海外AI应用渗透到哪了？

2023年初ChatGPT凭借其强大的文字生成能力风靡全球。从构建以GPU为代表的数字基础设施到B端软件、C端应用嵌入各类AI模块，生成式AI快速渗透至各行业。本篇报告我们将梳理海外重点AI应用进展、分析AI应用渗透速度、展望未来AI发展的重点趋势。

摘要

AI嵌入多维场景，解锁全栈生态。AI与前中后端各细分场景相融合，深挖用户需求并提质增效。分场景看，办公领域多聚焦知识库构建与日常文档撰写；编程方向助力程序员自动补全代码，未来趋势向异步任务+同步实时辅助演进；客户关系管理领域整合历史数据并挖掘潜在用户；广告赛道赋能自动化投放与素材制作。我们观察到，1）AI渗透至各垂类赛道时，用户需要训练或自建契合需求的应用及Agentic AI，因此多Agent构建与定制化Agent将成为趋势；2）高质量场景数据释放高价值，用户自建小模型或Agent需要有效可用的数据作为底座，企业数据整合、治理、分析等重要性凸显；3）依托AI能力提升“东西向”工作流份额是大型软件厂商目标之一，AI差异化能力与用户选择的侧重点是致胜关键。

AI应用持续渗透需突破哪些瓶颈？根据IDC大模型收益曲线，当前大部分企业对AI的部署进程处于规模化探索开发阶段，企业收益率较低；根据Gartner 发布的新兴技术成熟度曲线（24年8月），生成式AI正处于期望膨胀期与泡沫破裂低谷期临界点，也是市场上多空博弈焦点。我们认为，技术的发展非线性表现，AI的渗透也需长期演进，尤其从技术萌芽到企业大规模部署阶段，会经历资源分配、用户习惯转变、技术与场景打磨、产品迭代等节点，可能存在短期阵痛。目前AI应用渗透率提升突破重点主要为：1）算力成本优化；2）模型精确度及场景融合能力提升；3）挖掘和治理高质量数据；4）AI应用ROI达到客户预期。

AI发展趋势？1）投资层面：我们看好AI Infra层广阔机遇，聚焦云迁移、数据治理、网络安全等方向；2）Agent领域：技术维度，多代理构建和部署是趋势；竞争层面，通用Agent和垂类Agent以横纵两个维度切入市场，挖掘场景价值和用户需求是关键；3）AI与广告融合将持续超市场预期；4）各大云厂商AI ASIC路径明确，相关ASIC公司业绩具备强支撑。

风险

技术进步不及预期；下游需求不及预期；竞争加剧。

海外AI应用进展梳理

海外科技厂商依托扎实的技术底蕴，纷纷入局大模型与AI建设。从业务分工角度，软件相关厂商主要参与赛道包含：1）模型训练与推理；2）云基础设施建设（GPU为主，与CPU、存储、网络等搭配销售）；3）数据库构建与数据分析；4）AI+各垂类赛道，例如AI+后端工作流、AI+办公、AI+编程、AI+客户关系管理、AI+广告等，AI已渗透至数字化各层级。

图表1：AI应用产业链梳理

资料来源：各公司官网，中金公司研究部

AI+后端工作流：“东西向”工作流是各厂商兵家必争之地

“东西向”工作流与“南北向”工作流

目前各大云厂商及企业SaaS供应商均向相关场景中嵌入AI模块，“东西”工作流与“南北”工作流是两个重要方向。“东西”工作流横跨不同企业系统（包括ERP、CRM、HRM等），“南北”工作流聚焦于垂类系统（例如研发CRM中的相关AI代理等）。

► AI差异化能力及客户侧重是厂商制胜的关键

由于“东西”工作流涵盖的系统范围较广，是大型云基础设施及SaaS服务商重点布局方向，“南北”工作流则是厂商基于现有拳头产品叠加AI功能，继续巩固赛道壁垒和提升客单价。我们认为，这与Best of breeds VS 平台化逻辑类似，核心看重：1）厂商跨系统整合能力与AI技术进步速率，是否能凭借AI差异化能力快速切入相邻系统及赛道，让客户愿意全栈付费；2）客户更加聚焦单一领域AI的可用性还是平台联动释放的协同效应。

► 定制化AI Agents、数据整合、多代理构建是趋势

根据我们对ServiceNow、Atlassian、Microsoft三家厂商AI+工作流产品梳理，可以发现供应商多聚焦于：1）助力客户以低代码或无代码方式构建定制化AI Agents；2）数据及知识库整合，融合企业内部数据、第三方数据、AI agents等至统一平台，提升企业工作流AI能力。

Microsoft目前支持多代理构建，可以横跨HR、IT及营销系统，以连接代理或多层级构建代理方式建立长链任务。其中，连接代理是指：允许代理点对点交互，一个代理可以调度其他代理完成相应任务。该方式适用于任务委派、模块化处理、上下文定制化流程等每个代理对整个解决方案独立贡献的场景。多层级代理构建是指：具备结构化、静态的调度层，可以协调不同代理分步完成复杂任务。该方法适用于客户新注册、金融交易处理、供应链自动化等多步骤协同场景。

图表2：主要厂商AI+后台工作流产品对比

资料来源：各公司官网，中金公司研究部注：价格截至时点为2025年6月

AI+办公：聚焦知识库搜索与日常工作赋能

AI+办公场景丰富，各类型用户均有一定使用需求。例如，企业知识库搜索、团队沟通、自动会议日程等。目前市场上关注度较高的产品包括Microsoft 365 Copliot、Glean等。

► M365 Copilot主要聚焦于日常文档撰写、数据分析、问答等场景。核心产品及功能包括：对话助手、研究助手、分析助手以及在Outlook、Teams、PowerPoint中辅助办公，以智能体的方式处理复杂任务。其核心优势在于可以

深度集成微软生态（包括Office、Teams、Bing等），并且主要使用OpenAI GPT模型做后训练及推理，准确性及处理速度较快。

► Glean深耕企业数据及知识库搜索，打造企业内部“Google”。其创始人Arvind是谷歌前工程师，截至2025年2月，公司ARR达到1亿美元。核心产品包括Copilot产品Glean Assistant、Glean Agents、Glean Search等。核心优势为：基于对企业数据的整合+RAG（检索增强生成）技术，实现企业内部AI搜索。与ChatGPT通用大模型等不同，Glean Search数据基础为企业内部各类数据，并且能够深入理解员工权限和知识库之间的关系，叠加基于RAG的优秀排名系统，提供给员工较准确答案。

通过分析M365 Copilot和Glean相关AI办公产品，我们可以发现，AI办公目前需要突破企业内部数据整合、知识库与员工权限匹配、上下文深度理解、与第三方应用集成等方向，实现对员工的高效、准确支持。

AI+编程：助力云厂商提升PaaS层客户粘性

目前AI+编程场景渗透率较高，海内外科技公司程序员积极使用AI编程工具提质增效。目前讨论度较高的产品包括Cursor、GitHub Copilot、Windsurf和Google Jules。几款产品均包含基础功能：1）代码自动补全；2）自动修复代码错误；3）Agent：分析代码、理解上下文，并且将复杂问题拆解为简单问题辅助程序员。几款产品具备差异性，例如Cursor上下文管理能力较强、GitHub Copilot开源后生态更加丰富、Windsurf agent处理复杂任务更具优势、Google Jules注重异步操作。

► 用户关注指标

从客户体验层面，重点关注：1）上下文理解与处理，例如网络文档检索、精确控制上下文；2）自动补全功能智能化，比如Cursor广受好评的原因之一是其功能出众的Tab键补全，可以精准预测用户下一次编辑，并且一次为用户提供跨多行代码建议，加强沉浸式代码创作体验。

► 未来趋势演进

我们认为，AI+编程的发展趋势为异步任务+同步实时辅助。异步任务着重于让Agent在云端或离线状态下独立解决复杂的编程任务，完成后输出结果即可；同步实时辅助更聚焦于在线赋能程序员代码补全、跨文档查找代码、上下文理解等。此外，云厂商如Azure、GCP等纷纷加强AI编程布局，微软在Build 2025开发者大会上宣布开源GitHub Copilot加强生态建设；谷歌在2025 I/O大会上发布全新AI编程助手Jules。AI+编程是PaaS层重要组成部分，由于程序员每天均有代码处理任务，编程产品具备较高客户粘性，对大模型tokens调度需求旺盛，因此AI+编程是云厂商提升份额、保持客户粘性的重要抓手。

图表3：主要AI+编程产品对比

资料来源：各公司官网，AI工具集，中金公司研究部

AI+客户关系管理：整合数据与挖掘潜在客户

CRM（客户关系管理）作为整合客户数据、发现销售线索、分析客户画像的重要销售软件，AI技术演进推动其智能化水平抬升。目前关注度较高的AI+CRM厂商主要为在CRM领域深耕多年、AI功能布局完善的Salesforce、Microsoft、Hubspot、Monday等。

► Salesforce聚合用户+AI+数据，打造标杆产品Agentforce

Agentforce的高壁垒在于数据云+推理引擎。数据层面，公司的数据云可以向agent提供数据库中的实时数据，数据源包含公司知识库、CRM数据、外部数据湖等。同时，公司平台的核心组件之一为元数据，用于定义和记录系统组件的结构（类似于平台“说明书”），赋能Agentforce理解上下文（比如客户信息保护“姓名”“订单”等字段，元数据可以理解并与其他相应信息关联）、识别系统中可用功能、动态调用流程或查询数据等。推理引擎方面，公司依托Atlas推理引擎，其核心技术采用集成检索增强生成（Ensemble RAG），RAG是将信息检索和大模型生成结合，而集成RAG则是融合多个RAG模型，提高结果的准确性。运用至agent时，Atlas引擎扫描结构化和非结构化数据，再结合多RAG模型结构，减少模型幻觉并生成较准确结果。

收费模式灵活度高。Agentforce涵盖三种收费模式：1）根据Flex Credits方式，每10万个Credits 500美元；2）根据对话方式，每次对话2美元；3）在部署AI的模块以license方式收费。以Credits方式举例，在员工新入职需要使用Agentforce解决问题的场景下，假设20个新员工每人问5个问题，则一个月消耗的成本为10美元（20Credits*5个问题/月*20新员工/每月*0.005美元/Credit，注：默认一次对话消耗20 Credits）。

图表4：Salesforce Agentforce三种收费模式

资料来源：公司官网，中金公司研究部

► Microsoft依托Copilot，获取信息并挖掘潜在客户

Dynamics 365 Sales中的Copilot亮点在于可以帮助团队使用自然语言或预生成的提示查询Copilot，获取相关指标（例如客户转换率等），并且根据团队目标预测收入和跟踪业绩完成度。此外，销售人员可以查看基于AI的评分模型和优先级工作列表，获取潜在客户及机会。

► Monday CRM集成主流应用数据，AI赋能邮件撰写及信息补全

Monday CRM可以集成Chrome、Google Calendar、Outlook Calendar、Zoom等应用数据并整合至邮箱&活动模块，用户可以在该模块中收发邮箱，建立定制化邮箱模板、整合日程信息。同时，AI可以助力用户在CRM board上自动补全文本、数字、日期等行列，并涵盖情感分析、信息提取、总结等功能，提升销售人员工作效率。

AI+广告：助力广告算法、自动化投放、素材制作全面升级

效果广告优先级提升，AI加速相关趋势。近年来伴随宏观环境不确定性加剧、效果广告可衡量性与精准投放能力提升、短视频渠道崛起等，数字渠道广告主的优先级转向效果广告（从品牌广告转移）。2023年以来AI大模型的优化亦加速效果广告趋势，我们认为主要体现在广告定位、广告投放自动化、广告素材生成能力提升三方面：

图表5：零售媒体广告支出占比不断提升

注：预测日期为2025年3月 资料来源：eMarketer，中金公司研究部

► 短期数据打通、多模态能力提升广告定位能力，中长期生成式推荐有望挖掘用户隐形需求。我们认为，短期而言，大模型在数据能力处理方面具备较大突破，有望在大规模、多模态、非结构化数据处理方面提升推荐效率。Meta此前每个产品功能均有单独小模型，以处理信息与进行广告推送，例如Feed广告模型与Reels广告模型独立。公司2023年5月部署的Meta Lattice广告架构，采用统一的大规模Transformer模型，取代过去分散的小模型。Meta Lattice拥有数万亿参数，在数千亿样本上训练，有效提升有限数据下的预测准确性。

► AIGC助力广告素材生成，降低制作成本并实现“千人千面”的精准投放。2023年以来Meta/Google通过推出AI Sandbox/Google ad内嵌工具提供多种文生图、文生视频、图生视频工具，降低广告主素材制作成本。此外，广告主上传相同的素材，投放工具亦有能力根据不同用户画像生成“千人千面”的差异化广告，提升广告点击率。

AI应用渗透率提升需要哪些突破？

当前AI应用渗透率较市场预期仍有差距。根据IDC大模型收益曲线，当前大部分企业对AI的部署进程处于规模化探索开发阶段，企业收益较低。但随着AI应用渗透率提升，收益会呈现快速增长。进入落地与更新阶段后，收益释放明显，达到盈亏平衡点。

我们认为，在当前规模化探索开发阶段，企业面临的痛点主要来自于算力端、模型侧、数据治理、ROI等方面的挑战。

图表6：大模型收益曲线

资料来源：IDC，中金公司研究部

算力成本优化

AI算力紧缺一直是前几个季度云厂商共同痛点，虽然1季度AI供应链不足问题略有缓解，但算力供不应求、模型训练及推理成本高昂仍是下游客户面临的挑战。根据我们对海内外主要大模型厂商最新价格对比，发现输出价格仍然较为昂贵。

我们认为，随着AI应用场景确定性提升，超大规模云厂商可能倾向于在AI数据中心使用成本更低、功耗更优的AI ASIC，AI ASIC未来渗透率将提升。我们预计随着数据中心规模扩张，对功耗和成本的要求提升，定制化芯片或将成为同时满足性能、功耗、成本多重要求的解决方案，在数据中心的部署率有望提升。据Marvell公开电话会，数据中心定制化加速计算芯片的市场规模将从2023年的66亿美元（约占加速计算芯片市场的16%）增长至2028年的554亿美元（约占加速计算芯片市场的25%），5年CAGR高达53%。原因在于：

► AI ASIC相较通用GPU价格低、功耗优，使用AI ASIC能够有效降低超大规模云厂商数据中心硬件部署成本和功耗。博通和Marvell分别在AI相关会议中提到，部署ASIC能够节省数据中心总成本；据Google于2023年4月发表的论文，Norman P. Jouppi等作者指出谷歌定制化ASIC TPU v4在模型训练速度、能耗方面优于英伟达A100。

► AI应用场景确定性有望提升。AI ASIC是针对某一架构或AI大模型优化的定制化芯片，通用性弱于通用GPU，所以在训练场景只能用于某一模型训练，复用性不佳；然而，随着未来AI应用场景确定性提升，我们认为超大规模云厂商或将最终基于某一模型在应用端落地，AI ASIC通过软件优化配合硬件特性，预计能够较好地适配推理侧。据Marvell，目前AI ASIC已用于超大规模云厂商的内部应用，例如搜索排序、推荐等，在这些场景下云厂商已明确应用所需硬件特性；SaaS方面，超大规模云厂商自有SaaS情况与内部应用类似，也已开始使用ASIC，未来第三方SaaS也有望部署ASIC，且SaaS较大程度受益于AI；IaaS方面，云厂商对客户应用所需硬件要求认知较低，目前还未使用ASIC，但随着未来云厂商部署基于ASIC的计算平台和软件生态，ASIC有望进入IaaS领域。

图表7：2023年和2028年定制化加速芯片与通用加速芯片市场规模

资料来源：Marvell AI ERA，中金公司研究部

图表8：云厂商定制化计算部署场景

资料来源：Marvell官网，中金公司研究部

模型精确度及场景适配提升

根据IDC调查，约87%的客户在模型层的痛点为模型精度不能满足落地要求，无法衡量效果；50%的客户认为模型能力与业务需求不匹配。此外，还有模型选择多、缺少高效工具进行模型调优等问题。

► 幻觉问题是影响模型精确度不及预期的因素之一。根据CDSN，GPT-4在开放域问答中的幻觉率高达15%+。模型幻觉主要包括：事实性、逻辑性、语境性和认知性幻觉。幻觉问题产生的原因较为复杂，原因包括：数据局限性、模型架构缺陷、训练目标错位等。数据局限性方面，主要问题在于数据覆盖面不广泛（比如缺少特定领域最新成果）、训练数据存在错误、训练数据不是最新等；模型架构缺陷方面，主要由于自回归生成机制（逐词预测导致错误积累）、概率采用偏差。

解锁幻觉问题的具体技术繁杂，包括：1）检索增强生成（RAG）；2）对抗训练，例如在训练集中增加错误信息，增强模型识别幻觉能力；3）架构创新，解耦知识检索和文字生成。

► 模型与业务匹配是落地痛点之一。由于通用大模型无法匹配所有细分场景，客户在选择模型时较为局限。我们认为，目前的解决方式主要包括：1）多模型部署；2）DIY特定模型。多模型部署方面，客户可以按照具体业务适配选择相应模型，例如，兼顾速度与准确性优先选择综合能力较强的OpenAI模型，聚焦编程能力可以选择Claude，要求图像生成质量则优选Gemini等。通过不同模型擅长领域最大化业务与模型匹配度。DIY特定模型方面，企业客户可以调用通用大模型API，叠加模型调优、RAG等技术，生成适合自身业务的小模型。

数据治理是AI应用交付的底座

数据是大模型落地基石，尤其在企业级AI应用交付过程中，将满足合规的多模态数据集进行采集、处理、微调，生成准确度高并且企业可使用的数据结果至关重要。根据IDC调研，68%的企业高管认为在开发AI应用时，需要对内部数据资产进行梳理，66%的高管期待建立如数据湖的支撑性架构，62%的高管认为需要构建企业知识管理体系，并对数据进行清洗和标注。

我们认为，有效可用的企业数据治理是训练模型的第一步。部分企业内部数据仍较为杂乱，需要依托数据湖或者数据仓库进行充分的清洗、梳理、标注、分析，凝结为可以训练模型的价值数据。目前大部分企业仍在数据梳理阶段，因此对相关数据湖、数据分析相关软件需求抬升。

ROI达到客户预期

由于AI投资周期较长，前期需要搭建团队、数据资产盘点、部署模型、效果调优等，短期ROI较难达到客户预期（根据IDC调研，客户对于AI ROI的普遍预期在1-3倍）。如果企业直接购买AI办公相关软件，例如Copilot，前期也需要教育和培训员工，短期较难兑现高预期。

理想状态下，Microsoft Copilot ROI可达206%。根据Microsoft披露，截至2024年4月底，使用Copilot的员工每天工作时间可节省约11分钟。根据我们估算，理想状态下，Copilot ROI可以达到206%（定价按照目前30美元/月/人，工作天数假设为20天/月）。我们认为，随着员工熟练使用Copilot及前期时间成本摊薄，AI相关办公软件ROI达到企业预期有望兑现。

图表9：理想状态下，Microsoft Copilot ROI可达到206%

资料来源：微软官网，中金公司研究部

Copilot赋能用户简单日常工作，根据Microsoft官网实验，将员工分为两组进行A/B test，员工在写邮件草稿、总结未参加会议、查询信息三个场景使用Copilot产品节省的时间分别为6/32/6分钟。此外，不同角色对于Copilot可以赋能的工作侧重点有所差异，75%+的销售、客服、金融人员希望AI赋能准确查询信息；75%的销售人员期待AI发现潜在销售机会，70%的客服人员希望AI将工单智能分配给合适的处理人员，73%的金融员工则预期AI简化金融报表。同时，金融和销售人员都希望AI整合分散的数据。

图表10：A/B test下，Copilot在不同场景助力客户完成工作节省的时间

资料来源：微软官网，中金公司研究部

AI将如何演绎？

AI的发展是漫长的进程，与其他技术发展轨迹类似，都会经历技术萌芽、期望膨胀、泡沫破裂低谷、稳步爬升复苏、生产成熟期几个阶段。根据Gartner 2024年8月发布的新兴技术成熟度曲线，生成式AI正处于期望膨胀期与泡沫破裂低谷期临界点，因此目前市场上对于AI有多空两种声音。我们认为，AI在经历技术迭代、供应链趋稳、数据治理完成、模型部署与业务匹配等几个阶段后，能够进入生产成熟与大规模商用阶段。

图表11：2024年技术成熟度曲线

资料来源：Gartner，中金公司研究部

趋势一：当前阶段，AI Infra层业绩可见度更高

基于此前的讨论，我们认为，AI在企业端大规模商用之前，基础设施层仍需精细打磨，因此当前阶段Infra层业绩兑现度更高。此外，较多企业客户为适配自身业务，会DIY细分场景的模型、Agent及应用，因此对模型服务、数据库、云计算、安全相关需求大幅提升。我们看好云迁移、数据治理、网络安全、AI+编程相关机遇。

► 云迁移：在生成式AI出现之前，企业虽然也在积极云化转型，但AI的渗透加速了这一进程，叠加大公司采取多云策略，共同支撑云厂商业绩高增。此外，企业在调用云厂商承载的大模型API时，也会拉动对云厂商的非AI业务，例如CPU计算、存储、数据库等需求，AI与非AI业务联动催化企业云端渗透率提升。

► 数据治理：由于企业意识到无论是训练垂类模型或部署Agent，均需要向通用大模型注入企业多模态场景数据才能解决客户实际问题，因此数据整合、治理、分析等新需求涌现。以Apache Spark为引擎的大数据分析公司Databricks和云端数据仓库公司（存算分离为优势）Snowflake得到广泛关注。

► 网络安全：一方面，在AI的渗透下，攻击生成的种类复杂度增加、速度提升，用户需要加固各个IT层级的安全建设防护攻击；此外，客户从on-prem向云端迁移、部署模型服务后，IT风险敞口增加，需要安全作为底座支撑。其中，云安全、身份安全、数据安全、端点安全优先级相对较高。

趋势二：多Agent部署解锁复杂问题

Agentic AI是近两年主流科技公司攻克重点，该模式代表了从“工具”到“智能体”的范式升级，涵盖自主性、策略优化、多模态协作等特点。Agentic AI从用户视角看，核心在于大模型与工具的配合以及充分理解用户意图，包括拆解复杂指令、处理模糊需求、多轮请求中保持上下文连贯性、并且学习和理解用户喜好。Agentic AI架构革新主要体现在多Agent、Agentic Loop、Agent工作流等。

图表12：Agentic AI应用的开发者视角

资料来源：亚马逊官网，中金公司研究部

► 单一Agent与多Agent

Agent涵盖的功能基础包括知识检索、数据分析、内容生成、工具使用、多模态处理等。从形态来看，Agent功能实现有两种方式：1）自身覆盖全能力；2）在多Agent设计范式下，能力输入是另外的Agent输出。虽然全能Agent是理想态势，在当前技术供给下，针对特定场景解决问题的专业Agent能交付更优效果。

多Agent的核心是协调多个独立Agent，共同完成复杂任务。相较于单一Agent，多Agent具备的特征包括：1）分布式处理，将复杂度高的大型任务拆解为多个小型子任务；2）协同工作，各个Agent可以相互通信和协作，提升整体性能。其中MetaGPT是SOPs（标准化操作程序）驱动的多Agent框架代表，该框架定义系列Agent角色并分配任务，将SOPs编码为提示序列指导Agent执行任务。此外，主要云厂商Azure AI Foundry和AWS Bedrock均支持多代理构建。

我们认为，单一代理在目前技术条件下较难满足用户复杂需求，多代理协作更容易切入用户实际工作场景，完成相应任务。同时，第三方SaaS厂商针对特定场景的Agent也基本具备无代码定制化功能，客户构建与管理多Agent（自建或使用第三方）解锁各类应用场景将成为趋势。

趋势三：AI+广告兑现持续超预期

数据隐私限制持续，我们认为，具备更强用户基础及算法能力的公司或有望在AI浪潮中更加受益。回顾近年，我们观察到数据隐私限制（2021年4月苹果在iOS 14.5版本中正式推行ATT政策，要求应用必须获得用户明确授权才能访问设备的广告标识符（IDFA）；2022年谷歌也提出类似但较为温和的隐私保护措施“隐私沙盒”，但落地节奏更为缓慢）已成广告行业主流环境，其阻碍大规模第三方数据追踪，对广告公司定位、归因等方面均造成影响。相关背景下，我们认为具备以下特点的公司在效果广告趋势下更容易成功：

1）具备较多第一方数据，无论是生态拓展（例如Meta布局Reels、YouTube布局Shorts），还是公司对转化工具（例如转化API或平台像素）的应用；

2）AI能力，能够基于不完善数据进行概率定位和衡量；

3）平台实用性，能够驱动自然的转化相关行为，例如Meta等社交平台把握用户长期兴趣方向实现转化、Tiktok等短视频平台把握用户短期内容兴趣实现转化。

我们判断，大型平台，例如Google和Meta由于其庞大的一方数据量、AI技术的领先地位、强AI投入意愿，有望从效果广告、AI驱动、自动化广告投放的趋势中获取更多收益。目前Advantage+和Performance Max为人工智能技术+自动化广告投放产品最成功的案例之二。

图表13：Advantage+ Shopping Campaign渗透率稳步提升，1Q25已达38%

资料来源：Tinuiti，中金公司研究部

图表14：Performance Max在中等规模零售广告主中的购物广告支出占比已超一半

资料来源：Tinuiti，中金公司研究部

趋势四：AI ASIC路径明确

我们在前文中提到，随着AI应用场景确定性提升，超大规模云厂商可能倾向于在AI数据中心使用成本更低、功耗更优的AI ASIC，AI ASIC未来渗透率将提升。从云厂商到终端巨头，头部科技企业积极推进自研AI芯片：

►谷歌：谷歌自2014年起与博通合作TPU，用于数据中心训练和推理，自研AI芯片进展较快，约1-2年进行一次迭代，目前已推进至TPU v6e（Trillium）。自TPU v5起，每代芯片推出训推p和推理e两个版本。TPU v5p在bf16下可达459 TFLOPS，拥有95GB HBM；TPU v6e（Trillium）目前已推出，据谷歌，其峰值计算表现是v5e的4.7倍，能耗比相较v5e优67%。

► Meta：MTIA是训推一体的AI定制化芯片，Meta最早于2023年推出第一款MTIA，此后每年迭代一次。据Meta，MTIA v2专注推理，相比MTIA v1，性能提高3倍，fp16下算力为177 TFLOPS，目前已在16个数据中心使用MTIA v2。

► 亚马逊：亚马逊拥有两个AI定制化芯片系列，分别为用于AI训练的Trainium系列和AI推理的Inferentia系列。自2022年起，其于每年的re:Invent全球大会上推出新一代Trainium，Trainium 2在bf16下算力达431 TFLOPS，在5nm制程下设计与制造。据亚马逊，Trainium 2组成的Amazon EC2 Trn2服务器性价比相较现有基于GPU的EC2提升30-40%，更具成本效益。Trainium 3将采用3nm制程，亚马逊CEO表示其或在2025年底推出。亚马逊于2019年推出Inferentia，能够降低小型推理工作负载成本，但迭代速度相较Trainium系列更慢，且据Nikkei Asia，目前Inferentia项目中止。

► 微软：微软自研芯片进程较晚，其于2023年11月年度Ignite技术大会上发布首款AI定制化芯片Maia 100，采用5nm制程，bf16下算力达800 TFLOPS，功耗配置为500W，能够降低功耗。

► 苹果Baltra：据The Information，苹果正在开发内部代号为“Baltra”的用于AI服务器的AI定制化芯片，预计2026年量产，在3nm制程下设计制造。

图表15：四大云厂商最新AI定制化芯片性能

资料来源：Hot Chips 2024，各公司官网，中金公司科技产业链调研，中金公司研究部

风险

技术进步不及预期

由于模型迭代非线性，可能存在瓶颈期，如果模型进步速度不及预期，可能导致下游应用与模型融合速率变慢，客户无法使用AI应用产品大幅提质增效，从而降低付费意愿，对相关标的估值及业绩带来负面影响。

下游需求不及预期

客户对AI应用需求来自两个催化：1）IT支出；2）产品进步催化的真实需求。如果客户IT支出受到宏观影响不及预期，对AI应用产品采购意愿可能下降；如果客户认为AI产品ROI较难达到预期，则会延迟采购相关产品，对AI应用公司业绩产生影响。

竞争加剧

目前AI应用各个子板块相关产品都较新颖，但往后发展可能存在重叠，导致竞争加剧，例如价格战、产品同质化等，影响相关公司利润率。同时，产品同质化也会使客户选购产品时难以决策，影响客户需求和产品创新力。

本文摘自中金公司2025年6月23日已经发布的《海外AI应用渗透到哪了？》

袁佳妮 分析员 SAC 执证编号：S0080523050003 SFC CE Ref：BTM577

杨子捷 分析员 SAC 执证编号：S0080524080001 SFC CE Ref：BUS854

夏依琳 分析员 SAC 执证编号：S0080525050001 SFC CE Ref：BUL745

杨鑫，CFA 分析员 全球研究组长 SAC 执证编号：S0080511080003 SFC CE Ref：APY553