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]

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]