引言

今年上半年，二级市场经历了一轮由大模型兴起带动的AI投资热潮。二级市场的炒作按照硬件——数据——算法应用的逻辑层层展开，投资者们积极挖掘到底哪些公司能在这一轮AI浪潮中受益。这其中，投资者界较为重视的是寻找有望开发出爆款AI应用，实现0到1的突破，从而在AI时代占得先机、实现飞跃的公司。也确实有不少公司讲出了这一类故事，比如AI催收、AI营销、AI办公等。然而，半年时间过去，在我们看来，上半年这些讲故事的公司中，极少有公司在AI应用的开发上取得了实质性的进展。当前大部分公司的AI应用产品都不敢拿出来宣传、试用，商业化前景不明朗，投资界也难以评估这些产品当前的效果和未来的潜力。

然而，果麦文化是一个例外。这家公司曾在上半年的AI炒作中股价走向高潮又回落，也曾在后面的股价低迷阶段被人质疑AI校对产品到底能否做成、公司作为一家小规模出版公司是否有能力开发AI应用。但是，根据当前我们掌握的公司交流信息以及对行业专家、业内人士的调研访谈，我们非常确信果麦已经实现了AI垂直应用开发的智能涌现突破，产品效果大超预期，商业化推广迭代即将揭开序幕，未来公司有望抓住机遇实现飞跃，并且给整个出版、传媒行业带来变革。深入研究后，我们认为果麦的成功并非偶然性，其背后有多重逻辑使得果麦能够在AI垂直应用的开发中取得成功，并且在未来将保持较高的竞争壁垒与优势，深度受益于AI应用的商业化推广。

本文我们将全面梳理有关果麦的AI垂直应用产品的信息和逻辑线索，尽可能诚恳、全面、客观地分析果麦的产品进展、竞争格局、市场空间，在此基础上对公司未来的业务和估值进行分析讨论。本文提到的所有信息和逻辑，均有据可依，我们欢迎感兴趣的投资者自行通过各种渠道独立验证，以证明我们的文章所言非虚。

由于篇幅所限，本次我们只发表第一篇，主要介绍、讨论公司的AI校对产品，后续我们还将介绍讨论公司的AI漫画产品、其他AI应用拓展方向、公司主业采用AI工具后的展望，以及公司的价值讨论。

风险提示：本文仅为对公司的基本面分析，不包含对公司短期股价的看法。近期公司股价涨幅较高，请投资者自行注意风险。

目录

1. AI校对——果麦将要推出的是一款革新行业生产方式与生产力的革命性产品

1.1 行业痛点——出版业苦校对久矣

1.1.1 国内严格的图书质量要求使得校对成为图书出版的关键一环

1.1.2 质检压力下出版业面对校对难题压力较大

1.1.3 校对难题制约了出版业的发展空间

1.2 校对难点——中文校对软件的技术难度远超英文校对

1.2.1 中文校对软件的技术难点

1.2.2 现有规则类校对软件无法满足出版业校对需求

1.2.3 现有AI应用同样无法解决中文校对问题以及AI校对的原理

1.3 AI校对王者——果麦开发AI校对产品的壁垒与优势

1.3.1 为什么果麦会去做AI校对——行业理解与技术创新基因缺一不可

1.3.2 为什么果麦能做成AI校对——数据壁垒、战略投入和先发优势

1.3.3 为什么果麦会是AI校对王者——潜在的竞争对手均难以与公司竞争

1.4 AI智能涌现——果麦的AI校对产品开发进展

1.4.1 AI校对产品开发过程和最新进展

1.4.2 AI校对产品的开发模式和技术团队

1.4.3 果麦对AI校对产品性能的未来展望

1.5 出版业的AI革命——果麦将革新行业生产方式与生产力

1.5.1 潜在客户及接受意愿

1.5.2 AI校对产品落地对出版行业的意义

1.5.3 AI校对产品的市场空间及果麦的市场份额估算

1.6 果麦AI校对业务的价值讨论与投资逻辑

1.6.1 果麦AI校对业务的价值讨论

1.6.2 果麦AI校对业务的投资逻辑

 

AI校对——果麦将要推出的是一款革新行业生产方式与生产力的革命性产品

1.1 行业痛点——出版业苦校对久矣

1.1.1 国内严格的图书质量要求使得校对成为图书出版的关键一环

图书出版分为策划报批、组稿编辑、审校申报、排版印刷、发行销售等几个环节，其中成本占比由高到低为纸张+印刷、作者版税、校对。校对是出版行业第三大成本来源，同时又是制约图书出版效率的最主要因素。

我国出版行业对所有出版物均有质检要求且标准较高，国家规定图书差错率低于万分之一才算合格，否则出版社需收回所售图书。相比之下，欧美国家普遍没有对出版物的质检硬性要求或规定。

大部分图书动辄数十万字，要保证每万字中差错不超过一处，这对图书的审校提出了非常高的要求，因此校对被称为出版产业链条中“最基础、最复杂、最惊险、最重要”的环节（北师大出版科学研究院，2022）。

为使得图书达到合格要求，避免下架收回，即便如此，当前我国出版业仍然受困于校对的难题，要么难以保证差错率和图书质量，要么受困于校对进度地缓慢而导致诸多规划中的出版物延期出版。

1.1.2 质检压力下出版业面对校对难题压力较大

我国出版业图书出版的大致流程如下图所示，如果图书直接由出版社出版，需要三审三校，如果经过图书策划公司再交由出版社出版，共需要六审六校。

不论是三审三校还是六审六校，都是一个相对漫长的过程，每本书的审校时间在3-6个月，其中的审校过程高度紧张，给出版公司带来了较大压力。根据行业内调查，出版业的大部分编辑70%时间都在做编校工作，而不是创造性工作。

国内大多数出版社、图书策划公司都缺少校对所需的人力。一个大型出版社一年要出2000本书，假设一本书20万字，总共4亿字需要进行校对，按业界一般的精校速度测算，需要至少80名校对员，国内绝大多数出版公司都没有这么多校对员。据统计，国内出版社70%的校对业务都是外包（例如机械工业出版社稿件校对外包达75%），很多小的出版社没有自己的校对室（所有出版单位中近半数），大的出版公司也普遍是校对室+外包的模式。

外包模式下图书校对的质量难以保证。经研究测算一名校对人员每天校对2-2.5万字为合理工作量，如果精校每名校对员一天能够完成的字数大约为1-1.5万字。但实际上校对人员为了追求收益或出版公司为了加快进度，往往增加每天的校对字数，影响出版物的差错率控制，导致图书不合格。近年来图书质量问题日益严重，今年4月国家新闻出版总署抽查306本图书，其中64本不合格。图书质量问题已经成为制约图书工业发展的瓶颈，校对难题是其中的关键所在。

此外，即便是自行审校，一本书也容易因为偶然性的疏忽而被质检为不合格。果麦在行业内拥有规模较大的校对团队，每年耗费上千万与用于编辑校对，图书质量、差错率控制也在行业中名列前茅。即便如此，果麦也曾经因为编辑的偶然疏忽而导致漏掉了一处差错，进而使得图书在抽检中不合格被下架。由此可见，即便有充足的人力进行精校也难以避免偶然性的差错而导致图书下架，校对对于整个出版业都是一项难题。

1.1.3 校对难题制约了出版业的发展空间

校对难题不仅给出版业带来了较大压力，制约了出版公司的供给能力和发展空间。质检不合格的图书要被打回去重新审校、等待再次上架。本身三审三校或六审六校的漫长过程也使得出版社普遍有较多图书被积压不能按期发行。

大众图书出版行业被一些人视为无增长的夕阳行业，但也有其成长性的一面，过去13年间，除去疫情三年以外，我国的图书零售市场其实一直保持增长，增速高于GDP增速。

即便2019-2022年图书零售市场呈现下降趋势，这种下降一方面主要受疫情影响，另一方面也反映出传统图书零售市场受到网络阅读、网络知识获取等新形式的冲击。除去这两方面影响，随着我国人口教育水平的持续提升，我国的图书市场仍有恢复和上升空间，而校对难题如果解决，能够提升出版业的图书供给量，给市场带来更丰富的图书选择，有助于推动图书市场的整体发展。

此外，当前出版业的供给关系已经从供给驱动转向为需求驱动。过去主要是出版社出什么书，读者看什么书。当前以果麦为代表的新兴出版公司逐渐转向需求驱动，即读者想要什么书，公司策划什么书。例如社会热点产生、文化名人出圈，关注的人群可能会对相关书籍产生兴趣或购买需求，出版公司可以据此策划图书，满足需求。这种供给关系的转变要求公司能够快速响应市场需求推出新的图书，但当前较为漫长的审校过程制约了公司满足市场需求的能力。

综上所述，我国图书出版质检要求高，图书校对过程漫长且人力不足，即便有充足的人力进行精校也难以避免偶然性的差错，校对难题和图书质量问题给出版业带来了较大压力，也制约了优秀出版公司的供给能力和发展空间。

 

1.2 校对难点——中文校对软件的技术难度远超英文校对

1.2.1 中文校对软件的技术难点

过往交流中，我们发现有些不了解出版校对行业的投资者提出疑问：英文校对已经有较为成熟、可以替代人工的产品，即便是基于规则的传统软件也能纠正大部分拼写和语法错误，难道中文校对没有这样的现成软件吗？事实上，中文校对在软件算法层面的难度和要求远远超过英文校对，这主要是由两种语言的不同特征造成的。反映在校对问题上，主要有以下一些技术难点（参考整合了达观数据的综述以及一些NLP领域论文的观点）：

1）分词和识别语义单元：英文每个单词之间用空格或标点符号隔开，每个隔开的单词可以视为一个独立的语义单元。中文一句话之间表达不同意思的字词是连在一起的，传统软件需要结合算法和词库匹配来将字词分开。计算机对文本进行分析的第一步是进行分词，即把一句话分成不同的字、词，对于英文而言较为简单，但对于中文而言较为困难，如何分词需要参考上下文、结合一定逻辑推断，这是规则类软件难以解决的。

比如“周一围家”这四个字，“周一围”是近年来有一定知名度的演员名字，但未必被规则类校对软件的词库收录，从而使得规则类校对软件可能可能把这四个字分为“周一”、“围家”两个词，进而对后半部分报错，认为应该改为“国家”。这种类型的误报在传统规则类校对软件的使用中非常常见，因为规则类校对软件的词库、规则库难以实时更新，也不可能穷尽汉语的所有组合。即便规则类软件的词库中增加了“周一围”这个词条，在某些情况下软件依然需要结合整个句子的意思逻辑判断是否需要把“周一围”进行拆分，比如“周一围棋比赛”就需要拆分，这种能力是规则类软件难以具备的。

2）语法规则：英文有较为明确的语法规则，中文的语法规则相对较为模糊。语言学界有一个说法叫“英语重形合，汉语重义合”，英文的每个句子往往有明确的语法结构和句子成分，例如主语、宾语、谓语，主句、从句、引导句等，不同的句子结构也有不同的语法标志。但汉语的句子往往更为凝练而不注重形式，句子结构更加松散，且缺乏或经常省略句子中的主要成分或语法标志。因此，规则类软件能够根据规则概括的语法形式有限，很难覆盖中文复杂模糊的语法形式。

3）上下文逻辑理解：语言的理解和校对非常依赖上下文逻辑理解，比如在句子省略主语时，根据上下文推测句子省略的主语到底是谁，虽然英文校对也需要上下文理解，但因为句子语法结构相对更加清晰，省略成分较少，难度较中文更低。

除以上两点以外，中文校对面临的难点还包括（英文校对也同样面临）：

4）事实性错误：校对的目标不仅仅是纠正错别字、语法错误，还包括纠正事实性错误，比如张冠李戴的现象。这需要校对软件有一定知识概念和逻辑推理能力，规则类产品几乎不具备。

1.2.2 现有规则类校对软件无法满足出版业校对需求

当前，国内出版业使用较多的校对软件是两款规则类校对软件：金山黑马和方正校对软件。两款软件的原理均是采用超大规模词库和重点词监控等技术，自动查找一些常见的文字差错（比如“甘败下风”应该改为“甘拜下风”）。这种基于规则的校对工具决定了其只能处理可以形式化的问题，缺乏逻辑思维能力，而文字符号可以完全形式化是非常有限的，自然语言更不可能彻底形式化，所以校对软件查错能力是有限的，对文稿中的知识性错误、逻辑性错误、语法错误等很难校对出来（中国出版传媒商报，2022）。即便是错别字类的差错，软件的词库、规则列表也会出现无法穷尽所有情况而漏过一些差错的现象。

根据业内编辑反馈，金山黑马和方正校对软件在漏报率（无法识别出差错）、误报率（把正确的识别为差错）都距离人工有很大差距，只能作为人工校对的辅助工具，且参与度较低，校对员主要还是依靠人工检查来校对差错。根据一些编辑的使用经验看，两款软件在漏报率上往往超过50%，即有超过50%的差错无法被软件识别，有时漏报率可能高达70%。两款软件的误报率也较高，往往误报的差错（即原本没有差错但软件识别为有）比正确识别的差错还要多不少，这同样给使用者造成困扰，有些编校中的失误就是因为软件误报太多而导致编辑的注意力被分散，漏掉了真正的差错。

1.2.3 现有AI应用同样无法解决中文校对问题以及AI校对的原理

过去投资者对果麦的疑虑还包括为什么不能直接用大模型比如GPT4.0进行中文校对，或者大模型开放商（OpenAI、百度、科大讯飞等）、专业的AI应用公司（商汤等）为什么不能做中文校对软件。这里我们需要进行一些技术原理层面的分析，以帮助读者理解背后的原因。核心问题在于大模型和AI应用公司缺少精确度足够高的语料数据以及对有问题的语料进行校对的过程数据。

第一，通用大模型的原理在于喂给模型足够多的语料，比如互联网上的海量新闻稿、电子版图书、网络百科、社交媒体发文等，模型自行对这些海量语料进行分析和表征，从而掌握这些语料中反应的单词词义、语言规律、知识与逻辑。过往研究发现，通用大模型对语言、知识的学习高度依赖于投喂的预料，投喂不同的语料会影响大模型的输出效果，比如投喂学术论文，大模型学到的是学术用语和知识概念；投喂社交媒体发文，大模型学到的是网络用语和知识概念。

要使大模型能够满足出版业的校对标准，需要给模型投喂高度规范、没有差错的语料，从而使得模型接触、学到的都是完全正确、规范的语言规律，这种情况下方可用于专业的校对工作。但在现实中，本身大模型需要的海量数据就难以获取，大部分大模型公司难以保证投喂的数据质量（也没有必要，因为多数大模型用户不需要大模型的输出完全规范；普通人的语言本就不完全规范，大模型语言不完全规范反而更像一个“人”）。

另外，因为英文校对的难度较低，英语大模型可以先对数据进行一轮软件校对再投喂给大模型，而中文校对当前没有足够好的校对工具，中文大模型的开发商难以在数据清洗和准备过程中纠正所有的差错，相反中文大模型被投喂的数据往往是互联网上并不规范的中文语料，网络使用没有问题，但远远达不到出版业的语言规范。

事实上，果麦在之前的调研中已经展示了第一版的AI校对demo相较于GPT4.0的表现，结果显示果麦的初代demo校对性能就已经显著优于Open AI的通用大模型，结合当前不同大模型的性能表现对比，打败国产大模型更是不在话下。当然，调研结果也显示通用大模型的中文校对能力显著优于金山黑马和方正校对软件，这是因为通用大模型具备语言理解、上下文推理能力。

第二，要开发出符合出版业精度要求的AI校对模型，不仅需要大模型，还需要有监督机器学习。

这里我们需要先科普一个概念，AI模型可以分为有监督机器学习（supervised machine learning）和无监督机器学习（unsupervised machine learning）。通用大模型一般可看作无监督机器学习，开发者在给模型投喂数据时并没有告诉模型哪些数据是对的、哪些是错的，只是让模型自己去处理所有的数据并在神经网络层面对数据进行表征。本轮AI革命主要有大模型的技术突破、智能涌现驱动，但投资界往往忽视的一点是，实际上有监督机器学习也是AI的重要组成部分，对于开发垂直应用尤为重要。

有监督机器学习，以训练AI校对模型为例，大概形式是给模型一组文本，告诉模型哪些文本不包含差错，哪些文本包含差错（以及怎样修改）。这组文本投喂进模型后，模型根据人工标注的正确/错误/如何修改，去寻找校对文本的规律，将规律表征在模型参数上。训练完成后，开发者会用新的、没有标注过正确与否的文本去检验模型是否能准确识别出差错。这种AI模型的开发，需要有专业性的数据集，对于校对而言就是出版校对过程中的校对过程数据。果麦在这种数据方面具有极高的优势和壁垒，我们会在后文详细介绍分析。

要开发出符合出版业精度要求的AI校对模型，大模型和有监督机器学习缺一不可，需要两者结合。

本轮AI浪潮之所以由大模型驱动，是因为大模型本身相当于让模型去接受“基础教育”，从海量信息中学到知识和逻辑，从而为进一步完成其他任务打下基础。而过去有监督机器学习是主流，模型本身缺乏基础性的知识和理念。以校对为例，单纯的有监督机器学习就如同把一个没有经过语言教育的儿童拉到岗位上接受校对培训，儿童只能通过表面上的现象去摸索校对的机制，很难真正掌握校对的原理。结合大模型和有监督机器学习就如同先让孩子在学校接受基础教育、上语文课，再让孩子毕业后去参加校对专业的培训，这样才有可能真正使模型具备媲美人工的校对能力。

事实上，果麦的AI校对模型可能正是采用了这种工程结构，我们了解到果麦当前还在持续不断地给模型投喂海量数据，投喂的数据量已经超过了普通的有监督机器学习所需的数据量，据此推测，果麦一方面是想给模型投喂更多的纠错范例，另一方面也是给模型的大模型基座部分投喂更多地高质量语料，从而使得模型能够在“基础教育”和“职业教育”两方面都力臻完美。后面我们会介绍或分析果麦模型开发的更多细节。

近期的一个在公开比赛中获奖的中文校对模型也可以佐证我们的推测，获奖开发者在模型的不同模块都嵌套了中文预训练模型（也就是大模型）来增强模型的语言能力和校对效果：

据我们了解，当前市面上除果麦以外，尚未出现充分发挥当前AI前沿进展、能够满足出版业专业需求的AI校对软件。果麦的AI校对软件将是第一个这样的软件，同时也具有极高的壁垒和先发优势，我们会在后文详细介绍和分析。

 

1.3 AI校对王者——果麦开发AI校对产品的壁垒与优势

果麦当前是一家市值、规模较小的公司，本身主业是传统的出版传媒，而不是计算机，因此过去一些投资者对果麦开发AI应用的能力和优势有疑虑。但我们认为，果麦实际上在AI校对产品的开发上具有极高的壁垒和优势，在当下和未来都会是AI校对的王者。我们通过回答几个问题的形式来阐述果麦的壁垒与优势。

1.3.1 为什么果麦会去做AI校对——行业理解与技术创新基因缺一不可

1）行业理解

出版校对是具有一定专业性的细分市场，要开发符合出版公司需求的AI校对产品，需要开发者能够深刻理解中文出版校对的难点所在，洞察行业对于AI校对的迫切需求，同时与出版公司沟通协作，不断吸取反馈、迭代产品，最终才有可能打造出解决行业难题的优秀产品。

公司创始人、董事长路金波先生是第一代知名网络作家，参与创办了国内最早的互联网文学平台榕树下并担任总编辑，此后多年间浸淫于出版业，任职于贝塔斯曼、万榕书业等出版公司，对出版业、互联网以及科技都有相当深刻的理解，能够结合互联网思维和科技手段找到解决行业痛点的路径。

路金波先生在多年的出版业从业过程中，深刻理解行业受困于校对难题的痛点，并且在近年来AI技术兴起的过程中敏锐地捕捉到了用AI技术解决校对难题的可能性，从而把握住了开发AI校对产品的时代性机遇。

在公司层面，果麦的主业就是图书策划。公司多年来身处出版行业第一线，与各大出版集团、出版社都有过合作，共同推出过许多优质图书。公司拥有行业内规模较大的校对团队，过去策划图书的校对质量位居行业前列，在这一过程中，公司积累了较多解决校对难题的经验，使得果麦能够从行业专家角度切入AI校对模型的开发。

2）技术创新基因

虽然公司不是专业的AI技术公司，但公司在相对传统的出版行业中多年来都处于拥抱新技术的前沿。公司设有专门的研发部门和团队，其他同行普遍不具备。公司每年研发费用在1000万左右，研发费用绝对值和费用率均远高于同行。

公司在过去就积极拥抱新技术，不仅前瞻性的全面采用电子化办公，积累了珍贵的电子化校对过程数据，而且近年来在图书策划、需求预测、互联网营销等方面结合AI技术提升运营效果，开发了“图书选题十维数据分析系统”从互联网抓取信息、数据等辅助选题开发和内容研发。

公司在主业的图书策划中也富有创新精神，在行业内率先由传统的To B端出品模式（即通过传统的图书发行渠道销售图书）转向互联网和To C端模式（即利用互联网营销渠道直接向客户推广、销售图书），卓有成效。当前公司的互联网营销矩阵规模、To C端业务占比和经营效率在行业内遥遥领先。

以上我们可以看出公司具有良好的技术创新基因，立足行业理解的基础上采用技术创新的方式开发AI校对软件、解决行业痛点，可谓是水到渠成。非出版业的公司难以具备对出版校对问题的洞察理解和经验积累，出版业公司普遍不具备技术创新基因，均难以与公司竞争开发AI校对产品。

1.3.2 为什么果麦能做成AI校对——数据壁垒、战略投入和先发优势

1）果麦的核心优势在于极高的数据要素壁垒

AI模型的开发包括算力、算法、数据三个要素。对于AI校对这种相对较小规模的模型而言，算力要求相对不高，不构成竞争的关键因素。算法在AI的神经网络、大模型时代也不是竞争的关键所在，因为大规模神经网络模型普遍追求用简洁的机制来吞吐大规模数据，使得模型规模膨胀，模型在算法层面本身不依赖于过分复杂的设计。比如当前在二级市场也火出圈的Transformer算法，其核心架构本身并不复杂，作者的理念是我们只需采用简单的神经网络算法模拟注意力的机制，就可以让大模型发挥效果。

公司已经表示在过去的调研中表示有充足的算力用于模型训练和推理。算法方面，公司此前将AI模型的开发外包给多个团队以比较不同团队开发模型的效果，最后选择了实力较强、模型效果较好的团队开发正式的模型。

对于AI校对这种高度专业性的细分领域垂直模型开发，核心要素在于数据。上文我们已经指出AI校对模型的开发需要非常规范的出版物语料数据（以避免模型学到不规范、不符合出版标准的语言习惯）以及人工标注的校对过程数据（以使得模型能够学习掌握校对的方法规律）。而在这方面，果麦恰恰具有极高的壁垒和优势，同行和AI技术公司均无法企及。

具体而言，果麦之前就在调研中表示，公司开发AI校对产品的优势主要是优质且有效的语料。具体而言，区别于通用大模型一般抓取互联网上所有可获得的语料，果麦的语料是自身积累的基于优质、正规的出版物语料校对过程记录，同时经过开发人员筛选、打磨，更加优质。这些数据能够投喂进AI校对模型的有监督学习部分让模型去学习出版物的差错范例和修改方式，从而使得模型不断进化迭代。

根据我们在行业内的调研，果麦掌握的数据量级和质量，在全行业范围内都较为领先，有较高的壁垒和先发优势。出版行业的编辑、校对员过去习惯在纸质书稿上开展校对工作并留下校对过程，因此过去出版行业的绝大多数校对过程数据都在纸上。虽然出版公司一般会将纸质过程校对稿保留一段时间，但因为这种数据过去并不具备多少价值，保留一段时间后往往被出版公司废弃。与同行相反，果麦自创立以来就高度重视技术在办公中的应用，前瞻性地采用了电子化校对系统，多年间积累了对超过5000本图书进行全篇校对的过程数据。其他同行基本没有或只有少量电子校对过程稿的积累，未来即便想要积累也始终会与果麦保持较大差距。

换一种方式理解，要开发面向出版业的专业中文AI校对模型，只有果麦掌握有模型开发所需的电子化校对过程数据。果麦在手数据的稀缺性放眼其他的垂直应用领域都是极为罕见的。

2）果麦的战略投入打造出了极高的先发优势

果麦在今年的几次调研以及半年报中都表示公司当前已经“all in”AI校对产品的开发，核心团队全面投入AI产品开发，整个公司上下都为AI校对产品的开发配合协同。

公司的AI校对产品是外包形式，公司提供数据和资金，外部AI技术团队进行模型开发，如此一来，为什么公司还要“all in”，投入大量人员呢？综合与公司的交流以及我们的分析，我们认为公司“all in”投入的人力是用于整理、清洗、标注更多的高质量语料数据，以进一步支撑模型的开发迭代。

此外，我们也了解到AI校对这类对文本进行分析的AI模型，开发过程需要文本分析专业人士的密集人力投入。举例而言，要准备更多的数据投喂给模型，公司需要组织专业校对人员对数据进行高度精细化的校对标注，同时还要尽量避免漏掉任何潜在的差错，以避免模型学到不规范的语言习惯。一旦发现新投喂的数据使得模型效果出现偏差，公司需要组织人员对数据进行反复检查，以排除可能影响模型效果的因子。

我本人也算是NLP（自然语言处理）领域的准专业人士，开发AI语言模型并不是AI工程师坐在电脑前敲代码这么简单，训练数据的准备和处理实际上占据了模型开发的主要时间。尤其对于出版校对这种专业性、精细度要求极高的场景而言，人力投入非常关键。AI技术公司本身没有能力投入人力对大规模文本进行精细的人工校对。

如此一来，在本来就掌握有行业内独一份的电子校对过程稿数据（超过5000本图书）基础上，果麦通过“all in”的战略投入进一步提升了公司掌握的高质量数据量级，形成了让潜在竞争对手更加难以追赶的先发优势。

截至目前，公司已经向AI校对模型喂了2万本图书的数据，作为参考，全国一年间发行的新书大约为20万，相当于10分之一，这一数据量级已经让其他对手难以企及。除此以外，公司当前还仅准备好的就还有约1.7T的数据尚未完成投喂，预计会在今年年底完成。

3）果麦的行业关系和商业模式将持续巩固公司的竞争优势

当前公司虽然尚未推出AI校对产品的正式版，但已经把试用版发放给各大出版社试用，取得了非常积极的反响。在这一过程中，公司持续吸取下游客户对AI校对产品的意见反馈，同时客户在试用公司产品进行出版校对时，相关的校对数据也被用于促进模型迭代进化。未来随着试用版在各大出版社的继续使用以及正式版的推出，公司积累的数据将越来越多，模型不断迭代进化，进一步巩固公司在数据和模型上的优势。

另一方面，由于校对是出版行业的刚需和主要生产环节，当前各大出版社在试用公司产品过程中已经对果麦的AI校对软件形成了使用偏好和依赖，未来用户粘性和持续使用意愿也将构成公司商业模式上的优势。

1.3.3 为什么果麦会是AI校对王者——潜在的竞争对手均难以与公司竞争

果麦AI校对软件的潜在竞争对手包括现有校对软件、出版业同行（图书策划公司和出版社）、AI大模型公司、AI小模型公司。前面已经论述了由于AI校对模型的核心在于数据，而果麦在这方面已经建立竞争对手难以匹敌的壁垒和先发优势，这里我们还是分别再介绍讨论一下不同潜在竞争对手以及果麦的具体优势。

1）现有校对软件

方正校对，规则类软件，根据测试和出版业编辑反馈，仅能识别一些常见的错别字差错，能识别出的逻辑性差错较少。据了解，方正当前对该产品开发的投入不多。

金山黑马校对，规则类软件，数据库拥有语料字数10,000亿、核心库条数8000万、错误规则库条数800万、专业词库79个，错误规则库条数相比果麦少很多，出版业编辑反馈能力也有限，难以识别逻辑性、事实性差错。黑马校对被金山办公收购后原始研发团队解散，据了解当前金山的主要研发投入聚焦于WPS AI，基本没有投入研发人员对校对软件进行迭代开发，只做补充模块收费，没有开发出版级AI校对的想法。

以上两款产品为出版界长期使用的规则类校对产品，面对AI校对缺点明显，且当前所属公司均没有投入太多资源到校对软件的研发中。此外方正、金山在出版业与出版公司的关系也不如果麦，果麦在产品本地化部署前能够持续获取合作伙伴提供的优质出版物语料和校对数据，并且培养下游客户对软件的使用习惯和依赖，未来优势会越来越大。

蜜度校对通，由专注于AI技术的语言智能科技企业上海蜜度科技开发，据官网描述在中文拼写勘误、语法纠正任务上的表现由于通用大模型ChatGPT，较之有大约20%-30%的效果提升。根据后文介绍的果麦AI校对产品开发进展，推测果麦的AI校对产品效果优于蜜度校对通（ChatGPT本身也弱于果麦用来比对的GPT4.0）。同时蜜度科技在出版业的客户关系也难以匹敌果麦，蜜度校对通当前也基本没有出版公司使用。

2）图书策划公司/出版社

理论上也可以开发AI校对产品，但据我们了解行业内绝大多数公司没有像果麦一样完整保留一直以来的校对过程数据，也没有果麦近几年来在AI应用和AI校对上的准备和积累。大多数公司或出版社没有专门的技术研发团队部门。国有出版公司主要追求稳定、社会效益而不是经济效益；相对于其他民营出版社和策划公司，果麦有先发优势，目前尚没有观察到有竞品布局。两者都缺少技术研发和数据积累。大部分民营出版公司每年出版书籍不过几百本，要积累出果麦5000本规模的电子化过程校对数据，需要很长时间。大型国有出版公司虽然一年出版的书籍有上千本，也同样需要积累，还未必有动力去开发。

3）大模型、小模型公司

大模型公司主要还是专注于通用大模型的打磨迭代，垂直小模型不大可能事事亲为，尤其是校对行业是高度专业性的，需要行业理解和关系。

用于训练AI校对模型的专业校对过程数据需要长期的人工校对积累，大模型、小模型公司均难以获取。

 

1.4 AI智能涌现——果麦的AI校对产品开发进展

1.4.1 AI校对产品开发过程和最新进展

2022年，果麦基于过去在图书出版三审三校中积累的校对过程稿件开发小规模AI模型，发现效果不错。尝试结合GPT大模型，基于GPT2.0和后续版本的大模型做出初步的AI校对demo，效果很好，展现出远优于规则类软件、有望解决行业校对痛点的潜力，公司决定all in。

公司找了4个团队分别做demo，2023上半年用了3个月时间同步训练不同版本的demo，5月底选用了其中效果最好的demo进行展示，回应市场认为公司做不出AI产品的质疑，仅仅是一个初级版本的demo，但已经效果远强于传统校对软件和GPT4.0。公司选用了两个千字左右的包含差错的文本示例：

第一个示例包含了15处错误，分别放入金山黑马、方正神校、GPT4.0、果麦AI校对demo共4款校对工具中进行检测。金山黑马显示有5处错误，其中修改正确的有3处。方正神校显示有7处错误，修改正确的有5处。GPT4.0一共检测出8处错误，大部分修改正确。果麦demo检测出14处错误，大部分修改正确；果麦demo的错误检出率、漏报率、误报率两项指标均显著优于其他3款工具。

第二个示例包含了19处错误。金山黑马显示有6处错误，其中修改正确的有5处。方正神校显示有6处错误，全部修改正确。GPT4.0显示有16处错误，大部分修改正确。果麦显示有19处错误，改对的有17处。果麦整体校准率较高，漏报率、误报率很低，遥遥领先于其他三款工具。

示例错误中，有一处错误为“十分优异”，这个错误只有果麦的demo识别出了错误，这类错误实际上在非正式的语言表达中非常常见，大多数普通人也不知道是语病。因为喂进果麦demo模型的是果麦积累的专业性校对过程数据，才能够识别出这种错误。而这类错误通用大模型很难识别，因为在非正式用语中十分常见，大部分人意识不到这是语病。

公司当时在调研中表示：果麦账上有4亿+现金，从申报IPO开始连续十几个季度现金流均为正，每年现金流也有1亿左右，这些资金全部都愿意投入AI应用。目前核心团队聚焦在AI校对，公司上下都在为AI校对产品的开发协同配合。

2023年10-11月，公司的AI校对软件已经从初版的demo迭代了3-4个大版本，完成了主要框架的开发，已经具有较高的校对准确率、接近人工校对员水平。但公司的目标不仅限于此，仍然在持续对模型投喂高质量的语料。

与此同时，公司将校对软件提供给合作的出版集团、出版社试用，持续获得用户反馈并对模型进行迭代。公司的合作伙伴中有不少一线编辑在审校工作中试用了公司的软件，普遍反馈效果非常好，希望公司能够尽快推出正式的产品以解放繁琐辛劳的人工校对工作。公司的合作伙伴中还包括大众文学领域以外的专业性出版机构，在产品试用过程中公司也能够将更具有专业性的语料投入到模型训练中，拓展模型的能力边界。

2023年11月，公司的AI校对产品虽然仍在投喂数据训练，但效果大超预期，几乎可以媲美人工校对员。11月底的机构小范围交流，公司现场演示了AI校对产品的纠错效果，让机构自行准备校对测试的语料，反响很好。测试了一个44处差错的语料，方正显示有180处差错（大部分是错报，错报率很高），其中只有十几个是真正的差错（漏报率在70%左右）。果麦显示了近50个差错（错报率较低），找到了44处差错里的37处，并且全部正确修改（方正即使找到了十几处也难以正确修改）。果麦没有改出来的差错，主要是关于标点符号的规则性错误，因为当前AI校对模型里还没有加入标点符号的模块，这方面难度较低，公司已经把需求和语料交给星图比特去开发了，12月公司发布的产品会包含这一模块。果麦错报的一些差错，主要是用语不完全规范或有修改余地，比如“**到书柜找书”，模型认为应该改为“**到书柜里找书”。

由此可以看出当前果麦的模型已经呈现出了智能涌现，不但能够校正文本的绝大多数差错，甚至有潜力改善文本的行文。随着未来公司的AI校对模型加入标点符号校对模块，相信公司的产品的校对能力能够进一步提升，能够通过短短几分钟的AI推理就把出版物的差错率控制在较低水平，人工校对员的负担将大幅减轻。

1.4.2 AI校对产品的开发模式和技术团队

公司的AI校对产品开发采用外包+投资+内化的模式。果麦寻找有实力的AI技术公司，投入数据和资金，AI技术公司投入技术、负责模型开发，果麦同时参股AI技术公司。成功的项目会进行内化，用数据+著作权+合同的方式把成果固化在果麦内部。

公司在AI校对产品开发初期将模型开发外包给四个公司并进行比较，最终选中的AI技术公司为星图比特。星图比特成立于2021年，专注于新一代自然语言处理技术的人工智能应用，为客户提供数字化场景的智能应用解决方案。核心技术团队有大厂背景。星图比特获得上市公司风雨筑（占股6.96%）、果麦文化（投资1500万占股6%）投资，获得OpenAI和微软赞助：

1.4.3 果麦对AI校对产品性能的未来展望

果麦将AI校对产品的性能目标规划为三档：校对后差错率控制在千分之一、万分之一、十万分之一。AI校对产品如果能把差错率控制在千分之一（一个成熟的校对老师的差错率是千分之三），已经可以达成一个普通校对员的校对工作，后续出版公司只需要组织一轮终审终校即可，不再需要前面的两轮审校。

根据公司AI校对产品开发的进展情况，我们预计12月公司将标点符号校对模块加入模型中后，模型校对效果就有望达到千分之一的差错率控制标准，从而可以取代人工校对的部分环节。

当前公司尚有1.7T数据未完成投喂，模型还有持续迭代进化的较大潜力。同时未来半年内，公司会持续与下游出版社合作，由出版社一线编辑试用产品并给出反馈，同时出版社在试用软件时也会提供更多数据帮助模型进行迭代计划。我们预计到半年之后，公司的AI校对产品将有望达到万分之一的差错率控制标准，待出版的图书仅需经过AI校对产品一轮校对就有望满足国家质量要求。届时，公司将推出正式版产品、开始商业化推广。

公司预计2年内，随着持续的研发投入、数据投喂、模型迭代，AI校对产品将有望达到十万分之一的差错率控制标准，待出版的图书无需经过人工审校即可满足国家质量要求。如果这一目标能够实现且没有竞品出现，公司在出版校对产业将一统天下，并且革新整个行业。

 

1.5 出版业的AI革命——果麦将革新行业生产方式与生产力

1.5.1 潜在客户及接受意愿

据我们了解，当前果麦AI校对产品的潜在客户包括出版公司、报业公司以及其他有文字校对和审查需求的机构。果麦在决定开发AI校对产品以来，得到了行业内许多出版公司的积极反馈与支持，大多数听闻此事的出版公司都表示愿意尝试果麦的AI校对产品。在AI校对产品开发阶段中，也有许多出版公司在使用后对公司产品给出了积极反馈并迫切希望公司推出正式版。具体而言：

1）出版公司

出版业苦校对久矣。即便传统的金山黑马、方正校对软件不好用而且频繁误报，过去出版业还是会先用金山黑马和方正校对软件先对文本进行一轮校对，再进行人工精校。

当前果麦AI校对软件的校对效果、准确度、误报率已经遥遥领先于传统规则类软件，以当前版本的效果即便还不能替代人工或部分人工环节，替代效率低且不好用的规则类校对软件已经是绰绰有余。仅此一项便可为果麦打开市场空间，同时为出版公司带来诸多裨益。未来随着AI校对软件的持续迭代进化，有望给整个出版行业、校对产业带来颠覆性变革。

根据我们对行业的调查了解，当前许多出版公司对果麦AI校对产品试用反馈积极、对正式版需求较为迫切。

我国出版行业的特征是群体分散化（出版社众多，约700家）而市场集中化（全国图书产值的70%集中在前十大出版集团下辖的100多家出版社），当前果麦已经跟前十大出版集团建立了较好的合作关系，并且AI校对软件在各大出版集团中试用推广，未来很有可能拿下前十大出版集团的AI校对产品订单。因此，不同于一些行业To B端市场较为分散化而渗透率提升困难，果麦AI校对产品在To B端的渗透率在未来将提升迅速而不需要太多销售成本，因为拿下主要的几家出版集团即可占据大部分的市场份额。

2）新闻出版公司

报刊、杂志等新闻出版的校对虽然没有图书出版严苛，但业界对于AI校对产品也有不少的需求。已经有大型新闻出版公司找公司接洽AI校对业务，并且有望于几个月内订单落地。

3）其他有文字校对和审查需求的机构：

除出版业外，其他有文书校和审查需求的机构，也有可能引进果麦的AI校对产品，用于文书校对、合规性审查等。

4）更多泛中文校对场景

果麦的AI校对产品虽然在开发过程中主要针对出版校对，但未来很有希望拓展至更多泛中文校对产品，广泛用于政府、企事业单位的文书校对修订，乃至教育（比如帮助学生修改作文）、C端应用（例如能够自动校对文字的输入法）等场景。我们认为未来果麦AI校对产品的使用边界有望不断拓展，毕竟高精度要求的出版校对一旦被公司攻克，其他场景的文字修改校对业务便不在话下，即便有其他竞争对手，公司至少在产品性能上面对竞争对手都会是降维打击。

1.5.2 AI校对产品落地对出版行业的意义

我们认为，果麦的AI校对产品落地不但对于公司是实质性的利好，对于整个行业乃至社会也具有一定积极意义，包括：

1）解放辛苦低效的人工校对行业

前面已经介绍，我国对图书出版的差错率标准要求较高，出版业为此承担了较大压力，投入了较多资金和人力成本。出版社编辑70%的时间用于审校而不是创造性工作。虽然出版社普遍依赖外包来完成主要的校对工作，但外包校对的生态也不容乐观。出版公司为了节约成本，普遍压低外包校对的价格，行业内一般为5-7元/千字。行业内保质保量的精细校对一般一个校对员每天能校对1-2万字，据此计算每天收入不过50-140元；实际上外包校对员一个月能校对的字数在100-150万左右，对应收入不过5000-10500元，为此却需要付出辛苦的劳作，或者为了提升速度而牺牲质量。

AI校对产品的落地和推广，将有益于解放辛苦低效的人工校对行业，一定程度上有益于社会的产业结构升级。

2）革新出版行业的生产方式与生产力

过去校对占据了出版行业第三的成本和大量的时间投入，三审三校或者六审六校需要3-6个月。我们认为如果当前果麦的AI校对产品能够达到千分之一的差错率控制标准，基本已经可以省略前面的1-2个审校环节，出版公司只需要再进行1-2轮审校就可以使图书符合标准得以出版，有望把3-6个月的审校时间缩短到1-4个月。

未来如果AI校对产品能够进一步达到万分之一、十万分之一的差错率控制标准，那么出版公司可以省略大部分的审校环节，只对图书进行终审（终审环节的速度也会加快，因为差错会非常稀疏，极少需要校对），从而有望把3-6个月的审校时间缩短到1个月以内。

另一方面，当前我国图书市场已经由供给驱动转向为需求驱动，随着AI校对产品的落地应用，未来果麦等需求导向的公司将能够更快响应市场推出新书，满足市场需求的同时也释放自身的业绩潜力。果麦当前每年推出200-300本新书，未来有望依靠AI校对产品提升至400本甚至更多。

出版行业确实是一个较为传统的行业，作家写作、出版社校对、出版的形式千年未变。在现今的时代浪潮下，出版业渴求新技术，但掌握新技术的AI公司未必看得上出版业，也不具备对出版行业的理解。而国有出版公司有普遍没有寻求技术创新的动力和积累。果麦AI校对产品的开发有望给行业带来变革，改变行业受困人工校对的现状，提升行业的供给能力和市场空间，促使行业进一步向需求导向转型，从而给行业带来革新。

1.5.3 AI校对产品的市场空间及果麦的市场份额估算

根据公司此前交流，我国出版行业（大众出版、专业出版等）总市场规模在2000亿/年左右，其中校对成本占5%，对应100亿/年。除出版行业外，新闻稿、内刊、公文、论文等其他类出版物每年校对成本保守估计也在100亿以上，共计每年200亿校对成本。

果麦在5月调研时预计AI校对有望替代50%的人工校对（即每年节约100亿人工校对成本），针对这部分节约的成本收取每年30亿费用。果麦有信心在2024/2025年拿下其中20%的市场份额（对应6亿收入）。

当前，果麦的AI校对产品效果大超预期，远超传统校对软件、可媲美人工校对，我们认为公司的市场份额和AI校对的市场空间也将相应打开。预计AI校对未来有望替代70%的人工校对（即每年节约140亿人工校对成本），针对这部分节约的成本收取每年40亿费用。果麦有望在2024/2025年拿下其中20%的市场份额（对应8亿收入；20%的市场份额是考虑到公司不急于商业推广，会在Q2-Q3充分打磨后再正式推出商业化产品），有望在远期拿下其中50%-70%的市场份额（对应20-28亿收入）。

我国出版行业的特征是群体分散化（出版社众多）而市场集中化（全国产值的70%集中在前十大出版集团），我们预计公司产品一旦正式推广，渗透率将迅速提升。此前公司在调研中也表示对AI校对产品的渗透率提升斜率非常有信心。

除此以外，考虑到AI校对产品有望提升行业生产力和市场空间，增加市场上的图书供给。尽管图书供给的增加也可能造成图书平均销量的降低，考虑到多数AI/软件类应用的收费模式，我们认为果麦的AI校对软件将会受益于图书供给量的增加，而下游出版社对于AI校对的成本增加不敏感。据此进行乐观估算，预计远期全国出版行业总规模有望扩容10%-20%至2200-2400亿/年，原本的人工校对成本在110-120亿/年，合并其他泛中文校对成本为210-220亿/年。果麦在远期有望实现22-32亿收入。

 

1.6 果麦AI校对业务的价值讨论与投资逻辑

1.6.1 果麦AI校对业务的价值讨论

1）基于收入、利润和PE的价值讨论

根据上一节的测算，我们根据谨慎、中性、乐观三种情况测算果麦在2024/2025年和远期的收入、利润率、利润，以及合理的估值倍数。作为参考，我们预计AI校对产品成熟期净利率在60%（因为更新维护成本较低且销售费用率较低）。考虑到产品推广初期投入高、摊销少，我们预计产品净利率在30%-50%。我们认为公司的AI校对产品在未来2年会保持较高的渗透率提升和业绩提升速度，同时缺少竞争对手，壁垒和先发优势大，据此认为2024/2025年的合理倍数在40-60之间（考虑到渗透率将较快地从20%提升至70%，未来三年CAGR估计在40%-60%），远期的PE倍数我们采取谨慎原则估计在10-20之间，下文还会从其他角度展开讨论。

2）基于SaaS模式的近端价值讨论

虽然公司当前尚没有确定产品的商业模式，但我们预计公司有较大概率采取SaaS的商业模式（软件即服务，软件提供商通过互联网以即用即付费的方式将软件提供给客户，客户定期支付订阅费或按调用量、调用次数付费）。我们参考美股对SaaS企业在成长期进行估值的一个常见方法（毛利50％，增长50％，以及重复性收入占比50％的情况下，下一年度的估值将会给出5倍的PS），对AI校对业务在2024/2025年的合理估值进行探讨：

以上三项指标中，相比普通SaaS软件，果麦AI校对软件的独特优势在于我们预估其未来会有很高的重复性收入占比。果麦AI校对软件解决的是出版业校对的刚需，一旦被行业接纳，出版公司未来将持续使用公司的产品并支付费用，而果麦不需要付出额外的销售成本。此外，前文已经介绍到出版业市场高度集中，果麦在产品推广期的渗透率、营收增速可能超出预期，我们在这里的估算较为谨慎。

根据这种方法我们对AI校对业务的估值测算相较上一节减少约一半，主要因为这种估值方式低估了公司的业务潜力和盈利能力。不同于普通的SaaS模式产品，果麦的AI校对产品几乎没有潜在竞争对手，软件迭代成本相对较低（主要是清理和投喂更多数据），行业用户粘性高、重复使用多（出版公司迫切期待公司的正式版产品，校对是图书出版的刚需），推广成本低（To B端客户集中度高）。因此，我们认为果麦的AI校对产品能够更好受益于SaaS产品的高利润率和重复收费，实际上可以享受更高的PS倍数。

3）基于SaaS模式远期潜力的估值探讨

我们认为在可预见的未来，果麦AI校对产品的远期商业模式极佳，因为缺乏竞争对手、解决行业痛点、满足出版校对刚需，果麦的AI校对产品在远期能够逐年提价（随物价指数）并对用户持续收费，源源不断地为公司创造自由现金流，这正是SaaS模式在远期的主要优势：

有望充分发挥SaaS模式的飞轮效应：

根据当前果麦AI校对模型的开发进度和效果，以及我们预计在正式版推出后迅速被出版业广泛采用，果麦的AI校对产品有望在3-5年后进入稳定期，届时AI校对产品不但能够稳定给公司带来现金流，其贡献的内在价值也高于传统软件模式。

4）基于对标公司的估值探讨

投资界面对商业潜力大的产品往往会去其他市场寻找对标，在校对领域英美市场较为知名的产品是Grammarly。该产品主要面向日常文书写作场景，可以在用户撰写文字（比如电子邮件）时自动纠错，整合了AI功能。

2021年，Grammarly是当时全美最具价值的10家初创公司之一，在当时的一轮融资中估值130亿美元，相当于约1000亿人民币。即便在2019年公司产品推广初期，估值也高达10亿美元，相当于约70亿人民币。同时我们还可以注意到，2019到2021年的2年间，公司估值翻了13倍！

此外，即便当前GPT等通用大模型也具有英文校对能力，英语校对赛道较为拥挤，从公开报道看，Grammarly的竞争优势也依然得以保持，公司在今年还顺利推出了更新的集成AI功能的产品。由此可见，即便对于校对难度、专业性相对更低的英文校对，垂直细分公司相较于其他通用AI公司也能保持一定竞争优势。

果麦当前还没有规划To C端应用与推广，但我们认为其在中文校对赛道的潜力值得与Grammarly做对标比较。一方面，果麦AI校对产品针对的To B端出版行业对产品需求急迫性高、接受度好，且市场集中度高、推广难度小，公司产品在这个市场就有足够的想象力，且盈利模式校好。相比之下，Grammarly的主要面向To C端互联网用户，推广模式是大量在谷歌、Youtube等平台投放广告，虽然我们不清楚公司的盈利情况，但估计公司当前盈利能力仍较为薄弱。

另一方面，我们认为未来果麦向泛中文校对延申和开发To C端应用也很有潜力，至少公司产品性能和精确度在中文校对上能够对其他竞品降维打击，潜力值得期待。

Grammarly在网上可以查询到其营收数据，2019年营收4350万美元，2021年营收8870万美元：

据此估算，Grammarly2019年一级市场估值对应23xPS，2021年一级市场估值对应147xPS！

需要注意的是，评估SaaS模式的一项重要指标是重复性收入占比（因为同一客户的重复性收入会源源不断产生现金流），我们预计果麦在出版市场的重复收入占比将达到非常高的水平（保守估计在80%-90%），将远远高于Grammarly所针对的To C端市场。

1.6.2 果麦AI校对业务的投资逻辑

除了单纯的业绩估算，我们希望市场能够理解公司当前确立的数据壁垒和客户关系、先发推广等优势。我们认为在目前可见的范围内，公司的AI校对产品不存在竞品，未来也很难出现能与公司竞争的对手。纵观我们所研究过的AI应用产品，果麦AI校对产品的竞争优势和未来的竞争格局是独一无二的。

同时，公司是我们观察到的第一个有望成功开发出颠覆性AI应用，将产品商业化推广并被客户广泛接受，有望带来行业变革的AI应用企业，我们相信公司未来不管是继续拓展AI业务，还是在传媒出版主业利用AI工具提升效率、拓展边界，都有较大潜力，公司的未来发展值得期待。

即便不考虑公司当前在AI垂直应用领域取得的成就，仅对不同AI垂直应用领域进行横向对比，大多数垂直应用领域，AI应用推广的逻辑是增加直接经济成本、提升效率（比如过去人工可以干且成本不高，现在使用AI需要付出额外费用，但能够提升工作效率），公司的产能收入未必得到提升（比如AI辅助办公不一定能让公司收入增加）。

而对于校对行业而言，AI校对的推广能够降低直接经济成本（当前果麦AI校对软件已经可以媲美人工且成本更低）、提升效率（校对过程大幅缩短），还有望进一步提升公司产能和收入（增加图书供给，使优秀公司更好迎合市场需求）。从这三个方面角度对比，校对是绝佳的AI垂直应用落地行业，深度受益于AI智能涌现，果麦的AI校对产品有望成为第一个席卷行业的AI应用爆款。

因此，果麦是目前确定性极高的AI校对之王，也是当下的AI垂直应用之王。