FX168财经网_全球视野外汇黄金加密货币NFT资讯网

美股开盘：道指跌超300点中概股多数走低京东跌近10%

n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

万隆光电：公司严格按照监管规则及公司信息披露管理制度履行信披义务

S（高级驾驶辅助系统）的标配，深度受益自动驾驶渗透率的提升。尤其是4D 成像雷达的应用方面，单车用量将逐步提升。公司牵手南京智能，切入汽车毫米波雷达赛道，请问该情况是否属实，烦请董秘介绍一下业务进展，谢谢万隆光电董秘：尊敬的投资者您好，公司严格按照监管规则及公司信息披露管理制度履行信披义务。感谢您对公司的关注。万隆光电2022三季报显示，公司主营收入4.21亿元，同比下降17.6%；归母净利润399.12万元，同比下降83.08%；扣非净利润-978.85万元，同比下降202.98%；其中2022年第三季度，公司单季度主营收入9696.24万元，同比下降41.99%；单季度归母净利润17.96万元，同比下降98.74%；单季度扣非净利润-34.06万元，同比下降103.98%；负债率23.95%，投资收益1440.31万元，财务费用11.21万元，毛利率26.86%。该股最近90天内无机构评级。根据近五年财报数据，证券之星估值分析工具显示，万隆光电（300710）行业内竞争力的护城河较差，盈利能力一般，营收成长性较差。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2星，好价格指标1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）万隆光电（300710）主营业务：从事面向广电运营公司、电信运营商的网络通讯设备及数据通信系统的业务的研发、生产、销售和技术服务,是国内领先的网络通讯设备及数据通信系统整体解决方案提供商,同时为电信运营商提供运营服务、内容服务、营销服务等增值电信业务综合运营服务。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2023-02-21

涨停复盘 | 汉王科技尾盘“核按钮”，资金深挖MOSS概念股！特斯拉新动作，毫米波雷达走红

洲监管机构提交了车辆变更申请，证实最新自动驾驶硬件HW4.0即将量产上车，新增Phoenix高精度雷达（即高精度4D毫米波雷达）。　　涨停梯队：拓山重工（首板）、振华重工（首板）、徐工机械（首板）　　热点板块——人工智能　　驱动因素：复旦MOSS项目大热，复旦复华虽然没有关系，但凭借着“校改”前的历史关系以及名称的优势股价大涨，另外资金挖掘出参股该项目教授创业公司的恒宝股份。不过周二人工智能及ChatGPT概念整体是调整的态势，龙头海天瑞声跌近10％，汉王科技尾盘遭遇“核按钮”一度触及跌停。　　涨停梯队：元隆雅图（2连板）、网达软件（首板）、奥拓电子（首板）　　六、市场情绪

金融界2023-02-21

OpenAI与AIGC：改变人类生产范式通往“万物的摩尔定律”

风控系统中；第二类是决策智能体，常用于自动驾驶和机器人领域。生成式 AI 擅长的是归纳后演绎创造，基于历史进行缝合式创作、模仿式创新——成为创作者飞船的大副。所谓 AIGC（AI Generated Content），便是使用生成式AI主导/辅助创作的艺术作品。不过在10年代的机器学习教科书中，早已就有了这两类AI。为何 AIGC 在20年代初有了显著突破呢？答案是大模型的突破。 The Bitter Lesson大模型助 AIGC 进化时间倒回到 19 年 3 月，强化学习之父 Richard Sutton 发布了名为 The Bitter Lesson（苦涩的教训）的博客，其中提到：”短期内要使AI能力有所进步，研究者应寻求在模型中利用人类先验知识；但之于AI的发展，唯一的关键点是对算力资源的充分利用。“ Seeking an improvement that makes a difference in the shorter term, researchers seek to leverage their human knowledge of the domain, but the only thing that matters in the long run is the leveraging of computation. 该文章在当时被不少 AI 研究者视为对自己工作的否定，极力辩护。但如果拉长时间线回看，会发现这位泰斗所言不虚：机器学习模型可以从参数量级上分为两类：统计学习模型，如 SVM（支持向量机）、决策树等数学理论完备，算力运用克制的模型；和深度学习模型，以多层神经网络的深度堆叠为结构，来达到高维度暴力逼近似然解的效果，理论上不优雅但能高效的运用算力进行并行计算。神经网络模型在上世纪 90 年代出现，但在 2010 年前，统计学习模型仍是主流；后来得益于 GPU 算力的高速进步，基于神经网络的深度学习模型逐渐成为主流。深度学习充分利用了 GPU 擅长并行计算的能力，基于庞大的数据集、复杂的参数结构一次次实现出惊人的效果，刷新预期。大模型便是深度学习模型参数量达到一定量级，只有大型科技公司才能部署的深度学习模型。 2019年，OpenAI 从非营利组织变为营利性公司，接受微软 10 亿美金注资。这一合作奠定了他们有更多算力资源，并能依仗微软的云基础建设随时将大模型（Foundation Model）发布为商用 api。与此同时，还有第三件事值得关注，大模型 AI 的研究方向出现了转变，从智能决策式 AI 转变为内容生成式 AI：原本主要大模型集中于游戏的智能决策体，如 DeepMind 开发的打败围棋冠军的 AlphaGo、OpenAI 开发的打败 Dota 职业选手的 OpenAI Five。 Transformer 模型（后文将详细介绍）的发布让 OpenAI 嗅到了更适合他们的机会——预训练语言模型。在那之后，他们开始在 AIGC 的方向上开枝散叶：沿着 2018 年时低调发布的 GPT 模型轨迹发布了一系列模型族，一次次刷新文本生成大模型的效果，印证 Sutton 提出的宗旨：充分运用海量算力让模型自由的进行探索和学习。 OpenAI的大模型发展之路 2019年2月：GPT-2 初版发布，1.2 亿参数量 2019年3月：OpenAI LP 成立 2019年7月：微软注资 10 亿美金 2019年11月：GPT-2 最终版发布，15 亿参数量，宣布暂时不开放使用为避免假信息伪造 2020年6月：GPT-3 发布，1750 亿参数量，后续开放 OpenAI API 作为商用 2021年1月：DALL·E 与 CLIP 发布 2021年10月：OpenAI Codex 发布，为 GPT-3 为 coding 场景的特化模型、Github Copilot 的上游模型 2022年4月：DALL·E2 发布 1、GPT-3，AI文本生成巅峰之作深度学习兴起于计算机视觉领域的应用，而大模型的发展开始于 NLP 领域。在数据、算力充分发展的过程中，Transformer 模型以 attention 机制高度并行化的结构充分利用算力，成为 NLP 领域预训练模型的标杆。著名的独角兽 Hugging Face 也是从对该模型的复现和开源起家。除了 attention 机制的高效之外，它还有两个重要特点：迁移学习(transfer learning)和自监督学习(self-supervised learning)。顾名思义，迁移学习指在一个极庞大的数据集上充分学习历史上的各类文本，把经验迁移到其他文本上。算法工程师会将第一步训练完成的模型存储下来，称为预训练模型。需要执行具体任务时，基于预训练版本，进行定制化微调(fine-tune)、或展示少许范例(few-shot/zero-shot)。而自监督学习，得从机器学习中的监督学习讲起。前面提到若需要学习一匹马是否在奔跑，需要有一个完整标注好的大数据集。自监督学习不需要，当 AI 拿到一个语料库，可以通过遮住一句话中的某个单词、遮住某句话的下一句话的方式，来模拟一个标注数据集，帮模型理解每个词的上下文语境，找到长文本之间的关联。该方案大幅提高了对数据集的使用效率。谷歌发布的 BERT 是 Transformer 时代的先驱，OpenAI 发布的 GPT-2 以相似的结构、更胜一筹的算力后来居上。直到2020年6月，OpenAI 发布了 GPT-3，成为该模型族，甚至整个文本生成领域的标杆。 GPT-3 的成功在于量变产生质变：参数比 GPT-2 多了两个数量级（1750亿vs 15亿个参数），它用的最大数据集在处理前容量达到 45TB。如此巨大的模型量级，效果也是史无前例的。给 GPT-3 输入新闻标题”联合卫理公会同意这一历史性分裂“和副标题”反对同性恋婚姻的人将创建自己的教派“，生成了一则以假乱真的新闻，评估人员判断出其为AI生成的准确率仅为 12%。以下是这则新闻的节选：据《华盛顿邮报》报道，经过两天的激烈辩论，联合卫理公会同意了一次历史性的分裂：要么创立新教派，要么”保持神学和社会意义上的保守“。大部分参加五月教会年度会议的代表投票赞成进一步禁止 LGBTQ 神职人员的任命，并制定新的规则”规范“主持同性婚礼的神职人员。但是反对这些措施的人有一个新计划：于2020 年组成一个新教派”基督教卫理公会“。要达到上述效果，成本不容小觑：从公开数据看，训练一个 BERT 模型租用云算力要花约 1.2 万美元，训练 GPT-2 每小时要花费 256 美元，但 OpenAI 并未公布总计时间成本。考虑到 GPT-3 需要的算力是 BERT 的 2000 多倍，预估发布当时的训练成本肯定是千万美元级别，以至于研究者在论文第九页说：我们发现了一个 bug，但没钱再去重新训练模型，就先这么算了吧。 2、背后DALL·E 2，从文本到图片 GPT-3杀青后，OpenAI 把大模型的思路迁移到了图片多模态（multimodal）生成领域，从文本到图片主要有两步：多模态匹配：将 AI 对文本的理解迁移至对图片的理解；图片生成：生成出最符合要求的高质量图片。对于多模态学习模块，OpenAI 在 2021 年推出了 CLIP 模型，该模型以人类的方式浏览图像并总结为文本内容，也可以转置为浏览文本并总结为图像内容（DALL·E 2中的使用方式）。 CLIP (Contrastive Language-Image Pre-Training) 最初的核心思想比较简单：在一个图像-文本对数据集上训练一个比对模型，对来自同一样本对的图像和文本产生高相似性得分，而对不匹配的文本和图像产生低相似性分（用当前图像和训练集中的其他对的文本构成不匹配的样本对）。对于内容生成模块，前面探讨了文本领域：10 年代末 NLP 领域生成模型的发展，是 GPT-3 暴力出奇迹的温床。而计算机视觉 CV 领域 10 年代最重要的生成模型是 2014 年发布的生成对抗网络（GAN），红极一时的 DeepFake 便是基于这个模型。GAN的全称是 Generative Adversarial Networks——生成对抗网络，显然”对抗“是其核心精神。注：受博弈论启发，GAN 在训练一个子模型A的同时，训练另一个子模型B来判断它的同僚A生成的是真实图像还是伪造图像，两者在一个极小极大的博弈中不断变强。当A生成足以”骗“过B的图像时，模型认为它比较好地拟合出了真实图像的数据分布，进而用于生成逼真的图像。当然，GAN方法也存在一个问题，博弈均衡点的不稳定性加上深度学习的黑盒特性使其生成。不过 OpenAI 大模型生成图片使用的已不是 GAN 了，而是扩散模型。2021年，生成扩散模型（Diffusion Model）在学界开始受到关注，成为图片生成领域新贵。它在发表之初其实并没有收到太多的关注，主要有两点原因：其一灵感来自于热力学领域，理解成本稍高；其二计算成本更高，对于大多高校学术实验室的显卡配置而言，训练时间比 GAN 更长更难接受。该模型借鉴了热力学中扩散过程的条件概率传递方式，通过主动增加图片中的噪音破坏训练数据，然后模型反复训练找出如何逆转这种噪音过程恢复原始图像，训练完成后。扩散模型就可以应用去噪方法从随机输入中合成新颖的”干净“数据。该方法的生成效果和图片分辨率上都有显著提升。不过，算力正是大模型研发公司的强项，很快扩散模型就在大公司的调试下成为生成模型新标杆，当前最先进的两个文本生成图像模型——OpenAI 的 DALL·E 2 和 Google 的 Imagen，都基于扩散模型。DALL·E 2 生成的图像分辨率达到了 1024 × 1024 像素。例如下图”生成一幅莫奈风格的日出时坐在田野里的狐狸的图像“：除了图像生成质量高，DALL·E 2 最引以为傲的是 inpainting 功能：基于文本引导进行图像编辑，在考虑阴影、反射和纹理的同时添加和删除元素，其随机性很适合为画师基于现有画作提供创作的灵感。比如下图中加入一只符合该油画风格的柯基： DALL·E 2 发布才五个月，尚没有 OpenAI 的商业化api开放，但有 Stable Diffusion、MidJourney 等下游公司进行了复现乃至商业化，将在后文应用部分介绍。 3、OpenAI的使命——开拓通往 AGI 之路 AIGC 大模型取得突破，OpenAI 只开放了api和模型思路供大家借鉴和使用，没去做下游使用场景的商业产品，是为什么呢？因为 OpenAI 的目标从来不是商业产品，而是通用人工智能 AGI。 OpenAI 的创始人 Sam Altman 是 YC 前总裁，投出过 Airbnb、Stripe、Reddit 等明星独角兽（另一位创始人 Elon Musk 在 18 年因为特斯拉与 OpenAI ”利益相关“离开）。他在 21 年发布过一篇著名的博客《万物的摩尔定律》，其中提到 OpenAI，乃至整个 AI 行业的使命是通过实现 AGI 来降低所有人经济生活中的智能成本。这里所谓 AGI，指的是能完成平均水准人类各类任务的智能体。因此，OpenAI 始终保持着学术型企业的姿态处于行业上游，成为学界与业界的桥梁。当学界涌现出最新的 state-of-art 模型，他们能抓住机会通过海量算力和数据集的堆叠扩大模型的规模，达到模型意义上的规模经济。在此之后克制地开放商业化 api，一方面是为了打平能源成本，更主要是通过数据飞轮效应带来的模型进化收益：积累更富裕的数据优化迭代下一代大模型，在通往 AGI 的路上走得更坚实。定位相似的另一家公司是 Deepmind——2010年成立，2014 年被谷歌收购。同样背靠科技巨头，也同样从强化学习智能决策领域起家，麾下的 AlphaGo 名声在外，Elon Musk 和 Sam Altman 刚开始组局创办 OpenAI，首要的研究领域就是步 AlphaGo 后尘的游戏决策 AI。不过 19 年后，两者的研究重心出现了分叉。DeepMind 转向使用 AI 解决基础科学如生物、数学等问题：AlphaFold 在预测蛋白质结构上取得了突破性的进展，另一个 AI 模型 AlphaTensor 自己探索出了一个 50 年悬而未决的数学问题：找到两个矩阵相乘的最快方法，两个研究都登上了 Nature 杂志的封面。而 OpenAI 则转向了日常应用的内容生成 AIGC 领域。 AIGC大模型是通往 AGI 路上极为重要、也有些出乎意料的一站。其重要性体现在 AI 对人类传达信息的载体有了更好的学习，在此基础上各个媒介之间的互通成为可能。例如从自然语言生成编程语言，可以产生新的人机交互方式；从自然语言生成图片和视频，可以革新内容行业的生产范式。意外性则是，最先可能被替代的不是蓝领，而是创作者，DeepMind 甚至在协助科学家一起探索科研的边界。 OpenAI 的模式也给了下游创业者更多空间。可以类比当年预训练语言模型发展初期，Hugging Face把握机会成为大模型下游的模型开源平台，补足了模型规模膨胀下机器学习民主化的市场空间。而对 AIGC 模型，未来会有一类基于大模型的创业公司，把预训练完成的 AIGC 模型针对每个子领域进行调优。不只需要模型参数优化，更要基于行业落地场景、产品交互方式、后续服务等，帮助某个行业真正用上大模型。正如 AI 的 bitter lesson 一样矛盾，投资者需要短期投资回报率、研究者需要短期投稿成功率，尽管OpenAI 走在通往 AGI 正确的路上，这条路道阻且长，短期很难看到极大的突破。而 Sam Altman 展望的大模型应用层公司很有可能有更高的高投资回报，让我们来介绍下主要的分类与创业者。百家争鸣的 AIGC 大模型应用层对应 OpenAI 大模型发布的顺序，模型应用层相对最成熟的是文本生成领域，其次是图片生成领域，其他领域由于还未出现统治级的大模型相对落后。文本领域天然应用场景丰富，且 GPT-3 开放 api 很久，细分赛道很多。大致可以根据生成内容不同分为两类：机器编程语言生成、人类自然语言生成。前者主要有代码和软件行为的生成等，后者主要有新闻撰写、文案创作、聊天机器人等。而图片领域当前还专注于图片自身内容的生成，预期随着未来3D、视频相关内容生成能力的增强，会有更多结合不同业务场景如游戏、影视这样细分领域的创业公司。以下是海外各子领域创业公司的梳理，接下来将针对几个领域的重要公司进行介绍。 1、编程语言文本领域最成熟的应用暂时不在人类自然语言，而是在代码等机器语言的生成领域。因为机器语言相对更结构化，易学习；比如鲜有长文本的上下文关系、基于语境的不同含义等情况。（1）代码生成：Github Copilot 代表公司是微软出品的 Github Copilot，编程中的副驾驶。该产品基于 OpenAI 专门用 GPT-3 为编程场景定制的AI模型 Codex。使用者文字输入代码逻辑，它能快速理解，根据海量开源代码生成造好的轮子供开发者使用。提高一家科技公司 10% 的 coding 效率能带来很大收益，微软内部已进行推广使用。相比低代码工具，Copilot 的目标群体是代码工作者。未来的低代码可能是两者结合：低代码 UI 界面实现代码框架搭建，代码子模块通过 Copilot 自动生成。正如 Copilot 的 slogan：Don’t fly solo，没有 Copilot 的帮助 coder 的工作会变得繁冗，没有 coder 的指引 Copilot 生成的内容可能会出现纰漏。也有用户报告了一些侵犯代码版权、或代码泄露的案例，当前技术进步快于版权法规产生了一定的空白。（2）软件行为生成：Adept.ai Adept.ai 是一家明星创业公司。创始团队中有两人是Transformer 模型论文作者，CEO 是谷歌大脑中大模型的技术负责人，已经获得 Greylock 等公司 6500 万美元的 A 轮融资。他们的主要产品是大模型 ACT-1，让算法理解人类语言并使机器自动执行任务。目前产品形态是个 chrome 插件，用户输入一句话，能实现单击、输入、滚动屏幕行文。在展示 demo中，一位客服让浏览器中自动记录下与某位顾客的电话，正在考虑买 100 个产品。这个任务需要点击 10 次以上，但通过 ACT-1 一句话就能完成。软件行为生成颠覆的是当下的人机交互形式，使用文字或语音的自然语言形式来代替当下人与机器的图形交互模式（GUI）。大模型成熟后，人们使用搜索引擎、生产力工具的方式都将变得截然不同。 2、自然语言自然语言下还有多个应用型文本生成领域值得关注：新闻撰写、文案创作、对话机器人等。（1）新闻撰写最著名的是 Automated Inights。他们的结构化数据新闻撰写工具叫做 wordsmith，通过输入相应数据和优先级排序，能产出一篇基于数据的新闻报道。该工具已在为美联社每季度自动化产出 300 余篇财报相关报道，在雅虎体育新闻中也已经崭露头角。据分析师评价，由 AI 完成的新闻初稿已接近人类记者在 30 分钟内完成的报道水准。 Narrative Science是另一家新闻撰写生成公司，其创始人甚至曾预测，到 2030 年，90%以上的新闻将由机器人完成。（2）文案创作该领域竞争较为激烈，有copy.ai、Jasper、copysmith 等公司。他们基于 GPT-3 的能力加入了文案领域的人工模板与结构，为商家和个人创作者提供了快速为自己的商品、内容进行宣传的能力。以copysmith 为例：（3）对话机器人前面提到的 Adept.ai 由Transformer 模型的一作和三作联合创立；而二作也创业了，他创办的 Character.ai 是当前对话机器人中使用效果最逼真的。该对话机器人可以自定义或使用模板来定义角色的家庭、职业、年龄等，在此基础上保持一贯的设定和符合设定的对话风格。经常能体现出一定的共情对话能力带给人惊喜，并且支持多语言互通。比如他们有已训练好的马斯克等名人和一些动漫角色，与他们对话会有很棒的代入感。而商业化的对话机器人，在客服、销售等行业有巨大的市场空间，但如今还为成熟。主要出现的问题有二：其一，客服、销售行业遇到的客户往往情绪状态不稳定，AI 难以对情绪进行适应并调整对话内容；其二，AI 的多轮对话能力较弱，无法保证持续有效的跟进问题。（4）创作性文本 AI 对于长文本创作有一定困难，难以保持1000字以上的文本创作后仍能进行上下文的联系。但基于短文本创作仍有一些有趣的应用，例如基于GPT-3的 AI Dungeon，可以引导 AI 创造一个虚拟游戏世界观。该领域进一步的成长需要期待未来 3-5 年，有成熟的能产出千字内容的 AI 出现。 3、多模态图片 DALL·E2 是极具突破性的 AIGC 大模型，但距离丰富生产力和创造力的成熟产品还有差距。因此有研究者顺着 DALL·E 和 CLIP 的思路开发了开源版本的扩散模型，就像当年的 Hugging Face 那样，并将其根据创作者社区的反馈转变为更成熟易用的商业产品。接下来就介绍几个主要出圈的模型：（1）Disco Diffusion 最早出圈的 AI 绘图工具是开源模型Disco Diffusion。发布时间比 DALL·E 2 稍晚，同样也是 CLIP + Diffusion Model 的结构，生成效果让许多插画师担心起了失业。尽管很多插画师和 AI 工具爱好者的推荐都认可了该工具的易用性和生成效果的出众，但其生成时间略长有待优化，可以认为是大家对图片生成大模型的初体验。（2）MidJourney 该模型发布后不久，Disco Diffusion 的开发者 Somnai 加入了 MidJourney，和团队一起打造了一款产品化的 Disco Diffusion。 Midjourney 的创始人 David Holz 并不是以CV（计算机视觉）研究为主，更关注人机交互。产品公测和主要交流平台都基于Discord，使用 Discord Bot 进行交互，打造了相当良好的社区讨论环境。使用中印象深刻的有几个重要功能：MidJourney 画廊中可以看到每时每刻创作者们用 MJ 创作出的作品，用户可以对作品进行打分，每周排名靠前的作品将得到额外的 fast GPU 时间奖励。同时，MJ官方还为用户贴心的提供了引导语 prompt 集合和 AI 擅长的风格指南，指导用户如何最高效的生成出他们想要的图片。基于良好的产品和社区体验，MidJourney 的付费用户量也是目前最大的。目前收费模式采用了订阅制，个人用户有两个档位，每月最多 200 张图片（超额另收费）的 10 美元/月，以及”不限量“图片的 30 美元/月；对企业客户，单人一年收费仅有 600 美元，且生成的作品可以商用（当前法规尚不完善，仍可能存在一定版权问题）。（3）Stable Diffusion 如果说 MidJourney 是一个勤勤恳恳的绩优生，那么 Stability.ai 则是天赋异禀技术力强、诞生之初就备受 VC 追捧的富二代，公司估值已达到十亿美元。产品 Stable Diffusion 首要目标是一个开源共创模型，与当年的 Hugging Face 神似。创始人 Emad 之前是对冲基金经理，用自己充裕的资金联合 LMU 和 Runaway ML开发了开源的 Stable Diffusion，在 Twitter 上使用扎克伯格在 Oculus 发布会上的照片作为背景，号召SD会成为”人类图像知识的基础设施“，通过开源让所有人都能够使用和改进它，并让所有人更好地合作。 Stable Diffusion 可以认为是一个开源版本的DALL·E2，甚至不少使用者认为是当前生成模型可以使用的最佳选择。官方版本部署在官网 Dream Studio 上，开放给所有用户注册。相比其他模型，有很多可以定制化的点。不过官网只有 200 张免费额度，超过需要付费使用，也可以自行使用开源 Colab 代码版无限次使用。此外，Stable Diffusion 在压缩模型容量，希望使该模型成为唯一能在本地而非云端部署使用的 AIGC 大模型。 05 AIGC大模型的未来展望 1、应用层：多模态内容生成更加智能，深入各行业应用场景上述的多模态图片生成产品当前主要局限于创作画作的草图和提供灵感。在未来待版权问题完备后， AIGC 内容能进入商用后，必然会更深入地与业界的实际应用进行结合：以游戏行业为例， AI 作画给了非美术专业工作者，如游戏策划快速通过视觉图像表达自己需求和想法的机会；而对美术画师来说，它能够在前期协助更高效、直接地尝试灵感方案草图，在后期节省画面细节补全等人力。此外，在影视动画行业、视频特效领域，甚至是文物修复专业，AI 图片生成的能力都有很大想象空间。当然，这个领域 AI 的能力也有着不小的进步空间，在下面的未来展望部分进行阐发。目前 AIGC 存在 Prompt Engineering 的现象，即输入某一些魔法词后生成效果更好。这是目前大模型对文本理解的一些缺陷，被用户通过反向工程进行优化的结果。未来随着语言模型和多模态匹配的不断优化，不会是常态，但中短期内预期Prompt Engineering 还是得到好的生成内容的必备流程之一。 2、模态层：3D生成、视频生成 AIGC 未来3-5年内有明显进步多模态（multimodal）指不同信息媒介之间的转换。当前 AI 作图过程中暴露的问题会成为视频生成模型的阿喀琉斯之踵。例如：AI 作画的空间感和物理规则往往是缺失的，镜面反射、透视这类视觉规则时常有所扭曲；AI 对同一实体的刻画缺少连续性。根本原因可能是目前深度学习还难以基于样本实现一些客观规则泛化，需要等待模型结构的优化进行更新。 3D生成领域也有很大价值：3D 图纸草图、影视行业模拟运镜、体育赛场现场还原，都是 3D 内容生成的用武之地。这一技术突破也渐渐成为可能。 2020年，神经辐射场（NeRF）模型发布，可以很好的完成三维重建任务：一个场景下的不同视角图像提供给模型作为输入，然后优化 NeRF 以恢复该特定场景的几何形状。基于该技术，谷歌在2022年发布了 Dream Fusion 模型，能根据一段话生成 360 度三维图片。这一领域当前的实现效果还有优化空间，预期在未来3-5年内会取得突破性进展，推动视频生成的进步。 3、模型层：大模型参数规模将逼近人脑神经元数量近年的大模型并未对技术框架做颠覆性创新，文本和图像生成领域在大模型出现前，已有较成熟方案。但大模型以量变产生质变。从神经网络角度看，大脑有约 100 万亿神经元， GPT-3 有 1750 亿参数，还相差了 1000 倍的数量级，随着算力进步可以发展的空间还很大。神经网络本质是对高维数据进行复杂的非线性组合，从而逼近所观测数据分布的最优解，未来一定会有更强的算力、更精妙的参数堆叠结构，来刷新人们对AI生成能力的认知。 4、成本结构决定大模型市场的马太效应大模型最直接的成本便是能源成本（energy cost），GPT-3 发布时的训练成本在千万美元级别。难以在短期内衡量 ROI ，大科技公司才能训练大模型。但随着近年模型压缩、硬件应用的进步，GPT-3 量级的模型成本很可能已降至百万美元量级，Stable Diffusion 作为一个刚发布一个月的产品，已经把原本 7GB 的预训练模型优化压缩至 2GB 左右。在这样的背景下，算力成本在未来必然会逐渐变得更合理，但 AIGC 领域的另一个成本项让笔者对市场结构的预测还是寡头垄断式的。大模型有明显的先发优势，来自巨大的隐形成本：智能成本。前期快速积累用户反馈数据能帮助模型持续追新优化，甩开后发的竞争者，达到模型性能的规模效应。 AI 的进化来自于数据的积累和充分吸收。深度学习，乃至当前的所有机器学习都是基于历史预估未来，基于已有的数据给到最接近真实的可能。正如前文讨论的，OpenAI 的目标从来不是留恋于某个局部行业的商业产品，而是通过模型规模经济，不断地降低人类社会全局的智能成本，逼近通用人工智能 AGI。规模经济正体现在智能成本上。 5、虚拟世界的 AGI 会先于现实世界诞生从更宏观的视角上，虚拟世界 AI 技术的智能成本比现实世界中来得低得多。现实里 AI 应用最普遍的是无人驾驶、机器人等场景，都对 Corner Case 要求极高。对于AI模型而言，一件事超过他们的经验范畴（统计上out of distribution），模型将立马化身人工智障，不具备推演能力。现实世界中 corner case 带来的生命威胁、商业资损，造成数据积累过程中极大的试错成本。虚拟世界则不同，绘图时遇到错位扭曲的图片，大家会在 Discord 中交流一笑了之；游戏 AI 产生奇怪行为，还可能被玩家开发出搞怪玩法、造成病毒传播。因此虚拟世界，尤其是泛娱乐场景下的 AIGC 积累数据成本低会成为优势。这个领域的 AI 如果节省人力、生成内容产生的商业价值能大于算力成本，能很顺畅地形成低成本的正向循环。伴随着另一个重要的革新——长期 Web3.0元宇宙场景下新内容经济生态的形成，虚拟世界内容场景下的 AI 很可能更早触及到 AGI。来源：金色财经

金色财经2023-02-21

CEO们应该如何看待元宇宙麦肯锡给出指南

成式人工智能的进展就让怀疑论再次出现，自动驾驶汽车是另一个例子。元宇宙难道没有类似的命运风险吗? 换句话说，我们处于炒作周期的哪个阶段？现在是站在了过高预期的顶峰，还是陷入了幻想破灭的低谷? 在我们看来，元宇宙的发展距离真正的转折点还需要几年的时间 (但这不是不做准备的理由)。Salesforce的布莱恩·索利斯最近告诉我们，像Web1.0、社交媒体和移动设备这样的代际变化“很少在一夜之间发生，它们需要数年的时间，是不断进步的技术、不断变化的消费者需求和实验周期积累的结果”。这似乎也是对元宇宙必须克服障碍的恰当描述——技术还没有准备好大规模支持元宇宙：5G网络、边缘计算、硬件和软件的进步必须跟上(它们正在进行中)；目前的用户主要是游戏玩家和精通技术的人，企业必须招募其他人才(我们的调查显示，他们非常感兴趣)；许多元宇宙里的交易都是用加密货币进行的，而我们也看到了加密作为一种可靠、安全的交换系统，同样存在缺点；最后，如Roblox、The Sandbox等等的元宇宙平台之间都没有联系，整合的、真正的元宇宙还有很长的路要走。 CEO们现在可以做什么? <#root> 乐观主义者和怀疑论者都有确凿的证据支持他们的观点，但证据的“天平”可能稍微倾向于乐观主义者。全球79 家最大的消费品公司中，有 71% 已经持有元宇宙的股份，其余的人冒着没有计划的风险；其他行业公司正在仔细观察并制定计划；极少数人不会受到元宇宙的影响。现在在元宇宙中投资哪怕一点点，似乎都被置于一个奇怪的经济周期中。但我们的研究强烈表明，在经济低迷时期，调整资产负债表并投资于增长公司，将在下一个周期中占据主导地位。一家公司如何规划元宇宙取决于它所在的行业。如前图所示，元宇宙最有可能颠覆银行、制造业、媒体、专业服务、零售和电信等行业。这些行业的CEO可以考虑采取比其他行业更果断的决策。其他行业的CEO可以采取三个步骤来确保自己在“元宇宙列车上有座”，并为元宇宙的最终起飞做好准备。从“为什么”开始关键问题不是“我们可以在元宇宙中做什么？” 以及“为什么元宇宙适合我们的增长和创新议程？” CEO们需要弄清楚如何将元宇宙因素纳入当前的商业模式中，以及公司的客户在元宇宙中热衷于做什么。正如乐高分险投资公司的Rob Lowe告诉我们的那样“不要试图改变你的核心目标以适应元宇宙”。实际一点：找到“什么” 从外部寻找灵感是件好事，但 CEO 还应考虑确定适合公司战略的实际用例，并优先考虑这些用例，然后为这些用例开发概念、业务案例和路线图。CEO们应该像对待其他任何事情一样严肃对待这些努力，而不是将它们视为噱头或宣传。了解“这是一项严肃认真的工作”将有助于消除组织内部的怀疑态度。捍卫事业：“如何做” CEO可以履行两项职能：第一，设定愿景；其次，为每个用例和计划选择领导者；测试和学习，并在此过程中提出正确的问题，这对于弥合期望与结果之间的差距至关重要。职能领导可以带头进行这些工作，以确保这些举措与职能议程紧密结合；选一个人代表“元宇宙”职能来完成工作是有意义的——欧莱雅在内的几家公司已经任命了一位“首席元宇宙官”，通常向CEO汇报。高层领导可能还会考虑所需的运营模式和团队设置，因为许多公司希望与硬件、软件和元宇宙相关开发服务（例如 VR 设计和开发或游戏引擎）的专业供应商合作。结语：现实世界正在被战争、新冠肺炎、通货膨胀等等问题所困扰，元宇宙提供了一种“增强”，这可能是吸引数百万客户涌向早期元宇宙的部分原因。CEO们应该确保自己在客户的所在地会见客户们，无论“所在地”是虚拟的还是现实的。关于作者：本文为编译，原作者Homayoun Hatami是全球客户能力的管理合伙人，也是麦肯锡巴黎办事处的高级合伙人， Eric Hazan是该办事处的高级合伙人。Hamza Khan是伦敦办事处的合伙人。Kim Rants是哥本哈根办公室的副合伙人。作者感谢 Nikita Pillai 和 Adam Ridemar 对本文的贡献。来源：DeFi之道来源：金色财经

金色财经2023-02-19

力合科创：力合报业大数据中心致力于为客户提供一站式的IT运维服务及数字化解决方案

供一体、可视、智能的解决方案。博瀚AI自动驾驶平台赋能厂商全栈AI能力，助力厂商进行AI技术与自动驾驶行业深度融合。请问这些智能制造、电力能源、人工智能ai和ai自动驾驶业务是否属实？力合科创董秘：尊敬的投资者，您好！博瀚智能是一家成立于深圳的人工智能企业。通过自研的人工智能端到端平台、先进的深度学习算法与数据处理产品为广大行业客户AI赋能，释放数据潜力，加速AI产品落地，创造全新的科技和商业价值。感谢您的关注。投资者：董秘您好，请问深圳力合报业大数据中心公司投产运营的数据中心有面向顺丰云、华为云、国资云相关的高端优质客户提供服务吗？力合科创董秘：尊敬的投资者，您好！力合报业大数据中心致力于为客户提供一站式的IT运维服务及数字化解决方案。感谢您的关注。投资者：力合报业大数据中心于2021年5月份投产运营，现已面向顺丰云、顺丰大数据、顺丰金融、ARM（中国）、佰仟金融、中国人保、新国都（A股上市公司）、希施玛数据、怡亚通、飞亚达、字节跳动等一系列高端优质客户提供服务，同时依托“龙华—华为智能制造和现代服务业创新中心”产业生态入驻大数据园区的契机，推动与华为的深入合作，构建大数据产业。请问力合报业数据中心服务于国资云相关业务和华为深度合作是否属实？力合科创董秘：尊敬的投资者，您好！力合报业大数据中心致力于为客户提供一站式的IT运维服务及数字化解决方案。感谢您的关注。投资者：请问贵公司联营公司中科星睿科技核心团队是否来自中科院和清华大学？和中科院有什么关系？参股比例多少？该公司主要客户是哪些？力合科创董秘：尊敬的投资者，您好！公司参股企业中科星睿的核心团队来自于中科院和清华大学，您可以通过工商登记网站及该企业官网了解更多详细信息。感谢您的关注。力合科创2022三季报显示，公司主营收入17.01亿元，同比上升2.59%；归母净利润1.85亿元，同比下降49.87%；扣非净利润7995.96万元，同比下降61.39%；其中2022年第三季度，公司单季度主营收入5.74亿元，同比下降11.01%；单季度归母净利润7051.88万元，同比下降61.56%；单季度扣非净利润2431.3万元，同比下降71.4%；负债率43.21%，投资收益1.19亿元，财务费用7292.4万元，毛利率25.22%。该股最近90天内无机构评级。近3个月融资净流入4915.03万，融资余额增加；融券净流出116.02万，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，力合科创（002243）行业内竞争力的护城河良好，盈利能力一般，营收成长性优秀。可能有财务风险，存在隐忧的财务指标包括：有息资产负债率、应收账款/利润率、存货/营收率、经营现金流/利润率。该股好公司指标2.5星，好价格指标3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）力合科创（002243）主营业务：“科技创新服务+新材料”双主业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2023-02-18

通宇通讯：关于深圳光为的出售事项，公司已与四川光为签署附生效条件的股权转让协议

面，公司车载天线可用于新能源汽车领域，自动驾驶是未来新能源汽车重点发展方向，也是5G通讯重要应用场景；公司天线产品系列中，包含GPS，北斗等多种制式的卫星定位天线，谢谢您的关注。投资者：调研信息中提到，ChatGPT技术众多，CPO仅为其中之一，公司还有哪些ChatGPT相关技术？通宇通讯董秘：您好，公司原有光通信业务全部在深圳光为，2023年2月17日，公司召开股东大会审议出售深圳光为100%股权给四川光为，交割完成后，光通信业务不再纳入公司合并报表。公司5年内不再从事光模块的研发和制造。公司暂不涉及ChatGPT技术，感谢您的关注。投资者：你好董秘，我想咨询一下，贵公司所持有25.59%股权的四川光为，主营业务都有哪些？通宇通讯董秘：您好，四川省光为通信有限公司经营范围如下：第二类增值电信业务；电子元器件制造;光电子器件销售;电子元器件批发;电子元器件零售;软件开发;软件销售;通信设备销售;通信设备制造;货物进出口;技术进出口;住房租赁;非居住房地产租赁;光通信设备销售。感谢您的关注。投资者：贵公司的cpo有哪些潜在客户，能用在chatGPT吗？通宇通讯董秘：公司原有光通信业务全部在深圳光为，2023年2月17日，公司召开股东大会审议出售深圳光为100%股权给四川光为，交割完成后，光通信业务不再纳入公司合并报表。公司5年内不再从事光模块的研发和制造。通宇通讯2022三季报显示，公司主营收入11.23亿元，同比下降11.42%；归母净利润6811.91万元，同比下降15.34%；扣非净利润2546.69万元，同比下降56.9%；其中2022年第三季度，公司单季度主营收入3.2亿元，同比下降22.04%；单季度归母净利润1774.56万元，同比上升8.87%；单季度扣非净利润125.02万元，同比下降80.99%；负债率25.38%，投资收益2119.86万元，财务费用-1666.37万元，毛利率20.09%。该股最近90天内无机构评级。近3个月融资净流入4909.98万，融资余额增加；融券净流入12.61万，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，通宇通讯（002792）行业内竞争力的护城河一般，盈利能力一般，营收成长性一般。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2.5星，好价格指标1.5星，综合指标2星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）通宇通讯（002792）主营业务：主要从事通信天线及射频产品的研发、生产、销售和服务业务,为移动通信运营商、设备集成商提供通信天线、射频器件产品及综合解决方案。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2023-02-18

禾赛科技：关键核心技术是命脉必须掌握在自己手里

禾赛科技于2014年创立于上海，是全球自动驾驶及高级辅助驾驶（ADAS）激光雷达的领军企业，斩获了多项业内冠军头衔。根据Yole Intelligence发布的数据，除了总营收排名全球第一以外，禾赛科技以占全球27%的市场份额，位列ADAS前装量产定点数量全球第一；在自动驾驶汽车领域，禾赛科技也以绝对优势领先，以58%的营收占比排名全球第一，是第二名 Waymo份额的两倍以上。禾赛科技的客户包括全球顶级汽车厂商、自动驾驶和机器人公司，业务遍及全球40个国家、90多个城市。通过招股书可以了解到，禾赛科技已获理想汽车、集度汽车、路特斯、高合汽车、长安汽车、上汽等10余家主流车企累计数百万台的量产定点；自动驾驶客户则包括Zoox、TuSimple、NVIDIA、Nuro、美团、百度、文远知行等。有意思的是，在禾赛科技的这份客户名单中，还有几家尚未披露出来的“明星车企定点”——“国内最畅销的新能源汽车品牌之一”（猜测比亚迪），“转型进军新能源汽车行业的国内头部消费电子产品制造商”。在2月3日禾赛科技第二次提交的招股书中，还赫然加入了赛力斯。比亚迪、赛力斯等企业巨头纷纷与禾赛科技合作，这本身就是对禾赛科技的技术和供应能力的一种认可。这一切的成功对于禾赛科技而言并非偶然，而是必然，因为禾赛科技始终坚持走自主创新、自主研发之路。为把企业命脉“关键核心技术”牢牢握在手中，禾赛科技在激光雷达的技术研发上投入了大量资金。在2019年、2020年和2021 年，禾赛科技的研发费用投入分别为1.498亿元、2.297亿元和3.684元，分别占同期净营收的43.0%、55.3%和51.1%，这样的支持力度在行业内少有。付出总有回报，如今禾赛科技在全球范围内拥有数百项专利，其自研芯片、功能安全、主动抗干扰等技术打破了行业多项纪录，这成为了禾赛科技引领行业标准化道路上的底气。除了重视技术研发，禾赛科技还坚持自主生产，提升交付能力。以CEO李一帆的话说，“如果真正发自内心地想做好激光雷达产品，制造就必须是研发的一部分”“交付是检验激光雷达公司的唯一标准”。2022年9⽉份，禾赛科技实现单⽉交付超1万台，成为全球⾸家⽉交付过万的车载激光雷达公司。2022年12⽉，禾赛科技宣布实现累计交付量破10万的里程碑，且仅2022年⼀年就交付了8万台激光雷达，获得全球年度“销量冠军”。这意味着，禾赛科技已经具备了激光雷达大规模量产交付的能力。面对持续高涨的激光雷达供应需求，这一点已然成为禾赛科技的重要竞争力。禾赛科技CEO李一帆在上市仪式现场表示：“禾赛科技的愿景是用高性能激光雷达解决方案为机器人技术的未来发展赋能，提高生活质量，让世界变得更美好、更安全、更高效！”期待禾赛科技创造更多纪录，领跑全球激光雷达行业。来源：金色财经

金色财经2023-02-17

AI板块的火热能否带动牛市的启动,CNTM会不会成为一个重要的契机

理，并且有些人对实现需要实时物体识别的自动驾驶汽车表示怀疑）。 1）3D界面：人类如何看待它？如前所述，理解“这是什么”对于人类交流很重要。实际上，关于类人界面的技术研究结果表明，此类接口对于与人建立通信非常重要。 2）AI技术可以交流吗？随着越来越多的公司采用聊天机器人，一些通信已经自动化。当然，如果不建立连续的对话，将无法实现通信。尽管关于理解自然语言处理（称为NLP）仍然存在许多问题，但AI的对话准确性每天都在发展。Connectome的我们能够通过融合各种AI（例如对象识别和情感识别系统）来实现更准确的通信。 3）游戏技术和通讯技术可以连接吗？如果游戏太简单或太困难，用户将不会受到娱乐。因此，游戏在用户玩耍时进行调整。同样，良好的沟通通常依赖于“朗朗上口”并调整沟通方式，以使您与谈话对象相匹配。我们的目标是能够通过使用游戏技术来像人类一样调整通信。 4）区块链技术可以保护隐私吗？正如我们与朋友的对话与我们与父母的对话不同，人类在共享信息之前会无意识地确定其他人的类型。我们非常了解，如果我们认为某人无法信任某些信息，则不愿与某人共享某些信息。这称为隐私。Connectome正在研究和开发如何通过使用区块链技术来保护信息的透明性和隐私性，从而在人与VHA系统之间建立信任，从而导致更自由，更自然的对话。通过上面的一系列都可以看出AI板块的火热，可以说AI现在就是时代的弄潮儿，我们要站在风口抓住机遇才能更好的提升，接下来在介绍其他的关于CNTM的GPT平台风起Jinn 基于ChatGPT的理论，创建CNTM的GPT平台：Jinn 为Jinn加入双引擎结构：GPT引擎+传统搜索引擎，从而实现Web3的AI搜索功能将Jinn与CNTM1.0的板块结合，增强金融领域的AI搜索推荐功能重重筛选 AI板块的币子有很多（下图14个被非小号收录），为何却单单说CNTM是欧易AI板块的黑马上图AI板块能挑出来说的也就上面五个：AGIX（币安）、FET（币安）、NMR（币安、欧易）、CTXC（欧易）、CNTM（欧易）首先我们把AGIX和FET去除，因为走独立行情的币谁也玩不过币安上面的（只有魔法才能打败魔法），目前AGIX和FET翻得倍数太多了，不要说什么强者恒强，这句话是有低价筹码的人嘴里说出来才硬气，你高位冲进去的时候说这句话有底气嘛，被套就是一辈子其次NMR 市值1.22亿美金，CTXC市值5407美金，而CNTM才1300万美金不说追上NMR，哪怕是能和CTXC的市值持平，也有4×的空间消息面：据官方消息将于25号和ADA在台湾举办线下会议，同时收到清华大学邀请参与AI人工智能技术会议并在近期CNTM和Ocean在一起交流AI技术，同时AGIX也是ADA和Ocean深度孵化的项目预计CNTM将会是ADA和Ocean共同孵化的第二个AI项目宣发海内外大V主力宣发大家，各类社群也是异常火爆，我就截一张大家耳熟能闻的其他的大家可自行搜索技术面：目前支撑区间0.11-0.12，支撑稳定，4小时级别金叉成型，动能强劲前CNTM创始人在官方社区中表示已经开始布局 AI 赛道，第一个CNTM产品跟 NFT 交易所的结合在2月底即将推出，为登录某安交易所做准备。 PS：机会是留给有准备的人，2023是加密市场这一阶段最有机会的一年，是各类项目展开自己叙事的一年完美的故事始于完美的开局，CNTM就是我们2023完美的开局来源：金色财经

金色财经2023-02-17

Web3、云计算与AI强强联合! “三剑合璧”会有怎样的表现？

机器学习的应用范围还是比较广泛的，比如自动驾驶、智慧医疗等领域都有广泛的应用。与传统数据分析技术相比，人工智能立足于神经网络，就像人脑一样，人工智能在进化时可以发展出发散性的神经网络，从而进行全面的机器学习。与传统算法相比，人工智能算法并无多余的假设前提，而是完全利用输入的数据自行模拟和构建相应的模型结构，这一算法特点决定了它是更为灵活且可以根据不同的训练数据而拥有自优化的能力，同时也带来了显著增加的运算量。在算力取得突破以前，大数据的优势几乎无处发挥，更别说人工智能的运用。如今，人们正在进入一个数据量迅速膨胀的时代，少量服务器已经不能解决问题，于是人们开始聚合多台服务器的力量，利用云平台实现海量数据的分析与整合。伴随着云计算的发展，高速并行运算、海量数据、更优化的算法共同促成了科技发展的突破，也为人工智能在云计算中的发展应用提供了更多的可能。云计算通过互联网提供计算服务，包括服务器、存储、数据库、网络、软件、分析和智能，以提供更快的创新、灵活的资源和规模经济，而人工智能可以帮助云提供商为客户提供更智能和个性化的服务。例如，人工智能可以自动发放和管理云资源，优化云基础设施，保护云中的数据和应用程序。我们还可以在云计算中使用人工智能来开发新的云服务，比如声控助手和预测分析。对于各种规模的企业来说，云计算正变得越来越流行。它提供了许多好处，包括能够快速轻松地扩展，提供现收现付定价，以及增加的灵活性和敏捷性。而“人工智能+云计算”作为一个庞大的高新技术合集，正在作为一种新经济业态开始萌芽，越来越多的云计算企业开始拥抱人工智能，用“人工智能+云计算”助力技术和产业的进一步发展。在云计算与大数据成熟的沃土上诞生的人工智能可谓是天选之子，随着新科技时代的到来，人们的生活正在更加紧密地与人工智能和云计算等新科技联系在一起。 Web3云能为AI发展带来什么？上文我们谈到，移动互联网时代带来的海量数据、模型和算力的不断迭代，以及各类应用场景中的商业化尝试，为人工智能的商业化奠定了坚实基础，未来有望加速释放人工智能产业动能。根据著名咨询机构德勤的预测，全球人工智能产业规模预计从2017年的6900亿美元增长至 2025年的6.4万亿美元，复合增长率达32.10%。而云计算产业也已走过了从炒作到广泛采用的道路，如今的云计算就像动力单元，正在为人工智能提供源源不断的能量源泉。然而，上述我们所介绍的云计算仅包括传统的中心化云。随着Web3基础设施在近两年迎来关键发展阶段，在此期间，Web3云正在先于应用捕捉到更高的行业价值。在这条极具潜力的赛道中，Phala Network算得上是综合性实力雄厚的代表之一。 Phala Network的核心是云计算网络，同现行的云服务相比，它不仅能提供庞大的分散算力，还能向受监管的程序提供隐私保护，以及维护区块链的安全和去信任化属性。除此之外，Phala Network还能自由地与其它去中心化智能合约、存储协议、数据索引服务结合，连接互联网上众多分布式设备的云算力，从而保证在低成本、高效运营的情况下实现真正的去中心化。那么，对比传统的中心化云，Phala Network所构建的Web3云计算网络究竟能为人工智能的发展提供什么？以下我们一一拆解：更低的成本和更广的算力通过区块链将人工智能与云计算结合使用的最吸引人的因素是其成本的显著降低。相较于传统的云计算为用户提供中心化机器和服务，Phala Network连接了来自世界各地的分散算力，闲置资源的投入和使用使得人工智能的算力成本得到了更加明显的降低。另外，Phala采用了“链上共识、链下计算”的模式。其中，链下计算节点不受共识算法的约束，通过并发编程可结合多个节点的计算能力，即便是面对人工智能繁重的计算任务，Phala也能为其提供源源不断的算力服务。去信任的人工智能生态寻找人工智能时代隐私保护、政策监管、商业诉求的平衡点，已经成为迫切需要解决的问题。 Phala Network基于Secure Enclave可信执行环境所构建，这就意味着即使是恶意的节点也无法窃取人工智能的数据或操纵其自动化程序的执行、提供虚假结果。通过Phala所提供的去信任化的计算环境，人们可以不必有中心化控制的担忧，通过底层技术框架解决人工智能应用过程中可能存在的隐私保护等多类问题，由此建立可靠、去信任的人工智能生态。易于访问的超级互联网人工智能访问互联网时，在数据处理、管理和结构化方面发挥着重要作用。人工智能工具简化了数据的吸收、修改和管理，从而有效地为互联网及用户提供更加全面、智能的实用性服务。而Phala Network的核心产品Phat Contract可以通过内置的互联网接入并访问任何Web2和Web3数据和服务。并且，Phala的跨链桥SubBridge连接了多个区块链生态，即使是不同链上的数据和资产都可以互通，让人工智能完成易于访问的互联网服务，响应更广泛的网络请求。低延迟的人工智能交互理论上，对于开发人员来说，人工智能追求的是速度，这些速度包括了对模型的训练速度，对模型应用的推理速度等方面，在深度学习应用上消除无差别的繁重任务，不断地进行快速迭代。而人工智能的交互速度取决于计算节点设备本身的性能，Phala Network利用链下执行的模型，可以实现毫秒级的请求响应，因此通过Phala技术的不断迭代和训练，可以实现低延迟的交互。总而言之，Phala所打造的去中心化云计算网络不仅具备传统智能合约的功能，重要的是“共识与计算分离”使得规模化链下计算、链外数据请求和实时响应成为现实，可以规模化承载高密度、低延迟、实时互动、链下互联等应用场景，为人工智能技术的发展提供坚实的基础设施底座。可以说，将Phala Network等Web3去中心化云的优势融合人工智能技术已经成为了必然趋势。那么，回到德勤机构之前的预测，人们对于人工智能应用的预测会是保守的吗？ AI的天花板在哪里？随着生成式人工智能AIGC领域正在升温，以ChatGPT为核心的有关人工智能的商业竞争已悄然开始，而如何挖掘出行业中的黑马，是如今值得重点关注的点。近期一系列全新发布活动，科技巨头正紧锣密鼓地为其产品或开发者推出更强大的聊天机器人服务和更多AI功能，以期在由ChatGPT掀起的全新人工智能浪潮中占据先机。例如，微软扩大了与OpenAI的合作关系，将自身的搜索引擎Bing、云服务Azure引入了ChatGPT；再或者谷歌近日投资4亿美元给AI初创企业Anthropi，其核心产品Claude被称为ChatGPT的最强竞品，之后Anthropi也将使用谷歌云服务。可以看出，在AIGC的竞争中，微软、谷歌、亚马逊等传统的大型科技公司既是云服务提供商，又是人工智能领域的竞争者。从云行业的发展角度来看，ChatGPT的持续爆火为AIGC带来全新增量，同时更是对人工智能模型训练所需要的算力支持提出了更高要求。云计算基础设施作为算力底座，其重要性在AI发展的推动下愈发凸显。据报告称，受益于AI和产业数字化转型等多样化算力需求场景的涌现，预计算力需求每年将以20%以上的速度快速增长，数据中心作为算力基础设施长期受益。虽然传统的中心化云正在日趋成熟，但Web3云同样正在蓄力。若Web3云能够得到较大发展，其产业对算力要求会带来云基础设施较大增量，帮助云服务行业快速出圈。在新兴技术、应用需求与产业进化永不停歇、奔涌向前的脚步下，云技术会进步到何种程度，人工智能的天花板又会在云计算的依托下发展到何种高度？时间会告诉我们答案。本文为论道隐私计算团队原创，未经允许严禁转载，如需转载请联系我们。来源：金色财经

金色财经2023-02-17

24小时热点