互联网传媒行业AI产业研究：当“AI开始撞墙”，从位置变化到投资逻辑

分析师焦娟登记编号：S1220525090006冯静静登记编号：S1220525090003AI产业研究：当“AI开始撞墙”，从位置变化到投资逻辑互 联 网 传 媒 团 队 • 行 业 深 度 报 告证券研究报告 | 传媒 | 2026年10月08日报告摘要AI研究不仅需要持续跟踪已有标的，也需要从产业变化中发现新的研究对象。对于已经明确的AI公司，研究重点在于能力、商业化和估值判断；当AI进入真实生产和业务流程并遇到新的约束时，研究还需要进一步追问哪些原本普通的资源开始变得重要，以及哪些公司具备解决问题的条件。本报告以“AI整体跟踪与选股逻辑生成框架”为总论图，构建从持续跟踪、逻辑推演到标的筛选和经营与财务验证的研究闭环。“AI开始撞墙”提供了从产业约束中发现新线索的研究入口。本报告所说的“AI开始撞墙”，是指大模型向真实生产和业务流程深入时，开始遇到任务可靠性、业务情境理解、系统接入、权限与责任以及完整任务成本等约束，并不意味着模型能力已经触顶或AI发展停滞。不同约束可能分别由模型、数据、工程和组织条件解决，其解决主体及成本变化将进一步影响产业分工。三层研究框架负责持续跟踪，AB面对照与XYZ轴负责发现和推演。三层框架组织基础模型、AI原生业务以及利用AI重塑自身生产和供应的企业，并持续观察已有研究标的；AB面对照比较资源在原有环境与AI环境中的作用，XYZ轴则从内容类型、产业观察和逻辑线与标的映射三个维度组织新证据，由此形成逻辑线并寻找具备承接条件的公司。经过初步筛选的标的进入动态股票池，再重新纳入持续跟踪。经营与财务验证进一步检验产业逻辑能否转化为企业经济性。本报告以FDE现场交付贯穿发现和验证，以Jev与Muse作为方法应用案例，观察判断能力、执行条件等变化，并通过可用能力、客户付费、交付成本、收益归属等证据验证相关逻辑。进一步从任务经济性出发，分析收入质量、利润、现金流和资本回报，避免将产业逻辑、公司承接条件与投资价值直接等同。研究最终形成从持续跟踪到发现、推演、筛选和验证的动态闭环。经营与财务验证结果重新反馈至逻辑线和动态股票池，持续修正研究判断；公开披露及独立列示的假设演算用于说明研究过程，配套底稿保留来源、口径和公式。本报告案例用于展示研究方法，不预设任何资源或商业模式必然获得重估，产业逻辑、公司承接条件和当前价格的投资吸引力仍需分别验证。风险提示：AI技术发展及产业投入变化的风险、AI产业竞争加剧及产业价值传导不畅的风险、相关公司AI业务落地及经营业绩波动的风险。21产业跟踪体系如何建立？CONTENT目录2AB面对照如何识别产业位置变化？3AB面与XYZ轴如何推演逻辑线并发现标的？4从FDE到Jev和Muse的方法应用35经营与财务验证如何修正研究判断6风险提示变化更大）1产业跟踪体系如何建立？CONTENT目录2AB面对照如何识别产业位置变化？3AB面与XYZ轴如何推演逻辑线并发现标的？4从FDE到Jev和Muse的方法应用45经营与财务验证如何修正研究判断6风险提示变化更大）产业跟踪体系如何建立？5资料来源：方正证券研究所图表1:AI整体跟踪与选股逻辑生成框架图表1上半部分是产业跟踪的研究底座，下半部分是从观察推演逻辑线、发现新标的的方法，底部则连接股票池、持续跟踪和经营财务验证。三层研究框架帮助组织产业及已有标的的连续观察；AB面对照与XYZ轴利用跟踪中出现的新证据，寻找原有名单之外的承接者。新标的经筛选入池后，又回到持续跟踪之中。两部分通过动态股票池衔接，并接受经营与财务证据的反向检验。这种分工不意味着已有公司只能被跟踪、新公司只能被推演。已有标的也可能出现新业务逻辑，新发现的公司也需要立刻放入产业关系中理解。分工强调的是研究任务：跟踪维持认识的连续性，推演扩展候选范围，验证约束结论强度。一次产品发布可以触发推演，但尚不足以支持入池；进入股票池后，也仍需明确哪些判断已经获得证据、哪些只是待验证条件。三层框架首先确定研究对象及其交易关系6三层研究框架将业务区分为基础大模型、AI原生业务，以及使用AI重塑自身供给与生产的业务。这个划分关注智能能力在产业中怎样被生产、组织和使用，并不意味着公司之间存在固定层级，也不构成利润率高低的排序。同一家公司可以供应模型、经营应用，也可以用AI改善内部生产，因此具体研究应落到业务及交易关系，再回到公司层面合并。基础模型层的核心问题，是能力边界如何扩大，以及这种能力能否以可接受的成本稳定供给。训练、后训练、推理和基础设施共同影响供给条件。对应用而言，能力是否可用不仅取决于某次测试成绩，还取决于响应时间、稳定性、部署方式与采购条件。技术进步只有进入这些约束，才会改变下游可以开展什么业务。AI原生层承担能力组织的工作。垂类模型、Agent、模型服务及分发平台，可以将模型、数据和工具连接成客户能够使用的产品。这里需要观察企业究竟出售什么：一次调用、一套软件、持续服务，还是某项完成结果。不同交易单位意味着不同的成本承担和责任边界，收入规模因此不能脱离合同与交付方式解释。使用AI的企业，则将智能能力纳入原有生产。其价值可能表现为新的产品收入，也可能体现为成本降低、质量提高或资金周转改善。没有独立对外销售的AI产品，不代表没有经营影响；反过来，新增AI收入也不自动等于公司增值，因为它可能替代旧收入，并要求更高投入。第三层的分析尤其需要比较采用与不采用的合理路径，避免把内部效率改善和外部产品收入重复计算。三层之间的交易关系，使技术变化能够被逐步转译为经济问题。模型降价可能降低应用履约成本，但应用是否降价取决于竞争；使用者获得成本节约后，也可能将一部分让利给终端客户。相同的技术进步可以同时扩大使用量、降低单价，并使利润在产业链中重新分配。研究框架应跟踪这种传导，而不是预设技术最先进或最接近客户的环节必然获得最多收益。资料来源：方正证券研究所四项研究积累共同支撑持续跟踪7图表1中的“大模型13讲”与“AI应用13讲”，分别提供技术机制和应用机制的研究积累。前者帮助判断能力变化是否具有可持续供给条件，后者解释这些能力怎样进入真实任务并形成付费。两套研究相互校验：应用受阻可能来自模型能力，也可能来自数据、系统或组织安排；需求尚未兑现，不能一概解释为技术不足，技术进步也不能直接当成商业成熟。关键财务指标进一步把这些解释落到可以比较的经营结果。指标的选择应服从业务机制：若命题强调交付复用，就应追踪部署与支持成本；若强调客户价值，就需要付费、续约及实际使用证据；若强调平台位置改善，则应观察价格、利润持续性与再投资要求。财务研究因此不只是结尾的估值章节，也参与前端问题设计，帮助确定哪些信息值得优先获取。动态股票池是这些判断在公司层面的承接记录。图表1中“现有190只”表示该版本的阶段性范围，不意味着190家公司均已完成相同深度的验证，也不构成推荐组合。逻辑线既可以发现池外公司，也可以使原有公司因证据不足而降低优先级。客户使用的简洁名单与研究端保留的来源、业务边界和验证记录，应有清晰对应关系，才能支持后续增删和分类调整。将这四部分放在一起，研究者获得的是一套可重复使用的工作关系。例如，发现某类模型推理成本下降之后，首先判断下降是否发生在目标任务所需的质量条件下