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

CoNET｜客户端｜旧版｜｜

FX168 全球视野中文财经

登录 / 注册

佳讯飞鸿(300213.SZ)：公司的系列产品和解决方案已广泛应用在交通、国防、政府等众多行业，覆盖全球十多个国家和地区
 go
力赋能交通、国防、政府等行业。例如，在人工智能方面，公司设立了人工智能应用技术研究所，自主研发了一种面向铁路安全的智能视觉PaaS平台（飞鸿安视平台）、营业线作业安全智能视觉监测系统、国内首个铁路行业大模型技术产品——铁路知识智能助手等多个产品。在5G方面，公司已完成了基于5G-R的指挥调度相关产品及解决方案的研发，并超前布局了为行业智能化、数字化赋能的众多核心产品与解决方案。
格隆汇2024-04-09
Vitalik香港Web3嘉年华演讲全文：达到协议设计的极限
 go
HE 是你必须使用的东西。许多加密、人工智能应用程序最终也会使用 MPC 和 FHE，这两种原语在过去十年中效率都在快速提高。 BLS密钥聚合是一种有趣的技术，它基本上可以让您从一大堆不同的参与者（可能有数以万计的参与者）那里获取一大堆签名，然后尽快验证组合签名，就像验证一个签名一样。这很强大。 BLS密钥聚合实际上是一项处于现代状态共识证明理论核心的技术。如果你看看 BLS密钥聚合之前建立的状态共识证明，很多时候，算法通常只能支持几百个验证，就像一个定理目前大约有 30,000 个验证，因为它们正在提交签名，每 12 秒一次。这之所以成为可能，是因为这种新形式的密码学实际上只在过去 5 到 10 年里得到了足够的优化才能使用。效率、安全与扩展功能所以很多事情都是由这些新技术带来的。他们很快就变得更强了。当今的协议大量使用所有这些技术。我们确实经历了从专用密码学到通用密码学的重大转变，在哪里创建新协议，您必须自己了解密码学是如何工作的。您必须为特殊用途的应用程序创建一种特殊用途的算法，以达到更通用的目的。在这个世界上，要创建一个使用我在过去 5 分钟谈到的内容的应用程序，您甚至不需要成为密码学家。你可以写一段代码，然后把它编译成审批和验证器，你就有了一个寻求历史的应用程序。那么这里有哪些挑战呢？我认为现在的两个大问题：一个是效率，另一个是安全。现在，还有第三种，可以说是扩展功能。我认为，提高我们今天拥有的东西的效率和安全性更加重要。我们来谈谈效率。我们来说一个具体的例子，就是区块链的理论。理论上说，如果出块时间为 12 秒，即一个区块与下一个区块之间的平均间隔时间为 12 秒。在正常的区块验证时间上。这是下级节点验证块所需的时间，大约400毫秒。现在寻找陷阱、证明平均理论和阻止所需的时间约为 20 分钟。但两年前，这种情况正在迅速改善。此前，这一等就是5个小时。现在，平均需要 20 分钟。与两年前相比，我们仍然取得了很大进步。现在，我们的目标是什么？目标是进行实时证明。目标是，当创建一个区块时，您可以在创建下一个区块之前获得证明，当我们实现实时证明时，世界上的每个用户都可以很容易地成为协议的完全验证用户。如果我们能够进入这样一个世界：每个以太坊钱包，包括浏览器钱包，包括移动钱包，包括其他链的智能合约钱包，实际上都在完全验证共识规则的理论。所以他们甚至不相信自己是否更喜欢权益验证，因为他们实际上是直接验证规则并直接确保区块是正确的。我们如何利用历史来做到这一点？要使其真正发挥作用，ZK-SNARKS 证明需要实时进行，但需要有一种方法可以在 5 秒内证明理论和区块。那么问题是，我们能达实现？现在，MPC 和 FHE 也有类似的问题。正如我之前提到的，MPC 和 FHE 的一个强大用例就是投票，对吧？它实际上已经开始出现了。 MPC 当前的问题在于它的某些安全属性依赖于一台中央服务器。我们可以去中心化吗？我们可以，但它需要协议更加高效。这些协议的花费巨大。我们如何实现这样的需求？对于ZK-SNARKS，我认为效率提升分为三大类。其中之一是并行化和聚合，因此，如果你想象在一个关于区块的理论中，在一次验证中，区块最多需要大约1000万个计算步骤。您执行每个计算步骤，并分别对其进行证明。然后你进行证明聚合。经过大约20次上述步骤之后，您就得到了一个代表整个区块正确性的重要证明。这是今天利用现有技术可以做到的事情。并且可以在5秒内证明劣质区块。它需要大量的并行计算，那么我们可以优化它吗？我们可以优化聚合证明吗？答案是肯定的，关于如何做到这一点，有很多理论想法，但这确实需要转化为实际的东西。在相同的硬件成本和相同的电力成本下，ASIC能够比 GPU 快大约 100 倍的哈希处理速度。问题是，我们可以通过严格证明获得完全相同的好处吗？我认为答案是我们应该能够。有很多公司已经开始实际构建专门用于证明ZK-SNARKS的产品，但实际上，它应该是非常通用的。我们可以把 20 分钟缩短到 5 秒，进而使效率提高吗？所以我们有GKR协议，我们有 64 位，我们有ZK-SNARKS等各种不同的想法。我们能否进一步提高算法的效率？我们能否创建更多ZK-SNARKS、友好的哈希函数、更多 ZK-SNARKS、友好的签名算法？这里有很多想法，我强烈鼓励人们为这些想法做更多的工作。我们拥有所有这些令人惊叹的密码学形式，但是人们会不会信任它们？如果人们担心其中存在某种缺陷，无论是 ZK-SNARKS，还是 zkevm Circuits，它们都有 7000 行代码。如果他们做得非常有效的话。理论上，平均每千行代码有 15 到 50 个错误。我们努力尝试。每千行不到 15 个，但也大于零。如果你拥有这些持有数十亿美元人们资产的系统，那么如果其中一个出现错误，那么无论加密技术多么先进，这些钱都会丢失。问题是，我们能做些什么来真正采用现有的密码学并减少其中的错误数量？现在，我认为如果一个团体的12 人中有 9 人，即超过 75% 的人同意存在错误，那么他们就可以推翻证明系统所说的任何内容。所以它是相当中心化的。在不久的将来，我们就会有多重证明。理论上来说，您可以降低其中任何一个的某部分出现错误的风险。你有三个证明系统。如果其中一个存在错误，那么希望另外两个在完全相同的位置不会出现错误。用人工智能工具进行形式验证最后，我认为未来值得研究的一件有趣的事情是使用人工智能工具进行形式验证。实际上，从数学上证明像ZK-EVM 这样的东西没有错误。但你能否真正证明这一点，例如，ZK-EVM 实现正在验证与 Gas 中的定理实现完全相同的函数。例如，你能证明它们对于任何可能的输入都只有一个输出吗？在 2019 年，没有人认为人工智能可以在今天制作出非常漂亮的照片。我们已经取得了很多进展，我们已经看到人工智能做到了。问题是，我们是否可以尝试将类似的工具转向类似的任务。例如为跨越数千行代码的程序中的复杂语句自动生成数学证明。我认为这是一个有趣的开放挑战，让人们了解签名聚合的效率。那么今天以太坊有30000个验证器，运行一个节点的要求相当高吧？我的笔记本电脑上有一个节点理论，它可以运行，但它不是一台便宜的笔记本电脑。而且我确实必须自己去升级硬盘。期望的目标是理论上的，我们希望支持尽可能多的验证。我们希望权益证明尽可能民主化，以便人们能够直接参与任何规模的验证。我们希望在节点理论中运行的要求非常低，并且非常易于使用。我们希望理论和协议尽可能简单。那么这里的限制是什么？限制是每个参与者每个槽的所有数据需要 1 Bit，因为你必须广播谁参与签名和谁没有参与的信息。这是在此之上最基本的限制。如果是这样的话，就没有其他限制了。计算，无下限。您可以进行证明聚合。您可以对每棵树进行递归，也可以进行签名。您可以进行各种签名聚合。你可以使用SNARKS，你可以使用密码学，就像你可以使用32位SNARKS一样，各种不同的技术。关于点对点网络的思考问题是，我们能在多大程度上优化签名聚合——点对点安全？人们对点对点网络的思考还不够。这才是我真正想强调的。我认为在加密领域，通常有太多的倾向在点对点网络之上创建奇特的结构，然后假设点对点网络可以工作。这里隐藏着很多恶魔吧？我认为这些恶魔将变得更加复杂，就像点对点网络在比特币中的工作方式一样。这其中有各种攻击，如女巫攻击、拒绝服务攻击等。但是当你有一个非常简单的网络，并且网络的唯一任务是确保每个人都能得到一切时，问题仍然相当简单。问题在于，作为一种尺度理论，点对点网络变得越来越复杂。今天的以太坊点对点网络有64个分片——为了做一次签名聚合，为了处理30000个签名。首先，就像我们今天所做的那样，我们有一个点对点网络，它分为 64 个不同的分片，每个节点只是其中一个或几个网络的一部分。因此，将两个项目分层并允许Rollup的费用非常低，这是一种有天赋的可扩展性解决方案。这也依赖于更复杂的点对点架构。每个节点只下载全部数据的1/8吗？你真的能让这样的网络安全吗？我们该如何保存数据呢？我们如何提高点对点网络的安全性？结论所以，我们需要考虑的是能够实现密码学限制的协议。我们的密码学已经比几十年前强大得多，但它还可以更强，我认为现在我们真的需要开始考虑什么是天花板，我们如何真正达到天花板？这里有两个同样重要的方向：其中之一就是继续提高效率，我们想要实时证明一切。我们希望看到这样一个世界：在去中心化协议的区块中传递的每条消息默认都附加有ZK-SNARKS，证明该消息以及该消息所依赖的所有内容都遵循协议的规则。我们如何才能提高效率以实现这一目标？第二个是提高安全性。从根本上减少出现问题的可能性，让我们进入一个世界，在这个世界中，这些协议背后的实际技术可以是非常强大和非常值得信赖的。但正如我们在许多次看到的那样，多重签名会被黑客攻击。在很多情况下，这些Layer 2项目中的代币实际上是由多重签名控制的。如果有九分之五的人同时遭到黑客攻击，就会损失很多钱。如果想避免这些问题，那么我们需要信任——能够使用该技术，并以加密方式强制遵守规则，而不是相信一小群人来确保系统安全。但要真正实现这一点，代码必须是值得信赖的。问题是，我们能让代码可信吗？我们能让网络值得信赖吗？我们能让这些协议的这些产品的经济性值得信赖吗？我认为这些是核心挑战，我希望大家能够继续共同努力来改进。谢谢。来源：金色财经
金色财经2024-04-09
加密货币的未来是文化币
 go
求。该模型既能提供两者，又能避免品牌在人工智能主导的世界里未能竞争注意力而遭受的系统性冲击，同时还有机会通过代币化其知识产权 (代币化知识产权很可能比卖给传统私募股权/并购产生更高的收益) 赚取更多知识产权的收益。总结思想在我看来，当今加密货币领域最大的机会是文化层的开发。最好的企业家不是为自己建造，而是为用户建造。很明显，加密用户想要更多的文化，他们现在就想要。对所有加密货币企业家来说，我想说的是，是时候给人们他们想要的了，文化的未来不会自我构建。来源：金色财经
金色财经2024-04-09
中国量子科技驶入发展快车道，全球竞争格局显现，聚焦三大关键领域及投资机会
 go
争，双方发表联合声明，决定在量子技术、人工智能、半导体、6G等领域加强合作，并专门成立量子工作组，以缩小欧盟与美国在量子技术研发方面的差距，尤其关注后量子密码技术的推进，以防范未来量子计算机可能带来的安全威胁。然而，美国此前已采取措施限制向中国出口量子芯片，并对IBM量子计算云平台设置了对中国IP的访问禁令。天风证券分析认为，随着全球各国在量子科技领域的角力加剧，量子产业无疑将成为全球科技竞争的下一个焦点。在商业应用层面，三个主要发展方向值得重点关注：量子计算：构建“量子-经典混合计算力”。通过云平台实现混合调度，结合量子计算的并行处理能力和传统超级计算机的高效数值计算能力，有效提高解决复杂问题的运算效率。量子保密通信QKD：推进骨干网和城域网建设，现已建成覆盖超过1万公里的量子保密通信骨干网络，并加快量子保密通信城域网布局；同时，探索量子加密技术在5G、云网、泛智能终端和各类平台应用中的深度融合。抗量子密码PQC：国内已取得重要突破，国盾量子、中国科学技术大学等联合团队完成国际首次量子密钥分发与后量子密码融合可用性的现网验证实验，这或将加速推动现有的密码系统向能抵御量子计算攻击的后量子密码系统的转型。最后天风证券提醒投资者关注相关风险，包括但不限于政策推进不如预期、前沿技术发展滞后、商业化进程缓慢等。
金融界2024-04-09
北方铜业(000737.SZ)：未将人工智能技术用于矿产资源勘查
 go
737.SZ)提问，“请问贵公司有无将人工智能技术用于矿产资源勘查？”，公司回复称，公司未将人工智能技术用于矿产资源勘查。
格隆汇2024-04-09
AI爆发，芯片强受益获持续关注
 go
GeneratedContent），即人工智能生成内容，指的是利用人工智能技术如GAN和大型预训练模型等，通过已有数据找出规律，并以适当的泛化能力生成相关内容，通俗来说就是不需要人的辅助，AI能自行创作文本、图像、音乐、视频等各种内容，实现了从分析到创造的飞越。图：ChatGPT开启AIGC奇点那，AIGC是怎样实现的呢？说到底，AIGC的本质是内容与场景，其发展需要AI技术、后端基础设施以及算法、算力和数据三要素的结合。我们以ChatGPT的迭代为例，从GPT到GPT-3，三要素的进化如下：图：三要素逐步成熟，推动行业进入爆发期算法方面，GPT-3引入了"人工标注数据+强化学习"的方法进行训练，相较于之前的版本，更加精细和智能化。模型参数量从GPT的1.17亿增加到GPT-3的1750亿，这使得模型更加庞大和复杂，能够处理更加复杂和丰富的语言任务。数据方面，GPT-3的预训练数据量大幅增加，从GPT的5GB增加到GPT-3的45TB。这意味着GPT-3可以更好地学习和理解大规模的语言数据，提高了模型的语言表达能力和语境理解能力。算力方面，GPT-3的训练成本非常高，单次训练成本甚至达到了数百万美元以上。它在微软云计算AzureAI超算基础设施上进行训练，总计算力消耗约3640PFs-days。这种庞大的算力支持了GPT-3的训练和推理能力，使其具备了更高的性能和更广泛的应用场景。这其中，算力是当下市场更关注的主线，毕竟要实现AI的终极目标——AGI（Artificial General Intelligence，即通用人工智能），算力是必由之路。产业链的众多玩家也正在持续增加算力投入，以提升人工智能大模型的性能。尤其是，在以往，算力基础设施需求主要来源于数据中心、超算中心以及各大互联网公司的云计算中心，需求量和ChatGPT相比几乎是九牛一毛，且以往的应用场景主要是推理端像图像识别、语音识别等，而大模型的爆发导致训练的应用场景越来越多，对训练算力的需求会大幅增长，增长幅度能达到10倍甚至100倍。据IDC预测，2022年全球人工智能市场规模将达到1017亿美元，2025年将超过2000亿美元。人工智能非常依赖于相关基础设施，包括计算、存储和网络等，随着人工智能向多场景化、规模化、融合化等高应用阶段发展，数据体量呈现出急剧增长态势，算法模型的参数量也呈指数级增加，以加速计算为核心的算力中心规模将不断扩大，对算力提出了更高的要求。图：AI带来海量算力需求据IDC预测，到2022年，中国的智能算力规模将达到268.0EFLOPS，超过通用算力规模。预计到2026年，智能算力规模将进入ZFLOPS级别，达到1,271.4EFLOPS。在2021-2026年期间，中国的智能算力规模年复合增长率预计将达到52.3%，而同期通用算力规模的年复合增长率为18.5%。根据《IDC中国服务器市场季度跟踪报告》及CPU双精度（FP64）运算能力数据，测算了中国通用算力规模。2021年中国通用算力规模达47.7EFLOPS，预计到2026年通用算力规模将达到111.3EFLOPS。2021-2026年期间，预计中国智能算力规模年复合增长率达52.3%，同期通用算力规模年复合增长率为18.5% 图：算力规模及预测（数据来源IDC）无芯片，不AI 那么，这样强大的算力，是什么在支撑？答案是芯片。准确说，AI芯片是AI算力的核心。有说法称，对标ChatGPT，做好一个大模型的最低门槛就是1万块A100的芯片。前面说到，随着人工智能应用场景和数据规模的扩大，算法模型的复杂度呈指数级增长，特别是深度学习成为主流，需要更快的计算速度。虽然CPU可以执行AI算法，但由于内部逻辑多，对于AI算法来说效率不高。因此，出现了专门的AI芯片，它们设计用于高效并行计算，加速AI计算过程，并提高性价比。广义而言，AI 芯片指的是专门用于处理人工智能应用中大量计算任务的模块，除了以 GPU、FPGA、ASIC 为代表的 AI 加速芯片，还有比较前沿性的研究，例如：类脑芯片、可重构通用 AI 芯片等。狭义的 AI 芯片指的是针对人工智能算法做了特殊加速设计的芯片。图：AI芯片技术架构这里面，GPU是AI芯片主力军，因为它拥有卓越的高性能计算能力和通用性，适用于处理复杂算法和通用型人工智能平台。而随着人工智能技术、平台和终端的不断成熟，随着视觉、语音、深度学习的算法在FPGA以及ASIC芯片上的不断优化，此两者也有望逐步占有更多的市场份额。图：主要AI芯片的功能特性比较（资料来源：IDC）图：中国AI芯片市场规模占比（数据来源IDC）根据VMR数据，全球和中国的GPU市场规模预计将继续快速增长。2021年全球GPU市场规模达到334.7亿美元，预计到2030年将增至4773.7亿美元，年复合增长率达34.4%。2020年中国GPU市场规模为47.39亿美元，预计到2027年将增至345.57亿美元，年复合增长率为32.8%。这表明GPU在人工智能领域的需求将继续扩大，并将成为市场的重要推动力量。寻找中国版英伟达，期待国产替代空间对于AI在下一轮科技革命中的地位，各国已经形成共识，都在纷纷抢滩。从中美对比来说，竞争优势的争夺就主要涉及前面提到的算法、大数据资源和算力三方面。在算法设计方面，双方没有明显差距，主要依赖设计团队的智慧和灵感；在大数据资源方面，中国占据着绝对优势，双方在大数据分析技术上相近。然而，决定人工智能产品的关键要素还包括“算力"，计算能力是计算机的核心能力，这也是中美两国长期竞争超级计算机领域的原因之一。国内大模型与国外的主要差距也体现在算力层面，没有算力基础，后面算法等发展都无法进行。在AI芯片领域，国外的芯片巨头占据了大部分市场份额，有着明显的先发优势，比如英伟达、AMD、英特尔的营收几乎代表整个GPU行业收入。而国内的AI芯片产业起步较晚，与世界先进水平存在较大差距，国内AI芯片市场也较为分散，集中度较低，发展空间巨大。图：AI芯片产业图谱图：AI的核心驱动与英伟达的三重壁垒资料来源：长江证券不过，国内一批新兴力量正在崛起，竞争梯队越发丰富。从国内AI芯片厂商格局来看，以大算力或者高性能计算芯片为代表，一梯队，有成熟产品、批量出货的企业，主要包括寒武纪、华为海思、百度昆仑芯、燧原科技，这四家有2-3代更多的产品，技术能力、软件能力都有一定积累；二梯队，主要包括以AI芯片起家的壁仞科技、天数智心、摩尔线程、沐曦等。壁仞科技去年发布的产品规格很高，但主要还停留在纸面数据，实测数据、实际性能方面业界和第三方评测机构评价没有那么高，软件层面从使用角度来讲也还有很大的成长空间。其他几家也陆续有产品推出，但技术能力还停留在推理层面，不像一梯队企业有更成熟的产品经验；三梯队，如海光、景嘉微等。技术能力还有待市场的认可和验证。图：国内AI厂商成立时间表（来源甲子光年）从产品来说，目前国内已经批量生产的产品大多都是A100的上一代，如昆仑芯三代、思远590、燧思3.0等，不过，各公司正在研发更新一代产品，缩小国内外差距。天弘基金指出，向后看，基于国家政策的大力支持，以及自主可控的迫切需求，中国厂商有望迎来更大的国产升级机遇。而如果国内产品能够替代英伟达的算力产品，将会是非常大的机会。数据中心建设方面也需要服务器，会带动国内提供大型服务器的厂商，比如浪潮信息、中科曙光等，以及光模块、调节芯片和散热技术，需求都会受益于大模型浪潮。相信随着国内企业的持续投入和创新，以及政府的支持，中国在人工智能领域的发展势头仍然很强，有望逐步缩小与国外竞争对手的差距。 AI的一切才刚刚开始，其带来的潜在生产力提升和劳动力供应的增加等结果不可低估。而从当下的投资时点来看，2024年半导体芯片板块投资或许可以关注三条主逻辑：一是周期底部，景气复苏；二是人工智能推动超级创新周期，AI芯片迎来发展机遇；三是国产升级研发成果正在逐步落地，突破性产品发布。关注相关投资机会的投资者，可以通过芯片产业ETF（159310）进行布局，覆盖芯片领域高研发投入、高技术壁垒的50家优质成长型企业，把握芯片板块的持续增长机遇。4月8日开始，芯片ETF（159310）正在火热发售中，中信、中信建投、华泰、光大等渠道均可购买。风险提示：观点仅供参考，不构成投资建议。文中所提及企业客观列示，不作为推介。市场有风险，投资需谨慎。指数基金存在跟踪误差。基金过往业绩不代表未来表现，购买前请仔细阅读《基金合同》和《招募说明书》。我国基金运作时间较短，不能反映证券市场发展的所有阶段。以上内容与数据，与界面有连云频道立场无关，不构成投资建议。据此操作，风险自担。
有连云2024-04-09
AI爆发，芯片崛起！
go
GeneratedContent)，即人工智能生成内容，指的是利用人工智能技术如GAN和大型预训练模型等，通过已有数据找出规律，并以适当的泛化能力生成相关内容，通俗来说就是不需要人的辅助，AI能自行创作文本、图像、音乐、视频等各种内容，实现了从分析到创造的飞越。图：ChatGPT开启AIGC奇点那，AIGC是怎样实现的呢？说到底，AIGC的本质是内容与场景，其发展需要AI技术、后端基础设施以及算法、算力和数据三要素的结合。我们以ChatGPT的迭代为例，从GPT到GPT-3，三要素的进化如下：图：三要素逐步成熟，推动行业进入爆发期算法方面，GPT-3引入了"人工标注数据+强化学习"的方法进行训练，相较于之前的版本，更加精细和智能化。模型参数量从GPT的1.17亿增加到GPT-3的1750亿，这使得模型更加庞大和复杂，能够处理更加复杂和丰富的语言任务。数据方面，GPT-3的预训练数据量大幅增加，从GPT的5GB增加到GPT-3的45TB。这意味着GPT-3可以更好地学习和理解大规模的语言数据，提高了模型的语言表达能力和语境理解能力。算力方面，GPT-3的训练成本非常高，单次训练成本甚至达到了数百万美元以上。它在微软云计算AzureAI超算基础设施上进行训练，总计算力消耗约3640PFs-days。这种庞大的算力支持了GPT-3的训练和推理能力，使其具备了更高的性能和更广泛的应用场景。这其中，算力是当下市场更关注的主线，毕竟要实现AI的终极目标——AGI(Artificial General Intelligence，即通用人工智能)，算力是必由之路。产业链的众多玩家也正在持续增加算力投入，以提升人工智能大模型的性能。尤其是，在以往，算力基础设施需求主要来源于数据中心、超算中心以及各大互联网公司的云计算中心，需求量和ChatGPT相比几乎是九牛一毛，且以往的应用场景主要是推理端像图像识别、语音识别等，而大模型的爆发导致训练的应用场景越来越多，对训练算力的需求会大幅增长，增长幅度能达到10倍甚至100倍。据IDC预测，2022年全球人工智能市场规模将达到1017亿美元，2025年将超过2000亿美元。人工智能非常依赖于相关基础设施，包括计算、存储和网络等，随着人工智能向多场景化、规模化、融合化等高应用阶段发展，数据体量呈现出急剧增长态势，算法模型的参数量也呈指数级增加，以加速计算为核心的算力中心规模将不断扩大，对算力提出了更高的要求。图：AI带来海量算力需求据IDC预测，到2022年，中国的智能算力规模将达到268.0EFLOPS，超过通用算力规模。预计到2026年，智能算力规模将进入ZFLOPS级别，达到1,271.4EFLOPS。在2021-2026年期间，中国的智能算力规模年复合增长率预计将达到52.3%，而同期通用算力规模的年复合增长率为18.5%。根据《IDC中国服务器市场季度跟踪报告》及CPU双精度(FP64)运算能力数据，测算了中国通用算力规模。2021年中国通用算力规模达47.7EFLOPS，预计到2026年通用算力规模将达到111.3EFLOPS。2021-2026年期间，预计中国智能算力规模年复合增长率达52.3%，同期通用算力规模年复合增长率为18.5% 图：算力规模及预测(数据来源IDC) 无芯片，不AI 那么，这样强大的算力，是什么在支撑？答案是芯片。准确说，AI芯片是AI算力的核心。有说法称，对标ChatGPT，做好一个大模型的最低门槛就是1万块A100的芯片。前面说到，随着人工智能应用场景和数据规模的扩大，算法模型的复杂度呈指数级增长，特别是深度学习成为主流，需要更快的计算速度。虽然CPU可以执行AI算法，但由于内部逻辑多，对于AI算法来说效率不高。因此，出现了专门的AI芯片，它们设计用于高效并行计算，加速AI计算过程，并提高性价比。广义而言，AI 芯片指的是专门用于处理人工智能应用中大量计算任务的模块，除了以 GPU、FPGA、ASIC 为代表的 AI 加速芯片，还有比较前沿性的研究，例如：类脑芯片、可重构通用 AI 芯片等。狭义的 AI 芯片指的是针对人工智能算法做了特殊加速设计的芯片。图：AI芯片技术架构这里面，GPU是AI芯片主力军，因为它拥有卓越的高性能计算能力和通用性，适用于处理复杂算法和通用型人工智能平台。而随着人工智能技术、平台和终端的不断成熟，随着视觉、语音、深度学习的算法在FPGA以及ASIC芯片上的不断优化，此两者也有望逐步占有更多的市场份额。图：主要AI芯片的功能特性比较(资料来源：IDC) 图：中国AI芯片市场规模占比(数据来源IDC) 根据VMR数据，全球和中国的GPU市场规模预计将继续快速增长。2021年全球GPU市场规模达到334.7亿美元，预计到2030年将增至4773.7亿美元，年复合增长率达34.4%。2020年中国GPU市场规模为47.39亿美元，预计到2027年将增至345.57亿美元，年复合增长率为32.8%。这表明GPU在人工智能领域的需求将继续扩大，并将成为市场的重要推动力量。寻找中国版英伟达，期待国产替代空间对于AI在下一轮科技革命中的地位，各国已经形成共识，都在纷纷抢滩。从中美对比来说，竞争优势的争夺就主要涉及前面提到的算法、大数据资源和算力三方面。在算法设计方面，双方没有明显差距，主要依赖设计团队的智慧和灵感；在大数据资源方面，中国占据着绝对优势，双方在大数据分析技术上相近。然而，决定人工智能产品的关键要素还包括“算力"，计算能力是计算机的核心能力，这也是中美两国长期竞争超级计算机领域的原因之一。国内大模型与国外的主要差距也体现在算力层面，没有算力基础，后面算法等发展都无法进行。在AI芯片领域，国外的芯片巨头占据了大部分市场份额，有着明显的先发优势，比如英伟达、AMD、英特尔的营收几乎代表整个GPU行业收入。而国内的AI芯片产业起步较晚，与世界先进水平存在较大差距，国内AI芯片市场也较为分散，集中度较低，发展空间巨大。图：AI芯片产业图谱图：AI的核心驱动与英伟达的三重壁垒资料来源：长江证券不过，国内一批新兴力量正在崛起，竞争梯队越发丰富。从国内AI芯片厂商格局来看，以大算力或者高性能计算芯片为代表，一梯队，有成熟产品、批量出货的企业，主要包括寒武纪、华为海思、百度昆仑芯、燧原科技，这四家有2-3代更多的产品，技术能力、软件能力都有一定积累；二梯队，主要包括以AI芯片起家的壁仞科技、天数智心、摩尔线程、沐曦等。壁仞科技去年发布的产品规格很高，但主要还停留在纸面数据，实测数据、实际性能方面业界和第三方评测机构评价没有那么高，软件层面从使用角度来讲也还有很大的成长空间。其他几家也陆续有产品推出，但技术能力还停留在推理层面，不像一梯队企业有更成熟的产品经验；三梯队，如海光、景嘉微等。技术能力还有待市场的认可和验证。图：国内AI厂商成立时间表(来源甲子光年) 从产品来说，目前国内已经批量生产的产品大多都是A100的上一代，如昆仑芯三代、思远590、燧思3.0等，不过，各公司正在研发更新一代产品，缩小国内外差距。向后看，基于国家政策的大力支持，以及自主可控的迫切需求，中国厂商有望迎来更大的国产替代机遇。而如果国内产品能够替代英伟达的算力产品，将会是非常大的机会。数据中心建设方面也需要服务器，会带动国内提供大型服务器的厂商，比如浪潮信息、中科曙光等，以及光模块、调节芯片和散热技术，需求都会受益于大模型浪潮。相信随着国内企业的持续投入和创新，以及政府的支持，中国在人工智能领域的发展势头仍然很强，有望逐步缩小与国外竞争对手的差距。 AI的一切才刚刚开始，其带来的潜在生产力提升和劳动力供应的增加等结果不可低估。而从当下的投资时点来看，2024年半导体芯片板块投资或许可以关注三条主逻辑：一是周期底部，景气复苏；二是人工智能推动超级创新周期，AI芯片迎来发展机遇；三是国产替代研发成果正在逐步落地，突破性产品发布。关注相关投资机会的投资者，可以通过芯片产业ETF(159310)进行布局，覆盖芯片领域高研发投入、高技术壁垒的50家优质成长型企业，把握芯片板块的持续增长机遇。4月8日开始，芯片ETF(159310)正在火热发售中，中信、中信建投、华泰、光大等渠道均可购买。风险提示：观点仅供参考，不构成投资建议。文中所提及企业客观列示，不作为推介。市场有风险，投资需谨慎。指数基金存在跟踪误差。基金过往业绩不代表未来表现，购买前请仔细阅读《基金合同》和《招募说明书》。我国基金运作时间较短，不能反映证券市场发展的所有阶段。
证券之星2024-04-09
港股游戏股躁动，“游戏CP”网易、暴雪拟将复合？网易飙涨超4%！
go
美元，环比增长3.44%。加之，随着人工智能潮掀起一轮“产业大革命”，在AIGC的技术加持下，游戏行业正处于景气上行周期。财通证券认为，2024年游戏开发者大会多场会议提及AI在游戏行业的应用，腾讯发布GiiNEX游戏AI引擎，从生成式AI、决策AI两个角度为游戏全生命周期提供丰富的AI解决方案。伴随AI应用端进步，游戏行业有望迎来产业链升级，从游戏资产制作、游戏玩法更新、游戏交互能力提升等多方面拓展游戏发展空间。
格隆汇2024-04-09
什么是WEB3.0？什么是PrismNET棱镜协议？
go
写、拥有：即将到来的Web 3.0中，人工智能、区块链、AR、VR 等新技术将模糊现实世界与数字世界的界限，人们在数字世界中花费的时间将比现在更多。随着 Web 3.0 应用程序变得更加开放和互操作，每个用户的参与和权限变得比特定平台的权限更重要。个人数字资产所有权和数据主权的重要性也在增长，比如说 NFT——创作者可以画一幅画放在链上供别人欣赏，但是创作者拥有它的所有权，只有他能够对这幅画进行一些链上的操作。而数据将以去中心化的方式连接存储。 Web 3.0是一系列协议和支持的集成平台，使这些应用程序、服务和货币成为可能。在Web 3.0中，用户还可以通过使用人工智能和机器学习技术与数据进行交互。Web 3.0是由纽约时报的 John Markoff 创建的，即所谓的第 3 代基于 Internet 的服务。 Apple 的 Siri 或 Alexa 是Web 3.0应用程序的一个示例，它可以拥有大量信息，并将其转化为对人有用的知识和行为。 Web 3.0是一个数字世界，可以像拥有笔记本电脑或汽车一样拥有自己的数字数据，这是一个可以完全控制的地方。在以太坊的上下文中，Web 3.0是指在区块链上运行的去中心化应用程序。Web 3.0是区块链吗？这是一个容易犯的错误，Web 3.0不是区块链，是由区块链驱动的最新一代互联网应用程序和服务。这取决于机器学习和人工智能 (AI) 的使用。而Web 3.0的新浪潮就是元宇宙的概念的出现。元宇宙将从根本上改变我们与数字世界互动的方式。它试图创建更开放、连接和智能的网站和 Web 应用程序，重点是使用基于机器的更好地理解数据。 Web 3.0将提供一个分散的网络并基于公共区块链。在Web 3.0中，数据为去中心化的，不归集中的公司或政府所有，而是由所有人共享。Web 3.0可以提高数据的安全性、隐私性和可扩展性，这在Web 2.0平台上是不可能的。Web 3.0主要基于区块链技术，例如各种加密货币和不可替代的代币（NFT）。那么小编接下来简谈什么是PrismNET棱镜协议？ prismnet是一个主做AI算力集成分发租赁的全球AI超算供给平台，池化系统可以把gpu算力按需分配，切块租赁。落地应用分三个板块，AI算力租赁、AI短视频工具、AI电商图文带货（目前数据非常漂亮）。来源：金色财经
金色财经2024-04-09
殷图网联29.95%涨停，总市值9.29亿元
 go
物联网解决方案的公司，主要通过物联网、人工智能和大数据技术为智慧物联的新世界做出贡献。公司于2021年11月在北京证券交易所上市，拥有五项授权发明专利和二十项软件著作权，成功建设了2000多个智能化系统项目，涵盖了智能巡检、大数据智能预警、图像智能分析等多项关键核心技术。截至9月30日，殷图网联股东户数7344，人均流通股3545股。 2023年1月-9月，殷图网联实现营业收入3975.97万元，同比增长16.47%；归属净利润-174.81万元，同比增长60.63%。
金融界2024-04-09

上一页
1
•••
978
979
980
981
982
•••
1000
下一页

24小时热点

最新话题更多