计算机行业周报：物理AI商业化加速！ ClaudeMythos讨论！

请务必仔细阅读正文之后的各项信息披露与声明 行业及产业 行业研究/行业点评 证券研究报告 计算机 2026 年 04 月 18 日 物 理 AI 商 业 化 加 速 ！ Claude Mythos 讨论！ 看好 ——计算机行业周报 20260413-20260417 相关研究 《国产 AI 算力继续推荐！Claude、DeepSeek 新进展！——计算机行业周报20260406-20260410》 2026/04/11 《26Q1 计算机业绩前瞻！关于大模型Harness 的讨论！——计算机行业周报20260330-20260403》 2026/04/06 证券分析师 黄忠煌 A0230519110001 huangzh@swsresearch.com 洪依真 A0230519060003 hongyz@swsresearch.com 刘洋 A0230513050006 liuyang2@swsresearch.com 研究支持 崔航 A0230524080005 cuihang@swsresearch.com 曹峥 A0230525040002 caozheng@swsresearch.com 陈晴华 A0230525100001 chenqh@swsresearch.com 罗宇琦 A0230124070004 luoyq@swsresearch.com 联系人 王开元 A0230125030001 wangky@swsresearch.com 本期投资提示： ⚫ 本周周报内容：1）物理 AI 商业化加速，数据成关键壁垒；2）Claude Mythos 及Deepseek V4 更新；3）重点公司更新：达梦数据（GDMBASE AI 数据库推出）、聚水潭（盈利拐点已现，规模化+AI+出海驱动未来增长）、神州数码（Token 经济时代全栈智能焕发活力）。 ⚫ 物理 AI 正由技术验证走向商业化落地，产业竞争重心也由模型能力转向数据能力、仿真能力与场景闭环能力。物理 AI 训练依赖大量符合物理规律、具备交互反馈且可验证的环境数据，而真实世界数据又普遍存在采集成本高、长尾覆盖不足、加工复杂和物理一致性要求高等约束。因此，合成数据的核心价值不在于替代真实数据，而在于基于真实空间、真实道路和真实工业机理数据，对训练样本进行规模化扩展。未来产业竞争的本质，将 increasingly 体现在谁能够率先建立“真实数据沉淀—结构化表达—合成扩展—闭环验证”的数据工厂能力。 ⚫ 群核科技、五一视界、索辰科技，这类中游厂商本质上都在围绕真实世界数据构建物理AI 基础设施。即把原本分散、昂贵且难复用的空间数据、场景数据和工业数据，转化为可训练、可验证、可持续迭代的数据资产与仿真平台。中游厂商的价值并不只是提供某一类软件或工具，而是在物理 AI 商业化过程中承担“数据放大器”和“场景基础设施”的角色，未来成长空间取决于其平台化能力、行业复制能力以及向更广应用场景延展的速度。 ⚫ 讨论 Claude Mythos 影响。2026 年 4 月 16 日 Anthropic 发布 Claude Opus 4.7，强调复杂推理、Agentic Coding、多步任务执行、视觉理解和专业工作输出质量的提升，同时是公司首个对外试验新网安护栏的模型，通过真实世界反馈为 Mythos级模型广泛开放做准备。我们认为，Opus 4.7 迭代重点影响在：1）通过动态分配思考深度、更强记忆能力、新 tokenizer 提升长链 Agent 任务完成率；2）网安成为模型厂重点发展方向之一，模型商业化预计更依赖安全边界、权限分层与可控释放能力。 ⚫ 重点公司更新：1）：达梦数据：GDMBASE AI 数据库推出；2）聚水潭：盈利拐点已现，规模化+AI+出海驱动未来增长。 3）神州数码：Token 经济时代全栈智能焕发活力！ ⚫ 重点推荐主线：1）数字经济领军；2）AIGC 应用；3）AIGC 算力；4）数据要素；5）信创弹性；6）港股核心；7）智联汽车；8）新型工业化；9）医疗信息化。详细标的请见正文。 ⚫ 风险提示：行业若激进扩人策略，可能影响盈利增长。外部因素影响供应链稳定性。 行业点评 请务必仔细阅读正文之后的各项信息披露与声明 第2页共17页简单金融成就梦想 本周周报内容：1）物理 AI 商业化加速，数据成关键壁垒；2）Claude Mythos 及Deepseek V4 更新；3）重点公司更新：达梦数据（GDMBASE AI 数据库推出）、聚水潭（盈利拐点已现，规模化+AI+出海驱动未来增长）、神州数码（Token 经济时代全栈智能焕发活力）。 1、物理 AI 商业化加速，数据成关键壁垒 1.1 数据是 AI 落地物理世界的核心 物理 AI 正由技术验证阶段步入商业化落地阶段，产业竞争重心也由模型能力本身转向数据能力、仿真能力与场景闭环能力。核心在于，物理 AI 并非将通用模型简单部署至机器人、汽车或工业设备，而是要求模型在训练、迭代与部署过程中持续接触符合物理规律、具备交互反馈且可验证的环境数据。 随着数字孪生、世界模型、合成数据、后训练与评测体系逐步成熟，物理 AI 的训练范式正在重构，模型能力上限越来越取决于其背后的世界数据供给体系，而不再单纯取决于参数规模或算法结构。 在这一背景下，高质量物理数据的可得性正成为物理 AI 商业化的核心约束。自动驾驶、具身机器人、工业控制等场景对训练数据的要求，已不再停留于常规环境下的静态样本，而是进一步延伸至复杂交互、动态反馈、极端工况、长尾场景以及多因素耦合条件下的高质量数据。 这类数据与互联网语料存在本质差异：一方面采集成本高、获取频次低、标注难度大，另一方面又对时序一致性、结构完整性和物理真实性提出更高要求。因此，在物理 AI 产业链中，数据已不只是模型训练的输入项，而是直接决定训练效率、泛化能力和可部署性的核心生产要素。 图 1：英伟达将物理 AI 解构成三台计算机 资料来源：英伟达 CES 演讲，申万宏源研究 行业点评 请务必仔细阅读正文之后的各项信息披露与声明 第3页共17页简单金融成就梦想 由此，合成数据的产业价值并不在于替代真实数据，而在于放大真实数据的训练价值。真实数据始终是物理 AI 训练体系的起点，但仅依赖真实采集显然无法满足训练规模、样本覆盖和成本效率的要求。企业因此需要基于已有的真实空间、真实道路、真实工业机理和真实工况数据，通过场景重建、参数扰动、环境扩展、仿真反馈和物理增强等方式，持续生成更多可训练、可验证、可编辑的数据样本。换言之，真正有价值的合成数据，并不是脱离现实世界生成的“虚拟样本”，而是建立在真实数据底座上的扩展机制，其本质是将有限真数据转化为可持续复用的数据工厂。 图 2：物理 AI 生成更多复杂环境 图 3：生成不同环境下的行车环境 资料来源：英伟达官网，申万宏源研究 资料来源：英伟达官网，申万宏源研究 围绕真实世界数据构建规模化放大能力，正在成为物理 AI 企业最核心的竞争壁垒。与通用生成式 AI 不同，物理 AI 难以依赖公开互联网数据或通用模型完成场景迁移，其训练