01. 本周核心基调：从“狂热”到“出清”的硬着陆

“模型战争”在技术上并未结束，但在商业逻辑上已宣告终结；“代理（Agent）经济”的残酷验证期正式开启。

截至2026年1月10日的一周，将作为中国人工智能产业的历史性拐点被载入史册。随着智谱AI (02513.HK)于1月8日、MiniMax (00100.HK)于1月9日相继在香港交易所挂牌上市，以及1月10日在清华大学闭门举行的AGI-Next 前沿峰会，行业从风险投资驱动的“故事模式”瞬间切换至二级市场主导的“业绩模式”。

过去两年的市场逻辑——以参数量（Parameter Count）、榜单跑分（Benchmark Scores）和“自主可控”愿景为估值核心——已在一夜之间崩塌。2026年的新估值逻辑是极其冷酷的：可验证的执行力（Verifiable Execution）。资本市场不再为“会聊天的AI”支付溢价，只为“能干活的Agent”和“算力套利效率”买单。

两大不可逆转的趋势已经确立：

“主权算力”的效率税（Efficiency Tax）：AGI-Next 峰会及周边产业链调研证实，中美算力基础设施正在发生物理层面的解耦。虽然华为昇腾（Ascend）系列芯片在产量上实现了突破，但在集群密度上与Nvidia存在代际差。为了达到相同的算力输出，中国企业需要付出数倍的物理空间和能耗成本。这种结构性的“算力通胀”，将永久性地重塑中国AI应用的利润模型。

DeepSeek 引发的“价值毁灭”与“定价重构”：尽管 DeepSeek 未出现在 AGI-Next 的“全明星”阵容中，但其阴影笼罩全场。DeepSeek 通过 R1 架构实现的极低成本推理和激进开源策略，实质上将通用 ChatBot 服务的毛利打到了零。这迫使刚刚上市的智谱和 MiniMax 必须在财报中证明其向高价值、长链条的Agentic Workflow（代理工作流）转型的能力，否则将面临估值腰斩的风险。

灰犀牛预警（Grey Rhino）：本周发布的Humanity’s Last Exam (HLE)评测结果揭示了行业甚至不愿公开承认的真相——在剥离了死记硬背的训练数据后，当前最顶尖模型的真实推理能力依然在个位数徘徊。资本市场目前定价中隐含了“2026年中期解决推理可靠性”的预期，一旦RLVR（可验证奖励的强化学习）技术路径未能如期交付，软件栈的估值体系将面临系统性修正。

02. 市场焦点：AGI-Next 峰会与 IPO 浪潮的深层解码

2.1 “战争议会”：AGI-Next 峰会现场还原与信号解析

2026年1月10日，由清华大学基础模型北京市重点实验室与智谱AI联合发起的AGI-Next 前沿峰会在北京中关村国际创新中心举行1。这场被定义为“Invited Only”的闭门会议，不仅是一场技术研讨，更像是中国大模型“核心圈”的一次战略对齐。

峰会核心议题的深度拆解：

范式转移：从 Chat 到 Action

唐杰在演讲中直言不讳：“Chat时代的范式已经接近尾声。” 。这意味着，单纯依靠语言流畅度来获取用户的时代结束了。下一阶段的竞争焦点是 Coding 和 Agent——即让AI从“说话”变成“做事”。这不仅是技术判断，更是商业求生本能：Chat 无法货币化，但替企业写代码、操作ERP系统可以。

腾讯的“入局”与姚顺雨的“首秀”

作为腾讯总裁办直属的首席AI科学家，姚顺雨的首次公开亮相释放了腾讯的战略调整信号。不同于百度的激进喊话或阿里的全栈布局，姚顺雨提出了一个反共识的观点：消费者（ToC）不需要“极端智能”。他认为，用户并不需要手机助手去证明黎曼猜想，而是需要它在下雨天自动叫车。腾讯的战略将聚焦于 “极端上下文（Extreme Context）”——利用微信生态的社交图谱和支付数据，做最懂用户的AI，而非最聪明的AI。这是一个极其务实且可怕的信号，意味着腾讯将不再执着于刷榜，而是利用数据护城河进行降维打击。

杨植麟的“第一性原理”与 Kimi 的进化

杨植麟在演讲中强调了 Token Efficiency（Token效率） 和 Long Context（长上下文） 的结合 1。他提出的“Agentic推理本质上是一种搜索”的观点，揭示了月之暗面（Moonshot）接下来的技术路径：通过强化学习（RL）在推理阶段进行大规模的搜索和自我博弈，以解决长程任务。这与 OpenAI o1/o3 的思路不谋而合，表明 Kimi 将继续在“超级智能”的单点能力上死磕，试图维持其在科研和知识密集型任务中的优势。

林俊旸的“务实主义”

作为阿里通义（Qwen）的代表，林俊旸展示了最接近工业界的视角。他强调“模型即产品”，并指出了Instruct（指令）与Thinking（思维）的融合。更重要的是，Qwen 在多模态（Omni-modal）上的投入，表明阿里试图通过图像、视频的理解能力，在电商、物流等物理世界场景中寻找落地机会。

2.2 资本的试金石：Zhipu 与 MiniMax IPO 财务透视

本周两家独角兽的上市，撕开了中国大模型公司财务状况的黑箱。这也是二级市场投资者第一次能用审计过的数字来通过P/S（市销率）和Burn Multiple（烧钱倍数）来衡量这些公司的真实健康度。

财务数据对比分析表

对于机构投资者的建议：必须警惕禁售期结束后的抛压。早期一级市场投资者（如阿里、腾讯、高瓴）在这些项目上已获利颇丰或急需回笼资金，2026年7月的解禁期可能引发剧烈波动。

2.3 行业洗牌：从“百模大战”到“幸存者游戏”

随着头部两家上市，腰部厂商的生存空间被极度压缩。那些既没有拿到巨额融资（如月之暗面的5亿美元C轮），又没有上市的“第二梯队”（如百川智能、零一万物），将面临生死抉择。

03. 维度一：硅基底座的物理法则——底层技术与硬件重估

2026年，决定AI发展速度的不再仅仅是算法的天才，而是物理空间的限制和能源的供给。AGI-Next 峰会和近期的产业调研揭示了一个被市场忽视的残酷现实：中美算力架构的物理形态正在发生根本性分叉。

3.1 “160 vs 5”：主权算力的物理代价

一个在技术圈内流传但在金融圈尚未被充分定价的数据点是：为了构建16 ExaFLOPS (FP4)的算力集群，中美技术栈所需的物理资源存在巨大差异。

Nvidia 路线 (NVL144)：仅需约5个机柜。得益于 NVLink 的超高带宽互联和单芯片的高密度计算能力，其物理占地面积极小（约4.8平方米）。

华为 路线 (Atlas 950 SuperPod)：需要约160个机柜。由于单芯片算力密度的差距，以及为了弥补互联带宽不足而必须堆叠的数量，其占地面积高达1000平方米（含散热通道）。

这一数据差异的二阶、三阶推演：

数据中心建设成本（CAPEX）剧增：中国企业建设同样算力的智算中心，需要建设比美国同行大30倍以上的物理厂房。这不仅增加了土地和建筑成本，更带来了制冷系统的巨大挑战。液冷技术（Liquid Cooling）在中国市场不再是“选配”，而是“必配”，这将利好相关的热管理供应链企业（如英维克、高澜股份）。

电力基础设施的压力：160个机柜的能耗远高于5个高密度机柜。这意味着中国AI发展的瓶颈可能率先出现在电力扩容上。掌握自有电厂或位于电力富集区（如贵州、内蒙）的数据中心资产价值将被重估。

模型训练的“延迟墙”：160个机柜之间的通信延迟（Latency）远高于5个机柜内部的通信。这种物理上的距离，使得在中国训练万亿参数以上的超大模型（需要极高频率的参数同步）变得异常困难。这解释了为什么中国模型厂商开始转向MoE（混合专家模型）架构——MoE可以通过稀疏激活减少对通信带宽的依赖，是对硬件短板的一种算法级妥协。

3.2 华为昇腾（Ascend）的突围路线图

尽管面临物理效率的挑战，华为是目前中国唯一能提供大规模自主算力的厂商。根据最新的供应链情报，华为正在执行激进的产能扩张计划：

Ascend 910C (2025/2026主力)：目标是在2026年生产60万颗。这一芯片被设计为对标 Nvidia H100 的“缩水版”或 H20 的替代品。尽管单卡性能有差距，但通过软件栈（CANN）的优化，已经能够支持主流大模型的训练和推理。字节跳动、百度等大厂已开始大规模采购 910C 以规避 Nvidia 供应风险。

Ascend 950 (2026下半年)：预计2026年底推出，采用更先进的制程（尽管良率仍是机密）和新的架构，承诺性能翻倍。这将是华为缩短与 Nvidia B200 差距的关键一代。

3.3 DeepSeek 的“低秩”革命：算法对硬件的救赎

在硬件受限的背景下，DeepSeek（深度求索）的崛起具有极强的象征意义。DeepSeek V3 和 R1 模型并未出现在 AGI-Next 的官方议程中，但这恰恰说明了它作为“体系外”破坏者的角色。

DeepSeek 的核心贡献在于证明了：通过极致的算法优化，可以用二流的硬件训练出一流的模型。

架构创新：大量使用 MoE 和 MLA（多头潜在注意力机制），极大地降低了显存占用和推理算力需求。

这对市场的意义：DeepSeek 实质上在进行一场**“算力通缩”**实验。如果他们的路径是可复制的，那么中国AI企业对高端 GPU 的依赖度将下降，这将缓解硬件封锁带来的窒息感。但这也意味着，出售算力的云厂商（Cloud Providers）的利润率将被压缩，因为客户需要的算力变少了。

04. 维度二：认知的上限——RLVR 与 HLE 的残酷真相

如果说算力是地板，那么认知能力就是天花板。2026年，行业终于撞上了这层天花板。

4.1 范式转换：从 RLHF 到 RLVR

AGI-Next 峰会上，唐杰和杨植麟不约而同地提到了一个新的技术名词：RLVR (Reinforcement Learning with Verifiable Rewards，可验证奖励的强化学习)。

这是对过去三年主流技术路线（RLHF，人类反馈强化学习）的否定。

RLHF 的失败：RLHF 训练出来的模型通过迎合人类标注员的喜好来获得高分。结果是，模型变得“油嘴滑舌”，善于通过华丽的辞藻掩盖逻辑的空洞。

RLVR 的崛起：RLVR 不再依赖人类的主观打分，而是依赖客观的、可验证的结果。

智谱的赌注：唐杰透露，智谱的 GLM-5 正致力于构建一个“通用 RL 环境”，试图将这种客观验证机制从数学/代码扩展到更复杂的现实任务中。这被认为是通往“超级智能”的必经之路——让模型在没有人类干预的情况下，通过自我博弈（Self-Play）实现进化，就像 AlphaGo 战胜柯洁那样。

4.2 HLE (Humanity's Last Exam)：皇帝的新衣

2026年初发布的HLE 评测基准，给沉浸在 MMLU（大规模多任务语言理解）高分喜悦中的行业泼了一盆冷水。

测试内容：3,000 道涵盖数学、物理、法律、医学等 100+ 学科的研究生及以上难度问题。这些问题被设计为“Google Proof”（无法通过搜索引擎直接找到答案）。

惨烈的成绩：即便是 GPT-5、Gemini 3 这样的顶级模型，在 HLE 上的准确率也仅在30%-50%之间徘徊，而大多数中国模型的得分仅为个位数或10%+。人类专家的准确率约为 90%。

投资启示：2026年，任何宣称“模型能力已超越人类”的公司都在撒谎。投资者应关注那些承认局限性，并通过Human-in-the-loop（人在回路）机制来弥补模型缺陷的 Agent 解决方案提供商。

05. 维度三：企业落地与业务重构——代理革命

既然模型还不够完美，企业该如何应用？答案是：Agent（智能体）。2026年是“Chatbot（聊天机器人）”的死期，是“Agent（数字员工）”的元年。

5.1 腾讯的降维打击：“情境（Context）”即护城河

姚顺雨在腾讯的策略非常清晰且具有极高的商业价值。他避开了与 OpenAI 在“智力上限”上的正面硬刚，转而利用腾讯的独特优势：社交与支付数据。

理论模型：一个只有高中生智商（智力一般）但知道你所有朋友是谁、你喜欢吃什么、你现在在哪里的 AI，比一个不知道你是谁的诺贝尔奖得主（智力极高）更有用。

落地场景：微信内部的“超级助理”。当你问“今天吃什么”时，它不是给你一段通用的红烧肉食谱（ChatGPT的做法），而是直接弹出一个大众点评的小程序卡片，推荐你公司楼下你同事刚去过且评价不错的一家日料店，并询问是否需要领券。

商业闭环：这种 AI 直接连接了交易。腾讯通过广告和支付分佣变现，路径极短。

5.2 智谱 AutoGLM：抢夺“手机操作系统”的控制权

智谱正在押注AutoGLM，这是一个能够模拟人类手指操作手机的 Agent。

场景：用户说“帮我给妈妈点一杯瑞幸咖啡”，AutoGLM 会自动打开瑞幸APP，找到历史订单，下单，支付。

战略野心：如果 AutoGLM 普及，它将架空 iOS 和 Android 的界面。APP 变成了后台数据库，AutoGLM 成了唯一的前台入口。

风险：这是一个极其激进的策略，必然遭到手机厂商（小米、华为、苹果）和超级APP（美团、滴滴）的封杀。这解释了为什么智谱急于与手机厂商（如三星、荣耀）建立合作——它需要被“招安”进系统层。

5.3 企业的“AI含金量”重估

在企业端，我们观察到一个明显的趋势：SaaS 正在消亡，Service 正在崛起。

过去：企业买 Salesforce 账号，雇销售人员去填数据。

现在：企业买 AI Sales Agent，Agent 自己去领英抓取线索、发邮件、安排会议。

重估逻辑：那些按“人头（Seat）”收费的 SaaS 公司（如微盟、有赞）如果不能转型为按“工作量（Outcome）”收费的 Agent 公司，其收入将随着企业裁员而崩塌。

06. 维度四：资本版图与地缘政治——流动的盛宴与围城

6.1 香港：唯一的资本呼吸孔

随着美国资本市场对中国 AI 企业的全面封锁（审计底稿问题、地缘政治风险），香港交易所（HKSE）成为了中国 AI 企业的唯一上市出口。

扎堆上市：智谱、MiniMax 的上市只是开始，预计2026年上半年还将有 3-5 家 AI 公司（如百川、零一万物）冲刺港股。

流动性隐忧：港股的流动性远不如美股。目前的上涨更多是基于“稀缺性”。一旦供给增加，或者业绩无法兑现，港股的惩罚机制极其严厉（流动性枯竭，仙股化）。

6.2 “洗澡出海”（Capital Washing）：Meta 收购 Manus 的警示

Meta 斥资约 20 亿美元收购华人创业团队Manus的消息震动了创投圈。Manus 是典型的“洗澡”模式：

核心团队来自中国（清华/大厂背景）。

公司注册在新加坡或开曼。

技术研发在中国，但数据和市场在海外。

最终卖给美国巨头实现退出。

政治风险：这种模式正在引发北京的高度警惕。核心技术人才流失、知识产权外溢（IP Leakage）将成为2026年监管的重点。预计中国政府将出台更严格的技术出口管制和针对 AI 人才/企业的跨境并购审查。VC 依靠“外翻”架构退出的路径正在变窄。

6.3 垂直整合 vs 生态开放的路线之争

垂直整合（To C）：腾讯、字节跳动。自己做模型，自己做应用，数据不共享。这是赢家通吃的逻辑。

生态开放（To B）：阿里 Qwen、智谱。提供基座模型，赋能千行百业。这是卖铲子的逻辑。

投资判断：在中国市场，垂直整合通常能获得更高的利润率（参考腾讯的游戏、字节的广告）。生态开放者容易陷入价格战。

07. 每周行动指南 (Weekly Action Guide)

基于上述深度分析，我们为机构投资者和企业决策者提供以下具体建议：

针对投资者 (For Investors)

买入/增持 (Overweight)

腾讯控股 (0700.HK)：强力推荐。姚顺雨的加入补齐了腾讯在 AI 战略层的短板。其“连接+内容”的生态是 AI 落地变现阻力最小的场景。游戏与广告业务的 AI 提效将在 2026 财报中释放显著利润。

A股 算力基础设施板块（华为链）：推荐关注液冷服务器（如英维克）、CPO光模块（如中际旭创）以及华为昇腾代理商（如神州数码）。理由：国产算力的“物理效率低”导致了对散热和连接设备的超额需求，这是一条确定的增量逻辑。

智谱 AI (02513.HK)：逢低吸纳。虽然短期爆发力不如 MiniMax，但其作为“国家队”基座模型厂商，在政府信创（信息技术应用创新）市场拥有不可替代的卡位优势，具有极高的安全边际。

卖出/回避 (Underweight)

纯“套壳”应用公司：任何核心竞争力仅在于“写好了 Prompt”或“设计了 UI”的公司。DeepSeek 和 Qwen 的能力提升将迅速覆盖这些浅层创新，使其价值归零。

依赖 Nvidia 走私芯片的算力租赁公司：监管风险极高。一旦被查处或被美国“点对点”制裁，资产将瞬间归零。

按“人头”收费的传统 SaaS 公司：除非其已展示出强劲的 Agent 转型能力，否则 AI 带来的裁员潮将直接打击其营收基石。

对冲策略 (Hedging)

多头（Long）：拥有私有数据的行业龙头（如金融资讯、医疗影像）。数据是 AI 时代的新石油，且无法被模型厂商轻易复制。

空头（Short）：只有通用能力的二线模型厂商。在 DeepSeek 的价格战和巨头的生态挤压下，它们的生存空间将归零。

针对企业管理者 (For Managers & Executives)

战略修正 (Strategic Corrections)

停止迷信“大模型”：不要再试图自己训练基础模型（Pre-training），除非你有 10 亿美金以上的预算。直接调用 DeepSeek、Qwen 或 智谱 的 API，把资源投入到SFT（监督微调）和RLVR（奖励模型构建）上，让模型懂你的业务。

拥抱“含硅量”：审计企业的 IT 支出。如果你的 AI 预算还在买服务器，你是落后的；如果你的 AI 预算主要花在 Token 调用和 Agent 部署上，你是先进的。

数据资产化：立即清洗、整理内部数据。在 Agent 时代，你的私有知识库（Knowledge Base）是唯一能让通用模型为你所用的钥匙。

风险合规 (Risk Compliance)

算力备份：如果业务严重依赖 Nvidia 生态，必须在 2026 年内完成向华为昇腾栈的适配测试（备胎计划）。

伦理与归责：在部署 Agent 进行自动决策（如自动审批退款、自动采购）时，必须设置“人类否决权（Human Veto）”和“熔断机制”，以防止模型幻觉造成大规模经济损失。

免责声明：本报告基于公开信息及行业调研撰写，不构成具体投资建议。市场有风险，投资需谨慎。