外订阅付费模式 更加灵活。Einstein GPT 提供两种收费模式：1）按年订阅 AI Cloud 产品，套餐 规定 Einstein GPT 使用限额，基础版本套餐每年 36 万美元；2）单独购买 GPT 产品，如 Sales GPT/Service GPT 定价为 50 美元/月。Agentforce 则采取按量付 费的商业模式，每次对话收费 2 美元，相比传统的按 Token 量计算，更加偏向 Value-Based Pricing，根据客户从产品中获得的实际价值来设定价格。从 9 月初 次上线到 FY25Q3 业绩会（12 月 4 日），Agentforce 已达成 200 笔订单，客户 包括 FedEX、埃森哲、IBM 等公司。

2）微软：今年 10 月，微软推出接入 OpenAI o1 的 10 款预构建 AI Agent，能够 基于自主推理来操作执行特定任务的软件，主要应用于 Dynamics 365 的销售、 运营和服务环节。Copilot Studio 新增 Agent 定制功能，开发者可以通过设计使 Agent 检测特定事件后做出实时响应，自动执行任务，例如在收到邮件之后，自 主完成邮件意图评估-发件人信息及通信记录查询-库存记录查询-邮件回复等一系 列行动。

+内容生产：从底层革新工作流程，产品渗透道阻且长

内容生产软件主要用于文字处理、图表管理、演示文稿创建、创意设计等办公环 境中的生产力任务。生成式 AI 的应用有助于为用户自动化重复性的任务并提供智 能化的辅助功能，能够凭借工作效率改善提高用户粘性与使用频率。 以 Adobe 为代表看 AI+内容生产软件的落地进展：

生成式 AI 推动内容生成从 PGC 向 AI 辅助的 UGC 发展，使图像设计不再 限于专业人群。生成式 AI 能够实现根据文本生成图像、音频、代码，根据 2D 图像生成 3D 模型，根据已有文本进行续写等功能，在生成简单创意内容 时不再需要大量专业人群，大幅降低创意设计门槛。同时，对于创意工作者 来说，生成式 AI 帮助快速生成大规模高质量内容，大幅提高创作效率。据 Adobe 调研信息，有 80%的创意工作者认为生成式 AI 将对工作产生积极影 响。创意软件作为内容生成的主要工具，有望借此突破市场增长瓶颈。

Adobe 自研生成式模型 Firefly，能力边界不断拓展。Adobe 是全球内容设 计软件的龙头公司，旗下有以 Photoshop、Premiere 和 Illustrator 为代表的 创意设计工具。公司于 23 年 3 月发布生成式 AI 模型 Firefly，提供图片/矢 量图/模版生成等功能，嵌入原有工作流中供用户在设计过程中调用。24 年10 月，Firefly 实现从图像到视频的突破，视频生成功能集成入 Premiere Pro， 目前处于有限公开测试阶段，预计将于 25 年初广泛推出。

Firefly 的差异化优势在于内容合规与生态完善。1）生成内容的合规性是商 业客户选择生成式 AI 产品时的核心考量因素之一，Firefly 完全基于有版权 数据进行训练，同时承诺承担侵权带来的索赔；2）Firefly 内嵌于 Photoshop 等明星产品中，相较其他文生图模型以独立网站存在的形式，为用户提供更 多后续专业编辑的空间，将 AIGC 功能以更低的迁移成本融入到日常工作流 中。

Firefly 支撑产品提价，货币化进展不及预期。Firefly 于 23 年 11 月开启正 式收费，全线产品订阅提价（约 9%）与额外按量计费并行。订阅用户每月 享有一定额度积分，普通产品如 Photoshop、Illustrator、InDesign 等均对应 500 积分，Express 对应 250 积分。若需生成超出基础订阅套餐额度外的图 片，则需按照 4.99 美元/100 积分的价格额外购买。视频生成功能尚未开始 收费，管理层预计会采取按量计费的模式。公司 FY24 收入 215 亿美元 （YoY+11%），增速基本与过去三个财年持平；指引 FY25 收入 234 亿美元 （YoY+9%），低于一致预期的 238 亿美元，预示 AI 产品短期仍会处于推 广和普及阶段，不会为公司带来明显的业绩贡献。

4 核心结论

从 AI 技术类型来看，传统 AI 仍然是主要的变现手段。传统 AI 通常指判别式 AI， 通过分析和预测已有数据来提供决策支持，主要应用于推荐算法和企业数据分析等领域。而生成式 AI 则基于海量数据生成文本、图像等内容，具有更强的通用性， 但由于存在黑盒和模型幻觉等问题，其可控性和准确性相对较低，因此在 B 端场 景尚未具备大规模应用的基础。这也解释了为何搜广推和数据分析成为 AI 最早实 现业绩增长的领域。 从企业规模来看，AI 技术正在从大公司向中小企业扩散。中小企业的股价需要业 绩表现支撑，市场对 AI 的交易热情则放大其业绩的增长。相比之下，对于大型公 司，近期股价上涨主要由估值驱动，形成乐观的预期依赖其原有业务的市场地位 以及 AI 产品的落地进展。

从竞争优势来看，数据、算法与用户之间的闭环是应用走出差异化的关键。所有 AI 应用本质上都在提供某种形式的咨询服务，因此其核心需求包括人才（对应 AI 应用中的底层模型）、数据以及行业 know-how（解决特定领域问题所需的方法 论）。随着顶尖闭源模型能力接近、开源模型的性能不断提升，行业 know-how 成 为各产品初始差异的决定性因素；而用户长期使用积累的数据能够使应用更好地 完成特定场景的特定任务。在此基础上，企业有望通过 AI 丰富功能模块、优化用 户体验，吸引更多用户使用 AI 工具，而使用数据则会进一步反哺模型，持续提升 产品的竞争力。 展望 2025 年的发展情况，整体看，AI 应用的广度和深度仍有很大的拓展空间， AI 产业的定价逻辑将从当前主要面向大型企业（M7）转向垂直赛道和中小企业。 尽管当前纳斯达克指数的估值较高，但 AI 产业的盈利增长有望持续消化高估值带 来的乐观预期，AI 应用板块仍具备上升空间。在具体赛道方面，不同细分领域 AI 价值释放的速度有所不同，结合技术特征与价值占比考量，我们预计将遵循判别 式 AI 主导——判别式 AI 与生成式 AI 融合——生成式 AI 主导（LLM 为主）—— 生成式 AI 主导（LLM+VLM 融合）的落地顺序。因此，短期应关注受益于传统 AI 以及传统 AI 与生成式 AI 有效融合的赛道，包括 1）数字营销：Meta、AppLovin、 Unity；2）数据分析：Palantir、Innodata。中期关注将生成式 AI 融入企业日常工 作的赛道，包括 1）办公：微软；2）CRM/ERP：Salesforce、SAP、Oracle、 Workday、ServiceNow；3）内容生产：Adobe、Autodesk。长期看好具备构建 Agent生态先发优势与数据优势，有望从底层重构软件系统的微软及Salesforce。

编辑：火腿肠