中國AI行業的投資邏輯正在發生一次微妙轉向：市場過去盯著模型能力、參數和榜單，現在更該盯住誰掌握客戶數據、工作流入口、部署能力和定價權。

八場覆蓋自動駕駛、獨立模型開發、企業工作流軟件、垂直AI應用的會議，給出的共同信號是：模型仍重要，但在部分企業場景里，模型開始像一種可替換的輸入品。

據追風交易臺，摩根大通證券（中國）分析師姚橙等在5月22日發布的中國AI行業調研中給出核心判斷：“部分AI應用開始展現出具有商業價值的初步跡象，特別是在工作流密集和數據飽滿的垂直領域。”

這句話的關鍵不在于AI應用終于可以變現，而在于變現最先出現的位置：不是通用聊天，也不是單純API調用，而是保險和金融風險、企業數據集成、跨境營銷這類流程重、數據厚、結果可衡量的場景。

這也改變了對自動駕駛和應用層的部分假設。此前更保守的框架是：Robotaxi短期更像成本中心，AI應用變現還早，真正清晰的上市敞口是基礎設施和算力。現在看，ADAS更接近量產和規模化，部分L4自動駕駛部署出現城市級經濟性改善的說法；垂直AI應用也開始拿出經常性收入、價值定價和運營層面盈利的早期證據。

不過，這些證據大多來自管理層口徑，且不少公司未上市，離可審計、可復現的公開市場驗證還有距離。

投資含義反而更集中：算力、AI基礎設施、國產芯片、內存和存儲，是最不需要押注單一大模型勝負的方向；應用層要看專有數據、工作流所有權、客戶留存和定價能力；模型公司則必須證明自己不只是被調用，而是能控制高價值工作流。消費級AI和智能體電商還沒拿出足夠硬的付費、留存和交易增量證據，估值故事仍要打折。

最一致的信號來自企業場景：客戶關心的是任務能不能完成、能不能嵌進現有流程、能不能調動自有數據，而不是一定要用最大的模型。

一些公司已經在按價格、性能和具體任務，把請求分配給不同的國產模型和前沿模型。還有公司承認，單純API切換成本并不高，真正讓客戶留下來的，是企業數據接入、工作流改造和部署后的業務粘性。

這對模型層估值并不舒服。使用量增長可以繼續存在，但租金能否留在模型廠商手里，變成另一個問題。如果客戶可以低摩擦地多模型切換，通用API的定價壓力會越來越明顯。

保險和金融服務風險、企業數據集成、跨境營銷，是這次最強的幾個應用信號。它們的共同點很清楚：客戶付費不是為了“用了AI”，而是為了風險下降、效率提升、營銷轉化改善、決策自動化。

這類場景更容易做價值定價。只要結果可衡量，供應商就有機會把AI能力轉化為經常性收入，而不是一次性項目費。

但這里不能直接套用傳統軟件的估值邏輯。部分業務仍可能有較強服務屬性：大客戶集中度高、在客戶錢包里的份額還小、早期部署需要大量人工實施或人工輔助。如果這些成本被完整計入，毛利率和可擴展性可能沒有表面那么好。

所以更準確的判斷是：部分AI應用已經從敘事進入早期商業驗證，但還沒證明自己具備持久、可規模化的軟件經濟性。

如果企業使用多個模型，模型的排他性會下降，但算力、存儲、內存、云編排和推理基礎設施的需求不會消失。

這也是基礎設施邏輯更清楚的地方。無論最后哪個模型領先，訓練、推理、企業部署、ADAS開發、模擬、數據處理、托管服務都要消耗計算資源。模型競爭甚至可能增加實驗和部署頻率，從而推高推理和配套基礎設施需求。

最關鍵的假設是任務量彈性。樂觀情形要求AI任務量增長快于單任務成本下降。如果模型效率、稀疏計算、邊緣推理或架構改進讓單位算力消耗下降得更快，基礎設施受益會被削弱。

目前這套框架更偏向前者：需求正在從前沿訓練擴展到推理、國產技術棧適配、內存、存儲和企業工作流執行。對公開市場來說，這仍是最清晰的一條AI敞口。

自動駕駛的變化在于，過去純粹燒錢的敘事開始松動。

ADAS和L4 Robotaxi要分開看。ADAS依托整車廠量產、真實道路數據循環和軟件式批量利潤率潛力，更接近規模化。供應商可以跟隨車企裝配率提升，形成更可見的收入貢獻。

L4 Robotaxi仍早得多。部分運營商給出了城市級經濟性改善、車輛成本下降、海外部署經濟性更好的說法，但公司層面盈利仍是后期目標，監管門檻也沒有消失。一個城市跑通，不等于不同地理、天氣、監管環境下都能復制。

對L4公司來說，真正能改變投資可行性的證據很具體：可審計的城市級單位經濟性、牌照城市擴張、車輛成本持續下降、安全記錄和監管連續性。任何事故引發的牌照暫停，都可能把商業化進程向后推幾個季度。

平臺原本擁有云、流量、生態和分發界面，看起來應該吃到AI應用的大部分價值。但企業和車企采購里，中立性正在變成一個變量。

這并不削弱騰訊、阿里這類平臺在云、地圖、計算、數據基礎設施上的受益邏輯。真正需要區分的是：平臺作為基礎設施供應商，和平臺自有模型在應用層拿訂單，是兩件事。

當客戶優先考慮中立、定制、深度集成時，平臺模型未必天然占優。采購決策會更依賴信任、整合深度和垂直交付能力。

消費級AI目前證據偏弱。常見問題包括用戶忠誠度低、競爭激烈、付費意愿不足、產品模仿速度快。

智能體電商和AI廣告也還處在更早階段。跨境營銷里，當前更主要的優化仍來自推薦算法，大語言模型驅動的智能體商業化還沒有足夠可驗證的收入證據。

這里需要看的不是下載量、產品發布或演示效果，而是留存率、付費轉化率、重復使用率、毛利率和可衡量的交易增量。沒有這些指標，消費級AI故事很難支撐更高估值。

對模型公司，未來幾個季度的關鍵問題是：客戶多模型路由之后，模型層還能不能持續捕獲價值。樂觀情景需要看到凈留存率上升、定價穩定或提升、流失率低，以及毛利率在多模型競爭下保持穩定。

編碼可能是最清楚的測試場景。它高頻、價值可量化，又有開發者界面鎖定潛力。智譜、MiniMax這類模型引領型標的，不能只靠基準測試表現，還要證明垂直場景、工作流控制力和可重復的使用質量。

對應用公司，核心指標是收入質量、客戶集中度、實施強度、凈留存率、定價結構，以及扣除客戶支持和人工輔助后的真實毛利率。

對基礎設施公司，關鍵是能否更明確地把增長歸因于推理、部署和國產芯片適配。如果任務量擴張持續快于效率提升帶來的單位成本下降，算力、國產芯片、內存和存儲仍是最清晰的AI主線。