About Calix Interested parties may listen to a live webcast of the conference call by visiting the Calendar page of the Calix Investor Relations website. The live conference call will be available by dialing (877) 407-4019, or international (201) 689-8337, with conference ID#13757677. Participants may also click this link for instant telephone access to the event. The link will become active approximately 15 minutes prior to the start of the conference call. The conference call and webcast will include forw ...

分析师背景与覆盖范围 - 拥有超过十年的公司深度研究经验 涵盖大宗商品如石油、天然气、黄金、铜以及科技公司如谷歌或诺基亚和许多新兴市场股票 [1] - 撰写个人博客约三年后 转向专注于价值投资的YouTube频道 已研究过数百家不同的公司 [1] - 最青睐覆盖金属与矿业类股票 同时对其他多个行业有研究经验 如非必需消费品/必需消费品、房地产投资信托基金和公用事业 [1] 分析师持仓与文章性质 - 分析师通过股票持有、期权或其他衍生品方式 对谷歌拥有多头持仓 [2] - 文章内容为分析师个人观点 未获得除Seeking Alpha平台外的任何报酬 [2] - 分析师与文章中提及的任何公司均无业务关系 [2]

分析师背景与覆盖范围 - 分析师拥有超过10年的深入研究公司经验 覆盖领域包括大宗商品 如石油 天然气 黄金 铜 以及科技公司 如谷歌或诺基亚 和许多新兴市场股票 [1] - 分析师运营以价值投资为核心的YouTube频道 已研究过数百家不同的公司 [1] - 分析师最擅长覆盖金属和矿业股 同时也熟悉其他多个行业 包括可选消费品 必需消费品 房地产投资信托基金和公用事业 [1] 持仓与利益披露 - 分析师通过股票所有权 期权或其他衍生品对谷歌拥有实质性的多头头寸 [2]

文章核心观点 - AI大模型发展正从基础设施向上层应用演进，基座大模型将收敛，但垂域模型与应用将极大丰富，成为引发技术变革的关键[1] - 物理AI是重要关注窗口，正加速具身智能、自动驾驶等领域演进，但技术路线存在分歧，软性基础尚在夯实[1] - 2025年进入“Agent元年”，AI技术正从Copilot辅助模式向自主行动的Agent模式迈进，目标是全价值链的业务重构，但规模化落地仍面临挑战[6][7] - 部分行业凭借信息密集、数据结构化程度高、价值闭环快等特征，已率先借力AI完成价值闭环，进入数智化转型“深水区”[1][9][11][12] 物理AI的技术路线与分歧 - 物理AI存在两条核心路线竞争：世界模型与视觉语言模型[2] - Sora等模型标志着AI从“预测者”向“模拟者”进化，是从数据驱动到模型仿真驱动、物理对齐、通用模拟的范式转移[2] - 当前Sora仅是“视觉模拟器”，而非真正的“物理世界模型”，因其缺乏因果推理、反事实推演和物理一致性，常出现违背物理逻辑的“物理幻觉”[2] - 世界模型路线分化为“生成派”与“表征派”：生成派通过海量感官数据归纳世界规律，适合做数据工厂或仿真训练；表征派通过构建内在结构推演世界状态，适合做决策大脑和实时推理[3] - 应用于具身智能的VLA模型将控制问题转化为序列建模，优势在于零样本泛化，但缺乏因果推理且依赖训练数据覆盖度；世界模型主张构建环境内部模型进行虚拟试错，样本效率远超VLA[3] - 产业界正呈现VLA与世界模型融合的趋势，例如利用VLA进行高层策略规划，利用世界模型进行底层动作验证[4] 网络架构向AI原生演进 - 网络架构正从“云原生”向“AI原生”演变[5] - 云原生解决了互联网应用的弹性伸缩和敏捷开发需求，互联网流量以“南北向”为主，数据包小而离散，对时延抖动有一定容忍度[6] - 大模型时代流量特征转向分布式“同步计算”，带来“大象流”、丢包零容忍、微秒级时延敏感等特点，需要网络做到“万无一失”[6] - AI原生网络的核心是极致的性能无损和算网协同，具备内生智能、确定性保障和算网一体等关键特征[6] - 应用层面，云原生应用以K8S为底座，以微服务架构为代表；AI原生应用以“大模型+Agent”为底座，以Agent及Agent间通信为代表；两者将趋于融合成为云智一体原生应用[6] Agent元年的机遇与挑战 - 2025年被称为“Agent元年”，将推动千行百业更彻底转型，从效率提升转向业务重构[6][7] - Agent从实验室走向企业核心生产系统的“最后一公里”面临多重挑战[8] - 在高可靠性行业，需解决随机性模型与确定性业务之间的矛盾、确保长程任务稳定性、构建可信安全边界[8] - 核心业务中，AI“幻觉”是不可接受的风险，企业无法容忍“黑盒”在没有人类审核下做出关键决策[8] - 由于上下文窗口限制，处理跨天、跨周的复杂任务链时，模型易出现记忆丢失或逻辑断裂，导致开发复杂度指数级增长[8] - Agent使用工具可能带来沙箱逃逸、资源耗尽和数据泄露等安全风险[8] - 企业现有IT环境复杂，存在接口标准化缺失、数据孤岛等问题，同时需平衡推理维护成本与投资回报率[8] 行业应用与价值闭环 - 能率先实现AI价值规模化复制的行业具备关键特征：信息密集、数据结构化程度高、具备强反馈机制、价值闭环极快、有一定容错度、具备一定范围泛化能力[9] - 数字化转型较好的行业更容易进行智能化转型[10] - 教育、医疗、软件开发、智能制造、城市治理等行业可能率先完成价值闭环[11] - 制造业凭借高度结构化数据环境和明确效率指标，成为AI价值变现的“排头兵”[11] - 城市治理依托海量多模态数据和公共安全需求，正通过“城市智能体”模式实现从被动响应到主动预防的跨越[11] - 数智化转型进入“深水区”意味着AI从外围辅助系统进入核心生产系统，如网络运营、电网调度、城市应急指挥等[12] - “深水区”将面临“三多”：多模态数据、多厂家设备、多业务场景；“三新”：新技术、新架构、新安全威胁；“三跨”：跨领域知识融合、跨系统数据调用、跨组织流程协同[12] 技术路径：通用大模型与行业小模型的协同 - 驱动行业AI发展并非“通用基础大模型+行业精调”与“从零构建行业专属小模型”的二选一，而应采用“云边协同”的混合路径[12] - “通用基础大模型+行业精调”是构建企业“大脑”的最有效路径，解决了认知层面的通用性与专业性矛盾，能以低成本继承通用逻辑能力，解决知识密集型任务[12] - 从零构建行业专属小模型是构建企业“四肢”的可行方案，在非自然语言、极致边缘和极致隐私场景下不可或缺，解决了感知与执行层面的效率、适配和安全问题[12] - 面对工业领域的振动波谱、雷达信号、基因序列等“非自然语言”数据，通用模型的先验知识可能成为噪音，需从零构建专用的CNN或Transformer模型[13] - 对于极致时延和功耗场景，如矿山无人驾驶卡车或高速贴片机，推理时延需控制在毫秒级，算力受限于嵌入式芯片，训练一个参数量在几百万到几亿的专用小模型是唯一可行方案[13] - 面向对数据隐私和主权有极致要求的场景，如金融或核心基础设施，为确保模型无潜在偏见或后门，会选择完全物理隔离环境下的从零训练[13] - AI本身已在重塑软件工程，高效利用AI代码大模型试错，可在一定程度上加速试错和降低成本[13]

文章核心观点 - 2019年特朗普政府对华为及其所有子公司以及中兴通讯实施的市场准入和技术限制 被视为一系列后续行动的开端[1] 作者背景 - 作者Otaviano Canuto是政策中心高级研究员 乔治华盛顿大学教授 宏观经济与发展中心负责人 布鲁金斯学会非常驻高级研究员[1] - 作者曾担任世界银行副行长和执行董事 国际货币基金组织执行董事 美洲开发银行副行长[1] - 作者曾担任巴西财政部国际事务副部长 并在巴西圣保罗大学和坎皮纳斯大学担任经济学教授[1] - 作者撰写或合著了8本书以及超过160篇书籍章节和学术文章 并经常为众多博客和期刊撰稿[1]

QUEBEC, QC / ACCESS Newswire / December 30, 2025 / NuRAN Wireless Inc. ("NuRAN" or the "Company") (CSE:NUR)(OTC PINK:NRRWD)(FSE:1RN), a leading provider of mobile and broadband wireless infrastructure, announces that further to its press releases dated December 5, 2025 (the "Dec 5 NR") and December 16, 2025 (the "Dec 16 NR"), the Company closed a second tranche of the additional amounts, issuing an aggregate of 147,668 Units, at $2.89 per Unit, which included cash subscriptions of $190,116 and debt settleme ...

AI行业发展趋势与核心观点 - AI大模型发展将从基础设施向上层应用演进，基座大模型数量将收敛至个位数，但围绕千行百业将衍生丰富的垂域模型与应用，这是引发技术变革的关键[2] - 物理AI成为重要关注窗口，正加速推进具身智能、自动驾驶等领域演进，有望深刻改变未来社会运行方式[2] - 2025年被称为“Agent元年”，AI技术正从以“内容生成”为核心的Copilot辅助模式，向以“自主行动”为核心的Agent模式迈进，企业智能化目标从“效率提升”转向“业务重构”[9] - AI应用正告别“技术炫技”的初级阶段，迈入“价值落地”的关键时期，核心逻辑是从“实验室里的高精尖”转变为“产业中的实用工具”，从“单一技术赋能”升级为“全链条生态协同”[16] 物理AI的技术路线与竞争 - 物理AI存在两条核心路线竞争：世界模型与视觉语言模型（VLA）[3] - Sora等模型标志着AI正从“预测者”向“模拟者”进化，是从“数据驱动”到“模型仿真驱动”再到“物理对齐”和“通用模拟”的范式转移[3] - 当前Sora被视为“视觉模拟器”而非真正的“物理世界模型”，因其缺乏因果推理、反事实推演和物理一致性，常出现违背物理逻辑的“物理幻觉”[3][4] - 世界模型技术路线分化为“生成派”（如Sora、Marble）和“表征派”（如JEPA），生成派适合做数据工厂或仿真训练，表征派适合做决策大脑和实时推理[4] - VLA模型核心理念是将机器人控制转化为序列建模问题，价值在于零样本泛化能力，但缺乏因果推理且依赖训练数据覆盖度；世界模型主张先构建环境内部模型进行虚拟试错，样本效率远超VLA[5] - 产业界正呈现VLA与世界模型融合的趋势，例如利用VLA进行高层策略规划，利用世界模型进行底层动作验证[5] 世界模型面临的挑战与发展预测 - 世界模型赋能“数实融合”需解决三大难题：理解因果性并掌握第一性原理、构建解决物理一致性问题的模拟器、应对数据枯竭与长尾困境[6] - 世界模型旨在通过海量视频数据预训练，在神经网络内部构建隐式“物理引擎”，以在数字空间低成本试错和推演[6] - 自动驾驶等数据驱动型AI的下一阶段竞争本质是高质量合成数据的竞争，成熟的世界模型能生成现实中难以捕捉的极端工况数据[6] - 世界模型落地时间表预测：2024-2025年实现视觉仿真；2026-2027年实现物理对齐；2028-2030年有望实现通用具身智能[6] 网络架构向AI原生演进 - 网络架构正从“云原生”向“AI原生”演变，大模型时代流量特征转向分布式“同步计算”，带来“大象流”、丢包零容忍、微秒级时延敏感等特点，需要网络做到“万无一失”[7] - AI原生网络核心是极致的性能无损和算网协同，具备内生智能、确定性保障和算网一体等关键特征[7] - 应用层面，云原生应用以K8S为底座，AI原生应用以“大模型+Agent”为底座，两者将趋于融合成为云智一体原生应用[7] 中兴通讯的技术布局与产品 - 中兴通讯技术演进从2G时代硬件集成，发展到5G时代的芯片+整机+大模型的组装式研发范式，在技术、专利、标准方面从跟随转向引领[8] - 公司自研珠峰、定海、凌云等芯片，服务器、存储、数据中心交换机和数据中心等产品收入增速明显[8] - 公司提供全栈全域的智算解决方案，支持软硬解耦、模型解耦和训推解耦，聚焦工程能力工具化[8] - 针对智能体应用，中兴通讯推出“Co-Sight智能体工厂”，带有“CT级可靠性”基因，结合深度思考和反思、DAG和COA规划协同，支持分钟级智能体构建[11] - Co-Sight通过冲突感知元验证（CAMV）机制确保决策可信，采用基于结构化事实的可信推理（TRSF）支持超长任务的“断点续做”[11] - Co-Sight构建了严格的运行环境：受控沙箱、全链路审计、隐私保护[12] - Co-Sight 2.0在通用AI助手基准测试GAIA中连续三个月保持第一，在代表前沿知识的HLE评测中也连续两个月位居榜首[12] - 中兴通讯与中国移动合作，联合验证了“点金行动”的31个高价值场景，结合图谱检索、强推理以及电信级多智能体协议，助力自智网络向L4+迈进[12] - 公司采用“1（通用底座）+N（领域增强）+X（场景微调）”策略，结合RAG技术，兼顾能力与成本[16] Agent规模化落地的挑战 - 智能体从实验室原型走向企业核心生产系统的“最后一公里”充满挑战，在电信、金融、能源等高可靠性行业，需解决随机性模型与确定性业务之间的矛盾、确保长程任务稳定性、构建可信安全边界[10] - 核心业务中，AI“幻觉”是不可接受的风险，企业无法容忍“黑盒”在没有人类审核下做出关键决策[10] - 由于上下文窗口限制，处理跨天、跨周的复杂任务链时，模型易出现记忆丢失或逻辑断裂，导致Agent开发复杂度呈指数级增长[10] - Agent使用工具（执行代码、调用API、操作数据库）会带来安全风险，如沙箱逃逸、资源耗尽和数据泄露[10] - 企业现有IT环境复杂，存在接口标准化缺失、数据孤岛等问题，同时需平衡推理维护成本与投资回报率[10] 有望率先实现AI价值闭环的行业特征与方向 - 能率先实现AI价值规模化复制的行业关键特征：信息密集、数据结构化程度高、具备强反馈机制、价值闭环极快、有一定容错度、具备一定范围泛化能力[13] - 智能化转型基础是网络化和数字化，数字化转型较好的行业更容易进行智能化转型[14] - 具体产业中，教育、医疗、软件开发、智能制造、城市治理等可能率先完成价值闭环[14] - 制造业凭借高度结构化数据环境和明确效率指标，成为AI价值变现的“排头兵”；城市治理依托海量多模态数据和迫切公共安全需求，正通过“城市智能体”模式实现从被动响应到主动预防的跨越[14] - AI进入产业“深水区”意味着从外围辅助系统进入核心生产系统，将面临“三多”（多模态数据、多厂家设备、多业务场景）、“三新”（新技术、新架构、新安全威胁）、“三跨”（跨领域知识融合、跨系统数据调用、跨组织流程协同）的复杂局面[14] 行业AI模型部署路径 - 驱动各行各业融入AI的模型路径并非“二选一”，而应采用“云边协同”的混合路径[15] - “通用基础大模型+行业精调”是构建企业“大脑”的最有效路径，能以低成本继承通用逻辑能力，解决知识密集型任务[15] - 从零构建行业专属小模型是构建企业“四肢”的可行方案，在非自然语言、极致边缘和极致隐私场景下不可或缺，解决了感知与执行层面的效率、适配和安全问题[15] - 面对工业领域的振动波谱、雷达信号、基因序列等“非自然语言”数据，通用模型的先验知识可能成为噪音，需从零构建专用模型[15] - 在极致时延和功耗场景（如矿山无人驾驶卡车），推理时延需控制在毫秒级，训练一个参数量在几百万到几亿的专用小模型是唯一可行方案[16] - 在对数据隐私和主权有极致要求的场景（如金融），为确保模型无潜在偏见或后门，会选择完全物理隔离环境下的从零训练[16]

中兴通讯 ：2025年家庭终端年发货量再超1亿台，全球市场份额连续5年第一。 ...

中兴通讯：2025年家庭终端年发货量再超1亿台，全球市场份额连续5年第一。 ...

公司2025年业绩与进展 - 公司助力运营商建设5G-A网络，为6000万用户提供极速网络联接体验 [1] - 鸿蒙生态体验加速从“可用”到“好用”，鸿蒙5.0以上终端设备超过3600万台 [1] 公司2026年战略与业务规划 - 公司将强化行业垂直作战，发挥“大杂烩”优势，深耕行业，使能千行百业智能化转型 [1] - 公司将构建开源开放的鲲鹏昇腾生态，推动集群与超节点技术普惠，构筑坚实的AI算力底座 [1] - 公司将持续以“水战略”激发管道流量、繁荣鸿蒙生态、重构AI数据中心、发展液冷超快充 [1] - 公司表示从战略方向到战场胜利的道路遍布暗礁与险阻，但唯有迎难而上 [1] - 2026年公司将战略聚焦，决胜价值战场，以质取胜，做强组织能力 [1]