FX168财经网_全球视野外汇黄金加密货币NFT资讯网

灿谷发布2023年Q1财报，新车交易实现盈亏平衡

灿谷的智能AI客服基于大数据、云计算和深度学习等领先的人工智能技术，实现自主问答、业务办理、故障诊断等一系列复杂操作，是灿谷数字化转型和创新的重要组成部分，为灿谷提升客户体验和服务效率，增强竞争力和品牌影响力发挥了重要作用。从财务上看，一季度，灿谷营销和管理费用合计5,234万元，相比去年同期的10,473万元下降了50.0%，占总收入的比例也从去年同期的13.3%下降到了9.6%，体现了在数字化驱动下，灿谷经营效率实现改善。图：灿谷经营效率提升现金储备充足，保障汽车交易服务平台业务高速增长。截至2023年一季度末，公司促成的汽车贷款在贷余额从2021年底的467亿减少到2022年底的256亿并进一步收缩至2023年一季度末的207亿元，传统业务有序收缩，逾期率维持在合理水平。公司账上现金和短期投资合计27.15亿元，环比2022年底的23.2亿元增加17.0%，现金储备充足，有助于公司在汽车交易服务平台转型上全面发力，抓住后疫情时代的新机遇，实现长期稳定的高效发展。图：灿谷现金储备充裕而从行业层面看，汽车交易服务平台具有巨大的发展空间，灿谷可实现持续的高增长。据公安部统计，2022年全国机动车保有量达4.17亿辆，其中汽车3.19亿辆，具有庞大的汽车售后市场，但是汽车售后市场的份额比例远低于国外水平，这为汽车交易服务平台提供了广阔的市场空间。而在新车市场，国内的新能源车市场与下沉市场汽车销售受到政策支持，具有高增长潜力，这为汽车交易服务平台提供了新的业务机会和竞争优势。通过数字化、智能化、一站式的解决方案，汽车交易服务平台可以为汽车产业链上下游参与者提供安全、专业、高效的服务，提升客户体验和服务效率，增强竞争力和品牌影响力，从而具有广阔的增长空间。目前，灿谷已经成功向汽车交易服务平台转型，完成了车源、渠道和客户的多重积累，并且新车交易实现盈亏平衡，在充裕的现金储备支撑下，将会加大马力进行规模扩张，从而有望实现爆发式增长。根据管理层指引，2023年二季度，公司有望实现收入6.0-6.5亿元，同比增长106.9%-124.1%，环比增长10.5%-19.7%。而目前，在二级市场，灿谷的估值还在底部平台位置震荡，市净率仅为0.27，随着公司重回高增长，公司估值也将实现修复。 $灿谷(CANG)$

老虎证券2023-06-15

ST工智：当前还未跟小米开展人形机器人相关的业务合作

理算法、快速随机搜索树算法、图像算法、深度学习算法、视觉算法等解决生产过程中涉及的、有痛点需求工业设计、机器人视觉引导、机器人视觉识别等环节，所获得的成果包括但不限于：公司已发布了两款AI工业产品: 工业智能设计软件（AIAD V1.0）与工业智能OCR视觉系统（ROBE-OCR），这两款产品可以帮助传统制造型企业解决在设计与制造检验环节中存在的痛点及难点。 2022年全资子公司天津福臻中标了《汽车智能装配人工智能应用场景建设项目》，该项目融合5G、AI、大数据平台等先进技术，完成对车身、车门、车门铰链安装孔的精确定位和对车身门框的精确测量，计算出最佳装配位置，将车门精确定位及装配，进而实现整个装配流程的100%自动化等。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2023-06-15

美股开盘：纳指涨逾百点中概股多数走高百度涨逾5%、蔚来涨超4%

usicGen的开源AI模型，这是一种深度学习语言模型，可以根据文本提示生成音乐。Meta已经在Github上以开源的形式发布了MusicGen的代码和模型，并允许商业使用。　　特斯拉有望实现十三连涨！错失英伟达的“木头姐”套现近1亿美元，会不会又卖飞？　　方舟投资掌门人Cathie Wood旗下基金（包括方舟创新ETF、方舟自主技术与机器人ETF以及方舟下一代互联网ETF）周一出售了超39.3万股特斯拉股票，以周一的收盘价来算，价值超9800万美元。此前，其大胆预测，到2027年特斯拉会因其自动驾驶技术涨至2000美元。　　AMD新品发布前夕，投行大幅上调目标价　　美国超微公司将于北京时间6月14日周三凌晨01:00举办“AMD数据中心和AI技术首映”，该现场直播活动将展示其公司的发展战略和不断壮大的数据中心和AI产品组合和能力。周一，多家投行上调AMD目标价，Wedbush将目标价从每股95美元大幅上调至145美元，Keybanc则将目标价从110美元上调至150美元，两家投行还重申了“超配”（Overweight）评级。另外，投行Rosenblatt给出了“买入”评级，并把目标价设定在每股200美元，是所有投行给出的最高的目标价。　　甲骨文Q4业绩、Q1营收指引均超预期　　甲骨文公司第四财季调整后营收138亿美元，超预期的137.2亿美元；云服务和许可支持营收93.7亿美元，同比增长23％，远超预期的8％。CEO卡兹预计，第一财季EPS在每股1.12美元到1.16美元之间；云计算业务（除甲骨文健康）增速将达到29％；预计营收增速8％到10％，其中值超预期的8％。　　嘉年华邮轮开盘有望再刷阶段高价，机构看好行业需求　　嘉年华邮轮开盘有望再刷阶段高价。消息上，在美国银行分析师Andrew Didora和摩根大通分析师Matthew Boss均将嘉年华邮轮股票评级上调至“买入”评级。据了解，在新冠疫情之后，邮轮运营商的兴趣正在反弹。上述两位分析师都强调，由于市场对未来可能出现衰退的担忧加剧，消费者注意到他们的可自由支配支出，但尽管如此，市场对邮轮预订需求仍将持续上升。　　人工智能爆点来了？全球CRM龙头推出AI云服务，年内股价已涨超六成　　全球最大的客户关系管理软件供应商赛富时宣布推出了人工智能云服务，并将其生成式人工智能的风险投资基金增加一倍至5亿美元。年初以来，Salesforce股价已经反弹超60％。　　AI取代人工先拿教育行业开刀？美版“作业帮”启动裁员　　当地时间周一，美国版“作业帮”Chegg（在SEC文件中表示，将裁掉大约4％的员工，人数约为80人，以更好地执行其人工智能战略。成为首家因AI影响而裁员的教育公司。5月份，Chegg公司首席执行官Dan Rosensweig在财报电话会上表示，ChatGPT影响了公司业绩增长，很快引发了连锁反应，股价一天内暴跌48％，今年，该公司股价已经累跌了57％。　　卡塔尔财团已完成对曼联收购　　据卡塔尔当地媒体AI-Watan报道，卡塔尔财团已经完成了对曼联的收购，预计很快就会官宣。随后《邮报》报道称卡塔尔财团的报价约为50亿英镑，他希望完全控制曼联，而拉特克利夫财团的报价希望获得大约60％的股权。　　瑞银上调携程网目标价至54美元　　瑞信发表报告指，携程首季业绩远胜预期，预期第二季业务增长将由强劲的国内旅游趋势所主导。瑞信指出携程当前估值水平不高，基于首季业绩表现，将2023至2025年各年收入预测上调22％、18％及18％，经调整每股盈利预测调升31％、17％及16％，美股目标价由47美元上调至54美元，并维持“跑赢大市”评级。　　万国数据H股今日大幅上涨逾8％，机构唱好　　港股万国数据今日大幅上涨逾8％，中信证券日前指，行业层面，中短期来看行业复苏仍需时间，后续随着国内经济的逐渐复苏以及云厂商、AI等新业务的拓展，IDC板块有望逐步复苏。供给端，行业整体正处在加速出清阶段，同时一线城市等核心地区的资源依旧具备稀缺性，对于万国数据为代表的头部公司，有望受益竞争格局带来的改善优化。短期经过外部事件的冲击后，公司整体估值处在低位，后续有望在行业需求复苏之后得到修复。

金融界2023-06-13

优思莱斯：人工智能技术推动科技创新和商业进步

的问卷调查分析系统，能够对问卷数据进行深度学习和分析，帮助企业更好地了解消费者需求。在医疗健康领域，优思莱斯也在AI技术上进行了深入研究。通过人工智能算法和大数据分析，已经成功开发了一些用于医学诊断的应用程序，例如基于计算机视觉技术的眼科疾病检测、基于生物信号处理的心电图分析等。这些创新性的技术应用将帮助医生更准确地诊断和治疗疾病，同时也有助于提高医疗健康服务的效率和质量。除了在市场调研和医疗健康领域中发力，优思莱斯还在其他AI应用领域中进行了不断探索和创新。例如，在金融风险控制领域，该公司利用自然语言处理和机器学习技术，对大量的金融数据进行分析和预测，以帮助金融机构更好地掌握市场风险和趋势，并提供相应的决策支持。优思莱斯通过不断追求AI技术的突破和应用，推动了科技创新和商业进步。优思莱斯的成功，离不开其坚持创新和技术研发的精神。优思莱斯不断投入资金、人力和技术资源，在AI算法、计算机视觉、自然语言处理等多个方向上进行深入研究，并不断推出创新性的产品和解决方案。另外，优思莱斯还积极与各类企业、院校和科研机构开展产学研合作，共同探索AI技术在实际场景中的应用，促进技术交流和成果转化。优思莱斯已经与多家知名企业建立了长期战略合作伙伴关系，在智慧城市、物联网、智能制造等领域提供AI技术支持和服务。此外，优思莱斯还与多所高校和科研机构建立了联合实验室和技术平台，为年轻人才提供更加广阔的发展空间和创新平台。通过不断追求创新和技术进步，优思莱斯已经成为了全球人工智能领域的佼佼者之一，并为各行业的数字化转型和智能化升级提供了有力支撑和推动。相信在未来的发展中，优思莱斯将继续发挥其技术和人才优势，推进AI技术的应用和创新，为构建更加智慧、可持续的社会做出积极贡献。来源：金色财经

金色财经2023-06-13

智能合约智能性的下一步：深入剖析ZKML赛道

令行工具，用于在zk-SNARK中进行深度学习模型的推理。使用EZKL，您可以在Pytorch或TensorFlow中定义一个计算图，并将其导出为带有JSON文件中一些示例输入的ONNX文件，然后将EZKL指向这些文件以生成zkSNARK电路。通过最新一轮的性能改进，EZKL现在可以在约6秒和1.1GB的RAM内证明一个MNIST大小的模型。迄今为止，EZKL已经得到了一些显着的早期采用，被用作各种黑客马拉松项目的基础设施。 Cathie So的circomlib-ml库包含了用于Circom的各种ML电路模板。电路包括一些最常见的ML函数。由Cathie开发的Keras2circom是一个Python工具，使用底层的circomlib-ml库将Keras模型转换为Circom电路。 LinearA开发了两个用于zkML的框架：Tachikoma和Uchikoma。Tachikoma用于将神经网络转换为仅使用整数的形式并生成计算轨迹。Uchikoma是一个工具，将TVM的中间表示转换为不支持浮点运算的编程语言。LinearA计划支持使用域算术的Circom和使用有符号和无符号整数算术的Solidity。 Daniel Kang的zkml是一个基于他在《Scaling up Trustless DNN Inference with Zero-Knowledge Proofs》论文中的工作构建的ML模型执行证明的框架。在撰写本文时，它能够在约5GB的内存和约16秒的运行时间内证明一个MNIST电路。在更广义的模型到证明编译器方面，有Nil Foundation和Risc Zero。Nil Foundation的zkLLVM是一个基于LLVM的电路编译器，能够验证用流行编程语言（如C++、Rust和JavaScript/TypeScript等）编写的计算模型。与这里提到的其他模型到证明编译器相比，它是通用的基础设施，但仍适用于复杂的计算，如zkML。当与他们的证明市场结合使用时，这可能尤为强大。 Risc Zero构建了一个通用的zkVM，针对开源的RISC-V指令集，因此支持现有成熟的语言，如C++和Rust，以及LLVM工具链。这允许在主机和客户zkVM代码之间实现无缝集成，类似于Nvidia的CUDA C++工具链，但是使用ZKP引擎代替GPU。与Nil类似，使用Risc Zero可以验证ML模型的计算轨迹。 02广义证明系统证明系统的改进是使 zkML 取得成果的主要推动力，特别是自定义门和查找表的引入。这主要是由于 ML 对非线性的依赖。简而言之，非线性是通过激活函数（例如 ReLU、sigmoid 和 tanh）引入的，这些激活函数应用于神经网络中线性变换的输出。由于数学运算门的限制，这些非线性在 zk 电路中实现起来具有挑战性。按位分解和查找表可以通过将非线性的可能结果预先计算到查找表中来帮助解决这个问题，有趣的是，这在 zk 中的计算效率更高。出于这个原因，Plonkish 证明系统往往是 zkML 最受欢迎的后端。Halo2 和 Plonky2 及其表式算术方案可以通过查找参数很好地处理神经网络非线性。此外，前者拥有充满活力的开发人员工具生态系统和灵活性，使其成为包括 EZKL 在内的许多项目的实际后端。其他证明系统也有其优势。基于R1CS的证明系统包括Groth16，因其小型证明尺寸而闻名，以及Gemini，因其处理极大电路和线性时间验证器而闻名。基于STARK的系统，例如Winterfell证明器/验证器库，尤其在通过Giza的工具将Cairo程序的追踪作为输入，并使用Winterfell生成STARK证明来验证输出的正确性时，非常有用。 03zkML特定的证明系统在设计能够处理先进的机器学习模型的复杂、电路不友好的操作的高效证明系统方面已经取得了一些进展。基于GKR证明系统的zkCNN和基于组合技术的Zator等系统往往比通用证明系统更具性能，这一点在Modulus Labs的基准测试报告中有所体现。 zkCNN是一种使用零知识证明来证明卷积神经网络正确性的方法。它使用sumcheck协议来证明快速傅里叶变换和卷积，具有线性的证明时间，比渐近计算结果更快。已经引入了几个改进和泛化的交互证明，包括验证卷积层、ReLU激活函数和最大池化。根据Modulus Labs的基准测试报告，zkCNN特别有趣的地方在于它在证明生成速度和RAM消耗方面优于其他通用证明系统。 Zator是一个旨在探索使用递归SNARK来验证深度神经网络的项目。验证更深层次模型的当前限制是将整个计算轨迹适应单个电路中。Zator提出使用递归SNARK逐层进行验证，可以逐步验证N步重复计算。他们使用Nova将N个计算实例减少为一个可以通过单个步骤进行验证的实例。采用这种方法，Zator能够对具有512层的网络进行SNARK，这与大多数当前的生产AI模型一样深。Zator的证明生成和验证时间仍然对于主流应用案例来说过长，但他们的组合技术仍然是非常有趣的。应用领域鉴于zkML处于早期阶段，其关注点主要集中在上述基础设施上。然而，目前也有一些项目致力于应用开发。 Modulus Labs是zkML领域中最多样化的项目之一，他们既开展示例应用，也从事相关研究。在应用方面，Modulus Labs通过RockyBot（一个链上交易机器人）和Leela vs. the World（一个人类与经过验证的链上Leela国际象棋引擎对战的棋盘游戏）展示了zkML的用例。该团队还进行了研究，编写了《智能的代价》，对不同模型规模下的各种证明系统的速度和效率进行了基准测试。 Worldcoin正在尝试应用zkML来创建一个保护隐私的人类身份证明协议。Worldcoin使用定制硬件处理高分辨率虹膜扫描，并将其插入到Semaphore实现中。然后可以使用该系统执行诸如成员资格证明和投票等有用操作。他们目前使用受信任的运行时环境和安全的安全区域来验证相机签名的虹膜扫描，但他们最终的目标是使用零知识证明来验证神经网络的正确推理，以提供加密级别的安全保证。 Giza是一种协议，采用完全无信任的方法在链上部署AI模型。它使用包括ONNX格式表示机器学习模型、Giza Transpiler用于将这些模型转换为Cairo程序格式、ONNX Cairo Runtime用于以可验证和确定性的方式执行模型，以及Giza Model智能合约用于在链上部署和执行模型的技术堆栈。尽管Giza也可以归类为模型到证明编译器的类别，但他们作为一个ML模型市场的定位是目前最有趣的应用之一。 Gensyn是一个分布式硬件供应网络，用于训练ML模型。具体而言，他们正在开发一个基于梯度下降的概率审计系统，并使用模型检查点来使分散式GPU网络能够为全尺度模型提供训练服务。尽管他们在这里的zkML应用非常特定于他们的用例——他们希望确保当一个节点下载和训练模型的一部分时，他们对模型更新的诚实性——但它展示了将zk和ML相结合的强大力量。 ZKaptcha 专注于 web3 中的 bot 问题，为智能合约提供验证码服务。他们目前的实施让最终用户通过完成验证码来生成人类工作的证明，验证码由他们的链上验证程序验证，并通过几行代码由智能合约访问。今天，他们主要只依赖于 zk，但他们打算在未来实现 zkML，类似于现有的 web2 验证码服务，分析鼠标移动等行为以确定用户是否是人类。鉴于 zkML 市场还很早，许多应用程序已经在黑客马拉松级别进行了试验。项目包括 AI Coliseum，一个使用 ZK 证明来验证机器学习输出的链上 AI 竞赛，Hunter z Hunter，一个使用 EZKL 库来验证带有 halo2 电路的图像分类模型输出的照片寻宝游戏，以及 zk Section 9，它将 AI 图像生成模型转换为用于铸造和验证 AI 艺术的电路。 zkML面临的挑战尽管在提高和优化方面取得了飞速的进展，但zkML领域仍然面临一些核心挑战。这些挑战涉及技术和实践等方面，包括：以最小的精度损失进行量化电路规模，特别是当网络由多个层组成时矩阵乘法的高效证明对抗攻击量化是将浮点数表示为定点数的过程，大多数机器学习模型使用浮点数表示模型参数和激活函数，在处理zk电路的域算术时，需要使用定点数。量化对机器学习模型的准确性的影响取决于所使用的精度级别。一般来说，使用较低的精度（即较少的比特数）可能会导致准确性降低，因为这可能引入舍入和近似误差。然而，有几种技术可用于最小化量化对准确性的影响，例如在量化后对模型进行微调，以及使用量化感知训练等技术。此外，zkSummit 9上的一项黑客马拉松项目Zero Gravity显示出，针对边缘设备开发的替代神经网络架构（例如无权重神经网络）可以用于避免电路中的量化问题。除了量化之外，硬件是另一个关键挑战。一旦通过电路正确地表示了机器学习模型，由于zk的简洁性，验证其推理的证明将变得廉价且快速。这里的挑战不在于验证者，而在于证明者，因为随着模型规模的增长，RAM消耗和证明生成时间会迅速增加。某些证明系统（例如使用sumcheck协议和分层算术电路的基于GKR的系统）或组合技术（例如将Plonky2与Groth16相结合，Plonky2在证明时间方面效率高但对于大型模型的高效证明大小较差，而Groth16在复杂模型的复杂度上不会导致证明大小增长）更适合处理这些问题，但在zkML项目中管理权衡是一个核心挑战。在对抗攻击方面，仍然有待努力。首先，如果一个无信任的协议或DAO选择实施一个模型，在训练阶段仍然存在对抗攻击的风险（例如训练模型以在看到特定输入时表现出特定行为，这可能被用来操纵后续的推理）。联邦学习技术和训练阶段的zkML可能是最小化这种攻击面的一种方式。另一个核心挑战是当模型保护隐私时存在模型盗窃攻击的风险。虽然可以混淆模型的权重，但在给定足够的输入输出对的情况下，从理论上讲，仍然有可能反向推导出权重。这主要是对小规模模型的风险，但仍然存在风险。智能合约的可扩展尽管在将这些模型优化为在zk的限制条件下运行时存在一些挑战，但改进工作正在以指数速度进行，一些人预计在进一步的硬件加速下，我们很快就能与更广泛的机器学习领域达到同等水平。为了强调这些改进的速度，zkML从0xPARC在2021年展示了如何在可验证电路中执行小规模MNIST图像分类模型的演示，到Daniel Kang在不到一年后为ImageNet规模的模型做同样的工作的论文。在2022年4月，这个ImageNet规模的模型的准确性从79%提高到92%，并且像GPT-2这样的大型模型在近期内有望成为可能，尽管目前的证明时间较长。我们认为zkML是一个丰富而不断发展的生态系统，旨在扩展区块链和智能合约的能力，使其更加灵活、适应性强和智能化。尽管zkML仍处于早期开发阶段，但它已经开始显示出有希望的结果。随着技术的发展和成熟，我们可以期待在链上看到更多创新的zkML用例。来源：金色财经

金色财经2023-06-13

计算机视觉如何赋能交通场景

视觉利用图像处理、模式识别、机器学习和深度学习等技术手段，将数字图像或视频转化为有意义的信息。计算机视觉的主要技术原理为：图像获取：计算机视觉的首要步骤是获取图像或视频数据。这可以通过摄像头、传感器或卫星图像等设备实现。图像预处理：图像预处理是为了提高图像质量和减少噪声干扰。它包括图像去噪、增强对比度、图像平滑等操作。特征提取：特征提取是计算机视觉的关键步骤，它通过识别和提取图像中的关键特征，如边缘、角点、纹理等。常用的特征提取算法包括SIFT、SURF和HOG等。物体检测和识别：物体检测和识别是计算机视觉中的核心任务。通过训练机器学习模型或深度学习网络，可以实现对图像中物体的自动检测和识别，如人脸识别、车辆检测等。场景理解和分析：场景理解和分析是对图像或视频进行更深层次的解释和理解。它可以包括对场景的语义分割、目标跟踪、行为识别等。计算机视觉赋能交通场景计算机视觉是人工智能的细分领域之一，在交通安全中起到重要的作用：提升交通安全：人工智能赋能的计算机视觉技术可以实时监测交通场景，识别交通违规行为和危险情况。例如，通过智能监控摄像头，可以及时发现闯红灯、逆行等违法行为，并及时提醒交警部门采取措施。这有助于减少交通事故的发生，提升道路交通的安全性。优化交通管理：人工智能技术结合计算机视觉，可以实现智能交通信号控制系统。该系统可以根据实时交通状况调整信号灯的时长，以优化道路通行效率。通过减少交通拥堵和优化交通流量，可以提高出行效率，减少车辆排放和燃料消耗。提供智能驾驶辅助：人工智能与计算机视觉技术为智能驾驶提供了支持。通过激光雷达、摄像头和传感器等设备，智能车辆能够感知周围环境，实时分析道路情况，并做出智能决策。这有助于提高驾驶安全性和减少人为错误。数据分析与预测：人工智能技术结合计算机视觉，可以对大量交通数据进行分析和预测。通过对交通流量、拥堵状况等数据进行深度学习和模式识别，可以预测未来交通趋势，为交通规划和决策提供科学依据。计算机视觉场景案例随着技术的不断成熟和发展，计算机视觉已经在交通场景下得到了大范围的应用，极大的提升了交通管理效率和降低了管理成本。智能交通监控系统：城市引入智能监控系统，利用计算机视觉技术实时监测道路情况。系统能够自动检测和记录交通违规行为，如超速、压线行驶等，并及时发出警报。根据市场测算，经过一年的运行，城市的交通违规行为率下降了30%，有效提升了交通安全水平。智能交通信号控制系统：在高密度车流的交叉路口，采用了智能交通信号控制系统。该系统利用计算机视觉技术实时感知交通状况，并根据车流密度智能调整信号灯的时长。经过实施和数据测算，该交叉路口的通行效率提高了20%，车辆排队时间减少了一半小时，缓解了交通拥堵问题。自动驾驶技术：许多汽车制造商和科技公司致力于开发自动驾驶技术。通过计算机视觉和人工智能算法，车辆能够实时感知和识别道路标志、行人、车辆等，并做出相应的驾驶决策。这项技术为驾驶员提供了更高的安全性和舒适性，减少了交通事故的风险。实时交通数据分析：通过收集和分析交通摄像头的图像数据，结合人工智能算法进行图像处理和识别，可以实时监测道路上的交通状况。基于这些数据，交通管理部门可以做出相应的调度和决策，优化交通流量，减少拥堵。结语人工智能赋能交通场景的计算机视觉技术为交通管理和安全带来了巨大的优势。通过实时监测、智能决策和数据分析，交通系统的效率和安全性得到了显著提升。未来，随着人工智能和计算机视觉的不断发展，我们有理由相信交通场景将变得更加智能化、高效和安全。来源：金色财经

金色财经2023-06-13

慧博云通：上海慧博与百度文心一言及飞桨的合作尚处于启动阶段

伙伴的全类合作伙伴，同时还是飞桨（百度深度学习平台）的技术合作伙伴。上海慧博与百度智能云及飞桨合作为多种行业的客户提供人工智能相关的技术服务。截至目前，上海慧博与百度文心一言及飞桨的合作尚处于启动阶段，人工智能业务在公司整体业务中占比不大。公司是一家致力于为客户提供专业信息技术服务的提供商，主营业务包括软件技术服务、专业技术服务、产品与解决方案三大板块。公司境外客户有SAP、InternetBrands、爱立信、三星等公司，慧博云通目前与英伟达暂无业务合作。公司多年以来专注云计算领域的业务积累，储备了大量的专业技术、充足的技术人才和各种类型的项目经验，可以为客户在云计算的SaaS（软件即服务）、PaaS（平台即服务）、IaaS（基础设施即服务）等各个技术层面提供多元化的云平台产品技术服务，包括规划、架构、构建、支持等，帮助客户快速构建和实施云计算项目。截至2022年12月31日，公司超过20%以上的业务技术人员具有云计算领域服务经验，已为近50家客户提供云应用的开发、部署和运维等服务，自身拥有的云计算相关软件著作权为36项。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2023-06-13

6月12日大公司动向追踪：视觉中国宣布推出AI灵感绘图，壳牌CEO修订公司战略

文字生成图像，是一种人工智能技术，利用深度学习算法，将给定的文字描述转化为对应的图像。　　壳牌CEO修订公司战略看好天然气长期前景　　壳牌首席执行官Wael Sawan修订了公司战略，因为公司看到天然气在全球能源结构中的长期作用，并计划在主要增长市场扩张。据知情人士透露，壳牌敦促液化天然气团队在中国和印度开展更多业务，并为在这两个国家和其他目标国家达成的交易提供更高的奖金。知情人士称，壳牌将研究液化天然气出口设施或长期供应协议的投资机会。　　6连板上海物贸：未发现需要澄清或回应的媒体报道或市场传闻　　上海物贸公告，经公司自查，并向控股股东百联集团书面征询并核实，截至本公告披露日，公司及百联集团均不存在应披露而未披露的重大信息，包括但不限于正在筹划涉及公司的重大资产重组、股份发行、重大交易类事项、业务重组、股份回购、股权激励、破产重整、重大业务合作、引进战略投资者等重大事项。未发现需要澄清或回应的媒体报道或市场传闻。　　鸿博股份：控股股东寓泰控股持有部分股份被动减持0.31％　　鸿博股份公告称，因收到法院协助执行通知书寓泰控股被动减持数量为1,588,700股，占公司总股本比例为0.31％。

金融界2023-06-12

BSI为WiFi万能钥匙颁发ISO/IEC 27001和ISO/IEC 27701认证证书

WiFi万能钥匙的安全感知、安全检测、深度学习等人工智能、大数据分析技术的研发运用，为用户产品使用安全、隐私安全提供着全方位保护。 BSI亚太区首席数据治理标准专家潘蓉表示，WiFi万能钥匙用户日活量高，普及面广，在用户的信息及隐私安全保护上需要严格遵守内外部相关的规定，本次通过ISO/IEC 27001及ISO/IEC 27701两项国际标准的审核，证明WiFi万能钥匙现有的管理控制满足标准要求，能够更好的为用户提供安全保障。同时也希望WiFi万能钥匙在后续的持续改进过程中，不断优化提高。数字信任：BSI全面解决方案 BSI作为全球首家国家标准机构，特别在数字信任领域，始终处于信息安全标准的前沿，具备提供一系列以权威的国际标准为核心的认证和培训服务，赋能组织实现数字信任，打造具备韧性的数字安全体系。过去几年，已经助力大量国内外知名企业在安全体系打造上卓有成效。

美通社2023-06-12

a16z领投AGI算力市场协议Gensyn 4300万美元一文读懂Gensyn

。在技术栈上：一些公司甚至创建了自己的深度学习专用硬件，例如谷歌的TPU 集群。这些在深度学习方面的性能优于标准GPU，并且不出售，仅供出租。知识：许多公开的突破都源于研究人员开发的新的大模型架构，但在底层知识产权和人才方面存在着一场战斗。比如，美国吸引了超过50%的中国AI人才，而利用这些人才开发大模型的大公司正越来越多地降低这项技术的可及性；OpenAI的GPT-3.5或者4名义上可以公开使用，但它位于API后面，只有Microsoft可以访问其源代码。数据：AGI深度学习模型需要大量数据——包括标记的和未标记的——并且通常随着数据量的增加而改进。GPT-3 接受了 3000 亿个单词的训练。标记数据尤为重要，训练AGI需要的数据集集中在一些大公司手中。比如一个冷知识：每次你解决reCaptcha访问网站时，你都在标记训练数据以改进谷歌地图。去中心化AGI计算存在的困难去中心化计算可以创造一个更便宜、更自由的基础来研究和开发人工智能。但去中心化AGI存在着工作验证难题，如何知道第三方已完成你请求的计算？工作验证难题有两个因素：状态依赖，高计算费用。状态依赖：神经网络中的每一层都连接到它之前的层中的所有节点。这意味着它需要前一层的状态。更糟的是，每一层的所有权重都由前一个时间步决定。因此，如果你想验证是否有人训练了一个模型——比如，通过在网络中选择一个随机点并查看你是否得到相同的状态——你需要一直训练模型直到那个点，这计算量非常大。高计算费用： 2020 年 GPT-3 单次训练的成本约为 1200 万美元，比2019 年 GPT-2 训练的估计值约 43,000 美元高出 270 倍以上。一般来说，最好的神经网络的模型复杂度（大小）目前每三个月翻一番。如果神经网络更便宜，和/或如果训练代表更少的模型开发过程，那么可能来自状态依赖的验证开销是可以接受的。如果想降低深度学习训练的价格并去中心化控制权，需要一个系统来不信任地管理状态相关的验证，同时在开销和奖励那些贡献计算的人方面也很便宜。 Gensyn如何去中心化AGI计算 Gensyn协议将世界上所有的计算联合到一个全球机器学习超级集群中，任何人都可以随时使用。它通过结合两件事来实现以超大规模和低成本无需信任地训练神经网络： 1、创新的验证系统有效解决任意规模神经网络训练中状态依赖问题的验证系统。该系统将模型训练检查点与终止于链上的概率检查相结合。它以无需信任的方式完成所有这些工作，并且开销与模型大小成线性比例（保持验证成本不变）。根据Gensyn Litepaper，Gensyn主要通过三个概念解决验证问题：概率proof-of-learning（使用基于梯度的优化过程中的元数据来构建所执行工作的证书并通过某些阶段的复制来快速验证）、基于图的精确定位协议（使用多粒度、基于图的精确定位协议和交叉评估器一致执行，以允许验证工作重新运行并比较一致性，并最终由链本身确认）、Truebit 式激励游戏（使用 staking 和 slashing 来构建一个激励游戏，确保每个财务理性的参与者诚实行事并执行他们的预期任务）该系统主要由四个主要参与者：提交者、解题者、验证者和吹哨者。提交者：系统最终用户，提供将要计算的任务并为完成的工作单元付费；解题者：系统主要工作部分，执行模型训练并生成证明以供验证者检查；验证者：将非确定性训练过程链接到确定性线性计算、复制解题者证明的一部分并将距离与预期阈值进行比较；吹哨者：最后一道防线，检查验证者的工作并挑战以期获得累积奖金。 2、新的供应利用未充分利用和未充分利用/未优化的计算设备资源。这些设备包括从目前未使用的游戏GPU到之前以太坊PoW时代的GPU矿机。而且该协议的去中心化意味着它最终将由社区多数管理，未经社区同意不能“关闭”；与web2对应物不同，这使其具有抗审查性。大规模+低成本：Gensyn 协议提供了与数据中心拥有的GPU相似的成本，其规模可以超过AWS 来源：金色财经

金色财经2023-06-12

24小时热点