今天金融股是一片慘綠。表面看起來導(dǎo)火線是,證監(jiān)會對某些券商違規(guī)的融資業(yè)務(wù)開了罰單。但更深層的背景遠不止如此。
資金擔(dān)憂的是,金融系統(tǒng)的改革再一次遇到難題。這個難題其實在股市開始急漲的第一天,大家早就心知肚明——錢,放出來了,卻沒有流向?qū)嶓w經(jīng)濟。在現(xiàn)有金融體系下,支流并不通暢,上面再怎么寬松,制造出來的只能是金融泡沫。泡沫也有個度,吹得太大,早晚得爆。
119只是個預(yù)警。
我們回頭看看中國金融改革的真正目的:政府希望一手用行政和稅收調(diào)控房地產(chǎn),一手用較為寬松的貨幣政策,緩解融資難問題,引導(dǎo)錢進入實體經(jīng)濟,支撐經(jīng)濟順利轉(zhuǎn)型。但是,沒想到改革的利好首先刺激了股市,錢從房地產(chǎn)出來后,股市賺錢效應(yīng)被進一步放大,吸納了大部分資金。
早在11月,融360就監(jiān)測到了融資市場最真實的變化——一系列開明的金融措施實施后,社會真實融資利率卻不降反升。各種理財產(chǎn)品回報上升、資金重回金融產(chǎn)品的懷抱,另一方面中小企業(yè)貸款條件和利率雙雙升高,反而是你去券商柜臺開融資戶的門檻從50萬降低到了10萬元。
這一背離初衷的結(jié)果,受困的仍然是中國金融體系的老問題——金融與實體經(jīng)濟的脫節(jié)。
有一個比喻非常形象,金融之于實體經(jīng)濟,就像血液之于身體一樣重要。血液要能夠高效率地分配到我全身的重要部位,身體才能健康。但就像身體的血管發(fā)生的問題類似,我認(rèn)為整個金融市場和實體經(jīng)濟存在"互而不相聯(lián),聯(lián)而不通,通而不暢"的問題。
以房貸為例,融360剛剛統(tǒng)計的《2014年全國房貸報告》發(fā)現(xiàn),北京是全國房價最高的城市,相對而言,房貸利率卻是最低的,三四線城市總體都要比一二線城市高。在現(xiàn)有金融體系下,錢還是很難到流到三四線城市,很難流到實體經(jīng)濟的毛細血管。就像上面說的,支流不通暢,上面再怎么寬松,制造出來的都只能是金融泡沫。
作為互聯(lián)網(wǎng)金融的代表,融360希望能解決一些問題。融360作為一個金融搜索平臺,過去三年通過我們申請到的房貸、車貸、經(jīng)營貸、無抵押消費貸等累計18000億元。形象地說,我們一直在幫助金融體系疏通“毛細血管”。
首先,融360一直專注于金融搜索,這是解決信息不對稱的很好方式,對于互聯(lián)互通是很有幫助。實際上,銀行不是不知道實體經(jīng)濟的小微企業(yè)缺錢,也不是不愿意貸,而是認(rèn)為風(fēng)險高,溝通成本大,互聯(lián)網(wǎng)金融能幫銀行解決風(fēng)險定價和服務(wù)的問題。
我們?nèi)ツ暌呀?jīng)推出一系列適用于移動端的應(yīng)用,用戶從移動來的比例接近70%,鋪設(shè)了線下的便利店,吸引了近千萬級別的用戶。這千萬級別的用戶,是之前傳統(tǒng)金融很難覆蓋或服務(wù)好的,而通過互聯(lián)網(wǎng)和移動互聯(lián)網(wǎng)方式,他們的金融需求得以解決。
短期看,互聯(lián)網(wǎng)金融行業(yè)對傳統(tǒng)金融行業(yè)會有一定的沖擊,但是長期而言,這些創(chuàng)新終究會被傳統(tǒng)金融企業(yè)吸收、演變,最終向健康的方向發(fā)展。
希望是,以后農(nóng)民在田間炕頭,小企業(yè)主在機器旁邊,就能通過互聯(lián)網(wǎng)金融的方式搜索、申請貸款,與富人和大企業(yè)一樣,享受到最貼心、定制的服務(wù)。如此循環(huán)、健康的金融生態(tài)體系,才能讓實體經(jīng)濟的繁榮。
這樣,金融股帶領(lǐng)的中國股市,才能在未來10年里得到真實可靠的上漲支撐。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。