阿里巴巴组织架构调整与AI战略 - 公司于3月16日正式成立Alibaba Token Hub（ATH）事业群，由CEO吴泳铭直接负责，核心目标是“创造Token、输送Token、应用Token”[1] - 此次调整是面向AI Agent时代的重要组织变革，旨在以Token Hub为核心强化AI业务战略协同，全面推进AI战略落地[1] - ATH事业群涵盖通义实验室、MaaS业务线、千问事业部、悟空事业部及AI创新事业部，形成了从基础模型研发、模型服务平台到个人与企业端AI应用的完整布局[1] 新业务单元与市场重点 - 新成立的“悟空事业部”首次公开，定位为“B端AI原生工作平台，将模型能力深度融入企业工作流”[1] - 此举意味着除已有的C端应用“千问APP”外，公司将重点发力B端AI应用市场[1] - 公司CEO吴泳铭已明确将“通用人工智能（AGI）”确立为公司首要目标，并承诺在人工智能领域投入超过530亿美元[1] 近期财务与市场表现 - 公司将于近期公布最新季度财报[1] - 调整宣布当日（3月16日），阿里巴巴港股收涨逾1%，报134港元/股，市值达2.56万亿港元；其美股盘前涨超2.6%[2] - 根据市场数据，公司当前总市值为25593亿人民币，总股本为191亿股[3] 财务数据与预测 - 2024年预测每股收益（EPS）为3.95人民币，2025年预测为6.89人民币，2026年上半年预测为3.45人民币[3] - 2024年预测净资产收益率（ROE）为8.02%，2025年预测提升至12.74%[3] - 预测收入从2025年的9963亿人民币增长至2027年的1.2万亿人民币，2027年预测同比增速为10.9%[3] - 预测净利润2025年为1301亿人民币，2026年预测为1036亿人民币（同比-20.4%），2027年预测回升至1249亿人民币（同比+20.6%）[3] - 预测市盈率（PE）2025年为19.3倍，2026年为21.8倍，2027年为18.1倍[3]

文章核心观点 - 著名数学家陶哲轩以联合创始人身份发起非营利组织SAIR Foundation，旨在重塑AI与科学的关系，其两大核心目标是：用科学的方法打造AI，以及借助AI重塑基础科学研究 [2] - SAIR Foundation希望成为连接学术界与产业界的桥梁，通过跨学科、全球化的协作，推动AI x Science的发展，最终实现AI的普惠化，让更多人能够参与科研 [2][5][47] - AI在科研领域的应用面临幻觉、可解释性、数据质量等关键挑战，需要发展垂直、专用的AI工具和严格的工作流，而不仅仅是追求模型规模的扩大 [16][21][26] - 数学和基础科学是发展可靠AI的理想试验场，其成果有望迁移至高风险的金融、医疗等领域 [48][54][56] - 未来的科研模式将向大规模、多元化团队协作演变，AI将降低科研门槛，改变研究者的能力结构和高等教育的培养方式 [63][68][114] SAIR Foundation的成立背景与目标 - 发起动机：陶哲轩认为AI将从根本上改变科研模式，需要探索在科研场景中合理、高效运用AI的最佳实践，而SAIR这样的组织能提供更灵活、创新的支持 [10] - 核心目标：一是用科学的方法打造AI；二是借助AI重塑基础科学研究 [2] - 组织性质：非营利性联盟，旨在连接学术界和产业界，团结和帮助更多年轻科学家 [2] - 创始团队：由陶哲轩与Chuck NG联合创立，并汇集了包括多位诺贝尔奖和图灵奖得主在内的顶尖专家 [4][12] - 产业界参与：启动活动汇聚了NVIDIA、OpenAI、Amazon、Microsoft等全球顶尖科技企业代表，为跨领域协作奠定基础 [13] 当前AI应用于科研的挑战与短板 - 幻觉问题：模型会产生幻觉，这对需要可验证、可信赖系统的科研而言是严重问题 [16] - 可解释性与可追溯性不足：模型给出的想法往往不说明来源，缺乏与已有知识体系的规范连接和引用，科学发现需要可追溯性和系统性连接 [16] - 数据瓶颈：许多细分科学领域缺乏高质量、结构化的数据，这是AI落地的主要障碍 [18][34] - 置信度表达缺失：AI几乎总是以百分之百确定的语气给出答案，而科学家通常会说明结论的信心程度，若AI能表达不同层级的置信度，其实用性将大幅提升 [11][20] - 效率低下：现有AI解决复杂问题往往很低效，需要数百万训练样本和上百次运行，而人类可能看十个例子就能举一反三 [21] AI for Science的发展路径与方法论 - 需要垂直AI：科研领域不能直接使用通用大模型，需要专门为科研设计、或嵌入更严格框架的AI工具，配合强有力的验证和校验机制 [16][17] - 从“Scaling”到“Scaling the Science of AI”：长远看，单纯依赖数据、算力规模扩大的路径会撞墙，科研更需要为特定工作流量身定制的专用工具，而非最大、最通用的模型 [20][21] - 改进人机协作：需要改进交互模式，让研究者能看到并介入推理过程，而非仅仅获得最终答案 [23] - 提升数据质量：在科研中，提升数据质量的重要性不亚于提升模型本身，需警惕低质量合成数据污染数据集的风险 [26][35] - 建立信任：目标是让AI达到“默认值得信任”的水平，使其能像汽车一样成为可靠的日常工具 [28][29] AI对科研生态与全球格局的潜在影响 - 科研普惠化：AI将显著降低参与严肃科学研究的门槛，未来可能有论文拥有成千上万的作者，包括非传统背景的参与者 [5][68][70] - 改变科研模式：科研将更多以大规模、多元化团队形式展开，沟通、协作等“软技能”以及把握方向的“品味”变得更重要 [63][64][65] - 重塑合作网络：SAIR旨在基于IPAM等机构的成功经验，建立一个全球化、跨学科、紧密连接真实科学问题的合作网络 [44][46][47] - 影响科研分工：未来可能出现比过去更细致的分工，如有人负责长期愿景，有人擅长与AI深度协作等，为科学做贡献的能力类型将更丰富 [66][67] - 推动跨学科融合：AI是促成跨学科互动的重要催化剂，正帮助打破学科壁垒，让数学、生命科学、社会科学等领域的交流合作变得更顺畅 [11][97][100] 对青年研究者培养与高等教育的启示 - 平衡AI与基础训练：需警惕过度依赖AI削弱独立思考能力，应为年轻研究者保留有价值的训练过程，在积累足够经验后再逐步引入自动化 [11][57][58] - 重视榜样与导师制：培养年轻研究者最重要的是树立榜样，让杰出科学家分享在挫折中坚持的经验，SAIR希望通过支持暑期学校、研讨班等项目支持青年成长 [75][76][78] - 高等教育需寻找新平衡：大学需要教会学生负责任地使用AI，知道何时该用何时该克制，未来教育可能更多转向小组项目和协作式学习，强调批判性思维与问题解决能力 [11][105][116][117] - 应对成本与价值质疑：美国顶尖大学四年费用接近40万美元，在AI提供新学习路径的背景下，大学需调整培养模式，更紧密地与产业界对齐，以证明其价值 [120][121] - 探索新的教育形式：可通过暑期学校等密集项目更快迭代课程内容，以适应AI发展节奏，不受传统学期制度束缚 [122] 数学与AI的相互促进及陶哲轩的实践 - 数学是AI的安全试验场：算错一道数学题几乎没有损失，是打磨可靠AI系统的理想环境，其成果可迁移至金融、医疗等高风险领域 [11][54][56] - 数学研究方式的变革：陶哲轩目前约一半时间仍在传统纯数学研究，另一半则探索与新技术结合的方式，如形式化验证、利用GitHub进行版本控制等“数学工程”实践 [80][82][83] - AI在数学中的辅助角色：陶哲轩将AI用于文献检索、写作自动补全、总结长文本、生成可视化等辅助环节，但在深度思考和研究级难题解决时仍依赖传统方式 [87][89][90] - 数学从软件工程中学习：未来的数学可能越来越像软件开发，成为一个拥有成熟工作流、工具和分工的行业 [94][95] - 跨学科合作增加：AI工具帮助理解不同领域的语言和工作方式，使得陶哲轩等数学家能与产业界等更多元背景的人合作，学科壁垒正在降低 [99][100][103]

AI行业发展的核心趋势与范式转移 - AI已跨越“仅具辅助价值”的临界点，具备重大经济实用价值，模型工作能力令人惊叹，尤其在编程和科学领域[7] - 硅谷初创公司思维发生根本转变，焦点从“招聘多少人”转向“抢占算力份额”，核心问题变为能获取多少算力、预留多少容量、达成多少云服务交易[1][4][10] - 大公司的工程和产品部门正计划将交付量翻两到三倍，这是前所未有的变化[11] AI模型能力与成本的革命性进展 - 从第一代推理模型o1到最新的o3模型，解决同等难度问题的成本下降了1000倍[2][5][18] - 复杂推理正经历史无前例的通缩，“堆算力”解决复杂任务的路线已经彻底跑通[5] - 模型效率提升速度惊人，这不仅源于算法改进，也来自内核工程师编写更高效代码、电力工程师和数据中心设计者提出更高效方案等跨领域协作[32][34] AI对工作模式与生产力的重塑 - AI正从完成数小时任务，向执行数天、数周任务演进，未来将深度连接到个人与公司，持续工作并拥有全部上下文，如同极其信任的资深员工[9] - 范式将转变为人类“监督一群AI智能体”，提供方向并决定如何信任其输出[14] - 到2028年末，全球数据中心内AI产生的认知能力总和将超过全人类的总和[2][5][14] 算力需求与基础设施建设的战略重要性 - 行业面临算力的物理瓶颈，需要千兆瓦级的核电站、水冷系统、高压输电线路等重资产基建[4] - 算力需求增长曲线极其陡峭，扩张速度和增长速度惊人，基础设施极其昂贵且需提前做出巨额资本承诺[21] - 公司正在建设吉瓦级园区的超级数据中心，例如在得克萨斯州阿比林的站点，预计将成为世界上最好的模型训练基地[27][28] 行业商业模式与未来愿景 - 未来业务的核心是销售Token（代币），智能将像电力或水一样成为按需计费的公用事业[24][25] - 公司的根本信念是“智能的富足”，目标是让智能变得“极其廉价，以至于无需计量”，成为像自来水一样廉价的基础设施[5][22] - 为避免算力成为富人特权或引发社会中央计划决策，必须向市场倾注海量的算力供应[25][26] 全球AI竞争格局观察 - 在最前沿的旗舰模型能力上，美国保持遥遥领先[36] - 在“将落后两代的模型推向极致廉价的推理使用”方面，中国处于领先地位[47] - 在物理基础设施建设上，美国目前仍保持领先，但中国推进的速度要快得多[47] - 美国在闭源生态上领先，中国在开源生态上领先，美国可能仍占据综合优势[36]

私募投顾资质概况 - **行业背景**：资管新规推动净值化转型，银行理财、信托、券商资管等机构在股票等领域主动管理能力不足，对具备投顾资质的私募机构合作需求深化[2] - **资质要求**：私募证券投资基金管理人申请投顾资质需满足三大条件：1) 在中基协登记满一年且无重大违法违规记录；2) 成为协会会员；3) 具备“3+3”核心人员配置（不少于3名具备3年以上连续可追溯投资业绩的投资管理人员，且最近三年无不良记录）[2] - **整体数据**：截至2026年2月底，拥有投顾资质的私募公司共有792家，占所有私募总数的10%左右[2] - **规模分布**：规模越大，拥有投顾资质的私募占比越高，其中百亿私募和准百亿私募中拥有投顾资质的占比均超过50%，数量合计166家[2] 百亿私募投顾资质分析 - **资质覆盖率**：在126家百亿私募中，有投顾资质的共97家，占比76.98%[5] - **地域分布**：注册地高度集中于上海，占比超过半数[5] - **核心策略**：以股票策略为核心，占比约75%[5] - **人员规模**：平均每家私募员工约55人，其中员工超100人的私募有13家[5] - **实控人性质**：除桥水(中国)投资外，其余96家私募的实控人均为自然人[5] - **业绩产品**：97家百亿私募旗下有近1年业绩展示的产品共620只[6] - **代表公司列举**：名单包括阿巴马投资、倍漾量化、博润银泰投资、超量子、洛书投资、茂源量化、蒙玺投资、远信投资、展弘投资、正瀛资产、致诚卓远、中欧瑞博、重阳投资、卓识投资等[7] - **公司案例**： - **超量子**：成立于2015年6月，通过自主开发数理统计方法论，结合金融数学模型与机器学习技术构建投资体系，旗下有4只近1年业绩展示产品[8] - **远信投资**：成立于2014年9月，核心管理团队拥有平均20年以上境内外资产管理经验，投研团队汇聚多位明星基金经理和产业专家，旗下有6只近1年业绩展示产品，公司关注AI应用端，认为2026年有望成为AGI（通用人工智能）元年[8] - **蒙玺投资**：成立于2016年，是一家管理规模超200亿元的量化对冲基金，投研团队超60人，构建了覆盖多市场、多品种、全频段的量化资产管理平台，旗下有7只近1年业绩展示产品[9] 准百亿私募投顾资质分析 - **资质覆盖率**：在117家准百亿私募中，有投顾资质的共69家，占比约58.97%[10] - **地域分布**：注册地位于上海、北京、深圳的私募较多，分别为29家、11家、10家[10] - **核心策略**：以股票策略为核心的私募有42家，占比约61.87%[10] - **实控人性质**：有3家私募的实控人为机构，其余均为自然人[10] - **业绩产品**：69家准百亿私募旗下有近1年业绩展示的产品共192只[11] - **代表公司列举**：名单包括艾方资产、半夏投资、北京宏道投资、北京华软新动力私募、博孚利、博普科技、昌都凯丰投资、知行通达、珠池资产、铸锋资产、子午投资等[12] - **公司案例**： - **博普科技**：成立于2012年7月，核心团队拥有多年海内外金融交易经验，教育背景包括麻省理工学院、普渡大学、清华大学、上海交大等，产品涉及套利类、股票量化、CTA等，旗下有5只近1年业绩展示产品[12] - **昌都凯丰投资**：成立于2015年5月，是一家宏观对冲基金管理公司，投资理念为“极精微，致广大”，从商品期货投资起家并扩展至其他大类资产，旗下有4只近1年业绩展示产品[13]

AI牛市的关键验证：存储价格与云订单 - 当前AI行情建立在两个核心假设之上：算力需求持续爆发和企业AI支出不断扩大，这两个假设需要被财报验证 [7] - 市场将美光科技和甲骨文的财报视为AI需求真实性的“压力测试”，因为它们处于AI价值链的关键节点 [3][4][5] - 美光科技代表算力硬件需求的真实性，其存储芯片是AI服务器释放算力的核心组件 [7] - 甲骨文代表企业AI应用落地的确定性，其OCI云平台是大型AI训练集群的重要承载平台 [8] - 两家公司的业绩将成为AI从“概念验证”走向“商业验证”的关键里程碑，决定市场对AI估值的逻辑 [8] 美光科技：存储超级周期的关键变量 - 在AI产业链中，存储芯片是被低估的一环，GPU算力提升导致对DRAM和NAND内存带宽与容量的需求指数级增长 [10] - 花旗预测2026年DRAM平均售价可能同比上涨171%，NAND可能上涨127%，预示着存储行业可能进入一个罕见的超级周期 [11] - 当前AI服务器对DRAM，尤其是HBM的需求激增，而供给侧因多年行业低谷导致投资谨慎，形成了供需剪刀差 [11] - 机构持续上调美光目标价，例如花旗将目标价提升至430美元，Susquehanna给出525美元的激进预期，反映了市场对存储超级周期的押注 [11] - 美光财报的关键在于其业绩指引，强劲的指引意味着AI硬件需求在加速，疲软的指引则可能预示下游客户在消化库存或投资放缓 [12] 甲骨文：AI增长的财务考题 - 甲骨文OCI云业务在上一季度实现68%的收入增长，剩余履约义务达到5230亿美元，表明其正成为AI公司预订算力资源的重要平台 [14] - 为满足AI订单需求，甲骨文将年度资本开支从350亿美元大幅提高到接近500亿美元，进入激进的资本支出扩张阶段 [15] - 激进的资本支出导致财务模型波动：过去12个月公司经营现金流约223亿美元，资本支出高达355亿美元，自由现金流跌至-132亿美元，进入“AI基建抽血期” [15] - 对甲骨文的关键考验在于AI订单转化为收入与现金流的速度，若收入确认速度跟不上资本支出速度，将损害公司财务健康度 [15] - 若OCI增长维持高位且订单兑现加速，市场可能将其视为高壁垒基础设施业务；若资本支出持续扩张而收入兑现不及预期，公司可能从高利润软件商转型为高风险基础设施商，影响其估值倍数 [16][17] 市场阶段与投资启示 - 市场正从AI狂热进入更现实的阶段，意识到AI是一场资本密集型产业竞赛，所有技术进步最终需体现在财务报表上 [19] - 科技股行情能否延续取决于两个问题：AI需求是否足够强大，以及这些需求能否快速转化为现金流 [19] - 美光与甲骨文的财报分别代表硬件需求强度和商业落地效率，是测试AI牛市底层逻辑是否成立的关键 [20] - 若存储价格飙升且AI云订单加速兑现，科技股可能迎来新反弹；若需求兑现速度低于预期，AI赛道将面临严肃的估值重估 [20] - 投资者需要关注数据与业绩验证，而非叙事，以穿越周期 [21][22]

文章核心观点 - 图灵奖得主Yann LeCun提出，AI发展的未来方向不应是模仿人类的通用人工智能，而应是追求**超人类适应性智能**，其核心是**系统适应新任务的速度**，而非掌握技能的数量[2][3][5] - 将人类智能作为AI发展的基准和目标是错误的，这限制了AI的能力发展，使其局限于以人类为中心的任务空间[10][11][12] - 人类的“通用”智能本质上是生物进化为生存而优化的结果，存在认知盲区，并非真正的通用，因此AI复制人类的“生存型智能工具箱”是一条错误的技术路线[18][20][30] - 智能进化的常态是**专业化**，通过任务特定的架构和训练实现超人类能力，强行追求通用性在工程和理论上往往是低效的[31][34][42] AI发展目标的转变 - 发展目标发生三个关键变化：**不再以人类为参照系**、**拥抱专业化以实现超人类能力**、衡量智能的核心指标变为**学习新技能的速度**[3][6] - 过去的发展逻辑是把人类当作智能标尺，例如图灵测试，但LeCun团队认为这限制了通往超人类能力的路径[8][9][10] - 更合理的路径是让AI围绕明确目标，通过**自我博弈、进化搜索和大规模仿真**持续优化能力[13] 对人类“通用性”的批判 - 人类智能是进化塑造的生存工具，擅长视觉感知、行走等对生存至关重要的能力，但在计算复杂概率、高维优化等任务上表现远不如计算机[19][20][23] - 莫拉维克悖论指出：人类觉得简单的事情对计算机很难，而人类觉得困难的事情对计算机却很容易[26][27][28] - 所谓“通用人工智能”很大程度上是一种错觉，源于人类无法看见自己的生物学盲区[25] 专业化是智能进化的常态 - 从生物学角度看，在资源有限、环境复杂的情况下，进化会推动系统向**特定能力方向优化**[32] - 在AI领域，如果某个领域的任务对成本、精度、可靠性要求高，任何不达标的模型都会被更专业的系统取代[34] - **AlphaFold**是专业化的典型成功案例，它通过任务特定的架构、数据和训练策略，在蛋白质结构预测上实现了巨大突破[35][37] - 机器学习的基本规律是：算法的成功来自于它与问题结构的匹配，强行让一个模型处理多个不同任务可能导致所有任务都表现平平[38][39] - 多任务学习可能存在**负迁移**问题，即不同任务的梯度互相冲突，拖累整体性能[40][41] 实现SAI的技术路线 - 技术路线基于三个关键词：**自监督学习**、**世界模型**、**模块化系统**[43] - **自监督学习**不依赖人类标注，而是从大量真实世界数据中学习底层结构[44] - **世界模型**让AI在内部构建一个“世界的模拟器”，使其能够预测未来、进行规划，从而在没有明确训练的情况下完成新任务[45][46] - **模块化架构**意味着未来AI更可能是一系列相互协作的系统，而非一个万能模型，论文明确反对“统治一切”的单一模型架构，尤其是自回归范式的下一个token预测[47][48]

核心观点 - AI服务器市场的核心驱动力正从单纯的GPU堆砌转向CPU与GPU协同的“算力再平衡”，这由能够执行复杂任务的“代理AI”所引发[1][2][3] - 行业正进入一个由代理AI驱动、CPU重要性显著提升、服务器需求长期强劲但受供应链制约的新增长周期[14][15] 从“聊天”到“干活”：代理AI引发的算力地震 - 早期AI依赖GPU进行大规模并行计算的“暴力美学”，而代理AI是一个需要执行复杂任务流程的“超级编排者”[4][5] - 代理AI工作流涉及检索增强生成、访问外部API等，需要处理大量逻辑分支、任务同步和多线程，这削弱了GPU的并行优势，凸显了CPU在多任务处理上的灵活性[5] - 根据康奈尔大学研究，代理AI工作流中约44%的算力依赖CPU，比传统AI工作流的CPU占比高出3-4倍，CPU从“辅助者”转变为算力引擎不可或缺的“大脑”[6] 为何服务器出货预期持续飙升？供给远小于需求 - 结构性算力需求变化强劲支撑服务器出货量，汇丰证券将2026年全球服务器出货量同比增长基准预期大幅上调至20%（原为4%），远超市场普遍预期的10%-15%[7] - 市场的“潜在需求”甚至高达60%，但未能完全兑现的主要原因是供应链存在严重瓶颈[7][8] - 目前CPU和DRAM内存供应缺口高达30%-40%，SSD、电源芯片等核心组件也面临10%-30%的供给不足[8] - 持续的供应短缺导致未来两年出货增长将是受限的“挤牙膏式”释放，大量积压订单保障了2026-2027年的出货逻辑，并可能将全球服务器增长周期延伸至2028年[9] 资本开支的结构性偏移与政策激励 - 美国《大漂亮法案》的实施，为企业购买数据中心资产（包括服务器）提供了100%的加计折旧和即时研发费用扣除的财务激励[10] - 汇丰预测，主要云服务商（Google、微软、亚马逊、Meta和甲骨文）2026年合计资本支出将达到7430亿美元，同比增长81%[11] - 云服务商的资本开支结构发生显著偏移：投向服务器的比例将从2025年的约35%跃升至2027年的59%，资源从“拿地盖楼”向“购买算力设备”倾斜[11] 谁在受益？供应链的“再平衡”红利 - 市场风格正从单纯的“GPU逻辑”转向更平衡的“计算节点价值链”[12] - 随着CPU在机架中的价值占比提升，服务器原始设计制造商及关键组件供应商将成为算力再平衡的核心受益者[13]

英伟达对当前硬件短缺的市场观点与战略 - 公司首席执行官黄仁勋提出“拥抱短缺”的思维逻辑，认为硬件短缺不仅未阻碍公司发展，反而成为巩固市场地位的最佳武器 [2] - 黄仁勋表示“我爱限制”，因为在限制下，企业别无选择，只能挑选最好的硬件，这直接转化为对公司高阶硬件产品的强劲需求 [2] - 由于土地、电力和机壳空间等基础设施受到严格限制与短缺，企业被迫采用最高阶硬件，而非浪费资源在便宜、次级的替代方案上进行实验 [2] 短缺环境下的客户决策与公司优势 - 黄仁勋指出，在硬件供应极度吃紧时期，企业承担不起选择错误的代价，因此市场上最安全的投资标的成为最明智的选择，这使公司高阶产品成为AI基础设施建设的唯一解答 [3] - 公司具备提供完整基础设施的能力，黄仁勋称其是“世界上唯一一家能够走进你的公司，并协助你建立一整座AI工厂的企业” [3] - 公司以DRAM工厂为例，说明其可以包下整座工厂的产能，这种保证可被用于获取银行贷款，凸显其在供应链中的强势地位 [4] AI热潮对行业及其他领域的影响 - AI产业吞噬了所有生产线，已严重影响其他领域的消费者，例如游戏玩家面临价格飙升至三倍的记忆体和储存装置，GPU价格也持续上涨 [3] - 从营收结构看，游戏业务仅占据公司总营收的8%到9%，数据中心业务是最大营收贡献来源，因此公司乐于继续推销其通用人工智慧（AGI）梦想 [4] 公司在供应链中的垄断性地位 - 黄仁勋宣称公司掌握了所有的记忆体、所有的晶圆、所有的CoWoS（先进封装）、所有的封装、所有的系统、所有的连接器、所有的缆线，从铜到积层陶瓷电容（MLCC），所有东西都已被确保 [5] - 这场由AI引爆的全球硬件短缺危机，在公司眼中是绝佳的市场催化剂，成就了其在数据中心领域的绝对霸权 [5] - 凭借对硬件供应链的全面掌控，公司在硬件稀缺的年代无惧消费市场价格震荡，持续稳坐AI狂潮中的最大赢家宝座 [5]

报告行业投资评级 - 推荐 维持评级 [5] 报告核心观点 - 特斯拉第三代Optimus人形机器人即将发布，有望推动具身智能产业加速发展，成为实现通用人工智能的重要载体 [13][14] - 政策与产业共振，国内具身智能在“大脑”（AI模型）和世界模型领域取得重要进展，发展前景可期 [26][28] - 投资建议围绕具身智能产业链展开，重点关注相关细分领域及公司 [4][34] 根据目录总结 1 具身智能 - **特斯拉Optimus V3进展**：特斯拉官宣第三代Optimus人形机器人将于2026年第一季度亮相，是首个面向大规模生产的通用型产品，能通过观察学习新技能，远期目标年产百万台，规模化后单台成本预计控制在2万美元 [13] - **产能与训练规划**：马斯克表示，Optimus第3代年产能目标100万台，第4代目标1000万台，并计划部署至少1万台甚至2-3万台进行真实场景下的自对弈训练 [14] - **与SpaceX协同**：Optimus与星舰发展密切相关，2026年火星任务将搭载Optimus机器人，用于测试关键技术，为后续人类任务铺路，至2033年预计有多达500艘Starship火箭着陆火星 [17][18] - **英伟达布局**：英伟达推出开源物理AI世界基础模型Cosmos，基于海量视频、驾驶/机器人数据及3D模拟预训练，旨在解决物理世界数据短板问题，并以Isaac平台+GR00T模型为核心构建机器人生态 [23][24][25] - **国内政策支持**：《2026年政府工作报告》将具身智能列为未来产业重点培育领域 [26] - **国内技术进展**： - 阿里达摩院发布RynnVLA-002模型，将视觉-语言-动作模型与世界模型统一，在LIBERO仿真基准测试中无预训练成功率高达97.4% [26][28] - 极佳视界开源具身世界模型GigaWorld-0，将世界模型生成数据在VLA训练中占比提升至90%，使模型在三大泛化维度上性能提升近300% [28] - 智元具身研究中心推出GenieReasoner系统，在ERIQ Benchmark的15个子任务中刷新性能SOTA纪录，平均推理准确率大幅提升并超过顶级闭源模型 [31][33] - **产业合作案例**：通智科技与宇树科技合作，打造“智脑-智体-场景生态”全链路具身智能解决方案 [33] 2 行业新闻 - **高通AI可穿戴**：高通在MWC 2026上以骁龙平台为核心打造全栈式个人AI解决方案，推动AI赋能XR、可穿戴等终端 [35] - **英伟达投资光学**：英伟达向Lumentum和Coherent各注资20亿美元，总投资40亿美元，聚焦硅光子、光互连与先进封装技术研发 [36] - **烽火通信AI服务器**：烽火通信在MWC发布G6201 V5与G420K V2两款AI服务器，分别主打高负载推理和全能训练 [37] - **视频生成成本**：火山引擎Seedance2.0价格公布，以纯生成模式核算，生成15秒视频单条成本约15元，进入“秒元时代” [38] 3 公司新闻 - **中科创达**：截至2026年2月28日，公司累计回购股份78.26万股，占总股本0.17%，使用资金4329.96万元 [3][39] - **银信科技**：控股股东一致行动人减持计划期限届满，未减持公司股份 [3][39] - **辰安科技**：非公开发行股票获国资委批复，拟发行不超过6979.1291万股，募资不超过14.19亿元，控股股东及实控人将变更 [40] - **恒华科技**：公司中标“隆化县100MW风电项目设计采购施工总承包（EPC）”项目 [41] 4 本周市场回顾 - **指数表现**：本周（03.02-03.06），沪深300指数下跌1.07%，中小板指数下跌1.76%，创业板指数下跌2.45%，计算机（中信）板块下跌5.48% [1][42] - **个股涨跌**： - 涨幅前五：华如科技（+33.23%）、南网数字（+26.53%）、科远智慧（+17.64%）、中科星图（+15.21%）、华是科技（+12.87%） [1][47] - 跌幅前五：杰创智能（-13.96%）、光环新网（-14.73%）、容知日新（-18.21%）、ST达华（-18.57%）、ST国华（-22.61%） [1][47]

研究背景与核心观点 - 研究团队提出了一项针对基础模型的“空间智商测试”——空间理论，旨在探究AI是否具备人类级别的高阶空间认知能力，即主动预测并消除环境中的“不确定性”[2][4] - 该研究指出，衡量具身大模型的真正试金石，在于其能否主动预测并消除环境中的“不确定性”，这被认为是通向通用人工智能的必经之路[4] 测试方法与框架 - 研究团队打造了一个“多模态平行测试宇宙”，包含纯文本房间和基于ThreeDWorld引擎渲染的视觉房间，模型仅能使用“移动”、“多角度旋转”和“就地观察”等基础动作进行自主探索[7] - 测试系统从三大核心维度评估AI的空间认知：寻找未知、敏锐纠错和高阶推演[9] - 研究创造性地引入了“认知地图显式探测”机制，要求模型以JSON格式默写脑海中的虚拟地图，使AI对不确定性的建模过程透明化[11] 主要研究发现与模型缺陷 - 当面临“自主求解不确定性”的任务时，主流大模型集体暴露出四大深层缺陷[14] - **缺陷一：主动探索效率低下**：大模型自主探索时，往往耗费14到20步以上，并在已观测区域打转，而策略脚本代理平均只需约9步[15]。GPT-5.2在视觉宇宙中的动作准确率从被动接收信息的57.1%大幅下滑至主动探索的仅46.0%[17] - **缺陷二：存在“信念漂移”**：模型的内部空间信念脆弱，先前记住的物体坐标等信息会随着探索新区域而迅速退化模糊或被无关信息覆盖[19] - **缺陷三：存在“信念惯性”**：在纠错测试中，当物体被移动后，模型亲眼看到新位置，其预测仍固执地偏向老地方。GPT-5.2在视觉模型中的“信念惯性”高达68.9%[21] - **缺陷四：存在“模态鸿沟”**：模型在纯文本虚拟房间中表现尚可，但进入基于3D渲染的视觉世界后，得分直线下滑。人类在相同视觉测试中借助简单工具能达到99.0%的准确率，AI与之存在明显差距[23][25] 未来发展方向 - **突破一：培育具有强可塑性的“空间长时记忆”**：未来AI需要构建类似人类海马体的灵活回溯机制，以稳固锁定空间结构并能根据即时线索精准剔除错误记忆[26] - **突破二：引入内在“好奇心”驱动的强化探索**：智能体应能主动评估信息盲区，在内在“好奇心”驱动下，规划出信息增益最大化的探测轨迹[27] - **突破三：构建真正拥抱3D物理法则的“世界模型”**：未来的模型需要超越2D像素层面的模式匹配，真正理解三维空间中的几何刚体法则，能够在脑海中无缝推演视角变换的结果[28]