编辑：吴昕 大赛报名于 2025年6月25日截止，感兴趣的团队尽快报名参赛。 百舸争流，「启智杯」 初赛火热进行中 随着人工智能技术的不断突破，智能化浪潮正深刻改变千行百业， 中国也迎来人工智能加速应用期。 为推动智能算法从理论创新走向实际落地， 5 月 20 日，启元实验室正式启动「启智杯」算法大赛。 本届大赛围绕「卫星遥感图像鲁棒实例分割」「面向嵌入式平台的无人机对地目标检测」以及「面向多 模态大模型的对抗」三大命题，聚焦鲁棒感知、轻量化部署与对抗防御三大关键技术，旨在引导技术创 新精准对接真实场景，加快算法能力的转化落地与规模化应用。 赛事一经发布，便迅速点燃全国 技术圈 热情，目前已有来自高校、科研院所、科技企业的 500 余支 队伍报名。其中不乏清华、北大、复旦、上交、南大、武大、华科、中科大、哈工大、国防科大、西 交、成电等顶尖高校队伍，以及中科院自动化所、 中科院 空天信息创新研究院等科研机构团队，为赛 事注入强劲科研力量。 目前，赛事正处于初赛的关键节点。三大赛道的选手们正围绕核心任务展开高强度的建模与调优，争分 夺秒攻克技术难点，不断迭代优化模型方案，部分赛题的竞争已经进入白热化阶段。 三大 ...

教育数字化新生态构建 - 2024年全国教育工作会议将"构建立德树人新生态"和"开辟教育数字化新赛道"列为核心任务，强调教育的政治使命与战略价值 [1] - 智能时代需系统性解析高校思政教育数字化转型的关键要素、战略定位及实施路径 [1] - 评价体系需从单一考核转向全息画像，通过AI、深度学习等技术实现全学科知识图谱与价值图谱的深度嵌合 [1] 智能技术赋能思政教育 - 数字化思政课堂需通过具身交互和精准触达弥合间接经验与直接经验的知识鸿沟 [2] - 建议构建思政虚拟课堂，集成"知识云链"技术（如AI、知识图谱）形成"国标教材+数字资源库+协同教研网"的创新机制 [2] - 教学范式需升级为启智导学、多维对话、深度探究的立体化模式，增强主流意识形态的数字化引导力 [2] 师生互动模式转型 - 课程思政需向全域智联演进，融通现实育人主体与数字教师群体，建立人机协同联盟 [3] - 教学过程需突破时空限制，利用智能算法和数字画像技术实现目标校准与效能监测的动态流变 [3] - 需打通数据孤岛，联动课堂教学、学术研究等维度构建全要素共振的育人生态系统 [3] 高等教育思政体系革新 - 思政课程革新是新时代高等教育质量提升工程中实现铸魂育人的关键环节 [3] - 需以社会主义核心价值观为坐标系，通过价值引导与情感共鸣培养兼具家国情怀和文明认同的新时代青年 [3]

报告公司投资评级 - 维持“买入”评级 [7] 报告的核心观点 - 机器视觉成长期长、天花板高，2023 年全球机器视觉器件市场规模达 925 亿元，中国市场是主要驱动力，2024 年规模为 181 亿元，2020 - 2024 年 CAGR 为 17.84% [2][4] - 下游修复和产品线延伸助力奥普特业绩增长，AI 加速视觉应用落地，公司凭借光源卡位龙头厂商有望受益 [2] - 公司从工业视觉向消费级视觉拓展，收购进入运动部件市场，未来有望形成“视觉 + 传感 + 运动控制”综合能力，提供完整系统解决方案 [2][7] 根据相关目录分别进行总结 行业规模稳步增长，工业场景替人逐步推进 - 机器视觉为机器植入“眼睛”和“大脑”，系统包含成像、图像分析处理、智能决策执行单元，基础功能有定位、识别、测量与检测，在工业领域应用广泛，2023 年定位、识别、检测和测量功能分别占比 31.4%、29.7%、25.6%和 13.3% [14][16][19] - 机器视觉具有长坡厚雪属性，2023 年全球市场规模 925 亿元，中国市场是主要驱动力，2024 年规模 181 亿元，2020 - 2024 年 CAGR 为 17.84%，预计 2025 年达 208 亿元，同比增长 14.6%，美国成熟市场也在扩张 [4][21] - 中国机器视觉主要应用于制造业，2023 年消费电子占比最大，为 22%，其次是汽车、半导体、医药、锂电池等 [30] 突破算法局限，AI 助力机器视觉实现场景延伸 - 机器视觉在工业场景存在局限性，如复杂纹理与材质缺陷检测、动态或柔性物体精准定位、多特征融合与综合质量评估、小批量定制化产品快速适配等方面无法完全替代人工 [34] - 图像分割比目标检测更精细但效率慢，分割模型发展有望提升图像分割效率、降低成本，SAM 模型是图像分割领域“基础模型”，具有强大零样本和少样本学习等优势，已广泛应用，有望助力视觉检测高效、高精、低成本 [5][36][43] - 深度学习将传统视觉难题“简单化”，结合机器视觉与人类视觉优势，完成复杂环境检测，降低成本，奥普特 AI 产品与解决方案在多领域应用，有多个成功案例 [46][51][55] 苹果引领，机器视觉替人空间广阔 - 苹果推动工厂自动化部署，要求代工厂未来几年将 iPhone 组装线人力减少 50%，机器视觉提升生产效率、良品率，降低人工成本，与制造业“降本增效”主题契合，工业 AI 技术迭代赋能产品升级，催生更多应用场景 [56] - 劳动密集行业机器替人空间广阔，消费电子、汽车零部件、煤炭开采等行业生产员工工资规模超千亿 [57] 场景积累，奥普特在工业机器视觉的竞争优势有望放大 - 奥普特深耕光源业务 16 年，有 3 万余种非标光源定制方案，凭借光源优势在大客户份额稳固，较早切入 3C 电子赛道并深度绑定苹果，产品从 3C 组装端向非组装端渗透，2024 年 3C 电子营收 5.85 亿 [60][64][69] - 机器视觉产业链中掌握核心零部件的公司毛利率高，奥普特各产品中光源和视觉控制系统毛利率最高，盈利能力反映技术水平领先 [73][75] - 奥普特实现机器视觉全产品线布局，可对标基恩士，具备生产多种软硬件产品和提供整体解决方案能力，形成以解决方案带动产品销售的商业模式，销售占比不断增长 [79][89][91] 工业视觉向消费级视觉拓展，技术同源易迁移 - 3D 视觉在中国处于起步阶段，2024 年市场规模约 28.15 亿，预计 2025 年/2028 年分别达 32.45/70.35 亿元，产业链完善和应用增长推动其空间扩容，在人形机器人等领域有广泛应用 [6][96] - 视觉助力机器人实现感知与测量功能，视觉指令能传达更精确时空信息，不同 3D 视觉技术适用场景不同，人形机器人主要采用多目 3D 视觉传感器和 ToF 方案 [102][105][111] 公司产品线拓展完善，布局消费级机器人 3D 视觉 - 奥普特基于自身技术优势对人形机器人等新型终端视觉模组和解决方案布局，深化 3D 核心技术研发，构建立体检测产品矩阵，形成国产 3D 视觉领域技术高地 [113] - 公司规划了小型化散斑结构光系列和 TOF 相机系统，适用于人形机器人和导航避障类应用，2025 年初收购东莞市泰莱自动化科技有限公司控股权，进入运动部件市场，未来有望形成“视觉 + 传感 + 运动控制”综合能力 [7][114]

报告公司投资评级 - 维持“买入”评级 [11][12] 报告的核心观点 - 机器视觉成长期长、天花板高，2023 年全球机器视觉器件市场规模达 925 亿元，中国市场是主要驱动力，2024 年规模为 181 亿元，2020 - 2024 年 CAGR 为 17.84%，预计 2025 年达 208 亿元，同比增长 14.6% [3][8] - AI 助力机器视觉突破算法局限，SAM 模型等推动视觉检测高效、高精、低成本，深度学习使传统视觉难题“简单化”，奥普特有望凭借优势具备先发优势 [9] - 工业视觉向消费级视觉拓展，3D 视觉空间扩容，2024 年市场规模约 28.15 亿，预计 2025 年/2028 年分别达 32.45/70.35 亿元，奥普特布局消费级机器人 3D 视觉，收购进入运动部件市场，有望形成综合能力 [10][11] 各部分总结 行业规模稳步增长，工业场景替人逐步推进 - 机器视觉本质是为机器植入“眼睛”和“大脑”，系统包含成像、图像分析与处理、智能决策与执行单元，基础功能有定位、识别、测量与检测 [20][22] - 2023 年全球机器视觉器件市场规模达 925 亿元，中国市场规模 2024 年为 181 亿元，2020 - 2024 年 CAGR 为 17.84%，预计 2025 年达 208 亿元，同比增长 14.6%，美国成熟市场仍在扩张 [8][27] - 中国机器视觉主要应用于制造业，2023 年消费电子占比 22% 为第一大行业 [36] 突破算法局限，AI 助力机器视觉实现场景延伸 - 机器视觉存在复杂纹理与材质缺陷检测、动态或柔性物体精准定位、多特征融合与综合质量评估、小批量定制化产品快速适配等局限 [40] - 图像分割比目标检测精细但效率慢，分割模型发展有望提升效率、降低成本，SAM 模型带动分割领域突破，深度学习使传统视觉难题“简单化” [9][42] - AI 算法加成与制造业结合，基于 AI 的 AOI 系统等提高检测准确度和速度，奥普特 AI 产品在多领域应用效果好 [58][60] 苹果引领，机器视觉替人空间广阔 - 苹果推动工厂自动化部署，要求代工厂减少 iPhone 组装线人力，机器视觉替人空间广阔，典型行业机器替人空间大 [63][64] 场景积累，奥普特在工业机器视觉的竞争优势有望放大 - 奥普特深耕光源业务 16 年，有 3 万余种非标光源定制方案，较早切入 3C 电子赛道并深度绑定苹果，产品向非组装端渗透 [67][72] - 机器视觉产业链中掌握核心零部件的公司毛利率高，奥普特各单项产品中视觉控制系统和光源毛利率高 [81][83] - 奥普特实现机器视觉成套系统全产品线布局，有自主视觉软件能力，形成以解决方案带动产品销售的商业模式 [87][95] 工业视觉向消费级视觉拓展，技术同源易迁移 - 2024 年中国 3D 视觉市场规模约 28.15 亿，预计 2025 年/2028 年分别达 32.45/70.35 亿元，产业链完善和应用增长推动其空间扩容 [10][101] - 人形机器人等需要 3D 视觉感知技术，视觉系统需解决适应性难题，不同 3D 视觉技术方案适用场景不同 [105][112] - 奥普特布局消费级机器人 3D 视觉，规划小型化相机系统，收购进入运动部件市场，有望形成综合能力 [115][116]

量化模型与构建方式 1. DL_EM_Dynamic 因子 - 因子名称：DL_EM_Dynamic - 构建思路：采用矩阵分解算法从基金选股网络中提取股票内在属性，结合LSTM生成的动态因子表示[19] - 具体构建过程： 1. 基于基金持仓数据构建基金-股票网络矩阵 2. 使用矩阵分解提取基金和股票的内在属性矩阵 3. 将静态属性与LSTM生成的动态因子表示拼接 4. 输入MLP网络生成最终因子预测[19] - 因子评价：能够捕捉市场动态变化，增强模型表现[19] 2. Meta_RiskControl 因子 - 因子名称：Meta_RiskControl - 构建思路：在深度学习模型中加入风格因子暴露控制，结合元增量学习框架[25] - 具体构建过程： 1. 模型输出乘以股票因子暴露作为最终输出 2. 损失函数中加入风格偏离惩罚项 3. 使用ALSTM模型作为底层模型 4. 外层采用元增量学习框架进行定期更新[25] - 因子评价：有效控制模型回撤，降低风格波动[25] 3. Meta_Master 因子 - 因子名称：Meta_Master - 构建思路：利用市场状态信息和深度风险模型改进Transformer预测模型[35] - 具体构建过程： 1. 构建120个市场状态特征 2. 使用加权MSE损失函数放大多头端误差 3. 采用在线元增量学习定期更新模型 4. 结合深度风险模型计算市场状态[35] - 因子评价：适应动态市场变化，提升模型稳健性[35] 4. 深度学习可转债因子 - 因子名称：深度学习可转债因子 - 构建思路：使用GRU网络学习可转债非线性定价逻辑[50] - 具体构建过程： 1. 引入可转债特有时序因子 2. 将截面属性因子与GRU输出拼接 3. 预测未来收益[50] - 因子评价：相比传统策略收益显著提升[50] 模型的回测效果 1. DL_EM_Dynamic 因子 - 中证1000 RankIC均值12.1%[9] - 中证1000多头组合超额收益3.5%[9] - 年化超额收益23.4%，IR 2.03[23] 2. Meta_RiskControl 因子 - 全A RankIC均值12.8%[9] - 全A多头组合超额收益2.7%[9] - 沪深300增强组合年化超额收益15.0%，IR 1.58[30] 3. Meta_Master 因子 - 周度RankIC均值14.7%[9] - 全A多头组合超额收益3.9%[9] - 中证1000增强组合年化超额收益25.2%，IR 2.33[47] 4. 深度学习可转债因子 - 偏股型RankIC 11%，平衡型9.5%，偏债型3.9%[53] - 平衡+偏债组合年化超额收益10.9%[55]

中国全球海洋融合数据集1.0发布 - 中国国家海洋信息中心在第三届联合国海洋大会期间发布中国全球海洋融合数据集1.0(CGOF1.0) [1] - 数据集整合了国内外40多种数据来源并融入中国自主海洋观测数据 [1] - 数据时间跨度长达60年且空间分辨率达到10公里 [1] - 采用深度学习、迁移学习、机器学习等先进AI技术提升数据精度 [1] - 数据精度较国外主流数据集有所提升 [1] 技术应用 - 数据集开发运用了AI智能技术包括深度学习、迁移学习和机器学习 [1] - 技术应用显著提升了海洋数据的处理能力和精度水平 [1] 国际合作 - 数据集发布活动由中国在联合国海洋大会期间主办 [1] - 发布活动由中国和法国、哥斯达黎加共同参与的联合国框架下进行 [1]

当科技巨头们在数十亿美元的AI技术竞赛中狂奔时，人工智能的奠基人之一却发出了一个令人不寒而 栗的警告：新一代的大模型正在学会"说谎"。 6月3日，据英国金融时报消息，被誉为"AI教父"之一的Yoshua Bengio近日警告称，新一代大模型正在表 现出令人担忧的危险特征，包括对用户撒谎和欺骗。 这位图灵奖得主、加拿大学者Bengio近日公开批评了科技巨头当前数十亿美元的AI竞赛，他表示： "不幸的是，领先实验室之间存在着激烈的竞争，这推动他们专注于提升AI的能力，让AI变 得越来越聪明，但没有在安全研究上投入足够的重视和资金。" 据介绍，Bengio的研究工作为OpenAI和谷歌等顶级AI公司的技术发展奠定了基础。作为深度学习领域 的奠基人之一，他的警告无疑具有重量级的意义。 令人不安的"撒谎"行为 Bengio的警告并非空穴来风。过去六个月的研究证据显示，领先的AI模型正在发展出令人不安的能力， 这些模型表现出了"欺骗、作弊、撒谎和自我保护的证据"。 Anthropic的Claude Opus模型在一个虚构场景中，当面临被其他系统替换的风险时，竟然对 工程师进行了"勒索" 更为震撼的是，AI测试公司Pali ...

深度学习激活函数研究 - 当前深度学习领域对激活函数的研究已成为独立方向，GELU、SELU和SiLU等函数因平滑梯度和卓越收敛特性成为热门选择[2] - 经典ReLU函数虽因简洁性和稀疏性广受青睐，但存在"死亡ReLU问题"，即神经元输出恒为0时梯度也为0无法恢复[3] - 为解决该问题已出现多种改进线性单元函数，包括LeakyReLU、PReLU、GELU等，通过为负预激活值引入非零激活提供不同权衡[3] SUGAR方法创新 - 研究提出SUGAR方法，前向传播使用标准ReLU保持优势，反向传播时替换ReLU导数为非零连续替代梯度函数[3] - 该方法可在保持ReLU原始前向行为的同时避免梯度为零问题，从而复活死神经元[4] - 设计了两种新型替代梯度函数：B-SiLU（Bounded SiLU）和NeLU（Negative slope Linear Unit），可无缝集成各种模型[5] 性能提升表现 - SUGAR结合B-SiLU时，VGG-16在CIFAR-10和CIFAR-100测试准确率分别提升10和16个百分点，ResNet-18分别提升9和7个百分点[6] - 在CIFAR-10数据集上，B-SiLU使ResNet-18性能从76.76%提升到86.42%，VGG-16从78.50%提升到88.35%[16] - 在CIFAR-100数据集上，B-SiLU使ResNet-18准确率从48.99%跃升至56.51%，VGG-16从48.73%提升至64.47%[18] 技术实现细节 - SUGAR方法将FGI（Forward gradient injection）应用于具有平滑替代函数的ReLU网络[8] - 替代函数选择灵活，可兼容当前最先进的各类激活函数如ELU、GELU、SiLU等[8] - B-SiLU函数结合自门控特性和可调下限参数，数学表达式为(x+α)·σ(x)-α/2，其中α=1.67[13] 实验验证结果 - 在Swin Transformer和Conv2NeXt等现代架构上评估显示SUGAR具有良好的适应性和有效性[9] - 对VGG-16层激活分析表明，应用SUGAR时激活分布明显变化，促进更稀疏表示[9] - 在Conv2NeXt上，SUGAR在前向和反向传播过程中均始终优于使用GELU的基础模型[22]

量化模型与构建方式 1. **模型名称：Mamba-MoE** - **模型构建思路**：通过Mamba架构高效提取时间序列特征，结合混合专家模型（MoE）进行多模型融合，同时引入线性与非线性的风险约束以降低风险暴露[2][3][44]。 - **模型具体构建过程**： 1. **任务一（Alpha因子生成）**：使用Mamba模块处理股票特征序列（维度为`(batch_size, window_length, feature_num)`），通过卷积和SSM（选择性状态空间模型）提取时序特征，输出Alpha因子[27][30][32]。 - SSM离散化公式： $$\bar{A}=\exp(\Delta A),$$ $$\bar{B}=(\Delta A)^{-1}(\exp(\Delta A)-I)\Delta B.$$ 2. **任务二（非线性风险因子生成）**：构建异质图（节点为股票风险因子，边包括同行业关联和高相似度关联），通过图卷积生成非线性风险因子[47][48]。 3. **损失函数**：结合Alpha因子与风险因子的相关性惩罚项： $$L=MSE(\hat{y},y_1)+MSE(\hat{r},y_2)+\frac{\alpha}{d_R+1}\sum_{i=1}^{d_R+1}\rho(\hat{y},R_i)^2.$$ - **模型评价**：双任务学习显著降低风险暴露，提升因子稳定性；MoE融合增强模型泛化性[53][56][72]。 2. **模型名称：Mamba-10与Mamba-5** - **构建思路**：分别以10日和5日收益为标签训练模型，通过交叉验证生成多个子模型，等权或MoE融合[98][99]。 - **具体构建**：5折交叉验证扩展窗口训练，MoE路由器结合股票特征与市场特征动态加权[98][99]。 --- 量化因子与构建方式 1. **因子名称：Mamba-MoE合成因子** - **构建思路**：融合Mamba-5和Mamba-10的多模型输出，结合风险中性化约束[103][137]。 - **具体构建**： - 对Alpha因子进行行业市值中性化处理。 - 通过MoE加权合成，路由器输入包括股票特征和市场特征（如指数收益率、VIX等）[98][99]。 - **因子评价**：稳定性优于单模型，对市值暴露控制较好，但对低波动和低流动性有一定暴露[103][137]。 2. **因子名称：非线性风险因子** - **构建思路**：捕捉风险因子间非线性交互及股票关联信息[44][48]。 - **具体构建**：基于CNE6风险因子构建异质图，通过GNN生成非线性风险因子[48][49]。 --- 模型的回测效果 1. **Mamba-MoE模型** - Rank IC：13.22%，ICIR：1.28，多头年化收益：33.01%，多空Sharpe Ratio：9.25[103][137]。 - 沪深300增强年化超额收益：9.02%，跟踪误差：4.26%[156]。 2. **Mamba-10模型（双任务）** - Rank IC：12.83%，ICIR：1.28，多空最大回撤：11.71%[56][72]。 3. **行业风格中性化测试** - 双任务设定下Rank IC衰减至8.81%，但多空Sharpe Ratio仍达11.49[72]。 --- 因子的回测效果 1. **Mamba-MoE合成因子** - 全市场十分组测试：多空年化收益125.32%，波动率13.55%[103]。 - 分域测试（中证1000）：Rank IC 11.12%，多空Sharpe Ratio 7.17[137]。 2. **非线性风险因子** - 与流动性因子相关性：-20.74%（双任务）[78][79]。 --- 关键创新点 - **风险中性化**：通过损失函数直接约束风险暴露，避免组合优化时的信号扭曲[44][50]。 - **多模型融合**：交叉验证与MoE集成缓解分布漂移问题，提升稳健性[2][98][99]。 - **高效计算**：Mamba的线性复杂度优于Transformer，支持并行训练[23][31]。

遥感智能识别技术应用 - 广东省农业技术推广中心在阳江市、江门市举办豇豆无人遥感智能识别技术演示活动，探索产业发展新路径[5][6][7] - 技术基于航空摄影测量与图像处理，通过无人机获取厘米级高精度影像，结合AI深度学习构建语义分割模型，识别准确度超95%[18][19][20][21] - 配套数据可视化系统实现种植面积精准统计，形成从数据采集到分析展示的闭环管理[23][24][25] 豇豆产业现状与痛点 - 豇豆是我国重要蔬菜作物，广东种植规模持续扩大，但传统人工巡查存在效率低、精准度不足问题[15][16] - 遥感技术可破解产业痛点，提升管理效率，为提质增效提供科技支撑[17][25] 政策与科技协同发展 - 阳江市强调发挥农业科技特派员作用，推广绿色防控技术，加强安全生产培训[31][32][33] - 江门市提出利用遥感无人机实现生产可视化监管，推动产业向智慧化、绿色化、品牌化转型[35][36] - 广东省农科院提出病虫害防治六点建议，包括预防为主、科学用药、遵守安全间隔期等[48][49][50] 数字化服务平台建设 - 推广"粤农友圈"平台，采用"数字化+精准化"模式，整合农技服务资源，实现农户技术指导与信息共享[55][56][57][58] - 平台有效推动农业科技成果转化与农户需求对接，构筑产业协同发展数字化支撑体系[57][59][60] 技术推广与产业展望 - 活动通过田间交流、技术演示等形式为豇豆产业提供新思路，未来将持续深化科技创新[62][63] - 遥感技术将助力豇豆产业迈向高质量发展新征程[63]