日前，“A股红人新经济第一股”天下秀发布2020年半年报。上半年，天下秀实现营业收入13.2亿元，同比增长66.01%；实现归属母公司股东的净利润1.36亿元，同比增长40.54%；扣非后归母净利润为1.51亿元，同比增长60%。 对于天下秀的业绩表现，深圳市润盈达投资有限公司研究总监余韬对记者分析称：“公司2020年上半年业绩大幅增长，说明天下秀以四大平台构建的‘红人经济生态圈’已经有了强有力的竞争优势，这种优势在保证了公司能够继续享受红人经济红利的同时，或将推动公司在未来保持高增长。” 赋能“红人经济”实现业绩增长 业绩大增的背后，是天下秀已在B2B领域构建了一个稳定、以技术驱动型的“红人经济生态圈”。资料显示，自成立以来，天下秀便围绕红人经济新型基础设施建设不断布局子品牌，为红人经济产业赋能。当前，天下秀通过WEIQ、SMART、TOPKLOUT克劳锐和IMsocial红人加速器四大平台，覆盖了从为中小企业提供红人营销投放工具、到为大型企业提供综合解决方案、再到为红人搭建价值评估体系，以及到为红人发展提供的成长孵化的红人经济全链路。 此外，其四大平台间彼此赋能，共同构建出了天下秀的红人经济新型基础设施服务商生态。 天下秀创始人及董事长李檬曾表示：“这样一个高效的、完整的优势矩阵，是我们所处行业当中难以撼动的护城河，确保了我们进一步拓展业务体系的底气。” 同时，艾瑞咨询发布的《2020年中国红人经济商业模式及趋势研究报告》显示，当前的红人经济已成为粉丝经济2.0时代的核心构成部分，其商业模式以品牌带货、用户打赏、内容付费、广告植入等方式为主。2019年，国内粉丝经济关联产业市场规模已超过3.5万亿元，预计2023年将超过6万亿元。 “其中，随着红人在关联产业中的参与程度和商业价值不断提高，未来将愈发成为关联产业中重要的组成部分。”艾瑞咨询研究认为，“天下秀作为红人经济市场中的创业型服务机构，随着未来基础设施的持续建设，公司在红人经济产业发展方向更加稳健。” 在此背景下，天下秀作为红人经济第一股，近年来实现营收连续增长。2018年至2019年，天下秀的营收分别达到12.1亿元、19.8亿元，分别同比增长66.8%、63.5%。今年上半年，公司营收与扣非后净利润均实现同比增长60%。 “未来，随着电商、短视频、社交等红人栖身媒体广告的进一步增长，以及更多红人经济更多的赋能场景出现，天下秀的发展势头依然强劲，构建出以红人经济为代表的新媒体商业生态。”艾瑞咨询研究认为。 定增募资21亿元加码建设数据平台 值得一提的是，经过多年发展，天下秀已经在行业经验、人才、技术、大数据积累、分析及监测等方面占据了独特优势。其中，天下秀自主研发建立的WEIQ新媒体大数据系统是其主营业务的基础，该系统运用大数据分析技术对自媒体账号进行多维度评估和量化，建立行业数据监测及价值评估体系，以类似红人经济领域的“滴滴打车”模式，为具有广告需求的中小企业和红人建立链接，具有行业领先性。 天下秀提供的数据显示，当前WEIQ平台上的注册商家用户数已达到6万，注册红人用户数超过100万。此外，公司旗下的红人创业加速孵化品牌IMsocial红人加速器目前入驻的头部红人数超过200位，入驻MCN机构突破150家。 “天下秀的核心竞争壁垒是技术和数据。”天下秀方面对记者表示，“这九年来，天下秀帮中国的数十万自媒体的账号匹配了广告，帮中国几万个商家发出了广告邀请，在我们撮合的同时形成了自己的沉淀数据。” 而随着5G技术的到来，天下秀也正在推动B2B2C领域的新业务，包括西五街美妆测评社区、红人电商数据赋能工具、新内容实验室等依托5G技术研发新型内容形式，致力于构建粉丝经济时代的新型基础设施。半年报显示，报告期内天下秀的研发费用约为4807.62万元，同比增长45.73%。 值得注意的是，7月27日，天下秀的非公开发行股票申请获得中国证监会发审会审核通过。公司拟定增募资不超过21.2亿元，用于新媒体商业大数据平台建设项目、WEIQ新媒体营销云平台升级项目和补充流动资金。对此，天风证券分析师刘章明在研报中表示：“定增募集资金为公司补充流动资金，有助于公司快速拓展品牌客户。加码数据平台搭建，大数据系统更加智能高效以承接更大交易规模的订单。” 刘章明进一步分析道：“天下秀是链接品牌与百万级红人私域流量的红人新经济龙头，尽享红人新经济的产业趋势红利，看好天下秀的中长期价值。” “天下秀进入资本市场，不仅代表着公司本身，我们希望能够代表众多做内容创业者的这群人，我们希望每个人都能够在中国有合理的地位，获得合理的收入。”天下秀方面表示，“但上市不是我们的目标，这只是一家企业的发展过程，相比于估值我们也更看重自身的长远发展。”
8月17日，猫眼娱乐发布2020年上半年财报。猫眼娱乐2020年上半年实现收益2.03亿元；期内亏损净额为人民币4.3亿元，经调整EBITDA为人民币-2.8亿元，在国内电影市场、现场娱乐市场受到疫情冲击的情况下，体现出了较好的风险抵抗能力。 在疫情期间，猫眼作为中国全文娱行业的重要参与者，积极采取抗疫行动、践行社会责任，与行业伙伴携手互助、共克时艰。同时，猫眼持续强化线上线下综合布局，在平台服务能力、优质内容储备、新模式探索等方面，深耕服务、打磨精品，进一步沉淀和释放猫眼在全文娱领域的聚合价值。 携手行业共同抗疫 春节档3天退票500万余张 2020年春节期间影片撤档后，猫眼第一时间宣布为全体猫眼用户无条件退票，并先行垫付了大量退票款，仅3天时间完成春节档影片全部退票工作，累计退票500万余张，金额超过人民币2亿元。同时利用自身平台资源优势，协助影院上线美团平台，以外卖方式帮助影院消化春节前大量储备的卖品库存，缓解库存压力。 此外，猫眼利用自身数据优势，在疫情期间共享行业数据，猫眼研究院发布了数十份数据及行业研究报告和榜单，为行业伙伴提供了多场免费在线培训和业务交流，并与中国电影家协会、巨量引擎、爱奇艺等行业伙伴合作，陆续发布一系列行业研究报告，通过多种方式帮助行业从业者理性分析趋势、准备对策。 猫眼采取一系列措施协助影院和演出场馆快速实现复工，包括升级影院服务解决方案；上线安全距离售票功能，支持隔排隔座；加强实名认证，尽量降低疫情期间观影活动的风险；通过猫眼平台推出“安心”标签，为全面消毒、全员检测、佩戴口罩等符合防控措施的影院、演出场馆显示“安心影院”、“安心看”等标识，帮助观众安全观影、安全观演。持续提供供应链金融等服务，缓解影院等行业伙伴的资金压力。 持续建设平台能力 行业服务全面升级 2020年上半年，猫眼持续加强平台能力建设，夯实平台服务。 宣发层面，猫眼持续拓展宣发目标品类，整合策略制定、宣传执行、渠道推广、智能发行等宣发全链路、全流程服务，并加强一站式、高效率的线上线下整合营销服务。疫情期间，猫眼陆续推出了“猫眼云聊”、“极速24小时”、《电影背后的故事：大咖请回答》等宣发产品，并于2020年7月在猫眼专业版正式上线“智能宣发”板块，全面展示和提供数据咨询、智能宣发、精准营销、发行助手等共计八类33项宣发产品和服务。 产品及数据层面，猫眼持续建设数据平台，不断拓宽数据来源，以更强大的底层建设，助力文娱行业发展。2020年4月，猫眼专业版在行业首次上线抖音影剧综热榜，用户可以在猫眼专业版一站式查看影视项目的多平台热度数据，有效提升影视宣发效率。2020年6月，猫眼专业版正式接入腾讯视频的网络电影分账票房数据，成为首家集齐腾讯视频、爱奇艺、优酷三家网络电影分账数据的平台。2020年7月，猫眼专业版上线腾讯音乐娱乐集团旗下“由你音乐榜”，汇集电影MV榜、电影音乐榜、剧集MV榜、剧集音乐榜以及综艺音乐榜等信息，帮助行业伙伴提供音乐物料营销的监测依据，这也是“腾猫联盟”所涉数据资源战略合作的重要组成部分。 此外，猫眼也在持续推进映前广告和线下娱乐广告合作，整合娱乐消费市场的“电影+演出+其他娱乐消费场景”的全文娱广告营销，实现广告呈现从用户购票环节、到线下取票、到观影的映前广告的全流程闭环。2020年上半年，猫眼已经和上千家影院及多个品牌广告主达成业务合作，锁定优质合作资源。随着影院的有序复工，猫眼将持续拓展和推动。 打磨优质内容 构建多形态精品内容储备 2020年上半年，猫眼持续加强对影视作品内容的深耕和打磨，目前已拥有丰富的内容储备。 院线电影方面，猫眼参与了数十部影片的出品或发行工作，例如自主开发的《风平浪静》、《起跑》、《平原上的摩西》及《天才游戏》等影片，均正在拍摄或已完成拍摄，将陆续推向市场；猫眼参与出品或发行的《紧急救援》《反贪风暴5》《一秒钟》《涉过愤怒的海》及《明日战记》等影片，也将择机上映。 剧集方面，猫眼一方面继续加强对所参与剧集的内容把控和打磨，参与出品了诸多优质剧集，例如《局中人》《什剎海》《老酒馆》等剧集，还与腾讯视频等平台合作定制了《乌鸦小姐与蜥蜴先生》、《通天塔》等项目；另一方面，猫眼也加大对自制剧的投入，积极推进多部剧集的开发与筹备工作，如《庭外辩护》、《天才棋士》等。此外，猫眼也在2020年加大了对网络电影等在线内容领域的投入，目前已经参与了若干部网络电影的出品及发行，题材遍布动作、悬疑、古装、惊悚、科幻等。 同时，猫眼也积极为疫情后的新娱乐场景做准备，如增加旅游演艺等品类的票务合作，以及持续增强演出项目的合作储备，例如，猫眼已经签署了若干头部艺人大型线下演唱会项目的投资及票务合作，后续将陆续与观众见面。此外，猫眼也在持续探索在线演唱会等新业务模式和方向。例如，猫眼为腾讯视频高人气女团“火箭少女101”演唱会直播活动提供独家全方位的票务代理和宣发合作；猫眼作为独家票务总代理的“2020王者荣耀世界冠军杯总决赛”已定于2020年8月举办。 此外，随着在内容出品领域的不断深耕以及资源沉淀和产业能力溢出，2020年上半年，猫眼首次布局影视音乐产业链，联动国内顶尖音乐制作人和音乐人共同开发影视剧原声带，并与腾讯音乐娱乐集团（TME）在影视音乐板块形成更好的有机结合。例如，7月10日在央视一套、腾讯视频、爱奇艺、优酷同步播出的剧集《什剎海》所涉OST，即由猫眼独家发行，并已与腾讯音乐达成独家版权合作。 行业复苏持续推进 短期影响未改长期逻辑 2020年7月20日中国影院开始有序复工，猫眼专业版数据显示，影院复工后市场反馈积极，截止目前全国复工影院数接近8500家，连续两周的周票房突破2亿元，重映票房破亿影片出现了2部；猫眼研究院调研结果显示，七成以上观众去影院观影的意愿比疫情之前增强。与此同时，线下娱乐演出也已陆续恢复，观众需求旺盛，行业信心不断加强。疫情虽在短期内带来了冲击，并且为行业带来了一些新变化，但是，观众对有优质内容的需求依然旺盛，行业长期发展的根本驱动因素没有发生变化。 猫眼在疫情期间积极应对，强化了平台能力、内容能力、新业务等方面的布局，同时积极助力行业抗疫，充分展现了企业社会责任。长期来看，公司秉承“猫眼全文娱”战略，坚持深耕全文娱行业，以票务、数据、产品、营销、资金等平台能力为核心，服务于全文娱各个领域和环节，为好内容匹配适合的观众，其创造长期价值的协同效应和竞争优势没有发生改变。 猫眼娱乐CEO郑志昊表示：“没有一个冬天不会过去，没有一个春天不会到来。作为国内领先的全文娱观众入口、主流宣发平台和数据及产品平台服务，我们将和行业伙伴站在一起，互帮互助，共同创造行业美好的明天。最后，衷心感谢所有同事、股东及行业伙伴们的支持和帮助，让我们一起砥砺前行，为行业创造更多价值！”
8月份以来，全国日发电量和统调用电负荷连创历史新高，BDI指数连续两周上扬，钢厂高炉开工率持续攀升，水泥等建材价格上涨，种种迹象都表明经济稳步恢复的势头更加明显。 国家发展改革委昨日公布最新数据显示，进入8月份，全国日发电量和统调用电负荷快速攀升，8月3日、10日、11日，全国日发电量和统调用电负荷连创历史新高。 其中，日发电量最高达到246亿千瓦时，比去年峰值高出6.86亿千瓦时；统调用电负荷最高达到10.76亿千瓦，比去年峰值高出2400万千瓦。华东、西南2个区域电网以及天津、山东、上海、江苏、浙江、安徽、湖北、湖南、江西、陕西、四川、重庆等12个省级电网负荷累计30次创历史新高。 “全国日发电量和统调用电负荷连创新高，既有持续高温晴热天气导致空调负荷快速增长的影响，同时也反映了国民经济继续稳定恢复。”国家发展改革委新闻发言人孟玮说。 作为经济景气的一个“风向标”，全国发电量自3月份以来一直保持正增长，7月份同比增长1.9%。与此同时，全社会用电量连续4个月同比实现正增长，7月份同比增长2.3%。 被视为国际贸易领先指标的波罗的海干散货指数（BDI）表现更为亮眼。据西本新干线数据，进入8月份以来，BDI持续上扬，指数已从8月3日的1385点上升至8月14日的1595点，涨幅超过15%。 分析人士认为，BDI持续上涨主要得益于国内基建强势发力，铁矿石补库存需求大幅增长。最近几个月基建投资越来越活跃，1至7月基建投资同比下降1%，增速转正在即。 此外，相关数据显示，截至8月14日，唐山钢厂开工率为91.24%，较前一周增加3.82%。部分钢厂高炉复产，开工率已达年内高峰。 海通证券首席经济学家姜超表示，从中观高频数据来看，8月经济开局良好，经济复苏仍在延续。
吉比特8月17日盘后公布上半年业绩报告。半年报显示，公司实现营收14.09亿元，同比增长31.61%；归属于上市公司股东的净利润为5.5亿元，同比增长18.17%。中国证券报记者注意到，吉比特一季度净利达3.22亿元，同比增长50.95%。对比一季度业绩增速，吉比特二季度明显放缓。 尽管业绩增速疲软，但机构仍然选择“加仓”。半年报显示，香港中央结算有限公司（陆股通）增持303.1万股，全国社保基金四零六组合增持13.4万股，基本养老保险基金一二零六组合新进成为吉比特前十大股东，持股达62.76万股，前海开源再融资主题精选股票型证券投资基金亦以43.74万股跻身前十大股东。 新游戏表现亮眼 对于归母净利润增速小于营业收入增长，吉比特称，本期参股公司青瓷数码新游戏上线，新上线产品前期营销推广投入较大导致亏损，公司按权益法确认相应的投资损失；本期开始外部研发商的游戏分成支出不再进行摊销；本期对外投资业务根据投资标的情况预提业绩奖金。 吉比特所指的青瓷数码新游戏为《最强蜗牛》。半年报显示，《最强蜗牛》集放置、养成、经营、收集等玩法于一体，上线前全平台累计预约用户数量超过300万；6月23日正式上线后连续9日占据AppStore游戏免费榜榜首；上线首月在AppStore游戏免费榜、游戏畅销榜、总榜畅销榜平均排名分别为第10名、第6名、第9名，并最高至AppStore游戏畅销榜第2名、AppStore总榜畅销榜第3名。 七麦数据显示，《最强蜗牛》6-7月iPhone收入预估分别为1226.73万美元、2724.27万美元。《最强蜗牛》吸金不断，吉比特受到券商一致推荐，公司股价也扶摇直上。6月23日收盘价为476.66元/股，8月5日盘中股价摸高至671.6元/股，截至8月17日收盘，吉比特收报594元/股，期间累计涨幅达24.62%。 核心产品流水呈下滑态势 支撑吉比特目前主要业绩的是《问道手游》。吉比特介绍，《问道手游》在AppStore游戏畅销榜平均排名为第23名，最高至该榜单第6名。截至6月30日，《问道手游》累计注册用户数量超过4300万。 七麦数据显示，《问道手游》3-4月的iPhone收入预估分别为705.08万美元、945万美元。4月的流水大增与周年活动有关。吉比特披露，今年4月《问道手游》4周年大服开启，公司聘请张若昀为代言人并聘请田雨为明星大玩家。聘请代言人有利于提升用户接受度，明确品牌主张，提升品牌价值和生命力，使品牌形象更清晰突出。 但周年庆活动一过，《问道手游》流水呈下滑趋势。七麦数据显示，该游戏5-7月的iPhone收入预估分别为791.45万美元、576.23万美元、457.92万美元。 需要指出的是，手游一般分安卓和苹果两大渠道端，七麦数据仅呈现苹果端的预估数据。一位华南地区长期跟踪游戏行业的私募人士告诉中国证券报记者，七麦数据的预估数据一般比实际情况低，但具有一定参考性。 对于游戏储备，吉比特披露，公司储备有《摩尔庄园》《魔渊之刃》《一念逍遥》《不朽之旅》等多款游戏。公司近期的调研纪要显示，《魔渊之刃》预计第三季度上线，《一念逍遥》预计下半年上线。 中国证券报记者注意到，机构比较青睐吉比特，公司今年以来披露5份投资者调研纪要，每份纪要中的机构名单往往超过百人。
结构性货币政策工具发挥作用的空间将越来越大。8月17日召开的国务院常务会议指出，保持流动性合理充裕但不搞大水漫灌，而是有效发挥结构性直达货币政策工具精准滴灌作用，确保新增融资重点流向实体经济特别是小微企业。 方正证券首席经济学家颜色表示，强调结构性货币政策，意味着随着经济形势逐步好转，经济增速逐步回归正常轨道，全面降准降息的概率很低，运用再贷款再贴现等直达实体经济的货币政策工具，仍将是金融支持实体经济的主要手段。他预计，如同昨日增量续做中期借贷便利的操作，流动性还是能够保证合理充裕，下半年流动性不会太紧。 近期央行的数次表态已经传递出结构性货币政策的重要性。如《2020年第二季度中国货币政策执行报告》总结，结构性货币政策行之有效。央行将进一步有效发挥结构性货币政策工具的精准滴灌作用，提高政策的“直达性”，引导金融机构加大对实体经济特别是小微企业、民营企业的支持力度，全力支持做好“六稳”“六保”工作，促进金融与实体经济良性循环。 国务院常务会议指出，今年以来，金融部门贯彻党中央、国务院部署，积极落实金融支持实体经济政策措施，按照商业可持续原则，通过降低利率、减少收费、贷款延期还本付息等措施，前7个月已为市场主体减负8700多亿元，对小微企业支持力度明显加大。 除了提出流动性要求外，会议还要求，提高金融支持政策便利度，支持中小银行运用大数据进行有效银企对接，疏通传导机制，扩大市场主体受益面。深化市场报价利率改革，引导贷款利率继续下行。落实落细运用再贷款再贴现资金发放优惠利率贷款、支持发放信用贷款等措施，确保小微企业全年融资量增、面扩、价降。 中国民生银行首席研究员温彬认为，要让中小银行聚焦服务小微企业发展，不能用传统信贷和风险管理模式，应当更多运用金融科技手段，提高风险管控的能力。 国家金融与发展实验室副主任曾刚表示，目前银行下沉服务，为中小微企业提供普惠金融业务，基本都是利用金融科技手段，基于大数据技术。数据一般包括银行内部数据，公共服务平台和工商税务等外部数据，以及经营交易数据等。 “基于大数据、云计算等手段，提高对客户的风险识别和风险评估的准确度，一定程度上解决了小企业因为抵质押物缺乏而导致的融资困难。同时，基于大数据、互联网渠道，还有效降低了运营成本，能够触达更多客户。监管部门推出的无接触贷款，实际上就是大数据在小微企业服务方面的体现，目前来看效果不错。”曾刚表示。 会议提到，防范金融风险，提高银行服务实体经济可持续性。曾刚解读道，银行加大普惠贷款投放也需要加强风控，如果纯粹是政策性业务，这种模式不具有可持续性，长期来看可能会带来更多金融风险，金融支持实体经济的长期能力也会受到损害。 “在强化金融对实体经济支持的同时，还是要坚持风险防控的基本要求和原则，把握市场基本原则，借助技术手段更好地识别客户，将风险把控在有效水平。”曾刚表示，受疫情影响，用户对于金融科技的接受程度正加速推进，未来还需要沿着这个方向加速创新。
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。
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
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