公众号记得加星标⭐️，第一时间看推送不会错过。 麻省理工学院的研究人员提出了一种新的解决方案，旨在解决现代计算中最棘手的效率问题之一：逻 辑电路和存储器之间数据传输所消耗的能量。该团队最近发现，通过在传统CMOS芯片的后端工艺 （BEOL）中添加额外的有源器件层，可以将通常用于布线的区域变成一个可以同时容纳逻辑晶体管 和存储器晶体管的堆叠结构。 研究人员在 IEEE IEDM 上发表了两篇相关论文，分别以BEOL 氧化铟晶体管和BEOL 纳米级铁电存 储器件为中心。 3D堆叠技术并非新技术，但将单片堆叠直接应用于已完成的逻辑电路会受到温度的限制。标准的硅 器件制造工艺通常需要一定的热预算，这可能会损坏先前构建的晶体管和金属层。麻省理工学院团队 的核心策略是避免"预先"构建新的硅器件，而是在芯片后端（传统上导线和金属键合所在的位置）添 加有源层。 这种"翻转"至关重要，因为它将后端工艺（BEOL）转化为额外的器件空间，而无需底层CMOS工艺 承受额外的高温前端工艺。它还缩短了计算、嵌入式存储器和互连之间的物理路径，从而避免了传统 布局中能量的浪费。 麻省理工学院提出的架构是一种垂直集成的器件堆叠结构，它制造在现 ...

证券日报网讯 1月7日，泰和科技在互动平台回答投资者提问时表示，泰和科技的脑波生物反馈装置现 阶段仍以经典算法为主，尚未采用深度学习等AI技术。泰和科技的该技术尚处在内部性能测试和外观 设计优化阶段，尚未投放市场，请注意投资风险。 （编辑 丛可心） ...

（文章来源：第一财经） 据工信部消息，工信部印发《工业互联网和人工智能融合赋能行动方案》。其中提出，提高工业互联网 平台智能化水平。基于深度学习、大模型等技术，强化工业互联网平台的要素连接、智能分析、资源配 置等能力。鼓励工业互联网平台企业加快基于人工智能的低代码、无代码技术创新，提升工业APP开发 效率和系统集成能力。探索依托工业互联网平台打造"模型池"的路径，培育上线一批工业模型产品。推 动平台底层架构、数据协议与人工智能适配兼容，深化国产智能体标准协议创新应用，发展"工业互联 网平台+智能体"等创新模式，打造一批面向生产网络优化、人机交互、智能设备健康管理、产业链优 化等典型场景的工业智能体应用。 ...

（来源：千龙网） 研究团队面向天然草原野外自由放牧场景，在研发四足放牧机器人过程中，针对光照变化剧烈、背景环 境复杂、牛只群体遮挡以及运动模糊等关键问题，研制了融合多尺度特征提取、自适应检测与轻量化骨 干网络等技术的深度学习模型MASM-YOLO。 该模型实现了站立、躺卧、吃草、饮水、回舔和吮吸等肉牛典型行为的快速识别，并在识别精度与计算 效率之间取得了最优协同，有效提升了疫病诊断、发情监测、产犊预警和健康评估等牛群饲养管理效 率。该技术的突破不仅为四足机器人安装了"慧眼"，也为全面创制放牧机器人提供了关键技术支撑。 中国农业科学院农业信息研究所科学数据研究室利用新一代信息技术，成功研制出肉牛行为识别轻量化 模型MASM—YOLO，实现了对肉牛六类典型行为的快速精准识别，有效提升了牛群饲养管理效率。近 日，相关研究成果发表在《农业计算机与电子》。 ...

对于从事自动化和计算机的同学，建议搞深度学习，VLA、端到端、世界模型都是很好的方向，从入门、到 工作甚至读博都有很大空间。对于机械和车辆的同学，可以先学习传统PnC、3DGS这些方向。算力低、入手 简单。 剩下的就是一些方法论的提升了，多看论文多交流，慢慢形成自己的思考和idea。 对很多新人研究者，一个 好的idea需要踩很多次坑。如果你还是新人，不知道怎么入门，可以看看我们推出的论文辅导。 论文辅导上线了！ 点击下方 卡片 ，关注" 自动驾驶之心 "公众号 戳我-> 领取 自动驾驶近30个 方向 学习 路线 元旦后，收到不少同学的咨询，很多都是计算机、车辆、自动化和机械方向的同学。 先看自驾一些前沿的方向，VLA、端到端、强化学习、3DGS和世界模型。以及一些相对没那么拥挤的赛道像 开集目标检测、OCC、few-shot/zero-shot。很多研一和大四的同学往往无从下手，刚开始深度学习都还不懂， 更别说跟进前沿的方向了。是传统动力学还是深度学习？哪些还有发论文的需求？需要什么样的学习路线？ 如果您有任意论文发表需求，支持带课题/研究方向咨询，欢迎联系我们， 微信：paperguidance 提供的服 ...

英伟达正试图通过持续的AI技术迭代，重塑游戏的渲染流程与交互体验。 没有推出新款显卡，英伟达在今年CES上对于游戏业务的更新放在了软件上。 1月6日，英伟达发布了其最新一代深度学习超级采样技术DLSS 4.5，并展示了基于生成式AI的NPC（非玩家角色）技术ACE的 最新落地进展。 AI成游戏画质主导 作为英伟达在游戏领域的核心软件护城河，DLSS（深度学习超级采样）技术的更新是此次发布的重点。英伟达宣布推出DLSS 4.5版本，引入了"动态多帧生成"（Dynamic Multi Frame Generation）技术和全新的6倍多帧生成模式。 据英伟达介绍，DLSS 4.5利用第二代Transformer模型，在每渲染一帧传统画面的基础上，最多可生成五帧额外画面。这意味 着，在开启该模式的游戏中，AI生成的像素量已远远超过传统光栅化或光线追踪渲染的像素量，AI已实质性地"接管"了最终游 戏画面的呈现。 在该架构下，游戏将在玩家的本地PC端建立一个向量数据库（Vector Database），用于存储并"向量化"玩家的行为逻辑与对话历 史。当玩家与NPC互动时，系统会在本地数据库中检索最相关的记忆切片，而非将 ...

杨立昆不会担任该公司的首席执行官，而是执行董事长，这让他能拥有与在Meta时相同的研究自由。 报道称，杨立昆的新公司名为先进机器智能实验室（Advanced Machine Intelligence Labs），将由法国医 疗人工智能初创公司Nabla的联合创始人兼首席执行官亚历克斯·勒布伦（Alex LeBrun）领导。 自爆出将离开Meta的消息后，杨立昆（Yann LeCun）的日程安排得极其紧凑。"这基本上迫使我们加快 了日程，"他说。报道出炉后，法国总统马克龙给他发了一条WhatsApp消息。杨立昆不愿透露总统具体 说了什么，但暗示总统对这家新的"全球性"公司将与法国保持紧密联系感到高兴。 "我是一名科学家，一个有远见的人。我能激励人们去研究有趣的事物。我很擅长判断哪种技术可行、 哪种不可行。但我做不了首席执行官，"杨立昆说，"我既太缺乏条理，而且也年纪太大了！" 数十年来，他一直在潜心构思如何让机器具备这样的智能。他也毫不讳言自己对大型语言模型的质疑态 度，硅谷当下正痴迷于这类模型，认为它们有望实现超越人类的智能，但在他看来，大型语言模型虽有 实用价值，其本质却受限于语言载体，存在根本性局限。要实 ...

作为法国数字营销领域的权威奖项，Les Cas d'Or 重点关注技术创新、业务增长与用户价值等核心指 标。此次获奖案例聚焦于竞争高度激烈的保险行业，该行业始终面临着线上行为信号相对分散、消费者 决策路径复杂等挑战。如何在保障用户体验的前提下，实现高质量获客效果的规模化获取，一直是行业 难题。尤其是针对那些决策更为审慎、且对传统服务模式依赖度较高的高价值细分人群，对投放策略的 精细度与技术平台的预测能力提出了更高要求。 近日，百度国际旗下全球智能广告平台 MediaGo 与法国领先的销售线索生成专家 hipto 的合作案例，在 法国极具影响力的数字营销行业奖项 Les Cas d'Or 中接连斩获殊荣。继今年 10 月荣获原生广告类别金 奖后，双方于12月9日再度凭借卓越的获客成效，获得银行与保险（Banking & Insurance）领域获客 （Acquisition）类别铜奖。 MediaGo携手hipto连获两项国际大奖 连续两项国际奖项的获得，不仅体现了双方在欧洲数字营销市场的专业能力，也进一步验证了MediaGo 深度学习技术在复杂效果获客场景中的实际商业价值。 MediaGo 合作拓展负责人Le ...

新的一年，很多人会为自己种下期许，写下承诺。作为「红杉汇」的经典策划，去年年末我们再度向各位 读者发起了 "新年Flag征集令" ，并收到了许多真诚的留言。有人深耕专业、有人拥抱家庭、有人探索生活 ——不同的目标，映照的是同样炽热的向往。 我们从留言中精挑细选，汇编成今天这篇Flag大赏。愿你在这里看见他人的奔赴，也照见自己的路途。新的 一年，愿我们既有仰望星空的勇气，也有脚踏实地的心境。2026年，Flag已立，一起出发。 成长，是与自己的漫长对话 个人发展篇 我的2026新年Flag：聚焦于前沿科技领域的深度学习与认知升级，为未来的投资布局打下坚实基 础。具体计划如下： 1、深耕六大前沿领域：重点针对商业航天、脑机接口、人工智能、具身智能、量子技术、可控核 聚变这六大方向进行系统性学习。 ○ 学习指标： 每个领域至少完成1-2门专业课程，精读2-3本专业书籍。 ○ 核心目标： 建立起对这些硬科技行业的底层逻辑理解及投资分析架构。 2、拓展行业人脉：主动链接行业内优秀人才，通过交流碰撞，获取一手行业洞见。 你的每一步，都在塑造未来的自己。愿你在自己的节奏里，埋首耕耘，抬头看路。 @梁康乐 @希望 在难的时候 ...

Quantitative Models and Construction Methods 1. Model Name: GAN_GRU - **Model Construction Idea**: The GAN_GRU model combines Generative Adversarial Networks (GAN) for feature generation and Gated Recurrent Unit (GRU) for time-series feature encoding to construct a stock selection factor[4][13][14] - **Model Construction Process**: 1. **GAN Component**: - The generator (G) learns the real data distribution and generates realistic samples from random noise \( z \) (Gaussian or uniform distribution). The generator's loss function is: $$ L_{G} = -\mathbb{E}_{z\sim P_{z}(z)}[\log(D(G(z)))] $$ where \( D(G(z)) \) represents the discriminator's probability of classifying generated data as real[24][25][26] - The discriminator (D) distinguishes real data from generated data. Its loss function is: $$ L_{D} = -\mathbb{E}_{x\sim P_{data}(x)}[\log D(x)] - \mathbb{E}_{z\sim P_{z}(z)}[\log(1-D(G(z)))] $$ where \( D(x) \) is the probability of real data being classified as real, and \( D(G(z)) \) is the probability of generated data being classified as real[27][29][30] - GAN training alternates between optimizing \( G \) and \( D \) until convergence[30] 2. **GRU Component**: - Two GRU layers (GRU(128, 128)) are used to encode time-series features, followed by a Multi-Layer Perceptron (MLP) with layers (256, 64, 64) to predict returns. The final output \( pRet \) is used as the stock selection factor[22] 3. **Feature Input and Processing**: - Input features include 18 price-volume characteristics (e.g., closing price, turnover, etc.) sampled over the past 400 days, with a shape of \( 40 \times 18 \) (40 days of features)[18][19][37] - Features undergo outlier removal, standardization, and cross-sectional normalization[18] 4. **Training Details**: - Training-validation split: 80%-20% - Semi-annual rolling training (June 30 and December 31 each year) - Hyperparameters: batch size equals the number of stocks, Adam optimizer, learning rate \( 1e-4 \), IC loss function, early stopping (10 rounds), max training rounds (50)[18] 5. **Stock Selection**: - Stocks are filtered to exclude ST stocks and those listed for less than six months[18] - **Model Evaluation**: The GAN_GRU model effectively captures price-volume time-series features and demonstrates strong predictive power for stock returns[4][13][22] --- Model Backtesting Results 1. GAN_GRU Model - **IC Mean**: 0.1119*** (2019-2025)[4][41] - **ICIR (non-annualized)**: 0.89[42] - **Turnover Rate**: 0.83X[42] - **Recent IC**: 0.0331*** (December 2025)[4][41] - **1-Year IC Mean**: 0.0669***[4][41] - **Annualized Return**: 37.40%[42] - **Annualized Volatility**: 23.39%[42] - **IR**: 1.60[42] - **Maximum Drawdown**: 27.29%[42] - **Annualized Excess Return**: 22.42%[4][42] --- Quantitative Factors and Construction Methods 1. Factor Name: GAN_GRU Factor - **Factor Construction Idea**: The GAN_GRU factor is derived from the GAN_GRU model, leveraging GAN for price-volume feature generation and GRU for time-series encoding[4][13][14] - **Factor Construction Process**: - The GAN generator processes raw price-volume time-series features (\( Input\_Shape = 40 \times 18 \)) and outputs transformed features with the same shape (\( Input\_Shape = 40 \times 18 \))[37] - The GRU component encodes these features into a predictive factor for stock selection[22] - The factor undergoes industry and market capitalization neutralization and standardization[22] - **Factor Evaluation**: The GAN_GRU factor demonstrates robust performance across various industries and time periods, with significant IC values and excess returns[4][41] --- Factor Backtesting Results 1. GAN_GRU Factor - **IC Mean**: 0.1119*** (2019-2025)[4][41] - **ICIR (non-annualized)**: 0.89[42] - **Turnover Rate**: 0.83X[42] - **Recent IC**: 0.0331*** (December 2025)[4][41] - **1-Year IC Mean**: 0.0669***[4][41] - **Annualized Return**: 37.40%[42] - **Annualized Volatility**: 23.39%[42] - **IR**: 1.60[42] - **Maximum Drawdown**: 27.29%[42] - **Annualized Excess Return**: 22.42%[4][42] 2. Industry-Specific Performance - **Top 5 Industries by Recent IC (October 2025)**: - Social Services: 0.4243*** - Coal: 0.2643*** - Environmental Protection: 0.2262*** - Retail: 0.1888*** - Steel: 0.1812***[4][41][42] - **Top 5 Industries by 1-Year IC Mean**: - Social Services: 0.1303*** - Steel: 0.1154*** - Non-Bank Financials: 0.1157*** - Retail: 0.1067*** - Building Materials: 0.1017***[4][41][42] 3. Industry-Specific Excess Returns - **Top 5 Industries by December 2025 Excess Returns**: - Banking: 4.30% - Real Estate: 3.51% - Environmental Protection: 2.18% - Retail: 1.76% - Machinery: 1.71%[2][45] - **Top 5 Industries by 1-Year Average Excess Returns**: - Banking: 2.12% - Real Estate: 1.93% - Environmental Protection: 1.50% - Retail: 1.46% - Machinery: 1.23%[2][46]