FX168财经网_全球视野外汇黄金加密货币NFT资讯网

【美股收盘】三大股指“三连跌” 分析师大幅下调企业收益预期

的未来利润。 Facebook 母公司Meta Platforms收低，他们最初因确认正在测试一项名为Meta Verified的月度订阅服务而受到鼓舞，该服务将允许用户使用政府ID验证他们的账户并获得蓝色徽章。 Home Depot跌至三个月低点，此前这家国内排名第一的家居装修连锁店发出需求疲软的警告，并发布了2023年的悲观利润预测。规模较小的竞争对手Lowe's Cos也在下周发布业绩前下跌。沃尔玛预测全年收益低于预期，并描绘了一幅比预期更热的食品通胀挤压利润率的严峻图景。然而，这家全球最大的零售商却从最初的下滑中恢复过来。根据Refinitiv的数据，分析师预计标普500指数成份股公司的收益将在2023年增长1.6%，而年初时的预期增幅为4.4%。

一禾2023-02-22

50%大跌行情一触即发！？“加拿大巴菲特”警告：科技股估值比互联网泡沫时期还要高

ctSet的数据显示，自今年年初以来，Meta Platforms Inc.的股价上涨了44.5%，而去年该公司的市值下跌了64%以上。不过，美国科技股的估值仍远低于2021年底和2022年初的峰值水平。根据FactSet的数据，ARK创新ETF (ARK Innovation ETF)持有Zoom Video Communications和Coinbase Global Inc.等许多投机性科技公司的股票，自今年年初以来上涨了27%以上，而去年则下跌了近67%。这位价值投资者在电话会议上说，他的公司持有的股票仍然被严重低估，但他预计这种情况将会改变。他指出，Fairfax投资组合的价值在2000年至2002年间翻了一番，而同期美国主要股指大约减半。这位价值投资者还指出，尽管今年市场有所反弹，但亚马逊(Amazon)和特斯拉(Tesla)等大型科技股仍较2021年的峰值大幅下跌。此外，Zoom和Shopify等规模较小的同行收复的地盘更少。 Fairfax和伯克希尔在美国银行(Bank of America Corp.)、雪佛龙(Chevron)和西方石油公司(Occidental Petroleum Corp.)等几家关键公司都有共同的持股。沃特萨也和巴菲特一样喜欢高度集中投资：截至去年12月底，包括黑莓(Blackberry)在内的7只股票占Fairfax 40亿美元投资组合的近90%。

市场焦点2023-02-22

美股开盘：道指跌超300点中概股多数走低京东跌近10%

odel3或标配4D毫米波雷达。　　Meta计划推出蓝V认证服务　　Meta PlatformsCEO扎克伯格周日发帖表示，Meta将在旗下社交平台Instagram和Facebook上新增类似Twitter Blue的付费认证服务，用户只要每月付费14.99美元，就可以获得带蓝色徽章的身份认证。Meta Verified将于本周率先在澳大利亚和新西兰推出，随后拓展到其他国家和地区。　　法拉第未来FF91有望在3月底开始生产　　Faraday Future Intelligent Electric Inc公司2月20日官网宣布，将在投资人资金如期到位后，于2023年3月30日在位于加州汉福德的FF ieFactory California开始生产（SOP）旗舰电动车产品FF 91 Futurist。　　沃尔玛2024财年业绩指引不及预期　　沃尔玛第四季度美国总销售额同比增长8.8％，预期增长5.24％；第四季度营收1640.5亿美元，同比增长7.3％；净利润同比增长76.2％至62.75亿美元，2024财年经调EPS指引为5.9-6.05美元逊于预期。　　家得宝营收为358.3亿美元不及预期，2023年业绩指引谨慎　　家得宝第四季收入为358.3亿美元，同比增长0.3％，略低于预期为的359.7亿美元；每股收益为3.3美元，高于预期的3.28美元；净利润为33.6亿美元，同比增0.3％。该公司预计2023财年销售额大致持平，营业利润率约为14.5％，而摊薄后的每股收益将出现中等个位数的下降。　　富国银行：特斯拉汽车召回事件对财务影响不大，维持“持股观望”评级　　富国银行分析师Colin Langan表示，特斯拉召回约36.3万辆配备全自动驾驶的汽车对其财务影响不大。然而，由于美国国家公路交通安全管理局的其他调查仍在进行中，Langan认为“风险显然仍然存在”。该分析师预计特斯拉在中期可能会宣布更多行动，并对其维持“持股观望”评级，目标价为150美元。　　KeyBanc：英伟达是全球AI浪潮的最大受益者之一　　投行KeyBanc Capital Markets 表示，人工智能，尤其是 ChatGPT，席卷了投资界，虽然该技术的一些好处可能会惠及全球最大的科技公司，但英伟达等先进半导体公司也可能从这一趋势中受益。分析师表示，由于该技术的大量计算需求，英伟达是生成人工智能的半导体公司中“明显的最大化受益者之一”。　　“买贵双倍赔”！京东3月拟祭出“百亿补贴”对垒拼多多　　有消息称，京东计划在3月初上线百亿补贴频道，正式向拼多多开战。目前，已进入商品池选定以及竞价系统上线前的冲刺阶段。此外，京东商家中心宣布了《京东开放平台“买贵双倍赔”服务规则》，规则于2023年2月28日生效，且对标$拼多多（PDD.US）$百亿补贴和天猫。　　“基建狂魔”蔚来：今年将新增1000座换电站！第三代换电站预计4月份量产　　蔚来宣布2023年换电站建设目标，由原定新增400座，提升至新增1,000座，2023年将累计建成超过2,300座换电站。其中，约600座为城区换电站，将重点布局有一定用户基数但还没有换电站的三四线城市与县城；约400座为高速换电站。此外还透露，目前第三代换电站的量产工作进展顺利，预计4月份开始大规模量产，5月份换电站部署将提速。从6月份开始，将基本保持每月120-150座换电站的建设速度。

金融界2023-02-21

爆料！腾讯与Meta就Meta Quest系列虚拟头盔进行谈判，有望达成合作

士透露，腾讯控股(Tencent)正与Meta平台公司就在中国销售其Meta Quest系列虚拟现实头盔进行谈判。据一位直接了解此事的消息人士透露，腾讯和Meta之间的谈判始于去年，并在最近几个月继续进行。消息人士补充说谈判仍处于早期阶段，双方尚未就细节达成一致。腾讯和Meta周二(2月21日)没有立即回应记者的置评请求。这些人士不愿透露姓名，因为谈判不是公开的。中国媒体36氪和《华尔街日报》早些时候报道了双方的谈判。全球最大的视频游戏发行商腾讯曾雄心勃勃地计划，在去年6月推出的“扩展现实”XR部门同时打造虚拟现实软件和硬件。当时全球对虚拟世界的元宇宙(metaverse)概念的兴趣日益浓厚。但据路透社上周报道，腾讯公司已决定放弃开发自己的XR硬件，部分原因是盈利能力问题，并告诉该部门的大多数员工去其他地方寻找机会。腾讯当时表示，由于硬件开发计划发生变化，公司正在对一些业务团队进行调整。腾讯在中国虚拟现实领域的主要竞争对手之一是TikTok的所有者字节跳动，该公司拥有耳机制造商Pico。腾讯最出名的是软件，包括一系列游戏和社交媒体应用程序。该腾讯公司通过与四年前建立的日本游戏公司合作，在中国销售任天堂Switch游戏机。

白兔捣药秋复春2023-02-21

“AI+Web3” 概念最新融资项目盘点

和消费者之间的界限，创造一个一切皆可 MetaFi 的元宇宙空间。据其官方透露，Createra 在亚洲积累了近1500万的Z世代用户、50 万创作者，其发展重心也主要以 Z 世代为主，而在项目中，Genesis land 是主要的核心资产，它将决定后续奖励/资产的分配以及在Createra的曝光机会。 Sortium 投资机构：Arca 融资金额：775 万美元/种子轮 Sortium 是一家结合了 AI 和 Web3 的娱乐科技公司。Sortium 专注于技术框架的构建，以帮助客户了解生成式AI系统、区块链和动态经济系统等，并在实现应用场景的使用，Sortium 推出了名为 CosmoGene 的P2E游戏，CosmoGene 游戏中，通过AI支持的虚拟DNA，玩家可以根据基因创造独特的体验。通过上文描述来看，AI+Web3 的初创项目大多是弱 AI 项目，应用结合的深度并不高，此外，应用场景也主要集中在游戏、NFT以及链上数据分析等几个核心领域，我们以期待 Web3 能与 AI 有更加深度的结合，诸如出现智能协议、智能 DApp 甚至于智能区块链等。来源：金色财经

金色财经2023-02-21

效仿马斯克，扎克伯格宣布Meta将推出月费11.99美元认证服务

　　Meta周日宣布，将为其Facebook和Instagram用户推出一项名为“Meta认证”（Meta Verified）的订阅服务，该服务将包括一些额外的福利和功能，包括为付费用户提供账户认证徽章。　　该服务的订阅费用为每月11.99美元，如果通过iOS应用程序购买则为14.99美元，主要针对内容创作者。Meta的一位发言人表示，除了认证徽章，该订阅服务还包括“主动的账户保护、账户支持，以及更大的可见性和覆盖面。” 　　该公司CEO马克·扎克伯格通过他的Instagram频道宣布了这款新产品。　　近年来，订阅服务在社交网络公司中变得很受欢迎。社交媒体公司的收入严重依赖广告，希望通过订阅服务实现收入的多元化。去年11月，埃隆·马斯克（Elon Musk）在收购推特后就为该公司推出了“蓝V”认证订阅服务，每月收费7.99美元，如果通过iOS应用程序购买则为11美元。　　Meta几乎所有的收入都来自广告，但广告业务可能不稳定，并受到整体经济的严重影响。例如，Meta的业务在疫情开始时受到了严重打击，去年在欧洲战争和通货膨胀上升期间再次受到打击。订阅提供了更稳定的收入来源。　　与推特不通过订阅验证用户身份不同，Meta将要求用户用政府ID确认自己的身份，以获得认证徽章。　　Meta将在本周晚些时候首先在澳大利亚和新西兰推出这一服务，然后逐步扩大到其他国家。

金融界2023-02-21

【小萧说币】香港要火了！中国的第一个加密试验场：Conflux是传统A股战略风口？

行为可以降低用户进入Web3和元宇宙(Metaverse)的门槛。目前，BSIM卡的研发阶段已经完成，已成功连接到Conflux的主网进行测试。随后，其可能会在上海等中国大陆主要地区进行试点。 (来源:推特) 消息传出后，中国电信股价一路狂飙，期间触碰涨停板，周二(2月21日)收盘报在6.25元人民币。 (来源:Trading View) 敏锐的读者应该可以观察到，当前香港的合规正在影响着资金流入加密市场，也正一步步将影响力推向A股、港股市场。越来越多的传统股市大玩家，摩拳擦掌想要展开合作。延伸阅读：中国低调支持！香港突发咨询“准许持牌交易比特币、以太坊” 全国人大代表：唯不可违反红线 Conflux Network与中国电信于2022年签署了初步协议，该原型是为期一年的战略合作的高潮，其目标是在世界元宇宙的入口处构建硬件产品。而BSIM卡集成Conflux的Tree-graph、双重PoS和PoW技术，可为任何区块链提供高系统性能支持。同时，BSIM卡在外观上与传统SIM无异，但存储空间比传统SIM卡大10至20倍，运算能力提升数十倍。转为BSIM卡的用户，将能够安全存储数字资产，便捷转移数字资产，并在多种应用中展示资产。 BSIM卡将大大降低中国电信3多万手机用户进入Web3的门槛，同时使交易更快、更安全。通过让电信用户的个人数字资产更安全，目的是让手机更安全。而入门级的Web3产品将是全球有史以来最大的区块链硬件产品，涉及最多的用户和应用程序。谈起香港的加密监管框架出台，也许很多人都一窝蜂地去拥抱新兴产业，特别是加密货币领域，但对很多传统投资者而言，要踏入一个自己不熟悉的行业领域，需要很大的勇气。也正因为如此，Conflux上海链的存在，让很多人看见重要的战略风口。原因很简单，传统的A股蓝筹拥有自己的基础，传统投资者更愿意买单，且研发出的产品，更贴近传统市场的需求，而不是一味地追求符合新人类市场。没错，BSIM卡就是个典型的案例，大家都曾用过SIM卡，新产品与旧模式结合，战略风口就此出现。 Conflux Network首席技术官吴明博士表示：“BSIM卡显着提升了用户体验，降低了用户进入Web3和元宇宙世界的门槛。这是让Conflux将其生态系统提升到一个新水平的关键。与中国电信这样强大的合作伙伴合作，并从香港开始，将使我们能够在不久的将来进入中国和全球市场。” 中国电信研究院大数据与人工智能研究所副所长梁伟博士提到：“基于区块链的数字身份是未来Web3的核心，而基于区块链的数字资产是Web2的重要催化剂。” “BSIM卡定位为元界入口基础设施，提供电信硬件安全、智能数字钱包、DID增值服务等差异化功能。与Conflux的合作将加速在这个最具想象力的空间中连接Web3和传统用户的过程。” 实际上，除了传统投资者熟悉的中国电信，在时下媒体行业里，Conflux上海链也已经崭露头角。中国知名社群软件小红书在2022年7月就已经上线R-space NFT数字藏品功能，开放NFT商城、个人展示收藏页。在1月26日小红书再次更新动态，其中国版开始支援全中国唯一合规的区块链，即Conflux上海链NFT的展示。这点对于战略部署，还有整个中国社群平台发展至关重要，因为这是小红书除去与私人联盟链连动以外，第一个支援的公链连动功能。Conflux技术长伍鸣表示：“中国的大型网路行业参与者已经开始努力拥抱Web3，Conflux正在成为连接两个世界的主要桥梁，并在将Web3技术扩展到传统行业的场景中发挥领导作用。” 延伸阅读：【小萧说币】小红书开始支援NFT！“全中国唯一合规的区块链”追战略闭环飙涨中国叙事：东西方投资者皆欢迎香港最近宣布为其居民进行加密货币交易合法化，这引发了加密货币社区的看涨情绪，引发了“中国叙事”的观点。过去几周，随着分析师和加密影响者在推特上讨论它，并为交易员分享中国加密货币的观察名单，这种叙述越来越受欢迎。加密分析师和交易员Miles Duetscher分享了以下中国概念币的列表。这位专家认为，中国的叙事将继续存在，持有者可能预期在2023年6月之前获得进一步的收益。 (来源:FXStreet) 如上图所示，在市值排名前100位的加密货币中，Filecoin(FIL)、VeChain(VET)、Neo(Neo)和Conflu (CFX)分别为持有者带来76.45%、26.54%、29.50%和310.15%的收益。中国叙事是推动这些代币价格大幅上涨的关键因素，此外还有来自中国内容创作者和各自加密项目的发展。加密货币市场参与者对2023年的叙事很感兴趣，继受ChatGPT启发的人工智能叙事，以及受Meta财报启发的元世界叙事及其致力于构建加密货币元世界的努力之后，中国叙事在交易员中越来越受欢迎。除了香港的加密计划外，加密推特上的专家还注意到，中国人民银行(PBoC)大规模注入流动性的同时，加密市场市值也在飙升。加密货币推特上的一位分析师认为，中国放松货币政策的说法是真实的，中国央行在2023年2月加大了流动性注入。由于中国央行此举通常会导致加密货币价格飙升，专家们看好中国加密货币，并在短期内延续上涨趋势。总结来看，香港火了，作为中国的第一个加密试验场，各领域的投机活动四起，但就个人而言，Conflux上海链像是一股清风吹向传统股市，让传统投资者蠢蠢欲动。#NFT与加密货币#

小萧2023-02-21

会员

人工智能时代的算力挑战

也有一些不同的意见。比如，图灵奖得主、Meta的首席AI科学家杨立昆（Yann LeCun）就在社交媒体上发帖说：从底层技术看，ChatGPT并没有什么创新。与其说它是一次巨大的技术革新，倒不如说它是一个工程上的杰作。杨立昆的这番言论一出，就遭遇到了网友的一片嘲讽，很多人甚至毫不客气地说，作为Meta的AI掌门人，这完全就是一种“吃不到葡萄说葡萄酸”的狡辩。由于Meta先前在同类产品上的失败经历，所以面对如此汹汹的舆论，杨立昆也是百口莫辩，只能就此噤声，不再对ChatGPT进一步发表评论。不过，如果我们认真回味一下杨立昆的话，就会发现他的话其实是非常有道理的：虽然从表现上看，现在的ChatGPT确实非常惊艳，但从根本上讲，它依然是深度学习技术的一个小拓展。事实上，与之类似的产品在几年前已经出现过，所不同的是，ChatGPT在参数数量上要远远多于之前的产品，其使用的训练样本也要大得多。而它卓越的性能，其实在很大程度上只是这些数量优势积累到了一定程度之后产生的质变。有意思的是，如果我们回顾一下深度学习的历史，就会发现这种利用神经网络进行机器学习的思路其实在上世纪50年代就有了，可以称得上是人工智能领域最古老的理论之一。早在1958年，罗森布拉特就曾经用这个原理制造了一台机器来识别字符。然而，在很长的一段时间内，这个理论却一直无人问津，即使现在被尊为“深度学习之父”的杰弗里·辛顿（Geoffrey Hinton）也长期遭受孤立和排挤。究其原因，固然有来自当时在人工智能领域占主导地位的“符号主义”的打压，但更为重要的是，当时的深度学习模型确实表现不佳。直到本世纪初，这一切才发生了改变。长期蛰伏的深度学习理论终于翻身成为了人工智能的主流，一个个基于这一理论开发的模型如雨后春笋一般出现。从打败围棋高手的AlphaGo到识别出几亿种蛋白质结构的AlphaFold，从可以瞬间生成大师画作的Dall-E、Stable Diffusion到当今如日中天的ChatGPT，所有的这些在短短的几年之间涌现了。那么，到底是什么原因让深度学习在过去的几年中扭转了长期的颓势，让它得以完成了从异端到主流的转换？我想，最为关键的一点就是算力的突破。算力及其经济效应所谓算力，就是设备处理数据、输出结果的能力，或者简而言之，就是计算的能力。它的基本单位是用“每秒完成的标准操作数量”（standardized operations per second，简称SOPS）来进行衡量。不过，由于现在的设备性能都非常高，因而在实践中用SOPS来衡量算力已经变得不那么方便。相比之下，“每秒完成的百万次操作数”（million operations per second，简称MOPS）、“每秒完成的十亿次操作数”（giga operations per second，简称GOPS），以及“每秒完成的万亿次操作数”（tera operations per second，简称TOPS）等单位变得更为常用。当然，在一些文献中，也会使用某些特定性能的设备在某一时间段内完成的计算量来作为算力的单位——其逻辑有点类似于物理学中用到的“马力”。比如，一个比较常用的单位叫做“算力当量”，它就被定义为一台每秒运算千万亿次的计算机完整运行一天所实现的算力总量。那么，算力的意义究竟何在呢？关于这个问题，阿格拉沃尔（Ajay Agrawal）、甘斯（Joshua Gans）和戈德法布（Avi Goldfarb）在他们合著的《预测机器》（Prediction Machines，中文译名为《AI极简经济学》）中，曾经提出过一个有启发的观点：算力的成本将关系到AI模型的“价格”。经济学的原理告诉我们，在给定其他条件的前提下，人们对一种商品的需求量取决于该商品的价格。而对于两种性能相近，具有替代关系的商品来说，具有更低价格的那种商品会在市场上具有更高的竞争力。将这一点应用到人工智能领域，我们就可以找到深度学习理论为什么在几十年中都不被待见，却在最近几年中实现爆发的原因。虽然深度学习的理论并不算困难，但是为了实现它，要投入的运算量是十分巨大的。在算力低下的时代，算力的单位成本非常高。在罗森布拉特提出深度学习思想雏形的那个年代，一台计算机的体积几乎和一间房子那么大，但即便如此，让它运算一个大一点的矩阵都还需要很长时间。虽然理论上我们也可以用深度学习来训练大模型并达到比较好的效果，但这样的成本显然是没有人能够承受的。而相比之下，符号学派的模型对于计算量的要求要小得多，因此这些模型的相对价格也要比深度学习模型来得低。在这种情况下，深度学习理论当然不会在市场上有竞争力。但是，当算力成本大幅度降低之后，深度学习模型的相对价格就降了下来，它的竞争力也就提升了。从这个角度看，深度学习在现阶段的胜利其实并不是一个纯粹的技术事件，在很大程度上，它还是一个经济事件。改进算力的方法那么，决定算力的因素有哪些呢？为了直观起见，我们不妨以计算数学题来对此进行说明：如果我们要提高在单位时间内计算数学题的效率，有哪些方法可以达到这一目的呢？我想，可能有以下几种方法是可行的：一是找更多人一起来计算。如果一个人一分钟可以算一个题，那么十个人一分钟就可以算十个题。这样，即使每个人的效率没有提升，随着人数的增加，单位时间内可以计算的数学题数量也可以成倍增加。二是改进设备。比如，最早时，我们完全是依靠手算的，效率就很低。如果改用计算器，效率会高一点。如果使用了Excel，效率就可能更高。三是将问题转化，用更好的方法来计算。比如，计算从1加到100，如果按照顺序一个个把数字加上去，那么可能要算很久。但是，如果我们像高斯那样用等差数列求和公式来解这个问题，那么很快就可以计算出结果。将以上三个方案对应到提升算力问题，我们也可以找到类似的三种方法：一是借助高性能计算和分布式计算；二是实现计算模式上的突破；三是改进算法——尽管严格地说这并不能让算力本身得到提升，但是它却能让同样的算力完成更多的计算，从某个角度看，这就好像让算力增加了一样。 1、高性能计算和分布式计算从根本上讲，高性能计算和分布式计算都是通过同时动用更多的计算资源去完成计算任务，就好像我们前面讲的，用更多的人手去算数学题一样。所不同的是，前者聚集的计算资源一般是聚集在本地的，而后者动用的计算资源则可能是分散在网上的。（1）高性能计算先看高性能计算。高性能计算中，最为重要的核心技术是并行计算（Parallel Computing）。所谓并行计算，是相对于串行计算而言的。在串行计算当中，计算任务不会被拆分，一个任务的执行会固定占有一块计算资源。而在并行计算中，任务则会被分解并交给多个计算资源进行处理。打个比方，串行计算过程就像是让一个人独立按照顺序完成一张试卷，而并行计算则像是把试卷上的题分配给很多人同时作答。显然，这种任务的分解和分配可以是多样的：既可以是把计算任务分给多个设备，让它们协同求解，也可以是把被求解的问题分解成若干个部分，各部分均由一个独立的设备来并行计算。并行计算系统既可以是含有多个处理器的超级计算机，也可以是以某种方式互连的若干台独立计算机构成的集群。从架构上看，并行计算可以分为同构并行计算（homogeneous parallel computing）和异构并行计算（heterogeneous parallel computing）。顾名思义，同构并行计算是把计算任务分配给一系列相同的计算单元；异构并行计算则是把计算任务分配给不同制程架构、不同指令集、不同功能的计算单元。比如，多核CPU的并行运算就属于同构并行，而CPU+GPU的架构就属于异构并行。对比于同构并行，异构并行具有很多的优势。用通俗的语言解释，这种优势来自于各种计算单元之间的“术业专攻”，在异构架构之下，不同计算单元之间的优势可以得到更好的互补。正是由于这个原因，异构并行计算正得到越来越多的重视。比如，现在越来越多的设备当中，都采用了将GPU和CPU混搭的架构。为什么要这么做呢？为了说明白这一点，我们需要略微介绍一下CPU和GPU的结构：从总体上看，无论是CPU还是GPU，都包括运算器（Arithmetic and Logic Unit，简称ALU）、控制单元（Control Unit，简称CL）、高速缓存器（Cache）和动态随机存取存储器（DRAM）。但是，这些成分在两者中的构成比例却是不同的。在CPU当中，控制单元和存储单元占的比例很大，而作为计算单位的ALU比例则很小，数量也不多；而在GPU当中则正好相反，它的ALU比例很大，而控制单元和存储单元则只占很小的一个比例。这种结构上的差异就决定了CPU和GPU功能上的区别。CPU在控制和存储的能力上比较强，就能进行比较复杂的计算，不过它可以同时执行的线程很少。而GPU则相反，大量的计算单位让它可以同时执行多线程的任务，但每一个任务都比较简单。打个比喻，CPU是一个精通数学的博士，微积分、线性代数样样都会，但尽管如此，让他做一万道四则运算也很难；而GPU呢，则是一群只会四则运算的小学生，虽然他们不会微积分和线性代数，但人多力量大，如果一起开干，一万道四则运算分分钟就能搞定。由于GPU的以上性质，它最初的用途是作为显卡，因为显卡负责图形和色彩的变换，需要的计算量很大，但每一个计算的复杂性都不高。当深度学习兴起之后，人工智能专家们发现GPU其实也很适合用来训练神经网络模型。因为在深度学习模型中，最主要的运算就是矩阵运算和卷积，而这些运算从根本上都可以分解为简单的加法和乘法。这样一来，GPU就找到了新的“就业”空间，开始被广泛地应用于人工智能。但是，GPU并不能单独执行任务，所以它必须搭配上一个CPU，这样的组合就可以完成很多复杂的任务。这就好像让一个能把握方向的导师带着很多肯卖力的学生，可以干出很多科研成果一样。正是在这种情况下，异构并行开始成为了高性能计算的流行架构模式。不过，异构架构也是有代价的。相对于同构架构，它对于应用者的编程要求更高。换言之，只有当使用者可以更好地把握好不同计算单元之间的属性，并进行有针对性的编程，才可能更好地利用好它们。除此之外，我们还必须认识到，哪怕是借助异构架构，通过并行运算来提升运算效率的可能也是有限的。根据阿姆达尔定律（Amdahl’s Law），对于给定的运算量，当并行计算的线程趋向于无穷时，系统的加速比会趋向于一个上限，这个上限将是串行运算在总运算中所占比例的倒数。举例来说，如果在一个运算中，串行运算的比例是20%，那么无论我们在并行运算部分投入多少处理器，引入多少线程，其加速比也不会突破5。这就好像，如果我要写一本关于生成式AI的书，可以将一些资料查找的工作交给研究助手。显然，如果我有更多的研究助手，写书的进度也会加快。但这种加快不是无限的，因为最终这本书什么时候写完，还要看我自己“码字”的速度。（2）分布式计算采用聚集资源的方式来增强算力的另一种思路就是分布式计算。和高性能计算主要聚集本地计算单位不同，分布式计算则是将分散在不同物理区域的计算单位聚集起来，去共同完成某一计算任务。比如，刘慈欣在他的小说《球状闪电》中就提到过一个叫做SETI@home的科研计划（注：这个项目是真实存在的），这个计划试图将互联网上闲置的个人计算机算力集中起来处理天文数据，这就是一个典型的分布式计算用例。分布式计算的一个典型代表就是我们现在经常听说的云计算。关于云计算的定义，目前的说法并不统一。一个比较有代表性的观点来自于美国国家标准和技术研究所（NIST），根据这种观点，“云计算是一种按使用量付费的模式。这种模式对可配置的IT资源（包括网络、服务器、存储、应用软件、服务）共享池提供了可用的、便捷的、按需供应的网络访问。在这些IT资源被提供的过程中，只需要投入很少的管理和交流工作”。这个定义很抽象、很学院派，我们可以用一个通俗的比喻来对其进行理解。在传统上，用户主要是通过调用自有的单一IT资源，这就好比每家每户自己发电供自己用；而云计算则好像是（用大量算力设备）建了一个大型的“发电站”，然后将“电力”（IT资源）输出给所有用户来用。根据云服务提供者所提供的IT资源的不同，可以产生不同的“云交付模式”（Cloud Delivery Model）。由于IT资源的种类很多，因此对应的“云交付模式”也就很多。在各类新闻报道中，最常见的“云交付模式”有三种：第一种是IaaS，它的全称是“基础设施作为服务”（Infrastructure-as-a-Service）。在这种交付模式下，云服务的提供者供给的主要是存储、硬件、服务器和网络等基础设施。第二种是PaaS，它的全称是“平台作为服务”（Platform-as-a-Service）。在这种交付模式下，云服务的提供者需要供应的资源更多，以便为使用者提供一个“就绪可用”（ready-to-use）的计算平台，以满足他们设计、开发、测试和部署应用程序的需要。第三种是SaaS，也就是“软件作为服务”（Software-as-a-Service）。在这种交付模式下，云服务提供者将成品的软件作为产品来提供给用户，供其使用。有了以上不同的云交付模式，用户就可以根据自己的需要来选择相应的IT资源。比如，如果元宇宙的用户需要更多的算力或存储，而本地的机器无法满足，那么就可以通过从云端来获取“外援”。一个云端GPU不够，那就再来几个，按需取用，丰俭由人，既方便，又不至于产生浪费。需要指出的是，尽管从理论上看云计算可以很好地承担巨大运算和存储需求，但其缺陷也是很明显的。比较重要的一点是，在执行云计算时，有大量的数据要在本地和云端之间进行交换，这可能会造成明显的延迟。尤其是数据吞吐量过大时，这种延迟就更加严重。对于用户来说，这可能会对其使用体验产生非常负面的效果。那么怎么才能克服这个问题呢？一个直观的思路就是，在靠近用户或设备一侧安放一个能够进行计算、存储和传输的平台。这个平台一方面可以在终端和云端之间承担起一个中介的作用，另一方面则可以对终端的各种要求作出实时的回应。这个思想，就是所谓的边缘计算。由于边缘平台靠近用户，因而其与用户的数据交换会更加及时，延迟问题就可以得到比较好的破解。 2、超越经典计算——以量子计算为例无论是高性能计算还是分布式计算，其本质都是在运算资源的分配上下功夫。但正如我们前面看到的，通过这种思路来提升算力是有很多障碍的。因此，现在很多人希望从计算方式本身来进行突破，从而实现更高的计算效率。其中，量子计算就是最有代表性的例子。我们知道，经典计算的基本单位是比特，比特的状态要么是0，要么是1，因此经典计算机中的所有问题都可以分解为对0和1的操作。一个比特的存储单元只能存储一个0或者一个1。而量子计算的基本单位则是量子比特，它的状态则可以是一个多维的向量，向量的每一个维度都可以表示一个状态。这样一来，量子存储器就比经典的存储器有很大的优势。考虑一个有 N物理比特的存储器，如果它是经典存储器，那么它只能存储2的N次方个可能数据当中的任一个；而如果它是量子存储器，那么它就可以同时存储2的N次方个数据。随着 N的增加，量子存储器相对于经典存储器的存储能力就会出现指数级增长。例如，一个250量子比特的存储器可能存储的数就可以达到2的250次方个,比现有已知的宇宙中全部原子数目还要多。在进行量子计算时，数学操作可以同时对存储器中全部的数据进行。这样一来，量子计算机在实施一次的运算中可以同时对2的N次方个输入数进行数学运算。其效果相当于经典计算机要重复实施2的N次方次操作，或者采用2的N次方个不同处理器实行并行操作。依靠这样的设定，就可以大幅度节省计算次数。为了帮助大家理解，我们可以打一个并不是太恰当的比方：玩过动作游戏的朋友大多知道，在游戏中，我们扮演的英雄经常可以使用很多招数，有些招数只能是针对单一对象输出的；而另一些招数则可以针对全体敌人输出。这里，前一类的单体输出招数就相当于经典计算，而后一类的群体输出招数就相当于量子计算。我们知道，在面对大量小怪围攻的时候，一次群体输出产生的效果可以顶得上很多次单体输出的招数。同样的道理，在一些特定情况下，量子计算可以比经典计算实现非常大的效率提升。举例来说，大数因式分解在破解公开密钥加密的过程中有十分重要的价值。如果用计算机，采用现在常用的Shor算法来对数N进行因式分解，其运算的时间将会随着N对应的二进制数的长度呈现指数级增长。1994年时，曾有人组织全球的1600个工作站对一个二进制长度为129的数字进行了因式分解。这项工作足足用了8个月才完成。然而，如果同样的问题换成用量子计算来解决，那么整个问题就可以在1秒之内解决。量子计算的威力由此可见一斑。但是，在看到量子计算威力的同时，我们也必须认识到，至少到目前为止，量子计算的威力还只能体现对少数几种特殊问题的处理上，其通用性还比较弱。事实上，现在见诸报道的各种量子计算机也都只能执行专门算法，而不能执行通用计算。比如，谷歌和NASA联合开发的D-Wave就只能执行量子退火（Quantum Annealing）算法，而我国研发的光量子计算机“九章”则是专门被用来研究“高斯玻色取样”问题的。尽管它们在各自的专业领域表现十分优异，但都还不能用来解决通用问题。这就好像游戏中的群体攻击大招，虽然攻击范围广，但是对每个个体的杀伤力都比较弱。因此，如果遇上大群的小怪，群体攻击固然厉害，但如果遇上防御高、血条厚的Boss，这种攻击就派不上用处了。从这个角度看，如果我们希望让量子计算大发神威，就必须先找出适合量子计算应用的问题和场景，然后再找到相应的算法。与此同时，我们也必须认识到，虽然量子计算的研发和探索十分重要，但是它和对其他技术路径的探索之间更应该是互补，而不是替代的关系。 3、通过改进算法节约算力如果说，通过高性能计算、分布式计算，以及量子计算等手段来提升算力是“开源”，那么通过改进算法来节约算力就是“节流”。从提升计算效率、减少因计算而产生的经济、环境成本而言，开源和节流在某种程度上具有同等重要的价值。在ChatGPT爆火之后，大模型开始越来越受到人们的青睐。由于在同等条件下，模型的参数越多、训练的数据越大，它的表现就越好，因此为了追求模型的更好表现，现在的模型正在变得越来越大。我们知道，现在的ChatGPT主要是在GPT-3.5的基础上训练的。在它出现之前，GPT共经历了三代。GPT-1的参数大约为1.17亿个，预训练数据为5GB，从现在看来并不算多；到了GPT-2，参数量就增加到了15亿个，预训练数据也达到了40GB；而到了GPT-3，参数量则已经迅速膨胀到了骇人的1750亿个，预训练数据也达到了45TB。为了训练GPT-3，单次成本就需要140万美元。尽管OpenAI并没有公布GPT-3.5的具体情况，但可以想象，它的参数量和预训练数据上都会比GPT-3更高。为了训练这个模型，微软专门组建了一个由1万个V100GPU组成的高性能网络集群，总算力消耗达到了3640“算力当量”——也就是说，如果用一台每秒计算一千万亿次的计算机来训练这个模型，那么大约需要近十年才能完成这个任务。如果任由这种“一代更比一代大”的趋势持续下去，那么在未来几年，对算力的需求将会出现爆炸性的增长。一项最新的研究估计，在5年之后，AI模型需要的算力可能会是现在的100万倍。很显然，由此产生的经济和环境成本将会是十分惊人的。令人欣慰的是，目前已经有不少研究者希望改进算法、优化模型来减少对算力的需求，并且已经取得了一定的成就。比如，就在今年1月3日，来自奥地利科学技术研究所 (ISTA)的研究人员埃利亚斯·弗朗塔（Elias Frantar）和丹·阿里斯特尔（Dan Alistarh）合作进行了一项研究，首次针对 100至 1000亿参数的模型规模，提出了精确的单次剪枝方法SparseGPT。SparseGPT可以将GPT系列模型单次剪枝到 50%的稀疏性，而无需任何重新训练。以目前最大的公开可用的GPT-175B模型为例，只需要使用单个GPU在几个小时内就能实现这种剪枝。不仅如此，SparseGPT还很准确，能将精度损失降到最小。在进行了类似的修剪之后，这些大模型在训练时所需要的计算量就会大幅减少，其对算力的需求也就会相应下降。关于提升算力、支持人工智能发展的政策思考随着ChatGPT引领了新一轮的人工智能热潮，市场上对算力的需求也会出现爆炸性的增长。在这种情况下，为了有力支撑人工智能的发展，就必须要通过政策的手段引导算力供给的大幅度增加。而要实现这一点，以下几方面的工作可能是最为值得重视的。第一，应当加快对算力基础设施的建设和布局，提升对全社会算力需求的支持。如前所述，从目前看，分布式计算，尤其是其中的云计算是提升算力的一个有效之举。而要让云计算的效应充分发挥，就需要大力建设各类算力基础设施。唯有如此，才可以让人们随时随地都可以直接通过网络获得所需的算力资源。这里需要指出的是，在布局算力基础设施的时候，应当慎重考虑它们的地域和空间分布，尽可能降低算力的成本。我们知道，不同的地区的土地、水、电力等要素的价格是不同的，这决定了在不同地区生产相同的算力所需要的成本也不尽相同。因此，在建设算力基础设施时，必须统筹全局，尽可能优化成本。需要指出的是，我国正在推进的“东数西算”工程就是这个思路的一个体现。由于我国东部各种资源的使用成本都要高于西部，因此在西部地区建立算力设施，就会大幅降低算力的供给成本，从而在全国范围内达到更优的配置效率。第二，应当加强与算力相关的硬件技术及其应用的研发，为增加算力供应提供支持。与算力相关的硬件技术既包括基于经典计算的各种硬件，如芯片、高性能计算机等，也包括超越经典计算理论，根据新计算理论开发的硬件，如量子计算机等。从供给的角度看，这些硬件是根本，它们的性能直接关系到算力提供的可能性界限。因此，必须用政策积极促进这些硬件的攻关和研发。尤其是对于一些“卡脖子”的项目，应当首先加以突破。这里需要指出的是，在进行技术研发的同时，也应该积极探索技术的应用。例如，我们现在已经在量子计算领域取得了一些成果，但是由于用例的缺乏，这些成果并没有能够转化为现实的应用。从这个意义上讲，我们也需要加强对技术应用的研究。如果可以把一些计算问题转化成量子计算问题，就可以充分发挥量子计算机的优势，实现计算效率的大幅提升。第三，应当对算法、架构等软件层面的要素进行优化，在保证AI产品性能的同时，尽可能减少对算力的依赖。从降低AI计算成本的角度看，降低模型的算力需求和提升算力具有同等重要的意义。因此，在用政策的手段促进算力供给的同时，也应当以同样的力度对算法、架构和模型的优化予以同等的激励。考虑到类似的成果具有十分巨大的社会正外部性，因此用专利来保护它们并不是最合适的。因此，可以积极鼓励对取得类似成功的人员和单位给予直接的奖励，并同时鼓励他们将这些成果向全社会开源；也可以考虑由政府出面，对类似的模型产品进行招标采购。如果有个人和单位可以按照要求提供相应的成果，政府就支付相应的费用，并对成果进行开源。通过这些举措，就可以很好地激励人们积极投身到改进模型、节约算力的事业中，也可以在有成果产出时，让全社会及时享受到这些成果。总而言之，在人工智能突飞猛进的时代，算力可能是决定人工智能发展上限的一个关键因素。唯有在算力问题上实现突破，人工智能的发展才可能有根本保障。来源：金色财经

金色财经2023-02-21

如何使用 NFTScan NFT API 检索单个 NFT 资产

2)元数据：从该项目的元数据可以看出 Metadata 数据托管在 ipfs 上，格式为 image/png，因为该链接只能由 IPFS 节点读取，所以我们就需要一个服务器域名来访问链接末尾的文件： https//:dweb.link/ipfs://QmPbxeGcXhYQQNgsC6a36dDyYUcHgMLnGKnF8pVFmGsvqi 将这个反馈结果输入浏览器中，即获得了 ID 为 1 的 BAYC NFT 图像。其次为对该图片的细节特征描述，如“Mouth”嘴：“Grin”露齿而笑；“Clothes”衣服：“Vietnam Jacket”越南夹克等等。 3)稀有度：对属性描述包括“Mouth”“Grin”占 7.13%，“Clothes”“Vietnam Jacket”占 2.24%，“background”“Orange”占 12.73%，“eyes”“Blue Beams”占 0.49%，“Fur”“Robot”占 2.65%，稀有度得分为 1.0680869106061612，综合稀有度排名为 2666 名。 NFTScan NFT API 优势： NFTScan 是亚洲地区最大的 NFT 数据服务商，目前已支持 Ethereum、Solana、BNBChain、Polygon、Avalanche、Arbitrum、Optimism、Fantom、Moonbeam、PlatON、Cronos 11 条区块链网络的 NFT 全量数据。除了 NFTScan.COM 多链 NFT 浏览器产品外，NFTScan 旗下设有开发者平台，为 Web3 团队提供专业的 NFT API 数据服务。NFTScan 目前服务了 100+ Web3 项目，其中包括 CoinMarketCap、Safepal、Mask、imToken、CyberConnect、RSS3、BitKeep、DefiYield、Kucoin、OneKey、Cobo、Bybit 等知名区块链项目。来源：金色财经

金色财经2023-02-21

2023年zk赛道爆发即将推出的Polygon zkEVM有多重要？

速器”计划都建立在Polygon之上。Meta旗下社交平台Instagramd的底层、BBS平台Reddit都是基于Polygon进行建构。据不完全统计，与Polygon建立合作关系的品牌有软件巨头Adobe、Meta、电商eBay、NFL、NuBank、时尚品牌Prada、Adida、宝格丽等。现在，Polygon选择zk作为其未来的发展核心，必定基于自身丰富和成熟的经验。并且优化后的Polygon zkEVM，是无需许可的，任何人都可以使用它。不断探索的Polygon一直在夯实自己的基础，这也许就是众多知名品牌和IP选择Polygon的原因。总结 zk赛道仍处于早期阶段，尚不清楚各种类型的zk如何应用在具体的实际情况中。比如不同的技术选择：使用的验证系统类型、虚拟机的设计、网络架构等，这些都有可能会对未来的实际采用产生深远的影响。 Polygon的选择，其它项目方的选择，都是对zk赛道早期阶段的尝试。未来的zk发展态势如何，以太坊能否借由L2 zk实现生态繁荣、霸占市场，其它原生zk项目又如何因应形式发展，都值得翘首以盼。参考： Polygon Blog《What Is a zkEVM?》 Blockchain《Polygon Announces Beta Launch of Zero-Knowledge Ethereum Virtual Machine》 Bitcoinist《Polygon Growth Plans Will Take The Following Path》 Helio《Polygon宣布3月27日上线zkEVM Beta，号称100%相容以太坊dapp》芦苇在说《ZK季节即将到来一文了解zkEVM领域的巨大机会》全因素热爱《Polygon zkEVM 公测上线：以太坊的新篇章》编辑：Bowen@Web3CN.Pro、Yuanshan@Web3CN.Pro 声明：web3中文原创作品，内容仅代表作者立场，且不构成投资建议，请谨慎对待，如文章/素材有侵权，请联系官方客服处理。来源：金色财经

金色财经2023-02-21

24小时热点