FX168财经网_全球视野外汇黄金加密货币NFT资讯网

T 每月 200 美元的专业版服务。 Google Gemini 2.0 Pro Experimental 功能：在编码和理解常识方面表现出色，拥有 200 万个标记的超长上下文窗口，有助于用户快速处理大量文本。使用方式：至少需订阅每月 19.99 美元的 Google One AI 高级版服务。 2024 年发布的 AI 模型 Deepseek R1 功能：在编码和数学方面表现出色，开源性质使其可在本地运行。使用方式：可从相关开源平台获取并在本地运行，免费使用。 Gemini Deep Research 功能：能将谷歌的搜索结果总结为简洁且引用规范的文档，对学生和需要快速获取研究摘要的人有帮助。不过，其质量远不及经过同行评审的正式论文。使用方式：需订阅每月 19.99 美元的 Google One AI 高级版服务。 Meta Llama 3.3 7B 功能：Meta 最新、最先进的开源 Llama AI 模型，在数学、常识和遵循指令方面表现出色，性价比高且效率高。使用方式：可从 Meta 的开源渠道获取，免费使用。 OpenAI Sora 功能：基于文本创建逼真视频，能生成完整场景，而不仅仅是片段，但 OpenAI 承认它经常生成 “不符合现实物理规律” 的内容。使用方式：需订阅 ChatGPT 的付费版本，最低为每月 20 美元的 Plus 版本。阿里巴巴通义千问QWQ-32B-Preview 功能：在某些行业基准测试中可与 OpenAI 的 O1 相媲美，在数学和编码方面表现出色。阿里巴巴表示它在 “常识推理方面仍有改进空间”。使用方式：可从阿里云等相关平台获取，免费且开源。 Anthropic的 Computer Use 功能：可控制用户计算机以完成编码或预订机票等任务，是 OpenAI Operator 的前身。使用方式：通过 API 调用，输入每百万标记 0.80 美元，输出每百万标记 4 美元。 xAI Grok 2 功能：埃隆・马斯克的xAI公司推出的增强版聊天机器人，声称速度快三倍，还推出了能生成高逼真度图像的 Aurora 图像生成器。此前马斯克称即将发布Grok 3。使用方式：免费用户每两小时限问 10 个问题，订阅 X 的高级版和高级 + 版计划可享受更高使用限制。 OpenAI o1 功能：通过隐藏的推理功能 “思考” 回答内容，以提供更好的答案，在编码、数学和安全性方面表现出色。OpenAI 称该模型在编码、数学和安全性方面表现出色，但也存在欺骗人类的问题。使用方式：需订阅 ChatGPT Plus，每月 20 美元。 Anthropic的Claude Sonnet 3.5 功能：以编码能力著称，被视为技术内行的聊天机器人首选，能理解图像但不能生成图像。使用方式：可在 Claude 上免费使用，重度用户需每月 20 美元的专业版订阅。 OpenAI GPT 4o - mini 功能：OpenAI 称 GPT 4o - mini 是其迄今为止性价比最高且速度最快的模型，这得益于其较小的规模。它旨在支持广泛的任务，比如为客服聊天机器人提供动力。与更复杂的任务相比，它更适合处理大量简单任务。使用方式：该模型在 ChatGPT 的免费层级即可使用。 Cohere Command R+ 功能：在企业复杂的检索增强生成（RAG）应用方面表现出色。这意味着它能够很好地查找和引用特定信息。不过，RAG 并不能完全解决人工智能的 “幻觉” 问题。使用方式：Cohere 的模型面向企业用户。

金融界02-18 08:02

国运级别的科技成果！黑神话悟空制作人冯骥深夜发声，力推DeepSeek大模型

pp Store免费榜升至第六位，超越Google Gemini、Microsoft Copilot等美国科技公司的生成式AI产品。在用户蜂拥而入后，DeepSeek出现了短时闪崩现象。不少网友反映，使用时遇到 “服务器繁忙” 的提示。对此，DeepSeek回应称，当天下午确实出现了局部服务波动，但问题在数分钟内就得到了解决。此次事件可能是由于新模型发布后，用户访问量激增，服务器一时无法满足大量用户的并发需求。不过，官方状态页并未将这一事件标记为事故。值得注意的是DeepSeek-R1 API服务定价为每百万输入tokens 1元（缓存命中）/4元（缓存未命中），每百万输出tokens16元，输出API价格只有OpenAI o1的3%。低价背后，显然仍是秀肌肉，价格实力展现了技术实力——从AIInfra 层面降本的技术能力。以下为冯骥具体观点：游戏科学创始人、黑神话悟空制作人冯骥：年前还是认真推下DeepSeek吧。 V3已经用了一个月，但R1仅仅用了5天，不得不来发这条微博。先讲一句暴论：DeepSeek，可能是个国运级别的科技成果。为了讲清楚这个成果有多惊人，我打个比方：如果有一个AI大模型做到了以下的任何一条，都是超级了不起的突破—— 1、强大。比肩O1的推理能力，暂时没有之一 2、便宜。参数少，训练开销与使用费用小了一个数量级 3、开源。任何人均可自行下载与部署，提供论文详细说明训练步骤与窍门，甚至提供了可以运行在手机上的mini模型。 4、免费。官方目前提供的服务完全免费，任何人随时随地可用 5、联网。暂时唯一支持联网搜索的推理模型（o1还不支持） 6、本土。深度求索是一家很小规模的年轻中国公司，由没有海外经历甚至没有资深从业经验的本土团队开发完成上面的六条，DeepSeek全部、同时做到了。实在太6了，6到不真实。如果这都不值得欢呼，还有什么值得欢呼？那么，现在看到这条微博的你应该去做什么呢？ 1、请直接访问：网页链接马上用起来，也有移动APP 2、使劲用，疯狂用，尝试用它基本取代传统搜索。请想象你已经认识每个领域的顶尖专家，而且他们都是你随时在线的好朋友，把所有可能需要“请教别人”的问题，都拿去先问它——无论是构建一个复杂函数，搞清楚附近哪个游泳池最好，检查合同里的法律陷阱，让新写的歌词再押韵点，或者帮父母确认某个保健品是否真的有效 3、去看看别人是怎么用的，去试试其他大模型，了解AI擅长什么，不擅长什么，如何调教，然后继续解锁与迭代属于自己的用法与更多工具希望DeepSeek R1会让你对当前最先进的AI祛魅，让AI逐渐变成你生活中的水和电。太幸运了！太开心了！这样震撼的突破，来自一个纯粹的中国公司。知识与信息平权，至此又往前迈出了坚实的一步。

金融界01-27 08:00

【A股头条】周末A股重磅利好，证监会发声，积极发展股票ETF！利空英伟达？国产DeepSeek大模型震动全球AI圈

金融界01-27 07:40

利空英伟达？国产DeepSeek大模型震动全球AI圈，周末疯狂刷屏，量化私募巨头成功跨界AI！网名调侃：中国股民做出贡献

ore应用商店美区免费榜排行第六，超越Google Gemini、Microsoft Copilot等美国生成式AI产品。今日有网友反映，DeepSeek崩了，提示服务器繁忙。一位Meta的工程师在美国科技公司员工社区Blind中这样写道，“Meta的生成式AI部门正处于恐慌中。这一切始于DeepSeek，它使得 Llama 4 在基准测试中已经落后。雪上加霜的是：那个不知名的中国公司，仅有550万美元的训练预算。工程师们正在疯狂地剖析DeepSeek，并试图从中复制一切可能的东西。” ”英伟达高级研究科学家Jim Fan表示，DeepSeek-R1可能是第一个展示了RL（强化学习）飞轮可发挥作用且能带来持续增长的OSS（开源软件）项目。加利福尼亚大学伯克利分校教授Alex Dimakis则称，DeepSeek似乎是奔赴OpenAI最初使命的“最佳人选”，其他公司需要迎头赶上。硅谷风投A16Z创始人Marc Andreessen也发表评论称，DeepSeek-R1是他见过的最令人惊叹且令人印象深刻的一个突破，作为开源的模型，它的面世给世界带来了一份礼物。不过，“深度学习”三巨头之一、图灵奖得主、Meta AI首席科学家杨立昆表示，DeepSeek-R1面世与其说意味着中国公司在AI领域正在超越美国公司，不如说意味着开源大模型正在超越闭源。训练成本大降，利空英伟达？此外，值得注意的是DeepSeek-R1 API服务定价为每百万输入tokens 1元（缓存命中）/4元（缓存未命中），每百万输出tokens16元，输出API价格只有OpenAI o1的3%。低价背后，显然仍是秀肌肉，价格实力展现了技术实力——从AIInfra 层面降本的技术能力。而训练成本一直是DeepSeek的一大优势。在其12月底发布的DeepSeek-V3中，参数量为671B，激活参数为37B，使用的预训练token量为14.8万亿。其多项评测成绩超越了阿里的Qwen2.5-72B和MetadeLlama-3.1-405B等其他开源模型，并在性能上和世界顶尖的闭源模型GPT-4o以及Claude-3.5-Sonnet不分伯仲。前OpenAI联创、知名AI科学家AndrejKarpathy在其个人社交平台上表示，DeepSeek-V3整个训练过程仅用了不到280万GPU小时，相比之下，Meta旗下顶尖的开源模型Llama-3405B的训练时长是3080万GPU小时。如果DeepSeekV3的优良表现能够得到广泛验证，那么这将是资源有限情况下对研究和工程的一次出色展示。若从成本上进行更直观的对比，假设H800的租金为每GPU小时2美元，DeepSeek-V3的总训练成本仅为600万美元不到，是Llama-3405B超6000万美元训练成本的十分之一不到。对于深度求索强大的降本能力，“AI界的拼多多”呼声四起。英伟达的竞争对手、知名半导体公司超微半导体（AMD）昨日发布消息称，已将DeepSeek-V3模型集成到AMD的芯片产品Instinct MI300X GPU上，该模型旨在与SGLang一起实现最佳性能。DeepSeek-V3针对Al推理进行了优化。业内人士分析称，AMD作为全球领先的芯片厂商，通过与DeepSeek合作将为AI推理带来新的想象空间，也有望动摇“英伟达+OpenAI”联合主导的行业格局，改变既有的游戏规则。 DeepSeek不仅将模型训练成本大幅降低，而且发布的新模型R1也同步开源模型权重，公开了完整训练细节，挑战了闭源系统的优势。随着DeepSeek将AI大模型技术及使用门槛降低，有市场人士担忧，DeepSeekR1的崛起可能会削弱市场对英伟达AI芯片需求的预期，对英伟达的市场地位和战略布局产生影响。有观点认为，DeepSeek-V3极低的训练成本预示着AI大模型对算力投入的需求将大幅下降，这无疑将利空全球AI算力的核心供应商英伟达。网名调侃：中国股民做出贡献 DeepSeek是国内量化巨头幻方量化的子公司。依靠DeepSeek的出色表现，量化巨头幻方量化创始人梁文锋也迅速奠定了在AI圈地位。梁文锋本硕均就读于浙江大学信息与电子工程学专业。2015年，梁文锋与校友共同创立幻方量化。2021年，幻方量化成为国内首家突破千亿规模的的量化私募大厂，被称为国内量化私募“四大天王”之一。早年，幻方量化开始大规模布局 AI 算力，搭建起“萤火一号”集群。2021年，“萤火二号”落成，这给了DeepSeek快速奔跑的底层支撑。对此，有人调侃，中国股民给世界AI最大的的贡献就是让幻方量化赚了那么多钱。然后幻方量化创始人有钱买最好的GPU，收纳一批中国最牛的精英，做出了不错的Deepseek。

金融界01-26 17:13

微软投入数百亿美元推动人工智能发展，因AI服务采用速度低于预期，股价较高点回落10%，市场期待2025年收入与增长双驱动

个月中仅有13%的用户尝试，相比之下，Google Gemini和ChatGPT的使用率分别达到了25%。同时，微软还宣布将Office套件的价格提高30%，以捆绑其人工智能工具并试图提高采纳率。 AI服务采用速度对微软股价的影响微软的股价自2024年7月创下历史新高后已经下跌约10%，在“七巨头”中表现最差。这反映出投资者对其AI相关高额支出的担忧，以及服务 adoption速度低于预期的市场反应。虽然Azure云计算业务预计将在未来数年实现两位数增长，但最近两个季度的疲软表现（包括增长预期下调和放缓）使得投资者对短期回报的信心受挫。市场对微软AI未来的看法尽管面临短期挑战，但华尔街对微软的长期潜力仍持乐观态度。超过90%的分析师建议买入微软股票，其12个月目标价格显示约20%的上升空间。摩根士丹利的分析师认为，微软的品牌调整表明市场正在重新定位其AI产品策略，并对后续增长充满期待。美银表示，微软是AI周期中“最佳定位”的公司之一。 UBS全球财富管理的首席投资官Solita Marcelli表示，2025年人工智能收入有望显著提升，并成为推动股票表现的关键动力。相关科技行业动态苹果公司股价在1月11日大跌4%，创下2025年以来的单日最大跌幅，主要由于中国市场疲软和iPhone销售疲态。 TikTok可能因假期和新政府的干预而暂时避免禁令，这为其中国母公司争取更多时间进行业务调整。 SpaceX的Starship火箭在第七次测试中意外爆炸，可能延缓公司的技术进步。编辑观点与名词解释微软在人工智能上的巨额投资显示了其在未来科技方向上的决心，尽管短期回报可能并不显著，但长期增长潜力依旧显而易见。在不断优化产品和服务的过程中，微软的AI战略需要平衡市场预期与技术创新之间的关系。名词解释人工智能（AI）：利用机器学习和算法模拟人类智能的技术。 Azure：微软提供的云计算服务平台，支持AI和其他业务应用程序。七巨头（Magnificent Seven）：指科技行业的七家顶尖公司，包括微软、苹果、谷歌等。 2025年相关大事件 2025年1月15日：微软宣布Copilot功能重命名，并试图加速其企业版的市场采用。 2025年1月12日：美银将微软评为2025年AI领域的最佳投资选择。 2025年1月11日：苹果公司股价因iPhone销售疲软和中国市场下滑下跌4%。来源：今日美股网

今日美股网01-18 00:10

Google推出Gemini系列AI模型：增强生成能力与多模态处理带来突破性进展

Google Gemini内容导读什么是Gemini Gemini应用与Gemini模型的区别 Gemini高级功能 Gemini在Google服务中的应用 Gemini模型的能力 Gemini的定价什么是Gemini Gemini是Google推出的下一代生成式人工智能（AI）模型系列，由Google的AI研究实验室DeepMind和Google Research共同开发。Gemini系列包括四种不同版本的模型： Gemini Ultra Gemini Pro Gemini Flash：这是一个加速版的Pro模型，具备更高的速度。 Gemini Nano：包括Nano-1和更强大的Nano-2，主要用于离线运行。这些模型都具备多模态能力，能够处理并分析文字以外的多种数据类型，如音频、图像、视频等。 Gemini应用与Gemini模型的区别 Gemini模型与Gemini应用是两个不同的概念。Gemini应用是通过图形化界面与Gemini模型交互的客户端应用，类似于ChatGPT和Claude的前端界面。 Gemini应用包括Google的Web和移动端客户端，Android系统中的Gemini应用取代了Google Assistant，而在iOS中，则通过Google和Google Search应用来访问Gemini。 Gemini高级功能 Gemini的高级功能包括Gemini Advanced，这是一项面向Google One AI Premium Plan用户的高级服务，提供更多的功能和更强大的处理能力。使用Gemini Advanced，用户可以享受更长的对话历史记录、优先访问新功能的特权，并且能够直接在Gemini内运行和编辑Python代码。此外，Gemini Advanced用户还可以使用Deep Research功能来生成复杂的研究简报，并且享有能够记住旧对话的记忆功能。 Gemini在Google服务中的应用 Gemini不仅限于独立应用，还被集成到Google的多个服务中，包括Gmail、Docs、Slides、Sheets等。用户可以在这些服务中使用Gemini生成内容、总结信息和帮助数据分析。在Google地图中，Gemini可以帮助用户总结咖啡店的评价或提供旅游建议。 Gemini模型的能力 Gemini模型具备强大的多模态能力，能够执行多种任务，包括语音转文字、图像和视频的标注等。具体来说，Gemini Ultra可以帮助用户进行物理作业、解决问题，并从科学文献中提取信息。 Gemini Pro在推理、规划和理解方面比LaMDA更强，并且支持处理更大规模的数据。 Gemini的定价 Gemini的定价基于使用量收费。具体价格如下： Gemini 1.0 Pro：输入令牌每百万次50美分，输出令牌每百万次1.50美元。 Gemini 1.5 Pro：根据输入和输出令牌的长度，价格为每百万次输入令牌1.25美元到2.50美元，输出令牌每百万次5美元到10美元。 Gemini 1.5 Flash：输入令牌每百万次7.5美分到15美分，输出令牌每百万次30美分到60美分。编辑观点根据TodayUSstock.com报道，Gemini作为Google的下一代生成式人工智能模型，在功能的多样性和技术的先进性上展示了其巨大的潜力。随着它在Google服务中的逐步渗透，预计Gemini将为用户提供更加个性化、智能化的体验。然而，目前生成式AI的偏见和虚假信息问题仍然存在，需要用户在使用过程中保持警觉。在未来的开发中，Google能否解决这些问题，并进一步提升Gemini的实际应用效果，将是其成败的关键。名词解释 Gemini: Google开发的一系列多模态生成式AI模型。多模态: 能够处理和分析多种不同类型的数据（如文本、图像、音频等）的能力。 Google One AI Premium Plan: Google的付费AI服务，提供对Gemini高级功能的访问。 DeepMind: Google旗下的人工智能研究实验室。今年相关大事件 2024年12月: Google推出了Gemini 2.0 Flash，这是其旗舰AI模型，具备更高速度和多模态处理能力。 2024年8月: Gemini重新引入了生成图片的功能，允许特定用户生成更加准确的历史人物图像。 2024年6月: Google推出了面向青少年的Gemini体验，提供专门的AI使用指南和安全功能。来源：今日美股网

今日美股网2024-12-14

解密去中心化AI云平台OORT .如何打造公平透明的开发环境？

23年以来，AI技术如ChatGPT、Google Gemini和OpenAI Sora对我们产生了显著影响。然而，人们对它们如何收集和使用数据以及其中可能存在的偏见却知之甚少。想象一下，如果一个AI应用主要从某一特定群体收集的数据中学习，这可能会使AI在做决策时无意中偏袒、产生偏见或使某些群体处于不利地位。为了避免这种情况，必须使用来自不同群体的多样化数据。这样，AI才能做到公平和包容。随着这些技术逐渐成为我们生活中的重要组成部分，信任显得尤为重要。就像人类在一起相处并逐渐了解彼此的能力和优点，信任也会随之建立。要更好地信任AI，我们应当研究其运作方式，确保其使用无偏见的数据，并在设计过程中纳入各种观点。这种方法强调透明性和多样化输入，对于打造人人都能信赖和受益的AI至关重要。在不断引领这些技术进步的同时，OORT的愿景非常清晰简明：构建一个以信任为核心的生态系统，确保人类与AI能够共同繁荣。 OORT的使命：去中心化AI的云平台 OORT是一个成立于2021年五月的去中心化AI的云平台。我们的网络利用了从数据中心到边缘设备的全球资源，并集成了基于区块链的OORT专有验证层。OORT提供的一系列服务包括数据收集和标注、数据存储和模型训练。我们旨在通过去中心化网络帮助AI开发者，为其搭建更公平高效的AI应用奠定基础。具体来说，OORT提出了一种开放和透明的开发AI应用的新方式，其涵盖数据收集和标注、模型训练和微调等关键阶段。通过在这些阶段中引入社区参与，我们旨在使AI更易于理解，并从一开始就促进协作。我们的目标是打造民主化和大众化AI开发流程，使其更加包容，并通过每个人的积极参与建立对AI产品的信任。图1. 中心化AI ｜所有阶段都由完全由科技巨头控制，对于公众来说，这些阶段是完全不公开透明的。中心化AI（CeAI）如何运作首先，让我们探讨中心化AI的运作方式。像OpenAI和Google这样的公司使用他们自己的数据中心，以中心化的方式开发并运行其AI系统，整个流程不对外公开。用户不知道AI开发的各个阶段如何进行，也不知道数据是如何用于模型训练的。图2. 去中心化AI | 每个阶段都由社区贡献，全部流程公开透明去中心化AI（DeAI）如何运作相比之下，OORT利用区块链技术重新定义了AI开发的每个阶段，如图2所示。数据收集世界各地的任何人都可以使用个人电脑或智能手机分享数据，并获得奖励。数据预处理用户可以使用智能手机和电脑来帮助预处理数据，例如为AI项目进行数据标注。处理完成后，数据会被更新到OORT去中心化云平台，处理后的数据集的“哈希值”将被存储在区块链上。数据模型设计社区成员共同创建AI模型，任何人都可以使用并在此基础上进行创新，从而使创新变得更加容易和大众化。模型训练和微调 AI工程师能够以比AWS或Google Cloud等服务更低的成本，连接到未被充分利用的全球计算网络。更重要的是，训练过程中的时间戳和使用的数据集都会记录在我们的区块链上，从而增强了透明度和责任感。模型部署与依赖于AWS等大型服务器来部署AI模型不同，AI应用和软件开发者现在可以直接在他们的设备（如智能手机和电脑）上部署模型。这使其能够离线使用AI应用程序，确保个人数据安全且不会传输给第三方。通过利用家用设备，用户可以随时随地享受AI工具的灵活性和便利性。 OORT的产品 OORT旨在帮助开发者以透明、去中心化和值得信赖的方式构建AI。与其他封闭式开发的AI系统不同，OORT的产品鼓励社区的参与。这意味着，用户不再只是旁观者，而是可以积极参与到推动AI技术进步的过程中。我们旨在实现人工智能的民主化和多样化。截止到2024年6月，OORT已经服务全球超1万企业及个人客户，其中包括Dell，联想打印，Binance Smart Chain等。 OORT Datahub 为AI项目提供数据集，数据由来自全球的OORT社区提供并进行预处理。产品中集成的区块链技术确保每一步操作都有明确和永久的记录。 OORT Storage 集成希捷、腾讯云等全球存储服务器，提供堪比亚马逊AWS S3性能的去中心化对象存储解决方案，节省成本高达60%。 OORT Compute 整合并利用来自全球的GPU，为AI模型训练和推理提供更好的成本效益。预计2024年推出。 OORT的去中心化物理基础设施 (DePin) OORT的去中心化基础设施是其产品的底层基础。OORT的DePin网络主要由两个主要部分组成：提供存储和计算能力的分布在世界各地的物理设备节点，以及链接这些设备并通过协议来确保这些节点安全可靠运行的OORT主网 (Olympus协议)。 OORT的三类物理节点 OORT的DePin网络由三种类型的物理节点组成：超级节点：来自OORT合作伙伴的Seagate和腾讯云等公司的服务器。它们负责训练AI模型和存储大量数据等任务。归档节点：来自Filecoin和Arweave网络的节点，负责冷数据存储。它们主要用于备份AI数据集。边缘节点：用户拥有的个人设备，如专为OORT定制的“Deimos”边缘设备、笔记本电脑和PC。它们负责本地数据存储、数据预处理以及运行AI模型以快速做出决策。 Olympus协议（主网） Olympus协议是OORT开发的一种区块链公链协议，任何有兴趣的组织或个人都可以使用。该协议的技术细节和性能描述可以在黄皮书中找到。Olympus 使用一种叫做“诚实证明”（PoH）的受美国专利保护的共识算法，将OORT DePin网络中的来自全球的节点连接起来。这种算法确保所有节点诚实透明地完成其被分配的任务，并以分布式方式动态优化和使用网络资源。代币经济学 OORT有其协议网络原生的功能性代币。该代币用于用户产品支付、质押以获得奖励，并让社区成员能够参与项目决策。支付OORT产品：用户可以通过信用卡使用法定货币支付来使用OORT产品。然而，使用OORT代币支付购买将享有额外折扣。质押：目前用户有两种方式可以质押OORT代币可以将代币放入质押池中来获得质押奖励，其包括DeFi、OORT Earn和DEX流动性质押池等。可以通过绑定池（例如，OORT Boost）http://oortboost.xyz/将代币委托给节点提供者，节点提供者将其用于网络节点的抵押。您将从节点提供者那里获得一部分挖矿奖励。治理：OORT鼓励社区成员提出建议并做出对项目有益的决策，如产品费用设定或社区规则制定等。具体而言，如果用户想提出某项建议，需要存入特定数量的代币，提案通过后将返还这些代币；否则，该代币将分配给支持OORT网络的节点提供者。 OORT在去中心化AI领域的竞争优势在去中心化AI领域，各个赛道竞争激烈，如AI数据管理、AI模型训练和AI算法开发。是什么使OORT能够脱颖而出？ OORT为AI项目开发提供了一站式的民主化平台，任何AI开发者都可以在这里找到AI应用开发全周期所需的一切资源，并且专注于AI开发流程的低成本和透明度。 OORT的三个产品无缝协作，以实现最佳的AI开发成果和企业级性能体验。投资人与团队截至2024年1月，OORT获得总投资1000万美金，机构投资者有Taisu Ventures（即Emurgo - Cardano Venture Arm）、Red Beard Ventures（A16Z和Animoca Brands资助的基金）、Angelist、Trinity Venture Capital、Linkvc和Waterdrip Capital，以及来自JP Morgan、哥伦比亚大学、康奈尔大学，Ausum Ventures和ISKER Group等机构的个人投资者。OORT还获得了微软和谷歌的资助。 OORT总部位于美国，其核心成员来自世界知名的机构，如哥伦比亚大学、Qualcomm、AT&T、JP Morgan等。 40+渠道·生态·客户：BNB Chain-BNB Greenfield (币安)、DEII(戴尔)、Lenovo Image(联想图像)、Tencent(腾讯)、Alibaba Cloud（阿里）、Seagate(希捷)、Akamai（阿卡迈)、 Neo、IoTeX、Mind Network、Storj、Space and Time、Poolz Finance、OORT SWAP、iPolloverse、Grown、Crust、Sinso、PoP Planet、Parallell、Revolution NFT、Coresky NFT、Mises、Appsco、NumenCyber、SPEARHEAD、Layerr、Uverse、Y0 NFT、ThreeFold、IOV Labs、blue world、Crypto Legacy、Supermoon Camp、Walken、Clocr、Midas、 iCrypto World、Verida、404DAO、Midasreless、Supermoon Camp、1024bank、etc 、FilSwan、AFRICA2.0（非洲2.0）、Ivy League（常春藤盟校）、Together Labs、Finstreet等已登录交易所：Gate、Bitget、MEXC、KuCoin、BingX、Bitmart、Pionex、HiBT、SuperEx、Hotcoin、CoinEx、Pancake Swap、LiquidCrypto-Swap（DEX ）、oortswap（DEX）等！来源：金色财经

金色财经2024-07-27

老外都在用盘点全球最高效的十大办公AI工具

gence-work-chatgpt-google-gemini-1851581083 中文内容由元宇宙之心（MetaverseHub）团队编译，如需转载请联系我们。来源：金色财经

金色财经2024-07-22

探索 AI x Crypto：如何实现自下而上的协调？

治）偏好，这可能会影响模型的输出（参见Google Gemini的推出）。相关地，我们看到OpenAI从一个致力于为人类利益开发开源AI的非营利组织，转变为引入外部资本后的封闭和企业化营利结构。这再次创造了一种情况，即存在着优先考虑股东而非用户的激励机制。 AI可能朝向这种提取式模型的风险足以让人质疑是否需要一种不同的协调方法——例如像加密货币所提供的自下而上的方法——即使这种方法可能无法解决所有问题，但或许能够提供更好的解决方案。 3、加密货币实现了自下而上的协调比特币引入了抗审查的货币概念，这种货币不受中心化实体控制，而是由密码学、软件代码和经济激励所保障，全部建立在一个去中心化网络上。区块链技术构建在开源的理念之上，提供了一种新的自下而上的协调模式。协调的角色从中心化的当事方转变为这些分布式网络的机制和激励设计，所有这些都由开源软件代码驱动，并由点对点系统中的个体和群体共同治理，无需中心化信任。加密货币结合了三大学术领域的创新：密码学、网络与分布式系统以及博弈论。密码学是数学的一个分支，通过加密和解密信息实现跨网络的信息安全。网络与分布式系统是计算机科学的一个分支，通常被认为是支持点对点基础设施的架构。博弈论——作为机制设计领域的重要组成部分——来自经济学，创造了协调不同当事方实现目标的激励结构，例如系统的连续性和维护。这些领域的联合创新使得加密货币具备了许多核心原理，从而实现了自下而上的协调：不可变账本：区块链的最重要特征之一是其不可变性。它们是不可更改的真实来源，几乎不可能被删除或篡改。在人工智能驱动的创作时代，区块链提供了唯一的无信任数字产权、所有权和归属证明方法。个体层面的所有权：加密货币使用户能够在互联网上拥有资产，无需信任的平台作为中介来验证所有权，从而在点对点的方式下实现无信任的合约协议。这些资产以Token的形式存在，可编程并且可以代表任意数据或对象。通过基于加密货币的资产所有权，用户不仅完全控制着代表财务产品的Token，还控制着代表其身份、数据和偏好的Token。去中心化：区块链网络是建立在点对点分布式节点网络之上的。在这种背景下，去中心化意味着没有单一实体或司法管辖区能够在不遵循协议的情况下改变、损坏或控制网络。在去中心化系统中，政策由参与者和网络用户共同制定和决定，这些参与者包括用户、验证者、投资者以及更广泛的社区成员，通过开源代码中定义的明确定义的共识机制。加密货币创造了一个独特的设计空间，允许个体或群体通过代码进行基层方式的协调和强制执行。加密货币并不提倡一种协调形式，而是在哲学上允许用户根据其偏好选择加入或退出。如果用户或一组用户对网络/协议的任何部分表示不同意，他们可以加入另一个网络，并带走他们的资产和数据，在某些情况下甚至可以完全启动一个新网络。这些基本原理使得无信任、透明和去中心化的生态系统得以形成。AI面临着前面提到的自上而下模式中所描述的中心化风险。我们心中的重要问题是，AI能否从由加密货币实现的自下而上的协调模式中受益？ 4、人工智能中的自上而下与自下而上协调方式为了了解加密的自下而上协调模型如何有助于人工智能，让我们来审视人工智能价值链——创造和部署的不同阶段，并比较每个阶段的自上而下和自下而上的协调方式。 1）数据：人工智能的基础互联网上的一切都以某种形式存在数据中。任何形式的内容、知识产权、软件代码、图像、内容、音乐，以及您快速划过或点击的方式等都是数据的一种形式，数据是训练AI模型的核心要素之一。如今用于训练基础模型的最流行数据集包括Common Crawl，这是一个拥有1万亿个令牌（1个令牌大约代表1个单词）的数据集，以及ImageNet，一个包含1400万个带标注图像的数据集。数据协调中的关键问题是数据的获取，其核心包括数据所有权。在自上而下的协调模型中，人工智能公司通常假定它们可以使用在网上抓取的数据，并宣称这是合理使用，而不需要补偿那些创建数据的用户。然而，创建者、用户和数据所有者对人工智能公司在没有明确许可的情况下训练其数据的合法性和道德性提出了反对意见。有许多诉讼案件（如《纽约时报》诉OpenAI、报纸诉OpenAI、音乐行业诉AI初创公司等），声称人工智能公司不能简单地使用抓取的数据。甚至像X这样的集中平台也关闭了它们的API，并使用速率限制来防止机器人抓取它们的网站。在由加密经济机制促成的自下而上协调模型中，用户可以在区块链上注册并将其数据、内容和知识产权进行Token化。一旦上链，用户可以设定其他人合法使用其数据的权限，包括决定是否希望因提供数据而获得补偿。这创建了一个系统，使用户在（人工智能）公司使用这些数据时能够获益，同时也允许（人工智能）公司在不像今天那样操作于灰色地带的情况下合法使用这些数据。 2）训练：构建AI模型训练指的是教导机器学习模型识别其训练数据中的模式和关系的过程。这一步骤的目标是使模型开发出描述其训练数据中不同数据点之间关系的参数或权重。训练下一代AI模型需要大量的计算资源和时间。具有更多参数的模型需要更多的数据和计算能力来训练（例如更大的GPU集群）。例如，训练GPT-4花费了OpenAI约1亿美元，而训练Gemini Ultra花费了Google约2亿美元。在训练阶段的一个关键协调问题是如何资助AI模型的开发，考虑到其高昂的成本。在自上而下的协调模型中，AI的资金主要来自大型科技公司、私人基金和机构投资者。没有大规模众筹的概念可以支持下一代AI模型的开发。这种资金模型优化了少数参与者的利益，很可能以用户为代价。AI公司必须优先考虑股东的利益积累，尽管用户和其他利益相关者（例如第三方开发者）对AI模型最终成功的贡献可能会远远超过他们所获得的回报。在由加密技术驱动的自下而上协调模型中，任何拥有有用资源的人都可以为AI模型的开发做出贡献，并从这些AI模型所创造的价值中获利。用户可以通过使用加密Token帮助资助AI模型的创建，并拥有该模型的一部分。除了提供资金外，基于加密的系统还可以用来激励用户贡献其他资源，例如他们的数据和/或多余的计算能力，这正是中心化公司筹集资金的重要途径之一。一些敏锐的怀疑者可能会指出，在AI领域已经存在一个健康的开源运动，它已经在没有加密技术的情况下有效地进行协调。但是，如果缺乏贡献的激励，开源项目将缺乏必要的协调系统，无法实现其长期承诺成为对中心化封闭解决方案的真正替代。换句话说，如今的开源AI缺乏一个能够允许其在全球范围内协调参与者和合作者，并让他们捕捉到他们所创造的价值的激励层。 3）推断：将AI投入实际运用一旦模型训练完成，用户可以输入提示并要求模型基于提示返回一些输出。模型将根据训练阶段开发的参数来执行此操作。模型生成输出的这一过程称为推断。在自上而下的协调模型中，私有模型是不透明的系统，不提供用户或社区对模型参数的洞察，它们就像黑匣子一样运作。在过去几年中，我们看到模型中出现了偏见，特别是基于创建模型的组织的基本偏好。例如，当Google推出Gemini时，该模型未能准确地描绘出历史人物的种族和性别特征。许多其他中心化模型也限制了用户基于其管理团队设置的政策提出某些类型的问题。此外，验证推断是否由正确的模型执行仅仅是信任平台的问题。这种基于信任的系统为潜在操纵敞开了大门，尤其是当AI公司面临将其投资变现的压力时。在由加密技术驱动的自下而上协调模型中，验证推断是否正确是通过链上验证和可证明的基于密码学的技术实现的，从而实现了无需信任的操作。这种方法可以减少模型输出中的偏见，并增加透明度。 5、协调问题超越AI价值链：所有权、归因和合法性随着人工智能在我们日常生活中的更深度整合和规模化应用，引发了超越数据、训练和推断技术方面的深层协调问题。这些问题围绕着两个主要主题展开：所有权与归属，以及合法性与稀缺性。关于所有权与归属：谁拥有由AI模型创建的图像？当图像被重新制作（裁剪、编辑、转换为视频等）并生成衍生作品时会发生什么？如果这些模型的输出用于商业目的，谁应该得到补偿，以及补偿的内容是什么？训练AI模型所使用的数据的创建者/所有者是否应该为模型生成的任何输出获得补偿？如果一个AI代理代表您行事，并使用了基于偏见数据训练的AI模型创建您要用于盈利的内容，如果这个代理出现错误或造成损害，责任应由谁承担？在合法性和稀缺性问题上：随着AI实现了无限丰富和AI生成内容在互联网上泛滥，我们如何区分“真实”和“虚假”的内容？如果人们对AI伴侣产生情感依赖，谁拥有这些伴侣？谁控制它们？创造者/所有者是否可以从影响个人的决策或行为中受益？随着AI伴侣变得更加个性化，与它们的互动是否应作为平台自由使用的训练数据？这些问题突显了将传统的所有权、归因和稀缺性概念应用于AI生成内容和互动的复杂性。由加密货币启用的自下而上协调模型可能为解决这些问题提供新的框架，潜在地允许更加细致和公平的所有权和补偿系统。 6、Coda：中世纪的机构，似神的科技拥有如此强大的技术如人工智能，我们本应该生活在数字复兴时代。然而，我们目睹的是对最智能人工智能的军备竞赛，其中数据最大的利益相关者和贡献者——用户，往往未被优先考虑。加密货币为自下而上协调提供了一个新的设计空间，对人工智能尤为重要，因为人工智能可能导致权力极度集中化的风险。与以往的技术不同，人工智能集中化带来的风险可能导致负和结果，这使得对替代协调模型的需求更加紧迫（和有趣）。 E.O. 威尔逊曾说：“人类真正的问题在于：我们拥有旧石器时代的情感，中世纪的机构和似神的科技。” 我们现在手持着似神的人工智能技术，然而我们的协调和治理方法仍然根植于过时的、类似中世纪机构的自上而下模型。这种不匹配可能最终成为社会最重要的协调失败。来源：金色财经

金色财经2024-07-08

24小时热点