行业投资评级 - 存储行业评级为强于大市 行业在需求推动下有望迎来价量齐升 [1] 核心观点 - 生成式人工智能和大型语言模型发展推动半导体存储行业稳步上行 需求致行业价格普涨 [1] - AI端侧存储解决方案加速迭代 定制化存储逐步发力 [1][27] - 企业级存储和手机嵌入式存储价格预计上涨 25Q4企业级存储价格或实现个位数涨幅 手机嵌入式存储价格小幅上扬 [5][14] - DRAM市场迎来全面涨价 25Q4行业有望实现20%-50%季度环比涨幅 [5][18] - 利基存储市场供需格局变化 海外大厂淡出导致供不应求 产品价格持续上涨 [24] 需求与价格趋势 - 国内互联网企业加大AI投入 阿里25Q2"AI+云"资本支出达386亿元 未来三年投入超3800亿元 百度25Q2资本开支38亿元同比增近80% 腾讯25Q2资本开支191.07亿元同比增长翻倍 [5][10] - 25Q4存储市场或迎价格普涨 企业级存储价格个位数涨幅 手机嵌入式存储小幅上扬 [5][14] - DRAM价格指数上涨约72% NAND价格指数处于低位 两大指数差拉大 [15] - 服务器eSSD需求显著增长 25Q2前五大品牌厂营收合计51亿美元季增12.7% [10] - 手机存储容量提升 iPhone 17全系列以256GB起步 Pro Max新增2TB版本 [13] 细分市场动态 - NOR Flash价格25Q4有望调涨双位数百分比 或延续至2026年 25Q3中国市场已调涨5%-10% [23][24] - 利基DRAM价格持续上涨 兆易创新预计紧缺持续全年 [24] - 台股利基存储厂商旺宏、华邦电、南亚科合计营收逐月攀升 2025年8月合计163.32亿新台币同比增30.70% 南亚科8月营收67.63亿新台币同比增141.32% [20] - 存储厂商报价上涨 南亚科25Q3合约价环比涨70% 25Q4环比涨50% 华邦电25Q3环比涨60% 25Q4再涨20% 25Q4合约价较25Q2低谷涨幅达80%-90% [5][18] 技术发展与投资机会 - 定制化存储在端侧应用逐步规模化 堆叠方案有望深度受益AI浪潮 [27] - 美光退出移动NAND市场 停止UFS 5.0开发 为国产厂商带来机遇 [13] - HBM和3D DRAM成为下一代内存技术方向 突破带宽瓶颈 [26] - 投资建议关注利基存储（兆易创新、普冉股份、聚辰股份、东芯股份）、模组厂（开普云、江波龙、德明利、佰维存储、香农芯创）、存储配套芯片（澜起科技、联芸科技） [3][28]

Meta与媒体公司的AI内容授权谈判 - Meta正与Axel Springer、福克斯公司及新闻集团等多家媒体企业磋商 计划获得文章授权用于其人工智能产品开发 [1] - 谈判核心是为Meta旗下的聊天机器人等多款AI驱动产品获取新闻及其他内容的使用授权 [1] - 部分谈判仍处于初步阶段 最终未必能达成新协议 [1] Meta与媒体出版商的合作历史 - 公司多年前曾斥资数千万美元达成多项合作 将《华尔街日报》《纽约时报》《华盛顿邮报》等媒体内容纳入其"新闻"板块 [1] - 2022年Meta宣布将停止向出版商支付内容费用 [1] - 由于Meta降低了新闻内容在平台的优先级 许多出版商从Facebook获得的流量大幅下滑 不过近几个月部分出版商表示来自Facebook的流量出现回升 [2] AI技术对出版行业的冲击 - 科技公司通过"网络爬虫"抓取网站内容 并被指利用这些内容训练其大型语言模型 [2] - 出版商纷纷采取措施限制未付费的AI爬虫访问自家网站 [2] - 今年7月网络安全公司Cloudflare已更新默认设置 对未支付内容费用的AI爬虫实施拦截 [2] 行业内的竞争态势 - Meta在去年10月就与路透社达成AI内容授权协议 但直至近几个月才开始更广泛地与各类出版商展开相关谈判 [2] - Meta的竞争对手已在新闻行业敲定多项AI内容授权合作 例如OpenAI已与新闻集团、Axel Springer及Dotdash Meredith等出版商签署授权协议 [2] - 亚马逊则与《纽约时报》达成了类似合作 [2]

BEV感知技术演进 - BEV感知已成为自动驾驶领域的基础范式，提供统一的空间表征，支持鲁棒的多传感器融合和多智能体协作[2] - 随着自动驾驶车辆从受控环境向现实世界部署过渡，复杂场景（如遮挡、恶劣天气和动态交通）中的安全性和可靠性仍是关键挑战[2] - 本文首次从安全关键视角对BEV感知进行全面综述，系统分析当前主流框架及实现策略，并将其划分为三个渐进阶段：单模态车载感知、多模态车载感知和多智能体协作感知[2] BEV感知的本质（What） - BEV感知是一种高效的空间表征范式，能够将来自多种传感器模态（如相机、激光雷达、毫米波雷达）的异构数据投影到统一的BEV坐标系中[6] - 通过这种投影，系统可构建周围环境的一致性结构化空间语义地图，消除传感器特有的视角差异[6] - 自上而下的视角能够帮助系统准确感知和理解物体间的空间关系，大幅降低多视角与多模态数据融合的复杂度[6] BEV感知的重要性（Why） - 凭借统一且可解释的空间表征，BEV感知成为自动驾驶中多模态融合与多智能体协作感知的理想基础[8] - 统一坐标系不仅简化了车载与路侧传感器的融合过程，还能支持多车辆与基础设施间的高效信息共享，突破单车辆感知的局限性[8] - BEV表征具备结构化、一致性的语义信息，能够为路径规划、车辆控制等下游任务提供支持，成为复杂协作驾驶场景中"感知-决策"环节的关键桥梁[8] BEV感知的实现方式（How） - 安全导向的BEV感知（SafeBEV）演进划分为三个主要阶段：SafeBEV 1.0（单模态车载感知）、SafeBEV 2.0（多模态车载感知）和SafeBEV 3.0（多智能体协作感知）[12] - 各阶段的特征与技术进展在后续章节详细阐述，包括单模态感知的局限性、多模态融合策略以及多智能体协作的优势[12] SafeBEV 1.0：单模态车载感知 - 该阶段采用单一传感器（如相机或LiDAR）实现基于BEV的场景理解，具有系统复杂度低、计算成本低的优势[13][20] - 基于相机的方法依赖单应性变换或数据驱动的BEV建模，分为稀疏范式与密集范式两类[13] - 基于激光雷达的方法通过点云体素化、稀疏卷积或PointNet等技术提取BEV特征，在空间分辨率与计算效率间取得平衡[13] - 但在恶劣条件下鲁棒性有限：相机方法对光照变化、遮挡和深度估计误差敏感，激光雷达方法面临点云稀疏性和天气导致的性能衰减问题[20][41] SafeBEV 2.0：多模态车载感知 - 该阶段通过集成相机、LiDAR、雷达等异构传感器提升BEV感知性能，突破单模态系统的局限性，增强遮挡与恶劣天气下的鲁棒性[14][42] - 融合策略分为五类：相机-雷达融合、相机-LiDAR融合、雷达-LiDAR融合、相机-LiDAR-雷达三模态融合及时间融合[14][42] - 根据融合阶段的不同，每类策略又可进一步分为单阶段融合（SSF）和多阶段融合（MSF）[42] - 这些策略共同增强了现实自动驾驶场景中BEV感知的安全性、适应性与可靠性[14] SafeBEV 3.0：多智能体协作感知 - 随着车联网（V2X）技术的发展，自动驾驶车辆可通过车-车、车-基础设施间的信息交互与联合推理，突破单智能体感知的局限性[15][72] - 通过在统一BEV空间中聚合多源传感器数据，协作感知能够实现全局环境建模，为动态交通中的安全导航提供关键支持[15][72] - V2VNet、DiscoNet、CoBEVT等代表性框架通过特征压缩、带宽高效协议及分布式推理技术，在降低通信成本的同时实现实时、可扩展的协作[15] - 多智能体观测的时空融合技术能够增强全局态势感知，提升对遮挡或远距离目标的感知能力[15] BEV感知数据集 - 高质量数据集是感知算法研发与评估的核心基础，设计完善的数据集对于提升BEV感知的鲁棒性与安全性至关重要[98] - 车载BEV数据集分为单模态与多模态两类，单模态数据集支持专项研究，多模态数据集支持传感器融合策略的研发[99][102] - 多智能体协作感知数据集在传感器多样性、协作能力及复杂交通场景表征方面取得显著进展，为基于BEV的协作感知研究提供了关键基础[104][105] - 路侧感知数据集利用固定路侧单元实现高精度、广范围的环境感知，具有稳定、抗遮挡的视角及广阔的时空覆盖范围[107] 挑战与未来方向 - BEV感知在开放世界场景下面临关键安全挑战，包括开放集识别、大规模未标注数据、传感器性能退化及智能体间通信延迟[2][16] - 未来研究方向包括与端到端自动驾驶系统的融合、具身智能及大型语言模型的应用[2][16] - 多模态融合仍面临标定与同步、环境干扰、实时性约束和视野局限等挑战[66][70] - 多智能体协作感知需解决通信可靠性、时空对齐及系统可扩展性三大关键挑战[97]

公司战略转向 - OpenAI正加速机器人技术领域投入 通过组建专注于人形机器人的新团队 押注物理世界交互是实现通用人工智能的关键一步 [1] - 公司近期已聘请多位人形机器人控制算法专家 招聘目标明确指向人形机器人项目 [1] - 所有机器人相关职位均强调"专注于解锁通用机器人技术并在真实世界环境中推动AGI级别智能" 表明公司将机器人技术与AGI终极目标直接挂钩 [2] 人才招聘进展 - 斯坦福大学研究人员Chengshu Li已于2025年6月加入 其研究涉及为处理家务的人形机器人设计能力基准 [2] - 另有两名来自其他机器人实验室的研究人员也已入职 招聘行动正在提速 [2] - 公司寻找具备遥操作和模拟（如Nvidia Isaac平台）经验的专家 这些是训练人形机器人的关键技术 [1] 硬件发展路径 - 机械工程师职位要求具备原型设计和制造带触觉及运动传感器的机器人系统专业知识 [3] - 职位要求拥有"为大批量（100万台以上）生产设计的机械系统经验" 暗示未来可能进行大规模生产甚至制造业部署 [3] - 公司可能自研机器人硬件 或为机器人训练开发遥操作系统 具体路径尚未明确 [3] 行业竞争格局 - 人形机器人赛道竞争激烈 包括特斯拉、谷歌以及Figure、Agility、Apptronik等明星初创公司 [4] - 自2024年初以来 风险投资已向人形机器人初创公司投入超过50亿美元 [4] - 摩根士丹利预测到2050年该产业市场价值可能达到5万亿美元 [4] 技术发展背景 - 公司战略转向正值业界反思大型语言模型发展路径之际 在GPT-5研发达到平台期后 AI需要"走向物理世界"寻求突破 [1][4] - 虽然目前人形机器人仍难以应对复杂不可预测的环境 但资本和顶尖人才涌入有望加快技术突破步伐 [4]

前段时间轰轰烈烈的Meta抢人行动，容易让我们忘掉一点：AI人才的流动一直都很大，而"被高薪挖走"从来就不是唯 一的原因。 彭博社名记马克·古尔曼（Mark Gurman）爆料称，苹果又损失了四位AI大将，分别是： 苹果的机器人首席AI研究员Jian Zhang，以及苹果基础模型团队三名研员Nan Du、Zhao Meng和John Peebles。 从这里面我们至少能得到两个信息。 第一，离开的研究员很集中，有三个都是基础模型团队的。 第二，华人占比依然很高，四个当中除了John Peebles都是华人。 这很像是Meta抢人的习惯，但这次真的它关系不大——四个人中，只有Jian Zhang去了Meta。Nan Du和John Peelbles去 了OpenAI，而Zhao Meng则加入了Anthropic。 Meta挖走了苹果的机器人AI大将 从2005年加入，到如今离开，Jian Zhang在苹果整整效力十年。领英资料显示，他离开时已经是苹果人工智能与机器学 习（AIML）部门的机器人研究负责人。 不同于特斯拉的人形机器人项目，机器人技术是苹果未来产品线的关键组成部分。据彭博社报道，苹果有一系列设备 ...

产品发布 - 公司推出多模型大型语言模型平台Geene M2 整合Geene R1 Geene TurboGPT OpenAI ChatGPT 阿里巴巴Qwen 字节跳动SkyLark等领先模型[1] - 平台采用专有神经智能路由引擎 根据对话类型 复杂程度和用户意图动态选择最佳模型[1] - 引入多响应比较功能和智能应答融合技术 可并列检视不同模型输出并整合为更丰富答案[1] 技术功能 - AI编程模组可将自然语言提示转换为功能性代码 实现自动修复错误 优化系统效能和现代化旧有系统[2] - 通过降低技术开发依赖和整合维护成本 有效缩短开发周期并加快产品推出速度[2] - 具备生成响应式前端应用程式 创建可重用元件及桥接不同系统的能力[2] 数据管理 - AI Vault云端储存平台结合检索增强生成技术 将档案储存转化为智能资源中心[3] - 平台能自动整理分类并关联内容 用户可通过自然语言提问获取即时答案和深度洞察[3] - 资料可实时导入模型成为"AI-ready"内容 提供具脉络且准确度更高的回应[3] 商业模式 - 平台设免费方案提供10GB智能云端储存空间与标准使用限制[4] - 专业方案每月18美元提供20GB储存空间及进阶使用权限[4] - 企业方案每月36美元提供60GB储存空间及完整高阶功能与最高使用权限[4] 市场前景 - 全球AI解决方案市场规模预计从2024年1500亿美元增长至2029年超5000亿美元[4] - 平台将聚焦金融 商业与数字资产等领域的关键应用场景[4] - 分层定价模式使不同规模企业能以远低于传统企业软体的成本应用先进AI技术[4]

研究背景 - 苹果与牛津大学和香港城市大学合作提出BED-LLM新方法 使AI解决问题能力提升6.5倍 成功率从14%暴增至91% 无需微调或重新训练[1] - 大型语言模型存在多轮遗忘症 难以智能自适应地从用户或外部环境获取信息 在多步猜谜游戏和任务澄清等交互式任务中表现不佳[3] 技术方法 - BED-LLM采用序贯贝叶斯实验设计框架 通过迭代过程选择能最大化预期信息增益的问题 根据用户回答更新信念再选择下一问题[5][7][8] - 方法包含三重智慧设计：追求真正信息增益而非表面不确定性 强制逻辑自洽纠正遗忘症 生成问题有的放矢而非天马行空[12][16][17] - 通过先采样后过滤策略确保逻辑自洽 用逻辑过滤器剔除与历史回答矛盾的选项 保持推理基于已知事实[16] - 采用针对性条件生成策略 参考逻辑自洽假设池生成能高效切分假设的问题[17] 性能表现 - 在20个问题猜谜游戏中 BED-LLM使用Mistral-Large预测名人时成功率从14%提升至91%[18] - 在电影推荐任务中取得显著改进 即使LLM预测模型与回答者模型不同优势依然有效[19] - 在模型跨服聊天测试中 提问方使用Qwen回答方使用GPT-4o-mini的情况下 BED-LLM性能优势保持稳健[20][22] 行业意义 - 研究展示通过数学框架将LLM从被动知识库转变为主动高效的信息收集者 预示未来AI交互将进入智慧对话阶段[24] - 该方法使AI能根据用户实时反馈动态调整策略 精准提出最有价值问题 提升自适应信息收集能力[4]

苹果与高校合作AI研究突破 - 苹果与牛津大学和香港城市大学合作提出BED-LLM新方法 使AI解决问题能力提升6.5倍 成功率从14%暴增至91% 无需微调或重新训练[1] - 核心突破在于让AI学会提出完美问题 通过自适应信息收集实现智能交互[2][5] BED-LLM技术原理 - 基于序贯贝叶斯实验设计框架 通过迭代过程最大化预期信息增益(EIG)[7][9] - 采用三重智慧设计：追求真实信息增益而非表面不确定性 强制逻辑自洽纠正遗忘症 条件生成策略实现针对性提问[14][16][18] - 通过先采样后过滤策略确保答案逻辑一致性 使用逻辑过滤器剔除矛盾选项[17] 性能验证结果 - 在20个问题猜谜游戏中 Mistral-Large模型预测名人成功率从14%提升至91%[20] - 在动物数据集上 Qwen2.5-72B模型成功率从45%提升至94% Mistral-Large从33%提升至95%[20] - 电影推荐任务中表现显著改进 模型跨服测试显示即使在模型失配情况下性能优势依然稳固[21][24] 技术应用前景 - 将LLM从被动知识库转变为主动信息收集者 实现真正意义上的智慧对话[26] - 适用于多轮猜谜游戏 任务澄清 IT任务自动化和迭代式外部工具使用等场景[4]

合作与产品整合 - GitHub将xAI的Grok Code Fast 1大型语言模型整合到Copilot平台中 作为可选的公开预览版面向Visual Studio Code用户开放 覆盖Pro、Pro+、商业版和企业版套餐 [1][2] - 该模型专为代理编码任务设计 提供可见的推理轨迹功能 帮助程序员在复杂项目中实现更快迭代 免费访问权限有效期至2025年9月2日太平洋夏令时间下午2点 [2] - 个人付费用户可通过模型选择器直接启用 商业版和企业版需由管理员在Copilot设置中启用策略 个人版用户还支持通过自带密钥方式使用xAI API密钥访问模型 [2][3] 安全与合规争议 - GitHub内部工程师Eric Bailey举报称该模型推出时安全审查仓促 工程团队在胁迫环境下推进工作 完全违背公司价值观 [4] - GitHub官方回应否认审查流程存在捷径 强调所有合作模型均通过基于微软负责任AI标准的内部审查 包括自动化评估和由GitHub与微软专家组成红队的人工测试 [4] - 该模型目前仍处于可选参与的预览阶段 团队持续进行研究和优化 [4] 开发者社区反应 - 大量开发者在GitHub平台发起讨论 要求撤销与xAI的合作 认为此举违背GitHub及微软重视多元化的价值观 [5] - 部分开发者表示考虑迁移至Codeberg或sourcehut等替代平台 前员工David Celis公开批评支持Grok的行为无礼且不必要 [6] - 少数开发者认为合作能带来独特价值 xAI专注于可解释和透明的人工智能技术 与GitHub赋能开发者的使命高度契合 期待整合可视化模型决策过程等功能 [6]

机器人概念股表现 - Serve Robotics股价大涨超15% [1] - Richtech Robotics股价涨近14% [1] - iRobot股价涨超3% [1] 英伟达技术突破 - Jetson Thor采用Blackwell GPU和128GB内存 提供2070 FP4 TFLOPS AI算力 [1] - 算力性能达到前代Jetson Orin的7.5倍 [1] - 新技术使机器人能即时处理庞大感测数据与大型语言模型 [1] - 实现高阶人形机器人真正的视觉认知 思考与行动能力 [1]