openvpn免流

美系外资摩根士丹利（大摩）出具最新报告指出，市场共识世芯 2024 年总销量将年增超过 50%，该公司在 ASIC 设计服务极具竞争力，加上 2025 年後有望从汽车和 AI 领域赢得更多专案，因此重申优於大盘，目标价 3,880 元。

大摩指出，英特尔 Habana AI 加速器可能是世芯新一年成长关键，供应链调查显示，这款产品可能用於 7 奈米制程的 Gaudi 2，用於阿里云等中国客户上，并於 2024 年贡献 2.5 亿美元营收。英特尔 Gaudi 3 定 2024 年推出，不过出货量取决於台积电 CoWoS-S 供应。

根据供应链调查，世芯目前与中国电动车制造商力帆集团合作 5 奈米专案，同时，蔚来汽车自研自驾晶片量产时间从 2026 年提前至 2025 年。大摩指出，与特斯拉全自动驾驶（FSD）晶片和 NVIDIA Orin自主晶片比较，蔚来汽车 …

受惠生成式人工智慧（AI）带动的新兴需求，资金聚焦 AI 题材股，美国科技股「七巨头」（Magnificent Seven）扛起 2023 年美股多头大旗。展望 2024 年，专家认为，七巨头股价虽已涨多，但没有过热疑虑，股价仍有机会继续向上，做空七巨头绝非明智之举。

Markets Insider报导，随着AI题材爆发，美国大型科技股股价沾光，尤其是苹果、微软、Google母公司Alphabet、亚马逊、NVIDIA、Meta和特斯拉等七档重量级科技股，2023年上涨逾40%至240%不等，而大盘标普500指数2023年强涨23%，有高达四分之三的涨幅来自於七巨头的贡献，市场上甚至出现「标普493指数」一词，形容股市涨势极度头重脚轻。

根据知名投行高盛（Goldman Sachs）统计，2023年截至11月底，美股科技七巨头股价飙涨71%，相较之下，标普500指数其余493档成分股，股价在此期间仅小涨6%。

高盛首席美股策略师David Kostin直言，AI热潮带动七巨头股价水涨船高，以AI长线趋势不变来看，2024年，七巨头股价有机会再攻高，保持优於标普500指数其他成分股的表现。

观察全球AI市场，美股七巨头各据山头。例如：NVIDIA掌控训练AI模型的GPU市场、微软与OpenAI紧密合作，Google拥有Gemini AI模型，而苹果和亚马逊也在AI方面扩大布局，抢占市场大饼。

另外，七大科技巨头坐拥大量现金，并有海量的现成资源用来研发AI，为七巨头发展AI市场一大优势，其他竞争对手难以轻易撼动，也是七巨头2024年可望再创优异绩效的主要原因。

Minerva Analysis创办人Kathleen Brooks提醒，美股七巨头2023年大丰收，不代表2024年必会回档整理，现在做空七巨头等於是挑战市场，显然不是一个好主意。

（本文由 MoneyDJ新闻 授权转载；首图来源：shutterstock）…

分享至

【AI新浪潮：生成式变革】系列讲座

产业与职涯的发展：生成式AI如何协助我？ 2024.1/6（六）14:00

订阅 CASE YouTube 锁定直播 开启

采访、撰文｜谢达文

审定｜吕欣泽 教授

「定义问题」和「拆解问题」──吕欣泽从自身的经验出发，强调如果要让科技工具发挥最大效用，关键正是这两项能力。

吕欣泽目前任教於政治大学创新国际学院。在攻读博士班、进入学界之前，他曾是财团法人资讯工业策进会（简称资策会）的一名工程师，协助台湾的科技业者发展所需的技术。他之所以决定报考博士班，正是因为他在资策会工作期间，发现自己的能力有所不足。而这一个发现，居然跟两千公里外的一场洪灾有关。

一场洪水，让他发现自己的不足

那是2011年10月，当时国际上硬碟每四颗就有一颗是从泰国出产，而泰国中部工业园区遭遇的洪灾，迫使数家国际硬碟大厂宣布减产，硬碟价格因而翻涨。

那时的吕欣泽正在资策会领导一个团队，刚执行完一个大专案。在那个专案中，他不必自己思考计画的目标，而是跟随大前辈的指引前进。这位大前辈叫做王玮，曾经在美国担任IBM系统和技术部副总裁，退休後回到台湾。吕欣泽解释，「大前辈看到了台湾科技产业的窘境」，点出台湾的硬体产业虽然相当强大，但缺乏相搭配的软体为产品加值。在这个战略目标下，吕欣泽负责的专案是为台湾硬体业者发展相搭配的云端储存软体。他们研发结果相当成功，甚至受邀到美国拉斯维加斯发表研发成果──「我们还有露出国旗」，他不无得意地说。

由於过往的成绩，吕欣泽的主管希望他能够尝试自己提案，向高层争取研发经费。为此，他第一次需要独立作业，「报告市场的状况和遇到的问题，以及可能的解方，说服主管提供一年的经费。」

在发想过程中，他回想起泰国洪水导致硬碟价格飙涨的困境，因而提议研发让硬碟使用成本降低的技术。然而，在报告後主管却马上点出，「这是偶然的事件，而且制造商也会调适」，硬碟售价过一段时间就会回稳，因此不是一个必需解决的问题──吕欣泽现在已能笑着回忆结果：「当然，这个经费我也没有拿到。」

在业界，定义问题意味着要找到「痛点」

这个经验让他体认到，要能精准「定义问题」，才能运用科技发挥影响力。「我就是缺乏定义问题的能力，所以决定去念博士班培养这样的能力。」

在好友的推荐下，他找到时任教育部资讯及科技教育司司长的杨镇华教授担任指导，投入资讯与教育相关的主题，关注如何「让小朋友的学习体验更好」。他开始投入电子书、程式设计工具等一个又一个的学习软体中，从文献和一线教师的需求中厘清问题所在。

有了这样的经验累积，被问到会给学生怎样的建议时，吕欣泽更有信心，强调「定义问题」确实是重中之重──「要能够辨认业务上的痛点，唯有知道业务上的痛点才能知道如何解题。」

他更进一步提醒：「只要把问题提出来，要用AI解决就很容易，所以平常就要放『心』在业务上，并且要去问怎麽样才可以做得更好。」科技工具会不断翻新，这种找出痛点的能力才是真正的核心。

要善用科技工具，就必须掌握解构问题的能力

当然，定义问题之後仍须解决问题。对此，吕欣泽强调「解构问题」的重要性。

这同样与他自身经验有关。「我在硕士时接到一个案子，要处理一个影像的问题，当时发现没有办法一次解决，但可以先做A再做B，拆成五、六块就能解决了。」而到了博士班之後，他才意外读到这种技能早就有人讨论，在文献上被称为先decompose再compose的技能。

现在，他将这个体认融入课堂的设计中。面对ChatGPT，他主张并不需要防堵学生使用，而应该让学生练习拆解问题，并与AI分工合作。因此，他反而要求学生练习用ChatGPT解决问题，并尝试记录学生与ChatGPT互动的过程，甚至特别为此写了程式，让学生可以藉由Line使用付费版的ChatGPT。

到了期末考，他则设计一个复杂的递回问题，学生无法直接将题目的要求丢进ChatGPT，必须先迅速将专案拆解成小模组，让ChatGPT分开回答之後，再来想办法整合。同时，他也鼓励同学拆解问题後，彼此合作、分工解题。「我唯一的要求是不可以讲话，但你尽情地使用电脑，甚至使用ChatGPT。」

「有些人甚至会认为这是作弊」，但吕欣泽指出，这个模式才真正符合业界真实的工作型态。他举例，「在资策会，我们常独自至业者的机房解题，多数情境也是仰赖团队合作」，将专案拆解成好几块之後，再交由不同团队成员解决。除此之外，工程师本来就不需要自己从零开始写程式，「我们之前写程式，也都经常先Google，或者是到Stack Overflow上复制别人写的程式码再改写」──他说，唯一的差别是现在的学生连Google都不用了，而可以直接利用AI、与AI分工合作。

正是在这个思维下，吕欣泽才做出了这样的结论：与其担心AI取代工作，我们「更该思考可以如何运用AI，才能提升我们的工作效率」。而显然，定义问题和拆解问题的能力，将是思考此一问题时的两大关键。

先把 OpenAI 管理层大乱斗放到一边，聊聊最新传言：Q*。

OpenAI 11 月 22 日寄了员工信，证实有 Q* 计画，描述为「超越人类的自主系统」，着实让人害怕。虽然OpenAI还没放出任何Q*细节，但以我们微薄知识来看看这可能是什麽。

第一步是Q*怎麽读，正式名称念作Q-Star。你没看错，即便深度学习，区块间透过乘积求解，但Q*的「*」并不是指乘法，而是「星号」。「Q」字母在强化学习表示动作的期望奖励。

人工智慧领域凡跟大写Q沾上边，本质都是Q学习。Q学习以现在评判标准可算是强化学习的一种，指训练时记录历史奖励值，告诉智慧体下步怎麽选才能与历史最高奖励值相同。但注意，历史最大奖励值并不代表模型最大奖励值，有可能是也很大可能不是，甚至可能完全无关。换句话说，Q学习和智慧体就像球队分析师和教练的关系，教练指导球队，分析师辅佐教练。

强化学习时智慧体输出决策是回馈到环境才能得到奖励，Q学习因只记录奖励值，因此不需要建模环境，等於「结果好，一切就好」。

不过看起来Q学习好像不如现在的AI，尤其大模型常用深度学习模型，动不动几十亿、几百亿参数，Q学习不仅对模型没什麽帮助，反倒增加复杂性，降低稳健度。别急，其实这是因上述Q学习背後想法只是诞生於1989年的基本概念。

DeepMind 2013年改进Q学习，推出演算法叫深度Q学习，特点就是经历重播，从过去多结果采样，再使用Q学习，达到提高模型稳定性，降低模型因某次结果导致训练方向太发散。但实话实说，这概念没有成主流当然有原因，实际意义看，深度Q学习最大作用就是发展成DQN。DQN指深度Q网路，从深度Q学习诞生。DQN想法和Q学习一模一样，但求得Q学习最大奖励值时是用神经网路达成，这就fashion起来了。

DQN同时间只会产生一个节点，DQN会产生优先权伫列，再把剩下节点和动作元祖存到优先权伫列里。显而易见，一个节点肯定不够用，如果全程就一个节点那最後求解答案一定错得离谱。当节点和动作元祖从队列移出，就会根据动作应用到已产生的节点关联性产生新节点，以此类推。

稍微懂点人工智慧发展史的人会越看越眼熟，这不就是高配版佛洛伊德求边长？

现代电脑处理器核心原理就是佛洛伊德演算法，与历史最优值比对，求得两点间最短路径。记忆体作用就是将计算以优先权储存，每当处理器完成一次计算，记忆体再把下一条计算丢给处理器。

DQN没什麽本质差别，这基本就是Q的意思，那*又指什麽？许多业界人士分析，*很可能指A*演算法。这是一种启发式演算法，先不讲启发式演算法是什麽，来讲个笑话：

A问B：「快速算出1928749189571*1982379176乘积」，B立刻回答：「32」，A很纳闷，这麽大两数相乘，不可能答案是两位数，B反问A：「你就说快不快？」

看起来离谱，但启发式演算法同道理。

本质是估算，效率和正解间只能选择一个──不是讲究效率但有时出错，要不就讲究正确性但耗时很长。A*演算法先透过启发式演算法估算大概值，当然这值很可能极度偏离正解。估算完成後开始循环遍历，如果怎样都没办法解开就重新估值，直到开始出现解。如此反覆，最终得出最佳解。

虽然得到最佳解，A*就是上文提到的第二种，答案对，耗时较长。放在实验室环境还好，这种演算法要是登上个人装置，有可能导致记忆体溢出，产生系统问题，例经典蓝色画面。

因此这限制使过往A*演算法往往用於较不复杂的模型，最典型就是网路游戏角色找路。大型游戏角色找路开始刹那要是卡顿，就是因A*演算法。

综合看，人工智慧圈共识是OpenAI提到的Q*演算法，大概是Q学习和A两者截长补短，即节省算力、节省记忆体并得到最佳解──因总不可能多花费算力又浪费记忆体，最後还得不到最佳解吧！

且就像OpenAI把基础模型这件事最终做成，同样早已存在，甚至一度遭冷落，直到OpenAI用创新方法重新挖掘潜力。现在我们有理由相信Q和A这早就存在的算法思路，OpenAI能故技重施再创造奇蹟──当然这奇蹟会危害人类的可能性也因最近OpenAI闹剧让更多人忧心忡忡。

回到演算法，Q*最有可能的样子是利用Q学习快速找到接近最佳解的估值，再利用A*演算法小范围求解，省去大量无意义计算，达到快速求得最佳解。但OpenAI会怎麽做，还得等论文公开（如果等得到）。

Q*出现说明一个问题，人工智慧领头公司意识到人工智慧发展求解的过程比求解更有意义，因现在只追求答案的正确性不再能满足人们对人工智慧的需求，如OpenCompass即便平均分数差10或20分，如果从理解准确率看，最好和最差模型差距没有很大。

人们猜测和恐慌关於Q*的说法是，Q*可解决非常高级的数学问题。萨里以人为本人工智慧研究所所长安德鲁·罗戈斯基表示：「我们知道现有人工智慧已证明能做本科水准的数学运算，但无法处理更高级数学问题。但Q*极有可能解决高难度数学问题。」说不定等到Q*出现，还能考考它哥德巴赫猜想（Goldbach′s conjecture）。数学是人类智慧的最伟大结晶之一，因此Q*只是还只是个代号就引发全世界恐慌。

Q*背後也与OpenAI使命连结──通用人工智慧（AGI），甚至超级智慧。OpenAI将AGI定义为最具经济价值的任务超越人类的自主系统，Q*就是OpenAI迈向AGI的一步。

OpenAI对Q*和信件外泄没有发表任何评论，但笔者喜忧参半。对Q*拥有强大能力很开心，人工智慧领域发展会更进一步；同时担心Q*噱头大於实力，真到发表那天测试结果就那麽回事，狠狠打脸笔者。

（本文由 品玩 授权转载；首图来源：shutterstock）