FX168财经网_全球视野外汇黄金加密货币NFT资讯网_关键字搜索-FX168

全球数字财富领导者

财富汇｜美股投研｜客户端｜旧版｜｜

FX168 全球视野中文财经

登录 / 注册

链游的AI革命（三）电子游戏科技发展的隐藏发动机
 go
第二，它定义了「风险投资+孵化公司」的商业模式。仙童八叛将是先找了华尔街的风险投资业之父亚瑟·洛克（Arthur Rock）做 FA，介绍了金主爸爸谢尔曼·费尔柴尔德 (Sherman Fairchild)，仙童公司的名字就来自于金主爸爸的名字。这样跪舔是有效果的，这位谢尔曼·费尔柴尔德大有来头，是 IBM 最大的个人股东，仙童成立后的第一笔订单就是来自 IBM 公司。从此这类风险投资的商业模式大行其道，一直流行到今天，即投资人不是光给钱，而要介入到公司管理和运营当中，利用自己的资源帮助创业者成功，简而言之，需要更深度的绑定（这也是 W Labs 正在做的事儿啊，哈哈哈）。第三，推动了硅谷的出现。仙童慢慢成了半导体行业的黄埔军校，仙童八叛将和金主费尔柴尔德合作几年后，后面条件没谈好，也纷纷出来单干了，还带动了其他一批同事出来。大家都新成立了公司，在仙童办公室周围分散办公，这个区域就成了现在的硅谷，这些新公司中就有英特尔和 AMD。从仙童出走的年轻人共创立了 100 多家半导体公司，仙童真的成为了神仙孵化器。说回到英伟达，仙童出来的人创立了 AMD，而英伟达的老大黄仁勋就是 AMD 的工程师，后来出来创业做了英伟达。这些公司和人都有千丝万缕的联系，据说黄仁勋和 AMD 现在的话事人苏姿丰还有拐弯抹角的亲戚关系。英伟达创立的思路就是：你们 Intel 和 AMD 去 PK CPU 吧，我专门做 GPU。反正电脑游戏越做越精良，传统 CPU 的计算能力越来越吃力，我就专门把图形处理这一块分离出来做一个新的芯片，定义成 GPU，装在显卡上，这在当时还是蓝海。早期游戏行业贡献了英伟达 100% 的收入，黄仁勋赚到钱后疯狂加大研发力度，把 GPU 拓展到工业等领域，这几年又搞了 AI，始终保持了公司的产品竞争力，这点打法和华为很像：研发先行，市场紧跟。图形处理这个细分行业现在越来越吃香，除了 AI，连战场上的无人机都用了 GPU 做图形识别处理。所以拿英伟达为案例，游戏作为最吃资源的软件，反向倒逼了硬件性能的进步，同时游戏是最好的链接 B 端和 C 端的产业，用户们是愿意为了玩游戏时的爽点去买单的。至此，再次成功点题，游戏就是这半个世纪以来科技进步的幕后推手啊。未完待续。本系列由 W Labs「AI 链游研究小组」集体创作，感谢小组成员瓜哥、嘉然、包包、Brian、小飞、华哥的努力付出！本篇主笔为瓜哥。欢迎转载，原创不易，泪求注明”瓜田实验室 W Labs”出品瓜田实验室 Website：http://www.wlabsdao.com/瓜田实验室 Discord：https://discord.gg/wggdao瓜田实验室推特：https://twitter.com/GuaTianGuaTian瓜田实验室深度研究长文 Mirror：https://mirror.xyz/iamwgg.eth瓜田实验室 Medium：https://guatianwgg.medium.com/ 来源：金色财经
金色财经2023-05-18
长久数科赴港上市，中国汽车流通领域最大的数字风险管理服务商
 go
，首席执行官兼执行董事为薄世久先生。商业模式公司的业务分为两大类：数字风险管理服务和汽车经销商运营管理服务： 1、数字风险管理服务主要针对金融机构和从事质押车业务的汽车经销商，提供质押车辆监管、保管箱服务、车辆合格证集中管理、质押车辆盘点等服务，以降低质押贷款的违约风险和提高资金周转率。截至2022年12月31日，长久数科向18家商业银行（包括中国所有六大国有商业银行及12家股份制商业银行）的约200家分行；24家汽车金融公司；及约10,700家汽车经销商提供数字风险管理服务。 2、汽车经销商运营管理服务主要针对汽车经销商，提供一站式解决方案，涵盖营销、销售、维护、保险、年检等环节，以及智科星系统、技术支持、财务优化等服务，以提升汽车经销商的运营效率和盈利能力。公司的收入主要来自数字风险管理服务，占比超过90%。公司按照每辆质押车辆每月收取固定费用或按照每次服务收取固定费用的方式向客户收费。公司的成本主要包括采购成本、员工成本、租赁成本和其他运营成本。公司的采购成本主要与向供应商购买保管箱相关，占比超过90%。公司对于主要供应商的依赖度较高。财务分析公司在2020年至2022年实现了稳定的收入增长和毛利增长。2020年至2022年，公司的收入分别为4.31亿元、4.78亿元和5.48亿元，复合年增长率为12.80%；毛利分别为1.69亿元、1.82亿元和2.25亿元，复合年增长率为15.41%。公司在2020年至2022年保持了较高的毛利率和净利率。2020年至2022年，公司的毛利率分别为39.2%、38.2%和41.1%；净利率分别为26.5%、17.5%和17.5%。公司在2020年至2022年具有较高的资产负债率。截至2020年12月31日、2021年12月31日和2022年12月31日，公司的资产负债率分别为0.8、0.9和1.0，公司的债务情况和还债能力需要密切关注。竞争优势公司的竞争优势包括以下几点： 1、强大的技术实力和创新能力，通过自主研发的软件系统、硬件设备、数据分析和人工智能等技术手段，为客户提供高效、安全、智能的数字风险管理服务和汽车经销商运营管理服务。 2、丰富的行业经验和客户资源，通过多年来在中国汽车流通领域的深入见解和广泛合作，为客户提供专业、贴合、优质的数字风险管理服务和汽车经销商运营管理服务。 3、良好的品牌影响力和市场地位，通过在中国汽车流通领域的领先地位和先发优势，为客户提供可信赖、有价值、有吸引力的数字风险管理服务和汽车经销商运营管理服务。 4、灵活的业务模式和发展策略，通过不断创新和升级服务内容和形式，满足客户的个性化和差异化需求，提供更高附加值的服务，并拓展公司在中国新能源汽车市场的业务范围行业空间中国汽车数字风险管理服务市场规模呈现稳步增长趋势。根据灼识咨询的数据，中国汽车数字风险管理服务市场规模按收入计由2017年的6.94亿元增加至2021年的10.08亿元，复合年增长率约为9.8%。预计到2026年，市场规模将达到13.70亿元。中国汽车数字风险管理服务市场竞争格局呈现头部集中特征。根据灼识咨询的数据，截至2021年12月31日，按收入计算，排名前五的市场参与者总市场份额约为90.2%，其余市场参与者通常为区域性小型服务商。长久数科是中国汽车流通领域最大的数字风险管理服务提供商，按2021年收入计市场份额率为47.4%。中国汽车经销商运营管理服务市场规模具有较大增长潜力。根据灼识咨询的数据，按2021年汽车经销商服务费用测算，假设汽车经销商的需求得到充分满足，中国汽车经销商运营管理服务的潜在市场规模约为208亿元。不过，由于市场尚处于起步阶段，中国汽车经销商运营管理服务现时市场规模较小。2021年，中国的汽车经销商运营管理服务市场规模按服务收益计约为人民币0.13亿元，按所服务汽车经销商总数除以中国汽车经销商总数计算的渗透率低于0.5%。中国汽车经销商运营管理服务市场尚处于发展初期，参与者呈现多元化特征。目前拓展该领域的主要参与者包括汽车流通领域平台服务提供商、向汽车经销商提供多项产品的初创公司、互联网平台公司和汽车经销商。长久数科是中国汽车经销商运营管理服务市场中最早进入者之一，并于2019年推出智科星系统。总结综上所述，长久数科是一家在中国汽车流通领域提供综合性数字风险管理服务和运营管理服务的领先企业。公司具有广泛而优质的客户群体、行业领先技术及稳健研发能力、富有富有远见和丰富经验的管理团队。公司在过去三年实现了稳定的收入增长和毛利增长，保持了较高的毛利率和净利率。公司所处的中国汽车数字风险管理服务市场和汽车经销商运营管理服务市场均具有较大的增长潜力，公司凭借其在行业中的领先地位和先发优势，有望进一步拓展市场份额和提升盈利水平。投资者可以保持关注。 $恒生指数(HSI)$ $恒生科技指数(HSTECH)$
老虎证券2023-05-18
麻省理工科技评论：背靠大科技的开源 AI 能繁荣多久？是否该继续得到支持？
go
ostaque 说。“这是世界上最好的商业模式。” 不管怎样，大量免费和开放的大型语言模型将这项技术推向了世界各地数百万人的手中，激励了许多人创造新的工具并探索它们的工作原理。Biderman 说：“使用这项技术的途径比以往任何时候都要多。” “坦率地说，人们使用这项技术的方式之多令人难以置信，令人兴奋，”Fried Frank 律师事务所的律师 Amir Ghavi 表示。他代表了包括 Stability AI 在内的多家生成式人工智能公司。“我认为这证明了人类的创造力，而这正是开源的全部意义所在。” 融化 GPU 但是，从头开始训练大型语言模型 -- 而不是建立或修改它们 -- 是困难的。Mostaque 说：“这仍然超出了绝大多数公司的能力范围。”“我们在构建 StableLM 时熔掉了一堆 GPU。” Stability AI 的第一个版本，即文本到图像模型 Stable Diffusion，与谷歌的 Imagen 和 OpenAI 的 DALL-E 等封闭式同类产品一样好，甚至更好。它不仅可以免费使用，而且还可以在一台好的家用电脑上运行。Stable Diffusion 比其他任何模式都更能激发去年围绕图像制作人工智能的开源开发的爆发。不过，这一次，Mostaque 希望管理好预期：StableLM 与 GPT-4 相差甚远。“还有很多工作要做，”他说。“它不像 Stable Diffusion 那样，可以立即获得超级好用的东西。语言模型更难训练。” 另一个问题是，模型越大就越难训练。这不仅仅是由于计算能力的成本问题。训练过程中，更大的模型也更经常出现故障，需要重新启动，这使得这些模型的建立更加昂贵。 Biderman 说，在实践中，大多数团体能够负担得起的训练参数数量是有上限的。这是因为大型模型必须在多个不同的 GPU 上进行训练，而将所有这些硬件连在一起是很复杂的。她说：“在这种规模下成功地训练模型是高性能计算研究的一个非常新的领域。” 确切的数字随着技术的进步而变化，但现在 Biderman 认为这个上限大致在 60 亿到 100 亿个参数之间。（相比之下，GPT-3 有 1750 亿个参数；LLaMA 有 650 亿个。) 这不是一个确切的关联，但一般来说，更大的模型往往表现得更好。 Biderman 预计，围绕开源大型语言模型的大量活动将继续下去。但它将集中于扩展或调整一些现有的预训练模型，而不是推动基本技术的发展。她说：“只有少数几个组织对这些模型进行了预训练，我预计在不久的将来会保持这种状态。” 这就是为什么许多开源模型是建立在 LLaMA 之上的原因，LLaMA 是由 Meta AI 从头开始训练的，并由 EleutherAI 发布的，EleutherAI 是一个非营利组织，它对开源技术的贡献是独一无二的。Biderman 说，她知道只有一个类似的组织，而且是在中国。 EleutherAI 的起步得益于 OpenAI。倒退到 2020 年，这家位于旧金山的公司刚刚推出一个热门的新模型。“对于很多人来说，GPT-3 改变了他们对大规模人工智能的看法，”Biderman 说。“就人们对这些模型的期望而言，它常常被认为是一种智力范式的转变。” 由于对这项新技术的潜力感到兴奋，Biderman 和其他一些研究人员想玩玩这个模型，以更好地了解它的工作原理。他们决定对其进行复制。那时 OpenAI 还没有发布 GPT-3，但它确实分享了足够多的关于它是如何构建的信息，让 Biderman 和她的同事们弄清楚它是怎么构建的。在 OpenAI 之外，从来没有人训练过这样的模型，但当时正值疫情，团队没有什么其他事情可做。Biderman 说：“当我参与其中时，我正在做我的工作并与我的妻子玩桌游。”“因此，每周拿出 10 或 20 个小时来做这件事是比较容易的。” 该团队的第一步是把一个巨大的新数据集放在一起，其中包含数十亿的文本段落，与 OpenAI 用来训练 GPT-3 的数据相媲美。EleutherAI 将其数据集称为 Pile，并在 2020 年底免费发布。然后，EleutherAI 使用这个数据集来训练其第一个开源模型。EleutherAI 训练的最大模型花了三个半月，由一家云计算公司赞助。“如果我们自掏腰包，将花费我们大约 40 万美元，”她说。”这对一个大学研究小组来说要求太高了。” 援助之手由于成本高昂，在现有模型的基础上进行构建要容易得多。Meta AI 的 LLaMA 已经迅速成为许多新的开源项目的首选起点。自从 Yann LeCun 在十年前成立以来，Meta AI 一直倾向于开源开发。这种心态是文化的一部分，Pineau 说：“这在很大程度上是一种自由市场，‘快速行动，建造东西’的方法。” Pineau 清楚地知道其好处。她说：“这确实让有能力为开发这项技术做出贡献的人多样化。这意味着研究人员，企业家或民间组织等也可以看到这些模型。” 像更广泛的开源社区一样，Pineau 和她的同事们认为，透明度应该是一种规范。她说：“我敦促我的研究人员做的一件事是，在开始一个项目时，就考虑到你想要开源。因为当你这样做时，它在数据使用和如何建立模型方面设定了更高的标准。” 大型语言模型会散播错误信息、偏见和仇恨言论。它们可以用来大规模生产宣传或为恶意软件工厂提供动力。“你必须在透明度和安全性之间做出权衡，”Pineau 说。对于 Meta AI 来说，这种权衡可能意味着一些模型根本不会被发布。例如，如果 Pineau 的团队在 Facebook 用户数据上训练了一个模型，那么它将留在内部，因为私人信息泄露的风险太大。或者，该团队可能会以点击许可的方式发布该模型，规定它只能用于研究目的。这就是它为 LLaMA 采取的方法。但在其发布后的几天内，有人在互联网论坛 4 chan 上发布了完整的模型和运行说明。“我仍然认为对于这个特定的模型来说，这是正确的权衡，”Pineau 说。“但我对人们会这样做感到失望，因为这使得做这些发布更难。” “我们一直得到来自公司领导层一直到马克 [扎克伯格] 对这种做法的大力支持，但这并不容易，”她说。 Meta AI 的风险很高。她说：“当你是一个非常小的创业公司时，做一些疯狂的事情的潜在责任要比你是一个非常大的公司时低得多。”“现在我们向成千上万的人发布这些模型，但如果它变得更有问题，或者我们觉得安全风险更大，我们将关闭这个圈子，我们将只向已知的学术伙伴发布，他们有非常强大的证书 -- 根据保密协议或 NDA，防止他们用这个模型建立任何东西，甚至为了研究目的。” 如果发生这种情况，那么开源生态系统的许多宠儿可能会发现，他们在 Meta AI 接下来推出的任何产品上构建的许可都将被取消。如果没有 LLaMA，Alpaca、Open Assistant 或 Hugging Chat 等开源模型就不会那么好。下一代的开源创新者也不会像现在的这批人那样得到发展。平衡其他团队也在权衡开源自由竞争的风险和回报。在 Meta AI 发布 LLaMA 的同时，Hugging Face 推出了一个门禁机制，人们在下载该公司平台上的许多模型之前，必须申请访问并得到批准……这个想法是为了只允许那些有正当理由的人接触这个模型——由 Hugging Face 决定。 “我不是一个开源的布道者，”Hugging Face 首席伦理科学家 Margaret Mitchell 说。“我确实明白为什么封闭很有意义。” Mitchell 指出，未授权的色情制品是使强大的模型被广泛使用的一个弊端例子。她说，这是图像制作 AI 的主要用途之一。 Mitchell 曾在谷歌工作，并共同创建了其道德人工智能团队，她理解其中的紧张关系。她赞成她所说的“负责任的民主化”-- 一种类似于 Meta AI 的方法，即根据模型造成伤害或被滥用的潜在风险，以有控制的方式发布。她说：“我真的很欣赏开源的理想，但我认为建立某种问责机制是有用的。” 此外，OpenAI 也在关闭水龙头。上个月，当它宣布 GPT-4-- 该公司为 ChatGPT 提供动力的大型语言模型的新版本时，技术报告中有一个引人注目的句子：“鉴于像 GPT-4 这样的大规模模型的竞争格局和安全影响，本报告没有包含关于架构（包括模型大小）、硬件、训练计算、数据集构建、训练方法或类似的进一步细节。” 这些新限制的部分原因是，OpenAI 现在是一家以盈利为目的的公司，与谷歌等公司竞争。但它们也反映了一种心态的变化。联合创始人兼首席科学家 Ilya Sutskever 在接受 The Verge 采访时表示，该公司过去的开放性是一个错误。 OpenAI 的政策研究员 Sandhini Agarwal 说：“以前，如果某样东西是开源的，也许只有一小群程序员会关心。现在，整个环境已经改变。开源真的可以加速发展，并导致竞争。” 但它并不总是这样。如果 OpenAI 在三年前公布 GPT-3 的细节时有这种感觉，就不会有 EleutherAI。今天，EleutherAI 在开源生态系统中发挥着举足轻重的作用。此后，它建立了几个大型语言模型，Pile 被用来训练许多开源项目，包括 Stability AI 的 StableLM（Mostaque 是 EleutherAI 的董事会成员）。如果 OpenAI 分享的信息较少，这一切都不可能发生。像 Meta AI 一样，EleutherAI 实现了大量的开源创新。但随着 GPT-4 甚至 5、6 的封锁，开源社区可能会再次被留在几家大公司的后面进行修补。他们可能会发布狂野的新版本 -- 甚至可能威胁到谷歌的一些产品。但是，他们将被困在上一代的模式中。真正的进步，接下来的飞跃，将在闭门造车中发生。这重要吗？人们如何看待大型科技公司关闭权限的影响，以及这将对开源产生的影响，在很大程度上取决于你对人工智能应该如何制造以及应该由谁制造的看法。 “人工智能很可能成为未来几十年社会组织方式的驱动力，”Ghavi 说。“我认为，建立一个更广泛的监督和透明体系，比把权力集中在少数人手中要好。” Biderman 对此表示赞同：“我绝对不认为每个人都做开源有某种道德上的必要性，”“但说到底，让人们开发和研究这项技术是非常重要的，而不是为其商业成功进行经济投资。” 然而，她很清楚其中的利害关系。她说：“实际上，我对 OpenAI 的批评比很多人认为的要少得多，”她说。“公开发布这项技术有真正的风险，真正的潜在危险。” OpenAI 声称它只是在谨慎行事。OpenAI 信任与安全团队负责人 Dave Willner 表示：“我们并不是认为透明度不好。”“更重要的是，我们正在努力弄清楚如何协调透明度和安全性。随着这些技术变得越来越强大，在实践中，这些东西之间存在一定程度的紧张关系。” “人工智能的很多规范和思维都是由学术研究团体形成的，它们重视合作和透明度，这样人们就可以在彼此的工作基础上发展，”Willner 说。“也许随着这项技术的发展，这种情况需要有所改变。” 来源：金色财经
金色财经2023-05-18
Coresky交易所与Drive（DCT）达成战略合作
 go
将不断拓展和创新，探索更多的应用场景和商业模式，实现可持续发展的目标。 DCT在WEB3.0和NFT以及元宇宙等领域有着广阔的发展前景。在WEB3.0领域，DCT可以通过与其他区块链项目合作，共同推进区块链技术的发展，为用户提供更加安全、高效和透明的服务。DCT可以与以太坊、波卡等项目合作，共同推进跨链技术的发展，为用户提供更加便捷的跨链服务。在NFT领域，DCT可以通过与其他NFT项目合作，共同推进NFT市场的发展，为用户提供更加多样化和丰富的NFT产品和服务。DCT可以与CryptoKitties、Axie Infinity等NFT项目合作，共同推进NFT的应用场景和生态建设，为用户提供更加优质的NFT产品和服务。在元宇宙领域，DCT可以通过与其他元宇宙项目合作，共同推进元宇宙技术的发展，为用户提供更加真实、丰富和多元化的虚拟世界。DCT可以与Decentraland、The Sandbox等元宇宙项目合作，共同推进元宇宙的建设和发展，为用户提供更加优质的虚拟世界和服务。DCT在WEB3.0和NFT以及元宇宙等领域的技术研究和投入是持续性的不断加大，这将有助于推动DCT的生态建设和发展。在技术研究方面，DCT可以投入更多的资源和人力，加强对区块链技术、智能合约、跨链技术等方面的研究和开发，以提高其产品和服务的质量和竞争力。在NFT领域，DCT可以投入更多的资源和人力，加强对NFT技术和应用场景的研究和开发，以提高其NFT产品和服务的质量和用户体验。据数据显示，2023年第一季度全球NFT市场交易额达到了80亿美元，同比增长了3400%。这表明NFT市场具有非常大的发展潜力，DCT可以通过技术研究和投入，抓住这个机遇，加速NFT市场的发展和生态建设。在元宇宙领域，DCT可以投入更多的资源和人力，加强对元宇宙技术和应用场景的研究和开发，以提高其虚拟世界和服务的质量和用户体验。据数据显示，2023年第一季度全球虚拟现实市场规模达到了91.3亿美元，同比增长了33.8%。这表明虚拟现实市场具有非常大的发展潜力，DCT可以通过技术研究和投入，抓住这个机遇，加速元宇宙的建设和发展。DCT在WEB3.0和NFT以及元宇宙等领域的技术研究和投入非常之大，这将有助于推动DCT的生态建设和发展。由此，我们可以看出这些领域的市场潜力非常大，DCT可以通过技术研究和投入，抓住机遇，加速生态建设和发展。总之，DCT在WEB3.0和NFT以及元宇宙等领域的发展前景非常广阔，通过各方合作，共同推进区块链技术和应用的发展，为用户提供更加优质的产品和服务。来源：金色财经
金色财经2023-05-18
行业数据+场景：AI风口下，率先利好的是这样的公司
 go
PI应用开发有什么不同？• 如果从构建商业模式壁垒来说，随着通用模型以超乎人类想象的速度优化延伸其基础能力，越是靠近基础功能的应用越危险。 Jasper AI近期的局面就说明了该问题。 Jasper AI是美国一家2021年成立的专注营销领域内容创作的公司，Jasper AI是GPT生态早期的最大赢家之一。在ChatGPT发布前，用户难以直接使用LLM的语言理解与生成能力，由此Jasper基于GPT-3模型的API，通过模型的微调（fine-tune）*打造了营销内容生成平台，用户量超过10万，成立短短18个月的时间估值快速增长到15亿美元。然而ChatGPT的问世，取代了Jasper提供的部分基础功能，免费的同时兼具极佳的易用性，大部分中小客户的需求可以直接通过ChatGPT满足。这给Jasper的定价带来极大压力，Jasper的优势大大减弱。有消息称，其上轮投资方在ChatGPT成为C端现象级应用时就已经考虑出售其股份了。模型的微调（fine-tune）*指在一个已经训练好的模型的基础上，使用新的数据集或者任务对模型进行进一步的训练，以适应特定的任务或者数据。通常情况下，fine-tune会调整模型的参数，使得模型可以更好地拟合新的数据集或者完成新的任务。如果从开发到商用的难度及成本的角度来说，无疑API应用开发是最快最便捷的，自训练模型的搭建包括了多个复杂环节，包括模型的复杂度、数据的质量和数量、算法的选择和实现、计算资源的可用性、团队的经验和技能等等。在一般情况下，自训练模型从开发到商用的时间可能需要数月或数年的时间不等。例如必优科技所训练的垂直行业语言模型（SLLM）模型耗时14个月，该模型为专注于NLP下的细分CTG（Control Text Generate）方向的行业模型。在创业公司的生存压力下，形成商业解决方案并成功服务客户才是最重要的事情，在此情形下，炼丹和投喂都变得十分讲究性价比。澜舟科技创始人周明博士把当前不同的AI商业解决方案技术路线类比自动驾驶发展阶段，也将AI技术路线的演进比喻成三个发展阶段。 L1（Level 1）是自研/自训练通用大模型，例如ChatGPT所使用的GPT-4模型；L2是在LLM基础上利用行业大数据，建立行业大模型，深度参与到行业使用场景当中；L3是基于各个场景需求，在行业模型/LLM的基础上，根据具体任务，要么做fine-tune，要么做prompt工程等，来满足场景的需要。很多大模型的创业团队刚起步，大多数处在L1阶段，少数团队选择L2阶段创业。澜舟科技从2021年就开始了自研大模型之路，并获得了创新工场、斯道资本等机构的多轮融资支持。据周明博士介绍，澜舟科技推出的“孟子”模型，其技术底座均为澜舟自训练，已经率先形成了商业闭环。而澜舟科技刚成立时就坚持选择自训练模型路径，贯穿L1到L3，并率先形成商业化解决方案。此举从今天看来颇具先见之明。以金融行业为例，现有的LLM无法深入到金融行业的业务场景之中，即使使用大厂的LLM模型，也不会给客户做定制化的fine-tune。所以澜舟科技选择了在自研LLM的基础上，自训练行业模型，服务于金融行业的客户，可私有化部署，可基于客户数据训练，深度参与到行业业务场景之中。必优科技的创始人周泽安认为，模型的生成可控性非常重要，自训练可以完全掌控生成的质量。 “通用大模型可以迅速达到60分，而必优科技的自训练模型能够做到在核心场景里面从60分到90分。” 模型的可控生成可以满足可信、可控的要求。而如果仅使用通用模型的基础微调，其提供给下游场景模型的可控fine-tune优化空间有限。睿企科技董事长于伟博士提出，尽管基础通用大模型已经达到优秀高中毕业生甚至未来达到优秀本科毕业生的水平，但是在实际落地应用中所需要的模型能力更多是专业的能力，需要专业的知识和数据进行训练，而这类知识和数据大多是私有数据，不能对外开放。因此，睿企科技自2018年成立之初就致力于基于Transformer的行业垂直大模型的训练，为行业提供具备专业能力的NLU（自然语言处理解）和NLG（自然语言生成）大模型。 03 行业大模型，是中国当前最容易看清楚的属于创业公司的好机会行业模型是指，依托特定行业自有数据，结合行业场景，通过自训练或基于开源通用模型的API做应用开发的模型。 • 通用大模型入局成本过高，行业模型有更多创业机会 • 通用大模型的创业成本极其高昂，例如在算力成本方面，1750亿参数的GPT-3用到了上万块A100芯片，机时费用是460万美元，资金花费就高达1200万美元。澜舟科技创始人周明博士指出，假设组建10到20人的团队，购买500块到1000块GPU，每年最便宜大概也要投入5000万人民币作为研发费用，能够训练出一个百亿数据级别的模型，如果训练千亿级模型就在需要大概再投入7-10倍的资金，相当于两亿到三亿人民币左右。睿企科技董事长于伟博士指出，随着用户对模型能力的期望和要求不断变高，模型参数和训练数据也需要不断增加，受限于训练成本，未来只有像微软和谷歌这类既有技术又有应用场景、还具备超级财力的互联网高科技公司才有可能在通用大模型训练进行持续的投入。当前国内研发LLM的团队至少30家，如百度、MiniMax和智谱AI等，均为资金，人才，资源、经验密集的大公司及知名创业者领衔。属于大多数创业者的机会并不在通用大模型领域。相比LLM，行业模型的创业并不需要自己训练通用大模型，可以直接基于最先进的开源模型或API进行二次训练，模型训练成本大幅降低。不需要一开始就对标GPT3.5做千亿级参数的大模型，减少模型参数量反而使得训练的算力成本下降、复杂度降低，在小样本学习下进行多次有效的训练，从而迅速获得know-how和产品反馈。减少模型参数之后，训练一次的成本甚至能够从几百万美元减小到几十万美元。那么就得以在特定领域对模型进行多次训练，此时与通用大模型就形成了差异化优势。并且相对低的成本会带来客户可承受的定价，尤其是在结合客户数据的二次训练阶段和使用阶段的成本要低很多。秘塔科技COO王益为提出创业公司难以兼顾的三个难点，即“不可能三角”：投入的成本、模型的多样性和模型的可信度。除非有无穷无尽的资金、资源可以投入，大多数模型只能做到其中一点或者兼顾两点，即使 OpenAI 也达不到三者兼顾的程度。周明博士提出，澜舟科技目前并没有做千亿级的大模型，除了成本考量，一个重要原因就是客户目前没有那么强的需求，必须做一个千亿级大模型。在很多场景，客户需要低成本且适用的模型。必优科技周泽安认为，通用大模型的基础底座很重要，给各行各业整体带来了在泛化生成能力上的提升，但在如何利用通用模型打造出满足业务场景的下游模型更为关键，虽然大模型目前已经显现出在特定场景的具象处理能力，但其在实际应用的可控生成能力（可控输入/输出、可信可塑内容）却要弱于场景模型。针对在特定场景和特定用途的数据集上训练更精细的模型，所以必优科技依托于自研 RFKL智能算法范式迅速尝试了90多个场景模型（伯乐、商贾、图芴三大系列），并基于精准的高价值用户反馈数据，可实现模型自我优化。睿企科技于伟博士提出，睿企科技的产品即是从模型的专业性和实战价值出发，不盲目追求模型参数规模，而是专注与针对行业中需要的专业能力，训练能满足要求的性价比最高的模型，解决逻辑应用过程中遇到的算力不足的问题。 • 行业模型的壁垒在于场景和数据 • GPT为代表的通用大模型涌现出惊人的理解和生成能力以及强大的知识储备。但是通用大模型可以全方位碾压行业模型吗？周明博士指出，“通用大模型是万能的，这只是一个幻觉。” 在处理海量数据、重复性流程和追求个性化的C端场景，通用大模型会更有优势；而在非常专业的To B场景，例如金融、法律和医疗等一些对输出内容的精准度以及质量要求比较高的行业，需要在通用模型的基础上加入私密且专业的高价值数据集进行模型训练和工作流程优化，才能满足专业场景的需求。如果能够掌握充足且独特的数据量，不单纯依赖第三方API，选择垂直化方式（自训练模型应用于面向用户的应用），垂直整合场景中复杂度足够深的任务，快速迭代，寻找真实的闭环场景和用户反馈，从而建立竞争壁垒。此外，由于通用模型和行业模型的用户群体差异较大，因此反馈数据有较大差异，使得由垂直行业模型生成的内容更能符合特定垂直场景的需求，生成质量和深度也会更高。用于RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）的高质量用户反馈也起到非常关键的作用，有助于不断推动模型产出的内容质量进一步提升。这也说明了行业模型，数据为先，场景为王。睿企科技于伟博士以公检法行业为例，提到执法办案工作人员的工作量大、涉及的各种文书种类很多、流程繁琐、对合规要求相当高，而文书材料也是执法办案过程中的关键部分，不能有一点瑕疵。公检法行业有极大的刚性需求、每年也有大量的预算投入，并且拥有很多高质量数据。睿企科技结合公检法部门的业务需求，基于通用大模型，把专属数据和业务知识放在定制化的多模态垂直大模型里面，帮助公检法部门训练专属AI大脑，推出一系列基于大模型的简单易用的AI产品，包括执法办案智能合规审核机器人、智能接处警机器人等，解决工作痛点提升效率。秘塔科技COO王益为表示，法律咨询场景的核心问题在于不能直接使用通用模型，因为LLM的目前存在Hallucination（机器幻觉，指事实性错误），阻碍了B端的法律场景深度应用。通过一个字去预测下一句，这种技术方式在法律咨询的领域里行不通。所以对于创业公司来说，首先资源是非常有限的，那么一定要选择具有特色的一些场景，比如行业付费意愿强，并且对于可信度要求极高的领域。必优科技基于Transformer架构，引入了自研WCCG（Wernicke Control Content Generate）模型，并在中间加了一层融合，通过可控的方式去生成模型，并且拥有独创的 RFKL 智能算法范式。通用模型本身有很强的知识性，但是精确度方面，通用模型只能解决的是 6 、7成的问题。必优科技则通过场景倒推模型的机制，基于精准的高价值用户反馈数据，通过数据飞轮强化对场景模型的内容生成方向进行引导，实现模型自我优化，在特定场景中需要专门优化模型来提升生成质量，重塑以数据为驱动的内容创作新模式。必优科技在用模型尝试了近百种行业场景后，依据反馈聚焦在了人力招聘、办公office场景。 “自训练特定的场景模型不仅是单纯的在技术层面实现，还要配合对数据的理解，实打实的去扎根到了解这个行业的本质，或者内容到底输出是给谁用？这样才能反向定义数据去训练。” 澜舟科技创始人周明博士认为两年后没有人再会谈论大模型，因为它已经成为基础设施了，行业竞争格局将会稳定，通用大模型领域不再会出现新的创业机会。那就意味着将会就有很多公司倒闭或者转型，这些团队的从业人员在市场上面将会形成很强的技术外溢效应，或者将在非大模型行业内渗透。同时意味着即使是通用大模型做的很好的企业也不能仅仅依赖模型业务，也应该更多去发展各自的生态或者在这基础上做一些新的运营。 • 行业模型可以与通用模型LLM并存 • 目前行业内共识是中国一定要有自己的大模型，大厂一定会专注在全力迅速地建立通用大模型能力。这给创业公司留出了生存空间。在C端，由于大厂的流量、规模效应和千亿大模型的通用性，创业公司的机会将被大量挤兑，需要在夹缝中寻找机会，做大厂没有形成共识的方向；在B端，大型客户大概率不会使用大厂的产品，而倾向于选择可定制的私有化部署解决方案。行业模型创业公司需要具备特定领域的独有关键数据，在具体场景上又快又好的解决问题，兼具私有化部署能力，就可以与通用模型LLM并存，在行业中找到生态位。秘塔科技COO王益为提出只要选取自己真正懂的场景，即使巨头都已经布局，秘塔科技仍然在细分领域里面有机会和提升的空间。而在法律行业，对于生成文本的多样性要求并不是特别高，但是对于法律服务的严谨度和可信度要求特别高。秘塔科技在选择技术路线和产品路线上有一些思考，秘塔科技的模型本身就是为了文生文的任务去做的单一任务训练，相应去精心准备数据库，在专项文本上进行强化和训练，形成正式文件的文风，这就是秘塔科技竞争的优势。在直接向C端提供文本AIGC服务的产品中，秘塔科技拥有最多的用户（近千万）；在法律行业中，秘塔科技的现有用户覆盖数千家律师事务所和公司法务部。睿企科技于伟博士指出，尽管行业模型创业不需要从头训练通用大模型，但是挑战同样存在。行业模型创业需要业务、数据、模型的有机融合，因为用户只会采购能满足他们需求的性价比最高的服务和产品。如何找到一个巨大的市场并把产品和服务做到极致，成为行业头羊，是每个垂直行业模型创业公司必须面对的挑战。 • 行业模型很有可能是中国产业数智化的最后一公里 • 这一波AI被称为第四次工业革命，将彻底改变每一个行业。阿里董事会主席张勇提出“所有行业都值得用大模型重做一遍”。即便中国在通用模型技术上是跟随者，但并不代表着中国市场会参照美国市场而发展。美国的AI赛道创业环境，以OpenAI为例，活跃开放的资本市场、充足的算力资源和人才更适合“大力出奇迹”路线；中国的创业环境更加看重技术应用的深度，中国创业者擅长在产业应用里创新。陆奇博士在奇绩创坛的演讲中表示，中国的重要优势在于政府在AI领域的投入、支持和重视程度高于其他国家。睿企科技于伟博士提到，十三五期间中国政府在公检法领域投入数万亿，催生了一大批人工智能企业的高速发展和上市，加速了人工智能技术的发展。十四五期间，中国政府在大模型上的持续投入也会缩小和美国的差距，并在很多领域超过美国。美国从上世纪90年代就开始了数字化浪潮，相比于美国而言，中国企业尚处于数字化转型初期，中国有大量亟待数字化转型升级的传统产业，有太多需要依赖人工智能实现效率提高的业务场景。在中国30年的产业数智化浪潮之中，一直延续着的信息化-数字化-智能化的演进路线，随着通用模型及行业模型加入到产业数智化浪潮之中，很有可能在部分关键场景率先利用AI模型达到智能化，从而倒逼产业其他工作流及场景快速形成数据沉淀，这将大大加快中国整个产业数智化的进程。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2023-05-18
扫眼球换“世界币” ChatGPT之父“剥削穷人”？
go
aul就指出，Worldcoin的核心商业模式是从全球最贫穷的人那里窃取数据，以剥削穷人的方式测试数据，并将之货币化，“这只是通过欺诈从穷人那里窃取数据的犯罪行为。” 以太坊基金会前成员Hudson Jameson则质疑Worldcoin代币分配的公平性：80%提供给公众，10%给投资者，另外10%给团队，“这如何能创造一个公平的全球货币呢？他们是否有任何分析来防止某些地区的财富差距？” 监管也是Worldcoin绕不过去的风险。曾经承载过“世界货币”愿景的稳定币项目Libra，即使背后有全球超过20亿用户的Facebook站台，最终也难逃流产命运，因为货币是主权国家的权力。奥特曼也意识到了这一点，他在一场公开的活动中表示，在美国你可能永远都用不上Worldcoin，“这取决于美国政府禁止加密货币的决心有多大。” 这话无形中透露出了Worldcoin最终还是要面对与各国监管的博弈。除此之外，采集生物识别信息实现身份证明，始终会让Worldcoin游走在个人信息保护相关的法律底线边缘。今年3月，Worldcoin上线的World ID 协议使用了零知识证明技术，让用户能够对ID数据的使用保有控制权与匿名性，以此保护用户数据。奥特曼也表示，“就我个人而言，为使用 Facebook 或其他东西而放弃的隐私量，与为扫描视网膜而放弃的隐私量相比，我更愿意拥有后者。” 但实际情况是，Worldcoin仍然是一个商业公司，而大多数国家对于商业公司如何使用隐私数据有明定法规，包含不可擅自将个人信息等敏感数据转移到国外等。而打算“造福全球”的Worldcoin显然与这些现行法规相悖，这也是其Orb设备很难在更多国家推开的重要原因。虹膜生物识别设备Orb在一些地区“地推” 时至今日，Worldcoin还没有公开发行代币。去年年初，1亿美元的代币融资使该项目的代币总供应量估值达30亿美元。但官方最新消息称，奥特曼正在为该项目寻求 1 亿美金的新融资。 OpenAI的这位CEO要勇闯币圈这一特殊领域了，这不免令人担心实验失败会对OpenAI的声名产生影响。正如重庆工商大学区块链研究中心主任刘昌用所说，隔行如隔山，山姆·奥特曼在AI领域是权威，在区块链领域很可能是韭菜，需要交学费，“这个过程可能会毁了主业。” 来源：金色财经
金色财经2023-05-18
蚂蚁V5量化：大盘企稳近期可以关注什么板块呢
 go
且是基于去中心化的"错误叙述"。他们的商业模式往往是建立在不合规的基础上，商业模式往往也是建立在客户的资金上，将其混合在一起，并存在着冲突。美国证券交易委员会绝不会让纽交所以加密货币平台的方式运作。比特币昨天小幅回调，回调的量能和幅度并不大，短线依旧可以参考120日均线支撑逢低操作，跌破止损，损益比很高。近期比较热门的是香港板块cfx，ach、减产板块ltc、dash，以及xrp和sec的官司即将落下帷幕，近期可以适当关注。每天的行情不固定，不如拥有一款智能工具，24h自动化交易运行，譬如蚂蚁V5量化机器人24h自动化在b安自动化交易赚btc,eth等来源：金色财经
金色财经2023-05-17
卓胜微：射频模组产品L-PAMiD需要集成多模多频PA和高端滤波器等器件
 go
秘：尊敬的投资者，您好！根据半导体行业商业模式特点，国内终端客户通常要求将香港作为交货地；同时，部分境外客户要求在其境外所在地交货。感谢您对公司的关注！卓胜微2023一季报显示，公司主营收入7.12亿元，同比下降46.5%；归母净利润1.16亿元，同比下降74.64%；扣非净利润1.18亿元，同比下降74.45%；负债率10.44%，投资收益-55.46万元，财务费用-64.08万元，毛利率48.83%。该股最近90天内共有12家机构给出评级，买入评级9家，增持评级3家；过去90天内机构目标均价为138.9。近3个月融资净流入5817.75万，融资余额增加；融券净流出4.24亿，融券余额减少。根据近五年财报数据，证券之星估值分析工具显示，卓胜微（300782）行业内竞争力的护城河优秀，盈利能力优秀，营收成长性较差。财务健康。该股好公司指标4星，好价格指标2.5星，综合指标3星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）卓胜微（300782）主营业务：射频集成电路领域的研究、开发与销售。以上内容由证券之星根据公开信息整理，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2023-05-17
什么是 “闪电网络服务商”？
go
P 尽管这是一个几乎向所有人开放的伟大商业模式，现在还没有很多 LSP。Breez 自己是其中之一（一个非常好的例子）。当用户安装 Breez app 的时候，我们向用户提供 100 万聪的入账流动性，是放在 Breez 中心自动跟用户开设的通道中的。我们的中心也有很好的连接：它积极在不同支付通道中再平衡资金，以保证跟超过 70 个中心的不同通道中的流动性。 - 唇语考试：“一百万聪！木哈哈哈哈！”（图片来源：tenor） - 当前，Breez app 的用户会自动连接 Breez LSP。但在未来，我们将允许用户在应用内自选不同的 LSP。他们可以获得使用 Breez app 的一切好处，但同时可以自选 LSP —— 包括他们自己的节点。有选择，对用户就是好事；有竞争，对市场就是好事；去中心化对网络是好事，用户对 Breez 是好事。这是多方共赢的局面。但我们不是唯一在运行的 LSP。市场上还有其它一些 LSP，也在向用户提供通道充值（并或多或少带有通道管理和平衡管理）的服务：例如，LightningTo.Me、LNBIG.com，以及 Bitrefill 的 Thor。他们都在尽自己的吸引用户、扩展闪电经济的责任。我们正在积极证明 LSP 模式的可行性，我们也欢迎你加入我们。如果你运行自己的 LSP，或者有兴趣建一个，但需要用户，请联系我们。我们乐于将你加入我们的 Android 和 iPhone 应用，作为一个可选的 LSP。让我们一起，将世界带入闪电经济。来源：金色财经
金色财经2023-05-17
民生证券：给予浩瀚深度买入评级
 go
资建议：公司拥有成熟的前后端产品相交融商业模式，能够灵活选择单一产品或解决方案整体交付，5G时代能够紧抓客户差异化需求，充分受益数据要素时代下的红利，未来有望持续受益于运营商数据要素价值重估，我们预测公司2023-2025年营收分别达6.11、8.81、12.95亿元，归母净利润0.71、1.08、1.72亿元，对应PE倍数64X、42X、26X，选取网络可视化龙头中新赛克、大数据解决方案厂商东方国信、数据要素核心厂商海天瑞声作为可比公司，根据Wind一致预期，目前可比公司2023、2024年平均PE分别为72X、44X，公司处于被低估状态，维持“推荐”评级。　　风险提示：行业竞争加剧；5G落地不及预期；技术创新不及预期。证券之星数据中心根据近三年发布的研报数据计算，海通证券余伟民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65.69%，其预测2023年度归属净利润为盈利7200万，根据现价换算的预测PE为63.02。最新盈利预测明细如下：该股最近90天内共有1家机构给出评级，买入评级1家。根据近五年财报数据，证券之星估值分析工具显示，浩瀚深度（688292）行业内竞争力的护城河较差，盈利能力良好，营收成长性一般。财务可能有隐忧，须重点关注的财务指标包括：应收账款/利润率、经营现金流/利润率。该股好公司指标1.5星，好价格指标1.5星，综合指标1.5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，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2023-05-17

上一页
1
•••
524
525
526
527
528
•••
657
下一页

24小时热点

最新话题更多