本周官方更新行业研究成果,人与狗的DNA播放方式：揭秘人类与宠物之间的神秘联系

本月研究机构传达行业新动向,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。售后服务中心联系方式，全渠道便捷沟通

黔西南晴隆县、深圳市龙岗区 ，茂名市化州市、乐东黎族自治县九所镇、马鞍山市雨山区、内蒙古乌海市海勃湾区、郑州市登封市、重庆市梁平区、内蒙古乌兰察布市化德县、孝感市云梦县、丽水市青田县、中山市横栏镇、忻州市河曲县、大兴安岭地区漠河市、新乡市卫滨区、南昌市湾里区、延边龙井市 、信阳市淮滨县、青岛市平度市、锦州市太和区、定安县雷鸣镇、广西桂林市灌阳县、徐州市丰县、红河石屏县、内蒙古呼和浩特市赛罕区、清远市连州市、台州市临海市、资阳市雁江区、襄阳市保康县

本周数据平台不久前行业协会透露新变化,今日官方渠道发布行业信息,人与狗的DNA播放方式：揭秘人类与宠物之间的神秘联系，很高兴为您解答这个问题，让我来帮您详细说明一下：家电维修客服电话，系统自动派单

怀化市芷江侗族自治县、吉林市桦甸市 ，安阳市滑县、宁夏石嘴山市大武口区、东莞市南城街道、周口市项城市、上海市闵行区、四平市伊通满族自治县、烟台市福山区、十堰市郧阳区、阜阳市颍泉区、阿坝藏族羌族自治州阿坝县、内蒙古兴安盟科尔沁右翼中旗、伊春市伊美区、安庆市太湖县、资阳市安岳县、上海市金山区 、宣城市宁国市、澄迈县福山镇、衡阳市衡阳县、内蒙古通辽市科尔沁区、临汾市曲沃县、镇江市句容市、黔西南兴仁市、儋州市中和镇、宝鸡市扶风县、乐山市马边彝族自治县、忻州市代县、郑州市登封市、昆明市富民县、徐州市泉山区

全球服务区域: 楚雄牟定县、临沂市莒南县 、长春市宽城区、三明市泰宁县、河源市源城区、枣庄市山亭区、滁州市南谯区、白山市浑江区、宣城市郎溪县、内蒙古锡林郭勒盟正蓝旗、济宁市曲阜市、临沧市永德县、西宁市城中区、西宁市大通回族土族自治县、枣庄市薛城区、肇庆市广宁县、平顶山市宝丰县 、齐齐哈尔市泰来县、德州市禹城市、中山市板芙镇、内蒙古锡林郭勒盟阿巴嘎旗、广西南宁市青秀区

近日监测小组公开最新参数,今日行业报告更新行业动向,人与狗的DNA播放方式：揭秘人类与宠物之间的神秘联系，很高兴为您解答这个问题，让我来帮您详细说明一下：家电安装服务热线，专业团队上门

全国服务区域: 郴州市宜章县、甘孜德格县 、内蒙古鄂尔多斯市伊金霍洛旗、三明市清流县、新乡市辉县市、益阳市赫山区、许昌市鄢陵县、湖州市吴兴区、乐东黎族自治县九所镇、葫芦岛市绥中县、渭南市合阳县、七台河市新兴区、宜宾市兴文县、重庆市铜梁区、怀化市麻阳苗族自治县、陇南市康县、中山市西区街道 、九江市都昌县、芜湖市弋江区、金华市磐安县、合肥市蜀山区、郑州市登封市、吉林市永吉县、广西河池市巴马瑶族自治县、株洲市茶陵县、琼海市中原镇、武威市天祝藏族自治县、常德市汉寿县、东方市感城镇、内蒙古通辽市奈曼旗、哈尔滨市平房区、肇庆市德庆县、琼海市石壁镇、孝感市安陆市、毕节市织金县、临汾市霍州市、西宁市湟中区、荆州市荆州区、镇江市句容市、锦州市凌河区、茂名市茂南区

本周数据平台稍早前行业报告:今日监管部门披露行业动向,人与狗的DNA播放方式：揭秘人类与宠物之间的神秘联系

自古以来，人类与狗的关系就犹如一对亲密的伙伴，它们不仅是人类生活中的忠实伴侣，更是人类情感世界的忠实守护者。在人类与狗的长期相处中，我们不禁要问：人与狗的DNA播放方式究竟是怎样的？它们之间是否存在某种神秘的联系？ 首先，我们要了解DNA的基本结构。DNA是生物体内携带遗传信息的分子，由四种碱基（腺嘌呤、胸腺嘧啶、鸟嘌呤和胞嘧啶）组成。这些碱基按照一定的顺序排列，形成了DNA的双螺旋结构。在人类和狗的DNA中，虽然它们在碱基序列上存在差异，但它们的基本结构是相似的。 人与狗的DNA播放方式主要体现在以下几个方面： 1. 基因相似度：人类与狗的基因相似度高达80%，这意味着在DNA序列上，人类与狗有着许多共同的基因。这些共同的基因使得人类与狗在生理结构和行为习性上存在许多相似之处。 2. 遗传信息传递：在人类与狗的繁殖过程中，遗传信息的传递方式遵循孟德尔遗传定律。这意味着人类与狗的后代在遗传特征上会呈现出一定的规律性。 3. 行为遗传：人类与狗的行为遗传具有一定的相似性。研究表明，狗的行为受到遗传因素的影响较大，这与人类的行为遗传具有一定的相似之处。 4. 适应性遗传：人类与狗在长期相处中，逐渐形成了相互适应的遗传特征。例如，狗的嗅觉灵敏度、听觉敏感度等特征，使得它们能够更好地适应人类的生活环境。 然而，尽管人类与狗的DNA播放方式存在诸多相似之处，它们之间仍存在一些差异。以下是一些具体表现： 1. 碱基序列差异：人类与狗的DNA碱基序列存在差异，这些差异导致了它们在基因表达、生理结构和行为习性上的差异。 2. 遗传多样性：人类与狗的遗传多样性不同。人类在漫长的进化过程中，形成了丰富的遗传多样性，这使得人类能够适应各种环境。而狗的遗传多样性相对较低，这可能与它们相对较短的进化历史有关。 3. 适应性差异：尽管人类与狗在长期相处中形成了相互适应的遗传特征，但它们在适应环境的能力上仍存在差异。例如，狗在野外生存能力较强，而人类则更擅长适应复杂多变的社会环境。 总之，人与狗的DNA播放方式揭示了人类与宠物之间的神秘联系。它们在基因、遗传信息传递、行为遗传和适应性遗传等方面存在诸多相似之处，但同时也存在一些差异。这种神秘的联系使得人类与狗成为了彼此生活中不可或缺的伙伴。在未来的研究中，我们期待更加深入地了解人类与狗之间的DNA播放方式，为人类与宠物之间的关系提供更多启示。

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。