长江计算机AI沉思录五：CODING之后智能的下一步

发布时间：2026-08-31 一、AI总结内容 一、核心要点 1. AI发展经历TOKEN MAXING到VALUE MAXING阶段，当前处于从放开使用到聚焦确定性价值回报的关键节点2. 大模型渗透分为五个阶段：数据原生场景（如CODING）、WORKFLOW/垂类行业、企业数字员工、具身与物理AI3. 北美大模型厂商当前核心发力科研、金融场景，同时押注RSI（AI FOR SENSE）下一代模型范式 二、投资线索 1. 大模型厂商自下而上布局WORKFLOW类场景，自上而下发力科研、金融等垂类场景2. 垂类场景落地催生新型“铲子股”，如AI FOR SENSE领域的数据闭环、测试验证相关企业3. 科研、金融场景具备增量价值创造能力，是当前AI突破瓶颈的核心方向三、风险与关注 1. TOKEN消耗、成本上涨带来预算压力，若价值落地不及预期可能影响AI渗透节奏2. 模型范式迭代存在不确定性，RSI落地进度或不及市场预期3. 垂类场景商业化落地速度、空间仍需进一步验证 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。各位投资人，大家晚上好。我是长江计算机的郭敬超。 今天的话呢，是我们系列会议的这个呃整体里面去讲新一个这个整体的一个话题啊，就是也是我们沉思录系列的第五篇，就是CODING之后智能的下一步是什么？因为最近的时候，其实大家关于就是呃未来就是到底是要看哪一些的场景，包括所谓的CODING的现在这个市场呃到底到了。哪一步的渗透程度，其实整个市场其实还是有非常多的一些这个所谓的担忧和怀疑。所以我们今天其实这篇报告也是通过首先先跟大家去说一下，现在从token maxing 到value magazine的这样子的一个阶段，然后去整体去通过空间的一个探讨来告诉大家。 我们后续到底往哪一些场景去看？包括这些场景可能大概代表了一个多大的空间，然后以及现在大模型厂商到底在集中在做哪些动作，然后呢，以及就是在后续的模型范式上啊，整个的R S I其实也是现在北美模型核心的这个压注点。那我们其实通过这三部分来核心告诉大家。除了扣定以外，我们到底之后要关注什么？ 智能的下一步是什么？这个其实是我们今天晚上核心汇报的重点。呃，那么首先到第一部分就是为什么这一次包括AI叙事啊，大家还是有一个这个整体的一个呃担忧，包括就是从今年年初以来到现在，其实态度上出现 了比较明显的变化呢。就是首先的话呢，这个如果从显象的一些事件上啊，其实是当时从二五年年末到二六年上半年。 其实因为整个的大模型突破到了写工程的这个阶段。然后也是引发了这个企业端，包括很多的这个实际的使用客户端。他们的一种方梦的心理，然后这个方梦的心理下呢，大家会觉得现在的AI其实已经足以具备去改变很多原来的工作流和原来的很多的场景的这样子的一个基础。然后那在这种情况下，大家其实要靠不断的尝试，才能够比如说实现率先的转型。 然后整个社会会认为谁能够实现率先的转型，谁就有一个更强的这个所谓的一个竞争力。那么在大家去焦虑、担忧、措施、技术窗口的一个背景下。北美的，尤其是像这种开发者，然后或者是大部分的科技公司，率先就将AI工具的使用率还有TOKEN的消耗量。成为了内部的KPI的这个核心的一个考核，包括大家在整个一个模型使用上，企业内部和企业高层开始核心去甚至发放这个所谓的TOKEN的预算和TOKEN的补贴。 来作为促进大家使用的这样子的一个激励。然后包括甚至例如可能像meta这样子的一些厂商，把内部消耗的token的这个排名来作为衡量你是否为优秀员工的一个所谓的呃显性的kpi。所以这里面的话呢，在一开始的时候，这个阶段其实是一个比起说我让你说这个一定带来具体的效果，其实大家更多要经历一个就是你先大量的去尝试，因为说白了就是在每一轮新的技术变革下。就是相当于说你其实本质上。 还不知道AI到底能带来确切性的带来什么，包括如何去使用。那其实作为企业端，或者是作为想要去抓住这个改革机会的厂商来说，它其实就是一定要去经过一个TOKEN MAXING的这个阶段。说白了就是你得先让大家放开了用，你其实才有可能去碰撞出未来的这样子的一个火花。然后后来呢，是因为到了这个所谓的2026年的，就是大概接近年中的这个位置。 大家发现就是除了我伴随的这样子的一个使用，发现确实整个大模型的token。他的这个预算其实消耗开始会变得非常的多。所以呢，就是我一开始先放开用，之后后来到了2026年的大概五六月份开始。大家就在考虑说，哎，发现这个一个，比如说当时比较极端的就是可能开发者。 他其实可能一个月就能花掉上万的这个TOKEN，是上万的美金。然后这样子的一个预算。然后包括可能大家至少一个月也是会给个就是两三千刀，然后作为这样子的一个TOKEN预算的这样子的一个支持。然后但是因为发现整个的一个消耗的一个比率，然后或者是说一个斜率非常的快。 所以后来在整个就是后续的时候，其实又进入到了第二阶段，就是会考虑说，哎，我到底在之前的先是放开用的这个所谓的一个尝试下，我后面要去看的是哪一些真正能够带来可能确定性的一些价值的回报，包括如何真正在大家都尝试已经知道了AI可能能做什么，或者是有一个什么样的能力之后，我其实要更多聚焦到一定的这个回来的这样子的一个效果。所以就从放开用开始，进入到了一定的这个预算的管理。 并且其实在这个阶段的过程中，还发生了一件什么事情呢？就是整个模型它的整体的这样子的一个呃所谓的就是价格，其实也还是在一个不断的上移。就本质上的话呢，就是呃，在这个这个所谓的，就是我们会发现2026年的上半年，伴随着大家的模型的参数量的持续的还是在提升。然后以及就是整个包括开源模型能力也在提升，就是整体。 大家其实无论是国内模型还是海外模型。如果从大家的前沿模型定价来说，其实都还是在涨价的。那也就是说，其实相较于大家思惯性思维里面觉得。诶，我如果到这个大规模使用的时候，应该是TOKEN成本已经降到了一个很低的程度。 但现在其实并不是的，所以也是在这个整个的价格的成本的一个上涨，包括模型其实还在持续迭代，所以带来整个的模型就是或者是包括就是在整个的一个使用中，就是你的预算、你的能这个还是在不断的就是有存在一定的压力。所以呢，就是在发现包括之前的时候，可能大家采用的是定位值，但是大家在使用模型的时候，其实逐渐都变成了偏重度的一些用户。而且在整个的一个就是这种工作当中，其实你会发现最后TOKEN的往往其实还不到他去做执行，反而是他慢慢的就是不断的再去做来回的读取。 然后在这个过程中就导致其实呃就是整个的一个就是TOKEN，然后包括从模式上啊，其实还是在做不断的一些转变。所以呢，就是我们就会发现整个从后来接近年中的时候，大家其实就从TOKEN的这种考量逐渐变成了要去看所谓的结果。然后企业端开始呃重新去定义AI的这个所谓的价值的这个度量，比如说包括像SALESFORCE，包括像呃各家北美的一些厂商，大家开始关注就到了真正是否能够解决问题带来价值。 这个时候其实它本质上是一个非常良性的一个结果，因为呃我们刚刚也说了。是你如果先不经历这个所谓的大规模的这样子去尝试，你说我一开始就已经像先知一样知道我能做什么，这是不可能的。所以呢，其实后来又到了真正就是其实本质上就除了大家的这个类似于说扩面去用，开始变成了我真正往深度然后去尝试去使用。所以大家如果有观测到，比如说像Q二的时候，北美的云端厂商去发布自己的这个财报的时候，其实我们会发现他们也会表明，就是比起原来 来，可能我只靠大模型带来的云端的积压订单，其实开始出现了企业端真正去使用，然后带来的所谓的积压订单的这样子的一个增多。 所以呢，就是本体本质上就是AI的落地，其实是符合生产力的这样子的一个呃G曲线的。然后呢，包括从后续的一个模型发展来看，其实我们也是要逐渐走到了就是任务需求分层，还有就是像这种多AGENT的协作的这样子的一个拐点，包括其实这个也。像就是大家提到的，可能原来的时候我只是在打CODING，包括我后面其实可能要做的是如何去这个所谓的做这个所谓的就是CO WORK，然后包括如何去做协作。 那这个的话其实是后面核心要去观测的点，然后以及包括现在其实在整个的企业端AGENT加HARNESS到底在每个场景里面如何去做结合，然后如何去有基础型的铲子，然后去进行最后的一个真正发现，类似于说我要有一个大。模型在场景端的这种使用说明书，这个东西会逐步的开始散发，诞生出它的价值，然后真正去和这个所谓的企业的价值和企业的流程啊去建立起联系，从而打开更多的这个企业端的这样子的一个预算池。 所以的话呢，这个里面其实呃也包含了就是从TOKEN MAXING到Y六MAXING的这个过程中，其实也会引发大家去思考几个问题。就第一的话就是斜率的一个问题，因为其实今年上半年的时候确实。是包含了预算的一定的前置，然后包括大家就是被促进去使用。那现在其实我更多的要去往这个价值，然后往这个方向去走。 而这个空间的话呢，除了就是本质上，比如说之前我们按照这个空间可能按照这个预算来算。那现在其实我们要看的是，比如说到底你原来这个赛道里面的薪酬池，然后IT池是多大，然后如果你能带来价值，其实能这 个靠大模型能够在里面吃到多少。所以的话呢。我们呃这篇报告其实是先通过呃北美劳工统计局在2025年5月份呃发布的这个整体的一个各个行业的这样子的一个薪酬，实际的薪酬和员工数量，然后去算出一个薪酬池，以及去预测出来现在的一个 it的一个，比如说各类软件的一个池子。 首先先给大家一个直观的感受，来告诉大家不同的场景到底可能从一个薪酬的维度来说，至少它的空间有多大。然后从这个角度来看呢。呢也是能够给大家一个直观的感受，包括我后面会跟大家去讲为什么模型厂商会选择某一些场景作为他们自上而下的推导，然后另一些场景为什么是是用另外的方式去做渗透。这个其实都是可以从这篇报告里面去寻找到呃相对应的这个原因。 呃所以的话呢，首先比如说从CODING来说啊，就是我们按照这个呃所谓的五月份大家的这个平均薪酬十四点八万为一个基础，然后呢包。括整个就是看员工福利，就是负担的这个为基础工资的百分之二十五。然后成本端的话呢，是假设首年可能他们的这个模型上的预算为三千，然后部署和培训成本约这个所谓的三百刀。那首先我们可以看到就是CODING其实是之前最先跑通这个呃所谓的ROI的，就是如果你每周解手的时长能够达到两小时，然后其实在基准的这个情况下，就这个赛道的ROI是更比较明显能够去跑。 跑通的，然后呢，真正难点其实就是说白了，就是你各个场景其实都有自己各自的ROI。那你真正的难点是到底如何去变为有效的这样子的一个产出，这个其实是就是各个场景会必经的阶段。包括其实如果我们从这个视角去看后续的一个发展来说的话呢，就是本质上大模型包括整个总需求端，我们在交易的其实是靠模型能力的不断间接带来的总需求盘子的不断扩大，这个里面大家。一定要关注到，就是每一个阶段下它的需求的等式啊，其实是会发生改变的。 比如说最早的时候，OPENAI它先把这个这个CHATGPT让大家能够愿意去使用，但那个时候其实还只是一个订阅费的所谓的总需求，就是靠付费用户数乘上一个订阅费。那这里面当这个付费用户数类似于说达到一定瓶颈期的时候，那当时大家其实也是陷入了总需求的担忧，后来是靠这个GPT O ONE还有DEEPSICK R ONE打开了强化学习的这一条路径。然后真正带来了所谓的AGENT，然后以及引发了所谓TOKEN消耗的这个模式。 那后来是进入到了除了付费用户数以外，大家乘的是TOKEN的消耗量，再乘上TOKEN的定价，并且这个变现在CODING里面呈现的非常的明显。那么现在其实又到了一个，如果你只是CODING TOKEN的消耗，其实也有可能会达到一个相对大家认为的瓶颈，包括TOKEN的定价，其实会根据整个