“護盤”是百融云的可選項，但大模型是AI的必答題
配圖來自Canva可畫
同樣的內外部氛圍、同樣的經濟動能尚處蓄力期、相似的國資背景股東開始建倉二級市場，熬過了冬季，1999年的夏天見到過5.19行情；不知道2024年會不會也有相似的結果。
作為以融資為第一功能的市場，AH股最大的使命就是由國資帶頭，支持實體經濟發展。
如果一個公司把上半年掙的2個億利潤幾乎全拿來回購，會是什么目的？“沒人買自己，那就自己回購自己”。此時的你，跟上市公司的利益站在了一起；
如果一個行業內的龍頭股紛紛迎來了社保、險資、養老金持股不到5%但躋身前十大，背后有什么意義？此時的你，已經跟國資們站在了一起。
只要是進入二級市場的資金，都不會跟潛在“風報比”過不去。沒錯，是有一部分國資像財經媒體說的那樣很青睞高股息板塊，但2023年的中報，以社保為代表的資金就已經從一部分漲幅4倍以上的AIGC品種里套現離場、又在三季報重新回流AI低位的分支，包括但不限于服務器、工業軟件、交換機、游戲。
“國資在這個位置，只護盤不做多，目的就是為了讓社保、險資買夠籌碼”。不管這個觀點是否偏激，也不管國資增減持以及選擇的標的是否有依據和信息不對稱，對于在A股和H股混跡多年的韭菜們來說，唯一的盈利模式就是跟有定價權的資金站在一起、低買之后高賣。
“我們只想和國資站在一起，最好不要有別人”。A股的AI公司能做到機構持股中只有國資的，已經不多了，這也是為什么A股的AI板塊只有年底公募自救行情和密集上影線。那有沒有可能，存在一些被少數短線機構減持、國資背景股東仍然重倉的AI公司？
雖然不多，但不是沒有，港股的@百融云-W（6608.HK）就是一個代表，F10當中的機構持股名單可以自行查看，百度百科上也有這些持倉機構的控股股東背景。
這家公司的商業模式很簡單，一共兩個交付方式，MaaS（模型即服務）和BaaS（業務即服務），前者讓B端客戶調用AI模型，后者用AI技術幫企業完成KPI。但對于企業客戶來說，有一個在業內很棘手、但在二級市場沒人提的問題：就是在部署大模型算力時，很多企業拿到服務器后還有很多工作要做，可能需要長達30天甚至更久才能把環境、框架、模型搭建起來，后邊還需要Finetune完成私有化。
那這會導致什么后果？就是AI模型開發的技術門檻和團隊成本高，而且當企業客戶好不容易部署好了AI模型之后，同行競品就已經完成產品迭代了。
所以這時候需要一個技術，也是百融云在AI大模型研發當中的重點之一：MoE（混合專家模型）。這是什么意思？簡單說，其實就是努力實現：在有限的計算資源預算下，用更少的訓練步數訓練一個更大的模型，因為這往往比用更多的步數訓練一個較小的模型效果更好。
而MoE的一個顯著優勢是能在遠少于稠密模型所需的計算資源下進行有效的預訓練。這代表著在相同的計算預算條件下，可以顯著擴大模型或數據集的規模。特別是在預訓練階段，與稠密模型相比，MoE通常能夠更快地達到相同的質量水平。
如果查原版科學文獻的話，會看到很多諸如“稀疏性”、“專家容量”、“令牌負載均衡”這種看似專業卻很抽象，實際上唯獨不告訴你這東西能給客戶帶來什么效果的詞匯。用普通話翻譯，客戶通過MoE實現用更少訓練步數訓練更大的私有化AI模型，這樣算力成本和本地化就都解決了，就這么回事。
MoE只能以Transformer為基礎，與AI大模型天然適配。MoE具體又是由兩個部分組成的：
（1）稀疏MoE層：這些層代替了傳統Transformer模型中的前饋網絡（FFN）層。MoE層包含若干“專家”，每個專家本身是一個獨立的神經網絡。在實際應用中，這些專家通常是前饋網絡（FFN），但它們也可以是更復雜的網絡結構，甚至可以是MoE層本身，從而形成層級式的MoE結構。
也就是說，百融云客戶在調用MaaS服務的時候，比如調用了10個模型（即服務），這10個都是獨立運行的神經網絡，客戶就可以在調用更多AI模型和服務的同時，體驗更精確的獨立運行模式。
（2）門控網絡或路由：這個部分用于決定哪些token被發送到哪個“專家”，比如B端客戶輸入的token為“More”或者“Parameters”，這兩個token就會被發往不同的專家。有時，一個token甚至可以被發送到多個專家。Token的路由方式是MoE使用中的一個關鍵點，因為路由器由學習的參數組成，并且與網絡的其他部分一同進行預訓練。
在BaaS的商業模式中，百融云的客戶就可以通過這個原理，按照自身KPI涉及到的不同關鍵詞，也就是token或者自然語言，找到百融云BaaS中涉及到最精準的模型分層和“專家”。
百融云這些機構客戶中，有一些是國資背景的，也就給百融云的商業模式和AI大模型能力做了背書。
同理思考，如果一些股東也有國資背景，是不是也可以給百融云的股價做背書？有沒有觀察到每次調整到12.5元附近，都有一股力量在把它的股價拉起來？而且，是在港股大盤這么拉跨的情況下。
轉載請在文章開頭和結尾顯眼處標注：作者、出處和鏈接。不按規范轉載侵權必究。
未經授權嚴禁轉載，授權事宜請聯系作者本人，侵權必究。
本文禁止轉載，侵權必究。
授權事宜請至數英微信公眾號(ID: digitaling) 后臺授權，侵權必究。
評論
評論
推薦評論
暫無評論哦，快來評論一下吧！
全部評論（0條）