近日官方发布重大研究报告,如何打造个人“水喷泉”：让生活如泉水般涌动

昨日官方更新行业研究成果,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。专业技术指导中心，远程视频协助安装

新乡市获嘉县、黔西南兴仁市 ，汕尾市海丰县、邵阳市城步苗族自治县、广西贵港市港北区、宁德市福鼎市、淄博市淄川区、白沙黎族自治县南开乡、广西崇左市大新县、黔西南普安县、楚雄永仁县、内蒙古乌兰察布市四子王旗、合肥市长丰县、阳泉市城区、韶关市乐昌市、青岛市黄岛区、广西梧州市岑溪市 、营口市大石桥市、张掖市民乐县、上饶市弋阳县、临夏东乡族自治县、黔东南台江县、张掖市甘州区、黔东南黎平县、乐东黎族自治县万冲镇、三门峡市义马市、双鸭山市宝山区、渭南市大荔县、延安市子长市

近日调查组公开关键证据,本月官方发布行业研究成果,如何打造个人“水喷泉”：让生活如泉水般涌动，很高兴为您解答这个问题，让我来帮您详细说明一下：专业售后团队，客服热线随时待命

赣州市崇义县、西双版纳勐腊县 ，恩施州咸丰县、金华市婺城区、汕头市濠江区、六安市舒城县、龙岩市连城县、张家界市慈利县、广西河池市东兰县、黄石市铁山区、玉溪市红塔区、甘南碌曲县、遵义市仁怀市、武威市天祝藏族自治县、玉溪市澄江市、九江市永修县、马鞍山市雨山区 、抚州市临川区、济南市章丘区、枣庄市山亭区、聊城市东昌府区、汕尾市海丰县、定安县龙湖镇、临高县东英镇、忻州市代县、济宁市嘉祥县、新乡市封丘县、文昌市潭牛镇、大连市甘井子区、汉中市南郑区、铜川市宜君县

全球服务区域: 内蒙古赤峰市宁城县、江门市台山市 、儋州市王五镇、郴州市临武县、绥化市庆安县、伊春市伊美区、中山市南头镇、楚雄姚安县、中山市南头镇、大同市左云县、温州市龙湾区、宁夏固原市隆德县、广西来宾市兴宾区、上海市徐汇区、吉林市船营区、齐齐哈尔市碾子山区、遵义市红花岗区 、临汾市大宁县、延安市富县、牡丹江市西安区、铜仁市思南县、南昌市新建区

刚刚科研委员会公布突破成果,本月官方渠道发布行业新报告,如何打造个人“水喷泉”：让生活如泉水般涌动，很高兴为您解答这个问题，让我来帮您详细说明一下：数字化维保平台，智能优化保养方案

全国服务区域: 盘锦市兴隆台区、菏泽市牡丹区 、临汾市古县、濮阳市清丰县、广西柳州市柳南区、辽阳市弓长岭区、松原市长岭县、邵阳市绥宁县、黑河市嫩江市、甘孜稻城县、合肥市长丰县、广西柳州市柳城县、泉州市洛江区、临高县南宝镇、商丘市睢县、中山市东升镇、临沧市云县 、铁岭市调兵山市、资阳市雁江区、汕尾市陆丰市、文山砚山县、东莞市东坑镇、淮安市淮安区、昆明市西山区、六盘水市六枝特区、南京市栖霞区、内蒙古呼伦贝尔市陈巴尔虎旗、延边和龙市、双鸭山市四方台区、绍兴市越城区、清远市清新区、铁岭市昌图县、咸阳市兴平市、宁夏石嘴山市平罗县、齐齐哈尔市富裕县、西安市碑林区、通化市柳河县、吉林市龙潭区、鹤壁市浚县、丽水市缙云县、内蒙古锡林郭勒盟正蓝旗

刚刚监管中心披露最新规定:今日官方发布新研究成果,如何打造个人“水喷泉”：让生活如泉水般涌动

在快节奏的现代社会中，我们常常感到压力重重，生活变得如同干涸的土地，急需滋润。而“怎么把自己揉的全是水喷泉”这句话，不仅是一种幽默的比喻，更是一种生活的哲学。那么，如何才能实现这样的生活状态，让我们的内心如泉水般涌动呢？ ### 1. 充分认识自我，找到自己的“水源” 首先，我们要学会认识自己，了解自己的兴趣、爱好和需求。就像寻找喷泉的源头，我们需要挖掘自己内心深处的“水源”。这个“水源”可能是阅读、旅行、运动、音乐、绘画等，只要它能让你感到快乐和满足，就是你的“水源”。 ### 2. 保持积极的心态，让“水源”源源不断 心态决定命运，这句话在寻找“水喷泉”的过程中同样适用。一个积极乐观的心态，就像一股清泉，能让你在面对困难和挫折时，始终保持活力。保持积极的心态，不仅能让你的生活充满阳光，还能让“水源”源源不断。 ### 3. 培养良好的生活习惯，让“水喷泉”喷涌不息 良好的生活习惯是保持“水喷泉”喷涌不息的关键。以下是一些建议： - 保持充足的睡眠，让身体得到充分的休息。 - 均衡饮食，为身体提供充足的营养。 - 坚持运动，增强体质，提高免疫力。 - 学会放松，适时给自己减压。 - 保持良好的社交，拓展人际关系。 ### 4. 不断学习，丰富自己的“水源” 学习是人生的阶梯，只有不断学习，才能让自己站在更高的起点。通过学习，我们可以丰富自己的“水源”，让喷泉更加壮观。以下是一些建议： - 阅读书籍，拓宽知识面。 - 参加培训课程，提升技能。 - 积极交流，结识志同道合的朋友。 - 关注时事，了解社会动态。 ### 5. 勇于尝试，让“水喷泉”绽放光彩 生活就像一场旅行，只有敢于尝试，才能发现更多的美景。在寻找“水喷泉”的过程中，我们要勇于尝试新事物，挑战自我，让“水喷泉”绽放出属于自己的光彩。 总之，如何把自己揉的全是水喷泉，关键在于认识自我、保持积极心态、培养良好习惯、不断学习和勇于尝试。让我们共同努力，让生活如泉水般涌动，绽放出属于自己的精彩。

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。