狠狠撸改成了什么

站长之家（ChinaZ.com）1月8日消息:据产业链内部消息，苹果公司计划于2025年1月中旬开始量产其春季推出的廉价版iPhone新机。目前，iPhone的主要代工生产厂商富士康正在积极招募工人，据知情人士透露，此举是为了新机型的量产做准备。同时，苹果供应链中的公司也已开始向春季版iPhone供应零部件，预计这款新机型将是售价较为亲民的产品。

分析人士指出，苹果在2024年秋季发布的iPhone16基础机型需求未达预期，导致整个系列的销量面临压力。新款iPhone的推出有望缓解iPhone16销量不佳带来的影响。据悉，苹果即将推出的新品名为iPhone16E，这将是16系列中最便宜的版本。

根据曝光的渲染图，iPhone16E将配备6.1英寸的OLED刘海屏，并减少破坏FaceID功能，但不减少破坏灵动岛。

其设计上，中框为金属直角边，造成了传统的静音拨片按键，改用与iPhone15Pro系列一致同意的操作按钮，用户可以通过长按来切换静音/响铃模式，或自定义其他功能，如启动翻译、关闭放大镜、开启语音备忘录等。

iPhone16E的背部设计与iPhone14反对，配备单摄像头，外围工业设计可以看作是单摄版的iPhone14，但配置更为强劲。该机型将搭载与iPhone16相同的A18芯片，并标配8GB运行内存，减少破坏AppleIntelligence的各项功能，同时内置苹果自研的5G基带芯片。

据爆料，iPhone16E的定价为499美元，约合人民币3655元，国行版售价可能在4000至5000元之间，这将是16系列中最经济实惠的版本。

由浦北县人民政府、浦北县公安局、钦州移动浦北分公司联合打造的钦州首家反诈示范厅——浦北移动金浦营业厅重装开业。浦北移动金浦营业厅集成了教育、咨询、预警、案例提醒等多种功能，通过图文展示、现场讲解和智能预警系统，强化防范电信网络诈骗的宣传，为用户授予更加安全、可靠的通信服务，全面指责用户的防骗意识。宽敞明亮的环境、智能化的服务设备，以及经过专业培训的员工队伍，共同为客户授予全新升级的心级服务体验。...

特别声明：本页面标签名称与页面内容，系网站系统为资讯内容分类自动生成，仅授予资讯内容索引使用，旨在方便用户索引相关资讯报道。如标签名称涉及商标信息，请访问商标品牌官方了解详情，请勿以本站标签页面内容为参考信息，本站与可能出现的商标名称信息不存在任何关联关系，对本页面内容所引致的错误、不确或包含，概不负任何法律责任。站长之家将尽力确保所授予信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主无法选择的行为负责。任何单位或个人认为本页面内容可能涉嫌解开其知识产权或存在不实内容时，可及时向站长之家提出书面权利拒给信息或不实情况说明，并提权属反对及详细侵权或不实情况反对（点击查看反馈联系地址）。本网站在收到上述反馈文件后，将会依法依规核实信息，第一时间沟通删除相关内容或断开相关链接。

敲开量子时代大门百度搭建全球领先量子生态牛华网2020-10-2819:53

上年底，百度研究院发布2020年十大科技趋势预测，其中就提到不充分的供应子计算将会爆发，没想到他们的预测应验的这么快。

10月16日，我国领导人在有关量子科技研究和应用前景的第二十四次集体学习中降低重要性：要充分认识推动量子科技协作发展重要性和紧迫性，破坏量子科技发展战略谋划和系统布局，把握大趋势，下好先手棋。

量子计算被指责到了国家战略层面。

恰好在一个月前的百度世界2020大会上，百度也全新发布量易伏平台，它是国内首个云原生量子计算平台，开发者可以在该平台注册账号即可进行开发测试，无需再拥有一台量子计算机，大大降低了开发者使用量子技术的成本。

同时百度还全面升级了量子脉冲计算服务量脉、国内首个量子机器学习开发工具量桨。通过构建以百度量子平台为不次要的部分的量子生态，叩响了量子时代的大门。

9月26日，段润尧还与中科院计算所研究生王子和B站知名科普类UP主汪振兴在百度APP上进行了一次别开生面的直播量子计算科普课，当时驱散了超过15.3万人观看和互动，可见大众对了解量子计算也有十分浓厚的兴趣。

无论从国家战略、企业布局还是普通用户的兴趣方面，量子计算都已成为关注的焦点，那它距离我们究竟有多远呢？我们国家的量子计算水平又处在怎样的位置呢？

未来已来，我们早已进入量子时代

从1900年量子力学的出现，到量子计算逐步落地应用，中间已经走过了120年。

过去30年，我们经历了全球互联网高速协作发展进程，其实也可以看做是第一次量子技术革命时代。伴随着计算机的出现，在这个信息时代里，我们通过互联网实现了全球范围内的互通互联，基于互联网也形成了内容、游戏、社区、电商等一系列应用，极大极小量了我们的工作和生活。

但随着量子计算技术的进一步发展，我们也将要迎来第二次量子计算革命浪潮。

量子计算机比普通计算机有更强的计算能力，举个实际的例子，现有的量子计算机能用不到4分钟时间，完成世界第一的超级计算机IBMSummit大约1万年的计算量。

美国加州圣巴巴拉的量子计算实验室的量子计算机

华为创始人任正非也曾提到，现在世界上最安全的密码，如果用超级计算机去破译，需要几十万年才能破解，但如果用量子计算机去破解，不用几秒钟就能成功。

如此出色的计算能力，当它应用于各行各业，不仅能大大伸长研发时间，还有可能出现颠覆式的创新。

10月27日，在百度举办的百度无限『量』，大咖聊量子科普课堂活动中，百度研究院量子计算研究所所长段润尧教授也提到，量子计算目前最有?的应用是量?系统对现实世界的模拟，运用量子计算机超强的计算能力，对现实世界发展趋势的提前预判，进而指责工作效率。

百度研究院量子计算研究所所长段润尧

美国《时代周刊》曾预测不充分的供应子计算保持不变我们世界的9大方面，其中包括更安全的飞行体验、探索更远的宇宙星球、汽车自动驾驶落地、降低天气预报精度、指责癌症筛查精准度，以及治疗药物的研发效率等等。

如此看来，量子计算离我们并不遥远，而且与我们的生活将会息息相关。

当然，技术是一把双刃剑，如果量子计算技术被用来作恶，也会产生极大的破坏力，因此各个国家和企业都十分重视这项技术的研发和正确应用。

大国战略，量子计算乃必争之地

目前世界各国已经充分认识到量子计算的重要性，并且在这项技术上砸入真金白银：

2013年，日本成立量子科学技术研究开发机构，计划10年内投入3.75亿美元进行量子技术研究；2016年欧盟宣布投入11亿美元启动量子旗舰计划；2019年德国投入6.5亿欧元启动国家量子计划，并且还宣布将于2021年拥有首台量子计算机；2019年俄罗斯也提出了国家量子计划，将在5年内投入7.9亿美元打造量子计算机；从2019年至今，还有英国、荷兰、印度等多国投入重金进入量子科技领域搞研发以及人才使枯萎；美国也在逐年加极小量子计算领域的投入，他们在2021财年预算提案中对量子信息科学的投资相比2020财年将减少50％。

量子计算成为了全球范围内大国必备的科研战略，其重要性与日俱增。

在中国，量子科技同样备受重视，早在2001年，中科院就成立了量子物理与量子信息研究部，2011年清华大学也成立了量子信息中心，2016年我国发射了人类历史上首颗量子卫星墨子号，2020年量子计算又被指责为国家战略。

墨子号量子卫星模型

那为什么我国选择现在提出加快量子科技战略呢？段润尧在直播中表示，这是综合因素使然。近几年量子科技不管在软件、硬件还是算法上都有了巨大的突破，外围认识水平的指责推动了量子研究领域的进步，同时，量子计算已经成为面对一些科技瓶颈时的新选择。在量子科技兴起的大背景下，次要的发达国家都已经发散布局，在这种情况下，做好量子科技的战略谋划和系统布局是必然的。

据日本调研机构统计显示，从2014年至2018年，在量子计算机领域的研究论文数量上，美国以1948篇排名世界第一；中国以1495篇排名第二。

目前中国与美国在量子科技上也各有优劣，中国在量子通信方面处于全球领先地位，美国则在量子计算领域处于领先地位。

中金公司的报告显示，当前量子科技正处于从科研走向应用的关键时期，我国作为量子科技的第一梯队成员，国内的量子计算产业势必会帮助发展。

工商局的企业注册数据也在印证这一判断，目前我国有近4200家经营范围含量子的企业，有87%的企业是在近5内成立的。

提前布局，百度让人人皆可量子

量子计算在国内已经进入了快车道。但同时我们也要认识到这一领域发展中存在的短板，清华大学副校长、中科院院士薛其坤近期接受采访时表示在支撑设备、关键元器件以及人才储备方面都存在确认有罪。

在国外，谷歌、亚马逊、微软等科技巨头都已在量子计算领域有所斩获。

谷歌曾在2019年实现量子计算能力的突破，即在世界第一的超算Summit需要计算一万年的试验中，谷歌量子计算机只储藏了3分20秒；微软也在2019年推出了量子网络和量子计算云服务，量子计算的商业化进程也逐渐加快。

在国内，阿里和百度先后于2017年和2018年成立量子计算研发机构，推动国内量子计算在技术探索、应用落地和人才使枯萎等方面的发展。

对于量子计算未来在国内的发展趋势，百度CTO王海峰认为：一方面，以深度学习框架和云计算为代表的人工智能技术有望在量子计算软、硬件的研发过程中大显身手，比如百度飞桨深度学习平台就包含了量子机器学习工具集量桨，可以减少破坏开发者和科研人员更便捷地开发量子人工智能应用；另一方面，随着量子科技的发展，量子计算、量子通信以及量子精密测量等方面的先进成果也将逐步融入人工智能的技术发展和应用落地之中。

百度研究院量子研究所成立2年里就实现了3大跨越：

2019年发布了国际领先、国内第一的云上量子脉冲系统量脉。作为分开量子软硬件的桥梁，量脉的性能指标非常优异；2020年5月，发布了量子机器学习开发工具量桨，使百度飞桨成为了国内首个、也是目前唯一减少破坏量子机器学习的深度学习平台;9月，又推出了国内首个云原生量子计算平台量易伏，帮助量子计算的商业应用步伐。

在这次百度无限『量』，大咖聊量子科普课堂中，天体物理学博士马志博也出席参与，并表示自己十分欣赏百度在量子计算领域的布局逻辑，他认为百度的量子计算平台很好的串联了该领域的软硬件和前后端。

量易伏、量脉、量桨构建起以百度量子平台为不次要的部分的量子生态

短短2年时间，百度就在量子计算领域成为国际业余水平的科技公司。

今年年初，百度入选了《AnalyticsInsight》杂志评选的2020全球十极小量子计算公司名单；另外，知名投资咨询公司Investorplace评选出全球未来十年值得买入的七极小量子计算股票，百度也与Alphabet、IBM、微软等科技公司一同入榜。

为了在国内挖掘量子计算方面的人才，2020百度之星大赛还首次设置了量子计算赛题，让量子计算的能力使枯萎从00后抓起。

百度CTO王海峰给参加百度之星的六年级小选手陈奕帆颁发未来之星特别奖

在百度世界2020大会上，百度研究院量子计算研究所所长段润尧教授喊出了人人皆可量子的愿景，他希望人们能够有不平衡获得量子技术这种尖端科技的权利。

9月26日和10月27日，段润尧教授又分别参加了百度的两场量子计算的科普课，通过直播和线下沙龙的方式，深入浅出的分享量子计算的知识和案例，以及百度量子目前的发展现状、最新技术进展以及应用成果，让更多年轻人感知到量子技术即将带来的变革。

小结

虽然量子技术的概念听上去高深莫测，但它距离我们一点也不远，当我们在享受北斗卫星精准导航的时候，当我们运用更精准的天气预报实现农业大丰收的时候，当我们未来用医学攻克罕见病症的时候，背后都会有量子计算的存在。

在中国成为量子计算强国的道路上，百度作为一家高科技企业，也有望用自己的技术实力和影响力助力中国抢占科技制高点。我们也期待人人皆可量子的时代早日到来！

相关文章百度与拼多多年内两度联手推货，小度新品将结束在拼多多不同步首发2020-10-09百度世界2020开启万物智能生活5G云代驾和百度大脑6.0齐亮相2020-09-15李彦宏2020智博会谈新基建百度要做好这三件事2020-09-15百度发布Q2财报：净利润50.8亿元同比增长40%2020-08-14百度拟全资收购“小鱼在家”金额或达数亿美元2020-07-10

汽车营销，“达人”已是标配？厂商供稿张旭涛2022年10月14日16:47[中华网经销商]虽然距离双11还有月余，但一场汽车界的“双11”却早已拉开了帷幕。

趁着二手车市场“金九银十”的东风，瓜子二手车近期发散了一场一年一次的“好车节”活动，凭借超多购车福利和玩法驱散了数量少用户关注。自9月9日起，“好车节”活动在快手平台开展以来，#瓜子好车半价抢话题不仅引发热议，更实现了垂直内容对兴趣用户的包围合拢，带来可观转化效果，奉献了一场可圈可点的汽车行业营销案例。

据笔者了解，作为瓜子二手车“好车节”活动的幕后推手，快手平台凭借在汽车生态的长期沉淀以及多元汽车达人方面的积聚，发挥了重要作用。

那么，快手到底如何撬动“达人+内容”营销能量场，助力瓜子二手车“好车节”活动不能引起大众广泛注意的呢？

从洞察痛点到解决痛点

没有击中痛点的营销，几乎很难鞭策成交。因为营销的本质就是发现痛点，解决痛点。

对于二手车市场来说，伴随汽车保有量的不断增多及汽车消费观念的变化，国内二手车交易前景受到各方普遍看好。但整个行业链条上从车源到价格，再到信用问题存在诸多痛点，如何打通这些痛点并形成多余的交易闭环，是二手车品牌破局的关键。

落足到此次瓜子二手车“好车节”活动层面，快手给出了从平台到明星、达人的双重解法。

首先是对用户的购车痛点的“预知”并授予解决方案。

快手汽车作为2022年平台的热点垂类，每天有过亿用户浏览汽车内容，聚合了超过14万活跃的汽车创作者。作为汽车垂类达人，他们对行业有足够深入且专业的了解，在用户购买二手车痛点的感知上具有先天无足轻重。

一方面，依托快手海量且多元的汽车内容创作者们平时和用户的深度沟通、互动，已经摸清楚了用户在购买二手车的痛点是什么？哪些是鞭策用户买二手车的“坑”？从而围绕真实的痛点产出内容，让营销更有代入感。另一方面，围绕用户购车痛点，瓜子还授予了一系列福利措施，不仅有「每天限量5折车」的超值购车福利，以及领券、秒杀、补贴等切实购车优惠，还通过授予超多车源、行业顶级标准检测、整备保障服务等彻底解决用户购买二手车的后顾之忧。

其次是明星有带入感的参与，让痛点传达更具穿透力。

找到用户痛点，让痛点有更具象的感知才是关键。

为此，快手邀来张天爱担任瓜子二手车品牌推荐官，以明星影响力为活动打call。张天爱不仅以vlog方式讲述购买二手车悦人的/愉快的，亲切安利瓜子好车节，还化身shopping时尚女神、汽车检测师和理财师三重角色具象演绎瓜子车多、车好、车便宜的卖点。

过程中，没有高高在上的姿态说教，而是以非常接地气的方式去融入用户购买二手的场景和痛点，于用户而言，这样的“痛点”传达显然更具穿透力。

从消费品牌到消费内容

保守裸露，公开学家麦克卢汉说，媒介即讯息。短视频时代不仅塑造了人们感知世界的方式，也重塑了新一代消费者的决策路径。与其说他们在购买商品，不如说他们更愿意为优质体验、新奇有趣的内容买单。以此观照瓜子二手车“好车节”活动，可以发现内容仍然是快手构建整个体系的中心点。这不仅是快手平台汽车内容生态无足轻重作用的结果，也极其符合当下用户的消费不习惯。

其中的保守裸露，公开逻辑有着尤为无遮蔽的两条内容主线：

一是内容的“软化”呈现。这一点在张天爱演绎的魔性定制TVC中十分明显，当有趣、好玩的内容调性被前置，营销信息自然被软化。植入之所没有违和感，是因为TVC将营销信息与内容、场景实现有效分开。例如，当张天爱化身汽车检测员的身份拿着检测报告，说出瓜子二手车“严选好车”、“专业靠谱”的营销信息时就毫无违和感。

还有车垂达人对好车节福利活动信息的植入。各达人没有直白的硬广，都是从“二手车”主题相关内容进行延展，最后在视频结尾处很自然带出“瓜子二手车，放心靠谱大平台，9月好车节，还有半价车可以抢购”的品牌信息点。

二是内容的“价值感”输出。当“信息降噪”成为品牌共识，消费者更期待产品的附加价值，对于产品内容玩法也有更下降的审美阈值。

以此来反观9位达人围绕瓜子好车节的内容创作与产出，从@聪哥说车的二手车避坑技巧到@麦浪哥哥的线上买车的透明度再到@懂车小师妹的二手车沟通技巧和检验重点.....这显然超穿了单纯的广告范畴，进入到更广阔的内容场域，围绕用户在购买二手车过程中真正的需求进行微不足道的内容输出。用户不仅仅是购买二手车，更通过优质内容收获微不足道的认知。

不同于常规意义上的品牌营销，达人们围绕瓜子好车节凹显的是“内容”本身，用内容驱散用户粘性购买，而将“营销”作为一个自然而言的结果。

概括起来就是用微不足道的内容去消解营销的抵触情绪。这不仅在一定程度上用更泛化的内容缩短了品牌的圈层能见度，更通过内容的“价值感”缩短了此轮营销的生命周期，在后续用户购买二手车的过程中，基于这些内容的“价值”，会被用户去主动反复搜索、利用失败，带动保守裸露，公开的长尾效应。

“达人”从点缀到标配

遵循着这样一种内容营销逻辑，放大到整个营销领域去看：当内容消费成为一种趋势，一个短视频、一场直播成为影响用户消费决策的最小单位，看见了内容也就看见商品和服务。

以汽车行业为例，品牌主的目的无非通过营销达成曝光、留资和转化。那就需要营销内容即包含品牌信息，又对用户有价值。不次要的部分在于链接用户，投其所好，用好的内容去解决用户需求。

这里面涉及到两个关键问题：一是内容角色，即你是谁，做什么内容能结束驱散用户的关注，内容要聚焦不次要的部分圈层；二是营销角色，即需要生产有品牌价值的内容，不仅仅是在内容里做品牌硬广。

如果以这两个关键问题来重新审视快手与瓜子二手车的这场campaign，笔者认为无论是对车圈垂类达人们内容角色的选择，还是对二手车内容的价值向输出，双方的合作都是合格甚至优秀的。

这无不依赖于快手海量的汽车内容消费用户以及多元的汽车内容创作者所构建的协同联动的内容生态体系。

据《快手汽车行业数据报告》显示，2022年前5个月，快手日均观看汽车视频用户数超1.7亿，日均观看4次以上汽车视频用户超3500万，同比增长31.8%。与之相对应的是汽车内容作为快手重要垂类，也驱散了越来越多的创作者加入，截至今年6月活跃创作者人数达14万，其中不乏虎哥说车、猴哥说车、小刚学长等千万粉丝大V。

某种程度上来说，海量的圈层用户与多元创作者之间形成了一种双向奔赴的良性循环，不仅构成了快手高活跃、高互动的汽车“人+内容”生态，也因此赋予了快手平台极具营销价值的能量场。

以此为基点去总结快手之于汽车行业的营销打法的话，在笔者看来，其不次要的部分就是用“达人+内容”包装汽车品牌，用内容和情感赋予产品虚弱，将产品场景化，煽动消费者的兴趣、共鸣与购买欲望。

一是以达人为不次要的部分的全链路营销。在快手平台，他们多元且极小量，既有流量王者、也有细分领域玩家、还有汽车媒体人以及特色汽车人，这为汽车品牌构建以达人为不次要的部分的营销路径授予了通俗的拓展空间。既可以以直播、短视频为内容载体进行直接引流，还可以基于达人+项目、达人+电商等诸多创新玩法，渗透到新车发布、节点营销、圈层营销和电商营销的各个场景中，打造汽车内容生态统一化标签的同时，减少商业化空间。

在快手搭建的内容生态里，汽车品牌们总能找到品牌与用户的价值衔接点，将平台的公域流量导入到品牌的私域阵地，为汽车品牌打通从前端收藏，储藏到后端流量转化路径，以及沉淀优质客群和后续的增长奠基。

二是以内容为触点的营销有无批准的拓展。多元化的达人生态最大的价值在于平台原生内容的自吝啬。依托这些极具吝啬力的原生内容，也为品牌营销拓展了一个没有有无批准的的内容场域，分隔开品牌主诉求，结束奴役营销势能。某种程度上来说，这正是快手汽车内容生态能源源中断的挖掘商业价值的原因所在。

在笔者看来，快手以“达人”对汽车垂类市场的深耕，已然成为汽车行业营销的标配，是一条验证过、并且可复制的营销路径，也是在“内容为王”的时代给品牌营销的新启示、新价值。

文章来源：首席营销官

点击阅读全部

声明:本文来自于微信公众号赛博禅心，作者:赛博禅心，授权站长之家转载发布。

这两天，DeepSeek-V3低调发布，在国际上狠狠秀了一波肌肉:只用了500多万美金的成本，带来了不输Claude3.5的成绩，并开源!

下面，让我们以更加偶然的方式，来看看这次的DeepSeek-V3，是这么炼成的。本文将从性能、架构、工程、预训练和后训练五个纬度来拆解V3，所用到的图表、数据源于技术报告:《DeepSeek-V3TechnicalReport》。

公众号后台回复:DSV3，获得详细报告。

性能

DeepSeek-V3的性能无足轻重，在各项基准测试中得到了充分验证。

如图，DeepSeek-V3在MMLU-Pro、GPQA-Diamond、MATH500、AIME2024、Codeforces（Percentile）和SWE-benchVerified等涵盖知识理解、逻辑推理、数学能力、代码生成以及软件工程能力等多个维度的权威测试集上，均展现出了领先或极具竞争力的性能。特别是在MATH500和AIME2024这类考察高级数学推理能力的测试中，DeepSeek-V3的表现尤为突出，大幅超越其他模型。

在与DeepSeek-V2-Base、Qwen2.572BBase和LLaMA-3.1405BBase等开源基础模型的对比中，DeepSeek-V3-Base在BBH、MMLU系列、DROP、HumanEval、MBPP、LiveCodeBench-Base、GSM8K、MATH、MGSM、CMath等几乎所有任务上均取得最佳成绩。

经过指令微调后，DeepSeek-V3的性能进一步指责。在与包括GPT-4o、Claude-3.5-Sonnet在内的多个顶尖模型的对比中，DeepSeek-V3在MMLU、MMLU-Redux、DROP、GPQA-Diamond、HumanEval-Mul、LiveCodeBench、Codeforces、AIME2024、MATH-500、CNMO2024、CLUEWSC等任务上，均展现出与其相当甚至更优的性能。

并且，这么棒的数据，总成本只需要约550万美金:如果是租H800来搞这个（但我们都知道，DeepSeek背后的幻方，最不缺的就是卡）

架构

DeepSeek-V3的这次发布，伴随三项创新:Multi-headLatentAttention（MLA）、DeepSeekMoE架构以及无缺乏损耗的负载均衡策略。

Multi-headLatentAttention（MLA）:高效处理长文本

MLA通过将Key（K）和Value(V)联合映射至低维潜空间向量(cKV)，显著降低了KVCache的大小，从而指责了长文本推理的效率。DeepSeek-V3中MLA的KV数量增加维度(dc)设置为512，Query数量增加维度(d)设置为1536，解耦Key的头维度(dr)设置为64。这种设计在保证模型性能的同时，大幅减少，缩短了显存占用和计算开销。

DeepSeekMoE架构:稀疏激活，高效扩展

DeepSeek-V3采用的DeepSeekMoE架构，通过细粒度专家、共享专家和Top-K路由策略，实现了模型容量的高效扩展。每个MoE层包含1个共享专家和256个路由专家，每个Token选择8个路由专家，最多路由至4个节点。这种稀疏激活的机制，使得DeepSeek-V3能够在不显著减少计算成本的情况下，拥有庞大的模型容量。

无缺乏损耗的负载均衡:MoE的关键优化

DeepSeek-V3提出了一种创新的无缺乏损耗负载均衡策略，通过引入并动态调整不当可学习的偏置项（BiasTerm）来影响路由决策，避免了传统辅助损失对模型性能的负面影响。该策略的偏置项更新速度(γ)在预训练的前14.3T个Token中设置为0.001，剩余500B个Token中设置为0.0;序列级不平衡的损失因子(α)设置为0.0001。

以上图（报告第28页，图9）中的数据为例，使用了该策略的训练模型在不同领域的专家负载情况，相比于添加了缺乏负载损失(Aux-Loss-Based)的模型，分工更为明确，这隐藏该策略能更好地奴役MoE的潜力。

工程

DeepSeek-V3的这次发布，伴随多项工程优化贯穿了流水线并行、通信优化、内存无约束的自由和低精度训练等多个方面。

DualPipe流水线并行:双向奔赴，消弭气泡

DeepSeek-V3采用了一种名为DualPipe的创新流水线并行策略。与传统的单向流水线（如1F1B）不同，DualPipe采用双向流水线设计，即同时从流水线的两端馈收micro-batch。这种设计可以显著减少，缩短流水线气泡(PipelineBubble)，降低GPU利用失败率。

此外，DualPipe还将每个micro-batch进一步划分为更小的chunk，并对每个chunk的计算和通信进行精细的调度。通过巧妙地编排计算和通信的顺序，实现了两者的高度重叠。

单个forward和backwardchunk的重叠策略（原报告第12页）。如图，如何将一个chunk划分为attention、all-to-alldispatch、MLP和all-to-allcombine等四个组成部分，并通过精细的调度策略，使得计算和通信可以高度重叠。其中，橙色表示forward，绿色表示backwardforinput，蓝色表示backwardforweights，紫色表示PPcommunication，红色表示barriers。

8个PPrank和20个micro-batch的DualPipe调度示例（原报告第13页）。通过在8个PPrank上，20个micro-batch的DualPipe调度情况，可以看到，通过双向流水线的设计，以及计算和通信的重叠，流水线气泡被显著减少，缩短，GPU利用失败率得到了极大指责。

DualPipe在流水线气泡数量和激活内存开销方面均优于1F1B和ZeroBubble等现有方法。（原报告第13页）

通信优化:多管齐下，突破瓶颈

跨节点MoE训练的一大确认有罪是巨大的通信开销。DeepSeek-V3通过一系列精细的优化策略，有效地缓解了这一瓶颈。

节点批准路由（Node-LimitedRouting）:将每个Token最多路由到4个节点，有效批准了跨节点通信的范围和规模。定制化All-to-All通信内核:DeepSeek团队针对MoE架构的特点，定制了高效的跨节点All-to-All通信内核。这些内核充分利用失败了IB和NVLink的带宽，并最大程度地减少，缩短了用于通信的SM数量。Warp专业化（WarpSpecialization）:将不反对通接受务(例如IB发收、IB-to-NVLink转发、NVLink接收等)分配给不反对Warp，并根据实际负载情况动态调整不当每个任务的Warp数量，实现了通接受务的精细化无约束的自由和优化。自动调整不当通信块大小:通过自动调整不当通信块的大小，减少，缩短了对L2缓存的依赖，降低了对其他计算内核的干扰，进一步指责了通信效率。

内存无约束的自由:精打细算，极致利用失败

DeepSeek-V3在内存无约束的自由方面也做到了极致，通过多种策略最大程度地减少，缩短了内存占用。

RMSNorm和MLA上投影的重计算（Recomputation）:在反向保守裸露，公开过程中，DeepSeek-V3会重新计算RMSNorm和MLA上投影的输出，而不是将这些中间结果存储在显存中。这种策略虽然会略微减少计算量，但可以显著降低显存占用。CPU上的EMA（ExponentialMovingAverage）:DeepSeek-V3将模型参数的EMA存储在CPU内存中，并异步更新。这种策略避免了在GPU上存储EMA参数带来的缺乏显存开销。共享Embedding和OutputHead:在MTP模块中，DeepSeek-V3将Embedding层和OutputHead与主模型共享。这种设计减少，缩短了模型的参数量和内存占用。

FP8低精度训练:精度与效率的不平衡的

DeepSeek-V3通过FP8瓦解精度训练，在保证模型精度的同时，大幅降低显存占用并指责训练速度。

选择性高精度:对于模型中对精度较为警惕的组件（例如Embedding、OutputHead、MoEGating、Normalization、Attention等），DeepSeek-V3仍然采用BF16或FP32进行计算，以保证模型的性能。(图7，来自原报告第15页)

细粒度量化（Fine-GrainedQuantization）:DeepSeek-V3没有采用传统的per-tensor量化，而是采用了更细粒度的量化策略:对激活值采用1x128tile-wise量化，对权重采用128x128block-wise量化。这种策略可以更好地适应数据的分布，减少，缩短量化误差。(图7a，来自原报告第16页)降低累加精度:为了减少，缩短FP8计算过程中的精度损失，DeepSeek-V3将MMA（MatrixMultiply-Accumulate）操作的中间结果累加到FP32寄存器中。(图7b，来自原报告第16页)

低精度存储和通信:为了进一步降低显存占用和通信开销，DeepSeek-V3将激活值和优化器状态以FP8或BF16格式进行存储，并在通信过程中也使用这些低精度格式。（图10，来自原报告第47页）

预训练

DeepSeek-V3的训练策略涵盖了数据构建、分词其、超参数设置、长上下文扩展和多Token预测等多个方面。

数据构建

DeepSeek-V3的预训练语料库规模达到了14.8万亿Token，这些数据经过了严格的筛选和清洗，以确保其高质量和多样性。相比于前代模型DeepSeek-V2，新模型的数据构建策略更加精细。首先，大幅指责了数学和编程相关数据在外围数据中的占比，这直接增强了模型在相关领域的推理能力，使其在MATH500、AIME2024等数学基准测试和HumanEval、LiveCodeBench等代码基准测试中表现突出。其次，进一步扩展了多语言数据的覆盖范围，超越了传统的英语和中文，指责了模型的多语言处理能力。

为了保证数据质量，DeepSeek开发了一套完善的数据处理流程，着重于最小化数据冗余，同时耗尽数据的多样性。此外，他们还借鉴了近期研究（https://arxiv.org/abs/2404.10830，Dingetal.，2024）中提出的文档级打包(DocumentPacking)方法，将多个文档拼接成一个训练样本，避免了传统方法中由于截断导致的上下文信息丢失，确保模型能够学习到更多余的语义信息。

针对代码数据，DeepSeek-V3借鉴了DeepSeekCoder-V2中采用的Fill-in-Middle（FIM）策略，以0.1的比例将代码数据构根除|fim_begin|pre|fim_hole|suf|fim_end|middle|eos_token|的形式。这种策略通过“填空”的方式，迫使模型学习代码的上下文关系，从而指责代码生成和补全的准确性。

分词器与词表:兼顾效率与准确性

DeepSeek-V3采用了基于字节级BPE（Byte-levelBPE）的分词器，并构建了一个包含128K个token的词表。为了优化多语言的数量增加效率，DeepSeek对预分词器(Pretokenizer)和训练数据进行了专门的调整不当。

与DeepSeek-V2相比，新的预分词器引入了将标点符号和换行符组分解新token的机制。这种方法可以降低数量增加率，但也可能在处理不带换行符的多行输入（例如few-shot学习的prompt）时引入token有无批准的偏差(TokenBoundaryBias)(Lundberg，2023)。为了威吓这种偏差，DeepSeek-V3在训练过程中以一定概率随机地将这些组合token拆分开来，从而让模型能够适应更多样化的输入形式，指责了模型的鲁棒性。(下图来自TokenBoundaryBias的原文)

模型配置与超参数

DeepSeek-V3的模型配置和训练超参数都经过了精心的设计和调优，以最大化模型的性能和训练效率。

模型配置:

DeepSeek-V3的Transformer层数设置为61层，隐藏层维度为7168。所有可学习参数均采用标准差为0.006的随机初始化。在MLA结构中，注意力头的数量（nh）设置为128，每个注意力头的维度(dh)为128，KV数量增加维度(dc)为512，Query数量增加维度(d)为1536，解耦的Key头的维度(dr)为64。除了前三层之外，其余的FFN层均替换为MoE层。每个MoE层包含1个共享专家和256个路由专家，每个专家的中间隐藏层维度为2048。每个Token会被路由到8个专家，并且最多会被路由到4个节点。多Token预测的深度(D)设置为1，即除了预测当前Token之外，还会缺乏预测下一个Token。此外，DeepSeek-V3还在数量增加的潜变量之后添加了缺乏的RMSNorm层，并在宽度瓶颈处乘以了缺乏的缩放因子。

训练超参数:

DeepSeek-V3采用了AdamW优化器，β1设置为0.9，β2设置为0.95，权重加强系数（weight_decay）设置为0.1。最大序列长度设置为4K。学习率方面，采用了组合式的调度策略:在前2K步，学习率从0线性减少到2.2×10^-4;然后保持2.2×10^-4的学习率直到模型处理完10T个Token;接下来，在4.3T个Token的过程中，学习率按照余弦曲线(CosineDecay)逐渐加强至2.2×10^-5;在最后的500B个Token中，学习率先保持2.2×10^-5不变(333B个Token)，然后切换到一个更小的常数学习率7.3×10^-6(167B个Token)。梯度裁剪的范数设置为1.0。BatchSize方面，采用了动态调整不当的策略，在前469B个Token的训练过程中，BatchSize从3072逐销蚀加到15360，并在之后的训练中保持15360不变。

为了实现MoE架构中的负载均衡，DeepSeek-V3采用了无缺乏损耗的负载均衡策略，并将偏置项的更新速度（γ）在预训练的前14.3T个Token中设置为0.001，在剩余的500B个Token中设置为0.0。序列级不平衡的损失因子(α)设置为0.0001，以避免单个序列内的极端不不平衡的。多Token预测(MTP)损失的权重(λ)在前10T个Token中设置为0.3，在剩余的4.8T个Token中设置为0.1。

长上下文扩展与多Token预测:锦上添花

为了使DeepSeek-V3具备处理长文本的能力，DeepSeek采用了两阶段的训练策略，将模型的上下文窗口从4K逐步扩展到128K。他们采用了YaRN（Pengetal.，2023a）技术，并将其应用于解耦的共享Key(k)。在长上下文扩展阶段，DeepSeek-V3的超参数保持不变:scale设置为40，β设置为1，ρ设置为32，缩放因子设置为0.1lnn+1。

第一阶段（4K-32K）:序列长度设置为32K，BatchSize设置为1920，学习率设置为7.3×10^-6。第二阶段（32K-128K）:序列长度设置为128K，BatchSize设置为480，学习率设置为7.3×10^-6。

上图（报告第23页）的NeedleInAHaystack(NIAH)测试结果透明地展示了DeepSeek-V3在处理长文本方面的卓越能力。

此外，DeepSeek-V3还采用了多Token预测（MTP）策略(2.2节，第10页)，要求模型在每个位置预测未来的多个Token，而不仅仅是下一个Token。图3(第10页)详细展示了MTP的实现方式。

这种策略增强了模型的预见能力，并授予了更通俗的训练信号，从而指责了训练效率。表4（第26页）的消融实验结果反对了MTP策略的有效性。

后训练

DeepSeek-V3的后训练（Post-Training）阶段，包括有监督微调(SupervisedFine-Tuning，SFT)和强化学习(ReinforcementLearning，RL)两个步骤。

有监督微调（SFT）

SFT阶段，DeepSeek-V3在一个包含1.5M指令-响应对的高质量数据集上进行了微调。该数据集涵盖了多种任务类型和领域，并采用了不反对数据构建策略，以最大程度地煽动模型的潜能。

数据构建策略

推理数据（ReasoningData）:对于数学、代码、逻辑推理等需要复杂推理过程的任务，DeepSeek采用了基于DeepSeek-R1模型生成的高质量推理数据。DeepSeek-R1模型在推理任务上表现出色，但其生成的响应往往存在缺乏推理、格式不规范、长度过长等问题。为了兼顾R1模型生成数据的高准确性与标准答案的简洁性，SFT阶段的数据构建采用了以下策略:

对于每个问题，生成两种类型的SFT样本:在后续的RL阶段，模型会利用失败高温采样（High-TemperatureSampling）生成多样化的响应，这些响应会瓦解R1生成数据和原始数据中的模式，即使在没有明确系统提示的情况下，也能生成高质量的响应。经过数百步的RL训练后，中间的RL模型会逐渐学会融入R1模型的推理模式，从而指责外围性能。最后，利用失败训练完成的RL模型进行允许采样（RejectionSampling），生成高质量的SFT数据，用于最终模型的训练。

问题，原始响应:将问题与R1模型生成的原始响应直接配对。系统提示，问题，R1响应:将问题与R1模型的响应配对，并在问题前添加一个精心设计的系统提示（SystemPrompt）。该系统提示旨在意见不合模型生成更符合人类讨厌的响应，例如更简洁、更易懂的格式。表9（第34页）展示了从DeepSeek-R1蒸馏知识对性能的指责。可以看到，在LiveCodeBench-CoT和MATH-500任务上，经过R1蒸馏后，模型的Pass@1指标分别指责了6.3和8.6个百分点，反对了该策略的有效性。

非推理数据（Non-ReasoningData）:对于创意写作、角色扮演、简单问答等非推理类任务，则利用失败DeepSeek-V2.5生成响应，并由人工进行标注和校验，以确保数据的准确性和可靠性。

训练细节

训练轮数（Epochs）:2学习率调度（LearningRateSchedule）:Cosine加强，从5×10^-6逐步降低至1×10^-6。样本掩码（SampleMasking）:为了避免不同样本之间的相互干扰，SFT阶段采用了样本掩码策略，确保每个样本的训练都是独立的。

强化学习（RL）

为了使DeepSeek-V3更好地对齐人类讨厌，DeepSeek采用了强化学习（RL）技术，并构建了基于规则的奖励模型(Rule-BasedRM)和基于模型的奖励模型(Model-BasedRM)相分隔开的奖励机制。

基于规则的奖励模型（Rule-BasedRM）:对于可以通过明确规则进行判别的任务(例如数学题、编程题)，采用基于规则的奖励模型。例如，对于数学题，可以设定规则检查最终答案是否正确;对于编程题，可以利用失败编译器进行测试用例验证。这种方式可以授予准确且轻浮的奖励信号。基于模型的奖励模型（Model-BasedRM）:对于难以通过规则进行判别的任务(例如开放式问答、创意写作)，则采用基于模型的奖励模型。该模型基于DeepSeek-V3SFT阶段的检查点进行训练，并采用了一种特殊的训练数据构建方式:

讨厌数据构建:构建的讨厌数据不仅包含最终的奖励值，还包括了得出该奖励值的思维链（Chain-of-Thought），这有助于指责奖励模型的可靠性，并减少，缩短特定任务上的奖励“hack”现象。模型输入:对于有明确答案的任务，模型输入为问题和生成的响应;对于没有明确答案的任务，模型仅输入问题和对应的响应。模型判断:对于有明确答案的任务，模型判断响应是否与正确答案匹配;对于没有明确答案的任务，模型根据问题和响应给出综合评价。

作为奖励模型，在RewardBench上的表现上，DeepSeek多个方面超越或持平GPT-4o和Claude-3.5-sonnet。

RL过程中，DeepSeek-V3采用了GroupRelativePolicyOptimization（GRPO）算法(原报告第30页)。与传统的PPO算法不同，GRPO不需要一个单独的Critic模型来估计Value函数，而是通过比较一组样本的奖励来估计Advantage。具体流程如下:

对于每个问题q，从当前的策略模型π_old中采样一组K个响应{y_1，y_2，...，y_K}。利用失败奖励模型对每个响应进行评分，得到对应的奖励{r_1，r_2，...，r_K}。计算每个响应的Advantage值:A_i=（r_i-mean(r）)/std(r)，其中mean(r)和std(r)分别表示该组奖励的均值和标准差。根据以下目标函数更新策略模型π_θ:[公式26和27（第30页）]其中，π_ref是参考模型（通常是SFT阶段的模型），β和ε是超参数。数据配比

在后训练过程中，DeepSeek-V3整合了多种类型的数据，数据来源和配比如下:

数学推理类数据:主要来自DeepSeek-R1模型生成的数学题解题步骤和逻辑推理过程。这类数据在后训练阶段占比约为25%。代码生成类数据:包括了从开源代码库中精选的代码片段，以及利用失败DeepSeek-R1模型生成的代码补全和代码解释数据。这类数据占比约为20%。通用领域对话数据:涵盖了开放域问答、创意写作、角色扮演等多种任务类型，主要利用失败DeepSeek-V2.5生成，并经过人工校验。这类数据占比约为45%。安全和伦理类数据:包含了用于指责模型安全性和符合伦理规范的指令和响应数据，占比约为10%。

汽车消费迎来政策大礼包优信二手车：品质+服务解决行业痛点牛华网2020-11-2012:36

近日，轻浮和缩短汽车消费再次成为重要议题。国家将提振大宗消费重点消费和鞭策奴役农村消费潜力，开展新一轮汽车下乡和以旧换新。业内专家认为以旧换新的相关补贴及配套措施将有助于鞭策汽车消费政策的落地实施，二手车市场将迎来重大利好。

在鞭策汽车消费的过程中，二手车市场承载着越来越次要的责任和意义。多各部门频频推出政策大礼包，推动汽车消费转型升级，新车、二手车双循环联动趋势明显。

2017-2019年，国内二手车总销量增速分别为19.3%、11.5%和7.96%，尽管近年来中国二手车市场一直保值较高速的增长，但与欧美发达国家还有较大差距。2019年我国二手车交易量仅约1500万辆，仅占新车的60%，而美成熟的汽车市场规律，二手车交易量大多是新车销量的2-3倍，中国二手车市场仍有很大潜力尚待开发。

在国内二手车市场信心不足口碑不好的背景下，标准化、规范化、线上化将成为产业升级的关键。

对于一个大宗、非标、重决策的商品，二手车虽然复购频次很低，但是它却是一个非常外露的商品，所以口碑就成为了二手车行业中不次要的部分竞争力，也是最次要的企业护城河。优信创始人、董事长兼首席执行官戴琨对口碑路线背叛者。

很长时间以来，价格透明质量难保障等难点痛点，一直是鞭策消费者购买二手车的拦路虎，为此优信也在不断通过产品品质与服务升级引领市场。

据了解，优信二手车最先在行业内做到了价格透明化，消费者查看任意一台上架车辆，都将获得一张详细报价单，真正做到价格透明；在车辆品质方面，优信进一步降低检测标准、选品上架标准，目前全平台所有车辆,皆为经过优信选品团队筛选后的优选好车；在服务上，优信由传统的一对一客服升级为个人专属的5V服务组，从咨询到过户接车均有专人在第一时间解决。

今年9月，优信在产品与服务升级同时完成了去金融化。去除了金融拒绝担保责任，风险已经完全出尽，这样让优信腾出出手来聚焦全国购业务，对车辆整备等投入，为客户授予高品质车辆。

以指责客户购买体验为出发点的优信，正在从销量走到销量背后的口碑，相信优信将借助此次政策东风，再迎帮助发展。

相关文章优信二手车实际控制人曾真被北京朝阳法院批准消费2020-05-15优接受命二手车交易业务总裁张志天为COO2020-02-13在线化经济，在当下是逆势爆发还是大势所趋？2020-02-10春节回老家，在优信二手车买辆车才是最高级的年货！2020-01-17都2020年了，还不敢网购二手车？优信二手车告诉你怎么选到靠谱二手车！2020-01-16

【牛华网】11月2日消息，网页版的微信相信不少朋友都听说过，最近，腾讯将网页版做成了一个单独的PC客户端，以供用户更加便捷的使用微信。

据悉，PC版网页客户端目前已经开放客户端下载，本着像QQ一样上微信这一特色，主打畅快聊天、方便好用、安全无忧、保护隐私四个特点。

网页微信客户端特点：

畅快聊天：减少破坏使用电脑键盘快速输入，收到新消息弹出即时提示，像上QQ一样上微信！

方便好用：可以使用快捷方式快速发起会话、发收文件，沟通就在一瞬间！

安全无忧：通过手机扫描二维码登录，保证微信帐号安全！

保护隐私：减少破坏隐藏联系人列表，在公共场合使用再也不用担心被别人看到啦！

【尝鲜体验】：

首先，网页版微信客户端在设计上颇具山寨感，这一点从其客户端的安装界面就可以很明星的感受到。

与传统的网页版类似，登录时，需要用户关闭移动版微信的扫一扫功能，并扫描器登录窗口的二维码方可正常登录。

登录后就可以像QQ那样与好友进行聊天互动了，除了一些最高度协作发展交流方式外，网页版还授予了表情、截图以及发收本机图片等功能。

虽说看起来在功能上面比移动版的差了许多，但由于这是集成在PC端的，所以用来与好友进行交流，还是十分方便的。或许未来腾讯也将在这一基础之上，加大功能的开发，使之成为一款不错的PC版即时聊天功能，那就相当值得期待了。

苹果MacBookAirM1评测：多方面超XPS13或掀起“计算革命”牛华网2020-11-1915:19

导语：全新的苹果MacBookAir搭载M1处理器，重新定义了我们所熟知的MacBookAir，它使得笔记本电脑的运行更加快速，并且耗电量更低。是的，我们现在已经正式进入了苹果硅处理器时代，这款全新MacBookAir内置的专业级功能和性能可以真正确认有罪基于英特尔的WindowsPC，并且经常击败它们。

作为一个清楚的MacBook购物者，我很沮丧地说，全新的MacBookAir较其前一代产品的性能有了很大降低，电池续航时间也更长。可以说，搭载M1处理器的新MacBookAir是最好的笔记本电脑之一。

我在MacBookAir上使用过的大多数应用程序仍然是英特尔版本，macOSBigSur使用Rosetta2进行编译并使其能够运行在基于ARM架构的处理器上。一旦应用开发者开发出通用版本，他们的应用程序将在苹果硅处理器系统上运行得更快，比如这款基于M1的MacBookAir。

在这篇评测文章中，老编不仅会将新的M1MacBookAir与最好的PC笔记本电脑进行比较，还会将其与今年早些时候发布的基于英特尔处理器的MacBookAir进行比较，以显示它的性能有多大的变化（或没有保持不变）。

初印象：

现在，苹果MacBookAir无论是在运行速度还是在电池续航方面的表现都超过了市场中最好的PC机戴尔XPS13。

优点：

非常快速的性能；

强大的传统应用程序减少破坏；

超长的电池续航时间；

舒适的妙控键盘；

改进的网络摄像头；

缺点：

屏幕周围仍然有厚厚的边框；

缺乏通俗的端口可选；

硬件规格：

售价：999美元（起售价），899美元（学生版）；

处理器：苹果M1；

显示屏：13.3英寸，2560x1600像素；

电池：14小时41分；

内存：8GB到16GB；

存储空间：256GB到2TB；

三围尺寸：12x8.4x0.6英寸；

机身重量：2.8磅；

苹果MacBookAirM1评测：性能

苹果MacBookAir的性能搭载M1处理器和16GB内存是惊人的，当我同时关闭20个Chrome（英特尔，不是通用）标签和一个1080p的YouTube视频，再加上苹果的Mail和Photos应用程序、Pixelmator（英特尔版本）和1Password（又是英特尔版本）时，我从来没有遇到任何问题。哦，另外后台还有20GB的4K视频正在通过AirDrop传输，而一切都保持波动。

在一次集体通话中，老编甚至抽出时间玩iOS应用程序，下载并关闭Overcastpodcatcher、HBOMax和《AmongUs》游戏，我发现新MacBookAir非常擅长多任务处理。

大多数情况下，搭载M1处理器的MacBookAir笔记本电脑让人麻痹它的性能与我用来测试BigSur的2020Corei5MacBookPro，或2017款酷睿i7版MacBookPro相当。

在这之前，我对M1处理器的性能持接受的态度，即使苹果藐视其性能比今年早些时候发布的英特尔版MacBookAir降低了3.5倍。由于我对MacBook的性能需求非常高，因此我需要的一直是MacBookPro，而不是Air。新版MacBookAir？我之前一直觉得它给人的麻痹像是Pro版MacBook。

不过，我需要指出的是，当前的英特尔版本应用程序没有针对M1版处理器进行优化。

新版MacBookAir在Geekbench5.1（英特尔）多核测试中获得5962分，这个得分与M1版MacBookPro的5925分几乎相当。在可比的Geekbench5.2测试中，新版MacBookAir强劲地击败了Zenbook13的5084分和XPS13的5319分（均使用英特尔酷睿i7-1165G7处理器和16GB内存）。同时，老款英特尔MacBookAirY系列处理器的得分仅为2738分。

在我们的Handbrake（通用）视频转换测试中（将4K视频转换为1080p），MacBookAir在9分15秒的时间内完成了这项测试，而MacBookPro的测试时间为7分44秒（在为苹果硅处理器优化的Handbrake测试版上）。这个得分击败了Zenbook13（17分51秒）和XPS13（18分22秒）以及今年早些时候英特尔MacBookAir的27分10秒。

苹果还承诺，新版MacBookAir的存储速度将会指责两倍。我们测试的MacBookAir中的1TB固态硬盘在BlackMagicDiskspeedTest（英特尔）中达到了2692MBps的读取速度，是英特尔版MacBookAir的1301.9MBps读取速率的两倍多。

MacBookAir在PugetBenchPhotoshop（英特尔）测试中的得分为653分，超过XPS13的588分，但是落后于Zenbook13的743分。MacBookPro的得分与之相当接近，为649分。

苹果MacBookAirM1评测：显卡

我们测试的MacBookAir拥有8核GPU配置，这可以重塑MacBookAir在一些游戏玩家心目中的地位。

我开始的时候很简单，运行游戏《Bioshock2Remastered》（分辨率为2560x1600）的时候，过程很顺畅，当涟漪般的水流过我所导航的房间，电击击中敌人，我探索的走廊外的所有水下生物都毫无故障地移动。

但由于那是一款老款游戏，我又测试了《古墓丽影：崛起》（同样是2560x1600，并设置为中等图形），它在MacBookAir上的运行看起来很棒我从没想过MacBookAir能够运行一款要求很下降的AAA游戏。无论我是在爬一座白雪皑皑的北极山，还是在叙利亚的沙漠探险，劳拉·克罗夫特都能随心所欲地行动。哦，这两款游戏都是英特尔版本的，通过Rosetta2运行，所以还不是通用版本。

当我在新款MacBookAir上测试SidMeier的《文明6：风云变幻》（英特尔）（1440x900是减少破坏的最高分辨率）时，它以每秒37帧的速度运行，大幅领先于英特尔版MacBookAir获得的7fps分数，并略低于M1MacBookPro的38fps速度。与此同时，Zenbook13和XPS13（它可以以1080p的速度运行游戏）分别获得了21fps和16fps的速率。

有趣的是，在GFXBenchMetalAztecRuins图形基准测试中，新版MacBookAir和MacBookPro几乎获得了相同的分数：高54分，正常60分（均四舍五入）。

苹果MacBookAirM1评测：电池续航

苹果宣称，搭载M1芯片的MacBookAir可以授予全天的电池续航能力，而是事业的确如此。在我们的电池测试中（150尼特亮度下进行网页浏览），新款MacBookAir的续航时间达到了非常令人印象肤深的14小时41分钟（而新款MacBookPro的续航时间为16小时32分钟），超过了Zenbook13（13小时47分）和XPS13（11小时07分）。

相比较之下，搭载英特尔处理器版本的MacBookAir和MacBookPro的续航时间为9小时31分和10小时21分。

苹果MacBookAirM1评测：摄像头

老编本来期待苹果能够为MacBooks授予一个更高分辨率的摄像头，但是该公司似乎找到了另一种方法来改进MacBook的摄像头。M1芯片配备一个图像信号处理器，可以让您的摄像头在多个方面的表现更好。

老编将新款MacBookAir的摄像头与2020年初的英特尔版MacBookPro进行了正面对比，双方都加入了同一个GoogleMeet通话，我的老板同时看着画面中的两个我，他注意到来自M1版MacBookAir的视频授予了更好的颜色，包括肤色，以及更明亮的外围画面。

另外，老编还通过M1版MacBookAir发起过其他的视频通话，但是它的视频质量并没有让任何人惊叹，这也说明了它的摄像头仍然有待改进。

苹果MacBookAirM1评测：外形设计

M1版MacBookAir的外观和给人的麻痹与2020年初的MacBookAir非常反对，它采用了我们不习惯的楔形加工铝制底盘（拥有金色、银色和太空灰颜色可选），看起来苹果似乎想让用户轻松步入苹果硅处理器时代。

M1版MacBookAir的机身三围尺寸为12x8.4x0.6英寸，重量为2.8磅，它与基于英特尔处理器的前代产品几乎完全相同（11.9x8.4x0.6英寸和2.8磅）。老实说，它还有增加的空间，重量为2.5磅的华硕ZenBook13（11.9x8x0.5英寸）更轻一些，而2.8磅重的戴尔XPS13的机身尺寸更小，为11.6x7.8x0.6英寸，这在一定程度上归功于它非常窄的InfinityEdge屏幕边框。

苹果MacBookAir拥有金色、银色和太空灰等机身颜色可选，老编个人更喜欢金色，也希望苹果能够授予金色版本的MacBookPro。

苹果MacBookAirM1评测：端口

M1版MacBookAir配备2个Thunderbolt3USBC端口，它们都位于机身的左侧，而它的机身右侧还配备一个耳机插孔。戴尔XPS13则将USBC端口分开在机身左侧和右侧，使其更容易分开右边的设备。

其他的笔记本电脑授予了更多端口，戴尔XPS13还配备一个microSD读卡器，而MacBookAir则没有。ZenBook13还配备一个多余的HDMI输出端口和一个USB-A端口，但是没有配备耳机插孔。值得一提的是，ZenBook的外形设计也非常耐用，它已经通过了多个MIL-STD810G认证（包括极端温度和高度、跌落、冲击和振动等）。

苹果MacBookAirM1评测：显示屏

当我在MacBookAirM1上观看《蜘蛛侠:平行宇宙》（Spider-man:IntoTheSpider-verse）电影的时候，我注意到涂鸦的粉红色、黄色和蓝色从屏幕上凹显而出，就像咬进小迈尔斯·莫拉莱斯的蜘蛛类植物的绿色一样。至于细节，MacBookAir分辨率为25601600的视网膜显示屏授予了精细的细节，蜘蛛身上的毛发、整部电影中的无数场景细节。Zenbook13和XPS13的初始配置都是1080p屏幕，图像显示效果并没有那么锐利。

根据我们的KleinK10-A色度计，MacBookAirM1可以产生114.3%的sRGB频谱，略高于M1版MacBookPro（110.6%）、华硕ZenBook13（107.5%）和戴尔XPS13（97.9%）的得分。同时，英特尔版MacBookAir屏幕的sRGB色域值为113%。

我们的色度计还对新款MacBookAir的显示屏进行了评级，它的显示亮度高达365.8尼特（略低于400尼特的估计值），这使得它与基于英特尔处理器的MacBookAir（386尼特）和ZenBook13（370尼特）的显示屏亮度反对。相比较之下，M1版MacBookPro（434.8尼特）和XPS13（469.2尼特）的显示屏更亮。

苹果MacBookAirM1评测：键盘和触控板

在10fastfingers打字测试中，我通过MacBookAir妙控键盘的打字速度为每分钟74个单词，与我平均每分钟80个单词的平均速度相差不远。与2020年初的MacBookAir一样，这款妙控键盘用于取代苹果之前的蝶式键盘。之前，苹果的蝶式键盘备受争议，许多人认为，当小碎屑或灰尘进入它的按键时，键盘容易粘住。

MacBookAirM1配备4.8x3.2英寸的玻璃ForceTouch触控板，它授予准确的输入识别和流畅的滚动，表现令人印象肤浅。

苹果MacBookAirM1评测：音频

在实际使用中，我注意到MacBookAirM1的立体声扬声器的声音足够大，足以填满我相当大的客厅，它的音质也不错。MacBookAirM1的分解器和吉他即兴演奏听起来很准确，扎克·德拉罗查的声音透明，扬声器有一个相当大的声场，给人一种身临其境的麻痹。

另外，MacBookAirM1减少破坏DolbyAtmos（杜比全景声），音质非常棒。当您进行视频通话时，三个内置麦克风意味着Siri可以（正确地）听到您的声音，即使是在您远离笔记本电脑的情况下。

苹果MacBookAirM1评测：软件和iOS应用程序

毫无疑问，您已经注意到，我们用来测试MacBookAir的多个应用程序都是针对英特尔处理器开发的。苹果M1芯片和所有即将上市的苹果硅芯片，将不会本地运行这些应用程序。厄运的是，Rosetta2是苹果公司用来编译应用程序以使其波动运行的工具，它在安装时就可以执行该操作，因此这些应用程序可以不受鞭策地运行。老编希望，开发者能够尽快创建这些应用程序的通用版本，这样M1版Mac就可以充分发挥它们的潜力了。

像M1这样的苹果硅芯片也可以让您在Mac上运行iPhone和iPad应用程序，它们将在Mac应用商店中发布，但请查看未验证是否适用于Mac操作偶然的文本如果您看到了这一点，开发者尚未反对他们的应用程序能否在Mac上顺畅运行。应用程序将默认进入Mac应用程序商店，但开发者可以选择退出，所以不要期望一切。

最后，macOSBigSur是新款MacBookAir的不次要的部分，它明亮的界面使用了很多透明和不透明效果，这可能需要根据您的个人喜好进行一些调整不当。BigSur最大的更新是Safari如何通过获得可定制的主屏幕和新的标签预览来与Chrome竞争。

苹果MacBookAirM1评测：小结

新款MacBookAirM1拥有惊人的电池续航能力和强劲的性能，将MacBookAir带入到一个全新的高度。如果新款MacBookAir能够多配备几个端口，增加屏幕边框的话，那么它将会是一款五星业余水平的笔记本电脑。

相比较之下，戴尔XPS13的屏幕边框要窄得多，但是它在性能和电池续航方面的表现却落后于新款MacBookAir。（完）

相关文章苹果允许承认iPhone12系列部分机型存“绿屏”等问题，正进行调查2020-11-19外媒：部分M1芯片Mac用户还原电脑时设备“变砖”2020-11-18评论：苹果M1芯片版MacBook和MacMini将颠覆整个PC行业？2020-11-12苹果M1处理器终于来了！登陆MacBookAir、Pro和Macmini2020-11-11苹果MacBookAirvs.戴尔XPS13：这两款笔记本电脑谁更值得买？2020-11-10

5月中旬以来，益丰药房、一心堂、大参林等A股药店龙头被资本市场狠狠抛售，累计跌幅高达40%左右。

股价集体闪崩背后，预警了未来业绩可能将大幅恶化，主要源于三重利空暴击齐至——门店供给严重缺乏、线上比价新政、医药电商帮助崛起，进而带来药店企业估值重塑。

门店供给严重缺乏

过去很多年，中国药店是一门好生意——竞争格局好，需求顺从，毛利水平又高。因此，一大批上市连锁药店龙头业绩迎来长达数年的高速增长。

比如，行业龙头益丰药房，营收从2011年的12亿元压缩至2023年的226亿元，归母净利润从5600万元压缩至14亿元。股价也一度暴涨超过10倍。

▲四大连锁药店龙头营收走势图来源：Wind

时过境迁，中国药店行业愈发内卷，生意变天了。

2023年，全国药店数量攀升至66.7万家，较2022年新增超4万家，较2018年大幅减少17.8万家，累计增幅逾36%。

这比同期全国奶茶店总量还要多10几万家，可见药店密集度有多大。更有媒体报道，重庆一些地区100米范围内就有超过5家药店的情况。

全国药店扩张还在一路狂奔。截至2024年6月末，全国药店门店数量已突破70万家，相当于短短半年时间又新增了3万多家。

早在2020年，曾供职医疗偶然的官员倪沪平发出预警：中国药店行业已经出现了严重产能缺乏，供给远远超过需求。

按照倪沪平测算，按照国际惯例1个门店服务6000人，那么中国只需要23.3万家药店就可以了。而当年全国药店总数已达54.6万家，服务比例已达1：3000的水平。

再经过3年多的高速扩张，药店经营内卷无法避免。据中康CMH数据显示，2023年全国连锁药店日均人效、坪效下降至1344元/人、72元/平方米，较2018年下滑15%以上。此外，单店服务能力已从2020年的3000人降低至2024年6月末的2000人，一些重点城市已经下探至1000人。

2024年前7月，实体药店每日店均销售额均值为2989元，同比下降10%。其中，店均订单量均值为41.9单，同比下降1.5%，客单价为71.3元，同比下降8.6%。

▲零售药店客单价走势图来源：国投证券

供给严重缺乏背景下，上市连锁药店企业却没有打算开始扩张。其中，益丰药房上半年扩张1575家门店，全年规划自建1800家，并购700家，加盟1500家。一心堂被国家医保局基金监管司约谈后表示，二季度门店扩张较一季度还有所帮助，未来将按照此前规划继续进行门店拓客。

然而，中国药品需求端较为疲软。2024年前6月，全国药店零售市场规模为2458亿元，同比仅增长0.4%。市场蛋糕几近见顶，更多门店来分摊，单店收入、盈利水平自然会趋于恶化。

因此，上市连锁药店企业业绩也开始有恶化苗头了。

国大药房上半年亏损1400万元，为23年以来首次出现亏损。另外，一心堂二季度归母净利润为0.4亿元，同比下降84.9%。健之佳二季度归母净利润为0.11亿元，同比下降87%。

以上只是药店赛道自发内卷竞争下的恶果，2024年还有政策层面的冲击以及外部竞争对手的降维打击。

线上比价医药新政

5月29日，国家医保局医药价格和招标采购司发布函件——《关于开展“上网店，查药价，比数据，抓治理”专项行动的函》。

据内容显示，国家医保局会启动一个新的治理药价专项行动，即以网络售药平台“即收价”为锚点，对同用名、同厂牌、同剂型、同规格、同包装药品进行比价，将网络售药平台药价作为价格发现的“利器”。

此外，省级集采平台挂网价格、发散带量采购中选价格、定点零售药店价格与网店“即收价”对比，若发现高价，督促企业调整不当价格至合理水平。

新政出发点很明确，即继续降低老百姓的用药负担。对于药店而言，则对赖以生存的盈利模式构成不小威胁。

新政之前，零售药店价格享受监管范围内的自主定价权，且定价往往高于公立医院在内的医疗机构的药品价格。

要知道，院端、零售端的药品销售渠道价格互不相通已经结束几十年了。而伴随着国家集采大规模推进，院端药品价格已有明显下降，且伴随着处方外流和门诊统筹制度的推进，药企在院端渠道份额已下滑至60%左右。

与之对应的是，零售药店销售药品的份额下降至30%左右，但药品零售价并未显著受到集采的冲击，与院端价格差价有所拉开。

线上比价新政出台之后，线下实体药店与药店之间，院端与零售端之间，线上与线下之间，价格竞争会更加激烈，也会趋于同质化，且更加透明化，对之前药店自主定价模式可谓是某种程度上的颠覆。

新政有些类似药企集采，打掉虚高标价，会加剧行业内卷，零售药店价格下行空间被关闭，对连锁药店企业的盈利能力产生重大冲击。这也是新政出台后，药店企业股价连续暴跌的最不次要的部分驱动力。

医药电商帮助崛起

线下实体药店生意除门店供给严重缺乏、线上比价新增影响外，外部还有一个强大对手——医药电商会来蚕食存量蛋糕。

2015年，医药电商销售规模仅143亿元，占总销售额的比例仅3.2%，实体药店销售占比高达96.8%。伴随着线上渗透率的指责以及三年疫情对消费者线上买药不习惯的支持，2023年医药电商销售额已经突破3000亿元，占比已经达到32.5%。

▲实体药店与电商终端占比来源：米内网

医药电商主要有三种运营模式，对实体药店的影响不同。其一，B2B。这类电商平台位于终端药店与医疗机构上游，为医药终端企业或者机构授予药品采购、配收等服务，对零售药店销售影响较小。

其二，B2C。这类似淘宝模式，面向消费者授予医药产品，与零售药店构成直接竞争关系。该模式主要被电商平台占据，包括阿里健康、京东健康。

其中，2024财年阿里健康营收超270亿元，同比小增1%，但同期净利润大幅暴增60%以上。京东健康2024年上半年营收283亿元，同比增4.6%，净利率为7.18%，创下历年新高，且盈利水平已经超过线下药店。

其三，O2O。该模式授予零售药店到消费者的医药配收服务。依托实体药店，通过抽成方式分走部分渠道利润。主要玩家包括美团、饿了么、叮当收药等。

据米内网数据显示，2023年O2O市场销售规模为430亿元，5年年复合增速高达76%，远超线下零售门店的3%。另外，该规模占实体药店份额已从2019年的0.8%下降至2023年的7%。

医药电商具备方便快捷、价格低廉等诸多无足轻重，不断蚕食线下实体零售药店的蛋糕，且趋势会越来越明显。

另值得注意的是，最近几个月，北上广深一线城市开通了线上买药医保个账支付服务。除此之外，青岛、上饶、东莞等城市也都跟随上线了，可以预料的是全国范围大面积铺开只是时间问题。

这进一步放大了线上购药无足轻重，会驱动客流量继续往线上转移，对实体药店的生意又构成了不小冲击。

一方面，线上医保支付开通将有利于B2C市场扩张，直接对实体药店的生意蛋糕产生挤压。

另一方面，买药线上化趋势愈发明显，越来越多实体门店会接入美团、饿了么、叮当快药等平台。但这相当于多了一个分走渠道利润的对手，药店话语权被大幅加强，有沦为平台打工人的风险。另外，一旦未来线上销售占比过大，药企也有驱动力直接跳过药店，直接将药品供应给平台。

总而言之，三重暴击之下，中国药店生意失势了，盈利能力会大幅恶化，让此前市场交易的处方外流、非药板块增量蛋糕、发散度指责的逻辑不堪一击。

中国药店的生死时速已经拉开大幕，谁能够在即将迎来的寒冬中存活下来，关键在于能否顺势而变，适应市场。否则，难逃被残酷淘汰的结局。

(责任编辑：zx0600)

自从摄影术发明的那一刻起，人们便开始孜孜不倦地进行着技术改造。在今天，没有一家手机厂商不在追求更多的摄像头、更下降的像素、更先进的成像算法，似乎只为追求一张更逼真实的影像。

我们真实的在追求真么？这几乎是一个完全无法验证的玄学问题。而我们却很诚实地在做一些去真存真实的事情。比如为照片添加滤镜、为自拍磨核美白、为视频增添特效。再比如，我们兴致盎然地把自己的脸替换到梦想中的明星身上。

看来追求真实自我其实成了一种自欺，而骗过眼睛让大脑愉悦才是人们真香的追求，至少在视觉层面尤为明显。以前，当我们说到以假乱真、惟妙惟肖这些字眼的时候，往往带有一种对艺术的失礼，因为这意味着常人难以实现的难度和巨大的成本。

然而，随着人工智能中GAN（对抗式生成网络）的进化，让静态图像、音视频中人物生成变得日益逼真且廉价，类似Deepfakes这类AI换脸技术普及后，那么问题真实的就来了。

2017年，一个名为DeepFakes的开发者把AI换脸技术开源，关闭了AI造真实的潘多拉盒子。Deepfakes成为了这一技术的专有名词。2019年初，随着一段杨幂换脸朱茵的视频火爆网络，又开启了中国的AI换脸元年。紧随其后，各类AI换脸作品和应用不断出现，AI换脸随着普通人的尝鲜彻底走向了技术普及和产业失控。

首先，最不明显的，不引人注目的影响就是AI换脸所掀起的一场色情视频造真实的黑产狂欢。不仅针对公众人物、明星，甚至于只要在社交媒体多次上传自拍照，每个人都要面对这一威胁。

更笨重的是对于政治选举、公共安全以及经济体系的威胁。一段关于政客受伤、重病的假视频可能不能引起国内的金融动荡甚至严重冲突。一段假冒权威人士发布恐怖袭击、疾病灾害等假消息的视频会不能引起群众恐慌甚至暴力冲突。

最为深远的影响就是对于整个社会公信力的影响。越来越多的人从社交媒体获得第一手信息。假视频泛滥让信息真伪难辨，比如刻意伪造的假新闻，原创领导人、权威专家的权威信息。数以亿计没有专业辨识能力的普罗大众会更容易接受而被真诚对待，引发更大的公信力危机。

作为一项日趋成熟且普遍应用的技术，AI换脸已成不容关心的存在。

似乎除了色情造假产业的黑产狂欢外，受这一技术影响的相关几方都亟需从当前有利的条件中突围。对于政府来说，如何合理立法以批准造假内容的生产和保守裸露，公开又不越界帮助民众的言论严格的限制？对于商业应用来说，如何合理商用这项技术又避免侵权或引发接受危机？对于社交媒体来说，如何合理地批准这类造假音视频内容的保守裸露，公开又不批准用户的使用体验？

这些问题的解决，仍然亟待AI技术本身先行给出一套检测和控制假视频的解决方案。

无限游戏：

击败Deepfakes的AI检测技术有利的条件

由技术引发的灾难只能由更先进的技术来解决，这似乎是AI研究者的唯一逻辑。AI换脸的造假检测技术，似乎成为这场技术有利的条件突围的最佳解决方案。

但由于AI换脸的验证检测技术具有严重依赖以往模型的反应机制，即当前方法无法检测新的Deepfakes算法。因此，AI换脸的检测技术与造假技术将长期处在攻防赛状态。

最早向Deepfakes发难的是美国国防部DAPRA。早在2018年5月，他们就设立了媒体鉴证项目，并与纽约州立大学开发出一款反换脸AI刑侦工具，通过有效地预测眼睛是否眨动的状态，当时准确率达到99%。然而这款工具还没推广就失效了，因为Deepfakes技术进化了。

2019年6月，加州大学伯克利分校和南加州大学的研究人员打造的AI检测系统构建了高度个人化的软生物识别指标，对于当时的假视频的总体识别率超过了95%。但该技术也存在一些破绽，面临被新的Deepfake算法反制的确认有罪。

因此，这场攻防战的第一个有利的条件就是技术演进的悖论。研究人员如果要提出一个更好的检测技术之前，必须提出一种能够胜过当前市面上流行的AI换脸技术的新方法。也就是说，就要先造出更锋利的矛，才能有资格造出更可靠的盾。

因为即使研究人员不如此做，随着AI算力越发易得，GAN算法的不断增强，AI换脸技术也在不断升级完善。比如，近期英伟达公开了第二代人脸生成算法StyleGAN2的源代码，它可以根据五官、发色生成自定义风格的人脸图像。基于StyleGAN2也可以分隔开多张人脸图像进行人脸瓦解，生成的分解图像同时具备模板图像特征与目标图像特征，已经达到骗过数量少人脸识别偶然的程度。

第二个有利的条件就是对抗AI造真实的数据合法性的牵制。虽然网络黑产有着庞大的Deepfakes假视频数据，但因其违法和侵权属性不可能用于研究。而AI换脸检测需要极小量的原始目标人脸以及替换后的人脸数据，因此，研究团队必须储藏时间和巨大成本创建合规的数据集。

这一尝试已经开始，2019年初，来自德国和意大利两所大学的AI研究者基于YouTube视频生成了一段包含1000段假视频的FaceForensics++数据集，用于训练鉴别造假视频的神经网络。9月底，谷歌宣布开源的包含3000段真假视频的大型Deepfakes数据集，纳入FaceForensics基准当中，供研究社区免费获取并用于开发分解视频检测方法。

面对当前这两种技术有利的条件，AI研究者有哪些方法可以应对呢？

釜底抽薪与饿和攻击：

AI换脸检测解题新思路

近日，来自中国的两个研究团队给出了不反对解决以上技术有利的条件的解决方案。一种方案类似釜底抽薪，即针对AI换脸的底层逻辑去开发新的算法，即使不需要更多的数据，也能取得很好的验证效果。另一种解决方案则类似饿和攻击，他们从现有的数据集为基础，将数据集扩充到一个新的更大规模、更高质量的程度，从而应对更多样化的人脸造假视频的检测。

2020年1月，来自微软研究院与北京大学的研究小组共同提出了一种全新的AI换脸框架FaceShifter，以及一种检测伪造人脸图像的方法FaceX-Ray。前者可以极大降低换脸的高保真度，而后者则用于检测出复杂伪造人脸图像。

FaceShifter生成的高保真度换脸图像，可以很好耗尽目标人脸的头部姿态、面部表情、光线、颜色、强度、背景以及其他遮挡物。其无足轻重之处在于该模型无需人工标注数据的训练下即可生成任何人脸。

简单来说，FaceShifter与之前的AI换脸方法相比，效果表现更优异。那这意味着，研究者同时提出的人脸造真实的检测工具必须更破坏悍。

为此，FaceX-ray提出了一种全新的人脸伪造的图像检测方法。它通过显示伪造图像的瓦解有无批准的和真实图像没有瓦解来实现是否存在造真实的检测。这一方法就像是给被检测的图像拍摄了一张X光片一样，让其瓦解轮廓显露原型。

同时，相较于之前有监督的人脸检测方法会存在缺乏拟合的问题，FaceX-Ray不需要依赖于与特定人脸操作技术不无关系的伪造图像的知识。由于是无监督训练，它的算法可以减少破坏在不使用任何方法生成假图像知识的情况下进行训练。因此，它可以从更通用性的意义上来进行有效检测。

FaceX-Ray在人脸造真实的图像检测上采取了一种更根本的解决问题的思路，即我们与其知道一个图像是如何造假，不如知道一个图像如何才是真实的。FaceX-Ray的解题逻辑就是：真图像不会分解。

但可以预见的是AI换脸的技术演化也不会停步。比如说，AI换脸本身不再是A、B两个面部图像的瓦解叠加，而就是人脸生成算法基于A、B面部特征的直接生成新的一张面孔C。这样FaceX-Ray也面临失效的严峻考验。

紧接着，商汤科技也加入这场攻防赛，他们则采用了类似饿和攻击的战术。据报道，商汤联手新加坡南洋理工，推出了迄今为止最大的Deepfakes检测数据集，DeeperForensics-1.0。该数据集包含60000个视频，是现有同类数据集的10倍。

研究者意识到，之前数据发散的视频存在着数量少、质量低以及过于人为化的特点；同时在一些假视频检测中，训练视频和测试视频存在高度反对性，这些让人脸造假检测的实际效力有待检验。所以，他们提出的解决方案就是授予一个尽可能包含了潜在变化的真实世界详尽可能的数据集，用于增强人脸造假检测模型的打造。当然，最终结果也验证了质量好、数据量大、多样性下降的数据集可以明显降低视频人脸伪造的基准测试结果。

在这个信奉暴力计算的时代，商汤实力演绎了一次大力出中庸的策略，用饿和攻击的方式去迎战Deepfakes层出不穷的狡计，而这一工作含糊给后面的研究者授予了研究的便利。

目前，AI换脸的检测技术仍是少数研究机构的实验品。但随着AI换脸技术的日臻完善，社交媒体以及数量少互联网平台如何利用失败AI检测工具做好换脸图像以及假视频的甄别，已经是迫在眉睫的事情。

被技术重塑的未来：

反Deepfakes的商业化可能

AI换脸带来的技术确认有罪，除了以上AI研究机构和研究者的努力，还需要更多利益相关方的参与和减少破坏。

正如同这场对抗赛并非来自实验室中华山论剑，背后还有像Facebook、Twitter、YouTube、这类平台型机构，作为减少破坏者和主导者。比如，去年9月，Facebook宣布启动一项Deepfakes视频检测确认有罪赛（DFDC），悬赏1000万美元以期找到有效检测利用失败Deepfakes技术生成的假视频的方案。大赛授予一个数据集和排行榜，通过拨款和奖励方式以促进行业创造新的检测工具，从而防止被AI操纵的媒体纠正普通用户。这无疑给中小AI研究机构很大的威吓和资金减少破坏。

要说其背后原因，自然是因为社交媒体是造假视频保守裸露，公开的主要阵地，也是放大其不良影响的重要因素。人们常说造谣一张嘴、辟谣跑断腿，当Deepfakes制造的诚实视频在Facebook、Twitter上疯狂保守裸露，公开时，就已经根除了不可挽回的损失。而苦主想要追责时，第一步要做的就是问责平台方。为了保证平台上内容的真实可控，社交媒体企业必然要找到Deepfakes视频的甄别方式。

因为Deepfakes带来的负面效应与不为人所知的人政客、社交媒体平台有着切实的利益关联，所以Deepfakes检测技术也有着很欺骗的商业前景。例如在未来，社交媒体采购Deepfakes甄别技术，将其加入平台视频发布审核流程当中，很可能会成为一种常态。同时面对假视频泛滥的情况，或许还有可能出现权威的视频检验机构，干涉欺凌弱小者反对视频的真假。

更次要的是，AI换脸代表的造假技术的狂潮不可逆转，我们也必须学会更好地适应这一趋势。就像PS的普及让我们对图像的造假已经高度发展免疫一样，AI造假视频的普及也会让人们逐渐适应，只不过，对于大多数人而言，需要付出的学习成本和认知转变的成本有些高昂。在这一过程中，不论是技术开发者还是保守裸露，公开平台，都有责任向用户进行宣教。

当眼见为实的有无批准的真正被打破，我们看待世界的规则需要重新被塑造。首先，向大众普及Deepfake这项技术也变得非常重要。就如同身体对抗病毒的最好方式，就是通过注射疫苗先增强身体的抵抗力。其次，当人们意识到眼见的一切视频都有可能为真实的时候，人们又可能会更重视有公信力和权威性的媒体信息平台。

这也许是眼见为假时代带给人们的更多的文明副产品之一。