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

腾讯云发力行业大模型，有几分胜算？
go
。通用大模型需要利用大规模数据和先进的机器学习技术来训练和优化大型神经网络模型，但由于很多企业的业务数据等都是非常隐私的核心数据，他们根本不会将其放在数据集上进行公开训练，因此训练模型的专业、且高质量的数据收集是非常难的。同时在通用大模型时，需要大量计算资源和漫长的训练周期。但是并非每家企业都有足够的资源，让大模型完成训练和推理，这对企业来说昂贵且耗时。英伟达曾公布数据显示，训练一次大模型，大约100多万美金。但大模型在国内落地的需求却已刻不容缓，为了解决落地问题，推出更有针对性的行业大模型，并利用数据精调来满足业务需要，已经成为国内云服务商曲线解决当下困境的一种选择。中金公司指出，腾讯AI大模型内外兼修，腾讯云的大模型能力可应用于腾讯会议等SaaS产品当中，将进一步加强产品的优势及提升变现潜力。大模型落地挑战重重在行业大模型落地的过程中，仍然有不少困难和挑战需要去解决。一是计算资源问题。训练大型模型需要大量的计算资源和存储资源，与一般服务器相比，GPU服务器的稳定性比较低，大模型训练需要的GPU经常达到上千张卡。对于许多企业来说，这可能是一个巨大的负担，因此寻找更高效的算法和硬件优化是解决这一问题的关键。二是数据质量问题。训练大型模型需要大量的高质量数据，可现实情况却是，这些数据往往存在噪声、缺失值等问题，如果导入的数据质量低，那训练出来的模型也会有问题。因此，研究人员需要采用各种方法来解决这些问题，例如数据清洗、去噪等，这也导致数据质量或不准确。三是大模型的应用问题。当把大模型的能力落到某个实际场景的应用产品上时，由于没有参照，其实是并不好判断具体该如何用这些模型的。虽然大模型在某些领域表现出色，但是它们并不一定适用于所有场景。因此，需要根据具体应用场景选择合适的模型。此外，大型模型可能会泄露用户的敏感信息，如医疗记录、财务信息等。因此，保护用户隐私是非常重要的，这需要采取措施确保数据的安全性和隐私性，例如使用加密技术、限制访问权限等。总之，大模型的落地面临着许多挑战，需要克服这些挑战才能实现其潜力。但从逻辑上讲，行业大模型一定会是在精度相对较低、容错率较高的行业先引用，再到精度要求高的地方去。腾讯云有几分胜算？在当前的大模型赛道中，谷歌、微软、亚马逊等科技巨头已经占据了主导地位，他们拥有庞大的数据集和先进的算法技术，能够训练出具有极高准确性和泛化能力的模型。此外，国内的百度、阿里巴巴、腾讯等企业也在积极布局大模型赛道，通过自主研发和收购等方式获取更多的技术和数据资源。腾讯的优势主要是其过去积累的庞大的业务数据和算力基础设施，如今腾讯云的解决方案，就是基于这些过去的积累，解决大模型应用落地的痛点。一方面，腾讯旗下有多个不同的业务板块，多年来在金融、传媒、文旅、工业等不同领域积累了大量的数据和经验。以此为养料，腾讯云才能构建起一系列针对不同行业的行业大模型，同时针对一些特定的任务进行优化，从而确保使用时仅需少了数据就可以达到较好的精调效果。另一方面，腾讯云在大模型算力方面拥有领先优势。早在今年4月，腾讯云便发布了面向大模型训练的新一代HCC高性能计算集群，采用最新一代腾讯云星海自研服务器，结合多层加速的高性能存储系统，具备3.2Tbps业界最高互联带宽，算力性能提升3倍。腾讯还有自己的升级框架加速能力太极Angel，是其在人工智能领域的技术积累和创新成果之一，它采用了先进的异步调度优化、显存优化、计算优化等技术手段，可以显著提升大模型的训练和推理速度。总之，腾讯入场大模型赛道将会对整个行业产生深远的影响，推动技术的进步和商业的发展。
证券之星2023-06-21
专注于大数据实时智能平台的技术研究，邦盛科技闯关科创板IPO
go
CE平台、三核决策平台、关联图谱平台、机器学习平台等涵盖数据治理、计算分析、智能决策功能的大数据实时智能平台软件;同时，基于以上自主研发的可跨行业标准化使用的平台软件，公司已形成了面向智慧金融、网络安全等领域多场景的应用解决方案及技术服务，帮助客户实现高实时、高并发、高精细的大数据处理分析，完成高效的决策和预测，助力实现“热数据”价值最大化。图片来源;公司招股说明书财务数据显示，公司2020年、2021年、2022年营收分别为1.01亿元、1.96亿元、2.7亿元;同期对应的归母净利润分别为-3,042.05万元、-7,911.12万元、-8,057.72万元。发行人选择《上海证券交易所科创板股票上市规则》第2.1.2条第(二)项规定的上市标准，即“预计市值不低于人民币15亿元，最近一年营业收入不低于人民币2亿元，且最近三年累计研发投入占最近三年累计营业收入的比例不低于15%”。根据容诚出具的《审计报告》(容诚审字[2023]310Z0405号)，公司2022年度营业收入为27,002.35万元;最近三年累计研发投入为16,560.81万元，占最近三年累计营业收入的比例为29.24%。结合公司的技术水平、成长前景和市场估值水平合理估计，公司预计市值不低于15亿元。本次拟募资用于实时智能平台研发及升级项目、实时智能技术体系产业化、研发中心建设、营销网络建设。图片来源：公司招股说明书截至本招股说明书签署日，公司第一大股东宁波穿越持有公司8.1124%的股份。陈纯、陈航分别持有宁波穿越1%、99%的股权，陈纯系陈航的父亲，为宁波穿越执行事务合伙人。陈纯、王新宇直接和间接合计控制公司30.1730%的股份，为公司的实际控制人。本条资讯来源界面有连云，内容与数据仅供参考，不构成投资建议。AI技术战略提供为有连云。
有连云2023-06-20
EVM创新热潮下谁是赢家？
go
的是游戏、链上订单簿、Web3 社交、机器学习、基因组建模等。所有这些都需要大计算量，在 L2 上运行也会非常昂贵。EVM 的另一个问题是，计算的速度和效率不如现在的其他系统，如SVM （Sealevel Virtual Machine）。虽然 L3 EVM 可以使计算更便宜，但 EVM 本身的结构可能不是执行高计算的最佳方式，因为它无法计算并行运算。在上面每建一个新的层的时候，为了保持去中心化的精神，就需要建立新的基础设施（新的节点网络），这仍然需要同样数量的提供者来扩展，或者是一组全新的节点提供者（个人/企业）来提供资源，或者两者都需要。因此，每当更先进的解决方案被建立时，现有的基础设施就要被升级，或者在上面建立一个新的层。为了解决这个问题，我们需要一个后量子安全、去中心化、无需信任、高性能的计算基础设施，可以真正高效地使用量子算法为去中心化的应用进行计算。像 Solana、Sui 和 Aptos 这样的 alt-L1s 能够实现并行执行，但由于市场情绪,流动性短缺市场上缺乏开发人员，他们不会对以太坊产生挑战。因为缺乏信任，而且以太坊用网络效应建立的护城河是里程碑式的。到目前为止，ETH/EVM 的杀手并不存在。这里的问题是，为什么所有的计算都应该在链上？是否存在一个同样无需信任、去中心化的执行系统？这是 DCompute 系统能够实现的。 DCompute基础设施要做到去中心化、后量子安全，也要做到无信任，不需要或者说不应该是区块链/分布式技术，但验证计算结果，正确的状态转换和最终确认是非常重要的。EVM 链的运行就是如此，在保持网络的安全性和不可篡改性的同时，去中心化的、无需信任的、安全的计算可以被移到链下。我们在这里主要忽略的是数据可用性的问题。这篇文章并非不关注数据的可用性，因为像Celestia 和 EigenDA 这样的解决方案已经在朝这个方向发展。 1: 只将计算外包（Only Compute Outsourced） (来源：Off-chaining Models and Approaches to Off-chain Computations, Jacob Eberhardt & Jonathan Heiss) 2. 将计算与数据可用性外包 (来源：Off-chaining Models and Approaches to Off-chain Computations, Jacob Eberhardt & Jonathan Heiss) 当我们看到 Type 1时，zk-rollups 已经在做这个，但它们要么受限于EVM，要么需要教导开发者学习全新的语言/指令集。理想的解决方案应该是高效的、有效的（成本和资源）、去中心化的、私密的和可验证的。ZK证明可以在AWS服务器上构建，但它们并不是去中心化的。像Nillion和Nexus这样的解决方案正在尝试以去中心化的方式解决通用计算的问题。但这些解决方案是无法验证的，如果没有ZK证明的话。 Type 2 将链下计算模型与保持分离的数据可用性层结合起来，但计算仍然需要在链上进行验证。让我们来看一下今天可用的不完全可信和可能完全无信任的不同去中心化计算模型。其他计算系统（AlternativeComputation Systems）以太坊外包计算生态图 (来源：IOSG Ventures) 安全飞地计算（Secure Enclave Computations）/可信执行环境（Trusted Execution Environments） TEE（可信执行环境）就像计算机或智能手机内部的一个特殊盒子。它有自己的锁和钥匙，只有特定的程序（称为可信应用程序）才能访问。当这些可信应用程序在TEE内部运行时，它们就受到其他程序甚至操作系统本身的保护。这就像一个只有几个特殊朋友可以进入的秘密藏身处。TEE最常见的例子是安全隔离区，它们存在于我们使用的设备上，例如苹果的T1芯片和英特尔的SGX，用于在设备内部运行关键操作，如FaceID。由于TEE是隔离的系统，认证过程无法被破坏，因为认证中存在信任假设。可以将其想象为存在一个安全门，你相信它是安全的，因为Intel或Apple建造了它，但世界上有足够多的安全破坏者（包括黑客和其他计算机），可以破坏这扇安全门。TEE不是“后量子安全”的，这意味着拥有无限资源的量子计算机可以破解TEE的安全性。随着计算机迅速变得更加强大，我们必须在构建长期计算系统和密码学方案时牢记后量子安全性。安全多方计算(SMPC) SMPC（安全多方计算）也是区块链技术从业熟知的一种计算方案，在SMPC网络中大致的工作流程会有如下3部分组成：步骤1：将计算的输入转换为份额（shares），并分布在SMPC节点之间。步骤2：进行实际的计算，通常涉及SMPC节点之间的消息交换。在此步骤结束时，每个节点将拥有计算输出值的一个份额。步骤3：将结果份额发送到一个或多个结果节点，这些节点运行LSS（秘密分享恢复算法）以重构输出结果。想象一个汽车生产线，汽车的构建和制造组件（发动机、车门、后视镜）被外包给原始设备制造商（OEM）（工作节点），然后有一个装配线，将所有组件组装在一起制造汽车（结果节点）。秘密分享(Secret sharing)对于保护隐私的去中心化计算模型非常重要。这可以防止单个参与方获得完整的"秘密"（在这种情况下是输入），并恶意产生错误的输出。SMPC可能是最容易和最安全的去中心化系统之一。虽然目前不存在一个完全去中心化的模型，但从逻辑上讲这是有可能的。像Sharemind这样的MPC提供商为计算提供MPC基础设施，但提供商仍然是集中的。如何确保隐私，如何确保网络(或Sharemind)没有恶意行为?这就是zk证明和zk可验证计算的由来。 Nil Message Compute（NMC） NMC是由Nillion团队开发的一种新的分布式计算方法。它是MPC的升级版，其中节点无需通过通过结果交互来进行通信。为此，他们使用了一种称为一次掩码（One-Time Masking）的密码原语，利用一系列称为遮蔽因子（blinding factors）的随机数来掩盖一个Secret，类似于一次性填充。OTM旨在以高效的方式提供正确性，这意味着NMC节点不需要交换任何消息来执行计算。这意味着NMC不会有SMPC的可扩展性问题。零知识可验证计算 ZK可验证计算（ZK Verifiable Computation）是对一组输入和一个函数生成零知识证明，并证明任何系统执行的计算都会是正确执行的。尽管ZK验证计算是新生事物，但它已经是以太坊网络扩展路线图中一个非常关键的部分， ZK证明有各种各样的实现形式（如下图所示，根据论文“Off-Chaining_Models”中总结）： (来源：IOSG Ventures, Off-chaining Models and Approaches to Off-chain Computations, Jacob Eberhardt & Jonathan Heiss) 上面我们对zk证明的实现方式有了基本的了解，那么使用ZK证明验证计算需要什么条件呢？首先，我们需要选择一个证明原语，理想的证明原语生成证明的成本低，对内存的要求不高，并且要易于验证其次，选择一种zk电路，设计用于通过计算生成上述原语的证明最后，在某个计算系统/网络中通过提供的输入对给定的函数进行计算并给出输出。开发者的难题 - 证明效率困境另外一个不得不说的事情就是构建电路的门槛还是很高，让开发者学习Solidity已经不是一件容易的事情，现在要求开发者学习Circom等来构建电路，或者学习一门特定的编程语言(如Cairo)来构建zk-apps，这似乎是一个遥不可及的事情。如上面的统计数据显示，将Web3的环境改造得更适于开发，似乎比将开发人员引入新的Web3开发环境更具可持续性。如果ZK是Web3的未来，Web3应用程序需要使用现有的开发人员技能来构建，那么ZK电路就需要这样设计：支持由JavaScript或Rust等语言编写的算法执行的计算生成证明。这样的解决方案确实存在，笔者想到的是两个团队:RiscZero和Lurk Labs。两个团队都有一个非常相似的愿景，即他们允许开发人员无需经历陡峭的学习曲线即可构建zk-app。 Lurk Labs还处于早期阶段，但该团队已经在这个项目上工作了很长时间。他们专注于通过通用电路生成Nova证明（Nova Proof)。Nova证明是由卡耐基梅隆大学的Abhiram Kothapalli和微软研究院的Srinath Setty以及纽约大学的 Ioanna Tziallae 提出的。与其他SNARK系统相比，Nova证明在进行增量可验证计算(IVC)方面具有特殊优势。增量可验证计算(IVC)是计算机科学和密码学中的一个概念，旨在实现计算的验证，而无需从头开始重新计算整个计算。当计算时间长且复杂时，需要针对IVC对证明进行优化。 Bonsai网络设计的美妙之处在于计算可以初始化，验证，输出全部做到链上。所有这些听起来都像是乌托邦，但STARK证明也带来了问题——验证成本太高。 Nova证明似乎非常适合重复计算(它的折叠方案经济高效)和小型计算，这可能使Lurk成为ML推理验证的一个很好的解决方案。谁是赢家？ (来源：IOSG Ventures）一些zk-SNARK系统在初始设置阶段需要一个可信的设置过程，生成一组初始参数。这里的信任假设是，可信的设置是诚实执行的，没有任何恶意行为或篡改。如果受到攻击，可能会导致创建无效的证明。 STARK证明假设低阶测试的安全性，用于验证多项式的低阶性质。它们还假设哈希函数表现得像随机预言机一样。两个系统的正确实施也是一个安全假设。 SMPC网络依赖于以下几点： SMPC参与者可以包括“诚实但好奇“的参与者，他们可以通过与其他节点通信来尝试访问任何底层信息。 SMPC网络的安全性依赖于参与者正确执行协议并不故意引入错误或恶意行为的假设。某些SMPC协议可能需要一个可信的设置阶段来生成加密参数或初始值。这里的信任假设是可信设置被诚实执行。与SMPC网络相同，安全假设保持不变，但由于OTM（Off-The-Grid Multi-party Computation）的存在，不存在“诚实但好奇“的参与者。 OTM是一种多方计算协议，旨在保护参与者的隐私。它通过使参与者在计算中不公开其输入数据来实现隐私保护。因此，“诚实但好奇“的参与者不会存在，因为他们无法通过与其他节点通信来试图访问底层信息。有明确的赢家吗? 我们不知道。但每种方法都有自己的优点。虽然NMC看起来像是SMPC的明显升级，但该网络还没有上线，也没有经过实战测试。使用ZK可验证计算的好处是它是安全和隐私保护的，但它没有内置的秘密共享功能。证明生成和验证之间的不对称使它成为可验证外包计算的理想模型。如果系统使用纯粹的zk验证计算，则计算机(或单个节点)必须非常强大才能执行大量计算。为了在保护隐私的同时启用负载共享和平衡，必须有秘密共享。在这种情况下，像SMPC或NMC这样的系统可以与像Lurk或RiscZero这样的zk生成器相结合，以创建强大的分布式可验证外包计算基础设施。当今的MPC/SMPC网络是中心化的，这一点变得尤为重要。目前最大的MPC提供商是Sharemind，它上面的ZK验证层可以证明是有用的。去中心化MPC网络的经济模型尚未跑通。理论上，NMC模式是MPC系统的升级，但我们还没有看到其成功。在ZK证明方案的竞赛中，可能不会出现赢家通吃的情况。每种证明方法都针对特定类型的计算进行了优化，并且没有一个适合所有类型的模型。计算任务的类型有很多种，也取决于开发人员在每个证明系统上做出的权衡。笔者认为基于STARK的系统和基于SNARK的系统以及它们未来的优化在ZK的未来都有一席之地。来源：金色财经
金色财经2023-06-20
盘点加入NVIDIA Inception计划的6个加密项目
 go
，以创建可互操作的3D资产、制造模型和机器学习应用程序。 Kondux 发行有 NFT 和 ERC-20 代币 KNDX，目前 KNDX 的总市值为 194 万美元。 Ubex Ubex 是一个利用区块链和人工智能技术改进数字广告行业的平台，旨在提供更高效、透明和精准的广告投放方案。它通过去中心化的广告生态系统，连接广告发布商和广告客户，并通过智能合约确保广告交易的可验证性和安全性。 Ubex 在 2018 年 6 月加入 NVIDIA Inception 计划，希望利用 NVIDIA 在数据科学方面的丰富知识来加强神经网络的学习技术。 Ubex 发行有代币 UBEX，但目前总市值仅剩 15.4 万美元。小结在上面的项目中，进行 GPU 算力交易的 Flux 和 iExec 发展相对较好。随着 AI 的发展，去中心化的 GPU 算力市场可能会有需求。而元宇宙、NFT 类项目和 GPU 的结合点并不太多，在当前的熊市环境下价值也明显回归。需要指出的是，加入 NVIDIA Inception 计划的项目数量众多，可能存在遗漏之处，也不意味着这些项目和英伟达存在深度合作，投资者需谨慎自行判断风险。来源：金色财经
金色财经2023-06-19
AI行业投资泡沫还有多远
 go
营中使用人工智能的程度。尽管人工智能和机器学习被誉为革命性技术，有望为公司创造巨大的价值，但我们不能忽视AI技术在产品落地过程中所面临的难题和痛点。行业缺乏统一标准 AI行业如同移动应用的兴起，正迫切需要一套全新的跨平台系统，就像安卓和iOS为移动应用打下了基石一样。这套系统将涵盖从模型、算法到软件实现和操作系统的各个方面。它的特点是具备多数据源兼容性（例如多种数据库），多编程语言兼容性（例如TensorFlow、Python），并能够在各种硬件设备上无缝运行，实现跨平台AI的梦想。然而，当前AI行业面临一个共同的难题，即缺乏统一的标准。各个公司属于各自为王的发展阶段。没有统一的标准，也就无法实现大规模的生产和制造，对于产品的技术形态展示、商业模式运营等仍任重道远。成本昂贵，无法大众化普及随着人工智能技术的进步，越来越多的新兴公司发布了他们自家研发的智能大脑，并通过云服务的方式提供给用户使用。这些公司在吸引了大量用户后，却面临一个麻烦：服务器的运行成本太高，有些公司由于缺乏资金和技术实力，没有考虑到这个问题。人工智能模型的训练可谓是一项巨大的挑战，需要投入大量资源、时间和金钱。有些云服务提供商提供了自动化的模型训练和使用服务，但这些服务的成本相当昂贵，特别是在智能大脑的运行费用方面。如果初创公司提供的服务费用无法覆盖服务器的运行成本，那么这些公司的生存和盈利能力都将受到极大的影响，自然也无法大规模的商业化。 AI商业落地集中，企业亏损严重根据艾媒咨询发布的《2019年中国人工智能产业研究报告》，安防和金融行业是人工智能在实体经济中应用最广泛的领域，占据了市场份额的绝大部分，约达到70%。然而，这也意味着在其他行业中，人工智能的深度融合和落地还有很大的发展空间。即使一些独角兽企业在应用落地方面取得了一定的进展，但它们大多仍然面临着亏损的局面。例如，依图科技在2019年扣除非经常性损益后仍然亏损近10亿元，云知声和寒武纪也面临巨额亏损。今年上半年，依旧出现了较大的亏损额，表现如下：依图科技约亏损4.5亿元，云知声约亏损1.1亿元，而AI芯片龙头企业寒武纪的亏损超过2亿元，同比增长幅度高达550%。 AI前景虽好，但不是每个企业都能够在这个赛道中活下来。 AI面临的法律和道德问题随着人工智能的广泛应用，存在一些道德和法律风险，比如：隐私和数据滥用、偏见和歧视、自主决策的透明度、AI的沉迷和滥用以及责任和法律纠纷。为了应对新技术出现的道德和法律问题，各国也在相继出台法律法规，据不完全统计，自2016年以来，各国通过了123项与AI相关的法案，其中大多数是近年来通过的。法律法律的出台为AI的场景化落地提供制度上的保障，但从法律到落地也需要一定时间的过渡期，在此期间许多商业化的AI场景仍然面临着制度的缺陷问题。这也导致了短期内无法大规模商业化的原因之一。泡沫之后理性发展 AI无疑是未来的一大趋势，但正如行业周期变动规律显示，一个行业的发展必然要经过快速发展期、泡沫期、理性发展期、成熟期等几个阶段。在这个过程中，众多企业纷纷登上AI的舞台，但在行业竞争和技术迭代的过程中，泡沫过后，当真正比拼技术实力和整体综合能力下，一大批企业又会慢慢死去，企业生产成本降低、各项制度法律成熟，AI回归到行业的正常发展状态，才能真正实现商业化场景落地。来源：金色财经
金色财经2023-06-19
机构：今年已有超过20万名科技行业员工被解雇数千岗位将被取代，人工智能正在改变科技行业
 go
Lee表示，目前，专门研究人工智能或机器学习的高级软件工程师的平均工资比非专业工程师的平均工资高12％。尽管技术人员的薪酬在过去一年中趋于稳定甚至下降，但人工智能相关职位的薪酬却上涨了4％。扎克伯格在3月份制定Meta裁员10,000人的计划时说，公司的重点是“构建人工智能工具，帮助工程师更快地编写更好的代码，使我们能够随着时间的推移实现工作进程的自动化。” 　　同样，International Business Machines首席执行官Arvind Krishna称，他可以“轻松地看到”未来五年内IBM的数千个工作岗位将被人工智能取代，尤其是人力资源方面的日常工作。
金融界2023-06-19
DiDiCoin正式启动完美机制缔造财富奇迹
 go
性的前提下，支持计算密集性的用例，比如机器学习和深度学习，未来应用场景丰富。 DiDiCoin正式宣发以来，为所有参与者塑造生态共识。共识塑造用户行为的变化，所以良好的共识可以激励用户贡献价值并获得相应的回报。文化层面 DiDi由多家知名投社区联合宣发，旨在打造2023DiDi财富传奇。Didi是由著名区块链安全教授，团队成员大部分来自加州大学，技术背景深厚，行业契合度高；倾力打造.DiDi是由DiDiCoin构建的去中心化区块链网络，致力于构建基于区块链的云计算平台，可以实现隐私保护、安全和性能的兼顾,可以首次在区块链上实现诸如人工智能这样的计算密集型应用。 DiDiCoin代币经济学生态共识引领了DiDiCoin生态效应的发展，它远比过去的网络效应更有价值。Web3产生的生态效应之所以能够超越网络效应，在于共享经济而非垄断经济。DiDiCoin生态效应是对生态繁荣的追求，使价值得以持续并惠及每一位用户。 $DiDi总发行量100000枚，代币分配如下：代币滑点4%：(3%NFT节点分红 + 1%持币分红) 创世联合股东NFT发行100张，持有NFT可获得子币优先空投权、社区治理权、永久分红权等权益！另外，$DiDi两个重要机制是，持币暴力分红本币和添加资金池暴力分红USDT，完美机制为参与者打造一个健康有序的生态。 DiDiCoin团队成员均来自知名企业与互联网行业的初创团队。团队在互联网产品开发有着丰富的经验。未来，DiDiCoin将努力打造产品，不断完善生态共识，推动项目DAO去中心化治理，成为一个有爆款Web3项目！来源：金色财经
金色财经2023-06-19
到了2030年 GPT会发展成什么样？
go
暴、写信等方面的能力让许多人感到惊讶。机器学习带来的惊喜不仅限于 GPT-4：之前 Minerva 的数学能力就让我大吃一惊，也让许多同行预测员感到同样的惊讶。我们怎么才能对机器学习的发展不那么惊讶？我们的大脑通常会暗自做出零阶预测：看看当前的技术水平，并加入“感觉合理”的改进。但是，“看似合理”的东西容易产生认知偏差，并且会低估像机器学习这样发展得那么快的领域的进步。一种更有效的方法是进行一阶预测：对发展的历史速度做出量化，并前推算，同时考虑可能会放缓或加速的原因。在这篇文章里，我将使用这种方法来预测 2030 年时经过大型预训练的机器学习系统的特性。全文通篇会采用“GPT 2030”的说法，这是一个假设的系统，具备了预测中 2030 年时大语言模型的那种能力、计算资源与推理速度（但也可能接受了其他模态，比方说图像的训练）。为了预测 GPT 2030 的属性，我查阅了各种来源，包括经验比例定律、未来计算与数据可用性的预测、特定基准的改进速度、当前系统的推理速度经验值，以及未来可能的并行性改进。 GPT 2030 的能力令人惊讶（至少对我来说是这样的）。尤其是，GPT 2030 与当前系统相比，将具备若干显著优势，甚至与人类员工相比也是如此以及（至少在某些重要方面是这样）： GPT 2030 有可能在各种特定任务上表现出超人的水平，包括编码、黑客攻击和数学，以及潜在的蛋白质设计（第 1 节）。 GPT 2030 可以快速“工作”和“思考”：按照每分钟处理的单词数计算 [范围：0.5x-20x]，我估计它的速度会是人类的 5 倍，并且如果 FLOP（每秒浮点运算次数）多付 5 倍价钱的话，还可以提高到 125 倍（第 2 节）。 GPT 2030 可以任意复制，并行运行。训练 GPT 2030 的组织会有足够的计算能力来并行跑多个副本：我估计在调整到人类的工作速度后，一年足以执行 180 万年的工作 [范围：40万-100万年]（第 3 节）。考虑到前一点的 5 倍加速，这项工作可以在 2.4 个月内完成。由于具有相同的模型权重，GPT 2030 的副本可以共享知识，从而让快速并行学习成为可能：我估计它 1 天的学习量可相当于人类学习 2500 年（第 4 节）。 GPT 2030 将接受文本和图像以外的其他模态的训练，这可能包括违反直觉的模态，比方说分子结构、网络流量、低级机器代码、天文图像以及脑部扫描。因此，它可能对我们经验有限的领域有很强的直觉理解，包括能形成我们没有的概念（第 5 节）。这些能力至少会加速许多研究领域的发展，同时也会造成严重的滥用（第 6 节）。在滥用方面，GPT 2030 的编程能力、并行化与速度将让它成为强大的网络攻击威胁。此外，它的快速并行学习能力可以用来研究人类行为，进而利用数千“年”的实践来操纵和误导。在加速方面，主要瓶颈之一会是自主性。在像数学研究这样可以自动检查工作的领域，我预测 GPT 2030 的表现将胜过大多数专业数学家。在机器学习方面，我预测 GPT 2030 可独立执行实验并生成图表和文章，但研究生和研究科学家将提供指导并评估结果。在这两种情况下，GPT 2030 都将成为研究过程不可或缺的一部分。如果用今天的系统作为参照，我对 GPT 2030 具备哪些属性的预测没那么直观，而且也可能是错误的，因为机器学习到 2030 年会发展成什么样子仍存在很大的不确定性。但是，上面的特性 (第 1 点到第 5 点) 是我的预测中值，不管 GPT 2030 会发展成什么样，我都不会相信它“只是比 GPT-4 好一点而已”。如果我是对的，那么无论人工智能会产生什么样的影响，影响都不会小。我们现在应该为这些影响做好准备，问问在最大范围内会发生什么（大约在价值 1 万亿美元、影响 1000 万人的生命，或对社会进程造成重大破坏的程度上）。最好是现在就被吓到，而不是在系统已经推出的 7 年后才感到惊讶。 1. 特殊能力我预计 GPT 2030 会具备超人的编码、黑客攻击与数学能力。我还预期，在阅读和处理大型语料库，找到模式和洞察，以及回忆事实方面，它将具备超人的能力。最后，由于 AlphaFold 和 AlphaZero 在蛋白质结构预测与玩游戏方面具有超人的能力，GPT 2030 也可以做到这些，比方说，如果它用的是跟训练 AlphaFold/AlphaZero 模型相似的数据上进行多模态训练的话。编程。在训练中断后 GPT-4 在 LeetCode 问题上的表现优于人类基线，它还通过了几家主要科技公司的模拟面试（图 1.5）。改进的速度仍然很快，从 GPT-3 到 4 一下子就到提升了 19%。在更具挑战性的 CodeForces 竞赛上，GPT-4 表现不佳，但 AlphaCode 与 CodeForces 竞争对手的中位数持平。在更具挑战性的 APPS 数据集上，Parsel 又比 AlphaCode 更胜一筹 (7.8%->25.5%)。展望未来，预测平台 Metaculus 给出了到中位数年份 2027 年时人工智能在 80% APPS 上都将胜出，也就是说，除最优秀的人类以外，人工智能已经超过人类了。黑客攻击。我预期在一般编码能力加持下黑客攻击能力也会得到改善，而且机器学习模型用于搜索大型代码库漏洞，其扩展性和细致程度都要超过人类。事实上，ChatGPT 已经被用来帮助生成漏洞。数学。Minerva 在一项竞赛数学基准测试 (MATH) 上已经达到了 50% 的准确率，这比大多数人类竞争对手都要好。进展速度很快（1 年内 >30%），并且通过自动形式化、减少算术错误、改进思维链与更好的数据，可以获得唾手可得的显著成果。Metaculus 预测到 2025年，AI 对 MATH 测试的准确率将达到 92%，并且到了 2028 年（中位数），人工智能将能赢得国际数学奥林匹克竞赛金牌，与全球最好的高中生不相上下。我个人预计， GPT 2030 在证明“良定义定理”方面会比大多数专业数学家都要好。信息处理。事实回忆和处理大型语料库是语言模型的记忆能力以及大型上下文窗口的自然结果。根据经验，GPT-4 在 MMLU （MMLU 是一项范围很广的标准化考试，包括律师考试、MCAT 以及大学数学、物理、生物化学和哲学）上达到了 86% 的准确率；即便考虑到可能会出现 train-test contamination（训练集和测试集的交叉污染），这大概也已经超出任何活人的知识范畴。关于大型语料库，Zhong 等人(2023) 曾用 GPT-3 开发过一个系统，后来这个系统在大型文本数据集里面发现了几个之前不知道的模式，并且描述了出来，后来 Bills 等人的相关工作(2023)又扩展了这种趋势，这表明模型将很快成具备超级智能。这两项工作都利用了大型语言模型的大型上下文窗口，现在这个规模已经超过 100000 token 并且还在增长。更一般而言，机器学习模型的技能情况跟人类不一样，因为人类与机器学习适应的是非常不同的数据源（人类通过进化，机器学习通过海量互联网数据）。当模型在视频识别等任务上达到人类水平时，它们很可能就能在许多其他任务（如数学、编程以及黑客攻击）中表现出超人水平。此外，由于模型变得更大数据变得更好，随着时间的推移可能会出现其他的强大功能，预期模型功能“维持”或低于人类水平没有充分的理由。虽然当前的深度学习方法有可能在某些领域达不到人类水平，但它们也有可能会超越人类，甚至显著超越人类水平也说不定，尤其是在人类在进化上不擅长的数学等领域。 2. 推理速度（感谢 Lev McKinney 为本节运行性能基准测试。）为了研究机器学习模型的速度，我们测量了机器学习模型生成文本的速度，以每分钟 380 个单词的人类思维速度为基准。使用 OpenAI 的chat completions API，我们估计 gpt-3.5-turbo 每分钟可以生成 1200 个单词 (words per minute，wpm)，而 gpt-4 是 370 wpm（截至 2023 年 4 月初）。规模较小的开源模型，如 pythia-12b ，用 A100 GPU 跑用开箱即用的工具，至少可达到 1350 wpm，通过进一步优化似乎可以再翻一番。因此，如果以截至 4 月份的 OpenAI 模型为参照，人工智能的速度要么大约是人类速度的 3 倍，要么等于人类速度。我预测模型在未来的推理速度会更快，因为在加速推理方面存在很大的商业与实践压力。事实上，根据 Fabien Roger 的跟踪数据，在这篇文章发表之前的一周，GPT-4 的速度已经增加到约 540wpm（12 个token/秒）；这表明存在持续的改进空间与意愿。我的预测中值是模型的 wpm 将是人类的 5 倍（范围：[0.5x, 20x]），因为这之后会出现边际收益递减的情况，尽管有一些考虑会指向更高或较低的数字。重要的是，机器学习模型的速度不是固定的。模型的串行推理速度可以以吞吐量减少 k 倍为代价将速度提高 k 平方倍（换句话说，一个模型 k 立方倍的并行副本可以替换为速度快 k 平方倍的一个模型）。这可以通过并行平铺法来实现，理论上甚至适用于比 k 平方还要大的情况，可能至少是 100 甚至更多。因此，通过把 k 设为 5 的话，可以将 5 倍于人类速度的模型加速到 125 倍于人类速度。重要提醒，速度与质量未必匹配：如第 1 节所述，GPT 2030 的技能组合跟人类不一样，机器在某些我们认为很容易的任务上会失败，而在某些我们感觉困难的任务却很精通。因此，我们不应把 GPT 2030 看作是“高速版人类”，而应将其看作是具有违反直觉的技能的，“高速版员工”。尽管如此，把加速因素纳入考虑仍然很有参考意义，尤其是当加速值很大时。如果语言模型获得了 125 倍的加速，假设其处于 GPT 2030 的技能范围内，需要我们一天时间的认知动作，GPT 就可以在几分钟内完成。以前面的黑客攻击为例，机器学习系统可以快速建立起对我们来说生成速度较慢的漏洞利用或攻击。 3. 吞吐量与并行副本模型可以根据可用的计算和内存情况任意复制。这样任何可以并行化的工作都可以快速完成。此外，一旦一个模型被微调到特别有效，改变就可以立即传播到其他实例。模型也可以针对专门的任务进行提炼，从而跑得更快、成本更低。一旦模型经过训练，可能就会有足够的资源来跑模型的多个副本。这是因为训练一个模型需要运跑它的很多个并行副本，而训练这个模型的组织在部署的时候仍将拥有这些资源。因此，我们可以通过估算训练成本来降低副本数量。举个例子说明一下这种逻辑，训练 GPT-3 的成本足以让它执行 9 x 10^11 次前向传播。换句话说，人类每分钟的思考量是 380 个单词，一个单词平均为 1.33 个 token，因此 9 x 10^11 次前向传播相当于以人类速度工作约 3400 年。因此，用人类的工作速度该组织可以跑 3400 个模型的并行副本一整年，或者以 5 倍于人类的速度跑相数量的副本 2.4 个月。我们接下来为未来的模型设计同样的“训练悬垂”（训练与推理成本的比率）。这个比率应该会更大：主要原因是训练悬垂与数据集大小大致成正比，而数据集会随着时间的推移而增加。随着自然产生的语言数据被我们用完，这种趋势将会放缓，但新的模式以及合成或自生成的数据仍将推动它向前发展。我预测 2030 年的模型可使用足够的资源进行训练，去执行相当于人类速度 1800000 年的工作[范围：400k-10M]。请注意，Cotra (2020) 与 Davidson (2023) 估计的数量相似，得出的数字比我得预测更大；我想主要区别在于我对自然语言数据耗尽所产生影响得建模方式不一样。上面的预测有些保守，因为如果组织购买额外的计算资源的话，模型可使用得资源可能会多于训练时所用资源。粗略估计表明，GPT-4 使用了全球计算资源的约 0.01% 进行训练，不过我预计未来的训练占用全球计算总量的份额会更大，因此在训练后进一步扩展的空间会更小。尽管如此，如果组织有充分理由去扩展资源的话，仍然可以将所运行的副本数量提高到另一个数量级。 4. 知识分享（感谢 Geoff Hinton 首先向我提出了这个观点。）模型的不同副本可以共享参数更新。比方说，ChatGPT 可以部署到数百万用户那里，从每次交互中学到一些东西，然后将梯度更新（gradient updates）传播到中央服务器，在做过平均处理后再应用到模型的所有副本上。通过这种方式，ChatGPT 在一个小时内观察到的人性比人类一辈子（100 万小时 = 114 年）看过的东西还要多。并行学习也许是模型最重要的优势之一，因为这意味着它们可以快速学习任何自己缺失的技能。并行学习的速率取决于一次跑多少个模型副本，它们获取数据的速度有多快，以及数据是否可以高效地并行利用。最后这一点，即使是极端的并行化也不会对学习效率造成太大影响，因为数百万的批量大小在实践中很常见，并且梯度噪声尺度（McCandlish 等人，2018 年）预测学习性能在某个“临界批量大小”以下劣化程度最小。因此，我们将聚焦在并行副本和数据采集上。我会提供两个估计，这两个估计都表明以人类的速度并行学习至少约 100 万份模型是可行的。也即是说，机器一天的学习量相当于人类学 2500 年，因为 100 万天 = 2500 年。第一个估计用到了第 3 节中的数字，得出的结论是训练模型的成本足以模拟模型 180 万年的工作（根据人类速度进行调整）。假设训练运行本身持续了不到 1.2 年（Sevilla 等人，2022 年），这意味着训练模型的组织有足够的 GPU 以人类速度运行 150 万个副本。第二个估计考虑了部署该模型的组织所占市场份额。比方说，如果一次有 100 万用户向模型发起查询，则组织必然有资源来服务 100 万个模型副本。大致而言，截至 2023 年 5 月，ChatGPT 拥有 1 亿用户（并非同时全部活跃），截至 2023 年 1 月，其每天有 1300 万活跃用户。我假设典型用户的请求量相当于模型几分钟的生成文本，因此 1 月份的数字可能意味着每天大概只有 5 万人日的文本。不过，未来的 ChatGPT 式的模型似乎很可能会达到其 20 倍之多，日活用户可以达到 2.5 亿更多，因此每天将会有 100 万人日的数据。相比之下，Facebook 的日活用户数是 20 亿。 5. 多模态、工具与执行器从历史上看，GPT 风格的模型主要是基于文本和代码进行训练，除了通过聊天对话之外，与外界互动的能力有限。然而，这种情况正在迅速改变，因为模型正在接受图像等其他模态的训练，正在接受使用工具的训练，并开始与物理执行器交互。此外，模型不会局限于文本、自然图像、视频和语音等以人类为中心的模态——它们也可能会接受网络流量、天文图像或其他海量数据源等人类不熟悉的模态的训练。工具。最近发布的模型开始利用了外部工具，如 ChatGPT 插件等。文本与工具使用相结合足以编写出可执行的代码，说服人类让机器替他们采取行动，进行 API 调用，交易，甚至执行网络攻击都有可能。工具的使用具备经济用途，因此会有进一步发展这种能力的强烈动机。 ChatGPT 是被动的：用户说 X，ChatGPT 回应 Y。风险存在但有限。很快就会有主动系统 - 一个助手会替你回复电子邮件，代表你采取行动等。这样风险会更高。 - Percy Liang (@percyliang) 2023 年 2 月 27 日新模态。现在有大型开源视觉语言模型，如 OpenFlamingo，在商业方面，GPT-4 和 Flamingo 都接受了视觉和文本数据的训练。研究人员还在试验更多奇异的模态对，例如蛋白质和语言（Guo 等人，2023 年）。我们应该期望大型预训练模型的模式会继续扩展，原因有二。首先，在经济上，将语言与不太熟悉的模态（如蛋白质）配对有它的用处，这样用户就可以从解释并有效地进行编辑中受益。预测会用蛋白质、生物医学数据、CAD 模型以及与主要经济部门相关的任何其他模态进行多模态训练。其次，我们将开始用完语言数据，因此模型开发人员得搜索新类型的数据，从而可以继续受益于规模。除了传统的文本和视频之外，现有数据源当中天文数据（很快将达到每天艾字节得规模）和基因组数据（大约 0.1 艾字节/天）是规模最大之一。这些以及其他得海量数据源可能会被用于训练 GPT 2030。使用外来模态意味着 GPT 2030 可能会具备非直觉的能力。它可能比我们更了解恒星和基因，即尽管它现在处理基本的物理任务都比较困难。这可能会带来惊喜，比方说设计出新的蛋白质，这是我们基于 GPT 2030 那种“一般”智能水平预料不到的。在思考 GPT 2030 的影响时，重要的是要思考由于这些奇异的数据源而可能形成的超人能力。执行器。模型也开始使用物理的执行器：ChatGPT 已经用于机器人控制，OpenAI 正在投资一家人形机器人公司。不过，在物理域收集数据要比在数字域收集数据昂贵得多，而且人类在进化上也更适应物理域（因此机器学习模型与我们竞争的门槛更高）。因此，与数字工具相比，我预计人工智能掌握物理执行器的速度会更慢，而且我不确定我们是否该在 2030 年之前做到这一点。量化而言，我认为在 2030 年实现自主组装一辆按比例复制的法拉利的概率是 40%。 6. GPT-2030 的影响接下来我们将分析像 GPT 2030 这样的系统对社会意味着什么。具备 GPT 2030 特征的系统至少会显著加速某些领域的研究，同时被滥用的规模也大得很。我会从分析 GPT 2030 的一些一般优势和局限性开始，然后用来作为分析加速和滥用的视角。优势。GPT 2030 代表的是一支庞大、适应性强、高产出的劳动力队伍。回忆一下吧，多个 GPT 2030 副本并行工作，按照 5 倍于人类的运行速度，可以完成 180 万年的工作。这意味着我们可以（受到并行性的限制）模拟 180 万个代理，每个代理在 2.4 个月内即可完成一年的工作。如上所述，对于 FLOP （浮点运算），我们可以开出 5 倍的费用，从而换取额外 25 倍的加速（这将达到人类速度的 125 倍），因此我们还可以模拟出 14000 个代理，这些代理每个都能在 3 天内完成一年的工作。限制。利用这种数字劳动力存在三个障碍：技能情况、实验成本以及自主性。首先，GPT 2030 将拥有与人类不同的技能组合，导致它在某些任务上表现更差（但在其他任务上表现更好）。其次，模拟人工仍然需要与物理世界对接，以便收集数据，这个本身需要时间和计算成本。最后，在自主性方面，如今的模型在被“卡住”之前只能通过思维链生成几千个 token，进入到没法生成高质量输出的状态。在将复杂任务委托给模型之前，我们需要显著提高其可靠性。我预计可靠性会提高，但并非没有限制：我（非常粗略）的猜测是 GPT 2030 可以稳定运行数天（与人类等效的时间），然后就得重新设置或交给外部反馈控制。如果模型以 5 倍的速度运行的话，这意味着它们每隔几个小时就需要人工监督的介入。因此，GPT 2030 影响最大的任务应该具备以下特性：利用了 GPT 2030 相对于人类具备优势的技能。只需要外部经验数据（收集应该很轻松快速，与昂贵的物理实验相反）的任务。可以先验分解为可靠执行的子任务，或者具有清晰且可自动化的反馈指标来帮助引导模型的任务。加速。有项任务这三条标准都很容易满足，那就是数学研究。首先，GPT 2030 可能具备超人的数学能力（第 1 节）。这第二条和第三条，数学可以纯粹通过思考和写作来完成，而且什么时候定理得到证明我们是知道。此外，全球的数学家总共也没多少（比方说美国就只有 3000 人左右），因此 GPT 2030 也许每隔几天模拟一次产出就能超过所有数学家的年产。机器学习研究的一些重要部分也符合上述标准。GPT 2030 在编程方面能力超人，其中包括实施和运行实验。鉴于 GPT-4 擅长以通俗易懂的方式解释复杂的主题（并且市场对此也有很大需求），我猜它也能很好地呈现和解释实验结果。因此，届时机器学习研究可能会简化成构思出好的实验来运行，并与高质量（但可能不可靠）的结果报告进行交互。因此，到 2030 年时，研究生拥有的资源堪比今天带领几名优秀学生的教授手上的资源。部分社会科学也可以得到显著加速。很多论文大部分的工作是对具备科学有趣性的数据源进行追查、分类和标记，并从中析取出重要模式。这满足了第 3 条要求，因为分类和标记可以分解为简单的子任务，并且也满足第 2 条要求，只要数据在互联网上能找到，或者可以通过在线调查收集到即可。滥用。加速只是一方面，另一方面也会存在严重的滥用风险。最直接的案例是表现出网络攻击性的黑客能力。检查特定目标是否存在特定类型的漏洞可能会得到可靠执行，并且很容易就能检查漏洞利用是否成功（前提是能够与代码交互），因此第 3 条要求是都可以满足的。在第 2 条要求上，GPT 2030 需要与目标系统交互去了解漏洞利用是否有效，这会带来一些成本，但不足以构成重大瓶颈。此外，该模型可以在本地设计好，以开源代码作为训练数据源，去测试漏洞利用，因此它可以提前练好黑客攻击技能，然后再与外部系统进行交互。也就是说，GPT 2030 可以针对大量并行目标快速执行复杂的网络攻击。滥用的第二个来源是操纵。如果 GPT 2030 同时与数百万用户进行交互的话，那么它在一个小时内获得的人机交互体验比人一生（100 万小时 = 114 年）获得的交互体验都要多。如果它利用这些交互来学习如何操纵，那么它就可以获得远超人类的操纵技能——打个比方，骗子擅长欺骗受害者，因为他们之前已经在数百人身上练习过，而 GPT 2030 可以将这项技能提高几个数量级。因此，它可能非常擅长在一对一对话中操纵用户，或者擅长撰写新闻文章来影响公众舆论。因此，总而言之，GPT 2030 可以将几乎所有的数学研究以及其他研究领域的重要组成部分自动化，并且可能成为网络攻击和说服/操纵等滥用行为的强大载体。其大部分影响将受到“监督瓶颈”的限制，因此如果人工智能可以长时间自主运行的话，那么它的影响可能会更大。来源：金色财经
金色财经2023-06-19
Aidoge和Pepe二代合体meme币：AIPEPE开始空投中!
go
前上交易所。本次空投启用python机器学习识别作弊，被识别为作弊者将取消空投。来源：金色财经
金色财经2023-06-19
AIS：谷歌打造的第二代人工智能系统
 go
工智能系统——AIS。AIS是一个基于机器学习算法的系统，它可以将复杂的算法转换成简单易懂的符号表达，例如图表、流程图、数学公式等。这样，开发者就可以直观地看到算法的逻辑和效果，而不需要编写冗长的代码。这大幅缩短了开发周期，并提高了开发效率。 AIS不仅是一个技术平台，也是一个创新平台。谷歌拥有丰富的计算资源和数据资源，为AIS提供了强大的支持。同时，谷歌也汇集了来自全球各地的顶尖人才，在AIS领域进行前沿的研究和开发。谷歌的目标是，通过AIS，实现人工智能的突破和革新，构建更强大和通用的人工智能系统，为人类社会带来更多的便利和价值。 AIS起源于开曼群岛，团队位于硅谷，自2019年起就开始了人工智能的研究，比ChatGPT更早的研发出来并开始应用。AIS专注于AIS Surf（人工智能冲浪），经过后期不断的迭代和优化，他们推出了第一款基于文本交流的AIS产品——ChatGPT。ChatGPT是一个智能聊天机器人，它可以与用户进行自然和流畅的对话，回答各种问题，提供各种服务。ChatGPT不仅可以理解用户的语言，还可以理解用户的意图、情感和需求，从而给出更加个性化和满意的回答。在ChatGPT的基础上，AIS团队又进行了升级和扩展，开发出了更多的沟通方式和功能。现在，AIS不仅可以通过文本进行交流，还可以通过语音、电话、网页、邮件等多种渠道与用户联系。无论是企业还是个人，都可以通过AIS来高效的管理和交流。AIS可以帮助用户处理各种事务，例如预订酒店、查询航班、购买商品等。AIS还可以根据用户的具体情况，提供符合其实际需求和目标的详细建议，并将问题记录下来，以便专业技术人员后续解答。 AIS的核心技术是自然语言处理（NLP），它是一门研究计算机如何理解和生成自然语言的学科。AIS采用了最新的NLP技术，能够识别、分析和理解用户的语言信息，并根据上下文、知识库和逻辑推理，生成合适的语言信息。AIS不仅注重语言的准确性和有效性，还注重语言的情感表达。AIS让虚拟人具有了人类般的情感和共情能力，能够与用户建立起信任和友好的关系，并提高用户的满意度和忠诚度。 AIS是谷歌打造的第二代人工智能系统，它将机器学习算法变成了符号表达的各类图表，从而有效缩短了重新写代码的时间。我们以谷歌的计算资源为后盾，将汇集AIS领域的世界一流人才以及计算能力、基础设施和资源，大胆而负责任地创造下一代人工智能产品，以安全和负责任的方式构建更强大和通用的人工智能。我们相信，通过AIS，我们可以为人类社会带来更多的便利和价值。来源：金色财经
金色财经2023-06-17

上一页
1
•••
146
147
148
149
150
•••
206
下一页

24小时热点

最新话题更多