Astrill VPN 中国

杨净 萧箫 发自 凹非寺
量子位 | 公众号 QbitAI

「中国版ChatGPT首发」，争得不可开交，热闹却一直没个结果——

自ChatGPT发布以来，目前进展最快的国内产品也仅是开启了内测，不知道啥时候才能玩上。

结果现在有读者跟我们爆料，一个中文版类ChatGPT产品已经悄然上线。

不是预告、也不是开启小范围测试，而是直接人 人 可 用？！中国版ChatGPT这不就来了吗！

听起来有些玄幻，不过我们点进主页试了试，发现确实可玩：

这不得拿出十八般武艺与它较量一番？

我们注册了一个账号，试试它的实际效果如何。

和中国版ChatGPT较量中文

这个官网显示，写作猫同样通过对话问答来解决任务，功能上包括但不限於三大方向。

从功能上看跟ChatGPT差不多，甚至还拥有ChatGPT所没有的图片生成功能。

当然，还有手机端更方便一点，进入「对话写作猫」小程序就能随时和它聊天了。

体验上还算比较简单直接，但都是表面功夫还得来看真本领。比如它的理解、逻辑能力如何，懂不懂常识。

既然是中国版ChatGPT，当然得先来battle一下博大精深的中文。

首先看看它的中文理解能力是否过关，请听题——「能穿多少穿多少」是什麽意思？

不错。再试试高阶一点的「国足和国乒谁都赢不了」？

没想到，竟然连这种中文知识都具备了！

既然如此，是时候拿出一些弱智吧段子和它PK了，考考它的逻辑能力——

高中想提升升学率为什麽不直接招大学生？

万万没想到，问完自己被扎了一刀：

招收大学生可能会对学校的教学质量产生影响，因此高中不能直接招收大学生。

最後来考查一下它的常识。来个脑筋急转弯试试：

看起来并没有被问题带跑偏，还是比较理智的。

接下来，进入正经的第二阶段，评估一下它的内容生成效果。

首先是生成速度上，文字平均在3~5秒左右，生成4幅图则需要8秒左右，整体还是比较快的。

随後就是生成内容的实用程度了，简单来说就是解决实际需求的能力。

例如，写小说的故事情节是否完整？查阅到的知识是否直接可用？

先看生成情节的能力，确实是个完整的爱情故事……但等等，孙坚和小乔，这辈分好像有亿点点乱啊！

要是更玄幻一点呢？

天地之间、神秘的少年、精灵、森林……艾玛有画面了！…

Brilliant 投稿
量子位 | 公众号 QbitAI

AI生成的图像太逼真，为什麽不能拿来训练AI呢？

可别说，现在还真有人这麽做了。

来自香港大学、牛津大学和位元组跳动的几名研究人员，决定尝试一下能否使用高质量AI合成图片，来提升图像分类模型的性能。

为了避免AI合成的图像过於单一、或是质量不稳定，他们还提出了几类提升数据多样性和可靠性的方法，帮助AI合成更好的数据集（来喂给AI的同类doge）。

结果他们发现，不仅效果不错，有的AI在训练後，效果竟然比用真实数据训练还要好！

目前这篇论文已经被ICLR 2023收录。

把AI生成的数据喂给AI

作者们分别从零样本（zero-shot）、少样本（few-shot）图像分类、模型预训练（pre-training）与迁移学习三个??进?了探讨，并给出了提升数据多样性与可靠性的方法。

零样本图像分类

零样本（Zero-shot）图像分类任务，指没有任何?标类别的训练图?，只有对?标类别的描述。

作者们先是提出了一种名为语言增强（Language Enhancement，LE）的?法，用於增强合成数据多样性。

具体来说，这种方法会给标签「扩句」，如果原标签是简单的「飞机」，那麽经过「扩句」後的提示词就会变成「一架盘旋在海滩和城市上空的白色飞机」。

随後，还采用了一种叫做CLIP过滤器（CLIP Filter）的?法确保合成数据的可靠性，即过滤掉合成质量不行的图片，确保AI数据质量过硬。

在17个数据集上，相?此前效果最好的CLIP模型，相关??模型均获得了显着提升（4.31%/2.90%），展示了合成数据的有效性。

少样本图像分类

少样本图像（Few-shot）分类任务，通常仅有极少数量（1～16张）的?标类别图?，与零样本任务的区别是增加了类别与任务特定领域信息。

因此，作者们决定将域内数据（in-domain）的知识?於图像?成，即将少量的?标类别图??於杂讯叠加的初始状态（Real Guidance），进?步发挥?成模型的能?，从而进?步提升性能。

预训练与迁移学习

模型预训练（pre-training）任务，即将模型在?量数据上进?训练，将训练後的模型作为「起始点」，来帮助提升下游任务的性能。

作者们利?合成数据，对模型进?了预训练，并对数据量、数据多样性程度、预训练模型结构和预训练?法进?了实验研究。

最终发现：

1. ?合成数据进?预训练。已经可以达到甚?超越?真实数据预训练的效果。
2. ?更?的数据量和数据多样性的合成数据，可以获得更好的预训练效果。
3. 从模型结构和预训练?法来看，ViT-based模型（相比convolutional-based模型）、?监督?法（相比有监督?法）会更适合合成数据下的预训练。

论文认为，利??成模型产?的合成数据来帮助图像分类任务是可行的，不过也存在?定的局限性。

例如，如何处理特定任务的domain gap和数据多样性之间的trade-off，以及如何更有效地利?潜在?穷量的合成图??於预训练，都是需要进一步去解决的问题。

作者介绍

一作何睿飞，香港大学在读博士生@CVMI Lab，指导老师为齐晓娟老师，本科毕业於浙江大学竺可桢学院，研究方向是data-efficient …

（报告出品方/作者：中信建投，吕娟，夏纾雨，籍星博）

核心观点：

太阳能电池主要分为晶硅电池与薄膜电池两大类，目前晶硅电池占比约95%，薄膜电池正在蓬勃发展。从设备角度来 看，下游扩产是需求的直接动力，终端装机量提升有望带来增量设备需求；同时，光伏行业持续进行技术创新与工艺 迭代，不仅有利於刺激新的扩产需求，还有望加速原有设备的更新替换。晶硅电池方面，受益於技术迭代以及海内外 扩产，整体设备需求保持高景气；薄膜电池方面，我们看好钙钛矿电池的发展，判断2023年钙钛矿行业处於从百兆瓦 中试线向GW级量产线快速推进的过程中，设备是新工艺导入量产的基础，在产业化初期的重要性凸显。展望未来， 当薄膜或叠层时代到来之时，挑战与机遇并存，我们对未来「竞争格局将如何演化？」进行了思考。

一、光伏电池分类及光伏设备行业概述

1.1、太阳能电池主要分为晶硅电池与薄膜电池两大类

太阳能电池的工作原理为光生伏特效应，太阳光照射半导体P-N结，P-N结两端产生电压，即光生电压。阳光照射到电 池表面，吸收具有能量的光子在内部产生非平衡状态的电子-空穴对。由於P-N结内建电场的作用，电子与空穴将分别 向N、P区移动，P-N结附近形成与内建电场方向相反的光生电场。抵消P-N结内生电场剩余部分使P、N区分别带有正 负电荷形成光生电动势，外接负载後电流将从P区流出，通过负载再从N区流入。

大类上看，太阳能电池由晶硅电池与薄膜电池构 成。现阶段，晶硅电池占比约95%，为绝对主流 的太阳能电池，以单晶硅电池为主；薄膜电池作 为太阳能电池发展的重要方向，包括非晶硅电池、 化合物电池，相较於晶硅电池具有理论转换效率 高、制造成本低、应用领域广等特点。

①晶硅电池：分为单晶硅电池、多晶硅电池，单 晶占绝对主流。2021年我国单晶矽片（P型 N型） 合计市占率94.5%，其中P型占比90.4%，N型占 比4.1%，预计单晶矽片市占率将进一步增大且N 型占比有望加速提升。另一方面，多晶矽片市场 份额由2020年的9.3%进一步下降至2021年的 5.2%，未来仍将呈现下降趋势。电池技术路线来 看，2021年PERC电池市占率达到91.2%，平均转 换效率23.1%，同比提升0.3pct；多晶黑硅电池平 均转换效率19.5%， 提升空间有限 。 2021 年 TOPCon、HJT电池市占率约3%，其中TOPCon电 池平均转换效率达到24%；HJT电池平均转换效 率24.2%；IBC电池平均转换效率24.1%。

1.2、装机规模提升 工艺技术迭代驱动光伏设备行业发展…