國內互聯網AI布局：开啓追趕模式

我們觀察到國內互聯網公司近期AI發展存在變化，我們認爲國內AI互聯網應用端存在機會。

摘要

AI大模型預訓練趨緩，利好龍頭追隨者。進入2024年下半年以來，大模型預訓練環節出現進步放緩跡象，其核心的原因所剩的新的訓練數據或已不足。隨着訓練方法論越來越成熟，算力缺口縮小，人才流動越來越大，龍頭追隨者憑借強大的財力和資源有望縮小和引領者差距，且整體追趕成本相對可控。

Agent引領AI應用方向，中國互聯網公司競爭力強。當下，AI應用方向包括對話機器人，編程助手，辦公效率工具，教育，娛樂，賦能傳統業務等。展望2025年，AI相關公司將重點應用方向聚焦Agent，例如蘋果的Apple Intelligence助手，Alphabet旗下基於Gemini 2.0 Project Astra，Salesforce針對企業用戶的AgentForce等。我們認爲供給紅利是否能夠帶來需求共振，取決於產品效果是否能夠滿足用戶需求，成本是否可控，商業模式是否可持續等。然而，相比於模型側更偏追趕狀態，對比中美互聯網公司，我們認爲中國互聯網公司在AI應用方向競爭力較強。

風險

AI產品化、商業化不及預期風險；外部環境風險。

大模型預訓練趨緩，利好跟隨者

大模型預訓練出現趨緩跡象

自2010年以來，深度學習憑借更大的數據集（例如ImageNet），更強的算力（GPU），以及更大參數的模型（神經網絡）推動AI產業在機器視覺等領域持續取得進展。之後，2017年Transformer算法提出則顯著提升了模型算法效率，爲OpenAI等引領的大模型浪潮奠定了基礎。

實際上，從OpenAI GPT系列模型誕生以來，Scaling Law逐步开始成爲人工智能行業一種共識，行業參與者均將提高模型參數，更大數據集，更大算力作爲提升模型最核心的方法論，其結果確實帶來能力和效果更強的大語言模型，以大模型爲主的人工智能產業發展迅速。

圖表：Open AI GPT系列模型時間线和模型大小

資料來源：Open AI官網，SemiAnalysis，中金公司研究部

預訓練是大模型學習通用特徵，獲取智能能力基礎環節。然而，進入2024年下半年以來，大模型預訓練環節出現進步放緩跡象，其核心的原因是此前大模型已經學完了足夠多的現存數據，而所剩的新的訓練數據或已不足。例如，2024年12月在神經信息處理大會NIPS會議上，前OpenAI聯合創始人Ilya Sutskever在演講中提到：“我們傳統印象中的預訓練機制即將結束，因爲我們有且僅有一個互聯網。

”2024年12月8日，Alphabet CEO Pichai在紐約時報年度會議中也提到：“低垂的果實已經摘完了，我們可能需要進一步突破才能進展到下一步。”此外，外界高度期待的Open AI下一代旗艦模型GPT-5發布延期，根據華爾街日報報道其訓練效果不及預期，高企的訓練成本，以及不夠顯著能力提升等都是延期原因。

當然，現有訓練數據即將用完並不代表模型已經不再提升，當下仍有幾條路线可以提升模型能力。其一是進一步最大化現有數據價值——正如我們第二次看同一本書仍然會有新收獲一樣，但是重復使用數據價值大概率是邊際遞減的。

其二則是通過強化學習等方式讓機器自己生成高質量數據，從而提升模型智能能力。這條路线典型代表包括Deepmind的AlphaGo模型以及OpenAI 2024年5月推出的GPT 4o系列模型。

然而，當下加強學習路线仍有局限性，即其僅適用於目標清晰的領域，從而能夠清晰構建激勵模型，比如圍棋，其輸贏規則很清晰，類似的領域還有遊戲，數學，編程等領域。而針對諸多开放性目標領域，典型比如創意，目前加強學習泛化仍是難題。

利好跟隨者縮小差距，甚至後來居上

在商業競爭模型中，創新引領和跟隨一直是兩種典型的战略，前者往往能夠最先嘗到甜頭，獲取先入優勢。而如果其能夠相對於他人更快進入飛輪模型，則往往能夠建立壁壘，成爲行業引領者，典型代表例如電商平台亞馬遜。

然而，跟隨战略也有一定優勢，例如跟隨者往往可以避免創新彎路，以最低成本發展新技術。此外，假若跟隨者在資金、資源等維度另有優勢，那可能進一步加大跟隨战略成功概率。

總之，創新引領者必須不斷創新，直到進入商業飛輪正循環，否則跟隨者始終有勝算。

圖表：亞馬遜的成長飛輪

資料來源：布拉德·斯通《一網打盡——貝佐斯與亞馬遜時代》（2014）

當下大模型競爭或逐漸轉向有利於龍頭跟隨者。如果行業引領者發展速度減緩，作爲龍頭追隨者將獲益。在大模型浪潮中，美國OpenAI，Claude等創業公司爲行業引領者，他們此前在模型進展被認爲引領行業，而Alphabet，Meta，Amazon等龍頭則往往被認爲是追隨者。

在中國，月之暗面，Minimax等則被認爲是行業引領者，龍頭此前被認爲是跟隨者。而在中美AI發展對比中，美國相關AI公司被認爲是模型引領者，而中國相關公司被認爲是追隨者。

隨着訓練方法論越來越成熟，算力缺口越來越小，人才流動越來越大，龍頭追隨者憑借強大的財力和資源有望縮小和引領者差距。

一個案例是Alphabet於24年12月搶先發布了下一代大模型Gemini 2.0，並且推出Flash版本供用戶使用。相比於前一代Gemini 1.5模型，Gemini 2.0模型具有更強的推理和規劃能力，以及更強的編程代碼能力，更強多模態能力，以及更強長文本和復雜指令能力，這些使得Gemini在Agent方向能力有顯著提升。

另一個案例是在視頻生成模型上，相關測評顯示中國互聯網公司類Sora視頻生成模型已經後來者居上，處於行業領先水平。

2024年2月，OpenAI演示了文生視頻模型Sora，吸引了很高關注度。然而Sora發布後卻遲遲沒有正式推出，反而中國相關公司更早推出市場化產品。

根據AGI-Eval測評數據顯示，基於人工測評、模型打分、衆包測評三種模式，2024年12月榜單顯示，來自國內愛詩科技Pixverse模型，以及快手可靈模型，來自minimax Video模型均得分高於Open AI的Sora。

圖表：2024年12月AGI-Eval文生視頻模型測評榜單

資料來源：AGI-Eval官網，中金公司研究部

DeepSeekV3展示大模型接下來重要方向之一可能是性能和成本的平衡，此外开源模型蓬勃發展進一步降低了追趕門檻。

24年12月，杭州幻方量化推出DeepSeekV3，其模型在英語知識、編程代碼、數學、中文能力等多維度均接近甚至超過GPT4o，Claude3.5等領先模型水平。

更重要的是，根據相關論文，DeepSeekV3訓練成本僅爲557.6萬美元，而此前GPT-4、Llama3.1等領先模型訓練成本行業普遍估計爲數千萬美元。

我們認爲DeepSeekV3能夠實現如此高的性價比部分原因是其能夠“站在巨人肩膀起舞”，減少試錯成本。此外，DeepSeekV3代碼开源，正如Meta旗下Llama系列模型等开源大模型普及也進一步降低了跟隨成本。

創業公司現金流壓力增加同樣有利於擁有穩定盈利模式的龍頭。由於AI目前普遍缺乏成熟的商業模式，且訓練成本高昂，因此此前引領創業公司需要持續融資來保持核心競爭力，同時也需要聚焦更多精力來探索商業模式，以求可持續發展，而非全力聚焦提升模型能力。

根據CNBC報道，OpenAI 預計24年營收37億美元，但是虧損高達50億美元。24年10月，OpenAI宣布融資66億美元，公司估值達到1570億美元。

此外，24年12月起推出ChatGPT Pro服務，月費200美元/月，用戶可以使用最新的GPT 4o系列模型。而此前ChatGPT Plus月費是20美元。

國內也有類似趨勢，一方面顯示AI創業公司財務壓力增加，另一方面顯示龍頭能夠此時吸引更多人才回流。

國內互聯網龍頭模型能力或接近國際領先水平

若以上判斷成立，領先者進化速度趨緩，利好追隨者，我們認爲國內互聯網龍頭基於資金資源能力，不斷招募優秀人才，採購算力，補齊專業認知，其模型能力有望持續接近，甚至不排除局部超過當下國際領先者水平。

積極布局應用，國內互聯網公司亦有優勢

AI大模型進入應用階段

一項新的技術出現能夠催生無限想象空間，但是其落地的路徑卻是確定的，首先是產品化，其次是商業化，兩者可以統稱爲應用。過去兩年，隨着科技龍頭持續大幅投入AI資本开支，模型訓練成本也水漲船高，而隨着大模型能力範圍邊界圈逐步浮出水面，基於這些能力如何應用化成爲市場現階段關心的焦點。我們大致總結部分當下市場主流的AI應用方向如下：

對話機器人：基於Prompt提示詞和大模型互動方式是最直接的人機互動方式，也成爲最直接的產品形態。ChatGPT憑借GPT系列大模型引領性，以及AI消費者習慣先入優勢獲得迅速用戶增長。根據Data ai，其2024年11月全球MAU已經達到2.8億。

此外，國內相關產品用戶增長最迅速則是豆包，根據QM，其2024年11月國內MAU已經達到5,652萬。對於大部分普通用戶，這類產品使用場景和傳統搜索引擎存在一定重合，特別是信息性信息獲取場景，也引起了市場對於傳統搜索引擎市場地位擔心。

不過目前來看Google搜索市場份額仍舊維持90%以上，一方面AI對話機器人模式目前整體用戶滲透率仍然偏低，且存在商業模式不清晰，成本較高，幻覺等問題；另一方面，Google推出AI overview產品，已經將大模型對話融入傳統搜索引擎，在復雜場景時候會引出大模型（大部分簡單問題則不需要大模型就能滿足用戶需求），從而實現效果和成本平衡。長期來看，對話機器人場景有望演變爲Agent的流量入口。

圖表：國內大模型App MAU

資料來源：QuestMobile，中金公司研究部

圖表：海外大模型/搜索引擎App MAU

資料來源：Data ai，中金公司研究部

編程助手：編程一方面需求剛性，任何涉及IT的企業大概率都有編程代碼需求；另一方面也契合大模型長項，尤其是GPT 4o等推理模型結合強化學習訓練後，模型在編程領域能力有顯著提升。24年10月，Alphabet CEO Pichai曾提到Google內部25%的新代碼都由AI工具生成。

24年7月2Q24業績電話會議上，微軟CEO Nadella提到Github的年化營收超過20億美元，其中40%左右由編程Copilot貢獻。

當下，幾乎所有主流大廠都標配AI代碼生成工具，同樣類似創業公司也被風險投資積極關注。24年4月AI Coding創業公司Devin 以20億美元估值融資1.75億美元。24年年底，Cursor以26億美元估值完成了1億美元融資，四個月估值漲了6.5倍。

根據Polaris研究預測，2024年AI編程工具市場規模爲39.7億美元，到2032年有望增長至271.7億美元，復合增速23.8%。整體來看，目前AI大模型能力仍處於迭代階段，而頂尖模型仍有較高成本，當下聚焦核心需求，適當舍棄一些不必要功能，打造商業可行產品反而可能率先跑出。

辦公效率工具：實踐證明大模型在總結上下文，起草格式化文件等方面有不錯能力，此外更新模型在負責任務和規劃方面也展現了一些能力突破，這些能力在普通辦公場景均有產品化落地的空間。

23年11月，微軟推出Office Copilot，集合了Word文檔生成，PPT生成，Excel數據分析等一系列辦公效率AI工具。國內例如WPS AI，其提供了Office Copilot類似功能。

Kimi Chat在長文本總結等方面展現一定強項。騰訊會議則推出AI小助手，能夠提供實時會議記錄，智能摘要等提高會議效率功能。

教育：AI大模型教育產品能夠爲學生提供個性化的教育計劃，能夠促進學生更加積極提問（減少社交壓力），能夠實時評估學習效果提供反饋等，這些優勢在教育領域都有望帶來產品機遇。

以Khan Academy的Khanmigo爲例，其基於GPT系列大模型开發，其基於Khan Academy積累教育內容庫，並且針對學生問題不直接給答案，而是耐心提供解題思路，引導學生一步步自己找到思路。在Common Sense Media對小孩是否友好的測評中，Khanmigo被評爲四顆星，高於ChatGPT和Bard。

專注於語言教育的Duolingo也推出了基於大模型的AI助手Lily，仿真對話場景，提供更加個性化、互動化的體驗。

娛樂：當下大模型應用在嚴肅場景仍有幻覺等問題難以根治，但是應用在非嚴肅娛樂場景還是存在不少應用場景。以早期的Character AI爲代表的AI聊天伴侶類應用是目前C端用戶體量最大的應用賽道之一，根據Data.ai截至24年12月Character AI月活躍用戶規模約爲5400萬。

而來自中國Minimax出海應用Talkie全球MAU也達到2800萬，且保持較快增長態勢。此外，AI玩具賽道也呈現出迅速增長勢頭，國內FoloToy跳舞仙人掌基於大模型打造適合兒童互動的玩具。24年11月根據多知網報道，其CEO王樂表示其產品出貨量已經近2萬台，公司也處於盈利狀態。

賦能傳統業務，對內降本增效。基於AI能力對傳統業務賦能，以及對內降本增效也是當下重要AI應用方向。以廣告爲例，利用生成式AI更高效、低成本生成營銷物料，幫助廣告主提升ROI。

以Meta爲例，其3Q24業績會表示AI驅動24年以來用戶在Facebook和Instagram上時長分別增長8%和6%。在廣告側整合AI能力的Advantage +提供了更全面自動化解決方案，降低廣告主投放門檻，提升了ROI。

Meta CEO 扎克伯格在25年播客採訪中提到AI有望在25年替代中等水平的編程工程師，體現AI有望展現內部降本的效果。

騰訊也在3Q24業績會上提到營銷服務借助混元大模型來提升內容和廣告物料標籤、分類，從而提升廣告分發精准度。

快手也在24年9月投資者日提到推薦大模型每天給快手帶來10億分鐘以上的APP時長增加。同時提到新代碼20%左右由AI生成。

Agent或將成爲25年龍頭爭相布局的應用方向

Agent是大模型應用重要落地方向。我們曾在此前《AI時代的分叉點：AI Agent或开啓AI原生應用時代》中分析過，大語言模型展現了一定邏輯推理和理解能力，其底層原理和人類大腦神經網絡結構具備相似性，因此Agent或可能是大語言模型重要應用方向。

實際上，24年大模型演進方向進一步增強了其在Agent應用領域的潛力，一方面多模態功能增強能夠和當下手機等硬件更好協同，更低門檻輸入現實世界中問題；另一方面，模型推理功能增強也進一步增加了模型處理復雜問題，規劃等能力，文本窗口增強也增加了模型記憶能力等。

總之，大模型演進方向進一步驗證了我們此前對於Agent應用方向判斷。

AI agent應用想象空間足夠大。我們認爲AI Agent不同於諸多對於現有場景提效，有望开始AI原生應用時代，正如搜索場景之於PC互聯網，以及打車、支付之於移動互聯網。AI Agent正如給每位用戶都配置一位“祕書”，能夠進一步提效用戶生活、工作等場景，其能夠滲透進入用戶方方面面，因此具有很高用戶粘性，以及商業潛力。根據GrandView研究顯示，24年AI Agent市場空間爲54億美元，預計到2030年增長至503億美元，復合增速45%。

龍頭爭相布局AI Agent產品，25年有望迎來供給側紅利。巨額前期投入+技術爆發周期+潛在大空間驅動龍頭集中布局AI Agent方向，且相關產品有望在25年集中落地，其中典型代表有，ToB方向，Salesforce於24年9月推出了Agentforce產品，打造基於原有CRM平台的AI agent助手，能夠解決比如高效客服，智能线索分析，優化營銷策略等決策功能。

24年12月，其CEO Mark Benioff宣布將招募2000名銷售來推廣Agent相關產品。ToC方向，蘋果基於iOS 18.1推出Apple Intelligence助手，其能夠爲用戶提供更智能的語音助手功能，且提供包括信息總結摘要，圖像智能AI編輯，文本智能生成等一系列功能。

由於蘋果iPhone具有龐大用戶基礎，以及完整的操作系統掌控力，市場普遍認爲其最有可能打通應用之間壁壘，爲用戶提供更好的Agent體驗。24年12月，Alphabet發布基於Gemini 2.0模型Project Astra，提供更好的對話體驗，更新的工具（Google地圖等），更強的記憶能力（10分鐘），以及更快的響應速度。

此外，其同時推出Project Mariner，能夠基於Gemini多模態功能，實時識別屏幕操作，從而幫助用戶完成復雜操作，比如指導用戶玩遊戲。

24年12月，國內智譜清言也推出AutoGLM相關Agent產品，其能夠自動執行跨應用復雜操作，並具備自主決策能力。

圖表：Apple Intelligence相關功能展示

資料來源：Brandon Butch，中金公司研究部

圖表：Google Project Astra實時界面

資料來源：Verge，中金公司研究部

我們認爲Agent產品集中落地，需求側如何反響仍有待觀察。龍頭正向布局，且產品有望集中推出，市場寄予厚望，這些都不必然帶來需求端正向反饋，尤其是新興技術的應用，甚至可能用戶調研都不說明問題，因爲用戶也無法想象一個自己從未用過的產品。

而產品是否能夠真正滿足用戶需求，且做到經濟模型可控才是Agent產品是否走到爆發臨界點的關鍵。

對於ToB模式，由於企業採購和真正使用產品的用戶往往存在差異，而負責採購CEO/CIO一般更具有前瞻性視角，更愿意爲創新性技術买單（尤其是成熟企業服務模式的歐美市場），其可能初期能夠獲得一定訂單。

但中長期能否持續仍然依賴於相關Agent產品是否能夠帶來可持續的價值。而對於ToC市場，反饋鏈條則相對較短，更多就是產品和市場的匹配問題，比如模型功能是否能夠讓用戶覺得足夠智能，價格是否讓用戶可接受，其模型短板（比如幻覺問題，隱私問題，耗電問題等）是否足以阻礙用戶使用等。

我們判斷初期產品或需要時間打磨，目前仍然存在明顯短板。比如24年12月，BBC曾公开向蘋果公司提出其AI新聞總結功能幻覺導致錯誤總結信息，從而可能誤導用戶。

語言互動無法完全替代觸屏互動。大模型進入到多模態階段後，端到端的對話&視頻互動方式开始興起，且伴隨着AI眼鏡等新硬件出現，在諸多產品演示材料中成爲人機交互新方式。市場存在一種聲音，表示語言互動方式將取代傳統Multi-Touch方式成爲全新的人機交互方式。

我們認爲，從人類底層能力演化順序來看，語言互動或無法完全取代Multi-Touch，原因是人類和外界互動方式演化順序爲：觸覺——視覺——語言——文字，越底層能力門檻越低，越不需要學習，而Multi-touch更多用到是觸覺和視覺能力，其相對於語言更加底層，因此在諸多場景（比如設計）中或仍然相對語言互動門檻更低，更貼合用戶天然需求。類似邏輯，語言互動可能能夠替代一些嚴肅文字輸入場景（比如搜索）。

Killer App具體路徑很難提前預測。過去幾十年信息技術發展每一輪都有一些Killer App出現，例如PC互聯網最早期的email電子郵件，以及後來Office辦公軟件等，移動互聯網則主要包括即時通訊軟件，支付等。市場關注AI 應用落地方向，Agent當然是當下寄希望最重的方向。

然而，從歷史來看，新興技術的普及市場往往很難預測，甚至和當初設想有很大差異。以錄音技術爲例，1877年愛迪生發明了留聲機，最初其設想的應用場景包括記錄人聲，保存重要講話等，但最終留聲機在音樂產業打开了更大的市場。

AI應用目前或仍處於過渡式創新階段早期。一般來說，一個新技術應用和擴散過程需要突破兩個閾值，其一是效果閾值，即技術效果可以突破用戶最低需求；其二是成本閾值，即技術成本要降低到用戶可接受最高成本。以此兩個關鍵點我們可以將技術普及過程大致分成三個階段：

►探索期：效果低於閾值，成本高於閾值。這個階段更多是在探索各種產品可能性，相關產品一般價格高昂，而功能不佳。典型代表如智能手機探索時期蘋果1993年推出的掌上電腦Newton，售價高達900美元，但由於文字輸入效果不佳等問題銷量低於預期。

► 過渡式創新：效果高於閾值，成本高於閾值。這個階段核心是通過聚焦產品功能，對非核心功能做減法來平衡成本，少就是多，打造出符合特定用戶群體的產品，構建可持續商業模式。典型代表如智能手機時代的黑莓手機，其聚焦email功能，主打可靠性和安全性，省去其他網頁瀏覽等功能，獲得了企業用戶青睞。

► 全能式創新：效果高於閾值，成本低於閾值。這個階段核心是打造盡可能貼合用戶需求產品，成本考慮不再是核心，這時候往往可以進行融合式創新。典型代表則是蘋果的iPhone，其集合了電話，互聯網，iPod多種功能於一身，真正定義了智能手機時代。由於能實現功能不是一個維度，全能式創新往往能夠對過渡式創新實現降維打擊，比如iPhone和黑莓手機競爭，是iOS整體應用生態和黑莓單個產品的競爭。

基於此理論，我們大致認爲AI技術普及目前可能處於從探索期到過渡式創新跨越階段，一方面大模型突破使得AI能力有突破效果閾值跡象，另一方面高昂的算力等成本投入，仍然是阻止技術擴散的原因之一。從這點來看，聚焦某些特定用戶需求，奉行少就是多的理念，可能是下一階段爆款應用的方向。當然，我們認爲，長期來看，全能式創新依然意味着更大的機會，只是當下時機可能尚未成熟。

圖表：AI應用創新需要突破兩個閾值