AMD x86处理器市场份额表现 - 2025年第三季度，AMD在x86 CPU总市场份额达到25.6%，环比增长1.4个百分点，同比增长1.6个百分点，首次突破25% [1] - 在细分市场中，台式机份额为33.6%，环比增长1.4个百分点，同比增长5.2个百分点，首次超过三分之一；服务器份额为27.8%，环比微增；移动份额为21.9%，环比增长1.3个百分点 [1] - 若计入嵌入式、物联网及主机系统级芯片，AMD x86整体份额达到30.9%，同比大幅增长5.9个百分点 [2] 市场份额增长趋势 - 2025年前三个季度，AMD x86总份额呈现持续攀升态势，从第一季度的24%增长至第二季度的24.2%，再到第三季度的25.6% [2] - 台式机市场份额增长轨迹同样显著，从第一季度的30%增长至第二季度的32.2%，再到第三季度的33.6% [2] 数据中心业务表现 - 2025年第三季度，AMD在服务器CPU的出货量份额为27.8%，并呈现逐季微增趋势 [3] - 在收入份额方面，2025年第二季度达到41%，环比增长1.5个百分点，这主要得益于高端EPYC处理器占比提升，其单颗价值更高 [3] - 市场预期，到2025年底，AMD服务器CPU出货量份额有望接近30%，收入份额可能冲击45% [3] - 去年，AMD在中国区的数据中心业务实现了翻倍增长 [1] 区域市场分布 - AMD的市场区域分布较为集中，中国区和美国区各占约30%，其余部分来自中东和欧洲市场 [1] 竞争格局与行业观察 - 在x86处理器市场，AMD的总份额为25.6%，而英特尔占据74.4%的份额 [3] - 在细分市场，台式机领域AMD占33.6%，英特尔占66.4%；服务器领域AMD占27.8%，英特尔占72.2%；移动领域AMD占21.9%，英特尔占78.1% [3] - 尽管从存量市场看英特尔份额更多，但AMD在市场份额扩张上表现出了强劲的进攻态势 [3] - 行业内有观察指出，亚马逊云科技的自研AI训练芯片Trainium主要适配的是AMD的CPU，而非其自研的CPU，这被视为对AMD处理器性能的一种认可 [3]

以下是特朗普在Truth Social上发布的完整声明： 基于我与北约秘书长马克·吕特进行的一次极富成效的会谈，我们已经就格陵兰问题，事实上也是就整个北极地区，形成了一项未 来协议的框架。如果这一解决方案最终达成，它将对美利坚合众国以及所有北约成员国而言都是一项极佳的结果。基于这一共识，我 将不会实施原定于2月1日生效的关税措施。关于"金色穹顶"在格陵兰相关问题上的进一步讨论仍在进行中。随着谈判推进，将会公布 更多信息。副总统JD·万斯、国务卿马可·鲁比奥、特使史蒂夫·威特科夫以及其他必要人员将负责相关谈判，并直接向我汇报。感谢 各位对此事的关注！ 特朗普上周六在社交媒体上宣布，将从2月1日起对来自丹麦、挪威、瑞典、法国、德国、英国、荷兰和芬兰的输美商品加征10%关税，并 宣称加征关税的税率将从6月1日起提高至25%，直到相关方就美国"全面、彻底购买格陵兰岛"达成协议。 上周，包括德国、法国和丹麦在内的8个欧洲北约成员国在格陵兰岛进行了一场象征性演习，以展现保卫格陵兰的决心。 当地时间周三（1月21日），美国总统特朗普表示，他已与北约秘书长马克·吕特"就格陵兰问题形成了一项未来协议的框架"。 特朗普在其自创社 ...

"购买格陵兰岛！我们仍在努力实现这一目标。"美国总统特朗普1月19日在社交媒体上说。仅仅一天后，丹麦最大的养老基金之一 Akademiker Pension宣布将清空约1亿美元美国国债持仓。 图片来源：视觉中国 这并非特朗普首次提出购买格陵兰岛的想法，但此番他附加了经济威胁——若不支持美国政策，将对欧盟国家加征关税。而对于丹麦来 说，格陵兰岛不仅是全球最大岛屿，更是其自治领土。特朗普的言论无疑触及了丹麦的敏感神经，地缘政治紧张局势也迅速传导至金融 领域。Akademiker Pension首席投资官承认："虽然清仓美债的决策基于长期信用分析，但当前的地缘政治紧张局势确实使这一决定变得 更易做出"。 根据美国财政部国际资本系统（TIC）2024-2025年的数据，外国持有的美国证券总额已突破30.9万亿美元。作为美国最大的债权人区 域，欧洲投资者直接持有约8万亿美元美国证券（包括国债和股票），其中仅挪威养老基金这一家机构就持有约1万亿美元。 德意志银行在最新研报中指出，一旦欧洲决定将资本"武器化"，争端将不再局限于关税互搏，而是升级为直击美债命门的资本层面冲 突。 不过，抛售美国资产对欧洲是一把双刃剑，因为任何 ...

AI全球竞争格局分析 - 2025年2月DeepSeek-VL与DeepSeek-R1凭借低算力下高性能引发全球关注，市场一度认为在AI大模型层面已追上甚至将反超美国[2] - 但随后GPT-5、Grok-4、Gemini 3等接连发布，性能持续增强，而DeepSeek后续更新未再引发同等震动，引发对2026年初双方真实实力对比的重新审视[8] - AI竞争并非单纯比较ChatGPT与DeepSeek等应用，而是一整套五层技术栈的竞争：能源、芯片、基础设施、AI大模型、AI应用[11] 第一层：能源 - 在能源层，发电能力大约是美国的2倍，该层几乎无争议地完胜[13] - AI发展速度已超出传统电网承载能力，GPU计算效率每年可提升10倍，但AI对算力需求增速达每年1万倍甚至10万倍、100万倍[13] - 解决算力需求不能仅靠“省电”，必须依赖更多、更便宜、更稳定的能源，美国重新工业化需同时建设芯片厂、超级计算机厂、AI工厂（大规模算力中心），均极度消耗能源[14] - 美国过去十多年系统性地贬低能源被视作战略级错误，现正被迫纠正[14] 第二层：芯片与底层软件 - 在芯片层，美国“领先好几代”（generations ahead）[16] - 常见误区一：只看硬件参数，忽视软件生态，芯片非“插上即用”，决定GPU性能能否被榨干的关键是底层软件生态如英伟达CUDA[17] - CUDA生态是几十年形成的全球协作成果，全球有几百万工程师为其写代码、做适配，追赶路径只有与CUDA兼容或用时间培育同级生态[19] - 常见误区二：将AI GPU视为“高级显卡”，两者完全不同[20] - 最新一代Blackwell AI系统单体重量达2吨，零件数量150万个，功率0.2兆瓦，价格300万美元，此类产品无法走私且定制门槛极高[20] - 谷歌TPU能成功因其自身实力（季度利润350亿美元、诞生过4位诺奖得主），英伟达作为全球市值最高公司之一，拥有最强融资能力、供应链号召力和工程经验，地位极难撼动[20] 第三层：基础设施 - 在基础设施层，“基建狂魔”优势显著，涉及土地、能源、厂房、配套建设，本质是重资产、重组织、重执行力的工程问题[22][23] - 在美国建设一个AI数据中心往往需要3年，相比之下建设速度极快[23] 第四层：AI大模型 - 在最强大模型上，美国在闭源模型领域领先约6个月，代表公司包括OpenAI（GPT）、Google（Gemini）、马斯克的Grok、Anthropic（Claude）[25] - 在开源模型上优势明显更强，开源对创业公司、大学科研、AI教学及行业整体进化至关重要，没有开源AI将成少数巨头玩具，正在构建长期红利极大的优势区[27] 第五层：AI应用 - 在AI应用层依然领先，原因有三：社会对AI的正向认知比例约80%（美国几乎相反）；全球约50%的AI研究员是华人；应用转化速度快，历史上英国发明电但美国更快广泛应用并反超，AI同理，谁能更快将技术转化为现实生产力谁就赢[27] 机器人领域潜力 - 评估机器人潜力需看三点：需求、AI能力、机电工程能力（Mechatronics），是唯一的“三边形战士”，三点全中：作为制造业大国且面临用工荒导致需求巨大；AI能力强；机电工程能力全球顶级[31] - 相比之下，日本与德国需求强、机电强但AI偏弱；美国需求强、AI强但机电工程偏弱[31] - 去年全球部署100万台机器人，其中一半在部署，“文生图”与“用语言指挥机器人干活”原理相同，机器人时代已近在眼前（around the corner）[33] AI对工作的影响 - AI的风险并非导致失业，而是“任务被重写”，Job（工作）与Task（任务）不同，任务会被大量替代，但工作的目标是交付结果、服务人[35] - 举例：7-8年前计算机视觉成熟，有人预测5年后放射科医生会消失，但8年后放射科医生反而变多，因为“看片”只是任务之一，诊断疾病才是工作目标[35] - 英伟达工程师几乎人手一个AI助理，但反而更忙，应对AI恐惧的最佳方法是亲自使用它[37] AI投资逻辑 - AI不是简单概念或单一模型，而是一整套五层结构，真正的机会来自不同层在不同时间点的变化[38] - 投资应避免尚未被验证的“纯概念”，如小型核电或量子计算，当前最大问题在于未被验证，纯概念可能上涨但难持续，长期回报来自已被验证且正在扩散的方向[38] - 强调投AI要看结构而非概念[37]

Morningstar晨星 长 按 扫 码 查 询 更 多 晨星香港互认基金报告 基于晨星独家数据库，聚焦北上互认基金的月度资金流向、资产规模变化及管理人市场份额动态，旨 在为专业投资者提供及时、客观的数据参考与市场洞察。 2025年香港互认基金市场呈现出鲜明的动态变化，其资金流向受政策支持、境内资产与海外市场表现分化，以及 投资者配置偏好调整等多重因素共同影响。自1月1日起，香港互认基金面向内地投资者的销售比例上限由基金总 资产的50%放宽至80%，政策变化叠加内地投资者对海外多元化配置需求的释放，年初，香港互认基金迎来了一 波抢购热潮。4月美国关税风波短暂扰动资金正向流入趋势，二季度转为净流出。但随着资金在第三、四季度恢 复流入，固定收益、股票及混合型香港互认基金均以全年正向净流入收官。 固定收益型产品是2025年香港互认基金中资金流入最多的资产类别。在国内低利率的环境下，内地投资者寻求更 高收益，加之内地销售额度的提升，促使固收类香港互认基金在一季度获得大量资金涌入。部分产品重新开放认 购后不久，便触及上调至80%的内地销售上限，随即暂停内地申购。此后，随着A股和亚洲股票市场企稳回升， 部分资金自固收转 ...

1984年，在美国，一场金融变革正在酝酿。雇主们开始用401(k)计划取代传统养老金，将养老 责任从企业转向员工。个人投资者突然需要自主决策储蓄与投资，而共同基金正以破竹之势吸 引着越来越多普通家庭的目光——明星基金经理的名字开始出现在街头巷尾的谈资中。 在这场变革之中，芝加哥一位27岁的股票分析师乔·曼苏托（Joe Mansueto），在一间狭小的 一居室公寓里点燃了改变行业的星火。受约翰·特雷恩《The Money Masters》中巴菲特价值投 资哲学的启发， 他敏锐察觉到一个不公平的真相：金融专业人士唾手可得的基金分析数据， 普通投资者却无从获取。 这种信息鸿沟，触动了这位年轻分析师的内心。 于是，他向父母借来启动资金，购置了一些简陋的设备，组建起最初的团队。在公寓的方寸之 间，Morningstar诞生了。 这个名字源自梭罗《瓦尔登湖》的终章： "太阳不过是一颗星辰（The sun is but a morning star）"。 乔选择这个名字，是因为它承载着他对企业的全部期许： 如同破 晓时分的第一缕晨光，象征着新生与希望；同时也暗喻着瓦尔登湖畔的独立精神—— 关于自立、节俭的哲学，正是他希望企 ...

以下文章来源于晨星投资说 网上有段子说，中国投资者是世界上最博学和勤奋的人，上知天文下知地理，无所不精。 A股一波未平一波又起的行情，确实也给了大家勤奋的理由——这边还没把AI、算力、有色研 究明白，航空、卫星就带着涨停潮横空出世。这么看来，想要捕捉到赚钱的热点，确实需要勤 奋。 但可惜的是， 从晨星近期统计的数据来看，勤奋未必能换来对等的收益。 过去五年，对于大多数基金类别而言，因为不当的交易和择时，投资者实际拿到手的整体收益 还不如长期持有能获得的回报水平。 为什么越勤奋，反而离赚钱越远？这个问题的答案，就在于投资中的"惰性"。 近日，晨星对话了 美国资管公司先锋领航（Vanguard）行为研究团队的主管Andy Reed ，和 他一同聊聊投资里"懒"的学问，以及如何规避自我认知偏差、摆脱"越忙越亏"的怪圈。 晨星： 我其实有一个术语上的困惑，行为金融学还有很多名字，比如行为经济学、行为研 究，它们研究的是同样的东西吗？ Reed：说实话，我自己也一直在思考这个问题。现在市面上有很多相关术语，比如行为经济 学、行为金融学、行为科学、行为研究等等。颇具讽刺意味的是，这个领域似乎有一个不成文 的规矩：无论研究 ...

编辑丨 量子位 点击下方 卡片 ，关注" 具身智能之心 "公众号 >> 点击进入→ 具身 智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区： 具身智能之心知识星球（戳我） ，这里包含所有你想要的! 在具身智能 （Embodied AI） 的快速发展中， 样本效率 已成为制约智能体从实验室环境走向复杂开放世界的瓶颈问题。 不同于纯数字域的对话任务， 具身任务 通常涉及极度复杂的物理环境感知以及高维度的连续控制输出，这意味着智能体面临着巨大的状态- 动作搜索空间，导致学习效率低下且难以收敛。 传统的无模型强化学习由于缺乏对底层物理逻辑的理解，完全依赖于海量的盲目试错来获取学习信号。 然而，在现实物理世界中，每一次交互都伴随着不可忽视的时间损耗、高昂的硬件维护成本以及潜在的安全风险，这使得动辄数亿次的交互 需求变得极不现实。 为了应对这一挑战， 世界模型强化学习 （World Model RL） 研究应运而生。 其核心范式在于通过额外学习一个能够表征环境内在转移规律的预测模型，使智能体具备在想象空间中进行自我进化的能力。 这种机制允许智能体在潜空间内进行大规模、低成本的轨迹预演与策略优化，从而显 ...

如果说今年哪个方向最受欢迎，一定是VLA+RL。 VLA模型为具身智能带来了新的交互范式：机器人不再依赖精确定义的状态和规则，而是通过视觉感知环 境、理解语言指令，并直接生成动作序列。这一能力极大地降低了任务描述和系统设计的门槛，使机器人 能够应对更加开放和复杂的场景。 然而，在真实机器人系统中，VLA 往往仍然面临执行不稳定、对初始状态敏感、长时序任务易失败等问 题，其核心原因在于模型缺乏基于环境反馈的持续修正能力。 强化学习的出现为VLA带来了新的解决思路。RL并不是一门新的学科，但RL的优势为VLA提供了从"理 解"走向"执行优化"的关键机制。通过引入奖励或价值信号，RL可以在保持VLA感知与语言能力的同时，对 动作策略进行闭环优化，弥补模仿学习在分布外状态和误差累积上的不足。 纯模仿学习的 VLA，本质是在"复制数据分布"。一旦环境、物体、初始状态发生变化，就容易崩。很多 失败是连续动作误差累积导致的。RL提供的是闭环优化能力：用环境反馈修正动作，用value/reward信号 约束长时序行为。 当前的研究趋势也逐渐从"单纯训练 VLA 模型"转向"以 VLA 作为策略表示，结合RL进行微调和强化"， ...

点击下方 卡片 ，关注" 具身智能 之心 "公众号 >> 点击进入→ 具身智能之心 技术交流群 更多干货，欢迎加入国内首个具身智能全栈学习社区 ： 具身智能之心知识星球 (戳我) ， 这里包含所有你想要的。 在机器人灵巧操作领域，"精准遥操作" 与 "低成本普及" 似乎是一对不可调和的矛盾。商用力反馈手套动辄 5000 美元以上，普通科研团队难以负担；而低成本 方案要么自由度不足，要么缺乏关键的触觉力反馈，导致机器人在接触密集型任务中 "抓不准、拿不稳"。 清华大学、上海 AI 实验室等团队联合推出的 DOGlove ，用不到 600 美元的成本实现了 21 自由度运动捕捉与 5 自由度双模态反馈，不仅能让机器人精准完成 "挤炼乳""盲抓瓶子" 等复杂任务，还能为模仿学习提供高质量数据。更关键的是，它完全开源，从机械设计到代码算法全部公开，彻底打破了灵巧操作技术的 普及壁垒。 项目地址：https://do-glove.github.io/ 论文地址：https://arxiv.org/pdf/2502.07730v1 痛点暴击：传统遥操作的 "三大死穴" 当前灵巧手遥操作技术始终卡在 "成本、精度、反馈" ...