FX168财经网_全球视野外汇黄金加密货币NFT资讯网_关键字搜索-FX168

全球数字财富领导者

CoNET｜客户端｜旧版｜｜

FX168 全球视野中文财经

登录 / 注册

本周6只新股申购 3只上市新股
 go
建科（沪主板）是上海市国资委直属管理的现代科技服务企业，致力于成为国内领先的城市建设、管理与运行技科技服务集团，以科技创新为先导，在房屋建筑、交通市政、环境工程和建筑机械等广泛领域提供工程咨询、检测检验和技术服务。立足长三角，在京津冀地区（雄安新区）、粤港澳大湾区、成渝城市群、长江中游城市群（武汉）均设立属地化服务机构，是上海中心大厦、中国进博会主场馆、上海浦东国际机场、上海磁悬浮、洋山深水港、港珠澳大桥等重大项目的服务商。　　明阳科技（北交所）公司主要从事高性能、高强度、形状复杂零件的研发和生产，拥有自滑润轴承、金属注射成形零件、粉末冶金零件、汽车座椅传力杆等四大系列产品，以及扶手锁核心件、各种铰链（用于头枕、桌板、腿托、中央扶手）等新座椅部件，并正在开展3D打印技术和碳纤维应用研发工作。　　亚光股份（沪主板）是专业从事制药机械的研发、生产与销售的高新技术企业。20余年来亚光公司一直专注于制药装备领域，先后研制出胶塞清洗机、过滤洗涤干燥机、真空带式干燥机等制药工艺系统核心设备，树立起行业产品细分市场的龙头地位。公司的主要产品有三大类别：清洗机系列（包括胶塞、铝盖清洗机、器具清洗机、瓶外清洗机等）、API精烘孢生产线（反应釜、结晶罐、过滤洗涤干燥机、单锥混合干燥机、分装称重系统等）、中药设备（浓缩罐、真空带式干燥机、粉碎与分装系统等）。
金融界2023-02-27
蓝思科技：根据客户保密要求，具体情况不便披露，请谅解
 go
斯拉、宾利、保时捷、奔驰、宝马、奥迪、现代等高端新能源汽车厂商和国际传统汽车豪华品牌，并且持续获得了蔚来、理想、上汽等更多新的国内外品牌汽车客户，与客户协同研发及创新，为客户提供一站式汽车零组件产品解决方案。投资者：请问贵公司在智能可穿戴设备领域，是否有围绕运动识别、血氧监测、心率监测、血糖血压等生命体征连续检测方面的核心技术体系？蓝思科技董秘：投资者您好！依托高效领先的研发、设计、创新技术体系，公司为客户提供智能可穿戴设备的一站式解决方案与服务，特别是智能可穿戴设备的结构件与功能组件领域，公司与全球可穿戴设备的品牌客户建立了长期战略合作关系，持续向客户批量供应产品，市场占有率稳步提升。根据客户保密要求，具体情况不便披露，请谅解。投资者：董秘你好！请问本公司2022年度的年报什么时候披露？蓝思科技董秘：投资者您好！公司2022年度报告的披露时间为2023年4月24日。投资者：今年一季度业绩会开门红吗蓝思科技董秘：投资者您好！一季度业绩情况请关注公司信息披露，谢谢！投资者：请问贵公司目前订单如何蓝思科技董秘：投资者您好！一季度业绩情况请关注公司信息披露，谢谢！蓝思科技2022三季报显示，公司主营收入315.76亿元，同比下降6.93%；归母净利润7.59亿元，同比下降76.97%；扣非净利润5.41亿元，同比下降79.5%；其中2022年第三季度，公司单季度主营收入123.93亿元，同比下降1.13%；单季度归母净利润10.64亿元，同比上升7.61%；单季度扣非净利润10.32亿元，同比上升36.79%；负债率44.06%，投资收益9600.71万元，财务费用9616.37万元，毛利率16.7%。该股最近90天内共有2家机构给出评级，买入评级1家，增持评级1家；过去90天内机构目标均价为15.88。近3个月融资净流出8228.94万，融资余额减少；融券净流出3.19亿，融券余额减少。根据近五年财报数据，证券之星估值分析工具显示，蓝思科技（300433）行业内竞争力的护城河良好，盈利能力良好，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3星，好价格指标3星，综合指标3星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）蓝思科技（300433）主营业务：研发、生产、销售中高端触控防护玻璃面板、外观防护新材料等智能终端外观防护零部件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2023-02-26
李俊峰：银行有责任和有能力履行双碳目标的要求
 go
之前，但二十大报告里提到2050年国家现代化目标时，到那时我们应该达到发达国家的领先水平，在各项指标里，并且到2035年我们的温室气体排放稳中有降，实现这么目标。　　李俊峰还表示现在基础设施的建设关系到未来15年、20年甚至30年，在这种情况下，必须对投资要有管理和要求，必须把ESG尤其双碳目标纳入管理范围之内。大家都知道，基础设施投资里，商业贷款大体上占到80％左右，少的要70％，多的80％，项目资本金大概20％到30％，商业银行的投资基本上在70％到80％。甚至一些政策性的银行，包括国家开发银行，虽然不是商业银行，占的比重是比较少的，相对商业银行的比重比较大，它只是一个引领的作用。　　李俊峰认为在能源转型过程中确保能源安全，金融也要支持能源安全。同时，中国的煤炭如果不达峰，煤炭的消费如果不大幅度下降，我们就不可能实现碳中和，这为我们敲起警钟，未来既要确保安全，同时也要注意碳达峰和碳中和。我们有大量丰富的可再生能源资源，新能源的发展现在有能力逐步取代化石能源供应的解决方案。银行有责任和有能力履行关于双碳目标的要求，现在急需推出解决方案，使商业银行能够助推双碳目标的实现，为商业银行的投资按照做一个基础。
金融界2023-02-26
格上宏观周报：市场本周小幅修复
 go
布金融支持横琴粤澳深度合作区和前海深港现代服务业合作区建设意见，利于进一步推动我国金融开放创新。海外方面，美国公布多项的经济数据体现为制造业和服务业分化，10年期美债也继续试探4%的关键位置。美联储2月议息会议纪要对通胀和加息次数的展望偏鹰，目前通胀率仍远高于美联储2%的目标。整体来看，市场继续维持热点快速轮动的震荡格局。虽然海外不确定因素、地缘风险有所抬头，但经济整体呈现修复的态势不变。淡水泉：市场当前正处于寻找共识方向的新阶段，自下而上挖掘个股机会是下一阶段的重点本周市场震荡上扬，沪深300指数上涨0.66%，中证500指数上涨1.66%。行业层面，煤炭、钢铁、家用电器等顺周期行业领涨；受北向资金本周净卖出以及主题炒作情绪降温影响，美容护理、食品饮料、传媒等行业领跌。本周组合正贡献主要来自建筑材料、农林牧渔等行业，电子、食品饮料行业有一定负贡献。随着前期情绪修复带来的资金配置效应暂告一段落，且阶段性的主题炒作情绪也有所回落，市场当前正处于寻找共识方向的新阶段，围绕一季报的线索自下而上挖掘个股机会将是下一阶段的重点。 2、本周市场表现指数表现：本周指数小幅修复，其中中证500和上证综指领涨，涨幅分别为1.66%和1.34%。中国互联网指数和恒生科技指数领跌，跌幅分别为5.77%和5.80%。数据来源：Wind，格上研究整理市场风格：本周市场多数风格表现不错。具体来看，周期和稳定风格的个股领涨，本周涨幅分别为1.95%和1.46%；消费风格的个股表现最弱，本周下跌0.17%。市场短期内将继续保持震荡调整的基调，板块轮动较为明显。从估值来看，稳定和消费风格所处的历史分位点较高，成长、周期、金融风格目前估值较低。数据来源：Wind，格上研究整理行业表现：本周31个申万一级行业中有27个行业上涨。其中煤炭，钢铁，家用电器行业领涨，涨幅分别为5.62%、4.68%、3.96%。传媒，食品饮料，美容护理行业领跌，跌幅分别为0.97%，1.75%，2.04%。数据来源：Wind，格上研究整理从行业估值来看，汽车，农林牧渔，社会服务行业的估值分位数在80%以上，仍有18个行业估值处在50%的十年分位数以下。数据截至2023-2-24，数据来源：Wind，格上研究整理资金面上来看，本周北向资金净流出41.24亿元，其中沪股通净流入24.83亿元，深股通净流出66.07亿元。近三个月北向资金净流入2084.34亿元。国际局势对北向资金边际影响逐渐缩小，美国通胀走势和国内经济状况对北向资金影响较为明显。从成交量上来看，本周成交量与上周比小幅下降。数据截至2023-2-24，数据来源：Wind，格上研究整理风险溢价从风险溢价指数来看，风险溢价率在历史上处于均值+1倍标准差之上时，A股往往处于底部区域。目前风险溢价率为2.62%，接近一倍标准差，万得全A指数大概率处于向上爬升阶段。风险溢价指数近期小幅震荡，市场情绪波动。后期市场仍有扰动，但下行空间相对可控，建议投资者择机分批布局。数据截至2023-2-24，数据来源：Wind，格上研究整理（注：风险溢价是指市场投资组合或具有市场平均风险的股票收益率与无风险收益率的差额。我们这里用全部A股PE倒数减十年期国债收益率。风险溢价率越大，表明配置股票的性价比越高；反之，则配置债券的性价比越高）总体来看，市场本周出现一定修复，上证综指上涨1.34%，风格上周期和稳定风格的个股领涨。不过整体来看市场依然受困于包括基本面的复苏进程、海外流动性压力等因素，而呈现一定犹豫特征，特别是当估值整体脱离了最底部水平后，市场的进一步向上需要一定的边际力量。综合看全球的情况，除了海外的因素外，国内的边际变化，可能是市场破局的决定性力量。未来指数的机会一方面来自于基本面的验证，包括地产成交及消费数据的验证；另一方面也来自于政策预期的变化，临近3月份，市场也即将进入到两会阶段，政策如何推进，能否进一步提振预期，将决定市场情绪的走向。 3、本周宏观经济分析海外方面，本周公布了美国2月Markit制造业PMI指数，收缩力度略有缓和，1月PPI同环比增速与此前公布的CPI数据趋势相同，均出现超预期回升，在经济衰退担忧趋缓而通胀下行减速的情况下，市场持续修正此前对美联储过于乐观的预期，于是十年期国债收益率逐步推升至3.97%，较年初3.32%的低点已反弹超过60bp；本周发布的美联储2月议息会议纪要则进一步印证了预期修正的合理性，纪要显示委员们对于通胀的韧性表示担忧，维持加息以压制通胀仍是短期的主流判断。国内方面，2月20日，全国31个省份披露了预算报告，多省披露专项债的投资拉动情况，从全国看，财政部下达2023年新增地方政府专项债务限额，为2.19万亿元，创历史新高，预计2023年基建投资有望维持较高增速；21日，中共中央政治局就加强基础研究进行第三次集体学习，强调加强基础研究，建设世界科技强国，从财政支持、设备保障、人才培育、国际合作四个方面做出部署。同日，中共中央政治局决定2月26日至28日在北京召开中国共产党第二十届中央委员会第二次全体会议，提出八个重点关注方面，形成共促高质量发展合力；22日，财政部发布刘昆在全国财政工作会议上的讲话，重点关注基础设施建设、科技创新和风险防范化解三方面，乡村振兴、数字经济、战略性新兴产业等领域或迎增量机会。另外，随各类支持房地产销售宽松政策的效果持续显现，疫情防控恢复常态化管理后，购房需求有所释放，市场逐步出现修复迹象。春节后多地楼盘来访量明显增加，周度成交量连续环比上涨；1月份全国70城新房价格指数环比涨幅0.0%，一年来首次止跌。展望未来，当前市场处于逐步好转的过程之中，具备一定的持续性，但恢复的过程是缓慢的，并非短时间内快速恢复。目前无论是购房者的购买力还是购买意愿，都在边际好转，且伴随宏观经济的复苏，以及一系列地产调控政策的实施，这一修复具备可持续性。但复苏的过程是逐步的，核心一二线城市复苏快于低能级城市，逐渐带动整体市场回暖，修复过程并非一蹴而就。目前各项支持性政策仍在持续落地，限制性政策优化调整，多重利好下政策效果将缓步显现。 4、当周重要新闻新闻一：美联储隔夜会议纪要有何重点？隔夜公布的美联储会议纪要显示，美联储官员在最近一次会议上表示，有迹象表明通胀正在下降，但还不足以抵消进一步加息的需要。今年美联储第一次会议的加息幅度低于自2022年初以来的大多数加息幅度，官员们强调，他们对通胀的担忧很高。会议纪要指出，通货膨胀“仍远高于”美联储2%的目标。与此同时，劳动力市场“仍然非常紧张，导致工资和物价持续承压。美联储下调加息步伐之际，市场高度担心通胀仍是一个威胁。会议纪要称:“与会者指出，过去3个月收到的通胀数据显示，月度价格涨幅出现可喜的放缓，但强调，要确信通胀正处于持续下行道路上，还需要有更多证据表明，在更广泛的价格区间出现了进展。”会议摘要重申，成员们认为“持续”加息是必要的。纪要公布后，美股下跌，美国国债收益率回吐盘中早些时候的大部分跌幅。会议纪要称:“支持加息50个基点的与会者指出，考虑到他们对及时实现价格稳定的风险的看法，更大幅度的加息将更快地使目标区间接近他们认为能够实现充分限制立场的水平。” 1月份的经济数据显示，通胀速度低于2022年夏季的峰值，但仍在扩散。消费者价格指数(cpi)较去年12月上涨0.5%，较去年同期上涨6.4%。衡量批发投入成本的生产者价格指数(ppi)环比上升0.7%，同比上升6%。这两个数据都高于华尔街的预期。劳动力市场也很火热，这表明美联储加息虽然打击了房地产市场和其他一些利率敏感领域，但尚未渗透到经济的大部分领域。会议纪要指出，“一些”成员认为经济衰退的风险“升高”。其他官员曾公开表示，他们认为美联储能够避免经济衰退，实现经济“软着陆”，即经济增长大幅放缓但不会收缩。新闻二：央行发布1年期和5年期LPR数据，怎样看待？ 2月20日，中国人民银行授权全国银行间同业拆借中心公布，2023年2月20日贷款市场报价利率（LPR）为：1年期LPR3.65%，5年期以上LPR4.3%，均与上期相同。在MLF利率维持不变、资金利率有所抬升、政策效果仍处于观察期等多因素影响下，当前降息的必要性不大。首先，LPR在MLF基础上加点而来，2月15日央行开展中期借贷便利（MLF）操作，中标利率为2.75%，维持不变，这意味着当月LPR报价基础未发生变化。其次，近期银行边际资金成本有所上升，报价行压缩LPR报价加点动力不足。进入2月以来，短端利率DR007多数时间运行在央行7天期逆回购利率上方，商业银行（AAA级）1年期同业存单到期收益率均值也较上月同期上行0.1个百分点。这意味着银行边际资金成本上升，报价行压缩LPR报价加点的动力削弱。当前宏观经济正处于较快反弹过程。从1月金融数据看，信贷总量和企业信贷需求理想，一定程度反映了目前利率水平整体保持适度。同时，70大中城市新建商品住宅价格1月环比止跌，楼市呈现边际回暖迹象，反映国内因城施策稳楼市政策效果逐步显现，短期调降房贷利率必要性有所下降。此外，商业银行净息差承压也是LPR报价维持不变的重要因素之一。银保监会数据显示，2022年四季度，商业银行净息差为1.91%，环比下降3个基点。在去年12月降准以及去年9月存款利率普遍下调推动下，实体经济融资成本仍有望保持在低位，进一步降息空间较小。新闻三：证监会启动不动产私募投资基金试点，支持不动产市场平稳健康发展。地产融资“第三支箭”再迎新突破。 2月20日，证监会宣布启动不动产私募投资基金试点。此次试点将发挥私募基金优势，推动房企降负债、降杠杆，补充流动性，优化资产负债表，促进房地产市场盘活存量。这次试点，既是支持房地产市场纾困和转型发展的一次探索，也是丰富私募基金产品的一项创新。金融系统在推动房地产行业纾困，推动房地产行业从高杠杆模式向高质量发展转型方面做了很多努力，此次启动不动产私募投资基金试点，动员私募基金去收购房企短期内不能变现的资产，提供流动性，降低杠杆率，对整个行业而言，都会是很大的支持。值得注意的是，行业内最为关注的股债比问题也得到解决。此次试点，对符合条件的产品放宽了股债比及扩募限制，将大大提升不动产基金运作灵活度。新闻四：重大利好！券商又迎“降息”？ 2月21日，中证金融市场化转融资业务试点正式上线。所谓转融资业务，就是中证金融将资金借给有需要的券商，券商再拿着这笔钱借给投资者参与两融买股票。本次改革的亮点是市场化，以前券商找中证金融借钱都是固定期限、固定费率，现在可以任意期限，而费率也是市场化定价。 “我的理解就是转融资的费率会有所下降，利好券商。现在各期限的固定费率虽然只有两点几，但是券商还付出了担保品的成本，所以实际成本会更高一点。实行市场化定价，参照全市场利率，后面券商的融资成本还有下降空间。”一位券商证金部人士表示。其实，随着市场化转融资业务试点上线，证券公司两融业务或将被进一步激发。而随着两融业务的火热，A股也将迎来增量资金。更为重要的是，这部分资金高度活跃，也将一定程度激活市场成交意愿。不过目前转融资余额在券商两融融资余额中占比并不大，不到10%。转融资并非券商两融的主要融资渠道。中证金融表示，下一步，将在中国证监会指导下，组织证券公司进行技术系统改造、测试和业务培训，发挥正向引导资金规范入市的积极作用。 5、下周重要事件 1）中国：2月PMI数据； 2）美国：2月PMI数据； 3）欧盟：1月失业率数据。市场有风险，投资需谨慎。本内容表述仅供参考，不构成对任何人的投资建议。格上研究
格上财富2023-02-26
ChatGPT：OpenAI的技术「执拗」与「豪赌」
go
略了这一点。如今 ChatGPT 的出现代表了人工智能不再是过去那种「有用，但是也挺蠢」的形态了。为了更好地理解 ChatGPT 这种非常智能的感觉是怎么产生的，难免要从过去那种「很蠢」的人工智能说起。准确地说，ChatGPT 背后使用的依然是自然语言处理（NLP）技术，但却打破了原有的范式。要理解这一点，可以先看看目前的主流做法是怎样的。人类交流依托的是语言，甚至也有很多人认为人类的思维也是建立在语言上的。因此，理解运用自然语言一直是人工智能的重要课题。但语言实在太复杂，因此为了让计算机理解运用语言，通常会将这个过程拆分为很多的细分项，这就是在技术领域中常说的「任务」。举几个例子：情感分析任务，针对的是理解语言所蕴含的情感倾向；句法分析任务，针对的是分析文本的语言学结构；实体识别任务，针对的是从文本中定位出实体片段，例如地址、名字等等；实体连接任务，针对的是从文本中抽取出实体间的关系；这样的任务还有很多，都是从某个细分的侧面去对自然语言进行分析、处理。这样做有很多好处，比如有了这些拆分，就可以从不同的维度来考察一个自然语言处理系统的细分能力；也可以针对某一个细分的项专门做系统或者模型的设计等。从技术的角度来说，将一个复杂的任务（理解并运用自然语言）拆分为很多的简单任务（各种各样的 NLP 任务）确实是一种比较典型的解决复杂问题的路径，这也是目前的主流做法。然而在 ChatGPT 出现之后，以马后炮视角去看，也许在让计算机理解并运用自然语言这条路上，这种拆分并不是最有效的途径。因为在单个任务上的优秀表现，并不能代表系统就掌握了自然语言。人对于人工智能体的「智能感」，是基于对它应用自然语言的整体能力而产生的，这一点在 ChatGPT 上有明显的体现。虽然 OpenAI 没有开放 ChatGPT 的 API 服务，外界还无法测评它在各个细分 NLP 任务上的具体效果，但以过往外界对它的前身 GPT-3、InstructGPT 等模型的测试情况表明，对于某些特定的任务，一个用专门数据精调过的小模型，确实可以获得更好的效果（详细分析请参考《深入理解语言模型的突现能力》）。但这些在单个任务上有更好表现的小模型，并没有引起很大的出圈效应。归根结底，是因为它们只有单一的能力。单个的能力出众并不能代表它们具有了理解和运用自然语言的能力，从而也无法独自在实际应用场景中发挥作用。正因如此，通常在一个真实的应用场景中，都是多个具有单点能力的模块经过人为的设计拼凑而成，这种人为的拼凑方式是过去的人工智能系统让人感觉并不智能的原因之一。从人类理解和运用自然语言的视角去看，这个现象其实很好理解。普通人在理解、运用自然语言的时候，并不会在脑内将它拆分为很多步不同的任务，逐个任务进行分析，然后再汇总，这不是人类使用自然语言的方式。就好比一个人，在听到一句话的时候，并不会对它的句法结构、实体内容与关系、情感倾向等这些内容逐一分析，然后拼凑出这句话的含义，人对语言的理解过程是一个整体过程。再进一步，人对这句话的整体理解，会以自然语言的形式，通过回复的方式整体地表现出来。这个过程并不是像人工智能系统那样，拆分单个任务，然后逐一输出情感分析的标签、实体信息的片段、或是别的某个单个任务的结果，然后用这些东西拼凑出回复。而以 ChatGPT 为代表，GPT 系列模型所做的事情才真正接近了人类理解和运用语言的能力 —— 直接接收自然语言，然后直接回复自然语言，并保证了语言的流畅性与逻辑性。这是人与人的交流方式，所以大家对它抱以「很智能」的体验感。也许很多人会认为，如果能做到 ChatGPT 这样当然很好，过去那种对任务的拆分是因为技术的限制不得已而为之。从技术应用的视角来看，这样迂回的方式当然是需要的，这种方法也在很长的一段时间内被采用，并且确实也能够解决很多实际场景中的问题。但如果回顾 GPT 系列模型的发展过程，就会发现 OpenAI「赌」了另一条路，并且他们「赌」赢了。 2、OpenAI 的「赌局」 GPT 初代，一切开始的地方早在 2018 年，OpenAI 就发布了最初版本的 GPT 模型，从 OpenAI 公开的论文（Improving Language Understanding by Generative Pre-Training）可以了解到，这个模型采用了 12 层的 Transformer Decoder 结构，用了大约 5GB 的无监督文本数据进行语言模型任务的训练。虽然初代 GPT 模型采用的就已经是生成式的预训练（这也是 GPT 名字的由来，Generative Pre-Training，即生成式预训练），但使用的是无监督预训练 + 下游任务微调的范式。这一范式其实并不是什么新的发明，它在 CV（计算机视觉）领域已经有比较广泛的应用，只是由于当年 ELMo 模型的出色表现，把它重新「介绍」到了 NLP 领域。 GPT 模型的出现在那一年确实引来了一些业内的关注，但它并不是那一年的 C 位主角。因为就在同年，Google 的 BERT 模型横空出世，以优异的效果吸引了几乎全部的目光（这个景象有点像现在的 ChatGPT，不禁感叹 Google 和 OpenAI 之间的「恩恩怨怨」真是天道好轮回）。图片来自 BERT 论文，从图示中可以一窥当年 BERT 对标的就是 GPT，并引以为傲地指出双向编码能力。 BERT 模型虽然也是采用和 GPT 一样的 Transformer 模型结构，但它几乎就是为「无监督预训练 + 下游任务微调」的范式量身定制的模型。和 GPT 相比，BERT 所使用的掩码语言模型任务（Masked Language Model）虽然让它失去了直接生成文本的能力，但换来的是双向编码的能力，这让模型拥有了更强的文本编码性能，直接的体现则是下游任务效果的大幅提升。而 GPT 为了保留生成文本的能力，只能采用单向编码。以当年的眼光来看，BERT 绝对是一个更加优秀的模型。因为既然 BERT 和 GPT 两者都是采用「预训练 + 微调」的范式，并且下游任务依然是分类、匹配、序列标注等等「经典」的 NLP 任务形式，那么像 BERT 模型这种更注重特征编码的质量，下游任务选一个合适的损失函数去配合任务做微调，显然比 GPT 这种以文本生成方式去「迂回地」完成这些任务更加直接。从 BERT 模型出来以后，「无监督训练 + 下游任务微调」的范式便奠定了它的霸主地位，各类沿着 BERT 的思路，琢磨「如何获得更好的文本特征编码」的方法大量涌现，以至于 GPT 这个以生成式任务为目标的模型显得像一个「异类」。马后炮地说，如果当时 OpenAI「顺应大势」，放弃生成式预训练这条路，也许我们要等更长的时间才能见到 ChatGPT 这样的模型。 GPT-2 带来的希望当然，我们现在见到了 ChatGPT，所以 OpenAI 没有放弃生成式预训练的路线。实际上坚持的「回报」隐约出现在了第二年，也就是 2019 年。OpenAI 发布了有 48 层 Transformer 结构的 GPT-2 模型。在发布的论文（Language Models are Unsupervised Multitask Learners）中，他们发现通过无监督数据配合生成式训练后，GPT 展示出了零样本（zero-shot）的多任务能力。而奇妙的是，这些多任务的能力并不是显式地、人为地加入到训练数据中的。用通俗的话来举个例子，GPT-2 其中一个展示出来的能力是做翻译，但令人吃惊的是，通常专门用来做翻译的模型是需要大量的平行语料（即两种不同语种之间配对的数据）进行监督训练，但 GPT-2 并没有使用这种数据，而仅仅是在大量的语料上进行生成式的训练，然后它就「突然」会做翻译了。这个发现或多或少地带有点颠覆性的意味，它向人们展示了三个重要的现象：想让模型去完成一种 NLP 任务，也许并不需要和任务匹配的标注数据。例如 GPT-2 训练时没有用标注的翻译数据，但它会做翻译；想让模型去完成一种 NLP 任务，也许并不需要和任务匹配的训练目标。例如 GPT-2 训练的时候并没有设计翻译任务和相关的损失函数，它只是在做语言模型任务。仅仅用语言模型任务（即生成式任务）训练的模型，也可以具有多任务的能力。例如 GPT-2 展现出了翻译、问答、阅读理解等等的能力。虽然以现在的眼光来看，当时的 GPT-2 所展示出来的各种能力还比较初级，效果距离使用监督数据微调后的一些其它模型还有明显的差距，但这并没有妨碍 OpenAI 对它所蕴含的潜在能力充满期待，以至于在论文摘要中的最后一句话中，他们提出了对 GPT 系列模型未来的期望： “These findings suggest a promising path towards building language processing systems which learn to perform tasks from their naturally occurring demonstrations.” 后来一系列事情的发展也证明了他们确实是一直朝着这个 promising path 的方向在前进。如果说在 2018 年，GPT 初代模型出来的时候，GPT 的生成式预训练还面临着被 BERT 这类以「提取特征」为目地的预训练模型在各方面碾压，那么在 GPT-2 中的发现，给了生成式预训练一个 BERT 类模型无法替代的潜在优势，即语言模型任务所带来的多任务能力，且这种多任务能力是无需标注数据的。当然，在那个时间点上，生成式的技术路径依然面临风险和挑战。毕竟当时的 GPT-2 在各任务上的表现还是差于经过微调的模型，这导致了 GPT-2 虽然有着翻译、摘要等等能力，但效果太差以至于无法实际使用。因此，如果在当时想要一个可用的翻译模型，最好的选择依然是老老实实用标注数据训练一个专门用来翻译的模型。 GPT-3，数据飞轮的开始从 ChatGPT 时代往回看，也许 OpenAI 在 GPT-2 中的发现确实坚定了他们对 GPT 系列模型的信心，并决定加大研发投入力度。因为在随后的 2020 年他们发布了 1750 亿参数量的 GPT-3，一个即便以现在的眼光去看也大得让人惊叹的模型。虽然 OpenAI 没有明确公开训练这个模型的费用，但大家的估算是当时花了 1200 万美元。同时公开的还有一篇长达 60 多页的论文（Language Models are Few-Shot Learners），其中详细阐述了这个新的庞然巨物所展示出来的新能力。最重要的发现莫过于论文标题中所说的，语言模型具有小样本（few-shot）学习的能力。小样本学习是一个机器学习领域的专业术语，但它有着很朴素的理念，即「人类是可以通过少量的几个例子就学会一个新的语言任务」。想象一下在语文课上学习怎么掌握「把」字句换成「被」字句样（雨把衣服淋湿了 —— 衣服被雨淋湿了）的情形，老师会给出几个例子，同学们就能够掌握这项能力。但对于深度学习模型来说，它通常需要学习（训练）成千上万的例子才能掌握一项新的能力，但大家发现 GPT-3 却像人类一样具有类似的能力。而且重点在于，只需要给它展示几个例子，它就会「有样学样」地完成例子给出的任务，而不需要进行额外的训练（即不需要进行常规训练中的梯度反传和参数更新）。后来的研究表明，这种能力是巨型模型所特有的，被业内叫做「在上下文中学习」（in context learning）的能力。 GPT-3 论文中所展示的英语翻译法语的 In context learning 能力。实际上，小样本学习能力本身并不是很惊人的发现。毕竟业内一直都在对小样本学习进行研究，很多专攻小样本学习的模型都有出色的小样本学习能力。但 GPT-3 展示出来的这种「在上下文中学习」的小样本能力却非常出人意料，其原因也和 GPT-2 所展示的多任务能力一样： GPT-3 并没有为了获得小样本的能力而在训练数据、训练方式上做特别的设计，它依然只是一个用语言模型任务训练的生成式模型； GPT-3 的小样本能力是以「在上下文中学习」的方式展现出来的。换句话说，想让它获得新的能力，不需要对它再训练，而只需要给它看几个示范的例子。除了这个能力以外，GPT-3 还展示出了优秀的文本生成能力，相比 GPT-2，它生成的内容更加流畅，而且可以生成很长的内容。这些能力综合体现在一个模型上，让 GPT-3 在当时成为了大家的关注焦点，它也成为 OpenAI 正式对外提供服务的模型。但随着这个模型服务的开放，越来越多的人尝试使用这个模型。从这时起，OpenAI 通过开放给公众的方式，同时也在收集着更具有多样性的数据（用户使用时输入的内容可能会被用于模型的训练，这一点是写在用户条款中的），这些数据在后来的模型迭代中也发挥着重要的作用。自此 GPT 系列模型的数据飞轮便转动了起来，越多优质的用户数据，迭代出效果越好的模型。与 ChatGPT 不同的是，GTP-3 并不是采用对话的形式交互的模型，而是一个文本的续写模型（也就是在你输入的文字后面接着往下写），因此它并不具备如今的 ChatGPT 所拥有的多轮对话能力。但它已经能够干很多的事情，例如编写故事、给邮件做自动补全等等。但同时，大家也慢慢发现了一些问题，例如它会一本正经地输出不符合事实的内容，并且会输出一些有害的言论等等。这是这种文本生成模型最突出的弊端，虽然经过多次迭代，但 ChatGPT 如今也依然面临类似的问题。 CodeX，让计算机自己写代码 OpenAI 在对 GPT-3 的研究中还有一个意外的发现，它能够根据一些注释生成很简单的代码。因此在随后的 2021 年，他们对生成代码这件事情进行了专门的研究投入，并发布了 CodeX 模型。它可以看作是一个有着代码专精能力的 GPT 模型，能够根据自然语言输入生成比较复杂的代码。从外部视角来看，我们无法判断代码生成的研究与 GPT 系列模型的研发是否在同时进行。但放在当时，让模型具有生成代码的能力，从实用化的角度来说确实更加具有意义，毕竟 GPT-3 还未拥有如今 ChatGPT 这般强悍的能力。另一方面，让模型去生成代码也能规避它生成有危害文本内容带来的风险。在 CodeX 论文中提及了几个要点，首先是让经过文本数据预训练的 GPT 模型在专门的代码数据（数据来自 github 的开源代码，一共 159G）上训练确实能够明显提升模型对代码的理解和输出能力。其次是论文中用的是一个 120 亿参数的「小」模型，这个信息从侧面反映出 OpenAI 内部除了对外开放接口的 1750 亿参数的 GPT-3 模型外，还有别的不同大小的模型版本。而加入代码训练，让模型获得理解和生成代码的决定，原本的初衷也许只是希望 GPT 能够多一种应用场景。它看似与 GPT 系列模型在理解和运用自然语言的能力没有太大的联系，但根据后续的研究（详细的分析请参考文章《拆解追溯 GPT-3.5 各项能力的起源》），增加对代码数据的训练很有可能触发了后来的 GPT 模型在自然语言上的复杂推理和思维链的能力。也许在 OpenAI 做 CodeX 之初并没有预料到会有这样的结果，但就像他们一直使用文本生成任务来做 GPT 模型，然后在 GPT-2 和 GPT-3 中「解锁」了「多任务的能力」和「在上下文中学习的能力」那样，代码数据的引入又一次让他们获得了意料之外的收获。虽然看上去似乎有一些偶然，但对技术路线的前瞻性认知，加上坚持与持续的投入显然是一个至关重要的因素。 InstructGPT，让 GPT 好好说话在前面我们提到了 GPT-3 虽然已经有很强的能力，但上线以后随着使用的人越来越多，也发现了很多问题，最严重的应该要数「一本正经地胡说八道」和「输出带有危害性的内容」这两点了。虽然在 2021 年 OpenAI 似乎暂时将重点放在了让模型理解和生成代码这件事情上，但他们应该一直在尝试解决 GPT-3 的这些问题。在 2022 年初，OpenAI 发表了 InstructGPT 的论文（Training language models to follow instructions with human feedback），从中我们可以一窥解决这些问题的方法。论文的核心理念是让模型接受人类的教导（反馈），这一点在标题中就已经开宗明义了。 GPT-3 之所以会出现「一本正经地胡说八道」和「输出有害的内容」这样的问题，其根源来自于它所使用的训练数据。像 GPT-3 这样的庞然大物，对数据的需求量是海量的。我们从 GPT-3 的论文中可以找到它的数据来源，大致可以划分为三类：网页内容、百科内容以及书籍。虽然网页内容的量非常大，但也非常「脏、乱、差」，自然会包含很多非真实性和有害的内容。GPT-3 在这些数据上进行训练，自然也就学到了这些东西。但作为一款对外提供服务的产品，GPT-3 的回答应该更小心一些。要解决这个问题，其中的一难点在于怎么去定义模型应该怎么说话。因为生成模型的输出内容是自然语言本身，而不是一个分类的标签或一个实体名词这种有明确的、客观对错的内容。没有明确的对错，就导致无法像训练经典的 NLP 模型那样直接针对目标设计训练任务。而 InstructGPT 给出的解决思路是非常直接的，既然对于「好的回答」这个评价指标有很多不同的影响因素，这些因素又相互交织在一起，那就让人来教它怎么写回答。因为人类是比较善于处理这种「既有明确的要求，又有模糊的范围」的问题的，让真人写一些「优秀范例」，让模型去学习这些「优秀范例」，这正是 InstructGPT 提出的总体思路。具体而言，InstructGPT 提出了两个阶段的路径来让 GPT 学习人类给出的「优秀范例」，第一阶段是监督学习，第二阶段是强化学习。在第一阶段中（对应下图中最左边的 Step 1），让真人根据不同的 Prompt（粗浅可以认为是我们使用 ChatGPT 时，在对话框里输入的那条文本，在业界这个东西叫做指令）写真实的、无害的、有用的回答。实际操作过程中，为了保证这些内容的质量，会给写回答的标注人员一些规范性的指引，然后让已经经过预训练的 GPT 模型在这些人类编辑的数据上继续训练。这一阶段可以看作是对模型的一种「规训」，用一个不严谨的类比来说，就像语文老师让你默写优秀范文那样。图片来自 InstructGPT 论文，提出通过监督式的指令微调 + 人类反馈的强化学习来让模型的输出变得合理。第二阶段是强化学习，技术上分为两步。第一步（对应上图中间的 Step 2）是让被「规训」后的模型根据不同的 Prompt 生成多个不同的回答，并由人来给这些回答按照好与差的标准来排序。然后用这些标注了优劣之分的数据训练一个打分模型，让它可以自动给更多的数据进行排序打分。强化学习阶段的第二步（对应上图中右边的 Step 3）就是利用这个打分模型作为强化学习中的环境反馈，以策略梯度（Policy Gradient，准确地说是 PPO 算法）的方式对已经「规训」后的 GPT 模型进行训练。整个第二阶段的过程可以看作是对模型的一种「强化」，再用一个不严谨的类比来说，就像语文老师给你写的作文打分，让你从分数中分辨什么是好与不好，然后不断进步。因此，用一种非常不严谨，但普通人或许也能够理解的方式来说，InstructGPT 先是让一个「口无遮拦」的 GPT 通过「默写人类的优秀范文」的方式初步学会「好好说话」，然后再「给它独自写出来的东西打个分，让它回去好好领悟，继续进步」。当然，在技术上牵涉事情会更复杂一些，比如「优秀范文」的具体规范和数量等数据上的问题，以及强化学习中打分模型的选择，算法参数的设置等算法上的问题，都会对最后的效果产生影响。但最终的结果表明，这种方式是非常有效的，论文中也指出一个通过上述方式训练出来的 13 亿的小模型，效果就能够超过没有经过这种训练的更大的模型。另外论文中还有一些非常值得一提的内容。首先是关于 Prompt 的一些发现。InstructGPT 训练时所使用的 Prompt 主要由两部分构成，一部分是专门的 AI 训练师编写的，另一部分自来 OpenAI 的模型在线服务期间，由用户使用中编写的内容，这时数据飞轮的作用就体现了。可以发现，无论是哪种，这些 Prompt 都是由真人写出来的，虽然文章中没有对这些 Prompt 的具体涵盖范围、分布情况以及提问的方式展开详细的分析，但可以合理地猜测这些 Prompt 具有一定的多样性和较高的质量。其实文章中对比了使用这些真人编写的 Prompt 训练的模型和使用一些开源 NLP 任务数据集中构建的 Prompt（例如 T0 数据集、FLAN 数据集）训练出来的模型，结论是由真人编写 Prompt 训练出来的模型，给出的答案更加能被评测的人接受。另外一点是关于训练好的模型对新的 Prompt 的泛化能力的问题，可想而知的是，如果训练完成的模型无法产生 Prompt 的泛化能力，那么现在 ChatGPT 所表现出来的，几乎百问百答的能力是不太可能产生的。因为在模型做微调的阶段，即便是再多的数据，也不可能把人们有可能会输入的内容都覆盖完整。而 InstrctGPT 论文中点明了文中所采用的方法是可以产生 Prompt 的泛化能力的。之所以花了更多的文字对 InstructGPT 做介绍，因为根据 ChatGPT 官方页面的介绍，InstructGPT 中的方法正是用来训练 ChatGPT 的方法，不同的只是 ChatGPT 使用了对话式的数据组织方式。 GPT-3.5 时代和 ChatGPT 的诞生在随后的时间内，OpenAI 发布了多个被称为 GPT-3.5 系列的模型，虽然这些模型并未有相关的论文跟随发表，但根据这篇文章的分析，GPT-3.5 系列应该是融合了 OpenAI 在 GPT-3 时代积累的技术、数据以及经验开发出来的。由于没有详细的官方公开信息参考，关于这些模型的具体资料，外界主要是通过分析使用的体验、相关的技术论文以及 OpenAI 的 API 文档介绍来进行推测。根据分析，GPT-3.5 系列的模型有可能并不是在 GPT-3 上继续微调而来，而很可能是将代码和自然语言的数据融合在一起，重新从零开始训练了一个基础模型。这个模型可能比 GPT-3 的 1750 亿参数量更大，它在 OpenAI 的 API 中被命名为 codex-davinci-002。然后在这个基础模型上，通过指令微调和人类反馈得到了一系列后续的模型，包括 ChatGPT。 GPT 系列模型的发展路径。简要地说，从 code-davince-002 这个模型开始，经过有监督的指令微调得到 text-davinci-002。以及后续的 text-davinci-003 和 ChatGPT，也是在 GPT-3.5 系列的某个模型上通过指令微调以及人类强化学习反馈得到的。并且 text-davinci-003 和 ChatGPT 都是在 2022 年 11 月发布的，不同的是 text-davinci-003 和 GPT-3 一样，是一个文本补全模型。而根据 ChatGPT 的官方介绍，它是通过将过往的数据处理成对话交互的形式，并增加了新的对话数据训练出来的。至此，我们大致回顾了 OpenAI GPT 系列模型从 2018 年的初代 GPT 到现在的 ChatGPT，一路发展迭代的过程。在这个过程中，OpenAI 一直保持着对生成式预训练模型这一技术路径的「执拗」，并且也一直从不断发展的 NLP 技术中吸纳新的方法，从最初的 Transformer 模型结构，到后来的指令微调（Prompt tuning）等技术的出现，这些因素共同促成了如今 ChatGPT 的成功。有了对 GPT 系列模型发展的了解，我们可以再回过头来看看如今的 ChatGPT。 3、走近再看 ChatGPT 在第一章节中我们阐述了 ChatGPT 出圈的原因主要是：「它以流畅、符合逻辑的自然语言来反馈人类对它输入的自然语言」，从而给与它交流的人带来了很强的「智能感」。在第二章节中通过回顾 GPT 系列模型的发展历史来了解 ChatGPT 成功之路。而这一章节会尝试以尽可能让圈外人都能理解的方式，稍微深入一些技术的内容，并且探讨一下当前的一些大型文本生成式模型为什么未能做到相同的效果。这一部份的主要参考来自于《深入理解语言模型的突现能力》和《拆解追溯 GPT-3.5 各项能力的起源》这两篇文章以及相关的一些论文，建议希望详细了解细节的读者阅读原文。虽然在第一章中指出，ChatGPT 所带来的惊艳效果是由许多不同的 NLP 任务综合体现出来的，但在分析它背后的技术时，还是通过将它的能力进行拆解会更加清晰明了一些。总体而言，ChatGPT 所体现出来的能力可以大致划分为以下几个维度： - 文本生成的能力：ChatGPT 的所有输出都是即使生成出来的文本，所以文本生成的能力是它最基本的要求。这一项能力实际上是来自于它的训练方式，ChatGPT 在预训练时，是一个标准的自回归语言模型任务，这是 OpenAI 所有 GPT 系列模型的基底。所谓的自回归语言模型任务，通俗的理解是这样的：它可以根据已经输入的文本，预测下一个 token 应该是什么。这里所说的 token，所代表的是模型所使用的最小单位的字符片段，它可以是字（在中文里采用字是很常见的），也可以是词（英文的每个词天然地被空格隔开了，所以常采用词），甚至是字母。但现在的方法通常采用的是子词（subword，介于字母和词之间，主要的目的是减少词表数量）。但不论是哪种，自回归语言模型任务的基本思路都是根据已经输入的文本，预测下一个要输出的文本是什么，就像下图的例子中那样：这个例子中，BOS 代表了输入的开头，而每个 token 是一个词，GPT 模型根据输入的「今天」和「天气」两个词，预测下一个要输出的是「不错」。在训练的时候，会准备很多文本数据，比如网页上的文章、各类书籍等等，只要是正常的文字内容，都可以用来训练。值得说明的是，这种数据不需要进行额外的人工标注，因为这类数据本来就是人写的，模型要做的事情就是根据这些人写出的文本，去学习「给定了前面的文字，接着这些文字后面这个地方应该是什么」的问题。这便是业内所称的「无监督训练」，实际上模型并不是真的没有监督（不然模型学什么呢？），只是它的数据不需要额外的人工标注。也正因为这个任务是不需要额外标注的，因此可以「免费」获得大量的数据，得益于互联网的普及，可以「轻松地」获得海量的由真人写出的文本内容用来训练。这一点也是 GPT 系列模型的特点之一，用海量的数据，去训练很大的模型。那么在我们使用 ChatGPT 的时候，它是怎么工作的呢？其实也和它的训练方式一样，模型会根据我们在对话框里输入的内容，去预测接在这些内容的下一个 token 是什么，得到这个 token 后，会将它与前面的内容拼接成一个新的文本给模型，模型再预测下一个 token，如此反复，直到满足某个条件后停止。这个停止的条件有很多不同的设计方式，比如可以是输出的文本达到特定的长度，又或者是模型预测出某个用来代表停止的特殊 token。另外值得一提的是，模型预测下一个 token 时，其实背地里是一个采样的过程。换句话说，模型在预测 token 时，输出的其实是所有可能出现的 token 的概率，然后从这个概率分布里采样一个 token。因此，在使用 ChatGPT 时，会发现即便对于相同的输入，它的输出每次也会不一样，因为在背地里它采样了不一样的 token 作为输出。了解这些之后，可以再回过头来思考一下模型在学什么。它在学习怎么回答问答吗？又或者说它在学习怎么理解自然语言所蕴含的信息、逻辑、情感？还是说它在学习海量的知识？从训练任务的设计来看，似乎都没有，它只是从海量的文本数据里，学习了「根据输入的这些文本，一个人类在后面会接着写什么」这件事。但正是这样的模型，在「进化」到 ChatGPT 时，它却掌握了丰富的知识、复杂的逻辑推理等等，它似乎掌握了一个人类运用语言所需要的几乎所有的能力。这是一件非常神奇的事情，它的「进化」历程将会在下一章节中做更加深入的介绍。 - 丰富的知识储备：ChatGPT 能够正确回答非常多的问题，包括历史、文学、数学、物理、编程等等。因为目前版本的 ChatGPT 并没有利用外部知识，因此这些知识的内容是「储存」在模型内部的。 ChatGPT 所拥有的丰富知识储备，来自于它的训练数据，以及它足够大的体量，以便学会这些内容。虽然官方并没有公开 ChatGPT 所使用的训练数据的具体细节，但从它的前身 GPT-3 的论文可以推测，这些数据大致可以分为三个大的范畴：网页内容、书籍内容以及百科内容。可想而知的是，这些内容天然地蕴含了大量的知识，百科和书籍自然不必说，而网页内容也包含了许多新闻、评论、观点等，并且网页也包括了很多专门的问答垂直类网站，这些都是 ChatGPT 的知识来源。在官方的介绍里指出 ChatGPT 无法回答 2021 年以后发生的事情，因此合理的猜测是训练的数据收集截止到 2021 年。但数据量只是其中一个方面，要让模型「掌握」这些数据，其自身的体量是不可能小的。以 GPT-3 为例，它有 1750 亿参数，可以粗浅地理解为，这些数据的内容以及模型的各项能力，都以这一个个参数的具体数值的形式，固定在了训练完成的模型中。感性的理解是，假设一个模型只有 1 个参数，那它什么也干不了。更严谨的分析和对比可以参考这篇论文《Holistic Evaluation of Language Models》的测评，方向性的结论是越大的模型，在需要知识来完成的任务上表现得越好。论文地址：https://arxiv.org/pdf/2211.09110.pdf - 逻辑推理与思维链的能力：从第一章图片中的鸡兔同笼的例子可以看出，ChatGPT 具有很强的逻辑推理能力。并且它能够将复杂的内容，通过拆解，分成多个小的步骤，一步步地进行推理，获得最后的答案，这种能力被称为思维链。从前面的介绍我们知道，模型在训练的时候并没有针对逻辑推理以及思维链做特定的设计。而当前的主流观点认为，逻辑推理和思维链很可能和两个因素相关，第一个是模型的体量，第二个是模型是否在代码数据上进行过训练。关于模型体量与推理、思维链能力的关系，在《深入理解语言模型的突现能力》中有对应的介绍。下面这张图展示了思维链能力与模型体量的关系。不同模型不同尺寸的思维链效果对比，图来自论文。GSM8K，SVAMP 和 MAWPS 是三个需要逻辑推理的数学应用题数据集，LaMDA，GPT 和 PaLM 分别是 3 个不同的模型。简要地说，图表中给出了三个不同的模型，在三个数学应用题数据集上的答对率。而值得关注的是以下几个方面：思维链的能力（蓝色实线）在模型体量够大的时候产生了效果上的突变；思维链的能力在模型够大的前提下，效果超过了标准的指令（Standard prompting，黑色实线）方法；思维链的能力在模型够大的情况下，可以接近甚至超过有监督的方法（橙色虚线）。用通俗的话来说，就是在模型足够大的时候，思维链的能力突然展现了出来，能够达到、甚至超过那些在推理数据集上专门进行有监督训练的模型。这个图也许部分解释了现在我们看到的 ChatGPT 所具有的优异推理和思维链能力。而另一个关于推理以及思维链能力的产生因素，与模型是否在代码数据上做过训练有关。目前这一点只是一个推论，《拆解追溯 GPT-3.5 各项能力的起源》中的分析表明体量类似的大型模型，没有在代码上做过训练的话，只有很弱或几乎没有思维链和推理能力。而 ChatGPT 确实是在代码数据上进行过训练的，这一点从它能够理解并生成代码也可以看出来。在第二章回顾发展历程中提到了，OpenAI 在 2021 年就发布了专门针对代码的 CodeX 模型，将代码数据加入 GPT 的训练数据应该就是从那时开始的。 - 按照人的提问或者指令给予回复的能力：ChatGPT 除了可以用狭义的基于「问答」形式的交互以外，还能够按照输入的要求进行回复。例如，在应对「帮我写一封信」这类指令式的要求时，它同样也展现出了优秀的能力。这种能力让它不仅是一个提供答案的「高级搜索引擎」，更是一种可以用自然语言来交互的文字处理工具。虽然目前大众普遍把目光聚焦在将 ChatGPT 作为一种类搜索引擎的工具，但查阅相关知识并给予回答并不是它的唯一能力。实际上，单就 ChatGPT 本身而言，回答知识性的问题并不是它的强项，毕竟它本身的训练数据被定格在了 2021 年。即便用更新的数据去训练，但它终究跟不上时事的变化，因此要将它用作知识性的问答工具，还是需要与搜索引擎等外部知识源做结合，就像现在 Bing 做的一样。但换一个角度来看，ChatGPT 像是一个「语言完备」的文本工具，也就是它能够按照你给它的要求，完成指定的、可以用文本形式表达出来的内容，就像下面这个例子。按照给定的计划内容生成英文邮件进行汇报。这里所说的「语言完备」，指的是运用语言的能力。可以看出上面这个例子里，其实不涉及知识性的内容，因为需要它写的内容已经提供给它了。但要写出这封邮件，涉及到的是运用语言的能力，比如遣词造句、语种切换、邮件格式等等。现在我们回过头来，尝试分析它的这种「按照指令完成任务」的能力是怎么获得的。在学界中，这种指令被称为 prompt，实际上对话中的用户输入、问答中的问题也是一种 prompt，因此可以粗浅地理解为，在聊天框里输入的所有内容都是 prompt。如果了解我们在本章第一节介绍语言模型的内容，那么更严谨一些的说法应该是「输入给模型的上文」都是 prompt。 ChatGPT 根据输入的指令（prompt）进行回复的能力，是来自于一种被称为指令微调的模型训练方式（prompt tuning）。其实原理很简单，模型依然还是「根据输入的内容，预测下一个 token 是什么」，只是在指令微调的阶段，输入的内容被换成了这些事先写好的 prompt，而 prompt 后面需要生成的内容，则是事先写好的答案。因此在这一阶段和一开始所说的无监督自回归语言模型训练，最大的不同在于数据。这里的数据，也就是 prompt 以及对应的回复，都是人写的，换句话说，这一阶段用的是人工标注的数据进行的监督训练。提到人工标注的数据，就自然牵涉到了所需要的数据量了，因为每一条标注数据都是需要成本的。如果是不需要标注（就像第一阶段的训练），那么自然有海量的文本数据可供训练，但如果要标注，那到底需要多少这种数据呢？要知道，让标注人员手写一个 prompt，然后再手写一个几百字的、真实详尽的回答，成本是很高的。根据论文《Training language models to follow instructions with human feedback》的介绍，所需要的数据其实不需要太多（相比于无监督阶段所使用的数据来说）。虽然具体到 ChatGPT 到底使用了多少没有确切的信息公开，但可以确定的是在数量级上一定远比用来进行无监督训练的网页、百科和书籍所构成的数据集要小非常多。论文地址：https://arxiv.org/pdf/2203.02155.pdf 只需要相对少量的人工标注的 prompt 数据就能达到让模型按照指令做出回复的目的，这一点背后其实隐含了一个现象，在学界内被称为 prompt 的泛化能力。可以想象一下，如今全世界都在不停的向 ChatGPT 提问，所提的问题也必定是千奇百怪的，这些问题其实就是一个个的 prompt。但用来对 ChatGPT 进行指令微调的 prompt 肯定不会有这么多，这说明模型在学习到了一定量的 prompt 和相应的答案以后，它能够「举一反三」地对它没有见过的 prompt 进行回答，这就是 prompt 的泛化能力。文章《拆解追溯 GPT-3.5 各项能力的起源》分析指出，这种泛化能力与在指令微调阶段让模型学习的标注数据数量以及多样性相关。此外，用少量的 prompt 数据就能微调出类似于 ChatGPT 这样拥有强大能力的模型，背后还隐含了另一个猜测，即模型所表现出来的各项能力，可能在无监督训练的阶段就已经存在于模型当中了。其实这也很好理解，毕竟相比于无监督的数据，这些人工标注的 prompt 数量太少了，很难想象模型是通过对这些仅有的标注数据学习而产生了各种各样的能力。从这个角度来说，指令微调的过程更多只是让模型学会按一定的规范来进行回复，而它的知识、逻辑等能力是早已存在的。 - 「客观公正」的能力：如果对 ChatGPT 询问一些有害或者有争议的问题，可以看到 ChatGPT 的回答都是非常「小心」的，很像是经过训练的新闻发言人般的回答。虽然它目前依然做得不够好，但这种能力是 OpenAI 敢将它公开作为一款产品使用的核心因素。让模型的输出符合人类的价值观是 OpenAI 一直在做的事情。早在 2020 年 GPT-3 的时候，OpenAI 就发现这种通过网上的数据训练出来的模型，会生成带有歧视、危险、争议的内容。作为一个对外提供服务的产品，这些有害的内容显然是不合适的。而现在的 ChatGPT 在这一点上有着明显的改善，让模型做出这种「行为改变」的主要方法也来自于 InstructGPT 的论文，更确切地说，是通过有监督的指令微调加上人类反馈的强化学习共同完成的，这一点在第二章中也已经做过介绍了。通过上述的分析可以发现，从技术方法的角度来说，ChatGPT 相关的内容都是已知的，但为什么当前只有它拥有如此惊艳的表现呢。实际上从 ChatGPT 推出之后，NLP 社区就一直在分析这其中的原因，虽然很多结论是推测性的，但也为同类模型的国产化带来一些启示。模型体量的因素能力涌现出现的前提是模型体量达到一定的规模，虽然没有具体的指标指引，但从目前的事实情况来看，类似于思维链等比较「高级」的能力，需要在数百亿参数量以上的模型中才表现得足够优异。数据量的因素模型的大小不是唯一的因素。DeepMind 在这篇论文《Training Compute-Optimal Large Language Models》提供了一些分析性的结论，指出训练的数据量需要随着模型的体量相应地增加，更确切地说，是模型训练时「见过的 token」数量，需要随着模型体量增加。论文地址：https://arxiv.org/pdf/2203.15556.pdf 数据质量的因素对于无监督的数据，数据量相对而言并不是很大的障碍，但数据质量往往更加容易被忽视。实际上在 GPT-3 的论文中，就有专门的内容介绍数据的处理工作。为了清洗 GPT-3 的训练数据，OpenAI 专门训练了一个数据过滤模型，来从海量的网页数据中获取更高质量的数据。相比而言，与 GPT-3 体量相当的一些开源模型，例如 Meta 的 Opt 和 BigScience 的 Bloom，似乎没有进行这一步清洗。这也许是这两个开源模型效果劣于 GPT-3 的原因之一。此外，数据质量的衡量维度不是单一的，诸如数据的多样性、内容重复度以及数据的分布情况都是需要考虑的因素。例如虽然 GPT-3 所使用的网页、百科、书籍这三大类数据中，网页数据的总量是最多的，但在训练时这三类数据的采样并不是按照实际数据的多寡进行的。另外值得一提的是，在指令微调的阶段，采用人工编写指令也许是一个重要的影响因素。InstructGPT 的论文明确指出在测评过程中，采用人工编写的指令训练出来的模型，比采用现有的 NLP 数据集通过模版的方式构建指令训练出来的模型有更好的效果。这也许解释了在 T0、FLAN 等由 NLP 数据集构成的指令数据集训练出来的模型为什么效果会差一些。训练过程的影响这类巨型模型在训练时通过集群进行训练，同时采用数据并行、模型并行以及 ZeRO 优化器（一种降低训练过程显存占用的方法），这些方式为训练的稳定性引入了更多的变量。如下这篇分析指出甚至模型是否采用 bfloat16 精度都对结果有明显的影响。分析链接：https://jingfengyang.github.io/gpt 相信了解了上面的这些内容，大家对复刻一个类 ChatGPT 的方式以及会面临的问题会有一个大致的了解。有幸的是 OpenAI 已经证明了这技术路径是能够走通的，ChatGPT 的出现也确实正在改变 NLP 技术的发展走向。 4、未来的展望 ChatGPT 从 2022 年 11 月上线以来，引起了极大的关注。相信即便是非专业领域，甚至是与计算机也很少打交道的群体，或多或少地都知道它的存在，这个现象本身就已经反映出它的出现有些不同寻常。圈外的大众更多的是以好奇、惊讶或者惊叹的方式来感性地认识它的出现。而对从业者来说，它的出现更多的是对未来技术走向的思考。从技术的角度来说，ChatGPT 的出现标志着 NLP 领域的又一次范式切换。之所以说是「又」一次，是因为在 2018 年，也就是初代 GPT 发布的那一年，与之同年发布的 BERT 模型以自身优异的表现，开创了 NLP 的「预训练 + 微调」范式的时代，具体内容在第二章中已经做过介绍了。这里主要介绍由 ChatGPT 开启的「文本生成 + 指令」的范式。具体来说，就是利用训练好的 ChatGPT 或类似的文本生成模型，通过输入适当的指令（prompt）来完成某一项具体的场景。这种范式与此前的 NLP 技术应用有很大的不同。不论是早期的利用 LDA、RNN 等统计模型或很小的深度学习模型的时代，还是后来利用 BERT 等预训练配合微调的时代，技术所提供的能力是相对原子化的，距离实际的应用场景有一定的距离。就拿前面举的让 ChatGPT 根据要求写英文邮件的例子，按照此前的做法，可能需要先抽取实体、事件等内容（比如时间、地点、事件等），然后通过模版或是模型形成邮件的样式，再通过一个翻译模型转化为英文。当然如果数据量足够训练端到端模型的情况下，也可以跳过中间的若干步骤。但不论采用哪种方式，要么需要将最终的场景拆解成原子化的 NLP 任务，要么需要对应的标注数据。而对于 ChatGPT 来说，只需要一个合适的指令。三个阶段的 NLP 技术范式。这种生成式模型搭配 prompt 的方式，直接略过了中间的各项 NLP 能力组件，用最直接的方式解决应用场景的问题。在这种范式下，完成终端应用的技术路径将不再是用单点 NLP 能力模块通过搭积木的方式组合起来。当然，这个过程不是一蹴而就的，也不意味着 NLP 的单点能力变得不重要。从测评的角度来说，每一个单点能力的好坏依然可作为评价模型效果的指标。并且，就某些场景来说单点能力依旧是一个强需求。例如在订票系统中本身就需要针对时间、地点进行提取。但与此前不同的是，ChatGPT 本身也可以完成单点能力，而不需要使用额外的功能模块。 ChatGPT 进行信息提取。 ChatGPT 进行情感判断。从这个角度来说，可以把 ChatGPT 看作是一个以自然语言作为交互媒介的 NLP 工具。如果说在过去，我们是通过模型 + 数据 + 设计训练任务的方式来完成某项 NLP 能力，那么 ChatGPT 则是通过设计指令来完成这些能力。可想而知，ChatGPT 的出现大大降低了 NLP 技术的应用门槛。但它目前还不是全能的。最重要的一点在于它缺乏准确可靠的垂直领域知识，为了让它的回答可靠，最直接的方式是为它提供外部的知识来源，就像微软将 Bing 的搜索结果作为它回答的信息来源那样。因此，「传统」的 NLP 技术并不会就此完全消亡，而是会以「辅助」的角色，作为目前 ChatGPT 短板的补充，这也许会是未来 NLP 技术应用的新范式。作者：追一科技来源：机器之心、DeFi之道来源：金色财经
金色财经2023-02-26
蔡昉：人口负增长不涉及“好”“坏”判断解决人口负增长要从供给侧和需求侧同时发力
 go
是23％，因此最多的情况下中国未来走向现代化的途中可以转出20个百分点，而一个百分点对应的就是700多万劳动力，潜力其实比很多国家的劳动年龄人口的正增长还要大得多的多，“大家可以随便算一算，一个百分点相当于好多国家的全部劳动力，20个百分点，很多集团国家加起来的总量都比我们低。”
金融界2023-02-26
白重恩：必须接受增长潜力逐渐下降的现实，“5%、4%的增长也是不错的”
go
值创造中起重要作用的群体，尽管我们人的现代化还有很大的成长空间。第二，我们有大市场，在数字智能时代，大市场给我们带来很大的优势，大家如果看全球最有影响力的数字智能的企业，基本上都来自于大市场，我们在这方面也做的不错。第三，在未来的一些重要方向上，我们有了良好的起步，如果看未来影响我们的几个大方向，数字智能技术的发展，至少在消费互联网方面我们有非常好的起步，创新活动也可以非常活跃，曾经非常活跃，未来希望继续活跃。在应对全球气候变化方面，我们把一些重要的产业，新能源产业、汽车产业都有良好的起步，使得我们能够很好的在这个大趋势中更好的发挥我们在全球的比较优势。第四，我们制度中有很多重要的优势，当然我们制度中也有需要改革的地方，如果我们能够更好的发挥制度优势，增长是很有潜力的。　　白重恩还表示，我们必须接受增长潜力逐渐下降的现实，5％、4％的增长也是不错的。“如果说我们的信心只有在两位数增长的时候才有信心，在5％的增长就没有信心，肯定不行。” 　　如何发挥好优势实现增长潜力？白重恩表示，这跟信心有很大关系。民营经济发展从大的方向来说，应该很有信心。“没有民营经济就不可能实现中国式现代化，这个论断有智慧的人都能接受，我们的目标是中国式现代化，所以民营经济一定是被需要的，这一点大家应该放心。” 　　白重恩强调，要让民营企业家放心，要让全体人民放心，要让全世界的人民对中国放心，必须要改善全民的科学素质，才能做科学的决策，形成一个容纳有逻辑、有事实支撑的言论环境。　　他进一步表示，只有让全体大众接受民营企业是重要的，他们是实现中国式现代化不可或缺的力量，才能让民营企业放心。　　白重恩还表示，民营企业没有对应的决策机构，工商联仅是服务机构，不参加决策。如果没有这样的机构就会出现很多问题：首先，谁来替民营经济中的问题发声。第二，各个部门都制定政策如何进行协调，避免同频共振，这也是一个问题。 “想象如果成立一个中央民营经济发展领导小组会是一个什么样的情形？也许会有一个不同的结果。”白重恩说。
金融界2023-02-26
全面注册制对信托公司业务影响分析
 go
务创新型中小企业，重点支持先进制造业和现代服务业，对金融业、房地产等行业所属企业持不支持的态度。面向科技类、重大战略项目类的股权投资业务将是重点发展方向，信托资产规模将有所增加。　　　　财富管理信托配置股票资产比重将不断提升　　在财富管理信托方面，2022年末，中国银保监会对资产服务信托中的财富管理受托服务信托进行了丰富与细化，增加了家庭服务信托、其他个人财富管理信托、企业及其他组织财富管理信托。在资产配置方面，家庭信托投资范围限于投资标的为标准化债权类资产和上市交易股票的公募资产管理产品或者信托计划，投资期限不低于5年。家庭服务信托业务以较低的财产门槛为其发展创造了更为广阔的市场空间。此外，家族信托等其他财富管理信托资产配置需求也在不断提升。　　不过，A股长期以来上市标准较为严格，金融类企业占比较高，优质投资标的较为稀缺，对配置资金吸引力不足。从融资规模来看，2019年直接融资占比仅为14.73％，发达国家则接近70％；在市场结构中，央企上市公司总市值约为24.25万亿元，占A股总市值的比例约为27.4％。其中，金融类企业占据绝对比重。而包括阿里巴巴等互联网龙头在内的中资科创企业赴境外上市；从整体规模来看，2021年末，A股证券化率达到84.3％，美国同期则接近300％，日本也超过120％。随着注册制的实施，A股上市条件更加包容，市场规模有望上升，新兴行业占比将进一步提升。以台湾省为例，2006年进入“全面注册制”时期后，股票市值由2005年底的15.6万亿新台币，上升至2020年初的30.9万亿新台币。随着A股市场规模的扩大，长期收水平的提升，股票资产将成为财富管理重要的配置标的，配置比重将不断提升。　　　　文章来源：中诚信托研究，执笔人：杨晓东
金融界2023-02-26
大华股份：本次非公开发行有效期为获取中国证监会核准批复后的12个月
 go
定义物流行业，实现自主导航、集群高效的现代仓储物流应用；机器视觉主要应用于工业生产、物流场景的读码、定位、测量、缺陷检测等，实现生产过程“机器换人”的数字化升级改造。华睿科技始终坚持技术创新，研发人员占比超过60%，相关产品与解决方案的情况可关注华睿科技的官网www.irayple.com，感谢您的关注！投资者：证监会批准的中国移动定增大华股份文件再过二个月就失效了，这次定增价格为17.94元/股，按今天公司股票收盘价13.37元/股计算溢价34%，中国移动定增如果实施了，按今天收盘价就要浮亏14.26亿。请问公司在将来的二个月内要采取什么措施来保障本次定增顺利实施呢？大华股份董秘：尊敬的投资者，您好！2020 年度、2021年度利润分配方案实施完毕后，本次非公开发行股票发行价格由17.94元/股相应调整为17.40元/股，详情请见公司2022年6月3日公告。公司与中国移动建立战略合作关系，可有效凭借各自领域的龙头优势，实现较好的协同效应，在产品渠道合作、产品及解决方案联合研发、技术创新合作、产业合作等领域开展合作，对双方都具有长期共同的战略利益。公司将会努力推动相关事宜，若有达到信息披露标准的事项，我们将依照相关法律法规的规定，及时予以披露。感谢您的关注投资者：请问贵公司的定增批文几时到期？现在股价低于之前公告的定增价格，定增是否贵取消？大华股份董秘：尊敬的投资者，您好！本次非公开发行有效期为获取中国证监会核准批复后的12个月。关于此次定增后续更新进展，若有达到信息披露标准的事项，我们将依照相关法律法规的规定，及时予以披露。感谢您的关注！投资者：公司的毫米波雷达业务已量产了没有？与国内外哪些企业有合作项目吗？大华股份董秘：尊敬的投资者，您好！公司汽车电子子公司华锐捷提供毫米波雷达相关产品，与包括零跑在内的国内部分汽车厂商进行合作，具体合作信息不在信息披露范围内。感谢您的关注！投资者：公司在充电桩业务上有大的订单吗？大华股份董秘：尊敬的投资者，您好！公司拥有电动汽车充电桩产品及相关停车充电一体化解决方案，在公交专用、景区、校园等众多场景已实现交付应用。具体订单情况不在公司信息披露范围内。感谢您的关注！投资者：公司子公司华锐捷在毫米波雷达项目上达到什么样的技术水平，产能有多少？是否具备在市场上可以参与头部企业订单竞争的水平？大华股份董秘：尊敬的投资者，您好！公司汽车电子子公司华锐捷提供毫米波雷达相关产品，与包括零跑在内的国内部分汽车厂商进行合作，具体产能信息不在信息披露范围内。感谢您的关注！大华股份2022三季报显示，公司主营收入211.72亿元，同比下降1.46%；归母净利润16.93亿元，同比下降29.43%；扣非净利润15.84亿元，同比下降25.91%；其中2022年第三季度，公司单季度主营收入70.85亿元，同比下降11.22%；单季度归母净利润1.73亿元，同比下降77.08%；单季度扣非净利润3.28亿元，同比下降52.99%；负债率42.0%，投资收益-2.7亿元，财务费用-5.34亿元，毛利率37.53%。该股最近90天内无机构评级。近3个月融资净流入1527.6万，融资余额增加；融券净流出3394.75万，融券余额减少。根据近五年财报数据，证券之星估值分析工具显示，大华股份（002236）行业内竞争力的护城河良好，盈利能力良好，营收成长性一般。财务相对健康，须关注的财务指标包括：应收账款/利润率。该股好公司指标3.5星，好价格指标3.5星，综合指标3.5星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）大华股份（002236）主营业务：以视频为核心的智慧物联解决方案提供商和运营服务商战略,依托“一体系、两平台”架构,夯实适应全行业数字化转型业务特点和发展需求的数字底座与数据中台能力,加快建立敏捷、高效、可复用的业务开发模式。围绕客户服务持续构建全链路的技术开放体系,全面拓展城市级、企业级市场的物联数据应用与深度,为城市、企业、家庭数字化转型提供一站式智慧物联服务与解决方案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2023-02-26
解读摩根大通的「DeFi 机构」外汇交易
 go
Bank，能够全天候运行交易，而不是受现代银行系统的传统时间约束。就在上周（截至本文写作时），Oliver Wyman 和 Onyx 发布了一份研究报告，研究代币化存款作为促进即时或瞬时交易、日内结算和抵押的方法的价值。从这张图中，我们了解到 JPMC 的方法是与现有的银行基础设施协同构建区块链，而不是寻求彻底取代它。我以前说过，在这里再重复一遍：我相信资本市场的未来将是链上 / 链下系统的混合组合，允许更快的结算，但保持现有的法币和合规渠道。交易流程由于 Aave 是一个借贷协议，这些代币化存款的明确目的是被白名单和批准的交易方借走，由 SBI 提供代币化日元的抵押品，Onyx 提供代币化新加坡元的抵押品。基本流程可以细分为以下几点：请记住，代币化存款是银行的一种负债。在详细介绍该交易的播客中，Lobban 称代币化存款是「有效的债务工具」，但它可以起到维持现代银行系统流动性的作用，与储备支持的稳定币不同，后者通常必须基于稳定币发行者本身的储备授权来支持。这种必要的准备金支持既会使信用创造变得困难，也会给整个系统带来流动性问题，这一点 Lobban 在交易完成后的几次采访中也提到了。考虑到这一点，这里再看一下视觉效果：这是该交易的总体思路——利用 Aave( 并非外汇提供商 ) 协议来支持两个交易对手之间的资产借贷。它经过了 Aave 协议，由双方质押和借入，并不是双边解决的，当然，也可以通过 Uniswap 这样的去中心化交易所来实现。链上 ID（身份）管理为了适当地促进这种交易，必须构建一个将这些钱包的身份关联到链上的系统。请记住，大多数支持资产代币化的公共区块链是假名的，而不是匿名的，这意味着通过适当的基础设施和工具，你可以确认和维护钱包所有者的身份。为了执行这项交易，Onyx 将凭证分成两部分，这两个组件都需要继续执行： 1. 实体的 ID（如 Vertalo） 2. 个人交易者的 ID（如 Collin Sellers） Onyx 获得了身份证书的支持，称为「可验证的证书」，以管理实体的身份，以及个人交易者的身份。Lobban 在多个场合提到，他们所建立的这一部分是他们非常自豪的事情。 ID 产品也很有趣，因为它的权限被设计为在用户级别进行管理，而不是由政府或中央实体管理。具体来说，有人指出 Onyx： 1. 不在链上写入个人身份信息（PII），并且 2. 他们只允许由最终用户设置 ID 的「可编程性」，防止技术的武器化来对付最终用户。对这种细节的注重确实引起了我的关注，因为链上身份将是基于区块链的资本市场的一个重要因素，但如果它被用来对付你，特别是法外的武器，这也会对隐私、产权和交易自由构成危险。我很高兴听到 Onyx 高度意识到这一点，并努力将控制措施纳入其系统，以防止身份技术被用来对付交易者、企业实体或其他人。几个世纪以来，美国一直领导着全球资本市场，正是因为个人、企业、甚至政府在国内和国际上都有稳定和可靠的产权，我相信在我们利用大数据、区块链和人工智能等新兴技术建立新市场时，我们必须将此放在首位。公共协议，许可访问我从 Onyx 团队那里反复听到的一件事是，他们坚持不要求 Aave 修改他们现有的智能合约和池化协议，而是要求 Onyx 按现状进入 Aave 的宇宙，只在 JPMC 认为有必要的时候在协议之外进行应用更改，这种混合方法是我期望在未来从大型金融机构看到更多的方法。考虑到监管方面的限制，以下是分成几个步骤的流程：为了使这个图表简单易懂，我省略了 JPMC 和 SBI 将他们的代币化存款发送到 Aave Arc 协议中，而是显示了直接输入 Aave 协议的允许过程，以及每个交易对手所持有的银行负债。但是，让我们再次记住，Aave 之前的一切都完全由 Onyx 管理，以支持合规性、银行标准和他们自己的内部要求，这意味着它实际上看起来是这样的：这是在公共区块链上执行的，通过一个私人许可池，使用私人许可协议，支持使用代币化存款作为银行负债的货币对货币的外汇交易，这些操作十分令人震撼。交易不产生 Gas（交易费用）这里需要注意的最后一点是围绕着使用 Gas 来支付的交易本身。由于巴塞尔协议 III 的限制，以及围绕监管和合规的内部标准，摩根大通作为一家银行不能持有或保管加密货币，这在向 Polygon 网络支付交易费用时是一个挑战；在这种情况下，交易的执行成本约为 18 美元。严格来说，不是国际清算银行监管下的银行「不能」持有加密货币，而是截至 12 月 22 日，在银行托管中持有加密货币的风险权重为 1250%，从资产负债表管理的角度来看，加密货币非常沉重，难以处理。摩根大通 (JP Morgan Chase) 首席执行官杰米·戴蒙 (Jamie Dimon) 从不羞于表达对整个加密行业的鄙视，因此摩根大通作为一家机构选择不持有任何加密货币 ( 目前 ) 也就不足为奇了（Block unicorn 注释：因为在区块链网络上的每一笔交易都需要支付交易手续费，在以太坊网络交易则是用 ETH 作为交易手续费，在 Polygon 网络交易，则是使用 MATIC 代币作为交易手续费）。为了满足他们的情况需求，Onyx 雇佣了一家名为 Biconomy 的公司，该公司拥有「无 Gas 交易」的概念，允许 JPMC 创建钱包，但不对其进行托管，其明确的目的是为了无需支付 Gas，然后在链上写入许可，规定谁可以在支付网络交易时使用该钱包。这也被称为「元交易」，它更多的是被 DeFi 领域被广泛使用。从 Biconomy 中，我们可以看到元交易的定义，使交易无「Gas」。无 Gas 的交易是如何做到的？发送元交易与发送标准交易（从发件人到收件人，再到签名确认交易）类似，只不过不是直接发送到区块链上，而是将元交易发送给第三方，由第三方来处理 Gas。中转者不是 Onyx，而是一个独立的第三方，负责保管加密货币并处理 Gas 费用，然后将交易上传到区块链上。我必须说，对于处理 JPMC 的合规标准有多严格，使用元交易来实现「无 Gas」，既简单又出色。我希望看到其他银行机构与 Gas 费供应商或数字资产托管人建立共生关系，以支持未来像这样的智能合约许可交易。总结大型金融机构在链上执行 DeFi 许可交易而言，Onyx 的「DiFi 机构」交易是非常独特，该过程包括：公共区块链、授权协议、授权的流动性池，Aave Arc、以及管理完整的合规组件、实体 ID 和交易者 ID 的链上身份、无 Gas（元）交易、代币化的银行存款（不是稳定币）、利用借贷协议的外汇交易。随着我们看到越来越多的机构围绕区块链构建产品，我希望看到其他参与者采用类似的方法，并希望他们能够从这个过程中学习，应用成功例子的经验，了解各种细微的差别，并使用这些经验在区块链上建立去中心化应用。撰文：CollinSellers 编译：Blcok unicorn 来源：金色财经
金色财经2023-02-26

上一页
1
•••
948
949
950
951
952
•••
1000
下一页

24小时热点

最新话题更多