长江计算机AI沉思录三：模型走向智能扩散与ROI突围及Anthropic复盘

一、AI总结内容 一、核心要点 1. Anthropic脱胎于OpenAI，核心优势在于模型安全性、可解释性，coding能力全球领先，通过聚焦ToB、强化coding能力形成数据飞轮与产品飞轮。 2. Anthropic产品聚焦底层模型集成到各场景工作流，过去1-2年ARR由coding驱动，当前需横向拓展办公、金融、AI制药等场景以维持增长斜率。3. 金融场景落地快、ROI清晰、付费意愿强，AI制药属于AI Science细分，能带来分子设计与蛋白合成环节的增量，是当前重点关注的高价值场景。4. 模型ROI方面，2025年下半年至2026年上半年迎来拐点，单位算力经济性改善，进入正向循环，未来增长将靠高价值工作流分成而非单纯token消耗。二、风险与关注 1. 垂类场景落地存在认知与能力边界，需高质量数据内化模型能力，目前依赖场景提供类似coding的数据飞轮特性。 2. 模型厂商需持续推进自净化自迭代（RSI），年底或迎相关突破拐点，同时需跟踪ARR斜率印证商业化落地情况。 3. Anthropic等头部模型厂商算力储备合计超80G瓦，2032年前完成采购，需关注算力投入的回收效率。 三、投资线索 1. AI Science中的产资层，包括专门从事DNA构建、蛋白表达的玩家，中期订单兑现能见度较高。 二、音频原文（转写） 本次电话会议仅服务于长江证券研究所白名单，客户未经长江证券事先书面许可，任何机构或个人不得以任何形式对外公布复制刊载转载转发，引用本次会议相关内容，否则由此造成的一切后果及法律责任。由该机构或个人承担长江证券保留追究其法律责任的权利。Hello大家晚上好，欢迎收听今天晚上长安计算机的整个行业深度报告群里，然后今天其实主要是给大家分享一个呃，我们自己的一个晨曦路报告第三篇。 然后这篇报告呢，其实我们主要是对s r pick，然后包括他自己的一个呃场景扩散的逻辑，以及他现在ri的。一个呃测算我们进行了一个复盘，嗯，那其实我们其实首先会去拆解这家公司。嗯，最开始其实spick，他基本上是一个脱胎于openi的公司，那其实在2021年的时候，呃创始人dario，他其实本人是在这个，呃从openi出来之后去成立了这家公司那么其实呃，这家公司本质上从呃正常的。 从这个模型来说的话，它本质上其实最底层的一个价值观，呃，与当时的openi有所不同的其实就是它在呃关于模型的安全性和可靠性方面提出了相对来说呃更加严苛的1个要求。那么其实我们可以看到呃，它的模型在有害性和有用性方面。呃相比起正常的rlf的路径相对来说其实是更加突出的，那其实我们做1个简单的对比啊，比如其实如果我们去和lf路径的模型去对比的话，那么openi它其实自己首创的这个宪法ai就cai的话。 会有很大的差别，就是它对于同一敏感的问题的回答其实是会展现出呃不直接回避，反而是正面回应，然后可解释性较强的一个呃逻辑。那其实这个其实会带给大家会觉得呃s four pick的模型，它其实更加相对来说通人性，那么本质上来说，呃，我们认为现在整个an pic它自己的呃模型已经达到了相对来说整个coding能力以及它自己的安全性能力，相对来说是呃全球领先的一个成呃水平。 那么呃，我们说要拆解它到底是如何成为现在的，它的，那我们说其实可以从几个逻辑哦，去进行拆分，那其实首先最开始的时候呃整个战略聚焦上来说它其实就是一家去做tob的公司，那么其实当时在openi2021年的时候，那其实这个时候它已经把整个toc的toc的一个入口呃已经已相当呃相当大的程度上已经站住了。那么其实s o pick想要获得一定的呃这个突破的话，那其实本质上它是需要去选择去聚焦tob的一个入口，那同时呃因为当时整个在模型进行训练的过程当中，呃，大家会觉得呃coding其实是相对来说呃具有较好的一个验证性的场景。 那么并且呢，其实an pick自己的club3的时候，呃他有意识的去强化了自己的一个口顶能力，并且呢，其实当时整个so net3.5在市场上是拿到了相对比较好的反馈的，并且其实这个也会带给公司一个呃反哺模型能力的一个渠道就是。不断的去跑他自己的一个闭环，那所以基本上我们现在来看呃整个and pick，他自己的组织竞争力体现出了比较强的一个呃水准，那并且呢，其实我们是想重点的去介绍一下他是怎么把自己的coding能力做起来的，那其实我们说呃本质上来说呃，其实他们在coding领域，最早其实也是找了垂泪的一些玩家去进行相关的合作。 那其实呃整个s o peak最早的时候他的客户其实就是呃，我们说所谓的一个比较大的一个coding平台叫做cursor，那么那个时候其实cursor是把s pick的模型是放在了呃，他自己平台的一个首位的那这个时候其实本质上用户去使用模型之后，那么用户的一个执行的呃路径以及用户对模型的反馈啊，以及用户相关的对日志修改的这些数据其实是可以被模型习得的，那么其实这些呃比较高质量的数据是可以去反馈给模型的下一轮。 这个呃预训练的，那么其实呃可以让模型的整个coding去跑通一个所谓的闭环数据的飞轮，那其实早期它通过cursor其实是完成了自己第一波产品能力的分发和打磨的，所以基本上现在我们看整个呃组织架构竞争力比较强，再加上模型能力比较强的情况下，他自己其实是在呃2月份到5月份的时候，其实整个发布产品的速度相对来说是非常快的呃，并且呢，我们说其实像现在去看这家公司是怎么去做产品的，那其实核心它，它的逻辑你就会发现哦，他自己的特质其实是高度聚焦于它自己的底层模型的就是其实我所有的产品，其实都指向于说把我的cloud深度集成到我所有的b端的用户工作流就比如说我在呃这个coding领域的话，那其实我的产品叫cloud cold，那我可能在科研领域的话，呃，我的产品就是比如说就所谓的cloud science，那么其实我所有的呃在这个产品在这个场景里面的工具能力其实都是依托于呃我自己的基模，也就是cloud去做延伸那，所以其实呃这个产品优势是能够去帮它，形成一个更正向的飞轮的，就是比如说我在coding当中去迭代下来的a以及harness的能力，我其实是能够去复用到其他的场景当中去的，那其实如果去对比openi来看的话，它过往的一个技术路线，呃更倾向于说我可能要把同一份资源就是拆开给不同的呃产品，那包括视频，然后包括呃，他自己的codex，然后包包括它其他的这种中小的呃，比如说企业ai平台那所以其实我们会认为整个cloud，它相对来说是更加聚焦的，那并且其实除了它不同场景的平台，呃，其实也会有1些呃工具属性的，比如说它其实是最早去推skills以及ncp路径的呃技术的一些呃的公司，那其实本质上，他是希望把所有的这种能力以及工作流都去为 他自己的基模去服务，所以现在我们会看到哦公司它其实呃基本上他自己的coding能力得到了抬升之后，它的配套产品是能够迅速的去铺上的，那其实这个也为他后面去不断的往行业。 和场景里面做其实得到了一个比较好的铺垫，那其实我们会去看现在公司，它整个呃去做产品的一个逻辑是什么样的？那我们说其实呃过往1年到2年维度来看，其实整个模型的ar核心都是由coding这一个呃比较单一的场景去进行驱动的。那么其实当整个coding如果渗透率达到了一定的高度之后，那么其实为了让呃arr的这个斜率哦继续能够往上突破的话，其实是一定需要做一些横向场景的研拓的。 那其实我们觉得呃在这个地方呢，其实会有两个呃逻辑一个其实是更加偏呃自下而上的逻辑，那其实呃，比如说呃整整个coding，或者说整个模型，它在往coding继继续去加深渗透的时候，那它其实能够走向，比如说呃像1些一般行政办公，然后以及客服后台等这种比较容易去进行流程型的呃工作的话，那其实模型是能够去通通过它的口顶能力哦，去把这些工作直接给做进去的，或者说它其实直接是可以去渗透到这里面的那模型，其实不需要再去为了这些场景再单独的去呃做一套，或者说再去呃强化自己的模型能力，那么他可能需要面对的就是一个所谓的哦。 场景落地最后一公里你的问题那第二个阶段就是哦，他可能还会再继续去往整个更垂的，比如说呃这个教育金融，然后包括整个呃科研去做的话，那其实这个时候会发现模型，它其实相对来说在场景落地的过程当中是存在着存在着一定的认知以以及能力的边界的那其实核心是因为呃我模型其实是不知道怎么往这个场景里面去做，以及其实我过往模型在训练的过程当中是没有把这么垂这么深的数据给内化到我模型的训练当中的。 所以其实如果我要往更垂泪更深的一个场景去做的话，那其实我是需要不断的把自己的模型能力呃，再通过这些比较垂的场景的数据再继续做呃，再继续去内化我模型的一个呃基本能力的那，所以其实从这个逻辑上来看，如果要往垂类场景去做的话，其实模型的能力是需要继续去进行进一步的抬升的，那其实呃模型如果需要能力进一步抬抬升的话，那其实相对来说是比较依靠呃这个场景，它能够提供相对质量较高，然后并且能够跑出像当时类似于口顶闭环这样的一个呃场呃，或者说这样的一个特性的，所以基本上现在大家会铆定的一个场景，其实就是呃科学研究那所以呢，基本上现在整个模型来到了所谓的场景的落地最后一公里的问题。 今年会看到整个open air和and pick，他们无论是在呃这个垂类场景也好，或者说是呃，一般的办公场景也好。他们其实呃开始做的一些动作包括前段时间的呃招聘整个fde团队，然后以及不断的去往垂类场景当中呃推出相关的产品，那么今年其实是一个整个步伐在加速，然后并且呢，我们觉得呃基本上在明年就能看到1个呃，比如说商业化的释放的节奏，那本质上来说，我们刚刚讲在垂类里面呢，现在我们觉得相对来说能够打开的比较快的其实其实是哦，第一是整个大金融，然后第二，其实我们觉得是整个f science，然后包括大金融的话本质上呢？ 首先，金融这个场景相对来说呃本质上它其实是一个呃落地相对更快，然后整个roi相对更加清晰的1个场景。嗯，包括其实我如何去，比如说我写一个纪要，然后我节省下来的时间以及我节省的成本相对来说是清晰的，所以现在基本上整个呃金融的付费意愿相对来说也比较强，所以现在整体来看的话，那么大家觉得金融这个是模型能力，能够触及然后并且有比较明确的roi的场景哦，那第二个呃在于其实整个嗯客代呃整个价值量，用户的价值量以及付费的意愿相对来说也会更高。 那其实第二个场景就是其实我们最近也会重点的去强调呃，希望大家能够重点去关注的场景，其实就是f s cience，那么其实呃a f science这一块核心相对来说，呃比较成熟的细分场景，其实具体来说应该是整个ai制药，那么确实最近在整个aidd或者说a f science。电子方面也展现出了一定的变化，那核心其实是由于呃模型玩家的进入，那其实使得过往整个呃在进行药物分子设计的这个设计量首先出现了一个明显的暴增，那么同时呢ai在设计出来这些序列之后，它其实整个对于下游厂商的这种。 验证以及蛋白合成的需求也呃随之增加了，那么模型在进入到这个场景过程当中的呃整个周期其实又进入到了1个训练的大周期，那么其实呃对于整个厂商的产业产业的变化来说，其实就是会有一个呃设计的呃增量，然后以及重复去呃跑这个所谓闭环数据的一个增量，那其实我们觉得呃从这两个点来看的话，目前整个a fscience呃具体的受益的场景或者说具体受益的环节，呃，我们觉得其实核心还是会聚焦在产资层面，呃包括其实像呃一些就是比如说核心专门去做dna构。 见和蛋白表达的玩家，那我们觉得其实短期内呃，或者说在中期维度来看其实是能够去呃实现或者说订单兑现的能见度，相对来说呃是比较高的。那所以包括从整个呃量价的维度上来看的话，我们觉得现现在模型它其实也会呃不断的去走向呃这个价价值量的一个升级，因为我们说未来如果呃未来的增长其实一定不是靠呃同一批coding的用户去把呃token的消耗量不断的往上去打，那么它他其实一定是会依靠你成本下降之后进入更多更高价值的工作流，然后从你为客户去创造的价值当中去进行呃一定的分成，那么其实说白了就是我