中国移动公布2022年全年业绩：“两个新型”加速推进转型发展成效显著

-loading-

听音频 🔊 . 看视频 🎦

... 2023-03-28 08:30 .. 移动ARPU稳健增长，为人民币49.0元，同比增长0.4%。
    家庭市场：价值引领快速增长着力拓展“全千兆+云生活”价值空间，积极推进宽带、电视、智慧家庭“三领先”工程，加快推动家庭业务向HDICT(家庭信息化解决方案)转型升级。
    坚持千兆引领宽带领先，加快千兆宽带规模拓展、应用培育和服务升级，打造高品质千兆口碑；坚持内容驱动电视领先，推动传统电视向智能电视、投影仪等泛屏终端升级，做强做优“宽带电视+数字院线+垂直内容”的家庭信息服务入口；坚持创新推动智家领先，融合拓展大屏点播、智能组网、家庭安防等高成长产品，围绕数字乡村、智慧社区、全屋智能、智能车空间等新应用场景，创新构建HDICT标准化运营体系。
    2022年，家庭市场保持快速增长，收入达到人民币1,166亿元，同比增长16.0%；家庭宽带客户达到2.44亿户，净增2,578万户，持续保持行业领先。
    千兆宽带普及加 .. UfqiNews ↓ 2

... 02-01 03:13 , 7330 , 155 ..
[编按：转载于网易网/ 经济日报 , 2023-02-01. 原作者（经济日报记者陈果静）.
    ] 人们为什么又爱存钱了？（2023年）1月29日，消费者在中免集团海口日月广场免税店选购化妆品.
    今年春节假期，海南离岛免税消费持续火爆.
     （新华社发）近期“超额储蓄”引发较多讨论.
    超额储蓄，简单来说，就是相对于往年，2022年的居民新增存款明显较多.
    中国人民银行公布的数据显示，2022年人民币存款增加26.26万亿元，同比多增6.59万亿元.
    其中，住户存款增加17.84万亿元，这与2021年全年的水平相比，多增7.94万亿元.
    人们为什么又爱存钱了？业内专家认为，居民存款大幅度增长、储蓄意愿增强的原因是多方面的，既有短期影响也有长期因素.
    应正视这一现象，并采取措施合理引导居民预期，提升居民消费和投资的意愿和能力，将居民存款转化为长期资金，更好地促进实体经济发展.
     居民不爱贷款爱存钱 2022年，住户存款，也就是居民存款增加17.84万亿元.
    较2021年多增7.94万亿元，较2020年多增6.54万亿元，较2019年多增8.14万亿元，创有统计以来的新高.
    伴随存款的增长，居民贷款却在收缩.
    2022年住户贷款，也就是居民贷款增加3.83万亿元，同比少增4.09万亿元.
    其中，短期贷款增加1.08万亿元、中长期贷款增加2.75万亿元，同比分别少增7600亿元、3.33万亿元，住户中长期贷款增量为2015年以来最低.
    央行2022年四季度城镇储户问卷调查结果也表明，倾向于“更多储蓄”的居民占61.8%，比上季增加3.7个百分点；倾向于“更多投资”的居民占15.5%，比上季减少3.7个百分点.
    招联金融首席研究员董希淼认为，这反映出受多重因素影响，居民就业、收入不够稳定，预防性储蓄动机上升，日常消费需求下降，住房消费和投资意 ... 人们为什么又爱存钱了？ ⟶

... 02-08 06:12 , 7432 , 127 ..
迈向通用人工智能AGI之路：大型语言模型LLM技术精要-6

规模效应：当LLM越来越大时会发生什么
我们知道，近年来，LLM模型规模在快速增长，目前效果最好的LLM模型，其参数规模大都超过了千亿（100B）参数规模.
    比如，OpenAI的GPT 3的规模为175B，Google的LaMDA规模为137B，PaLM的规模为540B，DeepMind的Gogher规模为280B等，不一而足.
    国内也有中文巨型模型，比如清华&智谱GLM规模130B，华为 “盘古”规模200B，百度“文心”规模260B，浪潮“源1.0”规模245B.

那么，一个很自然的问题就是：随着LLM模型规模不断增长，会发生些什么呢？
预训练模型的应用往往是两阶段的：预训练阶段，及具体场景应用阶段.
    在预训练阶段，其优化目标是交叉熵，对GPT这种自回归语言模型来说，也就是看LLM是否正确预测到了下一个单词；而场景应用阶段，一般要看具体场景的评价指标.

一般我们的直觉是：如果LLM模型在预训练阶段的指标越好，自然它解决下游任务的能力就越强.
    然而，事实并非完全如此.
    现有研究已证明，预训练阶段的优化指标确实和下游任务表现出正相关关系，但是并非完全正相关.

也就是说，只看预训练阶段的指标，来判断一个LLM模型是否够好，这是不够的.
    基于此，我们分头来看在这两个不同阶段，随着LLM模型增大，有什么影响.


首先，我们先看在预训练阶段，随着模型规模逐步增大，会发生什么.
    OpenAI在 “Scaling Laws for Neural Language Models”中专门研究了这个问题，并提出LLM模型所遵循的“伸缩法则”（scaling law）.
    如上图所示，这个研究证明：当我们独立增加训练数据量、模型参数规模或者延长模型训练时间（比如从1个Epoch ... 迈向通用人工智能AGI之路：大型语言模型LLM技术精要-6 ⟶