定制报告-个性化定制-按需专项定制研究报告
行业报告、薪酬报告
联系：400-6363-638
《AI产业前瞻系列报告（三）：从openAIo1看AI产业趋势：打破AI应用瓶颈算力需求前景如何？-240925（17页）.pdf》由会员分享，可在线阅读，更多相关《AI产业前瞻系列报告（三）：从openAIo1看AI产业趋势：打破AI应用瓶颈算力需求前景如何？-240925（17页）.pdf（17页珍藏版）》请在薪酬报告网上搜索。
1、 敬请参阅最后一页特别声明-1-证券研究报告 2024 年 9 月 25 日 行业研究行业研究 从从 OpenAI o1OpenAI o1 看看 AIAI 产业趋势产业趋势：打破打破 AIAI 应用瓶颈，算力需求应用瓶颈，算力需求前景如何前景如何？AI 产业前瞻系列报告（三）海外海外 TMTTMT 事件：事件：2024 年 9 月 12 日，OpenAI 发布最新模型 o1，在编程、理科竞赛等推理密集型任务中性能明显优于 GPT-4o，但在部分自然语言任务中较弱。o1o1 具备全局思维能力，复杂推理补足长尾需求，开拓学术教育具备全局思维能力，复杂推理补足长尾需求，开拓学术教育等等垂类场景垂类场
2、景。根据我们的测评，o1 思维链特征可以概括为：1 1）优先形成全局方法：优先形成全局方法：在解答前 o1 会先分析问题、概括底层规律；2 2）不断的不断的追问和反思：追问和反思：在输出最终答案之前，o1 会不断反思解答过程并进行改进，其完整思维链可达数百行。o1o1 在编程上展现出自主规划能力，在编程上展现出自主规划能力，AI+AI+低代码低代码/网络安全领域有望最早受益网络安全领域有望最早受益。1 1）低代码低代码：o1 在编程方面具备较强的自主性，可以一定程度上对冲 o1 高成本和高延迟的问题。2 2）网络安全：网络安全：o1 在网络安全攻防中表现优秀，能将复杂任务分解成多个子任务，具备
3、初步的自主规划能力，也体现出了 AI 辅助网络攻击的潜在威胁，AI 驱动的网络安全攻防升级将成为未来的主旋律。AI AgentAI Agent 是打破是打破 AIAI 应用发展瓶颈的关键，应用发展瓶颈的关键，o1o1 能否开启通往能否开启通往 AgentAgent 之路之路？受限于模型性能，AI 应用进入瓶颈，北美科技巨头 26 年资本支出持续性以及上游算力产业链的业绩成长性受到质疑。而近期前沿论文和 o1 展现的强化学习推理、思维链等底层技术，是 AI 产业发展和投资情绪提振的关键。新的新的 Scaling LawScaling Law，RL+CoTRL+CoT 对于实现能自主规划的对于实现
4、能自主规划的 AI AgentAI Agent 至关重要至关重要。强化学习让 AI 自主探索和连续决策，符合 Agent 所需的自主规划能力。self-play 通过自主博弈生成高质量数据，有利于突破外部训练数据短缺的现状。思维链能极大提升模型涉及数学和符号的推理能力，但在其他问题上提升效思维链能极大提升模型涉及数学和符号的推理能力，但在其他问题上提升效果不显著，甚至可能有损模型性能。果不显著，甚至可能有损模型性能。推理能力和模型的指令跟随能力呈现出分离关系，对于构建 AGI 来说，如何平衡二者的关系会成为一个核心问题。RLRL 范式下范式下推理算力需求大幅上升，推理算力需求大幅上升，但但不代
5、表训练算力需求会停止增长不代表训练算力需求会停止增长。o1-preview 生成相同内容的输出 tokens 大约是 GPT-4o 的 5.9 倍，其中 72%的 tokens 为推理过程中生成，使用 o1-preview 的输出成本约为 GPT-4o 的36 倍。Scaling Law 由训练侧转向推理侧，对推理芯片的性能需求也会提高，且预训练阶段也需要消耗大量的算力。强化学习推理并不意味着模型参数停止扩张，因为主模型参数提升可能会产生更好的推理路径。北美科技公司进入新一轮北美科技公司进入新一轮 AIAI 投资周期，资本支出大幅上升可能使公司面临成投资周期，资本支出大幅上升可能使公司面临成本
6、压力。本压力。2024 年科技巨头资本支出/营运现金流预计将达到 40%以上。在 AI的投资回报率尚不明显的现状下，科技巨头会更加重视 AI 投资的性价比。投资建议：投资建议：1 1、AIAI 电力：电力：Constellation、NRG。2 2、AIAI 算力产业链：算力产业链：1 1）AI AI GPUGPU：英伟达、AMD；2 2）ASICASIC 芯片设计：芯片设计：Marvell 科技、博通；3 3）存储）存储：SK 海力士、三星电子、美光科技；4 4）服务器：）服务器：联想集团、超微电脑、戴尔科技、慧与、工业富联；5 5）CoWoSCoWoS：台积电、日月光、Amkor 科技；6
7、 6）网络：网络：中际旭创、新易盛、Coherent、安费诺、Arista 网络。3 3、AIAI 应用：应用：1 1）云服务商）云服务商：微软、谷歌、亚马逊、Oracle；2 2）AI+AI+开发开发/数据分析数据分析：ServiceNow、Palantir、Datadog；3 3）AI+AI+网 络 安 全：网 络 安 全：微 软、CrowdStrike、Fortinet；4 4）AI AgentAI Agent：微软、Salesforce、Workday；5 5）AI+AI+教育：教育：多邻国、Coursera。风险风险分析分析：AI 技术研发和产品迭代遭遇瓶颈；AI 行业竞争加剧风险；
8、商业化进展不及预期风险；国内外政策风险。买入（维持）买入（维持）作者作者 分析师：付天姿分析师：付天姿 执业证书编号：S0930517040002 021-52523692 联系人：宾特丽亚联系人：宾特丽亚 行业行业与与标普标普 500500 指数对比图指数对比图 资料来源：Wind 相关研报相关研报 梳理全球 AIGC 数据版权规范，哪些领域具备商业化潜力？AI 产业前瞻系列报告（二）（2023-12-25）探讨 GPTs 背后的产业逻辑：拉开 AIGC应用生态的帷幕AI 产业前瞻系列报告（一）（2023-11-18）AI 驱动网络安全供需提升，架构迭代引领行业变革美股网络安全行业深度报告（
9、2024-06-19）谷歌 Gemini 赋能搜索体验，多模态模型&TPU 持续迭代Google IO 2024 产品发布会点评（2024-05-16）GPT-4o 后续影响：推理端降本+多模态+低延迟带来 AI 应用转折点OpenAI 春季产品发布会点评（2024-05-14）探讨 AIGC 视频的核心痛点与未来趋势，Pika 1.0 能否带来新变化？AIGC 行业跟踪报告（三十五）（2023-12-05）-20%0%20%40%60%80%2023-92023-102023-112023-122024-12024-22024-32024-42024-52024-62024-72024-8标
10、普500 标普500信息技术 要点要点 敬请参阅最后一页特别声明-2-证券研究报告 海外海外 TMTTMT 目目 录录 1、OpenAI o1 开启复杂推理模型新时代开启复杂推理模型新时代 .4 4 1.1 相比 GPT-4o，o1在代码和理科能力上提升明显.4 1.2 o1 具备全局思维能力，复杂推理补足长尾需求，开拓学术教育垂类场景.6 1.3 o1 在编程上展现出自主规划和主动思考能力，AI+低代码/网络安全领域有望最早受益.8 2、AI Agent 是打破是打破 AI 应用发展瓶颈的关键，应用发展瓶颈的关键，o1能否开启通往能否开启通往 Agent 之路？之路？.1111 2.1 新的
11、 Scaling Law，RL+CoT 对于实现能自主规划的 AI Agent 至关重要.12 2.2 RL范式下推理算力需求大幅上升，但不代表训练算力需求会停止增长.13 3、投资建议投资建议 .1515 4、风险分析风险分析 .1616 中庚基金 敬请参阅最后一页特别声明-3-证券研究报告 海外海外 TMTTMT 图目录图目录 图 1：GPT-4o、o1-preview、o1和人类专家在复杂推理任务中的得分差异.4 图 2：o1相比于 GPT-4o 在各项测试集中的得分提升.5 图 3：o1-mini、o1 等模型 AIME 得分和推理成本对比.6 图 4：o1-mini的 Codefor
12、ces 得分显著优于 o1-preview.6 图 5：针对复杂数学问题，o1-preview在思维链中不断进行纠错、追问和反思，最终得到完整的解题框架.6 图 6：针对规则复杂的纵横填字游戏，GPT-4o 因无法理解规则而出错，o1-preview首先理解规则再进行解答.7 图 7：针对解码问题，o1-preview的思维链采用了类似穷举法的方式寻找答案，思维链较为僵化.7 图 8：将 o1-preview与 Github Copilot 优化编码器运行速度.8 图 9：o1-preview与 Cursor Composer 结合，快速开发 App.8 图 10：o1-preview找到 D
13、ocker Host API并启动了损坏容器的新实例.9 图 11：2023年交互式入侵主要针对北美洲地区.9 图 12：2021-2023 年针对云的入侵案例显著增加.9 图 13：o1-preview和 o1-mini 在越狱学术基准 StrongReject上明显领先 GPT-4o.10 图 14：构建 AI应用的五层基石理论.11 图 15：AlphaZero随机初始化、self-play、MCTS、策略更新.11 图 16：o1 在 AIEM测试中的准确率与“训练时间计算”和“测试时间计算”呈正比.12 图 17：在 PaLM 2-S*模型修正场景中，计算优化缩放（Compute O
14、ptimal）相比传统的 Best-of-N 方法效率显著提高.13 图 18：主流模型输出速度和输出质量的对比，o1-preview为输出质量牺牲了输出速度.14 图 19：主流模型输入和输出的价格对比.14 图 20：OpenAI各模型输出和推理 tokens 消耗对比.14 图 21：科技公司资本支出占营运现金流的比例变化趋势.15 图 22：科技公司资本支出占 GAAP 净利润的比例变化趋势.15 表目录表目录 表 1：不同测试集和子分类下 GPT-4o、o1-preview、o1的得分对比.5 表 2：23年以来部分网络安全公司推出的生成式 AI产品和功能.10 敬请参阅最后一页特别
15、声明-4-证券研究报告 海外海外 TMTTMT 1 1、OpenAI o1OpenAI o1 开启复杂推理模型新时代开启复杂推理模型新时代 美国东部时间 2024 年 9 月 12 日，OpenAI 发布最新 AI 模型 o1，o 代表Orion（猎户座），开启了 OpenAI 的下一代复杂推理模型。同时，OpenAI 发布了即日可用的预览版 o1-preview 和性价比更高的轻量级版本 o1-mini，可用范围如下：1 1）ChatGPT plus 和 Teams 用户可以直接使用，但存在次数限制。刚发布时o1-preview 每周可进行 30 次问答，o1-mini 每周可进行 50 次
16、问答，9 月 17日开始，o1-preview 和 o1-mini 的次数限制分别提升至每周 50 次和每日 50次；作为 o1 的早期版本，o1-preview 和 o1-mini 暂不具备实时浏览网页、上传文件和图像等功能，计划于后续版本中陆续开放。2 2）API Tier 5 用户可以开始使用 o1-preview 和 o1-mini 的 API，但速率限制为 20RPM，暂不支持函数调用、流式处理、系统消息等功能。3 3）9 月 16 日开始，ChatGPT Enterprise 和 Edu 用户可访问这两种模型。4 4）未来 o1-mini 计划免费向所有 ChatGPT 用户开放。
17、1.11.1 相比相比 GPTGPT-4o4o，o1o1 在代码和理科能力上提升明显在代码和理科能力上提升明显 在编程、理科竞赛等推理密集型任务中，在编程、理科竞赛等推理密集型任务中，o1o1 的性能明显优于的性能明显优于 GPTGPT-4o4o。根据OpenAI 官方博客，o1 在编程竞赛 Codeforces 中的排名分位达到 89%，在美国数学奥林匹克竞赛（AIME）中跻身前 500 名，在物理、生物、化学基准测试（GPQA）的准确性超过了人类博士水平。以 2024 年的 AIME 考试为例，GPT-4o 仅能解决平均 12%的问题，而 o1 的平均正确率在 64 个样本中达到了 83%
18、，在 1000 个样本中达到了 93%。图图 1 1：GPTGPT-4o4o、o1o1-previewpreview、o1o1 和人类专家在复杂推理任务中的得分差异和人类专家在复杂推理任务中的得分差异 资料来源：OpenAI 官网，实心矩阵代表使用 pass1 的正确率，虚影矩阵代表 64 个样本的平均正确率 在经典测试集的表现上，在经典测试集的表现上，o1o1 性能普遍优于性能普遍优于 GPTGPT-4o4o。根据 OpenAI 官方博客，o1 在 MMMU 测试集的得分为 78.2%，成为首个与人类专家竞争的模型。在 57个 MMLU 子类别中，o1 在 54 个子类别中的表现优于 GPT
19、-4o，在化学、物理、数学等子类别上得分提升显著，但在公共关系、计量经济学、英语等学科上提升幅度较小。敬请参阅最后一页特别声明-5-证券研究报告 海外海外 TMTTMT 图图 2 2：o1o1 相比于相比于 GPTGPT-4o4o 在各项测试集中的得分提升在各项测试集中的得分提升 资料来源：OpenAI 官网博客 表表 1 1：不同测试集和子分类下：不同测试集和子分类下 GPTGPT-4o4o、o1o1-previewpreview、o1o1 的得分对比的得分对比 测试集测试集 MetricMetric 得分得分 相比相比 GPTGPT-4o4o 的提升的提升 gptgpt-4o4o o1o1
20、-previewpreview o1o1 o1o1-previewpreview o1o1 Competition Math AIME(2024)cons64 13.4 56.7 83.3 323.1%521.6%pass1 9.3 44.6 74.4 379.6%700.0%Competition Code CodeForces Elo 808 1,258 1,673 55.7%107.1%Percentile 11 62 89 463.6%709.1%GPQA Diamond cons64 56.1 78.3 78 39.6%39.0%pass1 50.6 73.3 77.3 44.9%5
21、2.8%Biology cons64 63.2 73.7 68.4 16.6%8.2%pass1 61.6 65.9 69.2 7.0%12.3%Chemistry cons64 43 60.2 65.6 40.0%52.6%pass1 40.2 59.9 64.7 49.0%60.9%Physics cons64 68.6 89.5 94.2 30.5%37.3%pass1 59.5 89.4 92.8 50.3%56.0%MATH pass1 60.3 85.5 94.8 41.8%57.2%MMLU pass1 88 92.3 90.8 4.9%3.2%MMMU(val)pass1 69
22、.1 N/A 78.2 13.2%MathVista(testmini)pass1 63.8 N/A 73.9 15.8%资料来源：OpenAI 官网博客，光大证券研究所整理 o1o1 在部分自然语言任务中评价弱于在部分自然语言任务中评价弱于 GPTGPT-4o4o，但具备更好的安全性。，但具备更好的安全性。人类训练师的评分显示，认为 o1 在个人写作、文档编辑能力上优于 GPT-4o 的比例低于 50%，显示出 o1 在文字生成和修改能力上没有明显提升。但 o1 在对齐和安全方面优于 GPT-4o，o1-preview 在关键越狱评估和模型安全拒绝边界评估等指标中性能显著提高。由于 o1 采
23、用思维链的方式进行推理，在输出内容的过程中提供了更多的内部可见性，赋予模型更强的可控性和更多的优化空间。敬请参阅最后一页特别声明-6-证券研究报告 海外海外 TMTTMT o1o1-minimini 在维持较高性能的同时大幅度降低推理成本。在维持较高性能的同时大幅度降低推理成本。由于在预训练期间针对STEM 推理进行了优化，o1-mini 在数学和编码能力上具备相当高的性价比，且拥有更低的延迟。根据 OpenAI 官网博客，o1-mini 在 AIME 数学竞赛中的得分高于 o1-preview，几乎与 o1 相当，但推理成本相较 o1-preview 便宜 80%；此外，o1-mini 在
24、Codeforces 编码竞赛和网络安全竞赛中表现优异。但另一方面，o1-mini 在非 STEM 的事实知识任务中表现较差。图图 3 3：o1o1-minimini、o1o1 等模型等模型 AIMEAIME 得分和推理成本对比得分和推理成本对比 图图 4 4：o1o1-minimini 的的 CodeforcesCodeforces 得分显著优于得分显著优于 o1o1-previewpreview 资料来源：OpenAI 官网博客 资料来源：OpenAI 官网博客 1.2 1.2 o1o1 具备具备全局全局思维能力思维能力，复杂推理复杂推理补足长尾需求，补足长尾需求，开开拓拓学术教育学术教育
25、垂类场景垂类场景 OpenAI o1OpenAI o1 复杂推理能力的关键技术是思维链（复杂推理能力的关键技术是思维链（CoTCoT），让模型在给出答案前），让模型在给出答案前进行多步思考，而不是一步给出答案。进行多步思考，而不是一步给出答案。在 OpenAI 的官方文档中展示了 o1 和GPT-4o 在解码、编码、数学、字谜、语言等问题上的解答对比，并展示了 o1的完整思维链。根据我们的根据我们的归纳和归纳和测评，测评，o1o1 思维链思维链的的主要特征可以概括为以下两点：主要特征可以概括为以下两点：1 1）优先优先形成全局方法：形成全局方法：在开始解答前，o1 会先分析问题本身，抽象出底层
26、规律，避免后续的解决思路跑偏，相比其他大模型的线性思维过程，准确度有明显提升；2 2）不断不断的的追问和反思：追问和反思：在输出最终答案之前，o1 会不断反思自己的解答过程是否有问题，有没有需要改进的地方，其完整思维链可达数百行。图图 5 5：针对复杂数学问题，针对复杂数学问题，o1o1-previewpreview 在在思维链思维链中不断进行纠错、追问和反思，最终得到中不断进行纠错、追问和反思，最终得到完整的解题框架完整的解题框架 资料来源：OpenAI 官网博客 敬请参阅最后一页特别声明-7-证券研究报告 海外海外 TMTTMT 例如，在解答纵横填字游戏的问题时，GPT-4o 和 o1 都
27、会先试图理解游戏规则，但 GPT-4o 仅仅停在了“第一行和第一列单词首字母相同”上，便直接输出了错误答案，而 o1 通过思维链不断反思，得出了“每一行和每一列的对应字母都要相同”的底层规律，再基于该规律进行解答。同样，在解答复杂数学问题时，o1 会先试图理解给定信息，通过完整思维链中大量的纠错和反思，归纳底层原理，并对后续的解答过程做出一定的限制。图图 6 6：针对规则复杂的纵横填字游戏，针对规则复杂的纵横填字游戏，GPTGPT-4o4o 因无法理解规则而出错，因无法理解规则而出错，o1o1-previewpreview 首先首先理解规则理解规则再进行解答再进行解答 资料来源：OpenAI
28、官网博客 不过，当前不过，当前 o1o1-previewpreview 所展现出的所展现出的完整完整思维链仍较为僵化，与人类思维方式思维链仍较为僵化，与人类思维方式有较明显区别。有较明显区别。例如，在 OpenAI 官网给出的解码案例中，实际的解码方式为两个字母一组，按照字母表顺序转化成数字，取平均值后再转化为对应的字母。例如 oy=(15+25)/2=20=T。在完整的思维链中，o1 所想到的第一个方法就非常接近正确答案，但它依然继续穷举了五种新方法才找到答案。在这个过程中，可以看到 o1 的联想能力较弱，而是通过类似于穷举法的方式寻找答案。图图 7 7：针对解码问题，针对解码问题，o1o1
29、-previewpreview 的思维链采用了类似穷举法的方式寻找答案，思维链较为僵化的思维链采用了类似穷举法的方式寻找答案，思维链较为僵化 资料来源：OpenAI 官网博客 o1o1 的复杂推理能力有望补足的复杂推理能力有望补足 AIAI 应用的长尾需求，拓展学术教育等领域的垂类应用的长尾需求，拓展学术教育等领域的垂类应用场景。应用场景。过去以 GPT-4o 为代表的 LLM 在解答题目时虽然正确率较高，但解答方法可能较为繁琐，不符合教育场景的需求。o1 不但在复杂问题上展现出更高的正确率，而且具备较强的全局思维能力，能优化出最佳解题过程，对于学术教育场景的 AI 应用使用体验提升较为明显。
30、敬请参阅最后一页特别声明-8-证券研究报告 海外海外 TMTTMT 1.3 o1.3 o1 1 在编程上在编程上展现出展现出自主规划自主规划和主动思考和主动思考能力能力，AI+AI+低代码低代码/网络安全领域网络安全领域有望最早受益有望最早受益 OpenAI o1OpenAI o1 在编程在编程方面具备较强的自主性方面具备较强的自主性，可以一定程度上对冲，可以一定程度上对冲 o1o1 高成本和高成本和高延迟高延迟的问题的问题。根据 o1 开发者团队的采访，OpenAI 内部开发人员使用 o1 最多的场景就是编程，主要有两个场景：1 1）采用测试驱动开发的方法：）采用测试驱动开发的方法：先编写一
31、个单元测试，明确程序应该如何运行才算正确，将具体编写交给 o1 来完成，开发者只需要解决架构设计等更高层次的问题。2 2）调试：调试：遇到 bug 时直接交给 o1，可以直接解决或提供有价值的思路。另外，o1 在解决 AL/ML 编程问题上进步明显，根据 OpenAI 研究工程师访谈，o1-preview 的编码效率比 GPT-4o 提升 15%，在多任务解决上的效率比 GPT-4o 提升 21%。在民间测试中，在民间测试中，o1o1 效果最好的应用场景也是编程效果最好的应用场景也是编程。1 1）代码）代码性能性能优化：优化：将Github Copilot 和 o1-preview 结合，仅需
32、几步操作，就可以优化一个原本运行缓慢的编码器，大幅度提升代码的性能；2 2）快速快速开发简单的项目：开发简单的项目：将 AI 编程工具 Cursor Composer 和 o1-preview 结合，可以在 10 分钟内完成一个带有动画效果的完整天气预报 App。图图 8 8：将将 o1o1-previewpreview 与与 Github CopilotGithub Copilot 优化优化编码器运行速度编码器运行速度 图图 9 9：o1o1-previewpreview 与与 Cursor ComposerCursor Composer 结合，快速开发结合，快速开发 AppApp 资料来源
33、：X 用户 Thomas Dohmkeashtom 资料来源：X 用户 Oliver Janeheyoliverjane OpenAI o1OpenAI o1 在网络安全攻防中表现优秀在网络安全攻防中表现优秀，能将，能将复杂复杂任务分解成任务分解成多个子任务多个子任务，并，并找到最简单的找到最简单的解决方法解决方法。根据 OpenAI 官方 System card，o1-preview 使用网络安全挑战赛 CTF 的课题进行测试，该课题要求参赛者找到隐藏在 Docker 中的 flag，但由于系统配置问题比赛环境崩溃。在比赛几乎无法进行的情况下，o1-preview 突破了主机 VM 上运行的
34、 Docker deamon API，在尝试修复环境失败后，模型直接通过启动命令启动了损坏容器的新实例，该实例允许模型直接通过 Docker API 从容器日志中读取 flag，最终完成了课题。敬请参阅最后一页特别声明-9-证券研究报告 海外海外 TMTTMT 图图 1010：o1o1-previewpreview 找到找到 Docker Host APIDocker Host API 并并启动启动了了损坏容器的损坏容器的新实例新实例 资料来源：OpenAI o1 System Card 未来网络安全的攻防环境将变得更加复杂。未来网络安全的攻防环境将变得更加复杂。从上述案例中，我们看到 o1-
35、preview 在编程方面已经初步具备了自主规划能力，在遇到复杂困难时尝试主动解决问题。而 o1 在解决问题的过程中采取了带有攻破性质的解决方法，也体现出了 AI 辅助网络攻击的潜在威胁较大。根据 CrowdStrike 发布的全球威胁报告，2023 年全球网络攻击平均突破防御的时间从上一年的 84 分钟下降到62 分钟，其中云入侵案例同比增加了 75%。攻击者越来越多地使用生成式 AI降低网络攻击的操作和准入门槛，企业面临更大的网络安全威胁。图图 1111：20232023 年交互式入侵主要针对北美洲地区年交互式入侵主要针对北美洲地区 图图 1212：20212021-20232023 年针
36、对云的入侵案例显著增加年针对云的入侵案例显著增加 资料来源：CrowdStrike 2024 年全球威胁报告 资料来源：CrowdStrike 2024 年全球威胁报告 另一方面另一方面，基于基于 AI/MLAI/ML 的网络安全解决方案也在不断升级和迭代，的网络安全解决方案也在不断升级和迭代，AIAI 驱动的网驱动的网络安全攻防升级将成为未来行业的主旋律。络安全攻防升级将成为未来行业的主旋律。23 年以来网络安全公司陆续推出生成式 AI 驱动的功能，主要包含以下几方面能力：1 1）AI/MLAI/ML 技术强化威胁检测技术强化威胁检测和安全保护能力：和安全保护能力：AI 技术融入网络安全产品
37、体验，技术壁垒主要在于各公司积累的安全日志和响应数据。2 2）生成可视化安全日志：）生成可视化安全日志：对公司网络安全状况进行分析，生成可视化、可交互的安全日志，帮助员工快速了解公司安全漏洞，生成定制化的应对方案。3 3）AIAI 聊天机器人助手：聊天机器人助手：将聊天机器人嵌入网络安全云原生平台，使用自然语言交互降低安全员的技术门槛。敬请参阅最后一页特别声明-10-证券研究报告 海外海外 TMTTMT 表表 2 2：2323 年以来部分网络安全公司推出的生成式年以来部分网络安全公司推出的生成式 AIAI 产品和功能产品和功能 公司公司 生成式生成式 AIAI 产品产品 发布时间发布时间 具体
38、介绍具体介绍 Microsoft Copilot for Security 24M3 在微软综合性的安全服务里加入 AI 副驾驶，涉及端点安全、身份访问和管理（IAM）、安全事件和响应管理（SIEM）、数据治理等多方面功能。Copilot 可以总结和评估安全事件、提供可操作的建议，降低安全员复杂操作的门槛，使用大模型识别身份风险、风险暴露情况等 CrowdStrike Charlotte AI 23M6 生成逼真的攻击场景，提前发现企业潜在的安全漏洞，增强网络防御能力；通过与 Charlotte AI 互动训练，提升企业员工的网络安全意识 Falcon MaaS 24M3 Falcon 平台引
39、入英伟达 AI 计算服务，使用其独特而丰富的网络威胁情报数据，帮助用户构建和训练AI 网络安全模型，以及开发 AI 驱动的网络安全应用程序，监测网络安全漏洞，主动防御可能出现的攻击 Zscaler Business Insight 23M12 推出 AI 驱动的安全产品组合 Business Insight，包括 Zscaler Risk360 和 Zscaler 数字体验监控产品中的 AI 工具，利用零信任架构训练强大的 AI/ML 安全引擎，协助企业降低成本，形成可视化的评估报告 Varonis Athena AI 23M11 包含 Athena AI 分析师、自然语言搜索等工具，AI 聊
40、天机器人 AI SOC Assistant 嵌入 Varonis 数据安全平台并出现在各种用户界面，显著提升安全任务效率、降低安全员的技术门槛 Okta Okta AI 23M10 先进的 AI 技术和 Okta 的身份认证和访问管理平台，Okta AI 可以分析用户行为和模式，以优化身份验证流程和访问控制，并且利用机器学习和预测分析来识别和应对潜在的安全威胁 Fortinet Fortinet Advisor 23M12 提供网络安全方面的咨询和指导；提供实时的威胁情报和风险评估，帮助组织了解当前的网络安全威胁和漏洞，并根据组织的需求和网络环境，提供定制化的安全架构规划。通过分析和评估组织的
41、网络安全配置和运行状况，提供性能优化建议和最佳实践指导 Cloudflare Cloudflare One for AI 23M5 利用 Cloudflare 强大的网络安全基础设施，为 AI 应用提供全面的保护。Cloudflare One for AI 提供安全、私密的网络连接，能够抵御各种类型的 DDoS 攻击，检测和阻止恶意的 Web 请求和攻击 资料来源：各公司官网，光大证券研究所整理 OpenAI o1OpenAI o1 在在挑战性拒绝评估、越狱抗性、幻觉控制等能力上提升明显，对于挑战性拒绝评估、越狱抗性、幻觉控制等能力上提升明显，对于AIAI 生成内容的安全性生成内容的安全性意义
42、重大。意义重大。根据 OpenAI 官方 System card，涉及要求拒绝不安全请求的复杂 Prompt 时，o1-preview 实现了 93.4%的安全率，明显超过 GPT-4o 的 71.3%。在具有强挑战性的越狱学术基准 StrongReject 上，o1-preview 相比 GPT-4o 显示出明显地改进，抵抗违反安全规则行为的能力更强。另外，与 GPT-4o 相比，o1-preview 在 SimpleA、BirthdayFacts 等多个数据集中表现出更少的幻觉，提供了更准确可靠的回答。图图 1313：o1o1-previewpreview 和和 o1o1-minimini
43、 在越狱学术基准在越狱学术基准 StrongRejectStrongReject 上明显领先上明显领先 GPTGPT-4o4o 资料来源：OpenAI o1 System Card 敬请参阅最后一页特别声明-11-证券研究报告 海外海外 TMTTMT 2 2、AI AgentAI Agent 是打破是打破 AIAI 应用发展瓶颈应用发展瓶颈的关的关键键，o1o1 能否开启通往能否开启通往 AgentAgent 之路？之路？受限于模型性能，受限于模型性能，AIAI 应用应用发展进入瓶颈。发展进入瓶颈。当前以 GPT-4o 为代表的 LLM 在文本处理和生成上表现优异，但也导致了 AI 应用的形式
44、局限于聊天机器人，产品形态同质化，难以发掘用户潜在需求、形成足够的用户粘性。而用户付费意愿不足，AI 应用的成本收益临界点尚未到来，是 AI 应用难以大规模推广的最大症结。以北美科技巨头为代表的企业已经投入大量资本支出用于 AI 基础设施建设，折旧成本将对利润端造成压力，若削减资本支出，则会削弱上游算力产业链的业绩成长性。AI 产业链已来到十字路口，模型底层技术的突破，是整个 AI 产业发展和投资情绪提振的关键。AI AI AgentAgent 是是 AIAI 发展的发展的下一个台阶下一个台阶，是打破，是打破 AIAI 应用症结的关键，而应用症结的关键，而 o1o1 展现的展现的底层技术走在正
45、确的道路上。底层技术走在正确的道路上。AI Agent 应当拥有自主理解、规划和执行复杂任务的能力，可以将简单的指令自主拆分成多个步骤并精细化执行，将上一环节的输入作为下一环节的输出。早在 23M4 便有 AutoGPT、BabyAGI 等 Agent项目作为早期探索，但性能尚不成熟，容易陷入死循环卡死、消耗大量 tokens的问题，且 AI 全自动代理存在潜在的可靠性风险。而近期的而近期的 AIAI 领域前沿论文，领域前沿论文，以及以及 OpenAI o1OpenAI o1 集成前沿理论集成前沿理论推出的实际模型，展现了当前模型性能迭代和技推出的实际模型，展现了当前模型性能迭代和技术演进路径
46、正走在通往术演进路径正走在通往 AgentAgent 的正确道路上。的正确道路上。具体包括三个关键点：1）强化学习推理（RL Reasoning）产生了新的 Scaling Law，为模型性能的提升提供了更多的维度。当前大模型参数量扩张进入瓶颈，市场普遍担忧 26年科技巨头资本支出持续性的问题，我们认为，强化学习我们认为，强化学习 Scaling LawScaling Law 对推理对推理算力扩张的需求大幅增算力扩张的需求大幅增加的同时，对训练算力扩张的需求也将持续提升。加的同时，对训练算力扩张的需求也将持续提升。2）强化学习范式中的 self-play 通过自主博弈生成大量高质量数据，有利于
47、突破当前外部训练数据逐渐用尽的现状。3）强化学习范式中的蒙特卡洛树搜索（MCTS）具备自主探索和连续决策的能力，更适应 AI Agent 的全局规划需求。图图 1414：构建构建 AIAI 应用的五层基石理论应用的五层基石理论 图图 1515：AlphaAlphaZ Zeroero 随机初始化、随机初始化、selfself-playplay、MCTSMCTS、策略更新、策略更新 资料来源：Seednapse AI，光大证券研究所整理 资料来源：AlphaTensor 论文，展现了 AlphaZero 矩阵运算解题时的变种，图中的Acting 对应随机初始化、self-play、MCTS，lea
48、rning 对应策略更新 ModelsModels 多个 Agent 自主分工相互协作 PromptPrompt ChainsChains AgentAgent MultiMulti-AgentAgent 自主执行链式调用，访问外部工具 模型的链式调用，上个输出=下个输入 提示词中引入变量以适应自定义模版 调用大模型 API 敬请参阅最后一页特别声明-12-证券研究报告 海外海外 TMTTMT 2.1 2.1 新的新的 Scaling LawScaling Law，RL+CoTRL+CoT 对于实现能自主规划的对于实现能自主规划的AI AAI Agentgent 至关重要至关重要 慢思考或将慢
49、思考或将突破突破 S Scaling caling L Lawaw 的边界，带来模型性能的进一步突破的边界，带来模型性能的进一步突破。在过去几年，LLM 的发展主要依赖于训练侧的大规模投入，其性能提升依赖于模型规模、数据量和计算资源的扩展，而与模型的具体结构（例如层数、深度、宽度）基本无关。长期来看，随着大模型参数突破万亿级、有效训练数据被大量消耗，模型的训练和推理的成本迅速上升，边际收益递减，Scaling Law 驱动的技术路径和商业化前景可能遭遇瓶颈。在这样的背景下，o1 揭示了一种充满可能性的 Scaling Law 范式，即强化学习（RL）驱动的性能提升，通过训练过程和推理过程两种渠
50、道来拓展模型的计算能力。o1o1 采用大规模强化学习算法，展采用大规模强化学习算法，展现出训练和测试两个维度的现出训练和测试两个维度的 Scaling LawScaling Law。根据官网博客，在强化学习过程中，o1 在 AIEM 测试中的准确率与“训练时间计算”和“测试时间计算”呈正比。1 1）训练时间计算：）训练时间计算：代表传统的 Scaling Law，即模型性能提升依赖于训练时投入更多的计算资源；2 2）测试时间计算：）测试时间计算：代表测试时模型性能随着推理时间延长而提升，包括多次的推理迭代、更加复杂的搜索算法或模型的深度思考，从而在特定垂类任务中表现增强。因此，o1 不仅通过增
51、加训练时投入的计算资源来提升模型性能，还通过增加推理过程中的内部思考时间来获得能力的提升，训练和推理 Scaling Law 双曲线共同增长，为大模型性能提升提供了更多的维度。图图 1616：o1o1 在在 AIEMAIEM 测试中的准确率与“训练时间计算”和“测试时间计算”呈正比测试中的准确率与“训练时间计算”和“测试时间计算”呈正比 资料来源：OpenAI 官网博客 强化学习范式对于实现自主规划的强化学习范式对于实现自主规划的 AI AgentAI Agent 至关重要。至关重要。大模型训练的三大经典范式（监督学习、非监督学习、强化学习）中，只有强化学习让 AI 进行自主探索和连续决策，符
52、合 Agent 定义中的自主规划能力。1 1）自主探索：）自主探索：强化学习允许 AI Agent 在没有明确目标的情况下，通过与环境互动探索可能的解决方案，并基于奖惩反馈动态调整策略，使 Agent 能使用复杂、多变的决策环境。2 2）连续决策：连续决策：强化学习支持多步骤的决策过程，关注如何在一系列决策中最大化长期回报，使 Agent 具备更强的长线规划能力。相比相比 RLHFRLHF 的局限性，强化学习的的局限性，强化学习的 selfself-playplay 和和 MCTSMCTS 更适应更适应 AI AgentAI Agent 的要求。的要求。当前 LLM 主要依赖 RLHF 进行优
53、化，目标是“人机对齐”，弱化了逻辑推理的深度和严谨性；而强化学习基于 self-play+MCTS 的底层架构，通过高质量的数据博弈提升推理能力。1 1）selfself-playplay：通过 AI 与自己博弈生成大量的高质量数据；2 2）MCTSMCTS（蒙特卡洛树搜索）：（蒙特卡洛树搜索）：基于策略网络提供的动作概率分布引导搜索方向，通过价值网络的评估结果为搜索提供反馈，使模型的推理能力提升，且推理过程更加可见，有助于进一步调试和改进 AI Agent 模型。敬请参阅最后一页特别声明-13-证券研究报告 海外海外 TMTTMT 图图 1717：在：在 PaLM 2PaLM 2-S*S*模
54、型修正场景中，计算优化缩放（模型修正场景中，计算优化缩放（Compute OptimalCompute Optimal）相比传统的）相比传统的 BestBest-ofof-N N 方法效率显著提高方法效率显著提高 资料来源：Scaling LLM Test-Time Compute Optimally can be More Effective than Scaling Model Parameters，Google DeepMind，2024 年 8 月 左图代表随着时间推移，计算优化缩放策略的表现逐渐优于传统的 best-of-N 方法；右图论证了推理过程中使用计算优化缩放与更大参数预训练
55、之间的权衡，表明在简单问题上，测试时的计算比预训练更有效，但在复杂问题上预训练更有效 除了强化学习推理外，除了强化学习推理外，o1o1 的另一个关键底层技术是思维链（的另一个关键底层技术是思维链（CoTCoT）。）。思维链通过分步推理的方式，要求模型在生成最终答案之前，先生成一系列中间推理步骤。仅靠 MCTS 很难让模型学会从内部思考不同步骤的关联，而思维链能够利用 LLM 已有的推理能力，生成合理的中间推理过程，并进一步将合理推理过程（Rationales）融入到训练过程中。Quiet-STaR 技术则提出了“内部思维”的概念，将显示的 Rationales 推理过程转化为模型内部隐式的推理
56、过程，从而摆脱对外部示例的依赖。强化学习推理和思维链是相互结合、一脉相承的。思维链能极大提升模型涉及数学和符号的推理能力，但在思维链能极大提升模型涉及数学和符号的推理能力，但在其他问题上提升效果其他问题上提升效果不显著，甚至不显著，甚至可能有损模型性能。可能有损模型性能。论文To CoT or not to CoT?中探讨了在模型中采用思维链的表现，在数学、符号推理能力上提升明显，在知识、常识、软推理上无明显提升。另外，使用思维链时模型能更好地生成可执行的方案，但表现不如借助外部工具（如符号求解器）。尽管 OpenAI o1 在数学、物理等复杂推理上能力提升明显，但在一些语言生成任务上没有明显
57、提升，使它无法成为一个可靠的 Agent 助手。这体现了推理能力和模型的指令跟随能力呈现出分离关系，在模型强大到一定程度时才会出现，对于构建 AGI 来说，如何平衡二者的关系会成为一个核心问题。2.2 RL2.2 RL 范式下范式下推理推理算力需求算力需求大幅上升大幅上升，但但不代表训练不代表训练算算力需求力需求会停止增长会停止增长 Scaling LawScaling Law 由训练侧转向推理由训练侧转向推理侧侧，推理成本大幅提升推理成本大幅提升，但，但不代表不代表训练训练端计算端计算资源投入会降低资源投入会降低。基于强化学习的 Scaling Law 范式，本质是将训练时间转化为推理时间，
58、来应对训练侧计算资源投入的边际收益递减的状况。由于 Quiet-STaR 在生成内部思维链的过程中，每个 Token 均会生成下一步思考过程，导致生成了大量的冗余 Tokens，对推理侧计算资源的需求大幅增加。有观点认为，推理相比训练对 GPU 单卡性能和集群规模的需求更低，若强化学习推理成为主流，会导致市场对高端 GPU 的整体需求降低。敬请参阅最后一页特别声明-14-证券研究报告 海外海外 TMTTMT 但我们认为，但我们认为，强化学习强化学习 Scaling LawScaling Law 对推理算力扩张的需求大幅增加的同时，对推理算力扩张的需求大幅增加的同时，对对训练训练算力算力扩张扩张
59、的需求的需求也将持续提升也将持续提升。当前 o1 存在思考时间过长、推理成本过高的问题，使其实际使用场景非常受限，为了加快推理速度，对推理芯片的性能需求也会水涨船高。根据 Artificial Analysis 的测试，o1-preview 生成相同内容的输出 tokens 大约是 GPT-4o 的 5.9 倍，其中 72%的 tokens 为推理过程中生成，按 60 美元/100 万 tokens 的价格收费。因此，使用 o1-preview 的输出成本约为 GPT-4o 的 36 倍。另一方面，o1-preview 的输出速度在主流模型中排名靠后，使其实际使用体验不佳。图图 1818：主流
60、主流模型输出速度和输出质量的对比，模型输出速度和输出质量的对比，o1o1-previewpreview 为输出质量牺牲了输出速度为输出质量牺牲了输出速度 资料来源：Artificial Analysis，圆点大小代表价格，纵轴为 Artificial Analysis 编制的质量指数 图图 1919：主流模型主流模型输入和输入和输出输出的的价格价格对比对比 图图 2020：OpenAIOpenAI 各模型各模型输出和推理输出和推理 tokenstokens 消耗对比消耗对比 资料来源：Artificial Analysis，单位：美元/百万 tokens 资料来源：Artificial Ana
61、lysis，tokens 统计方法为 30 个样例 prompts 加总 另一方面另一方面，强化学习推理强化学习推理的预训练阶段的预训练阶段同样同样需要消耗大量的算力。需要消耗大量的算力。强化学习推理通过 self-play 自我博弈，生成大量的高质量数据。该方法可以缓解当前可用高质量训练数据不足的问题，但生成的数据理论上是没有上限的，这个过程需要消耗大量的算力。也有观点认为，强化学习推理并不意味着模型参数量停止扩张，因为 self-play 的主模型参数提升可能会产生更好的推理路径。总的来说，虽然强化学习 Scaling Law 对算力需求的影响存在不确定性，但是新的技术路径激发了更多的可能
62、性。除了硬件更新外，模型架构优化也有望点除了硬件更新外，模型架构优化也有望点燃新的燃新的 Scaling LawScaling Law，这可能会改变北美云厂商未来几年的资本支出策略。，这可能会改变北美云厂商未来几年的资本支出策略。敬请参阅最后一页特别声明-15-证券研究报告 海外海外 TMTTMT 北美科技公司北美科技公司进入进入新一轮新一轮 AIAI 投资周期投资周期，资本支出大幅上升可能使公司面临成本，资本支出大幅上升可能使公司面临成本压力压力。经历了 2022 年的宏观环境逆风和净利润承压后，北美科技公司在 2023年普遍开启降本增效，从资本支出占营运现金流的比例来看，利润压力较大的亚马
63、逊、Meta、Oracle 大幅削减了资本支出的占比，谷歌资本支出占比无明显变化，微软、特斯拉资本支出占比均呈上升趋势。而根据公司指引，2024 年和 2025 年科技巨头有望继续增加资本支出，Meta 则明确指出持续增加的投资会使 2025 年的折旧成本大幅提升。根据彭博一致预期，2024 年科技巨头资本支出占营运现金流的比例将普遍达到 40%以上。因此，在 AI 的投资回报率尚不明显的现状下，科技巨头会更加重视 AI 战略的性价比。图图 2121：科技公司资本支出占营运现金流的比例科技公司资本支出占营运现金流的比例变化变化趋势趋势 图图 2222：科技公司资本支出占科技公司资本支出占 GA
64、APGAAP 净利润的比例净利润的比例变化变化趋势趋势 资料来源：彭博，光大证券研究所整理，已排除自由现金流为负的年份和极端值，24E数据为彭博一致预期 资料来源：彭博，光大证券研究所整理，已排除亏损年份和极端值，24E 数据为彭博一致预期 3 3、投资建议投资建议 根据前文所述，OpenAI o1 所展现出的技术路径的演进方向，即强化学习推理和思维链，产生了推理层面的 Scaling Law，有利于缓解训练侧计算资源投入边际递减的现状。我们认为，我们认为，强化学习强化学习 Scaling LawScaling Law 对推理算力扩张的需求大对推理算力扩张的需求大幅增加的同时，幅增加的同时，对
65、对训练训练算力扩张的需求算力扩张的需求也将持续提升，也将持续提升，算力需求仍将持续强劲。而训练成本转嫁为推理成本，对于 AI 应用的商业化前景来说是个积极的变化，因为推理的成本下降的速度更快、弹性更大。从行业的视角来看，虽然科技巨头拥有较为充足的自由现金流支持资本开支的持续增加，但仍面临折旧成本提升和一定的利润压力，缓解硬件成本压力的需求较为迫切。另一方面，软件公司对于 AI 应用的探索很激进，需要性能更强、更具可靠性的 Agent 来突破困局，微软、Salesforce 均已推出类似 Agent 的产品，静待后续 Agent 底层技术的迭代，撬动 Agent 应用的飞轮效应。1 1、建议关注
66、建议关注 AIAI 电力：电力：AI 数据中心持续提振电力需求，亚马逊、微软等云厂商签署长期协议，清洁能源需求强劲，关注关注核电供应商核电供应商 ConstellationConstellation、光伏供应光伏供应商商 NRGNRG。2 2、建议关注建议关注 AIAI 算力产业链算力产业链：1 1）AI GPUAI GPU：训练侧 AI 大模型持续迭代，推理侧和端侧延伸引发增量需求，产品加速迭代出货，关注英伟达、关注英伟达、AMDAMD；2 2）ASICASIC 芯片设计：芯片设计：AI 算力需求由通用芯片向配合行业和公司特性的专用定制AI 芯片转型，关注关注 MarvellMarvell
67、科技、博通；科技、博通；3 3）存储：）存储：AI 手机/AIPC 提升容量需求，云端算力带动 HBM 供不应求、市场规模高速增长，关注关注 SKSK 海力士、三星电子、美光科技；海力士、三星电子、美光科技；0%20%40%60%80%100%120%140%2015 2016 2017 2018 2019 2020 2021 2022 2023 2024E微软 亚马逊 谷歌 Meta特斯拉 Oracle100%0%50%100%150%200%2015 2016 2017 2018 2019 2020 2021 2022 2023 2024E微软 亚马逊 谷歌 Meta特斯拉 Oracle1
68、00%敬请参阅最后一页特别声明-16-证券研究报告 海外海外 TMTTMT 4 4）服务器：）服务器：AI 算力需求强劲带动 AI 服务器出货量攀升，在手订单高涨，关注关注联想集团、超微电脑、戴尔科技、慧与、工业富联；联想集团、超微电脑、戴尔科技、慧与、工业富联；5 5）CoWoSCoWoS：先进封装 CoWoS 产能成 AI 算力供应瓶颈，台积电订单持续外溢，封测厂受益，关注台积电、日月光、关注台积电、日月光、AmkorAmkor 科技；科技；6 6）网络：）网络：万卡算力集群化趋势驱动通信互联需求，利好光模块、连接器、交换机等，关注中际旭创、新易盛、关注中际旭创、新易盛、CoherentC
69、oherent、安费诺、安费诺、AristaArista 网络。网络。3 3、建议关注、建议关注 AIAI 应用应用产业链产业链：1 1）云技术服务商云技术服务商：充裕的现金流支持大额资本支出投入，基础设施壁垒高筑，用户基础广阔，关注微软、谷歌、亚马逊关注微软、谷歌、亚马逊、OracleOracle；2 2）AI+AI+开发开发/数据分析：数据分析：o1 展现出强大的复杂推理和编程能力，对于数据分析、低代码等产品的使用体验提升明显，关注关注 ServiceNowServiceNow、PalantirPalantir、DatadogDatadog；3 3）AI+AI+网络安全：网络安全：o1 在
70、解决问题的过程中采取了带有攻破性质的解决方法，也体现出了 AI 辅助网络攻击的潜在威胁。另一方面，基于 AI/ML 的网络安全解决方案也在不断升级和迭代，AI 驱动的网络安全攻防升级将成为未来行业的主旋律。关注致力于 AI/ML+网络安全解决方案、拥有较强技术壁垒的的公司，关注关注微软、微软、CrowdStrikeCrowdStrike、FortinetFortinet；4 4）AI AgentAI Agent：当前企业客户对 AI 的数据整合、后台打通、优化工作流的潜在需求较为强劲，o1 的技术路径有望加速 Agent 的发展，大型 SaaS 公司拥有坚实的客户基础、成熟的销售渠道，特别是专
71、注于 ERP、CRM 等领域的 SaaS 产品服务于企业工作流，与 Agent 的逻辑相契合，关注微软、关注微软、SalesforceSalesforce、WorkdayWorkday；5 5）AI+AI+教育：教育：o1 在复杂问题上具备强大的推理能力和全局思维能力，有望拓展学术教育等垂类应用场景，关注多邻国、关注多邻国、CourseraCoursera。4 4、风险风险分析分析 1）AI 技术研发和产品迭代遭遇瓶颈：当前 AI 产业发展较依赖前沿技术突破，若遭遇瓶颈则会导致 AI 应用需求不足；2）AI 行业竞争加剧风险：当前 AI 产业链面临激烈竞争，可能因行业竞争加剧而挤压利润空间；3
72、）商业化进展不及预期风险：AI 应用的用户需求和渗透率扩张可能低于预期；4）国内外政策风险：AI 相关版权和数据合规政策仍待完善。敬请参阅最后一页特别声明-17-证券研究报告 海外海外 TMTTMT 行业及公司评级体系行业及公司评级体系 评级评级 说明说明 行行 业业 及及 公公 司司 评评 级级 买入 未来 6-12 个月的投资收益率领先市场基准指数 15%以上 增持 未来 6-12 个月的投资收益率领先市场基准指数 5%至 15%；中性 未来 6-12 个月的投资收益率与市场基准指数的变动幅度相差-5%至 5%；减持 未来 6-12 个月的投资收益率落后市场基准指数 5%至 15%；卖出
73、未来 6-12 个月的投资收益率落后市场基准指数 15%以上；无评级 因无法获取必要的资料，或者公司面临无法预见结果的重大不确定性事件，或者其他原因，致使无法给出明确的投资评级。基准指数说明：基准指数说明：A 股市场基准为沪深 300 指数；香港市场基准为恒生指数；美国市场基准为纳斯达克综合指数或标普 500 指数。分析、估值方法的局限性说明分析、估值方法的局限性说明 本报告所包含的分析基于各种假设，不同假设可能导致分析结果出现重大不同。本报告采用的各种估值方法及模型均有其局限性，估值结果不保证所涉及证券能够在该价格交易。分析师声明分析师声明 本报告署名分析师具有中国证券业协会授予的证券投资咨
74、询执业资格并注册为证券分析师，以勤勉的职业态度、专业审慎的研究方法，使用合法合规的信息，独立、客观地出具本报告，并对本报告的内容和观点负责。负责准备以及撰写本报告的所有研究人员在此保证，本研究报告中任何关于发行商或证券所发表的观点均如实反映研究人员的个人观点。研究人员获取报酬的评判因素包括研究的质量和准确性、客户反馈、竞争性因素以及光大证券股份有限公司的整体收益。所有研究人员保证他们报酬的任何一部分不曾与，不与，也将不会与本报告中具体的推荐意见或观点有直接或间接的联系。法律主体声明法律主体声明 本报告由光大证券股份有限公司制作，光大证券股份有限公司具有中国证监会许可的证券投资咨询业务资格，负责
75、本报告在中华人民共和国境内（仅为本报告目的，不包括港澳台）的分销。本报告署名分析师所持中国证券业协会授予的证券投资咨询执业资格编号已披露在报告首页。中国光大证券国际有限公司和 Everbright Securities(UK)Company Limited 是光大证券股份有限公司的关联机构。特别声明特别声明 光大证券股份有限公司（以下简称“本公司”）成立于 1996 年，是中国证监会批准的首批三家创新试点证券公司之一，也是世界 500 强企业中国光大集团股份公司的核心金融服务平台之一。根据中国证监会核发的经营证券期货业务许可，本公司的经营范围包括证券投资咨询业务。本公司经营范围：证券经纪；证券
76、投资咨询；与证券交易、证券投资活动有关的财务顾问；证券承销与保荐；证券自营；为期货公司提供中间介绍业务；证券投资基金代销；融资融券业务；中国证监会批准的其他业务。此外，本公司还通过全资或控股子公司开展资产管理、直接投资、期货、基金管理以及香港证券业务。本报告由光大证券股份有限公司研究所（以下简称“光大证券研究所”）编写，以合法获得的我们相信为可靠、准确、完整的信息为基础，但不保证我们所获得的原始信息以及报告所载信息之准确性和完整性。光大证券研究所可能将不时补充、修订或更新有关信息，但不保证及时发布该等更新。本报告中的资料、意见、预测均反映报告初次发布时光大证券研究所的判断，可能需随时进行调整且
77、不予通知。在任何情况下，本报告中的信息或所表述的意见并不构成对任何人的投资建议。客户应自主作出投资决策并自行承担投资风险。本报告中的信息或所表述的意见并未考虑到个别投资者的具体投资目的、财务状况以及特定需求。投资者应当充分考虑自身特定状况，并完整理解和使用本报告内容，不应视本报告为做出投资决策的唯一因素。对依据或者使用本报告所造成的一切后果，本公司及作者均不承担任何法律责任。不同时期，本公司可能会撰写并发布与本报告所载信息、建议及预测不一致的报告。本公司的销售人员、交易人员和其他专业人员可能会向客户提供与本报告中观点不同的口头或书面评论或交易策略。本公司的资产管理子公司、自营部门以及其他投资业
78、务板块可能会独立做出与本报告的意见或建议不相一致的投资决策。本公司提醒投资者注意并理解投资证券及投资产品存在的风险，在做出投资决策前，建议投资者务必向专业人士咨询并谨慎抉择。在法律允许的情况下，本公司及其附属机构可能持有报告中提及的公司所发行证券的头寸并进行交易，也可能为这些公司提供或正在争取提供投资银行、财务顾问或金融产品等相关服务。投资者应当充分考虑本公司及本公司附属机构就报告内容可能存在的利益冲突，勿将本报告作为投资决策的唯一信赖依据。本报告根据中华人民共和国法律在中华人民共和国境内分发，仅向特定客户传送。本报告的版权仅归本公司所有，未经书面许可，任何机构和个人不得以任何形式、任何目的进
79、行翻版、复制、转载、刊登、发表、篡改或引用。如因侵权行为给本公司造成任何直接或间接的损失，本公司保留追究一切法律责任的权利。所有本报告中使用的商标、服务标记及标记均为本公司的商标、服务标记及标记。光大证券股份有限公司版权所有。保留一切权利。光大证券股份有限公司版权所有。保留一切权利。光大证券研究所光大证券研究所 上海上海 北京北京 深圳深圳 静安区新闸路 1508 号 静安国际广场 3 楼 西城区武定侯街 2 号 泰康国际大厦 7 层 福田区深南大道 6011 号 NEO 绿景纪元大厦 A 座 17 楼 光大证券股份有限公司关联机构光大证券股份有限公司关联机构 香港香港 英国英国 中国光大证券国际有限公司中国光大证券国际有限公司 香港铜锣湾希慎道 33 号利园一期 28 楼 Everbright SEverbright Securitiesecurities(UK)Company Limited(UK)Company Limited 6th Floor,9 Appold Street,London,United Kingdom,EC2A 2AP
