FX168财经网_全球视野外汇黄金加密货币NFT资讯网

为什么金融分析师错过了SVB的危险信号？

用于洗钱。 1 月 24 日纽约杂志 Intelligencer 的一篇报道对这种邪恶活动提出了全面的控诉，将 Silvergate 描述为「十几家最终被调查、关闭、罚款或破产的加密货币公司的首选银行」。这个故事指出了许多违反法律的客户（例如，被定罪的澳大利亚加密货币庞氏骗局艺术家 Stefan He Qin 和 Bittrex，一家加密货币交易所和曾经的 Silvergate 股东和客户，因代表伊朗转移资金而受到美国当局的制裁和叙利亚）。其他投资者和研究人员敏锐地意识到 Silvergate 的问题并公开分享他们的观点（例如，资深卖空者 Marc Cohodes 告诉 The Block，「Silvergate 是一个公开交易的犯罪现场，而 Alan Lane 属于监狱」），因此甚至致函 Silvergate 的审计员和监管机构，描述问题并敦促他们采取行动。分析师显然无法理解和评估管理层技能与新业务模式之间的不匹配、银行巨大的与加密货币相关的资产负债表风险、提供「未获批准」的产品和服务可能带来的监管风险以及反洗钱风险产生了严重后果。除了允许一些 Silvergate 客户从事欺诈和其他伤害数百万人的不道德活动外，分析师的乐观建议还为 Silvergate 披上了机构合法性的外衣。一些人很快指出 Silvergate 是银行业的失败，而不是加密货币的失败。但我认为这是 TradFi 的又一次失败：就像投资失败的贷方 Celsius Network 和 FTX 的机构投资者一样，Silvergate 分析师使用传统的投资技术和指标来评估非传统公司的价值，导致他们错过了嵌入式加密风险最终导致了公司的失败。如果我们要阻止加密货币大屠杀，我们需要 TradFi 戴上 DeFi 镜头。来源：金色财经

金色财经2023-03-14

凯斯纽荷兰工业集团收购机器视觉公司Augmenta

pplier litigation, intellectual property rights disputes, product warranty and defective product claims, and emissions and/or fuel economy regulatory and contractual issues; security breaches, cybersecurity attacks, technology failures, and other disruptions to the information technology infrastructure of CNH Industrial and its suppliers and dealers; security breaches with respect to our products; our pension plans and other post-employment obligations; political and civil unrest; volatility and deterioration of capital and financial markets, including pandemics, terrorist attacks in Europe and elsewhere; our ability to realize the anticipated benefits from our business initiatives as part of our strategic plan; our failure to realize, or a delay in realizing, all of the anticipated benefits of our acquisitions, joint ventures, strategic alliances or divestitures and other similar risks and uncertainties, and our success in managing the risks involved in the foregoing. Forward-looking statements are based upon assumptions relating to the factors described in this press release, which are sometimes based upon estimates and data received from third parties. Such estimates and data are often revised. Actual results may differ materially from the forward-looking statements as a result of a number of risks and uncertainties, many of which are outside CNH Industrial’s control. CNH Industrial expressly disclaims any intention or obligation to provide, update or revise any forward-looking statements in this announcement to reflect any change in expectations or any change in events, conditions or circumstances on which these forward-looking statements are based. Further information concerning CNH Industrial, including factors that potentially could materially affect CNH Industrial’s financial results, is included in CNH Industrial’s reports and filings with the U.S. Securities and Exchange Commission (“SEC”), the Autoriteit Financiële Markten (“AFM”) and Commissione Nazionale per le Società e la Borsa (“CONSOB”). All future written and oral forward-looking statements by CNH Industrial or persons acting on the behalf of CNH Industrial are expressly qualified in their entirety by the cautionary statements contained herein or referred to above. 凯斯纽荷兰工业集团（NYSE: CNHI /MI：CNHI）是一家世界一流的设备和服务公司。在以创新、可持续和生产力为中心的公司宗旨——开辟新天地的推动下，公司为旗下全球性以及地区品牌提供战略方向、研发能力和投资，促使他们获得成功：在全球市场，凯斯农业机械和纽荷兰农业机械提供360°全方位的农业应用，从设备到农机具再到增强其能力的数字技术，一应俱全；凯斯工程机械和纽荷兰工程机械提供全系工程机械产品，促使行业提升生产力。区域性市场品牌包括：斯太尔，农用拖拉机； Raven，农业数字化、精准技术以及无人驾驶系统开发领域的领导者； Flexi-Coil，耕作和播种农机具系统；Miller，植保机械； Kongskilde，提供耕作、播种以及牧草、青贮机械； Eurocomach，为工程行业提供各种小型和中型挖掘机，包括电动解决方案。在跨越两个多世纪的历史中，凯斯纽荷兰工业集团一直是行业先行者，满怀热忱地不断坚持创新，推动客户提升效率，收获成功。作为一家名副其实的全球化公司，凯斯纽荷兰工业集团拥有 37,000 多名员工，形成了多元包容的企业文化，专注于以客户为中心，支持他们发展和建设更美好的世界。如需了解更多信息及查阅最新的财务和可持续发展报告，请访问：cnhindustrial.com 有关凯斯纽荷兰工业集团及其旗下品牌的新闻，请访问：media.cnhindustrial.com

美通社2023-03-14

如何建立市场护城河？重新审视 Web3 时代的聚合理论

同样地，区块链数据平台 Arkham Intelligence 已经结合了令人兴奋的用户界面、可能的代币发行和巧妙的营销策略，包括通过推荐奖励代币来挑战 Nansen；Zerion 可能很舒服，但伴随着 Uniswap 新钱包的推出，也可能会蚕食它的市场份额；你看到了这里面的趋势了么？由于一些项目选择向用户提供代币，那些没有发行代币，并且凭借股权支持者而轻松发展起来的聚合商，现在正面临风险。随着我们逐步往熊市深入，这种「社区所有权」的概念将非常重要，因为仍然留在市场的有限数量的消费者希望最大化他们花费的每一美元。此外，获得使用平台的奖励而不是支付访问费用也是一种新颖的体验。因此，一方面，长期现金流为正的公司将收入下降，另一方面，他们将看到用户涌向竞争对手。这是否可持续？绝对不行，以下是它的工作原理：项目方推出一款暗示发行代币的产品，如果再与推荐计划挂钩，那就更好了。比如 Arkham Intelligence 向访问他们的平台的用户提供代币，而考虑到空投的可能性，越来越多的用户会花费时间在这个产品上。这是一种令人难以置信的方法，可以对产品进行压力测试，降低获客成本，并在产品中引导网络效应。但挑战出现在留存率上，一旦不再提供代币奖励，用户经常会转向其他产品，因此大多数「暗示」会发行代币的开发者不知道他们的用户基础有多广泛。下图的这个人总结了如今普通人在加密领域的哲学基础，如此深刻，象征着驱动我们世界的利己主义：无论如何，在过去，用户放弃发行代币地项目的历史趋势是存在的，这个陷阱来自于这样一个事实，即创始人（可能）认为通过代币激励获得的用户具有粘性。在理想条件下，代币奖励与产品用户之间的图表应该如下图所示：但现实情况是，随着代币激励的减少，最初涌入的用户几乎完全放弃了这个项目。如果没有最初吸引他们的激励措施，他们没有理由继续为产品做出贡献，在过去的两年里，这种现象一直困扰着 DeFi 和 P2E 项目们。积累代币并持有代币的用户是新的「社区」成员，他们想知道资产价格何时会飙升到足以让他们退出（假设市场参与者是理性的参与者，他们的行为符合自身利益）。我最初的观点是将多个产品的功能集简单地整合到一个界面中，使用区块链作为基础设施骨干，以作为持久的护城河，但这可能是错误的，因此我想知道为什么在 Web3 中拥有相对优势的领先者会输给其他人。譬如币安推翻了 Coinbase，反过来他们又面临着来自 FTX 的竞争；OpenSea 受到了来自 Blur 的竞争压力；Axie Infinity 开发商 Sky Mavis 也可能会因像 Illuvium 这样的新进入者而面临压力。为什么用户会随着时间的推移离开 Web3？怎样才能长久地留住用户？在 Web3 中，当每个人都可以发布一个内嵌代币的版本时，什么可以成为护城河？我一直在思考这个问题，因为我们生活在一个叙事转换的市场中，每个季度都有一个新的「热门」事物，这就是为什么我关注的风险投资家从远程办公专家一夜之间变成了处理地缘政治紧张局势的专家。当然，如果你在进行资产交易，这是有效的（顺便说一下，这是大多数加密货币用户的「用例」）。但如果你想建立一个随着时间增长的基础资产（比如谷歌或苹果的股权），那么频繁交易很可能是一个坏主意。如果你最终希望所花费的时间、金钱或精力在没有积极管理的情况下得到发展，那要做到这一点的唯一的方法，就是一款产品能做到两件事：首先也是最重要的，留住现有用户；其次，要积极扩张，避免其它项目的竞争来侵蚀你的市场份额；你该怎么做呢（要知道，当人们开始考虑护城河和留存率时，就说明这是一个熊市）？竞争是输家的游戏这种现象的部分解释是将公司排名在介于新颖性和便利性之间的频谱上，在早期，像 NFT 这样的原始工具是新颖的，吸引了那些不惜一切代价尝试产品的人们。我们很乐意处理钱包的助记词并处理法币入金，因为使用「数字货币」的新颖性足以吸引我们。如果你注意到用户对「Ordinal」的好奇，你会意识到用户是多么有耐心。这种耐心的部分原因是早期趋势的利润因素，投机和利润动机驱使用户忍受粗糙的使用体验。在频谱的另一端，是我们每天依赖的高度便利的工具。亚马逊就是一个让我们沉迷于便利的聚合器的典型例子，消费者可能会从不在亚马逊上的小众商店购买商品而受益，而且亚马逊上某些卖家的定价也可能是错误的。但在做决定时，亚马逊使得我们不用担心付款方式、送货时间或客户支持，这种脑力劳动的「节省」转化为在聚合器上的更高支出（注意力或资本）。许多卖家之所以来到亚马逊，正是因为他们了解市场上的消费者行为，与如果用户直接到店铺购物时看到的行为不同。 Tim Wu 2018 年的文章总结了人们为了方便而付出的努力：我们当然愿意为方便支付溢价，甚至愿意支付比我们意识到的更高价格。例如在 1990 年代晚期，像 Napster 这样的音乐分发技术使在线获取音乐变得免费，并且许多人使用了这个选项。尽管现在仍然可以轻松免费获取音乐，但没有人真正这样做了。为什么？因为 2003 年引入的 iTunes 商店使购买音乐比非法下载音乐更加方便，方便胜过免费。回到我最初提到的频谱，新技术通常会付钱给用户来让用户试用它们，相比之下，高度方便的应用程序可以让用户支付高昂的费用，前提是它能满足用户对便利的渴望。如今，大多数面向消费者的应用程序面临的挑战是它们处于频谱的中间位置，我称之为「死亡之谷」。它们既不是那么新颖——无法新颖到人们想要尝试他们所构建的东西，同时也不够方便——无法方便到用户不需要外部支持而只依赖它们。 Skiff、Coinbase Card 和 Mirror 在方便性光谱的这一端做得很好，因为它们可以替代它们的传统竞争对手。但是以游戏、借贷或身份认证赛道为例，你就会明白为什么这些主题目前还无法在链上扩展。在中间位置的大多数应用程序都犯了一个致命的错误，那就是相互竞争。它们首先通过广告和招聘，增加用户获得成本和雇佣成本，然后通过毒性 memes 和面向对手的叙事来互相竞争。正如彼得·蒂尔（Peter Thiel）所说的，竞争是输家的游戏。当初创公司开始在小而专业的市场中竞争时，通常没有赢家。用他的话说，创业公司能够从生存斗争中过渡的唯一途径就是拥有垄断利润，但是如何才能达到这个目标呢？新的护城河 Web3 中的公司如果想要摆脱代币作为增长杠杆，它们只有三个可以专注的杠杆：成本、用例和分销。过去发生了一些这样的情况，让我逐个解释。成本稳定币已成为加密货币的杀手级用例，因为它们在全球范围内提供了比传统银行更好的体验。例如，印度的 UPI 创新可能对国内支付更具成本效益，但在东南亚、欧洲或非洲之间转移资金，或仅在美国银行账户之间转移余额，使用链上转账更为明智。从用户的角度来看，产生的成本不仅在于转账所花费的金额，还在于分配给转移资金的时间和精神，借记卡对电子商务的作用就像稳定币对汇款的作用一样：它们降低了进行转账所需的认知成本。如果将其与大多数面向消费者的收益生成移动应用程序进行比较——你可以提供一两个点以美元计算的收益率，但当你考虑到破产风险时，价值考虑就无关紧要了。分销如果你在新兴领域聚集了利基用户，分销就可以成为护城河。想想 Compound 和 Aave 是如何开启全新的借贷市场？很少有人认为花费 100 美元的 ETH 去贷款 50 美元是有价值的，但不少人忽略了有一种市场并没有得到服务——主要是那些在熊市中不想出售其资产的加密货币富豪。所以如果你认为是新兴市场中无法获得信贷额度的人推动了 DeFi 借贷量，那就错了，使用它的是加密富豪，这是以前没有获得银行服务的人群。因此关注这些，才能成为一个利基领域的「枢纽」，让你能够将注意力集中到单个功能上，Coingecko 和 Zerion 就是两家在这方面做得很好的企业。考虑到项目引导用户使用新功能的边际成本几乎为零，因此将新的收入来源迭代和添加到产品本身就变得具有成本效益。这就是为什么像 WeChat（在东南亚）、Careem（在中东）和 PayTM（在印度）等玩家往往做得很好。当像 Uniswap 这样的玩家发布钱包时，他们实际上是在尝试将用户聚集在一个界面中，在这个界面中，可以以更低的成本推送更多功能（如他们的 NFT 市场）。用例像 ENS、Tornado Cash 和 Skiff 等工具已经开辟了他们独特的用户群体，这些用户依赖该产品来获得当今传统替代品无法提供的所需功能。例如 Facebook 不会将您的钱包地址与您的身份联系起来，你的银行不提供 Tornado Cash 提供的隐私保护。这些是具备用户粘性的产品，通常没有其他替代品可以达到该产品的水平。新用例中的先行者需要一段时间来教育用户，并让他们了解实用程序的作用，但它们也具有占领大量新市场的优势。就像在 LocalBitcoins 的早期，它是唯一进行点对点交易的地方，这帮助他们在像印度这样的新兴市场上汇聚了流动性，并使他们在 2016 年之前一直处于领先地位（LocalBitcoins 安息吧，延伸阅读《比特币 OTC 之王谢幕：重走 LocalBitcoins 的兴衰十年》）。熊市很难通过关注这些杠杆中的任何一个来扩大规模，我上面提到的例子已经经历了多个市场周期。譬如使 Axie Infinity 能够脱颖而出的部分原因是该团队在 2020 年之前进行了两年的建设——在下一次牛市到来之前，团队已经形成了建立社区、维护代币和平衡投资者利益（出售代币）与用户利益（赚取代币）所需的「力量」。这就解释了为什么当市场下跌时，从风险投资的角度来看，开发工具和基础设施会风靡一时。因为为了解决零售用户缺乏兴趣的问题，可以选择将重点放在企业对企业（B2B）方面——你为开发人员构建工具，他们自己负责拉拢零售用户。像 Coinbase 这样的知名玩家认识到了这一点，这就是为什么他们在熊市中发布钱包 API 等工具的原因。从新颖到方便 LI.FI 是一个多链流动性聚合器，为想要使其应用程序或用户扩展至多链的开发人员提供 SDK。假设 Metamask 或 OpenSea 希望让开发人员能够让用户在 Polygon 和以太坊等链之间移动资产，那 LI.FI 提供了一个简单的 SDK，用于确定跨桥梁和 DEX 转移资金的最佳途径，因此开发人员可以专注于他们最擅长的事情。将像 Li.Fi 这样的聚合器想象成一个乐高积木，开发人员将其放入他们的应用程序中，以帮助用户以最低的成本在链之间移动资产。有几个玩家从事同一业务，但我以 LI.FI 为例，因为他们实际上已经满足了我上面提到的条件，他们一直在做的一些事情验证了我前面提到的护城河： LI.FI 开始关注企业，而不是零售用户。如果抓住了构建可能需要跨链转移的应用程序的长尾开发人员，那么就不必担心去直接吸引用户；使用该产品的公司可以节省研究和维护时间。在熊市中，大家希望尽可能多地保存资源。因此默认情况下，像 LI.FI 这样的产品的销售变得相对简单；从最终用户的角度来看，聚合器为转账提供了最佳成本基础。因此人们希望使用已经集成了其 SDK 的产品； LI.FI 通常是第一个整合新区块链网络的同赛道项目——这使其处于竞争稀缺的前沿；最后，他们的目标群体主要是最后离开加密货币的参与者。一般来说，进入熊市一年后，正在行业中进行投机和交易的是高级用户，你不必花费太多金钱来教育他们；现在，不要误会我的意思，LI.FI 并不是市场上唯一的跨链桥聚合器，尽管符合我上面提到的成本、人数和用例等条件，但很难看出它们中的任何一个会构建起护城河。但我特别感兴趣的是它们如何从新颖的工具演变为便利的工具。在早期，用户依赖跨链桥，因为转账流程需要痛苦地等待交易所的中转——你必须通过一个中心化的平台转移资金，接受安全检查，然后希望资金能到位，而不是只需要点击几下。当然，DeFi degens 今天正在跨链发送数十亿美元，但普通人（比如你高中的朋友）并不关心这些。那么，当新奇感消失时，你如何生存呢？如果你注意到 Nansen 和 LI.FI 是如何运作的，你可以通过观察他们将产品服务卖给了谁来获得答案： LI.FI 主要面向开发人员进行销售，昨天 Nansen 推出了 Query，这是一个让企业和大型基金直接访问 Nansen 数据的工具，他们声称在查询数据方面，它比最接近的同行快六十倍。那么，为什么这两家公司都专注于开发人员呢？这与这样一个事实有关——即如果公司向高级用户销售，它可以同时成为新颖性和便利性的工具。例如，开发人员决定是否与 LI.FI 集成时，通常在他们的脑海中有一个简单的计算，譬如与集成单个跨链桥相比，聚合器是否有效地花费更少的时间和资金？同样，对于任何使用 Nansen 查询的人来说，问题是该工具是否节省了足够的时间和精力来保证其成本够低，如果自己内部实现的成本低于支付第三方（如 LI.FI）的成本，则决策者很可能更倾向于不从头开始构建。对于一家公司来说，通过我在上图中提到的从便利性到新颖性频谱中「死亡之谷」逃脱的最快方法，就是专注于愿意支付高额费用的少数用户，因为您的产品现在是一种便利工具，这为产品提供了足够的运行空间，以建立足够的用户兴趣并成为首选的便利工具。我与 Nansen 创始人 Alex 讨论了这个框架，他有不同的说法，即无论市场状况如何，用户都寻求价值。在熊市中，企业和网络是最大的客户，它们需要非常具体的数据集合，但这些数据集合通常无法从第三方供应商处获得。所以将产品调整到他们的需求，并让他们看到价值，意味着你可以获得更多的收入和更少的竞争。返璞归真当我一年前写关于聚合的文章时，我把产品功能（使用区块链）误认为是护城河。从那以后，DeFi 收益聚合器大量涌现，但大多数都失败了。如果竞争对手能够推出具有相同特点和更好用户体验的产品，或者如果他们像 Blur 所做的那样推出代币，那么简单地集成区块链可能没有多大意义。在这种环境下，思考什么才能真正区分产品是很有必要的。当我写下这些文字时，一些模式变得非常地明显：首先，在熊市中获取用户的成本将飙升，因为零售用户们对此的兴趣很低，除非产品具有特殊的新颖性或便利性，否则它处于奇怪的位置；其次，为其他公司（B2B）建立的企业可能能够充分实现复合增长以生存，然后在牛市中占据主导地位，就像 FalconX 一样；第三，如果设计不佳，代币是暂时的护城河和长期负债，很少有社区在足够长的时间内真正为代币有意义地积累价值；当您考虑零售市场或 DeFi 等利基市场时，很明显，普通人并不关心哪条链或多么去中心化，他们关心的是他们能从中获得的价值，区块链可以帮助增加终端用户可以获得的价值。但创始人可能经常陷入陷阱——即为风险投资人（或代币交易者）构造产品和出售服务，却没有真正建立基于成本、便利性和社区的护城河。这可能有点愤世嫉俗，但值得考虑。来源：金色财经

金色财经2023-03-13

台海升级？台湾政府罕见强硬发声：欧盟想要芯片却不想外交，台湾没这么天真！

供应链的行列。如果没有台积电和英特尔(Intel Corp.)等公司的帮助，欧盟要获得先进的芯片制造能力可能会面临挑战。台湾中央通讯社表示，欧盟委员会(European Commission)拒绝进行贸易和投资谈判，尽管地区议会主张进行此类谈判。“欧盟希望台湾建立芯片工厂，但对台湾来说，从企业的角度来看，没有必要这样做，”中央通讯社写道：“如果欧盟只想要台湾的芯片，却不愿谈外交，那么拥有全球战略资产的台湾会这么天真吗？” 中国与台湾之间的紧张局势升级，原因是美国发起了一项更广泛的行动，对抗中国在该地区更为强硬的角色。强调向美国在印度-太平洋地区的军事资产投入更多资金，表明拜登政府非常希望重新调整国防姿态，从而应对中国自身日益增长的军事和经济实力。与此同时，台湾作为全球最大先进芯片制造商，相应的战略地位也在提升。中央通讯社周一特别批评了一位欧盟官员最近的言论，这位官员说，拥有27个成员国的欧盟没有必要与台湾达成投资协议。这篇专栏文章是蔡英文政府的罕见举动，尽管由于中国的反对，台湾与主要国家之间缺乏外交关系，但蔡英文通常对其他民主国家采取友好的语气。相反，台湾一直在积极寻求加深与美国和其他西方国家政府的贸易和其他非正式关系。中央通讯社的文章发表后，台积电发言人Nina Kao称，台积电仍在评估在欧盟建厂的计划，不过尚未做出最终决定。

白兔捣药秋复春2023-03-13

信达证券：给予中兴通讯买入评级

业数字化转型提供强劲的算力支撑。其中，IntelGPU服务器R6500G5，拥有32个内存插槽，支持DDR5内存，最高可支持10个双宽GPU加速卡，适用于高性能计算、人工智能、多媒体渲染等应用场景；ARM架构服务器R5930G2，具有内核多，吞吐率高，单线程能力强，整数计算性能高，访问和IO通道带宽高等特点，还具有独特的安全性，适用于政府、互联网、能源、运营商、金融等行业领域。此外，公司还拥有全闪存储磁盘列阵，双控制器最高1.5TB的超大高速缓存，可应用在中大型数据库、高性能计算、多媒体视频数据存储、文件服务、互联网应用、备份、容灾等多行业领域。2022年服务器及存储产品全球发货量超24万台。　　数据库：2022年公司发布GoldenDBv7.0年度版本。作为成熟稳定商用领先的国产金融级分布式数据库，GoldenDB支撑银行核心业务稳定运行超过四年，是唯一拥有国家政策性银行、国有大型银行、股份制银行、城商行及大型金融机构、电信运营商核心业务改造实践的金融数据库。在金融市场，2022年新增中国银行、光大银行、民生银行、恒丰银行及浙商银行等客户，助力国泰君安证券新一代核心交易系统投产，打造国内首个证券行业核心业务改造的成功案例；在运营商市场，以第一份额中标中国移动、中国联通集采。据沙利文联合头豹研究院发布的《2021年中国金融级分布式数据库市场报告》，GoldenDB市场综合竞争表现蝉联第一。　　数据中心：公司是全模块数据中心引领者。经过14年的沉淀和发展，公司已形成全场景、全系列覆盖的四大数据中心解决方案，包括微模块数据中心、机架数据中心、仓储式全模块数据中心和集装箱数据中心。提供从IDC规划设计、IDC建设集成（计算&储存、数据通信网路、光网络、制冷、IDC高压直流等解决方案）到IDC运维等全生命周期的综合解决方案。2022年公司发布新一代数据中心，提供电力模块、液冷系统等创新节能产品，PUE可低至1.15。在国内市场，公司突破多个大型运营商数据中心集成项目，实现规模增长；在海外市场，公司实现集装箱堆叠方案大规模突破，在菲律宾市场连续5期中标。云平台：以5G为云网底座，依托数字星云平台，助力实体经济与数据经济融合。公司于2022年推出数字星云平台，为企业数字化转型提供快速灵活定制方案。工业方面，公司将5G与行业深度融合，在制造业实现“用5G制造5G”，在南京滨江智能制造基地已上线24大类、110余项5G+工业融合创新应用；在钢铁行业推出5G智慧钢铁专网2.0方案，与国家电投集团、宝武集团、鞍钢集团、广西金川股份、云南神火铝业等头部企业合作，助力冶金钢铁行业的数智化转型；在煤矿行业推出5G智能综采、掘进等创新应用，携手运营商助力国家能源集团、平煤集团、山能集团、陕煤集团、中煤科工集团、中煤能源集团等头部企业打造多个示范项目；在电力行业推进5G与电网的融合；在轨交行业推出5G+高铁线路视频上车辅助预视系统；在港口领域推出5G岸桥远控、5G智能加解锁站等4项业务；在政企及大企业方面推出数字化园区方案、城市生命线解决方案、数字孪生智慧水利等解决方案。据2022年报，公司在工业制造、冶金钢铁、矿山、电力、交通、政务及大企业等15个行业发展了500多家合作伙伴，实现百余数字化转型的创新应用，为多行业实现数字化赋能。我们认为未来公司政企业务有望充分受益，政企业务收入占比和收入增速将不断提升。　　消费者业务：打造以智能手机为核心的“1+2+N”智慧生态，未来家庭信息业务有望快速发展　　市场一直认为中兴手机不盈利，没有发展前景，我们认为存在较大预期差，中兴大力发展手机业务不会增加太多成本：（1）中兴手机可复用5G研发成本，无太多新增边际成本；（2）部分产能可与5G基站复用，可以提升公司整体产能利用率。公司已完成统一操盘中兴（旗舰机）、努比亚、红魔（游戏手机）三大品牌，2022年三大品牌均发布新机，产品继续迭代升级，中兴：公司发布第三代屏下无缺全面屏和三主摄计算摄影旗舰手机中兴Axon40Ultra，首发搭载“中国芯”5G中兴远航30S；努比亚：独创首发定制35mm光学系统的Z40和Z50系列；红魔：发布红魔7和8Pro系列继续占领手机电竞市场。　　移动互联产品保持优势地位，家庭信息终端产品实现跨越式增长。在移动互联产品，2022年公司5GMBB&FWA全球市场持续份额第一；在家庭信息终端产品，实现跨越式增长，2022年公司PONCPE和DSLCPE发货量全球第一，机顶盒市场份额持续领先，公司海外市场拓展顺利，Wi-Fi6产品在意大利、西班牙、日本、泰国等国家实现规模商用，AndroidTV机顶盒持续规模发货亚太、欧洲、南美等区域。　　强劲技术研发实力在新应用领域的持续价值变现为核心竞争实力和长期成长逻辑市场普遍认为公司未来业绩增长仍然要依靠5G周期景气度的提升，带动运营商业务的增长，过于关注公司账面净利润和运营商资本开支周期性，忽视过去11年公司在研发投入超1200亿元所带来的核心技术提升。我们认为现阶段5G大规划投建，除带动运营商业务大规模增长外，也将带动各行业智能化、网联化技术下游应用的大幅提升。公司以运营商业务为基础，大力发展芯片、操作系统和数据库等核心技术，智能化、网联化和国产替代进程加快将加速公司核心技术在汽车电子、消费电子、工业互联网、金融科技以及新能源等方面的价值变现。　　盈利预测与投资评级　　公司是全球领先的ICT解决方案提供商，公司作为主设备商龙头将充分受益5G建设加速，同时研发实力强劲，我们看好公司强劲技术研发实力在新应用领域的持续价值变现。预计公司2023-2025年净利润分别为101.90亿元、123.35亿元、149.90亿元，对应PE为15.01倍、12.40倍、10.20倍，维持“买入”评级。　　风险因素　　5G建设不及预期、智能汽车发展不及预期、中美贸易摩擦证券之星数据中心根据近三年发布的研报数据计算，兴业证券代小笛研究员团队对该股研究较为深入，近三年预测准确度均值高达95%，其预测2023年度归属净利润为盈利102.64亿，根据现价换算的预测PE为14.88。最新盈利预测明细如下：该股最近90天内共有15家机构给出评级，买入评级15家；过去90天内机构目标均价为39.06。根据近五年财报数据，证券之星估值分析工具显示，中兴通讯（000063）行业内竞争力的护城河良好，盈利能力一般，营收成长性一般。财务可能有隐忧，须重点关注的财务指标包括：有息资产负债率、应收账款/利润率。该股好公司指标2.5星，好价格指标3星，综合指标2.5星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）以上内容由证券之星根据公开信息整理，与本站立场无关。证券之星力求但不保证该信息（包括但不限于文字、视频、音频、数据及图表）全部或者部分内容的的准确性、完整性、有效性、及时性等，如存在问题请联系我们。本文为数据整理，不对您构成任何投资建议，投资有风险，请谨慎决策。

证券之星2023-03-12

Circle、BlockFi或有接触硅谷银行其他公司否认曝光

“毁灭性的”。 Blockchain Intelligence Group (BIGG) 及其相关的加拿大加密货币交易平台 Netcoins也否认与这家倒闭的银行有任何风险敞口。来源：金色财经

金色财经2023-03-11

美国关系持续紧张！阿斯麦等十几家公司访问东南亚考虑投资建厂

C)、三星(Samsung)和英特尔(Intel)等半导体制造商的全球顶级供应商之一。一些公司在中国设有生产设施。在美国政府施加压力后，荷兰政府未向阿斯麦颁发向中国客户销售其最先进机器的许可证。美国正寻求遏制中国自主制造先进计算机芯片的能力，并减缓中国的军事进步。据阿斯麦公司网站介绍，参与此次任务的公司包括Neways，该公司帮助阿斯麦公司开发用于光刻系统的电气控制单元、电源控制和布线系统。Brainport表示，阿斯麦的供应商NTS集团是精密机械工具供应商，是另一家将加入此次商务旅行的公司。据一份文件和Brainport透露，此次访问的其他公司包括Bestronics、AAE BV、BKB Precision、HQ Group、KMWE Group、Sempro、Sioux Technologies和VDL ETG。报告说，新加坡正被考虑作为地区总部的潜在地点。一位熟悉此次访问安排的人士表示，其中一家公司正与越南的合作伙伴就建厂进行深入谈判。另一家公司也可能在那里投资，该人士表示，由于信息保密，他不愿透露这些公司的名字。另一位参与组织此次访问的人士表示，马来西亚也是新投资的一个可能选择，因为一些公司已经在那里设有设施。

Sue2023-03-11

奇富科技2022年全年营收165.54亿元净利润40.06亿元

金融界2023-03-10

加拿大宣布2月增加2.2万个就业岗位！加拿大劳动力市场开始放缓，好于经济学家预期

(S&P Global Market Intelligence)的经济学家Arlene Kish一直在关注1月份经济大幅增长的“回报”，并预测加拿大经济在2月份失去了2.32万个工作岗位。本周早些时候，加拿大央行(Bank of Canada)将强劲的就业增长列为仍在考虑加息的原因之一，此前该行将关键隔夜利率维持在4.5%。去年3月，加拿大央行开始大举加息，希望以此降低通胀，将隔夜利率从0.25%推至4.5%。今年1月，加拿大再度央行加息25个基点(0.25个百分点)，同时央行行长Tiff Macklem发表声明表示，在目前这个阶段，加拿大央行将暂停加息，成为全球首个暂停加息的主要央行。

绿山墙的安妮2023-03-10

AIGC 行业专题报告：从 AI 技术演进看 AIGC

产力革命 AI(Artificial Intelligence)：1952 年，图灵在《计算机械与智能》一文中提到了“图灵测试”来验证机器是否具有智能：如果一台机器能够与人类展开交流，并且有超过 30%的人无法在规定时间内识别出与自己交谈的是人还是机器，那么这台机器可以被认为是具有智能的。后来科技界又提出了其他界定人工智能的标准：例如能否实现语音识别、机器翻译、自动写作等等。本报告中所提及的人工智能技术，不仅包括具有自然语言处理能力、或通过图灵测试的AI 技术，还包括有海量数据、超复杂性、要求实时性、人类智能暂时无法处理的机器智能技术。 AI 发展原动力：提效降本，在新一轮技术革命中抢占先机微观：提效降本，科技让生活更美好从 C 端用户需求来看，人工智能解决的是与人相关的娱乐、出行、健康等生活场景中的痛点。人工智能在 C 端的应用分为两方面：1）对原有劳动力的替代与生产力效率的提升：如语音识别、智能客服、机器翻译等；2）新增需求的满足：如“千人千面”的信息分发（如抖音、快手、小红书等）、内容生成（AIGC）、人机交互（如 ChatGPT 等）、辅助驾驶、安防等。从 B 端需求来看，企业对于效率的提升需求旺盛，人工智能在金融、公共安全、医疗健康等领域均取得了较为普遍的应用。宏观：新一轮技术革命，赢得未来国与国之间科技竞争的主动权人工智能有望引领了蒸汽革命、电气技术革命以及信息产业革命之后的第四次生产力革命。1）18 世纪 60 年代，英国率先发展并完成了第一次工业革命，在随后的一个多世界里成为了世界霸主；2）19 世纪 60 年代，完成了资产阶级革命或改革的美、德、法、日在第二次工业革命中崛起，使人类进入“电气时代”；3）进入 20 世纪中叶，以信息技术、新能源技术的代表的第三次科技革命在美国兴起，进一步强化了美国的霸主地位。自 2006 年以来，Hinton 提出深度学习算法，令机器在自主学习方面有了革命性的突破，同时，伴随着海量数据的积累、GPU、芯片计算能力的提升，人工智能的三大要素“算法”、“算力”和“数据”皆已准备就绪。2016 年，AlphaGo 首次击败人类问鼎世界冠军，人工智能的关注度急速攀升。而近期人工智能技术在安防、金融、医疗、内容分发领域的持续落地，使AI 技术在提效降本、解放劳动力、提升资源配置效率方面的巨大作用得以显现。我们认为，在本轮变革中具有良好技术沉淀和全面布局的国家有望抢得科技的主动权。产业链及发展历程：三起两落，数据及算力爆发带来新一轮AI 发展机遇产业链：基础层+技术层+应用层总体来看，人工智能产业链可分为基础支撑层、技术层和应用层。基础层提供算力，主要包含人工智能芯片、传感器、大数据及云计算。其中，芯片具有极高的技术门槛，且生态搭建已基本成型。目前该层级的主要布局玩家为Nvidia、AMD、英特尔等在内的国际科技巨头，国内在基础层的布局和实力均相对薄弱。技术层主要解决具体类别问题，这一层级主要依托运算平台和数据资源进行海量识别训练和机器学习建模，开发面向不同领域的应用技术，包括语音识别、自然语言处理、计算机视觉和机器学习技术等。科技巨头谷歌、IBM、亚马逊、苹果、阿里巴巴、百度都在该层级深度布局，并涌现了如商汤科技、旷世科技、科大讯飞等诸多独角兽公司。应用层主要解决场景落地问题，利用AI 技术针对行业提供产品、服务和解决方案，其核心是商业化。得益于人工智能的全球开源社区，应用层的进入门槛相对较低，但也是商业价值最大的环节（典型如算法推动在抖音、快手等应用端落地）。发展历程：60 年三起两落，呈螺旋式发展回顾人工智能技术的发展历程，我们发现，人工智能所经历的三次兴起浪潮均源于底层算法的革命性进展，而前两轮的衰落是由于数据处理性能及底层算法的局限，使 AI 技术从成熟度以及商业可行性上无法落地。2006 年，Hinton 提出颠覆性的深度学习算法，使得 AI 产业迈出关键性一步：利用多层神经网络，将人类从复杂的算法归纳中解放出来，只要给予机器足够多的数据，便能使其自动归纳出算法，叠加底层算力 GPU 的不断发展及互联网时代海量数据的积累，人工智三驾马车：算法、算力和数据皆已准备就绪，使 AI 技术彻底走出实验室，逐步渗透进各个行业和场景。第一轮：兴于感知神经网络，终于计算机性能约束兴起：1956 年达特茅斯会议开启了人工智能的元年，仅在定理层次等证明了AI商用的可能性，实际应用还十分有限。1956 年，以约翰·麦卡锡、马文·明斯基、克劳德·香农等为代表的科学家们在达特茅斯组织了一场为期两个月的人工智能夏季研讨会，探讨如何通过机器模拟人类学习或人类智能的其他特征。本次会议结束后，很多国家政府、研究机构、军方等都开始投资人工智能，掀起了第一波人工智能热潮。在第一波 AI 的浪潮中，占据主导地位的思想是逻辑主义，即通过引入符号方法进行语义处理、将待研究和解决的问题转化为可以用计算机处理的符号，运用逻辑公理进行解答，从而实现人机互动。第一波人工智能浪潮的总体成就有限，仅在定理证明等特定领域取得了成功。受制于计算机性能及可获取的数据量，当时的人工智能只能完成玩具式的简单任务，在语音、图像识别及想起游戏等看似简单的任务上，进展都十分有限。衰落：计算机的性能制约了早期程序的应用，人工智能的发展首次预冷。受限于计算机的处理性能，当时其所能处理的程序对象少且复杂度低，机器无法读取足够的数据实现智能化，AI 自然无法大规模落地商用。1973 年，学者莱特希尔发表了一份具有影响力的评估报告《人工智能：一般性的考察》，报告指出：“迄今为止，人工智能没有在任何领域发生之前预想的重大影响，人工智能的投入是金钱的浪费”，该报告发表后，英国政府随后终止了对爱丁堡等几所高效的人工智能项目的支持。到 70 年代中期，美国和其他国家在该领域的投入也大幅度削减，人工智能发展进入寒冬。第二轮：兴于 BP 神经网络，终于专家系统失败兴起：1980 年代，Hopfield 神经网络和 BT 训练算法的提出，使基于AI技术的专家系统首次得以商用。Hopfield 神经网络是通过对动物或人脑的基本单元一神经元建模和连接，探索模拟动物或人脑神经系统的学习、联想、记忆和模式识别等功能的人工模型。基于该模型，IBM 等公司开发出了一系列用于模拟专家决策的专家系统，使人工智能第一次实现商业化落地。衰落：算法局限使计算结遭遇瓶颈，人工智能由于实际商用成本过高再次衰落。专家系统的维护成本极高，但神经元网络只能解决单一问题，数据量积累到一定程度后，计算结果便不再改进，实际应用价值有限。1987 年，苹果和IBM生产的台式机性能超过了由 Symbolics 等厂商生产的通用计算机，专家系统逐渐淘汰。第三轮：兴于深度学习算法，强于数据及算力兴起： 2006 年，Hinton 提出了神经网络 DeepLearning 算法，将人类从复杂的算法归纳中解放了出来，使人工智能再一次聚焦了学术界和产业界的目光。从底层算法来讲，深度学习算法弥补了传统 BP 神经网络的缺陷：1）多隐层的人工神经网络具有优异的特征学习能力，从而有利于可视化或分类；2）传统人工神经网络的训练难度可以通过“逐层初始化”来克服。通俗来讲，本轮算法的革命性进步在于：不需要人工去提取规则特征，机器通过海量数据，即可自动实现规则的特征提取，将最复杂的“算法归纳”留给机器去完成。数据显示，自2012年在图像识别领域引入深度学习算法以来，图像识别的错误率显著降低。并通过深度学习训练层数的增长及优化，在 2015 年通过 ResNet 模型使图像识别的精度超过了人眼可达的精度。强化：底层算力的高速发展及多维数据的快速积累，使本轮人工智能得以爆发。计算机硬件设施的发展，如 GPU（图形处理器）、TPU（张量处理器）等新一代芯片及 FPGA（现场可编程门陈列）异构计算服务器提供了足够的计算力，能够支持人工智能算法的原型。数据的可获得性和质量在这一时期得到了极大的改善，互联网、物联网等产业的发展也为人工智能提供了规模空前的训练数据。人工智能三大要素：“算法、算力和数据”的准备就绪，使人工智能快速渗透到各产业中，如安防、金融、医疗、文娱等。人工智能：技术流派及我们所处的阶段技术演进：行为主义+连接主义，诞生深度学习技术 AI 的技术流派经历了符号主义、连接主义和行为主义，在行为主义思想中引入了连接主义的技术，诞生本轮的深度强化学习技术。符号主义符号主义又称为逻辑主义，在人工智能早期一直占据主导地位。该学派认为人工智能源于数学逻辑，其实质是模拟人的抽象逻辑思维，用符号描述人类的认知过程。早期的研究思路是通过基本的推断步骤寻求完全解，出现了逻辑理论家和几何定理证明器等。上世纪 70 年代出现了大量的专家系统，结合了领域知识和逻辑推断，使得人工智能进入了工程应用。PC 机的出现以及专家系统高昂的成本，使符号学派在人工智能领域的主导地位逐渐被连接主义取代。连接主义连接主义又称为仿生学派，当前占据主导地位。该学派认为人工智能源于仿生学，应以工程技术手段模拟人脑神经系统的结构和功能。连接主义最早可追溯到1943年麦卡洛克和皮茨创立的脑模型，由于受理论模型、生物原型和技术条件的限制，在 20 世纪 70 年代陷入低潮。行为主义行为主义又称为进化主义，近年来随着 AlphaGo 取得的突破而受到广泛关注。该学派认为人工智能源于控制论，智能行为的基础是“感知—行动”的反应机制，所以智能无需知识表示，无需推断。智能只是在与环境交互作用中表现出来，需要具有不同的行为模块与环境交互，以此来产生复杂的行为。在人工智能的发展过程中，符号主义、连接主义和行为主义等流派不仅先后在各自领域取得了成果，各学派也逐渐走向了相互借鉴和融合发展的道路。特别是在行为主义思想中引入连接主义的技术，从而诞生了深度强化学习技术，成为AlphaGo 战胜李世石背后最重要的技术手段。技术现状：深度学习技术带动本轮人工智能发展人工智能算法经历了“既定规则系统”、“浅层学习算法”和“深度学习算法”三个阶段，其中，深度学习算法彻底将人类从复杂的算法抽象中解放了出来，用深度神经网络+海量数据打破了计算准确度的瓶颈，带动了本轮人工智能的爆发。人工智能算法所经历的三大阶段及实现过程如下： 1）既定规则系统及其实现过程既定规则系统尚不属于“机器学习”的范围，其背后的关系为人力搭建算法的逻辑关系。面对待处理的问题，由人提取出问题特征、再由人设定好算法规则，交由机器进行运行。例如，判断某幅图片是否为猴子，既定规则系统执行过程如下：1）人为提取猴子各部分像素特征；2）人为设定猴子判定规则，如眼睛、鼻子、嘴巴等部位的像素应分别位于哪一区间内；3）机器根据读取到的像素及判定规则，计算当前图片是否为猴子，输出结果“是”或“否”。 2）传统机器学习算法及实现过程传统机器学习算法彻底将人类从复杂的算法抽象中解放了出来，但对复杂数据的处理受到明显制约。简单来说，机器学习是一种实现人工智能的方法，深度学习算法是实现机器学习的技术。传统机器学习算法又称浅层算法，这类算法如反向传播算法（BP 算法）、支持向量机（SVM）、Boosting 等，局限性在于对有限样本和计算单元的情况下对复杂函数的表示能力有限，对复杂数据的处理受到制约。例如，在图像识别领域，浅层学习的识别准确率较低，主要原因为该算法的处理逻辑偏向浅层，不能穷举复杂的情景，在准确率达到一定程度后，即使再投入更多数据，准确率依然无法提升。如判断某幅图片是否为猴子，传统机器学习算法执行过程如下：1）人为提取猴子各部分像素特征；2）机器自动归纳猴子的判定规则，如眼睛、鼻子、嘴巴等部位的像素应分别位于哪一区间内；3）机器根据读取到的像素及判定规则，计算当前图片是否为猴子，输出结果“是”或“否”。 3）深度学习算法及实现过程深度学习与传统的机器学习最主要的区别在于：随着数据规模的增加，其判断准确度也在不断增长。判断准确度的提升，使人工智能技术可大规模应用于语音识别、图像识别等多个领域。2006 年，Hinton 提出深度学习算法，该算法与传统的机器学习算法最大的区别在于随着数据规模的增加，算法计算准确率也不断增长。当数据很少时，深度学习算法的性能并不突出，随着数据量的增加，其优越性得以体现。传统机器学习算法，在拟合度达到某一特定值后，再增加数据量，其拟合度不再提升；深度学习算法拟合准确度随着数据量及神经网络层数的增加而提升。例如，在引入深度学习之前，语音识别的准确率连续三年稳定在 76.4%，引入该算法后，其准确率逐年递增，2017 年已达94.5%。如判断某幅图片是否为猴子，深度学习算法的执行过程如下：人为将海量带有标签的图像数据到计算机中，无需进行任何特征提取或规则设定，算法自动根据输入图像的特征归纳出判定规则，并泛化至后续判断过程中。实现要素：海量数据及高效算力是深度学习实现基础海量数据及高效算力是深度学习实现基础。深度学习全称深度神经网络，本质上是多层次的人工神经网络算法，即从结构上模拟人脑的运行机制，从最基本的单元上模拟了人类大脑的运行机制。算法的实现过程分为训练和推断两个阶段。训练阶段需要海量数据输入，训练出一个复杂的深度神经网络模型。推断指利用训练好的模型，使用待判断的数据去“推断”得出各种结论。大数据时代的到来，图形处理器（Graphics Processing Unit，GPU）等各种更加强大的计算设备的发展，使得深度学习可以充分利用海量数据（标注数据、弱标注数据或无标注数据），自动地学习到抽象的知识表达，即把原始数据浓缩成某种知识。简单来说，在深度学习算法的基础上，海量数据解决了计算精准度的问题，算力的提升解决了计算速度的问题。所处时代：基于统计规律的弱人工智能时代，但商业化价值已经展现人工智能的分类标准及定义李开复及王咏刚在《人工智能》一书中，将人工智能按照智能程度的强弱，划分为：弱人工智能（Artificial Narrow Intelligence，简称ANI）、强人工智能（Artificial General Intelligence，简称 AGI）和超人工智能（ArtificialSuperintelligence，简称 ASI）三个层次。弱人工智能（ANI）也称为限制领域人工智能或应用型人工智能，本质上是某个特定领域内基于统计规律的大数据处理者。通俗来讲，弱人工智能只专注于完成某个特定的任务，例如语音识别、图像识别和翻译，是擅长单个方面的人工智能，类似高级仿生学。该阶段的 AI 技术是为了解决特定具体类的任务问题而存在，底层原理是从海量数据中从中归纳出模型，再泛化至新的数据中进行正向运算。例如，谷歌的 AlphaGo 和 AlphaGo Zero 就是典型“弱人工智能”，尽管它们能够战胜象棋领域的世界级冠军，但也仅限于擅长于单个游戏领域的人工智能。强人工智能（AGI）是人类级别的人工智能，拥有独立思想和意识，在各方面均能与人类媲美。拥有 AGI 的机器不仅是一种工具，其本身可拥有“思维”，能够进行独立的思考、计划、解决问题、抽象思维、理解复杂理念、快速学习等，可实现“全面仿人性”，在智力水平和行动能力方面与人类基本没有差别，目前只存在于电影及人类想象中。超人工智能：假设计算机程序通过不断发展，智力水平可以超越人类，则由此产生的人工智能系统就可以被称为超人工智能。在人工智能的三个层级中，超人工智能的定义最为模糊，目前还没有精准预测能够说明超越人类最高水平的智慧到底会表现为何种能力。对于超人工智能，目前只能从哲学或科幻的角度加以想象。当前人工智能现状：基于统计规律的弱 AI 时代当前人工智能尚属于“弱人工智能”阶段。按照人工智能的执行深度，我们将人工智能的判定层次分为计算智能、感知智能和认知智能三个层次：1）计算智能：神经网络和遗传算法的出现，使机器能够高效、快速地处理海量数据，目前该技术的应用已相当成熟；2）感知智能：技术已相对成熟，典型应用语音识别及人脸识别，准确率分别超过 98%和 99%；3）认知智能：还有较大提升空间，典型应用包括机器翻译和计算机视觉认知，这两项技术与人力还有较大差距。通过以上对三个层级的分析，我们判断：人工智能技术尚不具备完全“认知”能力，处于垂直领域的应用投入商用、自主认知尚待攻克的“弱人工智能”阶段。 “弱人工智能”所带来的收效依然十分可观弱人工智能在特定领域的表现均超过人类，多种劳动密集型工作均具有较强自动化潜力。2017 年 10 月，AlphaGo 的升级版本实现了不通过向人类学习，只通过概率计算和自学自练就达成自我超越、战胜李世石的初代AlphaGo。由IBM开发人工智能 Waston，使用机器学习来分析和解读海量医疗数据和文献，检查患者数据做出治疗决定，印度班加罗尔研究表明，Waston 与医生在提供肺癌、结肠癌和直肠癌治疗建议方面一致性比例分别高达 96%、81%和93%。微软公司的人工智能虚拟机器人小冰，学习了 20 世纪 20 年代以来 519 位诗人的现代诗，自2017年2月起，“小冰”在天涯、豆瓣、贴吧、简书四个平台上使用了27 个化名发表的诗歌作品，几乎没有被发现是机器所作。不仅如此，人工智能在交通、教育、金融领域也展示出了巨大的应用前景。与人类相比，人工智能在数据存储、调用、分析处理方面的强大能力，以及在特定危险情境下的生存能力，都有望为人类生活带来巨大颠覆。麦肯锡报告表明，多种人力劳动密集、机械类工作都具有较强的自动化潜力，住宿和餐饮服务、制造、交通和仓储等职业自动化潜力巨大。 2020 年，弱人工智能为全球 GDP 带来 14%的提升。人工智能将提升社区劳动生产率，特别是在有效降低劳动成本、优化产品和服务、创造新市场和就业等方面，将为人类的生产和生活带来革命性的转变。据 Sage 预测，2020 年，人工智能的出现将为全球 GDP 带来 14%的提升，相当于 15.7 万亿美元的增长。根据世界银行及产新智库的分析，人工智能作为当下最先进生产力，如果能为制造业提高1%的效率，全球制造业便会节约 3000 亿美元。再细分到各个产业，为航空提高1%的效率相当于 300 亿美元，为电力提高 1%的效率相当于660 亿美元，为医疗系统效率提高 1%相当于 630 亿美元，为铁路系统效率提高1%相当于270 亿美元，为石油天然气资本支出降低 1%相当于 900 亿美元。综上，截至2025 年，人工智能可能影响 32 万亿美元的全球制造业领域，相当于将影响全球50%的经济。万事俱备，人工智能场景应用有望全面爆发相比于前两轮的 AI 浪潮，我们认为本轮人工智能应用将全面爆发的原因如下：1）深度学习算法的革命性颠覆，使“数据量”成为决定拟合结果的核心要素：在本轮深度学习算法出现前，AI 的主要算法是 BP、SVM 等浅层算法，由于其处理逻辑停留在浅层，即使在拥有海量数据的情况下，拟合结果的准确率在提升至某一瓶颈后便无法提升，人工智能难以处理复杂的问题。深度学习算法得益于多层神经网络，可直接用海量数据“暴力破解”出计算算法，数据量越高，拟合精准度越高。这说明只要具备充足的数据和算力，便能快速训练出精准的算法，这使得决定人工智能准确度的核心由“算法”转变为“数据和算力”；2）海量多维数据及GPU 算力已准备就绪，为算法运行提供充足“燃料”和“引擎”：互联网使海量数据积累成为可能，而 GPU 的出现，满足了机器学习大规模并行计算要求。至此，人工智能的三驾马车“算法、算力、数据”皆已准备就绪；3）开源框架大幅降低了 AI 的使用门槛；4）政策及资本的助力：AI 被广泛认为人类历史上第四次工业革命，美国、中国等科技大国均将其提升至顶层战略高度，加之资本注入及催化，“弱人工智能”的商用已广泛落地。资源层：数据及算力的大幅提升将 AI 推向浪潮之巅互联网及数字经济的快速发展，为 AI 算法训练提供充裕的数据来源。人工智能领域顶级专家吴恩达曾提到：发展人工智能就像用火箭发射卫星，需要强大的引擎和足够的燃料，算法模型就是其引擎，高性能的算力是打造引擎的工具，海量的数据就是引擎的燃料。基于深度学习的算法特点，其计算准确度与数据量基本成正比。例如，在输入 30 万张人类对弈棋谱并经过3000 万次自我对弈后，人工智能 AlphaGo 具备了媲美顶尖棋手的棋力。当前，机器学习所能应用的数据已经不局限于文本、数字等结构化数据，还包括视频、音频、图片等非结构化数据。而根据 IDC 的统计数据，2021 年全球数据量已经达到82 ZB，预计到2026年将达到 214 ZB。 GPU 的发展解决了深度学习的训练速度和相应的成本问题。1）英伟达于2016年推出 P100，2017 年推出 V100，2020 年推出 A100，4 年间从P100 至A100英伟达GPU 芯片高性能计算能力提升 11 倍。2022 年英伟达持续迭代推出H100，其最新的 H100 芯片在 A100 的基础上将训练表现提升 9 倍；2）算力芯片的快速迭代使得提升 AI 模型训练速度和下游用户体验，同时基于摩尔定律的算力提升也使得单位算力开销持续下降，从技术成熟度和商业化成本两端加速AI 技术走向普及。技术环境：开源框架大幅降低开发门槛各巨头在 2016 年纷纷创立 AI 开源的开发框架，人工智能的开发框架是底层硬件与上层软件之间的纽带，可以视作人工智能进行开发和应用的“操作系统”。以往的专家系统是基于本地化专业知识进行运算，以知识库和推理机为中心进行展开，推理机设计内容由不同的专家系统应用环境决定，不具备通用性。同时，知识库是开发者收集录入的专家分析模型与案例的资源集合，只能在单机系统环境下使用且无法连接网络，升级更新不便。企业的软件框架实现有闭源和开源两种形式，少数企业选择闭源方式开发软件框架，目的是打造技术壁垒；目前，业内主流软件框架基本都是基于开源化运营，如谷歌的TensorFlow、脸书的Torchnet、微软的 DMTK、IBM 的 SystemML、三星的 VELES 等，均具有分布式深度学习数据库和商业级即插即用功能。外部环境：政策助力，人工智能迎来发展良机中国密集出台人工智能相关政策，并将 AI 上升至国家战略，力求在下一轮工业革命中抢占先机。自 2015 年以来，国内不断出台推动人工智能发展的鼓励政策，包括:1）建立人工智能促进机制；2）为人工智能提供近支持，包括税收优惠、财政扶持及制定金融政策等；3）推动创新，包括促进产业集群，布局创新基地，鼓励人才培养；4）政府制定规制与保障措施等。《新一代人工智能发展规划》提出了“三步走”战略目标，加速AI 再各行业渗透落地。第一步，到 2020 年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，核心产业规模超过1500 亿元，带动相关产业规模超过 1 万亿元；第二步，到 2025 年，新一代人工智能在智能制造、智能医疗、智慧城市、智能农业、国防建设等领域得到广泛应用，核心产业规模超过 4000 亿元，相关产业规模超过 5 万亿元；第三步，到2030 年，人工智能理论、技术与应用总体达到世界领先水平，形成涵盖核心技术、关键系统、支撑平台和智能应用的完备产业链和高端产业群，人工智能核心产业规模超过1万亿元，带动相关产业规模超过 10 万亿元。从算法推荐到内容生成：AI 有望引发新一轮内容与平台投资周期基于对 AI 产业链及成长历程的分析，我们认为，AI 底层算法和理论体系的突破相对缓慢，AI 对于各个行业的渗透和改造进度各不相同。但是当前基于神经网络的深度学习算法已经在感知层（图像、声音等）及部分认知处理环节逐步步入技术成熟期，在特定技术环节和应用场景中已经具备良好的商用价值。我们认为，短期内 AI 能够创造价值的行业必须具备以下三点要素：1）适合的场景应用：一方面行业内存在需求，AI 的应用能够解决实际问题，真正为行业带来降本提效；另一方面，深度学习的特点决定了 AI 的算法体系必须拥有特定领域的样本数据持续训练；2）充足的数据来源：在技术应用背后拥有足够的数据来驱动AI 能力的提升；3）所需技术具备商业可行性（技术成熟度以及成本、效率等）。结合以上三方面要素，从落地的角度来看，AI 在自动驾驶、安防、语音识别等领域已经得到大规模应用；从传媒互联网领域落地来看，基于AI 的算法推荐已经在信息分发领域获得充分应用，并诞生出以字节跳动（今日头条、抖音等典型APP）、小红书为代表的移动互联网时代信息分发平台新范式；从信息分发到内容生成（AIGC），AI 有望重塑内容及互联网产业生态。 AI 赋能，字节跳动充分展现内容分发时代AI 商业化价值互联网时代信息爆炸，信息过载加速 AI 在内容分发领域落地。在互联网、特别是移动互联网的快速渗透推动之下，内容创作从传统的PGC 向UGC、PUGC模式转变，与之相应的是信息产生的数量呈现指数级上升；传统的用户主动获取信息的模式不堪重负、信息过载成为制约互联网产业发展的重要障碍；基于AI的“千人千面”算法推荐模式在此背景下快速导入，推动了互联网从“人找信息”到“信息找人”的内容分发模式转变。技术解读：“千人千面”的推荐系统本质上是一个由AI 技术驱动的拟合函数，输入变量包括用户特征、环境特征和内容特征，输出变量为推荐结果。参与运算的参数包括：1）用户特征：包括兴趣、职业、年龄、性别、机型、用户反馈行为等；2）环境特征：地理位置、时间、网络、天气、当前场景（工作、地铁等）；3）内容特征：主题词、兴趣标签、热度、质量等。结合三方面的信息，模型会运算出一个预估，即推测推荐内容在这一场景下对这一用户是否合适。然后对小批量相同标签的用户进行实时推荐。如果用户反馈（转化率、热度）达到设定标准，则将此内容进行大规模的推荐；如果用户反馈低于设定标准，则停止推荐。依靠该推荐系统，使平台长尾内容实现了有效的分发和触达。从技术理念到产品落地，算法推荐引领内容分发进入新时代。从产品来看，以抖音、今日头条、小红书等 C 端娱乐内容为代表的内容平台，基于海量用户数据，并通过视频识别技术，挖掘出各视频内容的特点及标签，通过推荐系统，将合适的内容、在合适的地点、推送给合适的人，改变内容分发行业聚焦于头部内容的生态特征，挖掘出长尾内容的使用价值；而从当前移动互联网产品来看，从内容分发到电商平台产品推送，基于 AI 的信息分发已成标配。从产品到商业化，字节跳动的异军突起验证 AI 强大的生产力价值和商业化潜力。作为作为 AI 技术驱动型公司，字节跳动于 2012 年8 月推出首款新闻资讯分发产品“今日头条”，产品基于机器学习技术，实现“千人千面”的新闻信息推送。在上线不到两年的时间内，用户数已超过 1.2 亿，MAU 超过4000 万。后续，公司基于今日头条所打磨出的智能推荐系统，低成本、大规模生产“流产品”，推出了“抖音”等现象级产品，并将国内成熟产品通过“技术出海+本土化运营”顺利推广到全球。Questmoblie 数据显示，截至 2022 年底，字节跳动旗下产品合计用户时长占比达到 24.5%（2017 年底为 10.1%），成为仅次于腾讯系的互联网巨头。生成式 AI（AIGC）：从信息分发到内容生成，更为宏大的时代机遇利用人工智能方式生成内容的想法发源甚早。艾伦·图灵(Alan Turing)1950在论文《计算机器与智能( Computing Machinery and Intelligence )》中提出了判定机器是否具有“智能”的试验方法，即“图灵测试”，判断标准为，机器是否能模仿人类的思维方式并生成内容进一步与人交互。半个世纪的科技发展中，随着数据量快速积累、算力性能不断提升、算法效力增强，当前的AI 在与人交互的过程中还可产出写作、编曲、绘画、视频制作等内容。2018 年，世界上首个出售的 AIGC 画作在佳士得拍卖行以 43.25 万美元成交，引发各界关注。随着AI的内容生成能力不断增强，场景落地开花，AIGC 产业浪潮兴起。结合人工智能的演进历程,AIGC 的发展大致可以分为4 个阶段，即: 早期萌芽阶段(20 世纪 50 年代至 90 年代中期)、沉淀积累阶段(20 世纪90 年代中期至21 世纪 10 年代中期) ，快速发展阶段(21 世纪10 年代中期至今)以及当前的破圈爆发阶段（2022 年至今）。早期萌芽阶段 (1950s-1990s) ：技术所限，AIGC 局限于小范围实验。1957年，莱杰伦·希勒 (Leiaren Hiller ) 和伦纳德·艾萨克森( LeonardIsaacson)通过将计算机程序中的控制变量换成音符得到了历史上第一支由计算机创作的音乐作品——弦乐四重奏《依利亚克组曲 ( Illiac Suite )》。1966 年，世界第一款可人机对话的机器人“伊莉莎 ( Eliza)”问世，其可在关键字扫描和重组的基础上进行人机交互。80 年代中期，IBM 基于隐形马尔科夫链模型( HiddenMarkovModel,HMM) 创造了语音控制打字机“坦戈拉( Tangora )”,能够处理约20000个单词。然而在 20 世纪末期，高昂的研发与系统成本与难以落地商业变现模式，各国政府减少了对人工智能领域的投入，AIGC 发展暂时停滞。沉淀积累阶段 (1990s-2010s)：AIGC 实用性增强，开启商业化探索。2006年，深度学习算法取得重大突破，且同期图形处理器( Graphics Processing Unit,GPU)、张量处理器( Tensor Processing UnitTPU) 等算力设备性能不断提升。数据层面互联网的发展引发数据规模快速膨胀，成为 AIGC 发展的算法训练基础，AIGC发展取得显著进步。但算法仍然面临瓶颈，创作任务的完成质量限制了AIGC的应用，内容产出效果仍待提升。2007 年，纽约大学人工智能研究员罗斯·古德温装配的人工智能系统通过对公路旅行中见闻的记录和感知，撰写出世界第一部完全由人工智能创作的小说《1 The Road》。但其仍整体可读性不强的劣势，存在拼写错误、辞藻空洞、缺乏逻辑等问题。微软 2012 年公开展示的全自动同声传译系统，基于深层神经网络 (Deep Neural Network,DNN)可自动将英文演讲者的内容通过语音识别、语言翻译、语音合成等技术生成中文语音。快速发展阶段(2010s-2021)：深度学习算法的不断迭代促进内容生态百花齐放。2014 年以来，以生成式对抗网络 (Generative Adversarial Network,GAN)为代表的深度学习算法被提出和迭代更新，AIGC 进入生成内容多样化的时代，且产出的内容效果逼真到难以分辨。2017 年，世界首部全部由AI 创作的诗集《阳光失了玻璃窗》由微软的人工智能少女“小冰”创造。2018 年，英伟达了可以自动生成图片的 StyleGAN 模型，截止 2022 年末，其已升级到第四代StyleGAN-XL,可生成人眼难以分辨真假的高分辨率图片。2019 年，DeepMind 发布了可生成连续视频的 DVD-GAN 模型。2021 年，OpenAI 推出了 DALL-E，并于2022 年将其升级为DALL-E-2。该产品主要生成文本与图像的交互内容，可根据用户输入的简短描述性文字，得到极高质量的卡通、写实、抽象等风格的图像绘画作品。爆发与破圈阶段（2022-至今）：2022 年以来，AIGC 产品密集发布，ChatGPT爆火出圈。Google 于 2022 年五月推出了文本图像生成模型lmagen，同年8月，开源 AI 绘画工具 StableDiffusion 发布；2022 年 9 月，Meta 推出可利用文字生成视频的产品 Make-A-Video 以推动其视频生态的发展。2022 年11 月30 日，OpenAl推出 AI 聊天机器人 ChatGPT，AIGC 的内容产出能力迅速吸引大批用户，至2022年 12 月 5 日，根据 OpenAI 创始人表示，ChatGPT 用户数已突破100 万。2023年2 月，微软宣布推出由 ChatGPT 支持的新版本 Bing 搜索引擎和Edge 浏览器，AIGC与传统工具进入深度融合历程。算力与数据皆备、大模型加速 AIGC 技术导入，应用创新、场景落地渐行渐近深度模型的进步与创新奠定 AIGC 走向成熟的基础。就底层技术而言，不断创新的生成算法、预训练模型、多模态等技术是 AIGC 行业发展的前提，以此为基础AIGC在自动化内容生成上具备了通用性、基础性多模态、参数多、训练数据量大、生成内容高质稳定等特征优势。预训练模型进一步打开了 AIGC 的技术和商业化可能。以往的生成模型存在使用门槛高、训练成本高、内容生成简单和质量偏低等劣势，而真实内容消费场景具备灵活多变、高精度、高质量等痛点要求。预训练模型的出现通过提高AIGC技术能力解决了上述问题。AI 预训练模型。即大模型、基础模型(FoundationModel)，其基于大量数据与巨量参数的模型，可适应下游广泛任务并显著提高各种下游任务的性能。AIGC 进入预训练模型时代以 2018 年谷歌发布基于Transformer机器学习方法的自然语言处理预训练模型 BERT 为标志。当前按照基本类型分类，预训练模型包括:(1)自然语言处理(NLP) 预训练模型，如谷歌的LaMDA 和PaLM、OpenAl 的 GPT 系列;(2)计算机视觉(CV)预训练模型，如微软的Florence:(3)多模态预训练模型，即融合文字、图片、音视频等多种内容形式。以 GPT 为代表的大模型表现优异，AIGC 加速从实验室设想向产业化落地。1）根据 IDC 的定义，AI 大模型是基于海量多源数据打造的预训练模型，是对原有算法模型的技术升级和产品迭代，用户可通过开源或开放API/工具等形式进行模型零样本/小样本数据学习，以实现更优的识别、理解、决策、生成效果和更低成本的开发部署方案。大模型的核心作用是突破数据标注的困境，通过学习海量无标注的数据来做预训练，拓展整体模型前期学习的广度和深度，以此提升大模型的知识水平，从而低成本、高适应性地赋能大模型在后续下游任务中的应用；2）以GPT 系列自然语言处理模型为例，从 2018 年 6 月的GPT-1 模型，经过数代的模型迭代，GPT3.5 已经从早期的 1.17 亿参数量提升至当前的千亿级以上，而基于GPT3.5 的 ChatGPT 在人机对话中表现优异并火爆出圈，印证了大模型在文本、图像乃至视频等领域内容生成的可能性和商业化潜力。从 PGC 到 AIGC，AI 有望重构内容与媒介生态 AIGC 多样化的内容生成能力使其覆盖各类内容形式，各类应用场景正随技术进步逐渐落地。AIGC 不仅可覆盖文本、音频、图像、视频等基本内容模态，还可综合图像、视频、文本进行跨模态生成，并应用于各类细分行业成为具体的生产力要素，例如游戏行业中的 AI NPC、虚拟人的视频制作与生成等。从 PGC 到 AIGC，内容与平台从生态到商业模式有望重塑，新投资周期即将来临。1）从 PGC 到 UGC、PUGC，传媒互联网从 web 1.0 的门户时代进入到移动互联网的web 2.0 时代，结合算法推荐的信息分发模式诞生了以字节跳动（抖音、今日头条）、美团、快手、小红书等为代表移动互联网新贵；2）算法推荐重塑了信息分发模式，而 AIGC 则实现了信息、内容的 AI 创作，内容生产将从PGC、UGC、PUGC迈入 AIGC 时代，内容生产的效率有望实现跨越式提高，内容将迎来大爆发时刻，与之相应的，从内容到媒介平台都将会迎来生态和商业模式的重塑，内容与平台的新投资周期即将来临。投资分析 AI 是新一轮生产力革命，算法创新及算力进步、数据爆发，催化本轮人工智能奇点将至。1）人工智能（AI）基于机器学习和数据分析的方法，赋予机器人类的能力，从而实现解放人力、降本提效的目的，已经成为推动新一轮生产力革命的核心技术方向；2）经历符号主义、连接主义和行为主义的持续演进，最终诞生了引导本轮 AI 落地的深度学习技术；深度学习技术的出现，改变了传统AI 的技术路线，解决了传统机器学习算法无法处理大量数据、准确率遭遇瓶颈的问题，使得AI 从理论上具备了工程化落地的可能；基于摩尔定理的算力提升，互联网及数字经济的快速发展带来的数据量井喷，使得 AI 最终从设想走向场景落地，在语音识别、图像识别等领域的计算准确度都实现了突破性进展并得到广泛应用。从算法推荐到内容生成，AIGC 有望带动新一轮内容与平台革命。1）从传媒互联网的实践来看，基于 AI 算法推送的信息分发模型已经为web 2.0 时代主流的信息组织模式，并诞生出以字节跳动、快手、小红书等为代表典型产品和商业案例；2）从算法推动到内容生成（AIGC），新时代的大门正在打开：海量的数据资源、快速提升的算力水平和不断降低的单位算力成本开销、基于深度学习的预训练大模型构建的通用大模型显著降低应用开发门槛，数字化的高渗透率赋予充裕场景应用可能；从 PGC 到 AIGC，内容生产的大爆炸将重塑内容与平台生态、商业模式，新一轮产业机遇渐行渐近。来源：金色财经

金色财经2023-03-10

24小时热点