行业投资评级 - 投资评级为“看好”，并维持该评级 [7] 报告核心观点 - 月之暗面发布关于注意力残差（AttnRes）的论文，预览了下一代大模型的关键架构创新，标志着AI模型商业化落地正在加速 [1][2][5] - 该架构创新通过提升参数信息利用率和计算效率，有望驱动大模型竞争进入“效率与质量驱动”的新阶段，并为复杂应用规模化落地提供降本基础 [12] - 底层架构的重构将深化对基础设施的协同要求，看好“架构创新”与“算力基建”共振带来的产业链机遇 [12] - 看好Kimi模型竞争力提升及其资本化进程，认为其将强化在Agent与复杂任务场景中的优势，并带动模型即服务（MaaS）商业化能力兑现与云端高质量算力需求 [12] 事件与架构创新总结 - **事件描述**：3月16日，月之暗面发布论文，提前预览了下一代模型的关键模块——注意力残差（Attention Residuals， AttnRes） [2][5] - **核心定位**：AttnRes是对大模型底层架构的创新，旨在动态重构跨层信息聚合，解决传统Transformer深层网络中历史信息被“等权累加”稀释的痛点 [12] - **机制原理**：摒弃固定的残差相加，引入注意力机制，使模型每一层能动态“检索”并按需调用早期层的特征 [12] - **性能提升**：将该机制集成至Kimi Linear架构后，模型在多项复杂任务上取得显著提升，例如在科学问答（GPQA-Diamond）上的得分提升超过20% [12] 工程方案与效率优势 - **工程挑战**：全注意力残差会带来通信与显存开销激增的问题 [12] - **解决方案**：团队首创了“分块注意力（Block AttnRes）”工程方案，结合跨阶段缓存与两阶段计算策略 [12] - **效能表现**：该方案将额外的端到端训练耗时增加控制在不到4%，推理延迟开销不足2%，并显著降低了长上下文场景下的显存需求 [12] - **效率优势**：在同等验证损失下，Block AttnRes展现出约1.25倍的计算效率优势，证明了其在大规模模型与长上下文场景中实际部署的工程可行性 [12] 行业影响与产业链机遇 - **竞争焦点演变**：未来头部模型厂商的竞争焦点正逐步拓宽，架构创新带来的边际性能提升将成为拉开能力梯度的核心变量 [12] - **发展阶段判断**：大模型演进进入“效率与质量驱动”阶段，架构优化重组了Scaling Law（规模定律） [12] - **产业链机遇**：AttnRes等新架构对适配硬件提出了更高要求，有望驱动底层硬件与软件栈加速迭代 [12] - **关注方向**：当前时点应关注核心算力芯片、前沿架构技术方案（如新型网络互联与长上下文存储优化）、以及云端MaaS服务 [12]

腾讯控股 (00700.HK) 2025年财报 - 2025年全年营收为7517.7亿元，同比增长14%；Non-IFRS经营利润同比增长18% [4] - 2025年第四季度营收1943.7亿元，同比增长13%；Non-IFRS经营利润为695.2亿元，同比增长17% [4] - 截至2025年底，公司员工总数为115，849名，较2024年增加超过5000人 [6] - 2025年度总薪酬成本为1307亿元，同比增长约15.9%；据此计算，员工人均年薪成本约为112.8万元 [6] - 2025年第四季度资本开支为224亿元，主要用于支持AI业务发展 [23] - 截至2025年底，集团现金净额为1071亿元，第四季度自由现金流为340亿元 [23] - 腾讯高管表示，因AI需求激增导致存储芯片等硬件成本上涨，行业或只能将成本上涨转嫁至售价，并观察到多家中国云厂商已上调价格 [17] - 腾讯混元新模型HY 3.0正在内部测试，计划4月对外发布，相比HY2.0在推理和Agent能力上有显著提升 [29] 人工智能 (AI) 与云计算行业动态 - **AI驱动成本与价格上涨**：AI需求激增带动DRAM、HBM、CPU、硬盘等全链条需求回升，供应链紧张，订单需提前数月甚至数年预定 [17] - 百度智能云宣布AI算力产品涨价约5%-30%，存储产品涨价约30%，自2026年4月18日起执行 [20][21] - 阿里云宣布AI算力、存储等产品最高涨价34%，其中文件存储产品CPFS（智算版）上涨30%，原因包括全球AI需求爆发、供应链涨价及Token调用量暴涨 [22] - **大模型技术进展**： - 月之暗面Kimi创始人杨植麟在GTC 2026大会上首次完整披露Kimi模型三大技术路线图：Token效率、长上下文和Agent集群的规模化扩展 [19] - MiniMax发布新一代Agent旗舰大模型M2.7，通过构建Agent Harness体系，在部分研发场景中可承担30%-50%的工作量，内部评测集效果提升约30% [28] - **行业竞争与法律争议**：微软正考虑对亚马逊和OpenAI就其500亿美元的云交易采取法律行动，该交易可能违反微软与OpenAI的独家云合作协议 [20] 其他科技与互联网公司动态 - **微博 (WB)**：2025年全年总营收达17.6亿美元（约合人民币125.76亿元）；归属于微博股东的净利润为4.49亿美元（约合人民币32.24亿元），同比增长49% [22] - **网易 (NTES)**：公司回应关于“使用AI清退全部外包员工”的传言不实，近期人员变动仅为部分项目的正常业务调整 [6][7] - **字节跳动**：安全团队内部发布《OpenClaw安全规范和使用指引》，并面向员工推出统一身份认证与权限管理服务ByteClaw [12] - **华为**：针对华为渠道服玩家账号登录异常问题，客服回应称问题已修复，用户账号及虚拟资产不受影响 [12] - **苹果 (AAPL)**：CEO蒂姆·库克否认退休传闻，表示“无法想象没有苹果的生活” [8] - 因索尼面临生产瓶颈，苹果计划在iPhone 18系列中首次启用三星提供的定制三层堆叠式影像传感器 [9][10] 汽车与制造业 - **奇瑞汽车**：2025年度收入为3002.87亿元，同比增长11.3%；公司拥有人应占利润为190.19亿元，同比增加34.6%；董事会建议派发末期股息每股0.86元，总额50亿元 [24] - **吉利汽车**：2025年总收入为3452亿元，同比增长25%；核心归母净利润为144.1亿元，同比增长36%；截至2025年底总现金水平上升46%至682亿元 [25] - **机器人领域融资**：“地瓜机器人”完成1.2亿美元B1轮融资，两轮融资总额达2.2亿美元，资金将用于技术研发与市场拓展 [26] 金融市场与宏观经济 - **美股市场**：3月18日收盘，美股三大指数集体下跌，道指跌1.64%，纳指跌1.46%，标普500指数跌1.36%；大型科技股及热门中概股普遍下跌 [16] - **A股市场**：3月18日A股三大指数集体收涨，沪指涨0.32%，深成指涨1.05%，创业板指涨2.02%；全市场超3500只个股上涨，存储、算力股爆发 [18] - **美联储政策**：美联储宣布将联邦基金利率目标区间维持在3.5%至3.75%之间不变，符合市场预期 [15] - **国际油价与影响**：国际油价上涨，纽约原油期货收于每桶96.21美元，布伦特原油期货收于每桶103.42美元 [11] - 若国际油价维持高位，国内油价预计涨幅将继续扩大，可能带动油价重回“9元时代” [11] - 因国际燃油价格上涨，吉祥航空、厦门航空等多家航司上调国际航线燃油附加费，涨幅普遍在50%以上，部分翻倍 [13][14] - **资本流动**：市场传闻有3000亿港元中东资本涌入香港，调查显示确有中东资本流入，但具体规模与流向难以精准统计 [15] 医药与消费品行业 - **药品监管**：国家药监局要求四季感冒片、金银花露等多款知名中成药修订说明书，补充“不良反应”等内容，严禁标注“尚不明确” [10] - **药品价格异动**：原研抗生素西力欣（头孢呋辛酯）在部分电商平台售价被炒至约1589元/盒，单片价格高达约130元，而此前价格仅几十元一盒 [8][9] 其他公司公告与事件 - **碧桂园 (2007.HK)**：公司回应“大规模召回离职员工”传闻不实，返聘仅针对少量特定岗位需求，是对现有制度的常规优化 [10][11] - **泡泡玛特 (9992.HK)**：与索尼影业共同宣布，将围绕旗下IP形象LABUBU开发真人动画电影，由导演保罗·金执导 [7] - ***ST景峰**：因执行重整计划，公司控股股东变更为石药控股，持股26%，实际控制人变更为蔡东晨 [17] - **英集芯与亚辉龙**：因蹭“脑机接口”热点涉嫌信息披露违法违规，两家公司合计被罚款1550万元 [12][13] - **产品功能更新**：微信正在iOS端灰度测试折叠发图功能，用户发送三张及以上图片或视频时可选择合并展示 [13]

课程核心定位 - 课程旨在将AI从“回答问题的助手”升级为“真正替研究者干活的科研搭子”，通过搭建智能体系统，将文献管理、论文写作、数据分析和课题设计等任务转变为可落地、可复用的智能科研工作方式 [1] 课程特色 - 课程重点不在于教授“怎么问”AI，而在于教授“怎么让AI干活”，让AI能够调用工具、执行任务、完成流程，真正参与科研关键环节 [2] - 课程内容聚焦科研真实场景，围绕文献检索、资料整理、论文写作、数据分析、代码辅助、课题设计、顶刊复现等最常见、最耗时的任务展开，确保所学内容能快速迁移至实际研究工作 [3] - 课程以OpenClaw为实践工具，系统性地引导学员理解智能体、其功能以及如何搭建个人科研工作流，目标是建立完整的方法框架而非零散学习功能 [4] - 课程强调从“单次使用”AI升级到“工作流思维”，帮助学员学会将任务拆解、串联、自动化，形成可复用、可持续迭代的个人科研智能系统 [5] - 课程目标不仅是提升效率，更是帮助学员重塑科研竞争力，通过早期掌握AI智能体来建立面向未来的科研新优势 [6] - 课程兼顾上手操作与底层理解，以通俗方式讲解核心原理并配合具体案例演示，确保没有基础的同学也能学会，有基础者也能升级其科研工作方式 [7] 课程结构与内容 - 课程时间安排为4月3日晚及4月4日、5日全天 [9] - 报名学员可免费参加后续最新AI智能体教程，包括腾讯龙虾实操、AI医学智能体实操等 [10] - 课程共九课，涵盖从原理认识到高级实战的全过程，每课均有七名全职助理提供实操指导 [10] - 第一课：认识OpenClaw原理与安装，理解其四层架构，完成从Node.js环境准备到启动的全流程安装 [11][12] - 第二课：接入GLM-5模型、Kimi模型与飞书，完成API配置、飞书通道连接及个性化设置（soul.md） [12] - 第三课：日常提效，涵盖定时任务配置、本地文件批量处理、技能市场使用及飞书任务与日历整合 [12] - 第四课：Word与PPT制作，实现远程文档修改、PPT生成、飞书云文档操作及远程文件取送 [12] - 第五课：科研助力（一），聚焦论文速读与批量摘要、写作辅助、参考文献格式处理及审稿意见整理 [12][13] - 第六课：科研助力（二），涵盖私人文献知识库构建、工作流整合、数据分析代码生成及代码报错自动修复 [13] - 第七课：科研助力（三），专攻国自然标书写作，包括科研画像构建、结构化分步生成、研究路线设计、立项依据草案输出及技能封装复用 [13] - 第八课：科研助力（四），专注于课题设计，从科研画像定位到科学问题凝练、研究设计、创新点识别，最后封装为可复用技能 [14] - 第九课：科研助力（五），以Nature文章数据分析为实战案例，展示AI从数据获取、代码编写、报错修复到图表输出与技能封装的全流程接管能力 [14] 定价与价值主张 - 课程原价1880元/人，转发朋友圈集赞20个可优惠至998元/人 [21] - 团体报名享折扣，两人九折，三人八五折，费用包含讲义、代码、数据等完整资料包 [21] - 998元的价格定位旨在覆盖运营团队（12人团队）的成本，核心关注点是为科研工作者创造价值并将正确的事做得更长久 [15] - 公司强调其坚守初心使命：普及前沿技术，服务科研一线，赋能创新突破，助推生命科学进步 [19][21] 讲师背景 - 主讲老师杨奕涛为东京大学医学科学研究所助理教授，日本学术振兴会特别研究员，深耕深度学习、医疗AI与空间组学交叉领域，在Nature Communications等顶刊发表多篇论文 [20] - 主讲老师张振华为中山大学博士，东京大学医学人工智能研究员，深耕单细胞多组学等领域6年，培养学员超3万人，指导学员发表CNS主刊文章18篇、一区及子刊90余篇 [23] 预期学员收获 - 学员将从“会用AI”进阶到“会用AI Agent干活”，让AI真正参与科研执行 [24] - 学员能将高频科研任务（文献、写作、代码、分析、汇报）转变为可复用的智能工作流 [24] - 学员能大幅减少重复劳动，将时间留给重要的研究思考 [24] - 学员能提前掌握下一代科研效率工具，建立全新的科研生产方式和未来竞争优势 [24]

文章核心观点 - 多位中国顶尖AI公司创始人、技术负责人及院士在AGI-Next前沿峰会上，就AGI发展路径、模型扩展极限、智能体落地及中国AI的长期机会等议题展开深度交流，核心共识在于大模型发展正从“对话”范式转向“做事”范式，智能体是明确的前进方向，同时需在模型架构、训练范式及多模态等基础能力上寻求突破 [3][4][19][20] 行业技术发展路径与范式转变 - **从Chat到Agent的范式转变**：以DeepSeek的出现为标志，纯粹的“对话”范式竞争基本结束，行业焦点转向让AI完成具体任务的智能体范式 [4][19][20] - **Scaling Law的持续与反思**：模型扩展仍是提升智能的有效路径，但可能是一种“偷懒”方式，未来探索方向是让模型具备自主扩展能力，并需结合技术、数据与审美共同演进 [4][42][50] - **能力演进轨迹**：大模型能力从2020年前后的简单问答，发展到2021-2022年的数学计算与基础推理，再到2023-2024年可处理研究生层级问题与真实世界编程任务，智能水平持续快速提升 [9][11] - **强化学习与可验证环境**：RLVR通过引入可验证环境使模型能自主探索并获得反馈，是重要进展，但当前挑战在于可验证场景逐渐耗尽，需向半自动或不可验证任务空间拓展 [17] 模型能力进展与挑战 - **代码能力飞跃**：模型从2021年写十个程序才能跑通一个，发展到如今在复杂任务中可一次性跑通，能实质性地辅助高级工程师 [18] - **核心评测表现**：在HLE等极高难度智能评测基准上取得进展，例如有模型在HLE上达到45%的准确率，超过OpenAI [17][63] - **能力整合与回灌挑战**：在SWE-bench等真实世界评测中取得好成绩，但如何将专项能力可靠地整合回主模型，避免用户真实体验与Benchmark成绩脱节，仍是巨大挑战 [24] - **通用能力与专用能力的平衡**：在较小规模模型上引入大量Agent数据能显著增强Agent能力，但会导致部分通用语言和推理能力下降，未来需解决在强化Agent能力的同时避免损害通用能力的问题 [27] 智能体发展的关键问题与探索 - **智能体任务复杂度**：基础能力是编程，但任务可延伸至几十步、上百步的完全异步超长链路任务，这带来了全新的技术挑战 [25] - **环境交互的混合方案**：在现实环境中，需采用API调用与模拟GUI操作相结合的混合方案，以采集数据并训练模型适应能力 [26] - **训练风险与校正**：在数据不足的冷启动场景下，强化学习易陷入局部最优，需在训练中周期性插入SFT进行方向校正和多样性恢复 [27] - **开源生态影响力**：中国在开源大模型领域影响力显著，在Artificial Analysis榜单前五名中，蓝色模型几乎全部来自中国 [28] 未来AGI的突破方向与思考 - **三大关键突破方向**：1) 建立类似人类感统机制的原生多模态能力；2) 构建从个体到文明级的记忆与持续学习框架；3) 发展更深层次的反思与自我认知能力 [33][34][35] - **参考人类认知的三类Scaling**：1) Scaling数据与模型规模以提升智能上限；2) Scaling推理，用更多计算与搜索找更优解；3) Scaling自学习环境，让模型从与外界交互中获得反馈 [40][41] - **模型架构创新需求**：Transformer的O(N²)计算复杂度制约长上下文效率，需探索线性复杂度等新型模型架构，以实现更高效的知识压缩与承载 [42][64] - **自主学习的多层定义**：从实现F-X到X映射的自监督多任务学习，到引入数据学会推理，再到具备自反思与自学习能力，最终可能发展出自我认知乃至意识 [44][45][46][47] 主要公司的技术实践与战略 - **智谱AI**：发展路径聚焦强化模型的Thinking能力并结合Coding与Agent场景，通过整合Coding、Agentic和Reasoning能力，并利用RLVR在可验证环境中优化，使模型在真实编程任务中稳定性提升 [21][22][23] - **月之暗面**：技术核心围绕提升Token效率与长上下文能力，采用Muon二阶优化器使Token效率提升2倍，并研发kimi Linear线性注意力架构，在长程任务效果上超越全注意力机制且速度更快 [54][55][64][66] - **阿里千问**：致力于打造通用智能体，在2025年重点提升模型的Reasoning能力、长上下文支持及多模态能力，其VL模型在保持语言智力不下降的同时，图像生成质量接近真人，并积极布局语音交互与编辑功能 [73][80][83][89][95][96] - **腾讯**：观察到toC与toB市场明显分化，以及垂直整合与模型应用分层两种模式的分化，认为在toB场景，最强的模型与稍弱的模型价值分化会越来越明显 [110][111] 市场分化与行业生态观察 - **toC与toB市场分化**：toC应用类似搜索引擎加强版，用户对智能提升感知不强；toB场景中，智能直接等同于生产力，用户愿意为最强模型支付高溢价，市场分化明显 [110] - **垂直整合与分层模式分化**：在toC场景，模型与产品强耦合的垂直整合模式成立；但在toB生产力场景，强大的基座模型与多样化的应用层产品开始分层，专业化趋势显现 [111][112] - **中美市场差异**：美国市场Coding消耗量巨大，而中国市场相对较小，显示两地市场机会与认知存在差异 [114] - **学术界与工业界的角色**：工业界在前沿狂奔，学术界需在模型进入稳态后跟上，研究如智能上限、资源分配、幻觉与资源的平衡等理论问题，孕育新的计算模式 [115][116][117]

美国对中国AI的围堵与市场反应 - 美国通过高端芯片禁运和闭源模型技术壁垒试图限制中国AI发展[1][2] - 超过一半的美国初创企业将中国开源AI模型作为开发首选 市场风向发生反转[4] - 硅谷明星公司如AI独角兽Perplexity和Airbnb公开使用并依赖中国模型技术[4][6] 中国开源模型在美企及学术界的应用现状 - Perplexity的底层技术搭建在中国模型上 Airbnb的AI客服系统重度依赖阿里的Qwen模型[6] - 斯坦福大学使用Qwen作为基座进行推理模型研究 英伟达使用Qwen生成高质量合成数据训练自家AI[8] - DeepSeek GLM Kimi等中国开源模型在硅谷工程师中普及 成为办公室标配[6] 美国企业选择中国开源模型的核心原因 - 成本优势显著 有美国创业者从闭源模型切换至Qwen后 每年节省约40万美元的API调用费[10] - Dayflow测算显示 闭源模型人均年成本超1000美元 而中国开源模型近乎免费[12] - 开源模型提供控制权与数据安全 代码公开可自由修改 数据无需外传 避免了闭源模型如ChatGPT因规则调整导致系统瘫痪的风险[12][14] 中国开源模型的竞争力来源与发展路径 - 受美国高端GPU供应限制 中国团队被迫在算法上创新 致力于用更少算力获得更好效果 例如DeepSeek团队仅用560万美元就训练出高性能模型[18][20] - 中国模型发展出如MoE MLA等高效算法 实现了对算力极限的压榨 与美国企业烧钱拼参数的模式形成对比[20] - 中国开源模型正从工具转变为全球性基础设施 吸引全球百万级开发者进行二次开发 构建生态[22] 开源模式对技术竞争格局的影响 - 开源与闭源成为世界大模型竞赛的关键路线之争[24] - 中国通过将技术转化为全球共享的公共产品 以开源生态共建应对技术壁垒和闭源垄断[24] - 中国AI模型凭借成本低 效率高 更自由的市场竞争力 从可选工具转变为全球AI生态中的刚需基建[26][28]

中国市场重要性 - 中国是全球第二大科技市场且增长速度非常快[5] - 中国计算机科学水平已达世界一流软件能力世界级[5][24] - 中国教育系统培养全球50%的AI研究人员[5][9] - 中国在机器人智能工厂领域创新成果丰硕供应链规模庞大[5][20] 产品与技术布局 - H20 GPU已解禁但重建供应链需9个月周期[7][38] - RTX PRO专为数字孪生设计适配中国机器人智能工厂需求[19][30][46] - Blackwell架构产品将进入中国市场[45] - CUDA生态汇聚430万开发者其中150万来自中国[80] 合作伙伴与竞争 - 点名11家中国创新企业包括腾讯网易字节跳动等[6] - 与小米合作密切涉及AI自动驾驶等领域[23][66] - 华为被评价为强大对手低估其制造能力是天真无知的[4][64] - 全球HBM内存供应商包括SK海力士三星美光[35] AI发展趋势 - AI发展分为四阶段：感知生成推理机器人技术[26][27][29] - 中国开源模型如DeepSeek-R1是全球进步催化剂[63][81] - AI将成为基础资源类似能源水互联网[80] - 未来十年算力焦虑将持续存在[36] 供应链与政策 - 中国供应链在电池电动车等领域不可替代[73] - 关税政策需适应但公司具备强适应能力[16] - H20解禁与稀土出口管制存在关联[37] - 中国市场保持开放稳定欢迎外资[34] 行业观察 - 中国电动汽车技术进步最令世界惊叹[22] - 微信小红书TikTok等应用影响全球互联网使用方式[72] - 美国计算机产业技术栈是其全球领先的珍宝[56] - Meta投入1亿美元争夺AI人才反映行业趋势[58]

数据准备与清洗 - 多源数据整合从ERP、CRM、财务系统等平台自动抓取经营数据，利用AI工具完成数据清洗，识别异常值、重复项并标准化格式 [3] - 通过WPS Office的PDF转Excel功能或秘塔AI的文档检索快速提取结构化数据 [3] - 确定核心分析维度如营收增长率、毛利率、现金流净额等，使用AI工具自动生成指标对比表 [4] AI工具选择与配置 - 通用型工具GPT-3/4适合撰写分析性文字，输入指令生成逻辑清晰的论述段落 [4] - DeepSeek支持数据建模与预测，基于历史数据构建线性回归模型预测未来三年营收趋势 [4] - 垂直领域工具Quill专为财务报告设计，可自动生成投资分析、成本效益评估等模块 [4] 报告生成流程 - 上传清洗后的数据文件，选择预设模板如财务分析、市场趋势，AI自动生成包含文字、图表的初稿 [4] - 提示词优化技巧包括角色设定、任务拆解和格式要求，如生成报告需包含3张柱状图、1张折线图及风险预警模块 [4][5] - 必归AI工具支持一键生成市场分析报告，自动排版并优化语言表达 [4] 人工校对与优化 - 重点检查AI生成的财务比率计算如ROE、流动比率是否符合公式逻辑，避免数据源错误导致的偏差 [7] - 逻辑连贯性调整需结合供应链部门访谈补充佐证，如AI可能将毛利率下降归因于原材料涨价 [7] - 使用Tableau或Power BI调整图表配色、坐标轴范围，增强专业性 [7] 典型应用场景 - 财务分析模块自动生成资产负债表、利润表变动分析，识别应收账款周转率异常等风险点 [7] - 市场趋势预测结合外部政策如关税调整与内部数据，生成敏感性分析报告 [7] - 战略建议生成输入指令如基于当前现金流状况的并购可行性，AI可提供初步评估框架 [7] 效率与未来趋势 - 通过上述方法企业可将报告撰写效率提升60%以上，同时确保分析深度与人工撰写相当 [9] - 未来随着多模态AI技术发展，报告生成将进一步向数据-文字-图表全自动一体化方向演进 [9]