2025年计算机行业2026年投资策略：从AI_Enabled到AI_First，拥抱AI应用大蓝海

2025 年计算机行业行情回顾

(一)2025 年行业呈斜率向上“M”型反弹，估值高位震荡

2025年以来，计算机行业呈现“先扬后抑、荡轮动”的走势，年初至今跑赢沪深300.2025年计算机行业指数整体呈现“先扬后抑、震荡轮动”的走势，截至11月18日，行业指数年内累计上涨19.57%，小幅跑赢沪深300指数，在31个SW一级行业中排名中游偏前。节奏上，春节后受DeepSeek-R1大模型发布刺激，AI应用与云计算板块走强，指数在3月初到阶段高点，随后主题情绪降温、财报季避险升温，4-5月随市场回调，6月下旬伴随市场风险偏好抬升，金融IT等板块随稳定币主题持续走强至8月底，9月至今震荡回落。

计算机行业指数过去10年PE(TTM)均值为62.67倍;PS(TTM)均值为3.88倍。截至11月18日,当前计算机行业指数估值处于历史十年均值偏高位置,PE(TTM)值为87.97倍,PS(TTM)值为3.62倍。

(二)前三季度财务复盘:营收回暖、利润高增，现金流仍紧

1、2025年前三季度，计算机行业业绩上修，归母净利润同比大幅增长38.25%

截至2025年三季度，数字经济人工智能政策催化作用下，一定程度提升政府及企业信息技术方面支出意愿，计算机行业营收增速呈现修复态势，与此同时伴随企业控费力度加大，行业整体净利润增速显著高于营收增速。2025年前三季度，计算机行业营收同比改善，前三季度合计实现营收9358.35亿元,同比增长9.13%;归母净利润实现231.40亿元,同比大幅增长38.25%,主要系营收增长的同时费用端控制良好，销售、管理及研发费用率较去年同期均有下降。

2、行业三费费用率均下降，研发费用受2024年低基数影响同比上升

2025年前三季度，计算机板块销售、管理及研发费用率分别为7.32%、4.89%、8.76%，分别同比下降 0.66pct、0.46pct、0.87pct。前三季度行业平均研发费用为1.87亿元，同比上升9.42%。

3、计算机子行业方面,年初至今营收排名前三的分别是智慧城市、云计算和信创;净利润排名前三的分别是智慧城市、云计算和金融IT;其中9个子行业板块亏损。

4、行业前三季度经营性现金流同比负额收窄，应收账款周转率增速转正

计算机行业前三季度经营活动产生的现金流量净额为-178.62亿元，同比负额收窄，主要系行业需求回暖，应收账款周转率提升至2.51次，同比增长8.17%，可见年初至今行业整体现金回款情况较去年有显著改善。

5、行业前三季度毛利率同比小幅下滑，净利率同比增长

2025年前三季度,计算机行业毛利率降至38.01%,同比下降1.19pct;净利率提升至2.59%,同比上升 0.50pct。

6、行业前三季度资产负债率上升，摊薄ROE增速转正

2025年前三季度，计算机行业资产负债率为45.05%，同比上升1.59pct;摊薄ROE为2.21%，增速转正，同比上升0.60pct。偿债压力相较去年同期增大，但考虑摊薄ROE增速转正，以及现金流及应收账款周转率情况改善，偿债能力及资产盈利水平方面相对乐观。

(三)市值分层表现及涨幅前十个股复盘

截至11月18日，计算机板块个股共362只。据统计，总体市值分布较集中于小于100亿区间内，占总数近七成总计240只;100至200亿市值区间总计70只;200至300亿市值区间总计19只;300至400亿市值区间总计9只;400至500亿市值区间总计6只;超500亿市值共13只;超1000亿市值共5只，分别为海康威视(2816.37亿元)、同花顺(1779.56亿元)、金山办公(1476.01亿元)、中科曙光(1469.41亿元)和科大讯飞(1191.68亿元)。

展望 2026，模型平权趋势加速、国产算力渗透率持续提升

(一)国产开源模型“鲶鱼效应”突出，性价比优势显著

国产大模型密集走开源路线，主导生态趋势。2025年初DeepSeek-R1异军突起，2025年1月20日，幻方旗下私募平台深度求索发布国产开源模型DeepSeek-R1开源大模型DeepSeekR1完全摒弃SFT，核心技术为GRPO算法，其通过组内相对奖励来优化策略模型进而对训练过程进行简化，进一步降低训练成本，减少训练中计算资源的消耗，无需额外的“评估模型”或者“批评模型”来评估当前策略的优劣，通过强化学习(RL)从基础模型中激发推理能力，专为复杂推理任务而设计，尤其在数学、代码生成和逻辑推理领域表现尤为突出，在MATH-500测试中，DeepSeekR1得分97.3%，高于GPT-01的96.8%。

此前 2023年以来，阿里巴巴就陆续开源Qwen系列大模型，我国人工智能企业正在开辟出一条开源大模型路线，国产人工智能企业积极拥抱人工智能开源大模型,目前这一趋势成为不断推动中国人工智能技术创新的核心驱动力，当前我国人工智能大模型参数规模横跨十亿至万亿级、应用场景覆盖智能制造等多元场景。

国内开源模型全面领先全球开源模型，9月测评中DeepSeek领衔开源模型。根据SuperCLUE《中文大模型基准测评 2025年9月报告》中数据,国内开源大模型 DeepSeek-V3.2Exp-Thinking(62.62分)、openPangu-Ultra-MoE-718B(58.87分)和Qwen3-235B-A22BThinking-2507(57.73分)分别位于开源模型榜单前三,大幅度领先海外开源最好模型gpt-oss-120b(53.05分)。

国产开源大模型凭借出色中文能力市场份额快速增长。中国在大模型产业已经形成一批颇具实力和影响力的公司,其中有字节跳动、阿里、腾讯等大厂身影,也有月之暗面、智谱、MiniMax等初创企业，2025年9月SuperCLUE团队对全球大模型中文能力的测评中，排名前20的大型中,国产开源大模型有9个,接近一半比例,其中DeepSeek最新模型 DeepSeeek-V3.2-ExpThinking排名国产大模型首位，当前国产开源大模型凭借大幅低于OpenAl、Anthropic和谷歌的价格，市场份额快速增长。

国内开源模型相比国际闭源模型仍有差距，根据SuperCLUE《中文大模型基准测评2025年9月报告》中数据，在通用模型测试中，排名前六均为海外大模型，第七名到第十一名为国内大模型,海外前五大模型平均分为66.09分,国内前五大模型为61.01分,平均分上相差近5分,整体差距仍然存在。

(二)AI胜负手逐渐开始转向场景数据与工程化

DeepSeek通过技术路线与工程算法极致耦合优化大幅降低成本,工程化能力为国产AI通用大模塑训练带来新发展契机。DeepSeek-V3于2024年12月26日发布，是一个强大的混合专家模型(MoE)，共有6710亿个参数，每个token激活370亿个参数。DeepSeekV3开创了无需辅助损失的负载均衡策略，并设定了多token预测训练目标来获得更强的性能，通过使用14.8万亿个多样化且高质量的token进行预训练，随后进行监督微调(SFT)和强化学习(RL)。通过采用多头潜在注意力(MLA)和DeepSeekMoE架构，有效的降低了训练成本并实现了高效推理，论文表示，DeepSeekV3完整训练仅需278.8万H800GPU小时，且训练过程非常稳定，没有遇到任何不可恢复的损失峰值且没有进行任何回滚。

整体来说DeepSeek在工程复杂度上大幅提升，即通过调整模型架构、训练精度、算法且数据质最方面差异化导致单次训练成本大幅降低:

1)DeepSeek V3采用稀疏MoE架构,激活参数量降低:OpenAI采用稠密的Transformer架构，即需要在每个前向/后向传播过程中激活并更新全部参数，因此在大规模训练时对算力与显存需求很高，但DeepSeekV3在训练或者推理过中只会激活少量参数，有效降低每次前向/后向的计算量，降低整体训练成本。

2)DeepSeekV3采用FP8混合精度训练，提升计算效率:0penAI在训练过程中多采用FP16精度，兼顾数值稳定和计算效率，而DeepseekV3采用了FP8混合精度训练，从而提升单位GPU小时的计算利用率，这也是其大幅缩减成本的重要原因之一，与此同时大幅提升工程复杂度。

3)DeepSeek蒸馏策略优化，减少对额外RLHF依赖:OpenAI训练数据规模更大，数据更多元化，且在RLHF环节上投入较大，DeepSeekV3数据规模在14.8万亿token，在后训练与蒸馏策略做了优化，减少了对额外RLHF资源的依赖，并且上文提到DeepSeekR1采用群组相对策略优化(GRPO)算法，进一步优化训练成本，但DeepSeekR1整体训练成本要显著高于 DeepSeek V3。

DeepSeek通过编写和调用PTX代码，提升件效率。传统在进行代码编写的过程中会使用高层编程语言或硬件接口进行编程，不需要关心底层硬件的具体样式或操作，大部分的深度学习和大模型算法工程师都不会直接接触底层接口，使用Nvidia芯片需要站在CUDA相对高层的接口进行变成，而PTX则隐藏在驱动背后。DeepSeek进行底层优化，通过在已知算法模型和底层硬件的前提下，通过编写和调用PTX代码来提升硬件调用效率，某种程度上可以减少GPU使用量，进而大幅削减成本。

垂直大模型训练雷要使用任务相关数据进行预训练或微调,提升某一具体领域或任务上性能和效果。在实际使用中，通用大模型往往存在诸多局限性，目前我们正处于通用大模型向垂直大模型过渡的阶段，中间经历了行业大模型(行业大模型通常是在通用大模型基础上加入行业数据和专家经验进行训练)，而垂直大模型通常使用任务相关数据进行预训练及微调，提升模型在某一具体任务上的能力，比如谷歌的垂直医疗大模型MedPaLM专为医学问答、疾病诊断、医学文献分析等任务设计。

训练一个垂直大模型通常需要基于通用大模型进行二次开发，通常需要

1)Continue PreTraining:对专业领域的语料进行预训练，给模型注入新的领域知识。

2)SFT:通过SFT可以激发大模型理解领域内各种问题并进行回答的能力;3)RLHF:通过RLHF可以让大模型的回答对齐人们的偏好，比如行文的风格。未来大模型对数据要求从量到质的转型，非结构化数据利用率将提升，开发潜力广阔。根据研究公司Epoch AI预测，2028年互联网上所有高质量的文本数据都将被使用完毕，机器学习数据集可能会在2026年前耗尽所有高质量语言数据。截至2025年3月，全国7个国家级数据标注基地的总规模达17282TB。根据IDC数据，到2027年全球非结构化数据将占数据总量86.8%，未来非结构化数据仍是数据产生和存储的主要形式，价值有待挖。

当前大模型正向“有限算力+算法创新+垂直数据”的方向发展，推动大模型从“能用”到“好用”。DeepSeek的成功带来示范效应，标志着AI领域的格局正在发生微妙变化，从传统的算力芯片及参数堆叠逐渐走向更加高效、开放的发展模式，通过开源大模型推动迭代，我国在行业应用将呈现出显著分化，垂类大模型+AIAgent渗透实体领域拓展空间巨大，随着人工智能技术不断进步，回顾 2021-2024各行业人工智能渗透率持续提升，其中互联网、电信、政府、金融、制造、交通、服务和教育等均是人工智能技术积极探索和广泛落地的领域。

(三)杰文斯悖论进一步推升 AI算力需求，国产算力渗透率快速提升

“杰文斯”悖论再次到来，技术进步反而推动资源使用总量上升，DeepSeek将推动算力需求总量提升。DeepSeekV3以及R1的出现，反而证明了模型的架构演进还在继续，从整个产业链看，预训练、后训练、测试时间计算等不同路径都仍然与创新优化空间。此外,DeepSeek研究员也曾发推文表示DeepSeek要做开源的AGI，目前开源已经完成，且如果证明强化学习是通往 AGI时代的正确的道路，对算力的需求只会越来越大，要向上走到AGI依然需要更强算力。当技术进步提高了资源使用的效率,不仅没有减少这种资源的消耗,反而因为使用成本降低,刺激了更大的需求，最终导致资源使用总量反而上升(杰文斯论)，微软CEO萨提亚·纳德拉的推文提到了这一点。所以当模型的成本越低，开源模型发展越好，模型的部署、使用就会更高频率、更多数量，对算力的需求将越来越大。

长期来看,大模型更易触达并推动AI应用发展,算力总需求将因AI普及而扩张。DeepSeek及其相同类型AI大模型的发展，将加速推进AI应用的普及与落地，让AI真正以低成本走入生产生活的每一个角落。正如互联网时代发展路径一样，低成本大模型的出现将成为AI浪潮的必经之路，AI将成为像水电一样的公共基础设施，未来更多科技企业会加入到这一行列，共同推动 D餷弼化葵餿目pS鈷滓镣e鉑斯渚k以及类似模型、应用的发展，算力将成为核心资源。

中国半导体自给率仍然处在较低水平，国产替代潜力巨大。2024年中国加速卡出货量英伟达占据70%市场份额，以华为为代表的ASIC芯片加速透。根据IDC数据，2024年中国本土加速卡出货量仍然以英伟达占据70%市场份额，出货量达到1904742张，其在性能上做了大幅削减。华为昇腾ASIC系列芯片以644102张占据23%的市场份额，此外在第三梯队中，百度以69279张出货量占据大部分市场份额，国产算力芯片当前正加速渗透，ASIC芯片异军突起根据Technsights数据预测，2027年中国半导体自给率将达到26.6%，当前国产替代市场空间广阔。

国产GPU市场增速迅猛，产业规模快速扩容，当下产能仍然是制约国产芯片的瓶颈之一。根据艾瑞咨询和中商产业研究院数据，2025年中国人工智能市场规模预计为3762亿元，预计2028年市场规模达到8110亿元，预计2028年中国GPU市场规模为预计为1780亿元，伴随DeepSeek推动推理算力需求强劲增长叠加美国对中国科技封锁，国产GPU需求高速增长，但目前在产能扩张方面仍存在瓶颈。

减少对高端训练卡依赖，利好国产算力芯片。DeepSeekR1通过工程与算法深度合，5扁著降低了模型训练成本，训练成本仅为OpenAI同类模型的1/30。而传统人工智能训练过程依赖高端算力芯片堆叠，加之美国对高端芯片出口管制等原因，DeepSeek优化路径可降低行业对先进制程芯片的依赖，国内AI应用厂商将提升对国产芯片需求，如华为异腾910系列以及寒武纪思元590等，加速算力芯片国产化进程。

高端芯片受禁令影响，国产AI芯片奋起直追。虽然目前全球AI芯片市场被英伟达垄断国内AI芯片投资热度高企，芯片厂商研发投入持续加码。目前国内AI芯片第一梯队有华为、寒武纪、海光信息等，单卡算力正在逐渐缩小与高端芯片差距。国产AI算力芯片中，华为昇腾910b单卡算力达到640TOPS(INT8):寒武纪思元370单卡算力256TOPS(INT8)。

国产AI大模型训练开始采用FP8兼顾效率与性能，首次由DeepSeek-V3验证有效性。通常AI训练与推理中采用二进制数据进行存储和运算，即对于有小数点和小数位的小数采用符号位+指数位+尾数位组成的二进制序列来表示,通常的浮点类型有FP32(32位单精度浮点数)、FP16(16位半精度浮点数)、BF16(Google Brain设计的另一种半精度浮点数)等。随着大模型参数快速提升，显存、带宽以及算力瓶颈开始加剧，为了进一步减少训练开销并提升训练效率，FP8(8位浮点数)这种精度更低、存储更少的数据类型逐渐被广泛采纳与应用，英伟达Hopper架构GPU原生支持FP8,将BF16进一步压缩到FP8进行训练成为可能，并第一次由DeepSeek-V3验证其训练的有效性。

UE8MO是业界常用的FP8缩放方案之一，针对即将发布的国产算力芯片，国产算力迎新机遇。UE8M0是OCP在2023年《MicroscalingFormats(MX)规范》里定义的一种缩放因子格式，由 AMD、Arm、Intel、Meta、微软、英伟达、高通等公司共同推动，其中U:Unsigned代表无符号位;E8:Exponential，8-bit(8位指数格式);M0:Mantissa-0(0位尾数)将数值空间从连续的谱系压缩到一个离散的、按指数规律分布的点上,是一种比较激进的量化策略，下一代国产芯片将支持FP8。

AIAgent 雷声大、雨点暂小，趋势未改

(一)短期落地闲局:技术精度不足、Token 成本高、治理与协同等

1、供给端技术层面:泛化能力方面，国产模型不占优

τ2-Bench Telecom测试主要针对AIAgent在特定领域程序化使用工具时，完成真实的多回合任务的表现。t2-Bench Telecom 测试支持双控制环境，分别为:

单人模式:Agent拥有完全控制权，执行所有操作。

互动模式:Agent与其自身数据库交互的同时，引导用户完成操作。

然而,当前主流大模塑泛化能力不足,在IFBench基准上的得分普遍低于60%。IFBench于2025年7月在《Generalizing Verifiable Instruction Following》论文中正式发布,IFBench主要评测模型对新颖、复杂约束的泛化表现,该基准旨在揭示模型在未见指令下的精确执行水平,基于58个可验证的单轮任务进行评估。根据DataLearner报告显示，IFBench针对以下核心问题:一是模型对未见约束的泛化不足;二是缺乏可自动验证的评估标准;三是现有基准任务的分布偏差，导致高分模型在实际应用中表现不稳。

据 Artificial Analysis的 IFBench 测试，OpenAI发布的大模型包括 GPT-5、GPT-5.1和03领跑，KimiK2Thinking大模型仪得分68%,DeepSeekV3.2Exp得分54%，Qwen3Max得分44%，底层国产大模型泛化能力不占优。

2、成本层面:虽然推理成本持续下降，短期内成本问题依然凸显

tokens是 AI智能涌现的基石。LLM领域的核心范式是ScalingLaw，模型的性能(智能化程度)与其训练和推理过程中消耗的计算资源(通常以FLOPs衡量)存在可预测的幂律关系而Token是计算资源消耗的最直接且可量化的载体。因此,模型实现其智能化必然伴随着tokens消耗的增加。

1)训练阶段:数据规模决定智能上限。模型的智能化是通过对海量、高质量token数据序列进行概率分布学习而来，复杂的推理、指令遵循和创造性等高阶能力，仅在模型参数量和tokens超越某个临界点后才会出现。2)推理阶段:上下文长度决定任务复杂度。模型的“思考过程”体现在其对上下文窗口内tokens的处理上。每一步推理都会产生中间步骤(outputtokens)，整个过程消耗的tokens数量与任务的复杂度和模型的思考深度直接相关。

全球大模型推理成本持续下降。根据《斯坦福2025年人工智能指数报告》，在MMLU测试(评估语言模型性能的常用比较基准)中达到GPT-3.5水平(64.8分)的模型，其推理成本从2022年11月的每百万tokens20美元降至2024年10月的0.07美元(Gemini-1.5-Flash-8B)，约1.5年内下降超280倍。在GPQA(比MMLU更具挑战性的比较基准)上得分超过50%的模型的成本也呈现出类似的趋势，其推理成本从2024年5月的每百万tokens15美元降至同年12月的0.12美元(Phi4)。EpochAI估计，根据任务不同，大语言模型的推理成本正以每年9至900倍的速度下降。

3、需求端:AIAgent商业化落地面临企业治理与协同等问题

尽管企业应用程序中内置的Agent功能开始逐渐普及，例如提供见解、更新记录、回答问题等简单任务，但还没有完全转化为日常化使用，当下，AIAgent整体的采用率仍受限，AIAgent商业化落地面临一些挑战。

部署情况方面,根据毕马威人工智能季度报告数据,2025年第三季度AAgent部署量相较一季度几乎翻了两番，当前42%的组织已部署了至少部分Agent,相较一季度的部署比例11%大幅提升;但同时，AIAgent试点情况相较2025年二季度下降了2个百分点，2025年三季度试点比例下降至 55%。

采用率方面，根据普华永道于2025年5月的调查显示，在300名高级管理人员中，完全采用AAgent的比例仅占总数的17%;AIAgent广泛采用的比例仅有35%。

(二)企业级 AIAgent迈向“L3 融合级”，垂直 AIAgent 正重构 SaaS行业

我国企业AIAgent应用的整体成熟度正处于从“L2普及级”向“L3融合级”过渡的阶段,，但绝大多数企业仍处于“L1萌芽级”和头部企业已进入“L3融合级”并探索“L4驱动级”“L2普及级”。

伴随着AIAgent从“被动工具”迈向“自主决策体”，并且从个体走向协作，AIAgent的商业模式也将发生变革，AIAgent应用的竞争点正从“提供工具”向“交付价值”转变。能真正提升下游企业利润的AIAgent应用将会胜出，从这个角度来说，对应垂直行业knowhow型卡位公司的投资机会相对提升，能融入智能体能力的SAAS企业有望迎来价值重估的机会。

趋势一:大模型调用量高速增长，2024年末市场日均调用量已至9522亿tokens。

根据IDC报告显示，2024年中国公有云上大模型调用量达114.2万亿tokens(不包含出海群体使用的海外 MaaS平台的调用量)，按照大模型调用量的市场份额来看，字节火山引擎占据了 46.4%的市场份额，位列第一，其次为百度智能云(19.3%)和阿里云(19.3%)。此外腾讯云、中国移动、天翼云等其他厂商整体占据15%的市场份额。2024年模型调用量仍然以文本类的能力为主，2024Q4语音类模型调用量也开始增长。

2024H2开始，伴随模型调用降价策略的实施以及云厂商大模型能力的快速提升，MaaS平台大模型调用量高速增长。调用量从2024年年中的月度日均963亿tokens，急剧攀升至2024年末的整体市场日均调用量9522亿tokens，进入2025年，在DeepSeek以及Manus类产品的影响下，大模型日均调用量继续保持高速增长的趋势。

趋势二:企业级Agent应用规模激增，预计五年CAGR达120%。据第一新声智库研究，2027年中国企业级Agent市场规模将达655亿元，预计五年CAGR将达120%。AIAgent将对SaaS市场的重构，相关企业在SaaS产品中集成AIAgent功能所产生的市场价值巨大。

AIAgent在SaaS中的渗透速度远超预期，已成为头部厂商竞争标配。据第一新声智库报告显示，AIAgent在中国SaaS行业中的渗透率呈现爆炸式增长。2025年7月时渗透率约为30%，至9月已迅速攀升至40%以上。这一飞跃主要得益于钉钉、飞书等头部SaaS厂商均已全面部署并发布其AIAgent战略产品，将智能体能力作为核心模块嵌入其ERP、CRM、HRM等主力产品中，通过AI+重塑产品价值，驱动市场换挡提速。

“AI-First”范式下 AI应用投资图谱

(一)什么是 AI-First?为何 AI-First理念至关重要?

1、从“AI-Enabled”到“AI-First”的范式转移

AI应用正经历从“AI-Enabled”到“AI-First”的演进，是从核心价值定位、技术架构、商业逻辑到迭代路径的全方位范式转移。“AI-Enabled”可以理解为AI赋能型，AI是提升效率的附加工具，但没有改变产品的核心属性;“AI-First”则是将AI作为核心价值载体，基于AI价值定价，剥离AI后产品将失去核心竞争力。

这种范式转移，可类比“功能手机vs智能手机”与“燃油车vs电动汽车”两组经典代际变革:功能手机(对应AI-Enabled)以硬件通话功能为核心，附加的短信、小游戏等功能仅为补充，用户体验受限于硬件升级的逻辑;而智能手机(对应AI-First)以智能化为核心，通过智能化应用的生态构建,实现了从“工具”到“生态入口”的跃迁。同样,燃油车(对应AI-Enabled)的核心竞争力源于机械系统，电子设备仅作为辅助配置;而电动汽车(对应A-First)则以软件为核心,汽车电子电气(EE)架构由分布式走向域集中,通过软件OTA迭代持续进化智能驾驶、交互体验等核心能力，使汽车从“交通工具”升级为“智能移动终端。

2、为何AI-First理念至关重要?

AI-First理念的核心价值，可以从重构用户体验、重塑商业模式、创造新市场三大核心维度来理解。

(1)重构用户体验:从“人适应软件”到“AI服务于人”的范式升级

AI-Enabled需要人适应软件，用户需学习操作流程、记忆功能入口才能完成需求，交互成本高且体验割裂。而AI-First应用以“人机交互+意图驱动”为核心，实现AI服务于人，可将用户从“工具操作者”转变为“需求主导者。

(2)重塑商业模式:从软件授权到基于AI份值创造的全新收费模式

AI-Enabled 沿用传统软件的“License授权+年费”或类 Saas 式盈利模式，盈利增长呈线性且天花板明显。而AI-First可以按结果付费，根据为客户节省的人力成本或创造的新增收益抽成，形成效果驱动的分成机制，实现收入曲线从线性向指数跃迁。

当前主流的AI-First盈利模式可分为三类，均已通过头部企业验证其规模化能力:一是按使用量付费;二是按效果付费;三是成本节约分成模式付费。

(二)定性筛选 AI-First 应用核心标的:识别“AI基因’

(1)核心价值(评估AI原生性):必须由AI驱动，移除AI功能后，产品无法成立将AI作为其存在根本，而非仅是效率增强工具的应用。这类产品的核心价值完全由AI驱动，一旦移除了AI功能，产品本身将失去其核心意义而无法独立存在。这标志着从“AI赋能到“AI原生”的根本性转变。(2)商业模式(评估业务健康度):收入需要直接、规模化地来自于AI功能收入是否直接、规模化地来自于AI功能，可以判断AI技术是否成功转化为可持续的商业模式，也可以作为判断AI技术渗透率的指标。这表明市场已经愿意为明确的AI价值进行规模化付费，从而构成了AI-First应用的商业基础。(3)数据飞轮(评估壁垒深度):拥有独特、闭环的数据，并能形成飞轮效应数据飞轮是构建长期竞争壁垒的关键。一个具备“AI基因”的应用能通过自身运营形成“数据飞轮”效应:即产品在为用户服务的过程中，持续收集独特的、闭环的交互数据;这些数据被用于迭代和优化其AI模型，从而使产品变得更智能、用户体验更好;更好的体验吸引更多用户，进而产生更多数据，形成自我强化的正向循环。例如，Tesla自动驾驶、Netflix推荐系统、电商平台精准营销等。

(三)定量验证:从AI应用公司估值方法来看定量评价体系

目前市场对AI应用初创公司的主流估值方法是ARR倍数，我们选取了6家有代表性的海外AI应用初创公司，通过分析它们的ARR倍数差异，来探究估值时的关注点及评价体系。6家公司的ARR倍数差异很大，从18倍到100倍:通用大模型与智能体OpenAI的ARR倍数是30倍，Anthropic是42倍，AI搜索引擎应用Perplexity在100倍左右，AI代码编写工具Cursor是29倍,AI网站生成工具Lovable是18倍,AI视频生成工具Runway大约是20倍。

掘金最具潜力五大“AI-First”应用场景

(一)AI-First端侧 AI产业链机会凸显

端侧AI是AI应用最具颠覆性的方向，实现从“用户操作”到“设备主动协作”的转变,有望推动流最向端侧集中，大厂竞相布局。在互联网时代，C端用户通过自发向APP输入指令来实现功能;而在AIAgent时代，C端用户通过模型与硬件进行交互，设备成为能听、能看、能理解、能主动服务的个人智能体AAgent。未来AI流量有望向端侧集中，字节、阿里等百联网大厂竞相布局AI端侧硬件生态，抢夺流量入口。目前许多AI功能仍聚焦于效率提升和情绪价值,行业仍在寻找那个具有颠覆性的“杀手级应用”。这既是挑战,也是未来最大的机会所在。2023年，全球存量消费终端设备达到228亿台，其中智能手机占29.8%,智能家居设备(不含TV)占26.3%，PC和PAD占17.6%，智能电视占13.1%，智能耳机占8.8%。根据预测，到2030，全球消费终端市场规模将进一步提升，达到约32万亿人民币，全球消费电子终端预计将达到325亿台,人均约3.8台。其中，智能物联类生活场景消费设备增长最快，从人均0.9台增长到1.9台，包括穿戴设备产品、智能家居(不含TV)产品和智能汽车产品等。端侧 AI具有典型的AI-First基因:(1)核心价值:必须由AI驱动、移除AI功能后，产品无法成立，比如AI眼镜、人形机器人、AI智能医疗设备等;(2)开创全新的市场品类，面向C端广阔的人口基数具有巨大发展潜力;(3)数据飞轮:拥有独特、闭环的数据，并能形成飞轮效应，产业价值将从单一的软件或硬件，向“芯片+模型+终端+应用”的全栈能力倾斜。掌握协同生态能力的玩家将获得更大红利。

(二)AI-First创意与内容生成工具类

AI创意与内容生成工具类应用同样具有典型的AI-First基因:

(1)核心价值:必须由AI驱动,移除AI功能后,产品无法成立,比如AI视频/图像生成、AI设计、AI音乐写作等;

(2)开创全新的市场品类，同时面向B端和C端，具有巨大发展潜力;

(3)数据飞轮:尤其是多模态数据，大量高质量的结构化数据在创意与内容生成工具的使用中出现，而用户生成的海量内容又形成了丰富的素材库,数据的正向循环最终形成生态繁荣和品牌效应，构筑护城河。例如，Canva通过用户生成的海量模板和设计，形成了一个“任何人无需设计技能也能做出好看东西”的生态系统，其价值随用户增长呈指数级提升;

(4)效率提升潜力:尤其看好多模态生成平台，由于这类平台的研发成本相对固定，随着用户规模和生成请求量的指数级增长，其边际成本显著递减，因此通常能展现出极高的盈利潜力。行业领先的多模态内容生成解决方案，在规模化后其毛利率普遍可达到70%。2024年全球人工智能内容创作工具市场规模为542.8亿美元，预计到2032年将达到2,227.2亿美元，2024-2032年复合年增长率为19.30%。北美目前是全球最大的市场，2024年收入份额最高，为 38.5%，这得益于其成熟的AI生态、企业快速数字化与自动化工具广泛采用的推动。亚太地区预计将成为未来几年增长最快的市场。

(三)AI-First 驱动的企业级 AI智能体

企业级AI智能体正从“辅助工具”升级为“数字员工”，价值量被无限放大。与创意内容生成工具应用类似，企业级AI智能体拥有典型的AI-First基因:核心价值由AI驱动、开创全新的市场、同时拥有数据飞轮与收入飞轮效应、强大的效率提升潜力。不同于工具类应用的是。企业级智能体的参与者更大比例是原有深耕垂直领域的SAAS服务商，比如汉得信息、光云科技、税友股份、致远互联、鼎捷数智、赛意信息等。它们对业务流程有更深刻的理解、而且企业级AI平台需具备更全方位技术层面的能力。

我们认为，当前企业级智能体正处于规模化应用的爆发点，SAAS服务商迎来弯道超车的机遇。因为MCP、A2A协议出现以及gent生态的日渐丰宫，当企业级智能体共享数据并协作时，故障模式会呈指数级增长，而这些故障对基础设施的影响是巨大的，对于企业来说，无论是为智能体重新构建架构还是事后补救基础设施，成本都很高，与企业降本增效的初衷背道而驰。而SAAS服务商能很好地帮企业解决这种复杂性部署，因此在Agent技术布局具有先发优势的SAAS企业有望迎来弯道超车的机遇。

当前企业在应用AIAgent时会重点考虑投资回报率(ROI)，结合各行业的场景标准化程度、数据基础与商业价值，我们认为企业级智能体增速最快的领域按优先级排序为:企业服务(OA/ERP/CRM等)、金融/财务/风控、营销/电商、制造/供应链、法律/政务、医疗/教育。

(四)AI-First垂直行业专家解决方案类

垂直行业专家解决方案类作为企业级AI智能体的过渡形态，已经在AI医疗诊断、AI金融投研、AI法律顾问、AI教育导师等领域得到广泛应用，深度融合行业知识(Know-how)，提供专业决策支持。

根据IDC最新测算,2025年AI+企业级软件渗透率为9%,预计到2028年将提升至22%。企业级AI应用目前集中在人机交互、客服、文本生成等容错率较高场景，切入研发、采销、生产等核心价值链环节的少，主要受限于缺少高质量数据，相关场景对时效性、精准性要求高，且跨企业、跨行业迁移泛化难。

1、AI+医疗:品泰控股公司在AI+药物发现、AI+机器人自动化、AI+材料科学三大核心板块持续突破，构建了覆盖量子物理、人工智能、云计算与机器人实验的闭环平台,形成了从算法模型到实验验证、从数据生成到产业落地的全栈能力。

上半年公司AI药物发现解决方案收入达人民币4.35亿元，同比增长615%，占总收入的84%,成为核心增长引擎。其中,与DoveTree达成战略合作,首付款即确认5100万美元收入,并有望获得最高58.9亿美元的里程碑付款及销售分成，充分体现了公司AI平台在全球顶级药企中的认可度。

公司AI平台已服务全球前20大药企中的17家，客户覆盖初创公司至跨国巨头，抗体业务、分子胶平台、多肽蛋白平台PepiX、mRNA设计平台mRNA2vec等新型AI模态快速拓展，AI肿瘤疫苗、降糖多肽、肾癌靶点开发等项目已进入临床或申报阶段，显示出AI驱动的研发范式在真实世界中的高效转化能力。

2、AI+智能制造:群核科技核心产品体系已全面构建起以AI驱动的空间设计与3D可视化为核心的端到端生态，展现出强大的技术纵深与商业化落地能力。根据公司在港交所披露的招股说明书，其旗舰产品“酷家乐”与“Coohom”通过云原生架构与自研GPU集群，实现每张2K图像渲染时间从2022年的53秒降至1.2秒，日均处理计算任务达1240万项，支撑全球超40,000平方英尺空间的实时设计需求，月活跃用户截至2025年6月30日达270万，个人客户达432,897名，企业客户达46,984名，其中近45.1%的新企业客户由免费版转化而来，体现显著的PLG(产品驱动增长)模式成效。

截至2025年6月，在AI功能渗透方面，31.0%的月活跃用户使用AI功能，AI助手已生成约11亿张设计图像，日均渲染量达790万件，AI智能设计平台于2025年3月上线后，截至6月底已获11名客户订阅，平均年化订阅价值达每套150万元人民币。

公司通过三大AI技术引擎--几何建模核心、多模态CAD模型与BIM引擎,实现CAD图纸、广告布局等非结构化输入到高精度3D设计的自动转换，并集成NVIDIARTX光追技术，实现超逼真实时渲染，显著提升设计效率与体验。在BIM与智能制造领域，公司通过增强酷空间的自动化与模块化设计功能,赋能写字楼与零售连锁店设计师高效获取建筑图纸，同时推动设计至生产的无缝衔接，其电子商務解决方案收入从2023年的280万元跃升至2024年的740万元，2025年上半年已达760万元，客户数由2023年的40家增至2025年6月的324家。

3、AI+教育:粉笔作为垂直教育赛道的领先企业，近期密集推出多款AI驱动的创新产品，包括公考及事业单位AI刷题系统班、自研硬件AI智能音箱、教资面试AI点评系统,并于2025年11月中下旬正式上线“国央企 AI面试功能”,全面覆盖公务员、事业单位、教师资格、国央企等核心考试场景，构建起覆盖“题库训练-智能交互-面试模拟一结果反馈”全链条的AI教育闭环。公司于2024年起陆续推出多款AI驱动的创新产品,其中最具代表性的是2025年4月上线的行业首个AI类大班课程--AI刷题系统班，该产品定价为人民币399元，凭借实时捕捉学员学习数据、动态规划学习路径、精准推送定制化练习任务与课程内容等核心功能，实现了对传统大班直播课的降维替代，截至2025年6月30日已累计销售约5万人次，收款达人民币2,000万元，展现出强大的市场渗透力与用户接受度。

同时，公司推出的AI面试点评功能，基于学员上传的面试视频，自动分析题优缺点、生成个性化得分与示范答案，以远低于传统面试班的价格提供高性价比练习体验，有效触达付费意愿强、客单价高的面试备考群体。此外，公司还通过AI技术赋能会员礼包与新手训练营，实现习题推送与学习进度的智能化匹配，提升用户粘性与复购率。

(五)AI-First社交与陪伴类

相比欧美，AI-First陪伴类应用在中国有更大的潜在发展空间。根据腾讯研究院的报告调研显示高达98%的受访者愿意尝试用AI陪伴来弥补现实的社交困境。预计2027年，AI陪伴市场将达到千亿规模，其中AI虚拟故事角色的市场规模最大，预计达到400亿元以上;其次是AI心理顾问、AI虚拟偶像(基于潜在市场庞大)与AI游戏陪玩(基于市场颠覆快)，预计均能达到百亿规模。而AI虚拟男友/女友和AI开放世界游戏在技术上实现难度更高，预计2027年的市场规模约30-40亿。受制于技术约束，当前AI陪伴赛道竞争同样非常激烈。AI陪伴的三大关键技术为长期记忆能力、主动想象能力、真实多模态能力，每个技术的突破都会让市场有量级飞跃。AI陪伴与实体硬件结合是大势所趋，物理实体是AI陪伴赛道中与智能同等重要的要素。当前AI陪伴普遍存在记忆力受限、情感理解较浅以及行为模式化等问题,近期成功的产品大多基于现有AI能力，弱化多模态，即用户输入多、回答要求低、场景固定(如AI心理医生、AI故事角色陪聊)，主要以2D风格化作为启动而不是直接3D生成。

据Appfigures数据显示，2025年上半年全球AI陪伴应用收入已达8200万美元，预计年底将突破 1.2亿美元。QuestMobile数据显示，市场呈现明显的头部效应，仅10%的应用贡献了近 89%的收入。

编辑：火腿肠