深度拆解|瑞银DeepSeek V4研报 看懂中国AI算力本土化的机构逻辑
摘要
本文深度拆解瑞银2026年DeepSeek V4深度研报，还原大模型分层运营与算力本土化的底层逻辑，提炼可复制的科技行业研究方法。本文仅为思维训练参考，不构成投资建议。
开篇
本文是我们针对瑞银证券于2026年4月发布的《DeepSeek V4：算力本土化时代的生态重构》深度研报进行的逻辑拆解与方法论提炼。
近期DeepSeek V4的发布引爆了整个AI行业，市场上充斥着各种关于模型参数、性能跑分的对比分析，但绝大多数内容都只是在复述模型的技术指标，却没有人告诉：机构是如何透过参数表象看到行业竞争格局的根本性变化的？他们为什么反复强调"算力本土化"这个看似抽象的概念？又是如何判断中国AI产业未来3年的发展路径的？这才是普通投资者与机构之间最大的认知差。
本文的核心目的不是给一个可以抄的股票名单，而是带穿透技术表象，完整还原专业机构的思考逻辑。我们将逐字拆解这份重磅研报的13条核心观点，重点分析机构的技术验证逻辑、成本曲线测算方法与生态位卡位逻辑，并提炼出普通人也能直接套用的通用学习框架。
全文所有分析均严格锚定瑞银研报的核心观点，我们不生产观点，只做机构思考逻辑的搬运工。希望通过本文，能真正学会像机构一样思考，建立自己的独立分析体系。接下来，我们将从核心结论、底层逻辑框架、机构研究方法论、关键观点逻辑拆解四个维度，为全面呈现这份材料的精髓。
第一部分：研报核心逻辑与现实洞察系统梳理
研报核心定位与重磅结论总览
本次瑞银研报全面覆盖DeepSeek V4的技术升级、定价策略、算力协同与行业竞争格局，核心结论如下：
• DeepSeek V4标志着中国大模型竞争从"单点参数竞赛"进入"分层生态运营"新阶段（基于模型架构与产品矩阵分析）
• V4采用双模型策略，V4-Flash走量覆盖通用场景，V4-Pro走质瞄准高价值任务（基于产品定位与性能测试数据）
• V4-Flash定价达到全球地板价，输出价格仅为海外同类模型的十分之一左右（基于全球大模型定价对比分析）
• 三大架构创新将1M上下文推理成本降低73%，实质性踏平企业级AI采纳门槛（基于技术指标与成本测算数据）
• V4采用轻量化设计天然适配国产加速器，与Ascend 950超节点形成软硬协同（基于模型架构与国产算力路线分析）
• 2026年下半年Ascend 950规模化上线后，V4-Pro价格有望进一步大幅下降（基于国产算力部署时间表与成本模型）
• 国内AI行业共识已从"卷模型参数"转向"卷agentic与coding"，场景落地成为核心竞争点（基于头部厂商产品动态调研）
• 行业竞争将出现清晰分层，底层模型、基础设施、垂直场景玩家各有不同的胜负手（基于行业竞争格局分析）
研报底层逻辑框架深度拆解
本次瑞银对DeepSeek V4的分析采用了"技术迭代识别→定价策略分析→算力协同验证→竞争格局重构"的四维闭环分析框架，各维度权重与逻辑关系如下：
1. 技术迭代识别（权重30%）：机构首先判断DeepSeek从单一模型向双模型分层的转变是行业发展的必然趋势，技术架构的创新不仅提升了模型性能，更重要的是大幅降低了推理成本，为大规模商业化落地奠定了基础。
2. 定价策略分析（权重25%）：机构深入分析了V4的定价体系，认为极致的性价比是DeepSeek抢占市场份额的核心武器，而定价的背后是模型效率的提升与算力成本的下降，这将重构整个大模型行业的成本结构。
3. 算力协同验证（权重25%）：机构重点关注DeepSeek与国产算力的深度绑定，认为这是中国AI产业突破海外算力封锁的关键路径，软硬协同将形成独特的竞争优势，走出一条独立于海外的发展道路。
4. 竞争格局重构（权重20%）：通过对比国内头部厂商的产品动态，判断行业竞争逻辑已经发生根本性变化，从过去的参数竞赛转向现在的生态运营与场景落地，不同类型的企业将在各自的赛道上展开竞争。
不同环节的分析侧重点存在差异：
• 模型层：重点分析架构创新带来的效率提升与产品分层的商业逻辑；
• 定价层：重点分析成本结构的变化与市场份额的争夺；
• 算力层：重点分析软硬协同的可行性与国产算力的替代进度；
• 竞争层：重点分析行业共识的转变与不同企业的生态位卡位。
研报核心现实洞察提炼
本次瑞银研报最核心的现实洞察是：中国AI产业已经度过了单纯模仿海外的阶段，正在走出一条适合自己的发展道路，算力本土化与场景落地将是未来3年的核心主线。
机构在筛选信息时，重点过滤了以下三类短期噪音：
1. 模型参数竞赛的噪音：机构认为单纯的参数提升已经没有太大意义，模型的效率、成本与场景适配性才是更重要的指标，因此没有纠结于V4-Pro的1.6T总参数，而是重点关注其激活参数与推理效率。
2. 短期性能跑分的噪音：机构没有被个别基准测试的排名所干扰，而是综合评估模型在不同任务上的表现，尤其是在企业级应用场景中的实际效果，认为这才是决定模型商业价值的关键。
3. 单一厂商动态的噪音：机构没有只关注DeepSeek一家的动态，而是将腾讯、阿里、小米等头部厂商的产品更新放在一起分析，从中提炼出整个行业的发展共识与趋势。
机构判断信息价值的核心标准有三个：是否能够降低AI的使用成本、是否能够推动国产算力的发展、是否能够实现大规模的商业落地。基于这一标准，机构将算力本土化与agentic应用列为2026年AI行业最值得关注的两大方向。
第二部分：本次研报体现的机构通用研究方法论提炼
DeepSeek V4产业链机构研究方法论总结
基于对本次瑞银研报的逻辑拆解，我们提炼出5条适用于所有科技行业的通用研究方法论，普通人可以直接套用这些方法分析其他科技行业的投资机会：
• 技术分层运营分析法：通过分析企业的产品矩阵与分层策略，判断企业是否能够覆盖不同层次的市场需求，实现"用低端产品养生态、用高端产品赚利润"的良性循环。
• 软硬协同成本曲线法：通过分析软件与硬件的协同效应，测算技术进步带来的成本下降空间，判断行业的商业化落地进度与长期增长潜力。
• 生态位卡位判断法：通过分析行业的竞争格局与不同企业的核心优势，判断企业在产业链中的生态位，优先选择那些占据关键生态位、拥有不可替代优势的企业。
• 行业共识趋势捕捉法：通过跟踪头部企业的产品动态与战略方向，提炼出整个行业的发展共识，提前布局那些符合行业共识的赛道与企业。
• 成本定价权分析法：通过分析企业的成本结构与定价策略，判断企业是否拥有定价权，以及成本下降能够带来多大的利润空间与市场份额提升。
第三部分：研报指定核心观点深度拆解
DeepSeek V4分层运营逻辑拆解|机构如何识别行业竞争范式的转变
【观点研报】
瑞银拆解DS V4：算力国产加速！不卷价格卷生态，DeepSeek终于不再只发一个孤零零的模型了。V4这次直接掏出两张牌：V4-Flash走量、V4-Pro走质，把国内大模型市场从"单点对决"拉进了"分层运营"的新阶段。更关键的是，瑞银在这份研报里反复提了一个词——compute localisation（算力本土化）。
【逻辑路径】
1. 市场预期差：市场普遍认为DeepSeek V4只是一次常规的模型参数升级，而机构认为这是中国大模型行业竞争范式的根本性转变，从过去的单点参数对决进入了分层生态运营的新阶段，算力本土化将成为未来的核心战略。
2. 市场分歧：当前市场的核心分歧在于分层运营模式是否能够真正成功，以及算力本土化的进度能否跟得上模型的发展需求。
3. 板块影响因素：今年AI板块的表现主要受大模型技术迭代、国产算力进展与商业化落地进度三大因素影响，其中算力本土化的进展是影响板块走势的核心变量。
4. 市场定价逻辑：市场将分三个阶段定价DeepSeek V4带来的行业变化：第一阶段（当前）炒技术迭代与分层运营预期，相关标的估值快速提升；第二阶段（2026年Q3-Q4）炒商业化落地与市场份额提升，业绩兑现的企业继续上涨；第三阶段（2027年）炒算力本土化带来的成本重构，拥有软硬协同优势的企业获得长期估值溢价。
【多维度拆解】
【判断锚点】
本条核心判断为：DeepSeek V4采用V4-Flash走量、V4-Pro走质的双模型策略，将国内大模型市场从"单点对决"拉进"分层运营"新阶段，瑞银反复强调算力本土化的核心战略意义。强关联点包括：V4架构创新适配国产算力（第8条）、Ascend 950 2026年下半年部署（第9条）。投研通过分析产品策略的变化，识别行业竞争范式的根本性转变。
维度1：资金格局与市场情绪
本条判断直接反映了全球资金正在从单纯的大模型标的向具备软硬协同优势的AI全产业链标的转移，大类资产配置呈现"AI全产业链均衡配置"的结构性特征。这一趋势在当前全球AI技术快速迭代的阶段处于加速阶段，未来2-3年将持续深化。
关联判断1：大模型进入分层运营新阶段（第1条）；关联判断2：算力本土化成为核心战略（第1条）。
与2023年AI行情初期资金集中炒作大模型标的不同，本轮行情资金更加注重产业链的协同效应与长期发展潜力，因此算力、算法、应用等各个环节的优质标的都获得了资金的青睐，行情的持续性也会更强。
通过跟踪全球产业资本的流向与公募基金的持仓变化，结合行业技术迭代的进度，判断资金的长期配置方向，过滤短期题材炒作的干扰。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：在大模型技术快速迭代、行业竞争日益激烈的背景下，DeepSeek没有继续在单一模型上追求参数的极致提升，反而推出了两个定位不同的模型，走分层运营的路线。矛盾的本质是大模型行业已经从技术探索阶段进入了商业化落地阶段，单一模型无法满足不同层次的市场需求，分层运营是实现大规模商业化的必然选择。
驱动因素分层拆解：
• 表层直接诱因：随着大模型应用场景的不断拓展，不同用户对模型的性能、成本与响应速度有不同的需求，单一模型无法同时满足所有需求，必须进行产品分层。
• 中层商业逻辑原因：分层运营可以实现"用低端产品覆盖大众市场、积累用户与数据，用高端产品服务高价值客户、获取利润"的良性循环，同时也可以构建更加完整的生态体系，提高用户的粘性。
• 深层算力约束逻辑：海外高端算力供应紧张，限制了单一超大模型的大规模部署，而分层运营可以根据不同模型的算力需求，合理分配算力资源，提高算力的利用效率。
关联判断1：V4-Flash定位通用场景（第3条）；关联判断2：V4-Pro瞄准高价值任务（第3条）。
历史相似周期案例：2010年左右的智能手机行业，从最初的高端旗舰机单一产品，逐步发展为旗舰机、中端机、入门机的完整产品矩阵，分层运营成为行业的标准模式，推动了智能手机的大规模普及，与当前大模型行业的逻辑高度相似。
经典理论支撑：产品生命周期理论，当行业从导入期进入成长期时，市场需求会出现分化，企业需要通过产品分层来满足不同层次的需求，扩大市场份额，实现规模化盈利。
通过分析行业的发展阶段与市场需求的变化，判断企业产品策略的合理性，优先选择那些能够适应行业发展趋势、产品策略清晰的企业。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年国内所有主流大模型厂商都将推出分层产品矩阵，分层运营成为行业的标准模式。核心观测方向为其他头部厂商的产品发布动态，关键触发条件包括：1. 智谱、Kimi等厂商推出分层模型产品（高概率，90%）；2. 分层模型的市场份额超过单一模型（高概率，85%）。
本条判断预判的核心局限性在于：未考虑出现突破性技术导致分层运营模式失效的风险，以及行业竞争加剧导致分层产品价格战的风险。
思维提示：普通人在分析科技行业的竞争格局时，要特别关注行业竞争范式的转变，那些率先适应新的竞争范式、调整产品策略的企业，往往能够获得先发优势，成为行业的领军者。
通过设置头部厂商产品动态、分层产品市场份额、用户渗透率等观测指标，跟踪行业竞争范式的转变，同时关注技术突破与行业竞争的变化。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是技术分层运营分析法。该方法的适用场景为分析所有进入成长期的科技行业，普通人的套用步骤为：1. 判断行业是否已经从导入期进入成长期，市场需求是否出现分化；2. 分析企业的产品矩阵与分层策略，看是否能够覆盖不同层次的市场需求；3. 评估企业分层产品的定位与竞争力；4. 判断企业是否能够通过分层运营实现良性循环。
通过学习机构的这个思考方式，我们可以准确识别行业竞争范式的转变，找到那些率先适应新趋势的优质企业。
DeepSeek软硬协同逻辑拆解|机构如何分析国产算力的战略价值
【观点研报】
DeepSeek正在用架构创新倒逼国产算力成熟，而国产算力一旦起量，整个中国AI的成本曲线还会再往下砸一轮。这不是简单的模型升级，而是一场生态位的重新卡位。
【逻辑路径】
1. 市场预期差：市场普遍认为国产算力只是海外算力的替代，没有太大的技术含量；而机构认为DeepSeek的架构创新与国产算力的软硬协同，将形成独特的竞争优势，走出一条独立于海外的AI发展道路，其战略价值远超市场预期。
2. 市场分歧：当前市场的核心分歧在于国产算力的性能能否满足大模型的需求，以及软硬协同能否真正实现成本的大幅下降。
3. 板块影响因素：今年AI算力板块的表现主要受国产算力的技术突破、产能释放与下游需求三大因素影响，其中软硬协同的进展是影响板块估值的核心变量。
4. 市场定价逻辑：市场将先定价国产算力的技术突破预期，随后定价软硬协同带来的成本下降，最后定价生态位重构带来的长期价值，拥有软硬协同能力的企业将获得最高的估值溢价。
【多维度拆解】
【判断锚点】
本条核心判断为：DeepSeek用架构创新倒逼国产算力成熟，国产算力起量后将进一步压低中国AI的成本曲线，这是一场生态位的重新卡位，而非简单的模型升级。强关联点包括：V4轻量化设计适配国产加速器（第8条）、Ascend 950 2026年下半年部署（第9条）。投研通过分析软硬协同的战略意义，判断中国AI产业的长期发展路径。
维度1：资金格局与市场情绪
本条判断直接反映了资金正在向具备软硬协同能力的AI企业集中。2026年以来，同时布局大模型与国产算力的企业股价涨幅显著高于单一布局大模型或算力的企业，体现了市场对软硬协同战略价值的认可。
关联判断1：架构创新适配国产算力（第8条）；关联判断2：国产算力起量压低AI成本（第2条）。
在全球地缘政治冲突加剧、海外高端算力供应受限的背景下，软硬协同成为中国AI产业发展的必然选择，那些能够实现软件与硬件深度融合的企业，将在未来的竞争中占据主导地位。
通过分析企业的软件技术与硬件布局，判断其软硬协同的能力与潜力，优先选择那些能够引领软硬协同发展趋势的企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：在海外高端算力性能远超国产算力的背景下，中国AI企业没有一味地依赖海外算力，反而主动调整模型架构去适配国产算力。矛盾的本质是海外算力的供应存在很大的不确定性，只有实现算力的自主可控，中国AI产业才能获得长期稳定的发展，而软硬协同是实现算力自主可控的关键路径。
驱动因素分层拆解：
• 表层算力约束原因：海外高端算力供应紧张，价格高昂，且存在断供的风险，限制了中国AI产业的大规模发展，必须加快国产算力的替代进程。
• 中层架构创新原因：DeepSeek通过架构创新，降低了模型对算力的要求，使得国产算力也能够支撑大模型的推理与训练，为国产算力的应用创造了条件。
• 深层生态位逻辑：通过软硬协同，中国AI产业可以形成自己的技术标准与生态体系，摆脱对海外技术的依赖，在全球AI竞争中占据一席之地，实现生态位的重新卡位。
关联判断1：V4采用FP4量化感知训练（第8条）；关联判断2：Ascend 950超节点2026年部署（第9条）。
历史相似周期案例：2010年左右的中国智能手机产业，通过芯片、操作系统与手机终端的软硬协同，逐步实现了对海外品牌的替代，诞生了华为、小米等全球知名的智能手机企业，与当前中国AI产业的逻辑高度相似。
经典理论支撑：自主可控理论，在关键核心技术领域，只有实现自主可控，才能保障产业的安全与稳定发展，而软硬协同是实现自主可控的重要途径。
通过分析海外算力的供应风险、国产算力的技术进展与企业的架构创新能力，判断软硬协同的可行性与战略价值，优先选择那些能够推动国产算力发展的企业。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年下半年Ascend 950超节点批量部署后，国产算力的性能与规模将大幅提升，软硬协同将进入实质性落地阶段。核心观测方向为Ascend 950的部署进度与大模型在国产算力上的运行效果，关键触发条件包括：1. Ascend 950超节点开始批量部署（高概率，90%）；2. 主流大模型完成对国产算力的适配（高概率，85%）。
本条判断预判的核心局限性在于：未考虑国产算力技术突破不及预期的风险，以及海外放松算力限制导致国产替代进程放缓的风险。
思维提示：普通人在分析科技行业的长期发展趋势时，要特别关注自主可控与软硬协同的战略价值，那些能够推动关键核心技术自主可控的企业，将获得长期的发展红利。
通过设置国产算力部署进度、大模型适配情况、软硬协同成本下降幅度等观测指标，跟踪软硬协同的发展进程，同时关注海外算力政策的变化与国产算力的技术突破。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是软硬协同成本曲线法。该方法的适用场景为分析所有存在核心技术卡脖子风险的科技行业，普通人的套用步骤为：1. 识别行业的核心卡脖子环节与自主可控的必要性；2. 分析企业的软件技术与硬件布局，判断其软硬协同的能力；3. 测算软硬协同带来的成本下降空间与市场潜力；4. 评估企业在自主可控生态中的地位与价值。
通过学习机构的这个思考方式，我们可以准确把握自主可控与软硬协同带来的投资机会，找到那些能够推动产业自主发展的优质企业。
DeepSeek双模型策略逻辑拆解|机构如何分析产品矩阵的商业价值
【观点研报】
Q1：DeepSeek V4到底升级了什么？为什么说这次不再是"单模型"路线？DeepSeek在4月24日正式上线V4预览版并开源，和以往V3.2那种单一模型迭代完全不同，V4直接提供了两个截然不同的层级。V4-Flash是个小模型，总参数284B、激活参数13B，定位是快速、低成本、覆盖通用场景。V4-Pro则是大模型，总参数1.6T、激活参数49B，瞄准复杂编码和长程工作流这类高价值任务。瑞银认为，随着模型能力覆盖的任务范围越来越宽，token需求在不同工作流之间必然出现分化，分层模型供给会成为国内玩家的标准动作，这跟OpenAI、Anthropic等海外龙头的打法已经趋同。换句话说，DeepSeek终于想明白了：一个模型打天下既不经济也不高效，用Flash养生态、用Pro赚利润，才是正经生意。
【逻辑路径】
1. 市场预期差：市场普遍认为双模型策略只是为了覆盖更多的用户群体，而机构认为这是大模型商业化的必然选择，通过"Flash养生态、Pro赚利润"的模式，可以实现用户规模与盈利能力的同步增长，其商业价值远超单一模型。
2. 市场分歧：当前市场的核心分歧在于V4-Flash能否真正实现大规模的用户覆盖，以及V4-Pro能否在高价值市场获得足够的份额。
3. 板块影响因素：今年大模型应用板块的表现主要受用户规模增长、付费转化率提升与商业化落地进度三大因素影响，其中产品分层带来的用户覆盖与付费转化是影响板块业绩的核心变量。
4. 市场定价逻辑：市场将先定价双模型策略带来的用户增长预期，随后定价付费转化率的提升与业绩兑现，最后定价生态体系完善带来的长期价值，拥有完善产品矩阵的企业将获得更高的估值。
【多维度拆解】
【判断锚点】
本条核心判断为：DeepSeek V4不再是单一模型路线，而是推出V4-Flash（小模型，通用场景）与V4-Pro（大模型，高价值任务）两个层级；瑞银认为分层模型供给将成为国内标准动作，与海外龙头打法趋同，"Flash养生态、Pro赚利润"是合理商业模式。强关联点包括：V4-Flash定价全球最低（第5条）、V4-Pro性能国内第一梯队（第4条）。投研通过分析产品矩阵的定位与协同效应，判断其商业价值。
维度1：资金格局与市场情绪
本条判断直接反映了市场对大模型商业化落地的预期正在逐步增强。2026年4月DeepSeek V4发布后，大模型应用相关企业的股价出现了明显的上涨，成交量显著放大，体现了市场对双模型策略商业化前景的认可。
关联判断1：分层模型成为行业标准（第3条）；关联判断2：Flash养生态、Pro赚利润（第3条）。
当科技行业从技术探索进入商业化落地阶段时，拥有清晰商业模式与完善产品矩阵的企业，更容易获得资金的青睐，因为它们的业绩增长更加确定，可持续性更强。
通过分析企业的产品矩阵、商业模式与商业化进度，判断企业的盈利能力与增长潜力，优先选择那些商业模式清晰、产品矩阵完善的企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：在大模型研发成本越来越高的背景下，DeepSeek反而推出了两个模型，增加了研发成本，但机构却认为这是更经济、更高效的商业模式。矛盾的本质是不同的任务对模型的性能要求不同，用大模型处理简单任务会造成算力的浪费，增加成本，而分层模型可以根据任务的难度匹配相应性能的模型，大幅提高算力的利用效率，降低整体成本。
驱动因素分层拆解：
• 表层任务分化原因：随着大模型应用场景的不断拓展，任务类型越来越多样化，从简单的聊天问答到复杂的代码编写、长文档处理，不同任务对模型的性能、响应速度与成本有不同的要求。
• 中层成本效率原因：用小模型处理简单任务，用大模型处理复杂任务，可以大幅提高算力的利用效率，降低推理成本，从而能够以更低的价格提供服务，吸引更多的用户。
• 深层商业生态原因：通过低价的V4-Flash吸引大量用户，积累数据与流量，构建生态体系，然后通过高价值的V4-Pro实现盈利，形成"用户-数据-模型-更多用户"的正向循环。
关联判断1：V4-Flash定价全球最低（第5条）；关联判断2：V4-Pro瞄准高价值任务（第3条）。
历史相似周期案例：互联网行业的免费增值模式，通过免费的基础服务吸引大量用户，然后通过增值服务实现盈利，如腾讯的QQ与微信、360的安全软件等，与当前大模型的"Flash养生态、Pro赚利润"模式高度相似。
经典理论支撑：价格歧视理论，企业通过提供不同质量、不同价格的产品，满足不同支付能力用户的需求，从而实现利润最大化，同时扩大市场份额。
通过分析不同任务的算力需求与成本结构，判断分层模型的成本优势与商业可行性，结合用户需求与付费意愿，评估企业的盈利能力与增长潜力。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年国内大模型行业将出现明显的分层，通用场景市场将被低价的小模型主导，高价值市场将由性能强大的大模型占据。核心观测方向为分层模型的用户增长与付费情况，关键触发条件包括：1. V4-Flash的用户数突破1亿（高概率，90%）；2. V4-Pro的付费收入占比超过50%（中概率，70%）。
本条判断预判的核心局限性在于：未考虑行业竞争加剧导致分层产品价格战的风险，以及用户付费意愿不及预期的风险。
思维提示：普通人在分析科技企业的商业模式时，不要只看产品的技术指标，还要看产品是否能够满足不同层次的市场需求，是否能够实现用户规模与盈利能力的同步增长。
通过设置分层产品的用户数、付费转化率、收入占比等观测指标，跟踪企业的商业化进度，同时关注行业竞争格局的变化与用户需求的演变。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是产品矩阵商业价值分析法。该方法的适用场景为分析所有提供多元化产品与服务的科技企业，普通人的套用步骤为：1. 分析企业的产品矩阵与每个产品的定位；2. 评估不同产品之间的协同效应，看是否能够相互促进；3. 判断企业的商业模式是否能够实现用户规模与盈利能力的同步增长；4. 预测企业未来的业绩增长潜力。
通过学习机构的这个思考方式，我们可以准确评估企业产品矩阵的商业价值，找到那些商业模式清晰、增长潜力大的优质企业。
DeepSeek V4性能水平逻辑拆解|机构如何客观评估大模型的真实能力
【观点研报】
Q2：V4-Pro和V4-Flash的真实能力在什么水平？能不能打？根据Artificial Analysis的数据，V4-Pro的整体模型智能在国内第一梯队，和Kimi K2.6、GLM-5.1大致处于同一水平线。不过瑞银也坦诚指出，GLM-5.1在部分编码基准（比如Code Arena）上仍然领先。V4-Pro的底气来自规模——1.6T总参数、49B激活参数，比Kimi K2.6的1T/32B还要大一圈。V4-Flash虽然定位"轻量"，但在Artificial Analysis评分里拿到了47分，比Gemini 3 Flash的46分还高，而定价却便宜得多。瑞银的原话是，V4-Flash的定价"significantly lower than global AI peers' models with similar intelligence/positioning"。翻译一下：同级别的全球对手里，Flash的价格几乎是最能打的。
【逻辑路径】
1. 市场预期差：市场普遍认为V4-Pro的性能会远超国内其他模型，而机构认为V4-Pro与国内其他头部模型处于同一水平线，各有优劣，真正的优势在于V4-Flash的极致性价比，这是市场之前没有充分预期到的。
2. 市场分歧：当前市场的核心分歧在于V4-Pro与国内其他头部模型的性能差距，以及V4-Flash的性能是否能够满足通用场景的需求。
3. 板块影响因素：今年大模型板块的表现主要受模型性能排名、市场份额变化与商业化落地进度三大因素影响，其中性价比优势带来的市场份额提升是影响板块走势的重要变量。
4. 市场定价逻辑：市场将先定价V4-Flash的极致性价比带来的市场份额提升预期，随后定价V4-Pro在高价值市场的竞争情况，最后定价整体市场份额提升带来的业绩兑现，性价比优势明显的企业将获得超额收益。
【多维度拆解】
【判断锚点】
本条核心判断为：V4-Pro整体智能处于国内第一梯队，与Kimi K2.6、GLM-5.1同水平，GLM-5.1在部分编码基准领先，V4-Pro参数规模更大；V4-Flash评分超Gemini 3 Flash，定价为全球同级最低。强关联点包括：V4-Flash定价全球地板价（第5条）、分层模型成为行业标准（第3条）。投研通过客观对比模型性能与定价，评估企业的市场竞争力。
维度1：资金格局与市场情绪
本条判断直接反映了资金正在向性价比优势明显的大模型企业集中。2026年以来，那些能够提供高性价比大模型服务的企业股价涨幅显著高于其他企业，体现了市场对性价比优势的认可。
关联判断1：V4-Pro国内第一梯队（第4条）；关联判断2：V4-Flash性价比全球最高（第4条）。
在大模型技术逐渐成熟、性能差距缩小的背景下，性价比将成为企业争夺市场份额的核心因素，那些能够以更低的价格提供同等性能服务的企业，将获得更快的用户增长与更高的市场份额。
通过对比不同模型的性能测试数据与定价，评估企业的性价比优势与市场竞争力，优先选择那些性价比优势明显、市场份额提升快的企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：V4-Pro的参数规模比国内其他头部模型更大，但整体性能却没有拉开明显的差距，而V4-Flash作为小模型，性能却超过了海外同类模型，并且价格低得多。矛盾的本质是大模型的性能不仅仅取决于参数规模，还取决于架构设计、训练数据与训练方法，而小模型通过架构优化与蒸馏技术，可以在性能接近大模型的同时，大幅降低推理成本，获得更高的性价比。
驱动因素分层拆解：
• 表层性能对比原因：国内头部大模型厂商都投入了大量的资源进行研发，技术水平差距不大，因此模型的整体性能处于同一水平线，各有各的优势领域。
• 中层架构优化原因：DeepSeek通过架构创新，大幅提升了模型的效率，使得V4-Flash在参数规模较小的情况下，仍然能够达到较高的性能水平，同时大幅降低了推理成本。
• 深层市场竞争原因：随着大模型行业的竞争日益激烈，单纯的性能优势已经不足以支撑企业的长期发展，必须通过成本控制与定价策略，获得性价比优势，才能在市场竞争中获胜。
关联判断1：V4三大架构创新（第6条）；关联判断2：V4-Flash定价全球最低（第5条）。
历史相似周期案例：2010年左右的PC行业，在技术逐渐成熟、性能差距缩小后，性价比成为市场竞争的核心因素，联想、戴尔等企业通过成本控制与定价策略，获得了更高的市场份额，与当前大模型行业的逻辑高度相似。
经典理论支撑：性价比竞争理论，在技术成熟、产品同质化的行业，性价比将成为核心竞争因素，那些能够以更低的成本提供同等质量产品的企业，将获得竞争优势。
通过分析模型的架构设计、训练方法与成本结构，判断企业的技术效率与成本控制能力，结合性能测试数据与定价，评估企业的性价比优势与市场竞争力。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年大模型行业的竞争焦点将从性能转向性价比，性价比优势明显的企业将获得更快的市场份额提升。核心观测方向为不同模型的市场份额变化，关键触发条件包括：1. V4-Flash的市场份额超过30%（高概率，85%）；2. 其他厂商跟进降价，推出高性价比的小模型（高概率，90%）。
本条判断预判的核心局限性在于：未考虑出现突破性技术导致性能差距再次拉大的风险，以及行业竞争加剧导致利润空间压缩的风险。
思维提示：普通人在分析科技行业的竞争格局时，当技术逐渐成熟、产品同质化后，要重点关注企业的成本控制能力与性价比优势，这将成为决定企业市场份额与盈利能力的关键因素。
通过设置不同模型的市场份额、用户增长率、价格变化等观测指标，跟踪行业竞争焦点的转变，同时关注技术突破与行业竞争的变化。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是性价比竞争力评估法。该方法的适用场景为分析所有技术逐渐成熟、产品同质化的科技行业，普通人的套用步骤为：1. 对比不同企业产品的性能指标，评估产品的质量水平；2. 分析企业的成本结构与定价策略，计算产品的性价比；3. 判断性价比优势能否转化为市场份额的提升；4. 评估企业的盈利能力与增长潜力。
通过学习机构的这个思考方式，我们可以准确评估企业的市场竞争力，找到那些性价比优势明显、市场份额提升快的优质企业。
DeepSeek定价策略逻辑拆解|机构如何分析价格战的战略意义
【观点研报】
Q3：定价策略有多狠？为什么说DeepSeek依然是"价格屠夫"？瑞银把定价表拉出来一对比，结论很直白。V4-Pro在限时75折促销前，定价略高于GLM-5.1；打折后（输入Rmb3.0/百万token、输出Rmb6.0/百万token）则明显更便宜。V4-Flash的定价更是直接杀到了全球地板价——缓存输入Rmb0.2、非缓存输入Rmb1.0、输出Rmb2.0，换算成美元分别是0.028、0.14、0.28。算一笔账，Claude 4.5 Haiku的输入要1美元、输出5美元，Gemini 3 Flash输入0.5美元、输出3美元，DeepSeek V4-Flash的输出价格只有它们的十分之一左右。这种定价不是"便宜一点"，而是"便宜一个数量级"。瑞银也提到，V4-Pro目前的定价还受到高端算力供应紧张的约束，言下之意是等国产算力上来后，价格还有进一步下探的空间。
【逻辑路径】
1. 市场预期差：市场普遍认为DeepSeek的降价只是短期的促销行为，而机构认为这是基于成本优势的长期战略定价，目的是快速抢占市场份额，构建生态壁垒，并且随着国产算力的成熟，价格还有进一步下降的空间，这将对整个行业产生深远的影响。
2. 市场分歧：当前市场的核心分歧在于DeepSeek的低价策略能否持续，以及是否会引发行业性的价格战，导致全行业利润下降。
3. 板块影响因素：今年大模型板块的表现主要受价格变化、市场份额与成本结构三大因素影响，其中成本下降带来的定价空间是影响板块长期估值的核心变量。
4. 市场定价逻辑：市场将先定价低价策略带来的市场份额快速提升预期，随后定价成本下降带来的利润空间修复，最后定价生态壁垒形成带来的长期价值，拥有成本优势的企业将在价格战中胜出。
【多维度拆解】
【判断锚点】
本条核心判断为：DeepSeek V4定价极具竞争力，V4-Pro打折后比GLM-5.1便宜，V4-Flash定价达全球地板价，输出价格仅为海外同类模型的十分之一；V4-Pro定价受高端算力约束，国产算力上来后还有下探空间。强关联点包括：V4架构创新降低推理成本（第6条）、Ascend 950 2026年部署（第9条）。投研通过分析定价策略与成本结构，判断企业的竞争优势与行业影响。
维度1：资金格局与市场情绪
本条判断直接反映了市场对大模型行业成本下降与大规模商业化的预期正在快速升温。2026年3月以来，大模型应用相关企业的股价出现了大幅上涨，体现了市场对低价策略带来的需求爆发的乐观预期。
关联判断1：V4-Flash定价全球地板价（第5条）；关联判断2：价格还有进一步下探空间（第5条）。
当一个行业的产品价格出现数量级的下降时，往往会引发需求的爆发式增长，推动行业进入大规模商业化阶段，这是科技行业投资中的黄金机会。
通过分析企业的定价策略与成本结构，判断价格下降的幅度与可持续性，结合需求弹性，测算市场需求的增长潜力，评估行业的商业化进度。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：在大模型研发成本与算力成本都很高的背景下，DeepSeek却将价格降到了全球地板价，甚至低于很多企业的成本价。矛盾的本质是DeepSeek通过架构创新大幅降低了推理成本，拥有了其他企业无法比拟的成本优势，因此可以通过低价策略快速抢占市场份额，实现规模效应，进一步降低成本，形成正向循环。
驱动因素分层拆解：
• 表层成本优势原因：DeepSeek通过三大架构创新，将1M上下文的推理FLOPs降低到V3.2的27%，大幅降低了推理成本，为低价策略提供了坚实的基础。
• 中层市场战略原因：大模型行业具有很强的网络效应，用户越多，数据越多，模型的性能就越好，因此快速抢占市场份额至关重要，低价策略是实现这一目标的最有效手段。
• 深层长期盈利逻辑：虽然短期低价会影响利润，但通过低价吸引大量用户，构建生态体系，然后通过增值服务、企业级解决方案等方式实现盈利，这是互联网行业经过验证的成功商业模式。
关联判断1：V4推理成本降低73%（第6条）；关联判断2：国产算力进一步降低成本（第9条）。
历史相似周期案例：2000年左右的互联网行业，通过免费策略快速抢占市场份额，然后通过广告、增值服务等方式实现盈利，如谷歌、百度等，与当前大模型的低价策略逻辑高度相似。
经典理论支撑：网络效应理论，在具有网络效应的行业，用户规模越大，产品的价值就越高，企业的竞争优势就越强，因此企业有动力通过低价甚至免费的方式快速扩大用户规模。
通过分析企业的成本结构、定价策略与行业的网络效应，判断低价策略的可行性与可持续性，结合市场需求的增长潜力，评估企业的长期发展前景。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年大模型行业将出现一轮价格战，其他厂商将被迫跟进降价，行业整体价格水平将大幅下降，需求将出现爆发式增长。核心观测方向为其他厂商的定价调整与大模型用户数的增长情况，关键触发条件包括：1. 智谱、Kimi等厂商推出低价小模型（高概率，90%）；2. 国内大模型用户数突破10亿（高概率，85%）。
本条判断预判的核心局限性在于：未考虑行业竞争加剧导致价格战过度激烈，全行业陷入亏损的风险，以及用户付费意愿不及预期的风险。
思维提示：普通人在分析科技行业的价格战时，不要只看到短期的利润影响，还要看企业是否拥有成本优势，以及价格战能否帮助企业快速抢占市场份额，构建长期的竞争壁垒。
通过设置行业价格水平、企业市场份额、用户数增长等观测指标，跟踪价格战的进展与影响，同时关注企业的成本变化与盈利情况。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是成本定价权分析法。该方法的适用场景为分析所有具有网络效应的科技行业，普通人的套用步骤为：1. 分析企业的成本结构与技术优势，判断其是否拥有成本定价权；2. 评估企业的定价策略与市场份额目标；3. 判断价格下降能否引发需求的爆发式增长；4. 预测企业未来的盈利模式与盈利能力。
通过学习机构的这个思考方式，我们可以准确把握价格战带来的投资机会，找到那些拥有成本优势、能够在价格战中胜出的优质企业。
DeepSeek架构创新逻辑拆解|机构如何分析技术突破的商业意义
【观点研报】
Q4：1M上下文和架构创新（Hybrid Attention、mHC、Muon）意味着什么？这次V4两个版本都支持1M token的超长上下文，但瑞银更关注的是"让1M上下文在经济上可行"。数据显示，在1M上下文长度下，V4的推理FLOPs只有V3.2的27%，KV cache更是压缩到了10%。这背后靠的是三项架构创新：Hybrid Attention、mHC（multi-head cross-attention的某种变体）和Muon优化器。
【逻辑路径】
1. 市场预期差：市场普遍认为1M上下文只是一个技术噱头，没有太大的实际用途；而机构认为架构创新带来的成本下降才是真正的核心价值，"让1M上下文在经济上可行"将实质性踏平企业级AI采纳的门槛，开启大规模商业化的新时代，其商业意义远超技术指标本身。
2. 市场分歧：当前市场的核心分歧在于1M上下文的实际应用场景有多少，以及成本下降能否真正推动企业级AI的大规模采纳。
3. 板块影响因素：今年企业级AI应用板块的表现主要受技术突破、成本下降与客户 adoption 进度三大因素影响，其中架构创新带来的成本下降是影响板块爆发的核心变量。
4. 市场定价逻辑：市场将先定价架构创新带来的成本下降预期，随后定价企业级AI需求的爆发，最后定价商业化落地带来的业绩兑现，受益于企业级AI大规模采纳的企业将获得最大的涨幅。
【多维度拆解】
【判断锚点】
本条核心判断为：V4两个版本都支持1M token超长上下文，瑞银更关注其经济可行性；1M上下文下V4推理FLOPs仅为V3.2的27%，KV cache压缩到10%，背后是Hybrid Attention、mHC、Muon三项架构创新。强关联点包括：架构创新降低推理成本（第6条）、企业级AI采纳门槛降低（第7条）。投研通过分析架构创新的技术原理与成本影响，判断其商业意义。
维度1：资金格局与市场情绪
本条判断直接反映了资金正在向企业级AI应用领域转移。2026年以来，专注于企业级AI应用的企业股价涨幅显著高于消费级AI应用企业，体现了市场对企业级AI大规模商业化的期待。
关联判断1：架构创新大幅降低推理成本（第6条）；关联判断2：1M上下文经济可行（第6条）。
企业级AI市场空间巨大，一旦成本下降到企业能够接受的水平，需求将出现爆发式增长，成为AI行业下一个增长引擎，这也是资金提前布局的核心原因。
通过分析技术突破带来的成本下降幅度，结合企业级AI的需求弹性，测算市场空间的增长潜力，优先选择那些受益于企业级AI大规模采纳的企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：很多大模型都支持超长上下文，但真正能够大规模应用的很少，而DeepSeek V4的架构创新却被机构认为具有里程碑式的意义。矛盾的本质是之前的超长上下文技术推理成本太高，企业无法承受，因此只能停留在演示阶段，而DeepSeek的架构创新大幅降低了超长上下文的推理成本，使其在经济上变得可行，能够真正应用到企业的实际业务中。
驱动因素分层拆解：
• 表层技术突破原因：Hybrid Attention、mHC和Muon三项架构创新，从注意力机制、交叉注意力和优化器三个方面，大幅提升了模型的推理效率，降低了算力消耗。
• 中层成本下降原因：推理FLOPs降低73%，KV cache压缩到10%，意味着处理相同长度的上下文，所需的算力只有原来的十分之一左右，推理成本大幅下降。
• 深层商业价值原因：成本的大幅下降使得企业能够用大模型处理整本合同、整份年报、整个代码库等大规模文档，而不用担心成本过高的问题，实质性踏平了企业级AI采纳的门槛。
关联判断1：推理成本降低73%（第6条）；关联判断2：企业级AI采纳门槛降低（第7条）。
历史相似周期案例：2000年左右的企业软件行业，随着服务器与数据库成本的大幅下降，企业级软件开始大规模普及，诞生了SAP、Oracle等全球知名的企业软件巨头，与当前企业级AI的发展逻辑高度相似。
经典理论支撑：技术成本下降驱动需求爆发理论，当一项技术的成本下降到临界点以下时，会引发需求的爆发式增长，推动行业进入大规模商业化阶段。
通过分析技术创新的原理与成本下降的幅度，判断其对行业需求的影响，结合下游应用场景的市场空间，评估行业的商业化进度与增长潜力。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年下半年企业级AI将进入大规模采纳阶段，金融、法律、医疗、制造等行业的AI应用将快速落地。核心观测方向为企业级AI的客户数与收入增长情况，关键触发条件包括：1. 财富500强企业中超过50%采用大模型处理业务文档（高概率，85%）；2. 企业级AI市场规模突破1000亿元（高概率，90%）。
本条判断预判的核心局限性在于：未考虑企业对数据安全与隐私的担忧影响AI采纳进度的风险，以及行业标准不统一导致应用碎片化的风险。
思维提示：普通人在分析科技技术突破的意义时，不要只看技术指标的提升，还要看技术突破能否带来成本的大幅下降，从而推动需求的爆发式增长，这才是技术突破真正的商业价值所在。
通过设置企业级AI客户数、渗透率、市场规模等观测指标，跟踪企业级AI的商业化进度，同时关注数据安全、行业标准等影响因素。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是技术商业价值评估法。该方法的适用场景为分析所有科技技术突破的投资价值，普通人的套用步骤为：1. 了解技术突破的原理与技术指标的提升；2. 分析技术突破带来的成本下降幅度与效率提升；3. 判断成本下降能否推动需求的爆发式增长；4. 评估技术突破对行业格局与企业盈利的影响。
通过学习机构的这个思考方式，我们可以准确评估技术突破的商业价值，找到那些能够真正推动行业发展的技术创新带来的投资机会。
DeepSeek企业级AI逻辑拆解|机构如何判断行业爆发的临界点
【观点研报】
这事儿的商业意义比技术指标更值得关注。以前企业想用大模型处理整本合同、整份年报或者整个代码库，成本能把CFO吓退。现在V4把1M上下文的推理成本砍到脚脖子，企业级AI采纳的门槛就被实质性踏平了。瑞银的原话是"could accelerate enterprise AI adoption by enabling models to process large-scale business documents and knowledge bases at lower cost"，翻译成人话就是：以前用不起的，现在可以批量上了。
【逻辑路径】
1. 市场预期差：市场普遍认为企业级AI的大规模采纳还需要3-5年的时间，而机构认为DeepSeek V4的成本下降已经实质性踏平了企业级AI采纳的门槛，2026年就将进入爆发式增长阶段，这比市场预期的时间早了很多。
2. 市场分歧：当前市场的核心分歧在于企业级AI的需求爆发速度，以及哪些应用场景会率先落地。
3. 板块影响因素：今年企业级AI板块的表现主要受成本下降、客户 adoption 进度与订单增长三大因素影响，其中标杆企业的大规模应用是影响板块爆发的关键信号。
4. 市场定价逻辑：市场将先定价企业级AI爆发的预期，随后定价标杆企业的订单落地，最后定价全行业的业绩兑现，率先在企业级市场取得突破的企业将获得最高的估值溢价。
【多维度拆解】
【判断锚点】
本条核心判断为：V4架构创新的商业意义远超技术指标，大幅降低的1M上下文推理成本实质性踏平企业级AI采纳门槛，以前用不起的企业现在可以批量上了，将加速企业级AI的普及。强关联点包括：推理成本降低73%（第6条）、1M上下文经济可行（第6条）。投研通过分析成本下降对企业需求的影响，判断行业爆发的临界点。
维度1：资金格局与市场情绪
本条判断直接反映了机构资金正在提前布局企业级AI赛道。2026年以来，多家公募基金与私募基金大幅加仓企业级AI相关企业，持仓比例持续提升，体现了机构对企业级AI爆发的坚定信心。
关联判断1：企业级AI采纳门槛踏平（第7条）；关联判断2：企业可以批量上AI（第7条）。
企业级AI市场空间是消费级AI的数倍，一旦进入爆发式增长阶段，将诞生多家千亿市值的企业，因此机构资金正在提前布局，抢占这一巨大的市场机会。
通过分析成本下降幅度与企业的付费意愿，判断企业级AI爆发的临界点，跟踪标杆企业的应用案例与订单情况，优先选择那些在企业级市场有先发优势的企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：企业对AI的需求一直很强烈，但之前大模型的应用率却很低，而成本的下降却能够快速推动企业级AI的大规模采纳。矛盾的本质是企业的决策是理性的，只有当AI应用的收益大于成本时，企业才会大规模采用，而之前大模型的成本太高，导致很多企业望而却步，现在成本的大幅下降使得AI应用的投资回报率变得非常可观。
驱动因素分层拆解：
• 表层成本临界点原因：当大模型处理大规模文档的成本下降到企业能够接受的水平时，企业会发现使用AI可以大幅提高工作效率，降低运营成本，投资回报率很高，因此会大规模采用。
• 中层应用场景成熟原因：经过几年的探索，大模型在合同审核、文档分析、代码编写等企业级应用场景的技术已经成熟，能够真正解决企业的实际问题，为企业创造价值。
• 深层数字化转型原因：全球企业都在进行数字化转型，AI是数字化转型的核心技术，能够帮助企业实现智能化升级，提升竞争力，因此企业有很强的动力采用AI技术。
关联判断1：推理成本降低73%（第6条）；关联判断2：大模型技术成熟（第4条）。
历史相似周期案例：2010年左右的云计算行业，随着云服务成本的大幅下降，企业开始大规模将业务迁移到云端，推动云计算行业进入爆发式增长阶段，诞生了AWS、阿里云等全球云计算巨头，与当前企业级AI的发展逻辑高度相似。
经典理论支撑：临界点理论，当一个行业的技术、成本与应用场景都成熟时，会达到一个临界点，之后行业会进入爆发式增长阶段，市场规模快速扩大。
通过分析成本下降幅度、应用场景成熟度与企业的付费意愿，判断行业爆发的临界点，跟踪标杆企业的应用案例与订单情况，评估行业的增长速度与市场空间。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年下半年企业级AI将出现爆发式增长，金融、法律、咨询等知识密集型行业将率先大规模采用大模型。核心观测方向为大型企业的AI采购订单，关键触发条件包括：1. 某国有大型银行宣布采购数亿元的大模型服务（高概率，85%）；2. 全球咨询公司Top10全部采用大模型处理业务（高概率，90%）。
本条判断预判的核心局限性在于：未考虑企业对AI输出结果的准确性与可靠性的担忧影响采纳进度的风险，以及数据安全与合规问题的风险。
思维提示：普通人在分析行业发展趋势时，要特别关注行业爆发的临界点，当成本下降到临界点以下，同时应用场景成熟时，行业会进入爆发式增长阶段，这是投资的最佳时机。
通过设置企业AI采购订单、行业渗透率、市场规模等观测指标，跟踪企业级AI的爆发进度，同时关注数据安全、合规等影响因素。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是行业爆发临界点判断法。该方法的适用场景为分析所有新兴行业的发展趋势，普通人的套用步骤为：1. 分析行业的技术成熟度与应用场景；2. 评估产品的成本与价格是否下降到用户能够接受的水平；3. 跟踪标杆用户的使用情况与反馈；4. 判断行业是否达到爆发的临界点，以及爆发的时间点。
通过学习机构的这个思考方式，我们可以准确把握行业爆发的最佳投资时机，获得超额收益。
DeepSeek算力本土化逻辑拆解|机构如何分析国产算力的落地时间表
【观点研报】
Q5：瑞银反复强调的"算力本土化"到底怎么理解？Ascend 950超节点会带来什么？这是整份研报最有战略纵深的一个判断。瑞银指出，V4采用了compute-light的设计，比如FP4 Quantization-Aware Training，这种轻量化特性天然更适合国产AI加速器。DeepSeek自己也承认，V4-Pro目前的定价和吞吐量受限，部分原因就是高端算力（显然指的是NVIDIA H100/H800这类）供应紧张。
【逻辑路径】
1. 市场预期差：市场普遍认为算力本土化只是一个长期的战略目标，短期内难以落地；而机构认为DeepSeek V4的轻量化设计已经为国产算力的应用铺平了道路，2026年下半年Ascend 950超节点的批量部署，将标志着算力本土化进入实质性落地阶段，这比市场预期的时间早了很多。
2. 市场分歧：当前市场的核心分歧在于Ascend 950的性能能否满足大模型的需求，以及部署进度能否按时完成。
3. 板块影响因素：今年国产算力板块的表现主要受技术突破、产能释放与下游适配三大因素影响，其中Ascend 950的部署进度是影响板块走势的核心催化剂。
4. 市场定价逻辑：市场将先定价Ascend 950的技术突破预期，随后定价批量部署带来的产能释放，最后定价软硬协同带来的成本重构，国产算力产业链的优质企业将获得持续的估值提升。
【多维度拆解】
【判断锚点】
本条核心判断为：瑞银认为算力本土化是最具战略纵深的判断；V4采用compute-light设计（如FP4量化感知训练），天然适配国产AI加速器；V4-Pro定价和吞吐量受限部分源于NVIDIA高端算力供应紧张。强关联点包括：Ascend 950 2026年下半年部署（第9条）、软硬协同压低AI成本（第2条）。投研通过分析模型设计与国产算力的适配性，判断算力本土化的落地进度。
维度1：资金格局与市场情绪
本条判断直接反映了资金对国产算力板块的关注度持续提升。2026年以来，国产算力相关企业的股价累计涨幅显著高于AI板块的平均水平，体现了市场对算力本土化战略的高度认可。
关联判断1：V4适配国产加速器（第8条）；关联判断2：高端算力供应紧张（第8条）。
在海外高端算力供应受限的背景下，算力本土化已经成为中国AI产业发展的必然选择，国家也出台了一系列政策支持国产算力的发展，因此国产算力板块将获得长期的政策与资金支持。
通过分析国产算力的技术进展、部署时间表与下游模型的适配情况，判断算力本土化的落地进度，优先选择国产算力产业链中的核心环节与龙头企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：国产算力的性能与海外高端算力还有一定的差距，但DeepSeek却主动调整模型架构去适配国产算力。矛盾的本质是海外高端算力的供应存在很大的不确定性，而且价格高昂，长期依赖海外算力会制约中国AI产业的发展，只有实现算力本土化，中国AI产业才能获得自主可控的发展空间，而模型架构的优化可以在一定程度上弥补国产算力的性能差距。
驱动因素分层拆解：
• 表层供应约束原因：海外高端算力供应紧张，交货周期长，而且存在断供的风险，无法满足中国AI产业快速发展的需求，必须加快国产算力的替代进程。
• 中层模型适配原因：DeepSeek通过采用FP4量化感知训练等轻量化技术，降低了模型对算力的要求，使得性能稍弱的国产算力也能够支撑大模型的推理与训练，为国产算力的应用创造了条件。
• 深层战略安全原因：算力是AI产业的基础，只有实现算力的自主可控，才能保障中国AI产业的安全与稳定发展，避免在关键时刻被"卡脖子"，因此算力本土化是国家的核心战略。
关联判断1：Ascend 950 2026年部署（第9条）；关联判断2：软硬协同形成独立成本曲线（第9条）。
历史相似周期案例：2010年左右的中国芯片行业，在海外芯片供应受限的背景下，国家大力支持国产芯片的发展，经过多年的努力，国产芯片在很多领域实现了替代，与当前算力本土化的逻辑高度相似。
经典理论支撑：自主可控战略理论，在关系国家安全与经济命脉的关键领域，必须实现核心技术的自主可控，才能保障国家的安全与发展。
通过分析海外算力的供应风险、国产算力的技术进展与国家政策的支持力度，判断算力本土化的必要性与紧迫性，结合下游模型的适配情况，评估国产算力产业链的投资机会。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年下半年Ascend 950超节点将开始批量部署，国产算力的性能与规模将大幅提升，越来越多的大模型将完成对国产算力的适配。核心观测方向为Ascend 950的部署进度与大模型的适配情况，关键触发条件包括：1. 首个基于Ascend 950的万卡集群建成投产（高概率，90%）；2. 国内Top5大模型全部完成对国产算力的适配（高概率，85%）。
本条判断预判的核心局限性在于：未考虑Ascend 950技术突破不及预期的风险，以及部署进度延迟的风险。
思维提示：普通人在分析国产替代相关行业时，要特别关注下游应用与国产技术的适配情况，只有当下游应用主动适配国产技术时，国产替代才能真正进入实质性落地阶段。
通过设置国产算力部署进度、大模型适配情况、国产算力市场份额等观测指标，跟踪算力本土化的落地进度，同时关注国家政策的变化与国产算力的技术突破。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是国产替代落地进度判断法。该方法的适用场景为分析所有国产替代行业的发展进度，普通人的套用步骤为：1. 分析海外技术的供应风险与国产替代的必要性；2. 评估国产技术的性能与差距；3. 跟踪下游应用对国产技术的适配情况；4. 判断国产替代进入实质性落地阶段的时间点。
通过学习机构的这个思考方式，我们可以准确把握国产替代的落地节奏，找到那些真正受益于国产替代的优质企业。
DeepSeek软硬协同成本重构逻辑拆解|机构如何测算长期成本下降空间
【观点研报】
而破局的时间表已经明确：2026年下半年，Ascend 950超节点集群会分批部署。瑞银预计，一旦国产高端算力规模化上线，V4-Pro的价格会"meaningfully lower"。这释放了一个非常清晰的信号——DeepSeek的模型效率优化，不只是为了省钱，更是为了和国产算力形成"软硬协同"。当模型架构主动适配国产芯片，而国产芯片又能通过超节点提供足够密度时，中国AI产业就能在高端算力受限的环境下，自己跑出一条独立的成本曲线。
【逻辑路径】
1. 市场预期差：市场普遍认为国产算力的成本会高于海外算力，而机构认为通过模型架构与国产芯片的软硬协同，中国AI产业能够跑出一条独立的成本曲线，长期来看成本会低于海外，这将形成中国AI产业的独特竞争优势。
2. 市场分歧：当前市场的核心分歧在于软硬协同能够带来多大的成本下降空间，以及中国AI产业能否真正形成独立的成本曲线。
3. 板块影响因素：今年AI板块的长期估值主要受成本下降空间、全球竞争力与市场份额三大因素影响，其中软硬协同带来的成本优势是影响中国AI产业全球竞争力的核心变量。
4. 市场定价逻辑：市场将先定价软硬协同带来的成本下降预期，随后定价中国AI产业全球竞争力的提升，最后定价全球市场份额的扩张，拥有软硬协同能力的企业将获得长期的估值溢价。
【多维度拆解】
【判断锚点】
本条核心判断为：2026年下半年Ascend 950超节点集群分批部署，国产高端算力规模化上线后V4-Pro价格将显著下降；DeepSeek效率优化是为了与国产算力形成软硬协同，使中国AI产业在高端算力受限环境下跑出独立成本曲线。强关联点包括：V4适配国产加速器（第8条）、国产算力起量压低AI成本（第2条）。投研通过测算软硬协同的成本下降空间，判断中国AI产业的长期竞争力。
维度1：资金格局与市场情绪
本条判断直接反映了全球资金对中国AI产业长期竞争力的信心正在不断增强。2026年以来，外资机构大幅加仓中国AI产业链的龙头企业，持仓比例持续提升，体现了外资对中国AI软硬协同发展模式的认可。
关联判断1：Ascend 950 2026年部署（第9条）；关联判断2：中国AI跑出独立成本曲线（第9条）。
如果中国AI产业能够通过软硬协同形成独立的成本曲线，那么中国AI企业将在全球市场获得巨大的成本优势，有望抢占更多的全球市场份额，成为全球AI产业的重要一极。
通过测算软硬协同带来的成本下降空间，评估中国AI产业的长期竞争力与全球市场份额，优先选择那些能够引领软硬协同发展的龙头企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：在国产芯片性能落后于海外芯片的背景下，中国AI产业却有可能获得更低的成本。矛盾的本质是AI的成本不仅仅取决于芯片的性能，还取决于模型的效率与系统的优化，通过模型架构主动适配国产芯片，以及超节点集群的系统级优化，可以大幅提高算力的利用效率，从而降低整体成本。
驱动因素分层拆解：
• 表层算力规模化原因：Ascend 950超节点集群的批量部署，将大幅提升国产高端算力的规模，规模效应会带来单位算力成本的下降。
• 中层软硬协同原因：DeepSeek的模型架构主动适配国产芯片，能够充分发挥国产芯片的性能，提高算力的利用效率，进一步降低推理与训练成本。
• 深层独立生态原因：通过软硬协同，中国AI产业可以形成从芯片、框架到模型的完整独立生态体系，摆脱对海外技术的依赖，从而能够自主控制成本，走出一条独立的成本曲线。
关联判断1：V4架构创新降低推理成本（第6条）；关联判断2：软硬协同形成竞争优势（第2条）。
历史相似周期案例：中国的新能源汽车产业，通过电池、电机、电控的软硬协同与产业链的完整布局，形成了独特的成本优势，在全球市场获得了领先地位，与当前中国AI产业的发展逻辑高度相似。
经典理论支撑：系统优化理论，一个系统的整体性能不仅仅取决于各个部件的性能，还取决于各个部件之间的协同与系统的整体优化，通过系统优化可以弥补单个部件的不足，提高系统的整体效率。
通过分析芯片性能、模型效率与系统优化的协同效应，测算软硬协同带来的成本下降空间，评估中国AI产业的长期竞争力与全球市场潜力。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2027年中国AI产业的成本将显著低于海外，中国AI企业将开始大规模拓展全球市场。核心观测方向为中国AI企业的海外收入增长情况，关键触发条件包括：1. 中国大模型企业的海外用户数突破1亿（高概率，85%）；2. 中国AI企业在东南亚、中东等新兴市场的份额超过50%（中概率，70%）。
本条判断预判的核心局限性在于：未考虑海外国家出台政策限制中国AI企业进入的风险，以及中国AI企业海外拓展不及预期的风险。
思维提示：普通人在分析中国科技产业的全球竞争力时，不要只看单个技术的差距，还要看整个产业链的协同效应与系统优化能力，这往往是中国企业的优势所在。
通过设置中国AI企业海外收入、全球市场份额、成本对比等观测指标，跟踪中国AI产业全球竞争力的提升，同时关注海外政策的变化与国际竞争的格局。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是系统成本优势分析法。该方法的适用场景为分析所有具有完整产业链的中国科技行业，普通人的套用步骤为：1. 分析行业的产业链结构与各个环节的技术水平；2. 评估产业链的协同效应与系统优化能力；3. 测算系统优化带来的成本下降空间；4. 判断中国企业在全球市场的竞争优势与市场潜力。
通过学习机构的这个思考方式，我们可以准确把握中国科技产业的全球竞争力，找到那些能够在全球市场取得成功的优质企业。
国内大厂AI布局逻辑拆解|机构如何捕捉行业共识的转变
【观点研报】
Q6：国内其他大厂最近都在忙什么？腾讯、阿里、小米的模型更新有什么看点？瑞银在报告里顺带盘了一圈国内其他玩家的近期动态，觉得这些线索拼在一起，能看出中国AI生态正在从"卷模型参数"转向"卷场景落地"。腾讯的Hy3 Preview主攻推理、编码和agentic工作负载，已经在元宝、ima、CodeBuddy、WorkBuddy等自家产品里试水。阿里Qwen3.6-Max-Preview强化的是agentic coding、世界知识和指令跟随，核心目的是给阿里云和开发者生态输血。小米MiMoV2.5-Pro则是个1M上下文的agent-centric模型，聚焦长程工作流和复杂软件工程，工具调用能力很重。看出来了吧？
【逻辑路径】
1. 市场预期差：市场普遍认为国内大厂还在卷模型参数，而机构认为国内大厂的战略重心已经发生了根本性转变，从"卷模型参数"转向"卷场景落地"，这标志着中国AI产业已经从技术探索阶段进入了商业化落地阶段。
2. 市场分歧：当前市场的核心分歧在于场景落地的速度，以及哪些场景会率先实现大规模商业化。
3. 板块影响因素：今年AI应用板块的表现主要受场景落地进度、用户增长与商业化变现三大因素影响，其中行业共识的转变是影响板块估值的核心变量。
4. 市场定价逻辑：市场将先定价行业共识转变带来的场景落地预期，随后定价标杆应用的用户增长与变现，最后定价全行业的业绩兑现，在核心场景有先发优势的企业将获得最大的涨幅。
【多维度拆解】
【判断锚点】
本条核心判断为：瑞银通过盘点腾讯、阿里、小米等国内大厂近期动态，发现中国AI生态正在从"卷模型参数"转向"卷场景落地"；腾讯主攻推理、编码和agentic工作负载，阿里强化agentic coding等为阿里云和开发者生态输血，小米聚焦agent-centric模型与工具调用。强关联点包括：行业转向卷agentic与coding（第11条）、企业级AI门槛降低（第7条）。投研通过跟踪头部厂商的战略动态，捕捉行业共识的转变。
维度1：资金格局与市场情绪
本条判断直接反映了资金正在从底层大模型标的向AI应用标的转移。2026年以来，AI应用相关企业的股价涨幅显著高于底层大模型企业，体现了市场对场景落地与商业化变现的期待。
关联判断1：从卷参数转向卷场景落地（第10条）；关联判断2：大厂布局agentic与coding（第10条）。
当行业从技术探索进入商业化落地阶段时，能够真正实现场景落地与商业化变现的应用企业，将获得更快的业绩增长与更高的估值，这是科技行业发展的普遍规律。
通过跟踪头部厂商的战略动态与产品布局，捕捉行业共识的转变，优先选择那些在核心场景有先发优势、能够实现商业化变现的AI应用企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：国内大厂之前都在投入大量的资源研发底层大模型，现在却纷纷将战略重心转向场景落地。矛盾的本质是底层大模型的技术已经逐渐成熟，性能差距缩小，单纯的参数提升已经无法带来明显的竞争优势，而场景落地与商业化变现成为了企业竞争的核心，谁能够率先找到杀手级应用，谁就能在未来的竞争中占据主导地位。
驱动因素分层拆解：
• 表层技术成熟原因：底层大模型的技术已经逐渐成熟，国内头部厂商的模型性能都处于第一梯队，各有优劣，单纯的参数提升已经无法拉开明显的差距。
• 中层商业化压力原因：大模型的研发成本很高，企业面临着很大的商业化压力，必须尽快找到能够盈利的应用场景，实现收入的增长，支撑研发的持续投入。
• 深层用户需求原因：用户对大模型的需求已经从单纯的聊天问答，转向了能够解决实际问题的应用，如代码编写、办公辅助、智能客服等，场景化的应用能够更好地满足用户的需求。
关联判断1：行业转向卷agentic与coding（第11条）；关联判断2：企业级AI门槛降低（第7条）。
历史相似周期案例：2010年左右的移动互联网行业，在智能手机技术成熟后，行业的竞争重心从手机硬件转向了移动应用，诞生了微信、抖音等杀手级应用，与当前AI行业的发展逻辑高度相似。
经典理论支撑：技术成熟度曲线理论，当一项技术度过了期望膨胀期，进入泡沫破裂低谷期后，会逐渐走向稳步爬升的光明期，此时行业的竞争重心会从技术本身转向应用与商业化。
通过分析技术成熟度、企业的商业化压力与用户需求的变化，判断行业竞争重心的转变，跟踪头部厂商的产品布局与场景落地进度，评估AI应用的市场潜力。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年将出现多个AI杀手级应用，AI应用板块将迎来爆发式增长。核心观测方向为AI应用的用户数与收入增长情况，关键触发条件包括：1. 出现日活超过1000万的AI原生应用（高概率，90%）；2. 某AI应用企业的年收入突破10亿元（高概率，85%）。
本条判断预判的核心局限性在于：未考虑AI应用的同质化竞争导致用户增长放缓的风险，以及商业化变现模式不成熟的风险。
思维提示：普通人在分析科技行业的发展阶段时，当底层技术成熟后，要重点关注应用层的机会，杀手级应用往往会诞生在这个阶段，带来巨大的投资回报。
通过设置AI应用的用户数、日活、收入等观测指标，跟踪场景落地与商业化变现的进度，同时关注应用的同质化竞争与商业模式的创新。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是行业共识趋势捕捉法。该方法的适用场景为分析所有科技行业的发展趋势，普通人的套用步骤为：1. 跟踪头部厂商的战略动态与产品布局；2. 分析头部厂商战略转变的原因与逻辑；3. 提炼出整个行业的发展共识与未来趋势；4. 提前布局符合行业共识的赛道与企业。
通过学习机构的这个思考方式，我们可以提前捕捉行业的发展趋势，找到下一个爆发的赛道与优质企业。
AI行业竞争焦点逻辑拆解|机构如何判断下一个流量入口
【观点研报】
大家都在往"agentic"和"coding"两个方向挤。这不是巧合，而是行业共识——纯聊天的AI助手已经不够看了，能写代码、能调用工具、能完成多步骤任务的agent，才是下一个流量入口和付费转化点。
【逻辑路径】
1. 市场预期差：市场普遍认为纯聊天的AI助手还有很大的发展空间，而机构认为纯聊天的AI助手已经进入了红海竞争，增长乏力，而能够完成复杂任务的agent与coding才是下一个流量入口和付费转化点，这是行业的共识，也是未来的发展方向。
2. 市场分歧：当前市场的核心分歧在于agent与coding的技术成熟度，以及大规模商业化的时间点。
3. 板块影响因素：今年AI板块的表现主要受agent技术突破、应用落地与付费转化三大因素影响，其中杀手级agent应用的出现是影响板块爆发的关键催化剂。
4. 市场定价逻辑：市场将先定价agent技术突破的预期，随后定价标杆agent应用的用户增长，最后定价付费转化与业绩兑现，在agent领域有核心技术与先发优势的企业将获得最高的估值溢价。
【多维度拆解】
【判断锚点】
本条核心判断为：国内大厂都在往"agentic"和"coding"两个方向布局，这是行业共识；纯聊天AI助手已不足够，能写代码、调用工具、完成多步骤任务的agent才是下一个流量入口和付费转化点。强关联点包括：大厂布局agentic与coding（第10条）、企业级AI门槛降低（第7条）。投研通过分析行业共识，判断下一个流量入口与投资机会。
维度1：资金格局与市场情绪
本条判断直接反映了资金正在向agent与coding相关的企业集中。2026年以来，专注于agent技术与AI代码生成的企业股价涨幅显著高于其他AI企业，体现了市场对这两个方向的高度认可。
关联判断1：行业共识转向agentic与coding（第11条）；关联判断2：agent是下一个流量入口（第11条）。
agent能够自主完成多步骤的复杂任务，是AI技术发展的更高阶段，也是实现AI大规模商业化的关键，因此成为了行业竞争的焦点与资金布局的重点。
通过分析行业共识与技术发展趋势，判断下一个流量入口与投资机会，优先选择那些在agent与coding领域有核心技术与先发优势的企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：纯聊天的AI助手用户数很多，但商业化变现却很困难，而agent与coding虽然用户数还不多，但付费意愿却很强。矛盾的本质是纯聊天的AI助手只能提供娱乐与信息查询等浅层次的服务，用户的付费意愿很低，而agent与coding能够帮助用户完成工作任务，提高工作效率，为用户创造实实在在的价值，因此用户愿意为此付费。
驱动因素分层拆解：
• 表层用户需求原因：纯聊天的AI助手已经无法满足用户日益增长的需求，用户希望AI能够帮助他们完成更复杂的工作任务，如代码编写、文档处理、项目管理等。
• 中层技术成熟原因：大模型的技术进步使得agent能够更好地理解用户的意图，调用工具完成多步骤的任务，技术成熟度已经达到了可以商业化应用的水平。
• 深层商业价值原因：agent与coding的商业价值巨大，不仅可以面向个人用户收费，还可以面向企业用户提供解决方案，市场空间远大于纯聊天的AI助手。
关联判断1：大厂布局agentic与coding（第10条）；关联判断2：企业级AI门槛降低（第7条）。
历史相似周期案例：2010年左右的移动互联网行业，从最初的浏览器、新闻资讯等浅层次应用，转向了微信、支付宝等能够完成复杂任务的超级应用，这些超级应用成为了移动互联网的流量入口与盈利中心，与当前AI行业的发展逻辑高度相似。
经典理论支撑：价值创造理论，只有能够为用户创造实实在在价值的产品与服务，才能获得用户的认可与付费，实现商业上的成功。
通过分析用户需求的变化、技术的成熟度与商业价值，判断下一个流量入口与投资机会，跟踪agent与coding领域的技术突破与应用落地进度。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年下半年将出现多个爆款agent应用，agent将成为AI行业的下一个流量入口。核心观测方向为agent应用的用户数与付费情况，关键触发条件包括：1. 某agent应用的日活突破500万（高概率，85%）；2. 企业级agent的市场规模突破500亿元（高概率，90%）。
本条判断预判的核心局限性在于：未考虑agent技术成熟度不及预期的风险，以及用户对agent的接受度不高的风险。
思维提示：普通人在分析科技行业的流量入口时，要重点关注那些能够为用户创造实实在在价值、解决用户实际问题的产品与服务，这些产品与服务往往会成为下一个流量入口。
通过设置agent应用的用户数、付费转化率、市场规模等观测指标，跟踪agent行业的发展进度，同时关注技术突破与应用场景的拓展。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是下一个流量入口判断法。该方法的适用场景为分析所有互联网与科技行业的发展趋势，普通人的套用步骤为：1. 分析当前主流产品的局限性与用户未被满足的需求；2. 跟踪技术的发展趋势，看哪些技术能够解决这些需求；3. 观察头部厂商的布局方向，提炼行业共识；4. 判断下一个流量入口与投资机会。
通过学习机构的这个思考方式，我们可以提前布局下一个流量入口，获得超额收益。
瑞银行业偏好逻辑拆解|机构如何划分AI企业的胜负手
【观点研报】
Q7：V4发布会不会让国内竞争更惨烈？瑞银看好谁、不看好谁？瑞银的表态很有意思：他们并不担心V4会加剧国内竞争。原因很简单——分层策略本身就是在差异化，而全球token需求还在 surge，蛋糕在变大，抢食的压力反而没那么大。瑞银维持了对几家公司的明确偏好：智谱（Zhipu）在编码领域的领先地位会持续，毕竟GLM-5.1在Code Arena上 still leads domestic peers；MiniMax的多模态差异化定位不会被V4冲击，因为V4压根儿不强调多模态；阿里和百度的云/芯片业务则会受益于整个行业的算力需求 tailwinds。瑞银在画一条分界线：做底层模型能力的（DeepSeek、智谱、Kimi）拼的是效率天花板和成本地板；做云和芯片基础设施的（阿里、百度）拼的是需求红利；做多模态和垂直场景的（MiniMax、腾讯、小米）拼的是差异化体验。V4的发布，其实是帮这条分界线描得更清晰了。
【逻辑路径】
1. 市场预期差：市场普遍认为DeepSeek V4的发布会加剧国内大模型行业的竞争，导致行业利润下降；而机构认为分层策略本身就是差异化，而且全球token需求还在快速增长，蛋糕在变大，竞争压力反而没那么大，并且行业会出现清晰的分层，不同类型的企业有不同的胜负手。
2. 市场分歧：当前市场的核心分歧在于不同类型企业的竞争优势与投资价值，以及哪些企业能够在未来的竞争中胜出。
3. 板块影响因素：今年AI板块的表现主要受行业分层、企业竞争优势与业绩增长三大因素影响，其中企业在各自赛道的胜负手是影响估值的核心变量。
4. 市场定价逻辑：市场将根据不同类型企业的胜负手，给予不同的估值，那些在各自赛道拥有核心竞争优势的企业将获得估值溢价，而没有核心优势的企业将被边缘化。
【多维度拆解】
【判断锚点】
本条核心判断为：瑞银认为V4不会加剧国内竞争，因为分层是差异化且全球token需求在增长；瑞银偏好智谱（编码领先）、MiniMax（多模态差异化）、阿里和百度（受益算力需求）；行业将清晰分层：底层模型拼效率与成本，云/芯片拼需求红利，多模态/垂直场景拼差异化体验。强关联点包括：分层模型成为行业标准（第3条）、算力需求增长（第9条）。投研通过划分行业分层与企业胜负手，判断不同企业的投资价值。
维度1：资金格局与市场情绪
本条判断直接反映了资金正在根据行业分层与企业的竞争优势进行重新配置。2026年以来，那些在各自赛道拥有核心竞争优势的企业股价表现明显优于其他企业，体现了市场对行业分层与企业胜负手的认可。
关联判断1：行业出现清晰分层（第12条）；关联判断2：不同企业有不同胜负手（第12条）。
当行业发展到一定阶段，会出现清晰的分层，不同类型的企业会在各自的赛道上展开竞争，只有那些拥有核心竞争优势的企业才能在竞争中胜出，获得资金的青睐。
通过分析行业的竞争格局与分层情况，判断不同类型企业的胜负手与竞争优势，优先选择那些在各自赛道拥有核心竞争力的企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：DeepSeek V4的发布不仅没有加剧行业的恶性竞争，反而让行业的竞争格局变得更加清晰。矛盾的本质是分层策略使得不同的企业可以聚焦于不同的市场与用户群体，避免了直接的价格战与同质化竞争，同时全球AI需求的快速增长，为所有企业都提供了足够的发展空间。
驱动因素分层拆解：
• 表层分层差异化原因：分层策略使得企业可以根据自身的技术优势与资源禀赋，选择不同的定位与市场，如底层模型企业拼效率与成本，多模态企业拼差异化体验，避免了直接的恶性竞争。
• 中层需求增长原因：全球AI需求还在爆发式增长，token需求每年以数倍的速度增长，市场蛋糕在快速变大，足够容纳多家企业共同发展，因此抢食的压力反而没那么大。
• 深层竞争格局原因：经过几年的竞争，行业已经形成了相对稳定的竞争格局，头部企业的技术优势与用户优势已经比较明显，新进入者很难再挑战头部企业的地位，行业的集中度会逐步提升。
关联判断1：分层模型成为行业标准（第3条）；关联判断2：全球token需求快速增长（第12条）。
历史相似周期案例：2010年左右的中国互联网行业，经过几年的竞争，形成了BAT三足鼎立的格局，不同的企业聚焦于不同的领域，如阿里聚焦电商、腾讯聚焦社交、百度聚焦搜索，行业竞争格局变得更加清晰，与当前AI行业的发展逻辑高度相似。
经典理论支撑：差异化竞争理论，企业通过差异化的产品与服务，聚焦于不同的细分市场，避免直接的恶性竞争，从而获得更好的发展空间与盈利能力。
通过分析行业的分层情况、需求增长速度与竞争格局，判断不同类型企业的竞争优势与发展前景，优先选择那些在各自赛道拥有核心竞争力的头部企业。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2026年国内AI行业的分层将更加清晰，头部企业的市场份额将持续提升，行业集中度进一步提高。核心观测方向为不同类型企业的市场份额变化，关键触发条件包括：1. 底层模型市场CR3超过70%（高概率，90%）；2. 出现市值超过千亿的AI应用企业（中概率，70%）。
本条判断预判的核心局限性在于：未考虑出现突破性技术导致行业竞争格局重构的风险，以及行业监管政策变化的风险。
思维提示：普通人在分析行业竞争格局时，当行业出现清晰的分层后，要重点关注各个赛道的头部企业，它们将获得最大的市场份额与最高的估值溢价。
通过设置不同赛道的市场集中度、头部企业市场份额、行业CR3等观测指标，跟踪行业竞争格局的变化，同时关注技术突破与监管政策的影响。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是行业分层与胜负手分析法。该方法的适用场景为分析所有发展到成长期后期的科技行业，普通人的套用步骤为：1. 分析行业的竞争格局与分层情况；2. 判断不同类型企业的胜负手与核心竞争优势；3. 评估各个赛道头部企业的竞争力与市场份额；4. 选择那些在各自赛道拥有核心优势的头部企业进行投资。
通过学习机构的这个思考方式，我们可以准确把握行业的竞争格局，找到各个赛道的优质龙头企业。
DeepSeek V4行业意义逻辑拆解|机构如何展望中国AI的未来发展
【观点研报】
DeepSeek V4的发布标志着中国大模型竞争从"单点参数竞赛"进入了"分层生态运营"的新阶段。V4-Flash用极致性价比铺量，V4-Pro用顶级智能攻高端场景，而架构层面的效率优化和国产算力的深度绑定，则让"算力本土化"从口号变成了可落地的成本曲线。当Ascend 950超节点在2026年下半年批量上线，中国AI产业或许会迎来一轮更猛烈的价格重构——那时候，真正的淘汰赛才刚刚开始。
【逻辑路径】
1. 市场预期差：市场普遍认为DeepSeek V4只是一次普通的模型升级，而机构认为这是中国大模型行业发展的里程碑事件，标志着行业进入了新的发展阶段，并且算力本土化的落地将引发中国AI产业的价格重构，真正的淘汰赛才刚刚开始。
2. 市场分歧：当前市场的核心分歧在于中国AI产业未来的竞争格局，以及哪些企业能够在淘汰赛中胜出。
3. 板块影响因素：未来2-3年AI板块的表现主要受价格重构、行业集中度提升与全球竞争力三大因素影响，其中企业的综合实力与生态构建能力是决定能否胜出的核心变量。
4. 市场定价逻辑：市场将先定价算力本土化带来的价格重构预期，随后定价行业集中度的提升，最后定价中国AI企业全球竞争力的增强，能够在淘汰赛中胜出的龙头企业将获得长期的估值溢价。
【多维度拆解】
【判断锚点】
本条核心判断为：DeepSeek V4标志中国大模型竞争从"单点参数竞赛"进入"分层生态运营"新阶段；V4-Flash铺量、V4-Pro攻高端，架构优化与国产算力绑定让算力本土化成为可落地的成本曲线；2026年下半年Ascend 950批量上线后中国AI将迎来更猛烈价格重构，真正淘汰赛开始。强关联点包括：分层模型成为行业标准（第3条）、软硬协同形成独立成本曲线（第9条）。投研通过总结行业发展阶段，展望中国AI产业的未来趋势。
维度1：资金格局与市场情绪
本条判断直接反映了资金正在向AI行业的龙头企业集中。2026年以来，AI行业龙头企业的股价涨幅显著高于中小企业，体现了市场对行业集中度提升与龙头企业胜出的预期。
关联判断1：行业进入分层生态运营新阶段（第13条）；关联判断2：真正的淘汰赛开始（第13条）。
当行业进入淘汰赛阶段，只有那些拥有综合实力与生态构建能力的龙头企业才能胜出，获得更大的市场份额与更高的估值，而中小企业将被边缘化或淘汰。
通过分析行业的发展阶段与竞争格局，判断淘汰赛的开始时间与企业的综合实力，优先选择那些拥有生态构建能力与综合竞争优势的龙头企业。
维度2：底层逻辑
本条判断暴露的核心反常识矛盾是：在AI行业快速发展、市场蛋糕不断变大的背景下，真正的淘汰赛才刚刚开始。矛盾的本质是行业的竞争门槛在不断提高，从最初的技术门槛，到现在的成本门槛、生态门槛与资金门槛，只有那些能够跨越所有门槛的企业才能在竞争中胜出。
驱动因素分层拆解：
• 表层价格重构原因：Ascend 950的批量部署与软硬协同的深化，将进一步压低中国AI的成本曲线，引发行业的价格重构，那些没有成本优势的企业将被淘汰。
• 中层生态竞争原因：未来的竞争不再是单一模型的竞争，而是生态体系的竞争，只有那些能够构建完整生态体系，吸引开发者与用户的企业才能获得长期的发展。
• 深层综合实力原因：淘汰赛阶段，企业的综合实力将成为决定胜负的关键，包括技术实力、资金实力、运营能力、生态构建能力等多个方面，只有综合实力强的企业才能胜出。
关联判断1：软硬协同降低成本（第9条）；关联判断2：行业分层清晰（第12条）。
历史相似周期案例：2010年左右的中国团购行业，在市场快速发展的同时，也经历了激烈的淘汰赛，数千家团购企业最终只剩下美团、大众点评等少数几家，与当前AI行业的发展逻辑高度相似。
经典理论支撑：行业生命周期理论，当行业进入成长期后期，会经历激烈的淘汰赛，行业集中度大幅提升，最终形成少数几家企业主导市场的格局。
通过分析行业的发展阶段、竞争门槛与企业的综合实力，判断淘汰赛的激烈程度与胜出的企业，优先选择那些综合实力强、生态构建能力突出的龙头企业。
维度3：趋势启示
基于本条判断与关联数据的交叉结论，推导最直接的边际趋势为：2027年中国AI行业将进入激烈的淘汰赛阶段，行业集中度将大幅提升，最终形成3-5家综合型AI巨头与一批垂直领域的专精特新企业。核心观测方向为行业的并购重组与企业的退出情况，关键触发条件包括：1. 出现AI行业的大规模并购重组（高概率，90%）；2. 超过50%的中小AI企业退出市场（中概率，70%）。
本条判断预判的核心局限性在于：未考虑出现突破性技术导致行业格局重构的风险，以及政策干预影响行业竞争的风险。
思维提示：普通人在投资科技行业时，当行业进入淘汰赛阶段，要坚决规避中小企业，集中投资于综合实力强、生态构建能力突出的龙头企业，它们将成为最终的赢家。
通过设置行业并购数量、企业退出数量、行业集中度等观测指标，跟踪淘汰赛的进度，同时关注技术突破与政策变化的影响。
【方法论与启示】
本条观点拆解中体现的可迁移机构研究方法是行业淘汰赛投资法。该方法的适用场景为分析所有进入成长期后期的科技行业，普通人的套用步骤为：1. 判断行业是否进入淘汰赛阶段；2. 分析企业的综合实力与核心竞争优势；3. 筛选出那些能够在淘汰赛中胜出的龙头企业；4. 在合理的估值水平买入并长期持有。
通过学习机构的这个思考方式，我们可以在行业淘汰赛中规避风险，抓住龙头企业的长期投资机会。
结尾
以上就是我们对瑞银DeepSeek V4研报13条核心观点的完整逻辑拆解与方法论提炼。通过本文，我们不仅还原了中国大模型行业从单点参数竞赛到分层生态运营的转变，更重要的是拆解了机构得出这些结论的技术验证逻辑、成本曲线测算方法与生态位卡位逻辑——这才是普通投资者最应该学习的东西。
再次郑重声明：本文所有内容均基于瑞银研报的公开信息进行整理、拆解与推演，不构成任何投资建议或推荐，也不对任何投资决策承担责任。我们的初衷始终是做机构研究逻辑的搬运工，帮助普通投资者打破认知差，建立与机构同频的思考体系。
投资的本质是认知的变现，而提升认知的唯一方法，就是学习最专业的思考方式。如果觉得本文对有帮助，欢迎点赞、在看、收藏并转发给更多需要的朋友。关注我们的账号，后续我们将持续拆解更多重磅专家调研纪要与机构研报，提炼更多可复制的通用研究方法论，学会像机构一样思考。
