China AI value chain：中国AI利润池或将显著扩张，模型和应用下游到2030E将成为盈利增长的主要来源

概览

JPMorgan启动更广泛的中国AI覆盖并持建设性观点。其核心论点是，AI智能消费的快速增长将扩大硬件、云和下游模型加应用的总利润池，但2028E后盈利结构将明显向下游迁移。

核心观点

JPMorgan预计，随着前沿模型使更复杂任务具备经济可行性、推理成本下降扩大采用范围，以及更长推理、更丰富上下文和多步骤智能体提高单个工作流的消费量，2026E至2030E中国推理token消费量将增长约60倍。企业预计将占2030E token需求约69%，支持编码、研究、客户服务和运营等嵌入工作流的经常性使用；消费者占其余31%。报告预计2030年全球AI终端客户支出将超过US$1.4tn，中国约占四分之一，其中中国B2B机会约为US$250bn，消费者需求约为US$100bn。 报告将中国AI分为三个相互关联的经济层：硬件、云以及模型加应用。其以2026E-30E中国云投资US$777.6bn为起点。硬件在采购产能时确认收入，云在五年内将已安装批次变现，下游则将云提供的推理产能变现。这些是同一投资美元在不同层的重叠收入权利，不应作为终端客户支出相加；营业利润才是可跨层相加的衡量指标。该方法通过实际可供给的推理产能约束下游收入，而不是自上而下分配TAM。 硬件仍是早期周期的盈利主导者，因为其最先获得付款。JPMorgan预计硬件收入将从2026E的US$100.0bn增至2030E的US$184.8bn，营业利润从US$30.0bn增至US$73.9bn，利润率从30%升至40%。硬件取得约US$286bn，即2026E-30E累计营业利润池US$543.8bn中的53%。报告强调，后期下游份额迁移并不意味着当前上游价值不合理：硬件的高份额反映了采购收入确认的时点。 随着投资批次投入运营并逐步提高利用率，云收入预计将复合增长。报告预计云收入从2026E的US$20.0bn升至2030E的US$249.1bn，即12.5倍，营业利润从US$2.4bn升至US$37.4bn。云模型假设收入第1、2及第3至5年的利用率分别为60%、70%和80%，满负荷年收入收益率由2026E的capex 0.50x升至2030E的0.585x。可持续的云回报是关键约束：若收益率疲弱，投资将放缓、利用率或定价需改善，或经济利益将回流至基础设施所有者。 模型加应用预计增长最快，收入将从2026E的US$15.7bn升至2030E的US$423.4bn，即26.9倍。报告根据推理支出推导下游收入，并假设随着服务经济性改善，毛利率从30%提高至50%。该层在2026E和2027E仍亏损，原因是2026E训练和模型研发吸收US$9.0bn，而下游毛利仅为US$4.7bn。随着毛利率在2028E达到约40%、训练占下游收入的比重降至约25%，该层在2028E转盈，营业利润为US$6.2bn。到2030E，US$423.4bn的下游收入预计产生US$132.0bn营业利润。 这将带来显著的利润结构转变。中国AI总营业利润从2026E的US$26.5bn升至2030E的US$243.3bn。硬件利润份额从93%降至30%，模型加应用则从亏损转为约占行业年度营业利润的54%。模型加应用贡献五年累计营业利润的32%，却贡献约US$217bn年度行业利润增量的64%，硬件和云分别约贡献20%和16%。JPMorgan指出，约77%的累计下游利润在2030E实现，因此融资能力、现金消耗以及付费采用、训练强度和毛利率的敏感性尤其重要。 报告并未将当前市值结构称为明显错定价。模型加应用约占估算中国AI归属上市市值的14%，与其约占2026E价值链收入12%的比例大致匹配。关键在于，在报告盈利真正进入拐点之前，市场是否会对预计到2030E下游收入占比升至49%、利润占比约54%的变化提前定价。未来12-24个月需要观察的证据包括云利用率、经常性API和订阅收入、付费应用用户、扣除推理和交付成本后的毛利润及现金生成。 JPMorgan采用“机会×稀缺性×价值获取”框架筛选能够保留经济收益的公司。机会指公司工作负载周边的经济池；稀缺性指难以复制的能力；价值获取则检验变现能否转化为毛利润、现金流和回报。报告预计，稀缺性将从原始产能和前沿模型能力转向服务效率、专有上下文、权限、工作流所有权和交易执行。报告也警示，随着通用模型改进，应用功能可能更容易被复制，因此持久价值取决于智能体完成工作仍必需的资产。 Alibaba是首选的一体化基础设施标的，因为T-Head、云和模型业务将芯片、产能与客户需求相连。JPMorgan的增量产能重建隐含约26.6%的税后项目IRR，高于标准化行业组的10%，其基础是更高收入收益率和更快利用率。Tencent是首选应用标的，因为其分发、专有上下文和交易执行能力可能在模型成本下降时保留价值；报告认为这些AI应用资产在集团估值中大体尚未被定价。Zhipu是首选差异化智能标的，但前提是其相对能力可持续，从而支持付费API、定价、留存及足以资助模型开发的毛利润。 除三项首选标的外，报告首次覆盖SenseTime、Phancy和Xunce并给予Overweight。SenseTime和Phancy被视为捕捉基础设施优化和部署需求的途径；Xunce则有望通过Token/TokenOS及可复用模块推动企业部署产品化。Kingsoft Office获假设覆盖并给予Overweight，依据是其分发和工作流所有权。MiniMax、JST、Meitu、Kingdee和Manycore为Neutral，原因是变现、估值、增长预期或功能防御性仍需更多验证。Yonyou获假设覆盖并给予Underweight，因其企业资产尚未转化为相当的合并增长、盈利能力和现金生成。

分析框架

JPMorgan从云投资出发，通过硬件采购、云利用率和由推理支撑的下游收入建立自下而上、相互关联的价值链模型。随后以机会、稀缺性和价值获取评估各公司，并通过利用率、付费使用、定价、经常性收入、毛利润、留存、现金转换和回报等经营指标，检验战略定位能否转化为财务价值。

方法论与常识提炼

• 行业/产业分析框架供需框架

  连接硬件、云和模型加应用的三层AI价值链模型。

  报告追踪产能投资如何转化为实体硬件、经常性云收入和下游推理消费，以估算各层的需求、收入和利润。

• 竞争与战略框架护城河/竞争优势

  机会×稀缺性×价值获取框架。

  该框架考察公司可服务工作负载的经济池规模、哪些能力难以替代，以及这些优势是否转化为变现、毛利润、现金流和回报。

• 公司基本面与财务框架自由现金流分析

  从收入经毛利润、经营杠杆、CFO/FCF到增量资本回报的财务转换。

  报告认为，除非使用量或收入在扣除AI成本后产生毛利润，并最终转化为现金，否则不足以构成有效证据。

• 估值方法PE/PEG 估值

  若干覆盖公司的目标价使用远期P/E倍数。

  股票汇总表对Alibaba、Tencent、Zhipu、Xunce、Kingsoft Office、MiniMax、JST、Kingdee和Yonyou的预测盈利采用了列示的远期P/E倍数。

• 估值方法EV/EBITDA 估值

  SenseTime和Phancy的目标价使用远期EV/EBITDA倍数。

  报告对两家基础设施和部署公司采用15x 2028E EV/EBITDA。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• Alibaba (9988.HK)

  首选的一体化硬件、云和模型标的。

  优势

  T-Head芯片、云产能和模型业务支持模型与基础设施协同设计。

  劣势

  若投资持续高企，现金转换可能落后于项目回报。

  对比

  增量税后项目IRR约为26.6%，而标准化行业组为10%。

  风险

  云定价竞争、内部芯片未带来单位经济效益改善，以及现金回报延后。

• Tencent (700.HK)

  首选AI应用标的。

  优势

  在消费者和商业活动中具备分发、专有上下文和交易执行能力。

  劣势

  AI参与度必须转化为广告、商家或交易收入。

  对比

  JPMorgan认为其应用资产在集团估值中大体尚未被定价。

  风险

  推理和开发成本可能吞噬增量毛利润；信息披露不足可能延迟市场认可。

• Zhipu (2513.HK)

  首选差异化智能标的。

  优势

  相对模型能力、付费API潜力、服务优化和专有harness。

  劣势

  经济效益取决于持续的能力领先和足以资助模型开发的毛利润。

  对比

  首选模型标的；评级为Overweight。

  风险

  模型能力趋同、开放权重价格竞争，以及训练成本增速快于付费使用。

• SenseTime (20.HK)

  覆盖的基础设施、部署和多模态标的。

  优势

  SenseCore将产能与生产级AI工作负载连接。

  劣势

  外部采用和可规模化变现仍是关键检验。

  对比

  首次覆盖给予Overweight。

  风险

  利用率、外部采用、利润率改善和回报可能未达预期。

• Phancy (6682.HK)

  覆盖的算力优化和部署标的。

  优势

  异构调度、适配和部署可应对碎片化芯片环境的复杂性。

  劣势

  必须将能力转化为可复用的软件经济模式。

  对比

  首次覆盖给予Overweight。

  风险

  产品化、毛利率改善和部署复用可能不及预期。

• Xunce (3317.HK)

  覆盖的企业部署标的。

  优势

  企业上下文、治理、生产集成、Token/TokenOS和可复用模块。

  劣势

  实施密集型工作必须转为可规模化的经常性软件。

  对比

  首次覆盖给予Overweight。

  风险

  部署时间、人均收入、模块复用和现金回款可能未改善。

• Kingsoft Office

  覆盖的生产力应用标的。

  优势

  分发、文档上下文和工作流所有权。

  劣势

  AI付费转化和增量毛利润的实现仍需验证。

  对比

  假设覆盖给予Overweight。

  风险

  AI变现可能无法抵消服务成本或带来预期工作流扩张。

• MiniMax (100.HK)

  覆盖的基础模型标的。

  优势

  使用量增长强劲，并具备多模态和智能体定位。

  劣势

  持久的能力、定价和毛利润转换尚未得到证明。

  对比

  Zhipu为首选，而MiniMax为Neutral。

  风险

  与美国工作室的诉讼、竞争加剧、持续研发负担、商业化不确定性及对基础设施的依赖。

• JST (6687.HK)

  覆盖的商业工作流应用标的。

  优势

  实时订单、库存、商家规则和执行资产。

  劣势

  低迷电商环境、增长预期和估值抵消工作流优势。

  对比

  假设覆盖给予Neutral。

  风险

  AI工作流扩张可能无法克服周期和估值约束。

• Meitu (1357.HK)

  覆盖的视觉创作应用标的。

  优势

  受益于图像、视频、设计、营销和电商创作工作负载。

  劣势

  单项功能越来越容易被通用模型复制。

  对比

  首次覆盖给予Neutral。

  风险

  增量增长和变现仍存在不确定性。

• Kingdee (268.HK)

  覆盖的企业应用标的。

  优势

  企业记录、权限和系统记录地位。

  劣势

  AI驱动的收入加速和毛利润转换尚未得到证明。

  对比

  假设覆盖给予Neutral。

  风险

  AI附加销售、ACV、NRR和使用量可能无法带来更清晰的增长。

• Manycore (68.HK)

  覆盖的设计和空间智能应用标的。

  优势

  专业设计工作流和专有3D/空间上下文。

  劣势

  商业化仍处于早期。

  对比

  假设覆盖给予Neutral。

  风险

  核心增长、企业NRR和新增AI收入仍需更多证据。

• Yonyou (600588.SH)

  覆盖的企业应用标的。

  优势

  企业状态、权限和复杂工作流仍具有战略价值。

  劣势

  合并增长、盈利能力和现金生成落后于AI叙事。

  对比

  假设覆盖给予Underweight。

  风险

  AI产品和合同活动可能无法转化为财务价值获取。

关键数据

• 中国AI token消费量c.60x growth from 2026E to 2030E企业需求预计占2030E消费量约69%。
• 全球AI终端客户支出>US$1.4tn in 2030E中国预计约占需求的四分之一。
• 中国AI云投资US$777.6bn over 2026E-30E年度投资从2026E的US$100.0bn升至2030E的US$184.8bn。
• 中国AI营业利润US$26.5bn in 2026E to US$243.3bn in 2030E2026E-30E累计营业利润为US$543.8bn。
• 下游收入US$15.7bn in 2026E to US$423.4bn in 2030E增长26.9倍，毛利率从30%升至50%。
• 下游营业利润US$(5.9)bn in 2026E to US$132.0bn in 2030E2028E转正，达到US$6.2bn。
• 下游贡献32% of cumulative profit and 64% of annual-profit growth模型加应用预计将占2030E行业营业利润约54%。
• Alibaba增量项目IRRc.26.6% after tax相比JPMorgan标准化行业组的10%。

影响与含义

JPMorgan预计所有AI层都将增长，但区分了硬件更具可见性的近期盈利，以及云和下游公司的更大中长期盈利轨迹。报告认为，选股应关注持久稀缺性、付费采用和毛利润转换的证据、跨越2028E前盈利爬坡期的融资能力及估值。

风险

• 中国智能消费量增长可能慢于JPMorgan预期。
• 随着产能扩张、模型能力趋同或应用功能更易被复制，公司的特定稀缺性可能被削弱。
• 扣除模型、推理、训练、部署和支持成本后，AI采用可能无法转化为毛利润和现金流。
• 云收入收益率或利用率可能不足以支持经济上有吸引力的产能投资。
• 下游公司可能需要在2028E前盈利爬坡期获得外部融资。
• 由于大部分模型化下游利润出现在2030E，终值结果对付费采用、毛利率和训练强度敏感。

后续跟踪

• token消费量增长，尤其是企业采用和智能体工作负载强度。
• 云利用率、收入收益率、服务效率和增量产能回报。
• 付费API、订阅、使用和交易收入，而非能力公告。
• 扣除推理和交付成本后的毛利率、经营杠杆和现金转换。
• 随着智能体成为用户界面，应用是否保留专有上下文、权限、工作流所有权和交易执行。
• 公司层面指标，包括Alibaba云EBITA和自由现金流、Tencent增量商业利润、Zhipu付费API增长，以及Xunce模块复用和部署效率。