自动驾驶行业现状 - 多家自动驾驶公司面临营收压力，开始裁员或将研发人员转岗至销售一线[2][3] - 部分公司对入职不足1年的校招生也采取了裁员措施[2] - 行业普遍存在"输出一线"策略，即将研发人员转岗销售，这被视为变相裁员手段[3] - 下半年新车集中发布，若销量不及预期可能引发新一轮裁员潮[4] 行业人才发展建议 - 被裁人员应专注技术积累期，避免急于求职造成心理压力[6] - 建议利用空窗期学习新技术栈，关注市场需求旺盛的岗位方向[6] - 转岗销售一线的技术人员建议骑驴找马，利用在职时间准备跳槽[7] - 行业提供内推渠道帮助技术人员对接合适岗位[7] 自动驾驶技术前沿 - 视觉大语言模型领域涌现多篇CVPR 2024论文，涵盖预训练、迁移学习等方向[15][16] - 世界模型在自动驾驶中的应用成为研究热点，2024-2025年有多篇相关论文发表[33][34] - 扩散模型在自动驾驶视频生成、3D视觉等领域应用广泛，已有20+篇综述论文[36][38] - 端到端自动驾驶成为主流研究方向，两大GitHub仓库汇总了最新研究成果[43][46] 自动驾驶数据集 - 视觉语言预训练数据集规模从1M到12B不等，涵盖多语言场景[19] - 自动驾驶专用数据集包括KITTI、Cityscapes、nuScenes等，涵盖2D/3D目标检测等任务[25] - 语言增强的自动驾驶数据集聚焦视觉-语言导航、车辆检索等新兴方向[26] - 评估数据集覆盖图像分类、目标检测、语义分割等多项任务[20][23][24] 技术应用领域 - 智能交通领域主要研究语言引导的车辆检索和视觉问答系统[27] - 自动驾驶感知方向聚焦行人检测、3D目标检测等任务[28] - 定位规划领域探索语言引导导航和轨迹预测技术[29] - 决策控制方向研究大语言模型在自动驾驶决策中的应用[30] - 端到端自动驾驶整合感知、预测、规划全流程[31]

AI的破坏性影响 - AI技术不仅带来效率改善，更酝酿着对传统商业模式的巨大破坏性，未来十亿美元业务可能仅由AI驱动而非人力[4][5][6] - 出行服务行业已呈现三阶段演进：出租车公司(人力驱动)→网约车(算法调度为主)→自动驾驶服务(完全算法驱动)，Waymo日服务量达2535次[8][9][10][11] - 加州无人驾驶Robotaxi业务规模已达Uber一半，预示全美推广后数十亿美元业务将由算法主导[11] 业务流程重构 - AI大模型使"全AI驱动"模式可低成本复制到多领域，如T恤衫设计生产流程可被AI完全接管(潮流感知→方案生成→柔性生产→销售)[13][14][16][17] - 两种业务模式对比：传统"人-AI-人"协作 vs 颠覆性"AI-AI-AI"链条，后者将改变企业价值创造主体[18][24] - 实例包括新电商(美甲/服饰)、矿山开采(新疆试点)、量化交易(幻方量化2016年管理规模达100亿)[19][20][21] 智能规模效应 - 全AI驱动公司依赖两大支柱：模型技术水平(智商)与实时数据覆盖度，形成"数据越多→效能越高→整合越强"的正循环[30][31][32] - Waymo等自动驾驶企业需整合车厂数据链，若供应链存在数据隔离将导致业务无法运转[33][34] - SaaS行业正被AI内化，微软CEO指出SaaS存在意义可能被削弱，国内同步出现此趋势[38] 行业演进路径 - 企业AI化分为四阶段：工具导入(如腾讯会议)→业务在线化(ERP系统)→智能体局部替代→高级智能体全流程接管[43][44] - 传统公司与全AI驱动公司构成坐标两极，中间态企业将加速向右迁移，类似电商对百货的替代[45][47] - AI技术迭代速度远超人类进化，预计5-10年内能力再提升10倍，加速行业重构[46][47][50]

报告核心观点 - 设计 DQN 核心是学习给定市场状态下最优交易动作潜在价值，将其应用于中证 1000 指数日频择时，模型信号有有效预测能力，构建策略显著超越基准，多步优化 DQN 进一步提升信号质量和策略表现，证明其在量化择时领域潜力，但强化学习模型存在稳定性不足等问题 [3] 强化学习与量化投资 收益率预测模型存在的问题 - 传统机器学习和深度学习方法在股票收益率预测上虽能让投资者获稳定收益，但预测值与未来收益率相关系数难超 20%，预测准确率在 70%甚至 60%以下较常见，且使用负 IC 和均方误差作损失函数时预测值表现和投资收益相近，说明是模糊预测而非精确回归任务 [14] - 传统神经网络存在隐患，包括优化指标不直接，只能优化股票收益率或排序值预测能力来提升策略；生成投资组合流程不连续，因子挖掘、合成和组合优化步骤间断，预测指标提升不代表策略提升；在资产择时问题上因数据量少易过拟合 [16] 强化学习的基础概念 - 强化学习是学习在规则下交易资产，利用已知信息交易以优化策略目标，涉及智能体、环境、行为、状态、奖励、状态转移和回报等概念 [20] - 智能体根据状态做决策，环境是交互对象，行为是决策动作，状态是环境概括，奖励是环境反馈数值，状态转移是状态变化过程，回报是奖励总和，强化学习目标是寻找使回报最大化的最优策略 [21][22][23][24][25][30][31] 强化学习算法在量化中的应用 - 1996 - 2022 年学术界用强化学习研究量化金融文章近年激增，主要方法有基于价值学习的 DQN、Q 学习，基于策略学习的递归强化学习、策略梯度算法以及演员 - 评论家的 DDPG、PPO [35] - 本文采用使用最多的基于价值学习的 DQN 构建择时策略，虽 Actor - Critic 的 DDPG 算法也是好选择，但在本文框架下效果不佳，不同算法需精心设计体现优势 [37][39] DQN 与 Q - learning - 动作价值函数是计算基于指定策略采取动作的未来回报期望值，判断状态下动作好坏；最优动作价值函数是排除策略影响，只评价状态和动作好坏，Q 学习目的是学到最优动作价值函数，DQN 用神经网络替代 Q 表格近似 Q 函数 [40][41] - TD 算法训练 DQN 让 Q 网络对 t 时刻和下一时刻未来回报预测值之差接近真实奖励，更新 Q 网络的 MSE 损失函数基于此设计 [47] - DQN 训练有目标网络、ε - 贪婪策略和经验回放等优化技巧，目标网络切断自举缓解高估，ε - 贪婪策略提升探索能力，经验回放打破序列相关性、重复利用经验 [52][53][54] 日频择时策略 - 构建日频择时策略需定义强化学习五要素，环境是 A 股资产日频择时策略，状态是过去价量数据和持仓，智能体是神经网络，动作是做多、空仓和做空，奖励是结合交易成本的未来 5 日收益率 [58][62] - 网络结构对日频和分钟频数据用 GRU 提取信息，与持仓向量合并后经线性层等给出动作价值，输入数据经特征工程有 54 个特征，采用时序 Zscore 标准化 [59][64] 中证 1000 择时实践 - 以中证 1000 指数为标的，测试集 2022 年 7 月 22 日 - 2025 年 5 月 23 日，每年滚动训练，采用 50 次实验取平均缓解训练结果差异 [65] - 测试集结果显示，DQN 预测未来 5 日收益率表现上，做空信号胜率高，做多信号触发多且收益率大于零概率达 55.18%，空仓信号有做空价值，做多信号盈亏比高于做空信号 [68] - 构建的多空、多头和空头策略均跑赢基准，多空策略年化收益率 64.90%，但最大回撤高，空头策略稳定性好，仓位变化有连续性 [69][73] 优化：Multi - Step DQN - 多步 DQN 用多步奖励函数构造多步 TD 目标替代原始 TD 目标，减少 DQN 自举产生的高估问题，与蒙特卡洛方法相比各有优劣 [76] - 采用 3 步 TD 目标优化后，做多和做空信号比例更均衡，指标提升，各策略年化收益提高，风险控制指标改善，如多空策略年化收益率达 79.44% [79][83] 强化学习的不足 - 强化学习存在稳定性不足问题，算法本身不稳定，需多次训练取平均降低方差；超参数敏感，折扣因子等改变可能使效果失效；易样本内过拟合，样本内回测收益率远高于样本外；模型有黑箱性，预测值难解释 [85][86] 总结 - 传统量化投资方法有局限，强化学习可直接优化收益和风险指标，整合决策流程，缓解传统方法痛点 [89] - DQN 适合单一资产择时，应用于中证 1000 指数日频择时效果好，信号有效，策略跑赢基准，仓位连续合理，Multi - Step DQN 进一步优化信号质量和策略表现 [90][91] - 需认识到强化学习模型存在稳定性不足、超参数敏感、样本内过拟合和模型黑箱性等问题，实际投资不可完全依赖预测值 [91]

业务布局与规划 - 公司布局扫地机器人控制器、服务型机器人代工，但当前占比微小，会关注智能控制器在机器人领域的发展趋势和市场需求，积极关注与公司具有上下游协同的产业投资机会 [2] - 公司2026 - 2027年通过持续研发投入和技术创新，拓展ODM业务，坚持大客户战略，深化与核心客户战略合作，巩固国内市场地位，寻求海外市场机会 [3] 市场观点 - 公司对储能市场增长空间持积极乐观态度，目前储能产品聚焦小储能领域，在肯尼亚、尼日利亚、坦桑尼亚等非洲国家市场开拓取得成效 [2] 政策影响 - 公司直接出口美国占比4%左右，中美关税政策变动对公司经营的直接冲击不显著 [3] 工厂生产 - 泰国工厂6月进入生产阶段，主要供应PCBA产品以及成品类产品，包括感应垃圾桶、洗手液、电动工具等 [3] 业务营收与拓展 - 2024年消费电子业务营收占比44%，其中雾化控制器平台贡献显著，公司将拓展雾化医疗和雾化美容等新场景 [3] - 消费电子业务毛利率为12.26%，公司未来会通过技术升级、客户优化等多方面发力提升利润率 [3]

水果寄递旺季 - 荔枝季成为快递网点第三大高峰期，仅次于双11和618 [1] - 6月水果旺季到来，快递网点使用自动设备提高效率 [2] - 广东茂名是全球最大荔枝产地，龙眼、香蕉产量全国前列 [3] 荔枝寄递数据 - 极兔茂名网点2023年荔枝寄递量600吨，2024年创900吨新高 [4] - 荔枝旺季水果件占日单量近30% [4] - 申通新平网点妃子笑荔枝发件量暴增10倍 [5] - 美团"荔枝"关键词搜索量同比增长179%，部分品种搜索增幅超200% [8] - 京东超市广东荔枝成交额同比增长超5倍 [9] 寄递技术与运营 - 荔枝寄递需隔日达，采用冰袋、锡纸、泡沫箱等保鲜措施 [4] - 网点提前准备：预留卸货口、直发车辆、招聘60名短期人员 [4] - 智慧调度算法优化运输路线，后台监控车辆准时率 [5] - 电商订单来源多元化，拼多多和抖音占比较高 [5] 其他水果寄递情况 - 茂名三华李寄递量从10年前300票/天增至现在上万票/天 [10] - 陕西大荔县水蜜桃日均发货量2万单，持续至7月中旬 [10] - 大荔县生鲜电商日均1万单，主要发往东三省 [10] 物流技术进步 - 自动化分拣设备每小时处理8000件，效率是人工的50倍以上 [10][11] - 设备降低包装破损率，视觉识别系统提升物流追踪能力 [10] - 云南周边70%订单次日达，荔枝破损率控制在1%以内 [11] - 寄递价格降至市场均价50%，通过包装补贴、路线优化、田间直发实现 [11] - 预计年内帮助农户降低物流成本超百万元 [11]

市场情绪与投资者行为 - 全球大型投资者正以超乎寻常的谨慎态度备战传统交易淡季，担忧油价波动风险和对等关税冲击可能打破市场自满情绪 [1] - 资产管理公司纷纷提升组合保护，因7月9日美欧关税谈判截止日临近，双方在基准税率上仍鲜有共识 [1] - 汇丰资产管理全球首席投资官巴哈顿认为市场定价中隐含的乐观预期在未来三个月恐将落空，正通过买入股票看跌期权对冲风险 [1] - 高盛资产管理部门建议客户采用波动率、利率及趋势跟踪策略构建防御体系 [1] - LGIM多元资产策略主管杰弗里警告若市场继续忽视风险，7月事件前的对冲需求将激增 [1] 市场动态与潜在风险 - 全球股市年内上涨7%并再创新高，标普500波动率指数（VIX）仍徘徊在18以下的低位，但覆盖7月9日关键时点的VIX期货溢价已达1.5个点 [1] - 市场似乎已忘记特朗普政府的所有威胁，共和党正力推所谓"美丽大法案"在7月4日前通过，该法案将使美国36.2万亿美元国债再增数万亿 [2] - 自动化交易基金的编程行为导致VIX与风险资产价格之间存在联系，规模约7000亿美元的自动化波动控制基金会在VIX下跌时买入股票，飙升时抛售 [2] - Royal London Asset Management多资产负责人特雷弗·格里瑟姆表示其电脑程序正在捕捉股票的买入信号，但基金经理决定不跟随这些信号，而是出售了一些股票以管理投资组合风险 [2] 衍生品市场与交易员预期 - 期权定价表明衍生品交易员正在押注出现更高频率的单日股市波动，例如去年八月的情况 [3] - 瑞银欧洲股票策略主管格里·福勒警告鉴于夏天充满了各种催化剂，今年休假的人会少得多 [3]

监控与数据采集：系统需要对网络中的负载情况进行实时监控，并采集相关的数据。这包括服务器的负载状态、网络带宽的利 用率、用户请求的到达率等。数据采集的准确性和实时性是后续智能优化算法的基础。 智能优化算法应用：采集到的数据会被输入到智能优化算法中进行分析和处理。微算法科技采用的智能优化算法包括遗传算法 和模拟退火等，这些算法通过不断迭代和优化，能够找到最佳的负载均衡策略。例如，遗传算法会模拟生物进化过程，通过选 择、交叉和变异等操作，逐步优化负载分配方案。 随着云计算技术的普及与发展，越来越多的企业选择将应用部署到云端，以提升应用的性能和可扩展性，并减少成本。然而， 云计算资源不断增加的同时，应用负载均衡问题日益突出。传统的负载均衡方法，如轮询、最短连接等，已无法满足云计算中 海量数据（603138）的平衡分配需求。微算法科技(NASDAQ：MLGO通过结合智能优化算法(如遗传算法、模拟退火等)和区块 链技术，实时分析网络中的负载情况，智能地调整资源分配策略，并在保证数据安全性的前提下，实现负载均衡的最优化。 智能优化算法和区块链技术作为前沿的技术手段，为解决雾计算中的问题提供了新的思路。智能优化算法能够根据雾 ...

新华社石家庄6月26日电（记者白林、黄昱璋、张玮华）在山海关长城北翼城，一个四足机器人在认真地"巡查"。它试图精准捕捉到长城本体发生 的变化。 记者看到，这个机器人身上搭载智能传感器、高清摄像头、激光雷达等设备。它能够精准识别长城表面裂缝、砖体缺失等病害。巡查后，它通过 AI图像识别技术快速定位问题并形成反馈，有效替代人工完成危险、繁重的巡检任务。 刘亮介绍，丝状蓝藻通过藻丝与长城的土体颗粒紧密包裹、缠绕，并分泌多糖胶结土颗粒，在夯土表面形成具有一定强度和韧性的空间网状生物 土壤结皮，可对长城形成保护；针对一些裂缝的区域，特定微生物代谢活动可在夯土孔隙中生成碳酸钙晶体，填充裂缝、加固土体结构。 经过现场试验和长期监测，该技术大幅提升了长城砖的抗风化、抗雨水侵蚀能力，降低了砖体酥化、剥落风险，为砖砌体长城的长久保存提供了 技术支撑。 在山海关长城南涂庄豁口，记者还看到了一个监测站。监测站部署了温湿度传感器、降雨量监测仪、风速风向仪等设备，对影响长城保存状况的 大气环境因素进行实时数据采集；同时，利用摄像头等设备，对夯土墙体的雨蚀过程进行实时监测。 "机器人每次巡查约半小时，一旦发现问题，我们及时将机器人完成的巡 ...

高考志愿填报智慧服务平台 - 山东联通构建"技术+资源+专家"全方位服务体系 通过"高考U选"智慧平台整合大数据与AI算法 提供覆盖全国高校的全景数据库 [1] - 平台采用五步法科学解构志愿填报流程 包括自我评估 信息收集 选科适配 模拟填报 确认提交 [1] - 创新推出"科目组合反向查询"功能 避免选科不符导致的院校/专业错失 并基于"冲稳保"策略生成个性化志愿方案 [2] 平台运营数据与线下服务 - 累计开展线下公益讲座80余场 线上公益直播超100场 服务考生及家长超40万人次 [2] - 在营业厅设置智能系统演示专区 提供一对一操作指导 实时展示院校分数线 专业就业趋势等可视化数据 [2] - 联合高校举办政策解读讲座 深度解析招生规则 职业规划 并纠正盲目追逐热门专业等三大常见误区 [4][6] 考生增值服务与智能终端促销 - 推出价值40元电影通兑券福利 中高考学子通过联通超清电视上传准考证即可领取 [7] - 旗下山东丽天大酒店提供客房优惠与球馆学生折扣 构建全场景服务体系 [7] - 利用"国补+联通补"双重补贴政策 推出专属购机优惠 包括云手机等智能终端体验及"一元起换新机"线上活动 [7] 全周期教育服务生态 - 从考场网络保障 志愿填报指导到大学入学装备支持 形成贯穿关键教育节点的数字服务链条 [8] - 通过线上线下融合模式 实现技术工具 专业咨询与消费福利的三维联动 [1][2][7]

CVPR2025 WOD纯视觉端到端比赛结果 - 冠军方案来自EPFL团队，采用DiffusionDrive框架，结合nuPlan数据集和集成策略 [1] - 亚军方案由Nvidia & Tubingen团队提出，参考DiffusionDrive和SmartRefine，使用4个不同数据集并验证训练数据顺序的重要性 [1] - 季军方案来自韩国汉阳大学，采用简洁结构设计，仅使用前视图+自车状态输入 [1] - 特别奖方案使用QWen2 5-VL大模型生成CoT数据，在3B模型上训练 [1] 比赛背景与数据集 - 比赛聚焦长尾驾驶场景评估，包含4021个20秒驾驶片段，其中2037个用于训练 [2] - 参赛者需使用8个周围摄像头数据，在鸟瞰图坐标系下预测5秒路径点轨迹 [2] - 评分主要采用"评分反馈得分"(RFS)，"平均位移误差"(ADE)作为平局判定标准 [2] 季军方案技术细节 - 采用极简主义设计Swin-Trajectory，仅使用单前置摄像头和自车历史信息 [41] - 基于Swin Transformer骨干网络，在RTX 4090上实现14ms推理速度 [41] - 使用三维位置编码为密集图像特征提供几何基础 [44] - 通过交叉注意力机制融合图像特征与路径点查询 [46] 亚军方案技术亮点 - 提出Open-X AV(OXAV)框架整合多种AV数据集 [22] - 采用两阶段训练流程：感知导向数据预训练+规划导向场景后训练 [26] - 使用ResNet34骨干网络，仅需单块A100 GPU训练一天 [26] - 模型集成显著提升RFS评分，证明聚合多个模型预测的优势 [37] 行业技术趋势 - 端到端自动驾驶方法展现出替代传统模块化架构的潜力 [2] - 跨数据集学习成为提升模型泛化能力的重要方向 [26] - 轻量化模型设计在保持性能的同时降低计算成本 [41] - 扩散模型在轨迹生成领域展现出高效性和多样性优势 [4]