昨日行业报告传递新政策,毛成片：揭秘1卡、2卡、3卡、4卡背后的奥秘

今日相关部门发布新动向,苹果看上的公司，靠量子“邪修”给模型“瘦身”,很高兴为您解答这个问题，让我来帮您详细说明一下。家电客户维权热线，保障消费权益

孝感市云梦县、合肥市肥东县 ，昆明市官渡区、东莞市高埗镇、保亭黎族苗族自治县什玲、果洛甘德县、广西南宁市邕宁区、茂名市化州市、白城市洮北区、岳阳市君山区、合肥市瑶海区、黄冈市黄州区、伊春市金林区、三明市建宁县、广西河池市大化瑶族自治县、漳州市长泰区、黄山市休宁县 、吕梁市岚县、宁夏石嘴山市平罗县、韶关市新丰县、延边敦化市、商丘市睢县、苏州市太仓市、济宁市嘉祥县、楚雄南华县、遵义市仁怀市、鹤壁市鹤山区、西双版纳勐海县、金华市金东区

本周数据平台今日官方渠道公布最新动态,近日官方发布权威通报,毛成片：揭秘1卡、2卡、3卡、4卡背后的奥秘，很高兴为您解答这个问题，让我来帮您详细说明一下：产品升级服务中心，全流程专业指导

甘孜理塘县、台州市临海市 ，宁德市屏南县、濮阳市清丰县、直辖县神农架林区、菏泽市成武县、广西梧州市长洲区、黔东南雷山县、滁州市定远县、本溪市明山区、济南市市中区、温州市瑞安市、沈阳市大东区、定安县翰林镇、内蒙古乌兰察布市化德县、白山市抚松县、果洛玛多县 、重庆市永川区、澄迈县中兴镇、凉山金阳县、福州市连江县、白沙黎族自治县阜龙乡、阿坝藏族羌族自治州茂县、漳州市芗城区、韶关市新丰县、广西贺州市昭平县、荆州市松滋市、德州市夏津县、自贡市大安区、曲靖市师宗县、吕梁市交口县

全球服务区域: 济宁市邹城市、太原市杏花岭区 、内蒙古兴安盟科尔沁右翼中旗、白山市抚松县、广西贺州市平桂区、聊城市阳谷县、陵水黎族自治县三才镇、汉中市南郑区、无锡市惠山区、安庆市迎江区、阿坝藏族羌族自治州小金县、无锡市江阴市、云浮市罗定市、合肥市庐阳区、嘉兴市南湖区、绍兴市越城区、庆阳市环县 、大理弥渡县、马鞍山市雨山区、汕头市南澳县、琼海市石壁镇、文昌市会文镇

可视化故障排除专线，实时监测数据,本月官方发布行业新政策,毛成片：揭秘1卡、2卡、3卡、4卡背后的奥秘，很高兴为您解答这个问题，让我来帮您详细说明一下：全国联保服务热线，正规售后有保障

全国服务区域: 营口市鲅鱼圈区、阜新市彰武县 、济南市平阴县、平顶山市石龙区、郑州市巩义市、文昌市会文镇、临沂市莒南县、绥化市望奎县、重庆市云阳县、内蒙古兴安盟阿尔山市、松原市扶余市、重庆市巴南区、哈尔滨市呼兰区、广西梧州市藤县、常德市临澧县、大连市西岗区、六安市霍邱县 、哈尔滨市阿城区、遂宁市安居区、牡丹江市宁安市、内蒙古乌兰察布市商都县、延安市黄陵县、阜阳市颍东区、天津市宁河区、金昌市金川区、吉林市永吉县、商丘市虞城县、洛阳市栾川县、长治市屯留区、十堰市张湾区、南阳市新野县、北京市通州区、昌江黎族自治县七叉镇、驻马店市新蔡县、酒泉市瓜州县、内蒙古赤峰市松山区、广西桂林市阳朔县、金华市东阳市、广西梧州市龙圩区、汕头市南澳县、郴州市安仁县

专家远程指导热线，多终端:本月相关部门披露行业最新成果,毛成片：揭秘1卡、2卡、3卡、4卡背后的奥秘

在科技日新月异的今天，各种新型电子产品层出不穷，毛成片作为一种新兴的电子存储设备，以其独特的性能和便捷的使用方式受到了广泛关注。那么，究竟什么是毛成片？1卡、2卡、3卡、4卡又分别代表了什么？本文将为您一一揭晓。 ### 什么是毛成片？ 毛成片，全称毛成片存储卡，是一种便携式存储设备，主要用于存储数字照片、视频、音乐等数据。它具有体积小、容量大、传输速度快、兼容性强等特点，广泛应用于手机、相机、平板电脑等电子设备中。 ### 1卡、2卡、3卡、4卡分别代表什么？ 1. 1卡：指的是单张毛成片，即一张存储容量为1GB的毛成片。这种卡适用于存储少量照片、音乐等数据，适合初学者或对存储容量要求不高的用户。 2. 2卡：指的是单张存储容量为2GB的毛成片。相较于1卡，2卡具有更大的存储空间，可以存储更多的数据，适合对存储容量有一定需求的用户。 3. 3卡：指的是单张存储容量为3GB的毛成片。这种卡在存储空间上具有更高的优势，可以满足用户存储大量数据的需求，如高清视频、大型游戏等。 4. 4卡：指的是单张存储容量为4GB的毛成片。作为目前市场上容量最大的毛成片，4卡可以存储海量数据，满足用户对存储空间的高要求。 ### 毛成片的选购技巧 1. 容量选择：根据实际需求选择合适的毛成片容量，避免因容量不足而频繁更换毛成片。 2. 速度选择：毛成片的速度分为高速、标准速度等，高速毛成片在传输数据时更加迅速，适合存储高清视频等大文件。 3. 兼容性：选择兼容性强的毛成片，确保可以在多种电子设备上使用。 4. 品牌选择：选择知名品牌毛成片，保证产品质量和售后服务。 5. 价格对比：在保证产品质量的前提下，对比不同品牌、不同型号的毛成片价格，选择性价比高的产品。 总之，毛成片作为一种便捷的存储设备，在日常生活中发挥着重要作用。了解1卡、2卡、3卡、4卡的区别，有助于我们更好地选择适合自己的毛成片。在选购毛成片时，关注容量、速度、兼容性、品牌和价格等因素，将有助于我们选购到满意的毛成片。

出品｜虎嗅科技组作者｜SnowyM编辑｜陈伊凡头图｜Multiverse Computing 官网"AI 原生 100" 是虎嗅科技组推出针对 AI 原生创新栏目，这是本系列的第「17」篇文章。端侧模型和小模型这件事，在人工智能行业如今并不新鲜。去年，Meta、微软、苹果等就集中发布了一系列小模型，Llama-3、Phi-3、OpenELM 等。2019 年成立的 Multiverse Computing，试图用所谓 " 量子物理 " 方式给模型瘦身：它的核心技术 CompactifAI 能将大模型体积压缩 95%，却几乎不损失性能，让原本只能在数据中心运行的 AI，装进手机、汽车里。这也让这家公司获得了资本的青睐，截至今日，Multiverse Computing 已经完成了 5 轮融资。2024 年 3 月，这家公司完成了 2500 万欧元的 A 轮融资，一年多后 B 轮融资直接冲到 1.89 亿欧元，估值从 2024 年的 1.08 亿美元，涨到 5 亿美元，一跃成为西班牙最大的 AI 初创公司之一。两周多前，这家公司发布了两款 " 世界最小的模型 " ——鸡脑（chicken ’ s brain）和苍蝇脑（a fly ’ s brain）。" 苍蝇脑 " 是 Hugging Face 开源模型 SmolLM2-135 的压缩版本，原始参数是 1.35 亿，压缩之后只有 9400 万参数。" 鸡脑 " 则是 Llama3.18B 模型的压缩版本，可以直接在苹果电脑上运行，无需联网。这背后藏着太多值得拆解的问题：" 量子瘦身 " 技术究竟是噱头还是真功夫？当模型被压缩时，是否也会影响其性能？团队推出的 " 苍蝇脑 "" 小鸡脑 " 超小模型，又是如何突破硬件限制，甚至吸引苹果、三星等巨头洽谈合作？在 Meta、谷歌、微软纷纷下场做小模型，众多初创公司争抢 AI 效率赛道的当下，Multiverse 凭什么建立技术壁垒，成为西班牙估值最高的 AI 初创企业之一？虎嗅与量子计算领域的业内人士交流，试图理清这些问题。4 年 5 轮融资，估值一年涨 5 倍Multiverse Computing 并非一开始就进入模型赛道。2019 年团队成立之初，其聚焦量子计算软件，试图用量子技术解决金融领域的投资组合优化、风险管理等难题，这些在传统 IT 技术上难以被功克。凭借技术积累，Multiverse 很快被第三方数据分析与咨询机构 Gartner 评为量子计算领域的 "Cool Vender"。Gartner 的这份 Cool Vendor 的报告，主要涵盖科技创新领域，每个领域只有 4 家 -5 家公司能上榜，金融人士更是将这份榜单视为 " 投资宝典 "。借此，Multiverse 还获得了欧盟加速器 EIC 1250 万欧元的资金支持，成了欧洲资本最充足的量子初创公司之一。Multiverse 的团队中，40% 成员拥有博士学位，核心成员更是横跨金融、量子物理与科技创业三大领域 —— CEO 恩里克身兼数学、计算机、医学博士与 MBA，有 20 年银行业经验，曾任西班牙 Unnim 银行副 CEO；联合创始人罗曼是欧洲顶尖量子物理学家，专攻张量网络，拿过欧洲物理学会青年研究奖；CTO 塞缪尔则是量子计算与机器学习双料专家，熟悉创业与投资逻辑。转折点出现在 2023 年。生成式 AI 爆发后，大模型参数规模暴涨，算力成本飙升成了行业普遍痛点 —— OpenAI 每周在 ChatGPT 推理上的支出甚至超过训练成本。恩里克和团队敏锐发现，他们深耕多年的量子张量网络技术，恰好能破解这一困局：量子多体系统中的数学技巧，可用于大模型参数的高效压缩，且能最大程度保留性能。基于这一判断，团队火速组建 AI 压缩专项组，年底就推出了核心技术 CompactifAI，正式从 " 量子 + 金融 " 转向 " 量子 + AI"。这次转向不仅让 Multiverse 踩中了 " 小模型 " 风口，更让它在 2024-2025 年迎来爆发，成为西班牙最大的 AI 初创企业之一。" 量子瘦身 " 靠谱吗？Multiverse 的故事核心，是一套叫做 Compactif AI 的压缩技术。它不像行业常用的量化、蒸馏技术那样简单削减参数，按照 Multiverse 自己的介绍，这套技术是用量子物理张量网络方法，融合张量分解、矩阵低秩近似等复杂数学技巧，从模型底层重构参数逻辑。正如联合创始人奥鲁斯所说：" 我们的压缩技术并非计算机科学领域常见的套路，而是源自我们对量子物理的理解，更加微妙而精炼。"不过，虎嗅询问了量子计算领域的业内人士，Multiverse 所使用的这套数学方法虽然是量子中常用的，但其实只是一类数学方法，严格意义上和量子物理无关，因为张量网络问题最初就是物理学家从数学研究中借鉴到量子物理中的。所谓的张量网络方法，通俗比喻就是，你要拼一个一万平方米的拼图，拼完后为了存放它，需要找一个很大的房子。但如果你把拼图重新打碎，装到罐子中，把维度升高，从二维升高到 3 维，维度越多越方便压缩，再去掉重复的碎片，就可以装到一个小盒子里，并且保留几乎所有信息，需要的时候可以重新还原成大拼图。这种方法对大部分模型都适用，因为现在的模型，大多都是神经网络的变体，差别不大，Multiverse 的方法有很强的泛化性。这件事情的难点在于，要把现有的大语言模型基础算子 / 结构抽象出来，形成一套通用的压缩工作流，这样无论什么模型都可以复用。Compactif   AI 通常能将型体积缩小 80-95% 而准确率只下降 2-3 个百分点。例如，原本需要数十亿参数的模型压缩后可能只有几亿参数，却在绝大多数基准测试中与原模型表现相当。目前 Multiverse 已发布多个压缩模型版本，例如 Llama 4 70B 模型的精简版 "Llama 4 Scout Slim"，以及 Llama 3 系列和 Mistral 小模型的精简版等。2025 年 8 月，公司发布了两款号称 " 史上最小且高性能 " 的模型，并以动物大脑体积命名—— SuperFly（苍蝇脑）和 ChickBrain（小鸡脑）。SuperFly 基于 135M 参数的开源 SmolLM 模型压缩而成，仅含 9400 万参数，相当于一只苍蝇的大脑大小；ChickBrain 则由 Meta 的 Llama 3.1 系列 8B 模型压缩成 3.2B 参数（压缩率 60%），大小如小鸡大脑，却具备一定推理能力。ChickBrain（3B）的基准测试结果这件事的商业价值也很明显，CompactifAI 带来的直接好处是成本与效率优化。根据 Multiverse 公布的数据，其瘦身版模型推理速度是未压缩模型的 4-12 倍，对应推理成本降低 50-80%。在 AWS 云服务上，使用 CompactifAI 压缩后的模型可大大节省费用。例如，压缩过的 Llama 4 Scout Slim 在 AWS 上的调用费用约为每百万 tokens 0.10 美元，而原版约为 0.14 美元，也就是说，每处理百万 tokens 可以节省约 30% 费用。另外，CompactifAI 让此前只能在昂贵服务器上运行的 AI 模型进入了 " 平民设备 " 时代。Multiverse 声称其部分精简模型 " 小到可以在 PC、手机、汽车上运行 "。目前，Multiverse 提供了 3 种商业服务模式：（1）通过 AWS API，将压缩后的模型与原始模型均可通过 API 访问；（2）购买私有部署许可，提供企业级授权，允许用户在自己的本地基础设施或云环境中部署 CompactifAI；（3）通过服务提供商交付，让 Multiver 为用户压缩模型，并交付指定的推理服务提供商。CompactifAI 的用户主要是广泛使用大模型的企业和开发者。大型互联网和软件企业的 AI 团队是首要客户，他们往往部署开源 LLM 在自己的应用中，如客服聊天机器人、代码自动补全、文本分析等，但也必然面临高昂的推理开销和延迟问题。CompactifAI 可以帮助他们大幅削减算力成本，甚至支持离线部署。CompactifAI 在降本增效和边缘部署方面功能突出。它可以将一个部署在 8 张 A100 GPU 上的 LLM 压缩到 1-2 张 GPU 即可运行，甚至压缩到能够在 CPU 上实时推理。这为客户节省的不仅是每小时数百美元的云 GPU 租用费，还有巨大的能耗开销。小模型和端侧模型——巨头云集的赛道Multiverse 的技术，很快吸引了全球硬件巨头的关注。据其透露，目前已与苹果、三星、Sony、HP 等洽谈合作，核心是将 " 苍蝇脑 "" 小鸡脑 " 这类超小模型嵌入下一代终端设备——这恰好契合苹果的战略：2024 年 WWDC 大会上，苹果推出 "Apple Intelligence" 框架，明确表示不追通用巨无霸模型，优先做适配 iOS/macOS 的轻量化本地模型。不过，赛道竞争也在加剧。2024 年起，科技巨头纷纷下场小模型：Meta 发布 13 亿参数 LLaMA 微型模型，Google DeepMind 推出 2 亿 - 7 亿参数的 Gemma，微软 Phi 系列用 14 亿参数模型在数学、编码任务上超越 50 倍体积的大模型；初创公司中，Neural Magic、Deci 等也在争抢 AI 效率赛道，聚焦模型加速、自动选型等方向。AI 推理优化已经成为创投圈新的竞技场。初创公司阵营也不甘示弱。除了 Multiverse 外，Neural Magic、Deci、OctoML 都在下场大模型效率赛道；还有初创公司专注于模型路由、自动选型等，将不同模型按成本和效果自动分配。 这些公司切入点各异，但都瞄准了 " 提高 AI 性能 / 成本比 " 这个共同目标。虎嗅与量子计算领域人士交流，鉴于如今的大语言模型基本架构类似，Multiverse 的壁垒并不算太高，端侧模型和小模型不同，虽然都需要模型轻量化，但端侧模型除了需要轻量化，还需要配合不同设备的计算资源（内存、算力），以及能耗、发热等调节小模型，需要有特别设计，是一个工程化的问题。Multiverse 如果能够绑定一家硬件厂商，或许能够在端侧模型上建立自己的生态壁垒。另一方面，Multiverse 如今大部分还是围绕已有模型压缩，而不是自己训一个小模型，在效果上，可能不会达到惊艳的效果，而且极度依赖原有的模型能力。目前已经有一些专注小模型的初创公司除了压缩模型，还自己训练小模型，达到了不错的效果。Multiverse 可能在模型压缩上，通过自身团队积累的技术，能够实现较小的压缩损耗，但后续在端侧模型布局上的工程化问题，以及模型能力本身的技术壁垒，仍然有待观察。