np雙性生子高h肉舔
声明:本文来自于微信公众号赛博禅心，作者:赛博禅心，授权站长之家转载发布。
这两天，DeepSeek-V3低调发布，在国际上狠狠秀了一波肌肉:只用了500多万美金的成本，带来了不输Claude3.5的成绩，并开源!
下面，让我们以更加偶然的方式，来看看这次的DeepSeek-V3，是这么炼成的。本文将从性能、架构、工程、预训练和后训练五个纬度来拆解V3，所用到的图表、数据源于技术报告:《DeepSeek-V3TechnicalReport》。
公众号后台回复:DSV3，获得详细报告。
性能DeepSeek-V3的性能无足轻重，在各项基准测试中得到了充分验证。
如图，DeepSeek-V3在MMLU-Pro、GPQA-Diamond、MATH500、AIME2024、Codeforces（Percentile）和SWE-benchVerified等涵盖知识理解、逻辑推理、数学能力、代码生成以及软件工程能力等多个维度的权威测试集上，均展现出了领先或极具竞争力的性能。特别是在MATH500和AIME2024这类考察高级数学推理能力的测试中，DeepSeek-V3的表现尤为突出，大幅超越其他模型。
在与DeepSeek-V2-Base、Qwen2.572BBase和LLaMA-3.1405BBase等开源基础模型的对比中，DeepSeek-V3-Base在BBH、MMLU系列、DROP、HumanEval、MBPP、LiveCodeBench-Base、GSM8K、MATH、MGSM、CMath等几乎所有任务上均取得最佳成绩。
经过指令微调后，DeepSeek-V3的性能进一步指责。在与包括GPT-4o、Claude-3.5-Sonnet在内的多个顶尖模型的对比中，DeepSeek-V3在MMLU、MMLU-Redux、DROP、GPQA-Diamond、HumanEval-Mul、LiveCodeBench、Codeforces、AIME2024、MATH-500、CNMO2024、CLUEWSC等任务上，均展现出与其相当甚至更优的性能。
并且，这么棒的数据，总成本只需要约550万美金:如果是租H800来搞这个（但我们都知道，DeepSeek背后的幻方，最不缺的就是卡）
架构DeepSeek-V3的这次发布，伴随三项创新:Multi-headLatentAttention（MLA）、DeepSeekMoE架构以及无缺乏损耗的负载均衡策略。
Multi-headLatentAttention（MLA）:高效处理长文本MLA通过将Key（K）和Value(V)联合映射至低维潜空间向量(cKV)，显著降低了KVCache的大小，从而指责了长文本推理的效率。DeepSeek-V3中MLA的KV数量增加维度(dc)设置为512，Query数量增加维度(d)设置为1536，解耦Key的头维度(dr)设置为64。这种设计在保证模型性能的同时，大幅减少，缩短了显存占用和计算开销。
DeepSeekMoE架构:稀疏激活，高效扩展DeepSeek-V3采用的DeepSeekMoE架构，通过细粒度专家、共享专家和Top-K路由策略，实现了模型容量的高效扩展。每个MoE层包含1个共享专家和256个路由专家，每个Token选择8个路由专家，最多路由至4个节点。这种稀疏激活的机制，使得DeepSeek-V3能够在不显著减少计算成本的情况下，拥有庞大的模型容量。
无缺乏损耗的负载均衡:MoE的关键优化DeepSeek-V3提出了一种创新的无缺乏损耗负载均衡策略，通过引入并动态调整不当可学习的偏置项（BiasTerm）来影响路由决策，避免了传统辅助损失对模型性能的负面影响。该策略的偏置项更新速度(γ)在预训练的前14.3T个Token中设置为0.001，剩余500B个Token中设置为0.0;序列级不平衡的损失因子(α)设置为0.0001。
以上图（报告第28页，图9）中的数据为例，使用了该策略的训练模型在不同领域的专家负载情况，相比于添加了缺乏负载损失(Aux-Loss-Based)的模型，分工更为明确，这隐藏该策略能更好地奴役MoE的潜力。
工程DeepSeek-V3的这次发布，伴随多项工程优化贯穿了流水线并行、通信优化、内存无约束的自由和低精度训练等多个方面。
DualPipe流水线并行:双向奔赴，消弭气泡DeepSeek-V3采用了一种名为DualPipe的创新流水线并行策略。与传统的单向流水线（如1F1B）不同，DualPipe采用双向流水线设计，即同时从流水线的两端馈收micro-batch。这种设计可以显著减少，缩短流水线气泡(PipelineBubble)，降低GPU利用失败率。
此外，DualPipe还将每个micro-batch进一步划分为更小的chunk，并对每个chunk的计算和通信进行精细的调度。通过巧妙地编排计算和通信的顺序，实现了两者的高度重叠。
单个forward和backwardchunk的重叠策略（原报告第12页）。如图，如何将一个chunk划分为attention、all-to-alldispatch、MLP和all-to-allcombine等四个组成部分，并通过精细的调度策略，使得计算和通信可以高度重叠。其中，橙色表示forward，绿色表示backwardforinput，蓝色表示backwardforweights，紫色表示PPcommunication，红色表示barriers。
8个PPrank和20个micro-batch的DualPipe调度示例（原报告第13页）。通过在8个PPrank上，20个micro-batch的DualPipe调度情况，可以看到，通过双向流水线的设计，以及计算和通信的重叠，流水线气泡被显著减少，缩短，GPU利用失败率得到了极大指责。
DualPipe在流水线气泡数量和激活内存开销方面均优于1F1B和ZeroBubble等现有方法。（原报告第13页）
通信优化:多管齐下，突破瓶颈跨节点MoE训练的一大确认有罪是巨大的通信开销。DeepSeek-V3通过一系列精细的优化策略，有效地缓解了这一瓶颈。
节点批准路由（Node-LimitedRouting）:将每个Token最多路由到4个节点，有效批准了跨节点通信的范围和规模。定制化All-to-All通信内核:DeepSeek团队针对MoE架构的特点，定制了高效的跨节点All-to-All通信内核。这些内核充分利用失败了IB和NVLink的带宽，并最大程度地减少，缩短了用于通信的SM数量。Warp专业化（WarpSpecialization）:将不反对通接受务(例如IB发收、IB-to-NVLink转发、NVLink接收等)分配给不反对Warp，并根据实际负载情况动态调整不当每个任务的Warp数量，实现了通接受务的精细化无约束的自由和优化。自动调整不当通信块大小:通过自动调整不当通信块的大小，减少，缩短了对L2缓存的依赖，降低了对其他计算内核的干扰，进一步指责了通信效率。
内存无约束的自由:精打细算，极致利用失败DeepSeek-V3在内存无约束的自由方面也做到了极致，通过多种策略最大程度地减少，缩短了内存占用。
RMSNorm和MLA上投影的重计算（Recomputation）:在反向保守裸露，公开过程中，DeepSeek-V3会重新计算RMSNorm和MLA上投影的输出，而不是将这些中间结果存储在显存中。这种策略虽然会略微减少计算量，但可以显著降低显存占用。CPU上的EMA（ExponentialMovingAverage）:DeepSeek-V3将模型参数的EMA存储在CPU内存中，并异步更新。这种策略避免了在GPU上存储EMA参数带来的缺乏显存开销。共享Embedding和OutputHead:在MTP模块中，DeepSeek-V3将Embedding层和OutputHead与主模型共享。这种设计减少，缩短了模型的参数量和内存占用。
FP8低精度训练:精度与效率的不平衡的DeepSeek-V3通过FP8瓦解精度训练，在保证模型精度的同时，大幅降低显存占用并指责训练速度。
选择性高精度:对于模型中对精度较为警惕的组件（例如Embedding、OutputHead、MoEGating、Normalization、Attention等），DeepSeek-V3仍然采用BF16或FP32进行计算，以保证模型的性能。(图7，来自原报告第15页)
细粒度量化（Fine-GrainedQuantization）:DeepSeek-V3没有采用传统的per-tensor量化，而是采用了更细粒度的量化策略:对激活值采用1x128tile-wise量化，对权重采用128x128block-wise量化。这种策略可以更好地适应数据的分布，减少，缩短量化误差。(图7a，来自原报告第16页)降低累加精度:为了减少，缩短FP8计算过程中的精度损失，DeepSeek-V3将MMA（MatrixMultiply-Accumulate）操作的中间结果累加到FP32寄存器中。(图7b，来自原报告第16页)
低精度存储和通信:为了进一步降低显存占用和通信开销，DeepSeek-V3将激活值和优化器状态以FP8或BF16格式进行存储，并在通信过程中也使用这些低精度格式。（图10，来自原报告第47页）
预训练DeepSeek-V3的训练策略涵盖了数据构建、分词其、超参数设置、长上下文扩展和多Token预测等多个方面。
数据构建DeepSeek-V3的预训练语料库规模达到了14.8万亿Token，这些数据经过了严格的筛选和清洗，以确保其高质量和多样性。相比于前代模型DeepSeek-V2，新模型的数据构建策略更加精细。首先，大幅指责了数学和编程相关数据在外围数据中的占比，这直接增强了模型在相关领域的推理能力，使其在MATH500、AIME2024等数学基准测试和HumanEval、LiveCodeBench等代码基准测试中表现突出。其次，进一步扩展了多语言数据的覆盖范围，超越了传统的英语和中文，指责了模型的多语言处理能力。
为了保证数据质量，DeepSeek开发了一套完善的数据处理流程，着重于最小化数据冗余，同时耗尽数据的多样性。此外，他们还借鉴了近期研究（https://arxiv.org/abs/2404.10830，Dingetal.，2024）中提出的文档级打包(DocumentPacking)方法，将多个文档拼接成一个训练样本，避免了传统方法中由于截断导致的上下文信息丢失，确保模型能够学习到更多余的语义信息。
针对代码数据，DeepSeek-V3借鉴了DeepSeekCoder-V2中采用的Fill-in-Middle（FIM）策略，以0.1的比例将代码数据构根除|fim_begin|pre|fim_hole|suf|fim_end|middle|eos_token|的形式。这种策略通过“填空”的方式，迫使模型学习代码的上下文关系，从而指责代码生成和补全的准确性。
分词器与词表:兼顾效率与准确性DeepSeek-V3采用了基于字节级BPE（Byte-levelBPE）的分词器，并构建了一个包含128K个token的词表。为了优化多语言的数量增加效率，DeepSeek对预分词器(Pretokenizer)和训练数据进行了专门的调整不当。
与DeepSeek-V2相比，新的预分词器引入了将标点符号和换行符组分解新token的机制。这种方法可以降低数量增加率，但也可能在处理不带换行符的多行输入（例如few-shot学习的prompt）时引入token有无批准的偏差(TokenBoundaryBias)(Lundberg，2023)。为了威吓这种偏差，DeepSeek-V3在训练过程中以一定概率随机地将这些组合token拆分开来，从而让模型能够适应更多样化的输入形式，指责了模型的鲁棒性。(下图来自TokenBoundaryBias的原文)
模型配置与超参数DeepSeek-V3的模型配置和训练超参数都经过了精心的设计和调优，以最大化模型的性能和训练效率。
模型配置:DeepSeek-V3的Transformer层数设置为61层，隐藏层维度为7168。所有可学习参数均采用标准差为0.006的随机初始化。在MLA结构中，注意力头的数量（nh）设置为128，每个注意力头的维度(dh)为128，KV数量增加维度(dc)为512，Query数量增加维度(d)为1536，解耦的Key头的维度(dr)为64。除了前三层之外，其余的FFN层均替换为MoE层。每个MoE层包含1个共享专家和256个路由专家，每个专家的中间隐藏层维度为2048。每个Token会被路由到8个专家，并且最多会被路由到4个节点。多Token预测的深度(D)设置为1，即除了预测当前Token之外，还会缺乏预测下一个Token。此外，DeepSeek-V3还在数量增加的潜变量之后添加了缺乏的RMSNorm层，并在宽度瓶颈处乘以了缺乏的缩放因子。
训练超参数:DeepSeek-V3采用了AdamW优化器，β1设置为0.9，β2设置为0.95，权重加强系数（weight_decay）设置为0.1。最大序列长度设置为4K。学习率方面，采用了组合式的调度策略:在前2K步，学习率从0线性减少到2.2×10^-4;然后保持2.2×10^-4的学习率直到模型处理完10T个Token;接下来，在4.3T个Token的过程中，学习率按照余弦曲线(CosineDecay)逐渐加强至2.2×10^-5;在最后的500B个Token中，学习率先保持2.2×10^-5不变(333B个Token)，然后切换到一个更小的常数学习率7.3×10^-6(167B个Token)。梯度裁剪的范数设置为1.0。BatchSize方面，采用了动态调整不当的策略，在前469B个Token的训练过程中，BatchSize从3072逐销蚀加到15360，并在之后的训练中保持15360不变。
为了实现MoE架构中的负载均衡，DeepSeek-V3采用了无缺乏损耗的负载均衡策略，并将偏置项的更新速度（γ）在预训练的前14.3T个Token中设置为0.001，在剩余的500B个Token中设置为0.0。序列级不平衡的损失因子(α)设置为0.0001，以避免单个序列内的极端不不平衡的。多Token预测(MTP)损失的权重(λ)在前10T个Token中设置为0.3，在剩余的4.8T个Token中设置为0.1。
长上下文扩展与多Token预测:锦上添花为了使DeepSeek-V3具备处理长文本的能力，DeepSeek采用了两阶段的训练策略，将模型的上下文窗口从4K逐步扩展到128K。他们采用了YaRN（Pengetal.，2023a）技术，并将其应用于解耦的共享Key(k)。在长上下文扩展阶段，DeepSeek-V3的超参数保持不变:scale设置为40，β设置为1，ρ设置为32，缩放因子设置为0.1lnn+1。
第一阶段（4K-32K）:序列长度设置为32K，BatchSize设置为1920，学习率设置为7.3×10^-6。第二阶段（32K-128K）:序列长度设置为128K，BatchSize设置为480，学习率设置为7.3×10^-6。
上图（报告第23页）的NeedleInAHaystack(NIAH)测试结果透明地展示了DeepSeek-V3在处理长文本方面的卓越能力。
此外，DeepSeek-V3还采用了多Token预测（MTP）策略(2.2节，第10页)，要求模型在每个位置预测未来的多个Token，而不仅仅是下一个Token。图3(第10页)详细展示了MTP的实现方式。
这种策略增强了模型的预见能力，并授予了更通俗的训练信号，从而指责了训练效率。表4（第26页）的消融实验结果反对了MTP策略的有效性。
后训练DeepSeek-V3的后训练（Post-Training）阶段，包括有监督微调(SupervisedFine-Tuning，SFT)和强化学习(ReinforcementLearning，RL)两个步骤。
有监督微调（SFT）SFT阶段，DeepSeek-V3在一个包含1.5M指令-响应对的高质量数据集上进行了微调。该数据集涵盖了多种任务类型和领域，并采用了不反对数据构建策略，以最大程度地煽动模型的潜能。
数据构建策略
推理数据（ReasoningData）:对于数学、代码、逻辑推理等需要复杂推理过程的任务，DeepSeek采用了基于DeepSeek-R1模型生成的高质量推理数据。DeepSeek-R1模型在推理任务上表现出色，但其生成的响应往往存在缺乏推理、格式不规范、长度过长等问题。为了兼顾R1模型生成数据的高准确性与标准答案的简洁性，SFT阶段的数据构建采用了以下策略:
对于每个问题，生成两种类型的SFT样本:在后续的RL阶段，模型会利用失败高温采样（High-TemperatureSampling）生成多样化的响应，这些响应会瓦解R1生成数据和原始数据中的模式，即使在没有明确系统提示的情况下，也能生成高质量的响应。经过数百步的RL训练后，中间的RL模型会逐渐学会融入R1模型的推理模式，从而指责外围性能。最后，利用失败训练完成的RL模型进行允许采样（RejectionSampling），生成高质量的SFT数据，用于最终模型的训练。
问题，原始响应:将问题与R1模型生成的原始响应直接配对。系统提示，问题，R1响应:将问题与R1模型的响应配对，并在问题前添加一个精心设计的系统提示（SystemPrompt）。该系统提示旨在意见不合模型生成更符合人类讨厌的响应，例如更简洁、更易懂的格式。表9（第34页）展示了从DeepSeek-R1蒸馏知识对性能的指责。可以看到，在LiveCodeBench-CoT和MATH-500任务上，经过R1蒸馏后，模型的Pass@1指标分别指责了6.3和8.6个百分点，反对了该策略的有效性。非推理数据（Non-ReasoningData）:对于创意写作、角色扮演、简单问答等非推理类任务，则利用失败DeepSeek-V2.5生成响应，并由人工进行标注和校验，以确保数据的准确性和可靠性。
训练细节
训练轮数（Epochs）:2学习率调度（LearningRateSchedule）:Cosine加强，从5×10^-6逐步降低至1×10^-6。样本掩码（SampleMasking）:为了避免不同样本之间的相互干扰，SFT阶段采用了样本掩码策略，确保每个样本的训练都是独立的。
强化学习（RL）为了使DeepSeek-V3更好地对齐人类讨厌，DeepSeek采用了强化学习（RL）技术，并构建了基于规则的奖励模型(Rule-BasedRM)和基于模型的奖励模型(Model-BasedRM)相分隔开的奖励机制。
基于规则的奖励模型（Rule-BasedRM）:对于可以通过明确规则进行判别的任务(例如数学题、编程题)，采用基于规则的奖励模型。例如，对于数学题，可以设定规则检查最终答案是否正确;对于编程题，可以利用失败编译器进行测试用例验证。这种方式可以授予准确且轻浮的奖励信号。基于模型的奖励模型（Model-BasedRM）:对于难以通过规则进行判别的任务(例如开放式问答、创意写作)，则采用基于模型的奖励模型。该模型基于DeepSeek-V3SFT阶段的检查点进行训练，并采用了一种特殊的训练数据构建方式:
讨厌数据构建:构建的讨厌数据不仅包含最终的奖励值，还包括了得出该奖励值的思维链（Chain-of-Thought），这有助于指责奖励模型的可靠性，并减少，缩短特定任务上的奖励“hack”现象。模型输入:对于有明确答案的任务，模型输入为问题和生成的响应;对于没有明确答案的任务，模型仅输入问题和对应的响应。模型判断:对于有明确答案的任务，模型判断响应是否与正确答案匹配;对于没有明确答案的任务，模型根据问题和响应给出综合评价。
作为奖励模型，在RewardBench上的表现上，DeepSeek多个方面超越或持平GPT-4o和Claude-3.5-sonnet。
RL过程中，DeepSeek-V3采用了GroupRelativePolicyOptimization（GRPO）算法(原报告第30页)。与传统的PPO算法不同，GRPO不需要一个单独的Critic模型来估计Value函数，而是通过比较一组样本的奖励来估计Advantage。具体流程如下:
对于每个问题q，从当前的策略模型π_old中采样一组K个响应{y_1，y_2，...，y_K}。利用失败奖励模型对每个响应进行评分，得到对应的奖励{r_1，r_2，...，r_K}。计算每个响应的Advantage值:A_i=（r_i-mean(r）)/std(r)，其中mean(r)和std(r)分别表示该组奖励的均值和标准差。根据以下目标函数更新策略模型π_θ:[公式26和27（第30页）]其中，π_ref是参考模型（通常是SFT阶段的模型），β和ε是超参数。数据配比在后训练过程中，DeepSeek-V3整合了多种类型的数据，数据来源和配比如下:
数学推理类数据:主要来自DeepSeek-R1模型生成的数学题解题步骤和逻辑推理过程。这类数据在后训练阶段占比约为25%。代码生成类数据:包括了从开源代码库中精选的代码片段，以及利用失败DeepSeek-R1模型生成的代码补全和代码解释数据。这类数据占比约为20%。通用领域对话数据:涵盖了开放域问答、创意写作、角色扮演等多种任务类型，主要利用失败DeepSeek-V2.5生成，并经过人工校验。这类数据占比约为45%。安全和伦理类数据:包含了用于指责模型安全性和符合伦理规范的指令和响应数据，占比约为10%。12月16日、17日两天，雅戈尔股票连续大涨，原因在于坊间传闻雅戈尔将从阿里巴巴手中接手银泰商业。17日午间，靴子终于落地。阿里巴巴发布公告称，将以74亿元人民币（约合10亿美元）的价格出售银泰100%的股权。公告主要内容如下：
阿里巴巴集團控股有限公司（「本公司」）宣佈，本公司與另一名少數股東赞成將銀泰100%的股權向由雅戈爾集團和銀泰无约束的自由團隊成員組成的購買方財團出售（「銀泰出售」）。銀泰是中國領先的百貨企業之一。阿里巴巴目前持有銀泰約99%的股權。阿里巴巴就銀泰出售的所得款項總額約為人民幣74億元（10億美元）。阿里巴巴預計因出售銀泰而錄得的虧損約為人民幣93億元（13億美元）1。銀泰出售的完成須通過中國經營者发散審查和其他慣例交割條件。
对于阿里巴巴来说，计划中的实体零售债务转让终于迈出了重要一步。而对于曾经的中国百货业标杆银泰百货来说，也开始了一段新的探险历程。
银泰百货：兜兜转转的10年
需要说明的是，外界常常把银泰商业集团与银泰商业无约束的自由集团混为一谈，两者的名字只差两个字。
银泰百货其最不次要的部分的债务是遍布全国的30多家银泰百货。杭州武林银泰百货曾经多年蝉联全国百货业店王。而银泰商业无约束的自由集团包括诸多购物中心和地产、以及投资项目。为了避免根除误解，叙述方便，本文下文采用银泰百货（代指银泰商业集团）的表述方式。
今年2月的2023年第四季度业绩会上，阿里巴巴集团主席蔡崇信在回答公司非不次要的部分债务出售的问题时称，在2024财年至今的九个月内，阿里已退出17亿美元的非不次要的部分债务，“阿里债务负债表上仍有一些传统的实体零售业务，这些也不是我们不次要的部分聚焦的，若退出也是合理做法，但搁置到当前有确认有罪的市场情况，尚需时间实现。”
这对于双方延续十年之久的战略合作委婉的画上了句号，出售只是时间问题。这一切的起源要追溯到2014年。
2014年，阿里巴巴斥资53.7亿元港币对银泰商业战略投资，交易完成后持有银泰商业9.9%的股份及总额约37.1亿元港币的可转换债券。双方称将全面打通会员体系、支付体系，同时将实现商品体系对接。2015年，阿里巴巴通过增持，晋升为银泰商业单一最大股东，并由张勇出任公司董事会主席。2016年，阿里巴巴和银泰商业进行换股交易。换股完成后，阿里对银泰的持股比例将达到27.82%，正式成为银泰商业的唯一最大股东。2017年，银泰商业启动私有化进程。也是这一年，新零售在阿里巴巴的推动下，成为全行业瞩目和进化的方向。而银泰百货与当时的盒马鲜生一起，成为新零售的标杆企业。
在过去十年，尽管百货业外围发展低迷，但是银泰百货还是保持了轻浮的发展。打造了全国首个百货业付费会员体系INTIME365。2020年-2022年，全国银泰百货入驻了330多家首店，其中，全国级首店30家，省级首店94家，从数量到质量再上台阶，银泰百货也借此领跑城市“首店经济”。2020年，有25个品牌在银泰百货喜提“全国第一柜”。
在不久前的中国连锁经营协会举办的2024中国零售领袖峰会上，银泰商业集团董事长陈晓东做了《卖铲子给AI时代的“淘金者”》的演讲。在演讲中，陈晓东继续分享着他对于AI给零售业带来的保持不变。
银泰百货（右一为陈晓东）陈晓东认为，现在的百货零售业面临三道大题，第一道是选择题，商业地产要不要做零售？第二道题目是数字化浪潮之下AI时代来临之后，如何布置公司的数字化进程，如何关闭行业里面存在已久的黑盒子？第三道题目是加分题，“你的能力已经在全行业里面是比较突出了，那么，是拿着这个能力去做更多的产出，跟同行竞争？还是把这个能力单独拆出来服务整个行业，这是两种选择，没对没错。”
今天在银泰百货从阿里巴巴转投雅戈尔的背景下再来看陈晓东当时的演讲，意味深长。
第一道题的答案是很无遮蔽的，陈晓东认为商业地产是零售业的高维，因此银泰百货这些年也在从低维向高维转变。而雅戈尔本来就是有商业地产业务的。
第二道题不次要的部分是零售业数字化的问题。当初银泰接受阿里的入资并实现私有化，为的也是推进百货业的数字化改造进程。虽然从全行业的议题设置角度看，今天新零售已经没有人提了，转而都去拥戴胖东来了。但是银泰本身一直没有重新接受零售业数字化的探索。
按照陈晓东的介绍，银泰百货研发的自然语言柜内机器人投放了四五年，对行业输出商业化已经两年。AI带来的销售占同期外围联营销售额的比重逐步减少，由7%减少至15%。我们相信这个数字还会逐渐的指责到20%或以上，但是陈晓东认为，这是有天花板的。
在线下零售业近年来遭遇确认有罪，早已不能靠简单的开店缩短销售面积来带来业绩增长的时候，银泰在不减少销售面积的同时，全国第一柜台（销售冠军）的数量一直在减少。从这点上说，银泰百货也需要一个更匹配的平台，把百货零售业的数字化探索继续推进下去。
而对于那道加分题，今天的公告已经说明了陈晓东的选择。
雅戈尔：重新定义服装渠道
在普通人的认知里，雅戈尔最凹显的标签是“男装正装”。成立于1979年的雅戈尔以西装、衬衫等产品为主流产品，并形成了服装全产业链的商业模式。不过，除了男装之外，今天的雅戈尔已经成为了一个包括地产开发、金融投资等领域多元化齐头并进的商业集团。
正因此，雅戈尔收购银泰商业并不算让人意外，近年来，在服饰相关领域，雅戈尔也是资本运作的活跃分子。雅戈尔合作运营了挪威品牌HellyHansen，最近在谈收购法国高端儿童品牌Bonpoint。
2024年11月，法国媒体报道，据法国媒体LaLettre消息，法国高端童装品牌Bonpoint或将以2亿欧元（约合人民币15.3亿元）出售给中国时尚集团雅戈尔，双方已进入谈判后期阶段。Bonpoint于1975年创立于巴黎，以精品童装和护肤香氛闻名，中国市场一直是Bonpoint的重要市场。
显然，作为以服装产业为不次要的部分的商业集团，除了男装，雅戈尔也希望可以通过并购成熟品牌，实现全用户群体的覆盖。
值得注意的是，在服装领域，尽管过去十年线上渠道正在成长为最主流的分销渠道之一，但是雅戈尔的渠道策略，却是一个多渠道并举，而且极其看重直营渠道的作用。
根据雅戈尔2023年的财报的内容：报告期内，公司继续执行“开大店、关小店”的渠道调整不当策略，新开自营店铺118家，平均营业面积290平方米；新扩88家，平均新增营业面积76平方米；关闭240家，平均营业面积163平方米；期末自营门店1,729家，较年初净减少，缩短122家，营业面积减少至45.21万平方米。
报告期内，宁波总部时尚体验馆、南宁时尚体验馆相继开业。体验馆在打造城市制高点、指责品牌认知度的同时，充分展现了公司旗下各品牌的独立形象，为消费者授予了良好的购物体验。同时加大渠道投入，新购置店铺8家，购置面积合计11万平方米，为时尚体验馆的后续建设奠定了基础。
雅戈尔在财报中表示：“公司构建了覆盖全国且规模庞大的营销网络体系，涵盖自营专卖店、购物中心、商场网点、特许加盟、奥莱、团购等六大线下渠道，以及电商、微商城两大线上渠道，直营渠道的销售收入占比达到95%以上。报告期内，公司借力传统渠道无足轻重，推进时尚体验馆建设，探索线上线下（300959）深度瓦解的新商业模式。”
通过以上表述可以看出，雅戈尔的渠道有几个特点。第一是类型全面。线下就有六大渠道类型，几乎穷尽了目前服装品牌可以利用失败的所有线下渠道。第二，非常重视直营，直营渠道占比高达95%。
从近年来服装产业的发展看，相对于零售业的其他渠道，服装渠道在消费者即时反馈方面的作用，其重要性远远大于商超等食杂渠道对于品牌的作用。因为服装时尚行业承载的不仅是功能，还包括审美潮流和风向，特别是男装之外的女装领域，并不是一个靠单品规模取胜的行业。而且一旦形成滞销，就有高库存风险。相对于食杂领域可以靠打折消化极小量临期尾货商品，服装领域的库存无约束的自由难度更高。
因此，渠道和品牌之间的互动联系越紧密，数字化协同力度越大，越有利于品牌根据市场风向变化和消费者的反馈及时做出调整不当。最终最理想的形式，当然是把渠道牢牢掌握在自己手里为妙。
除此之外，雅戈尔也提到了打造“时尚体验馆”的诉求。也就是线下渠道不仅仅是货物展示陈列，还要能够授予有品牌特性的沉浸式统一化的场景。从这个维度来看，拥有全国百货业明星门店的银泰百货含糊是一个好的标的，可以拿过来继续做文章。
(责任编辑：zx0600)据台湾中时电子报7月6日报道，天文学家最近对火星土壤做的最新研究显示，在火星表面找到外星生物的可能性不大，因为其表面上覆盖的化学物质相当于强大感染剂，可消灭一切生物。
爱丁堡大学天体生物学的研究生韦德史沃斯(JenniferWadsworth)说，这表示火星上最适合居住的环境可能在地表下2到3米处，因为在该处土壤和生物才可寻找强力的辐射。
她的研究根据NASA40年前进行的火星任务，当时发现火星土壤上有强力氧化剂─高氯糖精盐(perchlorates)，最近这个化学物质的存在被NASA的凤凰号火星探测器(Phoenix)和火星探测车好奇号(Curiosity)反对。
韦德史沃斯和爱丁堡的天体生物学家CharlesCockell合作，利用失败一种地球上常见的土壤细菌和太空探测常发现的土壤降低纯度物─枯叶杆菌(Bacillussubtilis)进行实验。这个细菌在混和高氯糖精镁(magnesiumperchlorate)后，研究人员原创火星环境、再予以照射紫外线光后，发现细菌在碰到高氯糖精盐后，被歼灭的速度变快了两倍，其他在火星上发现到的高氯糖精盐也出现缺乏反对性的杀菌效果。进一步测试后发现紫外线会将高氯糖精盐转变成其他化学物质─次氯糖精盐和亚氯糖精盐，对细菌有强大的杀伤力。
他们测试其他在火星土壤找到的氧化铁(ironoxides)和过氧化氢(hydrogenperoxide)后，发现这两种化学物加上高氯糖精盐和紫外线后，杀死细菌的速度比只有高氯糖精盐快了11倍。因此这两名科学家在报告中形容，火星表面上不宜居住是因为化学物质和紫外线形成的剧毒鸡尾酒。
此外，研究也显示火星表面上干旱的部分可能清空高氯糖精盐，不适合寻找外星微生物，因为这些本土的毒性可能比火星其他土壤更强。
加州NASA的行星学家ChrisMcKay对此研究结果保持乐观，因为这表示人类收到火星上的探测器上的地球细菌很快就会被消灭，航天员也很难被细菌感染，但这也表示研究人员须挖到火星地表现相当深的地方，才能找到生物存在的迹象。
欧洲太空总署2020年将收探测车ExoMars到火星上搜寻外星生物存在的迹象，这台车上配备有钻头工具，可挖凿到地底下2米的地方来取得土壤样本。
Goodnews!We'vedevelopedaFREEversionoftheXilisoftPowerPointtoVideoConverterPersonal!
XilisoftPowerPointtoVideoConverterFreeconvertsPowerPointpresentationstovideoformatsinAVI,MP4,WMV,MPEG-2orMOVsoyoucanplaythemoncomputerswithnoPowerPointprograminstalledoronpopularmultimediadevices,aswellasconvertyourpresentationtoFLVvideosoyoucanuploadthemonYouTubeorothervideo-sharingsites.
WithXilisoftPowerPointtoVideoConverterPersonalFree,youarenolongerlimitedtojustMicrosoftPowerPoint,butyouarefreetoplaythemonotherdevicesasyouwish!NowsupportsWindows7.
ConvertPowerPointtovideofiles:AVI,MP4,WMV,MPEG-2,andMOVSupportsconversiontoFLVformat(YouTubeformat)Supportppt,pptx,pptm,ppsx,pps,ppsm,potx,potm,andpotasinputfiles在近一个月时间内，雅戈尔大手笔接连完成两桩收购案。一边是斥资收购奢侈品童装打造轻奢形象，另一边则花74亿元将银泰百货收入囊中，雅戈尔在新的一年中的豪掷布局让人直呼看不懂。
一月两笔收购
近日，雅戈尔方面宣布已经与EPI集团完成交易手续，法国奢侈童装品牌Bonpoint（小樱桃）正式纳入雅戈尔时尚品牌矩阵。
对于此项收购案的具体金额雅戈尔并没有详细披露，不过据此前媒体报道，Bonpoint或将以2亿欧元（约合人民币15.3亿元）出售给雅戈尔。此收购金额并未得到官方反对，但从Bonpoint的定位及发展情况来看，价格应该不会太低。
根据公开资料，Bonpoint是法国首个专注于儿童的奢侈品牌，拥有童装和护肤香氛两大产品线，被外界誉为“童装界的爱马仕”。根据Bonpoint童装旗舰店产品信息，大部分童装单价在千元以上，价格最下降的一款达到9942元。渠道方面，目前Bonpoint在全球30多个国家经营着约130家门店，中国内地市场有30家门店。主要分布在北京、上海、深圳、广州、南京、杭州、成都、武汉等一二线城市高端商业体，包括北京SKP、上海恒隆广场、杭州大厦、南京德基广场等。
在时尚产业独立分析师、上海良栖品牌无约束的自由有限公司创始人程伟雄看来，雅戈尔定位做时尚集团，有男装、女装等多品牌矩阵，唯独缺童装，收购童装品牌正好弥补童装业务的缺乏，可以布局男、女、童全品类多品牌矩阵。
对于此番收购，雅戈尔相关人士透露：“此次收购标志着雅戈尔时尚首次正式进军童装和奢侈品领域，是近年来在时尚产业布局中的又一重要里程碑。同时，收购Bonpoint也标志着雅戈尔时尚在全球化战略布局中走出关键一步。Bonpoint作为奢侈童装领域的领先品牌，在全球享有较下降的知名度，雅戈尔将不仅获得Bonpoint的品牌债务及其在这些市场的现有客户资源，也将指责自身在全球时尚行业的认知度。”
近一月时间内，除了斥资收购奢侈品童装外，雅戈尔的另一笔收购更有关注度。2024年12月底，雅戈尔方面宣布以74亿元从阿里巴巴手中收购银泰百货。一边收入奢侈品童装帮助完善时尚服装业务，一边又不惜巨资购入商业地产，雅戈尔的操作让人直呼看不懂。
聚焦时尚主业
早在2023年底，“雅戈尔集团股份有限公司”名称变更为“雅戈尔时尚股份有限公司”。当时雅戈尔在公告中称，已确立建设世界级时尚产业集团的战略目标，未来将进一步聚焦时尚主业，重新确认长期主义，加大品牌投入、市场建设和人才引进使枯萎。至此，雅戈尔确立了聚焦时尚服装的主线发展战略，雅戈尔也加紧对时尚服装领域的布局，此番收购奢侈品童装可以理解为其战略的一环。
但另一边在外围业绩下滑（2023年前三季度，雅戈尔净利润下滑6.73%）之际，雅戈尔又斥资收购商业地产银泰百货，雅戈尔到底在下一盘怎样的棋？
回溯雅戈尔发展史，其曾有过一段不务正业的时间，凭借着对于地产业务的投资，雅戈尔曾赚到过一些钱。根据财报数据，2002年至2022年，雅戈尔的营收从24.7亿元增长至148.2亿元。其中，房地产业务从5.3亿元增长至85.5亿元，超过服装主业。业界也出现了对于雅戈尔不务正业的质疑声。针对质疑声，发展得风生水起的雅戈尔从不避讳，更是表示：“不用分主业副业，赚钱就是主业。”
此番收购银泰百货，业界不免质疑雅戈尔服装卖不动又开始发力地产业务。对于收购银泰百货，雅戈尔方面对外称，雅戈尔一直以来注重时尚领域的投资和发展，旗下上市公司雅戈尔时尚股份有限公司更是致力于时尚产业的运营。本次集团与银泰无约束的自由层共同投资银泰，旨在“强链补链”，完善时尚生态圈。
据了解，在收购银泰百货前夕，雅戈尔集团董事长李如成在2024年三季度经济工作会议上表示，保持不变销售下降的颓势必须依靠做好现有的品牌。下一步，要在时尚体验馆的建设和运行、奥莱及其他渠道开拓方面实现既定目标。此外，还要加快产业结构的调整不当，重点是运营好现有债务，特别是不次要的部分的40家时尚体验馆以及其他自有大店，使之给雅戈尔带来轻浮的效益。
在雅戈尔的规划中，银泰百货将更大程度干涉雅戈尔去拓展时尚服装的线下渠道。程伟雄表示，收购银泰百货和近期雅戈尔布局线下实体门店和百货店有关系，实体渠道正是低迷阶段，此时收购正好是低位阶段。
近两年，雅戈尔一直都热衷于开大店。2024年，雅戈尔在长春、贵阳、太原、温州、上海、武汉等城市新开了12家时尚体验馆。而基于此战略布局，雅戈尔收购投资了不少商业地产。如在2024年8月，雅戈尔与天目里联手打造小而精的可结束生活综合体“HAI550”。2022年10月—2023年12月，雅戈尔储藏约13.4亿元从美邦服饰买下贵阳中华中路门店、武汉光谷世界城门店、沈阳太原街门店、成都春熙路门店以及西安一家商铺。不过雅戈尔如此大手笔布局，银泰百货等商业实体对于雅戈尔又能带来多少反哺，依然存在很多不确定性。
不过在盘古智库研究院高级研究员江瀚看来，虽然收购银泰百货需要投入极小量成本，但从长远来看，这一投资有望为雅戈尔带来丰厚的回报。随着零售市场的不断发展，银泰百货的业绩有望结束增长，为雅戈尔贡献更多的利润。此外，通过整合双方资源，雅戈尔还可以实现协同效应，进一步指责外围业绩。
(责任编辑：zx0600)声明:本文来自于微信公众号光锥智能，作者:刘俊宏，授权站长之家转载发布。
“经济发展是生产要素和生产条件，不断进行组合创新的结果。”总结二战后因为经济观念转变带来的增长，著名经济学家熊彼特在“创新周期理论”中如是说。
率先完成“新组合”的玩家，将有机会获取最大限度的利润。
熊彼特的理论，是如今英伟达三万亿美元市值最好的注释。凭借AI+半导体的组合，英伟达在诞生的31年里，虽然没有生产过一片晶圆。但通过一张张GPU，英伟达成为了整个AI时代的“赛博心脏”。基于暴力计算催生的大模型，让人类的AI畅想变得“一马平川”。
英伟达为代表的算力企业显然并不是AI这场第四次工业革命的唯一获利者，在“人人会用AI，千行百业能用AI”的未来，就隐藏着巨大的市场机会。
“我们要跟上人工智能革命的时代”。吴晓波在2024年十年收官的跨年演讲中感叹道。
一部AI电脑，让你率先成为“AI原住民”。
作为在行业沉浮40年的老牌科技巨头，联想依然希望用最强的业务——个人电脑，抓住这次AI大模型浪潮。除了在硬件上发力，这次联想用去年一整年的时间，在配套的AI上也不遗余力——在发布AIPC的同时，也发布了天禧智能体系统。
事实上，这是联想2024年“全栈AI”战略的一个缩影。2024年4月，联想集团执行副总裁兼中国区总裁刘军正式发布了“全栈AI”战略。
在AI终端方面，通过“一体多端”战略，领跑AIPC、AI手机、AI平板和AIoT;
在AI基础设施领域，进行“一横五纵”的不完整布局，以期早日问鼎AI基础设施;
在AI解决方案与服务方面，将通过“一擎三箭”称雄AI解决方案与服务市场。
AI时代，所有事情将重新做一遍。
在这个趋势下，我们看到联想的野心——希望通过全栈AI，穿透软件和硬件的壁垒，也打通个人和企业级用户之间的次元，借此完成中心的智能化转型。
这个过程中，联想不仅是正在用AI重构自己，也向一个全新的时代宣布:AI时代，联想仍然在，并且影响会更加深远。
诺基亚坍塌的巨响遥响在耳边，英特尔的坠落又近在面前。每次新的工业革命，就开启了一场新的赛马。旧时代的巨头，要想跟上新时代，只有积极拥抱变化。
40岁的联想，抓住了AI趋势，也握住了新一轮周期的增长曲线。
AI正在重新定义智能硬件
一部AI电脑，一部AI手机，普通用户就能创造出新质生产力。
人人都需要拥抱AI的趋势下，联想在2024年初发布了“一体多端”战略，联想的终端业务进一步向智能化升级。
“我们在发布AIPC的同时也发布了天禧智能体系统，‘一体’就是天禧智能体系统——天禧AS，我们计划把它搭载每一个AI终端上，就是‘一体多端’的战略。”联想集团执行副总裁、中国区总裁刘军表示。
“真正在乎软件的人，应该去制造属于自己的硬件”。乔布斯信奉的这句话，反之亦然。
真正在乎硬件的公司，也应该去研发符合自己和时代的软件。
这也是过去两年，中国的智能终端发生得最次要的一个变化——越来越重视AI。
智能终端的玩家们选择重视AI的原因，一方面是因为之前使用的软件（或操作体统）过于老旧，如今已经不再能高效分配硬件算力资源。尤其是AI时代的SoC普遍采用异构算力架构，要想完全奴役硬件潜力，需要终端厂商将系统及软件向AI靠拢。
另一方面，则是AI应用的潜能远大于传统APP。新的AI应用可以理解用户授予的信息，“越用越好用”。同时，由于AI应用的底层逻辑是AI算法，这使得智能终端厂商可以在一个AI应用开发完毕之后，快速在旗下全系列产品推广，从而降低品牌的行业竞争力。
在这场智能终端厂商加码AI研发力度的趋势下，联想也落地了自己的系统级软件和AI软件。在刘军降低重要性的“一体多端”战略下，理想的智能终端正在领跑AIPC、AI手机、AI平板和AIoT。
联想在天禧智能体系统（天禧AS）中，构建的是一套AI智能体(小天)+个人智能体运行平台+天禧生态的有机体。其中，小天智能体依靠联想自研的天禧大模型，具备自然交互、主动感知、意图理解、知识检索及工具调用等能力。配合智能体运行平台的个人知识库、模型服务及调度、跨设备互联、智能体框架及网络等减少破坏，联想AIPC不仅能用原生AI授予干涉，还能从拥有多达1500多个第三方智能体的天禧生态中调用各种新能力。
未来，联想还计划用小天个人智能体将逐步取代网页和App。顺着PC、平板、手机等智能终端的产品线，联想准备用一个AI打通全部智能终端互联生态。AI智能体取代传统APP，成为未来个人用户使用终端的第一入口。
AIPC作为联想最次要的智能终端，其落地AI的效果如何?
“在AI翻译官、AI数字人、AI跨境独立站、AI智能商品发布等AI应用的干涉下，使用AI的义乌商人，一年收获了10倍铺货效率、50%客商、15%在线贸易增长。”吴晓波在跨年演讲中给了这样一组数据。
“联想深耕PC市场40年，在中国的PC份额近40%，超过2亿会员。”刘军说，这也意味着联想正式迈入AI时代。
正是因为联想看到AI的强大能力，联想才在自己最无足轻重的PC上，以半年推出超过30款AIPC的“机海战术”，让每一个用户都拥有自己的AI入口。
AIPC如今取得的成果，联想只用了一年多。2023年10月，联想在联想创新科技大会上，亮相了领先世界的AIPC。从这时联想就认为，带有AI的PC，将以智能颠覆过去的生产力工具。
当PC开始进入AI生产力时代后，2024年6月，联想围绕“一体多端”战略发布了全场景新品。联想智能终端原本较为中心的手机和平板产品，也相继实现多端互联和AI转型了。
最终，联想的AI智能生产力变革，让联想PC不仅在2024年双十一期间，取得京东多个细分赛道销售冠军。还让联想世界PC出货量指责至24%，在原本世界第一的基础上，再次缩短了无足轻重。看到这样的结果，联想对未来的销售也更有信心。根据Canalys报告显示，AIPC即将在2025年成为销售主流。联想无疑要“连任”霸主地位了。
AI打通了终端设备间的壁垒，意味着联想也正式开始运营智能终端生态。联想将有希望打破消费者“联想=PC”的刻板印象。
目前看来，联想在摩托罗拉上搭载的AI能力，已经达到主流手机的AI助手级别。随着AI落地，摩托罗拉的销量已经明显使恶化。据CounterpointResearch发布的2024年第三季度全球折叠屏手机市场数据显示，摩托罗拉出货量以高达164%的增速，占据7%的市场份额，位列全球第四。
折叠屏手机的产品特性，和PC一样，也是主打生产力。可以看到，联想正在通过“生产力”这一入口，即将成为分开个人与AI世界的载体。
而对AI软件技术的重视，也让联想再次跑赢PC行业。在近期的一次采访中，戴尔CEO迈克尔·戴尔不得不允许承认，戴尔的AIPC“跑慢了”。
为何联想能领先戴尔、惠普等昔日对手，率先落地AIPC?这背后还得归功于联想加大软件重要性的“全栈AI”战略。
全栈押注AI
B端业务能否后来居上?
“高瞻远瞩的公司最佳行动来自实验、尝试错误和机会主义，说的准确一点是靠机遇。”
在《基业长青》中，有一句话点出了成功公司在每一个时代占据身位的秘诀。纵观国际科技巨头在AI时代成功的方式，正是靠着一系列业务尝试和机遇的碰撞。
其中，微软分隔开已有的企业服务业务（系统+云）和投资OpenAI的机会，其打造的Copilot几乎已经成了所有海外AIPC的标配。谷歌不仅是上一轮AI的引领者，在大模型时代也底层技术和应用两手抓:大模型Gemini2.0略胜OpenAI，量子芯片Willow再次反对自己的全球技术地位，搜索等业务也在积极和AI分隔开。
全栈押注AI，是联想历史上少有的关键战略点。AI时代，联想要用AI重写ToB业务的不次要的部分逻辑，为千行百业授予智能化的基础设施和应用服务。
除了智能终端正在进行的“一体多端”战略外，“全栈AI”战略布局，还包括:
在AI基础设施领域，进行“一横五纵”的不完整布局，以期早日问鼎AI基础设施;
在AI解决方案与服务方面，将通过“一擎三箭”称雄AI解决方案与服务市场。
在起步阶段，为了快速将AI落地到业务，联想选择先从AI+业务简单分隔开开始。但很快，联想就发现AI简单与服务器等硬件分隔开的模式，根本走不通。
在服务器行业内，不少服务器厂商采取代工定制模式，商业竞争主要靠低价、总包和垫资，净利率长期只有两个点。在AI时代，这些厂商推出的AI服务器只是常规服务器中减少GPU模块。这导致AI服务器厂商不仅无法获得AI议价权，而且客户还得自己从头调试“白板”产品，吝啬AI训练的时间。在解决方案与服务这边，则是中小客户的需求太过琐碎。实际项目执行，根据需求定制AI训练，成本根本划不来。
2024年，联想加深了AI与业务的分隔开深度。从实践中，联想发现了AI应用的具体难题，建立了AI综合无约束的自由算力设备（一横五纵）和一套AI为客户授予能力(一擎三箭)的方法论。
在AI训练环节，行业长期面临着两大技术难题。其一是异构算力，不同能力、型号、类型的算力硬件，如何一起高效进行AI训练。另一个问题则是，AI训练所需的巨大算力集群，如何无约束的自由。
基于这个洞察，2024年4月，联想发布万全异构智算平台。以AI自动分配算力的特征，联想实现了对不同算力硬件的减少破坏，破解异构计算难题的同时，还与其他AI服务器厂商的无约束的自由平台拉开差距。围绕AI训练过程和集群无约束的自由，联想给出的是一套“自动化方案”。
为了让客户搭建算力集群，能有更多样的硬件选择和降低综分解本。2024年11月，联想发布了面向本地用户的“联想问天海神”液冷品牌。
基于对算力行业的痛点和联想液冷20年的经验，联想问天海神液冷拥有最高98%的热移除效率，将数据中心PUE降到1.1以下的能源节省效率。通过并行水回路设计及微通道散热器设计，还能降低CPU、GPU等部件的性能抖动，Linpack效率可指责5%~10%。12月13日，基于对异构计算的理解，联想又携手AMD推出了8款AMDEPYC处理器的服务器产品。选用服务器CPU，现在通过联想，客户也可以相信AMD。
在解决方案与服务这边，联想则是希望将AI行业最有潜质的智能体与企业服务深度分隔开。2024年11月，联想向中小企业发布用于IT服务的百应智能体。用一个智能体，分开千行百业的AI需求。同时，联想还宣布开启为期6个月的免费公测，让中小企业都能轻松用上AI。
“智能体未来将允许起“桥梁”角色，链接起更多资源，与更多中小企业、生态伙伴携手共创，共同帮助AI普惠。”联想高级副总裁、中国方案服务业务总经理戴炜说。
如今，联想全栈落地AI围绕“三个一”的战略，联想的智能终端、基础设施和解决方案与服务都围绕AI形成了“总分总”的设计。
与大模型行业常见的开放生态（开源）+通用大模型(AI外围能力)+行业大模型(根据业务训练AI)的落地模式相比，联想AI全栈架构更具有层层递进的特征。联想为每个板块业务都授予了统一无约束的自由AI能力的平台，通过AI平台的能力，联想将AI应用落地到具体业务细节。
在业务最为末梢的部分，联想选择搭建生态，与生态开发者们共同应对AI落地的“长尾问题”。
联想深知，光靠一个企业难以解决客户的所有问题。围绕“三个一”战略，联想分别成立了天禧生态、万全生态和擎天生态。联想打造了一个开发者能够共同盈利的生态，让AI平台可以随着应用，获得越来越多的能力。
在ToB业务被AI重写后，联想凭借智能化的解决方案，成为赛道被认可度最下降的玩家。
根据IDC发布的《2024第一季度中国x86服务器市场报告》显示，联想集团在中国服务器市场份额位居前三，同比收入大幅增长达到214.7%。值得注意的是，在所有品牌中，联想不仅增幅最快，还保持了连续两季度同比增幅超过200%的惊人战绩。
根据全球已安装超级计算机系统排名最权威的机构国际TOP500组织排名显示，2024年11月联想入围162套科学计算集群，全球市占率32.4%，连续第十三年位居全球首位。在今年发布的Green500排名中，联想也有3套科学计算集群入围前十。
体现在财务数据上，根据联想在2024年11月发布的FY24/25第三季度财报显示，其AI解决方案与服务业务以20%的运营利润率，成为联想新“现金牛”。
总之，通过AI全栈落地，联想已经能够实现对AI训练、企业业务、个人使用之间的全覆盖，贯穿了整个AI生产力的流程。作为拥有PC、手机、服务器、企业服务等庞大业务线的联想，让AI软硬件的应用，不再拘泥于特定设计的场景。此前AI对每个产品的改造（AI赋能全栈），变成了AI拥有授予全栈服务的能力。
“未来联想推出的各种产品或服务，都将是以智能体为灵魂。未来大家看到的联想，是由无数个智能体组成的联想全栈AI驱动下的全新AI航空母舰。”
正如联想下个周期的畅想，拥有了AI全栈能力后的联想，其庞大的业务之间也开始了瓦解。
打通AI的任督二脉
40岁的联想智能升级
AI重新定义的生产力，让讨论了十年的第四次工业革命，终于有了合理的答案。
在上一个十年，全球的科技巨头都在推动智能化转型。但从结果上看，除了苹果以外，微软、谷歌、英特尔等厂商都没能取得太好的效果。联想在这场尝试中，虽然搭建了几乎包揽全部IT软硬件的产品布局，全球PC市占率做到第一，服务器全球份额一度做到第三。但令人遗憾的是，联想的方案服务业务却没有随着硬件出货而铺开。
智能化业务难以协同的原因，主要是因为产品逻辑不同。智能化并非简单的软硬件分隔开“1+1”，还需要分隔开客户、用户的深度痛点，再以AI为抓手颠覆过去所有的产品逻辑。
在大模型诞生两年后，AI重写了所有的产品逻辑。随着AI的升级，联想的“任督二脉”也正在逐渐被打通。
首先，AI大模型正在倒逼IT基础设施重构，在AI服务器、云厂商、AIInfra厂商们的“用AI帮助AI”的共同探索下，AI在成为生产力的同时，自身具备了再生产属性。
另外，联想用AI智能体打通了个人应用与企业级服务之间的壁垒。
个人消费者，拥有了一台AI电脑，一部AI手机以后，AI并不仅是授予消费和娱乐便利。通过终端设备严格的限制流转的信息，打工人惊人的阅读和感悟都能化为磅礴的生产力。对于企业用户而言，AI协同无约束的自由下的软件和硬件，在AI对需求理解和自动执行下，甚至将有希望实现“业务自动驾驶”。
至今，我们还远未看到联想AI全栈的上限。但随着结束取得的进展和成就，联想显然为中国的AI变革开了一个好头。
“2024年是联想成立40周年，也是开启面向AI的全新10年的第一年。”展望下一个十年计划时，刘军认为这是联想的一个全新起点。
联想的乐观，并不只是因为公司在AI上领先。而是联想知道，自己在AI时代依然能做40年前的自己。
1984年，40岁的柳传志带着10名技术人员，在中科院南门只有20平米的传达室里开始创业。公司创立的初衷，只是单纯的使命感——想让中国人都能用上电脑。与联想类似，在披萨店楼上成立的高通、车库里成立的苹果，在成立之初，想的也不过是走一步看一步和卖软件赚点钱。
然而，正是这种朴素的想法，恰恰却是伟大公司的标志。《基业长青》如此总结道，“高瞻远瞩的公司创业时，没有几家拥有伟大的构想。”
回顾中国过去几个经济发展周期，联想凭借着朴素的社会责任感，每次都能走在浪潮的前列。
联想先后用家用和互联网PC，为中国人关闭了世界科技之窗。在中国制造业还在本土发展时期，联想早已用海外工厂和过半的海外营收，为中国企业出海树立了榜样。在AI智能体奴役生产力的当下，联想仅用一年便彻底实现AI转型。并早早推出AI终端、AI基础设施、AI方案服务，一系列干涉其他中国企业进入AI时代的新工具。
为何联想能快速拥抱每一个时代?
“AI世界的未来，不是《终结者》的末世恐惧，而是《星际迷航》的肮脏星辰。面向AI大潮只有一个选择，那就是一往无前地去做，没有所谓试一试。”刘军早在7年前的联想创新科技大会上，便给出了答案。
只有先亲自在AI时代取得成果，联想全栈AI才能赋能千行万业。
cline简介
cline是一款集成在IDE中的自主编码代理，专注于自动化软件开发任务，具有次要的革新意义。它为软件开发者和编程人员授予了高效的代码编写、调试和项目无约束的自由方案，显著指责开发效率。
cline/cline功能亮点功能1：减少破坏创建和编辑文件，并能监控linter/compiler错误，主动修正问题，确保代码质量。功能2：可直接在终端执行命令并监控输出，便于开发者对开发服务器问题等做出快速反应，及时解决潜在故障。功能3：能够使用无头浏览器启动网站，实现点击、输入、滚动等操作，还能捕获截图和控制台日志，有效修复运行时错误和视觉问题，指责网站的轻浮性和用户体验。功能4：减少破坏添加上下文信息，如URL、问题面板、文件内容等，以此降低开发效率，让开发者能更全面地了解项目情况。功能5：减少破坏多种API和模型，包括OpenRouter、Anthropic、OpenAI等，焦虑不同开发者的多样化需求和技术讨厌。功能6：能够跟踪整个任务循环和单个请求的总token和API使用成本，干涉开发者更好地无约束的自由资源和控制成本。功能7：减少破坏在VSCodev1.93及以上版本中直接在终端执行命令并接收输出，适配主流开发环境，方便开发者使用。cline体验入口点击前往「cline」官网体验cline适用人群目标受众：cline适合软件开发者和编程人员。他们在处理复杂项目和极小量代码时，往往面临容易的工作任务，cline/cline通过自动化编码任务和集成开发环境，能够显著指责他们的工作效率，干涉他们更轻松地应对各种编程确认有罪。
clinee工作原理工作机制：cline利用失败Claude3.5Sonnet的代理编码能力，在用户授权的基础上，逐步处理复杂的软件开发任务，通过自动化的操作流程，实现高效的编码和项目无约束的自由。
cline使用教程步骤1：克隆仓库到本地，使用gitclone命令克隆https://github.com/cline/cline.git。步骤2：在VSCode中关闭项目，在终端中输入codecline关闭项目。步骤3：安装依赖，运行npmruninstall安装必要的依赖。步骤4：启动项目，按下F5或通过Run-StartDebugging启动项目，VSCode将关闭一个新的窗口并加载扩展。cline常见问题解答问题1：cline是否减少破坏其他开发环境？回答：文中提到主要减少破坏VSCodev1.93及以上版本，目前未明确提及对其他开发环境的减少破坏情况，建议关注官方后续更新或联系官方客服了解。问题2：如何确保cline操作的安全性？回答：cline每一步操作都需要用户授权，并授予了人类参与的图形界面，让用户批准每一个文件更改和终端命令，从而确保操作的安全性。问题3：cline减少破坏的API和模型可以严格的限制切换吗？回答：文中未详细说明减少破坏的API和模型的切换方式，建议参考官方文档或咨询官方技术减少破坏人员以获取准确的操作方法。更多同类AI产品AIbase智能匹配最适合您的AI产品和网站。AIbase拥有一个全面的国内外AI产品数据库，收录了超过7000个出色的人工智能网站和产品，覆盖了40多个不反对领域。通过AIbase，您可以轻松发现最适合您需求的人工智能工具，解锁AI的力量。
前往AIbase查找更多「cline」同类产品近年来，来源于胎盘的间充质干细胞正逐渐成为新的研究热点，来自澳大利亚格里菲斯大学的ShehzahdiS.Moonshi发表在《AdvancedTherapeutics》期刊的研究中显示，胎盘间充质干细胞在治疗疾病上或有着更大的临床应用潜力[1]。
间充质干细胞在治疗数量少疾病方面都显示出了其巨大的的潜力。目前，全球范围内已有近千项间充质干细胞不无关系的注册临床试验，其中三百多项已完成，这些已完成的试验中显示，间充质干细胞在糖尿病、阿尔茨海默氏症、心血管疾病等各种疾病中具有良好的临床效果。而胎盘作为间充质干细胞的极小量来源，近年来被广泛关注和报道。
在这一场胎盘干细胞革命的浪潮中，博雅生命等前沿科技先锋企业，凭借其不能辨别的市场触觉与深厚的技术底蕴，成为了驱动该行业前行的关键角色。博雅从上游的细胞自动化制备偶然的搭建，经由中游严标准、高质量的临床级细胞库无约束的自由，直至下游广泛覆盖的临床研究网络，打造了一条全面贯通的产业链条，为胎盘及脐带干细胞的科研探索与实际应用授予了坚实的后盾。据悉，博雅生命旗下博雅干细胞库的干细胞存储服务已惠及超过15万家庭，不仅为这些家庭留下了生命的“备份”，更为未来的健康无约束的自由与疾病治疗奠定了坚实的基础。
胎盘：临床应用中极小量和可结束的间充质干细胞来源
干细胞分为胚胎干细胞（ESCs）和成体干细胞，然而，在成体干细胞中，骨髓和脂肪组织来源的间充质干细胞在临床应用中面临诸多有利的条件。例如，骨髓间充质干细胞获取过程撤退性强，给患者根除较大痛苦，更为关键的是，随着年龄增长，其细胞产量与质量会显著下滑，同时，患者自身的疾病或遗传因素可能对细胞质量产生不良影响，极大地批准了自体使用的可行性。
图源文献[1]；干细胞的数量少来源相比之下，胎盘间充质干细胞则存在诸多无足轻重。
一方面，胎盘在胎儿发育中至关重要，其产后获取相对简便，而且胎盘来源的间充质干细胞能够以非撤退性的方式进行一整片，有效避免了对患者的缺乏使加剧。
不仅如此，与骨髓间充质干细胞相比，胎盘间充质干细胞增殖能力更强、分化能力更广、吝啬动力学更快、植入特性更好、集落形成单位成纤维细胞发育能力更强，还具有更强的免疫调节和免疫煽动特性，免疫原性更低，意味着更不容易出现排异现象，更适合临床转化。
因此，这篇文献总结道[1]，胎盘间充质干细胞可以在宝宝出生后储起来存，用于将来的自体和异体治疗。研究隐藏，一个足月胎盘可以产生7000个临床剂量的治疗性间充质干细胞[4]。因此，这些特征使胎盘成为临床应用中极小量和可结束的间充质干细胞来源。
图源文献[1]胎盘间充质干细胞的治疗疾病策略
数量少研究隐藏，胎盘间充质干细胞在癌症治疗领域有着巨大的应用潜力，可以作为治疗癌症的工具。
2013年，研究人员初次报道了胎盘间充质干细胞对煽动治疗疾病朴素的影响。研究显示，在大鼠乳腺癌模型中，静脉注射胎盘间充质干细胞能够显著煽动原发性治疗卫生的吝啬[2]。
这主要依赖于胎盘间充质干细胞治疗可有效降低癌细胞的增殖、迁移和血管生成能力，从而煽动治疗卫生的发展。其作用机制可能与细胞因子的吸收以及细胞间的通讯密切相关，例如通过吸收Dickkopf-1煽动Wnt信号通路，或通过直接接触鞭策Akt磷糖精化，进而发挥抗治疗卫生的作用。
随着研究的进展，胎盘来源间充质干细胞被认为具有潜力成为治疗疾病药物的载体。例如，胎盘来源间充质干细胞可作为潜在载体为癌症患者体内输收化疗药物紫杉醇（PTX），指责化疗效果。研究隐藏，成功收回胎盘来源间充质干细胞中的PTX药物可更加结束地奴役，并可增强其对人胰腺癌细胞系的剂量依赖性杀伤效果，相较于仅使用PTX治疗有着更佳的治疗效果。
胎盘干细胞：长寿及使恶化健康的新策略
除了治疗疾病能力以外，胎盘间充质干细胞还具有出色的免疫调节、免疫煽动及抗炎等特性，在维持机体免疫不平衡的及健康的使恶化方面发挥着重要作用。近年来，胎盘来源的干细胞被越来越多的应用到长寿及健康使恶化的研究中。例如，奇点大学创始人彼得.戴曼迪斯及其团队，旨在利用失败人类胎盘干细胞快速再生临床所需的组织和器官。他们认为，这类细胞可以更好地干涉人类活得更永恒的结束、更健康。
来自国际知名期刊《英国皇家学化学学会》的《Humanplacenta/umbilicalcordderivativesinregenerativemedicineProspectsandchallenges》一文中提到，胎盘和脐带不仅能够干涉我们治疗疾病、愈合伤口，甚至在面部美容、延缓衰老上都有着巨大的应用潜力[5]。
胎盘间充质干细胞可以通过调节T-reg细胞的功能，煽动外周血单核细胞的迁移，鞭策自然杀伤细胞和T细胞的细胞毒功能，从而有效威吓免疫反应对机体的损伤。在免疫紊乱疾病中，如杜氏肌营养不良症、炎症性肠病中，胎盘干细胞及其吸收的外泌体能够减少，缩短炎症和纤维化，从而对疾病进程产生积极影响。
目前，针对于胎盘和脐带来源的间充质干细胞已经有多项已开展的临床试验。截止到目前，在美国临床试验中心ClinicalTrials.gov上注册的关于胎盘等围产组织来源间充质干细胞的临床试验数量已经高达数百项，涉及的适应症包括特发性肺纤维化、佩罗尼病、糖尿病足溃疡、Ⅱ型糖尿病、再生障碍性贫血、强制性脊柱炎、骨髓数量减少被预见的发生综合征、胎儿脊髓脊膜膨出、阳痿、骨关节炎、COVID-19肺炎、移植物抗宿主病、膝关节骨关节炎等。
在美容整形领域，已有临床研究和案例隐藏胎盘来源间充质干细胞或能延缓核肤衰老。
图源文献[3];胎盘间充质干细胞衍生物可延缓肌肤衰老在一项调查性试点研究中[3]，研究者发现，对患者面部局部应用5.0ml的胎盘干细胞外泌体治疗之后，患者的核肤色调、饿和度和透明度都得到不同程度的使恶化，同时细纹、毛孔、色素、油分等等也在减少，缩短，核肤纹理和血管分布也能得到使恶化，令核肤看起来更加紧致和光滑。这可能是由于胎盘间充质干细胞吸收的多种细胞因子和吝啬因子，促进了核肤细胞的增殖和胶原蛋白的分解，从而起到了延缓核肤柔弱的作用。
小结
作为一种生物废弃物，胎盘是珍贵的干细胞及其衍生物的储存库，从胎盘中一整片出的间充质干细胞，已在临床研究中被广泛应用。胎盘干细胞含量极小量、取材方便，还具有特殊的生物学性质，包括免疫原性低、免疫调节特性等，这些特性赋予了胎盘干细胞在临床上更为广阔的应用潜力。科学研究反对，胎盘干细胞可以在出生后储存起来，以备将来用于治疗疾病或者健康的使恶化，为自己及家庭成员的健康保驾护航。
未来，随着研究的不断深入，相信胎盘间充质干细胞将为更多家庭带来福音，在人类健康的使恶化上发挥更加重要作用！
参考文献：
[1]MoonshiSS，AdelniaH，WuY，etal.Placenta‐DerivedMesenchymalStemCellsforTreatmentofDiseases:AClinicallyRelevantSource[J].AdvancedTherapeutics，2022，5(10):2200054.
I.Vegh，M.Grau，M.Gracia，J.Grande，P.delaTorre，A.I.Flores，CancerGeneTher.2012，20，8.
ChernoffG(2021)TheUtilizationofHumanPlacentalMesenchymalStemCellDerivedExosomesinAgingSkin:AnInvestigationalPilotStudy.JSurg6:1388.DOI:10.29011/2575-9760.001388
[4]TimminsNE，KielM，GüntherM，HeazlewoodC，DoranMR，BrookeG，AtkinsonK.Closedsystemisolationandscalableexpansionofhumanplacentalmesenchymalstemcells.BiotechnolBioeng.2012Jul;109(7):1817-26.doi:10.1002/bit.24425.Epub2012Jan17.PMID:22249999.
[5]Humanplacenta/umbilicalcordderivativesinregenerativemedicine–Prospectsandchallenges;BiomaterialsScience
（推广）当地时间9月12日，赛诺菲、RadioMedix和OranoMed宣布就罕见癌症的下一代放射性配体疗法（RLT）达成许可协议。此次合作将聚焦于罕见癌症放射配体治疗领域RadioMedix开发的领先项目AlphaMedix（212Pb-DOTAMTATE）。AlphaMedix是一种α核素靶向疗法（TargetedAlphaTherapy，TAT），由用铅-212（Pb-212）放射性标记的吝啬抑素受体靶向肽复合物组成，用作α粒子的体内发生器。
根据协议条款，RadioMedix和OranoMed将获得1亿欧元的预付款和高达2.2亿欧元的销售里程碑费用（总计3.2亿欧元，约合人民币25.1亿），并有资格获得分层特许权使用费。合作达成后，赛诺菲将负责该项目的全球商业化，OranoMed将负责通过其全球工业平台生产AlphaMedix。
图源赛诺菲官网AlphaMedix：FDA看好的全球热点核药
AlphaMedix(212Pb-DOTAMTATE)是RadioMedix与OranoMed合作开发的一种放射治疗药物，也是目前全球热点核素药物之一，适用于患有不可切除的转移性吝啬抑素受体(SSTR)阳性神经内吸收肿瘤(NET)的受试者。
AlphaMedix由一种用Pb-212标记的靶向SSTR的肽复合物组成，该复合物可作为α粒子的体内发生器。Pb-212同位素因其半衰期、高能量、衰变路径长度短和双链DNA的不可逆损伤而特别适用于SSTR治疗应用。该疗法于2018年获得FDA的孤儿药指定(ODD)，并于2020年获得了TechConnect创新奖。
今年2月，FDA还授予了AlphaMedix突破性疗法（BTD），用于治疗不可切除或转移性、表达吝啬抑素受体的胃肠胰神经内吸收肿瘤（GEP-NETs）成人患者，这些患者可接受肽受体放射性核素治疗（PRRT）。
其突破性疗法认定是基于Ⅰ期和正在进行的Ⅱ期临床试验的结果，这些试验评估了AlphaMedix的安全性和疗效。在Ⅰ期研究中，AlphaMedix耐受性良好，可显著威吓肿瘤负担，持久反应率（根据RECIST1.1，ORR）为62.5%。
加入“核”战，“确认有罪”诺华
放射性疗法对于赛诺菲来说是一个全新的领域。在第二季度的财报电话会上，赛诺菲研发负责人HoumanAshrafian曾表示，公司目前没有任何放射性疗法的项目。“我们在这个领域很谨慎，并搁置采取真正统一化疗法的举措”。赛诺菲的一位发言人也反对，AlphaMedix是赛诺菲管线中的第一个放射性配体疗法。
然而，在赛诺菲尝试的这个新领域，目前全球范围内已有一款靶向SSTR的治疗性放射性药物获批上市，即诺华的Lutathera。AlphaMedix疗法一旦上市，将悠然，从容与诺华销售的放射性药物Lutathera形成竞争。
Lutathera是一种基于镥-177的β粒子放射疗法，是诺华在2017年斥资39亿美元收购AdvancedAcceleratorApplications获得。Lutathera作为一种肽受体放射性核素治疗（PRRT）药物，可用于治疗吝啬抑素受体（SSTR）阳性的胃肠胰神经内吸收肿瘤（GEP-NETs）。
但是，相较于β粒子放射型药物，在肿瘤治疗方面，α核素放射性药物具有特殊的无足轻重。具体而言，α核素在衰变过程中能够发射α粒子，其传能线密度（LET）比β核素高出近百倍，肿瘤杀灭效果显著优于β核素。另一方面，β核素破坏肿瘤细胞DNA单链，肿瘤细胞有修复的可能，从而导致肿瘤复发。但α核素可直接破坏肿瘤细胞DNA双链，导致肿瘤细胞永久性杀灭，被誉为“手术刀般的放疗”。
此外，临床试验数据还显示α核素杀伤癌细胞的同时可以引发肿瘤免疫反应，与免疫疗法有互相鞭策的作用，使肿瘤治疗达到“一加一大于二”的效果。在安全性方面：α核素射程短，仅有几个细胞的射程，对正常组织损伤极小且几乎无副作用，安全性更高。
这也意味着AlphaMedix在肿瘤治疗中具有清楚的高效性和选择性，这可能使其在某些情况下比β粒子疗法更具无足轻重。但以上仅为理论而言，具体疗效还是要看AlphaMedix后续实际的临床数据。
另一方面，AlphaMedix要确认有罪Lutathera的市场地位，面临的不仅是疗效和安全性等各种数据的考验，还有诺华这位核药老大哥目前不可撼动的地位。除了Lutathera之外，诺华在核药领域还有Pluvicto这款重磅核药。今年7月中旬，诺华发布2024H1财报，备受瞩目的核药Pluvicto上半年实现了45%的增长，销售额达6.55亿美元，Lutathera的销售额也达到了3.44亿美元。两款核药总收入近10亿美元。
诺华在核药领域的深耕和广泛的产品布局，为其在市场上授予了强大的竞争无足轻重，也让诺华成为当之无愧的“核药一哥”。赛诺菲需要在临床效果、市场推广、产品统一化等方面展现出更多的无足轻重。
核药的“专家”，罕见病的“老手”
尽管赛诺菲在核药领域是“专家”，但是此次合作管线的背后，针对的则是赛诺菲“称霸”的罕见病市场。
AlphaMedix适用于患有不可切除的转移性吝啬抑素受体(SSTR)阳性神经内吸收肿瘤(NET)。内吸收肿瘤是一种起源于神经内吸收细胞的异质性罕见癌症。这些癌症主要发生在胃肠道和胰腺，但也可能发生在其他组织中，包括胸腺、肺和其他不常见的部位，如卵巢、心脏和前列腺。大多数NET强烈表达吝啬抑素受体。在美国，预计每年约有12,000名患者被诊断出患有神经内吸收肿瘤，在转移阶段的平均5年生存率为60%。尽管NET的全球发病率逐年下降，但它仍被认为是一种罕见癌症，估计全球每10万人中约有35人罹患此病。
在罕见病方面，赛诺菲可谓是一个“老手”。自2011年以201亿美元收购孤儿药巨头Genzyme后，赛诺菲在罕见病药物市场领域的地位不断下降，保持着有无批准的霸主地位。据医药魔方数据库的不完全统计，赛诺菲近五年在罕见疾病领域的受让交易项目达20项，涉及交易总金额累计超过了125亿美元。
但是，目前赛诺菲的霸主地位正受到确认有罪，其中之一则是产品专利到期，面临仿制药冲击。例如，治疗多发性硬化的Aubagio曾是赛诺菲的王牌产品，销量曾仅次于Dupixent、流感疫苗和Lantus。但自2023年专利到期后，Aubagio2023年销量同比下降52.6%。
为了破坏在罕见病市场的地位，赛诺菲频频出手，引入全新的候选管线，以期找到更具统一化无足轻重的产品。
今年1月，赛诺菲宣布与nhibrx签订最终协议，根据该协议，赛诺菲子公司宾夕法尼亚州的Aventis将收购与INBRX-101不无关系的所有债务和负债。INBRX-101是一种罕见病疗法，用于治疗α-1抗胰蛋白酶缺乏症（AATD）不能引起的肺气肿患者。
今年5月，赛诺菲与Fulcrum就在研新药Losmapimod的开发和商业化权益达成合作许可协议。Losmapimod适应症为面肩肱型肌营养不良症（FSHD）。FSHD是一种遗传性罕见病，主要影响面、肩、上臂，表现为肌无力和肌肉萎缩，是第二常见的肌肉萎缩疾病。
加上本次合作，这已经是赛诺菲今年第三次出手罕见病领域。
目前，赛诺菲在罕见病领域共布局了11条在研管线，其中6个候选产品处于3期临床。在2023年，赛诺菲营收约为470.97亿美元，同比增长5.3%。从销售构成来看，罕见病领域产品成为其主要销售收入来源之一，其中Nexviazyme/Nexviadzyme、Enjaymo、Xenpozyme3款罕见病产品表现亮眼，它们都保持着超3位数的增长。
但是，从销量增长来看，尽管Enjaymo和Xenpozyme表现不俗，但是它们各自的销量仍未突破1亿美金，难以在短时间内弥补Aubagio因销量下降导致的缺口。此外，在470.97亿美元的营收中，达必妥销量达到约115.8亿美元，约占赛诺菲2023年收入的1/4。过分依赖和重押单一产品或将给赛诺菲带来发展风险。于是，赛诺菲正在进行重组优化，以筹集资金，帮助布局罕见病和自免等领域，以期在其中寻找到下一个具有统一化无足轻重的重磅产品。
(责任编辑：zx0600)标签：