股票 
板块 
用户 
资讯 中信证券第五届股权投资会议
CITICS 5th Equity Investment Conference
中信证券第五届股权投资会议于2026年8月20至21日在南京举办。以下为8月20日“AI生态与应用专场”分会场1纪要：
AI生态与应用专场
分会场1
日期
2026年8月20日
主持人
连一席
中信证券科技产业分析师
主讲
嘉宾
王科
智象未来联合创始人兼COO
吴迪
影眸科技Hyper3D创始人、CEO
高艺铭
满帮集团AI算法总监
靳江明
清程极智COO
滕辉
深度原理副总裁、融资及投资者关系负责人
吕少龙
星云平台CEO、灵矩科技联合创始人
董肖
飞渡科技CEO
王梦菲
无问芯穹COO
从生成内容到生成世界：多模态到原生全模态的范式跃迁
王科 智象未来联合创始人兼COO
一、AI大模型技术演进趋势
（一）世界模型的三条技术路径
当前，面向世界模型的技术路径主要分为三派：一是3D原生模型路径，以3D架构为核心；二是具身智能路径，通过VLA到WAM架构实现世界理解与机器人交互；三是生成式AIGC路径，从生成式模型到原生全模态模型再到世界模型，涵盖DIT及UIT架构。智象未来选择第三条原生全模态路径。
（二）语言模型发展现状
AI整体已超过平均人类智力水平，顶级模型进入人类天才区。其中，Claude Fable 5具备跨多天程序自主运行、原生自适应思考、内置记忆工具及多智能体调度能力；GPT则在强代码能力、智能体记录、多步逻辑攻防、token节省及多智能体加速方面表现突出。竞争格局上，OpenAI、Anthropic、Google三足鼎立，尤其在Coding领域，AI已经从“辅助写代码”，开始走向“自主完成复杂任务”。
（三）多模态模型发展
多模态大模型技术已从多模态向原生统一全模态架构演进，经历Diffusion、DIT至UIT全模态架构的迭代，核心方向为实现理解与生成统一化及any to any任意模态输入输出。国产多模态在工业级画质、多分镜长叙事方面已具备全球竞争优势，字节Seedance 2.0成为工业级视频拐点。
二、智象未来公司概况
（一）公司定位
智象未来（HiDream.ai)成立于2023年，定位为全球领先的多模态生成式AI创新企业，是国内最早布局多模态方向的企业之一。公司自研UIT原生全模态模型，是国内唯一由院士领衔、具备完整技术路径和产业经验的多模态AI团队。
（二）核心数据
智象未来旗下开源图像生成模型HiDream-O1-Image在全球权威独立AI评测平台Artificial Analysis（下文简称AA榜）的开源图片生成模型排名Top1，商用版图片模型HiDream-O1-Image-1.5模型在AA榜排名前三，全球通信领域AI短视频通信市占率Top1，开源模型累计下载量超200万次，日均生产视频超10万小时、图片百万张。专业C端用户达6000万，SMB客户5万家，线下智能硬件出货量1万台。(数据统计时间截至2026年Q2）
（三）技术发展历程
公司发布全球首个文生视频模型（GAN架构）。2024年5月发布多模态大模型HiDream 2.0，完成DIT架构转换。2025年4月发布图像生成模型HiDream-I1，开源下载量超200万次。2026年4月，发布全球首个原生全模态世界模型架构UiT，2026年6月发布商用版图像生成模型HiDream-O1-Image-1.5模型，2026年8月，发布可交互的HiDream -O1-World模型。
三、原生全模态世界模型架构
（一）模态全集与感知
图像、视频、空间、交互构成多模态全集。人类视觉信息占社会信息总量的84%，听觉占13%，两者合计97%均为多模态信息。图像定格世界某一时刻的完整状态，视频是图像在时序上的推演，空间是图像或视频在spatial维度上的叠加，交互则是空间与时间维度上的action预测。
（二）UIT架构
UIT架构采用智象未来自研的统一Transformer架构，将原始信号端到端进行全模态对齐，实现any to any，任意形态,如文本、视频、图像、空间、动作均可作为输入和输出，五种形态无缝转化。图像是世界模型的入口，原生全模态融合方能从模拟世界走向预测世界、推理世界，最终重构世界。
（三）榜单表现
在AA榜（6月10日数据）中，HiDream-O1-Image-1.5商用版全球图像生成模型厂商排名第二（仅次于OpenAI）。在复杂语义指令、细粒度指令、中文OCR、文字渲染、综合画质美学等参数上均处于领先水平。2026年7月，HiDream-O1-World在交互式视频世界模型评测基准WBench榜单中（8月17日数据），以平均分80.9的成绩登顶榜首。其中在物理（Physical）维度以73.3分位列第一，Consistency（一致性）维度达88.0分。两项关键指标均位居前列，成为该榜单中综合表现排名第一的模型。
四、产品与商业化应用
（一）无限时长视频生成
智象未来围绕叙事性全流程实现无限时长视频生成的大模型即将推出，支持整本书输入，可自动生成分镜、角色、叙事、场景对白及配音。
（二）交互视频世界模型
HiDream-O1-World登顶WBench交互视频视觉模型基准评测第一，具备漫游、编辑、场景连贯无变形、多模态输入、实时编辑及强大泛化等功能。
（三）三大智能体产品线
一是AIGC商业营销智能体HiBurst，面向平台商家，实现脚本生成到剪辑成片一体化，支持爆款复刻和多平台一键发布，追求效率、成本与批量产出。二是AIGC影视创作智能体（帧赞），为全球首个专业级AI影视创作协作智能体，客户案例《秦岭青铜诡事录》30天制作60集，上线12小时即登顶腾讯视频热播榜首，下半年客户已有数十部剧待播，支持写实、科幻、玄幻、古装、现代等多种类型。三是AIGC内容创作智能体vivago R1，面向海外OPC专业用户，具备无限时长生成、超长推理修改、稳定交互质量等能力，海外用户达6000万，覆盖120余个国家和地区。
五、未来展望
（一）架构升级。实现大脑与小脑协同，世界模型深度融合成为标配，推动持久记忆与持续学习，以及端侧轻量化与实时部署。
（二）能力跃迁。从工具调用迈向自主创造与长程闭环，实现长程自主闭环、主动推理与前瞻、全模态统一理解，以及物理与社会双世界建模。
（三）协作范式。从单打独斗走向群体智能与生态协同，专业化影视制作领域已初见端倪，未来将走向精品化、团队化、协作化。
（四）落地安全。从实验室原型迈向产业规模化与可信可控，呼吁在生态力量和资本加持下，建设内容审核生态、垂直领域生态及安全与治理核心生态。
智象未来通过自研UIT原生全模态世界模型架构，在技术演进、产品落地和商业化探索方面取得了阶段性成果。公司围绕商业营销、影视创作和内容创作三大智能体产品线，已在国内外市场形成规模化应用。未来，随着架构升级、能力跃迁、协作范式演进及落地安全保障的逐步推进，原生全模态技术有望推动生成式AI从生成内容走向生成世界，实现多模态到原生全模态的范式跃迁。
世界生成模型基座——基于多模态理解能力的3D世界生成
吴迪 影眸科技Hyper3D创始人、CEO
一、3D生成的技术演进路径
（一）2D升维路径及其局限
在影眸Hyper3D团队提出3D原生生成框架之前，行业普遍采用2D升维技术逻辑生成3D模型，即先生成多视角图像，再通过NeRF或几何重建方法将其建模为3D资产。然而该方法存在明显局限：一方面，生成精度上限较低，无法超过对物体拍摄多张照片后用成熟的MVS算法建模的质量；另一方面，从三维降至二维再还原为三维的过程中必然产生信息丢失，导致模型表面出现噪声、破面等问题，进入后期管线使用前仍需大量美术清理工作。由于该方法生成的资产无法直接用于游戏和工业设计，公司认为该路径不具备商业价值，因而另辟蹊径。
（二）3D原生生成框架
公司于2024年6月发表全球首个3D原生生成基础框架，通过算法和框架层面的底层创新，将3D生成效果从“不可用”拉到“可用”线。成为学术界与产业界3D生成研发的分水岭。所谓3D原生，即训练、监督、生成全过程均在3D空间中进行，类似于将Stable Diffusion的降噪过程从二维扩展至三维空间，从而避免投影和重建环节带来的信息丢失。基于CLAY的全球首个原生3D大模型产品 Hyper3D Rodin在发布之初即实现代差级领先，此后行业主流国内外企业均转向此技术路径。该论文获得国际图形学顶会SIGGRAPH2024最佳论文荣誉提名，系学术界对公司工作的重大认可。
（三）场景级生成与物理建模
2025年，公司进一步实现场景级3D生成能力。用户只需上传一张环境照片，系统即可将场景中的桌椅、电脑、苹果等物件分别独立生成，并按对应位置摆放，同时生成正确的物体间物理关系（如重力、摩擦力、支撑力及摩擦系数等）。该工作获SIGGRAPH2025最佳论文奖，当年同获此奖的其余商业化公司仅有Google和Meta。此外，影眸Hyper3D团队将不确定性显式建模纳入鲁棒轨迹优化，并通过GPU加速使其达到实用速度，让具身在仿真与现实存在偏差时仍能满足安全约束，从而缩小具身的sim-to-real gap。该论文入围具身智能顶会RSS 2026最高奖项最佳论文奖提名。
二、产品能力与技术特性
（一）可调思考深度的生成精度
公司最新一代3D生成大模型Hyper3D Rodin Gen-2.5首次在3D生成领域引入类llm的thinking effort（思考深度）概念，用户可通过调节思考深度控制生成结果的细节量与速度。最快4秒可生成低面数模型，适用于轻量化手游场景、批量测试、UGC玩法等；最长80秒可生成高达1000万面的高精度模型，能够精细还原龙鳞、皮肤纹路、石纹、毛孔等雕塑级细节，适用于游戏高模及光固化3D打印等追求极致写实的场景。通过单一模型即可满足不同应用场景的需求，实现速度与质量的灵活匹配。
（二）3D ControlNet可控生成
2024年3月，Hyper3D上线了业内首个控制生成技术3D ControlNet，把可控性进一步前置到生成阶段。通过边框盒、体素、点云等控制条件，开发者可以预先限定模型的尺寸、轮廓和空间结构，让3D生成从“碰运气”变成“按需生成”。
（三）BANG递归分件
Hyper3D具有业内独家的BANG递归分件功能，支持将整体模型自动拆分为合理部件（如轮椅的手柄、履带、轮子等），便于接入游戏绑定动画和工业设计流程。BANG与基座模型Hyper3D Rodin共享了超80%的权重，拥有大模型级理解能力，能够理解物体的组成逻辑，自动将模型拆分为自然、合理的部件，并支持对拆出的组件继续分解。整个分件过程中，各部件的几何形态和结构关系都能得到完整保留。拆分后的模型可以直接导入Blender、Unity等专业工具，对不同组件进行调整、替换或重新组合，也能够更方便地用于3D打印与多色打印。
（四）3D Editing自然语言编辑
公司系业内首个在3D生成领域实现自然语言编辑的团队。用户可通过文字prompt对3D模型进行局部修改，如将轮椅的履带变为轮子、在马背上添加翅膀等。AI自动框选需更改的部分，仅修改目标区域，其余部分保持不变，且新生成部分与原模型完美衔接。该编辑能力不仅适用于公司自有模型生成的资产，也支持任何人工制作的或第三方平台生成的3D模型。
（五）场景生成
用户可在Hyper3D上传环境照片，模型可以自动识别，或可以通过手动框选场景中的物体即可逐一生成对应的独立3D资产，并在此基础上，预测各资产的几何位置及摆放关系，同时推断碰撞、质量、摩擦等物理属性。场景中每个物体均可添加物理属性并进行物理计算。背后支持的技术源自团队2025年的研究CAST（《CAST：基于单张RGB图像的组件对齐式3D场景重建》），该研究成果斩获SIGGRAPH 2025最佳论文。适用于具身智能仿真训练、影视制作、游戏开发、室内设计、XR内容体验等场景。
三、商业化进展与客户
公司已服务众多全球头部客户，B端客户营收规模超同赛道其他公司的总和，涵盖电商、游戏公司、游戏引擎、3D打印、具身智能、影视、汽车制造、空间计算及工业设计等核心领域，包含全球第二大家居建材零售商Lowe's、字节跳动、亚马逊、上汽、拓竹、Unity中国（团结引擎）等全球知名企业。
四、未来展望
当前公司3D生成主要应用于游戏、电商、影视、具身智能、3D打印、工业设计等领域。未来应用场景的深化和拓展方向包括：一是严肃工业级建模，当模型可控性和精度进一步提升后，可涉猎更多工业级别应用；二是AR/VR场景下的UGC内容需求，当显示介质从二维升级至三维时，3D生成将成为UGC内容的重要供给方式；三是具身虚拟训练场景，为具身提供更大规模的模拟训练环境。
影眸科技Hyper3D通过自研3D原生生成框架，在单物体生成、场景级生成及物理属性建模方面实现了从学术到商业化的完整闭环。公司产品Hyper3D Rodin Gen-2.5凭借可调思考深度、BANG递归分件和3D Editing自然语言编辑、3D ControlNet可控生成等能力，已服务众多全球头部客户并形成规模化应用。目前，3D生成已从游戏、影视等娱乐场景延伸至工业设计、具身机器人训练等领域；未来，随着大模型技术的不断迭代，这些场景应用将进一步深化，并实现由单物体模型生成通向更大规模世界生成的技术愿景。
物流平台Agent化转型实践
高艺铭 满帮集团AI算法总监
一、物流产业演进与平台化背景
（一）物流产业的三个发展阶段
中国物流产业经历了三个阶段的演进。第一阶段为线下交易时代，司机与货主在物流园发布货源信息，沟通半径极小，主要依赖熟人交易。第二阶段为互联网时代，货源与车源逐步上线，信息连接速度大幅提升，但本质上仍是“人找信息”。第三阶段为平台化时代，基于规模化供给与需求形成信用体系和线上交易，并逐步建立履约保障能力，满帮即为货运领域的代表平台。
（二）平台化的局限与智能化需求
平台化阶段仍存在根本局限。以司机为例，平台平均每天为其推送500余票货，信息量越大，选择越复杂。司机核心诉求并非浏览货单，而是综合判断收入目标、线路匹配、后续货源等因素；货主核心诉求亦非发货，而是获得确定性运力。平台提供的仍是信息撮合能力，尚未解决复杂决策问题。此外，传统UI界面仅能覆盖用户80%的共性需求，大量长尾需求难以表达。Agent化转型的本质，即从让人操纵软件转向让人托管目标，通过自然语言界面释放长尾需求。
二、Agent化转型的核心逻辑
（一）司机助理Agent
公司开发了司机助理Agent，其核心能力在于多轮对话的意图理解与市场感知。例如，司机先说“今晚想回南京”，随后又补充“刚才那票货可以接，但至少1500元”，Agent需将三句话合并理解为“寻找回南京的货、价格不低于1500元、距离较近、好装好卸”等强约束与软偏好的组合。同时，Agent能感知市场实时状态并反向建议：当市场上无1500元以上货源时，主动提示司机调整预期至1400元成交。
（二）三方共赢的商业闭环
司机助理Agent已对1万名司机进行灰度测试，使用率从5%提升至40%以上，复用率达71%。对司机的价值体现在：节省2.5小时盯盘时间，空驶距离从50公里缩短至5公里，节省油费约100元，节省1小时找货时间。对货主和平台的价值更为显著：货源发出后可触达全部托管找货目标的司机（理想状态下运力扩大十倍），司机到场时间从1小时缩短至10分钟，成交时间从20分钟缩短至3分钟，大幅提升货主体验，进而提升平台在线渗透率（当前不足20%），实现司机、货主、平台三方共赢。
三、技术挑战与解决方案
（一）24小时在线感知
几百万司机托管任务并不意味着后台需同时运行几百万个Agent循环。公司设计了Driver Agent State机制，持久化存储三项核心状态：Mission（托管目标）、Plan（盯盘计划）和Memory（记忆）。系统以世界事件驱动唤醒Agent，根据请求优先级（对话请求立即响应，周期性事件或市场变化事件可排队或压缩处理），实现持久化——唤醒——休眠的工程模式，使用户感受到秒级响应，同时控制运行成本。
（二）大模型成本与延迟
基座模型能力2025年大幅提升后，理解用户自然语言意图约需10秒，但全平台每天数百万票货逐一走大模型推理的token消耗不可想象，且优质货源会在数秒内被成交下架。公司采用双循环架构解决此问题：第一层循环通过大模型将用户自然语言意图转化为可执行的盯盘策略代码（watch plan），实现真正的千人千面；第二层循环通过盯盘策略调起推荐系统的召回、排序、触达等确定性能力，在货源产生时秒级判断是否推送，成本极低。一次大模型计算，驱动千万次确定性执行，兼顾成本与时效。
（三）安全执行与可观测性
大模型是随机模型，其输出需在上下文隔离的沙盒中运行以保证安全执行。可观测性被视为最重要的能力之一：Agent是每天进化的系统，可观测性记录每次请求的工具调用、上下文组装、模型推理等完整trace，用于还原现场和错误归因。归因后生成golden set进行验证，再通过SFT和DPO强化学习实现与人单次对齐。未来需进一步开展长程任务训练，使Agent决策能力向金牌司机对齐。
四、信任层级与平台角色演进
（一）信任的四层递进
Agent的落地遵循信任递进模型。L0阶段：平台自身对Agent尚不信任，仅在线上做dry run并对比双跑结果。L1阶段：human in the loop，Agent建议经调度员确认后再发给用户。L2阶段：Agent直接与用户交互，人工仅做后期检验。L3/L4阶段：用户给予更高授权，Agent可自主决策，例如在司机开车时自动议价，将1300元的货与货主协商至1450元成交并告知司机这是最优决策。能力决定下限，信任决定上限。
（二）平台角色的演进
过去平台连接人与人，关注DAU；当前平台连接人、数据与服务，关注数据资产与服务护城河；未来平台连接Agent，关注Agent协同系统。平台不再是自由博弈场所，而是通过规则信用、身份授权、状态审计构建可信协同生态，实现“Agent处理不确定性，工程保证执行确定性，平台定义可信协同规则”。
AI Infra 的价值重估：从Token生产到Token调度
靳江明 清程极智COO
一、AI Infra面临的双重门槛与价值重估
（一）从技术能力到交付能力的双重门槛
当前中美大语言模型技术差距已缩短至3到6个月，整体不超过一年，AI已深入企业与个人生产生活，关注点从“有没有用”转向“怎么用、如何赋能”。但从基础能力到交付能力之间仍存在两个门槛：一是Token生产，需具备足够的技术能力、芯片和集群以生产Token；二是Token调度，需将Token有效分配至不同个人或企业手中。这两步正是AI Infra需要解决的核心问题。
（二）供需差异化与价值评估重构
需求侧高度分化，既有问答式需求，也有代码生成需求，还有视频模型、世界模型、3D模型等不同模态需求。供给侧同样多元，中国模型厂商众多（MiniMax、Kimi、DeepSeek、智谱等），开源模型丰富，服务商涵盖云运营商国家队、地方政府团队及民营企业。价值评估发生重构，从“模型好不好”转向“能否解决具体问题”。在Agent场景中，一个工作流可能涉及数十次调用，不同步骤可能需要不同性价比的模型；单次调用99%的成功率在多次调用后链路成功率会显著下降，直接影响商业可行性。
二、Token的非标品属性与服务化趋势
（一）Token更像水而非电
公司认为Token并非标准品，而更像水：电力仅有电压等级之分，而水则衍生出工业用水、生活用水、饮用水、矿泉水、蒸馏水，进而衍生出茶、奶茶及各类饮料品牌。同理，不同企业、不同场景所需的Token完全不同。同一模型不等于同一服务（如蜜雪冰城数万家加盟店口味各异），同一Token也不代表同一价值（打包带走、现场定制、去冰少糖等差异）。因此，AI Infra不能仅做模型和算力适配，必须将模型、算力与服务三者串联，方能构建真正的护城河。
（二）价值迁移：从算力规模到可持续交付能力
过去几年行业以“囤多少算力、买多少芯片、多少P算力”为评估维度。当前评估维度已转向可持续交付能力，包括生产成本、集群运营效率、服务稳定性和质量。终端用户不关心算力来源（英伟达或国产），更关注能提供何种模型、Token服务是否持续可靠、是量化版本还是满血版本、是否有专属资源池等。在代码生成等持续性场景中服务必须稳定，而在零散场景中容忍中断。AI Infra的价值不在于拥有多少算力，而在于能否持续提供可靠的Token。
三、Token生产：国产算力的技术路径
（一）K×M×N框架
中国与美国在算力上存在根本差异：美国以英伟达为主，而中国已有十余种主流算力芯片。清程极智已服务超10家芯片企业。过去行业以“N个模型×N个芯片”概括中国AI Infra，公司认为当前应升级为K×M×N：K为不同行业对Token和算力的差异化需求，M为模型，N为芯片。不同行业需要不同尺寸的模型、不同性价比的服务，这要求AI Infra具备深度的行业理解。
（二）国产算力的发展现状与展望
公司成立于2023年底。2024年重点在国产芯片优化适配，2025年开始提供一体机、集群等服务化产品。当前国产算力已向转化为生产力转变，在国内新建算力中占比持续提升，未来几年预计国内算力建设80%以上以国产为主。今年下半年至明年国产芯片新品有望对标英伟达H100/H200水平，虽与B300和Rubin仍有差距，但推理场景的算力爬坡不存在障碍。核心技术工作包括算子优化、框架适配、并行方案和PD分离服务（英伟达与国产芯片混合部署），逐步实现从纯英伟达向纯国产的过渡。
（三）开源推理引擎
清程极智的赤兔推理引擎是国内唯一对标美国vLLM和SGLang的推理引擎，全面开源，与各国产芯片厂商共建生态，目标是将国产芯片从模型适配能力转化为具备性价比、可规模化生产Token的能力。
四、Token调度：评测与智能路由
（一）持续评测体系
Token调度以持续评测为起点。评测维度不限于模型效果，还涵盖服务价格、Token延迟、输出速度、请求稳定性和负载均衡等。不同场景对延迟敏感度不同，需综合评估整体Token服务能力。缺乏评测和路由能力，则难以持续做好客户服务。
（二）Token服务平台与智能路由
公司Token服务平台已聚合30余家Token服务商及自持算力，提供五六百个模型服务（含量化版本和服务变体），服务超10万用户（含3000家企业和十几万个人用户），日均调用量超千亿。智能路由并非选择最便宜的模型，而是根据用户硬性约束（质量、延时、亲和性）和多目标排序，实现整体最优。在Agent多链路调度场景中，对路由算法和评测能力提出更高要求。
五、AI Infra的壁垒与增长机会
（一）三大核心壁垒
一是系统工程壁垒。Token服务非简单部署即可使用，缺乏整体工程能力则生产效率低下甚至亏损。二是异构适配壁垒。未来2-3年中国算力仍将稀缺，需整合国产存量算力、新增国产算力与英伟达存量算力，形成统一Token服务平台，当前仅少数企业具备此能力。三是生产交付闭环壁垒。基于K×M×N框架，需深入了解不同行业对Token的偏好和价值体系，做好反馈闭环。
（二）三类结构性增长机会
一是推理需求增长。当前主要服务云端API推理，未来机器人等边缘端推理将带来巨大增量空间。二是国产算力服务化。中国模型能力与美国差距不到一年，但高端芯片差距约三代（6-8年），未来5-10年内模型能力强而芯片能力不足的结构性问题将持续存在，AI Infra通过技术手段整合国产与英伟达算力、提供不亚于纯英伟达的服务能力，是未来3-5年的重要增长机会。三是Token/Agent规模增。Agent从L0/L1向L3/L4演进，更多行业将Token和Agent整合至业务链条中，Token需求有望以每年10倍至100倍速度增长。
清程极智认为，AI Infra的核心价值已从算力规模转向Token的可持续交付与调度能力。公司通过K×M×N框架、开源推理引擎和智能路由平台，构建了从Token生产到Token调度的全链路服务能力。未来，随着国产算力占比提升和Agent应用深化，AI Infra将迎来推理需求增长、国产算力服务化和Token规模化三重结构性机会。投资AI Infra，本质上投资的是AI持续运营的能力，而非单一技术。
从Token到材料：AI forMaterials 解锁材料研发新范式
滕辉 深度原理副总裁、融资及投资者关系负责人
一、AI for Science成为生成式AI向物理世界拓展的重要方向
深度原理是一家利用人工智能技术探索新材料的新材料科技公司，公司希望通过AI发现具有产业价值的新材料，重点聚焦能够推动下一代技术变革的重要材料领域。公司认为，当前人工智能正处于第四轮技术浪潮，生成式AI正在从信息处理领域向物理世界拓展。其中，宏观物理AI主要包括具身智能、世界模型、自动驾驶等方向，而微观物理AI则聚焦分子、原子尺度的科学研究，包括AI制药、AI材料等领域。材料研发作为微观物理AI的重要应用方向，有望借助AI技术改变传统研发范式。
传统材料研发主要依赖实验、模拟计算以及机器学习预测等方式，但长期存在效率、成本和精度之间的矛盾。实验方式具有较高准确性，但研发周期长、成本高；计算模拟能够提升效率，但通常需要牺牲部分精度；传统机器学习预测虽然能够发现材料性质规律，但更多停留在结果预测层面，无法解释背后的化学反应路径。公司认为，生成式AI能够突破传统研发模式，通过建立分子生成、性质预测以及化学反应网络，使AI不仅能够预测材料结果，还能够理解材料形成过程，从而推动材料研发由“经验试错”向“AI驱动”转变。
二、打造“AI科学家”，实现材料研发全流程闭环
深度原理希望打造面向材料研发的“AI科学家”，实现从研发需求输入到新分子、新配方、新材料输出的端到端流程。整体架构包括三层：1）第一层为智能体层（Agent）。通过自然语言交互，帮助研发人员进行方案设计、任务执行以及研发过程审查和优化；2）第二层为模型层。公司围绕材料研发流程开发多个专业模型，包括分子生成、分子性质计算、化学反应网络预测等能力，为材料研发提供垂直领域AI能力；3）第三层为数据与实验层。通过底层数据积累和高通量实验室，对模型结果进行验证，并形成“预测—实验—反馈—优化”的持续迭代闭环。公司认为，与AI Coding通过代码运行形成闭环类似，AI材料研发需要依靠实验室完成模型能力验证和持续进化。
在技术路径方面，公司认为微观物理AI主要存在三类方向：1）加速计算，即输入分子结构并计算其性质，能够提升计算效率，但无法创造新的材料结构；2）静态黑盒生成，即根据目标需求生成满足条件的分子结构，但无法解释生成过程和合成路径；3）动态白盒生成，即不仅能够生成满足需求的分子结构，还能够解释如何合成该分子。公司认为，动态白盒生成是推动AI for Materials从科研探索走向产业应用的重要路径，能够解决材料研发中“发现材料”和“制造材料”之间的衔接问题。
三、数据体系与实验闭环决定AI材料研发能力
公司认为，AI材料研发的核心竞争力在于算法、数据和实验体系的结合，需要建立完整的数据闭环体系。整体数据体系包括三部分：1）公开数据，用于提供基础知识和行业信息；2）第一性原理计算数据，通过微观尺度计算获得分子结构、材料性质及化学反应路径，使模型具备预测和生成能力；3）真实实验数据，通过高通量实验室获得，用于验证模型结果并持续优化模型能力。
不同于传统AI应用，材料研发最终需要在物理世界完成验证，因此实验室是AI材料闭环的重要组成部分。公司已建设L4级高通量实验室，将模型预测结果转化为实验方案，并将实验结果反馈至模型，实现模型持续学习和优化。以冷却液材料研发为例，公司通过AI构建数百万规模分子库，通过性质预测和筛选缩小候选范围，再进一步开展实验合成验证。无论实验成功或失败，相关数据都会用于模型训练，提高下一轮预测准确率。
四、AI材料商业模式从模型服务向材料资产延伸
在商业模式方面，公司探索多层次商业化路径。第一类是模型及Agent能力输出，通过软件平台向客户提供材料研发模型能力，并按照算力或Token使用量进行收费；第二类是AI辅助材料研发服务，利用自身模型能力和实验室能力帮助客户开发新材料，根据研发阶段收取费用，并参与后续商业化收益分成；第三类是自研材料管线，公司通过AI自主发现和开发具有商业价值的新材料，将成果沉淀为公司IP资产，打造AI驱动的新材料企业。
公司成立于2024年，目前已获得来自大型跨国企业、新材料企业、消费电子企业以及AI制药企业等客户订单。未来，公司将围绕市场需求定义、AI计算验证、实验研发以及IP资产化建立完整研发体系，通过算法、实验室和自研材料管线协同发展，推动AI for Materials进入产业化阶段。
AI短剧专题：AI重塑短剧出海最后一公里
吕少龙 星云平台CEO、灵矩科技联合创始人
一、AI推动短剧行业进入产能跃迁阶段，海外市场成为重要增长方向
星云平台最早以网络文学业务起家，后于2022年开始向AI短剧领域转型，经历真人实拍短剧、AI短剧、2D漫剧、3D漫剧、仿真人剧等多个阶段，目前重点布局AI短剧出海业务。
公司认为，AI技术正在推动短剧行业生产模式发生变化。传统真人实拍短剧受限于演员成本、制作周期等因素，产能提升空间有限，而AI赋能后，短剧生产效率实现大幅提升。过去公司真人短剧月均开机约30部，而采用AI制作后，最高单月产量达到约2000部，单部剧时长约80-120分钟，实现百倍级产能提升。目前行业每天新增AI短剧数量约1500-2000部，月新增数量达到数万部，AI正在推动短剧行业从内容生产稀缺走向内容供给过剩。
从市场规模来看，国内AI漫剧市场2024年规模约168亿元，2025年预计超过400亿元；若叠加真人实拍短剧，整体AI短剧市场规模有望达到700-800亿元。海外市场同样处于快速增长阶段，2025年海外AI短剧市场规模约1亿美元，预计2026年达到6.5亿美元。相比国内以广告变现为主，海外市场付费模式更加成熟，订阅、单次付费（IAP）等收入占比较高，商业化空间更大。公司认为，海外短剧市场仍具备较大增长潜力。目前海外短剧用户规模约1亿，而海外短视频用户规模约18亿，未来市场仍具备十倍级增长空间。
二、国内短剧商业模式面临瓶颈，出海成为重要突破方向
公司认为，国内AI短剧行业当前面临三方面问题：1）收入结构抗风险能力较弱。国内短剧主要依赖平台分账和投流两种模式，其中平台渠道集中度较高，对平台政策变化较为敏感；投流模式则面临ROI持续下降，目前整体ROI已被压缩至1.1以内，单部剧生命周期通常仅约三天，商业确定性降低。2）第二，流量增长进入瓶颈。随着用户进入存量竞争阶段，短剧行业需要更加精细化运营，包括用户画像、题材匹配和发行策略优化。公司已针对用户群体进行细分，根据不同用户偏好指导内容生产，但整体盈利能力仍受到流量约束。3）第三，行业缺乏长期沉淀阵地。短剧用户更多关注内容本身，而非制作品牌，用户通常不会记忆制作方，因此通过品牌化形成用户复利较为困难。基于上述问题，公司认为国内短剧行业需要寻找新的增长路径，而海外市场具备更大的渠道空间和商业化潜力。
三、AI短剧出海类似跨境电商发展路径，行业正处于生态重构阶段
公司认为，AI短剧出海的发展路径与跨境电商较为类似，大致可以分为四个阶段：1）第一阶段是规模化铺货，即将国内已有内容进行翻译和发行，通过YouTube、TikTok等海外渠道快速测试市场。2）第二阶段是本地化精品化生产，根据不同国家文化体系、IP资源和用户偏好，制作符合当地市场需求的内容。3）第三阶段是建立独立平台，通过APP等方式沉淀用户，实现自身渠道建设。4）第四阶段是打造全球化IP，实现内容生产、用户运营和商业化体系的全球布局。目前AI短剧出海行业处于多阶段并存状态。一方面，部分企业仍处于内容铺量阶段，通过大量发行获取市场反馈；另一方面，部分企业已经开始探索本地化内容、独立APP以及区域市场运营。同时，由于海外市场较为分散，中国企业正在提前布局不同国家和地区，形成区域化竞争格局。
公司认为，AI短剧出海产业链可拆解为三个核心环节：1）原材料，包括文化素材、IP资源和本地人才；2）产品制造，包括算力、AI工具和制作流程；3）销售渠道，包括自有APP、账号矩阵以及当地渠道。当前来看，内容生产、技术能力和部分渠道能力均可以在国内完成，而收入以海外美元计价、成本以人民币计价，具备较好的商业模式优势。
四、AI降低短剧生产门槛，未来或形成类似MCN的新型生态
公司认为，AI工具的发展正在降低短剧创作门槛，类似2016-2018年短视频行业中剪辑工具推动普通用户成为内容创作者，AI也正在推动“人人生产短剧”的时代到来。
过去短剧生产需要创意、编剧、制作等多个团队协作，而AI正在将这些环节整合，通过工具降低制作门槛。未来行业可能出现类似MCN的新型组织模式。公司参考MCN行业的发展路径，认为AI短剧生态可能经历三个阶段：1）第一阶段，低门槛、高回报阶段，核心是快速签约创作者、寻找爆款内容；2）第二阶段，平台规则逐步成熟，头部机构分化，行业进入精细化运营阶段；3）第三阶段，行业红利消退，机构竞争转向内容深度和系统化运营能力。
基于此，公司选择布局KOC（普通创作者）模式，而非传统KOL模式。公司计划通过赋能普通创作者生产短剧，并提供发行和商业化能力。目前公司采用团长模式，将较高比例收益分配给创作者，通过利益机制推动创作者裂变。公司分享案例显示，一名普通宝妈通过公司提供的剧本制作海外短剧《Lost at TI》，最终获得近4000万播放量，并获得5万美元分账收入。公司认为，AI短剧有望成为普通创作者实现内容创业的新机会。
五、未来竞争核心或从内容生产转向全球化分发能力
公司认为，未来AI短剧行业竞争不仅体现在供给侧，也将体现在渠道和分发侧。当前国内内容生产高度依赖固定用户分类体系，但全球市场具有更加复杂的文化和用户差异，传统用户画像方式可能无法完全适用。未来可能出现面向全球市场的新型分发平台，通过全球化视角进行用户切分、渠道匹配和内容分发，提高内容触达效率。基于自身内容生产和发行能力，公司未来计划建设海外短剧分发平台，研发和利用Al提高分发效率、分发精准度，同时结合OPC赋能模式，帮助更多创作者生产内容并实现海外商业化。公司认为，随着AI持续降低内容生产门槛，行业价值将逐渐从单纯的内容制造，转向“内容生产+全球分发+用户运营”的综合能力竞争。
世界模型专题：飞渡科技峥嵘大模型全球化商业最佳实践
董肖 飞渡科技CEO
一、空间智能成为世界模型落地的重要基础设施
飞渡科技定位于“空间智能基础设施”公司，长期专注于空间数据、空间计算及空间智能技术研发。公司成立于2017年，早期主要围绕空间数据算法和数据标准建设，解决空间智能发展过程中最基础的数据管线问题。2019年，公司发布第一代空间智能数据引擎；2021年成立AI研究院，布局AIGC空间大模型研发；2022年打造国产化渲染推理引擎，实现大规模空间数据实时计算与渲染；2024年正式发布空间模型，并转型成为世界模型基础设施公司。
公司认为，区别于当前部分聚焦模型能力的世界模型企业，空间智能的发展核心在于完成从数据底座、空间引擎到行业智能应用的完整闭环。飞渡科技经过多年积累，已经形成从空间数据引擎、数据标准、空间软件产品到空间智能产品的逐步演进路径，并在城市治理、能源、交通、低空经济等多个领域实现商业化落地。
二、数据底座与空间引擎构成空间智能核心壁垒
公司认为，数据是世界模型时代最核心的竞争要素之一。飞渡科技依托多年空间数据积累，形成自主空间数据标准体系，并建立百亿级真实空间数据语料库。公司表示，目前主流大模型训练数据规模通常在千万级至亿级，而飞渡科技已经积累超过百亿级空间数据，并通过持续的数据采集、处理和反馈形成数据飞轮。公司自主研发的3DC数据标准实现空间数据统一编码，使海量空间数据能够进行向量化处理，为空间大模型训练提供基础。
在底层计算能力方面，公司推出国产化渲染计算引擎DTS，定位为大规模空间数据实时渲染和推理基础设施。该引擎支持万亿级图形数据瞬时加载，可在全信创环境下运行，并适配国产GPU、鲲鹏等国产计算平台。公司认为，DTS实现了对传统商业渲染引擎的国产替代，是空间智能产业化的重要基础设施。
三、空间大模型从生成、理解到推理，推动行业智能化升级
公司认为，空间智能真正的价值不在于生成三维可视化场景，而在于将空间从“可视化”升级为“可计算、可推演、可调度”的智能体，从而辅助复杂产业决策。飞渡科技围绕空间智能构建了“生成—理解—推理”的大模型能力体系，并结合行业智能体和边缘推理硬件，形成覆盖16个行业、40多个细分领域的解决方案，目前已服务超过5000家中国国央企客户。
在模型能力方面，公司已实现工业级3D生成与理解能力，并在国家网信办完成备案。公司表示，其空间模型在高精度数据集训练基础上，相比部分开源模型，在生成精度、效率、几何结构及纹理真实性方面具备明显优势。区别于单纯依赖数据训练的模型路线，公司选择通过传统工业仿真结果强化模型训练。公司将交通、水动力、气象、海洋、灾害推演等领域的物理仿真结果融入模型，使AI具备更强的机理理解能力。目前，公司已形成面向自然灾害预测、污染扩散、城市交通、能源管理等场景的自主知识产权模型体系。
四、空间智能在城市治理、机场、低空等场景实现商业闭环
在海外市场，公司打造了多个国家级空间智能平台案例。其中，阿联酋项目定位为“国家级平台之平台”，目标是利用AI辅助国家能源韧性、交通调度、物流运输、农业生态、气象预测及海洋灾害等领域决策。通过空间智能平台，城市变化分析周期由月级缩短至周级甚至更短，城市宜居评估报告由30天缩短至12小时。
在机场场景，公司将室内外三维空间数据与AI决策模型结合，将传统空间可视化升级为可计算、可推演的智能运营系统。目前，公司已在国际机场场景实现应用，可覆盖航站楼管理、地勤调度、航班保障、人员行为监测等业务，提升运营效率并降低建设成本。相关能力已拓展至新加坡樟宜机场、卡塔尔及沙特等市场。
在低空经济领域，公司通过空间智能平台实现城市低空环境数字化建模，为无人机航路规划、微气象预测、空域资源管理和异常事件检测提供支撑。目前，上海、重庆、深圳、青岛等城市的低空经济建设均采用相关空间智能能力。
此外，公司参与上海量子城市建设，构建覆盖海陆空、地下空间的一体化三维数字底座，实现城市全域空间数据融合，并叠加行业智能体，用于自然语言检索、城市规划和决策分析。
五、商业模式从行业解决方案向国产空间智能基础设施延伸
飞渡科技商业模式正在由单一行业解决方案向基础设施平台演进。一方面，公司通过空间智能模型和行业智能体服务政府、企业客户；另一方面，公司推出自主可控空间智能一体机，实现国产化渲染与推理能力部署。该一体机核心采用国产芯片、国产GPU和国产模型体系，通过飞渡科技引擎优化后，将国产GPU图形计算能力提升至接近高端消费级GPU水平，推动空间智能能力从“可用”向“好用”升级。
公司认为，未来空间智能产业的发展路径类似于AI基础设施演进，需要同时具备数据、模型、算力和行业应用能力。飞渡科技希望成为全球空间智能基础设施提供商，推动空间智能在城市、工业、能源、交通等领域规模化应用。
六、全球化布局加速，公司进入商业扩张阶段
飞渡科技自2022年开始布局海外市场，已覆盖中东、东南亚等多个区域。2023年，公司进入阿联酋市场；2024年中标新加坡樟宜机场等项目；2025年获得阿布扎比国家级空间智能平台项目；2026年进一步拓展沙特、卡塔尔、印尼、马来西亚、老挝及韩国市场。公司目前已覆盖20多个国家，海外跟进订单规模超过10亿美元，并计划未来三年进入50个以上国家市场。
公司目前已形成较强研发和产业生态能力，拥有90余项发明专利、140余项软件著作权，并参与多项国家级重大专项。国内空间智能市场占有率持续领先，已服务超过5000家客户，助力100余个城市数字化转型。未来，公司将继续围绕空间数据、空间模型、行业智能体和全球化市场展开布局，推动空间智能从数字化基础设施向AI驱动的决策基础设施演进。
人工智能基础设施的现状和思考
王梦菲 无问芯穹COO
一、智能体时代开启，AI Infra成为产业发展的关键基础设施
无问芯穹认为，人工智能正在进入以智能体（Agent）为核心的新阶段，Token将成为继水、电之后驱动新一轮产业革命的重要资源。随着AI从辅助问答逐步走向自主执行任务，整个产业对算力基础设施提出了新的要求。
根据OpenAI提出的AI发展阶段划分，行业已经从早期的对话式AI进入推理型AI，并进一步迈向智能体AI阶段。早期AI主要以被动响应为主，模型根据用户输入生成结果；而智能体AI能够自主规划任务、调用工具并完成复杂流程，使Token消耗量快速提升，算力需求较传统场景提升1-2个数量级。公司认为，智能体时代对AI基础设施提出了新的挑战：一方面，需要支撑更大规模、更复杂的算力负载；另一方面，需要保障任务执行准确性、安全性和稳定性。因此，未来AI Infra的核心价值在于如何提升Token生产效率，让有限算力资源更加高效地转化为生产力。
二、AI算力供需持续错配，高效Token供给成为核心矛盾
从产业发展规律来看，每一次AI技术突破都会带来需求快速增长，而算力供给通常呈线性扩张，导致供需缺口不断扩大。例如DeepSeek等模型发布后，大量用户需求快速涌入，算力资源短时间内出现紧张。公司认为，当前国内市场的供需矛盾更加突出。一方面，受先进算力获取限制影响，国内高端GPU资源储备不足；另一方面，国内算力建设较为分散，早期部分智算中心缺乏长期规划，导致算力资产规模较大，但实际利用率偏低。此外，国内同时存在多种国产芯片架构，使算力资源管理和调度复杂度进一步提升。未来AI Infra企业的重要任务，是通过软件和平台能力提升国产及异构算力利用效率，弥补供给不足与需求爆发之间的差距。
三、AI Infra从算力租赁走向技术服务，独立基础设施厂商迎来机会
无问芯穹认为，AI Infra产业可分为两类企业：一类是算力资源租赁型企业，另一类是具备技术服务能力的基础设施企业。区别于传统CPU云时代，GPU时代的基础设施管理具有更高技术门槛。大模型训练通常需要千卡、万卡级集群，而推理场景则需要根据不同任务需求进行动态调度，对资源管理、任务编排和集群优化能力提出更高要求。因此，单纯提供算力租赁的模式未来覆盖范围有限。
公司判断，在2026年之前，行业仍以训练需求为主，算力租赁模式占据一定市场空间；随着智能体应用快速发展，推理需求将成为主要增长方向，单纯提供硬件资源无法满足企业需求，具备技术能力和平台能力的AI Infra服务商将逐渐成为市场主流。同时，公司强调独立AI Infra厂商的价值。独立厂商通常不参与大模型研发，能够保持中立立场，更好服务不同模型厂商和国产芯片生态。相比之下，云厂商由于自身模型业务布局，在第三方模型和多元芯片支持方面存在一定限制。
四、无问芯穹构建全栈Infra能力
无问芯穹认为，提升AI生产效率需要解决三个核心问题：1）提高可用计算资源规模。由于国内先进算力储备不足，公司重点布局多元异构计算能力，通过支持国产芯片提升整体算力供给能力。2）提高算力向Token的转化效率。公司通过软硬协同优化技术，对训练和推理过程进行优化，降低模型运行成本，提高计算效率。3）推动Token向实际生产力转化。随着企业进入智能体应用阶段，AI Infra本身也需要智能体化，通过智能化运维和自动化调度适应新的AI工作流。
基于上述问题，公司形成三大产品体系：1）平台软件。帮助企业搭建AI资源管理平台，实现训练和推理任务管理；2）MaaS服务。通过API方式提供模型调用能力，以Token形式完成AI能力交付；3）AI能力定制服务。围绕企业需求提供后训练、智能体定制等解决方案。
五、多元异构、软硬协同和智能体化成为核心技术壁垒
在多元异构方面，无问芯穹平台目前支持16款主流国产芯片，解决不同芯片架构之间的统一调度问题。公司认为，国产算力生态面临三方面挑战：1）芯片种类多，需要统一管理平台；2）算力资源分散，需要解决跨集群协同问题；3）企业数据分布于本地和云端，需要兼顾安全性和灵活性。
在软硬协同优化方面，公司通过通信优化、计算优化等多个技术模块，提高训练和推理效率。随着算力逐渐成为模型企业最大的成本项，提升单位算力产出效率将成为重要竞争方向。此外，传统基础设施主要围绕人工操作和界面交互设计，而未来智能体将成为主要使用者，Infra需要具备自主调度、自我管理和任务闭环能力。无问芯穹目前已将智能体应用于自身基础设施管理，包括资源上下架、故障排查和运维协作等环节。
六、商业模式进入高速增长阶段，构建AI Infra产业闭环
无问芯穹成立于2023年，2024年开始商业化，目前客户主要包括大模型企业及产业客户。公司认为，其增长来自AI Infra产业闭环的形成：首先，公司通过多元异构能力整合国内算力资源；其次，与智谱、Kimi等头部模型企业合作，持续优化推理效率；最后，通过降低Token成本、提升效率和质量，形成商业收入，并进一步投入算力生态建设。公司目前已建立较强的MaaS业务能力，推理业务成为主要增长来源，并成为独立AI Infra厂商中自部署模型Token调用规模领先的企业。
未来，公司规划经历三个发展阶段：第一阶段，成为大模型时代领先的AI Infra平台，参与中国算力网络建设；第二阶段，随着智能体发展，持续升级基础设施能力，使其适配新的AI工作流；第三阶段，拓展至具身智能等物理世界应用，布局云端协同的下一代AI基础设施。公司认为，随着AI从模型能力竞争转向应用规模化落地，AI Infra将成为连接芯片、模型和应用的重要基础设施环节，而具备技术中立、多芯片适配和智能化调度能力的平台型企业将获得长期发展机会。
- end -
? 相关文章
分会场6：退出之道：多元策略与实战路径
中国股权市场深度研究：复苏蕴分化，重构焕新生
中信证券第五届股权投资会议召开——智拓新征程
本会议为非公开闭门会议，相关会议内容仅面向参会人，未经发言人及主持人授权，请勿直接或重新整理外传会议的声音、画面、讲稿、纪要等信息。对违反上述要求的行为我司保留追究的权利。
本文所载的资料、观点及预测仅用于信息参考及投资逻辑分享，而不构成任何具体的投资操作意见。投资者在进行具体投资决策前，还须结合自身情况并配合其他分析手段。本文提及的任何证券或金融工具均可能含有重大的风险，投资者不应单纯依靠相关信息而取代自身的独立判断，还须自主作出投资决策并自行承担投资风险。中信证券不对使用本资料所产生的任何直接或间接损失或与此有关的其他损失承担任何责任。市场有风险，投资需谨慎。
本资料若涉及任何问题可能对嘉宾观点形成宣传或进一步扩散的行为，还请事前征求发言嘉宾本人意见。涉及会议纪要内容的任何解读行为，还请联系相关客户经理协助您进行确认。感谢您的理解与配合。
特别声明：特邀参会嘉宾在交流中表达的观点属个人意见，不代表中信证券立场。
关于我们
中信证券研究网站：
https://research.citics.com
添加权限请联系您的对口客户经理
中信证券研究服务小程序：
中信证券研究服务
添加权限请联系您的对口客户经理
评论 (0)