385 lines
32 KiB
HTML
385 lines
32 KiB
HTML
<!DOCTYPE html>
|
||
<html lang="zh-CN" data-theme="night">
|
||
<head>
|
||
<meta charset="UTF-8">
|
||
<meta name="viewport" content="width=device-width, initial-scale=1.0">
|
||
<title>神经网络 - 深度概念解析</title>
|
||
<script src="https://cdn.tailwindcss.com"></script>
|
||
<link href="https://cdn.jsdelivr.net/npm/daisyui@4.10.1/dist/full.min.css" rel="stylesheet" type="text/css" />
|
||
<script defer src="https://cdn.jsdelivr.net/npm/alpinejs@3.x.x/dist/cdn.min.js"></script>
|
||
<script src="https://cdn.jsdelivr.net/npm/echarts@5.5.0/dist/echarts.min.js"></script>
|
||
<style>
|
||
@import url('https://fonts.googleapis.com/css2?family=Space+Grotesk:wght@300;400;500;700&display=swap');
|
||
body {
|
||
font-family: 'Space Grotesk', sans-serif;
|
||
background-color: #0a091e;
|
||
color: #e0e0e0;
|
||
overflow-x: hidden;
|
||
}
|
||
.glass-card {
|
||
background: rgba(20, 20, 40, 0.4);
|
||
backdrop-filter: blur(20px);
|
||
-webkit-backdrop-filter: blur(20px);
|
||
border: 1px solid rgba(255, 255, 255, 0.1);
|
||
box-shadow: 0 8px 32px 0 rgba(0, 0, 0, 0.37);
|
||
}
|
||
.glow-effect {
|
||
position: absolute;
|
||
width: 500px;
|
||
height: 500px;
|
||
border-radius: 50%;
|
||
opacity: 0.2;
|
||
filter: blur(100px);
|
||
z-index: -1;
|
||
}
|
||
.glow-1 {
|
||
background: radial-gradient(circle, rgba(138,43,226,1) 0%, rgba(75,0,130,0) 70%);
|
||
top: -150px;
|
||
left: -150px;
|
||
}
|
||
.glow-2 {
|
||
background: radial-gradient(circle, rgba(0,255,255,1) 0%, rgba(0,139,139,0) 70%);
|
||
bottom: -200px;
|
||
right: -200px;
|
||
}
|
||
.glow-3 {
|
||
background: radial-gradient(circle, rgba(255,20,147,1) 0%, rgba(139,0,0,0) 70%);
|
||
top: 50%;
|
||
left: 50%;
|
||
transform: translate(-50%, -50%);
|
||
opacity: 0.15;
|
||
}
|
||
.hero-title {
|
||
text-shadow: 0 0 10px rgba(0, 255, 255, 0.5), 0 0 20px rgba(138, 43, 226, 0.5);
|
||
}
|
||
h2, h3 {
|
||
text-shadow: 0 0 5px rgba(255, 255, 255, 0.2);
|
||
}
|
||
.bento-grid {
|
||
display: grid;
|
||
gap: 1rem;
|
||
grid-template-columns: repeat(auto-fit, minmax(300px, 1fr));
|
||
}
|
||
@media (min-width: 1024px) {
|
||
.bento-grid {
|
||
grid-template-columns: repeat(4, 1fr);
|
||
grid-auto-rows: minmax(180px, auto);
|
||
}
|
||
.grid-col-span-2 { grid-column: span 2; }
|
||
.grid-row-span-2 { grid-row: span 2; }
|
||
}
|
||
.table th, .table td {
|
||
border-color: rgba(255, 255, 255, 0.1);
|
||
}
|
||
</style>
|
||
</head>
|
||
<body class="min-h-screen relative">
|
||
<div class="glow-effect glow-1 animate-pulse"></div>
|
||
<div class="glow-effect glow-2 animate-pulse animation-delay-4000"></div>
|
||
<div class="glow-effect glow-3 animate-pulse animation-delay-2000"></div>
|
||
|
||
<div class="container mx-auto p-4 md:p-8 space-y-12">
|
||
<header class="text-center py-16">
|
||
<h1 class="text-5xl md:text-7xl font-bold hero-title mb-4 tracking-wider">神经网络</h1>
|
||
<p class="text-lg md:text-xl text-cyan-300">深度概念解析 | 赋能未来的数字大脑</p>
|
||
<div class="mt-4 text-xs text-gray-500">
|
||
<p>由 北京价值前沿科技有限公司 AI投研agent：“价小前投研” 进行投研呈现</p>
|
||
<p>本报告为AI合成数据，投资需谨慎。</p>
|
||
</div>
|
||
</header>
|
||
|
||
<main class="space-y-16">
|
||
<!-- Insight Section -->
|
||
<section class="glass-card rounded-3xl p-6 md:p-8" x-data="{ activeTab: 1 }">
|
||
<div class="tabs tabs-boxed bg-black/20 mb-6">
|
||
<a class="tab" :class="{'tab-active': activeTab === 1}" @click="activeTab = 1">核心洞察</a>
|
||
<a class="tab" :class="{'tab-active': activeTab === 2}" @click="activeTab = 2">产业链图谱</a>
|
||
<a class="tab" :class="{'tab-active': activeTab === 3}" @click="activeTab = 3">风险与挑战</a>
|
||
</div>
|
||
|
||
<div x-show="activeTab === 1" class="space-y-8">
|
||
<div>
|
||
<h2 class="text-3xl font-bold mb-4 text-cyan-200 border-l-4 border-cyan-400 pl-4">概念事件：多重催化，关注度达新高</h2>
|
||
<ul class="list-disc list-inside space-y-3 text-gray-300">
|
||
<li><strong>学术奠基与市场引爆 (2024年10月):</strong> John J. Hopfield和Geoffrey E. Hinton荣获诺贝尔物理学奖，迅速引爆资本市场，直接催生概念板块异动，深水海纳(300961)出现20CM涨停。</li>
|
||
<li><strong>技术突破与应用展示 (2024-2025年):</strong> 以Figure AI和特斯拉Optimus为代表的人形机器人，展示了“端到端”单一神经网络的革命性潜力，成为最具想象力的物理实体应用场景。</li>
|
||
<li><strong>硬件创新加速:</strong> 光计算/光芯片成为解决“功耗墙”和“内存墙”的新路径，麻省理工、清华大学等相继发布突破性成果。同时，国芯科技、华为等在专用处理器(NPU)领域加速迭代。</li>
|
||
<li><strong>金融领域深度应用 (2024-2025年):</strong> 多家券商密集发布基于TCN、GRU、GAT、Transformer等神经网络模型的量化投资策略，展示了其在金融领域的深度商业化落地。</li>
|
||
</ul>
|
||
</div>
|
||
<div>
|
||
<h2 class="text-3xl font-bold mb-4 text-cyan-200 border-l-4 border-cyan-400 pl-4">核心观点与市场认知</h2>
|
||
<p class="mb-4 text-gray-300">神经网络概念正经历从<strong>理论算法</strong>向<strong>物理世界应用</strong>和<strong>垂直领域深度商业化</strong>的关键跃迁。其核心驱动力源于“算法创新+硬件突破”的双轮驱动，未来潜力在于其作为“数字大脑”赋能人形机器人、自动驾驶等前沿实体产业，以及在金融等数字产业中持续创造超额价值。</p>
|
||
<div class="space-y-4">
|
||
<h3 class="text-xl font-semibold text-purple-300">核心驱动力：</h3>
|
||
<ul class="list-disc list-inside space-y-2 text-gray-400">
|
||
<li><strong>算法进化与融合:</strong> 以Transformer为代表的新架构及模型融合（如GRU+GAT）展现出优越性能。“端到端”单一神经网络成为机器人和自动驾驶领域追求的“圣杯”。</li>
|
||
<li><strong>硬件算力瓶颈突破:</strong> 专用处理器(NPU)和颠覆性的光计算/存算一体技术，正从根本上解决数据搬运的能耗问题，为更大规模网络提供算力基础。</li>
|
||
<li><strong>商业化场景牵引:</strong> 人形机器人提供了最具想象力的应用场景，而金融量化领域已形成清晰的商业闭环。</li>
|
||
</ul>
|
||
<h3 class="text-xl font-semibold text-purple-300">预期差分析：</h3>
|
||
<ul class="list-disc list-inside space-y-2 text-gray-400">
|
||
<li><strong>宏大叙事 vs. 现实应用:</strong> 市场聚焦人形机器人等宏大叙事，但A股公司应用多集中在工业缺陷检测、故障预警等“朴素”领域，存在显著预期差。</li>
|
||
<li><strong>“端到端”理想 vs. “黑盒”风险:</strong> 市场推崇“端到端”模型，但其可解释性差和高算力需求的挑战被低估，尤其在安全要求高的领域。</li>
|
||
<li><strong>概念关联纯粹性:</strong> 市场热捧间接、非控股关联概念的公司（如禾盛新材），可能忽略了业务关联的紧密度和业绩兑现的确定性。</li>
|
||
</ul>
|
||
</div>
|
||
</div>
|
||
<div>
|
||
<h2 class="text-3xl font-bold mb-4 text-cyan-200 border-l-4 border-cyan-400 pl-4">关键催化剂与未来发展路径</h2>
|
||
<div class="grid md:grid-cols-2 gap-6">
|
||
<div>
|
||
<h3 class="text-xl font-semibold text-purple-300 mb-2">近期催化剂 (3-6个月)</h3>
|
||
<ul class="list-decimal list-inside space-y-2 text-gray-400">
|
||
<li><strong>Figure AI 机器人商业化进展:</strong> 真实工业场景的部署情况将是验证“端到端”模型商业价值的关键。</li>
|
||
<li><strong>光计算/NPU芯片量产消息:</strong> 关注清华“太极-II”或国芯科技、紫光国微新一代NPU的规模化量产。</li>
|
||
<li><strong>特斯拉FSD或Optimus重大更新:</strong> 马斯克的下一次发布会若展示超预期能力，将再次点燃市场情绪。</li>
|
||
<li><strong>特定模型应用的标杆案例:</strong> 如申昊科技的“玻尔兹曼机”技术若取得显著成果，将带动对特定模型的关注。</li>
|
||
</ul>
|
||
</div>
|
||
<div>
|
||
<h3 class="text-xl font-semibold text-purple-300 mb-2">长期发展路径</h3>
|
||
<ul class="list-disc list-inside space-y-2 text-gray-400">
|
||
<li><strong>短期 (1-2年):</strong> 在金融量化和特定工业场景持续深化，NPU在终端设备渗透率大幅提升。</li>
|
||
<li><strong>中期 (3-5年):</strong> “端到端”模型在限定场景商用机器人和L4/L5自动驾驶中逐步落地，光计算或出现商业化试点。</li>
|
||
<li><strong>长期 (5年以上):</strong> 通用人形机器人进入部分商业和家庭环境，与生物脑科学的交叉研究可能催生全新网络架构。</li>
|
||
</ul>
|
||
</div>
|
||
</div>
|
||
</div>
|
||
</div>
|
||
|
||
<div x-show="activeTab === 2" class="space-y-8">
|
||
<h2 class="text-3xl font-bold mb-4 text-cyan-200 border-l-4 border-cyan-400 pl-4">产业链图谱与核心公司剖析</h2>
|
||
<div class="overflow-x-auto">
|
||
<ul class="timeline timeline-vertical lg:timeline-horizontal">
|
||
<li>
|
||
<div class="timeline-start timeline-box glass-card">
|
||
<h4 class="font-bold text-lg text-purple-300">上游：基础理论与硬件支撑</h4>
|
||
<p class="text-sm text-gray-400"><strong>基础研究:</strong> 高校与科研机构 (诺奖得主、清华、天大等)。</p>
|
||
<p class="text-sm text-gray-400"><strong>算力硬件:</strong></p>
|
||
<ul class="list-disc list-inside pl-4 text-xs">
|
||
<li>芯片/处理器: <strong>国芯科技</strong> (RISC-V NPU), <strong>紫光国微</strong> (特种AI芯片), <strong>华为</strong> (达芬奇NPU)</li>
|
||
<li>前沿硬件: 光计算芯片、存算一体</li>
|
||
</ul>
|
||
</div>
|
||
<hr class="bg-cyan-400"/>
|
||
</li>
|
||
<li>
|
||
<hr class="bg-cyan-400"/>
|
||
<div class="timeline-middle">
|
||
<svg xmlns="http://www.w3.org/2000/svg" viewBox="0 0 20 20" fill="currentColor" class="h-5 w-5 text-cyan-400"><path fill-rule="evenodd" d="M9.965 1.026a.75.75 0 01.07.025l8.5 4.5a.75.75 0 010 1.348l-8.5 4.5a.75.75 0 01-.815-.025L1.5 7.849a.75.75 0 010-1.348l8.5-4.5a.75.75 0 01.315-.05z" clip-rule="evenodd" /><path fill-rule="evenodd" d="M1.5 9.349V14.25a1.5 1.5 0 001.5 1.5h14a1.5 1.5 0 001.5-1.5V9.349l-8.5 4.5a.75.75 0 01-.815-.025L1.5 9.349z" clip-rule="evenodd" /></svg>
|
||
</div>
|
||
<div class="timeline-end timeline-box glass-card">
|
||
<h4 class="font-bold text-lg text-purple-300">中游：模型算法与开发平台</h4>
|
||
<p class="text-sm text-gray-400"><strong>模型开发:</strong> 大型科技公司 (OpenAI, Google) 和研究机构。</p>
|
||
<p class="text-sm text-gray-400"><strong>平台/系统:</strong> <strong>神思电子</strong> (神思云脑), <strong>同花顺</strong> (金融AI平台)。</p>
|
||
</div>
|
||
<hr class="bg-cyan-400"/>
|
||
</li>
|
||
<li>
|
||
<hr class="bg-cyan-400"/>
|
||
<div class="timeline-start timeline-box glass-card">
|
||
<h4 class="font-bold text-lg text-purple-300">下游：行业应用与解决方案</h4>
|
||
<p class="text-sm text-gray-400"><strong>机器人/自动驾驶:</strong> 特斯拉, Figure AI。关联公司: <strong>固高科技</strong>。</p>
|
||
<p class="text-sm text-gray-400"><strong>工业/能源:</strong> <strong>泰尔股份</strong> (故障诊断), <strong>金自天正</strong> (控制算法), <strong>深水海纳</strong> (精确控制)。</p>
|
||
<p class="text-sm text-gray-400"><strong>安防/识别:</strong> <strong>恒锋信息</strong> (视频解析), <strong>申昊科技</strong> (图像识别-玻尔兹曼机)。</p>
|
||
<p class="text-sm text-gray-400"><strong>金融科技:</strong> 券商自建量化团队 (兴证、国金等)。</p>
|
||
</div>
|
||
<hr class="bg-cyan-400"/>
|
||
</li>
|
||
</ul>
|
||
</div>
|
||
<div>
|
||
<h3 class="text-xl font-semibold text-purple-300 mb-2">最具投资价值的细分环节</h3>
|
||
<ol class="list-decimal list-inside space-y-2 text-gray-300">
|
||
<li><strong>算力硬件层：</strong> 整个产业的“卖水人”，确定性最高。特别是NPU芯片设计公司和在光计算、存算一体等颠覆性技术上有实质性突破的企业。</li>
|
||
<li><strong>高壁垒应用层：</strong> 寻找那些利用神经网络解决了特定行业痛点，并建立了高技术或数据壁垒的公司。例如，将专有神经网络模型（如玻尔兹曼机）与特定行业know-how深度结合的企业。</li>
|
||
</ol>
|
||
</div>
|
||
</div>
|
||
|
||
<div x-show="activeTab === 3" class="space-y-8">
|
||
<h2 class="text-3xl font-bold mb-4 text-red-400 border-l-4 border-red-500 pl-4">潜在风险与挑战</h2>
|
||
<div class="grid md:grid-cols-2 gap-6">
|
||
<div class="glass-card rounded-2xl p-4">
|
||
<h3 class="text-xl font-semibold text-amber-300 mb-2">技术风险</h3>
|
||
<ul class="list-disc list-inside space-y-2 text-gray-400">
|
||
<li><strong>算力瓶颈:</strong> 路演明确提出“内存墙”和“功耗墙”是核心瓶颈，存算一体等颠覆性技术尚未规模化量产。</li>
|
||
<li><strong>模型本身缺陷:</strong> 量化路演反复提及过拟合风险和因子衰减问题。端到端模型存在“黑盒”不可解释性风险。</li>
|
||
<li><strong>自然 vs. 人工的差距:</strong> 诺奖得主指出，“大脑比人工神经网络更好、更高效”，暗示当前技术路线可能并非最优解。</li>
|
||
</ul>
|
||
</div>
|
||
<div class="glass-card rounded-2xl p-4">
|
||
<h3 class="text-xl font-semibold text-amber-300 mb-2">商业化风险</h3>
|
||
<ul class="list-disc list-inside space-y-2 text-gray-400">
|
||
<li><strong>成本高昂:</strong> 训练大规模神经网络需要巨大的算力和数据成本，限制了中小玩家的进入。</li>
|
||
<li><strong>落地场景有限:</strong> 除了金融和少数工业场景，能够支撑高成本并产生明确ROI的应用场景仍待发掘。</li>
|
||
</ul>
|
||
</div>
|
||
</div>
|
||
<div>
|
||
<h3 class="text-xl font-semibold text-amber-300 mb-2">信息交叉验证风险 (矛盾点)</h3>
|
||
<ul class="list-disc list-inside space-y-2 text-gray-400">
|
||
<li><strong>诺奖概念的精确性:</strong> 路演纪要指出“诺奖授予深度神经网络技术”为重大谬误，而市场普遍进行宽泛关联，反映出市场认知存在一定程度的“不求甚解”。</li>
|
||
<li><strong>合作关系的变动:</strong> FigureAI宣布与OpenAI停止合作转为自研，与早期市场认知形成反差，提示投资者需警惕巨头合作关系变化带来的风险。</li>
|
||
</ul>
|
||
</div>
|
||
</div>
|
||
|
||
</section>
|
||
|
||
<!-- Data Highlights Bento Grid -->
|
||
<section class="bento-grid">
|
||
<div class="glass-card rounded-3xl p-6 grid-col-span-2 grid-row-span-2">
|
||
<h2 class="text-2xl font-bold text-cyan-200 mb-4">新闻聚焦：机器人与诺奖引爆热点</h2>
|
||
<ul class="space-y-4 text-gray-300">
|
||
<li>
|
||
<p class="font-semibold">🤖 Figure AI & 特斯拉 Optimus</p>
|
||
<p class="text-sm text-gray-400">Figure机器人展示了完全依赖<strong>单个端到端神经网络</strong>完成复杂任务的能力，包括双机协作。创始人持续分享进展，并宣布与OpenAI停止合作，转向完全内部构建模型。特斯拉Optimus的神经网络规模据称比特斯拉自动驾驶更大。</p>
|
||
</li>
|
||
<li>
|
||
<p class="font-semibold">🏆 2024年诺贝尔物理学奖</p>
|
||
<p class="text-sm text-gray-400">授予John J. Hopfield和Geoffrey E. Hinton，表彰其利用人工神经网络实现机器学习的奠基性发现。获奖技术之一的<strong>玻尔兹曼机</strong>（申昊科技有应用）受到市场关注。</p>
|
||
</li>
|
||
<li>
|
||
<p class="font-semibold">💡 生物启发与基础研究</p>
|
||
<p class="text-sm text-gray-400">希腊科学家受生物神经元启发，开发出参数更少、能耗更低的新型神经网络。天津大学团队在神经网络信息处理核心机制——<strong>突触</strong>研究上取得突破。</p>
|
||
</li>
|
||
</ul>
|
||
</div>
|
||
<div class="glass-card rounded-3xl p-6 grid-col-span-2">
|
||
<h2 class="text-2xl font-bold text-cyan-200 mb-4">硬件前沿：光芯片与NPU加速迭代</h2>
|
||
<p class="text-sm text-gray-400 mb-4">为解决神经网络的“功耗墙”和“内存墙”问题，硬件创新成为关键。光计算和专用处理器(NPU)是两大主要路径。</p>
|
||
<ul class="space-y-2 text-gray-300">
|
||
<li><strong>✨ 光计算/光芯片:</strong> 麻省理工、宾夕法尼亚大学及清华大学（“太极-II”光训练芯片）相继发布在光芯片上执行和训练神经网络的突破性成果，有望从根本上解决数据搬运能耗。</li>
|
||
<li><strong>🧠 NPU (神经网络处理器):</strong> 华为自研达芬奇架构NPU、国芯科技基于RISC-V的CRV7AICPU、紫光国微的特种图像AI智能芯片等，通过专用架构大幅提升能效比。</li>
|
||
</ul>
|
||
</div>
|
||
<div class="glass-card rounded-3xl p-6 grid-col-span-2 grid-row-span-2">
|
||
<h2 class="text-2xl font-bold text-cyan-200 mb-2">路演精粹：量化金融的神经网络模型库</h2>
|
||
<p class="text-sm text-gray-400 mb-2">多家券商路演揭示了神经网络在量化投资中的深度应用，通过不同模型挖掘因子，提升策略表现。</p>
|
||
<div id="roadshow-chart" style="width: 100%; height: 250px;"></div>
|
||
</div>
|
||
<div class="glass-card rounded-3xl p-6 grid-col-span-2">
|
||
<h2 class="text-2xl font-bold text-cyan-200 mb-4">研报洞察：从架构到应用</h2>
|
||
<ul class="space-y-2 text-gray-300">
|
||
<li><strong>🌐 AI算力中心的“神经网络”:</strong> 研报将光通信系统比作AI算力中心的“神经网络”，强调其对大规模模型训练的重要性，指出通信性能是决定训练效率的关键。</li>
|
||
<li><strong>📈 PortfolioNet架构:</strong> 华泰研究提出的一种端到端神经网络架构，创新地将组合约束融入网络结构，实现“边预测边优化”，在指增策略上相比传统GRU模型有显著提升。</li>
|
||
</ul>
|
||
</div>
|
||
</section>
|
||
|
||
<!-- Stocks Table Section -->
|
||
<section class="glass-card rounded-3xl p-6 md:p-8">
|
||
<h2 class="text-3xl font-bold mb-6 text-cyan-200 text-center">关联个股全览</h2>
|
||
<div class="overflow-x-auto">
|
||
<table class="table table-zebra w-full">
|
||
<thead class="text-base text-cyan-300">
|
||
<tr>
|
||
<th>股票名称</th>
|
||
<th>股票代码</th>
|
||
<th>关联原因/逻辑</th>
|
||
</tr>
|
||
</thead>
|
||
<tbody>
|
||
<!-- Data from "神经网络(241009)" -->
|
||
<tr><td>思泰克</td><td><a href="https://valuefrontier.cn/company?scode=301568" target="_blank" class="link link-hover">301568</a></td><td>客户意图识别技术采用长短时记忆神经网络</td></tr>
|
||
<tr><td>智信精密</td><td><a href="https://valuefrontier.cn/company?scode=301512" target="_blank" class="link link-hover">301512</a></td><td>工业缺陷检测平台集成了神经网络模型</td></tr>
|
||
<tr><td>恒锋信息</td><td><a href="https://valuefrontier.cn/company?scode=300605" target="_blank" class="link link-hover">300605</a></td><td>基于神经网络构建视频内容解析系统</td></tr>
|
||
<tr><td>深水海纳</td><td><a href="https://valuefrontier.cn/company?scode=300961" target="_blank" class="link link-hover">300961</a></td><td>自主研发包含神经网络的精确控制系统模型，曾因诺奖事件20CM涨停</td></tr>
|
||
<tr><td>声迅股份</td><td>-</td><td>公司聚焦可变性卷积神经网络的应用</td></tr>
|
||
<tr><td>申昊科技</td><td><a href="https://valuefrontier.cn/company?scode=300853" target="_blank" class="link link-hover">300853</a></td><td>唯一实锤应用诺奖相关技术“玻尔兹曼机”，运用BP神经网络模型</td></tr>
|
||
<tr><td>泰尔股份</td><td><a href="https://valuefrontier.cn/company?scode=002347" target="_blank" class="link link-hover">002347</a></td><td>利用卷积神经网络和循环神经网络构建故障诊断模型</td></tr>
|
||
<tr><td>同花顺</td><td><a href="https://valuefrontier.cn/company?scode=300033" target="_blank" class="link link-hover">300033</a></td><td>金融AI平台，广泛应用神经网络技术</td></tr>
|
||
<tr><td>恒华科技</td><td><a href="https://valuefrontier.cn/company?scode=300365" target="_blank" class="link link-hover">300365</a></td><td>实现了神经网络在电力设计的创新应用</td></tr>
|
||
<tr><td>金自天正</td><td><a href="https://valuefrontier.cn/company?scode=600560" target="_blank" class="link link-hover">600560</a></td><td>少量订单项目涉及人工神经网络算法</td></tr>
|
||
<tr><td>汇纳科技</td><td><a href="https://valuefrontier.cn/company?scode=300609" target="_blank" class="link link-hover">300609</a></td><td>客流分析系统基于人工神经网络模型</td></tr>
|
||
<tr><td>神思电子</td><td><a href="https://valuefrontier.cn/company?scode=300479" target="_blank" class="link link-hover">300479</a></td><td>神思云脑构建大规模神经网络，与华为原生开发合作</td></tr>
|
||
<tr><td>恒银科技</td><td><a href="https://valuefrontier.cn/company?scode=603106" target="_blank" class="link link-hover">603106</a></td><td>神经网络技术有一定积累</td></tr>
|
||
<tr><td>宏达新材</td><td>-</td><td>量子随机数发生器可用于神经网络计算</td></tr>
|
||
<tr><td>固高科技</td><td><a href="https://valuefrontier.cn/company?scode=301510" target="_blank" class="link link-hover">301510</a></td><td>工业机器人系统采用神经网络技术</td></tr>
|
||
<tr><td>兴民智通</td><td><a href="https://valuefrontier.cn/company?scode=002355" target="_blank" class="link link-hover">002355</a></td><td>拥有基于LSTM神经网络的专利</td></tr>
|
||
<!-- Data from "涨幅分析补充" -->
|
||
<tr><td>道氏技术</td><td><a href="https://valuefrontier.cn/company?scode=300409" target="_blank" class="link link-hover">300409</a></td><td>研发轻量化技术，用量化神经网络取代连续神经网络</td></tr>
|
||
<tr><td>禾盛新材</td><td><a href="https://valuefrontier.cn/company?scode=002290" target="_blank" class="link link-hover">002290</a></td><td>因国联证券研报提及参股NPU(神经网络处理器)公司熠知电子而上涨</td></tr>
|
||
<tr><td>星网宇达</td><td><a href="https://valuefrontier.cn/company?scode=002829" target="_blank" class="link link-hover">002829</a></td><td>上涨原因涉军工AI，提及机器视觉和神经网络等现代技术应用</td></tr>
|
||
<tr><td>锐捷网络</td><td><a href="https://valuefrontier.cn/company?scode=301165" target="_blank" class="link link-hover">301165</a></td><td>AI服务器的网络交换机被比作连接服务器的“神经网络”和“高速公路”</td></tr>
|
||
<tr><td>兴图新科</td><td><a href="https://valuefrontier.cn/company?scode=688081" target="_blank" class="link link-hover">688081</a></td><td>被研报称为打造“AI指挥控制神经网络”和“无人装备AI大脑”</td></tr>
|
||
<tr><td>久其软件</td><td><a href="https://valuefrontier.cn/company?scode=002279" target="_blank" class="link link-hover">002279</a></td><td>华为AI新技术可提升NPU(神经网络处理器)等算力利用率，久其作为AI应用端受益</td></tr>
|
||
<tr><td>宗申动力</td><td><a href="https://valuefrontier.cn/company?scode=001696" target="_blank" class="link link-hover">001696</a></td><td>上涨逻辑涉及AI算力叙事，AI设备的“神经网络”是其底层支撑</td></tr>
|
||
<tr><td>成电光信</td><td><a href="https://valuefrontier.cn/company?scode=920008" target="_blank" class="link link-hover">920008</a></td><td>公司FC网络总线产品被市场叙事为高端军事装备的“神经网络”</td></tr>
|
||
<tr><td>力合微</td><td><a href="https://valuefrontier.cn/company?scode=688589" target="_blank" class="link link-hover">688589</a></td><td>PLC芯片被市场解读为物联网连接的“神经网络”，受益AI落地</td></tr>
|
||
<tr><td>机器人</td><td><a href="https://valuefrontier.cn/company?scode=300024" target="_blank" class="link link-hover">300024</a></td><td>特斯拉Optimus的端到端神经网络训练成功是其上涨的产业逻辑之一</td></tr>
|
||
<tr><td>本川智能</td><td><a href="https://valuefrontier.cn/company?scode=300964" target="_blank" class="link link-hover">300964</a></td><td>高端PCB作为低空经济和机器人的“神经网络”和“骨架”，切入CPO赛道</td></tr>
|
||
<tr><td>三旺通信</td><td><a href="https://valuefrontier.cn/company?scode=688618" target="_blank" class="link link-hover">688618</a></td><td>工业交换机产品是数据中心内部数据传输的“神经网络”</td></tr>
|
||
</tbody>
|
||
</table>
|
||
</div>
|
||
</section>
|
||
</main>
|
||
|
||
<footer class="text-center text-xs text-gray-600 py-8">
|
||
<p>北京价值前沿科技有限公司 AI投研agent：“价小前投研”</p>
|
||
<p>免责声明：本报告由人工智能基于公开信息自动生成，仅供参考，不构成任何投资建议。市场有风险，投资需谨慎。</p>
|
||
</footer>
|
||
</div>
|
||
|
||
<script>
|
||
document.addEventListener('DOMContentLoaded', function () {
|
||
var chartDom = document.getElementById('roadshow-chart');
|
||
var myChart = echarts.init(chartDom);
|
||
var option;
|
||
|
||
option = {
|
||
tooltip: {
|
||
trigger: 'axis',
|
||
axisPointer: {
|
||
type: 'shadow'
|
||
},
|
||
backgroundColor: 'rgba(20, 20, 40, 0.7)',
|
||
borderColor: 'rgba(255, 255, 255, 0.2)',
|
||
textStyle: {
|
||
color: '#e0e0e0'
|
||
}
|
||
},
|
||
grid: {
|
||
left: '3%',
|
||
right: '4%',
|
||
bottom: '3%',
|
||
containLabel: true
|
||
},
|
||
xAxis: [{
|
||
type: 'category',
|
||
data: ['TCN', 'GRU', 'GAT', 'Transformer', 'CNN', 'RNN/LSTM'],
|
||
axisLine: { lineStyle: { color: 'rgba(255,255,255,0.3)' } },
|
||
axisLabel: { color: '#a0a0a0' }
|
||
}],
|
||
yAxis: [{
|
||
type: 'value',
|
||
axisLine: { show: true, lineStyle: { color: 'rgba(255,255,255,0.3)' } },
|
||
axisLabel: { color: '#a0a0a0' },
|
||
splitLine: { lineStyle: { color: 'rgba(255,255,255,0.1)' } }
|
||
}],
|
||
series: [{
|
||
name: '提及频率',
|
||
type: 'bar',
|
||
barWidth: '60%',
|
||
data: [
|
||
{ value: 10, itemStyle: { color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: '#83bff6' }, { offset: 0.5, color: '#188df0' }, { offset: 1, color: '#188df0' }]) } },
|
||
{ value: 9, itemStyle: { color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: '#29f5cb' }, { offset: 1, color: '#09a47d' }]) } },
|
||
{ value: 5, itemStyle: { color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: '#ffdb5c' }, { offset: 1, color: '#ffb302' }]) } },
|
||
{ value: 8, itemStyle: { color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: '#ff9f7f' }, { offset: 1, color: '#ff5c33' }]) } },
|
||
{ value: 4, itemStyle: { color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: '#e062ae' }, { offset: 1, color: '#c23531' }]) } },
|
||
{ value: 7, itemStyle: { color: new echarts.graphic.LinearGradient(0, 0, 0, 1, [{ offset: 0, color: '#9d96f5' }, { offset: 1, color: '#6f64ea' }]) } }
|
||
]
|
||
}]
|
||
};
|
||
|
||
myChart.setOption(option);
|
||
window.addEventListener('resize', myChart.resize);
|
||
});
|
||
</script>
|
||
|
||
</body>
|
||
</html> |