软件定义产品（SDP）的崛起趋势 - 软件定义从单一行业概念发展为跨领域系统性重构，涵盖汽车、工业、医疗、航空航天、能源、家电等多个领域 [2][4] - 行业案例：德国工业设备厂商KRONES通过数字孪生+仿真实现生产线测试与部署，医疗机器人手术系统Corindus和航空飞控系统也依赖软件定义能力 [6] - 软件定义赋能任何嵌入式系统执行功能与算法的行业 [7] SDP的三大核心价值 - 客户期望演进：从功能交付转向体验交付，强调可持续性、安全性与数字连续性 [10] - 技术平台升级：支持电气化、自动驾驶、车载互联等功能的模块化更新 [10] - 商业模式重塑：按需付费、功能订阅、应用商店式服务成为新营收增长点 [10] 企业转型的三大障碍 - 专业割裂：系统工程、软件工程、电气设计等团队孤立工作，缺乏协同平台 [11] - 软硬件协同复杂化：边缘智能环境中MCU、MPU、FPGA等异构架构增加部署难度 [11] - 开发流程碎片化：从需求定义到OTA更新缺乏统一工具支撑 [11] 模型驱动开发（MBD）的解决方案 - MBD构建全流程协同框架，覆盖需求建模、算法开发、代码生成、系统仿真，支持MCU、DSP、FPGA等多种硬件自动适配 [14] - 与英伟达、意法半导体等合作建立芯片模型库，实现"模型即代码、模型即沟通"的并行协作机制 [16][17] - 案例：AWS自动驾驶项目中实现软硬解耦开发，开发流程从线性串行转为可并行迭代的敏捷体系 [18] AI在工程开发中的应用 - 生成式AI辅助编写MATLAB脚本、设计滤波器，并自动生成Simulink模块模板 [20] - 强调"系统内可验证的AI功能"，如预测性维护模型需通过虚拟环境仿真验证安全性与可靠性 [20] - 提供行业专属工具包（如DO Qualification Kit、医疗合规包），兼顾平台统一性与行业个性化需求 [20] 软件定义的未来方向 - 云端作为"第二大脑"：支持5G/云实时数据汇聚、并行仿真、DevOps高效化，构建"云原生工程中台" [22] - 产品生命周期闭环：通过OTA更新实现"交付只是开始"，提升客户粘性与资源效率 [24] - "设计左移"与"验证右伸"理念：早期发现潜在问题，后期持续优化性能 [24] 工程思维的深度重塑 - MATLAB和Simulink作为"工程平台的操作系统"，连接算法与硬件、数据与模型，实现全生命周期闭环 [26] - 软件定义不仅是工具升级，更是从功能构建到价值释放的工程范式转变 [27]

软件演进三阶段理论 - 软件1 0时代由人类编写明确指令代码 代表为GitHub托管代码库 [8] - 软件2 0时代核心是神经网络权重 通过数据集训练生成 代表平台包括Hugging Face和Model Atlas [10] - 软件3 0时代以自然语言为编程接口 提示(Prompts)成为新程序形式 大语言模型(LLM)演变为可编程通用计算机 [10][11] LLM作为操作系统 - LLM类比为新型操作系统 模型本身充当"CPU"负责推理 上下文窗口相当于"内存" [15] - 市场格局类似早期操作系统 闭源商业提供商(如OpenAI)与开源替代方案(Llama生态系统)并存 [15] - 服务模式类似公共设施 研发实验室投入巨额Capex训练基础模型 通过API按token计量收费 [12] LLM能力与缺陷 - 超能力包括百科全书式知识记忆 信息处理量远超人类个体 [17] - 认知缺陷涵盖幻觉(编造事实) 锯齿状智能(能力不均衡) 顺行性遗忘症(无法自动巩固新知识)及安全脆弱性 [19][20] 人机协作新范式 - 部分自治应用(如Cursor)特征：自动管理上下文 编排多LLM调用 提供可视化GUI及自治程度滑块 [22] - 未来软件将普遍部分自治 需设计让LLM接触用户可操作界面并建立监督机制 [23] 软件开发民主化 - Vibe Coding现象：自然语言编程接口使非专业开发者能快速实现功能原型 [24] - 创新瓶颈从编码转向部署 手动处理认证 支付 部署等DevOps任务占90%耗时 [25][26] AI基础设施重构 - 需为第三类用户(AI智能体)设计专属交互方式 而非仅适配人类GUI或程序API [27] - 具体方案包括创建AI友好Markdown说明书 重写可执行命令文档 开发人类-AI信息转换工具 [28][29] 行业发展现实展望 - 自动驾驶案例显示技术演示与产品化存在十年级鸿沟 需警惕"2025智能体之年"类炒作 [31] - 短期应聚焦"钢铁侠战衣"式增强工具 通过人机协同设计规避LLM缺陷 [32][34] - LLM技术首次 democratized 全球数十亿普通人可直接参与范式变革 [35]

产品更新与定位 - 第3代LEAF更新为小型SUV车型 续航距离比原来增加3成 达到600公里以上 属于世界最高水平 [1][2] - 新款LEAF最快可在35分钟内完成日常使用所需的充电 在北美首次采用特斯拉NACS充电标准 [3] - 公司将其定位为标准车 与轻型车"樱花"和高档车"ARIYA"形成产品矩阵 [2] 技术性能与竞争优势 - 通过空气动力学设计延长续航 美国版最大续航303英里(约490公里) 日欧版超600公里 较美国现款(210英里)大幅提升 [2] - 续航表现超越竞品比亚迪ATTO3和大众ID3(均不足600公里) [2] - 引入软件定义车辆(SDV)技术 支持上市后通过系统更新提升性能 [3] 市场战略与规划 - 2025年秋季从美国开始销售 2025年内进入日本市场 2026年登陆欧洲 [2] - 作为经营重建核心战略车型 被赋予"全球战略车"地位 加入畅销要素 [2] - 瞄准SUV热门细分市场 跨界车型设计提升消费者吸引力 [2] 行业竞争与挑战 - 第一代LEAF曾引领EV市场 但当前在价格和性能上落后于比亚迪、特斯拉及欧洲车企 [4] - 中国市场合资车型N7上市首月订单超预期 显示复苏迹象 [4] - 放弃日本本土电池工厂建设计划 失去低成本电池量产能力 [4] 定价与盈利策略 - 新款LEAF价格尚未公布 公司承诺保持竞品对标定价 [4] - 计划通过提高销售价格确保利润 具体定价策略受市场关注 [4]

软件3.0时代 - 软件在过去70年基本没变 但最近几年连续经历两次根本性变革 从传统编程到神经网络再到自然语言编程大模型 [2][5] - 大模型是可编程的 提示词就是程序 用自然语言编写 标志着软件3.0时代的到来 [4][5][6] - 软件1.0是传统代码编程 软件2.0是神经网络权重参数调整 软件3.0是自然语言编程大模型 [11][31] 大模型三重属性 - 工具属性：类似电力网络 前期高资本投入建设基础设施 后期按API使用量收费 需求特征为低延迟、高稳定性、质量一致 [8] - 工厂属性：训练需巨额资本 技术路线复杂 研发集中在少数公司 软件可复制性使护城河不如硬件牢固 [9] - 操作系统属性：形成复杂软件生态系统 闭源巨头与开源社区并存 当前类似计算的1960年代 模型集中在云端 [12][13] 大模型能力与局限 - 拥有百科全书般记忆 能记住Git提交哈希值等人类难以记忆的内容 [15] - 存在认知缺陷 产生幻觉、缺乏自我认知、犯低级错误如9.11大于9.9 数错字母数量 [16] - 患顺行性失忆症 上下文窗口即工作记忆 每天被清空 无法持续学习巩固知识 [16] AI应用机遇 - 最大机遇在构建半自主化产品 提供自主性滑块 控制权始终在人类手上 如Cursor的代码重构层级选择 Perplexity的搜索深度选择 [17][21][22] - Vibe coding兴起 大模型理解自然语言使人人可编程 但部署环节仍依赖传统人工操作 [24][25] - 需为AI agent重建基础设施 当前软件为人类设计 需转向大模型友好格式 如Markdown文档替代点击指令 [25][26] 行业发展趋势 - 需重写海量代码 专业程序员与vibe coder共同参与 未来十年自主性滑块将逐步右移 [28] - 中期大模型渗透企业级工作流 代码、文档、数据分析全面智能化 [29] - 长期普及类贾维斯智能助手 但人类始终是闭环决策者 [30] - 从业者需同时掌握Software 1.0代码、2.0模型训练、3.0提示词工程 [31]

软件范式变革 - 过去70年软件底层范式几乎未变，但近几年连续经历两次剧烈跃迁，进入Software 3.0时代 [6][7][21] - Software 1.0：人类用Python、C++等语言明确编写代码，主导过去70年 [16] - Software 2.0：以神经网络权重为核心，通过数据集和优化算法自动生成程序，典型代表如Hugging Face托管模型 [15][16][17] - Software 3.0：以自然语言提示词编程大型语言模型(LLM)，实现更灵活的组合与编排 [25][26] LLM的生态定位 - LLM具备公共事业属性，服务中断会导致全球性"智能停电"，依赖度将持续增长 [39][43][44][45] - 训练LLM类似建造芯片工厂，需巨额资本投入(CAPEX)和尖端技术，通过API按量计费(OPEX) [46][47] - LLM是新时代操作系统，生态演化路径与计算机历史相似：闭源提供商(如OpenAI)与开源替代品(如Llama)并存 [50][55][58] 技术扩散路径反转 - LLM颠覆传统技术扩散路径，直接进入消费市场解决日常问题，而非优先服务军事/政府需求 [73][74] - 公司需追赶消费者使用步伐，应用起点与演化路径将不同于以往技术 [74] LLM的认知特性与局限 - LLM具有"人类灵魂"特质：百科全书式记忆但存在幻觉、智能不均衡、顺行性遗忘等认知缺陷 [75][76] - 安全风险突出，易受提示词注入攻击，需设计机制规避风险 [77] 应用开发范式迁移 - 特斯拉案例显示：Autopilot中Software 2.0神经网络逐步替代传统C++代码(Software 1.0) [30][31][33][34] - 自然语言编程降低门槛，实现"人人可编程"，但产品化涉及支付/认证等非代码环节仍是痛点 [99][104][106] - 未来需构建LLM友好型基础设施，如上下文构建器(Gitingest)、协议标准(MCP)等 [109][110][111] 人机协作发展方向 - 短期应聚焦"部分自治应用"，通过图形界面和"自治滑块"实现可控自主 [83][84][95] - 长期需平衡增强与自主，类似钢铁侠战衣的人机融合模式 [93][94][115]

在北京亦庄，一座由多层穿梭车立体库、全自动输送线和机械臂构成的现代化物流基地巍然矗立。踏入 这座高大宽敞的物流中心，映入眼帘的是一派忙而不乱、井然有序的景象。在"智慧大脑"的精准调度 下，一箱箱货物在高耸的货架间灵活穿梭，时而跃上高速运转的输送带，时而登上往来穿梭的无人搬运 车，以灵动而敏捷的节奏，演绎出工业脉搏的智慧律动。 这座规模宏大且运作繁忙的物流基地，正是施耐德电气在亚太地区的重要物流枢纽之一——施耐德电气 北京物流中心（以下简称"北京物流中心"）。如今，借助开放的、软件定义的自动化技术以及数字孪生 等前沿科技，这座经过全面升级的物流中心正逐渐成为智慧物流"新范式"的标杆典范。 主动升级应对多维需求和挑战 制造业物流的技术创新与升级，始终与制造端和销售端的需求变化紧密相连。在制造端，随着产品类别 日益细分和定制化需求的增加，原材料的物流供应链必须更加灵活和高效，以满足不断增长的精益化、 柔性化生产需求。而在销售端，客户对产品质量和交付周期的高要求，使得物流的效率、精准性和可追 溯性变得尤为重要。 不仅如此，随着"双碳"目标的持续推进，仓储物流环节也需要在能源管理等方面主动优化，通过节能降 耗减碳，实现 ...

核心观点 - Skywork-SWE 是昆仑万维推出的自主代码智能体基座模型，专注于修复开源软件工程中的 bug，具备多轮交互、长上下文理解与逻辑推理能力 [2][7] - 该模型参数量达 32B，是目前同规模下最强的开源软件工程智能体之一，在 SWE-bench Verified 基准上取得 47% 的准确度，超越多个主流闭源模型 [7][25][33] - 其核心突破在于构建了业内最大规模、可验证的 SWE 数据集（10,169 个真实代码问题 + 8,209 条多轮交互轨迹），首次系统性验证了数据 Scaling Law 在复杂工程任务中的适用性 [11][13][40] 技术实现 数据集构建 - 从 15 万个 GitHub 仓库筛选出 10,169 个真实代码问题和 8,209 条多轮交互轨迹，覆盖 2,531 个仓库，远超同类数据集（如 SWE-Gym Lite 仅 230 个实例）[13][16][21] - 采用三阶段九步骤流程：数据采集与预筛选（阶段 A）、环境设置与执行验证（阶段 B）、智能体轨迹生成（阶段 C），确保每条样本可复现并通过单元测试 [12][16][17] - 数据复杂度显著更高：平均每个补丁涉及 2.3 个函数修改、6 个代码块、74 行代码变更，更贴近真实开发场景 [20][21] 模型性能 - 在 SWE-bench Verified 基准上，Skywork-SWE-32B 以 47% 准确度超越 DeepSeek-V3-0324（671B 参数）和 Claude 3.5（46%），并实现 38.0% pass@1 准确度刷新开源记录 [25][27][33] - 实验显示模型性能随数据规模呈指数级提升且未饱和，验证了数据 Scaling Law 的有效性 [27][29] - 采用测试时扩展（TTS）技术后，Best of 8 测试下准确率提升至 47% [30] 行业意义 - 填补了高质量 SWE 训练数据的空白，其数据集被类比为软件工程智能体的「ImageNet」[40] - 开创了「数据+系统+执行力」的智能体开发范式，未来将扩展至更多编程语言并支持在线强化学习探索 [41][42] - 是昆仑万维 Skywork 系列的重要落地成果，与其多模态推理模型、音乐模型、短剧创作模型等形成全链条布局 [42]

软件演进阶段 - 软件发展划分为三个阶段：人工编写指令的「软件1.0」、以神经网络权重为核心的「软件2.0」、由LLM开启的「软件3.0」[8] - 软件1.0是直接为计算机编写的代码，软件2.0是神经网络的权重，软件3.0则是用自然语言编程LLM[24][25] - 软件2.0领域已出现类似Github的平台如Hugging Face和Model Atlas[21] LLM本质与特性 - LLM可被视为一种「新型操作系统」，其核心设置类似CPU，上下文窗口类似内存[52] - LLM是「有缺陷的超人」：知识渊博但会产生幻觉、犯低级错误且没有长期记忆[14] - LLM具有基础设施属性，类似电网建设，通过API按量计费提供智能服务[38] - LLM生态系统类似操作系统市场，有闭源提供商和开源替代品如Llama[49] 行业应用与机遇 - 当前最大机遇是开发「部分自主性」产品，而非完全自主AI[14] - Cursor和Perplexity是早期LLM应用典范，具备上下文管理、多次调用编排和自主性滑块等特性[101][103][107] - 未来软件将普遍具备「自主性滑块」，允许用户调整自主程度[104] - 需要重构数字基础设施使其对AI友好，如将文档转为Markdown格式[170][176] 开发范式转变 - 自然语言成为新编程接口，提示词就是编程LLM的程序[27] - 出现「氛围编程」现象，非专业人士也能通过自然语言描述构建软件[141][144] - 开发者需掌握三种编程范式（1.0/2.0/3.0）并根据场景灵活选择[34] - 开发流程中「生成-验证」循环的快速运转是关键，GUI可极大提升验证效率[117] 未来发展趋势 - 当前处于类似1960年代的计算纪元，LLM算力仍集中在云端[59][64] - 需要为AI重新设计数字基础设施，使其机器可读、可操作[14][187] - 未来十年将见证技术从增强工具向自主智能体的渐进式演进[189] - 钢铁侠战衣式增强工具比完全自主智能体更适合当前技术阶段[134]

软件3.0生态重构 - 软件3.0以"提示词即程序"范式颠覆传统编程，将提示词与系统设计、模型调优融合为新生产力，而非简单叠加手工代码与机器学习[2] - 软件发展分为三个阶段：手工敲代码的软件1.0、机器学习训练模型的软件2.0、提示词驱动的软件3.0，后者正以不可逆转趋势挤压前两代生存空间[6] - 大语言模型具备"多面手"属性，可切换数字水电工、代码生产工厂、应用开发者、在线管家等角色，彻底重构技术研发到商业化的逻辑[7] LLM心理学与认知缺陷 - 当前大模型存在"锯齿状智能"现象：能解决高难度任务但可能在常识判断上出错，如能解偏微分方程却分不清9.11和9.9大小[10][12] - "顺行性遗忘"指大模型对话记忆局限，每次对话都是全新开始，缺乏持续学习能力，需通过系统提示学习划定能力边界[14][16] 人机协作框架 - "部分自主性"框架需平衡AI自主决策与人类信任，通过自主性调节器动态控制AI自主度，如Cursor从Tab键补全到智能体全包模式[17][18] - 人机协同需快节奏验证（10秒内批改AI方案）与严格边界划定（强制代码包含指定函数），防止生成无法运行的玄学代码[21] - 技术落地需跨越Demo到产品的鸿沟，Waymo案例显示完全自主性不现实，部分自主性才是实用解决方案[23] 智能体开发生态 - Vibe Coding概念催生数千家初创公司，但实际应用中AI光速编程效果易失效，暴露理想与现实的差距[24] - 开发工具链呈现新旧割裂：老工具文档复杂难懂，新工具文档简洁清晰，需DeepWiki类知识整理工具自动关联API等资源[27] - 智能体作为"双语翻译官"连接人类与计算机程序，推动开发范式从人适应机器转向机器适应人[30] 行业变革方向 - 务实创新应聚焦半自主系统开发、软件3.0范式转型、大模型基础设施化三大方向，而非空谈AGI目标[31] - 未来胜出者将是最懂人机协作的团队，这场变革本质是生产关系的重构，类似工业革命对生产方式的改变[31]

中国关系型数据库市场增长预测 - 中国关系型数据库市场将在2025年恢复到高速增长态势，市场增速接近25% [1] - 到2029年，中国关系型数据库软件市场规模将达到110.3亿美元 [1] - 2024-2029年的5年市场年复合增长率（CAGR）为20.8% [1] 市场增长驱动因素 - 软件国产化趋势推动市场增长 [1] - AI原生应用快速发展带动需求 [1] - 宏观经济复苏对市场产生积极影响 [1]