论文核心内容 - DeepSeek在新论文中提出名为mHC（流形约束超连接）的新网络架构 旨在解决传统超连接架构在大规模模型训练中的不稳定性、可扩展性受限及内存访问开销大的问题 [1][4] - mHC架构为超连接的“信息通道”增加了一套“交通规则” 在保留性能优势的同时恢复了信息原样传递的特性 使模型训练更稳定、更容易做大 推动大模型底层架构的工业化落地 [4] - 研究团队希望mHC能重新激发学界对宏观架构设计的兴趣 深化对拓扑结构如何影响优化与表征学习的理解 为下一代基础架构的演进指明新方向 [5] 技术原理与类比 - 传统计算链条信息传递管道窄 信息量大易“堵车” 超连接通过拓宽管道增加信息流 但可能导致水流过猛冲坏“水管” [4] - mHC相当于给“水管”加装“智能调节阀” 能确保信息水流的稳定 运行时更节省资源 [4] 行业影响与意义 - mHC或能让企业在训练更大规模基础模型时 减少硬件投入、缩短训练周期 降低大模型研发门槛 使算力有限的中小AI企业也能尝试开发更复杂的大模型 [5] - 训练稳定性和可扩展性的提升 能让大模型在更复杂的场景落地 例如需要超大规模参数的多模态模型、工业级的智能决策系统 [5] - 有行业人士评价认为 此次创新针对Transformer最基础的问题 结合此前积累 预测DeepSeek有望在V4版本中做出重大更新 [5] 公司近期动态 - DeepSeek创始人兼CEO梁文锋出现在mHC论文的合著名单中 解振达、韦毅轩、曹焕琪是核心贡献者 [3] - 自2025年初引发广泛关注以来 公司在模型迭代与开源上持续发力 仅12月就同步推出了DeepSeek-V3.2与V3.2-Special [6] - 公司在11月底开源了数学推理模型DeepSeek-Math-V2 成为目前首个达到国际奥数金牌水平并开放使用的数学模型 [6]

行业技术动态 - 智元公司发布了一体化具身大小脑系统GenieReasoner [1] - 月之暗面公司计划于今年初上线多模态新模型 [1] - DeepSeek公司发布新论文，提出名为mHC（流形约束超连接）的新架构 [1]

论文核心观点 - DeepSeek公司提出名为“流形约束超连接”的新神经网络架构mHC 旨在解决传统超连接在大规模模型训练中的不稳定性问题 同时保持其显著的性能增益 [1][6] 研究背景与问题 - 传统超连接通过扩展残差流宽度和多样化连接模式扩展了残差连接范式 并带来了显著的性能提升 [6] - 但这种多样化损害了残差连接固有的恒等映射属性 导致严重的训练不稳定性和受限的可扩展性 并产生显著的内存访问开销 [6] 技术方案与创新 - mHC是一个通用框架 可将超连接的残差连接空间投影到特定的流形上 以恢复恒等映射属性 [6] - 该方案结合了严格的基础设施优化以确保效率 [6] 实验效果与意义 - 经验实验表明 mHC对于大规模训练有效 可提供切实的性能改进和卓越的可扩展性 [6] - 预计mHC作为超连接的灵活且实用的扩展 将有助于更深入理解拓扑架构设计 并为大模型的演进提出有希望的方向 [6] 作者与发布信息 - 论文第一作者包括Zhenda Xie（解振达）、Yixuan Wei（韦毅轩）、Huanqi Cao [1] - DeepSeek创始人兼CEO梁文锋也在作者名单之列 [1] - 论文已发布于Hugging Face和Arxiv平台 [6]

核心观点 - DeepSeek团队于2026年发布新论文，对深度学习基础组件“残差连接”进行了重大升级，提出了一种名为“Modified Hyper-Connections (mHC)”的新方法，旨在解决现有扩展方案“Hyper-Connections (HC)”的稳定性问题，同时提升模型性能 [1][27] - 该方法通过将残差映射矩阵约束为“双随机矩阵”，从理论上保证了深度网络训练时的稳定性，并通过一系列工程优化控制了计算开销 [11][36] - 实验证明，在高达270亿参数规模的混合专家模型上，mHC能实现稳定训练，并在多个下游评测任务上超越基线模型和HC方法，性能提升显著 [22][47] 技术背景与问题 - 残差连接自2016年ResNet提出以来，因其“恒等映射”特性成为深度学习架构的基石，并广泛应用于Transformer及GPT、LLaMA等大语言模型 [5][6][31][32] - 近期出现的Hyper-Connections试图通过将残差流宽度从C维扩展到n×C维（引入三个可学习映射矩阵）来提升性能，其中负责残差流内部信息交换的Hres矩阵贡献了最显著的性能提升 [7][32] - 但HC在扩展到深层网络时存在严重隐患：复合映射不再保持恒等性质，导致训练不稳定 [9][34] - 在270亿参数模型的训练中，HC在约12000步时出现突发损失激增和梯度范数剧烈波动 [9][34] - 研究团队计算发现，HC的复合映射对信号的放大倍数峰值高达3000倍，意味着信号在层间传播可能被剧烈放大或衰减至近乎消失 [10][35] 核心解决方案：双随机矩阵约束 - DeepSeek论文的核心思路是将残差映射矩阵约束到由双随机矩阵构成的Birkhoff多面体上 [11][36] - 双随机矩阵约束带来三个关键理论性质：1) 范数保持（谱范数≤1），防止信号放大和梯度爆炸；2) 组合封闭（多个双随机矩阵相乘仍为双随机矩阵），确保深层网络复合映射的稳定性；3) 几何上可解释为对特征做凸组合，是一种稳健的特征融合机制 [14][15][39][40] - 团队采用Sinkhorn-Knopp算法将任意矩阵投影到该流形上 [16][41] - 实验证明该方案有效：在270亿模型中，mHC的复合映射信号增益最大值约为1.6，与HC的3000峰值形成三个数量级的差距 [16][41] 工程优化 - 扩展残差流宽度带来额外内存开销：标准残差连接每个token需读取2C、写入C个元素；而HC需读取(5n+1)C + n² + 2n、写入(3n+1)C + n² + 2n个元素，当扩展率n=4时增量可观 [19][44] - 团队使用TileLang框架实现多个融合内核，合并操作以减少内存访问次数 [19][44] - 为Sinkhorn-Knopp算法设计了专门的前向和反向内核，在芯片上重计算中间结果以避免存储开销 [19][44] - 扩展了DualPipe调度策略，通过将MLP层特定内核置于高优先级计算流，实现计算与通信的重叠 [19][44] - 论文给出了最优重计算块大小的优化公式，并选择将其与流水线阶段边界对齐以提升效率 [20][45][47] 实验验证与性能表现 - 实验在30亿、90亿和270亿三个规模的混合专家模型上进行，扩展率n设为4 [22][47] - 在270亿MoE模型上，mHC展现出稳定训练曲线，最终损失相比基线降低0.021，同时保持了与基线相当的梯度范数稳定性 [22][47] - 在下游任务评测中，mHC在BBH推理任务上比HC提升2.1%，在DROP阅读理解任务上提升2.3% [22][47] - 具体评测数据对比（270亿模型）： - **BBH (EM)**: 基线43.8， HC 48.9， mHC 51.0 - **DROP (F1)**: 基线47.0， HC 51.6， mHC 53.9 - **GSM8K (EM)**: 基线46.7， HC 53.2， mHC 53.8 - **HellaSwag (Acc.)**: 基线73.7， HC 74.3， mHC 74.7 - **MATH (EM)**: 基线22.0， HC 26.4， mHC 26.0 - **MMLU (Acc.)**: 基线59.0， HC 63.0， mHC 63.4 - **PIOA (Acc.)**: 基线78.5， HC 79.9， mHC 80.5 - **TriviaOA (EM)**: 基线54.3， HC 56.3， mHC 57.6 [23][48] - mHC在大多数评测任务上表现超过基线和HC [23][48] - 计算缩放曲线显示，mHC的性能优势在更高计算预算下仍能保持，仅出现轻微衰减 [23][48] - 对30亿模型的token缩放曲线分析表明，mHC的优势贯穿整个训练过程 [23][48] - 内部大规模训练实验进一步证实结论，当扩展率n=4时，mHC仅引入6.7%的额外时间开销 [25][50]

公司技术突破：mHC新架构 - 公司提出名为“流形约束超连接”的新架构，旨在解决传统超连接在大规模模型训练中的不稳定性问题，同时保持其显著的性能增益 [1] - mHC通过将超连接的残差连接空间投影到特定流形上，以恢复恒等映射特性，并融合严格的基础设施优化以确保运行效率 [3] - 内部大规模训练结果显示，mHC可有效支持规模化训练，当扩展率=4时，仅带来**6.7%**的额外时间开销 [3] - 实证实验表明，mHC能够有效支持大规模训练，在提供明显性能提升的同时具备更优的可扩展性 [3] - 通过高效的基础设施级优化，mHC以可忽略的计算开销实现了上述改进 [5] - 该框架为未来研究开辟了多个重要方向，包括探索针对特定学习目标设计的多种流形约束，以及对差异化几何约束的深入研究 [5] 公司近期产品发布 - 2025年12月1日，公司同时发布两个正式版模型：DeepSeek-V3.2和DeepSeek-V3.2-Speciale [6] - DeepSeek-V3.2的目标是平衡推理能力与输出长度，适合日常使用，例如问答场景和通用Agent任务场景 [6] - 在公开的推理类Benchmark测试中，DeepSeek-V3.2达到了GPT-5的水平，仅略低于Gemini-3.0-Pro [6] - 相比Kimi-K2-Thinking，V3.2的输出长度大幅降低，显著减少了计算开销与用户等待时间 [6] - DeepSeek-V3.2-Speciale是V3.2的长思考增强版，同时结合了DeepSeek-Math-V2的定理证明能力，在主流推理基准测试上的性能表现媲美Gemini-3.0-Pro [7] - 2025年9月29日，公司发布DeepSeek-V3.2-Exp模型，引入了DeepSeek Sparse Attention，针对长文本的训练和推理效率进行了探索性优化和验证 [7] - 同时API大幅度降价，在新的价格政策下，开发者调用DeepSeek API的成本将降低**50%**以上 [7] 公司学术成就与行业地位 - 2025年9月17日，公司关于DeepSeek-R1推理模型的研究论文登上了国际权威期刊《自然》的封面 [8] - 该论文首次公开了仅靠强化学习就能激发大模型推理能力的重要研究成果 [8] - 这是中国大模型研究首次登上《自然》封面，也是全球首个经过完整同行评审并发表于权威期刊的主流大语言模型研究 [8] - 《自然》在其社论中评价道：“几乎所有主流的大模型都还没有经过独立同行评审，这一空白终于被DeepSeek打破。” [8]

公司技术发布 - DeepSeek在新年第一天发布了一篇新论文，提出了一种名为“流形约束超连接”的新架构，旨在解决传统超连接在大规模模型训练中的不稳定性问题，同时保持其显著的性能增益 [1][26][27] - 该技术通过将传统Transformer的单一残差流扩展为多流并行架构，并利用Sinkhorn-Knopp算法将连接矩阵约束在双拟随机矩阵流形上，成功解决了超连接因破坏恒等映射属性而导致的数值不稳定和信号爆炸问题 [1][28] - 论文的第一作者有三位，值得注意的是，DeepSeek创始人兼CEO梁文锋也在作者名单中 [3][30] 技术背景与问题 - 传统的残差连接凭借“恒等映射”保证了信号无损传输和训练稳定性，但其瓶颈在于信息通道的宽度受限于隐藏层维度 [3][30] - 以超连接为代表的研究通过扩展残差流宽度和多样化连接模式，拓展了残差连接范式，带来了显著的性能提升，但也带来了两个严重问题：破坏了恒等映射属性导致训练不稳定和可扩展性受限，并额外增加了显著的内存访问开销 [3][30] - 具体问题包括：连接矩阵自由学习导致信号数值“爆炸”或“消失”的数值不稳定性；以及通道变宽导致显存读写和通信成本成倍增加的“显存墙”问题 [6][33] 核心技术方案 - mHC是一个通用框架，它将HC的残差连接空间投影到一个特定的流形上，以恢复恒等映射属性，同时结合严格的基础设施优化以确保效率 [3][30] - 核心目的是在保留“加宽残差流”带来的性能提升的同时，解决其导致的训练不稳定和显存消耗过大的问题 [4][31] - 团队利用Sinkhorn-Knopp算法将残差连接矩阵投影到Birkhoff多胞形上，这使得信号传播变为特征的“凸组合”，从数学上严格保证了信号范数的稳定性 [7][31] - 选择双拟随机矩阵的原因在于其具有范数保持、复合封闭性和几何解释等有利于大规模训练的理论属性 [12][13][38][41] 效率优化措施 - 为了抵消加宽通道带来的开销，团队实施了内核融合、选择性重计算以及扩展的DualPipe通信计算重叠策略 [7][31] - 在n=4的扩展倍率下，仅增加了6.7%的训练时间开销 [7][34] - 具体的算子融合措施包括：重新调整RMSNorm顺序、采用混合精度策略、开发统一算子融合多次扫描和矩阵乘法、在单个算子中实现Sinkhorn-Knopp迭代及其自定义反向传播，以及将映射应用与残差合并融合以显著减少内存读写量 [15][43] - 重计算策略包括在前向传播后丢弃mHC算子的中间激活并在反向传播时即时重新计算，并通过推导最优重计算块大小以最小化总内存占用 [16][43][44] - 扩展了DualPipe调度算法以改善流水线并行阶段边界处的通信与计算重叠 [16][44] 实验设置与模型配置 - 研究团队通过语言模型预训练来验证所提方法的有效性，并对基线模型、HC以及mHC进行了对比分析 [16][44] - 采用了受DeepSeek-V3启发的MoE架构，训练了四种不同的模型变体，覆盖不同的评估体系 [16][44] - HC和mHC的扩展率n均设置为4，主要关注点是一个27B参数规模的模型 [17][44] - 此外，还训练了使用成比例数据的较小3B和9B模型来分析计算扩展性，以及一个在固定1T Token语料库上训练的独立3B模型来专门研究Token规模的影响 [17][44] - 详细的模型配置参数表显示了从3B到27B不同规模模型在词汇量、激活参数量、总参数量、层数、维度、训练步数、训练Token数等方面的具体数据 [18][45] 实验结果：稳定性与性能 - 在27B参数规模的模型上，mHC有效缓解了HC中观察到的训练不稳定问题，与基线模型相比，最终损失降低了0.021 [22][49] - 梯度范数分析证实了mHC的稳定性提升，其表现出明显优于HC的行为，保持了与基线模型相当的稳定轮廓 [22][49] - 在下游基准测试中，mHC带来了全面的性能提升，一致性地优于基线模型，并在大多数任务上超过了HC [23][24][50][51] - 具体而言，在27B模型上，mHC在BBH任务上达到51.0，相比HC的48.9提升了2.1%；在DROP任务上达到53.9，相比HC的51.6提升了2.3% [23][24][50][51] 实验结果：可扩展性 - 规模扩展实验涵盖了从3B、9B到27B参数规模的计算规模扩展曲线，轨迹表明即使在更高的计算预算下，mHC的性能优势依然稳健地得以保持，仅表现出轻微的衰减 [25][52] - Token扩展曲线展示了3B模型在训练过程中的动态变化，验证了mHC在大规模场景下的有效性 [25][52] - 研究结论指出，mHC为基础模型的拓扑架构演进指明了方向 [7][34]

公司动态 - DeepSeek于元旦发布新论文，提出名为mHC（流形约束超连接）的新架构 [1] - 该研究旨在解决传统超连接在大规模模型训练中的不稳定性问题，同时保持其显著的性能增益 [1] - 论文第一作者为Zhenda Xie（解振达）、Yixuan Wei（韦毅轩）、Huanqi Cao，DeepSeek创始人兼CEO梁文锋也在作者名单中 [1] 技术进展 - 新提出的mHC架构旨在解决传统超连接在大规模模型训练中的不稳定性问题 [1] - 该架构的目标是在解决稳定性问题的同时，保持传统超连接带来的显著性能增益 [1]

文章核心观点 2025年是中国数码3C行业经历深刻变革与加速发展的一年，以DeepSeek为代表的国产AI大模型引领了全球AI效率至上的新周期，国家补贴政策强力激活了消费市场，充电宝行业因安全事件迎来最严监管与洗牌，AI眼镜市场实现爆发式增长，同时系统级AI助手的出现引发了关于未来手机形态与生态权限的行业大讨论，这些变化共同重塑了产业的底层逻辑，标志着中国企业正从“并跑”向“领跑”跨越的关键节点 [1][14][27] DeepSeek引领AI效率革命 - 2025年1月20日，DeepSeek-R1发布，以仅约600万美元的极低训练成本冲击硅谷算力霸权，其数学和代码推理能力可对标顶级闭源模型 [1][15] - 9月推出的V3.2-Exp引入稀疏注意力机制，将API价格再次“腰斩”，12月发布的V3.2正式版将逻辑思考与Agent工具调用深度融合，在国际赛事中获金牌级表现 [2][16] - DeepSeek的“开源平权”策略，让千元级手机、入门级AI眼镜等设备能通过低成本云端API实现智能体验，引领了全球AI公司加码开源大模型的风潮 [2][16] “国补元年”激活3C消费市场 - 2025年1月8日，国家发改委、财政部发布政策，首次将手机、平板、智能手表纳入以旧换新补贴范畴，单机最高补贴500元，政策上线20天内即扭转消费疲软 [3][16] - 下半年政策扩容，广东、江苏、四川等14省地方加码，使单台设备综合补贴上限冲至700元，直接拉动全年3C零售额突破1200亿元 [3][16] - 补贴政策不仅带动销量，也促使消费者转向中高端产品，并将昂贵的AI体验门槛拉低至平民水准，加速了全行业智能化普及 [5][18] - 官方已宣布2026年国补政策将延续，且补贴范围有望进一步覆盖至智能眼镜等新兴品类 [5][18] “罗马仕事件”引发充电宝行业强监管 - 2025年6月，移动电源巨头罗马仕因产品自燃隐患被多所高校“封杀”，并遭民航局通报，该公司随后宣布召回近50万台问题产品，行业另一巨头安克也召回71万件 [5][19] - 事件导火索指向上游电芯供应商安普瑞斯未经报备擅自变更隔膜材料 [5][19] - 监管迅速反应：6月28日民航局发布紧急禁令；8月15日国家认监委强制要求所有在售充电宝加贴3C标志；11月工信部公示新增针刺试验等要求的“史上最严”新国标，计划于2026年Q1正式发布 [7][21] - 受事件影响，罗马仕自7月起停工整改6个月，近万张不达标的3C证书被撤销，行业告别低价公模的“狂野时代” [7][21] AI眼镜行业迎来爆发元年 - 2025年AI眼镜享受最高500元补贴，大幅降低消费门槛 [8][22] - 市场规模跨越式增长，全年全球出货量预计达1205万台，中国市场突破275万台，同比激增107%，稳居全球第一 [8][22] - 行业进入“百镜大战”，不仅Rokid、影目等专业品牌发力，华为、小米、阿里、理想汽车等巨头跨界入局，全球近70家企业布局，国际市场上Meta、谷歌与三星等纷纷加码 [10][24] 字节“豆包手机”引发系统级AI助手权限之争 - 12月1日，字节跳动联手中兴推出努比亚M153工程机，搭载“豆包手机助手技术预览版”，赋予AI模拟人类操作的全局权限，可实现跨应用连贯操作 [10][24] - 该技术随后引发“权限攻防战”，微信、支付宝等多家平台以“环境风险”为由对其进行了风控封禁 [12][26] - 此事件揭示了AI时代厂商App底层权限、用户信息安全与交互自由的多维矛盾，并引发行业对手机未来形态的思考：是封闭的应用容器，还是完全开放的数字化分身 [14][27]

行业宏观发展 - 中国创新药行业自2015年（“中国创新药元年”）起经历了十年快速发展，正迎来产品重大突破的“DeepSeek时刻”[2] - “十四五”以来，中国获批上市的国产创新药超过110个，市场规模达1000亿元[8] - 中国在研新药数量占全球比例超过20%，跃居全球新药研发第二位[8] - 自2018年以来，中国累计批准创新药265个，其中2025年截至11月底批准数量为68个，是2018年全年水平的6倍多[9] - 行业正处在机遇“窗口期”，预计到2030年，头部跨国药企多款支柱产品专利将陆续到期，为新产品布局创造空间[9] 政策与监管环境 - 2015年启动的药品审评审批制度改革对创新药实行“绿色通道”，大幅缩短审批时间[7] - 2025年6月，国家医保局、国家卫生健康委出台《支持创新药高质量发展的若干措施》，构建了对创新药从研发支持、目录准入、临床应用到多元支付的全链条支持体系[7] - 政策利用医保数据构建创新药研发导向体系，引导企业规避同质化竞争激烈的领域[7] - “双目录”机制支持创新药进入基本医保药品目录和商业健康保险创新药品目录，为企业拓展市场空间并探索解决看病贵问题的路径[7] 研发进展与突破 - 行业在肿瘤免疫治疗、降压降糖等领域的PD-1、CAR-T、ADC等研发管线上优势突出，例如中国拥有全球约40%以上的ADC在研管线，已成为研发第一梯队[9] - 以慢性肾脏病（CKD）为例，2023年全球约7.88亿成年人患有CKD，但治疗手段有限，新药种类稀少且价格高昂[3][4] - 针对CKD等疾病，CAR-T疗法凭借精准靶向致病细胞的核心优势，有望从根源上遏制疾病进展[5] - 研发团队通过多组学数据联合分析，锁定了新的细胞类型并发现全新的CAR-T靶点PDGFRβ，用于治疗肾脏纤维化[5] 国际化与商业模式 - 中国创新药“出海”窗口正在打开，对外授权金额快速增长[9] - 2025年，国产创新药的海外授权总金额已突破千亿美元，是2024年的约两倍[10] - “出海”模式已从最初的简单授权，演进为“共同开发、共同商业化”的风险共担、利润共享模式，标志着中国药企从“仿制跟随”向“源头创新”的产业角色跃迁[10] 行业挑战与未来方向 - 创新药研发遵循“双十定律”（十年时间、十亿美元）和“九死一生定律”（约90%的项目在临床前或临床阶段失败）[3] - 行业未来需从“快速跟进”转向“同类最优”乃至“同类首创”，从参与游戏转向制定规则[11] - 实现这一目标需要研发、政策与资本实力“三驾马车”的协同并进[11]

行业宏观背景与挑战 - 慢性肾脏病成为全球公共卫生新挑战 2023年全球约7.88亿成年人患有CKD 但治疗手段有限 新药种类稀少且价格高昂[2] - 创新药研发遵循“双十定律”和“九死一生定律” 即需要十年时间和十亿美元投入 且约90%的项目在临床前或临床阶段失败[1] 中国创新药行业发展历程与现状 - 2015年被称为中国创新药元年 国家启动药品审评审批制度改革 对创新药实行“绿色通道” 大幅缩短审批时间[5] - “十四五”以来 中国获批上市的国产创新药超过110个 市场规模达1000亿元 在研新药数量占全球比例超过20% 跃居全球新药研发第二位[5] - 自2018年以来 中国累计批准创新药265个 其中2025年截至11月底批准数量68个 是2018年全年水平的6倍多[6] - 行业正处在一个机遇“窗口期” 预计到2030年 头部跨国药企多款支柱产品专利将陆续到期 为中国创新药在特定领域提供了布局机会[6] 技术突破与研发进展 - 团队提出了靶向肾脏纤维化的CAR-T新思路 并锁定了新的细胞类型及全新CAR-T靶点PDGFRβ[1][3] - 在肿瘤免疫治疗等领域 中国创新药优势突出 例如拥有全球约40%以上的ADC在研管线 已成为研发第一梯队[6] - 技术赋能和政策支持为研发插上“双翼” 业界对创新药研发周期的预期正变得更加乐观[6] 政策支持体系 - 2025年6月 国家医保局、国家卫生健康委出台《支持创新药高质量发展的若干措施》 构建了对创新药从研发支持、目录准入、临床应用到多元支付的全链条支持体系[3] - 政策利用医保数据构建创新药研发导向体系 引导企业规避同质化竞争激烈的领域 为研发资源精准配置提供科学支撑[3] - “双目录”机制支持创新药进入基本医保药品目录和商业健康保险创新药品目录 既为企业拓展市场空间 也为解决看病贵问题探索路径[4] 国际化与“出海”趋势 - 中国创新药“出海”窗口正在打开 对外授权金额快速增长 2025年国产创新药的海外授权总金额已突破千亿美元 是2024年的约两倍[6][7] - “出海”模式已从最初的简单授权 演进为“共同开发、共同商业化”的风险共担、利润共享模式 标志着中国药企正从“卖家”向“合作伙伴”角色蜕变[7] 未来展望与挑战 - 行业需要从“快速跟进”转向“同类最优”乃至“同类首创” 从参与游戏转向制定规则 这需要研发、政策与资本实力“三驾马车”的协同并进[8]