A股策略：AI改变世界 企业该如何应变？

本期投资提示：

    谈到DeepSeek 为代表的人工智能大模型对我们可能产生的影响，投资者或者聚焦于产业链投资机会，或者关注如何应用相关AI 工具提升工作效率，或者关注其对买方卖方投研的影响，但其实最需要研究的是AI 对企业运营方式、商业模式、竞争格局、企业战略乃至实体经济的影响。唯有回答清楚这些问题，才能真正理解哪些公司在AI 浪潮中面临挑战，而哪些公司可能站立在时代的潮头，值得长期投资。我们尝试对这个问题做出回答，未必全面，但希望能起到抛砖引玉的效果。

    我们理解的AI 能力边界：执行，但不验收。当前各类AI 大模型，均能在明确目标的前提下，高效输出结果，但无法自行评估其输出内容的质量，比如：『1』搜集信息，但不验证。

    优先考虑多次出现的数据与观点、以至于“三人成虎”—— 但有时，真理只属于少数人。

    『2』生成内容，但不选择：哪张图片更好，哪种设计更优，需要主观选择 —— 很多东西无所谓优劣，只有是否合适。核实信息质量需要经验，选择更棒的内容需要审美，这是人更擅长的领域。因此，AI 浪潮必然从根本上重构人们的工作方式，形成：人提问->AI执行->人验收的“人机协同”工作流。这要求人们做好质检员和鉴赏家，创新精神、批判性思维和审美能力，将成为未来教育的重点。而“创新精神+批判思维”才能善于提出问题，而提出好问题或许才是人类在人工智能时代的重要竞争力。

    传统企业需要调整公司文化适应AI 时代，以“AI in ALL”的勇气赋能各环节。正因为AI对简单重复性劳动的强替代潜力，必然触发员工的本能抵触。作为企业，需要主动推动“人机协同”文化，提升员工使用AI 的能力。另外，应全面梳理、主动挖掘AI 在各业务条线的应用潜力，比如：『1』研发环节，模拟实验：在研发过程中，通过AI 模拟仿真，对产品的性能、结构等进行虚拟测试和优化，如在汽车研发中，AI 可以模拟汽车在不同路况下的表现，大大减少实际物理实验次数。『2』生产环节，流程优化：通过对生产数据的实时监测和分析，优化生产流程和工艺参数，提高效率和产品质量的稳定性。『3』销售环节，需求预测：通过对客户历史购买、浏览行为等多维数据分析，预测客户购买意向，有助于提前调整产品策略并管理库存。

    从牌照壁垒到数据壁垒，从经验驱动到数据驱动。大模型以数据为原材料、以算力为燃料，前者决定输出质量、后者决定输出效率，正所谓“Garbage In，Garbage Out”。这意味着，在DeepSeek 开源导致AI 平权之后，占据数据优势的生产者能够迅速启动数据飞轮效应：数据优势 -> 更好体验 -> 更多用户 ->更大的数据优势，进而相较行业新进入者，构建强大的数据护城河。此外，通过AI 强大的分析能力替代传统的经验决策，企业将从经验驱动进化为数据智能驱动。

    从单打独斗到生态竞争。AI 依赖高质量数据流，促使部分领域的企业从封闭式运营，转向开放式协作，比如『1』供应链管理中：AI 代理通过与上下游系统实时交互，实现库存自动监控，形成智能协同网络。『2』医疗领域：不同医院、科研机构之间通过建立数据共享平台，将患者的病例数据、影像数据等进行整合。药企通过接入这一数据生态，可以显著加速新药的研发进程。

    从资源稀缺到算力稀缺。DeepSeek 出现之前，是大模型的密集训练期。这一阶段，以中美科技巨头闭源、竞争性训练为主要特征，具备强计算力、大储存量的训练芯片是“硬通货”。DeepSeek 强大+低成本+开源的组合，使得AI 模型从实验室走向市场，AI 应用即将井喷。这一阶段，低成本、低延迟的推理芯片需求有望指数级扩容，算力即将像工业革命中的钢铁一般供不应求。

    从标准化产品到个性化服务，人人皆希望以“我”为中心，订制模式成为大多数行业的标配。在AI 时代，消费者在使用过程中产生的数据，成为生产资料的一部分，这将使批量制造的标准化产品，在使用过程中逐步变得个性化，更贴近具体用户的偏好和需求。这一背景下，传统实体商品都将产生“软件化”的趋势，通过增加终端应用，获取数据、本地计算、即时反馈。汽车行业是个典型的例子，从传统油车到智能汽车，软件价值量占比越来越高。

    无需担心通缩：降本但也刺激需求。大模型降低信息&知识成本+与机器人结合后，降低物理操作成本，两者叠加，生产成本有望显著降低。因此，一些投资者担心AI 会导致通缩，但其忽视了AI 赋能后产品力的提升，必然大幅刺激终端需求。以曾经的手机行业为例，在智能机诞生前，功能机由于创新停滞已一度走上“镶钻”的消费品涨价之路，智能机的普及没有带来降价，反而由于高速迭代刺激高频换机潮。

    监管与伦理问题凸显，企业需平衡技术创新与合规成本。比如欧盟《人工智能法案》于2024 年8 月1 日正式生效，要求：『1』高风险AI 应用在开发过程中进行详细的风险评估，涵盖技术安全性、数据隐私、算法偏见等多个维度；『2』企业必须使高风险AI 系统具备更高的透明度，能够向用户和监管机构解释算法的决策过程和逻辑；『3』企业需建立更完善的数据管理体系，确保数据的合法性、准确性和安全性。

    风险提示：AI 技术进步不及预期。