摩根大通深入调查：中国AI产业盈利拐点浮现，落地应用价值首超底层模型

中国人工智能产业的投资逻辑正在悄然转变：此前市场热衷于追逐模型性能、参数量级和评测榜单，如今焦点已转向谁能掌握客户数据资源、工作流程入口、部署交付能力以及定价话语权。八场涵盖自动驾驶、独立模型研发、企业级工作流软件、垂直领域人工智能应用的深度交流，释放出一个共同信号：模型依然重要，但在部分企业应用场景中，模型正逐渐演变为一种可被替换的基础原料。

据追风交易台，摩根大通证券（中国）分析师姚橙等于5月22日发布的中国人工智能产业调研报告中给出核心判断：“部分人工智能应用已开始展现出具有商业价值的初步迹象，尤其在那些工作流密集且数据丰富的垂直领域。”这句话的精髓不在于人工智能应用终于实现了变现，而在于变现最早出现的赛道：既非通用对话聊天，也非单纯的接口调用，而是保险与金融风险管理、企业数据整合、跨境营销推广等流程复杂、数据丰富、成果可量化的领域。

这同样颠覆了对自动驾驶和应用层的部分既有假设。之前更为审慎的框架是：自动驾驶出租车短期内更像成本中心，人工智能应用变现尚需时日，真正清晰的上市敞口在于基础设施和算力领域。当下观察，先进驾驶辅助系统更接近量产和规模化阶段，部分L4级自动驾驶出现了城市级经济性改善的迹象；垂直人工智能应用也开始呈现经常性收入、价值定价和运营层面盈利的早期证据。不过，这些证据大多源于管理层陈述，且不少公司尚未上市，距离可审计、可复现的公开市场验证仍有相当距离。

投资方向反而更加聚焦：算力、人工智能基础设施、国产芯片、内存与存储，是最无需押注单一模型胜负的赛道；应用层需关注专有数据、工作流所有权、客户粘性和定价能力；模型公司则必须证明自身不仅是被调用的对象，而是能掌控高价值工作流程的主导者。消费级人工智能和智能体电商尚未拿出足够坚实的付费数据、用户留存和交易增量证据，估值逻辑仍需打折。

模型能力依旧关键，但单纯兜售接口的防御壁垒正在削弱

最一致的信号来自企业级场景：客户关注的是任务能否顺利完成、能否无缝嵌入现有流程、能否调用自有数据资产，而非必须采用最大规模的模型。

部分企业已根据价格、性能和具体任务类型，将请求分配给不同的国产模型和前沿模型。也有企业坦言，单纯的接口切换成本并不高，真正让客户保持粘性的，是企业数据接入、工作流改造和部署后的业务锁定效应。

这对模型层估值而言并不友好。使用量增长可能持续，但收益能否留存于模型厂商手中，成为一个悬而未决的问题。若客户能以极低摩擦在多模型间切换，通用接口的定价压力将日益凸显。

当然，模型并非毫无价值。在编码、智能体、企业软件自动化等任务中，可靠性、上下文窗口长度、工具调用能力、多步骤任务完成率会直接影响业务成效。模型公司若能掌控用户界面、工作流记忆和数据反馈闭环，仍有机会在高价值场景中保持经济优势。

最早实现变现的应用，并非通用人工智能，而是流程复杂、数据厚重的垂直场景

保险与金融服务风险管控、企业数据集成、跨境营销推广，是此次调研中最强的几个应用信号。它们的共性很明确：客户付费不是为了“使用了人工智能”，而是为了风险降低、效率提升、营销转化改善、决策自动化。

此类场景更容易实施价值定价。只要成果可量化衡量，供应商就有机会将人工智能能力转化为经常性收入，而非一次性项目费用。

但此处不能直接套用传统软件的估值逻辑。部分业务仍可能具有较强的服务属性：大客户集中度较高、在客户预算中的占比尚小、早期部署需要大量人工实施或人工辅助。若将这些成本完整计入，毛利率和可扩展性可能没有表面看起来那么诱人。

因此更准确的判断是：部分人工智能应用已从叙事阶段进入早期商业验证阶段，但尚未证明自身具备持久、可规模化的软件经济性。

算力主线反而更加清晰：模型越容易被替换，基础设施越像共同赢家

若企业采用多模型策略，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。

这正是基础设施逻辑更加清晰之处。无论最终哪个模型胜出，训练、推理、企业部署、先进驾驶辅助系统开发、模拟仿真、数据处理、托管服务都需要消耗计算资源。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。

最关键的假设在于任务量弹性。乐观情形要求人工智能任务量增长快于单任务成本下降。若模型效率、稀疏计算、边缘推理或架构优化让单位算力消耗下降得更快，基础设施的受益程度会被削弱。

目前这套框架更偏向于前者：需求正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。对公开市场而言，这仍是最清晰的一条人工智能敞口。

自动驾驶不再只是成本中心，但L4尚未过关

自动驾驶的变化在于，过去纯粹烧钱的叙事开始松动。

先进驾驶辅助系统和L4级自动驾驶出租车要分开审视。前者依托整车厂量产、真实道路数据闭环和软件式规模化利润率潜力，更接近规模化应用。供应商可以跟随车企装配率提升，形成更可预见收入贡献。

L4级自动驾驶出租车仍处于更早期阶段。部分运营商提出了城市级经济性改善、车辆成本下降、海外部署经济性更佳的说法，但公司层面盈利仍是后期目标，监管门槛也未消失。一个城市跑通，不等于不同地理环境、天气条件、监管政策下都能成功复制。

对L4公司而言，真正能改变投资可行性的证据非常具体：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，都可能将商业化进程向后推延数个季度。

中立专业公司能切入车企和企业，平台未必通吃应用层

平台原本拥有云服务、流量、生态和分发界面，看起来应该获取人工智能应用的大部分价值。但在企业和车企采购中，中立性正在成为一个重要变量。

部分非平台模型或应用公司能够进入整车厂和企业订单，原因并非它们拥有更大的生态，而是客户将它们视为更可定制、更中立的供应商。平台云、地图和基础设施仍可作为输入层被使用，但部署上下文和客户工作流可能掌握在中立专业公司手中。

这并不削弱腾讯、阿里等平台在云服务、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获取订单，是两件不同的事。

当客户优先考虑中立性、定制化、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。

消费级人工智能和智能体电商，还缺一张硬账单

消费级人工智能目前证据偏弱。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。

智能体电商和人工智能广告也还处于更早期阶段。跨境营销中，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尚未有足够可验证的收入证据。

此处需要关注的不是下载量、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。缺乏这些指标，消费级人工智能故事很难支撑更高估值。

真正要验证的是留存、定价和毛利，而不是人工智能叙事本身

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。

编码可能是最清晰的测试场景。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。若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人工智能主线。