财务表现 - 2025年一季度公司总营收同比增长85%至5.42亿元，归母净利润同比增长726%至1.39亿元，归母净资产22亿元，较2024年末微降0.63% [1] - 金融信息服务业务营收同比增长76%至4.24亿元，销售商品及提供劳务收到的现金同比增长93%至5.08亿元 [2] - 手续费及佣金净收入（经纪业务为主）同比增长143%至0.97亿元，净利息收入同比增长67%至0.21亿元，投资收益同比增长259%至1.06亿元 [2] 业务驱动因素 - 软件端受益于资本市场活跃度提升，2025Q1日均A股成交额同比2024Q1增长70%至1.52万亿元，公司通过集中营销高端产品私享家版软件推动收入增长 [2] - 券商端麦高证券客户规模稳定增长，代理买卖证券款较2024年末增长7.74%至66亿元，交易性金融资产较年初增长32%至12亿元 [2] - 先锋基金公允价值重估贡献6,554万元投资收益 [2] 成本与费用 - 营业成本同比增长45%至0.42亿元，主要因职工薪酬及IDC邮电通信费增加 [3] - 研发费用同比增长49%至0.51亿元，费用率同比下降2pct至9%，销售费用同比增长80%至2.6亿元，费用率同比下降1pct至48% [3] - 管理费用同比增长49%至1.22亿元，费用率同比下降5pct至22%，主要因麦高证券业务扩张投入增加 [3] 战略转型 - 公司探索智能选股工具，结合深度学习优化投资策略推荐，向综合金融服务商转型 [3] - 通过收购先锋基金股权将持股比例提升至95%，深化"一体两翼"战略 [3] - 控股股东广州展新提供借款支持业务扩张，公司承诺未来三年通过分红、回购等方式提升投资者回报 [3] 盈利预测 - 上调2025-2027年归母净利润预测至3.06/4.14/5.39亿元（原预测1.53/2.11/2.82亿元），对应PE分别为113/83/64倍 [4]

个人金融业务表现 - 2024年零售存款余额8229亿元 同比增长16.21% 零售贷款余额6748亿元 同比增长3.40% 实现"双增长" [1] - 个人贷款不良率0.88% 处于行业低位 资产质量优异 [1] - 2025年一季度零售AUM规模超1.5万亿元 稳居城商行头部 [2] 财富管理服务体系 - 建立"分层+分类"精准服务体系 运用大数据与智能分析技术 [2] - 针对银发客群推出"苏银养老金融"服务 覆盖生活、医疗、理财全场景 [2] - "企投家"综合服务品牌聚焦企业家需求 财私客户年均增速超20% 一季度末客户数突破11万户 [2] 产品管理能力 - 构建"研选配销"全流程产品管理体系 从风险控制、收益稳定性等多维度评估 [3] - 搭建开放式、全谱系产品货架 获"上证金理财"2024年度银行财富管理品牌奖 [3] 消费提振举措 - 2025年推出20条惠民举措 覆盖家装家居、旅游等领域 [4] - "家装厨卫焕新补贴"线上服务获好评 2025年新增"消费品以旧换新补贴"功能 覆盖11个城市 [4] - "水韵江苏旅游年卡"带动景区周边消费 [4] - 承办全省5.7万人次的消费补贴活动 包括电动车置换、购房补贴等 [5] 智慧场景生态 - 构建医疗、文旅等"8+1"智慧场景生态圈 运用AI、云计算等技术 [7] - "信用就医"服务覆盖200家医院 实现"先诊疗后付费" [7] - 文旅场景推出"文旅二维码"和博物馆联名借记卡 [7] - 线下500余家网点完成"530美丽网点提升工程" 增设老年服务专区 [7] 数字化渠道建设 - App10.0版本通过深度学习实现个性化服务推送 [8] - 2024年末App月活客户超700万户 居城商行首位 [8]

机器视觉相机行业概述 - 机器视觉相机是用于工业和自动化应用的专用相机，具备高精度、高速图像采集能力，广泛应用于质量检测、目标识别、测量及制造业引导操作 [1] 全球市场规模与增长 - 2031年全球机器视觉相机市场规模预计达49.2亿美元，2020-2031年复合增长率（CAGR）为8.5% [2] - 2024年全球前10强生产商市场份额合计约63.0%，主要厂商包括Keyence、Teledyne、Cognex Corporation、Basler AG等 [7] 产品类型细分 - 区域扫描相机是主导产品类型，占市场份额约65.2% [9] 应用领域细分 - 电子与半导体是最大下游市场，占应用份额约37% [12] 行业驱动因素 - 工业自动化需求增长：制造业、电子、汽车等行业对效率和质量提升的需求推动机器视觉相机应用 [13] - 人工智能与深度学习技术结合：提升机器视觉的识别、检测和分类能力 [13] - 5G技术：高速数据传输和低延迟增强机器视觉系统的实时处理能力 [14] - 半导体与电子产业升级：精密制造对高分辨率、高清高速相机的需求增加 [15] - 自动驾驶与智能交通：机器视觉在自动驾驶、车牌识别等领域的应用扩展 [16] - 医疗与生命科学：医疗成像、制药检测等领域对高精度相机的需求增长 [17] - 政府政策支持：智能制造和工业4.0政策为行业提供资金和政策支持 [18] 行业阻碍因素 - 高成本与ROI问题：高端机器视觉相机初期投资成本较高 [19] - 技术复杂度与集成难度：系统定制化和生产线集成门槛高 [20] - 数据处理与存储挑战：高分辨率相机产生大量数据，增加处理与存储成本 [21] - 市场竞争激烈：低端市场竞争加剧，利润空间压缩 [22] - 人才短缺：计算机视觉、图像处理等领域专业人才供给不足 [23] 行业发展机遇 - 智能制造与工业4.0推动产业升级：机器视觉在生产线上的广泛应用 [24] - AI赋能机器视觉：缺陷检测、产品分类等领域的更高精度应用 [24] - 新兴市场需求增长：亚太地区（如中国、印度）制造业快速发展 [25] - 无人工厂和智能物流：电子商务、智能仓储等场景需求增加 [26] - 边缘计算与云计算结合：提升数据处理能力并减少延迟 [27] - 医疗与生命科学新应用：显微成像、基因检测等领域前景广阔 [28] - 新能源汽车与自动驾驶增长：机器视觉在ADAS、电池检测等领域的机遇 [28] 报告相关数据 - 主要厂商包括Basler AG、Teledyne FLIR、Sony、Cognex Corporation等 [30] - 产品类型细分包括面阵相机和线阵相机 [30] - 应用领域包括制造业、医药及生命科学、安保监视、智慧交通等 [30] - 重点关注地区为北美、欧洲、中国、日本 [30]

百度自动驾驶发展历程 余凯时代（2011-2015） - 2011年底百度招揽国际AI专家余凯，其于2012年正式加入并组建多媒体部，后主导成立深度学习研究院（IDL）[4][7] - IDL成立后快速吸引顶尖人才，包括张潼、徐伟等科学家，并启动异构计算、无人机、无人车等前沿项目[7][8] - 无人车项目2013年底启动，核心团队包括倪凯、杨文利等，初期条件简陋，办公环境恶劣[10][11] - 2015年完成首次全自动驾驶路测，G7高速-五环路-奥林匹克森林公园路线实现100公里/小时时速[17] - 2015年底乌镇互联网大会展示无人车，获国家层面认可[18] 王劲时代（2015-2017） - 2015年底成立自动驾驶事业部（ADU），团队扩至300人，提出3年商用、5年量产目标[24][25] - 中美团队分裂：美国团队侧重代码规范，中国团队强调场景落地，代码库最终分裂[31][33] - 与宝马合作破裂后转向奇瑞，但奇瑞EQ1车型适配困难，稳定性差[39][41] - 2016年乌镇项目成功运营18辆无人车接待300+嘉宾，奠定行业影响力[44][45] - 2016年底爆发离职潮，多位核心成员创业成立Momenta、小马智行等公司[46] 陆奇时代（2017-2019） - 2017年整合L3/L4/车联网成立智能驾驶事业群（IDG），推出Apollo开源平台[48] - 构建产业联盟：上游联合博世/大陆等Tier1，下游合作一汽/广汽等车企[50] - 2018年春晚珠海分会场完成无人车"8字"队列表演，技术展示达到新高度[55][56] - 与一汽合作前装量产红旗EV Robotaxi，成本降至50-60万元[62] 商业化探索（2019-2023） - 2019年长沙落地全球首个Robotaxi与车路协同综合项目，30个路口完成智能化改造[66][70] - 车路协同业务2020年收入4亿元，2021年飙升至18亿元，后因财政收缩下滑[73] - 2021年明确三条商业化路径：技术方案输出、自主造车、Robotaxi运营[80] - 第六代无人车成本降至25万元，实现全无人运营，海外布局迪拜/新加坡市场[83][84] 技术突破与行业影响 - 早期利用深度学习突破图像搜索技术，中文版ImageNet使百度图搜超越Google[9] - 2015年实现混合路况全自动驾驶，完成高速变道/上下匝道等复杂动作[17] - 培养大量行业人才：百度系创业者遍布小马智行、文远知行等头部企业[45][46] - 车路协同先发优势显著，但商业化模式尚未完全跑通[68][73] 关键数据 - 研发投入：2015-2023年累计超1500亿元，2021-2023年单年超200亿元[78] - 测试里程：2019年长沙项目实现20公里开放道路测试[58] - 硬件成本：激光雷达从60万元/台降至第六代整车25万元[62][83] - 运营规模：2024年计划在迪拜部署1000+无人车[84]

文章核心观点 - 斯坦福大学AI100项目首份报告《人工智能与生活2030》为审视未来十几年AI融入日常提供理性视角，AI虽有潜力带来积极影响，但也会带来社会、伦理和法律挑战，需制定政策引导其发展 [3][18] 百年之约：AI100项目的缘起与使命 - AI100项目源于对AI领域快速发展及其深远社会影响的认识，受2008 - 2009年AAAI组织的“阿西洛马会议”启发而生 [4] - 项目设立常设委员会，计划每五年组织专门研究小组评估AI，目标是为AI研究、开发、设计和政策制定提供指导，确保AI惠及个人与社会 [4] 首份报告研究小组及任务 - 首份报告研究小组由17位AI专家及多领域学者组成，背景多元确保研究广度与深度 [5] - 常设委员会要求研究小组聚焦AI到2030年对“典型的北美城市”生活的影响，选择城市和限定北美是为深入探讨特定背景影响并承认全球城市多样性 [5] 揭开AI的面纱：它是什么，不是什么 - AI是一门科学和计算技术，灵感源于人类神经系统和感知等方式，但运作方式与人类不同，精确定义AI有挑战 [6] - 当前AI在特定任务上进展显著，如深度学习、计算机视觉、自然语言处理、AI规划等，但并非“通用人工智能”，缺乏人类常识等能力，不会对人类构成迫在眉睫威胁，应期待其积极影响 [7][8] AI渗透八大领域：2030年城市生活图景 - 交通运输领域，到2030年自动驾驶汽车将更普遍，会改变城市面貌、缓解交通问题，但面临安全性和可靠性挑战，公众对AI的认知可能由此塑造 [9][11] - 家庭/服务机器人领域，未来十五年会出现更多特定用途机器人，但制造通用型机器人面临技术和成本障碍，近期商业机会集中在特定应用 [11] - 医疗健康领域，AI可利用健康数据进行疾病预测等，有望改善数百万人健康和生活质量，但从实验室到临床应用速度较慢，面临数据隐私等挑战 [11] - 教育领域，AI能为教育带来个性化变革，但设计有效AI系统面临挑战，需关注教育资源平等和内容准确性等问题，人机交互顺畅性和信任度是关键 [10] - 低资源社区领域，AI可帮助优化资源分配等，但应用设计可能忽略社区特殊需求或加剧不平等，确保技术普惠性和建立社区信任至关重要 [10] - 公共安全与安防领域，AI用于犯罪预测等引发隐私和偏见担忧，需在提升安全效率与保护公民权利间取得平衡，公众信任是基石 [12] - 就业与职场领域，AI会自动化部分工作冲击现有岗位，但也会创造新岗位和增强人类能力，社会需适应转变，克服人们对被边缘化的恐惧 [12] - 娱乐领域，AI已深度融入娱乐产业，未来会有更具交互性和沉浸感的形式，但可能带来社交隔离等社会风险 [12] 超越技术：AI的社会挑战与政策前瞻 - AI发展带来公平性与偏见、隐私、安全与可靠性、责任归属、经济影响与分配、人机关系等社会、伦理和法律挑战 [13][14] - 报告提出政策建议，包括提升政府AI专业能力、鼓励对AI社会影响的研究、避免对“AI”笼统监管、促进透明度和公众信任、关注公平与普惠 [14][15][17] 结语：面向2030的理性期待与责任 - 报告描绘了AI融入城市生活带来便利和挑战的未来图景，将讨论焦点拉回现实，提醒人们AI未来掌握在自己手中，需积极引导其发展 [18] - AI100项目才刚开始，当下应理解报告洞察与建议，塑造负责任、可持续、以人为本的AI未来 [18]

等待13年，AlexNet重磅开源：Hinton团队亲手写的原版代码，甚至还带注释 如果你是一名 AI 开发者或深度学习爱好者，那么你一定听说过 AlexNet——这个在 2012 年凭借 ImageNet 竞赛一战成名、直接把计算机视觉能力拔高了 一个量级的深度卷积神经网络模型。 而就在最近，计算机历史博物馆（CHM）与谷歌合作，终于正式开源了 AlexNet 的源代码！更令人惊喜的是，这次公开的版本是 2012 年 Hinton 团队亲手 编写的原版代码，甚至还保留了当年的注释！ | Code 1.53 KB | 修改造新 | <> 源码 | | --- | --- | --- | | آ | # This is a layer configuration file that contains all the | | | 2 | # layer types supported by this code. It's not actually good for anything | | | 3 | # other than demonstrating how layers are specified and ...

AlexNet的发布与意义 - 计算机历史博物馆(CHM)与Google合作发布了AlexNet的源代码 该神经网络是2012年开启当今AI浪潮的关键技术 [1] - AlexNet由多伦多大学团队(Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton)开发 主要用于图像识别 [2][15] - 其2012年论文被引用超过172,000次 标志着计算机视觉领域从传统算法转向神经网络的转折点 [16][17] 深度学习的发展历程 - Geoffrey Hinton团队在1986年重新发现反向传播算法 成为现代深度学习的基础 [5] - 20世纪80年代神经网络以"联结主义"名称复兴 Yann LeCun证明卷积神经网络在手写识别中的优势 [5][6] - 2000年代后期GPU加速的神经网络训练取得突破 语音识别率先验证技术可行性 [13] 关键基础设施突破 - ImageNet项目(2009年完成)提供比传统数据集大几个数量级的训练样本 但前两年算法进步有限 [8][9] - NVIDIA的CUDA系统(2007年)使GPU能用于通用计算 黄仁勋推动的H100芯片现支撑ChatGPT等AI训练 [9][12] - AlexNet首次将深度神经网络、大数据集和GPU计算结合 训练在家庭电脑搭载的两块NVIDIA显卡上完成 [13][15] 技术实现细节 - Alex Krizhevsky开发"cuda-convnet"代码库 通过多GPU支持实现ImageNet训练性能突破 [15] - 原始代码经过5年协商才获谷歌授权发布 2012版源代码现可在CHM的GitHub获取 [18] - 技术路线从专用图像识别扩展至语音合成、围棋、自然语言处理等领域 最终催生ChatGPT [17]

AlexNet的历史意义与技术突破 - AlexNet是2012年由Geoffrey Hinton团队开发的革命性图像识别神经网络，开启了深度学习时代[2][3][4] - 该模型首次将深度神经网络、大数据集(ImageNet)和GPU计算三大要素结合，取得突破性成果[7][9][12] - 在ImageNet竞赛中，AlexNet以显著优势超越传统算法，使神经网络成为计算机视觉领域主流方法[8][12][13] 深度学习发展历程 - 神经网络起源于1957年Frank Rosenblatt的感知器，但70年代被AI界放弃[5] - 80年代Hinton团队重新发现反向传播算法，奠定深度学习基础[6] - 2000年代GPU和大型数据集(如ImageNet)的出现解决了神经网络训练瓶颈[7][9] 关键技术要素 - ImageNet数据集包含数百万分类图像，规模远超此前数据集[8] - NVIDIA的CUDA平台使GPU能够高效进行神经网络矩阵运算[9][12] - 模型训练在配备两张NVIDIA显卡的家用电脑上完成，耗时一年[12] 行业影响 - AlexNet之后几乎所有计算机视觉研究都转向神经网络方法[13] - 该技术路线直接催生了后续ChatGPT等突破性AI应用[13] - 原始代码已由计算机历史博物馆开源发布，具有重要历史价值[14] 核心团队 - Geoffrey Hinton作为导师提供学术指导，被誉为深度学习之父[3][6] - Alex Krizhevsky负责GPU代码优化和模型训练实现[11][12] - Ilya Sutskever提出关键创意并参与开发，后共同创立OpenAI[11][13]

作者 | 诺贝尔奖官方 采访中，辛顿表达了对人工智能未来发展的担忧。他认为， 人工智能可能在短短五年内超越人类智慧 ，并就此可能引发的社会风险，例如大规模失业 和虚假信息等问题，提出了警告。更令人深思的是，辛顿暗示，人工智能的潜在风险可能远超我们目前的认知。 编译 | 王启隆 出品丨AI 科技大本营（ID：rgznai100） 杰弗里·辛顿（Geoffrey Hinton），这位被誉为"人工智能教父"的科学家，于去年获得了诺贝尔物理学奖，引起了全网一阵讨论。 最近辛顿接受了诺贝尔奖官方的专访，他回忆起接到诺奖电话时的趣事时，第一反应竟然是疑惑，因为自己研究的并非物理学（这点和全网的疑惑倒是 一样）。 作为深度学习领域的先驱，辛顿最广为人知的成就是神经网络。但很多人其实不知道， 他曾说过自己这辈子"最自豪"也是"最失败"的成就，其实是与 特里·塞诺夫斯基（Terry Sejnowski）共同提出了玻尔兹曼机理论。 详见： 《 深度学习之父 Hinton 万字访谈录：中美 AI 竞赛没有退路可言 》 他们的工作，以及另一位诺奖物理学奖得主约翰·霍普菲尔德（John Hopfield）等神经网络先驱的早期研究，共同 ...

文章核心观点 AI搜索凭借技术优势提升用户体验，改变搜索行业格局，未来发展趋势多样且充满机会，传统搜索引擎面临挑战需创新[1][3][5] AI搜索特点及格局变化 - AI搜索能精准捕捉用户查询意图，提供定制化结果，打破传统线性检索模式，提升用户体验 [1] - AI重新定义信息获取范式，搜索与AI融合，AI搜索朝着一站式平台发展 [3] - 封闭式AI存在内容幻觉和过程失控短板，“LLM +搜索”模式完成搜索到创作闭环，改变搜索行业竞争格局，预计到2026年传统搜索引擎访问量下降26%，新玩家入场打破“寡头效应” [4][5] AI搜索未来趋势与机会 产品力是竞争力 - 简约化产品设计和一站式服务满足用户需求，是AI搜索发展重要趋势 [7] 信息一体化处理产品形态 - AI搜索与其他AI工具跨界融合，提供实用个性化功能，升级用户体验 [8] - AI搜索突破传统文字搜索束缚，提供跨模态搜索体验，演化为全能型智能助手 [8] - AI搜索呈现多端协同趋势，突破设备边界，走进全新应用场景 [8] 场景垂直“专、精、深” - 用户需求推动AI搜索场景垂直化，垂直搜索满足细分需求，构建企业“护城河” [9] 新商业模式的探索 - 商业化能力创新是AI搜索待解决问题，用户通过AI搜索形成入口导购商业化已有先例 [10] - AI搜索与企业级市场结合，为企业提供定制化搜索解决方案，提供新盈利渠道 [10] 传统搜索引擎的挑战 - 传统搜索引擎需创新，加入AI模型插件提升用户体验，稳固行业心智地位 [12] - AI助手是传统搜索引擎最强挑战者，具备深度思考和联网搜索功能，承载泛搜索需求 [12] - AI搜索新势力提供全新搜索体验，理解自然语言，提供实时准确答案 [12] - 平台型互联网企业扩张搜索市场心智，接入大模型发挥内容潜力 [13] - AI搜索发展关键在于通过RAG解决问题，但依赖传统搜索引擎信息，数据处理难度大 [13]