Core Insights - The conference highlighted the evolution of AI in quantitative investment, emphasizing the impact of technologies like AlphaGo and ChatGPT on the industry [1][2] - AI's integration into quantitative investment is seen as a transformative force, but it still requires human expertise for optimal results [1][9] Group 1: AI and Quantitative Investment Evolution - The introduction of AlphaGo in 2016 marked a significant shift in the perception of AI's capabilities, leading to increased interest in applying AI to quantitative investment [1][2] - The development of AlphaZero demonstrated AI's ability to achieve superior performance through self-training, aligning with the data-driven decision-making core of quantitative investment [2] - The emergence of ChatGPT has further reshaped human-computer interaction, facilitating advancements in the quantitative investment sector [1][7] Group 2: Machine Learning in Quantitative Investment - Machine learning has penetrated the entire quantitative investment process, addressing efficiency and adaptability challenges of traditional models [3] - AI technologies are being applied across various scenarios, enhancing the stability and effectiveness of quantitative strategies through advanced data analysis [3][4] - Reinforcement learning has introduced new frameworks for portfolio optimization, allowing for dynamic market adaptation [3] Group 3: The Triad of AI and Quantitative Investment - The successful integration of AI in quantitative investment relies on a triad of data, computing power, and algorithms, which support and iterate together [5] - Current data resources encompass diverse, high-precision datasets, providing ample training material for models [5] Group 4: Challenges in AI-Driven Quantitative Investment - The industry faces challenges such as strategy homogeneity, model overfitting, and the need for improved resilience against extreme market events [8] - Balancing innovation with stability is a new challenge for the industry, as firms must navigate the complexities of AI integration [6][8] Group 5: Human-Machine Collaboration - The optimal approach for AI in quantitative investment is through human-machine collaboration, where AI assists rather than replaces human expertise [9][10] - This collaboration allows for the combination of AI's data processing capabilities with human intuition and risk assessment, enhancing overall investment strategies [10] - The future of AI in quantitative investment is expected to focus on systems that seamlessly integrate human insight with machine efficiency, leading to more sustainable alpha generation [10]

作为机器学习领域的顶级会议， ICLR 2026 将于 2026 年 4 月 23 日至 27 日在巴西里约热内卢举行。官方今年收到了有效投稿约 19000 篇，总录取率约为 28%，该 录取率涵盖了所有经过同行评审的完整论文投稿，无论其是否撤稿。 网友晒出成绩单 录用通知一出来，网友们也坐不住了。社交平台上，很快被各种成绩单刷屏： | 11894 Optimal Sparsity of Mixture-of-Experts | 4 Official Reviews Submitted | ICLR 2026 Conference Submission | | --- | --- | --- | | Language Models for Reasoning Tasks | Reviewer fnio: Rating: 8 / Confidence: 4 | Recommendation: | | L Download PDF | Read Official Review | | | | Reviewer tKtK: Rating: 6 / Confidence: 3 | Accept | | Taishi ...

凤凰网科技讯 北京时间1月27日，百度CEO李彦宏接受了美国《时代》杂志的专访，谈到了百度在AI领 域的发展历程。李彦宏表示，他甚至不相信存在所谓的通用人工智能(AGI)，没有一个模型能够"面面俱 到"，OpenAI不行，谷歌也做不到。在模型发展上，中国落后的没那么多。 在百度北京庞大总部入口大厅的墙上，悬挂着一块镶嵌着金色数字"1417"的小木牌。这个数字取自北大 对面的一间宾馆房间。正是在那里，李彦宏于2000年创立了这家市值500亿美元的公司。 问：你在2000年创办百度时，有没有预料到AI能在今天发挥如此重要作用？ 李彦宏：没有。当时我创办百度时，我意识到互联网将在中国成为一件大事，而搜索技术对于中国互联 网的发展非常重要。但我当时并没有把AI和搜索引擎联系起来。大约在2010年，我们意识到机器学习 (AI的一个分支)开始在搜索结果排名中发挥作用。我们大约在那时开始投资AI，以便研究有多少人会点 击某个链接。随后在2012年，我们意识到深度学习将变得非常重要。它识别图像的精确度远超上一代技 术。百度对AI的实质性大规模投资，正是从2012年左右开始的。 问：你曾提到，去年在将AI融入社会和经济各个领域 ...

企业数据备份和恢复软件是一种为企业提供数据保护、备份、恢复与灾难恢复解决方案的软件系统。它 通过定期或实时备份企业重要的文件、数据库、虚拟机、应用数据等，确保在数据丢失、硬件故障、网 络攻击或自然灾害等突发事件后，能够迅速恢复业务的连续性与数据完整性。企业级备份系统支持多种 存储方式，如本地、远程、云端和混合云模式，并集成了自动化恢复功能，以最小化系统停机时间。此 类软件还提供高级别的安全功能，包括加密、防勒索软件保护、自动合规检查等，帮助企业满足法规和 行业标准要求。2025年全球企业数据备份和恢复软件毛利率约60%-80%。 Veeam，Veritas Technologies，Commvault，Acronis，Kaseya（Unitrends），Datto，Netapp，Code42等 是全球数据备份和恢复软件市场的主要开发商。 前10名在2025年占据了全球市场的55％。美国是最大 的地区，占全球市场的约43％，而欧洲和中国分别约为25.7％，6.7％。在当前数字化转型浪潮下，数据 已成为企业最核心的资产之一，数据备份和恢复软件的重要性持续提升。随着企业业务系统、云应用与 边缘计算环境的快速扩展，数 ...

美国总统特朗普的新《国家安全战略》对长期被视为美国最可靠盟友的欧洲给出了一个错误评估。该战 略警告说，不受约束的移民以及其他被其政府官员讥为"觉醒主义"的政策可能在数十年内致使欧洲"文 明消亡"。 欧盟确实面临生存威胁，但这与移民或文化政治几乎毫无关联。 第二，欧洲受制于过度且碎片化的监管。美国初创企业仅需遵循单一监管框架即可推出产品并立即触达 一个拥有逾3.3亿消费者的市场，而拥有约4.5亿人口的欧盟却仍被分割为27个国家监管体系。国际货币 基金组织的一项分析显示，欧盟的内部市场壁垒对商品和服务的实际阻碍分别相当于44%和110%的关 税，远高于美国对多数进口商品征收的关税水平。 第三，两者对风险承担的文化态度存在显著差异。直到前几年某些欧盟国家（如意大利）的创业失败者 还可能面临刑事处罚；而在美国，一位从未失败过的科技创始人反倒会被视为过于保守。 第四，美国受益于一个深度融合的学术-军事-工业复合体系，而欧洲国防投入的长期不足则削弱了其创 新能力。美国、中国、以色列及近年崛起的乌克兰等技术强国均在国防领域投入巨资，而这类研究时常 可以催生出可供民用的技术成果。 尽管如此，许多欧洲政治领导人依然将增加国防开 ...

来源：市场资讯 国家知识产权局信息显示，万事达卡国际公司申请一项名为"预测存储在区块链中的数字货币的交易是 否是欺诈性的"的专利，公开号CN121399638A，申请日期为2024年5月。 声明：市场有风险，投资需谨慎。本文为AI基于第三方数据生成，仅供参考，不构成个人投资建议。 专利摘要显示，一种计算机实现的使用机器学习处理训练模型以预测存储在区块链中的数字货币的交易 是否是欺诈性的方法包括：获得（202）数字货币的第一资金的第一交易的交易数据，其中所述交易数 据还包括与所述第一交易之前的所述第一资金的第二交易相关的信息。所述方法还包括根据所述第一交 易是否是欺诈性的对所述第一交易的所述交易数据进行标注（204）以及使用（206）所述交易数据和标 注作为训练所述模型的训练数据。 ...

机器之心编辑部 刚刚，美国计算机协会 ACM（Association for Computing Machinery）公布了最新一届会士名单。 本年度新入选科学家中共有 71 人，他们的贡献涉及计算机图形学、网络安全、人机交互、数据管理、机器 学习、人工智能、算法、可视化等领域。 ACM 主席 Yannis Ioannidis 表示：这份入选名单代表了「我们领域当前正在发生的事情的快照。例如，今年 我们要表彰在计算机架构和软件工程等成熟学科工作的成员，以及在群体智能或场景识别等新兴学科的创 新者。」 机器之心对这些华人入选者进行了简单介绍（如有遗漏或错误，欢迎在留言区指正）。 Pei Cao ACM 创立于 1947 年，是全世界计算机领域影响力最大的专业学术组织之一。 ACM Fellow 是由该组织授予资深会员的荣誉，目的为表彰会员中对于计算机相关领域贡献前 1% 的学者， 其审查过程十分严格，每年遴选一次，研究员由同行提名，提名由委员会审查。 Pei Cao 是一位在业界极具影响力和知名度的技术专家与工程领导者。她曾先后在多家信息技术巨头任职， 包括谷歌和脸书，目前担任 YouTube 公司的工程副总裁 ...

Group 1 - The HuRun Research Institute released the "2025 HuRun Future Unicorn: Global Gazelle Enterprises List," identifying 819 high-growth companies likely to reach a billion-dollar valuation within three years, marking a 19% increase from 688 two years ago [1] - China ranks second with 278 gazelle companies, an increase of 20 from the previous year, representing 34% of the global total [1] - Among the new entrants, 206 are first-time appearances, with 29 in fintech, 28 in artificial intelligence, and 15 each in SaaS and robotics, with the US contributing 64 and China 55 [1] Group 2 - Since 2019, the number of HuRun gazelles in China has nearly quadrupled from 70 to 278, with 55 new faces and 26 upgrades in the past year [2] - Artificial intelligence is transforming various industries, with 71 gazelle companies leveraging AI for efficiency, innovation, and growth [2] - In healthcare, AI aids in diagnostics and personalized medicine, while in finance, it is used for fraud detection and risk management; retail benefits from AI-driven personalization, and manufacturing utilizes AI for automation and quality control [2]

Group 1 - The State Intellectual Property Office of China shows that China National Petroleum Corporation (CNPC) has applied for a patent titled "A Method and Device for Constructing Sedimentary Cycle Identification Models and Predicting Reservoirs," with publication number CN121350605A and an application date of July 2024 [1] - The patent describes a method for constructing sedimentary cycle identification models, which includes obtaining training and validation datasets from a pre-established sample dataset that contains geological feature data and sedimentary cycle labels for various well sections [1] - The method utilizes a machine learning model to predict sedimentary cycles based on geological feature data, aiming to accurately identify self-cycles and other cycles in geological formations, thereby improving the accuracy of reservoir predictions [1] Group 2 - China National Petroleum Corporation was established in 1999 and is located in Beijing, primarily engaged in oil and gas extraction [2] - The company has a registered capital of 18,302,097,000 RMB and has made investments in 1,296 enterprises, participated in 443 bidding projects, and holds 5000 patent records along with 38 trademark records [2] - Additionally, CNPC possesses 168 administrative licenses, indicating a significant operational footprint in the industry [2]

简而言之，数据投毒是指以某种方式改变用于构建机器学习模型的训练数据，从而改变模型的行为。这 种影响仅限于训练过程，一旦模型被篡改，损害就无法挽回。模型将出现不可逆转的偏差，甚至可能完 全失效，唯一的真正解决办法是使用干净的数据重新训练模型。 你知道你的数据都去了哪里吗？ 数据是机器学习乃至人工智能运行不可或缺的重要组成部分，尽管它有时会被忽视。生成式人工智能公 司正在全球范围内搜寻更多数据，因为构建模型需要大量的原始数据。任何构建或调整模型的人都必须 首先收集大量数据才能开始。 然而，这种现实也带来了一些相互冲突的激励机制。保护数据的质量和真实性是安全的重要组成部分， 因为这些原始数据将决定您提供给用户或客户的机器学习模型的成败。不法分子可以策略性地在您的数 据集中插入、修改或删除数据，而您可能根本察觉不到这些操作，但这些操作会系统性地改变模型的行 为。 与此同时，艺术家、音乐家和作家等创作者正与猖獗的版权侵权和知识产权盗窃行为进行着一场旷日持 久的斗争，而这些侵权行为主要来自那些需要更多数据来填充其庞大训练过程的生成式人工智能公司。 这些创作者正在寻求能够阻止或遏制这种盗窃行为的措施，而不是仅仅依赖往往行动 ...