《AI產業前瞻系列報告（三）：從openAIo1看AI產業趨勢：打破AI應用瓶頸算力需求前景如何？-240925（17頁）.pdf》由會員分享，可在線閱讀，更多相關《AI產業前瞻系列報告（三）：從openAIo1看AI產業趨勢：打破AI應用瓶頸算力需求前景如何？-240925（17頁）.pdf（17頁珍藏版）》請在三個皮匠報告上搜索。

1、 敬請參閱最后一頁特別聲明-1-證券研究報告 2024 年 9 月 25 日 行業研究行業研究 從從 OpenAI o1OpenAI o1 看看 AIAI 產業趨勢產業趨勢：打破打破 AIAI 應用瓶頸，算力需求應用瓶頸，算力需求前景如何前景如何？AI 產業前瞻系列報告（三）海外海外 TMTTMT 事件：事件：2024 年 9 月 12 日，OpenAI 發布最新模型 o1，在編程、理科競賽等推理密集型任務中性能明顯優于 GPT-4o，但在部分自然語言任務中較弱。o1o1 具備全局思維能力，復雜推理補足長尾需求，開拓學術教育具備全局思維能力，復雜推理補足長尾需求，開拓學術教育等等垂類場景垂類場

2、景。根據我們的測評，o1 思維鏈特征可以概括為：1 1）優先形成全局方法：優先形成全局方法：在解答前 o1 會先分析問題、概括底層規律；2 2）不斷的不斷的追問和反思：追問和反思：在輸出最終答案之前，o1 會不斷反思解答過程并進行改進，其完整思維鏈可達數百行。o1o1 在編程上展現出自主規劃能力，在編程上展現出自主規劃能力，AI+AI+低代碼低代碼/網絡安全領域有望最早受益網絡安全領域有望最早受益。1 1）低代碼低代碼：o1 在編程方面具備較強的自主性，可以一定程度上對沖 o1 高成本和高延遲的問題。2 2）網絡安全：網絡安全：o1 在網絡安全攻防中表現優秀，能將復雜任務分解成多個子任務，具備

3、初步的自主規劃能力，也體現出了 AI 輔助網絡攻擊的潛在威脅，AI 驅動的網絡安全攻防升級將成為未來的主旋律。AI AgentAI Agent 是打破是打破 AIAI 應用發展瓶頸的關鍵，應用發展瓶頸的關鍵，o1o1 能否開啟通往能否開啟通往 AgentAgent 之路之路？受限于模型性能，AI 應用進入瓶頸，北美科技巨頭 26 年資本支出持續性以及上游算力產業鏈的業績成長性受到質疑。而近期前沿論文和 o1 展現的強化學習推理、思維鏈等底層技術，是 AI 產業發展和投資情緒提振的關鍵。新的新的 Scaling LawScaling Law，RL+CoTRL+CoT 對于實現能自主規劃的對于實現

4、能自主規劃的 AI AgentAI Agent 至關重要至關重要。強化學習讓 AI 自主探索和連續決策，符合 Agent 所需的自主規劃能力。self-play 通過自主博弈生成高質量數據，有利于突破外部訓練數據短缺的現狀。思維鏈能極大提升模型涉及數學和符號的推理能力，但在其他問題上提升效思維鏈能極大提升模型涉及數學和符號的推理能力，但在其他問題上提升效果不顯著，甚至可能有損模型性能。果不顯著，甚至可能有損模型性能。推理能力和模型的指令跟隨能力呈現出分離關系，對于構建 AGI 來說，如何平衡二者的關系會成為一個核心問題。RLRL 范式下范式下推理算力需求大幅上升，推理算力需求大幅上升，但但不代

5、表訓練算力需求會停止增長不代表訓練算力需求會停止增長。o1-preview 生成相同內容的輸出 tokens 大約是 GPT-4o 的 5.9 倍，其中 72%的 tokens 為推理過程中生成，使用 o1-preview 的輸出成本約為 GPT-4o 的36 倍。Scaling Law 由訓練側轉向推理側，對推理芯片的性能需求也會提高，且預訓練階段也需要消耗大量的算力。強化學習推理并不意味著模型參數停止擴張，因為主模型參數提升可能會產生更好的推理路徑。北美科技公司進入新一輪北美科技公司進入新一輪 AIAI 投資周期，資本支出大幅上升可能使公司面臨成投資周期，資本支出大幅上升可能使公司面臨成本

6、壓力。本壓力。2024 年科技巨頭資本支出/營運現金流預計將達到 40%以上。在 AI的投資回報率尚不明顯的現狀下，科技巨頭會更加重視 AI 投資的性價比。投資建議：投資建議：1 1、AIAI 電力：電力：Constellation、NRG。2 2、AIAI 算力產業鏈：算力產業鏈：1 1）AI AI GPUGPU：英偉達、AMD；2 2）ASICASIC 芯片設計：芯片設計：Marvell 科技、博通；3 3）存儲）存儲：SK 海力士、三星電子、美光科技；4 4）服務器：）服務器：聯想集團、超微電腦、戴爾科技、慧與、工業富聯；5 5）CoWoSCoWoS：臺積電、日月光、Amkor 科技；6

7、 6）網絡：網絡：中際旭創、新易盛、Coherent、安費諾、Arista 網絡。3 3、AIAI 應用：應用：1 1）云服務商）云服務商：微軟、谷歌、亞馬遜、Oracle；2 2）AI+AI+開發開發/數據分析數據分析：ServiceNow、Palantir、Datadog；3 3）AI+AI+網 絡 安 全：網 絡 安 全：微 軟、CrowdStrike、Fortinet；4 4）AI AgentAI Agent：微軟、Salesforce、Workday；5 5）AI+AI+教育：教育：多鄰國、Coursera。風險風險分析分析：AI 技術研發和產品迭代遭遇瓶頸；AI 行業競爭加劇風險；

8、商業化進展不及預期風險；國內外政策風險。買入（維持）買入（維持）作者作者 分析師：付天姿分析師：付天姿 執業證書編號：S0930517040002 021-52523692 聯系人：賓特麗亞聯系人：賓特麗亞 行業行業與與標普標普 500500 指數對比圖指數對比圖 資料來源：Wind 相關研報相關研報 梳理全球 AIGC 數據版權規范，哪些領域具備商業化潛力？AI 產業前瞻系列報告（二）（2023-12-25）探討 GPTs 背后的產業邏輯：拉開 AIGC應用生態的帷幕AI 產業前瞻系列報告（一）（2023-11-18）AI 驅動網絡安全供需提升，架構迭代引領行業變革美股網絡安全行業深度報告（

9、2024-06-19）谷歌 Gemini 賦能搜索體驗，多模態模型&TPU 持續迭代Google IO 2024 產品發布會點評（2024-05-16）GPT-4o 后續影響：推理端降本+多模態+低延遲帶來 AI 應用轉折點OpenAI 春季產品發布會點評（2024-05-14）探討 AIGC 視頻的核心痛點與未來趨勢，Pika 1.0 能否帶來新變化？AIGC 行業跟蹤報告（三十五）（2023-12-05）-20%0%20%40%60%80%2023-92023-102023-112023-122024-12024-22024-32024-42024-52024-62024-72024-8標

10、普500 標普500信息技術 要點要點 敬請參閱最后一頁特別聲明-2-證券研究報告 海外海外 TMTTMT 目目 錄錄 1、OpenAI o1 開啟復雜推理模型新時代開啟復雜推理模型新時代 .4 4 1.1 相比 GPT-4o，o1在代碼和理科能力上提升明顯.4 1.2 o1 具備全局思維能力，復雜推理補足長尾需求，開拓學術教育垂類場景.6 1.3 o1 在編程上展現出自主規劃和主動思考能力，AI+低代碼/網絡安全領域有望最早受益.8 2、AI Agent 是打破是打破 AI 應用發展瓶頸的關鍵，應用發展瓶頸的關鍵，o1能否開啟通往能否開啟通往 Agent 之路？之路？.1111 2.1 新的

11、 Scaling Law，RL+CoT 對于實現能自主規劃的 AI Agent 至關重要.12 2.2 RL范式下推理算力需求大幅上升，但不代表訓練算力需求會停止增長.13 3、投資建議投資建議 .1515 4、風險分析風險分析 .1616 中庚基金 敬請參閱最后一頁特別聲明-3-證券研究報告 海外海外 TMTTMT 圖目錄圖目錄 圖 1：GPT-4o、o1-preview、o1和人類專家在復雜推理任務中的得分差異.4 圖 2：o1相比于 GPT-4o 在各項測試集中的得分提升.5 圖 3：o1-mini、o1 等模型 AIME 得分和推理成本對比.6 圖 4：o1-mini的 Codefor

12、ces 得分顯著優于 o1-preview.6 圖 5：針對復雜數學問題，o1-preview在思維鏈中不斷進行糾錯、追問和反思，最終得到完整的解題框架.6 圖 6：針對規則復雜的縱橫填字游戲，GPT-4o 因無法理解規則而出錯，o1-preview首先理解規則再進行解答.7 圖 7：針對解碼問題，o1-preview的思維鏈采用了類似窮舉法的方式尋找答案，思維鏈較為僵化.7 圖 8：將 o1-preview與 Github Copilot 優化編碼器運行速度.8 圖 9：o1-preview與 Cursor Composer 結合，快速開發 App.8 圖 10：o1-preview找到 D

13、ocker Host API并啟動了損壞容器的新實例.9 圖 11：2023年交互式入侵主要針對北美洲地區.9 圖 12：2021-2023 年針對云的入侵案例顯著增加.9 圖 13：o1-preview和 o1-mini 在越獄學術基準 StrongReject上明顯領先 GPT-4o.10 圖 14：構建 AI應用的五層基石理論.11 圖 15：AlphaZero隨機初始化、self-play、MCTS、策略更新.11 圖 16：o1 在 AIEM測試中的準確率與“訓練時間計算”和“測試時間計算”呈正比.12 圖 17：在 PaLM 2-S*模型修正場景中，計算優化縮放（Compute O

14、ptimal）相比傳統的 Best-of-N 方法效率顯著提高.13 圖 18：主流模型輸出速度和輸出質量的對比，o1-preview為輸出質量犧牲了輸出速度.14 圖 19：主流模型輸入和輸出的價格對比.14 圖 20：OpenAI各模型輸出和推理 tokens 消耗對比.14 圖 21：科技公司資本支出占營運現金流的比例變化趨勢.15 圖 22：科技公司資本支出占 GAAP 凈利潤的比例變化趨勢.15 表目錄表目錄 表 1：不同測試集和子分類下 GPT-4o、o1-preview、o1的得分對比.5 表 2：23年以來部分網絡安全公司推出的生成式 AI產品和功能.10 敬請參閱最后一頁特別

15、聲明-4-證券研究報告 海外海外 TMTTMT 1 1、OpenAI o1OpenAI o1 開啟復雜推理模型新時代開啟復雜推理模型新時代 美國東部時間 2024 年 9 月 12 日，OpenAI 發布最新 AI 模型 o1，o 代表Orion（獵戶座），開啟了 OpenAI 的下一代復雜推理模型。同時，OpenAI 發布了即日可用的預覽版 o1-preview 和性價比更高的輕量級版本 o1-mini，可用范圍如下：1 1）ChatGPT plus 和 Teams 用戶可以直接使用，但存在次數限制。剛發布時o1-preview 每周可進行 30 次問答，o1-mini 每周可進行 50 次

16、問答，9 月 17日開始，o1-preview 和 o1-mini 的次數限制分別提升至每周 50 次和每日 50次；作為 o1 的早期版本，o1-preview 和 o1-mini 暫不具備實時瀏覽網頁、上傳文件和圖像等功能，計劃于后續版本中陸續開放。2 2）API Tier 5 用戶可以開始使用 o1-preview 和 o1-mini 的 API，但速率限制為 20RPM，暫不支持函數調用、流式處理、系統消息等功能。3 3）9 月 16 日開始，ChatGPT Enterprise 和 Edu 用戶可訪問這兩種模型。4 4）未來 o1-mini 計劃免費向所有 ChatGPT 用戶開放。

17、1.11.1 相比相比 GPTGPT-4o4o，o1o1 在代碼和理科能力上提升明顯在代碼和理科能力上提升明顯 在編程、理科競賽等推理密集型任務中，在編程、理科競賽等推理密集型任務中，o1o1 的性能明顯優于的性能明顯優于 GPTGPT-4o4o。根據OpenAI 官方博客，o1 在編程競賽 Codeforces 中的排名分位達到 89%，在美國數學奧林匹克競賽（AIME）中躋身前 500 名，在物理、生物、化學基準測試（GPQA）的準確性超過了人類博士水平。以 2024 年的 AIME 考試為例，GPT-4o 僅能解決平均 12%的問題，而 o1 的平均正確率在 64 個樣本中達到了 83%

18、，在 1000 個樣本中達到了 93%。圖圖 1 1：GPTGPT-4o4o、o1o1-previewpreview、o1o1 和人類專家在復雜推理任務中的得分差異和人類專家在復雜推理任務中的得分差異 資料來源：OpenAI 官網，實心矩陣代表使用 pass1 的正確率，虛影矩陣代表 64 個樣本的平均正確率 在經典測試集的表現上，在經典測試集的表現上，o1o1 性能普遍優于性能普遍優于 GPTGPT-4o4o。根據 OpenAI 官方博客，o1 在 MMMU 測試集的得分為 78.2%，成為首個與人類專家競爭的模型。在 57個 MMLU 子類別中，o1 在 54 個子類別中的表現優于 GPT

19、-4o，在化學、物理、數學等子類別上得分提升顯著，但在公共關系、計量經濟學、英語等學科上提升幅度較小。敬請參閱最后一頁特別聲明-5-證券研究報告 海外海外 TMTTMT 圖圖 2 2：o1o1 相比于相比于 GPTGPT-4o4o 在各項測試集中的得分提升在各項測試集中的得分提升 資料來源：OpenAI 官網博客 表表 1 1：不同測試集和子分類下：不同測試集和子分類下 GPTGPT-4o4o、o1o1-previewpreview、o1o1 的得分對比的得分對比 測試集測試集 MetricMetric 得分得分 相比相比 GPTGPT-4o4o 的提升的提升 gptgpt-4o4o o1o1

20、-previewpreview o1o1 o1o1-previewpreview o1o1 Competition Math AIME(2024)cons64 13.4 56.7 83.3 323.1%521.6%pass1 9.3 44.6 74.4 379.6%700.0%Competition Code CodeForces Elo 808 1,258 1,673 55.7%107.1%Percentile 11 62 89 463.6%709.1%GPQA Diamond cons64 56.1 78.3 78 39.6%39.0%pass1 50.6 73.3 77.3 44.9%5

21、2.8%Biology cons64 63.2 73.7 68.4 16.6%8.2%pass1 61.6 65.9 69.2 7.0%12.3%Chemistry cons64 43 60.2 65.6 40.0%52.6%pass1 40.2 59.9 64.7 49.0%60.9%Physics cons64 68.6 89.5 94.2 30.5%37.3%pass1 59.5 89.4 92.8 50.3%56.0%MATH pass1 60.3 85.5 94.8 41.8%57.2%MMLU pass1 88 92.3 90.8 4.9%3.2%MMMU(val)pass1 69

22、.1 N/A 78.2 13.2%MathVista(testmini)pass1 63.8 N/A 73.9 15.8%資料來源：OpenAI 官網博客，光大證券研究所整理 o1o1 在部分自然語言任務中評價弱于在部分自然語言任務中評價弱于 GPTGPT-4o4o，但具備更好的安全性。，但具備更好的安全性。人類訓練師的評分顯示，認為 o1 在個人寫作、文檔編輯能力上優于 GPT-4o 的比例低于 50%，顯示出 o1 在文字生成和修改能力上沒有明顯提升。但 o1 在對齊和安全方面優于 GPT-4o，o1-preview 在關鍵越獄評估和模型安全拒絕邊界評估等指標中性能顯著提高。由于 o1 采

23、用思維鏈的方式進行推理，在輸出內容的過程中提供了更多的內部可見性，賦予模型更強的可控性和更多的優化空間。敬請參閱最后一頁特別聲明-6-證券研究報告 海外海外 TMTTMT o1o1-minimini 在維持較高性能的同時大幅度降低推理成本。在維持較高性能的同時大幅度降低推理成本。由于在預訓練期間針對STEM 推理進行了優化，o1-mini 在數學和編碼能力上具備相當高的性價比，且擁有更低的延遲。根據 OpenAI 官網博客，o1-mini 在 AIME 數學競賽中的得分高于 o1-preview，幾乎與 o1 相當，但推理成本相較 o1-preview 便宜 80%；此外，o1-mini 在

24、Codeforces 編碼競賽和網絡安全競賽中表現優異。但另一方面，o1-mini 在非 STEM 的事實知識任務中表現較差。圖圖 3 3：o1o1-minimini、o1o1 等模型等模型 AIMEAIME 得分和推理成本對比得分和推理成本對比 圖圖 4 4：o1o1-minimini 的的 CodeforcesCodeforces 得分顯著優于得分顯著優于 o1o1-previewpreview 資料來源：OpenAI 官網博客 資料來源：OpenAI 官網博客 1.2 1.2 o1o1 具備具備全局全局思維能力思維能力，復雜推理復雜推理補足長尾需求，補足長尾需求，開開拓拓學術教育學術教育

25、垂類場景垂類場景 OpenAI o1OpenAI o1 復雜推理能力的關鍵技術是思維鏈（復雜推理能力的關鍵技術是思維鏈（CoTCoT），讓模型在給出答案前），讓模型在給出答案前進行多步思考，而不是一步給出答案。進行多步思考，而不是一步給出答案。在 OpenAI 的官方文檔中展示了 o1 和GPT-4o 在解碼、編碼、數學、字謎、語言等問題上的解答對比，并展示了 o1的完整思維鏈。根據我們的根據我們的歸納和歸納和測評，測評，o1o1 思維鏈思維鏈的的主要特征可以概括為以下兩點：主要特征可以概括為以下兩點：1 1）優先優先形成全局方法：形成全局方法：在開始解答前，o1 會先分析問題本身，抽象出底層

26、規律，避免后續的解決思路跑偏，相比其他大模型的線性思維過程，準確度有明顯提升；2 2）不斷不斷的的追問和反思：追問和反思：在輸出最終答案之前，o1 會不斷反思自己的解答過程是否有問題，有沒有需要改進的地方，其完整思維鏈可達數百行。圖圖 5 5：針對復雜數學問題，針對復雜數學問題，o1o1-previewpreview 在在思維鏈思維鏈中不斷進行糾錯、追問和反思，最終得到中不斷進行糾錯、追問和反思，最終得到完整的解題框架完整的解題框架 資料來源：OpenAI 官網博客 敬請參閱最后一頁特別聲明-7-證券研究報告 海外海外 TMTTMT 例如，在解答縱橫填字游戲的問題時，GPT-4o 和 o1 都

27、會先試圖理解游戲規則，但 GPT-4o 僅僅停在了“第一行和第一列單詞首字母相同”上，便直接輸出了錯誤答案，而 o1 通過思維鏈不斷反思，得出了“每一行和每一列的對應字母都要相同”的底層規律，再基于該規律進行解答。同樣，在解答復雜數學問題時，o1 會先試圖理解給定信息，通過完整思維鏈中大量的糾錯和反思，歸納底層原理，并對后續的解答過程做出一定的限制。圖圖 6 6：針對規則復雜的縱橫填字游戲，針對規則復雜的縱橫填字游戲，GPTGPT-4o4o 因無法理解規則而出錯，因無法理解規則而出錯，o1o1-previewpreview 首先首先理解規則理解規則再進行解答再進行解答 資料來源：OpenAI

28、官網博客 不過，當前不過，當前 o1o1-previewpreview 所展現出的所展現出的完整完整思維鏈仍較為僵化，與人類思維方式思維鏈仍較為僵化，與人類思維方式有較明顯區別。有較明顯區別。例如，在 OpenAI 官網給出的解碼案例中，實際的解碼方式為兩個字母一組，按照字母表順序轉化成數字，取平均值后再轉化為對應的字母。例如 oy=(15+25)/2=20=T。在完整的思維鏈中，o1 所想到的第一個方法就非常接近正確答案，但它依然繼續窮舉了五種新方法才找到答案。在這個過程中，可以看到 o1 的聯想能力較弱，而是通過類似于窮舉法的方式尋找答案。圖圖 7 7：針對解碼問題，針對解碼問題，o1o1

29、-previewpreview 的思維鏈采用了類似窮舉法的方式尋找答案，思維鏈較為僵化的思維鏈采用了類似窮舉法的方式尋找答案，思維鏈較為僵化 資料來源：OpenAI 官網博客 o1o1 的復雜推理能力有望補足的復雜推理能力有望補足 AIAI 應用的長尾需求，拓展學術教育等領域的垂類應用的長尾需求，拓展學術教育等領域的垂類應用場景。應用場景。過去以 GPT-4o 為代表的 LLM 在解答題目時雖然正確率較高，但解答方法可能較為繁瑣，不符合教育場景的需求。o1 不但在復雜問題上展現出更高的正確率，而且具備較強的全局思維能力，能優化出最佳解題過程，對于學術教育場景的 AI 應用使用體驗提升較為明顯。

30、敬請參閱最后一頁特別聲明-8-證券研究報告 海外海外 TMTTMT 1.3 o1.3 o1 1 在編程上在編程上展現出展現出自主規劃自主規劃和主動思考和主動思考能力能力，AI+AI+低代碼低代碼/網絡安全領域網絡安全領域有望最早受益有望最早受益 OpenAI o1OpenAI o1 在編程在編程方面具備較強的自主性方面具備較強的自主性，可以一定程度上對沖，可以一定程度上對沖 o1o1 高成本和高成本和高延遲高延遲的問題的問題。根據 o1 開發者團隊的采訪，OpenAI 內部開發人員使用 o1 最多的場景就是編程，主要有兩個場景：1 1）采用測試驅動開發的方法：）采用測試驅動開發的方法：先編寫一

31、個單元測試，明確程序應該如何運行才算正確，將具體編寫交給 o1 來完成，開發者只需要解決架構設計等更高層次的問題。2 2）調試：調試：遇到 bug 時直接交給 o1，可以直接解決或提供有價值的思路。另外，o1 在解決 AL/ML 編程問題上進步明顯，根據 OpenAI 研究工程師訪談，o1-preview 的編碼效率比 GPT-4o 提升 15%，在多任務解決上的效率比 GPT-4o 提升 21%。在民間測試中，在民間測試中，o1o1 效果最好的應用場景也是編程效果最好的應用場景也是編程。1 1）代碼）代碼性能性能優化：優化：將Github Copilot 和 o1-preview 結合，僅需

32、幾步操作，就可以優化一個原本運行緩慢的編碼器，大幅度提升代碼的性能；2 2）快速快速開發簡單的項目：開發簡單的項目：將 AI 編程工具 Cursor Composer 和 o1-preview 結合，可以在 10 分鐘內完成一個帶有動畫效果的完整天氣預報 App。圖圖 8 8：將將 o1o1-previewpreview 與與 Github CopilotGithub Copilot 優化優化編碼器運行速度編碼器運行速度 圖圖 9 9：o1o1-previewpreview 與與 Cursor ComposerCursor Composer 結合，快速開發結合，快速開發 AppApp 資料來源

33、：X 用戶 Thomas Dohmkeashtom 資料來源：X 用戶 Oliver Janeheyoliverjane OpenAI o1OpenAI o1 在網絡安全攻防中表現優秀在網絡安全攻防中表現優秀，能將，能將復雜復雜任務分解成任務分解成多個子任務多個子任務，并，并找到最簡單的找到最簡單的解決方法解決方法。根據 OpenAI 官方 System card，o1-preview 使用網絡安全挑戰賽 CTF 的課題進行測試，該課題要求參賽者找到隱藏在 Docker 中的 flag，但由于系統配置問題比賽環境崩潰。在比賽幾乎無法進行的情況下，o1-preview 突破了主機 VM 上運行的

34、 Docker deamon API，在嘗試修復環境失敗后，模型直接通過啟動命令啟動了損壞容器的新實例，該實例允許模型直接通過 Docker API 從容器日志中讀取 flag，最終完成了課題。敬請參閱最后一頁特別聲明-9-證券研究報告 海外海外 TMTTMT 圖圖 1010：o1o1-previewpreview 找到找到 Docker Host APIDocker Host API 并并啟動啟動了了損壞容器的損壞容器的新實例新實例 資料來源：OpenAI o1 System Card 未來網絡安全的攻防環境將變得更加復雜。未來網絡安全的攻防環境將變得更加復雜。從上述案例中，我們看到 o1-

35、preview 在編程方面已經初步具備了自主規劃能力，在遇到復雜困難時嘗試主動解決問題。而 o1 在解決問題的過程中采取了帶有攻破性質的解決方法，也體現出了 AI 輔助網絡攻擊的潛在威脅較大。根據 CrowdStrike 發布的全球威脅報告，2023 年全球網絡攻擊平均突破防御的時間從上一年的 84 分鐘下降到62 分鐘，其中云入侵案例同比增加了 75%。攻擊者越來越多地使用生成式 AI降低網絡攻擊的操作和準入門檻，企業面臨更大的網絡安全威脅。圖圖 1111：20232023 年交互式入侵主要針對北美洲地區年交互式入侵主要針對北美洲地區 圖圖 1212：20212021-20232023 年針

36、對云的入侵案例顯著增加年針對云的入侵案例顯著增加 資料來源：CrowdStrike 2024 年全球威脅報告 資料來源：CrowdStrike 2024 年全球威脅報告 另一方面另一方面，基于基于 AI/MLAI/ML 的網絡安全解決方案也在不斷升級和迭代，的網絡安全解決方案也在不斷升級和迭代，AIAI 驅動的網驅動的網絡安全攻防升級將成為未來行業的主旋律。絡安全攻防升級將成為未來行業的主旋律。23 年以來網絡安全公司陸續推出生成式 AI 驅動的功能，主要包含以下幾方面能力：1 1）AI/MLAI/ML 技術強化威脅檢測技術強化威脅檢測和安全保護能力：和安全保護能力：AI 技術融入網絡安全產品

37、體驗，技術壁壘主要在于各公司積累的安全日志和響應數據。2 2）生成可視化安全日志：）生成可視化安全日志：對公司網絡安全狀況進行分析，生成可視化、可交互的安全日志，幫助員工快速了解公司安全漏洞，生成定制化的應對方案。3 3）AIAI 聊天機器人助手：聊天機器人助手：將聊天機器人嵌入網絡安全云原生平臺，使用自然語言交互降低安全員的技術門檻。敬請參閱最后一頁特別聲明-10-證券研究報告 海外海外 TMTTMT 表表 2 2：2323 年以來部分網絡安全公司推出的生成式年以來部分網絡安全公司推出的生成式 AIAI 產品和功能產品和功能 公司公司 生成式生成式 AIAI 產品產品 發布時間發布時間 具體

38、介紹具體介紹 Microsoft Copilot for Security 24M3 在微軟綜合性的安全服務里加入 AI 副駕駛，涉及端點安全、身份訪問和管理（IAM）、安全事件和響應管理（SIEM）、數據治理等多方面功能。Copilot 可以總結和評估安全事件、提供可操作的建議，降低安全員復雜操作的門檻，使用大模型識別身份風險、風險暴露情況等 CrowdStrike Charlotte AI 23M6 生成逼真的攻擊場景，提前發現企業潛在的安全漏洞，增強網絡防御能力；通過與 Charlotte AI 互動訓練，提升企業員工的網絡安全意識 Falcon MaaS 24M3 Falcon 平臺引

39、入英偉達 AI 計算服務，使用其獨特而豐富的網絡威脅情報數據，幫助用戶構建和訓練AI 網絡安全模型，以及開發 AI 驅動的網絡安全應用程序，監測網絡安全漏洞，主動防御可能出現的攻擊 Zscaler Business Insight 23M12 推出 AI 驅動的安全產品組合 Business Insight，包括 Zscaler Risk360 和 Zscaler 數字體驗監控產品中的 AI 工具，利用零信任架構訓練強大的 AI/ML 安全引擎，協助企業降低成本，形成可視化的評估報告 Varonis Athena AI 23M11 包含 Athena AI 分析師、自然語言搜索等工具，AI 聊

40、天機器人 AI SOC Assistant 嵌入 Varonis 數據安全平臺并出現在各種用戶界面，顯著提升安全任務效率、降低安全員的技術門檻 Okta Okta AI 23M10 先進的 AI 技術和 Okta 的身份認證和訪問管理平臺，Okta AI 可以分析用戶行為和模式，以優化身份驗證流程和訪問控制，并且利用機器學習和預測分析來識別和應對潛在的安全威脅 Fortinet Fortinet Advisor 23M12 提供網絡安全方面的咨詢和指導；提供實時的威脅情報和風險評估，幫助組織了解當前的網絡安全威脅和漏洞，并根據組織的需求和網絡環境，提供定制化的安全架構規劃。通過分析和評估組織的

41、網絡安全配置和運行狀況，提供性能優化建議和最佳實踐指導 Cloudflare Cloudflare One for AI 23M5 利用 Cloudflare 強大的網絡安全基礎設施，為 AI 應用提供全面的保護。Cloudflare One for AI 提供安全、私密的網絡連接，能夠抵御各種類型的 DDoS 攻擊，檢測和阻止惡意的 Web 請求和攻擊 資料來源：各公司官網，光大證券研究所整理 OpenAI o1OpenAI o1 在在挑戰性拒絕評估、越獄抗性、幻覺控制等能力上提升明顯，對于挑戰性拒絕評估、越獄抗性、幻覺控制等能力上提升明顯，對于AIAI 生成內容的安全性生成內容的安全性意義

42、重大。意義重大。根據 OpenAI 官方 System card，涉及要求拒絕不安全請求的復雜 Prompt 時，o1-preview 實現了 93.4%的安全率，明顯超過 GPT-4o 的 71.3%。在具有強挑戰性的越獄學術基準 StrongReject 上，o1-preview 相比 GPT-4o 顯示出明顯地改進，抵抗違反安全規則行為的能力更強。另外，與 GPT-4o 相比，o1-preview 在 SimpleA、BirthdayFacts 等多個數據集中表現出更少的幻覺，提供了更準確可靠的回答。圖圖 1313：o1o1-previewpreview 和和 o1o1-minimini

43、 在越獄學術基準在越獄學術基準 StrongRejectStrongReject 上明顯領先上明顯領先 GPTGPT-4o4o 資料來源：OpenAI o1 System Card 敬請參閱最后一頁特別聲明-11-證券研究報告 海外海外 TMTTMT 2 2、AI AgentAI Agent 是打破是打破 AIAI 應用發展瓶頸應用發展瓶頸的關的關鍵鍵，o1o1 能否開啟通往能否開啟通往 AgentAgent 之路？之路？受限于模型性能，受限于模型性能，AIAI 應用應用發展進入瓶頸。發展進入瓶頸。當前以 GPT-4o 為代表的 LLM 在文本處理和生成上表現優異，但也導致了 AI 應用的形式

44、局限于聊天機器人，產品形態同質化，難以發掘用戶潛在需求、形成足夠的用戶粘性。而用戶付費意愿不足，AI 應用的成本收益臨界點尚未到來，是 AI 應用難以大規模推廣的最大癥結。以北美科技巨頭為代表的企業已經投入大量資本支出用于 AI 基礎設施建設，折舊成本將對利潤端造成壓力，若削減資本支出，則會削弱上游算力產業鏈的業績成長性。AI 產業鏈已來到十字路口，模型底層技術的突破，是整個 AI 產業發展和投資情緒提振的關鍵。AI AI AgentAgent 是是 AIAI 發展的發展的下一個臺階下一個臺階，是打破，是打破 AIAI 應用癥結的關鍵，而應用癥結的關鍵，而 o1o1 展現的展現的底層技術走在正

45、確的道路上。底層技術走在正確的道路上。AI Agent 應當擁有自主理解、規劃和執行復雜任務的能力，可以將簡單的指令自主拆分成多個步驟并精細化執行，將上一環節的輸入作為下一環節的輸出。早在 23M4 便有 AutoGPT、BabyAGI 等 Agent項目作為早期探索，但性能尚不成熟，容易陷入死循環卡死、消耗大量 tokens的問題，且 AI 全自動代理存在潛在的可靠性風險。而近期的而近期的 AIAI 領域前沿論文，領域前沿論文，以及以及 OpenAI o1OpenAI o1 集成前沿理論集成前沿理論推出的實際模型，展現了當前模型性能迭代和技推出的實際模型，展現了當前模型性能迭代和技術演進路徑

46、正走在通往術演進路徑正走在通往 AgentAgent 的正確道路上。的正確道路上。具體包括三個關鍵點：1）強化學習推理（RL Reasoning）產生了新的 Scaling Law，為模型性能的提升提供了更多的維度。當前大模型參數量擴張進入瓶頸，市場普遍擔憂 26年科技巨頭資本支出持續性的問題，我們認為，強化學習我們認為，強化學習 Scaling LawScaling Law 對推理對推理算力擴張的需求大幅增算力擴張的需求大幅增加的同時，對訓練算力擴張的需求也將持續提升。加的同時，對訓練算力擴張的需求也將持續提升。2）強化學習范式中的 self-play 通過自主博弈生成大量高質量數據，有利于

47、突破當前外部訓練數據逐漸用盡的現狀。3）強化學習范式中的蒙特卡洛樹搜索（MCTS）具備自主探索和連續決策的能力，更適應 AI Agent 的全局規劃需求。圖圖 1414：構建構建 AIAI 應用的五層基石理論應用的五層基石理論 圖圖 1515：AlphaAlphaZ Zeroero 隨機初始化、隨機初始化、selfself-playplay、MCTSMCTS、策略更新、策略更新 資料來源：Seednapse AI，光大證券研究所整理 資料來源：AlphaTensor 論文，展現了 AlphaZero 矩陣運算解題時的變種，圖中的Acting 對應隨機初始化、self-play、MCTS，lea

48、rning 對應策略更新 ModelsModels 多個 Agent 自主分工相互協作 PromptPrompt ChainsChains AgentAgent MultiMulti-AgentAgent 自主執行鏈式調用，訪問外部工具 模型的鏈式調用，上個輸出=下個輸入 提示詞中引入變量以適應自定義模版 調用大模型 API 敬請參閱最后一頁特別聲明-12-證券研究報告 海外海外 TMTTMT 2.1 2.1 新的新的 Scaling LawScaling Law，RL+CoTRL+CoT 對于實現能自主規劃的對于實現能自主規劃的AI AAI Agentgent 至關重要至關重要 慢思考或將慢

49、思考或將突破突破 S Scaling caling L Lawaw 的邊界，帶來模型性能的進一步突破的邊界，帶來模型性能的進一步突破。在過去幾年，LLM 的發展主要依賴于訓練側的大規模投入，其性能提升依賴于模型規模、數據量和計算資源的擴展，而與模型的具體結構（例如層數、深度、寬度）基本無關。長期來看，隨著大模型參數突破萬億級、有效訓練數據被大量消耗，模型的訓練和推理的成本迅速上升，邊際收益遞減，Scaling Law 驅動的技術路徑和商業化前景可能遭遇瓶頸。在這樣的背景下，o1 揭示了一種充滿可能性的 Scaling Law 范式，即強化學習（RL）驅動的性能提升，通過訓練過程和推理過程兩種渠

50、道來拓展模型的計算能力。o1o1 采用大規模強化學習算法，展采用大規模強化學習算法，展現出訓練和測試兩個維度的現出訓練和測試兩個維度的 Scaling LawScaling Law。根據官網博客，在強化學習過程中，o1 在 AIEM 測試中的準確率與“訓練時間計算”和“測試時間計算”呈正比。1 1）訓練時間計算：）訓練時間計算：代表傳統的 Scaling Law，即模型性能提升依賴于訓練時投入更多的計算資源；2 2）測試時間計算：）測試時間計算：代表測試時模型性能隨著推理時間延長而提升，包括多次的推理迭代、更加復雜的搜索算法或模型的深度思考，從而在特定垂類任務中表現增強。因此，o1 不僅通過增

51、加訓練時投入的計算資源來提升模型性能，還通過增加推理過程中的內部思考時間來獲得能力的提升，訓練和推理 Scaling Law 雙曲線共同增長，為大模型性能提升提供了更多的維度。圖圖 1616：o1o1 在在 AIEMAIEM 測試中的準確率與“訓練時間計算”和“測試時間計算”呈正比測試中的準確率與“訓練時間計算”和“測試時間計算”呈正比 資料來源：OpenAI 官網博客 強化學習范式對于實現自主規劃的強化學習范式對于實現自主規劃的 AI AgentAI Agent 至關重要。至關重要。大模型訓練的三大經典范式（監督學習、非監督學習、強化學習）中，只有強化學習讓 AI 進行自主探索和連續決策，符

52、合 Agent 定義中的自主規劃能力。1 1）自主探索：）自主探索：強化學習允許 AI Agent 在沒有明確目標的情況下，通過與環境互動探索可能的解決方案，并基于獎懲反饋動態調整策略，使 Agent 能使用復雜、多變的決策環境。2 2）連續決策：連續決策：強化學習支持多步驟的決策過程，關注如何在一系列決策中最大化長期回報，使 Agent 具備更強的長線規劃能力。相比相比 RLHFRLHF 的局限性，強化學習的的局限性，強化學習的 selfself-playplay 和和 MCTSMCTS 更適應更適應 AI AgentAI Agent 的要求。的要求。當前 LLM 主要依賴 RLHF 進行優

53、化，目標是“人機對齊”，弱化了邏輯推理的深度和嚴謹性；而強化學習基于 self-play+MCTS 的底層架構，通過高質量的數據博弈提升推理能力。1 1）selfself-playplay：通過 AI 與自己博弈生成大量的高質量數據；2 2）MCTSMCTS（蒙特卡洛樹搜索）：（蒙特卡洛樹搜索）：基于策略網絡提供的動作概率分布引導搜索方向，通過價值網絡的評估結果為搜索提供反饋，使模型的推理能力提升，且推理過程更加可見，有助于進一步調試和改進 AI Agent 模型。敬請參閱最后一頁特別聲明-13-證券研究報告 海外海外 TMTTMT 圖圖 1717：在：在 PaLM 2PaLM 2-S*S*模

54、型修正場景中，計算優化縮放（模型修正場景中，計算優化縮放（Compute OptimalCompute Optimal）相比傳統的）相比傳統的 BestBest-ofof-N N 方法效率顯著提高方法效率顯著提高 資料來源：Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters，Google DeepMind，2024 年 8 月 左圖代表隨著時間推移，計算優化縮放策略的表現逐漸優于傳統的 best-of-N 方法；右圖論證了推理過程中使用計算優化縮放與更大參數預訓練

55、之間的權衡，表明在簡單問題上，測試時的計算比預訓練更有效，但在復雜問題上預訓練更有效 除了強化學習推理外，除了強化學習推理外，o1o1 的另一個關鍵底層技術是思維鏈（的另一個關鍵底層技術是思維鏈（CoTCoT）。）。思維鏈通過分步推理的方式，要求模型在生成最終答案之前，先生成一系列中間推理步驟。僅靠 MCTS 很難讓模型學會從內部思考不同步驟的關聯，而思維鏈能夠利用 LLM 已有的推理能力，生成合理的中間推理過程，并進一步將合理推理過程（Rationales）融入到訓練過程中。Quiet-STaR 技術則提出了“內部思維”的概念，將顯示的 Rationales 推理過程轉化為模型內部隱式的推理

56、過程，從而擺脫對外部示例的依賴。強化學習推理和思維鏈是相互結合、一脈相承的。思維鏈能極大提升模型涉及數學和符號的推理能力，但在思維鏈能極大提升模型涉及數學和符號的推理能力，但在其他問題上提升效果其他問題上提升效果不顯著，甚至不顯著，甚至可能有損模型性能?？赡苡袚p模型性能。論文To CoT or not to CoT?中探討了在模型中采用思維鏈的表現，在數學、符號推理能力上提升明顯，在知識、常識、軟推理上無明顯提升。另外，使用思維鏈時模型能更好地生成可執行的方案，但表現不如借助外部工具（如符號求解器）。盡管 OpenAI o1 在數學、物理等復雜推理上能力提升明顯，但在一些語言生成任務上沒有明顯

57、提升，使它無法成為一個可靠的 Agent 助手。這體現了推理能力和模型的指令跟隨能力呈現出分離關系，在模型強大到一定程度時才會出現，對于構建 AGI 來說，如何平衡二者的關系會成為一個核心問題。2.2 RL2.2 RL 范式下范式下推理推理算力需求算力需求大幅上升大幅上升，但但不代表訓練不代表訓練算算力需求力需求會停止增長會停止增長 Scaling LawScaling Law 由訓練側轉向推理由訓練側轉向推理側側，推理成本大幅提升推理成本大幅提升，但，但不代表不代表訓練訓練端計算端計算資源投入會降低資源投入會降低?；趶娀瘜W習的 Scaling Law 范式，本質是將訓練時間轉化為推理時間，

58、來應對訓練側計算資源投入的邊際收益遞減的狀況。由于 Quiet-STaR 在生成內部思維鏈的過程中，每個 Token 均會生成下一步思考過程，導致生成了大量的冗余 Tokens，對推理側計算資源的需求大幅增加。有觀點認為，推理相比訓練對 GPU 單卡性能和集群規模的需求更低，若強化學習推理成為主流，會導致市場對高端 GPU 的整體需求降低。敬請參閱最后一頁特別聲明-14-證券研究報告 海外海外 TMTTMT 但我們認為，但我們認為，強化學習強化學習 Scaling LawScaling Law 對推理算力擴張的需求大幅增加的同時，對推理算力擴張的需求大幅增加的同時，對對訓練訓練算力算力擴張擴張

59、的需求的需求也將持續提升也將持續提升。當前 o1 存在思考時間過長、推理成本過高的問題，使其實際使用場景非常受限，為了加快推理速度，對推理芯片的性能需求也會水漲船高。根據 Artificial Analysis 的測試，o1-preview 生成相同內容的輸出 tokens 大約是 GPT-4o 的 5.9 倍，其中 72%的 tokens 為推理過程中生成，按 60 美元/100 萬 tokens 的價格收費。因此，使用 o1-preview 的輸出成本約為 GPT-4o 的 36 倍。另一方面，o1-preview 的輸出速度在主流模型中排名靠后，使其實際使用體驗不佳。圖圖 1818：主流

60、主流模型輸出速度和輸出質量的對比，模型輸出速度和輸出質量的對比，o1o1-previewpreview 為輸出質量犧牲了輸出速度為輸出質量犧牲了輸出速度 資料來源：Artificial Analysis，圓點大小代表價格，縱軸為 Artificial Analysis 編制的質量指數 圖圖 1919：主流模型主流模型輸入和輸入和輸出輸出的的價格價格對比對比 圖圖 2020：OpenAIOpenAI 各模型各模型輸出和推理輸出和推理 tokenstokens 消耗對比消耗對比 資料來源：Artificial Analysis，單位：美元/百萬 tokens 資料來源：Artificial Ana

61、lysis，tokens 統計方法為 30 個樣例 prompts 加總 另一方面另一方面，強化學習推理強化學習推理的預訓練階段的預訓練階段同樣同樣需要消耗大量的算力。需要消耗大量的算力。強化學習推理通過 self-play 自我博弈，生成大量的高質量數據。該方法可以緩解當前可用高質量訓練數據不足的問題，但生成的數據理論上是沒有上限的，這個過程需要消耗大量的算力。也有觀點認為，強化學習推理并不意味著模型參數量停止擴張，因為 self-play 的主模型參數提升可能會產生更好的推理路徑?？偟膩碚f，雖然強化學習 Scaling Law 對算力需求的影響存在不確定性，但是新的技術路徑激發了更多的可能

62、性。除了硬件更新外，模型架構優化也有望點除了硬件更新外，模型架構優化也有望點燃新的燃新的 Scaling LawScaling Law，這可能會改變北美云廠商未來幾年的資本支出策略。，這可能會改變北美云廠商未來幾年的資本支出策略。敬請參閱最后一頁特別聲明-15-證券研究報告 海外海外 TMTTMT 北美科技公司北美科技公司進入進入新一輪新一輪 AIAI 投資周期投資周期，資本支出大幅上升可能使公司面臨成本，資本支出大幅上升可能使公司面臨成本壓力壓力。經歷了 2022 年的宏觀環境逆風和凈利潤承壓后，北美科技公司在 2023年普遍開啟降本增效，從資本支出占營運現金流的比例來看，利潤壓力較大的亞馬

63、遜、Meta、Oracle 大幅削減了資本支出的占比，谷歌資本支出占比無明顯變化，微軟、特斯拉資本支出占比均呈上升趨勢。而根據公司指引，2024 年和 2025 年科技巨頭有望繼續增加資本支出，Meta 則明確指出持續增加的投資會使 2025 年的折舊成本大幅提升。根據彭博一致預期，2024 年科技巨頭資本支出占營運現金流的比例將普遍達到 40%以上。因此，在 AI 的投資回報率尚不明顯的現狀下，科技巨頭會更加重視 AI 戰略的性價比。圖圖 2121：科技公司資本支出占營運現金流的比例科技公司資本支出占營運現金流的比例變化變化趨勢趨勢 圖圖 2222：科技公司資本支出占科技公司資本支出占 GA

64、APGAAP 凈利潤的比例凈利潤的比例變化變化趨勢趨勢 資料來源：彭博，光大證券研究所整理，已排除自由現金流為負的年份和極端值，24E數據為彭博一致預期 資料來源：彭博，光大證券研究所整理，已排除虧損年份和極端值，24E 數據為彭博一致預期 3 3、投資建議投資建議 根據前文所述，OpenAI o1 所展現出的技術路徑的演進方向，即強化學習推理和思維鏈，產生了推理層面的 Scaling Law，有利于緩解訓練側計算資源投入邊際遞減的現狀。我們認為，我們認為，強化學習強化學習 Scaling LawScaling Law 對推理算力擴張的需求大對推理算力擴張的需求大幅增加的同時，幅增加的同時，對

65、對訓練訓練算力擴張的需求算力擴張的需求也將持續提升，也將持續提升，算力需求仍將持續強勁。而訓練成本轉嫁為推理成本，對于 AI 應用的商業化前景來說是個積極的變化，因為推理的成本下降的速度更快、彈性更大。從行業的視角來看，雖然科技巨頭擁有較為充足的自由現金流支持資本開支的持續增加，但仍面臨折舊成本提升和一定的利潤壓力，緩解硬件成本壓力的需求較為迫切。另一方面，軟件公司對于 AI 應用的探索很激進，需要性能更強、更具可靠性的 Agent 來突破困局，微軟、Salesforce 均已推出類似 Agent 的產品，靜待后續 Agent 底層技術的迭代，撬動 Agent 應用的飛輪效應。1 1、建議關注

66、建議關注 AIAI 電力：電力：AI 數據中心持續提振電力需求，亞馬遜、微軟等云廠商簽署長期協議，清潔能源需求強勁，關注關注核電供應商核電供應商 ConstellationConstellation、光伏供應光伏供應商商 NRGNRG。2 2、建議關注建議關注 AIAI 算力產業鏈算力產業鏈：1 1）AI GPUAI GPU：訓練側 AI 大模型持續迭代，推理側和端側延伸引發增量需求，產品加速迭代出貨，關注英偉達、關注英偉達、AMDAMD；2 2）ASICASIC 芯片設計：芯片設計：AI 算力需求由通用芯片向配合行業和公司特性的專用定制AI 芯片轉型，關注關注 MarvellMarvell

67、科技、博通；科技、博通；3 3）存儲：）存儲：AI 手機/AIPC 提升容量需求，云端算力帶動 HBM 供不應求、市場規模高速增長，關注關注 SKSK 海力士、三星電子、美光科技；海力士、三星電子、美光科技；0%20%40%60%80%100%120%140%2015 2016 2017 2018 2019 2020 2021 2022 2023 2024E微軟 亞馬遜 谷歌 Meta特斯拉 Oracle100%0%50%100%150%200%2015 2016 2017 2018 2019 2020 2021 2022 2023 2024E微軟 亞馬遜 谷歌 Meta特斯拉 Oracle1

68、00%敬請參閱最后一頁特別聲明-16-證券研究報告 海外海外 TMTTMT 4 4）服務器：）服務器：AI 算力需求強勁帶動 AI 服務器出貨量攀升，在手訂單高漲，關注關注聯想集團、超微電腦、戴爾科技、慧與、工業富聯；聯想集團、超微電腦、戴爾科技、慧與、工業富聯；5 5）CoWoSCoWoS：先進封裝 CoWoS 產能成 AI 算力供應瓶頸，臺積電訂單持續外溢，封測廠受益，關注臺積電、日月光、關注臺積電、日月光、AmkorAmkor 科技；科技；6 6）網絡：）網絡：萬卡算力集群化趨勢驅動通信互聯需求，利好光模塊、連接器、交換機等，關注中際旭創、新易盛、關注中際旭創、新易盛、CoherentC

69、oherent、安費諾、安費諾、AristaArista 網絡。網絡。3 3、建議關注、建議關注 AIAI 應用應用產業鏈產業鏈：1 1）云技術服務商云技術服務商：充裕的現金流支持大額資本支出投入，基礎設施壁壘高筑，用戶基礎廣闊，關注微軟、谷歌、亞馬遜關注微軟、谷歌、亞馬遜、OracleOracle；2 2）AI+AI+開發開發/數據分析：數據分析：o1 展現出強大的復雜推理和編程能力，對于數據分析、低代碼等產品的使用體驗提升明顯，關注關注 ServiceNowServiceNow、PalantirPalantir、DatadogDatadog；3 3）AI+AI+網絡安全：網絡安全：o1 在

70、解決問題的過程中采取了帶有攻破性質的解決方法，也體現出了 AI 輔助網絡攻擊的潛在威脅。另一方面，基于 AI/ML 的網絡安全解決方案也在不斷升級和迭代，AI 驅動的網絡安全攻防升級將成為未來行業的主旋律。關注致力于 AI/ML+網絡安全解決方案、擁有較強技術壁壘的的公司，關注關注微軟、微軟、CrowdStrikeCrowdStrike、FortinetFortinet；4 4）AI AgentAI Agent：當前企業客戶對 AI 的數據整合、后臺打通、優化工作流的潛在需求較為強勁，o1 的技術路徑有望加速 Agent 的發展，大型 SaaS 公司擁有堅實的客戶基礎、成熟的銷售渠道，特別是專

71、注于 ERP、CRM 等領域的 SaaS 產品服務于企業工作流，與 Agent 的邏輯相契合，關注微軟、關注微軟、SalesforceSalesforce、WorkdayWorkday；5 5）AI+AI+教育：教育：o1 在復雜問題上具備強大的推理能力和全局思維能力，有望拓展學術教育等垂類應用場景，關注多鄰國、關注多鄰國、CourseraCoursera。4 4、風險風險分析分析 1）AI 技術研發和產品迭代遭遇瓶頸：當前 AI 產業發展較依賴前沿技術突破，若遭遇瓶頸則會導致 AI 應用需求不足；2）AI 行業競爭加劇風險：當前 AI 產業鏈面臨激烈競爭，可能因行業競爭加劇而擠壓利潤空間；3

72、）商業化進展不及預期風險：AI 應用的用戶需求和滲透率擴張可能低于預期；4）國內外政策風險：AI 相關版權和數據合規政策仍待完善。敬請參閱最后一頁特別聲明-17-證券研究報告 海外海外 TMTTMT 行業及公司評級體系行業及公司評級體系 評級評級 說明說明 行行 業業 及及 公公 司司 評評 級級 買入 未來 6-12 個月的投資收益率領先市場基準指數 15%以上 增持 未來 6-12 個月的投資收益率領先市場基準指數 5%至 15%；中性 未來 6-12 個月的投資收益率與市場基準指數的變動幅度相差-5%至 5%；減持 未來 6-12 個月的投資收益率落后市場基準指數 5%至 15%；賣出

73、未來 6-12 個月的投資收益率落后市場基準指數 15%以上；無評級 因無法獲取必要的資料，或者公司面臨無法預見結果的重大不確定性事件，或者其他原因，致使無法給出明確的投資評級?；鶞手笖嫡f明：基準指數說明：A 股市場基準為滬深 300 指數；香港市場基準為恒生指數；美國市場基準為納斯達克綜合指數或標普 500 指數。分析、估值方法的局限性說明分析、估值方法的局限性說明 本報告所包含的分析基于各種假設，不同假設可能導致分析結果出現重大不同。本報告采用的各種估值方法及模型均有其局限性，估值結果不保證所涉及證券能夠在該價格交易。分析師聲明分析師聲明 本報告署名分析師具有中國證券業協會授予的證券投資咨

74、詢執業資格并注冊為證券分析師，以勤勉的職業態度、專業審慎的研究方法，使用合法合規的信息，獨立、客觀地出具本報告，并對本報告的內容和觀點負責。負責準備以及撰寫本報告的所有研究人員在此保證，本研究報告中任何關于發行商或證券所發表的觀點均如實反映研究人員的個人觀點。研究人員獲取報酬的評判因素包括研究的質量和準確性、客戶反饋、競爭性因素以及光大證券股份有限公司的整體收益。所有研究人員保證他們報酬的任何一部分不曾與，不與，也將不會與本報告中具體的推薦意見或觀點有直接或間接的聯系。法律主體聲明法律主體聲明 本報告由光大證券股份有限公司制作，光大證券股份有限公司具有中國證監會許可的證券投資咨詢業務資格，負責

75、本報告在中華人民共和國境內（僅為本報告目的，不包括港澳臺）的分銷。本報告署名分析師所持中國證券業協會授予的證券投資咨詢執業資格編號已披露在報告首頁。中國光大證券國際有限公司和 Everbright Securities(UK)Company Limited 是光大證券股份有限公司的關聯機構。特別聲明特別聲明 光大證券股份有限公司（以下簡稱“本公司”）成立于 1996 年，是中國證監會批準的首批三家創新試點證券公司之一，也是世界 500 強企業中國光大集團股份公司的核心金融服務平臺之一。根據中國證監會核發的經營證券期貨業務許可，本公司的經營范圍包括證券投資咨詢業務。本公司經營范圍：證券經紀；證券

76、投資咨詢；與證券交易、證券投資活動有關的財務顧問；證券承銷與保薦；證券自營；為期貨公司提供中間介紹業務；證券投資基金代銷；融資融券業務；中國證監會批準的其他業務。此外，本公司還通過全資或控股子公司開展資產管理、直接投資、期貨、基金管理以及香港證券業務。本報告由光大證券股份有限公司研究所（以下簡稱“光大證券研究所”）編寫，以合法獲得的我們相信為可靠、準確、完整的信息為基礎，但不保證我們所獲得的原始信息以及報告所載信息之準確性和完整性。光大證券研究所可能將不時補充、修訂或更新有關信息，但不保證及時發布該等更新。本報告中的資料、意見、預測均反映報告初次發布時光大證券研究所的判斷，可能需隨時進行調整且

77、不予通知。在任何情況下，本報告中的信息或所表述的意見并不構成對任何人的投資建議?？蛻魬灾髯鞒鐾顿Y決策并自行承擔投資風險。本報告中的信息或所表述的意見并未考慮到個別投資者的具體投資目的、財務狀況以及特定需求。投資者應當充分考慮自身特定狀況，并完整理解和使用本報告內容，不應視本報告為做出投資決策的唯一因素。對依據或者使用本報告所造成的一切后果，本公司及作者均不承擔任何法律責任。不同時期，本公司可能會撰寫并發布與本報告所載信息、建議及預測不一致的報告。本公司的銷售人員、交易人員和其他專業人員可能會向客戶提供與本報告中觀點不同的口頭或書面評論或交易策略。本公司的資產管理子公司、自營部門以及其他投資業

78、務板塊可能會獨立做出與本報告的意見或建議不相一致的投資決策。本公司提醒投資者注意并理解投資證券及投資產品存在的風險，在做出投資決策前，建議投資者務必向專業人士咨詢并謹慎抉擇。在法律允許的情況下，本公司及其附屬機構可能持有報告中提及的公司所發行證券的頭寸并進行交易，也可能為這些公司提供或正在爭取提供投資銀行、財務顧問或金融產品等相關服務。投資者應當充分考慮本公司及本公司附屬機構就報告內容可能存在的利益沖突，勿將本報告作為投資決策的唯一信賴依據。本報告根據中華人民共和國法律在中華人民共和國境內分發，僅向特定客戶傳送。本報告的版權僅歸本公司所有，未經書面許可，任何機構和個人不得以任何形式、任何目的進

79、行翻版、復制、轉載、刊登、發表、篡改或引用。如因侵權行為給本公司造成任何直接或間接的損失，本公司保留追究一切法律責任的權利。所有本報告中使用的商標、服務標記及標記均為本公司的商標、服務標記及標記。光大證券股份有限公司版權所有。保留一切權利。光大證券股份有限公司版權所有。保留一切權利。光大證券研究所光大證券研究所 上海上海 北京北京 深圳深圳 靜安區新閘路 1508 號 靜安國際廣場 3 樓 西城區武定侯街 2 號 泰康國際大廈 7 層 福田區深南大道 6011 號 NEO 綠景紀元大廈 A 座 17 樓 光大證券股份有限公司關聯機構光大證券股份有限公司關聯機構 香港香港 英國英國 中國光大證券國際有限公司中國光大證券國際有限公司 香港銅鑼灣希慎道 33 號利園一期 28 樓 Everbright SEverbright Securitiesecurities(UK)Company Limited(UK)Company Limited 6th Floor,9 Appold Street,London,United Kingdom,EC2A 2AP