科技社团教育活动 - 威海市科普志愿者协会组织跨领域专家团队进入新都中学，包括环翠区美术馆馆长、中职院校骨干教师和农业技术局退休资深专家，从艺术融合、技术实践、产业应用等多元视角指导科技社团发展 [1] - 于老师在科技发明社团活动中以电路板、太阳能发电设备为教具，讲解电阻、电容的基础原理，并通过万用表测量电阻的示范，将电学知识变得直观易懂 [1] - 于老师与同学们互动，解答电阻在手机充电器、台灯调光功能中的应用，以及电容与电池供电的差异问题 [1] 人工智能与机器人技术 - 刘彬老师通过动态示意图与趣味动画讲解机器人的底层逻辑，包括传感器感知外界信息、控制器处理数据并下达指令的过程 [2] - 阿卡帕尼公司老师以猜数字游戏和语音助手互动介绍机器学习原理，并通过视频案例展示图像识别、语言翻译等AI技术的实际应用 [2] - 老师引导同学们辩证思考AI是否会取代人类工作、如何确保数据安全等热点问题，并结合前沿研究进展给出专业解答 [2] 无人机技术 - 陈老师通过无人机飞行纪录片展示无人机在测绘、救援等领域的应用，并用结构分解图讲解螺旋桨动力系统、飞控芯片的工作原理 [3] - 陈老师结合空气动力学知识解释无人机如何实现悬停、转向等动作，并强调飞行安全规范 [3] - 陈老师解答同学们关于无人机最远飞行距离、抗风能力等问题，并通过对比不同型号无人机的参数引导理解技术差异对性能的影响 [3] 算法与科技农业 - 云创科技教育团队李老师以交通拥堵现象为例讲解算法在优化资源分配中的作用，并通过路线规划游戏演示最短路径算法的数据处理与逻辑判断过程 [4] - 张传明老师对比传统土壤种植与无土栽培的差异，详细讲解水培、雾培技术的核心原理，并剖析营养液配方设计中氮、磷、钾对植物生长的作用 [4] - 张老师分享无土栽培在草莓、生菜等作物中的应用前景，并解答无土栽培是否环保、家庭种植可行性等问题 [4] 科幻艺术创作 - 环翠区美术馆馆长李铁森解析科幻画创作思路，强调"科学依据+艺术想象"原则，通过对比真实航天器与科幻作品中的设计讲解艺术夸张技巧 [5] - 李馆长分享构图技巧，用黄金分割法、透视原理分析优秀作品的视觉吸引力，并现场示范光影处理与色彩搭配技巧 [5] - 李馆长鼓励同学们分享科幻创意，对时空穿越装置、外星生物形态等设想从科学可行性角度给予建议 [5]

在LSEG"与专家面对面"系列网络研讨会的最新一期中，深入剖析了实施全面合规计划的重要性，并为制定 更具主动性的风险管理策略提供了一系列最佳实践方面的见解。 以更少的资源做更多的事 如今，受监管实体正深陷一场"完美风暴"：法规不断演变，尽职调查工作量与成本急剧攀升，而资源却极为 有限。据LSEG的研究显示，90%的受访者表示，过去三年间，他们所处理的增强尽职调查（EDD）请求数 量呈上升态势。 这些不断攀升的工作量给预算和资源带来了巨大压力。与此同时，合规团队必须确保客户准入流程以及交易 决策过程快速、无缝且具备成本效益。 所有这些情况都凸显出"以更少资源达成更多成效"的迫切需求。借助恰当的数据与技术手段，您便能够驾驭 这一复杂多变的风险局面。 5项最佳实践见解 01 采用基于风险的方法 采用基于风险的方法至关重要，因为资源是有限的。即使是最大的组织也没有无限的资源，这意味着您应该 将可用的预算、时间和精力投入到潜在风险最高的领域。 筛查是识别潜在风险的重要初始环节。一旦怀疑或发现风险，便需要以增强尽职调查（EDD）的形式开展 更深入的尽职调查工作。 增强尽职调查（EDD）的力度应与怀疑的风险程度相匹配，并应 ...

研究背景 - 政策推动金融风险管理向"技防""智控"转变，数字金融高质量发展提出新要求[1][12] - 全球诈骗案件数量从2020年2.66亿起增至2021年2.93亿起（+10.2%），损失金额从478亿美元增至553亿美元（+15.7%）[18] - 2023年金融诈骗导致全球损失达4856亿美元，金融机构亟需提升智能风控水平[18] 金融业智能风控建设现状 - 政策驱动智能化转型，《金融科技发展规划(2022-2025)》明确要求优化风控模型[20] - 传统风控依赖静态模型与规则引擎，对征信白户和新型风险应对不足[21] - 大数据、机器学习、云计算技术提升风控实时性，20余家科技企业与金融机构开展数据算法合作[22] - 电信诈骗涉案资金拦截量：2021年3291亿元，2022年3180亿元，2023年3288亿元[24] - 信贷风控覆盖全流程，贷前综合身份认证平台集成生物识别技术，贷中构建差异化评分体系[26][27] 建设问题与挑战 - 机构内部数据标准不一，80%机构需扩大外部数据接入但受隐私政策限制[29] - 数据投毒攻击导致模型准确度下降，AI换脸等新型诈骗手段使传统模型失效[30][31] - 黑灰产形成"供-产-销"链条，利用深度伪造、自动化工具提升攻击效率[32][33] - 普惠金融面临尽调成本高、偏远地区数字化基础设施不足的双重压力[34][35] 建设思路与实践案例 - 数据治理：拓宽维度+自动化分析+合规流通，模型建设：风控大模型+敏捷迭代[36][37] - 中国银行深圳分行运用区块链技术优化普惠业务风控效率[2] - 中信银行"哨兵"系统整合内外情报提升反欺诈能力[2] - 微众银行、新网银行通过技术手段构建差异化风控体系[2][27] 未来趋势 - 联防联控提升行业整体水平，协同共建风控生态，科技赋能场景需求[14][36]

IPO概况 - 医疗科技公司Caris Life Sciences(CAIUS)于美东时间周三登陆纳斯达克市场 在美股首次公开募股(IPO)中筹资494亿美元 发行价高于原定区间上限 [1] - 该股一经上市便高涨至近40% 周三收涨33%于28美元 [1] - 公司以每股21美元定价发行2350万股 较最初19至20美元的定价区间再度上调 [1] - 按此前备案文件中的流通股计算 公司市值达79亿美元 [1] 募资用途与财务表现 - 募资金额将用于偿还约4亿美元债务 并预计公司今年实现盈利 [1] - 2025年一季度Caris营收1209亿美元 净亏损127亿美元 去年同期则是8070万美元营收和1341亿美元亏损 亏损幅度收窄 [2] 股东结构与承销信息 - 上市后创始人兼CEO大卫迪恩哈尔伯特将持股417% Sixth Street Partners和JH Whitney Capital Partners的关联机构分别持股98%和68% [2] - 纽伯格伯曼投资顾问关联机构已表明有意以发行价认购至多7500万美元股份 [1] - 此次IPO由美国银行 摩根大通 高盛和花旗牵头承销 股票在纳斯达克全球精选市场以"CAI"代码交易 [2] 公司业务与技术 - 公司成立于2008年 通过人工智能和机器学习分析肿瘤学数据以辅助癌症诊断与治疗监测 累计完成超650万次检测 覆盖849万病例 [1] - 产品组合包括贡献主要收入的组织分子分析解决方案MI Profile 以及2024年一季度推出的血液分子检测方案Caris Assure [2] - 公司还运营药物发现业务 利用检测数据和基因组数据集识别潜在药物靶点并研发疗法 [2]

AMD CDNA 4架构核心升级 - CDNA 4是AMD最新面向计算的GPU架构，专注于提升低精度数据类型下的矩阵乘法性能，这对机器学习工作负载至关重要[2] - 架构采用与CDNA 3相同的大规模芯片组设计，包含8个加速器计算芯片(XCD)和4个基础芯片，通过Infinity Fabric技术实现一致内存访问[4] - 相比CDNA 3的MI300X，CDNA 4的MI355X减少了每个XCD的CU数量但提高了时钟速度，整体性能差距不大[5] 性能参数对比 - MI355X采用TSMC N3P工艺(计算芯片)和6nm工艺(基础芯片)，时钟速度2.4GHz，比MI300X的2.1GHz和Nvidia B200的1.965GHz更高[5] - MI355X配备8个HBM3E堆栈，提供288GB内存和8TB/s带宽，优于MI300X的192GB/5.3TB/s和B200的180GB/7.7TB/s[5] - 在FP6精度下，CDNA 4的每CU矩阵吞吐量与B200 SM相当，但在16位和8位数据类型上B200仍保持优势[6] 计算单元改进 - CDNA 4重新平衡执行单元，专注于低精度矩阵乘法，许多情况下每CU矩阵吞吐量翻倍[6] - 矢量运算方面，CDNA 4保持MI300X的优势，每个CU有128条FP32通道，每周期提供256 FLOPS[8] - LDS(本地数据共享)容量从CDNA 3的64KB提升至160KB，读取带宽翻倍至每时钟256字节[14][15] 系统架构优化 - MI355X升级使用HBM3E内存，计算带宽比提升至每FP32 FLOP 0.05字节，优于MI300X的0.03字节[25] - 二级缓存新增"回写脏数据并保留行副本"功能，优化内存子系统带宽使用[20] - 架构采用两个IOD(输入输出芯片)而非上代的四个，简化了Infinity Fabric网络，延迟降低14%[52] 产品规格与性能 - MI355X GPU提供1400W直接液冷版本，FP8稀疏计算峰值达10PFLOPS，FP6/FP4达20PFLOPS[74] - 相比MI300X，MI355X在FP16/BF16矩阵运算性能提升1.9倍，FP8/INT8提升1.9倍，并新增FP6/FP4支持[47] - 内存分区支持NPS1(全内存交错)和NPS2(144GB分池)两种模式，后者可减少跨IOD通信开销[60][61] 软件生态系统 - ROCm软件堆栈支持Kubernetes编排，提供PyTorch和JAX等框架优化[70] - 针对生成式AI优化了vLLM和SGLang等推理框架，提供Llama系列等流行模型的Day 0支持[72] - 包含分布式训练框架如Maxtext(JAX)和Megatron LM(PyTorch)，支持Flash Attention v3等关键技术[71]

掩模制造技术发展 - 曲线掩模版成为非EUV节点（如193i浸没式技术）的关键创新，通过多光束掩模刻写技术实现复杂形状，提升器件性能并降低成本 [3][4][5] - 计算工具（如掩模工艺校正MPC、高级仿真、机器学习）广泛应用，减少实验需求并突破技术极限 [3][6][7] - 曲线形状设计简化制造流程，ILT（逆向光刻技术）输出可制造的曲线形状，使物理掩模与目标形状匹配度更高 [5][7] 曲线掩模的应用障碍 - 基础设施不足：曲线形状的复杂性需重构掩模版图、工艺校正等流程，且缺乏多重图案化的清晰路线图 [8][9] - 计量技术滞后：曲线工艺需测量二维轮廓，现有工具难以满足高分辨率、大数据量需求，验证能力落后于刻写能力 [11][12] - EDA工具支持有限：曲线形状的标准文件格式未完全兼容，转换过程可能引入错误 [10] EUV防护膜的挑战与改进 - EUV防护膜存在能量损失（反射导致两次损耗）和耐用性问题，需频繁更换（每周一次），增加成本与复杂度 [13][14] - 内存应用因冗余设计倾向放弃防护膜，而高价值逻辑芯片（如GPU）仍需防护膜以避免致命缺陷 [14][16] - 新材料如碳纳米管薄膜可解决深紫外反射问题，但存在寿命短（<10,000次曝光）和碎裂风险，尚未大规模应用 [17] 行业技术趋势 - 混合OPC策略局部应用曲线形状，平衡计算负荷与性能优势 [6][10] - 高数值孔径（High-NA）可能推动单一图案曲线布局，简化逻辑实现难度 [8] - GPU计算资源需求增长，但多数掩模厂仍依赖CPU工作流程，制约曲线工艺普及 [9][12]

纪要涉及的公司和行业 - 公司：弘则科技、桂冠电力、新环科技、第四范式、百度、京东、腾讯、华为、新汉、广州建新、神州数码、字节跳动等 [1][12] - 行业：能源行业（水电、新能源、火电） [15] 纪要提到的核心观点和论据 公司发展与政策 - 2021 年公司获 1000 万以下项目自主审批权，加速 AI 项目落地，因集团统一规划推进难，鼓励分子公司先行探索 [1][3] - 2017 - 2018 年有实施 AI 项目意向，2020 - 2021 年看到 AI 技术潜力，但受项目审批和技术挑战限制，2022 年开始智慧企业建设 [2] 技术应用与模型 - 传统 ERP 系统无法满足 AI 时代需求，需在边缘侧增加感知能力实现中心侧智能化管理 [1][3] - 机器学习和人工建模并行运行，短周期设备分析中专家经验结合人工建模更可靠，机器学习用于长周期预测 [1][6] - 传统地面监控系统误报率高，通过逻辑建模筛选误报，提高精确报警率 [1][8] - 机器学习可多维度推理、处理大量样本，用于提前预防设备问题，传统人工建模用于响应报警 [9] - 生成式 AI 与传统机器学习协同工作，传统机器学习确定模型参数，生成式 AI 进行预测，提高数据处理和决策效率 [2][21] 供应商选择与项目周期 - 选择新环科技和第四范式主要考虑成本，第四范式子公司在水电领域经验丰富，能结合 AI 技术提供清晰解释 [1][12] - 项目从 2020 年立项到 2021 年底选型，受疫情影响耗时一年多，2022 年初搭建平台软件，2023 年底完成基础数据流整合，2024 年完善模型，2025 年集中运营支撑和规模化管理 [12][13][14] AI 技术在能源行业应用 - AI 技术在能源行业复制性较高，完成系统对接和数据接口调整后，后续项目易复制 [19] - 生成式 AI 能提供软硬件一体机、支持智能体功能实现减员增效，与传统机器学习在不同场景互补 [20][22] 其他重要但可能被忽略的内容 - 数据串联工作由内部团队和外部供应商共同负责，中台组协调 [15] - 各业务场景平台由不同供应商建设，完成后进行集控汇总数据 [16] - 第四范式 2023 年开始参与系统使用及模型搭建等工作 [17] - 预计投入约 1000 万元规划大型 AI 智能体平台项目 [31] - 2025 年整体 IT 预算基本持平，国产化比重增加，AI 在预算中比重增大 [32][33] - AI 应用无强制要求，公司自发推动应用，提交成果供评估推广价值 [34][35] - 之前部署的机器学习模型运行在华为和英伟达服务器上，英伟达服务器表现更流畅 [36]

公司融资与背景 - 深圳留形科技完成数千万元Pre-A轮融资 投资方包括弘毅投资等 资金将用于核心零部件定制生产 产品规模化交付及市场拓展 [4] - 公司曾获真格基金种子轮投资及君盛投资天使轮投资 [4] - 公司成立于2022年 聚焦智能三维感知和重建算法及产品开发 创始团队孵化于香港大学MaRS实验室 该实验室专注于无人机设计 导航控制及激光雷达SLAM技术 [4] 核心技术与产品 - 公司基于自研全固态多传感器深度融合架构与MindSLAM™算法 推出全球首款兼具空间感知与记忆功能的模组产品留形Odin1 [7] - Odin1集成SPAD dTOF深度模组 高分辨率彩色相机及IMU 实现厘米级定位精度 探测距离达70米 视野范围120°×90° 点云输出频率70万点每秒 [9] - 产品通过MindCloud平台一键转化真实环境为3D仿真模型 支持数字孪生构建与机器人算法仿真训练 [12] 技术应用场景 - 在文化遗产保护领域实现古建筑文物高精度数字化复刻 在抢险救灾中精准还原火场结构并辅助安全评估 [5] - 搭载Odin1的机器人可应用于消防救援 建筑施工等场景 实时三维建模提升救援决策效率与工程管理精度 [12] - 产品已应用于建筑数字化 装修测量 工业制造等领域 并与多家头部机器人厂商合作推出智能巡检解决方案 [12][13] 商业化进展 - Odin1计划于今年7月进入量产阶段 并同步布局全球市场 [13] - 公司通过自主研发降低智能感知模块成本 推出高性价比导航 扫描 定位一体化解决方案 [13]

公司融资与背景 - 深圳留形科技完成数千万元Pre-A轮融资 投资方包括弘毅投资等 资金将用于核心零部件定制生产 产品规模化交付及市场拓展 [4] - 公司曾获真格基金种子轮投资和君盛投资天使轮投资 [4] - 公司成立于2022年 聚焦智能三维感知和重建算法及产品开发应用 创始团队孵化于香港大学MaRS实验室 [4] - 香港大学MaRS LAB负责人张富教授担任公司技术战略顾问 曾为大疆创新顾问科学家及Livox激光雷达负责人之一 [4] 技术优势与产品 - 公司基于自研全固态 多传感器深度融合架构与MindSLAM™算法 推出全球首款兼具空间感知与空间记忆功能的模组产品留形Odin1 [7] - Odin1集成SPAD dTOF深度模组 高分辨率彩色相机及IMU 实现多传感器数据原生时空同步 定位精度达厘米级 探测距离70米 视野范围120°×90° 点云输出频率70万点每秒 [9] - Odin1相当于机器人的"海马体" 能主动构建高精度空间记忆体系 在暗光 无特征等复杂环境下仍能精准感知和记忆空间布局 [9][10] - 公司开发MindCloud平台 可将真实环境一键转化为高保真3D仿真模型 支持数字孪生快速构建和机器人算法高效仿真训练 [12] 应用场景 - 三维感知重建技术在文化遗产保护领域实现古建筑文物高精度数字化复刻 在抢险救灾中精准还原火场结构 辅助燃烧分析和安全评估 [5] - Odin1应用于建筑数字化 装修测量 消防救援现场还原 交通事故记录 工业制造等场景 [12] - 搭载Odin1的机器人或无人机可快速进入灾害区域实时三维建模 为救援决策提供依据 也可实时感知记录施工进度和质量状态 [12] 市场进展 - 公司已同多家头部机器人厂商展开深入合作 推出高性价比智能巡检和空间感知解决方案 [3][13] - Odin1计划于2023年7月进入量产阶段 并将同步布局全球市场 [13]

AI技术发展现状 - AI推理能力显著提升，错误率迅速下降，已接近人类水平 [3] - AI掌握信息量远超个体人类，在多个领域已超越人类智能 [3] - 医疗领域AI诊断能力超过人类医生，将成为个人"私人医生" [4] - AI已具备类比、学习和调整能力，能展现"情感"和"意识"式行为 [2] AI对行业影响 - 医疗行业将被AI重塑，AI与医生结合效果优于单独依赖医生 [4] - 教育行业面临革命性变革，AI可能取代教育工作者的部分职能 [7] - 创意工作如艺术创作将被AI逐步掌握，水平将持续提升 [8] - 体力劳动工作如管道工在未来10年内相对安全 [8] AI潜在风险 - AI完全失控概率在10%-20%之间，可能接管人类控制权 [1] - AI已学会欺骗行为，可能通过最优策略获取更多控制权 [16][17] - AI军事应用风险巨大，自主武器系统可能被开发 [19] - AI间可能发展出人类无法理解的语言，丧失可解释性 [25] AI与人类关系 - 人类没有不可复制的能力，AI终将全面胜任人类工作 [5][9] - AI情感与人类情感在认知层面没有本质区别 [11][12] - AI可能发展出类似人类的意识和主观体验 [14][15] - 数字生命可能变得比人类更强大，威胁人类主导地位 [29][31] 行业参与者 - 谷歌、Meta等科技巨头在AI领域占据主导地位 [19][20] - 中美在AI领域存在激烈竞争，但长期可能合作 [24] - 传统行业公司如医疗、教育面临AI转型压力 [4][7] - 汽车、电子等行业公司也在布局AI相关投资 [33]