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

财富汇｜美股投研｜客户端｜旧版｜｜

FX168 全球视野中文财经

登录 / 注册

Web3 中的“硬核”女性：她们创建了哪些项目？
go
Stark 拥有布朗大学国际关系专业的文学学士学位，并在哈佛大学法学院获得了法学博士学位。在进入加密世界之前，她更像一个学者，曾担任耶鲁信息社会计划的研究员，耶鲁大学计算机科学的讲师，纽约大学的兼职副教授，以及斯坦福StartX 的驻场企业家。 2014年，Elizabeth Stark 正式进入加密世界，创办了StartBitcoin.org；2015年成为加密货币政策研究机构 Coin Center 的研究员，倡导实施针对加密货币和其他去中心化技术的良好政府政策；2016 年共同创立了Lightning Labs。 Lightning Labs 开发了为闪电网络提供动力的软件。其开源、安全和可扩展的系统使用户能够比以往更有效地发送和接收资金。此外它还提供一系列可验证的、非托管的基于闪电网络的金融服务。 Elizabeth Stark 在创业后也并没有切断与学术的联系，还在兼任耶鲁大学信息社会项目的访问学者，并在耶鲁大学任教。作为 Thiel Fellowship 的导师，她还致力于为 23 岁以下打算辍学从事其他项目的学生提供支持。何一，币安联合创始人兼 CMO、Binance Labs 负责人推特：@heyibinance 从全球交易所格局来看，币安无疑占据了核心地位。而作为联合创始人兼 CMO 的何一，在币安发展过程中发挥了不可或缺的作用。币安起初并不知名，但何一借助多项市场营销活动成功帮助它获得早期所必须的市场热度和用户量。2017 年底上线五个月之际，币安交易量排到全球 Top3，用户数量超 200 万。此后币安更是一骑绝尘。而在币安奠定坚实的交易所头部地位之后，何一开始负责 Binance Labs，借助币安资源寻找、帮助、孵化更多的早期优质加密项目及创始人。作为业内资管规模最大的风投机构之一，Binance Labs 不仅投中一大批在关键垂直领域中的早期项目，也为 Web3 加速进入主流做出了重要贡献。 Jinglan Wang，Optimism 联合创始人兼 CEO 推特：@jinglejamOP Jinglan Wang 最初对加密世界感兴趣是因为麻省理工学院比特币俱乐部，而为了更好地了解比特币，她果断选择转入计算机专业。从 2015 年开始，Jinglan Wang 醉心于以太坊的可扩展性研究。2019 年她参与创立非盈利研究组织 Plasma Group，这就是 Optimism 的前身。 Optimism 是一个利用 optimistic rollup 技术的以太坊 L2 解决方案，它大大降低了成本和交易时间，同时保留了以太坊的安全优势。2022 年 3 月，Optimism 估值达到 16.5 亿美元成功挤入加密独角兽行列。同年 6 月它正式推出治理代币 OP 并启动大规模空投，整个 crypto 为之沸腾。 Elena Nadolinski，Iron Fish 创始人兼 CEO 推特：@leanthebean Elena Nadolinski 毕业于美国弗吉尼亚理工大学，十几岁时就被美国白宫认定为计算机科学界的新星，曾在微软实习，并被热门的初创公司 Tilt 聘为工程师，然后在 Airbnb 从事软件开发工作。在 2017 年的 Ethereum-Google 之后，Nadolinski 开始对加密世界产生强烈的兴趣，大量阅读白皮书并与创始人、协议开发人员和工程师交流。她开始参加黑客马拉松和聚会，提出问题、提供解决方案、结交朋友。之后，Nadolinski 选择全职创业，并创立了Iron Fish。 Iron Fish 是第 1 层区块链，旨在成为所有 Web3 的通用隐私层。Iron Fish 使用零知识证明 (zk-SNARK) 和行业最高的加密标准，使用户能够进行完全私密的交易，成为所有区块链的真正 SSL 层。 Gloria Zhao，比特币核心维护者推特：@glozow （Gloria Zhao 虽然不算严格意义上的创业者，但作为比特币项目的代表之一，其经历同样“硬核”） Gloria Zhao 出生于美国加利福尼亚州，2020 年毕业于加州大学伯克利分校计算机科学专业。她还是英国支持比特币发展的非政府组织 Brink 的研究员。2020 年，Gloria Zhao 被 Brink 授予首个奖学金。自那之后，她一直积极致力于 Bitcoin Core，主要负责内存池和验证代码方面。去年 7 月， Gloria Zhao 成为第六位拥有 Bitcoin Core 提交权限的开发人员。而自 2009 年比特币问世以来，仅有 17 人获得过代码修改权限，Gloria Zhao 也是第一位拥有这一权限的女性。另据《华尔街日报》近期的一篇报道，Gloria Zhao 是最有希望成为比特币首席维护员的继任者。 Natalia Ameline、Elena Sinelnikova，Metis、CryptoChicks 联合创始人推特：@Natalia_Ameline @ElenaCryptoChic 左边为Elena Sinelnikova，右边为Natalia Ameline Natalia Ameline、Elena Sinelnikova 是以太坊扩容方案 Layer-2 Optimistic rollup 网络 Metis的两位联合创始人，同时也都是非营利性国际女性区块链教育中心 CryptoChicks 创始人。 Elena Sinelnikova 拥有计算机科学硕士学位，专长是区块链、网络安全和全栈编程。同时是软件开发团队负责人，区块链教育家，MaxGapPlus、Jupiter Vision 等项目的区块链顾问。 Natalia Ameline 是一位有着多行业经验的高级财务主管，拥有计算机科学和工商管理硕士学位以及 CPA/CMA 会计资格，擅长战略财务规划、决策支持、运营管理和变革管理。Natalia Ameline 早年在联合利华担任财务分析师，后加入全球知名航运公司 Pitney Bowes 并任职 18 年，从财务经理一直升任到财务高级主管、全球商业分析高级总监。除了 Metis、 CryptoChicks 联合创始人的身份外，Natalia Ameline 有一个备受关注的身份——以太坊创始人 Vitalik 的母亲。 Kathleen Breitman，Tezos 联合创始人推特：@_kathleenBreit Kathleen Breitman 毕业于康奈尔大学，2014 年与丈夫 Arthur Breitman一起发布了 Tezos 白皮书，并于 2016 年 10 月正式启动 Tezos 。此前，Kathleen Breitman 在由近百家金融公司组成的区块链联盟 R3 担任高级战略助理，还曾在埃森哲、Bridgewater 协会、《华尔街日报》任职。 Sandy Peng，Scroll 联合创始人推特：@SandyPeng1 Sandy Peng 毕业于剑桥大学，硕士毕业于伦敦政治经济学院，曾在香港证监会从事研究方面的工作，17 年开始开始从事 Web3 项目投资方面的工作，之前也做过游戏、产品类的项目。目前在 Scroll 团队负责非技术领域的工作。 2021年初，Sand 与 Ye Zhang、Haichen Shen 共同创立了以太坊扩容项目 Scroll。近期，Scroll 以 18 亿美元估值完成 5000 万美元融资，Polychain Capital、Bain Capital Crypto 等参投。 Kathryn Haun，Haun Ventures 的创始人兼 CEO 推特：@katie_haun Kathryn Haun 毕业于斯坦福大学，曾在美国司法部工作十年之久。2014年创建了美国政府首批加密货币工作组之一。2017年，Kathryn 离开政府加入 Coinbase 董事会，她在那里还遇见了 Chris Dixon，之后便离开 Coinbase 加入 a16z，成为加密部门的普通合伙人，共同推出并扩大了世界上最早和最大的专用加密风险基金。在和众多有着企业家精神的优秀的创业者和建设者共事之后，Kathryn Haun 在 2022 年创办了自己的加密投资公司 Haun Ventures，旨在帮助创始人构建下一代互联网。目前已经筹集了 15 亿美元的资金来支持 web3.0 的发展。据 RootData 数据，Haun Ventures 自创立以来已出手投资 12 笔，投资组合包括 OpenSea、Aptos 等明星项目。 Morgan Beller，NFX 合伙人、Diem 联合创始人推特：@beller Morgan Beller 毕业于康奈尔大学，获得统计和信息科学学士学位。Morgan 是 Libra 的联合创始人，也是 Facebook 用于 Libra 支付系统的数字钱包 Novi 的战略主管。她最初于 2017 年加入 Facebook，并负责 Facebook 在区块链、加密货币和去中心化技术上的战略。此前，她在 Medium 负责企业发展，领导了对 Embedly 的收购，并在制定 Medium 的订阅战略方面发挥了关键作用。Beller 还曾做过 a16z 合伙人，在 eBay 担任买家体验的产品经理等。 Morgan 于 2020 年加入专注于初创公司的风投机构 NFX，担任合伙人和加密投资基金主管。据 RootData 数据，NFX 投资组合数量为 24 个，投资过的项目中不乏 Celestia、Sui 等明星项目。 Cheryl Liu，Deeper Network 联合创始人 Cheryl Liu 是一名优秀的连续创业者，毕业于美国怀俄明大学，她还拥有数学结构学博士学位。在进入区块链领域之前，她曾在教育领域工作，并创立了线下学校，有着丰富的创业经验。直至后来接触了区块链，于2017年创立了链全科技咨询有限公司，才开始在区块链领域大展手脚。 Cheryl Liu 同时也是 Deeper Network 的市场合伙人和联合创始人。Deeper 作为 Web3 基础设施，为用户提供企业级防火墙、隐私保护和去广告等功能。 Marina Guryeva，Neon Labs 创始人兼 CEO 推特：@mariaveirug Marina Guryeva 自 2015 年以来积极参与区块链领域，曾为投资区块链的初创公司 CyberFund 的董事；后于 2019 年加入基于区块链的社交网络 Commun，担任总监领导由自治社区运营的基于区块链的社交网络。 2021 年，Marina 创立了 Neon Labs，致力于将 Solana 的可扩展性和低交易成本带入以太坊生态系统。在进入区块链行业前，Marina Guryeva 拥有丰富的市场公关和战略规划经验。 Leah Wald ，Valkyrie 联合创始人& CEO 推特：@LeahWald Leah Wald 是一位经济学家，擅长资产管理。她毕业于以色利海法大学，还曾在北京大学留学学习国际经济与汉语，后陆续攻读了美国乔治敦大学、Pitzer 学院的国际政治与经济硕士和 IE 商学院管理学硕士。从 IE 商学院毕业后，Leah Wald 先后从事了非政府组织、世界银行和资产管理工作。2020 年8月，Leah Wald 创办了专注数字资产经济的资产管理公司 Valkyrie，并于 2021 年 10 月成为在加拿大证券交易所上市的加密投资公司 Cypherpunk Holdings 的董事会成员。此外，Leah Wald 还是《福布斯》的特约撰稿人，曾与人合著过《超波理论：金融市场的流氓浪潮》。 Linda Xie，Scalar Capital 的联合创始人兼管理合伙人推特：@ljxie Linda Xie 是 Scalar Capital 的联合创始人兼管理合伙人。此前，她是 Coinbase 的早期员工和产品经理，负责构建内部工具，包括合规、欺诈和财务系统。在加入 Coinbase 之前，她是 AIG 的投资组合风险分析师，她也是 0x 的顾问。Linda 拥有加州大学圣地亚哥分校的经济学学士学位。 Linda Xie 与 Jordan Clifford 在 2017 年创办了专注于加密资产的对冲基金公司 Scalar Capital。据 RootData 消息，Scalar Capital 投资了 YGG、Aztec、dYdX、Aleo 等一系列明星项目。 Galia Benartzi ，Bancor 联合创始人推特：@galiabenartzi Galia Benartzi 是一位连续技术创业者。她拥有达特茅斯学院的比较文学学士学位、SAIS 约翰霍普金斯大学的国际经济学硕士学位。 2005 年从大学毕业后，Galia Benartzi 便参与创办智能手机社交游戏公司 Mytopia；2010 年，又创办 Particle Code 用于移动应用的跨平台开发技术，后被 Appcelerator 收购；2013 年，她从硅谷搬到特拉维夫，作为 Founders Fund 的风险合作伙伴，支持和投资以色列当地技术发展。2017 年 3 月参与创办去中心化的链上自动做市商 (AMM) 网络 Bancor 协议。Galia Benartzi 也是 Powder Mountain 创始成员，对分布式技术、女性赋权、自然健康与植物充满热情。 Rebecca Liao，Saga 联合创始人兼 CEO 推特：@beccaliao Rebecca Liao 曾于斯坦福大学学习经济学，并就读于哈佛法学院，是一个从业多年的律师。曾担任 B2B 行业独角兽 Globality 业务发展总监和亚洲区负责人，曾在美国克林顿外交政策团队任职并专注于技术政策方面。她还曾联合创立 Skuchain（年交易量超过 50 亿美元，被世界贸易组织评为贸易和供应链金融领域三大区块链公司之一）并担任顾问和前 COO。 Rebecca 目前还是 Sommelier Protocol的顾问，她正在为该项目设计 DAO。她还是斯坦福大学法律、科学和技术项目的研究员，制作并主持 global-public-policy 播客。 Rebecca 于 2022 年初创立 Saga，该协议重新构想了开发人员和最终用户与区块链的交互，着眼于可扩展性、主权和易于设置的特性，帮助将启动专用区块链变得像部署智能合约一样简单。 Grace Wang、Helena Gagern，Salsa 联合创始人从左到右分别为Helena Gagern、Grace Wang Salsa 是一个 Web3 消息传递平台，可使用链上数据个性化电子邮件和应用内消息。用户可以个性化他们的公告体验，社区管理员可以使用钱包到钱包消息传递协议发送安全消息。公司背后的两位联合创始人 Grace Wang、Helena Gagern 均为女性。Grace Wang 曾就读于宾夕法尼亚大学，后在 Palantir、Primer AI 从事软件开发和管理工作；Helena Gagern 毕业于伦敦大学学院，连续创业者，也有丰富的软件开发和产品设计等经验。 Imge Su Cetin，Defy 创始人& CEO Imge Su Cetin 是数据科学家，致力于使用在线搜索数据和社交媒体数据为位于柏林的 IOM 全球移民数据分析中心预测全球移民模式。她曾就读于加州大学圣地亚哥分校研究生院，专攻应用数据科学和统计分析，精通统计和分析工具和软件。 Imge Su Cetin 曾于 2019 年加入 Deep Decarbonization Initiative (D2I) （深度脱碳计划）担任研究员，该计划由加州大学圣地亚哥分校的雅各布斯工程学院和全球政策与战略学院合作创立；2020 年加入国际移民组织 IOM - UN Migration 担任数据科学家；2021年4月正式创办投资趋势数据平台 Defy 。 Séraphie de Tracy，Cohort 联合创始人 & CEO Séraphie de Tracy 拥有巴黎 HEC 商学院管理学硕士学位和 CEMS 双学位。她在企业 SaaS 服务方面拥有丰富的经验，曾担任金融科技公司 Stratumn 的首席运营官、增长运营副总裁和销售总监等职务，还曾在全球最大保险公司之一的 AXA Global P&C 担任高级战略经理，全球顶级战略管理咨询的罗兰贝格担任顾问。 2022 年 5月 Séraphie de Tracy 创办基于 NFT 的数字参与平台 Cohort 并担任首席执行官。Cohort是一个总部位于法国的Web3 SaaS解决方案，使用NFT（非可替代令牌）来帮助品牌创造创新体验和产品，而无需任何技术或大量时间承诺。通过Salesforce和Shopify等集成，Cohort通过“无代码、无加密、无钱包”解决方案消除采用障碍，使所有品牌和客户都可以访问web3。来源：金色财经
金色财经2023-03-08
Stability AI联合创始人Cyrus Hodes宣布发起AIGC Chain 并于本月开启测试节点
 go
黎二大学工业动力学硕士学位和巴黎科学院文学学士学位。从定位上来看，AIGC Chain基于一个简单的使命而成立：让全球各地的人们（无论种族、性别、教育水平、国籍、地点、文化和宗教信仰）都能公平地访问和简易地参与到AIGC生态系统。AIGC Chain是一个可分布式、模块化的AIGC模型基础设施，任何人都可以用它来训练自己的小AIGC模型，并按照自己的意愿将它们添加到AIGC Chain基础设施中。AIGC Chain是一个公共、去中心化的第二层解决方案。它是用Go语言构建的，最初与以太坊和iPollo合作。还有额外的计划将其扩展到其他网络，如BSC、Cosmos和像PAI这类的分布式算力网络。其目标是创建一个开放的、分布式AI网络，并支持存储公链，如Filecoin。AIGC Chain由AIGC生态系统集体训练和维护。AIGC Chain将支持一个P2P的市场，允许用户向AIGC社区销售分布式GPU服务、数据存储或者其他运营AI所需要的资源，无需中央平台或中介。这意味着参与者可以使用自己的web3身份，如区块链钱包地址或去中心化身份，访问市场，并向AIGC生态系统提供各种服务。市场允许参与者从各种卖家处访问和购买各种人工智能相关服务和资源，如分布式 GPU 服务、数据存储和数据标注。这有助于提高人工智能的公平性、效率和性能，并支持 AIGC 生态系统的发展。目前AIGC赛道存在着不少有待解决和优化的问题，比方说不公平、AI的艺术风格不一致性、贫困、信息熵高、信息无序等问题，而AIGC Chain将有望通过web3的方式来解决和优化这些问题。就不公平问题而言，人工智能生成的内容通过提供用户和组织新的技能和见解来解决问题，帮助他们取得成功。目前新冠疫情已经造成了巨大的经济破坏，使数百万人陷入贫困。少数族裔、边缘化和被忽视群体缺乏融入AI生态系统的条件，将进一步加剧贫富差距。使用AI生成模型和点对点市场可以帮助提升边缘化群体的独特文化、故事和技能，这些对整个人类都是有价值的。分散式AIGC基础设施将通过允许更大的参与来提高边缘化群体的参与度，从而减少疫情的负面影响，缓解贫富差距。 AIGC使用的扩散模型天生会生成随机和多样的结果。扩散模型使用随机过程，这意味着它依赖随机性和概率来生成输出，即使使用相同的提示输入，模型的输出也可能因一次运行到下一次而有所不同。此外，扩散模型可能在多样和多变的数据集上进行训练。这进一步导致了生成图像的随机性和不一致性。然而，在实际应用中，如内容生产中，通常需要一致性。AIGC Chain的技术贡献者开发了一种精确控制方法，协调视觉生成技术，解决了扩散生成图像的不一致问题。就信息无序而言，热力学第二定律指明宇宙的熵总是增加。所以如果要减缓宇宙热死亡的进程，就需要负熵。在物理学中，负熵是指系统比平衡状态更有序，而不是更无序。在经济系统里，这是说信息要有序，而不是无序，有序才能让经济和社会的发展更可持续。Web2平台用免费来换取用户的广告时间，广告对用户的信息获取来说往往是无效的，增加了熵，对整体的经济系统是熵增的。而Web3的去中心化的架构可以让用户自己决定希望获取什么样的广告，信息的熵比Web2的信息熵低，让整体经济系统更有序，更加可持续。区块链技术通过提供安全、透明、防篡改的信息存储和传输方式，提高了网络上信息的可靠性和信任度，从而减少熵。NFT 通过区块链网络验证，为艺术品的所有权提供了安全的认证方式，通过创建明确的所有权记录减少熵。总的来说，与中心化服务平台相比，AIGC Chain的分布式 AIGC 服务平台有潜力为用户提供更多的公平性、灵活性、创新性和更多的选择。在生态层面，AIGC Chain主网全面支持图灵完备的智能合约。智能合约（Smart Contracts）是内存块链中制定合约所使用的特殊协议，这是一种自动执行的合约，将双方的协议条款写入代码中，一旦启动就会自动运行，不需要任何人为的干预，自主控制其计算所涉及的资源，比如有权限调配合约双方的资金和财产。通过分布式的节点来自动运行，而不用透过中心化的单个服务器。智能合约为构建在 AIGC 网络上的 DApps 开辟了一套全新的用户体验和新的归因模型。例如，利用 AIGC 网络上的智能合约可以实现完全数字化的物品所有权、创新的支付消费模型、透明的版税分配、无需信任的众筹机制等等。这提供了额外的社会和经济交互层，补充了视频和数据传输的核心功能，并显着提高了平台用户的参与度和保留率。在EVM兼容方面，AIGC 虚拟机与以太坊虚拟机兼容。因此，移植现有的基于以太坊的合约很简单，成千上万的智能合约开发人员可以轻松地在 AIGC 上进行构建。AIGC 的 Ethereum RPC 适配器提供了对以太坊 RPC API 的支持，类似于 Binance Smart Chain 和 Polygon。Ethereum RPC 适配器软件将 AIGC RPC 端点转换为 Ethereum RPC API。有了它，AIGC 现在支持整个 Ethereum DApp 开发堆栈，包括 Metamask、Hardhat、Remix、Ethers.js、Web3.js 和 Truffle Suite。移植到 AIGC 的以太坊 DApp 可以使用相同的 API 调用与 AIGC 区块链交互。这意味着以太坊 DApps 几乎可以无缝部署和迁移到 AIGC Chain。这大大降低了开发者利用已有基础设施在AIGC CHAIN部署并基于AIGC CHAIN进行原生开发的难度。据AIGC Chain官方推特，AIGC Chain或将于2023年3月21日开启测试节点申请，申请者可通过训练AI模型获取丰厚奖励并折射至主网。AIGC Chain测试网将分为多个阶段进行，主网上线时间预计为2023年Q3~Q4。来源：金色财经
金色财经2023-03-07
Stable Diffusion联合创始人Cyrus Hodes加入AIGC Chain 即将到来的Web3+AI革命
 go
黎二大学工业动力学硕士学位和巴黎科学院文学学士学位。从定位上来看，AIGC Chain基于一个简单的使命而成立：让全球各地的人们（无论种族、性别、教育水平、国籍、地点、文化和宗教信仰）都能公平地访问和简易地参与到AIGC生态系统。AIGC Chain是一个可分布式、模块化的AIGC模型基础设施，任何人都可以用它来训练自己的小AIGC模型，并按照自己的意愿将它们添加到AIGC Chain基础设施中。AIGC Chain是一个公共、去中心化的第二层解决方案。它是用Go语言构建的，最初与以太坊和iPollo合作。还有额外的计划将其扩展到其他网络，如BSC、Cosmos和像PAI这类的分布式算力网络。其目标是创建一个开放的、分布式AI网络，并支持存储公链，如Filecoin。AIGC Chain由AIGC生态系统集体训练和维护。AIGC Chain将支持一个P2P的市场，允许用户向AIGC社区销售分布式GPU服务、数据存储或者其他运营AI所需要的资源，无需中央平台或中介。这意味着参与者可以使用自己的web3身份，如区块链钱包地址或去中心化身份，访问市场，并向AIGC生态系统提供各种服务。市场允许参与者从各种卖家处访问和购买各种人工智能相关服务和资源，如分布式 GPU 服务、数据存储和数据标注。这有助于提高人工智能的公平性、效率和性能，并支持 AIGC 生态系统的发展。目前AIGC赛道存在着不少有待解决和优化的问题，比方说不公平、AI的艺术风格不一致性、贫困、信息熵高、信息无序等问题，而AIGC Chain将有望通过web3的方式来解决和优化这些问题。就不公平问题而言，人工智能生成的内容通过提供用户和组织新的技能和见解来解决问题，帮助他们取得成功。目前新冠疫情已经造成了巨大的经济破坏，使数百万人陷入贫困。少数族裔、边缘化和被忽视群体缺乏融入AI生态系统的条件，将进一步加剧贫富差距。使用AI生成模型和点对点市场可以帮助提升边缘化群体的独特文化、故事和技能，这些对整个人类都是有价值的。分散式AIGC基础设施将通过允许更大的参与来提高边缘化群体的参与度，从而减少疫情的负面影响，缓解贫富差距。 AIGC使用的扩散模型天生会生成随机和多样的结果。扩散模型使用随机过程，这意味着它依赖随机性和概率来生成输出，即使使用相同的提示输入，模型的输出也可能因一次运行到下一次而有所不同。此外，扩散模型可能在多样和多变的数据集上进行训练。这进一步导致了生成图像的随机性和不一致性。然而，在实际应用中，如内容生产中，通常需要一致性。AIGC Chain的技术贡献者开发了一种精确控制方法，协调视觉生成技术，解决了扩散生成图像的不一致问题。就信息无序而言，热力学第二定律指明宇宙的熵总是增加。所以如果要减缓宇宙热死亡的进程，就需要负熵。在物理学中，负熵是指系统比平衡状态更有序，而不是更无序。在经济系统里，这是说信息要有序，而不是无序，有序才能让经济和社会的发展更可持续。Web2平台用免费来换取用户的广告时间，广告对用户的信息获取来说往往是无效的，增加了熵，对整体的经济系统是熵增的。而Web3的去中心化的架构可以让用户自己决定希望获取什么样的广告，信息的熵比Web2的信息熵低，让整体经济系统更有序，更加可持续。区块链技术通过提供安全、透明、防篡改的信息存储和传输方式，提高了网络上信息的可靠性和信任度，从而减少熵。NFT 通过区块链网络验证，为艺术品的所有权提供了安全的认证方式，通过创建明确的所有权记录减少熵。总的来说，与中心化服务平台相比，AIGC Chain的分布式 AIGC 服务平台有潜力为用户提供更多的公平性、灵活性、创新性和更多的选择。在生态层面，AIGC Chain主网全面支持图灵完备的智能合约。智能合约（Smart Contracts）是内存块链中制定合约所使用的特殊协议，这是一种自动执行的合约，将双方的协议条款写入代码中，一旦启动就会自动运行，不需要任何人为的干预，自主控制其计算所涉及的资源，比如有权限调配合约双方的资金和财产。通过分布式的节点来自动运行，而不用透过中心化的单个服务器。智能合约为构建在 AIGC 网络上的 DApps 开辟了一套全新的用户体验和新的归因模型。例如，利用 AIGC 网络上的智能合约可以实现完全数字化的物品所有权、创新的支付消费模型、透明的版税分配、无需信任的众筹机制等等。这提供了额外的社会和经济交互层，补充了视频和数据传输的核心功能，并显着提高了平台用户的参与度和保留率。在EVM兼容方面，AIGC 虚拟机与以太坊虚拟机兼容。因此，移植现有的基于以太坊的合约很简单，成千上万的智能合约开发人员可以轻松地在 AIGC 上进行构建。AIGC 的 Ethereum RPC 适配器提供了对以太坊 RPC API 的支持，类似于 Binance Smart Chain 和 Polygon。Ethereum RPC 适配器软件将 AIGC RPC 端点转换为 Ethereum RPC API。有了它，AIGC 现在支持整个 Ethereum DApp 开发堆栈，包括 Metamask、Hardhat、Remix、Ethers.js、Web3.js 和 Truffle Suite。移植到 AIGC 的以太坊 DApp 可以使用相同的 API 调用与 AIGC 区块链交互。这意味着以太坊 DApps 几乎可以无缝部署和迁移到 AIGC Chain。这大大降低了开发者利用已有基础设施在AIGC CHAIN部署并基于AIGC CHAIN进行原生开发的难度。据悉，AIGC Chain或将于2023年3月开启测试节点申请，AIGC Chain测试网将分为多个阶段进行，主网上线时间预计为2023年Q3~Q4。来源：金色财经
金色财经2023-03-06
“蒲公英”NFT：加密世界中的平权主义精神与多元包容的美好愿景
 go
思考，涉及生物学、伦理学、形而上学以及文学批评等诸多领域。他的笔下，记录了人类智慧的深度和广度，让我们看到一个个闪耀的思想星辰。亚里士多德一直认为，人生的最终目的就是追求幸福。然而幸福不是简单的享乐，而是一种高贵的品质，是至善的表现。亚里士多德认为，每个人都应该通过道德行为、追求美德和完美的生活，达到最高境界的幸福。人应该通过不断地追求道德上的完美来获得幸福。这个完美不仅仅是个人行为的规范，也是一种社会和文化的规范。通过追求道德和美德，人们可以创造出更加和谐、美好的社会。在Web3的时代，我们同样需要保持对和谐美好的追求，将完美道德作为自己的行为规范。Garden致力于将亚里士多德的道德追求融入到NFT藏品人物的发色之中。发色不仅是现代社会中人类展现个性的符号，更是一种表达价值观和自我实现的方式。Garden将亚里士多德的彩色与元素色融合在一起，以此展现各种元素的融合共存，呈现出更加独特的美学价值。衣服：柔软与舒适穿衣自由，而非压力和束缚古希腊时期是着装性感最完美的表达阶段，他们的着装风格特点是相对宽松、自然的悬垂款式，强调自然、洒脱、浪漫与和谐的身体审美观。常穿的chiton和himation的特点都是相对宽松、自然的悬垂款式，最常见的方式是将两块长方形的布料沿着任何一条边缝在一起，从上到下，形成一个圆柱体，其上边缘和下摆没有缝合。然后在两个或多个点上将顶边缝合、钉住或扣住，形成肩缝，并为头部和手臂预留开口。这种审美观念使得古希腊人的服装既避免了过度的束缚，又不会暴露身体。在赛博时代，虽然人机混合体充满了机械感和熟悉感，但其中也存在着父权制的审美偏见。为了追求自然的审美，我们应该摒弃这种偏见，采用舒适洒脱的审美观念来表达个性和美学。在Garden的藏品中，采用了古希腊的chiton和himation服饰装饰，强调舒适、洒脱的审美观念。来源：金色财经
金色财经2023-03-04
元宇宙未来趋势
 go
Fi等众多应用的落地场景。在现实世界中文学作品、音乐作品和影视作品是有明确的版权所属的，很清晰，但是，在元宇宙中头像、数字绘画，甚至你在游戏中自己搭建的房屋，这些东西又怎么去确定产权的所属呢？MarsNFT就是干这个用的，它是为元宇宙中的数字资产提供了确权和产权交易。打通元宇宙与现实中的资产，为数字资产赋能。不仅限于此，未来我们将扩展各领域的合作，开拓3D个人空间，为客户带来具有身临其境真实感的元宇宙空间。来源：金色财经
金色财经2023-03-03
痛惜！著名经济学家厉以宁逝世，是中国股份制开创者，被社会誉为“厉股份”
go
好的文化素质基础。　　厉以宁一直偏爱文学，曾熟读中国古典文学《红楼梦》《三国演义》《水浒传》《西游记》《聊斋志异》和诗词；喜爱阅读外国著名作家巴尔扎克、莫泊桑、托尔斯泰、屠格涅夫等人的作品，以及中国现代文人鲁迅、巴金、茅盾、沈从文等人的作品。　　1949年4月，南京市得以解放。这一个历史事件改变了所有南京市民的命运，包括金陵中学的才子厉以宁。本来在金陵大学附中，厉以宁以出色的数理化天赋，勤奋刻苦的努力，名列前茅的成绩被保送到金陵大学深造。　　两年后他再次参加高考，将目光投向了新中国的首都北京。他委托在北京的同学赵辉杰代为报名。赵辉杰认为厉以宁选学经济系最为适合，优势较大，就替老同学做主，第一志愿填报的是北京大学经济系。同年7月，厉以宁在长沙应试，8月接到了北京大学的录取通知书，他以优异成绩考上了多少学子梦寐以求的北大，拉开了他终生致力的经济理论学术生涯的序幕。“至今我愈来愈觉得赵辉杰代我填报的第一志愿是最佳选择。” 厉以宁回忆道。　　大学生活期间，在老师们的影响下，厉以宁的研究目标和领域就明确了下来：探索现代经济的规律，服务祖国和人民。　　“如果说我今天多多少少在经济学方面有所收获的话，那么这一切都离不开在北京大学学习期间老师们的教诲，他们是我在经济学领域内从事探索的最初引路人。”厉以宁说。　　厉以宁教授将经济学的本质界定为社会启蒙和社会设计的科学，强调价值判断和规范研究在经济学中的作用，但是这并不表明他不重视实证研究在经济学中的地位，相反，他认为实证研究所获致的成果将会丰富规范研究的内容，使得经济学中有关社会评价、政策探讨的判断建立在更有实证根据、更有说服力的基础之上。　　厉以宁教授认为，经济学研究要在新的时代面前回应挑战，就必须在三个层次上进行全新的探讨：第一个层次是对现行经济体制以及该种经济体制条件下的经济运行的研究，第二个层次是对经济和社会发展目标的研究，第三个层次是对人的研究，也就是对人在社会中的地位和作用的研究。　　中国股份制开创者，主持起草了《证券法》　　厉以宁关于股份制改革、非均衡理论、民营经济发展的理论创见为中国经济改革发展指引前路。　　人民网报道，厉以宁在对中国以及其他许多国家经济运行的实践比较研究的基础上，发展了非均衡经济理论，并运用这一理论解释了中国的经济运行。他提出了企业改革主线论的主张，认为价格改革主线论的缺陷是没有认清当时中国经济的非均衡主要是第二类非均衡，即企业没有充分活力情况下的非均衡。他在改革之初就提出用股份制改造中国经济的构想，认为股份制的性质取决于投资者的性质，因而股份制与公有制可以相容。他的这一系列理论与政策主张在中国经济改革与实践中被证明是行之有效的，对中国经济改革与经济发展产生了积极而又重要的影响，被社会誉为“厉股份”。　　他担任人大法律委员会副主任期间亲历了中国立法的巨大进步，主持起草了《证券法》和《证券投资基金法》，审议和参与制定了《民办教育促进法》《农村土地承包法》等多部法律。　　提出“第三次分配” 　　2021年8月17日召开的中央财经委员会会议提到“三次分配”，引发了社会的广泛关注。这一理论，在国内最早是由厉以宁教授提出。　　1992年，他在《论共同富裕的经济发展道路》一文中，首次提出“影响收入分配的三种力量”，在1994年出版的《股份制与市场经济》一书中又做了进一步阐释。他表示，收入不应只有市场、生产要素进行首次分配，而是要政府加强调节、引导慈善事业的“三次分配”，通过“三次分配”可解决收入分配难题。　　厉以宁教授迄今已出版50多本经济学专著，对于“第三次分配”的研究也一以贯之。在《超越市场与超越政府——论道德力量在经济中的作用》、《经济学的伦理问题》、《文化经济学》等书中，厉以宁教授又从经济、伦理、文化等不同角度对“收入分配问题”进行了更深层次的探讨与思考。　　厉以宁教授的主要著作包括：《体制·目标·人：经济学面临的挑战》、《中国经济改革的思路》，《非均衡的中国经济》，《中国经济改革与股份制》，《股份制与现代市场经济》，《经济学的伦理问题》、《转型发展理论》，《超越市场与超越政府—论道德力量在经济中的作用》，《资本主义的起源—比较经济史研究》、《罗马—拜占庭经济史》、《论民营经济》、《工业化和制度调整—西欧经济史研究》等。
金融界2023-02-27
A股第一大庄家吕梁去世！在警方监视居住下离奇出逃，人间蒸发20多年！“德隆系”仍活跃在A股，证监会：严打
 go
报道，见证了A股初期发展的种种，也曾在文学杂志《收获》上发表过中篇小说，甚至文坛巨匠巴金签发过他的小说；2008年其写下了人生最后一部书《中国梦》。与文学成交相比，其倒爷的本事一般，曾被坑的流落街头。但吕梁最为惹人争议的还是他中国第一大庄家的经历。　　90年代A股市场还处于蛮荒时代，各种监管机制尚不健全，“无庄不欢，无股不庄”，是这个资本时代最逼真的写照。　　在这期间，中国最具传奇色彩的操盘手们几乎同一时期站到了历史前台：中科创业系吕梁、朱焕良、丁福根，亿安科技系罗成、郑伟、李彪、汤凡与罗中民，德隆系唐万新，银广厦系等都登上了A股的大舞台，将坐庄的技术和人性的发挥到了极致。同时也给A股留下了一桩桩大案。　　吕梁曾坐庄中科创业人间蒸发20年　　吕梁曾经操控的中科创业（现名京基智农）在90年代堪称A股市场的“明星股”，在吕梁坐庄期间，中科创业股价翻倍暴涨，并在2000年2月创出了31.14元/股高点（前复权），直至2015年底才被打破。此间，吕梁还和其麾下复制中科创业的坐庄手法，收购多家上市公司股份，构建了一个庞大的“中科系”。　　在吕梁坐庄中科创业期间，北京中科及其相关公司多次出手收购上市公司股份，先后收购中西药业、鲁银投资、胜利股份、岁宝热电等公司股份，构筑了一个庞大的“中科系”。　　随后因为手下暴雷和合作伙伴朱焕良出逃，中科创业最终尘归尘、土归土。在2000年末至2001年初，中科创业股价连续经历了9个跌停，随后又经历了连续数年的阴跌，股价最大跌幅接近97％。　　在2001年元旦前后，坐庄失败的吕梁选择将中科创业的内幕透露给媒体。随后，吕梁公安机关监视居住。但是2001年2月末，已被公安机关监视居住的吕梁离奇出逃，从此便人间蒸发。　　直至20多年后，吕梁因去世的消息再度出现在公众视野，令人唏嘘感叹。　　博主“缠中说禅”疑为李彪曾神奇预测A股将见大顶　　除了吕梁之外，被外界猜测为博主“缠中说禅”的李彪和德隆系的唐万新在21世纪初也曾在A股留下浓墨重彩的一笔。　　在这批操盘手中，李彪最具交易天赋，创建了一套完整的交易系统理论——“缠论”，至今这套交易理论仍在众多散户中流传使用。李彪在操盘亿安科技的过程中，所使用的跌停板洗盘法在实战中让人印象深刻，至今在A股游资中仍广为流传。　　李彪曾神奇预言在2007年下半年，美国次贷危机将引发全球金融危机，级别堪比1929年世界金融危机；2005年李彪神奇预测股市见底，马上会有波澜壮阔的大牛市；2007年神奇预测A股将见大顶，甚至给出了具体点位6124.04点；让人拍手称奇。　　此外，外界有一种猜测缠中说禅博主李彪极有可能是《天道》中丁元英的原型。　　2008年10月31日，李彪因患鼻咽癌去世。　　“德隆系”仍活跃在A股唐万新遭法院追查财产　　而唐万新执掌的德隆系，走的是实业投资和产业整合的路子，至今仍然能在A股找到德隆系的蛛丝马迹。　　1992年，唐万新、唐万里兄弟注册成立新疆德隆实业公司，注册资本800万元。当年下半年，唐万新雇了5000人认购新股抽签表，通过倒卖法人股完成原始积累。　　两年后，唐万新注册成立新疆德隆农牧业有限责任公司，注册资本1亿元，在新疆搞农牧业开发，先后投入2亿多元在新疆各地建立起4个大型现代化农场，首期开发土地10万亩之多。　　此后，“德隆系”将公司战略定位由“实业投资”转向“产业整合”。新疆屯河、合金投资、湘火炬成为当时“德隆系”旗下的三驾马车。　　2003年“德隆系”达到巅峰，控制1200亿元资产。当年，唐氏兄弟位列富豪榜第25位，“德隆系”的雪球也达到顶点，成为当时中国拥有上市公司最多、市值最大的民营资本集团。　　2004年3月，“德隆系”出现资金链危机的消息在市场逐渐传开。当年4月14日，德隆“老三股”开始全线跌停，德隆危机爆发。　　2006年，唐万新因非法吸收公众存款和操纵证券交易价格罪，被判处有期徒刑8年，并处罚金人民币40万元。“德隆系”三家核心企业合计被罚103亿元。　　此后，随着唐万新出狱，“新德隆系”又开始在市场上作妖。*ST斯太的终止上市揭露了“新德隆系”的溃败。　　2021年3月，中国证监会作出《行政处罚决定书》，认定*ST斯太存在两项违法事实，最终，证监会给予对斯太尔动力股份有限公司责令改正，给予警告，并处以60万罚款。给予唐万新、张业光、唐万川给予警告，并分别处以60万元罚款。　　2022年11月1日，山东省高级人民法院官方微博发布一则悬赏标的额为2亿元的执行公告，赏金最高可达2000万，该案被执行人为曾经的“德隆系”掌门人唐万新。　　　　坐庄从未告别A股舞台“叶飞案”轰动A股　　虽然A股蛮荒时代的坐庄炒家日益远去，但是坐庄从未告别A股舞台，坐庄也有了新名词“市值管理”。　　2021年5月，轰动A股的“叶飞案”成为一时焦点。　　爆料人叶飞在微博公开表示，自己作为中介帮助中源家居找接盘方做市值管理，但上市公司却赖账不付尾款。据叶飞爆料，市值管理主要有两种模式，一种是上市公司与公募或券商资管合谋拉升股价，根据拉升市值进行3％-5％的返点，一种是基金经理将股票池卖出，操盘方在其中挑选标的，操盘方先买，基金经理再买，操盘方卖出后，基金经理跟卖。　　叶飞爆料越来越大，2021年5月14日，叶飞发文点名昊志机电，并表示“昊志机电，你就是下一个炮台。去年十二月怎么跌那么惨？安排谁接的盘，我不知道吗？” 　　随后包括叶飞在内，有多人被查。　　上周末，证监会公布了对两会代表委员建议提案的受理工作。　　针对“伪市值管理”类操纵案件，证监会一方面坚持稳字当头，在打击违法违规行为的同时，稳妥处理案件查办与公司经营、风险处置等的关系，谨慎把握调查工作节奏、时间节点等，严把证据关、法律适用关，密切上下游执法协作，精准施策，避免“误打误伤”。另一方面，坚持全覆盖全方位追责，对参与配合“伪市值管理”违法违规行为的上中下游全面调查，严肃惩处相关违规证券基金经营机构、私募机构及从业人员、配资中介、专业操盘手等。　　
金融界2023-02-27
ChatGPT：OpenAI的技术「执拗」与「豪赌」
go
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
ChatGPT的前世今生：OpenAI的技术「执拗」与「豪赌」
go
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。来源：金色财经
金色财经2023-02-24
网易2022Q4业绩电话会议记录
 go
们与我的世界教育版合作，成功推出了有道文学的丰富更新。有道文学是一款在线学习应用，提供身临其境的学习体验，旨在培养全面的技能。有道文学利用人工智能技术，提供丰富的结合文学、传统文化和故事的引人入胜的学习资料，以及全球标志性建筑的工具。该应用程序令人印象深刻的订阅率和续订率证明了学习者和家长的高度积极接受。此外，我们通过引入冠军级别 [音频不清晰]，一个黄金锦标赛的世界冠军，加强了我们的有道黄金课程。我们的冠军班是综合学习任务的一部分，涵盖从入门级到高级的所有内容，并在冠军级课程中达到顶峰。这一新产品是网易取得的巨大成功，在第四季度同比增长超过 50%，同时保持了显着的保留率。展望未来，我们将继续专注于技术创新，并利用我们的尖端技术确保我们的智能设备和学习综合等产品的长期成功。现在，让我们看看我们的云音乐业务。2022 年，我们取得了创纪录的财务业绩，同时增强了我们受音乐启发的产品和差异化的音乐生态系统。2022年云音乐总净收入为人民币90亿元，同比增长29%。由于稳定的销售增长率和优化的成本结构，我们继续看到强劲的毛利率增长，今年和第四季度分别达到 14.4% 和 17.8%，分别高于去年的 2% 和 4.1%，继续努力提供更好的用户体验，为音乐爱好者带来更广阔的音乐聆听立体声。我们 2022 年的总 MAU 为人民币 1.894 亿元，同比增长 4%，我们的付费率从 2021 年的 15.8% 上升到 2022 年的 20.2%，这得益于我们高质量和年轻的用户社区，最近，我们与主要唱片公司签署了多项许可协议，例如为全国知名明星制作音乐的 Being Music，其中包括五月天和日本流行音乐唱片公司 Pony Kenyan。此外，我们与日本最大的音乐品牌之一 Avex 续约。在整个 2022 年，我们还与其他领先的亚洲唱片公司建立了合作伙伴关系，包括 SM Entertainment、YG Entertainment、Antra Entertainment Group、China Record Group、风华秋实、摩登天空和悦华 [ph] Entertainment。通过不断扩展我们的音乐库，我们正在努力为我们的音乐爱好者社区提供更广泛的选择。数字专辑，尤其是华晨宇和 (G)I-DLE 等知名艺术家的数字专辑，在第四季度取得了可观的销量，证明了高质量的听众基础、深入的用户参与度以及用户为我们的云音乐平台上的优质内容付费的意愿不断增强. 同时，我们平台上 2022 年最畅销的 10 大数字专辑涵盖了中国流行、K-Pop、西方流行、中国民歌和另类摇滚等不同音乐类别，展示了我们年轻和多元化用户群的个性化音乐品味。我们坚定不移地致力于营造一个鼓舞人心的环境，鼓励和授权音乐家进行创作，我们推出了几个新论坛来支持这一努力。我们推出了 Music Talk 在线专栏，让音乐家可以就有助于创作的专业话题交流想法。我们还开设了原创音乐区和本地区，以帮助音乐爱好者探索新的音乐内容并扩大独立艺术家的曝光率。到2022年底，我们平台注册的独立艺术家人数已经超过60万人。我们的内部音乐工作室也取得了坚实的进展，推广了包括再见莫妮卡在内的一批热门歌曲，[音频不清晰]并展示了我们有机地制作优秀音乐内容的能力，这是我们平台独一无二的众多原因之一。展望未来，我们将继续优先考虑产品创新和内容创作，以进一步发展我们的社区。继续 [音频不清晰]，在第四季度，我们的自有品牌消费品牌通过多元化渠道推出了更多受欢迎的产品，增加了我们集中的类别，如宠物用品、家庭清洁产品和家居家具。推出了洗洁精、沐浴香氛、春节礼盒等人气单品。我们将继续专注于原创设计，为消费者提供愉悦的生活方式选择。纵观我们的整体业务，我们很荣幸在环境、社会和治理实践方面对社会的贡献得到认可。我们最近被添加到 2020 年道琼斯可持续发展指数中，并继续在 MSGI 和可持续分析方面获得出色的 ESG 分数。此外，我们致力于多元化和平等，这让我们第二年入选彭博性别平等指数。我们仍然致力于继续推进平等、多元化和包容性的工作，并建设一家让人们受到应有的尊重和尊严的公司。我们相信，一个真正包容的工作场所将充满创造力、创新和发展，这会激励我们不断前进。2022 年，我们在每条业务线继续保持强劲表现，并在我们经营的每个主要垂直领域取得新进展。我们广泛的产品和服务组合正在更广泛的范围内覆盖受众，随着我们朝着我们的全球抱负前进，并凭借坚实的基础，我们在我们的业务中取得了丰硕的成果，我们相信我们有能力在 2023 年取得更大的成就超越。展望未来，我们将继续创新、多元化和扩大我们的影响力，为我们的用户和更广泛的利益相关者社区创造价值。威廉的评论到此结束。我现在将对 2022 年年度业绩进行非常简短的回顾，重点是第四季度。鉴于今天电话会议的时间有限，我将简要介绍一些财务要点。我们鼓励您通读我们今天早些时候发布的新闻稿，了解更多详情。我们 2022 年的总净收入为 965 亿元人民币或 140 亿元人民币，同比增长 10%。第四季度，总收入为 254 亿元人民币或 37 亿美元，同比增长 4%3。2022年，我们的收益及相关增值服务净收入为人民币746亿元，较2021年增长10%。尽管2021年基数较高，但我们收益及相关增值服务的净收入总额在2020年继续同比增长一季度，达到人民币191亿元，同比增长2%。增长主要是由于我们现有游戏（如梦幻西游 Online 和梦幻西游手机游戏）以及我们去年年中推出的新大片《暗黑破坏神：不朽》的收入贡献增加。来自手机游戏的收入继续占我们游戏业务的最大份额，占我们第四季度总净收入的 66% 和全年的 67%。有道 2022 年净收入达到人民币 50 亿元，第四季度同比增长 9% 达到人民币 15 亿元，这主要是由于我们的新服务和智能设备的销售额增加。网易云音乐全年净收入90亿元，同比增长29%，第四季度同比增长26%，达到24亿元。增长主要是由于会员订阅和数字专辑销售的贡献。全年创新业务及其他总收入为人民币79亿元，同比增长7%，第四季度，该板块实现净收入人民币24亿元，同比增长3%，主要是由于收入增加严选的贡献。我们的总毛利率在第四季度相对持平，为 52.2%，而 2021 年同期为 53%。更详细地查看我们第四季度的利润率，我们的游戏和相关增值服务的毛利率为 59.1%，而去年同期为 60.9%。轻微减少主要由于与若干授权游戏有关的一次性特许权使用费所致。智能设备业务利润率的提高推动有道第四季度的毛利率从去年同期的 50.7% 上升至 53.3%。同比增长主要是由于新智能设备的强劲销售，其毛利率更高。音乐的毛利率在第四季度继续改善，从去年同期的 4.1% 攀升至 17.8%。利润率的显着提高主要是由于强劲的管道增长以及内容投资效率的提高。对于我们的创新业务和其他业务，第四季度毛利率为 31.5%，略高于去年同期的 30.5%。第四季度的总运营费用为人民币 88 亿元，占我们总净收入的 35%。仔细观察，我们的销售和营销费用占净收入总额的百分比同比基本稳定，第四季度和全年分别为 13.5% 和 13.9%。第四季度，我们的研发费用占总净收入的百分比也保持稳定，为 16.1%，而去年同期为 15.8%。从全年来看，研发费用占全年净收入的百分比从 2021 年的 16.1% 略微提高至 15.6%。我们仍然致力于投资于内容创作和产品开发。从长远来看，我们还看到了研发投资的杠杆作用。第四季度我们的其他收入为人民币 3.43 亿元，而上一季度为人民币 30 亿元。上一季度基数较高主要是由于处置一项投资产生的一次性收益以及汇率波动产生的财务收益。全年有效税率为 20.7，第四季度为 20.2。作为一般性提醒，我们的有效税收范围是按权责发生制列示的，并且根据适用政策和我们的运营情况，我们每个法人实体在不同时间段递延税收抵免。我们第四季度来自持续经营业务的非美国通用会计准则净收入总计人民币 48 亿元或人民币 6.98 亿元人民币第四季度来自持续经营业务的非美国通用存托凭证基本收益为 1.08 美元或每股普通股 0.22 美元分享。此外，我们的现金状况依然强劲。截至年底，我们的净现金头寸约为人民币 956 亿元，而 2021 年底为人民币 856 亿元。根据我们的股息政策，我们很高兴地报告，我们的董事会已批准派息 0 美元每普通股 0.054 美元或每 ADS 0.27 美元。最后，我们在此期间继续回购股票。根据我们之前于 2023 年 1 月 9 日完成的高达 30 亿美元的股票回购计划，已根据该计划回购了约 3400 万美元的美国存托凭证，我们的董事会宣布了一项新的高达 50 亿美元的公司股票回购计划自 2023 年 1 月 10 日起，不超过 36 个月的公开市场交易中的 ADS 和普通股。同时，根据网易高达 1500 万美元的有道 ADS 购买计划，截至 2022 年 12 月 31 日，网易以约 2200 万美元的总成本购买了约 270 万美元的有道 ADS。感谢您的关注。我们现在想打开您的问题的电话。接线员，我们进入问答环节。问答环节爱丽丝叶 [外语] 管理层能否评价一下国内的游戏格局？那么随着国内目标审批流程的正常化，我们不会将更多资源重新分配给国内游戏开发，或者我们会把更多资源放在专门针对中国玩家的内容上吗？还是你们真的会保留投入更多资源到海外游戏开发的策略？谢谢。丁磊许可流程已经开始正常化，这对我们来说是个好消息。所以我认为过去我们一直对中国市场和全球市场有着同样的关注。所以方向没有真正的改变。我们将继续把中国市场和全球市场并重。谢谢。 Yang Bai 您能否评论一下海外游戏市场的竞争格局？网易出海游戏目前与其他出海龙头游戏公司有哪些优势和差距，网易当年在出海市场继续取得长足进步。国内外能形成怎样的协同效应？是否有任何正在开发的产品可以与我们分享？谢谢。丁磊我们目前观察到，海外游戏其实差别很大，但西方游戏玩家，他们更喜欢PC游戏和主机游戏。对他们来说，手机游戏更多的是休闲类型。对于日本市场，我们认为玩家会同时接受PC游戏和手游。对于中国市场，显然他们更倾向于玩手游。所以在内容创作方面，PC游戏和手机游戏在设计和开发上有很大的不同。所以这是一个挑战，但我非常有信心网易会找到解决方案，创造出对中国市场和国际观众都具有吸引力的游戏。谢谢。孔林肯所以我的问题是关于 Justice 手机。所以我们坐这个游戏已经获得批准。那么管理层能否提供 Justice 手游的开发进度和发布时间方面的最新消息，这款游戏与 PC 版相比如何？我们也看到了这款游戏的影响 [音频不清晰]。谢谢。丁磊谢谢。所以，是的，我们在 1 月份获得了许可证批准，现在我们正在进行最后的测试阶段，希望我们能够在今年下半年向您介绍这款游戏。就我们的手机游戏版本而言，我认为我们更注重游戏体验，因为我们正在努力打造与众不同的游戏，努力创造能够吸引不同类型游戏玩家的游戏，无论是角色扮演游戏玩家还是角色扮演游戏玩家。我们认为我们已经通过 AI 等先进技术在传统 MMO RPG 用户体验之上取得了许多突破，旨在为我们的游戏用户创造更加个性化的体验。我认为这是一款建立在我们 20 年 MMO 经验之上的游戏，除此之外，我们还提供了更多创新体验。所以，我认为这对我们的游戏玩家来说是一款非常激动人心的游戏。谢谢。 Natalie Wu 我的问题，最近一个派对记录得相当成功。只是想知道我们应该如何看待成功？事实上，我们注意到网易在过去几年中更频繁地成功推出新事物，或者应该说，这可能会出现在公司中，变得更高。这让我们想知道，是将聚会视为随机的单一标题成功更简单，还是我们完善的开发和运营技能的结果。只是想知道您的管道中是否有任何类型的新游戏迫使每一方都符合我们的预期。另一个关于游戏寿命的问题。实际上，您的一些游戏像 PJ 一样享有相当长的寿命，但有些游戏的名称为几个月 [ph]。只是从管理的角度好奇是否有一个好的方法让我们对未来的游戏寿命有更好的判断，比方说，我们应该如何考虑派对的寿命？谢谢。丁磊是的，所以任何派对都是我们最近推出的非常成功的游戏之一，这是您与朋友和家人玩得开心的游戏类型。所以我们认为，您担心的事情可能不会发生，因为我们从错误中吸取了教训。所以我们希望这是一款能够继续为我们的游戏玩家带来欢乐的游戏。我们将在游戏上投入更多资源，以确保该游戏的寿命。说长寿，至少需要10年，像FWJ这样的游戏，已经跑了二十多年了。所以我们希望在我们所有的游戏中复制相似类型的长寿。谢谢。亚历克斯·潘谢谢，管理层回答了我的问题。我的第一个问题与 Naraka：Bladepoint、Xbox 上的控制台性能以及我们未来的 PS4、PS5 和移动版本以及国际发布计划有关。我的第二个问题是关于我们未来 22 年的整体利润率趋势，考虑到我们有有道和严选。他们正在提高利润率并获得业务，我们正在海外市场投资更多的研发和 G&A。非常感谢。丁磊所以我们的 Naraka：Bladepoint 于去年 6 月推出，我们的 Xbox，我们很高兴加入了 FCP 计划。所以自从我们现在再次在中国看到大量的游戏玩家，我们一直在根据他们的反馈优化使用体验，我们一直在与我们的蒙特利尔办公室不懈地合作，以确保我们能够为我们的客户提供最好的体验。用户。基于这些努力，我们的 PS5 版本有了更多——甚至更好的版本。所以我们正在对 PS5 版本进行测试。在手机游戏方面，我们也正在经历 - 我们正在经历该游戏的测试阶段，我们希望 - 我们非常有信心手机游戏将复制相同水平的使用体验就像在原始 PC 版本上一样。谢谢。查尔斯·杨对，亚历克斯。而且，对于你关于利润率前景的第二个问题，未来两到三年，我们的游戏利润率将保持相对稳定。你说得对，对于我们的海外工作室来说，他们正处于投资阶段，我们海外 seize 游戏工作室开发的游戏可能要到 2025 年及以后才会进入市场。然而，我们确实拥有非常强大且规模庞大的现有游戏组合，这些游戏组合为现金流、盈利能力和利润率提供了非常非常强大的支持。而我们旗下的云音乐、有道等，已经呈现出明显的亏损收窄趋势。我们非常有信心再给他们六到八个季度，两家公司都非常非常乐观地实现自我维持和收支平衡。所以总而言之，我认为在接下来的两到三年里，我们的利润率将稳定并略有改善，2025 年以后会出现积极的惊喜，然后主要由我们目前正在开发的海外游戏的商业发布来填补阶段。 Felix Liu 好的。让我自己翻译。感谢管理层回答我的问题。您提到了中国有关游戏许可的监管前景有所改善。我们当然很高兴看到这一点。在您已经提到的许可收益之外。如果我们看看今年下半年，也许是 2024 年，你能给我们一些剧透吗？谢谢。丁磊好的。我敢肯定今年和明年以及未来很多年，我们将继续看到网易推出更多游戏，推出新游戏。主题创新是永恒的，我们将继续专注于创新我们的游戏玩法和游戏质量。你已经看到我们 - 我们有信心，我们将继续能够年复一年地向市场提供强大的大片游戏。去年，我们有惊人的大片 America Play Point [ph]。今年我们有《蛋仔派对》。所以这些突破在 Barbecue Games 的工作类型中同样成功，我们在与家人和朋友一起玩的休闲游戏中同样成功。因此，我非常有信心您会继续看到来自网易的不同类型的令人兴奋的创新游戏。谢谢。玛格丽特石再次感谢您今天加入我们。如有其他疑问，欢迎直接联系我们或财经通讯。祝你有美好的一天。谢谢。
老虎证券2023-02-24

上一页
1
•••
51
52
53
54
55
•••
62
下一页

24小时热点

最新话题更多