卷首语：从“模型能做什么”转向“业务愿意把什么交给模型”

过去两年，企业讨论 AI 时经常从模型能力出发：哪个模型更聪明、参数更大、榜单更高。但最近越来越多真实案例显示，决定企业 AI 是否真正落地的，已经不是模型能不能写一段漂亮文字，而是企业愿不愿意把一个真实业务步骤交给 AI，并为它准备数据、权限、规则和人工复核机制。

8 月 19 日至 20 日出现的几条消息很有代表性。一边是金融机构开始把专用 AI 模型用于外汇对冲和流动性风险管理等核心业务；另一边是阿里继续加大 AI 基础设施投入，三星提高部分先进晶圆代工价格，Google 又通过与 Marvell 的合作继续强化自研 AI 芯片供应链。应用层和基础设施层正在同时进入下一阶段。

对企业而言，AI 的竞争正在从“有没有模型”转向“有没有可重复、可审计、能进入真实流程的工作系统”；对投资而言，AI 的价值链也正在从 GPU 向云、晶圆制造、定制芯片、网络和存储继续扩散。

企业案例 01｜多家全球银行把专用 AI 模型接入外汇风控

8 月 20 日，路透报道，Ant International 升级了用于金融预测的 Falcon Time-Series Transformer Model 2.0。包括花旗、汇丰、德意志银行、渣打和巴克莱在内的多家大型银行已经采用这一模型，用于外汇对冲和流动性风险管理等场景。

这类案例与普通的“让大模型帮我写一段分析”明显不同。外汇风险管理首先是一个时间序列预测和决策问题，需要处理交易、现金流、币种敞口和市场数据，并最终影响真实资金安排。因此，银行真正关心的不是模型是否会聊天，而是预测是否稳定、能否解释、如何嵌入现有系统，以及错误发生时由谁负责。

Ant International 表示，这类专用模型在金融场景中可以帮助降低对冲成本。更重要的信号是：企业 AI 开始出现一条越来越清楚的路线——通用模型负责理解、解释和交互，专业模型、规则引擎和业务系统负责高确定性的计算与执行。

对我们的启发

金融机构选择 AI 场景时，可以优先寻找“数据相对结构化、规则清楚、结果可以复核”的环节。知识问答、材料生成是低门槛入口，但真正形成壁垒的往往是 AI 与业务数据、专业模型和现有流程的组合。

资料来源：Reuters：Citi, HSBC, StanChart adopt Ant International's forex AI tool

企业案例 02｜阿里 AI 云收入增长，但高投入也开始考验回报

8 月 20 日公布的最新季度数据中，阿里巴巴季度收入同比增长 9%。路透报道，其 AI 云及计算相关业务收入增长约 45%，达到 484.4 亿元人民币，显示企业对 AI 计算和云服务的需求仍然强劲。

但另一面同样值得关注。阿里当季资本开支同比增长约 75%，达到 676.8 亿元人民币，调整后利润低于市场预期。也就是说，AI 带来了新的收入增长，同时也要求企业提前建设大量算力、数据中心和技术基础设施。

这提醒我们，AI 商业化不能只看“收入增长”，还要同时观察投入强度和单位经济性。如果一家企业为了获得 1 元 AI 收入，需要持续投入大量服务器、网络、电力和折旧，那么最终价值究竟更多留在云平台、芯片公司、设备厂商还是应用公司，需要通过更长时间才能看清。

对我们的启发

企业内部建设 AI 平台也有类似逻辑。第一阶段可以容忍一定试错成本，但进入规模化以后，必须回答三个问题：每个场景节省多少时间或成本？需要多少模型和算力费用？能否被多个部门复用？只有把这三项逐渐量化，AI 才会从创新项目变成经营能力。

资料来源：Reuters：Alibaba's quarterly revenue up 9%, misses adjusted profit due to heavy AI spend

投资观察 01｜三星晶圆代工最高涨价 15%，AI 需求继续向制造端传导

8 月 19 日，路透援引消息人士报道，三星电子对部分先进晶圆代工服务提价，部分客户涨幅最高达到 15%。涉及的工艺包括 4nm、5nm 和 8nm，其中 AI 芯片需求增长以及台积电部分产能紧张，是价格上行的重要背景。

这条消息的重要性不只在三星本身。过去市场讨论 AI 产业链时，注意力高度集中在 GPU 和 HBM，但只要 AI 服务器和定制加速器继续增加，需求最终会向晶圆制造、先进封装、网络芯片、电源、光互联和存储等环节扩散。

晶圆代工价格上涨通常意味着供需关系在改善，但并不代表所有半导体公司都会同步受益。不同制程、客户结构和资本开支周期差异很大，真正需要观察的是产能利用率、平均售价、单位折旧以及新增产能投放速度。

值得继续跟踪

可以继续观察三星先进制程利用率是否维持高位、台积电是否出现进一步价格变化，以及中芯国际等其他代工厂的平均晶圆价格与利用率。如果多家厂商同时出现价格和利用率改善，说明 AI 需求可能正在形成更广泛的制造端景气。

资料来源：Reuters：Samsung hikes chipmaking prices by up to 15% on demand spike

投资观察 02｜Google 与 Marvell 深化自研 AI 芯片合作

8 月 19 日，路透报道，Marvell 将帮助 Google 开发定制芯片，同时给予 Google 以每股 206.58 美元购买最多约 5897 万股 Marvell 股票的权利，对应潜在价值约 122 亿美元。按照交易安排，如果相关业务达到约定目标，这一合作可能在 2033 财年前为 Marvell 带来规模可观的累计收入。

这笔交易反映出一个重要趋势：大型云厂商不再只购买通用 GPU，而是越来越希望拥有自己的定制加速器，并围绕计算、存储、网络和内存控制器形成更完整的系统。Google 的 TPU 是这一趋势中最成熟的例子之一。

对产业链而言，这意味着 AI 芯片竞争不应只理解为“英伟达与某一家公司的竞争”。未来很可能形成多种计算架构并存的格局：训练仍然需要极强的通用加速能力，而大规模推理、搜索、推荐和内部业务则可能更多使用为特定负载优化的 ASIC 或其他定制芯片。

值得继续跟踪

一是超大规模云厂商自研芯片的资本开支占比；二是 Marvell、Broadcom 等定制芯片供应商的订单变化；三是定制芯片增长是否带动高速网络、光互联、CXL 和存储控制器需求。投资上更值得研究的是“每增加一单位 AI 计算，哪些配套环节必须同步增加”。

资料来源：Reuters：Marvell gives Google option to buy $12.2 billion stake in custom AI chip deal

前沿观察｜企业 AI 的分水岭从“辅助”走向“委托执行”

OpenAI 8 月 12 日更新的企业使用数据提供了一个值得观察的视角：领先企业正在把更多工作从“让 AI 提建议”变成“让 AI 完成一段任务”。其统计显示，截至 2026 年 6 月，在相关企业客户的 Codex 与 ChatGPT 输出 token 中，智能体式 AI 的占比已经达到 64%。

更有意思的是增长发生在哪里。从 2026 年 2 月以来，企业 Codex 周活跃用户在法律、销售、招聘和市场等非工程部门增长明显。这说明智能体式工作并不只属于程序员。只要一个任务需要查资料、读取文件、调用工具、修改文档并反复检查，它就可能逐渐从一次性问答转向可执行工作流。

这与前面的银行案例能够对应起来。企业真正把 AI 放进生产环境时，通常需要五样东西：明确的任务、可信的数据、有限的系统权限、可检查的中间结果，以及人在关键节点的确认。模型只是其中一个组件。

对我们的启发

公司内部寻找 AI 场景时，可以把问题从“这个岗位能不能用 AI”改成“这个岗位里，哪一段重复工作可以委托给 AI”。例如研究资料整理、会议纪要、制度查询、合同条款比对、营销材料初稿和信息披露检查，都可以先拆成小步骤，再决定哪些步骤让 AI 完成、哪些步骤必须由人确认。

资料来源：OpenAI：Enterprise signals — What frontier firms are doing differently

工具方法｜用“事实—影响—行动”三层结构做每日科技简报

每天科技新闻很多，如果只是把十几条新闻按时间顺序复制到一起，很快会变成信息堆积。更有效的方法，是强制每条值得保留的信息回答三个问题。

第一层是事实：到底发生了什么？这一层只记录可以核实的时间、公司、数字和事件，不加入判断。例如“三星部分晶圆代工价格最高上调 15%”。

第二层是影响：这件事改变了哪一个变量？例如价格上涨可能意味着部分制程产能利用率改善，也可能说明 AI 需求正在从 GPU 向制造端扩散。这一层可以有判断，但必须与事实分开。

第三层是行动：接下来需要继续看什么？例如跟踪台积电价格、中芯国际利用率、先进封装产能和相关公司的资本开支。只有能够形成后续跟踪的问题，新闻才真正进入研究流程。

可以马上尝试

以后每日简报中的每条重点新闻都可以控制在三小段：事实 100 字左右、影响 150 字左右、继续跟踪 1—3 个指标。两周以后，再从每天积累的卡片里挑出真正发生持续变化的主题，形成 AI 双周刊。这样每日简报负责“捕捉信号”，双周刊负责“形成判断”，两者就能自然连接起来。

本期“投资观察”用于内部科技产业研究和信息交流，不构成任何投资建议。数字和事件以所列公开资料为准，后续如有更新，以最新披露为准。