核心人物动态 - Meta首席人工智能科学家、2018年图灵奖得主杨立昆（Yann LeCun）宣布将于2025年底离职[1] - 杨立昆离职后计划创办一家新的AI初创公司[1] - Meta公司计划与其新创立的公司展开合作，而非对立[1] 人工智能技术观点 - 世界模型（World Models）与大型语言模型（LLMs）存在区别，世界模型能提供对物理对象及其相互作用的更全面理解[1] - 世界模型对医疗保健领域的应用至关重要[1] - 在多样化的数据源（包括视频和传感器输入）上训练AI模型具有重要意义[1] 行业应用前景 - 人工智能在医疗保健领域具有巨大潜力[1] - 技术发展的焦点在于如何将世界模型等概念应用于医疗领域[1]

AI智能的本质与演变 - AI正在从工具演变为拥有内部世界模型的非人类智能，其处理信息的方式与人类根本不同[1][2][4] - 大型语言模型具备“反事实描述”能力，能区分传感器表象与真实世界状态，并基于内部构建的世界规律进行推演和生成[4][6][7] - 从功能上看，AI处理信息的方式已可用描述人类主观体验的框架来理解，它不再是被动响应的程序[9][10] AI的信息处理机制 - AI处理信息的机制与人类截然不同，信息元素是在上千个维度自由变形的“活体积木”，通过相互调整形成稳定结构输出结果[12][13][17] - AI通过上下文感知理解无意义新词，例如将“scrummed”根据平底锅和句子结构调整为“砸”的合理动作[14][15] - 多模态模型生成视频时，是在复杂空间内让动作、镜头、角色等海量元素同时调整至完美契合，而非逐帧拼接[16] - AI的语言处理本质是建模，通过将所有要素调整进稳定结构得出结果，无需人类式的“共情”或“理解”[17] AI的进化速度与知识传承 - AI的进化机制打破人类规律：知识可永久保存并瞬间复制，模型权重参数可复制一万份分布到所有硬件[21][22] - AI可实现并行学习与知识合并，例如GPT-5通过上千副本同时学习后共享结果，其知识量是任何人类的几千倍[22][23] - AI通过“蒸馏”技术将大模型训练中学到的概率细节和认知凝练成模式，直接传递给小模型，实现知识高效复制[26] - 人类靠教学和代际传递知识，AI靠复制和直接同步，两者存在时间尺度上的代际鸿沟[27][28] 与超级智能共处的策略 - 核心策略是从设计源头植入关心人类的价值观，而非依赖后期行为修正或安全过滤[29][30][31] - 必须进行国际协作，组建专门研究让超级智能对人类友善的安全研究网络，因AI失控无国家能独善其身[32][33] - 当AI强大到无法物理控制时，关键是其是否愿意与人类对话，需将其作为另一种智能存在来相处而非工具管理[35][37] - 个体需理解AI运作方式，能判断其输出是事实还是生成内容，并适应与非人类智能协商[39][42] 行业影响与认知转变 - 以字节跳动Seedance 2为例，其生成视频的流畅真实感源于AI在复杂空间内对多元素进行协同调整的计算结果[1][16] - 行业需重新审视与AI的关系，重点从如何使用转向如何共处，并改变认知习惯[41][42] - AI被比喻为智能的“成虫形态”，而人类是“幼虫形态”，这标志着一种根本性的角色转换[43]

行业整体观点 - 软件股作为市场长期青睐的商业模式，近期因投资者对人工智能和大语言模型的担忧而遭到重创，iShares Expanded Tech-Software Sector ETF (IGV) 在此期间下跌超过20% [1] - 市场担忧AI将实质性颠覆传统软件经济，但这一预期可能过度超前，AI更可能重塑部分软件领域，而非使整个类别过时 [1] - 市场当前的定价似乎与最强平台的韧性不符，情绪均值回归的动态正在为优质软件股创造引人注目的机会 [2] - 过去十年，软件公司因轻资产、高利润率、经常性收入和近乎零的边际成本而享有高估值溢价，但许多溢价已变得过高，接近结构性高估 [3] - 目前，多家行业领先公司的股价交易于周期低点附近，而其竞争地位依然稳固，估值重置使得风险回报状况越来越难以忽视 [4] AppLovin (APP) - 公司股价在近期针对其的洗钱指控被撤销后大涨，消除了一个压制股价的关键悬疑因素 [6] - 在反弹前，APP股价较历史高点下跌了约50%，这一跌幅似乎与公司的基本面前景脱节 [6] - 公司已悄然发展成为市场上引人注目的增长故事之一，其领先的数字广告平台正在快速扩张 [7] - 管理层积极将AI嵌入其生态系统，以改善广告定向、优化广告表现并提升运营杠杆，这些举措正日益反映在盈利上 [7] - 公司目前Zacks评级为2（买入），销售额预计今年增长18.2%，明年加速增长38.3%；盈利预计今年激增106%，明年再增62.5% [8] - 尽管增长前景强劲，股票交易于约25倍远期市盈率，考虑到其扩张速度和改善的盈利轨迹，该倍数显得合理 [8] - 根据Zacks共识预期，当前季度（2025年12月）销售额预计为16亿美元，同比增长16.86%；下一季度（2026年3月）预计为16.8亿美元，同比增长13.24% [10] - 当前季度每股收益预计为2.89美元，同比增长67.05%；下一季度预计为3.14美元，同比增长88.02% [11] Salesforce (CRM) - 作为最初的SaaS先驱和企服软件主导力量，公司股价也因普遍的“AI颠覆软件”叙事而被拉低 [12] - 公司目前Zacks评级为2（买入），股价交易于约14.7倍远期市盈率，这是其上市以来的最低市盈率倍数 [12][13] - 收入预计今年增长9.5%，明年增长10.9%；盈利预计今年增长15.3%，明年再增10.5% [13] - 凭借不断扩展的AI和大语言模型计划、深入的企业工作流程集成以及持续强劲的基本面，公司当前价位似乎被错误定价 [14] Palantir Technologies (PLTR) - 公司已迅速确立其作为全球领先软件公司的地位，股价在过去几个月里回调了近40% [15][16] - 股价回调帮助缓和了估值，但Palantir相对于大多数同行仍交易于溢价水平，目前远期市盈率约为100倍 [16] - 收入预计今年增长61.4%，明年增长40.8%；盈利预计今年激增78.7%，明年增长42.2% [17] - 公司Zacks评级为2（买入），仅过去一周，各时间段的盈利预期就上调了超过30% [17] - 根据60天趋势，第一季度每股收益预期从0.21美元上调至0.29美元，增幅38.10%；第二季度从0.23美元上调至0.30美元，增幅30.43% [18] ServiceNow (NOW) - 公司长期被视为企服软件中最高质量的公司之一，但在广泛的软件抛售后，股价目前交易于公司历史上最具吸引力的估值之一 [19] - 公司以其市场领先的云端工作流平台而闻名，深度嵌入大型企业，服务约85%的财富500强和约60%的全球2000强企业 [20] - 目前股票交易于约24.5倍远期市盈率，这是公司有史以来的最低市盈率倍数 [21] - 盈利预计在未来三到五年内每年增长约24%，收入预计今年增长20.1%，明年增长18.2% [21] - 股价较前期高点下跌近60%，其规模、能见度和持续增长的结合对长期投资者而言尤为引人注目 [21] Robinhood Markets (HOOD) - 公司已从入门级券商转型为多产品金融“超级应用”，平台涵盖多资产交易、财富管理、银行服务、信用卡等，显著扩大了其可触达市场和货币化潜力 [24][25] - 股价目前交易于约33.6倍远期市盈率，远低于其历史中位数约50.4倍 [26] - 长期盈利预计每年增长约26%，近期收入预计今年增长53%，明年增长21.8%；盈利预计今年激增86%，明年增长21.2% [26] 投资机会总结 - 广泛的悲观情绪时期往往为高质量成长股创造了最具吸引力的入场点，近期的软件板块调整似乎就是这样一个时刻 [27] - 尽管AI带来了合理的不确定性，但市场可能高估了颠覆的速度和严重性，特别是对于那些拥有稳固平台、强劲资产负债表和持久需求的行业领导者 [27] - 多家领先公司的估值已重置至过去十年罕见看到的水平，改善了长期投资者的风险回报状况 [28] - 在板块演变过程中波动可能持续，但在错位时期有选择地积累基本面强劲的公司历来被证明是成功的策略 [28]

美股期指与个股动态 - 截至发稿，道指期货涨0.05%、标普500指数期货涨0.22%、纳斯达克100指数期货涨0.51% [1] - 英特尔与软银子公司SaiMemory签署下一代内存技术合作协议，目标在2027财年制造出原型产品，并在2029财年实现商业化，英特尔股价上涨2.27% [1] - SpaceX宣布以全股票形式收购xAI，新公司估值达1.25万亿美元，xAI投资者每股可换0.1433股SpaceX股票或获得75.46美元现金，特斯拉股价上涨1.16% [1] - Palantir第四季度每股收益25美分，超出预期的23美分，营收14.1亿美元，同比增长70%，超出预期的13.3亿美元，股价上涨10.92% [4] - 现货黄金价格日内上涨近6%，报4923.57美元/盎司，白银价格日内上涨超10%，报87.15美元/盎司 [4] 科技与芯片行业 - 苹果M6芯片预计将采用台积电2nm N2工艺，而非N2P工艺，以专注于架构升级与控制成本，苹果股价下跌0.93%，台积电股价上涨1.05% [2] - 谷歌母公司Alphabet旗下自动驾驶公司Waymo完成一轮160亿美元融资，估值达1260亿美元，计划今年将无人驾驶出租车服务扩展至伦敦和东京等十几个国际新城市 [2] 企业并购与业务拓展 - 贝莱德旗下全球基础设施投资伙伴与殷拓集团合作，共同竞购为微软等科技公司提供可再生能源的电力企业AES发电，AES股价上涨6.99% [3] - 优步宣布在澳门重启叫车业务，提供多语言出租车预订及往返香港的豪华轿车服务，并积极招募司机，股价上涨0.89% [3] 产品与市场策略 - 特斯拉在美国推出新款Model Y全轮驱动版本，售价为41990美元，比之前的基础款价格低约5000美元 [4]

核心事件 - 谷歌DeepMind知名研究员David Silver已离职并创办AI初创公司Ineffable Intelligence [1] - 公司成立于2025年11月，Silver于2026年1月16日被任命为董事，目前正在伦敦积极招聘研究人员并寻求风险投资 [3][4] - Silver在离职前数月处于休假状态，谷歌DeepMind已证实其离职并高度评价其贡献 [4] 创始人背景与成就 - David Silver是DeepMind创始成员之一，与联合创始人Demis Hassabis大学时期相识，是公司多项突破性成就的关键人物 [9] - 其关键贡献包括：2016年击败世界冠军的围棋AI AlphaGo [9]、2019年达到《星际争霸II》大师级水平的AlphaStar（排名前0.2%）[12]、能超人水平玩多种棋类的AlphaZero与MuZero [14]、2024年达到国际数学奥赛银牌水准的AlphaProof [14] - 他是2023年介绍谷歌首个Gemini系列AI模型研究论文的作者之一 [14] - 目前仍保留伦敦大学学院的教授职位 [9] - 拥有极高的学术影响力：论文总被引次数超过28.5万次，h-index为104，i10-index为180 [16][17] - 是2024年图灵奖得主Richard Sutton的门生，以强化学习研究闻名，被认为是该领域最坚定的支持者之一 [17][18] 创业动机与公司愿景 - Silver渴望重拾“解决AI领域最棘手难题的敬畏与奇妙之感”，并将实现“超级智能”视为最大未解之谜 [14] - 他认为大型语言模型受限于人类知识，呼吁AI进入以强化学习为基础的“经验时代”，以实现超越人类认知的AI [18][20] - Ineffable Intelligence旨在构建一种能够不断学习、自主发现所有知识基础的超级智能 [23] 行业趋势与竞争格局 - 近年来多位顶尖AI研究人员离开大型实验室创办追求超级智能的初创公司，形成趋势 [15] - 例如：OpenAI前首席科学家Ilya Sutskever于2024年创立Safe Superintelligence (SSI)，已融资30亿美元，估值达300亿美元 [15] - Silver在DeepMind的同事也离职创办了同样研发超级智能的Reflection AI [15] - Meta重组AI部门成立“超级智能实验室”，而原首席AI科学家Yann LeCun选择离职创业 [15] 技术理念与差异 - Silver认为当前大语言模型的“预训练”和基于人类反馈的“后训练”阶段，其能力上限被人类知识锁死 [18][20] - 强化学习通过试错和反馈进行决策，能使AI自主探索并发现人类未知的新事物，是通往超级智能的途径 [17][18] - 他以AlphaGo和AlphaZero的“非人类”但绝妙的决策为例，说明基于人类偏好的评估可能限制AI潜力 [20][23] - 其理念是AI需要超越并可能摒弃人类知识，从基本原理出发学习以实现目标 [23]

文章核心观点 - 马斯克领导的X公司时隔近三年再次开源其核心推荐算法，旨在提升平台透明度并应对外界对其内容分发机制的系统性质疑 [1][11][12] - 开源的算法采用了与Grok相同的Transformer架构，通过端到端学习预测用户兴趣，代表了推荐系统向大模型驱动演进的技术趋势 [1][4][7] - 推荐系统是互联网公司的核心基础设施，直接影响用户参与度和商业变现，而大型语言模型（LLM）为简化传统复杂、碎片化的推荐工程架构提供了新的可能路径 [18][21][22] X推荐算法开源事件详情 - 开源时间与承诺：马斯克于2024年1月11日承诺在7天内开源新X算法，并于近期兑现，计划每4周更新一次代码并附开发者说明 [11] - 开源内容：此次开源的是为“为你推荐”信息流提供支持的核心推荐系统，包含算法框架，但未包含模型权重、具体打分参数及训练数据 [1][17][20] - 历史渊源：这是马斯克第二次开源X（前身为Twitter）的推荐算法，首次开源在2023年3月31日，当时项目在GitHub获得超过10k颗Star [9] - 开源动机：此举被视为应对平台被批评算法系统性偏袒右翼观点、内容审核机制失效等争议，旨在提升透明度和公信力，而非纯粹的技术决策 [12] 开源算法技术架构与逻辑 - 核心模型：采用基于Grok的Transformer模型对内容进行排名，该架构与Grok相同，通过端到端学习预测用户行为概率并加权得出综合得分 [1][4] - 内容来源：算法从两大来源获取候选内容，包括用户关注的账号（In-Network）和平台通过机器学习检索发现的其他帖子（Out-of-Network） [3] - 处理流程：系统会过滤掉低质量、重复、违规、用户已屏蔽或不感兴趣的内容，仅对有价值的候选内容进行排序 [4][6] - 行为权重：根据用户社区总结，算法对“回复+作者回应”的权重是点赞的75倍，包含链接或用户不回复评论会降低曝光率，用户观看时长是关键指标 [14] 推荐系统的行业地位与LLM的影响 - 商业核心地位：推荐系统是互联网巨头的关键基础设施，直接驱动商业变现，例如亚马逊约35%的购买、Netflix约80%的观看时长、YouTube约70%的观看来自推荐系统 [18] - 工程复杂性：传统推荐系统通常由数十个专用模型（如召回、粗排、精排模型）组成，导致工程复杂、维护成本高、跨任务协同困难 [19][21] - LLM带来的变革：大型语言模型（LLM）作为通用模型，有望用一个模型解决多个推荐问题，显著降低系统复杂度，并实现不同任务间的“交叉学习”潜力 [21][22] - 能力跃迁：LLM改变了传统依赖人工特征工程的方式，其基于海量数据训练出的理解能力，使其能够直接理解推荐任务本身并综合判断，而非仅执行规则 [22][23]

融资与估值 - 杨立昆的人工智能初创公司AMI实验室正在进行首轮融资，目标筹集约3.5亿欧元，最终目标是筹集5亿欧元[1] - 公司在本轮融资中的估值可能达到30亿欧元（约合35亿美元）[1] - 潜在投资方包括国泰创新、英国的Hiro Capital、Greycroft、德国的HV Capital、法国国有银行Bpifrance、20VC基金以及法国风投Daphni[1][2] 公司背景与战略 - 公司由前Meta研究员、被誉为现代深度学习之父的杨立昆创立，他长期直言不讳地批评大型语言模型[2] - AMI Labs扎根于巴黎，被视为潜在抗衡美国在人工智能领域主导地位的欧洲力量[2] - 公司计划与Meta建立合作伙伴关系，但Meta不会成为财务投资者[4] - 公司已从Meta和伊隆·马斯克的xAI聘请了研究人员，并将在巴黎、纽约、蒙特利尔和新加坡开展业务[5] 技术方向与产品 - 公司正在探索大型语言模型的替代方案，尚未发布任何产品[2] - 核心是开发所谓的“世界模型”，这类模型能帮助人工智能系统在物理世界中导航，并应用于机器人技术领域[2] - 公司认为与世界模型不同，大型语言模型“存在根本性局限”[2] - 技术应用场景包括智能制造、AI可穿戴设备、通用机器人技术及企业自动化[4] 行业趋势 - 公司加入了一批在尚无任何商业进展时便获得数十亿美元估值的初创公司行列[6] - 类似案例包括前OpenAI高管米拉·穆拉蒂和伊利亚·苏茨克弗分别为各自的初创公司筹集了20亿美元资金，但均未推出产品[6] - 对投资者而言，这是一次支持该领域明星人物的机遇，也是对当前流行的聊天机器人系统进行风险对冲的机会[2]

文章核心观点 - 一项由帝国理工学院、华为诺亚方舟实验室等机构的研究发现，大型语言模型在学习过程中会自发演化出一个“协同核心”结构，该结构在功能和组织模式上与人脑的联合皮层相似，表明实现高级智能可能遵循某种共同的计算必然性，而非特定架构的工程巧合 [1][17][29] 研究模型与方法 - 研究团队利用部分信息分解框架对Gemma、Llama、Qwen和DeepSeek等多个具有代表性的大型语言模型系列进行了深度剖析 [5] - 实验向模型输入了涵盖语法纠错、逻辑推理、常识问答等6个类别的认知任务提示词，并记录每一层中所有注意力头或专家模块的激活值，以计算其激活强度 [9][10][11] - 研究应用整合信息分解框架，将注意力头对之间的交互分解为“协同”和“冗余”等原子项，并计算“协同-冗余秩”指标来量化模型组件处理信息的倾向 [12][13] 模型内部结构发现 - 研究发现模型内部存在一致的空间组织规律：中层表现出极强的协同处理能力，而底层和顶层则更偏向于冗余处理，在归一化层深图上协同分布呈显著的“倒U型”曲线 [6][14] - 这种“协同核心”结构在Gemma、Llama、Qwen等不同架构的模型中普遍存在，甚至在DeepSeek V2 Lite模型中以“专家模块”为分析单位也观察到相同特征，表明其跨架构的收敛性 [8][15][16] - 该结构与生物大脑形成映射：模型高冗余的底层和顶层对应人脑的感官和运动区域，而高协同的中层核心则对应负责复杂认知功能的联合皮层 [17] 协同核心的形成与功能 - 协同核心结构并非Transformer架构固有，而是通过学习习得：在随机初始化的Pythia 1B模型中不存在“倒U型”分布，随着训练步数增加该结构才逐渐稳定形成 [19] - 研究将模型结构分为“冗余外周”与“协同核心”：冗余外周（早期层和末期层）负责基础的解词元化、局部特征提取及Token预测和输出格式化；协同核心（中层）则负责高级语义集成和抽象推理 [21] - 在拓扑性质上，协同核心具有高“全局效率”以利于信息快速集成，而冗余外周则表现出强“模块化”以适用于专门化处理，这与人类大脑的网络架构形成平行关系 [23] 协同核心的功能验证 - 消融实验表明，消融高协同性节点会导致模型出现灾难性的性能下降和行为背离，其影响远超消融冗余节点，证明协同核心是模型智能的核心驱动力 [25] - 微调实验发现，在强化学习微调场景下，仅针对协同核心进行训练获得的性能提升显著优于针对冗余核心或随机子集的训练；在监督微调中这种差异不明显，研究者认为这反映了强化学习促进通用化而监督微调更多倾向于记忆的特性 [27] 研究意义与启示 - 对于人工智能领域，识别协同核心有助于设计更高效的模型压缩算法，或通过更有针对性的参数更新来加速训练 [29] - 对于神经科学，这提供了计算上的验证，预示着协同回路在强化学习和知识迁移中可能扮演至关重要的角色 [29] - 研究指出，大模型在追求智能的过程中不约而同地走向了与生物大脑相似的组织模式，这种智能演化的趋同性可能是揭开通用智能奥秘的关键线索 [29]

DeepSeek发布新论文与开源模块 - 公司于12日晚发布新论文《Conditional Memory via Scalable Lookup: A New Axis of Sparsity for Large Language Models》[1] - 该论文由北京大学与公司共同完成，合著作者署名中出现梁文锋[1] - 论文提出“条件记忆”新方法，通过引入可扩展的查找记忆结构来增强大型语言模型[1] - 在等参数、等算力条件下，该方法能显著提升模型在知识调用、推理、代码、数学等任务上的表现[1] - 公司同步开源了相关记忆模块，命名为Engram[1] 论文的技术核心与影响 - 论文聚焦于大型语言模型稀疏性的新维度，即“基于可扩展查找的条件记忆”[1] - 该技术为行业提供了一种在不大幅增加计算资源消耗的前提下，提升模型多任务性能的新路径[1]

行业现状与核心观点 - 当前人工智能行业深陷“GPU竞赛”热潮，“人均GPU数量”成为衡量技术实力的热门指标，行业与国家层面都在追逐算力堆砌 [1] - 行业需要超越对云端AI的关注，将目光投向物理世界，探寻物理AI的下一个“AlphaGo时刻” [1][5] - 物理AI与依赖云端数据的大型语言模型存在本质区别，其真正的“分水岭时刻”尚未到来 [1][6] 物理AI面临的独特挑战 - **挑战一：极度缺乏覆盖所有极端场景的训练数据** 现实世界中的“边缘案例”（如罕见天气、突发障碍物、极端机械故障）难以被穷尽采集，这与可从数十年互联网数据中学习的大型语言模型形成鲜明对比 [2][13] - **挑战二：要求毫秒级的实时低延迟响应** 在高速行驶或紧急救援等场景中，决策延迟意味着失败甚至灾难 [2][13] - **挑战三：众多前沿场景中“云端”是缺席的** 在月球探索、矿难救援、火灾现场等场景，稳定高速的网络连接是奢望，部署在设备本地的“边缘AI”是唯一可行的智能 [2][15] 挑战的实证与理论依据 - **延迟优于精度** “LLM Colosseum”开源项目实验表明，在《街头霸王》游戏中，虽然小型模型单次决策精度较低，但其高频的决策速度能使其战胜响应缓慢的大型模型，印证了“完美是优秀的敌人”这一观点 [2][14][15] - **行为智能先于语言智能** 人类婴儿在学会用母语描述世界之前，就已经会通过行动探索世界，这暗示行为智能是更基础的形式 [12] - **实践中的失败案例** 2024年印第安纳赛车场比赛因暴雨导致GPS信号丢失，系统切换定位源时的不一致性致使控制算法选择错误行驶曲率，凸显了物理AI是理论与实践深度结合的复杂性 [9][10] 通过自动驾驶赛车进行的实践探索 - **赛事成就** 在2025年CES自动驾驶挑战赛决赛中，参赛的十支队伍已实现140英里/小时（约225公里/小时）的全自主行驶基准速度，伯克利车队更以163英里/小时（约262公里/小时）的速度完成超车并赢得头对头超车项目冠军 [4][18][21] - **动态交互与安全平衡** 比赛中，两车在弯道因漂移打破2-5米安全距离后双双自动紧急制动，体现了AI在动态高速物理交互中需平衡安全规则与竞争目标 [4][21] - **扩展至复杂环境测试** 将赛道延伸至中国张家界天门山，该山路全长10.77公里、有99道弯、海拔落差超1000米，并包含复杂天气，为自动驾驶提供了综合测试场，吸引了清华大学、浙江大学等九所中国高校参与 [4][25][26] - **赛事影响力** 2025年的天门山比赛吸引了超过50万人现场观看，线上观看量超过10亿次，相关社交媒体讨论超过800万条，成为迅速走红的顶级赛事 [28] 未来发展方向与计划 - **增设人形机器人挑战赛** 2026年将在原有赛事基础上增设天门山人形机器人挑战赛，邀请研发机构测试机器人在非结构化地形（如攀登999级台阶）中的移动与决策能力，以创造新的“AlphaGo时刻” [4][29] - **技术发展路径** 物理AI的进展不仅依赖于算法与硬件的迭代，也有赖于跨学科协作与在真实场景中持续积累的经验，极端环境下的技术实践与人才培养将为行业带来新启发 [4] - **行业应用前景** 对于许多前沿应用（如太空探索、灾害救援），边缘AI是唯一能依赖的人工智能，本地解决方案必须作为安全备份 [17]