根据 KPMG 的报告显示,尽管英国金融科技投资在去年下降了超过四分之一,但已出现复苏迹象。
在 KPMG 最新发布的 EMEA (欧洲、中东和非洲) 金融科技投资趋势报告中显示,2024 年英国企业获得了 99 亿美元 (约合 78 亿英镑) 的投资。与此同时,2024 年的总投资为 203 亿美元,相比前一年的 276 亿美元有所下降。
根据 KPMG 的金融科技脉搏报告,2024 年英国金融科技总投资降至 99 亿美元,比 2023 年的 136 亿美元下降了 27%。
KPMG 英国金融科技主管合伙人 Hannah Dobson 表示,预计今年上半年英国投资将保持"相对疲软",但她补充说,"随着利率进一步下降,投资可能会开始回升,普遍共识是这将发生在第三和第四季度"。
金融科技行业专家、The Finanser 首席执行官 Chris Skinner 向 Computer Weekly 表示,"金融科技领域正处于艰难时期"。他说:"金融科技在 2010 年代经历了令人惊叹的发展,但在 2020 年代似乎并非如此。金融科技在 2023 年遭受重创,投资比 2022 年下降了 48%,而 2022 年已经是糟糕的一年,现在我们进入 2025 年,回顾 2024 年,投资降幅更大。"
KPMG 在报告中指出,地缘政治不确定性、高通胀水平和较高的利率都导致"英国金融科技投资水平更为低迷"。
KPMG 的 Dobson 补充道:"2024 年对金融科技投资来说又是艰难的一年,这不可避免地导致一些企业失败和整合。这也加强了对盈利路径和成本控制的关注,从长远来看,这将积极促进更多可持续和可出售的业务。"
在 EMEA 地区,特别是英国,随着利率下降和政治稳定性提高带来更好的确定性,交易正在缓慢复苏。监管的影响是 EMEA 地区金融科技企业面临的持续挑战,因为它们需要应对欧盟和英国在人工智能和先买后付 (BNPL) 等领域的新监管制度。
2024 年欧洲最大的金融科技交易是在线银行 Knab 以 5.606 亿美元被奥地利金融公司 Bawag Group 收购。英国最大的交易是汇款服务提供商 Zepz 的 2.67 亿美元风险投资轮。
投资下降不仅发生在欧洲。去年,全球金融科技投资降至七年来的最低点,投资额为 950 亿美元,而 2023 年为 1137 亿美元。
KPMG 全球和英国金融服务主管 Karim Haji 表示,仍有一些"亮点"。
Haji 说:"支付领域继续成为金融科技子行业的明星,这得益于后期阶段交易和日益增加的整合关注,而监管科技也获得了很大的发展动力。"
2024 年全球支付领域的投资达到 310 亿美元,高于 2023 年的 172 亿美元。
Haji 补充说,虽然由于不同地区的利率下调和融资成本降低,更多交易开始出现,但世界贸易条件变化对通胀、利率和市场变化的影响尚未可知。
KPMG 的数据与创新金融 (Innovative Finance) 上个月发布的数据相呼应,后者报告显示 2024 年投资比 2023 年下降了 37%。
英国金融科技行业机构创新金融将其归咎于艰难的市场条件,包括"利率上升、地缘政治不稳定以及风险资本募资的重新调整"。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。