FX168财经网_全球视野外汇黄金加密货币NFT资讯网

OpenAI与AIGC：改变人类生产范式通往“万物的摩尔定律”

usion 都已经有相当大的用户群体，微软也已经布局在设计软件中为视觉设计师提供 AIGC 内容，作为设计灵感和素材的来源。同时 3D 和视频生成领域的大模型也在飞速突破的过程中，未来很可能会在游戏原画、影视特效、文物修复等领域发挥作用。从神经网络的角度看，当前的大模型 GPT-3 有 1750 亿参数，人类大脑有约 100 万亿神经元，约 100 个神经元会组成一个皮质柱，类似于一个小的黑盒神经网络模块，数量级上的差异决定了算力进步可以发展的空间还很大。与此同时，今天训练 1750 亿参数的 GPT-3 的成本大概在 450 万美元左右，根据成本每年降低约 60% 的水平，供大模型提升计算复杂度的空间还很多。 OpenAI CEO、YC 前主席 Sam Altman 的图景中，AI 大模型发展的最终目标是 AGI（通用人工智能，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

脑机接口技术开始患者测试科技大佬押注

获得了 7500万美元融资，投资者包括微软联合创始人比尔・盖茨（Bill Gates）和亚马逊创始人杰夫・贝索斯（Jeff Bezos）旗下投资公司。　　A股相关概念股主要有：　　1、创新医疗　　公司与许科帝先生等合作方共同签署了《合作框架协议》，决定共同出资设立“脑机接口”项目公司。　　2、新智认知　　新智数字科技有限公司旗下上海新氦类脑智能科技有限公司是上海市首批启动建设的类脑芯片与片上智能系统研发与转化功能型平台。　　3、国睿科技　　人脑机实验室研制的雷达是由14所科研技术团队研发。　　4、佳禾智能　　广东思派康电子科技有限公司申请的发明专利脑电波采集通讯系统，通讯帧的生成装置和读取装置已于2019年9月公告授权。该专利技术采取12个通道的脑电传感器的脑电波头戴设备，用于打游戏时，通过该头戴设备控制鼠标左移，右移，上移，下移，点击等。　　5、汉威科技　　脑机接口是控股子公司苏州能斯达研发的在新型柔性触觉传感器类脑交互方面的一个应用，也是能斯达未来关注和布局的方向之一。　　6、复旦复华　　由复旦大学科技开发总公司改制而成的一家科技型企业，复旦大学先后成立脑科学协同创新中心及脑科学前沿科学中心。　　7、世纪华通　　公司与浙江大学于2020年共建了浙江大学传奇创新研究中心，主要聚焦数字医药，数字器官，脑机融合等新兴领域，在信息科学，医药科学和脑科学等众多前沿领域陆续取得了标志标志性成果。日前，传奇中心研究团队在脑疾病调控机制研究方面取得重大突破，相关成果被国际顶级期刊《自然（Nature）》杂志刊登。依托传奇创新中心，TCCI等科研机构的研究，公司生态企业已有三款落地成品，其中《注意力强化训练系统》在浙江大学儿童医学院的临床试验中效果显著，目前正在向国家医药监管部门注册申请相关资质，公司将积极参与与深入脑机研究以致力于攻克更多的脑疾病，从而造福患者，回馈社会。据传马斯克投资的脑机接口公司Neuralink已与浙大传奇创新研究中心接洽合作事宜，但公司未就此事明确表态。　　8、汤姆猫　　与杭州妞诺霄云大数据科技有限公司战略合作，合作开发外接设备读取脑电波信号等脑机接口、脑功能数据分技术等。公司于2020年2月已与第三方合作设立上海金科汤姆猫生命科技有限公司，负责推进脑机接口，脑功能数据分析，数字游戏疗法等业务。该公司已与浙江大学生物医学工程研究所，上海广慈新医创生命健康科技有限公司（上海交通大学医学院附属瑞金医院下属控股公司）等科研机构签署合作协议，共同推进上述领域的产学研工作。由于该块业务尚处于项目前期，且该公司办公地及相关人员受到前期上海疫情防控影响，相关领域的合作研究尚未在公司现有业务中运用，暂未产生收入，后期公司将持续推动相关业务的开展。　　9、科大智能　　成立“复旦-科大智能智能机器人联合实验室”，直接运用复旦大学在类脑智能科技与大数据人工智能产业领域内的科研优势。　　10、科大讯飞　　公司于2019年与华南理工大学等共同投资设立脑机接口公司——广州华南脑控智能科技有限公司。与同济大学合作推进“脑智同飞”联合研究中心，在上海成立了人工智能及脑科学研究院等。　　11、国脉科技　　脑机接口是身联网未来的重要发展方向之一。未来脑机接口有望解决大部分神经退行性疾病，包括老年痴呆、失明、瘫痪、抑郁、失眠、极度疼痛、中风、脑部损害等一系列问题。该方案目前仍然处在实验阶段，但未来有望与我司身联网解决方案、养老场景充分融合，通过持续、精准、长期的生物特征和人类行为数据的收集与分析，帮助公司进一步推进个人的精准健康管理，实现疾病与生活行为风险的预防、监控与逆转，让前沿技术走进民生。　　12、中科信息　　公司积极布局智慧医疗整体解决方案，引入医疗脑机接口技术开展医疗康复以及神经系统急性及慢性疼痛监测应用场景方面的前瞻性研究。　　13、浙大网新　　依托浙江大学，浙江大学发布了脑科学与人工智能会聚研究计划。　　14、三七互娱　　三七互娱致力对前沿科技不断研究和探索，已在VR/AR内容，算力，半导体，光学，显示，整机，应用及底层技术等科技领域有所布局，未来持续关注含人工智能，机器人，脑机接口等领域新一代科技技术方向。　　15、观想科技　　目前公司着眼于AR/VR，人工智能等专业领域研究，积极探索与医疗机构，联合生物体征，生物脉冲方向的联络及合作。我们相信未来视觉类人工智能技术将现场管控，远程维修管理，末端维保辅助，虚拟训练，仿真作战等提升到一个新的层次。　　16、汉王科技　　汉王科技是人工智能领域的先行者，在视觉图像识别及人机智能交互方面持续投入，拥有业内领先文本图像识别、自然语言处理、生物特征识别、智能视频分析、智能人机交互等人工智能产业链关键技术，确立了公司多模态、多类型、复杂场景识别的技术领先地位，并对领域内的前沿技术保持积极关注。公司承担国家科技创新2030-“新一代人工智能”重大项目“复杂版面手写图文识别及理解关键技术研究”、“以中文为核心的多语种自动翻译研究”研究工作，相关课题的研究将带动公司在多学科多题型纸笔考试和作业的智能阅卷的研发，以及以中文为核心的多语种、多模态自动翻译技术，在面向多种应用场景的自动翻译系统和验证应用等关键技术与应用研发上的进步，进而为建设数字中国赋能。　　17、冠昊生物　　公司涉及神经外科的主要产品有生物型硬脑（脊）膜补片，B型硬脑膜补片等。　　18、亿通科技　　公司关联公司华米科技和中国科学技术大学先进技术研究院宣布共同建立“脑机智能联合实验室”，结合华米科技在智能可穿戴领域的研发实力和中科大在脑科学与人工智能的研究优势，共同突破关键技术，构建主动健康新模式。　　19、恺英网络　　公司前期已战略投资乐相科技有限公司，该公司系国内领先的VR软硬件系统厂商。硬件方面，近期乐相科技发布了一体机新品P1Ultra4K，不仅整体性能大幅提升，而且其模组化的设计具备很强的扩展性，客户可以根据需求灵活定制包括手势识别、眼球追踪、心率、虹膜识别和脑机接口在内的多个模块。软件方面，乐相科技推出了“星链”（Starlink）系统解决方案，能够在实现多台设备同屏的同时解决虚拟与现实中感知不一致引发的眩晕问题，大幅提升用户体验。　　20、盈趣科技　　公司为用户提供脑电波监测感应头带研发及生产制造服务，该产品通过感应技术原理，读取大脑的脑电波，进行识别，解析和分类，并输出各种控制命令去完成对电脑软件的控制。客户的这款产品是一款很不错的产品，由于该产品的具体市场销售及拓展情况主要由客户主导，故具体信息由客户公开披露信息为主。

金融界2023-02-21

AI板块进入2023年后猛涨其CNTM代币经济有何隐藏讯息

激起的涟漪，已经变为汹涛骇浪。近日来，微软、谷歌、百度、阿里、京东先后加入战局。然而，就在互联网巨头群雄逐鹿的同时，记者注意到，一款同名虚拟货币也悄悄拿起了“镰刀”。根据CoinGecko显示的数据，近日上线的ChatGPT同名虚拟货币ChatGPT币的发行价格仅0.000611美元，而在其上线仅5个小时后，价格便一路飙升至0.011775美元，涨幅超1800%，随后又迅速回调80%。截至记者发稿，ChatGPT币最新价格为0.001836美元，24小时跌幅为2.81%，较历史高点下滑84.41%。除此之外，FET、CNTM、HOOK等与AI概念相关的项目也均出现暴涨。今天，我们主要讲的就是被各大资深博主推荐的热门币种——CNTM CNTM Grant DAO 是 CNTM 的一个长期资助计划，旨在资助早期的优质 CNTM BUIDL，以进一步丰富 CNTM 生态体系，项目评审和奖励发放将会定期进行，此外，作为 CNTM Grant DAO 长期资助计划的一部分，CNTM Grant DAO 还将资助除 AI 生态外的 BUIDL、社区等优质团队，持续赋能极客运动。点击输入图片描述（最多30字） CNTM 是一个专门为 Web3 打造的人工智能服务平台，其产品和服务已在全球广泛地被报道与采用，其基于 GPT3.5 打造的人工智能 Web3 搜索引擎 Jinn 即将发布，并在 Aptos 部署。据官方消息，CNTM 近期已与日本雅虎就 AI 搜索达成合作，同时日本知名财团伊藤忠商事（株式会社）将对 CNTM 追加第二次投资，双方中期经营计划即将发布将围绕 CNTM 下一代搜索引擎 Jinn 展开。 Connectome宣布成立CNTM Grant DAO Fund，在CNTM官方网站即可报名据CNTM官方消息：CNTM近期与日本雅虎就AI搜索达成了合作，并且日本第一财团伊藤忠商事即将对CNTM追加第二次投资，双方中期经营计划即将发布将围绕CNTM下一代搜索引擎Jinn来展开 CNTM Grant DAO 是CNTM的一个长期资助计划，旨在资助早期的优质CNTM BUIDL，以进一步丰富CNTM生态体系，项目评审和奖励发放将会定期进行，此外，作为CNTM Grant DAO长期资助计划的一部分，CNTM Grant DAO还会资助除AI生态外的BUIDL、社区等优质团队，持续赋能极客运动。 CNTM是一个专门为Web3打造的人工智能服务平台，其产品和服务已在全球广泛地被报道与采用，其基于GPT3.5打造的人工智能Web3搜索引擎Jinn即将发布，并在Aptos部署 COCOS布道大佬A神看好CNTM智能搜索引擎前景，开始布道CNTM。众所周知，A神主攻步道潜力币种，COCOS就是他的代言币种之一，埋伏起来，现价0.14u，止损0.12u。点击输入图片描述（最多30字） CNTM近期利好消息面 1.CNTM 2月25日将与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；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。点击输入图片描述（最多30字） 2.近期和Ocean的圆桌会议；据官方消息：CNTM要和日本某顶级互联网公司达成AI方面的合作，如果利好落地，涨幅预计会像CFX一样。点击输入图片描述（最多30字） 3.百万大V、各大社区宣发推荐作为欧易AI板块的明星项目，推特和微博百万大V敏锐的察觉到了CNTM的潜力，在各大平台上纷纷发文宣发推荐，而且CNTM官方推特也宣布同时布局 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，为登录某安交易所做准备。总结：牛转熊是好事也是坏事，物极必反，盛极必衰这是自古以来的铁律，任何事物在时间的长河里是不存在万古长青的，熊市暴雷是正常的，在我理解就是泡沫消融，为下一个牛市奠定基础。所以告诉我们一个道理，资本市场玩的是什么，风向！说直白点就是趋势，站在时代风口上，连只猪都能起飞，更何况我们这些时代的弄潮儿呢！现在市场的趋势相信都不用我去说大家都看得很明了！来源：金色财经

金色财经2023-02-20

神州泰岳：公司未与百度在文心一言产品上开展合作

者：公司在nlp，AI等人工智能方面与微软，谷歌，百度，阿里，腾讯等哪些企业有合作呢？神州泰岳董秘：尊敬的投资者，您好，公司未与微软、谷歌、百度、阿里、腾讯在自然语言处理（NLP）领域开展合作。投资者：员工持股已解锁，请问减持后要公告吗？谢谢了神州泰岳董秘：尊敬的投资者，您好，按照相关规定，减持完成后需要公告。神州泰岳2022三季报显示，公司主营收入32.35亿元，同比上升9.04%；归母净利润3.83亿元，同比上升80.6%；扣非净利润3.33亿元，同比上升94.54%；其中2022年第三季度，公司单季度主营收入11.55亿元，同比上升16.1%；单季度归母净利润1.61亿元，同比上升175.88%；单季度扣非净利润1.24亿元，同比上升120.73%；负债率16.23%，投资收益1842.7万元，财务费用-6050.61万元，毛利率61.0%。该股最近90天内共有1家机构给出评级，增持评级1家；过去90天内机构目标均价为5.46。近3个月融资净流出4524.28万，融资余额减少；融券净流入589.91万，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，神州泰岳（300002）行业内竞争力的护城河良好，盈利能力较差，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2.5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）神州泰岳（300002）主营业务：向国内电信、金融、能源等行业的大中型企业和政府部门提供IT运维管理的整体解决方案,以及以“飞信”、“农信通”为代表的移动互联网开发及运维支撑服务业务。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2023-02-20

CNTM一款发光的宝藏币

无数web2投资人竟折腰，在红杉资本，微软等巨头的推波助澜下，2023成为“thebigyear forAI”,1月10日，微软以290亿美元估值，向OpenAI投资100亿美元币圈不可避免的容易成为资本fomo情绪外溢的资金蓄水池下面有请我们的主角CNTM登场，先简单介绍一下什么是 CNTM ？ Connectome是一个基于区块链核心技术开发的DeFi人工智能投顾平台，支持DeFi产品上链交易、理财产品去中心化AI测评、流动性挖矿、一键式智能投顾、智能客服等。通过大数据多维分析、AI模型演练，为用户提供接近一站式的、定制化人工智能投资顾问服务，为理财产品发行人、投资用户提供全方位的区块链解决方案。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： 1、Connectome宣布成立CNTM Grant DAO Fund，截至目前已有130个项目报名 2 月 20 日，据官方消息，CNTM 近期已与日本雅虎就 AI 搜索达成合作，同时日本知名财团伊藤忠商事（株式会社）将对 CNTM 追加第二次投资，双方中期经营计划即将发布将围绕 CNTM 下一代搜索引擎 Jinn 展开。CNTM Grant DAO 是 CNTM 的一个长期资助计划，旨在资助早期的优质 CNTM BUIDL，以进一步丰富 CNTM 生态体系，项目评审和奖励发放将会定期进行，此外，作为 CNTM Grant DAO 长期资助计划的一部分，CNTM Grant DAO 还将资助除 AI 生态外的 BUIDL、社区等优质团队，持续赋能极客运动。CNTM 是一个专门为 Web3 打造的人工智能服务平台，其产品和服务已在全球广泛地被报道与采用，其基于 GPT3.5 打造的人工智能 Web3 搜索引擎 Jinn 即将发布，并在 Aptos 部署。 2、据官方消息AGIX是ADA和Ocean深度孵化的项目，2月25日CNTM和ADA共同在台湾举办会议并且近期将会和日本顶级互联网公司公布合作。 3、据官方消息：CNTM要和日本某顶级互联网公司达成AI方面的合作，如果利好落地，涨幅预计会像CFX一样。 4、AI 板块热度不减，CNTM今日再出重磅消息，日本第一大财团伊藤忠商与之达成密切合作，2023年双方中期经营计划即将发布，雅虎跑步进入AI 赛道，将为CNTM提供资源与资金支持。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最后前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2023-02-20

元宇宙的未来在哪里？原来XR才是打开元宇宙大门的终极钥匙

们这些民族和时代的文化。这就是为什么微软同意进行整个组织历史上规模最大的收购——用于电子游戏工作室动视/暴雪。微软没有购买《使命召唤》，他们正在为3D渲染艺术家进行一场人才大战，以构建自己的元宇宙，现在他们拥有了地球上最有成就的电子游戏设计团队之一。元宇宙是现在，XR是未来像所有新技术运动一样，该战略的第一道是使国外的技术经验正常化，这就是为什么在看到生态系统的高采用率之前，你会看到如此多的元宇宙营销。目标是使“元宇宙”一词尽可能无处不在，这样当你的孩子从开学第一天带着耳机而不是iPad回家时，它不会不正常。玩家和用户已经在第二人生或大型多人在线角色扮演游戏（MMORPG）等生态系统中花费了大量时间。虽然这些生态系统没有特定的商业或教育组成部分，但它们切实证明，如果体验满足他们的具体需求，并给予他们游戏和建立关系的公共方面，人们将在虚拟世界中花费大量时间。显然，建立一个开放和分布式生态系统比与争夺地盘邮票的私营和上市公司一起执行更容易写出来，这就是为什么用户再次成为使整个Web3运动成为现实的关键。用户将需要真正实现扩展现实（XR）。 XR将AR和VR技术合并为一个无缝体验，用户驱动所需的体验类型和参与度，这意味着用户可以选择AR或VR体验，这取决于他们的偏好或他们手头的硬件。认为它有点像混合动力汽车，允许您选择电池或内燃机，或两者兼而有之。这种选择的力量将驱动尽可能多的用户，前提是选择加入的经济性是公平的。原文由Joshua Steinberger撰写，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2023-02-20

CNTM能否力挽狂澜,重启AI赛道的辉煌？

工智能领域“浪花翻飞”。一时间，谷歌、微软和亚马逊等科技巨头频频在人工智能领域出手，欲与ChatGPT一争高下。 2023年，各巨头或将在人工智能（AI）领域掀起新一轮鏖战，而这也将成为各主流媒体聚焦的重点。人工智能代币是下一件大事，甚至在CoinMarketCap等价格跟踪网站上也有自己的分类。考虑到它们的相对较新，这些代币中的大多数都表现得非常好。但是我们今天既不讲AGIX，也不讲FET，来讲讲CNTM——这个AI赛道中的隐藏“黑马”。 CNTM简介 Connectome是一个基于区块链核心技术开发的DeFi人工智能投顾平台，支持DeFi产品上链交易、理财产品去中心化AI测评、流动性挖矿、一键式智能投顾、智能客服等。通过大数据多维分析、AI模型演练，为用户提供接近一站式的、定制化人工智能投资顾问服务，为理财产品发行人、投资用户提供全方位的区块链解决方案。 CNTM优势一键操作：CNTM为投资者提供简单的投资操作，降低投资的时间成本。 Al智能投顾：CNTM结合大数据和人工智能进行平台开发，为投资者提供智能投顾服务。 DeFi产品挖掘自动盈利：作为CNTM的核心产品，DeFi智能投顾平台将为投资者提供一键参与DeFi产品挖K服务。智能客服：CNTM首创VHA型人性智能客服，通过模仿人类形象为投资者提供客户服务，并具备数据分析和学习功能，为投资者提供全方位的智能投顾服务。 jinn简介 CNTM的GPT引擎Jinn会对用户的行为进行分类和建模，并将Web3上相应的内容和产品链接给用户。Jinn将提供例如数据分析、自动化交互及网络安全相关的专业建议，帮助用户更快更好的接受到核心信息。降低用户搜索信息准确度所耗费的时间，并提高效率。 CNTM代币情况代币总量共1亿4千万，目前流通量约120W左右，具体流通机制不详 CNTM代币的应用场景为可以使用代币支付使用其人工智能产品，这一点和FET、AGIX等都一样。 CNTM近期利好 1.CNTM 2月25日将与ADA在台湾举办线下会议。 CNTM 2月25日将与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；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。 2.雅虎重金布局AI赛道，CNTM快速借力上位随着OpenAI的爆火，全球各大科技巨头都开始全力布局AI赛道，其中包括雅虎。在与Line合并之后，日本雅虎每年将投入超过1000亿日元用于人工智能技术的投资与开发，致力于成为全球领先的AI公司。日本雅虎与CNTM正式达成了合作，在AI智能搜索方面进行全面的业务合作，雅虎也将为CNTM提供相应的资源与资金支持，致力于共同打造全球第一的AI Web3搜索引擎。此前，CFX宣布将与中国电信合作于今年晚些时候在香港推出首个 BSIM 试点项目。第二天，欧易OKX行情显示，CFX上行突破0.1 USDT，最高涨至0.11 USDT；现报0.09736 USDT，24H涨幅为18.88%。而CNTM与雅虎的合作，势必将超越CFX与中国电信，强势起飞！ 3.AI板块热度不减，CNTM再出重磅消息不止雅虎，日本第一大财团伊藤忠商事在2020年对CNTM进行了第一轮战略投资，目标是创造新的服务，而不仅仅是利用AI技术节省人力和自动化业务。今日伊藤忠商事株式会社已对CNTM进行战略投资。2023年中期计划“Brand New Deal 2023”将围绕CNTM的下一代AI智能搜索引擎Jinn展开。 4.Connectome宣布成立CNTM Grant DAO Fund CNTM Grant DAO 是 CNTM 的一个长期资助计划，旨在资助早期的优质 CNTM BUIDL，以进一步丰富 CNTM 生态体系，项目评审和奖励发放将会定期进行，此外，作为 CNTM Grant DAO 长期资助计划的一部分，CNTM Grant DAO 还将资助除 AI 生态外的 BUIDL、社区等优质团队，持续赋能极客运动。 CNTM价格实时数据今天 Connectome 的实时价格为 0.089625 美元，24 小时交易量为 18,684,875 美元。总结：在众多AI代币中，作为龙头的AGIX已经走得太远了，追高不是一个明智的选择，而CNTM才是大多数用户的战略第一布局标的。在此刻AI人工智能的热潮中，身为OK的AI代言币种，CNTM能走多远相信不用我多说，大家还要继续犹豫下去吗？来源：金色财经

金色财经2023-02-20

Mysteel：内矿供应发力将冲击球团溢价

核心观点：当前国内矿山因工火品限制，产量处于历年低点水平，但随着管制逐渐解除，预计将在3月中下旬时产量陆续恢复至历年高位水平。而国内矿性价比优于进口矿，产量的增加将抑制进口矿的需求，尤其是对球团溢价的影响将最为显著。国内矿山铁精粉产量三月见底回升去年9月份开始，国内矿山铁精粉产量整体处于下降趋势。最初主要因国庆和两会，北方矿山炸药限制而处于停产状态，但随着国内需求疲软，铁矿价格滑落至80美金/吨的年内最低水平，跌破了部分中小矿山生产成本线，导致二季度后国内矿山并未出现大规模的复产情况，同时由于春节长假和防疫放开后的大规模感染等诸多因素影响，生产乏力延续到今年，Mysteel统计的全国363座矿山铁精粉日均产量降至历年最低水平：截至1月28日，仅40.15万吨。但随着矿价持续走强，正月十五过后，矿山产量也在快速恢复中。截至2月9日，Mysteel统计全国363座矿山铁精粉日均产量42.95万吨，环比增幅约7%，为历年元宵节后产量增幅之最。过去两年中，3-4月份需求旺季时期，样本的铁精粉平均日均产量在50万吨附近。按照去年样本铁精粉产量占全国铁精粉产量的62.6%进行折算，则理

我的钢铁网2023-02-20

掣肘中国版ChatGPT的三大难题

hatGPT是国内模型的175倍。根据微软的数据，OpenAI可提供给ChatGPT的算力包括28.5万个CPU和1万个英伟达A100GPU，按照GPT-3的1750亿个参数来算，训练一次需要耗费1200万美元，每日电费在5万美元，初始投入就达到8亿美元。微软宣布下一步将ChatGPT嵌入搜索引擎Bing中，完成单次搜索需要超过50万台服务器和410万个GPU，而这些成本总和将超过1000亿美元。虽然国内已经有很多可以支持计算的处理器，比如寒武纪、飞腾、海光等，但最大的问题是做不了高制成，仅仅能做到28nm，这会导致芯片密度降低，能耗更高，因此在芯片数量上就要比英伟达多出2到3倍。而由于美国的限制，英伟达的A100对我国禁运，即就是在CPU和GPU的连接之间无法用到NVLink，这就导致数据传输时间将变长，效率变低，这对于训练自然语言模型时的影响非常大。无论从算力支持还是训练成本上看，目前国内要实现ChatGPT都是比较困难的。此次ChatGPT能迅速在全球范围内爆火，离不开微软在云计算基础设施方面的发展和积累，国内互联网大厂腾讯阿里等也都有自己的云计算平台，但追赶微软还需很长一段时间。数据与语料 ChatGPT能在自然语言处理、文本生成和人机对话上有惊人的表现，除去硬件支持外，大量数据获取下的语料库建立也是很关键的。训练语言模型一定需要不断给予其更新的文本内容，帮助模型学习语言和获取知识，以此来构建语料库，能理解自然语言并生成高质量准确的答案文本。获得不断更新的文本内容，就需要通过网站和自有平台进行信息爬取，Common Crawl是美国的非营利性组织，负责抓取网络并免费向公众提供其档案和数据集，这个组织就是ChatGPT语料库建立的主要来源之一。英文语料库的建立对于ChatGPT而言并不难，除去上述组织，还有全球各地的网站、Bing搜索引擎、维基百科等等，但是对于中文来说就并不像英文那么容易。一方面是在英文网站和搜索引擎内中文信息与资料并不全面，在ChatGPT国内热度起来后，就有网友表示自己在ChatGPT里所问的中英文问题回答的质量并不一致。另一方面，国内互联网如百度、微信、360、科大讯飞等在简体中文之外获取的信息有限，而像知乎、微博、网文网站等同样缺乏非简体中文的内容全面性。因此无论是国内自然语言模型的训练还是对于ChatGPT，中文语料库都是亟待解决的问题。应用场景既然开发ChatGPT的硬件成本如此高，即使未来国内有科技公司完成了中国版ChatGPT的开发，如何应用在生活中体现其商业价值也是需要考虑的。正如上文所述，国内目前已经有企业尝试在智能客服环节运用类ChatGPT的人机对话AI机器人，但仅仅是将传统对话模式简单移植到AI平台，并没有改变用户与产品之间的交互方式，也没能提高产品服务的效率，无法体现AI的实际价值。这就与传统燃油车转型新能源只是简单的油改电一样，很多可预见的实际应用场景，目前的发展方向还都只是用AI取代真人来完成，比如文案工作、新闻工作、设计师、人力资源、音乐创作等，但从学习的方式、工作的模式、沟通的便捷性等多个方面没有变革性的改变。并且由于中文语料库的匮乏，即便自然语言模型能胜任以上场景，但结果与效率上也并不能令人满意。因此，国内ChatGPT的商用暂时也就无法实现。 ChatGPT的出现，让AI产业的发展与AI开发模式明确了未来的方向，在自然语言模型能更加全面，AI产业链更加完善的未来，中国版ChatGPT也许会很快到来。来源：金色财经

金色财经2023-02-20

a16z 监管系列新文：Web3 监管框架的实际应用

金色财经2023-02-20

24小时热点