消费与零售行业动态 - 麦当劳对多款核心餐品进行价格上调，涨幅在0.5元至1元之间，涉及汉堡、小食及套餐，例如巨无霸汉堡、双层深海鳕鱼堡、麦香鱼均上涨1元，麦乐鸡上涨1元，麦麦脆汁鸡、中份薯条等上涨0.5元 [2] - 国家统计局指出11月消费市场总体平稳，消费规模继续扩大，服务消费较快增长，但居民消费能力和信心有待提升，下阶段需着力稳就业促增收以释放消费潜力 [5] - 民生投入持续加大，1-11月份住宿和餐饮业、批发和零售业投资同比均增长7.1%，电力热力生产和供应业投资同比增长12.5% [7] - 区域零售商胖东来启动技术岗位招聘，计划招募60名人才，岗位涵盖商品开发、产品研发等，年薪最高可达20万至25万元 [8] - 美团决定暂停其自主孵化的B2C电商业务“团好货”，以聚焦探索零售新业态，该业务曾于2020年上线并升级为美团电商一级入口 [10] 旅游与出行市场 - 香港旅游市场复苏强劲，11月访港旅客约420万人次，同比增长17%，今年1至11月累计访港旅客约4500万人次，已超越去年全年总量 [3] - 前11个月访港旅客中，中国内地旅客约3450万人次，同比增长11%，非中国内地旅客约1000万人次，同比增长16%，其中短途及长途市场均录得接近两成增长 [3] 科技与人工智能领域 - OpenAI高管指出，人类的打字速度可能成为通用人工智能发展的瓶颈，原因在于人们仍需通过编写提示词并验证AI输出结果来引导AI [9] - 马斯克旗下SpaceX被报道可能于明年中后期寻求上市，目标估值约1.5万亿美元，若上市成功，马斯克因其约42%的持股有望成为全球首位“万亿美元富豪” [11] - 科技日报评论指出，美国近期在批准英伟达向中国出售H200 AI芯片的同时，有议员推动法案要求至少在30个月内禁止此类销售，其芯片政策“摇摆”难掩对华封锁本质 [14] 资本市场与IPO - 果下科技在香港IPO公开发售获得超1800倍超额认购，认购金额超1300亿港币，成为今年港股AI机器人安全领域的“超购王”，吸引多家全球知名长线基金参与 [6] 半导体与高端制造 - SK海力士为生产HBM4，向新加坡ASMPT公司订购了7套热压键合机系统，每套系统单价约40亿韩元，合同总金额估计约300亿韩元 [12][13] 平台治理与电商规范 - 抖音电商更新“违规蹭热不当获利”内容治理规范，要求平台内“打假”、“测评”、“揭黑”等内容需遵循科学依据、行业标准与客观事实 [4]

中美AI发展路径对比 - 美国AI企业均为超大规模服务商，发展路径是“重量化”，通过巨额投入和算力军备竞赛以争夺通用人工智能的先发优势 [1] - 中国AI模型普遍属开源性质，发展路径是“轻量化”，核心目标是推动AI工具快速落地和市场应用，而非追求模型本身的直接盈利 [1] 中国AI产业的支撑要素与优势 - 在AI人才方面，全球约一半的AI相关人才由中国培养，为算法改进和效率提升提供了基础 [1] - 在基础设施方面，中国的算力中心所需的电网、发电站、储能及冷却维护等设施成本相对较低 [1] - 在数据方面，中国拥有来自微信等国民级应用以及制造业产业链的大量第一手数据，为训练优质AI大模型提供了优势 [1] 对中国AI发展的整体评估 - 尽管在GPU等硬件方面存在不足，但凭借在人才、基础设施和数据方面的优势，中国AI产业有能力进行弥补 [1] - 中国AI的长远发展能否超越美国仍有待观察 [1]

中美AI发展路径对比 - 美国AI企业均为超大规模服务商，发展路径是“重量化”，通过巨额投入和算力竞争以率先达到通用人工智能为目标 [3] - 中国AI模型普遍属开源性质，发展路径是“轻量化”，旨在让AI工具快速落地和市场化，追求低成本、大规模铺开的AI应用模型 [3] 中国AI发展的核心优势 - **人才优势**: 全球AI相关人才中，约一半由中国培养，充足的人才储备有助于改进算法、提升效率和探索独特路径 [3] - **基础设施优势**: 中国的算力中心所需的大量电网、发电站、储能设备以及冷却维护等设施成本较低，具备成本优势 [3] - **数据优势**: 中国拥有海量数据用于AI模型训练，数据来源包括微信等国民级应用以及制造业产业链的第一手资料 [3] 中国AI发展的潜在挑战与应对 - 尽管在GPU等硬件方面存在不足，但凭借在人才、基础设施及数据方面的显著优势，有望弥补这一短板 [1]

行业动态与公司合作 - OpenAI高管指出人类打字速度可能成为通用人工智能发展的瓶颈 因为人们仍需通过写提示词引导并亲自检查验证AI输出[1] - 智元机器人将于12月22日发布全国机器人租赁平台“擎天租” 旨在推动产业标准化与规模化发展[1] - 越疆机器人入选“港交所科技100指数” 该指数筛选标准包括过去两年研发开支占比不低于3%[1] - 中国移动与埃斯顿酷卓签署战略合作协议 双方将围绕工业具身智能、数据挖掘及前沿技术创新展开合作[1] - 双方计划探索5G/5G-A/6G网络与具身机器人深度融合 以移动通信低延迟特性突破远程控制、多机协同等技术瓶颈[1] - 双方将共同开发通信基础设施巡检、医疗健康等领域的定制化机器人解决方案 推动具身智能向“会思考、能协同”进阶[1] - 东华软件成立全资子公司东华灵曜智能科技（杭州）有限责任公司 注册资本3亿元人民币 业务含人工智能基础平台与软件开发等[2] - 2025世界机器人技能大赛将于12月26至30日在深圳举办 主题为“智创未来·技领全球” 由新华社相关单位主办[3] 产业规模与区域发展 - 广东省人工智能核心产业规模达2200亿元人民币 同比增长约22%[2] - 2024年广东省智能机器人产业营收达992亿元人民币[2] - 《AIR珠江指数报告（2025）》显示 广东人工智能与机器人产业与北京、江苏、浙江、上海同处第一梯队 综合排名全国首位[2]

文章核心观点 - 大模型的发展正从依赖规模扩张的“规模法则”转向追求效率提升的“密度法则” [2][3] - “密度法则”指出，模型能力密度每3.5个月翻一倍，使得实现相同智能水平所需的参数量和成本呈指数级下降 [11][28] - 行业未来的核心竞争力将从规模竞赛转向效率与智能密度竞赛，为端侧智能的普惠化奠定基础 [11][59] Scaling Law的可持续性问题 - 规模法则在数据和算力上面临可持续发展瓶颈，并非完全失效，而是“撞墙了” [2][15] - 训练数据瓶颈：核心训练数据依赖互联网公开语料，其规模增长已放缓，基本停留在20T Token左右，难以继续扩展 [15] - 计算资源瓶颈：模型规模指数级增长需要不可持续的计算资源，例如LLaMA 3 405B模型训练使用了1.6万块H100 GPU [16] 密度法则的提出与定义 - 灵感来源于信息时代的摩尔定律，智能时代需要关注“知识压缩效率”与“智能密度” [3][20] - 观察到行业趋势：用越来越少的参数实现相同的智能水平，例如2020年GPT-3需千亿参数，2023年初MiniCPM仅用2.4B参数达到相似能力 [23] - 定义了模型的“相对能力密度” = 同能力基准模型的参数量 / 目标模型参数量，以此量化模型的知识压缩效率 [24][25] 密度法则的核心推论 - 推论1：实现特定AI水平的模型参数量呈指数级下降，每3.5个月下降一半 [32] - 推论2：模型推理开销随时间呈指数级下降，例如GPT-3.5推理百万Token成本约20美元，相同能力的Gemini 1.5 Flash仅需0.075美元 [36][38] - 推论3：自ChatGPT发布后，大模型能力密度的增长速度明显加快 [42] - 推论4：模型小型化带来巨大的端侧智能潜力，未来3-5年端侧芯片预计可运行10B-60B参数规模的模型 [45] 构建超高能力密度模型的制备体系 - 架构高效：趋势从“大模型”迈向“长模型”与“全稀疏架构”，包括前馈网络和自注意力机制的稀疏化，以处理长序列和复杂思考 [53] - 计算高效：坚持软硬协同优化，包括自研训练框架、投机采样、量化技术等，例如全阵敏感4比特量化能在保持99%性能下将存储压缩至Int4 [54][56] - 数据高效：预训练阶段核心是提升数据质量与清洗；后训练阶段关键在于通过人机协同合成高质量数据 [55][57] - 学习高效：构建“模型能力风洞”，通过训练小规模模型验证数据配比、超参等，以科学化调度降低大模型训练的试错成本 [58][67] 行业现状与头部厂商动态 - OpenAI通过推出“Mini”或“Flash”版本，积极将旗舰模型能力压缩至小模型，以降低推理成本 [71] - Google在架构层面进行探索，例如在Diffusion Model中展示非自回归快速生成能力，并应用高效的注意力机制 [71][72] - 预训练数据的核心瓶颈是互联网语料质量低；后训练的关键瓶颈是高质量Query和稳定运行环境的稀缺 [68][69] 未来技术趋势展望 - 明年技术主线将集中在Agent领域，其能力提升的核心驱动力依然是数据积累 [73] - 高质量的后训练数据和稳定的运行环境将成为决定各家模型能力上限的关键因素 [69][73] - 端侧智能预计在2026年迎来重要转折点，驱动力包括普惠化需求、隐私保护以及端侧芯片算力与模型能力密度的协同提升 [75][76][77] - 端侧多模态的发展方向包括高清高刷体验的优化，以及流式全模态处理能力 [78] 模型评价与行业发展 - 现有大模型“排行榜”因容易导致模型过拟合而有效性受到质疑 [82] - 未来需要发展内部私有评测体系，并构建动态、前瞻性的评测集，以引导模型向更通用的方向发展 [84][86] - 长期需关注对模型自主学习能力的评测 [85]

华尔街对2026年投资重心转移的预测 - 华尔街多家大行策略师建议客户在2026年将投资重心从“科技七巨头”转向医疗、工业、能源和金融等传统周期性板块 [1] - 这一转变基于两点：对科技巨头能否持续支撑其高昂估值和AI支出的疑虑加深；对2026年美国整体经济前景的乐观情绪升温 [1] 2026年美国经济面临的核心风险 - 2026年美国经济面临的最大威胁可能源自金融市场本身，核心风险发生反转：不再是经济衰退拖垮股市，而是股市的潜在崩盘可能直接将美国经济推入衰退 [3] - 美国经济的韧性悬于一个由股市财富支撑的脆弱平衡之上 [3] “超额退休”人群对经济的影响 - 当前美国经济的一个关键支撑来自于约250万“超额退休”人群的消费支出，这部分人群因新冠疫情后的股市繁荣而提前退休 [3] - 这250万新增退休人员通过消费其丰厚的养老金和股市财富，为美国经济注入了强劲的需求，但他们并不为劳动力市场贡献供给，形成了“只消费、不生产”的模式 [7] - 这部分关键的边际消费完全依赖于股市财富，一旦股市崩盘，其财富基础将不复存在，总需求将受重创并引发经济衰退 [7] 美联储面临的政策困境 - “超额退休”现象在支撑需求的同时，也带来了顽固的通胀，许多经验丰富的年长工人的技能难以被替代，他们的离场导致劳动力市场紧张，是通胀率稳定在3%附近的关键原因 [8] - 美联储陷入两难：若为实现2%的通胀目标而持续收紧货币政策，高利率可能冲击股市并摧毁关键消费，从而引发衰退；若为抑制通胀而维持高利率，则可能刺破股市泡沫 [3] - BCA Research预测，美联储将把避免市场崩盘置于其2%通胀目标之上，选择容忍更高的通胀率，并可能在任何经济或市场疲软的迹象出现时采取激进的降息措施 [4][10] 市场涨势的集中度与脆弱性 - 2026年市场面临的另一大挑战是其涨势已达到“有史以来最集中的程度”，全球股市市值的约三分之二集中于美股，而美股市值的40%又集中于区区十只股票 [11] - 这十只股票的命运几乎都押注于成为通用人工智能浪潮的赢家，这意味着全球超过四分之一的股票市值直接暴露在这一单一押注失败的风险之下 [11] - 近期头部科技股走势开始分化，例如在过去一个半月里，英伟达和微软的市值分别蒸发近5000亿美元，而Alphabet和苹果的市值却分别增加了6000亿和2000亿美元 [13] - 只要这种“赢家和输家相互抵消”的局面持续，市场更有可能出现“漂移”而非“崩盘”，但这预示着美国科技股整体跑赢市场的时代可能即将结束 [13] 潜在的投资机会转向 - 资金或将轮动至被低估的板块和地区，如医疗保健和欧洲市场 [13] - 与美国不同，欧洲不存在由劳动力市场扭曲造成的通胀压力，这为债券市场创造了有利环境，报告建议在全球债券投资组合中超配德国国债和英国国债 [13] - 欧洲股市有望受益于资金从美国科技股的流出 [13]

核心观点 - 华尔街研究机构BCA Research发布展望报告，颠覆传统认知，指出2026年美国经济面临的最大威胁可能源自金融市场本身，核心风险已从经济衰退拖垮股市，反转为股市潜在崩盘可能直接将美国经济推入衰退 [1] - 美国经济的韧性建立在一个由股市财富支撑的脆弱平衡之上，约250万“超额退休”人群的消费是经济关键支撑，但其消费能力与股市表现直接挂钩，形成“对股市敏感”的需求侧 [1] - 美联储因此陷入两难困境，若为抑制通胀而维持高利率可能刺破股市泡沫并引发衰退，报告预测美联储将把避免市场崩盘置于2%通胀目标之上，选择容忍更高通胀并可能激进降息 [1][2] - 全球股市涨势达到史上最集中程度，约三分之二全球股市市值集中于美股，而美股市值的40%又集中于十只股票，这使全球超四分之一股票市值暴露于单一押注通用人工智能（gen-AI）失败的风险之下 [9] - 市场机会可能从高度集中的美国科技股轮动至被低估的板块和地区，如医疗保健和欧洲市场 [12] 结构性变化：超额退休人群与劳动力市场 - 疫情以来，美国出现约250万的“超额退休”现象，主要原因包括老年群体在疫情中更为脆弱，以及股市强劲上涨为其提前退休创造了财务条件 [3] - 这250万新增退休人员通过消费其丰厚的养老金和股市财富，为美国经济注入了强劲需求，但他们“只消费、不生产”的模式，使得劳动力市场在需求旺盛的同时持续“供给受限”，从而在很大程度上避免了由需求疲软引发的经济衰退 [5] - 风险在于，这部分关键的边际消费完全依赖于股市财富，一旦股市崩盘，其消费能力的财富基础将不复存在，总需求将受重创并引发经济衰退 [5] - 许多经验丰富的年长工人（如顶尖外科医生、律师或教授）的技能难以被替代，他们的离场导致劳动力市场比整体数据所显示的更为紧张 [7] 美联储的政策困境与预测 - 技能短缺叠加旺盛的消费需求，是通胀率稳定在3%附近的关键原因 [7] - 美联储陷入困境：若为实现2%的通胀目标而持续收紧货币政策，高利率将冲击股市，而股市稳定是维系250万“超额退休”人群消费能力的前提 [8] - BCA Research首席策略师Dhaval Joshi认为，在“引发衰退”和“容忍通胀”之间，美联储将选择后者作为“较小的恶” [8] - 报告预测，美联储将牺牲其2%的通胀目标，并利用任何经济疲软的信号作为进一步降息的理由 [8] - 对于投资者而言，在通胀高企的环境下降息，将不利于长期美国国债和美元的走势 [8] 市场集中度与潜在轮动机会 - 全球股市涨势达到“有史以来最集中的程度”，全球股市市值约三分之二集中于美股，而美股市值的40%又集中于区区十只股票 [9] - 这十只股票的命运几乎都押注于成为通用人工智能（gen-AI）浪潮的赢家，这意味着全球超过四分之一的股票市值直接暴露在这一单一押注失败的风险之下 [9] - 近期头部科技股走势开始分化，在过去一个半月里，当英伟达和微软的市值分别蒸发近5000亿美元时，Alphabet和苹果的市值却分别增加了6000亿和2000亿美元 [11] - 这种分化表明市场并未将所有科技股视为一个整体，价值投资者仍在对部分公司的价格进行验证 [11] - 只要这种“赢家和输家相互抵消”的局面持续，市场更有可能出现“漂移”而非“崩盘” [12] - 这预示着美国科技股整体跑赢市场的时代可能即将结束，资金或将轮动至被低估的板块和地区，如医疗保健和欧洲市场 [12] - 与美国不同，欧洲不存在由劳动力市场扭曲造成的通胀压力，这为债券市场创造了有利环境 [12] - 报告建议在全球债券投资组合中超配德国国债和英国国债，同时欧洲股市有望受益于资金从美国科技股的流出 [12]

核心观点 - 华尔街研究颠覆传统认知 指出2026年美国经济最大威胁可能源自金融市场本身 核心风险已反转 不再是经济衰退拖垮股市 而是股市潜在崩盘可能直接将美国经济推入衰退[1] - 美国经济的韧性悬于一个由股市财富支撑的脆弱平衡之上 这一观点挑战了市场普遍看法[1] 结构性变化：超额退休人群 - 美国劳动力市场出现约250万“超额退休”人群 主要因疫情脆弱性及股市强劲上涨创造财务条件而提前退休[3] - 这250万新增退休人员通过消费其丰厚的养老金和股市财富 为美国经济注入了强劲的需求 但他们“只消费、不生产”的模式 使得劳动力市场在需求旺盛的同时持续“供给受限”[5] - 这部分关键的边际消费完全依赖于股市财富 一旦股市崩盘 其消费能力的财富基础将不复存在 总需求将受重创并引发经济衰退[5] 美联储的政策困境 - “超额退休”现象在支撑需求的同时 也因高技能年长工人离场导致劳动力市场紧张及技能短缺 叠加旺盛消费需求 使通胀率顽固地稳定在3%附近[6] - 美联储陷入两难：若为实现2%通胀目标而持续收紧货币政策 高利率将冲击股市 进而摧毁支撑经济的关键消费[9] - 预测美联储将把避免市场崩盘置于其2%通胀目标之上 选择容忍更高的通胀率作为“较小的恶” 并可能在任何经济或市场疲软迹象出现时采取激进降息措施[2][9] - 在通胀高企的环境下降息 将不利于长期美国国债和美元的走势[9] 市场集中度与潜在轮动 - 2026年市场面临的另一大挑战是涨势达到“有史以来最集中的程度” 全球股市市值约三分之二集中于美股 而美股市值的40%又集中于区区十只股票[10] - 这十只股票的命运几乎都押注于成为通用人工智能浪潮赢家的同一叙事 这意味着全球超过四分之一的股票市值直接暴露在这一单一押注失败的风险之下[10] - 近期头部科技股走势开始分化 例如在过去一个半月里 英伟达和微软市值分别蒸发近5000亿美元时 Alphabet和苹果市值却分别增加了6000亿和2000亿美元[12] - 这种“赢家和输家相互抵消”的分化局面若持续 市场更有可能出现“漂移”而非“崩盘” 但这也预示着美国科技股整体跑赢市场的时代可能即将结束[12] - 资金或将轮动至被低估的板块和地区 如医疗保健和欧洲市场 欧洲不存在由劳动力市场扭曲造成的通胀压力 为债券市场创造了有利环境[12] - 建议在全球债券投资组合中超配德国国债和英国国债 同时欧洲股市有望受益于资金从美国科技股的流出[12]

会议概况 - 2025第十四届上市公司发展年会暨海南自贸港开放机遇交流大会于12月12日在海口举办 [1] - 超过400家上市公司及20多家机构参会 政产学研精英共议封关新局下的政策与全球化机遇 [1] 海南自贸港政策与机遇 - 海南自贸港将于12月18日迎来全岛封关运作 [3] - 政策核心为“一线放开、二线管住、岛内自由”的制度型开放 叠加“零关税、低税率、更自由”三大红利 [3] - 海南背靠内地、辐射东南亚 聚焦四大主导产业 致力于打造国际国内双循环交汇点 [3] - 海南的开放是高水平制度型开放 核心在于推进规则、规制、标准、管理与国际高标准经贸规则相容衔接 从边境开放转向边境后开放 [4] 产业发展与技术创新趋势 - “十五五”时期 新一轮科技革命和产业变革将加速演进 云计算、大数据、深度学习等技术推动人工智能进入通用人工智能发展阶段 [3] - 具身智能作为AI与机器人学交叉的前沿方向 是智能制造高阶发展的关键技术基础和AI发展新范式 能赋予机器系统“感知—决策—执行”闭环能力 [3] - 未来5年工业企业数字化转型是推进智能制造、实现制造业创新发展的主战场 [4] - 需促进实体经济与数字经济深度融合 加快数智技术创新 强化算力、算法、数据高效供给 建立健全数据要素基础制度 以数智技术赋能千行百业 [4] 企业参与与讨论焦点 - 海南国际经济发展局表示将提供一站式服务 诚邀企业把握双循环枢纽机遇 [3] - 大会邀请国内行业领军企业围绕“AI价值锚点”与“新出海范式”展开讨论 分享一线经验与思考 [4]

文章核心观点 - 人工智能发展的下一个阶段需要突破Transformer架构和反向传播算法这两大技术瓶颈，其方向并非追求模型的无限扩大，而是让模型在端侧设备上具备原生记忆和自主学习能力，从而“活起来”，最终通过无数此类智能体的协作形成能够产生知识的群体智能，这被视为迈向通用人工智能（AGI）的一条新路径 [1][2][7][21][77] 对当前AI发展范式的批判 - 为Token付费的模式被批评为“很愚蠢”，用户应为智能本身付费，而非为处理信息的数量付费 [15][16][17][18][19] - 当前基于Transformer架构的大模型本质上是静态函数，在部署时参数即固定，模型随之“死亡”，无法持续进化，需要依赖重新训练或RAG等临时方案来更新知识 [37][45][51][53] - 过度依赖Scaling Law（规模定律）被认为是错误的，行业陷入比拼算力和数据的“死亡螺旋”，而忽视了架构创新的重要性 [33][35][36] - 长上下文技术被视为一种退而求其次的临时方案，而非真正的智能解决方案，因为它无法形成参数化的长期记忆和价值观积累 [42][43][46] 下一代AI的核心特征：硬件觉醒 - “硬件觉醒”指端侧设备具备像大脑一样的稀疏激活、实时形成记忆并在物理世界中持续更新的能力，使设备从工具转变为“活”的智能体 [4][11] - 端侧模型的关键定义在于**自主学习**和**原生记忆**，而不仅仅是云端大模型的小参数版本 [20][21][29][30] - 实现“硬件觉醒”需要改变模型架构，使训练和推理能够同步进行，从而实现模型的自主进化，摆脱静态函数的桎梏 [48][52][53][54] 新架构路径与技术创新 - 需要突破的两座技术大山是：1) Transformer架构；2) 反向传播算法 [1][7][53] - 新架构（如RockAI的Yan架构）模仿人脑机制，特点是**极端稀疏化**（比MoE更稀疏），以极低的功耗（如人脑约20+瓦）实现高效运算 [55][56] - 在新架构中加入了**记忆模块**，使得在推理过程中记忆能够动态改变，从而实现真正的个性化和长期记忆 [58] - 新模型架构使得在手机、CPU等端侧设备上直接运行成为可能，无需依赖云端GPU，并保证了用户隐私和安全 [60][68] 端侧智能的价值与影响 - 端侧智能的优势在于离用户更近，并能利用无处不在的、完全属于用户个人的数据，无需将所有数据采集至云端 [24][25][27] - 智能将重新定义硬件的价值，硬件价值将随着用户与其共同创造价值而增长，购买时是其价值最小的时候，而非仅为功能付费 [64][65][66][67] - 具备原生记忆和自主学习能力的端侧设备（如手机、具身智能机器人）能够适应个性化环境（如家庭布局），这是当前Transformer架构难以实现的 [62][63][68] 未来方向：群体智能 - 当每一台设备都拥有智能并能向物理世界学习时，将产生**群体智能**，类似于人类社会个体通过合作产生知识 [5][21][70][72] - 现有大模型（尤其是Transformer架构）主要进行知识传播，而**群体智能的核心在于能够产生知识** [21][74][75][76] - 群体智能被认为是迈向通用人工智能的最佳途径，区别于OpenAI等追求的打造单一全能模型的“造神”路径 [71][77]