[全球快讯]全球创业生态系统报告之北京:独角兽仅次硅谷,AI全球第2

简介: 根据Startup Genome发布的“2019年全球创业生态系统报告(GSER)”,北京的总体排名位列全球第3,与伦敦并列,相比2017年的第4名前进一位。从科技独角兽方面看,北京位居世界第二,仅次硅谷。在全球估值最高的三个独角兽中,两个来自北京。作为一个全球顶级创业生态系统,北京在大多数创业子领域里的排名均位于前三。

优势行业:AI、大数据和分析

      北京有1070家AI公司,占到中国AI公司总数26%。总部位于北京的AI独角兽字节跳动在2018年融资30亿美元,估值达到750亿美元,成为世界上估值最高的非上市创业公司。北京中关村科技园有10家AI实验室。中国正在北京郊区门头沟建造一个21亿美元的科技园。

优势行业:金融科技

      在2017年,北京经济活动的17%来自其金融领域。在2018年,北京宣布将建“北京金融科技示范区”。在2018年,互联网券商老虎证券(Tiger Brokers)融资8000万美元,成功晋升独角兽;百度旗下金融科技公司度小满金融(Du Xiaoman Financial)融资19亿美元,之后又与天津银行达成战略合作获得后者28.9亿美元授信额度支持。

你为什么应该在北京投资?

  • AI全球第二;
  • 金融科技全球第四;
  • 创业生态系统价值达1420亿美元(全球中位数50亿美元)。

你为什么应该将创业公司搬迁到北京?

  • 北京中关村科技园里有9000家左右科技公司,其中包括百度、新浪和联想。
  • 政府支持:北京市政府的目标是为科技项目引入22亿美元私人资本,并承诺为创业公司支付大约1490万美元的贷款利息,将贷款成本降低20%。
  • 平均每家创业公司的早期融资金额:59.9万美元(全球平均为28.4万美元)
  • 早期融资总额:59亿美元(全球平均为8.37亿美元)
  • 软件工程师工资:3.13万美元(全球平均为5.83万美元)

“北京最大的创新资产在于其优良的教育资源。北京每年的高校毕业生数量达到20万,其中许多人以这种或那种方式加入了创业领域,让今天的北京成为一个领先的创新高地。”中关村创业大街全球孵化业务高级经理朱丹说。

相关文章
|
13天前
|
机器学习/深度学习 存储 人工智能
【AI系统】昇思MindSpore并行
本文介绍昇思MindSpore的并行训练技术,包括张量重排布、自动微分等,旨在简化并行策略搜索,提高大规模模型训练效率。文章探讨了大模型带来的挑战及现有框架的局限性,详细说明了MindSpore如何通过技术创新解决这些问题,实现高效的大模型训练。
63 20
【AI系统】昇思MindSpore并行
|
10天前
|
机器学习/深度学习 人工智能 自然语言处理
转载:【AI系统】AI的领域、场景与行业应用
本文概述了AI的历史、现状及发展趋势,探讨了AI在计算机视觉、自然语言处理、语音识别等领域的应用,以及在金融、医疗、教育、互联网等行业中的实践案例。随着技术进步,AI模型正从单一走向多样化,从小规模到大规模分布式训练,企业级AI系统设计面临更多挑战,同时也带来了新的研究与工程实践机遇。文中强调了AI基础设施的重要性,并鼓励读者深入了解AI系统的设计原则与研究方法,共同推动AI技术的发展。
转载:【AI系统】AI的领域、场景与行业应用
|
13天前
|
机器学习/深度学习 人工智能 分布式计算
【AI系统】混合并行
混合并行融合了数据并行、模型并行和流水线并行,旨在高效利用计算资源,尤其适合大规模深度学习模型训练。通过将模型和数据合理分配至多个设备,混合并行不仅提升了计算效率,还优化了内存使用,使得在有限的硬件条件下也能处理超大型模型。3D混合并行(DP+PP+TP)是最先进的形式,需至少8个GPU实现。此策略通过拓扑感知3D映射最大化计算效率,减少通信开销,是当前深度学习训练框架如Deepspeed和Colossal AI的核心技术之一。
58 15
【AI系统】混合并行
|
10天前
|
存储 人工智能 vr&ar
转载:【AI系统】CPU 基础
CPU,即中央处理器,是计算机的核心部件,负责执行指令和控制所有组件。本文从CPU的发展史入手,介绍了从ENIAC到现代CPU的演变,重点讲述了冯·诺依曼架构的形成及其对CPU设计的影响。文章还详细解析了CPU的基本构成,包括算术逻辑单元(ALU)、存储单元(MU)和控制单元(CU),以及它们如何协同工作完成指令的取指、解码、执行和写回过程。此外,文章探讨了CPU的局限性及并行处理架构的引入。
转载:【AI系统】CPU 基础
|
10天前
|
人工智能 缓存 并行计算
转载:【AI系统】CPU 计算本质
本文深入探讨了CPU计算性能,分析了算力敏感度及技术趋势对CPU性能的影响。文章通过具体数据和实例,讲解了CPU算力的计算方法、算力与数据加载之间的平衡,以及如何通过算力敏感度分析优化计算系统性能。同时,文章还考察了服务器、GPU和超级计算机等平台的性能发展,揭示了这些变化如何塑造我们对CPU性能的理解和期待。
转载:【AI系统】CPU 计算本质
|
13天前
|
存储 人工智能 PyTorch
【AI系统】张量并行
在大模型训练中,单个设备难以满足需求,模型并行技术应运而生。其中,张量并行(Tensor Parallelism, TP)将模型内部的参数和计算任务拆分到不同设备上,特别适用于大规模模型。本文介绍了张量并行的基本概念、实现方法及其在矩阵乘法、Transformer、Embedding和Cross Entropy Loss等场景中的应用,以及通过PyTorch DeviceMesh实现TP的具体步骤。
48 11
【AI系统】张量并行
|
10天前
|
机器学习/深度学习 存储 人工智能
转载:【AI系统】计算之比特位宽
本文详细介绍了深度学习中模型量化操作及其重要性,重点探讨了比特位宽的概念,包括整数和浮点数的表示方法。文章还分析了不同数据类型(如FP32、FP16、BF16、FP8等)在AI模型中的应用,特别是FP8数据类型在提升计算性能和降低内存占用方面的优势。最后,文章讨论了降低比特位宽对AI芯片性能的影响,强调了在不同应用场景中选择合适数据类型的重要性。
转载:【AI系统】计算之比特位宽
|
10天前
|
机器学习/深度学习 人工智能 算法
转载:【AI系统】关键设计指标
本文介绍了AI芯片的关键设计指标及其与AI计算模式的关系,涵盖计算单位(如OPS、MACs、FLOPs)、关键性能指标(精度、吞吐量、时延、能耗、成本、易用性)及优化策略,通过算术强度和Roofline模型评估AI模型在芯片上的执行性能,旨在帮助理解AI芯片设计的核心考量与性能优化方法。
转载:【AI系统】关键设计指标
|
10天前
|
机器学习/深度学习 人工智能 并行计算
转载:【AI系统】AI轻量化与并行策略
本文探讨了AI计算模式对AI芯片设计的重要性,重点分析了轻量化网络模型和大模型分布式并行两大主题。轻量化网络模型通过减少模型参数量和计算量,实现在资源受限设备上的高效部署;大模型分布式并行则通过数据并行和模型并行技术,解决大模型训练中的算力和内存瓶颈,推动AI技术的进一步发展。
转载:【AI系统】AI轻量化与并行策略
|
13天前
|
存储 机器学习/深度学习 人工智能
【AI系统】完全分片数据并行 FSDP
本文深入探讨了AI框架中针对权重数据、优化器数据和梯度数据的分布式并行实现,特别是在PyTorch框架下的具体方案。文章首先回顾了通用数据并行和分布式数据并行的概念,重点讨论了同步与异步数据并行的差异。接着,文章详细介绍了如何在PyTorch中实现弹性数据并行,特别是完全分片数据并行(FSDP)的机制,包括其如何通过分片模型状态和剩余状态来减少内存消耗,提高训练效率。此外,文章还探讨了混合精度训练、损失缩放和内存消耗估算等关键技术,为理解和实施高效的分布式训练提供了全面的指导。
46 9
【AI系统】完全分片数据并行 FSDP
下一篇
DataWorks