高盛-深度解码AI发展趋势和投资机会

寒叔简评：

对于云服务商来说，我目前并不是特别看好 Meta（请注意这并不是预测META衰落或股价下跌）

因为它虽然有让 AI 提升自己的营收和利润，但都是间接的，主要是提升广告的效率；不像亚马逊和谷歌，是直接通过销售 AI 相关的云服务来赚钱。

对于芯片公司来说，我认为训练和推理是两个巨大的市场。

英伟达在训练方面的垄断地位暂时没有受到威胁。

价格与成本曲线的剪刀差：

推理 Token 的价格与成本曲线表明，超大规模云服务商与 LLM 提供商的底层单位经济效益正显著改善。

领先的 LLM Token 价格在前期骤降后已企稳甚至回升，而由英伟达、博通、AMD 和美满电子（Marvell）驱动的全额计算成本下降更快。这种“价格企稳、成本下行”的剪刀差预示着，2030 年 Token 消耗量的爆发不仅反映了营收增长，更是 AI 价值链利润率的整体扩张。

从成本驱动向利润扩张转轨：

AI 周期正从“算力即成本”的第一阶段，转向边际利润驱动的新阶段。随着英伟达、谷歌 TPU、AMD 及 Trainium 等计算成本持续下降，Token 价格与成本的脱钩已成定局。

这意味着代理式 AI（Agentic AI）的普及将不再稀释利润，而是能以极具吸引力的边际利润转化为收益，行业正从利润不确定性迈向高盈利能力的确定性转折点。

代理式 AI 的经济飞轮：

计算成本的下降正驱动代理式 AI 形成自我强化的经济飞轮：低成本催生更复杂的代理；

这些代理通过长上下文、多轮循环与持续监控消耗更多 Token；高利用率进而改善基础设施的经济效益，支持供应商持续投入模型质量与分发。

这一逻辑反驳了“AI 仅是不可持续成本负担”的流行叙事，揭示了规模效应下的正向循环。

寒叔简评：

Token 成本的降低，除了直接带来大模型公司利润的增长，同时还会因为价格的下降，推动更广泛的使用。

举个例子，智能手机的价格不断降低，或者是聊天软件的免费使用，让它普及到了全球的任何一个角落。

虽然免费了，但这些科技巨头还是能通过几十亿的日活用户把钱给赚回来。

边际经济效益与投资结论：

尽管同质化工具的竞争压力可能导致 Token 价格降幅超过成本降幅，但加速器效率、模型优化及缓存技术仍有巨大的降本增效空间。核心结论并非所有 Token 均能盈利，而是智能体 AI 的边际经济效益将随消耗量激增而改善。

这种结合预示着智能体经济将比单纯的聊天机器人更具规模、盈利能力及生命力。

大摩通过对比 AI 与人工在编程、呼叫中心及数据录入等岗位的成本发现，

AI 在类似编程这种智能密集型环节的降本效应表现尤为突出，在呼叫中心和数据录入方面，AI 的工作成本和人类差不多；而在编程方面的成本约为人类的 1/20

寒叔简评：

这个大方向是对的，就是之前说到的：技术成本的降低会带来更广泛的应用，整体上带来更多的收入和利润。

但是从历史规律来看，大部分相关企业都会消失，成为炮灰，留下的这些巨头将独享大部分收入和利润。

铁路、内燃机、汽车、互联网时代都是如此，这次 AI 革命也大概率不会例外。

所以对于投资来说，我们更应该关注的不仅是行业广阔的前景，而是更应该聚焦于：谁最终能获得垄断地位。

目前，主流 AI 平台的月活跃用户数（MAU）持续攀升，消费者对 AI 的接受度正快速跨越临界点。

这种增长不仅源于用户对增量价值的认可，更得益于产品形态对用户意图的精准捕捉。

其中，Gemini 凭借 Google 强大的分发网络，在用户获取与参与度上表现尤为出色，已稳居全球第二大 AI 应用。

AI 进化的三个阶梯：从对话框到全自动助手

根据自主程度以及对用户指令依赖度的不同，我们将 AI 产品划分为三个演进阶段：

1. 聊天机器人（Chatbots）： 如 ChatGPT、Gemini 和 Claude。这是目前门槛最低的切入点，用户通过主动输入提示词（Prompt）获取信息，将其作为搜索和发现的媒介。

2. 嵌入式工具（Embedded Tools）： 位于技术栈更深层，能协调个人数据历史与集成应用。它们根据一系列指令自主运行，执行比通用聊天更复杂的特定任务，扮演更具互动性的角色

3. 智能体（Agents）： 代表了目前的最高阶段。其特征是极少需要用户干预，可在后台跨设备、跨应用持续运行，实现从“被动响应”向“主动执行”的跨越。

普及的关键：减少摩擦与突破算力限制

消费者智能体能否大规模普及，取决于两个核心变量：

一是用户摩擦的最小化，即技术能否在无感状态下创造价值；

二是供应端的突破，即运营商能否克服算力限制以满足海量需求。回顾 Web 1.0 和 Web 2.0 的历史周期可以发现，只有当技术从根本上降低了使用门槛，真正的持久性普及才会到来。

2030 流量变局：搜索习惯的结构性重塑

从每日查询量的构成来看，消费者计算习惯正在发生演变。

传统搜索引擎的查询增长趋于平缓，而由大语言模型（LLM）驱动的查询量正在加速。到 2030 年，尽管传统搜索仍占据一席之地，但市场重心将向 LLM 介导的需求倾斜。这种转变不仅是存量市场的替代，更是 AI 引入增量需求后，对整个信息获取场景的重构。

按需激活 vs. 后台常驻：智能体的两种进化路径

为了客观预测消费者 AI 的趋势，我们可以将智能体分为“按需型”与“常驻型”。目前的浏览器智能体（如 OpenAI Operator、Claude Code）多属于按需型：由用户发起任务，智能体进行规划、执行并循环，直至任务完成并获批后停止。

与之相对，下一波浪潮将转向常驻型智能体。这类产品更像持久的邮件监控器或数字生活助理，在后台永久运行，仅在触发特定条件时采取行动。

为什么“常驻型”模式决定了 Token 的消耗规模？

理解“常驻型”智能体的消耗模式至关重要。在设计逻辑上，这类智能体与企业级智能体高度一致——它们必须在业务流中持续运行，而非被动等待离散的用户指令。

这种“永久在线”的特质意味着，智能体不再是任务式的工具，而是环境驱动的系统。这种从“单次触发”到“持续运行”的转变，将从根本上推高 Token 的需求强度，并构成了未来智能体经济的核心基石。

根据高盛预测，全天候代理对 Token 的消耗量会指数级上涨：

现状与里程碑：从“对话框”迈向“工作流”

企业级智能体已迎来关键转折点。

以 Salesforce 的 Agentforce 和 Anthropic 的 Claude Cowork 为代表，AI 的应用上限已从简单的文本聊天（RAG）提升至复杂的业务流程。

尽管 70%-90% 的企业正在尝试 AI 智能体，但真正的规模化应用仍不足四分之一。

目前，多数应用仍局限于客户支持、IT 运营、销售赋能等边界清晰的场景，且多以“副驾驶”（Copilot）的形式存在，而非完全自主运行。

核心瓶颈：从技术挑战转向组织治理

当前智能体普及的制约因素已不再是技术底层，而是组织层面的制度与经济考量。企业关注的焦点从“模型性能”转向“编排逻辑”——即不再质疑智能体是否能行动，而是关注其应在何时、如何被允许行动。

大规模部署面临两大核心限制：一是信任与安全边界，尤其是在跨系统运行及责任归属模糊时；二是 ROI（投资回报率）的可见性，生产力的提升往往难以直接转化为硬性成本削减，且高昂的推理成本要求企业必须建立严格的费用护栏。

未来十年：S 型曲线下的 20-25 倍增长

基于历史技术扩散数据（CHAT 数据集）的研究，企业级智能体的采用将遵循典型的 S 型曲线。虽然短期内（未来 12 个月）可能不会出现爆发式拐点，但随着风险管理框架的成熟，特定领域（如金融、客服等）的专业智能体将率先进入产线。

从长远来看，计算成本的下降与治理工具的完善，将驱动智能体需求在未来十年达到今天的 20 到 25 倍，成为企业 IT 预算与算力消耗的核心支柱。

技术普及的“时间刻度”：从百年铁路到 20 年 ATM

历史数据显示，技术普及的速度差异巨大。铁路、轮船和固定电话经历了上百年才达到应用巅峰，而有线电视、ATM机等技术仅用不到 20 年便完成渗透。

在长达两百年的技术统计中，普及时间的中位数约为 29 年。不同技术呈现出不同的增长轨迹：互联网呈现爆发式的 J 型增长，而电报等则遵循起步缓慢、跨越临界点后迅速加速的 S 型曲线。

三力交织：勾勒 AI 智能体的增长曲线

AI 智能体正处于三种历史增长模式的交织点。首先，行业面临的资本约束意味着其早期将呈现稳健的线性增长；其次，Token 的规模经济与 ROI 驱动的网络效应，预示着它具备跨越临界点后 S 型加速的潜力；

寒叔简评：什么式S型曲线，见下图

最后，参考 ChatGPT 仅用 3 年便实现大规模尝试的现状，其具备极强的病毒式扩张特征。这种多重因素的结合，决定了 AI 智能体的普及将比传统工业技术更具爆发力且更具盈利厚度。

下图为不同技术达到人均渗透率所需的时间差距

基准预测：S 型曲线的演进逻辑

我们认为企业级智能体的普及将遵循典型的 S 型曲线，目前正处于初始试用的第一阶段。随着 2030 年临近，采用率将进入陡峭上升期，并在落后者跟进后趋于平缓。

尽管短期内存在数据清洗、制度障碍等一次性预付成本，且应用场景更偏向于特定领域的小语言模型（SLM），但长远来看，随着企业数据策略转向“智能体友好”框架，数据治理将不再是主要障碍，普及化将随员工习惯的养成而全面到来。

15 年达峰：加速普及的驱动力

不同于历史技术普及的平均速度（26 年），我们预计 AI 智能体将在 15 年内达到扩散峰值。支撑这一加速预期的核心因素包括：新技术规模化的节奏正在加快；

软件构建成本（代码成本）的下降允许更多实验与用例发现；以及企业为降低市场份额流失风险，迫切需要通过 AI 路线图展示其前瞻性竞争力。

寒叔简评：

这种预测听听就算了。投行连未来一两年的预测都很难有准确的，未来 15 年的根本是痴人说梦。

但不管怎么说，我们都可以看，我们要看的是它分析的逻辑，就是 AI 有很大的广阔前景。

普通人在科技浪潮下，跟上时代最好的方式不是学习科技（因为你学不懂），而是和科技巨头站到一起，成为他们的股东。

我们账号聚焦科技发展和科技资产

在社群中根据宏观分析把握大方向和趋势，根据策略来进行操作，在长期涨幅不输于持有的情况下，大幅减小回撤追随科技巨头，把握AI的时代浪潮

我们根据策略操作纳斯达克指数：

社群还有升级中的美股动量策略

下图红线是策略的净值曲线、 灰线是纳斯达克指数、 蓝线是策略的最大回撤

其他相关策略和具体操作，详见社群

社群内容还包含2500美元的付费资料包含：BRAVOS Research、Daily Chartbook、财经M平方、SemiAnalysis 等

以及最新订阅的Citrini Research 相关介绍详见：全球最早布局英伟达、存储、光通信，预言软件股坍塌： Citrini Research 付费内容分享

刚更新了年费999美元的Citrini Research的26年展望，165页，全中文翻译；

社群到底提供什么？内容来自哪里？这篇说清楚