AI人工智能產業下游深度分析

（來源：神仙妹妹説理財）

一、行情覆盤：從互聯網+到人工智能+

2013-2015年移動互聯網和互聯網+驅動 A股TMT行情：硬件到軟件。2013年行情首先由智能終端（手機）的滲透率提升所驅動，表現爲SW電子板塊率先領漲，2014-2015年隨着硬件滲透率提升，市場焦點轉向軟件和互聯網，SW計算機和SW傳媒（手遊、視頻、數字營銷）漲幅巨大。

互聯網+政策引領：2012年、2015年政策支持力度加大。「互聯網+」本質是構建了萬物互聯的數字底座，通過平臺實現去中介，以提升信息和資金流動效率。

互聯網滲透率約50%：根據CNNIC，2015年12月,我國網民規模達6.88億，互聯網普及率為50.3%，我國手機網民規模達6.20億，移動互聯網滲透率約45%。

2023-2025年從海外映射逐步走向看國內兑現；從基礎設施到AI應用。25.2之前，海外Chatgpt為代表的模型突破帶動海外算力產業鏈標的（預期業績兑現），應用則呈現為海外映射。25.2以來隨着Deepseek的突破，國產AI從基礎設施到大模型到應用（AI硬件和軟件、互聯網傳媒），實現預期轉變，但由於應用仍在早期階段，傳媒、計算機行情波動較大（部分公司業績兑現是因為傳統業務）。

人工智能+政策引領：7月31日發佈「人工智能+」行動政策，有望加速技術價值轉化。「人工智能+」則是計算增強，實現生產效率和商業模式的系統性升級。

AI滲透率仍在早期：從ChatGPT的用户滲透率水平來看，當前AI+類似2005年的互聯網+的階段。2025年8月，ChatGPT周活躍用户約7億，全球網民滲透率約13%，2005年全球接入互聯網人口數量約10.2億，滲透率約15.6%。

1 ：TMT歷史行情

資料來源：iFinD

二、AI應用之AI Agent重塑軟件

Agent讓AI與人類協同從「副駕」到「主駕」。Agent是LLM的進階。大語言模型適用於完成相對孤立、直接的任務，而AI Agents更適合完成連續的、複雜的場景和任務。未來有望過渡到Agent模式，由人類設定目標並提供資源，AI完成絕大部分工作。AI agent可以分為兩類一是旨在自主完成複雜多步任務的通用型Agent；二是深度融合行業知識和工作流的垂直型Agent，在軟件開發、法律、金融和醫療等領域展現出巨大的商業價值和變革潛力。

的未來協作方式》

Agent簡化軟件企業「定製化」難題，重構「人日」模式。從軟件企業客户角度：通過AI Agent實現自動創建工作流並執行，打通複雜多系統壁壘，提升系統效率，同時通過自然語言自動創建等方式，降低系統的使用壁壘。

對於客服、招聘等傳統人工為主的場景，可以大幅降低成本。此類場景成本效益計算相對清晰，未來有望實現按次收費，甚至收益分成的模式，完成軟件企業收費模式的革新。

企業自身角度：客户的定製化需求是導致軟件企業難以實現人均創收/創利明顯提升的關鍵，軟件企業在2018年通過中臺化嘗試解決定製化難題，但中臺的高昂開發成本及后續交付時的調試等導致收效甚微。此輪agent變化，實際是通過標準化的系統，以自動創建流程及尋求解決方案的方式，既解決了客户的實際個性化需求，又不需要為客户構建新的純定製化系統，有望解決「定製化」難題，帶來軟件企業盈利能力大幅提升。

三、AI應用之AI硬件產業鏈

大模型輕量化與開源趨勢降低對部署算力需求，預計AI終端交互可用性進入提升拐點。DeepSeek-R1憑藉其創新的MoE架構（混合專家模型）、MLA算法（多頭部潛在注意力）和后訓練RL技術，實現大模型推理效能的跨越式提升。模型蒸餾、架構優化、量化、減枝等算法優化技術能夠在不影響模型準確性的前提下，顯著縮減模型參數規模。降低的計算負載為大規模邊緣部署提供了可能性。開發者和商業主體因此能夠在邊緣側打造更豐富的應用形態，讓AI能夠支持跨邊緣側規模化部署的商用應用。

終端形態迎來「百花齊放」的高頻變化：AI耳機、AI手機、AI眼鏡、AI玩具機器人等。AI應用及AI推理算力的富裕供給將驅動端側AI生態加速演化。這一突破就像寒武紀的「氧氣革命」，為長期受限於雲端的AI手機、AI眼鏡、AI耳機、AI玩具等AI終端的需求增長和可用性提高創造先決條件。

端側AI硬件的受益功能環節包括邊緣計算、存儲、通信、傳感部件。端側AI相對雲端AI的優勢包括低延迟、高安全性和高靈活性。以NPU為核心的異構計算（CPU+GPU+DSA等）性能對於邊緣或近邊緣推理效率的提升至關重要，與之匹配，存儲、通信、傳感、電源、散熱也有望提升單位價值密度。

圖 30：雲-邊-端應用場景及特徵

申萬宏源研究    

四．AI硬件之智能駕駛與汽車電子

供給與需求端共振，2025年智駕平權帶動產業鏈彈性。供給側方面，智駕軟硬件技術日趨成熟，質價比提升。以地平線、黑芝麻、華為的高階智駕芯片國產化；以Momenta（預計美股上市）、大疆卓馭（原車載部門獨立）、華為Hi/鴻蒙智行（智駕方案Tier0.5）為代表的領先算法方案逐漸量產。需求側方面，智駕平權策略下，傳統主機廠帶動智駕配置價格帶下沉。乘用車 10-20萬 以下價位智駕滲透率仍然較低，NOA 功能有望成為標配。

28 ：2024 年國內乘用車 NOA 滲透率僅約 10%

資料來源：NE時代，申萬宏源研究

29 ：10-20 萬價位的智駕滲透率仍有較大提升空間

資料來源：NE時代，申萬宏源研究

NOA標配化帶動增量部件產業彈性，投資機會集中於智駕域控、國產芯片、算法/軟件，傳感器等環節。

五、AI應用之機器人

兩大因素加速以人形機器人為代表的具身智能商業化落地：

1大模型迭代：機器人產業正經歷從「機械自動化」向「具身智能化」的質變。過去機器人主要基於確定性控制邏輯運行，尚不具備真正的智能交互與通用任務執行潛力。而具身智能時代，機器人以「通用智能體」為目標，強調感知—推理—執行的完整鏈路。具體而言，人工智能大模型、多模態理解與泛化能力的融合突破，使機器人得以從單一功能執行者升級為複雜場景的自主決策者。

具身智能在工業製造、倉儲物流、醫療康復、教育娛樂、航空航天等領域的多元化應用場景均有廣泛應用。雖然具身智能的智能體形態可以豐富多彩，但是預計人形機器人可以更好地在人類生活的環境中為人類服務，將成為具身智能重要的載體。

機器人的量產將帶動全產業鏈的旺盛需求，包括芯片、傳感器、電機、大模型算法等環節。隨着量產推進以及產業鏈分工成熟，各零部件按照規模生產行業合理利潤率進行報價，推動成本快速下降。

六、垂類行業+AI

目前AI深度到文化傳媒、醫療、機器人、製造、汽車、教育等行業。

行業微調+垂類大模型推動AI+落地：（1）行業微調為主流趨勢，通用大模型在面對特定行業的專業問題和複雜任務時，往往難以給出精準、貼合行業需求的答案，微調、Prompt工程實踐、RAG等是更為高效實用的方式。（2）垂類大模型研發提速：將行業的專業知識、特定規則和業務邏輯等融入模型進行二次訓練，推動行業應用加快落地。

展望各類AI應用是否爆發的重要維度：模型能力、容錯率、數據豐富度：

模型能力：降低幻覺影響，才能滿足實際應用場景中對準確性、可靠性的要求。

場景容錯率：影響商業化化落地的速度：高容錯領域如創意生成、代碼編寫和營銷文案已快速興起，用户更重視效率提升而非絕對正確；而低容錯場景如自動駕駛、醫學診斷和金融交易則需較長時間的技術迭代與規則保障。

數據豐富度：數據決定了模型性能的上限。精準和合規性的數據來源也是垂類AI應用構建壁壘的關鍵。

（以上信息僅供參考，不構成投資建議）