FX168财经网_全球视野外汇黄金加密货币NFT资讯网

资本集体做空？加密银行Silvergate面临崩溃危机

Silvergate 有合作。据 Intelligencer 报道，自从 Silvergate 首次允许加密企业将美元存入其由联邦存款保险公司承保的银行以来，已有 1 万亿美元在其网络上易手。Silvergate 的存款在 2021 年底达到 140 亿美元的峰值，其中约 90% 来自其加密货币客户。 FTX 崩盘之后 FTX 的崩盘成了 Silvergate 发展进程中的重要分水岭。此刻，它正面临着股价大跌、亏损、裁员、官司缠身、监管调查等诸多无比头疼的问题。 2022 年 11 月， FTX 引发的连锁效应摧毁了 Silvergate Bank 的两个最大的客户：Silvergate 总资产的大约 10% 属于 FTX，Silvergate 有超过 10 亿美元被套在 FTX 里；FTX 崩盘的另一个受害者加密借贷平台 BlockFi 也是 Silvergate 的客户。根据破产申请，FTX 及其“相关实体”在 Silvergate 持有大约 20 个不同的账户。 Silvergate 的股票价格原本就在熊市中暴跌，FTX 事件后更是雪上加霜，其股价再度下跌 69% 。“木头姐” Cathie Wood 旗下基金 ARK Fintech Innovation ETF 几乎抛售全部 Silvergate Capital Corp. 股份。 FTX 崩溃后，Silvergate 已处理了 81 亿美元挤兑提款。为了满足大量提款，Silvergate 被迫紧急出售大约 52 亿美元的债务证券，并从美国联邦住房贷款银行 (FHLB) 获得了 43 亿美元的贷款。据 2022 年第四季度财报显示，去年年底，其管理的客户存款暴跌至 38 亿美元，远低于第三季度的 119 亿美元，并且产生了 10 亿美元的损失。之后便是一系列降低成本的举措。1 月初，Silvergate 宣布裁员约 200 人，占员工总数的 40% 。 1 月 27 日，Silvergate 暂停了其优先股的股息支付，以寻求保全资本。但与亏损相比，监管部门对 Silvergate 的全面调查或许更为“致命”。由于 SBF 秘密将大约 100 亿美元的客户资金转移到 Alameda Research，作为中间银行的 Silvergate 被质疑“扮演了不为人知的角色”，协助 FTX 欺诈和犯罪。美国监管机构持续对 Silvergate 施压，要求提供其与 FTX 和 SBF 关系的信息。而其针对调查的回应也一直“含糊其辞且不完整”。除了 FTX 之外，Silvergate 还是十几家最终被调查、关闭、罚款或破产的加密公司的首选银行。其中包括 Binance US、Huobi 等。法庭文件显示，Silvergate 还与最近破产的加密货币公司 Voyager、Celsius 和 BlockFi 均有业务往来。根据 SEC 的诉讼，Silvergate 还为已被定罪的澳大利亚加密庞氏骗局艺术家 Stefan He Qin 设立了十几个账户；此外，Silvergate 曾经的股东和客户，加密交易所 Bittrex，因向伊朗和叙利亚等地转移资金而受到美国当局的制裁。此外，Silvergate 还面临多家律所的集体诉讼，理由是缺乏足够的控制和程序来检测洗钱事件、未能披露有关公司业务运营和前景的重大不利事实等。也有批评者认为，Silvergate 开发的 SEN 系统可以很方便地使得资金在不同客户之间转移，非常适合洗钱的犯罪分子。而监管和诉讼带来的压力也影响了 Silvergate 其他业务的推进，例如其策划已久的稳定币计划。上个月，Silvergate 透露已减计了去年初从 Diem Group 收购的知识产权和技术的价值，减记价值约 1.96 亿美元。与收购这些资产时支付的 2 亿美元相比，这一修正后的数字相当于亏损了 98% 。需要强调的是，FTX 的崩溃带来的金融监管压力并不仅指向 Silvergate 一家。据华尔街日报报道，美国银行正在远离加密货币公司。美国 SEC 眼下正在积极打击加密行业中较大的参与者，现在银行家们正在重新评估在加密领域的所有风险敞口，甚至完全切断联系。1 月底，美联储拒绝了加密银行 Custodia 加入系统成员的申请。 “大而不能倒”？ Silvergate 最初并非是鲁莽地进入这个行业。据其 CEO 在接受采访时的表述，早在 2013 年 Silvergate 决定进入这个行业时，就认真考虑过监管风险，也充分了解了 KYC 和反洗钱的政策，当时团队不得不雇佣两倍于同规模银行的合规人员，并且设置了“新的加密交易所需要六个月才能开设银行账户”等规则。即便如此，监管的不确定性持续在为加密公司埋地雷。再加上官司缠身的 Silvergate 在短期内丧失了银行赖以生存的“信用”，因此很难在重创之下抬头。Silvergate 的加密客户开始纷纷寻找替代方案，流向 Signature Bank 等竞争对手。但 Silvergate 似乎又处于“大而不能倒”的处境。前面提到，Silvergate 在危急时刻得到了政府资助实体的帮助。去年年底从旧金山联邦住房贷款银行 (FHLB) 获得了 43 亿美元。据悉，Silvergate 总共持有的约 46 亿美元现金大部分来自 FHLB 的预付款。这些都是旧金山纳税人的钱。此外，Circle、Coinbase、Kraken 等加密行业主要机构仍然在与 Silvergate 合作，加密市场开始复苏后也将持续为 Silvergate 带来利润。作为从银行系统到加密业务的最大门户之一，如果 Silvergate 崩溃，必定会对整个加密市场再次形成重创。但加密交易的确是一门 “残酷的生意”，Silvergate 因之起高楼，又因此行至崩溃边缘。尤其是在眼下这个行业还没有形成一个良好、健康的系统，加密监管的不明晰也注定会给行业带来持续的阵痛。来源：金色财经

金色财经2023-02-24

小心了！ “FOMO”交易狂潮即将放缓股市加速抛售迫在眉睫？

一个可靠的情绪指标Investors Intelligence牛熊比率已从去年大部分时间低于1反弹至1.68。这是一个很大的跳跃，但这个水平实际上仍然看涨。该比率低于2时是买入信号，低于1时是强力买入信号。

一禾2023-02-24

苹果手表有望实现无创测血糖硅光子技术受关注

光子技术超高速率、超低功耗的优势。根据Intel的硅光子产业发展规划，硅光模块产业已经进入快速发展期。根据LightCounting数据，2020年硅光模块市场规模约为20亿美元，预计到2026年硅光模块市场规模将接近80亿美元，硅光方案市场份额有望从25％提升至50％以上。硅光子技术在数据中心场景优势显著，以ChatGPT为代表的AI大算力场景，未来有望提升上游光通信领域相关产品的需求量并加速以光电共封装（CPO）为代表的新技术路线演进，CPO配套硅光可能在未来2-3年有望快速放量。　　新易盛（300502）基于硅光解决方案的400G光模块产品及400GZR/ZR+相干光模块产品，是国内少数批量交付100G光模块、400G光模块、掌握高速率光器件芯片封装和光器件封装的企业，公司对硅光模块、相干光模块以及硅光子芯片技术持续投入，不断提升公司核心竞争力。　　光迅科技（002281）硅光芯片的开发布局在参股公司武汉光谷信息光电子创新中心有限公司，公司参与研发的首款商用“100G硅光收发芯片”已经通过了客户测试，具备量产条件。

金融界2023-02-24

马斯克凉了！推特收入暴跌7成，3200万用户删号，还被追债1400万…

头戏！” 图自BBC Insider Intelligence的分析师Jasmine Enberg更为干脆，他预测到2024年底，推特的用户将会减少3200万！对一家立足互联网的社交平台来说，流失3200万用户相当于上演灾难片。而马斯克本人也承认，自己买下推特的几个月来“非常艰难”，其中最难的任务就是把推特从破产中拯救出来。同时，马斯克还必须承担特斯拉公司的股价下跌的压力和SpaceX的日常运营职责。图自推特三项工作中的任何一项都足以让普通人脱发、失眠、甚至猝死。但马斯克居然想一个人扛下来。马斯克在推特上为自己打气说，“推特仍有挑战，但现在的趋势是，如果我们坚持下去，就会收支平衡。” 但在数百名推特员工辞职和被解雇后，各媒体头条新闻大肆报道了推特即将结束的消息。 “随着推特员工队伍的崩溃，用户在推特上为这个平台写下了他们的悼词”，这是美国国家公共广播电台的一个标题。 2023年1月，涵盖广告支出的标准媒体指数报告称，12月推特公司的广告支出下降了71%。据路透社报道，根据Pathmatics的估计，2022年10月27日马斯克上任后，推特上前30名广告商中有14家停止了在该平台上的所有广告业务。据科技通讯Platformer报道，2023年1月，推特的日收入同比下降了40%。图自联合早报但上述这些问题还算远忧，价值440亿美元的推特截至2023年2月20日，被房东、顾问、供应商以各种理由发起了9宗诉讼，总计向推特索赔超过1400万美元。新浪科技也在报道中证实，推特有很多账单没有结清。尽管我们无从判断推特没钱了还是对这些账单有异议。另据知情人士称，推特公司关闭了其印度三个办公室中的两个，并要求员工在家工作，这凸显了马斯克削减成本，让这家陷入困境的社交媒体公司扭亏为盈的决心。此外，推特还解雇了其印度约200多名员工中的90%以上。该公司仍在南部科技中心班加罗尔运营着一个办公室，里面主要是工程师。事实上，这只是推特全球裁员节省成本的一个缩影。目前，马斯克仍在推特进行大规模裁员，并关闭了世界各地的很多办公室，甚至连被视为下一个世界上最大的互联网市场增长点印度也没放过。必须承认，2023年2月21日的推特如果挂牌出售，恐怕马斯克要赔哭了。而纽约时报则在标题中写道，“马斯克在Twitter面临的最大问题也许是他自己。” 图自纽约时报马斯克的不幸在于，与其他靠广告支撑的媒体平台相比，Twitter只是个小角色。尽管广受欢迎且能为粉丝众多的用户带来毋庸置疑的影响力，但它在2021年的营收不到Meta的二十分之一，不及Alphabet的五十分之一。Twitter缺乏其竞争对手那样的核心业务地位，很少有广告主会因完全退出而受到重大影响。所以，推特就算在哪一天消失了，这个世界也不会稍作停留。

加拿大乐活网2023-02-23

特斯拉可能会进入锂开采业务而这些股票正在暴跌

。Benchmark Mineral Intelligence的锂价格指数今年下跌1.7％，但同比上涨34％。该指数与碳酸锂和氢氧化锂的加权平均价格有关，这是两种主要的锂化学品。　　特斯拉表示，拟建的锂工厂靠近科珀斯克里斯蒂港，将是北美首个此类工厂。特斯拉在向德克萨斯州审计署提交的税收减免申请中表示，到2024年底，特斯拉的建设可能会达到“商业运营”。　　上个月，通用汽车公司宣布向加拿大矿业公司Lithium Americas Corp.投资6.5亿美元　　德意志银行分析师伊曼纽尔•罗斯纳在一份报告中表示，另一个令锂矿企业股价下跌的消息是，据报道，中国电池制造商宁德时代主要向本土电动汽车制造商提供电池折扣，以“在锂价缓慢下跌之际赢得更多订单”。　　尽管近期股价下跌，但这三家锂矿商的股价在今年和今年迄今的表现均优于大盘指数。在过去12个月里，Albemarle和Piedmont上涨了30％，而Livent的涨幅略高于3％。相比之下，同期标准普尔500指数（S&P 500）下跌了约8％。　　今年迄今为止，该股仍表现优异，Albemarle上涨14％，Livent上涨18％，Piedmont上涨43％。相比之下，标准普尔500指数的涨幅约为5％。

金融界2023-02-22

美股开盘：道指跌超300点中概股多数走低京东跌近10%

产　　Faraday Future Intelligent Electric Inc公司2月20日官网宣布，将在投资人资金如期到位后，于2023年3月30日在位于加州汉福德的FF ieFactory California开始生产（SOP）旗舰电动车产品FF 91 Futurist。　　沃尔玛2024财年业绩指引不及预期　　沃尔玛第四季度美国总销售额同比增长8.8％，预期增长5.24％；第四季度营收1640.5亿美元，同比增长7.3％；净利润同比增长76.2％至62.75亿美元，2024财年经调EPS指引为5.9-6.05美元逊于预期。　　家得宝营收为358.3亿美元不及预期，2023年业绩指引谨慎　　家得宝第四季收入为358.3亿美元，同比增长0.3％，略低于预期为的359.7亿美元；每股收益为3.3美元，高于预期的3.28美元；净利润为33.6亿美元，同比增0.3％。该公司预计2023财年销售额大致持平，营业利润率约为14.5％，而摊薄后的每股收益将出现中等个位数的下降。　　富国银行：特斯拉汽车召回事件对财务影响不大，维持“持股观望”评级　　富国银行分析师Colin Langan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

OpenAI与AIGC：改变人类生产范式通往“万物的摩尔定律”

Artificial General Intelligence），当这一目标实现的时候，人类经济社会将实现”万物的摩尔定律“，即万物的智能成本无限降低，人类的生产力与创造力得到解放。归纳并演绎生成式 AI 是什么 AI 模型大致可以分为两类：决策式 AI 与生成式 AI。根据机器学习教科书，决策式模型 (Discriminant Model)学习数据中的条件概率分布；生成式模型 (Generative Model)学习数据中的联合概率分布，两者的区别在于擅长解决问题的方式不同：决策式 AI 擅长的是基于历史预估当下，有两大类主要的模型应用，一类是辅助决策，常用在推荐系统和风控系统中；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

禾赛科技：关键核心技术是命脉必须掌握在自己手里

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

1月份 GameFi 行业报告

meFi Funding 这些公司是 Intella X，Oh Baby Games，和 YGG Japan。IntellaX 正在建立一个用于游戏的区块链钱包，完成了 1,200 万美元。Web3 游戏工作室 Oh Baby Games 完成了 600 万美元的种子轮融资。YGG（Yield Guild Games）是 GameFi 中最重要的游戏公会之一，为其日本分部筹集了290 万美元。本文来自 Footprint Analytics 社区贡献。 Footprint Community 是一个全球化的互助式数据社区，成员利用可视化的数据，共同创造有传播力的见解。在Footprint社区里，你可以得到帮助，建立链接，交流关于Web 3，元宇宙，GameFi 与DeFi 等区块链相关学习与研究。许多活跃的、多样化的、高参与度的成员通过社区互相激励和支持，一个世界性的用户群被建立起来，以贡献数据、分享见解和推动社区的发展。来源：金色财经

金色财经2023-02-17

智微智能：您凌晨4点多还在努力研究公司过往情况并提出问题的精神令人心生敬佩

产品开发和技术研究与应用上，智微智能与intel、Nvidia英伟达、微软等保持着高度紧密的合作，请问属实吗？非常感谢！智微智能董秘：尊敬的投资者您好！您凌晨4点多还在努力研究公司过往情况并提出问题的精神令人心生敬佩。在这瞬息万变的时代，还请您理性投资，注意投资风险。公司一贯秉承稳健务实的经营理念，坚持创新驱动，持续提升公司价值以回报广大投资者。感谢您的关注！也提醒您注意身体！智微智能2022三季报显示，公司主营收入21.07亿元，同比上升12.35%；归母净利润9959.36万元，同比下降33.58%；扣非净利润9571.66万元，其中2022年第三季度，公司单季度主营收入8.17亿元，同比下降10.14%；单季度归母净利润2484.98万元，同比下降68.13%；单季度扣非净利润2304.26万元，负债率40.43%，财务费用2041.62万元，毛利率16.31%。该股最近90天内无机构评级。智微智能（001339）主营业务：教育办公类、消费类、网络设备类、网络安全类、零售类及其他电子设备产品的研发、生产、销售及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2023-02-17

24小时热点