IT瘾研究推荐

研究称 AI 的生产力提升仅为每周 16 分钟

Sun, 15 Mar 2026 19:43:06 CST

根据 Foxit 的《State of Document Intelligence》报告，AI 的生产力提升远低于高管的预期，仅为每周节省 16 分钟工作时间。虽然 89% 的高管和 79% 的终端用户表示 AI 工具让他们感觉工作效率更高，但将审核和验证 AI 生成输出的时间考虑在内之后，实际节省的时间大幅缩水。对美国和英国 1000 名办公室员工和 400 名高管的调查发现，高管认为 AI 每周能为他们节省约 4.6 小时，但他们需要花费大约 4 小时 20 分钟验证结果。终端用户的情况类似，他们估计节省了 3.6 小时，但需要花费 3 小时 50 分钟审核 AI 生成的工作。一旦将这种“验证负担”考虑在内，高管每周仅节省 16 分钟，终端用户实际上增加了约 14 分钟。

研究认为富裕国家对AI的过度使用可能加剧不平等现象

Thu, 15 Jan 2026 21:38:00 CST

金融时报报道，人工智能初创公司Anthropic警告称，高收入国家对人工智能技术的更快、更广泛采用，正在提高全球经济差距扩大的风险，并可能进一步拉大全球生活水平差距。该公司基于其聊天机器人Claude在全球企业与消费者中的使用情况所做的一项最新分析显示，富裕国家更有可能率先采纳AI，目前“尚无证据表明低收入国家正在迎头赶上”。

Anthropic经济学负责人彼得·麦克克罗里（Peter McCrory）表示，如果未来人工智能带来的生产率提升主要集中在率先采用该技术的国家，“各国间的生活水平很可能出现新的分化”。这项研究为科技公司不断累积的数据再添一例：全球在AI采纳速度上正在形成明显断层，生产率红利和工作场景的应用正高度集中在发达富裕经济体。

研究估算，未来十年间，人工智能有望每年为美国劳动生产率增速额外贡献1到2个百分点，其中收益最大的将是复杂的、以知识为密集要素的工作领域。报告还指出，大约一半的岗位至少可以在四分之一的工作任务中引入AI辅助，而一年前这一比例还是36%。

在具体使用上，美国、印度、日本、英国与韩国是Claude用户最多的国家；巴西以及巴尔干地区国家在“工作任务型”使用中的占比最高，其中巴西正逐渐成为“法律AI”应用的重要枢纽。印尼则在教育和课程作业场景中处于领先。总体来看，低收入国家中，AI更多被用于教育而非工作场景，而在人均GDP较高的国家，Claude在办公与个人用途上的使用频率显著更高。

研究还显示，受教育程度较高的用户往往能从Claude中获得更大的生产率收益，因为他们更擅长给出复杂且精准的提问，从而获得质量更高的回答。麦克克罗里指出，如果完全依赖市场力量来推动AI普及，“这种具有广泛社会价值的技术，未必能够实现足够高的覆盖和采用率”。Anthropic特别提到，其与卢旺达政府合作开展AI素养项目，为部分毕业生提供为期一年的Claude Pro使用权，帮助他们从单纯的教育用途过渡到更广泛的应用场景。

该公司在报告中强调，各国在支付Claude服务费用方面存在明显差异，而教育类使用往往更适合依托免费版本，相比之下，软件工程等复杂工作场景则更依赖付费功能支持。报告同时指出，高收入国家用户还拥有更多其他资源，例如闲暇时间与持续稳定的互联网接入，这进一步推动了AI在“非刚性个人用途”上的扩散。上述结论基于对2025年11月期间Claude.ai免费和付费端合计100万条对话记录、消费者使用数据以及企业侧100万份会话文本的随机样本分析。

Anthropic的结论与微软此前的研究方向相互印证：后者同样识别出全球在AI采纳上的“数字裂谷”。微软总裁布拉德·史密斯（Brad Smith）曾表示，如果不及时解决这一日益扩大的“AI鸿沟”，它极有可能巩固甚至放大当下南北方之间已经存在的巨大经济差距。

LLM距离AGI只差一层：斯坦福研究颠覆「模式匹配」观点

Wed, 10 Dec 2025 20:24:12 CST

有关大语言模型的理论基础，可能要出现一些改变了。

斯坦福发了篇论文，彻底颠覆了「LLM 只是模式匹配器」的传统论调。

它提出的不是扩展技巧或新架构，而是一个让模型真正具备推理能力的「协调层」。

论文题目：The Missing Layer of AGI: From Pattern Alchemy to Coordination Physics
论文地址：https://arxiv.org/pdf/2512.05765

核心观点：AGI 的瓶颈在于协调，而非规模

人工智能界正因围绕大语言模型本质的争论而分裂。一方面，扩展派认为 LLMs 足以实现 AGI；另一方面，有影响力的批评者认为 LLM「仅仅是模式匹配器」，在结构上不具备推理、规划或组合泛化能力，因此是死胡同。

作者认为这场争论建立在一个错误的二分法之上，并提出一个颠覆性极强的核心观点：LLM 的失败不是因为缺乏推理能力，而是因为我们缺少将其模式与目标绑定的系统。

为了解释这一点，作者用了一个捕鱼隐喻。

海洋代表模型庞大的模式库，渔夫不用鱼饵就撒网，收获的只是最常见的鱼类（训练数据中的通用模式）。批评者谴责这些未锚定的输出，但他们观察到的只是未加诱饵的捕捞所产生的原始统计基线，这不是系统损坏，而是系统在默认模式下的自然表现。

然而，智能行为不仅仅是撒网，它还涉及下饵和过滤。如果诱饵过于稀疏，它就无法吸引特定、稀有的鱼，海洋的先验仍然主导。如果诱饵足够密集，它传达了强烈的意图，转移了后验分布，使目标概念压倒常见先验；但诱饵并非没有成本，使用过多的诱饵来确保捕获是低效的。

在这种观点中，「缺失的层」就是协调层，它优化了这种权衡：计算转移后验所需的精确密度，同时不产生过高成本。

鉴于此，作者提出第三条道路：基础层加协调层。LLM 是必要的系统- 1 基础层（模式存储库），瓶颈在于缺少系统- 2 协调层，该层将这些模式与外部约束绑定、验证输出并维护状态。

UCCT 理论：推理的相变现象

作者引入了 UCCT（统一认知意识理论）来形式化这一机制。UCCT 最激进的观点是：LLM 从幻觉到推理的转变不是一个渐进的、线性的过程，而是一个相变。

这就像水在达到冰点时会瞬间凝结一样，当施加给模型的锚定信号达到一个临界阈值时，模型的行为会发生突变：

低于阈值：模型基于训练数据的统计学最大似然先验进行输出，这表现为无根据的生成或幻觉。
高于阈值：目标导向的约束主导了输出的后验分布，推理行为被激活，模型表现出受控且可靠的行为。

这种相变的发生由一个物理学式的锚定分数决定，该分数综合考虑了以下三个关键变量：

有效支持：指外部约束（如检索到的证据、提供的示例、工具的输出）对目标任务提供的强度和密度。其作用是拉动模型走向目标，有效的锚点越多，分数越高。
表征失配：指模型当前的潜在模式（基质）与目标任务或外部约束之间的差异程度。其作用是惩罚模型偏离约束，失配度越大，分数越低。
自适应锚定预算：代表在实际操作中，为了达到目标而愿意付出的上下文成本和计算资源。其作用是平衡效率与可靠性，避免为了微小的收益而无限制地投入锚点。

也就是说，幻觉不是模型损坏，而是它在未加诱饵（unbaited）的情况下，简单地输出了其模式存储库的最大似然先验；推理则是外部约束将后验分布从通用的统计模式转向目标的结果。

因此，只要提供足够密度的「诱饵」和「渔网」，即协调层的锚定机制，LLM 这个强大的模式基础层就能被组织起来，执行可靠的推理任务。

架构实现：多智能体协调堆栈

为了将 UCCT 理论转化为实际的架构，作者构建了 MACI（多智能体协作智能），这是一个协调堆栈，为 LLMs 提供了类似于人类「执行功能」的能力。

MACI 架构通过其三个核心组件，精准地映射并解决了 UCCT 中决定推理相变的三要素：

行为调制的辩论用于最大化有效支持。它让多个智能体扮演不同角色（质疑者、证据提供者、规划者）进行辩论，主动检索、生成和验证证据，确保审议是多角度且有证据支持的。
苏格拉底式评判 CRIT 用于最小化表征失配。UCCT 中的表征失配是导致幻觉的根本原因。 MACI 引入了 CRIT 作为专门的苏格拉底式裁判。CRIT 的核心任务是在推理的每一步中，严格审查智能体的提议和论点。它专门查找和过滤那些与事实、先前状态或任务约束相矛盾的不恰当论点。通过在早期环节就剔除与目标严重偏离的联想式输出，MACI 积极地最小化了表征失配，从而防止低质量或幻觉性的内容污染推理循环。
事务性内存用于优化锚定预算。事务性内存不只是简单的历史记录，它以持久化和事务性方式存储经过验证的关键中间状态，避免重复计算和上下文膨胀，实现锚定预算的最优使用。

深度协调模式将推理视为受控过程。智能体进行辩论、交叉检查、修改方案、提取证据、修复计划，并跨步骤持续维护状态，所有这些都由锚定信号指导。这本质上是在底层模式基质之上叠加执行功能 —— 一旦锚定分数跨越阈值，模型的行为就会从联想式猛然转向受控式。

论文的核心结论改变了我们对 AGI 路径的认知：AGI 不会来自于更大的模式之海，它将来自于组织这些模式以形成可靠推理的网、诱饵、过滤器和记忆机制。如果这项技术能够扩展，LLM 就不再是「自动补全」，而会成为完整推理系统的认知基质。

大语言模型并非通往 AGI 的死胡同，而是实现 AGI 的必要「认知基质」。AGI 的瓶颈不在于 LLMs 的底层模式规模，而在于缺失了一个将这些模式组织和绑定到目标的「协调层」。

作者 Edward Y. Chang 是谁？

本研究唯一作者 Edward Y. Chang（张智威）是斯坦福大学计算机科学系的兼职教授。此前，他曾任加州大学圣巴巴拉分校（UCSB）终身教授。2006-2012 年，他担任谷歌研究院总监，率先开展了以数据为中心和并行机器学习的研究，并为 ImageNet 项目做出了贡献。他还曾在香港科技大学和加州大学伯克利分校任职。张智威拥有斯坦福大学计算机科学硕士学位和电气工程博士学位。

他的研究兴趣涵盖意识建模、生成式人工智能和医疗保健，并因此荣获多项奖项，例如谷歌创新奖、 XPRIZE 奖等。他还是 ACM 和 IEEE 会士。

OpenAI 研究人员称 AI 幻觉在数学上是不可避免的

Sun, 21 Sep 2025 22:41:19 CST

OpenAI 研究人员在预印本平台 arxiv 上发表了一篇论文，指出由于大模型使用的统计学特性以及计算限制，即使有完美的数据，AI 仍然会产生貌似可信但实际上错误的输出。研究人员承认，AI 幻觉在数学上是不可避免的，无法通过更先进的工程技术解决。研究人员在论文中称，类似面对考试难题的学生，大模型会在不确定的情况下猜测，产生貌似可信但实际错误的表述，而不是承认不确定性。即使是最先进的 AI 系统，幻觉仍然存在，会破坏信任。研究人员证明，幻觉源于训练大模型使用的统计学特性，而非实现缺陷。研究人员测试了竞争对手 DeepSeek-V3 模型、Meta AI 和 Claude 3.7 Sonnet，以及 OpenAI 自己的 GPT 系列模型。研究人员称，ChatGPT 也会产生幻觉，GPT-5 有更少的幻觉，但幻觉仍然会发生，且更先进的推理模型比简单的系统更容易产生幻觉：o1 推理模型 16% 的时间会产生幻觉，而较新的 o3 和 o4-mini 分别有 33% 和 48% 的时间会产生幻觉。OpenAI 的研究识别了三个导致幻觉不可避免的数学因素：当训练数据集中信息过少时的认知不确定性，模型局限性和计算难解性。

中国新就业形态研究中心：2025年网约车司机月均收入7623元

Wed, 10 Sep 2025 20:23:23 CST

近日消息，近日，中国新就业形态研究中心发布最新研究成果——《城市出行的就业韧性：网约车司机就业图景与职业表现（2025）》报告。

报告显示， 网约车司机月均收入7623元，在六类蓝领职业中（网约车司机、外卖员、货车司机、快递员、制造业普工、建筑工）位列第二。

一线城市日均上线时间大于等于8小时的网约车司机平均收入为11557.1元。 相比其他蓝领职业，网约车司机的收入满意度较高。

网约车工作工时弹性高，司机可以依据个人与家庭需求自由上线或休息。 50.3%的网约车司机认为自己“工作时间长”，这一比例在外卖员、货车司机和建筑工分别为68.7%、70.27%、85.1%。

绩效与认可方面，77.7%的司机反馈可以通过透明账单了解收入及抽成比例。比较而言，仅24.23%的货车司机对运费有信心，75.77%的司机担心货主拖欠运费。

成长与职业机会方面，网约车司机安全培训覆盖率高达95%，继续从事意愿也达到最高（75.7%）；外卖员培训率82.3%，留任意愿68.4%；货车司机与建筑工的培训覆盖率仅65.22%和71.5%，对应的留任意愿则降至50.29%与46.8%。

报告还比较了不同蓝领岗位的净付出，即工作要求与工作资源的比较。工作要求越高、工作资源越少，则该职业的净付出越重。

总体而言， 网约车司机的净付出属于中等偏低水平。

自快科技

研究认为社交媒体的问题无法得到修正

Thu, 14 Aug 2025 15:47:52 CST

社交媒体没有成为人们曾经期盼的健康的交流思想的乌托邦式的公共广场，而是创造出一种回音室，放大少数用户的声音，放大愤怒和冲突，进一步加剧极化。对社媒平台进行干预是否能缓解或修正部分它产生的问题？根据发表在 arXiv 上的一篇预印本，研究人员测试了六种干预策略，发现基本无效，除非从根本上改变社媒的架构，否则其问题无法得到修正。研究人员测试了对信息流按时间排序或随机排序；逆转促进互动的算法以降低情绪化内容的曝光度；促进观点的多元性；使用“桥接算法”促进相互理解而非煽动情绪的内容；隐藏转发和关注者账户等社交统计数据以减少社交影响力线索；删除个人简介以限制基于身份的信号曝光度。结果显示，部分干预措施只表现出略微改善的效果，部分措施可能进一步恶化了问题。比如对信息流按时间排序减少了注意力不平等，但进一步放大了极端内容。促进观点的多元性没有表现出任何显著的效果。

OpenAI核心研究员：比提示词工程更重要的，是spec-writing | My Secret Rainbow

Tue, 22 Jul 2025 15:30:16 CST

OpenAI核心研究员：比提示词工程更重要的，是spec-writing

程序员最有价值的技能已经不再是编写代码了，而是精确地向 AI 传达意图。一份完善的规范才是包含完整意图的真正「源代码」。

这是 OpenAI 研究员 Sean Grove 在 AIEWF 2025 的演讲中提出的观点。前不久， Andrej Karpathy 也针对于提示词提出了他的观点，不同的是，Karpathy 聚焦如何给 AI「喂更多地料」，让 AI 更理解你的意图。Karpathy 认为，提供完整且恰当的上下文往往比编写好的提示词更重要。

Sean Grove 的视角则聚焦在如何形成一份完善、可执行的「规范」，以此精准地向 AI 传达意图。

在某种程度上，两者的观点都深刻地体现了一点：生成代码已经不是重点了，软件工程的本质是人与 AI 之间的「沟通」。

而且，这也可以看作是对 Jason Wei 提出的验证者规律的回应，规范本身就是一种可验证的标准。

在演讲中，Sean Grove 从 AI 时代「新代码」的角度，分享了他对于软件工程的看法。Sean Grove 认为，提示词是规范，不应被用过一次后即被丢弃，捕捉其中的意图和价值观非常重要， 最有价值的成果不是代码，而是源规范。此外，Sean Grove 还分享了如何让规范可执行、如何向模型传达意图，模型的「谄媚问题」、规范如何参与模型训练与演化等内容。

Sean Grove：OpenAI 对齐团队的研究员，从事模型对齐推理的研究工作。此前，曾创立了一家 GraphQL 开发人员工具初创公司 OneGraph，后来被 Netlify 收购。

01 编程真正的价值在于结构化沟通，而不是代码本身

我们先从一个简单的问题开始：在座的各位有写过代码的吗？请举个手。好，请那些「以编写代码为职业」的朋友继续举着手。如果你觉得自己最有价值的专业产出是代码，也请继续举着手。

看到很多手还举着，我觉得这很正常。我们都在努力解决问题：与人沟通、收集需求、思考实现细节、整合各方资源。最终，我们产出的是代码，一个可以明确指出、可以衡量、可以讨论的成果。它让人感觉「成果落地」。但我想指出，这在某种程度上其实低估了你们的实际工作。 代码可能只占你所创造价值的 10% 到 20%，其余 80% 到 90% 在于结构化沟通。

当然，每个人的情况不同，但工作流程通常是这样的：

与用户交流，了解他们的挑战；
提炼信息，构思解决方案；
明确要实现的目标，并制定计划；
和同事分享这些计划，然后才将计划转化为代码，这无疑是关键一步；
最后，进行测试和验证，但验证的并非代码本身，而是它在运行时是否达成了最初的目标，是否解决了用户的痛点，也就是代码对世界产生的实际影响。

所以，交流、理解、提炼、构思、规划、分享、转化、测试、验证——在我看来， 这些全是结构化沟通。而结构化沟通正是瓶颈所在：明确该做什么、如何与人沟通并收集需求、怎样实现、为何要这么做，以及最终判断做得对不对，是否真正达成了初衷。

AI 模型越先进，这个瓶颈就越明显。因为在不远的将来， 沟通能力最强的人，将是最有价值的程序员。事实上，能有效沟通，你就能编程。

以「氛围感编程」（Vibe-driven Programming）为例，它之所以体验很好，正是因为它从根本上将沟通置于首位，代码只是沟通的下游产物。我们可以描述自己的意图和期望看到的结果，然后让模型来处理繁重的工作。

02 一份完善的规范才是真正的「源代码」

即便如此，我们现在与模型互动的方式还是有些奇怪。我们通过提示词（Prompt）与模型沟通意图和价值观，得到一个代码成果。然后，我们似乎就把提示词扔到了一边，视其为一次性的东西。这很不合理。

如果你写过 TypeScript 或 Rust，你不会在编译出二进制文件后就心满意足了。二进制文件不是目的，它只是有用的产物。事实上，每次编译或运行时，我们总是从源代码重新生成二进制文件。 最有价值的成果是源代码，是源规范。

然而，当我们给模型输入提示词时，却做了相反的事：保留生成的代码，丢弃提示词。这就好比你撕掉了源代码，却小心翼翼地对二进制文件进行版本控制。

这就是为什么在规范中捕捉意图和价值观如此重要。一份书面的规范，能让人们在共同的目标上达成一致，并让我们清楚地知道是否达成了共识。这是一个你可以用来讨论、辩论、参考和同步的成果，至关重要。

如果你没有规范，你就只有一个模糊的想法。现在我们来谈谈为什么规范总体上比代码更强大。

因为 代码本身就是从规范的一种有损投射（Lossy Projection）。就像你反编译一个 C 语言的二进制文件，你得不到清晰的注释和恰当的变量名，你必须反向推导作者的意图。这些关键信息在转换过程中丢失了。同样，代码本身，即使写得再好，通常也无法完整包含所有的意图和价值观。阅读代码时，你还是要去推断这个团队最终想要实现什么。

所以， 当沟通的成果沉淀为一份书面规范时，它就比代码更好，因为它包含了生成代码所必需的所有前提和意图。

就像一份源代码可以通过编译器适配多种架构（如 ARM64、x86、WebAssembly），一份完善的规范交给模型，同样能生成优质的 TypeScript 代码、Rust 服务器、客户端应用、文档、教程、博客文章，甚至一期播客。

我们来做个思维练习：在座各位，有谁的公司是服务于开发者的吗？如果把你们公司的整个代码库、所有文档，也就是运行业务的全部代码都丢进一个播客生成器，它能生成一期足够有趣、能吸引并教会用户如何成功的播客吗？恐怕不能，因为这些关键信息并不在代码里。

所以， 未来的关键技能是编写能充分捕捉意图和价值观的规范。掌握这一技能的人，会成为最有价值的程序员，而他们很可能就是今天在座的各位。

03 规范可以直接用于训练和调优 AI 模型

这和我们现在做的事已经很相似了。产品经理写产品规范，立法者写法律规范。这是一个普遍原则。

那么，规范到底是什么样的？我以 OpenAI 的「模型规范」为例。去年，OpenAI 发布了模型规范，这份动态文档旨在清晰、明确地阐述我们希望模型向世界展现的意图和价值观。它在今年 2 月进行了更新，并且已经开源。

注：今年 2 月，OpenAI 进行了模型规范更新 https://openai.com/zh-Hans-CN/index/sharing-the-latest-model-spec/

你可以去 GitHub 上看看模型规范的实现，它其实就是一堆 Markdown 文件。

Markdown 非常了不起。它便于人类阅读，有版本记录和变更日志。而且，由于它是自然语言，公司里所有人都能参与进来——无论是产品、法律、安全、研究还是政策团队的成员，大家都能阅读、讨论、辩论并为同一份「源代码」做出贡献。 这是一个能让全公司在核心意图和价值观上达成一致的通用媒介。

尽管我们努力使用明确的语言，但有时细微之处依然难以表达。为此，模型规范中的每个条款都有一个唯一 ID（例如 SY703）。通过这个 ID，你可以在代码仓库中找到对应的文件（ sy703.md），里面包含了一到多个针对该条款的、极具挑战性的测试用例。这样一来，这份文档本身就内嵌了它的成功标准：被测试的模型必须能够给出符合该条款精神的回答。

我们来谈谈「谄媚问题」（Sycophancy）。不知道大家有没有听说，前段时间 GPT-4 的一次更新出现了严重的谄媚倾向。在这种情况下，模型规范有什么用？它的作用就是让人们在一系列共同的价值观和意图上达成一致。

举个例子，有用户指出模型为了谄媚而牺牲了客观事实，模型的回应却是非常友好地称赞用户「有洞察力」。其他研究人员也发现了类似的、令人担忧的例子。这样的谄媚会侵蚀信任，造成伤害，并引发了关于「这是故意设计还是意外失误」的争议。

注：「谄媚问题」是指大型语言模型（LLM）的一种行为倾向，即模型会刻意迎合用户的观点、信念或情感，即便用户的观点是错误的、有偏见的或不符合事实的。

幸运的是，模型规范自发布之初就明确规定了「 不要谄媚」。这份规范解释，虽然谄媚在短期内可能让人感觉良好，但长远来看对谁都没有好处。因此，我们通过规范表达了我们的意图，并为公众提供了一个可以参考的基准。 如果模型的行为与规范不一致，那它就是一个漏洞（Bug）。

所以我们回滚了更新，发布了相关的研究和博客文章，并修复了这个问题。在此期间，规范扮演了 信任锚点的角色，让所有人都能清楚地知道，什么是我们预期的行为，什么不是。

即便模型规范唯一的作用只是让人们达成共识，它也已经非常有价值了。但理想情况下，我们还能让模型及其产出也与这份规范保持一致。

04 如何用「规范」训练模型？

我们曾发表过一篇名为《Deliberative Alignment: Reasoning Enables Safer Language Models》的论文，探讨了如何自动化地让模型与规范对齐。简而言之，就是将规范和高难度的提示词交给一个模型，然后让一个更强大的「裁判模型」根据规范，来为它的回答打分。通过这种方式，我们可以强化模型的权重，将规范从「每次都要提醒」的推理成本中解放出来，「压入」模型的权重之中，让遵循规范成为模型的「肌肉记忆」。

注：《Deliberative Alignment: Reasoning Enables Safer Language Models》

论文地址：https://arxiv.org/abs/2412.16339

尽管模型规范只是 Markdown 文件，但将它们视为代码会很有帮助，因为它们非常相似：

可组合：可以模块化地发布和引用。
可执行：可以包含自身的单元测试。
可测试：可以像类型检查器一样，自动发现不同规范间的冲突。
可审查：可以构建工具来检查语言的模糊性，因为模糊的表述不仅会困扰人类，也会困扰模型。

规范实际上给我们提供了一套全新的工具链，它针对的是意图，而非语法。

05 规范是跨角色通用的语言

我们再来想想「作为程序员的立法者」这个概念。美国宪法其实就是一份国家层面的模型规范。它有书面文本，作为我们讨论的共同基础；它有版本化的修正案，可以更新和发布；它还有司法审查机制，由「评分者」（法官）来评估具体案例与政策的契合度。

当法律条文出现模糊或遗漏时，司法审查的过程就变得非常耗费精力。而一旦做出裁决，就会确立一个先例（判例）。这个先例就如同一个「输入-输出」对，作为一个单元测试，来消除原始规范的歧义并强化它。这个系统通过持续的执行和裁决，如同一个训练循环，帮助整个社会在共同的意图上达成一致。这是一个能够有效传达意图、裁决合规性并安全演进的成果。

所以，未来的立法者可能成为程序员，反之亦然。这是一个非常普遍的规律：

程序员通过代码规范，来统一芯片的行为。
产品经理通过产品规范，来统一团队的目标。
立法者通过法律规范，来统一民众的行动。

而在座的每个人，当你们输入提示词时，其实就是在制定一种「原型规范」（Proto-spec）。你们都在从事让 AI 模型向着共同意图对齐的工作。无论你是否意识到，在这个时代，你就是一名规范的制定者。规范能让你更快、更安全地发布成果。每个人都能做出贡献。无论是业务分析师、产品经理、立法者、工程师还是营销人员，只要编写了规范，就成了程序员。

软件工程的本质从来就不是关于代码本身。回到之前那个问题，许多朋友放下了手，因为你们认为自己产出的核心不是代码。但工程的本质从来就不是这个。编码是一项非常重要的技能和宝贵的资产，但它不是最终目的。 工程，是人类为了解决自身问题，而对软件方案进行的精确探索。 一直都是如此。

我们只是在从五花八门的机器编码，转向一种统一的人类编码——用更自然的方式，来表达我们解决问题的思路。

06 未来 IDE 不仅是写代码的工具，而是「集成式思维澄清器」

我想请大家在开发下一个 AI 功能时，尝试将这个理念付诸实践： 从规范开始。明确你期望达成的效果和成功标准，确保规范清晰、准确，并让它变得可执行，最终根据规范来测试你的模型。

鉴于编程和规范制定有如此多的相似之处，这引出了一个有趣的问题：未来的集成开发环境（IDE）会是什么样子？

我想， IDE 可能会演变成一种「集成思维澄清器」（Integrated Thought Clarifier）。当你在编写规范时，它能实时指出其中的模糊之处，帮助你理清思路，让你能更有效地向他人和模型传达意图。

最后，我想向大家请教一个问题，这个问题也关乎我们如何大规模地实现智能体（Agent）的对齐： 规范需要具备哪些特性，才能既易于机器处理，又能够满足人类复杂的需求？

我很喜欢一句话：你终将意识到，你从未真正告诉过它你想要什么，或许连你自己也从未完全弄明白。

总之，我在此呼吁大家重视规范。OpenAI 已经成立了一个新的「Agent 稳健性团队」（Agent Robustness Team）。加入我们，一同为全人类的福祉，交付安全、可靠的通用人工智能。

谢谢大家！

原视频链接：https://www.youtube.com/watch?v=8rABwKRsec4
原文：https://mp.weixin.qq.com/s/FTOEJz-dO6Ipt5znwyksSA

麻省理工学院新研究：ChatGPT 可能会削弱批判性思维能力

Fri, 20 Jun 2025 10:16:07 CST

IT之家 6 月 20 日消息，据《时代》杂志 18 日报道，麻省理工学院媒体实验室一项新研究发现，过度依赖 ChatGPT 可能 削弱批判性思维能力，引发外界对生成式 AI 对大脑发育影响的担忧。

研究团队招募了 54 名年龄在 18 至 39 岁的波士顿地区居民，分为三组，分别使用 OpenAI 的 ChatGPT、谷歌搜索和纯手写的方式完成多篇 SAT（IT之家注：学术评估测试，相当于国内高考）作文。研究人员通过脑电图监测受试者大脑 32 个区域的活动，发现使用 ChatGPT 的参与者 大脑活跃度最低， 在神经、语言及行为表现上也最差。随着时间推移，这一组写作的积极性明显下降，到后期多数人只是简单复制粘贴。

论文指出，大语言模型的使用 可能抑制学习过程，尤其对年轻人影响显著。尽管该研究尚未通过同行评审，样本规模也有限，但论文作者纳塔利娅・科斯米娜仍决定提前公开，提醒社会不要只看即时便利而忽略了对大脑长期发育的影响。“我担心再等上半年，政策制定者就可能会推动什么‘GPT 幼儿园’项目，这将极其有害，特别是对仍在发育的大脑。”

科斯米娜自 2021 年起在该实验室担任全职研究科学家。她希望聚焦 AI 在学术场景中的影响，因为学生群体使用 AI 日益频繁。研究中，参与者围绕 SAT 写作题作答，话题涉及慈善伦理和“选择过剩”等议题，每篇限定时间 20 分钟。

使用 ChatGPT 组的作文在语言和内容上高度趋同，缺乏独立思考，两位英语教师评价 这些文章“毫无灵魂”。脑电图显示，这组人在执行控制和注意力投入方面显著不足。到第三篇作文时，许多人已不再参与写作，而是将题目直接交由 ChatGPT 完成。科斯米娜回忆说：“ 基本就是‘你给我一篇，我润一下句子就行’。”

相比之下，纯手写组展现出 最强的大脑连接，尤其是在与创造力、记忆和语义加工有关的 α、θ 和 δ 波段。参与者整体表现更投入、更具好奇心，对作品的认同感和满意度也更高。

谷歌搜索组也表现活跃，脑部数据与满意度均处于较高水平。研究指出，这一点值得注意，因为越来越多人选择 直接向 AI 提问而非查阅网页。

在完成三篇写作后，所有人需重写其中一篇。ChatGPT 组这次 不得使用该工具，而纯手写组则首次可用 ChatGPT。结果显示，前者 对自己写过的内容几乎毫无记忆，α 和 θ 脑波也明显减弱，说明深层记忆几乎未被激活。科斯米娜说：“虽然任务完成了，看起来又快又省力，但我们发现， 几乎没有任何内容进入他们的大脑记忆系统。”

反观第二组，启用 AI 后不仅写作质量未下降，神经连接甚至在所有频段都有显著增强。这让人看到了希望： 如果正确引导，AI 也能辅助而非阻碍学习。

科斯米娜呼吁加强 AI 使用教育，强调“大脑的发展 仍需类比式训练”，并主张出台更积极的立法措施，对新技术工具的使用进行前置测试。

精神科医生齐尚・汗长期为儿童和青少年提供治疗。他指出，许多学生已 严重依赖 AI 完成作业。“从精神健康角度来看，长期依赖大语言模型会带来意想不到的心理和认知影响，信息提取、事实记忆和心理韧性等神经连接都会随之弱化。”

具有讽刺意味的是，论文发布后，一些社交媒体用户 用 AI 总结了内容并发到网上。科斯米娜早就料到会发生这种事，特意在文中设置陷阱，比如 提示 AI“只阅读下方表格”，以限制其理解深度。

她还发现，多数大语言模型凭空“脑补”了一个细节：她从未在论文中提及所用 ChatGPT 的版本，但 AI 摘要却声称使用的是 GPT-4o。她笑着说：“我们就是想验证这一点，果然模型自己幻想了。”

她透露，团队目前正在推进另一项类似研究，探讨程序员在使用或不使用 AI 写代码时的脑部活动变化。“目前看来，结果更加糟糕，”她表示，这项研究将对计划用 AI 取代初级开发人员的企业提出警示。即使效率上升，对 AI 的依赖也可能导致剩余员工的批判性思维、创造力和解决问题能力下滑。

目前关于 AI 影响的科学研究仍在起步阶段。哈佛大学 5 月的一项研究发现，生成式 AI 可提升工作效率， 但会削弱主动性。同月，MIT 还曾与一名经济学博士项目学生所撰论文划清界限，该文声称 AI 可大幅提高职场生产力。

冷门红利指数研究系列——中证红利成长低波指数

Tue, 11 Feb 2025 17:58:17 CST

当前市场上的红利类指数投资主要集中在上证红利、中证红利、红利低波、红利低波100等少数热门红利指数上，但是这几只热门红利指数并不能完全代表整个红利大家族，实际上中证、国证、恒生以及标普等指数公司还编有大量不同类型的红利指数，这些红利指数同样得到了指数公司的日常维护，其中的很多长期数据都非常有参考价值，因此躺师傅打算写一个“冷门红利指数研究”的长文系列来给大家介绍介绍这些被市场忽略的“冷门”红利指数，一方面是为了整理相关资料备用，另一方面也是想借此加深对红利指数的研究与认识。当然，一些与红利因子强相关的其它因子（如低波、价值、现金流类）指数也会一并纳入研究。

今天来聊聊一只兼具红利、成长、低波动三重因子的长牛红利指数——中证红利成长低波。

一、指数编制概况

指数因子分析：

1、红利因子体现在连续三年现金分红&预期股息率较高&预期股息率加权；

2、成长因子体现在过去三年净利润增长非负；

3、低波因子体现在过去三年ROE波动较低&过去一年股价波动较低。

三个因子的考察还是比较全面的，而且这三个因子能帮助指数更好的规避红利陷阱：

1、预期股息率是按近四个季度利润*过去三年平均分红率计算的，更接近于当前真实的股息率，可以有效避免将那些业绩大幅下滑导致股息率虚高的样本纳入指数；

2、低波因子考察了过去三年ROE的稳定性，业绩上的低波相对股价上的低波更加接近低波动的本质，或者说股价上的低波只是业绩上低波的外在表现；

3、业绩上的低波再辅以净利润连续三年增长非负，这就带有了比较浓厚的质量成长风格色彩了。

那是否这只指数就臻于完美了呢？躺师傅在这里也指出两点问题：

1、指数选择的样本都是业绩&价格双低的样本，样本本身的稳定性很强，符合大家的投资审美，但是指数在去年12月的调样周转率达到了46.65%，再结合指数一年两次调样的规定，这意味着指数一年的总调样周转率超过了90%，这个水平的周转率也导致每次调样后，红利成长低波都几乎成了一只新指数，在指数层面上来看，红利成长低波的稳定性是比较差的。

2、一只样本同时具备业绩稳定增长&股息率较高&股价波动较低，市场上通常很难出现这么明显的投资机会，市场上符合这个条件的基本上都是银行股，所以从编制规则来看，这只指数很明显的会偏向于银行股。

二、样本&行业构成

1、样本权重数据：

指数的50只样本权重在0.513%~3.744%之间，样本分散性还是做得不错的，但是这50只样本中有27只都是银行股，而且都还在权重比较大的第一列。

2、行业权重数据：

从行业权重来看就更明显了，指数超过三分之二的权重都集中在了金融业上，将红利成长低波看作是中证银行PRO也没问题。

三、历史收益

1、红利成长低波全收益指数近十年走势图：

中证红利成长低波全收益指数在2015-02-27~2025-02-07区间内总收益为220.89%，差大幅好于中证红利全收益指数同期的135.19%，巨幅好于沪深300全收益指数同期的37.91%。

这个超额收益数据是相当的炸裂了~

2、2014年以来年度收益数据：

无论是长期、中期还是短期，红利成长低波的收益数据都要明显的好于中证红利，过去11年间红利成长低波有9年都击败了中证红利，仅在19、20两年要稍差些。

另外，剔除掉大涨70.76%的14年数据，15年初~24年末十年间全收益指数的年化收益率依旧达到了惊人的12.95%，简直不可思议。

更逆天的是，红利成长低波全收益指数过去11年只在18年出现了下跌，年度胜率超过了90%.......

四、当前估值

从中证指数公司提供的数据来看，当前红利成长低波的市盈率为7.16倍、股息率达到了5.47%，当然，考虑到指数中有许多国企巨头近期都首度实施了中期分红，这个股息率数据肯定是明显高估了的，不过即使如此，指数当前依旧表现出了低估值、高分红的特点。

如果要看历史估值分位的话那就只能参考WIND的数据了，从WIND提供的数据看，当前红利成长低波的市盈率为6.77倍、处在18年发布以来64.76%的位置，市净率0.86倍、处在18年发布以来42.22%的位置，股息率达到了5.94%、处在18年发布以来98.41%的位置，从历史数据来看，当前红利成长低波的估值处在中等的位置。

小结

总的来看，红利成长低波指数是一只编制相对有效、超额收益亮眼但是稳定性欠佳的红利指数，如果市场后续能提供低费率+稳定分红的ETF跟踪的话，可以作为红利投资组合的补充配置一点，想长期在这指数上躺平还是要谨慎些~

PS：“冷门红利指数研究系列”关注的都是些“下水道”品种，有些担心这个系列变成“冷门文章系列”，所以还望大家多多转评赞支持了~$红利ETF(SH510880)$ $中证红利ETF(SH515080)$ $红利ETF易方达(SH515180)$

风险提示：

本文所提到的观点和数据仅代表个人的意见，所涉及标的不作推荐，据此买卖，风险自负。

附：冷门红利指数研究系列传送门

1、180红利：网页链接；2、红利价值：网页链接；

本话题在雪球有26条讨论，点击查看。
雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz

大模型已过时，小模型SLM才是未来？苹果正在研究这个

Thu, 31 Oct 2024 10:18:00 CST

手机还是更适合小模型

大模型虽然好，但我的笔记本和手机都跑不动呀。就算勉强能跑起来，也是奇慢无比。而与此同时，对适合移动和边缘设备的小模型的需求却在不断增长，因为这些模型似乎才能真正满足人们的日常需求。正因为此，有不少研究者和应用开发者都认为小模型才是 AI 的未来。

事实上，Meta 和 Mistral 等都已经发布了自己的 SLM，比如 Llama 3.2 的 1B 和 3B 版本以及 Ministral 3B。另外还有一些社区开发的 SLM，比如 BabyLlama 系列（不到 1B 参数）、 TinyLLaMA（1.1B 参数）。

为了打造出真正好用的小型语言模型（SLM），AI 研究社区想出了各种各样的方法，像是对大模型进行蒸馏或量化或者就直接去训练性能优异的小模型。

实际上， SLM 正在逐渐成为一个研究热门方向，简单检索 arXiv 上的关键词也能大致看见这一趋势：9 和 10 月份，SLM 相关研究论文的数量有了明显增长。

今天，我们就来看看苹果的一篇相关论文，其探讨了训练小型语言模型的计算瓶颈。

论文标题：Computational Bottlenecks of Training Small-scale Large Language Models
论文地址：https://arxiv.org/pdf/2410.19456

首先，多小的模型才能算是小型语言模型，或按苹果的说法 —— 小规模大型语言模型？

这个苹果团队给出的指标是「参数量 ≤ 2B」。当然，这并非人们公认的标准，也有人认为 Ministral 3B 和 Llama 3.2 3B 等 3B 参数量的模型也算是 SLM。总之，大与小是一个会随着计算基础设施的演进而动态变化的标准，昨天的大模型可能就会成为明天的小模型。

尽管 SLM 规模很小，但其表现并不一定很差，并且已经展现出了自己的巨大潜力。很多借助剪枝、蒸馏和量化等技术得到的 SLM 的性能并不比大得多的模型差，甚至有时候还能更胜一筹。举个例子，Gemma-2B 的性能就优于大得多的 OPT-175B，这就挑战了大多数人的一个固有观念：模型大小是有效性的主导决定因素。

另外，也有采用互相验证等其它新颖方法提升 SLM 能力的研究思路，比如机器之心曾报道过的《两个小模型互相验证，直接比肩大模型？微软的 rStar 甚至没用 CoT 和微调》。事实上，随着 OpenAI ο1 系列模型的发布，通过优化推理时间计算也成了提升 SLM 性能的重要途径。

性能足够好的 SLM 具有很大的好处，最基本的就是速度快、效率高、性价比高。因此，SLM 对计算资源有限的组织（如小型企业和学术机构）非常有吸引力。

苹果的这项研究关注的是 SLM 的训练动态。事实上，在训练方面，LLM 和 SLM 的差距很大。LLM 的计算需求和基础设施需求并不一定适用于 SLM。考虑到云平台可用的硬件配置多种多样（包括 GPU 类型、批量大小和通信协议），有必要对这些影响 SLM 训练效率的因素进行系统性的分析，尤其是要考虑一些符合实际的指标，比如每美元的损失和每秒 token 数。

该团队的研究结果表明，对于更小型的模型，可以使用 A100-40GB GPU 和分布式数据并行（DDP）等更低成本选择，同时不会对性能产生负面影响。对于更大型的模型，就必需更高级的配置了（例如 A100-80GB 和 H100-80GB GPU 搭配 Flash Attention（FA）和完全分片式数据并行（FSDP）），这样才能处理更大的数据批以及防止内存相关的问题。

SLM 领域的最近研究进展表明，扩展 AI 系统不仅是要追求先进的性能，也要考虑实际应用。目前这股研发 SLM 的趋势表明，重新评估硬件和计算策略是非常重要的。

苹果这项研究为此做出了贡献，他们系统性地研究了在不同的云基础设施和设置上，训练最多 2B 参数大小的 SLM 的计算瓶颈和成本效率。他们发现：

1. 相比于 LLM，FlashAttention 对 SLM 来说更重要；

2. H100-80GB 和 A100-80GB 等昂贵硬件对 SLM 训练来说不一定具有成本效益；

3. DDP 是 SLM 的最佳分布式训练方案；

4. 对 SLM 训练来说，最大化 GPU 内存利用率并不是成本最优的。

模型和参数

该团队研究的是 LLaMa 架构，毕竟不管是 LLM 还是 SLM，这都是当今最流行的架构。

LLaMa-2 和 3 最小的版本分别是 7B 和 8B，但这对大多数移动硬件来说还是太大了。为此，该团队进行了一番操作：为了定义他们自己的模型，他们通过在 Llama 模型上拟合一条曲线而提取了模型的解码器模块和参数数量。见下图 5。

他们评估了四种不同的模型大小：100M、500M、1B 和 2B。

值得注意的是，他们最大化了图中 x 轴或图例中未显示的所有配置参数。也就是说，他们对下面列出的所有配置参数组合进行大型网格搜索，并且每个图中的每个点都是给定图中指定的所有参数的最佳配置。

这样，他们找到了最佳的 Token/Dollar 比值，并假设可以通过调整优化超参数（例如学习率）来实现与硬件最佳配置的最佳收敛。

接下来，给出这些配置参数的定义

GPU 类型：他们评估了三种英伟达 GPU：A100-40GB、A100-80GB 和 H100-80GB。所有 GPU 使用的数据类型都是 BFloat16。
GPU 数量和通信：每种 GPU 类型都有三种主要训练配置，包括：单节点单 GPU（1 台 GPU）、单节点多 GPU（2、4 和 8 台 GPU）和多节点多 GPU（16、32 和 64 台 GPU）。当 GPU 超过 1 台时，还会评估分布式数据并行（DDP）和完全分片式数据并行（FSDP）这两种通信方法。对于分片，他们也研究了两种策略：1) 完全分片，即对所有梯度、优化器状态和权重进行分片；2) grad_op 分片，即仅对梯度和优化器状态进行分片（但权重不分片）。他们使用了 RDMA/EFA。
样本数量：他们还评估了训练期间适合单个 GPU 的各种样本数量。他们将序列长度固定为 1028，并迭代适合单台设备的批量大小。由于即使在最小（100M）的模型中也无法将 128 个样本放入单个 GPU 内存中，因此他们研究了每台设备的批量大小为 4、8、16、32 和 64 的情况。这里不使用梯度累积
Flash Attention：他们研究了在注意力模块中使用 Flash Attention 的影响。

实验结果

该团队展示了 SLM 在 A100-40GB、A100-80GB 和 H100-80GB 上运行的结果。他们在 HuggingFace 中部署了模型，没有附加任何额外的框架，batch size=1024，并使用 PyTorch 运行了如下表数值设置的实验。

通过多次实验，研究团队得出了以下观察：

Q1：在 SLM 训练中使用 FlashAttention 有多重要？

图 1 比较了不同 batch size 下 FlashAttention2 与普通注意力的区别。首先，使用 FlashAttention 显著提高了 SLM 的 Token/Dollar 效率，用同样的钱（Dollar）能处理更多数据（Token）。

对于较小的模型，FA 对 Token/Dollar 的提升更为显著。这是因为注意力机制的成本会随上下文长度变长以平方的速度增长。当模型的隐藏层维度减少时，这个因素变得尤为重要。这样的 SLM，其性能受限于数据处理能力，其中数据在 CPU/GPU、GPU/GPU 之间传输是主要瓶颈。最后，可以看到对于较大的模型（1B 和 2B），FA 能够训练更大的 batch size（1024），而普通注意力会导致内存溢出（OOM）。

Q2：GPU 数量一定，哪类 GPU 最适合训练 SLM？

图 2 展示了使用 A100-40GB 和 A100-80GB GPU 训练模型的效果。尽管不同模型间没有统一的趋势，但当使用用大量 GPU 训练 1B、2B 参数规模的模型时，A100-80GB GPU 表现更佳。这种 GPU 适合处理更大的 batch size。对于更小的模型，则可以选择成本更低的 40GB GPU。

Q3：在不同节点数量下，哪种通信方案最适合训练 SLM？

该团队探讨了不同并行策略对 SLM 训练的影响，分布式数据并行（DDP）、完全分片数据并行（FSDP-Full）、还是 FSDPGrad+Optimizer，那种方法更优秀？图 3 展示了在 A100-80GB GPU 上，这些并行策略训练模型的效果。

结果显示，对于小型模型，对通信需求最小的 DDP 更优。但对于 2B 参数的模型，FSDP 由于能处理更大的 batch size，表现超越了 DDP。此外，FSDP-Grad+Optimizer 因其较低的通信开销，表现优于 FSDP-Full。简而言之，选择合适的并行策略可以优化 SLM 的训练效率。

Q4：对于不同的全局 batch size，训练 SLM 的最佳通信方案是什么？

图 4 显示了使用 DDP、FSDP-Full 和 FSDP-Grad+Optimizer 在不同 batch size 下训练 SLM 的结果。

可以看到，batch size 较小时，通信方案的差异不大。然而，与上个问题类似，对于 2B 模型和 batch size，FSDP 方案的性能优于 DDP，并且能够处理比 DDP 更大的批量大小，而 DDP 在这种情况下会导致内存溢出。

更多研究细节，请访问原论文。

^{参考链接：https://arxiv.org/pdf/2410.19456}

糖尿病常见并发症风险降低73%！华科大最新研究：做好这3件生活小事

Mon, 12 Feb 2024 04:16:10 CST

▎药明康德内容团队编辑

外周动脉疾病影响全球超过2亿人，是造成下肢截肢的主要原因。2型糖尿病患者发生外周动脉疾病的风险是一般健康人群的2~4倍。因此， 确定能够预防或延缓糖尿病患者外周动脉疾病发生的有效措施具有重要的公共卫生意义。然而，综合生活方式能否以及在多大程度上可降低2型糖尿病患者的外周动脉疾病发生风险尚不清楚。同时，遵循健康的生活方式能否抵消外周动脉疾病的遗传风险尚不明确。此外，代谢相关指标在上述关联中是否存在中介作用亦不清楚。

近期，国际权威期刊 Diabetes Care在线刊发了 华中科技大学公共卫生学院 刘刚教授 团队题为“可改变的生活方式因素、遗传易感性与2型糖尿病患者外周动脉疾病发生风险的前瞻性研究”（Modifiable Lifestyle Factors, Genetic Risk, and Incident Peripheral Artery Disease Among Individuals With Type 2 Diabetes: A Prospective Study）的最新研究成果。研究发现， 2型糖尿病患者坚持健康的生活方式与外周动脉疾病风险显著降低相关，且上述关联不受外周动脉疾病遗传易感性的影响。

截图来源：Diabetes Care

本研究共纳入14543名2型糖尿病患者，在平均随访约13.5年后，新发628例外周动脉疾病。研究定义的加权综合生活方式评分基于以下6个组分：

保持健康腰臀比（女性<0.85，男性<0.90）
不吸烟
限制饮酒（酒精摄入量女性＜14克/天，男性每天＜28克/天）
积极体育锻炼（每周中等体力活动≥150分钟或每周剧烈体力活动≥75分钟）
健康饮食（以下10种饮食成分中，≥5种达到理想摄入水平，包括：水果、蔬菜、全谷物、鱼、乳制品、植物油、精制谷物、加工肉类、未加工肉类和含糖饮料）。
充足的睡眠时长（7~8小时/天）

每符合一项计1分，不符合该项计为0分。基于多变量调整的Cox模型中每个生活方式因素与外周动脉疾病的相关系数，生成加权生活方式评分（范围：0~6分），并进一步将其分为不健康、中等和健康三组。在校正了人口统计学、糖尿病患病时长、血糖控制状态及使用降糖、降脂药物等多种潜在混杂因素后发现：

在2型糖尿病患者中，不吸烟、限制饮酒和保持健康腰臀比均与外周动脉疾病发生风险降低显著相关。
与采取不健康的生活方式的患者相比， 遵循健康的生活方式的2型糖尿病患者外周动脉疾病发生风险下降73%，且上述关联不受外周动脉疾病遗传易感性的影响。人群归因分数结果提示，如果糖尿病患者均坚持健康的生活方式，理论上可以避免近60%的外周动脉疾病事件发生。
在加权生活方式评分与糖尿病患者外周动脉疾病关联之间， 脂代谢、肝肾功能、炎症等代谢指标发挥潜在的中介作用，且总的中介比例为13.3%。

▲健康生活方式、遗传易感性与2型糖尿病患者外周动脉疾病发生风险的前瞻性关联（图片来源：参考文献[1]）

以上研究提示， 无论2型糖尿病患者是否具有外周动脉疾病遗传风险，坚持健康的综合生活方式均有助于降低外周动脉疾病的发生风险，且这种改变可能与血脂、肝肾功能、和炎症相关的代谢指标改善有关。该研究成果为糖尿病患者的健康管理提供了重要科学依据。

免责声明：药明康德内容团队专注介绍全球生物医药健康研究进展。本文仅作信息交流之目的，文中观点不代表药明康德立场，亦不代表药明康德支持或反对文中观点。本文也不是治疗方案推荐。如需获得治疗方案指导，请前往正规医院就诊。

Businessinsider：研究表明美国大多数电动车充电费用比油车加油还贵

Thu, 03 Aug 2023 19:57:38 CST

据Businessinsider报道，安德森经济集团发布的一份研究显示， 目前北美市场中，许多电动汽车充电成本，仍高于他们给油车加油的成本。研究指出，关于充电和加油的费用，不同的车型有不同的结果。对卡车来说，加油和充电成本接近；而对于入门级的中档轿车和SUV来说，在家充或公共场所充电的费用，都高于加油的费用；豪华车和SUV则介于两者之间，如果在家充电，可能比加油便宜，但如果在公共场所充电，则要比加油贵一些。

据介绍，研究是基于美国最新汽油和居民用电、商业充电、油车和电动车税收情况、燃油经济性等信息，计算了每行驶100英里（约为160公里）时，加油和充电的费用。

以下是不同车型的费用情况：

卡车，加油和充电费用大致相同。无论是福特F系列还是道奇1500等车型，每行驶 100 英里需要花费约17.58美元。如果拥有一辆纯电Rivian R1T皮卡或GMC悍马，在家充电的费用与此相差无几，约为17.7美元。但是， 如果主要在公共场所充电，费用会飙升48%，达到约26.38美元。

入门级轿车和SUV，以日产Versa、现代Elantra为例，行驶100英里油费约9.78美元；如果换成电车日产Leaf或雪佛兰Bolt，在家充电的费用为12.55美元，外面充电桩费用更高，接近16美元，比对应的燃油车型多出64%。

豪华车，雷克萨斯ES、保时捷Macan、奔驰GLE，行驶100英里油费约为17.56美元；而电动车中保时捷Taycan、特斯拉Model X等，在家充电费用13.5美元。如果在外面充电，要花费17.81美元，和使用油车加油相当。

中端轿车和SUV，电动车以福特野马Mach-E、起亚EV6为例，油车以日产Altima或雪佛兰Equinox为例。 在家充电，这些车型每行驶100英里，花费约12.62美元；如果在加油站加油为11.08美元。

总的来看，不同于中国市场，美国电动车主充电的费用，并没有比油车便宜太多，而这的对比差距不明显，这或许也是电动车在美国推行缓慢的原因之一。

自快科技

5万多中国人研究发现：有这个习惯的人，不容易得癌症

Tue, 27 Jun 2023 15:29:24 CST

▎药明康德内容团队编辑

中国是名副其实的“ 癌症大国”。

世界卫生组织国际癌症研究机构（IARC）发布的全球癌症负担数据显示，2020年全球新发癌症 1929万例，导致 996万人死亡。

其中， 23.7%（457万）的新发癌症和 30.2%（300万）的癌症死亡发生在中国，肺癌是第一大“杀手”。

对于中国人来讲，该怎样降低患癌症，尤其是肺癌的风险呢？一项发表在 International Journal of Behavioral Nutrition and Physical Activity、涉及5万多名中国人的研究发现， 多进行身体活动与癌症风险降低有关，包括整体患癌、肺癌和结直肠癌。

来自江苏省疾病预防控制中心和南京医科大学等机构的研究人员，对中国慢性病前瞻性研究（CKB）的数据进行了分析，共纳入了 52938名30-79岁的参与者。参与者在加入研究时都没有患癌症，平均年龄是 52.1岁，58.0%为女性。

CKB项目由中国医学科学院与英国牛津大学联合在中国10个省（区）开展，共涉及51万余人，目的是从 遗传、环境和生活方式等多个环节深入研究 危害中国人群健康的各类重大慢性病的致病因素、发病机理及流行规律和趋势。

通过调查问卷，研究人员统计了参与者的身高、体重等 基本健康信息；新鲜蔬果、红肉等不同食物的食用量，婚姻状况，吸烟状态，饮酒量，身体活动量等 生活方式信息；癌症 家族史信息；以及随访期间 不同类型癌症的患病信息。

统计结果显示， 25.1%有癌症家族史；与身体活动量最少的1/4参与者相比， 身体活动量最多的1/4参与者，大多是男性和年轻人，他们也不容易发生超重或肥胖。

在长达 10年多的随访期间， 共新发癌 症3674例，其中胃癌794例、肺癌722例、结直肠癌458例、肝癌338例、乳腺癌250例、食管癌231例。

刨除其它因素影响后，研究人员发现 多进行身体活动与参与者癌症风险降低有关。

与身体活动量最少的1/4参与者相比， 身体活动量最多的1/4参与者：

整体患癌风险降低11%；
肺癌和结直肠癌患病风险分别降低25%和26%；
其它类型癌症风险也略有降低，但并不明显。

身体活动量每增加 15.2MET-小时/天，分别与整体患癌风险降低5%，以及肺癌和结直肠癌风险降低11%和14%相关。

研究结果还显示，身体活动量对参与者 整体患癌风险的影响，在 女性和不吸烟的参与者中更显著：

在 男性和女性中，分别与身体活动量最少的1/4参与者相比，身体活动量最多的1/4参与者， 整体患癌风险分别降低5%和8%。
在 从不吸烟和曾经吸烟的参与者中，分别与身体活动量最少的1/4参与者相比，身体活动量最多的1/4参与者， 整体患癌风险分别降低7%和5%。

研究人员分析，身体活动与癌症风险降低之间的关联可能与多种因素有关。

首先，较高的身体活动量 与较低水平的胰岛素样生长因子（IGF）-1、空腹血糖以及较高水平的胰岛素样生长因子结合蛋白（IGFBP）-3有关。这意味着 身体活动可以通过改善胰岛素敏感性和葡萄糖代谢来降低患癌风险。

其次，多项研究发现性激素与多种癌症的发生、发展有关。而较高的身体活动可以 通过增加性激素结合球蛋白（SHBG） 的水平来调节性激素水平，进而降低患癌风险。

第三，身体活动可能会 改变炎症细胞因子或脂肪因子（例如，C-反应蛋白、脂联素和白细胞介素-6），进而 降低全身炎症水平，这也有助于降低患癌风险。

此外，身体活动还可能通过 减少氧化应激、增加肺通气量、增加迷走神经张力、缩短肠道转运时间等，降低患癌风险。不过相关机制还没有明确，还需要更多研究探索。

需要注意的是，这项研究是观察性研究， 只是显示了身体活动量与癌症风险之间的关联，并没有表明因果关系。而且研究也存在一些局限性，如部分数据依赖参与者回忆等，可能也会对研究结果产生影响。

研究最后指出，近几十年来， 中国人的生活方式发生变化，久坐不动的人越来越多。据统计，有31.0%的中国人没有达到推荐的身体活动量，即每周至少150分钟的中等强度或至少75分钟的高强度身体活动，或者两者的等量结合。

癌症是导致中国人健康和寿命受损的主要原因之一。这项研究提示我们， 应增加身体活动量，以降低患癌风险。除此以外，多进行身体活动还有助于降低心血管疾病、糖尿病等疾病的发生、发展以及死亡风险。

根据IARC建议， 想要降低患癌风险，除了要多进行身体活动外，还应做到以下几方面：

不吸烟，不使用任何形式烟草。除了肺癌，吸烟还会增加17种不同类型癌症的风险，包括泌尿生殖系统癌症、头颈部癌症、消化系统癌症，以及造血系统癌症等。

远离二手烟。二手烟，是儿童、女性和不吸烟的成年人患肺癌的危险因素，里面含有超过4000种有害物质，比如焦油、尼古丁、苯丙芘、一氧化碳、甲醛等，其中很多都已经被证实是致癌物质。

保持健康体重。超重或肥胖、体内脂肪过多，可能会改变性激素（雌激素或睾丸激素）水平、导致胰岛素水平升高、引发炎症等，进而增加十多种癌症风险。

健康饮食。食物多样，谷类为主；多吃蔬果、奶类、大豆；适量吃坚果、鱼、禽、蛋和瘦肉；不吃加工肉类；限制红肉和肥肉；少盐少油，不喝或少喝含糖饮料。

不饮酒。酒精进入身体后，会产生有毒化学物质（1类致癌物乙醛），直接破坏细胞DNA和蛋白质；还会增加某些激素的水平，增加癌症风险。

保护皮肤免受紫外线照射。避免中午晒太阳；即使是多云天气，去户外时也要涂抹广谱防晒霜；外出时要穿好防晒装备；不使用室内紫外线日光浴设备。

减少环境致癌物暴露。避免接触砷、石棉、铅、辐射、苯和室外空气污染等。

母乳喂养和谨慎使用激素替代疗法。

接种疫苗和预防感染。全球近五分之一的癌症是由病毒、细菌等持续感染引起的，包括人乳头瘤病毒（HPV）、乙型肝炎病毒（HBV）、丙型肝炎病毒（HCV）和幽门螺杆菌。

进行癌症筛查。筛查可以在早期发现某些癌症，此时治疗更有效。对于一些癌症，也有癌前病变阶段，可以通过筛查早发现、早治疗，以防止癌症发展。

参考资料

[1] Jian Su,et al.,(2022). Association between physical activity and cancer risk among Chinese adults: a 10-year prospective study. International Journal of Behavioral Nutrition and Physical Activity,DOI: 10.1186/s12966-022-01390-1.

[2] Latest global cancer data: Cancer burden rises to 19.3 million new cases and 10.0 million cancer deaths in 2020. Retrieved Jun 20,2023,from https://www.iarc.fr/fr/news-events/latest-global-cancer-data-cancer-burden-rises-to-19-3-million-new-cases-and-10-0-million-cancer-deaths-in-2020/

[3] Find out more about the 12 ways recommendations. Retrieved Jun 20,2023,from https://cancer-code-europe.iarc.fr/index.php/en/ecac-12-ways

OpenAI重磅研究：ChatGPT可能影响80%工作岗位，收入越高影响越大

Wed, 22 Mar 2023 11:05:26 CST

ChatGPT 的影响涵盖所有收入阶层，且高收入工作可能面临更大的风险。

机器之心报道机器之心编辑部

ChatGPT 来了，失业还会远吗？上星期在 GPT-4 发布时，ChatGPT 第一时间上线了新版本，OpenAI 首席执行官 Sam Altman 表示他对自家这种技术“有点害怕”。

和很多专家一样，Altman 担心人工智能技术的强大能力会制造过多虚假信息，另一方面，新技术也将改变经济、劳动力和教育环境。

有人开玩笑说 Sam Altman 每天背着的同一个包，里面有紧急关停 AI 的红色按钮。
此前，AI 作画已经让很多画师开始担忧自己的工作会被取代。昨天，OpenAI 研究人员提交的一篇报告引发了人们更加热烈的讨论，研究人员估计 ChatGPT 和使用该程序构建的未来应用可能影响美国大约 19% 的工作岗位，和他们至少 50% 的工作任务。
与此同时，80% 的美国劳动力至少有 10% 的工作任务在某种程度上将受到 ChatGPT 的影响。
该研究分析表明，像 GPT-4 这样的 LLM（大型语言模型）的影响可能是无处不在的。此外，工资较高的工作 —— 可能需要执行许多基于软件的任务 —— 会面临更多来自人工智能聊天机器人的潜在影响。
在职业影响方面，受影响最大的职业包括翻译工作者、作家、记者、数学家、财务工作者、区块链工程师等。

该研究还按行业细分了 ChatGPT 的影响。数据处理托管、出版业等行业最有可能受到影响。相比之下，体力劳动较多的行业 —— 食品、林业、社会援助等受到的潜在影响最小。

OpenAI 研究了美国超过 1000 个职业，并给他们贴上了执行这些工作所需的各种任务的标签。然后，研究人员使用人工注释器和 GPT-4 模型来评估访问由 ChatGPT 驱动的系统是否会将人类执行特定任务所需的时间减少至少 50%。
让我们看看这项研究具体在干什么：

研究介绍
我们先看总结，OpenAI 本次调查了 GPT 模型和相关技术对美国劳动力市场的潜在影响。他们根据人员职业与 GPT 能力的对应程度来进行评估，研究结果表明，大约 80% 的美国劳动力至少有 10% 的工作任务会受到 GPT 的引入影响，而大约 19% 的员工可能会看到至少 50% 的工作任务受到影响。这种影响涵盖所有工资水平，高收入工作可能面临更大的风险。值得注意的是，这种影响不仅限于近期生产率增长较高的行业。
通过分析他们发现，像 GPT-4 这样的大型语言模型带来的影响可能是普遍的。随着时间的推移，LLM 的能力不断提高，即使现在研究人员停止对新模型能力的开发，但它们带来日益增长的经济效应也会持续增长。该研究还发现，如果考虑到互补技术的发展，LLM 的潜在影响将显著扩大。这也恰恰说明了 GPT 正变得越来越通用。
为了分析，该研究还提出了一个新的标准来理解 LLM 的能力及其对工作潜在影响，该标准用来衡量关于 GPT 任务的总暴露数。
看完结论，接下来就该介绍数据集了。该研究使用 O*NET 27.2 数据集 (O*NET, 2023)，该数据集包含 1016 个职业信息，表 1 提供了数据集示例，包含任务 ID、职位等。

此外，数据集还包括他们从美国劳工统计局获得的 2020 年 - 2021 年员工就业和工资数据。该数据集包括职业头衔、每种职业的工人数量等。
在方法上，该研究根据 exposure rubric 来展示结果，Exposure rubric 定义为访问 GPT 或 GPT 驱动的系统是否会将人类执行特定 DWA 或完成任务所需的时间减少至少 50%。（注：DWA 全称 Detailed Work Activities ，可以将其理解为完成任务所需要的动作，例如表 1，对于计算机系统工程师，其 DWA 包括监控电脑系统性能，确保正常运作。）

该研究对每个 O*NET 数据集的 DWA 和所有 O*NET 任务的子集获得人工注释，然后在任务和职业级别上汇总这些 DWA 和任务得分。为了确保这些注释的质量，该研究亲自标记了大量任务和 DWA 样本，并招募了经验丰富的人工注释者，他们在 OpenAI 的对齐工作中广泛审查了 GPT 输出。
下表为模型与人的一致性比较与皮尔逊相关系数。一致性分数是通过观察两组人在注释上达成一致的频率来确定的 (例如 E0, E1 或 E2)。在本文中，该研究使用 GPT-4, Rubric 1。

该研究为感兴趣的因变量构建了三个主要度量：(i) ，对应于上面 exposure rubric 中的 E1， (ii) ，是 E1 和 0.5*E2 的总和，以及 (iii) ，E1 和 E2 的总和。该研究在表 2 中总结了注释组和度量之间的一致性。

研究结果
OpenAI 的这项研究以 GPT 语言模型对经济具有普遍影响作为假设，我们来看一下具体的研究结果。
下表 3 是人类和 GPT-4 模型的总体 exposure 数据。其中，人类和 GPT-4 的数据表明平均 occupation-level 值介于 0.14 和 0.15 之间，这表明对于中等职业，大约 15% 的任务直接受到 GPT 影响。对于，这个数字增加到 30% 以上，对于，这个数字则超过 50%。

根据值，该研究估计 80% 的人属于至少一项工作任务受 GPT 影响的职业，而 19% 的人所处的职业有超过一半的工作任务被标记为受到 GPT 影响。

工资和就业
下图 3 描绘了 GPT 模型对经济的整体影响。

下图 4 描绘了工作薪资与对 GPT 等语言模型接触使用情况的关系。

然后，该研究又从不同的职业分类探究了 GPT 模型的影响，包括 ONET 数据库中的 5 个 Job Zone。其中，Job Zone 1 中的工作入职要求最低，Job Zone 5 则最高。

总体来说，OpenAI 这项研究发现，工作对科学方法和批判性思维的依赖程度与 LLM 接触使用情况呈负相关，而编程和写作技能与 LLM 接触使用呈正相关。
不过，该研究也承认：试图通过使用简单的标签来描述工作任务并代表每个职业，这种方法本身存在固有的偏见，并且可能忽略了一些特有的技能或任务。
当然，还有一个非常重要的问题是 GPT 模型目前仍存在很多缺陷，包括编造虚假信息，这使得人工监督工作成为必要。
大模型的广泛应用，或许意味着许多人将失去工作，但 OpenAI 首席执行官 Sam Altman 认为这也将是个找到更好工作的机会：“我们可以拥有更高的生活质量。同时，人们需要时间来更新、做出反应、习惯这项新技术。”

参考内容：https://www.cnbc.com/2023/03/20/openai-ceo-sam-altman-says-hes-a-little-bit-scared-of-ai.htmlhttps://www.pcmag.com/news/openai-chatgpt-could-disrupt-19-of-us-jobs-is-yours-on-the-list

研究称男性体力劳动者的精子数更多

Mon, 27 Feb 2023 18:02:22 CST

当今社会中，不孕不育是一个日益严重的问题，由多种复杂因素介导。大约 40% 的不孕不育案例根源在于男性精子数量、质量以及性功能等方面的问题。其中精子数量和质量被认为是男性不育率不断上升的主要驱动因素。旨在探讨环境化学物质暴露和不同生活方式如何影响生殖健康的大型研究——环境与生殖健康研究（EARTH）的一项分析发现，在 2000 年至 2017 年间接受不育治疗的男性中，精子数量与质量下降了 42% 之多。在最新研究中，研究人员分析了 377 名在生育中心寻求治疗的不育男性，发现与体力工作较少的男性相比，经常在工作中举起或移动重物的男性精子浓度高 46%、精子总数高 44%。进行更多体力活动的男性还具有较高水平的男性性激素睾酮以及雌激素。

[Science] 男性生育研究：全球男性精子数量下降的5个原因

Fri, 16 Dec 2022 09:39:50 CST

男性生育研究：全球男性精子数量下降的5个原因

毕尔纳斯（Andre Biernath）
BBC记者

2 小时前

图像来源，Getty Images

图像加注文字，

研究发现，过去50年里，男性在射精时的精子浓度下降了51%。

在过去50年里，男性在射精时射出的精子浓度下降了51%。

这是以色列耶路撒冷希伯来大学（Hebrew University of Jerusalem）和美国西奈山医学院（Mount Sinai School of Medicine）最近研究的主要结论之一。

这个研究团队计算出，在1970年代，男性每毫升精液中平均有1.01亿个生殖细胞。此后，这一数字下降到4900万。

除了数量之外，还有证据表明男性在配子（生殖细胞；gamete）的质量也在下降：在过去50年里，男性在射精时的精子浓度下降了51%。

“我们看到，最引人注目的事是精子运动的丧失，”巴西辅助生殖协会副主席、泌尿科医生拉达利（Moacir Rafael Radaelli）说。“缺乏这一运动属性，受精能力就会下降。”

这种持续下降的情况已经在公共卫生专业人员中敲响了警钟。

另一位巴西泌尿外科协会米蓝达医师（Eduardo Miranda）表示：“这令人担忧，因为我们看到这种恶化的速度在加快，我们真的不知道它将在哪里结束。”

此外，近年来，男性失去精子的速度也在增加。

根据在以色列和美国进行的研究，在1970年代和1990年代之间，配子的浓度每年下降1.16%。但是，从2000年代开始，下降比率上升到2.64%，等于是下降了了一倍多。

这是个全球性的现象。

科学家已经观察到所有男性配子都在减少。尽管在欧洲、非洲、中美洲和南美洲的数字更快。但这一现象的背后原因是什么呢？专家告诉BBC，至少有五个原因。好消息是，有办法扭转或减轻它们。

1. 肥胖症

可以证实的是，多余的体重会带来对精子有害的变化。

储存脂肪的组织的增长，也会释放出炎症物质，直接影响了睾丸激素（Testosterone 睾固酮），后者是生产男性配子的最重要激素之一。米蓝达医师解释，过重也会产生所谓的氧化压力，这是一个身体内各种细胞受到伤害的过程。他又强调，此外，肥胖的人在生殖器区域有更多的脂肪，这对精子来说是很糟糕的。

制造和储存生殖细胞的睾丸需要在低于人体温度1C到2C之间才能正常运作，这就是为什么阴囊在人体体外的原因。

但脂肪的增加使生殖器官升温，从而停止工作。

据世界卫生组织（WHO）计算，全球有39%的男性超重，11%的男性则有肥胖问题。这一统计数字有助于解释过去50年来精子比例的下降。

2. 药物滥用

酒精、烟草、电子烟、大麻、古柯碱、合成代谢类固醇……您知道所有这些药物的共同点是什么吗？它们都会影响雄性配子的健康。

“其中一些物质直接破坏产生精子的生殖细胞，”米蓝达医生总结道。

其他药物则间接地影响刺激睾丸运作的一些激素的产生。专家们最常提到的例子是通过药片、凝胶和注射剂来进行替代睾丸激素的治疗并不加选择地将其用作增加肌肉。

“这是一个近年来疯狂和可怕地增长的市场，”拉达利医生警告说。

他解释说，当这种激素无缘无故被替换时，身体被告知“不再需要生产生它”，结果甚至导致睾丸萎缩，或精液中的精子数量最终为零，这种情况称为无精症。

3.性病

由细菌引起的衣原体和淋病等疾病会导致附睾发炎。附睾与睾丸的顶部相连接，负责储存精子。在该部位发生任何问题都会对配子的生存构成风险。

WHO估计，仅在 2020 年，男性和女性就有 1.29 亿新的衣原体病例和 8200 万新的淋病病例。近几十年来，这一比率一直保持稳定或呈上升趋势。

拉达利医生在列表中添加了第三种病原体：人类乳突病毒，也称为 HPV。他说，众所周知，它还会影响精子的产生甚至 DNA。

4.膝上电脑

由于睾丸需要保持在比身体其他部位温度低 1 到 2 摄氏度之间，过去十年发表的研究表明，将笔记本放在膝盖上工作的习惯会给“配子工厂”带来额外风险。

那是因为设备的电池会变热——最终可能会“煮熟”了精子。

米蓝达指出，与高温有关的其他习惯也会对生殖造成风险——例如长时间的热水浴或桑拿。

然后是技术——医生列举了电磁波、电话信号甚至无线互联网可能带来的负面影响。他说，“在实验室进行的实验研究中，wi-fi 和电磁波等因素会影响精子，但仍然无法确定这些技术是否真的会损害这些细胞。”

5.内分泌干扰物

最后，专家们提请注意一系列通常称为内分泌干扰物的有毒化合物。

该清单包括在大气中检测到的污染物，以及塑料和杀虫剂。

它们的分子结构与我们体内的激素非常相似，因此能够适应细胞受体并触发“不再需要生产激素”的过程。在最近的研究中，发现其中一个过程似乎会影响男性的生育能力。

“但我们仍然不确定这个问题的严重程度，并且正在进行许多研究来确定这一点，”拉达利说。

未来情况

除了精子数量下降背后的环境和行为因素外，还有两个内在问题也导致了这种现象。

其中第一个是遗传学。据估计，有 10% 到 30% 的生育困难案例与男性 DNA 的问题有关。

第二个原因与衰老，以及男性晚育这一事实有关。

“我们知道生育能力在整个生命过程中都会下降。虽然男性的下降不如女性明显，但对于配子的制造很重要的激素却在减少，”拉达利解释道。

不过，如果我们考虑到精子数量在 50 年内下降了 51%，并且在过去二十年中这种情况发生的速度加快了，那么这个数字会越来越接近零吗？

如果这种下降速度真的继续保持目前的水平，到 2050 年，精液中的生殖细胞浓度将几乎为零。

但米蓝达医生并不认为这种世界末日的情景会成为现实。

“趋势是情况变得更糟，但在某个时候这个过程将停滞，我们将达到一个境地，也许在新技术的帮助下可以改上情况”他预测。

该怎么办？

想要孩子的男性可以通过改变生活方式来扭转对睾丸造成的任何伤害，从而增加成功的机会。

例如，他们可以通过均衡饮食和规律的体育锻炼来减轻体重，并完全减少或戒除酒精、香烟和其他药物。

如果为了刺激与非固定性伴发生关系并且也没有怀孕的打算，那么使用避孕套以避免感染如衣原体和淋病是值得的。在青春期早期接种 HPV 疫苗的人也能更好地免受病毒对身体造成的影响。

如果即使改变了所有这些生活方式，生育孩子的困难仍然存在，那么就建议去看医生。

医学指南认为，寻求专家帮助的时间取决于女性伴侣的年龄。

米蓝达医生解释：““如果女性未满 35 岁，这对夫妇应该尝试在一年间受孕，每周定期性交大约 3 次，并监测生育期。”

但是，如果伴侣超过 35 岁，而且超过 6 个月的受孕仍无法怀孕，应该是个警告信号了。

这是因为那个年龄段的卵子储备开始下降得更快——米蓝达说， 12 个月后才想找到答案可能是浪费了关键的时间。

“为发现可能的原因并找出最佳治疗方法，相关夫妇的参与是必要的，”拉达利解释。

若问题出在男性身上，专家通常会开出富含抗氧化剂的维生素补充剂，以帮助保护睾丸。或可能还需要通过补充剂来调节荷尔蒙。

米兰达则告诉BBC，当然，有可能通过药物和手术治疗一些导致问题的疾病。

譬如“细菌感染可以用抗生素治疗，生殖系统的解剖学缺陷可以通过外科手术治疗，”他总结道。

作为最后的手段，这对夫妇可以使用辅助生殖技术，例如体外人工受精（vitro fertilisation ）。

这类食物有多诱人，就有多危险！最新研究：这些食品正在损伤你的肝脏

Tue, 18 Oct 2022 15:06:35 CST

近日，“科技与狠活”、“海克斯科技”频频冲上热搜，很多网友一边调侃自己吃过多少种满满“科技与狠活”的食品，一边表示“无法抗拒、快乐加倍”，并流下了不争气的口水……

薯片配肉脯，辣条和雪糕，再来一杯肥宅快乐水……这些令我们魂牵梦绕的食物，在NOVA食品分类系统里有一个共同的名字：超加工食品（Ultra-processed foods,UPF)。

超加工食品是指使用一系列工业配方，在已经加工过的基础上再加工的食品，通常含有多种添加剂，且在家中一般无法直接制成。除我们熟知的“垃圾食品”外，生活中一些看似健康的深加工食品，其实也属于超加工食品，如巧克力、早餐麦片、即食披萨、包装好的饼干等。

事物往往具有两面性，享受便捷与愉悦的同时，也正如温水煮青蛙般，一点一点腐蚀着我们的健康，最终深深沦陷。目前已有研究证实，超加工食品（以下简称UPF）的摄入与肥胖、心血管疾病、糖尿病、肾功能障碍、癌症等有直接关系，但是UPF在其他方面的影响尚未充分评估。

近日，营养学领域知名期刊发表了一篇题为Does Consumption of Ultra-Processed Foods Matter for Liver Health? Prospective Analysis among Older Adults with Metabolic Syndrome 的研究论文，为“UPF高摄入量与非酒精性脂肪性肝病（Non-alcoholic fatty liver disease，NAFLD）的发生紧密相关”这一论点再添有力佐证。

在这项来自西班牙的大型前瞻性队列研究中，对PREDIMED-Plus试验中的5,867名患有超重/肥胖和代谢综合征 (MetS) 的老年参与者进行为期1年的随访。由有经验的营养师分别于实验开始的0，6，12个月进行数据收集，使用半定量食物频率问卷(FFQ)进行饮食习惯和营养摄入的评估，并使用专门为西班牙人设计的食物成分表用来计算包括钠、胆固醇、饱和/反式脂肪酸、纤维素、酒精等营养成分的摄入以及总能量的摄入。

需要说明的是，本研究根据NOVA系统（巴西圣保罗大学开发）将食物频率问卷中的143种食物和饮料分为4组：1）未加工或轻加工食物；2）加工的烹饪配料；3）加工食品；4）超加工食品。

脂肪肝指数（fatty liver index, FLI）和 肝脂肪变性指数（hepatic steatosis index, HSI） 是诊断非酒精性脂肪性肝病（ NAFLD ）的评估指标，有较高的特异性和敏感性。FLI和HSI的计算是基于对BMI、腰围、血清甘油三酯、GGT、AST/ALT、2型糖尿病程度和性别等因素的分析。将FLI≥60或HSI≥36的定义为NAFLD。

FLI和HIS计算公式

实验开始时，根据UPF的消耗量的多少将参与者分为5组。与UPF消耗最低组（Q1）相比，消耗最高组（Q5）参与者的年龄更小，生活方式不健康，久坐时间、能量摄入、饱和/反式脂肪酸、胆固醇、糖摄入、BMI、腰围都较高，纤维素和酒精的摄入较低，对地中海饮食的坚持度较差。另外，Q5组的ALT/AST、甘油三酯、NAFLD指标（FLI和HSI）都表现出更高的水平。（注：UPF消耗百分比的计算方法为：每天摄入的UPF食物克数除以每天摄入的所有食物总克数，再乘以100。）

实验初期结果显示，在超加工食品中，受试者们对甜品、非酒精性饮料、加工过的肉类最为青睐。

不同食物组在受试者饮食中UPF消耗量的相对贡献比值

在随访过程中发现，随着时间的变化，所有参与者对未加工或轻加工食品的消耗增加，加工程度较高的食品消耗减少，其中原因可能是由于向参与者进行了地中海饮食的推荐。

对UPF消耗量与NAFLD指标之间的关系分析表明，UPF的每日消耗量增加10%，FLI和HSI即可发生显著的增高！为了消除包括饮食的营养质量、BMI和腰围等其他因素的影响，研究者对分析进行了进一步校正，最终结果表明UPF消耗量与NAFLD指标变化具有统计学意义上的显著相关性。

UPF消耗量与NAFLD指标之间的关系

通过中介效应分析，研究者发现在营养因素方面，地中海饮食的坚持度对FLI和HSI的影响最大，分别占58%和43%，而钠摄入、胆固醇摄入和总能量的摄入对二者几乎没有影响。在NAFLD相关生物指标方面，BMI和腰围对FLI和HSI的影响较大。这一发现为NAFLD的诊疗提供了新的见解。

UPF组分的变化对NAFLD指标的影响

综上所述，本研究结果与中国TCLSIH前瞻性队列研究的结果一致，更加确信了大量摄入UPF对NAFLD疾病发展有不可磨灭的作用。

那么，为什么食用超加工食品会对肝脏有如此大的影响呢？

基于此，研究者提出了几种潜在的作用机制，包括UPF的营养特性较差（饱和脂肪酸和反式脂肪酸含量高、膳食纤维含量低等）、使用的添加剂对肝脏有害、取代健康食品摄入进而间接导致肝脏脂质过度积累等，均可能是造成食用者“肝肠寸断”的原因。

近年来，越来越多食品加工和健康风险暴露在大众面前，本研究为膳食建议和食品政策的制定提供了新的证据。目前，NAFLD的治疗方式选择方面仍存在一定的争议，本文进一步表明了饮食调整在NAFLD管理中的重要性，可考虑减少UPF的食用，而倾向于食用新鲜或最少加工的食品，作为NAFLD的有效预防和治疗策略。

身体的运转如同一台机器，保养非一日之功，损害非一日之寒。长期大量食用超加工食品，可能享受了一时之爽，但着实是给身体埋下了实实在在的隐患，简直是「吾视为蜜糖，彼实为砒霜」啊！

但需要特别说明的是，食品加工技术并不总是负面的，它可以为我们带来更长的保质期和更赞的舌尖享受，只要我们谨记适度原则，在力所能及的范围内减少摄入，便能保护我们的健康之树不被“虫蛀”！

参考来源：

Jadwiga Konieczna, et al. Does Consumption of Ultra-Processed Foods Matter for Liver Health? Prospective Analysis among Older Adults with Metabolic Syndrome. nutrients.2022

来自：生物谷

中科院出了份70多页的报告居然是为了研究游戏？

Sat, 23 Jul 2022 00:34:50 CST

一谈到科学家，大伙们会想到什么？是高深的核物理，是神秘的量子通讯，还是遥远的深空宇宙，差不多是直接过了一遍《生活大爆炸》的片头了。然而，最近中科院有个团队却打破了我对科学家的固有“ 正经 ”印象。因为他们的研究对象，竟然不再是那些高深的课题。反而是看似有些“ 不大正经 ”的 —— 游戏。

不过，学霸们盘起游戏和普通人还是不一样的。

在咱们疯狂掉分的时候，他们就专门整出了一份正式的研究报告，而且首次提出了“ 游戏技术 ”的定义。

通过这报告，我也才知道，游戏不仅仅是个玩物，特别是游戏背后的技术，早就成了科学家等专业人士们的正经的研究对象。

怀着不可抵挡的好奇心，差评君也去扒了扒这个报告背后的研究团队，大概整明白了这份这报告，还有人工智能专家眼中的游戏技术到底是怎么一回事儿。

首先和差评君一样，大伙可能会好奇，为啥他们会在这个时间点出了一份游戏技术的报告？

难不成是因为最近爆火的元宇宙？或者最近发了什么我不知道的 3A 大作？

但事实证明，我还是太年轻了，因为并没啥新游戏发布，也并不是想蹭元宇宙的热点。

也对，有时候，差评君觉得，元宇宙像是个筐，啥都能往里面装，反而真正的技术，没多少人关注了。

相反，“ 变化 ”才是这份报告诞生的真正原因。

因为科学家们发现，这些年数字世界和物理世界走向交融共生的变化，在人类历史上从来都没有过的。

好巧不巧，游戏引擎、AI、AR、VR 等等的游戏技术，正是实现数实融合、虚实交互的重要工具。

这样的背景下，关注一波、重视一波、分析一波游戏技术，很合理也很必要吧。

说到这，对于不大了解游戏的差友们来说，多半就有疑问了。

游戏就游戏呗，不就是用来玩的，为啥要加个技术呢？

而要想知道到底啥是“ 游戏技术 ”，就不得不要从电子游戏本身的发展史讲起了。

说起来你们可能不信，电子游戏从一开始，其实是科学研究的副产品。

因为“ 人工智能之父 ”图灵在 1948 年，就觉得游戏能让计算机秀一波“ 思维 ”能力，

祖师爷甚至还写下了历史上第一行电子游戏代码（国际象棋程序），只不过当时的计算机还无法运行。。

所以电子游戏的诞生，就是计算机科学与人工智能的研究过程中的一次有趣意外。

而到了上世纪五六十年代，随着一个在示波器上运行的网球对战游戏《 Tennis for Two 》，和空战游戏《 Space War！》等冒出来。

大伙们发现，电子游戏这玩意除了搞实验，本身也还挺有趣的。

只不过因为在那古早年代，计算机还是个稀罕玩意儿，所以这些电子游戏只在大学实验室和计算机科学家之间流行。。。

但电子游戏的趣味体验，让不少人看到了背后的商业价值。

于是乎，为了把游戏卖到千家万户，各式专业的电子游戏机就渐渐被发明了出来。

像是 Magnavox 生产的 Magnavox Odyssey，雅达利整出的街机 Obyssey 、AtariVCS等等。

《 Computer Space 》《 Pong 》等游戏因此风靡一时。

其中名气比较大的《 Pong 》就是个乒乓球游戏，游戏画面在现在看来，多少有些简陋了。

但在当时，却需要很大一台机子来运行。

总而言之，这些商业化尝试，标志着电子游戏走出了实验室，成长成了一个独立的数字文化产业。

而和电子游戏一同演进的，还有背后的游戏技术。

因为为了让游戏越来越好玩、场景越来越逼真，游戏圈儿的人越来越卷。

像是游戏引擎、动作捕捉、游戏 AI、VR/AR 技术等等被玩出了花。。。一棵和游戏产业相关的科技树被越点越长。

以至于不得不专门给它们立个牌分个类，游戏技术，就这么成了一个值得深入研究的，独立的新技术集群。

报告对“ 游戏技术 ”的定义便是：在电子游戏中首次实现规模化应用，以丰富和提升人的交互体验为主要目标的技术集群。

那么问题就来了，既然游戏技术这么有说法，为啥这选题，偏偏会落到中科院这个团队的头上呢？

经过差评君的一番打探，才得知写报告的他们，妥妥地是和游戏“ 门当户对 ”。

就拿团队里的刘毅老师举例子，江湖传言，他就是个标准的游戏迷。

从当年的游戏启蒙红白机，再到如今的王者荣耀等手游一个不落，还有电脑上永远不删的三国志，仿佛是一个老派 Gamer 最后的倔强。

当然爱打游戏顶多是个加分项，身为研究人员的他们，更看重的是游戏技术的发展和背后的价值。

比如说团队里的王彦雨老师，他本身就是研究 AI 方面的专家。

而游戏及游戏技术的发展，是从 AI 研究开始的。

除了图灵的故事之外，“ 机器学习之父 ”塞缪尔，就是在研究跳棋游戏的时候，捯饬出了一篇名叫

做“ 使用跳棋游戏进行机器学习的一些研究 ”的论文。

这也是“ 机器学习 ”这个词儿，第一次被提出来。

另外，香农在研究双人棋类对弈时，提出了“ 极大极小搜索算法 ”，约翰·麦肯锡为了减少棋类游戏的搜索量，又发明了 alpha-beta 修剪法。

一位位祖师爷级别的大拿，为了提升博弈游戏的性能，不断地研发出一个个专有技术。

早期的 AI 就这样发起了芽儿。

之后伴着电子游戏的流行，游戏技术也跳出实验室，开始推动其他行业的发展。

大伙身边不少看得见摸得着的东西，其实已经被游戏技术悄悄改变了。

其中游戏引擎与显卡技术，便是一个很典型的例子。

玩家们想看到更牛掰的游戏画面，但总得有技术支持不是？

在上世纪末，压力就这么来到了游戏开发者和硬件厂商的头上。

而游戏引擎和 3D 显卡的出现，让画面更加震撼的 3D 游戏普及了开。

像是 Doom 和它的 Doom 引擎、雷神之锤和它的 Quake 引擎，就成了第一批 3D 吃螃蟹的人。

为了让画面能显示出来，硬件厂商不甘示弱，以 Voodoo 为代表的 3D 显卡们在市场上如雨后春笋一样冒出来。。

这游戏引擎对硬件要求这么高，咱们显卡行业得跟上啊！

这显卡性能这么爆炸，我们搞游戏引擎的不得物尽其用，榨出显卡的极限？

在之后的时间里，游戏引擎和显卡就这样你推着我，我载着，互相推动着技术进步。

而到如今，游戏引擎也早就卷出了游戏这个圈子，在影视行业，人们可以告别绿幕和抠图，直接用游戏引擎来搭特效。

反正差评君再看虚幻五引擎的 Demo 时，多少已经有点分不清真实和虚拟了。

同样因为有接近现实的物理引擎，一些自动驾驶 AI 省去了些实地的操练，选择在游戏引擎搭建的场景里不断“ 打怪练级 ”，来完善自个儿的驾驶技巧。

游戏引擎的好搭档，也就是显卡也不断迭代，除了打游戏之外，现在的 GPU 还被广泛用在深度学习、通用计算等领域。

而 GPU 芯片，如今也成了衡量一个国家芯片水平强弱的重要标志。

不得不说，有些技术进步还真就是这么“ 玩 ”出来的。

报告中游戏技术贡献率的描述▼

AR 和 VR 这类的技术也一样，其实早在 20 多年前的 1995 年，任天堂就推出过一款名叫 Virtual Boy 的 VR 设备。

只不过因为单眼分辨率只有 384x224，颗粒感非常严重，只支持红黑两色显示。。。

拉胯的体验，直接劝退了其他想入局的厂商。

直到 2012 年 Oculus Rift 和谷歌眼镜的问世，VR/AR 的概念才重新回到大家的视野面前。

大伙们觉得好像是时候了，技术的进步让体验完全不一样了。

2016 年《宝可梦GO 》，更是掀起的那一波 VR/AR 狂潮。

可以说游戏，在一定程度上推动了 VR/AR 的普及，带动了它们的发展。

就拿 VR 的数据为例，有个名叫 Omdia 的机构就出了报告，发现 89% 的 VR 付费用户，都把钱花在了游戏内容上。

中科院团队的报告也估算，游戏技术对 VR/AR 的科技贡献率为 71.6% 。

反正即使是现在，编辑部同事们也常常会戴起设备，在公司来两盘《节奏光剑》再下班回家。

说个题外话，这游戏差评君自己也玩得贼溜。

另外， VR/AR 这类的游戏技术，其实也开始在医疗和教育领域展开应用。

“ 南非处在非洲大陆南部，以地中海气候位置，同学们带上设备，咱们去现场看看吧！”差评君已经能想象到未来的课堂，会是什么样子了。

当然，作为梦开始的快乐老家，游戏技术在如今，也还一直在推动 AI 产业的发展。

在 2015 年 DeepMind 就基于经典的 Atari 2600 游戏，证明了通用人工神经网络具有可实现性。

几年之后， OpenAI 又使用独立的 LSTM网络，用游戏《 Dota 2 》来训练 AI，并证明了“强化学习可以形成大规模且可实现的长期规划。”

有新算法、新理论，大伙们已经默认来游戏里试试深浅了。

没想到游戏从 AI 研究的副产品，摇身一变成了 AI 研究的关键平台。

在最后呢，中科院团队的这份报告还谈到了游戏技术的未来。

啃完这四万多字的报告我才发现，科学家们所讨论所思考的东西，格局是真的大。

因为他们是站在人类社会变革的角度看这个问题的。

人类社会的数字化进程从 1946 年计算机的问世开始的。

随着计算能力、关键相关技术的发展，还有互联网的普及，数字世界和真实世界的边界越来越模糊。

24 小时不断线的 AI 虚拟老师、足不出户就可以云游世界、未来地理距离、国别、性别、语言、受教育程度等等都不再是交互的限制。

所以，教育、医疗、甚至是老百姓的工作和工业生产，都可能被游戏技术改变。

这种社会系统的变化，和当年的农业革命、工业革命、信息革命出奇的像，一场大变革可能正在来临。

而差评君也觉得，从当年的 AI 研究时的一个小意外，到如今作为数实交互领域的老前辈。。。

多少有点无心插柳柳成荫的意思了。

但游戏这个培养皿不断在数字时代造血，培养出了游戏引擎、 AI 、VR/AR 等游戏技术。

如今这些技术，也成了架在虚拟和现实之间的桥，值得咱们多去关注和研究。

而在未来，差评君也觉得会有更多的新玩意儿孕育在其中。

因为游戏产业就像是科技界的黄埔军校一样，桃李满天下。

而下一批优等生可能正在操练迭代，说不定不久之后，它们又要掀起一片天了。

资料来源：

中科院研究团队，《游戏技术—— 数实融合进程中的技术新集群》

58安居客房产研究院：2022年4月全国二手房市场报告

Wed, 11 May 2022 10:27:17 CST

一、全国二手房相关政策解读

1. 全国性政策

l2022.4.15

央行决定于 4 月 25 日降准 0.25 个百分点

中国人民银行决定于 2022 年 4 月 25 日下调金融机构存款准备金率 0.25 个百分点，此次降准共计释放长期资金约 5300 亿元。

点评：降准主要体现了金融市场的货币宽松的信号，有利于长期资金进入房地产市场。在货币供应充足的情况之下，银行放贷的意愿也会更加强烈，尤其是当前整体经济环境相对较差的情况之下，对银行而言个人住房贷款依旧是十分优质的资产，那么会有更多的资金进入房地产市场，并且也会利好房贷利率的下调，减轻购房成本从而促进交易。

l2022.4.24

国家税务总局等三部门：规范涉税中介服务行为促进行业健康发展

近日，国家税务总局、国家互联网信息办公室、国家市场监督管理总局联合印发了《关于规范涉税中介服务行为促进涉税中介行业健康发展的通知》。《通知》进一步规范涉税中介服务行为，促进涉税中介行业规范有序、健康发展，为市场主体发展营造公平法治的环境，保障国家税收利益和纳税人缴费人合法权益。

点评：对于二手房交易过程中，税和费对于购房者而言都是占比相对较高的成本，部分房产中介经纪人为了促成买卖双方的交易行为，会帮助买卖双方通过一些合法或者非法的手段规避或者逃避正常的交税行为。因此，该通知主要的目的是为了中介和买卖双方串通部分政府征税人员进行非法的逃税行为，保障国家税收利益。

2. 地方性政策

l上海 –2022.4.8

受疫情影响人员 3-4 月公积金贷款不作逾期处理

4 月 8 日，上海公积金发布关于实施受疫情影响公积金贷款不作逾期处理有关措施和 4 月提取还贷计划安排的通知。对因感染新冠肺炎住院治疗或隔离人员、疫情防控需要隔离观察人员、参加疫情防控工作人员和受疫情影响暂时失去收入来源人员，3-4 月期间不能正常归还住房公积金贷款的不作逾期处理。

点评：上海市由于受到疫情的影响，生活和生产都受到极大的影响，部分购房者甚至已经失去正常的收入来源，此次公积金中心公布了公积金贷款不作逾期的处理政策，首先起到了缓解贷款者在收入无法获取的情况之下的还贷压力，其次也是起到了示范作用，能够促使市场上其他商业银行能够跟进这项政策，在疫情期间全面执行房贷不预期的处理。

l北京 –2022.4.13

这类家庭北京租房可免中介费

北京房地产中介行业协会发布《关于减免市场租房补贴领取家庭租房佣金的倡议书》，对于经住房保障管理部门审核认定，取得市场租房补贴资格的家庭，通过倡议响应机构新承租住房的，凭 “北京市市场租房补贴发放通知单” 等证明可减免租房佣金。

点评：房地产经纪企业全面响应政府减免租房租金的相关政策，也体现出房地产中介承担社会责任的重要表现。在当前房地产市场相对低迷的环境之下，多数中介经纪人会通过租赁业务来保证自身正常的经纪业务，也是保证自己收入的重要途径之一，那么在如此困难的环境之下，经纪企业还能够秉承的社会责任，减免低收入家庭租房的佣金，也是难得可贵的行为。

l苏州 –2022.4.11

二手房限售由 5 年降为 3 年今日起实行

市场消息称，苏州二手房限售政策迎来重大调整，由原来的 5 年变成 3 年。此前的限售区域全部执行，即姑苏区、吴中区、相城区、吴江区、高新区、工业园区。县市方面，张家港市商品房（含二手房）依然需要满 2 年才可交易；而昆山、太仓、常熟等不限售。　与此同时，限购政策也做出相应调整。非户籍居民家庭在苏州市区、昆山市、太仓市范围内申请购买第 1 套住宅时，社保年限要求从原来的 3 年内连续缴纳 2 年社保调整至累计 2 年社保。

点评：苏州市二手房限售时间由原先的 5 年调整到当前的 3 年，表明了政府对市场调控放松的重要措施之一，也体现出苏州市房地产市场相对进入比较困难的时间。对于二手房限售时间的缩短，对于二手房和新房市场都是利好，实际上我们也看到了此类政策调整是相对具有较大的随意性，因此此类收紧的调控政策影响最大的就是一年左右时间，一旦市场出现复苏，购房者对此类政策肯定不会过多的进行关注。

二、全国 65 城二手房市场

58安居客房产研究院研究总监陆骑麟认为：4 月全国二手房市场依旧处于相对低点，不论是在架房源量还是新增房源量都出现了一定的回落，还有就是购房需求热度也出现了小幅的回落，这与当前各地相对严重的疫情相关，如上海和周边城市受到疫情的影响所有二手房的指标均出现大幅回落，因此，当前二手房市场依旧处于筑底阶段，整体市场回暖尚需时日，目前政策环境已经完全转向并处于落地阶段，一旦疫情结束就意味着市场开始回暖。

1．全国 65 城在架房源量

据 58 安居客房产研究院统计数据显示：2022 年 4 月，全国 65 城二手房在架房源量环比下跌 6.7%，二手房挂牌量已连续 12 个月出现下滑，不过挂牌量下滑幅度相比上月略有降低。从区域市场来看，长三角和东北区域部分城市房源量下滑幅度相对较大，相对严重的疫情是影响这些区域在架房源量的主要因素。

2．全国 65 城房源在架时长

2022 年 4 月，全国 65 城二手房在架时长为 62.73 天，环比减少 2.8%，二手房房源在架市场持续回落。整体楼市环境受到政策的放松在逐步改善，郑州、广州、重庆、深圳等区域在架市场降幅会相对较大，不过如上海、昆山、沈阳的二手房在架市场却出现明显的上涨。

3．全国 65 城供需分析

2022 年 4 月，全国 65 城二手房新增上架房源环比减少 18.7%，城市二手房购房需求热度环比小幅下跌 2.4%。三四线城市新增上架房源减幅相对较大，而上海也出现大幅回落，主要是受到疫情的影响，其购房需求热度也在疫情影响之下出现明显回落。

4．全国 65 城二手房挂牌均价走势

2022 年 4 月，全国 65 城二手房挂牌均价为 16903 元 / 平方米，环比下跌 0.10%。二手房挂牌均价出现下跌的城市多为三四线成交，可见三四线城市二手房市场依旧并不景气，不过从四个一线城市二手房挂牌均价来看全部出现上涨。

5．全国 65 城二手房房价地图

三、热点城市二手房市场分析

1．一线城市二手房市场（北京、上海、广州、深圳）

58安居客房产研究院研究总监陆骑麟认为：从分城市来看，上海受到疫情的影响，多数指标都出现明显的回落；深圳 4 月的二手房指标表现好于其他城市，预计此次二手房市场回暖深圳又将成为 “带头大哥”。

1.1 一线城市二手房在架房源量

据 58 安居客房产研究院统计数据显示：2022 年 4 月，四个一线城市中深圳和广州的二手房在架房源量出现上涨，其中深圳大幅上涨 17.4%，这与城市二手房系统相对完善相关，并且城市的二手房市场市场也出现了明显的回暖。上海由于疫情的原因在架房源量出现大跌 12.26%。

1.2 一线城市二手房在架时长

2022 年 4 月，四个一线城市二手房在架时长仅有上海受到疫情的影响出现上涨，涨幅为 17.9%，其他三个城市都出现了不同幅度的下跌，广州和深圳的跌幅相对较大，可以预见当前二手房时长的回暖依旧以广深为先。

1.3 一线城市二手房供求关系

2022 年 4 月，四个一线城市中深圳二手房市场供求比出现明显提升，主要是城市二手房市场回暖，房东卖房意愿增加，其中新增上涨房源出现 14% 的上涨，而城市购房需求热度并为出现回落，直接促成供求比上升。北京和上海的供求比出现回落。

1.4 一线城市二手房挂牌价格走势

2022 年 4 月，四个一线城市二手房在架房源挂牌均价全部出现上涨，其中深圳的涨幅最大，为 0.9%，其二手房挂牌均价接近北京。

2．热点城市二手房市场（重庆、成都、合肥、南京、沈阳、天津、福州、昆明）

2.1 热点城市二手房在架房源量

据 58 安居客房产研究院统计数据显示：2022 年 4 月，天津和城市的二手房在架房源出现上涨，涨幅分别是 4.3% 和 0.4%，其他城市都出现了不同幅度的回落，其中沈阳的回落幅度相对最大，其跌幅为 23.4%。

2.2 热点城市二手房在架时长

2022 年 4 月，其他热点城市中，沈阳的二手房在架时长出现明显上涨，涨幅为 16.0%，达到 82.04 天，成为近两年以来的最高点，南京出现小幅上涨。而其他城市都出现了不同幅度的回落，合肥，昆明、天津都出现 8% 左右的较大回落。

2.3 热点城市二手房供求关系

2022 年 4 月，仅有天津的二手房供求关系出现出现小幅上涨，其他城市的均出现了不同幅度的回落，其中沈阳的回落幅度相对最大，为 34%，主要是城市的新增供应出现大幅回落相关，其次南京和福州，为 23% 和 22%。

2.4 热点城市二手房挂牌均价走势

2022 年 4 月，其他热点 8 城二手房挂牌均价环比上涨城市有 2 个，分别是成都和沈阳，其他城市出现了不同幅度的回落，跌幅最大的城市为重庆和南京，都出现了 1.1% 的跌幅。

四、全国 65 城二手房挂牌价同比涨幅城市排行榜

Uber工程师对真实世界并发问题的研究

Thu, 07 Apr 2022 08:16:19 CST

今天Uber工程师放出一篇论文(A Study of Real-World Data Races in Golang]( https://arxiv.org/abs/2204.00764))，作者是Uber的工程师Milind Chabbi和Murali Krishna Ramanathan，他们负责使用Go内建的data race detector在Uber内的落地，经过6个多月的研究分析，他们将data race detector成功落地，并基于对多个项目的分析，得出了一些有趣的结论。

我们知道，Go是Uber公司的主打编程语言。他们对Uber的2100个不同的微服务，4600万行Go代码的分析，发现了超过2000个的有数据竞争的bug, 修复了其中的1000多个，剩余的正在分析修复中。

谈起真实世界中的Go并发Bug,其实2019年我们华人学者的 Understanding Real-World Concurrency Bugs in Go论文可以说是开山之作，首次全面系统地分析了几个流行的大型Go项目的并发bug。今天谈的这一篇呢，是Uber工程师针对Uber的众多的Go代码做的分析。我猜他们可能是类似国内工程效能部的同学，所以这篇论文有一半的篇幅介绍Go data race detector是怎么落地的，这个我们就不详细讲了，这篇论文的另一半是基于对data race的分析，罗列出了常见的出现data race的场景，对我们Gopher同学来说，很有学习的意义，所以我晚上好好拜读了一下这篇论文，做一总结和摘要。

作为一个大厂，肯定不止一种开发语言，作者对Uber线上个编程语言(go、java、nodejs、python)进行分析，可以看到：

相比较Java，在Go语言中会更多的使用并发处理
同一个进程中，nodejs平均会启动16个线程，python会启动16-32个线程，java进程一般启动128-1024个线程，10%的Java程序启动4096个线程，7%的java程序启动8192个线程。Go程序一般启动1024-4096个goroutine,6%的Go程序启动8192个goroutine(原文是8102，我认为是一个笔误)，最大13万个。

可以看到Go程序会比其它语言有更多的并发单元，更多的并发单元意味着存在着更多的并发bug。Uber代码库中都有哪些类的并发bug呢？

下面的介绍会很多的使用数据竞争概念(data race)，它是并发编程中常见的概念，有数据竞争，意味着有多个并发单元对同一个数据资源有并发的读写，至少有一个写，有可能会导致并发问题。

透明地引用捕获 (Transparent Capture-by-Reference)

直接翻译过来你可能觉得不知所云。Transparent是指没有显示的声明或者定义，就直接引用某些变量，很容易导致数据竞争。通过例子更容易理解。这是一大类，我们分成小类逐一介绍。

循环变量的捕获

不得不说，这也是我最常犯的错误。虽然明明知道会有这样的问题，但是在开发的过程中，总是无意的犯这样的错误。

     for _ , job := range jobs {
      go func () {
        ProcessJob ( job )
      }()
      } // end for

比如这个简单的例子,job是索引变量，循环中启动了一个goroutine处理这个job。job变量就透明地被这个goroutine引用。

循环变量是唯一的，意味着启动的这个goroutine,有可能处理的都是同一个job,而并不是期望的没有一个job。

这个例子还很明显，有时候循环体内特别复杂，可能并不像这个例子那么容易发现。

err变量被捕获

Go允许返回值赋值给多个变量，通常其中一个变量是error。 x, err := m, n意味着声明和定义left hand side(LHS)变量，如果变量还没有声明过的话，那就是定义了一个新的变量，但是如果变量已声明过得话，那就是对已有变量的重新赋值。

下面这个例子，y,z的赋值时，会对同一个err进行写操作，也可能会导致数据竞争，产生并发问题。

     x , err := Foo ()
     if err != nil {
     ...
     }
     
     go func () {
      y , err := Bar ()
       if err != nil {
       ...
       }
     }()
     
     z , err := Baz ()
     if err != nil {
     ...
     }

捕获命名的返回值

下面这个例子定义了一个命名的返回值 result。可以看到 ... = result（读操作）和 return 20 (写操作)有数据竞争的问题，虽然 return 20你并没有看到对result的赋值。

     func NamedReturnCallee () ( result int) {
       result = 10
       if ... {
         return // this has the effect of " return 10"
       }
       go func () {
        ... = result // read result
       }()
       return 20 // this is equivalent to result =20
     }
     
     func Caller () {
      retVal := NamedReturnCallee ()
     }

defer也会有类似的效果,下面这段代码对err有数据竞争问题。

      func Redeem ( request Entity ) ( resp Response , err error )
     {
      defer func () {
       resp , err = c . Foo ( request , err )
      }()
      err = CheckRequest ( request )
      ... // err check but no return
      go func () {
       ProcessRequest ( request , err != nil )
      }()
      return // the defer function runs after here
      }

Slice相关的数据竞争

下面这个例子， safeAppend使用锁对 myResults进行了保护，但是在每次循环调用 (uuid, myResults)并没有读保护，也会有竞争问题，而且不容易发现。

     func ProcessAll ( uuids [] string ) {
      var myResults [] string
      var mutex sync . Mutex
      safeAppend := func ( res string ) {
      mutex.Lock ()
       myResults = append ( myResults , res )
      mutex.Unlock ()
      }
     
      for _ , uuid := range uuids {
      go func ( id string , results [] string ) {
      res := Foo ( id )
      safeAppend ( res )
       }( uuid , myResults ) // slice read without holding lock
      }
      ...
      }

非线程安全的map

这个很常见了，几乎每个Gopher都曾犯过，犯过才意识到Go内建的map对象并不是线程安全的，需要加锁或者使用sync.Map等其它并发原语。

     func processOrders ( uuids [] string ) error {
     var errMap = make ( map [ string ] error )
     for _ , uuid := range uuids {
     go func ( uuid string ) {
     orderHandle , err := GetOrder ( uuid )
     if err != nil {
     ▶ errMap [ uuid ] = err
     return
     }
     ...
     }( uuid )
     return combineErrors ( errMap )
     }

传值和传引用的误用

Go标准库常见并发原语不允许在使用后Copy, go vet也能检查出来。比如下面的代码，两个goroutine想共享mutex,需要传递 &mutex,而不是 mutex。

     var a int
     // CriticalSection receives a copy of mutex .
     func CriticalSection ( m sync . Mutex ) {
     m.Lock ()
      a ++
     m.Unlock ()
     }
     func main () {
     mutex := sync . Mutex {}
     // passes a copy of m to A .
     go CriticalSection ( mutex )
     go CriticalSection ( mutex )
     }

混用消息传递和共享内存两种并发方式

消息传递常用channel。下面的例子中，如果context因为超时或者主动cancel被取消的话，Start中的goroutine中的 f.ch <- 1可能会被永远阻塞，导致goroutine泄露。

     func ( f * Future ) Start () {
     go func () {
     resp , err := f.f () // invoke a registered function
      f.response = resp
      f.err = err
      f.ch <- 1 // may block forever !
     }()
     }
     func ( f * Future ) Wait ( ctx context . Context ) error {
     select {
     case <-f.ch :
     return nil
     case <- ctx.Done () :
      f.err = ErrCancelled
     return ErrCancelled
     }

并发测试

Go的 testing.T.Parallel()为单元测试提供了并发能力，或者开发者自己写一些并发的测试程序测试代码逻辑，在这些并发测试中，也是有可能导致数据竞争的。不要以为测试不会有数据竞争问题。

不正确的锁调用

为写操作申请读锁

下面这个例子中， g.ready是写操作，可是这个函数调用的是读锁。

     func ( g * HealthGate ) updateGate () {
     g.mutex.RLock ()
     defer g.mutex.RUnlock ()
     // ... several read - only operations ...
     if ... {
      g.ready = true // Concurrent writes .
      g.gate.Accept () // More than one Accept () .
     }

其它锁的问题

你会发现，大家经常犯的一个“弱智”的问题，就是Mutex只有Lock或者只有Unlock,或者两个Lock,这类问题本来你认为绝不会出现的，在现实中却经常能看到。

还有使用 atomic进行原子写，但是却没有原子读。

我认为这里Uber工程师并没有全面详细的介绍使用锁常见的一些陷阱，推荐你学习极客时间中的 Go 并发编程实战课课程，此课程详细介绍了每个并发原语的陷阱和死锁情况。

总结

总结一下，下表列出了基于语言类型统计的数据竞争bug数：

整体来看，锁的误用是最大的数据竞争的原因。并发访问slice和map也是很常见的数据竞争的原因。

研究发现 98% 的中国儿童青少年未达心血管健康理想状态

Thu, 17 Feb 2022 20:16:56 CST

根据发表在《美国心脏病学会杂志》上的一项研究，98.3% 的中国儿童青少年未达心血管健康理想状态。研究数据来自全国 7 个省市及地区，约 7 万名中小学生参与问卷调查，有近 2 万名学生参与血样采集，通过血样可以检测血脂、血糖等评估心血管健康的指标。经过有效数据的整理，最终纳入近 1 万 5 千多名资料。结果表明，儿童青少年的超重和肥胖状况令人担忧，这个群体的心血管健康状况非常不乐观。全国单纯的肥胖率已经达到 11% 左右，超重和肥胖相加能达到 20% 左右的患病率。全国只有 1.9% 的男性和 1.6% 的女性有理想的心血管健康状况。男性和女性在心血管疾病发病率上存在差异。这种性别差异与多种因素有关，比如生理年龄差异、激素水平差异、肾功能差异、染色体差异等。

怎样研究透一家公司

Sat, 05 Feb 2022 12:18:06 CST

来源：风投说

确定一家公司的“质地”

（描绘一家公司的总体印象）

1.天花板

天花板是指企业或行业的产品（或服务）趋于饱和、达到或接近供大于求的状态。在进行投资之前，我们必须明确企业属于下列哪一种情况，并针对不同情况给出相应的投资策略。在判断上，既要重视行业前景，也必须关注企业素质。

1）已经达到天花板的行业——极度饱和的行业（如钢铁行业）。投资机会来自于具有垄断经营能力的企业低成本兼并劣势企业，扩大市场份额，降低产品生产和销售的边际成本，从而进一步构筑市场壁垒，获得产品的定价权。如果兼并不能做到边际成本下降就不能算是好的投资标的。比如，国企在行政推动下的兼并做大，并非按照市场定价原则进行，因此其政治意义大于经济意义，此类国企不具备投资价值。

那些在行业萧条期末端仍有良好现金流，极具竞争能力的企业在大量同类企业纷纷陷入困境之时极具潜在的投资价值。判断行业拐点或需求拐点是关键，重点关注那些大型企业的并购机会，如国内四大钢铁公司。

2）产业升级创造新的需求，旧的天花板被解构，新的天花板尚未或正在形成。如汽车行业和通讯行业。这些行业通常已经比较成熟，其投资机会在于技术创新带来新需求。“创新”——会打破原有的行业平衡，创造出新的需求。关注新旧势力的平衡关系，代表新技术、新生产力的企业将脱颖而出，其产品和服务将逐步取代甚至完全取代旧的产品，如$特斯拉电动车(TSLA)$和$苹果(AAPL)$的创新对各自行业的冲击。

3）行业的天花板尚不明确的行业。这些行业要么处在新兴行业领域，需求正在形成，并且未来的市场容量难以估计，如新型节能材料；要么属于“快速消费”产品，如提高人类生活质量、延长人类寿命的医药产品和服务。这类行业历来都是伟大企业的摇篮，牛股层出不穷，要重点挖掘那些细分行业里具备领军地位的优秀企业——即：小行业里的大公司。

我们完全可以从公司和行业报道中，通过以上3点探讨深刻了解一家公司的行业地位和未来想象空间。重点是明确：1. 有没有天花板？；2. 面对天花板，企业都做了些什么？

2.商业模式

商业模式是指企业提供哪些产品或服务，企业用什么途径或手段向谁收费来赚取商业利润。比如，制造业通过为客户提供实用功能的产品获取利润。销售企业通过各种销售方式（直销，批发，网购等等商业模式）获取利润等等。

研究商业模式的意义在于：1. 是不是个好生意？2. 这样的生意能够持续多久？3. 如何阻止其他进入者？

这三个问题分别对应：商业模式、核心竞争力和商业壁垒。商业模式，核心竞争力和壁垒三位一体构成公司未来投资价值：前者指企业的盈利模式，核心竞争力是指实现前者的能力。壁垒是通过努力构筑的阻止其他公司进入的代价。

举例来说：戴尔和联想销售的产品本质上没有多大区别，但是戴尔的电脑直销盈利模式不同于传统电脑销售，相应的核心竞争力是它的全球直销网上管理系统。联想若想重新搭建此平台代价太高，且有可能远高于戴尔构筑的成本，因此这套直销网络成为戴尔的壁垒。但是，PC饱和是戴尔的天花板，限制了它的发展空间。

$百度(BIDU)$的盈利模式是搜索流量变现。搜索技术的不断进步是其核心竞争力，先发优势构筑的巨大数据库和大量的应用软件是其壁垒；通过免费杀毒为入口，获取流量变现是$奇虎360(QIHU)$的商业模式。强大的研发能力，快速的服务响应能力是其核心竞争力，快速累积巨大的用户群构成竞争壁垒。360利用巨大的用户量努力进入搜索领域，但是一直没有看到突破性的技术进展可以挑战百度累积的巨大数据和应用壁垒，所以相形之下，360 尚未具备颠覆百度的能力。

另外，传统银行的商业模式是息差，竞争力要点是低成本揽储能力、放贷能力和高度的信用。壁垒是用户基础。中国的银行有政府信用作为担保加上劳动成本低廉，所以进入国内的外资银行很难与之竞争。一旦推出存款保险制度，中小股份制银行的信用将受到质疑，所以外资投资首选四大行，降低内地股份制银行的投资比重。

简要的商业模式情景分析：

靠什么挣钱？产品还是服务？挣谁的钱？是从现有的销售中挖掘、争夺，还是创造新的需求？如何销售？从产品生产到终端消费，中间有几个环节？有什么办法能够将中间环节减到最少？企业有没有做这方面的努力？随着销售量的扩大，边际成本会不会下降？等等。

通常来说，我们尽可能投资那些用一句话就能说明白商业模式的企业。商业模式进一步分析涉及企业所处的产业链的地位如何？处在产业链的上游、中游还是下游？整个产业链中有哪些不同的商业模式？关键的区别是什么？那些是最有定价权的企业？为什么？企业与客户的关系是否具备很强的粘性？等等，这些决定该商业模式能否成功。

3.企业的核心竞争力

商业模式谁都可以模仿。但是，成功者永远是少数。优秀的企业关键是具备构筑商业模式相应的核心竞争力。

核心竞争力的内容包含：股东结构，领军人物，团队，研发，专业性，业务管理模式，信息技术应用，财务策略，发展历史等等。

1）专一性：

专一并不等同于“单一”，而是指企业在某一领域具有深度挖掘和扩展产品或服务的能力。例如双汇，在肉制品上做到绝对专一，除肉制品之外的行业均不涉及。其产品线丰富，在热鲜肉、冷鲜肉、冻肉、肉肠和其他肉类加工产品方面有深入挖掘和拓展的能力。相比之下，同样是肉制品龙头企业的雨润食品却涉足房地产、旅游等非主业，管理层精力分散，多年来业绩不佳。因此，专一性决定了企业的主攻方向和发展战略，坚持不懈必有成就。

2）创新能力：

优秀的研发团队，已经获得的能够提供高标准产品和服务的先进的工艺、流程，或是发明专利，等等。纯粹的技术并不构成永久的核心竞争力。但是某一领域的技术壁垒（如专利技术）却能在一段时期内保持企业的领先优势。此外，技术优势会带来生产效率以及生产成本的优势，有技术优势的企业就能够获得高于行业平均水平的回报。可以通过企业的研发费用与收入的比值关系获得量化结果做出逻辑判断。

3）管理者优势：

企业的发展为投资者带来超额收益。企业的领导者及其管理团队的素质关系到企业的素质，关系到企业能走多远、能做多大，“投资要投人”正是这个含义。在这一部分，重点要考察领导者和管理团队成员的背景，通过跟踪他们的言行（通过新闻、招股说明书或董事会报告）中获取企业的发展方向、行业战略、用人机制、激励措施等方面的信息。我们需要判断他们的人品、格局和价值观，这些因素都会潜移默化地影响一个企业的前途，也间接地影响到投资者的回报率。实践证明，一流的人才做三流的生意，有可能把三流做成一流。相反，三流的人才做一流的生意，很可能把一流做成不入流。很多第一代创业者缔造的成功企业却有可能毁在继任者手中，微软就是一个典型的例子。在企业核心竞争力诸多条件中，对人的因素的考察极其重要。

4.经济护城河（市场壁垒）

护城河是一种比喻，通常用它来形容企业抵御竞争者的诸多保障措施。上面所述的核心竞争力是护城河的重要组成部分，但不是全部，我们还可以通过如下几个条件来确认企业护城河的真假和深浅：

1）回报率

从历史上看，企业是否拥有可观的回报率？回报率主要指毛利润、ROE（股东权益回报率）、ROA（总资产回报率）和ROIC（投入资本回报率）。这几种回报率指标分别适用于不同的商业模式。重点是要从商业逻辑上判断，企业的高回报率是由哪些方面构成？决定因素是那些？能否持续？企业采取了何种措施以保障高回报率的持续性？主要的量化分析方法有杜邦法、波特五力法和SWOT法。

2）转化成本

企业的产品或服务是否具备较高的转化成本？转化成本是指：用户弃用本公司产品而使用其他企业相类似产品时所产生的成本（含时间成本）与仍旧使用本公司产品所产生的成本差值。较高的转化成本构成排他性，如微信和易信，易信在本质上与微信差别不大，但对于用户来说弃用微信而用易信存在诸多不便，存在较高的转化（重塑）成本，微信因为先发优势具有较强的生命力和商业价值。如果能让用户不选择竞争对手的产品，说明企业的产品对用户来说有粘性和依赖性，那么这家企业就拥有比较高的转化成本和排他性。了解企业的转化成本必须要从消费者和使用者的角度考虑，从常识、使用习惯和商业逻辑来判断。转化成本不具备永久性，须结合实际情况综合研判。

3）网络效应

企业通过哪些手段销售产品？具体地说，是通过人力推销、专门店销售、连锁加盟还是网店销售？各种销售手段分别为企业带来多少销售额？传统企业如何应对电商？企业的网络规模效应如何？网络效应通常是指企业的销售或服务网络，这些网络的存在为用户提供了便利，以用户为中心的便捷性就能产生粘性。随着用户数量的增加，企业的价值也逐渐由于网络和规模的扩大而不断放大。比如，就全国范围来说，工商银行的营业网点遍布全国大街小巷，甚至在国外主要城市也有网络分布。相比而言，它比地区性银行具有更大更广的网络效应，因此，工商银行的用户更多，其企业价值也相对更高。

4）成本与边际成本

企业的成本构成是怎样的？成本的决定因素有哪些？企业的成本能否做到行业最低？如何做到？单位成本能不能随着销售规模扩大而下降？企业要想长久地保持成本优势并不容易，它需要有优于对手的资源渠道（原材料优势）以及更优越的生产工艺（流程优势），更优越的地理位置（物流优势），更强大的市场规模（规模优势），甚至是更低的人力成本。低成本的另一面就是高毛利，高毛利就是一种强势竞争力的体现，高毛利的企业通常具有定价权。

5）品牌效应

产品或服务是否具有品牌效应？事实上，对于大多数用户而言，他们对于品牌的敏感度远不如对价格的敏感度那么高，价格是指导购买行为的第一要素。品牌的意义在于它能够反映出产品或服务的差异性、质量、品位和口碑。品牌的价值在于它能够改变消费者的购买行为，从而为企业带来高于平均水平的附加值。因此，具有品牌效应的产品或服务应该具有如下特征：

A. 具有很强的辨识度。

B. 是信任、依赖和满足感。

C. 高于一般水平的售价。

D. 是企业的文化和价值观。

E. 对于消费者来说是一种优先购买的选择。

6）企业采取了那些措施来保持以上这些优势（护城河）不被侵蚀？

5.成长性

成长性侧重未来的成长，而不是过去，要从天花板理论着眼看远景。成长性需要定性、而无法精确地定量分析。对于新兴行业来说，历史数据的参考意义不大。而对于成熟行业来说，较长时间的历史数据（最好涵盖一个完整的经济周期）能够提供一些线索，作为参考还是很有必要的。

收入是利润的先行指标。

A. 收入增长情况

B. 主营业务的变化

C. 主要客户销售额分析

D. 主要竞争对手比较

毛利率水平体现了企业的竞争力。

A. 毛利率水平

B. 成本构成

净利润的水份。

A. 经营性利润（剔除投资收益、公允值变动收益以及营业外收益后的利润）

B. 真实的净利润（经营性利润-所得税）

收入与利润的含金量：

A. 现金收入率（销售商品或提供劳务收到的现金/收入）

B. 经营现金率（经营活动产生的现金流量净额/收入）

C. 自由现金Free Cash Flow（自由现金=运营现金流-资本支出）

D. 自由现金/企业价值（FCF/EV，企业价值=市值+有息债务）

注：自由现金和企业价值的计算方式可参考智库百科。

6.回报率水平

1）ROE（股东权益回报率，或净资产收益率）

2）ROA（总资产回报率）

3）ROIC（投入资本回报率）

注：以上三个回报率指标的计算方法参考智库百科或相关教科书。需要注意的是，在计算过程中须对涉及净利润和净资产的项目进行拆解，获取属于经营活动的真实数值。净利润的拆解见上一节“真实的净利润”，净资产的拆解分析中必须剔除资产项中与企业经营活动无关的内容。

4）杜邦法

5）波特五力法

6）SWOT法

7.安全性：关键是现金流与现金储备

资产结构：

A. 现金资产，资产中现金及现金等价物的比重，代表了企业的现金储备。

B. 可转换现金资产，包括金融资产、交易性资产和投资性资产等等。

C. 经营性资产

负债结构：

A. 有息负债

B. 无息负债

运营资本与资本流转：

A. 应收账款与主要欠款方

B. 存货构成

C. 资本流转情况，即：本期运营资本变动与上一期运营资本变动的差值。 运营资本变动=（预收+应付）-（应收+预付+存货）

D. 用别人的钱赚钱。具体来说就是企业的运营资本变动为正值，即：（预收+应付）>（应收+预付+存货），上游客户的应付款与下游客户的预收款相当于一笔无息贷款，满足了企业正常运作所需的流动资本。这是一种比较特别的商业模式，如：苏宁电器和国美电器。这种商业模式显示出企业在市场中的强势地位。

E. 信用。这里的信用是指票据信用。票据是一种信用融资，企业的应收票据是对下游客户的信用，应付票据体现了上游客户给予企业的信用。票据信用反映了企业与上下游合作方之间的关系和地位，也是一种商业模式。

现金流是评估企业竞争力的关键指标，因为利润可以被粉饰，其结果的水分较多。经营现金流持续为正的企业具备研发和投资实力。大致可分为几种情况：

A. 现金增加值和经营现金流都是正值--------企业很安全。

B. 现金增加值为正或者相抵，经营现金流为负值。表明筹资、发债或者银行借款的现金流入抵消经营现金支出。企业还算稳健。须结合利率水平评估企业有可能存在的财务风险。

C. 现金增加值和经营现金流为都为负值，表明公司存在财务问题。当然对于家公司的判断要看其发展趋势，要看核心竞争力和市场壁垒。比如Facebook。如果是传统型企业还是规避为好。

D. 现金增加值为负值，但经营现金流为正值。说明企业有投资、研发或者还债支出。这种情况须具体分析。重点要判断消耗现金的主因是哪一部分（投资还是筹资）。最不理想的状况是现金仅仅用于还债，投资价值不大。

估值

1.企业的商业模式决定了估值模式

1）重资产型企业（如传统制造业），以净资产估值方式为主，盈利估值方式为辅。

2）轻资产型企业（如服务业），以盈利估值方式为主，净资产估值方式为辅。

3）互联网企业，以用户数、点击数和市场份额为远景考量，以市销率为主。

4）新兴行业和高科技企业，以市场份额为远景考量，以市销率为主。

2.市值与 企业价值

1）无论使用哪一种估值方法，市值都是一种最有效的参照物。

2）市值=股价*总股份数，市值的意义不等同于股价的含义。

市值被看做是市场投资者对企业价值的认可，侧重于相对的“量级”而非绝对值的高低。国际市场上通常以100亿美元市值作为优秀的成熟大型企业的量级标准，500亿美元市值则是一个国际化超大型企业的量级标准，而千亿市值则象征着企业至高无上的地位。市值的意义在于量级比较，而非绝对值。

3）市值比较。

A. 既然市值体现的是企业的量级，那么同类企业的量级对比就非常具有市场意义。例如：同样是影视制作与发行企业，国内华谊兄弟市值419亿人民币，折合约68亿美元，而美国梦工厂（DWA）市值25亿美元。另外，华谊兄弟2012年收入为13亿人民币（2.12亿美元），同期梦工厂收入为2.13亿美元。这两家公司的收入在一个量级上，而市值量级却不在一个水平上。由此推测，华谊兄弟可能被严重高估。当然，高估值体现了市场预期定价，高估低估不构成买卖依据，但这是一个警示信号。精明的投资者可以采取对冲套利策略。

B. 常见的市值比较参照物：

a）同股同权的跨市场比价，同一家公司在不同市场上的市值比较。如：AH股比价。

b）同类企业市值比价，主营业务基本相同的企业比较。如三一重工与中联重科比较。

c）相似业务企业市值比价，主营业务有部分相同，须将业务拆分后做同类比较。如上海家化与联合利华比较。

4）企业价值（EV, Enterprise Value）。企业价值=市值+净负债。EV的绝对值参考意义不大，它通常与盈利指标组合，用来反映企业盈利、净负债与市值之间的关系。如：EBITDA/EV指标用来比较相近企业价值的企业的获利能力。

3.估值方法

1）市值/净资产（P/B），市净率。

A. 考察净资产必须明确有无重大进出报表的项目。

B. 净资产要做剔除处理，以反映企业真实的经营性资产结构。市净率要在比较中才有意义，绝对值无意义。

C. 找出企业在相当长的时间段内的历史最低、最高和平均三档市净率区间。考察周期至少5年或一个完整经济周期。若是新上市企业，必须有至少3年的交易历史。

D. 找出同行业具有较长交易历史的企业做对比，明确三档市净率区间。

2）市值/净利润（P/E），市盈率。

A. 考察净利润必须明确有无重大进出报表的项目。

B. 净利润要做剔除处理，以反映企业真实的净利润。市盈率要在比较中才有意义，绝对值无意义。

C. 找出企业在相当长的时间段内的历史最低最高和平均三档市盈率区间。考察周期至少5年或一个完整经济周期。若是新上市企业，必须有至少3年的交易历史。

D. 找出同行业具有较长交易历史的企业做对比，明确三档市盈率区间。

3）市值/销售额（P/S），市销率。

A. 销售额须明确其主营构成，有无重大进出报表的项目。

B. 找出企业在相当长的时间段内的历史最低最高和平均三档市销率区间。考察周期至少5年或一个完整经济周期。若是新上市企业，必须有至少3年的交易历史。

C. 找出同行业具有较长交易历史的企业做对比，明确三档市销率区间。

4）PEG，反映市盈率与净利润增长率之间的比值关系。PEG=市盈率/净利润增长率。通常认为，该比值=1表示估值合理，比值>1则说明高估，比值<1说明低估。这种方法在投资实践中仅作为市盈率的辅助指标，实战意义不大。

5) 本杰明.格雷厄姆成长股估值公式。

价值=年收益*（8.5+预期年增长率*2），公式中的年收益为最近一年的收益，可以用每股收益TTM（最近十二个月的收益）代替，预期年增长率为未来3年的增长率。假设，某企业每股收益TTM为0.3，预期未来三年的增长率为15%，则公司股价=0.3*（8.5+15*2）=11.55元。该公式具有比较强的实战价值，计算结果须与其他估值指标结合，不可单独使用。

6）还有一种常用的估值方法——利率估值法，见下文。

7）以上方式均不可单独使用，至少应配合两种联合研判，其绝对值亦没有实战意义。估值的重点是比较，尤其是相似企业的比较，跨行业亦没有意义。

安全边际

1.市场利率

1）利率水平体现了市场融资成本，也是衡量市场资金面的有效指标。

2）利率双轨制。由于制度原因，我国的利率尚未完全市场化，因此存在官方利率和民间利率的并行存在的状况。官方利率（银行利率）并不能完全反应市场的真实融资成本和资金供需关系。

3）一年期银行定期存款利率（当前为3%），被认为是中短期无风险收益的参考标准，其倒数代表了当前市场静态市盈率，即：1/0.03=33.33。当股票市场综合市盈率低于此数值则表示投资于股票市场能够获得更高的收益。

4）上海银行间拆放利率（Shanghai Interbank Offered Rate，简称Shibor）与国债回购利率（Repurchase rate），这两个利率比较真实地反映了市场资金面的波动，具有较强的实战参考意义。因此这两个利率指标通常被视作短期无风险收益率的参考标准。他们的倒数反映了市场的动态市盈率范围。

5）银行的理财产品收益率也是一个非常好的市场无风险收益率的参考标准。

6）上述各种市场利率的综合值，体现了市场整体资金的安全边际，它直接或间接地影响着投资人的风险偏好。

2.利率估值法

1）利率估值法，市场的安全边际。

“买入价格决定收益率”。收益率=收益/买入价格，把计算公式转换一下，买入价格=收益/收益率。这个方程式告诉投资人这样一个事实：假设一家公司的收益是每股0.3元，要获得相当于市场无风险收益的水平（假设为4%），那么，买入股票的价格必须低于7.5元（买入价格=0.3/0.04=7.5）。换而言之，当股价低于7.5元时，投资者就能够获得高于市场利率的收益。7.5元这个计算结果可以被认为是该股票的安全边际值。

2）多重利率估值法。

把一年期银行存款利率、长期Shibor利率、国债回购利率、银行理财利率分别代入公式，便可得出一个相对合理的无风险收益率区间。这个区间代表了市场的安全边际范围，数值的高低直接影响投资者的资产配置策略，也间接地影响了市场整体资金的去向。

3.折扣与溢价

估值须根据具体的行业和企业特性来确定，市盈率、市净率、市销率，还是格雷厄姆估值法或利率估值法，无论哪一种估值方法，根据“买入价格决定收益率”原理，买入价格越低，则未来收益率就越高。

1）分档进出原则——不要企图做神仙。

没有人能够精确计算股票的价值，也没有人能买在绝对的低点，卖在绝对的高点。因此，适当放大安全边际和分档进出的原则是最有效的操作策略，可以做到既不错失机会，也不易深套。

2）根据估值的分档进出策略（适合具有长期稳健财务特征的企业）。

举例来说，某企业长期最低市净率区间为1.2倍左右，激进者可以在1.5倍市净率时做分档买入计划，如：1.5倍、1.3倍、1.1倍、1倍、0.9倍……。分档放大安全边际的目的是“不错失，不深套”，具体的分档情况视情况而定。

与买入策略相反，假设某企业长期最高市盈率区间为20倍，可以从18倍市盈率（0.9倍溢价）开始设置分档卖出计划，如：0.9倍溢价、1.0倍溢价、1.1倍……

3）根据“图形分析四项基本原则”进出策略。

具体策略参见：http://xueqiu.com/9987866486/28718320

4）简单的资金管理策略。

分档进出可以是等量进出，也可以是金字塔式买入、倒金字塔型卖出。从风险控制的角度上说，单一股票的持仓不应超过账户总资产的30%。

底部与顶部

1.双击与双杀

每股收益EPS体现了企业的盈利情况，市盈率P/E反映出投资人对企业盈利状况的预期，一个是现实，一个是愿景。戴维斯双击是指在市场低迷之时，在EPS和P/E相对低位并预计企业将出现盈利拐点之前买入股票，待其盈利好转。当商业景气回暖、企业EPS回升，并且伴随着市场预期好转P/E逐步走高。现实和愿景同步上升，能够为投资者享带来股价的倍乘效应，获得巨大的投资回报。

将上述情况反过来就是戴维斯双杀。戴维斯双击、双杀很难量化，往往在数据上体现出来之时，股价已经面目全非。因此，需要结合信息分析提前做出判断，这是难点，也最能检验投资者功力的部分。当然其中必然有迹可循。

2.好股不怕等三年

对于一个优质的企业，我们需要做的就是持续关注和等待，等待市场错配的机会。这种机会需要完美的、多方面的因素共振配合，包括市场综合因素、行业景气度和黑天鹅事件等等。对于稳健的投资者而言，戴维斯双击的机会是“千载难逢”的，至少是数年才有一次。一旦双击成功，股价将会上涨至少1倍以上，优质的领头羊企业有可能上涨数倍或数十倍！一旦错过双击买入的机会，股价也许就再也没有可能回到双击前的水平。做投资的乐趣就在于寻找这样的股票，享受复利！

3.主流偏见

舆论是市场情绪的放大器，尤其是那些具有一定市场地位的大机构观点具有翻云覆雨的巨大力量，其影响甚至是灾难性的。这部分具有巨大市场影响力的舆论也被称之为“主流偏见”。主流偏见会引导市场共识，对主流偏见的方向性解读能力是成熟投资者的基本功。索罗斯的反身性理论认为：主导价格趋势的主要力量是主流偏见。主流偏见的根源是对基本面（事实）过于乐观或过于悲观的预期所致，其根基还是基本面。研究基本面是寻找价值的平衡点，只不过市场的钟摆从来不会在平衡点停下来，总是在其左右晃动——正是因为市场的钟摆效应，才为有准备的投资者提供了机会。

股票价值的根基是企业基本面，当主流偏见与基本面出现严重背离，市场的钟摆开始修正转向时，价格回归的强烈作用力会导致股价的极端形态。主流偏见既是市场钟摆的加速器，也会对其产生阻尼作用，最终导致转向。对于投资者而言，敏锐的方向感极其重要——钟摆与偏见的方向是否一致？

4.转向的迹象

1）有价值的信息：

A. 新闻舆论开始出现反向口吻；

B. 有没有更极端的情况出现；

C. 宏观环境和市场资金面发生变化；

D. 主流偏见的口气不再那么坚定，出现意见不合的情况；

2）企业管理层开始行动：

A. 回购或抛售本公司股票；

B. 企业发展目标发生变更；

C. 领导者有利或不利的言论和举动；

3) 财务数据验证：

A. 收入是利润的先行指标；

B. 收入的含金量变化；

C. 运营资本的变化；

4) 市场数据验证：

A. 股价到达历史最低（高）估值区间；

B. 图形出现极端走势；

C. 成交量出现剧烈变化；

D. 融资融券出现剧烈变化；

结语

实在很难用高度概括的语言全面系统地阐述一个完整的投资逻辑。投资是一门艺术，博大精深，岂是这数千字能够讲得清楚，似乎每一个段落都可以长篇大论或著书立说。然而，作为我个人投资生涯的一个阶段性总结和梳理，学而时习之，落笔写下来于人于己都是有益的。本文的初衷是帮助研究员提出一些结构性的研究要点，希望他们能够按图索骥、写出一些有实战价值的买方报告。同时也期望以此为投资辅助软件的开发者们提供一些专业理念方面的协助。本文仅代表个人观点，欢迎补充、指正！

研究发现社交媒体加重了中年女性的孤独感

Tue, 25 Jan 2022 20:56:52 CST

中年是一个忙碌的年龄，也是一个孤独的时期。在工作和家庭的重压下，人们无暇培养友谊，特别是对女性而言。新冠肺炎疫情前，关于孤独的谈论往往以男性为中心。但根据2020年一项对1000多名成年人进行的调查，疫情封锁期间，41岁到57岁（20世纪60年代中期至70年代末出生）的“X世代”女性报告的孤独感上升幅度最大。

其中，与孩子一起生活的女性社交孤立感的增加在该人群中是最大的。

对于那些因为家庭生活和工作而疲惫不堪的女性来说，社交媒体通常是发泄和寻求联系最方便的渠道。但许多人说，上网已经让人感到空虚和孤独。38岁的摄影师米兰达·莱因哈特（如图）表示，还没有找到属于自己的“妈妈部落”，自己在家教育孩子，因而更难找到志趣相投的朋友。疫情前，她和一个密友常一起看电视剧。但随着工作和生活变得忙碌，她们便没空一起看了。“哪有时间？哪有精力？疫情给妈妈们增加了太多精神负担。一天下来，我们非常累。”虽然社交媒体帮助她与老朋友保持联系，但也让她五味杂陈。“我可以看到她们的生活，但没有参与其中。社交媒体让我感到不那么与世隔绝，却也更加孤独。”莱因哈特女士曾尝试在社交媒体寻找经历类似的母亲，但由于没有找到一群能面对面的朋友，她有时会觉得自己被晾在一边。

笔者在社交媒体一个大型育儿群发布了一个关于中年孤独的问题后，立即收到300多名女性的回复，她们中的大多数人都表达了类似感受。55岁的黛布·法布里齐奥是一名单亲母亲，有两个孩子。去年夏天，在小女儿大学毕业后，她成为“空巢妈妈”。占用已婚朋友的时间总是很棘手，于是她努力组织聚会，找人晚上一起吃饭或散步。“但疫情让这一切都停止了。人人都躲在自己的‘气泡’里。”现在都用社交媒体保持联系，这么做有好有坏。出于健康考虑，她对社交活动一直很谨慎，只能在社交媒体上浏览朋友发布的聚会内容。“看到朋友们在海滩上的照片，我想，‘她们在外面玩了。我本来可以去的’。”

2018年美国退休人员协会对45岁以上人群的调查发现，随着中年人和老年人越来越多地使用社交媒体，他们反而感到更孤独。疫情封锁期间对意大利成年人进行的一项研究也发现，社交媒体不能替代面对面的社交互动。

因为丈夫工作的缘故，52岁的安迪·马丁5年前从得克萨斯州搬到佐治亚州，但没能建立搬家前那样的深厚人际联系。“孩子上中学时，大多数女性都有自己的家长朋友小团体。”马丁女士说，她很开心疫情封锁期间能够通过社交媒体与远方的亲朋联系，但觉得这种联系是肤浅的。“我知道他们在做什么，但这并不能解决我的孤独问题。”

自环球科技

少数数据集支配着机器学习研究

Mon, 06 Dec 2021 22:06:33 CST

UCLA 和 Google Research 的研究人员在预印本网站发表论文《 Reduced, Reused and Recycled: The Life of a Dataset in Machine Learning Research》（PDF），指出机器学习研究领域被少数开源数据集支配的现状。研究人员分析了 2015-2020 年之间不同机器学习社区使用的数据集，发现少数数据集被集中使用。在分析 43,140 个样本中，超过五成使用的数据集来自于 12个精英机构。研究人员认为这种高度集中化的趋势带来了实用性、伦理甚至政治方面的问题。研究人员称，计算机视觉受政府影响最大，自然语言处理受最少影响。计算机视觉尤其是脸部识别领域常用的数据集得到了企业、美国军方和中国政府（MS-Celeb-1M、 CASIA-Webface、IJB-A、VggFace2，其中 MS-Celeb-1M 因隐私争议被撤回）的资助。

徐志华：投资最难的是持有，持有的信心来自深度研究

Sat, 20 Nov 2021 06:02:15 CST

先行业后个股，无成长不价值

朱昂：能否再谈谈你的投资框架？

徐志华：简单一句话就是，以合理价格买入好行业里的好公司。 我的投资风格是价值成长，如果股票没有成长性，投资的价值也不大。我认为股价上涨必须由基本面推动，单纯靠低估值的回归很难。由于从业时间也比较长， 我把全市场30多个行业都看过一遍。经过这么多年的筛选，我目前投资集中在消费、医药、科技三大领域。今年，我比较看好科技方向中的新能源板块，也做了相对较多的配置；而消费和医药做了一定的减持。

接下来谈谈我对好行业的定义，我觉得好行业有两类：

第一类，处于渗透率加速阶段、快速成长的行业。这种行业，我会去看渗透率的水平和变化，行业未来成长空间以及行业的竞争壁垒。

第二类，处于相对成熟阶段的行业，这种行业增速可能没那么快，但是竞争格局比较好，特别是以消费和医药为代表，我也会去做配置。

好行业有一个重要特征：符合时代或者国家经济发展的大背景。

这也是为什么好的行业又必须有两大特点：

1）符合国家政策方向，不要去投国家政策打压的方向；

2）符合社会发展的经济规律，典型的是十年前的百货行业，不符合电商化的经济规律。

以消费行业为例，2016年以来一直表现很好，大的社会背景来自经济发展到了这个阶段，居民的收入水平增加，消费升级就是一个明显的时代趋势，造就了过去四五年的消费行业牛市。

再以医药行业为例，人口老龄化是一个明确的趋势，而一个人生命周期中绝大多数的用药需求发生在60岁之后，这也非常符合大的社会发展趋势背景。

然后是新能源，在全球变暖的大背景下，发展新能源符合全球各个国家的利益。具体到我们国家，由于天然缺少化石燃料，一直是石油的进口大国。那么发展光伏、风电、电动车，也是符合能源战略安全，并且对于产业发展也有很大的好处。

像新能源汽车产业，是一个上下游价值量很大的产业。我们之前在汽车行业一直没有太强的话语权，大部分利润都被合资厂商赚走，国产燃油车的技术能力也不是特别强。电动车给了我们在汽车产业链弯道超车的机会，不需要发动机和变速箱，正是汽车最核心的两块技术。

相反，我们国家在电机、电控、电池有很强的竞争力和全球最优秀的公司。

讲完了如何选择行业，我再谈谈是怎么挑选公司的。

我觉得不同的行业属性，选择公司的标准也不一样。像消费品的品牌和渠道很关键，这就需要管理层的战略眼光，通过长时间的品牌积淀，占领消费者的心智。医药要看政策的变化。这两年政策鼓励创新药，对于高价仿制药和耗材都有一定限制。如果看美国和日本，也都是从创新药突破产业升级，带来医疗技术水平的发展。像科技类企业，主要看公司的研发实力。

科技的本质是创新，只有不断创新才能跟上产业发展的趋势，企业需要不断做研发投入。我也会紧密跟踪技术发展的变化。

我组合中持仓有个特点：相对比较集中，一般就在30个股票以内。我认为好行业中的好公司数量很少。

如果组合买了一个行业中的许多公司，看似分散了风险，其实只是变成了某种行业Beta，无法体现个股的Alpha。一旦出现行业性的风险，也无法规避。

相反， 我买的所有公司，都是自己非常熟悉的，亲自调研和研究，通过集中的持仓，让组合面对的不可控风险更小。我从来不买不熟悉的公司，如果只是研究员推荐或者处在市场热点，我不会去买。投资是认知的变现，有没有认知，决定了我们能不能赚钱。最终投资都是公平的，我们花了很多时间去研究一个公司，才能真正带来比较好的收益。

通过行业比较，减仓消费医药，加仓电动车

朱昂：为什么科技行业你买的是新能源，而不是TMT里面的电子、半导体？

徐志华：科技里面的半导体、计算机、电子、传媒、新能源我都研究过。2019年底开始管理这只产品时，半导体已经涨了很多，有些公司透支了未来的空间。相比较而言，新能源车的股价在低位，性价比更高。

既然新能源车的性价比更高，我对科技方向的仓位就没有做分散，没有想过买点新能源，也买点半导体，而是全部投在性价比最好的新能源上。

朱昂：我看科技里面，你也没有配置过消费电子？

徐志华： 我觉得科技还是要买成长性，我喜欢渗透率加速的科技产业趋势。消费电子的产业周期，已经到了成熟期的了。站在这个时间点，电动车更像十年前的消费电子。我觉得投科技就是买成长性，投消费和医药是买确定性，两者的投资逻辑不太一样。

朱昂：年初你减少了医药消费，增加了新能源的配置，能说说当时的出发点？

徐志华：先说说为什么减持医药消费。我从2016年做投资以来，一直持有白酒，某高端白酒龙头，我在两段工作经历中持有收益加起来超过了10倍。2020年下半年，我就看到了消费板块的估值泡沫，许多增长比较平稳的公司，出现了加速的上涨。在春节前，市场对消费行业的追捧已经到了很狂热阶段，某高端白酒到了65倍左右的估值，对应业绩增速不到20%，在我的认知范围内，这样的估值显然过高了。

许多人到后面，讲白酒用DCF估值的逻辑，一旦大家都讲这个逻辑，就说明这个行业已经有比较大估值泡沫了。DCF模型本身没问题，但是影响DCF定价的变数很多，稍微有一个假设参数做调整，出来的结果差异就非常大。我觉得市场开始讲DCF模型时候，更多是对高股价的一种解释。

年初种种迹象表明，大家对白酒的狂热有些过头，甚至许多人觉得买白酒永远不会亏钱。股票的波动是很大的，没有任何股票能保证一直赚钱，春节后某高端白酒也调整了不少。我当时看到了白酒泡沫的风险，就做了一些减持。

我觉得当一个行业基本面没有超预期、估值很贵、交易又变得比较拥挤的状态下，下跌只是一个时间问题，或者只需要一个触发因素。市场流行的一种观点，春节后由于美债收益率上升，触发了DCF模型中的无风险收益率上升，导致了白酒出现暴跌，其实后来美债收益率又下去了，但白酒并没有涨回来，本质还是估值太贵了。

医药也有点类似，过去几年一直在涨，估值也比较贵了，基本面又遇到了招标降价，整个降价范围从原来的仿制药向耗材和医疗器械扩散，政策层面的负面影响超大家预期。

可以说消费和医药比较类似，估值很高，基本面没有超预期、甚至低于预期，那么大概率会出现调整，我就做了相应的减持。

再谈谈为什么加仓新能源。今年新能源汽车是市场比较明确的主线，基本面是不断超预期。从今年电动车的销量预测看，年初市场预计180万辆，3月就上调预期到200万辆，到了4-5月又上调到250万辆，6月上调到270万辆，8月份后上调到300万辆。

每个月的销量都在不断超预期，市场对全年销量预测不断上调。另外，我们紧密跟踪全球的政策，看到了美国、欧洲、中国都要大力发展新能源，在政策层面也超预期，形成了基本面和政策面都超预期的状况。

投资新能源汽车产业链最有壁垒的环节

朱昂：聊到新能源，能否谈谈具体的投资案例，我看到你持仓中某电池龙头和某隔膜龙头，对净值的贡献很大，都是重仓+好几倍收益，当时是怎么找到这个机会的？

徐志华：前面也提到，我的投资框架是先选行业，后选好公司。我是非常看好电动车行业的发展，然后再去研究电动车的产业链，包括了上游资源、中游材料和动力电池、下游整车。

各个环节研究下来后发现，动力电池和隔膜两个细分领域，是中国企业最具竞争力的环节，而且壁垒非常高。其他环节主要是短期的供需错配，未来供给还是会出来。 动力电池和隔膜两个领域，不仅行业需求爆发，供给也很难出来，竞争格局比其他细分领域好很多。

具体来说，动力电池的壁垒非常高，有许多企业也做电力电池，但能真正把动力电池环节做好的，非常少。这个环节对安全性和一致性要求很高。电动车企业最担心的就是电池起火，要实现安全和一致性，是非常难的技术。

国内某动力电池龙头公司的班底，是脱胎于一家做3C电池的公司，技术积累和沉淀足够深厚。做了那么多年后，公司产品的安全性很好，供应链管理也做得好，盈利能力远远超过其他竞争对手。

比如说，去年韩国的两家动力电池企业都是亏损的，国内这个动力电池龙头还能赚钱。在别人不盈利的时候，你能盈利，也代表一种很强的竞争力。

说完了动力电池，再谈谈隔膜龙头公司。隔膜属于电池的四大材料之一，竞争的壁垒很高，需要很大的投资额。这个公司看得很远，无论行业好坏，每年都在持续扩张。

国内其他企业，在行业不好的时候，就不扩张了。 这个企业把日本的设备都包掉了，锁定了设备的壁垒，其他企业未来几年买不到设备，也就无法扩张产能。

其次，这家隔膜公司的技术不断迭代，从原来的湿法隔膜，做到了基膜和涂膜一体化，在技术上，其他竞争对手也远远追不上。

最后，这个公司的成本控制能力非常强，能够在其他企业不盈利的时候，做到比较高的毛利率。在大家价格差不多的时候，别人亏钱，这个公司能盈利。

正因为其他企业不赚钱，过去几年基本上都退出这个行业，这家公司又把人家的设备和产能收购过来。

公司只要一接手，就能很快把这些产能做成盈利。 这家隔膜龙头在产能、技术、成本控制能力上，都超越了竞争对手，构建了很强的护城河。

可以看到，我买的这两家企业，除了受益于行业Beta外，也有自身的护城河，能带来比较强的Alpha。

朱昂：你怎么看这两个公司的估值水平？

徐志华：我觉得这两个公司的估值都在我的理解范围内，由于公司的护城河很强，能维持比较长时间的盈利能力。

我们以隔膜龙头为例，竞争格局在过去几年改善很多，不用担心产品价格上涨后，产能释放。这点和电解液、正负极不太一样，其他领域价格涨了很多，但是会担心产能释放后的负面影响。

而在隔膜领域，未来两三年竞争对手都很难扩张产能，因为扩张产能的设备已经被这个公司定掉了。

这家隔膜龙头企业的业绩超预期，并没有完全兑现在股价表现中。我们看到利润增速远远快于出货量和收入增速，接下来业绩大概率比市场预期更好，能帮助消化目前的估值水平。

另一家动力电池龙头公司，用PEG和EV/EBITDA的估值方式看，也是能算得过来的。公司的折旧政策很激进，人家折旧是8年，公司折旧期限是4年，利润被低估了。

公司的经营现金流，远远高于净利润。从这个角度股，公司真实的估值要更低一些。

朱昂：动力电池这个龙头，目前市值也超过1万亿了，怎么看这个公司终局的估值？

徐志华：我觉得终局的时间点太长了，可能要到2030至2040年，中间稍微调整一下参数，就会对终局市值带来很大的变化，预测的意义不大。其次，这个公司还有一块储能业务，处在爆发的前期，对应的市场空间也很大。这一块业务目前也没有计算在市值中。

对于科技类企业，不能太静态去看估值。关键还要去看公司对应行业的天花板和渗透率变化。其实这家公司今年涨幅是比其他电动车企业要小的。

大家觉得动力电池今年弹性不足，上游涨价吃掉了公司的毛利。 我觉得明年上游产能释放后，很多环节的价格会下跌，公司的盈利能力会改善。这种有壁垒的公司，我敢重仓买，因为基本面没有太大的问题，至少不会跑输行业，拿着不会吃亏。

买入的公司必须自己研究

否则扛不住市场波动

朱昂：同样是新能源板块，我看你主要仓位是电动车，为什么光伏买得不多？

徐志华：光伏的产业趋势也很好，但产品的同质化太严重，竞争格局没有电动车那么好。同样是做组件，不同厂家产品的价格和性能差异都很小。而且光伏的技术相对比较成熟，产业链从下游的硅料、硅片到电池片和组件，每一个环节的竞争都比较激烈。

这两年硅片技术的外溢很快，出现了许多新进入者，把盈利的溢价都打掉了。所以 我觉得光伏的产业趋势好、空间也很大，但是受制于产品同质化太严重，很难获得超额收益。

朱昂：什么因素会让你卖出一家公司？

徐志华：三个因素让我卖股票：

1）基本面出现变化，这是最重要的；

2）估值出现比较明显的泡沫，超出我的理解；

3）有更好的投资机会出现，比如说年初卖出医药消费、买入新能源，也是觉得这一块的投资机会更好。

我觉得投资最难的不是买股票，最难的是如何长期持有一个公司。持有是非常考验一个人的性格和投资能力的。即便一个公司再好，在上涨过程中也会出现不止一次的大幅波动。

像动力电池龙头，去年春节后调整了30%，今年春节后又跌了30%。在股价下跌的时候，你有三个选择：卖出、持有、加仓，这时候是非常考验人性的。

在下跌的时候，全市场都是悲观的，和别人交流很难获得信心，只能问自己，公司的基本面是不是变差了，我还敢不敢继续持有。

要拿住一个公司，会考验三点：

1）每个人的性格；

2）如何面对贪婪和恐惧；

3）对公司的研究深入程度。

其中，深入的研究是最重要的。如果对持仓没有深入研究，跌下来市场恐慌的时候，很可能会卖掉。所以我凡是买入的品种，必须要经过自己的深度研究。

朱昂：重仓股下跌的过程中，要拿住很难吧？

徐志华：确实，在下跌的过程中，要拿得住非常困难，这时候身边的人都是悲观的。我们都是原始社会进化过来的，遇到危险的直觉反应就是跑。我会让自己在悲观情绪中，保持冷静，想想自己对公司的基本面有没有信心。

朱昂：回撤多少，你会止损？

徐志华： 我不会做被动止损，只做主动止损。如果一个公司跌了30%，但基本面没有问题，我是不会卖出的。如果一个公司跌了5%，但基本面出现问题了，我也会卖掉。

我对所有的行业和公司，都没有明显的偏见。我可以承认自己不懂，但不会因为自己没看过一个公司，就不看好。像电动车这个领域，也有各种偏见，特别是一些开传统燃油车的投资者，并不觉得电动车更好。我会去做过研究之后，再对某个领域提出自己的观点。

朱昂：那你怎么看待组合整体的回撤？

徐志华：我觉得要获得较高收益，就必须承担一定的回撤压力。如果看好公司未来1到2年的股价前景，那么短期的波动，我没有那么看重。在组合上，我不会按照沪深300的权重做均衡配置，这样降低的波动意义不大。

另一方面，我也不会做特别极致的配置，组合里面除了电动车还有消费和医药的。我不想把仓位全部集中在一个板块，这样承担的风险有太高了。

好的机会，需要等待

朱昂：你的持股很集中，那么股票的节奏大致是怎么样的？

徐志华： 我买的每一个股票，都是经过了很长时间的研究，然后等待出现一个好的位置。只要好位置出现，我就下重手去买。真正的机会，不会停留很长时间，稍纵即逝。我不会先买点观察仓，然后一边跟踪一边等机会。就像电动车，我跟踪了很多年后，才等到买点下重仓的。

朱昂：你做了很多年投资，有什么飞跃点或者突变点吗？

徐志华： 投资中的飞跃点，来自对原有能力圈的打破。我一开始是研究医药的，但完全聚焦在医药领域又太窄了，于是很早就想着要做全市场的基金经理。于是从医药到消费，再到今天的科技股和新能源。我看过了所有行业后，从做加法到再做减法，聚焦在这三个大行业中。

2016年开始做投资的时候，就遇到了开年的市场熔断。那段经历印象很深，很多股票都跌停了，市场也不能交易，大家都很恐慌。那一年我买了许多的养殖股，但是市场不管什么股票都在跌，我也很恐慌。

于是在2016年1月，由于恐慌造成的羊群效应，让我也做了减仓，卖掉了不少养殖股。等到市场稳定后，我又把养殖股买回来一些。现在回头看，当时应该更坚定持有对基本面有信心的标的，预测市场涨跌很难，也没有意义。

之后，无论是2018年10月后的暴跌、2020年春节后的暴跌、2021年春节后的大跌，我都用更平和的心态去面对。只要我持仓的股票没有基本面问题，估值也不是很贵，我就不会太担忧。

朱昂：你觉得相比其他人，自己有什么竞争优势？

徐志华：我的投资领域更宽泛一些，有些人只在几个行业做投资，一旦某个行业没有行情，会对收益产生比较大的影响。我在一些行业没有机会的时候，会去找其他方面的机会。

我的性格比较冷静，不会跟着市场情绪走，会做独立思考。我布局的很多股票，都是比市场发现的更早。

朱昂：有什么对你成长影响比较大的事情？

徐志华：去年的美股电动车行情，对我的冲击很大。当时大家都觉得特斯拉、蔚来汽车等要破产了。后来这一批公司起来的时候，涨幅很惊人。市场观点一致的时候，不一定是对的。

在市场极度悲观的时候，不要受市场情绪影响。特别是在新兴科技领域，一定要非常紧密的跟踪，不要一开始就认为不行。今天的特斯拉已经和2年前完全不同，要动态跟踪企业发生的变化。

AEG：研究显示电动汽车用车成本超过燃油车

Tue, 26 Oct 2021 21:44:12 CST

美国经济咨询公司安德森经济集团（Anderson Economic Group）上周发布了一份报告，题为《比较：电动汽车和内燃机车的真实世界成本》，将电动汽车和燃油车的实际用车成本进行了对比， 得出结论是：开电动汽车并不比燃油车更便宜，某些情况下甚至会更贵。

该研究有四个主要发现：

1．除了电力以外，电动汽车还有四项额外成本：家用充电桩成本、商用充电成本、电动汽车税和“空车里程”，即满世界寻找充电桩时白白耗费的里程。

2．就目前而言，电动汽车的充电成本比燃油车的加油成本更高，后者的油耗比较合理。

3．不同地区充电成本的差异比汽油价格的差异更大。

4．寻找可靠的公共充电桩需要花费大量时间，而且从20%充电到80%至少需要30分钟。

安德森经济集团的创始人兼CEO帕特里克-安德森本人也是一位电动汽车车主，去年买了一辆保时捷Taycan电动汽车。他表示：“这项分析的部分优势在于，我们展示了电动汽车司机面临的现实成本。你通常必须使用商用充电桩，而商用充电桩的费率是家用充电桩的两倍、三倍或四倍。”

此外，还有车主为了寻找商用充电桩子而耗费的“空车里程”。即使是在家里使用用1级或2级充电器充电也很耗时且昂贵。

安德森说，考虑到所有这些因素，得出的结论是，电动汽车的“燃料”成本高于汽油车，而汽油车的油耗比较合理。这完全取决于汽车是如何使用的，以及涉及多少商用充电。

研究发现，按油价每加仑2.81美元计算，一辆每加仑行驶33英里的中等价位内燃汽车行驶100英里的总成本为8.58美元。

但一辆中等价位的电动汽车，如雪佛兰Bolt、日产Leaf或特斯拉Model 3，如果算上主要使用商用充电桩充电的成本，行驶100英里的成本为12.95美元。

假设中等价位的汽车每年行驶1.2万英里，那么开一辆燃油车的成本为1030美元，而开一辆电动汽车的成本为1554美元。

对于每加仑行驶26英里的豪华燃油车，使用每加仑3.25美元的高级汽油，行驶100英里的成本是12.60美元。而豪华电动汽车的成本是每100英里15.52美元，假设主要使用商用充电桩。

这项研究不同于此前的一些报告，这些报告显示，电动汽车的用车成本比传统汽车更便宜。

例如，密歇根大学交通研究所 2018年的一项研究发现，在美国，一辆电动汽车的平均用车成本为每年485美元，而汽油动力汽车的用车成本为1117美元。

安德森说，这是因为此前的大多数研究只包括住宅用电成本，而没有考虑这项研究涉及的其他四项成本。

研究发现全球一半屋顶安装太阳能电池板即可满足整个社会电力需求

Fri, 15 Oct 2021 02:06:39 CST

屋顶太阳能电池板比2010年时便宜了79%。这些暴跌使得屋顶太阳能光伏发电对那些希望减少对电网的依赖，同时减少碳足迹的家庭和企业更具吸引力。 但是否有足够的屋顶面积让这种技术为每一个需要它的人产生负担得起的低碳能源？

在《自然通讯》上发表的新论文对我们需要多少屋顶太阳能电池板来为整个世界产生足够的可再生能源进行了全球评估。这项研究是第一次提供如此详细的全球屋顶太阳能潜力地图，评估了从城市到大陆的屋顶面积和阳光覆盖。

研究人员发现只需要将世界上50%的屋顶覆盖上太阳能电池板，就可以提供足够的电力来满足世界的年度需求。研究人员设计了一个程序，纳入了3亿多座建筑的数据，并分析了1.3亿平方公里的土地，几乎是地球的整个陆地面积。这项研究估计了这些土地上存在的20万平方公里屋顶上可以产生多少能源，这个面积与英国的面积大致相同。

然后，研究人员通过观察这些屋顶的位置来计算其发电潜力。一般来说，位于高纬度地区的屋顶，如欧洲北部或加拿大，由于冬季和夏季之间日照的巨大差异，其全年的发电潜力可能相差多达40%。然而，位于赤道附近的屋顶，由于日照更加稳定，通常在不同季节的发电潜力只有1%左右的变化。这很重要，因为这些每月潜力的巨大变化会对该地区太阳能发电的可靠性产生重大影响。这意味着日照更不规律的地方需要储能解决方案，这就增加了电力成本。

研究结果强调了屋顶太阳能发电的三个潜在热点。亚洲、欧洲和北美洲。其中，亚洲看起来是安装电池板最便宜的地方，在印度和中国这样的国家，一千瓦时（kWh）的电力，大约相当于48小时使用笔记本电脑消耗的电力，只需0.05便士就可以生产。这要归功于廉价的电池板制造成本，以及阳光充足的气候。同时，实施屋顶太阳能最昂贵的国家是美国、日本和英国。欧洲处于中间位置，整个欧洲大陆的平均成本约为每千瓦时0.096便士。

屋顶太阳能电池板看起来在人口少的地区和在城市中心同样有用。对于那些生活在偏远地区的人来说，太阳能电池板有助于补充甚至取代可能不可靠的当地电网的供应。而对于城市里的人来说，电池板可以大大减少因燃烧化石燃料获取能源而造成的空气污染。

查看评论

手机关了 GPS 还会被定位，一项新研究能阻止位置隐私泄露

Fri, 13 Aug 2021 22:22:12 CST

你知道吗？即使你的手机关闭 GPS 定位，你的位置信息也会被追踪到。这是因为你的手机会向你附近的手机信号塔显示个人标识符，这样运营商就知道了你的位置，并且你的位置数据可能会因此被泄露给第三方的数据收集行业。

美国南加州大学和普林斯顿大学的两位研究人员找到了一种能够阻止蜂窝网络泄露隐私的方法，能够使手机用户正常使用移动网络连接的同时，保护用户的位置数据等隐私信息。

研究人员称，所有运营商都可以采用这种技术，只需要简单的软件升级就可以实现用户位置信息的保护，而不必去改变任何硬件设备。

这项新技术名为“优良手机加密（Pretty Good Phone Privacy，PGPP）”，于 8 月 11 日在 USENIX 安全会议上展示，研究论文已于 2020 年 9 月 18 日预发表在论文预发表平台 arXiv 上，论文以该新技术命名。

论文链接： https://arxiv.org/pdf/2009.09035.pdf

一、你的位置被手机信号塔“出卖”了

你有没有想过，为什么你刚刚到达一个新城市，就会收到运营商的问候信息？运营商是怎么知道你在哪里的？没错，就是你身边的信号塔“出卖”了你。

每张 SIM 卡都拥有一个永久的 ID 号码，被称作“国际移动用户识别码（IMSI）”。你的手机如果想正常工作，它就会向附近的信号塔出示自己的 IMSI，这样运营商就可以知道你是谁、你有没有缴费以及你在哪个信号塔附近。

“当你的手机接受或发送数据时，无线电信号会从你的手机发送到手机信号塔，然后进入网络。网络可以获取所有的数据并将其出售给第三方公司或者出租信息的中间商。即使你禁止应用程序跟踪你的位置，手机仍然可以与信号塔交换数据，这意味着运营商随时都可以知道你在哪里。”论文的作者之一，南加州大学助理教授 Barath Raghavan 说。

在美国，没有任何一条联邦法律限制第三方使用用户的位置数据，因此专门买卖用户数据的“数据经纪人”和运营商可以从用户的位置信息等数据中获利。

据美国媒体 WIRED 报道，美国的主要运营商们尽管承诺不会销售用户数据，但仍然在暗地里将这些数据出售给第三方，直到美国联邦通信委员会对 AT&T、T-Mobile、Verizon 等运营商做出了合计近 2 亿美元的罚款才停止了这种行为。

二、给手机的“身份证”加密，让用户匿名上网

为了解决信息泄露的问题，Barath Raghavan 同普林斯顿大学的 Paul Schmitt 一起开展了研究。他们发现，在手机联网过程中，身份验证环节可以和后续的联网相分离，也就是说，用户个人的身份信息不必接入网络。

PGPP 通过打破用户手机和手机信号塔之间的直接通信线路来工作。通过这一方法，手机不会向手机信号塔发送个人身份信息，而是发送加密令牌。用户上网过程的身份认证工作交由 PGPP 网关来完成，而不必被上传至网络。

▲ 手机通过传统方式上网与通过 PGPP 上网过程区别示意图

“解决问题的关键在于，如果你想匿名，该怎么让运营商知道你已经缴了费。在我们开发的协议中，用户支付账单后可以从服务提供商那里获得具有加密签名的令牌，用户可以通过令牌认证身份上网。我们的方法让用户的身份信息与位置信息相分离，这样就能使用户在接入网络的过程中匿名。”Barath Raghavan 说。

PGPP 的目标是避免使用唯一标识符来验证客户和授予网络访问权限。通过这项技术，网络通过匿名令牌识别用户，而运营商可以为全部用户发放相同的 IMSI 号码或者其他任何随机 ID，这样就可以避免用户被人通过网络追踪。

Barath Raghavan 和 Paul Schmitt 在实验室中用几部手机、一台运行 Linux 系统的电脑以及一个无线电平台 USRP B210 制作了原型系统，并在手机中安装了可编程的 SIM 卡对 PGPP 技术进行了测试。

他们发现这种新技术跟传统方式相比几乎没有增加任何网络延迟，也没有给网络连接增加多余的负担。运营商采用这种技术后，可以在单个服务器上处理数千万用户的匿名联网需求，并且通过现有网络无缝地部署给客户。

另外，由于该系统的工作原理是防止信号塔识别到用户身份，从而隐去用户的位置信息，因此其他基于位置信息的网络服务仍然可以正常使用。

▲ 研究人员组成的测试平台

三、PGPP 让第三方获取的用户数据失效

为了使这项技术更好的在美国的电信公司内推广，Barath Raghavan 和 Paul Schmitt 创办了一家名为 Invisv 的初创公司。他们说，运营商想要采用这种新开发的技术很容易，但是就算一切顺利，在全美推广也是个漫长的过程。

不过他们认为只要有几家运营商采用了这一技术，情况就可以产生很大的变化。因为如果一部分用户的位置数据变得不准确，那么包含这些数据的整批数据都没那么可靠了，也就是说这些数据对于想要获取用户信息的第三方来说将变得没有意义。

研究人员希望这项技术能够被主流的运营商所采用。“地球上的几乎每个人都可以被实时追踪，我们不得不默默地接受我们对自己数据控制权的丧失。我们相信，这项技术能够使我们恢复一部分控制我们个人数据的权利。”Raghavan 说道。

结语：让运营商放弃既得利益，PGPP 推广充满波折

长期以来隐私保护一直是公众热议的话题，随着互联网技术的快速发展，隐私泄露问题时有发生。

目前已经有不少国家和地区针对面部识别进行立法，以保护公众的面部数据隐私。关于用户上网过程中的身份信息、位置信息等泄露问题正引起更多的重视。

美国部分运营商曾被爆出出售用户信息获利，如果 PGPP 能够得到推广，这条利益链条便会被斩断，显然这些运营商们不会主动放弃既得利益。因此，PGPP 要得到推广必定会充满波折。

Apache Atlas元数据血缘关系（Lineage）功能研究_tomalun的专栏-CSDN博客

Tue, 01 Jun 2021 17:00:32 CST

一、生成血缘数据

血缘关系数据通过Process生成，可以在数据导入时自动生成或通过RestAPI新增Process生成。

1、 sqoop同步自动生成血缘数据

sqoop同步MySQL数据库数据到hive，同步成功后，通过sqoop的 Atlas Hook自动生成血缘数据。

sqoop将MySQL数据库所有表数据同步到hive仓库命令：

sqoop import-all-tables --connect jdbc:mysql://192.168.1.1:3306/testdb --username root --password ****** --hive-import --hive-database testdb --m 1

Atlas管理台可以查看到每张表的血缘关系图:

2、 RestAPI接口生成血缘数据

通过Atlas的RestAPI接口新增Process，可以生成血缘数据。

例如将Atlas元数据管理的MySQL数据库表和hive数据表关联生成血缘数据，先查到两张表的guid值，然后构造请求数据调用接口： http://{atlas_host}:21000/api/atlas/v2/entity/bulk

请求消息：

{"entities":[{"typeName":" Process","attributes":{"owner":"root","createTime":"2020-05-07T10:32:21.0Z","updateTime":"","qualifiedName":"people@process@mysql://192.168.1.1:3306","name":"peopleProcess","description":"people Process","comment":"test people Process","contact_info":"jdbc","type":"table"," inputs":[{"guid": " 5a676b74-e058-4e81-bcf8-42d73f4c1729","typeName": "rdbms_table"}]," outputs":[{"guid": " 2e7c70e1-5a8a-4430-859f-c46d267e33fd","typeName": "hive_table"}]}}]}

Atlas管理台可以查看到表的血缘关系图:

3、 hive建表语句自动生成血缘数据

hive执行hive SQL语句create table t2 as select id, name from T1创建表，会自动生成表的血缘数据以及字段级的血缘数据。

Hive 2.2.0以下的低版本存在bug，字段级的血缘数据不能自动生成，需升级hive版本到2.2.0及以上才能正常生成字段级的血缘数据。

Atlas管理台可以查看到表的血缘关系图:

字段（列）级血缘图：

4、多个 Process联结的血缘图

二、管理血缘数据

1、 Rest API查询血缘数据

get请求：http://{atlas_host}:21000/api/atlas/v2/lineage/01d12e5f-1ef5-46a8-ac13-29be71e8f78e

响应消息：

{"baseEntityGuid":"01d12e5f-1ef5-46a8-ac13-29be71e8f78e","lineageDirection":"BOTH","lineageDepth":3,"guidEntityMap":{"5a676b74-e058-4e81-bcf8-42d73f4c1729":{"typeName":"rdbms_table","attributes":{"owner":"root","createTime":1577687198000,"qualifiedName":"testdb.p_people@mysql://192.168.1.1:3306","name":"p_people","description":"MySQL数据库表：testdb.p_people"},"guid":"5a676b74-e058-4e81-bcf8-42d73f4c1729","status":"ACTIVE","displayText":"p_people","classificationNames":[],"meaningNames":[],"meanings":[]},"2e7c70e1-5a8a-4430-859f-c46d267e33fd":{"typeName":"hive_table","attributes":{"owner":"hdfs","createTime":1578981817000,"qualifiedName":"testdb.p_people@primary","name":"p_people"},"guid":"2e7c70e1-5a8a-4430-859f-c46d267e33fd","status":"ACTIVE","displayText":"p_people","classificationNames":["people"],"meaningNames":[],"meanings":[]},"2b65eb7f-596e-48f0-a94d-240e56a4da93":{"typeName":"Process","attributes":{"owner":"root","qualifiedName":"people@process@mysql://192.168.1.1:3306","name":"peopleProcess","description":"people Process"},"guid":"2b65eb7f-596e-48f0-a94d-240e56a4da93","status":"ACTIVE","displayText":"peopleProcess","classificationNames":[],"meaningNames":[],"meanings":[]},"01d12e5f-1ef5-46a8-ac13-29be71e8f78e":{"typeName":"hive_process","attributes":{"qualifiedName":"testdb.p_people_tmp2@primary:1588921268000","name":"create table p_people_tmp2 as select peopleid,peopletype,credentialtype,credentialno,peoplename,gender,nation from p_people"},"guid":"01d12e5f-1ef5-46a8-ac13-29be71e8f78e","status":"ACTIVE","displayText":"create table p_people_tmp2 as select peopleid,peopletype,credentialtype,credentialno,peoplename,gender,nation from p_people","classificationNames":["people"],"meaningNames":[],"meanings":[]},"a4ccceb2-a52c-46a2-b4fd-27d26b8aad3f":{"typeName":"hive_table","attributes":{"owner":"hive","createTime":1588921268000,"qualifiedName":"testdb.p_people_tmp2@primary","name":"p_people_tmp2"},"guid":"a4ccceb2-a52c-46a2-b4fd-27d26b8aad3f","status":"ACTIVE","displayText":"p_people_tmp2","classificationNames":["people"],"meaningNames":[],"meanings":[]}},"relations":[{"fromEntityId":"01d12e5f-1ef5-46a8-ac13-29be71e8f78e","toEntityId":"a4ccceb2-a52c-46a2-b4fd-27d26b8aad3f","relationshipId":"148cc83d-5b67-4174-91e4-767509483e13"},{"fromEntityId":"2e7c70e1-5a8a-4430-859f-c46d267e33fd","toEntityId":"01d12e5f-1ef5-46a8-ac13-29be71e8f78e","relationshipId":"eb768346-d32a-40f9-bf04-d23abbcc3221"},{"fromEntityId":"2b65eb7f-596e-48f0-a94d-240e56a4da93","toEntityId":"2e7c70e1-5a8a-4430-859f-c46d267e33fd","relationshipId":"bea47efd-2645-4d8a-ba6b-8f4ef9bb7316"},{"fromEntityId":"5a676b74-e058-4e81-bcf8-42d73f4c1729","toEntityId":"2b65eb7f-596e-48f0-a94d-240e56a4da93","relationshipId":"517db5b7-f537-4e66-97f1-33c2863fb440"}]}

2、管理界面查看血缘图

可以在Atlas管理台每个实体详情的Lineage选项卡页面查看血缘图：

界面上有几个功能按钮可以操作，依次是重排血缘图、导出png图片、设置hover事件显示当前路径或节点详情、隐藏过滤、节点搜索、放大、缩小、全屏：

抖音推荐机制与算法的研究

Thu, 13 May 2021 18:58:31 CST

最近公司的部分运营工作涉及到的抖音短视频的宣传。为了达到更好的效果，于是对抖音的推荐机制进行了简单的整理和研究。

通过数据的分析，我们发现在传播效果方面，抖音>小红书>微信朋友圈>新浪微博。究其原因是内容分发的逻辑存在非常大的差异。

微信朋友圈、新浪微博：订阅模式，用户仅能看到好友或关注者的信息
抖音、小红书：非订阅模式，用户可以看到个除关注用户以外的其他内容

微信虽然可以通过转发传播，但是在转发意愿度层面会消弱传播效果。朋友圈转发困难度较大，很难进行二次传播。而非订阅模式的抖音模式通过算法机制，可以将内容一次次的推送给潜在感兴趣用户，致使内容可以大面积的广泛传播。

从创作者角度：只需内容足够“优秀”，就能获得很好的分发机会
从普通用户角度：无需寻找信息源也能获取“优质”的内容

关于抖音的分发推荐机制，我没有找到官方的说明材料，但获取到了同样字节跳动旗下的“中视频平台” 西瓜视频的推荐机制介绍。

西瓜视频的推荐机制

要了解推荐机制，首先我们要了解观众。每个观众的观看兴趣都是大不相同的，个性化推荐机制要做的事情就是让每位用户看到可能感兴趣的内容。这种精准推荐，是建立在机器对每位用户都有充分认知的前提下的。在机器中，每位用户实际是由大量数据构成的，用户的观看兴趣就藏在这些数据中。不同数据对用户兴趣计算所占权重不同，数据包括：

性别、年龄、所处城市；
关注的帐号、常浏览的频道、关注的话题；
观看过的视频分类和关键词；
相似类型的其他用户还喜欢观看的其他视频类型；
….

推荐系统的本质，就是从一个海量的内容池里，为观众匹配出少量感兴趣内容。为了给用户提供他们喜欢的内容，或者理解用户的需求，平台有很多角度可以去刻画一个用户的画像，比如，年龄、性别、历史浏览的文章、环境特征等；同时，利用先进的AI技术对内容进行分门别类。紧接着，推荐机制就像一座“桥梁”，连接观众和内容，将内容源源不断地推送到感兴趣的用户面前。这座“桥梁”有两个特点：

兴趣匹配：观众的观看类型与内容分类重合度最高，被系统认定最可能对该内容感兴趣。
分批次推荐：首先会被推荐给一批对其最可能感兴趣的观众，这批观众产生的数据，将对内容下一次的推荐起到重要作用。

视频的首次推荐，如果点击率低，转评赞不高，系统认为视频不适合推荐给更多的用户，会减少二次推荐的推荐量；如果点击率等数据高，系统则认为视频受用户喜欢，将进一步增加推荐量。以此类推，视频新一次的推荐量都以上一次推荐的点击率等数据为依据。例如，一个视频首次推荐给了1000个用户，如果这批用户的点击率、完播率等较高，系统判定用户非常喜欢这篇视频，将其扩大推荐给10000个用户，如果这轮推荐用户的点击率、完播率等仍然维持在较高水平，那么系统会将视频再次扩大推荐给30000个用户、50000个用户、100000个用户……推荐量和播放量便如滚雪球一般节节攀升。因为这种扩大推荐的机制，创作人想获得更多的播放量，就必须努力把各维度阅读数据（点击率、用户播放时长、收藏数、评论数、转发数等）维持在高位水平。这就要求视频：

标题和封面图具有足够的吸引力、表意清晰，提高点击率；
视频内容优质，剪辑解说俱佳，提高用户播放时长和播放完成度；
内容详实，给观众干货般的充实感，提高收藏数和用户播放时长；
观点鲜明，引发观众讨论，增加评论数和转发数。

其中，至关重要的当然是点击率，完播率，转评赞等，也因此，标题和封面图的重要性便不言而喻。这也是今天注意力稀缺时代，播放获得好的传播的关键要素。有吸引力的标题能带来更多点击，但这不意味创作人要成为惯用夸张标题的标题党。恰恰相反，标题党反而会被平台通过技术手段识别和打压，限制推荐量。除了标题夸张，用户举报密集、负面评论过多都是限制播放推荐量的因素。归根结底，一个作品能否获得更多推荐最终取决于内容质量，好的内容才能带来流量的长效增长。

从西瓜视频到抖音短视频

关于抖音的分发机制完善流传着这样一份的流程图，整体流程和上面的西瓜视频的介绍的推荐逻辑类似。后续我们就根据下面的流程进行深入的研究与分析。

检测机制

在抖音，每天有数量庞大的新作品上传，需要对一些内容进行过滤，从目前公布的内容看，检测主要集中在：

去重检测：抽帧检查视频是否存在搬运、抄袭问题
违禁检测：字幕、标题中是否涵盖违禁词汇，有无裸露
版权检测：音乐版权是否侵权，大陆有无版权问题

如果纯靠机器可能存在一些误判，人工一一确认又不太现实。所以采用机器检测和人工检测的结合。

机器审核：一般是通过提前设置好的人工智能模型来识别你的视频画面和关键词，它主要有两个关键作用：

审核作品、文案中是否存在违规行为，如果疑似存在，就会被机器拦截，通过飘黄、标红等提示人工注意；
通过抽取视频中的画面、关键帧，与抖音大数据库中已存在的海量作品进行匹配消重，内容重复的作品进行低流量推荐，或者降权推荐（仅粉丝可见、仅自己可见）。
有没有出现广告、有没有带水印或者LOGO、内容是否裸露、不雅、血腥等

人工审核：主要集中在3块：视频标题、封面截图和视频关键帧。

针对机器审核筛选出疑似违规作品，以及容易出现违规领域的作品，抖音审核人员进行逐个审核。
如果确定违规，将根据违规账号进行删除视频、降权通告、封禁账号等处罚。

通过检测是迈向内容分发的第一步，如果第一步没通过则相当于被关进了小黑屋。违规检测相对来说比较容易规避。版权检测，特别是音乐版权有时不清楚自己使用的音乐是否合规，保守方案是使用抖音上目前热门视频所使用的音乐。去重检测其实是一个很容易误触的机制，特别是一些模仿性质的内容，可采取的方案是更换不同的背景、角度、服装等。录屏性质的视频非常的特别特别容易触发去重检测，取而代之的是摄屏的方式，摄屏是可以采取不同的背景和角度，但需要注意的是保证摄屏时的清晰度。

赛马机制

抖音的算法其实是一个赛马机制。简单的说就是先将视频推荐给小部分人群，收集这部分数据的表现情况，再将表现好的视频分发到更大的范围。

所以抖音流量的增长方式并不是线性的，增长曲线更多类似：

从目前了解的资料看，抖音的赛马机制总共有三种方式：

初级分发：通过机制确认无违规后由附近的人/关注/好友/标签组成的初级分发流量池
- 通讯录好友：提取你的手机电话通信录中的手机号码，将电话号码上传到抖音服务器，匹配好友。
- 共同联系人：类似QQ共同联系人推荐，抖音也会使用共同联系人进行关系绑定
- 以前还有通过抓取微信好友关系链的，后来好像被腾讯告了
多级推荐：根据初级流量回馈评分达到算法设定的分值进入下一级流量池推送
热门推荐：根据热门推荐算法结合先前流量回馈评分选取优秀视频进行人工审核，做精热门推荐，审核的范围可能包括
- 搬运、非原创视频：含有其他平台水印、视频ID与上传ID不符、明显盗录内容
- 低质量视频：内容物故事性、完整度差、视线模糊
- 广告营销：明显的广告营销类型信息
- 隐性风险：出现标题党、危险动作、令人不适元素等高危内容
- 未授权明星/影视赛事类视频：视频内容侵权

以下是网友通过数据的整理的大致抖音流量池分级情况：

首次曝光，300左右播放量
二次曝光，3000左右播放量
三次曝光，2~1.5W左右播放量
四次曝光，10~12W左右播放量
五次曝光，40~60W左右播放量
六次曝光，200~300W左右播放量
七次曝光，700~1100W左右播放量
八次曝光，3000W+播放量

流量触顶

抖音作品经过双重审核、初始推荐、叠加推荐层层引爆之后，通常会给账号带来大量的曝光、互动和粉丝。而这种高推荐曝光的时间，一般不会超过一周。之后，爆款视频乃至整个账号会迅速冷却下来，甚至后续之后发布的一些作品也很难有较高的推荐量。主要原因：

抖音每天的日活是有限的，也就是说总的推荐量是基本固定的，需要把机会尽可能的给到更的创作者
与你内容相关标签的人群基本完成推荐，其他非精准标签人群反馈效果差，所以停止推荐
抖音也不希望某个账号仅通过一个视频就大火，而是期望你能持续不断的输出优质内容

考核机制

短视频想要进入下级流量必须满足一定的指标要求，并且由于流量池越开越大，响应的匹配精度越低，平台想要控制整体内容的满意度，对于指标的要求也会越来越高。抖音推荐算法中的赛马机制主要看中的视频指标由以下部分组成：

账号分值：
- 完成度：头像、昵称、签名、性别、其他资料
- 健康度：内容质量、话题专业度（历史视频表现？）
- 认证：是否达人认证
视频分值：通过算法加权？
- 完播率
- 点赞率
- 评论率
- 分享率
- 转粉率

如何评级视频质量的好、中、差？

完播率：尽量控制15-40秒，太短抖音嫌弃，太长用户耐心不够划走。选择优秀的歌曲可能保证完播率（用户想把歌听完）
- 0-10%——较低
- 10%-30%—— 一般
- 30%以上——较好
作品平均播放时长：前3秒是关键！抓人眼球，多留悬念、反转、梗。让粉丝带着期待坚持看完。
- 3秒以下——较低
- 3-7秒—— 一般
- 7-15秒——较好
- 15秒以上——很好
互动率：开头和结尾的设计很关键，打造独特的”记忆点”，可以引导粉丝点赞留言。
- 点赞率：5%以上
- 评论率：1%以上
- 转发率：5%以上
吸粉率：有趣又有用的内容，是吸粉关键。
- 1%以上

什么样的视频有爆款潜质？

通过数据统计得到的结论：

完播率：30%以上
点赞率：10%以上
评论率：5%以上
分享率：1%以上

所以，一个作品发出后，基本前面一两个小时，或者30分钟左右，就能预测到是否会火了。如果1小时之内，播放量突破5000，而点赞量能大于100，评论数大于10，那么，得到系统推荐的机率就大很多了，基本上离热门也不远了。

其他信息

用户可以直接通过抖音推出的DOU+氪金让自己创作的视频直接进入更高级别的流量池。

参考链接：

Why TikTok made its user so obsessive? The AI Algorithm that got you hooked.

IT瘾研究推荐

研究称 AI 的生产力提升仅为每周 16 分钟

研究认为富裕国家对AI的过度使用可能加剧不平等现象

LLM距离AGI只差一层：斯坦福研究颠覆「模式匹配」观点

OpenAI 研究人员称 AI 幻觉在数学上是不可避免的

中国新就业形态研究中心：2025年网约车司机月均收入7623元

更多阅读：

研究认为社交媒体的问题无法得到修正

OpenAI核心研究员：比提示词工程更重要的，是spec-writing | My Secret Rainbow

OpenAI核心研究员：比提示词工程更重要的，是spec-writing

01 编程真正的价值在于结构化沟通， 而不是代码本身

02 一份完善的规范 才是真正的「源代码」

03 规范可以直接用于训练和调优 AI 模型

04 如何用「规范」训练模型？

05 规范是跨角色通用的语言

06 未来 IDE 不仅是写代码的工具，而是「集成式思维澄清器」

麻省理工学院新研究：ChatGPT 可能会削弱批判性思维能力

冷门红利指数研究系列——中证红利成长低波指数

大模型已过时，小模型SLM才是未来？苹果正在研究这个

糖尿病常见并发症风险降低73%！华科大最新研究：做好这3件生活小事

Businessinsider：研究表明美国大多数电动车充电费用比油车加油还贵

更多阅读：

​5万多中国人研究发现：有这个习惯的人，不容易得癌症

OpenAI重磅研究：ChatGPT可能影响80%工作岗位，收入越高影响越大

研究称男性体力劳动者的精子数更多

[Science] 男性生育研究：全球男性精子数量下降的5个原因

男性生育研究：全球男性精子数量下降的5个原因

1. 肥胖症

2. 药物滥用

3.性病

4.膝上电脑

5.内分泌干扰物

未来情况

该怎么办？

这类食物有多诱人，就有多危险！最新研究：这些食品正在损伤你的肝脏

更多阅读：

中科院出了份70多页的报告 居然是为了研究游戏？

58安居客房产研究院：2022年4月全国二手房市场报告

一、全国二手房相关政策解读

1. 全国性政策

2. 地方性政策

二、全国 65 城二手房市场

1．全国 65 城在架房源量

2．全国 65 城房源在架时长

3．全国 65 城供需分析

4．全国 65 城二手房挂牌均价走势

5．全国 65 城二手房房价地图

三、热点城市二手房市场分析

1．一线城市二手房市场（北京、上海、广州、深圳）

1.1 一线城市二手房在架房源量

1.2 一线城市二手房在架时长

1.3 一线城市二手房供求关系

1.4 一线城市二手房挂牌价格走势

2．热点城市二手房市场（重庆、成都、合肥、南京、沈阳、天津、福州、昆明）

2.1 热点城市二手房在架房源量

2.2 热点城市二手房在架时长

2.3 热点城市二手房供求关系

2.4 热点城市二手房挂牌均价走势

更多阅读：

Uber工程师对真实世界并发问题的研究

透明地引用捕获 (Transparent Capture-by-Reference)

循环变量的捕获

err变量被捕获

捕获命名的返回值

Slice相关的数据竞争

非线程安全的map

传值和传引用的误用

混用消息传递和共享内存两种并发方式

并发测试

不正确的锁调用

为写操作申请读锁

其它锁的问题

总结

研究发现 98% 的中国儿童青少年未达心血管健康理想状态

怎样研究透一家公司

研究发现社交媒体加重了中年女性的孤独感

更多阅读：

少数数据集支配着机器学习研究

徐志华：投资最难的是持有，持有的信心来自深度研究

先行业后个股，无成长不价值

01 编程真正的价值在于结构化沟通，而不是代码本身

02 一份完善的规范才是真正的「源代码」

5万多中国人研究发现：有这个习惯的人，不容易得癌症

中科院出了份70多页的报告居然是为了研究游戏？