华泰 | 计算机：AI产业新范式

点击小程序查看研报原文

模型：Scaling Law 2.0时代的新变化

Scaling Law仍在持续，其含义更加丰富。伴随Scaling law在预训练、后训练与推理阶段的持续演进，其体现形式愈加丰富，具体体现在两个方面：1）合成数据进一步扩大训练资源，驱动算力、训练数据持续扩张；2）训练数据的高效利用成为关键，中训练等训练方法得到重视。

训练数据与算力仍在持续扩大

合成数据等驱动训练数据Token规模持续走高。据Artificial Analysis统计，典型开源模型的训练数据常见在10—15万亿tokens，被视为可免费获取并高质量清洗后的网络数据量级。头部厂商通过新增标注与合成数据等方法持续扩容训练数据tokens，新近模型的训练tokens继续上行：例如阿里Qwen系列由18万亿提升至36万亿，Meta在训练Llama 4 Scout时引入部分社交数据，使总体训练数据约达40万亿。我们认为，随“垂类”数据与新标注数据的不断累积，训练tokens仍将增加，且从模型泛化性和性能表现来看，OpenAI、Google等头部模型的训练规模或高于公开口径。

训练算力仍在持续扩张。根据Epoch AI在《Training Compute of Frontier AI Models Grows by 4–5x per Year》中的测算，2010年至2024年间，具代表性的前沿模型训练所需算力的年均增长倍数约为4-5倍。这一趋势在主要科技企业的旗舰模型中表现一致，显示出业界对算力扩展的持续依赖。值得注意的是，最头部的语言模型的增长趋势更快，在2017年6月至2024年5月期间，其增长速度高达每年9倍。从2025年发布的新前沿模型来看，仍然没有放缓。根据Epoch AI的研究《How Much Does It Cost to Train Frontier AI Models》，2016-2024年中具有代表性的前沿模型训练成本年均增长约2.4倍（区间为2.0-3.1倍），若按云端算力租用价格计算，增速约为2.6倍。我们认为，若这一增长趋势延续，预计至2027年前沿模型的单次完整训练成本或将达到十亿美元量级。我们认为，在当前阶段算力仍是大模型能力演进的底层约束与增长引擎，其年均4-5倍的扩张速度构成了行业发展的核心节奏。

Mid Training进一步打开训练规模边际

Mid Training 范式的出现进一步扩张了训练数据，同时提升了训练数据的利用效率。伴随模型在强化学习阶段的算力用量不断提升，RL逐步从传统的post training独立，与原有的Later stage pre training整合成为新的Mid Training。Mid Training 近似于使用算力换取数据，核心是构建一个强化学习与评估环境，让模型可以自行合成数据来提升性能。大量的生成数据，特别在 Multi Agent Debate 环节生产数据的量十分庞大，远远超过了人类生产数据的效率。同时Mid training的范式要求模型在训练过程中选择最优的训练数据分配权重，从而提升RL训练质量与数据的利用效率。我们认为，Mid Training的重视程度不断提升，进一步打开了训练数据的规模边际，有望带动基模能力上限进一步提升。

GPT-5确立了行业内模型“统一系统”的方向

GPT-5以统一架构实现快思与深思的自适应协同，并以路由器按任务动态分配资源。具体而言，体系由基础模型（Smart model）承担多数日常问答，深度推理模型（GPT-5 Thinking）处理复杂任务中的长期思考，实时路由器（Real-time Router）依据对话类型、问题复杂度、工具调用与用户意图（如“认真思考”提示）在两类模型间动态选择与切换。路由器持续学习用户信号（如模型切换行为、回答偏好、正确率等）以优化决策，并规划在后续将三者进一步融合为单一模型，以在保证速度的同时提升思考深度与一致性。GPT 5.0发布后，DeepSeek V3.1、Grok 4 Fast迅速跟进，推出类似的统一自适应的模型路由功能。我们认为，该架构有利于在不同使用场景下兼顾响应效率与推理质量。

应用：商业化规模化进展加速

头部厂商重心开始向应用和商业化生态转移

OpenAI推出Agentic Commerce Protocol（代理商务协议，ACP），标志其正式将智能体（Agent）能力延伸至商业交易场景。该协议由OpenAI与Stripe联合开发，旨在让AI Agent具备直接执行购买行为的能力，实现从“推荐商品”到“完成交易”的全流程自动化。10月6日2025年OpenAI开发者大会上，OpenAI再次明确在支付侧引入Agentic Commerce Protocol的“对话内即时结账”，并强调不止电商，后续各类接入ChatGPT的App均可能通过ACP实现变现。对话即入口、结账不外跳，已订阅用户可在对话直接登录，未来支持多种变现，使交易链路由“触达—体验—转化”在同一会话内闭合，显著降低流失点并便于归因与运营。我们认为，ACP将把会话从信息交互延伸为交易承载，提升单位会话的转化效率与可运营性，成为商业化的关键抓手。

AI应用进入规模商业化阶段

全球AI应用逐步迭代，经历产品化落地（2023年）、商业化试点（2024年）、规模化探索（2025年）三大产业阶段。1）产品化：2023年ChatGPT作为现象级应用，成功带动软件AI升级热潮，但此阶段受制于模型能力有限，AI应用多数仍为问答式应用，成熟度较低；2）商业化：2024年得益于基础模型能力升级（OpenAI发布推理能力较强的o系列模型），AI应用从问答式Chatbot向Agent升级，同时开启商业化试点推进；3）规模化：2025年AI应用进入规模化放量前期，2B应用加速实现存量客户覆盖，2C应用用户数及用户使用时长持续增长。

从全球视角看，海内外AI应用的产业差距正逐步收窄，中国AI应用实现加速追赶。受益于大模型基础能力、模型调用成本、客户付费意愿等因素改善，海外与国内的AI应用产业差距逐步收窄，目前均处于规模化放量前期阶段。1）海外：海外AI应用产业节奏为23年产品发布、24年商业试点、25年初步实现规模化放量；2）中国：国内AI应用产业节奏早期稍显滞后，23年多数企业AI应用仍处在概念阶段；24年字节跳动、腾讯、阿里等科技大厂的AI应用陆续发布，国内软件厂商AI升级同步跟进，部分2B AI应用开启商业化试点；25年DeepSeek-R1模型发布后，国内应用产业节奏显著提速，目前多数AI应用完成商业化试点，部分AI应用（深度研究、企业问数）已具备规模化能力。

总体我们认为，全球AI产业在算力、模型与应用环节的进展仍在加速。以OpenAI为代表的头部厂商在推理需求、模型架构及商业化生态上不断突破，推动AI算力建设迈入加速阶段。算力端，全球大模型训练与推理的复杂度持续提升，GPU集群与高速互联网络建设进入高景气周期，新型融资方式的创新有效支撑了数据中心的资本开支扩张；模型端，Scaling Law 2.0与Mid Training等范式演化显著提升了数据利用效率与模型上限，GPT-5的“统一系统”架构确立了未来智能体模型的演进方向；应用端，AI产品加速从试点走向规模化落地，商业化路径逐渐清晰，智能体化与交易闭环成为核心趋势。展望未来，我们认为，AI算力基础设施将持续成为科技产业的核心增量来源，模型能力迭代与应用生态扩张将共同驱动全球算力产业链维持高景气。

风险提示

宏观经济波动。若宏观经济波动，产业变革及新技术的落地节奏或将受到影响，宏观经济波动还可能对IT投资产生负面影响，从而导致整体行业增长不及预期。

技术落地不及预期。若AI等技术落地不及预期，或对计算机行业公司整体产品迭代、收入增长节奏产生负面影响。

本研报中涉及到未上市公司和未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。