2023 年各式各样 AI 工具百家争鸣，不管你是专业创作者，还是喜欢在社群上与朋友互动，都有内容产制需求，要如何利用这些工具，在社群媒体领域更上一层楼？以下介绍 6 款实用的 AI 图文制作工具，无论是产生贴文提供灵感、产生贴文、图文制作，或是图片去背与调整一应俱全，马上带你来看。…

2023/12/18~12/24金融科技精选新闻

 生成式AI   纯网银 

欧洲纯网银bunq推出生成式AI助理，能统整存户消费模式

欧洲第二大纯网银bunq近期推出生成式AI助理Finn，一个建置於App中的Chatbot，能回答帐户使用者的消费问题。使用者可以询问助理自己在特定种类的消费额，例如每个月平均在食物和日用品的花费，甚至是汇整使用者在特定平台的消费额，如一年在亚马逊的消费总额。

这个助理也能根据交易地点、时间回应问题，例如，回应使用者上周去过的地点，或是回应使用者过去在某个地点的消费额。不过，Finn仅能回应消费相关问题，不会提供投资建议。目前，这个助理正在测试阶段，使用者需要开户才能参与试用。bunq表示，目前他们在欧盟地区的用户数量已达1100万。

 金融检查   云端资安 

金管会发布113年金检重点，首度明列云端资安和虚拟资产平台业

因应今年八月金管会发布的新版上云规范，金检局今日公布113年金检重点，不仅将资安列为重点关注项目，也将云端业者资安纳入其中。检查局在各业别检查项目中新增跨境委外的定期查核，例如金融机构针对云端业者的资安和风险管控措施。

除了云端委外项目，金管会今年甫纳管的虚拟资产平台及交易业务事业(VASP)，也被列为明年重点金检关注项目。金管会检查局主要针对业者的防制洗钱、打击资恐及反武器扩散的落实情形进行金检。

 澳洲央行   核心系统现代化 

澳洲央行明年将加强跨行资金移转及公债交割系统，更要展开核心系统现代化计画

澳洲央行近期发布一项招标案，揭露了明年的两项重大IT计画。一项是核心系统现代化，一项是加强跨行资金移转及公债交割系统（the Reserve Bank Information and Transfer System,RITS）。去年10月，澳洲央行的系统当机，全国长达五小时无法进行快速交割服务，以及小额结算和交割服务。澳洲央行当时表示，当机主因是管理虚拟伺服器的软体在更新时发生故障，进而让RITS系统无法传送或接收特定档案，也影响结算通知传送。

因应这项缺失，澳洲央行今年强调要加强支付系统的基础设施，更在今年1月开始对即时总额清算系统的营运环境进行全面审查。审查结果的建议中包括，以自动化流程提升系统管理的效率、加强风险管理框架，和建立反馈机制等。

 英国开放银行   VRP 

英国公布开放银行新进展，非自动转帐的可变定期支付功能将在明年第三季起分阶段上路

目前，英国有九间银行实施「可变定期支付」（Variable Recurring Payments）开放银行API，让消费者能在银行提供的平台连接自己的银行帐户，定期自动付款，例如，支付信用卡费或订阅服务。虽然过往消费者也能在银行App上对自己的帐户直接扣款，但无法在一个页面中管理所有定期支付的服务，开放VRP API後，消费者能管理自己同意向哪些机构定期付款，和限制每个服务的付款权限。

近期，英国金融监管机构宣布将进一步发展「非自动转帐VRP」（non-sweeping Variable Recurring Payments）功能，让民众能藉由银行App管理更多金额不定的经常性开销，且能与非个人或企业帐户进行转帐，例如，向政府缴交水电费和税金。第一阶段确定在明年第三季实施，将开放对公共事业、金融机构，和对地方、中央政府的支付功能。

 香港金管局   数据共享 

香港金管局宣布展开银行间帐户数据共享先导计画

香港金管局近期宣布展开「银行同业帐户数据共享」（IADS）先导计划，在顾客授权的情况下，银行间可以彼此共享顾客帐户数据。这项计画将於明年1月1日开展，共有28家银行参与，可以共享涵盖个人、企业的存款帐户资讯，包括帐户状态、结余和交易资讯。金管局预计银行业将逐步开发创新服务，例如，简话信贷申请流程、帐户资讯总览，和以数据驱动的客制服务。

 数位证券沙盒   分散式帐本技术 

英国将实施数位证券沙盒，让业者验证以分散式帐本技术作为金融基础设施的可行性

苹果

重点新闻(1215～1221)

 DRAM     苹果     LLM  

苹果提出新方法，成功让边缘装置执行DRAM两倍大的LLM

苹果最近提出一种新方法，来解决行动装置DRAM记忆体不足、难以执行大型语言模型（LLM）的难题。进一步来说，LLM虽有出色的语言处理表现，但需耗费大量运算资源和记忆体，很难在资源有限的边缘装置上执行，特别是DRAM有限的行动装置。

於是，苹果团队结合2种技术，将模型参数储存在快闪记忆体上，再依需求，将参数传送到DRAM，让行动装置也有办法执行原本DRAM无法负荷的LLM应用。这2种技术分别是视窗化（Windowing）和列行合并（Row-column bundling），前者透过重复使用已活化的神经元，来减少资料传输，後者针对快闪记忆体的序列资料存取优势，来增加快闪记忆体读取资料的大小。团队测试，采用这些方法，可执行高达DRAM两倍大的模型，而且与单纯的CPU和GPU加载方法相比，推理速度分别提高了4到5倍和20到25倍。

这项研究意义重大，因为苹果计画将生成式AI功能整合到iOS 18作业系统中，来强化Siri和讯息App体验，更有效地回答问题和自动完成句子。不只苹果，三星最近也推出可在行动装置上执行的语言模型Gauss，并计画纳入2024年初要发布的Galaxy S24手机中，他们还打算将这种语言模型整合到其他手机、笔电和平板电脑等设备。另一方面，Google也推出Gemini Nano低阶版语言模型，可在装置上执行，且预计结合Google Pixel 8手机，要提供录音App的摘要功能和Gboard智慧键盘的智慧回应等功能。（详全文）

  LLM     Google     影片生成  

Google发表影片生成模型VideoPoet

大型语言模型（LLM）不只能用来生成文字、图片，还能生成影片。最近，Google研究院就发表了影片生成模型VideoPoet，可执行一系列影片生成任务，包括文字转影片、图片转影片、产生不同风格的影片、影片修复和外扩，以及影片转音档等。

有别於现有模型分段的做法，VideoPoet的特别之处在於，只用单一个LLM架构就整合多种影片生成能力。VideoPoet以多种标记器（Tokenizer）训练而成，像是让模型理解影片和图片的MAGVIT V2、学习音讯的SoundStream等。

经测试，团队发现，VideoPoet能根据文字提示生成更贴切的影片，也就是文字保真度和动作趣味性比Pika、Stable Video Diffusion、Imagen Video、RunwayML等同类模型表现要好。此外，VideoPoet也擅长零样本学习，能根据单一文字或图片输入，来产出良好且连贯的影片。（详全文）

  GAI    LLMOps      Google  

Google要打造从端到云全套GAI工具链

Google在12月发表不少生成式AI工具，不只有大语言模型Gemini，也在AI开发套件Vertex AI上释出企业用Gemini Pro模型预览版API，开放企业免费试用。同时，他们也推出Web版AI Studio开发工具，将自家MLOps开发平台Vertex AI转为聚焦企业GAI开发的LLMLOps平台，要涵盖开发、部署到维运更多模型生命周期阶段的需求。

进一步来说，就Gemini而言，Google发表高阶Ultra版、中阶Pro和用於行动装置的低阶Nano版模型等3种版本，Ultra版将可同时辨识和理解文字、图片与声音，也能处理几种热门开发语言，如Python、Java、C++。而先上架的Gemini Pro模型API预览版，就是中阶款，包括只支援文字输入和生成的Gemini Pro，以及Gemini Pro Vision端点这2种API，後者可处理文字和影像输入，但只输出文字。…

Mistral AI发表了最新的Mixtral 8x7B模型，这个模型是一个具有开放权重的稀疏混合专家模型（Sparse Mixture of Experts Model，SMoE），能够处理32,000个Token上下文，大多数基准测试表现都优於Llama 2 70B（700亿参数）和GPT 3.5模型，并采用Apache 2.0授权开源。

Mixtral 8x7B属於稀疏混合专家模型，而稀疏混合专家模型是一种深度学习架构，适合用於建置大型且高效的神经网路。专家系统是这类模型的重要概念，指的是网路中特定子模组或是子网路，每个专家都擅长处理特定类型的输入资料或是任务。

而稀疏混合专家模型中的稀疏性，则是指每次输入仅会触发一小部分专家，也就是说，并非每一个输入都需要经过所有专家处理，因此可有效降低运算成本。稀疏混合专家模型中经过训练的路由器，能够根据输入资料的特性，分配任务给最适合的专家，而在Mixtral 8x7B模型中，路由器会根据收到的任务决定2个最相关的专家，在2个专家各自处理完输入後，专家输出会被整合成最终的输出。

稀疏混合专家模型透过结合不同专家的知识和技能，以稀疏的方式处理资料，提高大型神经网路的效率和效能，在处理大量参数和资料的同时，将计算成本维持在合理范围。

Mixtral 8x7B模型总共拥有467亿个参数，虽然总参数数量很大，但在处理每个Token时，模型只会选择并使用其中的129亿个参数，而这便是稀疏性的体现，Mixtral 8x7B模型并不会每次都启动所有参数。而也因为模型每次只使用部分参数，使得处理速度和运算成本，相当於一个仅有129亿个参数的模型。

根据官方的资料，相比同为开源的Llama 2 70B模型，Mixtral 8x7B在多数基准测试表现更好，推理速度更是Llama 2 70B的6倍，而且Mixtral 8x7B在大多数标准基准测试中，表现也都与GPT3.5相当甚至超越。在幻觉（Hallucination）和偏见（Bias）方面，比起Llama 2，Mixtral表现更加真实，并且呈现较少的偏见。

目前Mixtral 8x7B能够处理英文、法文、义大利文、德文和西班牙文，其生成程式码的能力很出色。Mixtral 8x7B经过微调後的指令跟随模型Mixtral 8x7B Instruct，在MT-Bench获得8.3分，成为目前最佳的开源指令跟随模型，效能与GPT 3.5相当。…