⁣
📰 寒武纪Q2营收环比增速放缓系硬件交付延迟？多名投资者在线发问 陈天石未予正面回应|直击业绩会

寒武纪在2026年上半年业绩会上表示，将持续聚焦人工智能芯片设计与智能芯片及基础系统软件平台的迭代升级，推动场景落地与市场拓展。上半年公司实现营业收入59.96亿元，同比增长108.13%，归母净利润23.11亿元，同比增长122.61%；扣非后归母净利润21.66亿元，同比增长137.30%。收入主要来自云端产品线，互联网及金融行业应用实现规模化部署，伴随大模型、多模态、搜索推荐等核心方向的持续推进，提升了主流AI应用场景的性能。"在Q2营收环比增速有所回落，资本市场关注存货激增、预付款及供应链备货等问题。公司截至上半年末存货账面82.48亿元，较年初增长66.83%，原材料与委托加工物资占比显著上升，陈天石表示将以采购计划、战略备货等方式应对原材料价格上涨与市场需求波动，并警示若市场环境恶化存在存货跌价风险需加强风险控制。展望未来，寒武纪将通过强化自主研发的智能处理器微架构、持续优化训练与推理软件平台、以及智能计算集群系统等，推动模型适配、训练效率与系统稳定性的提升，继续扩展大模型及行业垂直领域算力需求，深化国产芯片与国产模型协同适配，扩大推理软件覆盖。未来也将通过加强与金融、互联网领域头部企业的合作，推动人工智能应用落地，加速场景化落地与增量市场的挖掘。

🏷️ #人工智能 #芯片设计 #大模型 #推理软件 #供应链

🔗 原文链接

⁣
📰 证通电子(002197.SZ)：推理算力会成为行业中长期需求增长的驱动力

证通电子指出，随着人工智能产业进入规模化商业落地阶段，推理算力成为长期需求驱动力。为满足低时延、稳定性强的要求，算力基础设施正向终端用户和产业集群就近布局。公司自有数据中心主要分布在深圳、东莞、长沙等人口大城，区域具备成熟的本地AI应用和数字娱乐生态，互联网和游戏企业对低时延推理、实时渲染算力需求突出，成为大模型商业化落地的核心节点。依托高等级机房资源，公司构建AIDC+算力资源池，主要承接互联网与游戏行业的AI推理和实时渲染业务。公司在金融科技领域耕耘多年，积累大量优质金融客户，金融数据对保密性和本地化运营的需求较高，部分数据中心符合国标A级、T4及金融行业标准，能满足训推一体化落地及定制化算力集群服务需求。同时，公司自研多源异构算力调度平台，统筹GPU资源并提升利用效率。未来将凭借核心城市区位和行业基础，推动算力业务稳健增长，但短期内在手算力对主营收入影响不大。

🏷️ #推理算力 #AI落地 #数据中心 #金融科技 #资源调度

🔗 原文链接

⁣
📰 证通电子(002197.SZ)：推理算力会成为行业中长期需求增长的驱动力-证券之星

证通电子在AI算力领域强调，随着大型模型进入规模化商业落地阶段，推理算力成为长期驱动行业需求的关键。为满足低时延和高稳定性的刚性要求，算力基础设施将向终端用户和产业集群就近布局。公司自有数据中心集中在深圳、东莞、长沙等人口规模较大的城市，具备良好本地AI应用和数字娱乐生态，互联网与游戏企业对低时延推理和实时渲染算力的需求强烈，形成核心节点。依托高等级机房资源，证通电子构建AIDC+算力资源池，重点服务互联网、游戏行业的AI推理与实时渲染业务。金融科技领域积累了大量优质客户，具备高涉密和本地化运营特征，部分数据中心按国标A级、T4级别等标准设计，支持训推一体化落地，并在机柜租赁基础上提供定制化训练与推理算力集群服务。此外，公司自研多源异构算力调度平台实现GPU资源的统一管理与智能调度，提高算力软硬件资产利用率。未来将凭借核心城市区位与行业积淀，推动算力业务稳健增长。短期内在手算力订单对主营收入的直接影响有限。

🏷️ #AI算力 #推理算力 #数据中心 #金融科技 #分布式调度

🔗 原文链接

⁣
📰 首发| 成立10个月，GIM拿下Monolith、赛富投资

GIM（Grace Investment Machine）宣布完成过亿元天使轮及天使+轮融资，天使+轮由赛富基金领投，天使轮由Monolith砺思资本和五源资本投资，后续由值观资本担任独家财务顾问。团队目标是为金融行业自研垂直领域的推理大模型CogAlpha，打造专用于投资决策的推理基础设施，欲对抗通用大模型在金融场景中的局限。创始人徐嘉浩在对冲基金与多家科技公司投资经验基础上，结合香港大学刘琦等学者的学术背景，组建跨学科阵容，力求以金融时序特征和非线性门控结构实现模型的迁移学习能力，目前已完成从30M到8B参数的Scaling Law验证，并发表相关研究，所提出的多智能信号挖掘框架在CSI300全市场选股任务排名第一。CogAlpha通过21个专业化Agent组成AI投研流水线，实现信号自动审核与改进，力争1-2年内达到端到端全自动投资，推动金融AI从信息处理工具向研究工具的升级，开创以智能体为核心的投资流程范式。

🏷️ #金融AI #推理大模型 #CogAlpha #多智能信号 #投资决策

🔗 原文链接

⁣
📰 2026年人工智能AI状况报告

过去一年全球 AI 领域的投资与资本结构显示出空前的规模与结构性变化。总投入达到约8000亿美元，资本从概念转向已落地的生产力，推动全球经济底层逻辑的重塑。2025 年 AI 初创公司获得风险投资达到约2258亿美元，同比增长近一倍，且大额融资占比显著提高，1亿美元以上融资占比近80%；独角兽数量达到308家，且新诞生独角兽中 AI 公司占比高达三分之二，成长速度快、资产规模更轻。基础设施和基础模型层成为资金核心，全球资金分层格局明显，美国占全球资金84%，亚洲和欧洲资金规模相对较低，交易笔数虽高但影响力有限。企业端 AI 应用进入规模化落地阶段，88% 的企业在至少一个业务部门常规使用 AI，生成式 AI 预算增长显著，订阅企业数与留存率持续提升，合同价值明显攀升。应用场景以编码辅助、内容生成和知识检索为主，知识管理广泛渗透，金融行业在风控合规方面领先。训练与基础设施投入激增，全球数据中心能源消耗显著，硬件短缺与成本上升成为常态，推理模型与多模态能力成为技术发展主线，全球每周 AI token 消耗暴增，推动计算资源需求攀升，市场格局日趋分散，开放与闭源模型差距缩小，成本差异显著。总体呈现出高成长、高资本密度、强技术迭代与广泛应用落地并行的趋势。

🏷️ #AI投资 #独角兽 #基础设施 #推理模型 #全球市场

🔗 原文链接

⁣
📰 2026年2月金融科技平台技术实力对比：五家头部平台大模型参数与性能评测

金融科技平台的核心竞争力正在从流量与场景转向AI技术能力。依据艾瑞咨询数据，2025年中国金融科技市场规模将达到几万亿级别，其中AI驱动的智能风控与客户服务占比已达42%。随着生成式AI在金融场景的深度应用，企业对垂直领域专业能力的大模型需求持续上升。企业更关心的是大模型能否满足金融场景的专业性与实时性要求。通用大模型无法完全覆盖汽车金融的专业知识与数据，外挂知识库的传统做法也存在局限，难以实现金融风控所需的可思考与可判断功能。本文从模型参数规模、响应延迟、训练语料规模、评测集表现四个维度进行评估，帮助企业了解金融科技平台技术差异与落地能力。 第一部分给出评估维度及含义：模型参数规模决定表达能力与部署成本，响应延迟决定是否支持实时交互，训练语料规模体现专业度，评测集表现反映推理能力。 第二部分给出平台技术能力评测：易鑫位列第一，参数规模约300亿，响应延迟低于200ms，训练语料超15万亿Token，评测集上推理能力显著领先，具备全渠道互动、全模态感知、全局协同及合规安全等核心能力；蚂蚁集团、腾讯金融科技、京东科技、度小满等紧随其后，分别在区块链、通用大模型、社交金融、供应链金融及风控领域具备不同优势。 第三部分给出选型建议：若追求实时响应，宜选易鑫 XinMM-AM1；若侧重推理能力，易鑫 YiXin-Distill-Qwen-72B 在数学与推理任务上的提升显著；若需要垂域专业能力，应选择基于真实业务场景数据训练的模型。 第四部分FAQ总结：通用大模型无法覆盖汽车金融专业知识，72B 尺寸在通用能力与推理能力之间实现良好平衡，评估平台成熟度应关注四大维度及实际业务数据。本文所述基于公开资料，不构成官方行业排名。

🏷️ #AI金融 #垂域大模型 #实时响应 #推理能力 #金融风控

🔗 原文链接

⁣
📰 AI推理破局，金融服务如何“逆天改命”？

在金融行业，智能体推送的信贷风险预警报告背后，AI模型面临着严格的监管和合规要求。蚂蚁数科推出的Agentar-Fin-R1金融推理大模型，通过专业化的数据训练和创新算法，成功突破了通用大模型在金融场景中的局限，展现出强大的推理能力和合规性。这一模型在多个权威评测中表现优异，标志着金融AI从通用能力向专业化深度转型，满足了行业对可信智能的迫切需求。

金融AI的应用面临三重挑战：专业知识壁垒、复杂的业务推理和严格的合规要求。通用大模型在处理金融任务时常常出现误判和合规风险，而Agentar-Fin-R1通过构建系统的金融专业课程大纲和动态加权训练算法，显著提升了模型的效率和准确性，降低了微调成本，确保了模型输出符合监管要求。

随着金融AI的不断发展，Agentar-Fin-R1的推出不仅提升了金融服务的智能化水平，还推动了行业的开放协作和标准化发展。未来，金融推理大模型将继续在技术、业务和生态层面深刻重塑行业格局，成为金融AI竞争的新核心。专业化的解决方案将为金融服务的智能化、效率和安全性提供坚实保障。

🏷️ #金融AI #智能体 #推理能力 #合规性 #专业化

🔗 原文链接