核心观点 - 中国打破美国主导的“垄断分工模式”，美国模式难以遏制中国崛起 [4] - 金融资本逐利抑制科技和经济发展 [4] - 各地区制造业发展战略存在短板，中国崛起或带动全球重返效率优先 [4] - 中国崛起核心路径是制造业复杂度提升与自主可控，模式特征是规模优势与“以量换利” [4] - 中国制造系统迭代赋能产品力，制造业龙头具长期配置价值，看好AI相关软硬件 [4] 全球制造业格局的演进脉络 战后重建与三足鼎立（战后至80年代中期） - 美国通过马歇尔计划和《旧金山合约》推动欧日经济复苏，形成以美为中心的全球贸易网络 [14] - 日德通过技术积累与出口导向战略提升制造业竞争力，80年代中期形成“美欧日三足鼎立”格局 [14] 全球化分工深化与美国的控制（80年代中后至2008年） - 美国通过资本、技术、市场控制全球制造业链，鼓励各国细分领域垄断，抑制跨领域竞争 [14] - 日本带动亚洲四小龙与东南亚国家提升制造业复杂度，但未撼动全球格局 [14] - 日本90年代后制造业“空心化”，德国通过“自主可控”维持竞争力 [14] - 2000年前中国承接低端制造，未形成系统性威胁 [14] 金融危机后的转折（2008至今） - 美国“加杠杆”刺激内需，需求外溢反哺中国，后靠科技垄断提高GDP占比 [17] - 欧洲欧债危机后资本开支停滞，制造业竞争力被中国取代 [17] - 日本产业链完整度衰退，仅保留少数高端领域 [17] - 中国通过大规模资本投入、提升产业链完整性与复杂度，抢占全球份额 [17] 美国资本化潜在的影响 资本化推动全球分工的“垄断均衡” - 美国通过资本鼓励各国细分领域垄断，抑制跨领域竞争 [77] 资本化与垄断的共生关系 - 资本强化头部企业垄断地位，抑制中小企业创新，导致行业技术进步放缓 [80] - 美国资本干预使日本半导体企业转向细分材料领域，德国企业未突破新兴领域 [80] 美国资本控制的底层逻辑 - 美国通过美元霸权和金融市场维系全球垄断格局，优先支持本土科技企业，使利润回流 [83] - 美国金融资本在日本制造业核心龙头公司持股比例高 [87] 垄断格局的局限性 - 资本化垄断模式导致技术停滞、需求依赖美国“加杠杆” [90] - 金融资本驱动行业垄断，行业集中度提升，效率下降 [91][95] 中国制造业崛起的核心逻辑 路径选择：打破全球分工的“垄断均衡” - 中国制造业向高复杂度领域延伸，打破美国“各环节垄断”模式 [100] - 中国通过政策构建完整产业链，降低对外部技术依赖 [100] - 中国凭借庞大市场和高效体系，“低价高质”输出挤压欧美日利润空间 [100] 中国制造业现状 - 中国制造业产业链完整度和复杂性不断提升，远超美国和日本 [101][103] - 中国制造业ROE低于欧美日，通过“以量换利”抢占份额 [110] 中国制造当前优势与未来挑战 - 中国制造系统迭代赋能产品力，扩大竞争优势产业，制造业龙头具长期配置价值，看好AI相关软硬件 [112] - 中国未来面临债务驱动转型、技术突破瓶颈、全球需求波动挑战 [112]

报告的核心观点 - 推出DeepSeek - Coder系列开源代码模型，规模从13亿到330亿不等，在多个基准测试中表现出色，超越现有开源模型，缩小与闭源模型性能差距，且处于宽松许可下可用于研究和商业 [2][8] - 通过精心筛选数据、采用特定训练策略和架构优化等方式提升模型性能，并通过额外预训练增强自然语言理解和数学推理能力 [7][21][59] 各部分总结 1. Introduction - 大型语言模型推动代码智能发展，但开源与闭源模型存在性能差距，许多研究人员和开发者难以访问闭源模型 [6] - 推出DeepSeek - Coder系列开源代码模型，涵盖不同规模和版本，从2万亿个标记重新训练，采用仓库级数据和FIM方法，扩展上下文长度以提升性能 [7] 2. 数据收集 - 训练数据集由87%源代码、10%英语代码相关自然语言语料库和3%代码无关中文自然语言语料库组成 [11] - GitHub数据抓取和过滤：收集截至2023年2月前创建的公共仓库，应用过滤规则将数据总量减至原始大小的32.8% [12] - Dependency Parsing：解析文件间依赖关系，按依赖顺序排列文件，采用拓扑排序算法处理文件列表 [14] - Repo级重复数据删除：在代码仓库级别进行近似去重，确保仓库结构完整性 [17] - 质量筛选和去污：使用编译器、质量模型和启发式规则过滤低质量数据，实施n - 克gram过滤过程防止数据污染，总数据量798GB，共6亿个文件 [18] 3. 培训政策 3.1. 培训策略 - Next Token预测：连接文件形成固定长度条目，训练模型根据上下文预测后续标记 [21] - Fill - in - the - middle：采用FIM预训练方法，有PSM和SPM两种模式，实验表明FIM和代码完成能力存在权衡，最终选择50%的PSM率为首选训练策略 [22][25] 3.2. Tokenizer - 使用HuggingFace Tokenizer库训练字 - piece编码（BPE）分词器，词汇量大小为32,000 [27] 3.3. 模型体系结构 - 开发参数量为1.3B、6.7B和33B的模型，基于DeepSeek大型语言模型（LLM）框架构建，采用旋转位置嵌入（RoPE），33B模型集成分组查询注意力（GQA），使用FlashAttention v2加速计算 [28] 3.4. 优化 - 使用AdamW作为优化器，调整批量大小和相关参数 [29] 3.5. Environments - 使用HAI - LLM框架进行实验，采用张量并行、ZeRO数据并行和PipeDream管道并行策略，利用配备NVIDIA A100和H800 GPU的集群，采用InfiniBand互连技术 [29][30] 3.6. Long Context - 重新配置RoPE参数扩展上下文窗口，将缩放因子从1增加到4，基本频率从10000调整到100000，模型在16K令牌范围内表现最佳 [31] 3.7. Instruction Tuning - 通过基于指令的微调方法，使用高质量数据开发DeepSeek - Coder - Instruct，使用余弦调度策略，包含100步预热阶段，初始学习率为1e - 5，使用4000万个令牌的批量大小和总共20亿个令牌 [32] 4. 实验结果 4.1. 代码生成 - HumanEval和MBPP基准：DeepSeek - Coder - Base在这两个基准上取得先进性能，超越同样规模的开源模型CodeLlama - Base 34B，指令微调后超越闭源的GPT - 3.5 - Turbo模型，缩小与GPT - 4差距 [38][40] - DS - 1000基准：DeepSeek - Coder模型在所有库中实现较高准确性，能在实际数据科学工作流程中准确使用库 [41][42] - LeetCode竞赛基准：DeepSeek - Coder模型在开源编码模型中表现出色，DeepSeek - Coder - Instruct 33B是唯一优于GPT - 3.5 - Turbo的开源模型，采用Chain - of - Thought（CoT）提示可提升模型能力 [44][46] 4.2. 填写中间代码完成 - DeepSeek - Coder模型使用0.5的FIM率训练，在单行填充基准测试中表现优于StarCoder和CodeLlama，建议在代码补全工具中部署DeepSeek - Coder - Base 6.7B模型 [50][53] 4.3. 跨文件代码完成 - 使用CrossCodeEval评估模型跨文件完成能力，DeepSeek - Coder在多种语言的跨文件完成任务中始终优于其他模型，仓库级别预训练有效 [54][56] 4.4. 基于程序的数学推理 - 采用程序辅助数学推理（PAL）方法，在七个基准测试中，DeepSeek - Coder模型表现出色，33B变体潜力巨大 [57] 5. 继续从一般LLM的预培训 - 从通用语言模型DeepSeek - LLM - 7B Base进行额外预训练，生成DeepSeek - Coder - v1.5 7B，该模型在数学推理和自然语言处理能力上显著提升 [59][62] 6. Conclusion - 介绍DeepSeek - Coder系列模型，基于精心筛选的项目级代码语料库训练，扩展上下文窗口，在多种标准测试中超越现有开源代码模型 [64] - 微调后的DeepSeek - Coder - Instruct 33B在编程相关任务中优于GPT - 3.5 Turbo，额外预训练后的DeepSeek - Coder - v1.5增强了自然语言理解能力 [65][66]

核心观点 报告评估四种非洲国家详细家庭普查提取数据的替代基于卫星的深度学习方法，以加速大规模、细粒度和动态贫困测量的进步，结果表明变压器架构解决多个开放问题，结合卫星图像、公开可获取的地理特征以及新的深度学习架构，可在数据稀缺环境中实现高度局部化和动态的贫困测量 [4]。 研究背景 - 准确、最新且高度细化的经济福祉测量对监测和实现国际减贫目标至关重要，但官方对低收入和中等收入国家的贫困测量长期依赖家庭调查，存在耗时、难以获得全面及时数据、无法生成村庄或小区层面可靠估计等问题，因此需要成本效益高且可扩展的替代方案 [8][9] - 近年来公开可用的遥感数据日益丰富，机器学习的最新进展改变了生计测量格局，早期研究利用卫星图像和机器学习估算财富，后续研究引入改进提高了测量精度 [10][11] 研究方法 数据集构建 - 汇集大规模、多分辨率和多时间尺度的贫困数据集，涵盖四个非洲国家（马拉维、莫桑比克、布基纳法索和马达加斯加）超过120万户家庭的数据，包含两个马拉维城市内精确地理参考的测量数据及同一地点随时间的重复测量数据 [11] - 使用国家普查问卷的数据构建资产财富指数，将七种住房特征按1到5的等级排序，六项资产用二元分类评估，数据标准化后构建主成分分析模型，提取第一个主成分作为资产财富指数，并汇总到行政区域级别标注 [34] - 国家层面的贫困及其变化预测收集白天Landsat卫星影像，马拉维和莫桑比克有双时间点影像对；城市级别的贫困情况预测收集PlanetScope和SkySat多光谱卫星图像 [36] 模型构建 - 比较基于树的模型XGBoost和两种先进的深度学习模型（基于卷积神经网络的模型和基于编码器 - 线性架构的变换器模型） [37] - XGBoost回归模型，仅使用卫星影像时用三个矩（均值、标准差和偏度），结合卫星影像和地理空间特征时用一个矩（均值）；财富变化预测将两个年份的所有通道矩输入模型预测AWI的变化 [38] - 基于ResNet - 18的CNN模型进行财富水平预测和变化预测，财富水平预测先提取深层特征，通过全局平均池化层计算嵌入向量，附加两个多层感知器层预测AWI；贫困变化预测将两个时间点的图像沿通道轴连接提取深层特征 [38] - 变压器架构采用SwinV2 - T作为骨干网络提取深层层次特征，附加两层MLP层预测AWI；通过条件机制将地理空间特征融入深层特征；贫困变化预测采用Siamese网络架构，共享SwinV2 - T骨干网络，连接两个深层特征集合输入两层MLP层预测贫困变化 [39] 模型训练与评估 - 所有深度模型使用相同配置训练，通过最小化均方误差损失并使用AdamW优化器从头到尾进行端到端训练，训练100个周期，总批次大小为32，学习率为常数1e - 4，权重衰减为1e - 2，训练数据增强采用D4旋面群变换 [40] - 采用五折交叉验证的方法评估模型性能，为每个国家或城市训练五个不同的模型，在四折数据上训练，剩余一折上测试，用R²作为级别和更改预测的度量 [40] - 模拟两种数据可用性受限的场景：限制图像数量，使用完整训练集样本的1%、5%、10%、25%、50%和100%进行实验；限制图像中的户数，引入替代的“10户资产财富”标签 [41] 研究结果 国家一级财富预测 - 变压器模型在马拉维、莫桑比克和马达加斯加表现更佳，使用整个普查提取数据训练时，R²值分别为0.83、0.70和0.62；在布基纳法索，基于卫星影像和地理空间特征的XGBoost模型表现最佳，解释了62.9%的变异，简单变压器模型也保持竞争力，解释了57.4%的变异 [14] - 实证识别出训练样本数量为原始训练数据集的10%是关键转折点，在此之下估计精度会迅速下降 [14] - 地理空间特征能显著改善国家一级财富预测的绩效，特别是在布基纳法索，训练样本量较小时地理空间特征尤为有益 [17][18] 国家一级财富变化预测 - 基于完整样本训练的深度学习模型能够捕获马拉维52%的变化和莫桑比克42%的变化，给定相同输入数据时，深度模型表现优于XGBoost [19] - 变压器模型在估计莫桑比克十年财富变化方面略微优于常用的CNN，在马拉维达到相当性能；减少采样地点的数量比减少每批次样本的家庭数量对准确性的下降影响更大 [21] 城市级财富预测 - CNN和Transformer模型在两个城市中始终优于XGBoost，Transformer模型在Blantyre表现明显优于CNN，在Lilongwe实现与CNN相当的性能；所有模型随着训练数据比例增加表现显著改进，达到约25% - 50%后性能提升开始停滞 [26] - SkySat在各种训练数据比例下均一致地优于PlanetScope，SkySat适用于高精度要求的当地区域财富测量，PlanetScope更适合进行大规模财富mapping [27] - 城市级别的财富预测中，地理空间特征通常会降低模型性能；实现了精确的大规模、城市级财富地图绘制，0.3公里分辨率城市级财富图能解释利隆沃大约76%的变化情况，解释布兰太尔大约67%的变化情况 [27][28] 研究结论与展望 - 变压器模型在横截面财富预测、城市内财富预测和财富变化预测中表现出色，优于CNN和XGBoost模型，强调了开发相关工具、文档和培训材料以及不确定性估计方法的重要性 [29][30] - 获得大量训练数据对估计预测模型很重要，未来研究可探讨在小样本量训练变压器模型时提高性能的方法，以及变化模型中参数在时间和/或空间上的稳定性 [32]

报告核心观点 - 报告探讨新兴技术和创新方法对交通运输方式的变革，强调可持续性重要性，旨在为相关人士提供见解，推动构建可持续、高效且互联的全球交通运输系统 [3][5] - 交通运输业面临可持续发展与数字化转型挑战，需平衡环境因素与新技术机遇，用技术解决方案应对交通系统复杂性 [6] - 报告通过分析专利等数据识别技术趋势，强调知识产权对创新的支持作用，展望交通运输变革性未来，推动符合联合国2030议程的交通系统发展 [21][22] 报告结构 - 采用数据驱动方法编制，结合传统专利搜索与AI驱动的主题提取，围绕陆地、海洋、空中和太空四大交通运输方式以及可持续性和数字化两大宏观趋势组织内容 [7] 技术趋势集群 - 识别出可持续推进、自动化和循环利用、通信与安全、人机界面（HMI）四大技术趋势集群，是未来交通重要创新领域 [9] - 可持续推进技术用电动推进、氢燃料电池等替代能源减少环境足迹，推动能源转变，实现更低排放和可持续未来 [10] - 自动化与循环利用通过工业机器人等技术简化生产流程，强调资源可持续使用，减少环境影响 [10] - 通信与安全技术如激光雷达传感器等实现实时数据交换，对自动驾驶等发展重要，确保交通系统互联安全 [10] - HMI技术通过触摸显示屏等进步改变用户与交通系统交互方式，提升体验、安全和可达性 [11] 专利数据分析关键发现 - 2000 - 2023年间，与未来交通相关发明（专利家族）超110万项，年均复合增长率11%，远超传统交通技术4% [12] - 可持续推进技术专利申请推动可持续发展趋势，通信和安全技术专利主导数字化趋势 [12] - 地面运输领域专利数量最多，几乎是海运、空运和太空运输领域专利总数的三倍多 [12] - 前五大发明地为中国、日本、美国、韩国和德国，占所有发明90%以上，近年中国、瑞典、意大利和印度专利增长率达两位数 [12] - 德国专注地面运输，挪威专注海运，法国专注空运和太空运输 [12] 知识产权作用 - 知识产权鼓励研发投资，促进新技术创造，WIPO通过计划和服务帮助发明者保护和商业化创新成果，推动交通运输领域增长发展 [17] 报告愿景 - 设想未来交通多种潜在情景，激励创新者解决监管和标准障碍，开发颠覆性技术，推动向可持续、高效且无缝连接交通网络进步 [18]

报告核心观点 - 其他伴侣动物、家养动物及野生动物爱好构成的宠物和动物市场正不断增长，零售商和品牌可通过扩展产品线等方式抓住这一市场机会 [1][32][33] 后院动物市场现状 - 除狗和猫外的其他动物及其相关活动受关注，数百万家庭参与其中，带来宠物拥有趋势转变 [1] - 2022 - 2023年，后院动物类别年增长率约13%，高于整体宠物和动物类别近9%的增长率 [4] - 2018 - 2020年，养后院鸡的比例从8%升至13%，且在千禧一代和Z世代中较流行 [6][7] 市场关键驱动因素 人口迁移 - 2020 - 2023年超200万人迁至人口密度低的地区，城市中心居民净流失，预计迁移将持续，更多人有后院，增加养后院动物可能性 [9][11] 消费者态度变化 - 2018 - 2023年，园艺和草坪护理支出年均增长率8%，2023年畜禽供应支出增长8%，消费者对户外活动兴趣增加 [12][13] 搜索和社交媒体趋势 - “如何照顾鸡”的Google搜索兴趣五年内增长87.5%，Instagram和TikTok上相关教育内容增多，粉丝群体庞大 [14] 潜在市场规模 - 2024年4月调查显示，约10%非后院动物主人和业余爱好者未来五年考虑加入市场，短期内可能有1300 - 1400万户家庭加入 [16][17] 后院动物主人特征 当前主人 - 更可能是女性且年龄较小，52%年龄在45岁以下，95%拥有后院，对动物热情，推动用品和护理高支出 [19][20][21] 潜在主人 - 更年轻且富裕，66%年龄在45岁以下，42%家庭收入超10万美元，预示市场将继续增长 [22] 人类化趋势影响 - 人类化趋势推动宠物狗和猫高端产品创新和消费增长，小型宠物也有类似趋势，相关高品质产品需求增加 [23] 零售和品牌机会 零售商 - 主要宠物零售商自2022年起增加后院动物产品线15% - 40%，Petco鸡和家禽产品系列两年增长超300% [24] - 特拉斯科公司“鸡日”活动后销售增长，2023年售出超1100万只小鸡，较2019年增长约46.7% [26] 品牌 - Compana、Kalmbach饲料、生产者的骄傲等品牌提供多种后院动物产品 [27][28] - Kaytee、雀巢、Nutrena等公司通过扩展或收购进入家用宠物市场 [30] - 小品牌在细分市场推动创新，展现市场动态性和增长潜力 [31]

报告核心观点 报告围绕2024 - 2025年中国企业出海展开研究，分析出海现状、典型市场情况及未来趋势，指出中国企业出海虽面临挑战但前景广阔，各行业呈现不同发展态势，未来将在品牌建设、合规经营、市场布局和数字化等方面持续发展 [2] 中国企业出海发展现状和趋势 - 中国外贸进出口韧性强，2013 - 2024年Q3货物进出口总额有波动但整体体现韧性，增强企业出海信心 [9] - 中国远洋运输业务量大幅增长，2013 - 2023年远洋货运量呈上升趋势，发展迅猛 [12] - 中国企业出海业务区域扩散，从传统欧美、东南亚向中东、非洲等新兴区域拓展 [15] - 企业出海面临难题，包括文化、人才、营销、合规等方面的六大痛点 [17] 中国典型出海市场洞察：移动游戏 - SLG品类增长有压力，2021 - 2023年中国自研移动游戏海外收入TOP100产品中SLG占比高，但全球SLG手游用户支出呈下降趋势 [23] - 中国游戏市场回暖，2014 - 2024H1游戏用户规模增长，2010 - 2024年1 - 11月国产游戏获批版号数量增加 [27] - 全球移动游戏市场增长，2019 - 2023年市场规模持续扩大，2020 - 2025年全球游戏玩家数量预计增加 [30] - 中国自研移动游戏海外收入占比大，是游戏海外收入核心，2008 - 2024年自研游戏海外收入增长，手游占比高 [35] 中国典型出海市场洞察：消费电子 - 全球消费电子行业稳定发展，2013 - 2026年市场收入及预测呈增长态势 [44] - 中国电子信息制造业规模平稳增长，产业生态完善，2010 - 2024年Q3规模以上电子信息制造业收入增长 [47] - 中国智能手机市场饱和，需求转变为替换需求，2015 - 2024年Q1 - Q3出货量下降 [50] - 中国居民对平板电脑需求增强，2016 - 2024年出货量增长 [53] - 中国手机和电脑出口金额有波动，2015 - 2023年出口金额不稳定 [56] 中国典型出海市场洞察：音视频社交 - 全球音视频社交需求用户规模增长，带动行业发展，2013 - 2023年全球互联网用户数量及普及率、2013 - 2024年全球社交媒体用户数量及增长率均上升 [62] - 中国海外微短剧APP下载量激增，发展前景广阔，2023Q2 - 2024Q1下载量和单月收入增长 [70] 中国典型出海市场洞察：跨境电商 - 中国在全球市场竞争优势突出，出口优于进口，2012 - 2023年出口货物金额增长 [78] - 中国跨境电商出口规模递增，助推企业出海，2019 - 2024年H1出口规模逐年增加 [81] - 中国低、中、中高技术产品全球制造业份额高 [83] 中国典型出海市场洞察：汽车 - 中国电动车销量及渗透率高，企业积累造车经验，2015 - 2023年销量和渗透率增长 [88] - 欧美电动车渗透率落后，为中国企业出海提供机会，2011 - 2023年欧洲渗透率低于中国 [90] - 中国汽车整车出口量上升，对俄罗斯出口提升明显，2007 - 2024Q3出口量增长，2018 - 2023年对俄出口占比增加 [92] - 汽车出口以燃油车为主，主力车型为小型或紧凑型SUV，2024年1 - 7月燃油车出口量占比高 [101] - 中国车企布局各大洲，处于出口向本地设厂转变阶段，2023年整车出口前十企业有海外产能布局 [106] - 全球对中国汽车零部件需求增加，出口量增长，2010 - 2023年零部件出口金额、2020 - 2023年发动机和轮胎出口量均增长 [109] 中国企业出海行业未来发展趋势分析 - 出海企业转向“品牌出海”，创新为增长引擎，企业从“产品出海”向“品牌出海”转型，互联网企业靠创新技术抢占市场 [117] - 出海企业经营合规化、精细化，本土经营能力是关键，企业针对痛点加强品牌建设，进行本土化经营 [118] - 大品牌竞争优势凸显，市场布局多元，“一带一路”和“双循环”战略下企业拓展多元业务，新能源汽车海外受欢迎 [119] - 企业“出海数字化”特征明显，新平台、新市场是增量入口，企业出海技术含量提高，跨境电商发展“跨境电商 + 产业带”，新兴技术融合注入新动能 [120]

报告核心观点 - DeepSeek是数据资产价值跃迁的智能引擎，能助力数据资产管理实现智能驱动、价值无限，在数据资产全过程管理各环节发挥重要作用，推动行业发展并提升数据资产价值 [127] DeepSeek模型优势 架构与性能 - DeepSeek - V3有6710亿参数，实际运行时每个输入仅激活370亿参数，降低计算成本且保持高性能，采用HAI - LLM框架，支持多种并行方式并通过优化手段降低训练成本，多tokens预测训练目标提升模型整体性能 [4] - 多头潜在注意力（MLA）架构在DeepSeek - V2中已验证，能实现高效训练和推理，无辅助损失的负载平衡策略可最小化对模型性能的负面影响 [6] 成本与应用 - DeepSeek在全球140个市场下载量排名第一，开源策略使其在技术竞争中占优势，支持多模态数据融合和学习，能扩大中国在全球AI领域影响力，确保用户平等访问和使用AI技术 [8] - 通过对比展示，DeepSeek在MMLU Redux ZeroEval Score VS Input API Price指标上有成本优势 [7] DeepSeek与数据资产全过程管理 各阶段赋能 |管理阶段|DeepSeek技术赋能点|典型技术方案| | --- | --- | --- | |数据采集|多源异构数据智能整合|多模态融合技术、边缘计算设备实时采集 [10]| |数据存储|非结构化数据语义化存储|自然语言理解 (NLU) 自动生成元数据标签 [10]| |数据治理|自动化数据清洗与质量提升|异常检测模型、知识图谱辅助数据关联校验 [10]| |数据应用|高价值场景定向挖掘|行业大模型驱动智能分析(如金融风控预测) [10]| |数据流通|隐私安全下的跨域数据协作|联邦学习 + 区块链的可信数据交易框架 [10]| |数据销毁|敏感数据识别与合规处置|敏感信息检测模型、数据生命周期自动化管理 [10]| 差异化价值 - 技术穿透力：拥有从底层算法到顶层应用的端到端技术栈，破解数据资产化技术断点 [12] - 场景适配力：提供深入行业的"AI + 数据"解决方案，避免通用模型与业务需求脱节 [12] - 合规护航力：将法律法规内嵌至技术系统，降低运营风险 [12] 数据资产战略与发展 政策趋势 - 政策从宏观倡导转向具体规则，数据资产化路径清晰，通过法律保障、市场培育、财务规范“三步走”推动数据成为可交易、可定价、可入表资产，未来预计出台更多配套细则释放数据要素经济价值 [14][15][16] 价值与作用 - 数据资产在数字经济时代是价值创造的“加速器”，能实现决策科学化、能力可视化、资源资本化、成长指数化 [18][19] 生态模式 - 涉及全球数据资产理事会、开放数据空间联盟等组织，构建数据资产3C新生态模式，推动数据空间开放创新 [23][24][25] 2024全球数据资产大会活动 活动概况 - 举办多场论坛和会议，包括数据资产高峰论坛、实务论坛、人才发展大会、数据资本创新论坛等，发布多项重磅文件和成果物，举行多项揭牌仪式和合作签约仪式 [31][33][36] 区域布局 - 进行DAC区域生态战略布局，成立多个区域中心和基地，如全球数据资产理事会京津冀中心、长江中游中心、粤港澳中心等 [44][46][47] 数据资产全过程管理试点 试点范围 - 包括中央部门（如水利部、农业农村部等）、中央企业（如中国电子信息产业集团有限公司、中国移动通信集团有限公司等）、地方财政部门（如北京、河北等） [84][88] 试点时限 - 2025年1月1日至2026年12月31日，2025年初启动试点，年底前取得阶段性成效，2026年底前完成试点任务并总结经验 [85][90] 主要内容 - 涵盖数据资源汇集、治理、质量提升、目录整理等，以及数据资产确权、授权运营、收益分配、交易流通等重点方面，涉及相关管理制度、工作机制和监管评估 [86][93] 数据资产价值评估与管理工具 价值评估 - 数据资产价值 = (数据质量指数 × 场景耦合度) ÷ (管理成本 × 风险系数)，DeepSeek在各参数评估上比传统方式更准确高效 [111][113] 管理工具 - DeepSeek有元数据管理、分布式计算引擎等多种功能，其数据资产价值诊断卡等工具可辅助数据资产管理，使用说明包括快速自检、深度扫描、行动转化等步骤 [115][118] 数据资产运营与应用 运营环节 - 包括编制数据资产台账、开展数据资产登记、完善授权运营机制、健全收益分配机制、规范推进交易流通等环节，各环节有明确目标和关键动作 [96][100][103] 应用场景 - 涉及数据资产融资、数据增信、数据空间网络等多种应用场景，推动数据价值创造和倍增 [78]

报告核心观点 - 2024年诸多行业历经深刻变革，招聘市场复杂多元，数字化转型、科技赋能等因素影响各行业人才需求；2025年招聘市场机遇与挑战并存，技术创新、数字化转型和出海业务将推动人才需求变化，报告为企业和求职者提供人才策略和职业规划建议 [9][10][11] 各部分总结 人力资源 - 2024年AI智能管理等主题重塑人力资源部门运作模式，科技助力HR提升自我，HR展现“六边形战士”特质；华东和华南地区HR需求差异显著，传统行业中高管需求低迷，细分领域有需求空间 [13][14][16] - 2025年人力资源领域将数智化转型，HR需掌握数字化工具和数据分析能力；雇主品牌建设和人才吸引重要，HR要深入业务提供个性化解决方案；人力资源专家类岗位需求强劲 [18][20][21] 金融 2024年 - PE/VC领域招聘需求增长放缓，科技和跨学科人才受青睐，头部机构增加预算，中小机构预算紧张；行业朝专业化等方向发展，热门招聘方向集中在科技和新兴交叉领域，招聘要求提高，薪资结构调整，人才结构多元化 [24][25][26] - 量化行业机构招聘策略分化，行业加强合规与风控等，热门招聘方向包括量化研究员等，招聘要求技术能力提高，薪资福利有竞争力，人才结构技术与投研并重 [27] - 公募基金行业头部招聘岗位全面稳定，中小公募聚焦核心领域，部分小型公募减少招聘 [28] - 大湾区金融领域招聘需求稳步增长，发展方向国际化等，热门招聘方向包括金融科技等领域，招聘要求专业与综合素质并重，薪资水平提升，人才结构高端化 [29][30][31] 2025年 - PE/VC行业招聘需求有望增长，新兴科技和创新商业模式领域人才需求强劲，重点招聘细分领域聚焦前沿科技和新消费领域，重点岗位对技能要求高 [32][33][34] - 量化行业招聘需求呈增长趋势，策略研发、技术升级和合规风控带动人才需求，重点招聘细分领域集中在机器学习等领域，重点岗位有特定技能要求 [35][36] - 公募基金行业总体招聘需求增长但节奏放缓，数字化转型和业务多元化带动需求，重点招聘细分领域包括金融科技等，重点岗位对技能要求高 [37][38][39] - 大湾区金融行业招聘需求预计增长15% - 20%，金融科技等新兴领域人才缺口扩大，重点招聘细分领域包括金融科技应用等，重点岗位对技能要求高 [40][41] 消费品/零售 - 2024年行业“增长不易，维稳就是赢”，“出海”“悦己”“质价比”成关键趋势；各端口有重点策略，人才市场青睐“少年将军”等三类人才，企业决策谨慎但重视优秀人才 [44][45][47] - 2025年大经济环境类似2024年，国内市场企业决策谨慎，薪酬涨幅合理化；出海市场蓬勃发展但面临人才和认知问题；人才需求集中在产品与营销、出海、AI与数字化领域 [49][50][51] 财务 - 2024年财务岗位招聘复杂多变，财务高管岗位需求因“岗位暂停后重新开放”显著增加；消费品、零售行业财务需求分化，工业制造等行业需求上升 [55][56] - 2025年财务高管岗位需求复合型和高端人才，不同发展阶段企业对财务一号位需求差异大；数字化转型影响人才需求结构，资本市场相关岗位需求增长；人才地域流动频繁，财务高管角色转变，复合经验背景和国际化视野人才有优势 [59][60][61] 法务与合规 - 2024年合规岗位需求领先但全年需求量下降，法务高管人员稳定；行业关注法规变化和风险管理，热门招聘方向集中在数据合规等领域 [66][67][68] - 2025年法务合规职位招聘需求稳定，数据合规、知识产权和跨境法务领域需求增长；招聘要求提高，人才主要聚集在一线城市，流动向新兴领域转移，薪酬涨幅稳定 [69][70][71] 地产 - 2024年商业地产人事变动频繁，组织架构调整、标杆房企人才“互换”和国央企引入市场化人才是主要变动原因；行业呈现特色化发展等五大趋势 [75][76][78] - 2025年商业地产招聘市场复杂，“降本增效”是主旋律，企业注重候选人实际能力，软性能力要求提高，候选人求稳，招聘要求严格，人才入职容错率下降，薪资期望降低，考核标准更具挑战性，职业经理人有创业趋势；各细分领域对人才需求有不同倾向 [80][81][84] 工业/新能源 - 2024年全球工业/新能源行业在政策和市场推动下蓬勃发展，各细分领域人才需求结构变革，企业争夺高端技术人才，人才需求多样性和专业性提升，地域差异影响人才流动和招聘策略 [87][88][89] - 热门细分赛道包括新能源汽车、可再生能源发电等领域，各领域有不同招聘重点；雇主招聘要求在专业技术、跨学科知识和语言沟通技能方面有变化 [90][91][92]

报告核心观点 报告围绕2025年哔哩哔哩健身区3.8特别企划“WOMEN了不起的身体”展开，通过多阶段活动策划和宣传推广，聚焦女性身体力量，展示女性健身风采，同时设置商业化合作玩法，提升活动影响力和参与度[72] 活动数据情况 - 2024年该活动相关的启动关注率为61.93% [8] - B端活动启动关注率达82%，65%的相关活动有一定热度，56%和70%的特定活动有热度 [12] 活动具体步骤 STEP 1 - 聚焦女性身体力量，UP主“了不起的身体”首发大片官宣，UP主与官号联投，用黄金资源引爆视频热度 [27][28] - 邀请韩小四、迎姨Ashley等6位杰出女性力量代表UP主，她们在腿部、核心、手臂等力量领域各有所长，将分享打破常规、突破自我的经验，改变社会对女性的固有看法 [29] STEP 2 - 开展相关UP主活动，利用多种资源和形式，提升活动在不同维度的热度和影响力，吸引更多关注 [32] STEP 3 - 推出话题WOMENʌɌ០႘ᡅ̀，通过UP主参与和话题传播，提升活动热度和参与度 [35][36] STEP 4 - 在3.8 - 3.9期间开展特定活动，涉及多个健身项目和课程，吸引参与者 [47][49] STEP 5 - 通过多种方式和策略，提升活动的热度和影响力，设置不同的参与条件和奖励机制，吸引更多人参与 [51] STEP 6 - 推出H5相关内容，利用话题和资源，提升活动的传播效果和参与度 [53][55] STEP 7 - 利用健身场馆社群、官号宣传等在地化资源，精准传播活动信息，通过活动KOC/打卡稿件释出、合作健身场馆物料曝光等方式，波纹式扩散活动声量 [58][59][61] 商业化合作玩法 - 聚焦“WOMEN了不起的身体”开展品牌话题征稿赢好礼活动，设置多个话题，如WOMEN了不起的健身装备、WOMEN了不起的户外玩家等 [68] 活动时间规划 - 3.1 - 3.7：进行活动预热，包括UP主相关宣传和话题铺垫 [71] - 3.7 - 3.9：活动核心阶段，开展多项具体活动 [71] - 3.9 - 4.1：持续推广和传播活动，巩固活动影响力 [71]

核心观点 - 2025年国内呈现三大镜像深化，海外两个镜像斜率变化，A股进入牛市第二阶段；前期市场政策博弈大于基本面博弈，应挖掘基本面预期差；基于两大预期差把握，建立关税扰动体系，看好出海方向；给出行业配置“4+1”建议 [3][4][5] 2025年叙事：政策积极下的三大镜像+“以我为主” 国内要素三大镜像 - 2025年国内要素呈现三大镜像，从2024年低通胀到温和通胀、经济低预期到超预期、风格极致到分散，原因是政策思路变化，要坚定政策信心，降低斜率预期 [10] 政策积极思路 - 财政重心在“扩大内需”，货币端“宽信用”重于“宽货币”；扩大内需是战略之举，后续内需发力方向更多元化；货币政策目标将更多集中在“宽信用”，不必对降准降息过高期待 [11][14] 海外要素核心判断 - 年初以来年度展望中海外两大趋势判断均已兑现，即降息落地但美国降息波折、政治周期转向确定的政治极端化；二季度美国降息趋缓，地缘极化趋紧，关税问题或有拉锯；美元相对强势期仍在，美股估值或受AI新逻辑挑战 [17][21][25] 政策博弈>基本面的市场下，挖掘预期差投资机会 前期市场特征 - 2024.9.24以来，政策博弈大于基本面博弈，政策密度成为市场走势核心驱动力，高政策密度时市场“高成交量+强赚钱效应”，政策密度回落时“缩量+震荡下行” [29][30] 盈利弹性与经济复苏 - 盈利周期弹性越来越弱，“盈利底”即便到来总量弹性也不如以往；2025年政策“需求+供给”双管齐下；存量社融增速和CPI出现拐点，但投资和消费仍待政策传导，后续投资与消费复苏或分化 [33][36] 预期差挖掘方向 - AI+赋能：国产大模型开启AI赋能时代，Deepseek使“AI+赋能”落地，关注半导体、机器人等行业 [40][42] - 化债缓解下的消费：地方债务对消费有压制，化债后消费将内生性复苏，高债务负担省份部分细分消费项有望反弹 [45] - 成本改善驱动：收入弹性变低后，关注成本改善下销售利润率能改善的品种，如养殖、航运港口等 [46] - 业绩超预期：通过“净利润断层”筛选超预期个股和行业，2025年年报业绩预告超预期占比最高的前五行业为农林牧渔、钢铁等 [53] 增量资金与风格影响 - 《关于推动中长期资金入市工作的实施方案》每年可为A股带来1.4万亿以上增量资金，改善市场微观流动性结构；高分红资产“绝对收益”地位强化，但相对收益风格仍需关注基本面和产业趋势，2025年核心主线是科技成长和消费 [54][60] 关税迷雾暂遮眼，出海开辟新征程 出口链预期差 - 关税扰动节奏难线性外推，即使特朗普关税政策落地，预期扰动仍可能反复，年内前两季度关税预期压力或使出口链行情反复 [67] - 出海韧性被市场低估，前期市场过度关注“政策影响”，应关注实体线索和出口景气预期，企业多元化出海的实体韧性易被忽视 [71] 关税应对 - 应对比预测更重要，梳理美国针对关税问题三种可能手段及对国内行业的影响，包括应用《国际紧急经济权力法》、取消最惠国待遇、重新启用301条款 [73][75][79] 出海方向 - 贸易碎片化时代，坚定看好出海方向，出海可规避关税、开拓海外市场、降低生产成本，涉及消费电子、家电、钢铁等行业 [85] 行业配置建议 - 科技成长“AI+、自主可控”：AI+赋能、机器人、半导体、信创、卫星 [90] - 消费“政策+内生复苏”：服装鞋帽、汽车、零售、食品、美容护理 [90] - 成本改善驱动：养殖、航运港口、航空机场、饲料、电力、小金属 [90] - 出海结构性机会：关税扰动缓解下预期差及小品类出海 [90] - 中长期底仓：沪深300增强、央国企红利蓝筹 [90]