计算机这周的行业指数跌1.22%、在申万一级行业排第15位,估值上PE-TTM104.23倍、比2023到2025年的均值158.58倍还低不少。但真正有价值的信息在模型上。

两款新模型值得对照着看。Anthropic在11月9日发布Fable5.2和Mythos5.2,编码、推理、科学研究这些任务上的表现都有提升,同时API价格比前代降了20%、生成速度最高提升30%。谷歌在11月12日推出Gemini4Hydrogen,主打快速执行和高效运行,面向日常编程和智能体工作流,靠模型调度来提升任务执行效率。两家公司这一周给出的重点不是能力多强,而是便宜和快。

但便宜和快哪个更重要?我更看重快。因为价格降20%只是把单次调用的账单变小,而速度快30%改变的是另一件事:单位时间内能跑完多少任务。对于智能体这种应用形态,这一点是决定性的——智能体不是问一句答一句,它要连续地规划、调用工具、看结果、再修正,一次任务下来可能是几十次模型调用,还得有个等待的过程。在这种高频调用模式下,速度直接决定单位任务的总时间和总算力成本。

所以模型这轮优化的真实意义,是把高频调用变得经济可行。以前智能体跑一个任务,时间和算力成本高到不划算,只能做demo;现在单位任务成本降下来,它才有可能真正在编程、研究、办公这些场景里持续运行。推理效率的优化,最终会转化成推理服务需求本身——不是需求变少,是因为单价降了、能做的事变多了。

当然也有前提。报告点得很实在:智能体能不能普及,还取决于可靠性、安全性,以及包括人工监督在内的整体成本。一个需要人一直盯着、随时纠错的智能体,再便宜也不划算。

算力这一侧也在同步走。IDC预计全球机柜数量从2026年的约2500万架增长到2030年的5800万架,翻一倍多。但这里有个容易踩的坑:单纯增加机柜和算力规模,未必能同步提升实际使用效率。不同地区的电力条件、网络连接、客户结构、算力需求差异很大,装了机柜不等于跑满了算力。所以看算力产业链,不能只看装机数量,得看利用率和运营能力,这也是算电协同、液冷、算力运营这些环节值得单独关注的原因。

AI的落地速度=单位任务成本×算力利用率

这条公式把上下两端串起来了。模型端决定单位任务成本,算力端决定利用率,两个乘起来才是AI真正能被用起来的程度。任何一头掉下去,另一头再猛也补不回来——这也是为什么便宜的模型配上空转的机房,产业不会真的往前走。

一句话:计算机本周的核心是模型在变快变便宜而算力要看利用率——指数跌1.22%、排第15位、PE104.23倍低于三年均值158.58倍;Fable5.2API降价20%、生成速度提30%,Gemini4Hydrogen主打快速执行和智能体工作流。速度比降价更重要,因为它降低的是单位任务的总时间和算力成本,让高频调用变得经济,智能体才能在编程研究办公中真正运行,但普及仍取决于可靠性、安全和含人工监督的整体成本。算力侧机柜预计从2500万架增至2030年的5800万架,但装机不等于效率,电力、网络和客户结构决定利用率。跟踪重点是单位任务成本的实际下降、智能体的可靠性和机柜利用率的提升,留意应用落地和地缘政治的风险。

信息来源:东方财富网《计算机行业跟踪报告:大模型调用效率提升,关注算力运营服务能力升级机遇》

风险提示:本文所提到的观点仅代表个人的意见,所涉及的标的不做推荐,据此买卖,风险自负。