随着人们的消费升级,曾经作为轻奢品的进口葡萄酒已普遍成为人们的日常饮品。对于一些行家来说,葡萄酒更不仅是用来喝的,还具有投资和收藏价值。伦敦葡萄酒交易所推出的收藏型红酒指数(Liv-ex 100 Fine Wine Index) 是精品葡萄酒市场最领先的标准,它反映了市场上最受追捧的100款红酒的价格波动。在过去10年中,Liv-ex指数平均稳定在11%上下,远远超过了美国标普500指数的8%。虽说葡萄酒收藏已不是什么新鲜的话题, 但在大多数人眼中,投资葡萄酒只是少数富豪的专属。很多名酒拍卖会都是在苏富比(Sotheby’s)、Acker Merrall& Condit(AMC)和施氏佳酿(Zachys)等知名拍卖行举行的,竞拍者都是全球前1%的富人。
如何选酒也有很深的学问,对于优质的葡萄酒来说,存放的年限越长,价格就越高,不过市面上也存在一些葡萄酒的价格一振不起且不知其然的现象。还有很多知名酒庄需要买家自身有足够强大的关系网才能直接从酒庄选购。因此,一般人很少能接触到真正具有投资价值的葡萄酒。不过,现在有一款APP让非行家也能投资波尔多红酒。
伟诺红酒Vinovest(zh.vinovest.co)是一家总部位于美国硅谷的科技公司,提供基于大数据和AI算法的智能葡萄酒投资平台,致力于为用户提供全方位一站式葡萄酒投资管理解决方案。通过全球各地的红酒储存基地和葡萄酒大数据,即便是没有行业背景的普通人也能够投资精品葡萄酒,大幅降低葡萄酒投资的准入门槛。据了解,Vinovest团队成员和顾问均来自葡萄酒与科技行业,其中包括来自苹果、Pinterest 和黑石等科技公司高管,ByteDance的产品设计、南加大的技术工程师,以及多位世界侍酒大师和米其林三星餐厅的葡萄酒总监等。目前,伟诺红酒 已完成千万美元的A轮融资,投资方包括Tribe Capital、Hustle Fund以及来自海外字节跳动、腾讯、谷歌等天使投资。
伟诺红酒的创始人安东尼·张表示:“葡萄酒越陈越好,同时也是越陈越少,从而带来了投资机会,因为它的价格会随着时间而上涨。不过从事和参与葡萄酒投资,却是一项很难让人摸到头绪而且价格不菲的活动。当时在我看来,葡萄酒投资只适合那些已经很富有的人,这让我感到很不舒服。”于是,作为一名红酒爱好者和程序员,他和他的团队编写了一个算法,来预测葡萄酒的升值空间。五年之后,这个算法变成了伟诺红酒,并在美国受到众多的红酒爱好者和散户投资者的热捧。
谈及平台运作模式,Vinovest平台用户会被要求选择投资偏好和风险承受能力,会员将由侍酒师协助挑选投资级别的葡萄酒,平台也会根据会员选择的投资倾向、预算以及风险承受力等因素,结合葡萄酒历史表现数据,利用AI智能算法来定制最佳投资组合。伟诺红酒的算法结合了葡萄酒的历史数据,包括价格、流动性和品牌价值,并考虑了葡萄酒的评价指数、卫星影像和社交媒体上的舆情。
除了解决了购买渠道问题,优质的进口葡萄酒对存储环境的要求极为严格,考虑到普通爱好者,伟诺红酒在全球葡萄酒产区附近布局了葡萄酒储存基地,保证葡萄酒储存在最佳的湿度、温度,以及通风的环境下。伟诺红酒表示,就连英国皇室用的也是同样的酒窖基地。提到购买进口葡萄酒酒,不少人也会担心真假问题,在这一方面,伟诺红酒为用户提供葡萄酒鉴真和保险服务。
伟诺红酒于今年年初进入中国市场,目前正处于探索阶段。中国消费者的饮酒习惯和消费者意识相比欧美市场有一定的差距,但对精品葡萄酒的需求和痛点却是一致的,伟诺红酒表示会先从市场教育开始,让中国消费者意识到精品葡萄酒的投资价值,逐渐改变“葡萄酒投资收藏只是小众爱好”的传统意识,平台下一步也会开发针对中国市场的应用,以满足中国用户的需求。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。