对话 Tobia Scarpa：在数字时代，聆听材料的低语
Tobia Scarpa 与他构思的 BIAGIO 灯具。© Studio Tobia Scarpa当设计日益从屏幕起步，越发倚重算法、效果图和快速传播时，Tobia Scarpa 的创作却持续警示我们：设计根植于原料，其次才关乎视觉。从威尼斯玻璃作坊，到意大利设计鼎盛时期的 Flos、Cassina 与 Gavina，从 BIAGIO、Fantasma 到 Soriana、SEKI-HAN，这位年过九旬的创作者从不刻意树立个人标签，而是不断探求如何感知光线、岩石、木料与岁月。借助此次独家访谈，我们追溯
曼谷夜店大火夺走26条生命，消防漏洞引热议
泰国曼谷7月12日晚发生惨烈火灾，拉差达区一家热门酒吧兼音乐演出场所突发大火，截至13日已致至少26人丧生、70余人受伤，其中20多人情况危急。当地官员透露，仍有45人下落不明，已确认身份的遇难者中有13人，含一名老挝籍公民。 据泰方通报，火灾发生在当地时间12日23时30分左右，事发时“荣啤酒纳拉普劳”酒吧内约有300人，而该场所最大容量为600人。泰媒画面显示，火光从室内喷发，街道烟雾笼罩，伤者和死者被安置在室外地面。灭火后内部景象触目惊心，桌椅焦黑、垃圾遍地。 曼谷市长差察·西蒂蓬确认，事发时一支名
破解产学研壁垒：智能机器人材料产业化新解
图为位于北京市海淀区的中关村展示中心，工作人员展示用遥操作系统操控灵巧手。 新华社记者 王婧嫱 摄 当具身智能成为全球科技界关注焦点，一个关键问题开始被推到台前：支撑机器人“感知 - 记忆 - 决策”的核心材料，如何从实验室走向生产线？ 近日，在第二十八届中国科协年会上，一场题为“智能机器人关键材料产业化路径与产学研协同”的圆桌论坛引发热议。与会专家形成共识：中国智能机器人产业正处于爆发前夜，但关键材料的产业化落地仍需打通产学研各环节的堵点。 智能机器人是新一代人工智能与先进制造技术深度融合的核心载体，关
赛力斯公告2026上半年预亏15至18亿元
北京商报讯（记者蔺雨葳）7月12日，赛力斯(59.900, 0.93, 1.58%)发布公告称，预计2026年上半年归母净利润为亏损15亿—18亿元，与上年同期相比将出现亏损。其中，预计赛力斯汽车有限公司（问界汽车） 2026年半年度实现归属于上市公司股东的净亏损为10.5亿—13亿元。 对此，赛力斯表示，受存储芯片、工业金属、碳酸锂等主要原材料价格上涨等因素的影响，公司生产成本随之增加；基于审慎性原则并进一步夯实整体资产质量，结合资产后续收益预期，对部分因技术迭代、车型换代导致适配性有限的存量资产调整账
AI芯片为何需要玻璃基板？
AI芯片的规模越来越大，为什么玻璃基板变得不可或缺？ 初次接触“玻璃基板”这一概念时，我首先想到的是：这和人工智能有何关联？ 玻璃，通常用于窗户、屏幕或手机贴膜等地方。 后来才明白，这里所说的玻璃并非普通玻璃片，而是先进封装工艺中一块高精度的“底板”。 它与我们日常相距甚远，却与AI芯片紧密相连。 如今的AI芯片早已不是单打独斗的个体。 GPU、HBM、Chiplet以及I/O模块都被集成到同一个封装平台中，构成一座日益复杂的“芯片都市”。 城市规模越大，地基越关键。 AI芯片同样如此。 当芯片面积不断增
赛力斯业绩反转！上半年预亏最高达18亿元
7月12日，赛力斯(59.900, 0.93, 1.58%)（601127.SH）发布公告，预计2026年半年度归属于上市公司股东的净利润将出现15亿元至18亿元的亏损，与上年同期相比由盈利转为亏损。 针对业绩大幅变动的主要因素，公告指出，由于存储芯片、工业金属、碳酸锂等关键原材料价格持续上涨，导致公司整体生产成本明显攀升；同时，基于谨慎性原则并进一步强化资产质量管理，综合考量资产未来收益预期，对部分因技术更新迭代、车型换代而适用性较低的存量资产进行了账面价值调整。 受上述多重因素冲击，公司核心子公司问界
阿里AI智能体问世：从工具到科研专家，基础码农的危机与出路
阿里发布材料发现AI智能体：当AI从工具进化为科学家，只会写基础代码的打工人何去何从？众多开发者仍抱有安稳心态，认为AI仅能辅助编写代码。直到阿里全新AI智能体问世，众人方才彻底警醒。AI已能独立开展科研、实现突破，其能力远超普通基础开发的范畴。2026年职场分水岭正式降临，AI不再仅仅是辅助工具，而是蜕变为可独立攻克难关的科研者，底层代码从业者的处境日益尴尬。一、阿里重磅突破，AI彻底打破工具人的局限近期阿里达摩院推出了全新材料发现AI智能体。它已不再是只会生成代码、文案的普通人工智能。能够自主检索海量
AI上游材料：调整后的核心竞争力检验丨CRO领域资金流向追踪丨核心研究报告周报
发布单位：开源证券研究所开源证券-宏观研究韦冀星 策略首席分析师证书编号：S0790524030002【策略】AI上游材料：调整后的核心竞争力检验年初至今，AI投资格局呈现三足鼎立，AI材料、AI硬件、国产半导体三大主线同步推进。其中，AI材料供应链共识度较高，伴随价格上升趋势，正获得市场重新评估；其根本原因是AI产业链的利润持续向产业链上游延伸，当远期终端需求增速成为行业共同认知，相比产业链中游，供给约束较强的上游材料往往具备更高壁垒、更大涨价潜力。随着产业链地位上升、利润分配占据优势，“AI材料”有望
AI热潮下，谁在默默支撑硬件基石？
过去两年，市场最熟悉的主角是大模型、GPU、服务器、光模块。每一次参数升级、每一次算力扩张、每一次数据中心开工，都像给科技股重新打了一针兴奋剂。 但一个更朴素的问题开始浮出水面：AI集群越来越大，芯片越来越热，互连越来越快，封装越来越复杂，谁来提供那些真正撑住硬件世界的材料？ 答案很简单：是锡、铟、钽、铌、钨、钼、铜，以及玻璃(1439, -10.00, -0.69%)基板背后的一整套材料工业。AI产业越往后走，越不像一场单纯的软件革命，越像一场材料工业的重新排座次。这大概是有色金属重新被市场盯上的真正原
净利翻24倍却回调32%？300390等绩优股遭资金关注
关注金麒麟分析师研报，专业权威且及时全面，助您发掘潜在主题机会！ 过去一周共有150只个股接受机构调研，其中华盛昌(96.430, -2.11, -2.14%)接待机构数量居首。 据证券时报·数据宝统计，华盛昌累计接待128家机构，涵盖42家基金公司、11家券商及27家私募等。 公司透露，2026年2月底已签署收购意向协议，目前伽蓝特已完成股权交割及工商变更，交易进展顺利；2026年5月，华盛昌向伽蓝特提供5000万元授信，以支持其业绩增长，同时增强供应链稳定性并布局新产品。 2026年一季度，伽蓝特净利
A股公司业绩暴增超九倍！六氟磷酸锂需求火爆，行业盈利大幅回升
在需求驱动下，2026年国内六氟磷酸锂市场终结了此前的亏损局面，价格曾一度突破16万元/吨。 尽管上半年市场价格整体呈现先扬后抑的走势，但行业内企业的盈利状况已明显改善。 7月9日晚，天赐材料(40.060, -1.40, -3.38%)发布的上半年业绩预告显示，预计当期归母净利润达27亿至30亿元，同比增幅在907.84%至1019.82%之间；扣非净利润预计为26.5亿至29.5亿元，同比增长1029.57%至1157.44%。 天赐材料指出，得益于锂离子电池材料中电解液及六氟磷酸锂产品的市场需求强劲
AI材料供需错配：瓶颈资产壁垒真伪辨析
AI材料及耗材股的高额回报，并非源于永恒的技术门槛，而是源于短期的供需失衡——此类“瓶颈资产”的投资回报期大致等同于产能扩张周期，一旦产能匹配需求，其估值将脱离科技股利润率，跌落至制造业水平，而非持续享有稀缺溢价。瓶颈资产的存活期限：回溯二十年前钢铁也曾被视作科技这两年AI材料和耗材股常被塑造成“卡脖子”、“国产替代”及“不可替代”的稀缺资源，估值随之享受科技股待遇。然而，若按传统制造业框架——价格、毛利率、产能、库存、扩产节奏、订单——复盘财报，我们会得出一个更为客观的结论：多数所谓的瓶颈资产，超额收益
四方达受益AI散热概念强势拉升
四方达：借助AI散热题材强势暴涨大家或许知道钻石象征永恒爱情，但钻石的原矿——金刚石，如今却是AI产业的救星。这绝非夸大其词，随着AI算力不断升级，单张显卡功耗正逼近甚至突破2000瓦，散热难题日益严峻，而传统铜铝加风冷的散热方式已触及物理极限。目前，金刚石是自然界中热传导性能极佳的材料，导热性能是铜的5倍、硅的10倍，正逐渐成为给AI芯片“降温”的关键材料。产业层面的信号已经非常清晰：5月份央视重点报道金刚石进军AI领域。受此消息提振，A股培育钻石板块近期持续活跃，多只个股股价创下历史新高。6月26日收
先进封装迎爆发期：算力底座材料全面突围
AI算力需求持续升温，光模块与AI芯片轮动上涨后，资金正转向更具确定性、估值更低、景气周期更长的细分领域。进入后摩尔时代，算力提升不再仅靠制程进步，先进封装已成为核心突破口。而产业链中最具涨价潜力、最紧缺的环节，正是先进封装材料与头部封测代工。先进封装材料已从普通新材料跃升为半导体自主可控的关键‘卡脖子’环节，国家扶持力度空前。1. 顶层规划明确聚焦。‘十五五’规划将2.5D/3D堆叠、Chiplet、HBM封装列为重点方向，ABF载板、光敏聚酰亚胺、高端塑封、键合材料等关键耗材全部纳入进口替代清单。2.
AI驱动材料革新：层级架构与战略部署
本文首发于《中国科学院院刊》2026年第6期“国家科学技术思想库：人工智能赋能科学研究”赵紫威1,2周凤翔1,2*周杨理理1,2王灿1张佩1汪卫华1*1 中国科学院东莞材料科学与技术研究所2 松山湖材料实验室材料创新长久以来受困于设计空间广阔、工艺路线繁杂、验证周期漫长及工程转化困难等挑战。传统的材料创制与性能优化模式依赖经验积累、理论推导及实验试错，已难以满足关键材料快速突破的迫切需求。近年来，人工智能技术加速融入材料设计、制备、表征、评估、性能优化及应用反馈等全流程，促使材料创新由经验驱动转向数据驱动