FX168财经网_全球视野外汇黄金加密货币NFT资讯网

美图与吴欣鸿的“AI进化论”：拥抱趋势、主动求变、充满期待

ab）成立；2013年，美图重点投入到深度学习；2016年，AIGC产品的雏形“手绘自拍”问世；2022年11月AI绘画上线，美图秀秀因此获得了日本App Store总榜第一，美国总榜第二，并带动了可观的用户和收入增长。　　在去年举办的首届美图影像节上，美图发布6款产品，经历一年持续迭代，多款产品成绩亮眼，如Wink月活跃用户数已突破千万，美图证件照成为在线证件照行业冠军。　　今年，美图的AIGC产品全面进入爆发期。3月，Wink推出了AI绘画的视频版——AI动漫； 5月，美图设计室结合商业场景推出了AI商品图、AI试衣等功能；随后，美颜相机发布了AI写真功能。　　今天，美图又发布AI视觉创作工具WHEE、AI口播视频工具开拍、桌面端AI视频编辑工具WinkStudio、主打AI商业设计的美图设计室2.0、AI数字人生成工具DreamAvatar、美图AI助手RoboNeo、美图视觉大模型MiracleVision7款产品。　　吴欣鸿强调，7款产品发布后，美图实现从生活场景向生产力场景的进阶，并逐步形成了由底层、中间层和应用层构建的AI产品生态。　　应用层，美图在AI图片、AI视频、AI设计、AI数字人领域创新探索，并由美图秀秀实现AI影像服务聚合；中间层，美图提供了美图AI开放平台、美图创意平台、美图AI助手RoboNeo的组合；底层则是MiracleVision视觉大模型，为美图全系产品提供AI模型能力。　　“通过这个生态结构，我们将持续为用户带来更优质的影像体验。”吴欣鸿表示。　　AI时代，工具价值大爆发　　在影像节现场，吴欣鸿对“AI时代的影像生产力工具”的主题进行了解读，AI正成为推动工具效率变革的能源，“AI对工具的意义，就好比电对于电器的意义，电的发现推动了工业革命，AI的发展则让我们进入了智能时代。” 美图公司创始人、董事长兼首席执行官吴欣鸿　　吴欣鸿表示，今天美图产品的工具属性已经发生变化。“过去美图主要服务于用户的生活场景，比如拍摄、修图、修视频、社交分享。在AI时代，除生活场景外，美图将提供更多生产力场景的服务，如视觉创作、商业摄影、专业视频编辑、商业设计等等。” 　　在AI的驱动下，截至6月18日，美图公司的全球VIP会员数从去年影像节公布的450万增长至719万。“VIP会员数的快速增长，也让我们去年的订阅收入首次超过广告收入，开启了美图商业化的第二曲线。”吴欣鸿说。　　拥抱趋势、主动求变、充满期待　　当谈到美图取得的成绩时，吴欣鸿称“很幸运，美图非常积极拥抱了AI这个趋势”，而在拥抱趋势的同时，吴欣鸿也在带着美图积极寻找增量。　　对比两届影像节不难发现，美图在今年不仅为不同的用户群带来了更多的产品形态，而且还加大了B端市场的布局。对此，吴欣鸿表示，这是美图主动的求变。　　“我们看到在生产力场景巨大的需求和商业化的机会，而满足这些需求的能力我们都具备。”吴欣鸿表示，作为一家商业公司，我们需要追求收入和利润的增长，在B端市场这个领域有巨大的商业空间，那就会成为一个增量，所以我们特别主动。　　针对AI技术如何助推产品研发以及业务增长，吴欣鸿作了进一步阐释，虽然美图积累了十几年的影像技术，但以前要去做一款新的效果或是开发新的功能，需要很多时间、人力上的投入，而且还有不确定性，但现在AI让我们可以很快地把构想去落地去验证，与此同时，这些新变化带给用户的反馈也是正向的，它会让用户有足够的动力去使用甚至去付费。吴欣鸿举例到道，像3月份推出的AI动漫，这个是美图全球首发，当用户看到自己拍摄的一个视频可以被转化成像美漫或者日漫的效果，那一刻我相信是非常惊艳，像这样的创新就能够极大地拉动订阅和单购的收入。　　值得关注是，当会上被问到给美图新推出的视觉大模型打多少分时，吴欣鸿却只打出了“60分”。他解释道，虽然我们做的大模型在过去几个月进步明显，但是离最理想的生成效果还有比较大的差距，特别是在创造性上面。但起点越低，空间越大，美图有很好的基础去把这个事情做好，而且美图是一个有韧劲、有耐心的团队，所以我还是充满期待的。我也很期待自己，半年后或是年底回头来看今天，我们会给自己打多少分，这是个很好的问题。

金融界2023-06-20

盘点加入NVIDIA Inception计划的6个加密项目

初创企业，为初创公司提供包括技术指导、深度学习培训、硬件和软件支持、市场推广和业务网络的资源和支持。 Flux Flux 是一个区块链网络，它的共识改编自“工作量证明”机制，计划在今年第三季度推出“有用工作量证明”（PoUW）机制。 Flux 中的矿工将 GPU 硬件用于保护网络，作为回报，矿工也赚取区块奖励。同时，矿工能够将它们的 GPU 矿机用于计算密集型任务，如人工智能、深度虚拟检测、渲染等，创造额外的收入。矿工可以在挖矿和按需进行 PoUW 任务之间自动切换，优化盈利能力。 Flux 在 2022 年 1 月加入 NVIDIA Inception 计划，Flux 也在自身的计算网络中使用 NVIDIA Jetson 边缘人工智能平台模块作为 Flux 网络中的节点运行。截至 6 月 16 日，Flux 的原生代币 FLUX 市值 1.2 亿美元。 iExec iExec 开发了一个去中心化的计算资源市场，用户可以在该市场上购买和出售计算资源，将云计算能力转化为商品。用户可以通过 iExec 云市场按需获取来自多个提供商的 GPU 计算资源，这在人工智能和深度学习等需要高度计算要求的领域尤为重要。该项目在 2022 年 10 月加入 NVIDIA Inception 计划，希望从中获取 GPU 计算方面的专业知识和经验。 iExec 发行有代币 RLC，目前总市值为 1.04 亿美元。 Shapeyard Shapeyard 为元宇宙构建了一套可交互的内容创造工具，以创建3D数字资产，并将数字资产引入Web3经济系统，让用户能够将其创造的3D数字资产在虚拟空间之间进行交换和整合。它背后的开发公司 Magic Unicorn 是一家总部位于纽约的风险投资工作室，也从事计算机图形、移动人工智能和增强现实领域的软件开发。 Shapeyard 开发有手机应用程序，其内包含多种3D模型、纹理工具和3D市场模型。它使用“所见即所得”的方法，能够通过简单的放置和颜色填充来生成数字资产，该应用程序还允许设计人员将创建的模型导入3D打印软件。 Shapeyard 于 2022 年 10 月加入 NVIDIA Inception 计划，希望将自己的产品整合到 NVDIA Omniverse 平台中，以构建3D数字资产，并以通用场景描述文件框架导出场景。目前 Shapeyard 的 NFT 铸造和交易功能正在开发中。 dotmoovs dotmoovs 是一个 Move to Earn 项目，旨在创造一个运动员、教练员和球迷可以一起比赛的世界。dotmoovs 的 AI 系统会对用户的身体进行检测，逐个评估肢体动作，并进行打分。此外，dotmoovs 还提供 AI 驱动的教练，帮助用户改善运动中的问题。 dotmoovs 在今年 6 月加入 NVIDIA Inception 计划，希望通过尖端的 AI 解决方案塑造体育的未来。 dotmoovs 发行有代币 MOOV，目前总市值 481 万美元。 Kondux Kondux 构建了一个功能丰富的平台，将区块链技术与3D资产结合，让用户能够查看、创建和部署数字资产。用户可以通过3D视口自定义和查看3D kNFT，在 NFT 市场进行购买、出售和交易，通过 XR 查看器以 AR 对象形式查看自己的资产，使用 NFT 铸币器上传自己的数字资产并创建 NFT 或 kNFT，以及通过连接钱包在3D NFT 画廊环境中查看 NFT。 Kondux 在 2022 年 9 月加入 NVIDIA Inception 计划，NVIDIA Omniverse 相关的硬件和软件将为 Kondux 提供实现高级 API 连接所需的工具，以创建可互操作的3D资产、制造模型和机器学习应用程序。 Kondux 发行有 NFT 和 ERC-20 代币 KNDX，目前 KNDX 的总市值为 194 万美元。 Ubex Ubex 是一个利用区块链和人工智能技术改进数字广告行业的平台，旨在提供更高效、透明和精准的广告投放方案。它通过去中心化的广告生态系统，连接广告发布商和广告客户，并通过智能合约确保广告交易的可验证性和安全性。 Ubex 在 2018 年 6 月加入 NVIDIA Inception 计划，希望利用 NVIDIA 在数据科学方面的丰富知识来加强神经网络的学习技术。 Ubex 发行有代币 UBEX，但目前总市值仅剩 15.4 万美元。小结在上面的项目中，进行 GPU 算力交易的 Flux 和 iExec 发展相对较好。随着 AI 的发展，去中心化的 GPU 算力市场可能会有需求。而元宇宙、NFT 类项目和 GPU 的结合点并不太多，在当前的熊市环境下价值也明显回归。需要指出的是，加入 NVIDIA Inception 计划的项目数量众多，可能存在遗漏之处，也不意味着这些项目和英伟达存在深度合作，投资者需谨慎自行判断风险。来源：金色财经

金色财经2023-06-19

DiDiCoin正式启动完美机制缔造财富奇迹

，支持计算密集性的用例，比如机器学习和深度学习，未来应用场景丰富。 DiDiCoin正式宣发以来，为所有参与者塑造生态共识。共识塑造用户行为的变化，所以良好的共识可以激励用户贡献价值并获得相应的回报。文化层面 DiDi由多家知名投社区联合宣发，旨在打造2023DiDi财富传奇。Didi是由著名区块链安全教授，团队成员大部分来自加州大学，技术背景深厚，行业契合度高；倾力打造.DiDi是由DiDiCoin构建的去中心化区块链网络，致力于构建基于区块链的云计算平台，可以实现隐私保护、安全和性能的兼顾,可以首次在区块链上实现诸如人工智能这样的计算密集型应用。 DiDiCoin代币经济学生态共识引领了DiDiCoin生态效应的发展，它远比过去的网络效应更有价值。Web3产生的生态效应之所以能够超越网络效应，在于共享经济而非垄断经济。DiDiCoin生态效应是对生态繁荣的追求，使价值得以持续并惠及每一位用户。 $DiDi总发行量100000枚，代币分配如下：代币滑点4%：(3%NFT节点分红 + 1%持币分红) 创世联合股东NFT发行100张，持有NFT可获得子币优先空投权、社区治理权、永久分红权等权益！另外，$DiDi两个重要机制是，持币暴力分红本币和添加资金池暴力分红USDT，完美机制为参与者打造一个健康有序的生态。 DiDiCoin团队成员均来自知名企业与互联网行业的初创团队。团队在互联网产品开发有着丰富的经验。未来，DiDiCoin将努力打造产品，不断完善生态共识，推动项目DAO去中心化治理，成为一个有爆款Web3项目！来源：金色财经

金色财经2023-06-19

到了2030年 GPT会发展成什么样？

低于人类水平没有充分的理由。虽然当前的深度学习方法有可能在某些领域达不到人类水平，但它们也有可能会超越人类，甚至显著超越人类水平也说不定，尤其是在人类在进化上不擅长的数学等领域。 2. 推理速度（感谢 Lev McKinney 为本节运行性能基准测试。）为了研究机器学习模型的速度，我们测量了机器学习模型生成文本的速度，以每分钟 380 个单词的人类思维速度为基准。使用 OpenAI 的chat completions API，我们估计 gpt-3.5-turbo 每分钟可以生成 1200 个单词 (words per minute，wpm)，而 gpt-4 是 370 wpm（截至 2023 年 4 月初）。规模较小的开源模型，如 pythia-12b ，用 A100 GPU 跑用开箱即用的工具，至少可达到 1350 wpm，通过进一步优化似乎可以再翻一番。因此，如果以截至 4 月份的 OpenAI 模型为参照，人工智能的速度要么大约是人类速度的 3 倍，要么等于人类速度。我预测模型在未来的推理速度会更快，因为在加速推理方面存在很大的商业与实践压力。事实上，根据 Fabien Roger 的跟踪数据，在这篇文章发表之前的一周，GPT-4 的速度已经增加到约 540wpm（12 个token/秒）；这表明存在持续的改进空间与意愿。我的预测中值是模型的 wpm 将是人类的 5 倍（范围：[0.5x, 20x]），因为这之后会出现边际收益递减的情况，尽管有一些考虑会指向更高或较低的数字。重要的是，机器学习模型的速度不是固定的。模型的串行推理速度可以以吞吐量减少 k 倍为代价将速度提高 k 平方倍（换句话说，一个模型 k 立方倍的并行副本可以替换为速度快 k 平方倍的一个模型）。这可以通过并行平铺法来实现，理论上甚至适用于比 k 平方还要大的情况，可能至少是 100 甚至更多。因此，通过把 k 设为 5 的话，可以将 5 倍于人类速度的模型加速到 125 倍于人类速度。重要提醒，速度与质量未必匹配：如第 1 节所述，GPT 2030 的技能组合跟人类不一样，机器在某些我们认为很容易的任务上会失败，而在某些我们感觉困难的任务却很精通。因此，我们不应把 GPT 2030 看作是“高速版人类”，而应将其看作是具有违反直觉的技能的，“高速版员工”。尽管如此，把加速因素纳入考虑仍然很有参考意义，尤其是当加速值很大时。如果语言模型获得了 125 倍的加速，假设其处于 GPT 2030 的技能范围内，需要我们一天时间的认知动作，GPT 就可以在几分钟内完成。以前面的黑客攻击为例，机器学习系统可以快速建立起对我们来说生成速度较慢的漏洞利用或攻击。 3. 吞吐量与并行副本模型可以根据可用的计算和内存情况任意复制。这样任何可以并行化的工作都可以快速完成。此外，一旦一个模型被微调到特别有效，改变就可以立即传播到其他实例。模型也可以针对专门的任务进行提炼，从而跑得更快、成本更低。一旦模型经过训练，可能就会有足够的资源来跑模型的多个副本。这是因为训练一个模型需要运跑它的很多个并行副本，而训练这个模型的组织在部署的时候仍将拥有这些资源。因此，我们可以通过估算训练成本来降低副本数量。举个例子说明一下这种逻辑，训练 GPT-3 的成本足以让它执行 9 x 10^11 次前向传播。换句话说，人类每分钟的思考量是 380 个单词，一个单词平均为 1.33 个 token，因此 9 x 10^11 次前向传播相当于以人类速度工作约 3400 年。因此，用人类的工作速度该组织可以跑 3400 个模型的并行副本一整年，或者以 5 倍于人类的速度跑相数量的副本 2.4 个月。我们接下来为未来的模型设计同样的“训练悬垂”（训练与推理成本的比率）。这个比率应该会更大：主要原因是训练悬垂与数据集大小大致成正比，而数据集会随着时间的推移而增加。随着自然产生的语言数据被我们用完，这种趋势将会放缓，但新的模式以及合成或自生成的数据仍将推动它向前发展。我预测 2030 年的模型可使用足够的资源进行训练，去执行相当于人类速度 1800000 年的工作[范围：400k-10M]。请注意，Cotra (2020) 与 Davidson (2023) 估计的数量相似，得出的数字比我得预测更大；我想主要区别在于我对自然语言数据耗尽所产生影响得建模方式不一样。上面的预测有些保守，因为如果组织购买额外的计算资源的话，模型可使用得资源可能会多于训练时所用资源。粗略估计表明，GPT-4 使用了全球计算资源的约 0.01% 进行训练，不过我预计未来的训练占用全球计算总量的份额会更大，因此在训练后进一步扩展的空间会更小。尽管如此，如果组织有充分理由去扩展资源的话，仍然可以将所运行的副本数量提高到另一个数量级。 4. 知识分享（感谢 Geoff Hinton 首先向我提出了这个观点。）模型的不同副本可以共享参数更新。比方说，ChatGPT 可以部署到数百万用户那里，从每次交互中学到一些东西，然后将梯度更新（gradient updates）传播到中央服务器，在做过平均处理后再应用到模型的所有副本上。通过这种方式，ChatGPT 在一个小时内观察到的人性比人类一辈子（100 万小时 = 114 年）看过的东西还要多。并行学习也许是模型最重要的优势之一，因为这意味着它们可以快速学习任何自己缺失的技能。并行学习的速率取决于一次跑多少个模型副本，它们获取数据的速度有多快，以及数据是否可以高效地并行利用。最后这一点，即使是极端的并行化也不会对学习效率造成太大影响，因为数百万的批量大小在实践中很常见，并且梯度噪声尺度（McCandlish 等人，2018 年）预测学习性能在某个“临界批量大小”以下劣化程度最小。因此，我们将聚焦在并行副本和数据采集上。我会提供两个估计，这两个估计都表明以人类的速度并行学习至少约 100 万份模型是可行的。也即是说，机器一天的学习量相当于人类学 2500 年，因为 100 万天 = 2500 年。第一个估计用到了第 3 节中的数字，得出的结论是训练模型的成本足以模拟模型 180 万年的工作（根据人类速度进行调整）。假设训练运行本身持续了不到 1.2 年（Sevilla 等人，2022 年），这意味着训练模型的组织有足够的 GPU 以人类速度运行 150 万个副本。第二个估计考虑了部署该模型的组织所占市场份额。比方说，如果一次有 100 万用户向模型发起查询，则组织必然有资源来服务 100 万个模型副本。大致而言，截至 2023 年 5 月，ChatGPT 拥有 1 亿用户（并非同时全部活跃），截至 2023 年 1 月，其每天有 1300 万活跃用户。我假设典型用户的请求量相当于模型几分钟的生成文本，因此 1 月份的数字可能意味着每天大概只有 5 万人日的文本。不过，未来的 ChatGPT 式的模型似乎很可能会达到其 20 倍之多，日活用户可以达到 2.5 亿更多，因此每天将会有 100 万人日的数据。相比之下，Facebook 的日活用户数是 20 亿。 5. 多模态、工具与执行器从历史上看，GPT 风格的模型主要是基于文本和代码进行训练，除了通过聊天对话之外，与外界互动的能力有限。然而，这种情况正在迅速改变，因为模型正在接受图像等其他模态的训练，正在接受使用工具的训练，并开始与物理执行器交互。此外，模型不会局限于文本、自然图像、视频和语音等以人类为中心的模态——它们也可能会接受网络流量、天文图像或其他海量数据源等人类不熟悉的模态的训练。工具。最近发布的模型开始利用了外部工具，如 ChatGPT 插件等。文本与工具使用相结合足以编写出可执行的代码，说服人类让机器替他们采取行动，进行 API 调用，交易，甚至执行网络攻击都有可能。工具的使用具备经济用途，因此会有进一步发展这种能力的强烈动机。 ChatGPT 是被动的：用户说 X，ChatGPT 回应 Y。风险存在但有限。很快就会有主动系统 - 一个助手会替你回复电子邮件，代表你采取行动等。这样风险会更高。 - Percy Liang (@percyliang) 2023 年 2 月 27 日新模态。现在有大型开源视觉语言模型，如 OpenFlamingo，在商业方面，GPT-4 和 Flamingo 都接受了视觉和文本数据的训练。研究人员还在试验更多奇异的模态对，例如蛋白质和语言（Guo 等人，2023 年）。我们应该期望大型预训练模型的模式会继续扩展，原因有二。首先，在经济上，将语言与不太熟悉的模态（如蛋白质）配对有它的用处，这样用户就可以从解释并有效地进行编辑中受益。预测会用蛋白质、生物医学数据、CAD 模型以及与主要经济部门相关的任何其他模态进行多模态训练。其次，我们将开始用完语言数据，因此模型开发人员得搜索新类型的数据，从而可以继续受益于规模。除了传统的文本和视频之外，现有数据源当中天文数据（很快将达到每天艾字节得规模）和基因组数据（大约 0.1 艾字节/天）是规模最大之一。这些以及其他得海量数据源可能会被用于训练 GPT 2030。使用外来模态意味着 GPT 2030 可能会具备非直觉的能力。它可能比我们更了解恒星和基因，即尽管它现在处理基本的物理任务都比较困难。这可能会带来惊喜，比方说设计出新的蛋白质，这是我们基于 GPT 2030 那种“一般”智能水平预料不到的。在思考 GPT 2030 的影响时，重要的是要思考由于这些奇异的数据源而可能形成的超人能力。执行器。模型也开始使用物理的执行器：ChatGPT 已经用于机器人控制，OpenAI 正在投资一家人形机器人公司。不过，在物理域收集数据要比在数字域收集数据昂贵得多，而且人类在进化上也更适应物理域（因此机器学习模型与我们竞争的门槛更高）。因此，与数字工具相比，我预计人工智能掌握物理执行器的速度会更慢，而且我不确定我们是否该在 2030 年之前做到这一点。量化而言，我认为在 2030 年实现自主组装一辆按比例复制的法拉利的概率是 40%。 6. GPT-2030 的影响接下来我们将分析像 GPT 2030 这样的系统对社会意味着什么。具备 GPT 2030 特征的系统至少会显著加速某些领域的研究，同时被滥用的规模也大得很。我会从分析 GPT 2030 的一些一般优势和局限性开始，然后用来作为分析加速和滥用的视角。优势。GPT 2030 代表的是一支庞大、适应性强、高产出的劳动力队伍。回忆一下吧，多个 GPT 2030 副本并行工作，按照 5 倍于人类的运行速度，可以完成 180 万年的工作。这意味着我们可以（受到并行性的限制）模拟 180 万个代理，每个代理在 2.4 个月内即可完成一年的工作。如上所述，对于 FLOP （浮点运算），我们可以开出 5 倍的费用，从而换取额外 25 倍的加速（这将达到人类速度的 125 倍），因此我们还可以模拟出 14000 个代理，这些代理每个都能在 3 天内完成一年的工作。限制。利用这种数字劳动力存在三个障碍：技能情况、实验成本以及自主性。首先，GPT 2030 将拥有与人类不同的技能组合，导致它在某些任务上表现更差（但在其他任务上表现更好）。其次，模拟人工仍然需要与物理世界对接，以便收集数据，这个本身需要时间和计算成本。最后，在自主性方面，如今的模型在被“卡住”之前只能通过思维链生成几千个 token，进入到没法生成高质量输出的状态。在将复杂任务委托给模型之前，我们需要显著提高其可靠性。我预计可靠性会提高，但并非没有限制：我（非常粗略）的猜测是 GPT 2030 可以稳定运行数天（与人类等效的时间），然后就得重新设置或交给外部反馈控制。如果模型以 5 倍的速度运行的话，这意味着它们每隔几个小时就需要人工监督的介入。因此，GPT 2030 影响最大的任务应该具备以下特性：利用了 GPT 2030 相对于人类具备优势的技能。只需要外部经验数据（收集应该很轻松快速，与昂贵的物理实验相反）的任务。可以先验分解为可靠执行的子任务，或者具有清晰且可自动化的反馈指标来帮助引导模型的任务。加速。有项任务这三条标准都很容易满足，那就是数学研究。首先，GPT 2030 可能具备超人的数学能力（第 1 节）。这第二条和第三条，数学可以纯粹通过思考和写作来完成，而且什么时候定理得到证明我们是知道。此外，全球的数学家总共也没多少（比方说美国就只有 3000 人左右），因此 GPT 2030 也许每隔几天模拟一次产出就能超过所有数学家的年产。机器学习研究的一些重要部分也符合上述标准。GPT 2030 在编程方面能力超人，其中包括实施和运行实验。鉴于 GPT-4 擅长以通俗易懂的方式解释复杂的主题（并且市场对此也有很大需求），我猜它也能很好地呈现和解释实验结果。因此，届时机器学习研究可能会简化成构思出好的实验来运行，并与高质量（但可能不可靠）的结果报告进行交互。因此，到 2030 年时，研究生拥有的资源堪比今天带领几名优秀学生的教授手上的资源。部分社会科学也可以得到显著加速。很多论文大部分的工作是对具备科学有趣性的数据源进行追查、分类和标记，并从中析取出重要模式。这满足了第 3 条要求，因为分类和标记可以分解为简单的子任务，并且也满足第 2 条要求，只要数据在互联网上能找到，或者可以通过在线调查收集到即可。滥用。加速只是一方面，另一方面也会存在严重的滥用风险。最直接的案例是表现出网络攻击性的黑客能力。检查特定目标是否存在特定类型的漏洞可能会得到可靠执行，并且很容易就能检查漏洞利用是否成功（前提是能够与代码交互），因此第 3 条要求是都可以满足的。在第 2 条要求上，GPT 2030 需要与目标系统交互去了解漏洞利用是否有效，这会带来一些成本，但不足以构成重大瓶颈。此外，该模型可以在本地设计好，以开源代码作为训练数据源，去测试漏洞利用，因此它可以提前练好黑客攻击技能，然后再与外部系统进行交互。也就是说，GPT 2030 可以针对大量并行目标快速执行复杂的网络攻击。滥用的第二个来源是操纵。如果 GPT 2030 同时与数百万用户进行交互的话，那么它在一个小时内获得的人机交互体验比人一生（100 万小时 = 114 年）获得的交互体验都要多。如果它利用这些交互来学习如何操纵，那么它就可以获得远超人类的操纵技能——打个比方，骗子擅长欺骗受害者，因为他们之前已经在数百人身上练习过，而 GPT 2030 可以将这项技能提高几个数量级。因此，它可能非常擅长在一对一对话中操纵用户，或者擅长撰写新闻文章来影响公众舆论。因此，总而言之，GPT 2030 可以将几乎所有的数学研究以及其他研究领域的重要组成部分自动化，并且可能成为网络攻击和说服/操纵等滥用行为的强大载体。其大部分影响将受到“监督瓶颈”的限制，因此如果人工智能可以长时间自主运行的话，那么它的影响可能会更大。来源：金色财经

金色财经2023-06-19

华金证券：给予全志科技增持评级

最为关键的要素。从起步阶段发展到当下深度学习阶段，算法、数据和算力构成了 AI 三大基本要素，并共同推动 AI 向更高层次的感知和认知发展。 AI 在端侧设备应用普及是大势所趋，目前，知识蒸馏、剪枝、量化等模型小型化技术在逐步成熟， AI 在云、边、端全方位发展的时代已至。除了更加广泛的应用带来需求量的提升外，更复杂算法带来更大算力的需求也将从另一个维度推动市场扩容。公司通过多元化产品布局，以大视频为基础构建智能应用平台，通过 AI 全面赋能，与多家行业标杆客户建立战略合作关系，并配合客户在算力、算法、产品、服务等方面进行整合，聚焦 AI 语音、 AI 视觉应用的完整链条，实现智能音箱、智能家电、智能安防、智能座舱、智能工控等细分 AI 产品量产落地。　　投资建议：我们公司预测 2023 年至 2025 年公司营收分别为 18.93 亿元、 22.71亿元、 27.25 亿元，同比增速分别为 25.0%、 20.0%、 20.0%，归母净利润分别为2.02 亿元、 2.68 亿元、 3.39 亿元，对应的 PE 分别为 94.5 倍、 71.2 倍、 56.3 倍。考虑到 AI 产业化浪潮正逐步展开，公司作为端侧芯片重要供应商，下游具备广泛的客户基础，首次覆盖，给予增持-B 建议。　　风险提示：产品研发不及预期、行业竞争加剧、下游需求不及预期证券之星数据中心根据近三年发布的研报数据计算，长城证券邹兰兰研究员团队对该股研究较为深入，近三年预测准确度均值为70.08%，其预测2023年度归属净利润为盈利3.36亿，根据现价换算的预测PE为56.71。最新盈利预测明细如下：该股最近90天内共有3家机构给出评级，增持评级3家。根据近五年财报数据，证券之星估值分析工具显示，全志科技（300458）行业内竞争力的护城河良好，盈利能力一般，营收成长性较差。财务可能有隐忧，须重点关注的财务指标包括：存货/营收率增幅、经营现金流/利润率。该股好公司指标2.5星，好价格指标2星，综合指标2星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）以上内容由证券之星根据公开信息整理，由算法生成，与本站立场无关。证券之星力求但不保证该信息（包括但不限于文字、视频、音频、数据及图表）全部或者部分内容的的准确性、完整性、有效性、及时性等，如存在问题请联系我们。本文为数据整理，不对您构成任何投资建议，投资有风险，请谨慎决策。

证券之星2023-06-19

本周食品饮料、通信行业大涨逾7%，光通信模块、CPO概念、机器人概念爆发

计算机芯片已经难以满足大规模数据处理和深度学习算法的需求，因此需要使用更加高效的计算平台和芯片设计，CPO技术可以将光学器件直接封装在芯片内部，实现高密度光电集成和高效能耗比。与此同时，随着模型训练和推理的算力需求不断增长，与高性能的服务器与网络交换机配套的高速光模块需求也同步攀升，分析称，800G光模块的出货量将更长期处于高位水平。　　汽车产业复苏有助于支撑经济稳增长。近期汽车下乡的消息不断，刺激政策接连发力，新能源汽车产业链本周快速回暖，汽车零部件、汽车后市场、充电桩等板块均迎来了较为显著的上涨行情。分析指出，产业链普遍排产下滑、持续降价的至暗时刻已经过去，量价、经营均进入稳定趋好阶段。

金融界2023-06-18

年薪最高破37.5万美元！全球AI人才需求激增美媒：42%首席执行官认同10年内毁灭人类

美元，需要3年以上的AI研究经验，专攻深度学习。当然，微软(Microsoft)在名单中，他们正在招聘一名数据注释专家。不需要大学学位，但求职者必须说和写魁北克法语。该运营角色将帮助“通过生成高质量的转录来训练和改进微软产品和服务，从而构建下一代语音识别。受聘人员将使用内部工具转录和注释数据，审查内容的准确性和一致性，并评估转录工具。 42%首席执行官认同10年内毁灭人类根据美国有线电视新闻网(CNN)独家分享的调查结果，本周在耶鲁CEO峰会上接受调查的42%的首席执行官表示，AI有可能在未来5到10年内摧毁人类。这项调查是在Sonnenfeld首席执行官领导力研究所举办的一次虚拟活动中所进行的，发现人们对与AI相关的风险和机遇几乎没有达成共识。耶鲁大学教授Jeffrey Sonnenfeld在接受电话采访时提到这些发现时说：“它非常黑暗且令人担忧。” Sonnenfeld表示，该调查包括来自不同行业的119位首席执行官的回复，其中包括沃尔玛首席执行官Doug McMillion、可口可乐首席执行官James Quincy、施乐和Zoom等科技公司的领导人，以及制药、媒体和制造业的首席执行官。就AI对文明的危害程度，商界领袖表现出明显的分歧。尽管34%的首席执行官表示AI可能会在10年内毁灭人类，8%的人表示这可能会在5年内发生，但58%的人表示这永远不会发生，他们“并不担心”。在另一个问题中，耶鲁大学发现，42%的受访首席执行官表示，AI的潜在灾难被夸大了，而58%的人表示并没有被夸大。几周前，数十名人工智能行业领袖、学者甚至一些名人签署了一份声明，警告人工智能存在“灭绝”风险。该声明由OpenAI首席执行官山姆·奥特曼、“人工智能教父”杰弗里·辛顿，以及谷歌和微软的高管签署，呼吁社会采取措施防范AI的危险。 “减轻人工智能灭绝的风险应该与流行病和核战争等其他社会规模的风险，已共同成为全球优先事项，”声明说。

颜辞2023-06-17

估值暴涨3倍,《瞬息全宇宙》幕后公司Runway引领AI影视新时代

技术项目。 Deepfake是一种利用深度学习等机器学习方法创建或合成视听觉内容的技术，这种技术可以将已有的图像或视频中的人脸或表情替换成目标人物，从而达到伪造身份或表情的目的。该公司的换脸技术自推出以来便广受关注，比如说唱歌手Kendrick Lamar的《The Heart Part 5》MV以及篮球巨星科比的换脸视频。 ◉ Metaphysic 同样利用Deepfake技术进行视频创作的还有Metaphysic，该公司曾在去年9月利用Deepfake让已经故去多年的猫王登上了《美国达人秀》的舞台。此外，在经典电影《阿甘正传》原班人马合作的新片中，该公司将利用AI技术对主角汤姆·汉克斯和罗宾·怀特的面部进行年轻化还原。 ◉ MARZ MARZ作为漫威剧集《旺达幻视》以及Netflix剧集《太阳召唤》背后的视效工作室，开发了基于AI的视效工具“Vanity AI”。 Vanity AI可以自动地完成2D的老化、年轻化、美容、假发和假肢等视效修饰，大大缩短了制作时间和成本。此外，MARZ公司的COO Matt Panousis认为配音和画面不同步的问题是内容无法得到更好传播的主要原因之一，因此该公司正着手开发一项用于解决音画不同步问题的工具，这种工具将能帮助传媒公司们更好地放眼海外以寻求更大的发展。 ◉ Respeecher Respeecher是一家乌克兰的初创公司，成立于2018年，擅长运用AI技术“克隆”陈旧影像档案中演员的声音，然后用于新的电影或游戏制作中。在去年Disney+推出的剧集《欧比旺·克诺比》里，Respeecher就成功“克隆”了黑武士的标志性呼吸声。同样，在另一部改编自《星球大战》、由卢卡斯影业打造的剧集《波巴·费特之书》里，Respeecher也还原了卢克·天行者的声音。此外，在2021年赢得艾美奖的纪录短片《Event of Moon Disaster》里，Respeecher也利用机器学习技术来处理了1969年尼克松关于阿波罗11号任务的演讲的画面和声音。除了上述的几家公司，还有一些AIGC公司也正在改变着影视和动画行业。比如利用生成式AI技术为外语电影和剧集重新进行本地语言配音的Deepdub，以智能计算机视觉技术、光场技术、深度学习技术为核心的中国公司叠境数字（DGene），以及由参演过《X战警》和《头号玩家》的明星Tye Sheridan和动画特效专家Nikola Todorovic联合创立的公司Wonder Dynamics等。 Stay hungry，stay foolish Runway的创业成功符合当下生成式AI潮流与短视频媒体时代背景，很难说不属于过程顺势而为，结果水到渠成。 “每个平行世界的我们都存在着无限可能。“伊芙琳在电影中的感叹是不是也能印证到Runway创始人的职业生涯中？他拒绝加入谷歌，如今带领Runway又与谷歌展开紧密合作。 Valenzuela曾在接受采访时表示，无论是创业还是工作，只有保持不断学习的心态与超过常人的学习速度，才能创造出新的产品。回顾他对AIGC的追求与坚持，即使他当时选择谷歌，我们也相信他绝不会泯然众人矣。 AIGC的爆火对元宇宙的发展不是冲击，而是助力。元宇宙终将带领我们把现实世界与虚拟世界融为一体，这个看似遥远的理念离不开人工智能技术的支撑。 2023年已过半，元宇宙远去了吗？不，它只是换了个旗帜重回我们身边。【声明】：本文为元宇宙之心运营团队原创，未经允许严禁转载，如需转载请联系我们，文章版权和最终解释权归元宇宙之心所有。来源：金色财经

金色财经2023-06-17

多维度解析DePIN如何助力人工智能？

分布式计算网络。 Gensyn.ai：深度学习模型计算协议。 3. 降低间接成本：Bacalhau、exaBITS 等 DePIN 网络以及 IPFS/内容寻址存储的优势包括：释放潜在数据的可用性：由于传输大型数据集的带宽成本高，目前大量数据未被开发，比如体育场馆产生的大量事件数据。DePIN 项目可以现场处理数据并仅传输有意义的输出，发掘潜在数据的可用性。降低运营成本：通过本地获取数据来降低数据输入、传输和导入/导出成本。最小化敏感数据共享中的人工作业：如果医院 A 和 B 需要将各自患者的敏感数据进行组合分析，它们可以使用 Bacalhau 协调 GPU 算力，直接在本地处理敏感数据，而不必通过繁琐的行政流程与对方进行个人身份信息（PII）交换。无需重计算基础数据集：IPFS/内容寻址存储自带去重、溯源和验证数据的能力。有关 IPFS 的功能和性价比可参考这篇文章。 AI 生成摘要：AI 需要 DePIN 提供的经济实惠的基础设施，目前基础设施市场由垂直一体化的寡头垄断。像 Filecoin、Bacalhau、Render Network、ExaBits 这样的 DePIN 网络使成为硬件供应商的机会民主化，引入竞争，通过加密经济设计维护市场经济平衡，让成本降低 75% -90% 以上，并降低了间接成本。二、验证创作者和人格问题一份近期调研显示，50% 的 AI 学者认为 AI 给人类带来毁灭性伤害的可能性超过 10% 。人们需要警醒，A.I.已经引发社会混乱，而且仍缺乏监管或技术规范，这种情况被称为“反向凸角”。比如，在这段 Twitter 视频中，播客主持人 Joe Rogan 与保守评论员 Ben Shapiro 在就电影《料理鼠王》进行着辩论，然而这段视频是 AI 生成的。来源：Bloomberg 值得注意的是，A.I.的社会影响力远不止虚假博客、对话和图像带来的问题： 2024 年美国大选期间，AI 生成的 deepfake 竞选内容首次达到了以假乱真的效果。参议员 Elizabeth Warren 的一段视频经过编辑，让她“说”出了"共和党人不应该被允许投票"这样的话（已辟谣）。语音合成的拜登的声音批评跨性别女性。一群艺术家对 Midjourney 和 Stability AI 提起了集体诉讼，指控其未经授权使用艺术家的作品来训练 AI，侵犯版权并威胁艺术家生计。 AI 生成的由 The Weeknd 和 Drake 合唱的歌曲“Heart on My Sleeve”在流媒体平台上走红，但随后被下架。当新技术在没有规范的情况下进入主流，就会造成诸多问题，版权侵犯就属于“反向凸角”问题。那么我们能否在Web3中加入 AI 的相关规范？解决方案利用加密链上来源证明进行人格证明和创作者证明让区块链技术真正发挥作用——作为一个包含不可篡改链上历史记录的分布式账本，数字内容的真实性可以通过内容加密证明得到验证。数字签名作为创作者证明和人格证明要识别 deepfake，可用原始内容创作者独有的数字签名生成加密证明，签名可以使用只有创作者知晓的私钥创建，并可由对所有人公开的公钥进行验证。有了签名就可以证明内容是由原始创作者创建，不论创建者是人类还是 AI，还可以验证授权或未授权的对内容的更改。利用 IPFS 和默克尔树进行真实性证明 IPFS 是使用内容寻址和默克尔树引用大型数据集的分布式协议。为了证明文件内容收到、更改，会生成一个默克尔证明，即一串哈希，显示特定的数据块在默克尔树中的位置。每次更改，都会在默克尔树中增加一个哈希，提供了文件修改的证明。加密方案的痛点是激励机制，毕竟，识别出 deepfake 制造者虽然能减少负面社会影响，但不会带来同等的经济利益。这份责任很可能落在 Twitter、Meta、Google 等主流媒体分发平台上，事实也的确如此。那么我们为什么需要区块链？答案是区块链的加密签名和真实性证明更加有效、可验证和确定。目前，检测 deepfake 的过程主要通过机器学习算法（如 Meta 的“Deepfake Detection Challenge”、Google 的“Asymmetric Numeral Systems” (ANS)和 c 2 pa：https://c 2 pa.org/）来识别视觉内容中的规律和异常，但时常不够准确，落后于 deepfake 发展速度。一般需要人工审核来确定真实性，低效且昂贵。如果有一天每条内容都有加密签名，每个人都能可验证地证明创作来源，标记篡改或伪造行为，那我们将迎来美丽的世界。 AI 生成摘要：AI 可能对社会构成重大威胁，尤其是 deepfake 和未授权使用内容，而Web3技术，如使用数字签名的创作者证明和使用 IPFS 和默克尔树的真实性证明，可以验证数字内容的真实性，防止未经授权的更改，为 AI 提供规范。三、AI 民主化问题今天的 AI 是由专有数据和专有算法构成的黑盒。大型科技公司 LLM 的封闭性扼杀了我眼中的“AI 民主”，即每个开发者甚至用户都能为 LLM 模型贡献算法和数据，并在模型盈利时获得部分利润（相关文章）。 AI 民主=可视性（能看到输入模型的数据和算法）+贡献（能向模型贡献数据或算法）。解决方案 AI 民主的目的是让生成式 AI 模型对公众开放、与公众相关、为公众所有。下表对比了 AI 现状与通过Web3区块链技术能实现的未来。目前—— 对于客户：单向接收 LLM 输出无法控制个人数据如何被使用对于开发者：可组合性低 ETL 数据处理不可追溯，难复现数据贡献来源仅限于数据所有机构闭源模型只能通过 API 付费访问分享数据输出缺乏可验证性，数据科学家 80% 的时间用于低端数据清洗结合区块链后—— 对于客户：用户可提供反馈（比如偏见、内容审核、针对输出的颗粒度反馈）作为微调依据用户可选择贡献数据换取模型盈利后的利润对于开发者：分布式数据管理层：众包重复耗时的数据标记等数据准备工作可视性&组合&微调算法的能力，借助可验证源（可以看到所有改动的防篡改历史记录）数据主权（通过内容寻址/IPFS 实现）和算法主权（例如 Urbit 实现了数据和算法的点对点组合和可移植性）加速 LLM 创新，从基础开源模型的各种变体中加速 LLM 创新。可复现训练数据输出，通过区块链对过去 ETL 操作和查询的不可变记录（如 Kamu）实现。有人说Web2的开源平台也提供了一种折中方案，但其效果并不理想，相关讨论可见 exaBITS 的博文。 AI 生成摘要：大型科技公司封闭的 LLM 扼杀了“AI 民主”，即每个开发者或用户都能够为一个 LLM 模型贡献算法和数据，并在模型盈利时获得部分利润。AI 应该对公众开放，与公众相关，为公众所有。借助区块链网络，用户能够提供反馈，为模型贡献数据换取变现后的利润，开发者也能获得可视性和可验证源，从而组合和微调算法。内容寻址/IPFS 和 Urbit 等Web3创新将实现数据和算法主权。通过区块链对过去 ETL 操作和查询的不可变记录，训练数据输出的可复现性也将成为可能。四、设置数据贡献奖励机制问题今天，最有价值的消费者数据为大型科技公司的专有资产，构成其核心商业壁垒。科技巨头没有动力将这些数据与外部方共享。那么，为什么我们不能直接从数据创造者或用户那里获取数据呢？为什么我们不能把数据变成公共资源，贡献数据将数据开源化供数据科学家使用？简单来说是因为缺乏激励机制和协调机制。维护数据和执行 ETL（提取、转换和加载）是一大笔间接成本。事实上，仅数据存储就将在 2030 年成为价值 7770 亿美元的行业，这还不包括计算成本。没有人会无偿承担数据处理的工作和成本。不妨看看 OpenAI，最初设定是开源非盈利，但变现困难无法覆盖成本。2019 年，OpenAI 不得不接受微软注资，算法不再对公众的开放。预计到 2024 年，OpenAI 盈利将达 10 亿美元。解决方案 Web3引入了名为“dataDAO”的新机制，促进了 AI 模型所有者和数据贡献者之间的收入再分配，为众包数据贡献创建了激励层。由于篇幅限制，此处不会展开，想要了解可阅读下方两篇文章： How DataDAO works/DataDAO 原理，作者是 Protocol Labs 的 HQ Han How data contribution and monetization works in web3/web3数据贡献和变现如何运作，我在这篇深入讨论了 dataDAO 的机制、欠缺和机遇总的来说，DePIN 另辟蹊径，为推动Web3和 AI 创新提供了新的硬件能源。尽管科技巨头主导了 AI 行业，但新兴参与者可以利用区块链技术加入竞争：DePIN 网络降低准入门槛的方式包括降低计算成本；区块链的可验证和分布式特性使真正的开放式 AI 成为可能；dataDAO 等创新机制激励数据贡献；区块链的不可变性和防篡改特性提供了创造者身份证明，打消人们对 AI 负面社会影响的担忧。来源：金色财经

金色财经2023-06-16

国能日新：博时基金、巨极投资等多家机构于6月6日调研我司

用，未来公司也将进一步推进 I 模型在深度学习方向上，与新能源业务场景的融合，提升功率预测、电力交易、虚拟电厂等业务的核心竞争能力。此外，我们也将持续关注大模型应用于企业数字化管理、提升生产经营效率及管理效率等领域的落地，积极跟踪人工智能发展趋势，与国内先进服务商保持交流和学习。问：请简要介绍公司电力交易产品线的主要产品、客户以及收费模式。目前的销售区域主要在哪些省份？答：公司在电力交易产品方面主要的产品及服务主要有电力交易辅助决策服务及电力交易数据服务产品。目前公司电力交易产品的客户主要是新能源电站客户。此外，部分传统能源的发电公司、售电公司、电力交易行业内友商也会购买公司的电力交易数据服务产品，使用该产品下的发电量预测数据和气象数据等数据模块作为其参与电力交易业务的重要数据支撑。收费模式方面，电力交易产品均采取按年收费模式。销售区域方面，公司目前已逐步在电力现货交易实现长周期、不间断运行的省份，如山西、甘肃、山东、蒙西等区域实现销售。随着未来我国电力市场化改革的持续推进，将有更多省份进入到电力交易长周期运行，这将推动公司电力交易产品销售区域的扩展。问：请简要介绍公司虚拟电厂运营业务的重点工作有哪些？答：公司于2022年6月设立控股子公司国能日新智慧能源（江苏）有限公司来开展虚拟电厂的运营业务，截至目前，子公司江苏智慧能源主要推进的工作分为两方面一方面紧密跟进各区域电网辅助服务聚合商资格申请的相关政策，持续推进辅助服务聚合商资格的申请工作，争取获得更多区域的准入资质。另一方面，通过渠道合作等多种方式签约优质可控负荷资源用户参与调峰辅助服务市场，以持续拓展和增加可调节负荷端的渠道及客户数量为主要目标。问：2023年公司在业务发展战略上如何规划的？截止到二季度公司的业务进展情况如何？答：2023 年公司在业务发展战略上将主要从以下两方面推进一方面是积极把握 2023 年新能源地面电站装机大年的市场机遇和存量替换市场需求，通过高性价比的产品和服务，继续保持以功率预测为主的基石类业务客户数量实现快速稳定的增长，进一步提升市场占有率，实现公司功率预测服务费和升级改造业务的良好增长；另一方面公司将加大电力交易、储能、虚拟电厂等创新类业务的市场推广和产品升级，深入打造新能源电力管理“源网荷储”一体化服务体系，培育新业务的用户数量和业务规模保持快速增长。 2023 年以来，受益于组件价格的持续落，新能源装机速度有所提升，公司上游行业的景气程度较高，此外，2022 年四季度部分新能源电站客户的装机并网验收进度延迟至 2023 年上半年陆续推进。截至目前公司各项业务进展情况良好，具体财务数据敬请关注公司后续发布在指定信息披露平台上的相关定期报告。国能日新（301162）主营业务：向新能源电站、发电集团和电网公司等新能源电力市场主体提供以新能源发电功率预测产品(包括功率预测系统及功率预测服务)为核心,以新能源并网智能控制系统、新能源电站智能运营系统、电网新能源管理系统为拓展的新能源信息化产品及相关服务。国能日新2023一季报显示，公司主营收入8231.46万元，同比上升35.82%；归母净利润1039.6万元，同比上升96.01%；扣非净利润638.73万元，同比上升76.83%；负债率17.15%，投资收益32.49万元，财务费用-300.18万元，毛利率65.38%。该股最近90天内共有17家机构给出评级，买入评级14家，增持评级3家；过去90天内机构目标均价为79.31。以下是详细的盈利预测信息：融资融券数据显示该股近3个月融资净流入1708.71万，融资余额增加；融券净流入0.0，融券余额增加。根据近五年财报数据，证券之星估值分析工具显示，国能日新（301162）行业内竞争力的护城河良好，盈利能力良好，营收成长性良好。财务相对健康，须关注的财务指标包括：应收账款/利润率。该股好公司指标3.5星，好价格指标2星，综合指标2.5星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）以上内容由证券之星根据公开信息整理，由算法生成，与本站立场无关。证券之星力求但不保证该信息（包括但不限于文字、视频、音频、数据及图表）全部或者部分内容的的准确性、完整性、有效性、及时性等，如存在问题请联系我们。本文为数据整理，不对您构成任何投资建议，投资有风险，请谨慎决策。

证券之星2023-06-16

24小时热点