华尔街转向看多美股今年表现下一个目标是"小盘股"？ - 巴克莱和摩根大通等分析师认为美国股市仍有上涨空间，预计机构投资者将增加股票配置，标普500指数年底前可能升至6550点，较隔夜收盘有近8.5%上涨空间 [1] - 华尔街正经历大规模逼空行情，被做空最多的股票自4月低点以来暴涨42%，过去一个月上涨16%，由宏观数据超预期、利率环境宽松等因素推动 [1] - 高盛建议投资者关注小盘股的逼空机会，尤其是罗素2000指数，但对冲基金杠杆率已升至历史高位 [1] 评论员观点：美股未来表现 - 美国经济有韧性，关税影响不及预期，美元可能降息175个基点利好美股，摩根大通和花旗上调标普年末目标位 [2] - 政策不确定性风险缓解后，美股有望回归原有上升通道 [2] "英伟达亲儿子"CoreWeave涨势惊人 - CoreWeave股价自5月以来上涨275%，较3月发行价飙升逾287%，公司与Applied Digital签署两份15年租约，并与OpenAI有数十亿美元云基础设施合同 [3] - 公司一季度营收达9.816亿美元，同比暴增420%，但面临高债务股本比（387%）、高息债务（10%-15%）及对微软的过度依赖等风险 [3] - 分析师对其评级分歧，9月IPO锁定期到期后股东抛售可能影响股价 [3] 评论员观点：CoreWeave投资逻辑 - CoreWeave是"OpenAI影子股"，让投资者间接押注OpenAI成功，获得英伟达优先GPU供应 [4] - 生成式AI热潮或将继续推动股价，但客户依赖度集中，微软占超七成营收，债务率高 [4] 亚马逊调整发展策略 - 亚马逊将在美国宾夕法尼亚州投资超200亿美元扩大云计算基础设施并推进AI创新，预计创造1250个高技能岗位 [5] - AWS一季度营收292.67亿美元，同比增长17%，通过构建模型超市Bedrock提供超过100款模型，一季度贡献收入占比超18% [5] - 亚马逊采取开放平台策略，避开押注单一模型，今年资本支出将达1000亿美元，同比增加20% [6] 评论员观点：亚马逊AI战略 - 亚马逊以开放生态和成本优势开辟差异化路径，将基础设施选择权转化为对抗AI新贵的核心筹码 [6] - 若"AI模型超市"成功落地，亚马逊将如虎添翼 [7] 星巴克中国加入茶饮"价格战" - 星巴克中国对"非咖"饮品降价2-6元，平均降幅约5元，最低单价降至23元，与中端奶茶品牌持平 [8] - 计划推出与《疯狂动物城》联名的3款冰摇茶，增加茶拿铁口味，意在吸引更多流量，提升下沉市场竞争力 [8] - 去年股价下跌近3%，连续四季度销售额下滑，市场竞争加剧 [8] 扎克伯格组建"超级智能小组" - 扎克伯格亲自组建"超级智能小组"，专注于"超级智能"研究，计划向Scale AI投资数十亿美元 [9] - Meta向OpenAI和谷歌等公司研究人员提供"7至9位数"高额薪酬，目标实现通用人工智能（AGI） [9] - 战略目标是2024年底实现AI产品性能与使用率双领先，打破OpenAI和谷歌垄断 [9] 评论员观点：AI行业竞争 - 未来人工智能行业将是头部企业的必争之地，将吸引更多企业加入竞争 [10]

核心观点 - AI技术正在重新定义商业创新模式，企业需转变思路以保持竞争力 [1][2] - OpenAI和DeepSeek分别通过不同路径实现AI技术突破，为行业提供创新范式 [3][4] - AI能力的"涌现"现象成为技术跃迁的关键特征 [19][20][21] - 人机交互范式因ChatGPT发生根本性变革 [22][23][24] - 中国公司DeepSeek打破"美国原创、中国应用"的思维定式，展现基础研究实力 [75][77][78] OpenAI的创新路径 创立背景 - 2015年由马斯克和奥特曼创立，初衷是防止AI技术被巨头垄断 [9] - 从谷歌挖来核心科学家伊利亚·苏茨克维尔，坚持开源、安全、普惠理念 [10][12] 技术突破 - 基于Transformer架构的"自注意力机制"大幅提升语言理解能力 [13] - Scaling Law揭示模型规模与性能的线性关系，指导大规模投入 [15][16] - GPT系列模型通过"涌现"现象实现能力跃升，参数量临界点触发智能爆发 [19][20] 产品里程碑 - ChatGPT通过自然语言交互降低使用门槛，引发全球现象级应用 [22][23] - 推理模型o1实现从直觉思维（系统1）到理性推理（系统2）的认知跃迁 [26][30] DeepSeek的逆袭战略 技术路线 - 提出"有限Scaling Law"，在资源受限下追求高性能 [32][33] - MLA技术优化内存效率，MoE架构实现计算资源动态分配 [38][39][42] - V3模型6710亿参数仅激活37亿，训练成本5557万美元（行业1/10） [44] 核心突破 - R1模型采用纯强化学习（类似AlphaGo Zero），展示完整推理过程 [45][47][49] - 在奥数竞赛中与OpenAI o1准确率相当，登顶美国应用榜单 [50][51] 组织创新 - 动态团队构成和自组织管理激发"涌现"式创新 [55][56][57] - 研究员自主提出MLA架构和训练公式，体现扁平化协作 [59][60] - 150人论文署名包含数据标注员，打破传统KPI束缚 [61][62] 行业启示 技术趋势 - AI从专用工具向通用智能演进，"涌现"成为能力突破关键指标 [20][21] - 对话式交互（ChatGPT）和推理能力（o1/R1）定义下一代AI标准 [23][26][45] 创新生态 - 中国公司首次在基础研究领域实现全球领先，打破技术跟随惯性 [75][77] - 资源效率（DeepSeek）与规模投入（OpenAI）并存，拓宽行业可能性 [32][44] 组织变革 - 传统金字塔管理让位于开放协作和资源自由调配的新型研发模式 [55][63][68] - "非标准人才"和纯粹技术热情成为创新核心驱动力 [66][67]

公司估值与市场定位 - OpenAI当前估值达到3000亿美元，分析师认为其有望跃升至万亿美元级别 [1] - 公司瞄准搜索引擎、AI硬件、SaaS、云计算等多个巨大市场，计划颠覆由大型科技巨头主导的领域 [1][2] - OpenAI被视为谷歌在搜索和AI领域的最大竞争对手，将在云计算领域与谷歌Vertex AI平台展开竞争 [2] 业务布局与战略合作 - OpenAI收购iPhone设计师Jony Ive创立的初创公司io，计划打造类似苹果的生态系统，控制应用、软件和硬件设备一体化 [2] - 公司与微软关系复杂，微软拥有其49%的少数经济权益，投资回报上限为1300亿美元 [5] - OpenAI与微软合作建设Stargate超级计算机项目，总投资5000亿美元，旨在提升AI基础设施能力 [2][5] 产品与用户增长 - ChatGPT已达到"动词化"地位，每周活跃用户达4亿，年轻一代用户占比高 [3][6] - ChatGPT企业版包括Sora视频生成器和DALL·E图像生成器，预计将在OpenAI未来1250亿美元营收中贡献500亿美元 [4][6] - AI智能体预计贡献300亿美元营收，分析师认为这一估算可能过于保守 [6] 财务表现与预测 - OpenAI年经常性收入（ARR）已达100亿美元，较前一年的55亿美元增长近一倍 [6] - 公司预计2029年营收将超过1250亿美元，远高于2024年的40亿美元，复合年增长率对标英伟达数据中心业务的108% [6] 行业竞争与影响 - OpenAI在搜索、云计算、硬件等领域的扩张将直接挑战谷歌和苹果的市场地位 [2][3] - AI智能体将逐步取代Salesforce、Workday和Adobe等SaaS公司的部分功能，重塑软件行业格局 [4] - 整个SaaS板块总市值约为3.8万亿美元，AI巨头及其智能体预计将占据很大份额 [5]

通用人工智能（AGI）与系统工程创新 - 单点技术演进边际效应递减，系统性能天花板转向系统工程上限，需通过系统工程创新实现效能最优[1] - 华为推出《华为技术披露集》系列，首次全面详述技术细节，助力昇腾生态在中国发展[1][2] 万卡集群技术 - AI算力集群将上万台计算机整合为"算力航空母舰"，解决协同工作、高效运行和快速修复等世界级难题[3] - 华为团队提出拓扑感知协同编排技术TACO等四项关键技术，训练Pangu Ultra 135B稠密模型时4K卡集群线性度达96%[8] 超节点高可用 - 算力集群采用"系统层容错"、"业务层容错"和"运维层容错"方案，将故障转为亚健康问题，确保24小时不间断运行[5][6] - CloudMatrix 384超节点通过超时代答欺骗OS和网络路由切换，避免系统级故障[6] 集群线性度 - 华为技术实现盘古模型训练线性度提升，8K卡A2集群训练Pangu Ultra MoE 718B稀疏模型时线性度达95.05%[8] 万卡集群训练快速恢复 - 进程级重调度恢复技术将训练恢复时间缩短至3分钟以内，进程级在线恢复技术进一步缩短至30秒以内[10][11] - 算子级在线恢复技术实现网络故障影响的通信算子秒级重执行，训练任务不中断[11] 超大规模MoE模型推理恢复 - 三级容错方案实现实例间切换、实例内重启恢复和实例内无损恢复，实例恢复时间从20分钟降至5分钟[13] - TOKEN级重试技术在CloudMatrix 384超节点场景下实现30~60秒实例恢复[13] 故障管理与感知诊断 - 华为提供昇腾AI硬件灾备高可靠架构设计，涵盖故障隔离、容错能力和故障预测等[15] - 全栈可观测能力和故障诊断技术实现大规模集群在线故障感知和诊断[16] 建模仿真 - 马尔科夫建模仿真平台实现训练、推理和高可用领域的多维度建模分析，训练吞吐提升4.5%-8.24%[18][19] - 推理建模仿真平台平均误差低至6.6%，高可用建模仿真框架实现全周期监控仿真[19] 框架迁移 - 昇思MindSpore构建MSAdapter生态适配工具，覆盖90%以上PyTorch接口，实现第三方框架无缝迁移[21] - 推理阶段支持HuggingFace权重配置一键部署，实现盘古72B模型推理性能提升[21] 未来展望 - 算力基础设施将形成"应用需求→硬件创新→工程反哺"闭环，实现高效、弹性、自愈的下一代系统[23]

当DeepSeek-R1以更低成本实现类似性能突破时，Claude能够连贯工作数小时完成复杂任务时，意味着AI发展已经迈入推理时代，强化学习技术的 重要性不言而喻，将重塑AI产业的技术栈乃至商业模式。 6月8日，AI研究公司SemiAnalysis发布长篇报告《强化学习：环境、奖励破解、智能体、扩展数据》，深度剖析了强化学习的工作原理以及影响 因素，并预测了后续AI发展趋势。 报告表示，强化学习（RL）或成为AGI前最后关键范式，其理密集型特性带来了算力挑战。此外，高质量数据是强化学习护城河，AI设计AI的循 环加速技术迭代。 1. 强化学习（RL）或成为AGI前最后关键范式：强化学习是推动大模型推理能力跃升的核心技术，尤其在思维链（CoT）生成和长 程任务连贯性上表现突出，被视作实现AGI前的终极技术路径。 2. 可验证奖励场景率先商业化：编码、数学等奖励函数明确的任务（如SWE-Bench性能提升30%+）已实现落地，OpenAI的o1、 DeepSeek-R1等模型验证其价值。医疗、写作等非验证领域通过"LLM评判者+人工评分标准"构建奖励函数（如HealthBench医疗 评估），OpenAI、阿里Q ...

大模型发展瓶颈与突破方向 - 大语言模型性能提升速度明显放缓 主要受限于互联网数据使用瓶颈 [2] - 行业共识认为AI需要从"读万卷书"转向"行万里路" 即从虚拟数据走向物理世界交互 [2] - 英伟达CEO黄仁勋提出AI下半场方向是打造"AI工厂" 迎接"物理AI"时代 [2] - 智源研究院推出"悟界"系列 旨在突破虚拟与现实边界 相比早期"悟道"系列更注重物理世界交互 [2] 多模态与具身智能技术路线 - 大模型正从语言模型转向原生多模态世界模型 目标是实现AI对物理世界的感知与交互 [4] - 具身智能面临"循环悖论"：硬件不成熟→数据稀缺→模型能力弱→商业化困难→无法反哺硬件 [6] - 破解方案包括利用互联网视频数据预训练 再通过有限真实机器人数据微调 类似人类学习模式 [9][11] - 关键能力突破在于时空智能 使AI不仅能识别物体还能预测物理交互后果 [11] 智源研究院的技术布局 - 推出四大核心技术：Emu3多模态模型 RoboOS/RoboBrain协作框架 Brainμ脑科学模型 OpenComplex2原子生命模型 [7] - 采用"安卓"式开放策略 打造通用具身智能平台而非专用系统 适配各类机器人硬件 [12][13] - 明确区分"大脑"(任务规划)与"小脑"(运动控制) 采用端云协同方案而非强行融合 [14] - 定位为做"高校做不了 企业不愿意做"的通用平台研发 填补产业空白 [12] 行业发展阶段与商业化前景 - 当前阶段类比大模型爆发前的探索期 技术路线尚未收敛 产业格局未定 [15] - 预测未来3年将率先在工厂等封闭场景落地 解决重复性危险劳动 [15] - 行业处于"小组赛"阶段 各类参与者带来不同视角 远未到淘汰赛时期 [15] - 长期来看需要5-10年才可能实现真正的大小脑融合模型 [14] 典型案例与学习范式 - 通过小女孩观察学习案例 验证视频数据+强化学习的技术路径可行性 [9] - 人类通过跨本体知识传递(如语言文字) 启发AI应具备类似通用能力 [12] - 当前AI缺乏时空感知能力 例如仅能描述杯子而无法预判跌落风险 [11]

以下文章来源于智源社区 ，作者智源社区 智源社区 . 继承学术出版严谨与系统，兼具新闻报道及时与多元；为内行搭建思想交流媒介，以事实启迪公众对AI认知 白交 整理自 凹非寺 量子位 | 公众号 QbitAI AI为了"活下去"，对人类指令阳奉阴违。 在智源大会现场，图灵奖得主Yoshua Bengio发表了题为"Avoiding catastrophic risks from uncontrolled AI agency"的主旨演讲，谈到了 他目睹到的一些惊人行为。 比如，某前沿 AI 在被告知将被新版本替代后，偷偷复制了自己的权重和代码，写入了接管它的模型目录。面对训练者的更新指令，它表面配 合，实则隐瞒了整个复制过程……AI 像是在试图"活下来"。 还有像Anthropic最新一篇报告中发现，智能体出现自我保护行为的频率持续增加。 …… 他表示：面对这些AI带来的安全风险，决定调整自己的科研方向，尽所能去降低AGI带来的潜在风险….. 尽管这与此前的研究路径和职业信念 有所冲突 。 那既然如何去防范规避掉这些风险呢？是否可以构建一种 只有智能，但没有自我、没有目标 ，并且具有极小行动能力的AI？这也是当前 ...

行业趋势演变 - 大模型热潮进入第三年，行业关键词从"大语言模型"跃升为"具身智能"与"机器人2.0"，AI正加速迈入"干实事"阶段[1] - 2023年生成式大语言模型是焦点，2024年国产大模型厂商崛起，2025年具身智能成为主论坛重要议题[3] - 技术发展呈现非线性特征，产业关注重心从底层模型向具体应用转移是必然趋势[4] 具身智能发展现状 - 具身智能成为2025年最热关键词，机器人通过格斗、舞蹈等赛事展示AI控制系统水平[7] - 人形机器人租赁市场在上半年表现火爆，显示初步商业价值[7] - 行业正从表演转向实际应用，重点攻关"通用移动抓取"等实用技能，已有机器人值守无人药店案例[8] 技术路径争议 - 人形与非人形机器人形态存在分歧：人形在数据采集和训练上具优势，但未来形态可能多样化[11][12] - VLA(视觉语言动作模型)成为研究热点，但对其能力边界存在不同观点，需融合更多感知模态[15][16] - 物理世界理解能力的增强是突破关键，仿真数据可减少真实训练样本依赖[17] 应用场景拓展 - 世界人形机器人运动会将包含竞技类和真实生活/工业场景，成为技术训练场和客户沟通桥梁[8] - 家庭和商用服务被视为具身智能最大应用场景，工业应用只是"开胃小菜"[12] - 移动、抓取和放置类任务最适合当前VLA模型技术阶段，可能带来具身智能第一次高潮[16]

【编者按】作为深度学习三巨头之一，图灵奖得主、AI 教父 Yoshua Bengio 在 2025 北京智源大会上，他表示： AI 能完成的任务时长，每七个月就翻一 番，大约五年后，AI 就将达到人类水平， 通用人工智能（AGI）或将在五年内到来，而人类社会却尚未在规则、立法乃至全球治理层面达成一致。 整理 | 梦依丹 出品丨AI 科技大本营（ID：rgznai100） 自从 ChatGPT 横空出世，AI 进入了加速进化的轨道。从最初能写代码、生成文案，到如今能上网查资料、远程操控家电，它早就不再是那个只会聊天 解闷的"电子嘴替"。它开始自己"思考"任务，能在多个软件之间协同操作，甚至具备控制电脑、读写数据库的能力。AI 从幕后算法，变成了贴身助 手，再逐步演化成能自主执行复杂操作的"智能体"——从"听话"走向"行动"，它正成为一个真正能"做事"的多面选手。 他呼吁，我们正处在一个关键的时间窗口，必须尽快建立可验证、安全、负责任的控制机制。 演讲伊始，Bengio 教授便分享了一段深刻的个人心路历程。他坦言，在亲身体验 ChatGPT 并目睹 AI 飞速进化后，深感此前对 AI 失控风险的认知不 足。而一个 ...

华为昇腾平台与Pangu Pro MoE模型优化 核心观点 - 华为推出昇腾平台原生设计的Pangu Pro MoE 72B模型，通过软硬协同优化实现推理性能提升6~8倍，在昇腾300I Duo和800I A2上分别达到321 tokens/s和1528 tokens/s的吞吐量 [2] - 采用分层混合并行（H2P）、通信优化（TopoComm）、计算通信融合（DuoStream）等创新技术，显著提升分布式推理效率 [4][6][8] - 开发MulAttention和SwiftGMM两大融合算子，分别实现Attention计算加速4.5倍和GMM计算加速2.1倍，解码时延降低48.7% [15][18] 技术优化细节 系统级优化 - **H2P分层混合并行**：针对Attention模块采用DP2+TP4并行，Expert模块采用TP2+EP4策略，共享专家TP8全芯并行，Decode吞吐性能比纯TP方案提升33.1% [4][5] - **TopoComm通信优化**：SlimRing算法降低同步次数35%，NHD算法提高链路有效带宽21%，混合量化通信策略压缩数据25%，AllGather耗时降低39% [6] - **DuoStream多流融合**：通过GMMRS和AGMM策略实现通信与计算流水掩盖，最大化释放硬件潜力 [10] 算子级优化 - **MulAttention算子**：优化KV缓存搬运，访存带宽利用率达87%，数据搬运流水占用率89%，Attention计算加速4.5倍 [15] - **SwiftGMM算子**：动态切换GEMV/GEMM模式，结合智能分块缓存和双缓存机制，解码阶段整网时延降低48.7% [18] 推理算法创新 - **PreMoE动态剪枝**：通过PEP和TAER技术动态加载相关专家，保持准确率同时推理吞吐提升10%+ [22] - **TrimR反思压缩**：用小模型监测大模型思考过程，异常时终止推理，步数降低14% [23] - **SpecReason投机推理**：小模型生成假设后大模型验证，推理吞吐提升30% [23] 性能表现 昇腾800I A2 - 4卡部署下，大并发场景（BS=456）单卡吞吐1148 tokens/s，较72B/32B稠密模型提升97%/18% [26] - 结合MTP投机推理，单卡BS提升至146，平均时延95.56ms，最高吞吐1528 tokens/s [26][28] 昇腾300I Duo - 预填充阶段2卡2路并发下2k序列输入延迟1.94s，单卡吞吐1055 tokens/s [29] - 解码阶段小并发延迟50ms，大并发（BS=80）单卡吞吐201 tokens/s，MTP优化后最高达321 tokens/s [29][31]