FX168财经网_全球视野外汇黄金加密货币NFT资讯网

恒盛能源：桦茂科技是一家CVD法生长金刚石的超硬材料科技公司

科技是一家CVD法生长金刚石的超硬材料科技公司。人造金刚石作为高新技术材料在半导体、散热器件、军工、培育钻石等领域有广阔的应用空间，CVD法生长金刚石具有尺寸大、低杂质浓度、高结晶质量等优点，在大尺寸、高纯度金刚石制备与掺杂研究方面优势更明显。在培育钻石领域，目前我国培育钻石渗透率比较低，但是随着我国消费者认知度的不断提升，未来培育钻石行业渗透率有较大的提升空间。目前公司已具备批量生产大尺寸宝石级金刚石的能力，正积极研发超大尺寸、更高品质的宝石级金刚石；在半导体、散热器件等领域，公司正积极与知名高校合作，研究金刚石在多种领域的功能性作用，充分发挥其在电学、光学、热学、声学等方面特性，开发多种用途的功能性材料。目前桦茂科技经营正常，后续公司将积极投入研发、紧随市场发展脚步，为投资者带来持续回报。桦茂装备是桦茂科技的全资子公司，后续相关进展请关注公司后续公告，感谢您对公司的关注！恒盛能源2023一季报显示，公司主营收入1.93亿元，同比上升1.74%；归母净利润2770.86万元，同比下降31.7%；扣非净利润2721.18万元，同比下降30.37%；负债率16.9%，投资收益-0.04万元，财务费用-99.31万元，毛利率21.24%。该股最近90天内无机构评级。根据近五年财报数据，证券之星估值分析工具显示，恒盛能源（605580）行业内竞争力的护城河一般，盈利能力一般，营收成长性良好。财务可能有隐忧，须重点关注的财务指标包括：应收账款/利润率、应收账款/利润率近3年增幅、存货/营收率增幅、经营现金流/利润率。该股好公司指标2星，好价格指标2.5星，综合指标2星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）恒盛能源（605580）主营业务：蒸汽的生产和供应、电力的生产和销售。以上内容由证券之星根据公开信息整理，由算法生成，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2023-06-19

到了2030年 GPT会发展成什么样？

的表现优于人类基线，它还通过了几家主要科技公司的模拟面试（图 1.5）。改进的速度仍然很快，从 GPT-3 到 4 一下子就到提升了 19%。在更具挑战性的 CodeForces 竞赛上，GPT-4 表现不佳，但 AlphaCode 与 CodeForces 竞争对手的中位数持平。在更具挑战性的 APPS 数据集上，Parsel 又比 AlphaCode 更胜一筹 (7.8%->25.5%)。展望未来，预测平台 Metaculus 给出了到中位数年份 2027 年时人工智能在 80% APPS 上都将胜出，也就是说，除最优秀的人类以外，人工智能已经超过人类了。黑客攻击。我预期在一般编码能力加持下黑客攻击能力也会得到改善，而且机器学习模型用于搜索大型代码库漏洞，其扩展性和细致程度都要超过人类。事实上，ChatGPT 已经被用来帮助生成漏洞。数学。Minerva 在一项竞赛数学基准测试 (MATH) 上已经达到了 50% 的准确率，这比大多数人类竞争对手都要好。进展速度很快（1 年内 >30%），并且通过自动形式化、减少算术错误、改进思维链与更好的数据，可以获得唾手可得的显著成果。Metaculus 预测到 2025年，AI 对 MATH 测试的准确率将达到 92%，并且到了 2028 年（中位数），人工智能将能赢得国际数学奥林匹克竞赛金牌，与全球最好的高中生不相上下。我个人预计， GPT 2030 在证明“良定义定理”方面会比大多数专业数学家都要好。信息处理。事实回忆和处理大型语料库是语言模型的记忆能力以及大型上下文窗口的自然结果。根据经验，GPT-4 在 MMLU （MMLU 是一项范围很广的标准化考试，包括律师考试、MCAT 以及大学数学、物理、生物化学和哲学）上达到了 86% 的准确率；即便考虑到可能会出现 train-test contamination（训练集和测试集的交叉污染），这大概也已经超出任何活人的知识范畴。关于大型语料库，Zhong 等人(2023) 曾用 GPT-3 开发过一个系统，后来这个系统在大型文本数据集里面发现了几个之前不知道的模式，并且描述了出来，后来 Bills 等人的相关工作(2023)又扩展了这种趋势，这表明模型将很快成具备超级智能。这两项工作都利用了大型语言模型的大型上下文窗口，现在这个规模已经超过 100000 token 并且还在增长。更一般而言，机器学习模型的技能情况跟人类不一样，因为人类与机器学习适应的是非常不同的数据源（人类通过进化，机器学习通过海量互联网数据）。当模型在视频识别等任务上达到人类水平时，它们很可能就能在许多其他任务（如数学、编程以及黑客攻击）中表现出超人水平。此外，由于模型变得更大数据变得更好，随着时间的推移可能会出现其他的强大功能，预期模型功能“维持”或低于人类水平没有充分的理由。虽然当前的深度学习方法有可能在某些领域达不到人类水平，但它们也有可能会超越人类，甚至显著超越人类水平也说不定，尤其是在人类在进化上不擅长的数学等领域。 2. 推理速度（感谢 Lev McKinney 为本节运行性能基准测试。）为了研究机器学习模型的速度，我们测量了机器学习模型生成文本的速度，以每分钟 380 个单词的人类思维速度为基准。使用 OpenAI 的chat completions API，我们估计 gpt-3.5-turbo 每分钟可以生成 1200 个单词 (words per minute，wpm)，而 gpt-4 是 370 wpm（截至 2023 年 4 月初）。规模较小的开源模型，如 pythia-12b ，用 A100 GPU 跑用开箱即用的工具，至少可达到 1350 wpm，通过进一步优化似乎可以再翻一番。因此，如果以截至 4 月份的 OpenAI 模型为参照，人工智能的速度要么大约是人类速度的 3 倍，要么等于人类速度。我预测模型在未来的推理速度会更快，因为在加速推理方面存在很大的商业与实践压力。事实上，根据 Fabien Roger 的跟踪数据，在这篇文章发表之前的一周，GPT-4 的速度已经增加到约 540wpm（12 个token/秒）；这表明存在持续的改进空间与意愿。我的预测中值是模型的 wpm 将是人类的 5 倍（范围：[0.5x, 20x]），因为这之后会出现边际收益递减的情况，尽管有一些考虑会指向更高或较低的数字。重要的是，机器学习模型的速度不是固定的。模型的串行推理速度可以以吞吐量减少 k 倍为代价将速度提高 k 平方倍（换句话说，一个模型 k 立方倍的并行副本可以替换为速度快 k 平方倍的一个模型）。这可以通过并行平铺法来实现，理论上甚至适用于比 k 平方还要大的情况，可能至少是 100 甚至更多。因此，通过把 k 设为 5 的话，可以将 5 倍于人类速度的模型加速到 125 倍于人类速度。重要提醒，速度与质量未必匹配：如第 1 节所述，GPT 2030 的技能组合跟人类不一样，机器在某些我们认为很容易的任务上会失败，而在某些我们感觉困难的任务却很精通。因此，我们不应把 GPT 2030 看作是“高速版人类”，而应将其看作是具有违反直觉的技能的，“高速版员工”。尽管如此，把加速因素纳入考虑仍然很有参考意义，尤其是当加速值很大时。如果语言模型获得了 125 倍的加速，假设其处于 GPT 2030 的技能范围内，需要我们一天时间的认知动作，GPT 就可以在几分钟内完成。以前面的黑客攻击为例，机器学习系统可以快速建立起对我们来说生成速度较慢的漏洞利用或攻击。 3. 吞吐量与并行副本模型可以根据可用的计算和内存情况任意复制。这样任何可以并行化的工作都可以快速完成。此外，一旦一个模型被微调到特别有效，改变就可以立即传播到其他实例。模型也可以针对专门的任务进行提炼，从而跑得更快、成本更低。一旦模型经过训练，可能就会有足够的资源来跑模型的多个副本。这是因为训练一个模型需要运跑它的很多个并行副本，而训练这个模型的组织在部署的时候仍将拥有这些资源。因此，我们可以通过估算训练成本来降低副本数量。举个例子说明一下这种逻辑，训练 GPT-3 的成本足以让它执行 9 x 10^11 次前向传播。换句话说，人类每分钟的思考量是 380 个单词，一个单词平均为 1.33 个 token，因此 9 x 10^11 次前向传播相当于以人类速度工作约 3400 年。因此，用人类的工作速度该组织可以跑 3400 个模型的并行副本一整年，或者以 5 倍于人类的速度跑相数量的副本 2.4 个月。我们接下来为未来的模型设计同样的“训练悬垂”（训练与推理成本的比率）。这个比率应该会更大：主要原因是训练悬垂与数据集大小大致成正比，而数据集会随着时间的推移而增加。随着自然产生的语言数据被我们用完，这种趋势将会放缓，但新的模式以及合成或自生成的数据仍将推动它向前发展。我预测 2030 年的模型可使用足够的资源进行训练，去执行相当于人类速度 1800000 年的工作[范围：400k-10M]。请注意，Cotra (2020) 与 Davidson (2023) 估计的数量相似，得出的数字比我得预测更大；我想主要区别在于我对自然语言数据耗尽所产生影响得建模方式不一样。上面的预测有些保守，因为如果组织购买额外的计算资源的话，模型可使用得资源可能会多于训练时所用资源。粗略估计表明，GPT-4 使用了全球计算资源的约 0.01% 进行训练，不过我预计未来的训练占用全球计算总量的份额会更大，因此在训练后进一步扩展的空间会更小。尽管如此，如果组织有充分理由去扩展资源的话，仍然可以将所运行的副本数量提高到另一个数量级。 4. 知识分享（感谢 Geoff Hinton 首先向我提出了这个观点。）模型的不同副本可以共享参数更新。比方说，ChatGPT 可以部署到数百万用户那里，从每次交互中学到一些东西，然后将梯度更新（gradient updates）传播到中央服务器，在做过平均处理后再应用到模型的所有副本上。通过这种方式，ChatGPT 在一个小时内观察到的人性比人类一辈子（100 万小时 = 114 年）看过的东西还要多。并行学习也许是模型最重要的优势之一，因为这意味着它们可以快速学习任何自己缺失的技能。并行学习的速率取决于一次跑多少个模型副本，它们获取数据的速度有多快，以及数据是否可以高效地并行利用。最后这一点，即使是极端的并行化也不会对学习效率造成太大影响，因为数百万的批量大小在实践中很常见，并且梯度噪声尺度（McCandlish 等人，2018 年）预测学习性能在某个“临界批量大小”以下劣化程度最小。因此，我们将聚焦在并行副本和数据采集上。我会提供两个估计，这两个估计都表明以人类的速度并行学习至少约 100 万份模型是可行的。也即是说，机器一天的学习量相当于人类学 2500 年，因为 100 万天 = 2500 年。第一个估计用到了第 3 节中的数字，得出的结论是训练模型的成本足以模拟模型 180 万年的工作（根据人类速度进行调整）。假设训练运行本身持续了不到 1.2 年（Sevilla 等人，2022 年），这意味着训练模型的组织有足够的 GPU 以人类速度运行 150 万个副本。第二个估计考虑了部署该模型的组织所占市场份额。比方说，如果一次有 100 万用户向模型发起查询，则组织必然有资源来服务 100 万个模型副本。大致而言，截至 2023 年 5 月，ChatGPT 拥有 1 亿用户（并非同时全部活跃），截至 2023 年 1 月，其每天有 1300 万活跃用户。我假设典型用户的请求量相当于模型几分钟的生成文本，因此 1 月份的数字可能意味着每天大概只有 5 万人日的文本。不过，未来的 ChatGPT 式的模型似乎很可能会达到其 20 倍之多，日活用户可以达到 2.5 亿更多，因此每天将会有 100 万人日的数据。相比之下，Facebook 的日活用户数是 20 亿。 5. 多模态、工具与执行器从历史上看，GPT 风格的模型主要是基于文本和代码进行训练，除了通过聊天对话之外，与外界互动的能力有限。然而，这种情况正在迅速改变，因为模型正在接受图像等其他模态的训练，正在接受使用工具的训练，并开始与物理执行器交互。此外，模型不会局限于文本、自然图像、视频和语音等以人类为中心的模态——它们也可能会接受网络流量、天文图像或其他海量数据源等人类不熟悉的模态的训练。工具。最近发布的模型开始利用了外部工具，如 ChatGPT 插件等。文本与工具使用相结合足以编写出可执行的代码，说服人类让机器替他们采取行动，进行 API 调用，交易，甚至执行网络攻击都有可能。工具的使用具备经济用途，因此会有进一步发展这种能力的强烈动机。 ChatGPT 是被动的：用户说 X，ChatGPT 回应 Y。风险存在但有限。很快就会有主动系统 - 一个助手会替你回复电子邮件，代表你采取行动等。这样风险会更高。 - Percy Liang (@percyliang) 2023 年 2 月 27 日新模态。现在有大型开源视觉语言模型，如 OpenFlamingo，在商业方面，GPT-4 和 Flamingo 都接受了视觉和文本数据的训练。研究人员还在试验更多奇异的模态对，例如蛋白质和语言（Guo 等人，2023 年）。我们应该期望大型预训练模型的模式会继续扩展，原因有二。首先，在经济上，将语言与不太熟悉的模态（如蛋白质）配对有它的用处，这样用户就可以从解释并有效地进行编辑中受益。预测会用蛋白质、生物医学数据、CAD 模型以及与主要经济部门相关的任何其他模态进行多模态训练。其次，我们将开始用完语言数据，因此模型开发人员得搜索新类型的数据，从而可以继续受益于规模。除了传统的文本和视频之外，现有数据源当中天文数据（很快将达到每天艾字节得规模）和基因组数据（大约 0.1 艾字节/天）是规模最大之一。这些以及其他得海量数据源可能会被用于训练 GPT 2030。使用外来模态意味着 GPT 2030 可能会具备非直觉的能力。它可能比我们更了解恒星和基因，即尽管它现在处理基本的物理任务都比较困难。这可能会带来惊喜，比方说设计出新的蛋白质，这是我们基于 GPT 2030 那种“一般”智能水平预料不到的。在思考 GPT 2030 的影响时，重要的是要思考由于这些奇异的数据源而可能形成的超人能力。执行器。模型也开始使用物理的执行器：ChatGPT 已经用于机器人控制，OpenAI 正在投资一家人形机器人公司。不过，在物理域收集数据要比在数字域收集数据昂贵得多，而且人类在进化上也更适应物理域（因此机器学习模型与我们竞争的门槛更高）。因此，与数字工具相比，我预计人工智能掌握物理执行器的速度会更慢，而且我不确定我们是否该在 2030 年之前做到这一点。量化而言，我认为在 2030 年实现自主组装一辆按比例复制的法拉利的概率是 40%。 6. GPT-2030 的影响接下来我们将分析像 GPT 2030 这样的系统对社会意味着什么。具备 GPT 2030 特征的系统至少会显著加速某些领域的研究，同时被滥用的规模也大得很。我会从分析 GPT 2030 的一些一般优势和局限性开始，然后用来作为分析加速和滥用的视角。优势。GPT 2030 代表的是一支庞大、适应性强、高产出的劳动力队伍。回忆一下吧，多个 GPT 2030 副本并行工作，按照 5 倍于人类的运行速度，可以完成 180 万年的工作。这意味着我们可以（受到并行性的限制）模拟 180 万个代理，每个代理在 2.4 个月内即可完成一年的工作。如上所述，对于 FLOP （浮点运算），我们可以开出 5 倍的费用，从而换取额外 25 倍的加速（这将达到人类速度的 125 倍），因此我们还可以模拟出 14000 个代理，这些代理每个都能在 3 天内完成一年的工作。限制。利用这种数字劳动力存在三个障碍：技能情况、实验成本以及自主性。首先，GPT 2030 将拥有与人类不同的技能组合，导致它在某些任务上表现更差（但在其他任务上表现更好）。其次，模拟人工仍然需要与物理世界对接，以便收集数据，这个本身需要时间和计算成本。最后，在自主性方面，如今的模型在被“卡住”之前只能通过思维链生成几千个 token，进入到没法生成高质量输出的状态。在将复杂任务委托给模型之前，我们需要显著提高其可靠性。我预计可靠性会提高，但并非没有限制：我（非常粗略）的猜测是 GPT 2030 可以稳定运行数天（与人类等效的时间），然后就得重新设置或交给外部反馈控制。如果模型以 5 倍的速度运行的话，这意味着它们每隔几个小时就需要人工监督的介入。因此，GPT 2030 影响最大的任务应该具备以下特性：利用了 GPT 2030 相对于人类具备优势的技能。只需要外部经验数据（收集应该很轻松快速，与昂贵的物理实验相反）的任务。可以先验分解为可靠执行的子任务，或者具有清晰且可自动化的反馈指标来帮助引导模型的任务。加速。有项任务这三条标准都很容易满足，那就是数学研究。首先，GPT 2030 可能具备超人的数学能力（第 1 节）。这第二条和第三条，数学可以纯粹通过思考和写作来完成，而且什么时候定理得到证明我们是知道。此外，全球的数学家总共也没多少（比方说美国就只有 3000 人左右），因此 GPT 2030 也许每隔几天模拟一次产出就能超过所有数学家的年产。机器学习研究的一些重要部分也符合上述标准。GPT 2030 在编程方面能力超人，其中包括实施和运行实验。鉴于 GPT-4 擅长以通俗易懂的方式解释复杂的主题（并且市场对此也有很大需求），我猜它也能很好地呈现和解释实验结果。因此，届时机器学习研究可能会简化成构思出好的实验来运行，并与高质量（但可能不可靠）的结果报告进行交互。因此，到 2030 年时，研究生拥有的资源堪比今天带领几名优秀学生的教授手上的资源。部分社会科学也可以得到显著加速。很多论文大部分的工作是对具备科学有趣性的数据源进行追查、分类和标记，并从中析取出重要模式。这满足了第 3 条要求，因为分类和标记可以分解为简单的子任务，并且也满足第 2 条要求，只要数据在互联网上能找到，或者可以通过在线调查收集到即可。滥用。加速只是一方面，另一方面也会存在严重的滥用风险。最直接的案例是表现出网络攻击性的黑客能力。检查特定目标是否存在特定类型的漏洞可能会得到可靠执行，并且很容易就能检查漏洞利用是否成功（前提是能够与代码交互），因此第 3 条要求是都可以满足的。在第 2 条要求上，GPT 2030 需要与目标系统交互去了解漏洞利用是否有效，这会带来一些成本，但不足以构成重大瓶颈。此外，该模型可以在本地设计好，以开源代码作为训练数据源，去测试漏洞利用，因此它可以提前练好黑客攻击技能，然后再与外部系统进行交互。也就是说，GPT 2030 可以针对大量并行目标快速执行复杂的网络攻击。滥用的第二个来源是操纵。如果 GPT 2030 同时与数百万用户进行交互的话，那么它在一个小时内获得的人机交互体验比人一生（100 万小时 = 114 年）获得的交互体验都要多。如果它利用这些交互来学习如何操纵，那么它就可以获得远超人类的操纵技能——打个比方，骗子擅长欺骗受害者，因为他们之前已经在数百人身上练习过，而 GPT 2030 可以将这项技能提高几个数量级。因此，它可能非常擅长在一对一对话中操纵用户，或者擅长撰写新闻文章来影响公众舆论。因此，总而言之，GPT 2030 可以将几乎所有的数学研究以及其他研究领域的重要组成部分自动化，并且可能成为网络攻击和说服/操纵等滥用行为的强大载体。其大部分影响将受到“监督瓶颈”的限制，因此如果人工智能可以长时间自主运行的话，那么它的影响可能会更大。来源：金色财经

金色财经2023-06-19

长青科技：公司整体毛利率水平符合行业特性

2023年6月19日，长青科技(001324)在互动平台回复称，公司主营业务包括轨道交通业务及建筑装饰业务，主营产品具体分为轨交车辆内饰产品、建筑装饰产品、检修业务及备品备件和车载乘客信息系统。公司主要为国内外知名轨道交通车辆制造商、建筑幕墙企业以及电梯制造企业提供定制化产品及服务，公司销售全部为直营销售，公司整体毛利率水平符合行业特性。公司的竞争优势，包括技术工艺优势、团队优势、产品及服务体系优势、产品质量及客户优势。本条资讯来源界面有连云，内容与数据仅供参考，不构成投资建议。AI技术战略提供为有连云。

有连云2023-06-19

6月19日证券之星早间消息汇总：港股今日迎来“港币-人民币双柜台模式”

售额或利润贡献存在不确定性； 4.富信科技：公司应用于400G、800G高速光模块的Micro TEC产品尚未形成收入；智光电气：参与组建广州储能集团有限公司； 5.南岭民爆：子公司中标47亿元矿山工程施工总承包项目； 6.悦心健康：预计上半年净利润1.55亿元-1.75亿元，同比扭亏海外要闻： 1.美东时间上周五，美国三大股指全线收跌，道指跌0.32%报34299.12点，标普500指数跌0.37%报4409.59点，纳指跌0.68%报13689.57点。迪士尼跌1.7%，微软跌1.66%，领跌道指。，亚马逊跌1.27%，特斯拉涨1.81%。中概股普遍下跌，亘喜生物跌15.92%，金山云跌7.5%。 2.欧洲智慧能源展览会于14日至16日在德国慕尼黑举办。作为欧洲最大的能源行业平台，光伏产业以及本土化制造成为本次展会的焦点话题。欧盟2022年5月发布能源计划，希望到2025年将太阳能光伏发电装机量翻一番，相关投资将高达1950亿欧元。 3. 世界黄金协会表示，历史规律表明，未来几个月上游实物黄金需求可能仍不温不火，或许会限制境内外金价溢价走高，但在三季度有望开始回升。 4.特斯拉CEO埃隆马斯克表示，公司已经接近让车辆实现自动驾驶，并强调这一技术已成为特斯拉品牌价值的主要驱动力。作为全球市值最高的车企，他还指出，公司的价值主要是建立在自动驾驶技术的基础之上。

证券之星2023-06-19

AI动力生成meme平台AiDoge即将在MEXC交易所上市　将带来$AI的100倍涨幅？

术（如ChatGPT）的兴趣飙升，大型科技公司推出新的人工智能产品。分析师们毫不意外地看到了AiDoge平台及其$AI代币的巨大潜力，因为它同时符合投资者追寻的AI和meme币的要求，同时引入了令人兴奋的Meme-to-Earn（M2E）的全新概念。与最近出现的Pepe和绝大多数meme币不同，$AI代币提供实际效用，并由一个合法、可信的项目支持，该项目拥有令人兴奋的路线图并利用尖端的人工智能技术。 AiDoge的AI动力meme生成/投票平台解析 AiDoge位于meme和人工智能世界的交汇处，正在建立一个革命性的新社交平台，允许用户使用AiDoge尖端的生成式人工智能技术生成meme。 AiDoge的平台“利用先进的AI技术根据用户提供的文本提示创建相关的meme”，该加密项目的白皮书中如此描述。 “用户提供meme生成的文本提示…人工智能处理输入，创建相关、引人入胜的meme，使meme创作对所有人都可轻易实现。” Meme创作者将其内容发布到公共牆上，然后社区可以对其喜爱的meme进行投票。该平台具有内置的机制，以促进最佳meme并以$AI代币奖励其创作者。因此，AiDoge为meme创作者提供了与其爱好相关的可行收入途径，同时支持AiDoge平台的区块链技术保护其内容的所有权。这一革命性的社交平台因此被称为“meme创造收益”（M2E），这是一个在更广泛的加密货币投资领域中受到热捧的创新概念。预计该平台将在2024年初全面运营，用户可以对meme进行投票并获得他们的第一笔$AI奖励。 $AI能否成为市值数十亿美元的加密货币？当$AI在0.0000336美元的价格上市交易时，基于其10亿的总代币供应量，将成为一个完全稀释的市值为3360万美元的加密货币。随着AiDoge在未来几个月内按照路线图的交付，吸引大量用户和参与度高的社区，并假设我们正处于新的加密货币牛市的早期阶段，100倍收益的潜力达到336亿美元的市值是有可能的。支持这一观点的证据来自Pepe。上个月，儘管没有实际应用，Pepe的市值曾短暂达到18亿美元。同时，缺乏实用价值的Dogecoin和Shiba Inu的市值分别约为100亿美元和50亿美元。因此，AiDoge在增长潜力方面的上限是无限的。

Business2Community2023-06-19

商业地产“弱不经风”！办公室空置浪潮席卷全球市场，创“雷曼兄弟”破产后新高

率在3月底接近20%，这个市场主要是在科技公司的推动下变得很热，但自2022年秋季以来，由于许多科技公司在增长缓慢的情况下裁员，需求一直在下降。美国以外的写字楼市场也处于低迷状态。由于来自中国大陆的企业削减办公空间，美国和欧洲企业转移到新加坡和其他地方，香港的空置率与可用租赁空间的比例已超过15%，达到历史最高水平。东京的空置率低于其他地方，但接近5%，这一数字被视为扩张和收缩的边际。 CBRE表示，在全球范围内，3月底的办公室空置率为12.9%，略低于全球金融危机后的2009-2010年的13.1%。随着城市中心的人流减少，购物中心、酒店和其他商业设施的运营率都出现了下降。金融监管机构越来越担心疲软的办公需求对金融系统的影响。在5月份美国众议院金融服务委员会的一次听证会上，美联储负责监管的副主席迈克尔·巴尔对城市办公市场的疲软表示担忧。他说：“我们正在认真的审视商业房地产风险。” 根据美国研究公司Green Street的数据，美国商业地产的价格在4月份比去年同期下降了15.3%，这是自2009年9月以来的最大降幅。随着租户的迁出，许多房产的利润变得越来越低，而企业筹集新资金的成本也越来越高。 Bay Street一位著名分析师表示，加拿大的银行可能不像美国的银行，有那样高的商业房地产风险，但这并不意味着其的收益的绝对安全，特别是受到来自远程工作的影响。根据发布的数据显示，商业房地产贷款是加拿大六大银行中第二大贷款敞口，按比例仅次于住宅房地产，约占贷款组合的10% 。 National Bank金融分析师 Gabriel Dechaine 表示，商业房地产贷款是加拿大六大银行中第二大贷款敞口，按比例仅次于住宅房地产，约占贷款组合的 10% 。特别是来自远程工作重创的办公部门。欧洲也不能幸免。欧洲央行在5月份对投资基金涌入房地产表示担忧。欧洲的房地产价格已经在下挫。如果投资基金崩溃，可能会严重影响银行。亚洲商业地产市场在今年的表现令人失望，高利率和金融市场动荡使商业地产受到了抑制。金融数据提供商Refinitiv的最新数据，显示下滑的趋势。1月至3月底，亚太地区的商业房地产并购价值为103亿美元。这与去年同期的189亿美元相比，与2022年第四季完成的212亿美元的交易相比，下降幅度更大。

Dan19772023-06-18

年薪最高破37.5万美元！全球AI人才需求激增美媒：42%首席执行官认同10年内毁灭人类

(AI)成为今年最火红的科技话题，各家科技公司纷纷开高薪吸纳人才，年薪最高达到37.5万美元，约合267万元人民币。本周在耶鲁CEO峰会上接受调查的42%首席执行官表示，AI有可能在未来5到10年内摧毁人类，许多顶级商界领袖严重担心AI可能构成生存威胁。美国USA Today报道称，ChatGPT母公司OpenAI正在寻找经验丰富的AI训练专员，工作内容包括测试和评估AI系统潜在危险，以及研发修复软件，开出的年薪从20万至37万美元不等，甚至提供股权分红、29周有薪育婴假、全家保险和无限制休假等福利。由于上班地点位于旧金山，OpenAI还提供搬家费补贴。#ChatGPT火爆全网# AI安全和研究公司Anthropic正在寻找合适的人选来“发现、测试和记录AI最佳实践”，建立提示库以完成任务，创建教程并直接与客户合作。如果你拥有“富有创造力的黑客精神和热爱解决难题”，以及“热衷于让强大的技术安全并造福于社会”，那么旧金山的职位非常适合。重点来了，该职务的预期薪资范围为28万至37.5万美元，同样也包含股权分红。福利包括为入职者和家人提供保险、4%匹配的401k、无限制带薪休假，以及搬到湾区的搬迁支持。保险公司GEICO也在AI游戏中，他们正在招聘一位专注于自然语言处理的远程数据科学家，需要“在数据实验和营销的交叉点上拥有丰富的经验和对创新的热情”。公司设立的首选资格是3年以上的数据科学经验，强大的统计知识、贝叶斯学习、实验设计，以及聚类和分割方法专业知识。薪酬范围为每年12万至19万美元，且GEICO提供无等待期的保险、带利润分享的401(k)、学费报销等福利。此外，ShortList Recruitment正在寻找AI研究员。他们的客户是“美国领先的人工智能研究公司”之一，需要团队中有高技能的研究人员。远程角色的基本工资为20万至24万美元，需要3年以上的AI研究经验，专攻深度学习。当然，微软(Microsoft)在名单中，他们正在招聘一名数据注释专家。不需要大学学位，但求职者必须说和写魁北克法语。该运营角色将帮助“通过生成高质量的转录来训练和改进微软产品和服务，从而构建下一代语音识别。受聘人员将使用内部工具转录和注释数据，审查内容的准确性和一致性，并评估转录工具。 42%首席执行官认同10年内毁灭人类根据美国有线电视新闻网(CNN)独家分享的调查结果，本周在耶鲁CEO峰会上接受调查的42%的首席执行官表示，AI有可能在未来5到10年内摧毁人类。这项调查是在Sonnenfeld首席执行官领导力研究所举办的一次虚拟活动中所进行的，发现人们对与AI相关的风险和机遇几乎没有达成共识。耶鲁大学教授Jeffrey Sonnenfeld在接受电话采访时提到这些发现时说：“它非常黑暗且令人担忧。” Sonnenfeld表示，该调查包括来自不同行业的119位首席执行官的回复，其中包括沃尔玛首席执行官Doug McMillion、可口可乐首席执行官James Quincy、施乐和Zoom等科技公司的领导人，以及制药、媒体和制造业的首席执行官。就AI对文明的危害程度，商界领袖表现出明显的分歧。尽管34%的首席执行官表示AI可能会在10年内毁灭人类，8%的人表示这可能会在5年内发生，但58%的人表示这永远不会发生，他们“并不担心”。在另一个问题中，耶鲁大学发现，42%的受访首席执行官表示，AI的潜在灾难被夸大了，而58%的人表示并没有被夸大。几周前，数十名人工智能行业领袖、学者甚至一些名人签署了一份声明，警告人工智能存在“灭绝”风险。该声明由OpenAI首席执行官山姆·奥特曼、“人工智能教父”杰弗里·辛顿，以及谷歌和微软的高管签署，呼吁社会采取措施防范AI的危险。 “减轻人工智能灭绝的风险应该与流行病和核战争等其他社会规模的风险，已共同成为全球优先事项，”声明说。

颜辞2023-06-17

无视中国封杀！美光砸重金投资西安封测厂彰显对中国业务承诺“坚定不移”

拜登政府扩大国内芯片工厂，美国已将中国科技公司列入黑名单，并限制先进的半导体制造设备流入该国，以阻止中国的芯片开发。” 尽管中美之间存在很多不确定性，摩根士丹利最近告诉客户：“现实情况是，美国经济与中国完全脱钩既不可能也不可取。” 至于不能脱钩的真正原因，下面的供应链地图就会解释原因。 (来源:Morgan Stanley)

小萧2023-06-17

人工智能加持、Adobe营收创新高！CEO直呼AIGC简直就是魔法

　日内早些时候有消息称，全球最大的几家科技公司正在与领先的媒体机构进行谈判，以就使用新闻内容来训练人工智能技术达成具有里程碑意义的交易。　　值得一提的是，全球最大的企业级软件公司甲骨文的股价也连日刷新历史新高，使得创始人拉里·埃里森成为全球第三大富豪。　　埃里森周一表示，甲骨文是生成式人工智能软件的“头号”供应商，公司的Gen2云服务已迅速成为运行生成式人工智能工作负载的首选，就连连英伟达的人工智能基础架构也在使用甲骨文的集群。

金融界2023-06-17

微软收盘创纪录新高年迄今涨幅达45%

达和苹果后今年第三家股价再创新高的大型科技公司。该公司正在将生成式人工智能引入其一系列产品和服务中。微软股价周四收盘上涨3.19％至348.10美元，超过了2021年11月19日创下的343.11美元的收盘高点。微软今年迄今已上涨45％。　　微软最近几个月的股价大幅上涨，因为该公司正与Alphabet Inc．等同行竞争，将生成性人工智能功能引入其产品和服务。微软正用OpenAI技术彻底更新其整个办公应用程序系列，包括Excel、PowerPoint、Outlook和Word。

金融界2023-06-16

24小时热点