公司战略与产品定位 - 特斯拉CEO埃隆·马斯克认为公司未来约80%的价值将来自Optimus擎天柱机器人 [2] - Optimus机器人被定位为"解放人类劳动"的核心载体 计划于2026年实现商业化应用 [2] - 机器人使命是改变人们对劳动的认知 帮助人们摆脱枯燥或危险的工作 [3] - 特斯拉预计Optimus将采用即将推出的AI5芯片 并依赖英伟达芯片训练FSD系统 [3] 市场前景与政策环境 - 2024年中国人形机器人市场规模约27.6亿元 [4] - 工信部指导意见明确到2027年产业实现规模化发展 成为重要经济增长新引擎 [4] - 前瞻产业研究院预计2030年全球人形机器人出货量将达到3.80万台 [5] - 人形机器人行业涵盖机械工程 电子技术 计算机科学和人工智能等多领域技术 [3] 技术发展与行业动态 - 人形机器人应用场景不断拓展 包括家庭服务 医疗护理 工业生产和教育娱乐 [3] - 全球多家科技巨头和初创公司积极推进人形机器人量产计划 [7] - 行业面临研发成本高 技术成熟度和市场接受度等挑战 [7] - 深度学习 自然语言处理和计算机视觉等技术突破推动行业发展 [3] 市场预期与风险因素 - 预测平台数据显示用户认为特斯拉Optimus在2027年前上市概率仅为40% [3]

**行业与公司** * 行业：A股市场、量化投资、资产配置 * 公司：中金公司（量化团队）[1][2][5][8][10] **核心观点与论据** * 风格配置：9月继续推荐小盘成长风格，因市场状态、情绪端和宏观环境维度均支持其占优；8月小盘成长绝对收益16.86%[2] * 资产配置：相对看好国内股票（存在底部支撑信号），商品中性，债券谨慎[3][4] * 行业轮动：9月推荐综合金融、传媒、计算机、银行、基础化工、房地产；8月行业组合涨幅2.4%，YTD超额收益11.5个百分点[5] * 策略表现： - "成长趋势共振"策略8月收益率18.1%，连续6个月跑赢偏股混合型基金指数[7] - 小盘掘金类策略YTD收益超50个百分点，但8月表现一般（低关注度掘金7.8%、次新股掘金7.0%）[8] - XG Boost成长优选策略YTD收益率47.1%，8月收益率13.5%[8] * 模型创新： - Attention GRU周频选股策略全市场YTD跑赢基准11.7个百分点[10] - 深度学习周频选股策略全市场YTD跑赢基准43.4个百分点[10] **其他重要内容** * 风险提示：若权重股行情持续极端化，小盘策略可能阶段性失效[6][9] * 择时工具：大盘择时隐含波动率曲面情绪指标自8月1日持续看多后市[10] * 策略逻辑：行业轮动模型基于价量因子（流动性、动量、调研信息）[5]，选股策略注重估值性价比和资金拥挤度[6]

AI核心概念与学习方法 - 人工智能通过机器学习从数据中自行学习规律而非依赖预设规则 核心方法包括有监督学习(使用标记数据训练模型) 无监督学习(从未标记数据中发现模式)和强化学习(通过试错和奖励机制优化行为策略) [9][12] - 2012年Google通过无监督学习使神经网络在观看海量YouTube视频后自发识别"猫"的概念 成为深度学习里程碑事件 [11] - AlphaGo击败人类棋手和ChatGPT的崛起标志着AI技术进入爆发期 深度学习依赖算力(GPU) 数据(互联网)和算法三要素共同推动 [6][69] AI技术基础能力 - 数学是AI底层逻辑的核心 线性代数处理向量与矩阵 概率统计管理不确定性 微积分通过梯度下降优化模型参数 [13] - Python是AI开发首选语言 拥有简洁语法和强大生态圈 关键工具库包括NumPy/Pandas(数据处理) Scikit-learn(机器学习) TensorFlow/PyTorch(深度学习) [19][21] - 其他编程语言各有侧重 R语言擅长统计分析 C++适用于高性能计算 Java用于企业级系统开发 [23] 实践与学习路径 - 学习过程需结合理论深度(数学) 工具掌握(编程)和实践高度(项目) 建议通过Kaggle竞赛 GitHub开源项目和复现论文等方式积累经验 [28][47][53] - 建议建立持续学习机制 关注顶级学术会议(NeurIPS/CVPR/ICML) 筛选高质量信息源 避免被技术营销内容干扰 [24][25] - 初学者可从微项目入门 如用Pandas分析天气数据 用Scikit-learn预测泰坦尼克号幸存者 逐步构建可交互的Demo展示能力 [50][51][53] AI应用领域与职业方向 - 核心职业路径包括机器学习工程师(算法落地) 数据科学家(数据洞察) 算法研究员(前沿探索) 具体职位衍生出算法工程师 AIGC工程师等细分方向 [38][40] - AI与垂直领域结合创造新价值 包括艺术设计(生成式AI创作) 金融商业(量化交易/风控) 医疗健康(新药研发/影像分析) 材料科学(分子模拟)等领域 [42][43] - AI技能将成为通识能力 未来差距体现在顶尖人才(创造AI)与普通劳动者(使用AI)之间 需注重培养解决问题能力和人机协同思维 [37][45][55] AI发展历程 - 1956年达特茅斯会议正式提出人工智能概念 早期发展形成符号主义(逻辑推理) 联结主义(模式识别) 行为主义(环境交互)三大流派 [58][64] - 经历两次AI寒冬后 统计机器学习崛起 2012年AlexNet在ImageNet竞赛中以压倒性优势夺冠 标志着深度学习时代的开启 [66][67] - 现代AI正融合三大流派优势 追求兼具学习能力 逻辑推理和行动能力的综合智能体系 [65]

AI工业质检行业概述 - AI工业质检基于AI视觉算法及相关硬件解决方案 对工业产品外观表面细粒度质量进行检测 实现缺陷自动识别与分类 [3] - 核心技术包括机器视觉与深度学习 替代传统人工目检 解决效率低下、标准不一、漏检率高等痛点 [1][13] - 主要应用于3C电子、汽车制造、新能源电池、半导体等精密制造领域 [1][13] 技术优势与特点 - 具备高效性、准确性、一致性、可迭代性及数据分析五大技术优势 [4][5] - 高效性体现在快速处理大量数据与产品 提升检测效率 [5] - 准确性通过深度学习与计算机视觉技术实现 避免人为干扰 [5] - 深度学习算法减少对人为主观特征的依赖 通过自动提取特征与参数优化提升检测精度 [7] 市场规模与增长 - 中国AI工业质检市场规模从2017年9亿元增长至2024年454亿元 年复合增长率75.09% [1][13] - 预计2025年市场规模达649亿元 [1][13] - 图像传感器作为核心硬件 市场规模从2017年296.34亿元增长至2024年948.98亿元 年复合增长率18.09% [9] - 图像传感器产量从2017年10.73亿颗增至2024年52.06亿颗 年复合增长率25.31% [9] 产业链结构 - 上游包括机器视觉算法库、光学器件及图像传感器等硬件 [7] - 下游应用以3C电子为主导 市场份额超50% 汽车制造占比18.6% [10] - 图像传感器需求从2017年38.79亿颗增至2024年70.2亿颗 年复合增长率8.84% [9] 竞争格局与重点企业 - 行业集中度较低 前五企业市场份额合计44.7% [14] - 百度智能云、创新奇智、腾讯云市场份额分别为10.6%、10.4%、10.2% [14] - 百度集团2025年第一季度营业收入324.52亿元 同比增长2.98% [14] - 创新奇智2024年集成产品及解决方案营业收入11.49亿元 数据解决方案服务营业收入0.72亿元 [16] 技术发展趋势 - 向全自动化方向发展 基于深度学习的视觉检测系统替代人工质检 [16] - 融合边缘计算与5G技术 实现毫秒级缺陷识别与分拣 [16] - 应用场景从3C电子、汽车向新能源、生物医药等领域拓展 [17] - 多模态技术融合高光谱成像、3D视觉及红外热成像 扩展检测边界 [18] - 生成式AI与仿真技术降低模型开发成本 加速算法迭代 [19] 相关企业 - 上市企业包括百度集团-SW、创新奇智、格科微、思特威、比亚迪等 [2] - 非上市企业包括腾讯云、微亿智造、阿丘科技、华为、商汤科技等 [3]

公司产品发布 - 子公司黑马天启联合厦门算能于2024年1月推出政企服务一体机 旨在解决政府与中小企业在项目申报过程中的问题 [1] - 产品利用企业及知识产权大数据 自然语言处理 深度学习技术及政策大模型 实现政策信息快速获取 项目精准匹配和申报材料高效生成 [1] - 产品依托算能SG系列智算服务器打造 采用软硬件一体化设计 可满足不同场景需求 [1] 产品价值与影响 - 政企服务一体机降低企业申报成本并提高申报成功率 [1] - 产品有助于提升政策执行效率和透明度 促进政府与企业合作共赢 [1] 未来发展策略 - 公司将根据市场需求和行业发展决定下一步发展策略 [1]

作者 | Neob0dy 编辑 | 自动驾驶之心 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近15个 方向 学习 路线 >>自动驾驶前沿信息获取 → 自动驾驶之心知识星球 本文只做学术分享，如有侵权，联系删文 具体职位：规划控制方向，自主记忆泊车-自动开出，职位描述在最后。nv大军压境入局自动驾驶，和其他主机厂、L4创业公司相比最大的区别就 是职位划分真的非常细。hr表示nv今年没有校招名额，只有这个实习转正（说大概率可以转正），拿到offer后支持线上实习。笔试之后总共面了5 轮通过，笔试3道题，另外每面都有1-2道算法题。 笔试 已经记不太清了，一道打卡题图搜索，一道模拟没做出来，最后一道是leetcode难度中等的动态规划，给定一个数组，每次可以对相邻的两个数进 行异或操作，操作次数不限，问操作过后的结果相加最大是多少。问题转化之后和leetcode上一个小偷最多可以偷多少房间类似（不能偷相邻的不 然会触发警报）。测试用例第一题过了90，第二题寄了，第三题应该是边界没处理好过了70%。 一面 按流程自我介绍，问了几个项目，着重问了参加比赛的经历，怎么管理和领导团队。单独拎 ...

学术引用排名分析 - Yoshua Bengio总被引用量达973,655次 近五年引用量698,008次 位列全球科学家首位[1] - 其2014年发表的生成对抗网络论文引用量突破100,904次 2015年深度学习论文引用量达100,061次[1][2] - Geoffrey Hinton总被引用量超95万次 近五年引用量57万次 排名第二[3] - Hinton参与的AlexNet论文引用量达181,968次 为计算机视觉领域突破性研究[3][5] 跨学科引用表现 - 医学领域研究者Ahmedin Jemal总引用量924,788次 近五年引用量520,211次 排名第三[7] - 数学与生物学交叉领域研究者Eric Lander总引用量737,656次 近五年引用量247,907次 排名第四[7] - 何恺明总引用量735,881次 其2016年ResNet论文引用量达290,239次 排名第五[9] - ResNet被Nature评为21世纪被引量最多论文 引用范围在103,756-254,074次之间[9][10] 高影响力论文特征 - AlexNet论文引用量181,968次 推动深度学习在计算机视觉应用[3][5] - 生成对抗网络与深度学习论文引用量均超10万次 形成持续学术影响[1][2] - 全球科学家排名涵盖2,626,749名研究者 涉及221个学科领域[1] - Ilya Sutskever总引用量超67万次 单篇最高引用18万次 排名第七[10]

机器之心报道 机器之心编辑部 每个领域的发展，都离不开几本奠定基础的经典书籍，人工智能亦是如此。 此前，李航老师的《统计学习方法》《统计学习方法（第 2 版）》可以说是机器学习宝典，很多学生、老师都将此书奉为必读书籍。 然而，随着 AI 技术的快速发展，特别是深度学习的飞跃式进展，一本仅覆盖传统机器学习的教材，已无法全面反映当前机器学习技术的全貌。 因此，李航老师在前两版的基础上，又推出了《机器学习方法》，新增深度学习内容。 而近期，AI 圈对于强化学习的关注也在迅速升温。从大模型与智能体的融合尝试，到强化学习在游戏、机器人控制、决策优化中的广泛应用，这一方向再次成为 焦点。然而，此前许多教材对此涉及较少，甚至完全缺席，导致很多人无法系统学习。 现在这个问题也解决了。 李航老师全新上线新书《机器学习方法（第 2 版）》 ，将强化学习独立成篇，系统介绍了强化学习的基本框架与代表算法，包括马尔可 夫决策过程、多臂老虎机问题、深度 Q 网络等。 全书共分为 4 篇（ 或 4 册） ，对应 监督学习、无监督学习、深度学习和强化学习 4 个主要分支。 至此，《机器学习方法（第 2 版）》构建起了一个覆盖监督学习、无监督 ...

产品技术展示 - 公司携两款双AI光学分选分级平台Spectrim搭载LUCAi™与InVision²搭载LUCAi™亮相2025中国国际水果展和亚洲国际果蔬展览会 这是双AI分选分级平台首次在中国境内同台展出 [1] - LUCAi™人工智能引擎基于深度学习技术 通过超过250000张数据图片驱动数据库 精准识别水果的各类瑕疵 包括蓝莓的疤痕 发霉 发软 皱缩 开裂等 [2] - 双AI系统突破水果复杂瑕疵识别瓶颈 可识别传统机器学习难以处理的轻度腐烂 日灼伤 软果 剪切损伤 果窝缺陷等 [2] - AI系统依赖全球不同地区20多个果季采集的水果图像训练数据 LUCAi™引擎每秒可处理多达40000张图像 能分辨细微缺陷差异并量化严重程度 [3] - Spectrim搭载LUCAi™支持苹果 柑橘 猕猴桃 核果等水果分选 InVision²搭载LUCAi™支持樱桃等小果分选 [4] 技术优势与行业影响 - 双AI分选平台剔除人工分选主观偏差 挖掘传统技术无法触及的品质细节 重新定义水果的"智"与"质" [3] - 技术为水果从采摘到上市提供精准品质坐标 保障消费者获得更可靠产品 为生产者创造更高附加值空间 [3] - 推动行业进入"品质可控 价值可知"的新生态 [3] - 展会现场搭建沉浸式体验区 展示双AI系统对苹果 柑橘 猕猴桃等多品类水果的精准瑕疵辨别与实时决策能力 [4] 中国市场战略 - 公司持续深化对中国市场的本土化布局 构建完整本地服务体系 提供从技术设备落地到产业升级的赋能方案 [5] - 已建成区域总部 制造基地 供应链中心及技术测试中心 形成覆盖研发 生产 服务的全链条布局 [5] - 本土化网络显著缩短设备交付与技术支持响应时间 确保客户获得24小时本地化运维保障 [5] - 人工智能分选系统通过采集本地化数据进行算法升级和智能学习 有效筛选地方特色瑕疵 保障果品品质 [5] - 采用"以本地数据训练全球算法"模式 使分选效果更贴合中国果品实际品质需求 [5] - 中国是全球最大水果生产与消费国 公司以双AI解决方案为支点 助力客户抢占高附加值市场 践行"在中国 为中国"战略 [5]

AI音乐行业发展历程 - 1938年贝尔实验室成功建造第一台电子语音合成器Voder 标志着AI与音频首次结缘[7] - 1957年通过算法生成人类历史上第一支计算机创作音乐作品《Illiac Suite》[7] - 2016年谷歌推出音乐生成项目Magenta 利用深度学习框架展示AI音乐生成能力[7] - 2024年Suno实现歌词 人声 伴奏等音乐内容一次性AI生成 被称为音乐界ChatGPT[9] 音潮公司核心战略 - 致力于实现音乐平权 让每个人都能用音乐记录生活 类比短视频平权塑造快手抖音的逻辑[10][35] - 通过自研音乐大模型技术 打造端到端生成能力 已建立国内最大音乐数据标注库[32][54] - 采用B端开放API接口与C端按首收费双轨模式 提供免费创作额度与IP收益分成机制[52][53] - 产品迭代周期为移动端三周一次 网页端双周一次 持续增加激发用户创作热情的功能[39][48] 技术突破与行业影响 - 2016年深度学习技术突破解决人声与伴奏分离行业痛点 分离效果异常干净[7][12] - Transformer架构大模型出现推动行业质变 千万级训练数据触发智力涌现现象[9][36] - 国内AI音乐研究人员屈指可数 资源有限导致领域封闭 仅少数高校培养相关人才[14] - 采用国产芯片降低训练推理成本 通过训推一体动态调度实现性价比优化[49] 市场竞争与差异化 - 与Suno形成差异化服务 聚焦MV配乐 YouTube版权音乐等垂直场景[60] - 面对Eleven Labs等国际竞争对手 采取API 创作工具 消费平台 IP衍生服务多维布局[61] - 产品设计融合游戏化社交元素 开发音果混合创作 音缘社交关系等独特功能[45] - 锁定学生群体作为核心用户 通过高频使用与新鲜事物接受度实现破圈传播[46] 团队构建与数据壁垒 - 核心团队包含音乐学院背景人才 算法团队可组成乐团 具备跨学科协同优势[40][62] - 与上海音乐学院建立联合实验室 由数十名学生参与构建音乐数据标注库[54] - 通过用户共创形成数据飞轮 用户花费时间越多则资产增值效应越显著[55] - 产品刚上线即获数十万注册量 通过世界人工智能大会等渠道实现推广[68]