针对商品属性、物流状态、售后政策、活动规则等明确问题，系统启动 "快思考" 模式，以精简方式展 示思考路径，让用户清晰感知 "AI 正在通过什么方法解决问题"，无需复杂推理展示，重点传递客服服 电商行业 AI 客服应用日益广泛，渗透率已超 75%。行业调研显示，近半数用户愿意接受 AI 服务，三 分之一用户已建立稳定信任，73% 担忧机器人无法准确理解需求，50% 质疑信息的准确性与可执行 性。为进一步提升服务体验，行业正持续推动AI客服向更透明、更高效的方向演进。 近日，京小智联合京东商家咚咚团队，正式推出电商客服场景 "思维链" 功能。该功能基于京东大模型 核心能力，首次完整呈现AI的思考过程，打破传统应答模式，使客服响应逻辑清晰可视，助力AI客服 进入"可解释、深度感知"新阶段。内测数据验证成效：上线后商家咨询转化率提升 3.27%，转人工率下 降 4.39%，实现服务体验与经营效益双重增益。 在电商客服这一高频、多态的场景中，"思维链"的核心创新在于 "快慢思考" 双模式调度机制的设计， 能精准应对用户有时追求"秒回"有时追求 "深思" 的差异化需求。 务的控制感与节奏感，满足用户对高效应答的需求。 ...

文章核心观点 - OpenAI开源了名为Circuit-Sparsity的稀疏Transformer模型，该模型通过强制99.9%的权重为零，在模型内部形成了紧凑且可读的“电路”，旨在从根本上解决大语言模型（LLM）的“黑箱”可解释性问题 [1][6] - 该技术被部分观点视为对当前混合专家模型（MoE）架构的潜在挑战，但同时也面临训练成本高、计算效率低等重大瓶颈，距离直接应用于千亿参数大模型尚不成熟 [1][4][17] 技术原理与实现 - 研究团队采用“反直觉”策略，直接训练权重稀疏的Transformer模型，强制模型权重矩阵中99.9%权重为零，仅保留0.1%非零权重，以理清内部计算 [1][6] - 具体技术手段包括：动态剪枝与Top-K稀疏化、在关键位置引入AbsTopK激活函数强制仅保留前25%的激活值、以及用RMSNorm替代LayerNorm等架构微调 [10] 研究成果与优势 - 模型内部形成了可读的“电路”，在处理特定任务时逻辑极简且清晰，例如仅用12个节点就构建了检测字符串引号是否闭合的完美电路 [11] - 神经元的激活具有明确语义，出现了专门检测“单引号”或像“计数器”一样追踪列表嵌套深度的神经元 [11] - 在相同任务损失下，稀疏模型的电路规模比密集模型小了16倍，极大降低了模型解读的难度 [11] - “均值消融”实验证实，电路中的关键节点是模型执行任务的“必经之路”，移除非电路节点影响甚微 [13] 当前局限与挑战 - 稀疏模型的运算速度较密集模型慢100至1000倍，主要因为稀疏矩阵运算无法借助Tensor Cores实现加速 [4][17] - 训练成本比传统模型高100-1000倍，现阶段将该技术直接应用于千亿参数级别的大模型尚不具备可行性 [4][17] 未来方向与解决方案 - 研究团队提出了“桥梁网络”方案，通过在稀疏模型与预训练的密集模型之间插入编码器-解码器对，实现对现有“黑箱”大模型的可解释性行为编辑 [17] - 后续研究方向包括：从现有密集模型中提取稀疏电路以替代从头训练，以及研发更高效的可解释性模型训练技术 [18]

文章核心观点 - 网络安全威胁正以前所未有的速度升级，AI驱动的攻击已能快速攻破物理设备，传统被动、碎片化的防御架构已失效，行业亟需用AI重构主动、智能、一体化的新一代安全防御体系 [1][2][4][5] - 安全建设理念需从“合规驱动”转向“效果驱动”，网络安全保险作为一种市场化的效果验证和风险转移工具，正在试点推广，有望倒逼企业建立可验证、可持续的安全运营能力 [7][8] 安全威胁态势升级 - 攻击速度急剧加快：一次成功攻击的平均耗时从2021年的9天缩短至2023年的2天，2024年最快仅需25分钟 [1] - 攻击手段智能化、物理化：在2025年GEEKCON大赛上，攻击者通过语音指令利用大模型Agent的逻辑缺陷，远程控制了一台未联网的机器人，并使其通过近场通讯感染其他同类设备，揭示了机器人集群的系统性风险 [1][2] - AI驱动攻击变革：黑客利用生成式AI模拟合法行为，精准绕过传统规则引擎，并能自动学习防御策略，动态生成变种请求，使传统“头痛医头”的碎片化防御体系形同虚设 [4] 传统安全建设困境 - 建设理念错位：企业安全投入“重采购、轻运维”，愿意为防火墙等硬件付费，却不愿为持续运营和应急响应买单，许多安全订单仅为满足合规要求 [4] - 防御体系失效：复杂的防御工具堆砌产生了大量管理盲区，安全团队疲于应对告警洪流，反而让高危事件被淹没 [4] - 安全认知滞后：多数企业在证明自身安全时停留在概念堆砌，极少提及可验证的标准或认证，安全实践仍停留在“交材料、过检查”的层面，与技术风险严重脱节 [3] AI重构安全防御 - AI大幅提升运营效率：基于大模型的系统，仅用两张4090D显卡，日数据处理量从人工的500个字段跃升至2万个，并能将原始4000条告警降噪90%，压缩至400条可行动事件 [6] - 催生新一代安全架构：行业领先公司正推动架构变革，例如派拓网络的Cortex AgentiX旨在以“代理型AI”打通不同安全模块，实现自主判断与联动响应 Fortinet则提出打造“自学习、自修复、自进化”的安全神经中枢，融合零信任与可解释AI [6] - 面临新挑战：攻击者同样利用AI升级高级持续性威胁（APT）与供应链攻击，若防御方仅将AI视为“更快的检测器”而非“意图理解引擎”，仍将陷入被动 [6] 网络安全保险与效果定价 - 提出效果导向新范式：安全应超越合规，以实际防护效果来评判，大力推广网络安全保险可根据防护效果进行理赔，既能检验安全厂商实力，也能缓解企业焦虑 [7] - 政策推动与试点进展：2023年7月，工信部与金融监管总局联合发文推动网络安全保险发展，并于12月启动首批试点 2024年6月，首批试点完成，累计落地保单超1500个，总保费超1.5亿元，总保额近115亿元，同年11月已启动第二批试点 [7] - 形成市场倒逼机制：保险的保费与理赔直接与企业实际防护能力和攻防结果挂钩，这将倒逼企业建立可验证、可审计、可持续的安全运营机制，使安全真正靠能力说话 [8] 产业根本挑战与呼吁 - 安全需内生于设计：对于具身智能等新技术，需从软硬件设计之初就考虑安全，关注传感器、通信协议、大模型提示词防注入等环节 [2] - 亟需行业协作与经验积累：网络安全行业经验至关重要，需要各方以合作心态定制相应的攻防演练，以应对持续的技术攻防对抗 [3]

公司：益博睿 政府业务部门（劳动力解决方案内） * 政府垂直业务是劳动力解决方案中增长最快的部分 也是益博睿长期增长最快的业务 预计未来将实现两位数增长[2][5] * 该业务当前规模约为8亿美元 总目标市场规模约为50亿美元 市场渗透率不足一半[4][5][14] * 核心价值主张包括即时验证速度 为政府机构提供工作效率以及数据准确性[7][8] * OB-3法案的实施是关键催化剂 该法案旨在减少联邦政府每年约1600亿美元的不当支付 并可能因审计错误率问题将约140亿美元的成本转移至各州[6][9] * 公司正在开发新产品 例如利用数据集中的工作时长数据和教育数据（通过National Student Clearinghouse合作）来满足新的工作要求监控解决方案 计划于2026年推出[9][10] * 资格重新确定周期从12个月缩短至6个月 将增加验证频率[12] * 在联邦政府层面存在额外机会 例如利用数据帮助美国国税局减少每年约150亿美元的劳动所得税收抵免不当支付[13] 人才解决方案业务（劳动力解决方案内） * 人才解决方案是另一个快速增长的业务 当前规模约为4亿美元 总目标市场规模约为40亿美元[19][20] * 核心产品是历史就业即时验证 利用包含职位信息的数字化简历 背景调查机构是主要客户 但目前仅约三分之一使用其服务[17][19] * 增长杠杆包括向更多背景调查机构渗透 增加数据资产（如通过收购Aperis Insights获得的监禁数据）以及开发新产品（如针对小时工的新背景调查产品）[19][20][21] * 公司目标不是成为背景调查机构 而是成为该领域的数据提供商[19] 记录增长（劳动力解决方案的核心驱动力） * 记录增长是劳动力解决方案最一致的长期增长驱动力 今年记录增长约10% 历史增长率持续超过10%[24] * 美国约有2.5亿收入人群 公司目前覆盖约1亿人 增长潜力巨大[25] * 公司从约650万家企业获取薪酬记录 并且通过与各类贷款机构、背景调查机构和政府的现有商业关系 新增记录可立即货币化[25][26] 抵押贷款市场与USIS业务 * 公司使用USIS硬性抵押贷款信用查询作为市场定义指标 该指标在2025年预计将下降高个位数百分比[29][36] * 与MBA等调查数据存在差异 公司认为其硬性查询数据更具相关性 因为它覆盖了每一笔需要查询全部三家信用报告的抵押贷款[29][30] * 抵押贷款市场已从COVID期间的高点下降 导致公司收入减少超过10亿美元 当前市场水平比2015-2019年的正常水平低约50%[36][37] * 公司预计抵押贷款市场将在2026年见底 并估算市场恢复正常将带来超过12亿美元的增量收入、7亿美元的增量EBITDA和4美元的增量EPS 这部分增量收益将主要用于股息和股票回购[37][38] VantageScore在抵押贷款领域的机遇 * 房利美和房地美已接受VantageScore作为FICO的替代方案 FICO在2026年的定价翻倍至10美元 而公司宣布VantageScore定价为4.5美元[40][41] * 公司认为这为将抵押贷款行业从FICO转向VantageScore提供了机会 长期可能为益博睿带来1亿至2亿美元的新利润池[42] * 公司正通过提供免费VantageScore与付费FICO评分捆绑等方式推动转换 并将价格锁定两年[51] 信用文件差异化策略 * 公司计划在信用文件中免费添加收入和就业指标（称为“Twin”）以在预审阶段实现差异化 从而在抵押贷款、汽车贷款、信用卡和个人贷款领域获得份额[43][44][45] 2026年财务展望 * 2026年折旧与摊销预计将比2025年增加约5000万美元 主要源于基本完成的云转型投资[46][47] * 利息及其他费用预计将增加约2500万美元 主要受持续收购和股票回购计划推动[48][50] * 有效税率预计将比2025年提高约50个基点[48] AI战略 * 公司专注于可解释AI 拥有超过300项相关专利 并在上半年新增12项[53] * AI主要用于提升评分、模型和产品的性能 从而带来更高的投资回报 这可能转化为市场份额增长或定价能力提升[54] * AI也被用于内部运营以提高效率[54]

文章核心观点 - 生成式AI行业正从实验阶段转向大规模落地应用，企业支出和风险投资显著增长 [1] - 技术演进聚焦于智能体AI、多模态AI以及AI驱动的客户体验革新等关键方向 [1] - 行业未来发展需平衡技术创新与伦理、监管及可持续发展，以实现长期进步 [1][2] 生成式AI市场投入与行业趋势 - 2024年企业在生成式AI的支出从23亿美元飙升至138亿美元，显示投资热情高涨 [1] - 全球50.8%的风险投资流向AI企业，表明资本高度集中于该行业 [1] - 行业整体呈现出从技术实验向实际应用落地转变的明确趋势 [1] 智能体AI (Agentic AI) - 智能体AI具备自主决策和情境感知能力，区别于传统AI，成为关键发展方向 [1] - 预计到2028年，智能体AI将自主处理15%的常规组织决策 [1] - 该技术已在医疗、金融、物流等领域获得实际应用 [1] 多模态AI - 多模态AI是重要演进方向，能够整合文本、视觉等多种类型数据 [1] - 该技术被视为实现通用人工智能（AGI）的关键推动力量 [1] - 多模态AI在医疗、金融、教育等领域展现出巨大的应用潜力 [1] AI驱动的客户体验革新 - AI技术通过超个性化服务和智能客服自动化等方式革新客户体验 [1] - 企业应用案例显示，AI能有效提升运营效率和客户满意度 [1] 人工智能伦理与可持续发展 - 报告提出“可持续AI”理念，旨在通过优化算法减少对环境的影响 [2] - 强调AI与人类增强的共生关系，以及伦理AI对于保障公平和包容的重要性 [2] 通用人工智能 (AGI) 展望 - 专家预测在2025年至2035年间，通用人工智能可能取得突破性进展 [2] - AGI的发展需要强化基础设施支持，并伴随监管与伦理方面的争议 [2]

行业概况 - 截至2025年7月底管理规模20亿以下的私募管理人达7000余家占行业总数85%以上成为行业中坚力量[3] - 私募排排网推出「打卡100家小而美私募」栏目聚焦规模适中且策略特色鲜明的优质私募[3] 公司概况 - 华年私募成立于2023年5月17日2024年7月完成基金业协会备案为观察会员总部位于上海陆家嘴专注中低频股票量化策略[7] - 创始人薛钰新为中科大少年班东京大学物理博士拥有8年量化行业经验曾管理超百亿规模低频策略[7] - 截至2025年7月末管理规模突破15亿元产品数量超30只[9] 团队构成 - 核心团队均来自清北中科大等名校超半数成员拥有物理/统计博士学位[10] - 创始团队共事超5年投研人员零流失形成高效协作机制[25] 投资理念与策略 - 基于可解释AI技术构建高可迭代量化体系强调因子经济逻辑的清晰性[12] - 独创因子级耦合技术实现量价与基本面因子协同避免传统机械组合缺陷[15] - 动态调整市场规律与模型复杂度平衡点2023年策略升级后超额收益波动率显著降低[16][24] 代表产品表现 - 「华年进取2号」累计收益率与年化收益率未披露最大回撤发生于2025年1月3日夏普比率显示优异风险调整后收益[18] - 「华年中性1号」累计绝对收益未披露年化波动率维持低位夏普比率验证其低波动稳健特征[20] 核心竞争优势 - 薛钰新博士具备7年实盘经验历史最高管理规模400亿历经多轮周期考验[23] - 团队积累独特低频数据处理体系及风控方法论[23][28] - 自适应市场状态识别模块与动态因子权重机制提升策略稳定性[24] 未来发展方向 - 深化可解释AI与专家经验融合构建智能投研体系[27] - 加强校企合作与国际交流培养复合型人才升级算力基础设施保持技术领先[27]

活动背景与主题 - 2025世界人工智能大会期间举办「WAIC UP! 之夜」活动 聚焦AI技术、文明与人类未来的深度思辨 [3] - 活动以"AI 有什么大不了"为主题 汇聚人工智能领域及人文社科界先锋思想者 [3][5] - 探讨核心命题：AI无所能背景下人类价值的重新定位 超越技术替代争议 [5][6] AI技术与创作变革 - AI技术从实验室走向产业核心 创作者成为指挥数十智能体协同的"超级个体" [9] - AI创作平权革命：技术降低创作门槛 实现工业级水准 核心价值转向idea而非工具 [10][12] - 创作维度拓展：AI作为"经验的乘号"放大创作积累 实现人机混合心流共振状态 [13] - 艺术本质争议：AI作品争议类比摄影术初期 艺术本质是想法而非表达 [10][12] 人类特质与AI局限 - 算法无法复制的特质：情感连接、真实爱与痛、陪伴成长等人类独有特质 [18] - 人文孤本价值：矿工诗人诗篇等基于小数据的生命体验构成抗算法同质化堡垒 [17] - 创造本质差异：AI擅长"三生万物"的延伸 人类应在"道生一"的原始创造中确认存在 [15][17] - 情感不可模拟：AI能模拟情感但无法真正"爱" 爱是宇宙终极装订力 [17] 教育体系变革与能力重构 - 教育逻辑解构：大学文凭加速贬值 90%工作去中心化 标准化智力劳动被AI取代 [20] - 核心能力转变：沟通能力、审美判断、共情力成为AI时代核心竞争力 [20] - 教育本质回归：从培养"工具人"转向孕育"完整人" 教育是生命影响生命的过程 [20][25] - 能力培养重点：愿力取代能力 完整知识体系培养提问能力 掌握AI工具运用能力 [20] 行业应用与技术挑战 - 大模型发展困境：面临Scaling Law局限性及模型决策不可解释性双重挑战 [28] - 可解释性突破：等效与或交互理论实现神经网络决策稀疏符号化解释 从黑箱转向透明化 [28] - 透明性与开源需求：开源保障数据偏差追溯、防止商业动机操控、解决数据孤岛问题 [29][30] - 人才替代危机：高学历高薪岗位面临30%-50%替代风险 催生需深度决策的新职业 [34] 跨行业实践洞察 - 建筑人文守护：建筑师以侦探、医生、诗人三重身份解码历史痕迹 守护情感空间 [32] - 天文研究变革：望远镜年数据量达全球互联网总流量 构建人在回路的协同智能范式 [36] - 协同智能范式：人类直觉与机器算力融合为科学直觉放大器 聚焦探索未知的未知 [36] - 行业落地痛点：技术理想与现实局限冲突 专业技能与综合素质抉择成为核心议题 [22][24] 技术伦理与未来展望 - 人类责任伦理：AI进步依赖人类提供语料 人类需保持提出新问题的能力 [20] - 平衡发展之道：既要拥抱技术解放潜能 又要守护算法无法复制的生命体验 [21] - 人机关系隐喻：当前关系似饲养小虎崽 需找到永久保护自身的方法 [39] - 未来发展方向：AI发展从更大转向更深和更懂 构建性能与可信度兼备的新一代人工智能 [28]

人工智能技术发展现状 - 2025年全球AI领域呈现中国大模型崛起、具身智能爆发、AI应用狂飙三大趋势 [3] - AI技术已从实验室走向产业核心，创造者成为新时代"超级个体"，指挥数十个智能体协同工作掀起生产力革命 [6] - 生成式AI在多个专业领域展现强大能力：ChatGPT撰写论文、MidJourney生成专业插画、AlphaFold破解蛋白质结构 [17] AI与艺术创作关系 - AI技术为创作提供新可能性边界，实现创作领域"平权革命"，代表平等关系 [6][8] - 艺术本质是想法而非表达，AI使创作民主化并达到工业级水准，应更关注idea价值而非工具本身 [6][8] - 虚拟偶像Yuri案例证明AI不是艺术终结者而是新纪元开启者 [6][8] 技术应用与行业影响 - 大模型发展面临Scaling Law局限性和决策逻辑不可解释性两大核心挑战 [24] - "等效与或交互"理论实现神经网络决策逻辑稀疏符号化解释，为军事法律医疗等高敏感领域提供可信AI解决方案 [24] - AI对人才市场产生颠覆性影响：高学历高薪岗位如律师硕士博士面临30%-50%替代风险 [30] 开源与透明度议题 - 开源对构建可信AI有关键作用，可解决数据集动机和知识结构不透明问题 [26] - 闭源模型存在数据黑箱问题，开源社区"opt-out"机制保障AI时代被遗忘权 [26] - 生成引擎优化技术可能导致大模型输出被商业动机操控，开源工具能提供信息筛选透明度 [26] 跨学科应用案例 - 天文学采用"公众科学"游戏化和AI作为"高级拟合工具"双轨解决方案处理海量数据 [32] - 构建"人在回路"协同智能，将人类直觉与机器算力融合为"科学直觉放大器" [32] - 建筑设计领域AI应用面临集体记忆情感空间消逝风险，需重寻技术与人文平衡点 [28] 教育与能力发展 - 工业时代传统教育逻辑被解构，大学文凭加速贬值，90%工作走向去中心化 [15][30] - 战略思考比战术勤奋更重要，需将AI作为"脑力杠杆"开辟蓝海市场 [30] - 沟通能力审美判断和共情力将成为AI时代核心竞争力 [15]

核心观点 - AI决策的可靠性与安全性是实际部署的核心挑战，提升模型可解释性是迫切需求[1] - 当前解释方法（如Shapley Value等）在多模态任务或大规模模型中存在局限性[1] - 提出视觉精度搜索(VPS)方法，可提高模型可理解性并解释预测错误原因[2][9] - 该方法在CVPR 2025获Highlight Paper(387/13008, 2.98%)[2] 背景挑战 - 多模态预训练技术使物体级基础模型(如Grounding DINO)应用广泛但解释复杂[8] - 现有方法面临两大挑战：基于梯度的方法定位不精确，基于扰动的方法噪声多[8] 方法创新 - 将归因问题建模为基于子模子集选择的搜索问题[12] - 设计线索分数(S_clue)评估区域定位识别能力[15] - 引入协作分数(S_colla)衡量子区域协同贡献[16] - 结合两者构建子模函数F(S,b_target,c)[17] - 使用贪心搜索算法生成显著图[18] 实验结果 - 在MS COCO目标检测任务中超越D-RISE方法：Insertion提升23.7%，Deletion提升6.7%，平均最高分提升10.6%[22] - 在RefCOCO指代表达理解任务中：Insertion提升20.1%，Deletion提升22.1%，平均最高分提升4.4%[22] - 在LVIS V1零样本检测任务中：Insertion提升31.6%，Deletion提升4.2%，平均最高分提升15.9%[22] - 显著图质量优于ODAM(弥散状)和D-RISE(嘈杂)，能清晰突出重要子区域[22] 错误解释能力 - 能解释视觉定位任务中的决策错误(如图5展示干扰区域)[25] - 能解释目标检测中的分类错误(如图6显示背景干扰区域)[27] - 能解释漏检错误原因(如图7显示相似物体混淆和环境因素影响)[30] 应用前景 - 可应用于模型训练提升决策合理性[32] - 可用于推理时监控决策进行安全防护[32] - 可通过可解释发现关键缺陷以最小代价修复模型[32]

全球AI科研发展趋势 - 中国AI论文引用量占全球40.2%，快速追赶美国（42.9%）[1][8] - 全球AI期刊论文数量十年激增近三倍，从30.89万篇增至95.45万篇，年均增长率14%[7] - 科学智能（AI4S）占比提升6个百分点，2020年后年均增长率从10%跃升至19%[7] 科学智能（AI4S）领域进展 - 报告覆盖7大科研领域、28个方向、近90个科学智能前沿问题及突破路径[1] - 大语言模型（LLMs）成为物质科学、生命科学等领域的通用科研工具[4] - 强化学习在工程控制、数学证明及物理模拟等复杂场景占主导地位[4] - 计算机视觉技术在生命科学和地球环境领域渗透显著[4] 国别科研表现对比 - 中国AI出版物总量从2015年6.01万篇增至2024年30.04万篇，占全球29%[7] - 印度AI出版物从2015年1.82万篇增至2024年8.51万篇，几乎与美国（8.57万篇）齐平[7] - 中国在专利、政策及临床试验中AI引用量占比达41.6%，全球领先[8] 细分领域竞争格局 - 中国在地球环境科学和工程交叉领域具有先发优势[9] - 欧盟与美国在AI与生命科学交叉领域保持优势，中国位居第三[9] - 印度在地球环境、工程和人文社科领域居全球第三[9] - 中美合作AI出版物2024年达1.22万篇，为2015年两倍[9] 科研影响力动态 - 美国高质量AI论文引用量2020年达30.22万次，保持领先[8] - 中国高质量AI论文引用量从2015年1.03万次跃升至2020年14.48万次[8] - 中国在AI应用型创新领域从"跟随者"转变为"引领者"[8]