编辑丨骆一帆 港股又迎来一家自动驾驶公司。 近日，魔视智能科技（上海）股份有限公司（下称"魔视智能"）向港交所递交上市申请。经历8轮融资 后，这家由上海交大博士带领的智驾企业终于要开始冲刺资本市场了。 不过，虽然已交付逾330万套解决方案、用于92款车型。但激烈的市场竞争下，魔视智能过去3年累计亏 损超6.6亿元，尚未实现盈利。 图源：公司官网 记者丨邓浩 上交大博士车库创业 魔视智能成立于2015年，是一家AI创新驱动的智能驾驶解决方案提供商，主要为主机厂及一级供货商 提供具备L0-L4级智能驾驶功能的一体化软硬件解决方案。 创始人虞正华出生于1972年，有丰富的学界和产业界经验，魔视智能是其二次创业的产物。虞正华拥有 上海交通大学模式识别博士学位，并曾任博康智能副总裁、澳大利亚国家信息通信技术研究院 （NICTA）高级研究员、新南威尔士大学博士生导师等职。 | 姓名 | 职务 | 任郎日期 | 性别 | 出生年份 | | --- | --- | --- | --- | --- | | > 虞正华 | 董事会主席 | | | 1972 | 虞正华第一次创业是2008年，当时主要瞄准的是把AI应用到智能交通领 ...

港股又迎来一家自动驾驶公司。 近日，魔视智能科技（上海）股份有限公司（下称"魔视智能"）向港交所递交上市申请。经历8轮融资后，这家由上海交大博士 带领的智驾企业终于要开始冲刺资本市场了。 不过，虽然已交付逾330万套解决方案、用于92款车型。但激烈的市场竞争下，魔视智能过去3年累计亏损超6.6亿元，尚未实现 盈利。 （图片来源：公司官网） 上交大博士车库创业 魔视智能成立于2015年，是一家AI创新驱动的智能驾驶解决方案提供商，主要为主机厂及一级供货商提供具备L0-L4级智能驾驶 功能的一体化软硬件解决方案。 创始人虞正华有丰富的学界和产业界经验，魔视智能是其二次创业的产物。虞正华拥有上海交通大学模式识别博士学位，并曾 任博康智能副总裁、澳大利亚国家信息通信技术研究院（NICTA）高级研究员、新南威尔士大学博士生导师等职。 虞正华第一次创业是2008年，当时主要瞄准的是把AI应用到智能交通领域，诸如电子警察，交通事故监测这类项目，并最终在 2015年前后登陆了上交所主板。 那个时期，由于ImageNet上AlexNet的卓越表现，正在带动深度学习的兴起。彼时的虞正华也与同事做了个demo，验证深度学习 是否可 ...

全球顶尖科学家榜单发布 - 斯坦福大学与爱思唯尔联合发布2025全球前2%顶尖科学家榜单 基于标准化引文指标识别全球顶尖2%科学家 使用终身职业生涯和单一年度引文数据 在22个科学领域和174个子领域评估研究影响[1][20][22] - 排序基于复合指标c-score 综合考虑总引用次数 NC 引用次数的Hirsch H指数 H 引用次数的Schreiber合作作者调整后的Hm指数 Hm 科学家作为唯一作者的论文总引用次数 NCS 科学家作为唯一作者或第一作者的论文总引用次数 NCSF 科学家作为唯一作者 第一作者或最后作者的论文总引用次数 NCSFL[22] - 通过六个单调递增指标选出排名前3万名科学家 计算职业生涯整体影响力的复合指标公式通过对6个指标求和得出[22] 中国学者表现 - 中国共有1435人入选终身影响力榜单 2270人入选年度影响力榜单[2] - 清华大学以746位学者入选 全球大学排名第四 仅次于哈佛医学院 工程学院和牛津大学 超越斯坦福大学的718位[3][5] - 南京大学周志华教授全球排名526位 腾讯张正友博士全球排名969位 入选终身科学影响力排行榜前1000[5] - 周志华教授同时位列年度科学影响力排行榜第182位 张正友博士位列第588位[6][7] 顶尖科学家个人成就 - 周志华教授现任南京大学副校长 国际人工智能联合会理事会主席 ACM AAAAI IEEE Fellow 谷歌学术引用总数超过108,482次 h指数132 i10指数492 主要研究人工智能 机器学习与数据挖掘 著有《机器学习》等四部中英文著作[7][9][10] - 张正友博士现任腾讯首席科学家 腾讯Robotics X实验室主任 ACM/IEEE Fellow 谷歌学术引用总数80,397次 h指数108 i10指数346 是世界著名计算机视觉 语音处理 多媒体技术和机器人专家 发明了普遍采用的"张氏方法"摄像机标定法 2013年获IEEE Helmholtz时间考验奖 2025年获AISTATS时间考验奖[12][13][14] 全球顶尖科学家排名 - 中国科学院王中林教授以2,836篇论文位列全球第一[6] - 图灵奖得主Yoshua Bengio入选年度Top 10科学家 因深度学习开创性工作与Geoffrey Hinton和Yann LeCun共同获得2018年图灵奖 是引用次数最多 h指数最高的计算机科学家之一[17][19]

欢迎添加小助理咨询活动详情！ 平台课程八折优惠券 超级折扣卡！课程享受七折优惠 自动驾驶的技术栈更新实在是太快了！三年前还是BEV，两年前是无图，一年期是端到端，今年是VLA和世界模型，下一步是什么呢？现在入行怎么才 能保证毕业不会被淘汰？ 其实没什么捷径，只有持续不断的更新自己的认知，这条最困难但却是最正确的路。 所以我们平台搭建了自动驾驶、具身智能和大模型三个平台，在变化中不断摸索前行的道路并反过来提升自己。别盼着稳定，要在变化里找新机会。 我们也在尽自己最大的力量推动行业的进步，如果你也想和我们一起前行，欢迎关注我们国庆节&中秋节的活动！喜逢国庆和中秋节节日，我们推出了今 年最大的优惠活动给大家，欢迎微信咨询小助理。 这一个月柱哥收到了很多的咨询，最具代表性的是：有一些深度学习的基础，怎么才能高效入门自动驾驶？ 星球优惠！新人七折续费五折 星球核心内容一览！ 自动驾驶之心 知识星球 技 最前沿的 自驾技术社区 术 f 7 P 7 5 r 6 自动驾驶VLA 世界模型 闭环仿真 扩散模型 BEV感知 --- 近40+学习路线 保持活力，持续学习 交 学术界&工业界 大佬面对面交流 4 r r VLA和WA ...

以下文章来源于CSDN ，作者CSDN CSDN . 成就一亿技术人 2017 年，一篇标题看似简单、甚至有些狂妄的论文在线上出现：《Attention Is All You Need》。 在当时的 AI 研究界，这是一个石破天惊的宣言。它提议彻底抛弃被奉为圭臬的循环神经网络（RNN），只用一种名 为"注意力"的机制来处理语言。最初，许多人对此持怀疑态度。然而，这篇仅 15 页的论文很快就点燃了一场燎原之 火。它所提出的 Transformer 架构，以摧枯拉朽之势，重塑了人工智能的版图。今天，从驱动你手机输入的预测文 本，到生成惊艳图像的 DALL-E，再到改变世界的 ChatGPT，其底层的心跳，都源于那篇论文。 截至发文，其在 Google Scholar 上的引用次数高达 197159 次。 | TITLE | CITED BY | YEAR | | --- | --- | --- | | Attention is all you need | 197159 | 2017 | | A Vaswani, N Shazeer, N Parmar, J Uszkoreit, L Jones, AN Gome ...

当谈及数据监测能力时，一家企业的技术储备往往能决定其服务深度。以北京蓝太平洋科技股份有限公司为例，这家新 三板挂牌的科技企业深耕大数据领域多年，凭借国家高新技术企业的资质，形成了独特的技术壁垒。其研发团队不仅专 注于数据挖掘和机器学习，更在自然语言处理与深度学习方向持续突破。通过构建覆盖全国的监测网络，蓝太平洋实现 了对互联网信息的高效采集与分析，这种布局让企业能够第一时间获取市场动态。 数据的时效性与准确性是舆情监测的核心价值。蓝太平洋依托自建的IDC数据中心，结合全国各主要运营商的资源，在 国内外部署了大量数据探测节点。这种立体化的数据采集体系，使得监测结果既具备广泛的覆盖面，又能保持较高的精 确度。对于需要实时响应的行业而言，这种能力尤为重要。例如在金融领域，市场情绪的细微变化可能预示着重大趋 势，而蓝太平洋的智能分析引擎恰好能捕捉这些信号。 服务模式的创新同样值得关注。不同于传统服务商的单一化操作，蓝太平洋将大数据技术与移动互联网应用深度融合， 推出了多款定制化解决方案。其构建的用户体检监测云服务中心，能够将数据转化为直观的可视化报告，这种将复杂技 术转化为实用工具的能力，让非技术背景的管理者也能快速 ...

近日，谷歌在一场持续5年的反垄断案中取得阶段性胜利，成功避免被强制拆分。令人关注的是，在这 场危机中"救局"的，恰恰是被视为谷歌竞争对手的OpenAI等生成式人工智能（AI）公司。谷歌一案的 判决让业界更清晰地看到，AI正在重塑全球搜索引擎市场的竞争格局。 传统搜索引擎还掌握着生成式AI发展的关键资源——算力与数据。例如，OpenAI训练ChatGPT需依赖 庞大算力，而谷歌云位居全球前三；模型优化需要海量数据，其中大量仍存储于谷歌服务器中。而这些 AI公司若想跳过这一枷锁，自建数据索引库，不仅技术门槛高，也意味着巨额成本。 无论如何，随着AI技术不断发展，全球搜索业务已站在转型的十字路口。新兴AI搜索能否突破成本与 技术壁垒，开辟新格局？传统搜索巨头又能否摆脱固有商业模式的束缚，成功实现AI化转型？答案尚 未揭晓。可以确定的是，AI不再只是技术革命的推动者，也正在成为塑造市场竞争与监管走向的关键 力量。谷歌一案的判决，被业内称为"本世纪科技行业最具深远影响的法院裁决之一"，将为同样面临反 垄断诉讼的Meta、亚马逊和苹果提供重要参考和借鉴。 （文章来源：经济日报） 谷歌能够避免被拆分，生成式AI意外成了"救 ...

AI医疗预测技术突破 - 斯坦福大学医生利用深度学习技术预测临终患者死亡时间 准确率从40%提升至80% [1] - 丹麦科学家使用全国596万人数据构建280维标签模型 预测大事件和死亡日期准确率达78% [1] 技术应用限制 - 预测算法因存在被保险公司滥用的潜在风险而未公开 [1]

量化模型与构建方式 1. 模型名称：RNN-LIN - 模型构建思路：基于线性RNN构建的简化时序模型，移除非线性激活函数以提升训练效率并减少参数量[11][12] - 模型具体构建过程： 输入序列为股票日频特征（高、开、低、收、均价、成交量）的150日时序数据[23] 模型结构包含遗忘门和输出门，使用sigmoid激活函数控制门控值在(0,1)范围内，隐状态迭代时不使用非线性激活函数[20] 具体计算公式如下： $$h_{t}=f_{t}\otimes h_{t-1}+(1-f_{t})\otimes c_{t}$$ $$y_{t}=o_{t}\otimes h_{t}$$ $$f_{t}=Sigmoid(x_{t}W_{f})$$ $$o_{t}=Sigmoid(x_{t}W_{o})$$ $$c_{t}=SiLU(x_{t}W_{c})$$ 其中$h_t$表示隐状态，$y_t$表示输出，$f_t$为遗忘门，$o_t$为输出门，$c_t$为候选状态，$W_f$、$W_o$、$W_c$为可学习参数矩阵[20] 参数量相比GRU模型减少约50%[20] - 模型评价：训练效率优于GRU，但性能略逊于GRU基线模型[22][47] 2. 模型名称：RNN-LIN-GLU - 模型构建思路：在线性RNN基础上耦合门控线性单元(GLU)以提升模型表达能力[21][22] - 模型具体构建过程： 在RNN-LIN层后叠加GLU FFN模块组成block[21] GLU FFN的计算公式为： $$FFNSwiGLU(x,W,V,W_{2})=(Swish(xW)\otimes xV)W_{2}$$ 其中$W$、$V$、$W_2$为可学习参数矩阵[21] 其他构建过程与RNN-LIN相同[21] - 模型评价：GLU模块对RNN-LIN的性能提升效果优于对GRU的提升[45] 3. 模型名称：DecompGRN - 模型构建思路：基于线性RNN改进的时序-截面端到端模型，将截面信息直接整合进RNN门控单元[2][49] - 模型具体构建过程： 采用两层RNN结构[50] 第一层线性RNN输出每个时间步的个股表征，使用市值作为分组特征进行20分组，计算股票分组去均值结果，得到包含截面信息的个股表征[50] 第二层构建线性RNN变体，将截面信息和时序融合共同输入遗忘门和输出门[50] 使用时序趋势分解模块将初始输入拆分为趋势与残差分量[89] 趋势分量输入1D卷积+RNN实现时序编码，残差分支使用深度可分离卷积[94][95] 最终将趋势和残差分支结果相加合并，输入第二个时序RNN编码器，取最后一个时间步输出通过线性预测头得到股票得分[96] 参数量仅为GRU基线模型的43%[74] - 模型评价：性能超越基线GRU模型，模型逻辑与参数量实现双重简化[2][74] 模型的回测效果 1. RNN-LIN模型 - 中证全指：RankIC 0.13，RankICIR 1.08，IC胜率 0.88[37] - 沪深300：RankIC 0.10，RankICIR 0.62，IC胜率 0.74[37] - 中证500：RankIC 0.09，RankICIR 0.71，IC胜率 0.78[37] - 中证1000：RankIC 0.12，RankICIR 0.96，IC胜率 0.86[37] 2. RNN-LIN-GLU模型 - 中证全指：RankIC 0.13，RankICIR 1.14，IC胜率 0.89[37] - 沪深300：RankIC 0.10，RankICIR 0.63，IC胜率 0.73[37] - 中证500：RankIC 0.10，RankICIR 0.74，IC胜率 0.79[37] - 中证1000：RankIC 0.12，RankICIR 1.01，IC胜率 0.87[37] 3. DecompGRN模型 - 中证全指：RankIC 0.141，RankICIR 1.26，IC胜率 0.89[55][89] - 沪深300：RankIC 0.099，RankICIR 0.65，IC胜率 0.74[55][89] - 中证500：RankIC 0.098，RankICIR 0.77，IC胜率 0.78[55][89] - 中证1000：RankIC 0.127，RankICIR 1.08，IC胜率 0.88[55][89] 量化因子与构建方式 （报告中未明确提及独立的量化因子构建，主要关注端到端模型） 因子的回测效果 （报告中未提供独立因子的测试结果） 分组测试绩效统计 1. RNN-LIN模型（层数1） - 中证全指：年化收益率42.59%，夏普比率1.46，最大回撤-36.71%，超额年化42.05%，平均单边换手0.81[42] - 沪深300：年化收益率28.59%，夏普比率1.38，最大回撤-22.09%，超额年化28.67%，平均单边换手0.66[42] - 中证500：年化收益率23.68%，夏普比率1.02，最大回撤-34.63%，超额年化23.95%，平均单边换手0.76[42] - 中证1000：年化收益率32.81%，夏普比率1.20，最大回撤-35.43%，超额年化33.72%，平均单边换手0.77[42] 2. RNN-LIN-GLU模型（层数1） - 中证全指：年化收益率48.73%，夏普比率1.60，最大回撤-35.33%，超额年化48.19%，平均单边换手0.81[42] - 沪深300：年化收益率29.92%，夏普比率1.38，最大回撤-23.62%，超额年化30.00%，平均单边换手0.65[42] - 中证500：年化收益率24.45%，夏普比率1.03，最大回撤-39.60%，超额年化24.72%，平均单边换手0.75[42] - 中证1000：年化收益率34.47%，夏普比率1.24，最大回撤-34.51%，超额年化35.38%，平均单边换手0.76[42] 3. DecompGRN模型 - 中证全指：年化收益率57.68%，夏普比率1.71，最大回撤-34.69%，超额年化56.18%，平均单边换手0.79[57][89] - 沪深300：年化收益率31.69%，夏普比率1.42，最大回撤-26.88%，超额年化31.00%，平均单边换手0.65[57][89] - 中证500：年化收益率26.90%，夏普比率1.10，最大回撤-37.82%，超额年化26.13%，平均单边换手0.74[57][89] - 中证1000：年化收益率40.35%，夏普比率1.37，最大回撤-35.51%，超额年化40.03%，平均单边换手0.74[57][89] 指增组合测试结果 DecompGRN模型指增表现 - 沪深300指增：年化超额收益10.24%，跟踪误差5.07，超额夏普1.95，超额最大回撤-8.12%，2025年累计超额3.93%[75][85][89] - 中证500指增：年化超额收益10.05%，跟踪误差6.10，超额夏普1.60，超额最大回撤-7.15%，2025年累计超额6.72%[75][85][89] - 中证1000指增：年化超额收益19.58%，跟踪误差6.75，超额夏普2.68，超额最大回撤-9.11%，2025年累计超额18.26%[75][85][89]

数字时代注意力经济现象 - 数字资源易得性导致专注力下降 表现为读不进书 看不下完整电影 无法深度思考[1] - 生活快节奏消磨精神能量 空闲时间倾向于消费无需动脑的内容[1] - 文化体验与自我提升存在知行差距 多数人陷入知易行难困境[1] 专注力重建方法论 - 需改变功利心态 停止过度追求即时回报 才能沉浸过程本身[2] - 3分钟电影速看无法欣赏镜头艺术 5分钟名著速读难以体会文字意蕴[2] - 深度学习中积累的思考习惯与从容气质是时间的长期馈赠[2] 好奇心触发机制 - 好奇心触发连锁反应：产生疑问 激发兴趣 探求原因 深究结果[3] - 创造触发时刻需脱离数字设备 通过人际交流 自然接触 文物观览获得新知[3] - 专注力是由内而外的思维沉浸 非依靠外部自律维持[3] 数字文化资源整合 - 数字技术将海量文化资源编织入日常生活[4] - 需解决注意力失焦问题 培养信息甄别与批判思考能力[4] - 保持文化敬畏心才能使数字文化接触成为精神滋养[4]