从硅谷银行到签字银行，再到如今“摇摇欲坠”的欧洲百年投行瑞士信贷，欧美银行业危机愈演愈烈。

市场惶恐不安之际，华尔街出手了！华尔街大行宣布将共同向第一共和银行存款300亿美元，美国三大股指全线收涨，纳指、标普创近两个月内最大涨幅。

其中，道指涨371.98点，涨幅1.17%；标普500指数涨68.35点，涨幅1.76%；纳指涨283.22点，涨幅2.48%。受此消息提振，第一共和银行收涨9.98%。

欧洲央行利率决议重磅来袭。在稳定金融系统和抗击通胀之间，欧洲央行暂时选择了后者——3月16日，欧洲央行兑现了2月时的承诺，宣布加息50个基点。

同时，欧洲央行称，抗击通胀的决心不会减弱，正在密切关注当前的市场紧张局面，承诺在必要时向金融体系提供流动性支持。欧股收盘全线上涨，德国DAX指数涨1.57%，报14967.1点；法国CAC40指数涨2.03%，报7025.72点；英国富时100指数涨0.89%，报7410.03点。

华尔街豪掷300亿美元自救

银行股集体收涨

为防止地区银行业危机进一步蔓延，华尔街大银决定向第一共和银行存款300亿美元。

3月16日，第一共和银行宣布，将收到来自高盛、摩根士丹利、花旗、摩根大通、美国银行、富国银行、纽约梅隆银行、PNC银行、道富银行、美国合众银行、Truist Financial共计300亿美元的存款。

其中，摩根大通、美国银行、花旗集团和富国银行分别出资50亿美元，高盛和摩根士丹利分别出资25亿美元，PNC金融服务集团、纽约梅隆银行、Truist Financial、美国合众银行和道富银行各出资10亿美元。

第一共和银行创始人兼执行主席吉姆·赫伯特，首席执行官兼总裁迈克·罗夫勒共同表示，华尔街大行的支持加强了第一共和银行的流动性状况，反映出对第一共和银行以及各种规模银行的信心。

截至3月15日，第一共和银行的现金头寸约为340亿美元， 不包括来自华尔街大行的300亿美元。声明称，美国银行业对第一共和银行的存款承诺初始期限至少为120天，按市场利率计算。

第一共和银行称，正在评估其资产负债表的构成和规模，并暂停股票分红，专注于减少借款。

由银行牵头的行动获得了美国监管机构的支持。同日，美国财政部、美联储、美国联邦存款保险公司、美国货币监理署发表联合声明称，银行们对第一共和银行的存款支持，证明了银行体系的韧性。美联储随时准备向符合条件的机构提供流动性。

在美国大型银行出手救助的消息传出后，第一共和银行股价暴力拉升，由于股价剧烈波动，第一共和银行周四盘中多次停牌。截至周四收盘，第一共和银行涨9.98%。

相关消息提振了银行股，截至收盘，摩根大通涨1.94%，美国银行涨1.68%，花旗涨1.78%，富国银行涨1.16%。美股区域性银行股集体收涨，阿莱恩斯西部银行涨14.10%，联信银行涨6.20%。

第一共和银行获银行业救助，恐慌抛售有所缓解。不过，与硅谷银行的“剧本”相类似的是，有消息称该行高管也赶在股价暴跌前成功套现。据报道，第一共和银行的高管在该公司股价上周开始暴跌前已抛售了价值1200万美元的本公司股票，CEO赫伯特在该行股价暴跌前出售了价值450万美元的股票。

不惧银行业危机

欧洲央行坚定加息50个基点

3月16日，欧洲央行宣布将三大主要利率均上调50个基点。

通胀仍是主要关注点。欧洲央行预计，通胀将在过长时间内维持在过高水平，预计2023年的平均通胀率为5.3%，2024年为2.9%。经济增长方面，欧洲央行将欧元区2023年的经济增长预期从去年12月预期的0.5%上调至1%，预计2024年和2025年经济增速均为1.6%。

不过，由于相关预测是在金融市场紧张局势出现前完成的，欧洲央行也表示，围绕通胀和增长基准评估方面存在额外的不确定性。

“管理委员会正在密切关注当前的市场紧张局势，并随时准备在必要时做出回应，以维护欧元区的价格稳定和金融稳定。”欧洲央行表示，欧元区银行业具有韧性，拥有强大的资本和流动性头寸。任何状况之下，欧洲央行的政策工具包配备齐全，可以在需要时为欧元区金融体系提供流动性支持，并保持货币政策的平稳传导。

欧洲央行行长拉加德在随后的新闻发布会上表示，银行业目前的状况比2008年“好得多”，现在还没有出现流动性危机。“我们抗击通胀的决心不会减弱，在抗击通胀和金融稳定之间不存在权衡，欧洲央行随时准备在必要时提供新工具。”拉加德说。

欧洲央行的决定给市场“泼了一盆冷水”，也让市场意识到对于这场欧美银行业危机，包括美联储在内的主要央行可能并不会“过度恐慌”，他们的首要任务可能仍是抗击通胀。欧洲央行利率决议公布后，市场对下周美联储加息的预期有所回升。

值得注意的是，欧洲央行并没有在此次声明中暗示未来的利率走势，“鹰派”立场有所软化。欧洲央行称，利率决策将取决于欧洲央行根据即将发布的经济和金融数据、潜在通胀动态以及货币政策传导力度对通胀前景的评估。

瑞士政府围绕瑞士信贷问题开会

美国银行业自救，而大洋彼岸，瑞士信贷的“起死回生”之路仍充满未知数。

据最新消息，瑞士政府称，确认围绕瑞士信贷问题开会；从瑞士央行和瑞士金融市场监管局处就瑞信的问题获悉了情况；将不会发布这次会议内容的细节。

据媒体援引消息人士报道，在瑞士监管当局就瑞信事件的讨论中，瑞银和瑞信合并被视为一种可能选项。不过，据悉，瑞银集团和瑞士信贷均反对将它们强行合并的想法。

据悉，瑞银更希望侧重于其自身独立的财富管理战略，不愿承担与瑞信相关的风险。而瑞信在获得央行的流动性支持后，也希望能争取更多时间来实施转型计划。

知情人士表示，瑞信可能会寻求拆分自身业务，将财富管理业务交给瑞银或其他买家，将瑞士业务剥离为一个新的实体，以保护瑞士存款，其资产管理和投资银行业务也可能拆分。

Keefe， Bruyette & Woods分析师认为，瑞士央行的支持为瑞信赢得了时间，但拆分是最有可能的解决方案。

晨星分析师Johann Scholtz周三在一份报告中称，瑞士信贷的融资成本已经非常高，要么需要筹集更多资金，要么面临分拆。该银行可能需要再次配股，或者另一种选择是“拆分”，将其瑞士分部、资产管理部门和财富管理部门等各个业务部门“单独出售或上市”。

此前，受瑞士信贷内控问题存在重大缺陷、大股东拒绝继续注资、市场恐慌情绪影响，瑞信欧股股价周三一度暴跌约30%，创下历史新低。

随后，瑞士央行和瑞士金融市场监管局发表声明称，如有必要，将向瑞信提供流动性支持。瑞信也表示，准备向瑞士央行借入500亿瑞郎用以补充流动性。

同时，瑞信还就10种美元计价高级债务证券提出现金收购要约，总代价不超过25亿美元；还宣布另外一项现金要约，涉及4种欧元计价高级债务证券，总代价不超过5亿欧元。

资讯来源：美股投资网 TradesMax

 

 

全年交付不到目标五成的小鹏汽车(09868.HK)交出一份难言出色的成绩单。

3月17日，小鹏汽车公布2022年四季度财报和全年业绩报告。这家造车新势力全年净亏损达到91.4亿元，同比扩大88%。面对日益“内卷”的新能源汽车赛道，其全年毛利率更是下滑至10%以下，整体业绩明显低于此前多家机构预期。

值得注意的是，近期国内车市出现大范围降价潮，行业竞争格局进一步恶化。小鹏汽车预计一季度营收将同比减少43.7-46.3%，交付量约1.80万至1.90万辆，大幅低于预期。实际上，小鹏汽车前两月仅交付1.12万辆汽车。

巨亏近百亿

机构看空

从全年来看，小鹏汽车2022年实现营收268.6亿元，同比增长28%；汽车销售收入为248.4亿元，同比增长23.9%。不过，这家造车新势力去年的净亏损达到91.4亿元，这一数据在2021年为48.63亿元，去年亏损面同比扩大了88%。

财报显示，小鹏汽车销售、行政以及一般费用为66.88亿元，研发费用为52.15亿元，两者共计119.03亿元，占整体营收比例达到44.32%。而在2021年，这一比例为47%。从这一角度上看，费用率出现降低意味着费用效率提升，那么毛利率下滑便成为小鹏汽车亏损扩大的主因。

数据显示，小鹏汽车去年全年毛利率为11.5%，而汽车毛利率(即汽车销售毛利占汽车销售收入的百分比)已经低于10%，仅为9.4%。在2021年，上述两个比例分别为12.5%和11.5%。

实际上，小鹏汽车业绩持续呈现颓势，市场早有预期。在去年年底，多家机构曾下调小鹏汽车业绩预期。其中华泰证券方面将小鹏汽车2022、2023、2024年新能源汽车销量预测下调至11.8万辆、21万辆、29.8万辆，将收入预期下调20%、28%、24%至262亿元、534亿元、782亿元。

而东吴证券也曾表示，考虑到2023年之后整车行业竞争格局恶化等因素，将其2022-2024年收入预测由372亿元、903亿元、1929亿元下调至267亿元、562亿元、1003亿元，盈利预测则下调至-85亿元、-62亿元、-17亿元。

如此看来，小鹏汽车2022年亏损额度明显高于机构预期。

四季度遭遇交付瓶颈

小鹏汽车去年全年业绩明显低于市场预期，与该公司在第四季度令人担忧的表现紧密相关。

数据显示，去年第四季度，小鹏汽车营业收入为51.4亿元，不仅同比下降39.9%，环比也下降24.7%。其中其汽车销售收入为16.6亿元，同比下降43.1%，环比下降25.3%。另外，该公司第四季度净亏损也达到23.6亿元，同比更是扩大83%。

与全年毛利率情况类似，小鹏汽车四季度亏损幅度大幅增加，与其毛利率下滑也有着较大关系。数据显示，小鹏汽车2022年第四季度毛利率为8.7%，汽车毛利率为5.7%。而在去年三季度，其毛利率和汽车毛利率为13.5%和11.6%，出现明显下滑。

在车辆交付方面，小鹏汽车第四季度仅交付22204辆，同比下降46.8%。其中被小鹏汽车寄予厚望的旗舰SUV G9的交付量仅为6189辆。天风证券在一份研报中直言，2022年下半年，小鹏汽车遇到交付量下滑瓶颈，当前交付处于底部区间。

该机构指出，在产品矩阵快速扩张的时期，新车更应关注产品定位，否则销量贡献将会出现边际递减现象，以及车型内部蚕食。

需要指出的是，随着新车交付低迷，小鹏汽车去年营运能力也出现明显下滑。根据数据显示，其2022年存货周转率仅为6.62，而在上一年这一数据为9.17.与之相应的，其存货从2021年底的26.62亿元上升至45.21亿元，上涨幅度高达69.83%。

今年一季度营收近腰斩

今年以来，特斯拉率先在年初打响新能源汽车降价“第一枪”，随后多家国内新能源车企竞相跟进，其中也包括小鹏汽车。小鹏汽车在1月17日官宣降价，根据其启动的新价格体系，旗下三款车型降价幅度在2万-3.6万元之间，最大降幅为13.23%。不难想象，超过10%幅度的降价，将令小鹏汽车盈利状况进一步承压。

小鹏汽车此次给出的一季度销售和营收预测也并不理想。据该公司预计，其2023年一季度营收约40-42亿元，将同比减少43.7-46.3%。另外，该公司预计第一季度交付量1.80万至1.90万辆。此前预估交付量为2.36万。

实际上，小鹏汽车在1、2月分别5218辆、6225辆，分别同比下滑59.6%和3.45%。其前两月共计交付了11228辆汽车。星展证券认为，小鹏汽车长期亏损以及负经营现金流或将影响其业务连续性，而且目前车型数量有限，目标市场规模较小，难以在新能源汽车市场中竞争。

值得注意的是，国内车市近期正遭遇一场更大范围降价潮，市场普遍存在对价格战加剧、行业竞争格局恶化的担忧。在业内看来，降价消息释放虽然一定程度能刺激销量，但“以价换量”的价格战并非车企发展的良性模式，尤其是大规模的降价将进一步压缩车企本身的利润空间。

不过，也有人士认为，本轮价格战将加速尾部品牌库存出清和行业洗牌，优质自主品牌加速抢夺份额，加快格局重塑。长期来看，电动智能、秩序重塑将是汽车行业的发展主线。

小鹏汽车董事长何小鹏在业绩沟通会中也提到，随着原材料会过剩、价格回调，接下来新能源车企可能还会出现较为激进的价格调整。他预计，小鹏汽车从今年到明年将实现自动驾驶的超50%的成本下降，整车硬件(含动力系统)约25%的成本下降。他表示，未来将通过一体化压铸、电芯等方面实现成本下降。

资讯来源：美股投资网 TradesMax

 

历史上银行业总是与危机相生相伴，自1920年以来美国银行和储蓄业经历了多轮倒闭周期，”大萧条”期间倒闭的银行超过9000家，此后的储货危机和金融危机伴随着大规模的银行倒闭；

疫情之后，美联储和财政部共同创造了宽松盛宴，但最新数据显示，美国M2增速历史性出现负增长，同时美国信货增速也开始出现放缓的迹象；

 

流动性收紧的情况下，银行主动收紧信货供给，从而对居民消费和企业投资构成影响，前美联储主席伯南克和耶伦都曾表态银行系统失灵是经济下行风险的重要来源；

市场担忧硅谷银行倒闭除了引发恐慌情绪在区域性银行蔓延，还有可能进一步向地产等市场扩散，从而导致美国经济快速进入衰退。从历史看几乎每一次银行信货的下降都伴随着经济危机。

Silvergate、SVB和Signature和三家银行相继倒下后，银行业的恐慌情绪还在持续蔓延，现在处于震中的是第一共和银行。

在美国银行、花旗集团、摩根大通和富国银行等11家银行共同宣布向第一共和银行共计存入300亿美元无保险存款后，第一共和银行股价反弹昙花一现！投资者十分担心银行业的动荡会将全球经济拖入衰退的泥沼。

自1920年以来美国银行和储蓄业经历了多轮倒闭周期。在1929-1933 年〞大萧条〞期间停业或倒闭的银行就超过9000家，为了应对金融恐慌和银行挤兑，FDIC应运而生。

FDIC成立之后，80年代未和90年代初美国储货危机又爆发了大规模银行倒闭。根据FDIC统计，储贷危机期间破产的机构超过2900家，对应总资产约9200亿美元，占期间年均GDP的19%左右。

2008年金融危机期间400余家银行倒闭，对应总资产超过6000亿美元。

我们发现嘉信理财和硅谷银行很相像，浮亏比SVB多100亿！

归根到底，“债券浮亏”和“不稳定存款”已经成为了银行业的罪魁祸首。而美国第八大银行——嘉信理财同样站在了悬崖边上。

硅谷银行风波的背后，是坐拥十万亿级别的国债和高等级抵押债的银行资产。这是个比次级房贷更令人敬畏的市场。一旦这些隐藏在水下债券头寸迎来清算，你会发现，整个银行体系会比想象的更为脆弱。

浮亏能亏掉两个自己？

SVB确实是一个异类。它特别的经营模式和资产结构在于，资产端：大规模投资长期债券且隐藏了巨额浮亏。负债端：客户集中度极高且依赖不稳定存款。因而在SVB带来的风暴中，“大规模债券浮亏”和“不稳定存款”成为了引起破产的根本原因。

而在巴克莱最新的银行资产负债风险筛选中，嘉信理财它持有的可出售金融资产（AFS）规模是有形股本的24倍，比SVB大十倍，浮亏比SVB高100亿。

而它持有到期金融资产（HTM）的浮亏达到了有形股本的2.35倍，比SVB翻一番。也就是说，如果把这些持有的资产抛掉，SVB亏掉了一个自己，那嘉信理财至少要亏掉两个自己。

说起来嘉信理财，就不得不提嘉信理财的创始人Charles Schwab。一个35岁的中年男人，离异，而且还持续创业失败，穷的是叮当响，只有6位数的负债，就这Charles Schwab还想在强手如林的金融界创业。想想都有点天方夜谭。

1973年春天，Schwab做出了人生中重要的选择，再次借钱收购原来合作伙伴的股权，把合资公司改造成独资公司，并用自己的名字加以命名，就这样嘉信理财诞生了。

虽然刚开始也是像无头苍蝇一样摸索了一阵，但很快Schwab明确了公司的定位，专注经纪业务，用最便宜最便捷的方法为那些有独立投资能力的个人投资者提供证券买卖服务。

而之所以选择这个业务，按照Schwab的说法，是因为他自己就热爱投资，但当时美国的证券经纪行业，不仅价格昂贵，更重要的是经纪人满嘴“故事”，根本不是站在客户角度来推荐股票，而是为了自己的佣金。对于他这种有独立投资能力的人，高效便捷、低价的交易服务就是唯一的诉求。

成立到现在50余年，已经从一个小型的折扣经纪商成长为全美最大的金融财富管理公司，资产总额5510亿，这相当于SVB的2.5倍，截至2022年底，其客户资产规模为7.05万亿美元，活跃的经纪账户为3380万个。

嘉信理财的异常还在于它是一家几乎混业银行的券商。因此相比银行整体50%信贷+25%证券的资产结构，嘉信则有60%的资产投资于证券组合。

持有证券原本被认为是支持银行流动性的一种方式。但随着利率的飙升，持有证券反而变成了关键的风险点。

巴克莱表示，银行持有的HTM证券未实现亏损总额超过6000亿美元。而嘉信理财的风险也就自然而然的要比银行平均值高接近3倍。

嘉信理财的转移术

为了掩盖和消化这些未实现亏损，嘉信理财在去年年报中做了两大转移。首先是将1730亿美元AFS转移到了HTM；其次是提取了包括可售证券未实现亏损在内的累计其他综合收益（AOCI）226亿美元。

这里首先涉及到可供出售金融资产（AFS）和持有到期金融资产（HTM）的账面差别。银行可以将持有的证券按照AFS或HTM计入资产负债表。这一指定由银行自行决定，但大有差别。

AFS证券受市场价格约束，市价浮动盈亏将通过累计其他综合收益（AOCI）直接增加或减少净资本。但未实现HTM证券的市值变化则不会反映在任何银行的资产负债表或资本比率中。

因此为了减少未实现亏损对净资本的影响，不少银行去年开始都将部分证券投资组合从AFS重新分类到HTM，从而管理这一风险。嘉信理财也是如此，将大约1730亿AFS移到了HTM。

而根据巴克莱的计算，嘉信理财在HTM中的浮动亏损，足够亏掉两个自己（HTM Net unrealized losses/TCE=235%）。但实际上这是建立在嘉信理财的超额计提AOCI上。

根据嘉信理财去年年报，其提取了包括可售证券未实现亏损在内的累计其他综合收益（AOCI）226亿美元（银行子公司层面约196亿美元）。

从年底AFS和HTM 的浮亏来看，AFS约123亿美元，HTM约141亿美元，合计264亿美元。AOCI本应只包括AFS的浮亏，226亿显然已经包含了某些转移时点前HTM的浮亏。因而实际HTM净浮亏/TCE应该在63.5%左右，而非235%。（TCE作为资本金的一个指标，衡量普通股东的权益保护）。

也就是说如果不转移到AFS，嘉信理财虽然不至于亏掉两个自己，但账面浮亏大约也要占到六成以上普通股本，不知道对此，以普通股东为主的证券市场会怎么想。当然这还只是截止到2022年年底的数据。

存款端真的可靠么？

对于依然隐藏了的38亿浮亏，嘉信相比SVB有两个好消息。一个是美联储新推出的250亿银行定期融资计划BTFP。另一个是嘉信的存款并不是高度集中且不稳定。

嘉信理财的主营是经纪和财富管理，存款来源更广泛，且考虑到金融交易结算，存款的粘性也更大，但是，“现金分流”速度可能会超过嘉信理财银行持有的到期资产的速度，同样给嘉信的负债端带来较大的压力。

飙升的利率促使投资者将现金转移到收益更高的账户，例如货币市场基金，这被称为“现金分流”。其已导致2022年第四季度约430亿美元从嘉信理财现金账户中转出。

2023年2月底，嘉信银行平台的生息现金存款，比2021年底下降了20%。而3月第一周以来，流入嘉信货币市场基金的资金平均每天有14亿美元。

当现金分流的速度超过嘉信理财银行持有的到期资产的速度（今年预计只有约320亿美元到期），为了将有被提取的资金量存入货币市场账户，嘉信理财不得不以更高的成本借钱，这样持续下去，终将触及经纪业务的底线。瑞银预计，由于借贷成本增加，嘉信理财今年的收益比去年下滑20%。

此外另外一个坏消息

根据媒体数据统计，截至 3 月 15 日，嘉信理财客户在短短三天从其优质基金撤出88亿美元。为半年来最大的流出金额。

数据显示，客户从两只Schwab Value Advantage Money 基金撤出资金，是至少六个月来最大的赎回额；截至3月15日，这两只基金的资产总额为1950亿美元。

银行体系比想象的更脆弱

资深研究员指出：美国银行系统的持有资产的市值比其账面价值所显示的实际上要低2万亿美元。所有银行持有的按市价计价的资产平均下跌了10%，排名最低的5个百分位数下跌了20%。有10%的银行存在比SVB更大的未确认损失，10%的银行资本低于SVB。

以所有美国银行为样本，即使只有半数未投保的储户决定提款，就有近190家银行面临对投保储户造成损害的潜在风险，有3000亿美元的投保存款面临风险。

总的来说，银行资产价值的下跌极大地增加了未投保储户挤兑银行的脆弱性。

这些隐藏在水下债券头寸终有一天将迎来解决。绝大多数银行想必永远也不会承认其债券投资组合的浮亏，因为它们觉得可以且只会持有债券直至到期。

这些资产不是垃圾，绝大多数是美国国债和高等级抵押债券。

研究人员还指出：在银行资产市值下降之前，所有美国银行的资本都是正数。然而，减记这些资产市值之后，累积总资产达11万亿美元的2,315家银行出现了负资本。银行持有资产价值的下降显著降低了银行资本质量，并增加了银行破产的风险。

从更深层次来看，长期的货币宽松已经将银行的证券资产市场打造成了十万亿级的庞然怪物，令人望而生畏。这一次美联储在48小时内就宣布了储户和流动性救助，“速度”大概是08年次贷危机后，管理层唯一吸取的教训。

也许这一次靠着流动性又拯救了市场，但问题是能救到什么时候？

好了，今天的视频到这里就结束了，欢迎大家的收看。我们下期再见拜拜。

 

 

始于谷歌，发迹于 OpenAI，这是很多 GPT-4 贡献者的职业轨迹。
这个星期，OpenAI 大模型 GPT-4 的发布让全球科技圈的技术竞争进入了白热化。几天之内，ChatGPT、必应搜索和 Microsoft 365 相继接入 GPT-4，微软的 AI 应用瞬间比竞争对手拉开一个身位，甚至有人说，新的工业革命开始了。

一方面我们被 GPT-4 的效果所震撼，一方面我们也迫不及待的想要了解背后的技术，好奇它的训练方法、使用的算力等。

但遗憾的是，OpenAI 并不 Open。在公开的论文（其实更像技术报告）中，OpenAI 明确地说，GPT-4 模型使用 RLHF 精调外，不会公开任何技术细节。

鉴于 GPT-4 等大型模型的竞争性与安全影响，本报告不包含有关架构（包括模型大小）、硬件、训练计算、数据集构建、训练方法等更多详细信息。

不过，在此报告中，OpenAI 详细列出了贡献者及其负责的工作内容。这值得我们细致研究。这几百人的贡献者名单与分类，能让我了解到 GPT-4 的成功背后包含了哪些部门、技术分枝的努力。

在这篇文章中，我们对有代表性的贡献者进行了盘点，期待能为读者带来启发。

研发人员占绝大多数

从组织架构的设置上看，GPT-4 幕后的研发团队大致可分为七个部分：预训练（Pretraining）、长上下文（Long context）、视觉（Vision）、强化学习 & 对齐（RL & alignment）、评估 & 分析（Evaluation & analysis）、部署（Deployment），以及其他贡献者（Additional contributions）。

预训练部分的工作细分为：

计算机集群扩展（Compute cluster scaling）

数据（Data）

分布式训练基础设施（Distributed training infrastructure）

硬件正确性（Hardware correctness）

优化 & 架构（Optimization & architecture）

Training run babysitting

长上下文部分的工作细分为：

长上下文研究（Long context research）

长上下文内核（Long context kernels）

视觉部分的工作细分为：

架构研究（Architecture research）

计算机集群扩展（Compute cluster scaling）

分布式训练基础设施（Distributed training infrastructure）

硬件正确性（Hardware correctness）

数据（Data）

对齐数据（Alignment Data）

Training run babysitting

部署 & 后训练（Deployment & post-training）

强化学习 & 对齐部分的工作细分为：

数据集贡献（Dataset contributions）

数据基础设施（Data infrastructure）

ChatML 格式（ChatML format）

模型安全（Model safety）

Refusals

基础 RLHF 和 InstructGPT 工作（Foundational RLHF and InstructGPT work）

Flagship training runs

代码功能（Code capability）

评估 & 分析部分的工作细分为：

OpenAI Evals 库

模型等级评估基础设施（Model-graded evaluation infrastructure）

加速预测（Acceleration forecasting）

ChatGPT 评估

能力评估（Capability evaluations）

编码评估（Coding evaluations）

真实世界用例评估（Real-world use case evaluations）

污染调查（Contamination investigations）

指令遵循和 API 评估（Instruction following and API evals）

新功能评估（Novel capability discovery）

……

细读贡献者名单，不难发现，GPT-4 项目团队的成员通常「身兼数职」。对于希望追赶 ChatGPT 的科技公司来说，OpenAI 提供的部门架构样板提供了一些可以学习的思路。另外，它对于 AI 领域人才的未来发展方向或许也有一些启示。

在 ChatGPT 发布之后，OpenAI 在人才招聘方面也做出了一些调整，招募了数十名前谷歌和 Meta 员工来创建人工智能聊天机器人。

在 OpenAI 上，谷歌作为「硅谷黄埔军校」的名头算是坐实了：根据 LeadGenius 和 Punks & Pinstripes 的数据显示，该公司的 300 多名员工（数据截止到 2023 年 1 月）中有许多来自谷歌和 DeepMind 的母公司 Alphabet。数据显示，OpenAI 目前雇佣了约 59 名谷歌前员工和约 34 名 Meta 前员工，同时包括几名苹果和亚马的前逊员工。

鉴于 OpenAI 在 GPT-4 发布的第一时间就公开了所有贡献者名单，机器之心整理了一部分参与工作的华人学者。如果遗漏，欢迎补充。

预训练组

Trevor Cai

Trevor Cai 是 GPT-4 项目中吞吐量团队的负责人。Trevor Cai 本硕毕业于南加州大学，2022 年 3 月加入 OpenAI。在加入 OpenAI 之前，Trevor Cai 曾在 DeepMind 工作近 5 年，担任软件工程师。

袁启明

袁启明（Qiming Yuan）是 GPT-4 项目数据集来源和处理团队的负责人。袁启明本科毕业于清华大学，硕士毕业于得克萨斯大学奥斯汀分校，2018 年加入 OpenAI。此前，袁启明曾在微软工作近三年。

Che Chang

Che Chang 作为 OpenAI 的副总法律顾问参与了 GPT-4 的研发，他博士毕业于美国西北大学，2021 年加入 OpenAI，此前在 AWS 领导了人工智能 / 机器学习和市场业务的法律团队。最近一段时间，OpenAI 的法律团队还在招聘 AI 产品顾问。

欧阳龙

欧阳龙 2019 年加入 OpenAI，担任研究科学家。Long Ouyang 本科毕业于哈佛大学，博士毕业于斯坦福大学，曾在斯坦福大学任博士后研究员。欧阳龙也参与研发了 ChatGPT 相关的技术项目，他还是 InstructGPT 论文的第一作者。

翁丽莲

翁丽莲（Lilian Weng）是 OpenAI 人工智能应用研究的负责人，2018 年加入 OpenAI，在 GPT-4 项目中主要参与预训练、强化学习 & 对齐、模型安全等方面的工作。

Tao Xu

Tao Xu 2019 年加入 OpenAI，先后毕业于北京大学、康奈尔大学。Tao Xu 曾在微软的必应机器学习研究组工作四年。

Jie Tang

Jie Tang 在加州大学伯克利分校获得计算机科学博士学位，导师是 Pieter Abbeel。加入 OpenAI 前，他曾在初创公司和 Dropbox 工作约四年时间。Jie Tang 本科就读于哈佛大学，2008 年获得计算机科学和经济学学士学位。

Ben Wang

Ben Wang 目前是宾夕法尼亚大学本科生，2021 年加入 OpenAI。Ben Wang 参与了 GPT-4 项目的预训练和长上下文方面的工作。

视觉组

Mark Chen

Mark Chen 2018 年加入 OpenAI，任研究科学家，毕业于麻省理工学院（MIT）。他参与了 GPT-4 项目中视觉方面的工作。

Casey Chu

Casey Chu2020 年加入 OpenAI，毕业于斯坦福大学计算数学专业。Casey Chu 的主要研究方向是多模态 AI 系统，他在 GPT-4 项目中主要参与视觉方面的工作。

胡绳丽

胡绳丽（Shengli Hu）2022 年加入 OpenAI，她硕士毕业于复旦大学、博士毕业于康奈尔大学。她的研究兴趣在于社会科学、计算语言学、计算机视觉和语音的跨学科研究。胡绳丽曾在自然语言处理、计算机视觉、语音和应用统计方面的顶级会议和期刊上发表过多篇论文，包括 CVPR、ACL、EMNLP、ECCV 等等，并获得过最佳论文奖提名。

Tianhao Zheng

Tianhao Zheng2022 年加入 OpenAI。他本科毕业于清华大学，博士毕业于得克萨斯大学奥斯汀分校。再加入 OpenAI 之前，他曾先后在英伟达、谷歌、Twitter 工作过。Tianhao Zheng 在 GPT-4 项目中主要参与了视觉方面的工作。

翁家翌

翁家翌（Jiayi Weng）2020 年在清华大学计算机科学与技术系获得本科学位。2021 年在 Sea AI Lab 实习期间，主要参与了强化学习算法库 Tianshou（天授）的开发，该项目已获得 5.9K GitHub Star。CMU 硕士毕业后，翁家翌加入 OpenAI 任研究工程师。

强化学习 & 对齐组

Chong Zhang

Chong Zhang 2010 年就读浙江大学计算机系，2014 年在加拿大西蒙弗雷泽大学获得学士学位，随后在谷歌、苹果公司担任工程师。2019 年就读加州大学洛杉矶分校，2021 年获得计算机硕士学位后，在 OpenAI 工作至今。

Shengjia Zhao

Shengjia Zhao2016 年本科毕业于清华大学，2022 年在斯坦福大学获得计算机科学博士学位，师从 Stefano Ermon，随后加入 OpenAI。

Stephanie Lin

Stephanie Lin 本科和硕士期间分别就读于麻省理工学院和佐治亚理工学院。加入 OpenAI 之前，她曾是牛津大学研究学者。

Tong Mu

Tong Mu 本科就读于加州大学洛杉矶分校，后在斯坦福大学获得博士学位。2022 年加入 OpenAI。

Jeff Wu

Jeff Wu 本硕均就读于麻省理工学院。他是初创公司 Terminal.com 的第二名员工，该公司被收购后，他曾在谷歌工作约 2 年的时间。2018 年，Jeff Wu 加入 OpenAI。

肖凯

肖凯（Kai Xiao）在麻省理工学院获得了学士学位和博士学位，曾在微软、DeepMind 等机构实习。2022 年 9 月加入 OpenAI。

Kevin Yu

Kevin Yu 在加州大学伯克利分校获得物理学学士学位及神经科学博士学位。2022 年加入 OpenAI。

Haozhun Jin

Haozhun Jin2013 年本科毕业于清华大学计算机系，2015 年获得斯坦福大学硕士学位。2015 年到 2018 年，他在 Meta 担任软件工程师，2023 年 1 月加入 OpenAI。

顾世翔

顾世翔是出生于日本的加拿大华人，曾是谷歌研究院研究科学家，研究领域包括深度学习、强化学习、概率机器学习和机器人技术。他拥有剑桥大学和马普所智能系统研究所的机器学习博士学位，在多伦多大学获得了工程科学学士学位，论文指导教授为 Geoffrey Hinton。

评估 & 分析团队

Alvin Wang

Alvin Wang2022 年 8 月加入 OpenAI，为评估 & 分析团队核心贡献者之一。此前他曾在 VMware、Tesla 等公司工作过几年。2013 年本科毕业于南加州大学。

Angela Jiang

Angela Jiang 于 2021 年 11 月加入 OpenAI，在微软和谷歌有过短暂的工作经历，她本科毕业于西北大学，于 CMU 获得博士学位。

Jason Wei

Jason Wei 于今年 2 月加入 OpenAI，主要研究 ChatGPT。此前他是谷歌 Brain 的高级研究科学家，在那里推广了思维链提示，并共同领导了指令调优工作。他在谷歌和 Jeff Dean 等人共同撰写了关于大模型涌现能力的论文。

Juntang Zhuang

Juntang Zhuang 于 2022 年 4 月加入 OpenAI，此前曾在谷歌实习四个月。他本科毕业于清华大学，硕士毕业于耶鲁大学，并在耶鲁大学拿到博士学位。他的研究主要是为生物医学应用开发新的机器学习技术。

Derek Chen

Derek Chen 于 2021 年加入 OpenAI，是一名技术安全分析师。他毕业于美国东北大学，此前在谷歌工作过不到一年的时间。

宋飏

宋飏（Yang Song）目前在 OpenAI 担任研究员，并将于 2024 年 1 月加入加州理工学院电子系（Electrical Engineering）和计算数学科学系（Computing and Mathematical Sciences）担任助理教授。宋飏本科毕业于清华大学数理基础科学班，2022 年获得斯坦福大学计算机科学博士学位，师从 Stefano Ermon。他的主要研究方向是机器学习，包含深度生成式模型（deep generative models），概率推理（probabilistic inference），人工智能安全性（AI safety），以及人工智能方法与其他科学领域的交叉（AI for science）。他是扩散模型（diffusion models）和分数匹配生成式模型（score-based generative models）的主要奠基人之一。他发表在 NeurIPS 2019 的工作首次在图片生成质量上实现了对生成对抗网络（GAN）的超越。博士期间他的一作论文获得了 ICLR 2021 杰出论文奖，相关研究获得了苹果奖学金、摩根大通奖学金，以及 WAIC 云帆奖。

模型部署

Michael Wu

Michael Wu 2021 年加入 OpenAI，主要的工作是人工智能应用研究。Michael Wu 毕业于 MIT，是 GPT-4 项目的推理研究负责人。

Andrew Peng

Andrew Peng 2022 年底加入 OpenAI，他曾经在微软工作两年。Andrew Peng 毕业于加州大学伯克利分校，主要参与 GPT-4 API 和 ChatML 部署方面的工作。

吴雪枫

吴雪枫（Sherwin Wu）2022 年加入 OpenAI，主要的工作是人工智能应用及 API 开发。吴雪枫毕业于 MIT，在 GPT-4 项目中主要参与 API 开发和 ChatML 部署方面的工作。

Jason Chen

Jason Chen 本科就读于麻省理工学院，2007 年到 2014 年期间在谷歌担任软件工程师，2014 年到 2019 年任职于初创公司 Apptimize，2019 年到 2023 年 2 月任职于 Argo AI，2023 年 2 月加入 OpenAI。

其他贡献者

Xin Hu

Xin Hu 于 2022 年 6 月加入 OpenAI，主要负责开发用于云安全、k8s 安全、认证 / 授权和访问控制的安全服务和平台。

此外，在 GPT-4 的开发上 OpenAI 也对微软表示了感谢，特别是微软 Azure 服务为模型训练提供了基础架构设计和管理方面的支持，微软必应团队、安全团队也对 GPT-4 的部署等工作作出了贡献。

参考链接：

https://openai.com/contributions/gpt-4?continueFlag=ee0eebd278339fc5ba428add63b4b4fd

https://cdn.openai.com/papers/gpt-4-system-card.pdf