>> 國(guó)信證券-策論AI系列(三)：人工智能主題分化存真下的投資線索-230616
| 上傳日期： |
2023/6/17 |
大?。?/td>
| 6287KB |
| 格式： |
pdf 共39頁(yè) |
來源： |
國(guó)信證券 |
| 評(píng)級(jí)： |
-- |
作者： |
王開 |
| 下載權(quán)限： |
此報(bào)告為加密報(bào)告，僅限高級(jí)會(huì)員查看 |
|
|
海外股指主要漲幅由核心標(biāo)的貢獻(xiàn)，國(guó)內(nèi)AIGC概念標(biāo)的同樣演繹“分化存真”。年初至今SPX上漲超過12.5%，其中市值占比最高的七家企業(yè)(蘋果、微軟、谷歌、亞馬遜、特斯拉、Meta)年初至今綜合漲幅超過50%，這七家企業(yè)市值占SPX的不足25%，但貢獻(xiàn)了超過95%的漲幅，AIGC產(chǎn)業(yè)持續(xù)演化過程中，SPX分化尤為明顯。A股方面，指數(shù)和個(gè)股層面上的分化實(shí)際發(fā)生在4月之后，人工智能行情主要經(jīng)歷三個(gè)階段：1）2月-3月末的普漲段；2）3月末至5月初，分化度較高但賺錢效應(yīng)中樞下移；3）優(yōu)質(zhì)個(gè)股賺錢效應(yīng)、賽道分化度小幅下降。
海外AIGC相關(guān)概念標(biāo)的“分化存真”邏輯演繹的更早，產(chǎn)業(yè)鏈各層次內(nèi)部同樣出現(xiàn)分化。從產(chǎn)業(yè)鏈分層看，海外人工智能產(chǎn)業(yè)鏈可分為基礎(chǔ)層、技術(shù)層、應(yīng)用終端層三個(gè)層次，整體表現(xiàn)上基礎(chǔ)層優(yōu)于技術(shù)層，技術(shù)層優(yōu)于應(yīng)用層。基礎(chǔ)層內(nèi)部，英偉達(dá)年初至今表現(xiàn)更好；技術(shù)層內(nèi)部，技術(shù)進(jìn)度更領(lǐng)先的Meta年初至今表現(xiàn)優(yōu)于其他企業(yè)；應(yīng)用層整體波動(dòng)較大，更受短期看點(diǎn)驅(qū)動(dòng)，BIGBEAR、BuzzFeed有過大幅上漲但持續(xù)性差。
企業(yè)視角：基于英偉達(dá)、特斯拉過去十年，看優(yōu)質(zhì)企業(yè)如何穿越周期。不論是英偉達(dá)還是特斯拉，在創(chuàng)造α的過程中，始終具備較強(qiáng)的產(chǎn)品力。英偉達(dá)不斷完成GPU架構(gòu)迭代，搶占市場(chǎng)份額，特斯拉前期完善S3XY產(chǎn)品矩陣，率先占領(lǐng)用戶心智。從業(yè)績(jī)視角看，英偉達(dá)在股價(jià)表現(xiàn)相對(duì)強(qiáng)勢(shì)的區(qū)間里，“數(shù)據(jù)中心+游戲”兩大主要板塊綜合增速持續(xù)上行或增速高于50%；而特斯拉在“盈利改善+現(xiàn)金流改善”的區(qū)間里，表現(xiàn)相對(duì)更好。國(guó)內(nèi)AI企業(yè)在分化存真的過程中，業(yè)績(jī)和產(chǎn)品力仍是值得關(guān)注的核心變量。
產(chǎn)業(yè)視角：“SCIR”框架下的AI賽道投資機(jī)會(huì)。從供給端和應(yīng)用端出發(fā)，可以將AI產(chǎn)業(yè)鏈上的企業(yè)分成SCIR四類，其中“S”即Supplier，包括算法、算力+平臺(tái)，“C”即Combiner，指的是AI作為介入方，對(duì)原有模型部分邏輯功能進(jìn)行提升的企業(yè)，包括ERP等；“I”即Invoker，指的是主營(yíng)產(chǎn)品/服務(wù)可以直接調(diào)用大模型的企業(yè)；“R”是Refiner，指的是直接應(yīng)用大模型對(duì)業(yè)務(wù)本身提升有限，需要通過企業(yè)數(shù)據(jù)+大模型的梯度微調(diào)，實(shí)現(xiàn)垂域小模型演化的企業(yè)，通常分布在游戲、數(shù)據(jù)處理、自動(dòng)駕駛、網(wǎng)絡(luò)安全、金融科技等領(lǐng)域內(nèi)。
核心結(jié)論：供給端全階段受益，應(yīng)用端存在較為分明的先后次序。基礎(chǔ)層和技術(shù)層作為人工智能的技術(shù)底座，在需求提升的過程中長(zhǎng)期受益；Invoker類企業(yè)在前期應(yīng)用端爆發(fā)時(shí)，直接嫁接大模型接口提前受益；Combiner類企業(yè)需要尋找大模型輸出與產(chǎn)品某部分功能的契合度，受益時(shí)間晚于Invoker；Refiner類企業(yè)需要借助自身數(shù)據(jù)訓(xùn)練大模型，打造自身的垂域小模型，前期準(zhǔn)備時(shí)間更長(zhǎng)，成本也更高。從分化程度看，Refiner>Combiner>Invoker>Supplier。自下而上篩選企業(yè)方面，供給端關(guān)注增量需求空間帶來的收入爆發(fā)力，需求端關(guān)注大模型是否幫助企業(yè)完成降本增效，進(jìn)而提升企業(yè)經(jīng)營(yíng)績(jī)效。
風(fēng)險(xiǎn)提示：本文列舉的公司和個(gè)股僅作為歷史復(fù)盤，不作為推薦依據(jù)，也不構(gòu)成投資意見。
|
|
