等待13年，AlexNet重磅开源：Hinton团队亲手写的原版代码，甚至还带注释 如果你是一名 AI 开发者或深度学习爱好者，那么你一定听说过 AlexNet——这个在 2012 年凭借 ImageNet 竞赛一战成名、直接把计算机视觉能力拔高了 一个量级的深度卷积神经网络模型。 而就在最近，计算机历史博物馆（CHM）与谷歌合作，终于正式开源了 AlexNet 的源代码！更令人惊喜的是，这次公开的版本是 2012 年 Hinton 团队亲手 编写的原版代码，甚至还保留了当年的注释！ | Code 1.53 KB | 修改造新 | <> 源码 | | --- | --- | --- | | آ | # This is a layer configuration file that contains all the | | | 2 | # layer types supported by this code. It's not actually good for anything | | | 3 | # other than demonstrating how layers are specified and ...

AlexNet的发布与意义 - 计算机历史博物馆(CHM)与Google合作发布了AlexNet的源代码 该神经网络是2012年开启当今AI浪潮的关键技术 [1] - AlexNet由多伦多大学团队(Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton)开发 主要用于图像识别 [2][15] - 其2012年论文被引用超过172,000次 标志着计算机视觉领域从传统算法转向神经网络的转折点 [16][17] 深度学习的发展历程 - Geoffrey Hinton团队在1986年重新发现反向传播算法 成为现代深度学习的基础 [5] - 20世纪80年代神经网络以"联结主义"名称复兴 Yann LeCun证明卷积神经网络在手写识别中的优势 [5][6] - 2000年代后期GPU加速的神经网络训练取得突破 语音识别率先验证技术可行性 [13] 关键基础设施突破 - ImageNet项目(2009年完成)提供比传统数据集大几个数量级的训练样本 但前两年算法进步有限 [8][9] - NVIDIA的CUDA系统(2007年)使GPU能用于通用计算 黄仁勋推动的H100芯片现支撑ChatGPT等AI训练 [9][12] - AlexNet首次将深度神经网络、大数据集和GPU计算结合 训练在家庭电脑搭载的两块NVIDIA显卡上完成 [13][15] 技术实现细节 - Alex Krizhevsky开发"cuda-convnet"代码库 通过多GPU支持实现ImageNet训练性能突破 [15] - 原始代码经过5年协商才获谷歌授权发布 2012版源代码现可在CHM的GitHub获取 [18] - 技术路线从专用图像识别扩展至语音合成、围棋、自然语言处理等领域 最终催生ChatGPT [17]

AlexNet的历史意义与技术突破 - AlexNet是2012年由Geoffrey Hinton团队开发的革命性图像识别神经网络，开启了深度学习时代[2][3][4] - 该模型首次将深度神经网络、大数据集(ImageNet)和GPU计算三大要素结合，取得突破性成果[7][9][12] - 在ImageNet竞赛中，AlexNet以显著优势超越传统算法，使神经网络成为计算机视觉领域主流方法[8][12][13] 深度学习发展历程 - 神经网络起源于1957年Frank Rosenblatt的感知器，但70年代被AI界放弃[5] - 80年代Hinton团队重新发现反向传播算法，奠定深度学习基础[6] - 2000年代GPU和大型数据集(如ImageNet)的出现解决了神经网络训练瓶颈[7][9] 关键技术要素 - ImageNet数据集包含数百万分类图像，规模远超此前数据集[8] - NVIDIA的CUDA平台使GPU能够高效进行神经网络矩阵运算[9][12] - 模型训练在配备两张NVIDIA显卡的家用电脑上完成，耗时一年[12] 行业影响 - AlexNet之后几乎所有计算机视觉研究都转向神经网络方法[13] - 该技术路线直接催生了后续ChatGPT等突破性AI应用[13] - 原始代码已由计算机历史博物馆开源发布，具有重要历史价值[14] 核心团队 - Geoffrey Hinton作为导师提供学术指导，被誉为深度学习之父[3][6] - Alex Krizhevsky负责GPU代码优化和模型训练实现[11][12] - Ilya Sutskever提出关键创意并参与开发，后共同创立OpenAI[11][13]

作者 | 诺贝尔奖官方 采访中，辛顿表达了对人工智能未来发展的担忧。他认为， 人工智能可能在短短五年内超越人类智慧 ，并就此可能引发的社会风险，例如大规模失业 和虚假信息等问题，提出了警告。更令人深思的是，辛顿暗示，人工智能的潜在风险可能远超我们目前的认知。 编译 | 王启隆 出品丨AI 科技大本营（ID：rgznai100） 杰弗里·辛顿（Geoffrey Hinton），这位被誉为"人工智能教父"的科学家，于去年获得了诺贝尔物理学奖，引起了全网一阵讨论。 最近辛顿接受了诺贝尔奖官方的专访，他回忆起接到诺奖电话时的趣事时，第一反应竟然是疑惑，因为自己研究的并非物理学（这点和全网的疑惑倒是 一样）。 作为深度学习领域的先驱，辛顿最广为人知的成就是神经网络。但很多人其实不知道， 他曾说过自己这辈子"最自豪"也是"最失败"的成就，其实是与 特里·塞诺夫斯基（Terry Sejnowski）共同提出了玻尔兹曼机理论。 详见： 《 深度学习之父 Hinton 万字访谈录：中美 AI 竞赛没有退路可言 》 他们的工作，以及另一位诺奖物理学奖得主约翰·霍普菲尔德（John Hopfield）等神经网络先驱的早期研究，共同 ...

文章核心观点 AI搜索凭借技术优势提升用户体验，改变搜索行业格局，未来发展趋势多样且充满机会，传统搜索引擎面临挑战需创新[1][3][5] AI搜索特点及格局变化 - AI搜索能精准捕捉用户查询意图，提供定制化结果，打破传统线性检索模式，提升用户体验 [1] - AI重新定义信息获取范式，搜索与AI融合，AI搜索朝着一站式平台发展 [3] - 封闭式AI存在内容幻觉和过程失控短板，“LLM +搜索”模式完成搜索到创作闭环，改变搜索行业竞争格局，预计到2026年传统搜索引擎访问量下降26%，新玩家入场打破“寡头效应” [4][5] AI搜索未来趋势与机会 产品力是竞争力 - 简约化产品设计和一站式服务满足用户需求，是AI搜索发展重要趋势 [7] 信息一体化处理产品形态 - AI搜索与其他AI工具跨界融合，提供实用个性化功能，升级用户体验 [8] - AI搜索突破传统文字搜索束缚，提供跨模态搜索体验，演化为全能型智能助手 [8] - AI搜索呈现多端协同趋势，突破设备边界，走进全新应用场景 [8] 场景垂直“专、精、深” - 用户需求推动AI搜索场景垂直化，垂直搜索满足细分需求，构建企业“护城河” [9] 新商业模式的探索 - 商业化能力创新是AI搜索待解决问题，用户通过AI搜索形成入口导购商业化已有先例 [10] - AI搜索与企业级市场结合，为企业提供定制化搜索解决方案，提供新盈利渠道 [10] 传统搜索引擎的挑战 - 传统搜索引擎需创新，加入AI模型插件提升用户体验，稳固行业心智地位 [12] - AI助手是传统搜索引擎最强挑战者，具备深度思考和联网搜索功能，承载泛搜索需求 [12] - AI搜索新势力提供全新搜索体验，理解自然语言，提供实时准确答案 [12] - 平台型互联网企业扩张搜索市场心智，接入大模型发挥内容潜力 [13] - AI搜索发展关键在于通过RAG解决问题，但依赖传统搜索引擎信息，数据处理难度大 [13]

报告行业投资评级 - 看好（维持）[1] 报告的核心观点 - AI组成的三大要素为数据、算力和算法；AI制药与传统制药流程基本一致，AI主要在药物发现和临床前研究阶段发挥作用；AI生成模型在全新药物设计领域有巨大优势，结合强化学习可为新药设计提供新途径 [5] - AI技术与生物制药开发结合可加速新药发现和开发，建议关注AI医药行业，给予“看好”评级 [5] 根据相关目录分别进行总结 1 AI制药行业介绍 1.1 AI制药的发展历程 - 药物发现昂贵、耗时且成功率低，AI技术引入为制药行业带来新可能 [8] - AI制药发展分为3个时期：1956 - 1980年是雏形期；1981 - 2011年计算机辅助药物设计蓬勃发展；2012年至今AI制药快速成长 [8][9] 1.2 市场规模 - 2015年以来人工智能驱动的制药公司投资率显著增长，截至2023年8月，对800家公司的年度投资总额增长27倍达603亿美元，2021年增长最快，2022年投资总额下降 [12] - 2023年美国在AI药物研发初创公司占比55.10%领先，欧洲和英国分别占19.90%和9.95%，亚洲正快速崛起 [13] - 2010 - 2021年AI制药公司管线年均增长率36%，2018年后增长明显，虽规模仅为前20大制药公司的50%，但增长趋势和专注早期研发凸显其潜力 [16] 2 AI制药的产业链构成与政策 2.1 AI制药的产业链构成 - 产业链上游涉及算力、算法和数据，分提供AI技术和生物技术的企业 [17] - 中游主体分为AI+biotech、AI+CRO、AI+SaaS以及IT头部企业布局 [18] - 下游分为传统药企和CRO企业，分别通过不同方式进入AI制药赛道 [19] 2.2 AI制药相关政策 - 国外近年推出初版监管政策，如美国FDA和欧洲EMA发布相关文件 [22][23] - 国内陆续发布相关政策，各省市也出台特色政策，如上海发布多项政策支持AI制药发展 [24][27] 3 AI制药技术原理 3.1 算力 - 算力是AI驱动药物研发的重要支撑，常用算力有CPU、GPU、TPU，还有分布式计算和云计算 [30][33] 3.2 数据 - 大数据为AI在医药研究应用奠定基础，但医药数据数量和质量制约其发展，公开数据库分6类，非公开数据难获取 [35][37] 3.3 算法 - 机器学习和深度学习可从输入数据学习潜在模式，模型分回归和分类模型，按学习算法类型分监督、无监督和强化学习 [38] - AI生成模型在全新药物设计有优势，结合强化学习为新药设计提供新途径 [39] 4 AI在制药行业中的应用 4.1 AI技术在药物发现中的应用 4.1.1 靶点发现与验证 - 药物靶点决定药物创新性与可治愈疾病范围，AI通过学习多源数据找出潜在靶点，发现策略包括实验、多组学分析和AI计算方法 [45] 4.1.2 药物分子的设计和优化 - 利用深度生成模型和强化学习算法进行新药设计是有效方法，简单生成模型如基于RNN的生成模型可优化先导化合物，进阶AI生成模型如VAE、GAN、AAE在药物设计中各有作用 [48][49][51] 4.1.3 AI辅助药物分子筛选 - 基于配体的虚拟筛选通过已知活性配体筛选潜在活性化合物，基于结构的虚拟筛选基于目标蛋白三维结构筛选，多种AI技术被引入以提高准确性 [56][57] 4.2 AI技术在临床前研究中的应用 4.2.1 ADMET预测 - ADMET是衡量药物有效性和安全性的重要指标，机器学习和深度学习模型可提升ADMET性质预测准确性 [58] 4.2.2 晶型预测 - AI结合物理模型和机器学习算法可更准确预测晶体结构，应用场景包括晶体结构比对、转晶风险评估等 [61] 5 AI制药公司介绍 5.1 薛定谔（Schrödinger） - 成立于1990年，提供高精度分子模拟和预测工具，主要项目涵盖肿瘤学、免疫学和神经学等领域，多个项目进入临床或临床前研究阶段 [63] - 与大型制药公司合作巩固行业地位，2019 - 2023年总收入和软件业务收入增长，软件业务是核心驱动 [66] 5.2 BenevolentAI - 致力于将AI技术与生物制药开发结合，核心技术平台整合多种数据类型和AI模型，研发管线覆盖多个治疗领域，与多家大型制药公司建立合作关系 [68][69] 5.3 英矽智能（Insilico Medicine） - 核心技术平台PHARMA.AI由三部分组成，覆盖药物研发关键阶段，拥有31个研发项目，多条管线获IND批准，在多个治疗领域有研发成果 [71][74] 5.4 晶泰科技（XtalPi） - 推动全流程创新，小分子药物研发有ID4系统，抗体药物开发有XupremAb™平台，固体药物晶型研究有XtalGazer™平台 [76][79][80]

神经常微分方程与液态神经网络 - 神经常微分方程（Neural ODE）通过将离散残差结构连续化，提出用同一常微分方程求解无限堆叠残差结构的参数，显著降低计算复杂度 [1][5][6] - 液态神经网络（LTC/NCP/CFC）基于Neural ODE思想，将循环神经网络离散时间步连续化，提升表征能力并增强抗噪声鲁棒性 [2][13][28] - LTC网络通过生物神经元启发的微分方程设计，在时间序列预测任务中相比传统RNN提升5%-70%性能 [14][15][20] - NCP网络模仿线虫神经系统结构，采用稀疏连接和分层设计，参数量仅为LSTM的4.3%（1,065 vs 24,897）但保持相当性能 [26][31][32] - CFC网络通过推导LTC微分方程的闭式解，避免数值求解过程，训练速度比ODE-RNN快97倍（0.084 vs 7.71分钟/epoch） [33][36][37] 量化选股实证结果 - 液态神经网络显存需求仅为GRU的5%-67%（CFC 6Gb vs GRU 120Gb），实现同等选股效果下大幅降低计算资源消耗 [40][41] - 不同液态网络因子与GRU的相关系数0.69-0.82，显示模型能从相同数据中提取差异化价量特征 [42][43] - NCP结构在2020-2024年回测中表现最优，多头年化收益率24.38%超过GRU的24.21%，夏普比率0.95优于GRU的0.88 [44][50][54] - CFC网络在2024年极端市场中保持稳健，多空年化收益率42.64%显著高于GRU的39.36% [45][58] - 液态神经网络整体多空夏普比率5.22-5.66，优于传统GRU的5.22，显示更强的风险调整后收益能力 [45][50] 技术优势比较 - 参数量：NCP(19神经元)仅253个突触连接，全连接LSTM(64神经元)需24,640个连接 [25][26][32] - 计算效率：CFC训练速度达ODE-RNN的92倍（0.097 vs 8.49分钟/epoch），LTC采用半隐式欧拉法平衡精度与速度 [17][36][37] - 鲁棒性：NCP在噪声环境下碰撞次数比LSTM低63%，异常数据识别准确率保持85%以上 [28][30] - 可解释性：NCP神经元分工明确，可通过微分方程分析单个神经元对决策贡献 [32][38] - 内存占用：CFC前向传播内存复杂度O(1)，传统BPTT方法为O(L×T) [19][33]

英伟达2025财年第四季度财报核心信息 财务表现 - 2025财年第四季度营收达393亿美元，环比增长12%，同比增长78%，高于375亿美元的预期 [1] - 2025财年全年营收1305亿美元，同比增长114% [1] - 第四季度GAAP毛利率73%，non-GAAP毛利率73.5% [6] - 数据中心部门Q4收入356亿美元，环比增长16%，同比增长93%，全年收入1152亿美元，同比增长超一倍 [3] - 游戏部门Q4收入25亿美元，环比下降22%，同比下降11%，全年收入114亿美元，同比增长9% [3][4] 数据中心业务亮点 - Blackwell产品Q4销售额110亿美元，创公司最快产品爬坡记录，供应快速增加 [3] - 计算收入环比增长18%，同比增长超两倍，推理需求加速，大型集群常以10万颗以上GPU起步 [3] - 大型云服务提供商（CSP）贡献数据中心收入50%，销售额同比增长近2倍 [3] - 消费互联网收入同比增长3倍，受生成式AI和深度学习用例推动 [3] - 企业收入同比增长近2倍，因模型微调、RAG和代理AI工作流程需求增长 [3] 其他业务部门表现 - 专业可视化业务Q4收入5.11亿美元，环比增长5%，同比增长10%，全年收入19亿美元，同比增长21% [5] - 汽车业务Q4收入5.7亿美元（创纪录），环比增长27%，同比增长103%，全年收入17亿美元，同比增长5% [5] - 网络业务Q4收入环比下降3%，因产品过渡至Spectrum X，预计下季度恢复增长 [5] 运营指标 - 库存环比下降11.1%，应收账款/收入比例降至47% [2] - 预付款同比增长116.1%，反映供应链预付需求增加 [2]