Investoren am Sekundärmarkt diskutieren auf der WAIC die nächste Runde der KI-Chancen: inländische Rechenleistungskette, Kommerzialisierung von Modellunternehmen und Bewertungspotenzial

Während der Welt-KI-Konferenz 2026 (WAIC) fand auf dem KI-Investitions- und Finanzforum „Intelligente KI für eine gemeinsame Zukunft“, das von Guotai Haitong veranstaltet wurde, eine Podiumsdiskussion zum Thema „Die nächsten Investitionsmöglichkeiten im KI-Zeitalter“ statt, an der zahlreiche Investoren von führenden in- und ausländischen Finanzinstituten teilnahmen.

Zu den Gästen des Podiums gehörten: WENG Qisen, stellvertretender Generaldirektor und Chief Investment Officer von Hua An Fund; JIA Jian, Generaldirektor der Forschungsabteilung von E Fund und Fondsmanager; CAO Jin, erfahrener Fondsmanager von Fullgoal Fund; WANG Xiaojing, Chief Investment Officer für Aktien, Quant und Multi-Asset bei BlackRock Fund; und HE Xin, Chief Executive Officer von Societe Generale (China). Das Podium wurde von CHEN Jie, Generaldirektor der Aktienforschungsabteilung von Fullgoal Fund, moderiert.

Die Kernfragen dieser Diskussion umfassten mehrere Aspekte: die kontinuierliche Weiterentwicklung der Fähigkeiten großer Modelle, die inländische Rechenleistungskette, die weitere Ausweitung der globalen KI-Kapitalausgaben sowie die nächsten Investitionsmöglichkeiten der KI-Industrie vor dem Hintergrund ständiger Störungen durch die Geopolitik.

Im Folgenden die von „Suchbright“ redigierten Ansichten der Podiumsdiskussion:

01

Veränderungen der KI-Technologie: Von Produktivitätswerkzeugen zu End-to-End-Lösungen

Bezüglich der wichtigsten Veränderungen im KI-Bereich im letzten Jahr erwähnte WENG Qisen zunächst Anthropic.

Seiner Ansicht nach war die größte Veränderung auf dem KI-Markt im letzten Jahr, dass der Coding-Code von Anthropic offiziell zu einem Produktivitätswerkzeug für Programmierer wurde. „Es hat wirklich ein praktisches Produktivitätswerkzeug geliefert“, sagte WENG Qisen.

Er erwähnte, dass er kürzlich aus Gesprächen mit Vertretern aus dem Silicon Valley erfuhr, dass der große Modell-Coding-Code von Anthropic bereits in die Phase des Self-Recursive, also der Selbstiteration, eingetreten ist. Obwohl die kürzlich von Anthropic angekündigten Modellparameter bereits ein sehr hohes Niveau erreicht haben, ist der entscheidendere Punkt, dass dank der Selbstiterationsfähigkeit die Größe der Modellparameter in Zukunft weiter ausgebaut werden kann. „Das, was wir in der Geschichte als die unmögliche Technik des ‚mit dem linken Fuß auf den rechten Fuß steigen‘ kannten, ist jetzt in Produktivitätswerkzeugen tatsächlich und vollständig eingetreten.“

JIA Jians Beobachtungen ähneln denen von WENG Qisen, aber er betrachtet die Veröffentlichung von Claude Opus 4.6 als einen markanten Meilenstein. Seiner Meinung nach ist dieses Modell von bahnbrechender Bedeutung, da es den Anwendungsbereich von KI tiefgreifend erweitert.

Einerseits wandelt es Arbeiten wie Webseiten und Demos, die früher von einigen Anfängerprogrammierern erledigt wurden, wirklich in Produktivitätswerkzeuge um; andererseits ermöglicht es auch Menschen ohne Informatikhintergrund, Programmierfähigkeiten zu nutzen. „Code könnte der Stahlbeton der digitalen Welt sein. Sobald Emergenz im Code-Bereich auftritt, kann das sehr viele Branchen befähigen“, sagte JIA Jian.

Er geht davon aus, dass in Zukunft immer mehr Menschen, die noch nie Code geschrieben haben, anfangen werden, mit KI ihre eigenen kleinen Werkzeuge zu entwickeln. Und dieses Self-Training-Modell kann auch durch die Emergenz der Fähigkeiten im Code-Bereich die Selbsttraining von Modellen weiter vorantreiben.

CAO Jin fasste die größte Veränderung der KI in diesem Jahr zusammen als: Vom Verkauf von Rechenleistung und Tokens zum Verkauf von Ergebnissen und Lösungen.

Früher verstand der Markt große Modelle vor allem danach, ob sie Mathematikaufgaben lösen, chatten oder emotionalen Wert liefern können. Aber das Erscheinen von Agenten in diesem Jahr lässt große Modelle zu einem ganzen Satz von Lösungen werden: von der Wahrnehmung der Umgebung über die Planung von Aufgaben bis zur konkreten Ausführung.

„Ich denke, die echte Spaltung großer Modelle besteht darin, dass der Prozess des Verkaufs von Tokens oder Rechenleistung allmählich zu einem Prozess übergeht, in dem wirklich ein Ergebnis oder eine Lösung geliefert wird“, sagte CAO Jin.

Das bedeutet auch, dass das Geschäftsmodell und die Bewertungslogik von KI-Unternehmen sich verändern. Wenn das große Modell nur ein Token-Verbrauchsgut ist, konzentrieren sich Investoren mehr auf die Aufrufzahl, die Stückkosten und die Bruttomarge; aber wenn das große Modell zu einem Agenten wird und Teil von Unternehmensprozessen und Industriesystemen ist, ähnelt die Bewertungslogik eher der von Software, Plattformen und Infrastruktur.

02

Zusammenwirken von inländischen Modellen und inländischer Hardware: Klärung der Bewertungsunsicherheiten auf dem Sekundärmarkt

Im Gegensatz zu inländischen Fondsmanagern von öffentlichen Fonds, die sich mehr auf ausländische Spitzenmodelle konzentrieren, hat WANG Xiaojing von BlackRock Fund andere Ansichten: Er legt die wichtigste Veränderung im letzten Jahr auf die inländische Industriekette.

WANG Xiaojing ist der Ansicht, dass die Veröffentlichung von DeepSeek V4 die großen inländischen Modelle und die inländische Hardware auf der Ebene der tatsächlichen Geschäfte miteinander verbindet, was für die Investitionen auf dem Sekundärmarkt von großer Bedeutung ist.

Früher behaupteten viele inländische Hardwarehersteller, ihre Bewertung könne mit der von vergleichbaren Herstellern an der US-Börse verglichen werden, aber Investoren standen vor der Unsicherheit: Wenn die grundlegende geschäftliche Unterstützung nicht gegeben ist, warum sollte man die Bewertung direkt mit der ausländischen vergleichen?

WANG Xiaojing meint, dass die inländischen großen Modelle und die inländische Hardware nach der geschäftlichen Vernetzung der inländischen Hardware-Industriekette eine solide grundlegende geschäftliche Unterstützung geben. „Ihre Bewertung kann mit der Nachfrage nach inländischer KI-Rechenleistung verbunden werden, dann hat die Bewertung dieser zugrunde liegenden Aktien einen Sinn.“

Aus dieser Perspektive wandelt sich die Investitionslogik der inländischen Rechenleistungskette allmählich von „Vergleich mit NVIDIA“ oder „Inländische Substitution“ zu „Modellgeschäftsvalidierung + Verbesserung der Hardwareleistung + ökologische Koordination“.

HE Xin betrachtet die KI-Industrie aus einer makroskopischeren Perspektive des Kapitalmarkts. Seiner Meinung nach ist das wichtigste Gefühl im letzten Jahr, dass die gesamte KI-Industrie auf dem Sekundärmarkt weiter kapitalisiert wird.

In China zeigen viele Ereignisse, dass die KI-Industrie vom Kapitalmarkt neu bewertet wird: von Cambricon, der eine wichtige Marktkapitalisierungsschwelle durchbricht, über die vollständige Börsennotierung inländischer GPU-Unternehmen bis hin zu Zhipus Streben nach der „ersten Aktie großer Modelle“ und der neuen Finanzierung von DeepSeek. Im Ausland spiegeln Plattformen wie SpaceX, eine „Infrastrukturplattform für Rechenleistung und Modelle“, und die Vorbereitungen von OpenAI für den Börsengang denselben Trend wider.

HE Xin erwähnte, dass Societe Generale als einziges französisches Bankhaus an der IPO-Unterzeichnung von SpaceX teilgenommen hat. „All das zeigt, dass KI beginnt, systematisch vom Kapitalmarkt bewertet zu werden, und das bedeutet auch, dass es nicht nur ein Konzept ist, sondern sich wirklich zu einer langfristig wachsenden Industrie entwickelt.“

03

Bewertung von Unternehmen für große Modelle: Auf technische Parameter oder auf das ARR achten?

Bei der Diskussion darüber, wie man Unternehmen für große Modelle bewertet, stellte CHEN Jie eine Frage: Sollten Investoren mehr Wert auf die technischen Parameter des Modells legen oder auf die kommerziellen Daten, die durch ARR repräsentiert werden?

WENG Qisen meint, dass beide Seiten zwei Seiten derselben Medaille sind.

Seiner Ansicht nach ist das einzige Produkt eines Unternehmens für große Modelle die „Intelligenzfähigkeit“ des großen Modells, und das Einzige, was monetarisiert werden kann, ist diese Fähigkeit. Daher ist es ein sehr entscheidender Faktor, ob die Modellfähigkeit wirklich bewertet werden kann. Aber da große Modelle in die Agentic-Phase eintreten, werden verschiedene Benchmarks immer vielfältiger. Investoren sollten nicht nur einen einzelnen Indikator betrachten, sondern auch die Effektivität des Modells bei verschiedenen Aufgaben.

Noch wichtiger ist, dass man die Fähigkeit eines Unternehmens nicht nur zu einem bestimmten Zeitpunkt betrachten darf. „Nur die Fähigkeit eines Unternehmens an einem einzelnen Zeitpunkt zu betrachten und dann über seine Fähigkeit in einer einzelnen Periode zu urteilen, könnte einseitig sein“, sagte WENG Qisen. Investoren sollten mehr die umfassende Fähigkeit eines Unternehmens betrachten, einschließlich Talenten, Daten, Optimierungsfähigkeit und kontinuierlicher Iterationsfähigkeit.

Kommerzielle Daten sind ebenfalls wichtig. Die ARR-Daten von OpenAI und Anthropic werden vom Markt beachtet, was im Wesentlichen das Monetarisierungsniveau der Modellfähigkeit widerspiegelt. Je stärker die Monetarisierungsfähigkeit ist, desto mehr kann die Selbstversorgungsfähigkeit des Unternehmens für große Modelle gestärkt werden, und desto mehr kann das Team und die technische Iteration unterstützt werden.

Zurück zum inländischen Markt erwähnte WENG Qisen, dass von der Führungsrolle von DeepSeek bei der verstärkten Lernphase nach dem Training, über die Stärkung von Tongyi Qianwen bei der Fähigkeit für lange Aufgaben, bis hin zu Zhipus Aufholjagd bei internationalen Großunternehmen im Coding-Bereich und Kimi, das ein großes Modell nahe dem nordamerikanischen SOTA-Niveau auf den Markt bringt, müssen Investoren ständig die umfassende Stärke verschiedener Hersteller in jeder Phase bewerten, um die wahren Vorreiter und Nachzügler zu beurteilen.

WANG Xiaojing bot eine andere Perspektive an. Seiner Meinung nach liefert KI unterschiedliche Dienste zu unterschiedlichen Kostenpunkten.

Wenn der Nutzer beispielsweise KI bittet, in den nächsten drei Monaten die kostengünstigste Kombination aus Flugtickets und Hotels zu finden, kann ein Spitzen-KI das in 0,1 Sekunden erledigen, kostet aber 10 Yuan; ein weniger leistungsstarkes KI braucht vielleicht 10 Sekunden, kostet aber nur 1 Yuan oder sogar 1 Jiao. Bei nicht kritischen Aufgaben wählen Nutzer nicht unbedingt das stärkste Modell.

Daher konkurriert KI nicht nur in Bezug auf Fähigkeit und Geschwindigkeit, sondern auch in Bezug auf Kosten. WANG Xiaojing meint, dass in Zukunft nicht unbedingt ein oder zwei Spitzenmodelle alle Branchen einnehmen werden. Bei verschiedenen Anwendungen, unterschiedlichen Kostenpunkten und unterschiedlichen Anforderungen können verschiedene Gewinner auftreten. „Es ist nicht notwendig, zu früh zu beurteilen, welches große Modell am Ende gewinnen wird. Eine relativ inklusive Ansicht zu behalten und sich auf die einzelnen Gewinner der großen KI-Modelle in jeder Branche zu konzentrieren, könnte eine breitere Perspektive für Investitionen auf dem Sekundärmarkt sein.“

04

Exportkontrollen und souveräne KI: Chinesische Open-Source-Modelle erhalten globale Chancen

Seit diesem Jahr unterliegen die Veröffentlichungen der modernsten großen Modelle in den USA zunehmend regulatorischen Faktoren. CHEN Jie erwähnte, dass die neuesten Modellveröffentlichungen von Anthropic und OpenAI beide auf US-Exportkontrollen oder staatliche Regulierungen gestoßen sind. Wird eine solche Veränderung die Risikobewertung von US-KI-Unternehmen beeinflussen? Und wird das chinesischen Open-Source-Modellunternehmen zugute kommen?

JIA Jian meint, dass dies definitiv Auswirkungen haben wird, hauptsächlich in zwei Aspekten.

Einerseits lösen Exportkontrollen eine Vertrauenskrise auf der Kundenseite aus, was insbesondere bei der Kommerzialisierung in nicht-amerikanischen und nicht-europäischen Ländern die Risikobewertung und die Bewertung von US-KI-Unternehmen beeinträchtigt. Andererseits entspricht die staatliche Regulierung auch der Bestätigung durch staatliche Kreditwürdigkeit, die dem Markt mitteilt, welche Modelle wirklich zu den Spitzenmodellen gehören, was in gewissem Maße einen positiven Einfluss auf die Bewertung dieser Modelle hat.

Aber noch wichtiger ist, dass dies das Problem der „souveränen KI“ und der selbstkontrollierten großen Modelle auslöst. JIA Jian erwähnte, dass sie in den letzten Jahren viele nicht-amerikanische Länder untersucht haben, und jedes Mal, ob Regierungsbeamte oder Technologieführer erwähnten, dass sie unbedingt ihre eigenen Modelle entwickeln werden, auch wenn die Fähigkeiten ihrer eigenen Modelle hinter denen der nordamerikanischen Spitzenhersteller zurückbleiben.

Insbesondere nachdem die USA nun ähnliche Beschränkungen auch gegenüber Verbündeten eingeführt haben, werden Technologiehersteller in Ländern wie Südkorea noch entschlossener die selbstkontrollierten großen Modelle vorantreiben.

„Während unserer Untersuchungen haben wir festgestellt, dass viele nicht-amerikanische Länder bei der Ausbildung ihrer eigenen großen Modelle viele von den chinesischen Open-Source-Modellen lernen“, sagte JIA Jian. Das wird offensichtlich den führenden inländischen Open-Source-Modellherstellern in China bessere Entwicklungsmöglichkeiten auf der globalen Bühne verschaffen.

CAO Jin meint, dass politische Risiken definitiv die Risikoprämie beeinflussen, aber es eher ein phasenweiser Reibungskoeffizient ist als ein dauerhaftes Risiko.

Er erwähnte, dass einige Richtungen kürzlich bereits umgekehrt wurden, beispielsweise der Zugriff auf einige Modelle wurde wiederhergestellt. Das zeigt, dass der Wettbewerb in der Branche großer Modelle sehr intensiv ist, und kein einziges Unternehmen garantieren kann, immer die Führung zu behalten. Wenn ein Unternehmen für große Modelle das Etikett „geschlossen“ erhält und ein anderes Unternehmen schnell neue Produkte veröffentlicht, wird das erstere stark beeinträchtigt und könnte aktiv die Regierung bitten, den Zugriff wiederherzustellen.

CAO Jin meint, dass dies für chinesische große Modelle phasenweise definitiv vorteilhaft ist. Viele KI-Nutzer auf der Welt bevorzugen Modelle, die Open-Source, selbst bereitstellbar und sicherer sind. Aber er erinnert auch daran, dass dies eher ein Vorteil aus der Perspektive der Zugriffsmöglichkeit ist, was nicht bedeutet, dass die Fähigkeiten chinesischer Modelle bereits die ausländischen übertroffen haben oder weltweit führend sind. Die langfristige Wettbewerbsfähigkeit hängt weiterhin von kontinuierlichen Kapitalausgaben sowie der Anhäufung von Rechenleistung und Daten ab.

05

Hardware-Landschaft: NVIDIA ist auf der Trainingsseite weiterhin stark, der Entkopplungstrend ist auf der Inferenzseite offensichtlich

Die Fähigkeiten großer Modelle sind ohne fortschrittliche KI-Hardware nicht möglich, und derzeit wird die hochwertige KI-Hardware hauptsächlich von ausländischen Herstellern monopolisiert. Bezüglich der Frage, ob die Monopolstellung von Unternehmen wie NVIDIA und SK Hynix in den nächsten drei Jahren gebrochen wird, gaben JIA Jian und CAO Jin eine differenzierte Beurteilung ab.

JIA Jian meint, dass man bei Chips zwischen Training und Inferenz unterscheiden muss.

Auf der Trainingsseite hat NVIDIA seit der Veröffentlichung der CUDA-Ökologie tiefe Barrieren aufgebaut. Seine Vorteile stammen nicht nur von der Chipleistung, sondern auch von der Softwareökologie, der Entwicklergemeinschaft und der Toolkette. Daher können externe Veränderungen in den nächsten drei Jahren NVIDIAs Vorteile