FX168财经网_全球视野外汇黄金加密货币NFT资讯网

Shutterstock与NVIDIA合作构建AI基础

使用NVIDIA Picasso生成式的AI云服务培训的定制Shutterstock内容可使用文本提示快速生成用于工业数字孪生、娱乐和游戏的3D内容纽约2023年3月22日 /美通社/ -- Shutterstock, Inc.（纽约证券交易所股票代码：SSTK）是面向变革型品牌和媒体公司的全球领先创意平台，今天宣布将与NVIDIA合作，培训定制3D模型，通过简单的文本提示创建生成生成式3D资产。通过首次此类合作，3D模型将使用 NVIDIA Picasso生成AI云服务借由Shutterstock资产进行培训，将文本转换为高保真3D内容，从而将创作时间从数小时缩短到几分钟。当未来几个月在Shutterstock.com上推出模型时，新NVIDIA支持的生成式AI能力将成为 Creative Flow 的最新功能，这是一个广泛的工具包，旨在推动最无缝的创意体验。文本到3D功能还将在Turbosquid.com上提供，计划在NVIDIA OmniBee™平台上推出，用于构建和运营3D工业元宇宙应用。 Shutterstock首席执行官Paul Hennessy 表示：「我们与NVIDIA的生成式3D合作将为下一代3D促成工具提供支持，从而大大降低创建纹理贴图优美和结构化3D模型所需的时间。这种首次合作关系进一步推进了我们的战略，即利用Shutterstock庞大的元数据池将新产品、工具和内容推向市场。通过将我们的3D内容与NVIDIA的基础模型相结合，并使用我们各自的营销和分销平台，我们可以利用巨大的市场机会。」借助当今的专业软件工具，从零开始构建高质量、详细的3D模型对创作者来说往往是一项具有挑战性和耗时的任务。在创建用作数字孪生的内容时，需要绝对精度，根据模型的具体细节，工作的复杂性可能需要数天甚至更长。通过使用NVIDIA Picasso生成式AI云服务创建定制模型，Shutterstock将帮助3D艺术家创建物件形状，协助物件解包，生成纹理贴图和材料，对于非3D用户，甚至可以制作出能在各种应用和平台上使用的完整3D模型。 NVIDIA开发计划副总裁Greg Estes表示：「生成式AI的变革性能力使软件制造商和企业能够构建使用简单文本提示的工具，创建数字副本、模拟和设计的3D资产，为艺术家节省大量的时间和心力。通过NVIDIA Picasso生成式AI云服务培训定制Shutterstock模型将为开发人员提供一种工具，可以自动化艺术家的大部分繁琐工作，让他们有更多的时间探索新概念并完善自己的想法。」 Shutterstock是负责任AI重点的一部分，并与定制3D模型在Shutterstock平台上的销售息息相关，将通过其贡献者基金（Contributor Fund）对艺术家的知识产权在训练生成技术方面发挥的作用给与报酬。关于 NVIDIA NVIDIA 自1993年成立以来（纳斯达克股票代码：NVDA)）一直是加速计算领域的先驱。该公司在1999年发明的GPU刺激了PC游戏市场的增长，重新定义了计算机图形，点燃了现代AI时代，并推动了元宇宙的创建。 NVIDIA现在是一家全栈式计算公司，拥有数据中心规模的产品服务，正在重塑行业。如需更多信息，请访问 https://nvidianews.nvidia.com/ 。关于 SHUTTERSTOCK Shutterstock, Inc.（纽约证券交易所股票代码： SSTK）是面向变革型品牌和媒体公司的全球领先创意平台。通过其集团子公司，Shutterstock的综合收藏包括得到许可的高质量图片、矢量图、插图、 3D模型、视频和音乐。 Shutterstock与不断增长的200多万贡献者社区合作，每周增加数十万张图片，目前有超过6亿张图片和超过4500万段视频剪辑可用。 Shutterstock总部位于纽约市，在全球设有众多办事处，其客户遍布150多个国家和地区。该公司还拥有世界领先的全球新闻编辑室和媒体公司娱乐新闻机构Splash News；全球最大的视频优先内容市场Pond5；全球最大的3D 内容市场 TurboSquid；领先的在线及平面设计图像编辑平台 PicMonkey；高端图像集集偏移；端到端定制创意商店 Shutterstock Studios；精心策划的无版税音乐图书馆PremiumBeat；精心策划的免版税音乐库；Shutterstock Editorial，为世界媒体提供编辑图片和视频的首要来源；以及 Bigstock，一个以价值为导向的股票媒体产品。了解更多信息，请访问 www.shutterstock.com，也可在 Twitter 和 Facebook 关注shutterstock。 NVIDIA前瞻性陈述本新闻稿中的某些声明包括但不限于以下声明：NVIDIA与Shutterstock合作使用图像和文本提示快速生成工业数字孪生、娱乐和游戏的3D内容的优点、影响、性能、可用性和功能；以及NVIDIA产品和技术的优点、影响、性能、功能和可用性，包括NVIDIA Picasso生成式AI云服务、NVIDIA Omniverse和NVIDIA基础模型，都是前瞻性陈述，存在风险和不确定性，可能导致结果与预期有重大差异。可能导致实际结果出现极大差异的重要因素包括：全球经济状况；NVIDIA在制造、组装、包装和测试产品方面对第三方的依赖性；技术发展和竞争的影响；新产品和技术的发展或对NVIDIA现有产品和技术的改良；市场对NVIDIA的产品或合作伙伴产品的接受情况；设计、制造或软件缺陷；消费者偏好或需求的变化；行业标准和界面的变化；将NVIDIA的产品或技术集成到系统中时意外损耗的性能；以及 NVIDIA 提交给美国证券交易委员会（SEC）的最新报告（包括但不限于其10-K表年报和10-Q表季报）中屡次详述的其他因素。提交给SEC的报告副本会发布在公司网站上且可免费从NVIDIA获得。这些前瞻性声明不能保证未来的表现，仅在规定日期有效。除非法律另有要求，否则NVIDIA对更新这些前瞻性声明以反映未来事件或环境不承担任何责任。本新闻稿包含1995年《私人证券诉讼改革法案》所定义的前瞻性陈述。除历史事实陈述外，所有其他陈述均是前瞻性陈述。前瞻性陈述的例子包括但不限于以下相关陈述：指引、行业前景、未来业务、未来运营或财务状况结果、未来股息、我们完成收购以及将我们已收购或可能收购的企业整合到我们现有运营中的能力、新的或计划的功能、产品或服务、管理战略、我们的竞争地位和新冠疫情。您可以通过以下词语和其他类似词语及其否定形式来识别前瞻性陈述："可能"、"将要"、"将会"、"应该"、"可能"、"期望"、"旨在"、"预测"、"相信"、"估计"、"打算"、"计划"、"预计"、"估算"、"寻求"、"潜力"和"机会"。但是，并非所有前瞻性陈述都包含这些词语。前瞻性陈述受到已知和未知风险及不确定性和其他因素的影响，可能致使实际结果与文中前瞻性陈述所表达或暗示的结果存在重大差异除其他文件外，该等风险和不确定性包括在我们最近10-K表年度报告和截至2022年12月31日的10-Q表季度报告以及公司可能不时向证券交易委员会提交的其他文件中题为"风险因素"下讨论的风险和不确定性。由于这些风险、不确定性和因素，Shutterstock的实际结果可能与本文所载前瞻性陈述中讨论或暗示的未来结果、绩效或成就存在重大差异。本新闻稿中包含的任何前瞻性陈述仅代表本文发布之日的情况，除法律要求外，Shutterstock不承担更新本新闻稿中所含信息或修改任何前瞻性陈述的义务，无论是出于新信息、未来的发展或是别的原因所致。 © 2023 NVIDIA Corporation。保留所有权利。 NVIDIA、NVIDIA 标志和 NVIDIA Omniverse 是NVIDIA Corporation在美国和其他国家的商标和/或注册商标。其他公司和产品名称可能是其各关联公司的商标。功能、定价、供货信息和规格如有变更，恕不另行通知。

美通社2023-03-22

大厂逐梦AI之际日产汽车“逆势”布局元宇宙

英伟达合作开发软件定义汽车，通过引入 NVIDIA Omniverse，将 AI 和元宇宙技术进一步融入自身的开发流程之中，工程师能够对其智能驾驶功能进行测试和验证，打造更智能、更高效的数字工厂。回溯历史上每一项划时代技术和产品的诞生，似乎都经历着漫长的探索。元宇宙这一概念从科幻小说进入到我们视野用了近 30 年的时间，而元宇宙从虚幻概念到实际落地则需要科技领域的长足进步，汽车元宇宙至少已不再是空中楼阁，也仍有更多的场景等待解锁。来源：金色财经

金色财经2023-03-20

AMD:赢得生成式AI之战可能并不容易

然褒贬不一，这归因于该股相对于同行公司Nvidia的表现不尽人意。图：AMD和NVDA6个月内的股价表现；来源：Seeking Alpha 截至撰写本文时，与标普500指数的12.9%和NVDA的109.76%相比，AMD仅从2022年10月低点反弹了45.08%。这可能是由于人们对ChatGPT的热情，该技术是在NVDA的A100 GPU上训练的，尤其得益于后者在GPU销售前景乐观的背景下进行财务恢复。此外，AMD的执行似乎受到持续的PC需求破坏的阻碍，由于FQ1'23收入指导在53亿美元（同比下降9.8%），中点估计与共识预期的55.6亿美元相比，指导显得谨慎。2023年的宏观经济前景也显得不确定，由于2023年1月的消费者产品指数仍显示出-6.2%的同比影响。尽管如此，我们仍然对AMD的恢复保持信心，这要归功于MI250加速处理器单元[APU]的前景，这是一款混合CPU-GPU加速器芯片，适用于强烈的云计算工作。到目前为止，该公司在超大规模部署产品上已经取得了巨大成功，并计划在2023年下半年推出新的MI300。考虑到MI300在性能上比MI250提高了8倍，在功耗效率上提高了5倍，因此MI300被选中为世界上最快的超级计算机El Capitan的核心处理器，将于2023年底在劳伦斯利弗莫尔国家实验室投入使用。届时，投资者可能会受到鼓舞，因为2023年底时世界上前两大超级计算机将使用AMD的市场领先的APU，这表明其在同行公司如NVDA或英特尔公司中的市场支配地位。这自然是基于该公司的战略3D堆叠芯片，该技术通过提高能源性能、数据共享和内存使用来提高计算效率。 AMD还与许多大型云服务提供商密切合作，以使MI300能够胜任AI工作负载，这表明从2023年下半年开始可能会有潜在的收入贡献。这可能是公司市场份额增长的助力，尤其是在高性能计算领域为生成式AI带来了令人兴奋的新篇章。特别地，自2022年5月以来，Microsoft的Azure一直在使用AMD的MI200进行“大规模AI训练”，据报道比NVDA的A100 GPU更高效5倍，速度更快1.2倍。根据最近在摩根士丹利技术、媒体和电信会议上的采访，MSFT自2022年以来也一直在使用该公司的MI250。这些硬件进步还利用了AMD现有的AI软件堆栈ROCm和Xilinx AI引擎能力，展示了公司迄今为止出色的整合能力。考虑到Xilinx收购仅在一年前完成，我们认为，在硬件和软件方面的生成式AI能力中，公司还有进一步的机会组合协同作用的助力。然而，NVDA的H100（A100的后继产品）和AMD的MI300之间的比较如何仍有待观察，因为后者尚未发布。 H100的早期评价非常好，该产品在大型语言模型的AI训练和AI推理方面比其前身快9倍和30倍。此外，由于MI250据说比NVDA的A100表现更好，这就引发了一个问题，为什么OpenAI的ChatGPT没有在MI250上进行训练，考虑到它们的价格相似，而且微软已经推出了由NVDA的H100提供支持的新虚拟机。此外，在个人电脑或独立GPU端市场中，AMD在与NVDA的竞争中仍有很长的路要走，因为NVDA到目前为止越来越占主导地位。到2022财年第四季度，NVDA在个人电脑GPU市场占据17％的份额，而AMD报告了12％，英特尔报告了71％。同时，NVDA在独立GPU市场上的领先地位仍然保持在84％，而AMD为11％，其他厂商为5％。此外，AMD的最新旗舰Radeon RX 7900 XTX显卡（于2022年12月发布）无法与NVDA的旗舰GeForce RTX 4090竞争，只能与后者的较慢版本GeForce RTX 4080（2022年11月）相媲美。由于大多数比较都认为NVDA的旗舰芯片是明显的胜者，因此似乎AMD仍然落后于市场领导者。只有时间才能告诉我们，AMD在生成式AI方面的战斗将如何结束。同时，对于对硬件进行极其技术性的分析感兴趣的人，可以参考下面这些链接，我们在研究过程中发现它们非常有趣： • GPU推理性能和价值的可恶比较 • AMD展示未来MI300混合计算引擎的详细信息 • AMD的MI300能否在AI方面击败NVIDIA？ AMD股票是买入、卖出还是持有呢？图：AMD 1年EV/营收和市盈率估值；来源：S&P Capital IQ 标普资本智慧目前，市场对AMD的悲观情绪已经反映在股票估值上。其股票交易的EV/NTM营收为5.41倍，NTM市盈率为26.62倍，而NVDA的扩展数字分别为19.50倍和52.91倍。因此，我们认为，在这些水平上，AMD仍然可能是一个价值投资，特别是考虑到我们的股价目标为116.59美元，从当前水平来看，这意味着出色的43.6%上涨潜力。这个数字是基于市场分析师预测的2024财年EPS为4.38美元和当前市盈率估值，比其1年均值21.79倍高，但低于其3年疫情前的均值37.33倍。图：AMD 1年股票价格；来源：Trading View 然而，AMD股价已反弹并交易在其50日移动平均线之上。因此，尽管我们对公司的未来执行保持信心，但围绕生成式人工智能的乐观情绪可能已经到达了狂热的程度，暗示短期内可能存在潜在的波动性。因此，选择在此处添加AMD的投资者必须在连续降低或匹配他们的美元成本平均值的情况下才能这样做。否则，抄底的投资者可能会尝试等待股价再次跌至低70美元的支撑位，从而扩大他们的安全边际。 $美国超微公司(AMD)$ $英特尔(INTC)$ $英伟达(NVDA)$

老虎证券2023-03-20

国企改革深化提升，促进支撑国家算力相关产业发展，国产AI算力生态一览

生态：海光DCU协处理器能够较好地适配NVIDIA的CUDA生态，减轻开发和迁移难度，也降低了推广压力；构建较为完善的AI工具链生态，可以最大限度利用已有的成熟AI算法和框架；CPU与GPGPU也获得产业链各环主流厂商支持，建议关注的海光信息、中科曙光等。　　昇腾生态：昇腾计算产业生态基于昇腾系列处理器和基础软件，构建全栈AI计算基础设施、行业应用及服务。在软硬件体系方面，Atlas硬件、MindSpore框架以及AI开发平台构建起完备的合作体系；在整机方面，神州数码与拓维信息作为华为昇腾算力9家整机合作伙伴，在昇腾算力领域率先落子；在行业应用方面，22年北明软件加入昇腾万里伙伴计划，明确在金融、互联网、电力等领域的全方位合作意向，昇腾计算产业生态日渐完善。建议关注神州数码、拓维信息、常山北明等。

金融界2023-03-17

ChatGPT之后 AIGC会如何革新内容创作？

信息和材质信息，使可编辑性大幅加强。 NVIDIA GET3D基于AI生成的模型示例可行路径：与游戏中的程序化生成技术相结合尽管如此，AIGC在3D侧的能力，距离打造3D互联网仍有不小的距离。而游戏中较为成熟的程序化内容生成（PCG，Procedural Content Generation）技术，可能是AIGC迈过深水区的一大助力。从技术路径上，AI生成3D难以沿用“大力出奇迹”的老办法，即单靠喂给AI海量的输入来提升效果。首先，信息量不同，一张图片和一个3D模型相比相差一个维度，体现在存储上就是数据量级不同；其次，图片和3D的存储及显示原理不同，如果说2D是像素点阵在显示器的客观陈列，3D则是实时、快速、海量的矩阵运算，就像对着模型在1秒内进行几十次“拍照”。为了准确计算得到每个像素点，“渲染”在显示器上，需要考虑的因素至少有（1）模型几何特征，通常用几千上万个三角面来表示（2）材质特征，模型本身的颜色，是强反射的金属，还是漫反射的布料（3）光线，光源是点状的吗，颜色和强度如何。最后，原生3D模型的数据相对较少，仅游戏、影视、数字孪生等领域有少量积累，远不如已存在了数千年、可以以非数字化形态存在的图像那么多，例如ImageNet中就包含了超过1400万张图片。用计算机帮助创作者这件事，游戏界已经探索了四十多年。用算法生成的游戏内容首次出现在1981年的游戏Rogue（Toy and Wichman）中，地图随机，每局不同。3D时代，程序化生成技术大量应用于美术制作，因为其需要巨额时间和人力成本，以2018年发售的游戏《荒野大镖客2》为例，先后有六百余名美术参与，历经8年才完成约60平方公里的虚拟场景。程序化生成在效能和可控度上介于纯手工和AIGC之间。例如2016年发布、主打宇宙探险的独立游戏《无人深空》（No Man's Sky），用PCG构造了一系列生成规则和参数，声称能创造出1840亿亿颗不同的星球，每个星球都有形态各异的环境和生物。游戏《无人深空》中使用程序化生成的海洋生物示例 2022年的Epic打造的交互内容《黑客帝国：觉醒》在最新虚幻引擎和程序化生成加持下，打造出栩栩如生、高度复杂的未来城市，共包括700万个美术资产，包括7000栋建筑、38000辆可驾驶的车和超过260公里的道路，其中每个资产由数百万个多边形组成。 Epic使用虚幻5引擎和程序化生成技术高效制作《黑客帝国：觉醒》中的庞大城市程序化生成和AI的结合更成为热门学术领域，每年人工智能与游戏的顶级学会——IEEE Transactions on Games都会为程序化生成开辟专门的讨论板块。剧情、关卡、场景、角色，每个板块都有大量的研究和实践成果在推进。创作到底是什么？关于创作，有一句经典论断——天才是99%的汗水，加上1%的灵感。爱迪生认为那1%的灵感最重要。AIGC则向我们证明，99%的汗水能产生质变。善用AI的创作者，或许才是“完全体”。首先，AI和自然人的创作过程，没有那么大的差异：一部作品的诞生，一个作者的成长，都建立在大量对经典的观察、参照、模仿、提炼基础上，并非一蹴而就。而创新往往也有迹可循，或者是对主流的扬弃甚至反叛，或者是对多种元素的加成和融合。因此，如知识产权制度，也是在鼓励创作的基础上，给予贡献者以对等的奖励，而非一刀切地拒绝模仿。其次，人作为创作核心这一点没有变化：AI面向任务，人类面向创造。一方面，人类信息系统纷繁复杂，远非几个“prompt”输入就能概括。正如一位网友说，AI代替不了我，因为它理解不了老板的需求。没有五年经验的乙方，也解读不来甲方口中的“要大气”。另一方面，AI成长的养料仍然由人提供，AI更可靠可信也依赖着人的使用与反馈。“断奶”于2021年的ChatGPT可不知道2022年世界杯的战果。从实用的视角，AIGC将赋予普通用户更多的创作权力和自由。从PGC、UGC到AIGC的发展路径可见，普通人越来越多的参与到创作之中，数字内容不仅呈现数量上的指数级增长，类型和风格也走向了更加包容和多元的生态。未来，用户可以使用手机拍摄的一系列照片，通过AIGC工具生成一个可以使用的3D渲染图。采用这种创造内容的方式，我们可以想象未来的数字空间将不再完全由开发人员构建，而是利用AIGC响应用户的输入按需生成。 AIGC工具对专业人士的杠杆效应更显著：如果对普通人的增益是从0到1，对专业人士则可能是从1到10，使他们能集中精力处理更顶层、更有价值的事情：比如立意，风格，构图，元素组合和后处理，或者怎样在前期制作尽可能多样的demo来找寻更好的方案。运用AI也正成为新的职业能力，善于“施咒”的大触们前赴后继地开发着AI近乎无限的潜能，并社交平台上留下让人望洋兴叹的作品。更长期看，创作和艺术的历史是螺旋上升的历史，是某一种风格数量极大丰富、质量巅峰造极之后的突破、突变与跨界，也是一个时代精神情感的凝结。我们有理由相信，AIGC变革下创新依旧存在，甚至会加速发展。参考资料来源: [1]https://mp.weixin.qq.com/s/ZYSEou1ki0a4JVY2Nv8_SA. [2]https://zhuanlan.zhihu.com/p/388666777. [3]https://zhuanlan.zhihu.com/p/82758631. [4]https://zhuanlan.zhihu.com/p/493739360. 来源：金色财经

金色财经2023-03-16

SolaRoad创建HPCS高性能超算空间网络与全球用户共享算力时代红利

发。目前服务的用户包括：OpenAI、NVIDIA、Facebook、Runway、C3.AI，以及多国政府与机构。作为全球首条基于HPOS共识机制打造的超算公链，SolaRoad为文明与时代加速，专注于打造一条划时代的超算生态体系，同时也是混沌经济体系下的一种新商业尝试，超级算力作为数字经济时代新能源，将为Ai人工智能、智慧互联网、Metaverse等行业提供最先进的生产力。 SolaRoad是一家全球数据中心基础设施供给服务商，业务涵盖了IDC数据中心、数据安全、云计算、DNS&CDN、系统研发等。SolaRoad超算公链将为客户端、Web3机构、企业级用户提供多中心化超算算力租赁服务，通过区块链链上模型构建以SOLA-G7算力服务器为基石的超算集群，主要构建去中心化数智融合AI算力体系，服务于全球AI企业和数字经济企业。 SolaRoad的愿景是创建一个HPCS高性能超算空间网络，通过分布式算力集群和Ai人工智能引擎，可以更加高效的对当前超算中心集群实现指数级规模增长，从而降低运算成本与提高商用化价值。 SolaRoad将部署全球超算服务中心，实现算力资源使用的门槛优化与进一步商业化。第一，优化算力资源的定价。对不同的计算任务类型、规模和使用时间等因素进行考虑，制定不同的价格政策。提供多种计费方式，如按需计费、预付费等，以便用户根据自己的需求选择最适合的计费方式；第二，降低算力资源的使用门槛。提供用户友好的界面和操作指南，为用户提供算力资源的调度、监控、管理等功能，以便用户能够轻松地使用算力资源；第三，数据安全和隐私保护。在商业化过程中，采取安全措施，如数据加密、身份验证等，保障用户数据的安全和隐私。 SolaRoad为全球用户提供高效、可靠、安全的计算资源共享，为AICG提供强劲的算力引擎，SolaRoad将大数据技术、人工智能技术、5G实例测试与应用等深度融合，凭借自有计算机及服务器集群提供超算服务。目前，SolaRoad已在亚洲的日本、香港、泰国建立AI超算服务中心，未来将逐步在北美和欧洲建立超算服务中心，以点带面，辐射全球，计划2年内在全球20个国家搭建超算服务集群，帮助推动人工智能发展新的生产方式和落地应用。未来，算力代表着未来，算力代表着财富，作为全球首条基于HPOS共识机制打造的超算公链，SolaRoad将链接全球算力，携手每一位用户共享算力时代红利，SolaRoad，与你们共同创造，一起改变世界的力量！来源：金色财经

金色财经2023-03-14

【投研周报】RBC财富管理：不可忽视！美国中型企业正在展现其更高的投资价值

Dave Harder2023-03-11

AIGC 行业专题报告：从 AI 技术演进看 AIGC

已基本成型。目前该层级的主要布局玩家为Nvidia、AMD、英特尔等在内的国际科技巨头，国内在基础层的布局和实力均相对薄弱。技术层主要解决具体类别问题，这一层级主要依托运算平台和数据资源进行海量识别训练和机器学习建模，开发面向不同领域的应用技术，包括语音识别、自然语言处理、计算机视觉和机器学习技术等。科技巨头谷歌、IBM、亚马逊、苹果、阿里巴巴、百度都在该层级深度布局，并涌现了如商汤科技、旷世科技、科大讯飞等诸多独角兽公司。应用层主要解决场景落地问题，利用AI 技术针对行业提供产品、服务和解决方案，其核心是商业化。得益于人工智能的全球开源社区，应用层的进入门槛相对较低，但也是商业价值最大的环节（典型如算法推动在抖音、快手等应用端落地）。发展历程：60 年三起两落，呈螺旋式发展回顾人工智能技术的发展历程，我们发现，人工智能所经历的三次兴起浪潮均源于底层算法的革命性进展，而前两轮的衰落是由于数据处理性能及底层算法的局限，使 AI 技术从成熟度以及商业可行性上无法落地。2006 年，Hinton 提出颠覆性的深度学习算法，使得 AI 产业迈出关键性一步：利用多层神经网络，将人类从复杂的算法归纳中解放出来，只要给予机器足够多的数据，便能使其自动归纳出算法，叠加底层算力 GPU 的不断发展及互联网时代海量数据的积累，人工智三驾马车：算法、算力和数据皆已准备就绪，使 AI 技术彻底走出实验室，逐步渗透进各个行业和场景。第一轮：兴于感知神经网络，终于计算机性能约束兴起：1956 年达特茅斯会议开启了人工智能的元年，仅在定理层次等证明了AI商用的可能性，实际应用还十分有限。1956 年，以约翰·麦卡锡、马文·明斯基、克劳德·香农等为代表的科学家们在达特茅斯组织了一场为期两个月的人工智能夏季研讨会，探讨如何通过机器模拟人类学习或人类智能的其他特征。本次会议结束后，很多国家政府、研究机构、军方等都开始投资人工智能，掀起了第一波人工智能热潮。在第一波 AI 的浪潮中，占据主导地位的思想是逻辑主义，即通过引入符号方法进行语义处理、将待研究和解决的问题转化为可以用计算机处理的符号，运用逻辑公理进行解答，从而实现人机互动。第一波人工智能浪潮的总体成就有限，仅在定理证明等特定领域取得了成功。受制于计算机性能及可获取的数据量，当时的人工智能只能完成玩具式的简单任务，在语音、图像识别及想起游戏等看似简单的任务上，进展都十分有限。衰落：计算机的性能制约了早期程序的应用，人工智能的发展首次预冷。受限于计算机的处理性能，当时其所能处理的程序对象少且复杂度低，机器无法读取足够的数据实现智能化，AI 自然无法大规模落地商用。1973 年，学者莱特希尔发表了一份具有影响力的评估报告《人工智能：一般性的考察》，报告指出：“迄今为止，人工智能没有在任何领域发生之前预想的重大影响，人工智能的投入是金钱的浪费”，该报告发表后，英国政府随后终止了对爱丁堡等几所高效的人工智能项目的支持。到 70 年代中期，美国和其他国家在该领域的投入也大幅度削减，人工智能发展进入寒冬。第二轮：兴于 BP 神经网络，终于专家系统失败兴起：1980 年代，Hopfield 神经网络和 BT 训练算法的提出，使基于AI技术的专家系统首次得以商用。Hopfield 神经网络是通过对动物或人脑的基本单元一神经元建模和连接，探索模拟动物或人脑神经系统的学习、联想、记忆和模式识别等功能的人工模型。基于该模型，IBM 等公司开发出了一系列用于模拟专家决策的专家系统，使人工智能第一次实现商业化落地。衰落：算法局限使计算结遭遇瓶颈，人工智能由于实际商用成本过高再次衰落。专家系统的维护成本极高，但神经元网络只能解决单一问题，数据量积累到一定程度后，计算结果便不再改进，实际应用价值有限。1987 年，苹果和IBM生产的台式机性能超过了由 Symbolics 等厂商生产的通用计算机，专家系统逐渐淘汰。第三轮：兴于深度学习算法，强于数据及算力兴起： 2006 年，Hinton 提出了神经网络 DeepLearning 算法，将人类从复杂的算法归纳中解放了出来，使人工智能再一次聚焦了学术界和产业界的目光。从底层算法来讲，深度学习算法弥补了传统 BP 神经网络的缺陷：1）多隐层的人工神经网络具有优异的特征学习能力，从而有利于可视化或分类；2）传统人工神经网络的训练难度可以通过“逐层初始化”来克服。通俗来讲，本轮算法的革命性进步在于：不需要人工去提取规则特征，机器通过海量数据，即可自动实现规则的特征提取，将最复杂的“算法归纳”留给机器去完成。数据显示，自2012年在图像识别领域引入深度学习算法以来，图像识别的错误率显著降低。并通过深度学习训练层数的增长及优化，在 2015 年通过 ResNet 模型使图像识别的精度超过了人眼可达的精度。强化：底层算力的高速发展及多维数据的快速积累，使本轮人工智能得以爆发。计算机硬件设施的发展，如 GPU（图形处理器）、TPU（张量处理器）等新一代芯片及 FPGA（现场可编程门陈列）异构计算服务器提供了足够的计算力，能够支持人工智能算法的原型。数据的可获得性和质量在这一时期得到了极大的改善，互联网、物联网等产业的发展也为人工智能提供了规模空前的训练数据。人工智能三大要素：“算法、算力和数据”的准备就绪，使人工智能快速渗透到各产业中，如安防、金融、医疗、文娱等。人工智能：技术流派及我们所处的阶段技术演进：行为主义+连接主义，诞生深度学习技术 AI 的技术流派经历了符号主义、连接主义和行为主义，在行为主义思想中引入了连接主义的技术，诞生本轮的深度强化学习技术。符号主义符号主义又称为逻辑主义，在人工智能早期一直占据主导地位。该学派认为人工智能源于数学逻辑，其实质是模拟人的抽象逻辑思维，用符号描述人类的认知过程。早期的研究思路是通过基本的推断步骤寻求完全解，出现了逻辑理论家和几何定理证明器等。上世纪 70 年代出现了大量的专家系统，结合了领域知识和逻辑推断，使得人工智能进入了工程应用。PC 机的出现以及专家系统高昂的成本，使符号学派在人工智能领域的主导地位逐渐被连接主义取代。连接主义连接主义又称为仿生学派，当前占据主导地位。该学派认为人工智能源于仿生学，应以工程技术手段模拟人脑神经系统的结构和功能。连接主义最早可追溯到1943年麦卡洛克和皮茨创立的脑模型，由于受理论模型、生物原型和技术条件的限制，在 20 世纪 70 年代陷入低潮。行为主义行为主义又称为进化主义，近年来随着 AlphaGo 取得的突破而受到广泛关注。该学派认为人工智能源于控制论，智能行为的基础是“感知—行动”的反应机制，所以智能无需知识表示，无需推断。智能只是在与环境交互作用中表现出来，需要具有不同的行为模块与环境交互，以此来产生复杂的行为。在人工智能的发展过程中，符号主义、连接主义和行为主义等流派不仅先后在各自领域取得了成果，各学派也逐渐走向了相互借鉴和融合发展的道路。特别是在行为主义思想中引入连接主义的技术，从而诞生了深度强化学习技术，成为AlphaGo 战胜李世石背后最重要的技术手段。技术现状：深度学习技术带动本轮人工智能发展人工智能算法经历了“既定规则系统”、“浅层学习算法”和“深度学习算法”三个阶段，其中，深度学习算法彻底将人类从复杂的算法抽象中解放了出来，用深度神经网络+海量数据打破了计算准确度的瓶颈，带动了本轮人工智能的爆发。人工智能算法所经历的三大阶段及实现过程如下： 1）既定规则系统及其实现过程既定规则系统尚不属于“机器学习”的范围，其背后的关系为人力搭建算法的逻辑关系。面对待处理的问题，由人提取出问题特征、再由人设定好算法规则，交由机器进行运行。例如，判断某幅图片是否为猴子，既定规则系统执行过程如下：1）人为提取猴子各部分像素特征；2）人为设定猴子判定规则，如眼睛、鼻子、嘴巴等部位的像素应分别位于哪一区间内；3）机器根据读取到的像素及判定规则，计算当前图片是否为猴子，输出结果“是”或“否”。 2）传统机器学习算法及实现过程传统机器学习算法彻底将人类从复杂的算法抽象中解放了出来，但对复杂数据的处理受到明显制约。简单来说，机器学习是一种实现人工智能的方法，深度学习算法是实现机器学习的技术。传统机器学习算法又称浅层算法，这类算法如反向传播算法（BP 算法）、支持向量机（SVM）、Boosting 等，局限性在于对有限样本和计算单元的情况下对复杂函数的表示能力有限，对复杂数据的处理受到制约。例如，在图像识别领域，浅层学习的识别准确率较低，主要原因为该算法的处理逻辑偏向浅层，不能穷举复杂的情景，在准确率达到一定程度后，即使再投入更多数据，准确率依然无法提升。如判断某幅图片是否为猴子，传统机器学习算法执行过程如下：1）人为提取猴子各部分像素特征；2）机器自动归纳猴子的判定规则，如眼睛、鼻子、嘴巴等部位的像素应分别位于哪一区间内；3）机器根据读取到的像素及判定规则，计算当前图片是否为猴子，输出结果“是”或“否”。 3）深度学习算法及实现过程深度学习与传统的机器学习最主要的区别在于：随着数据规模的增加，其判断准确度也在不断增长。判断准确度的提升，使人工智能技术可大规模应用于语音识别、图像识别等多个领域。2006 年，Hinton 提出深度学习算法，该算法与传统的机器学习算法最大的区别在于随着数据规模的增加，算法计算准确率也不断增长。当数据很少时，深度学习算法的性能并不突出，随着数据量的增加，其优越性得以体现。传统机器学习算法，在拟合度达到某一特定值后，再增加数据量，其拟合度不再提升；深度学习算法拟合准确度随着数据量及神经网络层数的增加而提升。例如，在引入深度学习之前，语音识别的准确率连续三年稳定在 76.4%，引入该算法后，其准确率逐年递增，2017 年已达94.5%。如判断某幅图片是否为猴子，深度学习算法的执行过程如下：人为将海量带有标签的图像数据到计算机中，无需进行任何特征提取或规则设定，算法自动根据输入图像的特征归纳出判定规则，并泛化至后续判断过程中。实现要素：海量数据及高效算力是深度学习实现基础海量数据及高效算力是深度学习实现基础。深度学习全称深度神经网络，本质上是多层次的人工神经网络算法，即从结构上模拟人脑的运行机制，从最基本的单元上模拟了人类大脑的运行机制。算法的实现过程分为训练和推断两个阶段。训练阶段需要海量数据输入，训练出一个复杂的深度神经网络模型。推断指利用训练好的模型，使用待判断的数据去“推断”得出各种结论。大数据时代的到来，图形处理器（Graphics Processing Unit，GPU）等各种更加强大的计算设备的发展，使得深度学习可以充分利用海量数据（标注数据、弱标注数据或无标注数据），自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。简单来说，在深度学习算法的基础上，海量数据解决了计算精准度的问题，算力的提升解决了计算速度的问题。所处时代：基于统计规律的弱人工智能时代，但商业化价值已经展现人工智能的分类标准及定义李开复及王咏刚在《人工智能》一书中，将人工智能按照智能程度的强弱，划分为：弱人工智能（Artificial Narrow Intelligence，简称ANI）、强人工智能（Artificial General Intelligence，简称 AGI）和超人工智能（ArtificialSuperintelligence，简称 ASI）三个层次。弱人工智能（ANI）也称为限制领域人工智能或应用型人工智能，本质上是某个特定领域内基于统计规律的大数据处理者。通俗来讲，弱人工智能只专注于完成某个特定的任务，例如语音识别、图像识别和翻译，是擅长单个方面的人工智能，类似高级仿生学。该阶段的 AI 技术是为了解决特定具体类的任务问题而存在，底层原理是从海量数据中从中归纳出模型，再泛化至新的数据中进行正向运算。例如，谷歌的 AlphaGo 和 AlphaGo Zero 就是典型“弱人工智能”，尽管它们能够战胜象棋领域的世界级冠军，但也仅限于擅长于单个游戏领域的人工智能。强人工智能（AGI）是人类级别的人工智能，拥有独立思想和意识，在各方面均能与人类媲美。拥有 AGI 的机器不仅是一种工具，其本身可拥有“思维”，能够进行独立的思考、计划、解决问题、抽象思维、理解复杂理念、快速学习等，可实现“全面仿人性”，在智力水平和行动能力方面与人类基本没有差别，目前只存在于电影及人类想象中。超人工智能：假设计算机程序通过不断发展，智力水平可以超越人类，则由此产生的人工智能系统就可以被称为超人工智能。在人工智能的三个层级中，超人工智能的定义最为模糊，目前还没有精准预测能够说明超越人类最高水平的智慧到底会表现为何种能力。对于超人工智能，目前只能从哲学或科幻的角度加以想象。当前人工智能现状：基于统计规律的弱 AI 时代当前人工智能尚属于“弱人工智能”阶段。按照人工智能的执行深度，我们将人工智能的判定层次分为计算智能、感知智能和认知智能三个层次：1）计算智能：神经网络和遗传算法的出现，使机器能够高效、快速地处理海量数据，目前该技术的应用已相当成熟；2）感知智能：技术已相对成熟，典型应用语音识别及人脸识别，准确率分别超过 98%和 99%；3）认知智能：还有较大提升空间，典型应用包括机器翻译和计算机视觉认知，这两项技术与人力还有较大差距。通过以上对三个层级的分析，我们判断：人工智能技术尚不具备完全“认知”能力，处于垂直领域的应用投入商用、自主认知尚待攻克的“弱人工智能”阶段。 “弱人工智能”所带来的收效依然十分可观弱人工智能在特定领域的表现均超过人类，多种劳动密集型工作均具有较强自动化潜力。2017 年 10 月，AlphaGo 的升级版本实现了不通过向人类学习，只通过概率计算和自学自练就达成自我超越、战胜李世石的初代AlphaGo。由IBM开发人工智能 Waston，使用机器学习来分析和解读海量医疗数据和文献，检查患者数据做出治疗决定，印度班加罗尔研究表明，Waston 与医生在提供肺癌、结肠癌和直肠癌治疗建议方面一致性比例分别高达 96%、81%和93%。微软公司的人工智能虚拟机器人小冰，学习了 20 世纪 20 年代以来 519 位诗人的现代诗，自2017年2月起，“小冰”在天涯、豆瓣、贴吧、简书四个平台上使用了27 个化名发表的诗歌作品，几乎没有被发现是机器所作。不仅如此，人工智能在交通、教育、金融领域也展示出了巨大的应用前景。与人类相比，人工智能在数据存储、调用、分析处理方面的强大能力，以及在特定危险情境下的生存能力，都有望为人类生活带来巨大颠覆。麦肯锡报告表明，多种人力劳动密集、机械类工作都具有较强的自动化潜力，住宿和餐饮服务、制造、交通和仓储等职业自动化潜力巨大。 2020 年，弱人工智能为全球 GDP 带来 14%的提升。人工智能将提升社区劳动生产率，特别是在有效降低劳动成本、优化产品和服务、创造新市场和就业等方面，将为人类的生产和生活带来革命性的转变。据 Sage 预测，2020 年，人工智能的出现将为全球 GDP 带来 14%的提升，相当于 15.7 万亿美元的增长。根据世界银行及产新智库的分析，人工智能作为当下最先进生产力，如果能为制造业提高1%的效率，全球制造业便会节约 3000 亿美元。再细分到各个产业，为航空提高1%的效率相当于 300 亿美元，为电力提高 1%的效率相当于660 亿美元，为医疗系统效率提高 1%相当于 630 亿美元，为铁路系统效率提高1%相当于270 亿美元，为石油天然气资本支出降低 1%相当于 900 亿美元。综上，截至2025 年，人工智能可能影响 32 万亿美元的全球制造业领域，相当于将影响全球50%的经济。万事俱备，人工智能场景应用有望全面爆发相比于前两轮的 AI 浪潮，我们认为本轮人工智能应用将全面爆发的原因如下：1）深度学习算法的革命性颠覆，使“数据量”成为决定拟合结果的核心要素：在本轮深度学习算法出现前，AI 的主要算法是 BP、SVM 等浅层算法，由于其处理逻辑停留在浅层，即使在拥有海量数据的情况下，拟合结果的准确率在提升至某一瓶颈后便无法提升，人工智能难以处理复杂的问题。深度学习算法得益于多层神经网络，可直接用海量数据“暴力破解”出计算算法，数据量越高，拟合精准度越高。这说明只要具备充足的数据和算力，便能快速训练出精准的算法，这使得决定人工智能准确度的核心由“算法”转变为“数据和算力”；2）海量多维数据及GPU 算力已准备就绪，为算法运行提供充足“燃料”和“引擎”：互联网使海量数据积累成为可能，而 GPU 的出现，满足了机器学习大规模并行计算要求。至此，人工智能的三驾马车“算法、算力、数据”皆已准备就绪；3）开源框架大幅降低了 AI 的使用门槛；4）政策及资本的助力：AI 被广泛认为人类历史上第四次工业革命，美国、中国等科技大国均将其提升至顶层战略高度，加之资本注入及催化，“弱人工智能”的商用已广泛落地。资源层：数据及算力的大幅提升将 AI 推向浪潮之巅互联网及数字经济的快速发展，为 AI 算法训练提供充裕的数据来源。人工智能领域顶级专家吴恩达曾提到：发展人工智能就像用火箭发射卫星，需要强大的引擎和足够的燃料，算法模型就是其引擎，高性能的算力是打造引擎的工具，海量的数据就是引擎的燃料。基于深度学习的算法特点，其计算准确度与数据量基本成正比。例如，在输入 30 万张人类对弈棋谱并经过3000 万次自我对弈后，人工智能 AlphaGo 具备了媲美顶尖棋手的棋力。当前，机器学习所能应用的数据已经不局限于文本、数字等结构化数据，还包括视频、音频、图片等非结构化数据。而根据 IDC 的统计数据，2021 年全球数据量已经达到82 ZB，预计到2026年将达到 214 ZB。 GPU 的发展解决了深度学习的训练速度和相应的成本问题。1）英伟达于2016年推出 P100，2017 年推出 V100，2020 年推出 A100，4 年间从P100 至A100英伟达GPU 芯片高性能计算能力提升 11 倍。2022 年英伟达持续迭代推出H100，其最新的 H100 芯片在 A100 的基础上将训练表现提升 9 倍；2）算力芯片的快速迭代使得提升 AI 模型训练速度和下游用户体验，同时基于摩尔定律的算力提升也使得单位算力开销持续下降，从技术成熟度和商业化成本两端加速AI 技术走向普及。技术环境：开源框架大幅降低开发门槛各巨头在 2016 年纷纷创立 AI 开源的开发框架，人工智能的开发框架是底层硬件与上层软件之间的纽带，可以视作人工智能进行开发和应用的“操作系统”。以往的专家系统是基于本地化专业知识进行运算，以知识库和推理机为中心进行展开，推理机设计内容由不同的专家系统应用环境决定，不具备通用性。同时，知识库是开发者收集录入的专家分析模型与案例的资源集合，只能在单机系统环境下使用且无法连接网络，升级更新不便。企业的软件框架实现有闭源和开源两种形式，少数企业选择闭源方式开发软件框架，目的是打造技术壁垒；目前，业内主流软件框架基本都是基于开源化运营，如谷歌的TensorFlow、脸书的Torchnet、微软的 DMTK、IBM 的 SystemML、三星的 VELES 等，均具有分布式深度学习数据库和商业级即插即用功能。外部环境：政策助力，人工智能迎来发展良机中国密集出台人工智能相关政策，并将 AI 上升至国家战略，力求在下一轮工业革命中抢占先机。自 2015 年以来，国内不断出台推动人工智能发展的鼓励政策，包括:1）建立人工智能促进机制；2）为人工智能提供近支持，包括税收优惠、财政扶持及制定金融政策等；3）推动创新，包括促进产业集群，布局创新基地，鼓励人才培养；4）政府制定规制与保障措施等。《新一代人工智能发展规划》提出了“三步走”战略目标，加速AI 再各行业渗透落地。第一步，到 2020 年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，核心产业规模超过1500 亿元，带动相关产业规模超过 1 万亿元；第二步，到 2025 年，新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用，核心产业规模超过 4000 亿元，相关产业规模超过 5 万亿元；第三步，到2030 年，人工智能理论、技术与应用总体达到世界领先水平，形成涵盖核心技术、关键系统、支撑平台和智能应用的完备产业链和高端产业群，人工智能核心产业规模超过1万亿元，带动相关产业规模超过 10 万亿元。从算法推荐到内容生成：AI 有望引发新一轮内容与平台投资周期基于对 AI 产业链及成长历程的分析，我们认为，AI 底层算法和理论体系的突破相对缓慢，AI 对于各个行业的渗透和改造进度各不相同。但是当前基于神经网络的深度学习算法已经在感知层（图像、声音等）及部分认知处理环节逐步步入技术成熟期，在特定技术环节和应用场景中已经具备良好的商用价值。我们认为，短期内 AI 能够创造价值的行业必须具备以下三点要素：1）适合的场景应用：一方面行业内存在需求，AI 的应用能够解决实际问题，真正为行业带来降本提效；另一方面，深度学习的特点决定了 AI 的算法体系必须拥有特定领域的样本数据持续训练；2）充足的数据来源：在技术应用背后拥有足够的数据来驱动AI 能力的提升；3）所需技术具备商业可行性（技术成熟度以及成本、效率等）。结合以上三方面要素，从落地的角度来看，AI 在自动驾驶、安防、语音识别等领域已经得到大规模应用；从传媒互联网领域落地来看，基于AI 的算法推荐已经在信息分发领域获得充分应用，并诞生出以字节跳动（今日头条、抖音等典型APP）、小红书为代表的移动互联网时代信息分发平台新范式；从信息分发到内容生成（AIGC），AI 有望重塑内容及互联网产业生态。 AI 赋能，字节跳动充分展现内容分发时代AI 商业化价值互联网时代信息爆炸，信息过载加速 AI 在内容分发领域落地。在互联网、特别是移动互联网的快速渗透推动之下，内容创作从传统的PGC 向UGC、PUGC模式转变，与之相应的是信息产生的数量呈现指数级上升；传统的用户主动获取信息的模式不堪重负、信息过载成为制约互联网产业发展的重要障碍；基于AI的“千人千面”算法推荐模式在此背景下快速导入，推动了互联网从“人找信息”到“信息找人”的内容分发模式转变。技术解读：“千人千面”的推荐系统本质上是一个由AI 技术驱动的拟合函数，输入变量包括用户特征、环境特征和内容特征，输出变量为推荐结果。参与运算的参数包括：1）用户特征：包括兴趣、职业、年龄、性别、机型、用户反馈行为等；2）环境特征：地理位置、时间、网络、天气、当前场景（工作、地铁等）；3）内容特征：主题词、兴趣标签、热度、质量等。结合三方面的信息，模型会运算出一个预估，即推测推荐内容在这一场景下对这一用户是否合适。然后对小批量相同标签的用户进行实时推荐。如果用户反馈（转化率、热度）达到设定标准，则将此内容进行大规模的推荐；如果用户反馈低于设定标准，则停止推荐。依靠该推荐系统，使平台长尾内容实现了有效的分发和触达。从技术理念到产品落地，算法推荐引领内容分发进入新时代。从产品来看，以抖音、今日头条、小红书等 C 端娱乐内容为代表的内容平台，基于海量用户数据，并通过视频识别技术，挖掘出各视频内容的特点及标签，通过推荐系统，将合适的内容、在合适的地点、推送给合适的人，改变内容分发行业聚焦于头部内容的生态特征，挖掘出长尾内容的使用价值；而从当前移动互联网产品来看，从内容分发到电商平台产品推送，基于 AI 的信息分发已成标配。从产品到商业化，字节跳动的异军突起验证 AI 强大的生产力价值和商业化潜力。作为作为 AI 技术驱动型公司，字节跳动于 2012 年8 月推出首款新闻资讯分发产品“今日头条”，产品基于机器学习技术，实现“千人千面”的新闻信息推送。在上线不到两年的时间内，用户数已超过 1.2 亿，MAU 超过4000 万。后续，公司基于今日头条所打磨出的智能推荐系统，低成本、大规模生产“流产品”，推出了“抖音”等现象级产品，并将国内成熟产品通过“技术出海+本土化运营”顺利推广到全球。Questmoblie 数据显示，截至 2022 年底，字节跳动旗下产品合计用户时长占比达到 24.5%（2017 年底为 10.1%），成为仅次于腾讯系的互联网巨头。生成式 AI（AIGC）：从信息分发到内容生成，更为宏大的时代机遇利用人工智能方式生成内容的想法发源甚早。艾伦·图灵(Alan Turing)1950在论文《计算机器与智能( Computing Machinery and Intelligence )》中提出了判定机器是否具有“智能”的试验方法，即“图灵测试”，判断标准为，机器是否能模仿人类的思维方式并生成内容进一步与人交互。半个世纪的科技发展中，随着数据量快速积累、算力性能不断提升、算法效力增强，当前的AI 在与人交互的过程中还可产出写作、编曲、绘画、视频制作等内容。2018 年，世界上首个出售的 AIGC 画作在佳士得拍卖行以 43.25 万美元成交，引发各界关注。随着AI的内容生成能力不断增强，场景落地开花，AIGC 产业浪潮兴起。结合人工智能的演进历程,AIGC 的发展大致可以分为4 个阶段，即: 早期萌芽阶段(20 世纪 50 年代至 90 年代中期)、沉淀积累阶段(20 世纪90 年代中期至21 世纪 10 年代中期) ，快速发展阶段(21 世纪10 年代中期至今)以及当前的破圈爆发阶段（2022 年至今）。早期萌芽阶段 (1950s-1990s) ：技术所限，AIGC 局限于小范围实验。1957年，莱杰伦·希勒 (Leiaren Hiller ) 和伦纳德·艾萨克森( LeonardIsaacson)通过将计算机程序中的控制变量换成音符得到了历史上第一支由计算机创作的音乐作品——弦乐四重奏《依利亚克组曲 ( Illiac Suite )》。1966 年，世界第一款可人机对话的机器人“伊莉莎 ( Eliza)”问世，其可在关键字扫描和重组的基础上进行人机交互。80 年代中期，IBM 基于隐形马尔科夫链模型( HiddenMarkovModel,HMM) 创造了语音控制打字机“坦戈拉( Tangora )”,能够处理约20000个单词。然而在 20 世纪末期，高昂的研发与系统成本与难以落地商业变现模式，各国政府减少了对人工智能领域的投入，AIGC 发展暂时停滞。沉淀积累阶段 (1990s-2010s)：AIGC 实用性增强，开启商业化探索。2006年，深度学习算法取得重大突破，且同期图形处理器( Graphics Processing Unit,GPU)、张量处理器( Tensor Processing UnitTPU) 等算力设备性能不断提升。数据层面互联网的发展引发数据规模快速膨胀，成为 AIGC 发展的算法训练基础，AIGC发展取得显著进步。但算法仍然面临瓶颈，创作任务的完成质量限制了AIGC的应用，内容产出效果仍待提升。2007 年，纽约大学人工智能研究员罗斯·古德温装配的人工智能系统通过对公路旅行中见闻的记录和感知，撰写出世界第一部完全由人工智能创作的小说《1 The Road》。但其仍整体可读性不强的劣势，存在拼写错误、辞藻空洞、缺乏逻辑等问题。微软 2012 年公开展示的全自动同声传译系统，基于深层神经网络 (Deep Neural Network,DNN)可自动将英文演讲者的内容通过语音识别、语言翻译、语音合成等技术生成中文语音。快速发展阶段(2010s-2021)：深度学习算法的不断迭代促进内容生态百花齐放。2014 年以来，以生成式对抗网络 (Generative Adversarial Network,GAN)为代表的深度学习算法被提出和迭代更新，AIGC 进入生成内容多样化的时代，且产出的内容效果逼真到难以分辨。2017 年，世界首部全部由AI 创作的诗集《阳光失了玻璃窗》由微软的人工智能少女“小冰”创造。2018 年，英伟达了可以自动生成图片的 StyleGAN 模型，截止 2022 年末，其已升级到第四代StyleGAN-XL,可生成人眼难以分辨真假的高分辨率图片。2019 年，DeepMind 发布了可生成连续视频的 DVD-GAN 模型。2021 年，OpenAI 推出了 DALL-E，并于2022 年将其升级为DALL-E-2。该产品主要生成文本与图像的交互内容，可根据用户输入的简短描述性文字，得到极高质量的卡通、写实、抽象等风格的图像绘画作品。爆发与破圈阶段（2022-至今）：2022 年以来，AIGC 产品密集发布，ChatGPT爆火出圈。Google 于 2022 年五月推出了文本图像生成模型lmagen，同年8月，开源 AI 绘画工具 StableDiffusion 发布；2022 年 9 月，Meta 推出可利用文字生成视频的产品 Make-A-Video 以推动其视频生态的发展。2022 年11 月30 日，OpenAl推出 AI 聊天机器人 ChatGPT，AIGC 的内容产出能力迅速吸引大批用户，至2022年 12 月 5 日，根据 OpenAI 创始人表示，ChatGPT 用户数已突破100 万。2023年2 月，微软宣布推出由 ChatGPT 支持的新版本 Bing 搜索引擎和Edge 浏览器，AIGC与传统工具进入深度融合历程。算力与数据皆备、大模型加速 AIGC 技术导入，应用创新、场景落地渐行渐近深度模型的进步与创新奠定 AIGC 走向成熟的基础。就底层技术而言，不断创新的生成算法、预训练模型、多模态等技术是 AIGC 行业发展的前提，以此为基础AIGC在自动化内容生成上具备了通用性、基础性多模态、参数多、训练数据量大、生成内容高质稳定等特征优势。预训练模型进一步打开了 AIGC 的技术和商业化可能。以往的生成模型存在使用门槛高、训练成本高、内容生成简单和质量偏低等劣势，而真实内容消费场景具备灵活多变、高精度、高质量等痛点要求。预训练模型的出现通过提高AIGC技术能力解决了上述问题。AI 预训练模型。即大模型、基础模型(FoundationModel)，其基于大量数据与巨量参数的模型，可适应下游广泛任务并显著提高各种下游任务的性能。AIGC 进入预训练模型时代以 2018 年谷歌发布基于Transformer机器学习方法的自然语言处理预训练模型 BERT 为标志。当前按照基本类型分类，预训练模型包括:(1)自然语言处理(NLP) 预训练模型，如谷歌的LaMDA 和PaLM、OpenAl 的 GPT 系列;(2)计算机视觉(CV)预训练模型，如微软的Florence:(3)多模态预训练模型，即融合文字、图片、音视频等多种内容形式。以 GPT 为代表的大模型表现优异，AIGC 加速从实验室设想向产业化落地。1）根据 IDC 的定义，AI 大模型是基于海量多源数据打造的预训练模型，是对原有算法模型的技术升级和产品迭代，用户可通过开源或开放API/工具等形式进行模型零样本/小样本数据学习，以实现更优的识别、理解、决策、生成效果和更低成本的开发部署方案。大模型的核心作用是突破数据标注的困境，通过学习海量无标注的数据来做预训练，拓展整体模型前期学习的广度和深度，以此提升大模型的知识水平，从而低成本、高适应性地赋能大模型在后续下游任务中的应用；2）以GPT 系列自然语言处理模型为例，从 2018 年 6 月的GPT-1 模型，经过数代的模型迭代，GPT3.5 已经从早期的 1.17 亿参数量提升至当前的千亿级以上，而基于GPT3.5 的 ChatGPT 在人机对话中表现优异并火爆出圈，印证了大模型在文本、图像乃至视频等领域内容生成的可能性和商业化潜力。从 PGC 到 AIGC，AI 有望重构内容与媒介生态 AIGC 多样化的内容生成能力使其覆盖各类内容形式，各类应用场景正随技术进步逐渐落地。AIGC 不仅可覆盖文本、音频、图像、视频等基本内容模态，还可综合图像、视频、文本进行跨模态生成，并应用于各类细分行业成为具体的生产力要素，例如游戏行业中的 AI NPC、虚拟人的视频制作与生成等。从 PGC 到 AIGC，内容与平台从生态到商业模式有望重塑，新投资周期即将来临。1）从 PGC 到 UGC、PUGC，传媒互联网从 web 1.0 的门户时代进入到移动互联网的web 2.0 时代，结合算法推荐的信息分发模式诞生了以字节跳动（抖音、今日头条）、美团、快手、小红书等为代表移动互联网新贵；2）算法推荐重塑了信息分发模式，而 AIGC 则实现了信息、内容的 AI 创作，内容生产将从PGC、UGC、PUGC迈入 AIGC 时代，内容生产的效率有望实现跨越式提高，内容将迎来大爆发时刻，与之相应的，从内容到媒介平台都将会迎来生态和商业模式的重塑，内容与平台的新投资周期即将来临。投资分析 AI 是新一轮生产力革命，算法创新及算力进步、数据爆发，催化本轮人工智能奇点将至。1）人工智能（AI）基于机器学习和数据分析的方法，赋予机器人类的能力，从而实现解放人力、降本提效的目的，已经成为推动新一轮生产力革命的核心技术方向；2）经历符号主义、连接主义和行为主义的持续演进，最终诞生了引导本轮 AI 落地的深度学习技术；深度学习技术的出现，改变了传统AI 的技术路线，解决了传统机器学习算法无法处理大量数据、准确率遭遇瓶颈的问题，使得AI 从理论上具备了工程化落地的可能；基于摩尔定理的算力提升，互联网及数字经济的快速发展带来的数据量井喷，使得 AI 最终从设想走向场景落地，在语音识别、图像识别等领域的计算准确度都实现了突破性进展并得到广泛应用。从算法推荐到内容生成，AIGC 有望带动新一轮内容与平台革命。1）从传媒互联网的实践来看，基于 AI 算法推送的信息分发模型已经为web 2.0 时代主流的信息组织模式，并诞生出以字节跳动、快手、小红书等为代表典型产品和商业案例；2）从算法推动到内容生成（AIGC），新时代的大门正在打开：海量的数据资源、快速提升的算力水平和不断降低的单位算力成本开销、基于深度学习的预训练大模型构建的通用大模型显著降低应用开发门槛，数字化的高渗透率赋予充裕场景应用可能；从 PGC 到 AIGC，内容生产的大爆炸将重塑内容与平台生态、商业模式，新一轮产业机遇渐行渐近。来源：金色财经

金色财经2023-03-10

AIGC 浪潮下 Web3 的应用层创新

成各种高分辨率图像。在 OpenAI，Nvidia 和 Google 设法训练大模型之后，它们已经引起了很多关注。扩散模型扩散模型的生成逻辑相比其他的模型更接近人的思维模式，也是为什么近期 AIGC 拥有了开放性的创造力。本质上，扩散模型的工作原理是通过连续添加高斯噪声来破坏训练数据，然后通过反转这个噪声过程来学习恢复数据。它具有精度更高、可扩展性和并行性，无论是质量还是效率均有所提升，其快速发展成为 AIGC 增长的拐点性因素。同时，在机器学习的过程中，需要通过大量的训练来实现更准确的结果，对于底层算力需求将有飞速增长。 2. 硬件层—分布式算力叙述崛起与传统算法相比，人工智能算法并无多余的假设前提，而是完全利用输入的数据自行模拟和构建相应的模型结构，这一算法特点决定了它是更为灵活且可以根据不同的训练数据而拥有自优化的能力，同时也带来了显著增加的运算量。随着 AIGC 生成量的增加，尤其是未来视频、游戏等内容的加入，算力需求将暴增，GPU 专用计算集群或将应运而生，这对提高模型精度和用户体验至关重要。根据 OpenAI 分析，自 2012 年以来，6 年间 AI 算力需求增长约 30 万倍： Web3 技术可以通过去中心化的方式提高机器学习的效率，这在传统的 AI 训练之中已经有所应用，比如 AlphaGo 的改进版 KataGo 使用了分布式训练技术，使得全球希望此 AI 更新的人自愿提供算力训练。 Render Network 是一家基于 GPU 基础设施，为用户提供分布式渲染服务的供应商。解决的是传统的本地渲染和云渲染无法有效利用全球 GPU 算力的问题。可以把 Render Network 看成是中间件，连接供给端和需求端。用户通过区块链发布渲染任务，而矿工则可以接单帮你渲染，期间的交易费用由 RNDR 结算。 Phala Network 的核心是云计算网络，它采用「链上共识、链下计算」的模式,链下计算节点不受共识算法的约束，通过并发编程可结合多个节点的计算能力，即便是面对 AI 繁重的计算任务，Phala 也能为其提供源源不断的算力服务。基于 Secure Enclave 可信执行环境所构建意味着即使是恶意的节点也无法窃取人工智能的数据或操纵其自动化程序的执行、提供虚假结果。在 web3 中更广泛的应用可类似于 Gitcoin，捐赠算力可以获得 POAP，或者类似于 AMM 提供了对于流动性的激励，成为有偿地出租算力的平台。 3. 商业应用层—当 AIGC 融入 Web3 消费场景从商业应用层面看，AIGC 在文字、图像、音频、游戏和代码生成中商业模型渐显，尤其在一些具备高重复性的任务、对于精度要求并不那么高的领域应用已逐步成熟，这类 AIGC 服务在 Web2 中一般以提供 SaaS 服务的形式变现（比如 Lensa, ChatGPT pro）。相比于 Stability AI、 ChatGPT 等人工智能在传统领域获得大量关注和采用，区块链更大的想象力在于可以改变 AI 模型的经济系统。前段时间出现不少 AI 概念币的大幅领涨，但我们更关注的是 FOMO 情绪褪去之后，AIGC+Web3 能在应用层产生哪些方向性创新。 a. AIGC & Mass adoption 不少传统 web2 用户对 crypto 充满兴趣，却往往因为复杂陌生的操作而放弃。AIGC 的出现有望显著降低 web2 用户的进入门槛。 1. Web3 搜索引擎：Web3 版本 chatgpt。在现 chatgpt 大模型基础之上，加入链上数据和 twitter, reddit, Lens, Farcaster, Mastodon, 加密媒体等数据源进行训练，构建 crypto 百科全书。现有用例：RSS3 RSS3 产品 Hoot.it 在 ChatGPT 的基础上增加并优化了更多 Web3 等开放网络的内容训练，使得用户在搜索内容时获得更好的体验。现有用例：Kaito Kaito，人工智能驱动的加密搜索引擎，其数据和信息通常分散在多个来源，例如 Discord、Medium、Mirror、播客抄本以及新闻和研究平台。Kaito 通过其 AI 驱动的搜索引擎将这些信息集中在一个地方。 2. 个性化 onboarding 体验：通过分析用户行为和偏好，AI 可以根据每个用户的风险偏好和过往投资经验，创建个性化的 onboarding 体验。相比于文字版教程，AIGC 引擎在创建钱包、登录、交易、智能合约交互的每一步都能进行一对一指导，降低 onboarding 复杂性和用户流失率，让小白用户更安心。 3. 投资开户引导：AI 智能助手可为用户提供最新的市场数据、热度追踪和基础的投资建议。AI 助手可以为小白用户分析市场上最热的前十大 NFT/ 山寨币，生成详细的数据图表，并协助用户在各大交易平台完成开户和购买等操作。 Comment: 这类产品主要面对散户交易者，整体流量大，基础知识欠缺，需要保证产品的强安全性和权威性，很有可能是中心化交易所先做起来。此外 web3 结构化数据少质量不高，且市场更新迭代速度非常快，在数据获取层面存在不少挑战，目前大多项目尚未开启测试，产品体验不明确。 b. AIGC & 游戏 1. 增强沉浸感：AIGC 驱动的游戏角色可以为玩家提供更真实的体验。AI 驱动的 NPC（非玩家角色）可以生成更复杂、逼真的行为，增强游戏的交互性，并根据用户的行为实时响应他们的行为和决策。现有用例：荒野大镖客、地图生成等。《荒野大镖客 2》玩家与 NPC 之间有着丰富的交互选项——问候、买卖、惹恼、掏枪、抢劫、启动任务、逼问秘密等等，根据交互对象而改变，这些随机性内容在 AI 的加持下，能够形成更丰富 / 更真实的交互体验。《微软模拟飞行》所有 1.97 亿平方英里的环境主要是通过人工智能来完成，微软公司与 blackshark.ai 合作，通过 AI 从二维卫星图像生成无限逼真的三维世界。 2. 降低游戏创作门槛：创作者可以更低门槛地进行游戏创作，目前大多数开放世界的 UCG 游戏编辑器虽然已经简化了游戏创作的步骤，但仍然创作者需要一定的编程基础，在 AIGC 的帮助下无代码编程将成为可能，玩家通过文字描述或图片生成特定的游戏资产、风格场景、gamplay 等。现有用例：Lifeform AI Lifeform 用户可通过 AI 工具生成专属卡通角色。Lifeform AI Cartoon 开展了为期一个月 freemint 活动，从 2 月 17 日到 3 月 17 日。玩家大概支付 0.5 美元手续费免费铸造，每个钱包限额一个. 截止至 2 月 25 日 NFT 已经在 BNBChain 上铸造了 20.7 万枚，共 13.3 万个钱包地址持有 AVATAR NFT。现有用例：Anything World Anything world 元宇宙 AI 动画工具开发公司将于今年 12 月登陆 Epic Games 虚拟引擎。Anything World 主要构建 ML 驱动的大规模创建开源、可用可混合的 3D 工具，降低人们进入 Web3 世界的门槛。现有用例：AIRENA AIRENA 是现实世界和 Metaverse 之间的迅捷交互通道，致力于运用先进的 3D AIGC 功能，Metaverse, 空间 UGC 系统，为现实 2D/3D 艺术创作者们建设一站式艺术，娱乐社交平台。AIRENA 简化的全格式 NFT 创作流程和 UGC 空间内创作功能将使 AIRENA 成为个人，艺术家，企业参与、整合与构建平行世界的全方位解决方案，为 META 探索和交易数字资产提供无缝体验。 3. 个性化游戏体验：AIGC 可以帮助个性化玩家游戏体验。通过跟踪玩家的行为和偏好，AI 算法可以提供量身定制的建议和游戏选项，提高玩家满意度和留存率。现有用例：Mirror World AI 驱动的链游项目 Mirror World 已于 2021 年 9 月推出互动式 NFT Mirror NFT，可跨 Mirror World 全平台的游戏流通，并预计将在今年推出三款资产互通的游戏。 4. 公平性和防作弊：AI 驱动的反作弊系统可以检测异常的行为模式，如自瞄或透视挂，然后标记进行进一步调查。此外 AI 驱动的随机数生成器（RNG）可提高链上菠菜游戏的公平性。 5. 动态游戏平衡：AI 可用于优化游戏平衡，根据玩家的行为和技能水平实时调整难度级别和挑战。游戏将更加有趣和富有挑战性，同时玩家也不会因过于困难的关卡而感到沮丧。现有用例：RCT AI RCT AI 针对 Axie Infinity 开发了 AI 训练的 DRL（Deep Reinforcement Learning）模型，由于 Axie Infinity 所有卡牌的组合数量大约有 10^23 种，还有游戏中的博弈等特点，rct AI 的模型在大量模拟对战数据中提升了效率和胜率。 Comment: 在游戏领域 AIGC 的主要用例是做基础设施优化，较难成为一个独立的商业模式。 c. AIGC & 去中心化社交内容创作: AIGC 可以带来全新的内容创作方式，运用 AI 生成内容的能力让普通的加密用户加入到创作过程中。用户并不一定要贡献具体创作的内容，可以贡献思路或者微调模型。减轻社交压力：AIGC 可以帮助用户总结复杂的信息流，让用户能快速读取关键信息，减轻阅读压力；在未来有可能通过学习用户的语气和个人偏好，在得到用户授权后自动为我们处理社交消息，完成简单的决策。 DID 和成就体系：运用 AIGC 打造数字身份或者生成个人成就墙。现有用例:AspectaAI Aspecta 基于云端与链上数据，应用 AI 打造具有价值深度的数字身份。从开发者开始，革命用户数据潜能。以 Aspecta ID 作为核心，Aspecta 建立了 Aspecta Identity Ecosystem，通过协议和系统为用户和第三方应用提供安全、可控的跨 Web2 & Web3 的数据存储、传输和智能应用服务。潜在用例: AIGC 成就墙还有一种潜在用例是根据用户链上交互、资产情况、nft 持仓、生成一个艺术墙。不仅仅是简单地陈列出来，而是将各种元素融合为一体，并随机应用 3D 画廊、抽象、油画、涂鸦等各种丰富的艺术形式表现出来，艺术画风与元素也会随着交互记录动态变化。 Comment: 我们如何衡量用户生成与 ai 生成内容的价值？如何衡量人与机器艺术的价值? 笔者认为 AIGC 模型是在现有的数据语料库中学习和总结，很难超出互联网平均水平。在 AIGC 时代，真正的创作者应当去思考真正的创新，进而推动文明的进步，而不是总结平庸的想法。 d. AIGC & NFT 1. 生成式 NFT：AIGC 算法可以从个体收藏家的偏好和反馈中学习，随着越来越多 AI 创作工具对普通用户开放，让 NFT 艺术创作变成了像「你画我猜」一样简单的游戏。现有用例：Eponym，Metascapes Eponym 是 Art AI 开发的一个可以根据单词或短语生成艺术作品的 AI 算法，可以在一分钟之内生成抽象的艺术作品，铸成 NFT，并将其刻在以太坊上。在 OpenSea 上的第一款产品在几个小时内就售罄，截至目前已经完成了 4722 笔 NFT 交易，交易总量达 4722 个 ETH。 Metascapes 原始素材来源于从世界上最奇幻的地点拍摄照片，AI 经过学习之后生成了这些 NFT，目前在 OpenSea 上的交易量达到 315 个 ETH。 2. 交互式 NFT: nft 本身可以根据用户的行为进行交互和成长，比如属性进化、母 nft 合并、nft 博弈竞技等。具体项目如下： Comment：AIGC 是否会影响 NFT 的稀缺性，能否获得社区认可？笔者认为应当分场景分析：中长尾 nft 完全可以靠 aigc 生成，生产效率高、概念创新、画风精美；蓝筹则更 prefer 人类艺术家。这种差别类似工业革命时代工业品和手工品区别——工业革命之前普通人缺乏基础生活用品，工业品的出现满足了民众日常需求，手工品则成为了贵族品质的象征；可见在 aigc 时代，人类艺术家价值会变得更高，但受众更少更高端。 e. AIGC & DeFi 1. 智能交易算法：AI 交易算法可以用于分析市场趋势，更准确地预测资产价格的走向，帮助交易者做出更明智的投资决策现有用例：Sumo Signals Sumo SignalsAI 加密交易策略平台,可提供基于人工智能的套利交易指标，筛选数百种加密货币，寻找表示买入或卖出信号的模式，以帮助加密交易者执行套利交易。 2. 更高效的借贷协议：通过使用 AI 算法，借贷平台可以自动评估借款人的信用价值并设置适当的利率降低违约风险，使借贷过程更加高效。 3. 去中心化预测市场：通过分析用户情绪和行为，算法或许能比专家更准确地预测事件的结果，例如选举或体育比赛。来源：金色财经

金色财经2023-03-08

Salesforce推出生成式人工智能工具Einstein GPT

pen ai的工具。芯片制造商英伟达（Nvidia）和高级微设备公司（AMD）都表示，人工智能将是他们未来战略的核心。　　在多个市场与Salesforce竞争的微软（Microsoft）是迄今为止开放式AI的最大投资者，并承诺在其软件业务中包含生成式人工智能功能。下周，微软首席执行官萨蒂亚·纳德拉将主持一场虚拟客户活动，主题是“人工智能工作的未来”。

金融界2023-03-08

24小时热点