( 排名不分先后 ) 视觉物联网消费市场产业链全景图 上游 中游 下游 配套 语音芯片 蜂窝组芯片 / 模组 流量 配套 方案商 云 / 平台商 图像传感器 AI 大模型 / 算法 芯片 wifi 芯片 / 模组 思必驰 聆思 技威 宏视 九安 维拍 腾讯云 阿里云 华为云 TUTK 声网 探鸽 尚云 火山引擎 360 视觉 云生态 鹤梦 爱为物联 涂鸦 3M/40FPS,H264/MJPEG 22 工作：240mW（2MP+D1 15fps H.264） 290mW（3MP+D1 15fps H.264） 否 CPU 处理算法 Rockchip RV1103B/06B 单核 A7 1.6GHz 支持 1 路 4K/25FPS,H264/H265 22 200mW & 28mW(4M 分辨率 ) 是 1.0Tops 安凯 当然随着进场的厂商肯定也会越来越多，平均价格会下探，不过比起价格来说， 用户产品体验和品牌建设更为关键，目前品牌集中度并不高，至少还有几年的红 利可享。 智能观鸟器核心是低功耗解决方案和 AI 识别算法的技术闭环，在我们调研中 2023 年做智能喂鸟器的方案商能出货的只有积加、杰峰、涂鸦几家，积加占市场 出货的 70% 份额，在 2024 年智能喂鸟器产品中应用积加的方案出货占比同样达 到 70%

云团队联合首发并上线基于华为云昇腾云服务 的 DeepSeekR1/V3 推理服务。 l DeepSeek 通过 MLA 和 DeepSeekMoE 实现高效的推理和低成本训练，构建 DualPipe 算法和混合精度训练优化计算与通信负载；通过 ( 分阶段 ) 强化学习实现 性能突破。 多头潜在注意力 (MLA) 通过低秩联合压缩技术，大幅削减了注意力键 (keys) 和值 (values) 的存储空间，显著降低了内存需求。 的专家设置，能够更加灵活且高效地调配资源，进一步提升了整体的运行效率和表现。 DeepSeek 模型对跨节点的全对全通信机制进行优化， 充分利用 InfiniBand 和 NVLink 提供的高带宽。创新性提出了 DualPipe 算法，通过优化计算与通信的重叠，有效减少了流水线中的空闲时间。采用 FP8 混合精 度训练技术，不仅极大地加快 了训练速度，还大幅降低了 GPU 内存的消耗。 DeepSeek-R1-Zero 通过 Llama-3.1-405B 等其他开源模型，并在性能上和世界顶尖的闭源模型 GPT-4o 及 Claude-3.5-Sonnet 不分伯仲。 l DeepSeek-V3 模型生成速度提升至 3 倍。通过算法和工程上的创新， DeepSeek-V3 的生成吐字速度从 20TPS 大幅提高至 60TPS ，相比 V2.5 模型实现了 3 倍的提 升，能够 为用户带来更加迅速流畅的使用体验。 l DeepSeek-V3

年的 82.47 ZB 上升至 2026 年的 215.99 ZB ， 对应 CAGR 达 21.24% 。其中，大规模张量运算、矩阵运算是人工 智能在计算层面的 突出需求，高并行度的深度学习算法在视觉、语音和自然语言 处理等领域上的广 泛应用使得算力需求呈现指数级增长。 据 Cisco 数据，全球数据中心负载任务量预计由 2016 年的 241.5 万个上升至 2021 年 的 通用型较强、适合大规模并行运算；设计和制造工艺成熟。 并行运算能力在推理段无法完全发挥。 高级复杂算法和通用性人工智能平台。 FPGA 半定制化 容易编辑 高 中 可通过编程灵活配置芯片架构适应算法迭代，平均性能较高；功耗较低； 开发时间较短。 量产单价高；峰值计算能力较低；硬件编程困难。 适用于各种具体的行业。 ASIC 全定制化 难以编辑 高 低 通过算法固化实现极致的性能和能效、平均性很强；功耗很低；体积小； 量产后成本最低。 量产后成本最低。 前期投入成本高；研发时间长；技术风险大。 当客户处在某个特殊场景，可以为其独立设计一套专业智能 算法软件。 l 当前主流的 AI 芯片主要包括图形处理器（ GPU ）、现场可编程门阵列（ FPGA ）、专用集成电路（ ASIC ）、神经拟态芯片 （ NPU ）等。 其中， GPU 、 FPGA 均是前期较为成熟的芯片架构，属于通用型芯片。 ASIC 属于为 AI 特定场景定制的芯片。另外，

....................................................................................... 23 广告：AI 算法优化推送机制，生成式 AI 实现自动化广告制作 ........................................................................... 身智能应用包括自 动驾驶和机器人，最具代表性产品如特斯拉的 FSD 自动驾驶系统和 Optimus 人形机器人等。 过去一年，AI 大模型助力具身智能的感知、决策等技术进展。如上所述，具身智能算法一 般可以按环节拆解为感知模型（感知识别环境信息并预测环境变化）、规划/决策模型（根据 感知结果做出任务决策）、控制/执行模型（将决策转换指令转换为行动方式）。我们以行业 领军企业特斯拉的发展为例子，观测过去一年 。（2）决策层：过去的 决策算法基于一条条事先设定的 rule-based 的规则，在不同场景下触发行为准则，因此难 以解决长尾瓶颈问题。特斯拉决策算法采用交互搜索模型，机器可以自主预测周围环境个 体的交互轨迹，并对每一种交互带来的风险进行评估，最终分步决定采取何种策略，让车 辆实现更快、更灵活、更拟人的决策行为。（3）控制层：由于汽车的自由度较低，自动驾 驶的控制算法主要依据决策模型输出指令，控制线控底盘等部件进行转向、刹车，从而操

...14 图25： 两种经典剪枝方法 .................................................................. 15 图26： 剪枝算法流程 ...................................................................... 15 图27： 钢铁侠和 Jarvis .... 5）高可靠性：去中心化和离线功能使边缘 AI 更加稳定，不受网络访问限制，这 是关键任务系统稳定运行的必要条件。 当边缘 AI 应用程序遇到它无法准确处理的数据时，它通常会将其上传到云端，以 便 AI 算法可以重新训练并从中学习。因此，模型在边缘运行的时间越长，模型就 会变得越准确，由于可以获得如此多的价值，企业正在迅速采用边缘计算。 Gartner 预测，到 2023 年底，50%的大型企业将拥有记录在案的边缘计算战略， 资料来源：量子位，国信证券经济研究所整理 3）剪枝算法：过参数化主要是指在训练阶段，在数学上需要进行大量的微分求解， 去获取数据中的微小变化，一旦完成迭代式的训练之后，网络模型推理的时候就 不需要这么多参数。而剪枝算法正是基于过参数化理论提出的，核心思想是减少 网络模型中参数量和计算量，同时尽量保证模型的性能不受影响。主要是分为 Drop Out 和 Drop Connect 两种经典的剪枝算法：Drop Out：随机的将一些神经

分析后的结果。传统安防产业在产品、 技术与应用等多维度实现了更深层次的进化与变革。2、人工智能亦将 更加广泛地应用到智能制造行业中，机器视觉检测是 AI 技术在智能制 造中最好的落脚点之一，AI 图像增强技术、AI 缺陷检测算法等技术的 发展有望提升机器检测效率，从而逐步代替人工目检。 ◼ 投资建议： AI 产业链条长，各环节机遇频现，AI 应用的发展将是推动 产业链上下游共同繁荣的动力，相关标的梳理如下：1、终端品牌：传音 主要应用于七大领域：安全防护、翻译、 语音助手、智能推荐、图片与视频处理、 旅行规划和内容生产与审核。 AI+家电 提升使用体验，重要 C 端落地应用场 景。智能家居板块，AI 加强交互能力， 助力提升算法精确度。 AI+显示 智能显示板块，AI 助力智能化，全息影 像有望落地。 数据来源：量子位，东吴证券研究所 数据来源：东吴证券研究所整理 举例来看，OpenAI+传统搜索引擎=AI 百花齐放的景象。国产半导体产业已经加速了“创新车轮”，在端侧围绕计算、感知、 存储等关键环节作充足准备，以迎接人工智能新机遇。作为人工智能算力主要供应商的 英伟达，对人工智能下一个浪潮就提出了“具身智能”预测，即通过将智能算法与物理 实体的感知、行动和环境交互相结合，使机器能够以更自然、更智能的方式与环境进行 交互和解决问题的能力，打开了 AI 与机器进一步融合的想象空间。另外，近期 Open AI 扩大开源插件数量，有望快速开启

咨询等高频场景设置专用响应模板。关键交互指标包括：首次响应 时间<500ms，复杂问题解决率>85%，对话中断率<8%。  智能需求分析引擎实时解析客户资产数据，结合外部征信信息 生成 360°画像  动态推荐算法根据实时市场数据调整产品匹配策略，每日更新 利率/风险参数  合规检查器自动拦截不符合监管要求的操作，记录完整审计轨 迹 知识管理模块整合银行内部文档系统，包括： 1. 最新版产品说明书（每日自动同步） 核心推荐逻辑采用三级筛选机制： 1. 合规性过滤：通过内置的金融产品合规知识库（含监管政策、 适当性管理办法等）排除不匹配产品，确保推荐符合《商业银 行代理销售管理办法》要求 2. 需求匹配：运用深度强化学习算法计算产品特征与客户画像的 匹配度，关键指标包括： o 风险等级匹配度（R 值）≥0.85 o 收益预期偏差率 ≤15% o 流动性需求吻合度 >90% 3. 个性化排序：结合客户历史选择偏好（如产品类型点击率、购 深度需求挖掘：运用预测模型识别潜在需求 o 生命周期阶段预测（求学/新婚/养老等） o 重大事件预判（购房/移民/继承等） o 市场敏感度分析（利率/汇率关注度） 推荐策略实施时采用动态权重分配算法，关键参数配置如下： 维度 权重区间 更新频率 数据来源 资产状 况 30%- 40% 实时 核心系统余额数据 交易模 式 20%- 25% 日结 流水分析模块 风险测 评

浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研 浙江大学人工智能教 浙 攻防对抗 隐私保护 多模态 幻觉问题 可解释性 价值对齐 人工智能 面临的挑战 合规伦理 算法共振 郑小林，浙江大学人工智能研究所，2025.3.16 新一代人工智能面临的挑战 浙江大学人工智能教育教学研究中心 中心 智能教育教学研究中心 大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研究中心 浙江大学人工智能教育教学研 浙江大学人工智能教 浙 挑战2：算法共振 金融市场中多个决策模型因算法同质化、数据源相似或逻 辑趋同，导致它们在市场中的交易行为高度同步，从而放 大市场波动甚至引发系统性风险。 算法共振与羊群效应 1 • 模型结构相似：依赖相似的基础模型（如 LSTM、Transformer、强化学习） • 数据来源相似：采用公开数据集进行训练 浙江大学人工智能教 浙 可信数据空间核心支撑——“智隐”隐私计算平台 融合密码学、可信硬件等技术， 数据在密态交换、计算，保证数 据可用不可见 数据可用不可见 计算过程经过严格的校验、密码 学理论证明，保证算法过程可信、 可互通 计算可信可链接 数据提供方贡献度计量，区块链 存证、审计，保证数据合法、合 规使用 用途可控可计量 ◼ 国家重点研发计划课题（No. 2018YFB1403001 ），

营状态 ，实现智 能 供应链和全球 数字 化协同闭环 处理。 企业构建智能化平 台 ，集成不同业务 领域的数据 ，实现 全方位的智能决策 支持。 模型和算法引入使 得企业能够进行更 高级的数据分析和 趋势预测 ， 支持更 精准的战略规划和 决策制定。 最初的阶段主要集 中在内部信息的基 本传递上 ，通过办 随着企业资源规划 （ ERP ） 系统的引 入 ，数据开始被 高 效存储和管理 ， 使 企业能够处理 更多 的数字化信 息。 数据处理阶段 流程自动化阶段 算法引入极端 信息化阶段 智能决策阶段 万物互联阶段 数字服务发展历程 成长阶段（ 21 社交媒体用户已超 50 亿 ，为数字服 务 与运营提供了广阔的用户基础和应用 场景。 AI 与大数据的算法深入推进 ，如 智 能推荐算法使得广告点击率提升 30% ， 用户画像精度已超 90% AI 营销工具使用率年增长 20% ， 《数据安全法》等法规推动了数字 服务与运营的合规保障。 根据 Marketsand

线下的 协同应用场景，通过实时分析消费偏好与库存流动，动态优化商品组合与服务触 点，实现线上线下融合。这种融合模式既能在零售运营中更主动的触达消费者，增 强用户全生命周期管理能力，又可依托智能算法实现供需精准匹配，从而在提升 消费体验的同时降低渠道冗余成本，形成更具韧性的运营体系区域差异性。 助力零售赢在数字时代 Empower Retailers to Thrive in the Digital 长率高达 ��.�%。随着政策层面加速�G基站、数据中心等数字基础设施建设，以及消费补贴 大力发放以扩大内循环等举措；需求层面消费场景的多元化发展和下沉市场的消 费浪潮；技术层面的云计算与AI算法重构零售行业产业链以优化其效能，未来几 年，零售行业将向深度数字化演进，预计市场规模将在����年达���亿元，����至 ����年年复合增长率高达��.�%。 中国零售数字化行业市场规模，按收入计 转型中重塑了电商的全链路体系，其运营中心采用的AI机器人系统大幅提高了订 单处理效率，并实现了商品的智能存取。同时，亚马逊为其平台卖家提供了生成式 AI工具，支持一键生成产品详情页和商品场景图等营销内容，并通过算法优化需 求预测模型，使供应链管理更加高效。 零售数字化产业链通过数据流的双向反馈形成持续优化机制，上游基础设施迭代 反哺中游应用创新，下游场景需求又逆向驱动技术升级，这种螺旋式演进正重塑 零