核心观点

• 生命科学研究范式正在从实验试错转向模型驱动：随着单细胞测序、空间组学等技术的发展，生命科学数据积累与AI能力演进协同催生AI虚拟细胞（AIVC），推动研究走向“数据训练模型、模型生成假设、虚拟扰动预测、真实实验验证、实验数据回流”的迭代闭环。
• AIVC将成为科学发现与产业应用的新型基础设施：AIVC能够整合多源数据，形成对细胞状态及其变化规律的统一表征，辅助识别关键调控因子与潜在作用机制，加快从数据分析走向机制发现；同时，AIVC是AIforScience在细胞系统层的重要实现形态，推动研究走向模型与实验协同驱动，提升科研效率与产业创新能力。
• AIVC技术体系：AIVC构建需要数据、模型和智能体的分层架构。数据层面，以单细胞转录组数据为主，并逐步引入基因和药物扰动、空间组学、蛋白组、细胞形态、微环境及临床表型等信息；模型层面，将生物数据转化为可计算的细胞状态，并模拟外部干预、预测状态变化；应用层面，自主智能负责理解和拆解科研问题，编排调用AIVC模型、虚拟工具、知识库及分析工具，完成虚拟扰动、候选方案排序和实验设计。
• AIVC产业发展：AIVC产业呈现新锐公司与成熟企业双线并进格局，产业生态初步形成。AIVC价值链包括上游数据、实验与算力基础设施，中游AIVC模型与服务，以及下游需求方与典型交付。AIVC已开始进入产业，药企通过大额合作为技术和管线提供资源支持，并将其嵌入疾病机制研究、候选筛选与功效评价等环节。
• AIVC的关键挑战与演进趋势：AIVC仍需提升模型能力与应用边界。当前AIVC面临的核心问题，是从模型研发到产业验证的能力尚未形成。AIVC未来的发展更依赖于数据、模型、干湿闭环和应用场景之间形成持续迭代的飞轮。AIVC的产业价值也将随着模型能力和应用成熟度的提升逐步释放，推动生命科学研发从以实验为中心的线性流程，逐步向以模型为支撑、以数据为驱动、以实验验证为闭环的研发范式转变。

关键数据

• 中美正将AI与生命科学的交叉能力提升至国家战略高度。
• AI正从处理信息走向理解和预测生命系统。
• 计算证据开始获得进入药物评价体系的制度接口。
• 市场开始为完整技术闭环买单。

研究结论

AIVC正在构建一套全新生命科学计算基础设施，在其之上，未来可能形成从数据资源、基础模型到专业模型、实验验证和应用服务的完整产业生态。随着人工智能基础模型能力持续提升，生命科学数据体系不断完善，以及计算模型与实验系统进一步融合，AIVC将逐步从早期的技术探索走向更加成熟的应用阶段，并在生命科学研究与产业研发中发挥越来越重要的作用。

执行摘要

• 机器人软件架构中，混合架构（安全控制器、视觉和主计算机以及微控制器）占据主导地位，占比64%。
• 超过九成（91%）受访者使用Linux等通用操作系统运行部分实时或安全关键型任务，凸显软件架构与系统愿景之间的差距。
• 超过四分之一（27%）受访者认为“软件架构与集成”是限制机器人系统性能的主要因素。
• 九成（89%）受访者预计未来三到五年内，基于物理AI的机器人将对其企业战略至关重要。
• 85%受访者预计未来三到五年内，软件在机器人技术中的作用将提升。
• 超过八成（85%）受访者会考虑更换当前操作系统，原因包括性能、安全、可扩展性、集成性和成本。
• 95%受访者认为确定性实时执行对其业务“非常”或“比较”重要。

愿景与能力

• 当前机器人系统以混合架构为主，但开发资源往往比硬件开发消耗更多。
• 机器人软件架构涉及众多组件，如操作系统（40%）、开发工具（37%）、安全应用（34%）和自定义中间件（32%）。
• 超过九成（91%）受访者使用通用操作系统运行部分实时或安全关键型任务。
• 软件架构相关的挑战包括调试与维护工作量增加（51%）、对资深工程师依赖加深（43%）和功能开发速度放缓（43%）。

障碍与风险

• 软件架构与集成是限制机器人系统性能的主要因素（27%）。
• 认证要求导致项目延期，三分之二（66%）受访者报告曾因认证导致延期。
• 监管要求制约开发，各国受访者均面临网络安全、功能安全、AI与机器学习以及数据法规挑战。
• 近九成（87%）受访者预计监管框架能跟上技术发展步伐。
• 非确定性系统行为的担忧包括安全风险增加（49%）、系统稳定性下降（49%）和测试负担加重（36%）。
• 95%受访者认为确定性实时执行对其业务重要，但只有25%确信现有架构能显著扩展。

面向未来的战略布局

• 操作系统策略包括安全认证的COTS操作系统（31%）、虚拟化Linux与RTOS结合（27%）和开源Linux结合RTOS（23%）。
• 超过八成（85%）受访者预计未来三到五年内，软件在机器人技术中的作用将提升。
• AI/机器学习决策能力和网络安全功能被认为是最可能在预算中优先考虑的两个领域。
• 物理AI技术被认为在未来三到五年内将对其企业机器人技术战略至关重要（90%）。
• 未来三到五年机器人技术发展的优先事项包括AI能力的提升（48%）、安全认证与监管合规（36%）、运营效率（32%）和成本降低（29%）。

区域洞察

• 北美：美国受访者采用混合架构比例最高（70%），最常将“软件架构与集成”视为性能瓶颈，对实时确定性执行的需求最高。
• 英国：软件开发投入低于其他地区，但预计软件作用将提升，对机器人行业发展速度最为乐观。
• 法国：将“实现监管合规”视为软件开发挑战，最常将“监管或部署限制”视为性能瓶颈，预计预算将转向网络安全。
• 德国：采用混合架构比例高（65%），将“网络安全与功能安全法规”视为最大合规难题，对规避风险高度专注。
• 中国：将“功能安全标准”视为主要合规挑战，最倾向于将“安全威胁或漏洞”视为未来发展的最大担忧，但相信团队能跟上监管步伐。
• 日本：极少将操作系统视为关键组件，最倾向于提及“构建系统与调试器等开发工具”，对监管和系统能力信心相对较低。

研究方法

• 基于OnePoll于2026年2月和3月受QNX委托开展的研究，调研对象包括1,000名从事机器人技术开发或相关软件工程工作的专业人士。

AI投资进入回报兑现期：宏观叙事延续，CAPEX/ARR剪刀差收敛

AI的宏大叙事或可持续很久？

• Token指数增长/渗透率早期/ Agent需求跃迁/定价长协化

  • 下游需求仍处高增阶段：Token调用量一年增长约23倍，国内日均Token两年增长超千倍；Agent将Token需求从"人类交互驱动"推向"机器流程驱动"，单任务消耗为传统对话的3-50倍。
  • 渗透率仍处早期：ChatGPT月活9.61亿仅约为全球互联网用户15.7%；2025年，活跃AI Agent约2860万个，IDC预测2030年达22.16亿（CAGR 139%）；商业化空间远未打开。
  • 定价模式进入变革期，提升收入确定性：AI收费从Tokens按量计费转向长协订阅，云厂CAPEX从"脉冲式"变为"平滑可预测"，订单长协化提升收入确定性。

• Token消耗呈指数级增长

  • Token是AI时代的"用电量"——总量增长23倍，需求持续扩张。
    • OpenRouter平台周度Token调用量近一年增至约23倍（4.9→113万亿）。
    • 国内日均Token调用量两年增幅超千倍（140万亿）。
    • IDC预测全球活跃Agent 2025→2030年CAGR达139%，年任务执行量CAGR达524%。

• 驱动力切换，Token需求从线性走向数量级放大

  • 需求引擎从"人"换成"机器"
    • 第一阶段：人驱动，Token增长主要靠ChatGPT类对话产品的用户渗透。
    • 第二阶段：机器驱动，Agent围绕一个目标自主进行任务拆解、多次调用模型、调用外部工具、自我校验，全程无需人在场，且可以后台7×24小时持续执行、多个Agent之间高频联动。
    • 这个切换的投资含义是：Token需求增长与用户数解耦了，后者的增长天花板远高于前者。
  • 切换的量级：单任务消耗放大近30倍。
    • 传统Chatbot：单轮问答约1000tokens，LLM调用1次，无工具调用。
    • Agentic任务：单任务调用模型10-20次，消耗Token是标准聊天机器人的5-30倍。

• 渗透率仍处早期，B端与Agent空间远未打开

  • 对标移动互联网渗透曲线，AI当前约处于"2011年的智能手机"阶段。
  • 根据过去的经验，渗透率15%-20%是应用高增与商业化的起点，而非终点。
    • ChatGPT月活9.61亿（2026.3），约为全球61.2亿互联网用户的15.7%。
    • AI的"应用黄金期"与收入兑现的主升段大概率还在前面，宏大叙事远未到终局。

• 收费模式Tokens→长协化，锁定长期需求

  • 类比移动互联网"按KB计费→包月无限流量"：定价确定性催生用量繁荣。
    • Tokens按量计费的局限：成本不可预测、账单失控，抑制企业深度应用。
    • 长协订阅：预购吞吐量单位——成本可预测、资源有保障、客户粘性高。
    • 对云厂的意义：CAPEX从"基于不确定需求的脉冲式投资"变为"基于锁定合同的平滑规划"。
    • 单价下行×用量高增（Jevons效应）：推动调用放量，行业从"低价换量"进入"量价分层"，总盘持续扩张。

AI投资是否进入回报兑现期

• Capex/ARR剪刀差——投入端增速下台阶/变现端加速兑现/剪刀差开始收敛

  • 关键指标1--CAPEX：2026年四大云厂指引合计超7300亿美元（同比约+79%）；CapEx/OCF投入强度接近极限，后续跟踪重点从"投多少"转向"回报与现金流"。
  • 关键指标2--ARR：OpenAI ARR超250亿美元（2026.2），国产模型ARR"三级跳"；ARR是验证CAPEX能否兑现为收入的核心中间变量。
  • 需求真实性验证：GPU租赁价格全面反转上行，算力由买方市场转为卖方市场，支撑资本开支的合理性。

• 投入端：CapEx总量仍在高位扩张，但现金流压力显性化、节奏趋于理性

  • 五大厂26Q2合计约1986亿美元，同比+91.81%，全年指引较2025年再增约79%。
  • 增量驱动因素：算力短缺（Azure确认需求超供给）+组件涨价（存储LTA集中激活）+ Stargate等新兴主体（OpenAI 4年5000亿美元投资计划）。
  • 现金流与回报：从"投多少"到"扛不扛得住"
    • 全球云厂商资本开支持续加速，AI基础设施投入进入新一轮扩张周期。
    • 资本开支对现金流的消耗同步上升，投资逻辑从“投入规模”转向“回报兑现”。
    • 后续市场将更加关注新增算力能否转化为云服务收入、AI产品变现和利润增长。

• 变现端：ARR加速兑现，"提价不伤量"验证商业化拐点

  • 2026年全球AI Agent软件支出预计约2065亿美元（据Gartner）；Token放量正加速转化为收入。
    • 海外：OpenAI annualized revenue截至2026年2月底已超过250亿美元；企业业务已贡献超过40%的收入。Anthropic增长更快，年化收入由2025年底约90亿美元升至2026年4月超过300亿美元。
    • 国产：Kimi ARR由2026年3月约1亿美元快速升至6月中旬超过3亿美元，且API收入已占整体收入七成以上；MiniMax ARR则由2026年2月约1.5亿美元持续爬坡，2026年8月已超过8亿美元。智谱MaaS API平台2026年3月ARR达约2.5亿美元，同比提升60倍，且Q1 API提价83%后调用量仍增长400%，9月ARR达18亿美元。

• 交叉验证：算力租赁价格全面反转上行

  • 从"担心过剩降价"到"供不应求涨价"——需求真实性的市场化定价证据。
    • H100一年期GPU租赁合同的价格已从2025年10月的低点1.70美元/小时/GPU飙升至2026年3月的2.35美元/小时/GPU，涨幅近40%。
    • 涨价已从新卡（B200/B300）蔓延至上一代卡（H100/A100）。

• 客观风险评估：两大宏大叙事风险均为"部分事实＋前瞻推演"

  • 中长期叙事风险：
    1. 若模型能力趋同、训练及推理效率持续提升，头部厂商的算力采购结构与扩张节奏可能调整，新增硬件需求增速存在放缓风险。
    2. 若存量算力扩大对外供给，可能影响算力租赁价格、设备利用率及新增采购需求；其长期影响取决于需求增长能否消化新增可用容量。
  • 事实：
    1. 部分大型科技企业正在探索算力对外供给。Meta在2026年二季度电话会上表示，潜在企业业务包括直接出售算力，但相关披露尚未明确实际成交价格和规模。
    2. 同时，新增算力合作仍在推进。NVIDIA与OpenAI披露至少10GW的部署合作意向；Anthropic披露与Amazon最高5GW、与Google及Broadcom5GW的算力安排。
  • 尚待验证的判断：
    1. 现有披露尚不支持“大厂普遍停止扩张算力”的判断。
    2. 模型竞争格局尚未形成稳定结论。

• 需要持续观测的指标：

  1. AI商业化收入、利润及现金流回收与投入规模的匹配程度。
  2. 对外提供算力的已签合同、实际成交价格、交付规模、客户用途及合同期限。
  3. 租赁合同、价格与交付。

• 跟踪框架：三项重点观察与验证

  • 节点一：2026Q3财报
    1. 跟踪AI相关收入、利润及经营现金流，区分ARR、确认收入与现金回款。
    2. 关注公司后续披露的2027年投资计划及调整原因。
    3. 观察CapEx/OCF、自由现金流及融资结构。
  • 节点二：算力对外供给的商业化进展
    1. 跟踪新签及续约价格、实际交付周期与利用率。
    2. 区分公开报价、短期现货与长期合同价格。
    3. 结合Token调用量、API价格及实际算力消耗，观察效率提升、需求增长和变现能力的匹配程度。
  • 节点三：租赁合同、价格与交付
    1. 跟踪Meta等公司的实际签约、成交价格、交付规模及客户用途。
    2. 结合新增需求、利用率和采购替代情况，评估外售算力对供需结构的影响。
    3. 观察相关安排是否扩展至更多企业。

• 综合判断：仅凭单季度数据、个别外售案例或历史周期类比，尚不足以判断系统性泡沫是否形成或产业上行阶段是否结束；后续需以连续数据动态检验。

• 研究与估值关注：结合订单约束力、交付与回款、盈利质量、客户集中度及融资能力开展个股分析，并使用一致口径的盈利预测和现金流假设评估估值。PEG、PE等单一指标不足以单独判断投资价值；对依赖远期增长假设的标的，需检验预期变化下的估值敏感性。

• 跟踪框架：CAPEX×ARR剪刀差影响行情节奏

  • 投入端：CAPEX
    1. 投入规模：跟踪季度实际支出及年度指引调整。
    2. 算力价格：按GPU型号、地区和合同期限跟踪价格、交付及利用率。
    3. API计价：区分模型、输入、输出、缓存及折扣口径。
  • 变现端：ARR
    1. 海外厂商：分别跟踪微软、谷歌云业务收入及订单，以及OpenAI、Anthropic公开披露的年化收入指标。
    2. 国内厂商：跟踪智谱、Kimi、MiniMax公开披露的收入、付费客户及API计价。
  • 需求样本：参考OpenRouter平台Token使用趋势，区分Token量与请求次数。
  • 验证重点：结合价格、付费使用量、客户留存及企业客户结构，观察商业化增长能否转化为毛利和现金回收。

• 核心判断：只要Token用量与ARR保持高增、且CAPEX指引未实质下修，AI硬件与算力主线的宏大叙事仍将延续；当ARR增速系统性跌破CAPEX增速且租赁价格转跌时，需警惕周期拐点。

• 风险提示

  • 宏观经济不及预期。
  • 模型迭代不及预期。
  • AI应用落地不及预期。

• 免责声明

• 分析师声明

• 国盛证券研究所