社区

如果将约翰·罗杰·贝尔德在实验中第一次“扫描”出木偶的图像看作电视诞生的标志，2025年刚好是第100个年头。 过去的一百年时间里，电视作为客厅里的绝对C位，经历了CRT、等离子、液晶、OLED、Mini LED等多轮技术浪潮，每一次变革都推动着画质、尺寸和观赏体验的提升，深刻改变了无数家庭的娱乐方式。 当时间来到2025年，“哪哪都是屏”的现实语境下，走过百年历程的电视将朝着什么样的趋势演变？ 刚刚结束的2025家电新品发布会上，连续19年稳居全球电视销量冠军的 $三星电子(SMSD.UK)$ ，正式发布了包括2025 Neo QLED在内的多系列电视产品，用产品化的叙事方式，为高端电视市场的进化方向，给出了清晰的答案。 01 画质：一场没有上限的技术较量 当我们在选购一台高端电视时，画质往往是衡量好坏的第一标准。 画质与电视的关系，就像是发动机之于汽车，倘若发动机很拉胯，再豪华的内饰也无法提升驾驶体验。同样的道理，一台电视的画质不给力，再多的新功能，再华丽的营销，都满足不了用户对“好电视”的追求。 从19世纪末诞生的CRT技术，到上世纪60年代出现的等离子和LCD技术，再到LED、OLED等新技术的出现，人们对于画质的追求没有止境。当下最主流的显示技术之一，无疑是高端电视标配的Mini LED技术。 时间回到2021年初，不少电视品牌先后放出了新品的消息，三星则发布了一项全新的电视屏幕技术——Neo QLED。和QLED不同的是，Neo QLED采用Mini LED作为背光源，并结合了三星擅长的量子点矩阵技术。 相较于传统的LED背光源，Mini LED的背光灯珠只有前者的1/40。相同尺寸的面板，原先可能只有几十个灯珠，现在可以放几千个、几万个乃至更多，也就拥有了更高的亮度、更大的动

DeepSeek现象级出圈后，光大证券在研报中抛出了这样一个的观点：大模型有望全面赋能流程工业和智能制造。 早在两年前，电力、采矿、油气、半导体、汽车等行业陆续开始了大模型落地的探索，不只是大语言模型，视觉模型、多模态模型、垂直领域的专业模型等都有应用，涌现出了不少有价值的案例。 比如在升腾AI创新大赛2024上获得金奖的云鼎科技团队，2022年7月就开始了大模型在煤矿行业的能力验证，目前已经在115类场景中落地，拓展到了化工、电力、油气等多个行业。 同时也为我们打开了一个新的视角：当大模型的“春风”吹进工厂车间，将产生什么样的化学反应？ 01 一场始于2022年的创新探索 也许在不少人的印象里，煤矿还属于所谓的“传统产业”。 其实在2020年2月，国务院八部委就联合下发了《关于加快煤矿智能化发展的指导意见》，明确要求将人工智能、工业互联网、云计算、大数据等新技术与现代煤炭开发利用深度融合。 彼时ChatGPT还在酝酿阶段，大模型的讨论仍局限在技术圈内，云鼎科技着手组建一支涵盖方案设计、产品研发、测试交付、运营运维等全栈能力的AI团队，在2022年初开始了大模型落地试点。 回顾这场长达3年的创新探索，大抵可以分成三个阶段： 第一个阶段是验证。 煤矿行业和AI的融合由来已久，但传统的算法模型是基于某个特定场景开发的，部署到下一个场景的时候，常常因为安装的位置、补光和环境差异，导致算法精度变差。再加上工业场景较为复杂，采集的数据比较少，且严重依赖人工标注，人工智能的落地长期处于试验阶段，无法规模化应用。 传统算法模型的瓶颈，大模型可以打破吗？2022年1月，山东能源集团携手华为成立了联合创新中心，寻求盘古大模型的行业应用；2022年7月，云鼎科技将大模型能力应用到了兴隆庄煤矿，初步验证了大模型在数据筛选效率、模型优化效率、泛化性等方面的优势，成为行业里“第一个吃螃蟹的人”。 第

两年多前，Gmail的创建者之一Paul Buchheit在社交媒体上写道：“谷歌可能只需要一两年时间就会被彻底颠覆，AI将会消灭搜索引擎的结果页面。” 时间验证了Paul Buchheit的论断，焦点却是在中国市场。 过去一个多月里， $百度(BIDU)$ 、夸克、 $微博-SW(09898)$ 、 $知乎-W(02390)$ 、小红书等平台陆续接入DeepSeek，和大模型的深度思考能力融合，重新定义了内容的呈现方式和用户搜索习惯，悄然开启了一场“深度搜索”战事。 本期内容将围绕日常生活中经常遇到的一些问题，包括健康、数码、美妆、游戏和最新事件，对DeepSeek R1（联网搜索）、百度AI搜索、夸克、微博智搜、知乎直答、小红书孵化的AI搜索应用“点点”进行横向对比，测试下“深度搜索”能力哪家强？ 需要说明的是，由于“思考过程”比较长，截图仅展示最终答案。假如对结果的真实性存疑，可自行测试。 第一题：儿童换季过敏有哪些特别注意事项？ 因为家里的宝宝是易过敏体质，就把很多家长正在头疼的问题作为测试的第一道题，用来验证内容的权威性和可信度。 先说结论：六个产品都达到了及格线，都提到了常见的过敏原，过敏的主要症状，日常护理需要注意的事项等等。原先需要查看几十篇文章或视频的知识点，现在只需要等待几十秒的时间。 DeepSeek R1意外没有标记内容来源，但输出的内容和百度、夸克差别不大，并未出现太多“幻觉”。 百度AI搜索的答案相对简洁了不少，聚焦在了花粉、螨虫等过敏源，然后梳理了对应的应对措施，和DeepSeek R1不相上下。 夸克的

过去一个月里，DeepSeek一体机俨然成了最热的一门生意。 原先做服务器的厂商、卖算力的企业、做IT系统集成的软件商，陆续推出了各种各样的“DeepSeek一体机”。就连深圳华强北的商家们，也想要通过“攒一体机”的方式分一杯流量。 让人眼花缭乱的背后，必须要回答的问题是：一体机的部署方案，是否是适合所用企业的最优解？ 毕竟大多数云厂商都上线了DeepSeek系列模型的推理服务，华为云更是推出了从商业级的Tokens计费模式到CloudPond边缘训推一体机，再到华为云Stack上DeepSeek大模型训推部署解决方案，覆盖了DeepSeek V3/R1大模型在企业业务部署应用的全场景。 本文将对两种典型的部署方案进行对比，帮助大家去魅鱼龙混杂的“DeepSeek一体机”，为真正关注业务数智化转型的企业，找到最合适的部署方案。 01 一体机方案也有“烦恼” DeepSeek一体机的走红，其实并不意外。 正如外界所熟知的，DeepSeek通过工程化创新显著降低了对算力的要求，再加上是以开源方式出现的，直接促成了一体机的爆发：将服务器、GPU、操作系统、AI推理框架、大模型等“打包”封装在一起，省去了繁琐的硬件调试与软件环境搭建，就能实现性能对标OpenAI-o1正式版的DeepSeek-R1满血版大模型的“开箱即用”。 一些企业的营销话术也相当有诱惑性：只需用家用电源插座，就能跑大模型；最高支持671B参数满血版，一机足矣，省了数据中心；轻松买台DeepSeek一体机，分分钟部署一个世界级大模型…… 归根结底，离不开“尝鲜”二字。原先需要千万级预算才能部署的大模型，现在只需要一台一体机。在“先落地试试，总比啥都不干好”的普遍心态下，DeepSeek一体机迅速成了“新晋顶流”。 每一次新技术涌现，都会经历周期性的“起哄—泡沫—落地—重生”，DeepSeek一体机也不例外，至少已

DeepSeek的现象级出圈，为业界开辟了一条通向AI的新路径，也为大模型的落地应用打开了更大的空间。 在大模型走深向实的氛围下，越来越多的企业改变了观望态度，开始深入挖掘大模型带来的新质生产力。一些走在行业前沿的创新探索，开始频繁置身于聚光灯下，成为业界讨论、学习的对象。 譬如在升腾AI创新大赛2024总决赛上斩获应用创新组金奖的“许继智算”团队，用大模型巧妙破解了缺陷检测、风险识别等人工巡检难以解决的“历史性难题”，给出了大模型落地电力装备运维的技术路线。 01 跨越智能化运维的“最后一公里” 提起电力装备运维，可能不少人都比较陌生。 简单来说，电力装备运维就是对变电站、高压变压器、特高压换流阀等电力设备进行巡视、检修维护、故障处理、性能测试等工作，通过定期的检查和维护，保障电力系统运行的安全可靠。 但在相当长的时间里，电力装备运维都依赖人工检查，不仅对运维人员的经验、能力有着极高的要求。 由于传感终端的寿命短、稳定性差，导致误报率高，再加上电力装备的环境比较复杂，人工巡检可能无法及时发现潜伏性缺陷。即使是一个微小的疏忽，也可能会引发难以想象的危险。 例如某±800kV换流站的爆炸事故，直接原因是巡检人员对隔离开关传动部件中轴销、销钉等附件维护检查不严不细，造成隔离开关无法承受电动机起动时产生的电流。所折射出的深层次原因，则是在设备缺陷监测难、传感终端误报率高的情况下，人工巡检对一些隐蔽缺陷“力不从心”。 正是在这样的背景下，电力装备运维一直对新技术持开放态度，无人机、机器人等纷纷走向巡检岗位，同时也包括人工智能技术。 倘若能够将人工智能融入电力装备运维，或许可以利用算法对一些特定故障进行分析，智能检测异常状态并实时告警，进而解决人工巡检数据分析能力不足的短板，及时发现变压器等设备潜伏性缺陷。 理想很丰满，现实中却遇到了“最后一公里”的挑战。 比如现有技术能力的局限性。

DeepSeek点燃了“引线”后，大模型再一次进入到了“爆发期”。 短短一个多月里，大模型的能力上限不断被刷新，“落地”已然成为产业上下游的普遍共识。 在这样的局面下，一家企业最佳的生态位是什么呢？ 上世纪90年代，杰弗里·摩尔在深入研究了埃弗雷特·罗杰斯的“创新扩散理论”后，在《跨越鸿沟》将“技术采用生命周期”的客户群体分成了五类，分别是创新者、早期采用者、早期大众、后期大众和落后者。 对号入座的话，大模型正处于从早期采用者向早期多数过渡的阶段，也就是“鸿沟”所在的阶段。 由此来审视这轮大模型浪潮，相较于模型层的你追我赶，一场更重要的博弈在于怎么将创新迅速“扩散”到产业中，支撑创新应用的落地。 01 跨越算力鸿沟：一场“双螺旋”竞赛 DeepSeek意外“出圈”后，在流量洪峰的冲击下一度陷入了“崩溃循环”，直到半个多月后才走出“服务器繁忙”。 一些想要接住DeepSeek流量的第三方MaaS平台，则在月亏4亿的压力下，无奈关闭了相关推理服务。 这些现象指向了同一个原因——算力瓶颈。 算力供应的不稳定，即便是DeepSeek这样的团队，也无法在短时间里填补缺口；而算力价格的居高不下，不单单束缚了千万使用者的手脚，MaaS平台也深感压力山大。 大模型想要落地到千行万业，让“智力”转化为实实在在的生产力，首先要打破算力瓶颈。大模型创新扩散的鸿沟，很大程度上属于算力鸿沟，只有打破了算力瓶颈，才能创新的扩散铺平道路。 就在DeepSeek走红的同一时间， $百度(BIDU)$ 智能云对外宣布——在百舸4.0的能力加持下，成功点亮昆仑芯三代万卡集群。 如果说DeepSeek给出了模型训练的新思路，百舸4.0给出了跨越算力鸿沟的新解法：通过覆盖大模型落地全流程的算力平台，让用户能够高效率、低成本使用算力。

过去两年里，大模型可以说外界讨论最多的技术话题，且几乎每一次都会出现这样的疑问：大模型的价值到底在哪里？ 不少人曾尝试给出答案。 在日常工作中，生成式AI的能力渐渐成为一种标配，写文案、生成图像、文本翻译、编程等应用越来越成熟。 在日常生活中，一个个智能体深度影响了人们的生活，酝酿出了聊天对话、图生视频、帮点外卖等新奇玩法。 不久前举办的升腾AI创新大赛，从另一个角度进行了回答：在千行万业的细分场景中，大模型正在和产业需求深度融合，通过破解阻碍行业发展的技术性难题，迸发出了实实在在的新质生产力。 比如用大模型实现遥感影像解译的元翌智能。 01 被解译环节“困”住的千亿级市场 目前全球在轨运行遥感卫星达1659颗，其中中国已经发射451颗，并且高分系列遥感卫星的分辨率已经提升至亚米级，被广泛应用于国土资源与环境监测、农作物监测与估产、森林碳汇估算等领域。 根据中国地理信息产业协会的数据，2023年国内地理信息产业总值达到了8111亿元，约是2015年的2.3倍。参考卫星遥感信息服务10%左右的占比，等待商业遥感的将是一个千亿级的蓝海市场。 按照上中下游的模式拆解遥感产业链：上游是数据生产，即遥感卫星的数据采集；中游是数据处理、地物监测信息等服务，直接关系到产业前景；下游是农业、林业、国土、测绘等应用需求。 当前被限制的，正是中游的解译环节。 遥感卫星获取到的信息，通常是以复杂的光学或雷达信号形式呈现的，需要将信息解译成可理解、可应用的形式。 其中的难点在于，不同复杂场景的多模态观测机理差异大、地表要素解译受自然/人为因素影响大、复杂多样的地表要素特征变化大，导致大规模遥感数据处理平台建设与共享等方面存在诸多困难。 譬如国内在测绘、国土、林业、农业等行业遥感调查与更新，主要采用的还是人工目视解译的工作方式，耗时、费力、成本高、周期长，无法满足快速提取与更新的需求，直接制约了商业

10年后的卫浴空间会是什么样子？ 我们将这个问题抛给了DeepSeek，经过16秒的“深度思考”后，在输出内容中看到了这样的描述： 全自动清洁与管理机器人、个性化健康管家、无障碍辅助机器人……在DeepSeek的答案里，卫浴空间将成为一个“主动服务者”，从功能性空间进化为个性化健康管理中枢，甚至成为家庭中的“第四生活伙伴”。 听起来有些“科幻”，但对卫浴产业的前沿动态稍作了解，就会发现——已经有企业在布局DeepSeek预测的未来。 就在最近，九牧AI马桶与家用机器人产业园一期项目建设正式启动，九牧集团携手达闼机器人、节卡机器人、他山科技、追觅科技、本末科技、因时机器人、睿尔曼智能科技、清云智能等多家AI、机器人领域的独角兽企业代表一同亮相，共同开启千亿产业生态应用。 01 机器人和卫浴碰撞出的“火花” 2025年最热门的经济话题，非机器人莫属。 宇树的人形机器人在春晚上出圈后，行业内逐渐形成了这样一个共识：2025年被视为机器人量产的元年，家用机器人、养老机器人、陪伴机器人等走进千家万户，已经是一种现在进行时。 折射到市场层面上，除了宇树代表的人形机器人，美的已经累计生产交付超过8万台工业机器人，海尔集团用控股新时达的方式再次扩充机器人版图，无人机产业颠覆者大疆把智能机器人纳入了经营范围......在首发经济的影响下，越来越多的行业龙头开启了机器人+的布局。 图：海尔展出的机器人产品 其中就包括卫浴行业的龙头九牧集团。 时间回到2023年9月，九牧AI马桶与家用机器人产业园项目正式签约，落地泉州南翼国家高新区。 据当时媒体报道，九牧AI马桶与家用机器人产业园总投资58亿元，规划用地330亩，将围绕“3个中心、2个灯塔工厂”五大核心规划建设，即规划建设全球研发生产转化中心、全球设计生产转化中心、产学研生产转化中心、核心零部件灯塔工厂、家用机器人灯塔工厂、产业高端人才社区等功

对科技话题比较关注的话，大概率会看到下面两个新闻： 一个是医疗行业，上海东方医院通过“思维链提示”，仅用几分钟就为一名罕见病儿童提供了专业诊断，人工则需一个小时以上； 另一个是金融行业，某机构通过AI识别新型欺诈的模式，将响应时间从小时级缩短到了毫秒级，而且误报率同比下降了45%。 隐藏在两个新闻背后的，是AI在思维推理和自我学习方面的能力跃升。同时也引出了一个值得深思的课题：DeepSeek等大模型技术从单点落地，到辐射千行万业的链式爆发，还需要多久？ 时值2025 MWC前夕，我们不妨做一个大胆的判断——2025年将是移动网络与AI融合的“奇点”时刻，将为全球数字化转型注入新的动力。 以网兴智：5G-A+AI让智能化“无所不在” 正如外界所熟知的，移动通信技术已经进入到5G-A时代，相比5G有着更高速率、更低时延和更多连接数的能力，同时也为AI应用提供了更好的支撑，潜移默化的重塑着人类社会的运作逻辑。 比如高质量的联接让端云无缝协同。 端侧算力往往受限于功耗和内存，难以独立处理任务，因此需要依托云侧的强大算力和存储能力来协同。 所以主流的AI应用往往采用“端侧小模型+云侧大模型”的架构，在端侧部署10亿至30亿参数的小语言模型，用于处理轻量级任务，如文字润色、邮件回复、照片搜索等；复杂任务和推理则依赖云侧的大模型。 这种端云协同模式既保护了用户隐私，又突破端侧算力限制。随着对算力要求的持续提升，端云协同将是长期主流。5G-A的低延迟、大宽特性将至关重要，以确保数据高效流动和任务的动态分配。 比如低时延和大上行让AI“耳聪目明”。 当前的智能助理还算不上“全能选手”，左右其“智商”的不单单是模型参数，还涉及多模态“感知能力”。 一个直接的例子，目前多模态AI Agent的响应时间普遍为5-8秒，远不及类人交互400毫秒的标准。特别是在处理高精度的图片与视频时，动辄需要几十

刚刚过去的春节期间，出现了一个特殊的消费现象：不少购物中心把扫地机器人摆在了C位，销量同比提升了40%。 有些讽刺的是，扫地机器人成了年轻人追捧的“电子年货”，可写字楼、银行等场所的地面清洁、消毒等工作，仍然离不开人类保洁员。即使部分用上了“机器人”，一旦遇到了固液混合的垃圾污渍等，机器人清洁不干净，往往需要人工二次清洁。 在大模型席卷千行万业、人形机器人即将“量产”的现实语境下，商用清洁机器人的“破局”还有多远？ 01 清洁机器人落地“三重门” 早在1901年的时候，英国工程师休伯特·布兹就发明了第一台真空吸尘器，主要部件是真空泵、集尘袋、软管及各种形状不同的管嘴，奠定了扫地机器人、清洁机器人等一系列衍生产品的结构。 经过长达一个世纪的演进后，扫地机器人逐渐在家用市场普及，商用市场却仍处于用户教育的阶段。按照IDC在《2023年中国商用服务机器人市场份额报告》中的数据，2023年中国商用清洁机器人市场规模仅4.3亿元。 明明是生产生活的刚性需求，为何清洁机器人未能打开商业化落地的局面呢？原因可以总结为三类。 首先是灵活性和通用性的短板。 和家用场景不同，商用领域涵盖的场景范围广、环境复杂度高，对清洁机器人的灵活性和通用性更高。 以办公场所为例，人员流动频繁，工位错综复杂，需要精准的定位、路径规划、避障等能力。目前市面上的商用清洁机器人，在需求最大、环境复杂的中小场景里，可能存在绕障不丝滑、体积较大无法清洁低矮区域的情况，而且功能局限在“清洁”这个单一的场景中。 其次是对人工维护的深度依赖。 商用清洁机器人的出现，本质上是为了解决“用工招工难”的痛点，现阶段的结果和初衷似乎有些背道而驰。 比如部分清洁机器人的滚筒不能自清洁、不能自动充电和加排水，也就需要安排特定的维护人员手动清洁滚筒、定时加排水，也就需要安排特定的维护人员手动清洁滚筒、定时加排水，在实际体验中未能像预想中那