演讲主题：人工智能的产业外延与认知内涵
演讲嘉宾：闵万里博士 神思电子首席科学家
当你写一封情书对一个又胖又丑的人去写的时候，你硬要去凑是不行的。同样的，当你写宝马和冰激凌的时候要从心灵上打动他，打开宝马的那一刻就如夏天打开了一个冰激凌贴心。文字的剪辑并不代表感情的共鸣，尽管大语言模型或者大模型今天给了我们耳目一新的感受，但是我们把它放在一个更大的历史颗粒度上去看，其实有更底层的规律需要我们去发掘，这个规律如果我们把握了，我们有可能在另外一条技术路线上找到另外一个横切所有行业的技术路线。离开阿里之后我带着团队自己做的，两个完全不同的行业，但是用的底层模型是一模一样的，而且都回归到了人类的神经网络、人脑的神经网络上。
我想从这张图开始，当苹果打在你的头上的时候，不同的人看到的是不同的商机，有人会说这个苹果熟了，我赶快组织物流车队赚它一笔，有人会打开这个苹果发现口味特好，开始囤积制造市场上的奇货可居，只有牛顿看到了万有引力。历史上这样的事很多，科技的发展每一个现象的出现有人去解读了表象，有人是看到了人类认知之外的事情。今天我们当然炒股票可以搞一波行情，没有问题的，总会有人在你后面接盘，但是如果我们要做人类社会的推动者，我们需要的是判断底层逻辑，无论是从数据的传承和计算力同比的增加，几千年的历史都是这么来干的。
在这个过程当中，我们对世界的认知、对生产力的改进，我们认知世界再改造世界不断是螺旋式的上升，从模糊的观念到精准的推理，再到模糊的观念再到精准的推理，认知的世界在拓展，科技拓展认知的边界，技术丰富我们改造世界的工具。如果我们对科学没有抓住本质的东西，我们永远跟随的是别人的大模型，大模型不是唯一的解法。
不管投谁都希望知道下面的公式是成立的，产业链和科技链的结合能够创造增值，如果这个公式不成立，你的投资就是一个搏杀。我们需要清醒的看到下面的公式是否存在，什么样的科技在什么样的产业链上能够创造什么样的增值？这个价值是正向的，还是负面的，还是昙花一现的？科技的本质和产业发展趋势之间是否能够相向而行，还是背离初心？
我们讲在短短的20多年当中，人工智能这个小小的领域有几个里程碑的事件，很遗憾没有一个和我们相关。从1997年Deep Blue打败了Kasparov，Watson再到AlphaGo，再到ChatGPT，这几个过程我们如果把它回过来看一下它们有惊人相似的地方是底层的相似，绝对不是模型的参数从1个亿到10个亿到1000个亿…。
我们先看一下先进的生产力转化为生产力工具别人是怎么干的，深蓝最后变成了Blue Gene，然后再到Watson Health…DeepMind医疗的电子病历再加上一些（英）要去做Health。再到AlphaGo，开始挑战人类的认知边界，去试图解析蛋白质的结构，如果有一天因为它的突破能够让帕金森症、老年痴呆症、失眠症等等迎刃而解的话，今天OpenAI做了ChatGPT，它开始做到了To C和To B，花钱交月费给它训练数据，在教它变得更好，人类反馈的强化学习的机制让它非线性的增长，在这个道路上再想去追赶它是不可能的，除非你还有个非线性增长的模式。
这四个阶段，TO G/To B再到To C/To B，吃一堑长一智，当它进入到这种模式的时候，我们会发现说原来大数据的力量结合好的产品直接面向全世界上亿个消费者的时候都变成上亿个教练，上亿个教练从3到4能力涨了很多，没法追赶。
把它的趋势我们看一看，其实就是一件事，当先进的生产力率先转化为生产工具的时候会成为一个平台，最终呈现的是一个生态，这点我就不赘述了。同样的事20年前发生了，当（英）两年之后，2005年推出了云计算，它支撑了亚马逊一半以上的市值，以计算这个服务（英）作为一个核心，构建了云计算的生态，所以它成为的一个科技公司，不是一个电商公司。类似从一个业务的底层去抽象一个科技的驱动力，把它转化为一个横切的生产力，一次又一次的发生，而不是我们等待着我们模仿别人，它有大模型，我也有大模型，我想下一次的爆发绝对不是大模型。
我们回顾一下历史它们都有惊人的相似之处，Watson提出的是DeepQA，在2011年打现场比赛的时候，后面有几十个人的团队在训练它，在反馈它，那个时候没有GPU，没有今天这么好的计算条件，但是即便是如此还是把它打败了。作为我的老东家，我只能说它很好，曾经离真理那么的接近。
我们再来看一个，ChatGPT也是一样的，它第一次把神经学习和强化学习交叉起来了，我们的人在发育的过程当中也是不断地在强化自己的认知，从我们做错的题目当中找到哪个知识点要强化它，最后变得越来越强，最后变成一个高考状元，其实整个学习的过程就是强化的过程，它找到一条路让深度的神经网络能够快速的消化、吸收和理解反面的副样本，把副样本总结起来。Policy和Reward本质上也是类似的，他们在用同样的手法在两个不同的领域快速的迭代取得了成功，绝对不是神经层增加了多少层的神经网络，不是这样的，它是在一个非常复杂的规则确定的具备无限可能的放射性的束当中快速的锁定到最有可能的路径，快速收敛，然后再用一些算法的形式上它工程上能够迭代的更稳定。本质上它们是用了类似的思路，就是底层的原理上两个（英）之间的双边迭代。
我们再来看一看AlphaGo具体到最后做了一些什么事，它下围棋成功之后做的第一件事情就是人工智能去改变数据中心，我们今天讲大数据中心，数据中心的能耗怎么样优化、降温，这是一个非常难的世界级难题，可能在座的知道有PUE靠近1.0，现在基本上达不到的，1.1级已经是非常好的了，但是它用AlphaGo的方式去寻找几千个控制节点，使得整个温度场的分布更加均匀。再有它去挑战AlphaFold，这是人类健康史上颠覆性的事情，这些东西可能是底层的科技正在从根本上改变人类社会的事情，绝对不是写一个小说、写一个求爱信，求爱信这是情感价值是可以的，但是人类更需要的是拓展我们的认知，打败个体的智能是很容易的，打败人类的智能是很难的，这些公司做的是打败人类的、拓展人类的边界。
同样的道理，我们再来看一件事，四五百年前或者是到文艺复兴之前，所有人都说地球是宇宙的中心，最后写了三个公式说是开普勒三定律，推翻了地心说，成立了日心说。到这个地方剧本很完美，在前人的基础上最后写出了三定律出来，但是只有一个人，牛顿提出了一个公式，万有引力的公式解释了所有的天体行为。掌握底层规律的人能够看到未来、定义未来。而数据挖掘的人会总结、会演绎、会博取掌声。今天同样的道理，如果我们去问ChatGPT，请问如何把半导体流片的量体率（音）提升上去，或者怎么样把失眠症的人让他能够快速入眠，治疗怎么治，或者说有帕金森症的人，得了脑性中风的人应该怎么样介入，在哪个通道上用多大的刺激量刺激多久，这些专业的问题是需要去回答的。
检索、搜索、探索，检索，到图书馆去条目都很清楚，然后查什么科什么子类。搜索没有科目分类，但是这个知识已经在互联网世界当中，你只要把它找到关联性。探索是从来没有过的，在人类认知的边界之内就没有的东西，我们要去探索。所以AlphaGo当年选择了探索，尽管这条路不是那么快，但是一旦它成功，我想它是通杀式的。敢于去选择探索的是一种莫大的勇气，也是莫大的自信，有技术自信，为什么？因为它掌握了底层的原理。
我要用这张图来讲三件事情，无论是DeepMind，还是Watson，还是ChatGPT，其实背后用到的神经网络，如果我们把它做一个同构的映射，它的科学抽象是什么？其实就回到人的本质，就是人脑。人脑大概是这样的神经网络结构，重要的是每时每刻每个神经元在放电，神经元和神经元之间的信息通路，信号通道是最重要的，很多时候信号通道不通畅，信号传不过去，就导致认知的障碍、记忆的障碍、睡眠的障碍等等，甚至到后面就是你控制不了脑区，就控制不了你身体的行动，都是因为信号通道出问题。
如果我们今天用暴力的方法去想想这个网络，800多亿个节点，每一个节点处在二分类的状态，激活或者不激活状态，或者稍微复杂一点是0-1之间的混合态，这样的一个网络大小以今天的计算量和计算能力是完全可以暴力求解的，现在都已经干到上万亿了，所以我们存在一种可能，用超大规模的计算量在这个数学结构上去做超大规模的神经网络控制和优化，反向调控它，这件事情正在发生，我想大家知道马斯克还有另外一家公司叫做（英），正在做这件事情。咱们讲控制生物体，如果对它的脑区做精准的刺激，能够让它做什么事情，这样一个想象空间远远比一个文字要来得更加大，它的可能性更多。
这样一件事从几十年以来就一直在干，包括做神经网络的和最近在做深度学习的人也在做一个验证，说人脑的神经元相当于5-8层的网络，这是国际上Neuron杂志最新的报道。也就是说，如果一个大脑的神经元用5层的神经网络去描绘它，我最不济把上百亿个神经元都乘以5，1000个亿网络的量级，这样一个量级可以挑战它。我们的算力已经到了这样一个用暴力的方法去破解人脑秘密，或者说这么大规模神经网络的运转机制。
这个公司做的事都是类似的，这都是公开网站上的信息，除了他发火箭之外，还做这个事，大家要关注一下，这个的进展有可能真正让我们对人的健康等等很多底层疾病的机理和介入的机制和通路找到了下手的地方，它的价值不需要再证明了。
回过来讲，我们把今天人脑的东西无论是（英）迁移到很多个垂直的场景当中，其实我给大家看到的这张图是各行各业都有的，从城市的交通到管网到生产工艺流程，整个车间也是有工艺流程的，每个岗位相当于一个神经元，神经元和神经元之间传递的是人机料法环这些参数的流程。如果你从这个角度去映射，几乎所有的带有前后顺序的决策流程和生产流程、交通组织等等都是一个大的神经网络，一个城市有神经网络，一个工厂有神经网络，一个组织也有神经网络，甚至就一台小小的锅炉也有神经网络，它有N多个控制按钮控制环节，但凡有物理世界当中的先后顺序和固定结构的一种场景都可能映射到这样一个拓扑结构。这个神经网络当然可能很复杂，有几十万到上亿个的节点，再加上参数量一下就很容易爆炸，所以用纯暴力的方法当然是很复杂的。
但是好在把这个问题抽解为一些数学问题的话就变得简单了，一个复杂的网络找到最小的局部结构，在这个结构上下手解题，就是刚才讲的很多做认知科学的人是用实验的方法去找通路，但是今天用机器学习、用人工智能的方法、用海量的数据可以算出这个通路，这个算的方法不是我发明的，300多年从Bemoulli大数定理，每一个节点源源不断地看到信号，看到这个时间信号之后，假定你一直在看这些信号，最后你会得到什么？再往后一系列的科学家，因为网络的复杂性和时间关联性趋向的是（英）。
这些伟大的科学家都在解一件事情，在一个神经网络的节点上不断地观测到海量的数据，然后考虑到节点之间的关联性和时间关联性、空间关联性，怎么样来描绘它的理论上的大样本性质？然后再反推这个网络的结构，这些伟大的科学家做的事情今天我们稍微把它移植过来一点点数学公式，可能四两拨千斤，很多问题就迎刃而解了。
我自己做了两个案例，这两个截然不同的方向，但是用的就是一个模型，而且是我自己写的，这个文章是我发表的，这件事情而简单，这个地图上的放大镜里面有两个东西，救护车要左转，信号灯是左转的红灯，前面的车挡着它，没有听到救护车的声音，如果把一个城市想象为一个智慧体，这个神经节点出问题了，我们有那么多的摄像头在天上，能够把交通违法抓的特别及时，罚款罚的也特别及时，但是我们就是看不到这个救护车需要左转，或者说提前能够把车清空，让它能够不用闯红灯的过去，这件事情不合理，但是大家能够理解，但是习以为常了。让这个城市的每个道路节点神经元变得聪明，让它能够提前感知到几点几分几秒到达这个路口，提前多少秒把这个灯变绿，把前面的车清掉，让救护车到医院的时间压缩一半，这个就是生和死的考验，价值不用多说。
给大家报告的是2017、2018年的时候，我们在世界上首次做成了唯一的一个任何时候、任何地点出发，用救护车把病人送到医院全程一个红灯没有，全程绿灯，神经元上看到的是视频，视频要把它解析为交通流，实时解析，这个是今天比较常见的，解析完之后把一个城市十字路口想象为一个跳跃的脉搏，东西向、南北向的车辆，这个神经网络要对它做精准的调控，调节信号灯就是调节供给、调节流量。问题是几点几分几秒介入让它变绿，加大放行，让前面的车清空掉，让救护车去的时候自由的通行，而不需要闯灯。这个事情的难度有点像你对着一排电风扇打子弹，这个子弹不要被风扇的叶子给挡掉，我们都知道西湖周边是很拥堵的，你无法精准的预测几点几分几秒会到达这个路口，怎么办？最后我们做成功了。
就是用神经网络，把这个城市的路口想象为神经节点，节点和节点之间是交通流，节点的控制在通道上控制东西向或者南北向的流量，就是调信号灯，最后使得在某一时刻在南北向或者左转的那一条道上是自由通行的，这个无论是数学上还是工程上都是很有挑战的事，好在我们做成功了之后把车的时间压缩了48.9%，2018年我们用到马来西亚吉隆坡中央商务区，那个小动画就是在讲救护车在慢慢的走，快到路口之前灯就突然变绿，然后就把前面的车清掉了。这是在讲一个城市的交通网络。
刚刚讲的网络就是把每一个道路节点想象为神经元，神经元和神经元之间是靠交通流在通行，我们的控制手段是调节神经元，就是在这个路口的信号灯。
如果在工厂当中我们讲一个非常常规的行业生产单晶硅的，这个过程就是在炉台当中把沙子加热到高温1400多度，再慢慢拉晶，所以它是在一个生产速度和断线率之间循环一个平衡，拉上来断的时候一下子要返工。这整个流程大概是36个小时，稍微断了之后前功尽弃。先给大家报告结果，我们也是把它当作一个神经网络映射出来，跟城市交通的神经网络非常类似，效果是断线率改善了百分之十点几，一个炉台一天增加3公斤，懂这个行业的人知道这个意味着多少钱，对于一个1300多炉台的一加工厂来说，它一年的利润会因为这个事增加几千万的利润。
这个过程怎么干到的？就是神经网络。当我先把这张图画出来的时候我问ChatGPT请问该怎么改进，让断线率变得更好，我想它是答不出来的，它会给你做一串现象的描述，它说参差不齐，有的好有的坏。我们最朴素的想法很简单，如果我能够把每一台机台的断线率拉齐到最好的水平，先向先进者看齐，至少我已经可以大幅度改善了。这里面问题就来了，先进的和不好的有参差，它们的差别在哪儿？怎么精准的锁定量化的差别？其实就是神经网络的事。
我们把整个生产流程生成这个网络，人机料法环实际上变量特别大，我只是高度简化它，有一些变量是可调的，有是三角形的变量，有一些变量是无法调节的，我把它按照生产流程映射出来。这一段神经网络一旦有了海量的数据又变成了一个海量样本的问题，正样本、副样本，有断线和没有断线。怎么找这个？不容易，因为它的层级很多，就像深度卷积神经网络一层一层的卷下去，这个真正的叫内卷，这个卷的过程当中需要做一件事情，就是要找到有哪些关键的神经元组合在一起，形成了这个图上虚拟的功能单元，也就是说我们要找到一组功能性的神经元，就是某些关键参数，把它结合在一起，能够直接界定最终的结果变量是好是坏。
在这个过程当中，你会发现结果变量之间关系参数是不一样的，因为那个线有权重，有粗和细，代表的是权重。这张图看起来很简单，如果设想一下是300层的神经网络，每一层有几十个参数，我们要找N个这样的功能单元，然后再来判断怎么样调节那些三角形，使得最终的结果变得更好。
讲到这儿大家大概就有所感觉了，城市交通的事和产线控制的事其实是一回事，底层的数学就是一个数学结构，再加几个公式就可以了。但是今天在大模型当中，或者所有的科研文献当中，或者专业论坛上，基本上很少见到这样一种思路，但是我认为这些案例的结果已经证明了它的价值和可行性，无论是从交通、生产工艺，再到企业组织流程，只要映射成这样的神经网络，就可以做这件事情。AlphaGo的成功到AlphaFord再到OpenAI的成功，也都在验证说用这样一个底层的方法是可以打破行业的边界，有人会说行业隔行如隔山，行业的水很深，但是从地球的任何一个地方下钻的足够深都是一个地方，就是地核，所以到底层去，找到底层通识性的数学公式，找到第一性的原理，就像当年找到牛顿的万有引力的公式，你就知道宇宙的情况，一样的道理。今天各行各业都面临着这样一个机会。
从OpenAI的成功，我们再次印证了强化学习、反馈学习（英）这个东西的重要性，而不是参数的多少。而且今天我们用别人的语境去竞争，我们会被别人卡脖子，因为算力芯片已经被限售了，要用我们的规则独辟蹊径，才有可能在下一次生产力爆发的时候是我们来定义。至少过去20年，这几次大的事我们定义的比较少，很少有机会，只是在跟随，原发性的地方还是要到底层去，我认为今天有三个地方可以在底层下手。
从数据、算法、算力三个角度，第一，海量的数据固然重要，但是如果能用结构化的数据四两拨千斤，你不需要博览群书，你只需要知道这个行业的通识和专家知识就有可能精准的知道这个行业给出高质量的回答，甚至给出一些秘方，不需要穷举人类社会上下五千年的知识，用暴力的方法先检索再搜索。谁能够把这个行业的模型、结构化的知识库做出来？刚刚前面嘉宾说到那些老专家的知识是不愿意共享的，但是他做成的行业知识库之后是可以作为一种公共的服务，这种垂直化场景下的行业模型是一个巨大的机会，掌握数据者得天下，尤其在中国很多的行业积累非常深厚，在这个方向下力。
第二，今天一看就说多少个芯片，我们给很多芯片打工，但是大家有没有想过如果有一天能把所有现在的算法用量子计算的方式重新实现一遍，这个复杂度会降低上万倍。在人类历史上最重要的数学游戏，就是把一个整数分解为N多个质数的沉积，来自于计算机已经远远的超过了传统基于CPU、基于传统的算法，将来迟早有一天量子计算有可能重新改写所有神经网络的算法，到那个时候芯片是什么还不知道。
这就带来另外一点，算力的实现，量子计算机。今天国外已经做到了上百个qubit量子位，量子纠偏的码率错误率也在大幅度的下降，从概率上来说已经到了在一定范围内的能够误差可控。为什么这件事用量子如此的重要呢？大家想象一下其实很清晰，在微观世界当中所有的物理行为和宏观上的行为是一个微观世界的统计总结，而微观世界是量子效益，尤其是在纳米级别，或者0.1纳米这个级别，也就是我们人脑这个级别。在微观世界的神经网络本质上就是一个量子效益的宏观叠加，今天量子计算机用量子的算法从0-1，传统是0-1的二分类，它变成0-1概率的（英），它所传递的信息量远远大于传统0或者1的信息，所以它会一下把整个算法的复杂度和实现的机理、迭代的速度推到前所未有的高度。
所以在这三个方向上，有可能出现颠覆性的技术和理论，全部推翻现有的算法体系和所谓的超大集群的那些芯片，这不是一个梦，这是正在发生的事情，只是等它出来的时候我们再去追究已经晚了，但是量子霸权但凡关注科技的都应该知道是两三年以前谷歌和IBM已经在《自然》上面发的文章，说它们实现了量子霸权，咱们国内在这个地方是第一梯队。
通过这些芯片最终能够实现什么？能够实现多模态决策，一定还有存在更加有能效比更可持续的一种实现架构和算法，使得它可以逼近人脑的极限。这个是现在正在发生着，也有很多人在研究这个方向的事。
还有一个是算法本身的复杂度问题，这个直接决定着能耗，也直接决定着收敛速度，前几年几个GPU论文，这是2020年前后那个时候的能耗比，大家都在讲的是怎么上它变成稀疏的运输呢？卷积神经网络卷来卷去的就是矩阵相乘，我们最希望它是稀疏的。矩阵相乘怎么样最大可能的制造稀疏矩阵让算法的复杂度降低，大公司选用两个不同的方案，谷歌推出了TPU，英伟达推出了GPU，但是还有一点很重要，就是我刚刚提到的行业专家的垂直模型、行业模型，这三者的结合能让算法的复杂度和算法计算的消耗大幅度降低。这点上可能在近期会是一个热点，无论从IDC的能耗上面来说，包括我们最后讲的能效比上来说，都会有大量持续改进的空间。
最后讲一下多模态，这张图蛮有意思，前面两讲在讲你有世界上最好的无人驾驶汽车，地面上的划线是左转的划线，旁边有一张路上的牌子上面写着禁止左转，如果你读懂了地上的划线，又读懂了牌子，也读懂了汉字，请问你该左转吗？这个没有标准的答案，开车的司机朋友大家都知道随大流也OK，法不责众，其实人有很多的智慧和生活经验面对这种场景。你看懂了一切，但是你不知道该怎么办，该不该左转？一样的道理，你有世界上最好的语言，并不代表你有了一切，我们需要的是多模态，人类的知识传承70%以上是用语言传承的，这也是为什么OpenAI基于这样一个朴素的认知在当年坚持做语言模型做NLP，而没有去做CV，尽管当时我们知道有很多做CV的，但是他们选择了一条相对来说小众的技术路线，但是就是因为他们有这样一个坚持，单一的语言或者视觉是不足以支撑“智能”这两个字的内涵，需要有多模态，既有视觉，又有语言、文字等等，在一起才有可能多模态的方式诠释这样一个智能的内涵。
最终实现的是这几个字，我定义的AI是（英），最终是右边的这个事，是IA，其实我们今天从沃森、AlphaGo、OpenAI的成功，我们应该看到底层方法的重要，不要再去搞超大模型的计算，我们有更好的机会重新定义内涵。
以上内容为上市公司嘉宾观点，任何情况下不代表民生证券意见。
计算机团队介绍
吕伟：计算机首席分析师，北京大学理学硕士，2021年加入民生证券研究院。
执业证书：S0100521110003
分析师承诺
作者具有中国证券业协会授予的证券投资咨询执业资格或相当的专业胜任能力，保证报告所采用的数据均来自合规渠道，分析逻辑基于作者的职业理解，通过合理判断并得出结论，力求客观、公正，结论不受任何第三方的授意、影响，特此声明。
免责声明
本报告仅供民生证券股份有限公司（以下简称“本公司”）的客户使用。本公司不会因接收人收到本报告而视其为客户。
本报告是基于本公司认为可靠的已公开信息，但本公司不保证该等信息的准确性或完整性。本报告所载的资料、意见及推测仅反映本公司于发布本报告当日的判断，在不同时期，本公司可发出与本报告所刊载的意见、推测不一致的报告，但本公司没有义务和责任及时更新本报告所涉及的内容并通知客户。
本报告所载的全部内容只提供给客户做参考之用，并不构成对客户的投资建议，并非作为买卖、认购证券或其它金融工具的邀请或保证。客户不应单纯依靠本报告所载的内容而取代个人的独立判断。本公司也不对因客户使用本报告而导致的任何可能的损失负任何责任。
本公司未确保本报告充分考虑到个别客户特殊的投资目标、财务状况或需要。本公司建议客户应考虑本报告的任何意见或建议是否符合其特定状况，以及（若有必要）咨询独立投资顾问。
本公司在法律允许的情况下可参与、投资或持有本报告涉及的证券或参与本报告所提及的公司的金融交易，亦可向有关公司提供或获取服务。本公司的一位或多位董事、高级职员或/和员工可能担任本报告所提及的公司的董事。
本公司及公司员工在当地法律允许的条件下可以向本报告涉及的公司提供或争取提供包括投资银行业务以及顾问、咨询业务在内的服务或业务支持。本公司可能与本报告涉及的公司之间存在业务关系，并无需事先或在获得业务关系后通知客户。
若本公司以外的金融机构发送本报告，则由该金融机构独自为此发送行为负责。该机构的客户应联系该机构以交易本报告提及的证券或要求获悉更详细的信息。
未经本公司事先书面授权许可，任何机构或个人不得更改或以任何方式发送、传播或复印本报告。本公司版权所有并保留一切权利。
所有在本报告中使用的商标、服务标识及标记，除非另有说明，均为本公司的商标、服务标识及标记。
重要提示
《证券期货投资者适当性管理办法》于2017年7月1日起正式实施，通过本微信订阅号/本账号发布的观点和信息仅供民生证券的专业投资者参考，完整的投资观点应以民生证券研究院发布的完整报告为准。若您并非民生证券客户中的专业投资者，为控制投资风险，请取消订阅、接收或使用本订阅号/本账号中的任何信息。本订阅号/本账号难以设置访问权限，若给您造成不便，敬请谅解。我司不会因为关注、收到或阅读本订阅号/本账号推送内容而视相关人员为客户；市场有风险，投资需谨慎。