作者 | 黄昱 面向数智化转型的浪潮，华为要抓住机遇。 3月14日，华为中国合作伙伴大会2024在深圳开幕。华为携手伙伴共同探讨如何通过强化“伙伴+华为”体系，帮助客户抓住数智化转型的巨大机遇，加速迈向智能世界。 会上，华为常务董事、ICT基础设施业务管理委员会主任汪涛在主题演讲中表示，为了更好地满足不同客户的数智化转型需求，华为坚持“一个深耕、两个扩张”，即深耕NA（大型政企客户）市场，扩张商业和分销市场，面向三类市场制定差异化的业务战略。 具体而言，在NA市场，华为通过与伙伴联合打造行业解决方案，探索数智化转型的最佳路径，助力客户业务成功；在商业市场，由伙伴主导，基于多技术协同推出丰富的产品组合，赋能伙伴数智化能力，助百万商业客户实现数智化转型；在分销市场，华为以工程商为中心，在构建更健康有序的分销伙伴体系的基础上，围绕“华为坤灵”品牌打造“6易”产品和数字化作战平台，助力中小微企业更轻松地实现数智化。 汪涛强调：“在加速行业数智化转型的旅程中，华为将面向三类市场，构建更加紧密的‘伙伴+华为’体系，对于加速增长型伙伴，践行贡献越大，收益越多的合作原则；对于协同作战型伙伴，践行能力越强，机会越多的合作原则。 很显然，合作共赢，这是华为在数智化转型浪潮下的战略重点。 在产品上，华为将继续与伙伴一起深入理解行业场景，将技术与业务场景深度融合，通过政策升级、工具升级、产品和解决方案升级，共同服务好客户的数智化转型。 华为中国政企业务总裁吴辉在会上表示，华为将围绕“四梁六柱”， 沿着三类市场，落实六个升级，强健开放、紧密、成长的“伙伴+华为”体系。 企业服务已成为华为的业绩增长引擎。 据悉，2023年，华为整体经营稳健，全球的销售收入超过7000亿元人民币，实现超过9%的增长。其中华为中国区的企业业务收入取得超过25%的快速增长。 汪涛回顾了2023年华为按三类市场拓展伙伴客户方面取得的成效。 在NA市场，中国区收入增长超20%，新发布69个行业解决方案，累计赋能898家专业化伙伴，新获取2.3万华为认证。 在商业市场，中国区收人增长超100％，新发布72个场景化解决方案，累计7000+商业市场伙伴。 在分销市场，帮助中国区伙伴SO增长20％，上市287款华为坤灵产品，上线首个在线交易平台，累计发展了600+分销金牌、6700+分销精英伙伴。 “数字化转型已经进入了深水区，正在向行业的更多场景深度融合。”汪涛表示，未来五年，华为希望中国的企业业务能实现每年超过30%的快速增长。

凤凰网科技讯 3月14日，星舰第三次发射后，马斯克发文，星舰飞船达到轨道速度，祝贺SpaceX团队。 马斯克称，星舰重约5000吨，是有史以来最大的飞行器 。 图源 马斯克在X上发帖截图

作者｜陈 妍 编辑｜大 风 东方甄选的抖音出逃计划，又有新动作了。 最近，东方甄选悄悄入驻了拼多多。比起之前入驻淘宝时，大张旗鼓地联合宣传，这一次，东方甄选看上去格外低调，可以说是不动声色。 如果说，之前出抖入淘，东方甄选还有种跟抖音明面叫嚣的意味在，现在它的种种动作，更像在以一种平常心稳步推进。 毕竟东方甄选是一家经历过特殊转型时期的公司，作为创始人的俞敏洪，危机意识一直很重。自从做直播电商以来，创始人俞敏洪有意无意地让东方甄选往多平台、多渠道、多矩阵的方向走。眼下入驻拼多多，也是为了多一个渠道。 但在这过程中，东方甄选也因为步子迈得太大，陷入了“增收不增利”的窘境。在想要成为一家产品公司的终极任务之下，东方甄选下一步得考虑的问题，是平衡好出抖的步伐。 01 入驻拼多多，挖掘新站点可能性 锌财经观察到，目前东方甄选的拼多多店铺里，大概上架了50多件自营商品，只占了自营品总数的不到20%。 早些天店铺客服有向媒体透露，拼多多店铺近期才开店，产品跟自有App上相同，目前只上了一部分，正在陆续上新中。问及未来是否会在拼多多上直播时，客服则表示，暂时没有直播计划。 一定程度上来说，东方甄选入驻拼多多，不过是时间问题。因为在这之前，东方甄选已经入驻过淘宝，也自建了App，早就不是当年“单纯”的模样了。拼多多作为国内头部电商平台之一，去年市值一度超过阿里，这么大一个盘子，东方甄选没道理不来。 不过相比起之前的入驻，东方甄选这次来到拼多多，可能容易“水土不服”。 东方甄选有着“文化背景”的出身，自从做直播电商以来，以董宇辉为代表的主播，天天高呼着“诗与远方”，为的就是巩固品牌IP的高端形象，卖的也是一些相对高客单价的产品，像是6块钱一根的玉米等等，问就是品质优良，“谷贱伤农”。 董宇辉 愿意吃这一套的人，大多是一二线城市，追求生活品质，有一定经济自由度的人，比如资深中产、精致宝妈和新锐白领等等。蝉妈妈数据显示，东方甄选31-40岁年龄段的粉丝最多，占比超过53%，城市分布上，来自北京、上海的用户最多。 可问题是，拼多多走的是“农村包围城市”的路子，跟东方甄选的打法，基本上是反过来的，用户需求也不太一样。 截至目前，东方甄选拼多多店铺的关注人数超过5000人，但本月拼单数量只有3000多件。对比来看，疯狂小杨哥的“小杨臻选”，早几个月也入驻了拼多多，目前关注人数不到2000人，但月销已经3万件了。 拼多多截图 一方面，小杨哥的粉丝画像，跟拼多多下沉市场的用户，有一定的重合性；更重要的是，“小杨臻选”卖的东西，大多也是客单价不高的零食、生活用品，贴合拼多多上价格敏感型用户的需求。 换句话说，在其他平台，东方甄选的品牌人设是加分项，但在拼多多上，未必有那么多人愿意接受品牌溢价。 02 广撒网、多布局，先做了再说 这背后一个本质原因是，东方甄选的产品，还没那么能打。 一直以来，农产品都是拼多多的优势赛道，平台在这上面倾斜了大量资源。好比说去年，拼多多找到平台30万涉农商家，全国超1000个农产区，上线了“多多丰收馆”，给到消费者足够多选择。东方甄选想要在这种环境里突出重围，的确不太容易。 但站在东方甄选的角度，眼下更重要的任务是多尝试多布局，在各大平台各个领域，都先插上一面旗。因此去适应不同环境带来的变动性，也是企业必须要面对的一部分。 反正这一系列操作的最终目的，都是为了巩固自己的护城河，寻求新的增长点。 除了入驻拼多多，今年年初的时候，东方甄选还在北京、上海地区，试水了“小时达”，为消费者提供2小时内送达的商品。 东方甄选客服此前告诉媒体，正在对小时达业务进行灰度测试，如果消费者的订单在测试范围内，将有专人致电了解消费者的需求，确保订单能够顺利配送，同时不会额外收取任何商品外的费用。目前能送的产品，是东方甄选的爆款，南美白虾和烤肠。 可以看到，东方甄选的视野已经不局限于电商领域，本地生活的即时零售蛋糕，它也想分一块。 整体来看，东方甄选目前的局势，已经挺清晰了。 在抖音“大本营”，有新任抖音一哥董宇辉坐镇，不愁没流量。“与辉同行”时常处于抖音带货榜首，直播间一个月的销售额，能占到东方甄选半年GMV的15%以上。今年1月，董宇辉带货《人民文学》杂志，4个小时卖了8.26万套，99.2万册，成交金额1785万元，几乎是文学杂志销售史上的一个奇迹。 与辉同行带货《人民文学》 在抖音之外，东方甄选试图让自己的品牌势力尽可能地延伸，覆盖更多的市场和商业领域。它不断向资本市场讲新故事，证明自己的潜在可能性。 03 出逃抖音，也没那么轻松 俞敏洪很早就说过：“基于外部的平台所建立起来的热闹的商业模式，是有很强的脆弱性的。” 抖音平台是当下的流量大户，这也让它变得相当强势，在流量端占据绝对的话语权。对于东方甄选这样的上市公司来说，把整个集团的生计全压在抖音，肯定是不行的，必须要把鸡蛋放到不同的篮子里。 之前就发生过，抖音突然把东方甄选直播间封了的情况。虽然当时东方甄选对外回应的是，“过去、现在和未来，都会和平台好好合作发展”，但肉眼可见的，东方甄选出抖的动作变得越来越频繁。 但在出走抖音的过程中，东方甄选也承受着一定的压力。 不难发现，东方甄选试水“小时达”，又入驻了拼多多等平台后，生意模式变得越来越复杂，客源多而广，对其供应链的响应速度和准确性，提出了更高的要求。这背后牵扯到仓储管理系统、物流配送系统等环节，每一块都很烧钱，这门越来越“重”的生意，也将给东方甄选带来更多挑战。 根据东方甄选披露的最新财报，报告期内的6个月，公司共实现总营收27.95亿元，同比增长34.4%；实现净利润2.49亿元，同比下降57.4%。 东方甄选财报截图 而净利润大幅下降的主要原因，就是公司业务的大幅增长，造成自营产品的存货成本及运输成本增加。 经历过“一锅端”，又体验过艰难转型，东方甄选比过去任何一个时刻，都更重视风险分散。但如何在多元化策略中保持平衡，成为东方甄选未来一大重要课题。

作者： 陈兴华 集微网消息 当地时间3月13日，世界上第一位AI程序员Devin诞生，不仅能自主学习新技术，自己改Bug，甚至还能训练和微调自己的AI模型，表现已然远超GPT-4等“顶流选手”。 据了解，Devin背后公司名为Cognition AI，总部设在纽约和旧金山，定位是一家专注于推理的应用AI实验室。此前这家公司一直秘密工作，于两个月前正式注册成立。 目前该团队规模仅有10人，但共揽获了10枚IOI金牌，创始成员均曾在Cursor、Scale AI、Lunchclub、Modal、Google DeepMind、Waymo、Nuro等从事AI前沿工作，而且不乏华人面孔。 资料显示，Devin最大突破在于大大提升计算机推理和规划能力，而且掌握全栈技能、自学新技术、构建和部署应用程序、自主查找并修复Bug、训练和微调自己的AI模型等多项能力。 在SWE-bench基准测试中，Devin能够完整正确地处理13.86%的问题；而GPT-4只能处理1.74%的问题，且都需要人类提示告知处理哪些文件。

AI浪潮的席卷速度，超过了以往任何一场技术革命。 OpenAI刚刚成立的时候，AGI（通用人工智能）仍是一个不切实际的理想。不少学者认为，与其花精力去研究一个如人类般通用的人工智能，不如去琢磨琢磨永动机，后者可能更现实点。 当时，连OpenAI的首席科学家伊利亚，都不敢和人聊这个话题，因为会在圈子里低人一等[1]。 仅仅过去了不到10年，AGI已经成为了一种共识。前些天，奥特曼与黄仁勋都不约而同地表达了同一个观点：AGI很有可能在5年内成为现实。 而在眼下的2024年，AI将进一步加快重塑社会的脚步。 最后一道障碍 在中国的科技叙事中，AI并不是一个新词。 2 016年，谷歌AlphaGO战胜李世石，登上了全球新闻媒体的头条，国内的创业者开始蠢蠢欲动。第二年，谷歌又跑来乌镇与柯洁下了场棋。 在这短短一年时间内，国内涌现了528家AI企业、371起AI投融资、9000多项AI专利[2]。 当年的互联网大会上，官方发表了一份题为“乌镇指数”的报告，方方面面介绍了人工智能创业的盛况。然而，人工智能热潮只持续了三四年，便偃旗息鼓。 因为在当时，AI多为参数量较小的小模型，只能处理定制化任务。 面对某个具体任务，科技公司需要先收集并标注对应的数据，再用这些数据去训练，从而让AI获得特定的能力。 举个例子，许多中式快餐店，都有自动识别菜品并计算金额的AI。为了打造这一系统，科技公司需要先收集小炒肉、番茄炒蛋等菜品的图像，并给每张图标注好菜名与价格，再用这些数据去训练AI。 尽管小模型的技术含量不低，落地方式却和施工队无异，这让AI失去了光环。 而打破这一瓶颈的，正是诞生于2017年的Transformer算法。 它最大的变革，是解决了过往的RNN等算法，难以处理大规模参数的问题，从而打造出具备通用能力的AI。至此，大模型一词开始登上历史舞台。 随着底层技术取得突破，科技公司的大模型迭代，呈现出了一条非常陡峭的曲线。 外界对于大模型的认知，多始于2022年底发布的ChatGPT。但在水面之下，相关研究早已如火如荼。 例如2019年，一批清华知识工程实验室的技术人员，走出象牙塔创办了智谱AI。 从第二年开始，智谱AI开始专注于研究国产全自研、自主可控基座大模型，是国内第一批研究大模型算法的公司。 2021年，智谱AI的7位研究员，共同发表了论文《GLM: General Language Model Pretraining with Autoregressive Blank Infilling》，提出了一种不同于谷歌BERT、OpenAI的GPT的预训练架构GLM。 在自然语言理解、无条件生成、条件生成这三个主要任务上，GLM表现优异。 以GLM架构为基础，智谱AI于2021年发布了第一款模型GLM-10B。此后三年间，GLM又历经多次技术迭代。 2024年1月，智谱AI推出了新一代基座大模型GLM-4，在基础能力、指令跟随能力、中文对齐能力等方面全面看齐GPT-4，模型能力实现质的飞跃。 不仅如此，GLM-4还拥有强大的上下文能力，可以在128k文本长度内做到百分之百精准召回，并具备多模态的能力。 当然，智谱AI只是国内大模型研究的一个切面。 这些年，几乎全世界的科技公司都撸起了袖子大搞创新，OpenAI的研究员甚至自发高强度内卷，每天研究到凌晨到1点多。 2024年初，北京市人工智能产业投资基金参与智谱AI的新一轮融资，进一步加速大模型发展。 AGI改变社会，不再是将来时，而是进行时。 造铁路更重要 纵观历史可以发现，波澜壮阔的技术革命，往往有这样一条规律： 技术革命的最大受益者，通常不是率先做出突破的开拓者，而是那些率先将技术扩散出去的一方。 当年的工业革命尤为明显： 许多创新都始于欧洲，然而美国却一跃成为工业强国； 最重要的原因，莫过于美国率先建立起了庞大的铁路网络，将工业成果落地。 在1870年到1900年的短短三十年间，美国新造了17万英里的铁路，将原本的铁路系统延长了近3倍。 这一规律，在AGI时代同样适用。 去年，著名计算机科学家吴恩达曾在斯坦福做过一场题演讲。他同样认为，AI其实和电力、互联网一样，是一项通用技术；更多的机会，在于大规模应用落地[4]。 然而，当下整个行业对于“造铁路”的探索，其实仍处于较浅层的阶段。 主流的聊天机器人产品，更多只是简单给通用大模型套了个壳儿，并没有与市场需求深度贴合。 这 就导致大模型已经火了近一年半，但对普通人生活的影响，并没有想象中那么翻天覆地。 因此，以智谱为代表的AI公司，开始在商业化落地上做出更多尝试。 过去一年时间，智谱AI的GLM大模型，已经在智能汽车、金融、咨询等领域取得了一定成果。目前，智谱对于大模型落地的探索，大致可以拆分成三个方向： 一是革新传统的交互方式。 在消费电子、汽车等行业，对话交互并不是一个新物种，被广泛应用于智能音响、新能源汽车等产品上。 然而，传统的对话交互并不好用，其回复内容多根据给定的模板生成，较为生硬，且对于语音指令的理解率也较低。 因此，智己汽车尝试在车机系统中，部署了智谱AI的GLM大模型。 新版的对话交互功能，不仅大大提升了指令识别的能力，同时还能实现更多趣味性对话，例如切换聊天人设等等。 二是降低知识流动的边际成本。 众所周知，营养师、律师等专业人才的培养，需要耗费非常多时间成本，导致知识流动的边际成本较高。 相比之下，拥有大量知识储备的通用大模型，可以加速知识的流动。 例如蒙牛与智谱AI合作，打造了一个AI营养师助手，实现了健康测评、营养计划制定、运动计划制定等功能，仿佛一个贴身营养师。 三是减少重复性脑力劳作。 事实上，脑力劳动中有大量重复性劳作，例如整理会议纪要、PPT排版等。 因此，WPS与智谱AI合作，推出了智能办公助⼿产WPS AI。 针对文字编辑、PPT演示文档等场景，提供一系列辅助功能，例如生成会议纪要、公文等等，从而让更多人专注于创造性工作中。 智谱AI在“造铁路”上的探索，给业界提供了一个可供参考的模板。 过去几个月，不论是中国还是美国的AI公司，都加快了“造铁路”的脚步。 目前，业界已取得了一些阶段性成果。然而，商业落地只是技术革命的A面；水面之下，创新生态的建设同样重要。 谁来造铁路？ 2016年，谷歌大脑团队率先将深度学习技术应用于翻译软件中，在中英文翻译上取得了巨大突破。 彼时，谷歌能够在“造铁路”上先行一步，背后其实是一整套创新生态在发挥作用。 当时谷歌翻译的理论基础，来自于人工智能泰斗辛顿的学生、现OpenAI首席科学家伊利亚的研究成果。 彼时，他在论文中介绍了改良版的RNN算法，并展示出了它在翻译等NLP任务上的潜力。 而这篇论文，发布于2014年的NIPS大会——它是全球最顶级的AI学术会议，许多创新都诞生于此。 在美国，高校、顶级学术会议、产业等环节，彼此高度相关，构成了一个活跃的创新生态。而在工业革命期间，美国能够更快建设起铁路，也是因为当时的创新氛围，培养了大批活跃的工程师。 事实证明，想要把“铁路”造好，光靠个人努力显然不够，需要发动更多人一起参与创新。 当下，智谱等科技公司也深知不能闭门造车，在大模型产业生态圈建设上付出了不少努力。 从2022年开始，智谱开始着手于开源生态的建设。 这一年，智谱首次开源了具有1300亿参数的双语双向稠密模型GLM-130B，深受开源社区欢迎。 自8月发布以来，GLM-130B模型已经收到了来自70余个国家、1000余个研究机构的使用需求。 开源的意义，在于“众人拾柴火焰高”，是推动技术创新的一种重要方式。 因此，智谱继续延续了这一做法，开源了单卡版模型ChatGLM-6B，对学术研究完全开放，企业在登记获得授权后，也可免费商业使用。 如今，在AI研究者圈子中，智谱可谓颇有名气，开源模型的全球下载已超过1300万次。 在这基础上，智谱AI也在努力构建学术生态，不仅赞助了包括NIPS在内的全球顶级学术会议，并且与CCF（中国计算机学会），以及国内各大高校展开了合作，设立首届CCF-智谱大模型基金等赞助计划。 除此之外，智谱AI也鼓励更多创业者加入到大模型浪潮之中。 智谱AI推出了ChatGLM金融大模型挑战赛、大模型开源基金等扶持项目，共同建设繁荣的国产大模型生态圈。 建设创新生态，是一个打地基的过程，其实相当重要——毕竟，这直接关乎了“造铁路”的速度。 尾声 “造铁路”这件事，其实并没有看上去那么简单。 去年9月，红杉资本曾发表过一篇文章，认为AI浪潮正转向“第二幕”，即利用新技术端到端地解决现实社会中的问题。 但当时的红杉认为，进展效果并不理想，大模型仍需要证明价值[5]。 智谱AI在商业化落地的初期中，还遇到了不少现实问题。 例 如，国内的SaaS产业本就没有海外发达、不同公司对模型部署以及数据合规有不同的要求等等。 幸运的是，智谱AI很早就开始了商业化的探索，并找到了一条行之有效的解法。 3月14日的智谱AI发布会上，公司CEO张鹏介绍了过去一年的商业化成果：2000+生态合作伙伴、1000+大模型规模化应用、与200多家企业深度共创。 智谱AI CEO张鹏 真正意义上的“AI第二幕”，如今正以超乎预期的速度铺开。 某种意义上，眼下的盛况，其实与19世纪末的美国其实颇为相似，越来越多地人都开始投身于“造铁路”的事业当中。 如何将“铁路”造得又快又好，已是当下AI行业最重要的议题。因为将关系到未来中国的科技公司，能够在人工智能的产业分工中，掌握多少话语权。 参考资料 [1] 深度学习革命，凯德·梅茨 [2] 乌镇指数：全球人工智能发展报告（2017） [3] The Key To Winning The Global AI Race，NOEMA [4] Andrew Ng: Opportunities in AI - 2023，Stanford Online [5] Generative AI’s Act Two，Sequoia

昨天，GPT-4.5 的消息在各大论坛传得是沸沸扬扬，世超以为 OpenAI 要出来反击 Claude 了。 没想到第二天凌晨， OpenAI 借着另一家机器人公司，祭出另外一个杀手锏—— 把 ChatGPT 装到机器人的脑子里。 看他们放出来的视频 demo ，这个大概一米七的机器人，不仅能听懂人话，做起事儿来也相当麻溜。 问站它在那里都能看到啥，还没反应几秒，就能说出答案：苹果、水杯等等，连工作人员站在一旁，手搭在桌子上的细节都能准确讲出来。 随后，问它能不能递些吃的东西过来，这次都没怎么反应，就把苹果拿给了工作人员。 这还不算最厉害的，这个机器人的手指也是相当灵活了，让它捡桌子上的纸团时，它丝毫没把纸团搞变形，力度起到好处，感觉下一步就能揉面包饺子了。。。 整理起桌面来，也是有条不紊的，不过有时候反应的时间确实有点久。 而且视频里的这些操作，全都是机器人的 “ 自主意识 ” ，没加速，远程操作也是不存在的。 照工程师的说法，它现在就跟刚会说话的幼儿差不多，能讲出看到了什么，也能做些简单的行动计划，短期内发生了啥也能记起来。。。 不知道大伙看到这个视频反应是啥样，至少差评君工作群里都是直呼 “ 牛 X ” 的程度，甚至有同事已经开始担心起智械危机了。 要知道，这距离 OpenAI 宣布和 Figure 合作，才过去两个星期。 而除了 OpenAI 之外，微软、英伟达和亚马逊创始人杰夫 · 贝佐斯也都入了 Figure 的伙。 另外，世超发现 Figure 也算是一个非典型机器人公司，包括波士顿动力在内，一般机器人公司的创始人都是学术圈大佬。 而 Figure 创始人的 Adcock ，却是个驰骋商海的富哥们儿，在办 Figure 之前，手里有个招聘公司 Vettery ，还是一家起降飞机企业 Archer Aviation 的大股东。 就在前年，他说为了造福全人类，准备一门心思搞人形机器人，就把招聘公司卖了，又退出了 Archer Aviation ，拿到的钱准备全砸在 Figure 上。 人才的话，也基本靠挖，波士顿动力、特斯拉、谷歌这些大厂都被他挖了个遍。 有了人才好办事，到第二年年初， Figure 就做出了五个机器人原型，简单走走、搬重物都不在话下。 直到今天，和 OpenAI 合作搞出了 Figure 01 一鸣惊人。 网上全都是一水儿的好评，有人说 “ AGI 即将到来 ” ，也有人拉踩了一波隔壁的波士顿动力，说他家的机器人只会跳舞。 世超看到这个视频，也很兴奋，麻溜找了找搞人形机器人的朋友聊了聊，他们的评价也出奇的一致，觉得 Figure 01 牛 x ，但大家，似乎没夸对地方。 首先， Figure 01 的出现，并没有让波士顿动力机器人跌落神坛。 因为衡量人形机器人厉不厉害有两个标准，一个是 “ 脑子 ” ，另外一个是 “ 身体 ” 。波士顿动力在 “ 身体 ” 上依旧是业内公认最强。 Figure 01 则没展示很多大幅度、高强度的动作，身体协不协调根本看不出来。 而 Figure 01 的牛当然不在于身体，而是在于它告诉大家借助大模型的魔力，人形机器人是可以自主做计划、执行任务、有记忆、听懂人话的。 要知道在此之前，人形机器人一直都是偏科的体育生，身体不错但是文化课挂科。 如果，咱是说如果脑子 + 身体都一级棒。那这段时间爆火的 “ 具身智能 ” 概念成真。 具身智能，说白了就是让人形机器人像人类一样，能够与真实的世界进行交互。学界还给它划分了五个阶段，像是计算功能智能、计算感知智能、认知智能、内生智能和自主智能。 去年的 ITF World 2023 半导体大会上，那个爱穿皮衣的男人就公开给具身智能站台，说它就是 AI 的下一个浪潮。 而现在的 Figure 01 ，则在第二阶段和第三阶段中间。 但即便如此，世超觉得距离人形机器人飞入寻常百姓家，估计也还有不少距离。 一方面无论是 “ 脑子 ” 还是 “ 身体 ” ，都还有难点没突破。 比如这 “ 脑子 ” 的训练数据，是咱们和现实世界物理交互的数据，目前已经稀缺，和 ChatGPT 的文本数据相比，真就九牛一毛了。 在身体这块儿，连完全模仿人类的五只手指都还做不到。 另一方面，人形机器人的商业化路径还没有共识。 通用机器人不是在一个成熟的技术里找产品，而是边突破技术边界边找到产品化的机会，要知道，即便火如大模型，目前最成功的产品也只是聊天机器人而已。 不过，技术不是线性发展的，如果突破点出现，后面人形机器人的发展肯定也是井喷式的。 这条路，也永远都不缺探路者，这两年，做人形机器人的企业是越来越多了，大厂里像是特斯拉的擎天柱，国内也有小米 CyberOne 、智元机器人，逐际动力等等。 所以世超的预测，也很可能被打脸。 当然世超也很希望被打脸，对了，如让人形机器人写稿的话，它应该不会拖搞吧。 撰文：松鼠&西西 编辑：江江 封面：焕妍

星舰第三飞，来了！ 3 月 14 可能是马斯克的幸运日。 这天是圆周率日、国际数学日、SpaceX 创立 22 年的纪念日，更是星舰第三飞的日子。 经过两次试飞，马斯克这次非常有信心，认为第三飞很可能进入轨道，成功率在 80%。 他赌对了，星舰成功达到了轨道速度，到达了前所未有的高度。 第一次把星舰直播看了 1 个小时，这种感觉对于已经看过星舰两次炸掉的本人来说也很新奇。 目前为止最成功的星舰试飞，目标打卡 2 个半 这次发射多少有些玄学加持。清晨的德州博卡奇卡发射场，阴沉且刮风，SpaceX 预告，好天气的可能性是 70%。 上帝掷骰遵循了概率，临近起飞时已是早晨，天气放晴，海岸和沙滩头顶蓝天。 倒计时开始，这次众人的欢呼声没有再被打断，一直数秒到零，助推器 33 个猛禽发动机指示灯全部点亮，航天器在隆隆声中被笔直的火焰推着升空。 从地面遥遥眺望，星舰的尾部如同冉冉升起的白色太阳。 2 分 40 秒左右，第三飞来到了第二飞的关键点：热分离。助推器和航天器丝滑告别，没有再发生爆炸。 到这里已经可以宣告，第三飞比首飞、第二飞走得更远。之前两次试飞都中途折戟，火箭几分钟炸成了烟花。 2023 年 4 月的首飞，多台发动机不正常，一二级未成功分离，当时马斯克预期也不是很高，甚至觉得没炸毁发射台就好。 2023 年 11 月的第二飞，发动机全部正常点火，一二级首次尝试热分离便成功，但随后一级爆炸，二级自毁，没能按计划溅落和飞行。 不过，第三飞完成热分离之后，助推器应当溅落在墨西哥湾，但摄像机信号被切断，不确定它的行进轨迹。 星舰航天器仍在继续朝着既定轨道前进，继续它孤独的旅程，看见了前辈们都未曾到达的风景，完成第三飞独有的几个重要任务。 首先，星舰航天器完成了有效载荷舱门的开启和关闭测试。至于成功与否，SpaceX 表示还需要数据审查。 这次星舰仍然没配备有效载荷，测试主要是为以后在轨部署星链卫星打个底稿。 其次，星舰航天器完成了推进剂转移演示。同样，是否真的成功，有待后续的数据审查。 虽然这次的推进剂只有少量，但足以证明，在轨加注技术有了突破。 未来的进阶测试，即一艘星舰给另一艘加注推进剂，或许也近在眼前。为了登上月球，SpaceX 可能需要进行十几次加注，更别说到达火星乃至更远的地方。 然后，按照计划，星舰航天器应当在太空执行猛禽发动机再点火，但这步被跳过了。 SpaceX 解释，航天器处于「相当陡峭的轨道」，无论发动机是否重新点火，地球引力都会迅速将星舰拖回地球。 最后，星舰航天器返回地球大气层，穿过等离子体，周围亮起鲜红色的光芒。而后 SpaceX 失去航天器的信号，其可能在重返大气层时燃烧或解体。 按照计划，第三飞的飞行轨迹和上两次不同，终点是印度洋，比之前的夏威夷群岛考艾岛以北太平洋的着陆点更安全。 满打满算，第三飞的 4 个目标完成了 2 个半。 不管炸没炸，SpaceX 又有学习材料了 主持人直播解说的时候，一个词高频出现：Data（数据）。 发射前，他们强调试飞不保证 100% 成功，但至少能积累数据。 起飞后进展顺利，他们在爵士乐的背景里谈天说地，笑容都真心了几分，星舰走得更远，收入囊中的数据当然也就更多。 你应该已经听过，星舰经常被提及的荣誉称号。 下一代可完全重复使用重型运载火箭、人类史上体积最大推力最强的运载火箭、第一个被设计为可完全重复使用的火箭…… 马斯克希望通过星舰，降低进入太空的成本，最终实现航天飞行商业化，他认为，这是实现火星移民所需的关键技术突破。 目标是伟大的，但在柳暗花明之前，往往一山放过一山拦。有了数据，才能逢山开路，遇水搭桥。 每次观看星舰的试飞，我们总要做个回顾，因为这是个「渐进式创新」的过程，回回都有很多的「第一次」。 到了第三飞，SpaceX 也未夸下 100% 成功的海口，而是一如既往，将每次试飞都当成「一次测试」。字里行间，已经做好了「不成功就成仁」的准备。 他们更在意的是，走出实验室和地面模拟的窠臼，将飞行硬件放入飞行环境，最大可能地提高学习效果。 ▲ 执行第三飞的星舰. SpaceX 学到了什么，从每次迭代就可以看出。 第二飞对比首飞有大大小小的 1000 多项改进，第三飞对比第二飞也是类似，助推器、航天器、发射台等软硬件都有升级，都是为了更猛、更快、更省钱。 今年 2 月，「细节狂魔」SpaceX 在官方博客总结了第二飞失败的关键原因。 热分离之后，助推器启动回推燃烧，但多台发动机关闭，一台发动机严重故障，导致助推器爆炸，问题出在向发动机供应液氧的过滤器堵塞了。 ▲ 第三飞前的点火测试. 所以这一次，SpaceX 进行了相应的硬件改造，提高了推进剂的过滤能力。 第二飞的助推器牺牲之后，航天器也在 150 公里的高空自毁了，原因是启动液氧排气口时发生了泄漏。 同样地，SpaceX 对症下药，改进了排气口，并且首次在航天器上，用电动推力矢量控制系统，取代了液压动力矢量控制系统，消除可能的易燃源。 有则改之无则加勉，第二飞的成功经验被第三飞保留了下来，包括被马斯克称为「巨大倒置淋浴喷头」的水冷系统，它向上喷水，抵消助推器产生的热量，保护了宝贵的发射台。 第三飞对比第二飞，最明显的、外在的变化体现在时间。 发射前推进剂的加注时间大大缩短，前两次约 97 分钟，这次约 50 分钟，因为增加了新泵和副冷却器。 飞行时长也被压缩，第三飞全程 64 分钟，比前两次计划的 90 分钟少了 26 分钟。 轨道高度也有所下降，飞行最高点略低了 15 公里，可能是稍微降低测试难度，尽可能多打卡几个任务。 这次因为再入失败，没有完成全程，但测试的目的已经达到了。 同样的错误只犯一次，验证的成功必须重演，每次试飞的价值就被最大化，下一次试飞也能省略不必要的麻烦，更快地做好准备。 快速迭代开发，是 SpaceX 所有重大创新进步的基础，包括猎鹰、龙飞船和星链，同样也用于星舰。 只有这样，才能拿到一手实测数据，离目标越来越近：构建一个完全可重复使用的发射系统，将卫星、有效载荷、机组人员和货物运送到各种轨道以及地球、月球或火星着陆点。 更多的星舰已准备好飞行 星舰的第三飞，只是 SpaceX 今年的开胃菜。 马斯克甚至希望，能在今年发射 9 次星舰，保底 6 次。 按照过往的节奏，首飞 2023 年 4 月，第二飞 2023 年 11 月，再到今天第三次试飞，间隔虽然变短，但 9 次的目标还是有点悬。 如此激进的计划有其原因，SpaceX 和贝索斯的蓝色起源，都是 NASA 阿尔忒弥斯 3 号计划载人着陆系统的供应商。 NASA 原定于 2025 年将第一批宇航员送上月球南极带，但考虑到宇航员的人身安全，将计划推迟到了不早于 2026 年 9 月。 登上月球依然遥远，今天的第三飞，大部分任务完成地很丝滑，已经足够让人惊喜，甚至令人意外。 原型机五飞四炸，首飞炸，第二飞炸，这次居然没有很快就炸，不能再拿「史上最贵烟花」嘲笑马斯克，前两次保持低调的 NASA 局长 Bill Nelson，也对 SpaceX 表示了祝贺。 一次次爆炸的背后，藐视规则，摸索边界，直面问题，承担风险，才是 SpaceX 这样的团队最宝贵的品质。 《马斯克传》里写到一个故事，两位 SpaceX 工程师不断改进发动机，到最后发动机解体了，他们反而很高兴：「好，现在我们知道它的极限在哪了。」 这就是一种解决问题的意识。探索未知，制造人类最强的太空运输系统，不能在真空里规避问题，而是更快地找出问题，然后解决它们，失败只是成功必经的过程而已。 2002 年，22 年前的 3 月 14 日，SpaceX 成立了，马斯克的初衷非常简单：人类不会被永远困在地球上。 SpaceX 的下一次试飞总是值得期待，微小的进步从起飞、分离甚至爆炸的火光中延续而来。 他们写在官网的一句话，朴素而有力量： 更多的星舰已准备好飞行。

电影《奥本海默》开场第一幕，出现了一段序言：「普罗米修斯盗取了众神的火焰，并将其交给人类。他也因此被缚于岩石之上，遭受永世的折磨」。 序言的背景是原子弹爆炸时不断迸发出的火焰热浪，导演诺兰希望用普罗米修斯之火指代颠覆了人类世界的原子弹，拉开故事的序幕。 普罗米修斯常以颠覆者、创造者的英雄形象出现在文艺作品中，经过历史的重构和再塑，普罗米修斯又成了文明进步的化身。 卢梭在《论科学与艺术》的卷首选用了一幅手执火把的普罗米修斯的插画，他说「普罗米修斯的火炬就是科学的火炬，是为了激励伟大的思想而诞生。」 卢梭将普罗米修斯之火抽象成了先进的科技和文明，火可以是电磁感应产生的交流电，是揭开了核能秘密的原子弹，是以字符联通世界的万维网。 而下一次点燃人类文明的火焰，则可能来自人工通用智能（AGI）的诞生。 3 月 14 日，智谱 AI 在北京举办了「智领 万象新生」大模型发布会，全面展示了智谱 AI 在大模型创新、商业落地、未来战略布局等领域的最新进展，探索实现 AGI 的可能。 下一颗「原子弹」 把当下的时间往回拨一年，刚好是 AI 大模型最疯狂的时刻：OpenAI 发布了 GPT-4、Anthropic 发布 Claude、Google 推出 PaLM API、Midjourney 刚推出惊人的 V5 版本……同一时间，智谱 AI 也发布了 ChatGLM 对话模型。 所有人都在欢呼大模型的里程碑日到了，AGI 也许不是虚无缥缈的幻想，而将会变为摄手可及的现实。 上半年，国内外 AI 公司才在内卷各家模型的性能，到了下半年的发布会上，AI 落地项目变成了发布会的主角，把产学研转化效率运转到了极致。 这意味着，经过大半年的「狂轰乱炸」后，人们开始从大模型纸面数据的狂热中清醒过来，转而思考另一个问题：大模型到底能带来什么样的现实价值？ 大模型的来临，无疑是应用开发领域的一次深层次的范式革命。这种革命不仅颠覆了过去的开发方式和理念，还将深刻重塑应用和行业的发展逻辑。 这场革新的冲击波已开始蔓延至各行各业。 发布会现场，智谱 AI 正式对外发布了题为《智谱 AI 大模型商业化案例合集》，全景展示了大模型在新能源、金融、传统制造等行业的应用佳绩。 WPS 是第一批实现 AI 原生应用升级的办公软件，通过深度融合智谱 AI 推出的 GLM 大模型的认知和生成能力，推出了 WPS AI。 用户只需在 WPS 中简单提问，WPS AI 就能为其提供一站式写作服务，包括整体文档创作、内容修改优化、格式排版等。借助大模型的能力，WPS 突破了办公领域的应用边界，成为一站式提高工作效率、激发创意灵感的智能协作平台。 大模型本质上是通过机器学习的方式，利用海量语料数据训练出通用认知模型，从而获得了强大的推理和生成能力，可独立完成编程、写作、计算、决策等复杂认知任务。 这意味着，在大模型的支持下，应用开发将不再被特定的场景和功能约束，而是可以向着通用智能化的方向演进。 与此同时，模型核心算力的支持，正成为决定大模型应用成败的关键环节。毫无疑问，国内拥有全自研基座大模型的智谱 AI 在这场竞争中已取得先发优势。 在发布会上，智谱 AI 介绍了其「大模型即服务」（Model as a Service）的市场理念，为企业提供多种灵活的落地方案，包括 API 开放平台、云端私有化部署、本地私有化部署和软硬一体机方案。 模型即服务的落地是通过我们与客户、合作伙伴的共创实现的，这是一种创新的商业模式。 智谱 AI CEO 张鹏坦言，作为科研出身的企业最大挑战是行业知识的欠缺，但通过与合作方共同探索落地的方法可以比较好地克服了这一难题。 「OpenAI 们」怎么靠 AI 赚钱 智谱 AI 成立于 2019 年，由清华大学计算机系知识工程实验室的技术成果转化而来，公司的创始人、核心团队成员多来自清华大学。 虽然智谱 AI 成立时间不长，但从 2006 年研究团队推出第一款产品 AMiner 算起的话，智谱 AI 团队在 AI 领域已有十多年的研究积累。 在今年年初，智谱 AI 最新发布的 GLM-4 在性能上已经达到国内领先水平，直逼 GPT-4 的能力。GPT-4 原生支持最高 128K 长文本、自动联网、图像生成等复杂任务，多模态能力有了长足进步。各项测试结果显示，GLM-4 的综合表现已经相当接近 GPT-4。 由于目标一致、技术路线相似，智谱 AI 常会被人们拿来和 OpenAI 对比。相较于走在大模型前沿的 OpenAI，智谱 AI 的发展路径既有「和」也有「不同」。 作为全球人工智能领域的佼佼者，OpenAI 从一开始就将 GPT 系列作为核心战略产品，通过持续的技术迭代和升级，已经构建了一条从 GPT-1 到 GPT-4 的完整路线，每一代模型都在系统规模和能力上实现了质的飞跃，建立了很大的先发优势。 智谱 AI 目前的商业模式是以提供领先的基础模型（L0 层）为主，通过与合作伙伴共同落地，在行业模型（L1 层）和场景推理模型（L2 层）层面实现赋能。相比之下，OpenAI 则是自主完成了从通用大模型到各领域的全流程运作。 在市场上，很难有第二家公司可以像 OpenAI 一样有资金和时间培养用户和市场，因此智谱 AI 需要找到属于大模型商业化自己的路线。幸运的是，智谱 AI 只花了一年时间便摸着石头找到了过河的路线。 凭借国内顶尖的大模型能力，GLM-4 正成为各行业赋能数智化转型的底座，就连那些传统上被认为需要高度专业知识的领域也在被一一突破。 例如在金融领域，GLM 大模型基于对海量信息的学习，可以投资决策过程中，为华泰金融的用户提供更全面信息、缩短分析决策周期；在咨询领域，基于 GLM 大模型的 AI 报告撰写专家正在协助德勤团队提高报告草稿的撰写效率，并优化论证逻辑；在传媒领域，GLM 大模型为分众传媒赋能，只需输入品牌名、产品名等关键信息便可生成广告文案，减轻团队的脑洞负担…… 可以看到，大模型为应用开发注入了前所未有的活力。智能化应用的想象空间在不断拓展，应用服务也正从狭隘的单一场景走向开放、智能、跨场景的方向。 事实上，包括 OpenAI 在内，越来越多公司已达成共识：大模型必将改变应用开发模式，但想要真正释放 AI 价值，需在商业实践中不断探索。 据 The Information 报道，OpenAI 近期的年化收入超过了 16 亿美元，其中面向开发者的 API 接口调用收费模式成了 OpenAI 最核心的收入。 目前，智谱 AI 已经有超过 2000 家生态合作伙伴，1000 家规模化应用和 200 家深度共创客户。 从营销到咨询，从健康到智能驾驶，智谱 AI 正以其 GLM 核心技术为多个传统行业注入数智化的新动能，帮助合作伙伴解决了长期存在的发展痛点，同时也为 GLM 模型下一步算力演进造血。 今年年初，智谱 AI 完成了由北京市人工智能产业投资基金参与投资新一轮融资，这也是是该基金成立以来投资的第一家人工智能大模型公司。从市场的角度来看，智谱 AI 得到了投资机构们的积极支持，已跻身国内成为 AI 领域「独角兽」企业。 在技术生态营造方面，两家公司也有共同点和差异。为了推广大模型技术、催生更多创新应用，智谱 AI 和 OpenAI 都在积极推动开源及社区建设。智谱先后开源了 GLM-130B 双语大模型和对话模型 ChatGLM-6B。而 OpenAI 则在 GPT-2 模型后对开源模型保持小心谨慎的态度，只提供 API 调用的权限。 在学术界影响力方面，智谱 AI 可谓别具一格。除了开源权重，他们还与中国计算机学会 (CCF) 合作设立了大模型基金，支持各大院校的 AI 教学科研，并赞助多个国际学术会议，对国内外 AI 生态建设贡献颇多。 凭借出色的技术实力、完备的开源生态及广阔的行业应用，智谱 AI 用行动证明了「追赶 OpenAI」并非空话，两家公司在大模型之路上的较量将是一场恒久的「马拉松」混战，而跑道的终点，便是真正实现 AGI。 2024 年，AI 润物细无声 从 AI 1.0 时代的专家系统，到 2.0 时代的数据驱动 AI，再到今天的大模型时代，AI 的发展总是推动着认知边界向前突破。 随着越来越多应用场景接入大模型能力，应用和服务将潜移默化地从狭隘的功能化、工具化演变为开放、智能、跨领域的认知能力赋能平台。 今天的 AI，尤其是大模型的突破，让信息处理的成本进一步降低，也有望深度重塑包括生产、决策在内的经济活动的方方面面。 大模型颠覆了人机交互的方式，使得人与机器之间可以进行自然语言的对话交互，极大降低了人类使用 AI 系统的门槛。 智谱 AI 与蒙牛合作开发的「蒙蒙」AI 营养师就是一个很好的例子。「蒙蒙」凭借大模型的知识理解和对话能力，可以为用户提供 7×24 小时营养咨询，并根据个人情况制定膳食运动计划，助力健康生活理念落地，充分体现了大模型优化决策、提高效率的价值。 用户不再需要学习复杂的编程语言或命令，只需用自然语言表达需求，就能与 AI 系统对话，完成诸如写作、编程、决策分析等复杂任务。这种直观的交互方式显著降低了使用 AI 的门槛，使 AI 系统触手可及。 与此同时，大模型强大的泛化能力使其能够应用于多种不同的场景，重塑了生产、决策等经济活动的方式。无论是内容创作、客户服务、商业分析还是软件开发，大模型都可以发挥作用，重构相关行业的生产流程。 正如智谱 AI COO 张帆所言：「AI 将润物细无声地进入产品、进入商业世界，改变智谱 AI 的体验。过去智谱 AI 认为只有人类才能做好的事情，那些『人类占据的山头』，也在被大模型的洪水慢慢淹没。」 在这个万物互联、数字经济纵深发展的新时代，智谱 AI 有机会成为「赋能者」。凭借持续突破的通用大模型能力，智谱 AI 将赋能科技创新、产业升级、商业模式重塑、知识创造等层面，成为推动生产力进一步发展的核心引擎。 实现这一愿景，既需要智谱 AI 自身持续投入、创新实力，也需要与整个产业生态、社会环境保持良性互动。只有通过开放合作，整合各方资源，方可为 AGI 这一未来奠定坚实基础。

图片来源@视觉中国 作者 | 张津京 Sora继续成为人工智能的热点。 最近两天，因为有媒体曝出谷歌用大模型训练生成的物理实验模型，相关论文登在了《自然》之上，引发一堆物理学家的争议。 这是由于谷歌的这个模型是可以在材料学领域虚拟进行实验，并寻找材料配方的合适配比。虽然大大节省了科研人员的时间，但却让很多科学家因为无法复现谷歌训练的过程，而感到苦恼。 同时国内接触过OpenAI和Sora的大模型专家也指出，实际上OpenAI开发的Sora是对物理世界的真实理解，有可能将来成熟后承担更多的科研工作。 因此，这一波热潮主要从“是否我们将面临人工智能全面进驻的世界”这个问题引发。 但其实，绝大多数哄吵这个话题的媒体、自媒体以及受众，实际上都没意识到，这个文生视频进而引发人工智能对真实世界理解能力探索的Sora，未来可能只有在中国才能真正变成现实。 原因也很简单。 科学家们推算发现，目前美国基础设施的缺乏和电力系统的老旧，无法支撑这样一个超乎想象的大模型运营。 一切都要电 最近这段时间OpenAI在美国硅谷的一些杂志上，刊登了另外一个数论的论文，核心的内容是在讲如何通过数学的方式，压缩对大模型训练相关材料的数量，进而提升为大模型培训的效率。 这样的一个论文，其实里面引用的很多数据都是OpenAI在培训相关大模型过程中使用的经验，有国内顶尖的数学与大模型研究专家，特意对这个论文进行了逐字逐句的分析。 经过跟他的沟通，我大概获知，他的计算显示，实现Sora目前一分钟的视频，需要英伟达最新的B100算卡在液冷状态下发挥最顶级功能，大概8块算力显卡工作4个小时左右。 而B100的性能相当于现在普遍使用的A100相关系列算卡6-8倍。这也就意味着如果换算成现在OpenAI对外提供服务普遍使用的A100算卡，这一分钟的视频大概是60块左右A100工作4个小时的成果。 如果最终商业化，一般情况下视频生成最长的时限在半小时比较合理。这意味着需要1800块A100的算卡工作4个小时。 但商业化的过程一定要想办法压缩生成视频的时间，按照这位大神给出的数据来估算，缩短一半的时间，需要投入2.7倍的算卡。 因此，如果将生成半小时视频的算力使用时间压缩到一个小时，那也就意味着在这一个小时之内，要调取13,122块A100的算卡同时工作。 目前OpenAI的ChatGPT对外提供服务用的是将近3万块A100的算卡，也就是说现在他对外服务提供算力的水平，仅供同时有两个客户提出半小时视频生成的任务。全天24小时，只能服务最多50个客户。 而现在根据纽约时报援引对OpenAI创始人山姆.奥特曼的采访，ChatGPT每天要消耗50万度的电。 这也就意味着，换成文生视频的Sora大模型，服务一个客户就要消耗1万度的电。而一般互联网企业，提供并行服务的数量都是以十万乃至百万计。ChatGPT刚出来之时，曾经创下过并行服务700-800万用户的记录。 这意味着，如果按最少100万并行用户的规模来计算，ChatGPT真正推出Sora这个视频模型的时候，每天消耗的电量是100亿度。 这个数字大家可能没有什么印象。 我统计了下美国发电量。2020年，美国发电量4.54万亿千瓦时，也就是4.54万亿度；到了2023年，中国发电量是828980吉瓦时，也就是8.29万亿度。美国是346387吉瓦时，就是3.46万亿度，发电量呈现下降趋势。 也就是说如果OpenAI真将Sora大模型商业化，一个月光这个模型就要消耗3,000亿度的电，差不多是美国2023年全年发电量的1/11。 难怪奥特曼现在满世界找7万亿美元的投资，想方设法要OpenAI在这个大模型上跑起来。 最后是拼光伏？ 最新的采访中，奥特曼也对媒体真诚地表示，他现在觉得人工智能的尽头一定是光伏和发电。 这里有一个很好玩的事。 奥特曼为什么要把光伏与发电并列？原因就在于美国，现在疯狂的在给光伏发电补贴。当然最主要是美国现在发电缺口非常大，原本的火力和核能发电厂，由于老旧逐渐会退出现在的发电市场。 而相较于火力和核能等发电厂的建设，光伏发电其实是一次投入最起码几十年都可以获取收益的过程。 关键维护的成本也比较低，再加上追求绿色能源的政治因素，光伏在美国走红就是一个很正常的事。 但可惜奥特曼不是熟知光伏产业的行业专家。 世界都知道光伏产业的产业线和相关的技术集中，绝大多数都在我们这里。原因其实特别简单，就是在2008年那一轮4万亿的刺激中，国家下决心把光伏列为了重点支持和补贴的对象。 10年之前中国的光伏发电成本还居高不下，单度电的发电成本都能过了5毛钱。那时候国家给予的补贴绝大多数都在电价上，对于光伏发电的采购采用了一个高电价的行为支持。 这极大刺激了中国光伏发电市场的扩张。 而跟随着中国光伏发电市场的扩张，进而带来的是整个产业的飞速发展以及竞争的极具激烈。同时由于中国内卷的市场带来技术的革新，使中国光伏的产业迅速在世界上站稳脚跟。 于是到了三年前，中国光伏发电成本已经降到了1毛5以下，国家也退出了对光伏发电的补贴。而所有自行安装光伏发电并并网售电的分布式和集中式光伏发电站，也都纷纷开始盈利。 这意味着中国彻底打通了光伏发电的产业链和最终能源转化的各个细节。 曾有一段时间，由于光伏发电和风力发电的不稳定，西部大量的风能电与光伏电被浪费。经过紧急的研讨，用了两年时间，国家找到了解决方式，就是在光伏与风能集中的发电地域，构建大型储能中心。 这是由国家引领投资，地方和企业积极参与的建设项目，属于基础设施。风能和光伏由于受日照风速等影响，带来的电压不稳，在经过储能设备的周转循环之后，统一电压向外输出。 这彻底解决了绿电并网的世界级难题。 所以现在美国在疯狂的补贴太阳能发电站的建设和太阳能板的安装，仅相当于我们在2008年干的事情。接下来美国还会遇到这种太阳能光伏发电难以并网并难以被使用的难题。这种事情需要大规模储能中心的建设。 问题是，美国本土其实没有大规模储能电池的生产能力。甚至连车载电池的生产能力都没有，别看特斯拉说的1680，目前它的量产还遥遥无期。大规模采用的，依然是从中国伙伴手上获取的技术和产品。 即使美国加大光伏的投入和扶持力度，最起码在很长一段时间，在美国发电市场上光伏不可能成为主流。这也让奥特曼现在给OpenAI设定的下一步发展解决方案，出现重大的纰漏。 基础设施谁怕谁 实际上大型的算力中心建设是所有推动AI以及大模型不断前进的基础，而大型的算力中心背后一定是庞大的电力设施，发电，输电、变电等等基础能力的支持。 这相当于将看似最高精尖的大模型竞争纳入到基础设施竞争的比拼中。 而作为基建狂魔的我们，遇到基础设施竞争的时候，从来不怕。甚至我们还很庆幸，这又变成了中国人最擅长的领域。 很长一段时间，大家都没有意识到，我们的电力系统在最近10年经历了翻天覆地的变化。 一方面，超高压输电的技术落地，让西电东送损耗降低，成为了可能。现在很少听到东南沿海城市因为电力供应不足而频繁限电，甚至工业用电要让位给居民用电的新闻。超高压输电技术，在此居功甚伟。 关键这是中国独自享有的技术，国外根本就没有相似技术的研发成功。 另一方面，智能化在电力系统的落地是所有人都想象不到的。在这几年我们大模型和AI落地最核心的领域就有电力。 之前有媒体报道，我们西部含内蒙的绿色发电量就已经赶上了1/3美国全年的发电量。而这中间确实离不开大模型和AI能力的调度，毕竟绿电的不稳定和储能的使用时效都是需要有一个精密的系统来协调，最终才能达到所有人都满意的效果。 目前我们整个电力系统的稳定性以及技术的含量不是其他国家可以比拟的。而在这样一个基础设施的支持下，任何变成基础设施领域的努力都会得到更大范围的加成。 更何况现在各地已经将建立算力中心，作为一个政府推动的项目在推进。一旦被视为基础设施，作为基建狂魔的我们对此就有了更多的想法和操作空间。 实际上未来我们算力的建设大范围超越美国，我觉得是一个可以确认的事实，只不过这个时间需要多久，还有待科学的计算。 最核心的是我们各地方政府，甚至敢在算力中心的附近，单独为他搭建独立的供电系统和发电系统。直接建一个电站也不是不可能的事情。 而这样的扶持力度确实不是美国行政体系可以做到的。 所以，如果说Sora这个大模型还有真正可以落地的空间的话，那一定不是在美国，而是在中国。 毕竟，玩基建我们怕过谁。

Apollo警报升级：与三周前相比，泡沫正向全市场蔓延，当前标普500个股的估值水平要比互联网泡沫的顶峰时期更高。 AI究竟是不是泡沫？华尔街著名资管阿波罗（Apollo Global Management）近日再次警告：AI不仅是泡沫，还在向全市场蔓延，比互联网泡沫顶峰时期更严重。 3月12日，拥有25年行业经验的阿波罗首席经济学家Torsten Sløk撰文称，从市盈率的分布情况来看，当前标普500个股的估值水平要比互联网泡沫的顶峰时期更高。 互联网泡沫是指1995-2001年间因全球投资者疯狂涌入科技与新兴互联网行业而导致的投机泡沫。在2000年3月10日，随着科技股价不断攀高，纳斯达克指数达到5048.62点的顶峰。 Torsten补充道，互联网泡沫顶峰时期，十大科技股的远期市盈率约为26倍，而当前十大科技股的远期市盈率已经达到了40倍。此外，当前约有30%的个股市盈率在30倍及以上，总体市盈率也要比2000年高得多。 阿波罗此次重申“AI已成泡沫”的观点，要比三周前的警告来得更为“凶猛”，因为AI泡沫的“糟糕程度”不仅超过了1990年代，还已经超过了互联网泡沫巅峰时期的水平。 此前，Torsten曾在2月25日表示，就标普500中市值排名前十的公司而言，当前的远期市盈率要比1990年代互联网泡沫期间高得多。 Torsten认为，这意味着当前的AI泡沫要比1990年代的互联网泡沫还要糟糕。 Torsten近期还表示，美国看似能够实现“软着陆”的局面实际上是一种“脆弱的平衡状态”。据他预测，美联储要么会在恐慌中降息，要么最终不得不加息——这两种“出人意料”的情况有50%的可能会发生。

谁能想到，2024年刚开年，高通就在“大冲刺”一般地加快步伐了。 根据知名爆料数码博主@数码闲聊站透露，高通将于近期发布骁龙7+ Gen3以及骁龙8s Gen3两款处理器，从命名方式和现阶段透露的参数来看，两者的定位应该都是中端市场，但有意思的是：骁龙7+ Gen3会是史上最强的骁龙7系处理器，甚至有可能威胁到当今旗舰骁龙8 Gen3的地位。 （图片来源：微博@数码闲聊站） 这就让小雷有些摸不着头脑了，按照高通之前的产品策略，一般都是让8系作为真旗舰，7系则是在两三千元档手机市场中「大杀四方」，为何今年一开年就要推出两款定位中端且实力远超市场预期的处理器呢？ 骁龙7+ Gen3，人称“小8 Gen3”？ 骁龙7+ Gen3相比去年发布的骁龙7 Gen3可谓是进步明显，在性能和能耗上都实打实地达到了旗舰水准。此话并非空穴来风，骁龙7+ Gen3采用的是骁龙8 Gen 3同款架构，也就是「1+4+3」的旗舰架构，内部核心也同样为Cortex-X4（超大核）、Cortex-A720（中核）、Cortex-A520（小核），唯一的区别在于频率方面有一定的阉割。不过GPU部分倒是从Adreno 750缩水成了Adreno 732，对于重度手游玩家来说可能有一定的影响。 （图片来源：高通官网） 其中阉割最明显的莫过于Cortex-X4超大核，从3.3GHz的睿频降到了2.8GHz，这0.5GHz的差异会让骁龙7+ Gen3在超高负载场景下的性能表现被骁龙8 Gen3拉开一截，但也只是超高负载场景，像日常使用以及一些常规的高负载场景，两者的差距几乎可以视为0，你甚至可以把它看作是骁龙8 Gen2的加强版。 而骁龙8s Gen3和8 Gen3的差距就更小了，两者无论是在核心和GPU方面的差异都在10%以内，但功耗部分却有明显的下降，如此细微的差距让小雷有些难以理解。 （图片来源：小米官网） 唯一让小雷觉得合理的部分是，目前曝光将搭载这两款处理器的机型均是两三千元档的中端手机，虽说产品力也相当不俗，但对比起各家的旗舰仍有不小的差距。 小雷个人猜测，高通这是为了加快老芯片的清仓速度，毕竟根据目前的爆料，今年下半年发布的高通骁龙8 Gen4将会采用高通自研的全新架构和Oryon内核。自研架构和内核赋予了高通更大的自主权，极有可能会是高通彻底超越苹果A系列芯片的一代产品。 （图片来源：雷科技摄制） 还有，骁龙7+ Gen3和骁龙8s Gen3的推出本就是为了进一步巩固高通在中端手机市场的地位，从而提升其在整个手机市场的市占率。根据Counterpoint Research公布的数据显示，在2023年第三季度，联发科以33%的市占率拿到了全球智能手机处理器市场份额的第一，高通则以28%的份额屈居第二。 虽说高通在高端手机市场中一直处于「遥遥领先」的地位，但在中端以及中低端市场中一直是被联发科稳压一头，更别说随着麒麟芯片的回归，高通的高端以及中端市场都有可能受到波及。 （图片来源：华为官方） 为此，高通要在中端市场继续加注，好让越来越多的消费者认为无论是在低中高端市场，骁龙处理器都是它们的首选。 话说回来，高通愿意将更多旗舰级的技术和架构下放，对于我们普通消费者来说依旧是好事，或许在今年我们能见到更多性能体验上与旗舰机相差无几的产品。 高通的野心，早已不只是“手机移动芯片” 如果你对高通有略微了解，应该知道其目光从未只停留在手机市场，在智能驾驶、PC、可穿戴设备、无人机、通信甚至是VR和AI领域都能见到高通的身影，存在感日盛，且不仅限于芯片本身。 在当下最火热的AI领域，高通不但直接拿出了相应产品，而且在参数规格和实际体验上也是“王炸”级别。就以高通近期发布的AI引擎为例，用户能够借助搭载AI引擎的AI旅行助手，快速生成一条完整的行程建议，并通过语音对话的方式进行实时调整，最后创建出一个完整的旅游行程。这一功能看似并不算什么新技术，但其响应速度和准确度都已经打到了业界顶尖水准，可以说高通在AI领域已经占得了先机。 （图片来源：雷科技摄制） 再比如高通发布的AI Hub，它是一个包含了近80个AI模型的模型库，其中既有生成式AI模型，也有传统AI模型，还包括图像识别或面部识别模型，百川、Stable Diffusion、Whisper等模型。开发者可以从AI Hub中选取想要使用的模型生成二进制插件，做到AI 开发的“即插即用”。 如今的高通几乎已将AI理念覆盖到了所有的智能终端设备上，甚至尝试构建起了一些AI标准，也切切实实拿出了对应产品作为支撑。 高通CEO安蒙明确表示，芯片制造商的主要战场会由“训练”转向“推理”。 （图片来源：雷科技摄制） 市面上的各种AI产品主要集中在使用大数据训练模型的“训练”阶段。但安蒙认为，随着AI模型变得更小巧、能够在设备上运行并专注于特定任务，芯片制造商的主要市场将转向“推理”，即模型的应用。数据中心开始对专门用于训练模型推理能力的处理器感兴趣，这一切预示着推理市场将大于训练市场，届时也正是高通的天下。 （图片来源：雷科技摄制） 此外，高通在电动汽车领域和PC市场也取得了不错的成绩，比如高通发布的X-Lite系列PC芯片就备受关注，这些都将大大拓展其用户群体，今年或是明年，我们将看到越来越多的笔记本电脑和智能驾驶系统用上高通的产品。 手机市场遭遇瓶颈，高通构建新增长曲线 高通如此“致力于”全方位发展，除了想要拓展自己的领域之外，也跟当下的手机市场有关。根据IDC报告，2023年全年中国智能手机市场出货量约2.71亿台，同比下降5.0%，创近10年以来最低出货量，高通需要减少自己对智能手机市场的依赖。 但减少依赖不代表高通就要把自己辛辛苦苦打下的“江山”拱手让给别人，此次骁龙7+ Gen3和骁龙8s Gen3的发布能够进一步扩大高通在中端手机市场的份额。 （图片来源：联发科官网） 当然，高通的竞争对手们也不是“吃素”的，其与联发科存在全面竞争，各有优势，但这个市场存在很大不确定性，如果任何一代产品研发失误或出现方向性错误就会直接落后一整代，哪怕是如今如日中天的高通也有可能快速落伍，甚至被淘汰，这符合产业规律。 未来两年的手机芯片市场可能还会是现在这个格局，即高通在高端市场依然具备强劲的竞争力，联发科在中低端保持优势的同时，在中高端市场将不断拉近与高通的距离。至于未来会不会出现变动，就得看这些芯片厂商们的动作了。

作者 | 习翔宇 编辑 | 邓咏仪 36氪获悉，AI长视频平台Clipfly（www.clipfly.ai）正式上线。Clipfly是Fotor旗下的新产品，集合了AI视频生成、AI视频增强、视频编辑等众多功能，是全球率先正式上线的一站式AI长视频平台。 Fotor是全球头部AI图像产品，本身是一个AI图片编辑平台。2022年8月，Fotor便上线了AI图片生成功能。此后，Fotor相继上线了AI人像生成、AI卡通化、图片增强等众多AI功能。目前，Fotor月活人数（MAU）达1500万人。 Fotor创始人兼CEO段江表示，Fotor在图像领域有深厚积累，基于技术通用性和视频用户需求增长，因此决定布局AI视频方向。 AI视频生成还处于早期阶段，AI工具之间不互通，用户的制作流程繁琐。一名AI视频创作者，需要先用Stable Diffusion、Midjourney等文生图工具生成图片，再用Runway、Pika等视频生成工具将图片生成视频，最后在Premiere Pro、剪映等视频编辑器上将片段剪辑成完整视频。 Fotor关注到了这一问题，并且提出了自己的解决思路——Clipfly的设计理念是提供一站式AI视频平台，集成文生图、图生视频、视频编辑等功能，使用户能够在一个平台上完成从产生创意到完整视频的所有工作。 Clipfly生成视频截图 在工作流程上，Clipfly先将提示词（Prompt）生成1-4张图片，也就是视频帧（Frame），再将图片生成4秒长的视频片段。生成足够的视频片段后，用户可以进入视频编辑器，将素材加上字幕、音乐，剪辑为完整视频。 段江表示，对于广告短片等具体应用场景，创作者需要的不是一镜到底的视频，而是不断变换的多个场景片段。Clipfly通过调优模型，提高生成视频片段的采纳率，从而满足创作者体验。“Sora虽然发布了一分钟的视频，但短期内还拿不出正式上线的产品。我们通过全流程平台解决AI长视频的问题，为视频创作者提供了一个非常良好的工具。” 2023年6月，Clipfly便立项开发。段江表示，团队基于成熟的技术和产品能力，在开发过程中部分解决了人物一致性等问题。开发时间长达半年，原因在于一站式AI视频平台的需求众多，团队从头搭建了视频编辑器，并且集合了各种类型的视觉模型。 Clipfly生成视频截图 在技术实现上，Clipfly一方面使用Stable Difussion等开源模型，并进行调优，实现文生图、视频生成功能。另一方面，基于团队在图像处理领域的核心算法，实现图像增强功能，从而提升视频质量。尤其是在图像增强领域，部分团队采用AIGC思路，即训练大量高质量图片，基于待处理图片，重新生成新图片，相对耗时、耗资源。Clipfly则基于经典的图像处理算法和计算机视觉算法，可以在端侧实现图片计算，速度更快。 据36氪了解，Clipfly还处于上线测试阶段，用户主要来自Fotor导流。段江表示，“我们有工程能力、算法的原始创新，还有产品能力，这些结合在一起，形成了现在的Clipfly产品。Clipfly也是全球首个正式上线的一站式AI长视频平台。

“ 把人类带到火星，我已经准备好了 ” 。 这是星舰第三次发射后，马斯克在自己的社交平台上的口嗨。 如今，整个世界都在为他鼓掌。 就在差友们最熟悉的 9 点 25 分，马斯克口中用来把全人类带上火星的星舰，进行了第三次试飞。 虽然星舰飞船在结束返回地球时失事，但我们几乎可以说，星舰已经创历史的大大大成功。 马斯克也激动地表示： “ 星舰要开启大航星时代了 ” 。 坏了，又被他装到了。 一时间，各路媒体， NASA 局长们全在给星舰发喜报。 更牛的是，这次星舰试飞和前两次比，简直可以说是换了一个版本。 首先就是星舰的飞行路线被换了，前两次都是计划从德州南部发射，最后落在夏威夷附近的太平洋里。 而这次，因为 SpaceX 想留出更多空余给星舰做测试、再加上一些安全方面的考虑，所以重新选了一条新路线，把星舰飞船的降落点定在了印度洋。 路线变化倒还在其次，按照 SpaceX 的说法，在星舰 65 分钟的计划飞行里，有很多重磅行程： 第一次太空中重新点燃猛禽发动机、 星舰飞船受控再入（ 验证星际往返能力 ）、 “ 推进剂内部转移 ” 测试、有效荷载舱门开关测试等等。 这些可都是这次新加的考试项目，而这又是星舰飞船能成为星际殖民工具的关键步骤。 比如太空中重新点燃猛禽发动机就是为了验证以后能不能在火星起飞回来； 星际飞船受控再入就是为了以后在火星和地球之间的往返； 有效载荷舱门开关就是为了以后能不能批量发卫星啥的。。。 在差评君看来，只要星舰能实现这几个重磅测试中的任何一个，就已经可以说星舰三飞成功了。 而实际上，星舰的表现再次大大出乎我们意料。 这次历史性的试飞，星舰总共成功做到了： 星舰飞船进入既定轨道、荷载舱门开关测试、 “ 推进剂内部转移 ” 测试。 而像超 TM 重助推器的回收、星舰飞船再入这些也都完成了一部分。 唯一遗憾的是星舰飞船在太空中的二次点火，被 SpaceX 主动选择性放弃了，截止到发稿还不知道具体原因。 在这些历史性突破中，需要格外关注的是 “ 推进剂内部转移 ” 测试。 这项测试说起来很简单，其实就是青春版的 “ 太空加油 ” 。 “ 太空加油 ” 就类似飞机上的 “ 空中加油 ” ，区别在于不是给星舰加油，而是加液氧甲烷推进剂。 到目前为止，这种太空环境下、超低温推进剂、船体间互相转移的 “ 太空加油 ” ，还是全人类都没法征服的技术难点。 可在 NASA 看来，这项技术拿捏着重返月球计划的大动脉之一。 在 NASA 的设想里，重返月球需要一艘星舰飞船呆在近地轨道当 “ 加油站 ” ，然后用其它星舰当油罐车给这个 “ 加油站 ” 上货。 而在发射登月飞船的时候，可以轻装上阵飞到 “ 加油站 ” 加个油，再往月球飞。 其实不光是重返月球，所有星际探索，如果在太空加一次油，肯定能减少很多 “ 续航焦虑 ” 。 所以，从科研层面来说， “ 推进剂内部转移 ” 测试将是属于整个人类太空探索技术上的一大成就。 而且对于 SpaceX 来说，这个测试还有很重要的现实意义：搞钱。 因为 “ 空中加油 ” 技术实在太难了，所以前些年时入选了 NASA 设立的 “ 引爆点技术示范奖 ” ，号召各个公司来一起技术大爆炸，攻克这一难点。 而这次试飞中， SpaceX 成功完成 “ 推进剂内部转移 ” 测试，马斯克耳边肯定响起了一句：叮，支付宝到账 5300 万美元。 如果硬要鸡蛋里挑骨头，这次星舰发射过程并不完美，无论是星舰飞船还是 “ 超 TM 重助推器（ 严肃翻译应为超重型助推器 ） ” ，都没能按原计划降落。 超 TM 重回收减速点火失败，只有一两个引擎启动了，最后在不受控的情况下落入大海。 而星舰飞船在 SpaceX 主动选择不重启引擎后再入大气层，最终在大气层中解体。 说真的，叠了这么多重使命的星舰三飞，发射前在外界惹出的声势似乎比前两次小了。 但从 SpaceX 的表现看来，他们其实相当重视。 首先就从这次设定的发射时间就能看出一二。 3 月 14 号刚好是 SpaceX 22 岁大寿，选在这种重要日子放的窜天猴它能差吗？ 而且为了选在今天， SpaceX 一边早早地公布了发射日期，另一边催着美国 FAA 公务员们加班加点，发射前一天才刚刚批准发射，你要说这不是故意挑的日子我都不信。 而且，马斯克之前就曾表示自己低估星舰了。 因为在第二次试飞爆炸后发现，星舰爆炸是因为排出液氧时发生泄露。 而这部分液氧被带上天的目的是为了配重， SpaceX 出于想要模拟以后星舰飞船 “ 拉客、带货 ” 的目的，从而更好地还原最终情景，收集最准确的数据。 所以，就多带了些液氧来模拟现实场景下，星舰的重量。 这么做了之后，配重的目的是达到了，数据也收集完了。 可等到星舰要返回时，就得扣除这部分重量了呀（ 完全体星舰返回时肯定已经卸货了 ），所以星舰就开始排出多余的液氧，结果这一排，就发生泄露导致爆炸了。 所以现在看起来，马斯克还真不是吹牛。 星舰这次试飞的巨大成功，不得不让我想到 SpaceX 的猎鹰系列，也是在第四次成功实现了回收，并从此掀开了人类航天史的新篇章。 而星舰的第三次发射已经取得如此巨大的进步，谁又会不想赶快看到第四次星舰发射呢？ 在差评君看来，最急的可能是马斯克自己。 星舰的第二次试飞是去年的 11 月份，仅仅在 4 个月之后就实现了再次发射，相比于第一、二次发射间隔的 7 个多月， SpaceX 显然正在提速。 可这速度恐怕还是太慢。 大家不能忽略的是，虽然马斯克看起一副活力小强的样子，但 1971 年出生的马斯克已经整整 53 岁了。 而后期的星舰如果要进行火星探索，就按 SpaceX 4 次实验铁成功来算，还得至少数十次才能实现载人火星登陆，每次火星来回动辄就要几个月时间，火星的发射窗口期都得 16 个月一轮（ 根据太阳引力等多方面叠加，每 26 个月才能有一段合适的发射时间，错过窗口期飞往火星的速度会被大大拉长 ）。 这么想想，别说马斯克了，我都担心有生之年不能看到火星移民了。 所以，拜托了，再快点吧！ 撰文：八戒 编辑：江江 & 大饼 封面：焕妍

约一年前，OpenAI发布了强大的基础模型GPT-4，这催生了一批基于GPT-4打造应用的创业公司，其中就有法律AI领域的领头羊Harvey。 在这个阶段，获得巨额融资的OpenAI和Anthropic们，其产品除了基础模型和围绕基础模型的服务外，在应用方面多为针对个人用户的AI聊天机器人，Character.ai和Inflection则另辟蹊径，推出针对情感的个人AI助理。 法律和营销是AI应用融资最热的两个赛道，诞生了一批明星公司，例如Harvey、Even Up、Synthesia、Typeface等。但它们基本都是利用AI模型的某一项能力来单点突破。处理复杂任务的企业级AI应用，在当时还不成熟。 从AI个人应用发展到企业级应用，需要解决以下问题： 1.AI模型需要具有处理复杂推理和大量数据的能力，目前通过MoE（混合专家模型），具有复杂推理能力和长上下文窗口的新模型部分解决了问题。 2.AI需要帮助企业解决模型和私有数据被窃取和泄露的风险，现在无论是从模型层面，还是AI安全工具层面，都有更先进的解决方案。 3.企业需要自己使用的AI工具是安全可靠且合规的，不能输出影响自己商业信用的“胡说八道”内容。 最近，一批企业级的AI应用集中获得融资，它们的创始人背景强大，有OpenAI董事会主席Bret Taylor，Transformer论文的主要作者Ashish Vaswani和Niki Parmar，以及Cloudera的前CEO Rob Bearden。它们在一定程度上解决了以上几个问题。在产品形式上，以Agent（AI代理）和企业级AI应用搭建平台为主。 01 企业级AI助手（Agent） 1.用企业级AI Agent赋能客户体验的Sierra 官方网站：sierra.ai 融资信息：第一轮获Benchmark投资的2500万美元融资，此后获得红杉资本（Sequoia Capital）投资的8500万美元融资，累计融资1.1亿美元。 Sierra是面向企业的人工智能平台，目前它主要利用AI Agent来优化客户体验场景。 与传统AI客服相比，它最大区别是可以利用企业客户的内部知识来直接“行动”，例如安排交付、更新订阅或预订，而不只能自动回复一些设定好的内容；当它遇到无法回复的问题时，不会“胡说八道”，而会收集关键信息并向客户的人工客户服务团队提供详细摘要，为他们有效处理升级问题做好准备。 在Agent之外，Sierra还有叫Agent OS的Agent搭建平台，通过这个平台搭建的Agent能够处理复杂的多步骤工作流程，可以安全地访问外部系统以收集数据并采取行动，还能保持品牌一致性和主题相关性。当然，对于企业客户，Sierra提供的监控和过滤器，审计和检查功能是更让他们放心的工具。 Sierra由Bret Taylor和Clay Bavor在2023年联合创立。Bret Taylor先后创立过FriendFeed、Quip等创业公司；此后他担任Salesforce联合首席执行官，并于2023年加入OpenAI董事会，担任董事长。Clay Bavor曾领导谷歌AR/VR工作。 2.Transformer主要作者创立用AI Agent辅助决策的Essential AI 官方网站：essential.ai 融资信息：获得5650万美元A轮融资，由March Capital领投，谷歌、英伟达、AMD等科技巨头以及Franklin Venture Partners、KB Investment和Thrive Capital（OpenAI的早期投资人）等专业投资机构参投。 Essential AI专注在AI Agent，它为企业用户提供现成可用的AI产品,从而省去他们为专门任务自行构建AI工具的麻烦。 据介绍，它的产品能够迅速学习企业的资料，并将耗时且单调的工作流程自动化，从而提高企业的整体生产力。 例如，它的AI Agent可以将数据分析师的工作效率提高10倍，并为商业用户提供工具，使他们自己成为独立的数据驱动型决策者。它还可以加快金融分析师的工作步伐，使他们能够从更多公司获取数据进行分析。 目前，Essential的核心团队有七人，其中Ashish Vaswani和Niki Parmar是Transformer论文的主要作者，他们此前和谷歌前AI总监David Luan共同创立了Adept AI（20亿美元估值独角兽）。公司其他核心成员包括工程师、研究人员、设计师、销售和产品专家。 3.企业AI工作助手平台开发商Glean 官方网站：www.glean.com 融资信息：获得Kleiner Perkins和Lightspeed Venture Partners共同领投的2亿美元D轮融资，参投方包括Sequoia Capital、Databricks Ventures、Citi、General Catalyst、ICONIQ Growth等，累计融资额达到3.55亿美元，估值为22亿美元。 Glean在2023年推出对话式AI助手，该AI助手使用RAG技术（搜索和检索增强生成）的大语言模型来检索并基于每个企业独特的知识图生成个性化答案。 此外，Glean还推出了其低代码和无代码集中式AI平台，允许公司基于其知识构建定制的生成式AI助手。Glean的平台允许企业客户完成跨应用的、个性化的搜索，在Glean上可以查到企业数据，完成部分高频工作。Glean希望像ChatGPT那样，成为AI时代的入口型产品。 在安全性上，Glean让用户可以通过运行DLP报告以发现过度暴露的敏感内容，Glean会进行用户访问审查以执行最小特权原则，同时对所有的数据都进行了安全加密。 Glean由Arvind Jain（CEO）、Vishwanath T R、Piyush Prahladka和Tony Gentilcore共同创立。这四位联合创始人拥有名校背景和大厂经历，其中有三位都在Google拥有10年及以上的工作经验，Arvind Jain还联合创立了云数据管理领域的公司Rubrik。 02 AI应用搭建平台 1.企业级AI Agent搭建平台Sema4.ai 官方网站：sema4.ai 融资信息：获得由Benchmark、Mayfield和Canvas Ventures等知名投资机构领投的3050万美元融资。 Sema4.ai想要简化知识工作者复杂的端到端工作流程，而不像传统企业自动化工具那样只解决简单、重复、点对点的任务。 Sema4.ai基于先进AI大模型的强大理解和推理能力，既可以理解用户以自然语言“布置”的复杂任务，又能执行这些任务，他们的AI Agent是以语义理解和自动行动为核心的。 Sema4.ai还发布新的AI Actions框架，企业可以基于这个框架和自有的数据，创建个性化的AI Agent。 Sema4.ai的创始团队由Rob Bearden、Ram Venkatesh、Suds Menon和Paul Codding组成，他们在数据管理、分布式系统、应用程序开发方面有深厚知识和丰富经验。其中Rob Bearden曾是Cloudera的CEO。 2.为企业提供交互式AI平台的Rasa 官方网站：rasa.com 融资信息：完成由PayPal Ventures和StepStone Group共同领投的3000万美元C轮融资，参投方包括a16z、Accel和Basis Set Ventures。目前，Rasa的累计融资额超过7000万美元。 Rasa提供一个开放且适应性强的AI聊天机器人搭建平台，它由先进的AI模型与用户友好的低代码UI相结合，并与企业的业务逻辑完美契合。 这个平台的核心技术CALM系统将LLM的创造性与传统基于NLU聊天机器人的控制和确定性相结合，确保用户交互保持连贯和自然。 它有两种产品Rasa Pro和Rasa Studio，Rasa Pro是开放核心对话式AI框架，公司客户可以通过模板框架按需定制对话助手。Rasa Studio通过拖放设置增加了自定义选项，用于设计生成式AI驱动的聊天机器人。Rasa还提供了完备的安全和测试和部署等功能，确保企业用户的AI应用是安全可控的。 Rasa由Alex Weidauer（CEO）和Alan Nichol（CTO）于2016年共同创立，Alex Weidauer曾创立云生产力工具开发公司treev，Alan Nichol是他这次创业的伙伴。Alan Nichol博士毕业于剑桥大学。 3.企业级AI助手搭建服务商Kore.ai 官方网站：kore.ai 融资信息：获得FTV Capital领投，英伟达等投资者参投的1.5亿美元D轮融资。 Kore.ai是企业级无代码AI应用搭建平台，企业用户可以自定义搭建对话式AI应用或部署预构建的“域训练”聊天机器人。Kore.ai的目标客户包括银行、医疗保健和零售等行业的公司。 Kore.ai的AI能力由经过微调的AI模型支持，与从头训练一个AI模型相比，这样只需要非常少的企业数据，并能提供更高的效率、更好的准确性、更快的响应速度，最重要的是减少了延迟和成本。” Kore.ai由Raj Koneru创立于2013年。Raj Koneru是一名经验丰富的连续创业者，曾先后创立云数字应用开发商Kony Inc、离岸外包咨询公司iTouchPoint等企业。 03 AI应用从“玩具”进化成生产力工具 企业级AI应用的出现，代表着什么？ 代表着大模型的应用进入了另一个阶段，从一个吸引大众的“玩具”，变成了生产力工具。大模型时代的企业AI工具不仅能够达到某一部分流程的自动化，而且能够深入企业的业务，对企业业务的影响更深刻。它不是固定的完成某些“死板”的任务，而是真的理解业务，能够做更复杂的复合任务。 AI从“玩具”变成生产力工具的前提是AI大模型能力的提升，以及围绕模型的一系列技术生态的成熟。例如现在的AI大模型，在复杂推理，人类常识，数学能力，编码能力方面都有长足进步，并且能够一次性处理更多数据，这些都让它能够支持AI企业应用完成比之前更复杂的任务。 对于AI应用的安全，现在有了越来越多的领先创业公司正在优化这一方面，例如HiddenLayer、ProtectAI等。还有一些AI芯片公司致力于降低模型的训练和推理成本，才让AI企业应用落地，否则无论是企业客户，还是创业公司，都很难完成收益和成本的平衡。 随着模型能力的进步，尤其是多模态大模型的进步，AI应用的边界还将被拓宽。模态的拓宽，代表AI可以进一步处理更复杂，更复合的任务。无论是在个人应用上还是在企业应用上，这对于懂技术，懂场景有产业经验的优秀创业者是很大的机会。

【CNMO科技消息】近日，CNMO从外媒了解到，小米POCO品牌正在筹备其C系列的新款手机——POCO C61。据最新报道，这款手机极有可能是上个月在印度发布的Redmi A3的改版之作。这一推测并非空穴来风，因为近期POCO C61已经悄然出现在Google Play支持的设备列表中，进一步加深了它与Redmi A3之间的关联。 Google Play设备列表显示，这款即将发布的POCO手机型号为2312BPC51H。值得注意的是，这一型号在之前的蓝牙SIG列表中也有所披露，这进一步表明POCO C61很可能是Redmi A3的改版产品，后者最初以型号23129RN51H发布。然而，Google Play的设备列表并未透露更多关于POCO C61的详细信息。 此外，POCO C61最近也现身BIS认证网站，预示着这款手机即将在印度市场亮相。作为参考，Redmi A3配备了一块6.7英寸高清显示屏，刷新率高达90Hz，搭载联发科Helio G36 SoC处理器。其后置摄像头采用了800万像素双摄配置，前置则是一颗500万像素的自拍摄像头。 在存储方面，Redmi A3提供了3GB+64GB、4GB+128GB和6GB+128GB三种选择，并且内部存储可扩展至1TB。电池方面，它搭载了5000mAh大容量电池，并支持10W充电技术。 在价格方面，Redmi A3的定价相当亲民。其中，3GB内存+64GB存储版本定价为7299卢比，约合人民币630元；4GB内存+128GB存储版本定价为8299卢比，约合人民币720元；而6GB内存+128GB存储版本定价为9299卢比，约合人民币807元。预计小米POCO C61的售价将继续保持亲民路线，有望控制在千元以下。

集微网消息，韩国政府宣布了一项战略，确保到2030年将锂和石墨等用于高科技产业的33种关键矿产从中国进口比例减少到50%，从2023年开始，韩国在一些电池、永磁体等关键项目上对中国的依赖开始减少。 韩国国际贸易协会（KITA）3月13日数据显示，2023年韩国氢氧化锂进口额为61.9亿美元，同比增长69%。其中2023年来自中国的进口份额为79.6%，同比下降8.3个百分点。相反，韩国第二大氢氧化锂来源国智利的份额从10.7%增加到17.5%。 韩国对中国氢氧化锂的依赖度从2019年的74.1%上升到2022年的87.9%，与韩国电池行业的增长一致，但在2023年首次下降。 粉末状氢氧化锂是二次电池正极材料的关键原材料。LG化学等韩国公司将氢氧化锂注入与镍、钴和锰混合的前体中，以制造电动汽车电池的阴极材料。 锂约占正极材料成本的40%，使其成为影响电池价格的关键矿物。 2023年，制造电动汽车电机所需的钕永磁体来自中国的份额下降至84.7%，略低于2022年的87.5%。相反，从菲律宾进口的钕永磁体的份额从2022年的11%上升到2023年的14.3%。 钕是一种稀土金属，具有很强的磁性，使其成为电机小型化和提高效率的重要材料。超过80%的电动汽车在电机中使用钕基稀土永磁体。电动汽车的驱动电机通常重约1.6千克。 韩国在锂和永磁体等一些关键矿产方面对中国的依赖度下降，被解释为，韩国企业积极应对美国《通货膨胀抑制法》（IRA）等贸易环境的变化，在韩国政府支持供应链多元化的政策下，积极替代中国产品的结果。

快科技3月14日消息，今天，世界级科技博览盛会，2024中国家电及消费电子博览会（AWE）在上海正式开幕。 与CES以消费电子为主角、WMC以通信终端为核心不同，AWE更侧重家电领域，家电厂商也是历届AWE大会的绝对主力。 在今年的AWE上，三星就展出了其首款透明MicroLED电视，采用了无边框设计，在不开机的状态下，可以实现近乎玻璃的纯透明效果，能够融入各种环境空间。 在开机后，由于透明MicroLED屏幕相比透明OLED屏具有更高的亮度，因此受环境光的影响也较小，清晰度也提升到了OLED的两倍，同时还具备更大的可视角度。 据三星官方介绍，通过模块化设计，该屏幕有4种显示方式可选，不受到空间限制。 不过目前三星并没有透露这项技术的成本，也没有透露何时将这项技术用于零售设备。 不过三星目前在售的非透明89英寸Micro LED电视，售价就已经达到了749999元，若是用上了透明Micro LED，价格估计还会更贵。

今天是3月14日 农历二月初五 有个消息人士说 小米 SU7 顶配价格 会超过问界 M5 顶配版 M5 顶配版是 30.98 万 如果这是真的 那价格有点高了吧？ 。。。 下面是今天的其他大新闻 # 知情人士回应腾讯将接手字节部分游戏业务 3 月 14 日，有市场消息称字节跳动裁撤的部分游戏业务已经被腾讯接手，目前已有部分原字节跳动员工入职。 对此，接近消息的知情人士透露，字节跳动游戏业务旗下的引力工作室和江南工作室，分别负责开发二次元战术竞技项目和二次元开放世界项目，现已合并成立了萨罗斯网络科技( 深圳 ) 有限公司。 天眼查信息显示，萨罗斯网络科技( 深圳 ) 有限公司的注册日期为 2023 年 12 月 21 日，是腾讯集团的全资子公司。 ：还没玩过字节的游戏，这就被接手了？ # 阿里 11 款应用启动鸿蒙原生应用开发 继支付宝、淘宝等国民级应用之后，此次阿里旗下闲鱼、 1688 、飞猪、饿了么、盒马、淘票票等 11 款APP启动鸿蒙原生应用开发，覆盖电商、新零售、本地生活、旅游服务、文化娱乐等多个领域。 此前，淘宝、高德地图、钉钉、夸克、UC 浏览器等多款国民级应用就已启动鸿蒙原生应用开发，本次签约也标志着阿里再次深度融入鸿蒙生态。 ：加速加速！ # 李斌、秦力洪称蔚来第二品牌“ 乐道 ”非中低端品牌，对标特斯拉但更便宜 3 月 14 日消息，在今日的蔚来长寿命电池战略沟通会上，蔚来总裁秦力洪称蔚来第二品牌“ 乐道 ”的定位不是中低端品牌，而是对标特斯拉、面向主流市场。 蔚来 CEO 李斌称，“ 该品牌号称可做到‘ 比特斯拉 Model Y 还便宜 ’，一方面是基于蔚来的整体能力，另一方面也是依靠国内的供应链、制造等方面的能力定义出这样的产品。” ：翻译一下，别把乐道想得太便宜。 # iPhone15 刷新历史低价 （ 新浪科技 ）3 月 14 日消息，天猫 Apple Store 官方旗舰店开通以旧换新服务，消费者下单时可直接置换旧机购买新 iPhone 。 另外，中国移动旗舰店等多家苹果授权店铺，也支持以旧换新， iPhone15 系列最高补贴 1000 。热门的 iPhone15 128G 补贴后以旧换新到手价 4549 起，刷新历史低价。 ：再降一千我就买。

①半导体初创公司Cerebras Systems公司周三（3月13日）推出了一款新的芯片WSE-3；②而它的尺寸却类似晶圆大小，是目前最大GPU面积的56倍；③该芯片拥有4万亿个晶体管数，定位为比英伟达显卡更为高效的替代品。 财联社3月14日讯（编辑 周子意）当芯片制造商都在试图将芯片往小了设计时，而这家公司却反其道而行之。 半导体初创公司Cerebras Systems公司周三（3月13日）推出了一款新的芯片WSE-3，而它的尺寸却类似晶圆大小，或者说比一本书还要大，单体面积达到约462.25平方厘米。它是目前最大GPU面积的56倍。 据悉，该款芯片将4万亿个晶体管组织在90万个核心中。 该芯片针对人工智能训练的工作负载进行了优化。Cerebras公司声称，配备了2048个WSE-3芯片的服务器集群可以在一天内训练出市场上最先进的开源语言模型之一Llama 2 70B。 替代英伟达 Cerebras是一家美国人工智能芯片的独角兽企业，它背后的投资团队也都实力够硬。最新一笔融资是在2021年由Alpha Wave Venture和阿布扎比增长基金领投，融资金额2.5亿美元，其他的投资人士包括：OpenAI创始人山姆·奥特曼、AMD前首席技术官Fred Weber等。 2021年，Cerebras公司首次亮相了WSE-2芯片，集成了1.2万亿个晶体管、40万个核心。在同行都在将晶圆分割成数百颗独立芯片之时，Cerebras公司则是选择将整个晶圆做成一颗芯片。 而最新发布的WSE-3则是从WSE-2改进而来的。它较WES-2又增加了1.4万亿个晶体管，并拥有90万个计算核心、44GB的板载SRAM内存。强化部分是通过从7纳米制造工艺更新到5纳米节点所实现的。 据该公司称，WSE-3在人工智能工作负载方面的性能是其前身的两倍，它的峰值速度可以达到每秒125千万亿次计算。 Cerebras还将WSE-3定位为比英伟达显卡更为高效的替代品。根据Cerebras官网的数据，该芯片4万亿个晶体管数完全碾压了英伟达H100 GPU的800亿个；核处理器数是单个英伟达H100 GPU的52倍；片上存储量是H100的880倍。 WSE-3芯片为Cerebras公司的CS-3超级计算机提供动力，CS-3可用于训练具有多达24万亿个参数的人工智能模型，对比由WSE-2和其他常规人工智能处理器驱动的超级计算机，这一数据是个重大飞跃。 加速数据传输 虽说将晶圆大小的芯片和单个英伟达H100 GPU相比较并不公平，不过若从数据传输速度的角度来看，不将晶圆切割成单独的芯片确实有它的优势。 根据Cerebras公司的说法，使用单一的大型处理器可以提高人工智能训练工作流程的效率。当WSE-3上的4万亿个晶体管在晶圆上互连时，将会大大加快生成式人工智能的处理时间。 人工智能模型就是相对简单的代码片段的集合，这些代码片段被称为人工神经元。这些神经元被重新组织成集合（称为层）。当人工智能模型接收到一个新任务时，它的每一层都会执行任务的一部分，然后将其结果与其他层生成的数据结合起来。 由于神经网络太大，无法在单个GPU上运行，因此，这些层需要分布在数百个以上的GPU上，通过频繁地交换数据来协调它们的工作。 基于神经网络架构的具体特性，只有获得前一层的全部或部分激活数据，才能在开始分析数据，并提供给下一层。也就意味着，如果这两层的数据运行在不同的GPU上，信息在它们之间传输可能需要很长时间。芯片之间的物理距离越大，数据从一个GPU转移到另一个GPU所需的时间就越长，这会减慢处理速度。 而Cerebras的WSE-3有望缩短这一处理时间。如果一个人工智能模型的所有层都在一个处理器上运行，那么数据只需要从芯片的一个角落传输到另一个角落，而不是在两个显卡之间传输。减少数据必须覆盖的距离可以减少传输时间，从而加快处理速度。 该公司指出，在如今的服务器集群中，数以万计的GPU被用来处理一个问题，而若是将芯片数量减少50倍以上，就可以降低互连成本以及功效，同时或许也可以解决消耗大量电力的问题。 Cerebras联合创始人兼CEO Andrew Feldman称，“当我们八年前开始这一旅程时，每个人都说晶圆级处理器是白日梦…WSE-3是世界上最快的人工智能芯片，专为最新的尖端人工智能工作而打造。” 对于新推出地WSE-3芯片，分析公司Intersect360 Research首席执行官Addison Snell认为，Cerebras的WSE-3人工智能芯片和CS-3系统可以使部分高性能计算用户受益。 他指出，“该芯片在相同的成本和功率下将性能提高了一倍。” 不过，Tirias Research创始人Jim McGregor则较为现实地指出，尽管这家初创公司增长迅速，并且有能力提高其平台的可扩展性，但与占主导地位的人工智能供应商英伟达相比，它仍然是一家规模较小的公司。 他还指出，Cerebras专注于人工智能的一个方面，那就是训练，不过训练只是大型语言模型市场的一个利基市场。而英伟达提供了许多其他方面产品。