全球及国产大模型迭代加速与算力需求分析电话会纪要

摘要： 本次电话会重点分析了全球及国产大模型在 2026 年初的剧烈迭代趋势，探讨了从“抽卡”到“工业化可用”的范式转移，以及 Agent 驱动的商业化新阶段。

行业主线：

1. 模型迭代加速：强化学习（RL）和后训练优化成为核心，模型能力在 Coding、Agent 及多模态领域达到应用临界点，迭代速度显著加快。
2. 算力需求通胀：国产模型普遍采用“算力换效果”模式（Inter-leafing Thinking），导致 Token 消耗量呈量级增长，直接带动存储、GPU 云、AI DC 及电力需求。
3. 商业化路径转移：模型商业化正从单一 API 售卖转向全栈 To B 生产力工具（数字员工/Agent），国产模型凭借性价比优势在海外部分场景具备“Token 出海”的竞争力。

关键变化与分歧：

1. 国产模型下限提升：国产模型正经历从 0 到 1 的过程，通过增加算力投入使输出结果从不稳定变为工业化可用，能力差距在缩小。
2. Agent 爆发元年：Agent 调用量预计呈指数级增长，将对传统软件应用产生冲击，投资重心转向具有极高增长赛道或高护城河的 AI 原生应用。

受益方向与风险：

1. 受益方向：算力基础设施（AI DC、国产 GPU/NPU）、具备生态潜力的互联网大厂（腾讯、阿里）、高壁垒 AI 应用（如 GPU Native 数据库）。
2. 核心风险：模型迭代过快导致现有应用被迅速替代、AI 商业化落地节奏低于预期。