摘要:好的,对各位人晚上好,我这边调一下。好,各位领导晚上好。今天我们这个时间点也比较晚了,感谢各位的时间。今天这个时间点我们给大家汇报一下,就DBCC对应用的影响。因为应用的话应该是这一轮这个deepseek,怎么讲?这个模型能力平民化之后,平权之后应该是收益比较
发言人1
·1:05:07
好的,感谢两位老师的精彩发言,本次会议到此结束,感谢大家参与。
发言人20:00:12
好的,对各位人晚上好,我这边调一下。好,各位领导晚上好。今天我们这个时间点也比较晚了,感谢各位的时间。今天这个时间点我们给大家汇报一下,就DBCC对应用的影响。因为应用的话应该是这一轮这个deepseek,怎么讲?这个模型能力平民化之后,平权之后应该是收益比较明显的一个大的环节了。那咱们也看到在过去的在过去的这个虽然二、五年这个时间过了不长,可能也就一个多月1个一个月的时间。那我们去看美股的这个上涨,对吧?美股的上涨也能看得出来,过去这一个月涨幅最大的对吧?
这个低大的就是这个配置器的持仓,还有做AI跟医药研发相关的公司,其实整体来讲都是偏应用的公司,就在过去的这一个月,涨幅比较大的那都是跟应用相关的。股市。我想这个大家也能够体现出来,就是市场它的变化在往哪个方向走,正在往应用这个方向去走。但是这个应用的话,A股和美股又不完全一样。你如果是看这个美股的话,我觉得它相对还是比较客观的。它最终还是无论产业趋势怎么样,我们还是需要看业绩,就通过短期业绩来验证,后来证实这个产业逻辑对这公司的影响。
所以之前我觉得我们对于AI应用,就是他的观点也进行反反复复很多次修正。我想从22年年底到现在,整个全球不是中国,整个全球对AI应用的公司在这轮竞争格局的演变,相对应的影响因素,门槛要素都能变。其实做了很多做了很多次的修正。这个修正背后主要是因为确实因素一直在变,那这次deepsik之后,其实对于很多AI应用也在变,我觉得可能在因为去年是啊去年三季报的时候,就是在十月份、11月份,当时给大家汇报美股AI应用的总结,你会发现好像跟之前的观点不太一样。
因为从去年8月份到11月份到12月份,美股A应该涨了4到5个月,涨幅都很比较大对吧?Appleven是去年美股涨幅最大的公司,百分之700到800的涨幅。那么到到底什么原因对吧?是业绩还是产业逻辑发生变化了,那这次DPC所以那个时候也要去,那个时候是需要对AI就去年三季度末四季度,但总结的时间点应该到了C组了,就那个时间点需要对AI应用去做观点的修正的。并不是说大模型厂商它的能力越来越强,壁垒越来越高。好像一些垂类公司的业绩体现的还比较快,它壁垒的话也体现出来了。
那这次DPCK之后发现大模型厂商的竞争优势是否还存在?有可能弱化了。因为原来的时候大家讲讲的观点就是模型及应用,对吧?那最核心的就是模型即用但是模型应用的话,现在看下来,好像这个模型应用依然是这个点。但只不过原来的这个模型的壁垒大厂商的模型壁垒被deepseek一夜之间不能说干没了,但至少在相当一部分程度上是被弱化了。那那即使说像那些没有大模型研发能力的公司,他依然能够得到对吧?全市场不能说最领先,是比较领先的模型能力。
这个其实是一个变化,所以这个变化对于很多公司的逻辑都会变,比如说类似于港股的美图一样,对吧?你看但是美图在我们就互联网这边覆盖,因为这可能在大模型能力平这个平均化之前,大家也会担心,到底公司行不行?但是这次这个模型壁垒没了之后,好像这个模型能力就不是一个重要的因素了。就是对于应用公司而言,大家更加纯粹了,我们不用不需要看模型能力,因为模型能力已经变成是一个公一个公共基础设施,它都很容易触及到各个应用之间的竞争的壁垒,又回到我们的产品力,对吧?
好,我们的客户的属性,客户的数量,客户的属性以及场景等等这些。所以这些变化,就deepseek的这个变化,其实对于很多应用公司它的格局的演变,还有它长期逻辑都会有比较大的影响。所以我想今天的话,我们先就目前看下来的这不是一个可能产生的一些对应用的一些变化给大家做汇报。前面主要就是我同事柏兄先汇报,因为后面今天后面反正没会了,今这这第三场的时间就相对比较灵活自由一些,那后面的话我再做做下总结,先把时间交给交给柏雄。
发言人30:06:14
好的,谢老师。各位领导大家晚上好啊。我这边把整个DDPCK我们目前看到的对于应用环节的影响,先给各位领导做一个简单的汇报和梳理首先其实我们看到DPC模型发布之后,确实不管是在模型能力上,还是在它的这个开源属性上都成为了大家非常关注的一个热点。我们去看整个国产大模型的变化的时候,其实大家现在比较有意思的一个观点其实就是中国的这个大模型从原来的等待开源变成了一个引领开源的一个变。之前我们很多人的或者市场上的有一些观点,其实会认为就国内的大模型的升级,可能要靠海外的这个开源模型的一个迭代来推进。
但现在我们看到整个deepsit这个模型,不管是从性价比还是从模型能力上,其实都成为了整个开源场景里,甚至整个开闭源场景里,都非常有特点和性价比优势的一个新的模型的一个属性。所以确实就是像刚才谢老师提到的这个,情况也一样。就是模型的能力其实不再成为了一个稀缺品,它更多的成为了一个开放的基础的能力如果我们去对比DPC和meta的这个开源协议的话,大家会看到一个非常有意思的现象。其实就是虽然meta他讲的也是一个开源模型,但是我们看到meta其实它整个的开源许可是基于自己的这个社区许可证的那在这个里面其实就专门提到了,就是它其实只有在像研究和个人使用的这些场景里是去免费使用的但是比如说基于公有云的厂商去提供卖它的拉曼模型,或者说这个商业的用途的场景里去使用meta的模型的话,其实都涉及到后续的商业支付的一个问题。
所以就虽然meta正是之前全球范围里比较领先的开源模型。但是其实在很多商用的场景里,它相对来说对于应用这个环节来说,其实还是有不小的模型的成本的那我们看到目前前这个deepsick的模型,它其实遵循的就是MIT的这个开源许可。这个许可的话,它的自由度其实会更高,而且在这个商用商业化的这个场景里,其实是更更大的一个自由度和开放的一个范畴。我们看到就是围绕着目前的它的开源协议上来看的话,任何人其实都是可以去使用deepic模型的。
而且是支持你去做修改以及二次开发,包括修改之后的模型的分发和共享。再有尤其是针对着这个商业化的场景里,是无需支付相应的版权费用的。所以我们看到整个deepseek模型除了对于整个开源场景的贡献之外,更多的对应用环节的影响,其实就是在很多商业化的场景,尤其是对于之前可能没有自研模型积累的厂商,他的这个推理端的成本其实存在着一个快速降低的一个放大效果。对于公司来说,这个成本降低其实对应的就是产品的毛利率的一个提升。
对于企业来说,其实就是进一步降低这个产品的一个入门的一个门槛。所以我们从这个角度上去看的话,对于全球的整个应用的影响一定是一个更加积极的一个放量的一个推动。尤其是之前可能是比较有钱的大企业,自己买了模型的API然后去做这个企业端的应用。但现在可能更多的中小型企业都可以入局,或者说尝试AI应用的初步的一个落地。所以这个是我们看到的不仅是deepseek模型能力上,更多的是它的这个开源范畴上的一个非常积极的一个变化。
再有就是刚才提到的一个最最核心的重点,就是模型成本的一个下降。这里我们看到去对比deepsick它的这个模型成本的百万级的tokens的输入输出和其他的模型上来看的话。其实大家会非常明显的看到,基本上是现在这个模型能力相近的这个产品里价格最优的。所以整个产品的成本的下降,其实就是意味着更高的投资回报率,以及更低的一个产品准入门槛。所以我们核心的观点第一个核心的观点其实就是成本下降之后带来应用放量的一个重要的助推。
第二个就是整个DPCK现在基于这个交大模型的蒸馏的这个推理的范式,其实对于整个模型推理能力的提升其实是非常重要的。这一块的变化其实我们在昨天的这个模型端的汇报的时候,其实已经做过非常详细的解读了。简单的理解其实就是我们看到基于DPCK去蒸馏的这个端侧的小模型,目前来看他的能力是要强于直接去做强化学习的这个小模型的。所以从这个角度上去看的话,未来端侧的这个场景里也会有啊更加积极的一个变化。这个端侧的变化的话,我们上一场的会议做了比较详细的介绍,我这边就不再做赘述了。
今天我们的核心的环节其实就是围绕着更多的企业服务的这个tob应用的这个环节去做展开。首先第一块的话,大家可以来一起来回顾一下整个DCC模型发布之后,海外的厂商对于这个模型的一个态度。从这个态度上其实就非可以非常的清楚看到,不仅是中国的企业,现在对于DPsick的这个模型的认识非常的认认可度非常的高。其实海外的很多厂商也在积极的尝试,去通过这个deepsip模型和自己应用的一个整合,去完成部分产品的一个产品化的一个落地,或者说商业化的一个推行大家可以看到,首先在原来的三个细分环节,就是从基础层到模型层到软件层,相应来说这个中美的差距其实还是存在的。
但我们看到现在就是通过模型的这一端,快速实现了整个AI技术站的一个快速的破局不管是这个国产模型向海外的直接的模型的输出,还是我们本地的这个模型,其实往上下游的两个场景里,现在都做了延伸。这两块的话后面我们再做详细的介绍。首先我们来看一下对于全球这个格局的一个影响。中国的模型是面临出海或者说全球供给之后,大家会看到就是海外的应用上,现在首先对于DBC这个模型的态度是非常乐观的,很多公司都提到了deepcityschoolnews这种描述就是对于这个应用厂商来说,他们是非常乐于见到这种性价比模型的一个出现的,而且又是一个开源免费的模型。
那再有就是硬件的这些,算力的公司。现在大家可以看到就海外的,像AMD,英伟达,包括各大的云厂商,现在都在积极的,实现所谓的和deepsick的一个生态的一个融合。很多的算力上现在都发布了相关的公告,就是可以在自家的这个产品上去运行deepseek的这个rone的推理的一个模型。所以整体上我们看到海外的厂商,首先目前对于deepsik的态度是非常积极拥抱的一个变化。第一个就是看到云的厂商,现在的A热云和AWS的云云的亚马逊的这个AWS的云上都可以直接去托管DPTRY模型,而且是非蒸馏版本的模型,所以这个是基建层公司的一个变化。
再有就是我们刚才提到的软件公司,软件公司现在对于AB的态度也非常的积极。首先就在看到微软,微软除了在他的这个AIfoundry的这个基建里去上线模型之外,更多的提到的其实就是在考pa加PC这个端侧场景的落地,目前提到了就是基于这个端侧的高通的这个心NPU的芯片,可以去运行deepsikrone的蒸馏模型,这个也在做积极的尝试和优化,这个是微软这边的变化。再有就是我们看到meta,meta之前就是有相关的这个消息报道,所谓的metapanics这个恐慌的一个问题但我们看到在最新的一个季度的电话会里,麦太其实也就deepseek的发布谈到了相应的一些应对。
其中非常重要的就是后续他们会进一步的围绕着这个模型的开源的标准去做相关的明确。这个就是我们最开始跟大家对比的。其实meta自己的开源协议跟deepseek现在所遵循的MIT的开源协议其实是啊有区分的。那未来到底是完全可商用的开源模型,作为一个主流的协议标准,还是像卖家这种社区协议作为一个主流的标准,其实还是有待观察的一个情况。再有就是SAP,我们刚才提到了SAP在业绩的电话会里专门去介绍了对于deepsick的这个态度。首先提到了这种能源利用率比较高,而且更加平价的模型,一定是AI普及的一个非常重要的一个基础。
而且还提到了围绕着像中国的客户的这个场景里,他们正在尝试去测试deepseek模型的安全性。如果是可靠且负责的话,可能会在中国客户的这个解决方案里去上线deepsik的一个产品。所以其实这个也是对于整个deepsik模型能力的一个高度的一个认可。再有就是servicenow,servicenow的话其实也提到了这个问题。第一个就是同样的观点,就是模型的这个基础。模型成本的下降对于应用来说一定是一个更大放量的一个非常重要的一个基础而且也提到了泽维信诺它本身的核心技竞争力其实并不在于AI模型本身。
这个是我们在过去一年去跟踪美股的这个tob软件应用的时候,看到一个非常重要的核心的观点,也是我们多次给各位领导汇报的。原来的话之所以重心不在模型上,一个是因为这个自研模型或者说自己去微调模型,其实成本相对来说还是比较高的。更多的企业它充当的角色其实是一个模型API的整合商。那具体这家企业使用的是哪一家的模型,是OpenAI的这个闭源模型,还是meta的lama模型?可能是由企业本身自己来决定的。那这个成本,也是由企业自己来承担的。
所以从这个角度上去看的话,确实从24年的角度上去看的话,国内其实只有大型的企业,包括美国的这种政府机构,它是是第一批AI应用的一个尝鲜者。很多中小型企业并没有参与到整个AI落地的一个采购和布局上,所以原来的这个算力成本其实是一个AI应用的一个非常大的一个隐形门槛,再有就是servicenow其实也提到了围绕着后续是不是会去整合dept模型的这个问题,目前还在严格的去评估这个模型的安全性和可行性。把它交给一个国产中国的这个大模型,目前来看还是有这个安全性的顾虑的。
所以这个也是为什么这些云的厂商最先去上线,因为它作为一个中间商,首先他们会对于这个模型去做相关的安全防护,包括安全审核的一些流程,所以通过云指去使用DPC模型,目前来看就是通过海外的云去使用DPC模型,目前来看可能更多更更更是海外企业愿意接受的一个,的一个场景。接下来我们就从两个视角去看这个deepseek模型对于应用的一个变化。第一个就是从全球的视角上来看,我们的观点就是这种性价比模型,性价比的这个开源的模型有望加速应用的一个放量。
因为之前我们在做2025年AI应用前瞻的时候,其实核心的观点就是225年会整整个全球的AI应用,尤其是美国的这个AI应用,会从前期的商业化走向规模化放量的一个转变。当时我们是列举了非常多客观的数据,给各位领导做一个佐证。第一个其实就是我们看到的大量的AI应用,现在已经到了产品成熟的一个临界点,大家可以看到除了这种第三方的数据产品之外,大部分的应用,一个是像潘兰亭这种端到端的应用,然后再有就是云的这个CSP的一体化的应用,包括各种垂直应用以及tob的这个agent应用大家基本上在2024年都完成了产品成熟度的一个打磨,达到了一个功能成熟的一个临界点。
之前我们看到或者对于这个放量的预期的一个来源。第一个就是从去年逐季的环比数据上来看,各家公司商业化的订单的数量,包括接触的意向客户的数量,都在环比持续的加速增长。第二个就是我们看到的美股的软件公司,围绕着明年的销售的指引,或者说对于整个产品的开发的指引,都给了更加积极的一个预期。所以大家明年整个在这个AI的产品的一个营销上,会投入更大的一个精力。所以之前对于放量的预期主要是基于这两个变化那现在我们看到的最新的变化其实就是在围绕着模型的这一端。
大家可以看到首先就是从今年的四季度的角度上去看的话,很多美股的这个AI应用确实也进一步走向了放量的一个转变。像SAP,我们就看到现在的目标的客户的人数,已或者说已经去使用相关的AI产品的用户的人数,已经超过了3万名的一个客户。相关的产品的使用率,或者说订单里包含AI应用的数量,现在已经突破了半数以上。有50%的产品其实都是包含着AI用力的一个交易。再有像微软这边,微软这边其实重点在电话会议就提到了这样的概念,就是企业的这个AI已经从概念的验证阶段转向了全企业范围的一个部署的一个转变。
之前可能是三个部门里的某一些团队去主要使用AI的应用。那现在进一步往跨部跨部门、跨职能、跨角色的这个方向去做一个协作性的AIagent的一个发展。然后像servicenow这边的话,我们看到主要介绍的,现在整个A现在AI从十月份推出以来,已经获得了1000家企业客户的合作的订单。其实已经占到了整体用户的渗透率,其实已经达到了一个比较高的比例。因为他客户总量大概就是8000家左右,目前有1000家,其实已经是一个非常非常高的一个渗透率,这个是过去的一个变化现在我们看到围绕着这个模型的性价比提升之后,会有哪些积极的预期。
首先围绕着整个AI落地的这个环节,其实有两个部分其实是最重要的。第一个就是模型,第二个就是数据。我们看到美国这一边,围绕着AI应用24年的重点是在数据这一端,就是我们刚才提到的,因为模型这一边应用厂商其实是不具备优势的。因为既没有自研的模型,同时也没有这么多的算力的去支持他自己去训练这个模型所以在过去的整体的AI应用的落地过程中更多的应用厂商其实把重心或者说核心的关注点放在了数据的这个环节。从数据的这个环节上来看的话,我们看到去年2024年,应用公司主要做了这么几个处理。
第一个就是围绕着数据的私有化的一个问题。第一个就是解决数据的安全顾虑,再有就是数据不同的用户不能一说因为上了AI的功能之后,数据的访问权限发生变化。所以这个是大家去做AI应用落地产品的时候第一个关注的环节。第二个就是对于大量非结构化数据的一个处理能力。因为很多套装软件的公司,之前的数据格式基本上还是以结构化的表单数据为主的。所以我们看到在23、24年,大部分公司他收购了很多一级市场的产品,去强化它的非结构化数据处理的一个能力。
第三个,就是对于数据的这个一体化的方向。从一体化的方向上我们可以看到,一个是要把原来的跨业务丨跨业务系统的数据去做打通。但现在我们看到模型这端有了变化之后,同时有去年的这个数据的基础。美股的这个AI应用其实基本上已经具备了放量的两个非常重要的核心环节。刚才我们介绍的这个第一步先发的环节,其实在目前来看已经是非常相对来说比较成熟的这个载体了。现在模型有变化之后,我们看到其实就是一个双重的一个加速。第一个其实就是围绕着这个成本端,刚才我们提到了很多应用公司,因为原来他没有自研的模型,所以这一块的这个成本其实是由企业自己来承担的,要么是企业买了闭源模型的API填到整个的应用的一个产品里。
要么是这个应用的厂商通过一些自研的小模型或者开源的模型,去提供整个基本的这个功能的一个知识。第二个就是我们看到原来其实之所以强调这个模型的能力并不是最重要的。本质上还是说这个应用的厂商其实它并不能够锤炼出一个非常具有通用能力的这个大模型。它更多的还是依赖于企业的这个私有数据去做一个进一步的整合。所以这一块的话相对来说,其实对应用厂商来说过去是有所欠缺的。第三个就是模型的安全性的一个问题。过去在落地的这个企业A企业AI应用的环节的时候,我们看到很多很多公司它采用的策略是把这个大模型去做私有化的部署。
像潘这种公司,其实在去年的商业化的节奏就非常的理想。现在有了像D4K这种开源模型之后,这种商业模式可以去做更好的私有化的一个复制。所以围绕这三个场景上来看的话,我们觉得在全球的这个视角上来看的话,数据的基础能力已经充分具备了。围绕着现在模型成本能和属性都发生了积极的变化。对于这个场景上来看的话,对于整个全球的AI应用,我们觉得是一个更好的一个放量的一个基础。回到我们刚才核心的观点,2024年的重心其实就是闭源模型的这个能力压制下。
海外的企业,它更多的产品的重心,或者说功能的落地,聚焦在了企业的数据挖掘上。有了这个数据挖掘的基础,大家可以看到很多的数据的产品现在已经具备了前期成熟的一个雏形。第一个就是servicenow的去年推的这个workflowdatafabric和他的这个rapperDB两个核心的产品。从四季报的角度上去看的话,都有了非常明显的商业化的进展。同时servicenow的现在的整个数据的平台也和oracle和goolecloud去做了一个全新的集成,所以它在数据的广度和深度上又有了进一步的体验。
再有就是我们看到像ICP,它的这个数据产品,其实现在也发生也基本上具备了成熟的一个载体。把企业这一端的结构化和非结化的数据,以及跨业务系统的数据,都做了全面的一个整合。所以2024年的这个重心,我们目前看起来执行的节奏或者说执行的效果还是非常不错的那到了2025年,我们判断其实就是在这个数据优化的基础之下,模型能力同步升级带来的一个双击的一个增长。在这个变化之下,我们判如何判断哪些海外应用的厂商会更加受益呢?
其实我们这里筛选了三类。第一个其实就是业务流程是这种agent类的应用商。这一类厂商其实他对于算力成本的敏感性其实会更高。所以很多过去布局tob的agent服务的应用公司,我们觉得在25年它整体的成本的控制,包括用户的这个范畴,或者说用户的目标的群体都会有进一步的扩张。第二类其实就是目前已经尝试按照用量付费这种商业模式的一个应用上。因为对于这一类的应用厂商来说的话,模型成本的是快速下降。其实对于它的业绩释放是会有最大最最明显的一个提升的因为短期来看的话,基于用量这个付费方法可能没有基于订阅的付费方案带来的这个收入高。
但是一旦这个模型的成本下降之后,整个应用的定价其实会同步的有非常明显的变化。对于这个企业客户来说,其实这个A的用量其实也会有一个快速的增长,所以这个是第二类。第三类的话其实就是我们看到的有中国区这个业务的一个软件上。就像刚才的这个ICP所提到的一样,就更多的海外厂商他使用DVCK的模型。直接去使用DVCK模型,主要还是面向中国的这个企业客户,因为海外的客户的话,其实现在对于整个数据安全,尤其是其C端的话,其实敏感性可能没有那么高但是企业这一端其实还是有一定的安全属性的一个顾虑的,所以更多的海外厂商现在更倾向于是在中国的地区去应用DPCT1个模型。
国内的这个相关的功能其实是有望迎来一个快速的上线的。因为我们看到之前的美国软件商的这个AI的功能,主要还是围绕着在美国地区去做一个推广。那现在这种其他国家本土的模型能力的快速的跟进,对于他们在全球业务的一个拓展,其实有一个非常重要的一个助推作用。从这个角度上去看的话,这里我们筛选了两类。第一类就是我们刚才提的这个业务流程是agent类的,而且在中国区有比较大的业务体量的软件商。那一家其实就是ICP,再有就是微软这两家公司,其实是我们最符合这个里面的两点的公司。
SAP的话在中国其实也有相应的ERP的一个业务。同时它目前的这个agent场景的上线的用例也在快速的增长。微软这边同样也是一样的情况。然后第二个就是我们刚才提到的这个既符合agent又符合按照用量付费的两家公司。一个就是salesforce,再有就是service。Now这两家公司现在来看的话,整个A镇的产品首先现在进展是非常领先的那在模型侧有变化之后,我们觉得他们的放量会进一步的加速。再有就是刚才提到的,目前这两家公司的agent产品基本上都采用了按照用量的收费的一个场景。
这个成本下降之后,对于这一块的使用量的一个刺激会更加的明显,也会更快的反映到这两家公司的业绩的一个编辑变化上。所以围绕着全球的这个视角上来看的话,我们觉得AI应用过去我们对于规模化这里可能打的是一个问号,可能还存在着一些相应的技术上的一个顾虑。但目前来看,我们觉得这个放量的趋势,在整个开源模型的平权之后,可能会这个区产业的趋势会更加的明显,这个是第一个。第二个就是从中国的这个产业视角上来看的话,我们看到的其实就是模型优化之下带来的AI应用侧的一个快速的追赶。
因为原来我们在汇报2025年的AI应用展望的时候,重点提到了国内的话其实很多厂商现在也做了这个AI的应用。但是基本上进展和美美国这个23年下半年的这个状态非常的相似,就是有产品,但是这个产品的成熟度不高,而且商业化也在一个比较前期的一个阶段,这个核心的问题就是回到了我们刚才提的整个AI应用的两个核心的环节。首先我们看到在模型的这个环节,在过去其实国产的大模型跟海外的模型确实还是存在着代际的差距。第二个就是在数据的这一端我们刚才提到了美国的软件公司其实在2024年主要做的其实就是数据治理的各项的工作。
而且这个数据的产品在去年一年的迭代过程中,已经接近了一个成熟的位置。但国内这一块也是一个非常大的阻碍。一个是我们看到国内的本地化的数据其实是会更高。那天然带来的其实就是各种所谓的数据烟囱,所有的数据其实是不打通的,而且标准的是各异的,多元异构的。这个数据分散在本地所以其实在这个数据治理的这一层上来看的话,我们看到国内的应用厂商其实是面临着更大的压力的。再有一个就是我们看到的相关的,比如说这个结构化数据的一个处理能力上。
其实国内的很多数据中台,包括数据库的产品,在这方面相较于海外的产品来说也是有一定的欠缺的。所以围绕着AI应用的这个场景,我们看到25年更更优先变化的其实就是模型这一段。可能后面模型变化之后,围绕着数据这一层再有相应的不足。所以其实对比中美来看的话,其实它的先后顺序可能会有差异。但是我们看到在模型积极变化的背景之下,其实整个AI应用的阻力是在快速减少的。而且这一块的模型能力提升,对于数据质量较差的这个缺点的补足,其实是可以起到一个比较明显的缓解的作用。
所以对于国内这边的观点的话,我们觉得这个DPCK这个模型的平权带来的最积极的变化,其实就是这整个应用的差距的一个快速的缩小。这里的话一个是我们看到的deepsik直接相关的一些产业性的标的。业务合作应用合作这一边的话,目前已经有明确的公告的。其实就是拓尔思和DBC去开发围绕金融场景的一些应用产品。目前有接触,但是还没有具体的产品的合作方向的,像这个并行科技、当虹科技,其实都跟整个deepsick的技术团队有相关的技术的一个接触。
但是现在产品的具体的落地方向还没有非常的明确。第三类其实就是我们看到的原来的大量的国内做agent应用的一个厂商。从这些厂商的视角上来看的话,我们觉得整个deepseek模型的一个能力的一个引入。对于这些公司的明年的整个A镇的功能的一个提升,尤其是像A镇的这种多步骤协同,以及对于模型推理能力要求比较高的场景,都会是比较大的一个助力。这里的话其实就主要分成两三大类。第一大类其实就是这个大模型的合作商,原来的话像围绕着字节、华为、腾讯的模型,其实都诞生了相对来说跟他们合作比较紧密,绑定程度比较高的应用服务商。
Deepsik这一块的话,我们觉得在明年其实也有机会出现这样的合作的一个企业,再有就是在企业流程的这个场景。企业流程这个场景里,我们看到过去公司各家公司其实他们采用的路径也是选择市面上的比较优秀的大模型去做合作。那现在deep出来之后,一定会有更多的企业去围绕着模型合作的这个场景里去做一个进一步的跟进。第三类其实就是我们之前汇报的中台类的公司。中台类的公司虽然就是我们刚才提到在这个布局重点的先后环节上会有区别,但我们看到围绕着这个模型有变化之后,数据这一块一定也会去做快速的跟进。
所以这类的产品我们觉得它的这个商业化的机会,其实相较于之前来说,其实是变得更多的,所以这个是总的一个观点。那围绕之前我们介绍的agent的这个场景的三个重点的方向,我们觉得最最受益的其实就是agent的应用的提供商。这一类公司的话,现在模型端发生变化之后,对于整个它的功能的一个提升以及后续的放量,会是一个重要的基础。第二个方量的第二个方向就是大模型的实施商,原来已经有比较明确的模型合作的对象的话,基于deepsik这条产业电商对于他们的影响可能偏向于比较中性的一个变化。
第三类就是之前我们梳理的数据中台的这个场景。中台的这个场景的话我们觉得目前DPCK对于这类公司的产业影响也偏向于比较中性的概念。因为在看到模型端有率先的变化之后,大家的重心可能更多的还是先去融合这个模型的一个变化那后续的重心才会转移到这个数据质量的一个治理上所以这个是对于我们之前汇报的agent的三个方向,我们觉得影响的情况其实是有有区分的,最明显有直接受益的其实就是并没有明确这个模型绑定关系的这一类的agent的一个厂商。
最后的一块的话,其实就是从整个开pets的这个视角里,我们再去做一个简单的汇报。因为大家也是比较关心整个这个dipsit出来之后,对于这个算力的需求量是不是有那么大,或者说整个海外大厂的capex投入能不能延续之前的积极的预期。目前来看,简单的观点上来说的话,我们的判断其实是继续会保持比较积极的资本开支。同时从目前已经发布的两家大厂微软和meta的业绩指引上开发指引的角度上去看的话,仍然也是为维持着这样的预期的水平。
核心就是我们看到大规模的算力的投资,目前在突破模型的这个能力边界上,其实仍然是具有关键的意义的。单元的模型它更多的其实就是基于原来的模型做的这个算法上的优化。但是其实从这个模型的智能性上来看的话,并没有非常明显的一个质质的一个突变所以我们觉得首先就是模型的这个能力的一个突破点,尤其是AGI的模型,仍然需要这个大规模的算力集群去做一个支持。同时这种性价比的模型出来之后,我们刚才的应用的环节放量之后,对于推理的模推理的算力的需求也会进一步的增长所以从目前的视角上来看的话,海外大厂的capex也是仍然维持着一个非常积极的一个指引。
像微软其实就提到了,首先25年的capex仍然可以达到800亿美金以上。26年也提到了,会进一步的增长,但是增速可能会略有放缓。这个是微软meta的话我们看到把全年的开票指引,25年提升到了600到650,去年其实就是380到400,所以其实这个增速仍然也非常的强劲。而且也专门提到了25年的大部分的开发重心会在服务器的一个投入上。再有就是我们看到,第二个围绕着开始这个角度上来看的话,算力的来源可能会有更加丰富的选项。因为之前英伟达肯定还是占据最最主流的一个供应场景,或者说这个供应来源。
但现在我们看到这种开源的性价比模型出来之后,云厂它的这个算力结构,尤其是像谷歌、亚马逊、oracle.原来这种以模型商为主的原厂下游客户,以模型商为主的云服务商来说的话,他的这个AI的云的收入的各构成可能会发生一些结构性的变化。推理这一端可能会迎来更加积极的放量。所以就是我们刚才提到的海外的大量的模型厂商,现在都发布做了和DPCK模型的一个适配。国内这边的话我们看到除了这个DPCK自己提供的产品服务之外,现在已经上线DPC模型的云厂商包括华为云天云和腾讯云,现在分别都在昨天和今天去发布了相应的公告,可以基于自己的这个云服务去提供deepsick的一个2Y模型,所以从这几个角度上变化上来看的话,我们觉得就是对于首先全球视角上来看,deepseek模型带来的就是性价比提升之后的一个应用放量的一个确定性的提升。
对于国内这边来说,更多的就是模型优化之下带来的AI的成AI应用成熟度的一个快速的追赶。然后从开pass这个视角上来看的话,金额扩大和来源分散的这个趋势,我们觉得目前已经呈现了一个比较前期的一个趋势。那我这边这个汇报的内容就先到这儿,然后把时间交给谢老师。
发言人2
·0:40:21
好的,好,不行,辛苦了。我再接着汇报一下,刚才波波熊从deepseek的影响给给大家做细节的汇报。我想结合之前的一些,我觉得因为应用这边基本上每过一段时间,我们都要对他观点进行一次修正,它还不像其他环节,模型算力虽然也需要修正,但是修正的频率没那么高。但应用的话它这个频率修复稍微有点高,这个稍微有点高这个稍微有点高的一个原因,就是因为在整个这几个大环节当中,模型算力,应用和终端来讲,就是应用这块是最不清晰的,包括现在对吧?
现在你说应用哪些能走出来,哪些走走不出来?这个好像也说不太清楚。模型的格局是比较清晰的,你在deepsig出来之前,美国的大模型的竞争格局基本上已经很清楚了。中国其实225年,就咱们的这个模型格局也要清晰下来,算力也是就相当于来讲在dbcg之前,在DDBC出来之前,或者说这个二一和V3出来之前,那么2四五年的中国的AI就是23年美国的AI,我们的算力和模型都是要格局定下来的那现在来看的话,这个DP的出现,那不但是搅浑了整个全球模型的格局,对吧?
来源:灿烂小雨