英伟达凭借各国、初创公司、大型科技公司和研究人员 对其 GPU 的巨大需求，跻身市值万亿美元俱乐部；  主要芯片供应商开发了不受出口管制影响的替代产品；  在 ChatGPT 的带领下，生成式 AI 的应用在图像、 视频、编码、语音等领域取得了突破性的进展，带动了 180 亿美元的风险投资和企业投资。 O'Reilly 发 布 的 “ 2023 Generative AI in the Enterprise”报告显示： 日，OpenAI 正式推出 GPT-4。 GPT-4 是多模态大型语言模型(Large MultiModal Model)，这是和 GPT-3 的 一个显著区别，它的输入输出不再局限于文本，可以是图像或者是视频。 Anthropic团队由参与OpenAI GPT-2和GPT-3模型开发的前研究人员组建， 专注于开发通用 AI 系统和语言模型，并秉持负责任的 AI 使用理念。 李彦宏称：“无论是哪家公司 电视机的上传速度马上变为零。 对此，爱奇艺客服给出的回应是，这是加速手段，对使用没有影响，并提供 了关闭 HCDN 开关的操作。HCDN (Hybrid CDN)是爱奇艺技术团队研发的大 规模混合架构在线视频数据分发技术。 有网友指出，这是爱奇艺客户端将电视机当成了自己的 PCDN 服务器，因此 会在后台持续执行上传任务。这种白嫖电费、流量、存储空间的操作，爱奇 艺要给用户打钱才对。 2023 年 9

文本情绪 文本生成 对话系统 意图识别 短文本相似度 视频指纹 人脸识别 水印识别 特征提取 OCR 智能抠图 质量分析 内容属性 内容分析理解 版权保护 字幕制作 视频生产 视频修复 内容生产管理 智能封面 自动歌词 语音交互 人机协作运营 创新体验 易智字幕工具 易智语音工具 音视频效率工具 行业应用 产品 解决方案 语音技术 自然语言处理 网易数帆旗下人工智能技术与服务品牌 聚焦于多媒体业务领域，基于多年的行业深耕，积累出丰富的技术成功与落地应用经验。可提供多媒体内容理解、音 视频效率工具、语音/NLP/CV 能力组件等产品和服务，助力企业智能化升级，拓展智慧生产力。 PRODUCT 多媒体内容解析 综合运用 CV、语音、NLP 等技术，针对视频、图像、音频、文本等 多媒体内容进行基础识别与解析，获得离散的内容表示信息。 综合内容理解 基于离散的内容解析结果，结合领域知识和多模态融合技术， 广泛应用于视频字幕制作、英文视频学习等场景。 语音转写工具 可快速准确的将语音、录音文件识别出文本内容，可视化的界 面提升人工精校效率。可应用于会议录音纪要整理，手机录音 文件管理等场景。 产品能力 产品能力 为企业提供人机协作AI效率工具，可显著提高字幕制作效率和音频文件转写效率。 易智音视频效率工具 综合运用语音技术、自然语言处理、计算机视觉等AI能力组件，精准的理解视音频、直播等媒体内容。可应用于内

第⼆层现在有两个核⼼问题。⾸先是如何通⽤地表⽰这个世界？真正的“通⽤”是像计算机⼀样，⽤
0
和
1

就能表⽰整个世界。对于基于
transformer
的语⾔模型来说，它能表⽰⼀本书、⼀篇⽂章、甚 ⾄⼀个视频，但表⽰⼀个更⼤的
3D
世界或你硬盘上的所有⽂件还有难度，没做到
token-in-token- out，离所谓的
unified
representation
其实有差距。架构其实解决的是这个问题。
多模态：⼤部分架构不值得被

scale
up

海外独⻆兽：⼤家都期待多模态会在
2024
年爆发，相⽐⽂本，多模态的技术难度会在哪⾥？
杨植麟：现在
state-of-the-art
的视频⽣成模型的
FLOPs
其实⽐语⾔模型少⼀个数量级以上，并不是 ⼤家不想
scale
up，⽽是⼤部分架构不值得这么做。
19
年最流⾏的是架构是
BERT，后来⼤家问为什么没有⼈去
scal 是基础，这个架构⾸先得⽀持不断加⼊更多数据，然后数据才会 真的成为瓶颈。我们现在说的数据瓶颈，从⽂本模态上，2024
年就会遇到，但多模态数据的引⼊进来 会把这个问题推迟
1-2
年。
如果视频和多模态的卡点解决不了，那⽂本的数据瓶颈就会很关键。这点上其实我们也有些进展
⸺
如果限定了问题，⽐如数学或者写代码，数据是相对好⽣成的。通⽤的问题现在还没有完全的解法， 但是存在⼀些⽅向可以去探索。

通过引入多头潜在注意力（Multi-head Latent Attention, MLA）技术，在性能和成本上实现了革命性突破，开创高性价比的 AI 新纪元。 智谱的 CogVideoX 系列文生视频模型，成为全球首批开源的文生视频模型之一，不仅在 技术方面让中国视频生成模型列入领先梯队，强化了中国模型在全球范围的竞争力，也为国际开 源生态的发展产生了积极的影响，为全球开发者提供了更多创新和应用的可能。 中国开源模型从最初的 多模态理解：Qwen2-VL、Ovis、InternVL2、DeepSeek JanusFlow、GOT-OCR2_0； 图片生成：PixArt、Lumina、Kolors、Hunyuan-DiT、VAR、Meissonic； 视频生成：AnimateDiff-lightning、Latte、OpenSora、open-sora-plan、Pyramid Flow、 CogVideoX； TTS：GPT-SoVITS、Ch nAI 在 ChatGPT 上一个重要且成功的操作就是把大模型从学术界、工业界直接推向了普通个体，让 C 端用户切 实感受到了大模型的可能性与魅力。这一点被国内的大模型厂商广泛学习。在 B 站刷视频，国 内知名的那几个大模型厂商的广告，你一个也不会落下。 受到大家的认可与喜爱固然重要，但对于 C 端用户，有两个需要时刻牢记的问题：一是 C 端用户是没有忠诚度的，谁免费就用谁，谁给补贴就用谁；二是某一个大模型对

企业级支持服务内容（基础级） 支持服务 5×8 工单及电话支持服务，4 个小时内响应客户工单；接到故障申报后，工程师通过电话支持、远程接 入等方式协助客户及时排除软件故障。 安装架构 单机架构。 培训方式 提供离线视频、远程会议的培训。 软件升级服务 提供软件 X-Pack 增强功能包，小版本无缝升级服务。 在线自助服务 提供客户支持门户，支持客户在线访问网站并下载相关资料, 及时掌握最新的软件特性、维护经验、使用技

⼯单及电话⽀持服务，1 个⼩时内响应客户⼯单；接到故障申报后，⼯程师通过电话⽀持、远程接 ⼊等⽅式协助客户及时排除软件故障。 安装架构 单机架构、主备架构、集群架构、分布式架构。 培训⽅式 提供离线视频、远程会议、现场培训。 产品安装 提供安装⽂档、远程安装、现场安装。 现场紧急救助服务 合计 5 ⼈天的原⼚专业服务：可提供现场安装服务、现场紧急救助服务、现场软件故障排査等服务。 软件升级服务

的核心项目向量相似度搜索引擎 Milvus 是全球首款 GPU 加速海量特征向量 匹配和检索引擎。Milvus 依托 GPU 加速，提供极速特征向量匹配以及多维度数据联合查询（特 征、标签、图片、视频、文本和语音等联合查询）功能，并且支持自动分库分表和多副本，能对 接 TensorFlow、PyTorch 和 MxNet 等 AI 模型，可实现百亿特征向量的秒级查询。Milvus 于 2019 国外一开发者在网上抱怨深圳手机公司 UMIDIGI 未公开其采用了 GPL-2.0 协议的手机 操作系统内核源代码，位于深圳的知名博主机械妖姬（Naomi Wu）帮助开发者前往手机 公司登门索要源代码，并将整个过程的自拍视频发布在了网上，造成热议。事后，该公司 在官网的论坛和 GitHub 上相继提供了源代码，国外开发者表达了谢意，纠纷顺利解决。  A foreign developer complained online

由清华大学计算机系图形 学实验室开发，实现图像 识别、检测、分割、生 成、渲染等AI能力的开源 开发框架。 开源时间 国内首个以AI为主营业务 的企业，对外开放的围绕 机器视觉打造的开发框 架，主要应用于视频分 析、影像处理、金融预测 等领域。 技术巨头推出AI通用型框架，AI厂商及研究机构聚焦垂直型框架 34 ©2023.11 iResearch Inc.

国外一开发者在网上抱怨深圳手机公司 UMIDIGI 未公开其采用了 GPL-2.0 协议的手机操作系统内 核源代码，位于深圳的知名博主机械妖姬（Naomi Wu）帮助开发者前往手机公司登门索要源代码， 并将整个过程的自拍视频发布在了网上，造成热议。事后，该公司在官网的论坛和 GitHub 上相继提 供了源代码，国外开发者表达了谢意，纠纷顺利解决。 国外 ● 近年来，云厂商纷纷将开源软件集成到自己的云产品中，以整体的云服务解决方案推向客户，利益平