过确保AI的准确性、可预测性、一致性和可追溯性，以 及负责任地使用AI，在客户和员工中建立对数字系统和 AI模型的信任。人们相信AI能够如预期和公正地运行— —超越任何技术方面——这是我们必须做对的一个基本 要素。 我们相信我们能够做到。我们将这个技术新时代视 为一个机会，通过系统化地注入对人工智能的信任 ，使企业和人们能够实现其不可思议的革新潜力。 共同合作，我们现在可以为人工智能自主且帮助我 们共同实现更多成就的勇敢未来做好准备。 人们与人工智能如何定义一个学习、领 导和创造的正向循环。 03 当大型语言模型 出现时 他们的身体 当人工智能呈指数级扩展时，系统 将会被打乱。 如何基础模型重新定义机 器人学 信任是否是人工智能无 限可能性的极限？ 引言 人工智能：自主 宣言 人工智能的泛化 人工智能竞赛的热潮无可否认。 引言 4 我们正在进入一个新的篇章 在技术领域——一个被塑造的领域—— 人工智能的泛化。如今， ，他们的目标是 为了理解这种关于人工智能的概括，人们只需环顾四周 就能看到人工智能在我们的生活中越来越根深蒂固。自 从卡斯帕罗夫的比赛以来，几乎已经过去了30年，而现 在能够使Deep Blue看起来像是一个普通玩家的模型都 坐在每个人的口袋里。图灵测试，曾经被认为是机器智 能的最高标准，现在每天都被人们与大型语言模型（LL M）支持的客户服务机器人和销售人员交流中所打破。 今天的AI模型已经摆脱了过去深度但具体且线性的方法

Test-Time 计算量 （例如 Test-Time Search ）的增长，模型性能（例如数学推理能力）也会随之提 升 Post-Training Scaling Laws 下 训练时计算量 多了一个新的变量： Self-Play 探索时 LLM Inference 的计算量 回顾： Post-Training Scaling Law ms/ 随着模型尺寸逐渐增大，预训练阶段参数 Scaling Up 带来的边际收益开始递减；如果想要深度提 升模 型推理能力和长程问题能力，基于 RL 的 Post-Training 将会成为下一个突破点。 自回归模型在数学推理问题上很难进步的一点在于没有办法进行回答的自主修正，如果仅是依靠生 成 式方法和扩大参数规模，那么在数学推理任务上带来的收益不会太大。所以需要寻找额外的 Scaling 技术 Pipeline 总览 数学代码推理任务 流畅性奖励 正确率奖励 反思数据 双重验证 17 拒绝采样和全领域 SFT Rejection Sampling and SFT 当上一个阶段的 RL 收敛之后， 再进行 SFT 和之前 Cold-Start 的数据不同，这部分 SFT 主要是负责全领 域 任务 600k 推理任务： (1) 基于规则的奖励 (2) 利用批判模型

实世界相连 互联设备提升人工智能的实用性 分析师将人工智能物联网（AIoT）大致定义为人工智能（AI）与物联网（IoT）的融合1，利 用AI让物联网设备变得更智能、更具自主性。但这是一个以设备为中心的“小数据”的定义。 从战略层面的“大数据”视角来看，AIoT是机器智能与现实世界之间的连接。用于AI训练和 推理的大数据最初是由网络边缘与事物和人交互的设备所采集的小数据。这些IoT传感器和 AIoT与设备连接的价值 AI对可靠的、现实世界的数据有着无尽的需求，以此来推动训练和推理。因此，AI的快速发 展需要大量关于我们所处世界的准确数据，而这种依赖从根本上改变了设备连接的经济价值。 过去，评估一个联网设备的价值往往基于其功能的内在价值，比如恒温器能够测量温度并控 制HVAC系统。但如今，AI拓展了设备的价值主张，使其价值还包括对能源管理等更高级别 系统的贡献。 设备总价值 = 功能价值 AI的爆发式增长促使联网设备制造商来满足IoT产品快速增长的需求，这些产品能为基于AI 的生态系统提供现实世界的输入。从连接的角度来看，这需要：（1）标准的、广泛可用的 基于IP的网络；（2）一个软件应用层，能在设备和应用之间实现直接、安全的多厂商通信。 这种对设备连接的新定义在垂直领域内将消息分发与消息内容相结合。连接的标准化可加速 产品开发、简化设备安装并降低产品总成本。消息内容的标准化则通过实现与多个应用和生

款基于 NVIDIA Thor 系统级芯片（SoC）的新型人形 机器人计算机 Jetson Thor。Jetson Thor 是一个全新的计算平台，能够执行复杂的任务并安全、 自然地与人和机器交互，具有针对性能、功耗和尺寸优化的模块化架构。 该 SoC 包括一个带有 transformer engine 的下一代 GPU，其采用 NVIDIA Blackwell 架构， 可提供每秒 800 作为小脑进行运动控制并生成动作指令；底层机器人本体接受神 经网络策略的动作指令，进行控制执行。分层决策模型的缺点是： 不同步骤间的对齐和一致性需解决。 以「Google RT-2」为代表，通过一个神经网络完成从任务目标输 入到行为指令输出的全过程。首先在大规模互联网数据预训练视 觉语言模型，然后在机器人任务上微调，结合机器人动作数据， 推出视觉语言动作模型。RT-2不仅负责最上层的感知与规划，还 通用”的矛盾，Figure通过建立一套互补的系统进行权衡。两套系统通过端到端训练以进行通信。其中， 系统2是开源、开放权重的70亿参数量端侧互联网预训练视觉语言模型，用于理解场景和自然语言； 系统1是一个8000万参数量的快速反应视觉运动策略，将系统2理解的语义转化为每秒200次的精确连续机器人动作。 智元通用具身基座大模型GO-1 04 19 资料来源：智元机器人官网，浙商证券产业研究院

基础设施、数据和技能，提供了一个广泛的社会经济视角，并突出了构 建有弹性的基础设施和促进包容性和可持续工业化和创新的需求。 v Rebeca Grynspan 联合国贸易和发展会议秘书长 历史表明，虽然技术进步推动经济增长，但它本身并不能确保公平的收 入分配或促进包容性的人类发展。更加强劲的国际合作可以将焦点从技 术转向人，使各国能够共同构建全球人工智能框架。这样一个框架应优 先考虑共享繁 得的成果。然而，通过适当政策，人工智能可以增强 而非替代人类能力，并有助于维持发展中国家的竞争 力。 三个关键杠杆点——三个可能导致人工智能变革级 联的关键杠杆点是基础设施、数据和技能。这些为评 估一个国家应对人工智能的准备工作、制定有效的产 业和创新政策，以及加强全球人工智能治理和合作提 供了基础。 前沿技术可能会侵 蚀发展中国家低成 本劳动力的比较优 势 政策焦点 7 2 版权所有 © 选定的经济体 中国 俄国 联邦 印度 巴西 南非 发展中国家应准备迎接一个正由人工智能和其他前沿技术快速重塑的世界。为了评估进 步的潜力，联合国贸易和发展会议（UNCTAD）制定了前沿技术准备指数，该指数结 合了信息技术和通信技术（ICT）部署、技能、研发活动、工业能力和融资获取等指标 ，以提供一个国家应对前沿技术的全面准备度衡量标准。指数排名主要由欧洲和北美的 发达国家占据（见表2

摘要 2024 的医疗 AI，既是坎坷，又是新生。 快速发展的大语言模型，携着生成式 AI 掠过医疗领域。过往的互联网医疗、医学影像、 新药研发……一个一个场景经由新一代 AI 重塑，焕发出前所未有的价值。 不过，发现价值并不意味着能够掘得价值。如今惨淡的融资形势下，躬身大模型的企业 们无法像深度学习时代那样随意试错。有限的现金流，意味着每一家企业必须全面考察 场景、技术、风控、商业化等方方面面，才能做出决定。 品、研发、商业化提供参考建议。 核心观点 1. 伴随 AI 应用的持续扩展与需方对于 AI 认知的不断加深，“提效”取代“政策”成为需方 购置 AI 的主要动力。如今，医疗 AI 企业已突破 1-2 亿的营收规模，迈向第一个 10 亿。 2. 超 160 个影像 AI 获批医疗器械三类证，影像 AI 企业们逐渐跳出影像科，向医学装 备、外科手术辅助系统等领域进发，打开了新的百亿市场。 3. 生成式 AI 对于医疗 以脏器为目标的诊断取代了以单一病种为目标的诊断，驱动企业基于脏器进行全面 布局。过去，影像 AI 的研发落地常围绕某一特定疾病进行，但影像科医生在阅读 CT、 X 光片时，不会先入为主预设患者的患病情况，而是会逐一确认影像中的每一个细节， 这种辅助模式限制了影像 AI 的价值。如今，影像 AI 企业为实现某个脏器的诊断，必须 将该脏器中的热门病种逐一诊断，进而导致热门病种对应的影像 AI 数量激增。 3. 冷门病种虽然独

回首被时代的飞轮带走的 2024 年, 可以清晰地 看到, 曾在金字塔顶端的 AI, 已经化身百模大战、自动驾驶、智能制造等场景和 应用, 以周计地改写着人类的未来, 也将中国企业的智能化发展之路,带至一个 全新的高度。 从 AI 1.0 到 AI 2.0 , 人类对 AI 的想象, 飞速从简单地识图、识字、辨音等 基础场景 进化到今天: AI 具备了强大的分析能力, 能够深度挖掘数据价值, 走 在产品方面, 从智能硬件 到软件应用, 从消费级产品到企业级解决方案, AI 元素无处不在, 极大地丰富 了产品的功能与价值; 在生态体系上, 科研机构、科技企业、行业用户等各方力 量紧密合作, 形成了一个相互促进、共同发展的有机生态。与此同时, 客户对于 智能化产品、方案和服务的迫切需求也成为这场革命的重要驱动力。技术创新与 企业应用在智能化转型的道路上相向而行, 双向奔赴, 这个过程中, 一站式 的应 用极大地提高了效率,解决了许多传统难题,但同时带来了数据安全、隐私保护、 伦理道德等问题。 这些问题的出现, 迫使我们不断深入思考科技与社会的关系, 探索如何在享受科技便利的同时, 构建一个更加公平、安全、和谐的社会环境 。 此外, 算力的场景化应用虽催生了对通用算力、超级计算、智能计算等多样 化需 求, 但混合架构衍生出的多云管理、多芯片协同等问题, 如同前行路上 的暗礁, 横亘在智能化的航道之上。

年是拥抱变化、把握机遇的一年。冲突和转型的交织令原有假设受到质疑，领导者不得 不重新评估其风险偏好。他们必须平衡速度需求与成熟流程的安全性，然后改变那些束缚发展 的习惯。 生成式 AI 是这一转变的核心，带来了一个充满新机遇和未知风险的世界。智能体 AI 是指自主 执行各种功能的系统和程序，可在员工从事其他工作时代表他们完成任务。通过为 AI 智能体赋 予相关权限，它们可以自动执行决策、解决问题以及执行其他超出系统机器学习模型训练范围 的受访高管强烈认同其组织已将 AI 知识、技能和能力纳入员工职业发展计 划。而且只有不到一半的受访高管表示其组织已经实施了正式的变革管理计划，旨在将 AI 助手 和智能体集成到日常工作流程中。 这是一个大问题，因为智能体 AI 正在迅速转变个人贡献者的角色。随着具有更高级功能的 AI 智能体对简单 AI 助手进行补充，员工将需要管理可自主完成任务的智能体团队，并学习如何与 对话式监管 AI 智能体合作，从而简化这一流程。 弥合愿景与现实之间的差距。 确定扩展 AI 取得成功所缺的架构要素。将 AI 商业论证与相关的现代化改造成本联系起 来，避免意外支出。有意识地投资能长期带 来最大业务价值的 AI 计划；建立一个跨职能 AI 委员会，负责从业务线的角度确定投资回 报率；同时制定劳动力战略，助力员工在不 增加技术债务的情况下进行创新。 激励大规模扩展。 赋能 IT 领导者，让他们向企业传达大规模扩

政企、创业者必读 《DeepSeek给我们带来的创业机会》 360集团创始人 周鸿祎 3 政企、创业者必读 政企、创业者必读 一张图读懂一堂DeepSeek课 政企、创业者必读 AI给了一个比互联网更大的机会  互联网是连接平台，人工智能是生产力  互联网是赋能性技术，生产力属性较弱  人工智能既能单兵作战，也能外部赋能 互联网创造了能写140个字的推特和分享照片的Instagram 大模型厂商都在探索慢思考、思维链技术 政企、创业者必读 DeepSeek出现之前的十大预判 之三 模型越做越专  除了少数科技巨头，大多数公司都专注于做专业大模型  MoE架构盛行，本质是多个专家模型组成一个大模型  Deepmind的Alpha系列产品是这一趋势的最佳诠释 16 政企、创业者必读 DeepSeek出现之前的十大预判 之四 模型越做越小 17  大模型进入「轻量化」时代，上车上终端，蒸馏小模型 式更像探索实践  记住很多东西只是基础，真正有价值的是 融会贯通 R1找到了人类通往AGI的方向 DeepSeek颠覆式创新——技术创新 27 DeepSeek-R1和GPT-4o不是同一个物种 政企、创业者必读 快思考 慢思考 快 慢 人类真正智力表现 的形式 直觉经验型 速度快、准确性低 GPT、DeepSeek-V3擅长的 思考方式 推理能力获得突破的关键是学会了「慢思考」

请务必阅读正文之后的免责条款部分 图1：端到端与模块化自动驾驶 资料来源：电动车公社，国元证券研究所 4 端到端的定义：基于数据驱动的深度学习 在广义语境中，端到端是一种研发范式，指在一个任务中，从输入端到输出端，中间不经过任何其他处理环节，由 一个模型完整实现输入到输出的全过程。在智能驾驶领域，端到端架构是指车辆将传感器采集的信息直接输入统 一的深度学习神经网络，经过处理后直接输出驾驶命令。深度神经网络赋予端到端模型强大的学习能力，使其能 工程师通过代码制定的规则，难以处理所有复杂场景， 边际效应随着智驾能力的提升呈现几何式骤减。与基于 规则的传统自动驾驶算法结构相比，端到端算法基于数 据驱动，可以实现信息的无损传递。同时，端到端架构 将感知、预测和规划结合为一个可以共同训练的单一模 型，整个系统都针对最终任务进行优化，并且共享的骨 干网络大幅提高了计算效率，使智驾方案具备更高的迭 代效率，有效降低了维护成本。 请务必阅读正文之后的免责条款部分 图2：端到端技术演进 存在人工设计的 数据接口。例如，华为乾崑ADS 3.0由GOD感知网络和PDP决策规划网络组成，GOD负责感知障碍物，PDP则根据感知 信息迅速做出决策。一体化端到端则将感知与规控模块全部打通，形成一个统一的大模型，使系统能够更直接、 高效地处理信息并作出反应。业内典型代表为特斯拉、Momenta、理想等。这种架构取消了模块划分，减少信息损 失的同时，对数据标注的需求也更少，同时具有更强的泛化性。