AI发展阶段与生物智能演化对比 - AI发展分为五个阶段：1940年代符号主义起步[4]、2012-2018年感知AI（如AlexNet突破）[4]、2018-2024年生成式AI（如GPT-1.0和ChatGPT）[4]、2024-2030年AI智能体（强化学习驱动）[4]、2030年后物理AI（具身智能）[4] - 生物智能演化对应：5.5亿年前线虫大脑诞生[7]、5.4亿年前三叶虫视觉出现[8]、5000年前人类文字发明[8]、16-17世纪科学革命[9] - 两者均呈现"大脑→视觉→语言→推理"的加速发展路径，语言是智能跃迁核心[9][10] 自然语言在智能中的核心地位 - 人类文明因文字出现而腾飞，AI领域OpenAI押注自然语言路线，通过大模型实现智能突破[12] - Anthropic研究反驳统计学派：大模型内部存在规划逻辑（非简单概率输出）、跨语言泛化能力、语言映射共享概念区域（如"苹果"的抽象概念）[13][14][15] - OpenAI首席科学家Ilya Sutskever认为"语言是对人类智能的压缩"，与维特根斯坦哲学观点一致[19] 大模型技术范式演进 - 三阶段划分：预训练（知识灌输）、后训练（价值观对齐）构成"快思考"，推理（逻辑思维）构成"慢思考"[21] - Scaling Law持续有效：预训练受限于语料瓶颈，但强化学习（如OpenAI o1和DeepSeek-R1）通过合成数据推动新增长曲线[23] - 推理模型成为主流范式，DeepSeek-R1开源方案推动行业转向强化学习[19][21] AI应用生态与模态演进 - 生成式AI（AIGC）与AI智能体并行发展：前者提供情绪价值（toC娱乐），后者提供成就价值（toB效率）[25] - 内容模态遵循"文字→图片→音频→视频"路径，AI降低创作门槛（博客时代作者比例1%，短视频时代37.5%）[27] - 智能体五大能力：规划（推理驱动）、工具调用（MCP协议）、协作（A2A协议）、记忆、行动[28][31][33] Agent平台与协议生态 - MCP协议连接大模型与传统软件（结构化数据/中心化架构），A2A协议实现Agent间协作（自然语言/去中心化）[33][34] - Agent平台将成为大模型厂商竞争焦点，需整合MCP和A2A协议以链接传统服务与多Agent协作[35][37][38] - 传统软件需重构为"面向智能体+自然语言交互+消除割裂"的三要素，否则面临淘汰[42] AGI发展路径与组织协作 - OpenAI定义AGI五阶段：聊天机器人→推理者→智能体→创新者→组织者[45][50] - 强化学习推动AI从"人类数据时代"（知识回声）到"经验数据时代"（突破边界）[47][49] - 高阶智能体现为组织协作，未来或出现大规模Agent协作网络（如软件开发中需求分析、编码等角色Agent化）[53][55]

AI可持续价值与行业趋势 - 下一代AI领域正处于技术范式转变初期，价值分布尚不明确但充满探索机会[3] - 模型需通过产品与用户需求连接才能实现价值，产品层将承载主要价值[6] - 初创公司与成熟企业将均衡分享AI价值，大公司需结合现有资源创新[6][7] - 当前工具和基础设施成本达历史低点，大幅降低创新门槛[7] Scaling Law与数据效率 - Scaling Law尚未见极限，边际收益递减的临界点仍不可见[8] - 高质量数据token价值远超低质量数据，合成数据占比持续提升[9] - 缺乏科学的数据评估手段，数据实际贡献与宣称价值常存在差距[10][11] Agent发展路径 - 未来12个月将出现更多异步任务型Agent，突破即时交互模式[21][22] - Agent记忆功能是下一阶段突破重点，需实现长期行为积累[21] - 不会出现"全能Agent"，而是细分领域专业化Agent网络[18] - 5年内95%新代码将由AI生成，但核心设计仍依赖人类[23] 开源与闭源生态 - 开源与闭源将长期共存，类似搜索引擎领域的分层结构[15] - DeepSeek R1开源引发行业关注，显示中国AI实力被低估[37] 技术债务与工程变革 - AI有望将技术债务从零和问题转为非零和问题，实现自动修复[30][31] - 小团队+AI工具将释放更大能量，改变传统工程团队结构[28] 医疗AI应用前景 - AI诊断能力已超越普通全科医生，亟待规模化应用[38] 中国AI竞争力 - 中国AI研发能力被系统性低估，DeepSeek案例打破偏见[37] 开发范式演进 - 编程抽象层次持续提升，提示工程将成主流交互方式[25][26] - 图形界面构建工具的发展轨迹预示AI编程工具演进路径[25]

GPT-4.5研发历程 - 项目启动于两年前，是OpenAI迄今为止最周密的计划，涉及数百人团队协作，几乎全员上阵[7][8] - 研发耗时远超预期，原计划耗时与实际相差甚远[16][17] - 目标为打造比GPT-4聪明10倍的模型，最终性能提升达到预期[16] 技术挑战与突破 - 10万卡计算集群暴露基础设施深层次故障，故障率高达40%进度才被发现[8][18][19] - 新一代硬件部署初期系统运行面临诸多未被充分认知的技术挑战[26] - 通过协同设计打造更强大技术栈，如今仅需5-10人即可复刻GPT-4级别模型[8][20] 数据效率与算法创新 - 未来AI发展关键从算力转向数据效率，需用相同数据学到更多知识[8][24] - Transformer架构在数据压缩方面高效，但洞察深度有限[24] - 算法改进产生叠加效应，每次提升10%-20%可显著提高数据效率[43] 模型训练范式转变 - 计算资源不再是主要瓶颈，数据成为制约因素[28] - 预训练模型性能提升可预测，但智能提升路径难以量化[31][32] - 1000万块GPU同步预训练可能采用去中心化模式，类似大脑各部分运作[42] 团队协作与系统优化 - 机器学习与系统团队密切合作，不存在工作界限[34] - 采用渐进式改进策略，严格验证每个改进在不同规模下的扩展性[35] - 理想系统尚未实现，当前仍需调和资源与理想化设计的差异[39] 理论基础与行业影响 - 智能本质是压缩，数据长尾效应让Scaling Law持续有效[47][48] - 预训练通过压缩数据发现抽象联系，与推理能力互补[45] - 无监督学习有效性基于压缩原理，更大规模训练带来更高压缩率[46][48]

智谱AutoGLM新产品"沉思"发布 - 公司推出具有深度思考能力的AI Agent产品"AutoGLM沉思"，免费上线并支持开放式问题探究与操作执行[3][4] - 产品能模拟人类思维过程，完成从数据检索、分析到生成报告的全流程，并支持多模态理解（图文网页）[4][5] - 展示用例包括具身智能行业研究、生成式AI技术影响分析、复古相机推荐等具体场景[4] 产品技术特性与竞品对比 - 相较于Manus强调"行动"可视化，"沉思"更突出思维链展示，展现模型理解-拆解-检索-解决的完整思考过程[9][10] - 当前预览版仅支持研究整理类任务（如输出代码），无法像Manus直接交付可操作成果（如网页游戏），需用户额外执行[12][13] - 技术架构整合三款新模型：GLM-4-Air-0414（语言理解）、GLM-Z1-Air（问题分析）、GLM-Z1（反思验证）[15] 商业化与行业趋势 - 公司提出"沉思大模型"概念，强调动态联网搜索、工具调用、自我验证等能力对突破传统AI局限性的价值[17] - 新模型GLM-Z1-Air推理速度较R1提升8倍，成本降至1/30，并支持消费级显卡运行，三款模型将于4月14日开源[18] - CEO认为未来应用形态将以模型为核心，产品化外壳变薄，模型能力直接决定产品能力[20] 公司战略定位 - 坚持预训练路线，认为强化学习等方法仍依赖基座模型天花板，预训练是必须持续投入的方向[20] - 提出Agent存在类似大模型的Scaling Law，推理计算扩展可提升性能[20] - 拒绝被标签化为To B公司，强调根据场景需求创造价值而非限定客户类型[25]

2025全球机器学习技术大会(ML Summit 2025)概况 - 大会将于2025年4月18-19日在上海虹桥西郊庄园丽笙大酒店召开 [1] - 由CSDN & Boolan联合主办，汇聚超50位学术界和工业界顶尖专家 [1] - 设有12大技术专题，覆盖AI领域前沿热点，并设置AI企业创新展区展示最新技术产品和解决方案 [8] 大会核心演讲内容 - 新浪微博首席科学家张俊林将分享《从DeepSeek R1的复现看深度思考模型的未来》 [1] - 演讲将系统梳理DeepSeek R1开源后的各类复现研究，涵盖SFT阶段轻量适配与RL阶段创新实践 [6] - 重点剖析两阶段训练模式：冷启动微调结合多领域数据优化的SFT阶段，以及运用GRPO强化学习与全场景对齐实现能力跃迁 [6] 深度思考模型技术探讨 - 大模型时代Scaling Law仍是核心驱动力，Grok 3案例显示增大模型尺寸的传统做法性价比值得思考 [5] - 提出用S型曲线叠加解释大模型预训练、后训练及推理阶段的Scaling Law现象 [5] - 探讨关键技术问题包括：RL的Scaling Law边界、影响SFT阶段蒸馏方法效果的关键因素、如何科学解释"Aha Moment"现象 [6] 行业影响与展望 - 大会是推动AI生态融合、促进行业协同创新的重要契机 [8] - 旨在探索AI未来发展方向，推动技术在更广泛场景落地 [8] - DeepSeek R1开源引发学术界和工业界复现研究热潮，为探索更强大的深度思考模型提供新视角 [4][5]

行业与公司概况 - 具身智能被视为继AI和自动驾驶后的下一代科技风口，行业热度极高，投资机构竞相追逐新兴创业公司[2] - 它石智航(TARS)在2025年2月成立后迅速完成1.2亿美元天使轮融资，创中国具身智能领域最大天使轮纪录[3][7][8] - 公司由自动驾驶领域顶尖专家陈亦伦(华为前自动驾驶CTO)和李震宇(百度阿波罗前负责人)联合创立，团队被类比为"库里+约基奇"的梦之队组合[4][11][15][16] 技术方向与核心优势 - 核心技术引擎为AWE(AI World Engine)，定位为具身智能领域的GPT大模型，但采用Human-Centric数据采集范式[14][37][65] - 技术路径强调全栈能力：超级算法(具身大模型)、超级本体(机器人硬件)、超级应用(场景解决方案)[25][26] - 核心差异点包括：4D空间对齐技术、真实世界具身数据闭环、端到端强化学习架构[42][39][36] - 工程化能力是最大壁垒，团队曾主导华为ADS和百度Apollo的量产落地[14][15][16] 产品与商业化路径 - 初期聚焦柔性物体操作场景(如汽车制造)，验证物理AI的工业应用价值[28][77] - 采用模块化机器人本体设计，暂不确定灵巧手形态，但强调上肢拟人化操作的必要性[71][82][84] - 版本规划对标GPT发展路径：AWE 3.0(基础模型)→3.5(场景优化)→强化学习版本[70] - 商业化标准强调"机器人实际工作场景"而非展会演示，金标准是落地稳定性[100][101] 行业趋势判断 - 物理AI(具身智能)将接替信息AI成为主流，自动驾驶和大模型成功奠定技术基础[49][51][52] - 行业三大Scaling Law：数据规模→模型参数→推理能力，当前瓶颈在数据维度[59][60][63] - 关键技术分歧(仿真vs真实数据/通用vs垂类/大小脑架构)将随AI能力提升自然收敛[96][97][98] - 具身智能的"GPT时刻"标志是机器人用AI方法可靠完成1-2项现实任务[109][110] 团队与融资 - 核心团队包含华为"天才少年"丁文超(首席科学家)和量产专家陈同庆(首席架构师)[16][17] - 天使轮由蓝驰创投、启明创投联合领投，8家机构跟投，超募现象显著[7][14] - 融资将投入技术研发、模型训练和场景拓展，重点构建数据采集基础设施[13][43][45]

大模型技术竞赛与行业动态 - DeepSeek连续五天开源引发复现热潮，阿里巴巴通义实验室和腾讯分别推出ViDoRAG系统和混元快思考模型Turbo S，加速大模型演进 [1] - 马斯克用20万张GPU训练Grok 3超越业界标杆，验证"大力出奇迹"定律 [1] - Claude 3.7 Sonnet编码能力大升级，AI编程技术平权时代加速到来 [1] - DeepSeek论文与Kimi"撞车"，稀疏注意力与线性注意力机制成为Transformer后的关键探索方向 [1] - Manus模式的"虚拟机"概念迅速走红，正在重塑大模型运行方式 [1] DeepSeek的技术突破与影响 - DeepSeek R1发布引发全球热议，首次展示模型能以类似人类方式思考，采用第一人称表达推理过程 [6][7] - DeepSeek开源周发布五大项目，涉及算力加速、通信优化和存储处理三大领域 [20][22] - DeepSeek利润率高达545%，颠覆行业对大模型MaaS盈利能力的认知 [33] - DeepSeek的技术路线侧重小粒度Expert，强调效率，相比Grok 3的"暴力美学"更为高效 [45] - DeepSeek的推理架构为搜索体验带来颠覆性变化，推动"边搜边想"的新搜索逻辑 [7] 行业竞争格局与趋势 - 行业可能出现两条发展路径：少数企业继续堆砌算力追求极致模型，大多数企业选择小模型路线 [46] - "百模大战"第一阶段暂时由DeepSeek领先，竞争可能向多模态和具身智能演进 [30][31] - 新兴公司在AI基础设施和大模型训练领域面临巨大投入挑战，难以与头部企业竞争 [27][28] - 阿里Qwen在国际市场表现不俗，但在推理方面未能取得DeepSeek级别的突破 [26] - 量化公司如九坤转型成立AI部门，在系统优化和数据处理方面具有优势 [27] 技术演进与创新方向 - Attention机制面临算法复杂度高的问题，改进方向包括稀疏化和状态空间模型(SSM) [62][63] - DeepSeek提出的NSA(Neural Sparse Attention)在减少计算量的同时提升模型效果 [65] - 合成数据成为重要方向，在多模态、具身智能等领域应用广泛，精准度超越传统数据增强 [75][77] - 长上下文支持技术变革搜索领域格局，Gemini的100万token窗口展现强大能力 [50] - 代码模型可能成为通往AGI的路径，通过持续学习和技能库扩展实现能力进化 [81][83] 应用场景与商业化 - AI编程是首个经过PMF验证的应用场景，Claude 3.7和DeepSeek在代码能力上仍有提升空间 [78][80] - AutoPilot类工具如Devin更适合"万事开头难"场景，成本低于雇佣实习生 [78] - MaaS商业模式面临上游价格和下游支付意愿的双重挑战，运营效率成为关键壁垒 [33][34] - 私有化部署需求增长但面临数据治理挑战，建议企业优先使用API进行验证 [36][39] - 2B领域数据治理和处理服务需求旺盛，国内加速推进数据要素市场建设 [36] 基础设施与工程实践 - 训练大模型成本极高，智源发起OpenSeek开源项目，已吸引100多位贡献者 [9][10] - OpenSeek处理约100亿网页数据，构建4亿条CoT数据集，计划全面开源 [11] - 系统训练层面缺乏成熟框架支持，DeepSeek公开自研五个项目提升训练效率 [12] - 行业Infra团队和人才稀缺，更多关注0到1搭建而非1到100的优化 [21] - 虚拟机技术可能走红，因工具调用需要沙盒化环境执行任务 [84]

文章核心观点 - 面对AI行业快速变化和复杂挑战，中欧科技战队摸索出工业化组织样本，通过更早更广覆盖、专业化分工与流程化协作、平等沟通机制，提升投研能力和胜率，在科技浪潮中收获成果 [3][6][9] 分组1：AI行业变化与挑战 - 2024年12月中欧基金科技研究小组预判国产大模型能力追赶进度，一个月后DeepSeek问世引发AI变革，给投研带来全球性、时效性挑战 [1] - 智能机器人发展冲击科技基金经理传统打法，投资颠覆性创新面临量产摸索和数据体系不完善问题 [2] 分组2：投研团队适应AI节奏的方法 曲速引擎：更早更广覆盖 - 建设对AI行业更早更广覆盖的投研平台，助推学习速度领先产业变化，研究AI比新能源更复杂 [6] - 基金经理和研究员早有AI研究储备，中欧基金在科技产品数量、投研人员储备和细分行业覆盖上领先，指数产品布局覆盖全产业链 [7] - 周蔚文和杜厚良有前瞻判断，如机器人行业空间和算力国产化趋势，战队旗下产品在科技浪潮中收获满满 [8][9] 共乘一舰：专业化分工与流程化协作 - 依靠团队专业化分工和流程化协作，形成勾稽关系，如光模块研究需多环节验证 [10] - 团队成员横向学习赋能，发挥各自专长，相互协作补齐短板，挖掘投资机会 [12] 惯性阻尼：平等沟通回避风险 - 周蔚文不强迫基金经理投资，提供附加值和减小回撤方法论，制定平等透明沟通机制应对分歧 [15] - 分歧交锋对基金公司珍贵，做科技股要控制风险，抓住产业趋势同时关注长期价值 [16] 分组3：洞见与团队的重要性 - 公募基金靠洞见领先长期业绩，洞见需靠团队，中欧制造理念下的组织注重平等自由和团队协作 [18]

文章核心观点 英伟达在GTC大会展示过去一年进展，发布新产品路线图，强调Scaling Law未撞墙，未来数据中心建设规模将达万亿美元，还推出开源推理软件和通用机器人模型，有望在AI和机器人领域持续引领发展[1][23][27] 分组1：大会亮点与行业趋势 - 英伟达老黄在GTC大会介绍过去一年进展，称今年GTC是AI的超级碗，每个人都是赢家 [2] - Blackwell全面投产，因AI拐点至，训练推理AI/智能体系统对计算量需求大增 [3] - 英伟达预言未来有工厂的公司将有实体工厂和AI工厂，CUDA核心及算力将引爆行业变革 [4] - 通用计算到尽头，行业正从通用计算机转向加速器和GPU上运行的机器学习软件，计算机成为生成token的工具 [28] - 加速计算趋势无法阻挡，AI将进入各行业，英伟达CUDA - X库为科学领域提供加速框架 [29] 分组2：产品路线图 - AI芯片每年一更，下一代Rubin明年亮相，英伟达构建云上、企业和机器人AI基础设施 [5][8] - 今年下半年将问世的Blackwell Ultra提升训练和测试时推理能力，显存从192GB提升到288GB，GB300 NVL72的AI性能比NVIDIA GB200 NVL72高出1.5倍 [6][7] - 2026年下半年预计发布Vera Rubin，推理时每秒50千万亿次浮点运算，比Blackwell速度高出一倍多，显存升级为HBM4，带宽从8TB/s提高到13TB/s，扩展NVLink吞吐量提升到260TB/s，机架间CX9链路达28.8TB/s [9][10] - 2027年下半年预计推出Rubin Ultra版本，FP4精度推理性能达15 ExaFLOPS，FP8精度训练性能为5 ExaFLOPS，相比GB300 NVL72性能有14倍提升，配备HBM4e内存，带宽为4.6 PB/s，支持NVLink 7，带宽为1.5 PB/s，较上一代提升12倍，机架支持CX9，带宽达115.2 TB/s [11] - 2028年将上市Feynman，命名致敬美国理论物理学家Richard Feynman [17] 分组3：桌面级产品 - 推出Blackwell RTX PRO工作站和服务器系列，包括数据中心、桌面和笔记本GPU，为开发者等提供AI支持，RTX PRO 6000 Blackwell吞吐量高达1.5倍，第五代Tensor Core每秒4000万亿次AI运算，第四代RT Core性能提升2倍 [19] - 带来两款由Blackwell驱动的DGX个人桌面AI超级计算机DGX Spark和DGX Station，DGX Spark是最小的AI超级计算机，配备128GB内存，核心是GB10 Grace Blackwell超级芯片，每秒1000万亿次AI计算能力；DGX Station将数据中心级性能带到桌面，采用GB300 Grace Blackwell Ultra桌面超级芯片，配备784GB统一内存 [20][22] 分组4：Scaling Law与数据中心 - 老黄称Scaling Law没撞墙，推理计算量需求大增，数据可通过强化学习和合成数据获取，AI处于转折点 [25][26] - 2024年全球TOP 4云服务商买进130万块Hopper架构芯片，预计2028年数据中心建设规模达一万亿美元 [27] 分组5：架构与扩展 - 英伟达通过网络InfiniBand和Spectrum X实现scale up，Spectrum X具备低延迟和拥塞控制特性，成功扩展最大单GPU集群 [14] - 官宣首个共封装硅光子系统，每秒1.6T的CPO，基于「微环谐振器调制器」技术，用台积电工艺构建，可扩展至数十万甚至百万GPU规模 [15][16] - HGX系统架构解决纵向扩展问题，包含8个GPU，通过MVLink 8连接到CPU架，再通过PCI Express连接，用InfiniBand连接多个设备，NVLink交换机让GPU全带宽通信，液冷压缩计算节点，实现一个机架Exaflops级超算 [31][32][33] 分组6：推理Scaling问题与解决 - 推理Scaling是「终极计算」问题，推理中响应时间和吞吐量存在矛盾，需最大化生成token曲线下方面积，还需巨大带宽和浮点运算能力 [36] - 传统LLM用不到500个token快速回答问题但结果错误，推理模型需超8000个token推理简单问题，计算量增加150倍，万亿级参数模型需通过管线、张量和专家并行组合解决，NVlink可实现规模终极Scaling [37][38][39] 分组7：NVIDIA Dynamo - 发布开源推理软件NVIDIA Dynamo，被称为「AI工厂的操作系统」，能协调加速数千个GPU间推理通信，分配LLM处理和生成阶段到不同GPU，优化GPU资源利用 [41][42] - Dynamo能让运行Llama模型的AI工厂在Hopper架构上性能和收入双双翻倍，在GB200 NVL72集群上运行DeepSeek - R1模型时，每个GPU生成token数量提升超30倍，还能动态分配GPU、卸载推理数据降低成本 [42] - Dynamo完全开源，支持PyTorch、SGLang、NVIDIA TensorRT - LLM和vLLM [43] 分组8：性能对比与效益 - 新的Blackwell架构比Hopper强，能耗固定时性能提升25倍，推理模型上高40倍，用MVLink 8技术加速，引入4位浮点数优化，能效高的架构对未来数据中心重要 [44] - Blackwell扩展到MVLink 72加上Dynamo软件效果更好，能适应不同工作负载，老黄认为大型项目投资最新技术如Blackwell可避免落后，买得越多赚得越多 [45][46] 分组9：通用机器人模型 - 预计本世纪末世界劳动力短缺超5000万，通用机器人时代到来，具身智能遵循三大Scaling Law，数据短缺问题可由英伟达Omniverse和Cosmos解决 [48][49] - 官宣世界首个开源、完全可定制的通用人形机器人模型GROOT N1，采用「双系统架构」，慢思考系统推理规划行动，快思考系统转化为精确动作，可执行多步骤任务 [50][51][52] - 与DeepMind、迪士尼研究开发下一代开源的Newton物理引擎，让机器人精确处理复杂任务，以星球大战BDX机器人为灵感的Blue上台互动，老黄预言机器人领域将成最大产业 [54][55][56]

文章核心观点 - 中欧科技战队面对AI行业快速变化，通过构建对AI行业更早更广覆盖的投研平台、专业化分工与流程化协作以及平等沟通机制，提升投研能力，在科技浪潮中收获成果，强调团队洞见对长期业绩领先的重要性 [2][4][17] 分组1：AI行业变化与投研挑战 - 2024年12月中欧基金科技研究小组预判国产大模型能力追赶进度，一个月后DeepSeek问世引发AI变革，投研需应对行业快速变化和全球性、时效性挑战 [1] - AI产业供给侧和需求侧全新，与新能源等行业相比，投资过程更复杂，需不断思考AI对行业和公司的影响 [4] 分组2：中欧科技战队投研平台建设 - 中欧科技战队摸索出工业化组织样本，通过对AI行业更早更广覆盖确保认知领先，依靠专业化分工和流程化协作保证学习深度，以平等沟通机制回避风险 [2] - 中欧基金在人工智能等行业配置专门研究员，主动产品线覆盖AI细分行业，指数产品布局占据科技领域较大比重，关注AI顶级大厂动态，做出前瞻判断 [5][6] - 周蔚文早在2013年开始关注机器人，2023年提及人形机器人机会，去年中欧内部达成机器人投资共识并确定关键要素 [6] - 杜厚良去年下半年分享算力国产化逻辑，认为先进制造竞争格局将更集中，未来国产算力芯片市场空间增大 [7] 分组3：投研团队专业化分工与协作 - 中欧投研团队依靠专业化分工与流程化协作，通过全产业链研究的勾稽关系相互补足、验证，如对光模块的研究 [9] - 团队成员在日常研究中横向学习赋能，发挥各自专长，相互交流合作，挖掘投资机会 [11] 分组4：风险控制与沟通机制 - 周蔚文作为管理者提供附加值，摸索减小回撤的方法论，通过长期定价提示风险和参考历史数据统计，制定平等透明沟通机制应对分歧 [14] - 团队成员间的分歧交锋有助于控制风险，做科技股投资要抓住产业趋势，关注长期价值 [15] 分组5：团队洞见与长期业绩 - 公募基金要长期业绩领先需靠团队洞见，中欧科技战队营造平等自由氛围，让洞见在团队中涌现 [17]