2026 年汽车智能化投资策略 20251215 摘要 2014-2017 年行业发散，2020-2022 年聚焦单车智能和 L2+技术，预 控制器崭露头角。近三年硬件市场达峰值，硬件预埋逻辑估值下降，自 动化行情未结束，特斯拉和小鹏引发市场争议。 未来五年（2026-2030）产业将经历三个阶段：2025-2026 年为黎明 前的黑暗期，电动化红利消退；2026-2028 年是投资最佳期，L4 技术 在 B 端商业模式跑通；2028-2030 年则是 C 端市场重新爆发期。 L2 到 L4 发展过程中，行业从炒作硬件转向关注软件应用。硬件市场趋 于饱和，自动化行情仍有结构性机会。未来五年投资策略应从电动化框 架跳脱，注重 AI 应用，从上游硬件转向下游软件应用。 无人驾驶汽车商业模式发展路径：2025-2026 年是投入期；2026- 2028 年 B 端商业模式跑通；2028-2030 年 C 端市场爆发。技术进步是 核心驱动力，政策是辅助因素。 电动化早期政策是主要驱动力，现在技术是首要驱动力。软件算法的重 要性超过硬件。大语言模型对汽车行业产生深远影响，并应用于智能化 车辆。 Q&A 智能汽车行业在过 ...

报告行业投资评级 未提及 报告核心观点 受外围市场利空影响，周一两市主要指数震荡调整，科创 50 指数跌幅较大；2026 年股市预计有增量资金，中国科技板块成全球资金布局 AI 新选择；摩根大通看好 2026 年中国股市；后市资金面承压，市场预期弱势运行，建议股指观望等待新机会，暂不参与股指看涨期权 [1][2][3] 各部分内容总结 行情复盘 - 周一两市主要指数震荡调整，科创 50 指数跌幅较大，两市成交额 1.77 万亿元，下跌缩量；沪深 300 指数收 4552 点，跌 28 点，跌幅 -0.63%；上证 50 指数收 2987 点，跌 7 点，跌幅 -0.25%；中证 500 指数收 7113 点，跌 55 点，跌幅 -0.78%；中证 1000 指数收 7309 点，跌 61 点，跌幅 -0.84% [1] - 行业与主题 ETF 中涨幅居前的是卫星 ETF、航空航天 ETF 等，跌幅居前的是科创芯片设计 ETF、创新药 ETF 等；两市板块指数中涨幅居前的是林业、航天装备等，跌幅居前的是消费电子、医疗美容等 [1] - 中证 1000、中证 500、沪深 300、上证 50 指数股指期货沉淀资金分别净流出 52、40、34、1 亿元 [1] 重要资讯 - 11 月份，规模以上工业增加值同比实际增长 4.8%，环比增长 0.44%，1 - 11 月份同比增长 6.0%，41 个大类行业中有 30 个行业增加值同比增长 [1] - 证监会表示推动落实中长期资金长周期考核机制，发展权益类公募基金，推动指数化投资发展，启动创业板改革，加快科创板改革举措落地，研究推出新期货品种 [1] - 中泰证券称 2025 年股市实现 2.26 万亿净流入，2026 年保险、理财、养老金为增量资金，机构增量资金达 3.1 万亿，公募固收 + 规模至少翻倍 [1][2] - 高盛估计全球央行 10 月净买入 49 吨黄金，维持 2026 年月均 70 吨假设，预计 2026 年底金价升至 4900 美元 [1] - 美银认为美联储储备管理购买计划和财政部债券发行策略调整形成“类 QE 组合拳”，2026 年美联储预计购买 5600 亿美元短债，财政部增发 5000 亿短债、减发 6000 亿中长期债券，降低市场久期风险，预计对 10 年期美债收益率产生 20 - 30 个基点下行压力 [1][2] - AI 专家对大语言模型发展有不同观点，一方认为逼近人类，另一方认为是“智能幻觉” [2] - 可再生能源板块今年跑赢大盘和石油股，标普全球清洁能源转型指数年内飙升 44%，投资创新高，源于人工智能革命带来的能源需求 [2] - 对冲基金进军实物大宗商品市场，金融巨头涉足天然气、电力和原油实物交易 [2] - 国金证券研报称 SpaceX 护城河是成本、制造和客户三大壁垒融合，猎鹰 9 号降低发射成本，与美国政府客户关系构建商业闭环 [2] - OpenAI 取消新员工“期权授予期”，今年股权薪酬支出预计达 60 亿美元，接近预计收入一半 [2] - 日本大型制造业企业商业信心 12 月攀升至四年高位，为日本央行本周加息扫除障碍，市场预计基准利率上调至 0.75% [2] - 经济学家建议特朗普用“关税退税”政策拉升支持率，推动新“超级法案” [2] - 多家全球大型资产管理机构看好印度市场，认为其股市与全球 AI 交易低相关，可对冲风险 [2] 市场逻辑 - 受外围影响周一两市指数调整，2026 年股市有增量资金，中国科技板块因估值、产业生态和制造能力优势成全球资金布局 AI 新选择 [2] - 瑞银证券分析师认为 2026 年多因素共振助力 A 股估值上行，摩根大通上调中国股票评级为“超配”，英伟达 CEO 认为中国将赢得人工智能竞赛 [2][3] 后市展望 - 受外围影响周一两市指数调整，全球资金加码中国股市，外资期待主动资金回归，中国科技板块成布局 AI 新战场 [3] - 摩根大通认为 2026 年中国股市上涨风险高于下跌风险，看好多重积极因素，阿里和谷歌相关人士表示 AI 需求旺盛 [3] - 美国回归门罗主义使全球资金加速流向中国资本市场，美联储降息并购买短债，资产负债表扩张 [3] - 周一两市调整技术走弱，后市资金面承压，市场预期弱势运行，股指观望等待机会 [3] 交易策略 - 股指期货方向交易建议观望等待新机会 [3] - 股指期权交易暂不参与股指看涨期权 [3]

智通财经获悉，据港交所12月15日披露，珠海金智维人工智能股份有限公司(下称"金智维")递表港交所 主板，国泰君安融资有限公司及中银国际亚洲有限公司为其联席保荐人。 招股书显示，金智维是一家专注于提供人工智能("AI")数字员工解决方案及企业级智能体解决方案的AI 企业，通过自主研发的AI解决方案，助力企业加速其数智化转型。通过将AI算法、大语言模型("大语言 模型")和机器人流程自动化("RPA")技术与行业场景的深度融合，该公司实现了将各种不同的工作交由 AI数字员工及智能体处理。 根据弗若斯特沙利文的资料，该公司已服务众多行业多家头部企业，并取得市场领先地位。按市场份额 计，金智维于2022年至2024年连续三年在中国AI数字员工解决方案市场蝉联榜首。于整个往绩记录期 间，该司在此市场服务的大中型企业数量亦位居市场首位。公司的市场领先地位尤其体现在金融服务领 域，自2022年至2024年连续三年市场份额稳居第一。 截至2025年6月30日，根据公司AI解决方案授予客户的授权数量计，金智维已部署逾180万名AI数字员 工。该等AI数字员工涉足金融服务、政务、制造业等十余个行业，累计服务超过1,300家优质 ...

招股书显示，金智维是一家专注于提供人工智能("AI")数字员工解决方案及企业级智能体解决方案的AI企业，通过自主研发的AI解决方案，助力企业加速其 数智化转型。通过将AI算法、大语言模型("大语言模型")和机器人流程自动化("RPA")技术与行业场景的深度融合，该公司实现了将各种不同的工作交由AI 数字员工及智能体处理。 智通财经APP获悉，据港交所12月15日披露，珠海金智维人工智能股份有限公司(下称"金智维")递表港交所主板，国泰君安融资有限公司及中银国际亚洲有 限公司为其联席保荐人。 根据弗若斯特沙利文的资料，该公司已服务众多行业多家头部企业，并取得市场领先地位。按市场份额计，金智维于2022年至2024年连续三年在中国AI数 字员工解决方案市场蝉联榜首。于整个往绩记录期间，该司在此市场服务的大中型企业数量亦位居市场首位。公司的市场领先地位尤其体现在金融服务领 域，自2022年至2024年连续三年市场份额稳居第一。 截至2025年6月30日，根据公司AI解决方案授予客户的授权数量计，金智维已部署逾180万名AI数字员工。该等AI数字员工涉足金融服务、政务、制造业等 十余个行业，累计服务超过1,300家优 ...

本文源自：智通财经网 智通财经获悉，周一，英伟达(NVDA.US)盘前涨逾1%，报177.64美元。消息面上，英伟达公布了第三 代"Nemotron"大语言模型，主要面向写作、编程等任务。其中最小的模型Nemotron 3 Nano已于当天发 布，另外两个更大版本将在2026年上半年推出。与此同时，有报道称，Meta Platforms正在考虑转向闭 源模型，这使得英伟达成为美国最主要的开源模型提供者之一。 ...

智通财经APP获悉，周一，英伟达(NVDA.US)盘前涨逾1%，报177.64美元。消息面上，英伟达公布了第 三代"Nemotron"大语言模型，主要面向写作、编程等任务。其中最小的模型Nemotron 3 Nano已于当天 发布，另外两个更大版本将在2026年上半年推出。与此同时，有报道称，Meta Platforms正在考虑转向 闭源模型，这使得英伟达成为美国最主要的开源模型提供者之一。 ...

周一，英伟达(NVDA.US)盘前涨逾1%，报177.64美元。消息面上，英伟达公布了第三代"Nemotron"大 语言模型，主要面向写作、编程等任务。其中最小的模型Nemotron3Nano已于当天发布，另外两个更大 版本将在2026年上半年推出。与此同时，有报道称，Meta Platforms正在考虑转向闭源模型，这使得英 伟达成为美国最主要的开源模型提供者之一。 ...

据港交所12月15日披露，珠海金智维人工智能股份有限公司递表港交所主板，国泰君安融资有限公司及 中银国际亚洲有限公司为其联席保荐人。招股书显示，珠海金智维人工智能股份有限公司是一家专注于 提供人工智能("AI")数字员工解决方案及企业级智能体解决方案的AI企业，通过自主研发的AI解决方 案，助力企业加速其数智化转型。通过将AI算法、大语言模型("大语言模型")和机器人流程自动化 ("RPA")技术与行业场景的深度融合，该公司实现了将各种不同的工作交由AI数字员工及智能体处理。 如以下根据弗若斯特沙利文的资料提供的各种排名所示，该公司已服务众多行业多家头部企业，并取得 市场领先地位。按市场份额计，珠海金智维人工智能股份有限公司于2022年至2024年连续三年在中国 AI数字员工解决方案市场蝉联榜首。于整个往绩记录期间，该司在此市场服务的大中型企业数量亦位 居市场首位。公司的市场领先地位尤其体现在金融服务领域，自2022年至2024年连续三年市场份额稳居 第一。 | [编纂]項下的[編纂]數目 : [編纂]股H股(視乎[編纂]行 | 使與否而定) | | --- | --- | | [編纂]數目 .. | [編纂 ...

文章核心观点 - 中国金融智能体行业在技术突破、业务创新与政策支持三重驱动下，于2025年进入发展元年，目前正处于初步探索期（投资建设期）[3][12] - 行业当前面临高涨的市场期望与探索期落地现状的错配，需警惕项目效果不达预期导致客户信心透支的风险，维护行业良性发展至关重要[48] - 金融机构对智能体的价值期望已从提升效率工具，转变为驱动业务增长与重塑客户体验的核心创新引擎，投资意愿正在提升[57][65] - 预计行业将经历初步探索期、敏捷实践期（回报初期）、规模扩展期（黄金回报期）三个阶段，市场规模将从2025年的9.5亿元增长至2030年的193亿元，年复合增长率达82.6%[39][107][121] 驱动因素 - **技术突破**：以DeepSeek为代表的大模型在任务理解与规划能力上持续增强，同时MCP、LangChain等协议与框架降低了开发门槛，推动智能体走向实用化[6] - **业务创新**：约33%的金融机构对智能体持较为积极的投资态度，致力于探索其在业务增长、客户体验与运营降本增效等维度的落地模式[7] - **政策支持**：国家层面的“人工智能+”战略及金融“五篇大文章”为智能体应用提供了清晰的指引与目标规划，引导金融机构调整科技投入优先级并设立专项资金[9] 应用落地现状 - **周期阶段**：2025年为金融智能体发展元年，96%的应用实践处于初步探索期，仅4%进入敏捷实践期[12][13] - **场景应用**：当前落地主要集中在职能运营类场景（如知识问答、办公助手）和金融业务场景外围提供辅助工具，尚未深入影响金融决策核心场景[16][17] - **客户分布**：银行业以43%的项目数量占比成为核心阵地，资产管理类机构占27%，保险业占15%[26][27] - **项目类型与金额**：项目分为“嵌入式智能体功能”与“独立智能体应用开发”两类[30] 独立应用类项目金额多集中在30万至150万元区间，平台类项目多在100万至150万元之间，少数由业务主导的千万级项目致力于全流程深度改造[35][36] 市场规模与商业模式 - **市场规模**：2025年中国金融机构对智能体平台及应用解决方案的投资规模为9.5亿元，预计2030年将达193亿元，年复合增长率为82.6%[39] - **增长动力**：增长源于存量项目扩容与新机构布局的明确增长，以及政策驱动、头部示范效应和行业周期演进带来的潜在动力[40][41] - **商业模式**：主流为产品交付模式（销售软件产品），易同质化竞争[44][47] 价值交付模式（RaaS，按业务效果分润）市场空间巨大但实施难度高，对服务商金融业务KnowHow要求极高，目前处于模式探索阶段[44][47] 客户认知与需求 - **认知偏差**：非技术背景从业者对智能体存在“高预期值、低辨别力”的特点，而部分技术背景从业者则可能因过度谨慎而低估其价值[52][55] - **价值期望演变**：客户期望智能体从提升效率的工具，转变为驱动业务可持续增长与重塑客户体验的核心创新引擎[57][61] - **投资意愿分层**：机构分为积极探索型（战略投资）、务实跟进型（价值驱动）和审慎观望型（风险规避）三类，多数采取有限试点的渐进式策略[70][71] - **核心关注方向**：客户决策链路围绕安全合规、价值评估、落地实践与持续发展四大维度展开[74] 关键挑战与关注点 - **安全合规**：58.9%的受访者最关注智能体行为安全，确保可靠可控、规避模型幻觉是采纳智能体的前提与底线[77][79] - **价值评估与ROI**：初步探索期缺乏参照先例，ROI难以评估，若项目效果不达预期将影响后续投资信心[48][51] - **落地实践核心**：在安全与易用基础上，深度适配金融场景、理解金融业务逻辑是智能体成功落地的核心，66.2%的受访者最关注此方向[84][85] - **数据治理**：数据孤岛、缺乏元数据与清洗等问题是影响智能体项目推进的关键因素，需建立面向智能体的数据工程体系[51][104] 行业趋势推演 - **初步探索期（当前-约2027年）**：重点在于市场教育、客户预期建设、防范伪智能体产品，并解决数据有效性问题[100][101][104] - **敏捷实践期（回报初期）**：行业到达第一个增长拐点，智能体开始释放应用价值，核心目标是抽象出规模化范式[107][108] RaaS模式将有助于缓解客户对ROI的担忧，推动更多实践[113][114] 市场竞争将加剧，厂商格局将因能力差异而分化[110] - **规模扩展期（黄金回报期，预计2028年起）**：智能体应用规模化范式形成，行业进入高增长阶段[121][123] 需重点关注智能体治理、安全合规及总拥有成本（TCO）的系统性规划[122][127][130] 面向价值增长的金融Agent Infra将成为能力建设必选项[124] 长期可能向智能体金融网络平台及金融智能共生系统演进[137][139]

" 将 Key 跟 Value Cache 按照不同的方法压缩，可以让模型不掉 点。 " 作者丨张进 编辑丨 林觉民 目前，不同大模型厂商发布的大语言模型在处理超长上下文方面已经有显著突破，最高的已能支持数百万 Token 的输入，例如 MiniMax-M1、Qwen2.5-1M 系列模型，均支持百万Token（1M）级别的超长上 下文处理能力。 但是这场有关提升大模型上下文长度的"军备赛"依然不会停止，这是一项巨大的工程与效率之战。因为超 长下文为模型智能提供了最广阔的发挥空间——在处理如金融、法律、医疗等领域的长语境任务时表现更 好。所以谁能率先突破更长上下文处理能力，便有机会创造出更大的商业与技术价值。 胡侠团队便针对这一目标提出了一项最新研究方案——"通过有损计算（Lossy Computation）来提高大 语言模型的推理效率"。这项研究的基本思路是，利用大语言模型对来自低精度计算等"有损"操作产生的 噪声具有极强鲁棒性这一特点，主动引入可控的、不损害性能的信息损失，以换取显著的效率提升。 大模型中的"有损计算"是通过有选择地牺牲一部分精度来大幅降低计算或者存储成本，从而提升推理效 率，主要围绕模型 ...