美国财政部发行顺周期的主权债务，回购市场的深度和流动性不断增加，事实上已成为全球最大影子银行。相比传统的政府债务过剩相关挤出效应，财政紧缩给股市带来的风险更大。
评：应该称影子中央银行
日本央行又做了一个出人预料的决定。7月31日，在日经225自历史高点回调的过程中，在以美国为主的发达经济体眼看要维持不住高利率的时间点，行长植田和男突然宣布加息15个基点，日本政策利率上升至0.25%。
评：独立于政治和民意作出艰难决策
本人1999年开始在中国从事创投行业，先是在跨国企业负责在华的美元投资，后于2006年创立启明创投。从管理美元基金开始，2009年起同时管理人民币基金，亲身经历了这些年投资条款的演变。在此，对时下被误解、滥用的一些条款如赎回条款、业绩对赌条款，特别是上市对赌条款等做一些溯源，希望有助于这个行业的健康发展。这里说的是我熟悉的创投即VC行业投资的条款，成熟项目的PE类条款可能有差别。
评：国内的VC/PE把这个行业搞成无风险放贷的
Meta最新发布的Transfusion，能够训练生成文本和图像的统一模型了！完美融合Transformer和扩散领域之后，语言模型和图像大一统，又近了一步。也就是说，真正的多模态AI模型，可能很快就要来了！
Transformer和Diffusion，终于有了一次出色的融合。自此，语言模型和图像生成大一统的时代，也就不远了！这背后，正是Meta最近发布的Transfusion——一种训练能够生成文本和图像模型的统一方法。
评：分久必合
微软本次发布的轻量级模型系列名为Phi-3.5，适合在内存和算力受限的环境中运行，均支持128k上下文长度。Phi-3.5-mini-instruct主要面向基础快速推理任务，Phi-3.5-MoE-instruct可胜任复杂推理任务，Phi-3.5-vision-instruct则兼具文本与视觉能力。
性能最强大的Phi-3.5-MoE-instruct模型有419亿个参数，在5个示例的MMLU测试中击败了GPT-4o mini。这是微软首次使用混合专家模型架构。
评：卷小模型
大模型驱动的游戏 NPC 终于落地了。今天凌晨，英伟达放出一段游戏 demo。
现在打游戏，你可以用语音对话的方式和 NPC 交流，了解关卡目标、优化装备配置，随后调整武器配色开始战斗。
评：游戏交互越来越真实有趣了
Demis Hassabis和他的前投资人Elon Musk，以及他的主要同行和对手Sam Altman对AI的观点很不一样。后面这两位对AI的巨大威胁和能力，有时候故意言过其实，危言耸听。
YanLecun就认为他们俩是在协AI自重，仔细看过他们关于AI的论述，访谈以及评论，多少有这样的意思。但是，Demis Hassabis对AI的看法要稳重得多，虽然，他也在那封著名的公开信上也签了名字。
但是，他不需要利用AI的巨大潜力，来制造焦虑，拉高公司的估值。他关于AI的论述，比Sam Altman和Musk更值得仔细聆听。最近两年的几次重要的演讲当中，Demis Hassabis的表态是最平稳的，谈论的内容，主要还是AI服务科学研究，最主要的当然是AlphaFold。
评：关于AI稳重的观点
进入2024年下半年，中国医疗器械领域里越来越多的企业，正在竞争中改变了谋略和打法，无论跨国公司还是本土公司。每一个细分领域都仿佛是一个没有硝烟的战场。企业们在这个战场上奋力拼杀，纷纷亮出“杀手锏”，试图在激烈的竞争中占据一席之地。新技术的迭代层出不穷，而也在此间酝酿着诸多竞争者对于整体环境复苏的期待。那么，面对着这样一个正在发生剧烈变化的市场环境，谁进谁退？这些进攻和撤退背后，究竟隐藏着什么样的信号？
评：产业的发展历程中，必然是波峰与波谷交替出现，而所谓的“卷”现象背后，实则是不断的迭代更新；在市场复苏之际，将形成新的格局。
自ChatGPT爆火之后，AI大模型的研发层出不穷，而在这场“百模大战”激战正酣之际，美国芯片公司英伟达却凭借其GPU在大模型计算中的出色发挥赚得盆满钵满。
然而，近日苹果的一项举动，给英伟达的火热稍稍降温。
评：暴利持久不了多久
如果说现在半导体市场最火的是什么，那么答案只有一个：显卡。从游戏爱好者到企业的算力中心，庞大的需求正在促使越来越多的半导体厂商进入GPU市场，就连在移动领域非常出名的企业——Arm都忍不住要来分一杯羹了。据媒体报道，Arm正在以色列秘密开发一款全新的GPU，并且为此招聘了超过百名芯片和软件开发工程师。而且与以往的GPU芯片不同，这款产品或许会是Arm的首款独立显卡，面向PC市场。
评：都想分杯羹
本文为《黑神话：悟空》制作人冯骥（Yocar），于2007年发表的长文，记录了当时他对游戏研发和游戏行业的思考，在互联网上已广为流传。
评：成败论英雄
我想从宏观角度思考我们当前在 AI 领域的地位。如今像 ChatGPT 这样的聊天机器人，从产品角度来说确实很有意思。但打造 AI 依然是一个漫长的旅程，我们还有很长的路要走。到目前为止，我得到了以下两点认识：
首先，我们可以通过单纯的预测任务，比如预测下一个词（next-word prediction），让模型学习到很多关于世界的知识。
其次，当你扩大规模时（无论是扩大参数还是训练数据的规模），这些模型的性能会更好。
评：对AI发展路线的另一种思考