[图片] 图注：2000年科技泡沫期间的市场表现 人工智能应用层面广泛 人工智能发展是另一次重大的科技突破。由于应用层面广泛，不同行业都能受益。在医疗保健方面已有不少应用，从药物研究到体检程序。例如：大肠镜检查，由于医生检查时的盲点，三分之一的癌症病例可能没被发现，不过导入AI后，检查结果的准确率已提升至99%；AI算法提升IBD结肠镜检查准确性。同时，不少制药公司正利用AI加快药物探索的速度。 [图片]

根据他的描述和查看走势图，的确当时他是运气好到买到了最低点。应该是在这个位置。 [图片] （他给我截图了他的反思和教训） [图片] 实际上，我不确定能为他提供什么帮助，但至少是可以监督他改正自己的交易体系。 纠错的过程确实很困难。主要在于心理方面的调整，需要认清自己的错误，并不断修正交易策略。在这一过程中，身边的朋友，可能会发挥重要作用，提供客观的分析和建议，帮助自己保持冷静和理性。通过不断地学习和调整，在交易的道路上走得更加稳健。 希望这篇文章能引起大家的共鸣，并在交易的道路上给予一些帮助和启发。

【原理】 效果 效果评估，从推理的延迟来看，利用这个原理，可以极大地缩减延迟时间； [图片] 手机的结构 比如16G-512G , 前面的16G指的是DRAM， 512G指的是Flash Memory。GPU和CPU是处理问题的大脑，从Flash -> DRAM的带宽是1GB/s, DRAM到运作是100GB/s, 我们在使用大模型的时候需要的是低延迟，所以就需要把模型参数放到DRAM里，但是，模型参数不够放置DRAM，比如7B的参数模型需要14G的DRAM。所以需要把参数存在Flash Memory 然后想办法在DRAM里面存储有用的参数。 [图片] 大模型参数的稀疏性 首先大模型上大部分的参数都是0，所以稀疏性很大。 [图片] [图片] 使用的办法 （1） Windowing 使用滑动窗口的方式，每次只使用5个字符的大模型参数，然后滑动，这样替换的参数就会少；window size选择为5，因为随着窗口的扩大，DRAM里面存储的参数要求在增大，但是替换的参数量其实没有边际上更小，所以用5来测试。 [图片] [图片] 把同一个神经元点的参数储存在一起 直觉上就是把存储数据整合在同一行上，因为毕竟在计算的时候是同时使用的，没必要分两步进行吞吐计算量； 利用predictor把预测出可能是有用的，非0的部分从Flash Memory里面读出来。 [图片] 优化在DRAM里面的数据存储使用 删除不需要的神经元参数，直接复制粘贴需要的，然后再添加，其实就是增加DRAM的使用效率。 [图片] 结果 最后测试结果，在经过优化后运行大模型，可以缩短延迟时间，增加吞吐量。可以在苹果端使用大模型。 [图片]

本文中图片均来自腾讯混元AI及其他图片生成，翻译文件来自于KIMI，WPS等，感谢AI时代。了解更多财经信息，研报信息，交易逻辑，请点击下方加关注，如文章引起您的共鸣，请点赞并转发，以支持我继续分析创作，感谢！ ▼ 点击下方“左兜进右兜”关注公众号

周K线图 日K线图 月线图 上一轮特斯拉月线上升模型数据提供给大家：