智能化

人形机器人：行则将至，量产可期。人形机器人是AI技术落地物理世界的优质载体，近两年通用大模型的发展赋予人形机器人强大的泛化能力，产业进入商业化落地的初级阶段，特斯拉、Open AI、英伟达、三星等科技巨头纷纷入局抢占行业高地。以特斯拉为例，马斯克于2021年提出人形机器人概念机Tesla Bot，2022年推出原型机Optimus，2023年12月推出Optimus-Gen2，相比一代进化显著，感知、大脑、运控能力明显提升。伴随特斯拉Optimus落地，2025年人形机器人将步入量产元年，其应用场景有望经历“汽车工厂应用—制造业开始全面渗透铺开—成熟后走进千家万户”三个阶段。据我们测算，至2030年全球人形机器人需求有望达200万台，对应市场空间超5700亿元。

2024 年下半年，国内 AI 芯片厂商的产品迎来密集迭代，软件生态成为核心竞争要素之一。在国产厂商中，兼容 CUDA 路线的海光信息以及自成体系路线的华为昇腾进展最快，用户使用体验良好，其新产品有望更快实现放量。 原因及逻辑： AI 开发框架方面：Pytorch 和 Tensorflow 呈双寡头格局，并且逐渐与 AI 芯片解耦。 GPU 编程平台方面：在训练端，每家 AI 芯片都拥有自己的 GPU 编程平台软件。其中，英伟达的 CUDA 具有先发优势，构建起了一定的生态壁垒。其他厂商与英伟达竞争主要采用两类方式：一是兼容英伟达 CUDA，典型代表为 AMD 和海光信息；二是自成体系，以华为昇腾、寒武纪为代表。

OpenAI发布新的具有深度思考能力的o1推理模型，模型在复杂问题上花更多时间进行思考而非直接回应，具有改善和调整策略的能力，在科学、代码和数学等复杂问题上表现出色。OpenAI o1融合思维树和强化学习，实现思维模式的深度探索。Open o1在模型推理侧同样满足scaling law，即模型推理时间越久模型处理复杂问题能力愈强，通过不断的思维树检索和反复自我博弈，o1呈现出类人的逻辑思维潜力。由于推理过程的反复博弈，新架构下推理侧算力消耗将大幅增加。 OpenAI o1具备深度思考能力，在复杂问题上表现出色。从ChatGPT爆火整个社交网络后，大模型行业进入如火如荼的发展阶段，模型的基础能力得到显著提升，然而Transformer模型由于其架构限制存在一定的能力边界难以逾越，涉及到复杂数理逻辑推理时表现仍然有待提升。提示词工程应运而生，在合理的提示词设计下，大模型推理能力得到显著提升。OpenAI发布新的具有深度思考能力的o1推理模型，模型在复杂问题上花更多时间进行思考而非直接回应，具有改善和调整策略的能力，在科学、代码和数学等复杂问题上表现出色。

思维链铸就智能体，多体交互拓展应用：早在上世纪 50 年代，阿兰图灵把“高度智能有机体”扩展到了人工智能。如今随着大模型的快速发展，这个概念又被重新拾起。大模型成为了智能体目前最完美的载体，有望完成从概念到实际应用的蜕变。用户在 Agent（智能体）模式中给 AI 设臵目标和身份，并提供 Prompt（提示词）。AI 自主拆分任务、使用工具、完成工作，用户仅负责设立目标、提供工具资源和监督结果。 赋能两类实体领域，成本与效益的博弈：AI Agent 目前的应用大多都在概念层面，但随着大模型竞争加快、政策鼓励研发投入、更多企业参与 AI 研究等因素，应用层面的 AI Agent 推进速度加快。智能体大致可以分为六类，根据他们被设计出的特点，可以作用在不同的应用领域上。不同类别的智能体给予应用层面上更多研发方向，像目前关注度较高的自动驾驶技术、智能电网控制、能源管理等都能被垂类智能体覆盖。结合多模态大模型，自动化和情感需求类智能体已落地。但商业化智能体仍需考虑成本问题，由于智能体之间的交互过程可能出现错误循环且输出结果不一定符合需求，tokens 成本远高于普通 LLMs。

智能驾驶 SoC 是智能驾驶汽车的关键 “中枢大脑”，L2 级智能驾驶已成主流，L3 级正在落地，汽车智能电动化使车用 SoC 芯片成为趋势，市场规模有望达千亿。2028 年全球和中国的 ADAS SoC 市场预计达 925 亿和 496 亿元，2030 年全球和中国的 ADS SoC 市场预计达 454 亿和 257 亿元。 该赛道主要参与者有英伟达、Mobileye、高通、华为、地平线、黑芝麻智能、芯擎科技、辉羲智能等，英伟达提供完整解决方案，Mobileye 走向高阶智驾，高通主打高集成低成本，华为提供系统化方案，地平线以特定技术平台提供智能驾驶方案，黑芝麻智能专注视觉感知与自主 IP 芯片研发，芯擎科技致力于汽车电子芯片整体方案，辉羲智能打造车载智能计算平台。

普惠大众的智算是 AI 及数字经济发展的必需品。算力中心作为数据计算、存储、交换的重要场所，是数字技术与实体经济深度融合的必要条件，是现代化产业体系建设的动力引擎。据国家信息中心数据，未来 80%的场景都将基于AI 进行，普惠大众的智算将要像水、电一样驱动科技发展。AI 是中美两国科技竞争的重要领域，当前我国算法和智能算力落后。智算的稀缺和昂贵，已成为制约 AI 发展的核心因素。 产业信号积极，大模型拉动智算需求激增。根据 IDC 数据，2023 年中国人工智能市场支出规模或为 147.5 亿美元，约占全球总规模 10%；预计 2021-2026年 CAGR 将超 20%，我国大模型产业蓬勃发展。人工智能支出可分为硬件、软件和服务三大部分，现阶段中国市场倾向于首先投资硬件，预计中国人工智能支出中硬件占比到 2026 年之前将一直保持 50%以上的份额，在 AI 硬件支出份额方面，AI 服务器占最大份额，超过 80%。AI 服务器作为智算重要载体，2023 年其市场规模为 91 亿美元，同比增长 82.5%。芯片是算力供应的核心，当前仍以 GPU 为主。据中商产业研究院数据，2023 年我国 AI 芯片市场规模已达 1206 亿元，2024 年有望达到 1412 亿元，2019-2024 年 CAGR 达 64.84%。

算力指实现AI系统所需要的硬件计算能力，是AI的“底座”，在AI时代下对GDP、数字化转型、产业数字化三方面均具有显著的拉动作用。 算力产业链覆盖范围广阔，包括GPU芯片、服务器、IDC厂商、AIGC应用服务提供商等，具有庞大的挖掘价值。通过产业链的梳理和分析，各个体系架构有着不同的投资逻辑和重点：Ø GPU芯片：传统摩尔定律逐步失效，算力催化新摩尔定律呈现Ø 服务器：需求侧市场持续繁荣，量价齐升为主要投资逻辑

通过对比美国和日本工业机器人发展，可知工业机器人行业发展离不开劳动力短缺推动、强劲下游应用加速、政府政策支持。美国作为工业机器人诞生地发展缓慢，因初始投资成本大、劳动力充足、企业盈利能力低及政策导向创造就业。日本成为 “工业机器人王国” 则是由于社会老龄化劳动力需求增长、成本与年薪差距不大、汽车等下游需求高及政府支持。从发那科的发展看，其核心竞争优势在于核心零部件自供、开辟海外市场及拓宽产品链。我国工业机器人市场虽实现 “十年十倍” 增长但增速放缓且存在供需 “剪刀差”，国产品牌市占率提升，已形成完整产业链并加速国产替代且拓展海外市场。行业马太效应加剧，汇川技术打造机器人一体化服务，埃斯顿出货量居国产品牌第一且核心零部件自主率高，埃夫特加强产品提升国外影响力。

《大模型落地路线图研究报告（2024 年）》由中国信息通信研究院发布，旨在探索大模型的最佳落地路线。该报告遵循 “需求拉动、问题驱动、创新推动、技术带动” 四大原则，从现状诊断、能力建设、应用部署、运营管理四个阶段着手，围绕基础设施、数据资源、算法模型、应用服务、安全可信五个层面全方位分析大模型落地过程中的关键问题与解决思路。 报告指出，当前大模型发展存在工程实践复杂、技术选型困难、能力评估不全面等问题，在应用落地过程中面临多重挑战。但以大模型为代表的新一代人工智能技术加速迭代，成为新一轮科技和产业变革的重要驱动力。

024 年 AI 应用市场加速商业化落地，企业级应用成为主流路径。AI 技术已融入企业营销、客户运营、协同办公等众多业务环节，其中前台业务如营销及渠道、客户运营更是落地焦点，具备良好商业化基础与市场空间。其优势在于企业需求旺盛、付费群体优质且可快速扩张。同时，AI 应用市场呈现出三大趋势，包括供需两端发力使落地场景持续丰富、企业因 AI 技术浪潮启动改革升级、AI agent 打开企业场景应用想象空间，整体企业级 AI 应用市场商业化前景可观。

人工智能行业专题报告指出，交互型多模态大模型有望带来应用的爆发起点 。这类大模型能跨越单一模态限制，支持多种模态的输入输出并实时做出 “类人” 的理解与反馈，实现与人无缝交流，如具有代表性的 OpenAI 的 GPT - 4 。多模态人机交互是 AI 领域的重点研究方向之一，GPT - 4O 的发布迎合了业内对多模态大模型的期待，它展示出的多模态交互能力，促使多模态综合交互成为生成式 AI 的重点发展方向 。多模态大模型在智能客服、医疗诊断、自动驾驶等诸多领域有广阔应用前景，能更全面理解用户需求、提供更智能化服务，也为人机交互带来革命性变化 。当前，多模态大模型呈现出多模态技术储备与强大算力构成发展基础、商业场景与训练数据质量影响技术竞争力、研发投入显著增加、少数领军企业能实现输出端多模态内容生成但与国际领先水平有差距、意图识别准确率和泛化能力偏低等特点和趋势，不过其商业变现途径日益清晰，将爆发出更大商业价值和市场规模 。

《2024 中国 AI 商业落地投资价值研究报告：论决策式与生成式 AI 在垂类行业的应用价值》指出，当前人工智能分为决策式 AI 和生成式 AI 两条路线并行发展 。决策式 AI 通过对数据 “打标签” 来区分和预测，常见应用有人脸识别、自动驾驶等；生成式 AI 分析归纳数据后生成新内容，常见应用于内容创作、营销等领域 。二者在不同行业场景及应用环节创造的价值各异，决策式 AI 在高精度输出需求环节（如生产制造、供应链管理等）综合投资价值更高，生成式 AI 在创造性要求高的环节（如内容生产、营销与销售等）综合投资价值高 。报告显示近 3 年内 94.9% 的受访企业认为决策式 AI 需求大于生成式 AI，因其在行业积累、可靠性等方面具优势，短期内商业应用需求更高，但长期趋势是二者融合发展，将决策式 AI 的优势与生成式 AI 的强泛化和高复杂任务处理能力相结合 。报告还从战略价值、成本价值和经济价值三个维度，通过 sce 评估模型对 AI 商业落地场景进行评估，认为 B 端工具商业落地价值大于 C 端 。