以下为对提供的《中国银河证券新发展研究院 CGS-NDI跟踪》系列报告(数字经济周报,2026年第17期)的极其详尽分析。分析力求覆盖报告的核心论点、支撑数据、图表含义、行业与政策背景,以及潜在的偏见与风险。为方便溯源,涉及到的结论性判断在句末附上相应页码标注[page::页码],同一处若需要多页溯源则用逗号分隔,且同一页码不超过两处。
一、元数据与概览(引言与报告概览)
标题与作者/机构/日期/主题
标题:CGS-NDI跟踪:创新体系重构:AI研发呈现“递归增强”特征—数字经济周报(2026年第17期)
作者:彭雅哲,隶属中国银河证券新发展研究院(CGS-NDI)
发布时间与场景:2026年6月10日,北京;主题聚焦AI研发体系的再认识、以及数字经济与产业投资的最新动态
该期内容覆盖全球AI前沿、资本市场动态、产业与企业动态、中国与海外的政策与技术动向,以及智库观点与风险提示
核心论点与信息主线
核心观点聚焦“递归增强”(Recursive Self-Improvement, RSI)在AI研发中的初步落地与现实应用。Anthropic在其论文《When AI builds itself》中提出,AI系统开始参与并提升对自身及后续模型的研发效率,形成持续自我强化的技术进步循环。这意味着未来 AI 竞争的焦点可能从“模型能力”向“创新体系与研发效率”转移,从而改变全球科技竞争的规则。2
具体证据包括:Anthropic 代码库中超过80%代码来自 Claude;2026年第二季度,普通工程师每日产出代码量约为2024年的8倍,主要来自 AI 辅助写码的显著提效。这一数据被作为对 RSI 实证的直接支撑。2
重要图表与数据的定位
报告在多处使用图表来支撑观点:如对比各阶段的模型调用量、渠道与资本市场走势、全球与中国大模型生态的格局,以及对企业 Agent 化与端侧 AI 的落地趋势等。以下分析将逐条解读各章中的关键图表及其与文本论点的联系。
批判性提醒(局限性与偏见的预警)
核心论断高度依赖Anthropic 的披露与推论,属于早期证据的定性描述与行业观察,尚无广泛的实证研究覆盖同样维度的独立数据。报告在后续章节虽提供了大量市场数据与行业动向,但对 RSI 的长期稳定性、普适性及对不同行业的定量影响并未给出系统化的量化评估。读者应关注数据源的局限性与时间窗的特异性。2
二、逐节深度解读(逐章精读与剖析)
一、本期焦点:AI研发开始出现“递归增强”特征
章节要点与论证脉络
核心论断:Anthropic 的研究指向 AI 辅助 AI 的研发进入现实应用阶段,形成“递归自我改进”的潜在技术路径,可能改变未来的竞争逻辑与创新体系的运行方式。2
情景设定:Anthropic 将未来 AI 研发演进分为三种情景:渐进增强、快速递归增强、超快速递归增强。报告作者倾向认为全球可能进入“快速递归增强”阶段,意味着技术进步周期缩短、治理与监管挑战增多。文本明确指出,随着参与研发的 AI 系统越来越深入,人类对创新过程的监督与治理能力可能跟不上技术演化的速度。4
关键数据点与含义
Claude 生成代码占比超过 80%,以及普通工程师的日均产出量达到2024年的8倍,显示了 AI 辅助开发对产出效率的放大效应。这一数据点直接支撑 RSI 的现实落地性,暗示未来在软件与科研领域,AI 参与度可能显著提高研发节奏与产出规模。2
图表/图片深度解读(图表嵌入说明)
图表引用:此处主要是文本性结论,但后续章节提供了对比数据的图表证据。相关图表参见页内对应的 RSI 与代码生成比例图(若在全文中提供)。图像路径示例: 。该图可用于直观显示 Claude 在代码生成中的主导地位与工程产出关系的趋势,但具体数值以文本中描述为准。
结论性要点(带溯源)
RSI 概念从理论走向现实应用,AI 辅助 AI 的研发正在成为可观测现象。2
对企业竞争的含义在于:未来竞争重心可能从“谁的模型更强”转向“谁能够更快建立 AI 辅助研发 AI 的创新体系”。这将改变国家层面和企业层面的竞争策略与投资重点。2 4
二、资本市场行情回顾
章节要点
二级市场层面(6月1-5日)全球科技股普遍震荡,纳指回落明显,科创板/中国板块较为分化;AI 硬件、AI 基础层与应用层的表现差异显著,具身智能相关主题出现阶段性修复迹象。4
关键数据点
纳斯达克指数周跌4.68%;科创50 指数周跌2.18%; AI 硬件相关板块如半导体等出现较大回撤,海光信息等相关个股回调明显;具身智能指数上涨1.96%显示高弹性主题的反弹迹象。上述数据揭示 AI 相关板块的轮动性与情绪敏感性,短期风险偏好回落但高弹性主题仍有结构性机会。4
图表深度解读
图1(页3的市场表现图)对比沪深300、科创综指、恒生科技等与纳斯达克、NVIDIA、AMD 这类全球龙头的日/周波动。图示证据显示,美股科技股对比中美两端的波动特征,提示国际资本对 AI 相关资产的信心与估值承压有地区与阶段性差异。图像路径示例: 。
结论性要点
全球与中国 AI 投资与股市情绪在本期呈现分化,短期内可能受政策、估值回撤与盈利承压共同作用;但具身智能等新兴主题具备一定的韧性与修复潜力。4
(三)资本市场:一级市场融资动态与中国热门领域
全球 IPO 动态与中国市场的关注点
全球资本市场在数字经济、AI 硬科技、半导体等领域持续活跃;A 股、港股、美股的 IPO 项目进展有梯队性。中国市场重点聚焦电子信息、高端制造、机器人等产业链,港股聚焦 AI 与硬科技,美股则继续围绕 AI、量子、半导体等领域推进。文本综合描述了全球融资热度的区域分布与方向变化。6
中国一级市场的热点领域与融资规模
从投资事件数量来看,先进制造、医疗健康、人工智能、集成电路、企业服务等领域活跃;从融资总额看,人工智能披露的融资金额最大,约44.40亿元,千寻智能等成为周内高额融资案例。细分赛道的热度包括传感器、AI 基础设施、具身智能等。上述数据揭示 AI 及相关基础设施在新一轮资本市场的聚焦度提升。7
图表深度解读
图1(页7的融资规模与事件数分布)清晰呈现“融资规模大、事件数高”的行业结构偏好,AI 基础设施等领域在本周获得显著关注。图2(页7)的行业板块热度图则进一步揭示“传感器、AI 基础设施、医疗器械、具身智能、航空航天”等具备高 growth potential 的子领域。图像路径示例: 与 。
结论性要点
中国一级市场对 AI 应用、AI 基础设施及高端制造相关领域的融资兴趣依然旺盛,AI产业的金融对接正在从模型研发扩展到芯片、算力、数据中心等基础设施层面。7
中国动态与海外动态综述(6G、AI 安全治理、国际合作)
中国动态:6G 试点与太空算力
6G 创新发展部省协同试点行动的启动,强调到 2029 年形成自主创新的 6G 技术方案和产业应用场景,强调通信、感知、计算与 AI 的跨界协同,以及天地一体化的网络能力。这意味着未来的数字基建将更加注重算力、终端与场景的深度融合。12
国内太空算力布局:北京、天津、上海等地推动太空算力相关的基础设施与产业发展,显示 AI 时代对算力供给的多元化探索正在推进。这类举措有助于缓解地面数据中心的能耗与电力约束,但也引入新的技术与治理挑战。相关描绘显示太空算力渐入产业化验证阶段。11
海外动态:AI 安全治理与国际合作
美国 DARPA 的 AI Forge 项目强调在国家安全场景下对 AI 的可解释性、可控性等问题进行治理,通过政府与产业、学术界共同推进高风险、可产生高回报的 AI 安全研究体系。这体现出 AI 安全治理从企业治理向国家治理层面的扩展趋势。12
美国行政令推动模型安全评估与前置审查;欧盟推进技术主权与数字自主方案;日本加入美国 Genesis Mission,凸显 AI for Science 的国际协作上升。这些举措共同指向全球 AI 竞赛不仅是模型能力与算力的比拼,也涉及安全、治理、数据与科研基础设施的综合竞争力。12 13
图表深度解读
图1(页9的全球模型调用量排名)显示 DeepSeek、Claude、Hy3、MiMo、MiniMax、Owl Alpha 等模型在全球范围的使用强度与排名,反映出中国模型在头部调用量和梯队建设方面的持续优势,同时也揭示美国模型在全球分布中的重要性(OpenRouter 平台数据)。图像路径示例: 。
图2(页9)的中美模型调用对比图,提供了跨国竞争格局的定量证据:全球调用量的地区分布与国家偏好对未来投资与政策导向均有影响。10
技术动态:端侧 AI 与企业 Agent 的落地
关键进展
英伟达 Vera CPU 的量产及首批客户(Anthropic、OpenAI 等)采用,标志着 AI 基础设施正在向“CPU+GPU 异构架构”深入发展,端侧 AI 的边缘化部署也在加速。这有望提升训练与推理的整体效率,改变数据中心的成本结构与能耗分布。12
RTX Spark 平台在 PC 场景的发布,意味着端侧本地化部署(云端+端侧协同)成为常态,个人电脑将承载本地运行大模型与智能体任务,为个人化 AI 提供入口。该趋势将推动 AI 生态的广泛普及与应用场景扩展。12
Meta Business Agent 的发布,强调企业级智能体在实际工作流中的落地能力,支持多 Agent 协作和长时间任务执行,标志企业级 AI 正从对话助手走向执行与流程整合的阶段。这一进展强调“智能体生产力”的落地性与商业化路径。13
智库观点:AI 安全与社会影响的政策研究重点
布鲁金斯研究:AI 曝露度与地区结构的联系,提示 AI 的社会与区域不平等效应正在放大,区域经济结构、职业分布及政治地理对 AI 的冲击具有显著差异。这为区域治理与产业政策提供了政策导向的证据基础。13
RAND 与其他机构:形式化验证在基础设施可信性方面的作用与局限性,为 AI 安全治理的层级扩展提供了理论与实证的参考框架,提醒治理需要覆盖硬件、软件、训练管线及部署环境等全链条风险。14
风险提示
报告在末段明确给出风险提示,涵盖政策理解、政策落地、技术进展的不确定性等方面。这些风险点对读者的投资判断和政策解读具有重要提示作用。2 14
三、图表深度解读(逐图解读,聚焦表格与图片)
图表A:大模型调用量排名与趋势(全球/头部模型)
描述:OpenRouter 平台周调用总量、前 TOP10 模型及各自的累计调用量,包含中国模型与美国模型的对比,以及 DeepSeek、Claude、Hy3、MiMo、 MiniMax、Owl Alpha 等模型的市场地位。
关键数据点与意义:本周全球平台调用量达到 32.2 万亿 Token,中国模型调用量约 13.14 万亿 Token,全球第一是 DeepSeek;美国首位 Claude 系列;此类数据揭示了中国在全球大模型应用中的高活跃度与市场份额优势,及美国对特定模型的依赖格局。图片路径示例: 。
与文本的联系:该图用于支撑“全球大模型调用量持续高位,且中国模型在头部调用规模与梯队建设方面保持领先”的论断。9
图表B:全球/中美大模型调用对比(中国 vs 美国)
描述:展示中国与美国在全球模型调用中的份额与趋势,凸显“头部调用量集中在中国模型”这一事实,以及 Claude 等美国模型在全球份额中的地位。
作用:直观体现文本中的“全球大模型调用量持续高位、中国模型继续领先美国”的判断。图片路径示例: 。
溯源:以页9图为证,支撑章节“三全球大模型 token 调用量排名”的叙述。
图表C:市场行情折线图(6月初至6月中旬,美国与中国科技股及 AI 相关板块的表现)
描述:对比沪深 300、科创 50、恒生科技、纳斯达克指数等在同一时间窗的表现;以及 AI 基础层与应用层在同日内的涨跌分化。
数据点与趋势:纳斯达克下跌约 4.68%;科创综指下跌;AI 应用层个股分化明显,腾讯、阿里等出现上涨,而智谱 AI、MINIMAX 等跌幅显著。图片路径示例: 。
溯源:此图用于支撑“全球科技股承压、AI 细分领域内部表现分化”的叙述。4
图表D:一级市场融资结构与领域分布(融资规模、事件数量)
描述:柱状图与线条结合,显示“融资规模(亿元)”与“事件个数”的分布,聚焦先进制造、医疗健康、人工智能、集成电路等领域,AI 的融资披露额最高。
关键数据:AI 融资规模约 44.40 亿元;千寻智能获得 15 亿元融资成为最高事件金额。图片路径示例: 。
溯源:用于支撑“AI 融资热度与投资关注度在一级市场持续高企”的结论。7
图表E:全球/区域 AI 生态的资金与事件分布(行业偏好)
描述:长条图与时间序列,展示“传感器、AI基础设施、医疗器械、具身智能、航空航天、创新药、AI智能体、半导体设备”等领域的融资热度与事件数量的分布。
溯源:对应页7的相关图,揭示了一级市场对不同 AI 子领域的关注强度与资本偏好。8
图表F:端侧与大模型生态的投资与市场格局(OpenRouter、AI 基础设施、云服务等)
描述:多条曲线与条形图,展现端侧 AI、云服务、算力基础设施等领域的投资热度与市场机会。图像示例: 。
溯源:用于支持“资本持续集中、算力投入高企、商业化与价格竞争深化”的主题段落。11
其他图表
6 月 5 日前后全球大模型调用与模型排名、OpenRouter 平台的 TOP10 模型等图表,进一步支撑开放平台层面的市场热度和区域竞争格局。相关图示参见页8、页9及页12的相关图像链接。
四、估值分析(估值分析部分的可得信息与解读)
报告中对估值的系统性展开较少,实际未给出明确的现金流折现、同行可比、EV/EBITDA 或目标价等经典估值数值。相对而言,报告更多地聚焦于市场行情、行业结构、政策动向、以及 AI 生态的资本与产业动能。因此,严格意义上的“估值方法与输入假设”在文本中并未系统呈现。若以文中信息推演其潜在影响,可能包括:
竞争格局变化对企业估值的再定价:AI 加速研发、降低边际成本的能力提升,可能提高具备高度可扩展性与商业化落地能力的企业的估值敏感性,尤其是在 AI 基础设施、云服务、以及具身智能等细分领域的龙头与新进入者之间的估值分化。该判断基于文本对“谁先建立 AI 辅助研发 AI 的技术体系”将获得竞争优势的论述。4
融资与价格竞争的影响:一级市场融资动态显示在 AI 服务市场中价格竞争正在加剧(如 DeepSeek-V4 降价以扩大调用规模),这可能对盈利与现金流的预测带来压力,从而影响企业估值的可见性与敏感性分析。文本提及“价格竞争阶段”的商业化分析,为未来估值提供了价格与规模的权衡维度。5 11
资本市场的持续性与基础设施资本开支:报告强调算力基础设施、芯片、数据中心等底层资源的扩张需求,资本对这些领域的持续投入可能支撑相关企业的长期估值提升,但也伴随周期性波动与政策风险。11
结论
由于缺乏直接的估值模型与数值输入,本报告未给出明确的目标价区间或可比公司估值倍数。因此,投资者需要结合行业趋势、政策环境、以及自身对 RSI 这一前沿概念的判断来进行定性判断与自建多情景估值框架。15
五、风险因素评估(风险因素评估)
重要风险点
政策理解和执行风险:报告明确列出对政策理解不到位、政策落实不及预期等风险,这在 AI 领域尤为关键,因为政策将直接影响合规、监管与资金支持的节奏。2 14
技术发展不确定性及治理风险:尽管 RSI 概念在文本中被强调,但其长期可持续性、跨行业的广泛适用性、以及治理框架的缓冲能力仍存在不确定性。这包括安全、隐私、模型滥用等风险在全球范围内的监管难度。文本在海外治理部分多次强调前置评估、国家安全与技术主权等议题,提示企业需在全球合规框架下运营。12 13
市场与定价压力:价格竞争与商业化落地速度的差异可能带来收入波动及利润率压力,进而影响企业的现金流与估值。DeepSeek-V4 降价、以及高弹性主题的波动性均显示出市场需求端的敏感性。5
缓解策略与应对
政策风险方面,报告的智库观点与政府行动(如 DARPA、EU、日美联合等)提示行业参与者应加强合规、透明度与安全治理的投入,以提高对监管波动的耐受性和应对能力。12 13
技术风险方面,形式化验证(RAND 的研究)等基础设施级治理研究为提升系统可信性提供方向,但同时也指出对模型语义层面的问题仍有局限性,提示企业需要多层次的治理方案。此为未来投资与技术路线选择的重要参考点。14
六、批判性视角与细微差别(审慎视角)
观点偏见与局限性
核心结论强烈依赖 Anthropic 的披露(如代码生成分布、日产出增速等),这是行业中少数且具有较强代表性的案例,但是否具备普遍性尚需更多独立样本支持。读者应注意这是一个快速演进领域的早期证据集。2
文中对 RSI 的情景分析较具前瞻性,但缺乏对不同产业的定量渗透率、长期影响、以及不同治理框架对 RSI 的约束程度的系统化量化分析。未来的研究需要结合更多企业案例与公开数据以验证 RSI 的广泛适用性。4
信息密度与数据立场
报告广泛引用了 AI 调用量、IPO 动态、资本市场数据等硬性数据,但对个别数据的来源、时间窗和口径未在本片段内逐条披露(如部分图表基于 Wind、OpenRouter、Anthropic 自有披露等,需读者自行核对)。这对跨期比较与跨机构对比的可比性提出需要关注的问题。4 9
潜在不一致之处
全球市场的分化趋势与中国市场的领先地位之间,短期内存在矛盾性(如美股头部模型强势与国内融资活跃之间的时间错配),但报告并未给出明确的冲击传导路径或政策缓释机制。这需要在实际投资研究中结合宏观趋势与地缘政治因素进一步分析。
七、结论性综合(结论性综合)
全文最核心的发现是:AI 研发进入“递归增强”的阶段,AI 不再只是工具,而是在科研、工程与产品化的闭环中成为强化自身能力的生产力要素。Anthropic 的披露提供了一个关键的证据点,即代码生成的主导性提升与普通工程师的产出显著增加,表明未来在资源、成本与效率层面的竞争可能从单纯的模型能力转向“创新体系的效率”与“研发生态的协同”。
这一逻辑的全球化体现包括:全球大模型生态在调用量、算力、资本投入、以及端侧与企业 Agent 的落地方面呈现出“持续集中—高强度投入—快速迭代—价格竞争并行”的态势。报告通过市场行情、一级市场融资动态、全球与区域的政策动作、以及端侧与企业级智能体的落地案例,将 RSI 的潜在商业化路径与政策环境的关键节点串联起来。2 4 5 12
作者的总体判断(隐含的立场)
未来 AI 竞争的核心将聚焦在谁更有效地建立并扩展“AI 辅助研发 AI”的创新体系,以及谁能在全球治理框架中获得更高的制度性效率与安全性认可。报告将国家间竞争的焦点从“模型能力”进一步扩展至“创新体系效率”与“数字主权/安全治理”的综合竞争。这一判断在全球范围的政策动向和企业端的技术落地(如端侧 AI、企业 Agent、6G 与太空算力的协同)中得到多维支持。2 12
报告并未给出具体的目标价或可直接落地的估值区间,更多是综合性的行业分析、市场趋势与政策环境的解读,提示投资者需结合自身模型与情景分析框架进行独立估值建模和风险评估。15
图文索引(用于溯源与深入对照)
核心观点与 RSI 证据: , ,以及文内对 Claude 主导代码生成的描述。 2
RSI 的情景分析与未来竞争格局: 与 。 3 5
二级市场行情图(全球及中美 AI 板块表现): 。 4
全球大模型调用量排名与中美对比: 与 。 10 9
中国一级市场热门领域与融资结构图: 、 、 。 8 8 14
总体评价与建议
该报告在宏观与行业层面提供了对 AI 研发演进的深度观察,尤其以 RSI 的视角对未来竞争逻辑进行了前瞻性分析。对于投资者而言,关注点应放在三个层面的综合评估:技术演进的实际落地速度、全球治理与政策环境的变化,以及 AI 基础设施与商业化路径的价格与规模效应。
同时,读者应对该文的证据来源保持批判性态度,结合更多独立数据与后续案例来验证 RSI 的可普适性与普遍性影响。
若需要,我可以将上述分析整理成一份结构化的投资研究摘要,附上每个图表的定量要点、对应的原文段落引用,以及针对不同情景的敏感性分析模型。