【台达电子主题演讲要点总结】
台达展示其在AI和自动化领域的最新进展：
AI在各行业的应用：台达强调了AI如何转变电力电子和自动化行业，以及如何通过AI工具解决传统挑战。
数据中心的AI加速器需求：台达指出高性能AI加速器需求的增长，以及对现代数据中心的需求，包括电力供应和热管理网络。
电力供应网络的创新：台达讨论了AI加速器高能耗带来的挑战，并介绍了电力供应网络的创新解决方案。
液体冷却技术的发展：台达介绍了市场上的液体冷却技术，并展示了其在这一领域的创新解决方案。
AI在非IT领域的应用：台达展示了AI技术在无线通信、工业自动化、楼宇自动化和智能移动性等多个非IT领域的应用。
Wi-Fi传感技术的创新：台达介绍了将Wi-Fi技术转化为传感器技术的新应用，包括设备定位、生命体征测量等。
Q Wi-Fi系统：台达提出了Q Wi-Fi系统，旨在以更低的成本提供与私有5G相当的性能。
BIDS系统：台达介绍了BIDS系统，一个自动化无人机检查桥梁的端到端解决方案。
COTA系统：台达推出了COTA系统，一个自动化ADAS系统应力测试的平台，能够暴露并改进系统的弱点。
台湾在AI革命中的角色：台达强调了台湾在AI技术和应用方面的实力，不仅仅是在硬件领域。
总结：在2024年Computex大会上，台达公司展示了其在AI和自动化领域的创新产品和解决方案。公司介绍了基于AI的数据中心电力供应和热管理网络，以及与多家顶级OEM厂商合作推出的新型Wi-Fi传感技术和液体冷却解决方案。台达还强调了其在AI应用端的发展，包括高通AI Hub for PC和多个AI应用的展示，以及与Deloitte等合作伙伴的商业AI模型合作，突显了AI技术在提高生产力和创新方面的潜力。
【详细会议纪要】
大家好，我很荣幸能在AI革命的高峰期，在这样一个论坛上做技术演讲。过去15年里，现代AI技术的发展，让我想起了上个世纪初现代物理学的发展历程。想象一下那种激动人心的氛围，还有那些投入其中的优秀人才和智慧努力。还有那种不断的进步，和连续出现的、改变游戏规则的成果。
当然，这场发展的一个重要标志是2022年11月Chat GPT的发布，它真的震撼了世界，并引发了全球对大型语言模型开发的竞赛，这也推动了AI计算基础设施建设的热潮。
你会看到，对高性能AI加速器的需求几乎是无限的，年增长率达到了惊人的35%。这就是推动当今AI产业发展的主要动力。
但要支持这些AI加速器，我们需要现代的数据中心，它包括放置IT设备的净空间，比如服务器、存储设备、网络设备和交换机，还有非净空间，包括电力供应网络和热管理网络。
AI加速器的一个特点是它们非常耗电。比如，Nvidia的A-100功耗大约是400瓦，H100是700瓦，B100是1200瓦，最新的GB 200大约是2700瓦。这几乎和一整架传统CPU服务器的功耗一样。所以，我们需要大量的电力供应。这就是为什么我们需要一个高效的电力供应网络来满足这些AI加速器的能源需求。
电力供应网络的工作就是把来自电网的电能转换一下。通常电网的电压在10千伏到30千伏之间。现在，你需要把它转换成大约1伏特，然后以一种尽量减少电线上能量损失的方式，把电输送到数据中心的各种设备上。这就是电力供应网络的任务。目前有几种电力供应网络架构正在使用中。台达电子一直在和全球主要的云服务提供商合作，为这些架构设计和开发必要的基础模块，包括固态变压器等。
减少电力供应网络中能量损失的一个方法是保持较高的电压水平，以减少电线上的电流量。这是主要的技巧。但这个技巧在最后的电力输送阶段就不太管用了。当你需要把电力输送到比如AI加速器时，假设有一个消耗大约2000瓦的AI加速器，工作在0.5伏特的电压下。那么你需要4000安培的电流来供电。这是一个非常大的电流。
这就是为什么给这种耗电巨大的AI加速器供电的最新解决方案，是从AI加速器芯片的底部垂直向上供电。通过这种方式实现垂直供电。
我们可以减少最后一段电力输送路径的长度，相应地降低电压降和能量损失，从而实现大约13%的效率提升，虽然听起来不多，但这其实是一个很大的进步。关键是要能够在最后的电力输送阶段，把功率转换机制嵌入到基板中，包括其磁性元件。这才是关键的技术。
现在让我们换个话题。当每个加速器的功耗超过1000瓦时，传统的空气冷却就不够用了。你需要像液体冷却这样的技术。目前市场上有三种类型的液体冷却。一种是空气到液体冷却，比如这种空气辅助液体冷却（ALC），可以把功率使用效率（PUE）降到大约1.3。这是第一种类型。第二种是液体到液体冷却，比如被称为冷却剂分配单元（CDU）的技术，可以把PUE降到1.1。当然，液体冷却的终极形式是沉浸式冷却，你可以把整个IT设备浸泡在冷却剂池中。这可以把PUE进一步降到大约1.03。
目前，台达电子在这三个类别中都有液体冷却解决方案。特别是我们的液体到液体冷却剂分配单元有几个独特的特点。首先，它有一个高效的冷却剂泵；其次，它有一个独特的冷却剂输送管道设计，可以确保管道内的流量均匀。此外，它还有一个体积效率高的热交换器，并通过容错设计和维修机制提高了系统级的健壮性。我们还正在开发一个端到端的精确冷却解决方案，用于整个数据中心的冷却。所以，我们不仅仅是在开发单个组件，我们也在为数据中心冷却开发一个全面的解决方案。
众所周知，台达电子在支持现代人工智能数据中心的非IT部分中扮演着非常重要的角色。这一点几乎每个人都知道。不太为人所知的是，台达还利用现代AI技术开发各种创新解决方案，以满足它们在各个市场竞争领域的需求，包括无线通信、工业自动化、楼宇自动化和智能移动性。在接下来的演讲中，我将谈论三个这样的AI解决方案。
首先，我们的目标是重新利用Wi-Fi，它最初是作为一种通信技术设计的。现在我们想将其转变为一种传感器技术。
今天，实际上我们可以利用Wi-Fi信号来准确定位单个Wi-Fi设备。这是怎么做到的呢？当来自Wi-Fi设备的信号到达Wi-Fi接入点时，接入点可以计算信号的飞行时间、到达信号的角度，然后通过三角测量，我们收集信息并相互关联，围绕邻近的接入点，共同确定发出信号的Wi-Fi设备的位置。所以，理论上这是可行的。
但难点在于所谓的多径问题。这是什么呢？就像当一个信号从Wi-Fi设备发出到达Wi-Fi接入点时，接入点无法知道信号是直接来自设备，还是信号在某个中间反射器上反弹后间接到达接入点的。这就是所谓的多径问题。
我们使用人工智能算法来解决这个多径问题，并提出了一个精确定位系统，其误差大约在35厘米，即0.35米。这比现有的基于信号强度的Wi-Fi定位系统的误差要小大约5到10倍。所以这是一个实例。
第二个实例是我们还可以使用Wi-Fi信号来测量生命体征。比如心跳速率、呼吸速率，以及一些我们可以使用Wi-Fi信号测量的身体活动。
那么这是如何工作的呢？事实证明，现代Wi-Fi技术中的信道状态信息（CSI）对周围环境中的小幅度几何变化非常敏感，包括因呼吸或心跳引起的胸部运动。这些小幅度的几何变化会在Wi-Fi信号上显示出不同的变化。因此，通过分析Wi-Fi信号中CSI的微小变化，我们开发出了一种呼吸速率估计算法，能够在5米的距离上达到大约95%的准确率。同样，还有心跳速率估计算法，能够在1米的距离上达到大约83%的准确率。那么，为什么两者之间存在差异呢？那是因为由于呼吸引起的胸部运动比心跳引起的胸部运动要大得多。换句话说，估计呼吸速率比估计心跳速率更容易。
我们让两位测试对象躺在同一张床上，彼此靠近，然后要求每位测试对象将他的智能手机放在床边，打开Wi-Fi。躺在床上以特定的速率呼吸。一个测试对象的呼吸频率是每分钟10次，另一个是每分钟15次。在测试期间，我们还要求测试对象改变他们的睡姿。例如，他们可以仰卧，可以俯卧，或者侧卧。我们使用Wi-Fi接入点中实现的呼吸速率算法测量他们的呼吸速率，结果显示在屏幕上。结果显示，大部分时间的准确率超过95%。即使这两个人彼此非常接近，意味着没有干扰，而且无论他们的睡姿如何，准确率都保持不变。这真的很令人惊讶。这意味着我们的算法能够捕捉到胸部运动的微小变化，即使测试对象是俯卧的，对吧？如果你那样躺着，可以想象这是可行的。但当你俯卧时，它也是可行的。那就是有些令人惊讶，对吧？
通过结合呼吸速率和身体活动功能的估计，我们可以通过预测一个人在睡眠期间的睡眠阶段，准确率达到82%，做得更好。也就是说，我们能够告诉你在夜间睡眠时，你是处于清醒阶段、快速眼动（REM）阶段、浅睡阶段还是深睡阶段，我们可以在不使用脑电图（EEG）的情况下预测这个睡眠阶段，这是关键。过去，你只能依靠EEG设备来做这种事情。现在你只需要把你的智能手机放在旁边，我们就可以以这种准确率预测你的睡眠阶段。因为这种算法不需要EEG，它使得所谓的目标记忆巩固在我们的日常生活成为可能。也就是说，它使得在正常睡眠期间对特定类型的记忆进行选择性强化成为可能。当你上床睡觉，你想要加强某些类型的记忆，我们可以这样做，因为我们能预测你处于睡眠阶段，对吧？这就是它的意义所在。
这项Wi-Fi传感技术实际上有许多应用。例如，我们可以用它来做简单的事情，比如个人智能手机定位。我们还可以用它来检测入侵者，当没有人应该在家的时候。我们可以在养老院支持全面的睡眠质量监测，例如，不需要使用任何可穿戴设备或智能床传感器，只需要你的智能手机，只需要普通的接入点，我们就可以做到。最后，我们还可以用它来检测车内是否有儿童或宠物被遗忘，这是欧盟即将实施的一项新的车辆安全标准。这个新标准要求车主在离开车辆后一分钟内确认是否有儿童或宠物被遗忘在车内，我们的Wi-Fi传感技术可以轻松解决这个问题。
我们还把这个Wi-Fi传感技术用在了Q Wi-Fi系统上，它的目标是证明Wi-Fi系统能够以更低的成本达到和私有5G通信系统一样的性能。这是一个挑战，但我们想要证明它。
为了实现这个目标，我们用AI算法来自动化接入点之间的协调，支持自我组织和自我优化的机制。
Q Wi-Fi把设备定位作为一个重要功能，内置在每个接入点中，能够把接入点间的切换延迟从原来的100到150毫秒，降低到不到30毫秒，这和大多数5G系统相比，要么一样好，要么更好。此外，设备定位技术还能在Wi-Fi接入点间实现更有效的动态负载均衡，即使在计划内或计划外的接入点关闭的情况下，也能保持网络的连续运行。所以，Wi-Fi通信技术一旦变成了传感器技术，就会有这么多有趣的应用。
第二个例子是BIDS，它的目标是自动化无人机检查大型基础设施，比如桥梁的整个过程。这意味着什么呢？
现在不用无人机检查桥梁的过程，既耗费人力，又耗时，容易出错，还有危险。检查结果的质量并不特别高。这就是为什么人们已经开始尝试用无人机来帮助检查桥梁。这个想法并不新，很多人已经在尝试这样做了，但目前的实践仍然涉及大量的手动步骤。我们的BIDS系统的目标就是自动化这些手动步骤。
那么这些步骤是什么呢？当你要检查一个特定的桥梁部分时，首先你需要为它创建一个3D模型，这样你才能计算无人机的检查飞行路径，并向最终的检查结果展示。所以你需要一个3D模型。然后，你要计算检查的飞行路径。这个飞行路径要能覆盖我们所说的桥梁上的检查元素。所说的检查元素，是指从检查的角度来看在桥梁上重要的区域。你必须覆盖这些点。然后你需要让无人机沿着这条路径自主飞行，没有人为干预。即使在GPS信号不可用的地方，无人机仍然能够自主飞行。最后，无人机需要不时地停在这些检查元素上，拍摄这些检查元素的高质量照片。最后，你需要分析无人机捕获的图像，以识别缺陷并将它们分类到相应的类别中。
目前所有这些步骤大多是手动完成的，我们想要自动化它们。我们如何为一个你想要检查的目标桥梁部分创建一个3D模型呢？首先我们在这个桥梁部分以定义好的角度和距离拍摄一组照片，创建我们所说的粗略3D模型，然后基于这个粗略3D模型，我们用所谓的结构从运动算法，创建我们想要的详细3D模型。
一旦我们有了详细的3D模型，我们就可以用它来进行交互式浏览和计算检查飞行路径。我们如何计算这条路径呢？给定一个目标桥梁部分及其详细的3D模型，我们首先选择一大批围绕目标桥梁部分的航点候选。对于每个航点候选，我们应用所谓的可见性计算算法。
这个算法计算从该航点候选视角对桥梁的覆盖率，然后基于这个可见性计算结果，我们筛选并选择一部分航点候选，形成最终的检查飞行路径。现在，生成的检查飞行路径具有以下属性：该路径上的航点保证覆盖每一个检查元素，这些检查元素是我们需要检查的目标桥梁上的重要区域。它可以至少一定次数覆盖每一个检查元素，因此保证覆盖所有重要的检查元素。这是现有的基于无人机的桥梁检查系统无法做到的。
所以现在我们有了刚刚计算出的检查飞行路径，我们只需要让无人机沿着这个路径飞行。如今这不是问题了。现在有很多系统可以让无人机自主飞行，没有人为干预，沿着预定义的路径。但是我们需要做到这一点，即使是在无人机在桥梁下方飞行，GPS信号不可用的地方也要如此。
那么为什么这很重要呢？当无人机飞行时，它需要自己的定位信息，这通常由GPS信号提供。所以当GPS信号不可用时，它就没有这个位置信息了，因此无法正常飞行。为了解决这个问题，我们使用了一个所谓的视觉SLAM算法，可以动态计算无人机的位置，因此使无人机即使在GPS信号不可用的情况下也能在桥梁下方飞行。
当无人机在桥梁下方飞行时，它的摄像头朝向上方，因此它看到的画面是朝上的，并返回一系列连续的图像。这个视觉SLAM算法将分析这些图像序列，并通过捕捉连续视频帧上的相似点来计算无人机的位置。
下一步，现在我们可以沿着路径飞行无人机，但我们希望无人机以以下方式飞行：我们希望无人机飞行得更快，这样它就不会只是非常仔细地查看一切，但速度很慢。我们希望在没有异常发生时飞行得更快，而在发现异常时减慢速度并加以注意。这意味着无人机需要有能力在飞行过程中感知到有问题的迹象或缺陷的迹象。
现在，当无人机沿着路径飞行并到达一个检查元素时。记住我说的检查元素是从检查的角度来看桥梁上重要的部分。在这种情况下，桥梁框架上的螺丝区域是一个检查元素。
这是另一个例子。这是所谓的桥梁支座，也是检查元素，当无人机遇到这样的检查元素时，它会停下来并仔细地对它们拍照。通过从适当的距离、以适当的角度并以正确的焦点拍照，得到的图片质量可以满足正式检查的要求。
最后一步是，一旦你从无人机那里获得了所有这些图像，就可以使用人工智能算法进行分析。这是人工智能擅长的领域——分析事物。所以，我们只是使用一种相当标准的基于深度神经网络（DNN）的AI算法来分析来自无人机的图像。检测可能的缺陷，将它们分类到相应的类别中，汇总分析结果，并生成检查报告。
因此，一旦BIDS能够自动化上述所有步骤，其余的工作就变得非常容易，桥梁检查操作员现在所需做的只是指定他打算进行检查的桥梁部分。
启动流程后，BIDS系统将负责其余的工作。实际上，如果操作员选择，他可以监视BIDS系统的进度，但他可以通过桌面或笔记本电脑查看来自无人机的实时视频流。
那么，这样做的好处是什么？好处是BIDS利用端到端的自动化能力，将桥梁检查成本减半，并将耗时减少到原来的1/3。
如果你愿意，现有的基于无人机的桥梁检查系统的自动化程度可以分为4个等级。1级，0自动化，一切都是手动完成的。这几乎就像今天的情况，大多数，如果不是全部的话，基于无人机的检查系统都是这样工作的。2级自动化了计算检查飞行路径和让无人机沿路径飞行的步骤。所以它自动化了这两个测试。3级是2级加上自动化拍摄检查元素的高质量照片。这样产生的图片质量满足正式要求。4级是3级加上自动化分析捕获的图像和生成检查报告。
过去的情况是，桥梁检查操作员需要密切参与监控和控制基于无人机的桥梁检查过程。这个人非常紧张，担心是否有事情在发生，以及一切是否都按照正确的方式进行。所以他必须一直盯着屏幕。
但是有了BIDS，对应于4级自动化，我们几乎自动化了一切，好的。现在不再是这种情况了。同一个操作员只需要指定要检查的桥梁部分，按下开始按钮，然后他就可以坐下来，喝杯咖啡，等待结果回来。
最后，我将谈论一个名为COTA的系统，它旨在自动化ADAS系统的应力测试，这是基于测试系统的后续增强。我将在一分钟内解释这些术语的含义。
ADAS代表高级驾驶辅助系统。这是一种目前实际应用中的自动驾驶技术，近几个月来遇到了一些问题。例如，通用汽车的Cruise在旧金山运营的无人驾驶出租车项目被叫停。谷歌的Waymo最近也因为一些无人驾驶出租车与皮卡车相撞而发布了首次召回。但也有一些好消息。Waymo获得了在亚利桑那州菲尼克斯的高速公路上运营其无人驾驶出租车的许可。
从所有这些发展中我们可以得到以下教训。首先，2级ADAS仍然是每个主要汽车制造商关注的焦点。这是第一点。其次，开发一个可靠的ADAS产品的主要挑战是如何全面且成本有效地进行压力测试。ADAS系统核心引擎的异常处理能力，这是测试的关键。我们如何进行这种压力测试呢？理想情况下，简单的答案是能够生成数百万计的极端测试案例。真正奇怪的测试案例，可以暴露被测试ADAS系统的弱点。这确实是关键所在。
假设它是开源的自动驾驶辅助系统软件，称为OpenPilot，这是一个开源ADAS软件，质量相当高，好的。然后我们有两个东西叫做车辆动力学模拟器。它模拟了处于ADAS系统控制下的车辆。所以你需要一个车辆的模拟器。你还需要一个虚拟环境模拟器，它模拟了ADAS系统应该运行的虚拟世界，对吧？一切都在计算机中虚拟完成。所以你就需要这样的东西。那么鉴于此，COTA是什么？COTA是测试用例生成器。它应该生成数百万计的极端测试用例，然后在虚拟环境模拟器中进行测试。
但它做得更多。它实际上可以根据测试结果和运行时日志提供以下三种类型的反馈，针对正在测试的ADAS系统。第一，它可以告诉你ADAS系统是否通过了测试。就像你参加考试时，教授告诉你通过或未通过。第二，如果ADAS系统未通过测试，它可以告诉你ADAS系统的哪一部分，是感知引擎还是控制引擎，应对失败负责。就像你参加考试时，教授可以告诉你这部分内容你不太熟悉，这就是你失败的原因。最重要的反馈是，如果ADAS系统未通过测试，它提供了帮助ADAS系统改进并最终通过测试的现实指导。这是我们真正想要的东西。
为了解释这个概念，让我们以一个特定的ADAS功能为例，称为自适应巡航控制（ACC）。
在自适应巡航控制（ACC）中，你至少需要两辆车。由ADAS系统控制的自车（ego car）应该追赶它前面的前车（leading car），对吧。直到两车之间的距离减少到某个特定值，之后它试图维持这个距离，不管前车的速度如何。也就是说，如果前车加速，自车也应该加速。如果前车减速，自车也应该减速。好的。这就是ACC的工作原理。
现在，如果你是一名ADAS测试工程师，你的任务是为ACC编写一个测试脚本。你得先使用COTA编辑器来定义测试脚本的逻辑场景。在这个逻辑场景中，你会描述参与测试的车辆，至少是两辆车：自车和前车。然后，你可能要设定它们起初的距离，前车的速度变化等等。这是首先要定义的逻辑场景。另外，你还得确定道路环境，比如车辆将要行驶的道路特征，比如道路有多少条车道，是直的还是弯的，有没有转弯或者交叉口，交叉口是什么形状的等等。
接下来，COTA就开始发挥它的魔力了。它会遍历所有可能的参数组合——包括逻辑场景、道路环境、天气状况、一天中的时间以及光照效果——来生成所有合法有效的组合。每个组合就对应一个测试用例。
这些幻灯片展示了一些基于相同逻辑场景和道路环境生成的多种测试用例，但我们改变了一天中的时间、天气条件、光照效果等因素。你可以想象，有很多参数可以调整。如果你有20个参数，每个参数有5种可能性，那么可以产生的变体或组合数量是巨大的。
COTA生成了这些测试用例之后，就会在ADAS系统上执行每一个测试用例。首先是最简单的情况：在晴朗的中午进行测试，能见度很好。ADAS系统正常工作，自车会追赶前车，并在达到特定距离时保持这个距离，测试通过。
COTA还提供了一些详细的执行统计信息，帮助我们分析测试过程。例如，它会显示自车与前车之间估计距离的误差，以及刹车被踩下的时间和力度。
通过这些信息，我们可以分析第二个案例：也是在中午，但那天有浓雾，能见度很差。自车最终撞上了前车，因为能见度太差，等它检测到前车时已经太晚了。测试失败。如果你查看误差图，你会发现距离估计的误差比上一个案例要高得多。由于估计距离的误差，以及刹车踩得太轻太迟，导致了不可避免的碰撞，测试失败。
接下来的案例是在一个晴朗的日子里，能见度良好，但自车没能识别到路中间的一个障碍物，最终撞上了它，测试失败。这个障碍物是一辆侧翻的卡车，横跨多个车道。对于ADAS系统来说，这是一个非常不寻常的场景，它的感知引擎没能识别出这辆翻倒的卡车。为什么会这样？因为在开发过程中，它从未接受过这种类型对象的图像训练。所以，COTA提出，我们可以生成更多的类似测试用例，包含很多这样的翻倒卡车。
COTA生成了这些额外的测试用例，然后用它们来重新训练ADAS系统的感知引擎。重新训练完成后，再用之前失败的相同测试来测试这个经过重新训练的ADAS系统。结果，经过重新训练的ADAS系统能够成功识别翻倒的卡车，并及时停车，避免了碰撞，测试通过。
记住，我们进行测试的原因是想要了解我们的弱点。了解弱点的目的是为了克服它们。COTA不仅能暴露你的弱点，还能帮助你纠正这些弱点。这就是COTA的独特之处。
COTA的开发初衷是尽可能多地生成极端测试用例来压力测试ADAS系统。但我们后来发现，我们可以做得更多。通过仔细分析失败测试的详细日志，我们可以找出ADAS系统失败的具体原因，以及暴露这一缺陷的测试用例部分。有了这些知识，COTA能够生成额外的测试用例，作为补救训练材料，帮助ADAS系统纠正相应的缺陷并变得更好。
换句话说，每当COTA成功生成一个ADAS系统失败的测试用例时，它就能识别导致失败的缺陷，并提供一种补救措施来纠正或消除缺陷，然后重复这个过程。COTA的这种能力，即测试、识别问题、移除问题、再测试的循环，使其在ADAS测试方面超越了现有技术。
最终，在COTA的帮助下，一个ADAS系统失败的测试越多，它就会变得越好。这似乎是一个悖论，但事实就是这样。在COTA下，你接受的测试越多，你就会变得越好。
我们都知道，AI技术正在改变世界，革命才刚刚开始。台达一直是开发高效电力输送和热管理解决方案的主力军，用于新兴的AI计算基础设施。同时，台达还通过开发各种创新的AI解决方案，为AI革命做出了其他贡献。今天我谈到了三个这样的AI解决方案：第一个将Wi-Fi从通信技术转变为强大多用的传感器；第二个实现了基于无人机的桥梁检查系统的端到端自动化，这项技术也可以应用于太阳能电池板农场和风力涡轮机的检查；第三个解决方案自动化了ADAS系统的应力测试，以暴露并系统地消除其弱点。目前还有其他AI解决方案正在开发中，例如能够自主乘坐旧电梯的移动机器人，以及专为电力电路设计量身定制的AI驱动PCB布局工具等。
在AI革命时代，人们常常认为台湾只能在硬件领域发挥作用。但现在，通过我今天介绍的这些AI解决方案，我们可以明确地告诉他们，情况已经不再如此。谢谢大家的关注。
潘暕 天风证券电子行业首席分析师。复旦大学微电子与固体电子学硕士，复旦大学微电子学本科，国际经济与贸易第二专业，曾就职于安信证券任分析师，对电子行业有全面深刻见解，挖掘了众多高成长企业，与产业深入合作帮助企业发展，善于推荐科技创新大周期的投资机会。2019、2020年新财富最佳分析师分别获得第四名、第二名，2021年新财富入围，2015-2016年新财富第一团队成员，2017年新财富第二团队成员。2015-2016年水晶球第一团队成员，2017、2019年水晶球分别获得第二名、第五名。2015-2016年金牛奖第一团队成员，2017、2020、2021年金牛奖分别获得第二名、第四名、第二名。2018年Wind金牌分析师第一名，2020-2021年Wind金牌分析师第二名。2019-2021年金麒麟最佳分析师分别获得第三名、第四名、第六名。2020年上海证券报最佳分析师第三名，2021年21世纪金牌分析师第五名，Choice 2021年度电子行业最佳分析师第三名。温玉章 分析师。计算机及工业工程专业背景，12年以上苹果产品(iPod & iPhone)研发和新产品导入工作经验，对电子，计算机，互联网产业链的发展趋势有较深的认知和理解。骆奕扬 分析师。南京大学物理系本科，香港科技大学集成电路设计硕士。3年电子行业研究经验，覆盖半导体制造、半导体装备材料及部分半导体设计。程如莹 分析师。北京大学计算机专业硕士，覆盖半导体IC设计、MCU/SOC/IGBT/模拟芯片行业&公司覆盖报告。许俊峰 分析师。伯明翰大学工商管理学硕士，覆盖安防、LED、汽车连接器及智能座舱等。俞文静 分析师。香港中文大学金融理学硕士，覆盖消费电子及 PCB 产业链。李泓依 助理研究员。美国埃默里大学会计学及金融学学士、会计学硕士，覆盖半导体封装测试及部分材料装备，已撰写包含汽车芯片、第三代半导体、虚拟显示等多篇行业深度报告。吴雨 助理研究员。利物浦大学金融计算学士，昆士兰大学商务硕士，覆盖部分被动元器件、面板及半导体材料等领域。冯浩凡 助理研究员。新南威尔士大学信息系统学士，金融学硕士，覆盖部分汽车电子领域。包恒星 助理研究员。南京大学材料物理本科、材料物理与化学硕士，覆盖消费电子领域。
高静怡 助理研究员。中央财经大学会计硕士，覆盖半导体领域。
