云计算技能竞赛与人才培养 - 中国选手黄佳杰在第47届世界技能大赛云计算项目中夺得金牌 成功卫冕 其战胜了来自三星集团 谷歌 亚马逊等企业及南洋理工等知名院校的选手 [1] - 云计算项目是世界技能大赛中唯一实时出分的“心跳赛项” 选手可实时看到自己与竞争对手的分数 竞争激烈 [4] - 黄佳杰在为期4天的比赛中一路领先 系统判分环节保持较高正确率 并连续3天在计分榜位居第一 在新增的Questing模块也于早期确立领先优势 [4] 参赛者背景与训练体系 - 获奖者黄佳杰来自深圳城市职业学院（深圳技师学院） 时年22岁 为00后 [1][9] - 其通过学校层层选拔进入云计算集训队 经历市赛 省赛 国赛等多轮选拔 最终以国家队选手身份出赛 [9] - 备赛五年期间 黄佳杰每天训练超过11小时 训练内容涵盖生成式人工智能 大数据 机械学习 服务器 网络 数据库 存储等 [9] 技术能力与行业认证 - 黄佳杰在校期间考取了亚马逊AWS专家级解决方案架构师SAP的顶级认证 打下了扎实的技术功底 [10] - 其认为顶尖云计算选手需具备良好心态 强抗压能力 临场应变能力以及持续学习的能力 因为比赛内容每届差异巨大且技术日新月异 [13] - 在比赛第二天遇到突发难度调整时 其通过即时改变策略 调整各阶段优先级 并利用空档期提前规划架构 成功解决问题 [4] 校企合作与教育模式 - 深圳城市职业学院（深圳技师学院）信息与通信学院与华为 亚马逊AWS 腾讯等行业龙头企业签订了校企合作协议并制定了科学的人才培养方案 [10] - 这种“校企合作”的办学理念被黄佳杰认为是助力其在云计算道路上快速成长的关键 [10] - 学校存在技能传承文化 黄佳杰受其学长（上一届世界冠军）手把手指导的触动 选择毕业后回校任教 [13] 职业选择与行业影响 - 获得世界冠军后 黄佳杰拒绝了知名企业的邀请 选择回到母校成为一名教师 致力于将经验与技能传承下去 [13] - 2025年 其学生在广东省选拔赛中获得了金牌 [14] - 黄佳杰将云计算比喻为各类创新产品的“地基” 提供了强大的计算资源以训练构建模型 [13] - 其提醒感兴趣的年轻人 该领域技术更新极快 唯有持续学习才能跟上时代 [15]

研究核心突破 - 普林斯顿大学与科罗拉多矿业学院联合团队开发了一种基于大语言模型（LLM）的机器学习方法，可直接从MOFs的结构序列预测其自由能，从而显著降低计算成本，实现高通量、可扩展的MOFs热力学评估 [1][2] - 该模型在判断MOFs自由能是否高于或低于基于经验的合成可行性阈值时，F1值高达97% [2] - 该方法为在基于性能的计算MOFs筛选中，将机器学习自由能预测作为早期或后期筛选工具提供了可行途径 [7] 研究背景与挑战 - 金属有机框架（MOFs）因其高度可调的孔结构和丰富的化学功能性，在气体存储、分离、催化以及药物传递等应用中展现出巨大潜力 [1] - MOFs庞大的设计空间涵盖了数万亿种可能的构建模块组合，仅依靠实验探索效率极低 [1] - 计算生成MOFs的主要挑战是“筛选到合成”的低转化率，源于其合成可行性存在不确定性，例如已发表的数千个计算MOFs筛选中，仅约十余个伴随有MOFs合成 [1] - 自由能是评估MOFs热力学稳定性和可合成性的重要指标，但传统计算方法在大规模数据集上代价高昂，难以支持快速筛选 [2] 数据集构建 (MOFMinE) - 研究团队构建了名为MOFMinE的大规模数据集，涵盖约100万个MOFs原型，包含了从构件选择、拓扑模板映射到功能化修饰的全流程信息 [7] - 数据集生成基于ToBaCCo-3.0平台，通过将构建单元映射到拓扑模板上来生成MOF结构 [9] - MOFMinE包含1,393种拓扑模板、27种无机NBB、14种有机NBB和19种基础EBB，并涵盖13种功能化修饰，保证了化学和拓扑结构的多样性 [10] - 数据库的孔隙率范围从0.01到0.99，比表面积从26到8382 m²/g，最大孔径从2.6到127.7 Å，充分覆盖MOFs的结构空间 [10] - 在100万个MOFs原型中，有一个包含65,574个结构的子集收集了自由能数据，用于LLM的自由能预测微调和测试 [11] 模型框架与表征 (MOFSeq-LMM) - 研究团队构建了MOFSeq-LMM模型框架，核心思想是将MOFs的结构信息转化为计算机可理解的序列表示（MOFSeq），并结合大语言模型进行学习和预测 [12] - 研究人员开发了MOFSeq，这是一种新型基于字符串的序列表示方法，以优化的方式编码MOFs的局部与全局结构特征 [13] - 最终，793,079个MOFSeq预训练样本被划分为训练集634,463个、验证集79,308个和测试集79,308个；54,443个MOFSeq微调数据点被划分为训练集43,554个、验证集5,444个和测试集5,445个 [16] 模型设计与训练 (LLM-Prop) - 研究团队采用了LLM-Prop，这是一种专为材料性质预测设计的大语言模型，模型规模约3,500万参数，输入长度设为2,000 tokens [17] - 预训练阶段：训练LLM-Prop通过MOFSeq预测MOFs的应变能，取得MAE为0.623 kJ/molMOFatom，R²为0.965 [18][21] - 微调阶段：模型目标改为预测自由能，LLM-Prop设计为轻量化模型，其规模约为Llama 2的1/2000，优先考虑计算效率 [19] 模型性能评估 - 自由能预测：模型能够以0.789 kJ/molMOFatom的平均绝对误差精确预测自由能，同时取得R² = 0.990的高相关性 [21] - 合成可行性判定：将ΔL_MFFL设定为4.4 kJ/molMOFatom阈值进行二分类预测，F1分数达到97%，ROC曲线下面积高达0.98 [27][29] - 多晶型MOFs筛选：在7,490个多晶型家族中，模型能够在自由能差异仅0.16 kJ/molMOFatom的情况下以约63%的成功率选出最稳定晶型；当自由能差异增大至0.49 kJ/molMOFatom时，成功率提升至89%；总体平均成功率约为78% [30][32] - 从实际应用角度看，如果模型判断某个MOFs设计可合成，其正确性概率在约76%至98%之间 [33] 消融实验分析 - 仅局部特征：通过预训练，MAE从1.242降至1.168 kJ/molMOFatom，R²从0.971提升到0.974 [24] - 仅全局特征：性能更优，MAE下降至1.0 kJ/molMOFatom以下，R²提升至约0.980 [25] - 局部与全局特征结合：在预训练支持下实现最佳性能，MAE为0.789 kJ/molMOFatom，R²为0.990，证明两类特征的协同作用至关重要 [26] 行业研究范式转变 - 人工智能的深度介入正在重塑MOFs乃至整个材料学领域的研究范式与创新节奏 [34] - 传统研究以结构或性能为起点，通过局部变量控制和大量实验逐步逼近目标材料；新研究范式起点前移，首先构建可计算、可推理的材料表示体系，再让模型学习结构组合的物理合理性、热力学可行性与合成价值 [36] - 当模型能在百万级结构空间中快速给出可信判断时，材料研究的重心将从“如何计算与测量”转向“如何定义问题、构建表示并设定决策边界” [36] 相关并行研究进展 - 多伦多大学等机构团队提出MOF-ChemUnity知识图谱，利用LLM在文献中MOF名称与晶体结构之间建立可靠映射，当前版本集成了约1万篇科学文章以及超过1.5万条CSD晶体结构及其计算化学性质 [34][35] - 上海交通大学团队开发了数据驱动的机器学习工作流，以有机配体结构信息为输入，预测MOFs金属节点类型，在测试集上实现了91%的预测准确率、89%的精确率和85%的召回率 [35]

文章核心观点 - 量化宏观策略是一种将量化模型与宏观基本面逻辑相结合的投资方法 通过量化CTA的方式实现股、债、商等多资产配置 该策略在过去7年全球管理规模呈现爆发式增长 2023年已占全球宏观策略比例超60%且比例仍在上升 [6][7][9] - 文章驳斥了关于量化宏观策略的两大常见质疑 认为策略本身具有合理性且能产生Alpha 其优势在于能利用更广泛的数据源和机器学习技术 策略结构通常分为中长周期的Beta配置与短周期的Alpha增强 在行情波动中表现更为平稳和灵活 [10][11][12][14][16] 量化宏观策略的定义与市场趋势 - 量化宏观策略是将投资决策从依赖基金经理的主观“叙事驱动”转变为由量化模型基于规则信号执行 需同时满足量化交易和体现宏观基本面配置逻辑两个条件 [9] - 全球量化宏观策略管理规模在过去7年呈爆发式增长 2023年占全球宏观策略比例已超过60% 并且这一比例还在持续上升 [9] 对量化宏观策略质疑的回应 - **针对“数据低频矛盾”的质疑**：宏观经济数据相对低频并非根本问题 量化宏观回测数据不限于低频经济数据 随着机器学习与AI技术的应用 策略可以触及更广的数据维度 利用更高频数据推演低频数据背后的经济金融逻辑（包括线性和非线性逻辑）以做出资产配置判断 [12][13] - **针对“无Alpha仅靠Beta”的质疑**：2023年量化宏观业绩亮眼虽有Beta强势的贡献 但许多策略在此基础上做出了明显的超额增强 量化宏观能排除行情干扰 其偏短周期的信号能快速响应极端反转行情（如2023年4月的“V”型反转和国庆节后的黄金趋势反转） 从而在动荡行情中业绩更平稳 这体现了其Alpha能力 [16] 量化宏观策略的典型结构与运作方式 - 主流量化宏观策略通常包含Beta配置和Alpha增强两部分 两部分持仓周期不同 对数据频段要求也不同 [14] - **Beta部分**：通常偏中长周期配置 例如采用风险平价模型 为股指、国债、商品期货各分配1/3波动以确定中长期权重 旨在获取市场Beta收益 [14][15] - **Alpha部分**：通常偏短周期 依赖更高频数据 适合量化方式 例如通过量化（尤其是CTA方式）进行各品种的择时和多空交易 以在不增加整体组合风险的基础上增厚收益 部分策略还会配置约20%仓位于全球股、债、商ETF以获取全球资产Alpha [14][15] 量化宏观策略的实践案例与优势 - **案例一：量创的量化宏观**：策略明确划分为Beta和Alpha两部分 Beta部分采用风险平价模型进行中长期资产配置 Alpha部分采用机器学习模型挖掘短周期信号进行择时与多空交易 并有20%仓位配置全球ETF [15] - **案例二：远澜的纯量化宏观策略**：采用自上而下的框架 结合多个量化子模型（如经济周期策略、情绪周期策略、多因子定价模型、经典趋势策略和风险预警模型）进行交易 该策略能在2023年初抓住黄金大趋势 并在股指和黄金几次大跌中通过提前减仓或做空来降低波动甚至获取正收益 体现了超额能力 [17][18] - **策略优势**：量化宏观策略能灵活运用杠杆 但相比主观宏观更为谨慎 因其交易品种更分散 杠杆不会过于集中 且拥有程序化的风控机制实时监控杠杆使用情况 避免过度风险 [18][19][20]

核心人事任命 - 欧洲经济研究院宣布英国医学科学院院士、英国皇家医师学会会士、伦敦大学学院副校长Geraint Rees院士加入[1] 新任成员背景与专长 - Geraint Rees院士是伦敦大学学院的副教务长，负责为该校世界领先的研究、创新、知识交流和全球参与提供愿景和学术领导[3] - 其研究兴趣在于人类认知的本质和神经基础，特别是意识及相关现象，并擅长将高维多变量推理如机器学习应用于医疗保健提供和创新理解等领域[4] - 在2014年至2022年期间，担任伦敦大学学院生命科学学院院长，此前曾担任伦敦大学学院认知神经科学研究所所长及脑科学学院副院长[3] - 其将继续积极从事研究，使用功能性脑成像、机器学习等先进分析技术探索人类认知的神经基础[3] 相关研究项目 - 在伦敦大学学院期间，曾作为联合研究员参与亨廷顿舞蹈症治疗干预神经基础项目，以及与神经科学和医学高维推理相关的项目[4]

公司融资与估值 - Cast AI Group Inc 获得 Pacific Alliance Ventures 的新一轮战略融资 公司估值突破10亿美元 [2] - 继去年由G2 Venture Partners和软银愿景基金2期领投的1.08亿美元C轮融资后 公司融资总额已超过1.8亿美元 [2] 公司业务与核心技术 - 公司成立于2019年 是一家云原生环境优化专业公司 [2] - 公司专注于利用机器学习技术为Kubernetes云环境提供自动化性能优化 [2] - 核心技术通过“合理调配”资源、自动扩缩容和管理竞价实例来实现成本节约和安全保障 帮助企业更高效地使用云基础设施 [2] - 公司的自动化智能体旨在提供能够随工作负载和约束条件变化而自动适应的基础设施 [2] 新产品发布：Omni Compute - 公司利用新融资扩展产品组合 推出名为Omni Compute的新功能 [2] - Omni Compute功能可连接外部计算容量（包括GPU）并将其作为原生计算资源 [2] - 该功能使工作负载能够在最合适的资源上运行 无论是本地还是跨云环境 都无需更改代码或重新配置 [2] - 该产品使组织能够在没有云锁定的情况下运行工作负载 首先从AI推理开始 同时仍能控制执行位置 [3] - 该平台使企业能够跨区域扩展 而无需指定特定云服务提供商 同时保持基础设施的可预测性、主权性和合规性 [3] - 公司的抽象平台将对外部容量应用相同的优化策略 包括GPU共享、监控和合理调配 确保AI工作负载在大规模运行时保持高效和一致 [3] - Omni Compute使GPU在基础设施层面实现可互换 从而避免计算容量被困在单一云或区域中 [3] 行业合作与影响 - 甲骨文公司作为首个主要云服务提供商加入Omni Compute 通过Cast AI为客户提供其多余的GPU容量 [3] - 甲骨云基础设施高级副总裁表示 Omni Compute消除了传统上将企业锁定在单一云中的障碍 使其能立即接入甲骨文云的高性能GPU集群 [3] - 此举被视为全球AI平台部署和扩展方式的重大转变 [3]

财务数据和关键指标变化 - 公司预发布了2025年第四季度初步业绩，全年表现非常好，但对第四季度的收入指引略有下调，调整幅度几乎可以忽略不计，同时重申了EBITDA预期 [3] - 2025年11月，尤其是感恩节前后的业绩未达预期和指引，但12月表现强劲，特别是圣诞节和新年航次创下历史最佳记录，因此公司有信心发布第四季度和2026年的指引 [4] - 2025年，公司通过股票回购和股息向股东返还了9290万美元，其中股票回购7540万美元，股息1750万美元，同时额外投入1500万美元用于提前偿还债务，并保持了正向现金流以支持未来增长 [38] - 公司债务水平非常可控，债务与EBITDA的比率远低于1，现金流足以偿付债务，没有压力 [38] 各条业务线数据和关键指标变化 - 水疗和健康服务（包括针灸、医疗水疗）是巨大的增长趋势，但目前占公司总收入的比例仍低于10%，约为8%，并且每年以约10%的速度增长 [9] - 按摩业务驱动了超过60%的业务量，其余部分来自美发、美甲、医疗水疗等 [11] - 医疗水疗服务的消费额惊人，在某些情况下，客户的花费可以达到游轮票价的三倍 [34] - 医疗水疗服务的收入潜力巨大，其产生的收入可以是按摩服务的八到九倍 [35] - 公司正在船上推出人工智能虚拟助手，目前80%的管理人员问题可以在几秒钟内得到响应，显著提高了运营效率并减少了服务台工作时间 [26] 各个市场数据和关键指标变化 - 在欧洲市场，公司进行了业务重组，将部分游轮线路的收入确认方式改为收取管理费，这对收入有影响，但对EBITDA没有影响 [6][7] - 公司决定退出亚洲的陆上业务，这将影响2026年的收入数字，但对EBITDA没有影响，表明该业务并未盈利 [6] - 公司业务覆盖18种不同的人口统计群体和不同的游轮公司，包括高端和低端市场，即使在低端市场，客户仍会为服务付费，并可能购买一些零售产品 [13][14] 公司战略和发展方向和行业竞争 - 公司战略重点之一是推动服务组合向更长时长、更高价格和更高频率转变，例如引导客户从50分钟按摩转向75分钟按摩，这有助于提高客单价和附加零售销售 [11] - 公司正在积极探索长寿领域，并研究如何将其附加到现有服务中，预计今年将取得进展 [10] - 公司正在积极投资于机器学习和人工智能项目，以提升收入和运营效率 [24] - 在收入提升方面，公司正在将一项试点项目从40艘船扩展到80艘船，并预计在第二季度末覆盖185艘船，早期指标积极 [24] - 公司正在开发一个真正的动态价格优化模型，首先应用于预预订业务，旨在实时调整未来航次和价格，以提高利用率和收益 [25] - 公司成立了由高级管理层参与的指导委员会，每月至少召开一次会议，评估和决定接下来推进哪个AI项目，标准包括实施时间、成本、潜在影响、投资回报率等 [27] - 公司致力于提高员工保留率，疫情后目标是超过70%，目前约为76%且持续改善，高保留率带来了更高的生产力和更低的培训成本 [31][32] - 医疗水疗业务增长的主要限制因素是船上空间（房地产）和医护人员（护士）的床位数量 [34][35] - 公司正在与新造船的游轮公司合作，争取为医疗水疗和健康区域分配更多空间，甚至可能改造非生产性区域 [36] - 公司与游轮合作伙伴的关系变得更加协作，重点从争夺份额转向共同做大业务蛋糕，这有利于公司品牌和客户体验 [41][42] 管理层对经营环境和未来前景的评论 - 管理层认为，尽管市场对消费者状况存在担忧，但公司2025年表现非常出色，如果未来有积极的税收减免等政策注入，将对业务有所帮助 [14][15] - 当前客单价处于历史最高水平，尽管11月略有回落，但12月已恢复至理想水平，新年航次表现异常出色 [12] - 公司认为有能力在不同宏观经济环境下维持客单价，即使在低端市场，客户仍愿意为服务付费 [13][14] - 预预订对业务至关重要，预预订的客人比登船后才预订的客人多消费35%或更多 [22] - 游轮公司在提升预预订能力方面进展缓慢，目前只有一家游轮公司允许在船上预订，其他公司仍在追赶 [17][18] - 预预订比例目前约为22%，公司希望将其提升至30% [18] - 行业整体对健康、营养、长寿等领域的关注度在增加，这符合公司的发展方向 [10] 其他重要信息 - 公司的业务重组（欧洲管理费模式变更和退出亚洲陆上业务）有一个积极的附带结果，即保护了公司的税务状态 [8] - 公司的动态定价能力已覆盖约90%的船只，其余船只因系统能力限制暂时无法实现 [29] - 公司现金流状况良好，资本配置优先级依次为：机会性股票回购、持续并缓慢增长的股息、以及进一步减少本已可控的债务 [38] - 公司业务模式轻资产，游轮公司负责水疗设施建设，公司负责运营 [38] 总结问答环节所有的提问和回答 问题: 关于第四季度预发布业绩和2026年展望的更多细节 [3] - 回答: 11月业绩疲软主要因消费模式变化，公司采取了更多捆绑销售以吸引客流，12月强劲复苏，尤其是零售消费回升、渗透率达到约11%，所有指标均达标，因此有信心发布指引 [4] 问题: 关于关闭亚洲陆上业务及欧洲重组对财务的影响 [5] - 回答: 退出亚洲陆上业务影响2026年收入，对EBITDA无影响，说明该业务不盈利，欧洲重组是将收入转为管理费，同样不影响EBITDA，重组还保护了公司税务状态 [6][7][8] 问题: 进入2026年，影响公司业务的消费趋势是什么 [9] - 回答: 针灸、医疗水疗和健康是巨大趋势，增长限制在于空间和人员，该业务目前占总收入约8%，年增10%，公司正探索将长寿领域加入服务组合 [9][10] 问题: 高客单价的驱动因素及未来展望 [11] - 回答: 驱动因素包括调整服务菜单，推动客户选择更长时长、更高价格的服务，按摩占业务超60%，服务组合优化推动了客单价增长，当前客单价为历史最高 [11][12] 问题: 在不同宏观环境下维持定价权的能力 [13] - 回答: 公司覆盖多元客群，即使低端市场客户也为服务付费，并可能购买零售产品，因此有能力维持客单价，潜在的税收减免等积极因素也可能有所帮助 [13][14][15] 问题: 预预订的现状、益处及提升潜力 [16] - 回答: 预预订客人消费额高出35%以上，益处包括更高消费频次和更好的收益管理，目前预预订率约22%，目标为30%，游轮公司在改进预预订系统，特别是移动应用，但进展慢于预期 [17][18][21][22] 问题: 机器学习和AI项目的试点进展及未来应用 [24] - 回答: 收入提升试点已从40艘船扩至80艘，预计Q2末达185艘，指标积极，正开发动态价格优化模型，首先用于预预订，AI虚拟助手已上线，80%管理问题秒级回复，提升了效率并降低了成本 [24][25][26] 问题: 动态定价是否与所有游轮合作伙伴系统集成 [29] - 回答: 动态定价能力已覆盖约90%的船只，其余因系统限制暂无法实现 [29][30] 问题: 员工保留率现状及其对业务的好处 [31] - 回答: 疫情后保留率目标超70%，目前约76%且持续改善，高保留率员工第二、三年创收更高，生产力更强，并降低了培训成本 [31][32] 问题: 医疗水疗业务增长的制约因素 [33] - 回答: 主要制约是船上空间（房地产）和医护人员床位数量，在大型船只上增加护士有所帮助，公司正通过设施利用率工具和争取新造船空间来推动增长 [34][35][36] 问题: 轻资产模式下，现金流在偿债、回购、分红间的分配策略 [38] - 回答: 2025年通过回购和分红返还股东9290万美元，并提前偿债1500万美元，优先级为机会性股票回购、持续且缓慢增长的股息、进一步降低本已可控的债务 [38] 问题: 如何看待客户集中度风险及与游轮合作伙伴的当前关系 [40] - 回答: 当前合作关系与10-15年前不同，重点从份额争夺转向共同做大业务蛋糕的协作，这有利于提升客户体验和保护公司品牌，游轮公司也更愿意投资于表现好的业务 [41][42]

财务数据和关键指标变化 - 公司预公布了第四季度初步业绩，全年表现非常好，第四季度收入指引略有下调，但几乎可以忽略不计，同时重申了EBITDA预期 [3] - 11月（尤其是感恩节前后）表现不及预期和指引，但12月表现强劲，特别是圣诞节和新年航次创下历史最佳记录，因此公司有信心发布第四季度和2026年指引 [4] - 2026年展望中，公司进行了重组，包括退出亚洲陆上业务，这将影响2026年收入数字，但对EBITDA没有影响，表明该业务不盈利 [6] - 重组中更重要的部分是在欧洲，公司将部分邮轮业务的收入确认方式改为收取管理费，这导致收入数字变化，但EBITDA保持不变 [6][7] - 2025年，公司通过股票回购（7540万美元）和股息（1750万美元）向股东返还了9290万美元，同时额外投入1500万美元提前偿还债务，并保持了正向现金流以支持未来增长 [38] - 公司债务水平非常可控，债务与EBITDA的比率远低于1，现金流足以偿付债务 [38] 各条业务线数据和关键指标变化 - 水疗和健康服务（包括针灸、医疗水疗）是巨大的趋势，但目前仍占总收入的不到10%，约为8%，尽管年增长率达10%，但由于基数小，短期内难以对整体收入产生重大加权平均影响 [9] - 按摩业务驱动了超过60%的业务，其余是美发、美甲、医疗水疗等 [11] - 公司通过调整服务菜单，推动客户选择更长时长、更高价格和更高频率的服务，例如从50分钟按摩转向75分钟按摩，这有助于提高客单价和附加零售销售 [11] - 医疗水疗服务的消费额可能高达邮轮票价的三倍，其产生的收入可能是按摩的八到九倍 [35] - 医疗水疗增长的限制因素主要是船上空间（房地产）和医护人员（护士）的床位配额，在较小的船只上无法提供该服务，即使在较大的船只上，医护人员的床位也有限 [34] - 公司正在船上增加新的服务，如NAD静脉注射，并考虑引入肽类和长寿类产品 [35] 各个市场数据和关键指标变化 - 欧洲市场进行了业务重组，将部分邮轮业务的收入确认改为管理费模式，影响了该市场的收入表现，但EBITDA不变 [6][7] - 亚洲陆上业务已决定退出，将影响2026年该市场的收入 [6] 公司战略和发展方向和行业竞争 - 公司战略重点之一是发展健康、营养、长寿领域，认为长寿是最大的垂直市场，并正在研究如何将其附加到现有服务中，预计今年会取得进展 [10] - 公司积极投资于机器学习和人工智能项目，目前正在80艘船只上试点一项收入增强功能（原为40艘），并预计在第二季度末扩展到185艘船只，早期指标积极 [24] - AI应用分为两大类：1) 收入增强和效率提升；2) 可扩展性以降低单次成本 [25] - 在收入侧，除了机器学习和收入优化算法，公司已开始开发真正的动态价格优化模型，将首先应用于预订业务，以实时调整未来航次和价格，提高利用率和收益 [25] - 在效率和可扩展性侧，公司已推出船上人工智能虚拟助手，帮助经理即时解决问题，80%的问题在几秒内得到回复，提高了运营效率并减少了帮助台工作时间 [26] - 公司成立了由高级管理层参与的指导委员会，每月至少开会一次，评估数百个AI项目，根据实施时间、成本、潜在影响、投资回报率等指标决定优先顺序 [27] - 公司与邮轮合作伙伴的关系变得更加协作，重点从争夺利润份额转向共同做大业务总量，邮轮公司更愿意投资于表现良好的业务领域 [41][42] - 公司业务模式是轻资产的，邮轮公司负责水疗中心的建造，公司负责运营 [38] - 资本配置优先级为：1) 机会性股票回购；2) 持续并缓慢增长的股息；3) 在适当时机进一步减少债务 [38] 管理层对经营环境和未来前景的评论 - 消费者健康状况和服务需求（尤其是邮轮板块）一直是积极主题，尽管市场对消费者存在担忧，但公司今年表现非常好 [14] - 当前客单价处于历史最高水平，除了11月从高点略有回落，12月及新年航次已恢复至理想水平 [12] - 公司认为有能力在不同宏观环境和不同客户群体中维持定价能力，即使在较低端市场，客户仍会为服务付费，并可能被引导购买一些零售产品 [13][14] - 潜在的税收减免可能注入消费活力，对消费者类股票和公司业务有积极影响 [14] - 预订业务仍有巨大提升空间，目前预订率仅为22%左右，公司希望达到30% [18] - 预订的客人比登船后才预订的客人多消费35%或更多，具有更高的消费频率和更好的消费额，有利于收益管理 [22] - 邮轮公司在改进移动应用和预订功能方面正在努力，但速度不及公司期望，只有一家邮轮公司允许在船上预订水疗服务，其他公司仍在追赶 [17][18] - 公司员工保留率显著提高，疫情后计划将保留率提升至70%以上，去年已达到约76%，高保留率减少了培训成本，提高了员工生产力 [31][32] - 保留率从不到30%提升至76%以上，是老员工能产生更多收入 [32] 其他重要信息 - 业务重组的一个积极副产品是维护了公司的税务状况 [8] - 公司正在研究如何通过设施利用率工具和雇佣双重执照人员来优化空间和人员配置，以突破医疗水疗的增长限制 [35] - 在新造船谈判中，公司希望为医疗水疗和健康区域争取更多空间，甚至可能替换非生产性区域，但前提是能获得更多人员配额 [36] - 动态定价预订功能已整合到约90%的船只上，其余船只因系统能力无法实现 [29] - 公司注意到在ICR会议上，许多公司都在讨论健康、营养、血液指标等话题，表明行业趋势 [10] 问答环节所有的提问和回答 问题: 关于第四季度预公布和2026年展望，特别是亚洲陆上业务关闭的影响 [3][5] - 回答: 11月表现弱于预期，但12月强劲反弹，新年航次创纪录，因此有信心发布指引 [4] 重组包括退出亚洲陆上业务（影响收入，不影响EBITDA）和欧洲业务模式调整（收入变管理费，EBITDA不变） [6][7][8] 问题: 进入2026年，影响公司的消费趋势是什么 [9] - 回答: 针灸、医疗水疗、健康是巨大趋势，但受限于空间和人员 长寿是最大垂直领域，公司正在研究如何附加该业务 [9][10] 问题: 客单价走强的驱动因素及未来构成变化 [11] - 回答: 通过调整服务菜单，推动客户选择更长时长、更高价格的服务，这有效提高了客单价和零售附加销售 按摩占业务超60%，调整服务组合有助于提升业绩 [11] 问题: 在不同宏观环境下维持定价能力的看法 [13] - 回答: 公司服务18种不同 demographics 的客户，即使在低端市场，客户仍愿为服务付费，并可能购买零售产品 税收减免可能提振消费 [13][14][15] 问题: 预订业务的现状、益处及提升潜力 [16] - 回答: 预订率目前仅约22%，希望达到30% 邮轮公司正在改进移动应用，但速度慢于预期 预订客人比非预订客人的消费额高35%以上，有利于收益管理 [17][18][22] 问题: 为何预订客户消费更多 [21] - 回答: 类似于“遗忘的钱包”概念，预订即消费，登船后可能消费更多 家庭客户（特别是妻子）喜欢提前规划行程 [21] 问题: 机器学习和AI项目的试点情况与早期经验 [24] - 回答: 收入增强试点从40艘船扩展到80艘船，预计Q2末达185艘，指标积极 [24] 问题: AI在业务中的其他应用及多年规划 [25] - 回答: AI分为收入增强/效率提升和可扩展性/降本两大类 正在开发动态价格优化模型用于预订 已推出AI虚拟助手，80%问题秒回，提升效率 [25][26] 有数百个项目在评估中，由指导委员会决定优先级 [27] 问题: 动态定价是否已与所有邮轮合作伙伴整合 [29] - 回答: 已整合约90%的船只，其余因系统能力无法实现 [29] 问题: 员工保留率现状、与疫情前对比及高保留率的好处 [31] - 回答: 保留率从不到30%提升至约76% 高保留率减少培训成本，老员工生产力更高，能产生更多收入 [31][32] 问题: 医疗水疗增长的限制因素是人员还是空间 [33] - 回答: 主要限制是船上空间（房地产）和医护人员床位配额 医疗水疗消费额可达船票三倍，收入是按摩的八到九倍 [34][35] 正在通过设施利用率工具和双重执照人员优化配置 [35] 问题: 轻资产模式下，现金流在偿债、回购、分红间的分配 [38] - 回答: 2025年通过回购和分红返还股东9290万美元，另投入1500万美元提前偿债 优先级：1) 机会性股票回购；2) 持续并缓慢增长的股息；3) 适时进一步减少债务 [38] 问题: 客户集中度风险及当前与10-15年前合同续约环境的差异 [40] - 回答: 当前与邮轮合作伙伴的对话更侧重于共同做大业务总量，是协作性的，而非过去的利润争夺 邮轮公司更愿意投资于表现良好的领域 [41][42]

2026 CSRankings全球计算机科学排名核心观点 - 在2026年CSRankings全球计算机科学排名中，中国高校表现极为突出，上海交通大学与清华大学以3.2的分数并列全球第一 [1] - 在全球前十名中，中国高校占据了七席，展现出强大的整体实力 [1] - 在人工智能这一关键细分领域，中国高校优势更为显著，北京大学以13.4分位列全球第一，全球前八名均由中国高校包揽 [3][4] 全球总排名格局 - **顶尖高校**：上海交通大学（3.2分，139位教职）与清华大学（3.2分，129位教职）并列榜首 [1] - **头部阵营**：卡内基梅隆大学（2.7分，116位教职）与浙江大学（2.7分，111位教职）并列第三；北京大学（2.4分，123位教职）与伊利诺伊大学厄巴纳-香槟分校（2.4分，81位教职）并列第五 [1] - **中国高校集群**：除上述高校外，南京大学（2.3分，134位教职）、香港科技大学（2.3分，61位教职）、中国科学院（2.2分，80位教职）均位列全球前十，香港中文大学（2.0分，40位教职）、中国科学技术大学（2.0分，51位教职）、复旦大学（1.9分，63位教职）也进入全球前二十 [1][2] 人工智能领域排名 - **全球AI排名**：北京大学（13.4分，95位教职）排名第一，清华大学（12.7分，91位教职）第二，浙江大学（12.6分，83位教职）第三 [4] - **中国主导地位**：全球AI前八名全部为中国高校，包括中国科学技术大学（11.6分，44位教职）、南京大学（10.0分，96位教职）、中国科学院（9.8分，61位教职）、哈尔滨工业大学（9.5分，65位教职）[3][4] - **欧美高校表现**：传统强校如卡内基梅隆大学（7.1分）排名第14，伊利诺伊大学厄巴纳-香槟分校（6.3分）排名第18，欧洲高校在AI领域前二十名中缺席，表现最好的爱丁堡大学（4.6分，35位教职）仅排第26名 [4][5][8][9] 计算机视觉领域排名 - **全球排名**：北京大学（16.3分，38位教职）排名第一，浙江大学（14.6分，29位教职）第二，南京大学（13.3分，32位教职）第三 [17] - **中国高校表现**：上海交通大学（12.7分，29位教职）、中国科学技术大学（11.9分，28位教职）、哈尔滨工业大学（10.2分，27位教职）均进入前十 [17] 机器学习领域排名 - **全球排名**：清华大学（31.7分，62位教职）排名第一，北京大学（31.3分，57位教职）第二，上海交通大学（29.8分，64位教职）第三 [24] - **中国高校表现**：南京大学（24.0分，50位教职）、中国科学技术大学（21.5分，33位教职）、浙江大学（21.0分，49位教职）紧随其后 [24] 自然语言处理领域排名 - **全球排名**：哈尔滨工业大学（17.1分，25位教职）排名第一，中国科学院（14.0分，20位教职）第二，北京大学与清华大学（均为12.2分）并列第三 [24] - **中国高校表现**：中国人民大学（10.5分，23位教职）、上海交通大学（8.6分，28位教职）、浙江大学（8.2分，22位教职）进入前十 [24] 网页与信息检索领域排名 - **全球排名**：中国人民大学（8.6分，12位教职）排名第一，清华大学（7.5分，17位教职）第二，中国科学技术大学（7.2分，13位教职）第三 [24] 中国大陆高校内部排名 - **全领域排名**：上海交通大学与清华大学并列第一，浙江大学（2.7分，111位教职）第三，北京大学（2.4分，123位教职）第四，南京大学（2.3分，134位教职）第五 [11] - **AI领域排名**：北京大学第一，清华大学第二，浙江大学第三，上海交通大学（11.9分，88位教职）第四，中国科学技术大学（11.6分，44位教职）第五 [13] 顶尖高校的论文产出与核心学者 - **北京大学**：在AI领域论文数量领先，有13位教职论文总数超过10篇，其中张商hang（Shanghang Zhang）发表19篇，张铭（Ming Zhang）15篇，杨耀东（Yaodong Yang）14篇 [26][27] - **清华大学**：在机器学习领域论文数量达201篇，有14位教职论文超10篇，其中孙茂松（Maosong Sun）27篇，刘知远（Zhiyuan Liu）26篇，黄民烈（Minlie Huang）22篇 [26][29][30] - **浙江大学**：整体论文产出高，有12位教职论文超10篇，其中5人超20篇，包括赵洲（Zhou Zhao）27篇，吴飞（Fei Wu）24篇，杨易（Yi Yang）21篇 [32][33] 美国高校排名情况 - **全美总排名**：卡内基梅隆大学（2.7分，116位教职）第一，伊利诺伊大学厄巴纳-香槟分校（2.4分，81位教职）第二，佐治亚理工学院、加州大学伯克利分校、加州大学圣地亚哥分校（均为2.1分）并列第三 [42] - **全美AI排名**：卡内基梅隆大学（7.1分，55位教职）第一，伊利诺伊大学厄巴纳-香槟分校（6.3分，44位教职）第二，马里兰大学帕克分校（4.6分，32位教职）第三 [50] - **美国顶尖学者**：加州大学伯克利分校的Sergey Levine发表21篇论文，Trevor Darrell发表16篇，Pieter Abbeel发表11篇 [56][57] 排名方法论说明 - **排名依据**：CSRankings排名完全基于全球高校及科研机构在计算机领域顶级会议上发表的论文数量，采用透明、客观的量化指标 [58][60] - **分数计算**：每篇论文的分数按作者均分（1/N），N为作者总数，以此防止通过增加作者数量来操纵排名 [67][69][71] - **教职标准**：统计对象为能独立指导计算机科学专业博士生的全职终身教职，范围不限于计算机系本部 [66]

核心观点 - 2025年量化产品业绩收官，四季度公募和私募在沪深300、中证500、中证1000增强产品上均取得正超额收益，且私募增强产品的收益表现显著优于公募增强产品 [11] - 2025年全年，私募量化在300/500/1000增强产品上的超额收益领先公募量化约6% [11] - 2025年公募偏股混合型基金业绩强势，以万得偏股混合型基金指数（885001.WI）为基准的增强产品备受关注，全年录得微弱正超额，代表性产品业绩和规模表现优异 [11] - 2025年红利资产表现疲软，但公募红利量化产品超额收益优异 [11] - 公募量化固收+产品整体表现优于非量化增强的固收+基金 [11] - 私募量化中性产品自2024年10月以来表现稳健，四季度累计收益续创新高 [11] - 2025年是中国量化私募行业大年，年末百亿量化私募数量达52家，50亿以上量化私募合计管理规模预计超1.45万亿元，业绩驱动和技术迭代是主要原因 [12] 公募量化细分策略产品表现 - **公募量化沪深300增强**：2025年全年超额收益均值为2.5%，四季度整体超额收益为1.6% [3][13] 全市场60只产品中，46只取得正超额，14只负超额 [15] 2025年业绩前五产品为：富荣沪深300增强A、平安沪深300指数量化增强A、申万菱信沪深300指数增强A、安信量化精选沪深300指数增强A、中欧沪深300指数量化增强A [3] - **公募量化中证500增强**：2025年全年超额收益均值为2.1%，四季度整体超额收益为1.0% [3][16] 全市场60只产品中，45只取得正超额，15只负超额 [18] 2025年业绩前五产品为：中欧中证500指数增强A、鹏华中证500指数增强A、长城中证500指数增强A、华泰柏瑞中证500增强策略ETF、万家中证500指数增强A [3] - **公募量化中证1000增强**：2025年全年超额收益均值为9.3%，四季度整体超额收益为1.6% [3][21] 全市场35只产品中，31只取得正超额，4只负超额 [22] 2025年业绩前五产品为：工银瑞信中证1000指数增强A、博道中证1000指数增强A、长信中证1000指数增强A、汇添富中证1000指数增强A、鹏华中证1000指数增强A [3] - **公募量化885001增强**：2025年超额收益率均值为0.2% [4][26] 全市场15只产品中，8只超额收益为正，7只为负 [26] 2025年业绩前五产品为：万家量化睿选A（45.4%）、博时智选量化多因子A（43.8%）、博道久航A（40.8%）、博时量化多策略A（39.6%）、华安事件驱动量化策略A（38.1%） [4][26] 部分产品规模显著增长，如博时智选量化多因子A（26.7亿）、博道久航A（35.4亿）、华安事件驱动量化策略A（47.2亿） [27] - **公募红利量化**：2025年相对全收益基准指数超额收益率均值为4.2% [4][29] 全市场34只产品中，27只取得正超额，7只负超额 [29] 2025年超额收益前五产品为：海富通红利优选A（16.5%）、广发高股息优享A（14.3%）、申万菱信红利量化选股A（12.2%）、浙商汇金红利机遇A（10.7%）、浙商汇金红利精选A（10.7%） [4][32] 但产品规模普遍疲软，主要因绝对收益较低（约8%）跑输其他主流宽基指数 [32] - **公募量化固收+**：2025年以来累计收益率为4.9% [4][33] 6只产品累计收益率超过5%，业绩前五产品为：富国兴利增强A（14.9%）、富国丰利增强A（10.0%）、富国宝利增强A（7.4%）、海富通稳固收益C（6.2%）、太平嘉和三个月定开（6.0%） [4][33] 私募量化细分策略产品表现 - **私募量化沪深300增强**：2025年超额收益为8.6%，四季度超额收益为3.0% [5][37] 其超额收益比公募同类产品（2.5%）高出6.1% [37] - **私募量化中证500增强**：2025年超额收益为10.4%，四季度超额收益为3.5% [5][38] 其超额收益比公募同类产品（2.1%）高出8.3% [38] - **私募量化中证1000增强**：2025年超额收益为15.1%，四季度超额收益为4.1% [5][40] 其超额收益比公募同类产品（9.3%）高出5.8% [40] - **私募量化中性**：2025年累计收益为10.6%，四季度累计收益为1.9% [5][43]

ICML 2026同行评审新规核心观点 - ICML 2026推出史上最严同行评审新规，旨在通过强化责任与处罚机制，整治学术灌水、AI作弊及滥用评审系统等问题，同时优化流程并拥抱AI技术 [7][10] 主要新政内容 - **打击“切香肠”式投稿**：针对同一作者将细微调整的工作拆分为多篇投稿的现象，新规要求主题相关的并行投稿必须在正文中相互引用并讨论，违规将导致投稿或该作者所有投稿被直接拒稿 [11] - **滥用评审“连坐”拒稿机制**：对于破坏评审完整性的行为（如提示词注入、串通舞弊、提交低质量“AI垃圾内容”），违规论文的所有作者名下的所有论文都可能被直接拒稿，强调课题组负责人的把关责任 [3][12] - **审稿人互惠原则**：每篇投稿必须提名一位符合资格的“互惠审稿人”，投稿4篇以上的作者必须担任审稿人或组织角色，未履行职责可能导致其所有投稿被拒 [13] - **支持作者与审稿人的灵活举措**：允许在征得作者同意的前提下使用LLM进行审稿，排名前25%的审稿人将获得免注册费奖励，作者可为多篇投稿标记自排序以帮助领域主席关注，被录用论文作者无需亲自参会但会影响现场展示，将向作者提供大语言模型系统以获得论文草稿反馈 [15] 新规背景与目标 - 新规出台于ICML 2026论文投稿开始、审稿工作即将开启之际，旨在解决往年同行评审中暴露的各种问题，如AI评审疏漏、审稿人紧缺等 [6][10] - 政策核心原则是权责对等，要求所有参与者负责，最终目标是优化评审流程、提升质量，并适应AI工具的使用 [7][15] ICML 2026会议与组委会 - ICML 2026是第43届机器学习年会，将于2026年7月6日-11日在韩国首尔举行 [8] - 组委会由多位华人学者担纲重任，UIUC教授张潼担任大会主席，宾夕法尼亚大学副教授苏炜杰担任学术诚信主席，负责监督评审过程 [16][18]