<?xml version="1.0" encoding="UTF-8"?><rss version="2.0" xmlns:content="http://purl.org/rss/1.0/modules/content/"><channel><title>迁移挑战 | 行业新闻_数智（点击查看更多）</title><description>搜索引擎 + AI 驱动的行业新闻【覆盖行业】信保 ｜出口 ｜金融 制造 ｜农业 ｜建筑 ｜地产  零售 ｜物流 ｜数智【访问入口】hangyexinwen.com【新闻分享】点击发布时间即可分享【联系我们】xinbaoren.com（微信内打开提交表单）</description><link>https://shuzhi.hangyexinwen.com</link><item><title>⁣📰 后量子密码迁移的风险挑战与技术路径选择随着量子计算持续发展，公钥密码体系面临潜在威胁，后量子密码已从理论研究逐步进入工程部署阶段</title><link>https://shuzhi.hangyexinwen.com/posts/23793</link><guid isPermaLink="true">https://shuzhi.hangyexinwen.com/posts/23793</guid><pubDate>Tue, 18 Aug 2026 03:34:14 GMT</pubDate><content:encoded>⁣&lt;br /&gt;&lt;b&gt;&lt;i&gt;&lt;b&gt;📰&lt;/b&gt;&lt;/i&gt; 后量子密码迁移的风险挑战与技术路径选择&lt;/b&gt;&lt;br /&gt;&lt;br /&gt;随着量子计算持续发展，公钥密码体系面临潜在威胁，后量子密码已从理论研究逐步进入工程部署阶段。迁移不仅是算法替换，更涉及密码基础设施、网络协议、证书体系、身份认证及业务系统的全链路协同调整，存在滞后、兼容性、混合部署等多重风险。若设计与实施不到位，可能造成身份认证失效、通信中断、数据泄露和信任链断裂，尤其在关键信息基础设施中风险放大。工程化推进受规则供给不足、系统缺乏密码敏捷性、以及工具链与评估能力不足等制约，因此需建立规则完善的标准体系、提升系统的算法可替换与协议可协商能力、构建全生命周期的迁移工具链，并推动协同创新与示范应用。未来应以连续创新链条推动体系化布局，通过协议适配、PKI升级与硬件优化实现平滑迁移，同时制定细化行业迁移指南，提升金融、政务、能源等关键领域的安全可信赖水平。&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🏷️&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;/search/%23%E5%90%8E%E9%87%8F%E5%AD%90%E5%AF%86%E7%A0%81&quot;&gt;#后量子密码&lt;/a&gt; &lt;a href=&quot;/search/%23%E8%BF%81%E7%A7%BB%E6%8C%91%E6%88%98&quot;&gt;#迁移挑战&lt;/a&gt; &lt;a href=&quot;/search/%23%E5%8D%8F%E8%AE%AE%E9%80%82%E9%85%8D&quot;&gt;#协议适配&lt;/a&gt; &lt;a href=&quot;/search/%23PKI%E5%8D%87%E7%BA%A7&quot;&gt;#PKI升级&lt;/a&gt; &lt;a href=&quot;/search/%23%E6%A0%87%E5%87%86%E4%BD%93%E7%B3%BB&quot;&gt;#标准体系&lt;/a&gt;&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🔗&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;https://www.secrss.com/articles/93164&quot; target=&quot;_blank&quot;&gt;原文链接&lt;/a&gt;</content:encoded></item><item><title>⁣📰 [东吴证券]：汽车行业深度报告：AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？ - 发现报告本文围绕数字AI向物理AI迁移的路径与挑战进行梳理</title><link>https://shuzhi.hangyexinwen.com/posts/23213</link><guid isPermaLink="true">https://shuzhi.hangyexinwen.com/posts/23213</guid><pubDate>Sat, 08 Aug 2026 06:44:38 GMT</pubDate><content:encoded>⁣&lt;br /&gt;&lt;b&gt;&lt;i&gt;&lt;b&gt;📰&lt;/b&gt;&lt;/i&gt; [东吴证券]：汽车行业深度报告：AI系列深度21期：物理AI如何从架构借鉴走向模型迁移？ - 发现报告&lt;/b&gt;&lt;br /&gt;&lt;br /&gt;本文围绕数字AI向物理AI迁移的路径与挑战进行梳理。物理AI以感知、决策与行动落地于真实三维空间为目标，落地场景以智能驾驶为代表。迁移经历两个阶段：首先在架构理念层面引入数字AI的注意力机制、矢量化表达等建模范式，形成VectorNet、BEV等统一空间表征；随后向模型层级直接迁移，如EMMA等端到端多模态模型，以及MindVLA、世界基座模型等车端VLA实践。这种迁移并非线性放大，越靠近物理闭环，直接迁移的红利越小，需要重新设计或再训练的部分增多。物理AI与数字AI的三大核心差异在于表征、数据与学习范式。物理世界的连续信号需要先被编码为可学习的三维表征，数字AI的离散文本与符号不同；高价值数据在物理场景中极为稀缺，世界模型被用来生成合成数据以扩充训练；学习范式方面，强化学习在高物理闭环任务中扮演关键角色，帮助超越模仿的局限。总之，数字AI提供底座能力与通用范式，物理AI则聚焦建立物理世界的可控闭环，并以智能驾驶为先导探索安全性与可验证性的发展路径。&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🏷️&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;/search/%23%E7%89%A9%E7%90%86AI&quot;&gt;#物理AI&lt;/a&gt; &lt;a href=&quot;/search/%23%E6%95%B0%E5%AD%97AI&quot;&gt;#数字AI&lt;/a&gt; &lt;a href=&quot;/search/%23%E8%BF%81%E7%A7%BB&quot;&gt;#迁移&lt;/a&gt; &lt;a href=&quot;/search/%23%E8%A1%A8%E5%BE%81&quot;&gt;#表征&lt;/a&gt; &lt;a href=&quot;/search/%23%E4%B8%96%E7%95%8C%E6%A8%A1%E5%9E%8B&quot;&gt;#世界模型&lt;/a&gt;&lt;br /&gt;&lt;br /&gt;&lt;i&gt;&lt;b&gt;🔗&lt;/b&gt;&lt;/i&gt; &lt;a href=&quot;https://www.fxbaogao.com/detail/5586841&quot; target=&quot;_blank&quot;&gt;原文链接&lt;/a&gt;</content:encoded></item></channel></rss>