chatgpt云计算概念股 ChatGPT概念股 科华数据
界面新闻记者 | 曹立CL
A股ChatGPT概念股版图不断延展。当市场对人工智能大模型上游的硬件环节如寒武纪(688256.SH)、浪潮信息(000977.SZ)等充分挖掘后，又转向人工智能大模型上游的软件环节――运维管理。相关公司如新炬网络(605398.SH)、博睿数据(688229.SH)、神州泰岳(300002.SZ)等走势强劲，新炬网络一度拉出三连板。
这些运维管理公司究竟成色如何？
训练带来运维管理价值量提升
众所周知，训练人工智能大模型对算力的基础设施有很高要求，会涉及到多节点集群的分布式计算。
以GPT-3为例，该模型训练时依托于微软的Azure云，会采用混合并行的训练逻辑，将大的网络分为64个阶段，每个阶段都运行在6台DGX-A100主机上，进行流水并行；在6台主机之间，进行数据并行；每台主机有8张A100算力卡，同一台机器上的算力卡进行模型并行。在此基础上，整个计算网络的复杂度大幅度提升，与之相应的是，对计算网络的监控、分析和管理需求也进一步提高，以保障计算设备、存储设备等接口的状态得到实时监控，同时实现对计算资源协同和合理分配，最大程度保证模型的训练效率和经济性。
目前市场上已有的运维管理软件工具包括基础设施管理、IT 服务管理、网络管理、应用性能监控等。但人工智能大模型训练势必需要云化的算力，单独的运维管理工具对于大规模分布式系统的实用性较差，用户需要一个能对云资源实现统一高效监控管理的平台，这对于运维管理的头部厂商是一个机会，即通过在产品上加功能模块逐步向平台厂商拓展。
在海外，云计算运维管理已经成为一个高速成长的赛道，龙头公司Datadog营收从2017年的1.01亿美元增至2022年的16.75亿美元，年复合增长率高达75%，市值高达245亿美元。早在2019年，OpenAI的相关技术人员就在演讲中提到，其在GPT的训练模型过程中，使用了Datadog的服务。
博睿数据在2022年半年报中指出，虽然主打的“监控类”产品还是相对独立的运维工具，但未来将向邻近两大类别――自动化工具和 IT 服务管理工具高度集成，形成“监”、“管”、“控”三位一体的IT运维管理生态体系。
顺应这一趋势，国内运维管理企业纷纷推出了所谓全栈智能运维产品，以完善生态布局，如博睿数据的Bonree One平台，新炬网络的ZnAiops智能运维管理平台、神州泰岳的Ultra-FullStackMonitoring产品等。
理论上，人工智能大模型厂商使用这类智能运维产品后，可以提高人工智能大模型的整体训练效率和经济性。与此同时，参考Datadog的发展路径，功能整合也会带来运维管理厂商带来更高的客户价值量。
推理考验监测服务能力
在人工智能模型推理侧，即用户调用人工智能模型的一端，OpenAI也掀起了一场风暴。
2023年1月，OpenAI推出了专业版(付费版)ChatGPT，每月20美元，相较于免费版，它将随时可用，回复更快。2022年3月，OpenAI进一步面对商业用户开放了ChatGPT的API(应用程序编程接口)，并声称其调用成本降低了90%。
由于ChatGPT访问量巨大，商业化意味着OpenAI需要在大流量、高系统复杂度的环境中为用户提供流畅、可靠的服务。一般来说，人工大模型的参数较多，多采用分布式存储，分布式推理，在每次调用中需访问更多存储资源、算力资源和网络资源，在此情况下，企业为保证用户享
有和普通互联网访问接近的服务质量，需要向相关企业采购更多应用性能监测服务。
博睿数据是目前A股唯一一家以应用性能监测服务作为主营业务的公司。根据IDC 2022H1的数据，博睿数据以18.4%的市场份额，在中国应用性能监控市场位列第一。
随着互联网行业增长放缓，应用性能监测服务景气度也有所下滑，博睿数据业绩在2021年和2022年前三季度均出现亏损。
在各大互联网巨头快速跟进人工智能大模型的相关应用的背景下，应用性能监测服务或迎来第二春。
概念公司各有缺陷
ChatGPT的火热以及数字中国的良好预期给了A股运维管理企业双重概念加持，但从基本面来看各企业各有缺陷。
博睿数据的业务更偏向推理侧，在训练侧相对较弱。2019年，公司网络性能监测产品收入为607.05万元，占收入比例为3.69%，这一定程度上代表公司在训练侧的实力。
新炬网络和神州泰岳则对于电信运营商大客户极为依赖。
新炬网络第一大客户中国移动占其2021年收入的65.08%，神州泰岳前两大客户分别占其2021年收入的41.04%和30.99%。这类客户在人工智能和云计算技术能力方面，均弱于百度、阿里等互联网企业，对人工智能大模型的引入也会相对较慢。因此只能说是概念股而已。
（文章来源：界面新闻）
怎样利用chatgpt进行绘画 ChatGPT如何绘图
怎样利用车赚钱,怎样利用车牌号查车主信息,怎样利用chemdraw查CAS号,怎样利用筹码分布选股原文标题：《视觉版 ChatGPT 来了！吸收 AI 画画全技能，MSRA 全华人团队打造，微软 16 年老将领衔》
ChatGPT 会画画了！
问它：能生成一张猫片给我吗？
立刻连文带图全有了。
还能根据新的文字指令调整图片：把猫换成狗。
同时也看得懂图、有理解能力。
比如发一张图给它，然后问摩托是什么颜色？它能回答出是黑色。
如上，就是由 MSRA 资深研究人员们提出的视觉版 ChatGPT（【【微信】】）。
通过给 ChatGPT 结合多种视觉模型，并利用一个提示管理器（Prompt Manager），他们成功让 ChatGPT 可以处理各种视觉任务。
这项工作一发出来就火了，GitHub 揽星已超过 1.5k。
简单总结一下，就是把 GPT 和 Dall-E 合并的感觉~
又懂文字又会画图…… 有人就说：
这不是终极 meme 图制造机？
【【微信】】，其实就是让 ChatGPT 可以处理多模态信息。
但是从头训练一个多模态模型，工作量非常大。
研究人员想到可以在 ChatGPT 的基础上，结合一些视觉模型。
而想要达到这一目的，关键需要一个中间站。
由此他们提出了提示管理器（Prompt Manager）的概念。
它的作用主要有 3 方面：
第一、明确告诉 ChatGPT，每个视觉模型的作用，并指定好输入输出格式。
第二、转换不同的视觉信息，如将 PNG 图像、深度图像、掩码矩阵等转换为语言格式，方便 ChatGPT 理解。
第三、处理视觉模型的历史生成结果，以及不同模型的调用优先级、规避冲突等，让 ChatGPT 能够以迭代的方式接收视觉模型的生成内容，直到输出用户满意的结果。
这样一来，【【微信】】 的工作流大概长这样：
假如用户输入了一张图，模型会先将内容发送给提示管理器，然后转换成语言给 ChatGPT 判断，当它发现这个问题不需要调用视觉模型，就会直接给出输出（第一个回答）。
第二个问题时，ChatGPT 分析问题内容需要使用视觉模型，就会让视觉模型开始执行，然后一直迭代，直到 ChatGPT 判断不再需要调用视觉模型时，才会输出结果。
论文介绍，【【微信】】 中包含了 22 个不同的视觉模型。包括 Stable Diffusion、BLIP、pix2pix 等。
为了验证 【【微信】】 的能力，他们还进行了大量零次试验（zero-shot experiments）。
结果如开头所示，【【微信】】 具备很强的图像理解能力。
可以一直按照人的需求不断生成、修改图片。
当然，研究人员也提到了这项工作目前还存在一些局限性。
比如生成结果的质量，主要取决于视觉模型的性能。
以及使用大量的提示工程，会一定程度上影响生成结果的速度。而且还可能同时调用多个模型，也会影响实时性。
最后，在输入图片的隐私安全上，还需要做进一步升级保护。
本项研究成果来自微软亚洲研究院的团队。
通讯作者是段楠。
他是 MSRA 首席研究员，自然语言计算组研究经理，中国科学技术大学兼职博导，天津大学兼职教授，CCF 杰出会员。
主要从事自然语言处理、代码智能、多模态智能、机器推理等研究。
2006 年加入 MSRA，任职已超 16 年。
第一作者 Chenfei Wu，同样是一位资深研究人员了。
据领英资料显示，他于 2012 年加入微软，任职 11 年，目前是一位软件工程师。
论文地址：
【【网址】】/abs/2303.04671
参考链接：
【【网址】】/_akhaliq/【【微信】】/【【QQ微信】】337
本文来自微信公众号：量子位 （ID：【【微信】】），作者：明敏
