百度自动驾驶发展历程 余凯时代（2011-2015） - 2011年底百度招揽国际AI专家余凯，其于2012年正式加入并组建多媒体部，后主导成立深度学习研究院（IDL）[4][7] - IDL成立后快速吸引顶尖人才，包括张潼、徐伟等科学家，并启动异构计算、无人机、无人车等前沿项目[7][8] - 无人车项目2013年底启动，核心团队包括倪凯、杨文利等，初期条件简陋，办公环境恶劣[10][11] - 2015年完成首次全自动驾驶路测，G7高速-五环路-奥林匹克森林公园路线实现100公里/小时时速[17] - 2015年底乌镇互联网大会展示无人车，获国家层面认可[18] 王劲时代（2015-2017） - 2015年底成立自动驾驶事业部（ADU），团队扩至300人，提出3年商用、5年量产目标[24][25] - 中美团队分裂：美国团队侧重代码规范，中国团队强调场景落地，代码库最终分裂[31][33] - 与宝马合作破裂后转向奇瑞，但奇瑞EQ1车型适配困难，稳定性差[39][41] - 2016年乌镇项目成功运营18辆无人车接待300+嘉宾，奠定行业影响力[44][45] - 2016年底爆发离职潮，多位核心成员创业成立Momenta、小马智行等公司[46] 陆奇时代（2017-2019） - 2017年整合L3/L4/车联网成立智能驾驶事业群（IDG），推出Apollo开源平台[48] - 构建产业联盟：上游联合博世/大陆等Tier1，下游合作一汽/广汽等车企[50] - 2018年春晚珠海分会场完成无人车"8字"队列表演，技术展示达到新高度[55][56] - 与一汽合作前装量产红旗EV Robotaxi，成本降至50-60万元[62] 商业化探索（2019-2023） - 2019年长沙落地全球首个Robotaxi与车路协同综合项目，30个路口完成智能化改造[66][70] - 车路协同业务2020年收入4亿元，2021年飙升至18亿元，后因财政收缩下滑[73] - 2021年明确三条商业化路径：技术方案输出、自主造车、Robotaxi运营[80] - 第六代无人车成本降至25万元，实现全无人运营，海外布局迪拜/新加坡市场[83][84] 技术突破与行业影响 - 早期利用深度学习突破图像搜索技术，中文版ImageNet使百度图搜超越Google[9] - 2015年实现混合路况全自动驾驶，完成高速变道/上下匝道等复杂动作[17] - 培养大量行业人才：百度系创业者遍布小马智行、文远知行等头部企业[45][46] - 车路协同先发优势显著，但商业化模式尚未完全跑通[68][73] 关键数据 - 研发投入：2015-2023年累计超1500亿元，2021-2023年单年超200亿元[78] - 测试里程：2019年长沙项目实现20公里开放道路测试[58] - 硬件成本：激光雷达从60万元/台降至第六代整车25万元[62][83] - 运营规模：2024年计划在迪拜部署1000+无人车[84]

文章核心观点 - 斯坦福大学AI100项目首份报告《人工智能与生活2030》为审视未来十几年AI融入日常提供理性视角，AI虽有潜力带来积极影响，但也会带来社会、伦理和法律挑战，需制定政策引导其发展 [3][18] 百年之约：AI100项目的缘起与使命 - AI100项目源于对AI领域快速发展及其深远社会影响的认识，受2008 - 2009年AAAI组织的“阿西洛马会议”启发而生 [4] - 项目设立常设委员会，计划每五年组织专门研究小组评估AI，目标是为AI研究、开发、设计和政策制定提供指导，确保AI惠及个人与社会 [4] 首份报告研究小组及任务 - 首份报告研究小组由17位AI专家及多领域学者组成，背景多元确保研究广度与深度 [5] - 常设委员会要求研究小组聚焦AI到2030年对“典型的北美城市”生活的影响，选择城市和限定北美是为深入探讨特定背景影响并承认全球城市多样性 [5] 揭开AI的面纱：它是什么，不是什么 - AI是一门科学和计算技术，灵感源于人类神经系统和感知等方式，但运作方式与人类不同，精确定义AI有挑战 [6] - 当前AI在特定任务上进展显著，如深度学习、计算机视觉、自然语言处理、AI规划等，但并非“通用人工智能”，缺乏人类常识等能力，不会对人类构成迫在眉睫威胁，应期待其积极影响 [7][8] AI渗透八大领域：2030年城市生活图景 - 交通运输领域，到2030年自动驾驶汽车将更普遍，会改变城市面貌、缓解交通问题，但面临安全性和可靠性挑战，公众对AI的认知可能由此塑造 [9][11] - 家庭/服务机器人领域，未来十五年会出现更多特定用途机器人，但制造通用型机器人面临技术和成本障碍，近期商业机会集中在特定应用 [11] - 医疗健康领域，AI可利用健康数据进行疾病预测等，有望改善数百万人健康和生活质量，但从实验室到临床应用速度较慢，面临数据隐私等挑战 [11] - 教育领域，AI能为教育带来个性化变革，但设计有效AI系统面临挑战，需关注教育资源平等和内容准确性等问题，人机交互顺畅性和信任度是关键 [10] - 低资源社区领域，AI可帮助优化资源分配等，但应用设计可能忽略社区特殊需求或加剧不平等，确保技术普惠性和建立社区信任至关重要 [10] - 公共安全与安防领域，AI用于犯罪预测等引发隐私和偏见担忧，需在提升安全效率与保护公民权利间取得平衡，公众信任是基石 [12] - 就业与职场领域，AI会自动化部分工作冲击现有岗位，但也会创造新岗位和增强人类能力，社会需适应转变，克服人们对被边缘化的恐惧 [12] - 娱乐领域，AI已深度融入娱乐产业，未来会有更具交互性和沉浸感的形式，但可能带来社交隔离等社会风险 [12] 超越技术：AI的社会挑战与政策前瞻 - AI发展带来公平性与偏见、隐私、安全与可靠性、责任归属、经济影响与分配、人机关系等社会、伦理和法律挑战 [13][14] - 报告提出政策建议，包括提升政府AI专业能力、鼓励对AI社会影响的研究、避免对“AI”笼统监管、促进透明度和公众信任、关注公平与普惠 [14][15][17] 结语：面向2030的理性期待与责任 - 报告描绘了AI融入城市生活带来便利和挑战的未来图景，将讨论焦点拉回现实，提醒人们AI未来掌握在自己手中，需积极引导其发展 [18] - AI100项目才刚开始，当下应理解报告洞察与建议，塑造负责任、可持续、以人为本的AI未来 [18]

AlexNet的发布与意义 - 计算机历史博物馆(CHM)与Google合作发布了AlexNet的源代码 该神经网络是2012年开启当今AI浪潮的关键技术 [1] - AlexNet由多伦多大学团队(Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton)开发 主要用于图像识别 [2][15] - 其2012年论文被引用超过172,000次 标志着计算机视觉领域从传统算法转向神经网络的转折点 [16][17] 深度学习的发展历程 - Geoffrey Hinton团队在1986年重新发现反向传播算法 成为现代深度学习的基础 [5] - 20世纪80年代神经网络以"联结主义"名称复兴 Yann LeCun证明卷积神经网络在手写识别中的优势 [5][6] - 2000年代后期GPU加速的神经网络训练取得突破 语音识别率先验证技术可行性 [13] 关键基础设施突破 - ImageNet项目(2009年完成)提供比传统数据集大几个数量级的训练样本 但前两年算法进步有限 [8][9] - NVIDIA的CUDA系统(2007年)使GPU能用于通用计算 黄仁勋推动的H100芯片现支撑ChatGPT等AI训练 [9][12] - AlexNet首次将深度神经网络、大数据集和GPU计算结合 训练在家庭电脑搭载的两块NVIDIA显卡上完成 [13][15] 技术实现细节 - Alex Krizhevsky开发"cuda-convnet"代码库 通过多GPU支持实现ImageNet训练性能突破 [15] - 原始代码经过5年协商才获谷歌授权发布 2012版源代码现可在CHM的GitHub获取 [18] - 技术路线从专用图像识别扩展至语音合成、围棋、自然语言处理等领域 最终催生ChatGPT [17]

AlexNet的历史意义与技术突破 - AlexNet是2012年由Geoffrey Hinton团队开发的革命性图像识别神经网络，开启了深度学习时代[2][3][4] - 该模型首次将深度神经网络、大数据集(ImageNet)和GPU计算三大要素结合，取得突破性成果[7][9][12] - 在ImageNet竞赛中，AlexNet以显著优势超越传统算法，使神经网络成为计算机视觉领域主流方法[8][12][13] 深度学习发展历程 - 神经网络起源于1957年Frank Rosenblatt的感知器，但70年代被AI界放弃[5] - 80年代Hinton团队重新发现反向传播算法，奠定深度学习基础[6] - 2000年代GPU和大型数据集(如ImageNet)的出现解决了神经网络训练瓶颈[7][9] 关键技术要素 - ImageNet数据集包含数百万分类图像，规模远超此前数据集[8] - NVIDIA的CUDA平台使GPU能够高效进行神经网络矩阵运算[9][12] - 模型训练在配备两张NVIDIA显卡的家用电脑上完成，耗时一年[12] 行业影响 - AlexNet之后几乎所有计算机视觉研究都转向神经网络方法[13] - 该技术路线直接催生了后续ChatGPT等突破性AI应用[13] - 原始代码已由计算机历史博物馆开源发布，具有重要历史价值[14] 核心团队 - Geoffrey Hinton作为导师提供学术指导，被誉为深度学习之父[3][6] - Alex Krizhevsky负责GPU代码优化和模型训练实现[11][12] - Ilya Sutskever提出关键创意并参与开发，后共同创立OpenAI[11][13]

作者 | 诺贝尔奖官方 采访中，辛顿表达了对人工智能未来发展的担忧。他认为， 人工智能可能在短短五年内超越人类智慧 ，并就此可能引发的社会风险，例如大规模失业 和虚假信息等问题，提出了警告。更令人深思的是，辛顿暗示，人工智能的潜在风险可能远超我们目前的认知。 编译 | 王启隆 出品丨AI 科技大本营（ID：rgznai100） 杰弗里·辛顿（Geoffrey Hinton），这位被誉为"人工智能教父"的科学家，于去年获得了诺贝尔物理学奖，引起了全网一阵讨论。 最近辛顿接受了诺贝尔奖官方的专访，他回忆起接到诺奖电话时的趣事时，第一反应竟然是疑惑，因为自己研究的并非物理学（这点和全网的疑惑倒是 一样）。 作为深度学习领域的先驱，辛顿最广为人知的成就是神经网络。但很多人其实不知道， 他曾说过自己这辈子"最自豪"也是"最失败"的成就，其实是与 特里·塞诺夫斯基（Terry Sejnowski）共同提出了玻尔兹曼机理论。 详见： 《 深度学习之父 Hinton 万字访谈录：中美 AI 竞赛没有退路可言 》 他们的工作，以及另一位诺奖物理学奖得主约翰·霍普菲尔德（John Hopfield）等神经网络先驱的早期研究，共同 ...

文章核心观点 AI搜索凭借技术优势提升用户体验，改变搜索行业格局，未来发展趋势多样且充满机会，传统搜索引擎面临挑战需创新[1][3][5] AI搜索特点及格局变化 - AI搜索能精准捕捉用户查询意图，提供定制化结果，打破传统线性检索模式，提升用户体验 [1] - AI重新定义信息获取范式，搜索与AI融合，AI搜索朝着一站式平台发展 [3] - 封闭式AI存在内容幻觉和过程失控短板，“LLM +搜索”模式完成搜索到创作闭环，改变搜索行业竞争格局，预计到2026年传统搜索引擎访问量下降26%，新玩家入场打破“寡头效应” [4][5] AI搜索未来趋势与机会 产品力是竞争力 - 简约化产品设计和一站式服务满足用户需求，是AI搜索发展重要趋势 [7] 信息一体化处理产品形态 - AI搜索与其他AI工具跨界融合，提供实用个性化功能，升级用户体验 [8] - AI搜索突破传统文字搜索束缚，提供跨模态搜索体验，演化为全能型智能助手 [8] - AI搜索呈现多端协同趋势，突破设备边界，走进全新应用场景 [8] 场景垂直“专、精、深” - 用户需求推动AI搜索场景垂直化，垂直搜索满足细分需求，构建企业“护城河” [9] 新商业模式的探索 - 商业化能力创新是AI搜索待解决问题，用户通过AI搜索形成入口导购商业化已有先例 [10] - AI搜索与企业级市场结合，为企业提供定制化搜索解决方案，提供新盈利渠道 [10] 传统搜索引擎的挑战 - 传统搜索引擎需创新，加入AI模型插件提升用户体验，稳固行业心智地位 [12] - AI助手是传统搜索引擎最强挑战者，具备深度思考和联网搜索功能，承载泛搜索需求 [12] - AI搜索新势力提供全新搜索体验，理解自然语言，提供实时准确答案 [12] - 平台型互联网企业扩张搜索市场心智，接入大模型发挥内容潜力 [13] - AI搜索发展关键在于通过RAG解决问题，但依赖传统搜索引擎信息，数据处理难度大 [13]

报告行业投资评级 - 看好（维持）[1] 报告的核心观点 - AI组成的三大要素为数据、算力和算法；AI制药与传统制药流程基本一致，AI主要在药物发现和临床前研究阶段发挥作用；AI生成模型在全新药物设计领域有巨大优势，结合强化学习可为新药设计提供新途径 [5] - AI技术与生物制药开发结合可加速新药发现和开发，建议关注AI医药行业，给予“看好”评级 [5] 根据相关目录分别进行总结 1 AI制药行业介绍 1.1 AI制药的发展历程 - 药物发现昂贵、耗时且成功率低，AI技术引入为制药行业带来新可能 [8] - AI制药发展分为3个时期：1956 - 1980年是雏形期；1981 - 2011年计算机辅助药物设计蓬勃发展；2012年至今AI制药快速成长 [8][9] 1.2 市场规模 - 2015年以来人工智能驱动的制药公司投资率显著增长，截至2023年8月，对800家公司的年度投资总额增长27倍达603亿美元，2021年增长最快，2022年投资总额下降 [12] - 2023年美国在AI药物研发初创公司占比55.10%领先，欧洲和英国分别占19.90%和9.95%，亚洲正快速崛起 [13] - 2010 - 2021年AI制药公司管线年均增长率36%，2018年后增长明显，虽规模仅为前20大制药公司的50%，但增长趋势和专注早期研发凸显其潜力 [16] 2 AI制药的产业链构成与政策 2.1 AI制药的产业链构成 - 产业链上游涉及算力、算法和数据，分提供AI技术和生物技术的企业 [17] - 中游主体分为AI+biotech、AI+CRO、AI+SaaS以及IT头部企业布局 [18] - 下游分为传统药企和CRO企业，分别通过不同方式进入AI制药赛道 [19] 2.2 AI制药相关政策 - 国外近年推出初版监管政策，如美国FDA和欧洲EMA发布相关文件 [22][23] - 国内陆续发布相关政策，各省市也出台特色政策，如上海发布多项政策支持AI制药发展 [24][27] 3 AI制药技术原理 3.1 算力 - 算力是AI驱动药物研发的重要支撑，常用算力有CPU、GPU、TPU，还有分布式计算和云计算 [30][33] 3.2 数据 - 大数据为AI在医药研究应用奠定基础，但医药数据数量和质量制约其发展，公开数据库分6类，非公开数据难获取 [35][37] 3.3 算法 - 机器学习和深度学习可从输入数据学习潜在模式，模型分回归和分类模型，按学习算法类型分监督、无监督和强化学习 [38] - AI生成模型在全新药物设计有优势，结合强化学习为新药设计提供新途径 [39] 4 AI在制药行业中的应用 4.1 AI技术在药物发现中的应用 4.1.1 靶点发现与验证 - 药物靶点决定药物创新性与可治愈疾病范围，AI通过学习多源数据找出潜在靶点，发现策略包括实验、多组学分析和AI计算方法 [45] 4.1.2 药物分子的设计和优化 - 利用深度生成模型和强化学习算法进行新药设计是有效方法，简单生成模型如基于RNN的生成模型可优化先导化合物，进阶AI生成模型如VAE、GAN、AAE在药物设计中各有作用 [48][49][51] 4.1.3 AI辅助药物分子筛选 - 基于配体的虚拟筛选通过已知活性配体筛选潜在活性化合物，基于结构的虚拟筛选基于目标蛋白三维结构筛选，多种AI技术被引入以提高准确性 [56][57] 4.2 AI技术在临床前研究中的应用 4.2.1 ADMET预测 - ADMET是衡量药物有效性和安全性的重要指标，机器学习和深度学习模型可提升ADMET性质预测准确性 [58] 4.2.2 晶型预测 - AI结合物理模型和机器学习算法可更准确预测晶体结构，应用场景包括晶体结构比对、转晶风险评估等 [61] 5 AI制药公司介绍 5.1 薛定谔（Schrödinger） - 成立于1990年，提供高精度分子模拟和预测工具，主要项目涵盖肿瘤学、免疫学和神经学等领域，多个项目进入临床或临床前研究阶段 [63] - 与大型制药公司合作巩固行业地位，2019 - 2023年总收入和软件业务收入增长，软件业务是核心驱动 [66] 5.2 BenevolentAI - 致力于将AI技术与生物制药开发结合，核心技术平台整合多种数据类型和AI模型，研发管线覆盖多个治疗领域，与多家大型制药公司建立合作关系 [68][69] 5.3 英矽智能（Insilico Medicine） - 核心技术平台PHARMA.AI由三部分组成，覆盖药物研发关键阶段，拥有31个研发项目，多条管线获IND批准，在多个治疗领域有研发成果 [71][74] 5.4 晶泰科技（XtalPi） - 推动全流程创新，小分子药物研发有ID4系统，抗体药物开发有XupremAb™平台，固体药物晶型研究有XtalGazer™平台 [76][79][80]

广发证券首席金工分析师 安宁宁 anningning@gf.com.cn 广发证券资深金工分析师 陈原文 chenyuanwen@gf.com.cn 联系人：广发证券金工研究员 林涛 gflintao@gf.com.cn 广发金工安宁宁陈原文团队 摘要 神经常微分方程： 在机器学习国际顶会NeurIPS 2018上，Chen等人发表的论文《Neural Ordinary Differential Equations》获得了大会的最佳论文奖。简单来 说，一个常见的ResNet网络通常由多个形如h_{t+1}=f(h_t,_t)+h_t的残差结构所组成。在常规求解中，需计算出每一个残差结构中最能拟合训练数据的网 络参数。而该论文提出，假设当ResNet网络中的残差结构无限堆叠时，则每一个残差结构的参数都可以通过求解同一个常微分方程来获得。 液态神经网络： 基于上述工作，来自麻省理工学院的Ramin Hasani等人，创新性地以常微分方程的形式描述循环神经网络的隐藏状态变化，提出了一类被 称之为液态神经网络的模型，这些研究成果被发表在《Nature：Machine Intelligence》等国际顶级期刊上。此类模 ...

英伟达2025财年第四季度财报核心信息 财务表现 - 2025财年第四季度营收达393亿美元，环比增长12%，同比增长78%，高于375亿美元的预期 [1] - 2025财年全年营收1305亿美元，同比增长114% [1] - 第四季度GAAP毛利率73%，non-GAAP毛利率73.5% [6] - 数据中心部门Q4收入356亿美元，环比增长16%，同比增长93%，全年收入1152亿美元，同比增长超一倍 [3] - 游戏部门Q4收入25亿美元，环比下降22%，同比下降11%，全年收入114亿美元，同比增长9% [3][4] 数据中心业务亮点 - Blackwell产品Q4销售额110亿美元，创公司最快产品爬坡记录，供应快速增加 [3] - 计算收入环比增长18%，同比增长超两倍，推理需求加速，大型集群常以10万颗以上GPU起步 [3] - 大型云服务提供商（CSP）贡献数据中心收入50%，销售额同比增长近2倍 [3] - 消费互联网收入同比增长3倍，受生成式AI和深度学习用例推动 [3] - 企业收入同比增长近2倍，因模型微调、RAG和代理AI工作流程需求增长 [3] 其他业务部门表现 - 专业可视化业务Q4收入5.11亿美元，环比增长5%，同比增长10%，全年收入19亿美元，同比增长21% [5] - 汽车业务Q4收入5.7亿美元（创纪录），环比增长27%，同比增长103%，全年收入17亿美元，同比增长5% [5] - 网络业务Q4收入环比下降3%，因产品过渡至Spectrum X，预计下季度恢复增长 [5] 运营指标 - 库存环比下降11.1%，应收账款/收入比例降至47% [2] - 预付款同比增长116.1%，反映供应链预付需求增加 [2]