圖片來自Canva可以畫出同樣的內外部氛圍，同樣的經濟動能還處於積累期，國有背景相近的股東開始在二級市場建倉，熬過了冬天，在1999年夏天看到了5個19**；不知道2024年會不會有類似的結果。
作為乙個以融資為主要功能的市場，AH股最大的使命是以國資為主導，支撐實體經濟發展。
如果一家公司幾乎回購了上半年賺取的2億利潤，那麼目的是什麼？ “如果沒有人買自己，那就自己買回去”。 此時，您與上市公司的利益站在一起;
如果乙個行業的龍頭股，社保、保險資本、養老的份額不到5%，卻躋身前十，這背後意味著什麼？ 這個時候，你已經和國有資產站在一起了。
只要是進入二級市場的資本，就不難與潛在的“風報”相提並論。 沒錯，也有一些國有資產偏愛高分紅行業，但正如《財經》所說，但在2023年中期報告中，社保所代表的資金已經從一些漲幅超過4倍的AIGC品種中套現，並在三季度報告中回到了AI的低階分支，包括但不限於伺服器， 工業軟體、交換機和遊戲。
“國資處於這個位置，目的就是讓社保和保險基金買夠籌碼。” 不管這種觀點是否極端，也不管國有資產增持和標的物選擇是否存在依據和資訊不對稱，對於混入A股和H股多年的韭菜來說，唯一的盈利模式就是與擁有定價權的基金站在一起， 低買高賣。
我們只想和國有資產站在一起，最好不要有其他人。 A股AI公司只能在機構持股中擁有國有資產的並不多，這也是為什麼A股AI板塊年底才公開發行**，上影線密集的原因。 有沒有可能，有些人工智慧公司仍然被少數**機構**和國有背景股東大量持有？
雖然不多，但也不算什麼，港股的@Bairongyun-w（6608.）HK）是代表，F10中的機構持股名單可以自己檢視，百科也有這些控股機構控股股東的背景。
該公司的商業模式非常簡單，有兩種交付方式，MaaS（Model as a Service）和BaaS（Business as a Service），前者允許B端客戶呼叫AI模型，後者則利用AI技術幫助企業實現KPI。 然而，對於企業客戶來說，存在乙個在行業內非常困難但在二級市場卻沒有人提出的問題：在部署大模型算力時，很多企業在拿到伺服器後還有很多工作要做，搭建環境可能需要長達30天甚至更長的時間， 框架和模型，然後 Finetune 需要完成私有化。
那麼這樣做的後果是什麼呢？ AI模型開發的技術門檻和團隊成本較高，當企業客戶最終部署AI模型時，同行競爭對手已經完成了產品迭代。
因此，這個時候就需要一種技術，這也是百融雲在AI大模型研發中的關鍵點之一：MOE（混合專家模型）。 那是什麼意思？ 簡單地說，這是一項努力：在有限的計算資源預算下，用更少的訓練步驟訓練乙個更大的模型，因為這往往比訓練乙個步驟更多的小模型效果更好。
MOE 的乙個顯著優勢是能夠使用比密集模型要求少得多的計算資源執行有效的預訓練。 這意味著，在相同的計算預算下，模型或資料集的大小可以顯著增加。 特別是在預訓練階段，MOE 通常能夠比密集模型更快地達到相同的質量水平。
如果你查原始的科學文獻，你會看到很多諸如“稀疏性”、“專家能力”、“代幣負載均衡”之類的詞，這些詞看似專業卻很抽象，但實際上並沒有告訴你這個東西能給客戶帶來什麼效果。 通過普通話翻譯，客戶可以通過教育部以更少的訓練步驟訓練更大的私有 AI 模型，從而解決算力和本地化的成本，僅此而已。
MOE只能基於Transformer，自然相容大型AI模型。 萌由兩部分組成：
（1）稀疏MOE層：這些層取代了傳統Transformer模型中的前饋網路（FFN）層。 MOE層包含幾個“專家”，每個專家本身就是乙個獨立的神經網路。 在實踐中，這些專家通常是前饋網路（FFN），但它們也可以是更複雜的網路結構，甚至是MOE層本身，從而形成分層的MOE結構。
也就是說，百融雲客戶在呼叫MaaS服務時，比如呼叫10個模型（即服務），都是獨立執行的神經網路，這樣客戶在呼叫更多AI模型和服務的同時，也能體驗到更精準的獨立執行模式。
（2）門控網路或路由：這部分用於決定哪些代幣傳送給哪些“專家”，例如，B端客戶輸入的代幣是“更多”或“引數”，這兩個代幣會傳送給不同的專家。 有時，甚至可以將令牌傳送給多個專家。 令牌的路由方式是使用 MOE 的乙個關鍵點，因為路由器由學習的引數組成，並與網路的其餘部分進行預訓練。
在BaaS商業模式中，百融雲的客戶可以利用這一原理，根據自身KPI中涉及的不同關鍵詞，即代幣或自然語言，找到百融雲BaaS中涉及的最準確的模型分層和“專家”。
百融雲的這些機構客戶中，有一部分是國有資產，這也認可了百融雲的商業模式和AI模型能力。
同理，如果有些股東也有國有背景，能不能也為百榮雲的股價背書？ 沒有觀察到對 12 的每次調整5元左右，有一股力量拉高其股價？ 此外，港股也是如此。