公司公告核心信息 - 公司将于2026年3月19日举行董事会会议 [1] - 会议主要议程包括批准截至2025年12月31日止年度的全年业绩 [1] - 会议将审议并刊发全年业绩公布 [1] - 会议将考虑派发股息（如有） [1]

OpenAI内部开发模式的转变 - OpenAI工程师已基本不手写代码，在一个内部项目中，五个月内由Codex生成了100万行代码，构建了包括应用逻辑、基础设施、工具、文档和内部开发者工具在内的完整软件产品Beta版[2][3] - 公司内部文化为自下而上的创业公司氛围，团队小、决策快，工程师自主权高，好想法常由小团队自然形成并推进，而非来自高层制定的宏大计划[5][6][7] - 工程师的角色转变为“能力架构师”或“AI驾驭工程师”，核心工作从“写代码”变为设计环境、搭建反馈循环、定义架构约束，然后让AI智能体执行，即“人类掌舵，智能体执行”[11][12][13][14] AI驱动开发流程的核心实践 - 让应用对AI“可读”：将AI智能体接入Chrome DevTools协议，使其能像开发者一样操作页面、读取日志、抓取DOM和截屏观察界面，从而具备“眼睛”和“手”以进行测试和调试[20][40][41][42] - 将隐性知识显性化并写入代码仓库：确保所有规则和说明对机器可读，但采用“给地图而非千页说明书”的策略，提供导航而非一次性塞入所有细节，以避免上下文资源浪费和文档过时[21][22][23][24] - 设计“AI友好”的严格架构：例如强制规定每个业务域按固定层级组织，并强制依赖方向，任何违反都会被自动阻止，以此提升AI的工作效率[26][27][28] - 将人类“品味”编码为规则：将工程师的审美偏好（如文件大小限制、命名规则等）写成lint规则，使AI每次写代码都能自动遵守，实现“人类的品味一旦被捕捉，就可以应用到每一行代码”[29][30][31] - 建立自动化“垃圾回收”机制：针对AI可能复制代码库中不良模式导致的代码风格“漂移”问题，将清理原则编码进仓库，让Codex自动扫描问题并发起重构PR，防止技术债累积[32][33][34] AI智能体能力的演进 - AI智能体能够承担完整的软件开发与质量保证流程：包括写代码、启动应用、像用户一样操作UI、检查结果，并在发现问题后自动修改代码、提交PR、重启应用、重新运行任务，形成一个“发现问题 → 修改代码 → 再运行 → 再观察”的自动反馈循环，直到问题解决[44][45][47][52][53][54][56] - 智能体具备系统级的可观测能力：通过接入收集日志、性能指标和调用链的可观测系统，AI能像工程师一样排查服务错误、接口性能等问题[48][49][50] - 该全自动开发流程的成功运行高度依赖为特定代码仓库专门设计的结构和工具链，目前尚难直接照搬到其他环境[58] 对软件工程领域的潜在影响 - 软件工程的重点可能逐渐从“写代码”转向设计环境、规则和反馈机制，以使AI智能体能更稳定地参与构建和维护复杂系统[59] - 这种“AI驾驭工程”模式被视为一种现代控制论，历史上类似模式（如瓦特蒸汽机调速器、Kubernetes控制器）的出现，都意味着人的角色从执行者转变为系统的设计者和校准者[35][36]

事件概述 - 一家位于墨西哥、仅有三名开发者的初创公司，其Google Cloud API密钥被盗用，在48小时内产生了高达82,314.44美元（约合人民币57万元）的账单，而该公司正常的月度云服务支出约为180美元 [3][4][5] - 异常账单主要来自Gemini 3 Pro图像与文本服务的调用，金额是正常月度支出的约457倍 [4][5] - 公司立即采取了删除密钥、禁用API、轮换凭证等标准安全措施，但谷歌方面依据“共享责任模式”，表示客户需对凭证管理负责，因此账单仍需支付，这可能导致公司破产 [5][6][7] 技术安全漏洞分析 - 安全研究员指出，谷歌使用单一格式的API密钥（AIza...）用于两个不同目的：公开身份识别和敏感身份验证，这为安全漏洞埋下隐患 [16] - 核心问题在于“追溯性权限扩展”：当在一个已存在旧API密钥（如用于Google Maps）的Google Cloud项目中启用Gemini API后，该旧密钥会静默获得访问敏感Gemini端点的权限，而项目所有者不会收到任何警告 [23][24] - 另一个关键问题是“不安全的默认设置”：在Google Cloud中创建新的API密钥时，默认设置为“不受限制”，可立即访问项目中所有已启用的API（包括Gemini） [24] - 安全公司Truffle Security通过扫描公开网页数据，发现了2,863个存在此类权限提升漏洞的Google API密钥，涉及大型金融机构、安全公司等实体 [30] - 攻击者一旦获取此类暴露在公共代码中的API密钥，不仅可以导致受害者账单飙升，还可能访问其通过Gemini API上传的私有数据和缓存内容 [13][31] 云服务计费与风控机制缺陷 - 受害者质疑云服务商缺乏针对灾难性使用异常的基本防护措施，例如：当使用量达到历史水平的5倍或10倍时，没有自动硬性停止机制；没有对极端峰值进行强制确认；没有默认的单API消费上限 [5][10][11] - 社区讨论指出，由于云服务费用结算通常存在24至36小时的延迟，实现真正的“即时硬性封顶”在系统架构上存在复杂性 [32] - 有观点认为，开发者应自行设置消费限制，并为未设置硬性限制的配置错误承担责任 [33] 行业影响与讨论 - 该事件折射出生成式AI API调用成本高昂带来的结构性焦虑，凭证泄露后，高并发调用可在极短时间内累计巨额费用，这对小型创业团队可能是致命打击 [12] - 技术社区围绕责任归属展开讨论，一方同情小公司处境，认为平台应在极端异常场景提供缓冲；另一方则强调开发者自身配置和风控设置的责任 [12][32][33] - 有资深从业者建议，应厘清“被盗”定义（是系统被入侵还是凭证无意泄露），并检查是否拥有可覆盖此类事件的网络安全保险 [34] - 从最佳实践角度，建议通过工作负载身份和权限管理来授予访问，而非依赖API密钥，以提升安全性 [35] 供应商响应与后续 - 在安全研究员披露漏洞后，Google Cloud漏洞披露计划团队扩展了其泄露凭证检测流程，以保护客户，并承诺修复根本原因，但截至报告时尚未看到具体成果 [31]

文章核心观点 - 物理AI（以具身智能和世界模型为代表）是当前科技与投资热点，但其发展面临高质量数据严重短缺的核心瓶颈 [1][3][6] - 行业为解决数据问题，正从单一的真实数据采集、虚拟仿真或互联网视频提取路线，转向虚实融合的综合方案 [2][7][8] - 无问智科发布了业界首个物理AI数据基座平台“无垠”，旨在通过“高质量数据体系”、“高价值场景生态”和“Real2Sim2Real全闭环工具链”三项核心能力，为行业提供大规模、高质量的数据基础设施，打通从训练、测评到商业落地的全链路 [11][15][17][23][29] 行业背景与痛点 - 2026年，具身智能和世界模型是火爆赛道，年内已合计吸金超300亿元 [1] - 具身智能赛道融资活跃，开年2个月融资超20起，行业累计融资金额已超200亿元 [3] - 物理AI（具身智能）面临的最大痛点之一是高质量数据极度稀缺 [6] - 与LLM拥有海量互联网文本/图片数据不同，物理AI需要带物理反馈和交互的多模态数据，当前行业数据供给量与通用具身智能需求量的差距可能在一千万倍以上 [6] - 行业现有的三种数据解决方案各有弊端：真实数据采集成本极高、效率极低；虚拟仿真存在Sim2Real鸿沟；提取互联网视频则利用难度高且缺失物理模态 [7][8] “无垠”数据基座平台的核心能力 - 平台首次提出“数据基座”概念，具备三项核心能力 [11] - 高质量数据体系：结合大量真实场景采集数据与大规模高保真合成数据 [11] - 高价值场景生态：依托仿真技术实现大规模场景泛化与模拟，联合生态伙伴覆盖大量可落地真实场景 [11] - Real2Sim2Real全闭环工具链：实现从数据采集、模型训练、场景测评到产业落地的端到端打通 [11] - 平台已积累超1000TB规模的数据，并宣布将开源1万小时高质量数据以解行业燃眉之急 [15] 平台的技术实现路径（虚实融合） - 数据层：通过多源异构采集与多模态合成，解决数据稀缺与质量难题 [17] - 场景层：实现从训练场1:1复刻到德清全域、长三角高价值真实终端场景的虚实结合全覆盖 [17] - 工具链层：以数据采集范式、跨本体数据迁移、自动化标注、生成式仿真、智能化评测等技术打造全链路闭环工具链 [17] - 应用层：最终实现“训练—测评—落地”持续优化闭环 [17] - 真实数据采集方式全面，包括VR遥操、外骨骼遥操作、UMI、动作捕捉等多种模态，为行业最多模态的采集方式 [18] - 提供跨本体数据迁移工具链，解决数据不通用、企业闭门造车的问题 [18] - 通过高保真生成式仿真技术（如与地平线联合发布的EmbodiedGen数字表亲和数字远亲功能），将真实场景1:1还原至虚拟世界并可任意改变，实现真实数据的指数级放大 [18] - 平台已拥有百万级“simready资产”（可实现毫米级物理交互的仿真物体），覆盖全场景、全品类、全模态 [20] 平台提供的产业价值与生态 - 平台不仅提供数据，还帮助行业打通训练、评测和落地的整个链路 [23] - 训练环节：提供的数据覆盖物流仓储、家庭服务、酒店文旅、工业制造、办公服务和商业零售等六大核心作业场景，支撑模型实现更强泛化性 [23] - 测评环节：提供具身仿真评测框架，支持仿真模拟环境和世界模型环境评测，可自定义任务并进行规则或开放式评测 [23] - 落地环节：基于生态合作伙伴开放的高价值场景，帮助企业打造标杆案例，展示机器人“干活”价值 [25] - 生态合作案例：星动纪元展示了利用平台数据打造的具身智能通用物流场景解决方案 [25]；中国优选运营宣布第一家未来新零售旗舰门店落地长三角（德清）具身智能数据采集训练场 [27] - 平台已吸引五十多家生态合作企业，形成行业最豪华的生态阵容 [29] - 与地平线、地瓜机器人达成深度战略合作，旨在形成“算力（地瓜机器人）+算法（地平线）+数据（无问智科）”的完整基座能力，打通研发到量产的最后一公里 [31] 公司背景与行业洞察 - 无问智科创立于2022年11月，创始人兼CEO刘盛翔是中国最早的自动驾驶开拓者之一，曾主导构建百度Apollo自动驾驶数据与测试验证体系 [34][36] - 创业初衷是洞察到物理AI缺乏高质量数据的行业痛点 [36] - 创业2个月后即与地平线达成合作，地平线不仅是其深度合作伙伴和首位投资人，其创始人余凯还担任无问智科首席顾问 [38] - 自动驾驶与具身智能赛道技术有交集、供应链高度重合，自动驾驶玩家的经验可在具身智能领域复用 [38] - 但具身智能缺乏标准化的数据采集方案、大规模采集方法及生产使用数据的工具链，因此专业的第三方数据基础设施对行业意义非凡 [39]

文章核心观点 - 图灵奖得主Yann LeCun提出，AI发展的未来方向不应是模仿人类的通用人工智能，而应是追求**超人类适应性智能**，其核心是**系统适应新任务的速度**，而非掌握技能的数量[2][3][5] - 将人类智能作为AI发展的基准和目标是错误的，这限制了AI的能力发展，使其局限于以人类为中心的任务空间[10][11][12] - 人类的“通用”智能本质上是生物进化为生存而优化的结果，存在认知盲区，并非真正的通用，因此AI复制人类的“生存型智能工具箱”是一条错误的技术路线[18][20][30] - 智能进化的常态是**专业化**，通过任务特定的架构和训练实现超人类能力，强行追求通用性在工程和理论上往往是低效的[31][34][42] AI发展目标的转变 - 发展目标发生三个关键变化：**不再以人类为参照系**、**拥抱专业化以实现超人类能力**、衡量智能的核心指标变为**学习新技能的速度**[3][6] - 过去的发展逻辑是把人类当作智能标尺，例如图灵测试，但LeCun团队认为这限制了通往超人类能力的路径[8][9][10] - 更合理的路径是让AI围绕明确目标，通过**自我博弈、进化搜索和大规模仿真**持续优化能力[13] 对人类“通用性”的批判 - 人类智能是进化塑造的生存工具，擅长视觉感知、行走等对生存至关重要的能力，但在计算复杂概率、高维优化等任务上表现远不如计算机[19][20][23] - 莫拉维克悖论指出：人类觉得简单的事情对计算机很难，而人类觉得困难的事情对计算机却很容易[26][27][28] - 所谓“通用人工智能”很大程度上是一种错觉，源于人类无法看见自己的生物学盲区[25] 专业化是智能进化的常态 - 从生物学角度看，在资源有限、环境复杂的情况下，进化会推动系统向**特定能力方向优化**[32] - 在AI领域，如果某个领域的任务对成本、精度、可靠性要求高，任何不达标的模型都会被更专业的系统取代[34] - **AlphaFold**是专业化的典型成功案例，它通过任务特定的架构、数据和训练策略，在蛋白质结构预测上实现了巨大突破[35][37] - 机器学习的基本规律是：算法的成功来自于它与问题结构的匹配，强行让一个模型处理多个不同任务可能导致所有任务都表现平平[38][39] - 多任务学习可能存在**负迁移**问题，即不同任务的梯度互相冲突，拖累整体性能[40][41] 实现SAI的技术路线 - 技术路线基于三个关键词：**自监督学习**、**世界模型**、**模块化系统**[43] - **自监督学习**不依赖人类标注，而是从大量真实世界数据中学习底层结构[44] - **世界模型**让AI在内部构建一个“世界的模拟器”，使其能够预测未来、进行规划，从而在没有明确训练的情况下完成新任务[45][46] - **模块化架构**意味着未来AI更可能是一系列相互协作的系统，而非一个万能模型，论文明确反对“统治一切”的单一模型架构，尤其是自回归范式的下一个token预测[47][48]

文章核心观点 - 中国联通数据科学与人工智能研究院联合高校提出的新框架“轨迹链”(CoTj)，通过赋予扩散模型动态规划能力，实现了对文生图/视频模型计算资源的智能分配，在极低计算步数下显著提升生成质量，证明了“路径规划”比“求解器优化”更为关键 [4][23][35] 技术原理与创新 - CoTj框架的核心创新是让扩散模型拥有了类似“系统2”的规划能力，能够根据提示词的复杂程度动态分配计算资源，解决了传统方法固定步数采样导致的“简单题算力过剩，复杂题细节崩坏”问题 [1][2][4] - 团队通过提取名为“Diffusion DNA”的低维结构化特征，量化每个去噪阶段的难度，成功将高维复杂的采样过程转化为有向无环图上的最短路径优化问题，克服了“状态维度灾难” [8][9][11] - 该框架采用“预测-规划-执行”推理范式：首先通过极轻量级预测器快速预判难度，然后基于图论进行全局轨迹规划，最后动态执行算力分配 [14][15] 性能表现与实验结果 - 在极端加速场景下，CoTj展现出颠覆性优势：在仅5步的极端压缩下，CoTj规划出的轨迹配合最朴素的1阶Euler求解器，其生成质量（GenEval 0.626）超越了传统固定调度配合高阶UCGM求解器的方案（GenEval 0.528） [4][23][24] - 当CoTj规划配合高阶UCGM求解器时，在5步下能达到GenEval 0.775，在10步下能达到0.850，证明了正确规划与高阶求解器结合能达到最佳效果 [24] - 在轨迹可达性方面，10步的CoTj轨迹其重构质量（MSE减少超60%，PSNR提升超6dB）能媲美或超越传统固定分配的数十步结果 [25][28] - 在缓存自适应方面，CoTj能根据预测的DNA引导Cache更新节点，精准锁定高信息密度区域进行计算复用，在25步预算下，其性能（PSNR 35.20）反超了专门针对缓存优化的LeMiCa算法（PSNR 32.77） [27][28] 跨模态应用与扩展发现 - 在视频生成任务中，CoTj应用于Wan2.2模型测试，发现了“生成层级”逻辑，即在极限压缩下采取“保真度优先”策略，先稳定空间结构再释放动态效果，从而在40步充足预算下实现运动平滑度和动态逼真度的全面反超 [29][31] - Diffusion DNA特征可作为模型诊断工具，通过分析分步重建增益曲线，能揭示模型的内在收敛性，例如发现某些蒸馏模型在迭代后期仍保持高更新能量，存在“过度烹饪”和结构不收敛的隐患 [32][34] 未来展望与行业影响 - CoTj框架被视为将生成式AI从被动执行引向“资源感知规划”的里程碑式探索，标志着扩散模型“系统2”深思熟虑时代的开启 [35][37] - 团队指出了未来的研究方向，包括扩展到更复杂的视频动态建模、引入在线反馈机制进行轨迹修正，以及探索跨模态下无监督的Diffusion DNA发现 [36] - 该研究的论文已在arXiv发布，推理代码也已开源 [5][37]

公司高管证券交易 - 执行董事阿尔贝托·卡尔德龙于2026年3月6日通过非市场交易，根据2023年延期股份计划获得了80,296股归属股份，每股价格为0美元 [1] - 阿尔贝托·卡尔德龙为支付税款，于同日以每股106.3375美元的加权平均价格在市场上出售了38,542股，交易总价值为4,098,459.14美元，出售价格区间为106.3350美元至106.3380美元 [1] - 此次出售后，阿尔贝托·卡尔德龙继续持有330,063股股份及股权激励奖励，另有282,553股绩效股份计划下的股份尚未归属 [1] - 执行董事吉莉安·多兰于2026年3月6日通过非市场交易，根据2023年延期股份计划获得了10,252股归属股份，每股价格为0美元 [1] - 吉莉安·多兰为支付税款，于同日以每股106.2967美元的价格在市场上出售了5,126股，交易总价值为544,876.88美元 [1] - 此次出售后，吉莉安·多兰继续持有58,175股股份及股权激励奖励，另有101,416股绩效股份计划下的股份尚未归属 [1] 公司财务与运营表现 - 公司在2025年实现了创纪录的29亿美元自由现金流，这得益于强劲的产量增长、持续的成本控制以及更高的每盎司黄金平均售价 [1] - 公司宣布了2025年第四季度8.75亿美元的期中股息，使得2025年宣布的总派息额达到18亿美元，为历史最高水平 [1] - 公司再次实现了黄金产量和维持性资本支出的指导目标 [1] 公司基本信息 - 公司名称为盎格鲁阿散蒂有限公司，在纽约证券交易所和约翰内斯堡证券交易所上市，股票代码分别为AU和ANG [1] - 公司总部位于美国科罗拉多州丹佛市 [1] - 公司首席执行官为阿尔贝托·卡尔德龙 [1] - 公司员工人数为25,000名 [1]

公司融资进展 - 中国国航收到中国证监会同意公司向特定对象发行股票注册申请的批复[1]

公司业绩概览 - 公司2025财年总收益为54.48亿港元，同比增长17% [1] - 公司股东应占亏损为2500万港元，与2024年相比由盈转亏 [1] - 公司每股基本亏损为0.52港仙 [1] - 公司拟派发末期股息每股5.21港仙 [1] 香港业务表现 - 2025年香港业务溢利为1800万港元，较2024年减少42% [1] - 香港业务溢利下降主要由于银行利息收入下降 [1] - 香港业务的EBIT（息税前利润）增长6%至1800万港元 [1] 澳门业务影响及一次性项目 - 澳门业务对集团2025年整体业绩造成不利影响 [1] - 不利影响中包含一项亏损合约的一次性拨备 [1] - 若撇除该亏损合约的一次性拨备，集团可录得股东应占溢利为500万港元 [1]

核心观点 - 尽管特斯拉在2026年面临交付量下滑和股价下跌等挑战，但ChatGPT对其前景仍持相对乐观态度，认为其股价将在2026年缓慢攀升，并给出了具体的目标价预测[1][6][11] 公司表现与市场反应 - 特斯拉在2026年录得令人担忧的年度交付量下滑，且截至3月9日，其股价在2026年内下跌了12.47%[1] - 特斯拉股票的交易价格显著高于传统汽车公司，这解释了华尔街目标价范围异常宽泛的原因，其股权本质上仍是对未来技术突破的押注[10] 面临的挑战 - 自2026年以来，公司一直面临多种相互竞争的叙事[3] - 一方面，在特朗普第二任政府下失去政府补贴，加之其首席执行官偶尔涉及某些20世纪意识形态的言论，使公司在销售方面损失巨大[3] 增长驱动与优势 - 另一方面，特斯拉仍被视为技术巨头，关于全自动驾驶系统、“机器人出租车”甚至“Optimus”机器人的更前沿叙事推动着对其未来的乐观情绪[4] - 公司基本面依然强劲，特别是电池和软件业务方面表现突出，其规模和制造能力也是额外的优势[7] - 2月底中东战争升级，展示了全球经济对石油供应冲击的脆弱性，这种状况可能会推动对可再生能源的新兴趣[4] ChatGPT的股价预测与分析 - ChatGPT预测特斯拉股价将在2026年缓慢攀升，并将其12月31日的目标价设定为472美元，仅略低于2025年底创下的历史最高点[11] - 该预测属于“基本情况”，同时为特斯拉股票留下了上涨至650美元的空间，前提是电动汽车需求稳定且持续的技术发展能带来明确的突破[12] - 反之，如果公司遭遇更多挫折，股价也可能暴跌至200美元的低位[12] - ChatGPT认为行业广泛放缓以及特斯拉交付量下降是周期性的，并不构成生存威胁[6] 对地缘政治与油价冲击的看法 - ChatGPT认为，历史上的化石燃料供应中断对电动汽车市场的长期结构性影响甚微，因此在做2026年底股价预测时，最新的商品市场价格飙升相对微不足道，尤其是与全自动驾驶可能全面推出等因素相比[16][18] - 该观点基于历史事件分析，例如2022年俄罗斯入侵导致油价飙升仅短期提振电动汽车叙事，2019年沙特炼油厂遇袭和多次中东冲突引发的油价飙升也仅带来暂时的板块轮动，均未产生持久的重大影响[18]