Kimi背后的产业影响会议纪要
1. 场景与数据解析
产品定位关键：Kimi聚焦搜索和长文本阅读细分场景，场景选择准确对应用推广至关重要，特别是AGI在通用性处理上存在知识库和方法论数据不足障碍，场景精准选择可降低用户使用成本和门槛。
数据和方法论是核心竞争力：Kimi大量调用知乎数据，有效总结提供解答，显示出静态数据丰富但方法论数据缺失是AI应用中的核心竞争力。软件价值在于提升用户体验和应对及时性需求。
国内技术进步有潜力：尽管受国外GPU制约和OpenAI限制，国内公司在应用层的快速跟进显示出技术自信，数据和方法论驱动可促进产品迭代和市场推广，资本市场对技术封锁下的AI技术发展无需太悲观。
2. AI时代数据价值解读
AI应用公司估值可能明显提升，特别是在强调数据价值的背景下。
数据价值在AI场景下得到体现，尤其是通过自学习的能力，版权价值可能归零，而核心、未被污染的数据的价值会放大。
AI技术在精准搜索和对比分析方面展现出应用价值，前者改善信息检索效率，后者通过分析对比提供差异化答案。
3. AI技术塑造行业应用新纪元
评论数据和教育内容区域尚未被充分利用，国内外能有效利用评论数据的商户较少，教育内容的个性化传授也有待提高。
反向生成为AI的重要应用方向，依赖完整的数据和自动迭代功能以驱动数据价值的增长。
AI尚依赖于软件公司实现商业化，不同软件在实现同一功能时效果差异大，软件公司需优化AI产品以降低用户使用门槛。
4. AI与软件行业协同之道
长期利好软件开发平台：AI未必能完全替代代码创作，远期AI依然依赖软件公司提供的模块化开发和低代码工具，如微软Power Platform。软件开发平台存在的价值大，能快速响应AI需求。
AI与软件紧密结合：AI在应用上类似大脑，软件则像手脚，快速实现AI所需功能。软件平台扮演实现AI功能组合的关键角色。
AGI在垂直行业应用的挑战：AGI面临专业知识库缺失问题，尤其在金融等垂直行业。AI需要背景知识库支撑以提高在垂直行业的应用效果。
5. 智能模型开发的双重路径
建立AI大模型成本高，二次训练效果有限，可能导致灾难性遗忘，头部公司或专业AI大模型公司才能承担。
数据清洗转化为标准数据库，降低对AI大模型依赖，提高响应速度与使用成本，是大多数公司采用的商业化产品部署方式。
国内外公司技术代差不大，主要差异在数据清洗质量，国内能快速复制国外应用，通过openI指导开源大模型，降低成本，提高响应体验。
6. 互联网行业价值重估与增长
互联网行业盈利能力明显，当前PE水平处于低位，显示出公司EPS增长显著消耗了大量估值。
z策导向已变，互联网公司市值占A股市场大比例，z策最严厉时期已过，未来z策关注度高。
科技行业变革，AI创新能力强，互联网公司在利用大数据进行商业模式创新，客户服务提升方面有巨大潜力。
会议纪要Q&A
Q：AI领域目前的高效应用方式是什么？
A：从长远角度来看，理论上是可能实现AI对所有工作过程进行编码和撰写的，但实践上并非所有工作都可以依靠AI来从头开始编写代码。即便是在AGI（通用人工智能）可以实现的情景中，也不是每个过程都需要AI从头开始写代码，这样做的效率其实并不高。
更高效的应用方式是软件公司将大量应用场景做成积木和模块化的东西，AI在调用时可以从中直接调用最优化的功能。通过这样的组合，可以达到最高的开发效率。例如微软的Power Platform，它通过结合已经开发好的自动化模块和积木，去构建客户所需的功能，这种方式让软件快速响应AI的需求，并且实现快速的开发。
Q：如何理解AI与软件之间的关系？
A：短期和远期来看，AI与软件之间的关系有点像大脑与手脚的关系。即使大脑再强大，它也不能取代手脚的功能。在这个平台里，软件扮演的角色更像是手脚，能够快速实现对AI功能的响应，快速组合出AI所需的功能。这显现了软件开发平台在AI颐使唤及功能组合方面的重要价值。
Q：AGI在垂直行业应用的主要挑战是什么？
A：目前AI应用过程中的一个主要挑战是实现AGI在垂直行业的应用。大部分情况下，只有在专业的办公场景中人们才会想到使用AI，而在专业场景中用到的通常是依赖通用知识库的AGI。
问题在于，这些AGI在处理专业问题时通常不具备相应领域的背景知识库。例如，一个没有金融学背景和投资经验的人可能可以读懂并理解一篇研究报告，但却难以就报告中的股票是否值得购买这类投资相关的问题给出答案。这是因为他们缺乏必要的金融背景知识库，无法将阅读的内容与金融专业知识相结合进行判断。因此，AI在细分领域里的应用和商业化依然面临挑战。
Q：Kimi背后的产业影响是什么？如何通过大数据和AI技术提升商业化产品的部署？
A：首先，通过增加数据库内容来覆盖更多垂直领域的场景，可以训练出更大的AI模型。但这种方式成本很高，且效果并不理想，可能产生"灾难性遗忘"的问题，即新加入的知识会干扰已有知识库。目前，技术上的难点包括发音听力模式下的困难以及对数据容量的高要求。这通常需要头部公司或专业的大模型公司来完成。 另一种方式是通过数据清洗，将行业数据库转化为标准化、可检索和频繁调用的知识库，降低对AI大模型的依赖，同时训练自己的开源大模型，从而提高用户使用时的响应速度和降低成本。这种方法是目前国内外公司在商业化产品部署中常用的路径。
例如，将一篇研究报告转化为20个问题，填入相应内容，就形成了标准的数据库。AI可以据此判断哪些问题能回答，哪些超出范围，这实际上是检索功能的升级。在商业化领域，这种知识库机器人的落地速度最快。通过AI自动化标注和处理，将传统数据转化为标准数据库，配合开源大模型的优化，来设置对话机器人。这在软件公司管理内部知识库中非常常见。
在选择AI和大数据技术提升产品时，国内公司不必担心与国外公司的代际差异。尽管GPU成本和API调用成本仍旧较高，但大多数公司为了确保用户体验的响应速度和降低部署成本，会选择使用OpenAI来指导开源大模型生成的路径。技术差异不大，更多的是数据清洗质量上的差异，但这可以通过时间和工程解决。国外的应用模型，国内在两三个月内通常能够复制出来。
Q：Kimi背后产业的核心变化有哪些？其投资价值如何？
A：互联网行业的年度策略表明，整个行业正处于数据价值重估和再次起航的阶段。目前市场对此存在三个主要的担忧：1) 行业内竞争加剧，2) z策监管的不利影响，3) 国内市场渗透率高，未来增长空间有限。
针对这些担忧，我们看到从去年到今年三季度，互联网公司的盈利能力明显，PE值处于相对低位，甚至低于某些制造业公司的PB值。互联网公司的降本增效显现效果，竞争趋于缓和。对于z策监管，互联网公司在A股市场的市值占比大，且PE值较低，其对国内经济的盈利贡献和就业贡献重要，预示着z策可能已经过了最严厉的时刻，未来应得到更多的z策关注。
最后，AI带来的创新是科技行业最大的变化，互联网公司有望将其转化为产品。在垂直领域，大数据将促进新商业模式和客户服务的提升。总体而言，在三季度报表和最新z策监管之后，互联网板块可能迎来一个转折点，当前的z策监管更像是一次压力测试，或许是一次z策影响下的最后一次出清。