众所周知最近开放的 Premium 分组以其复古的特效，尊贵的特权，稀缺的数量对佬友们有着特别的吸引力 最近本情报组织收到了一些机密情报，希望大家在最近一定要警惕各种用 Premium 吸引人的钓鱼活动，包括但不限于 “Premium 抽奖” 等等 Premium 标虽酷炫，但若被永久禁言则得不偿失，务必谨慎又谨慎 – 星穹铁道情报室 4 个帖子 - 4 位参与者 阅读完整话题
对于mimo最近的一些活动谈谈自己的看法，佬友轻喷： 先前读到的： “认知失调”理论 ：心理学上有一个现象，当你为一个事情付出努力（哪怕是填个邮箱），你的大脑会倾向于高估它的价值，以证明自己的付出是合理的。 它不叫“送Token”，而叫“百万亿 Token 创造者激励计划”。你不是在“领取”，而是在“申请”，经过“评估”后“入选”。这一套流程把单纯的促销包装成了一个带有筛选性质的荣誉仪式 像是用情绪价值弥补mimo短期内竞争力的不足 包括今天的额度翻倍，可见手法之高明 他可能没那么懂技术，但一定懂“人性” 4 个帖子 - 3 位参与者 阅读完整话题
以前需要分给不同人甚至部门做的 “前端、后端、架构、运维、本地化、PM” 工作，现在全部可以由 Agent 员工完成。但最重要的指挥工作仍需要人类，得有个总舵手来领导所有 Agents 。 现在只需要总舵手，水手都是 AI ， 如果你还只做水手的工作肯定会被裁 ，就像真正的水手在工业革命后被内燃机取代一样。
5月以来，受优质鸡苗稀缺、禽肉消费持续向好影响，白羽鸡养殖行业高景气持续，上游鸡苗与下游鸡肉产品同步回暖。据钢联数据统计，春节后至目前，毛鸡价格多维持在3.5元—3.7元/斤。在大多数时段内，商品代毛鸡的出栏利润稳定保持在1.3元—1.7元/斤区间内。二季度以来，融资资金加仓多只肉鸡养殖股。据数据宝统计，截至5月22日，益生股份、立华股份、圣农发展和民和股份4股获得融资资金净买入，金额依次为5391.58万元、1624.78万元、1054.36万元、564.14万元。业绩方面。圣农发展、仙坛股份一季度净利润同比大幅增长，增幅分别为71.41%、38.02%；益生股份、益客食品同比实现扭亏为盈。（证券时报）
稀缺的，到底是懂AI的人，还是懂业务的人？ 一个反直觉的判断——懂AI这件事正在快速贬值，而能在关键低频决策中做出判断的人，才是未来的稀缺品。高频重复的工作最容易被AI替代，但在打造爆品、建立品牌等低频高影响力的决策上，人的判断依然不可替代，企业AI转型的最大卡点也不是技术或数据，而是“想不到应用场景”， 当前AI的利润大头仍在基础设施层，应用端的ROI尚未完全释放，但拐点会比预想来得更快。 以下为圆桌对话内容，经36氪整理编辑： 郑王宇丨36氪基金投资副总裁（主持） 龚毅丨尼尔森IQ 通信及科技业务总经理 罗飞丨华科智能AI研究院院长 林海卓丨卓源亚洲创始合伙人、董事长 郑王宇： 各位老师好，我们今天一起讨论“当AI进入产业前线：未来最稀缺的AI人才会是谁”，谁会是行业的新贵。把行业翘楚聚集在这里很难得，请各位嘉宾用一句话亮个相，并带着您的视角参与接下来的讨论。 龚毅： 大家好，我是尼尔森IQ的龚毅，我们所处的行业是数据洞察行业，今天我谈论的点从这个行业出发。 罗飞： 大家好，我是华科智能的罗飞，是一家港股上市公司，主要做投资。我所在的研究院主要是赋能传统行业的AI转型，做培训、咨询和陪跑。我们有很多传统老板怎么升级的痛点，今天也跟大家分享一下。 林海卓： 大家好，我是卓源亚洲的林海卓，我们主要是一家聚焦于人工智能、半导体、机器人的投资机构，聚焦于风险投资市场。主要投了轻舟智能、江行智能、沐曦集成电路、小马智行这些代表性的硬科技项目。 郑王宇： 三位专家都是不同的视野。在过去一年里，AI从模型能力的竞赛进入到产业场景落地的环节。我们现在看，无论是消费零售、企业管理、制造、金融、医疗各行各业，包括创业投资，AI的价值不仅取决于模型参数和技术指标，更取决于是否能够进入真实的业务流程。说得大白话一点，现在的AI要进入整个产业的前线，影响决策执行甚至是商业落地的结果。这个过程中，新的问题就变得更加迫切了——当AI工具变得越来越普及，真正稀缺的人才是什么样的？最后一个圆桌，希望从企业竞争和人才角度出发，讨论AI抵达产业前线的战壕后，人与机器、专家与工具、组织与个体之间整体的分工与变化。 先进入第一个问题。在这个过程中，不只是让员工多一个工具，而是开始影响到消费者洞察、产品创新、供应链、渠道运营、客户管理等决策环节。哪些工作在各位的视角看来是最容易被AI重构的？哪些环节适合AI，但实际落地又是最难的？先请林总。 林海卓： 我们目前有一个观点，在投资过程中，好的问题提出者依然是有壁垒的。目前来看，知识高度密集型的领域天然有一个特征，知识体系比较容易进行结构化描述，技术结构用代码化去表述，相对会有一个清晰的边界和对与错的判定，在这样一个逻辑下，比较符合现在人工智能解决问题的范式。像会计师、律师、程序员，在当前的情况下是比较容易被新技术替代的。但好的问题提出，还是需要人的引导。我们现在看到的是机器人、各种各样的Agent，包括喂养龙虾，还是需要从0到1推进的那一步，让它更好地做某一个你给它限定范围的事情。各个行业提出问题，或者结合这个人本身在行业中过往的经历，提出交叉学科前沿的想法，引导一个模型朝着这个方向积累，是未来比较容易构建个体壁垒的事情。 大家更容易理解的是，围绕着体验的领域或者是情感领域、感性层面，心理学家、心理咨询师是不是也被AI替代？旅游体验师、旅游导游和具身智能场景相结合，具备丰富个性化、场景化体验的这部分，AI替代还有相当长的距离。从从业角度，AI更好的是赋能，而不会马上进行职业替换。大概这两个维度。 郑王宇： 投资人的视角相对宏观和全面，深入到每个行业的细节，罗院长，您在实际观察产业落地过程中，哪些行业容易被AI替代，哪些环节比较困难？ 罗飞： 现在AI 2.0我们在应用AI大模型的能力。AI大模型本质上是推理引擎，我们认为以前人在推理的地方，都能挖掘到很多应用场景，看推理的过程是不是由AI来做。我们总结三个特征。重复，才有用AI的价值；标准，每次推理、思考、行动的过程有标准可言；熟练，是指这个企业里有熟练的人能把这个工作说清楚，我们需要把熟练的人的经验萃取出来，给AI大模型配好工具，让它来替代这个事情。这是一个维度。 另外一个维度是工作环境。越是在电脑前工作，越容易被替代；越是跟人打交道的工作，越不容易被替代。在电脑前重复地查资料、想方案，不管是写成Word还是PPT、Excel，重复的查、想、写的工作，龙虾发展的能力越来越强，又能够控制电脑去做这个事情，电脑前的工作就会越来越容易被替代。越靠近人的、越靠近市场的，越不容易被替代。我们看见人的能力要往左移，左边是市场、客户，右边是后台流程，人的能力加上AI过后要不断往左移。 郑王宇： 意味着沟通、协作、洞察变得更重要了。我提炼出您说的三个关键词，重复、熟练、标准，有这些特征的环节更容易被替代。龚总。 龚毅： 我的点和前面的嘉宾一致。我们服务的客户是500强客户，服务的领域基本上在品牌营销、产品创新和零售以及客服方面。我们看到的点会把它化为矩阵：一个轴是频率，两位嘉宾都谈到高频和低频。 另外一个轴是决策的战略性、重要性。最容易被替代掉的，频率越高会有大量回馈，数据很多，AI很容易学到经验，每次往复会做强化学习，AI能学到。对于低频，尤其是低频重要性高的事，很难替代掉。为什么在品牌营销领域会看到大量的广告投放复制，自动化程度非常高？从最初的创意到创作，到KOL投放，评估闭环，很运营化了。直到今天，我们仍然是说，你要做具有溢价的高端化品牌，做年轻人的品牌，或者在跨国文化、西欧、印度出海的时候，跟当地消费者引起共鸣的品牌，频率不高且影响巨大的事，我们还是看到AI很难解决，这是整个社会很稀缺的事。 郑王宇： 下一个问题，现在企业AI能力的落地阻力来源于哪里，是来源于技术、数据积累，还是组织惯性导致的？龚总可以从服务客户的角度来讲这个问题吗？ 龚毅： 基础肯定是数据。直到今天，我们的AI已经会上搜索，已经会执行很多工作流，从skill的角度已经达到七八十分的水平，但仍然有很多幻觉在里面。幻觉本身基于我们怎么把有效数据给AI，在对的工作流基础上不会产生幻觉。在行业通常会发生的事，大家觉得以后不要做调研了，有一个想法不用做调研，只用问一万次AI，那就代表一万个消费者，我是不是可以基于这一万个调研，就形成我这款手机、冰箱是不是可以在市场上有比较好的表现？我们做了大量验证，会发现不是。 第一个，你问AI是不是足够有代表性；第二个，每一次问AI，它是不是嵌入到我们具体的数据来回答问题。比如你是丁克或者四世同堂的家庭，你回答问题的时候，AI是不是代表了这些人的需求。最后加总起来，回到消费者说十分，九分是特别喜欢，九分到底是代表市场成功还是十分才能代表成功？一系列专业的点不合成起来，就会发现你问的东西都似是而非。不够高频的情况下，企业很难决定我是信还是不信。我举这个例子，总结起来，企业本身的流程会有很多专业点，这些专业点需要被解决，或者被AI解决，或者被其他方面解决，但AI赋能整个流程有很多要求。 郑王宇： 罗院长，您觉得整个AI在公司里落地，阻力来自于哪里？技术、数据还是组织惯性？ 罗飞： 更多来自于组织。我们看到AI技术每年发展突飞猛进，做AI行业技术的人都会感觉马上AGI都要来了，AI的能力一年比一年强。但企业落地，我的感知没有那么快。企业落地还是有很多阻力，还是组织对于AI的认知。我们过去两三年服务了十多个行业里的龙头企业，这些龙头企业偏传统，比如地产、金融、大健康、餐饮。我们都会调研一个问题，我们认为AI在企业里落地有两个卡点：粗阶卡点和高阶卡点。粗阶卡点，企业想不到更多的应用场景。大家都说AI很厉害，回到企业，我问这些企业的员工或者老板，你们能想到多少应用场景？他们想不到更多的应用场景，我们称为粗阶卡点。高阶卡点，企业可以落地应用场景，但落地以后不见成效，投入不见成效，内部员工不愿意用，外部客户也不愿意用。 我调研发现，虽然AI技术发展很快，入企发现大量还是在粗阶卡点。AI的能力已经这么强了，从业者都觉得能力这么强了，大部分企业还是说找不到应用场景，这是最大的卡点。找不到应用场景很大的原因是企业没有把对AI的认知拉起来，也没有深入业务分析，或者有惯性思维。现在AI处于AI 2.0，大部分企业有1.0的思维，认为用AI必须要有数据。 我们提出一个核心的观点，企业AI转型实际上是人才转型。企业要从数字化思维跳出来，形成AI思维。数字化思维阻碍了现在很多企业去落地，认为落地AI有很多前提条件，要数字化，要好，要有数据，要有技术。这些前提条件都阻碍了企业把它的应用场景认知给打开。这是我真实体验到的巨大卡点。 郑王宇： 越大的公司，阻力来自于组织机构的越多。不知道创新公司怎么样，您观察到的呢？ 林海卓： 我们从整个行业来看，投资回报率还没有那么高。很重要的原因，在历史上是可以找到对应阶段的。在2000年互联网泡沫之前，曾经有一度全世界市值最高的公司是思科。在互联网早期，谷歌等很多企业诞生之前那段时间，造互联网高速公路，核心交换机曾经做到过市值最高的企业。英伟达、博通都在这个市值占据主要位置，恰恰说明了人工智能大的利润来源，我们感觉到还是用于构建基础设施。很多时候投入人工智能，无论是企业还是超级个体，在投入人工智能做投资的时候，ROI相当一部分成本变相还是给到了基础设施。至少当前是基础设施拿到了相当大的利润，也跟目前全球范围内德意志银行今年年初说的一句话相符：短期缺算力，中期缺能源，永远缺存储。这反映出在人工智能发展的现阶段，基础设施还是切走了大部分投资端、利润端，应用还是在不断追赶的过程中。 大家接触到的大模型，如果泛化到绝大多数的网民，大家接触到的大模型或者人工智能，更多还是搜索引擎的平替。现在打开脑海当中意识流想到的问题，不一定用传统的搜索引擎，直接问DeepSeek或者元宝、千问、豆包，会产生这样的效果。大家还是把AI当成一种检索、搜索引擎替代的入口。真正接入到业务流端，炼钢、炼铁、重型工业、半导体、先进设计，借助一款人工智能的工具来帮助我在非常垂类的领域，无论是业务流侧还是深度构建高精尖知识know-how，并且反向反哺我做这项工作，确实还早，至少两三年的时间周期。因为大模型，这个领域的从业人员需要投喂大模型我感兴趣的问题。在这个过程中，大家开玩笑说我还要PUA我的大模型，你怎么这个技术知识都不知道，我的意思这个问题应该怎么看。智能体接触到以后，会不断积累在这个垂类特有的知识库结构或者行业常识的结构，投喂需要相当长的时间，但出现拐点也会比大家预想的时间节点要快。 整体来说两部分：一部分是高精尖价值知识图谱和垂直行业当中对应的信息，智能体还在投喂和培养；基础设施是未来几年大家主要关注的点，大基建并没有做到冗余，变相的很多成本要由早期吃第一个螃蟹的人分担，综合影响了ROI。 郑王宇： 林总给了我们一个非常重要的提醒，任何一个行业的发展都要看到阶段性，我们要分现阶段和未来的潜力。现在AI会让行业集中度更高，也有人说AI降低创新门槛。AI会让头部企业变得更强吗，还是给新进入者更多的机会？ 林海卓： 您刚刚提的话题，我稍微有一点担忧。最近有一本书很火，《科技共和国》，描述了我们能够想象到的场景，超级科技巨头，无论是数据能力各个方面，会出现我们现在想象不到的垄断境地。绝大多数从业人还是处于——现在来看去找他工作的，我这个工作绝大部分的能力可以被AI替换以后，我会做什么？这是哲学、社会学层面需要探索的新方向。过往乐观的人会说，失业的人总能找到新的工作，纺织机时代可以维修纺织机，不需要在一线做很多纺织工作，可以解放出来从事更多周边创意行业，或者将机器应用在其他领域，有各种创新方式来解决��个问题。 但人工智能替代无论是白领还是蓝领的工作，数量可能是指数级的。短期之内，投入到市场，未来相当多的原来岗位对应的人口，比如客服，这在中国有着六七百万的从业人数；网约车司机、出租车司机，都是当前已经明显看到替代趋势的。这一部分的劳动者怎么解决？从国家层面能看到几个迹象：依然大力提高高等教育的普及人群，解决这个问题不能让打螺丝的人去打另外一种螺丝，而是让这个人纳入先进服务体系，进入服务行业，就需要这个人有更高的教育水平，还是普及大学的从业人数。 2033年会是中国高考这一波的巅峰。2033到2038年五年期间，会在极短时间内高考人数下跌40%左右。未来相当长的一段时间，怎么做学科配比调整，包括可能有一些大学天然的从业人数会消亡，这是引导未来从业者从业方向很重要的方式。我们现在的策略从国家层面来看，依然在大幅提高理工科的比重，我一定要在全球所有的高端技术领域都有最充沛的新一代20后、30后，这是国家宏大的战略。会有更多的创意工作者，包括交叉学科方向的产生，来解决人工智能巨头带来的垄断对更广泛就业人群的影响，这是我们的考虑。 郑王宇： 林总已经提到了下一个环节需要讨论的问题——AI时代该怎么培养和评估人才。罗老师，林总介绍了国家的政策等视角，您怎么看待我们这个时代应该如何培养和识别AI人才？ 罗飞： 怎么培养和识别AI人才，从教育开始。AI最应该影响教育。我有一个切身体会分享给大家。在教育方面我们在做公益，把AI带给乡村小学，这个事情我们觉得很有意义。山村小学的校长会有疑问，校长想到这个事情，但会质疑，身边的人都跟他说，大城市学校投入很多钱落地AI都不成功，你一个山村小学为什么可以？学校老师质疑，他身边的其他校长也质疑。这个校长还有一个点没明白，他也去过大城市看过其他学校落地AI，做了很多智能体，做了很多展示，有什么用，他看不明白。很多时候市面上的智能体是套概念的智能体，真正的智能体可以干活，但这个智能体说不清楚能干什么活，就是套概念的智能体。我们不是做数字化的落地，不是帮企业建系统，我们是从人才出发。 第一个应该改变的就是学校老师。我们做公益，先让乡村小学的老师全员有AI技能、AI思维、AI能力，老师再想着怎么把AI带到课堂，让老师带着AI，在有指导的情况下带着孩子探索AI新世界。探索的方式、学习的方法，都跟原来完全不一样。这个事情我本身不是教育从业者，我的初心是把AI带给老师，让这么多教育从业者、这么多老师，他们学会了AI过后，在我们的推动和共创下，这些老师会想出新的教育方式。从孩子开始，他们变成AI的原住民，真正掌握AI的能力，而不是以前死记硬背的能力。AI时代下，死记硬背的能力已经没有效了。 未来对于一个人才的判断，不是判断这一个人的能力，而是判断这个人背后的AI班底。他能指挥多少AI跟他一起干活，AI班底的能力，同时纳入对人才的判断。以后面试也是一样，如果未来面试光说自己的能力，很难入职；如果能说出背后AI班底的能力，在AI时代就是能力很强的人。 郑王宇： 您刚才也提醒我们，我们现在也应该重视人才未来应该具备什么样的能力。针对这一点，龚总，未来最稀缺的人才，您觉得是懂AI的行业专家还是懂行业的AI专家？在您的观察中，什么样的人容易把AI用出实际的价值？ 龚毅： 前面的话题，稀缺的AI人才，是懂业务的AI还是懂AI的业务？核心点是这个行业稀缺什么。十年以前大家说稀缺，你要学程序员，那时候在硅谷大厂会有很好的前途。今天发现代码这个事可以被AI解决，这个能力不但自己和自己卷，还卷不过AI，这个能力显然不稀缺了。林总讲到，目前产业的红利都在基础设施，基础设施这个事，不管我们怎么剖析英伟达的成功因素，最后导致目前芯片的供应、HBM的供应，都是被市场少数公司垄断的。只要不在垄断链的上下游，最后都会很难受。比如手机行业大家都很难受，HBM的产能导致手机内存很贵，导致整个手机产业链的人今年都会很难受，本质是相对不稀缺。 以这个为逻辑，我们认为懂AI这个事会逐步不稀缺，也许在今天稀缺，但这个能力相对来说比较可工程化，教育上也能够可复制化。如果把注押在懂AI这件事上，几年后会比较危险，就像写代码的人现在怎么写也写不过AI。懂业务的人，要看具体懂什么业务，高频的业务也容易被AI解决。 基于这个逻辑我来推演一下：能够在关键低频但是在重要性影响很大的点上，具备综合能力的人，这样的人才是最稀缺的。比如在产品中能够打造爆品的人，谁能说打造爆品的人能够被AI替代？这个大家看不到可行的地方，需要沟通、协调、跨界。我刚才也提到，打造成功品牌的人，同样也是很稀缺的人才。 在AI时代，这些人有一个前提条件，至少懂一点AI或者知道AI带来的价值，他利用AI。这是我的理解。 郑王宇： 谢谢龚总，说到我们现在非常关心的问题。在各位嘉宾聊的过程中，发现AI已经从对话走向执行，参与到各个执行环节。罗院长也讲到，AI不能干活是伪命题，无法深入到企业当中。 最后一个问题，在现在这个阶段，我们看到AI能够参与执行阶段，人的核心价值体现在刚才各位说的方方面面。作为企业主，如何判断哪些决策可以交给AI，哪些必须由人保留？在高风险、高复杂的场景中，人机分工是不是有一个边界，以及他们如何划定？ 林海卓： 我现在直接想到的，相对不太需要担责任的领域，用AI的方式。比较严肃的场景，比如重大城市安全的方面，完全将核心决策能力交给AI，有一天可能会有这个时候，但中短期都难以实现。从社会的角度来看，提建议还是AI当前从权责利划分来看最好的角色。 还有一个纯粹的效率工具。上一波人工智能的主要应用当中，美团、滴滴，我单纯想匹配一个离我最近的空车，整个过程也不需要涉及谁来担责任，可以抽象为数学问题。抽象为数学问题以后，降本增效，更好地提升整个运转效率，这些是我们认为AI跟人的划分中，AI可以更多承接全部职责的。人类还是会做符合当前人性化或者是人为框定规则的辅助工作，或者对AI提供的若干建议做综合判断，补全信息漏洞，这是更好的方式。 从无人驾驶的角度，很多关键性技术现在已经较为成熟了，很多人诟病商业化速度没有那么快，或者依然处于高度克制的推广过程中。对于如何划分权责这个事情，还是有很多法律层面、人性层面、科技效率层面的博弈。 郑王宇： 还是要继续探究。罗院长，您在实操过程中，哪些可以交给AI，哪些必须由人来承担？ 罗飞： AI和人协作的过程中，我的思考和想法是，人脑在思考想到的工作，全都可以让AI先干一遍。类似于拿体力劳动的工具，有铲子、挖掘机，AI现在属于铲子还是挖掘机？这两种工具的用法是不一样的，用铲子还要自己的体力，用挖掘机已经不需要自己的体力。AI现在的能力，大家对于AI的能力到底是铲子还是挖掘机？如果洞察到AI能力，一定会认为它是挖掘机。它是挖掘机，我们现在很多工作就不要第一反应想着用人脑想一遍，感觉事情想清楚以后才能用AI，不是这样的。反而是事情没想清楚的时候，更适合用AI。AI用得不深，会觉得AI是辅助人干活；用得深的企业，会觉得人在辅助AI干活。AI知道自己怎么干，在干的过程中有卡点，人来解决这些卡点。 我觉得以后的工作方式会变，变的方式是，未来大部分人需不需要工作都会变，短期内有一定阵痛期，不知道人跟AI怎么相处，或者政策不明朗的时期。我们要看见，现在可能进入一个新的时代，新的时代类似于三百多年前人类从神学走向科学的时代。中国有上下五千年，有科学这个事情，全世界信仰科学只有三百多年而已，中国可能还不到三百年。以前人类全在神学，大家都信仰神学。AI发展到一定时候，有可能科学都变得不重要了，科学研究很多工作人辅助AI去做。人类会不会从科学走向新的世界？现在没有定义，但是未来人的工作生活方式，就是新时代的开启，完全不一样。 郑王宇： 会有新的变化。龚总。 龚毅： 我对AI的理解，目前还是概念模型。为什么可以把数学题本质解好，让它100%达到这个目的，人不是很清楚。 回到我所熟悉的通常要解决的问题，怎么理解因果效应。比如你做了十件事，这十件事哪几件能够影响你最后的销售，影响机制是什么样的？AI基于这个非常不擅长，到底底层的模型是什么样的，我们还看不到AI很好地解决这个事。我同意罗院长的说法，我们可以借助AI帮助人理解，但本质理解底层逻辑，人干起来还是最擅长的。 郑王宇： AI进入产业前线，并不是简单的工具迭代，需要人才培养、组织效率的迭代都能够重构上。站在当下社会前进的脚步中，观察企业如何变革，看未来整个AI行业如何发展，我相信各位嘉宾今天给了我们非常多的灵感，也启发了我们的思考。谢谢各位嘉宾。 今天圆桌环节就到这里结束了，谢谢各位。
36氪获悉，中信建投研报称，在高增长稀缺的宏观环境下，资金抱团现象正从阶段性交易演变为长期市场常态，驱动力从风格轮动转向“业绩增长确定性”。研究指出，AI算力因技术壁垒高、供需紧张，稀缺格局将持续，难以重走新能源行业产能过剩老路。然而，资金正反馈循环中，市场亟待接力资金入场，个人投资者的资金流入仍充满期待。投资者需关注业绩兑现度及产能投放节奏，同时警惕资本开支见顶信号。此外，分析认为，A股头部企业利润集中度仍有较大提升空间。
36氪获悉，中信建投研报称，美元信用周期叠加康波周期（科技）支撑有色金属价格大幅上行。但本轮有色周期亦有其不同以往的显著特征：第一，源于供给刚性和需求韧性，本轮有色周期性大幅减弱，盈利稳定性大幅提高，权益资产估值应提升。第二，源于科技需求爆发，小金属本轮弹性极大，具备全球竞争力的新材料企业迎来爆发增长。当前时点除了贵金属和工业金属外要重点关注新质生产力元素尤其是铼、铀、锡、镍等，同时要重视具备全球细分领域竞争力的新材料企业，如AI芯片电感、AI芯片电容领域以及MIM和粉冶工艺在机器人的爆发带来的投资机遇等。
4月25日，以“芯视野·新格局”为主题的润芯微战略与产品发布会在北京车展期间举行。作为行业稀缺的“芯片+操作系统+AI”全栈解决方案提供商，润芯微首次完整展示已打造的可应用于多端场景的“国产软硬一体AI智能基座”。本次发布会通过战略、技术、产品、生态的完整呈现，全面展现润芯微在多端智能领域的进展情况。从百万量产上车到openvela通过兼容性认证，从车载座舱到两轮车智能终端、机器人算力平台，体现润芯微“国产软硬一体AI智能基座”产品及解决方案的核心竞争力持续凸显。 当天活动上，润芯微正式发布“1+4+N”战略体系。该体系是以知芯·国产计算平台+知微·AIOS+知润·端侧模型为核心，打造自主可控的国产AI智能基座，赋能车端、移动端、AI智能硬件、具身智能四大赛道。润芯微提及，将与合作伙伴一起推动智能向出行、工业制造等场景延伸，通过技术复用与生态协同实现场景智能规模化落地，致力成为中立开放的产业连接器。 润芯微董事长刘青在致辞中表示，当前汽车产业进入智能驱动、自主可控新阶段，“核心技术卡脖子、价格内卷、供应链不稳”等行业痛点亟待破解，国产全栈技术的突破与规模化应用是产业发展关键。润芯微将依托全栈工程能力，深耕国产智能基座等核心方向，携手产业链推进国产技术规模化上车。 汽车行业存在普遍的“国产芯上车难”现状：不仅要突破车用芯的研发生态配套、稳定性易用性的技术门槛，还卡在芯片底软与车端OS、域控架构深度适配的缺失，现在更卡在端侧AI、多屏联动、全球手车互联等方面的一体化调优能力。而芯片厂懂硬件、主机厂懂整车，中间“软硬融合+体验翻译”的桥梁却长期由国际厂商占据，由此成为国产芯片规模化上车的最大瓶颈之一。 由润芯微自主研发的软硬一体国产智能基座的一些列产品，在汽车领域实现了稀缺的“垂直整合能力”：从芯片到系统、性能、交互，与车控服务全链路打通，有效破解国产替代落地周期长、适配成本高等核心痛点。其具备的“芯片+操作系统+AI”的全栈能力，可实现“芯片-系统-硬件-应用”深度协同，可大幅缩短车企等终端客户的研发周期。 依托该核心基座，润芯微成立五年即实现智能座舱量产上车百万台，配套上汽、北汽、东风等知名车企车型，覆盖乘用车、商用车多平台，月出货量稳步提升；目前已完成紫光展锐、杰发、地平线等主流国产芯片适配，润芯微C200智能座舱平台，已成为商用车领域“芯—舱—车”协同的行业领先平台。 凭借全栈技术实力及百万量产经验与开放生态，润芯微精准契合车企在智能座舱、舱驾融合等领域的增量需求，已获得多家车企车型定点。同时基于国产芯片的座舱方案，润芯微已实现多平台、全球化落地，并具备完善的量产交付与合规能力。 在本次发布会上，润芯微集中发布了可应用于全场景智能出行的核心产品矩阵。 在国产AI智能基座领域，润芯微发布了C200与X100等核心产品，其中C200作为主力量产底座，算力达60K~90K，国产化率90%，支持全场景互联与3D沉浸式交互；X100为舱驾一体高阶平台，算力达100K+80T，支持高速NOA、自动泊车等功能。其中C200平台已定点10余款车型。 AI与系统方面，润芯微发布智能体OS与知润端侧多模态模型。当AI正从“生成内容”走向“执行任务”，智能体OS将重构智能组织方式，通过“端云协同”实现可控执行与持续进化，三层AI能力体系可满足车载、工业机器人等场景的实时性、低功耗需求。 润芯微发布了最新一代知微·AIOS Lite（智能体OS）。该系统基于openvela构建，具备轻量、高效、智能、开放四大核心优势，应用于润芯微国产AI智能基座，包括两轮智能仪表，车载AIoT设备等出行所有需求，配套全链路工具链，完美诠释国产替代超高性价比，并保障用户体验的一致性。 润芯微发布了RideBrain M4智能仪表与知趣·智能码表的智能体。RideBrain M4以知微AIOS为核心，包括了OpenClaw（小龙虾），将AI主动服务深度融入产品，结合情感化交互设计，全方位升级用户骑行体验；知趣·智能码表则依托自身无缝互联能力，持续丰富IoT生态，拓宽智能设备的应用场景。 算力与机器人领域，润芯微发布了Rbox-S100商业级大小脑一体化算力平台，面向通用智能机器人，解决算力割裂、实时性不足等量产痛点。 发布会上，润芯微与openvela、深度机智举行了战略合作签约。润芯微表示，未来将持续深耕国产AI智能基座领域，以技术实力与工程能力为核心，以高国产化解决方案，助力汽车、AI智能硬件、具身智能等产业企业实现快速量产，携手产业链伙伴共建产业生态，共筑智能出行新生态。 作为小米生态IDH与openvela生态核心共建方，基于openvela技术底座与Gemini‑S1硬件支撑，润芯微已打造可商业化、可量产的全栈系统方案，落地AI Agent本地服务、车载AIoT智慧玲珑屏、两轮车智能仪表、智慧环境感知面板等多元场景。 小米Vela研发部总经理王爱军表示，润芯微在openvela生态建设中做出了关键贡献，润芯微自研Gemini-S1开发板是全球首款通过openvela官方兼容性认证的开发板。期待润芯微能以知微AIOS Lite的发布为起点,继续深耕出行场景的技术创新,探索更多轻量化智能交互的应用场景,让openvela的技术底座绽放更大价值。 润芯微与深度机智的深度合作，则将围绕具身智能产业生态构建、技术落地、场景赋能、产业升级等方面开展，双方将共同推动具身智能技术从底层创新走向规模化产业应用。 深度机智创始人陈凯表示，深度机智和润芯微的合作，是基于双方在具身智能产业化路径上的高度互补。深度机智专注于物理智能研发，以第一视角数据提取物理常识，打造通用基座模型与软硬协同技术体系，而润芯微则聚焦国产AI智能基座，具备国产芯片计算平台、AI操作系统、端侧模型及大小脑一体化算力平台能力。润芯微能够为深度机智的具身智能模型提供端侧部署、工业场景验证和规模化应用所需的底层算力与工程化支撑，帮助具身智能技术更快进入物料分拣、转盘、装配等典型智能制造场景。
36氪获悉，广发证券研报称，回到增速本身，广谱需求平淡、26年AI仍是相对稀缺的高景气：26年AI进展提速，已驱动全球26年EPS预测纷纷上调。国内发展阶段也已变化，经济以传统产业驱动时的成交集中度无法和技术革命时期的阈值做比较。当前广谱需求仍然较为平淡，对于26年的盈利结构，高景气仍是稀缺性。那么，这部分高增长的公司（多集中在科技）市值占比提升、成交占比提升是一件自然而然的事情。