黑公关行为特征 - 使用AI生成造谣内容、评论区辱骂车主、新车发布前通稿抹黑车企产品等手段高度相似 [3] - 平台对相同内容采用正面负面不同引导的标题会导致流量呈现差异 [3] 企业应对措施 - 公司法务部今年已取证数百个账号并发起数十起诉讼 多起报警案件正在办理中 [3] 行业监管行动 - 六部门联合专项整治行动要求网络平台加强生成式人工智能技术网络水军甄别管控 [3] - 专项行动旨在打击黑公关黑水军并为中国汽车产业构建风清气朗环境 [3]

行业黑公关问题现状 - 多家车企包括小米、小鹏、蔚来、深蓝遭受造谣抹黑攻击 手段高度相似 涉及AI生成虚假内容、评论区辱骂车主及新车发布前通稿抹黑等行为 [2][4] - 网络平台存在流量操纵现象 相同内容因正负面标题引导获得差异化流量呈现 [2][4] 企业应对措施 - 小米法务部年内已取证数百个账号 并发起数十起诉讼 目前案件正等待逐一开庭 [1][2][4] - 多起报警案件正在办案过程中 显示企业采取法律与刑事双线应对策略 [2][4] 监管整治行动 - 六部门联合启动专项整治 重点打击黑公关与黑水军 要求平台加强生成式AI技术的内容甄别管控 [2][4] - 行动旨在构建风清气朗的产业环境 支持中国汽车行业健康发展 [2][4]

行业政策与战略方向 - 国家政策推动钢铁行业数字化转型和"人工智能+"应用 [1] - 中国钢铁工业协会将数字化转型列为行业三大工程之一 并启动数字化转型工程三年行动 [1] - 发布《钢铁行业智能制造标准体系建设指南》和《钢铁行业数字化转型工程建设指南》 [1] 人工智能技术应用进展 - 人工智能已在生产流程优化 质量控制和供应链管理方面取得积极进展 [1] - 大模型技术将穿透钢铁生产流程"黑箱" 贯通数据孤岛 破解资源调度困局 [1] - 东北大学提出"人机混合智能"模式 实现全流程在线高保真预测 技术已在多家钢企落地 [2] - 实施"数据密集—智能涌现—人机协同"三元认知方法论 建立人机混合人工智能体 [2] 具体技术应用案例 - 低碳智能化炼铁推动炼铁过程从"经验驱动"向"智能决策"转变 [3] - "AI+人工经验"转炉全流程智能体协同系统通过知识引导与数据驱动双轮驱动模式 [3] - 系统实时采集烟气 音频 火焰等炼钢全流程多维度数据 [3] - 将炉长经验进行规则化 算法化处理 融入冶炼关键节点 [3] 行业发展前景 - "AI+钢铁"将推动行业绿色可持续发展 实现节能减排和环境保护目标 [1] - 跨企业 跨行业的AI生态系统构建将成为趋势 [1] - 促进钢铁企业与上下游企业 科研机构 技术服务商等的深度合作与协同创新 [1] - 推动钢铁行业向高端化 智能化 绿色化迈进 [1]

AI造假起号现象 - AI技术被用于生成虚假内容创建社交媒体账号 包括外国人演唱中文歌曲 银发奶奶传授养生秘诀 氛围感女孩分享穿搭美学等 细节丰富让网友信以为真 [1] - 部分账号针对中老年女性群体 利用AI打造完美熟龄女性形象 进行年龄焦虑营销 推送三无保健产品广告 [2] - 平台普遍升级AI内容识别系统 要求对AI生成作品添加标注 但一些人通过改变视频文件代码结构等方式逃避审核 [2][3] 起号教程与变现模式 - 社交平台存在AI造假起号教程 情感 养生 颜值等类别是重灾区 教程声称单条视频制作最快仅需15分钟 单账号日均收益可达500元以上 [4] - 缴纳1680元可在3到15天内运营出万粉AI账号 通过电商带货 账号转卖等方式变现 有博主借助AI生成视频吸粉过万 月收入约1万元 [4] - 未标注AI生成的美女账号销售火爆 9个账号成交价从700元至4000元不等 百万粉丝账号售价达十几万元 2.5万粉丝AI养生号售价6000元 [5] 治理与监管行动 - 中央网信办开展清朗·整治AI技术滥用专项行动 累计处置违规AI产品3500余款 清理违法违规信息96万余条 处置账号3700余个 [6] - 多家互联网平台发布专项治理公告 重点整治AI批量造假 AI起号引流带货 转让销售AI虚拟账号等违规行为 [6] - 专家建议建立违规账号黑名单 禁止违规账号进行带货 卖课等商业活动 切断获利渠道 鼓励公众举报可疑账号 [7]

行业现状与市场表现 - 中高考冲刺阶段商家以"AI押题""AI提分"为噱头推出高价产品，单科资料包标价普遍百元左右，三科组合售价达299元 [1] - 商家宣称"AI押题准确率超80%""喂了17万道竞赛题、4千套内部卷"等吸睛话术，近一个月数十名顾客购买相关押题卷，购买者多为考生家长 [1] - 社交平台存在成规模"AI押题团队"和散户卖家，后者提供定制化押题服务（如侧重特定地区试卷）收费100元 [2] 产品技术与宣传逻辑 - 商家声称采用自研大模型分析近5年真题及名校试卷，通过AI估算考点概率筛选内容，举例称其押题卷与浙江首考物理试卷考点覆盖分数超75分 [2] - 实际"覆盖分数"概念被偷换，仅指宽泛考点（如牛顿定律、电磁学）在考试中出现，而这些本就是教学重点 [2] - 技术原理依赖大数据分析、自然语言处理及机器学习，试图模仿命题逻辑，但无法掌握命题组基于学情调研的动态调整 [3] 专家与监管观点 - 教育专家指出中高考命题存在严格反押题机制，试题设计强调跨学科融合和三级思维跃迁，AI无法预测真实复杂情境下的创新题型 [3] - 法律专家认为商家虚构"准确率87.5%"等数据涉嫌违反广告法第28条，属于通过模糊算法制造误导性宣传 [6] - 监管部门建议严查夸大宣传行为，网络平台需加强涉考信息监测，同时推动AI教育产品合规认证及算法透明度审查 [7] 用户风险与行业影响 - AI工具存在"幻觉"问题，可能导致押题内容漏洞百出，误导学生复习方向并浪费冲刺时间 [4] - 不法分子利用钓鱼网站以"预付订金"形式诈骗，出售虚假高考真题答案 [6] - 行业乱象干扰正常备考节奏，家长学生因焦虑轻信营销噱头可能遭受经济与心理双重损失 [5][7]

财务表现 - 2024年公司实现营业收入92.49亿元 同比增长27.69% [2] - 归属于母公司所有者的净利润5.33亿元 同比增长151.78% [2] - 扣除非经常性损益的净利润3.94亿元 同比增长736.77% [2] - 拟派发现金红利每10股1.00元 合计1.94亿元 [4] 业务结构 - 显示驱动芯片(DDIC)占主营业务收入67.50% 为主要营收来源 [2] - 图像传感器芯片(CIS)收入占比提升至17.26% 成为第二大产品 [2] - 产能利用率保持高位运行 [2] 研发投入 - 研发费用投入12.84亿元 同比增长21.41% [2] - 研发费用占营业收入比例达13.88% [2] - 55nm中高阶BSI及堆栈式CIS芯片工艺平台实现大批量生产 [3] - 40nm高压OLED显示驱动芯片实现小批量生产 [3] - 28nm逻辑芯片通过功能性验证 [3] - 110nm MicroOLED芯片成功点亮面板 [3] - 55nm车载显示驱动芯片实现量产 [3] - 新一代110nm加强型微控制器工艺平台完成开发 [3] 行业前景 - 2024年第四季度全球半导体市场规模1709亿美元 同比增长17% 环比增长3% [3] - 2024年全球半导体市场规模6280亿美元 较2023年增长19.1% [3] - 预计2025年全球半导体市场规模将达到6971亿美元 同比增长11% [3] - 生成式人工智能技术爆发推动市场需求 [2] - 消费电子终端产品持续迭代带来新需求 [3] - 新能源汽车、智能制造、物联网等新兴领域助推半导体产业发展 [3]

文章核心观点 - 中国工程院院士邬贺铨指出，单车智能存在局限性，车路云协同是智能交通发展的关键方向，其核心在于数据处理与算力，但目前面临海量数据需求和巨大算力挑战，算力压缩是未来重点[1][2][3][5] - 为推进车路云一体化发展，需要在数据处理、智能体应用、网络建设（特别是V2X网络）等方面进行系统性升级与协同建设，并建议组建全国统一的V2X运营商以实现规模化、标准化部署[6][7] 单车智能的局限性与车路云协同的优势 - 单车智能在复杂路口、恶劣天气、交通标志不清等情况下难以发挥作用，且存在雷达距离有限、视觉盲区以及激光雷达成本较高等问题[1] - 车路云协同能够实现全天候运行，简化对车载传感器和雷达的要求，实现全局性感知，并将周边车辆和道路状况反馈至汽车，同时有利于城市交管部门全局掌控[1] 智能交通面临的数据挑战 - 训练L5级别自动驾驶模型需要170亿公里的数据，其中真实路侧数据至少需1亿公里[2] - 以100辆车7×24小时不间断行驶计算，采集1亿公里路侧数据需要3.7年[2] - 每辆车每秒由雷达、传感器产生的数据量约为1GB，经压缩后，一辆车行驶产生的数据传输量约为12GB[2] - 对于智能交通，每辆车至少需保留1GB数据，以图像数据为例，约为1亿token时延[2] - 在L4级别下，数据量可减少至20%—30%，L3级别可减少至10%—20%，但L3级别数据量仍高达1亿EB，成本高昂且难以获取极端长尾场景数据[2] - 目前大部分交通数据中，仅有1%来自真实道路，90%来自封闭道路，90%为仿真数据[2] - 为解决数据不足，可借助AI技术通过改变光照、视觉、材质，添加人为噪声、障碍等方式变换场景生成更多数据[2] - 交通数据标注成本较高，需开发基于AI的标注方法替代人工，但完全依赖AI生成数据存在弊端，原始数据至少应保留10%—20%[3] 智能交通面临的算力挑战 - 当前世界现有的算力水平难以满足智能交通的需求[1] - 智能驾驶对算力的需求与模型参数、训练数据成正比，与训练时长、GPU利用率成反比[3] - 训练时长过长会导致GPU出错影响效率，无法单纯依靠拉长训练时长来降低算力要求[3] - 每个城市建设的车联网城市云平台所需算力因智能驾驶程度及所支持的车辆数量而异[3] - 车端算力需求随自动驾驶级别提升而剧增：L2、L3、L4、L5级别车载算力最低要求分别为4—10Tops及更高，L5级别需达到1000Tops（每秒一千万亿次计算），目前尚无车辆能够支持如此高的算力[3] - 车端应用还需具备通信能力（支持车到车、车到路及车到网络通信）以及定位功能[4] 算力压缩的技术方向与解决方案 - 未来在自动驾驶领域应更加关注算力的压缩[1][5] - 可以借鉴DeepSeek等生成式AI的技术思路，如通过注意力机制简化计算过程，着重考虑主语与其他词、相连词以及主谓之间的关系以减少计算量[5] - 采用多头注意力多维度核算，多维度并行时先压缩再存储以提升计算效率[5] - 利用知识蒸馏技术，如同老师提取书籍精华，学生无须复杂训练，从而显著简化计算能力[5][6] - 仅有大模型不足以实现落地应用，需将其部署上云，方便用户使用并添加自身数据进行微调[6] - 智能体在智能驾驶中发挥重要作用，可将各类智能驾驶场景分解为多个具备记忆、任务分解、规划和使用工具能力的智能体，以推动大模型在特定场景中的应用[6] 网络建设与升级需求 - 已部署的5G高可靠、低时延网络需电信运营商进行改造升级以适配车联网[6] - 需建设运营商之间本地网的直连点，以解决以往互联存在的时延问题[6] - 传统5G网络无法为车联网提供充足的确定性和低时延保障，需在城市重要路口将5G网络升级至5G-A，确保确定性时延[6] - 除5G网络升级外，还需建设涵盖边缘计算、车联网城市云以及RSU等的路侧网络，需各方协同建设，可利用运营商已有的局域网、城域网和广域网能力[7] - 目前国家有20个城市试点V2X网络建设，但各城市单独建设存在标准不统一、碎片化、缺乏规模化以及成本高等问题[7] 关于V2X网络建设的建议与效益 - 建议组建全国性的统一V2X运营商，由电信运营商、汽车企业、金融机构、交通企业、市政公司等共同构成，负责全国车联网投资建设，实现统一标准、规模部署和集中运营[7] - 经测算，分两期建设V2X网络，总投资约4000亿元（不包含运营商对现有5G网络的改造投资）[7] - 完成投资后，可实现2G以上公路（约56万公里）全覆盖，完成主要城市路口改造，支持L3级智能驾驶能力，使城市通行效率提升30%，降低交通事故发生率80%[7]