人工智能技术发展趋势 - 人工智能技术从2012年的"AlexNet"开始经历了从"感知型人工智能"到"生成式人工智能"的升级，现已实现不同模态间的转换 [5] - 当前处于"推理型人工智能"浪潮，下一个浪潮将是"物理型人工智能"，应用于机器人等物理机械中 [5] - 人工智能下一步发展趋势是向物理世界渗透 [4][5] 中国在人工智能领域的作用 - 中国研究者发表的论文数量现居世界第一，在开源工程方面表现突出 [6] - 中国开源模型如DeepSeek和通义千问是全球顶尖的，被医疗公司、金融机构和机器人公司等广泛应用 [6] 人工智能对科学发现的影响 - 人工智能可用于理解蛋白质、化学物质、细胞乃至生命的意义，帮助设计药物并延长寿命 [7] - 服务于科学的人工智能将带来重大影响，特别是在生物学领域 [7] 芯片技术发展展望 - 晶体管将向三维发展，下一代是"全环绕栅极"晶体管 [7] - 芯片领域从单芯片发展到堆叠芯片、多芯片，封装技术如"CoWoS"被大规模应用 [7] - 硅光子技术未来有较大创新空间 [7] 对年轻人的建议 - 年轻人需要掌握数学、推理、逻辑和计算机编程等基础知识，培养"第一性原理思维" [9] - 与人工智能互动需具备描述问题的能力和判断答案合理性的批判性思维 [9]

人工智能与数据发展 - 香港必须建立自主的算力设施以充分释放人工智能和数据的潜力 [1] - 数码港人工智能超算中心首阶段设施已在2023年底投入服务 目前算力服务使用率超过90% [1] - 香港推出30亿港元"人工智能资助计划" 已批出10个项目涵盖本地大语言模型、新材料、医学等领域 [1] - 超算中心算力预计年内增加至3000 PFLOPS 以带动更多技术创新与突破 [1] 数据开放与治理 - 香港通过"开放数据平台"免费提供超过5500个数据集 涵盖交通、环境、人口等不同范畴 [1] - 数据来自110个政策局、港府部门及公私营机构 协助业界推动创新应用项目 [1] - 2023年发布《数据治理原则》 旨在提升数据质量、促进流通共享、加强数据保护 [1] 跨境数据流动与合作 - 港府2023年与国家网信办签署《促进粤港澳大湾区数据跨境流动的合作备忘录》 [2] - 推出《粤港澳大湾区个人信息跨境流动标准合同》便利措施 已推展至各行各业 [2] - 促进大湾区数据安全跨境流动有利于人工智能发展 [2] 生成式人工智能规范 - 数字政策办公室2024年4月发表《香港生成式人工智能技术及应用指引》 [2] - 旨在促进业界与公众以安全及负责任的方式发展及应用生成式AI技术 [2] - 相关指引和措施可提供安全、可靠及可持续的AI发展环境 [2] 人工智能与数据协同效应 - 人工智能与数据的关系不仅是"加法"更是"乘法" [3] - 香港将充分发挥国际数据港优势 鼓励AI创新突破 [3] - 目标是在"一国两制"下打造香港及大湾区成为国家AI发展重要基地 [3]

检索增强生成(RAG)技术 - RAG解决方案允许生成式AI模型获取其原本不知道的数据，减少"幻觉"发生，尤其适用于处理专有数据、敏感信息或训练时未出现的新数据[1] - 通过在模型提示词中加入额外数据，生成式AI能给出更准确、及时且符合上下文的答案[1] 矢量化技术 - 矢量化是将文字、图像等信息转化为数字形式，便于计算机索引、搜索和检索，用于大型语言模型(LLM)响应生成[3] - 语义搜索通过矢量化实现，用数字串表示语言内容形成矢量，捕获潜在含义而非表面关键字，使AI能快速访问最相关信息[4][5] - 公司拥有大量高质量数据，矢量化可加速相关信息查找与提供[3] FactSet的Chat平台 - 2023年初开发的Chat平台可连接任何对话式大语言模型，提供统一体验所有支持AI模型的界面[6] - 平台集中管理RAG和矢量化，为员工提供安全、简单且鼓励创新的环境[6] 矢量化即服务(VaaS) - 2024年6月推出的VaaS系统简化数据矢量化流程，员工上传文件或连接数据库后，系统可在几分钟内完成矢量化并支持自然语言探索[7] - VaaS通过内部平台Chat实现文件自动矢量化，支持文本文档、幻灯片、Excel等格式[11] - 系统推动构建公司内部知识库，如技术文档、培训资料等，实现"统一搜索入口"，已创建数百个知识库[12] VaaS的实际影响 - 大幅简化AI数据准备流程，使公司处理的tokens数量自2024年9月起显著增长[13] - 集中管理AI数据，提升员工信息访问效率与协作能力，同时保持数据灵活性[17] - 赋能不同技能水平员工构建、维护和利用支持RAG的AI解决方案[20] 技术背景与安全 - 私有云环境确保公司数据安全，提示或响应不用于模型训练，遵守机密性和身份验证限制[12] - 矢量化技术使计算机直接定位数据而非浏览所有可能性，实现更深入的语义比较[5]

报告行业投资评级 - 腾讯控股、阿里巴巴评级均为增持 [2] 报告的核心观点 - H20若恢复供应将逐渐利好中国的IAAS价值链尤其是云运营商和服务器制造商，但不会从根本上改变中国生成式人工智能发展进程，未来几个季度云运营商资本支出将稳定增长 [1] - 生成式AI功能需求增长温和，预计未来几个季度IAAS云服务头部厂商收入将温和增长，摩根大通预测2026财年阿里云收入将增长22% [1] - 腾讯相对更倾向于是生成式AI应用开发商，阿里巴巴相对更倾向于是外部开发商的“卖铲人”，短期内阿里巴巴生成式AI投资回报率应高于腾讯 [5] - 英伟达恢复H20人工智能芯片供应对阿里巴巴影响为正面，但对腾讯影响为负面 [10] 根据相关目录分别进行总结 中国生成式人工智能行业情况 - 4月初宣布的H20出口限制未导致全行业供应受限，因过去几个季度超大规模云厂商储备了AI芯片；自2025年1月以来，GPU算力需求和AI功能使用量增长温和 [1] - 生成式AI应用开发商生成式AI应用采用量和使用量较大，但他们通过内部GPU算力资源满足需求，其算力使用不反映在云运营商收入中；外部公有云客户生成式AI使用量增长温和 [1] 公司评级和目标价 | 公司名称 | 代码 | 市值（百万美元） | 货币 | 股价 | 新评级 | 旧评级 | 新目标价 | 新目标价截至日期 | 旧目标价 | 旧目标价截至日期 | | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | --- | | 腾讯控股 | 700 HK | 627,939 | 港元 | 517.50 | 增持 | 未变化 | 600.00 | 26年06月 | 630.00 | 25年12月 | | 阿里巴巴 | 9988 HK | 275,992 | 港元 | 113.50 | 增持 | 未变化 | 135.00 | 26年06月 | 未变化 | 未变化 | | 阿里巴巴 | BABA US | 279,097 | 美元 | 116.97 | 增持 | 未变化 | 140.00 | 26年06月 | 未变化 | 未变化 | [2] 中国IAAS产业链公司表现 | 产业链环节 | 公司 | 股票代码 | 市值（百万美元） | 今年迄今个股回报率 | 2024年个股回报率 | | --- | --- | --- | --- | --- | --- | | IAAS云 | 阿里巴巴等多家公司 | 对应代码 | 对应市值 | 对应回报率 | 对应回报率 | | IDC | 数据港等多家公司 | 对应代码 | 对应市值 | 对应回报率 | 对应回报率 | | 服务器供应商 | 浪潮信息等多家公司 | 对应代码 | 对应市值 | 对应回报率 | 对应回报率 | | 服务器组件供应商 | 寒武纪等多家公司 | 对应代码 | 对应市值 | 对应回报率 | 对应回报率 | | 网络解决方案供应商 | 锐捷网络等多家公司 | 对应代码 | 对应市值 | 对应回报率 | 对应回报率 | [7] 对阿里巴巴和腾讯的影响 阿里巴巴 - 云业务优先战略有助于AI资本支出通过云业务收入变现，有实施人工智能投资意愿，闪购和外卖业务投资对2026财年财务影响料大于云业务投资，2026财年资本支出按计划投放 [16][36][50] - 摩根大通预测2026财年阿里巴巴资本支出将增长25%，达到1,090亿元人民币 [5] 腾讯 - 生成式AI战略将内部AI需求置于外部AI需求之上，以牺牲云业务收入为代价；2025年年初开始对生成式AI算力的内部消耗快速增加 [10][11] - 2024和2025年在人工智能方面的资本支出可能导致2025年利润率下降约2个百分点，人工智能的营业费用投入可能导致2025年利润率再下降1个百分点 [12][22] - 预计2025/26年AI相关资本支出分别达到520亿元/620亿元，分别占集团资本支出总额的55%/55%；2025/26年AI相关折旧费用将分别达到340亿元/430亿元，分别相当于总收入的4.5%/5.1% [13] - 为反映人工智能相关投资财务影响，将2025/26年调整后的每股收益预测分别下调5%/4%，新目标价600港元基于20倍2025年预期市盈率 [22] 其他公司情况 - 华勤技术 - A评级为增持，金山云评级为增持 [63]

核心观点 - 西安交通大学团队提出I2-World框架，在4D OCC世界模型预测任务中实现SOTA性能，mIoU和IoU分别比现有方法提升25 1%和36 9% [1][9] - 该框架采用创新的I2-Scene Tokenizer解耦场景内/间分词化，结合I2-Former编码器-解码器架构，在保持3D分词器计算效率的同时实现4D时间建模能力 [5][7] - 系统计算效率突出：训练显存仅需2 9GB，推理速度达37FPS，显著优于依赖大语言模型或扩散模型的现有方案 [9][28] 技术架构 I2-Scene Tokenizer - 采用双分词器设计：场景内分词器通过多尺度残差量化保留空间细节，场景间分词器通过内存队列建模时间动态 [5][14] - 与传统单阶段分词器相比，仅增加轻量级卷积层即可实现性能提升，特征图压缩率与3D分词器相当但保留4D动态 [15][16] - 训练采用VAE流程，损失函数包含加权焦点损失、Lovasz损失和向量量化损失，仅监督场景内分词化以稳定训练 [12][18] I2-Former架构 - 突破传统GPT式自回归模型，采用编码器-解码器设计：场景内编码器通过交叉注意力聚合空间上下文，场景间解码器维护历史标记队列保证时间一致性 [6][19] - 引入变换矩阵作为条件信号，将场景状态映射到下一时间步，支持通过自车动作嵌入进行精细控制 [6][21] - 训练损失包含特征级MSE损失和变换矩阵分解监督，对不同预测帧施加差异化权重 [23] 性能表现 基准测试 - 在Occ3D-nuScenes数据集上，I2-World-O变体mIoU达39 73%，IoU达49 8%，分别超越前SOTA方法25 1%和36 9% [28] - 端到端I2-World-STC变体在mIoU指标上比OccWorld-STC提升50 9%，验证框架在相机输入场景的适应性 [28] - Waymo数据集零样本测试显示，在10Hz采样率下mIoU达43 73%，2Hz下仍保持36 38%，展现强泛化能力 [30][31] 效率指标 - 训练内存消耗仅2 9GB，较UniScene等方案降低60%以上，推理速度37FPS满足实时性要求 [9][28] - 消融实验显示，完整架构比无条件基线提升mIoU 22 61个百分点，而GPU内存仅增加1 11GB [36] 应用价值 - 变换矩阵设计支持双重控制策略：高层通过速度/转向命令控制轨迹，底层直接操作空间变换矩阵实现米级精度生成 [24][40] - 可视化验证显示在复杂交互场景中能准确仿真移动目标运动，如右转命令引发的卡车碰撞场景 [38][40] - 在Occ3D-Waymo的自动标注测试中性能显著优于复制粘贴基线，展现工业落地潜力 [31]

上市动态 - 公司于2024年4月向北京证监局提交A股上市辅导备案，辅导机构为中金公司，成为"大模型六小龙"中首家启动A股IPO的企业 [2] - 近期考虑将IPO地点由A股转向港股，拟募资约3亿美元（23.4亿港元），正与财务顾问合作推进 [2] - 上市背后动因在于急需打通资本渠道获取更多融资支持技术研发 [3] 技术研发 - 2024年7月发布GLM-4.1V-Thinking系列视觉推理模型并开源GLM-4.1V-9B-Thinking，随后上线实验模型GLM-Experimental [3] - 累计发布50+款模型，迭代速度较快 [3] - 2024年研发支出达9.08亿元，明确用于基座模型迭代、垂类大模型及知识图谱并购 [11] - 2025年定位为"开源年"，上半年获北京市人工智能产业投资基金2亿元和Z基金3亿元，全部投入研发及生态补贴 [12] 财务与融资 - 截至2024年7月累计融资超135亿元 [3] - 2024年D轮融资30亿元，估值达260亿元 [10] - 2025年再获10亿元融资，投资方为浦东创投集团和张江集团 [11] - 2024年收入约2亿元，亏损达20亿元 [12] 商业化挑战 - 高频技术更新伴随高资金投入，但商业化落地仍是难题 [3] - 与大厂相比商业化能力不足，缺乏成熟体系导致产品化进展缓慢 [14] - 2024年尝试API和企业交付但被迫放弃，因缺乏组织形态和商业化交付能力 [15] - 需平衡技术研发与资金成本，寻找可持续商业化路径 [3][15] 市场竞争 - 与月之暗面、MiniMax、百川智能等并称"AI六小龙" [13] - 月之暗面2024年估值200亿元，Deepseek上市打破市场格局 [10][13] - 技术壁垒被突破导致市场竞争加剧，变现困难成为行业趋势 [14] 产品特性 - GLM-Experimental模型支持PPT生成并展示代码，可在成品与代码间切换 [4] - 相比Kimi，该模型在提纲提取和排版设计方面有待优化 [6][9] - 目前最多支持5个附件（每个≤5M），而Kimi支持50个附件（每个≤100M） [9] 行业趋势 - AI市场呈现分化趋势，C端用户出现付费群体（高学历/新一线/男性） [16] - 产品形态分化：通用助手类（豆包/Kimi）与垂直场景产品（AI视频/编程） [16] - 商业模式以"免费+订阅"为主，广告/会员混合模式逐渐成熟 [16] - B端市场分化为技术层（LLM+infra）和商业化交付（agent平台/一体机等） [17]

政策目标与总体布局 - 到2027年四川省规模以上消费品企业营业收入目标达到1.2万亿元 [1] - 打造20个省级消费品领域"天府名品"和200家省级"三品"标杆 [1] - 创建15个"中国消费名品"并培育5个国家级传统优势食品产区和地方特色食品产业 [1] - 重点布局创新智能产品、绿色产品、健康产品、数字产品、高端产品、潮锐产品等6大领域 [1] 创新智能产品领域 - 加强计算终端芯片、分布式操作系统等核心技术攻关 [2] - 重点发展超高清智能电视、激光投影设备、智能音箱等视听终端 [2] - 推进超轻薄折叠笔电、平板、手机及高性能主机研发制造 [2] - 深度融合AIoT技术打造智能家居中枢平台 [2] - 布局智能手表及VR、AR设备等穿戴产品 [2] 数字产品领域 - 加速布局生成式人工智能产品生态 [2] - 重点发展大模型应用、AI内容生成工具等创新产品 [2] - 推进电子竞技、网络游戏、数字电影IP的研发与商业化 [2] - 提升虚拟现实、增强现实、混合现实等沉浸式技术成熟度 [2] - 靶向发力智能头显、交互设备等高性能数字设备产品 [2] 高端产品领域 - 推动整车企业持续迭代新能源汽车产品与服务 [3] - 开发特种作业、农业植保、物流配送、康养护理等服务机器人产品 [3] - 提升显示面板、智能传感器、电子部件、光电设备、PCB主板等关键组件供给能力 [3] - 打造脑机接口、卷曲屏手机等高端电子产品 [3] - 加快推进eVTOL适航认证并探索多场景应用 [3] 政策支持措施 - 建立消费领域创新产品研发"绿色通道" [3] - 建立消费品以旧换新支持机制 [3] - 将"四川造"汽车、家电、数码、家装厨卫、电动自行车等产品纳入补贴目录 [3]

日本生成式AI使用现状 - 2024财年日本民众使用生成式AI服务的比例为26.7%，较2023财年的9.1%显著提升，但仍远低于中国的81.2%和美国的68.8% [1][3] - 20~29岁年轻人是日本使用生成式AI最多的群体（44.7%），40~49岁群体占比29.6% [3] - 日本企业制定生成式AI应用方针的比例为49.7%，低于中美两国（均超80%） [3] 日本AI技术发展与国际对比 - 日本在AI研发能力和应用方面落后于中美，大语言模型研发主要由海外科技巨头和初创企业引领 [3] - 日本首相承认AI普及率不足，寻求与美国合作，软银与OpenAI设立合资公司SB OpenAI Japan开发企业级生成式AI [5] - 软银在日本国内建设AI数据中心，并参与美国"星际之门"计划及投资Perplexity AI等初创企业 [5] 日本政府与企业的AI推进措施 - 日本政府推出1400亿美元经济刺激计划，重点投资半导体和AI领域 [6] - 首相及内阁大臣参与AI集中讲座，亲自体验开发操作，强调AI在人口减少背景下的重要性 [6] - 日本制造业、教育、农业等领域企业积极尝试推广AI应用 [6] 日本AI发展的历史与社会背景 - 日本早在1959年就开始计算机行政应用，但社会对个人信息保护敏感，导致对AI态度保守 [6] - 2000年前后企业信息处理不当事件频发，形成日本"小心翼翼"拥抱生成式AI的社会根源 [6] 全球AI应用增长趋势 - 中国民众使用生成式AI的比例一年内增长35个百分点，美国增长22个百分点 [3] - 日本白皮书强调需平衡AI发展与风险应对，确保受益于技术进步的同时防范威胁 [4]

人工智能在生物医学领域的应用 - 生物医学领域的技术创新如药物研发、外科技术、生物通路理解和成像技术进步推动了生活质量和健康寿命的提升 [2] - 现代人工智能的进步得益于Transformer架构、生成对抗网络和diffusion模型等关键架构创新，推动了生成式人工智能系统的发展 [2] 人工智能在医学领域的变革性潜力 - 大语言模型（LLM）和多模态人工智能通过改进诊断、患者互动和医疗预测改变医学领域 [6] - 大语言模型实现对话式界面、简化医疗报告并协助临床决策，多模态人工智能整合图像和基因数据在病理学和医疗筛查中表现优异 [6] - AI驱动的工具通过持续监测和多尺度预测有望实现主动、个性化的医疗保健 [6] 医疗实践的变革 - AI赋能的医疗实践将临床护理从偶发性互动转变为持续监测和定期随访 [8] - 医疗事件可在熟悉环境中更早得到持续关注，新医学知识更易融入护理模式并借助AI技术开发新药物 [8] 多尺度医疗预测 - AI算法基于动态输入预测未来医疗事件，应用于从分子层面到群体层面的多个层面 [10] 医疗AI的未来与挑战 - AI在医疗健康领域的进展使工具能处理海量信息，显著提高诊断准确性和改善患者治疗结果 [11] - AI进步如高级筛查、创新成像技术、预测分析和个性化管理计划有望将患者护理从被动模式转变为主动系统 [11] - AI工具在临床的全面接受仍面临挑战，大多数工具处于开发阶段，临床应用是主要障碍 [11] 医疗AI实施路线图 - 基础科学研究催生概念验证模型，大规模模型和早期临床应用为最终临床部署和优化奠定基础 [14]

金城银行"企业智脑"大模型应用项目获奖 - 金城银行"企业智脑"大模型应用项目荣获2025年度"中国最佳生成式人工智能应用项目"奖项 被评审认定为彻底革新银行后台运营 是人工智能技术与金融场景深度融合的最佳实践表现[1] - 该奖项由国际权威财经机构《亚洲银行家》主办 是国内最严格的金融服务行业年度奖项计划 被誉为亚太金融界的"奥斯卡" 2025年从中国机构近600份申请中脱颖而出 经过研究分析 数据核实和深度访谈等立体化评审 历时三个多月[3] 项目技术细节与实施效果 - 项目从合规管理到文档处理等传统低效环节入手 构建了企业知识库 智能客服助手 智能代码辅助插件和智能合规驾驶舱[3] - 呼叫中心质量检测流程从原先5%人工审核提升至最高100%自动化 AI辅助编码使开发效率提升40%[3] - 采用轻量级检索增强生成(RAG)方案 规避高额模型再训练成本 保障输出精准度 结合智能体与指标平台 员工通过自然语言交互即可完成数据查询与分析 全面降低用数门槛[3] 未来发展规划 - 当前技术方案基于平台构建Agentic AI能力 对模型进行解耦 未来有望实现更大参数规模 多模态能力升级以及推理模型逻辑能力强化[4] - 项目可灵活适应更多复杂业务场景 与新兴技术深度融合 持续为数字化金融创新注入动力 创造可观长期效益[4] - 作为数字科技银行 公司将继续深化AI技术应用 探索大模型在金融领域的深度应用 为行业持续创新发展贡献力量[4]