炒股就看金麒麟分析师研报，权威 ，专业
，及时，全面 ，助您挖掘潜力主题机会！

　　来源：华尔街见闻

　　中国AI行业的投资逻辑正在发生一次微妙转向：市场过去盯着模型能力
、参数和榜单，现在更该盯住谁掌握客户数据、工作流入口 、部署能力和定价权
。八场覆盖自动驾驶
、独立模型开发、企业工作流软件 、垂直AI应用的会议 ，给出的共同信号是：模型仍重要
，但在部分企业场景里，模型开始像一种可替换的输入品。

　　据追风交易台 ，摩根大通证券（中国）分析师姚橙等在5月22日发布的中国AI行业调研中给出核心判断：“部分AI应用开始展现出具有商业价值的初步迹象
，特别是在工作流密集和数据饱满的垂直领域 。 ”这句话的关键不在于AI应用终于可以变现，而在于变现最先出现的位置：不是通用聊天 ，也不是单纯API调用，而是保险和金融风险
、企业数据集成、跨境营销这类流程重 、数据厚
、结果可衡量的场景
。

　　这也改变了对自动驾驶和应用层的部分假设。此前更保守的框架是：Robotaxi短期更像成本中心
，AI应用变现还早，真正清晰的上市敞口是基础设施和算力 。现在看 ，ADAS更接近量产和规模化
，部分L4自动驾驶部署出现城市级经济性改善的说法；垂直AI应用也开始拿出经常性收入、价值定价和运营层面盈利的早期证据
。不过，这些证据大多来自管理层口径 ，且不少公司未上市
，离可审计 、可复现的公开市场验证还有距离。

　　投资含义反而更集中：算力
、AI基础设施、国产芯片 、内存和存储，是最不需要押注单一大模型胜负的方向；应用层要看专有数据、工作流所有权
、客户留存和定价能力；模型公司则必须证明自己不只是被调用 ，而是能控制高价值工作流 。消费级AI和智能体电商还没拿出足够硬的付费、留存和交易增量证据
，估值故事仍要打折
。

　　模型能力还重要，但单卖API的护城河变薄了

　　最一致的信号来自企业场景：客户关心的是任务能不能完成 、能不能嵌进现有流程
、能不能调动自有数据 ，而不是一定要用最大的模型。

　　一些公司已经在按价格、性能和具体任务
，把请求分配给不同的国产模型和前沿模型 。还有公司承认，单纯API切换成本并不高 ，真正让客户留下来的，是企业数据接入 、工作流改造和部署后的业务粘性
。

　　这对模型层估值并不舒服。使用量增长可以继续存在
，但租金能否留在模型厂商手里，变成另一个问题 。如果客户可以低摩擦地多模型切换 ，通用API的定价压力会越来越明显。

　　当然
，模型不是没价值
。编码
、智能体、企业软件自动化这类任务里，可靠性 、上下文长度
、工具调用能力、多步任务完成率会直接影响业务结果。模型公司如果能控制用户界面 、工作流记忆和数据反馈循环 ，仍然有机会保住高价值场景的经济性 。

　　最早变现的应用
，不是通用AI，而是流程重
、数据厚的垂直场景

　　保险和金融服务风险、企业数据集成 、跨境营销 ，是这次最强的几个应用信号
。它们的共同点很清楚：客户付费不是为了“用了AI
”
，而是为了风险下降、效率提升
、营销转化改善、决策自动化。

　　这类场景更容易做价值定价 。只要结果可衡量，供应商就有机会把AI能力转化为经常性收入 ，而不是一次性项目费
。

　　但这里不能直接套用传统软件的估值逻辑。部分业务仍可能有较强服务属性：大客户集中度高 、在客户钱包里的份额还小
、早期部署需要大量人工实施或人工辅助 。如果这些成本被完整计入
，毛利率和可扩展性可能没有表面那么好
。

　　所以更准确的判断是：部分AI应用已经从叙事进入早期商业验证，但还没证明自己具备持久、可规模化的软件经济性。

　　算力主线反而更清晰：模型越可替换 ，基础设施越像共同赢家

　　如果企业使用多个模型，模型的排他性会下降
，但算力 、存储
、内存、云编排和推理基础设施的需求不会消失 。

　　这也是基础设施逻辑更清楚的地方
。无论最后哪个模型领先，训练 、推理
、企业部署、ADAS开发 、模拟
、数据处理、托管服务都要消耗计算资源。模型竞争甚至可能增加实验和部署频率 ，从而推高推理和配套基础设施需求 。

　　最关键的假设是任务量弹性。乐观情形要求AI任务量增长快于单任务成本下降
。如果模型效率 、稀疏计算、边缘推理或架构改进让单位算力消耗下降得更快
，基础设施受益会被削弱。

　　目前这套框架更偏向前者：需求正在从前沿训练扩展到推理
、国产技术栈适配、内存 、存储和企业工作流执行 。对公开市场来说，这仍是最清晰的一条AI敞口
。

　　自动驾驶不再只是成本中心 ，但L4还没有过关

　　自动驾驶的变化在于
，过去纯粹烧钱的叙事开始松动。

　　ADAS和L4 Robotaxi要分开看 。ADAS依托整车厂量产
、真实道路数据循环和软件式批量利润率潜力，更接近规模化
。供应商可以跟随车企装配率提升 ，形成更可见的收入贡献。

　　L4 Robotaxi仍早得多 。部分运营商给出了城市级经济性改善、车辆成本下降 、海外部署经济性更好的说法
，但公司层面盈利仍是后期目标，监管门槛也没有消失
。一个城市跑通 ，不等于不同地理
、天气、监管环境下都能复制。

　　对L4公司来说
，真正能改变投资可行性的证据很具体：可审计的城市级单位经济性 、牌照城市扩张
、车辆成本持续下降、安全记录和监管连续性 。任何事故引发的牌照暂停，都可能把商业化进程向后推几个季度
。

　　中立专业公司能切进车企和企业 ，平台未必通吃应用层

　　平台原本拥有云 、流量
、生态和分发界面，看起来应该吃到AI应用的大部分价值。但企业和车企采购里
，中立性正在变成一个变量 。

　　一些非平台模型或应用公司能够进入整车厂和企业订单，原因不是它们拥有更大的生态 ，而是客户把它们视作更可定制、更中立的供应商。平台云 、地图和基础设施仍可以作为输入层被使用
，但部署上下文和客户工作流可能掌握在中立专业公司手里
。

　　这并不削弱腾讯、阿里这类平台在云
、地图、计算 、数据基础设施上的受益逻辑。真正需要区分的是：平台作为基础设施供应商，和平台自有模型在应用层拿订单 ，是两件事 。

　　当客户优先考虑中立
、定制、深度集成时
，平台模型未必天然占优
。采购决策会更依赖信任 、整合深度和垂直交付能力。

　　消费级AI和智能体电商，还缺一张硬账单

　　消费级AI目前证据偏弱 。常见问题包括用户忠诚度低
、竞争激烈、付费意愿不足 、产品模仿速度快
。

　　智能体电商和AI广告也还处在更早阶段。跨境营销里 ，当前更主要的优化仍来自推荐算法
，大语言模型驱动的智能体商业化还没有足够可验证的收入证据 。

　　这里需要看的不是下载量
、产品发布或演示效果，而是留存率、付费转化率 、重复使用率
、毛利率和可衡量的交易增量
。没有这些指标 ，消费级AI故事很难支撑更高估值。

　　真正要验证的是留存、定价和毛利
，而不是AI叙事本身

　　对模型公司，未来几个季度的关键问题是：客户多模型路由之后 ，模型层还能不能持续捕获价值 。乐观情景需要看到净留存率上升 、定价稳定或提升、流失率低，以及毛利率在多模型竞争下保持稳定
。

　　编码可能是最清楚的测试场景。它高频
、价值可量化
，又有开发者界面锁定潜力 。智谱、MiniMax这类模型引领型标的，不能只靠基准测试表现 ，还要证明垂直场景 、工作流控制力和可重复的使用质量。

　　对应用公司
，核心指标是收入质量
、客户集中度、实施强度 、净留存率
、定价结构，以及扣除客户支持和人工辅助后的真实毛利率
。

　　对基础设施公司 ，关键是能否更明确地把增长归因于推理、部署和国产芯片适配。如果任务量扩张持续快于效率提升带来的单位成本下降
，算力 、国产芯片
、内存和存储仍是最清晰的AI主线 。