公司高层互动模式 - 公司创始人频繁与国内重点高校校长及党委书记进行高层互动 包括西安交通大学 上海交通大学 南京大学等[2][3][4] - 互动不仅限于礼节性访问 公司核心技术负责人如2012实验室负责人 终端BG董事长 战略研究院院长等均参与会谈[3][4][6] - 2020年7月至9月期间 公司创始人密集访问上海交大 复旦大学 东南大学等11所高校及科研机构 并率战略研究院院长 2012实验室总裁等核心研发高管同行[6] 研发合作领域 - 与西安交通大学在数学 系统工程理论与技术 电力电子技术 先进制造与检测等领域取得重要合作成果[3] - 与上海交通大学在人工智能 数据科学等领域开展基础研究和源头创新 并提供算力云平台支持[3] - 合作聚焦基础科学研究突破 强调"向上捅破天 向下扎下根"的技术发展理念[7] 合作资源投入 - 公司每年投入大学合作经费超过3亿美元 且承诺只增不减[13] - 2021年公司大学合作总投入达27亿元人民币 其中对中国高校投入约16亿元[14] - 通过人才基金支持高校吸引世界顶尖人才 并提供研究方向性指导[3][14] 合作战略背景 - 2019年后海外高校如斯坦福大学 麻省理工学院 牛津大学等陆续终止合作 促使公司将研发合作重点转向国内高校[11] - 国内高校可提供基础研发支持与人才输送 解决公司未来招聘海外人才可能面临的困难[11] - 高校基础研究能与公司应用技术相结合 实现科研与产业深度融合[12]

校企合作 - 上海交通大学校长丁奎岭院士带队访问华为深圳总部园区，与华为创始人兼CEO任正非围绕人才培养和基础研究开展深入交流 [2] - 双方签署"科研技术合作协议"，此前已有20多年合作历史，在先进光技术、AI集群网络、基础软件下一代操作系统等领域取得重要成果 [2] - 华为将通过人才基金支持上海交大吸引世界顶尖人才，在人工智能、数据科学等领域开展基础研究，并提供算力云平台支持人才成长 [2] - 华为ICT学院已与全球6000所高校合作，年培养规模突破50万学生 [2] 人才培养与课程建设 - 华为聚焦22项技术领域打造85门实战导向精品课程，与高校教授共创国家一流课程 [3] - 依据"工程教育"与"双师型"教师标准，提升全球超11000名华为认证教师能力 [3] - 推动ICT学院与多学科深度融合，培养具备跨界能力的复合型人才 [3] - 上海交大2025年将增加150名本科招生名额，重点面向人工智能、集成电路、生物医药等前沿技术领域 [3] - 上海交大首批建设357门AI课程，新立项建设168门AI课程及15个跨学科AI微专业 [3] 学科建设 - 上海交大前瞻布局未来学科、培育交叉学科、转型升级传统学科 [3] - 自20世纪30年代起形成融理、工、管于一体的学科布局，逐步发展成为综合性大学 [3] - 学科建设与调整紧密迎合产经发展趋势，彰显其在高校发展及服务社会经济中的重要性 [3] 产业研究支持 - 前瞻产业研究院成立前瞻高校学科专业规划所，帮助高校科学合理增设专业 [4] - 基于27年产业研究经验及多年高考志愿填报分析报告，为高校专业设置提供精准建议 [4] - 帮助持续优化学科专业，提升高校和学子竞争力 [4]

合作背景与核心观点 - 上海交通大学校长丁奎岭带队访问华为深圳总部园区，双方围绕人才培养和基础研究开展交流 [1] - 双方进行了“科研技术合作协议”签约仪式，旨在推进校企合作 [4] - 双方拥有超过20年的合作历史，形成了体系化、可推广的校企合作机制 [8] 既往合作成果 - 双方在先进光技术、AI集群网络、基础软件下一代操作系统、云调度与数字信任等领域已有深入合作与重要成果 [6] - 上海交大在华为“难题揭榜”火花奖个数持续走在全国高校前列 [6] 未来合作方向 - 华为将依托人才基金支持上海交大加强世界顶尖人才的吸引，携手在人工智能、数据科学等领域进行基础研究和源头创新 [6] - 华为将提供算力云平台，为人才成长和生态发展提供环境 [6] - 上海交大通过“集中区、自由区、融合区”三区协同模式，将人才链、创新链、产业链有机贯通，构建全链条创新体系 [8] - 双方目标在更多领域推进科研与产业深度融合，为国家关键领域和世界技术领域关键问题的突破做出贡献 [8]

统计学在人工智能时代的应用 - 统计学广泛应用于商业、医学、工程、社会科学等领域，数据科学即"统计学+应用场景" [1] - 人工智能面临算法模型可解释性不足、框架安全漏洞、数据标注不规范等挑战 [1] - 统计学可从数据不确定性中归纳稳定、可解释的算法，提升模型可靠性 [2] 统计学与人工智能的融合 - 人工智能应用偏工程化，需统计学确保算法在医学、建筑工程等领域的稳定性 [1] - 人类仍需掌握程序运行逻辑，统计学在纠错和问题定义中发挥关键作用 [2] - 近25%的学术报告主题涉及机器学习与人工智能，显示学科交叉趋势 [1] 统计学人才培养与发展 - 统计与数据科学专业供不应求，需提升高校培养能力并留住人才 [2] - 中国作者在国际顶级统计期刊的发表份额位居世界第二，学科发展迅速 [2] - 全国统计与数据科学联合会议国际化显著，15%参会学者来自国外 [2] 行业活动与产学研合作 - 第三届全国统计与数据科学联合会议吸引21国专家，举办600多场学术报告 [1] - 组委会计划加强工业界联系，推动学科与应用创新融合 [2]

数码港第五期大楼建设规划 - 香港数码港第五期大楼将于2025年落成 将成为香港创科关键地标 配备新一代数码基础设施及智能办公设施 [1] - 大楼支持人工智能 数据科学 区块链及网络安全等尖端技术研发创新 增强智慧城市 金融科技 低空经济 文艺体旅等产业发展 [1] - 扩建计划包括兴建第五期大楼及优化海滨公园 大楼为10层办公建筑 占地1.6公顷 提供6.6万平方米总楼面面积 其中3.6万平方米为办公室及共享工作间 占现有总楼面30% [1] 科技基础设施配置 - 配备Tier-III+级专用可持续发展数据中心 邻近人工智能超算中心及香港互联网交换中心核心地点 提供高功率密度 高效能数据存储运算支援 [1] - 配置专用光纤 多云平台 10G宽频服务 实现超高速低延迟数据传输 基础设施已准备连接高速海底电缆网络 加速全球网络连接及国际通讯整合 [1] 战略定位与行业影响 - 项目旨在为海内外创科企业提供更大研发展示空间 吸引优质企业及全球人才落户 提升香港国际创科中心地位 [1] - 数码港主席指出扩建是香港创科基建里程碑 将驱动数字经济及智慧城市高质量发展 促进产业智能化升级转型 [2] - 海滨公园优化将增强环境绿化与智能化 融入宠物友善元素 打造智慧永续的创新社区 [2]

战略合作背景 - 百望股份与香港科技大学金融研究院达成战略合作 聚焦数据智能全球化 将在金融智能体 宏观经济研究 实物资产证券化等领域展开深度合作 [1] - 合作依托香港生成式人工智能研发中心（HKGAI）及HKGAI V1成果 用真实交易数据重建经济预测模型 推动金融决策从"经验驱动"转向"数据自主代理" [1] 合作参与方 - 香港科技大学作为全球知名研究型大学 在人工智能 数据科学和金融科技等领域拥有世界一流研究团队 积极推动产学研合作 [4] - 百望股份是数据智能领域先行者 自主研发大模型技术 孵化交易管理智能体 经营决策智能体 金融业务智能体等智能体矩阵 应用于金融 供应链等场景 [4] - 百望股份注册成立香港百望数智科技有限公司 以香港为桥头堡 推动中国数字治理经验全球化 同时引入全球最佳实践 [4] 合作内容与目标 - 香港科技大学贡献数据科学 AI及金融交叉学科研究能力 百望股份基于千亿级交易数据图谱 依托2600家大型企业 2800万成长型企业的场景化经验 共同研发金融智能体决策中枢 [4] - 合作将在研究项目 联合实验室 产学研结合等多个层面深度推进 实现"以智赋能 以研促产" 推动AI在金融与经济领域的可持续创新 [5] 合作预期突破 - 真实数据驱动经济预测模型重建 直接分析百望平台海量实时细颗粒度企业交易数据 提升GDP CPI 行业景气度等经济指标预测的时效性 准确性与微观洞察力 [6] - 决策模式智能化升级 推动金融机构关键决策从"经验驱动"转向"数据自主代理" 提升决策效率 降低主观偏差风险 [6] - 破解普惠金融落地难题 利用细颗粒度数据精准评估中小微企业经营状况与信用水平 同时提升宏观经济政策制定的精准性与落地效能 [8] 未来展望 - 合作将逐步拓展到更多行业 推动智能体技术全球广泛应用 提升百望股份市场竞争力 增强香港科技大学学术研究应用价值 [8] - 智能体技术将重塑金融行业生态系统 为宏观经济研究提供前所未有的洞察力 引领全球经济迈向更智能 高效和可持续发展的新阶段 [8]

行业市场规模与增长 - 2025年中国文化旅游行业市场规模将突破7万亿元，同比增长超10%，成为国民经济稳增长的关键引擎 [2] - 2025 ITB上海国际旅游交易博览会吸引85+国家、700+参展商，反映行业繁荣 [2] 数据科学在文旅行业的应用 - 数据科学从偶然性社交传播转向"数据预埋"，鲸鸿研究院通过数据分析助推香港、马来西亚、泰国等地成为爆火目的地 [3] - 数据科学使文旅爆款从"买彩票"变为"做数学题"，提升行业可预测性 [4] - 文旅品牌利用数据科学实现「发现-喜欢-动身前往」全链路决策优化，案例包括Grab、香港旅发局、沙特旅游局 [11] 文旅消费三大趋势 趋势一：体验派旅行 - 76.2%年轻消费者将"疗愈"作为旅行首要目的，追求沉浸式、休闲化体验 [6] - 短途自驾游占比90.7%（500公里内），租车消费同比增长36.8%，跨城租车订单飙升181% [6] - 中高端酒店预订占比66.9%，反映消费者偏好舒适体验 [6] 趋势二：圈层化偏好 - 天津游客飞新加坡人次+400%，黑龙江/内蒙古/吉林赴俄游客+1200% [10] - 18-23岁人群偏好中国澳门、新加坡，55岁以上游客倾向中国台湾、澳大利亚 [10] 趋势三：决策动因复杂化 - 不同目的地游客使用本土化App差异显著（如WhatsAPP用于新马，LINE用于日本） [10] - 消费决策路径因目的地媒介差异而分化 [10] 数据驱动的营销实践 - 香港旅发局通过鸿蒙生态精准营销年轻高消费人群，打造5个爆款活动，实现游客阶梯型增长 [22] - 数据科学帮助目的地分阶段解决问题：危机管理（扭转负面评价）、长效价值挖掘（提升消费粘性）、消除信息差（如卡塔尔、沙特） [22] 未来文旅行业三大变革 1. **服务整合**：机票+景点优惠券等"一条龙"打包服务，提升消费便利性 [23][24] 2. **AI定制**：AI导游提供酒店评价、餐厅推荐等个性化服务，推动行业从经验驱动转向数据驱动 [25] 3. **IP化运营**：数据科学助力打造可持续旅游IP（如香港案例），从单次消费转化为终身价值 [26]

专业优势 - 奥克兰大学计算机科学本科专业拥有卓越学术资源与雄厚师资力量 在国际上享有盛誉 科研成果丰硕 在人工智能 数据科学 网络安全等领域处于行业前沿 [3] - 教授团队来自世界各地 学术研究成果斐然 发表众多高影响力论文 并与谷歌 微软等国际科技巨头保持密切合作 将行业最新动态带入课堂 [3] - 配备先进计算机实验室 包括高性能计算集群 虚拟现实设备等 满足复杂编程实验和人工智能项目开发需求 [3] - 与众多科技企业合作 提供实习和就业机会 使学生接触实际商业项目 积累实践经验 [3] 申请要求 - 国际学生需完成高中教育且三年平均成绩达80%以上 数学和物理等相关学科成绩需突出 [4] - 中国学生高考成绩需达所在省份一本线以上 或凭借A-Level IB等国际课程成绩申请 [4] - 语言要求雅思总分6.5且单项不低于6.0 托福总分90以上且写作不低于21 未达标者可先参加语言课程 [4] 学习内容 - 大一课程包括计算机科学导论 编程基础（Python和Java） 离散数学等 建立整体认知和基本技能 [6] - 大二 大三核心课程涵盖数据结构与算法 计算机系统原理 数据库系统等 深入理解底层逻辑 [6] - 选修课程包括人工智能 机器学习 计算机图形学 网络安全等 探索前沿领域 [6] - 设置项目实践课程 学生分组完成实际编程项目 如开发智能应用程序或设计网络安全系统 锻炼团队协作和解决问题能力 [6]

人工智能编码能力 - 编码人工智能将成为未来社会的基础技能，类似于现在的读写能力 [1] - 人工智能和数据科学的应用范围远超传统软件工程，可在任何产生数据的场景中使用 [2] - 线性回归等AI模型可帮助小型企业优化运营，如披萨店的人员配备和供应链管理 [2] 人工智能职业发展路径 - 职业发展三步骤：学习基础技能、从事项目工作、找到工作 [3] - 人工智能领域需要持续学习，技术更新速度比成熟领域更快 [3] - AI项目具有高度迭代性，项目管理面临特殊挑战 [4][5] 人工智能技术技能 - 机器学习基础技能包括理解各类模型和核心概念 [7] - 深度学习是机器学习的重要组成部分，需要掌握神经网络等知识 [7] - 关键数学领域包括线性代数、概率统计和微积分 [8] - 软件开发技能可显著增加就业机会 [8] 人工智能项目执行 - 识别业务问题而非AI问题是项目成功的第一步 [14] - 评估AI解决方案需考虑技术可行性和业务价值 [16] - 项目里程碑应包括机器学习指标和业务指标 [17] - 资源预算需涵盖数据、人员和集成支持等要素 [18] 人工智能求职策略 - 角色转换或行业转换可采取分步策略降低难度 [27] - 创业公司比大公司更易于实现角色转换 [28] - 信息面试是了解目标公司和角色的有效方式 [31][33] - 简历和项目组合是求职过程中的关键要素 [36] 人工智能职业成功要素 - 团队合作和沟通技巧对大型项目至关重要 [43] - 建立职业网络和社区比单纯社交更有价值 [43] - 良好习惯和纪律性是长期成功的保障 [45] - 利他主义态度有助于个人职业发展 [46]

人工智能的起源与图灵测试 - "人工智能"一词于1956年达特茅斯学院研讨会正式提出，但学术奠基可追溯至图灵1950年提出的"图灵测试"[1] - 图灵测试通过人机对话判断机器是否具备人类思考能力，核心设计为黑箱隔离测试环境，仅评估输入输出结果[3][5] - 测试标准存在主观性缺陷：33%人类应答率即被视为通过（2014年Eugene Goostman案例），但未形成科学共识[7] 人工智能的科学性争议 - 图灵论文存在科学规范问题：将神经细胞与计算机部件速度类比（声称计算机快1000倍）缺乏实证依据[8][9] - 行业普遍存在非科学方法论：欧盟"蓝脑计划"（2005-2016）因脑模拟假设不成立而失败，耗资超10年研发周期[12][13] - 术语滥用现象突出："摩尔定律"（非科学定律）、"尺度定律"（参数规模决定性能）等概念被包装为科学原理[15][16] 技术发展现状与挑战 - 当前AI仍属"现代工匠技艺"：依赖暴力计算（参数规模达万亿级）而非科学理论驱动，但应用范围持续扩展[19][20] - 关键瓶颈在于认知科学：人类自我意识机制未解（如神经元工作原理），导致类脑计算缺乏可靠理论基础[11][12] - 商业化加速概念炒作："涌现"等术语被滥用为技术突破的伪科学解释，资本推动夸大宣传[17][18] 行业方法论批判 - 德雷弗斯1965年报告指出：AI发展类似炼金术，需建立化学级基础理论而非表面突破[18][19] - 学术研究存在三大误区：将想象类比作为论证依据（如脑模拟）、虚构概念包装（如数据科学）、混淆技术表现与智能本质[10][16][17] - 技术有效性不依赖科学理论：AI在图像识别等领域准确率超95%，但底层仍无统一智能理论框架[20][21]