1.今天你阅读到的有价值的全文内容链接
http://mp.weixin.qq.com/s?__biz=MzA4NDMzMDAxMQ==&mid=2649963016&idx=1&sn=7bc611f582a9ff044e950d2f4f0f626c&chksm=87ef497cb098c06acc56fd04dce1ace4644dfed38c41b6465ac0690728f628328c349fb2cc85&scene=0#wechat_redirect

2.今天你阅读到的有价值的内容段落摘录
中国首富王健林吹响集结号，一举揽下三名大将，银行、迪士尼、谷歌全线发动，威震八方！
之前，最让我们震撼的莫过于某某银行行长走人进军互联网金融。但今天，万达让所有人开了眼界，历史上第一位银行董事长出走进入互联网金融，他就是原广发银行董事长董建岳！
你没有看错，从今以后，曾挥斥方遒的银行终极老大董建岳将出任万达金融董事长，与中国首富王健林一起向传统金融的垄断、霸权宣战！这是历史首次，也是唯一一个。
曾经叱咤风云的金融人物，正一个一个变成万达的人。当王健林宣布挥刀断臂房地产，进军金融之时就释放出了一个时代的信号。万达金融的第一大招就是发行自己的“银行卡”，势要成为中国最大的发卡机构！
存、贷、汇全面进军，不留死角！有人说今天互联网金融也不行了，那是你家的伪互联网金融不行了，真正意义上的互联网金融正在腾飞，看看支付宝，再看看今天的万达！王健林说，现在想明白了，准备开干了。
2012年便怒砸26亿美元收购美国第二大影院运营商AMC，又斥资35亿美元购入传奇影业控股权，仅仅两个月，又间接并购美国卡迈克院线。今天，王健林已是美国乃至全世界最大的电影放映商。


3.今天你阅读到的有价值信息的自我思考点评感想看完这篇文章确实很为王健林感到自豪的，能做到这么大规模，几乎收购美国的电影产业，不过收购归收购，我国的电影产业要从中借鉴取长补短，争取做出自己的特色。
再谈到互联网金融，我想可能绝大部分人都是对互联网金融存在偏见的。就拿最近我准备重新找工作，很多朋友都会说不要找互联网金融公司，然后就能举例说明很多起事件，开始我还会反驳他们，但是我发现反驳是不管用的，他们的思想似乎已经根深蒂固了。这些不能仅仅归咎于那些坑蒙拐骗的互联网金融公司，我国的金融监管部门应该好好反思！

4.昨日你阅读的时间量（小时计算，如0.5小时）
1小时

5.你参与活动至今的总时间量（小时计算，如20小时）
286小时

今天开始加入充实计划
1.今天你阅读到的有价值的全文内容链接
http://mp.weixin.qq.com/s?__biz=MzI1OTAwMDQwMw==&mid=2650059397&idx=2&sn=4c789f9643dae1fcf0a5d0c396adc707&chksm=f27f83b9c5080aaff801c4f1bb1161f9d797ac7a4ff64d944a8c52f8ee087d88519540871254&mpshare=1&scene=1&srcid=1019L9coXdcMBzklsJ9lnOwL&from=groupmessage&isappinstalled=0#wechat_redirect
2.今天你阅读到的有价值的内容段落摘录
明确的预期价格能够大幅降低市场风险，也有助于企业更好地规划减排行动、优化碳资产管理。
3.今天你阅读到的有价值信息的自我思考点评感想
碳金融对减排行动很有意义
4.昨日你阅读的时间量（小时计算，如0.5小时）
1小时
5.你参与活动至今的总时间量（小时计算，如20小时）
2小时

昨天阅读2小时，累计阅读35小时

今天阅读半个小时

昨日学习3小时，累计36小时

第15天～昨天阅读6小时，总计47.5小时～

20161018 挑战60天之第2天 计0.5h
一、资源
《纽约客》最新一期的一篇书评，John Lanchester评Joseph Stiglitz的新书“MONEY TRAP：
                                                Can Europe survive the euro?”
                                                                                                                                               



二、增量／感受
1、欧盟如何建立的，内中隐情，写的很有意思；
2、作者观点：欧元、欧洲中央银行遭遇危机，只是慢性病发作，将欧盟内在的遗留问题显露出来而已；
3、欧元、欧洲中央银行的制度设计本身，堪称金融史上开出的奇葩。

三、阅读方式
浏览一遍；评价：值得精读，我决定打印出来，作为我学生另一门《历史》课的文献存档。

今天阅读连接（五分钟读完美国白皮书:为了人工智能的未来，政府都在做什么?）
http://item.btime.com/wm/05hte16bbt3it1dvc9uombp7vgd
今天内容主要摘要
     上周，白宫发布了一份名为《时刻准备着:为了人工智能的未来》(Preparing for the Future of Artificial Intelligence)的研究报告，主要阐述了 AI 的发展状况、现存及未来可能的应用方向，以及因 AI 进步对社会及公共政策可能带来的问题。除此之外，报告中也提到了具体问题的解决建议。
     有益于公共事业的 AI 应用：AI 及机器学习的一个积极应用在于，它具有极大的潜能以提升人类的生活质量，帮助解决世界上最大的挑战及低效问题。许多人将 AI 的作用与移动计算所产生的影响和进步做类比。不管是国企还是私企，在人工智能上的基础及应用研发领域所做的投资已经开始初见成效，并在公共医疗、交通、环境、司法及经济方面崭露头角。政府本身的扶植同样让人工智能以更高更快更强的态势拓展开来。
     AI 及相关政策：从自动汽车到航天飞机，AI 拥有丰富的应用领域，而它本身同样要受监管，以保证公众的安全，并维护经济竞争的公平性。与 AI 进行紧密联合的这些产品，如何影响相关的监管政策?一般而言，法规需要在保证公众安全的大前提下评估风险。此外，政策应该首先考虑现有的监管制度的界限何在，并根据内容决定是否要对政策进行调整，以规避引进人工智能后可能带来的风险
     与此同时，政府也要考虑到因政策调整可能带来的成本变化，并了解是否会损害市场公平。
     目前比较鲜活的例子非自动驾驶汽车及无人机莫属了。长期看来，自动驾驶能够规避司机产生的人为失误，而 UAS 也能从中获得不少经济效益。不过囿于此类技术还在完善，目前交通安全依然需要大量的人为监管。交通部们(DOT)采取的策略是根据技术的发展而制定配套的相关方案，为车辆留出测试空间，以此积累更多的安全行驶案例。
     研究力量：政府在推动人工智能发展的道路上功不可没。联邦政府业已成立了另一个研究部门，专门制定与人工智能相关的发展战略。而这可以称得上是未雨绸缪--人工智能的全球性发展需要，联邦政府的法规同样需要跟上。目前人工智能的发展撕开了技术人才的缺口。在人工智能盛行的世界里，公民对数据的了解能力也水涨船高，而且同样会对人工智能相关议题的政治参与产生影响。在科学、技术、工程及数学(STEM)四大学科中，AI 的知识及教育课程比重日益增加。自然，AI 教育也贯穿了计算机科学。从幼儿园到高中教育，美国都会有意识地配置计算机课程，增强学生们的计算机思维能力，以追赶这个技术驱动的时代。
      人工智能的经济影响：在短期看来，人工智能的经济影响表现为自动化的增加。这会提升生产力，积累大量财富，但也会从不同层面影响各行各业。由于自动化的影响，某些特定职业可能会因人工智能而减少需求，但与人工智能相关的职业缺口同样会扩大。白宫经济部门认为，自动化的发展会让低薪工作首当其冲，且会扩大人才知识鸿沟，加剧经济不平等状况。因此，公共政策应该关注这些可能带来的风险，并让工人们与自动化和谐共处，而不是处于一种对立关系，此外，政策还要确保 AI 在全球化所获得的经济效益能惠及大众，并在新一轮的经济全球化中占尽先机。
      公平、安全及政府性：随着 AI 技术的渗透，技术专才、政策分析师及经济学家都对这一趋势导致的结果高度关注。而 AI 的运用同样会取代官僚主义的人为决定，引申出对公平、正义及司法性的一系列讨论。政府在此前已经刊载过一些报告，在此不做赘述。而流程的透明性不只是指数据和算法的明晰，更在于依赖人工智能所做的一些决定，需要某些形式的成文解释。一些专家警告，试图理解并预测人工智能系统的作法必然存在挑战。
      人工智能的使用同样也涉及到安全问题，特别是在复杂的人类环境下。主要的问题在于将人工智能从实验室的“温室”里转移到“外面的世界”来，可能会发生不少无法预知的事情。而传统行业的不少建设经验，可以做为 AI 普及的参考，以确保安全。在技术层面上，公平和安全息息相关。两者都需要避免最坏情况的发生，并以充分的证据给予利益相关者足够的信心。
      对人工智能从业者进行道德教育培训同样是一种解决方式，理想状态下，每个接触人工智能的学生都应该上上道德及安全课程。但是只有道德是远远不够的。道德可以让从业者理解他们所承担的责任，但培训理应与技术工具的使用及具体的实践应用相配合。
      全球议题及国际安全：在国际关系及安全上，人工智能引发了一系列的政策议题。人工智能已经成为目前国际研讨会上各国及多方组织热议的话题，而利益相关方们也同样对此高度关注。对话与合作无疑能够促进AI的研发及长期管理，而伴随而来的自然是挑战。
     今天的网络安全是人工智能的一个重要应用领域，而在未来也将承担越来越重要的攻击与防御角色。目前要设计一个安全系统并让它顺利运行，需要专家们的大量时间及精力。而自动化这个过程自然会减少大量的人力物力成本，也能提高网络国防力量。但与此同时，也要注意伴随而来的威胁。
      将半自动武器系统引入美国军事系统的关键在于，美国需要遵循国际人道主义的相关法律，采取合理的控制措施，并与同盟军建立相关的标准并不断完善。美国目前正积极参与讨论大规模杀伤性的自动武器系统。
      为未来时刻准备着：如果工业，社会及政府还有公共事务联合在一起，一同支持科技的发展，并对其潜力及风险予以高度的关注，人工智能会成为经济及社会进步的重要驱动力。美国政府将在其中扮演多种角色(编者按:这一点在《深度 | 奥巴马谈人工智能:社会契约与经济模式要与科技与时俱进 》中也有提及)，它可以牵头各组织讨论重要的议题，并开展公开辩论。此外，政府还能对人工智能在应用上涉及的安全及公平问题进行监督，提供公共政策工具，以确保人工智能应用得以顺利实施，在提升生产力的同时，避免对某些行业造成负面经济后果。政府的作用还不只于此，它能以大量的财力支持人工智能造福公共事业，保障社会的高速运转。从教育到经济安全，从环境保护到正义执法，美国政府会迎接这些改变并采取相应措施。
      随着科技和人工智能的发展，从业者必须确保人工智能系统是可以为政府所用的，而且需要保持开放透明，协助人类高效工作，并与人类的价值观和愿景相符合。研究人员和从业者们都已经开始关注这些挑战，这也是一件需要长期去做的事情。
      学习机器智能能够帮助我们更好地理解人类智能。经过沉思熟虑后，使用人工智能能够让人类的智能如虎添翼，帮助我们走向更加美好的明天。

今天阅读的第二个连接（李开复万字长文科普人工智能：AI是什么 将带我们去哪儿）
http://tech.sina.com.cn/it/2016-06-15/doc-ifxszkzy5301105.shtml
主要观点摘抄如下
    一方面是风投和创业创新，都把人工智能当做了下一个尚未被开垦的宝地；另一方面是应用，比起概念盛行的阶段，现在的无人车、AlphaGo等已经把人工智能技术带到了“看得到摸得着”的境地。
      那人工智能到底是什么？这个领域包含哪些要素？它将如何改变当今世界，又面临哪些问题和瓶颈？对于人工智能的应用和商业化，哪些领域会最快显现效果出来？
     我觉得我们需要更关注的事情是人工智能是今天能够拿来用的工具，它能帮助人类解决问题，能取代重复性的工作，能创造商业价值。正因为这个理由，我认为我们今天进入了人工智能的黄金时代。随便举几个例子：今天很多的工作以后大部分都会消失，比如说翻译，虽然现在还不是做的那么完美，但是每年进步的都很快，再过几年人工的翻译可能就会非常难找到工作了。记者也同样如此，如今90%美联社的文章都是用机器来写的。几乎所有思考模式可以被理性推算的工作岗位，在有足够数据支撑的时候，都会被取代。有人说十年之内一半的工作会消失，有人说十五年之内一半的工作会消失，我觉得这些都是合理的揣测。你可以想想，为什么AlphaGo这么厉害？就是因为它可以动用到几千台机器每天和自己对弈上万盘的围棋，而这人是做不到的；以后为什么自动驾驶会这么厉害呢？因为它可以用它的各种的sensor在路上搜集数据，这不是任何一个司机可以匹敌的。所以这些都是一些必然的过程。
      到底什么是人工智能呢？首先是感知，感知就是包括视觉、语音、语言；然后是决策，刚刚讲的做一些预测，做一些判断，这些是决策层面的；那当然如果你要做一套完整的系统，就像机器人或是自动驾驶，它会需要一个反馈。感知可能更多的是帮助识别图里面一个婴儿在沙发上抱着泰迪熊这种。在推荐上面，我举的例子是一个用Google now通过你过去做的一些事情推测你下面要做什么，在最下面的例子你会看到有一个无人驾驶的汽车，它有各种的sensor，它捕捉的信息可以用来做最后的决策，比如怎么去操作方向盘、油门、刹车等等的。其实这三件事情的总和就是今天所被归纳为的人工智能。
      在感知方面，从我的博士论文发表到Nuance成为一个顶尖的公司，从中国诞生了科大讯飞到美国的Deep Face、中国的Face++等等做得越来越好的企业，这些年也有很多的进步。还有一些很特殊的例子，比如最近看到一些搞笑的比较Microsoft Tay在Twitter上开始跟人家交流一下子就讲了一堆不堪的话，就被Microsoft撤回了，所以这里有很多的成功例子，也有很多有趣的事件。
      决策方面，从早期Microsoft Office里的工具到Google广告的推荐，然后到金融行业的很多智能决策公司的出现，进步迅速。Google auto mail可能大家还没有看过，但是如果你现在还在用Gmail的话，会发现你有时候收到email，Google会跳出来问要不要发回复，有时候它连回复都帮你写好了，而且写的很精确。这也是人工智能的体现。可能以后我们讲话都不用，助理能帮我们搞定，人工智能的助理肯定也是一个方向。
      最后是反馈，从CMU Boss早期的无人驾驶到Amazon用Kiva推动物流，再到最近的Pepper、Google car，我们可以看到这个领域过去三四年特别的热，有很多看起来商业化已经做的非常好。
      科普深度学习：深度学习是一种神经网络，与但与之前的相比，它的特点是使用了多层网络，能够学习抽象概念，同时融入自我学习，而且收敛相对快速。收敛快速可能是一种技巧，不见得是一个理论，但是有一批人通过它解决了很多重要的问题。简单的来说，如果我们有很多笑脸，然后我们把笑脸的像素输入到一个神经网络里面去，最后你那儿希望让机器能识别这是姚明，那是马云，但是因为你这个深度学习的网络很深，要一次性学会这么多也会比较困难，所以就需要用到一个比较快速收敛的技巧——自我学习。通过自我学习，机器会逐步从大量的样本中逐层抽象出相关的概念，然后做出理解，最终做出判断和决策。
      比如它可以有好几层的nodes和connection，经过这些nodes和connection，它在每一个层次会感知到不同的抽象特征，且一层比一层更为高级。这些都是通过自我学习实现的，而不是人教的。经过自我学习，从一个脸输进去再从同样的一个脸输出来，它就从里面抽象的学习到了一个人的脸重要特征。经过这个学习之后，我再去做监督训练，看机器是否能够识别他们，如果不能，就在训练之后做微调。例如，如果我输入了马云的脸，出来的却是王宝强，那训练系统就会告诉你的网络说这个是错误的：这不是王宝强，这是马云。那接下来就是要进行微调，以便于下一次机器看到这个脸时，能识别出是马云的概率高一些，出来王宝强的概率低一些。
      深度学习的应用领域：在过去的五年，深度学习的准确度从75%多提升到了97%左右，而人的表现准确率大概是95%。从95%到97%听起来只进步了2%，但实际上是把错误率降低了40%，这是很大的进步。如果这种进步持续，未来人工智能必然会超过人类的表现，同时也将可以进入一些可应用的领域。这就是今天我讲人工智能进入黄金时代的证据：在很多领域，也包括我们在face++做的人脸识别，包括了Apple、Google，科大讯飞的语音识别，它们的认知水平将在未来几年的时间内超过人类，而一旦超过人类，应用就会快速的增加。
      深度学习首先可以应用于识别，包括人脸识别和语音识别等，这些可以用于安防，安检等。人脸语音的数据来之不易，但是BI，商业的流程、互联网的数据却非常丰富。Google、百度很早就已经在搜索，在广告以及推荐系统里面充分使用了类机器学习技术，解决该推荐什么商品，一个商品怎么定价，在什么位置会卖的最多，应该把这样的产品卖给谁等问题。这一类的推销可以直接产生经济价值，而社交媒体营销，整个互联网广告，这每一个领域都是几十亿，几百亿甚至更大的市场。
     将智能用于炒股其实也是一个不错的选择。在国内在国外，很多人都在做这方面创业的工作。利用智能，我可以随时来算一篮子股票和期货应该如何对冲，以寻求最大的利润。顶尖金融分析师也会做这个，但是他不可能把所有的股票的排列组合都考虑一遍，但是机器可以二十四小时不睡觉，每天都在算怎么能赚最多的钱。除此之外，deep learning深度学习的技术可以把各种的因素都融合进来，比如这个公司的高管有没有变动，今天出了什么新闻，行业里还有没有什么变动……甚至你可以对一个智能系统说如果明天巴西发生了地震，什么股票该被购买，甚至你可以说发生了地震不要问我，你直接去买它就可以了。
      银行保险方面，比如说贷款该不该审批，则无论是银行的贷款，还是P2P的贷款，都可以通过机器来判断，而且数据未必要来自银行内部。医学方面，因为我自己生过病，也深深的受过这方面的痛苦，我也感觉到在今天的医生的判断真的不是最完善的。一方面医生有好有坏，顶尖的医生是非常少的；第二方面比如在癌症方面，它每一年都有新的药出来，那每个医生每天忙着看病人，就不见得有时间去研究这些药物，那些药物也不是每个国家都可以使用的。还有就是每一个人，他的各种特质，不见得就适合用这个药。这些其实都是可以用机器学习来做出来的。前一阵我在美国碰到了一些科学家，他们正在用机器学习的方法来发明新药。我们的科学研究方面当然要有聪明的头脑和很好的实验，但是其中有一个很关键的部分，就要是一定的程度去排列组合：试很多东西，对小白鼠先试试这个有没有用，再试试看那个有没有用，然后再在猿猴身上实验，再进行人体实验。在以前，这整个过程都是由人脑完成，但是这个交给机器来做也许会更精准。甚至有一家公司它养了非常多的白老鼠，他里面所有的实验都是通过机器学习精准进行：每天白老鼠活了几只，死了几只，什么药可以进到下一步……这些都是靠机器学习加上非常精密的系统来做。
     在教育方面也有应用。在学习的过程中，如果基础没有打好，下一个层次根本学不下去。智能化的教育系统会识别你的学习水平，然后根据你的水平确定学习内容。比如，你的乘法没有学好，机器就不可能让你去学除法。当然学习外语也是很好的例子，我们今天的语音识别做的这么好，为什么我们学外语还是一定要找外教，为什么语音识别不能再上一层楼呢？所以，当你的技术一提高了，语音识别应用就不会只是我的讲话进去然后文字出来，它还有可能用在教育领域。
      比如，在我们的计算架构上面，现在还是需要时间去做算法的改进提升，需要去研究如何部署云端架构，另外深度学习用时仍太长，这些还都是需要探索的内容，而且并没有一个标准化的答案。另外，算法框架也非常重要。我们可以看到有一些重要技术的推进，实际上是因为有了开源或者API或者标准的出现，但现在仍有很多方面还没有出现相关标准。当然我们知道Google的TensorFlow等提供了一些开源的方法，但是其实他们还没有真正的平台化，比如你把TensorFlow丢给一个没学过机器学习的人，哪怕是清华大学顶尖的计算机系学生，他也很难用其创造价值。如果清华的学生都不能，那它的普及性就有问题了。
      为什么iOS、安卓能够做的很好，就是因为它产生了平台化效应，使得很多人能够比较容易的介入。然后我们可以看到像Hadoop这样七八年前很多人觉得很高深的东西现在也慢慢变得平台化了。今天，如何使得整个机器学习的体系平台化，以便于让更多的非专业人士能够使用，这个是目前面临的一个很大的瓶颈，需要一定的发展时间才能得以突破。在一些领域中，很多技术性问题可以在两三年内得到解决，但是还有很多问题并非如此简单，比如说语义。我们说语音识别是相对简单的：音进来，字出去，这个非常明确，一个API就可以调动。但是音进来，确定是何种情境的语义出去就很难。这些我觉得两三年远远还不够，还需要更多的时间去理解。


     今天总共阅读5小时，总共阅读44小时.

昨天阅读时间1小时，累计阅读时间71小时。

阅读2小时，累计2小时。

共勉