純講心態，分析所有投資心態的特質及對應方式, 記得幫我們按讚分享加訂閱

笑傲股經~多的是你不知道的財經大小事

#露股GO #2498宏達電 #8222寶一 #3508位速 #6118建達 #1605華新 #6235華孚 #1560中砂 #3035智原 #6472保瑞 #6488環球晶 #2340光磊 #6509聚和 #2891中信金 #2002中鋼 #3504揚明光 #6150撼訊 #美債 #微型黃金 #小輕原油 #美國道瓊 #台灣加權指數 #台指期 #選擇權 #經濟減速 #通膨加速 #北京工業產值跌40% #罷工 #半導體真象 #驅動IC前景更慘 #航運危機 #三星手機不拉貨

#露股GO #8222寶一 #6461益得 #2345智邦 #6415矽力-KY #3466致振 #1611中電 #4503金雨 #6104創惟 #5009榮剛 #6279胡連 #3141晶宏 #6125廣運 #6285啟碁 #3036文曄 #9933中鼎 #8299群聯 #2603長榮 #5274信驊 #9945 潤泰新 #黃金 #原油 #台灣加權 #台指期 #選擇權 #經濟軟著陸 #7月升息 #通膨衝擊食物類最慘 #中美對抗 #ASML大鱷狙殺 #成衣急單 #科技Q3無旺 #生技股

#露股GO #1409新纖 #1723中碳 #3017奇鋐 #2615萬海 #2330台積電 #2305全友 #1402遠東新 #2731雄獅 #4551智伸科 #6133金橋 #1459聯發 #8478東哥遊艇 #2314台揚 #MSCI季度調整 #升息 #原油 #美國道瓊 #台灣加權 #台指期 #選擇權

自從OpenAI 推出ChatGPT 以來，Google的人工智慧策略一直比較複雜，對消費者甚至開發者來說都令人困惑。

我個人不再像過去那樣對谷歌的搜尋主導地位有信心了。消費者習慣的變化可能會威脅到谷歌在搜尋領域的主導地位，接下來的幾年至關重要。

Google和OpenAI試圖塑造不斷變化的消費者行為，網路是否願意改變他們的重複行為？隨著OpenAI 準備推出一款利用必應和GPT-5 直接與Google競爭的搜尋產品，一些重大事件即將發生...

到2024 年中期，GoogleGemini Pro 1.5 明顯變得更加穩定和有用。透過調整、品牌名稱變更和收益上的表現，我想幫助大家更了解Google的人工智慧生態系統、新聞和收益。

我還是很期待即將推出的GoogleGemini。 Gemini 是一款新的大型語言模型系列，旨在與OpenAI 的ChatGPT 相抗衡。 Gemini 是Google的下一代人工智慧架構，最終將成為PaLM 2 的補充，據傳將於2023 年秋季推出，作為新的GoogleDeepMind 團隊的聯合作品...

2024 年第一季的Google收益表現超出預期。根據LSEG 數據，截至3 月31 日的季度收入為805.4 億美元，而估計為785.9 億美元。

· 谷歌的營收比去年同期成長了15%，是自2022 年初以來成長最快的一次。

. 谷歌雲端業務的營業收入成長了4 倍，達到9 億美元。
· 公司也宣布了首次股息和700 億美元的回購。
· 淨收入從去年同期的150.5 億美元成長了57%，每股從1.17 美元成長到了1.89 美元。
· 谷歌報告的總廣告銷售額為616.6 億美元，比去年同期的545.5 億美元成長。
· 公司一直在大力投資於人工智慧，為搜尋和其他服務添加生成式人工智慧功能，以確保消費者即使在他們在線獲取資訊的方式發生變化時仍繼續使用Google工具。

谷歌的人工智慧產品策略

早些時候，在Google Cloud Next 大會上，該公司宣布並發布了新產品和功能，以擴展和區分其為開發者提供的人工智慧服務。在過去幾個月中，Google也正在為其消費者產品推出了人工智慧助理和伴侶。這是Google策略概述的更新，反映了最新和最引人注目的機器學習和人工智慧產品及其價值主張。

谷歌在其整個開發者和消費者產品組合中擁有全面的人工智慧策略。其能力的關鍵主題是「規模」、「模組化和開放性」以及「多模態」。

規模的價值主張指的是Google產品可以為全球任何應用程式處理大量資料和頻寬，以及可以透過Gemini 1.5 Pro 存取的100 萬標記上下文視窗。模組化和開放性主題指的是GCP 與其他雲端平台、開發者和MLOps 工具的兼容性。多模態指的是Gemini 1.5 Pro 可以處理文字、圖像、視訊和音頻，以及整合到產品中的AI 助理的功能，例如Workspace 和Chrome。

谷歌雲端平台被定位為“雲端的新方式”，其價值主張集中在Google龐大、分散式的伺服器網路上，可以以低延遲處理大量資料和頻寬。它受到各種硬體晶片的支持，包括Google自己的TPU，現在是第5 版。

Vertex AI 是由Google提供的完全託管的開發者環境，與GCP 以及其他平台相容。
它包括三個關鍵領域：
1、AI Studio，配備MLOps 和管線工具，用於開發AI 後端系統和應用程式
2、Agent Builder - 一個用於訓練和部署AI 模型的無程式碼和低程式碼環境
3、 Model Garden，包含第一方模型（見下文）和數十個第三方模型，包括來自Anthropic 的Claude 系列、來自Meta 的Llama 系列和來自Stability AI 的Stable Diffusion

在Google Cloud Next 大會上，該公司展示了可以使用其開發者工具建立的六種類型的代理。它們是：
1、客戶代理- 透過自然語言促進客戶在生命週期內的交互，從啟用購買到管理交付和處理客戶支援查詢
2、員工代理- 向員工管理工具（例如HR、IT、福利）添加人工智慧功能，以及能夠提高員工生產力的內部工具
3、創意代理- 可以產生Gemini 支援的所有模態（文字、圖像、視訊、音訊）的內容，用於行銷、銷售和商業文件的生成
4、資料代理- 用於促進來自內部和外部來源的數據和業務智能的聚合、分析和可視化
5、代碼代理- 為開發人員編寫和調試代碼提供​​幫助
6、安全代理- 用於識別和減輕威脅
谷歌發布了這些類型代理的101 個範例清單。
「使用Google搜尋進行基礎工作」是一項新功能，可透過GCP 開發代理，以幫助實現檢索增強生成系統，該系統現在可以利用谷歌的搜尋引擎，而不僅僅是公司自己的企業資料。
谷歌的旗艦AI 模型，Gemini 1.5 Pro 是一個多模態、100 萬標記上下文視窗模型，可以一次處理1 小時的影片、3 萬多行程式碼、11 小時的音訊或70 萬個單字。它可透過Model Garden 取得，並整合到各種開發者助手中，這些助手可透過GCP、Vertex AI 以及第三方IDE 提供。
它們包括：
• 程式碼輔助- 用於軟體交付
• 雲端助理- 用於在雲端管理應用程式生命週期
• 安全工具- 用於識別和處理威脅
• BigQuery - 加快資料分析速度
• Looker - 用於商業智慧
• Android Studio - 用於Android 應用程式開發

此外，Project IDX 是一個實驗性項目，目前處於預覽階段，旨在透過人工智慧功能將全端、多平台應用程式開發工作流程帶入雲端。

Gemini 也被部署為GoogleWorkspace、搜尋和Chrome 等產品的許多AI 功能的後端。
谷歌搜尋現在提供了一項實驗性的生成功能，可以在搜尋結果頁面的頂部以自然語言回答用戶的查詢。 Workspace 還提供了AI 功能，可協助使用者在各個應用程式中撰寫、編輯、摘要和建立文字、圖像或影片形式的內容，從Gmail 到Docs 和Slides。
在會議方面，AI 會議和訊息附加元件將為使用者提供存取Google Meet 功能的權限，例如工作室外觀、工作室照明、工作室聲音和筆記。未來，AI 會議和訊息還將在Google Chat 功能中提供存取Gemini 功能，例如按需會話摘要和訊息的自動翻譯。

Google Vids 是一款新的AI 動力影片創建應用程序，計劃於2024 年6 月發布。它可以為編輯生成一個故事板，從庫存影片、圖像和背景音樂中拼接草稿，並幫助創建配音。

Workspace 的另一個增加是一個AI 動力的安全附加元件，讓IT 團隊可以自動對公司範圍內的敏感檔案進行分類和保護。此功能使得可以對Drive 中的現有和新文件進行持續評估、分類和保護，用於組織中的所有員工。

Chrome 的AI 功能使用戶能夠管理和組織他們的標籤、建立新的瀏覽器主題，並為他們的網路瀏覽產生內容，例如用於電子郵件、表單和撰寫產品評論。

最新的公告和發布使得AI 在Google的開發者、企業和消費者應用程式組合中變得更加普遍和全面。對於當前用戶來說，這是一個決定如何使用和部署人工智慧來應對他們的生活和工作負載的機會，對於Google來說，這是一個學習哪些功能有效、哪些服務需要改進的機會。這也是一家公司獲得更多市場份額的機會，特別是在雲端運算和企業領域，Google正在與AWS 和微軟的Azure 競爭。 (人工世界Artificial World)

為了深入了解新興但未知的AI的未來，在近期紅杉資本的AI Ascent 2024 活動的上，紅杉的3 位合作夥伴Pat Grady、Sonya Huang 和Konstantine Buhler 在活動期間分享了關於AI的一些獨特的見解。

另外，@sequoia在以上三個人的發言的基礎之上，也補充了自己的想法和理解，歡迎更多的小夥伴和我們互動交流。

Pat Grady的演講重點闡述了人工智慧帶來的巨大機會及其在各個行業創造價值的潛力。

人工智慧以獨特而引人注目的方式解決現實世界問題所需的要素，如廉價而豐富的計算、快速可靠的網路以及隨時可用的數據，直到最近才匯集在一起，使人工智慧成為未來10- 20 年主導主題的最佳時機。

機會：人工智慧有可能用軟體取代服務，瞄準可能達到數十兆美元的市場機會。全球軟體TAM從2010年的3,500億美元成長到2022年的6,500億美元，雲端軟體部分從60億美元增加到4,000億美元，15年的複合年增長率高達40%。

前景廣闊：人工智慧機會前景廣闊，大部分尚未開發，未來十年有可能出現40-50 家價值數十億美元的新公司。這為企業家和企業創造了價值和顛覆產業提供了重要機會。

推動技術領域的重大轉變：人工智慧以類似人類的方式進行創造、推理和互動的能力正在推動技術領域的重大轉變，類似於過去二十年的雲端轉型。

02Sonya Huang：當今的人工智慧現狀

Sonya Huang 的演講深入探討了人工智慧的現狀，強調了它在各個行業的影響以及人工智慧充分發揮其潛力所需解決的挑戰。

AI產品越來越契合市場的需要：人工智慧已經在客戶支援、法律服務和軟體工程等行業展示了產品與市場的契合度。例如，由人工智慧驅動的客戶服務平台Klarnas 透過處理三分之二的客戶服務查詢，實現了相當於700個全職座席工作的自動化。

生成式人工智慧正在經歷快速成長：第一年的收入約為30 億美元，這項壯舉是SaaS 市場花了近十年才實現的。與先前的技術轉變相比，這凸顯了人工智慧的加速採用和價值創造潛力。

AI 的$200B 問題：雖然公司在AI 基礎設施上投入了大量資金，光是去年就有大約500 億美元用於NVIDIA GPU，但AI 應用程式產生的收入仍然相對適中。這就提出了一個問題，即對人工智慧的投資何時以及如何轉化為可觀的回報？

預測：Sonya Huang 預測，2024年將是真正的AI應用將我們從Copilots(副駕駛)轉變為可以作為人類Agents(代理)的一年。之前的人工智慧可能更像是一種輔助工具，而未來的人工智慧將變成你的同事。

她也預計，隨著人工智慧應用進入生產階段，人工智慧將更有能力完成更高層次的認知任務，如規劃和推理，並使運算的平衡從預訓練轉向推理。

融資環境不平衡：目前的人工智慧公司的融資環境並不均衡，更關注基礎模型而不是應用。對於希望利用人工智慧革命的新創公司來說，這既是挑戰也是機會。

關鍵挑戰：從長遠來看，提高用戶保留率和縮小期望與現實之間的差距是人工智慧應用成功需要解決的關鍵挑戰。目前，與行動應用程式相比，生成式AI 應用程式的日月活躍用戶比率和一個月留存率較低。

產品與市場的契合度需要進一步提升：隨著基礎模型變得更加智能，人工智慧的產品與市場的契合度有望加速，從而在各行業中出現更成功的人工智慧應用。

03Konstantine Buhler ：人工智慧的長期未來

Konstantine Buhler 的演講重點在於人工智慧的長期未來，將其定位為一場將改變產業和整個社會的生產力革命。

從根本上降低成本：人工智慧代表了一場類似於農業機械化的生產力革命，使人類能夠用更少的努力和資源取得更大的成就。隨著人工智慧的不斷進步，它有可能大大降低各行各業的成本，使產品和服務更容易獲得和負擔得起。

注入人工智慧的公司：隨著人工智慧的發展，整個公司可能會開始像神經網路一樣運作，從而產生了一人公司的概念。

將AI 整合到各種流程和KPI 中已經在進行中，並且預計這一趨勢將加速，人工智慧注入公司的出現，這些公司以前所未有的效率和適應性運作。未來，人類將與複雜的人工智慧代理網路一起工作，導致各行各業的重大變革，並降低教育、醫療保健和住房等關鍵領域的成本。

標準普爾500指數正在減少：標準普爾500指數（S&P 500），意思是成份股公司創造100萬美元收入所需的工人數量正在迅速減少，這凸顯了人工智慧推動整個經濟生產力成長的潛力。

隨著時間推移，電腦、軟體、玩具、影片等成本不斷降低，而教育、住房、醫療等成本成長遠高於通貨膨脹，人工智慧的發展有望降低這些關鍵領域的成本，這也是十分令人欣喜的方面。

泛化概念重要性提升：隨著人工智慧的不斷進步，計算中的泛化概念將變得越來越重要。例如，字母“A”將不再表示為像素矩陣，而是表示為可以由人工智慧系統產生和上下文的多維概念。

儘管我們已經認識到人工智慧（AI）所帶來的變革性影響，但考慮到AI正處於一個重要的發展階段，即所謂的“巨型週期”，在這一周期內，歷史上眾多產品和解決方案都將逐漸被AI驅動的創新替代方案所取代。因此，探討這項轉變對產業和社會的深遠影響，無疑是一個值得高度關注的重要議題。

如果我們將人工智慧以類人的方式進行創建、推理和互動的能力引入需要大量勞動力或只能由專業人員執行的任務中，會怎麼樣？這個問題對於發展基於人工智慧的業務至關重要。

人工智慧產業在一年內實現了與SaaS 產業十年時間相同的收入，這一事實很好地表明了這種變化的規模。雖然已經對雲端轉型進行了類比，但我個人認為，產業變革會更大，人工智慧相關產業的TAM將擴展到幾乎所有人類參與的產業。

我們正處於應用層大量創新的第一年。正如Sonya所預測的那樣，AI已經從副駕駛轉向了代理。雖然到目前為止，重點一直放在基礎訓練上，但現在它將轉移到更高層次的認知任務，如計劃和推理。

由於成本降低，擁抱人工智慧的公司將越來越多地成為行業標準，取代大型組織或外包公司。

除了降低成本外，以前人類無法完成的自動化任務（基於人工智慧的客戶支援、銷售、行銷）也將為收入成長做出重大貢獻。

就專業職業而言，雖然勞動力可能不容易被取代，但更專業的服務將加速出現，使公眾能夠獲得這些服務。同時，市場將經歷分叉成長，熟練AI的專業人員能夠產生高附加價值，管理人工智慧工人並產生更多高價值收入。

在以下三個因素的推動下，擁抱人工智慧的公司的競爭優勢將持續上升：

收入成長及利用人工智慧創新傳統產業

最後感謝Pat Grady、Sonya Huang 和Konstantine Buhler在紅杉資本的AI Ascent 2024 活動中的演講。 (AI Pioneer)

隨著積體電路產業發展進入“後摩爾時代”，積體電路晶片性能提升的難度和成本越來越高，人們迫切需要尋找新的技術方案。近日，中國科學院上海微系統與資訊技術研究所科研團隊在鉭酸鋰異質整合晶圓及高性能光子晶片領域取得突破性進展，成功開發出可批次製造的新型“光學硅”晶片。相關研究成果8日線上發表於《自然》雜誌。

圖片來源：中國科學院上海微系統與資訊技術研究所

當前，以硅光技術和薄膜鈮酸鋰光子技術為代表的整合光電技術是應對積體電路晶片性能提升瓶頸問題的顛覆性技術。其中，鈮酸鋰有“光學硅”之稱，近年間受到廣泛關注，哈佛大學等國外研究機構甚至提出了仿照“矽谷”模式來建設新一代“鈮酸鋰谷”的方案。

“與鈮酸鋰類似，鉭酸鋰也可以被稱為‘光學硅’， 我們與合作者研究證明，單晶鉭酸鋰薄膜同樣具有優異的電光轉換特性，甚至在某些方面比鈮酸鋰更具優勢。”論文共同通訊作者、中國科學院上海微系統所研究員歐欣說，更重要的是，硅基鉭酸鋰異質晶圓的製備工藝與絕緣體上硅晶圓製備工藝更加接近，因此鉭酸鋰薄膜可實現低成本和規模化製造，具有極高的應用價值。

此次，科研團隊採用基於“萬能離子刀”的異質整合技術，通過離子注入結合晶圓鍵合的方法，製備了高品質硅基鉭酸鋰單晶薄膜異質晶圓；同時，與合作團隊聯合開發了超低損耗鉭酸鋰光子器件微納加工方法，成功製備出鉭酸鋰光子晶片。

歐欣表示，鉭酸鋰光子晶片展現出極低光學損耗、高效電光轉換等特性，有望為突破通訊領域速度、功耗、頻率和頻寬四大瓶頸問題提供解決方案，並在低溫量子、光計算、光通訊等領域催生革命性技術。  (科技日報)

今年2月發佈的Sora，先是引得業界“哇聲一片”，馬斯克直接表態「人類願賭服輸」；周鴻禕說借助Sora人類實現AGI將縮減至一兩年。

大佬的彩虹屁不是白吹的。利用Diffusion+Transformer架構，Sora借助圖像處理、空間關係、物理規律、因果邏輯等規律與知識，在十幾秒、幾十秒的視訊中完成對現實世界的解構與再造。

但沒過多久人們就發現，再多的“哇聲一片”也改變不了Sora演算法閉源的事實，意味著它無法復現。留給外界的是一道單選題：要麼加入，要麼自研。

在Sora發佈後兩個月，大洋彼岸突然有一家初創公司，與清華大學聯手，推出了一款號稱“繼Sora後首個完成突破的視訊大模型”——Vidu。

這是中國首個長時長、高一致性、高動態性的視訊大模型。在官方介紹中，Vidu採用原創U-ViT架構，結合Difusion與Transformer技術，能夠一鍵生成長達16秒、1080P解析度的高畫質視訊。

在對標Sora的性能指標裡，Vidu也只有在時長和圖/視訊生視訊上不敵。按照業內的評價，Vidu性能直接對標國際頂尖水平，並在加速迭代提升中。

從Vidu放出的官方視訊來看，它幾乎展示了視訊大模型需具備的所有核心能力：多鏡頭生成、模擬真實世界、保持時空一致性、豐富的想像力，以及讓老外難以搞懂的中國元素。

作為“鏡頭語言”，多鏡頭生成是視訊大模型的一堂必修課。現有的AI生成視訊，大多都只包含了輕微幅度的推、拉、移等簡單鏡頭，鏡頭語言單調而且也沒什麼敘事感，這是硬傷。

究其原因，是因為現有視訊內容沿用的技術路徑大多通過圖片的插幀和拼接而成，無法完成長時序的連貫預測。

Vidu似乎沒有上述問題，不僅能夠圍繞統一主體在一段畫面裡實現遠、中、近景、特寫等多樣化鏡頭切換，還能直接生成轉場、追焦、長鏡頭等效果，包括能夠生成影視級的鏡頭畫面。

AI視訊生成的另一個難題是，較難突破畫面時空一致性與場景。什麼是畫面時空一致性，翻譯過來就是在沒有任何轉場的情況下不能突變。一個典型的例子就是某些大模型的視訊中，一隻貓走著走著就變成了6隻腳。

Vidu在一定程度上也克服了這個問題，起碼從它生成的一段“帶珍珠耳環的貓”的視訊中可以看到，隨著鏡頭的移動，作為畫面主體的貓在3D空間下能夠一直保持服飾、表情、模態的一致，視訊整體看上去非常的連貫、統一和流暢。

模擬真實物理世界運動同樣是視訊大模型的核心，Vidu在對外放出的展示視訊中，有一段明顯是瞄著Sora打：模擬“一輛老式SUV行駛在山坡上”，Vidu的表現堪稱完美，灰塵、光影、背景等細節與真實世界中人類的感知幾乎無差。

在對不存在的超現實主義畫面解構上，Vidu也能做到“合理的奇幻”。例如，“帆船”、“海浪”能夠合理地出現在畫室裡，而且海浪與帆船的整體互動背景非常恰當自然。

當然，作為本土團隊開發的視訊大模型，Vidu對中國元素的理解遠超那些舶來品，比如貓熊、龍、宮殿場景等。

德邦證券在一份研報中給予了Vidu高度評價：

雖然在視訊時長、視訊效果、支援模態多樣性等方面相比Sora仍有提升空間，但是在以鏡頭語言為代表的動態性，以及對物理世界規律的理解與模擬能力等方面已做到了Sora相近水平。

最後還不忘給Vidu貼上一個鯰魚標籤，意思是它或將激勵國產多模態大模型突破創新。那麼問題來了，憑什麼是Vidu？

Vidu背後的生數科技，並不是一家名不見經傳的初創企業。

OpenAI曾披露過一份技術報告，顯示Sora的核心技術架構源自一篇名為《Scalable Diffusion Models with Transformers》的論文，論文提出了一個將 Diffusion（擴散模型）和 Transformer融合的架構——DiT，也就是後面被Sora採用的那個。

而在DiT提出前兩個月，清華團隊就提出了用Transformer替代基於CNN的U-Net的網路架構U-ViT，也就是Vidu採用的那個。甚至，據極客公園報導，因為U-ViT更早發佈，電腦視覺頂會CVPR 2023收錄了清華大學的U-ViT論文，卻以「缺乏創新」為由拒稿了Sora底層使用的DiT論文。

生數科技的核心團隊就源於清華大學該論文團隊，CTO鮑凡正是該篇論文的一作。嚴格意義說，Vidu並不是“國產Sora”，而是一棵樹上的兩朵花。

之所Vidu能在兩個月內快速突破16s流暢視訊生成，核心就在於團隊對U-ViT架構的深入理解以及長期積累的工程與資料經驗。而且據透露，3月份內部就實現了8秒的視訊生成，緊接著4月份就突破了16s生成。

簡單來說，在架構上U-ViT也是Diffusion和Transformer融合的架構，路徑以及部分結論都是相似的。

U-ViT與DiT二者均提出了將Transformer與擴散模型融合的思路，即以Transformer的網路架構替代基於CNN的U-Net架構，並且具體的實驗路徑也是一致的。比如，二者採用了相同的patch embedding、patch size；二者得出了同樣的結論：patch size為2*2是最理想的。

不同於採用插幀等處理長視訊的方法，U-ViT架構在感官上注重“一鏡到底”，視頻質量更為連貫與自然。從底層來看，這是一種“一步到位”的實現方法，基於單一模型完全端到端生成，不涉及中間的插幀和其他多步驟的處理，文字到視訊的轉換是直接且連續的。

有了理論支撐，就要考研團隊的工程化能力了。所謂工程化，抽象點說就是增強產品的架構設計，提升產品模組的復用性和擴展性。

2023年3月，基於U-ViT架構，生數科技團隊開源了全球首個基於U-ViT融合架構的多模態擴散模型UniDiffuser，率先完成了U-ViT架構的大規模可擴展性驗證，比同樣DiT架構的Stable Diffusion 3領先了一年。

UniDiffuser是在大規模圖文資料集LAION-5B上訓練出的近10億參數量模型，支援圖文模態間的任意生成和轉換，具有較強的擴展性。簡單來講，除了單向的文生圖，還能實現圖生文、圖文聯合生成、無條件圖文生成、圖文改寫等多種功能。

視訊本質是圖片的集合，實現圖像在時間維度的擴增，這使得圖文任務取得的成果往往可以在視訊領域復用。

例如，Sora採用了DALL・E 3的重標註技術，通過為視覺訓練資料生成詳細的描述，使模型能夠更加精準地遵循使用者的文字指令生成視訊。Vidu同樣復用了生數科技在圖文領域的眾多經驗，靠的就是紮實的工程化能力。

根據甲子光年，生數科技團隊通過視訊資料壓縮技術降低輸入資料的序列維度，同時採用自研的分佈式訓練框架，在保證計算精度的同時，通訊效率提升1倍，視訊記憶體開銷降低80%，訓練速度累計提升40倍。

目前，Vidu仍在加速迭代，未來將從圖任務的統一到融合視訊能力持續升級，靈活的模型架構也將能夠相容更廣泛的多模態能力。

以Open AI與Google為代表的科技巨頭，正在海外掀起一場多模態“軍備競賽”，而最大的目標之一正是視訊領域的加速迭代。

先是OpenAI CEO年初密集“劇透”GPT-5，相比GPT-4實現全面升級，其中將支援文字、圖像、程式碼和視訊功能，或將實現真正的多模態。緊接著就是2月發佈的Sora，能夠根據文字指令或靜態圖像生成1分鐘的視訊。

Google也不遑多讓，推出的原生多模態大模型Gemini可泛化並無縫地理解、操作和組合不同類別的資訊。而2月推出的Gemini 1.5 Pro，則使用MoE架構首破100萬極限上下文紀錄，可單次處理包括1小時的視訊、11小時的音訊、超過3萬行程式碼或超過70萬個單詞的程式碼庫。

國內也不甘人後，除生數科技發佈Vidu外，潞晨科技對其開源文生視訊模型Open-Sora 進行了大更新，現在可生成16秒，解析度720P的視訊。同時具備可以處理任何寬高比的文字到圖像、文字到視訊、圖像到視訊、視訊到視訊和無限長視訊的多模態功能，性能加速向Sora靠齊。

而國內外瘋狂押注的底層邏輯是，多模態提升了大模型的泛化能力，在多元資訊環境下實現了“多專多能”。多模態尤其是視訊大模型的成熟成為奠定AIGC應用普及的基礎，在垂直領域具有廣闊的應用場景和市場價值。

比如上個月Adobe就宣佈，將Sora、Pika、Runway等整合在視訊剪輯軟體Premiere Pro中。在發佈短片中，Premiere Pro展現出了在視訊中新增物體、消除物體以及生成視訊片段等能力。

通過AI驅動的音訊功能已普遍可用，可使音訊的編輯更快、更輕鬆、更直觀。而AI驅動的視訊功能，將是多模態大模型在AIGC應用融合中的重要嘗試，更深層的意義是，它或將催生未來更多現象級應用的開發。

免責聲明:本文基於已公開的資料資訊或受訪人提供的資訊撰寫，但解碼Decode及文章作者不保證該等資訊資料的完整性、精準性。在任何情況下，本文中的資訊或所表述的意見均不構成對任何人的投資建議。 (解碼Decode)

▎癌症和免疫病特效藥研發有望加速。

北京時間5月8日23點，GoogleDeepMind和其英國子公司Isomorphic Labs聯合團隊在《自然》雜誌上發表一份共46頁的重要成果，聯合發佈全新AI蛋白質結構預測模型AlphaFold 3，可精準預測生物分子相互作用的結構。

具體來說，新的AlphaFold 3擁有更強的生成式AI模型能力，效果全面提升。對於蛋白質與其他分子的相互作用，與現有預測方法相比，AlphaFold 3改進了至少50%；對於一些重要的相互作用領域，AlphaFold 3預測精（精準）度提高一倍（100%），可精準預測蛋白質、DNA、RNA、配體等的結構以及它們如何相互作用，有望幫助人們治療癌症、免疫性疾病等。

稍早前舉行的溝通會上，本論文共同監督作者、GoogleDeepMind聯合創始人、CEO戴密斯•哈薩比斯（Demis Hassabis）對鈦媒體App等表示，對於團隊來說，AlphaFold 3的發佈是一個重要的“里程碑”，同時也是用 AI 技術“理解和建模生物學”道路上邁出的重要一步。

“相比此前研究，AlphaFold 3不僅能夠模擬蛋白質與其他分子的相互作用，而且還能精準預測包括DNA、RNA、配體等生物分子結構以及它們如何相互作用，從而能改變我們對生物世界和藥物發現的理解，這非常重要。這是我們和Isomorphic共同正在推進的事情。我們非常自豪地在《自然》雜誌新論文中宣佈這些新突破發現、新結果和新方法。”Demis Hassabis表示。

六年超180萬人的蛋白質資料庫AlphaFold 3模型預測精準再提升一倍

AlphaFold是由GoogleDeepMind開發的一款蛋白質結構預測程序，它採用 AI 和深度學習技術僅根據其基因序列就能預測蛋白質的3D結構，僅需數日內可識別蛋白質的形狀，從而找到藥物靶點，並有望推進產生新的小分子藥物。

而在此之前，研發一款藥物，通常需要數年時間、數億美元的投入。

AlphaFold 1於2018年發佈，其在CASP（蛋白質結構預測的關鍵評估）競賽中成功預測了43種蛋白質中25種蛋白質的最精確結構，排名第一，並認為成功預測了最困難目標的蛋白質結構，引發全球的關注。

2020年，全新AlphaFold 2發佈，並同步推出AlphaFold資料庫，涵蓋了人類和20種常用模式生物的35萬個蛋白質結構，並且對98.5%的人類蛋白質結構進行了準確預測。同時，超過2.14億個預測中約有35%被認為是高度精準的，這意味著它們與實驗確定的結構一樣好，另外45%被認為對於許多應用來說足夠準確。

2022年7月，AlphaFold 2全面升級，DeepMind公司與歐洲生物資訊研究所（EMBL-EBI）的合作團隊宣佈，基於UniProt資料庫序列，AlphaFold預測出約100萬個物種的2億多個蛋白質結構，幾乎涵蓋了所有科學已知的蛋白質。相關研究成果發表在《自然》雜誌上。

據Demis Hassabis披露的一份官方資料顯示，截止目前，AlphaFold資料庫使用者已達180萬人次，覆蓋超190個國家，已查看的結構超600萬次，論文和資料引用次數超過20000次。

GoogleDeepMind反覆強調，通過減少緩慢而昂貴的實驗的需求，AlphaFold可能為研究界帶來了數億年的進步，並節省了數萬億美元。數百萬研究人員全球範圍內已經使用 AlphaFold 2 在瘧疾疫苗、癌症治療和酶設計等領域取得了發現。

參與溝通會議論文作者包括Max Jaderberg、John Jumper、Julien Bergeron、Dhavanthi Hariharan和Josh Abramson，語音演講是哈薩比斯（圖片來源：鈦媒體App編輯拍攝）

6年後的今天，AlphaFold 3終於來了。

此次公佈的AlphaFold 3，官方定義為一種由神經網路架構組成、擁有能夠高精度預測包含蛋白質資料庫（PDB) 中幾乎所有分子類型複合物的“生成式 AI 模型”。

鈦媒體AGI基於DeepMind聯合發佈這份關於AlphaFold 3的46頁論文以及數十頁的外部資訊，梳理了AlphaFold 3模型訓練資料、實施過程、評測結果以及商業化與生態四個層面，談及新模型的重要亮點：

1、模型訓練資料上，AlphaFold 3模型根據蛋白質資料庫中包含的世界分子結構資料進行訓練，能夠處理其中包含的 99% 以上的已知生物分子複合物。

2、實施過程層面，AlphaFold 3基於具備三角注意力的自訂Transformer建構，允許科學家輸入生物分子複合物的描述，能預測該生物分子複合物的3D結構，並使用擴散過程生成每個原子的單獨3D坐標，輸入到指定系統。輸入後，AlphaFold 3使用擴散網路處理其預測，類似於 AI 圖像生成器中的網路。擴散過程從原子云開始，經過許多步驟匯聚成最終的、最準確的分子結構。

而這一模型的核心是DeepMind改進的Evoformer模組。AlphaFold 3 對分子相互作用的預測超過了所有現有系統的精準性。

據論文顯示，據研究發現和使用過程看，AlphaFold 3的結構預測模式有助於建立與目標蛋白有效結合的設計；同時，AlphaFold 3 提高了蛋白質-蛋白質介面的結構精準性，為設計新的治療方式（例如抗體或其他治療性蛋白質）提供了可能性；另外，通過觀察靶標在其完整生物學背景下的結構以及與其他蛋白質結合伴侶、DNA、RNA 或配體輔因子的複合體，可以更深入地瞭解新靶標，團隊相信這種新的藥物靶點尋找方式，能夠轉化為臨床上更有效的藥物。

DeepMind舉了AlphaFold 3三個應用案例。

比如，整合膜蛋白層面，AlphaFold 3正確預測了 PORCN 與 LGK974 和 WNT3A 肽的複合物，為該臨床階段分子 (PDB ID 7URD) 的抑制功能提供了結構原理；變構位點領域，PI5P4Kγ 是一種脂質激酶，與癌症和免疫性疾病有關，而AlphaFold 3正確預測新型抑製劑 (PDB ID 7QIE) 的新型變構結合模式；具有獨特摺疊的蛋白質領域，AlphaFold 3能正確預測與底物結合的蛋白質複合物的新摺疊模式。

據PoseBusters 基準集顯示，對於蛋白質與小分子的相互作用，即使不使用任何結構輸入，AlphaFold 3在76%的情況下成功了，而下一個最好的工具只有52%，大大優於Vina38、39等經典對接工具，並且大大優於 RoseTTAFold All-Atom 等所有其他真正的盲對接工具；同時，對於蛋白質與DNA結合的精準性，AlphaFold 3有65%的成功率，而目前的技術水平只有28%。甚至AlphaFold 3還改進了蛋白質相互作用能力，當蛋白質與抗體複雜結合時，AlphaFold 3的精準成功率達62%，而其他系統只有30%，比AlphaFold 2有約兩倍的性能提升。

此外，對於蛋白質與其他分子的重要相互作用領域，AlphaFold 3預測準確度提高一倍（100%）。

AlphaFold 3可以模擬這些分子（蛋白質）物質，這些分子控制著細胞的健康功能，如果受到破壞，就會導致疾病，因此，AlphaFold 3可以應用於從生物學、可再生材料、糧食作物、理解癌症、開發治療、金融等多個場景領域。

Demis Hassabis坦言，DeepMind更多是做基礎研究，以便將AlphaFold提供給所有學術機構、非商業用途等；而藥物發現子公司Isomorphic Labs更多是做商業化，與化學方面的藥物發現有關，以及與大型藥企合作開發世紀的藥物發現項目。

“未來，我們將通過Isomorphic Labs和內部研究計畫，並與我們在Isomorphic Labs上的製藥合作夥伴合作，進一步提高這些能力。”Demis Hassabis表示。

建構免費學術生態的同時AlphaFold將解決AI藥物發現的侷限性

作為此次發佈的一部分，DeepMind還推出AlphaFold 3免費 AI 工具AFServer，可供學術界免費使用，以建構AlphaFold生態。

DeepMind高級研究科學家John Jumper表示，理解生物結構以及它們如何相互作用是一個非常困難的問題。此前實驗室需要花費數十萬美元、更多科學家也很難通過實驗模擬解決，但 AI 能夠解決此類問題，這是令人難以置信的進步，從而將“開啟”許多新的科學發現。

Demis Hassabis強調，AlphaFold 3模型和資料庫技術已經開始有一些應用場景，對於藥物和化合物發現有巨大的推動作用。相對於傳統過程，AlphaFold至少快2、3倍，且系統足夠準確。

然而目前，AlphaFold 3模型在立體化學、幻覺、動力學和某些目標的精準性等方面仍存在一定侷限性。

美國科學院外籍院士、美國藝術與科學院外籍院士、中國科學院院士，中國醫學科學院學部委員、深圳醫學科學院創始院長、深圳灣實驗室主任、清華大學講席教授顏寧曾表示，AlphaFold無法預測新的分子機構，預測出的結構其實只是達到其2017年的水平，缺乏專業訓練新的資料庫（database），無法像人一樣實現不同構想和新工作機理，從而不能獲得新的藥物靶點。

顏寧強調，儘管看好 AI 技術的未來，但 AI 本身還是非常有侷限性的，需要有更大的資料庫、更強的算力、更新的演算法，才能夠讓 AI 變成結構生物學的重要工具。

“對於小分子藥物的相互作用，目前AlphaFold2的預測研究無能為力，短期內不看好AI取代實驗，結構生物學的未來也不會是AI。”顏寧稱。

DeepMind團隊則在論文中指出，分子生物學的核心挑戰是理解並最終調節生物系統複雜的原子相互作用。而AlphaFold 3模型朝這個方向邁出了一大步，證明可以在統一的框架中精準預測各種生物分子系統的結構。

“儘管在所有互動類型中實現高度精準的預測仍然存在重大挑戰，但團隊證明，可以建構一個深度學習系統，對所有這些互動顯示出強大的覆蓋範圍和泛化能力；同時還證明，缺乏跨實體進化資訊並不是預測這些相互作用取得進展的重大障礙；此外，AlphaFold衍生方法能夠對分子相互作用類別的化學和物理進行建模，而無需對 MSA 的依賴，而且蛋白質-配體結構預測的巨大改進表明，可以在通用深度學習框架內處理化學空間的廣泛多樣性，而無需人工分離蛋白質結構預測和配體對接。”DeepMind團隊稱，開發正確的深度學習框架可以大幅減少獲取生物學資料所需的資料量。

展望未來，DeepMind研究人員在交流中表示，團隊將繼續埋頭研究，從第一性原理出發，用 AI 解決化學、生物學中前沿技術問題，從而有助於改變人類設計下一代生物療法方式，讓科學家更多瞭解細胞系統的複雜性、結構、相互作用等，推動藥物作用和研發等。

“雖然這是 AI 驅動生物學研究的重要時刻，但 AI 加速生物學的潛力是無限的。AlphaFold AI 模型的進一步發展，將加深人類對生物學和生命建構模組的理解，以實現我們最終目標——利用 AI 重構整個藥物發現過程。”論文研究團隊表示。 (鈦媒體)

《價值型投資 最新產業研究報告》AI伺服器商機 勤誠(8210-TW)

AI伺服器是讓人工智慧工作負載設計的伺服器，需要配備高性能CPU、GPU、大容量記憶體跟快速儲存系統，才有辦法支援複雜AI模型訓練，包括自然語言處理、圖像識別、機器人技術、自動駕駛等等…，AI的演進會不斷擴張，在其它硬體不停升級的過程，伺服器本身也需要有高效能跟可擴展性，才有辦法持續滿足AI使用多年不淘汰。

而AI伺服器機殼，有別於一般伺服器機殼，需要特殊散熱設計，擁有大型風扇跟散熱片，確保內部組件能夠在高負載下也能正常運行，上一段提到的可擴展性，就是伺服器機殼必備的，才能儘可能不長時間影響到正常運作之下快速維修，以及快速增加硬體，即時滿足AI需求。

講到AI就不能不提到輝達(NVIDIA)，勤誠(8210-TW)做為機架式、塔式伺服器機殼設計製造大廠，被輝達(NVIDIA)欽點是2U MGX伺服器合作夥伴，同時也切入最新的GB200伺服器供應鏈，在營收上的效應已經在股價上反應一波。其實機殼產業的門檻已經比過去高很多，為了要能夠符合AI需求，在結構上的變化不止為了滿足擴充，同時耐用度也有一定要求，關鍵在勤誠(8210-TW)客製化能力很強，能夠提供給客戶不同設計模式，來貼合需求，等到2025年的GB200伺服器漸漸放量後，對公司帶來的效益將更大，長線看好當然要第一時間跟我逢低進場。想第一時間知道哪些股票可以逢低進場，請先加入慶龍老師官方LINE，輸入@ai8085或點擊文章下方連結，盤中&盤後會有二通免費CALL訊，帶你掌握現在看見未來。

每天二則免費CALL訊
加入價值型投資LINE官方帳號: https://lin.ee/3rueKmz

在世界上中國的朋友不少，但“鐵桿朋友”不多，塞爾維亞就是其中之一

那麼塞爾維亞和中國的關係到底是如何一步步成為鐵桿的呢？雙方有什麼牢不可破的政治關係呢？這可能要分為幾個階段

二戰時鐵托率領南斯拉夫解放軍取得勝利，開始重建南斯拉夫，南斯拉夫地處歐洲與亞洲的十字路口，受多種文化影響，北面東正教和南面穆斯林在一個國家中生活，文化衝突與隔閡不小

但強人鐵托有能力擺平內部矛盾，組建了一個由六個國家和兩個自治省構成的“南斯拉夫社會主義聯邦共和國”

鐵托任內各民族間相處融洽，經濟快速發展，他在二戰廢墟中重建南斯拉夫

1945-1965年，南斯拉夫年工業增長率達到9.1%，GDP平均以每年6.5%的速度增長，農業人口從77%下降到31%

1970年代，南斯拉夫的人均收入超過1500美元，這在當時並不低，屬於中等發達國家水平

1978年，南斯拉夫36%的家庭有了小汽車，48%家庭有電冰箱，56%家庭有電視

經濟成功發展，軍事上鐵托也毫不鬆懈，當時的南斯拉夫是世界第五軍事強國，綽號“巴爾幹之火”

但鐵托時代，中國和南斯拉夫的關係整體上並不好，因為南斯拉夫和蘇聯關係糟糕

鐵托認為，二戰時是他自己帶隊打游擊的，犧牲了30萬士兵性命，在希特勒鐵蹄下建立了南斯拉夫

他說：“我們和其他東歐國家不同，並不依靠蘇聯紅軍的力量，所以蘇聯沒權利來管我。”

斯大林則認為：南斯拉夫光復的戰功完全屬於蘇軍，是蘇聯的支援才讓南斯拉夫新生，所以南斯拉夫要乖乖聽話

這是最初的矛盾，戰後鐵托要重建，需要蘇聯原料和物資，本以為同為社會主義國家，蘇聯會欣然幫忙，可蘇聯只是把南斯拉夫視為壓榨對象，就像對待殖民地一樣

蘇聯代表訪問南斯拉夫，公開對鐵托說：“你們搞這些（工業）幹什麼，蘇聯有你們想要的一切，想要什麼我們賣給你就行了，別自己搞”

其中最令鐵托憤怒的是，蘇聯要來南斯拉夫開採石油，這也是建立工業的機會，可兩國談判中充滿著對南斯拉夫不利的條款

比如開採和建廠必須用蘇聯原料，且五年內免出口稅，五年後也只收所得稅，其他所有關稅都要免除，另外蘇聯企業在南享受“治外法權”，南斯拉夫只能使用開採剩下的油產物等

同樣的情況也發生在其他與蘇聯合作的企業與技術項目上，蘇聯都是一種老大哥高高在上的傲慢姿態

鐵托憤怒於蘇聯，蘇聯也不滿鐵托

蘇聯早早的在南斯拉夫安插下間諜網，南國的經濟計畫局局長，財政部長等高官都是蘇聯間諜，他們不光將南內部情報洩露給蘇聯，還一直在密謀換一個更聽話的人上來

“蘇南交惡”，可以說並不意外，而在“中蘇交惡”前，蘇聯一直是中國的“老大哥”，所以蘇聯和南斯拉夫交惡，中國和南斯拉夫的關係也好不了

1957年，南斯拉夫公開自絕於“社會主義陣營”，鐵托公然缺席在莫斯科舉行的十月革命40週年慶祝大會，跟著鐵托又高調拒絕在多國宣言上籤字

1958年，南斯拉夫召開七大會議，明確不承認國際共產運動蘇聯是老大，此外鐵托還開始公開稱讚躲避東南一島上的老蔣，屬於嚴重踩踏中方紅線行為

但鐵托對內，民族勢力能擺平，經濟發展能穩定，對外又有著世界第五的軍事實力，所以只要南斯拉夫不倒向美國，他保持中立蘇聯都能忍受

而在這一時期，南斯拉夫與中國的關係是相當糟糕，一直到1977年“中南關係”才終於拉出冰庫，“解凍”了

現在我們查閱官方網，依舊能查到中國和南斯拉夫的點點滴滴

1977年鐵托訪華，受到沿街8萬群眾的熱烈歡迎，晚上中方為鐵托準備了盛大晚宴，鄧在晚宴上舉杯，用一句話定調：

“過去的事情就讓它過去好了，就像風，一風給吹了吧”

當時已經85歲的鐵托也很贊成這說法，畢竟“中南之間”並沒什麼深仇大恨，以前中南關係不好，很大原因是南斯拉夫與蘇聯交惡

而1977年“中蘇關係”早不好了，和南斯拉夫恢復關係也是情理之中

晚上鐵托回到駐地，深夜了還夾著兩瓶酒下來對中方人員說，今天我很高興，我們和中國恢復了關係，兄弟們我們再一起喝幾杯慶祝慶祝，我來請客

自此中南關係，算是回到了正軌

但是好景不長，1980年鐵托去世，這位強人的死亡立刻引起內部的不穩定

接班人“米洛舍維奇”公開提出，要恢復1974年之前的塞爾維亞主權，這意味著“塞爾維亞”將在“南斯拉夫聯邦”裡高人一等

內部的斯洛維尼亞和克羅埃西亞紛紛反對，同時米洛舍維奇開始削弱科索沃、梅托希亞等內部省份的自治權，這引發了他們將成為“二等公民”的擔憂

於是抗議和罷工頻發，過去靠著強人鐵托，能壓制住內部“不同文不同種”的差異，如今內部問題快速惡化，各地對於國家的認同感喪失，內部多地開始尋求獨立

此時美國等西方勢力也從背後介入，鼓動獨立以肢解南斯拉夫

根據美國解密的檔案（NSDD133一節），里根政府於1984年就明確了美國對南的政策，“以努力推動演變，推翻南斯拉夫政權”為主要目標

二，中塞關係，同病相憐的“精神盟友”

上世紀80年代末，蘇聯即將垮台，東歐劇變引發一波獨立潮，南斯拉夫內部也紛紛要求獨立，克羅埃西亞開始了大選，斯洛維尼亞推翻了執政黨，強烈的新勢力抬頭

1990年情況愈演愈烈，名義上南斯拉夫還是個聯邦國家，但內部已經開始瓦解，斯洛維尼亞和克羅埃西亞給南斯拉夫下了“最後通牒”

克羅埃西亞說，要麼讓南斯拉夫變成像歐共體一樣（也就是後來的歐盟一樣），要麼我們就獨立

塞爾維亞方面，當即拒絕提議，戰爭玄機爆發

1991年6月，斯洛維尼亞和克羅埃西亞先後發表“獨立宣言”

戰爭正式打響是6月27日，但只打了十天，7月7號南斯拉夫撤軍，也被稱之為“十日戰爭”，斯洛維尼亞宣佈勝利

在當時的歷史環境下，一來東歐劇變各國獨立浪潮勢不可擋，二來蘇聯解體，美國一超獨霸，西方勢力介入，南斯拉夫光靠塞爾維亞根本不可能維持的住

斯洛維尼亞獨立後，克羅埃西亞，波斯尼亞，馬其頓也都爆發了獨立戰爭，並且我們看地圖

斯洛維尼亞和“塞爾維亞主體”離得是最遠的，所以戰爭打的是最短的，而克羅埃西亞，波斯尼亞，蒙特內哥羅等國的獨立，都是打了多年的內戰

而這裡面讓塞爾維亞最不能忍的，是“科索沃獨立”，科索沃本來就不是個國家，他是塞爾維亞內的一個自治省

像克羅埃西亞，斯洛維尼亞這些加盟國想要獨立也就算了，但一個內部自治省也想獨立，塞爾維亞絕不會鬆手

科索沃內部，80%是信奉伊斯蘭教的“阿爾巴尼亞族人”，他們組建起游擊隊和塞爾維亞開戰

戰爭96年開打，一直打到99年，和之前獨立戰爭不同的是，這次西方直接下場了

西方國家調查稱，塞爾維亞在科索沃發動大規模屠殺，對科索沃整村整村的無差別滅絕，包括對老人、婦女和兒童的屠殺