FX168财经网_全球视野外汇黄金加密货币NFT资讯网

新疾病在蔓延！墨尔本华人亲述得病经过，“严重或猝死”！这些症状千万小心

发症，一半的人出现中毒性休克综合症。科学家仍在努力确定该综合症是否与新的冠状病毒有关，因为并非所有患有这种综合症的儿童都对该病毒检测呈阳性。一些研究人员认为，冠状病毒家族可能引发川崎病。纽约西奈山克雷维斯儿童医院（Mount Sinai Kravis Children's Hospital）儿科重症监护科主任乔治·奥夫里·阿曼福医生（Dr George Ofori-Amanfo）说：“儿童的症状不同于成年人的COVID-19疾病，后者主要是呼吸道疾病。” 阿曼福医生告诉路透社说，患有罕见的炎症综合症的儿童通常会出现严重的腹痛和呕吐，并会逐渐演化成休克。他说，他接诊的患有该综合症的孩子没有一个有任何潜在的疾病，但他们都具有冠状病毒抗体。时任首席医疗官Brendan Murphy在全国内阁会议上说，在少数COVID-19儿童中出现的这种潜在的致命性炎症性疾病仍然“极为罕见”，在澳大利亚不太可能见到。结语：近期多种疾病正在蔓延！亿忆君提醒大家：千万做好防范！如有不适，请尽快就医。

澳洲亿忆网2023-06-20

人工智能遇上大麻烦了！产出内容全是“垃圾” 科学家警告AI训练AI将产生“模型崩溃”

成一些无意义的内容。一组英国和加拿大科学家在5月份发布了一篇论文，旨在了解在几代AI彼此之间进行训练后会发生什么情况。其中一个案例是，第九代AI在原始的材料内容是关于中世纪建筑的情况下，却思想混乱的开始谈论不相干的内容。研究论文的作者之一、剑桥大学教授Ross Anderson在一篇关于研究结果的博客中写道，数学模型显示，“在几代AI传承之内，输出的文本就变成了垃圾”。他们还指出，图像也会失去可理解性。这些科学家的论文尚未经过同行评审，他们将其称为“模型崩溃”。 ChatGPT和OpenAI等大型语言模型通常被认为是基于从互联网上获取的大量数据进行训练的，而这些数据直到最近都是主要由人类生成的。但随着我们对这些工具的使用增加，人工智能生成的内容正在大规模地添加到未来语言模型将学习的在线数据池中。科学家们表示，经过几代的训练，这意味着错误和无意义的情况将会不断增加，使得后续的人工智能无法区分事实和虚构。这些人工智能将会“开始错误地解释他们认为是真实的事物，从而强化他们自己的信念”。 Anderson使用莫扎特及其不那么有才华的同时代作曲家安东尼奥·萨列里的作品来说明这个问题。他写道：“如果你用莫扎特训练一个音乐模型，你会得到一些有点像莫扎特但缺乏亮点的输出结果—我们称之为'萨列里'。如果现在由萨列里训练下一代，依此类推，第五代或第六代会是什么样子？” 论文的首席作者、牛津大学的Ilia Shumailov博士表示，问题出在AI在之前的AI上进行训练后对概率的理解。不太可能发生的事件在其输出中越来越不太可能反映出来，这限制了下一代AI在理解上一代AI输出的可能性。论文中给出的一个例子是，将一个由人类生成的关于中世纪建筑的文本输入到一个AI语言模型中，然后使用该模型的输出来训练后续几代的AI。原始文本中对竞争的建筑理论进行了熟练的处理，经过多次循环后，第九代的文本变成了无意义的内容。 Anderson将其比喻为大规模的污染，写道：“正如我们将海洋填满了塑料垃圾，大气层充斥着二氧化碳一样，我们即将用无聊的内容填满互联网。” 人工智能生成的内容已经大规模地在网上出现。在线虚假信息监测机构NewsGuard在5月份警告称，他们发现了49个新闻网站，看起来完全是由人工智能编写的。而根据《华盛顿邮报》的报道，营销和公关机构越来越多地将它们的文案交给聊天机器人，使人类作家失去了工作机会。但是，在Shumailov和Anderson的研究结果出来之后，希望不被AI超越的人类作家们还不能太过自满。 Shumailov表示，人类生成的数据并不是训练AI所必需的绝对要素，人类生成的数据之所以有用，是因为它们包含了自然变化、错误和不太可能的结果。“所以人类肯定会提供帮助，但同时也不意味着人类数据是一个重大要求。”

楼喆2023-06-20

“2023 第七届国际生物医药（杭州）创新大会”将于2023年7月6日-7月7日在浙江杭州举办

究专家、众多医药创新领域获得杰出成就的科学家、院士、世界知名企业的行业领导者、生物医药新锐公司掌舵人、国内外医疗健康领域顶尖金融机构的投融资专家，共同探讨技术创新、生态融合、共谋产业转化未来。我们诚挚地邀请您出席“2023 第七届国际生物医药（杭州）创新大会”，期待您的莅临！大会亮点大会总览会议时间：2023年7月6日-7月7日会议地点：浙江 · 杭州杭州和达希尔顿逸林酒店浙江省杭州市钱塘区金沙大道600号大会嘉宾大会议程开幕式融合促创新 · 转化向未来 7月6日上午 09:00-09:15 领导致辞 09:15-10:00 成果发布及仪式 10:00-10:20 全球生物医药产业发展施一公：中国科学院院士、西湖大学校长 10:20-10:40 新型肿瘤分子靶向药物：从发现到临床谭蔚泓：中国科学院院士、中国科学院肿瘤与基础医学研究所所长 10:40-11:00 合成生物学技术推动生物制药的发展郑裕国：中国工程院院士、浙江工业大学生物工程学院教授 11:00-11:20 小分子创新药物发展的思考马大为：中国科学院院士、中国科学院上海有机化学研究所研究员 11:20-11:40 新环境，新挑战，新机会张丹：俄罗斯工程院外籍院士、昆翎医药联合创始人 11:40-12:00 圆桌会谈：中国创新药国际化的挑战和机遇平行会议一 ADC药物研发趋势和创新 7月6日下午 13:55-14:00 主席致辞夏明德：英诺湖医药创始人、董事长兼CEO 14:00-14:25 抗体偶联药物的平台技术研发及趋势赵永新：多禧生物董事长兼CEO 14:25-14:50 Clinical development of ADCs: Trials and tribulations 黑永疆：智康弘义联席CEO 14:50-15:15 Better ADCs for Better Outcomes 赵柏腾：普方生物联合创始人、董事长兼CEO 15:15-15:40 转化医学视角下的ADC新药研发包海峰：百凯医药联合创始人、CEO 15:40-15:50 茶歇 15:50-16:15 宜联生物：开发具有国际竞争力的偶联药物的新一代技术平台徐健：苏州宜联生物资深副总裁（临床负责人） 16:15-16:40 主题演讲魏紫萍：百力司康共同创始人、董事长兼CEO 16:40-17:20 圆桌会谈：全球值得关注的ADC临床进展夏明德：英诺湖医药创始人，董事长兼CEO 赵永新：多禧生物董事长兼CEO 黑永疆：智康弘义联席CEO 赵柏腾：普方生物联合创始人、董事长兼CEO 徐健：苏州宜联生物资深副总裁（临床负责人）包海峰：百凯医药CEO兼联合创始人魏紫萍：百力司康共同创始人、董事长兼CEO 平行会议二细胞与基因治疗创新发展 7月6日下午 13:55-14:00 主席致辞吴振华：嘉因生物创始人、董事长兼CEO 14:00-14:25 罕见病基因治疗药物的开发现状和挑战——从争先恐后到百花齐放林卿：凌意生物创始人兼CEO 14:25-14:50 Development of AAV-based gene and gene editing therapeutic products for Hemophilia A 姜儒鸿：Applied Stem Cell创始人兼CEO 14:50-15:15 细胞治疗产品的质量评估刘孟元（Patrick Liu）：克睿基因联合创始人兼总裁 15:15-15:40 FOXP3+调节性T细胞与免疫疗法李斌：上海市免疫学研究所科研副所长 15:40-15:50 茶歇 15:50-16:15 基因治疗药物产业化过程中的挑战及应对策略李军辉：行诚生物科学生产技术副总裁 16:15-16:40 iPSC衍生神经前体细胞治疗范靖：霍德生物创始人兼首席科学家 16:40-17:20 圆桌会谈：中国基因与细胞治疗领域面临的机遇和挑战吴振华：嘉因生物创始人、董事长兼CEO 林卿：凌意生物创始人兼CEO 姜儒鸿：Applied Stem Cell创始人兼CEO 刘孟元（Patrick Liu）：克睿基因联合创始人兼总裁李斌：上海市免疫学研究所科研副所长李军辉：行诚生物科学生产技术副总裁范靖：霍德生物创始人兼首席科学家王亚楠：凯泰资本执行总裁平行会议三 RNA药物与疫苗前沿开发创新 7月7日上午 08:55-09:00 主席致辞赵孝斌：海昶生物创始人、总裁 09:00-09:20 细菌和RNA介导的抗肿瘤疫苗程根宏：美国微生物科学院院士、若泰医药联合创始人 09:20-09:40 个体化核酸肿瘤疫苗陈枢青：浙江大学药学院教授、纽安津生物董事长 09:40-10:00 siRNA分子成药性改善的经验、挑战与机会万金桥：成都先衍生物董事长、总经理 10:00-10:20 创新型小核酸药物开发的难点与实践管涛：赫吉亚生物CEO 10:20-10:30 茶歇 10:30-10:50 mRNA增强干细胞疗法在再生医学中的应用王刚：臻赫医药创始人、董事长 10:50-11:10 新型纳米粒核酸递送系统李剑光：海昶生物首席科学家 11:10-11:40 圆桌会谈：RNA药物与疫苗前沿赛道的产业布局及未来趋势门宇欣：海昶生物首席医学官宋更申：悦康药业副总经理、药物研究院院长唐洋明：翰宇药业董事、副总裁贾国栋：和元生物CEO兼总经理付小龙：北京清华工业开发研究院副院长、荷塘生华总经理王大奎：达晨财智创投MD，生物医药领域负责人平行会议四小分子药物创新开发 7月7日上午 08:55-09:20 主题演讲万昭奎：凌科药业创始人、CEO 09:20-09:40 主题演讲周星露：和正医药总经理 09:40-10:00 主题演讲付利强：博格生物医药联合创始人兼资深副总裁 10:00-10:20 主题演讲英伟文：珃诺生物创始人 10:20-10:30 茶歇 10:30-10:50 主题演讲谢少峰：SpeedPharma LLC（速康生物制药）创始人 10:50-11:10 主题演讲李晓林：中科院杭州医学所人工智能与智慧医疗中心主任兼首席科学家 11:10-11:40 圆桌会谈万昭奎：凌科药业创始人、CEO 吴海平：赛岚生物创始人、CEO 车金鑫：浙江大学药学院特聘研究员张劲涛：捷思英达创始人平行会议五人工智能助力新药研发 7月7日下午 13:55-14:20 生成式AI赋能药物研发任峰：英矽智能联合CEO、首席科学官 14:20-14:40 智能化自动化赋能药物研发新范式马健：晶泰科技创始人、CEO 14:40-15:00 AI for Science新范式驱动药物设计新工具与新流程孙伟杰：深势科技联合创始人、CEO 15:00-15:20 AI 赋能药物递送及开发赖才达：剂泰医药联合创始人、CEO 15:20-15:40 AI赋能GPCR类靶向药物研发牛张明：德睿智药创始人、CEO 15:40-15:50 茶歇 15:50-16:10 智能算法与自动化在医药研发中的应用夏宁：智化科技创始人 16:10-16:30 智慧实验室自动化，助力高效药物研发刘家朋：汇像科技创始人 16:30-16:50 生成式AI将如何变革生物大分子研发范式陈航：星亢原创始人 16:50-17:10 人工智能药物设计的发展历程及实践与思考朱维良：中国科学院上海药物研究所研究员、药物发现与设计中心主任 17:10-17:30 AI药物开发研发和投资趋势胡奇聪：BCG董事总经理兼全球合伙人平行会议六新环境下的生物医药投资与项目估值 7月7日下午 13:55-14:00 主席致辞金宇峰：和达金服董事长 14:00-14:25 新治疗，不确定性里的确定性何欣：汇鼎投资创始人、管理合伙人 14:25-14:50 主题演讲蒋孟矫：康桥资本成长基金负责人、董事总经理 14:50-15:30 圆桌会谈：新环境下生物医药的投资热点与项目退出金宇峰：和达金服董事长何欣：汇鼎投资创始人及管理合伙人蒋孟矫：康桥资本成长基金负责人、董事总经理杨济云：天士力资本合伙人沈励：浙民投董事总经理 15:30-15:40 茶歇 15:40-16:05 主题演讲童晓航：德诚资本合伙人 16:05-16:30 新形势下大健康领域投资的机遇和挑战李江峰：达晨财智医疗健康投资合伙人 16:30-17:10 圆桌会谈：新形势下生物医药境内外投资的联动金宇峰：和达金服董事长李江峰：达晨财智医疗健康投资合伙人胡红丹：幂方健康基金执行董事童晓航：德诚资本合伙人任正华：毅达资本合伙人平行会议七侨界精英助力生物医药产业生态圈建设 7月7日下午 13:55-14:00 主席致辞芮国忠：中国技术创业协会副理事长兼生物医药园区工委会秘书长 14:00-14:30 构建长三角G60科创走廊综合金融服务生态，助力生物医药产业高质量发展贾占锋：长三角G60科创走廊联席办副主任、长三角G60科创走廊创新研究中心党组书记、主任 14:30-15:00 投资基金对生物医药产业生态的意义与贡献徐喆：杭州资本医疗大健康产业基金负责人 15:00-15:30 产业运营重构生物医药园区未来发展格局余洪波：方升研究总经理 15:30-15:40 茶歇 15:40-16:10 生物医药产业平台搭建对产业链优化的促进作用徐建妙：浙江工业大学钱塘生物产业研究院副院长 16:10-16:40 主题演讲姜巨舫：浙江省医药行业协会执行会长，省中医药大健康联合体副主席（拟） 16:40-17:20 圆桌会谈芮国忠：中国技术创业协会副理事长兼生物医药园区工委会秘书长贾占锋：长三角G60科创走廊联席办副主任、长三角G60科创走廊创新研究中心党组书记、主任徐喆：杭州资本医疗大健康产业基金负责人余洪波：方升研究总经理徐建妙：浙江工业大学钱塘生物产业研究院副院长姜巨舫：浙江省医药行业协会执行会长，省中医药大健康联合体副主席（拟）平行会议八 MAH制度下的产业化发展与挑战 7月6日下午 13:55-14:00 主席致辞李湘：中肽生化创始人 14:00-14:25 MAH制度下B证企业的生产许可现状及监管难点浙江省药监局专家 14:25-14:50 MAH制度下CDMO企业助力创新药上市李原强：九洲药业高级副总裁、CTO兼九洲中央研究院院长 14:50-15:15 多肽药物的工业化生产挑战与对策颜西亚：中肽生化副总裁 15:15-15:40 MAH制度下研发立项的思考盛晓霞：领业医药总经理 15:40-15:50 茶歇 15:50-16:15 药品上市许可持有人转让的法规解析及案例分析刘章莉：华济医药副总经理 16:15-16:40 MAH制度下产品中美双报攻略范敏华：普利药业董事长（拟） 16:40-17:20 圆桌会谈：MAH 制度下产业化发展面临的挑战李湘：中肽生化创始人李原强：九洲药业高级副总裁、CTO兼九洲中央研究院院长盛晓霞：领业医药总经理颜西亚：中肽生化副总裁刘章莉：华济医药副总经理范敏华：普利药业董事长（拟）平行会议九 “跨越界限，共谋未来” Q Bay全球医疗项目路演 7月7日上午 09:00-09:30 Bioelectrical signaling in health and disease Adam Cohen：哈佛大学著名教授 09:30-10:00 炉边对话 Sidi Chen：耶鲁大学副教授吴昊泉：康霖生物董事长、CEO 10:00-10:20 Biostage项目路演 Hong Yu 10:20-10:40 InGel项目路演 Patrick 10:40-11:00 Elpis项目路演 Yan Chen 11:00-11:20 Full Circle项目路演 Howard Wu 11:20-11:40 NovaXS项目路演 Alina 平行会议十生物医药青年科学家学术交流会 7月7日下午 13:55-14:20 The Innovation & 肿瘤干细胞靶向药物研究曹鑫：复旦大学附属中山医院/科技部研究员 14:20-14:40 程序性细胞坏死抑制剂的设计及应用庄春林：中国人民解放军海军军医大学药学系教授 14:40-15:00 靶向病毒和肿瘤RNA的寡聚核苷酸药物研究汤新景：北京大学药学院教授 15:00-15:20 从中药金箔到金类抗肿瘤药物刘武昆：南京中医药大学教授 15:20-15:40 肿瘤多重耐药及靶向先导化合物发现余斌：郑州大学药物研究院教授 15:40-15:50 茶歇 15:50-16:10 单轮核酸适体筛选与标志物的发现邴涛：中国科学院杭州医学研究所研究员 16:10-16:30 靶向转录因子TEAD的创新药物研究陆文超：临港实验室青年课题组长 16:30-16:50 新型靶向SIRT3小分子激动剂诱导自噬抗心肌损伤的机制研研究张义文：四川大学华西医院生物治疗国家重点实验室副研究员 16:50-17:10 面向转化医学的细胞表面化学生物学王本：浙江大学转化医学研究院教授 17:10-17:30 新靶点抗凝聚糖类创新药物的研发吴明一：中国科学院昆明植物研究所研究员 *议程存在变动，以大会现场为准往届盛况编辑&排版 | 陈苏舒来源：金色财经

金色财经2023-06-19

ABGA会员五月大事记摘要中文版

、Mystiko Network的首席科学家Doug、StarkWare的StarkNet开发者倡导者David Barreto，以及密码学工程师、Web3构建者和opZKP提案者Weiji Guo。该节目取得了巨大成功，吸引了超过12,500人的收听。您可以在这里收听: https://twitter.com/BingVentures。 2. 在5月23日，Bing Ventures宣布成为veDAO专家委员会的首批成员之一。与veDAO合作，Bing Ventures将促进同行之间的优质思想交流，支持早期项目的发展。 3.Bing Ventures团队参加了迈阿密的Bitcoin 2023活动，与来自世界各地的热衷比特币者会面并建立了新的关系。研究输出: 1. Bing Ventures发表了一篇名为"The Potential and Opportunities of Application-specific Chains on Cosmos"的研究文章。该文章探讨了公共区块链不可避免的模块化未来，探索了为什么Cosmos生态系统可能是一个潜在的赢家，并介绍了Cosmos上有潜力的应用特定链。您可以在这里阅读: https://medium.com/coinmonks/the-potential-and-opportunities-of-application-specific-chains-on-cosmos-6d5ae3845842 IBG 1. 5月8日，PreIN受邀参加香港贸易发展局“香港数字经济”主题座谈会。 2. 5月9日，PreIN举办“MEME币带动的Brc20叙事是否昙花一现”推特空间活动。 3. 5月18日，PreIN举办“如何在MEME Summer拿到属于你的第一桶金”推特空间活动。 4. 5月29日-5月31日，IBG合伙人Stanty受邀作为机构评委嘉宾，出席在数码港举办的Big Demo Day 3专场投资路演会。 5. 5月30日，PreIN举办“六一香港虚拟资产新政落地有哪些重大利好”推特空间活动。 NFTb 1.NFTb将团队代币锁定期延长至2024年6月，且未申领任何团队代币。 2.NFTb正在与BNB链合作，成为BNB生态系统中的关键游戏中心。 3.NFTb与Footprint Analytics合作，旨在为NFTb游戏中心带来更专业的游戏行业分析。 Castbox 1.Gamefidash在五月份参加了在北京的几场AMA活动。 2.在5月8日，Gamefidash完成了用户个人资料页面的开发。这将帮助用户更有效地管理他们的Web3游戏资产。 3.在5月15日，Gamefidash与Umeta合作，Umeta拥有全球范围内的旅游资产（旅游景点运营权、度假酒店），例如巴厘岛、泰国、瑞士等地。 4.在5月29日，Gamefidash与Trekki合作，Trekki最近宣布获得Trip.com（http://trip.com/）（美股代码：TCOM）的孵化支持。Gamefidash将帮助Trekki为其NFT代币带来更多的应用场景和价值。 MetaEstate 1. 5月10日，MetaEstate与MetaBorn达成合作关系，双方将通力合作，在元宇宙领域探索更多可能性。 2. 5月12日，MetaEstate与Assure达成合作关系，双方共同开拓元宇宙市场，为更多机构和社区提供专业的元宇宙服务。 3. 5月17日，MetaEstate参与协办的Tokyo Web3 Summer Hackathon(TWSH2)开幕，活动吸引了日本政府议员、知名企业家和Web3创新者等重量级与会者。整场活动精彩不断，获得与会者一致好评。 4. 5月23日，MetaEstate与MKT DAO联合举办了Collab Giveaway NFT for Raffle WL活动，吸引不少NFT爱好者们参与。 5. 5月24日，MetaEstate与Bi.social联合举办了TOKEN RAIN活动，用户们参与热情很高。 BOXTradEx 1.BOXTradEx和Matr1x Fire达成合作伙伴关系 BOXTradEx将举办各种有趣的活动，注重社区参与，并举办电子竞技锦标赛！ 2."星际棋局"游戏Beta测试和漏洞寻找活动活动中将进行漏洞寻找活动。活动奖励总值超过1000 USDT，与社区、KOL和公会伙伴合作进行推广。 3.BOXTradEx参加台北InnoVEX展览在2023年5月30日至6月3日期间，BOXTradEx被选中参加台北InnoVEX展览，展示其成功的成果。 4.BOXTradEx将参加2023年伦敦科技周 5.BOXTradEx参加法国Viva Technology Viva Technology是欧洲最大的创业和科技活动。BOXTradEx将在2023年6月14日至17日期间参加Viva Technology，展示我们的创新和解决方案。 Mint Ventures 活动&大事记 1.Mint Ventures参加了在黑山共和国蒙特内格罗举办的EDCON2023。研究输出： 1. 赛道研究&热点分析发布：赛道研究： - 从Velodrome到Chronos，ve(3,3）卷土重来，它是更好的Dex模式吗? 2. WEB3 Mint To Be播客更新： - EP16:【EN】 Another1: Unleashing Web3 and Fashion Success—— Build A Killer Community（音频） - EP17 深聊BRC20：BTC网络新生儿成功和失败的可能性 - EP18【EN】 Pendle: Building Products that Ride the Wave（音频） 3. WEB3 Founders Real Talk视频栏目： - 对话Another1：建立社区将加速时尚品牌与Web3真正碰撞 #05 本期WEB3 Founders Real Talk 我们和球鞋爱好者，同时也是Web3一站式时尚服务商城Another1的首席执行官（CEO) Marco进行了对话。他不仅分享了自己与Web3结缘的经历，还讲述了Another1为链接虚拟世界和现实世界背后付出的种种努力，以及建立社区对时尚与Web3结合中起的重要作用。 - Pendle：把握热点构建突破性产品 #06 本期WEB3 Founders Real Talk我们邀请到了连续创业者，同时也是Pendle的CEO TN和我们一起分享他在Web3创业之路上学到的宝贵经验。 CONTACT US Website: http://www.abga.asia/home Email: admin@abga.asia Linktree: https://linktr.ee/abgaasia 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？

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

年薪最高破37.5万美元！全球AI人才需求激增美媒：42%首席执行官认同10年内毁灭人类

在招聘一位专注于自然语言处理的远程数据科学家，需要“在数据实验和营销的交叉点上拥有丰富的经验和对创新的热情”。公司设立的首选资格是3年以上的数据科学经验，强大的统计知识、贝叶斯学习、实验设计，以及聚类和分割方法专业知识。薪酬范围为每年12万至19万美元，且GEICO提供无等待期的保险、带利润分享的401(k)、学费报销等福利。此外，ShortList Recruitment正在寻找AI研究员。他们的客户是“美国领先的人工智能研究公司”之一，需要团队中有高技能的研究人员。远程角色的基本工资为20万至24万美元，需要3年以上的AI研究经验，专攻深度学习。当然，微软(Microsoft)在名单中，他们正在招聘一名数据注释专家。不需要大学学位，但求职者必须说和写魁北克法语。该运营角色将帮助“通过生成高质量的转录来训练和改进微软产品和服务，从而构建下一代语音识别。受聘人员将使用内部工具转录和注释数据，审查内容的准确性和一致性，并评估转录工具。 42%首席执行官认同10年内毁灭人类根据美国有线电视新闻网(CNN)独家分享的调查结果，本周在耶鲁CEO峰会上接受调查的42%的首席执行官表示，AI有可能在未来5到10年内摧毁人类。这项调查是在Sonnenfeld首席执行官领导力研究所举办的一次虚拟活动中所进行的，发现人们对与AI相关的风险和机遇几乎没有达成共识。耶鲁大学教授Jeffrey Sonnenfeld在接受电话采访时提到这些发现时说：“它非常黑暗且令人担忧。” Sonnenfeld表示，该调查包括来自不同行业的119位首席执行官的回复，其中包括沃尔玛首席执行官Doug McMillion、可口可乐首席执行官James Quincy、施乐和Zoom等科技公司的领导人，以及制药、媒体和制造业的首席执行官。就AI对文明的危害程度，商界领袖表现出明显的分歧。尽管34%的首席执行官表示AI可能会在10年内毁灭人类，8%的人表示这可能会在5年内发生，但58%的人表示这永远不会发生，他们“并不担心”。在另一个问题中，耶鲁大学发现，42%的受访首席执行官表示，AI的潜在灾难被夸大了，而58%的人表示并没有被夸大。几周前，数十名人工智能行业领袖、学者甚至一些名人签署了一份声明，警告人工智能存在“灭绝”风险。该声明由OpenAI首席执行官山姆·奥特曼、“人工智能教父”杰弗里·辛顿，以及谷歌和微软的高管签署，呼吁社会采取措施防范AI的危险。 “减轻人工智能灭绝的风险应该与流行病和核战争等其他社会规模的风险，已共同成为全球优先事项，”声明说。

颜辞2023-06-17

助力建设全球研发中心城市，湖南湘江圣湘生物产业基金落户长沙

牵头完成由国际电化学发光研究领域的知名科学家和产业转化专家周明(Ming Zhou)博士创办的安赛诊断的控股型收购，并加速在湖南本土的全面落地。接下来，产业基金将通过大力引进高端产业项目和顶尖人才团队等举措，集聚全球优质资源，推动生物医药产业延链、补链、强链，加速科技成果转化，助力长沙建设成为全球研发中心城市、打造具有核心竞争力的科技创新高地。彭涛希望湖南湘江圣湘生物产业基金和圣湘生物以本次签约为契机，充分发挥产业基金的支撑作用和龙头企业的引领作用，助力长沙市生物医药产业及企业，布局产业发展新赛道，抢占科技创新至高点，提质产业链条全生态，推动长沙生物医药产业走向集群化、高质量发展之路。王舒军表示，天心区已制定大健康产业“一核三圈”发展规划，加入圣湘生物产业基金是天心大健康产业发展迈出的重要一步。本次签约是大健康领域基金投资的良好开端，也标志着政企同心、共谋发展进入新阶段、迈上新征程。圣湘生物董事长戴立忠表示，湘江国投、天心新兴产业基金、圣维荣泉等战略伙伴具有多年的投资专业经验和成熟的管理模式，圣湘对前瞻性、卡脖子技术拥有专业敏感度和权威的技术判断，多方携手合作，将进一步助推引进培育高端产业项目，引进产业高端人才，推动创新链、产业链、资金链、人才链深度融合，打造共生共荣的产业生态，助力湖南加速形成万亿级生命科技产业集群和全球科技创新中心。活动当天，现场还举行了“圣湘免疫产业战略”圆桌会议，圣湘生物董事长戴立忠，圣湘生物高级副总裁兼首席技术官、安赛诊断董事长殷鹏，安赛诊断创始人兼首席技术官周明，圣维荣泉总经理赵汇围绕议题展开交流。赵汇表示，中国化学发光免疫诊断市场仍处于快速发展阶段，市场空间充足，具有技术优势以及高性价比产品的企业将迎来市场规模扩大和国产替代的双重红利。相信产业基金的设立以及对安赛诊断的投资都会极大地助力圣湘的快速发展，对长沙生物医药产业的集群发展也将起到积极作用。殷鹏表示，免疫诊断作为体外诊断最大的细分领域，占比近40%，其中化学发光占据较大比重。安赛诊断拥有自主知识产权的“增强型电化学发光”平台技术，产品具有灵敏度高、精准度高、速度快、避免生物素干扰等特性，极具市场竞争力。圣湘拥有完善的体系、丰富的临床资源及营销渠道，能加快安赛高技术产品的转化和应用。相信双方的合作非常值得期待。周明表示，对安赛诊断与圣湘生物的合作充满信心。安赛诊断长期专注于技术开发，公司平台技术壁垒高，未来可优化、可迭代，与圣湘生物业务具有协同性。相信双方合作，将有助于快速形成具备市场竞争力的重点产线，以及具有独特行业价值的非同质化核心产品，为电化学发光免疫诊断技术和产品的国产化和“进口替代”实现新的突破。戴立忠在总结发言中表示，行业正处于“逆周期”窗口期，也是企业集聚全球优质资源，实现大发展的黄金机遇期，圣湘开启“二次创业”，打造世界级优秀企业正当其时。未来5年，圣湘将以平台化和国际化为两大抓手，在全球范围内引进行业顶级人才和团队，并高效利用公司创新体系、产业转化体系、市场营销体系、人才培育体系和激励体系等平台资源，以及湖南乃至全国强大的市场资源、临床资源和生产供应链，加速打造体外诊断多元化平台型企业，助力生命科技普惠全球。

证券之星2023-06-17

MBK公链：加速数字经济发展

求，同时通过链上数据存储，也可以为数据科学家和企业提供丰富的数据挖掘、分析和应用能力，进一步提升了数字经济的应用场景丰富度和广泛性。可以说，MBK公链在安全性、高效性、通透性等多方面极具优势，为数字经济的快速发展和新产业的升级提供了有力支持。那么，MBK公链在数字经济领域的具体应用场景是什么呢？笔者认为，MBK公链可以在以下四个方面实现自身价值：一是金融领域。MBK公链可以作为数字货币、证券、期货、外汇等金融产品的交易基础设施，为数字金融创新提供技术支持。二是物联网领域。MBK公链可以作为物联网应用场景中的核心技术，提供低功耗、可信赖和高效通信网络，为物联网设备间的互通互联提供技术支持。三是全球贸易领域。MBK公链可以实现跨境电商、物流等全球贸易领域的数字化和智能化，提高交易效率和可信度，降低交易成本和时间成本，为全球贸易的普及推广提供有力支持。四是社交媒体领域。MBK公链可以为用户提供数据安全和隐私保护，防止第三方窃取用户隐私数据和跟踪用户信息的现象。同时，MBK公链的数据存储和处理能力可为社交媒体平台提供更好的用户体验，推动社交媒体产业升级。综上所述，MBK公链是数字经济发展的重要驱动力之一，其在安全性、高效性、通透性等方面具有显著的优势。随着数字经济的快速发展，MBK公链的应用场景将会越来越广泛，推动新产业升级、创新创业的浪潮不断涌现。相信未来，MBK公链将会在数字经济领域发挥更加重要的作用。来源：金色财经

金色财经2023-06-17

多维度解析DePIN如何助力人工智能？

费访问分享数据输出缺乏可验证性，数据科学家 80% 的时间用于低端数据清洗结合区块链后—— 对于客户：用户可提供反馈（比如偏见、内容审核、针对输出的颗粒度反馈）作为微调依据用户可选择贡献数据换取模型盈利后的利润对于开发者：分布式数据管理层：众包重复耗时的数据标记等数据准备工作可视性&组合&微调算法的能力，借助可验证源（可以看到所有改动的防篡改历史记录）数据主权（通过内容寻址/IPFS 实现）和算法主权（例如 Urbit 实现了数据和算法的点对点组合和可移植性）加速 LLM 创新，从基础开源模型的各种变体中加速 LLM 创新。可复现训练数据输出，通过区块链对过去 ETL 操作和查询的不可变记录（如 Kamu）实现。有人说Web2的开源平台也提供了一种折中方案，但其效果并不理想，相关讨论可见 exaBITS 的博文。 AI 生成摘要：大型科技公司封闭的 LLM 扼杀了“AI 民主”，即每个开发者或用户都能够为一个 LLM 模型贡献算法和数据，并在模型盈利时获得部分利润。AI 应该对公众开放，与公众相关，为公众所有。借助区块链网络，用户能够提供反馈，为模型贡献数据换取变现后的利润，开发者也能获得可视性和可验证源，从而组合和微调算法。内容寻址/IPFS 和 Urbit 等Web3创新将实现数据和算法主权。通过区块链对过去 ETL 操作和查询的不可变记录，训练数据输出的可复现性也将成为可能。四、设置数据贡献奖励机制问题今天，最有价值的消费者数据为大型科技公司的专有资产，构成其核心商业壁垒。科技巨头没有动力将这些数据与外部方共享。那么，为什么我们不能直接从数据创造者或用户那里获取数据呢？为什么我们不能把数据变成公共资源，贡献数据将数据开源化供数据科学家使用？简单来说是因为缺乏激励机制和协调机制。维护数据和执行 ETL（提取、转换和加载）是一大笔间接成本。事实上，仅数据存储就将在 2030 年成为价值 7770 亿美元的行业，这还不包括计算成本。没有人会无偿承担数据处理的工作和成本。不妨看看 OpenAI，最初设定是开源非盈利，但变现困难无法覆盖成本。2019 年，OpenAI 不得不接受微软注资，算法不再对公众的开放。预计到 2024 年，OpenAI 盈利将达 10 亿美元。解决方案 Web3引入了名为“dataDAO”的新机制，促进了 AI 模型所有者和数据贡献者之间的收入再分配，为众包数据贡献创建了激励层。由于篇幅限制，此处不会展开，想要了解可阅读下方两篇文章： How DataDAO works/DataDAO 原理，作者是 Protocol Labs 的 HQ Han How data contribution and monetization works in web3/web3数据贡献和变现如何运作，我在这篇深入讨论了 dataDAO 的机制、欠缺和机遇总的来说，DePIN 另辟蹊径，为推动Web3和 AI 创新提供了新的硬件能源。尽管科技巨头主导了 AI 行业，但新兴参与者可以利用区块链技术加入竞争：DePIN 网络降低准入门槛的方式包括降低计算成本；区块链的可验证和分布式特性使真正的开放式 AI 成为可能；dataDAO 等创新机制激励数据贡献；区块链的不可变性和防篡改特性提供了创造者身份证明，打消人们对 AI 负面社会影响的担忧。来源：金色财经

金色财经2023-06-16

马斯克、米哈游轮番注资 AI医疗会是下一个风口吗？

可以通过大数据分析和机器学习，帮助基因科学家发现新的基因变异和功能、设计新的基因编辑工具和方法、预测基因编辑的效果和风险、优化基因治疗的方案和效果等。另一方面，如果基因科学取得突破，人类就有可能捕捉到动植物的非公式性变量波动（即情感波动），将这些波动作为数据库植入AI中，或许能够解决我们在日常生活中因动物语料库不足、语义不明确而面临的问题。目前已出现诸如PrimateAI-3D的人工智能神经网络，它可以从233种灵长类动物的基因变异中学习，从而准确地预测患者的致病基因突变。 ◉ 临床诊疗在临床诊疗方面，人类或许也可以利用AI技术来应对此前出现的挑战。OpenAI的创始人奥尔特曼表示，“在医疗行业前线工作的人们不会等待——他们将在现今的临床环境中使用GPT-4，甚至很可能已经在使用了。” 的确，GPT-4等技术能够充分发挥其语言模型的优势，将医学文献、临床病历等文字信息进行高效准确的分析和处理。基于GPT-4的临床数据分析，可以为医生提供更有据可依的诊断结论，并在患者治疗中减少临床恶化的风险。而在未来，GPT-4等AI技术将会给临床医学研究提供更加丰富的数据资料，并进一步促进整个医疗行业的发展。 ◉ 医疗器械目前，人工智能最有前途的角色之一是在患者护理点的临床决策支持。人工智能算法分析了大量的患者数据，以帮助医疗专业人员做出更明智的护理决策。其性能优于修改早期预警评分(MEWS)等传统工具，医院通常使用MEWS来计算患者在未来几个小时内临床恶化的风险。除此之外，人工智能在诊断领域的最大应用是成像。由于人工智能能够识别和处理大量结构化和非结构化数据，美国食品和药物管理局已经批准了近400项用于放射学领域的人工智能算法。如今，医院每年进行36亿次成像手术，产生大量数据，大约97%的这些数据没有被使用。机器学习允许医疗保健专业人员构建、索引和利用这些信息来进行更准确的诊断。人工智能在帮助医疗保健提供者获得洞察力和改善健康结果方面前景广阔，旨在加强而不是取代传统的医疗服务，经过深思熟虑的人工智能实施为改善临床护理提供了无限的机会。尽管在安全性、监管和影响方面仍存在许多问题，但人工智能在临床护理中的应用已不再处于起步阶段，未来五年人工智能最大的潜力在于以人为本的人工智能设计。 ◉ 医药研发为了让一种药物进入临床试验，需要访问大量的数据，这包括从不同分子的化学成分到研究论文和患者数据的所有数据。伴随着AI大模型引领的创新浪潮席卷全球，生物医药产业正面临新一轮的机遇期。随着技术的升级迭代，以及资本不断加码，AI制药行业也迎来新的发展机会。 2022年，辉瑞扩大了与以色列一家人工智能公司的合作；阿斯利康扩大与benevolentai的合作；赛诺菲宣布与Exscientia开展新合作，并与Insilico Medicine达成协议等等。咨询公司麦肯锡(McKinsey)估计，有近270家公司正在从事人工智能驱动的药物研发。虽然大多数都在美国，但西欧和东南亚也出现了一些中心。截至目前，将人工智能引入药物开发过程已经投入了数十亿美元，并且得到了一些可观的回报。人工智能为淋巴癌、炎症性疾病和运动神经元疾病等疾病设计的药物正在进行人体试验。对很多人来说，它们在药店上架只是时间问题。如今，人工智能有望给制药业带来一场革命：它可以大大缩短开发新药所需的时间，并有助于识别迄今为止科学家们一直无法识别的新药物分子。制药商将获得很多资金收入，但这也意味着患者可以以前所未有的速度获得更多新的创新药物。关注焦点 ◉ 脑机接口上个月，埃隆·马斯克的脑机接口初创公司庆祝了一个重要的里程碑——美国联邦药物和食品管理局(FDA)于5月25日批准了Neuralink的首次人体临床研究。美国国立卫生研究院(NIH)前神经工程项目主任基普·路德维希(Kip Ludwig)估计，Neuralink可能还需要10年时间才能将其脑机接口(BMI)设备商业化。脑机接口是一种将人的大脑活动与计算机或其他设备相结合的技术，可以通过电极等传感器，监测大脑产生的神经信号，然后转化为命令来控制外部设备。其主要用途包括辅助医疗、交互式娱乐、通信和控制系统等领域。而在医疗领域，它可以用于帮助残疾人士控制假肢、轮椅和其他设备，恢复行动能力等。脑机接口的工作原理是将脑部神经信号采集并分析转换成特定的指令。这个过程涉及到多种技术，包括非侵入性的无线方式和侵入性的植入设备。其中，非侵入性的方式是通过在头皮上放置电极来采集脑电图（EEG）信号，然后使用算法对信号进行处理和解码。而侵入性的方式则会将电极或芯片植入到大脑中，直接采集神经元活动并转化成指令。简单来说，就是直接用意念来控制机器。而此前米哈游宣布投资上海交大附属瑞金医院脑病中心，合作内容主要就是脑机接口技术的开发与临床应用，可以说脑机接口是国内外科技行业的关注重点，而医疗领域则是部署重心。脑机接口的前路虽然很长，但是其他地方的研究人员已经在使用这种非侵入性方法改善患者健康方面取得了进展，这种方法不会带来手术并发症、感染或修复故障植入物的额外手术的风险，并且现在已经开发了一种将BMI设备植入大脑的机器人，在未来也可能在人体试验中得到检验。 ◉ 重大疾病脑机接口的一个有效用例便是利用“脑-脊接口”实现让瘫痪病人重新站起来。不久前，洛桑联邦理工学院研究人员测试了一种“脑-脊髓”接口（BSI），这项技术能够将大脑与瘫痪者脊髓中控制运动的区域连接，并有助于神经恢复。 40岁的Gert Jan Oskam在瘫痪十多年后能够通过“脑-脊接口”行走 Oskam是此类手术第一个成功的病例，他表示自己不仅能在传感器的脉冲刺激下实现独立行走，甚至关闭传感器后，他也能拄着拐杖行走。这项技术依赖的就是人工智能将患者的运动意图从大脑记录中提取后实现实时解码。得克萨斯大学奥斯汀分校的研究人员开发了一种名为语义解码器的“读心术”系统，系统部分依赖于一个类似于OpenAI的ChatGPT和谷歌的Bard的变压器模型，可以将大脑活动转化为连续文本，为因中风等疾病而无法说话的人开辟了沟通和互动的可能性。虽然该系统还处于早期研究阶段，但其展示了跨学科研究在改善沟通障碍患者生活方面的力量。 AI“相面”技术也不容小觑。面部特征识别与基因检测技术结合能加速遗传罕见疾病的识别。此外，通过评估语音样本，AI能将其与轻度认知障碍或早期阿尔茨海默病相关联。人工智能系统在大数据集中微观检测的能力是强劲的，将人工智能用于疾病的早期诊断，哪怕只是为了提高诊断的准确性，也具有巨大的潜力。 ◉ 歧视与不信任随着医疗行业人员与普通人对人工智能的关注，种族主义、性别歧视等不公平现象也似乎进一步渗透医疗卫生系统。研究表明，美国的临床医生经常为白人患者和有色人种患者提供不同的护理。算法训练本身是从过去的数据学习、复制与巩固，无疑会强化既往的偏见，而目前国外也逐渐出台专门的法规政策来约束人工智能在医疗系统可能会产生的歧视。但过多的干预引发了新的不信任，一些医生表示担心缺乏法律指导，从而引发执业风险，于是选择彻底放弃人工智能。GE HealthCare的一项新调查就显示，人们对人工智能在医疗环境中的使用存在很大程度的不信任和怀疑。除了算法歧视与法律风险，临床医生还对实践中缺少AI技术培训存在疑难需求。结语通常我们讨论到人工智能，会谈到它的正向效用与负面作用。过犹不及与两面性在任何事物身上都存在，最终的落脚点仍在于人类本身如何去使用与规训。世界卫生组织的数据显示，到2030年，全世界可能会有1000万医疗卫生工作者缺口，届时14亿人将达到60岁或以上。人口老龄化与医患矛盾是老生常谈的话题，而AI能够消除重复性的工作，让医生免于倦怠，专注病人的护理，同时提高患者的就医效率，减少治疗成本。最近几年，AI对人类社会的影响慢慢波及各行各业，有源源不断的掘金者闻风而来。我们的确不能在这里比较AI到底对哪种行业影响最大，但当身处每一个城市的急诊室与重症病房时，一切的财富与虚名也比不过健康的价值。也许，这才是科技对人文的最大意义。【声明】：本文为元宇宙之心运营团队原创，未经允许严禁转载，如需转载请联系我们，文章版权和最终解释权归元宇宙之心所有。来源：金色财经

金色财经2023-06-16

24小时热点