行业洞察

房地产开发的核心能力是拿地与融资：判断一块地的价格是否合理，然后用尽可能高的周转效率把开发周期跑完。持有型物业的核心能力完全不同，是招商、运营与资产管理的长期效率。这两种能力之间的迁移难度，远比行业外的人想象的要大。

这不是转型思路的问题，是能力结构的问题。

两套能力几乎没有重叠

开发业务的盈利来自土地价值与周转速度。做得好不好，取决于对区域规划的判断、融资成本的高低，以及工程与销售的组织效率。这些能力集中在一件事上：把资金快速换成可售资产，再快速换回资金。

持有型业务的盈利来自租金与资产升值，而租金取决于招商质量和运营水平。这两件事需要的是完全不同的团队：开发体系需要投资判断与融资能力，运营体系需要零售经验、租户关系管理与空间改造能力。把开发团队直接转去做运营，成功率并不高。

更关键的是考核周期的差异。开发业务以项目为单位考核，周期三到五年；持有型业务以资产为单位考核，周期十年以上。同一套激励体系很难同时适配这两种节奏，而激励机制的设计往往比战略方向的表述更能决定实际行为。

转型大致有三种做法

从公开信息看，行业的转型路径大致可以归纳为三类：

• 把持有型资产装入基金或不动产投资信托，用外部资金承担长期持有，自己保留运营管理角色
• 收缩开发规模，把资源集中到少数核心城市的持有型项目上
• 转向轻资产模式，输出品牌与管理能力，不再自己持有资产

这三种做法的共同点是把长期资金压力从自己身上转移出去，区别在于转移的对象和代价不同。第一种依赖公开市场的接受程度，资产质量与现金流的稳定性决定了能否发行成功；第二种考验资金实力，在开发收入下降的阶段维持持有型投入，需要足够厚的现金储备；第三种门槛最低，但利润率也最薄，而且要持续面对一个问题——品牌溢价能否被市场长期认可。

从卖房子到收租金，换掉的不只是收入形式，还有整个组织的节奏。

评价标准需要跟着换

转型也意味着衡量一家企业的指标要变。继续用销售面积与销售额去评价转型中的企业，得到的信息会越来越少，甚至会产生误导——收缩开发规模在销售数据上表现为下滑，在转型进度上却可能是正常的一步。

更有意义的指标是持有型资产的出租率、单位面积租金水平，以及运营成本的下降曲线。这三项数据直接反映运营能力，而且不容易通过会计处理修饰。

问题在于这些指标的变化很慢，而且不像销售数据那样按月公布，因此转型的成效在很长时间里都无法被准确评估。这也是市场对转型企业定价分歧很大的原因之一——分歧不来自数据本身，而来自缺少数据。

至于最终会有多少家企业完成这场转变，目前看不清。能确定的是，这不是一次业务组合的调整，而是把公司的核心竞争力重新建立一遍。这个过程的时间尺度，通常以五年为单位。

新消费品牌在过去几年的起伏，经常被概括为「流量红利消失」。这个说法抓住了现象，却解释不了为什么同样面对获客成本上升，有的品牌活了下来，有的直接退出。差别在流量之外，具体说是复购与毛利结构。

流量只是获客方式，不是商业模式。

三个阶段，三套胜负标准

早期平台为了做大盘子，会对新品牌给予流量倾斜和补贴，这个阶段的获客成本远低于真实水平。品牌在这个窗口里快速增长，但增长的数字掩盖了单位经济模型的问题——当成本被人为压低时，任何模式看起来都成立。

当平台开始追求变现效率、补贴逐步退坡，获客成本回到真实水平。这时品牌第一次真正面对自己的单位经济模型：一笔订单的收入，能否覆盖获客、履约和退货带来的全部成本。很多品牌是在这个环节被筛掉的。

再往后是留存的竞争。当所有品牌都要为同一个用户支付相似的获客成本时，能拉开差距的只剩下复购率。而复购率取决于产品质量与用户心智，这两样东西无法通过投放买到。

目前多数品类已经进入第三个阶段。这个阶段的残酷之处在于，前两个阶段积累的规模优势不能直接转化为留存优势——用户记得的是产品体验，而不是品牌曾经的声量。声量可以衰减得很快，产品口碑的修复却非常慢。

另一个容易被忽略的变量是渠道结构。过度依赖单一平台的品牌，在平台规则变化时缺乏缓冲；多平台经营又意味着更高的管理成本和更分散的资源。如何取舍取决于品类的决策成本——决策越重的品类越需要集中资源做深，而不是铺开；决策越轻的品类，多渠道覆盖的边际收益反而更高。这个判断没有统一答案，但至少提供了一个可比较的维度。

穿越周期靠的是两件事

从已经穿过周期的案例看，共同点不在营销能力，而在两件事：产品有明确的差异化理由，以及供应链能够支撑住毛利率。

差异化理由决定用户为什么选择你，供应链决定你能不能在价格竞争中存活。两者缺一不可：有差异化但毛利太薄，会在扩张阶段耗尽现金；毛利够厚但产品可替代，会在留存阶段被换掉。

投放买来的是第一次购买，买不来第二次。

至于哪些品类更容易走通这条路，目前还没有可靠的规律。能观察到的是，决策链条短、复购频率高、产品差异能被消费者直接感知的品类，成功率明显更高。这个判断需要更多样本去验证，现阶段只能算是一个方向性的观察。

国产创新药走向海外，早期的主要方式是授权合作：把海外权益一次性卖给跨国药企，换取首付款与后续里程碑收入。这种方式见效快，代价是放弃了产品成熟之后的绝大部分收益。近两年，选择自主推进海外临床与商业化的案例在增加，出海路径正在发生实质变化。

路径变化的背后，是能力与风险偏好的同时变化。

授权合作解决的是现金流问题

授权合作之所以成为主流，原因很实际。创新药的海外临床与注册需要大量资金，一个完整的全球三期试验投入往往是数亿元级别，而国内的创新药企业多数还在亏损阶段。把海外权益授权出去，既能获得当期现金，又能借助合作方的临床团队和监管经验，把不确定性转移给对方。

但这种模式的定价权不在自己手里。首付款的高低取决于谈判时点、竞争格局和对方的战略迫切程度，而这些因素与企业自身的研发质量并不完全对应。产品真正的价值，往往在上市多年之后才体现出来，那时企业已经拿不到大部分收益了。

自主出海需要跨过三道门槛

选择自主推进的企业，需要同时具备三样东西，缺一样都很难走完流程。

• 符合国际标准的临床试验数据，包括设计、执行与数据管理的完整规范性
• 对海外监管路径的理解，尤其是不同区域对终点指标与人群选择的具体要求
• 足够的资金储备，能够覆盖从临床到商业化之间的漫长投入期

第一项是硬门槛。国内临床数据被国际监管机构接受的程度在提高，但接受的前提是试验设计从一开始就遵循国际规范，而不是事后补救。这在研发立项阶段就决定了是否具备出海可能，事后很难调整。更现实的问题是成本：一套符合国际标准的临床试验，从中心筛选、数据管理到稽查留痕，每一环都需要额外投入，而这些投入在项目早期看不出回报。

第二项考验的是经验积累。不同监管机构对同一类产品的审评重点并不相同，人群入组标准、对照药选择、疗效终点的设定都会直接影响能否获批。这些细节没有通用答案，只能靠一个个项目积累。

第三项最现实。自主推进意味着企业要独自承担失败风险，而创新药研发的失败率高且难以预测。资金储备不足的企业即使技术路径正确，也可能在临床中期因为现金耗尽而被迫重新走上授权合作的老路。

出海的难点不在技术，在规则、资金与耐心这三件事的叠加。

这个转变意味着什么

从行业角度看，自主出海的案例增加，说明部分企业的研发能力已经能够支撑国际标准的验证，这是实质性进步。但它同时也提高了行业的资金门槛——能走这条路的，注定是少数。

对于更多处于中间阶段的企业，更现实的选择是混合路径：把部分区域或部分适应症的权益授权出去，换取资金支持核心管线的自主推进。这种安排不完美，但比二选一更符合当下的资源条件。

至于哪条路径最终更成功，目前还缺少足够长的观察样本。可以确定的是，判断一家创新药企业的价值，不能只看它有多少条管线，还要看它有没有能力把管线推到需要自己承担风险的阶段。

上半场的胜负手是电池成本与产能爬坡速度，谁的规模上得更快、单位成本降得更低，谁就能在价格上占据主动。这条路线推进了几年之后，头部企业之间的差距已经收窄到很难拉开显著溢价的程度。下半场的竞争逻辑，与上半场几乎相反。

电动化是准入条件，智能化才是差异来源。

为什么硬件差距在收敛

动力电池的能量密度、成本与安全性，在过去几年被整个行业反复优化，技术路线也逐渐收敛。当上游供应商可以向所有整车厂提供水准接近的电芯时，电池就很难再成为某一家企业的独有优势。整车厂能做的是在集成效率、热管理和充电策略上做细节优化，这些优化能带来体验差异，但不足以形成代际差距。

更关键的是，核心零部件的供应关系已经高度交叉。同一家电池供应商同时服务多个品牌，同一套电驱方案被不同车型共用。这种格局下，硬件的同质化是必然结果，而不是阶段性问题。

所以，靠电池和电机拉开差距的空间在收窄。真正还没有被填平的，是软件与数据带来的体验差异。

智能化的竞争壁垒在哪里

智能化被普遍理解为辅助驾驶与智能座舱，但这只是表面。更深一层的差异来自三个地方：

• 数据闭环的规模，也就是有多少辆车在持续回传真实路况与使用行为
• 软硬件一体的组织能力，包括电子电气架构是否支持持续升级
• 供应链的垂直整合程度，决定了对成本与迭代节奏的掌控力

第一项最具决定性。辅助驾驶能力的迭代依赖数据，而数据的规模取决于保有量。这就形成了一个自我强化的循环：销量越大，数据越多，能力提升越快，产品竞争力越强。这类循环一旦形成，后来者很难用单点技术突破去打破，因为它比拼的不是某一项能力，而是时间的积累。

第二项常被低估。如果电子电气架构在最初设计时没有为后续升级预留空间，那么再强的软件能力也无法通过更新交付给已经售出的车。这意味着一部分企业即使研发能力不弱，也会因为平台限制而无法参与这场竞争。

硬件的差距可以被采购抹平，软件与数据的差距只能被时间抹平。

下半场的两个风险

第一个风险来自监管。辅助驾驶的责任界定、数据采集的合规要求，都会直接影响功能的上线节奏。功能能不能开放，不完全取决于技术是否成熟，还取决于责任规则是否清晰。

第二个风险来自消费者的付费意愿。目前多数智能化功能仍以硬件预埋、软件付费的方式销售，而这种模式的前提是用户能感知到差异，并愿意为持续更新付费。这个前提在不同市场、不同价格带的成立程度并不一样，需要更多时间验证。

至于最终会形成几家主导的格局，还看不清。可以确定的是，判断标准已经变了——过去看产能和成本，现在要看数据的积累速度和架构的前瞻性。这两个指标都不体现在当期财报上，却是决定未来几年位置的关键。

模型能力的提升速度在过去两年明显放缓，而应用侧的落地速度在加快。这个时间差是理解当前人工智能产业格局的关键：技术曲线的斜率在变平，商业化曲线的斜率还在上升。两件事同时发生，但性质完全不同。

重心正在从训练转向推理。

参数规模的边际收益在递减

早期阶段的进步主要来自参数规模与训练数据量的扩张，这条路线的好处是效果可预测：投入增加，能力随之提升。但当模型规模进入数千亿参数之后，继续扩张的边际收益开始明显下降，而后端的能耗、算力与工程复杂度却仍在上升。这让单纯堆规模的做法，从一项有效投资变成了一项需要慎重论证的支出。判断一次扩容是否值得，需要同时看能力提升幅度、推理成本的摊薄空间和能耗约束，而这三个维度的变化并不同步——能力可能小幅提升，成本却因为推理量增长而抬升。

与此同时，推理成本在快速下降。同等能力水平下的单位调用成本，比两年前下降了一个数量级。这是应用能够真正商业化的直接前提——没有成本下降，再好的能力也只能停留在演示阶段。

两条曲线交叉的位置，决定了产业重心的转移方向：从训练转向推理，从模型本身转向围绕模型的产品与工程能力。

技术曲线的斜率决定了谁被关注，成本曲线的斜率决定了谁能活下来。

落地卡在哪里

应用落地的瓶颈并不在模型能力，而在三件事：数据可得性、流程改造的阻力，以及结果的验证成本。这三项没有一项是算法问题，但每一项都足以让一个看起来完美的场景无法推进。

数据的问题最容易被低估。企业内部的业务数据往往分散在多个系统里，格式不统一、口径不一致、历史记录有缺失，把它整理成模型可用的形态，工作量经常超过模型本身。更棘手的是口径问题：同一个指标在销售和财务两套系统里可能有不同的定义，而模型无法自行判断该用哪一个。

流程改造的阻力来自组织而不是技术。一个环节被自动化之后，上下游的岗位设置、考核方式与责任划分都要跟着调整，这类工作的推进难度远高于技术上线。很多项目在技术验证阶段表现良好，最终却停在推广环节，原因就在这里。

验证成本则是很多场景被排除在外的真正原因。在结果需要被逐条审核的领域，模型的效率优势会被审核环节吃掉——如果每一份输出都要人工复核，那么节省的时间只是从执行转移到了检查。所以真正先落地的，往往是那些允许存在一定错误率、并且错误能被快速发现和修正的场景。

格局会怎么走

从这几个约束出发，有几个方向相对明确：

• 模型层会收敛到少数几个供应商，因为训练与推理的成本门槛只会越来越高
• 应用层的竞争更分散，行业知识的厚度比模型能力更决定成败
• 中间环节会出现新的机会，包括数据治理、推理优化与评测体系

最后一项最容易被忽略，却最可能形成稳定的商业模式。因为无论上层格局怎么变化，对系统能力进行评估与校准的需求都会持续存在，而这类需求不依赖于某一家模型供应商的胜负。它的价值来自不确定性本身，而不确定性在短期内不会消失。