您的浏览器禁用了JavaScript(一种计算机语言,用以实现您与网页的交互),请解除该禁用,或者联系我们。发现报告 - 专业研报平台|收录海量行业报告、券商研报|免费分享行业研报
发现报告
已收录
0
,
0
0
0
,
0
0
0
篇行业/公司/宏观研究报告,昨日新增 1,050 篇

发现报告

热点洞察

查看更多

热门文章

封面

“画地为牢”引爆全网,芒果超媒拿到“大芒果”了吗?

2026年秋天,一档没有顶流坐镇、不预设剧本的友情纪实综艺,把芒果TV的服务器挤崩了。 云合数据显示,该节目新综赛道正片有效播放市占率最高冲到92.5%,豆瓣开分8.7,抖音主话题播放量突破57亿,前四期正片播放量合计超过6亿次,成为2024年以来唯一单周正片有效播放破亿的综艺。资本市场同步给出反馈,芒果超媒一周内市值增长约200亿元。 但这档现象级综艺,撞上的却是一份不太好看的财报。2026年前三季度,芒果超媒营收93.51亿元,同比仅增3.18%;归母净利润2.13亿元,同比下降79.01%。 今天我们就来聊聊芒果超媒。看看它是怎么起家的,最新的三季报说明什么问题以及爆款内容能否拯救业绩?

芒果超媒
“画地为牢”引爆全网,芒果超媒拿到“大芒果”了吗?2026-11-12
封面

Anthropic如何跑通盈利闭环?

10月26日,Anthropic向美国证券交易委员会(SEC)提交首次公开募股(IPO)招股说明书,计划以“ANT”为股票代码在纳斯达克上市。11月2日,Anthropic递交修订版S-1招股文件,在首版材料基础上补入三季度完整经营数据。 Anthropic是家什么样的公司?这家AI巨头是如何跑通盈利闭环的?我们一起来了解下~

Anthropic
Anthropic如何跑通盈利闭环?2026-11-05
封面

iPhone Duo开卖,折叠屏行业拐点到了吗?

10月23日,苹果公司的首款折叠屏手机iPhone Duo全球开售,国行版起售价为15999元。在10月16日开启预订后,苹果公司官网显示的送达时间很快排到了2027年1月。 2019年,三星推出了首款折叠产品,而苹果的折叠屏晚了七年。苹果为什么选择此时入场?折叠屏行业现状如何?产业链上哪个环节真正受益?今天我们就一起来了解下~

折叠屏
iPhone Duo开卖,折叠屏行业拐点到了吗?2026-10-29
hot

2025的军工,算法即战力

军工飞机AI智能军工
2025-05-15
hot

10篇报告全面了解2025年中策略展望

经济宏观行业趋势展望
2025-06-12
hot

为 “情绪”买单的市场有多大?

情绪消费新消费消费洞察
2025-08-28

官方媒体

商务合作 --> 添加微信:hufangde04

研选报告

查看更多

行业分类

查看更多
hot

2026经销商AI进化白皮书

AI智能总结
阅读原文

中国商贸流通业规模庞大,但行业进入存量竞争时代,经销商面临效率提升压力。当前,经销商经营行为主要分为日常事务、业务运营和经营决策三个层面,但大部分经销商仍采用纯手动方式运作,导致组织精力被大量消耗。本白皮书借鉴智能驾驶分级思想,提出“经销商驾控”演进框架,将经销商经营行为分为驾控L0(手工操控)、驾控L1(日常事务流程化)、驾控L2(业务运营实时化)和驾控L3(经营决策智能化)四个阶段。白皮书梳理了覆盖九大业务域的六十余个落地项目,将其归纳为内置算法、办公智能体、问数智能体、决策智能体、AI分身、智能软硬件、上下游协同七种产品形态,并提出以三层结构规划项目、四步顺序推进建设、五项原则保障治理的落地方法论,旨在帮助经销商把组织精力从事务中解放出来,构建属于自己的“第二套经营神经系统”。根据国家统计局数据,2025年我国社会消费品零售总额达50.12万亿元,首次突破50万亿元;第五次全国经济普查显示,2023年末全国批发和零售业企业法人单位达1019.7万个、从业人员5325.7万人。AI进化总论中提到,经销商已普遍实现业务信息化,AI给出的结果都能直接进入系统、用到日常经营里;经销商业务发生频次高、结构相对稳定,过程和结果都能被采集记录,持续沉淀出丰富的学习数据;经销商群体的经营路数大同小异,一家跑通的AI方案,同行很容易照着用;经销商的仓库作业环境相对封闭、可控,恰恰是智能硬件部署和智能化运行的理想场景。白皮书详细阐述了L1到L3阶段的具体落地项目,包括目标管理、采购管理、入库及库存、市场营销、销售、出库、配送及售后、业财管理、数据分析等九大业务域的六十余个项目。白皮书最后强调,经销商的第一套经营神经系统是人,而AI要构建的是第二套神经系统,它不长在人的身上,而是长在系统里。经销商不必追求一步到位,而应从占据精力最多的日常事务入手,让每一阶段的落地都为下一阶段积累数据、流程和信任。AI负责让车更好开,而往哪里开,永远是经营者自己的判断。

hot

2026大模型和智能体网络测试白皮书

AI智能总结
阅读原文

前言

本白皮书针对AIaaS时代网络承载大模型与智能体业务的测试需求,定义了测试体系,包括场景、方法和指标,重点描述了网络对模型、智能体、业务调度、可靠性保障、安全等全生命周期支持能力测试,为承载大模型和智能体业务的网络提供技术验证、部署建议。

业务发展与现实挑战

随着AIaaS时代的到来,大模型推理、智能体协同与分布式智算正加速向千行百业渗透。用户对算力底座的诉求已从“能用”转向“好用”,对计算体验的确定性、低时延与高可靠性提出了更为严苛的要求。传统网络测试体系无法适配大模型与智能体的流量特征、传输要求与体验标准,行业面临测试环境与真实业务场景脱节的痛点,亟需构建一套能够精准评估网络对AI业务支撑能力的体系。

测试组网说明

测试业务范畴依托于基于AI业务的部署需求,对承载AI业务的网络展开标准化验证和评估,测试场景包括真实业务场景和模拟业务场景。测试组网主要分为用户域、网络承载域、算力业务域和测试观测域四部分。测试手段主要分为软件终端模拟与硬件测试仪表两类。

基础测试指标

建议大模型和智能体网络测试在现有网络测试评估指标基础上做维度扩充,形成基础网络性能、算网协同专属、安全可靠性、业务体验四类基础的测试指标集合。

3.1 基础网络性能指标

重新定义了涵盖时延、丢包、带宽、抖动四大维度的网络性能评估模型,侧重验证网络“能否稳定支撑计算”。

3.2 安全与可靠性指标

重点评估网络承载AI业务流量时的机密性、完整性和可靠性能力,包括加密传输、完整性测试和可靠性测试。

3.3 算网协同指标

聚焦网络对AI业务的深度感知与资源匹配能力,主要包括计算流量感知能力、RDMA确定性传输能力以及AI体验能力。

3.4 行业通测试场景

基于行业的需求,按照行业使用模型和智能体所需的具体业务指标实施测试,全面评估网络对行业特色应用的支持效果。

大模型和智能体专项测试指标

衡量网络承载大模型与智能体业务时的特色支撑能力,包括模型感知与支持能力、智能体感知与支持能力、模型+智能体协同联动支持能力。

4.1 模型感知与支持能力专项测试

采用真实环境业务流量与测试仪表模拟流量相结合的方式,分别构建训练与推理场景,全面评估网络对大模型应用的支持能力,包括模型流量识别能力、模型传输策略适配能力、模型跨域迁移与连续性、模型计算资源协同能力。

4.2 智能体感知与支持能力专项测试

聚焦对智能体通信的南北向和东西向的能力进行测试,测试网络对智能体通信的保障能力,包括智能体身份与会话感知、智能体东西向互联保障能力、智能体并发与扩容能力、智能体安全隔离与权限控制。

4.3 模型+智能体协同联动支持能力专项测试

验证终端经智能体调用模型、执行任务并返回结果的整体体验,包括端→智能体→模型全链路保障、多智能体调度多模型冲突处理、故障自愈与业务韧性。

测试实施与评估判定

模拟测试环境仅用于预测试与功能验证,而针对网络支撑AI能力的正式测试与综合评估,必须在真实环境中开展。测试实施主要采用仿真测试、现网测试、对比测试、长期稳定性测试四类手段。标准化执行按照完整流程依次推进。对网络的评估从五个维度开展:功能合规性、性能达标率、场景适配性、兼容演进性、算网原生性。结果划分为三个等级:优秀、合格、待优化。

产业价值

建立一套完整的测试体系,能够弥合实验室理想环境和真实公网业务环境的差距,填补算网协同领域测试标准空白,为设备研发迭代、运营商算网服务验收、企业智算网络部署提供统一标尺,有效校验跨公网传输过程的数据安全防护能力,支撑计算定义网络相关标准工作推进,加速AIaaS走向规模化商用。

总结与展望

本白皮书构建了面向AIaaS时代大模型与智能体完整测试体系,明确组网建设要求,扩充多维度测试指标集合,规范测试实施手段、执行流程与评估规则,厘清整套测试体系对于产业落地的关键作用。其发布不仅可为计算定义网络技术解决方案的设计研发、算网服务交付验收、企业智算网络规划部署以及产业标准制定提供权威参考,更致力于携手产业界同仁,凝聚行业共识,共同完善计算定义网络技术的测试评估标准体系,推动大模型、智能体等前沿业务在算网融合体系下实现高质量、规模化的商业落地。

hot

Nasscom 智能体AI融合峰会 会议论文集汇编

AI智能总结
阅读原文

核心观点: 该研报汇集了印度人工智能领域的 30 项突破性研究成果,展示了印度在自主智能、生成式架构和基础模型等领域的创新实力,并强调了这些研究成果对印度人工智能生态系统发展的重要性。

关键数据: 研报中提到的 30 项研究成果涵盖了 8 个核心领域,包括企业代理治理与零信任控制平面、分布式和可扩展的人工智能基础设施、主权、文化感知人工智能与本地化智能、下一代物理人工智能与自主机器人、因果推理与视觉语言行动模型、知识图谱与本体驱动工程、隐私保护、可持续和公平的 MLOps、评估基础设施与人工智能决策鲁棒性。

研究结论:

  • 印度人工智能领域正在从探索性算法和孤立式协作助手时代,迈向现代企业、经济和社会基础设施的基础。
  • 研究成果表明,印度在自主智能、生成式架构和基础模型等领域的创新实力不断增强,并致力于构建世界一流的、可信的、负责任的人工智能。
  • 印度人工智能生态系统的发展需要学术界、初创企业、产业界和政府之间的紧密合作,并需要创建 pathways,将有潜力的想法从实验室和研究论文转化为原型、平台、产品和服务。

主要研究成果:

  • 企业代理治理与零信任控制平面: 研究人员开发了多种方法来确保企业代理的安全性,例如 EY 的自适应策略驱动框架和 Amrita Vishwa Vidyapeetham 的 AMMA(自主中介与监控架构)。
  • 分布式和可扩展的人工智能基础设施: 研究人员开发了 BHASKERA 框架,这是一个 Ray-native、YAML 驱动的框架,用于在单节点和多节点 SLURM 集群上对密集和 MoE 因果语言模型进行监督微调。
  • 主权、文化感知人工智能与本地化智能: 研究人员开发了 SANSKRITI 数据集,该数据集建立了跨 28 个州和 8 个联邦领土的文化基准,以消除 EdTech 人工智能语言模型中的文化偏见。
  • 下一代物理人工智能与自主机器人: 研究人员开发了基于主动推理的无人机飞行控制器,该控制器统一了感知、控制和故障容错,并能够在飞行过程中进行动态学习。
  • 因果推理与视觉语言行动模型: 研究人员开发了 CausalDriveBench,这是第一个评估自动驾驶视觉语言行动模型因果推理能力的基准。
  • 知识图谱与本体驱动工程: 研究人员开发了 Ontology-Driven Agentic AI 框架,该框架将企业知识转化为可操作的知识图谱。
  • 隐私保护、可持续和公平的 MLOps: 研究人员开发了 Harmonica 框架,该框架将自适应 MLOps 引入其中,以消除不必要的模型重新训练并减少碳足迹。
  • 评估基础设施与人工智能决策鲁棒性: 研究人员开发了 WAI USA Research Labs 的方法,该方法评估了大型语言模型在决策后交互中的可操纵性,并证明了即使内容保持固定,后续交互也可能翻转决策。

总体而言,该研报展示了印度人工智能领域的创新活力和巨大潜力,并为印度人工智能生态系统的未来发展指明了方向。

hot

AI赋能智慧城市关键技术体系研究

AI智能总结
阅读原文

AI赋能智慧城市

城市正面临人口膨胀、资源约束、环境压力与治理复杂度攀升等多重挑战,传统城市治理模式已难以满足现代社会需求。以人工智能(AI)为核心的数字技术浪潮推动智慧城市建设从“数字化基础设施搭建”迈向“智能化全域治理”的新阶段,重塑城市运行的底层逻辑与服务形态。

AI与智慧城市的融合本质在于构建数据驱动决策、智能优化资源配置、全场景协同联动的城市智能体。AI通过对城市多源异构数据的实时分析和深度挖掘,将城市运行状态转化为可量化的洞察,实现“感知、认知、决策、行动”,提升城市治理的精细化水平,推动城市发展模式向“绿色低碳、可持续”转型。

AI在智慧城市中的核心价值体现在降本增效、精准服务、风险预判和可持续升级四个方面。全球AI在智慧城市市场规模预计将从2025年的506.3亿美元增长至2034年的4604.7亿美元,复合年增长率(CAGR)高达27.80%。例如,某城市智能供热系统综合能耗平均降低10%;高雄市通过街道级AI将事件响应时间缩短80%;智慧交通系统使全面应用AI调控的区域拥堵指数下降40%,市民通勤时间平均减少20分钟;AI负荷预测准确率可达98.1%,有效保障电网稳定;AI智能河湖管理实现了对违法行为的“一分钟识别、一小时处理,一天闭环”,大幅提升了环境治理效率。

AI + 智慧城市的关键技术体系主要由核心AI技术支撑、技术融合应用组件和技术落地保障体系构成。

  • 核心AI技术支撑包括计算机视觉(CV)、自然语言处理(NLP)、机器学习/深度学习(ML/DL)和强化学习(RL)。例如,CV技术可实现耕地破坏和违章建筑识别的准确率超过90%,车辆检测准确率可达95%;NLP技术可实现智能客服7x24小时响应市民诉求,并对市民情绪和热点进行实时洞察;ML/DL技术可实现电网负荷预测准确率提升至98.1%;RL技术可实现交通拥堵平均减少25%,车辆怠速时间减少40%,尾气排放降低20%。
  • 技术融合应用组件包括AIoT、数字孪生+AI、边缘AI和联邦学习。例如,AIoT将AI能力下沉到物联网终端设备,实现智能终端数据采集和AI实时分析的紧密结合;数字孪生为城市提供了一个虚拟的、可计算的镜像,AI则为这个镜像注入了智能的“灵魂”;边缘AI将AI模型的推理能力部署在靠近数据源的终端或边缘侧,实现终端侧实时计算;联邦学习解决了跨部门数据安全共享和隐私保护的难题。
  • 技术落地保障体系包括AI模型轻量化与部署技术、数据安全与隐私计算技术、AI算法可解释性技术(XAI)。例如,模型压缩、量化等技术可实现AI模型的轻量化;联邦学习、差分隐私、同态加密等技术被用于在保证数据安全和隐私的前提下,进行数据联合分析和模型训练;XAI技术可以揭示AI模型做出决策的依据,提升政府和市民对AI系统的信任度。

AI + 智慧城市的主要应用场景包括城市治理与政务服务、交通出行领域、民生服务领域、生态环保和产业赋能。例如,智能政务、智慧安防、城市运维;智能交通调度、智慧出行服务、交通安全管控;智慧医疗、智慧教育、智慧社区;智慧环保、智慧能源;智能制造、智慧物流、数字经济服务。

未来发展趋势将呈现技术、场景、生态三位一体的趋势,向着全场景无感智能、自主学习进化的方向迈进。例如,通用AI(AGI)落地、多模态AI融合、AI自主学习与进化;全场景无感智能、跨区域协同智能、个性化定制智能;AI开源平台共建、政企研协同创新、安全合规体系完善。

政策支持与产业生态构建方面,国内政策:顶层设计引领,地方特色落地;国际政策:战略协同,标准共建。政策落地机遇:市场空间扩容、应用成本下降、标准体系统一、资源倾斜加持;现存挑战:区域发展不均衡、数据协同阻力犹存、算法适配与监管难度大、重建设、轻运营。产业生态构成:技术提供商、应用集成商、政府/企业用户、服务运营商;协同模式创新:政企合作(PPP)模式、产学研协同模式、生态联盟模式。

发展实施建议:地方政府实行分层规划、分类建设;产业企业技术端重点优化模型轻量化、边缘AI、联邦学习等适配技术,场景端围绕政策重点方向打造标准化解决方案;行业整体加快统一应用、接口、安全、算法评估等行业标准,建立全维度项目成效评估体系,联动院校完善人才培养体系。

发现数据

查看更多

低空经济产业链

hot

中国银河证券 | 国防军工2026-03-14

这些机构都在用