蛋白质设计领域新突破 - 开发了从头设计大环肽的新框架RFpeptides 实现了精确设计与目标蛋白质具有高亲和力的大环肽 [3] - 该研究由诺贝尔奖得主David Baker团队发表在Nature Chemical Biology 标志着蛋白质设计领域的重要进展 [2] 大环肽的 therapeutic potential - 大环肽介于小分子药物和大分子生物制剂之间 能够调控传统治疗手段无法触及的分子靶点 [6] - 生物制剂限于细胞外靶点 小分子难以靶向缺乏深疏水口袋的蛋白质 大环肽可填补这一治疗空白 [6] - 传统肽类药物研发依赖天然产物发现或高通量筛选 存在合成困难 稳定性差 耗时耗资等局限 [6] RFpeptides技术优势 - 扩展RoseTTAFold2和RFdiffusion框架 引入循环相对位置编码 实现基于去噪扩散的大环肽设计流程 [12] - 针对MCL1 MDM2 GABARAP RbtA四种蛋白质测试 均获得中高亲和力结合剂 其中RbtA结合剂Kd<10nM [13] - X射线晶体显示设计的大环肽-靶蛋白复合物结构与计算模型高度吻合 Cα RMSD<1.5Å [14] 人工智能在蛋白质设计的应用 - 生成式AI突破被用于大环结合剂设计 RFdiffusion模型已成功设计蛋白质单体及结合剂 [10] - 现有AI方法因训练数据有限难以直接应用于肽设计 RFpeptides框架克服了这一挑战 [11] - 该技术为快速定制诊断/治疗用大环肽提供系统性框架 具有广泛 therapeutic application [16]

纪要涉及的行业 人工智能行业 纪要提到的核心观点和论据 1. **技术发展** - 人工智能达成新比较基准速度加快，2023 年新比较基准推出后，2024 年 MMMU 和 GPQA 测试成绩分别提升 18.8 和 48.9 个百分点，SWE - bench 解题能力从 4.4%跃升至 71.7%[51] - 开源模型与闭源模型差距缩小，2024 年 1 月初顶尖闭源模型性能优势为 8.0%，到 2025 年 2 月缩至 1.7%[52] - 中美人工智能模型能力差距收窄，2023 年底在 MMLU、MMMU、MATH 和 HumanEval 等比较基准中差距分别为 17.5、13.5、24.3 和 31.6 个百分点，2024 年末收窄至 0.3、8.1、1.6 和 3.7 个百分点[53] - 前沿人工智能模型性能趋于收敛，Chatbot Arena Leaderboard 上排名第一与第十的模型间 Elo 分数差从 11.9%收窄至 5.4%，前两名差距从 4.9%缩小到 0.7%[53] - 新型推理范式提升模型性能，OpenAI 的 o1 在国际数学奥林匹克资格考试中获 74.4%高分，但运算成本增至 GPT - 4o 的 6 倍，推理速度降低 30 倍[54] - 高质量人工智能视频生成模型取得突破，2024 年多款模型画质较 2023 年显著提升[55] - 小型模型性能增强，2022 年需 5400 亿参数的 PaLM 达 MMLU 60%以上分数，2024 年微软 Phi - 3 - mini 仅 38 亿参数就实现相同水平[56] 2. **企业应用与投资** - 全球私人人工智能投资创历史新高，2024 年达 2523 亿美元，私人投资同比增长 44.5%，自 2014 年以来总投资规模增长逾十三倍[64] - 生成式人工智能投资激增，2024 年达 339 亿美元，比 2023 年增长 18.7%，是 2022 年的 8.5 倍以上，占所有人工智能相关私人投资总额 20%以上[64] - 美国扩大在全球人工智能私人投资领先优势，2024 年美国投资 1091 亿美元，是中国的近 12 倍、英国的 24 倍，在生成式人工智能领域差额较 2023 年扩大[64] - 人工智能使用水平提升，2024 年受访企业采用人工智能技术比例从 2023 年的 55%跃升至 78%，使用生成式人工智能的受访者数量增长逾一倍[65] - 人工智能在多业务职能领域产生财务效益，但多数企业处于应用初期，成本节约和收入增长幅度大多较低[66] 3. **社会影响** - 全球对人工智能产品和服务持谨慎乐观态度，认为利大于弊的个人比例从 2022 年的 52%上升到 2024 年的 55%[80] - 人工智能对日常生活影响预期认知度攀升，三分之二的人认为未来 3 至 5 年将显著改变日常生活，较 2022 年上升 6 个百分点[80] - 对人工智能公司伦理行为怀疑增加，对公平性信任下降，全球对人工智能公司保护个人数据信心从 2023 年的 50%降至 2024 年的 47%[81] - 人工智能乐观程度地区差异仍存在，中国、印度尼西亚和泰国等国家乐观程度高，加拿大、美国和荷兰等国家较低[81] - 劳动者预期人工智能重塑就业结构，但对岗位被替代担忧程度相对较低，60%受访者认为将改变工作方式，36%认为会被取代[83] 4. **科研成果** - 人工智能在科学和医学领域取得进展，高性能大规模蛋白质测序模型推出，人工智能驱动科研突破增多，医学基础模型发布，公共蛋白质数据库规模扩大[69][72] - 人工智能研究获两项诺贝尔奖，2024 年 AlphaFold 在蛋白质折叠方面、神经网络方面的研究获诺贝尔化学奖和物理学奖[73] 5. **政策监管** - 美国各州引领人工智能立法进程，2024 年州级相关法律达 131 项，联邦层面进展相对迟缓[74] - 世界各国加大人工智能基础设施投资，如加拿大 24 亿美元、中国 475 亿美元半导体基金、法国 1170 亿美元等[75] - 全球人工智能立法提及率上升，2024 年 75 个国家立法程序中提及次数增加 21.3%，自 2016 年增长 9 倍多[75] - 全球人工智能安全研究机构加速扩张与协同合作，2024 年多国承诺成立相关机构[76] - 美国人工智能相关联邦法规数量激增，2024 年出台 59 项，是 2023 年的两倍多[76] - 美国多州加强深度伪造监管立法，2024 年 15 个州出台类似措施，24 个州通过相关法规[76] 其他重要但是可能被忽略的内容 1. **数据资源**：公共数据资源迅速萎缩，2023 - 2024 年间数据使用限制增加，C4 通用爬取数据集受限制文本数据比例从 5 - 7%骤升至 20 - 33%[61] 2. **环境影响**：人工智能训练碳排放量稳步上升，2012 年 AlexNet 为 0.01 吨，2024 年 Llama 3.1 405B 高达 8930 吨[50] 3. **教育情况** - 美国高中计算机科学课程普及率与选修人数略有提升，但教育差距存在，学生参与情况受多种因素影响[77] - 美国计算机科学教师希望传授人工智能，但多数认为自己不具备能力[78] - 全世界三分之二国家提供或计划提供 K - 12 阶段计算机科学教育，非洲和拉丁美洲进展显著，但非洲国家因电力问题学生获得教育机会少[78] - 2022 - 2023 年美国获得人工智能硕士学位毕业生人数几乎翻番，可能预示各学位层次发展趋势[79] - 美国在培养 ICT 毕业生方面领先，西班牙、巴西和英国紧随其后，土耳其男女比例最均衡[79]

收购谈判 - 苹果公司内部就收购Perplexity进行初步谈判，参与高管包括Adrian Perica和Eddy Cue，但140亿美元的高估值可能阻碍交易达成 [2] - Meta曾与Perplexity磋商收购事宜，但在以148亿美元收购Scale AI 49%股权后决定不再推进交易 [2] - Perplexity当前估值高达140亿美元，同时吸引苹果和Meta两大科技巨头的关注 [4] 公司背景 - Perplexity成立于2022年，总部位于旧金山，创始团队包括阿拉温德·斯里尼瓦斯等四人 [5] - 公司定位为"世界上首个对话式搜索引擎"，核心特点是直接、精准、时效性强且可溯源 [5] - 2023年11月入选《财富》全球人工智能创新者50强，2024年4月入选福布斯AI 50榜单 [6] 业务发展 - 公司最初未确定具体AI赛道，通过快速迭代最终选定AI搜索方向 [8] - 月活用户达1000万（成立一年半后），2025年2月网站访问量1300万次，5月搜索量达7.8亿次（月增20%） [9] - 首席执行官预计若增长持续，一年内将实现每周处理10亿次查询 [9] 行业趋势 - AI搜索成为最具潜力赛道之一，OpenAI的ChatGPT爆火后加速了这一趋势 [8] - 谷歌搜索量出现20年来首次下降，苹果高管归因于ChatGPT和Perplexity等AI服务的兴起 [8] - 英伟达CEO黄仁勋公开表示日常使用Perplexity [9] 竞争环境 - 谷歌在I/O大会上推出"AI模式"，直接对标Perplexity和ChatGPT的聊天机器人式搜索 [11] - 面临BBC、纽约时报等出版商的版权诉讼威胁，因其内容抓取模式 [11] - 虽然增长迅速，但护城河不稳固，面临日益激烈的竞争环境 [11]

生成式人工智能导演职业发展 - 生成式人工智能导演罗翀从传统影视导演转型，利用AIGC技术进行广告和宣传片创作，团队10人分散在全国各地通过线上协作[1][3][7] - 创作过程使用主流AI大模型软件，主要运用"文生图"和"图生视频"功能，可在2-3分钟内生成5-10秒视频片段[5] - 完成过包含近百个镜头的3分钟古诗词国风动漫短片项目，部分镜头效果超出预期[7] - 专业AI创作者需掌握提示词输入规律，需要持续学习新技术并与同行交流经验[8][9] - 相比传统导演工作模式，AI导演可独立完成"一个剧组"的工作量[9] 数字人训练师职业现状 - 人工智能数字人训练师团队规模约50人，负责运营直播平台上万个AI数字人[12] - 技术可实现数字人口型、声音、手部动作的高度还原，并能自动生成带货脚本和实时互动[14] - 团队成员多为年轻人且缺乏专业背景，需通过每周固定课程学习AI底层原理[16] - 行业面临人才紧缺问题，供给主要来自互联网大厂员工和少量AI专业研究生[18] 生成式人工智能行业规模 - 2024年中国AIGC市场规模已达数百亿元，预计2030年突破万亿级规模[18] - 人社部已公布包括生成式人工智能系统应用员、动画制作员等在内的多个AI新职业[19] - 行业门槛降低但竞争加剧，未来竞争焦点将从工具掌握转向价值创造能力[21] AI技术应用趋势 - AIGC技术正在影视制作等领域形成新潮流，催生新岗位和新职业[1] - 技术迭代速度极快，从业者需要持续学习和适应新技术[8][9] - 各行业都在积极应用AI技术，但专业人才供给不足[18]

财务表现 - 2025财年第三季度全球营业收入达177亿美元 以美元和当地货币计分别同比增长8%和7% [1] - GAAP下第三财季营业利润为29 8亿美元 同比增长13% 营业利润率达16 8% 同比提升80个基点 [1] - 稀释后每股收益3 49美元 同比增长15% [1] - 新订单总额197亿美元 其中生成式AI相关新订单达15亿美元 [1] 全年展望 - 预计2025财年全年营业收入增长6%-7%(以当地货币计) [1] - 全年营业利润率指引15 6% [1] - 全年稀释后每股收益预期区间12 77-12 89美元 [1]

行业技术发展趋势 - 超高清和生成式人工智能技术持续升温，为广播电视和网络视听行业带来新变化，技术成为视听领域创作的基础[1] - 广电总局规定2025年为超高清发展年，电视剧、网剧、纪录片将超高清化，超高清频道和作品将大量出现[1] - 技术与文艺创作结合能够产生广泛影响力，例如2025年蛇年春晚节目《秧BOT》因技术融合获得高度评价[1] 用户行为与市场需求 - 过去10年互联网和移动互联网快速发展，城市年轻用户更多通过手机小屏获取信息，电视大屏使用时间减少[1] - 年轻群体对优质影视剧、微短剧、国内外体育赛事、AR/VR游戏、文旅纪录片兴趣浓厚，超高清画质需求强烈[2] 内容策略与创新 - 公司通过电视院线同步上映优质影视剧和微短剧，合作引入海内外体育赛事和文旅纪录片，满足年轻用户需求[2] - 尝试在智慧大屏上接入AR/VR游戏，丰富内容形式[2] 技术整合与服务升级 - 提供"5G+电视+宽带+内容+权益+X"综合信息服务，用户可通过广电5G随时随地收听收看节目[2] - 广电5G服务与新型机顶盒无缝衔接，实现大小屏同播，智慧广电家庭组网提供全屋智能接入和服务[2]

传统推荐范式的痛点 - 传统推荐系统采用多阶段范式（召回、排序），导致阶段间信息损失、偏差累积和协作困难 [3] - 独立训练的各个阶段难以完整传递信息，潜在兴趣点被过早过滤 [3] 生成式AI的解决方案 - UniGRF框架将召回和排序整合到单一生成模型中，实现信息充分共享 [4][6] - 通过序列生成任务统一处理两大核心任务，保持模型通用性和可扩展性 [6][8] UniGRF的核心优势 - 参数共享减少信息损失，提升任务协作效率 [7] - 支持与主流生成模型架构（如HSTU、Llama）无缝集成 [8] - 单一模型在训练和推理上可能比独立模型更高效 [9] 关键技术模块 - 排序驱动的增强器：利用排序阶段高精度输出来优化召回阶段 [10][11] - 梯度引导的自适应加权器：动态调整任务权重实现同步优化 [12] 实验验证结果 - 在MovieLens-1M、MovieLens-20M、Amazon-Books数据集上性能显著超越SOTA基线 [14][18] - 排序阶段性能提升尤为明显，直接影响最终推荐质量 [18] - 模型参数扩展时符合Scaling Law，展现良好可扩展性 [18] 未来发展方向 - 计划扩展至更多推荐阶段（如预排序、重排） [16][17] - 探索工业场景大规模应用的可行性 [17]

GPT-5发布计划 - GPT-5预计将于2024年夏季发布，具体日期未定，性能较GPT-4有显著提升 [1] - 公司内部讨论是否简单提升版本号或延续GPT-4的优化模式，7月是初步目标但可能调整 [3][4] - GPT-5定位为更接近通用人工智能的代理模型，具备推理、规划和跨情境互动能力 [3] 技术升级与竞争 - GPT-5目标是在某些任务上达到博士水平，而GPT-4仅相当于优秀高中生 [3] - 公司计划先发布GPT-4 5（代号Orion），作为最后一个非思维链模型，再推出集成技术的GPT-5 [6] - 深度求索的DeepSeek-R1性能接近公司o1模型，训练成本约600万美元，加剧行业竞争 [6] 产品策略与命名 - GPT-4o已完全取代GPT-4，其"全能"特性拓展了应用场景，但命名混乱问题待解决 [5] - 未来版本命名将简化，避免如o4-mini等复杂名称，GPT-5和GPT-6将更易使用 [5] - GPT-5将免费开放基础功能，订阅用户可享受更高智能级别 [5] 商业模式探索 - 公司主要收入来自企业客户购买增强版ChatGPT，但未排除广告可能性 [7] - 广告需谨慎处理，确保不修改模型输出且对用户有用，可能通过点击内容获得交易收入 [8] - 隐私保护是核心原则，公司反对《纽约时报》要求保留输出日志数据的诉讼 [7] 行业动态与挑战 - 多模态大模型领域将因GPT-5发布迎来新一轮技术竞争 [1] - 公司高管承认开源策略需调整，以应对竞争对手的追赶 [6] - GPT-5开发曾面临跳票、烧钱、缺人和数据不足等问题 [5]

以下文章来源于3D视觉之心 ，作者3D视觉之心 3D视觉之心 . 3D视觉与SLAM、点云相关内容分享 点击下方 卡片 ，关注" 3D视觉之心 "公众号 第一时间获取 3D视觉干货 >> 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。 大规模场景生成的挑战 近年来，生成式人工智能的进步对自动驾驶产生了深远影响，其中扩散模型成为数据合成和驾驶仿真的关键工具。 一些方法将扩散模型作为数据生成机器，用于生成高保真的驾驶视频或多模态的合成数据，以增强感知任务，并生 成如车辆插队等关键但罕见的情况，从而丰富规划数据。除此之外，还有一些方法将扩散模型作为世界模型，用于 预测未来的驾驶状态，从而实现端到端的规划和闭环仿真。这些研究主要强调通过时间递归生成长期视频，鼓励扩 散模型输出时序一致的视频序列，以服务于后续任务。 然而，具备空间扩展能力的大规模场景生成仍是一个新兴但尚未被充分研究的方向，其目标是构建可用于任意驾驶 仿真的广阔而沉浸式的三维环境。一些开创性工作已经探索了大规模的三维驾驶场景生成。例如，有的方法利用扩 散 ...

苹果公司芯片设计战略 - 公司计划利用生成式人工智能技术加速定制芯片设计流程，硬件技术高级副总裁约翰尼·斯鲁吉在比利时演讲中明确提及该方向 [1] - 公司自2010年iPhone的A4芯片到最新Mac及Vision Pro的芯片开发中，强调必须采用最先进的电子设计自动化(EDA)工具 [1] 半导体行业技术动态 - 全球两大EDA巨头Cadence Design Systems和Synopsys正竞相将人工智能功能整合至芯片设计软件中 [1] - 独立研发集团Imec与全球主要芯片制造商保持紧密合作，斯鲁吉此次演讲与接受Imec奖项相关 [1] 苹果芯片开发方法论 - 公司在Mac产品线从英特尔芯片转向自研芯片时采取"无备用计划"策略，2020年转型投入包括大规模软件开发资源 [2] - 斯鲁吉指出芯片设计需"大胆尝试不回头"，迁移至Apple Silicon被视为关键战略赌注 [2] 技术应用前景 - 生成式AI被评估具备显著提升设计生产力的潜力，可缩短芯片开发周期 [1][2] - EDA供应商对处理复杂芯片设计至关重要，AI技术有望优化其工作流程 [1][2]