无敌从投资开始
因无心之言来到异世界的于慈，获得了可以将他人绑定为自身助战角色的“通幽神券”。 借此，他开始在异世界的崭新人生—— 矜贵的王女、雍容的华妇，清冷的剑圣、影中的魔女。 只要目标在于慈身周两千米之内，于慈就能神不知鬼不觉的将她们设置为自身助战，从而获取加成、甚至辅助自己修炼。 只是…… “神券，为什么我突然不能控制我的身体了……我这是要去哪？！” “你的助战者有偷窥的癖好，你现在应该正在前往厕所或者浴室吧。” 什、什么? 于慈看着前方的浴室，更是惊讶：“怎么是男浴室啊？！” 神券十分冷静：“也没规定偷窥狂一定喜欢女人，对吧？” 本书又名：《再用外挂我就是狗》、《懂不懂天才的含金量啊》、《坏事做尽的神券和无辜的我》
自从有人在青云宗附近发现了第一个由九条神秘生物拉着一具青铜古棺的秘境开始。 之后无数大大小小的秘境在玄州大陆各地接连出现。 “叮，XXX被秘境震撼，恭喜宿主获得震撼值999点。” “叮，XXX被秘境震撼，恭喜宿主获得震撼值985点。” “叮，……” 看着不断上涨的震撼值，叶梵会心一笑。 然后陷入了沉思中。 他在想，下一次该制作什么秘境？ 神墓的神魔埋葬之地？ 还是盘古开天劈地演化万物的场景？ 再或者是来个菩提老祖讲道？ 还是……
何为武？ 拳脚为武，兵刃为武。 路见不平为武，自强不息为武 有一种简单的投资方式 一心向道为武，心怀天下为武 视死如归为武，忠肝义胆为武 杀人如麻为武，普度众生为武 •••••• 纵山河之气魄，览古今之意志 凡可使人意如金铁，无惧生死的精神，皆为武。 “世界最强通缉犯”赵玄麒开启了转生之玉 在一个个波澜诡谲的世界中，追寻武道的真谛。 （已有完本作品《无敌从拳法大成开始》）
古战场来袭，武道时代驾临！ 此后，人类开启灵孔，装备战技，强化丰富武道，正式步入战技纪元。 穿越来到平行世界的陆云，发现自己体内有一个能够操作战技的系统。 别人的战技不能升级，他却可以一路飙升。 别人的战技装备后不能卸下，他却能随装随用。 再低端的战技，到了陆云手中，也能升级为世间罕见的神技。 升级战技“冥想”，每一次呼吸都在提升实力。 升级战技“昂扬”，我快起来连我自己都害怕。 升级战技“奋力”，一拳就能打爆敌人狗头…… 而且随时装备、随时卸下，即插即用，等于拥有无数超神战技！ 古战场，异兽，元气，武道，战技，灵孔…… 武道大成的陆云，对这个世界露出了贱兮兮的笑容。 “不是针对谁，在这个星球上，没有人比我更懂开挂。” ———————— 本书又名《我有无数神回复》《不要挣扎，把你的元气给我交了》《儒雅随和的我开点挂不过分吧？》 轻松愉快不虐主，欢迎入坑！
穿越到女尊男卑的世界，墨玖被迫扮演恶毒反派，必须不断作死，推动剧情发展，促进男女主感情。 对此，他表示“去她爹的”，开始想方设法的洗白自己。 有一种简单的投资方式 有一种简单的投资方式 有一种简单的投资方式 嚣扬跋扈、目中无人的小少爷？ 表面欺你辱你，背地为你牺牲一切。 准备把弟子炼成人丹的冷酷师尊？ 损人利己的人丹（×）专为徒弟炼制的造化丹（√） 想取别人而代之的黑心莲精灵？ “我只是想让你们更在意我一点. 哪怕比不上他. 哪怕只是多看我一眼. ” 后来，墨玖飞升了，发现这些把他逼死的女主、女反派们，居然. 全都跟了上来？ PS：女尊虐主爽文，不喜千万别入。 群号：1150788889 全订群：864510897
有一种简单的投资方式
客服热线： 021-38834788 400-888-5566 客服传真： 021-68680676 客服邮箱： [email protected]
版权所有：中银基金管理有限公司 沪ICP备05007423号
中银基金管理有限公司郑重提醒：投资有风险，选择需谨慎 反商业贿赂 举报邮箱：[email protected]
本网站所有资讯与说明文字仅供参考，具体信息以基金法律文件与相关公告为准。
对话EC SCRM张星亮，洞察本质，SaaS首先是一种商业模式
Notice: The content above (including the videos, pictures and audios if any) is uploaded and posted by the user of Dafeng Hao, which is a social media platform and merely provides information storage space services.”
薛定谔的 AI 大模型：箱子暂不能打开，但钱还要继续「烧」
视觉即感知，语言即智能，但两者在「因果推理」的攻克上一直没有太耀眼的突破，而因果推理这一项能力对 AI 有一种简单的投资方式 系统的进化又十分重要。可以这样理解：小孩子能够根据 1+1=2 来得出 100+100=200 的简单能力，对机器系统来说却十分复杂，就是因为系统缺少因果推理的想象力。如果机器连合理的推理能力/想象力都没有，那么我们距离研发出科幻电影里智能超群的机器人将遥不可及。而大模型的出现，使通用人工智能（AGI）的实现成为可能。
所以，我们可以看到，大公司宣传一个大模型，往往强调它能够同时解决多项任务，在多个任务基准上达到 SOTA（当前最高水平）。比如，谷歌今年推出的 5400 亿参数语言大模型 PaLM 可以解读笑话，还可以通过emoji表情猜电影，智源推出的「悟道2.0」可以孵化出琴棋书画、样样精通的虚拟学生华智冰。
蓝振忠指出，目前学术界与工业界的 AI 研究者们对于大模型的许多特性还未完全掌握。举个例子，从上一代的 GPT-3 到这一代的 instruct GPT，我们可以看到它有一个质的飞跃，同样是大模型，但是 instruct GPT 在接受命令时效果却好很多，这是他们在研究大模型时才能体验到的。
2、理想很远，现实很近
通常来说，模型的参数量越大，机器跑得越慢，计算成本也越高。据外媒披露，OpenAI 在训练包含 1750亿参数的 GPT-3 时花了接近 500 万美元（人民币约 3500 万）。谷歌在训练包含 5400 亿参数的 PaLM 时用了 6144 块 TPU，据热心网友统计，普通人训练一个 PaLM 的成本在900至1700万美元之间。这还仅仅是算力的费用。
国内各大厂没有披露过它们训练大模型的经济成本，但根据现有全球共享的计算方式与资源来看，计算支出应当相差不远。GPT-3与PaLM都还仅是千亿级数量，而参数量达到万亿级以上的大模型，其成本投入想必惊人。如果一家大厂对研发足够阔绰，大模型的投入成本便不是一个「拦路虎」，但在当前资本对 AI 越发谨慎之际，一些创业公司与政府投资的研究机构还大力下注大模型，这就显得有些魔幻了。
大模型对算力的高要求，使企业间的技术实力竞争变成了金钱的竞争。从长远来看，一旦算法成为高消费商品，就注定最前沿的 AI 只能为少数人享有，从而造成围城圈地的垄断局面。换言之，即使有一天，通用人工智能真的出现，也无法造福所有用户。
算完投入，再算产出。遗憾的是，目前还没有一家在炼大模型的企业披露过大模型创造了多大的经济效益。不过，从公开信息中可以得知，这些大模型已经开始陆陆续续落地解决问题，如阿里达摩院在发布万亿参数模型 M6 后，称其图像生成能力已经可以辅助汽车设计师进行车型设计，借用 M6 的文案生成能力所创作的文案，也已经在手机淘宝、支付宝和阿里小蜜上得到使用。
对于正处于探索起步阶段的大模型来说，强调短期回报未免苛刻。然而，我们仍然要回答这样一个问题：无论是企业界还是学术界，在下注大模型时，是为了不错过一个可能在未来占据主导地位的技术方向，还是因为其能更好地解决眼前已知的问题？前者有浓厚的学术探索色彩，而后者则是产业前锋应用 AI 技术落地解决问题的群体所真正关心的问题。
大模型由谷歌发布 BERT 拉开序幕起，是一种混沌天开的思路：在 BERT 实验之前，谷歌大脑的技术团队并不是围绕一个已知的现实问题来开发模型，也没有想到这个当时参数量最大（ 3 亿）的 AI 模型能带来效果的大幅提升。同理，OpenAI 在模仿谷歌开发 GPT-2 与 GPT-3 时，也没有一个特定的任务，而是成功开发出来后，大家在 GPT-3 上测任务效果，发现各项指标都有所提升，才被惊艳到。如今的 GPT-3 就像一个平台，已被用户搭载了成千上万个应用。
但随着时间的推移，大模型的发展还是不可避免地回到了解决某一个实际问题的初衷，如 Meta 今年发布的蛋白质预测大模型 ESMFold，百度不久前发布的航天大模型。如果说一开始的 GPT-3 等大模型主要是想探索参数量增大会对算法的性能改变带来什么影响，是纯粹的「未知指导未知」，那么现在的大模型研究则开始体现出一个较为清晰的目标：就是要解决现实问题，创业价值。
一位业内人士就告诉雷峰网-AI 科技评论，在绝大多数的情况下，我们研究一项技术是为了解决某一个已知的实际问题，如情感分析、新闻概括，这时我们其实就可以设计一个专门的小任务去研究，出来的「小模型」的效果很容易就比 GPT-3 等大模型要好。甚至在一些特定的任务上，大模型「根本没法用」。
所以，在推动 有一种简单的投资方式 有一种简单的投资方式 AI 发展的过程中，大模型与小模型的结合是必然的。而由于大模型的研发门槛极高，在承担 AI 大规模落地的重任上，在肉眼可见的未来，经济可用、精准打击的小模型才是主力军。
即使是一些正在研究大模型的科学家，他们也明确地告诉雷峰网 (公众号：雷峰网) -AI 科技评论，虽然大模型能够同时推行很多任务，但「现在谈通用人工智能还太早」。大模型或许是实现终极目标的一个重要途径，但理想尚远，AI 还是要先满足当下。
3、AI 模型一定要越来越大吗？
事实上，针对 AI 模型越来越大的现象，学术界与工业界的部分研究者已经注意到其在落地中的利与弊，并积极展开应对之策。
如果单从调用计算资源来看，大模型的窘境实际上并不突出。今年 6 月底开放工程联盟 MLCommons 发布的 MLPerf 基准最新训练结果显示，今年机器学习系统的训练速度几乎是去年的两倍，已经突破了摩尔定律（每18-24个月翻一倍）。
事实上，随着各家服务器的更新迭代，云计算等新颖方式的出现，计算一直在加速，能耗也一直在降低。举个例子，GPT-3 推出仅两年，如今 Meta 参照它所研发的 OPT 有一种简单的投资方式 模型的计算量已经降低到了2020年的1/7。此外，最近还有一篇文章表明，2018 年需要几千块 GPU 训练的大模型 BERT，如今只需要单卡 24 小时就能训练好，一个普通的实验室也能轻松训练。
一种途径是以数据为中心的「降维」。
最近 DeepMind 就有一项工作（“Training Compute-Optimal Large Language Models”）成功探索发现，在计算量相同的情况下，将模型的训练数据变大，而不是将模型的参数量放大，可以得到比仅仅放大模型更好的效果。
在 DeepMind 的这项研究中，一个充分利用了数据的 700 亿参数模型 Chinchilla 在一系列下游任务的评估中超越了 1750 亿参数的 GPT-3 和 2800 亿参数的 Gopher。蓝振忠解释，Chinchilla 之所以能够取胜，就是因为在训练时将数据扩大、翻倍，然后只计算一遍。
另一种途径是依赖算法与架构的创新，将大模型「轻量化」。
作为一名创业者，周明的想法很「本分」，就是要省钱。他指出，如今许多大的公司都在追求大模型，一是争先恐后，二是也想体现自己的计算能力，尤其是云服务的能力。而澜舟科技作为一家诞生不久的小公司，有用 AI 创造价值的梦想，但没有强大的云能力，钱也不够烧，所以周明一开始想的是如何通过模型架构的调整与知识蒸馏等等方式，将大模型变成「轻量化模型」给客户使用。
他们在去年 7 月推出的轻量化模型「孟子」证明了该想法的可行性。「孟子」的参数仅 10 亿，但在中文语言理解评测榜单 CLUE 上的表现却超越参数量级为百亿甚至千亿的BERTSG 与盘古等等大模型（如下表）。领域的一个共识是：在同一个架构下，模型一定是参数量越大、性能越好，但「孟子」的巧妙之处，就在于架构的创新。
在学术界，不久前，加州大学伯克利分校的马毅教授与沈向洋、曹颖还联合发表了一项研究（“On the Principles of Parsimony and Self-Consistency for the Emergence of Intelligence”），从理论上解析了大模型为何越来越大的技术原因，即深度神经网络本质上是一个「开环」的系统，即用于分类的判别模型和用于采样或重放的生成模型的训练在大部分情况下是分开的，导致对参数的训练效率低下，只能依靠堆参数与堆算力来提升模型的性能。
为此，他们提出的「变革」方式更彻底，就是主张将判别模型与生成模型组合在一起，形成一个完整的「压缩」闭环系统，这样 AI 模型就能够自主学习，并且效率更高、更稳定，在面对一个新的环境中可能出现的新问题时，适应性与反应能力也更强。换言之，如果 AI 领域的研究者能够沿着这条路线去开发模型，模型的参数量级会大幅缩小，回归到「小而美」的道路上，也能实现大模型「解决未知问题」的能力。
在实现经济可用上，甚至还有一种声音，是主张通过 AutoML 或 AutoAI 的方式来解决模型训练的难度，降低 AI 算法的研究门槛，让算法工程师或非 AI 从业者可以灵活根据自己的需求来打造单一功能的模型，形成无数个小模型，星星之火、可以燎原。
4、写在最后
在 AI 技术解决现实问题上，大模型与小模型就犹如博士后的自动化方案与小工的电风扇，前者虽然在解决某一个小的问题时显得冗余、笨重，效果也没有电风扇快速，但几乎没有人会否认博士后及其团队所提供的价值，更不可能「消灭」他们。相反，我们甚至可以说出几百个理由来强调技术研发的合理性。