行业趋势 - 电视大屏强势回归 全国有线缴费用户8年来首次实现正增长 结束连续7年下滑局面 [2] - 2024年10月起中国电视机市场出货量连续6个月增长 其中迷你LED电视机零售量暴增300% [2] - 微短剧市场规模2024年突破500亿元 首次超越电影票房 备案2653部超8万集 发行许可602部14430集同比增19.9%和26.7% [2] 市场格局 - 微短剧成为出海第一主力 2022-2024年通过App输入欧美市场收益达4.9亿美元 [3] - 长剧仍为市场主体但面临微短剧冲击 二者差异体现在产业形态(制作周期/资金投入/观看时长)和内容形态 [4] - 行业建议长剧与微短剧优势互补 长剧需强化题材深度 微短剧需提升内容质量避免肤浅流俗 [4][5] 技术驱动 - 生成式人工智能对行业创新产生重大影响 总局将提供资金扶持新技术应用孵化 [5] - 人工智能已深度融入影视全产业链 涵盖剧本评估/多模态创作/多语言翻译等环节 [7] - 行业急需艺术与技术融合的新型人才 传统工作人员需掌握技术应用能力以应对科技驱动挑战 [7] 内容创作 - 现实/革命/历史/科幻题材被列为重点创作方向 需结合新技术应用 [5] - 爱奇艺案例《我的阿勒泰》通过个体叙事规避价值观冲突 以情感普适性实现破圈 [6] - 注意力稀缺时代需强化叙事张力 作品应提供情感共鸣与精神滋养以降低弃剧率 [6] 国际化挑战 - 微短剧出海面临文化合规风险 印度市场出现因文化伦理冒犯导致的负面反馈案例 [3] - 跨文化创作需从源头改造 避免简单翻译 需预先研究目标市场文化禁忌 [3] - 逆全球化背景下需创新叙事方式 应对算法偏见和信息茧房对文化共识的割裂 [6]

深圳商报首席记者彭琰 第三个方面聚焦AI在教育方面的应用：AI既能帮忙写作业，也能帮忙批改作业，当知识和技能"一键生 成"，对老师、学生是好事吗？如何给聪明的技术立规矩来避免教育上的滥用？如何守住教育"以人文 本"的温度？ 市政协文化文史委主任尹昌龙以围棋学习推广为例，指出AI的应用给人的学习能力带来巨大挫败 感，"学而时习之，不亦说乎"的快乐也随之丧失。他把AI比作仆人，如果青少年懒于学习凡事依赖于AI 去完成，最后的结果是青少年心智成长发育迟缓直到废掉，因此要警惕AI在教育领域的使用边界。 围绕生成式人工智能生成内容和图像对传统的内容生产管理构成的挑战，深圳市政协文化文史委近日 以"生成式人工智能发展与管理"为主题开展深聊会，邀请来自文学创作、法律、金融、企业、高校等领 域的专家学者，聚焦完善相关法律法规、政策制度、应用规范、伦理准则、技术监测、风险预警等方面 热点问题，为深圳人工智能安全、可靠、可控的发展进行前瞻性的思考。 第一个方面聚焦在知识产权：AI生成内容到底算不算"作品"？作品被当成免费"饲料"投喂给AI，版权该 怎么保护？AI生成内容版权归谁？ 深圳报业集团法务部主任、市版权协会副会长申应东委 ...

在今年的SXSW大会上，沃顿商学院的Stefano Puntoni与谷歌首席测量策略师Neil Hoyne就生成式人工智能对职场和生活的影响展开了讨论。 在这场炉边会谈中，他们还对生成式人工智能如何改变工作，以及职场人的价值主张方面发表了看法。以下是他们的主要观点： "当人工智能无处不在，并且声称无所不能时，就很难分辨它的边界在哪里了。" —— Neil Hoyne 从本质上讲，人工智能就是进行预测——无论是预测消费者行为、生成文本，甚至是创作音乐。但随着人工智能成为商业领域的热门词汇，公司越来越多 地将其用作品牌宣传工具，而不是真正的技术差异化因素。企业需要以对自身运营有实际意义的方式来部署人工智能。 03.人机协作，而非人机对抗 "我们天生不太擅长的事情，人工智能却非常擅长。而人工智能无法做到的事情，正是能给我们带来更多意义和乐趣的事情。" —— Puntoni "研究似乎表明，如果人们将某项任务视为工作中功利性的一部分，而不一定是与自身身份认同相关的部分，那么他们对于这项任务实现自动化是可以接 受的，也不会感到那么大的威胁。" —— Hoyne 01.AI正在重塑工作，而非取代工作 "采用生成式人工智能 ...

数字化转型成功的关键因素 - 在80%数字化转型失败的大环境下，可口可乐欧亚及中东业务区通过摒弃技术优先思维，聚焦业务基础要素实现成功 [1] - 成功策略基于四大支柱：明确业务目标、严格KPI、结构化治理模式、动态调整能力 [1] - 经验证明传统商业基础要素（目标驱动、指标衡量、领导力、灵活性）比技术部署更关键 [12][13] 明确的业务目标 - 将客户互动列为优先事项，聚焦消费者/零售商/装瓶商三类群体 [2] - 通过整合零散消费者数据、部署冷藏柜信标和AI服务提升零售电商能力 [2] - 数字化举措需与业务目标高度一致，避免分散投入 [2][7] 可衡量的关键绩效指标 - 跟踪30多项KPI，近半数聚焦客户互动指标（如APP使用率、个性化推荐） [4] - KPI设计三大特征：可量化（交易量/收入/活跃用户）、预先设定、高频监测（月度/双周） [10] - 新增生成式AI销售额指标，通过AI销售助手提升零售商下单效率 [8] 结构化治理模式 - 领导层每季度审查项目，终止低效举措，确保资源聚焦核心目标 [7] - 数字加速办公室协调市场/销售/技术等多部门，保持6年稳定领导力 [7] - 年度规划会议明确数字化优先级，研讨会制定配套KPI [7] 适应性发展能力 - 在2024年中东冲突/土耳其通胀压力下坚持原有KPI体系 [8] - 动态更新数据源（如天气/竞品趋势）并改进衡量技术 [9] - 需具备精通业务-数据-技术的复合型团队 [9]

核心观点 - 中央网信办在全国范围内开展为期3个月的"清朗·整治AI技术滥用"专项行动，旨在规范AI服务和应用，促进行业健康有序发展，保障公民合法权益 [1] - 专项行动分为两个阶段：第一阶段强化AI技术源头治理，第二阶段聚焦利用AI技术制作发布谣言、不实信息等突出问题 [1] 第一阶段重点整治问题 - 违规AI产品：未履行大模型备案或登记程序，提供违背法律、伦理的功能，未经授权克隆、编辑他人生物特征信息 [2] - 传授、售卖违规AI产品教程和商品：包括伪造换脸视频、换声音频教程，售卖"语音合成器""换脸工具"等商品 [2] - 训练语料管理不严：使用侵犯他人权益的信息，使用虚假、无效、不实内容，未建立训练语料管理机制 [2] - 安全管理措施薄弱：未建立内容审核、意图识别等安全措施，未有效管理违规账号，未定期开展安全自评估 [2] - 未落实内容标识要求：未对深度合成内容添加隐式、显式内容标识，未提示显式内容标识功能 [2] - 重点领域安全风险：已备案AI产品在医疗、金融、未成年人等领域未设置安全审核措施，出现"AI开处方""诱导投资"等问题 [3]

Apple Intelligence与Siri发展现状 - 苹果通过Apple Intelligence加入AI竞争 但核心功能"个性化Siri"面临延迟 可能推迟至2027年iOS 20发布[1] - 公司确认新版Siri将延期至"明年内"上线 但未提供具体时间表[3] - Siri团队主管承认关键功能延迟"丑陋且令人尴尬" 过早宣传未完成技术加剧问题[3] Siri功能实现与用户期待 - 当前iOS 18的Siri智能功能主要依赖ChatGPT实现 典型场景需主动询问用户是否调用ChatGPT[3] - 用户期待Siri具备独立处理复杂问题和创造性互动的能力 而非依赖外部AI支持[5] - 公司设想未来Siri能通过自然对话处理跨应用操作 但消费者对手机AI价值认知存在两极分化[5] 苹果的AI战略转变 - 公司一反"Not first but best"传统策略 在生成式AI领域罕见采取激进推进姿态[8] - 对比2019年对5G技术的保守态度 公司认为AI是改变手机行业规则的核心技术[10] - 追赶竞争对手进度是提前推出未成熟Siri的主因 但"Fake it until make it"策略此次未奏效[12] Siri开发的技术挑战 - 多语言支持导致自然语言理解工程量大 对话自然性改进需耗时开发[14] - 对第三方应用控制过严导致适配进展缓慢 大型开发者配合度低 小团队资源不足[14] - 隐私保护政策限制数据使用 使个性化功能开发陷入困境 端侧算力和模型能力不足[16][18] 产品展示与市场反响 - WWDC24展示的Siri功能仅为"半成品原型" 未达成熟标准引发口碑反噬[8] - 公司希望AI成为iPhone购买动机 但当前AI功能被部分消费者认为无实质价值[7] - 典型功能如查询亲属航班需多重隐私数据访问 与公司隐私原则形成根本冲突[16]

高质量发展需求 - 文化强国建设中美术事业是重要组成部分，青年人才作为艺术创新的生力军需从国家战略与艺术规律双重维度培养 [2] - 高校是主要人才培养阵地，九大美术院校在传统学科与新兴领域并进、国际化与本土化结合方面具有代表性 [2] - 传统美术领域需年轻学子深研笔墨精髓，新兴领域急需复合型人才实现中华美学精神与数字技术融合 [2] 学科与就业结构 - 2024年九大美院新兴学科报考占比61.4%，同比上升4.2% [3] - 首届中国数字艺术大展中87.6%青年参展者使用生成式AI技术，32.4%作品实现跨媒介交互 [3] - 2023届毕业生东部就业占比68.4%，西部仅12.5%，数字艺术岗位需求缺口达28% [3] 青年群体发展特征 - 近5年中国美协新增国家级会员中青年占比39.46%，"代表作评审制"入会者创新指数显著高于传统积分制 [4] - 新文艺群体在中国美协会员占比从12.08%提升至19.87%，呈现规模化、网络化特征但面临职称评定难等问题 [4] - 青年创作从"个体表达"转向"家国情怀"，跨学科融合从技术应用升华为场景重构 [5] 人才培养机制 - 中国文联青年文艺创作扶持计划累计立项478项，投入5900万元，新文艺群体项目占比45% [7] - 全国青年美展超60%参展者晋升省级美协会员或高校教师，"新时代青年美术人才培养计划"已实施5个专项 [8] - 中国美协拟建立青年工作委员会和人才库，构建"展览+论坛+孵化+传播"立体平台 [8]

人工智能发展历程 - 人工智能概念可追溯至1950年图灵提出的"图灵测试"，奠定了理论基础 [2] - 大众广泛接触人工智能以2022年11月ChatGPT发布为分水岭，至今仅两年多发展历程 [2] - 大模型时代标志着人工智能进入新阶段，通用人工智能是高阶阶段的标志 [4] 人工智能在工业领域的应用现状 - 人工智能在工业领域应用正由单点突破向系统集成发展，目标是与更多工业系统深度融合 [5] - 当前工业领域呈现大小模型并存局面，小模型处理结构化数据与精确预测，大模型处理复杂非结构化数据 [5] - 人工智能在汽车制造业等智能制造基础扎实的领域表现最佳，成熟度较高 [6] - 大模型在工业领域主流应用集中于智能客服、业务管理等边缘性建议，高阶自动化应用尚在探索 [8] 人工智能赋能制造业的目标 - 提升效率，如排产调度优化 [9] - 改进质检，通过视觉神经网络等技术提高检测效率 [9] - 降低成本，这是工业赋能的核心命题 [9] - 创新驱动，生成式大模型在产品设计、工艺优化等方面提供新思路 [9] - 决策优化，为企业管理层提供更科学、及时的决策支持 [9] 人工智能在工业领域落地的挑战 - 工业场景细分程度高，通用解决方案难以实现，智能体无法充分控制风险 [9] - 工业数据分散于不同系统，格式与标准缺乏统一性，整合难度大 [10] - 定制化人工智能解决方案成本高，投入产出比低，难以形成商业闭环 [10] - 数据治理是主要障碍，涉及数据获取、整合、处理、安全应用及权属界定 [11] - 大模型算法与工业逻辑存在冲突，工业追求决策过程可解释性、可控性和可追溯性 [13] - 生成式大模型无法满足工业级"四个九"或"五个九"的可靠性要求 [13] 人工智能与工业企业的双向对接问题 - 人工智能技术人员缺乏工业领域实践经验，工业专业人员对AI技术理解有限 [15] - 项目制、定制化合作方式制约大模型在工业领域的泛化应用 [15] - AI技术在工业领域价值变现面临不确定性，缺乏成熟商业模式 [17] 人工智能赋能新型工业化的推进策略 - 初级阶段优先在封闭场景采用小模型，开放场景试用大模型 [19] - 进阶阶段构建大小模型协同赋能体系，探索人工智能能力边界 [20] - 高阶阶段目标实现高度智能的"通用智能制造"，通过MOE架构串联大小模型 [21][22] - 工业模型培养需分阶段推进，初阶段优化提示工程，进阶阶段赋予检索增强能力，高阶阶段预训练原生工业大模型 [24] 算力与数据配套发展 - 初阶阶段政府打造区域算力中心，规划城市级算力网络 [24] - 进阶阶段建设高性能算力集群，加速部署市级算力网络 [25] - 高阶阶段扩容升级算力集群，构建核心算力枢纽 [25] - 需汇集各行业结构化与非结构化数据，形成闭环数据飞轮 [26] - 优先在数据基础好、数字化水平高的行业开展试点示范 [26] 企业协同与产业链优势 - 龙头企业应发挥引领示范作用，聚焦行业共性需求 [26] - 中小微企业聚焦场景迭代，参与大模型数据迭代 [27] - 中国拥有完整产业链体系和丰富工业场景，持续迭代数据是未来竞争关键 [27]

核心观点 - DeepSeek的成功证明小规模专注团队可通过效率突破挑战行业巨头，打破"只有大公司才能推动AI前沿"的固有认知 [1] - AI发展需降低总体拥有成本(TCO)，否则将面临硬件短缺或开发者难以有效利用现有资源的瓶颈 [2] - CUDA平台是NVIDIA构建的庞大分层生态系统，包含编程模型、库和优化，而非单一技术 [6][26] - AI行业面临的关键问题是技术锁定和生态碎片化，替代方案难以突破CUDA主导地位 [69][70] CUDA平台分析 定义与组成 - CUDA包含三层结构：底层并行编程模型(类似C++语法)、中间件库(cuDNN等)、高级解决方案(TensorRT-LLM) [8] - 实际是涵盖驱动程序、语言、库和框架的多层生态系统，类似Java生态系统或操作系统 [26][28] - 核心组件包括：庞大代码库(数十年优化)、工具生态系统(cuDNN/TensorRT)、硬件优化性能、专有闭源特性 [30] 发展历程 - 从图形处理器演进而来，2001年GeForce引入可编程着色器开启通用计算可能 [9] - 2006年推出首个通用GPU编程平台，通过CUDA语言和驱动程序暴露GPU底层特性 [11][12] - 通过高层库(cuDNN等)降低使用门槛，支撑TensorFlow/PyTorch等框架崛起 [18][20] - 垂直解决方案(TensorRT等)进一步抽象复杂性，推动GenAI应用爆发 [22][25] 成功因素 - 统一产品线战略：游戏GPU到数据中心加速器的无缝扩展，降低开发者准入门槛 [31][33] - 抓住AI浪潮：优化cuDNN等库与PyTorch/TensorFlow深度整合，形成硬件-软件协同设计 [34][35] - 生成式AI爆发：ChatGPT推动计算需求激增，行业被迫针对CUDA优化 [38][39] - 自我强化循环：用户基础吸引更多研究投入，新硬件发布需重写软件加深依赖 [42][44] 行业挑战与替代方案 CUDA局限性 - 版本管理复杂：工具包/驱动/框架兼容性问题频发，故障排查成本高 [47][50] - 性能可移植性差：新旧硬件代际间需重写代码，无法充分发挥新架构性能 [17][65] - 语言不匹配：CUDA基于C++而AI开发主要用Python，增加开发障碍 [56][57] - 供应商锁定：无法在其他硬件运行，跨平台开发需维护多套代码路径 [59] 替代方案失败原因 - OpenCL：委员会决策缓慢、技术碎片化、缺乏张量核心支持导致性能落后 [71][76][81] - TVM：难以实现现代硬件最佳性能，商业利益导致代码分支碎片化 [100][101] - XLA：谷歌内部TPU优先，GPU支持不足，技术设计无法适应GenAI需求 [106][109][111] - 共同问题：缺乏参考实现、发展速度慢、性能不达预期、生态建设不足 [85] 未来发展方向 - 硬件创新加速：AMD/Intel等厂商持续投入，但需解决软件生态短板 [69] - 编译器技术演进：MLIR等框架试图解决跨平台问题，但尚未形成统一标准 [86] - 效率突破关键：如DeepSeek直接操作PTX层，探索绕过CUDA的新路径 [41][53] - 行业协作需求：避免重复建设，建立开放社区推动标准化 [85]

文章核心观点 业内人士建议加强跨领域融合合作推动数字经济人才培养创新发展，为数字中国建设提供智力与人才保障 [1] 各方建议 - 国家数据局将持续推动数据人才体系建设，打造多方协同、学用贯通、场景驱动的良好生态 [1] - 高校要探索“AI + 教育”新模式，构建面向未来的数字人才培养体系，培养复合型高素质人才 [1] - 联合高校、企业打造“数字人才共生体”，促进教师与企业专家双向赋能流动，实现价值循环 [1] - 着力培养复合型数字人才，助力我国在全球数字经济浪潮中抢占先机、提升国际竞争力 [2] 数字领军人才能力要求 - 数字领军人才要做洞察时代脉搏的“瞭望者”、优化资源配置的“战略设计师”，具备“技术产业化操盘手”等能力 [2]