见习记者 王思文
在全面推进中国式现代化的新征程上，人工智能（AI）技术是新一轮科技革命和产业变革的战略性技术引擎。加快推进AI应用到各个终端，为企业提质增效，成为专业投资机构关注焦点。
多位受访公募基金经理表示，洞察当前AI应用的场景划分、观察突出领域实际落地情况、关心AI应用现存风险，才能把握未来发展趋势。据了解，人形机器人、智能驾驶和AI智能硬件是当前基金经理最关注的AI应用场景，降本增效的效果是基金经理“考量”AI应用场景的共识。数据隐私与安全直接影响企业存续，如何建立安全隐私的数据共享机制成为重要挑战。
AI应用“多点开花”
在专业投资者眼中，新一代AI应用场景到底有哪些？如何通过科学的场景划分更清晰地跟踪AI应用场景落地的进展？
银河基金股票投资部总监、基金经理郑巍山在接受记者采访时表示，AI应用的发展可以从软件应用和硬件应用两个方面考察：软件应用方面，主要集中在AI+广告、AI+IT运维/数据治理、AI+网络安全、AI+企业工作流、AI+各种行业垂类等场景。硬件应用方面，混合AI是未来趋势，AI手机的核心硬件升级集中在系统级芯片（SoC）和存储上；AI PC则受益于技术迭代，海外厂商推出相关产品；端侧AI硬件创新产品不断涌现，如Meta的智能眼镜、国内短视频公司推出的AI陪伴玩具和耳机等。
申万菱信数字产业基金经理梁国柱则从下游场景来划分，包括C端应用、B端应用、端侧应用，其中，C端应用场景可以划分为AI办公、AI创作，如文生文、文生图、文生音乐等场景；B端应用场景可划分为AI+营销/CRM、AI+ERP、AI流程自动化、AI编程、AI数据分析、AI Agent开发工具、AI垂直应用等；端侧应用场景包括AI机器人、智能驾驶、AIPC/AI手机、AI智能穿戴设备、AI智能物联网设备。
在平安基金基金经理林清源看来，从客户对象角度划分AI应用场景，是一个清晰且实用的视角，能够帮助投资者理解不同场景下的商业模式和盈利潜力。他认为，根据客户对象的不同，AI可以分为消费型AI、企业型AI和公共型AI三大类，其中，消费型AI面向个人用户，如个性化购物推荐、智能音箱、AI问答等；企业型AI服务于商业运营，专注于帮助企业提升运营效率、降低成本或优化决策，如AI办公自动化、智能客服等；公共型AI主要支持政府或公共服务，旨在提升公共服务质量和效率，如智慧政务、智慧交通等。
助力降本提质增效是关键
从AI应用的投资角度来看，AI应用“提质增效”的效果是基金经理关注的焦点。
博时基金行业研究部总经理助理兼基金经理黄继晨告诉记者：“我们重点关注人形机器人、高级别智能驾驶和AI原生智能硬件三大应用下游，主要基于应用落地以硬件为载体，有利于促进用户付费意愿，继而推动商业模式正向循环。未来，有潜力非线性增长的AI应用，大概率是在提质增效方面有较好的贡献、有望成为新一代生产力工具的载体。”
梁国柱认为，AI医疗降本增效明显，应用场景广阔。AI医疗能够提升诊断效率与准确性，通过深度学习分析医学影像和临床数据，快速识别疾病特征，辅助医生做出更准确的诊断；加速药物研发，通过AI技术缩短新药研发周期，降低研发成本，为治疗复杂疾病提供新可能；改善患者体验，为患者提供个性化的治疗建议和健康管理服务，提升医疗服务的整体质量。
“整体来看，人形机器人、AI智能硬件、自动驾驶、AI垂直应用、AI医疗等AI应用场景将在未来赢得更高的接受度与更深的参与度，我们会重点关注。”梁国柱表示。
林清源更关注企业型AI，核心是通用的社会底层技术必然提升全行业生产效率。他表示，企业型AI作为一种新的通用技术，正在通过智能化手段赋能现代企业，提升运营效率、降低成本并创造新的商业价值。
“DeepSeek模型横空出世对2025年AI产业链的‘叙事’有着直接的影响。”郑巍山表示，一方面，以国内某短视频公司为首的云服务提供商（CSP）大力投入AI的趋势不变，其他国内CSP也超预期地持续在AI业务上进行布局和资金投入；另一方面，AI大模型推理成本降低，带来更具有性价比的本地部署，加之此前各大厂在车、机器人、眼镜、玩具等端侧布局，2025年端侧AI产业有望迎来大发展。
警惕数据泄露和滥用风险
新一代AI应用场景落地带来历史性机遇的同时，也潜藏诸多风险和挑战，值得高度警惕。
多位受访基金经理认为，数据隐私与安全直接影响企业存续，如何建立安全隐私的数据共享机制成为重要挑战。与此同时，数据要素市场不成熟、技术选型与集成困难、产业链协同不足等问题亟需解决。
梁国柱表示，AI系统需要处理大量用户数据，数据泄露和滥用风险不可忽视。例如，API的安全性直接影响企业存续，未加保护的API可能面临DDoS攻击、信息泄漏等威胁；生成式AI能够制作逼真的虚假内容，可能导致虚假新闻、伪造证据等问题，需要加强内容监管和审核。
此外，产业链上下游企业之间的合作仍不够紧密。梁国柱认为，这导致AI技术落地缓慢，较难形成有效的产业生态。中国尚未形成成熟的数据要素市场，数据公开、应用、交换和统一标准的生态系统构建仍待完善。AI技术在跨平台兼容性、标准化及应用场景的通用性方面也存在一定障碍，导致开发者在不同技术框架下的集成和部署相对困难。
