FX168财经网_全球视野外汇黄金加密货币NFT资讯网

“AI+Web3” 概念最新融资项目盘点

交付和收益共享网络。旨在通过压缩、AI机器学习和区块链等技术满足实时3D渲染和流媒体传输拥堵等问题，以实现 3D 元宇宙并进一步扩展至XR设备中，希望将 Mawari 打造成为元宇宙中的 Akamai（全球知名的内容交付网络服务提供商）。就其发展愿景来说可以说非常宏大，所面临的技术难度同样也不小，不过，由于项目官网所展示的信息极其有限，如果想要对项目进行更全面的评估，需要等待项目方公布更多的信息。 Addressable 投资机构：Viola Ventures、Fabric Ventures、Mensch Capital、NorthIslandVC 融资金额：750万美元/种子轮 Addressable 是一家Web3营销公司，帮助 Web3 营销人员从社交媒体账户和钱包中收集数据，并根据相似性匹配信息，以构建更准确的目标受众画像。鉴于当前区块链上行为的匿名性，Addressable 将匿名区块链受众与对应的社交媒体联系起来，解决当今 Web3 增长的难题，它提供了一个 SaaS 平台，使得 Web3 营销人员提可以向他们的受众传达信息。目前，Addressable仅跟踪 Ethereum 上的用户数据，Web2平台也主要是Twitter，产品还处于Demo阶段。 Plai Labs 投资机构：a16z 融资金额：3200万美元种子轮 Plai Labs 的定位是 Web3 和 AI 社交平台。两位创始人 Chris DeWolfe 与 Aber Whitcomb 曾是社交媒体平台 MySpace 和游戏工作室 Jam City 的创始人，都是连续创业者，他们计划通过 AI 和 web3 来构建下一代社交平台，供用户一起玩耍、交流、战斗、交易和冒险。而 Champions Ascension 是由 Plai Labs 推出首款多人在线角色扮演游戏，游戏以马西纳的传说为蓝本，让玩家带着他们的宠物在元宇宙漫游参与活动，此外 Plai Labs 还在构建一个AI协议平台，该平台将帮助处理从用户生成内容（UGC）到匹配到2D到3D资产渲染的所有内容。 Trusta labs 投资机构：SevenX Ventures、Vision Plus、HashKey等融资金额：300万美元+ Trusta labs 是一家链上数据分析公司，其核心产品为 TrustScan，弥合链上原始数据与洞察DID声誉特征的需求之间的差距，通过 AI 技术为引擎，为 DI D主体在Web3世界的声誉提供深度分析和评估，涵盖女巫攻击、欺诈风险、信用评分等。根据其官网披露，目前 TrustScan 已经检测出了超过100万的女巫地址。 Creatora 投资机构：a16z 融资金额：1000万 A轮 Creatora 是一个面向创作者的元宇宙项目，拥有一个用户生成内容 (UGC) 的元宇宙引擎，创作者能够创建、分发和将游戏元宇宙化。任何创作都可以货币化，它模糊创作者和消费者之间的界限，创造一个一切皆可 MetaFi 的元宇宙空间。据其官方透露，Createra 在亚洲积累了近1500万的Z世代用户、50 万创作者，其发展重心也主要以 Z 世代为主，而在项目中，Genesis land 是主要的核心资产，它将决定后续奖励/资产的分配以及在Createra的曝光机会。 Sortium 投资机构：Arca 融资金额：775 万美元/种子轮 Sortium 是一家结合了 AI 和 Web3 的娱乐科技公司。Sortium 专注于技术框架的构建，以帮助客户了解生成式AI系统、区块链和动态经济系统等，并在实现应用场景的使用，Sortium 推出了名为 CosmoGene 的P2E游戏，CosmoGene 游戏中，通过AI支持的虚拟DNA，玩家可以根据基因创造独特的体验。通过上文描述来看，AI+Web3 的初创项目大多是弱 AI 项目，应用结合的深度并不高，此外，应用场景也主要集中在游戏、NFT以及链上数据分析等几个核心领域，我们以期待 Web3 能与 AI 有更加深度的结合，诸如出现智能协议、智能 DApp 甚至于智能区块链等。来源：金色财经

金色财经2023-02-21

人工智能时代的算力挑战

习的历史，就会发现这种利用神经网络进行机器学习的思路其实在上世纪50年代就有了，可以称得上是人工智能领域最古老的理论之一。早在1958年，罗森布拉特就曾经用这个原理制造了一台机器来识别字符。然而，在很长的一段时间内，这个理论却一直无人问津，即使现在被尊为“深度学习之父”的杰弗里·辛顿（Geoffrey Hinton）也长期遭受孤立和排挤。究其原因，固然有来自当时在人工智能领域占主导地位的“符号主义”的打压，但更为重要的是，当时的深度学习模型确实表现不佳。直到本世纪初，这一切才发生了改变。长期蛰伏的深度学习理论终于翻身成为了人工智能的主流，一个个基于这一理论开发的模型如雨后春笋一般出现。从打败围棋高手的AlphaGo到识别出几亿种蛋白质结构的AlphaFold，从可以瞬间生成大师画作的Dall-E、Stable Diffusion到当今如日中天的ChatGPT，所有的这些在短短的几年之间涌现了。那么，到底是什么原因让深度学习在过去的几年中扭转了长期的颓势，让它得以完成了从异端到主流的转换？我想，最为关键的一点就是算力的突破。算力及其经济效应所谓算力，就是设备处理数据、输出结果的能力，或者简而言之，就是计算的能力。它的基本单位是用“每秒完成的标准操作数量”（standardized operations per second，简称SOPS）来进行衡量。不过，由于现在的设备性能都非常高，因而在实践中用SOPS来衡量算力已经变得不那么方便。相比之下，“每秒完成的百万次操作数”（million operations per second，简称MOPS）、“每秒完成的十亿次操作数”（giga operations per second，简称GOPS），以及“每秒完成的万亿次操作数”（tera operations per second，简称TOPS）等单位变得更为常用。当然，在一些文献中，也会使用某些特定性能的设备在某一时间段内完成的计算量来作为算力的单位——其逻辑有点类似于物理学中用到的“马力”。比如，一个比较常用的单位叫做“算力当量”，它就被定义为一台每秒运算千万亿次的计算机完整运行一天所实现的算力总量。那么，算力的意义究竟何在呢？关于这个问题，阿格拉沃尔（Ajay Agrawal）、甘斯（Joshua Gans）和戈德法布（Avi Goldfarb）在他们合著的《预测机器》（Prediction Machines，中文译名为《AI极简经济学》）中，曾经提出过一个有启发的观点：算力的成本将关系到AI模型的“价格”。经济学的原理告诉我们，在给定其他条件的前提下，人们对一种商品的需求量取决于该商品的价格。而对于两种性能相近，具有替代关系的商品来说，具有更低价格的那种商品会在市场上具有更高的竞争力。将这一点应用到人工智能领域，我们就可以找到深度学习理论为什么在几十年中都不被待见，却在最近几年中实现爆发的原因。虽然深度学习的理论并不算困难，但是为了实现它，要投入的运算量是十分巨大的。在算力低下的时代，算力的单位成本非常高。在罗森布拉特提出深度学习思想雏形的那个年代，一台计算机的体积几乎和一间房子那么大，但即便如此，让它运算一个大一点的矩阵都还需要很长时间。虽然理论上我们也可以用深度学习来训练大模型并达到比较好的效果，但这样的成本显然是没有人能够承受的。而相比之下，符号学派的模型对于计算量的要求要小得多，因此这些模型的相对价格也要比深度学习模型来得低。在这种情况下，深度学习理论当然不会在市场上有竞争力。但是，当算力成本大幅度降低之后，深度学习模型的相对价格就降了下来，它的竞争力也就提升了。从这个角度看，深度学习在现阶段的胜利其实并不是一个纯粹的技术事件，在很大程度上，它还是一个经济事件。改进算力的方法那么，决定算力的因素有哪些呢？为了直观起见，我们不妨以计算数学题来对此进行说明：如果我们要提高在单位时间内计算数学题的效率，有哪些方法可以达到这一目的呢？我想，可能有以下几种方法是可行的：一是找更多人一起来计算。如果一个人一分钟可以算一个题，那么十个人一分钟就可以算十个题。这样，即使每个人的效率没有提升，随着人数的增加，单位时间内可以计算的数学题数量也可以成倍增加。二是改进设备。比如，最早时，我们完全是依靠手算的，效率就很低。如果改用计算器，效率会高一点。如果使用了Excel，效率就可能更高。三是将问题转化，用更好的方法来计算。比如，计算从1加到100，如果按照顺序一个个把数字加上去，那么可能要算很久。但是，如果我们像高斯那样用等差数列求和公式来解这个问题，那么很快就可以计算出结果。将以上三个方案对应到提升算力问题，我们也可以找到类似的三种方法：一是借助高性能计算和分布式计算；二是实现计算模式上的突破；三是改进算法——尽管严格地说这并不能让算力本身得到提升，但是它却能让同样的算力完成更多的计算，从某个角度看，这就好像让算力增加了一样。 1、高性能计算和分布式计算从根本上讲，高性能计算和分布式计算都是通过同时动用更多的计算资源去完成计算任务，就好像我们前面讲的，用更多的人手去算数学题一样。所不同的是，前者聚集的计算资源一般是聚集在本地的，而后者动用的计算资源则可能是分散在网上的。（1）高性能计算先看高性能计算。高性能计算中，最为重要的核心技术是并行计算（Parallel Computing）。所谓并行计算，是相对于串行计算而言的。在串行计算当中，计算任务不会被拆分，一个任务的执行会固定占有一块计算资源。而在并行计算中，任务则会被分解并交给多个计算资源进行处理。打个比方，串行计算过程就像是让一个人独立按照顺序完成一张试卷，而并行计算则像是把试卷上的题分配给很多人同时作答。显然，这种任务的分解和分配可以是多样的：既可以是把计算任务分给多个设备，让它们协同求解，也可以是把被求解的问题分解成若干个部分，各部分均由一个独立的设备来并行计算。并行计算系统既可以是含有多个处理器的超级计算机，也可以是以某种方式互连的若干台独立计算机构成的集群。从架构上看，并行计算可以分为同构并行计算（homogeneous parallel computing）和异构并行计算（heterogeneous parallel computing）。顾名思义，同构并行计算是把计算任务分配给一系列相同的计算单元；异构并行计算则是把计算任务分配给不同制程架构、不同指令集、不同功能的计算单元。比如，多核CPU的并行运算就属于同构并行，而CPU+GPU的架构就属于异构并行。对比于同构并行，异构并行具有很多的优势。用通俗的语言解释，这种优势来自于各种计算单元之间的“术业专攻”，在异构架构之下，不同计算单元之间的优势可以得到更好的互补。正是由于这个原因，异构并行计算正得到越来越多的重视。比如，现在越来越多的设备当中，都采用了将GPU和CPU混搭的架构。为什么要这么做呢？为了说明白这一点，我们需要略微介绍一下CPU和GPU的结构：从总体上看，无论是CPU还是GPU，都包括运算器（Arithmetic and Logic Unit，简称ALU）、控制单元（Control Unit，简称CL）、高速缓存器（Cache）和动态随机存取存储器（DRAM）。但是，这些成分在两者中的构成比例却是不同的。在CPU当中，控制单元和存储单元占的比例很大，而作为计算单位的ALU比例则很小，数量也不多；而在GPU当中则正好相反，它的ALU比例很大，而控制单元和存储单元则只占很小的一个比例。这种结构上的差异就决定了CPU和GPU功能上的区别。CPU在控制和存储的能力上比较强，就能进行比较复杂的计算，不过它可以同时执行的线程很少。而GPU则相反，大量的计算单位让它可以同时执行多线程的任务，但每一个任务都比较简单。打个比喻，CPU是一个精通数学的博士，微积分、线性代数样样都会，但尽管如此，让他做一万道四则运算也很难；而GPU呢，则是一群只会四则运算的小学生，虽然他们不会微积分和线性代数，但人多力量大，如果一起开干，一万道四则运算分分钟就能搞定。由于GPU的以上性质，它最初的用途是作为显卡，因为显卡负责图形和色彩的变换，需要的计算量很大，但每一个计算的复杂性都不高。当深度学习兴起之后，人工智能专家们发现GPU其实也很适合用来训练神经网络模型。因为在深度学习模型中，最主要的运算就是矩阵运算和卷积，而这些运算从根本上都可以分解为简单的加法和乘法。这样一来，GPU就找到了新的“就业”空间，开始被广泛地应用于人工智能。但是，GPU并不能单独执行任务，所以它必须搭配上一个CPU，这样的组合就可以完成很多复杂的任务。这就好像让一个能把握方向的导师带着很多肯卖力的学生，可以干出很多科研成果一样。正是在这种情况下，异构并行开始成为了高性能计算的流行架构模式。不过，异构架构也是有代价的。相对于同构架构，它对于应用者的编程要求更高。换言之，只有当使用者可以更好地把握好不同计算单元之间的属性，并进行有针对性的编程，才可能更好地利用好它们。除此之外，我们还必须认识到，哪怕是借助异构架构，通过并行运算来提升运算效率的可能也是有限的。根据阿姆达尔定律（Amdahl’s Law），对于给定的运算量，当并行计算的线程趋向于无穷时，系统的加速比会趋向于一个上限，这个上限将是串行运算在总运算中所占比例的倒数。举例来说，如果在一个运算中，串行运算的比例是20%，那么无论我们在并行运算部分投入多少处理器，引入多少线程，其加速比也不会突破5。这就好像，如果我要写一本关于生成式AI的书，可以将一些资料查找的工作交给研究助手。显然，如果我有更多的研究助手，写书的进度也会加快。但这种加快不是无限的，因为最终这本书什么时候写完，还要看我自己“码字”的速度。（2）分布式计算采用聚集资源的方式来增强算力的另一种思路就是分布式计算。和高性能计算主要聚集本地计算单位不同，分布式计算则是将分散在不同物理区域的计算单位聚集起来，去共同完成某一计算任务。比如，刘慈欣在他的小说《球状闪电》中就提到过一个叫做SETI@home的科研计划（注：这个项目是真实存在的），这个计划试图将互联网上闲置的个人计算机算力集中起来处理天文数据，这就是一个典型的分布式计算用例。分布式计算的一个典型代表就是我们现在经常听说的云计算。关于云计算的定义，目前的说法并不统一。一个比较有代表性的观点来自于美国国家标准和技术研究所（NIST），根据这种观点，“云计算是一种按使用量付费的模式。这种模式对可配置的IT资源（包括网络、服务器、存储、应用软件、服务）共享池提供了可用的、便捷的、按需供应的网络访问。在这些IT资源被提供的过程中，只需要投入很少的管理和交流工作”。这个定义很抽象、很学院派，我们可以用一个通俗的比喻来对其进行理解。在传统上，用户主要是通过调用自有的单一IT资源，这就好比每家每户自己发电供自己用；而云计算则好像是（用大量算力设备）建了一个大型的“发电站”，然后将“电力”（IT资源）输出给所有用户来用。根据云服务提供者所提供的IT资源的不同，可以产生不同的“云交付模式”（Cloud Delivery Model）。由于IT资源的种类很多，因此对应的“云交付模式”也就很多。在各类新闻报道中，最常见的“云交付模式”有三种：第一种是IaaS，它的全称是“基础设施作为服务”（Infrastructure-as-a-Service）。在这种交付模式下，云服务的提供者供给的主要是存储、硬件、服务器和网络等基础设施。第二种是PaaS，它的全称是“平台作为服务”（Platform-as-a-Service）。在这种交付模式下，云服务的提供者需要供应的资源更多，以便为使用者提供一个“就绪可用”（ready-to-use）的计算平台，以满足他们设计、开发、测试和部署应用程序的需要。第三种是SaaS，也就是“软件作为服务”（Software-as-a-Service）。在这种交付模式下，云服务提供者将成品的软件作为产品来提供给用户，供其使用。有了以上不同的云交付模式，用户就可以根据自己的需要来选择相应的IT资源。比如，如果元宇宙的用户需要更多的算力或存储，而本地的机器无法满足，那么就可以通过从云端来获取“外援”。一个云端GPU不够，那就再来几个，按需取用，丰俭由人，既方便，又不至于产生浪费。需要指出的是，尽管从理论上看云计算可以很好地承担巨大运算和存储需求，但其缺陷也是很明显的。比较重要的一点是，在执行云计算时，有大量的数据要在本地和云端之间进行交换，这可能会造成明显的延迟。尤其是数据吞吐量过大时，这种延迟就更加严重。对于用户来说，这可能会对其使用体验产生非常负面的效果。那么怎么才能克服这个问题呢？一个直观的思路就是，在靠近用户或设备一侧安放一个能够进行计算、存储和传输的平台。这个平台一方面可以在终端和云端之间承担起一个中介的作用，另一方面则可以对终端的各种要求作出实时的回应。这个思想，就是所谓的边缘计算。由于边缘平台靠近用户，因而其与用户的数据交换会更加及时，延迟问题就可以得到比较好的破解。 2、超越经典计算——以量子计算为例无论是高性能计算还是分布式计算，其本质都是在运算资源的分配上下功夫。但正如我们前面看到的，通过这种思路来提升算力是有很多障碍的。因此，现在很多人希望从计算方式本身来进行突破，从而实现更高的计算效率。其中，量子计算就是最有代表性的例子。我们知道，经典计算的基本单位是比特，比特的状态要么是0，要么是1，因此经典计算机中的所有问题都可以分解为对0和1的操作。一个比特的存储单元只能存储一个0或者一个1。而量子计算的基本单位则是量子比特，它的状态则可以是一个多维的向量，向量的每一个维度都可以表示一个状态。这样一来，量子存储器就比经典的存储器有很大的优势。考虑一个有 N物理比特的存储器，如果它是经典存储器，那么它只能存储2的N次方个可能数据当中的任一个；而如果它是量子存储器，那么它就可以同时存储2的N次方个数据。随着 N的增加，量子存储器相对于经典存储器的存储能力就会出现指数级增长。例如，一个250量子比特的存储器可能存储的数就可以达到2的250次方个,比现有已知的宇宙中全部原子数目还要多。在进行量子计算时，数学操作可以同时对存储器中全部的数据进行。这样一来，量子计算机在实施一次的运算中可以同时对2的N次方个输入数进行数学运算。其效果相当于经典计算机要重复实施2的N次方次操作，或者采用2的N次方个不同处理器实行并行操作。依靠这样的设定，就可以大幅度节省计算次数。为了帮助大家理解，我们可以打一个并不是太恰当的比方：玩过动作游戏的朋友大多知道，在游戏中，我们扮演的英雄经常可以使用很多招数，有些招数只能是针对单一对象输出的；而另一些招数则可以针对全体敌人输出。这里，前一类的单体输出招数就相当于经典计算，而后一类的群体输出招数就相当于量子计算。我们知道，在面对大量小怪围攻的时候，一次群体输出产生的效果可以顶得上很多次单体输出的招数。同样的道理，在一些特定情况下，量子计算可以比经典计算实现非常大的效率提升。举例来说，大数因式分解在破解公开密钥加密的过程中有十分重要的价值。如果用计算机，采用现在常用的Shor算法来对数N进行因式分解，其运算的时间将会随着N对应的二进制数的长度呈现指数级增长。1994年时，曾有人组织全球的1600个工作站对一个二进制长度为129的数字进行了因式分解。这项工作足足用了8个月才完成。然而，如果同样的问题换成用量子计算来解决，那么整个问题就可以在1秒之内解决。量子计算的威力由此可见一斑。但是，在看到量子计算威力的同时，我们也必须认识到，至少到目前为止，量子计算的威力还只能体现对少数几种特殊问题的处理上，其通用性还比较弱。事实上，现在见诸报道的各种量子计算机也都只能执行专门算法，而不能执行通用计算。比如，谷歌和NASA联合开发的D-Wave就只能执行量子退火（Quantum Annealing）算法，而我国研发的光量子计算机“九章”则是专门被用来研究“高斯玻色取样”问题的。尽管它们在各自的专业领域表现十分优异，但都还不能用来解决通用问题。这就好像游戏中的群体攻击大招，虽然攻击范围广，但是对每个个体的杀伤力都比较弱。因此，如果遇上大群的小怪，群体攻击固然厉害，但如果遇上防御高、血条厚的Boss，这种攻击就派不上用处了。从这个角度看，如果我们希望让量子计算大发神威，就必须先找出适合量子计算应用的问题和场景，然后再找到相应的算法。与此同时，我们也必须认识到，虽然量子计算的研发和探索十分重要，但是它和对其他技术路径的探索之间更应该是互补，而不是替代的关系。 3、通过改进算法节约算力如果说，通过高性能计算、分布式计算，以及量子计算等手段来提升算力是“开源”，那么通过改进算法来节约算力就是“节流”。从提升计算效率、减少因计算而产生的经济、环境成本而言，开源和节流在某种程度上具有同等重要的价值。在ChatGPT爆火之后，大模型开始越来越受到人们的青睐。由于在同等条件下，模型的参数越多、训练的数据越大，它的表现就越好，因此为了追求模型的更好表现，现在的模型正在变得越来越大。我们知道，现在的ChatGPT主要是在GPT-3.5的基础上训练的。在它出现之前，GPT共经历了三代。GPT-1的参数大约为1.17亿个，预训练数据为5GB，从现在看来并不算多；到了GPT-2，参数量就增加到了15亿个，预训练数据也达到了40GB；而到了GPT-3，参数量则已经迅速膨胀到了骇人的1750亿个，预训练数据也达到了45TB。为了训练GPT-3，单次成本就需要140万美元。尽管OpenAI并没有公布GPT-3.5的具体情况，但可以想象，它的参数量和预训练数据上都会比GPT-3更高。为了训练这个模型，微软专门组建了一个由1万个V100GPU组成的高性能网络集群，总算力消耗达到了3640“算力当量”——也就是说，如果用一台每秒计算一千万亿次的计算机来训练这个模型，那么大约需要近十年才能完成这个任务。如果任由这种“一代更比一代大”的趋势持续下去，那么在未来几年，对算力的需求将会出现爆炸性的增长。一项最新的研究估计，在5年之后，AI模型需要的算力可能会是现在的100万倍。很显然，由此产生的经济和环境成本将会是十分惊人的。令人欣慰的是，目前已经有不少研究者希望改进算法、优化模型来减少对算力的需求，并且已经取得了一定的成就。比如，就在今年1月3日，来自奥地利科学技术研究所 (ISTA)的研究人员埃利亚斯·弗朗塔（Elias Frantar）和丹·阿里斯特尔（Dan Alistarh）合作进行了一项研究，首次针对 100至 1000亿参数的模型规模，提出了精确的单次剪枝方法SparseGPT。SparseGPT可以将GPT系列模型单次剪枝到 50%的稀疏性，而无需任何重新训练。以目前最大的公开可用的GPT-175B模型为例，只需要使用单个GPU在几个小时内就能实现这种剪枝。不仅如此，SparseGPT还很准确，能将精度损失降到最小。在进行了类似的修剪之后，这些大模型在训练时所需要的计算量就会大幅减少，其对算力的需求也就会相应下降。关于提升算力、支持人工智能发展的政策思考随着ChatGPT引领了新一轮的人工智能热潮，市场上对算力的需求也会出现爆炸性的增长。在这种情况下，为了有力支撑人工智能的发展，就必须要通过政策的手段引导算力供给的大幅度增加。而要实现这一点，以下几方面的工作可能是最为值得重视的。第一，应当加快对算力基础设施的建设和布局，提升对全社会算力需求的支持。如前所述，从目前看，分布式计算，尤其是其中的云计算是提升算力的一个有效之举。而要让云计算的效应充分发挥，就需要大力建设各类算力基础设施。唯有如此，才可以让人们随时随地都可以直接通过网络获得所需的算力资源。这里需要指出的是，在布局算力基础设施的时候，应当慎重考虑它们的地域和空间分布，尽可能降低算力的成本。我们知道，不同的地区的土地、水、电力等要素的价格是不同的，这决定了在不同地区生产相同的算力所需要的成本也不尽相同。因此，在建设算力基础设施时，必须统筹全局，尽可能优化成本。需要指出的是，我国正在推进的“东数西算”工程就是这个思路的一个体现。由于我国东部各种资源的使用成本都要高于西部，因此在西部地区建立算力设施，就会大幅降低算力的供给成本，从而在全国范围内达到更优的配置效率。第二，应当加强与算力相关的硬件技术及其应用的研发，为增加算力供应提供支持。与算力相关的硬件技术既包括基于经典计算的各种硬件，如芯片、高性能计算机等，也包括超越经典计算理论，根据新计算理论开发的硬件，如量子计算机等。从供给的角度看，这些硬件是根本，它们的性能直接关系到算力提供的可能性界限。因此，必须用政策积极促进这些硬件的攻关和研发。尤其是对于一些“卡脖子”的项目，应当首先加以突破。这里需要指出的是，在进行技术研发的同时，也应该积极探索技术的应用。例如，我们现在已经在量子计算领域取得了一些成果，但是由于用例的缺乏，这些成果并没有能够转化为现实的应用。从这个意义上讲，我们也需要加强对技术应用的研究。如果可以把一些计算问题转化成量子计算问题，就可以充分发挥量子计算机的优势，实现计算效率的大幅提升。第三，应当对算法、架构等软件层面的要素进行优化，在保证AI产品性能的同时，尽可能减少对算力的依赖。从降低AI计算成本的角度看，降低模型的算力需求和提升算力具有同等重要的意义。因此，在用政策的手段促进算力供给的同时，也应当以同样的力度对算法、架构和模型的优化予以同等的激励。考虑到类似的成果具有十分巨大的社会正外部性，因此用专利来保护它们并不是最合适的。因此，可以积极鼓励对取得类似成功的人员和单位给予直接的奖励，并同时鼓励他们将这些成果向全社会开源；也可以考虑由政府出面，对类似的模型产品进行招标采购。如果有个人和单位可以按照要求提供相应的成果，政府就支付相应的费用，并对成果进行开源。通过这些举措，就可以很好地激励人们积极投身到改进模型、节约算力的事业中，也可以在有成果产出时，让全社会及时享受到这些成果。总而言之，在人工智能突飞猛进的时代，算力可能是决定人工智能发展上限的一个关键因素。唯有在算力问题上实现突破，人工智能的发展才可能有根本保障。来源：金色财经

金色财经2023-02-21

鸥玛软件：公司一直致力于考试与测评领域软、硬件的研发与应用，聚焦于行业前沿技术的研发

业前沿技术的研发。公司在自然语言处理、机器学习、智能识别、人机交互及虚拟现实等人工智能技术方面进行研究，公司基于AI技术的无纸化考试一体化服务、数字化网上评卷智能服务、智能题库等已得以应用。实现了公司新技术应用与行业发展的深度融合，解决行业重大需求，持续巩固和强化公司的核心竞争力。感谢您的关注与支持！投资者：公司从事的考试业务当中有很多AI应用机会，公司有哪些AI产品？公司是否有chatgpt相关的产品？如果没有是否有研发的计划？鸥玛软件董秘：尊敬的投资者您好！近几年来，公司加大力度开展人工智能方面的研究，积极推进人工智能在考试与测评领域的创新应用。目前，公司基于AI技术的无纸化考试一体化服务、数字化网上评卷智能服务、智能题库等已得以应用。公司拥有自主知识产权的数字水印等技术，应用于高速扫描、图像处理、数据安全等方面，多年来已为国家教育考试、人事资格考试、行业协会考试等提供海量数据处理、信息化建设等服务。今后，公司仍将加大研发投入，重点关注并持续开展人工智能相关技术的研究与应用，瞄准行业发展需求，推动考试与测评领域的智能化发展。感谢您的关注与支持！鸥玛软件2022三季报显示，公司主营收入1.03亿元，同比下降11.49%；归母净利润3584.72万元，同比下降19.48%；扣非净利润2397.88万元，同比下降41.45%；其中2022年第三季度，公司单季度主营收入4717.79万元，同比上升43.67%；单季度归母净利润2161.93万元，同比上升94.25%；单季度扣非净利润1070.97万元，同比上升2.69%；负债率2.5%，投资收益659.44万元，财务费用-554.31万元，毛利率63.47%。该股最近90天内无机构评级。近3个月融资净流出256.26万，融资余额减少；融券净流入0.0，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，鸥玛软件（301185）行业内竞争力的护城河较差，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/利润率近3年增幅。该股好公司指标2.5星，好价格指标2星，综合指标2星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）鸥玛软件（301185）主营业务：考试与测评领域信息化产品的研究、开发、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2023-02-21

2023 年要投资的顶级 AI 加密货币项目和代币

这个基于区块链的平台通过使用人工智能和机器学习开发所谓的“自主经济代理人”。这些代表代表人们以各种方式赚钱。去中心化交易所（如 Uniswap）上的加密货币交易机器人是运行中的自治经济代理人的一个例子；代理人可以买卖比特币为其所有者赚钱。作为替代方案，这些代理可用于自动进行交易和收取费用或跨设备传输数据。 Fetch 的强大之处在于它的适应性。未来的去中心化市场可能建立在自主经济主体的基础上，物联网可能会从它们的连通性中受益。 Fetch.ai 使用的区块链结合了使用工作证明和股权证明验证交易的程序。区块链矿工为验证交易而收到的 FET 代币可用于支付使用在 Fetch 网络上运行的自治代理的费用。顶级人工智能 (AI) 加密货币硬币之一 FET 刚刚在 eToro 上市，eToro 是市场上最受尊敬和监管最严密的加密货币交易所之一，没有列出缺乏透明度的项目。此后，它已发展成为性能最佳的 AI 加密货币之一。 3. Numeraire (NMR）总部位于旧金山的对冲基金 Numerai 由原始人工智能加密货币 Numeraire 提供支持。Numerai 没有聘请付费股票分析师，而是使用 NMR 代币持有者对股票市场的预测。 NMR 的持有者每周可以预测一只或多只股票。用户可以使用他们喜欢的任何指标进行预测，然后向 Numerai 发送股票代码和目标价格。Numerai 使用 AI 来分析所有用户预测，并在现实世界中对最有可能的结果下注。提交预测的人需要对其下注。如果他们是正确的，他们会收到最近创建的 NMR 代币。如果他们不正确，他们的抵押核磁共振将被销毁。 NMR 所有者还可以使用该平台的 AI 预测算法来检查正在赌博的股票，甚至可以使用 Numerai 来指导他们的股票交易。在撰写本文时，NMR 是最值得购买的人工智能加密货币之一，因为过去一个月上涨了 35%。 4. Cortex (CTXC) 一种基于以太坊的名为 Cortex 的新加密货币计划承诺为智能合约提供人工智能功能。用户可以使用 Cortex 购买 AI 模型并将其添加到智能合约中。这使得比以太坊智能合约目前可实现的功能多得多的功能成为可能。玩赚加密游戏、加密贷款和人工智能管理的稳定币都可以使用在 Cortex 网络上开发的人工智能驱动的去中心化应用程序 (dApps) 来实现。 Cortex 虚拟机由联网的 GPU 处理器而非 CPU 处理器驱动，以提供更高的处理能力，运行 AI 功能。使用 Cortex，开发人员可以创建他们自己的 AI 算法，然后他们可以出售这些算法以获得 CTXC 代币。随着 CTXC 代币价值的增加，鼓励更多的开发人员加入 Cortex 并为 dApp 生产更多种类的 AI 模型。 5. Velas (VLX) 一种名为 Velas 的成功加密货币是使用 Solana 区块链的一个分支创建的。Velas 使用 AI 验证区块链交易的方式使其有别于其他解决方案。 Velas 使用的人工直觉委托权益证明 (AIDPoS) 技术允许在不牺牲安全性的情况下每秒进行多达 30,000 笔交易。因此，它跻身于目前使用速度最快的区块链之列。 VLX 是最伟大的 Web 3.0 代币之一，因为 Velas 区块链现在是基于人工智能的 dApp 和 Web 3.0 应用程序的大本营。原生 VLX 加密货币在 Velas 网络上充当治理令牌和支付方式。通过 AIDPoS 验证方法，VLX 也可以被抵押，允许代币所有者从他们的代币中获利。结论 AI 和区块链的功能正在 AI 加密货币和计划中结合，以刺激加密货币行业的更多创新。尽管这些 AI 加密货币计划具有潜力，但我们相信投资者也将被吸引到 2023 年最激动人心的项目 Meta Masters Build。来源：金色财经

金色财经2023-02-21

OpenAI与AIGC：改变人类生产范式通往“万物的摩尔定律”

：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

紫光国微：公司的FPGA芯片可以用于人工智能领域

：驱动ChatGPT实现自然语言处理、机器学习等功能的人工智能服务器是由CPU和加速芯片构成，加速芯片中包含GPU、FPGA等，请问贵公司的FPGA芯片产品可以用于ai领域吗？紫光国微董秘：感谢您的关注。公司的FPGA芯片可以用于人工智能领域。谢谢！投资者：贵司基本面是不是出现了重大问题？否则为什么股价连跌近半年，资金日均出逃1个亿？请如实回答，不要讲什么市场情绪等，自2023年以来无论是军工，半导体板块还是大盘均持续向上，只有紫光国微每天大跌甚至在整个股市资金流出＂第一＂，请勿隐瞒事实损害投资者利益！紫光国微董秘：感谢您对公司的关注与支持。公司各项经营活动正常，无应披露未披露重大信息。股票价格受市场多种因素影响，请投资者充分了解证券市场的各项风险，审慎判断，理性投资。谢谢！紫光国微2022三季报显示，公司主营收入49.36亿元，同比上升30.26%；归母净利润20.41亿元，同比上升40.03%；扣非净利润19.55亿元，同比上升43.89%；其中2022年第三季度，公司单季度主营收入20.31亿元，同比上升35.68%；单季度归母净利润8.43亿元，同比上升44.87%；单季度扣非净利润8.01亿元，同比上升43.89%；负债率35.78%，投资收益1.15亿元，财务费用54.22万元，毛利率65.73%。该股最近90天内共有14家机构给出评级，买入评级12家，增持评级2家；过去90天内机构目标均价为236.67。近3个月融资净流入5.17亿，融资余额增加；融券净流出4309.82万，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，紫光国微（002049）行业内竞争力的护城河优秀，盈利能力良好，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3.5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）紫光国微（002049）主营业务：集成电路芯片设计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2023-02-20

混合人工智能和加密货币的项目是下一件大事

，人工智能代币现在开始被用作资助专注于机器学习和创建智能应用程序的新项目的方式。 3. 额外的安全层此外，基于 AI 的令牌为加密货币空间提供了额外的安全层。通过消除为了监控交易或安全网络而进行的人为干预的需要，用户可以放心，他们的资金不会受到恶意攻击或欺诈者的侵害。区块链中存在的其他保障措施进一步加强了这些保障措施，尤其是其不变性。总的来说，很明显为什么分析师如此看好人工智能在加密世界的前景——人工智能对企业和投资者都有诸多优势，未来几年肯定会彻底改变该行业。从增强的安全性到改进的数据分析能力，人工智能代币很可能在不久的将来成为许多加密爱好者的首选。最后的想法我们几乎没有触及 AI 在区块链和加密货币世界中的潜力，但它已经显示出改变游戏规则的迹象。随着越来越多的项目专注于利用人工智能的力量，投资者应该留意那些脱颖而出并为用户提供可以利用这些先进技术的独特体验的项目。有如此多的潜力有待挖掘，现在可能是参与投资基于人工智能的加密货币的好时机。简而言之，基于人工智能的代币的潜力是显而易见的，它们为投资者提供的机会不容忽视。凭借其快速学习、处理数据和做出决策的能力，人工智能可以为企业提供有价值的见解，从而改善运营并提高整体效率。同样，它有可能通过自动执行繁琐的任务并提供可用于最大化回报的预测分析平台来彻底改变行业。最后，AI 代币被认为在加密货币领域提供了额外的安全层，同时也是资助专注于开发智能应用程序的新项目的好方法。考虑到所有这些优势，难怪分析师如此看好人工智能在加密世界的前景。?投资者一定要留意同时利用人工智能和加密货币力量的有前途的项目，因为它们很可能成为未来的领导者。来源：金色财经

金色财经2023-02-20

转存本周值得关注的5种加密货币什么位置适合抄底？

机构强加的所有存储限制。 AGIX 自机器学习普及以来，人工智能的用例一直在增长。ChatGPT 等流行的 AI 应用程序证明了 AI 在工作场所的实用性，促使大型科技公司投资数十亿美元用于 AI 的研发。 SingularityNET 的 AGIX 代币正借助人工智能技术的看涨情绪，该代币在上个月上涨了 122%。随着代币稳定在 0.42899 美元的支撑位，AGIX 在未来几天可能会经历更大的上涨趋势。 HFT HFT 是一种基于 metaverse 的代币，旨在用于 Hashflow 的生态系统。Hashflow 是一个独特构建的去中心化交易所，不使用自动做市商，这是加密货币交易所的行业标准。相反，Hashflow 使用报价请求模型，允许更有效的定价，从而为投资者和交易者提供更好的代币价格。自上个月以来，高频交易的价格一直在上涨，在所有时间范围内都出现了正增长。根据 CoinGecko 的说法，该代币在每月的时间范围内上涨了 188%，在较小的时间范围内也取得了巨大的收益。由于高频交易多头的目标是 2022 年 11 月的价格水平，如果这种势头继续下去，投资者和交易员可能会错失巨大的收益。 Polygon (MATIC) Polygon (MATIC) 令牌在 DeFi 世界中也越来越受欢迎，其区块链扩展解决方案的本地网络使 Polygon (MATIC) 成为寻求启动自己项目的开发人员的热门选择。 Polygon (MATIC) 团队的目标是“将世界带入以太坊 (ETH)”，并且已经成功地将以太坊 (ETH) 带给大众。Polygon (MATIC) 第 2 层技术允许基于 ETH 的 dApp 运行得更快、更具成本效益，为开发人员和用户提供了一个令人兴奋的替代方案。那么谁最常使用 Polygon (MATIC)？答案很简单——DeFi 项目。事实上，Polygon (MATIC) 网络上已经构建了超过 30,000 个 dApp，而且每天都在增加。此外， Instagram、Stripe 和 Prada 等主要参与者正在使用 Polygon (MATIC) 扩展解决方案，这推动了对代币的需求。来源：金色财经

金色财经2023-02-20

全面解读Deso：混合Pow共识、社交图谱、DID和无限状态应用版图

复粉丝的信息获得补偿。世界上最好的机器学习研究人员可以开发解决方案，不受限制地访问完整的数据流，无论他们在哪里，都可以解决其他问题，如识别攻击性内容或消除垃圾邮件。从根本上说，DeSo 区块链是一个开放的协议，世界上任何人都可以做出贡献，这最终将导致创造更多的方式来释放创作者的真正潜力，并使竞争和创新回归到社交媒体。 DeSo 的 6 个主要特点社交媒体有几个不同于典型 DeFi 应用程序的特点，特别是在交互和存储方面。混合 PoW 共识目前，DeSo 平台运行在一个混合共识机制上。该区块链通过利用 PoW 模型，可以保持高水平的安全性，同时使用的能量大大低于其他重要的区块链。该模型正在不断改进，开发团队计划在未来进行 PoS 协议过渡。社交图谱你喜欢的每一个帖子，你接受的朋友请求，以及你的状态更新都会形成你的社交图谱。一个社交网络的用户、团体和组织之间的联系都显示在社交图谱中。去中心化的社交媒体上的所有用户数据都可以访问。因此，社交平台和外部各方无法利用你的连接来对付你。用户可以直接在链上存储他们所有的帖子和社交图谱。 Hypersync x DeSo 为了提高效率，大多数区块链只为存储少量的数据而制作。社交应用程序需要无限量的数据，而 DeFi 协议通常只需要几个字节的存储。这个问题被 Hypersync 解决了，它也允许更大的可扩展性。块下载是用于同步区块链活动的典型方法。区块的交易是一个一个下载的。虽然它可以很快发生，但每笔交易都需要大量数据。通过给用户一个区块活动的快照，Hypersync 帮助用户使用更少的数据。记录被压缩，使它们更紧凑和实用。无限状态应用即使使用 Arweave 或 Filecoin 等专注于存储的区块链的桥梁，由于链上存储成本高，大多数 Web 2.0 应用也无法在今天的通用区块链上实现。即使在上面显示的任何链上存储一个指向 Arweave 或 Filecoin 的链接，按当前汇率计算也需要 0.10 美元到 1.00 美元以上，这是无法承受的。大多数区块链的开发是为了支持有固定存储需求的有限状态的应用程序；随着这些链的普及，成本可能会进一步增加。另一方面，社交媒体应用程序是无限状态的程序，可以无限地扩展。DeSo 平台使用复杂的、专门创建的索引系统来增加扩展性。 DeSo 身份服务 DeSo 身份服务开发工具使用户能够在基于 DeSo 平台的应用程序中快速存储关键对或凭据。开发人员不需要创建复杂的表格或输入验证来确认用户的身份。相反，这被无缝地纳入到应用程序中。去中心化社交应用 DeSo 平台上有数以百计的去中心化的社会应用。随着一些开发工具的出现，新的应用程序经常涌现出来。其中最受欢迎的是： Diamond：这个去中心化的 Twitter 版本鼓励参与，同时为内容创作者提供了新的盈利方式。 Stori：一款媲美 TikTok 的去中心化应用，专注于视频内容。 NFTz：与 OpenSea 一样，这个去中心化的 NFT 市场增加了更多的社交和社区元素。 DeSocialWorld：以多种语言与世界各地的用户联系。 DAODAO：通过这个独特的 Web3 平台将您的社会筹款提升到一个新的水平。 Vibehut：根据共同兴趣或与朋友视频聊天结识新朋友。它有什么优势？去中心化社交可能看起来很复杂，但 DeSo 平台很简单，不需要什么教导。此外，使用 DeSo 平台有几个独特的优势，你在其他 Web 2.0 社交平台上找不到。拥有你的内容尽管使用最广泛的平台可以让您保留自己的知识产权，但您可能无法控制谁能看到它。您的内容在 DeSo 平台上始终处于您的权限之下。让你的内容得到回报正如前面提到的，DeSo 平台使货币化变得更加直接了当。内容制作者有几种方法来赚取额外的钱。无论你是想通过说服人们购买你的创造者代币还是通过社交小费，你要做的就是开始创造令人兴奋的内容和社区，从而在 DeSo 上赚钱。随着越来越多的人与你的内容互动，你的潜在收入会增加。构建应用程序很简单 DeSo 平台使构建新的应用程序很简单，而且有许多资源可用。DeSo 开发者中心是一个很好的资源，可以作为你项目相关研究的起点。此外，你将能够使用任何你已经知道的编程语言，如 Python 或 JavaScript。DeSo 平台是开源的，所以有无数的选择来利用 Web3 社交层和创建新的应用程序。增加隐私使用区块链技术可以更简单地维护你在社交媒体上的隐私。你的数据被安全地存储在 DeSo 平台上，而不是由私人公司保存。就像金融应用的区块链一样，没有你的允许，它们不能被访问。减少垃圾邮件和假新闻虽然网络的内容不受监管，但它确实采用了信誉系统。你所看到的内容的准确性可以用这个去中心化系统进行评级。用户不太可能遇到拥有多个账户的人，因为他们需要为所有活动付费。由于没有算法，用户可以更精确地定制他们看到的内容。 DeSo 的路线图第 1 阶段仍在进行中 - Web3 的社交层，而第 2 阶段 - DeSo 的互联网即将到来，最令人兴奋的第 3 阶段，或所谓的革命，也即将到来：代币经济学自 2021 年 6 月首次发布以来，DESO 的价格经历了大幅波动。该代币在发行时的价值超过 178 美元。该代币于 2021 年 12 月在 Coinbase 上市后，价格短暂上涨。其价格大幅上涨，达到 438.10 美元的高位，涨幅达到惊人的 151% 。该区块链是开源的，但目前预留了一笔可观的资金用于进一步开发。区块链未来可能会经历价格波动，并因额外投资而获得更多个人用户。结语随着时间的推移，与其他区块链技术的集成可以使区块链得到更广泛的应用。例如，MetaMask 集成允许用户与各种社交应用程序进行跨链交互。 Decentralized Social 似乎使用尖端的 Web3 技术将区块链与社交媒体的好处应用起来。投资者可能仍然需要弄清楚未来的情况。尽管如此，Decentralized Social 平台还是存在一些优势，如低存储成本，更好的隐私，以及一系列去中心化社交应用程序。观察这项发展中的技术将如何影响未来的社交媒体将是一件很有趣的事情。原文标题：《 A Deep Dive Into DeSo 》原文作者：Kadeem Clarke，m 6 labs.co 原文编译：深潮 TechFlow 来源：星球日报来源：金色财经

金色财经2023-02-18

第一个百万流量关注的AI明星项目CNTM来了

用评分作为信用标准，评价算法将采用基于机器学习的分类模型和及与社交数据的个人行为模型。在这两个基础之上，收集用户的链上行为以及社交图谱，之后基于CNTM独有的AI模型，来为用户进行信用评级。目前Web3的浪潮已经启动，而在这轮浪潮中，基于Web3的金融产品将成为其中最重要的组成部分，我们相信CNTM的AI信用体系将成为这轮浪潮中最重要的基础设施，像LINK在上一轮DeFi中的表现一样，掀起新一轮的DeFi热潮，真正开启Web3的自金融时代！总结很多人问为何不推荐AGIX之类的强势龙头？这就是很韭菜的问题了，AGIX已经走得太远了，追高实属不明智的选择，CNTM才是大多数后知后觉投资者的战略第一布局标的！现CNTM上方一旦突破0.2，将势不可挡，在此刻AI人工智能的热潮中，身为OK的AI代言币种，能走多远相信大家不用我多说，大家内心都有数。 CNTM官方推特宣布同时布局 AI 以及 LSD 赛道，此前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。来源：金色财经

金色财经2023-02-18

24小时热点