AI与数据安全 - AI平台发生用户个人信息泄露事件 用户在使用AI翻译时收到包含姓名、电话、邮箱、工作经历的陌生人完整简历 平台解释为“AI幻觉”但专家指出这更接近数据隔离失效或会话管理不当的工程问题 [4] - 律师指出该行为已构成个人信息泄露 平台不能以“AI幻觉”作为免责理由 数据安全保护是平台的法定义务 [3][6] AI行业动态与竞争 - OpenAI发布GPT-5.5模型 该模型在编程、使用计算机及进行深入研究方面表现更出色 是迄今为止最智能、最直观易用的模型 擅长编写调试代码、分析数据、操作软件等 [15] - 深度求索发布并开源DeepSeek V4 海光DCU同步完成Day0适配 形成“模型发布—芯片适配—产业落地”的高效闭环 [15] - AI初创公司Cognition AI正进行新一轮融资谈判 估值预计将达到250亿美元 [18] - AI编程初创公司Cursor被SpaceX以约600亿美元（约合人民币4000多亿元）收购选择权锁定 该公司由四名“00后”学生创立 估值从2024年初的25亿美元飙升至2025年底的293亿美元 付费用户超过100万 超半数《财富》500强企业使用 [6][7] - 此次收购旨在构建“算力+模型+工具”闭环 Cursor将接入SpaceX的Colossus超算 而SpaceX旗下xAI则补齐AI编程短板 AI竞争正从底层算力向应用层延伸 [7] 半导体与芯片 - 英特尔CEO表示 在人工智能需求爆发式增长的驱动下 半导体行业整体潜在市场规模已逼近1万亿美元 [10] - SpaceX在秘密提交的S-1招股书中披露自造GPU芯片计划 以降低供应链风险 公司估值高达1.75万亿美元 [11] 公司财报与业绩 - 赤峰黄金2026年第一季度实现营业收入35.54亿元 同比增长47.65% 归属于上市公司股东的净利润为9.88亿元 同比增长104.43% 主要受益于黄金价格同比较大幅度上涨 [16] - 东阿阿胶2026年第一季度实现营业收入18.14亿元 同比增长5.52% 归属于上市公司股东的净利润为4.55亿元 同比增长7.14% [17] - 起亚公司第一季度销售额为29.50万亿韩元 高于市场预估的29.33万亿韩元 营业利润为2.21万亿韩元 净利润为1.83万亿韩元 [18] 公司战略与运营 - 耐克将裁减1400个公司职位 占其员工总数的不到2% 裁员将主要影响全球运营团队的技术岗位 公司正精简组织结构并采用更先进的自动化技术 [10] - 微软向约7%的美国员工（约8750人）提供自愿退休计划 面向级别在67级及以下且工龄与年龄之和达到70或以上的员工 [9] - 哈啰公司因“未按规定备案、投放运营或者回收车辆”被上海市交通委员会罚款10万元 [8] 资本市场与监管 - 上海证券交易所修订发布《上海证券交易所交易规则》 将于2026年7月6日起正式实施 修订内容包括将盘后固定价格交易方式适用证券范围扩展至全部A股和交易型开放式基金 将主板风险警示股票价格涨跌幅限制比例由5%调整为10%等 [12] - 滨化集团股份有限公司获准发行不超过404，944，000股境外上市普通股并在香港联合交易所上市 [13] - 天辰生物医药（苏州）股份有限公司获准发行不超过18，341，800股境外上市普通股并在香港联合交易所上市 其31名股东拟将所持合计58，737，118股境内未上市股份转为境外上市股份 [14] 行业并购 - 华纳兄弟探索与派拉蒙的合并协议获股东批准 交易价值高达1100亿美元 合并后的公司将拥有超过15000部影片库及多个热门影视IP [12] 其他行业新闻 - 铁路部门将实行老年旅客购票优惠 年满60周岁及以上的中国公民在特定时段购买部分动车组列车车票可享受执行票价9折优惠 [8] - 国家医保局已派出检查组前往湖南、河南 对药店将化妆品、保健品和生活用品串换成药品使用医保卡结算的情况进行调查核实 [8] - 挪威政府将禁止16岁以下儿童使用社交媒体 相关法案可能于明年生效 [10] - 日本将于5月1日开始第二轮释放国家石油储备 将释放约580万千升石油 价值约5400亿日元 [11] - 中国科研人员从嫦娥五号月球样品中再发现两种新矿物——镁嫦娥石和铈嫦娥石 至此已从该样品中发现3种新矿物 [11][12]

研究背景与核心问题 - 单个大语言模型存在能力天花板，增加推理预算、生成更多候选答案等方法会导致答案种群收敛并停滞不前，因为模型只是在重复相同的先验知识、失败模式和盲点[6] - 在许多重要领域（如等离子体模拟、湿实验室实验、开放式数学推理等），获取外部验证的成本过高、速度过慢或根本不可用，因此需要“无验证器进化”[9] - 无验证器进化面临根本性问题：单模型种群会崩溃，模型会放大已知轨迹，丢弃少量正确方案，导致多样性丧失并陷入狭窄解空间，瓶颈在于多样性而非算力[10][11] 核心方法与理念 - 提出“Squeeze Evolve”多模型进化框架，核心理念是通过编排具有不同优势、失败模式和推理风格的模型，在无需任何外部验证器的情况下，产生任何单一模型都无法单独实现的能力[7] - 不同模型具有不同的先验知识、训练数据分布和失败模式，它们在同一个进化过程中能够维持单一模型无法独立保持的互补谱系[14] - 多模型编排是能力放大器，而不仅仅是成本工程，一个推理模型可能擅长逻辑推理但在空间推理上不佳，一个指令微调模型可能整体较弱但保留了不同的解决路径，即使小得多的模型也能以不同的方式犯错并做出有意义的贡献[15][16] 关键实证结果 - **初始化主导最终准确性**：初始种群（Loop 0）的质量是最终性能的最强预测因子，在AIME 2025上，反转初始化模型和重组模型的角色会导致准确率下降高达23个百分点，最强模型必须锚定起始种群[20] - **弱模型是强大的聚合器**：当候选集已包含正确轨迹时，即使小得多的模型也能有效聚合它们（接近100%准确率），昂贵模型的优势集中在最难、最不确定的组上，在其他地方，便宜模型不仅足够而且充分[20] - **模型置信度预测能力需求**：从token对数概率导出的组置信度能够清晰区分包含正确轨迹的组和不包含的组，这个信号在推理过程中产生且无额外成本，适用于不同模型家族，能指导将任务分配给昂贵或便宜模型[20] 实验评估与性能表现 - **数学推理（AIME 2025）**：GPT-OSS-20B与GPT-5 mini组合后，以55%的成本（0.50美元/问题 vs 0.89美元/问题）实现了95.4%的准确率，超越了GPT-5 mini单模型的94.2%[19] - **视觉理解（MMMU-Pro）**：使用Qwen3.5-35B-A3B和Kimi-2.5-Thinking的组合，以43%的成本（0.46美元/问题 vs 1.04美元/问题）实现了79.06%的准确率，超越了Kimi-2.5-Thinking单模型的78.58%[19][21] - **科学发现（ARC-AGI-V2）**：使用Gemini3 3.1 Pro的Squeeze Evolve方法实现了97.5%的准确率，成本为7.74美元/任务，相比单模型RSA基线（93.3%准确率，28.85美元/任务）实现了3.7倍的成本节约和显著的准确率提升[22] - **圆堆积问题**：使用开源模型组合（GPT-OSS 120B + 20B）在无需验证器的情况下，效果匹配了基于验证器的闭源AlphaEvolve基线方法（使用Gemini-2.0 Pro + Flash）[22] - **综合成本与吞吐量**：在所有8个基准测试上，该方法实现了1.4倍至3.3倍的成本降低，以及4倍至10倍的吞吐量提升[22] 核心洞见与行业意义 - 单个模型的天花板不是模型系统的天花板，通过将测试时扩展方法统一到共同的进化框架中，揭示了根据模型能力边际效用分配进化角色的设计空间[24] - 结果不仅仅是更便宜的推理，而是真正更强的推理，协同进化的模型能够产生它们单独无法产生的解决方案[24] - 这将测试时扩展从“在更大的模型上花更多钱”重新定义为多模型系统优化问题，行业前沿不再仅由单个模型能力推动，而是由如何智能地编排已有模型所推动[25]

文章核心观点 - 谷歌提出了一种名为“Decoupled DiLoCo”的革命性分布式AI预训练技术，旨在解决超大规模集群训练中因硬件故障频繁导致的效率低下问题 [1] - 该技术通过将训练集群拆分为独立运行的“学习器”和一个轻量级“同步器”，实现了异步、容错的训练，显著提升了有效计算利用率，并大幅降低了带宽需求 [12][14][25] - 这项研究标志着AI训练基础设施范式的转变，从追求强一致性转向“可用性优先”，为利用全球异构、临时算力资源进行超大规模模型训练铺平了道路 [31][32] 技术背景与现有问题 - 现代大语言模型训练普遍采用SPMD（单程序多数据）并行方式，要求所有硬件严格同步，任一节点故障都会导致整个训练流程暂停 [7] - 在超大规模集群中，硬件故障成为日常：假设单芯片年均故障一次，在一个240万芯片的集群中，平均故障间隔将缩短至不足一分钟 [8] - 现有弹性训练方案在重配置时会造成大量算力浪费：模拟显示，在240万芯片规模下，传统弹性数据并行方案的有效计算时间（Goodput）仅为**40%**，意味着**60%** 的时间被等待或重配置消耗 [8] Decoupled DiLoCo 核心技术框架 - **架构解耦**：将训练集群拆分为多个独立的“学习器”，每个学习器使用分配的数据独立训练，互不等待；一个学习器故障不影响其他学习器运行 [12] - **异步同步机制**：引入运行在稳定CPU资源上的“同步器”，周期性合并各学习器的参数更新；同步器无需等待所有学习器，只需达到“最小法定数”即可开始工作，故障节点可后续补上 [14][16] - **公平性与效率优化**： - 引入基于处理token数量的动态权重机制，确保计算速度不同的学习器在参数合并时贡献公平 [16] - 采用“自适应宽限窗口”，在达到最小法定数后稍作等待，以纳入更多学习器的更新，提升合并质量而不显著影响速度 [16] - 采用“平衡张量分片”技术，将模型参数切分为大小相近的碎片分批传输，避免带宽使用出现脉冲峰值，均匀通信压力 [18] 性能实验结果 - **有效计算利用率（Goodput）大幅提升**：在模拟**240万**芯片、年均单芯片故障一次的场景下，使用**8个**学习器时，Decoupled DiLoCo的Goodput达到**88%**，而传统弹性数据并行方案仅为**58%** [21] - **模型质量无损**：在训练一个**5B**参数模型至**1万亿**token的实验中，Decoupled DiLoCo在文本和视觉多项下游评测基准上的表现与传统数据并行训练结果几乎无差距 [23] - **卓越的异构硬件兼容性**：在混合TPUv5e与TPUv5p（性能差约**20%**）的场景下，系统仍能保持**100%** 的计算利用率，并产出与完全同步训练质量相当的模型 [25] - **带宽需求急剧降低**：为达到**90%** 计算利用率，在1秒计算步长、2个数据中心的场景下，传统方案需要约**104 Gbits/s**带宽，而Decoupled DiLoCo仅需**1.7 Gbits/s**，使用int4压缩后进一步降至**0.43 Gbits/s**，需求减少约两个数量级 [25] 潜在影响与行业意义 - **实现“捡漏”算力**：极低的带宽需求使得系统能够灵活利用分布在全球不同地区、不同时区、不同代际的临时可用算力资源，新学习器加入时可异步拉取模型状态，不影响其他单元训练 [27][28] - **推动训练范式转变**：随着预训练向跨地区集群扩展，在带宽和硬件可靠性双重受限的环境中，“可用性优先”的训练范式将从一种优势变为一种必要 [31] - **延续并实现了长期愿景**：该工作实现了Jeff Dean等人14年前在《Large Scale Distributed Deep Networks》论文中提出的，通过容忍不一致性来提升训练弹性的设想，如今在数百万芯片的工程规模下成为现实解决方案 [3][29][30]

头部公募QDII产品限购现象与市场偏好 - 多家头部公募基金对旗下重仓美股的QDII产品实施限购，包括银华基金、广发基金、华夏基金、天弘基金、摩根基金等[2] - 限购措施大多不涉及港股QDII，主要指向美股主题产品，例如银华海外数字经济量化QDII和广发全球精选美元QDII单日限购10万元，华夏移动互联QDII单日限购5000元，天弘全球高端QDII基金和摩根纳斯达克100指数QDII基金单日限购100元[2] - 限购现象反映出美股是QDII基金获利的主要对象，而港股表现疲软，恒生科技指数年内跌幅达11%[2] QDII基金业绩表现与资产配置 - 主动权益类QDII基金业绩排名靠前的产品均由美股仓位主导，业绩落后或亏损的产品主要重仓港股市场[2] - 天弘全球高端制造QDII基金年内收益率达45.86%，为主动权益类QDII最佳业绩，其美股仓位占比32%，港股仓位仅3%[3] - 华夏移动互联QDII年内收益率为44%，排名第二，其美股仓位高达77%[3] QDII基金经理的行业布局逻辑 - 基金经理认为海外AI头部厂商竞争重心正转向系统级能力与生态构建，Agent成为关键突破口，例如OpenClaw和Anthropic发布相关AI工具推动与垂类行业融合[4] - 科技公司推出Agentic产品将带动融资与算力侧景气度，并延长光通信与存储链条的景气度，在AI需求下存储和半导体设备需求有较大增长空间[4] - 基金经理增持了半导体设备、光纤相关公司，并看好国内大模型出海机会，增加了对大模型科技企业的配置[4] 宏观经济与AI投资前景 - 在美国地缘冲突背景下，美国经济底盘相对更稳，人工智能是海外宏观与资产定价最重要的结构性主线[5] - 2026年美国AI资本开支预测在一季度被进一步上修至10300亿美元，年度增量占美国GDP比重升至1.4%[5] - AI资本开支对企业盈利和全球科技周期有中期支撑，但长久期科技资产对利率与流动性变化敏感，估值波动显著放大[5]

北京查处全国首例仿冒DeepSeek混淆案 - 北京市市场监管部门于2025年查办了全国首例仿冒DeepSeek（深度求索）的混淆案件[3] - 某科技公司在其网站推广名为“DeepSeek本地部署工具”的软件，并多处使用DeepSeek字样及官方图标[3] - 该公司通过竞价排名方式获取流量，其行为被执法机关依法认定为构成《反不正当竞争法》规定的混淆行为[3] - 执法机关责令该公司停止违法行为并处以罚款[3] 数字经济下的知识产权保护趋势 - 在数字经济背景下，知识产权的保护范围正在不断扩展[3] - 新兴产业发展过程中，侵犯企业商业秘密、仿冒知名科技企业名称、利用AI技术发布虚假广告等违法行为频发[3] - 此类行为损害了市场主体的正常经营，侵害消费者合法权益，并制约了整个新兴领域产业的健康发展[3]

谷歌对Anthropic的战略投资 - 谷歌计划向Anthropic投资最高400亿美元，以扩大长期合作关系并强化其在人工智能竞赛中的战略布局 [1] - 根据协议，谷歌将首先按Anthropic最新3800亿美元估值投资100亿美元，其余300亿美元将取决于特定业绩里程碑是否达成 [3] - 这笔交易若全部落地，将成为科技行业对AI初创公司规模最大的投资之一 [3] 投资的背景与行业趋势 - 市场认为此举凸显大型科技公司正以前所未有的资金规模争夺AI核心能力 [3] - 近年来，领先科技企业正持续向OpenAI和Anthropic等前沿AI实验室投入数百亿美元 [3] - 部分投资也将通过云计算服务和模型收入回流至投资方 [3] 双方的合作关系与协同 - 此次投资是在双方长期合作基础上的进一步升级，合作关系始于2023年 [3][4] - 本月稍早，Anthropic宣布与谷歌及博通合作，锁定5吉瓦计算能力，相关资源预计明年开始上线，未来还可能进一步追加算力 [3] - 谷歌通过云业务向客户提供Anthropic旗下Claude模型接入服务，与亚马逊云服务和微软Azure云服务展开竞争 [3] - 谷歌还提供自研张量处理器，作为英伟达GPU的替代方案 [3] 合作中的竞争关系 - 谷歌自有大模型Gemini，正与Anthropic的Claude争夺AI模型及服务市场份额 [4] - 双方合作的同时也带有竞争关系 [4] Anthropic的融资历史与现状 - 2023年，谷歌向Anthropic投资3亿美元，换取约10%股份；数月后又追加20亿美元投资 [4] - 在此次交易宣布前，谷歌累计投资已超过30亿美元，持股比例据报约为14% [4] - Anthropic近期也在寻求缓解快速增长需求带来的基础设施压力，随着需求激增，其算力资源面临"不可避免的压力" [4] - 此前，OpenAI曾批评Anthropic未能锁定足够算力资源 [4] 与亚马逊协议的类比 - 此次谷歌投资模式与Anthropic数周前与Amazon达成的协议颇为类似 [4] - 亚马逊当时向Anthropic投资50亿美元，并承诺未来根据特定商业里程碑最多再投资200亿美元 [4] - Anthropic首席执行官表示，与亚马逊合作将支持其推进AI研究，并服务超过10万家基于AWS构建应用的客户 [4]

泽平宏观商学实战研学项目概览 - 项目由任泽平博士带领，组织企业家学员深入科技企业、高校及实验室进行实战研学，旨在将课堂搬到优秀企业现场，与企业家和科学家直接交流 [2][3] - 项目理念为“读万卷书，行万里路”，聚焦于前沿科技趋势、新兴产业生态与商业思路探索，致力于帮助企业家捕捉投研机遇、驱动创新和链接资源 [3][15] - 项目活动形式包括深度探访企业、与创始人及高管进行顶级对话，以及举办闭门投研会等 [15] 2026年研学行程安排 - **1月至6月行程**: 计划探访地点包括北京、苏州、上海、香港、合肥等地，涉及领域涵盖国内头部智驾科技、人形机器人、AI、Web3、商业航天及新能源 [5][8][9][10][11] - **7月至12月行程**: 计划探访地点包括武汉、成都、杭州、美国东部、上海、广州及东南亚等地，涉及领域涵盖芯片科技、AI独角兽、金融科技、脑机接口、机器人及东南亚市场 [12][13] 研学项目聚焦的核心产业与主题 - **人工智能与机器人**: 行程中多次安排探访AI独角兽、机器人企业（如智元、开普勒、傅里叶机器人）及相关闭门投研会 [9][10][12] - **新能源与储能**: 计划探访阳光电源、国轩高科等新能源企业 [11] - **半导体与硬科技**: 行程包括探访长江存储、芯擎科技、黑芝麻智能、芯粤能、芯聚能等芯片科技企业 [12][13] - **生物科技与医疗健康**: 计划探访脑机接口实验室（BrainCo）、脑虎科技、优脑银河等企业 [12] - **Web3与金融科技**: 计划参加香港Web3嘉年华，并探访相关机构 [10] - **商业航天与低空出行**: 行程中包含商业航天主题，并曾探访亿航智能、小鹏汽车、汇天飞行汽车等企业 [10][23][55] - **消费与互联网**: 计划探访极兔速递、Tokopedia等企业，并曾探访阿里巴巴、哔哩哔哩、小红书等 [12][13][23][35] 往期研学回顾与项目影响力 - **2023年探访企业**: 包括华为、字节跳动、东方甄选、蔚来汽车、科大讯飞等 [22] - **2024年探访企业**: 包括比亚迪、腾讯、京东、美团、娃哈哈、小米、大疆、强脑科技等，主题覆盖人工智能、新能源、生物医药产业链 [22] - **2025年探访企业**: 包括绿的谐波、汇川技术、科沃斯、优必选、小鹏汽车、亿航智能、禾赛科技、哔哩哔哩、胖东来等，深入机器人、自动驾驶、低空出行等领域 [23] - 项目通过三年沉淀，组织了多场高端闭门投研会（如稳定币研讨会、机器人产业投研闭门会），为学员提供思想交流和资源链接平台 [23] 学员反馈与项目价值 - 学员反馈认为该项目是在传统商学院培训基础上的再实践与创新，通过深入企业实战研学，能够拓宽视野、更新认知、链接资源 [40][44][46] - 学员评价项目有助于理解宏观趋势如何落地产业，与企业高管探讨战略，并提升投资能力与企业家精神 [44][46] - 部分学员将“正心正念，坚持做长期正确的事”视为共同理念，并认为项目兼具热度、温度和价值 [44][46]

AI产业与资本市场表现 - 自2022年ChatGPT推出，全球人工智能产业爆发式发展，A股人工智能板块开启持续数年的投资热潮 [1] - 行业景气度上行传导至资本市场，中证人工智能产业指数在2023年至2026年3月末期间累计上涨123.32% [1] - 板块核心标的表现突出，同期新易盛、中际旭创、寒武纪累计涨幅分别达3581.91%、2876.99%、1701.69% [1] - 股价上涨源于技术迭代驱动需求爆发、公司基本面改善及市场预期乐观，形成业绩与估值戴维斯双击，例如新易盛PE估值从2023年初约15倍提升至2026年3月末约60倍 [1] 当前市场状况与基金经理观点分化 - 近期AI及科技板块在快速上涨后出现高位震荡与结构性分化，市场震荡加剧 [2] - 全球科技巨头持续加码AI算力投入，产业链供需依然偏紧，但板块内部估值分化加剧，市场对估值合理性、景气持续性及业绩兑现的讨论升温 [2][4] - 不同投资策略的基金经理对AI产业投资机会态度呈现明显分化：成长风格看重未来成长空间，价值风格更关注估值安全边际，合理估值成长与平衡风格则力求在成长性与低估值间找到平衡 [4] 成长风格基金经理观点与操作 - 富国高端制造行业股票基金经理毕天宇采用成长投资策略，偏好具备显著成长空间、核心竞争力突出的公司 [6] - 2025年，该基金积极挖掘AI设备专用PCB方向投资机会，并加大光模块配置，把握了新易盛、中际旭创、胜宏科技等AI龙头股票业绩爆发的机会 [6] - 对于2026年，认为中国在全球科技产业竞争中将持续占据主动，并看好数字经济由“模型竞赛”迈向“场景深耕”，关注大模型技术与制造、医疗等实体经济深度融合带来的机会，如工业智能、AI for Science等 [6] 合理估值成长风格基金经理观点与操作 - 中欧新动力混合基金经理王健采用合理估值成长策略，以成长股为核心配置，价值股与周期股为卫星配置 [9] - 2025年，因AI龙头股票估值偏高且市场关注度高，对其保持相对谨慎，但布局了基本盘业务稳健、估值偏低且能受益于AI业务带来增量成长空间的股票 [9] - 展望2026年，认为AI整体仍具备较大发展空间，但需精细筛选投资机会，将继续跟踪AI产业发展带动的电力板块景气上行，并密切关注AI下游应用端蕴含的投资机会 [9] 价值平衡风格基金经理观点与操作 - 中泰开阳价值优选基金经理田瑀坚持自下而上精选高护城河企业，以合理价格买入并长期持有 [12] - 截至2026年3月31日，该基金在基金经理任期内获得同类排名23%的回报；2025年，组合在高端白酒配置上承压，但基础化工、建筑材料及模拟半导体领域的布局带来超额收益，全年回报率在同类基金中排名32% [12] - 认为目前AI属于供需错配下的正常周期现象，并非泡沫，AI对生产生活的改造刚起步，但产业发展伴随周期波动，当前资本开支处于阶段性超前水平；对AI领域研究极度重视，等待价格合适时出手 [12] - 华泰柏瑞富利灵活配置混合基金经理董辰采用自下而上精选个股策略，围绕质量、景气度、成长空间三大维度选股 [15] - 截至2026年3月31日，该基金在基金经理任期内获得了同类排名2%的突出回报；2025年，组合结构向科技和资源板块倾斜，全年业绩在同类中排名前33% [15] - 展望2026年，认为代表未来竞争力的新兴科技产业仍是核心主线，AI产业链整体估值在景气度持续的当下并不算贵，但从PB角度看已明显偏贵；指出光模块等环节ROE较高，但PB已明显偏高，商业模式壁垒远低于AI芯片，难以长期支撑当前估值，高位介入风险较大；更看好安全性高、盈利确定性强的国产算力方向 [15] AI产业发展阶段与投资建议 - 当前AI产业已从早期主题投资阶段，逐步进入业绩兑现、场景落地、估值分化的新阶段 [17] - 成长风格基金经理更侧重产业趋势与长期成长空间，积极布局AI与实体经济融合的下游应用领域；价值与平衡风格基金经理则更重视估值安全边际与商业模式壁垒，倾向于等待周期波动后的合理价格再进行布局 [17] - 未来伴随AI技术持续迭代、产业政策逐步落地、行业竞争格局不断演化，不同细分领域的景气度与估值水平或将进一步分化，基金经理在细分赛道的把握能力与自下而上的选股能力，将成为创造超额收益的核心 [17]

公司战略升级 - 公司于北京车展正式发布“轻舟物理AI模型”，并将公司战略重心从“无人驾驶”全面升级至“通用物理AI”[3] - 公司认为未来十年是物理世界AI的时代，将见证从无人驾驶迈向更具想象力和颠覆性的物理AI[5] - 公司全新使命为“以安全和向善的智能，创造更美好的生活”，全新愿景为“成为全球领先的通用物理AI公司”[5] - 公司强调无人驾驶是其通往通用物理AI最重要的基石，并非放弃无人驾驶业务[5] - 公司认为此次战略升级是为未来七年乃至更长时间指明方向，必须不断自我革新[5] 轻舟物理AI模型架构 - 模型采用云端+车端双引擎架构[6] - 云端侧为基于运动模拟的世界模型升级版，集成了高可控视频生成、零样本生成引擎、低成本闭环仿真三大核心能力，可一键生成极端长尾场景用于AI训练[6] - 车端侧推出了采用“世界模型+强化学习”统一架构的“世界行为模型”，实现了从感知到行动的全链路模型化打通[6] - 基于该物理AI模型，公司将带来推理更强、决策更优、泛化更广三大核心能力升级[6] 轻舟乘风MAX辅助驾驶方案 - 公司正式推出“轻舟乘风MAX”辅助驾驶解决方案，在超500TOPS车端算力平台上实现基于世界模型+强化学习架构的城市NOA体验[7][8] - 该方案可精准预判交通参与者意图，从容应对复杂路权博弈，轻松处理各类长尾难题，在困难场景下表现出更接近人类驾驶的“防御性本能”[12] - 该方案已搭载25款量产车型，2026年预计新增车型超50款[12] - 其AEB误触发率低至50万公里小于1次，远优于行业平均水平，每年能帮助用户避免约14.6万次潜在事故[12] - 公司产品理念为“不卷参数，卷体验；不卷噱头，卷真实的用户价值”，并探讨智驾系统创造社会价值的方向，如通过提升安全性来降低用户保费[10] L4 Robotaxi发展路径 - 公司认为实现Robotaxi应“用更强的大脑，而非只靠传感器堆叠”，强调建立更强的AI大脑是核心[13][14][16] - 公司的Robotaxi方案完全基于量产车配置，外观无差别但“大脑更强”[18] - 公司对Robotaxi落地节奏持谨慎态度，宁可小规模稳健推进，避免因事故对整个行业产生不利影响[18] - 公司判断Robotaxi在海外可能比国内落地更快，因国内驾驶环境更复杂，人力成本结构也不同[18] 无人物流（Robovan）市场布局 - 公司认为无人物流市场才刚刚开始，远未进入大规模普及阶段，需要大规模量产的经验积累和车规级要求作为根基[19] - 目前无人物流车市场所谓大规模实际也只是万量级规模，在稳定性、可靠性、安全性上仍有极大提升空间[19] - 公司的机会在于基于乘用车领域大规模量产的成熟经验，将安全、稳定、可靠的产品能力发挥到物流领域[19] - 进入2026年，无人物流行业竞争将不只拼速度，更是拼服务、性能、综合降本以及最根本的安全底线与可持续运营能力[19] 公司业务进展 - 公司的车辆正在德国慕尼黑、法国巴黎等欧洲地区进行测试，业务范围从中国扩展至欧洲[5]

文章核心观点 - 当前人工智能热潮中再现了“索洛生产率悖论”现象，即尽管企业对AI技术投资巨大且应用广泛，但宏观生产率数据尚未显示出显著提升 [2][3][5] - 尽管存在大量积极的应用案例和高管对未来生产率提升的预期，但当前数据显示AI对整体生产率、就业和通胀的实质性影响有限 [3][4][5] - 人工智能对生产率的潜在影响可能遵循“J型曲线”，其最终能否推动宏观生产率跃升，取决于技术在各行业中的深度整合与应用落地，而非技术本身 [8][9] 索洛生产率悖论的历史与重现 - 20世纪60年代出现的晶体管、微处理器等信息技术并未如预期般提升生产率，反而导致生产率增速从1948-1973年的2.9%降至1973年后的1.1%，此现象被命名为“索洛生产率悖论” [2] - 当前AI热潮中，历史正在重演：尽管标普500指数成份股中374家在财报中提及AI并持积极态度，但整体生产率数据未得到印证 [3] - 经济学家引用索洛的论断指出，AI带来的改变无处不在，但在就业、生产率及通胀等宏观经济数据中尚未体现 [5] 企业对AI的应用现状与预期 - 一项针对6000名国际高管的调查显示，约三分之二正在使用AI，但每周平均使用时长仅约1.5小时，25%的受访者在工作场所完全不使用AI [4] - 近90%的企业表示过去三年AI对就业或生产率未产生任何影响 [4] - 然而，高管们预测未来三年AI将推动生产率提升1.4%，产出增加0.8%，并预计就业岗位减少0.7% [4] 关于AI与生产率的研究与矛盾发现 - 2023年麻省理工学院研究称使用AI的员工绩效可提升近40%，但宏观数据未能印证此预期 [5] - 不同研究结论矛盾：圣路易斯联储报告称自ChatGPT推出以来美国超额生产率累计提升1.9%，而麻省理工学院2024年研究预测未来十年生产率增幅仅为0.5% [5] - 员工对AI的实用性信心在下降：一项涉及19国近1.4万名员工的调查显示，2025年经常使用AI的员工比例上升13%，但对技术实用性的信心骤降18% [6] - 过度使用AI工具可能降低效率：研究显示使用不超过3种AI工具时效率提升，但使用不少于4种时员工自评效率大幅下滑，引发“AI脑疲劳” [6] 潜在影响与未来展望 - 部分经济学家观察到生产率提升迹象：2023年美国生产率跃升2.7%，被归因于行业从AI投资期向技术红利收获期过渡 [8] - AI的影响可能呈现“J型曲线”，初期增长缓慢，随后可能迎来指数级增长 [9] - 与20世纪80年代IT产业不同，当前大型语言模型企业竞争激烈，价格被压低，AI工具已变得触手可及 [9] - AI未来能否推动生产率提升，核心在于企业是否愿意并持续将其深度整合到各行业业务场景中，实现应用落地 [9] - 生成式AI能大幅提升在线任务效率（76%至176%），但用户节省的时间多用于休闲而非工作或学习 [9] - 企业需关注AI对人才梯队的影响，例如IBM计划将年轻员工招聘人数增加两倍，以防因自动化替代初级员工导致未来中层管理人才断层 [7]