风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何 意见、观点或结论是否符合其特定状况。据此投资，责任自负。 DeepSeek发布全新DeepSeek-OCR 2模型，采用创新的DeepEncoder V2方法，让AI能够根据图像的含义 动态重排图像的各个部分，而不再只是机械地从左到右扫描。这种方式模拟了人类在观看场景时所遵循 的逻辑流程。最终，该模型在处理布局复杂的图片（如文档或图表）时，表现优于传统的视觉-语言模 型，实现了更智能、更具因果推理能力的视觉理解。 ...

全球科技发展格局与中国表现 - 国际机构近期密集发文盘点全球科技发展，来自中国的成果格外耀眼[1] - 在人工智能领域，据麻省理工学院等机构2025年11月底统计，中国开源模型（如DeepSeek、千问）下载量已占全球总量的17%，超越美国位居全球第一[3] - 在基础研究领域，2025年底《科学》杂志公布的“2025年度十大科学突破”中，中国在可再生能源、破解“丹尼索瓦人”长相之谜、发现水稻耐高温“基因开关”等成果入选[3] 人工智能（AI）行业进展 - 一年前，深度求索（DeepSeek）公司R1大模型以高性能和低训练成本震撼世界，外媒称之为“DeepSeek时刻”[1] - 2025年1月，微软报告称，DeepSeek在俄罗斯、白俄罗斯、伊朗、非洲等发展中国家的普及率呈“爆炸式”增长[3] - 中国在AI领域拥有超3万名研究人员，是美国的3倍，仅博士后和博士生数量已是美国研究人员的2倍以上，在长期创新方面具有优势[5] 先进芯片与算力市场 - 全球知名金融研究机构伯恩斯坦研究公司预测，2026年华为等本土企业将占据中国AI芯片市场80%的份额，英伟达的市场份额将降至8%[3] - 在美国先进芯片封锁禁运下，中国企业（如华为、阿里巴巴、百度、寒武纪）纷纷踏上芯片技术攻关之路[5] - 随着DeepSeek-R1大模型和“昇腾”等国产芯片问世，中国正在加速建设一套独立的技术体系[5] 科技自立自强的驱动因素 - 实现高水平科技自立自强的决心与努力是驱动因素之一，算法创新帮助突破算力限制[5] - 高水平科研人才提供核心支撑，2025年11月科睿唯安榜单显示，中国内地共有1406人次入选全球高被引科学家，占全球总数的19.7%[5] - 全社会对中国科技发展的坚定信心是另一驱动因素，2025年以来中国AI、半导体、机器人、商业航天等科技股表现强劲，源于公众及投资者的乐观情绪和支持[5] 资本市场与产业展望 - 资本市场的热情使中国科技企业有更充足的资源投入创新研发[5] - 中国总体科技实力距离科技强国尚有差距，仍有一些“卡脖子”难题待解[6] - 科技界需把握科技创新和产业发展新机遇，加快高水平科技自立自强步伐[6]

（来源：吴说） 吴说获悉，据 Top Ledger 数据，自 Solana Mobile 空投以来，Seeker 代币 SKR 累计交易量已超过 2 亿美 元；现约 85% 的空投总额已被领取；SKR 的链上交易量主要在 Meteora 中完成，占据了 57.4%。 ...

LLDPE现货价格动态 - 2025年1月26日，山东万华化学在华东地区的LLDPE现货报价显著上涨，其中型号7042报价为7050元/吨，型号7050报价为7100元/吨，两者均较前次报价上涨200元/吨 [1][4] 市场情绪与期货表现 - 同期大连商品交易所聚乙烯期货2605合约收盘价为6865元/吨，上涨116元/吨，成交量达719,797手，持仓量增加3,532手，表明市场多头情绪浓厚 [2][5] - 现货价格的显著上涨被视为重大利好，反映出供应紧张或需求增加，并预期将强化期货上行预期，支撑未来价格走势 [2][5] 大宗商品定价机制 - 生意社基准价是基于价格大数据与价格模型产生的交易指导价，可用于确定指定日期的结算价或指定周期的平均结算价 [2][5] - 定价公式为：结算价 = 生意社基准价 × K + C，其中K为调整系数（包括账期成本等因素），C为升贴水（包括物流成本、品牌价差、区域价差等因素） [2][3][5][6]

大模型推理能力的跃迁与“思维社会”假说 - 过去两年，大模型的推理能力在数学、逻辑、多步规划等复杂任务上出现明显跃迁，以OpenAI的o系列、DeepSeek-R1、QwQ-32B为代表的推理模型，开始稳定拉开与传统指令微调模型的差距 [1] - 谷歌与芝加哥大学等机构的研究提出，推理能力提升的本质并非仅是计算步数增加，而是模型在推理过程中隐式模拟了一种复杂的、类多智能体的交互结构，即“思维社会” [2] - 研究发现，推理模型为解决难题，会模拟不同角色间的内部对话，进行争论、纠正、表达惊讶并调和不同观点以达成正确答案，这种社会化组织形式有助于对解空间进行更高效的探索 [2][4] 推理模型的内部行为特征 - 与基线模型和仅进行指令微调的模型相比，DeepSeek-R1和QwQ-32B等推理模型展现出显著更高的视角多样性，会激活更广泛、异质性更强的、与人格和专业知识相关的特征，并在这些特征之间产生更充分的冲突 [3] - 这种类多智能体的内部结构具体表现为一系列对话式行为，包括提问-回答序列、视角切换以及对冲突观点的整合，同时体现在刻画激烈往返互动的社会情绪角色之中 [3] - 研究识别出四类具体的对话行为：1) 问答行为；2) 视角转换；3) 观点冲突；4) 观点调和 [10] 推理模型与指令微调模型的对比证据 - 实验结果表明，即便在推理轨迹长度相近的条件下，推理模型依然表现出更高频率的对话式行为和社会情绪角色 [13] - 数据显示，与DeepSeek-V3相比，DeepSeek-R1在提问-回答（效应量=0.345）、视角切换（效应量=0.213）以及整合与调和（效应量=0.191）方面均显著更频繁 [16] - QwQ-32B相对于Qwen-2.5-32B-IT也呈现出高度一致的趋势，在提问-回答、视角切换、视角冲突和整合行为上均显著更多 [16] - 所有指令微调模型的对话式行为出现频率都始终处于较低水平，其推理过程更像是一段独白，而非对话的模拟 [16] 对话行为对推理性能的因果影响 - 通过特征干预实验发现，对与对话相关的“惊讶”特征（特征30939）进行正向引导，能显著提升模型在特定任务上的表现 [12] - 在Countdown游戏中，对该特征进行正向引导（+10），会使任务准确率从27.1%提升至54.8%，几乎翻倍；而进行负向引导（−10）则会将准确率降低至23.8% [18] - 引导强度的变化会系统性影响对话行为：当引导强度从0增加到+10时，四类对话式行为均显著增强；反之，当引导强度从0降至−10时，这些行为被系统性抑制 [18] 强化学习与对话结构的自发涌现 - 受控强化学习实验显示，即便仅以推理准确率作为奖励信号，基础模型也会自发地增加对话式行为 [3] - 自教式强化学习实验进一步证实，对话式结构本身能够在强化学习过程中促进推理策略的自发涌现与加速形成 [22] - 在训练中引入对话式脚手架，相较于未微调的基础模型以及采用独白式推理微调的模型，能够显著加速推理能力的提升 [3] 研究的方法论与验证 - 研究采用以Gemini-2.5-Pro模型作为评估器的方法，从推理轨迹中识别对话行为、社会情感角色和认知行为，其标注结果与GPT-5.2及人工评分均展现出高度一致性 [7][9] - 社会情感角色的分析基于Bales互动过程分析框架，将话语划分为12种角色类型，并归总为四大高阶类别：信息给予、信息征询、积极情感、消极情感 [8][10] - 研究使用Jaccard指数来量化社会情绪角色的互惠平衡性，指数越高代表模型的互动模式越均衡、趋近于对话形态 [8] - 认知行为的识别包括四类：结果核验、路径回溯、子目标拆解、逆向推理 [11]

Mistral CEO关于DeepSeek-V3架构来源的言论引发争议 - Mistral联合创始人兼CEO Arthur Mensch在访谈中表示，中国在AI领域实力强劲，并指出DeepSeek-V3及后续版本是在Mistral于2024年初发布的首个稀疏混合专家模型架构基础上构建的，两家公司采用了相同的架构[1] - 该言论在网络上引发了广泛质疑和批评，有网友直接指责Mistral在胡说八道，并认为其试图通过“岁月史书”来挽回面子[2][15] 双方稀疏混合专家模型的技术对比与发布时间 - Mistral的Mixtral论文与深度求索的DeepSeek论文在arXiv上的发表时间仅相差3天，两者研究的都是稀疏混合专家系统，旨在通过稀疏激活降低计算成本并提升模型能力[4][9] - 尽管目标相似，但两者的技术思路存在根本区别：Mixtral偏向工程思维，旨在证明强大基础模型与成熟MoE技术结合可超越更大稠密模型；而DeepSeek的核心在于算法创新，旨在解决传统MoE中专家“学得太杂”和“重复学习”的问题，是对MoE架构的重新设计[9] DeepSeek-V3与Mixtral的架构差异分析 - 在专家结构上，Mixtral沿用了标准MoE设计，每个专家是一个完整的FFN块；DeepSeek则提出了细粒度专家分割，在总参数量不变的情况下将大专家切分为许多小专家，以实现更灵活的组合和更精准的知识习得[11] - 在路由机制上，两者都采用GShard风格的Top-K路由器，但DeepSeek改变了传统门控机制和专家结构，引入了不参与路由、总是被激活的共享专家，而路由专家参与Top-K竞争[11] - 架构差异导致知识分布不同：Mixtral的知识分布是扁平的，通用与特定知识混杂在同一专家内；DeepSeek的知识分布是解耦的，共享专家负责通用知识，路由专家负责特定知识[12] 关于Mistral后续模型被指采用DeepSeek架构的争议 - 有网友指出，于2025年12月发布的Mistral 3 Large基本上照搬了DeepSeek-V3采用的架构[6][13] - 网友认为，不可否认的是深度求索最终在稀疏MoE、MLA等技术上获得了更大的影响力，并批评Mistral已不再是当初惊艳开源圈的公司[14][17] 行业动态与后续发展 - 围绕基础模型的竞争将持续，深度求索被曝已经瞄准了春节档发布新模型[19] - 相关论文链接显示，Mixtral论文发布于2024年1月，DeepSeek论文紧随其后[19]

文章核心观点 - DeepSeek发布关于mHC（流形约束超连接）的论文，其核心创新并非关注模型参数规模、数据量或算力，而是解决大模型中信息如何在超深网络里稳定流动这一更基础、更底层的问题 [2] 残差连接的历史意义与局限性 - 残差连接由何恺明团队于2015年提出，其核心公式为 x_{l+1} = x_l + F(x_l)，通过引入恒等映射的“快车道”，解决了梯度消失问题，使可训练网络深度从几十层跃升至数百、上千层 [3][4] - 在残差连接出现前，神经网络的深度长期被限制在20～30层以内，经典模型如AlexNet仅有8层深度 [3] - 残差连接已成为几乎所有主流大模型（如GPT、LLaMA、Gemini）的默认配置 [4] - 残差连接的主要局限在于其是固定权重、单一路径的“信息直通车”，一次传递的信息量少，难以支撑大模型对复杂、多源信息的高效建模需求 [6] 超连接的概念与问题 - 超连接的概念由Seed团队于2024年9月首次提出，旨在改变传统残差结构的信息传递方式 [7] - 超连接将信息传递从“单人接力赛”变为“多人接力同时跑”，允许同一层信息分流到多条并行通道向前传递，且每条通道的权重由模型在训练中动态学习分配 [7] - 超连接赋予了模型“动态调度信息”的更大自由度，但缺乏约束导致系统训练不稳定，表现为损失函数难以收敛、长期处于高波动状态，且梯度波动频繁并出现明显尖峰，牺牲了信息保真度和训练稳定性 [7][9] mHC的技术原理与优势 - mHC全称为“流形约束超连接”，其核心创新是为超连接加上“双随机矩阵”作为安全护栏 [11] - 双随机矩阵的每个元素非负，且每行、每列的总和严格固定为同一值，其作用是将已有信息按比例重新分配，而非放大或制造新能量，从而从数学结构上切断了信号爆炸的可能性 [11] - 该约束同时避免了信号微弱或消失，确保信息在网络中的流动始终处于守恒区间内，既不会被无限放大也不会被慢慢耗散 [13] - mHC的唯一代价是增加了6.7%的训练时间，主要因扩展残差流宽度所致，但这一成本与性能提升相比微不足道 [13] mHC的应用潜力与影响 - mHC在稳定性与效率间找到新平衡，通过减少训练失败重试次数，能大幅缩短产品迭代周期，并降低约30%的算力成本 [14] - mHC为大模型向千亿甚至万亿参数规模发展提供了支撑，通过“约束+高效”的框架，显著降低了大规模训练的不确定性和算力浪费 [16] - 该技术证明了“有约束的自由”比“完全自由”更有价值，可能推动AI架构设计从“经验驱动”转向“理论驱动” [16]

涉及的行业与公司 * **行业**：人工智能（AI）行业、半导体设备行业、存储供应链 [1][3][12] * **公司**： * **AI公司**：DeepSeek [1][8][15] * **投资标的（中国半导体设备与存储主题）**：北方华创（超配，目标价人民币514.2元）、中微公司（超配，目标价人民币364.32元）、长电科技（平配，目标价人民币49.49元）[3] * **其他提及的AI模型/公司**：阿里巴巴的Qwen-3、豆包Seed-1.8、Kimi-K2、智谱GLM-4.5、MiniMax-M2、OpenAI的ChatGPT 5.2 [17] 核心观点与论据 * **AI竞争焦点转移**：下一阶段的AI竞争焦点可能不再是追求更大的模型，而是转向更高效的混合式架构，以在硬件约束下实现更强的推理能力 [1][8] * **DeepSeek Engram的技术创新**： * **核心机制**：通过将存储（静态记忆）与计算（动态推理）解耦，引入“条件式记忆”机制，将知识库卸载到独立的存储层（如CPU/DRAM），仅在需要时通过高效查找（O(1)时间复杂度）调用，避免不必要的GPU计算消耗 [1][9][11][15] * **关键优势**： * **降低对HBM的依赖**：减少对昂贵的高带宽内存（HBM）的需求，缓解中国在AI计算方面的存储瓶颈和硬件获取限制 [1][11][16] * **提升效率与性能**：在相同计算量和参数规模下实现更高准确率，显著增强长上下文处理能力，因为注意力机制可以释放更多“带宽”用于全局建模 [16][18] * **优化资源配置**：遵循U形曲线的容量分配规律，在计算与存储资源之间实现更优平衡 [18] * **降低成本**：基础设施成本可能从GPU向存储迁移，中等计算量配置的性价比可能优于纯GPU扩容 [2] * **对中国AI行业的影响**： * **“约束催生创新”**：由于在先进算力、硬件获取方面面临严格约束，中国AI公司选择了一条以效率驱动的创新路径（如稀疏混合专家MoE架构、Engram等），快速缩小了与全球前沿模型的性能差距 [8][14] * **性能对比**：多款中国模型（如DeepSeek-V3.2）在MMLU、GPQA、SWE-Bench等基准测试中取得了与全球前沿系统（如ChatGPT 5.2）相当的成绩，而算力成本仅为后者的一小部分 [14][17] * **战略意义**：中国AI的持续进步更取决于绕过硬件瓶颈，专注于算法和系统层创新，而非直接弥合硬件差距 [16] * **具体数据与需求影响**： * **DRAM需求提升**：采用Engram架构，要在低成本下获得强大推理能力，最低需要约200GB的系统DRAM [2][10] * **系统DRAM配置增加**：Vera Rubin系统中每颗CPU已配备1.5TB的DRAM，采用该架构预计将使每个系统使用的通用DRAM提升约13% [2] * **模型参数示例**：一个100B（千亿）参数的Engram模块，在FP16/BF16精度下，对应的系统DRAM需求最低约为200GB [10] * **未来展望**： * DeepSeek的下一代大模型V4将采用Engram记忆架构，可能在代码生成与推理方面实现明显跃升，并可能继续支持在消费级硬件（如RTX 5090）上运行 [2] * 关注V4能否实现关键基础性能目标，特别是在编码方面，以及具体硬件配置的推理成本比较 [2] 其他重要内容 * **投资逻辑**：看好中国存储及半导体设备本土化主题，因为AI架构向存储与计算解耦方向发展，可能提升对存储和半导体设备的需求 [3] * **架构对比**：Engram作为一种参数化记忆，与检索增强生成（RAG，非参数化）和KV缓存（临时性）在记忆类型、生命周期、访问方式、扩展性等方面存在差异 [22] * **免责声明与评级说明**：报告为英文原版的翻译件，以英文原版为准 [4][5]；摩根士丹利使用“超配”、“平配”、“低配”的相对评级体系，而非“买入/持有/卖出” [43][45]；报告包含了详细的风险披露、估值方法、分析师认证及利益冲突声明 [24][25][27][28][30][35][36]

大模型技术进展与发布 - DeepSeek官方代码更新中多次提及未公开的“MODEL1”大模型标识符 该标识符与已知的DeepSeek-V3.2并列 行业推测其可能代表一个不同于现有架构的新模型 可能是V4、推理模型R2或V3系列终极版 根据模型文件结构判断 该模型很可能已接近训练完成或推理部署阶段 [1] - 英伟达CEO黄仁勋总结过去一年AI大模型的三大突破 第一是模型能在未受训领域进行推理、计划并回答问题 出现了代理式AI 第二是开源模型取得重大突破 首个开源推理模型DeepSeek的推出对大多数行业和公司而言是重大事件 第三是物理AI取得巨大进展 其不仅能理解语言还能理解物理世界 [7] - Meta新设立的超级智能实验室团队已在本月向公司内部交付了首批AI模型 该团队成立约六个月 交付的模型表现“非常好”并展现出“很多潜力” 但技术尚未完成 距离交付给内部业务和普通消费者仍有大量工作要做 [9] 行业竞争与商业化动态 - OpenAI仅靠API业务在上个月就新增了超过10亿美元的年度经常性收入 公司首席财务官披露2025年公司年化收入突破200亿美元 同比增长超230% 公司近期加快了商业化进程 并将在美国测试ChatGPT广告以带来额外收入 [4] - 美国AI公司Anthropic正在进行一轮总额超过250亿美元的融资 预计估值将提升至约3500亿美元 较去年9月的1700亿美元估值实现翻倍 此轮融资重要部分来自微软与英伟达已宣布的投资 红杉资本计划首次投资并可能领投 公司年化营收自去年夏天以来已翻倍 截至2025年底已超过90亿美元 [8] - 百度新设个人超级智能事业群组 合并文库和网盘事业部 百度文库目前AI月活用户超9700万 百度网盘AI月活用户超8000万 此次调整旨在整合人才与技术 强化公司在AI应用方面的整体协同创新能力 [5][6] AI安全、伦理与社会责任争议 - 特斯拉CEO埃隆·马斯克在X平台转发帖子称ChatGPT与9起死亡事件有关 其中5起据称是由于其互动导致自杀身亡 受害者包括青少年和成年人 OpenAI CEO山姆·奥尔特曼回应承认运营近十亿用户AI平台的挑战 并提及已有超过50人死于与自动驾驶相关的事故 争论将AI安全伦理、致幻风险及科技巨头社会责任等话题推向风口浪尖 [2] - 针对医生担忧年轻医生过度依赖AI并被误导的观点 百川智能创始人王小川回应称“AI加医生”组合优于单个医生 解决担忧的关键在于转换使用思路 让AI对医生的临床思维进行提醒、对诊疗结果进行校验 实现“AI给医生保驾护航”的模式 [3] - 《启明计划：构建人工智能护栏的全球共识》课题项目在北京大学启动 旨在制定政策蓝图 系统梳理全球AI安全护栏 识别关键趋同与分歧领域 提出建立全球共识的机制 研究涵盖国家政策、跨国组织准则、企业自律规范及学术倡议等多个层面 [15] 硬件、芯片与机器人领域动态 - 国产AI芯片公司燧原科技科创板IPO招股书显示 去年前三季度该公司有71.84%的销售收入来自腾讯及其指定的服务器厂商 腾讯及关联方持有该公司20.26%的股份 2022年至2024年 公司营收分别为0.9亿元、3.01亿元、7.22亿元 亏损分别为11.16亿元、16.65亿元、15.1亿元 三年合计亏损42.9亿元 [12] - 摩尔线程公告预计2025年年度实现营业收入14.5亿元到15.2亿元 同比增长230.70%到246.67% 预计净利润亏损9.5亿元到10.6亿元 亏损同比收窄34.50%到41.30% 公司预计最早可于2027年实现合并报表盈利 [13] - 宇树科技表示2025年公司人形机器人实际出货量超5500台 2025年本体量产下线超6500台 该数据为纯人形机器人数量 不含其他产品 其出货量超过了智元机器人此前透露的截至2025年底整体超5100台的出货量 [14] 开源与算法透明度 - 马斯克旗下社交媒体平台X正式将平台推荐算法开源 该算法由与xAI的Grok模型相同的Transformer架构驱动 系统彻底移除了所有人工设计的特征及绝大多数人为设定规则 几乎完全依赖基于Grok模型承担核心工作 通过预测用户行为对帖子进行排序 [10][11]

黄金市场表现与驱动因素 - 2025年开年以来黄金价格已创下16次历史纪录，其中4次突破3000美元关键位，年中冲破4000美元大关，年内迄今涨幅达52%，为1979年以来最大年度涨幅 [1] - 地缘政治局势紧张推高市场避险情绪，黄金作为“终极保险资产”需求旺盛 [2] - 美联储2025年释放可能进行两次25基点降息的信号，削弱美元吸引力，进而推高金价 [2] - 各国央行，特别是新兴市场央行持续增加黄金储备，为金价提供了稳定的需求支撑 [2] 其他潜在上涨商品分析 - **白银**：工业需求旺盛，全球光伏装机量每年维持20%增速，白银作为光伏导电浆关键材料占其工业需求的65%，2025年贵金属价格指数预计上涨超40% [4] - **铜**：兼具避险与工业品属性，高盛预测到2030年电网与电力基础设施将推动铜需求增长超60%，相当于在全球需求中再增加一个美国的需求量，2025年全球铜供应因智利铜矿事故等因素出现紧张 [4] - **天然气**：2025年欧洲天然气价格预计增长约10%，美国预计增长60%左右，主要受欧洲对液化天然气需求激增、美国气温偏低及出口增加推动 [5] - **咖啡**：巴西咖啡产区遭遇干旱，其阿拉比卡咖啡产量占全球近一半，供应问题已推动咖啡期货价格创下历史新高 [5] - **可可**：与咖啡类似遭遇干旱和产量不足，可可期货价格亦创下历史新高 [7] 机构对黄金后市的预测 - 高盛预计金价在2026年底涨至4900美元，较2025年底的3000多美元基础再涨约50% [7] - 部分分析师预测更激进，认为2026年底金价能到5000美元，2030年甚至可能达到1万美元 [7] 商品投资的参与方式与影响 - 参与黄金行情可直接购买实物（金条、金币），或通过黄金ETF、黄金期货等交易所交易工具 [10] - 铜、白银、咖啡、可可等商品，普通投资者更多通过期货市场或相关基金参与 [10] - 咖啡与可可价格上涨可能传导至终端消费品（如咖啡饮料、巧克力），但在整体消费篮子中占比不大，影响有限；天然气涨价则可能直接影响冬季供暖成本 [10] - 商品投资存在风险，历史上黄金曾在2011年至2015年间下跌40% [8]，建议将黄金或其他商品作为资产配置的一部分，例如占总资产的5%到10% [10]