螞蟻集團正在招聘AI智能眼鏡產(chǎn)品專家，這一舉動暗示著螞蟻集團可能正計劃涉足AI智能眼鏡領(lǐng)域。?

根據(jù)Boss直聘上的招聘信息，該職位主要負責AI智能眼鏡應(yīng)用相關(guān)的產(chǎn)品。應(yīng)聘者需要具備5年以上2C產(chǎn)品經(jīng)驗，且擔任過主產(chǎn)品負責人的優(yōu)先考慮。此外，熟悉市面上各類VR、AR和AI眼鏡，并對其有獨到認知的候選人將更具優(yōu)勢。?

該職位的職責包括AI眼鏡產(chǎn)品功能設(shè)計、多種原型產(chǎn)品方案搭建與測試，以及研究AI眼鏡的產(chǎn)品設(shè)計范式并形成結(jié)構(gòu)化文檔。同時，應(yīng)聘者需要具備很強的信息涉獵能力，對行業(yè)最新AI產(chǎn)品有深入了解，并能快速上手分析拆解。此外，還需具備執(zhí)行使用AI工具、搭建場景測試環(huán)境，以及判斷方案可行性的能力。?

AI智能眼鏡作為智能穿戴設(shè)備的重要分支，近年來發(fā)展迅速。這類產(chǎn)品集成了攝像頭、麥克風、傳感器等硬件，并通過內(nèi)置的AI大模型等軟件，為用戶提供語音助手、圖像識別、導(dǎo)航等多種智能化功能。隨著技術(shù)的不斷進步，AI智能眼鏡的應(yīng)用場景也在不斷拓展，包括消費娛樂、醫(yī)療健康、工業(yè)制造等多個領(lǐng)域。?

螞蟻集團作為全球領(lǐng)先的金融科技公司，擁有豐富的技術(shù)積累和龐大的用戶基礎(chǔ)。此次招聘AI智能眼鏡產(chǎn)品專家，可能是螞蟻集團布局智能穿戴設(shè)備領(lǐng)域的重要一步。通過將金融科技與AI智能眼鏡相結(jié)合，螞蟻集團有望為用戶帶來更加便捷、安全的金融服務(wù)體驗。?

目前，市場上已經(jīng)有多家公司推出了AI智能眼鏡產(chǎn)品，如谷歌Google Glass、微軟HoloLens等。此外，國內(nèi)的一些科技公司也在積極布局這一領(lǐng)域。螞蟻集團的加入，將進一步加劇市場競爭，推動AI智能眼鏡技術(shù)的創(chuàng)新和應(yīng)用。

近日，螞蟻集團在人工智能領(lǐng)域取得重大突破。由集團CTO、平臺技術(shù)事業(yè)群總裁何征宇帶領(lǐng)的Ling Team團隊，成功開發(fā)出兩個百靈系列開源MoE（混合專家模型）模型——Ling – Lite和Ling – Plus。其中，Ling – Lite參數(shù)規(guī)模為 168 億，而 Ling – Plus 的基座模型參數(shù)規(guī)模更是高達2900億。這一成果在AI行業(yè)引發(fā)廣泛關(guān)注，對比當下熱門模型，AI行業(yè)估計GPT – 4.5參數(shù)量為1.8萬億，DeepSeek – R1參數(shù)規(guī)模達6710億，螞蟻集團的新模型在參數(shù)規(guī)模上已具備相當?shù)母偁幜Α?

值得一提的是，螞蟻團隊在模型預(yù)訓練階段展現(xiàn)出卓越的成本控制能力。他們創(chuàng)新性地使用較低規(guī)格的硬件系統(tǒng)，成功將計算成本降低約20%，最終計算成本僅為508萬元人民幣。而在性能方面，經(jīng)過嚴格測試，該模型實現(xiàn)了與阿里通義Qwen2.5 – 72B – Instruct和DeepSeek – V2.5 – 1210 – Chat相當?shù)乃健Ｄ壳?，相關(guān)技術(shù)成果論文已發(fā)表在預(yù)印版Arxiv平臺上，向全球科研人員展示了螞蟻集團在 AI 領(lǐng)域的深厚技術(shù)積累和創(chuàng)新能力。?

根據(jù)彭博社消息，該模型在訓練階段使用的是國產(chǎn)AI/GPGPU芯片產(chǎn)品，并非完全依賴英偉達芯片，卻獲得了與英偉達芯片（如H800）相似的結(jié)果。這不僅證明了國產(chǎn)芯片在AI計算領(lǐng)域的實力，也為國內(nèi)AI產(chǎn)業(yè)的發(fā)展注入了一針強心劑。?

這是螞蟻集團首次全面且詳細地披露其在 AI 算力層面的進展。一直以來，大語言模型的發(fā)展迅猛，特別是 DeepSeek 引發(fā)的熱潮，使得學界和業(yè)界對通用人工智能（AGI）展開了廣泛且深入的討論。其中，混合專家（MoE）模型在特定任務(wù)中展現(xiàn)出優(yōu)異性能，但因其訓練高度依賴高性能計算資源，導(dǎo)致成本居高不下，這極大地限制了其在資源受限環(huán)境中的推廣應(yīng)用。?

螞蟻Ling團隊深入分析行業(yè)現(xiàn)狀后認為，盡管 MoE 模型訓練對高性能 AI 芯片（如 H100 和 H800）需求巨大，且資源供應(yīng)存在一定挑戰(zhàn)，但低性能加速器反而更易獲取，并且從單位成本效益來看頗具優(yōu)勢。因此，研發(fā)一款能夠在異構(gòu)計算單元和分布式集群間靈活切換的技術(shù)框架成為當務(wù)之急。同時，在 AI Infra 部分，團隊著重在跨集群、跨設(shè)備的兼容和可靠性層面進行性能優(yōu)化，明確設(shè)定了 “不使用高級 GPU” 來擴展模型的目標。

在具體實踐過程中，螞蟻 Ling 團隊在模型訓練的各個關(guān)鍵環(huán)節(jié)，包括訓練環(huán)境、優(yōu)化策略、基礎(chǔ)設(shè)施、訓練過程、評估結(jié)果以及推理等方面，都進行了全面且深入的優(yōu)化與落地實施。?

預(yù)訓練層面堪稱整個模型研發(fā)的基石，螞蟻團隊在此投入了大量精力并取得了顯著成果。他們精心構(gòu)建了規(guī)模約9萬億token的高質(zhì)量語料庫，為模型的學習提供了豐富且優(yōu)質(zhì)的素材。在架構(gòu)設(shè)計上，采用了創(chuàng)新的MoE架構(gòu)，并通過嚴謹?shù)姆治隹s放規(guī)律來精準確定超參數(shù)，同時采用多階段訓練策略，有效應(yīng)對訓練過程中出現(xiàn)的瞬時尖峰問題。此外，團隊通過優(yōu)化模型架構(gòu)和訓練策略，如選擇匹配架構(gòu)、集成訓練框架、開發(fā)XPUTimer和EDiT策略等，大幅提高了訓練效率。