当整个 AI 圈都在为 DAU（日活跃用户数）和融资额焦虑时，MiniMax 创始人闫俊杰却表现出一种近乎冷酷的淡漠。 坐在罗永浩对面的闫俊杰，并不像一位掌管着 AI 独角兽企业的技术新贵。 他拒绝谈论改变世界，反而坦承恐惧。那种恐惧不是来自商业竞争，而是来自技术本身——当模型的能力开始超越人类时，创造者反而成了最先感到不安 的人。 用 1/50 的筹码通往 AGI 在巨头环伺、算力短缺、热钱褪去的 2025 年，MiniMax 正在进行一场关于认知的修正：不再沿用移动互联网的逻辑，即通过大规模投放换取增长、通过 堆砌功能留住用户，而是回归本质： 把模型当作最重要的产品 。 在大模型时代，真正的产品其实是模型本身，传统意义上的产品更像是一个渠道。如果模型不够聪明，产品做得再好也没有用。 在罗永浩和闫俊杰这期对谈里，我发现 MiniMax 这家 AI 公司从创业第一天就选择了注定与主流背道而驰的技术路径。 当所有人都试图寻找中国的 OpenAI 和 Sam Altman 时，闫俊杰却在试图证明「非天才」的价值。MiniMax 的故事不是关于天才的灵光乍现，而是一场关 于如何在资源受限的缝隙中，通过极度理性地计算 ...

DeepSeek模型系列技术演进 - 公司于2024年12月发布DeepSeek V3基础模型，随后推出基于相同架构的专用推理模型DeepSeek R1，使其成为最受欢迎的开放权重模型之一，成为OpenAI、Google、xAI和Anthropic等公司专有模型的有力替代方案[11] - 从DeepSeek V3到V3.2的演进过程中，公司模型策略从专用推理模型转向混合模型，V3.1和V3.2均为兼具通用聊天和推理能力的混合模型，而R1可能更多是作为研究项目或测试平台[25] - 公司于2025年9月发布实验性模型DeepSeek V3.2-Exp，旨在为更大规模的发布准备生态系统和推理基础设施，该模型引入了非标准的稀疏注意力变体，需要定制代码[17][18] - 2025年12月1日，公司发布新旗舰模型DeepSeek V3.2和DeepSeek V3.2-Speciale，与当前专有旗舰模型相比表现非常出色[5][103] 核心架构创新：注意力机制与效率提升 - DeepSeek V3基础模型采用了混合专家模型和多头潜在注意力架构，MLA通过在将键和值张量存储到KV缓存前将其压缩到低维空间来节省内存，虽然增加了一次额外的矩阵乘法，但显著减少了内存使用[29][31][32] - DeepSeek V3.2-Exp及V3.2的主要架构创新是DeepSeek稀疏注意力，该机制由Lightning Indexer和Token选择器组成，基于学习到的相关性分数选择性地关注部分过去的Token，而非所有Token或固定局部窗口[49][50][54][58][59] - DSA将注意力机制的计算复杂度从二次的O(L²)降低到了线性的O(Lk)，其中L是序列长度，k是选定Token的数量，在减少性能衰减的同时实现了效率提升[66][67][68] - DeepSeek V3.2使用了与DeepSeek V3.2-Exp完全相同的架构，集成了MLA和DSA机制，主要动机是提高整体模型性能的同时，将计算效率视为巨大驱动因素[107][110] 训练方法演进：从RLVR到自我验证 - DeepSeek R1专注于“带可验证奖励的强化学习”方法以提高推理能力，其核心思想是让模型从可以进行符号化或编程验证的响应中学习，例如数学和代码[37][38] - RLVR流程使用了GRPO算法，这是“近端策略优化”算法的一个简化变体，GRPO取消了评论家模型，而带GRPO的RLVR进一步移除了奖励模型，转而依赖来自符号工具的可验证奖励[40][42] - 为改善常规RLVR的缺点，公司在DeepSeekMath V2中引入了自我验证与自我修正技术，开发了基于LLM的验证器和元验证器来对证明生成器的输出进行评分和检查，使验证器证明分析的平均质量得分从0.85提高到了0.96[76][77][83][86][89][90] - 在推理期间，公司使用单一模型同时执行证明生成和验证，这比运行第二个LLM进行证明验证增加了更少的复杂性和计算需求，通过多达8次的自我修正迭代，模型的准确性得到提高且尚未饱和[98][99][102] DeepSeek V3.2的具体训练改进 - DeepSeek V3.2采用了类似于DeepSeek R1的RLVR程序，但更新了奖励机制，对于推理和智能体任务采用基于规则的结果奖励、长度惩罚和语言一致性奖励，对于通用任务则采用生成式奖励模型[115][116] - 对于数学领域，公司整合了来自DeepSeekMath-V2的数据集和奖励方法[117] - 在GRPO算法本身，公司进行了一系列稳定性更新，包括：零梯度信号过滤、主动采样、Token级损失、无KL损失、更高裁剪阈值、截断重要性采样、无标准差归一化、特定领域的KL强度、无偏KL估计、异策略序列掩码、保留MoE模型的路由、保留top-p/top-k的采样掩码以及保留原始GRPO优势归一化[119][120][122] - DeepSeek V3.2-Speciale是V3.2的扩展思维变体，其在RL阶段仅在推理数据上进行训练，并减少了长度惩罚以允许模型输出更长的响应，这种推理扩展形式以生成长度增加为代价获得更好的结果[123][124] 模型性能表现 - DeepSeek V3.2在多项基准测试中与专有旗舰模型相比表现非常出色，在数学基准测试中获得了金牌级的表现，同时在训练时也考虑到了工具的使用，在其他任务上也表现良好[103][107] - 扩展思维变体DeepSeek V3.2-Speciale在多个基准测试中实现了更高的准确性，例如在AIME 2025基准上达到96.0，在HMMT Feb 2025基准上达到99.2，但同时也生成了更多的Token[127]

文章核心观点 - 基于OpenRouter平台超过100万亿tokens的真实使用数据，AI行业正在经历一场深刻的范式转变，其核心是从“工具”进化为“伙伴” [1][2][3] - 这场转变由两大技术革命驱动：“推理革命”使AI具备多步骤思考能力，“代理式AI”使AI能够自主规划并执行任务 [11][27] - 真实的用户行为和市场数据揭示了与实验室基准测试不同的竞争格局，开源模型（特别是中国的DeepSeek和Kimi）凭借成本、灵活性等综合优势正在强势崛起 [44][47] - 用户选择模型的标准日益多元化，模型“人设”（个性）和突破性能力对用户留存的影响，可能超过传统的性能基准分数 [88][96][100] - AI的应用场景已进入爆发期，正从创意写作和编程两大引擎，扩展到角色扮演等满足情感需求的领域，并深刻重塑普通人的工作、学习和娱乐方式 [69][71][80][121] 数据来源与重要性 - 报告数据来源于硅谷风投A16Z与OpenRouter联合发布的《State of AI: An Empirical 100 Trillion Token Study》，这是基于真实战场数据的首次大规模研究 [2] - 数据覆盖了OpenRouter平台上过去一年产生的超过100万亿tokens，涉及500万开发者、300多个AI模型及60多家提供商 [2] - OpenRouter被比喻为“AI世界的美团外卖”，连接了几乎所有主流AI模型，其数据的核心价值在于多样性，能够反映用户在公平平台上的真实选择 [5][7][8] - 从2024年初到2025年中，OpenRouter的年处理流量从约10万亿tokens增长至超过100万亿tokens，增幅达10倍，标志着AI应用从“尝鲜期”进入“爆发期” [8] - 作为对比，OpenAI官方API在2024年10月的日均处理量为8.6万亿tokens，而OpenRouter的日处理量已突破1万亿tokens [6] 推理革命 - 核心转变是AI从“接话机器”（一次性输出）进化为“思考机器”（多步骤思考），能够像人类一样分解问题、搜索信息并迭代优化 [13][16] - 标志性事件是OpenAI于2024年12月5日发布的o1推理模型，其特点是会进行内部推理，开启了“代理式推理”的新模式 [17][18] - 市场数据支持这一趋势：用户提示词长度显著增加、对话轮次增多，且专业推理模型的市场份额快速上升 [20][21][22] - 用户正用更复杂的任务“训练”AI，而能够胜任复杂任务的推理模型正在赢得市场 [23] - 这喻示着AI的角色从“计算器”（工具）进化为“工程师”（同事），实现了从工具到同事的跨越 [25][26] 代理式AI - 代理式AI改变了AI的“手脚”，使其从被动、单次、静态的问答，转变为主动、多步、动态的任务执行者 [27][29][30] - 例如，在分析财报时，代理式AI能主动搜索最新信息、下载文件、提取数据并生成分析报告，突破了传统模型数据过时的局限 [31][32][33] - A16Z报告指出，代理式推理是OpenRouter上增长最快的行为模式，表明开发者正在大规模构建能自主完成任务的AI代理应用 [34][35] - 这意味着用户期待从“给我一个答案”变为“帮我完成这件事”，AI的价值从“信息检索”升级到“任务执行” [35][36] - 竞争前沿随之改变，重点转向模型的编排能力、控制力和可靠性，而不仅仅是准确率，这要求AI公司构建全新的“模型调度系统”技术栈 [42][43] 开源模型的崛起与中国力量 - 真实使用数据挑战了“闭源模型碾压开源”的常识，显示开源模型，尤其是推理型开源模型正在快速抢占市场份额 [46][47] - 中国的DeepSeek R1和Kimi K2在报告中表现突出，成为开源逆袭的代表 [47] - DeepSeek R1凭借巨大的成本优势（调用成本可能低至GPT-4的十分之一）、不输闭源模型的推理能力以及开源可自部署的灵活性，获得开发者青睐 [51][52][53][54] - Kimi K2是一个万亿参数级的开源MoE模型，在长文本处理和推理任务上表现优异，发布后短时间内即获得显著市场份额 [56][57] - 开源逆袭的关键在于真实世界的“好用”不等于基准测试的“高分”，用户选择是成本、延迟、定制性、隐私及“人设”匹配度等综合权衡的结果 [59][65] - 这对中国AI产业意味着，在推理能力等新方向上与国际顶尖水平的差距正在缩小，开源路线结合成本优势和特定能力可以形成强大的市场竞争力 [67][75] 真实应用场景与用户行为 - 驱动token使用量的两大核心场景是创意写作和编程 [71] - 在编程场景中，代码生成、解释和debug是高频需求，AI的价值不仅在于“生产力”，更在于“理解力” [73][74] - 在创意写作中，AI主要作为“创意合伙人”与人类共创，而非完全替代 [77][78] - 角色扮演占据了相当大比例的使用量，这揭示了人类与AI交互中存在“情感连接”的维度，满足了陪伴、娱乐等需求 [80][81][82] - 全球使用模式存在地区差异，例如北美多用于专业工作，亚洲多用于学习和创意，欧洲更偏好隐私和开源模型，体现了AI应用的本地化特征 [84][88] 模型“人设”与用户选择 - 用户能感知到不同AI模型的独特“性格”，如GPT-4的博学严谨、Claude的细腻谨慎、Gemini的快速直接、DeepSeek的专注深入，这些构成了模型的“人设” [89][94] - 报告发现，某些在学术基准测试中表现一般的模型，却因“人设”受欢迎而拥有出色的用户留存率 [96][97] - 用户体验到的“突破性能力”（如卓越的代码、长文本、多模态或推理能力）能建立用户忠诚度，促使用户迁移并不再返回 [100][102] - 这对AI公司的启示是：不应只追求基准分数，而需打造差异化“人设”并在细分场景做到极致，同时突破性创新是建立护城河的关键 [103][104][105] 对中国AI产业的启示 - 积极信号：DeepSeek R1和Kimi K2在全球真实市场中站稳脚跟，证明中国开源推理模型已具备全球竞争力 [108][109][110] - 现存挑战：在开发者工具、生态集成及海外品牌认知方面，与国际领先者仍有差距 [112][116] - 重大机遇：“推理革命”和“代理式AI”是新赛道，中国公司在工程能力和丰富应用场景方面具有优势，存在弯道超车的机会窗口 [113][114][116] - 发展建议：聚焦推理和代理能力；采用“开源+商业”双轮驱动；重视开发者体验等软实力；打造差异化“人设”而非简单模仿 [115][117][118][119] 对普通人日常的影响 - 工作方式重构：AI正成为各行业从业者的必备技能，其价值在于将人从重复劳动中解放，聚焦于更高价值的洞察、创新与决策 [122][126] - 学习方式升级：AI能提供个性化、沉浸式的学习辅导，如实时答疑、语言对话、知识讲解，有助于消解教育资源不平等的问题 [127][131] - 娱乐方式扩展：AI创造了如角色扮演、互动小说等“主动共创”的新娱乐形态，超越了传统的被动观看 [132][134][135] - 需警惕的风险：包括对AI的依赖性可能导致独立思考能力退化、数据隐私问题、信息茧房效应以及AI生成内容的真假难辨 [136]

DeepSeek模型新版本发布 - DeepSeek上新两个新模型DeepSeek-V3.2和DeepSeek-V3.2-Speciale [1] - V3.2版本推理能力能与GPT-5硬碰硬，Speciale结合长思考和定理证明能力表现媲美Gemini-3.0-Pro [1] - 海外研究者反馈DeepSeek推理速度显著提升 [1] 多语言推理效率研究 - 微软论文《EfficientXLang》发现使用非英语语言推理能减少Token消耗并保持准确性 [7] - 研究评估了DeepSeek R1、Qwen 2.5和Qwen 3模型在七种目标语言中的表现 [8] - 与英语相比，非英语语言推理能实现20-40%的Token降低，DeepSeek R1的token减少量从14.1%（俄语）到29.9%（西班牙语）不等 [11] - Qwen 3表现更显著，韩语的token减少量高达73% [11] 中文推理特性分析 - 海外用户发现即使用英文询问，DeepSeek在思考过程中仍会使用中文 [1] - 评论普遍认为汉字信息密度更高，表达相同含义所需字符量明显更少 [4][6] - 中文相比英文能够节省推理token成本，但并非最有效率语言 [12] 长上下文多语言性能比较 - OneRuler基准包含26种语言，用于评估LLM在长达128K令牌的上下文理解能力 [12] - 英语在长上下文任务中排名第6，波兰语位居榜首 [14] - 英语和中文均未进入长上下文性能排名前五的语言 [18] 训练数据对思考语言的影响 - 国产大模型采用更多中文训练语料，思考过程出现中文是正常现象 [20] - AI编程工具Cursor的Composer-1模型思考过程完全由中文构成 [21] - OpenAI的o1-pro模型也会随机出现中文思考过程 [25]

当前AI发展阶段的评估 - AI技术已实现但经济影响尚不显著，投资巨大但日常体验未发生根本改变[3] - 模型在评估测试中表现出色但实际应用效果和经济贡献存在明显滞后[4] - 模型能力存在"锯齿状"落差，常犯循环性低级错误，泛化能力差[5][6] AI模型训练与性能瓶颈 - 单纯堆数据与算力的"规模化"路径已见顶，预训练数据即将耗尽[5][17] - 强化学习训练使模型过于专注和狭隘，缺乏"意识"导致基础任务表现不佳[4] - 训练环境设计变量过多，可能无意中优化评估目标而忽视实际应用需求[6] - 模型像"应试专家"，通过海量题目填鸭式训练成为答题高手但难以灵活应用知识[7] 价值函数与AI学习效率 - 价值函数被类比为AI的"情绪系统"，可引导AI更高效、鲁棒地学习[5][14] - 价值函数能提供中间步骤反馈，加快学习过程，而非仅依赖最终结果评估[14] - 人类拥有内在价值感知，能快速自我纠正，而模型缺乏此类机制[25] - 情绪作为相对简单的价值函数机制，在进化中硬编码且至今有效服务人类[16] 行业发展阶段与范式转变 - 行业从2020-2025年的"规模化时代"回归到"研究时代"，但拥有更强大计算资源[18] - 规模化"吸走了房间里的所有氧气"，导致创新想法稀缺，公司数量远超新想法数量[28] - 强化学习正成为新的规模化目标，其计算投入可能已超过预训练[19] - 研究所需计算资源并非绝对最大规模，像Transformer最初仅在8-64个GPU上训练[29] SSI公司战略与差异化 - SSI已筹集30亿美元资金，专注于研究"直通超级智能"路径[5][30] - 公司不急于商业化，专注研究，与其他公司将资源用于推理和产品开发形成对比[30][32] - 采用不同的技术方法，主要区别在于技术路径，认为最终策略会逐渐收敛[52][53] - 计划可能调整，考虑渐进式部署，让AI在全球发挥作用并影响世界[33][34] 泛化能力与样本效率 - 模型泛化能力远差于人类，是当前最根本的问题之一[20][21] - 人类样本效率高可能与进化赋予的视觉、听觉和运动等先验知识有关[21][22] - 人类在语言、数学和编程领域的学习优势表明存在更高效的基础学习机制[23] - 人类学习更具无监督特性，所需数据样本少，过程更灵活和鲁棒[24][25] 超级智能发展路径与影响 - 人类级别AGI预计在5到20年内实现[5][55] - 超级智能可能表现为"超级智能的15岁少年"，非常聪明但知识有限，通过部署持续学习[36] - 达到关键点后，广泛部署将引发快速经济增长，不同国家政策将导致增长差异[37][38] - 可能出现多个超级智能体，而非单一系统，形成专业化分工[58][59] AI对齐与安全策略 - 倡导构建"关心有情生命的AI"，认为这比对仅关心人类更为稳健[41][45] - 随着AI能力提升，行业处理安全问题的方式将发生变化，公司会变得更加警觉[40][41] - 对齐策略最终会趋同，包括可靠沟通、确保最早超级智能是对齐的等目标[53][57] - 长期均衡可能通过人类与AI融合实现，例如通过改进版Neuralink成为半AI生物[47] 模型多样化与自我博弈 - 当前模型同质化严重，主要因预训练数据相似，强化学习是分化开始[61][62] - 自我博弈可通过计算而非数据创建模型，激励方法多样性[62][63] - 智能体间竞争自然促使差异化思考，是打破"模型同质化"的路径之一[5][63] - 完全复制相同思维收益递减，真正需要的是具有不同想法的智能体[60] 研究方法与理念 - 好研究应兼具简洁、优雅与对大脑机制的正确借鉴[5][64] - 研究需要"自上而下的信念"，在实验结果与信念相悖时坚持方向[66] - AI应该具有特定"美学"，思考人类本质但必须以正确方式理解[64] - 分布式表示、从经验中学习等概念受到大脑运作方式的启发[65]

融资与估值动态 - 月之暗面正与IDG资本、腾讯等投资方洽谈新一轮约6亿美元融资，公司估值将推高至38–40亿美元，预计年底前完成交割[1] - 月之暗面在不到两年内完成估值从3亿到40亿美元的跃迁，2023年10月获近20亿元投资，2024年初完成由阿里等参与的10亿美元融资，投后估值约25亿美元[2] - “AI六小龙”2023年合计拿下超过60亿元人民币融资[2] - 竞争对手MiniMax在2025年9月迎来一轮约3亿美元新融资，估值同样突破40亿美元[4] - 竞争对手智谱在2025年7月拿下成立以来第16笔融资，并进入A股上市辅导流程[4] 行业竞争格局演变 - 字节跳动最近一轮场外股权交易估值已接近5000亿美元，百度、阿里在AI战略加码下股价冲高，后者美港股涨幅均超过六成[4] - 国际对比方面，Anthropic在2025年完成35亿美元融资后估值直冲约615亿美元[5] - 2025年初DeepSeek横空出世，成为洗牌业态重要触发点，对主营C端业务的Kimi造成最大冲击[6] - 大厂高调在原生AI领域攻城略地，豆包在三季度月活达到1.72亿，反超DeepSeek夺回C端AI榜首，腾讯元宝领跑第二阵营，Kimi月活为967万，位列第五[7][8] - DeepSeek与字节掀起“厘时代”价格战，将主流大模型API输入价格压到每千tokens 0.5–0.8厘，Kimi被迫跟进降价[23] 公司战略与业务调整 - “AI六小龙”打法出现转向趋势，越来越强调开源+To B，配合行业方案、私有化部署，从“通用大模型厂”转变为提供模型、工具和解决方案的基础设施公司[11][12] - 月之暗面是“六小龙”中在“大厂打法”路上坚持最久的一家，坚守基座模型优先的技术路径[13] - 2024年Kimi靠“长文本处理”差异化定位一度冲进原生AI App前三，但DeepSeek出现后，月之暗面决定大幅收缩产品投放预算[15][16] - 月之暗面开始更认真思考“垂直方向”，在“AI+医疗”方向展开布局，优化财经、法律、医学等专业领域的搜索信源质量[16] - 月之暗面推出会员订阅计划，海外分19美元、39美元、199美元三档，国内分49/99/199元三档，预期一年内通过C端市场实现约1亿美元收入[19] 技术研发与产品进展 - 月之暗面成为“六小龙”中为数不多坚持迭代超大参数模型的选手，推出万亿级别参数K2、K2 Thinking，押注长上下文、推理和Agent架构[17][18] - K2系列在数个公开基准测试中取得优异成绩，在“BrowseComp”测评中得分甚至超过GPT-5[18] - 月之暗面2023年营收约为2.1亿元人民币，主要来自企业API调用和定制化解决方案，C端订阅与打赏贡献极为有限[19] 创始人视角与行业挑战 - 月之暗面创始人杨植麟被视为“技术+理想主义代表”，认为大模型公司的竞争“首先是一场残酷的金钱角力”[20] - 在DeepSeek进入大众视野后，杨植麟在AI创业圈占据的“技术明星C位”注意力被部分转移[23] - AI六小龙的叙事正从“谁最像OpenAI”转向“谁能最先跑出一条可复制的盈利路径”[24] - 月之暗面所依赖的长上下文、MoE架构与复杂推理能力，是一条成本极高的赛道，尤其在降价潮和算力成本双重压力下[24]

AI行业技术路径转向 - 规模化法则正在接近极限，强化学习的算力消耗巨大但并不能算作真正的扩展，扩展与浪费算力之间的界线变得模糊[1] - 行业正在从"规模驱动"重新回到"研究驱动"，科研需要正确的问题和新的方法而非绝对最多的算力[2] - 预训练提供了一套可复用配方：准备足够的数据、算力和能撑住规模的模型结构，性能就会持续上升，但预训练终究会耗尽数据[27] 模型性能与泛化能力 - 当前模型在评估中表现出色但经济影响滞后，存在评估性能与实际现实世界性能之间的脱节[11] - 模型更像投入一万小时练习的算法竞赛选手，虽然训练良好但未必能推广到其他领域[14][15] - 人类学习速度快不是因为预装大量知识，而是因为进化内置了强大的通用学习机制[3][33] - 人类样本效率高的可能解释是进化赋予了我们少量但最有用的信息，对于视觉、听觉和运动能力有强大的先验[33] 公司战略与竞争格局 - 即使创新放缓，各公司依旧会取得显著进展并获得高额收入，差异化可能变得更难但"停滞"并不意味着"衰落"[2] - 规模化扼杀了所有创新空间，导致每个人都开始做同样的事情，公司数量远超创意数量[39] - SSI已经筹集了30亿美元，真正区别在于算力使用方式而非绝对规模，资源需要集中投入重要方向[42][44] - 随着人工智能能力提升，公司在战略协调方面会趋同，OpenAI和Anthropic已经在AI安全方面合作[63][78] 超级智能与社会影响 - 当AI足够强时，许多今天不存在的社会行为会出现，可能带来"全民高收入"并极大提升生产力[3][70] - 真正的风险在于人类可能逐渐从参与者变成旁观者，保持主体性的答案是与AI建立更深层耦合[3][71] - 超级智能最令人担忧的不是意图而是力量，即便目标是善意的，人类仍可能不喜欢实现目标的方式[3][67] - 如果模型被限定在某些领域，它们一样可以极其强大，可以拥有许多功能狭窄的超级智能[3][80] 技术方法与研究重点 - 价值函数能够提高强化学习效率，让系统在中途就能发出预警而不是等到终局才知道失败[22][31] - 预训练的主要优势是数据量庞大且无需费心考虑应该使用哪些数据，试图捕捉人们将世界投射到文本的过程[16] - 研究品味来自对简单而清晰信念的坚持，人工智能应该符合大脑的本质结构但要以正确方式理解大脑[4] - 自博弈提供了一种仅使用计算资源而无需数据即可创建模型的方法，如果数据是最终瓶颈则非常有趣[83] 学习机制与进化启示 - 人类的价值判断情感是演化出来的底层代码，这种情感关键点是社会中正常运转的基石[24] - 进化赋予了我们高度抽象的社交欲望，让我们强烈在意别人看法并渴望获得社会认可，尽管这些现象从进化时间尺度看极其新近[72] - 人类具备一种对"好"与"坏"的内在感知能力，这种普遍感知在人类身上极其强大且稳定可靠[36] - 五岁孩子接触到的信息量非常有限，但认知能力已经足以胜任某些工作，表明人类拥有强大的通用学习机制[33]

固收：国债期货与权益市场关系新阶段 - 截至11月21日，国债期货TL合约与沪深300指数之间的10日相关性已显著攀升至2025年7月以来的历史高位，但从1分钟K线看，日内负相关性仅较7月中旬略有减弱[2] - 国债期货与权益市场的联动逻辑趋于复杂化，具体包括：权益反弹预期驱动债市仓位调整、杠杆约束下国债期货被动调仓、部分权益投资者将国债期货作为日内快速交易工具对冲大盘波动[2] - 后续“权益跌则国债期货涨”的简单日度联动预计难以重现，TL合约短期支撑位在20月均线114.9元处，短期阻力位在前期高点116.9元处[3] 计算机：AI在金融行业的应用 - 2025年DeepSeek R1发布助推通用模型推理能力跃迁和成本锐减，并实现模型开源，成为金融机构本地化部署AI的行业拐点[6] - AI应用已在金融机构核心业务及中后台场景加速渗透，致力于内部运营管理优化、核心业务流程改善、员工赋能以及营销获客、对客服务等价值挖掘[8] - 大型金融机构依托雄厚算力储备和自研能力进行大模型私有化部署，中小机构则依赖模型轻量化、大模型一体机等技术实现灵活接入和敏捷开发[8]

文章核心观点 - 2025年DeepSeek R1发布将助推通用模型推理能力跃迁和成本锐减 并实现模型开源 成为金融机构本地化部署AI的行业拐点 [1] - AI应用在金融机构核心业务及中后台场景加速渗透 未来有望重构金融业务流程和组织架构 为金融数智化打开新纪元 [1] - 实现大模型深度应用是金融行业发展的必然趋势 建议关注金融信息服务、第三方支付、银行IT、证券IT及保险IT相关标的 [1] 金融AI应用发展现状 - 大部分金融机构仍在探索和积累阶段 尚未实现规模化深度应用 尤其在复杂业务场景 [1] - 金融行业数智化转型需求与大模型技术特性高度契合 模型技术能力跃迁与部署成本下降提供了良好孵化器 [1] - 少量具备良好技术基础和投入预算的头部大型金融机构已开始探索更深层次的AI业务赋能 [1] AI对金融机构的价值贡献 - 降本提效方面 AI应用致力于内部运营管理优化、核心业务流程改善以及金融机构员工赋能 [2] - 价值挖掘方面 AI致力于金融机构的营销获客、对客服务等 实现销售成交和单客价值提升 [2] 不同类型金融机构的AI部署路径 - 大型金融机构依托雄厚算力储备和强大自研能力 以大模型私有化部署形式实现AI应用深度渗透 [3] - 中小机构多依赖模型轻量化、大模型一体机等技术形态 实现大模型灵活接入和应用敏捷开发 [3]

行业核心驱动力 - 金融行业作为数据、信息、决策密集型产业，其数智化转型需求与大模型技术特性高度契合 [1] - 人工智能相关政策和顶层设计为金融机构向“人工智能化”转型提供外部驱动 [2] - 金融机构IT支出的持续扩张为AI落地提供了强劲内驱，2024年以来金融行业大模型相关招投标已开始明显加速 [2] 技术发展与应用路径 - 通用大模型技术已跨越“技术验证”向“产业适配”的关键拐点，AI在垂直领域的规模化应用落地将进入加速期 [1] - AI与金融结合的技术路径包括通用模型结合金融语料进行训练，以及开发金融垂类大模型 [2] - 2025年DeepSeek R1的发布助推通用模型推理能力跃迁和成本锐减，并实现模型开源，成为金融机构本地化部署AI的行业拐点 [1][2] 应用场景与未来展望 - AI应用已在各类金融机构的核心业务领域以及中后台场景中加速渗透 [1] - 大模型普遍应用在理解、问答、信息提取等“短思考”金融场景，而智能体则主要面向需要AI自主承担长流程工作任务的高规划要求场景 [2] - AI智能体尤其是多智能体协作已成为未来重点研发方向，未来AI有望重构金融业务流程和组织架构 [1][2]