Citrini深度｜AI交易退潮后，谁被市场放错了位置？，始终守望 AI 瞭望塔

太长不看

1.AI价值链的拥挤交易在杠杆推动下急速上涨后遭遇猛烈平仓，这是近期半导体板块回调的更合理解释，而非开源模型或地缘扰动。市场正在重新定价AI上行机会，尤其是在那些尚未被一致认可的领域。

2.高通正试图凭借移动芯片设计经验解决AI处理的内存与功耗约束，其高带宽计算架构旨在绕过昂贵的HBM，并已获得超大规模客户定制芯片项目与Meta的多代CPU协议。与此同时，基础设施软件因直接受益于AI流量增长而跑赢应用软件，开发者工具的内部AI化趋势正在重塑软件价值归属。

AI价值链的拥挤交易在杠杆推动下急速上涨后遭遇猛烈平仓，这是近期半导体板块回调的更合理解释，而非开源模型或地缘扰动。市场正在重新定价AI上行机会，尤其是在那些尚未被一致认可的领域。高通正试图凭借移动芯片设计经验解决AI处理的内存与功耗约。

一、AI 瞭望塔沿线

高通的底牌、开发者工具箱、企业支出，以及……四则运算顺序

Bob Dylan 创作《All Along the Watchtower》时，思考的并不是人工智能相关资本支出。但他依然相当精准地概括了 AI 价值归属之争……

“商人们喝着我的酒，农夫们耕着我的地。这条线上的所有人，没有一个知道这一切究竟价值几何。”

AI 价值链上的每个人都认为，自己能够为眼前的那一环定价。至于整体价值有多大、最终由谁获取，人们就没有那么确信了。在一轮历史性的动量交易回调背景下，想要穿透迷雾看清局势更加困难。

但在我们看来，目前的许多叙事，开源替代方案、成本竞争、Kimi3，都不足以解释市场的抛售。即使考虑到优化，token 总支出这块蛋糕仍在快速扩大。中国实验室之间的竞争并非新鲜事，而 Kimi 的 K3 开源模型规模极其庞大，如今也受到算力约束。即便中东局势扰动再度升级，也无法解释为什么那些相对不受能源冲击影响的行业表现逊于大盘。

更可能的解释是，AI 及其他主题交易中最拥挤的押注，在杠杆推动下经历了急速突破式上涨，由此产生了自身的脆弱性，其平仓回撤的猛烈程度，通常与上涨时的势头相呼应。

尽管如此，其中仍有值得吸取的教训。身处上涨趋势之中时，人们很容易对哪些公司将受益、哪些公司将受损形成整齐一致的看法，通常只需看看哪只股票在涨、哪只股票在跌。但随着波动率上升，在那些尚未获得一致认可的领域寻找 AI 上行机会，其价值也随之增加。

一方面，过去几周的彻底出清有助于扫清障碍，并可能推动那些广为人知的赢家走出一轮更持久的行情。但今天，我们试图寻找的是那些被错误归类的公司……

一家能够将约束转化为优势的移动芯片设计商；即使席位减少，调用次数仍会增加的工具；IBM 业绩不及预期的最大受益者；以及……四则运算顺序（你得继续读下去才能知道）。

我们先从最直观的例子讲起：一个旧标签如何掩盖了一项新业务……

1. 高通

上周，我们原以为挖到了有关高通（QCOM US）的独家猛料，其网站中隐藏的 HTML 指向一项尚未宣布的 Anthropic 合作关系。遗憾的是，接近 Anthropic 和高通的消息人士都对此予以坚决否认。

因此，我们撤掉了那篇文章。

但过去几天里，我们还是越来越想谈谈 QCOM 正在做的事情，因为即使双方现在没有合作关系……也不代表未来不会有。

高通在 6 月 24 日举行的投资者日是一场重要活动。公司极为激进地上调了 FY29 指引，将非手机业务营收预期从 220亿美元提高至 400亿美元，接近翻倍。

最大的驱动力来自数据中心营收。我们理解，鉴于 QCOM 曾在 2017 年携 Centriq 2400 进军该市场却以失败告终，投资者不愿将其数据中心营收纳入估值预期；但这一次，有理由认真看待高通的尝试。

当前 AI 处理面临的最大约束，功耗和内存带宽，恰恰是移动芯片设计商拥有独特应对经验的领域。尤其是高通绕过“内存墙”的方案，可能成为其最大的卖点。

高通公布了一种全新的“高带宽计算”架构，采用 LPDDR 以及一种类似“近内存处理”的技术。除了 QCOM 的营收指引外，这背后更深远的意义，正是我们从去年 12 月以来一直讨论的事情。

经济学中最古老的一句话是：“高价格的解药就是高价格。”在大多数市场中，这种解药通过供给发挥作用。在科技领域，能够治愈高价格的不仅是供给，还有创新。DRAM 价格涨得越高，寻找绕开 HBM 方案的动力就越强。

HBM 并非不可改变的必要条件，它只是当前行业为解决内存与加速器之间来回传输海量数据所产生的成本而给出的答案。随着这一答案变得越来越昂贵，工程师就更有动力从其他环节解决问题：将简单计算移到更靠近内存的位置，把冷权重和 KV 缓存放在成本更低的存储层级中，并且只向加速器发送其真正需要的数据。

近内存计算正是这一转变的一种体现。讽刺的是，HBM 每一次涨价，既会增强短期内存营收，也会进一步证明那些旨在减少每个 token 所需 HBM 字节数的架构具有合理性。

在《2026 年的 26 笔交易》中，我们讨论了一些软件层面的方案，这些方案可能提高内存使用效率。但如果所使用内存的利润率结构保持不变，所有这些方案都会在很大程度上受到杰文斯悖论的影响。真正对内存交易产生更大影响的，是硬件和架构层面的变化。

大家可能都已经熟悉内存墙，也知道受内存限制的推理是造成这一问题的最大因素。不过以防万一，我们还是快速回顾一下。

简单来说，算力的扩张速度超过了向其输送数据能力的提升速度。解码占比较高的推理受到每秒传输字节数的限制，HBM（高带宽内存）通过先进封装（硅中介层）堆叠 DRAM 来满足这些需求。这造就了一个 DRAM 极度短缺的市场，同时市场也在探索多种可能的绕行方案。

尽管软件层面一直高度关注如何更有效地使用内存，但硬件层面正在寻找绕开 HBM“收费站”的路径。归根结底，主要方案包括：将模型数据保留在芯片内部、用更便宜的介质取代 DRAM、让计算更靠近数据、针对不同推理阶段匹配相应内存，以及在多个加速器之间共享容量。

高通的方案名为高带宽计算（HBC），将处理器直接堆叠在内存下方，计划于 2027 年推出。

HBC 将 AI 加速器从 SoC 中分离出来，直接放置在 LPDDR DRAM 堆栈下方，并通过硅通孔连接，使带宽能够在整个裸片上垂直传输，而不是像 HBM 那样从边缘进出。QCOM 数据中心业务执行副总裁 Tony Pialis 声称，这种方案能够以堆叠内存的密度实现类似 SRAM 的性能，省去中介层（以及昂贵的 CoWoS 规模限制），并使高通无需先进封装即可在一台设备中平铺多个 HBC 堆栈。这就是近内存计算，或者用高通的话说是“类似近内存计算”，每个堆栈容量高、功耗低，并且可以继续堆叠。

高通声称，其结果是一款每瓦带宽达到 HBM 6 倍、每瓦容量达到 SRAM 200 倍的芯片。不仅如此，高通还声称，其每瓦解码性能以及按总体拥有成本计算的解码性能均可提高 4—8 倍。该方案利用了高通在移动设备领域被迫练就的全部能力，即在狭小面积内实现低功耗。

请注意：所谓 133 TB/s，很可能指的是受内存限制的解码操作期间，LPDDR 与 HBC 加速器之间的总有效带宽。持续的端到端解码带宽将低于这一醒目的标称数字。

高通还在投资者日上公布了其 AI 路线图，展示了 AI200 → AI250 → AI300 加速器的年度迭代节奏，以及计划于 2028 年推出的 CPU 产品。

即使没有我们认为其网站上一段隐藏暗码所暗示的 Anthropic 合作，在我们联系置评后，这段暗码便消失了，QCOM 进军商用数据中心市场的可信度也远高于 6 个月前：

1. Alphawave 带来了 SerDes、光学 DSP、CXL/UCIe、chiplet 以及定制芯片执行能力。
2. 高通表示，2 个超大规模云服务商的定制芯片项目将从 2027 财年开始贡献营收。
3. Meta 已签署一项多代 CPU 协议，C1000 预计于 2028 年下半年开始量产。
4. 尚待完成的 Modular 收购将提供开放软件层，使模型能够在高通及第三方加速器之间移植。

对于那些说“当然，但这要到 2028/29 年才会产生影响”的人，我只想提醒一句：在当前这个阶段，我们估值时所采用的恰恰就是那一年的估值倍数。

而且，这绝非异想天开，Anthropic 正在积极推动算力来源多元化。其已公布的技术栈包括 谷歌 TPU、英伟达 GPU 和亚马逊 Trainium。与此同时，高通提供的恰恰是 Anthropic 一直在纳入的那类替代架构：专为运行已训练 AI 模型而设计的完整机架级系统。

在几乎整个周期中，高通一直是半导体板块中备受冷落的公司。Citrini Research 在进入 2026 年时看多无晶圆厂移动芯片公司，包括联发科和高通。尽管它们面临疲弱手机周期的影响，我们认为它们仍有可能实现估值重估。

联发科年初的未来 12 个月市盈率略低于 20 倍……

随着 TPU 的上行潜力帮助联发科摆脱手机市场的寒冬、投入数据中心的温暖怀抱，其估值已大幅重估。高通最近频频高调表态要争夺数据中心市场份额，那么……它能否复制同样的表现？

三、路径

其产品和营收时间表仍处于早期阶段。首批 AI200 机架将于今年交付（UTC+8），而 Meta 的 C1000 部署要到 2028 年下半年才会开始量产（UTC+8）。

因此，每一个新客户的验证都显得格外重要。TD Cowen 在相关报道中写道：“其 2029 财年 150亿美元的目标可能较为保守，因为该目标仅包含其目前已有客户在 4 个产品系列中的贡献，这 4 个系列分别是连接、ASIC、通用 XPU 和通用 CPU；任何新增客户都可能带来上行空间。”

要让这些预测在数字上成立，需要对一支尚未完全赢得信任的管理团队抱有很大信心。我们正在关注管理层能否展现出早期迹象，证明其既能完成向数据中心的必要转型，又不会错失其他业务领域可能迎来的顺风：通过自动驾驶出租车部署推动的汽车业务、移动机器人以及 AI 设备生态。

不过，我们实际上比公司自身更看好汽车和物联网业务，而这些领域也可以弥补潜在波折。汽车业务在截至 3 月的季度实现 13.3亿美元营收（UTC+8），同比增长 38%；管理层表示，从第 3 代平台到第 5 代平台，单车芯片价值量将增长至 8 倍。650亿美元的项目储备，是已赢得项目在整个生命周期内预计产生的累计营收，因此转化率才是值得关注的变量。

与此同时，物联网业务目标并未上调，仍维持在约 140亿美元。从现在到 2030 年，只要高通天然适配的 AI 设备生态有所扩张，就意味着该业务存在显著上行空间，而我们认为这种情况出现的可能性更高。

借助 Meta 智能眼镜，高通已经在这一生态的消费端站稳脚跟。每副 Ray-Ban Meta 眼镜都搭载高通骁龙 AR1，将一枚 1200 万像素摄像头与图像信号处理器结合，使用户能够在日常场景中使用多模态端侧 AI。这是迄今出货最成功的智能眼镜：仅 2025 年，EssilorLuxottica 就售出了超过 700 万副 Meta AI 眼镜（UTC+8），包括 Ray-Ban 和 Oakley 两个品牌，并有望提前实现每年 1000 万副的产能目标。鉴于需求强劲，EssilorLuxottica 正寻求将产能翻倍至 2000 万副或更多。

对高通而言，更重要的是芯片价值量：据估计，AR1 约占物料成本的三分之一，即每副 50-60 美元。在今年售出 1000 万副、明年售出 1600 万副的上行情景下，未来两年消费级 AI 合计可为高通贡献约 14亿美元营收。

最后，机器人业务是 QCOM 预测中最重要的上行选择权。QCOM 的 Dragonwing IQ10 是一个可直接部署的平台，有望成为新兴机器人初创公司的标准。这表明 QCOM 在机器人领域提供的是整套感知技术栈：SoC、视觉、传感器处理、连接、安全芯片、运动控制接口以及围绕这些硬件构建的软件。指引中计入了约 7亿美元，主要由与 Figure 的合作及 Arduino 支撑；如果业余机器人市场加速发展，Arduino 可能带来显著贡献。未来 4 年，只要机器人销量出现任何接近我们预期的超预期表现，当前指引中的数字就会显得微不足道。

2. 建设者的工具箱

如果你过去 2 年一直在关注市场，可能会觉得“AI”是一场不可思议的经济革命：全球最大的公司为建造世界上规模最大的东西而相互展开激烈竞争，它由金属围合，内部填满硅，通过电力驱动，由制冷剂冷却，并以光纤连接。

但到了一定阶段，要证明这轮建设潮的合理性，价值难道不需要在基础设施之外积累吗？

早在 2025 年 4 月，我们便更新了“第 2 阶段”AI 框架，并提出：

随着我们转向第 2 阶段，这些传统护城河可能面临商品化，甚至被侵蚀……这一转变将逐渐迫使投资者重新思考如何看待 AI 的上行空间。问题不再只是“谁拥有最好或最大的模型？”，而是“谁能围绕这些模型打造最高效的系统？”、“我的单位经济效益究竟在哪里成立？”以及“究竟谁将真正受益于 AI 的应用？”。

换言之，价值将如何在不同层级之间积累：基础层（基础设施）、模型层和应用层。

在没有明确答案的情况下，我们在修订后的“第 2 阶段”组合中广泛布局，遵循 4 个差异化支柱：数据、设计、部署和分发。该组合主要由应用软件和基础设施软件公司构成，同时也包括 FICO 和 FactSet 等“数据”业务公司。

事后来看，最明智的做法本应是安坐在基础设施交易这片沙滩上。不过，这项分析仍然证明颇有价值，而且过去几周的表现表明，市场预期至少出现了某种程度的再平衡。

值得注意的是，这个软件占比较高的第 2 阶段组合在“SaaS 大灾难”期间显著跑赢整体行业，下文提供了其与 IGV ETF 的比较，同时也跑赢了标普 500 指数，这意味着我们当时的判断很可能抓住了某些关键。

但真正的故事藏在内部表现中。简单来说，基础设施软件大幅上涨，而应用软件和数据业务则遭受重创。推动表现的主要因素并非任何公司特有因素或估值，而是公司所属的类别，只有极少数例外。

换言之，市场愿意为数据中心之外的一部分价值积累买单，但目前仅限于“硬软件”，FROG 和 DDOG。这很合理：正如 NVDA 基本不受哪家实验室胜出的影响，基础设施软件也基本不受哪款应用胜出的影响。

我们3月发布的《智能体公用事业》一文，本质上阐述的就是这一观点。我们知道，AI 将大幅增加并重塑流量，因此“骨干”厂商将表现良好。

当然，也可以认为，行业中的异类，应用软件，可能即将迎来超额表现，其驱动力可能是相对价值反转，也可能是围绕分发优势、内部成本效率和 AI 集成的基本面叙事发生转变。

但综合权衡风险后，我们认为，最佳策略并不是笼统地喊出“因为软件便宜，所以买入软件”。毕竟，前方仍会有一些重大障碍。智能体编程的广泛爆发实际上只发生在过去6个月，我们完全可能看到，只要一家企业软件公司业绩不及预期，整个板块就会进一步下挫。因此，我们继续青睐直接受益于 AI 驱动型顺风的公司，而不是那些生存威胁可能仅仅“没有市场预期那么糟”的公司。

这里有一个显而易见的趋势。随着 AI 让更多人能够更快地开发软件，将会有多得多的软件被开发出来。

开发者世界的新重心已经转向内部 AI 开发工具，其在 PyPI 上的活跃度已经超过整个传统 DevOps 工具链。

到目前为止，许多传统开发者工具都被归入“输家阵营”，因为人们认为，人类使用的辅助工具将在智能体时代消失。

但更多开发者是否意味着需要更多工具包？

五、软件代码仓库（GTLB US）

软件代码仓库最初是记录系统：持久记录哪些内容发生了变化、由谁修改，以及项目如何恢复至较早状态。AI 正在把这种记录转变为实时运行环境。随着越来越多的软件工作被委托给智能体，能够梳理代码、测试、权限、事件和依赖项之间关系，并在运行时提供这些上下文的层级，其价值正日益提升。GitLab（GTLB US）的机会在于，从保存开发记录转向管理围绕这些记录开展的工作。

首先：Git 是什么？它为什么需要各种“Hub”和“Lab”？

简单来说，Git 是一本用于追踪软件开发项目进展和变更，并明确其归属的账本。GitHub（自2018年起归微软所有）是全球代码交换中心，允许开发者自由共享代码和注释，但需要注意，该平台的本质是共享和分布式版本控制，而不是通过迭代推动改进。GitHub 确实提供付费功能，但微软从这块作为记录系统的数字“地产”中获得的价值，显然高于该资产基础现金流所产生的价值。

另一方面，GitLab 以开源 Git 为底层，为开发者提供真正能够用于更快开发出更好软件的工具。以 GitLab Orbit 为例。GitLab 过去是一个用于排查代码并推送紧急补丁的工作台，如今则利用这种访问能力打造出了一个360°任务控制中心。

如果说5年前的 DevOps 关注的是“哪些系统正在运行，泄漏点在哪里？”，那么智能体时代的 DevOps 关注的就是“这里的一切如何相互关联，如果这里发生变化，什么会出问题？”

随着应用和用户体验越来越多地以即时、个性化方式编译，代码库智能的重要性也随之放大。GitLab 最近发布的 Orbit 平台可以回答以下问题……

“在庞大代码库的背景下，X 与 Y 有什么关系？”“这些测试是否符合真实客户行为？”“这款应用在多大程度上依赖用户拥有合适的向量数学运算硬件？”对于过去对自己的代码了如指掌的人类开发者而言，这可能看起来只是一个“锦上添花”的功能，但在可预见的未来，即使最先进的智能体也必须在每次会话开始时重建上下文。即便在迅速临近的未来某个时点，它们看起来真正拥有了长期上下文，这种上下文仍将建立在编码化、公式化的关系之上，建立在图结构之上。

随着开源和“通用”AI 模型日益普及，GitLab 似乎处于独特的受益位置，因为与 JFrog 等公司相比，其客户群的准入门槛低得多。专注于《财富》500强企业的 JFrog，受益于企业级工程预算的强劲韧性，以及高用量定价模式经济性的改善，而市场也合理地因 GitLab 在这两方面较弱而对其施以惩罚。我们此前已经讨论过推动 DevOps 工具市场远远超越《财富》500强范围的因素，而向更具价值导向的定价模式转变，也应该会改善市场情绪。

我们认为，GTLB 团队清楚其股价表现，也了解围绕定价模式的华尔街评论，以及该模式给股价带来的压力，因此我们很难相信，这只是一个疏漏或未加留意的错误。更确切地说，正如我们在《智能体公用事业》中所述，直到现在，能够实现这种精细计费控制的工具和经济条件才刚刚出现。因此，随着相关能力逐步成形，GitLab 终于开始实施新的付费选项。

GitLab Flex 是连接这些计量方式的商业桥梁。付费客户每年承诺一个固定美元金额，并可在无需重新修订合同的情况下，每月调整席位与基于额度计费的功能之间的分配。

Orbit 将同样的逻辑延伸至上下文层，但需要准确描述其经济模式。外部智能体通过 MCP 或 REST 查询 Orbit Remote 时会消耗 GitLab Credits，因此，Claude Code、Codex、Cursor 和定制工具在 GitLab 图谱上运行时，GitLab 可能从中收取通行费。

不过，GitLab 自有 Duo Agent Platform 发起的查询目前不计费，Orbit Local 也免费。Orbit Remote 仍处于测试阶段，尚未达到生产就绪状态，同时 GitLab 尚未公布每次查询对应的额度倍数。因此，目前 Orbit 既是未来可直接计费的 API 计量点，也是间接提高 DAP 质量、速度和 token 效率的方式。尽管仍处于早期阶段，但我们认为，随着 Orbit 平台逐步达到临界规模，其可计费范围将广泛扩大，而这也将得到支付基础设施改善的支持，正如 Cloudflare 在本年7月1日的博客中所述：

“这一现实要求一种新模式：所有产品都采用基于用量的定价……软件最自然的付费单位是请求、token 或结果，而不是席位或月份。”

六、数据库即服务

与此同时……当围绕软件的争论从“好”与“坏”转向“基础设施”与“应用”时，“优质 × 基础设施”阵营中的一个群体却明显没有获邀参加这场盛宴：MongoDB（MongoDB US）和 Elastic（ESTC US）等 DBaaS（数据库即服务）提供商。

这一领域的讽刺之处在于：向量存储对 AI 至关重要，没有嵌入，大语言模型就无法运作；没有引用嵌入的方式，智能体也无法良好运作，但实验室知道这一点，市场知道这一点，CSP（云服务提供商）当然也知道这一点。AWS、甲骨文、谷歌 和微软都将“足够好”的向量搜索捆绑进企业已经购买的计算产品中；即便是从未自建向量搜索的新云厂商，也只需引导客户使用其集群上的开源 Milvus，或接入 Pinecone。如果面向 AI 的功能只是捆绑套餐中的一个勾选项，独立数据库厂商就会落败。

捆绑策略确实重创了这一叙事，而且发生的时点也十分尴尬：恰逢检索增强生成（RAG）从一种构建上下文的技术，转变为智能体系统的基础组成部分。AI 圈的一些人宣称，我们已经触及“RAG 峰值”。

但是……工具调用、目标搜索、图像重新生成，所有这些都依赖于看起来非常像 RAG 的管线。

MongoDB：提前让工作集升温。早期 RAG 系统将庞大、静态的文档集合放入检索管线。随后，信息会被分块、嵌入、存储、搜索，并插入提示词。当然，尽管数据库活动很重要，但每次模型交互通常只进行1次或数次检索。

正如我们已经认识到的，智能体系统的行为有所不同。单项任务会围绕会话状态、应用数据、工具结果、权限、事件、中间输出和先前操作，产生反复的读取与写入。数据载荷更小，但交互持续不断，工作集始终在变化。检索不再是一个预处理步骤，而是执行循环本身的一部分。

这就是 MDB 的投资逻辑：Atlas 并不通过静态存放的廉价字节获利。其有价值的计量维度，是保持运营数据处于热状态并可立即查询所需的内存、CPU、吞吐量和可用性。向量搜索只是附加在运营数据库之上的一种访问方式，而每当应用触及自身状态时，该数据库的经济性都会改善，智能体则会持续不断地触及状态。

关键在于，至少自2020年以来，Atlas的标价一直没有变化。MongoDB在ChatGPT问世后的这段时间里，只是在同一条未变的基础价格曲线上增加了新的高热度容量计量项，专用搜索节点、向量搜索、流处理。收费站早已建好。AI周期唯一要做的，就是让流量经过这里。

整个2026财年，Atlas的增速从约26%重新加速至超过29%，年化营收突破20亿美元（UTC+8）。截至2026年4月的季度，Atlas增长29%（UTC+8），公司同时上调全年指引。按用量计价意味着工作负载可以自动转化为营收，无需重新议价，无需决定如何打包，也无需经历销售周期。MDB的计量体系已经运行了10年。

有2项风险尤为突出：

第一，边际新增应用越来越多地由编程智能体编写，而编程智能体默认选择Postgres，Supabase、Neon、pgvector，因为这些技术在其训练数据中占据主导地位。因此，MDB的智能体论点实际上是关于既有企业系统：智能体会放大与现有系统的交互，而不是帮助MDB赢得接下来100万个凭感觉编程的应用。

第二，捆绑风险的现代形态，对于上下文工作负载而言，最可怕的竞争对手并不是云服务提供商的数据库仿制品，而是将记忆内化的智能体平台。如果会话状态、工具结果和智能体记忆最终都存放在超大规模云厂商的智能体原语或实验室自有的记忆API中，那么数据库根本无法获得这部分新增工作负载。

Elastic：索引是副本，而非指针。如果说MongoDB通过应用与自身状态的交互来变现，那么Elastic（ESTC US）则通过帮助组织找到任何信息来变现。但常见的“数据库的数据库”这一概括同样过于简单。

Elastic并不是在其他系统的原始位置进行搜索。它会通过连接器、管道和权限映射将数据导入自己的索引，然后向你出售这份可查询的副本。一旦企业将其代码仓库、日志和文档存储完整接入一个统一的、支持权限感知的索引平面，想要移除Elastic，就意味着必须重建每一条管道。

随着智能体在更大的环境中运行，这种能力会变得更有价值。人类开发者知道哪个代码仓库、仪表板或事故日志包含答案。智能体则必须通过程序发现答案，判断哪个结果是最新且获得授权的，并以足够快的速度完成检索，以维持在自身执行循环之内。

这种工作负载比向量相似度搜索更广泛：智能体检索会将语义搜索与关键词、元数据、权限、时效性和运营信号结合起来。环境越异构，混合检索和排序相对于计算资源免费附带的基础向量索引就越有价值。

看空逻辑是，MCP式的直接工具调用可以让智能体先访问Jira的API，再访问GitHub的API，然后访问Wiki，而不需要统一索引。与此同时，随着每个数据库都试图加入BM25、向量和重排序功能，混合搜索本身也正在商品化。

反方观点是：“在5000万份文档中，在符合该用户权限的前提下，于200毫秒内找到相关内容”，这不是一个工具调用问题，而是一个索引问题；环境越大，问题就越难。

2026财年营收增长17%（UTC+8），第4季度增长16%（UTC+8），但2027财年指引约为14%（UTC+8），营收增速正在放缓。不过，cRPO增速加快至20%（UTC+8），RPO总额增速加快至28%（UTC+8）；Elastic年消费额超过10万美元的客户中，已有超过1/3正在使用其AI能力，而月度（中小企业）云业务仅增长3%（UTC+8）。

因此，大客户的承诺速度正在加快，而确认营收的增速却在放缓，低端客户也在流失。要么企业正在使用量增长之前就将搜索平面标准化，这是利好，也完全符合上述论点；要么只是合同期限正在延长，这只是表面改善。

但与MDB不同的是，在等待期间，你并不需要为市场已经认同这一观点而支付溢价。ESTC的定价仿佛其已无增长，指引显示营业利润率约为19%（UTC+8），且回购计划正在执行，因此，搜索平面论点所附带的是一个廉价期权，而不是已经反映在估值中的假设。

因此，这笔补涨交易的逻辑并不是向量存储重新获得新颖性，而是AI从偶发检索转向持续的上下文维护，而这3家公司通过3种不同的传导机制将这一转变变现：GitLab必须将席位转化为计量用量，这是一场仍在推进的定价转型；MongoDB已经对工作集进行计量，这一传导机制目前已经奏效；Elastic则出售其他一切内容的可查询副本，这是对企业标准化的一项期权。

七、设计

从审美角度看，设计本质上是主观的。Figma（Figma US）承诺提供的是手工艺式AI，凭感觉编写出来的器官，仍然需要人类的皮肤。自编程智能体进入主流以来，其营收增长和净美元留存率每季度都在环比加速，目前同比增速已达46%（UTC+8），净美元留存率达到139%（UTC+8）。但它的股价……并没有上涨。

人类设计师会积累一套内部资料库，其中包含设计元素、哪些元素搭配有效，以及哪些无效。每个独特案例都会得到针对性处理，但我们的累积经验无疑也会实时影响决策。不过，专业设计师还需要遵循形状比例、调色板和品牌指南等严格规则，使创造力与确定性始终处于张力之中。从设计师的视角看，这最终形成了一套非常类似于大语言模型聊天机器人上下文的规范。首先是一个基础系统提示词，其中包含具体规则、首选工具等内容。

这对Figma（Figma US）很重要，因为即便这一设计循环减少了人类参与，其底层框架仍保持着高度一致的结构。无论是人类还是机器在对齐像素、进行文本本地化或测试色盲可访问性，都需要清晰地将相同的规则和指南编成规范并严格执行。

这与构成高效编程智能体骨架的“提问→检索→推理→行动→更新”循环非常相似。个性化广告、即时编译、动态营销活动或动态监管等趋势，反而更凸显顺畅迭代流程的价值。随着每一则广告变得越来越个性化，单则广告的价值也随之提高，使执行投入程度更高的工作变得更加关键。实时生成同一张主视觉图的500个变体，意味着每一个变体都是一次风险与回报都更高的精准打击。

事实上，我们认为，这些设计趋势的具体细节远不如其经济发展方向重要。争论不应该是“人与机器”，用“模型与系统”这一坐标轴来讨论似乎更合适。我们再次清晰地听到了智能体编程在这里的回响。如果存在一个前沿大语言模型，能够接收输入，并完全在“幕后”创建出可发布的产品，那么，是的，Figma之类的产品将面临严峻挑战。

然而，AI行业显然已经意识到，大规模基础模型训练可以高效完成约90%（UTC+8）的工作，而剩余部分，也就是我们愿意付费的部分，则需要更多引导。可以想象：人类为智能体编写工具或框架，从而在具体且复杂的垂直领域获得超额收益。这很合理。现实世界通常有一条非常陡峭的学习曲线，这有利于人机混合系统保持持久生命力，而不是采用近期价格走势所暗示的那种“一键完成”式万能方案，仿佛大语言模型在设计领域已经无所不能。

3. 企业支出：安全与自主可控

7月14日开盘前，IBM提前披露了一个表现惨淡的季度，其大型主机硬件业务及配套软件大幅不及预期。

但在我们看来，更重要的信号是这些支出被重新导向了哪里。根据IBM的信函：

“在6月的最后几周，我们看到客户将季度资本支出转向服务器、存储和内存采购，以便在预期涨价前锁定供应受限的基础设施。这一动态影响了客户的采购模式。尽管我们在预期中考虑到了部分供应链相关影响，但并未预料到资本支出重新排序的幅度。此外，本季度全行业迅速演变的网络安全担忧也分散了客户的注意力。”

在随后接受CNBC的Sara Eisen采访时，首席执行官Arvind Krishna透露了更多信息：

“Mythos让人们停下来思考：等等，我到底需要在网络安全上投入多少？”

简而言之，企业资本支出突然开始从大型主机转向4个明确领域：服务器、存储、内存和网络安全。诚然，大型主机正处于一个非常强劲的产品周期尾声。这是迄今最有力的证据之一，表明企业AI支出中2个相互关联的趋势正在加速：安全与自主可控。

九、安全

网络安全方面的逻辑很直接。在 Mythos Preview 发布后的几周里，数千个零日漏洞被发现，其中包括 OpenBSD（据称是一款专注于安全的操作系统）中一个存在了 27 年的漏洞、FFmpeg 中一个存在了 16 年的缺陷，以及 Squid Web 代理中一个存在了 29 年的内存泄漏问题。能力强大且开源的 Kimi3 发布，可以说进一步加剧了这些风险。

借用 Palo Alto Networks 产品负责人 Lee Klarich 的话来说：攻击会更多、速度会更快，也会更加复杂。

Mythos 识别漏洞，与 Claude 从零开始搭建 CRM 并不是一回事。相反，网络攻击的复杂性和攻击面不断扩大，只会拓展网络安全服务的应用场景。

正如我们在《Phase 2》和《Agentic Utilities》中所论述的，没有任何 CISO 愿意将整个数字基础设施的稳定性押在单一故障点上，更不会押在同一家能够提供网络攻击模型的供应商身上。采用成熟的第三方网络安全服务，既能带来保障，也能保住自己的职位，当市场认识到 IBM 信函的真正含义后，这些公司的股价大幅上涨。

值得重申的是，Anthropic 发布 Mythos 并不是为了绕过网络安全产业体系。事实上，该公司在 Project Glasswing 中与多家网络安全公司展开了合作。Glasswing 涵盖网络安全技术栈的各个环节：Palo Alto Networks（PANW US）、思科（思科 US）、CrowdStrike（CrowdStrike US）和 Cloudflare（Cloudflare US）被列为协助推进这一项目的主要网络安全及网络合作伙伴。随后在 6 月，Anthropic 扩大了 Glasswing 的覆盖范围，纳入更多网络安全领域的合作伙伴，包括 Okta（Okta US）、Rubrik（RBRK US）和 Netskope（NTSK US）。

我们一直认为，市场对领先网络安全公司的定价存在偏差。在 1 月发布的《Muscle Memory》中，我们曾指出，因为智能体编程取得进展而抛售网络安全股，直白地说，是愚蠢的。但鉴于领先网络安全软件公司已经在我们的文章及许多其他研究中得到充分讨论，而且估值在过去几个月里也获得了显著重估，我们将注意力转向其他类型的受益者。

物理网络安全

Project Glasswing 中软件公司的集中出现值得注意，但硬件端可以通过专门设计，实现由现成零部件拼装而成的技术栈根本无法复制的效果。

首先要讨论的是防火墙龙头 飞塔（FTNT US）。这是一家领先的传统硬件厂商，却拥有类似软件公司的经济模型。

该公司的价值主张源于其定制芯片。每台 FortiGate 都搭载自有的 FortiASIC 处理器，包括 NP7 网络处理器、CP9 内容处理器，以及将两种功能集成在单颗芯片上的新一代 SP5。最终形成的芯片架构能够完成标准 x86 CPU 无法做到的事情。如下图所示，其产品营收增速已大幅加快。

设备本身构成了护城河，同时也是 飞塔 向超过 900,000 名客户追加销售 FortiGuard、SASE 和安全运营等垂直整合服务的载体。

过去 10 年，飞塔 的产品销售额占比已从超过 40%降至如今的 30%出头至 35%左右（UTC+8）。产品业务并未消失，飞塔 在 2025 年第 4 季度创下产品销售额纪录（UTC+8），而市场一致预期其 2026 年第 4 季度产品销售额将再创新高，达到 7.63亿美元（UTC+8）。这正是该商业模式在实践中的展开：销售设备，在硬件技术栈中锁定自身位置，再通过垂直整合的软件实现差异化。

更重要的是，我们认为 飞塔 将在新兴的 OT 安全市场中发挥重要作用，管理层表示，该业务第 1 季度账单额增长了 70%（UTC+8）。凭借融合式 IT/OT 架构，我们认为 飞塔 具备有利地位，有望随着 OT 安全市场扩大而抢占份额。

物理安全领域另一家引起我们关注、但尚未受到市场广泛关注的公司是 Yubico（YUBICO SS）。这是一家提供硬件密钥和身份验证设备的瑞典公司。其旗舰产品 YubiKey 5 顾名思义，就是一把用于多因素身份验证（MFA）的实体“钥匙”。

如果这听起来有些传统，那是因为它确实如此。AI 驱动的威胁激增，尤其是来自智能体身份的威胁，迫使整个行业真正达到零信任标准。短信验证码或身份验证器应用可能被拦截或遭到网络钓鱼攻击，但实体人工验证无可替代。

在智能体时代，“轻触”机制能够确保高风险身份背后确实存在一个真实的人。用该公司的话说：“唯一比 AI 本身更强大的，是控制它的那个人的身份。”

过去 1 年左右，Yubico 的财务表现和股价走势都不理想，但除 Mythos 外，还有一个可能彻底改变其发展轨迹的重大催化剂，该公司在 4 月下旬宣布与 OpenAI 建立合作关系。

OpenAI 的 Trusted Access for Cyber（TAC）框架是一项试点计划，旨在确保模型得到安全且负责任的部署。加入该计划的参与者必须启用 Advanced Account Security（AAS），而 YubiKey 等硬件密钥可以满足这一要求。OpenAI 通过 OpenAI 订阅提供 YubiKey 套装，进一步强化了双方的合作关系，也可能是在试验 OpenAI 参与 AI 原生商业竞争的能力。

与 飞塔 类似，Yubico 也在实体硬件之上构建了经常性收入业务。该公司将这项业务命名为 YaaS，即 YubiKey as a Service。它既具备类似 SaaS 的经济模型，又增加了实体设备带来的客户锁定效应。

数据安全

数据保护层是我们此前投入关注不算太多的领域。在网络安全术语中，这类服务分为两项互补功能：数据丢失防护（DLP）和数据安全态势管理（DSPM）。

DSPM 决定数据的“态势”，即数据位于何处、如何存储、谁或者越来越多情况下什么对象拥有访问权限，以及数据如何被使用。当数据存放在防火墙后方的数据库中时，这项工作相当简单，但如今数据已经散布在云环境、SaaS 应用，以及由 AI 创建的全新存储库中。

与之类似，DLP 侧重保护传输中或使用中的数据，而不是静态数据。数据流动速度持续提升，数据状态也越来越动态化。每一次提示词输入、API 调用和智能体工作流，都会创造一条可能导致数据外泄的新路径，无论是意外泄露还是出于恶意目的。

网络攻击频率提高、复杂程度上升，对数据层产生了切实影响：DLP 为数字基础设施提供最后一道防线，而 DSPM 则充当瞭望塔。不过，正如我们此前深入讨论过的，网络安全企业会因规模而获得回报。客户已经厌倦供应商过度分散，而供应商则希望扩大营收。最终结果是，网络安全公司正日益转型为平台，通过收购获得相邻能力，而不是尝试在内部自行构建。

Palo Alto Networks 所采用的策略，正是将同一套公式应用于数据安全市场。6 月被纳入 Project Glasswing 的 Rubrik 于 2023 年收购了 DSPM 公司 Laminar。合并后的业务如今已将 DSPM 能力整合进 Rubrik Security Cloud，并同时向客户提供完整的服务组合。

Rubrik 的竞争对手 Commvault（CVLT US）于去年 7 月收购了 Satori Cyber。今年 3 月，该公司通过实时访问治理，将 DSPM 的覆盖范围扩展至结构化数据库，其中包括 AI 应用底层的向量存储。

同样的趋势也在私募市场上演：由 Insight Partners、TPG 和 Neuberger Berman 支持的 Veeam 斥资 17亿美元收购 Securiti，以增强其 DSPM 产品。由英伟达、IBM、红杉资本等机构支持的 Cohesity 尚未明确押注这项服务，而是选择与 Cyera 合作获取 DSPM 能力。不过，该公司在 2024 年末收购 Veritas Data Protection，进一步印证了规模是数据安全发展路线中的核心目标。

不过颇为耐人寻味的是，在已有 6 家 DSPM 厂商被收购后，市场上仍有一家上市纯粹标的可供争夺：Varonis（VRNS US）。该公司进入并购传闻名单也就不足为奇了。

十、AI 主权：服务器与存储

在 AI 领域，以国家主权之名推动供应链“回归本土”的诉求一直存在。

但主权 AI 还有第2种解读，由此形成了一个更具可投资性的标的范围：开源模型的普及，以及各组织掌控完整 AI 技术栈的迫切需求，从算力（本地部署、私有云或托管设施），到数据，再到量身定制并持续更新的模型本身。用 Palantir（PLTR US）的话说，正是这种主权能够维护竞争优势，或者说“商业阿尔法”。

Palantir 的观点是，基础模型体系已经开始向构建于其上的企业“征税”，通过前沿实验室运行推理成本高昂，企业也越来越不愿意将最具差异化的工作流建立在自己无法控制的租用智能之上。更不用说，隐私焦虑确实存在，人们怀疑这些企业会不会利用你为公司业务提供支持的数据来训练它们的下一个模型。

微软 CEO Satya Nadella 上周相当直接地强调了这一点，这也是他最近一次对前沿实验室的讥讽：

“在 AI 时代……你实际上要为智能支付两次：一次付出金钱，另一次付出更加宝贵的东西，也就是为了让这种智能发挥作用而不得不披露的专有知识。”

结合微软最近因“成本”而决定停止在内部使用 Claude Code 一事来看，其担忧或许并非主要来自表面上的 token 账单，而是将很大一部分软件开发工作交由竞争对手那些渴求数据的系统处理。

6月29日，Palantir 与英伟达（英伟达 US）宣布：“AI 的未来在本地部署。”双方发布了一套“主权 AI 操作系统参考架构”，将英伟达的开放权重 Nemotron 模型和 GPU、戴尔的 PowerEdge R670 服务器，以及 Palantir 的软件套件结合起来，打造一个真正自成体系的 AI 平台，数据安全无虞，智能既可量身定制，也能持续积累增强。

需要明确的是，按照其中列出的硬件规格，部署一套这样的 PLTR/英伟达解决方案，最小配置（4个节点、共32块 GPU）的成本为500万-600万美元（UTC+8），最大配置则为5,000万-7000万美元（UTC+8）。这还没有计入 PLTR 软件许可证、硬件更新以及电费和托管设施费用等持续成本。

但主权 AI 问题与软件行业内一个已经悄然展开的市场趋势同步出现，并非巧合。这个趋势就是计算架构从公有云回迁至本地部署、托管设施、私有云或混合工作负载环境。

在2010年代的大部分时间里，普遍观念是启动一个应用并将其托管在公有云上，AWS、Azure 或 GCP。弹性是其核心卖点。一家软件原生企业可以从100名用户扩展至100,000名用户（UTC+8），而不必投入本地基础设施建设所需的时间和资金。当然，一旦规模达到临界点，这套经济账就会发生变化。

Dropbox（DBX US）是这一趋势在实践中最突出的例子。2018年 IPO 前，该公司决定将90%的用户数据从 AWS 迁出（UTC+8），转移至设在托管设施中的自建基础设施。该项目被命名为 Magic Pocket，并显著改善了 Dropbox 的毛利率。

其他公司也纷纷跟进，包括伯克希尔旗下的 GEICO，以及 Basecamp 和 Hey 的母公司、私营企业 37signals。GEICO 尤为典型，该公司花了10年时间将数百个应用迁入云端（UTC+8），最终产生了每年3亿美元的云服务账单（UTC+8）。

目前，该公司正在将工作负载回迁至一套基于 Open Compute Project 硬件构建的 OpenStack 私有云，目标是将计算支出降低50%（UTC+8），并将单位存储成本降低60%（UTC+8）。类似地，37signals 将每年超过300万美元的 AWS 账单（UTC+8），转化为约70万美元的戴尔服务器和另外150万美元的 Everpure 阵列（UTC+8）。该公司于2025年正式删除了 AWS 账户（UTC+8），预计未来5年将节省超过1000万美元（UTC+8）。

尽管这些只是少数案例，但这一趋势确实存在。根据巴克莱开展的一项调查，88%的企业 CIO 计划将至少一部分公有云工作负载迁回私有云或本地基础设施。博通的一项研究也印证了这一倾向，显示从2025年到2026年（UTC+8）出现了显著转变。

需要明确的是，这并不意味着公有云已经消亡，云支出仍以超过20%（UTC+8）的速度增长，对于需要弹性算力的新兴企业而言，云计算仍是最佳选择，也就是那些具有突发性、动态性和不可预测性的工作负载。

尽管如此，AI 主权与云成本趋势的结合，为企业级硬件服务器和存储带来了双重利好，这一点已经非常明显地体现在戴尔（戴尔科技 US）和慧与（慧与 US）的传统财务数据中（UTC+8）。

同样，联想（992 HK）和富士通（6702 JP）也将从中受益。即使联想已经经历估值重估，如果这一利好持续，其估值相较其他 AI 硬件受益者仍然非常合理。

这个市场究竟有多大？也许还达不到“每个美国家庭都会连接一块 GPU”的程度，但无疑会更大，尤其是在超大规模云服务商转向自研芯片（Trainium、TPU、Maia）的情况下。通用加速器的边际买家正日益转向企业、主权国家和新型云服务商，同时也包括超大规模云服务商。市场已经扩展至覆盖长尾买家：既包括欧盟规模达2000亿欧元的 InvestAI 计划、沙特阿拉伯的 Humain、Stargate UAE，以及日本经济产业省补贴的算力建设等主权项目，也包括 Citadel Securities、辉瑞和 SLB 等私营部门买家。

NetApp（NTAP US）和 Everpure（P US）等存储厂商，是多云和混合环境中数据爆炸式增长的直接受益者。NetApp 基于商品化的 x86 算力构建产品，而 Everpure 则自行设计专有的 DirectFlash 硬件。数据引力一直是反对回迁最有力的论据，将数 PB 数据迁出云端既费力又昂贵。但在主权 AI 的框架下，它反而成为从一开始就不让数据离开的最有力理由。F5（FFIV US）的管理层在5月投资者会议上直言不讳。该公司的应用交付和安全设备恰好横跨这些混合环境：

“第3点是 AI 中的数据引力和治理。我们看到大量公司希望将专有数据保留在本地部署环境中；很多情况下，它们正在把原本位于公有云的数据回迁至本地，因为这些数据如今对其 AI 模型而言已经变得极其宝贵。它们希望数据管道靠近自己信任的基础设施，而这再次引发了一轮对私有基础设施的投资浪潮。”，F5 分析师与投资者会议，2026年5月（UTC+8）

当然，彻底改造计算基础设施本身就存在阻力。Nutanix（NTNX US）正是通过帮助客户顺利完成这些转型来谋生，该公司帮助各类组织在各种计算环境中运行和迁移工作负载。

颇具讽刺意味的是，博通收购 VMware 后，Nutanix 同样获得了利好。收购完成后，VMware 彻底调整了商业模式，取消永久许可证、实行捆绑定价，并大幅提高续约价格。

为了捕捉企业支出转向过程中的赢家，我们构建了下方的“企业安全与主权投资组合”。

4. PEMDAS（请原谅 Meta 坚定不移的 AI 支出）

2025年8月，我们在《主题现状》更新中指出，当时 AI 叙事所处的位置与现在非常相似：已经出现一个明确的赢家 OpenAI、一个正在迎头赶上的新秀 Anthropic，以及一群甘愿充当这两个赢家基础设施供应商的超大规模云服务商。

尽管当时围绕谷歌（谷歌 US）网络搜索的负面叙事盛行，Gemini 也令人失望，我们仍将该公司列为一个未被充分认识的赢家。此后，其股价已上涨近80%（UTC+8）。如今，1年过去了，Meta（META US）是否也呈现出类似的机会？

与谷歌一样，Meta 正在成为一家一体化且多元化的 AI 供应商，拥有算力、数据、芯片设计能力，以及最重要的自有用户。与亚马逊、微软和谷歌不同，Meta 在启动这轮建设时，既没有云业务积压订单，也没有能够消化这些产能的外部客户群。

然而，在将 GPU 更高效地转化为营收方面，Meta 的 AI 运算顺序比任何其他公司都更合理。PEMDAS 之所以存在，是因为算术会惩罚错误的运算顺序。看空 Meta AI 的人先减去资本开支，却忽略了指数项。

市场大多在为 Meta 的资本开支数字忧心忡忡，而这些数字可能很快还会被大幅上调，但人们较少关注 Meta 究竟为何在这一计划上投入如此巨额资金，以及该计划最终确实可能取得成功的可能性。请看……

1. Meta 是增长最快、却没有外部云业务营收的超大规模云服务商，其算力投入会直接转化至损益表。
2. 基础 AI 模型尚未实现商业化。
3. 资本支出是一种选择

Meta 超级智能实验室（MSL）成立时间较短，也缺乏部分 DeepMind 顶尖人才所拥有的深厚积淀。但 MSL 在研究人才方面的不足，被 Alexandr Wang 从 Scale AI 大举招揽的数据人才所弥补。MSL 已成为顶尖的强化学习工厂，这使其相较其他实验室拥有强大的内部专属优势。

鉴于 Meta 的路线图中已有同构算力，足以训练一个参数量超过 10 万亿的大型模型，问题在于，它能否可靠地对模型进行后训练，使其推理效率达到前沿级模型的水平。

Muse Spark 1.1 无疑令人鼓舞。

但正如我们去年看待谷歌 DeepMind 时那样，不妨暂且将 MSL 视为一个选择权。最理想的情况下，MSL 凭借强化学习数据的集中优势和同构算力赢得竞争。

最有可能的情况是，Meta 将跻身低成本闭源模型提供商的赢家之列。Meta 的 Muse 是目前市场上价格最低的美国优质模型，定价甚至低于 Grok。正如 Zuck 本人所说：“其他一些实验室的定价非常极端，利润率也非常高。我们认为，确实有能力以低得多的成本提供前沿级或非常高水平的智能。”

他关于前沿智能的看法确有道理。Muse 在 HealthBench 等真正重要的基准测试中表现尤为出色。

即使混合 token 定价为 1 美元，垂直整合提供商的经济性依然颇具吸引力，因为 Meta 已展现出针对并行化和延迟优化硬件的能力。对于成本敏感的企业用户而言，以牺牲几个百分点的性能换取相较 Anthropic 节省 90% 的成本，随着第 4 季度进入续约季（UTC+8），这将值得认真讨论。

但更具吸引力的是 Meta 现有的生成式 AI 能力，以及这些能力从企业端创造现金的潜力。与谷歌相比，Meta 已经更充分地证明，它能够利用生成式 AI 改善推荐、创意和广告效果，并由此在当前创造利润率极高的营收。

12、指数增长：模型变现

同样的原则直接延伸至 Meta 的广告业务。Meta 的广告业务拥有 3 款以 GPU 优化为核心的 AI 产品：

尽管 Andromeda 和 GEM 运行在各自独立的推理基础设施上，而非 Titan 训练集群本身，但 Andromeda 是围绕 英伟达 Grace Hopper 的内存层级和互连架构协同设计的。我们可以推断，下一代广告生成模型也将遵循相同原则。

因此，Meta 可以针对明确的硬件目标调整模型架构、特征流水线、内存布局和融合 GPU 内核，从而进一步扩大其在利用 AI 算力提升广告变现方面相对谷歌的领先优势。预计算的广告嵌入仍保存在本地内存中，避免重复进行 CPU 到 GPU 的数据传输，并使系统能够利用大规模并行能力处理低延迟工作负载。

Meta 表示，这种协同设计使 Andromeda 的模型容量提高了 10,000 倍（UTC+8），推理效率提高了 10 倍（UTC+8），端到端查询吞吐量增至原来的 3 倍以上（UTC+8）。部署后，特定细分市场的检索召回率提高了 6%（UTC+8），广告质量提升了 8%（UTC+8）。

Advantage+ 自动化可生成更多受众组合、广告版位和创意变体，从而增加 Andromeda 必须搜索的合格广告数量。Meta 表示，使用 Advantage+ 购物广告系列的广告主，其广告支出回报率提高了 22%（UTC+8）；使用 Advantage+ 创意图像生成功能的广告主，预计转化率提升了 7%（UTC+8），这推动了 Meta 相对谷歌的大部分市场份额增长。我们认为，这些效果改善正是 Meta 从其基于 GPU 的广告优化系统中获取的部分价值。

从现金到算力、再到广告营收并回流算力的飞轮十分精妙。

Meta 还有另一张我们认为市场尚未关注的底牌。目前，谷歌广告主可以通过 DV360 获取联网电视（CTV）和程序化广告库存，但 Meta Ads 平台尚无同类产品。Meta 如今正为将其广告机器扩展至自有应用之外奠定基础。Digiday 报道称，Meta 正与 Magnite、FreeWheel、电视制造商及出版商展开讨论，以获取第三方 CTV 广告库存。“目标不是拥有媒体，而是掌握需求。”

Advantage+ 提供广告主和创意，Andromeda 检索合适的广告库存，而 Meta 的优化与衡量技术栈则闭合效果反馈循环，这是目前没有任何其他公司能够提供的。美国市场的机会对应每年 400亿至500亿美元（UTC+8）的广告主支出，IAB 估算，2025 年 CTV 和在线视频市场规模为 452亿美元（UTC+8）；EMARKETER 则预计，到 2027 年，开放网络程序化展示广告市场规模将达到 425亿美元（UTC+8）。鉴于 Meta 目前拥有最出色的闭环系统，我们认为，预期 Meta 迅速拿下这 400亿美元以上支出中的巨大份额并非不切实际。

这使 Meta 的算力布局在结构上有别于独立模型实验室。前沿训练会消耗 GPU，但广告业务能够立即将同一套基础设施专长变现。Advantage+ 创造更多候选广告，Andromeda 更高效地检索这些广告，更好的检索效果提高广告主回报，由此产生的营收再为下一代算力提供资金。Meta 正在同时建设工厂和持续为其提供负载的现金生成型应用；尽管尚未拥有自研训练芯片，其效率仍远高于谷歌。

有观点认为，Meta 必须成为云平台，才能消化未来 3 年规划的近 14GW 算力（UTC+8）；但这完全是为了安抚投资者而释放的烟幕，以防 GEM、Andromeda 或 MSL 中的任何一项需要较长时间才能提升至满负荷运行。

本文仅供参考，不构成投资建议。访问本材料即表示您同意我们的服务条款。