近期，铁矿石又涨飞了。 上周五（8月14日），青岛港的澳大利亚粉矿价格、日照港的巴西粉矿价格分别为910元/吨、973元/吨。 自8月初以来分别累计上涨超过7%、6%，均创下了2014年2月份以来的新高。 同时，铁矿石期货表现也较为强势，8月17日，截止到收盘，铁矿石2101合约收834.5元/吨，较4月2日创下的今年以来的收盘低点（511.0元人民币/吨）上涨了超过63%。 数据来源：Wind 要知道在市场流动性宽裕的环境里，受美元贬值的影响，大宗商品基本都处于上涨的结构之中。 铁矿石现货以及期货价格走势 数据来源：华安证券 而随着黄金的大涨，铁矿石的表现也不容忽视，而究及其涨势的原因，主要是基于供需关系的变化逻辑。 受疫情影响，相对于海外铁矿供给端的疲软预期，国内复工复产步入正轨，钢厂新增产能积极性提升，高需求的驱动较为凸显，处于一定的高位，使得铁矿石价格处于积极走势之中。 铁矿石为何飞涨？ 众所周知，新冠疫情打乱了人们的生活节奏，也给予不少产业一些的负面性重创。 其中，铁矿石的供应自然也受到了明显的冲击。 在前期，尤其是随着海外疫情的反复爆发，巴西等主产国成为疫情“震中”之后，相关铁矿石的发运也受挫，促使其供应预期趋于悲观，而基于供不应求的逻辑，使得其价格一路狂奔，升至高位。 然而，进入后期，铁矿石价格的持续走强并非主要依赖于供应不足这一预期。 事实上，如今巴西等地的发货量已经有所回升，促使供应紧张的状态有所缓解。 “其批准实施位于巴西帕拉州卡南都斯卡拉加斯市的南岭120项目...北部系统的S11D 矿山和选矿厂的年产能提高 2000 万吨，使其达到 1.2 亿吨，从而使北部系统总产能扩至2.6亿吨/年。。”—— 巴西淡水河谷 铁矿石发货量：巴西以及澳大利亚（万吨） 数据来源：华安证券 就目前来说，虽说在前期海外发运情况较为受限，外矿供应处于缓慢恢复之中，但随着澳洲矿山发运超预期等因素的叠加，国内港口到港的库存开始堆高，后期铁矿国内供给已明显有所恢复。 “今年1至7月进口铁矿石总量为65955.5万吨，同比增长11.8%，6月至7月份铁矿石进口量增加幅度明显，均突破1亿吨以上，同比增幅达到35.25%和23.76%。”——海关总署数据 基于此，后期支撑铁矿石走高的主要动力是来自下游端需求的积极性驱动。 进口铁矿石港口总库存（45 港口总计）（万吨）以及 进口矿平均可用天数（天） 数据来源：华安证券 虽然新冠疫情的严峻性颇具挑战，但基于有效防控，国内宏观经济回暖脚步加快，基建预期继续发力，叠加环保限产的松动及国内产能置换带来的高炉净增量等因素，下游钢厂高炉开工率趋向高位，进一步消化铁矿石港口库存，以拉升现货价格。 “截至8月7日全国高炉产能利用率环比回升至80.02%，全国高炉检修限产量下降至48.37万吨左右，全国247家钢厂日均铁水产量环比增加0.67万吨至252.22万吨...1-6月全国生铁、粗钢、钢材产量分别为43268万吨、49901万吨和60584万吨，同比分别增长2.2%、1.4%和2.7%。”——Mysteel数据 铁矿石还能涨吗？ 整体来看，基于目前铁矿整体供需偏紧的状态，铁矿石价格已升至近年高位，相关波动风险因素不能被忽视，即铁矿石恐难以维持长时间的上行。 首先是供给端，虽说在前期，巴西、澳大利亚铁矿石发货量因疫情影响有所减少，整体处于低位，但进入5月下旬以后，巴西等地的铁矿石发货量得以恢复，随着下半年国外矿山发货量将继续增加，接近目标上限，供给偏紧的预期或缓缓进入平衡状态。 “淡水河谷全年预计产量仍为3.1亿吨～3.3亿吨，较去年增加1000万吨～1500万吨...必和必拓本财年铁矿石发货量为2.73亿吨～2.86亿吨，较去年增加800万吨左右。”——公开数据 再看影响本次铁矿石价格的主力——需求端，虽然钢企积极性较强，高炉开工率增势较猛，但继续增长的空间不大。 尤其是面对高企的铁矿石价格，钢企的利润情况还是较为“卑微”的，具备一定的脆弱性，铁矿石供应结构性问题亟待解决。 “1月-6月份，对标企业进口粉矿折算成62%品位的平均采购成本为716.45元/吨。6月份，对标企业进口粉矿加权平均采购成本732.30元/吨，环比升高41.92元/吨，升幅为6.07%。1月-6月份，累计平均采购成本为705.64元/吨，同 比升高42.57元/吨，升幅为6.42%。——中钢协 全国钢材产量（万吨） 情况 数据来源：华安证券 毕竟钢材的整体库存仍旧位于高位，一旦钢价持续回落，相关利润空间将或被进一步压缩，或将打击钢企增产的积极性，进而对后期铁矿石价格走势形成利空影响。 首钢股份预计2020年上半年归属于上市公司股东的净利润4.7亿元~5.2亿元，同比下降48.1%~53.09%； 鞍钢股份预计2020年上半年盈利5亿元，上年同期盈利14.25亿元，同比下降64.91%； 凌钢股份预计2020年1—6月份实现归属于上市公司股东的净利润同比减少60.05%左右；归属于上市公司股东的扣除非经常性损益的净利润同比减少60.75%左右... “1-6月中国钢铁工业协会会员钢铁企业实现销售收入2.09万亿元，同比增长1.18%；实现利润686.7亿元，同比下降36.4%，降幅持续收窄。”——中钢协 这也就是为什么大连商品交易所上周向各会员单位发出风险提示函的原因。 资料来源：官方公告 基于此，随着铁矿石价格在近期偏于基本面，市场上对其见顶的情绪也会凸显，毕竟随着供需基本面由偏紧走向平衡，甚至略宽松的预期，后期铁矿石价格整体或将有下跌性的波动，大幅上行的空间便也或会较为有限。 结语 回顾上半年，在疫情的影响之下，叠加天气因素，海外铁矿石供应受到拖累，进而使得供需出现明显不平衡，伴随着国内复工复产步入正轨，铁矿石价格跟随供应偏紧、需求过热的逻辑一路高歌，不断拉升。 然而，来看下半年，高位的铁矿石价格在一定程度上刺激了整体铁矿供应量的升高，海外铁矿石供应有所改善，而需求端或因钢企的增产不及预期而进入缓和状态，虽无法排除铁矿石主产国受疫情干扰的供应波动以及因钢厂备货等因素有震荡回升的需求波动，但在国内铁矿石供需关系有望逐步趋于平衡，乃至宽松之下，或使得铁矿石有所震荡回调，回归正常的区间。
欢迎关注36氪出海微信公众号（ ID：wow36krchuhai ），及时获取前沿资讯、了解全球新趋势。文末扫码关注并加入出海社群，遇见全球商业伙伴。 中国企业全球化 消息称大疆裁撤约三分之二的销售团队, 包括海外团队。据腾讯科技报道，受新冠肺炎疫情等多重因素影响，大疆已在大规模削减其全球销售和营销团队。知情人士透露，作为全球最大的无人机制造商，大疆已把深圳总部的企业销售和营销团队从180人削减至60人。大疆的全球视频制作团队曾被用来突出该公司的无人机拍摄潜力，但现在团队规模已从40至50人缩减到了3人左右。一个由6人组成的营销团队已被派往韩国。 二季度全球笔记本出货量同比涨27%， 联想份额领衔。市调机构 Strategy Analytics 发布了2020年 Q2 全球笔记本市场最新出货量报告。报告显示，联想、惠普、戴尔、苹果、宏碁排名前五，其中联想控制了约27% 的份额，为全球第一。 微软有意收购 TikTok 在英国的业务。据彭博社报道，微软表示对收购短视频应用 TikTok 的英国业务也有兴趣。此前，微软已确认就收购 TikTok 美国、加拿大、澳大利亚和新西兰业务与 TikTok 母公司字节跳动开展谈判。此前，微软已确认就收购 TikTok 美国、加拿大、澳大利亚和新西兰业务与 TikTok 母公司字节跳动开展谈判。 印度 Unacademy 计划融资1.5亿美元。据 ET Tech 报道，印度在线教育平台 Unacademy 即将完成一笔 1.5亿美元的融资，投资方为日本软银。预计本次融资完成后，Unacdemy 将成为印度估值第二高的教育科技平台。 三星计划将部分手机生产线转移到印度。据 ET Tech 报道，三星电子计划将一部分手机生产线从越南转移至印度。目前，三星电子在印度诺伊达已拥有一个手机制造工厂。越南目前是仅次于中国的第二大智能手机出口国，预计未来五年将出口价值高达400亿美元的手机。 信实集团计划收购两家初创公司。据 ET Tech 报道，印度巨头信实工业日前传出计划收购印度在线家具交易平台 Urban Ladder 和 牛奶配送平台 Milkbasket。据了解，信实方面已与 Urban Ladder 团队进行了数月的谈判，预计收购价格将在3000万美元左右。而 Milkbasket 的收购价预计在 1500万美元左右。 东南亚 印尼政府向多家科技巨头征收10%增值税。据 DealStreetAsia 报道，印尼政府日前宣布将向Facebook 和迪士尼征收10% 的增值税。因疫情严重挫伤印尼线下经济，印尼政府向互联网巨头加征增值税，目前网飞、亚马逊、Spotify、谷歌都被印尼政府要求缴纳增值税。 Netflix 计划在东南亚推广手机端订阅服务。据路透社报道，Netflix 计划在东南亚市场推广手机端订阅服务，并增加东南亚本土内容在各个国家的权重。此举是为了应对迪士尼 Disney+ 在东南亚的扩张计划。目前，网飞在泰国、马来西亚、菲律宾和印尼推出一项仅供手机端使用的订阅计划，月费低至5美元。 拉美 软银投资巴西医疗科技初创公司 iClinic。据 Latamlist 报道，巴西医疗科技初创公司 iClinic 日前完成 B 轮融资，投资方为软银集团，但双方暂未公布融资金额。 iClinic 主要业务为开发医用 SaaS 软件，助攻方向为医疗预约管理和病历管理。 其他 英伟达或将收购软银旗下芯片设计公司 ARM。美国芯片制造商英伟达有意收购英国科技巨头 ARM。知情人士透露，这笔交易最快有望在今年夏末完成。届时，ARM 的估值或将达到400亿英镑。此前，ARM 的私募股权持有者日本软银于今年4月份首次提出出售该公司。当时，软银聘请高盛物色买家。高盛与苹果接触后，后者决定不收购 ARM。（新浪科技） 巴基斯坦出行公司Airlift获得1200万美元投资。据 Menabytes 报道，本轮投资由美国 First Round Capital 领投，戈壁创投跟投。这是巴基斯坦今年来规模最大的融资之一。Airlift 专注提供高端的长途出行服务，目前开设了从卡拉奇到拉合尔的专线。 图｜Pixabay 寻求报道、与作者交流、商务合作、投稿转载，请扫码联系36氪出海运营。
隐私性跟可用性难以兼顾，让人工智能落入了鱼与熊掌不可兼得的尴尬境地。当前，业界解决隐私泄露和数据滥用的数据共享技术路线主要有两条：一条是基于硬件可信执行环境（TEE：Trusted Execution Environment）技术的可信计算，另一条是基于密码学的多方安全计算（MPC：Multi-party Computation）。针对数据共享场景，包括联邦学习、隐私保护机器学习（PPML）在内的多个技术解决方案纷纷出炉。蚂蚁金服提出了共享智能（又称：共享机器学习），结合TEE与MPC两条路线，同时结合蚂蚁自身业务场景特性，聚焦于金融行业的应用。究竟共享智能与我们熟知的联邦学习有何不同？在共享智能落地金融等多个重要领域的过程中，蚂蚁金服又遇到过哪些挑战，留下了怎样的宝贵经验？为此，雷锋网《AI金融评论》邀请到了蚂蚁集团共享智能部总经理周俊做客线上讲堂，详解蚂蚁金服共享智能的技术进展和落地实践。以下为周俊公开课全文，AI金融评论做了不改变原意的编辑：在业界做隐私保护技术研发之前，是通过协同学习方法来实现多方信息融合，联邦学习就是其中一种。近年来，学术圈相应的证明发现此类方法的一些安全性问题，尤其是直接共享梯度，本质上存在一些安全性问题。我们先来看一下去年在一个学术顶会上比较火的Paper引发的讨论。Paper里面的方法也比较好理解，实际上就是近几年大家保护隐私的方法之一：就是不传原始的数据，只传共享的梯度，把梯度汇聚到一起，然后再汇集到模型。这种方法在前几年一直都比较火，无论是联邦学习还是其他的协同学习方式。工作里面证明了，如果有恶意者在模型训练过程中拿到真正的梯度之后，就可以反推出数据中的特征（x）和标签（y）。这里举了两个例子，能够看到，尤其是在图像领域，通过梯度本身是可以反推出原始输入的这张图像和原始的Y。右边的例子，是在NIPS网站上抠的一些文字，刚开始是随机生成的，迭代到第30轮的时候，可以看到从梯度里恢复出来的一个样本，跟原始样本是非常接近的，只有个别词有一定差异。从学术上能够看到，在这种协同学习中，以前大家认为安全的共享梯度方式，本身并不是很安全，我们给它取了一个标题叫做非可证安全。在这之后，DLG方法有了改进。这个方法首先通过推导可以精确拿到Label本身，有了Label再去反推X就更简单了。从公式可以看到，它能更容易反推出原始数据的X。从它的三个数据集可以看到，改进版DLG相对于原始的DLG在攻击的准确率提升非常大。阿里巴巴在去年也做过一个更加贴合实际情况的例子：假定双方有两个数据拥有者，它们的特征空间一样，样本空间不一样，我们称之为水平切分。按照联邦学习的协作方式，计算本地的梯度，发到服务器，平均之后更新本地的模型，看起来比较安全——实际上，由于A和B精确知道每一轮梯度，它其实可以反馈出很多相关信息。满足一定条件的情况下，尤其是逻辑回归，可以构造出这样的一组方程组，当方程组的个数大于这个数据的特征维度，方程组是可以解出来的。因此也可以反推出原始的数据。从右下角的结果中，能够看到我们攻击出来的结果，跟原始特征非常接近。这说明，不论是从学术圈里面假定的setting，还是真实情况中，目前这种共享梯度的协作方式，也包括联邦学习，本身都有比较大的安全隐患。做保护隐私的机器学习方法，本身还是需要结合其他方法去弥补它的不足，才有可能让方法本身更安全，真正保护用户隐私。如何“精修”机器学习处理方法各环节数据预处理：我们自己所做的机器学习处理方法，从数据预处理到模型训练再到模型推断，都是遵循这样切实保护用户隐私的思路，将MPC、TEE或其他技术，跟现在技术相应结合，确保中间每一步的隐私都能得到更好地保护。以数据预处理中的降维为例，假定数据在水平切分的情况下，大家样本空间不一样，两方希望能够把数据能降低一个维度，降维之后的结果能够送到后面的机器学习模型进行相应训练，这种方法能较好提升效率。同时，模型的泛化能力会有进一步提升，结合MPC里同态加密和秘密分享的技术，加固PCA（Principal Components Analysis，主成分分析），使得它能真正保护数据安全性。此处有几步核心操作：首先是计算均值。如果是在同态加密的情况下，需要密态空间要进行计算；如果是秘密分享的方法，则需要将原始数据拆成多个秘密分片，再配合起来算出均值。其次是计算协方差矩阵，最后再算出相应的特征值、特征向量，就得到了降维后的X′。同态加密和秘密分享的技术，跟PCA做相应结合，就能比较好的拿到相应结果。从结果可以看出，相比于各方单独算一个PCA再拼凑结果，我们的方法精度提升比较大。同时，它跟原始PCA方法相比，在后面都接相同的机器学习模型的情况下，几乎没有精度损失的情况。除了降维以外，还有很多类似的工作可做，比如共线性检测，隐私求交（PSI）等。当然，安全的方法计算时间会更长一些，因为天下没有免费的午餐，要保护隐私，肯定有相应的计算和通信成本在里面。模型训练：DNN模型是现在大家用的比较多的。这里分别列出来业界三种典型做法。左边是传统的基于明文的神经网络训练方法。中间是完全基于MPC的方法，有很多非线性运算，可以做到可证安全，但速度会慢几个数量级，效率本身也不高。右边是MIT提出来的方法，比较快，但它的Label也放在服务器里计算，安全性有一定问题；而且它没有考虑特征之间的相关性，精度上有一定损失。发现这些问题之后，我们提出了一个创新的体系。首先，为了考虑特征之间的相关性，我们在底层利用MPC技术去做跟隐私数据相关的一部分模型计算。计算完之后，再把跟隐层相关的复杂计算，放到一个Semi-honest 服务器（半诚实服务器）去完成其他运算。这服务器里可以利用现有的各种计算资源，比如TF、PyTorch，甚至可以利用一些比较灵活的处理框架。Label的部分还是放到数据持有者本身，全程能确保没有哪一部分隐私会被泄露。Semi-honest 服务器会拿到中间的隐层结果，我们可以通过一些对抗学习方式去防止服务器获取中间信息。这一方法尽可能做到隐私、准确率、效率三者之间的平衡。此外，我们还可以使用贝叶斯学习的方法（SGLD）去替换传统的SGD（随机梯度下降），从而更好保护训练过程中的隐私。SGLD是在贝叶斯神经网络中应用较广泛的方法，可以看作是加噪版本的SGD。以前很多方法都在探讨它的泛化能力，在这里我们发现了它另外的好处：因为训练过程中添加了噪声，所以可以更好的保护隐私，尤其是在对成员攻击（Membership attack）的情况。比如有时医疗领域想知道自己的数据有没有被这个模型所用。我们在评估Membership攻击效果时，定了一个成员隐私的loss，这个loss就是为了看SGLD到底能不能保护成员隐私，我们通过大量的实验发现SGLD是能较好阻止Membership attack。具体来讲，我们在两个数据上面做了相应的测试，无论是在Table1还是在Table2里，尤其是在Attack Metric上，SGLD跟普通的方法相比，能够大大降低成员攻击的准确率。同时，我们也发现用它也能很好提升模型的撸棒性，SGLD和变种，比前面单独的不加噪版本在Test上面的Metric会更好一些。因此，我们在训练时也把传统的SGD换成了SGLD，能进一步提升安全等级，在兼顾三方面要求后，具有比较高的安全性和高效性。刚才讲到，在服务器里，可以很好利用现有的TensorFlow或Pytorch，从右边这个代码可以看出来，该方法是非常用户友好的。其次，在服务器里面，对于网络结构这部分，设计可以非常灵活，也可以设置任意的网络结构，充分发挥中心服务器的计算力。通过训练过程中引入的SGLD，也就是加噪的SGD，再加上Adversary loss，使得哪怕是服务器试图做恶，也无法由此推断出更多相应信息，安全等级进一步提升。我们跟业界的几个方法也对比过，比如2017年 MIT的 SplitNN和现在最好的SecureML。性能上，（我们的方法）比这俩更好一些。从这两个数据集来看，训练时间上，由于我们使用了中间服务器，训练时间相对于纯MPC的方法（SecureML）大大降低，但相比SplitNN训练时间还是要长，因为我们安全等级要高。总体而言，我们的方法能较好地实现效率、安全性和准确率的折中。模型预测：在模型训练上，涉及到前向、反向的计算，非常耗资源，它跟现有的一些隐私计算技术结合之后，对效率本身还是有比较大的影响。所以有很多工作都在考虑怎么做模型推理。在模型预测时，既要保护云上的模型，也要保护客户手里的数据。我们这个方法跟原来不一样，之前可能有很多工作局限于支持一部分的激活函数。比如有时都无法支持sigmoid或max pooling，有的干脆只保护客户端的Input data，但不保护服务器上的模型。还有极端情况是完全用MPC做计算，单次模型预测用时会非常长。另外，现在MPC尚不能完全精确计算一些比较复杂的函数，只能做一些展开或近似计算，精度上也有所损失。我们希望能够提出一种方式，尽可能在效率、精度、安全性方面能达到比较好的折中，保护服务器和用户的隐私。方法采用了两点，一是前面介绍的贝叶斯神经网络，因为它里面可以引入权重的不确定性，这能让服务器上的精确模型不被拿到。第二，无论是在数据保护还是在客户端上，用同态加密的机制去保护。具体是把DNN的计算拆分成两级，一是首先通过采样的方法拿到W，有了W之后，客户端传过来的加密Input，通过线下的运算出Z，这也是密态的。密态下的Z在返回到客户端解密后，在客户端上就能拿到最后的a。这样的方式，既保护了服务器上的模型，也保护了客户端上面输入数据的效果，起到了比较好的trade-off。通过迭代式的同态加密计算，既保护了用户隐私，也保护了密态下的服务器隐私。我们的方法，因为大量的复杂运算很多是返回到客户端上面，在非密态的情况下进行计算，所以Latency比较低。它还能支持任意的激活函数，可以比较好地扩展到RNN和CNN。典型应用案例：POI上的推荐原来的做法，不论是非常详细的profile数据，还是一些用户跟POI的交互数据，用户的所有相关数据都要被推荐系统所收集。一些隐私模型，比如用户偏好也都是被推荐系统所保留。所以推荐系统有很大的机会窥探到用户相关隐私。我们的思路是：首先，比较敏感的用户隐私数据和模型，能够在用户本地，而不能上传到服务器的推荐系统这里。第二，我们还是会收集用户和POI的交互数据，通过本地化差分隐私的方式注入噪音，这样传上去的是一个带噪音且能够保护隐私的版本。通过这样的方式产生动态的POI，再通过去中心化的梯度下降方法学习能保护隐私的FM模型。通过各式各样的安全聚合方式使隐私得到保护，这种方法我们称为PriRec。我们在两个数据集上做了比较，在Foursquare数据上，因为用户特征只有两三个，我们的方法比FM稍弱；但切换到真实的场景数据，因为这里面有大量的用户和POI数据，能看到我们这个方法比FM起到更好的效果。之所以会更好，原因就是用户和POI的数据，往往具有聚焦性，而去中心化的学习方法恰恰可以很好的利用这一点。在PriRec中，服务器上也没有拿到隐私的数据和模型，所以能保护隐私。实际上，推荐搜索广告方面都有类似应用；金融科技领域的风控也有类似的方法，就是对现有的机器学习方法进行加固，产生一个更好的、更具有隐私保护的版本，达到AI助力业务效果的目的。目前业界的四种技术包括MPC，可信执行环境，差分隐私和联邦学习。在多方安全计算时，理想情况是有一个大家都完全相信的可信服务器，所有人把所有东西都放上去计算，再把结果分发给大家。现实是找不到完全的可信服务器，还是需要很多协作方，协同完成函数f的计算。当然，大家希望在计算的过程当中既能够保护Input privacy，也能够保护计算的privacy，如果同时能保护Output privacy最好。MPC的提出，是希望能够保护Input privacy和Compute过程当中的privacy。这里面有几个典型技术，一是秘密分享（Secret Sharing），密码学里一个比较老的技术。早在七八十年代就已经有相应的论文发表。举个例子：有两个人想协同计算他们求和的结果，每个人会把自己的数拆成多个share，share加起来等于他们自己，但任何人拿到其中一个的share是没有什么物理含义的。通过share的交互，双方最后拿到7和6的结果（上图右侧），这其实已经完成加法的求和运算，既保护了Input的隐私，也保护了中间计算的隐私。这几年在工业界里，随着算力的丰盛，以欧美为代表的很多公司都在用这样的技术，比如著名的开源SPDZ等。二是姚期智院士在1989年提出来的混淆电路。它主要是通过两个大的building block构建，一个是混淆的真值表，一个是遗忘传输，通过这两种方式完成协同计算，解决了著名的百万富翁问题。秘密分享因为它需要通过大量交互迭代，通信代价一般较高。混淆电路中间是通过大量电路运算，电路的门个数较高时，效率相对来说没有那么高。其次还有同态加密方法，过程中是在密态下计算完的，之后才解密得到相应结果。同态加密和秘密分享在一些比较复杂的函数上，是没有办法进行相应计算的，要通过一些近似计算的方法才能拿到相应的结果。由于算力的逐步提升，和一些基础突破，这两年工业界对MPC也用得越来越多。三个技术有各自的优缺点，组合使用也能产生一个相对理想的结果。可信执行环境，相当于是一个硬件级的密码箱。把加密数据放到密码箱里之后，OS操作系统都没有办法打开密码箱，只有持有相关密钥的人才能在里面进行运算，就是所说的可信区域。这个方法本身是非常安全，但很依赖于硬件，目前做得比较好的是因特尔的SGX。前面所介绍的 MPC、TEE，都是可以保护Input privacy和compute privacy ，但没能很好地保护output privacy。在差分隐私（Differential Privacy）之前有很多别的方法去处理数据中的隐私，比如像各种匿名化方法，除了K匿名，还有一些L-diversity等方法保护隐私。但随着大数据时代的到来，通过链接一些别的数据，能够反推出来单人ID，匿名化基本上没有什么用。所以差分隐私之前的一些技术，现在来看是不安全的。对Output或Release的数据集，都在慢慢切换到差分隐私的技术上来。这个技术本身较好地考虑到实用性和隐私性的折中，隐私肯定有代价，要么牺牲一定的实用性，要么有计算代价。差分隐私是在数据中加噪声，对实用性有所影响，尤其是在数据本身也不大的情况下，对结果的影响较大。差分隐私提供了一种量化的方法，能测量到底加多少噪声，能够取得比较好的trade-off。差分隐私从从概率学和信息论得到一个隐私保护的bound，实操不是很复杂，就是在数据中添加相应的噪声，并且通过参数控制噪音的大小。当然，它本身怎么使用、怎么设置privacy budget，有着非常复杂的考量机制，但原理本身不算特别复杂。这个技术在提出来之后，因为它有比较好的理论保障，所以在学术界、工业界很多人也都在用，能比较好地保护Output privacy，跟前面的技术也有比较好的结合。Local 差分隐私类似多方，就是自己本身加上噪声，再上传到一个地方。它在工业界遇到的一个较大问题是，因为要在里面加噪声，所以模型精度受影响。 联邦学习，谷歌在2014年就已经在内部开始做这样的技术，它本身是解决to C的问题，所以想解决几十亿的设备间如何协同、安全地利用数据训练模型。当然设备之间可能不满足独立同分布的概念，硬件之间差异非常大，所以会导致可靠度的差异也很大，有时在训练的时候自己就下线了。在2016-2017年，联邦学习有相应论文发表。目前用的算法也是从服务器上拉了一个模型,做完更新，delta发给服务器做average并更新模型。直接这么做肯定会有一些问题，所以paper里面做了大量的优化，能够让通信成本和训练的稳定性都有比较大的提升。谷歌在2017年期间已经发现了，原来把梯度直接汇聚到服务器上的协同学习方法也不是很安全；如果要保护隐私，必须得结合MPC的技术。几种技术的比较和解决方案我们从自己的角度做了一张总结表格，像MPC能保护好Input privacy和计算过程中的privacy；但对于Outputprivacy，它的保护能力比较弱。效率上，因为牵涉到大量密码学技术，代价不低。TEE跟MPC类似，把它们理解成密码学偏软件和偏硬件的实验版本。差分隐私就可以较好保护Output privacy，计算代价相对不高，实用性有一定损失，尤其是local 差分隐私加了某种噪声之后，只能用于某些统计学运算。联邦学习无法很好地保护Input privacy和Output privacy，好处在于效率相对高。站在从业者的角度来看，这些技术还是需要一个端到端的设计，结合各方技术优势提供相应的方案，达到最后总体的效果。我们结合了这样三个方案：首先，MPC底下分为这么几层，用前面所讲的秘密共享、OT或其他密码学的原语。为什么要实现这么多密码学的协议？就是希望能够利用每种协议的优缺点，有更加好的组合，在合适的地方选用合适的技术。第二层，我们希望把底下比较偏密码学的原语，再做一层封装，这上面提供一些机器学习经常要用的运算，比如比较、求交、矩阵加法、求max的运算。上面再抽象成一个DSL语言，开发算法时，不用直接面对底层密码学原语，速度相对会更快。另外，因为我们参考的是机器学习里面的DSL，整个语法也跟机器学习类似，机器学习的创业者就能用比较低的成本，切换到共享智能技术上，进行算法开发。同时，我们也提供编译器，它能够将用户对上层开发的算法，自动选择最优的安全算子，实现安全的程序，进而实现整个MPC里面的一些方法。TEE方面，因为TEE本身的SDK也不是那么友好，并且单机的SGX的运算能力并不是特别强，为此我们做了一些改进：组建安全可信集群，以扩展算力；做了很多防止各种攻击的方法，在安全性上有个更好的工业级框架出来，便于开发者能够基于这些核心能力开发出各种算法。上面是比较偏差分隐私或矩阵变换的方法。这种方法还是有比较好的适用场合，比如前面讲的Output privacy里面用到差分隐私，或者是MPC和TEE里面在Output 的地方加上差分隐私，本身有比较好的互补的作用。技术之间也可以两两去组合。每个方案都有各自的优缺点，做隐私保护相关的工作，还是需要通过精心的工程设计，算法设计加上密码学原语，才能够端到端地保护数据输入、计算过程、数据输出等隐私，从而达到相应的目的。蚂蚁共享智能的落地经验合作案例：江苏银行去年上半年，江苏银行希望使用MPC实现联合风控，模型的产出完全放在江苏银行，自主可控。构建出联合模型之后，模型分数给到银行，由它去做独立的风控判断，之后再产生结果给到最后的申请判断。整个模型的效果在测试的时候发现提升了50%左右。同样，我们还在支付的联合风控、联合营销以及联合保险也进行了相应的落地。AI研究前沿动态和未来展望目前看来，现在这几个技术之间彼此有互补，但端到端的系统怎么在各个环节去利用合适的技术，去产生合适的效果？怎么样把这样一个系统在超大规模的数据上做相应的实践？在不影响效率的情况下，将隐私保护的等级能够升级到更高的级别？我觉得还需要有整个业界需要投入更多的资源，更长的研发投入，更长的耐心，才有可能在一些更关键的技术上面产生更好的结果。同时也需要整个AI圈子加上密码学的硬件再加上工程系统，一起努力才有可能在一些点上面取得真正的大的突破，才有可能使得整个隐私计算的效率能够再提升1~2个数量级。目前隐私计算效率本身，相比非隐私保护的AI，在速度甚至精度上都会有一定的损失。所以，怎么样去设计更好的方式，除了在技术本身的突破，也需要有更多的场景去打磨技术，才能发现的问题，逐步让技术往前走。从三大维度来看：第一，从算法维度看，无论是在学术界还是工业界，目前的这几个方法割裂程度比较明显。比如TEE跟差分隐私，虽然他们之间有交集但并不多。TEE里也有很多技术要去突破，比如目前TEE的内存只有128兆，相比普通系统还是比较小的。现在数据量比较大，尤其是在一个图像数据上，怎么在这么大的数据情况下完成隐私计算，是难度比较大的一个问题。第二，由于内存比较小，为了保护安全和隐私，所以在很多运算效率跟目前正常操作有一定差距。第三，SDK的友好性方面，因为比较偏硬件，还涉及到大量的密码学等机制，比如远程认证，对于很多从业人员而言还是有相应的学习成本。当然，业界很多开源的、在原生的TEE上封装的一些SDK，各方面有一些提升，可扩展性本质上有些突破，但突破不是特别大，意味着很多东西不能拿来直接在工业界使用。所以TEE也还需要整个社区有更多的投入。TEE上面，现在很多都在做支持中小规模的算法训练和预测。怎么让更大的规模、更新的算法能够被集成进来，这也是需要业界有更多投入。差分隐私技术本身的理论性质比较优美，但在实用性上有一定损失。我们提到过，对于utility loss以及差分隐私输出来的结果，因为毕竟是在原始的数据上面加了一定的噪声，这个数据相对来讲会不会有一定的损失度？如果完全是local 差分隐私的方式，在很多场景下面就没有办法用，怎么让差分隐私能够再更进一步，更贴合现在AI这个情况？目前看到，差分隐私在很多数据分析应用非常广泛，比如，苹果系统上收集了emoji的数据；微软操作系统的浏览器里面也嵌入了差分隐私的数据；Uber也用了这样一个技术，但目前大部分用在数据统计方面。怎么样把差分隐私这样的技术能够跟AI有更好的结合，是未来一个比较大的突破点。MPC技术本身，从经典论文发表来看，虽然不算特别新，但在很多很复杂的运算上，尤其是在AI的一些新方法，MPC效率本身还是有一定的代价。怎样取得算力的增长，有新模式突破，像完全同态的方法什么时候真的变成实用，怎么能够使这个技术在工业界更进一步，这也是需要考量的一个点。联邦学习目前也存在一定的安全隐患，四个技术之间怎么去做相应的结合，取长补短，能够形成比较好的下一代的解决方案，真真正正保护隐私，让AI落地变得更简单？尤其是在一些数据比较敏感的地方，像医疗的某些领域，病例的数据采集特别困难，真的能够让AI进到这些地方，辅助决策，才能更加好实现社会意义和价值。我觉得，在算法层面会需要深度结合，无论是基于某些算力，还是说在技术领域的突破，能让这里面的一些问题有更进一步的解法。在平台层，无论是差分隐私、TEE还是别的技术，越靠近数学和越靠近密码学硬件，为了保护隐私，里面大量的设置都比较难以理解。怎样让大家更高效产出不一样的算法，降低使用门槛，这些方法才能够跟更多地方结合，产生更多的新突破。在DSL和在编译器方面，甚至在整个系统的运维、部署，以及系统稳定性、安全生产等各方面，有没有进一步的突破，变得易用？在一些对时效性要求没有那么强的情况，如果能够持续稳定计算，对于很多产品也是比较适用的。对于整个隐私计算领域而言，这也是一个巨大的挑战。所以怎样有更高效的平台一体化设计，让使用门槛变低，才有可能会真正带来一些繁荣的社区，让技术能够走进更多场景、更多机构，真正产生一些化学反应。
报道，当地时间8月12日，美国疾病控制与预防中心主任罗伯特·雷德菲尔德表示，新冠疫情是美国一个世纪以来遭遇的最严重的公共卫生危机。新冠病毒的出现，使公共卫生官员被迫将注意力从预防产妇死亡、艾滋病、治疗丙型肝炎和防止儿童吸烟等问题上转移开。 雷德菲尔德称，美国没有在公共卫生的核心能力上投资，现在是投资公共卫生的时候了，为了子孙后代，大家有责任确保国家对未来的公共卫生危机做好准备。 美国顶级传染病专家安东尼·福奇博士上个月就曾说过：“应对新冠疫情之路道艰难且漫长，自1918年以来，新冠肺炎是造成死亡人数最多的呼吸道传染性疾病。” 在提到美国各地病例数激增的情况时，福奇指出，数字说明了一切，“我们无法知道在这场疫情中的处境”。他还表示，死亡人数说明了这是自1918年西班牙流感爆发以来，情况最糟糕的一场呼吸道疫情。现在看来，依然道路艰难且漫长。
8月17日，京东数字科技集团旗下个人金融业务品牌京东金融，宣布多项重大升级动作。 第一，京东金融logo全面升级，新形象为探头与外界对话的Joy，寓意拉近与用户和金融机构之间的距离； 第二，被称为“国民演员”的知名导演徐峥，以其专业且亲和的形象成为了京东金融首位品牌代言人； 第三，京东金融App完成改版升级，新增“花生社区”、“金店”、“直播”、“全网产品库”等功能，进一步优化了产品使用体验； 第四，京东金融首次提 京东金融是一家成立于2013年10月，总部位于中国北京市的数字化服务科技公司，创始人为刘强东；成立以来，先后获得了红杉中国、经纬中国、国新央企等机构的投资。在中国和全球范围内，和京东数科在业务上有不同程度竞争关系的公司包括蚂蚁金服、联易融、Stripe、Lending Club等。 升级后的京东金融logo仍然保留了Joy形象，由扁平化呈现升级为3D效果，Joy的姿态也由滚动钱币变成了探头对话，再加上新形象右上方打招呼的气泡，都在寓意京东金融不断拉近与用户和金融机构之间的距离，成为“一个懂金融的朋友”。与此同时，对话气泡内的钱币元素和金色品牌色，都体现了京东金融的业务属性。 品牌升级之余，京东金融进也一步加强了App内的搜索功能，搭建了“全网产品库”。此外，还打造了“金店”平台，为金融机构搭建官方旗舰店提供工具，以及全新上线了内容分享版块“花生社区”。
截至北京时间8月17日16点，全球新冠肺炎确诊病例为21692518例（约翰霍普金斯大学数据）。上周（8月10日-8月16日）全球新增确诊病例1810503例，新增死亡病例43918例。 上周发达国家新增确诊469010例，连续3周下降，新增死亡病例8141例。发展中国家疫情并未好转，上周新增病例1341493例，新增死亡病例35777例，均创新高。 申根区国家上周新增病例84003例，创17周新高。西班牙、法国累计确诊病例在过去一个月分别增加了32%（83958例）与20%（41863例），合计超过申根区同期新增病例的一半。 图1 申根区周新增确诊病例 数据来源：约翰霍普金斯大学、研究院计算 表2 全球累计确诊前十国家确诊病例及相关指标 数据来源：约翰霍普金斯大学、研究院计算 表3 全球累计确诊前十国家死亡病例数及相关指标 数据来源：约翰霍普金斯大学、研究院计算 上周美国新增确诊病例358349例，较前一周少增18343例；新增死亡病例7114例，较前一周少增259例。截至8月16日，美国累计确诊病例为5403213例，已经有接近1.7%的美国人感染了新冠肺炎。 上周西欧主要国家疫情加速蔓延，西班牙、法国、德国、意大利周新增病例持续增加，已连续3周环比增幅保持在10%以上，其中法国新增病例较前一周增加了77%。上周法国新增确诊病例17728例，已经超过4月下旬水平。由于法国疫情快速蔓延，欧洲多国针对法国增加了隔离检疫等限制措施，英国政府就在13日晚间宣布将法国从旅行隔离豁免国家名单中剔除，此前英国已经将西班牙剔除出豁免名单。 截至8月16日，巴西累计确诊病例达到3340197例。上周巴西新增病例304775例，已连续4周维持在30万以上，累计确诊病例周环比增速仍高于全球平均水平。上周拉丁美洲国家哥伦比亚、阿根廷新增病例创新高，分别为80851例与48070例，排名全球第4、5位；截至8月16日两国累计确诊病例分别为468332例与294569例。 上周伊拉克是中东新增病例最多的国家，新增病例26816例创新高。伊朗疫情也并未有明显好转迹象，新增病例仍维持在周增17000例左右的高位。沙特疫情趋于好转，上周新增病例降至9852例，连续两周低于1万例。 印度疫情局面依然严峻，上周印度新增病例432589例，连续两周为全球新增病例最多的国家。截至8月16日，印度累计确诊病例为2647663例，但周环比增速仍是全球水平的两倍多。另一方面，菲律宾与印尼疫情加速蔓延，上周两国新增病例分别为31340例与14153例创新高，其中菲律宾周新增病例环比增幅更是超过17%。 南非疫情进一步缓和，上周南非新增病例27486例，较前一周下降43%，已连续3周减少。南非总统拉马福萨15日晚宣布，从8月17日起南非将放松针对新冠肺炎疫情的“封锁令”等级，由三级降为二级，酒吧、体育馆、健身房等场所得以重新营业，尽管营业时间仍然有限制。截至8月16日，南非确诊病例为587345例，累计死亡病例为11839例。 根据中国国家卫健委数据，上周31省（自治区、直辖市）和新疆生产建设兵团报告新增确诊病例181例，50例为本土病例；新增无症状感染者158例，117例为境外输入病例。 周一日本内阁府公布的数据显示日本二季度GDP同比下跌9.9%（环比年率下降27.8%），与此前公布数据的英国、美国和欧元区一样，当季经济都创下了有数据记载以来的最大的萎缩。 图2 主要国家、经济体二季度GDP同比增速 来源：Wind 欧盟统计局公布的数据显示，欧盟27国6月失业率为7.1%，连续3个月上升。整个二季度欧盟19国就业人数较一季度减少550万人，环比下降2.8%，均为1991年有数据以来最大降幅。但从更前瞻的数据来看，全球各经济体就业市场正在逐步改善，但各国情况差异较大。IHSMarkit公布的综合PMI中的就业指数分项指数显示，多数国家7月PMI就业指数都比1-7月更高，意味着全球就业市场整体改善，其中美国7月就业指数回到了扩张区间。日本、印度与英国情况有所不同，这三个国家7月就业指数低于1-7月指数水平，在过去的两周印度已经成为全球新增确诊病例最多的国家，该国也是7月就业市场恶化最为明显的主要经济体。 图3 主要国家/经济体7月综合PMI就业指数（制造业与服务业） 来源：IHSMarkit 疫情数据图表 全景 图4 确诊病例到达100例后主要国家累计确诊病例变化 数据来源：约翰霍普金斯大学、研究院计算 图5 新增确诊病例达到100例后主要疫情国家新增确诊病例增长 数据来源：约翰霍普金斯大学、研究院计算 图6 新增确诊病例达到100例后主要疫情国家新增确诊病例增长14日均值 数据来源：约翰霍普金斯大学、研究院计算 图7 死亡病例到达10例后各主要疫情国家死亡病例 数据来源：约翰霍普金斯大学、研究院计算 图8 死亡病例到达10例后各主要疫情国家死亡病例增长3日均值 数据来源：约翰霍普金斯大学、研究院计算 图9 国际确诊与新增确诊人数（约翰霍普金斯大学数据） 数据来源：约翰霍普金斯大学、研究院计算 图10 国际确诊与新增确诊人数（世界卫生组织数据） 数据来源：世界卫生组织、研究院计算 图11 国际新冠确诊死亡率 数据来源：约翰霍普金斯大学、研究院计算 图12 国际新冠死亡与治愈人数 数据来源：约翰霍普金斯大学 欧洲 图13 申根区确诊与新增确诊人数 数据来源：约翰霍普金斯大学、研究院计算 图14 欧洲主要疫情国家累计确诊病例 数据来源：约翰霍普金斯大学 图15 欧洲主要疫情国家新增确诊病例 数据来源：约翰霍普金斯大学、研究院计算 图16 欧洲主要疫情国家确诊死亡率 数据来源：约翰霍普金斯大学、研究院计算 美洲 图17 美洲主要疫情国家累计确诊病例 数据来源：约翰霍普金斯大学 图18 美洲主要疫情国家新增确诊病例 数据来源：约翰霍普金斯大学、研究院计算 图19 美洲主要疫情国家确诊死亡率 数据来源：约翰霍普金斯大学、研究院计算 亚太 图20 亚太主要疫情国家累计确诊病例 数据来源：约翰霍普金斯大学 图21 亚太主要疫情国家新增确诊病例 数据来源：约翰霍普金斯大学、研究院计算 图22 亚太主要疫情国家确诊死亡率 数据来源：约翰霍普金斯大学、研究院计算 非洲 图23 非洲主要疫情国家累计确诊病例 数据来源：约翰霍普金斯大学、研究院计算 图24 非洲主要疫情国家新增确诊病例 数据来源：约翰霍普金斯大学、研究院计算 中国 图25 中国累计确诊病例 数据来源：中国国家卫生健康委员会、湖北省卫生健康委员会 图26 中国新增确诊及疑似病例 数据来源：中国国家卫生健康委员会、湖北省卫生健康委员会、研究院计算 图27 31个省（自治区、直辖市）和新疆生产建设兵团无症状感染者 数据来源：中国国家卫生健康委员会
图片来自网络 据搜狐财经统计，8月8日至15日期间，银保监会共发布行政处罚公示表57张，罚款总金额高达4815万，其中包括银行业罚单36张，涉及17家银行，总金额逾4460万元；保险业罚单21张，涉及5家保险公司，总金额355.7万元。 银行方面，本周农商行领罚单最多，上市银行大额罚单频现。 数据来源：银保监会官网 制表：搜狐财经 搜狐财经统计发现，本周的36张银行类罚单分属于17国内大中小银行。在所有的银行性质中，农商行领取罚单数最多，7家农商行收到了共计16张罚单。其中，进贤农商行及其员工合计“收获”8张罚单，为本周受罚单数最多的银行。 行政处罚信息显示，因贷款资金挪用于认购本行股份及不良资产；贷款资金被挪用于房地产开发企业；个人综合消费类贷款用于购房；违规办理代理车险业务和代销贵金属等多项违法违规行为，进贤农商行被银保监会江西监管局罚款260万元，七位相关责任员工被警告并分处不同金额罚款。 在金额方面，本周大额罚单频现，继8月11日浦发银行领银保监会2020年最大额罚单，2100万元之后，8月14日，上海银行再被罚款1652万元。 银保监会信息显示，浦发银行因在2013-2018年涉及同业投资资金违规投向“四证”不全的房地产项目、为银行理财资金投向非标准化债权资产违规提供担保、未按规定进行贷款资金支付管理与控制年间存在12项违法违规行为，而被上海银保监会开出2100万巨额罚单。这是银保监会今年开出的最大额罚单，也是国内银行业今年收到的第二大额罚单。 搜狐财经调查发现，今年最大额罚单为央行在2月份对民生银行开出的2360万元罚单，因其存在未按规定履行客户身份识别义务、与身份不明的客户进行交易等违法行为。 内容来源：银保监会官网 制表：搜狐财经 无独有偶，8月14日，银保监会上海监管局再次开出千万级以上罚单，对象为上海银行。 上海银保监局披露，2014-2019年，上海银行因存在违规向资本金不足、“四证”不全的房地产项目发放贷款、违规向关系人发放信用贷款、虚增存贷款、票据业务理财业务严重违反审慎经营规则等23项违规被责令改正，没收违法所得27.2万元，罚款1625万元，罚没合计1652.2万元。 同时，上海银保监局还发出了2张针对上海银行两员工的罚单，均与贷款类业务违规有关。 在保险方面，本周共有罚单21张，涉及5家保险公司，包括人保健康、燕赵财险、中国人寿、太平洋财险和平安财险，总金额为355.7万元。其中人保健康为本周各类金融机构罚单数“冠军”，一周内收到13张罚单，罚单罚款总金额达40.8万。 赣银保监罚决字〔2020〕42号显示，因承诺给予投保人保险合同约定以外的利益；利用保险代理人以虚构保险中介业务方式套取费用等，违反了相关法律法规的规定，银保监会江西监管局对人保健康南昌中心支公司施以警告并罚款31万元的行政处罚。 同时，8位上述违规行为相关负责人分别被处警告并罚款1万或5千元不等。 另外四张罚单与上周披露的人保健康江西分公司违规行为有关。 8月7日，江西银保监会披露，人保健康江西分公司因涉及欺骗投保人；承诺给予投保人保险合同约定以外的利益；利用保险代理人以虚构保险中介业务方式套取费用等五项问题，被银保监会江西监管局警告并罚款46万元。 此外，在本周的保险类受罚公司中，一半以上来自财险类公司，且多与车险业务有关。 内容来源：银保监会官网 制表：搜狐财经 8月12日，银保监会机关发布了三则保险类行政处罚决定书，涉及平安财险总公司及其四家分支机构，以及太平洋财险深圳、浙江分公司，总计处罚金额达340万元。 银保监罚决字〔2020〕58号内容显示，因未按车辆实际使用性质承保商业车险，手续费支出未分摊至各分支机构等原因，平安财险总公司及其四家分支机构累计被罚220万元。 太平洋财险旗下浙江分公司、深圳分公司也因营业车辆按照非营业车辆性质承保商业车险等车险业务问题分别被施以罚款50万，警告其相关责任人并处罚10万元的行政处罚。 在监管动态方面，8月10日，银保监会发布了二季度银行业、保险业二季度重要监管指标数据。 数据显示，截至二季度末，我国银行业金融机构本外币资产309.4万亿元，同比增长9.7%；上半年商业银行累计实现净利润1.0万亿元，同比下降9.4%；商业银行不良贷款率1.94%，较上季末增加0.03个百分点；拨备覆盖率为182.4%，较上季末下降0.80个百分点；贷款拨备率为3.54%，较上季末上升0.04个百分点。 保险公司总资产22.0万亿元，较年初增加1.4万亿，较年初增长6.9%；原保险保费收入2.7万亿元，同比增长6.5%；保单件数快速增长。2020年上半年新增保单件数239亿件，同比增长28.0%。 8月13日，银保监会消费者权益保护局近日发布了《关于2020年第二季度保险消费投诉情况的通报》，《通报》内容显示，2020年第二季度，中国银保监会及其派出机构共接收保险消费投诉33732件，同比增长26.86%。 其中涉及财产保险公司16200件，同比增长11.08%，占投诉总量的48.03%；人身保险公司17532件，同比增长46.03%，占投诉总量的51.97%。人保财险、平安财险、众安在线的投诉量位列财产保险公司前三名。平安人寿、中国人寿、太平洋人寿的投诉量位列人身保险公司前三名。
登录
工商服务
危机公关
金融律师
app开发
财税服务
金融牌照
网站建设
知识产权
企业征信
审计评估