刚刚国家机构发布最新通报,战场助手：智能时代军事变革的得力伙伴

本周行业协会传递行业报告,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。数字化维保平台，智能管理维护周期

黄山市祁门县、开封市祥符区 ，黔西南普安县、抚顺市新宾满族自治县、内蒙古锡林郭勒盟苏尼特左旗、海西蒙古族德令哈市、宣城市绩溪县、太原市尖草坪区、宁夏银川市永宁县、凉山冕宁县、永州市双牌县、滨州市沾化区、榆林市定边县、大同市灵丘县、福州市闽侯县、长春市双阳区、昆明市富民县 、临夏永靖县、大连市旅顺口区、天水市甘谷县、中山市板芙镇、广元市昭化区、广西贵港市港北区、沈阳市新民市、佳木斯市桦南县、岳阳市平江县、海北祁连县、广元市旺苍县、贵阳市开阳县

官方技术支援专线,今日研究机构发布行业报告,战场助手：智能时代军事变革的得力伙伴，很高兴为您解答这个问题，让我来帮您详细说明一下：自动化服务跟踪，智能优化用户体验

沈阳市辽中区、广西梧州市岑溪市 ，澄迈县老城镇、咸阳市旬邑县、周口市鹿邑县、广西贺州市昭平县、甘南舟曲县、成都市简阳市、东方市三家镇、宁德市古田县、吉林市舒兰市、延安市安塞区、广西柳州市柳北区、宁波市奉化区、眉山市丹棱县、泉州市泉港区、中山市大涌镇 、云浮市罗定市、西双版纳勐腊县、铜仁市碧江区、黄南同仁市、益阳市安化县、本溪市明山区、德州市禹城市、孝感市汉川市、澄迈县仁兴镇、延边敦化市、合肥市长丰县、重庆市铜梁区、青岛市城阳区、娄底市双峰县

全球服务区域: 西安市未央区、眉山市丹棱县 、孝感市云梦县、合肥市包河区、保山市隆阳区、宜春市上高县、松原市扶余市、黔东南镇远县、七台河市勃利县、温州市平阳县、淄博市张店区、海口市琼山区、丽水市景宁畲族自治县、佛山市禅城区、定安县岭口镇、中山市板芙镇、长沙市长沙县 、商丘市民权县、阳泉市城区、内蒙古鄂尔多斯市准格尔旗、常州市金坛区、周口市淮阳区

本周数据平台不久前行业协会透露新变化,本月官方渠道更新行业信息,战场助手：智能时代军事变革的得力伙伴，很高兴为您解答这个问题，让我来帮您详细说明一下：专业技术指导中心，远程视频协助安装

全国服务区域: 陵水黎族自治县本号镇、丹东市凤城市 、宿迁市宿豫区、铜川市耀州区、鄂州市鄂城区、济宁市兖州区、佳木斯市桦川县、临沧市凤庆县、成都市温江区、昆明市官渡区、红河泸西县、重庆市南岸区、忻州市五台县、内蒙古赤峰市翁牛特旗、运城市盐湖区、兰州市安宁区、永州市零陵区 、泉州市金门县、广西梧州市岑溪市、吉林市龙潭区、湛江市霞山区、安康市镇坪县、文山麻栗坡县、吉林市磐石市、湛江市雷州市、眉山市洪雅县、南阳市方城县、成都市崇州市、成都市都江堰市、甘孜九龙县、肇庆市端州区、汉中市西乡县、乐东黎族自治县黄流镇、果洛玛沁县、黄山市祁门县、邵阳市绥宁县、三明市沙县区、无锡市新吴区、内蒙古锡林郭勒盟正蓝旗、长春市二道区、内蒙古巴彦淖尔市磴口县

24小时维修咨询热线，智能语音导航:近日监管部门发布重要信息,战场助手：智能时代军事变革的得力伙伴

随着科技的飞速发展，智能化、信息化已经成为军事变革的重要趋势。在战场上，智能助手的出现，为士兵们提供了强大的支持，成为了他们得力的伙伴。战场助手，这一新兴概念，正逐渐改变着现代战争的形态。 战场助手，顾名思义，就是为战场上的士兵提供辅助、支持的一种智能设备。它集成了大数据、云计算、人工智能等技术，能够实时分析战场态势，为士兵提供决策依据。战场助手的出现，使得士兵在战场上能够更加迅速、准确地应对各种复杂情况。 首先，战场助手能够实时收集战场信息。在战场上，信息就是生命。战场助手通过搭载的传感器、摄像头等设备，能够实时收集战场上的各种信息，如敌军部署、地形地貌、天气状况等。这些信息经过处理后，可以迅速传输到士兵手中，帮助他们更好地了解战场态势。 其次，战场助手能够为士兵提供决策支持。在战场上，每一个决策都关乎生死存亡。战场助手通过分析战场信息，结合历史数据、战术理论等，为士兵提供决策建议。这些建议可以帮助士兵在短时间内做出正确的判断，提高战场生存率。 此外，战场助手还能够辅助士兵进行作战训练。在和平时期，士兵需要通过严格的训练来提高战斗力。战场助手可以根据士兵的实际情况，制定个性化的训练计划，帮助士兵在短时间内提升技能。同时，战场助手还可以模拟真实战场环境，让士兵在虚拟战场上进行实战演练，提高他们的实战能力。 战场助手在战场上的应用，不仅提高了士兵的战斗力，还极大地减轻了他们的负担。在战场上，士兵需要携带大量装备，如武器、弹药、通讯设备等。战场助手的出现，使得士兵可以减少携带的装备，减轻负担，提高行军速度。 当然，战场助手的应用也面临着一些挑战。首先，战场助手需要保证信息的准确性和实时性。在战场上，任何一点失误都可能导致严重的后果。其次，战场助手需要具备较强的抗干扰能力，以应对复杂多变的战场环境。此外，战场助手还需要具备较高的安全性，防止被敌方利用。 总之，战场助手作为智能时代军事变革的得力伙伴，为士兵提供了强大的支持。随着技术的不断发展，战场助手的功能将更加完善，为我国军队的现代化建设提供有力保障。在未来，战场助手将成为战场上不可或缺的一员，助力我国军队在新的历史时期取得更加辉煌的成就。

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。