作者:邵旭辉,Foothill Ventures管理合伙人,😉在机器学习、大数据系统和软件系统工程领域从事研发和管理工作多🎉年,曾任雅虎广告及大数据平台工程副总裁、Turn CTO及I⭐D Analytics副总裁。他持有清华大学自动化学士学位及😊明尼苏达大学EECS博士学位。 上个月的GTC后,生成🤩式AI相关的讨论久久不能平息,这个月Gen AI领域刚刚宣布😀的两个高额融资消息也引发了大量关注:Augment以近10亿😢美金的估值融资2.27亿美金,Cognition则以20亿美⭐金估值融资1.75亿美金。从文字chatbot到视频生成、机🤗器人,生成式AI的能力不断拓展,应用潮已经开始,行业内外,大😘家都很关心这个话题:AI将会带我们到何处去? 作为AI🤩、深度学习领域多年的从业者,曾经的大公司管理者、创业者以及如😘今的深科技领域投资人,我在此抛砖引玉,谈谈我对生成式AI发展😘的个人判断。 本质上,我认为生成式AI的竞争力根植于这😎三个维度: 一是算力及基础设施,这也是许多大公司优势明💯显的地方。 二是算法,当然也意味着算法背后的人才。 😆 第三则是数据及应用场景,对创业公司来说,这一部分仍存在着😅大量机遇。 我们下面可以从这三个维度来生成式AI的未来💯。 【小标1:Gen AI并非算力竞赛,创业公司的机会🤗在这些领域】 在算力方面,Nvidia是GPU的领头羊😎、CUDA生态的开创者,具有巨大的优势,但其实,未来的生成式😡AI并非绝对以算力定成败。 算力有限的创业公司或者科研😊机构,机遇主要在哪里呢? 首先,创业公司可以打造生成式🤔AI的基础设施,解决底层的问题。 几乎所有的领域的公司🤩,都在考虑自身在生成式AI方面的竞争策略。在数据隐私/计算安😎全、 准确性/可靠性、商业逻辑等等领域都会有很碎片化的😀的要求。而大厂的工具链服务链只能解决一部分需求,其他的就需要😆初创企业来填补。Lepton.AI、Corvic.AI、Fa😍irly.AI 等都属于这个范畴。这些创业企业搭建了机器学习😡领域的基础架构,比如Corvic.AI,他们提供的解决方案让👍复杂数据能较为简便地转化为可用的企业级AI,提供预测分析、A👏I助手、数据标签等功能。 其次,虽然大公司在算力方面拥😊有优势,创业公司可以将目光投向专业领域——对于这些领域来说,👍持续积累的专业数据将会有着不可替代的价值,其中的行业壁垒、合⭐规等方面的积累也能形成一定的护城河。 而更重要的是,不❤️少领域(比如生物医药、网络安全、科研、制造)的底层逻辑和大模😊型擅长的语言文字视频并不相近,无法直接套用,也不容易简单的做😀二次开发就能获得好的结果。 从另一个角度来说,大模型也😢同样打开了许多新机遇,过去一些离商业化较远的领域可能忽然就有🌟前进的动力了,其中往往会有创业公司的机会。 展开全文 🙌 文初提到的AI写代码就是一个新出现的机遇,这两家企业都🙄是近年来发展迅速的AI公司,Cognition的创立时间才刚⭐刚半年。我们也投资了一个同类别的公司Metabob,通过AI🙄来帮助人们找程序中的bug并修复它们。这类企业在AI与软件工🙌程的交叉点找到了自己的市场。 近期机器人的热潮也是个很😁好的例子。 过去传统机器人往往只能解决单个任务,机器人😡的传感器、成本投入都有限,也限制了它的发展。 随着LL👍M的发展,机器人能够在虚拟空间通过强化学习(reinforc😆ement learning)来进行学习、迭代、完成复杂任务🙄,带来了一系列连锁反应——企业愿意开发拥有成本更高、能力更强🤔机器人,这一行业也有了更多的想象空间与投入。斯坦福大学李飞飞🤔教授参与的团队也构建了类似于当年ImageNet的针对虚拟空🌟间训练测试机器人的基于物理模型的大规模训练场景。 今年🙌3月,机器人公司Figure与OpenAI合作发布的视频引发🥳了很多关注:金属覆身的机器人接入了OpenAI的大语言模型,🥳能够迅速理解人类的意图并做出相应的动作,包括整理、准确放置物🤗品以及完成一些相对模糊的指令——一名男子对Figure01“🤔给我找个吃的”,机器人略思索后,拿起了桌上的苹果,并递给了他🎉。值得注意的是,桌上还有四散的碗盘、沥水架等,苹果是唯一一个⭐可食用的物品,这个简单的动作涉及了推理与思考过程,加上之前整🚀理、收纳,机器人展现了完成多个复杂任务的能力。 除了F👍igure01外,ChatGPT引领的大模型风潮下,各类引入😜了LLM的机器人正在涌现:University of Mic🔥higan的学者也发布了基于大语言模型,能够更好地理解3D环🤯境的家用机器人。在工业、农业、医疗等领域,可以想象,新型的 🔥机器人会带来很多的新变化。 【小标2:新型芯片及算法可😉能会重写垄断格局】 目前,在生成式AI的算法方面,呈现😂NVidia、OpenAI、Microsoft三巨头垄断的格🤔局。不过在我看来,这样的情况也会在技术进展下面临变化。 😆 这并非我一家之言,可以说,几乎是一个行业共识,只是很难预测🤩它具体的时间点。 今年GTC上,Transformer😁的原作小组首次聚集,八位作者中的七位与黄仁勋对话,而核心观点😡就是:Transformer已经够老了,期待看到更新的模型。🤗 作者之一、Cohere的创始人及CEO Gomez评👏论道:我想看到比Transformer好十倍的模型来替代它…😘…Transformer在内存占用和许多架构方面都有优化的可😜能性,比如一个非常长的context是很昂贵、无法扩展的,它🥳的parameterization可能不必要那么长 ,我们可🔥以压缩许多倍,带来指数级的缩小。 从仿生学的角度来说,😡这个观点也很站得住脚——目前算法的功耗算力,跟自然界还有很大😢差距。 人的大脑功耗几十瓦。昆虫的大脑功耗是毫瓦/微瓦🚀级的,神经元数量极少,也能完成特别复杂的立体视觉、三维控制、😊捕猎逃生等感知相关的行为。同等情况下,如果让电脑复现小动物在👏自然界里识别、控制、捕猎、求生的能力,需要更先进的模型,也一😊定会逐步出现更先进的模型。 而未来更好的算法与模型也很😀可能意味着更多专用的、小型的芯片会迎来发展。 比如我们😀此前投资的D-matrix,主打存内计算,预计将在2024大🤗规模量产,目前已经有大量订单。另一个模拟计算芯片设计企业Te⭐tramem也备受关注,已经发布了多篇Nature论文, 😍 除此之外,开源的相对小型的transformer 模型(🥳如Microsoft's PHI-2 and Mistral😢 7B)也会迎来快速发展。在我看来,这些开源的小模型对于AI👍行业持续、健康的发展是很有必要的。这次AI的热潮与以往的科技😴潮不同,大公司并未占据所有重要的研究方向——谷歌上市时,许多😢大学就停止了对搜索算法的研究,因为谷歌已经有了很好的团队和资😅源来推进搜索算法。而生成式AI则不是,对于研究机构而言,这些😡开源的小模型中还有很多值得探索的地方,目前所有名校的计算机系🚀也都在积极研究开源模型。 甚至可以说,文初我提到的、未🔥来我们期待的新的算法很可能就会从这些科研人员的工作中涌现。 😂 【小标3 GenAI发展的背后是人才之争】 这个🤔对更新、更好的生成式AI算法的期待,也意味着另一件事:生成式🥳AI的竞争也意味着人才之争。 目前,中美是在AI人才方😆面占据全球一二位置的两个国家。 从绝对人数来说,中国占😁据了第一位——今年三月,纽约时报报道了一个追踪AI相关人才的🤔报告,中国有着全世界最多的AI本科生人才,而与三年前相比,如😂今在美国的顶级AI人才中,中国人的比例也已经超过了美国人。比😜起过去,这些中国人才在美攻读学位后,也更多地“回流”中国。 😁 当然,美国有着世界数量最多的一流大学,与创新气氛浓厚的🎉科技企业,也孕育出了将LLM石破天惊带入大众视野的Open 😡AI,对各国的AI人才仍旧有着强烈的吸引力。 不可否认😜,基于天时地利人和等方面考虑,中美牢牢占据了未来AI发展综合👍最优的前二宝座。 在这个背景下,还有一个值得注意的趋势🚀:人才的两极分化。 由于AI+ 的杠杆作用越发明显,创👍立一个优秀的AI企业所需要的技术人才的数量比几年前已经显著减😁少了。企业接下来对人才的竞争,会越来越集中于少数顶尖人才的争😊夺。 无论在硅谷还是在北上杭,我们已经看到顶级AI人才😜被高价争抢,而普通大学生找不到工作的这种两极分化,而这样的趋😀势未来也会更加明显。 【小标4 Gen AI将成万亿美🤯元市场,投资人如何入局?】 从我和我身边的创投从业者的🤔角度看来,我们的共识是Gen AI的未来是光明的——Bloo🤔mberg Intelligence报告预测,GenAI将成🚀为未来十年发最迅速的市场之一,市场总量超过万亿美元,复合年增🤔长率超过40%。它变革性的能力会影响各行各业。 对于投💯资人而言,如果想要投资这个市场,我有以下建议: 首先,😘投资生成式AI项目,本质上仍旧是在深科技技术中寻找那些具有商👍业化潜力的项目。投资人最好能具备AI相关技术背景,并且保持持😆续学习及市场敏锐度。目前生成式AI的技术变化、突破、市场都在🎉迅速发展。比如此前一些挂着大模型名号的项目,也许在ChatG😅PT某次更新后就会完全失去市场,能够识别这些项目,可以帮助规🤔避许多风险。 其次,正如文初分析的,目前生成式AI的支😘柱分为人才/算法、算力、应用/数据三大方向。作为投资人,前两⭐者的投资难度较大,然而应用/数据中,有着大量的未来机遇,可以😎考虑投资一些相关资源。 比如应用场景和应用场景相关的数❤️据——对于中国投资人来说,半导体 、新能源、先进制造都是不错😜的方向。以制造业为例,拥有大量垂直行业内的数据,才能做出好的😆AI,指导未来的先进制造。 从时间上来看,技术上如果不😀能特别确定 ,也可以等一下商业落地的信息,付出一些增值成本来👏换取更稳定的信号。 有关AI,这个问题我常听到:AI能🚀最终代替人类吗? 我认为这要从不同尺度上去理解——我们❤️究竟在讨论的是AI从什么程度上在挑战人类进化?如果是生物体层😀面,这有着百万年以上的积累,是最难的;从人类认知层面,也至少🤗有10万年进化横亘在AI面前;而出现数千年的人类语言相对更容🙌易;出现仅100年的计算机语言则最简单。 这个问题的答🤗案当然没有定论。不过在这个最终将达万亿美元、改变人类生活的市😜场里,我很期待看到更多来自华人参与者的身影,不管是创业、投资😂,还是积极地拥抱生成式AI让生活、工作变得更高效,它将前所未😴有地改变我们与世界交互的方式。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

中国大模型，首登Nature封面。 9月17日，在最新😍一期的国际权威期刊Nature（自然）中，DeepSeek-😊R1推理模型研究论文登上了封面。该论文由DeepSeek团队😅共同完成，梁文锋担任通讯作者，首次公开了仅靠强化学习就能激发👏大模型推理能力的重要研究成果。这是中国大模型研究首次登上Na💯ture封面，也是全球首个经过完整同行评审并发表于权威期刊的🙄主流大语言模型研究，标志着中国AI技术在国际科学界获得最高认🎉可。 Nature在其社论中评价道：“几乎所有主流的大🤔模型都还没有经过独立同行评审，这一空白终于被DeepSeek😆打破。” 中国AI大模型的“Nature时刻” 😆自大模型浪潮席卷全球以来，技术发布、性能榜单层出不穷，但始终😘缺乏一个权威的“科学认证”机制。OpenAI、谷歌等巨头虽屡😅有突破，但其核心技术多以技术报告形式发布，未经独立同行评审。🚀 DeepSeek以其公开性和透明性打破了这一局面。D🥳eepSeek-R1模型的研究论文最早于今年年初发布在预印本⭐平台arXiv上。自今年2月14日向Nature投递论文至今😀，历经半年，8位外部专家参与了同行评审，DeepSeek-R🙄1推理模型研究论文终获发表，完成了从预印本到Nature封面🙄的“学术跃迁”。审稿人不仅关注模型性能，更对数据来源、训练方❤️法、安全性等提出严格质询，这一过程是AI模型迈向更高的透明度😀和可重复性的可喜一步。 因此，Nature也对Deep⭐Seek的开放模式给予高度评价，在其社论中评价道：“几乎所有😀主流的大模型都还没有经过独立同行评审，这一空白终于被Deep⭐Seek打破。”全球知名开源社区Hugging Face机器😡学习工程师Lewis Tunstall也是DeepSeek论😊文的审稿人之一，他强调：“这是一个备受欢迎的先例。如果缺乏这🤔种公开分享大部分研发过程的行业规范，我们将很难评估这些系统的🤗潜在风险。” 据了解，DeepSeek本次在Natur🤯e上发表的论文较今年年初的初版论文有较大的改动，全文64页，🙌不仅首次披露了R1的训练成本，而且透露了更多模型训练的技术细🎉节，包括对发布初期外界有关“蒸馏”方法的质疑作出了正面回应，😂提供了训练过程中减轻数据污染的详细流程，并对R1的安全性进行🤩了全面评估。 其中，在训练成本方面，R1-Zero和R🥳1都使用了512张H800GPU，分别训练了198个小时和8💯0个小时，以H800每GPU小时2美元的租赁价格换算，R1的😂总训练成本为29.4万美元（约合人民币209万元）。不到30👏万美元的训练成本，与其他推理模型动辄上千万美元的花费相比，可💯谓实现了极大的降本。 关于R1发布最初时所受到的“蒸馏💯”质疑，DeepSeek介绍，其使用的数据全部来自互联网，虽😂然可能包含GPT-4生成的结果，但并非有意而为之，更没有专门😅的蒸馏环节。所谓“蒸馏”，简单理解就是用预先训练好的复杂模型🎉输出的结果，作为监督信号再去训练另外一个模型。R1发布时，O💯penAI称它发现DeepSeek使用了OpenAI专有模型😂来训练自己的开源模型的证据，但拒绝进一步透露其证据的细节。 🤩 R2何时问世引发关注 自今年年初发布R1以来，D😆eepSeek在全球树立了开源模型的典范，但过去数月，外界对⭐于R2何时发布始终保持高度关注，相关传言一直不断。不过，R2🙄的发布时间一再推迟，外界分析R2研发进程缓慢可能与算力受限有😆关。 展开全文 值得注意的是，今年8月21日，D🙌eepSeek正式发布DeepSeek-V3.1，称其为“迈🎉向Agent（智能体）时代的第一步”。据DeepSeek介绍🤩，V3.1主要包含三大变化：一是采用混合推理架构，一个模型同😆时支持思考模式与非思考模式；二是具有更高的思考效率，能在更短🤩时间内给出答案；三是具有更强的智能体能力，通过后训练优化，新🤯模型在工具使用与智能体任务中的表现有较大提升。 由于R😢1的基座模型为V3，V3.1的升级也引发了外界对于R2“在路😘上”的猜测。V3.1的升级更深刻的意义在于，DeepSeek🙌强调DeepSeek-V3.1使用了UE8M0 FP8 Sc😊ale的参数精度，而UE8M0 FP8是针对即将发布的下一代💯国产芯片设计。这也表明未来基于DeepSeek模型的训练与推😅理有望更多应用国产AI芯片，助力国产算力生态加速建设。这一表🙌态一度带动国产芯片算力股股价飙升。 中国银河证券研报指💯出，DeepSeek从V3版本就开始采用FP8参数精度验证了🤯其训练的有效性，通过降低算力精度，使国产ASIC芯片能在成熟💯制程（12-28nm）上接近先进制程英伟达GPU的算力精度，🥳DeepSeek-V3.1使用UE8M0 FP8 Scale❤️参数精度，让软件去主动拥抱硬件更喜欢的数据格式，“软硬协同”😜的生态技术壁垒逐渐成为AI浪潮下新范式，未来国产大模型将更多😊拥抱FP8算力精度并有望成为一种新技术趋势，通过软硬件的协同😎换取数量级性能的提升，国产算力芯片将迎来变革。 责编：😉万健祎 校对：王朝全 版权声明 " Typ😁e="normal"@@--> 证券时报各平台所有原创😡内容，未经书面授权，任何单位及个人不得转载。我社保留追究相关😀行为主体法律责任的权利。 转载与合作可联系证券时报小助😉理，微信ID：SecuritiesTimes " Ty🤔pe="normal"@@-->返回搜狐，查看更多