AI应用商业化落地加速，广告营销与电商板块显著受益

事实上，越来越多的行业已经开始尝到探索AI应用的“甜头”。

在朱辰哲看来，广告营销和电子商务是人工智能落地较快的领域，相关上市公司明显受益。在广告营销方面，一方面，AI赋能广告素材制作，降本增效；另一方面，通过大量数据分析和算法优化，能够精准匹配广告需求和媒体，提高广告转化。速度。在电商领域，涉及到商品上架、与买家卖家沟通、发货等一系列重复琐碎的工作。这些工作形式相对固定，AI应用可以快速落地。

王文龙还表示，从可核实的情况来看，A股中大型模型公司的订单增长明显，做AI代理的公司也开始有小批量收入，AI广告公司成本明显优化，增加。利润率。

嘉实基金基金经理田广源认为，人工智能生成内容（AIGC）是当前人工智能应用的主要领域之一。在个人领域，AIGC技术满足个人日常需求，涵盖聊天机器人、社交、游戏、教育、内容创作等多个场景。美股部分AI相关公司已经开始盈利，国内一些算力相关公司的盈利能力也在不断提升。 PCB、光模块、连接器、服务器等领域的相关企业均已获得性能验证。

田光远进一步表示，随着大模型技术和能力的指数级飞跃，AI赋能千行百业的水平不断提升。未来，它有望与万物融合，所有与信息技术相关的领域都将迎来一定程度的重塑。短期内，场景可在金融、教育、娱乐传媒、办公、营销等领域快速落地；中期来看，人工智能的市场潜力将在政务、制造、智慧城市等领域持续释放；从长远来看，大型车型有望在医疗、工业、汽车、科研等领域带来颠覆性变革，推动生产力高质量发展。

展望市场前景，朱辰哲看好两大发展方向：一是软件端，如AI助手、AI搜索、AI视频等，流量大、增速高，有望结合结合电商、客服、短剧等特定场景打造爆款应用；第二个是硬件方面，比如AI眼镜，时尚、美观、便携、高频。随着多模态技术的进一步发展，未来有望承接更多新的AI玩法，是目前最具潜力的AI终端之一。

王文龙认为，从变革的角度来看，在制造业等传统劳动密集型行业，企业的生产流程需要优化，新的需求点将进一步挖掘。在医疗、法律、设计、娱乐、金融等知识密集型行业，在AI工具的支持下，企业和个人的生产力也将得到显着提升。

基本面支撑仍需验证

综合来看，目前人工智能在各行业应用的探索仍处于早期阶段。即使前景看好，如果没有基本面的支撑，金融炒作也可能是昙花一现。

上周“七连板”涨停的A股上市公司华盛天成表示，公司AI应用相关产品主要是“智能客服”、“智能数据助手”等。这些业务的收入占营业收入的比重较大。其规模较小，对公司业绩不会产生重大影响。显然，当相关概念股股价短期飙升时，市场不能完全失去理性。

王文龙认为，目前国内AI应用呈现出明显的溢价分化。一些主营业务实际上有盈利收入且有AI创新的公司也有AI创新，但长期来看，溢价并不高。另一类主营业务没有可观察估值的公司，其溢价非常高，因为它们被困在未来的大方向上。明显的。这也体现了行业发展初期的特点。新公司往往能享受一波快速的预期分红并获得高额溢价，而老牌龙头公司则需要不断实现进步才能获得市场认可并形成利润和估值。价值共鸣。从前景来看，新公司初期保费较高，但具备估值和套现能力的龙头公司未来更有可能享受保费持续上涨。

朱辰哲也认为，在新技术发展的过程中，经常会出现很多高估值的公司。回顾2013年至2015年移动互联网的发展，一大批来自游戏、影视、广告营销等领域的公司也获得了高估值。不仅A股如此，目前很多融合AI技术的美股SaaS公司估值也相对较高。因此，现阶段投资者如果想投资人工智能应用领域，需要选择一些团队素质较高、业务场景与人工智能技术结合潜力巨大的公司。即使目前他们的人工智能应用收入对财务报表的贡献较低，但随着时间的推移，它将继续增长。随着底层模型技术的发展和应用端的不断优化，也有望实现规模商业化，从而获得性能回报。

荣智能也持有类似的观点。他认为，在人工智能的方向上，从计算能力到大模型再到应用，都不会被证伪。行业趋势没有问题，但就具体企业而言，目前炒作的标的却不一定是“被选中的”。 。 “从全球范围来看，我国的AI技术处于第一梯队，产业链足够完整，从硬件到软件和内容生态，大多数国家只涉足部分环节。”荣智能说道。

田广源表示，当前AI应用市场的爆发是行业的必然趋势，并非纯粹的技术炒作。 “我们仍处于人工智能应用真正爆发的前夜，资本支出正在快速增长，收入实现还需要时间。科技板块整体估值还是比较合理的。”

明确投资思路，寻找机会

世界公认人工智能将引领社会经济重大变革。在此基调下，投资者该如何明确投资方向？

“目前A股AI板块的投资更多是主题性的，因为这类公司的内在价值很难衡量，公募基金的投资也相对理性。”上海一位基金经理告诉证券时报记者，对于处于早期成长期的公司估值具有一定的“艺术性”，短期内很难准确评估公司的营收和利润。学期。因此，其持有的基金净值也波动较大。

在AI落地方面，朱辰哲认为，目前面临的主要问题有四个：

首先是技术适配问题。企业在应用人工智能技术时可能会遇到技术适配问题，包括技术环境、用户教育和支持系统等。通用型大模型往往需要进一步训练才能在垂直场景中得到很好的落地。因此，很多B端客户对于定制化的要求比较高。

二是数据问题。数据质量、数据隐私和数据合规性都对人工智能应用的实施提出了挑战。

第三个问题是成本。 AI技术的进一步落地需要降低算力成本、提升算法性能。否则，高昂的成本可能会导致人工智能失去商业价值，难以实现商业化和规模化。

四是安全可靠。大型模型的幻觉问题很难消除，需要大量专有数据的训练和不断调优，以满足工业、医疗等严重场景的精度要求。

在王文龙看来，客户愿意为一款应用付费的前提是“盈利”——要么能够提高工作效率，赚取更多回报，要么能够改善使用体验或者创造新的使用场景，满足用户的社交需求。和情感需求。需要。因此，模型能否精准解决问题，应用能否直接解决需求痛点，将是落地的首要因素。此外，企业在创新人工智能应用时也在考虑投入产出比。非常重要的是看单位算力获得的回报能否覆盖“推理算力成本+获客成本+模型训练摊销”。只有能够覆盖，才能可持续发展，形成良性循环，但目前还有一定距离。