《海外科技年度行業策略報告：海外AI應用年度策略關注數據與行業Know~how支撐的差異化優勢-241225（35頁）.pdf》由會員分享，可在線閱讀，更多相關《海外科技年度行業策略報告：海外AI應用年度策略關注數據與行業Know~how支撐的差異化優勢-241225（35頁）.pdf（35頁珍藏版）》請在三個皮匠報告上搜索。

1、行 業 研 究 2024.12.25 1 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 海 外 科 技 年 度 行 業 策 略 報 告 海外 AI 應用年度策略：關注數據與行業 Know-how 支撐的差異化優勢 分析師 郝艷輝 登記編號：S1220524050002 康百川 登記編號：S1220524060001 張豐淇 登記編號：S1220524070002 聯系人 朱壹 行 業 評 級:推 薦 相 關 研 究 游戲年度策略報告：自下而上聚焦重點新品驅動的成長性2024.12.15 恒生科技年度策略報告：認知與成長 理性客觀，做好長期配置2024.12.02 美股投資主線延續

2、美股投資主線延續 2023 年趨勢，繼續圍繞科技成長展開，納指年初至今年趨勢，繼續圍繞科技成長展開，納指年初至今（12 月月 20 日收盤，下同）累計漲幅日收盤，下同）累計漲幅 32.55%，估值水平達歷史，估值水平達歷史 91%分位的分位的35.01x。高估值背后是高估值背后是 AI 帶來的業績兌現與帶來的業績兌現與樂觀樂觀預期預期這這也構成了也構成了本篇本篇報告報告的出發點的出發點。我們我們詳細詳細梳理了梳理了美股軟件美股軟件標的的標的的 AI 布局，基于此布局，基于此探討探討并展并展望望海外海外 AI 的技術發展趨勢與的技術發展趨勢與應用應用落地節奏落地節奏；也從也從映射視角出發，對映射

3、視角出發，對 A/H 股股相關相關標的進行了梳理。標的進行了梳理。宏觀壓制因素解除與業績回暖推動宏觀壓制因素解除與業績回暖推動 AI 軟件應用軟件應用標的自九月標的自九月起反彈起反彈。復盤年初至今 AI 產業鏈標的的表現，我們觀察到，1）對 AI 投資機會的挖掘從算力基礎設施向軟件應用切換：市場預期與業績表現的脫節使軟件應用公司在上半年股價表現疲軟，至 9 月宏觀壓制因素解除、部分標的業績回暖推動市場修正對應用公司的悲觀預期；2）對 AI 應用的關注點從產品概念向業績兌現切換：軟件股出現反彈后，市場更加關注 AI ROI 情況，數字營銷、數據分析等領域開始兌現業績，基本面+估值雙擊推動大漲；C

4、RM/ERP 等企業管理場景有技術/形態/客戶方面的積極進展，樂觀預期驅動估值提升；內容生產軟件變現節奏相對落后，估值回歸基本面。具體看各領域具體看各領域 AI 應用應用的的落地情況：落地情況：1）AI+數字營銷數字營銷：推薦系統迭代提高廣告推薦系統迭代提高廣告 ROI，一手數據構筑護城河。，一手數據構筑護城河。通過 AI 實現精準營銷的底層技術屬于推薦算法，具體應用已滲透廣告產業鏈的各個環節。以 21 年末蘋果 ATT（限制三方應用讀取用戶行為數據）為代表的各項數據隱私政策趨嚴，倒逼廣告平臺升級推薦算法，加強 AI 對一手數據的整合與分析；其中，全球社交平臺龍頭 Meta 和廣告產業鏈布局完

5、善的 AppLovin 憑借豐富的可回傳數據占據優勢位置，基于算法的領先優勢實現更高廣告價格，二者業績在 22 年低谷（YoY-1%/+1%）后迅速回暖并開始高增，24Q1-Q3 的平均同比增速分別為22.35%/43.51%。2）AI+數據分析：生成式大模型為串聯數據及算法積累的中樞數據分析：生成式大模型為串聯數據及算法積累的中樞，訓練營加，訓練營加速用戶轉化速用戶轉化。AI 能夠從海量數據中提取有價值的信息，識別潛在的商業機會或風險，而 LLM 在此基礎上拓展交互能力，通過滿足用戶的實時調用或決策需求，擴大原有數據處理的能力邊界。Palantir 自國防安全軟件起家，現旗下有 Gotham

6、（2G）和 Foundry（2B）兩大決策智能解決方案，能夠對大量多源異構數據進行精確且實時的分析，連續多年在Forrester Wave AI/ML 平臺評分中處于領先者象限?；诙嗄甑臄祿c算法積累，公司于 23 年 4 月發布 AIP 平臺，為開發者提供私有化部署LLM 的工具，并舉辦上百場 AIP 訓練營來培育客戶心智，大幅推動銷售轉化，驅動業績多季度超預期增長。24Q3，公司收入 7.3 億美元（YoY+30%），高于彭博一致預期的 7.0 億美元。3）AI+CRM/ERP：產品功能較同質，產品功能較同質，Salesforce 及微軟引領創新與商業及微軟引領創新與商業化趨勢?；厔?。

7、AI 在企業管理領域的應用主要圍繞生成式 AI 展開，基于自然語言交流提高決策效率，并自動化其中重復性的任務。23 年，我們看到Salesforce、Oracle、SAP 等頭部企業均通過接入 GPT 推出 AI 助手，基本集中于對話、數據分析、撰寫郵件等功能；Salesforce 和微軟 D365于近期引領企業管理軟件進一步升級至 Agent 形態。二者均基于在業務方 正 證 券 研 究 所 證 券 研 究 報 告 海外科技 年度行業策略報告 2 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 場景積累的行業 know-how 以及行為數據，在推出執行特定任務 Agent的同

8、時，為客戶提供 Agent 定制功能。據 Salesforce 業績會信息，Agentforce 采取按量付費的模式，每次對話收費 2 美元，自 10 月發布至 FY25Q3 業績會（12 月 4 日）已達成 200 筆訂單，帶動市場對 Agent重構企業管理軟件的積極預期。4）AI+內容生產：內容生產：從底層革新工作流程，產品滲透道阻且長。從底層革新工作流程，產品滲透道阻且長。生成式 AI 推動內容生成從 PGC 向 AI 輔助的 UGC 發展，使圖像設計不再限于專業人群。創意設計軟件龍頭 Adobe 自研大模型 Firefly，其能力邊界從 23年初的圖片生成，逐步擴展至矢量圖、模版及視頻

9、生成。Firefly 采取全線產品訂閱提價（c.9%）及額外按量計費的變現模式，整體貨幣化進展不及預期。公司 FY24 收入 215 億美元（YoY+11%），增速基本與過去三個財年持平；指引 FY25 收入 234 億美元（YoY+9%），低于一致預期的 238 億美元，預示 AI 產品短期仍會處于推廣和普及階段，不會為公司帶來明顯的業績貢獻。綜上討論，我們發現：綜上討論，我們發現：1）從企業主體看，AI 敘事正從龍頭公司向中小企業演繹。中小企業的股價上漲需要由業績表現支撐，市場對 AI 的交易熱情會進一步放大其業績的增長。大型企業近期股價上漲多由估值驅動，樂觀預期由公司原有業務的市場地位以

10、及 AI 產品的落地進展支撐；2）從 AI 技術類別看，判別式 AI 仍是目前主要的變現手段，因其可控性與準確性更高，能夠大規模在特定任務場景落地；3）從競爭優勢看，數據+行業 knowhow算法用戶的閉環是應用走出差異化的關鍵。展望展望 2025 年的發展情況，年的發展情況，AI 應用的應用的深度深度和和廣度廣度有待探索，有待探索，板塊整體仍有板塊整體仍有上行空間；結合技術特征與價值上行空間；結合技術特征與價值占比占比考慮考慮，我們預計，我們預計 AI 應用將遵循應用將遵循判別式判別式AI 主導主導判別式判別式 AI 與生成式與生成式 AI 融合融合生成式生成式 AI 主導（主導（LLM 為

11、主）為主）生成式生成式 AI 主導（主導（LLM+VLM 融合）融合）的落地順序。的落地順序。因此，短期關注受益于傳統 AI 以及傳統 AI 與生成式 AI 有效融合的賽道，包括 1）數字營銷：Meta、AppLovin、Unity；2）數據分析：Palantir、Innodata。中期關注將生成式 AI 融入企業日常工作的賽道，包括 1）辦公：微軟；2）CRM/ERP：Salesforce、SAP、Oracle、Workday、ServiceNow；3）內容生產：Adobe、Autodesk。長期看好具備構建 Agent 生態先發優勢與數據優勢，有望從底層重構軟件系統的微軟及 Salesfo

12、rce。風險風險提示：提示：宏觀經濟下行致資本開支收縮風險、AI 技術迭代不及預期、AI應用商業化進展不及預期、AI 應用競爭加劇風險。pUsZgZgZMBMBrQ7N8QbRsQnNnPtPkPrQsQkPtRpR6MpPvMxNoNoPxNrQsO海外科技 年度行業策略報告 3 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 正文目錄正文目錄 1 概述：投資機會從基礎設施向應用轉移，關注垂直賽道變現進展概述：投資機會從基礎設施向應用轉移，關注垂直賽道變現進展.6 2 模型：模型：Scaling Law 泛化，巨頭繼續領航泛化，巨頭繼續領航.10 2.1 現狀：LLM 性能持

13、續提升，競爭格局明確.10 2.2 從發展目標看技術迭代趨勢：Scaling Law 泛化為通往 AGI 的主流路徑.13 2.3 從資本開支看研發投入趨勢：巨頭 AI 軍備競賽競爭加劇.15 3 應用：應用：商業化拐點已現，精準營銷與數據分析賽道率先突破商業化拐點已現，精準營銷與數據分析賽道率先突破.16 3.1 趨勢分析：判別式與生成式 AI 融合發展的 B 端垂直賽道有望率先變現.16 3.1.1 2B VS 2C：B 端用戶需求明確，應用落地價值高.16 3.1.2 判別式 AI VS 生成式 AI：判別式 AI 仍為短期 AI 變現主力.16 3.1.3 Copilot VS Age

14、nt：產品形態從 Copilot 向 Agent 過渡，o1 為關鍵推手.18 3.2 落地現狀：2C 應用頭部格局穩定，2B 垂類變現進展領先.19 3.2.1 2C 應用：頭部格局穩定，流量主要集中在聊天、搜索及圖片編輯領域.19 3.2.2 2B 應用：數據量大且容錯率高的營銷、數據分析、管理場景 ROI 率先突破.21 4 核心結論核心結論.31 5 H 股相關標的梳理股相關標的梳理.33 6 A 股相關標的梳理股相關標的梳理.34 海外科技 年度行業策略報告 4 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表目錄圖表目錄 圖表 1:納斯達克指數、納斯達克科技指數

15、與 Mag 7 累計漲幅.6 圖表 2:納斯達克指數、納斯達克科技指數與 Mag 7 估值變化（1-yr forward PE）.6 圖表 3:代表性 AI 產業鏈公司股價漲幅（%）.7 圖表 4:代表性 AI 產業鏈公司收入增速（%）.8 圖表 5:Meta、AppLovin 及 Unity FY24 收入一致預期相對年初的變化.9 圖表 6:代表性軟件應用公司的 AI 布局梳理.9 圖表 7:LLM 市場份額變化.10 圖表 8:代表性 LLM MMLU（5-shot）得分變化.11 圖表 9:代表性大模型進展（2024 年）.12 圖表 10:高質量語言數據資源將被耗盡.13 圖表 11

16、:o1 在訓練和推理階段均展現 Scaling Law.14 圖表 12:o1 相對 GPT 4o 的提升體現在數理和代碼任務.14 圖表 13:云廠商 q1-q3 CapEx（億美元）及同比增長.15 圖表 14:云廠商 AI CapEx 占整體比重（FY23）.15 圖表 15:AI 應用 2B/2C 場景特征.16 圖表 16:AI 應用初創公司 2B/2C 占比（24M7）.16 圖表 17:判別式 AI 與生成式 AI 對比.17 圖表 18:決策式 AI 和生成式 AI 在不同行業/場景的應用價值有所差異.18 圖表 19:Embedding VS Copilot VS Agent

17、.18 圖表 20:全球 AI 產品（web 端）訪問量前 10 名體量比較（24M11）.19 圖表 21:全球 AI 產品（web 端）訪問量前 3 名（百萬）.20 圖表 22:全球 AI 產品（web 端）訪問量 4-10 名（百萬）.20 圖表 23:代表性 AI+聊天助手網站訪問量變化（百萬）.20 圖表 24:代表性 AI+搜索網站訪問量變化（百萬）.21 圖表 25:代表性 AI+圖片編輯網站訪問量變化（百萬）.21 圖表 26:GR 相比 DLRM 展現更強的 scaling 能力.22 圖表 27:GR 相比 DLRM 展現更強的線上推理性能.22 圖表 28:Advant

18、age+自動化工具效果.23 圖表 29:Meta Lattice 架構.23 圖表 30:Meta 廣告收入及同比增速.24 圖表 31:Meta 廣告價格 YoY 及廣告觸達量 YoY.24 圖表 32:Meta 毛利率及凈利率.24 圖表 33:Meta 股價及 24 年收入一致預期變化.24 圖表 34:AppLovin 收入及同比增速.25 圖表 35:AppLovin 毛利率及凈利率.25 圖表 36:AppLovin 股價及 24 年收入一致預期變化.25 圖表 37:Meta、AppLovin 及 Unity FY24 收入一致預期相對年初的變化.26 圖表 38:數據管理及分

19、析產業鏈.26 圖表 39:Palantir 商業模式.27 圖表 40:AI/ML 平臺 Forrester Wave（24Q3）.27 圖表 41:Palantir 收入及同比增速.28 圖表 42:Palantir 毛利率及凈利率.28 圖表 43:Palantir 股價及 24 年收入一致預期變化.28 圖表 44:Salesforce 收入及同比增速.29 圖表 45:Salesforce 毛利率及凈利率.29 海外科技 年度行業策略報告 5 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表 46:微軟預購建 Agent 功能.29 圖表 47:微軟收入及同比增速

20、.30 圖表 48:微軟毛利率及凈利率.30 圖表 49:Salesforce 股價及 FY25 收入一致預期變化.30 圖表 50:微軟股價及 FY25 收入一致預期變化.30 圖表 51:Adobe 收入及同比增速.31 圖表 52:Adobe 毛利率及凈利率.31 圖表 53:Adobe 股價及 FY25 收入一致預期變化.31 圖表 54:H 股相關標的 AI 布局.33 圖表 55:A 股相關標的 AI 布局.34 海外科技 年度行業策略報告 6 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 1 概述：投概述：投資機會從基礎設施向應用轉移，關注垂直賽道變現進展資機會

21、從基礎設施向應用轉移，關注垂直賽道變現進展 投資主線繼續圍繞科技成長展開，背后是投資主線繼續圍繞科技成長展開，背后是 AI 帶來的業績帶來的業績兌現與積極預期。兌現與積極預期。年初至今（12 月 20 日收盤，下同），納斯達克指數累計漲幅 32.55%，估值水平 35.01x，處于 91%歷史分位；高估值背后是 AI 帶來的業績兌現與積極預期，科技成長仍為主線邏輯，納指科技累計漲幅 42.96%，估值水平 32.20 x，處于 96%歷史分位。頭部集中度進一步提高，M7 市值總和接近 20.29 萬億美元，占納斯達克總市值的 55.7%。圖表1:納斯達克指數、納斯達克科技指數與 Mag 7 累

22、計漲幅 資料來源：Wind，方正證券研究所 注：累計漲幅以2024年1月2日收盤價為基數計算 圖表2:納斯達克指數、納斯達克科技指數與 Mag 7 估值變化（1-yr forward PE）資料來源：Bloomberg，方正證券研究所 復復盤年初至今盤年初至今 AI 產業鏈標的的表現，我們觀察到兩大趨勢：產業鏈標的的表現，我們觀察到兩大趨勢：1）對對 AI 投資機會的挖掘從算力基礎設施向軟件應用切換。投資機會的挖掘從算力基礎設施向軟件應用切換。技技術驗證與預算分配使術驗證與預算分配使 AI 在具體場景的應用滯后于硬件設備。在具體場景的應用滯后于硬件設備。AI 的興起首先帶動對基礎設施的需求，因

23、為這些設備是支持模型訓練的剛性即時需求。而考慮到20304050602024/1/22024/2/22024/3/22024/4/22024/5/22024/6/22024/7/22024/8/22024/9/22024/10/22024/11/22024/12/2納斯達克指數（IXIC.GI）納斯達克科技市值加權指數（NDXTMC.GI）Mag7海外科技 年度行業策略報告 7 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s AI 應用于具體場景需要時間進行開發和驗證，其產業發展相對硬件會有滯后，對應應用公司在 AI 熱潮早期的業績與市場表現均弱于硬件公司。24Q1，以Sale

24、sforce、Adobe、Workday 為代表的 AI+軟件公司下季度指引均較為保守，客戶面臨偏謹慎的宏觀環境在收緊 IT 預算，并且收緊的預算還在向 AI 基礎設施傾斜，即對穩定 AI 應用的期待推遲了當期的軟件開支。市場預期與業績表現的脫節市場預期與業績表現的脫節使應用層公司在使應用層公司在 24H1 股價表現疲軟股價表現疲軟，Salesforce/Adobe/Workday 分別下跌2.17%/19.02%/6.88%，同期英偉達上漲 149.50%。宏宏觀壓制因素解除與業績回暖推動市場修正對觀壓制因素解除與業績回暖推動市場修正對 AI 應用的預期，推動應用層公司應用的預期，推動應用層

25、公司上漲。上漲。八月對美國經濟衰退的交易基本結束，疊加美聯儲進入降息周期，兩大壓制因素解除。以Palantir及AppLovin為代表的軟件公司在AI賦能下業績超預期，改變市場對 AI 應用的消極看法，同時推動 AI 敘事從科技巨頭向中小企業演繹。9 月初至今，Palantir/AppLovin 分別上漲 1.56/2.67 倍，Salesforce/ServiceNow分別上漲 36.25%/27.63%，英偉達上漲 12.86%。2）對對 AI 應用的關注點從產品概念向業績兌現切換。應用的關注點從產品概念向業績兌現切換。軟軟件應用端企業走勢分化明顯。件應用端企業走勢分化明顯。復盤 23 年

26、軟件公司的走勢，我們發現該時期的股價上漲主要由 AI 產品概念帶來的估值提升驅動，而到今年下半年軟件股反彈的時候，投資者開始關注業績兌現情況，僅有產品概念但商業化進展較慢的公司股價出現了波動。按垂直場景劃分，AI+數字營銷（Meta、AppLovin 等）、+數據分析（Palantir、C3.ai 等）等細分場景落地進展較快，AI 交易情緒火熱進一步放大業績兌現情況，基本面+估值雙擊推動大漲；+CRM/ERP 等企業管理場景圖表3:代表性 AI 產業鏈公司股價漲幅（%）分類分類 代碼代碼 公司公司 23 全年全年 24Q1 24Q2 24Q3 24Q4 芯片芯片 NVDA.O 英偉達 239.

27、02 82.46 36.74 -1.69 10.93 AMD.O AMD 127.59 22.44 -10.13 1.15 -27.35 AVGO.O 博通 104.18 19.24 21.52 7.79 27.99 基礎設施基礎設施 MSFT.O 微軟 58.19 12.09 6.43 -3.55 1.67 GOOG.O 谷歌 58.83 8.04 20.60 -8.73 15.54 AMZN.O 亞馬遜 80.88 18.72 7.13 -3.58 20.71 META.O META 194.13 37.33 3.94 13.64 2.32 軟件應用軟件應用 APP.O APPLOVIN

28、278.44 73.70 20.23 56.87 161.19 ORCL.N ORACLE 30.94 19.60 12.77 21.02 -0.21 NOW.N SERVICENOW 81.96 7.91 3.18 13.69 22.01 CRM.N SALESFORCE 98.46 14.61 -14.64 6.79 25.70 FRSH.O FRESHWORKS 59.69 -22.48 -30.31 -9.54 33.54 HUBS.N HUBSPOT 100.79 7.93 -5.87 -9.87 35.25 WDAY.O WORKDAY 64.98 -1.20 -18.03 9.3

29、3 11.71 INOD.O INNODATA 174.54 -18.92 124.70 13.08 156.47 PLTR.O PALANTIR 167.45 34.01 10.08 46.86 116.53 ADBE.O ADOBE 77.28 -15.42 10.10 -6.80 -13.64 ADSK.O AUTODESK 30.29 6.96 -4.98 11.33 8.22 CRWD.O CROWDSTRIKE 142.49 25.56 19.53 -26.81 29.17 SHOP.N SHOPIFY 124.43 -0.94 -14.41 21.33 35.95 DUOL.O

30、DUOLINGO 218.92 -2.76 -5.40 35.15 21.31 U.N UNITY 43.02 -34.70 -39.10 39.11 -0.49 RBLX.N ROBOLOX 60.65 -16.49 -2.54 18.95 35.81 終端終端 TSLA.O 特斯拉 101.72 -29.25 12.57 32.22 60.94 AAPL.O 蘋果 49.01 -10.82 22.99 10.75 9.34 資料來源：Wind，方正證券研究所 注：24Q4漲幅統計區間為24年10月1日至12月20日 海外科技 年度行業策略報告 8 敬 請 關 注 文 后 特 別 聲 明 與

31、 免 責 條 款 s（Salesforce、Workday 等）其次，產品有在技術/形態/客戶方面的積極進展但尚未對業績有明顯貢獻，樂觀的市場預期驅動估值提升；而+內容生產軟件（Adobe等）變現節奏相對落后，估值回歸基本面。垂垂直賽道企業走勢不同，差異背后是數據和場景直賽道企業走勢不同，差異背后是數據和場景 know-how 壁壘。壁壘。以精準營銷賽道為例，AppLovin自23Q3起業績大超預期，24Q1-Q3平均收入增速達到43.51%，年初至今股價漲幅達到 7.56 倍，背后是 AI 帶來的推薦算法效率提升。但同樣 AI優化算法對千億美元收入量級的 Meta 業績的邊際改善不那么明顯，

32、其 24Q1-Q3平均收入增速為 22.35%，年初至今股價漲幅為 65.98%。廣告平臺領域另一頭部公司 Unity 算法升級進展較慢，年初至今股價下跌 44.95%。在類似的 下，業績與市場表現分化反映出公司對 AI 的開發程度不同，背后則是數據與行業 know-how 的差異。圖表4:代表性 AI 產業鏈公司收入增速（%）分類分類 代碼代碼 公司公司 23 全年全年 24Q1 24Q2 24Q3 24Q4E 芯片芯片 NVDA.O 英偉達 125.85 262.12 122.40 93.61 72.52 AMD.O AMD-3.90 2.24 8.88 17.57 22.05 AVGO.

33、O 博通 43.99 42.99 47.27 51.20 22.39 基礎設施基礎設施 MSFT.O 微軟 15.67 17.03 15.20 16.04 10.97 GOOG.O 谷歌 9.68 16.41 14.96 16.39 12.88 AMZN.O 亞馬遜 11.83 12.53 10.12 11.04 10.18 META.O META 15.69 27.26 22.10 18.87 17.10 軟件應用軟件應用 APP.O APPLOVIN 16.54 47.90 43.98 38.64 31.83 ORCL.N ORACLE 6.02 7.11 3.25 6.86 8.64 N

34、OW.N SERVICENOW 23.82 24.19 22.19 22.25 21.62 CRM.N SALESFORCE 11.18 10.74 8.39 8.30 8.07 FRSH.O FRESHWORKS 19.77 19.94 20.02 21.51 18.34 HUBS.N HUBSPOT 25.38 23.08 20.43 20.12 15.68 WDAY.O WORKDAY 16.78 18.15 16.69 15.78 13.44 INOD.O INNODATA 9.87 40.96 65.24 135.24 102.94 PLTR.O PALANTIR 16.75 20.

35、78 27.15 29.98 27.50 ADBE.O ADOBE 10.80 11.32 10.24 10.59 11.05 ADSK.O AUTODESK 9.83 11.66 11.90 11.03 11.07 CRWD.O CROWDSTRIKE 36.33 32.99 31.74 28.52 22.26 SHOP.N SHOPIFY 26.07 23.41 20.72 26.14 27.38 DUOL.O DUOLINGO 43.74 44.87 40.59 39.94 35.62 U.N UNITY 57.25-7.99-15.79-17.95-29.13 RBLX.N ROBOL

36、OX 22.58 19.38 22.35 34.44 21.01 終端終端 TSLA.O 特斯拉 18.80-8.69 2.30 7.85 9.45 AAPL.O 蘋果 2.02-4.31 4.87 6.07 4.17 資料來源：Bloomberg，方正證券研究所 注：24Q4E數據來自24年12月17日彭博一致預期 海外科技 年度行業策略報告 9 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表5:Meta、AppLovin 及 Unity FY24 收入一致預期相對年初的變化 資料來源：Bloomberg，方正證券研究所 我們認為，現階段 AI 更多是從技術改進角度賦能

37、傳統業務，且目前仍是判別式技術而非生成式 AI 技術在主導投資回報。隨著傳統 AI 技術的優化以及生成式 AI 技術的成熟，AI 應用存在很大的探索空間。盡管納指估值達到 90%以上分位，但 AI產業的盈利上漲有望持續消化估值，AI 應用板塊仍具備上行空間。圖表6:代表性軟件應用公司的 AI 布局梳理 分類分類 公司公司 AI 布局布局 基礎設施層基礎設施層 微軟 芯片：芯片：Athena 模型：模型：1）綁定 OpenAI：GPT（LLM）、Omni（多模態）、DALL-E（文生圖）、Sora（文生視頻）、Whisper（文生音頻）；2）自研 Phi（輕量 LLM）云計算：云計算：智能云：A

38、zure OpenAI（提供對 OpenAI 語言模型的 REST API 訪問）、Microsoft Fabric（提供數據項目所需 AI 工具）應用：應用：1）生產力和商業流程：Dynamics 365 Copilot（生成式 AI+CRM&ERP 解決方案）、Microsoft 365 Copilot（提高文檔、郵件處理等效率）、GitHub Copilot（助力開發者編寫代碼等）、Power Platform Copilot（協助創建 APP 等）、Teams Copilot（自動生成會議紀要等）；近期升級為 10 個垂直領域的 Agent；2）更多個人計算：New Bing（AI 搜

39、索引擎）、Windows Copilot（聊天機器人 谷歌 芯片：芯片：TPU 模型：模型：Gemini（多模態）、Gemma（多模態輕量）應用：應用：1）谷歌服務：搜索（AI Overviews：概述信息）、地圖（Immersive View for routes：提供旅程預覽）、YouTube（Dream Screen：添加 AI 生成圖片/視頻背景、AI Insights：獲取視頻創意和大綱建議）、應用商店（應用對比等）2）谷歌云：Workspace（Gemini：提高辦公效率）、Agentspace（提高員工效率）亞馬遜 芯片：芯片：Trainium、Inferentia 模型：模型：

40、1）綁定 Anthropic：Claude（LLM）；2）自研 Nova（處理文本、圖像和視頻作為提示的能力）應用：應用：1）AWS:Amazon Q（生成式 AI 助手）、Amazon Bedrock（提供領先 AI 公司的基礎模型）、AWS IoT SiteWise Assistant（基于 AWS IoT SiteWise 的生成式 AI 助手）、AWS DMS Schema Conversion（簡化和加速數據庫遷移項目）；2）電商：Rufus（專家級購物助手）、Fit insights（減少與合身性相關的退貨）、AI Shopping Guides（減少購買前的研究時間）META 芯

41、片：芯片：MTIA 模型：模型：Llama（LLM）、Emu（圖片生成）、Movie Gen（視頻生成）應用：應用：1）核心 AI：Advantage+（自動化廣告投放流程）、Lattice（提高廣告投放效率）、內容推薦算法；2）生成式 AI：Meta AI（聊天助手）、AI Studio（2C 角色生成）、Business AIs（2B 角色生成）應用應用層層 業務業務垂直垂直 數字營銷 APPLOVIN 應用：應用：廣告推薦引擎 AXON（提高廣告投放效率）CRM/ERP ORACLE 應用：應用：1）AI 應用于已有產品：Oracle Cloud Infrastructure（借助大語言

42、模型實現辦公流程自動化）、Oracle NetSuite（提高生產率、減少人為錯誤等）、Oracle Fusion Cloud（促進前臺人員精確定位、吸引和服務買家等）2）以 AI 為中心的應用程序開發基礎設施 GenDev（快速生成復雜的應用程序）SERVICENOW 應用：應用：ServiceNow Generative AI Controller（將 ServiceNow 實例連接到 OpenAI 大語言模型）、Now Assist（生成式 AI 產品組合）、AI agents（與員工協作）、Workflow Data Fabric（統一企業業務和技術數據）SALESFORCE 應用：應

43、用：Einstein GPT（生成式 AI+CRM 解決方案）、Einstein Studio（使用自定義 AI 模型）、Prompt Studio（創建可用于生成個性化內容的提示）Einstein 1 Platform（創建 AI 驅動的應用程序和工作流程）、Agentforce（無限數字人工智能代理團隊）、Tableau Einstein（AI 驅動的可視化分析平臺）、Slack AI（AI 驅動的搜索、頻道回顧等）FRESHWORKS 應用：應用：Freddy AI Agent（利用自主服務為客戶服務和 IT 用戶提供支持）HUBSPOT 應用：應用：HubSpot AI：ChatSpo

44、t（集成 ChatGPT 和 DALL E，基于 CRM 數據提供服務）、AI Assistants（幫助團隊起草內容等）、AI Agents（實時聊天和電子郵件中自動化等）、AI Insights:（AI 驅動的預測）；Breeze：Copilot（AI 助手）、Agents（Content Agent,Social Media Agent 等）Breeze Intelligence（數據豐富和買家意向解決方案）-30%-20%-10%0%10%20%30%24/0124/0124/0124/0124/0124/0224/0224/0224/0224/0324/0324/0324/0324/

45、0424/0424/0424/0424/0424/0524/0524/0524/0524/0624/0624/0624/0624/0724/0724/0724/0724/0724/0824/0824/0824/0824/0924/0924/0924/0924/1024/1024/1024/1024/1024/1124/1124/1124/1124/1224/1224/12METAAppLovinUnity海外科技 年度行業策略報告 10 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s WORKDAY 應用：應用：Workday Illuminate（加快內容創建和摘要等）、AI

46、 Agents（簡化人力資源和財務工作）數據分析 INNODATA 應用：應用：PR Copilot（為新聞稿等創建初步框架）、Intelligent Insights（從社交媒體平臺實時收集見解進行情景分析等）PALANTIR 應用：應用：AIP（AI 平臺，供用戶私有化部署 LLM）、Maven（提高戰備水平）內容生產 ADOBE 模型：模型：Firefly（圖片生成、矢量生成、模版生成、視頻生成）、generative experience models（自然語言處理、分析、預測和基于目標建議的決策）應用：應用：Firefly（內嵌入 PS 等軟件供用戶調用）、Sensei GenAI（

47、營銷文案生成等）、Adobe Experience Platform AI Assistant（自動化繁瑣任務等）AUTODESK 應用：應用：Wonder Animation（協助制作動畫電影）、AUTODESK AI（提供智能輔助和生成功能）SOUNDHOUND 應用：應用：SoundHound Chat AI（多模式語音助手）、Dynamic Interaction With Generative AI（允許用戶免提訪問大量信息和復雜的搜索功能）網安 CROWDSTRIKE 應用：應用：CrowdStrike Falcon Cloud Security（提供 AI 驅動的身份保護）行業行

48、業垂直垂直 電商 SHOPIFY 應用：應用：Shopify Magic（編寫產品描述等）、Sidekick（AI 助手）教育 DUOLINGO 應用：應用：Duolingo Max（利用生成式 AI 技術）、DET（AI 驅動的在線測試）游戲 UNITY 應用：應用：Unity Muse（加速創建視頻游戲等）、Unity Sentis（將 AI 模型嵌入實時三維引擎）、Muse Chat（利用LLM 查找信息）ROBOLOX 應用：應用：Avatar Auto Setup（簡化 3D 模型創建時間）、Texture Generator（使用文本提示快速更改 3D 對象的外觀）、real-ti

49、me chat translations（16 種語言即時翻譯文本聊天消息）資料來源：谷歌官網，微軟官網，亞馬遜官網，Meta官網，Unity官網，AppLovin官網，Innodata官網，Palantir官網，Shopify官網，Autodesk官網，ServiceNow官網，Adobe官網，Freshworks官網，Workday官網，CrowdStrike官網，Roblox官網，SoundHound官網，雅虎新聞，AIM RESEARCH，The Motley Fool，方正證券研究所 2 模型：模型：Scaling LawScaling Law 泛化，巨頭繼續領航泛化，巨頭繼續領航

50、2.1 現狀：現狀：LLM 性能持續提升，競爭格局明確性能持續提升，競爭格局明確 自 OpenAI 通過 GPT 3 證實增加模型參數和訓練數據量能顯著提升大模型性能后，超大規模LLM開發已成為大模型的主流技術，SOTA模型的性能一直在提升，但提升速度有所放緩。對大參數、大算力的需求已將模型訓練變成了少數機構之間的競爭，目前已形成由 OpenAI、Anthropic 等研發水平領先的初創公司與微軟、谷歌、Meta、亞馬遜等資源豐富的科技公司主導的市場格局。圖表7:LLM 市場份額變化 資料來源：Menlo Ventures，方正證券研究所 0%10%20%30%40%50%60%OpenAIA

51、nthropicMeta谷歌其他20232024-16%-1%+12%+5%0%海外科技 年度行業策略報告 11 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表8:代表性 LLM MMLU（5-shot）得分變化 資料來源：OpenAI官網，微軟官網，Anthropic官網，谷歌官網，Meta官網，GPT-4 Technical Report，Phi-3 Technical Report，PaLM 2 Technical Report，AIBetas，36kr，GitHub，方正證券研究所 OpenAI&微軟：微軟：GPT 系列繼續迭代，系列繼續迭代，o1 開啟推理系列新

52、篇章。開啟推理系列新篇章。OpenAI 于 24年 5 月發布 GPT 4o，為 GPT 系列首個多模態模型，相比 GPT 4 Turbo 速度提升兩倍，且價格減半。9 月，側重推理能力的 o 系列上線 o1 preview&mini，至 12月更新 o1 完整版及 pro 版。12 月 21 日，o3 正式發布，相比 o1 在編碼準確率（71.7%，+20%）、數學測試（87.7%，+10%）和 Arc AGI 基準（87.5%，超人類閾值）有明顯提升。微軟一方面和 OpenAI 維持排他的綁定關系，另一方面推進自研，Phi-3 于今年 4 月發布并開源，包括 mini（3.8B）、smal

53、l（7B）以及medium（14B）三個版本，Phi-3.5 與 Phi-4 隨后于 8 月與 12 月發布，進一步完善多模態能力與推理能力。Anthropic&亞馬遜：亞馬遜：Claude 與與 GPT 差距縮小，差距縮小，Anthropic 加深與亞馬遜的綁加深與亞馬遜的綁定關系。定關系。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 進一步升級，在保持原有價格和速度的基礎上，實現了全面的性能提升，在代碼領域的優勢進一步加強，并且引入計算機使用能力

54、，使 Claude 能夠像人類一樣通過觀看屏幕、移動鼠標和點擊按鈕來操作計算機。合作關系上，Anthropic 和亞馬遜進一步綁定：1）Anthropic選取 AWS 為模型訓練的首要合作對象，并計劃利用亞馬遜 Trainium 和 Inferentia進行下一代模型的訓練與推理；2）亞馬遜對 Anthropic 追加第二筆 40 億美元投資。Google&DeepMind：Gemini 長文本與多模態能力突破，閉源開源雙線并行長文本與多模態能力突破，閉源開源雙線并行。1）閉源系列）閉源系列 Gemini：Gemini 1.5 于 2 月發布，在長上下文處理能力上實現重大突破，其中 1.5 P

55、ro 版本能夠支持 100 萬 Tokens 的超長上下文，并在 5 月更新中擴展到 200 萬 Tokens。12 月，Gemini 2.0 Flash Experimental 版本發布，多模態理解能力進一步加強，支持原生調用谷歌搜索和代碼執行工具、使用來自攝像頭或屏幕的音頻和視頻流；2）開源系列）開源系列 Gemma：谷歌于 2 月發布 Gemma 系列，6 月升級到 2.0 版本，代表公司正式入局開源與輕量級領域。Meta：在開源領域加速追趕，：在開源領域加速追趕，Llama 3.1 在基礎測試集表現追平閉源在基礎測試集表現追平閉源 SOTA。公司于今年 7 月發布 Llama3.1，

56、其中 405B 版本在基礎測試集的表現已能夠全面對o1 GPT-4o mini GPT-4o GPT-4 Turbo GPT-3.5 175BPhi-3-miniPhi-3-smallPhi-3-mediumPhi-2Claude 3.5 SonnetClaude 3 HaikuClaude 3 Sonnet Claude 3 OpusClaude2 Palm-2 340BPalm 540BGemini 1.0UltraGemini 1.5ProGemma2 27BGemma2 9BGemma 2BGemma 7BLlama 3.1 405BLlama 3.1 70BLlama 3.1 8BL

57、lama 3.2 3BLlama 3.2 1BLlama 3.3Llama 2 70BLlama 2 34BLlama 2 13BLlama 2 7BLlama 65BLlama 33BLlama 13BLlama 7BNova3040506070809010022/0222/0322/0522/0722/0822/1022/1223/0123/0323/0523/0623/0823/1023/1124/0124/0224/0424/0624/0724/0924/1124/12Open AIMicrosoftAnthropicGoogleMetaAma onSOTA模型性能提升速度放緩海外科技

58、 年度行業策略報告 12 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 標 GPT 4o 與 Claude 3.5 Sonnet 等領先閉源模型；在人類評估中，Llama 3.1 405B 表現相對 Claude 3.5 Sonnet 更優，相對 GPT 4 持平，略遜色于 GPT 4o。Llama 3.2 及 3.3 分別于 9 月和 12 月發布，3.2 包括兩個多模態模型（11B 和90B）和兩個輕量級僅文本模型（1B 和 3B）；3.3 則進一步優化多語言支持。圖表9:代表性大模型進展（2024 年）公司公司 產品產品 進展進展 Open AI GPT/Omni 1

59、月 10 日推出 GPT Store，用戶可自行查詢 GPTs（個性化 ChatGPT）1 月月 25 日推出日推出 GPT-4 Turbo（支持 128k 上下文窗口，知識更新至 2023 年 4 月）和 GPT-3.5 Turbo（價格降低 50%），并發布更高效的新嵌入模型和審核模型 4 月 24 日在 API 中引入 GPT-3.5 Turbo（成本降低 90%）和 Whisper（語音轉文本服務，支持多種格式，每分鐘 0.006 美元）5 月月 13 日推出日推出 GPT-4o，支持文本、語音、圖像多模態交互，與 GPT-4 Turbo 相比速度提高 2 倍、價格降低 50%，API

60、 已支持文本與視覺功能接入 7 月月 18 日發布日發布 GPT-4o mini，價格比 GPT-3.5 Turbo 低 60%以上，支持文本和視覺多模態功能，輸入 0.15 美元/百萬 tokens，輸出 0.6 美元/百萬 tokens，即日起取代 GPT-3.5 Turbo 8 月 20 日企業客戶可通過上傳特定數據微調 GPT-4o 模型，這是其首次開放微調功能，企業用戶已貢獻近 30%營收 9 月月 12 日日上線上線 o1-preview 及及 mini，o1 模型在國際數學奧賽中正確率 83%（較 GPT-4o 的 13%顯著提升），GPQA 科學測試超越博士級專家；o1-min

61、i 成本低 80%，AIME 得分 70%，推理速度快 3-5 倍 10 月 1 日舉辦 DevDay，推出提示緩存（降低 API 調用成本 50%）、視覺微調（圖像微調提升車道計數準確率 20%）、實時 API（支持語音對話）及模型蒸餾（高效模型捕獲高級模型性能）10 月 3 日推出 Canvas，允許用戶在 GPT-4o 的基礎上進行二次創作和編排，提供編輯、調整上下文長度、改變閱讀水平等功能 10 月 31 日推出 ChatGPT 搜索功能，ChatGPT 會根據用戶的詢問選擇搜索網頁，并附上相關網絡資源的鏈接 12 月月 5 日（日（Day 1）上線上線 o1 完整版及完整版及 Pro

62、 版本版本，推出每月 200 美元的 ChatGPT Pro，提供 o1 模型和 o1 pro 的無限制訪問 12 月 6 日（Day 2）OpenAI 推出強化微調研究計劃，允許用戶在自己的數據集上微調 o1 模型，提升其在特定領域的推理能力，預計 2025 年春季開放 12 月 10 日（Day 3）推出 Sora Turbo，支持從文本生成視頻、動畫圖像及視頻混編等功能，用戶可生成 5 到 20 秒的視頻，且支持不同分辨率和長寬比 12 月 11 日（Day 4）升級 ChatGPT Canvas，新增文檔編輯和 Python 代碼執行功能，支持實時協作創作、自動調試和內容優化 12 月

63、 12 日（Day 5）OpenAI 的 ChatGPT 與 Apple 智能集成，支持 iOS 18.2 更新，通過 Siri 調用 GPT-4o 生成文本、圖像。12 月 13 日（Day 6）新增實時視頻通話和屏幕內容理解功能，支持通過語音指導任務及共享屏幕協作，此次更新增強交互能力,接近全方位智能助手 12 月 14 日（Day 7）推出 ChatGPT 的新功能“Projects”，允許用戶上傳文件、自定義指令，將對話按項目組織 12 月 17 日（Day 8）ChatGPT 搜索功能向全球用戶免費開放 12 月 18 日（Day 9）開放 o1 模型 API，語音服務降價 60%，

64、迷你版服務僅$10/百萬 tokens 輸入，并發布 Go 和 Java SDK 12 月 19 日（Day 10）推出 ChatGPT 電話服務（美國地區，15 分鐘/月免費）和 WhatsApp 集成（全球用戶），支持語音及文字對話，基于 GPT-4o mini 提供交互 12 月 20 日（Day11）推出 ChatGPT 桌面應用新功能，支持自動提取上下文、跨應用協作、數據可視化等，強化任務助手定位 12 月月 21 日（日（Day 12）發布發布 o3 和和 o3 Mini，o3 相比于 o1 在編碼準確率（71.7%，+20%）、數學測試（87.7%，+10%）和 Arc AGI

65、基準（87.5%，超人類閾值）表現出色；o3 Mini 具備低成本高效推理能力，支持自適應思考時間，顯著優化數學和編碼性能 Anthropic Claude 3 月月 4 日發布日發布 Claude 3 系列模型（系列模型（Haiku、Sonnet、Opus），Opus 在多項評估中超越 GPT-4 和 Gemini Ultra，支持 200K-1M tokens 長文本輸入及圖像識別 5 月 1 日推出團隊計劃和 Claude iOS 應用程序 5 月 31 日 宣布 Claude 3 支持第三方 API，用戶可通過自然語言指令自動執行任務，如數據提取和數據庫查詢 6 月月 21 日推出日推

66、出 Claude 3.5 Sonnet，在 GPQA、MMLU 和 HumanEval 測試中超越 Claude 3 Opus，解決 64%代理編碼問題（Opus 為 38%），運行速度提升兩倍，視覺推理能力顯著增強 6 月 26 日，新增“Projects”功能，支持創建自定義知識庫、上傳文件并設置指令，提升信息管理和協作效率，擁有 200K 上下文窗口，支持團隊共享 7 月 17 日，推出 Claude Android 應用程序 8 月 15 日 推出提示詞緩存功能，可在多輪對話和重復查詢中緩存上下文，成本降低至十分之一，延遲減少 85%9 月 5 日推出企業版計劃，支持安全協作和數據保護

67、，引入 SSO、角色權限管理、審計日志等功能，并擴展至 500K 上下文窗口及原生 GitHub 集成，提升團隊效率和安全性 9 月 20 日改善 RAG 的檢索步驟，引入上下文檢索 10 月月 22 日日 Claude 3.5 升級版上線升級版上線，新增“計算機操控”功能，可模擬用戶操作電腦執行任務 10 月 25 日在 Claude.ai 引入分析工具，實現 Claude 編寫和運行 JavaScript 代碼的功能 12 月 4 日 Claude 3.5 Haiku 升級，借助 AWS Trainium2 芯片推理速度提升 60%，引入“模型蒸餾”技術，性能接近大模型，成本更低，每百萬輸

68、入字僅$0.80，適用于實時對話和高頻任務 Google Gemini 2 月月 8 日日將將 Bard 更名為更名為 Gemini，推出 Gemini Advanced 訂閱服務，并上線 Gemini App 支持移動端使用 2 月月 15 日發布日發布 Gemini 1.5 Pro，支持 200 萬 tokens 上下文長度，在 LMSYS 競技場以 1300 分奪冠，機器視覺和多語言能力突出，但在編碼和數學領域仍遜于 GPT-4o 等模型 5 月月 14 日日升級升級 Gemini 1.5 系列系列，支持 200 萬 tokens 長上下文、視頻幀提取等功能，同時推出 Imagen 3

69、和 Veo，分別提升圖像細節表現和 1080p 視頻生成能力 9 月 24 日發布 Gemini 1.5 Pro-002 和 Gemini 1.5 Flash-002，價格降幅超 50%，速率限制提升至 1000-2000 RPM，支持長上下文處理與多模態任務，延遲降低 3 倍，輸出速度提升 2 倍，適用于高效生產環境 海外科技 年度行業策略報告 13 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 12 月月 11 日發布日發布 Gemini 2.0 Flash，支持多模態輸入輸出，性能全面超越上一代，新增代碼執行、文本轉語音等功能，同時推出多款智能體原型 Gemma 2 月

70、月 21 日發布日發布 Gemma 開放模型（開放模型（2B/7B），支持多框架和多平臺運行，新增工具包促進安全 AI 開發，優化本地和云端部署 6 月月 28 日發布日發布 Gemma 2（9B/27B），在 LMSYS 排行榜以 27B 規模超越 70B Llama 3，登頂開源模型性能榜首。模型采用知識蒸餾技術，優化上下文理解與效率 7 月月 31 日發布日發布 Gemma 2 2B，以僅 20 億參數超越 GPT-3.5 和 Llama 2 70B，在終端設備上推理速度達每秒 40 tokens，并引入 ShieldGemma 安全分類器與 Gemma Scope 模型解析工具，推動小

71、模型與 AI 安全發展 Meta Llama 4 月月 28 日發布日發布 Llama 3 8B 和和 70B 模型模型，成為開源 SOTA，訓練數據量達 15T tokens，覆蓋 30+語言，性能超越同類模型。盡管上下文窗口僅 8k 7 月月 23 日發布日發布 Llama 3.1，推出 405B 參數版本，支持 128K 上下文，顯著提升推理效率 9 月月 26 日日 發布發布 Llama 3.2，新增多模態能力，支持文本與圖像處理，推出 90B 和 11B Vision 模型，強化指令調優與安全保障 12 月月 6 日發布日發布 Llama 3.3，70B 參數達 405B 性能，支持

72、 128K 上下文長度和 8 種語言。模型優化架構顯著降低 GPU 內存需求，開源發布但大規模商用需許可 Microsoft Phi 4 月月 23 日發布日發布 Phi-3 系列模型系列模型，其中 Phi-3-mini 具 38 億參數，訓練數據達 3.3 萬億 tokens，可在手機端運行，性能接近 GPT-3.5。模型優化了多輪對話和安全性，擴展至 7B 和 14B 版本，適用于多場景部署 6 月 更新 Phi-3-mini 模型，提升長文本理解與指令遵循能力，支持 128K 上下文長度 8 月 21 日發布 Phi 3.5 系列，包括輕量模型 mini、多專家模型 MoE 和多模態模型

73、 Vision，支持 128K 上下文長度。Vision 在圖像與視頻處理中領先，MoE 擅長代碼與專業任務 12 月月 13 日日發布發布 Phi-4，參數 14B，優化合成數據與訓練方法，在數學推理任務中表現優于 GPT-4o 和 Gemini Pro 1.5 資料來源：OpenAI官網，Anthropic官網，谷歌官網，Meta官網，微軟官網，華爾街新聞，TechCrunch，界面新聞，每日經濟新聞，機器之心，量子位，第一財經，HuggingFace，方正證券研究所 2.2 從從發展目標發展目標看看技術迭代趨勢技術迭代趨勢：Scaling Law 泛化為通往泛化為通往 AGI 的主流路徑

74、的主流路徑 建立建立 AGI 的基礎是可擴展性與通用性。的基礎是可擴展性與通用性?？蓴U展性即模型性能會在 Scaling Law 推動下以可預測的方式提升。Scaling Law 指隨著模型規模、數據量和計算資源的增加，AI 的性能會以可預測的方式提升；該原理表明，模型參數數量和訓練數據量的擴大能夠顯著增強模型在理解和生成復雜模式方面的能力。通用性（即泛化能力）指模型可以用少數的深度學習方法來解決多數問題。在多任務、多語境和多環境中解決問題對更加全面的認知提出要求，結合“可擴展性”的核心，即要求Scaling Law 能夠在不同任務及不同模態中實現泛化，實現從單一任務到復雜場景的適配以及從單模

75、態到多模態的協同。OpenAI 引領引領 Scaling Law 泛化的方向。泛化的方向。OpenAI 通過對 GPT 系列模型的大規模訓練和實驗，首次驗證了預訓練階段的 Scaling Law。伴隨高質量語言數據資源的消耗，預訓練階段的 Scaling Law 出現天花板，公司繼續在任務延展和模態擴張兩個方向尋求突破，并在 LLM 的推理環節與多模態模型的預訓練環節中再次驗證Scaling Law，分別對應其于 24 年 2 月及 9 月發布的 Sora 與 o1 模型，引領生成式模型的范式迭代。圖表10:高質量語言數據資源將被耗盡 資料來源：EPOCH AI，方正證券研究所 海外科技 年度

76、行業策略報告 14 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 創創新趨勢一：從預訓練到后訓練新趨勢一：從預訓練到后訓練 Scaling Law，內化，內化 CoT 及及 Self-Play RL 增強增強推理能力推理能力 OpenAI o1 首次驗證后訓練階段的首次驗證后訓練階段的 Scaling Law。OpenAI GPT 系列模型采用預訓練、監督微調（SFT）及基于人類反饋的強化學習（RLHF）的架構，其中預訓練構建了核心的語言理解和生成能力，RLHF 則用于進一步微調模型以提升其響應的準確性和符合性。相比之下，谷歌的 AlphaGo 主要依賴自我對弈（Self-P

77、lay）強化學習（RL），通過大量的自我對弈不斷優化策略網絡和價值網絡，專注于特定任務的策略優化和決策制定。在二者的基礎上，OpenAI 在 24 年 9 月發布的 o1進一步均衡了預訓練與強化學習的比例，意味著大模型能力的提升不再局限于預訓練階段，還可以通過在后訓練階段中提升 RL 訓練的探索時間和增加模型推理思考時間來實現性能提升，即 Post-Training Scaling Law。具具體看體看 o1 的技術原理與測試結果：的技術原理與測試結果：模型將復雜問題拆解為多個推理步驟，每個步驟由獨立的思維鏈（Chain-of-Thought,CoT）處理，并通過 Self-Play 強化學習

78、不斷優化這些推理路徑和策略選擇，最終基于迭代式的自引導（Bootstrap）生成合理的推理路徑并匯總為解決方案。隨著推理算力的提升，o1 能夠進行更長時間的深度思考，生成更多 CoT 數據，進一步增強其推理效果。同時，強化學習的應用使模型在面對不同類型的問題時，能夠更好地適應和泛化。o1 在對邏輯推理要求較高的任務中相對 GPT 4o 明顯改善，比如數學求解和程序編寫等，并且在MMLU 中達到 78.2%的最高分。圖表11:o1 在訓練和推理階段均展現 Scaling Law 圖表12:o1 相對 GPT 4o 的提升體現在數理和代碼任務 資料來源：OpenAI官網，方正證券研究所 資料來源：

79、OpenAI官網，方正證券研究所 創創新趨勢二：從新趨勢二：從 NLP 到多模態到多模態 Scaling Law，視頻生成進入，視頻生成進入 DiT 階段階段 Sora 復用復用 LLM 訓練的成功經驗，初步驗證多模態模型的訓練的成功經驗，初步驗證多模態模型的 Scaling Law。由于多模態數據包含圖像、視頻、音頻等多種類型，在信息豐富度、處理方法、應用領域方面均較為復雜，難以達到較大的訓練規模體量，因此 Scaling Law 較難被驗證，直至 OpenAI 于今年 2 月發布的 Sora 推出。Sora 基于足量的數據和編碼支持，在 Transformer 和 Diffusion 融合

80、架構上繼續驗證了 Scaling Law 的有效性。視視頻生成模型的技術路線在頻生成模型的技術路線在 Sora 引領下進入引領下進入 DiT 階段。階段。在 Sora 發布前，領先的視頻模型大多基于 Diffusion 架構，比如 Runway、Pika 等。Sora 采用 Diffusion Transformer（DiT）雙層架構，首先將視頻或圖片降維表示成一個緊湊、高效的形式，其后提取 Patch，將視圖信息分解成更小單元，每個單元均包含視圖中一海外科技 年度行業策略報告 15 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 部分時間和空間信息，以便后續進行針對性處理。該

81、模型的關鍵創新在于將視頻幀視為 Visual Patch 序列，類似于 LLM 中的 Token，進而可有效處理各類視頻。這種方法與文本條件生成相結合，使 Sora 能夠根據文本提示生成上下文相關且視覺上連貫的高品質視頻。在 Sora 的啟發下，視頻生成模型的技術方案開始大幅度收斂至DiT架構，包括快速嘗試復現的開源項目Open-Sora、Open-Sora-Plan，以及商用閉源產品 Runway Gen-3、Luma Dream Machine 等。2.3 從資本開支看研發投入趨勢從資本開支看研發投入趨勢：巨頭巨頭 AI 軍備軍備競賽競爭加劇競賽競爭加劇 Scaling Law 的實現需要

82、大規模投入，的實現需要大規模投入，AI 軍備競賽拉高科技巨頭資本開支。軍備競賽拉高科技巨頭資本開支。Scaling Law 的擴展過程中自然伴隨著算力的增加需求，云廠商 capex 主要服務自用及外供的計算資源，其增長能夠反映產業現階段對 AI 算力的需求。2023 年生成式 AI 爆發，頭部科技廠商均大力投入大模型的訓練，并通過推理使模型適用于自身業務；訓練+推理共同提振自用算力需求。而在外供方面，云廠商也在自有云計算平臺上提供大模型 API，MaaS 的商業模式帶動外供算力放量。在內外需均旺盛的前提下，公司均加速算力資源投入，推動 capex 高增。根據 Omdiea Research 數

83、據，2023 年 H100 出貨量前四的終端用戶為 Meta（15 萬）、微軟（15 萬）、谷歌（5 萬）及亞馬遜（5 萬）。2024 年，四大云廠商 capex 加速增長，微 軟/谷 歌/亞 馬 遜/Meta Q1-Q3 資 本 開 支 平 均 增 速 分 別 達 到59.6%/81.5%/46.7%/17.1%，其中 Meta 增幅較小，主要是受到服務器交付節奏的影響。圖表13:云廠商 q1-q3 CapEx（億美元）及同比增長 圖表14:云廠商 AI CapEx 占整體比重（FY23）資料來源：Bloomberg，方正證券研究所 注：24Q4E數據來自彭博一致預期；微軟將每年7月1日-次

84、年6月30日設置為當年財年，故CY24Q4數據對應FY25Q2 資料來源：Omdiea Research，方正證券研究所 注：微軟將每年7月1日-次年6月30日設置為當年財年，故FY23數據對應CY22M7-CY23M6 -10%10%30%50%70%90%110%05010015020025024Q124Q224Q324Q4EMeta微軟谷歌亞馬遜Meta YoY（右軸）微軟 YoY（右軸）谷歌 YoY（右軸）亞馬遜 YoY（右軸）13.3%6.8%2.9%6.0%0%5%10%15%微軟谷歌亞馬遜Meta海外科技 年度行業策略報告 16 敬 請 關 注 文 后 特 別 聲 明 與 免 責

85、 條 款 s 3 應應用用：商業化商業化拐點已拐點已現，現，精準營銷與數據精準營銷與數據分析賽道率先突破分析賽道率先突破 3.1 趨勢分析：判別式與生成式趨勢分析：判別式與生成式 AI 融合發展的融合發展的 B 端垂直賽道端垂直賽道有望有望率先率先變現變現 3.1.1 2B VS 2C：B 端用戶需求明確，應用落地價值高端用戶需求明確，應用落地價值高 2B 應用用戶粘性與付費意愿相對應用用戶粘性與付費意愿相對 2C 更強更強。2C AI 應用雖然在流量集聚和熱點話題制造上表現出色，但面臨高熱度低留存的問題，主要原因在于其功能多為“娛樂”屬性，無法提供持續的實用價值。相比之下，2B AI 應用在

86、可控性、協作性和與場景工作流的深度融合上展現出更大的優勢，用戶需求更加剛性，憑借更高的用戶粘性與付費意愿吸引應用公司入局。截至 24 年 7 月，AI 應用初創公司中超過 80%屬于 2B 賽道。圖表15:AI 應用 2B/2C 場景特征 圖表16:AI 應用初創公司 2B/2C 占比（24M7）資料來源：甲子光年公眾號，方正證券研究所 資料來源：Medium，方正證券研究所 2B 應用商業模式日趨完善應用商業模式日趨完善，更易更易在短期兌現業績在短期兌現業績。2B 工具通過訂閱提價與按量付費的模式提高原有產品 ARPU，需求標準明確為 ROI，即對于企業而言只要ROI1 就會購買。相比而言，

87、2C 應用發展迅速但存在需求不明確和用戶粘性低的問題，大部分產品仍處于免費向用戶開放的狀態，用戶規模大但不反映在營收上，需要持續探索 Killer App，等待用戶破圈和變現。3.1.2 判別式判別式 AI VS 生成式生成式 AI：判別式：判別式 AI 仍為短期仍為短期 AI 變現主力變現主力 判別式判別式 AI 多用于解決特定任務。多用于解決特定任務。傳統 AI/AI 1.0 一般指判別式 AI（Discriminative AI，也稱為決策式 AI），通過對已有數據的分析、判斷和預測提供決策支持，主要用于人臉識別、智能推薦和自動駕駛等領域。判別式 AI 的技術特征為：1）基于 RNN/C

88、NN 等架構，處理長序列數據的能力有限；2）采用監督學習，需要大量的標注數據和專業編程人員；以上都導致模型的可擴展性有限，一個模型往往只能對應單一的任務。81.1%18.9%B2BB2C海外科技 年度行業策略報告 17 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 架架構升級構升級+GPU 能力提升能力提升+訓練方式突破共同推動訓練方式突破共同推動 AI 從分析決策向創造發展。從分析決策向創造發展。谷歌于 2017 年提出 Transformer 架構，以自監督學習為主，無需人工標注數據就可以自動適配和執行各種任務，大幅提高模型的可擴展性；近年 GPU 算力的提升進一步為基于

89、 Transformer 架構與壓縮知識預訓練提供可能性。2022 年末，ChatGPT 發布，將 Pre-trained Transformer 架構帶入大眾視野，并驅動 AI 進入生成式時代?；诤Ａ繑祿柧毜纳墒酱竽Ｐ湍軌蛏晌谋?、圖像、視頻等各類內容，并借助更強的推理和創造能力解鎖更豐富的場景和更大的市場空間。判判別式別式 AI 是否會被生成式是否會被生成式 AI 淘汰？淘汰？二二者在不同垂類行業創造的價值有所差異，者在不同垂類行業創造的價值有所差異，可以互補使用?？梢曰パa使用。判別式 AI 的技術路徑為基于已有數據“打標簽”，從而對不同類別的數據進行區分，因此在要求高精度輸出結果和

90、快速部署的環節能創造更多價值，比如生產制造、供應鏈管理和風險管理等環節；而生成式 AI 在創造性和涌現性要求高的環節中創造的總和投資價值更高，比如內容生產、人機交互等。生成式 AI 的幻覺問題導致可控性弱，目前還很難獨立滿足 2B 場景的需要，相比之下，判別式 AI 在推薦算法、數據分析等領域已有更豐富的場景和案例。圖表17:判別式 AI 與生成式 AI 對比 判別判別式式 AI 生成式生成式 AI 技術路徑技術路徑 對已有數據“打標簽”，基于條件概率 P（X|Y）對不同數據進行分類，得到決策結果 分析歸納已有數據，基于聯合分布概率 P（X，Y）生成新的內容 優勢領域優勢領域 要求高精度輸出結

91、果和快速部署的環節 創造性和涌現性要求高的環節 應用方向應用方向 人臉識別、推薦系統、自動駕駛 內容生產、營銷銷售 資料來源：億歐智庫，方正證券研究所 海外科技 年度行業策略報告 18 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表18:決策式 AI 和生成式 AI 在不同行業/場景的應用價值有所差異 資料來源：億歐智庫，方正證券研究所 判判別式別式 AI 仍為短期仍為短期 AI 變現主力，生成式變現主力，生成式 AI 貢獻更多發展空間。貢獻更多發展空間。判別式 AI將進一步深化其在金融風控、工業質檢、供應鏈管理等關鍵領域的應用，提高決策的精準度和效率；生成式 AI 將在

92、內容創作、藝術設計、游戲開發等領域展現其創新潛力，不斷推動個性化和多樣化的體驗。長期來看，盡管生成式 AI 的快速發展可能在某些領域引發變革，但不會出現生成式 AI 對判別式AI 的取代。相反我們更有可能看到二者融合發展，判別式 AI 的分析能力和生成式 AI 的創造性將相互補充，構建更為復雜和完備的 AI 系統。3.1.3 Copilot VS Agent：產品形態產品形態從從 Copilot 向向 Agent 過渡，過渡，o1 為關鍵推手為關鍵推手 依據人工在任務中的占比劃分，人類與依據人工在任務中的占比劃分，人類與 AI 協同的模式可分為協同的模式可分為 Embedding、Copilo

93、t 及及 Agent 三種類型。三種類型。其中，Embedding 即在某個環節去調用模型，比如為決策提供即時信息；Copilot 即大模型接入到工作流程的每個環節，根據人類指令按步執行任務；Agent（通常被認為是智能體）指將任務完全交給 AI 自主完成。Agent 與 Copilot 最大的區別在于自主規劃的能力，終極形態的 AI Agent 只需要用戶的起始指令和結果的反饋，過程中并不需要人的介入。圖表19:Embedding VS Copilot VS Agent 資料來源：電子工程專輯，方正證券研究所 海外科技 年度行業策略報告 19 敬 請 關 注 文 后 特 別 聲 明 與 免

94、責 條 款 s 人類與人類與 LLM 的協同模式正從的協同模式正從 Copilot 向向 Agent 過渡過渡，o1 為關鍵推手為關鍵推手。OpenAI的 GPTs+Assistant API 被認為是用戶自定義 Agent 的初級形態：GPTs 功能于 23年 11 月發布，供 GPT Plus 以及企業用戶在零代碼的條件下定制自己的 GPT；隨后，GPT Store 于 24 年 1 月上線，供用戶分享自己構建的 GPTs，被 Sam Altman 成為“AI 時代的 App Store”。這一階段的 Agent 框架大多建立在簡單的prompt 編排和 API 調用基礎上，這種架構在處理

95、單一領域的特定任務時確實展現出了令人驚艷的效果；但隨著應用場景的拓展和任務復雜度的提升開始顯露出其局限性，特別是在處理需要深度推理、多輪交互和跨域協同的復雜任務時，局限性更加明顯。而以 OpenAI o1/o3、Gemini 2.0 為代表的新一代 LLM 推理能力顯著增強，改善原有預訓練模型工具調用準確率低以及泛化能力差的問題，進一步加速 Agent 產品的落地。本年度我們看到很多 AI 應用提出 Agent 概念，但并不意味著這些 Agent 應用能夠實現所有工作流的自動化。工作可以人為地被無限拆分，能實現單個工作單元的完全自動化應被歸類為泛化的 Agent 概念產品（或者更多歸于 Cop

96、ilot+）。3.2 落地現狀落地現狀：2C 應用應用頭部格局穩定，頭部格局穩定，2B 垂類垂類變現進展領先變現進展領先 3.2.1 2C 應用：頭部格局穩定，流量主要集中在聊天、搜索及圖片編輯領域應用：頭部格局穩定，流量主要集中在聊天、搜索及圖片編輯領域 頭部格局基本穩定頭部格局基本穩定，ChatGPT 斷層優勢斷層優勢顯著顯著。年初至今，訪問量前三的 AI 應用穩定為 ChatGPT、Bing 及 Canva。相較 Bing 和 Canva 流量維持穩中有升的趨勢，ChatGPT 在歷經多次產品迭代后訪問量加速增長，至 11 月已達到 39.2 億，和其他網站形成斷層優勢。前三名外，Gem

97、ini（通用聊天）、Character.AI（陪伴）、DeepL（翻譯）及 Notion（文本處理）也穩定在訪問量前十位置。圖表20:全球 AI 產品（web 端）訪問量前 10 名體量比較（24M11）資料來源：AI產品榜 ，方正證券研究所 聊天機器人智能搜索圖片編輯陪伴電商協作翻譯海外科技 年度行業策略報告 20 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表21:全球 AI 產品（web 端）訪問量前 3 名（百萬）圖表22:全球 AI 產品（web 端）訪問量 4-10 名（百萬）資料來源：AI產品榜 ，方正證券研究所 資料來源：AI產品榜 ，方正證券研究所 注：

98、4-10名產品選取依據24M11排名情況 流量主要集中在聊天、搜索及圖片流量主要集中在聊天、搜索及圖片編輯編輯相關相關領域領域。聊天：聊天：24 年 AI 聊天機器人全球訪問量前 3 位的分別是 ChatGPT、Gemini 和Claude。ChatGPT 的流量在 4 月和 7 月迎來關鍵增長，4 月至 6 月，GPT-4 Turbo 的開放推動流量從 16.5 億次增至 29.5 億次；7 月起，GPT-4 mini 降本優化、微調功能開放和 9 月 o1-preview 模型發布，加上 10 月提示緩存和Canvas 功能應用，使流量進一步攀升至 39.2 億次。Gemini 在 3 月

99、流量達到4.47 億次，得益于 2 月 Bard 更名為 Gemini 并推出 Advanced 訂閱服務及移動端 App，Gemini 1.5 Pro 的發布也促進了增長，但因功能短板和市場競爭，流量在 7 月下滑至 2.8 億次。Claude 的流量從 1 月的 0.2 億次增至 11 月的0.89 億次，增長 342%。其中，3 月 Claude 3 系列發布推動流量增長 164%，6 月推出 Claude 3.5 Sonnet 及新增“Projects”功能進一步推動增長。圖表23:代表性 AI+聊天助手網站訪問量變化（百萬）資料來源：AI產品榜 ，方正證券研究所 搜索：搜索：24 年

100、搜索領域全球訪問量前三位分別是 New Bing、360AI 搜索和Perplexity AI。New Bing 流量長期維持高位，24M7-24M8 顯著增長后趨于平穩。360 AI 搜索憑借“360 系瀏覽器”國內第一的入口優勢及持續研發投入，4 月發布測試版，6 月全面更新，24M4-24M11 訪問量增長 2300%。Perplexity 050010001500200025003000350040004500ChatGPTNew BingCanva0100200300400500Gemini360AI搜索DeeplCharacter AINotion AIShopPerplexity

101、 AI3920284 89 02004006008001000120005001000150020002500300035004000450024M124M224M324M424M524M624M724M824M924M1024M11ChatGPTGemini（右軸）Claude（右軸）7月18日發布GPT-4o 4月13日 開放GPT-4 Turbo2月8日支持移動端應用面臨市場競爭下滑3月4日 Claude 3系列發布6月21日 推出Claude 3.5 Sonnet海外科技 年度行業策略報告 21 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s AI 流量整體相對平穩，7

102、 月短暫回落后，因推出 Pro Search 功能優化數學計算和編程能力，并提升用戶體驗，流量逐步回升并顯著增長。圖表24:代表性 AI+搜索網站訪問量變化（百萬）資料來源：AI產品榜 ，方正證券研究所 圖片編輯：圖片編輯：Canva 通過收購 Remove.bg 和 Leonardo.AI 等頭部產品，借助開源模型的可控性和擴展能力，完善功能矩陣以滿足平面設計場景下高質量輸出的需求，全球訪問量 24M1-M11 增長 53%。相比之下，Midjourney 因隨機性高、學習成本較高，難以滿足用戶對特定場景需求，吸引力下降，24M1-M11 全球訪問量下降 30%。圖表25:代表性 AI+圖片

103、編輯網站訪問量變化（百萬）資料來源：AI產品榜 ，方正證券研究所 3.2.2 2B 應用：應用：數據量大數據量大且且容錯率高的容錯率高的營銷、數據分析營銷、數據分析、管理場景管理場景 ROI 率先率先突破突破 傳統傳統 AI 在數據量大在數據量大且可控性高且可控性高的行業的行業/場景應用程度高。場景應用程度高。AI 模型的通用技術路徑為：基于通用數據訓練模型，以最小化預測結果與實際結果的差異。由此我們可推斷，數據量大以及目標明確（或者稱為可控性高，從數學層面理解即可用簡單明確的目標函數來度量事件的結果）是 AI 技術充分發揮價值的前提條件。因此，傳統 AI 的典型應用場景包括基于海量數據挖掘的

104、精準營銷、安防、欺詐檢測等，典型落地行業包括數字化原生的互聯網以及數字化程度較高的金融與制造業。生生成式成式 AI 泛化能力更強，初期推廣容錯率較高場景泛化能力更強，初期推廣容錯率較高場景。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，另一方面也會導致生成不準確、誤導性1830283 108 050100150200250300350400450500020040060080010001200140016001800200024M124M224M324M424M524M624M724M824M924M1024M11New Bing360AI搜索（右軸）Perplexity AI

105、（右軸）4月 發布測試版6月 全面更新7月 推出Pro Search功能828 72 15 13 020406080100120140010020030040050060070080090024M124M224M324M424M524M624M724M824M924M1024M11Canva Text to ImageRemove.bg（右軸）Leonardo.AI（右軸）Midjourney（右軸）海外科技 年度行業策略報告 22 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 甚至完全虛構內容的小概率事件。這種模型幻覺是目前生成式 AI 落地的主要難點，尤其是在容錯率低的自

106、動駕駛、生物制藥等場景。綜合以上考量，我們選取當前受 AI 影響最為明顯的數字原生的軟件互聯網行業，圍繞其中數字營銷、數據分析、企業管理（CRM/ERP）及內容生產軟件四大賽道，針對 AI 落地的情況進行分析。+數字營銷：推薦系統迭代數字營銷：推薦系統迭代提高提高廣告廣告 ROI，一手數據構筑護城河，一手數據構筑護城河 通過通過 AI 實現精準營銷的底層技術屬于推薦算法，具體應用已滲透廣告產業鏈的實現精準營銷的底層技術屬于推薦算法，具體應用已滲透廣告產業鏈的各個環節：各個環節：1）用戶洞察：基于用戶行為數據建立標簽系統，進行用戶定向分析、聚類分析和相似度擴展；2）創意生成：通過對已有素材的學習

107、，為特定用戶生成個性化內容，降低人工成本并提升投放 ROI；3）智能投放：預估用戶點擊率和轉化率，以 ROI 最大化為目標匹配廣告需求，進行出價及投放；4）歸因分析：對用戶數據進行集成性分析，不斷改善廣告投放的準確性和效果。其中，2）代表生成式 AI 而非傳統 AI 技術的應用，目前還處于產品化早期，為 AI 賦能廣告提供充足想象空間。生成式推薦模型投入應用，成為推薦系統的重要補充。生成式推薦模型投入應用，成為推薦系統的重要補充。在推薦系統領域中，最主流的模型是深度學習推薦模型(DLRM)，利用大量的異構特征，例如數值特征（CTR,ratio）、分類特征（創作者 ID、用戶 ID）來建模用戶和

108、商品之間的關系。但是這種范式沒有體現出 Scaling Law，即隨著計算規模的擴大，模型的性能難以提升。Meta 于 24 年 2 月發布Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations，提出首個生成式推薦模型（Generative Recommendations，GR），在其中驗證搜廣推的 Scaling Law。論文中提及，公司的核心產品線中已用 GR 替換工業界長期使用的分層處理異構特征的 DLRM 范式。圖表26:GR 相比

109、DLRM 展現更強的 scaling 能力 圖表27:GR 相比 DLRM 展現更強的線上推理性能 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（Zhai et al.,2024），方正證券研究所 資料來源：Actions Speak Louder than Words:Trillion-Parameter Sequential Transducers for Generative Recommendations（Zhai

110、 et al.,2024），方正證券研究所 AI 賦能帶動廣告投放平臺一致預期不斷上調。賦能帶動廣告投放平臺一致預期不斷上調。我們以廣告平臺中的 Meta 及AppLovin 為代表，分析其 AI 賦能情況。海外科技 年度行業策略報告 23 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 1）Meta：推薦算法領軍，核心：推薦算法領軍，核心 AI 與生成式與生成式 AI 路線并行。路線并行。公司作為全球社交軟件的龍頭企業，基于 Facebook、Instagram 等平臺流量進行廣告變現，并建設Audience Network 廣告生態，不止于提供自有產品的廣告分發渠道。公司將

111、公司將 AI 應用分為兩條路線應用分為兩條路線，核心 AI 方面，通過推薦與廣告定位算法增效推動短期變現，核心工具是 22 年上線的 Advantage+廣告工具套件，利用 Meta AI 進行實時自動化調整，以最小的投入獲得最佳的投放效果。廣告主可以選擇“+展示位置”、“+受眾”等模塊去自動化廣告設置過程中的某個環節，或者直接使用“+購物廣告”、“+應用廣告”等端到端自動化工具。據公司業績會信息，A+購物廣告能夠使投放效果提高 22%。此外，Meta Lattice（根據廣泛數據點預測廣告相應效果）、Image Animation（基于圖片生成視頻）、Video Expansion（視頻延展

112、、變形等）陸續發布，為廣告 ROI 及 CPM 帶來充足的提升空間。生成式 AI 方面，聊天助手Meta AI、2C 角色設計 Creator AIs 以及 2B 角色設計 Business AIs 陸續發布，預計在 MAU 達到 10 億后開始變現。圖表28:Advantage+自動化工具效果 圖表29:Meta Lattice 架構 資料來源：Shoelace，方正證券研究所 資料來源：Today In Digital，方正證券研究所 AI 算法更新及算法更新及 AI 工具的上線已顯著提高廣告工具的上線已顯著提高廣告 ROI，驅動廣告業務量價齊升。，驅動廣告業務量價齊升。公司自 23Q4

113、后進入 ARPP 端參與度與貨幣化率雙輪驅動階段：一方面，AI 推薦架構及 Reels 優化用戶體驗，提升使用時長，為 Ad load 提供更大空間，23Q4/24Q1/24Q2/24Q3 廣告觸達量分別同比增長 21%/20%/10%/7%；另一方面，以電商為主的廣告主需求旺盛，疊加 Advantage+等 AI 工具助力優化廣告投放效果，23Q4/24Q1/24Q2/24Q3 CPM 分別同比增長 2%/6%/10%/11%。海外科技 年度行業策略報告 24 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表30:Meta 廣告收入及同比增速 圖表31:Meta 廣告價格

114、 YoY 及廣告觸達量 YoY 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 圖表32:Meta 毛利率及凈利率 圖表33:Meta 股價及 24 年收入一致預期變化 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 2）AppLovin：跨平臺閉環數據跨平臺閉環數據-推薦算法迭代推薦算法迭代-吸引更多廣告主合作吸引更多廣告主合作形成正向形成正向循環，循環，競爭優勢競爭優勢凸顯凸顯。AppLovin 是第三方廣告平臺，旗下平臺包括 AppDiscovery（DSP，整合廣告主需求并協助競價，由底層廣告推薦引

115、擎 AXON 支持）、MAX（Mediation，幫助流量主集成競價，進行撮合）、Adjust（歸因平臺，實時提供數據監測和歸因分析，收入來自年度訂閱）等。公司的業務邏輯為：公司的業務邏輯為：AppDiscovery 作為 DSP 直接與廣告主合作，指導廣告主的投放預算和出價目標，MAX 作為 Mediation，知道流量主的競價情況；因此，公司不僅能通過信息不對稱來優化出價策略，提升廣告主的 ROI，還能賺取其中的差價。廣告主和流量主的雙向鎖定形成生態閉環，使競爭對手難以滲透其市場。流量主如果選擇其他Mediation，那AppLovin可以選擇不將其DSP接入該平臺。這種機制的優勢在 AX

116、ON 助推下進一步深化。推薦引擎推薦引擎AXON升級是公司業績爆發式增長的主要驅動因素。升級是公司業績爆發式增長的主要驅動因素。AXON最早于2022年發布，并于 23 年初迭代至 2.0 版本，大幅提高廣告投放的精準度，使客戶能在幾微妙之間完成大規模的廣告拍賣。AXON 2.0 通過持續的迭代學習、訓練數據量的增加和推薦算法的增強，匹配用戶與相關廣告內容更精準快速，為廣告商增加 ROAS，吸引更多客戶加入并帶來更多數據，形成了數據-算法-客戶數的良性循環，推動公司廣告收入在 23Q3 之后進入新一高增階段，盈利能力也明顯提升。-3.7-4.2 4.1 11.9 23.5 23.8 26.8

117、21.7 18.6-10-505101520253005000100001500020000250003000035000400004500022Q3 22Q4 23Q1 23Q2 23Q3 23Q4 24Q1 24Q2 24Q3廣告收入（百萬美元）YoY（右軸；%）-30-20-1001020304022Q322Q423Q123Q223Q323Q424Q124Q224Q3廣告價格YOY（%）廣告觸達量YOY（%）010203040506070809022Q322Q423Q123Q223Q323Q424Q124Q224Q3毛利率（%）凈利率（%）300350400450500550600650

118、14501500155016001650收入一致預期（24年；億美元）股價（美元；右軸）海外科技 年度行業策略報告 25 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表34:AppLovin 收入及同比增速 圖表35:AppLovin 毛利率及凈利率 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 圖表36:AppLovin 股價及 24 年收入一致預期變化 資料來源：Bloomberg，方正證券研究所 為什么為什么 AI ROI 在廣告營銷領域率先顯現？在廣告營銷領域率先顯現？蘋果修改數據隱私政策助推廣告平臺升級推薦算法蘋果修

119、改數據隱私政策助推廣告平臺升級推薦算法。蘋果于 2021 年 4 月發布 iOS 14.5，全面上線 ATT 框架（App Tracking Transparency，應用跟蹤透明度），限制應用讀取用戶設備的 IDFA（Identifier for Advertisers，廣告標識符），只有用戶點擊允許的情況下，各應用才能實施跨平臺數據追蹤。據華爾街見聞數據，接近 80%的用戶選擇禁止跨平臺追蹤，直接打擊移動廣告投放的精準度，導致個性推薦廣告 CPM 相對主動搜索廣告及品牌廣告大幅降低。2022 年，網絡廣告增速出現明顯下滑（YoY-23.1pct），個性化推薦廣告平臺業績均受到沖擊，Meta

120、/AppLovin 收入 YoY-1%/+1%。ATT 實施之后廣告平臺更多依賴第一手的用戶行為數據進行分析和推薦，這涉及到AI/ML 能力，廣告推薦的門檻由此提高。Meta 和和 AppLovin 率先完成算法優化率先完成算法優化，借助借助廣告廣告 ROI 優勢優勢實現業績高增。實現業績高增。Meta 在 22 年接連上線 CAPI、Advantage+自動化工具、Lattice 排名模型、生成式推薦模型以緩和 ATT 的影響，公司業績在 23Q3 開始釋放。AppLovin在 23 年年初推出 AXON 2.0，收入相應開始高增。算法的成功改造不是偶然算法的成功改造不是偶然，背后是多年的數

121、據與算法積累。，背后是多年的數據與算法積累。算法的優化需要大規模訓練和測試，對數據和算力的要求較高。Meta 擁有以 Facebook 和Instagram 為代表的五款社交應用，去重后 MAU 達到全球網民的 74%，一-1.9-11.5 14.4-3.4 21.2 35.7 47.9 44.0 38.6-20-100102030405060020040060080010001200140022Q322Q423Q123Q223Q323Q424Q124Q224Q3收入（百萬美元）YoY（右軸；%）-2002040608010022Q322Q423Q123Q223Q323Q424Q124Q224

122、Q3毛利率（%）凈利率（%）01002003004003540455024/0124/0224/0324/0424/0524/0624/0724/0824/0924/1024/1124/12收入一致預期（24年；億美元）股價（美元；右軸）海外科技 年度行業策略報告 26 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 手用戶數據的豐富程度遙遙領先。AppLovin在移動廣告產業擁有完善布局，使其能通過 AppDiscovery 平臺獲取廣告主數據（投放預算、出價策略），通過 MAX 平臺獲取跨平臺的流量主數據（廣告填充率、展示效果），收購的 Adjust 平臺能回傳用戶從廣告點

123、擊到深度轉化的行為數據；廣告位數據與用戶行為的數據提供完整的用戶生命周期視圖，使 AXON 在模型訓練時無需依賴外部數據就能精準優化 ROAS。因此，Meta 和 AppLovin 相比其他競爭者在 AI+營銷有更好的優勢卡位。圖表37:Meta、AppLovin 及 Unity FY24 收入一致預期相對年初的變化 資料來源：Bloomberg，方正證券研究所 +數據分析：生成式大模型為串聯數據及算法積累的中樞數據分析：生成式大模型為串聯數據及算法積累的中樞 AI 對數據分析的作用：對數據分析的作用：1）數據處理：從多個來源注入數據，自動識別并修正數據中的錯誤，確保數據的質量和一致性；2）數

124、據分析：從海量數據中提取有價值的信息，識別潛在的商業機會和風險；3）信息交互：基于 LLM 與用戶形成交互，實時滿足用戶的個性化需求，比如調用特定數據、形成多個決策方案等。其中，3）代表生成式 AI 而非傳統 AI 技術的應用，在數據分析平臺中扮演把過去的深厚積累串聯起來的智能中樞，通過 RAG、Tool Call 等手段放大原有數據處理能力的優勢。圖表38:數據管理及分析產業鏈 資料來源：GenerativeValue，方正證券研究所 -30%-20%-10%0%10%20%30%24/0124/0124/0124/0124/0124/0224/0224/0224/0224/0324/032

125、4/0324/0324/0424/0424/0424/0424/0424/0524/0524/0524/0524/0624/0624/0624/0624/0724/0724/0724/0724/0724/0824/0824/0824/0824/0924/0924/0924/0924/1024/1024/1024/1024/1024/1124/1124/1124/1124/1224/1224/12METAAppLovinUnity海外科技 年度行業策略報告 27 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 我們選取我們選取 AI 滲透最深的數據分析環節，對代表性企業滲透最深的

126、數據分析環節，對代表性企業 Palantir 進行分析：進行分析：深耕大數據分析和決策智能，政商雙線擴大深耕大數據分析和決策智能，政商雙線擴大 TAM。Palantir 于 2003 年以國防安全軟件起家，現旗下有 Gotham 和 Foundry 兩大平臺，分別為政府和商業用戶提供智能數據解決方案，其中 Gotham 政府平臺能夠充分利用非結構化數據，通過將數據轉換為帶有標簽的信息去尋找數據背后的邏輯，幫助政府部門進行決策，主要服務 NSA、FBI、CIA 等；Foundry 企業平臺能夠整合客戶各部門的結構化數據，打破信息孤島并進行定量分析，已覆蓋金融、能源、交運等行業。公司的業務擴張邏輯

127、是：通過項目制交付的解決方案優化平臺，利用平臺去拓展新的應用場景，再不斷開發新的平臺，形成可持續循環的業務擴張邏輯。從傳統從傳統 AI 到生成式到生成式 AI，Palantir 始終走在始終走在 AI 技術應用的前沿。技術應用的前沿。公司基于前期大量 R&D 投入構筑技術壁壘，對 AI 的應用不斷加深：Gotham 和 Foundry內置 ML 模型，一方面對大量多源異構數據進行精確且實時的整合分析；另一方面，模型會利用決策反饋的數據進行訓練迭代。23 年 4 月，公司發布新產品人工智能平臺（AIP，Artificial Intelligence Platform），深度應用生成式AI 技術，

128、其中 Assist 模塊便于開發者私有化部署 LLM，客戶能夠基于自然語言調用數據、詢問決策建議；Logic 模塊便于開發者定制 Agent；Automate模塊使用戶自定義任務開始條件與要求，實現工作流端到端的自動化。根據Forrester Wave 24Q3 調查結果，公司在 AI/ML 平臺處于領先者地位。圖表39:Palantir 商業模式 圖表40:AI/ML 平臺 Forrester Wave（24Q3）資料來源：Palantir官網，方正證券研究所 資料來源：Palantir官網，方正證券研究所 AIP 驅動業績連續超預期，成功背后是長期的數據處理經驗及用戶心智培育。驅動業績連續

129、超預期，成功背后是長期的數據處理經驗及用戶心智培育。Palantir 在數據復雜度極高的軍事領域積累了 20 年的經驗，并能深刻理解從原始數據導向決策輔助的數據處理管道、領域建模、人機交互應該如何通過產品設計來銜接，為 AIP 沉淀了天然的數據層和應用層的優勢。此外，公司通過舉辦為其 1-5 天的 AIP Bootcamp 訓練營幫助客戶認知大模型與企業場景結合的價值，大幅推動銷售轉化。公司預計 24 年全年在全美各地為潛在用戶舉辦大約 2000 次訓練營（較去年增加一倍）。海外科技 年度行業策略報告 28 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表41:Palant

130、ir 收入及同比增速 圖表42:Palantir 毛利率及凈利率 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 圖表43:Palantir 股價及 24 年收入一致預期變化 資料來源：Bloomberg，方正證券研究所 +資源資源管理：產品功能較同質，管理：產品功能較同質，Salesforce 及微軟及微軟引領創新與商業化趨勢引領創新與商業化趨勢 生成式生成式 AI 有助于為用戶自動化重復性的任務并提高協作效率。有助于為用戶自動化重復性的任務并提高協作效率。AI 在企業流程協作及任務管理領域（CRM、ERP 等）的應用主要圍繞生成式 AI 展開，生

131、成式 AI能夠基于自然語言交流優化軟件中資源管理、銷售管理、客戶服務等模塊的功能，通過定制對話、信息調用、內容總結、撰寫郵件等功能提高企業管理的效率。AI 助手普及，功能同質化程度高。助手普及，功能同質化程度高。Salesforce 引領 AI+企業管理軟件的發展，率先在 23 年 3 月推出 Einstein GPT（Copilot），為客戶提供開箱即用的生成式 AI功能，至 6 月形成由 Sales GPT、Service GPT、Marketing GPT、Commerce GPT等構成的AI Cloud服務。隨后，Adobe、Oracle、SAP陸續上線用于CRM/ERP的生成式 AI

132、 功能，產品同質化程度高，基本集中于對話、數據分析、撰寫郵件等功能。Salesforce 和微軟引領和微軟引領 CRM 產品產品升級至升級至 Agent 形態形態。1）Salesforce：公司于 9 月發布 Agentforce,并與 12 月推出 2.0 版本，目前提供五種 Agent 的搭建能力，在此基礎上提供一站式的垂直行業 Agent 解決方案（包括醫療健康、銀行、零售等）。Agentforce 的特點在于把大部分的技術環節封裝完整，并在 UI 層為客戶留了定制化的空間，通過低代碼和生成式 AI 配置，降低部署難度；相比其 Copilot 產品更加側重在實際業務場景的自主學習與決策。

133、Agentforce 借借公司在公司在銷售場景積累的行業銷售場景積累的行業 know-how 及數據減少模型幻覺，助及數據減少模型幻覺，助力力其其在在企業企業管理管理軟件軟件市場市場走出差異化，有望促進客戶轉化走出差異化，有望促進客戶轉化、提振市場份額、提振市場份額。21.9 17.5 17.7 12.7 16.8 19.6 20.8 27.2 30.0 0510152025303501234567822Q322Q423Q123Q223Q323Q424Q124Q224Q3收入（億美元）YoY（右軸；%）-40-2002040608010022Q322Q423Q123Q223Q323Q424Q1

134、24Q224Q3毛利率（%）凈利率（%）010203040506070809025262728293024/0124/0224/0324/0424/0524/0624/0724/0724/0824/0924/1024/11收入一致預期（24年；億美元）股價（美元；右軸）海外科技 年度行業策略報告 29 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s Agentforce 采取按采取按對話對話量付費量付費的的模式，相較模式，相較 Einstein GPT 的額外訂閱付費模式的額外訂閱付費模式更加靈活。更加靈活。Einstein GPT 提供兩種收費模式：1）按年訂閱 AI Clo

135、ud 產品，套餐規定 Einstein GPT 使用限額，基礎版本套餐每年 36 萬美元；2）單獨購買 GPT產品，如 Sales GPT/Service GPT 定價為 50 美元/月。Agentforce 則采取按量付費的商業模式，每次對話收費 2 美元，相比傳統的按 Token 量計算，更加偏向Value-Based Pricing，根據客戶從產品中獲得的實際價值來設定價格。從 9 月初次上線到 FY25Q3 業績會（12 月 4 日），Agentforce 已達成 200 筆訂單，客戶包括 FedEX、埃森哲、IBM 等公司。圖表44:Salesforce 收入及同比增速 圖表45:S

136、alesforce 毛利率及凈利率 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 2）微軟：微軟：今年 10 月，微軟推出接入 OpenAI o1 的 10 款預構建 AI Agent，能夠基于自主推理來操作執行特定任務的軟件，主要應用于 Dynamics 365 的銷售、運營和服務環節。Copilot Studio 新增 Agent 定制功能，開發者可以通過設計使Agent 檢測特定事件后做出實時響應，自動執行任務，例如在收到郵件之后，自主完成郵件意圖評估-發件人信息及通信記錄查詢-庫存記錄查詢-郵件回復等一系列行動。圖表46:微軟預購建 Age

137、nt 功能 名稱名稱 功功能能 銷售資格 分析和研究潛在客戶，確定哪些銷售機會應該被優先關注和跟進，并通過個性化郵件和回復引導客戶溝通 銷售訂單 通過與客戶互動，捕捉他們的偏好，自動化從訂單輸入到確認的整個訂單接收流程 供應商溝通 通過自主跟蹤供應商的表現，檢測供應鏈延遲并做出響應，幫助企業優化供應鏈，讓采購團隊擺脫耗時的手動監控，減少供應鏈中斷帶來的額外成本 財務對賬 清理用于財務報告和對賬過程中的原始數據，并準備和整理結構化、標準化的數據集 時間與費用 自主管理時間錄入、費用跟蹤和審批流程 客戶意圖 從過去和當前客戶在所有渠道的對話中發現新的客戶意圖，支持持續的無人工自助服務 客戶知識管理

138、 通過分析人工輔助案件中的案例筆記、對話記錄、摘要和其他文檔，幫助確保知識庫始終保持最新狀態 客戶服務案例管理 通過自動化整個案例生命周期的關鍵任務包括創建、解決、跟進和關閉，減少處理時間 現場服務調度操作 使調度員能夠為技術人員提供優化的日程安排，即使在工作日內的情況發生變化時也能應對 資料來源：新智元公眾號，方正證券研究所 14.2 14.4 11.3 11.4 11.3 10.8 10.7 8.4 8.3 02468101214160102030405060708090100收入（億美元）YoY（右軸；%）-100102030405060708090毛利率（%）凈利率（%）海外科技 年度

139、行業策略報告 30 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 圖表47:微軟收入及同比增速 圖表48:微軟毛利率及凈利率 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 圖表49:Salesforce 股價及 FY25 收入一致預期變化 圖表50:微軟股價及 FY25 收入一致預期變化 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 +內容生產：從底層革新工作流程，產品滲透道阻且長內容生產：從底層革新工作流程，產品滲透道阻且長 內容生產軟件主要用于文字處理、圖表管理、演示文稿創建、創意

140、設計等辦公環境中的生產力任務。生成式 AI 的應用有助于為用戶自動化重復性的任務并提供智能化的輔助功能，能夠憑借工作效率改善提高用戶粘性與使用頻率。以以 Adobe 為代表看為代表看 AI+內容生產軟件內容生產軟件的落地進展：的落地進展：生成式生成式 AI 推動內容生成從推動內容生成從 PGC 向向 AI 輔助的輔助的 UGC 發展，使圖像設計不再發展，使圖像設計不再限于專業人群。限于專業人群。生成式 AI 能夠實現根據文本生成圖像、音頻、代碼，根據2D 圖像生成 3D 模型，根據已有文本進行續寫等功能，在生成簡單創意內容時不再需要大量專業人群，大幅降低創意設計門檻。同時，對于創意工作者來說，

141、生成式 AI 幫助快速生成大規模高質量內容，大幅提高創作效率。據Adobe 調研信息，有 80%的創意工作者認為生成式 AI 將對工作產生積極影響。創意軟件作為內容生成的主要工具，有望借此突破市場增長瓶頸。Adobe 自研自研生成式生成式模型模型 Firefly，能力邊界不斷拓展。，能力邊界不斷拓展。Adobe 是全球內容設計軟件的龍頭公司，旗下有以 Photoshop、Premiere 和 Illustrator 為代表的創意設計工具。公司于 23 年 3 月發布生成式 AI 模型 Firefly，提供圖片/矢量圖/模版生成等功能，嵌入原有工作流中供用戶在設計過程中調用。24 年10.6 2

142、.0 7.1 8.3 12.8 17.6 17.0 15.2 16.0 024681012141618200100200300400500600700收入（億美元）YoY（右軸；%）01020304050607080毛利率（%）凈利率（%）200220240260280300320340360380370375380385390FY25（當期）收入預測（億美元）股價（美元；右軸）300350400450500275028002850FY25（當期）收入預測（億美元）海外科技 年度行業策略報告 31 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 10 月，Firefly 實現從

143、圖像到視頻的突破，視頻生成功能集成入 Premiere Pro，目前處于有限公開測試階段，預計將于 25 年初廣泛推出。Firefly 的差異化優勢在于內容合規與生態完善。的差異化優勢在于內容合規與生態完善。1）生成內容的合規性是商業客戶選擇生成式 AI 產品時的核心考量因素之一，Firefly 完全基于有版權數據進行訓練，同時承諾承擔侵權帶來的索賠；2）Firefly 內嵌于 Photoshop等明星產品中，相較其他文生圖模型以獨立網站存在的形式，為用戶提供更多后續專業編輯的空間，將 AIGC 功能以更低的遷移成本融入到日常工作流中。Firefly 支撐產品提價，貨幣化進展不及預期。支撐產品

144、提價，貨幣化進展不及預期。Firefly 于 23 年 11 月開啟正式收費，全線產品訂閱提價（約 9%）與額外按量計費并行。訂閱用戶每月享有一定額度積分，普通產品如 Photoshop、Illustrator、InDesign 等均對應500 積分，Express 對應 250 積分。若需生成超出基礎訂閱套餐額度外的圖片，則需按照 4.99 美元/100 積分的價格額外購買。視頻生成功能尚未開始收費，管理層預計會采取按量計費的模式。公司 FY24 收入 215 億美元（YoY+11%），增速基本與過去三個財年持平；指引 FY25 收入 234 億美元（YoY+9%），低于一致預期的 238

145、億美元，預示 AI 產品短期仍會處于推廣和普及階段，不會為公司帶來明顯的業績貢獻。圖表51:Adobe 收入及同比增速 圖表52:Adobe 毛利率及凈利率 資料來源：Bloomberg，方正證券研究所 資料來源：Bloomberg，方正證券研究所 圖表53:Adobe 股價及 FY25 收入一致預期變化 資料來源：Bloomberg，方正證券研究所 4 核心核心結論結論 從從 AI 技術類型來看，傳統技術類型來看，傳統 AI 仍然是主要的變現手段。仍然是主要的變現手段。傳統 AI 通常指判別式 AI，通過分析和預測已有數據來提供決策支持，主要應用于推薦算法和企業數據分析12.7 10.1 9

146、.2 9.8 10.3 11.6 11.3 10.2 10.6 02468101214010203040506022Q322Q423Q123Q223Q323Q424Q124Q224Q3收入（億美元）YoY（右軸；%）02040608010022Q322Q423Q123Q223Q323Q424Q124Q224Q3毛利率（%）凈利率（%）40045050055060065023023524024524/0124/0224/0324/0424/0524/0624/0724/0824/0924/1024/1124/12FY25（當期）收入預測（億美元）股價（美元；右軸）海外科技 年度行業策略報告 32

147、 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 等領域。而生成式 AI 則基于海量數據生成文本、圖像等內容，具有更強的通用性，但由于存在黑盒和模型幻覺等問題，其可控性和準確性相對較低，因此在 B 端場景尚未具備大規模應用的基礎。這也解釋了為何搜廣推和數據分析成為 AI 最早實現業績增長的領域。從企業規模來看，從企業規模來看，AI 技術正在從大公司向中小企業擴散。技術正在從大公司向中小企業擴散。中小企業的股價需要業績表現支撐，市場對 AI 的交易熱情則放大其業績的增長。相比之下，對于大型公司，近期股價上漲主要由估值驅動，形成樂觀的預期依賴其原有業務的市場地位以及 AI 產品的落

148、地進展。從競爭優勢來看，數據從競爭優勢來看，數據、算法算法與與用戶用戶之間之間的閉環是的閉環是應用應用走出差異化的關鍵。走出差異化的關鍵。所有AI 應用本質上都在提供某種形式的咨詢服務，因此其核心需求包括人才（對應 AI應用中的底層模型）、數據以及行業 know-how（解決特定領域問題所需的方法論）。隨著頂尖閉源模型能力接近、開源模型的性能不斷提升，行業 know-how 成為各產品初始差異的決定性因素；而用戶長期使用積累的數據能夠使應用更好地完成特定場景的特定任務。在此基礎上，企業有望通過 AI 豐富功能模塊、優化用戶體驗，吸引更多用戶使用 AI 工具，而使用數據則會進一步反哺模型，持續提

149、升產品的競爭力。展望展望 2025 年的發展情況，年的發展情況，整體整體看，看，AI 應用的廣度和深度仍有很大的拓展空間應用的廣度和深度仍有很大的拓展空間，AI 產業的定價邏輯將從當前主要面向大型企業（M7）轉向垂直賽道和中小企業。盡管當前納斯達克指數的估值較高，但 AI 產業的盈利增長有望持續消化高估值帶來的樂觀預期，AI 應用板塊仍具備上升空間。在具體賽道方面，在具體賽道方面，不同細分領域 AI價值釋放的速度有所不同，結合技術特征與價值占比考量，我們預計將遵循判別式 AI 主導判別式 AI 與生成式 AI 融合生成式 AI 主導（LLM 為主）生成式 AI 主導（LLM+VLM 融合）的落

150、地順序。因此，短期應關注受益于傳統 AI以及傳統 AI 與生成式 AI 有效融合的賽道，包括 1）數字營銷：Meta、AppLovin、Unity；2）數據分析：Palantir、Innodata。中期關注將生成式 AI 融入企業日常工作的賽道，包括 1）辦公：微軟；2）CRM/ERP：Salesforce、SAP、Oracle、Workday、ServiceNow；3）內容生產：Adobe、Autodesk。長期看好具備構建Agent生態先發優勢與數據優勢，有望從底層重構軟件系統的微軟及Salesforce。海外科技 年度行業策略報告 33 敬 請 關 注 文 后 特 別 聲 明 與 免 責

151、 條 款 s 5 H 股股相關相關標的標的梳理梳理 圖表54:H 股相關標的 AI 布局 板塊板塊 公司公司 AI 布局布局 基礎設施層基礎設施層 阿里 模型：模型：通義千問系列，包括 LLM Qwen、VLM Qwen-VL、音頻語言模型 Qwen-Audio、編程模型 Qwen-Coder、數學模型 Qwen-Math 等 云計算：云計算：阿里云 應用：應用：1）獨立原生應用：通義千問（聊天助手）、萬象（文生圖）、聽悟（音頻處理）、仁心（醫療助手）、法睿（法律助手）、靈碼（代碼助手）、星塵（角色生成）、通義智能體（Agent 解決方案，支持自定義問答和對話流程）；2）賦能原業務：淘天（電商

152、導購、淘天問問）、釘釘（提供協作辦公及智能助手）、阿里媽媽（為淘天賣家提供 AI 驅動廣告優化工具）、夸克（智能搜索）騰訊 模型：模型：混元系列，包括通用的 LLM 及多模態模型 云計算：云計算：騰訊云 應用：應用：1）獨立原生應用：騰訊元寶（聊天助手）、ima.copilot（知識庫助手）、騰訊元器（一站式 Agent 創作與分發平臺）；2）賦能原業務：通用助手接入微信讀書（AI 問書、AI 大綱）、騰訊客服（智能客服）、騰訊會議（即時回答問題的 AI 助手）、騰訊廣告（如翼、妙思）、騰訊游戲（GiiNEX）等 600+業務與場景 百度 芯片：芯片：昆侖 模型：模型：文心系列，包括 LLM

153、ERNIE、多模態 ERNIE-ViLG 等 云計算：云計算：百度智能云 應用：應用：1）獨立原生應用：文心一言（聊天助手）、文心一格（圖片生成）、文心快碼（代碼生成）、文心智能體（Agent）；2）賦能原業務：百度搜索（AI 搜索）、百度文庫（閱讀助手）商湯 模型：模型：InternLM（多模態）、SenseNova（多模態）云計算：云計算：AI 云平臺 應用：應用：商量（聊天助手）、秒畫（圖片生成）、格物（3D 生成）、Raccoon（代碼助手）應用層應用層 業務垂直業務垂直 數字營銷數字營銷 匯量科技 應用：應用：AI 助力創意生成優化、個性化廣告推薦、廣告出價優化 CRM/ERP 金蝶

154、國際 模型：模型：蒼穹 GPT 及基于蒼穹 GPT 打造的財務領域大模型 應用：應用：Cosmic AI（財務、人力、采購等領域的管理助手）邁富時 模型：模型：Tforce（營銷領域大模型）應用：應用：營銷自動化（推薦算法和內容生成）、智能問書與數據分析、Agent 產品（開始探索）明源云 模型：云客模型：云客 GPTGPT（不動產數字營銷領域大模型）應用：應用：賦能獲客（打通 PGC、UGC 與 AIGC）、轉化（通過精準捕捉、用戶管理、高效運營等增進客戶復訪）、管理（基于實時業務數據調整策略）與服務（低成本個性化服務）等環節 內容生產內容生產 金山軟件 應用：應用：WPS AI（全方位的辦

155、公助手）美圖 模型：模型：Miracle Vision（VLM）應用：應用：WHEE（圖片生成）、開拍（口播視頻自動化制作）、WinkStudio（視頻自動化剪輯）、美圖設計師（海報生成、商品圖生成、虛擬模特生成）、Dream Avatar（數字人生成）、Robo Neo（將自然語言轉化為修圖指令）數數據分據分析析 第四范式 模型：模型：式說（多模態）應用：應用：1）SHIFT：為垂類行業提供 AI 決策數字化轉型解決方案；2）AIGS：生成式 AI賦能企業軟件開發，支持私有化部署大模型，調用企業內部知識庫輸出決策意見 行業垂直行業垂直 游戲游戲 網易 模型：模型：子曰（教育領域大模型）應用：

156、應用：教育（基于子曰模型在有道中提供翻譯、虛擬人口語教練、作業指導、語法精講等）、游戲（AIGC 能力滲透游戲開發全過程，并且也為玩家提供 AIGC 工具進行自主創作）電商電商 京東 模型：模型：言犀（零售等領域大模型）應用：應用：1）獨立原生應用：采購東銷 AI 數字人（營銷數字人生成）、言犀智能營銷平臺（包括智能混剪平臺、智能導購、智能外呼等 AI 營銷產品）；2）賦能原業務：京言（電商導購助手）美團 模型：模型：通惠（專注復雜的認知推理）應用：應用：1 1）獨立原生應用：）獨立原生應用：WOW（陪伴）、AI 寫真館（寫真生成）、Dodoboo（兒童繪畫）；2 2）賦能原賦能原業務：業務：

157、問小袋（2C 外賣助手，幫助用戶進行餐飲推薦及送禮導購）、哆啦（2B 外賣助手，幫助商家自動化錄入菜譜信息、文案生成、經營分析等流程）視頻視頻 快手 模型：模型：快意（LLM）、可靈（視頻生成）、可圖（圖片生成）、SIM（推薦）應用：1）獨立原生應用：可靈（視頻生成）；2）從生成、推薦和理解賦能公司直播、電商與廣告業務，包括互動助手小快（評論 Agent）、數字人生成、創意生成、智能導購等 資料來源：阿里云官網，通義官網，文心大模型官網，百度AI開發者平臺，文心快碼官網，極客公園，商湯官網，Mobvista官網，金蝶國際官網，金蝶云蒼穹公眾號，邁富時官網，明源云官網，WPS AI官網，美團官網

158、，第四范式官網，OFWeek，新浪新聞，證券時報網，華爾街見聞，AI base，搜狐新聞，量子位，中國科技網，方正證券研究所 海外科技 年度行業策略報告 34 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款 s 6 A 股股相關相關標的標的梳理梳理 圖表55:A 股相關標的 AI 布局 板塊板塊 公司公司 AIAI 布局布局 辦公 萬興科技 核心產品落地文生文、文生圖、文生視頻等多模態功能，并推出“Lumi”智能文檔處理機器人與 AI 組件功能。福昕軟件 PDF 編輯器結合大模型技術，支持文檔總結、翻譯等智能交互功能，并推出福昕 IDP 平臺提升文檔數據處理能力。金山辦公 WPS

159、推出智能文檔、智能表格、智能演示功能，支持內容生成、分析與總結，增強 AI 交互與效率。游戲 紫天科技 1.原生 AI 游戲開發（如 AI 互動推理游戲、AI 小鎮）。2.垂直領域小模型輸出，用于美術外包替代。昆侖萬維 發布“天工”系列大模型，提供 AI 寫作、AI 繪畫、AI 數據分析等服務，布局 AI 音樂、AI 游戲、AI 社交等領域，推理能力領先。巨人網絡 推出太空殺并接入百度文心一言，開發游戲 AI 大模型 GiantGPT 和 BaiLing-TTS，賦能內容創意設計。神州泰岳 運用 NLP 技術推出智能催收平臺“泰岳小催”，升級為“泰岳智呼”，支持智能客服、智慧政務、智能催收等領

160、域，助力降本增效 盛天網絡 聲紋分析構建用戶畫像，智能推薦內容和社交匹配；AIGC 技術生成聲音類產品，智能小助手提供聊天室互動及游戲攻略 愷英網絡 構建“形意”大模型，用于游戲開發，提高研發效率 三七互娛 AI 深度嵌入創意、研發、發行、運營全流程，通過“量子天機”等系統優化投放效率與用戶價值，并布局 2D、3D 美術生成式 AI 應用。吉比特 AIGC 用于樣稿階段快速生成素材、替代外包完成部分正式資源，以及策劃內容生成（道具、技能、場景描述等）寶通科技 AI 賦能翻譯、配音、繪畫、視頻、廣告投放等業務場景，實現游戲研發、發行及工業智能化降本增效 名臣健康 AI 功能應用于游戲制作與發行推

161、廣。姚記科技 AI 賦能游戲前端代碼、美術設計、買量素材等環節 順網科技 TOB：順網智服平臺提供智能文字問答、語音服務及數字員工解決方案 TOC：AI 陪伴應用“嘮嘮”提供互動體驗 湯姆貓 推出 AI 語音機器人、AI 講故事 APP 及 AI 游戲，面向兒童提供自然對話、知識科普、情緒識別等情感陪伴服務。星輝娛樂 應用于游戲研發與發行，包括 AI 繪圖、場景建模、智能 NPC 及過場動畫設計，優化工作流程和提升研發效率。影視 上海電影 AI 賦能 IP 內容煥新、影視制作及數字資產化 華策影視 自研“有風”大模型用于劇本評估、輔助創作，覆蓋影視制作全流程；接入文心一言、Kimi 模型，探索

162、 AI 在內容創意與宣發中的應用 光線傳媒 AI 賦能動畫制作、角色設計、劇情生成、IP 價值評估和市場預測 出版 果麥文化 對外：AI 校對王產品應用于出版社內容校對 對內：AI 語料庫與機器人創作支持出版與營銷、AI 漫畫 南方傳媒 提供語言發音糾正、智能批改、人機對話測評、藝考智能評級及圍棋 AI 模型等功能。中南傳媒 建立人工智能實驗室，推動 AI 在數字教育、融媒體出版、大眾數字閱讀等領域的研發與應用 鳳凰傳媒 開發“鳳凰智靈”平臺及“鳳凰出版內容數據中臺”，覆蓋內容創作、編輯、生產、分發及虛擬交互場景設計。皖新傳媒 攜手華為推出“皖新學習機”，支持個性化學習模式、同步教材輔導及 A

163、I 精準學習；與智譜華章合作開發皖新閱讀大模型，打造終身閱讀伴侶學習機，研制元小鰲機器人 教育 世紀天鴻 基于大語言模型開發 AI 助教“小鴻助教”，應用于教案生成、作文批改、PPT 大綱設計等教育場景。營銷 三人行 推出“一個”AI，多模態 AI 產品覆蓋營銷全流程（策略、創意、投放）；發力數據要素交易，提供數據采買及數字化服務 芒果超媒 TOB：通過芒果大模型在內容生產、廣告投放、會員互動等場景廣泛應用 TOC：AI 角色對話系統，聯動熱門 IP 藍色光標 TOB 對內：停止外包、推行“人+AI 助理”模式，優化員工結構，降本增效 TOB 對外：構建行業模型，打造廣告營銷行業 AI 模型及

164、工具矩陣，提升營銷效率；推出虛擬人（偶像型、品牌定制 IP）及數字分身平臺。TOC：打造虛擬人 IP，拓展營銷、直播等變現場景。分眾傳媒 創意內容生成、實時內容反饋與優化、投放方法優化，提升廣告主投放效率與效果 易點天下 對客戶:推出 KreadoAI 數字營銷平臺，提供 AI 模特、數字人、創意資產等全流程服務；開發 TopMedia CMP 等智能業務系統 對內:自研智能化業務系統，優化廣告決策與投放流程，實現動態優化調整 兆訊傳媒 裸眼 3D 制作：原畫設計、場景構筑、三維文件管理、三維摳像；內容創意與發布 浙文互聯 1.派智平臺：程序化廣告工具，支持智能腳本、文案、配音和數字人。2.好

165、奇飛梭：熱點文章生成與視頻混剪工具。3.浙文米塔：AIGC 繪畫和劇本寫作工具。遙望科技 AIOS 賦能選品、運營提升效率；虛擬人助力直播降本增效。IP 資源 奧飛娛樂 推動“IP+AI”產業化，推出如“喜羊羊超能鈴鐺娃娃”等 AI 毛絨產品，為消費者提供互動智能娛樂體驗，結合喜羊羊與灰太狼IP資源。中文在線 1）“中文逍遙”AI 大模型，實現小說自動生成、AI 主播錄制有聲書、漫畫動態漫制作等;2）推出 AI 動漫短?。ㄈ鐟嵟奈恚?）整合文字、音頻、視頻等海量數據，提供高質量內容服務，與大模型企業簽署數據授權及服務合同 電商 焦點科技 AI 麥可嵌入中國制造網供應商后臺，提供關鍵字一鍵

166、發品、多語種翻譯、詢盤翻譯與生成、主動拓客等功能，賦能供應商 值得買 公司以第三方通用模型為基礎利用獨有數據和語料庫，自主研發值得買消費大模型，并基于此推出“AI 評論機器人”、“AI 購買建議”、“ZDM-copilot 創作者工具”等一系列 AI 應用。AI 購物助手“小值”通過多輪對話，基于消費大模型，提供個性化消費建議 數據來源：各公司官網，財聯社，證券時報 e 公司，騰訊網，新浪財經，每日經濟新聞，中國日報網，人民網，游戲日報，AI 新智界，方正證券研究所 海外科技 年度行業策略報告 35 敬 請 關 注 文 后 特 別 聲 明 與 免 責 條 款s分分析師聲明析師聲明 作者具有中國

167、證券業協會授予的證券投資咨詢執業資格，保證報告所采用的數據和信息均來自公開合規渠道，分析邏輯基于作者的職業理解，本報告清晰準確地反映了作者的研究觀點，力求獨立、客觀和公正，結論不受任何第三方的授意或影響。研究報告對所涉及的證券或發行人的評價是分析師本人通過財務分析預測、數量化方法、或行業比較分析所得出的結論，但使用以上信息和分析方法存在局限性。特此聲明。免責聲明免責聲明 本研究報告由方正證券制作及在中國（香港和澳門特別行政區、臺灣省除外）發布。根據證券期貨投資者適當性管理辦法，本報告內容僅供我公司適當性評級為 C3 及以上等級的投資者使用，本公司不會因接收人收到本報告而視其為本公司的當然客戶。

168、若您并非前述等級的投資者，為保證服務質量、控制風險，請勿訂閱本報告中的信息，本資料難以設置訪問權限，若給您造成不便，敬請諒解。在任何情況下，本報告的內容不構成對任何人的投資建議，也沒有考慮到個別客戶特殊的投資目標、財務狀況或需求，方正證券不對任何人因使用本報告所載任何內容所引致的任何損失負任何責任，投資者需自行承擔風險。本報告版權僅為方正證券所有，本公司對本報告保留一切法律權利。未經本公司事先書面授權，任何機構或個人不得以任何形式復制、轉發或公開傳播本報告的全部或部分內容，不得將報告內容作為訴訟、仲裁、傳媒所引用之證明或依據，不得用于營利或用于未經允許的其它用途。如需引用、刊發或轉載本報告，需

169、注明出處且不得進行任何有悖原意的引用、刪節和修改。評級說明：評級說明：類別類別 評級評級 說明說明 公司評級 強烈推薦 分析師預測未來12個月內相對同期基準指數有20%以上的漲幅。推薦 分析師預測未來12個月內相對同期基準指數有10%以上的漲幅。中性 分析師預測未來12個月內相對同期基準指數在-10%和10%之間波動。減持 分析師預測未來12個月內相對同期基準指數有10%以上的跌幅。行業評級 推薦 分析師預測未來12個月內行業表現強于同期基準指數。中性 分析師預測未來12個月內行業表現與同期基準指數持平。減持 分析師預測未來12個月內行業表現弱于同期基準指數?；鶞手笖嫡f明 A股市場以滬深300 指數為基準；香港市場以恒生指數為基準，美股市場以標普500指數為基準。方正證券研究所聯系方式：方正證券研究所聯系方式：北京：朝陽區朝陽門南大街 10 號兆泰國際中心 A 座 17 層 上海：靜安區延平路71號延平大廈2樓 深圳：福田區竹子林紫竹七道光大銀行大廈31層 廣州：天河區興盛路12號樓雋峰苑2期3層方正證券 長沙：天心區湘江中路二段36號華遠國際中心37層 E-mail：