AI大模型行业核心观点更新

1、大模型行业核心观点

·行业核心逻辑概述：本次研究核心覆盖大模型商业化、竞争格局、迭代与应用三大核心方向。近期市场高度关注Anthropic的ARR数据，彭博社发布其ARR约650亿美金，低于市场此前预期的750-800亿美金，收入较前几个月出现明显降速，该变化或存在口径调整的原因；同时Anthropic自身盈利能力、算力投入ROI仍持续改善，说明模型厂商业模式已经跑通。本次数据不及预期本质反映开源模型分流已开始影响闭源实验室的收入增长斜率，并非AI行业需求转弱，而是AI价值在闭源模型、开源模型、CSP之间进行重新分配；开源模型使用成本降低后，将进一步扩大模型应用及算力需求。模型能力迭代方面，预训练scaling、后训练scaling、推理时scaling均未结束，RSI作为新训练范式将进一步加快模型研发迭代速度，模型能力将持续进化。后续仍看好下游场景进一步渗透，以及上游算力需求持续高景气；应用端将从当前的AI coding向泛白领通用办公场景扩散，AI可争取的预算池也将从过去的软件支出逐渐扩展至人工成本节省范畴。

2、闭源大模型商业化进展

·ARR口径与增长情况：目前OpenAI和Anthropic的ARR统计口径存在差异，不同追踪机构、媒体的数值偏差较大，本次统一以EP Data数据为参考基准研判趋势。OpenAI方面，EP Data显示6月底ARR为420亿美金，7月受GPT5.6新模型上线、Codex频繁重置token额度驱动迎来增长，周活跃用户从7月12日的600万快速升至7月21日的1000万，后续突破1500万；据CFO表述7月ARR净增长超整个Q2，测算7月底ARR约590亿美金，7月环比增速40%，6月环比增速为14%，增长加速主要源于激进定价策略：DeepSeek V4推出后，OpenAI迅速将GPT4.5 Luna模式降价80%，7月中旬频繁重置token额度也属于变相降价。Anthropic方面，EP Data基于企业客户支出账单推算，5月底ARR约540亿美金，5月环比增速35%，6月底估算ARR为670亿美金，环比增速24%，呈现降速趋势；彭博社披露的官方口径显示7月底ARR为650亿美金，低于市场此前预期的750-800亿美金，同口径下5月中旬ARR为470亿美金，两个多月增长180亿，较4-5月单月增长170亿的增速大幅放缓，降速核心原因有三点：

a.口径调整，此前披露及机构跟踪均为毛收入口径，未剔除云厂商收入分成，本次官方披露大概率调整为净收入口径，或为IPO前做报表口径调整；

b.开源低价模型冲击，部分需求分流至开源模型；

c.监管因素影响，6月起商用大模型并非厂商最先进版本，内部更先进模型未发布，拖累收入增长斜率。

·盈利与ROI对比分析：当前观测大模型行业需求不再仅参考OpenAI、Anthropic两家的ARR数据，该数据对行业的解释力已大幅下降，需综合参考CSP云收入增速（代表开源模型需求、CSP及模型厂商盈利能力、收入质量）判断商业模式可行性。二者盈利与ROI表现差异显著：

a.收入结构：Anthropic75%-85%收入来自API计费，C端免费用户不足1亿，消费者订阅占比仅5%；OpenAI C端免费用户接近10亿，消费者订阅占比更高，免费用户无广告创收情况下不产生收入，每年带来近100亿美金的推理成本，属于利润拖累项。

b.盈利表现：Anthropic 2026年毛利率约64%，二季度已实现单季度经营盈利，全年有望实现经营利润打平甚至盈利；OpenAI 2026年平均毛利率约55%，较Anthropic低近10个百分点，年经营亏损约200亿美金，利润转正预计要到2028-2029年，但OpenAI拥有全球最大AI消费入口，尚未兑现广告收入，长期广告收入可达大几百亿到千亿级别，毛利率极高，商业化能力无需担忧，利润释放节奏取决于管理层广告投放安排。

c.ROI表现：Anthropic 2025年ROI为-40%，2026年转正为36%，预计2027年可达45%；2026年Anthropic整体算力支出（含推理、训练）约490-500亿美金，可实现收入约670亿美金，每投入1美金算力成本可产生1.36美金收入。

3、开源与闭源模型竞争格局

·开源模型多维升级：国内开源模型已完成三大维度升级：一是性能升级，当前开源模型相对前沿闭源模型通常仅落后约90天，在低/中等难度任务场景如常规研究工作、翻译、大批量agent子任务、简单coding等场景下性能差距极小，成本较闭源模型低70%-90%；二是工程能力升级，DeepSeek在算子优化、上下文优化、KV Cache优化等领域工程能力突出，Kimi除提供开源模型权重外，还围绕开源模型针对长任务做了系统级优化，配套提供harness能力、支持多模型路由的企业SDK及托管能力，形成可支撑复杂任务的完整执行系统；三是商业化升级，今年年底中国模型的合计ARR预计可达130亿美金，已具备一定商业化体量，后续还将通过开源、低价API进一步争夺token入口与云平台入口。

·开源对闭源的冲击：开源模型对闭源厂商的冲击切实存在，主要体现在三个层面：

a.价格层面，DeepSeek发布V3 Flash后次日，OpenAI即宣布将GPT-4.5的Luna版本降价80%，中国模型已倒逼海外厂商下调中低端产品线价格带；

b.客户选择层面，今年四五月份起大量企业因token账单过高、IT预算不足转向更便宜的模型，海外企业如Airbnb、DoorDash已开始使用中国模型控制成本，7月OpenRouter平台token用量最多的五个模型均为中国开源模型，用户迁移趋势明确，当前模型调用量已呈现哑铃状格局，低价开源模型适配日常任务，高价前沿闭源模型适配高难度任务，两端均有专属应用场景；

c.商业模式层面，过往闭源模型厂商议价权较强，可自主控制性能、接口、价格，开源模型崛起后，CSP、应用公司、企业级客户均可通过第二供应商制衡，前沿模型厂已丢失部分token定价权。

·竞争格局与趋势：当前模型市场呈现"调用量哑铃分布、收入集中于闭源"的格局，7月OpenRouter平台按支出排名前三均为Claude系列模型，闭源模型合计拿走80%以上的收入，利润分配仍向闭源模型倾斜。近期DeepSeek对V4 Pro进行涨价，涨价后价格与降价后的GPT-5.6 Luna处于同一量级：短期来看，该涨价会短暂削弱开源模型的价格竞争力，闭源与开源模型的价格差逐步收敛；长期来看，此次涨价明确了"模型权重免费不等于推理服务免费"的商业化逻辑，推理服务背后需要GPU HBM服务器、网络、电力、集群调度、故障恢复、模型更新等工程投入，属于有边际成本的可规模化生意，类似免费数据库软件对应的云数据库运维服务可收费，开源模型厂商可通过两层路径变现：

一是推理服务收入，即GPU运营、模型运维相关费用；

二是企业服务收入，包括私有化部署、模型微调、Agent平台搭建、企业数据治理等服务，国内开源模型商业化路径更清晰、天花板更高，无需通过价格战抢份额。未来模型竞争的核心变量将发生转变，价格重要性边际下降，客户决策不再单纯比拼token价格，而是转向模型完成任务的成功率、延迟、服务稳定性，竞争核心从单token成本转向单次任务成功完成的综合成本，该趋势将进一步强化现有调用量哑铃格局，开源与闭源模型的应用场景分层趋势将持续：开源模型在大量标准化任务上更容易实现更低成本，且支持客户自主部署、优化、定制，特定场景下可实现最低综合成本；闭源模型在高难度任务场景下仍为更优选择。

4、大模型能力迭代核心方向

·三大scaling迭代路径：大模型迭代包含预训练scaling、后训练scaling、推理scaling三大路径。其中预训练scaling核心作用是提供模型基座能力与世界知识，参数量的重要性不言而喻：国内Kimi、智谱均通过预训练scaling将模型参数堆至万亿级，实现了模型能力的显著提升；去年Anthropic相比OpenAI、Gemini更重视预训练参数量，因此现阶段其基座模型能力领先同业，其推出的Fable系列为当前市面参数量最大模型，下一代模型目标参数量达20万亿。后训练scaling的可行性已得到验证：智谱GLM5.3沿用5.2的基座模型未重新开展预训练，能力提升完全来自更多样化、时长更久的强化学习，证明同一基座的能力储备远未被后训练榨干，后训练scaling可将基座模型提升为可调用工具、完成任务的agent。目前scaling路径远未触及天花板，仍有较大增长空间

·RSI训练新范式：RSI（递归式自我改进）是下一代模型训练的新范式，核心是用AI自动化实现数据生成、训练、评估、改进全流程，让模型深度参与下一代模型训练，可同时为三类scaling加速。RSI对AI能力进步速度的提升具备乘数效应：当前模型每一次能力提升，都会同步带动下一轮研发能力升级。目前海外前沿实验室均在重点布局RSI领域：OpenAI已成立RSI专项团队，Anthropic将RSI列为核心研究方向，谷歌内部资源向RSI倾斜，刚从谷歌离职的Jeff Dean也选择入局RSI相关创业，行业对后续模型能力提升前景十分乐观。

·算力需求拉动效应：模型能力持续提升将带动后续算力需求持续攀升，训练场景对硬件的核心需求集中于GPU、HBM、Scale-Up互联三大类，上游相关硬件板块的景气度将持续延续。

5、大模型下游应用场景演进

·AI coding场景空间：AI coding是首个爆发的大模型应用场景，核心原因有两点：一是coding工作可完全数字化，结果可通过编译器、测试集、代码审查验证，模型每轮运行都能获得明确反馈，匹配强化学习的数据需求；二是coding任务高频，人工成本较高。当前AI coding市场规模约年化百亿美金，全球开发者总量约5000万，按平均年薪6万美金计算，年工资池约3万亿美金，若AI coding可替代20%工作量或带来20%生产效率提升，对应市场规模约6000亿美金，该规模可兑现Anthropic和OpenAI整个2027年的ARR。

·泛白领办公场景拓展：coding之后下一个最具爆发力的应用场景是泛白领工作流，核心逻辑为用户基数大、当前渗透率低：国内电脑办公用户约1.2亿，其中程序员占比仅3%-5%，剩余绝大多数为非coding白领群体，当前普通白领AI助手渗透率仅15%-20%，潜在用户规模和工作量空间均远大于coding。目前落地较顺的细分场景有三类：

a. 后台流程自动化：覆盖客服、HR、理赔、采购等场景，特点为任务量大、结果可量化，类似coding的闭环场景，产业调研估算该类场景潜在工作量为coding的3倍，核心逻辑为直接替代人工重复执行的任务；

b. 专业类工作：覆盖财务、法律、研究类等领域，以辅助而非完全替代为核心逻辑，仍需人工对最终结果负责，该类场景人工成本和交付结果价值高，用户对模型价格敏感度低，更愿意为前沿可靠的模型能力付费；

c. 通用数字员工：以Anthropic推出的Cloud Tag为代表产品，作为团队成员入驻企业工作群或工作频道，可读取上下文、自主调用工具推进任务，其针对长程自主工作能力、记忆能力、沟通分寸感做了专项优化，任务完成度较高。

泛白领办公AI Agent市场无需对标SaaS规模，应按照全球白领人工成本测算：一方面AI Agent能力边界远超传统SaaS，可直接承担人工任务，覆盖传统SaaS未触及的需求；另一方面无需遵循“一名员工对应一个软件席位”的线性逻辑，可并行执行多任务，按工作量、成果付费，收入上限由企业可数字化的工作量决定。全球白领年人工成本约20万亿美金，泛白领办公AI Agent为万亿级市场。

·AI for science方向：除泛白领办公场景外，AI for science是另一值得重点关注的潜在爆发方向，以生命科学等研究领域为核心代表。该类场景任务价值量极高，若能将药物开发流程缩短1-2个月，对应可节省百万级成本，相关客户对前沿模型的付费意愿极强。该场景的收费模式不会完全按照token计价，后续可转向按科研结果付费、按项目里程碑付费，甚至对最终研发成功的药物销售额进行分成，市场空间十分广阔。

·收费模式演变趋势：AI Agent的收费模式与传统SaaS存在明显差异，演变路径清晰：传统SaaS按照软件席位收费，当前阶段AI Agent仍一定程度按照token收费，后续将逐步转向按工作量收费、按工作成果收费、按最终交付的业务价值收费。该收费模式的演变，打破了传统SaaS按员工数量确定收入上限的约束，将大幅抬升AI Agent的变现天花板。