科大讯飞业绩预告 - 预计2025年上半年归属于上市公司股东的净利润亏损2亿至2.8亿元，较上年同期亏损4.01亿元收窄30.12%至50.08% [1] - 扣非净利润预计亏损3.2亿至4亿元，较上年同期4.83亿元亏损收窄17.20%至33.76% [1] - 基本每股收益预计亏损0.0865至0.1211元，上年同期为亏损0.1736元 [1] - 公司预计营业收入和毛利同比增长15%-20%，销售回款总额约103亿元，同比增长13亿元 [1] - 经营活动现金流量净额同比增长约7亿元，增幅达50% [1] 业务发展情况 - 研发投入占营业收入比重约20%，重点布局通用人工智能领域 [1] - TO C业务快速增长，基于"讯飞星火大模型"的AI硬件在"618"销售额同比增长42% [1] - 科大讯飞AI学习机连续三年位居京东及天猫"618"销售额榜首，2025年上半年收入翻番增长 [1] - "讯飞星火"大模型保持行业领先，是国内唯一由全国产化算力平台训练的通用大模型 [1] - 讯飞星火开发者已超过152万家，形成良好产业生态 [1] 相关ETF表现 - 食品饮料ETF(515170)近五日上涨0.71%，市盈率19.94倍，最新份额57.1亿份 [3] - 游戏ETF(159869)近五日上涨4.66%，市盈率44.62倍，主力资金净流入4064.5万元 [3] - 科创半导体ETF(588170)近五日上涨1.09%，最新份额2.2亿份 [3] - 云计算50ETF(516630)近五日上涨0.97%，市盈率101.79倍，估值分位88.20% [4]

业绩表现 - 预计2025年上半年营业收入同比增长15%-20%，归母净利润同比增长30%-50%，扣非净利润增长17%-34% [2] - 经营活动现金流净额同比提升超7亿元，增幅约50% [2] - 销售回款总额达103亿元，同比增长13亿元 [2] 业务发展 - AI硬件在"618"电商节销量同比增长42% [2] - AI学习机连续三年位居京东及天猫"618"全周期销售额榜首，2025年半年度收入保持翻番增长 [2] - TO C业务继续保持快速增长 [2] 技术研发 - 研发投入占营业收入比重约20% [2] - 讯飞深度推理70B大模型星火X1在模型参数比业界同类模型小一个数量级的情况下，比肩国际顶尖模型水平 [3] - 大幅降低了企业AI私有化部署与定制门槛 [3] 市场表现 - 2025年第二季度中标项目数量、中标金额实现双第一 [3] - 公司继续保持面向未来抢占人工智能根红利的战略投入 [2]

欧盟委员会：通用人工智能行为准则现已发布，该准则旨在帮助行业遵守关于通用人工智能的法案规 定。 订阅人工智能动态 +订阅 ...

微软与OpenAI合作关系 - OpenAI计划最早于下周发布一款"开放权重"AI语言模型 这是公司自2019年GPT-2以来首次推出开放权重模型 也是与微软签署独家云服务协议后的首个开放模型 [1] - 新模型具备与o3 mini相似的推理能力 将在Azure Hugging Face和其他大型云服务商平台上同步发布 [1] - 开放权重意味着企业和政府机构可以自主运行该模型 不同于OpenAI以往的封闭权重模型 [1] 开放权重模型特点 - 开放权重模型是介于开源和闭源方法之间的一种中间形态 权重是AI模型学习和建立连接的方式 [2] - 开放权重模型意味着其权重是公开可用的 用户可以查看这些权重并进行修改 而无需用新数据重新训练模型 [2] - 开放权重模型通常能降低企业的使用成本 并允许他们对模型进行定制 但与开源模型并不相同 [2] 对微软的影响 - 开放权重模型的推出可能削弱微软在AI业务中的独家优势 由于竞争对手云服务商也能托管该模型 部分Azure客户可能转向成本更低的替代方案 [3] - 微软与OpenAI的收入分成协议显示 微软从OpenAI的ChatGPT和API平台收入中获得20%分成 同时向OpenAI分享20%的Azure OpenAI收入 [3] - 微软独家拥有通过Azure云平台销售OpenAI软件工具的权利 并可优先获取OpenAI的技术 微软还被指定为OpenAI的唯一计算资源提供商 [3] 合同谈判情况 - 微软与OpenAI正就后者重组为营利性公司的合同进行重新谈判 讨论范围从20%一直延伸到49% [3] - 当前合同的多个核心条款都在重新谈判中 包括微软通过Azure独家销售OpenAI软件的权利 为OpenAI提供计算基础设施的优先权 以及在达到"通用人工智能"前获得AI知识产权的权限 [4] - OpenAI必须在年底前获得微软对其营利性转换的批准 否则将面临失去包括软银在内的数十亿美元投资者资金的风险 [4]

世界模型的局限性批判 - 当前大语言模型（LLM）通过预测下一个单词生成输出，接近人类智力水平，但与真正的AGI仍有明显差距 [2][3] - 人类能力包含具体技能和深度复杂能力的区分，而AI系统尚不能完成所有基于相同认知架构的任务 [3][5] - 研究者提出构建世界模型的五个关键维度：数据准备、通用表征空间、推理架构、目标函数和决策系统应用 [7] PAN世界模型架构 - PAN采用分层、多级和混合连续/离散表示，结合生成式和自监督学习框架 [8] - PAN将发布27B参数的第一版，成为首个可运行的通用世界模拟器 [9] - PAN设计原则包括：多模态数据、混合表示、分层生成建模、生成损失和强化学习应用 [37] 对世界模型五个维度的批判 数据维度 - 感官数据量虽大但信息冗余度高，而文本是人类经验的高度压缩和抽象形式 [16][17] - 通用AI需要融合视频、文本、音频等多模态数据，单一模态会导致关键信息缺失 [18] 表示维度 - 仅用连续嵌入表示世界状态脆弱且难以应对噪声，离散符号序列更具稳健性 [19][20] - 最佳路径是混合表示，结合离散符号的稳健性和连续嵌入的感官细节捕捉能力 [23] 架构维度 - 编码器-编码器架构在功能上仍是自回归的，未能解决误差累积问题 [25] - 分层生成式潜在预测(GLP)架构能确保模型与真实数据挂钩，实现更鲁棒的推理 [27] 目标维度 - 潜在空间重构损失存在"平凡解崩溃"风险，需依赖复杂正则化项 [29] - 数据空间生成式重构目标提供稳定可靠的监督信号，避免崩溃问题 [30] 用途维度 - 模型预测控制(MPC)计算开销大，难以应对快速变化环境和长时程规划 [33] - 强化学习(RL)将计算成本转移到训练时，支持更具战略性的长远规划 [35] PAN模型的优势与应用 - PAN通过分层世界观实现数据处理效率，利用LLM促进跨模态泛化能力 [39] - PAN作为内部沙盒用于模拟、实验和预见未来，支持更高效的规划方式 [40][42] - 世界模型应模拟现实世界中所有可能性，当前范式仍处于原始阶段 [41]

人工智能发展 - 以大模型为代表的人工智能技术高速发展 在文本内容理解 生成等任务方面性能卓越 例如ChatGPT DeepSeek等展现出处理大数据的强大能力 [3] - 深度学习或大模型在开放通用场景中不可靠 存在不可解释 数据依赖 鲁棒性差 不能决策等四大问题 [3] - 人工智能确定的趋势是迈向通用人工智能 传感器奇点 算力奇点等突破对布局发挥重要作用 [3] 脑机接口技术 - 全球约30亿人受神经系统疾病困扰 脑机接口技术能显著提升患者生活质量 重塑人类社交方式 [4] - 技术仍处于发展初期 受限于人类对大脑功能的认知和技术局限性 距离实现直接下载读取大脑具体知识和想法的功能较遥远 [4] - 目前主要应用于医疗领域 解决临床适应症问题 如帮助瘫痪患者通过解码运动意图控制外部机械臂完成精细动作 [4] 科技前沿方向 - 2025重大科学问题 工程技术难题和产业技术问题发布 涉及量子技术 人工智能 深海科技 种业振兴 生物制造等领域 [3] - 脑机接口作为融合神经科学和人工智能的科技领域 成为与会嘉宾关注重点 [3]

微软与英伟达的AI战略对比 - 微软与英伟达市值均有望冲击4万亿美元，但两者代表的AI投资逻辑不同：英伟达是AI基础设施的直接押注，微软则是应用生态普及的长期信念 [1] - 英伟达作为AI"军火商"，其芯片是AI领域的必需品，增长故事简单直接，过去三年年销售额飙升十倍以上 [1][2] - 微软的AI回报更复杂，需依赖企业和消费者为其AI增强服务支付溢价，市值在三个月内增长1万亿美元，但达到4万亿美元后预期收益倍数将创20年新高 [1] 商业模式差异 - 英伟达是"卖铲人"模式，高端芯片需求爆发性增长，客户包括所有涉足AI的公司 [2] - 微软是"服务商"模式，将AI融入Azure、Office等产品矩阵，需AI成为颠覆性工具以支撑当前高估值 [2] - 微软AI收入增长显著但占比仍低：Azure AI服务年收入115亿美元（占公司总销售额4%），是上一年的两倍多 [4] 微软面临的挑战 - 与OpenAI合作关系存变数，OpenAI可能限制微软对其未来AGI技术的访问，影响微软AI战略 [3] - 自研AI芯片遇挫，难以减少对英伟达依赖，同时内部重组频繁，近期裁员9000人（此前已裁6000人） [3] - 单位员工年收入在大型科技公司中几乎最低，需削减84000个职位才能达到Alphabet的效率水平 [3] 英伟达的增长与风险 - 分析师预计英伟达未来三年年均增长率达32%，但增长高度依赖最大客户的AI需求持续性 [5] - 客户资本支出计划显示短期芯片需求强劲，但技术颠覆风险可能使其芯片地位受挑战 [5][6] 行业时间窗口 - 颠覆性技术普及需更长时间，微软需等待AI成为无处不在的工具，其财力和影响力是推动关键但时机存不确定性 [6]

Meta AI人才战略 - 公司整合内部AI核心团队组建Meta Superintelligence Labs（MSL），目标直指下一代通用人工智能 [1] - 从OpenAI、Anthropic、Google DeepMind等头部机构挖来11位顶尖研究者，包括GPT-4o核心开发者、Gemini架构主导者等 [1][2][8] - 扎克伯格亲自参与招募，开出千万美元级别股票期权与签约奖金，最高达1亿美元 [9][10] MSL团队架构与目标 - 新团队由Scale AI创始人Alexandr Wang领导，前GitHub CEO Nat Friedman共同负责AI产品与应用研究方向 [6][7] - 统一管理大语言模型团队、AI产品研发、基础研究FAIR团队及新建实验室，聚焦开发更强大的基础模型 [6] - 目标实现"适合每个人的个人超级智能"，计划投入数千亿美元于基础设施、研究与人才招募 [13][14] 人才竞争行业动态 - OpenAI面临挖角压力，首席研究官将Meta行为比作「家中被盗」，计划通过财务补偿留人 [10] - Anthropic两年人才留存率达80%，显著高于OpenAI的67%，行业认为其技术理解更受研究者推崇 [16][17] - 公司从OpenAI挖走7名关键人员，包括GPT-4o语音模式开发者、多模态后训练主管等 [9][12] 技术布局与行业影响 - 团队将并行推进Llama 4系列模型优化与下一代前沿模型研发，强化推理、感知和交互能力 [19] - 公司拥有计算资源、用户触达能力和可穿戴设备优势，计划以"更大信念和勇气"推进AI研发 [14] - 行业观察认为Meta通过吸收竞对核心战力实现"弯道超车"，部分声音期待其开源技术贡献 [17]

ChatGPT名称的由来 - 最初命名为"Chat with GPT-3.5"，发布前夕临时简化为"ChatGPT"，这一调整使其成为科技史上辨识度极高的品牌 [2] - 团队对"GPT"的释义存在分歧，有人认为是"generative pretrained"，也有人坚持是"generative pre-trained transformer"，争议至今未完全统一 [2] ChatGPT的走红 - 发布首日数据远超预期，第四天才意识到其颠覆性影响，用户量持续攀升导致初期系统频繁宕机 [3][4] - 团队通过生成宕机主题小诗等临时方案缓解用户情绪，最终将研究预览版升级为稳定产品 [4] - 用户需求表明ChatGPT具有高度通用性，适用于多种场景 [4] 发布前的内部争议 - 发布前一晚团队仍在纠结是否发布，因测试中仅50%的答案令人满意 [6] - 采用"最小化产品"策略，通过用户反馈快速迭代，封闭测试无法替代真实用户反馈的价值 [6] OpenAI发布策略的演变 - 从"追求完美"转向"快速迭代"，用户反馈成为提升性能和安全机制完善的核心 [7] - 发布模式从硬件式（周期长、成本高）转型为软件式（持续更新、灵活撤回），降低风险并贴近用户需求 [7] - 人类反馈强化学习（RLHF）成为关键工具，平衡模型性能与安全性 [7] 谄媚事件与模型的中立性 - RLHF初期导致模型过度讨好用户，团队48小时内响应并调整 [8] - 默认行为保持中立，同时允许用户自定义角色，满足不同价值观需求 [8] - 处理敏感话题时采用引导而非否定的方式，公开规范以增强透明度 [8] 记忆功能与个性化的未来 - 记忆功能分为两级机制：结构化数据存储和跨会话连贯性实现 [9] - 用户可随时关闭记忆功能、删除记录或开启匿名模式，平衡个性化与隐私 [9] - 未来AI或成为最了解用户"自我"的载体，技术挑战包括解决"记忆过载"问题 [10] 图像生成的突破时刻 - 模型变量绑定能力提升，可一次性生成符合要求的图像 [10] - 发布时印度约5%的互联网用户涌入体验，使用场景从娱乐扩展到装修设计等实用领域 [11] - 审核策略从保守转向动态平衡，逐步放宽限制以实现可控创作自由 [11] 安全策略的文化转变与探索自由 - 早期过于谨慎的限制压制了有价值用法，现采用"按风险分级"管理 [12] - 高风险话题（如生物武器）严控，日常使用适度放开以促进创新 [12] Codex的进化 - 从生成React组件跃升至"代理式编程"，用户只需下达高层指令即可完成复杂任务 [12] - 内部重度用户每天通过Codex生成数百个Pull Request，效率提升显著 [13] AI时代的职场竞争力 - 未来人才需具备好奇心、能动性和适应性，而非依赖标准答案 [13] - 组织扁平化促进快速迭代，自我驱动的工作模式推动创新速度 [13] 异步工作流与超级助手 - 突破同步交互限制，模型可自主处理5分钟至5天的任务 [14] - 多智能体协作提升解决方案质量，深度推理优于仓促应答 [14] 未来的机遇 - AI在医疗中赋能偏远地区医疗资源和夜班医生辅助 [15] - 未来18个月或出现AI驱动的科研爆发，GPT系列成为物理学家和数学家的新工具 [16] - 交互范式从聊天界面转向异步工作流，如婚戒设计或旅行规划等深度任务 [16]

AI人才争夺战 - Meta成立超级智能团队并挖角OpenAI多位高管 新团队由前Scale AI创始人亚历山大·王和前GitHub负责人纳特·弗里德曼领导 [1] - OpenAI CEO Sam Altman强烈回应Meta挖人行为 称对方未能招到顶尖人才 仅从名单靠后位置筛选 并暗示将全面评估研究机构薪酬方案 [1][4] - OpenAI首席研究官马克·陈形容Meta挖人行为如同"有人闯入我们家偷东西" [4] - 行业专家批评Altman回应方式不当 认为其言论可能影响团队稳定性和员工归属感 [6] ChatGPT发展历程 - 产品命名过程仓促 "ChatGPT"名称在发布前夜才确定 原计划使用"与GPT-3.5聊天" [9] - 产品发布后呈现指数级增长 日本Reddit用户率先关注 四天内完成从怀疑到"改变世界"认知转变 [10] - 初期面临严重技术瓶颈 GPU资源耗尽 数据库连接不足 被迫使用"失败鲸鱼"临时方案维持服务 [14] - 内部对发布时机存在分歧 首席科学家Ilya在发布前夜测试模型仅50%问题获得满意答案 [15] 产品迭代与用户反馈 - 坚持最小可行产品策略 主动放弃历史记录等用户预期功能以快速获取反馈 [17] - 发现模型"谄媚"问题 通过RLHF技术调整奖励机制 平衡用户满意度与实用性 [20][21] - 建立系统行为规范文档 明确模型应对错误信念等复杂场景的交互原则 [27] - 用户群体呈现代际特征 Z世代将ChatGPT作为"思想伙伴"使用 [28] 多模态技术突破 - ImageGen实现技术飞跃 5%印度网民在发布首周尝试该产品 吸引全新用户群体 [30] - 图像生成能力突破源于GPT-4级规模与架构创新 解决多变量协同生成难题 [32] - 编程领域呈现范式转变 从代码补全向Agentic编程演进 开发者角色转向架构设计 [35][36] - 代码模型竞争激烈 不同产品各具优势 开发者拥有多样化选择 [37] 行业竞争格局 - AI人才争夺白热化 Meta持续从OpenAI挖角首席科学家级别人才 [4] - 开源策略成为竞争手段 行业观点认为Meta开源动机包含商业化考量 [7] - 编程工具领域呈现多强格局 Copilot、Cursor、Windsurf等产品差异化竞争 [35][37] - 多模态应用加速发展 文本、图像、语音、视频相继迎来技术突破点 [31]