公司招聘流程 - 公司招聘流程包括笔试和五轮技术面试 [3] - 笔试包含三道算法题，涉及图搜索、模拟和动态规划，难度为LeetCode中等水平 [4] - 每轮面试均包含1-2道算法题，涉及链表操作、动态规划、堆排序和DFS等 [3][6][8][11][14] 技术面试内容 - 面试问题涵盖项目经验、规划控制算法和深度学习等多个技术领域 [5][8][11][12] - 规划控制相关问题包括MPC优化问题构造、Hybrid A*算法流程和运动学约束算法改进等 [5][8][12] - 深度学习相关问题涉及目标检测、关键点检测和图像处理等 [8][11] 算法与数据结构 - 笔试算法题通过率分别为90%、0%和70%，主要考察动态规划和异或操作 [4] - 面试算法题包括链表合并、棋盘路径规划和TopK问题等，要求实现多种解法和优化 [6][8][11][14] - 算法实现要求涵盖递归、迭代、记忆化搜索和STL容器应用等 [8][11][14] 职位与团队 - 公司职位划分非常细致，专注于特定技术方向如规划控制和自动泊车 [3][7][12] - 团队合作紧密，工作中会参考学术论文并开展组内组间协作 [9][13] - 招聘流程包含英文技术面试，由技术主管考察项目经验和算法基础 [14] 行业技术趋势 - 自动驾驶技术栈呈现趋同态势，技术方案向统一化方向发展 [22] - 行业出现One Model、VLM和VLA等技术趋势，技术壁垒不断提高 [22] - 技术发展方向涵盖端到端自动驾驶、大模型和多模态3D目标检测等多个领域 [27]

编辑丨骆一帆 港股又迎来一家自动驾驶公司。 近日，魔视智能科技（上海）股份有限公司（下称"魔视智能"）向港交所递交上市申请。经历8轮融资 后，这家由上海交大博士带领的智驾企业终于要开始冲刺资本市场了。 不过，虽然已交付逾330万套解决方案、用于92款车型。但激烈的市场竞争下，魔视智能过去3年累计亏 损超6.6亿元，尚未实现盈利。 图源：公司官网 记者丨邓浩 上交大博士车库创业 魔视智能成立于2015年，是一家AI创新驱动的智能驾驶解决方案提供商，主要为主机厂及一级供货商 提供具备L0-L4级智能驾驶功能的一体化软硬件解决方案。 创始人虞正华出生于1972年，有丰富的学界和产业界经验，魔视智能是其二次创业的产物。虞正华拥有 上海交通大学模式识别博士学位，并曾任博康智能副总裁、澳大利亚国家信息通信技术研究院 （NICTA）高级研究员、新南威尔士大学博士生导师等职。 | 姓名 | 职务 | 任郎日期 | 性别 | 出生年份 | | --- | --- | --- | --- | --- | | > 虞正华 | 董事会主席 | | | 1972 | 虞正华第一次创业是2008年，当时主要瞄准的是把AI应用到智能交通领 ...

公司概况与上市动态 - 魔视智能科技（上海）股份有限公司向港交所递交上市申请，冲刺资本市场 [1] - 公司是一家AI创新驱动的智能驾驶解决方案提供商，提供L0-L4级一体化软硬件解决方案 [3] - 公司由上海交通大学模式识别博士虞正华于2015年创立，是其第二次创业 [3] - 公司已交付超过330万套解决方案，应用于92款车型 [1] 创始人背景与公司发展历程 - 创始人虞正华拥有上海交通大学博士学位，曾任博康智能副总裁、澳大利亚NICTA高级研究员等职 [3] - 虞正华首次创业的公司于2015年前后登陆上交所主板 [3] - 公司于2015年在10平方米的车库中，由虞正华与五位朋友共同创立 [3] - 2016年推出第一代基于深度学习的嵌入式车规级ADAS产品 [4] - 2018年其ADAS前视产品在比亚迪率先实现前装量产 [4] 市场地位与合作伙伴 - 按2024年收入计，魔视智能在中国智能驾驶解决方案的国内第三方解决方案提供商中排名第八，市场份额约为0.4% [4] - 合作伙伴包括广汽、比亚迪、吉利、奇瑞、北汽、长城、长安、东风、上汽、一汽等主要主机厂 [4] 财务表现 - 营收从2022年的1.18亿元人民币增长至2024年的3.57亿元人民币，三年增长超两倍 [6][7] - 2025年上半年营收为1.89亿元人民币，同比增长76.4% [6][7] - 2022年至2024年累计净亏损超过6.6亿元人民币 [1][6] - 2022年净亏损2.00亿元人民币，2024年净亏损扩大至2.33亿元人民币 [6][7] - 2025年上半年净亏损1.12亿元人民币 [6][7] - 毛利率从2022年的25.6%下降至2024年的14.2%，2025年上半年回升至20.1% [6] - 研发开支占收入比例从2022年的108.4%显著下降至2024年的44.9%，2025年上半年为44.5% [6] 行业背景与市场空间 - 中国汽车产业正从电动化进入智能化阶段 [5] - 中国L0至L2+智能驾驶解决方案市场规模从2020年的216亿元人民币快速增长至2024年的912亿元人民币，复合年增长率为43.3% [5] - 预计该市场规模将于2029年达到2,281亿元人民币，2024年至2029年复合年增长率为20.1% [5] 公司面临的挑战与未来策略 - 自动驾驶产业价值链转移，主机厂转向自研，加剧了第三方解决方案提供商的竞争压力 [7] - 公司计划通过深化与现有客户关系、扩大客户群、提高研发效率、控制成本及提高运营效率等策略向可持续盈利过渡 [7]

全球顶尖科学家榜单发布 - 斯坦福大学与爱思唯尔联合发布2025全球前2%顶尖科学家榜单 基于标准化引文指标识别全球顶尖2%科学家 使用终身职业生涯和单一年度引文数据 在22个科学领域和174个子领域评估研究影响[1][20][22] - 排序基于复合指标c-score 综合考虑总引用次数 NC 引用次数的Hirsch H指数 H 引用次数的Schreiber合作作者调整后的Hm指数 Hm 科学家作为唯一作者的论文总引用次数 NCS 科学家作为唯一作者或第一作者的论文总引用次数 NCSF 科学家作为唯一作者 第一作者或最后作者的论文总引用次数 NCSFL[22] - 通过六个单调递增指标选出排名前3万名科学家 计算职业生涯整体影响力的复合指标公式通过对6个指标求和得出[22] 中国学者表现 - 中国共有1435人入选终身影响力榜单 2270人入选年度影响力榜单[2] - 清华大学以746位学者入选 全球大学排名第四 仅次于哈佛医学院 工程学院和牛津大学 超越斯坦福大学的718位[3][5] - 南京大学周志华教授全球排名526位 腾讯张正友博士全球排名969位 入选终身科学影响力排行榜前1000[5] - 周志华教授同时位列年度科学影响力排行榜第182位 张正友博士位列第588位[6][7] 顶尖科学家个人成就 - 周志华教授现任南京大学副校长 国际人工智能联合会理事会主席 ACM AAAAI IEEE Fellow 谷歌学术引用总数超过108,482次 h指数132 i10指数492 主要研究人工智能 机器学习与数据挖掘 著有《机器学习》等四部中英文著作[7][9][10] - 张正友博士现任腾讯首席科学家 腾讯Robotics X实验室主任 ACM/IEEE Fellow 谷歌学术引用总数80,397次 h指数108 i10指数346 是世界著名计算机视觉 语音处理 多媒体技术和机器人专家 发明了普遍采用的"张氏方法"摄像机标定法 2013年获IEEE Helmholtz时间考验奖 2025年获AISTATS时间考验奖[12][13][14] 全球顶尖科学家排名 - 中国科学院王中林教授以2,836篇论文位列全球第一[6] - 图灵奖得主Yoshua Bengio入选年度Top 10科学家 因深度学习开创性工作与Geoffrey Hinton和Yann LeCun共同获得2018年图灵奖 是引用次数最多 h指数最高的计算机科学家之一[17][19]

公司业务与平台架构 - 公司搭建了自动驾驶、具身智能和大模型三个技术平台 [2] - 平台通过知识星球社区提供近40+学习路线 [8] - 平台提供七门面向初学者的精品课程 [8] 行业技术发展趋势 - 自动驾驶技术栈快速迭代，三年前主流是BEV，两年前是无图技术，一年前是端到端，当前热点是VLA和世界模型 [1] - 行业面临VLA和WA的路线之争以及未来发展方向等前沿议题讨论 [8] 公司产品与服务 - 平台提供与学术界及工业界顶尖专家的面对面交流机会 [8] - 社区内容涵盖VLA NavigScene、LangCoop、DriveBench、ZeroGS、Diffusion planner等前沿主题 [8] - 课程内容覆盖世界模型、轨迹预测、大模型、相机标定、毫米波、点云3D检测、Transformer等技术领域 [8] 市场活动与推广 - 公司推出国庆节和中秋节年度最大优惠活动 [2] - 提供平台课程八折优惠券和七折超级折扣卡 [4] - 知识星球新人享受七折优惠，续费用户可享五折优惠 [5]

Transformer架构的诞生与影响 - 2017年论文《Attention Is All You Need》提出彻底抛弃循环神经网络，仅使用注意力机制处理语言，其提出的Transformer架构重塑了人工智能版图[2] - 该论文在Google Scholar上的引用次数高达197,159次，成为大模型理论的奠基性文章，开启了人工智能新纪元[2][17] - Transformer架构以其无与伦比的并行计算能力和对长距离依赖的出色捕捉，迅速成为自然语言处理领域的全新范式，并辐射到计算机视觉、语音识别等AI子领域[17] 核心人物Lukasz Kaiser的学术背景 - Lukasz Kaiser拥有波兰弗罗茨瓦夫大学计算机科学与数学双硕士学位，并在德国亚琛工业大学获得博士学位，专攻"自动结构上的逻辑与博弈"这一艰深领域[7] - 2009年其博士论文荣获E.W. Beth dissertation prize，这是全球逻辑、语言和信息领域的最高学术荣誉之一，证明其在纯粹理论科学领域达到世界顶尖水平[8] - 博士毕业后受聘于巴黎狄德罗大学LIAFA实验室，成为法国国家科学研究中心终身研究员，拥有稳定的学术职位和完全的研究自由[9] 从学术界到工业界的转型 - 2013年Kaiser辞去法国终身研究员职位加入谷歌大脑，这一决定源于对"重复"的厌倦和对"变革"的极度渴望，从"证明"转向"构建"的冲动[10][11] - 当时自然语言处理领域被循环神经网络统治，但RNN存在长距离依赖问题和串行处理缺陷，与GPU和TPU的并行架构不匹配[12][14] - Kaiser团队最初将注意力机制作为RNN的增强补丁，但最终提出完全基于注意力的新模型构想，彻底推翻了RNN的统治地位[14][15] Transformer八子的分化与Kaiser的选择 - Transformer八位作者中七位已踏上创业之路，成为AI产业浪潮中的商业巨擘，如Aidan Gomez创立Cohere、Noam Shazeer创立Character.ai等[4][24] - Lukasz Kaiser是八子中唯一未创业的科学家，于2021年离开工作八年的谷歌，加入以AGI为最终使命的OpenAI，继续坚守技术研究最前线[4][24][25] - 在OpenAI期间，Kaiser深度参与并主导了GPT-4、GPT-5以及代号为"o1"和"o3"的推理模型等核心研发工作[4][27] 通用人工智能的探索历程 - 2017年Kaiser参与发表论文《One Model To Learn Them All》，提出MultiModel单一模型同时处理八个不同任务，是AGI追求的第一次公开实践[20][22] - 该研究证明统一深度学习架构有潜力联合学习跨领域知识，尽管单项任务表现未超越专业模型，但为通用智能探索开辟了新方向[22] - Kaiser认为AI下一阶段关键在于教会模型"思考"，通过生成更多中间步骤进行深度推理，而不仅仅是直接输出答案[29] 行业技术发展趋势 - AI发展经历了从2014年"证明可行性"到2017年"架构创新"，再到2019年"自监督预训练"以及2021年"规模定律"，最终到2023年"数据质量与RLHF"的进化路径[27] - 未来计算力将从大规模预训练转向在少量高质量数据上进行海量推理计算，预示着AI即将迎来又一次范式转移[29] - 多模态融合、模型规模持续提升以及AI能力通过API和云服务形式普及，已成为行业明确的发展方向[31]

行业背景与需求 - 市场舆情监测是企业决策的重要工具，关乎品牌声誉维护和行业趋势把握 [1] - 在纷繁复杂的网络环境中，选择专业可靠的服务商是企业关注焦点 [1] - 技术实力、数据覆盖范围和服务模式灵活性是选择服务商的关键考量维度 [1] 公司技术实力 - 公司为国家高新技术企业，深耕大数据领域多年，形成独特技术壁垒 [3] - 研发团队专注于数据挖掘、机器学习、自然语言处理与深度学习 [3] - 构建覆盖全国的监测网络，实现对互联网信息的高效采集与分析 [3] - 依托自建IDC数据中心，结合全国运营商资源，在国内外部署大量数据探测节点 [3] - 立体化数据采集体系使监测结果具备广泛覆盖面和高精确度 [3] - 智能分析引擎能捕捉金融领域市场情绪的细微变化信号 [3] 服务模式与解决方案 - 将大数据技术与移动互联网应用深度融合，推出多款定制化解决方案 [4] - 构建用户体检监测云服务中心，将数据转化为直观的可视化报告 [4] - 通过持续优化数据大模型，增强海量信息的解析能力 [4] - 技术积累帮助企业识别潜在风险并挖掘隐藏市场机遇 [4] - 在政务评估领域提供数据支持方案，帮助政府部门实现科学决策 [4] 公司发展优势 - 作为专精特新企业，始终保持对前沿技术的敏感度 [4] - 从最初网站数据采集发展到构建完整智能分析体系 [4] - 技术迭代速度快，行业深耕程度值得肯定 [4] - 持续创新能力使企业在快速变化的市场环境中拥有可靠技术支撑 [4]

谷歌反垄断案判决结果 - 谷歌在一场持续5年的反垄断案中取得阶段性胜利 成功避免被强制拆分其Chrome浏览器及安卓操作系统[2] - 法院裁定谷歌只需向竞争对手开放更多搜索结果数据 并设立反垄断技术委员会以监督公司运营[2] - 相对宽松的判决提振了市场信心 消息公布后谷歌盘后股价一度大涨超8%[2] 生成式AI对市场竞争格局的影响 - 法官在判决书中多次强调生成式AI的影响 指出越来越多的用户正通过ChatGPT等AI聊天机器人获取信息 显著加剧了搜索市场的竞争[2] - 生成式AI公司如OpenAI意外成为谷歌的"救命稻草" 其崛起削弱了对谷歌进行彻底拆分的必要性[2] - AI搜索引擎如Perplexity的"答案引擎"重新定义了信息获取方式 提供简洁答案并支持连续追问[3] 传统搜索引擎的竞争优势 - 传统搜索巨头已构建起坚实的生态"护城河" 例如谷歌的Chrome浏览器与YouTube、Gmail、地图等生态服务形成协同[3] - 传统搜索引擎掌握着生成式AI发展的关键资源 包括算力（谷歌云位居全球前三）与存储于其服务器中的海量数据[4] - AI公司自建数据索引库面临高技术门槛和巨额成本 难以跳过对传统巨头资源的依赖[4] 行业未来发展趋势 - 全球搜索业务站在转型十字路口 新兴AI搜索需突破成本与技术壁垒 传统搜索巨头需实现AI化转型[4] - 谷歌一案的判决被视为本世纪科技行业最具深远影响的法院裁决之一 将为面临类似诉讼的Meta、亚马逊和苹果提供重要参考[4] - 一批AI浏览器新品发布 如Perplexity的Comet和OpenAI即将发布的新款浏览器 让浏览器市场竞争再起[3]

AI医疗预测技术突破 - 斯坦福大学医生利用深度学习技术预测临终患者死亡时间 准确率从40%提升至80% [1] - 丹麦科学家使用全国596万人数据构建280维标签模型 预测大事件和死亡日期准确率达78% [1] 技术应用限制 - 预测算法因存在被保险公司滥用的潜在风险而未公开 [1]

量化模型与构建方式 1. 模型名称：RNN-LIN - 模型构建思路：基于线性RNN构建的简化时序模型，移除非线性激活函数以提升训练效率并减少参数量[11][12] - 模型具体构建过程： 输入序列为股票日频特征（高、开、低、收、均价、成交量）的150日时序数据[23] 模型结构包含遗忘门和输出门，使用sigmoid激活函数控制门控值在(0,1)范围内，隐状态迭代时不使用非线性激活函数[20] 具体计算公式如下： $$h_{t}=f_{t}\otimes h_{t-1}+(1-f_{t})\otimes c_{t}$$ $$y_{t}=o_{t}\otimes h_{t}$$ $$f_{t}=Sigmoid(x_{t}W_{f})$$ $$o_{t}=Sigmoid(x_{t}W_{o})$$ $$c_{t}=SiLU(x_{t}W_{c})$$ 其中$h_t$表示隐状态，$y_t$表示输出，$f_t$为遗忘门，$o_t$为输出门，$c_t$为候选状态，$W_f$、$W_o$、$W_c$为可学习参数矩阵[20] 参数量相比GRU模型减少约50%[20] - 模型评价：训练效率优于GRU，但性能略逊于GRU基线模型[22][47] 2. 模型名称：RNN-LIN-GLU - 模型构建思路：在线性RNN基础上耦合门控线性单元(GLU)以提升模型表达能力[21][22] - 模型具体构建过程： 在RNN-LIN层后叠加GLU FFN模块组成block[21] GLU FFN的计算公式为： $$FFNSwiGLU(x,W,V,W_{2})=(Swish(xW)\otimes xV)W_{2}$$ 其中$W$、$V$、$W_2$为可学习参数矩阵[21] 其他构建过程与RNN-LIN相同[21] - 模型评价：GLU模块对RNN-LIN的性能提升效果优于对GRU的提升[45] 3. 模型名称：DecompGRN - 模型构建思路：基于线性RNN改进的时序-截面端到端模型，将截面信息直接整合进RNN门控单元[2][49] - 模型具体构建过程： 采用两层RNN结构[50] 第一层线性RNN输出每个时间步的个股表征，使用市值作为分组特征进行20分组，计算股票分组去均值结果，得到包含截面信息的个股表征[50] 第二层构建线性RNN变体，将截面信息和时序融合共同输入遗忘门和输出门[50] 使用时序趋势分解模块将初始输入拆分为趋势与残差分量[89] 趋势分量输入1D卷积+RNN实现时序编码，残差分支使用深度可分离卷积[94][95] 最终将趋势和残差分支结果相加合并，输入第二个时序RNN编码器，取最后一个时间步输出通过线性预测头得到股票得分[96] 参数量仅为GRU基线模型的43%[74] - 模型评价：性能超越基线GRU模型，模型逻辑与参数量实现双重简化[2][74] 模型的回测效果 1. RNN-LIN模型 - 中证全指：RankIC 0.13，RankICIR 1.08，IC胜率 0.88[37] - 沪深300：RankIC 0.10，RankICIR 0.62，IC胜率 0.74[37] - 中证500：RankIC 0.09，RankICIR 0.71，IC胜率 0.78[37] - 中证1000：RankIC 0.12，RankICIR 0.96，IC胜率 0.86[37] 2. RNN-LIN-GLU模型 - 中证全指：RankIC 0.13，RankICIR 1.14，IC胜率 0.89[37] - 沪深300：RankIC 0.10，RankICIR 0.63，IC胜率 0.73[37] - 中证500：RankIC 0.10，RankICIR 0.74，IC胜率 0.79[37] - 中证1000：RankIC 0.12，RankICIR 1.01，IC胜率 0.87[37] 3. DecompGRN模型 - 中证全指：RankIC 0.141，RankICIR 1.26，IC胜率 0.89[55][89] - 沪深300：RankIC 0.099，RankICIR 0.65，IC胜率 0.74[55][89] - 中证500：RankIC 0.098，RankICIR 0.77，IC胜率 0.78[55][89] - 中证1000：RankIC 0.127，RankICIR 1.08，IC胜率 0.88[55][89] 量化因子与构建方式 （报告中未明确提及独立的量化因子构建，主要关注端到端模型） 因子的回测效果 （报告中未提供独立因子的测试结果） 分组测试绩效统计 1. RNN-LIN模型（层数1） - 中证全指：年化收益率42.59%，夏普比率1.46，最大回撤-36.71%，超额年化42.05%，平均单边换手0.81[42] - 沪深300：年化收益率28.59%，夏普比率1.38，最大回撤-22.09%，超额年化28.67%，平均单边换手0.66[42] - 中证500：年化收益率23.68%，夏普比率1.02，最大回撤-34.63%，超额年化23.95%，平均单边换手0.76[42] - 中证1000：年化收益率32.81%，夏普比率1.20，最大回撤-35.43%，超额年化33.72%，平均单边换手0.77[42] 2. RNN-LIN-GLU模型（层数1） - 中证全指：年化收益率48.73%，夏普比率1.60，最大回撤-35.33%，超额年化48.19%，平均单边换手0.81[42] - 沪深300：年化收益率29.92%，夏普比率1.38，最大回撤-23.62%，超额年化30.00%，平均单边换手0.65[42] - 中证500：年化收益率24.45%，夏普比率1.03，最大回撤-39.60%，超额年化24.72%，平均单边换手0.75[42] - 中证1000：年化收益率34.47%，夏普比率1.24，最大回撤-34.51%，超额年化35.38%，平均单边换手0.76[42] 3. DecompGRN模型 - 中证全指：年化收益率57.68%，夏普比率1.71，最大回撤-34.69%，超额年化56.18%，平均单边换手0.79[57][89] - 沪深300：年化收益率31.69%，夏普比率1.42，最大回撤-26.88%，超额年化31.00%，平均单边换手0.65[57][89] - 中证500：年化收益率26.90%，夏普比率1.10，最大回撤-37.82%，超额年化26.13%，平均单边换手0.74[57][89] - 中证1000：年化收益率40.35%，夏普比率1.37，最大回撤-35.51%，超额年化40.03%，平均单边换手0.74[57][89] 指增组合测试结果 DecompGRN模型指增表现 - 沪深300指增：年化超额收益10.24%，跟踪误差5.07，超额夏普1.95，超额最大回撤-8.12%，2025年累计超额3.93%[75][85][89] - 中证500指增：年化超额收益10.05%，跟踪误差6.10，超额夏普1.60，超额最大回撤-7.15%，2025年累计超额6.72%[75][85][89] - 中证1000指增：年化超额收益19.58%，跟踪误差6.75，超额夏普2.68，超额最大回撤-9.11%，2025年累计超额18.26%[75][85][89]