事件:
　　据科创板日报微信公众号，2025年1月6日，OpenAI首席执行官Sam Altman在1月6日的最新个人博客中写道，OpenAI将有信心构建通用人工智能（ AGI ），并且公司已经开始将目标转向“超级智能（superintelligence）”。Altman提到，到2025年可能会看到第一批AI代理（可以自主执行某些任务的人工智能系统）加入劳动力大军，并实质性地改变公司的产出。
　　投资要点:
　　超级智能基于深度学习，或将在几千天后实现
　　根据人人学AI微信公众号，超人工智能(Super Artificial lntelligence，SuperAl，ASI)是一种超越人类智能的人工智能，可以比人类更好地执行任何任务。最早由英国教授尼克（NickBostrom）定义：“一种几乎在每一个领域都胜过人类大脑的智慧。”据中国科技新闻网，Altman在2024年9月24日发布的《The Intelligence Age》中提到，最终，我们每个人都能拥有一个由不同领域的虚拟专家组成的个人人工智能团队，共同创造几乎任何我们能想象到的东西。我们的孩子将拥有虚拟家庭教师，他们可以用任何语言、以任何速度提供任何学科的个性化指导。我们可以想象，类似的想法还能改善医疗保健，创造出人们能想象到的任何软件，以及更多。Altman在文中预测，人类可能在几千天后就拥有超级智能。Altman在文中指出超级智能的实现将会依赖于深度学习的奏效。
　　深度学习将持续驱动底层硬件的更新需求
　　根据《Understanding of Machine Learning with Deep Learning: Architectures, Workflow, Applications and Future Directions》（Mohammad Mustafa Taye），深度学习又称为深度神经网络，是一种在各个应用领域占据主导地位的机器学习方法。机器学习的功能类似于新生儿，大脑中有数十亿个连接的神经元，当有信息传递到大脑时，这些神经元会被激活。人类在童年时期接受训练和教育，在这个过程中，他们的神经元及其连接路径都会发生变化。如果将人工智能比作大脑，那么机器学习就是AI获得新认知能力的过程，而深度学习则是目前最有效的自我训练系统。根据《深度学习发展现状及算法实现》（郭培卿），由于深度学习与传统计算的模式和特征有着本质区别，前者无须执行复杂逻辑指令，同时需对海量数据并行处理，传统架构的处理器无法有效支撑深度学习大规模并行计算的需求，因此需要更适应深度学习算法的新的底层硬件来加速计算过程。
　　超级智能的发展需要大量能源与芯片
　　据《The Intelligence Age》，Altman认为如果想让尽可能多的人掌握人工智能，就必须降低计算成本使其变得丰富，这需要大量能源和芯片。1）能源方面，据头部科技微信公众号，AI数据中心的计算能力需求急剧上升，导致对电力的需求也随之增加。根据国际能源署（IEA）的报告，源于人工智能应用的增加，全球数据中心的总耗电量预计从2022年的约460 TWh增长到2026年的超过1000 TWh。IEA报告指出，数据中心内部冷却系统和服务器的能耗最高，各占数据中心能耗的40%。剩余20%的电能则用于能源供应系统、存储设备和通讯设备。2）芯片方面，超级智能所依赖的深度学习技术有着大规模并行计算的需求，其主要实现方式包括使用GPU、FPGA以及ASIC专用定制芯片等。我们认为超级智能的发展将带动此类芯片需求大幅提升。
　　能源与芯片将拉动新材料产业需求
　　我们认为未来能源与芯片的大量应用将驱动新材料需求的增长。1）数据中心内部冷却系统的能耗提升将带动液冷技术发展。液冷更适用于高密度功率的数据中心，其中浸没式液冷具有明显优势。氟化液是浸没式液冷的理想冷却液，未来大有可为。2）AI芯片将推动半导体材料大发展，其主要分为制造材料（硅片/化合物半导体、光刻胶、湿电子化学品、电子气体、掩膜版、CMP抛光液和抛光垫、溅射靶材等）及封装材料。3）AI将带动设备及元器件需求，印刷电路板（PCB）产业链有望重塑和受益，相关材料包括电子树脂、电解铜箔、电子级玻纤纱、硅微粉、电子PI薄膜等。4）相关显示及光学材料有望受益，如OLED材料、OCA胶、光学膜、偏光片等。
　　超级智能将赋能化工行业转型升级
　　我们分析认为AI对化工有以下几方面的影响。1）提升研发效率：尤其是在合成生物学领域，AI可大幅提升合成生物学的各环节效率。另一方面，AI也促进了实验室自动化，对传统劳动密集型实验室进行技术革命。2）优化化工设计和建设：AI使工业领域落地周期逐步缩短，有效提高设计生产效率。3）AI赋能化工生产和运营：AI技术助力化工生产实现全方面多维度的智能化、数字化，具有提高生产效率、减少用人数量、提升安全性、降低能耗等多维度优势。4）AI在工业中具有较大潜力：在工业中，已应用于精馏塔、反应器、锅炉、控制器、冷水机组、压缩机、泵、管道等各种工艺设备的校正、工艺参数预测、故障诊断与优化；在纺织，水处理，化肥，核电站和油气等领域