总市值	净资产	净利润	市盈率(动)	市净率	毛利率	净利率	ROE
证通电子	-	-	-	-	-	-	-	-
计算机设备 (行业平均)	-	-	-	-	-	-	-	-
行业排名	-|-	-|-	-|-	-|-	-|-	-|-	-|-	-|-
四分位属性 四分位属性是指根据每个指标的属性，进行数值大小排序，然后分为四等分，每个部分大约包含排名的四分之一。将属性分为高、较高、较低、低四类。 注：鼠标移至四分位图标上时，会出现每个指标的说明和用途。	总市值计算公式为公司总股本乘以市价。该指标侧面反映出一家公司的规模和行业地位。总市值越大，公司规模越大，相应的行业地位也越高。 注：四分位属性以行业排名为比较基准。 -	公式为资产总额减去负债后的净额。该指标由实收资本、资本公积、盈余公积和未分配利润等构成，反映企业所有者在企业中的财产价值。净资产越大，信用风险越低。 注：四分位属性以行业排名为比较基准 -	公式为：净利润=利润总额-所得税费用。净利润是一个企业经营的最终成果，净利润多，企业的经营效益就好。 注：四分位属性以行业排名为比较基准 -	公式为公司股票价格除以每股利润。该指标主要是衡量公司的价值，高市盈率一般是由高成长支撑着。市盈率越低，股票越便宜，相对投资价值越大。 注：四分位属性以行业排名为比较基准 -	市净率是公司股票价格与每股净资产的比率。市净率越低，每股内含净资产值越高，投资价值越高。 注：四分位属性以行业排名为比较基准。 -	公式为毛利与销售收入的比率。毛利率越高，公司产品附加值越高，赚钱效率越高。 注：四分位属性以行业排名为比较基准 -	公式为净利润与主营业务收入的比率。该指标表示企业每单位资产能获得净利润的数量，这一比率越高，说明企业全部资产的盈利能力越强。 注：四分位属性以行业排名为比较基准 -	公式为税后利润与净资产的比率。该指标反映股东权益的收益水平，用以衡量公司运用自有资本的效率。指标值越高，说明投资带来的收益越高。 注：四分位属性以行业排名为比较基准 -

---

中美两国在人工智能领域的优缺点 人工智能对中美两国的影响

中美两国在人工智能领域的关系,中美两国人工智能产业发展全面解读,中美在人工智能领域的发展现状,中国与美国人工智能发展优势
最近看到美国机器人能实现空翻等高难度动作，国内机器人却是一排排小机器人跳着简单的步伐，还洋洋自得，请问两国人工智能差距如何？

大概就是望尘莫及的差距吧。

这里有一个好消息和一个坏消息：

• 坏消息是，AI 已经全面落后英美了。
• 好消息是，大概还是第二的位置（美英合在一起了），因为其他国家落后更多。

这个很明显的，ChatGPT，OpenAI 已经做出来了，国内研究者们（包括国内最牛的高校，最高级别的三大人工智能实验室等等）还在讨论为啥国内做不出来。Diffusion Model，美英开源了，国内马上就有了； 而GPT3、Codex 以及 ChapGPT，美英没有开源，国内至今没有。

关于 ChatGPT 以及其他大模型（视频、语音和语言等），可参阅：

学习ChatGPT和扩散模型Diffusion的基础架构Transformer，看完这些论文就够了

究其本质，就一个字：穷！

事实上，在超大模型之前，人工智能领域出来个啥东西，国内都还跟的挺紧的，原创的内容也是有一些的。但自从 GTP3以及类似的超大模型之后，国内就跟不上了。其本质就是，AI（超大模型） 太费钱了。

这个是2020年关于 gpt3和alphaZero的估计：

1. 使用微软提供的AI超级AI计算机，训练一次GPT3的时间大约是5 天左右;如果使用美国云服务提供商提供的 GPU 来训练，训练一次 gtp-3 需要耗费从 280 万到 540 万美元不等，其价格主要取决于使用那 种 gpu/tpu 硬件。
2. 经估算，从零开始训练一个 alphaZero 的花费在 3500 万美元左右(按 2018 年 google 公布的 TPU 价格计算)。

这还仅仅是训练模型的钱，其他费钱的地方也很多：

1. 比如数据，高质量的数据收集。相比于英文的数据，中文的高质量数据太缺乏了！！！这其实也是需要钱堆出来的，而且，这个仅仅靠 AI领域的钱是远远不够的！！！
2. 比如专心的研究而不用考虑各种 KPI，这其实需要足够富裕的社会才能够容忍的。类似DeepMind和 OpenAI 这种到现在都光花钱不怎么产生收入，很难有短期经济效益的，是足够富裕的社会才会有的。

在 GPT3出来没多久（2020年），上海经信委就组织过关于 GPT3的调研，当时我给的建议是（但这两年看来，这个并没有跟上）：

1. GPT3很费钱，国内初创企业搞不定的，国内大企业也大概率会因为没有短期直接的收益而投入不多
2. 关于GPT3，以及当时的 AlphaZero 等，要抓紧组织研究、复现并在此基础上持续研究

上述这个建议的出发点很简单，就是：

GPT3，以及AlphaZero、 ChatGPT、AlphaFold 等所代表的是 AI领域的“大工程”，不是三五个研究小组就能搞定的，需要一个“大”的精英组织，有基础设施（算力集群）、并行计算、大数据（数据量 T 级别，甚至更高）、以及 AI 算法等。

顺带说说，为什么 ChatGPT 值得重视呢？

一方面，对于 ChatGPT 来说，综合了机器学习的三大范式――有监督学习、无监督学习、强化学习。由于GPT3.5（包括未来的 GPT4）强大的能力，以及基于 RLHF 实现了人机交互，并且能够从人机交互中持续学习，这使得ChatGPT 已经有了 AGI 的雏形了。AGI 的基础特征就是一个模型能够适用于多种任务，特别是在训练时候所未能想到（设计/遇到）的任务，而 ChatGPT 与以往模型的最大差别是，在语言模型中，它好像能做一切事情（分类、抽取、生成、摘要、写诗，还有人用它来谱曲等等）。个人感觉，未来几年如果未能紧紧跟上这个领域，则新一代的技术革命危矣。

另一方面，ChatGPT 和扩散模型所代表的 AIGC，还有另一个层面的意思，就是在AI 辅助创作方面的生产力能够极大提升，这将对未来的“知识”生产产生降维打击。现在“英文”知识已经远远好于“中文”知识了，在 ChatGPT等 AIGC 的协同下，未来可能进一步拉大差距。比如，国外已经出现了利用 ChatGPT 来共同写论文的例子了。

最后，国内在非“大工程”AI 的话，还是能够保持坐二望一的地位的，但在大工程 AI方面，可能还是“坐二”，但对第一可能已经是望尘莫及了。

既然已经看到这里了，那么就买几本书看看吧，为 AI 添砖加瓦打好基础。这里推荐三本，一本是图灵奖三巨头的《深度学习》，第二本是知识图谱领域权威书籍珠峰书《知识图谱：认知智能理论与实战》，第三本是强化学习的经典书籍《强化学习（第二版）》。

人工智能三大流派之一的连接主义，深度学习是连接主义的代表，花书《深度学习》是代表性著作。

人工智能三大流派之一的符号主义，早期的代表是专家系统，现在的代表是知识图谱，珠峰书《知识图谱：认知智能理论与实战》是代表性著作。

人工智能三大流派之一的符号主义，早期的代表是专家系统，现在的代表是知识图谱，珠峰书《知识图谱：认知智能理论与实战》是代表性著作

都看到这里了，不买书的就顺手点个赞吧！

“穷”本身是相对的，在 AI 未来的进一步发展中，是需要很多钱的，这包括：

1. AI研究本身需要大量的钱，比如训练 AlphaZero、GPT3、PaLM 等，费钱不少，但这块国内大企业或大的研究机构是付得起的；
2. 投入大量的钱进行创新，比如 OpenAI 几百亿持续5年在研究生成式模型，这个从 GPT 、GPT2再到 GPT3都并不是业界所一致看好的，但OpenAI 能够持续研究。这个对国内大企业和头部研究机构来说，就不见得能付得起了；
3. 数据，目前高质量的数据还是以英文为主，相比之下，中文可谓稀缺。这块是需要百年的“富裕”来支撑的。从这个视角来讲，中国还很“穷”。
4. 与数据一样，能够有大量的人去探索、创新、去研究未知的科学，是需要大量富足的、高智商人去往我的投入的，这块对国内来说，刚刚起步。

补充一个关于数据问题，中文语言语料相比于英文语言语料的极大劣势，至少有3点是明确的，其他更多也欢迎评论补充：

1. 国内审核机制导致 UGC 内容极其缺乏，特别是高质量的 UGC 。从这个衍生出去，接下来的 AIGC 也会因此受阻。
2. 学术论文基本以英文为主，相对应的中文的科学类论文（以及广义的科学类语料，比如编程代码之类的）也是极其缺乏的（相比与英文）。
3. 一个众所周知的事实是：公开已标注的语料中也是以英文为主，中文极其缺乏（相比于英文）。

补充另一个问题：在大陆使用 Transformers、Pytorch 和 Tensorflow 等框架时，所有自动下载模型的接口都存在问题，一旦模型大一些（比如超过1G），往往需要数小时甚至下载失败，这非常影响使用。其原因没法说。

补充一个 Google 和 ChatGPT的信息：Google 并不是做不出 ChatGPT，Google CEO发布 Red Code的原因是，如果Google 也提供类似 ChatGPT这样的服务的话，会影响广告收入。

补充关于Google 的对话大模型：LaMDA，FLAN 等；详情可参考 Google 对对话大模型的评估论文《The Flan Collection: Designing Data and Methods for Effective Instruction Tuning》 arXiv:2301.13688

据2023年2月2日路透社的报道，ChatGPT 的当时的用户量已超过1亿，成为有史以来用户增长最快的产品。这点对于使用了 RLHF 的产品来说，大量用户的反馈能够迅速提升其水平，ChatGPT 能够根据用户反馈进行快速升级，这对后来的类似 ChatGPT产品形成了另一个壁垒。另一方面，大量的专业认识对 ChatGPT 的评估产生了大量的论文和 blog，这些内容也是 OpenAI 完善ChatGPT 的宝贵资源.比如被大量诟病 ChatGPT 数学能力（如牛津大学评估了 ChatGPT 的数学能力《Mathematical Capabilities of ChatGPT》），ChatGPT 就专门升级了其数学能力。这点对未来类似 ChatGPT 的产品来说，就没有那么多全球范围内的各个领域专家对其评估，“帮助”改进产品了。不幸的是【相反，对 OpenAI /美国来说是幸运的】，这两点对AI 产品来说，至关重要。

---

读书笔记： 鸟哥基础篇第四版（第一、二章 磁盘划分)

主要内容：

1. Linux硬件的命名
2. MBR和GPT分区的区别， 对应分区槽的命名，primary, extended, logical分区
3. 挂载点

向下管理硬件，向上提供API调用。每种操作系统都是针对它专门的硬件机器运行

Linux 的核心是由 Linus Torvalds 在 1991 年的时候给他开发出来的

注：

1. 早期的windows下的个人电脑的CPU架构 不支持多任务，所以没有Unix版本
2. 纯种Unix指的就是 System V和 BSD两个版本
3. GNU写了可以在Unix上跑的软件，包括 gcc, Emacas, Bash Shell，还有C函数库
4. GNU由自己的核心，叫做，但是开发时对系统要求特别严谨，所以一再推迟面世

“Free software” is a matter of liberty, not price. To understand the concept, you should think of “free speech”, not “free beer”. “Free software” refers to the users’ freedom to run, copy, distribute, study, change, and improve the software

• GPL
• Open Source