FX168财经网_全球视野外汇黄金加密货币NFT资讯网

重塑计算界限：去中心化算力的现状与展望

版本中，加入了语音、图像等多模态特征的生成式AI又将用户体验带到了更新的阶段。但与之对应的是GPT4有超过万亿级的参数参与模型预训练以及后续微调。这是 AI 领域对算力需求最大的两个部分。在预训练阶段，通过学习大量的文本来掌握语言模式、语法和关联上下文。使其能够理解语言规律，从而根据输入生成连贯且上下文相关的文本。预训练之后，再对GPT4进行微调，以便于更好地适应特定类型的内容或风格，提升特定需求场景的性能和专业化。由于 GPT 采用的 Transformer 架构，引入自注意力机制（Self-attention），这种机制使得模型能在处理输入的序列时，同时关注序列中不同部分之间的关系，因而对算力需求急剧增长，特别是在处理长序列是需要大量并行计算和存储大量注意力分数，因而也需要大量的内存和高速的数据传输能力。目前主流的同架构LLM对于高性能GPU的需求巨大，这也表明AI大模型领域投入成本巨大。根据相关 SemiAnalysis 的推测估计GPT4一次模型训练成本高达6300万美金。而为实现良好的交互体验，GPT4 在日常运营中亦需要投入大量的算力来维持其日常运营。算力硬件分类这里我们要来理解一下目前主要的算力硬件类型，CPU、GPU、FPGA、ASIC 分别能处理怎样算力需求场景。 • 从CPU和GPU的架构示意图上，GPU包含更多核心，它们使得GPU可同时处理多个计算任务，并行计算的处理能力更强，适用于处理大量计算任务，因此在机器学习和深度学习领域得到了广泛的应用。而CPU的核心数量较少，适合处理更集中地处理单个复杂计算或序列任务，但在处理并行计算任务时不如GPU高效。在渲染任务和神经网络计算任务中，通常需要处理大量重复计算和并行计算，因此GPU比CPU在这个方面会更高效且适用。 • FPGA（Field Programmable Gate Array）现场可编程逻辑门阵列，是作为专用集成电路（ASIC）领域中的一种半定制电路。由大量小型处理单元组成的阵列，FPGA可以理解为可编程的数字逻辑电路集成芯片。目前的运用主要集中在硬件加速，其他任务仍然在CPU上完成，让FPGA和CPU协同工作。 • ASIC（Application Specific Integrated Circuit）专用集成电路，是指应特定用户要求和特定电子系统的需要而设计的集成电路。ASIC在批量生产时与通用集成电路相比具有体积更小、功耗更低、可靠性提高、性能提高、保密性增强、成本降低等优点。因而在比特币挖矿的固有场景下，只需要执行特定的计算任务，ASIC则是最契合的。Google 也推出了针对机器学习专门设计的 TPU（Tensor Processing Unit）作为ASIC的一种，但目前主要通过Google Cloud提供算力租用服务。 • ASIC 和 FPGA 相比，ASIC 是专用集成电路，一旦设计完成后集成电路即固定。而FPGA是在阵列内集成大量数字电路基本门电路和存储器，开发人员可以通过烧写FPGA配置来定义电路，并且这种烧写是可更换的。但就当下的AI领域的更新速度，定制化或半定制化的芯片，无法及时通过调整重新配置来执行不同的任务或适应新算法。因而，GPU 的普遍的适应性和灵活性，使其在 AI 领域大放异彩。各大 GPU 厂商就 AI 领域也对 GPU 在 AI 领域的适配做了相关优化。以 Nvidia 为例，推出了专为深度学习设计的 Tesla 系列和 Ampere 架构 GPU，这些硬件包含针对机器学习和深度学习计算优化的硬件单元（Tensor Cores），这使得GPU能够以更高的效率和更低的能耗执行神经网络的前向和反向传播。此外也提供了广泛的工具和库来支持AI开发，如 CUDA（Compute Unified Device Architecture）来帮助开发人员利用GPU进行通用并行计算。去中心化算力去中心化算力是指通过分布式计算资源提供处理能力的方式。这种去中心化的方法通常结合区块链技术或类似的分布式账本技术，将闲置的计算资源汇集并分发给需要的用户，以实现资源共享、交易和管理。产生背景 • 强劲的算力硬件需求。创作者经济的繁荣，使得数字媒体处理方向进入全民创作的时代，激增的视效渲染需求，出现专门渲染外包工作室、云渲染平台等形式，但这样方式也需要本身投入大量的资金用于前期算力硬件采购。 • 算力硬件来源单一。AI 领域发展更加剧了算力硬件的需求，全球以 Nvidia 为龙头的 GPU 制造企业在这场AI算力竞赛中，赚得盆满钵满。其供货能力甚至成为能掣肘某一行业发展的关键要素，Nvidia的市值也于今年首次突破一万亿美元。 • 算力提供仍主要依赖中心化云平台。而目前真正受益于高性能计算需求激增的是以 AWS 为代表的中心化云厂商，它们推出了 GPU 云算力服务，以目前AWS p4d.24xlarge 为例，租用一台这样的专精于 ML 方向的 HPC 服务器，包含8块 Nvidia A100 40GB GPUs，每小时花费在 32.8 美元，其毛利率据估计可达61%。这也使得其他云巨头纷纷竞相参与，囤积硬件以其在行业发展初期尽可能占据有利。 • 政治、人为干预等因素导致行业发展不平衡。不平衡我们不难看出GPU的所有权和集中度更向资金和技术充裕组织和国家倾斜，且与高性能计算集群呈现依仗关系。这使得以美国为代表的芯片半导体制造强国，也在对AI芯片出口方面实施更为严苛的限制，以削弱其他国家在通用人工智能领域的研究能力。 • 算力资源分配过于集中。 AI 领域的发展主动权掌握在少数巨型公司手中，目前以 OpenAI 为代表的巨头，有微软的加持，背后是微软Azure 提供的丰富算力资源，这使得 OpenAI 每次新产品的发布，都是对当下 AI 行业的重塑和整合，让其余团队在大模型领域难以望其项背。那么在面对高昂的硬件成本、地域限制、产业发展不均衡的情况，是否有其他解决方案？去中心化算力平台则应运而生，平台的目的是创建一个开放、透明且自我调节的市场来更有效地利用全球计算资源。适应性分析 1. 去中心化算力供给侧目前高昂的硬件价格和供给侧的人为控制，都给去中心化算力网络的建设提供了土壤。 • 从去中心化算力的组成方式来看，多样的算力提供方小到个人PC、小型物联网设备大到数据中心、IDC等，大量累积的算力可提供更灵活和可扩展的计算解决方案，从而帮助更多的AI开发者和组织更有效地利用有限的资源。都可以通过个人或组织的闲置算力，来实现去中心化算力共享，但这些的算力的可用性、稳定性，受本身用户的使用限制或分享上限的限制。 • 有可能的潜在优质算力来源，则是以太坊转 PoS 后，直接由相关矿场转型提供的算力资源。以美国领先的 GPU 集成式算力提供商 Coreweave 为例，前身是北美以太坊最大的矿场，基于已构建的完备基础设施。此外，退役的以太坊矿机，其中也包含了大量的闲置 GPU，据悉此前以太坊挖矿时代巅峰在网工作的 GPU 约2700万张，盘活这些 GPU 也能进一步成为去中心化算力网络重要的算力来源。 2. 去中心化算力需求侧 • 从技术实现来看，去中心化算力资源在图形渲染类，视频转码类，这种计算复杂程度不高的任务，结合区块链技术和web3的经济体系能在确保信息数据安全传递情况下，为网络参与者带来了切实的收益激励，积累了有效的商业模式和客群。而 AI 领域则涉及大量的并行计算，节点间的通信、同步等环节，对网络环境等方面有非常高的要求，因而目前应用也都集中于微调、推理、AIGC 等更偏应用层。 • 从商业逻辑来看，单纯算力买卖的市场是缺乏想象力的，行业只能卷供应链、定价策略，但这些又恰好是中心化云服务的优势。因而，市场上限较低也缺乏更多想象空间，所以也能看到原本做单纯图形渲染的网络在寻求 AI 转型，如 Render Network 与2023 Q1 也推出了原生集成Stability AI 工具集，用户可以的该项功能引入Stable Diffusion作业，业务也不再局限于渲染作业而向 AI 领域扩展。 • 从主要客群来看，很显然大B端客户会更倾向于中心化集成式云服务，他们通常有充足的预算，他们通常是从事底层大模型的开发，需要更高效的算力聚合形式；因而，去中心化算力更多的是服务于中小型开发团队或个人，从事多是模型微调，或应用层开发，对算力的提供形式没有太高的要求。他们对价格更敏感，去中心化算力的能从根本上减轻初始成本的投入，因而整体的使用成本也更低，以 Gensyn 此前测算的成本来看，将算力换算成V100 提供的等值算力，Gensyn 价格仅为0.4美元每小时，相比AWS 同类型的算力需要2美元每小时，能下降80%。虽然这部分生意并不在目前行业中占开销大头，但伴随 AI 类应用的使用场景持续延展，未来的市场规模不容小觑。 • 从提供的服务来看，可以发现目前的项目更像是去中心化云平台的概念，提供的是一整套从开发、部署、上线、分发、交易全流程的管理，这样的好处在于吸引开发者，可以利用相关工具组件来简化开发部署，提升效率；同时能吸引用户来平台使用这些完整的应用产品，形成基于自身算力网络的生态护城河。但这同时也对项目运营提出了更高的要求。如何吸引优秀开发者和用户并实现留存显得尤为重要。不同领域的应用 1. 数字媒体处理 Render Network 一个基于区块链的全球渲染平台，其目标是为创作者数字创意提供帮助。它允许创作者按需将 GPU 渲染工作扩展到全球 GPU 节点，提供了以一种更为高速且便宜的渲染工作能力，在创作者确认过渲染结果后，再由区块链网络向节点发送代币奖励。相比传统的视觉效果实现方法，在本地建立渲染基础设施或在购置的云服务中增加相应的GPU开支，这都需要高昂的前期投入。自2017年创立以来，Render Network 用户在网络上渲染了超过1600万帧和近50万个场景。从Render Network 2023 Q2 发布数据也能表明，渲染帧数作业和活跃节点数都呈增长的趋势。此外，Render Network 与2023 Q1 也推出了原生集成Stability AI 工具集，用户可以的该项功能引入Stable Diffusion作业，业务也不再局限于渲染作业而向AI领域扩展。 Livepeer 则是通过网络参与者贡献自己的GPU算力和带宽，为创作者提供实时视频转码服务。广播者可以通过将视频发送至Livepeer，完成各类视频转码，并向各类端侧用户分发，进而实现视频内容的传播。同时，可以便捷地通过法币形式支付，获得视频转码、传输、存储等服务。在Livepeer 网络中，任何人都允许贡献个人计算机资源（CPU、GPU 和带宽）以进行转码和分发视频来赚取费用。原生代币（LPT）则代表了网络参与者在网络中的权益，通过质押代币的数量，决定节点在网络中的权重，从而影响其获得转码任务的机会。同时，LPT也起到了引导节点安全、可靠、快速地完成分派的任务。 2. AI领域的扩展在目前AI领域的生态系统中，主要参与者大致可以划分成：从需求方入手，在产业的不同阶段，对算力的诉求是有明显区别的。以底层模型开发为例，在预训练环节为确保训练结果的有效对并行计算、存储、通信等方面要求都非常高，这就需要通过大型的算力集群来完成相关的任务。当下主要算力供给主要还是依赖自建机房、中心化的云服务平台来集中提供。而在后续模型微调、实时推理和应用开发等环节则对并行计算、节点间通信的要求没有那么高，这恰恰是去中心化算力能一展拳脚的部分。纵观此前已颇具的声量的项目， Akash Nework 在去中心化算力方向做了一些尝试： Akash Network 结合不同的技术组件，让用户可以在去中心化的云环境中高效、灵活地部署和管理应用程序。用户可以利用 Docker 容器技术打包应用，然后通过 Kubernetes 在 Akash 提供的云资源上通过 CloudMOS 进行部署和扩展。Akash 采用“反向拍卖”的方式，这使得价格比传统云服务更低。 Akash Network 在今年8月也发布将推出了主网第6次升级，将对 GPU 的支持纳入其云服务中，未来向更多 AI 团队提供算力供给。 Gensyn.ai，今年颇受行业瞩目的项目由 a16z 领投完成了4300万美元A轮融资，就目前公布项目公布的文档来看，该项目是一个主网基于波卡网络的 L1 PoS 协议，聚焦于深度学习，它旨在通过创建一个全球性的超级计算集群网络来推动机器学习的边界。这个网络连接了从拥有算力富余的数据中心到潜在可贡献个人 GPU 的 PC，定制的 ASIC 和 SoC 等多种设备。为解决的目前去中心化算力中存在的一些问题，Gensyn 借鉴了学术界的一些理论研究新成果： 1. 采用概率学习证明，即使用基于梯度的优化过程的元数据来构建相关任务执行的证明，来加快验证过程； 2. 图形基准协议（Graph-based Pinpoint Protocol），GPP作为一个桥梁，连接了DNN（Deep Neural Network）的离线执行与区块链上的智能合约框架，解决了跨硬件设备间容易发生的不一致性，并确保了验证的一贯性。 3. 与 Truebit 类似的激励方式，通过质押和惩罚相结合的方式，建立一个能让经济理性参与者能诚实地执行分派的任务。该机制采用了密码学和博弈论方法。这个验证系统对于维持大型模型训练计算的完整性和可靠性。但值得注意的是以上内容更多的是解决任务完成验证层面，而非在项目文档中作为主要亮点讲述的关于去中心化算力来实现模型训练方面的功能，特别是关于并行计算和分布式硬件间通信、同步等问题的优化。当前受网络延迟（Latency）和带宽（Bandwidth）的影响，频繁的节点间通信会使得迭代时间和通信成本都发生增长，这不仅不会带来实际的优化，相反会降低训练效率。Gensyn 在模型训练中处理节点通信和并行计算的方法可能涉及复杂的协调协议，以管理计算的分布式性质。然而，如果没有更详细的技术信息或对他们具体方法的更深入了解，Gensyn通过其网络实现大型模型训练的确切机制需要等项目上线才能真正揭晓。我们还关注到 Edge Matrix Computing (EMC) protocol 它通过区块链技术将算力运用至 AI、渲染、科研、AI电商接入等类型的场景，通过弹性计算把任务分发到不同的算力节点。这种方法不仅提高了算力的使用效率，还确保了数据传输的安全性。同时，它提供了一个算力市场，用户可以访问和交换计算资源。方便开发者部署，更快地触达用户。结合 Web3 的经济形式，也能使算力提供方在根据用户的实际使用情况获取真实收益和协议方补贴，AI开发者也获得更低的推理和渲染成本。以下是其主要组成部分和功能的概述：预期还将推出了基于 GPU 的 RWA 类产品，此项的关键在于将原本在机房固定住的硬件盘活，以 RWA 的形式分割流通，获得额外的资金流动性，高质量 GPU 能作为 RWA 底层资产的原因在于，算力可以算得上 AI 领域的硬通货，目前有明显的供需矛盾，且该矛盾并不能在短期内解决，因而 GPU 的价格相对比较稳定。此外，通过部署 IDC 机房实现算力集群也是 EMC protocol 会重点布局的部分，这不仅能让 GPU 在统一环境下的运转，更高效地处理相关大型算力消耗的任务，如模型的预训练，由此来匹配专业用户的需求。同时，IDC 机房也能集中托管和运行大量的 GPU，确保同类型高质量硬件的技术规格，方便将其打包作为 RWA 产品推向市场，开启DeFi 新思路。近年学界在边缘计算领域也有新的技术理论发展和应用实践。边缘计算作为云计算的一种补充和优化，一部分的人工智能正在加快速度从云端走向边缘，进入到越来越小的物联网设备中。而这些物联网设备往往体积很小，为此轻量机器学习受到青睐，以满足功耗、延时以及精度等问题。 Network3 是通过构建了一个专门的AI Layer2，通过AI 模型算法优化和压缩，联邦学习，边缘计算和隐私计算，为全球范围内的AI开发者提供服务，帮助他们快速、便捷、高效地训练或者验证模型。它通过利用大量智能物联网硬件设备，可聚焦小模型，来做相应的算力供给，且通过构建TEE（Trusted Execution Environment）能让用户仅通过上传模型梯度，来完成相关训练，确保用户相关数据隐私安全。综上 • 伴随 AI 等领域的发展，许多行业会从底层逻辑上实现巨大变革，算力会上升到更重要的地位，与之关联的各个方面也都会引起行业的广泛探索，去中心化算力网络有其自身优势，可答复降低中心化风险，同时也能作为中心化算力的一种补足。 • 且本身 AI 领域的团队也处于一个分岔口上，是否利用已训练好的大模型构建自身产品，还是参与到训练各自地域内的大模型，这样的选择也多是辩证的。因而去中心化算力能满足不同的业务需求，这样的发展趋势是喜闻乐见的，且伴随技术的更新和算法的迭代，势必在关键领域也会有所突破。 • 至不惧，而徐徐图之。来源：金色财经

金色财经2023-11-28

IBM推出5亿美元的企业级AI创投基金

5亿美元的风险基金，对专注于加速企业级生成式AI技术和研究的初创公司进行投资，包括处於早期发展阶段和高速成长在内的一系列的初创公司。

金融界2023-11-28

比尔·盖茨：生成式AI已达极限下一个突破是可解释AI

据Handelsblatt，比尔·盖茨表示，OpenAI内部包括奥特曼在内的很多人都相信GPT-5将明显优于GPT-4。但他认为，有很多理由相信，当前生成式人工智能已经达到极限。下一个突破盖茨认为是可解释AI，但预计要到下一个十年（2030-2039）才能实现。

金融界2023-11-28

秒杀华为、高通，天玑9300一鸣惊人！手机市场复苏 AI芯片热潮助推联发科跑赢同行股价飙近40%

右。天玑 9300 芯片旨在解决新型生成式 AI 和游戏应用的更复杂工作负载，其推出遵循了一些未能令投资者兴奋的早期设计。本月发布的中国智能手机 Vivo X100 是首款使用该芯片的机型，OPPO Find X7 系列也将紧随其后。该股的预期市盈率约为 17 倍，大致与其五年平均水平一致。联发科市值超过 470 亿美元，是台湾第二大上市公司，仅次于台积电。智能手机市场复苏据彭博社汇编的数据显示，该公司本季度销售额预计将比去年增长 14%，结束连续四个季度同比下滑的局面。联发科在财报电话会议上表示，其库存已经连续五个季度下降，库存天数在第三季末达到了 90 天的健康水平。管理层表示，由于补货需求以及新的 4G 和 5G 的推出，手机销量环比增长了 19%，截至 9 月份的三个月内，手机销量约占公司收入的一半。联发科股价的上涨也反映了中国智能手机行业的复苏，该行业 10 月份实现了两位数的增长。 Counterpoint Research 的数据显示，上个月前四个星期，这个全球最大移动市场的手机销量与去年同期相比增长了 11%。（来源：彭博社）

林沐2023-11-27

711便利店明年将大规模引入AI：用于分析数据、策划新品、生成广告素材等

便利店宣布明年起将在日本市场大规模引入生成式 AI，主要用于分析数据、策划新产品、生成广告素材等用途。

金融界2023-11-27

美股科技公司业绩进入上行期，美股ETF延续修复

、宏观经济韧性，加息周期接近尾声，叠加生成式 AI带来的技术创新驱动等，我们对美股科技和生物科技板块继续维持看好。未来12~18个月，受益于半导体行业库存水平见顶回落及下游需求逐步复苏、欧美企业IT支出企稳回升、科技巨头不断优化自身运营效率等支撑，美股科技板块有望处于相对确定的业绩上行周期，生成式AI 亦将逐步带来业绩增量贡献。相关产品： 1、纳斯达克ETF(513300)及其联接基金(A类：015299，C类：015300，A类美元现汇：015518)：纳斯达克被广大投资者誉为全球创新科技的风向标，其涨幅较大的公司也大部分集中在科技创新领域，包括人工智能、半导体芯片、新能源等。纳斯达克ETF(513300)跟踪纳斯达克100指数，优选市值前100的非金融公司，重仓众多科技龙头如英伟达、特斯拉、苹果，为投资者提供了一键直达全球科技先锋的便捷通道。 2、标普ETF(159655)及其联接基金(A类：018064，C类：018065，A类美元现汇：018066)：跟踪的标准普尔500指数(代码：SPX.GI)成份股选自标普全市场指数，被广泛认为是衡量美国大盘股市场的代表性指数，该指数的成份股囊括了美国500家优秀上市公司。行业分布均衡，其中信息技术占比达到40.9%，可选消费与医疗保健分别占比12.7%与11.4%，金融、工业、日常消费等均有一定占比，跟踪上市企业总市值超40万亿美元。数据来源：Wind，光大证券，华泰证券，华夏基金，截至2023.11.22，以上个股不作投资推荐。以上产品风险等级为R4(中高风险)，本基金为股票基金，其预期风险和预期收益高于混合基金、债券基金与货币市场基金。基金主要投资于标的指数成份股及备选成份股,在股票基金中属于较高风险、较高收益的产品。本基金为境外证券投资的基金，主要投资于美国证券市场中具有良好流动性的金融工具。除了需要承担与境内证券投资基金类似的市场波动风险等一般投资风险之外，本基金还面临汇率风险、美国市场风险等境外证券市场投资所面临的特别投资风险。跨境ETF实行T+0回转交易机制资金运作周期缩短，可能带来短期波动风险。本基金为ETF基金，投资者投资于本基金面临跟踪误差控制未达约定目标、指数编制机构停止服务、成份券停牌等潜在风险、标的指数回报与股票市场平均回报偏离的风险、标的指数波动的风险、基金投资组合回报与标的指数回报偏离的风险、标的指数变更的风险、基金份额二级市场交易价格折溢价的风险、申购赎回清单差错风险、参考IOPV决策和IOPV计算错误的风险、退市风险、投资者申购赎回失败的风险、基金份额赎回对价的变现风险、衍生品投资风险等。对于ETF联接基金，基金资产主要投资于目标ETF，在多数情况下将维持较高的目标ETF投资比例，基金净值可能会随目标ETF的净值波动而波动，目标ETF的相关风险可能直接或间接成为ETF联接基金的风险。ETF联接基金的特定风险还包括：跟踪偏离风险、与目标ETF业绩差异风险、指数编制机构停止服务风险、标的指数变更的风险、成份券停牌或违约的风险等。本资料不作为任何法律文件，观点仅供参考，资料中的所有信息或所表达意见不构成投资、法律、会计或税务的最终操作建议，我公司不就资料中的内容对最终操作建议做出任何担保。在任何情况下，本公司不对任何人因使用本资料中的任何内容所引致的任何损失负任何责任。市场有风险，入市需谨慎。本条资讯来源界面有连云，内容与数据仅供参考，不构成投资建议。AI技术战略提供为有连云。

有连云2023-11-27

CPT Markets：美股多头信号又亮! 生成式AI时代起飞，NVIDIA营收超乎预期!

不少华尔街的乐观人士认为，美国多数公司已适应了利率上升并成功应对宏观经济的震荡，他们预测标普500指数将在2024年创下新高。CPT Markets分析师分享其对美股观点，他指出，对美股的乐观看法并非源于美联储于明年可能会降息，而是基于美联储在应对通胀方面早已取得的成就。此外，市场基本上已完全抵御住地缘政治冲击，值得注意的是「美国却毫发无损」。 CPT Markets分析师提到，整体半导体产业的库存天数在第三季度因人工智能领域的好转而呈现下降趋势，虽库存天数仍无法回到2019年的低点，但与最近的高峰相比，这次的调整幅度相对较大。值得一提的是，近期Dram和面板产业均针对其库存做调整，再加上急单需求的增加，更加突显了市场中消化库存的紧迫情势，读者可以理解为「只要NVIDIA的财报以及财测未显示任何反转的迹象，这种良好的趋势有望持续」。至于美股七巨头，除了Tesla，诸如Apple、Microsoft、Amazon、Facebook、Google与NVIDIA其财报均超乎市场预期。那么在七大巨头公布完其财报后，我们是否能察觉到企业对于经营状况可能引发衰退的担忧有所缓解?根据下图，我们可以

CPT_Markets2023-11-27

美国降息预期j及英伟达财报推动投资者大举买入AI基金

者的兴趣。” 他同时表示：“总体而言，生成式AI正处于从实验室到应用，再到商业化快速发展中。我们开始看到实实在在的收入和盈利机会的出现。” 今年到目前为止，Global X基金已上涨27.7%，这得益于其最大持股英伟达的股价上涨233%。英伟达的GPU目前主导了AI行业。 CFRA的ETF数据和分析负责人Aniket Ullal表示，英特尔周二发布的季度业绩表现强劲，这也是提振市场对AI ETF基金的情绪的重要因素。本周三，单日流入该基金的资金为1720万美元，达两个多月来的最高水平。此前英伟达预测，随着供应链问题的缓解，整体营收将高于华尔街的目标数据。目前，Global X基金的总净资产为22亿美元，今年到目前为止资金净流入5.548亿美元。

金融界2023-11-25

币圈大佬暴富的终极手段

术的起点。很多人想到了今年横空出世的生成式AI，认为这个进入新一轮复苏周期的拐点就是2023年。但是，我觉得目前还很难判断。通常这个底部拐点附近，是大众对新技术看法最保守的时期，大部分企业没有感到任何的变化，很多人都觉得科技发展永远停滞了，世界以后就是这样了。上一次复苏周期始于1982年，那时，虽然PC、互联网这两个本轮康波周期最核心的技术都已诞生，但对大众生活的影响力太低了。那一年，微软刚刚确立了操作系统的方向，定义个人电脑样式的Macintosh两年后才诞生，改变世界的Windows 3.0系统要8年后才问世，而互联网的使用者还仅限于大学和军方。普通人的生活一成不变了很多年，人们打的是发明了100年的电话，看的是出现了30年的电视，阅读的是有200多年历史的报纸，开100年前出现的汽车，化学工业大爆发是30年前的事，青霉素发明后的四十年，也没有明显提升人类寿命的重磅药物……在现在的孩子看来，1982年就是中世纪。考虑到生成式AI要真正改变人们的生活形态，可能还有很长的时间。一旦人们发生ChatGPT的回答并不是我们预期的，企业也很难通过这项技术真正改变工作方法，人们会迅速降低对此的兴趣。我们现在看到了对AI的投资都可能是昙花一现，资本开支与回报未来很多年都可能停留在低谷。我们可能仍然处于康波萧条周期，也可能刚刚踏入康波复苏周期——这个拐点的前后几年，并没有太大的区别。更重要的是，影响市场最大的因素还是高通胀和高利率，这一点与1982年前后也很类似。之前投资者还在预测进入下一轮降息周期的时点，但如今迅速走高的10年/30年期国债利率证明，投资者已经越来越怀疑，我们真的还能再回到那个熟悉的低利率时代吗？唯一不需要怀疑的是，未来全球仍然在继续着资本活动持续下降的趋势，那些在低利率时代生成起来的中小企业，也会进入残酷出清阶段。来源：金色财经

金色财经2023-11-24

午盘重挫！云计算50ETF(516630)跌超3%

C、AI手机等端侧AI产品也快速更新，生成式AI浪潮向端侧延伸。从国内看，科大讯飞、百度、智谱华章等公司也对大模型进行了重磅升级，并在商业化领域加速落地，同时，第二批大模型备案已通过，进展较快的国内公司已经开放明确的定价收费模式，AI应用推广有望加速。大模型应用的逐步落地值得期待，AI板块总体上仍是明年较为明确的主线，中长期增量空间值得期待。云计算50ETF（516630）、大数据50ETF（516000）的持仓股主营业务覆盖了AI产业链中的算力端、模型端、应用端，涵盖了AI 应用、算力租赁、数据要素等热门领域。AI大模型继续狂飙，商业化AI产品应用落地加速，算力需求或居高不下，AI算力主线迎也来了新一阶段的催化，光模块、算力设备、算力资源租赁等算力层细分板块景气度有望持续上升。本条资讯来源界面有连云，内容与数据仅供参考，不构成投资建议。AI技术战略提供为有连云。

有连云2023-11-24

24小时热点