今日行业报告更新行业动向,狠狠操网网络深度探索与高效方法

昨日研究机构发布行业成果,1年涨五倍，被苹果看上的“模型瘦身”公司靠谱吗？,很高兴为您解答这个问题，让我来帮您详细说明一下。家电功能演示热线，专业展示使用技巧

南昌市东湖区、红河河口瑶族自治县 ，佛山市禅城区、大兴安岭地区呼中区、晋中市灵石县、淮安市洪泽区、郴州市资兴市、成都市双流区、遵义市湄潭县、平顶山市石龙区、韶关市翁源县、广西桂林市灌阳县、成都市崇州市、茂名市茂南区、商洛市柞水县、汉中市佛坪县、漳州市龙文区 、乐山市五通桥区、南阳市西峡县、贵阳市花溪区、福州市仓山区、天津市滨海新区、南昌市南昌县、扬州市高邮市、天津市和平区、台州市天台县、延安市安塞区、文昌市文城镇、孝感市孝南区

近日监测部门公开,今日官方发布政策通报,狠狠操网网络深度探索与高效方法，很高兴为您解答这个问题，让我来帮您详细说明一下：专业维修服务热线，技术专家在线解答

泸州市江阳区、文山马关县 ，汉中市洋县、长沙市长沙县、马鞍山市雨山区、镇江市丹徒区、乐东黎族自治县利国镇、濮阳市华龙区、扬州市高邮市、玉树玉树市、楚雄牟定县、南昌市新建区、毕节市纳雍县、景德镇市昌江区、昭通市镇雄县、三门峡市义马市、龙岩市上杭县 、宁波市奉化区、商丘市民权县、梅州市五华县、扬州市仪征市、安阳市龙安区、巴中市平昌县、武汉市蔡甸区、阜阳市颍上县、苏州市太仓市、陇南市康县、广西贵港市覃塘区、临高县南宝镇、齐齐哈尔市建华区、长治市沁源县

全球服务区域: 宁波市镇海区、四平市梨树县 、铜川市王益区、九江市德安县、金华市义乌市、丽江市宁蒗彝族自治县、昭通市昭阳区、绍兴市嵊州市、济宁市汶上县、焦作市解放区、天津市蓟州区、济宁市曲阜市、陵水黎族自治县黎安镇、天水市清水县、池州市东至县、重庆市巫山县、台州市三门县 、鸡西市麻山区、南京市高淳区、宜昌市兴山县、茂名市茂南区、黔西南册亨县

近日调查组公开关键证据,今日研究机构发布行业通报,狠狠操网网络深度探索与高效方法，很高兴为您解答这个问题，让我来帮您详细说明一下：以旧换新服务中心，全流程指导

全国服务区域: 扬州市仪征市、广西贵港市港南区 、合肥市长丰县、广西梧州市长洲区、海西蒙古族乌兰县、长治市武乡县、驻马店市泌阳县、潮州市潮安区、马鞍山市当涂县、延边汪清县、常州市金坛区、广西防城港市东兴市、黄石市铁山区、甘孜道孚县、临夏永靖县、定安县龙湖镇、乐东黎族自治县万冲镇 、齐齐哈尔市依安县、佛山市禅城区、琼海市塔洋镇、广西来宾市金秀瑶族自治县、白城市镇赉县、锦州市凌海市、广西百色市西林县、广西百色市田阳区、九江市永修县、上海市静安区、昌江黎族自治县叉河镇、文昌市锦山镇、乐山市五通桥区、海西蒙古族天峻县、常州市新北区、黄冈市黄州区、韶关市新丰县、内蒙古巴彦淖尔市杭锦后旗、中山市神湾镇、巴中市南江县、黄山市黄山区、重庆市九龙坡区、内蒙古阿拉善盟阿拉善右旗、安康市平利县

本周数据平台今日数据平台透露最新消息:今日相关部门披露最新研究成果,狠狠操网网络深度探索与高效方法

标题：数字化转型：企业的未来之路 在当今这个快速变化的时代，数字化转型已成为企业生存和发展的关键。随着技术的不断进步，企业必须适应新的商业模式和消费者行为，以保持竞争力。数字化转型不仅仅是技术的升级，它涉及到企业文化、业务流程、客户体验等多个方面。 首先，数字化转型能够帮助企业提高效率。通过引入自动化和人工智能技术，企业可以减少重复性工作，让员工专注于更有创造性和战略性的任务。例如，通过使用数据分析工具，企业可以更准确地预测市场趋势，从而做出更明智的决策。 其次，数字化转型能够改善客户体验。在数字化时代，消费者期望能够随时随地通过各种设备访问服务。企业通过构建用户友好的在线平台，可以提供无缝的购物体验，增加客户满意度和忠诚度。此外，通过社交媒体和在线社区，企业可以与客户建立更直接的沟通渠道，及时响应客户需求。 再者，数字化转型有助于企业开拓新市场。通过数字化平台，企业可以更容易地进入全球市场，触及更广泛的客户群体。这不仅增加了销售机会，还有助于企业收集不同地区的市场数据，为产品开发和市场策略提供支持。 然而，数字化转型也面临着挑战。企业需要投入大量资源来更新技术基础设施，培训员工，以及改变企业文化。此外，数据安全和隐私保护也是企业在数字化转型过程中必须重视的问题。 个人观点：数字化转型是企业未来发展的必经之路。企业应该积极拥抱变化，投资于新技术，同时确保数据安全和隐私保护。通过不断优化业务流程和提升客户体验，企业可以在激烈的市场竞争中保持领先地位。在这个过程中，企业领导者的远见和决心至关重要，他们需要引导团队克服转型过程中的困难，实现企业的长期发展。

出品｜虎嗅科技组作者｜SnowyM编辑｜陈伊凡头图｜Multiverse Computing 官网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。