核心观点 - 浩海生命"善食"大模型成功通过广东省生成式人工智能服务备案，成为医疗健康管理领域唯一通过备案的案例，彰显其技术创新与合规实力 [1][2] - 该模型在技术安全性、数据合规性、伦理风险评估等多维度通过严苛审核，与中原地产、广电运通、科大讯飞等头部企业模型同批通过备案 [2] - 截至2025年3月31日，全国仅有346款生成式人工智能服务通过国家网信办备案，"善食"大模型树立了"技术创新+伦理合规"的双重行业标准 [2] 备案意义 - "善食"大模型备案体现公司对法律法规的严格恪守及安全责任的高度重视，通过国家合规性考验，为AI服务可持续发展筑牢根基 [4] - 模型将在服务界面显著位置展示备案编号，增强用户信任并接受公众监督 [4] - 备案是公司对客户的郑重承诺，将严格遵循法律法规保障用户权益，提供安全可靠的服务 [4] 技术应用 - "善食"大模型融合前沿AI技术与医疗健康领域积淀，可根据用户身体数据、生活习惯等多维度数据定制个性化健康管理方案 [5] - 模型研发汇聚多领域专家智慧，经海量数据训练优化，具备高度准确性与实用性 [6] 未来发展 - 公司将继续秉持合规发展理念，聚焦技术优化与服务创新，提升用户体验 [6] - 积极履行合规责任，推动生成式AI技术在健康管理领域的健康发展与规范应用，引领行业创新潮流 [6]

行业宏观环境 - 2025年是中国"十四五"规划收官之年，也是新一轮经济周期与金融结构调整的关键节点 [1] - 全球政治经济格局剧烈波动，国内经济新旧动能转换压力持续 [1] - 中国银行业面临净息差收窄、资产质量承压、监管趋严等多重挑战 [1] 技术变革影响 - 生成式人工智能等新兴技术以前所未有的速度重塑银行业 [1] - 客户端从标准化服务向"超个性化"智能陪伴演进 [1] - 风控端基于大模型的动态风险预判与处置提升金融体系韧性 [1] - 运营端智能体广泛应用将极大提升组织效能，重新定义人机协作边界 [1] - 预计2025年更多银行将积极拥抱AI，探索其在多个领域的应用潜力 [1] 风险管理转型 - 2025年是银行业在挑战中育新机、于变局中开新局的关键一年 [2] - 风险管理不应仅是"安全网"，更应成为驱动价值创造的"导航仪" [2] - 需将风险管理深度融入战略决策、业务流程和企业文化 [2] - 需构建全方位、前瞻性防御体系应对信用、市场、操作及数字风险 [2] 合规管理演进 - 行业领先者从"被动响应式"合规转向"主动治理式"合规 [2] - 数字化能力支撑合规转型，运用监管科技、大数据分析等手段 [2] - 未来风险管理追求防范风险与促进业务发展的动态平衡 [2]

核心观点 - Agentic RAG 当前面临优化目标偏离、检索与生成耦合、评价标准不准确等挑战 [8][9][14] - s3 方法通过 Search-Select-Serve 范式和 Gain Beyond RAG 奖励函数，显著提升训练效率和生成效果 [1][16][17] - s3 仅需 2.4k 训练样本，在多个领域问答任务中超越数据规模大百倍的基线模型 [1][22][25] RAG 发展轨迹 - Classic RAG：使用固定 query 和 BM25 等检索器，生成器对结果无反馈 [7] - Pre-RL-Zero Active RAG：引入多轮 query 更新和 prompt 引导检索，如 IRCoT 和 Self-RAG [7] - RL-Zero 阶段：强化学习驱动检索行为，代表方法包括 DeepRetrieval 和 Search-R1 [7] 当前 RL-based Agentic RAG 的挑战 - 优化目标偏离：Exact Match 指标过于苛刻，导致模型优化答案 token 对齐而非搜索行为 [9][10] - 检索与生成耦合：无法区分性能提升来自更好的搜索还是更强的语言生成对齐能力 [11][12] - 评价标准不准确：传统 QA 指标与搜索质量关联有限，search-oriented 指标无法体现信息利用效果 [14] s3 方法设计 - 核心思想：只训练搜索器、冻结生成器，以生成结果提升为奖励 [16] - Gain Beyond RAG：衡量搜索到的上下文相比初始 top-k 检索结果是否带来真实增益 [17] - Generation Accuracy：结合 span 匹配和 LLM 判断，与人类判断一致率达 96.4% [18][32] 训练与优化 - 采用 PPO 进行策略优化，预筛除 naive RAG 能答对的样本，集中训练需要新检索信息的任务 [19][20] - 训练总时间仅需 114 分钟，比 Search-R1 的 3780 分钟大幅减少 [21][22] - 训练样本仅需 2.4k 条，比基线方法减少约 70 倍 [1][22][25] 实验分析 通用 QA 任务 - s3 在五个数据集上实现最优表现，平均准确率优于 Search-R1 和 DeepRetrieval [23][24][25] - 使用不同下游 LLM（Qwen2.5-7B/14B-Instruct、Claude-3-Haiku）均展现稳定性能 [24] 医学 QA 任务 - s3 在医学领域展现强泛化能力，在 MedQA-US、MedMCQA 等数据集上优于基线 [26][27] - 使用不同语料库（Wikipedia2018 和 MedCorp）均保持稳定性能，无过拟合趋势 [27] 消融实验 - 原始问题作为检索起点有助于明确搜索目标，避免策略偏离主题 [31] - 文档选择机制减少输入 token 2.6 至 4.2 倍，提升效率并减少噪声干扰 [31] - s3 设计在准确性、训练效率和推理速度上达到最优平衡 [29][30]

科技型企业孵化器管理体系改革 - 工业和信息化部将部级孵化器分为标准级和卓越级，标准级注重服务能力和孵化绩效，卓越级强化产业属性、服务功能、高端人才、投资带动、加速转化等能力 [1] - 四川省科技厅将修订省级孵化器政策，推动分类分级改革，按综合类和专业类分别申报认定基础级、高能级、卓越级孵化器 [1] - 上海浦东新区已成立课题组，各省区市将根据部级标准调整本地孵化器政策，实行梯次培育 [2] 孵化器分类分级的意义 - 分类分级、梯次培育可引导孵化器聚焦新兴产业和未来产业，培育更多硬科技企业 [2] - 分级分类政策对处于不同发展阶段的行业有更好适配性，例如生成式人工智能行业初创期企业占多数 [3] - 政策鼓励孵化器扎实运营，做"有耐心的孵化器"，改变过去以企业成就为唯一认定标准的模式 [2][3] 孵化器服务性要求提升 - 标准级孵化器认定要求上年度除房租及物业外的服务收入占比不低于30% [3] - 卓越级孵化器要求近两年每年服务和投资收入占比不低于50% [3] - 服务性收益成为核心指标，推动孵化机构从空间租赁向科技服务业态转型 [3] 全国孵化器发展现状 - 全国孵化机构总数达1.6万家，在50多个国家和地区布局分支机构 [3] - 孵化器培育了大量高新技术企业和专精特新企业 [3]

神经网络与AI技术路线 - 杰弗里·辛顿获得2024年诺贝尔物理学奖，表彰其在神经网络领域的开创性成就 [1] - 辛顿批评当前主流大模型采用RLHF技术为"垃圾"，并比喻为"锈迹斑斑的车仅进行喷漆" [1] - 神经网络研究方向在2000年前后不被学术界看好，被认为没有未来 [3][4] - AlphaGo突破证明神经网络归纳能力优于传统穷举法 [14] - 当前大模型本质是统计模型，仅能归纳无法创造新知识或智慧 [10][11][15] - 人类大脑神经网络通过层级化特征提取实现认知，远超机器抽象能力 [16][17] AI商业化与估值 - AI商业化尚未找到"杀手级"场景，许多公司高估值缺乏支撑 [21] - 人脸识别技术商业需求狭窄，过度依赖政府订单导致泡沫破裂 [21] - AI公司估值泡沫源于技术乐观主义与商业现实脱节 [26] - 垂直领域AI公司若无法拓展市场将面临生存危机 [30] - 英伟达因提供AI计算基础设施而成功，不依赖具体应用场景 [29] AI Agent与DeepSeek - AI Agent潜力在于人机交互革命，但仍处于工具阶段 [31][32] - DeepSeek降低AI使用门槛，类似PC从专业设备向大众工具转变 [36][37] - DeepSeek可能成为AI领域的"Windows"或"安卓"，推动技术平权 [39][40] - AI普及需要解决"边缘场景"需求，如农民语音指令规划灌溉 [39] 中美AI产业对比 - 硅谷正变得傲慢保守，资源垄断限制创新 [42][45] - 中国在资源匮乏背景下可能激发更强创新力 [44][48] - 中国创业者更关注"蓝海市场"和边缘创新 [47][48] - DeepSeek低成本API模式针对中小企业需求，被硅谷视为非主流 [48] 行业历史经验 - 互联网泡沫催生亚马逊等巨头，淘汰无商业模式公司 [28] - 滴滴和淘宝成功源于重新定义边缘场景需求 [50][51] - 科技行业核心是提升社会交易效率而非追求公司永恒 [53] - 每次技术浪潮都会淘汰旧格局并催生新基础设施 [53]

网络安全保险试点成果 - 首批次网络安全保险服务试点期间面向企业累计落地保单数量超1500单 总保费规模超1.5亿元 总保额近115亿元 [1] - 面向居民累计落地反诈险保单超200万单 总保费超2400万元 保额超1000亿元 [1] 全球市场现状与预测 - 2024年全球网络保险市场规模达153亿美元 占全球财产及意外险保费总额不足1% [1] - 预计到2030年全球网络保险保费规模将实现翻番以上增长 年均增长率超10% [1] - 慕尼黑再保险CEO表示企业普遍缺乏足够安全防护和保险保障 公司致力于协助客户增强网络韧性 [1] 网络安全风险特征 - 网络安全事件主要涉及高端制造 信息科技 金融等多个领域 [2] - 网络安全保险正从传统风险转移工具向综合性风险管理解决方案演进 [2] - 勒索软件攻击是网络安全保险损失首要原因 其导致的营业中断损失占比达51% [2] 理赔挑战 - 网络安全保险理赔较传统险种更为复杂 可能引发营业中断损失 法律诉讼 数据恢复等多维度连锁反应 [3] - 网络攻击较难留下物理痕迹 导致保险公司难以直观定损理算 [3] - 需协调不同服务商处理被保险人直接损失及三者责任审定 [3] 技术发展影响 - 生成式AI加剧网络攻击危险性 勒索软件已形成完整黑色产业链 [3] - AI技术推动攻击手段自动化升级 同时提升攻击规模 速度和精准度 [3] 政策支持与产品创新 - 2023年7月工信部与金融监管总局联合发布促进网络安全保险发展意见 [4] - 2023年12月工信部组织开展网络安全保险试点工作 [4] - 截至2024年底53家保险公司备案341款网络安全保险产品 2024年新增56款 [4] - 创新产品包括保障软件供应链责任 系统缺陷等类型 [4] 市场发展阶段 - 行业处于初级发展阶段 需求侧存在企业对保险作用认识不足问题 [5] - 供给侧面临数据缺乏 风险量化困难 产品单一 条款表述不清等挑战 [5]

在安徽省合肥高新区的一栋现代化办公楼里，智象未来（合肥）信息技术有限公司的研发人员正全神贯 注地调试着电脑屏幕上的参数，开展日常模型训练。 梅涛表示，智象未来将继续深耕多模态人工智能领域，在合肥市政府的支持下，努力成为国产生成式大 模型领先企业。 智象未来是一家多模态生成式人工智能初创企业，其总部于2024年9月落户合肥高新区。"合肥着力培育 壮大新质生产力，打造创新发展高地，为我们快速成长提供了坚实的后盾。"智象未来创始人兼首席执 行官梅涛表示。 《 人民日报 》（ 2025年06月16日 10 版） 技术的不断突破，是智象未来成长的印证。其中，具有代表性的是今年4月横空出世的智象未来开源图 像生成大模型。开源24小时内，该大模型在国际图像生成大模型竞技场榜单上迅速登顶，成为首个登顶 该榜单的中国自研生成式人工智能模型。 (责编：牛镛、岳弘彬) 这项备受瞩目的技术可以做什么？简单来说，就是让文字直接生成图片和视频。比如，用户只需输入一 段文字描述，如"未来城市中，机械臂在星空下焊接漂浮的桥梁"，智象大模型即可生成图像，精准还原 细节。"它在图像质量、语义理解、艺术表现三大维度刷新了行业纪录。"智象未来联合创 ...

内容来源："AI未来2025阅读新风向"发布会。 生成式人工智能出现以后，这一现象将会逐步得到改观。 分享嘉宾：李宁，清华大学领导力与组织管理系Flextronics讲席教授、系主任。 责编| 柒 排版| 鹅妹子 第 9013 篇深度好文：3939 字 | 10 分钟阅读 商业思维 笔记君说： 数据驱动的管理决策，并非一个全新的概念，尤其在中国，许多企业在数据驱动决策方面已经走在世界前列。 比如精准营销、库存管理等业务端的数字化转型。在这方面，我们已经积累了海量数据，并利用数据来持续优化决策。 但在组织端，在人的决策方面，依靠数据驱动管理却相对滞后。组织在管人时，更多还是依赖领导的直觉、感觉和经验来做判断。 一、人的价值度如何衡量？ 在过去，数据驱动的组织管理决策，往往是大厂的专利，巨头企业的软性护城河。 但人工智能的出现，某种程度上改变了这一逻辑。 为什么组织管理端的数据驱动决策很有限？来看几个例子： 我在高管课程中经常问决策者一个问题：你们支持员工远程或混合办公吗？ 绝大多数人的回答是"否"，他们仍然倾向于让员工到岗，即到办公室来工作。 这背后反映了一个核心问题——当员工不在眼前时，管理者就很难衡量其贡献 ...

技术突破 - 美国西北大学团队开发出基于生成式AI的计算工具TWAVE，能从有限基因表达数据中识别复杂疾病背后的多基因组合 [1] - TWAVE模型通过模拟健康和患病状态下的基因表达，将基因活动变化与表型变化对应，并精确定位引发细胞状态转变的关键基因变化 [1] - 该方法绕过了基因序列隐私问题，且基因表达数据天然包含环境因素影响，使模型能间接反映外部因素作用 [2] 技术优势 - TWAVE不依赖基因序列本身，而是聚焦基因表达水平，通过临床试验数据训练识别健康或患病状态的表达谱 [2] - 相比传统全基因组关联研究（GWAS），TWAVE能检测多基因协同效应，弥补了GWAS仅寻找单个基因关联的局限性 [2] - 测试显示TWAVE不仅能识别已知致病基因，还能发现现有方法忽略的新基因，并揭示同种疾病在不同人群中可能由不同基因组合引起 [2] 应用前景 - 该技术为精准医学和药物开发提供强有力工具，尤其为基于患者个体遗传驱动机制的个性化治疗提供理论依据 [2] - 人工智能在生命科学领域的应用正加速破解多基因协同致病机制，推动疾病早期诊断和个性化治疗发展 [3] - 生成式AI通过分析海量基因组和临床数据，挖掘多基因组合与疾病的隐藏关联，驱动精准医学时代加速到来 [3]

市场观点 - 股市正在形成"新的'牛市论'"，源于过去30天内对"对等关税"的几乎完全逆转以及与中国贸易紧张局势的成功缓和带来的市场反弹 [1] - 风险市场已完全收复"解放日"后回调的失地，年初至今回报率转为正值 [1] - 标普500指数目前约为6,000点，较2月19日历史最高点仅低约2.3% [1] - 纳斯达克指数已从低点反弹超过25% [1] 市场指标 - 市场波动性（以VIX衡量）已大幅下降，读数低于其五年平均水平 [1] - 远期市盈率被推高至21.5倍以上，股权风险溢价仅为6个基点 [2] 牛市论依据 - 关税是可控的未知因素，不会造成重大影响 [1] - 2025年盈利不重要，2026年盈利修正变得不那么负面 [1] - 美元疲软被视为利好因素 [1] - 通胀风险被高估，低油价是有利因素 [1] - 美联储将很快开始降息 [1] - 前期加载的企业减税将推动资本支出和生产力繁荣 [1] - 生成式人工智能仍处于早期阶段 [1] 盈利预期 - 预计标普500指数2026年盈利增长将从2025年的7-8%加速至13-14% [2] 潜在风险 - 全球收益率曲线陡峭化和美国预算赤字扩大可能是"美国例外论的不利因素" [2]