德财长：对华政策须包括公平竞争环境

德财长：对华政策须包括公平竞争环境德国财长林德纳说，“为德国与中国公司提供公平竞争环境”，将是政府未来策略的一部分。根据路透社报道，林德纳星期五（11月4日）在接受当地媒体采访时说“我们必须认识到，中国不仅是一个做生意的地方，也是一个系统性的竞争对手。因此，我们必须保护我们的关键基础设施和知识产权。”他还补充说，由于世界秩序的改变，他愿意与美国进行新的贸易谈判。德国总理朔尔茨星期五开启上任以来的首个访华行程。朔尔茨此次访华受到德国和欧洲舆论质疑，朔尔茨在记者会上捍卫访华行程，强调“我今天在这里是好的、正确的”，“我们现在能实质和直接地和彼此沟通，以应对世界面对的挑战以及欧洲和中国的双边关系”。受访学者指出，这显示朔尔茨力图延续默克尔时期中德形成的相对稳定与务实的经贸合作关系。截至2021年，中国是德国最大贸易伙伴国，德国是中国在欧洲的最大贸易伙伴国；德国在镝、钕等工业原材料进口方面也高度依赖中国。发布：2022年11月5日9:05AM

【西班牙央行前央行行长：CBDC的最终目标是完全取代商业银行存款】

【西班牙央行前央行行长：CBDC的最终目标是完全取代商业银行存款】2023年03月31日10点38分老不正经报道，西班牙央行前央行行长MiguelFernándezOrdóñez今天上午在数字欧元会议期间发表讲话。Ordóñez表示，CBDC的最终目标是完全取代商业银行存款。也就是说，所有的商业银行都应该成为所谓的“狭义银行”。如果硅谷银行是硅谷CBDC服务提供商，你将永远不会跑，因为CBDC就是钱。这不是一个可能会失败的付款承诺。数字欧元有可能解决货币和银行体系中两个相互关联的问题：稳定性和竞争。银行垄断了支付和信贷市场，因为如果不通过商业银行账户就无法提供支付服务。这些银行也受到法规和维护稳定的立法的严格保护，例如巴塞尔协议III、存款保险计划和作为最后贷款人的中央银行，这些措施保护该行业免受新来者的影响。

对话杨植麟：Moonshot AI即将完成超10亿元融资，公司最终目标并非超越OpenAI

最近读到的LLM相关的文章，个人感觉质量最高的是这两篇：1.马丁：大模型赛道的技术和应用分析https://whjlnspmd6.feishu.cn/wiki/DBnWwik1piTB6Iki02CcXoVQn3S从技术测的预训练、Alignment（SFT/RLHF）、评测、MOE，到团队组织，到创业环境，再到应用层可能的机会（2C/2B），非常系统地给出了LLM现状的一个综述。尽管其中有不少都是opinions，但这些opinions是经过深度思考和前沿交流之后沉淀下来的，非常干，值得关注。对个人启发比较大的几个点：-目前制约大模型能力接近GPT4的主要因素不是knowhow（正在迅速贬值），而是如何在算力有限的情况下更快地试错。这样看来，随着中美算力的差距越来越大，模型能力的差距可能正在拉大而不是缩小。这可以通过即将发布的GoogleGemini能否大幅超越GPT4来验证。-在预训练中，大家过于关注算力，对数据规模、数据质量、数据管理、数据配比、数据清洗、scalingup（做小规模的精准验证）的关注不够。MOE尤其考验数据和Infra能力；-尚未证明RLHF一定比SFT更好，更难倒是真的；-9月是大模型创业公司下场的最后期限，之后就太晚了。投资人之后会更关注Infra和应用方向。好团队的标准：技术实力（工程能力而不是学术能力）+行业资源knowhow（+政府资源额外加分）；-Infra层面上，未来需要一个足够强的未做过alignment的foundationmodel，在此基础上提供加训、自定义对齐、评测、部署等更加精细的服务，而不是像现在这样只是简单地调用各个大模型的API；-向量数据库解决的是匹配外部知识的问题，它既不是唯一解，也不是最优解，甚至不如一些传统的搜索和NLP算法。如果是引入外部知识，那么更好的方法是pretrain或continuedpretrain；-在国内，相对于2B，更看好2C，但character.ai之类的chatbot窗口期已过。2.对话杨植麟：MoonshotAI即将完成超10亿元融资，公司最终目标并非超越OpenAI

只用Wi-Fi就能“看”到你在房间里干啥了……

只用Wi-Fi就能“看”到你在房间里干啥了……而且还不受环境光线、目标被遮挡的影响，效果接近于基于2D图像进行识别的方法。啊这，难道说WiFi能“看到”我？更进一步……WiFi能监视我？？OMG，蝙蝠侠剧情要照进现实了？？要知道在《暗黑骑士》里，哥谭市所有人的手机都变成了监控设备，同一空间里所有人的一举一动都能被实时记录。网友们已经构思恐怖脑洞了：想象一下，只需一台连接WiFi接收器的电视机，别人就能看到我们全家在干啥了。有人甚至说，以后可能必须要在身上涂保护层来屏蔽WiFi信号。搞全身追踪，不要用摄像头了如上提到的方法，是卡耐基梅隆大学（CMU）机器人研究所的新成果。研究的本身目的是为了保护隐私，毕竟在很多非公共场所，如养老院、独居老人家中，监控非常有必要，但是使用摄像头又很难保证隐私安全。使用雷达倒是能解决隐私问题，但价格和具体可操作上就很劝退了。于是，该团队想到了用现在几乎各家必备的WiFi来进行识别。所以在设备上，仅需两台再也普通不过的家用路由器（每个至少有3根天线）就可以了。原理也很简单，就是利用WiFi信号中的信道状态信息（CSI）数据。这些数据是一堆复杂的十进制序列，可以表示发射信号波和接收信号波之间的比率。当它们在发射器和接收器之间传输时，一旦接触到人体，就会被修改。于是，通过解读这些“改变”，就可以检测到人体姿态。为此，研究人员开发了一个“基于区域”的卷积神经网络分析pipeline，该pipeline可以定位人体的各个部位。然后再将WiFi信号的相位和振幅映射到24个人体区域里的坐标，实现最终的全身姿态追踪。具体来说，模型通过三个分量从WiFi信号中生成人体表面的UV坐标。首先，通过振幅和相位Sanitization步骤对原始CSI信号进行“净化”处理。然后，将处理过的CSI信号通过双分支编码器-解码器网络转换为2D特征图。接着，将2D特征馈送到一个叫做DensePoseRCNN的架构中。该架构灵感就来自Facebook已经开源的人体姿势实时识别系统DensePose。DensePose入选了2018年CVPR的Oral环节，主要是把2D图像转换成3D人体模型。所以这步的目的就是算出2D特征图对应的3D姿态，也就是估计出UV坐标。最后，在训练主网络之前，作者还将用图像生成的多层次特征图与WiFi信号生成的多水平特征图之间的差异进行了最小化，进一步完善了最终结果。尽管我们从肉眼看上去，两种方法的最终结果差不多，但在数据方面，基于图像的方法效果还是更好一些。比如在同样环境布局下，基于WiFi方法的精确度都低于图像方法。△数值越高意味着越好不同环境布局的情况也是如此。与此同时，如果遇到数据集中不包含的动作，该方法也无法识别成功。如果人数超过3个，也发生“丢人”情况。下图中左边两幅是罕见动作失败案例，右边两幅是3人以上识别失败情况。不过团队认为，如上问题可以通过进一步扩充数据集来解决。除此之外，该方法对路由器的放置位置要求很高，并且会对其他WiFi网络造成影响。来自CMU团队，有2位华人作者论文一作为JiaqiGeng，他来自卡耐基梅隆大学，去年8月获得了机器人专业硕士学位。另一位华人作者是DongHuang，他现在是卡耐基梅隆大学高级项目科学家。他的研究方向一直都是利用深度学习进行信号识别。比如之前已经实现了用WiFi信号实时识别2D人体姿态。最后一位作者是FernandoDelaTorre，他现在卡耐基梅隆大学机器人研究所副教授。他的研究方向主要为计算机视觉，涉及领域包括人体姿态识别、AR/VR等。2014年曾创办过一家开发人脸识别技术的公司FacioMetricsLLC，2年后被Facebook收购。作者团队表示，目前该方法性能还受限于可用来训练的数据不多，未来，他们计划扩充数据集。...PC版：https://www.cnbeta.com.tw/articles/soft/1339245.htm手机版：https://m.cnbeta.com.tw/view/1339245.htm