晨会纪要

（以下内容从海通国际《晨会纪要》研报附件原文摘录）
投资要点：
10月社融继续边际改善，但政府债融资贡献了大部分，实体信贷需求还需要进一步提振，尤其是居民中长贷在脉冲式改善后又再度降至低位。近几个月宏观政策已经在接连发力，要稳固经济恢复的效果或还需要政策进一步支持。
我们认为，接下来货币政策或仍将维持宽松。一方面，尽管名义融资利率稳中有降，但若剔除通胀，实际利率还依然偏高；另一方面，新一轮财政发力、地方化债等，通常也离不开宽松货币的配合。我们预计，接下来存款准备金率、政策利率的调整仍有空间。
风险提示：后续政策落地情况。
LinYang：计算机行业跟踪周报321期：GPT-4Turbo发布，英伟达刷新MLPerf记录
投资要点：
GPT-4Turbo正式发布，性能提升同时大幅降价。根据OpenAI官网，当地时间11月6日，OpenAI召开了开发者大会并正式发布GPT-4Turbo，其功能更强大，最多支持128Ktokens上下文对话（GPT-4最多仅为32K），可在单次对话中容纳相当于300多页文本的信息，知识库更新到2023年4月。此外，GPT-4Turbo的输入成本仅为GPT-432K版本的1/6，输出成本也仅为GPT-432K版本的1/4。针对GPT-4Turbo，OpenAI发布了函数调用功能的多项更新，包括在一条消息中调用多个函数的能力：用户可以发送一条请求多个动作的消息，例如“打开车窗并关闭空调”，这在以前需要对模型进行多次访问。OpenAI还提高了GPT-4Turbo函数调用的准确性，其更有可能返回正确的函数参数。GPT-4Turbo指令跟踪能力也得到了改进，其在需要仔细遵循指令的任务上表现优于OpenAI之前的模型，例如“始终以XML格式回复”。GPT-4Turbo还支持AI的新JSON模式，该模式可确保模型以有效的JSON响应。
此外，GPT-4Turbo通过新的seed参数使模型在大多数时候返回一致的完成结果，从而实现了可重复的输出。我们认为，GPT-4Turbo在性能提升同时大幅降价，对未来大模型的普及起到了积极的作用，大模型落地速度或持续提升。
个性化ChatGPT推出，人人都可定制专属自己的模型。根据OpenAI官网，OpenAI正在推出个性化ChatGPT，用户可以根据特定目的去创建（这些模型），其被称为GPTs。任何人都可以轻松构建GPT，不需要编程，只需给它指令和额外知识，并选择它的功能，比如搜索网络、制作图像或分析数据即可。GPTs可以仅供用户自己使用，也可供公司内部使用，还可供所有人使用。此外，OpenAI将于本月晚些时候推出GPT商店，展示经过验证的用户创作的GPTs。在商店里，GPTs可以被（用户）搜索到并可能登上排行榜。
OpenAI还将重点介绍在生产力、教育和“仅供娱乐”等类别所属的最实用和最有趣的GPTs。在接下来的几个月里，用户还可以根据使用（自己创作的）GPT的人数来赚钱。除了使用OpenAI内置的功能，用户还可以通过向GPTs提供一个或多个API来自定义操作，这将允许GPTs集成外部数据或与现实世界交互。例如将GPTs连接到数据库，将其插入电子邮件，或使其成为用户的购物助手。此外，OpenAI还更新了ChatGPTPlus，未来用户无需通过模型选择器在不同模型之间切换，用户可以在不切换的情况下访问DALL·E、浏览和数据分析（等功能）。用户还可以附加文件，让ChatGPT搜索PDF和其他文档类型。我们认为，GPTs的推出，有助于推动模型在各领域的快速落地，未来AI商业化有望进入新纪元。
英伟达刷新MLPerf基准测试记录，未来LLM训练速度有望持续提升。根据英伟达官方博客，在MLPerf基准测试中，英伟达AI超算NVIDIAEos（使用10752个H100和NVIDIAQuantum-2InfiniBand网络互连）只用了3.9分钟就完成了基于GPT-3模型的基准测试，这比不到六个月前刷新记录的成绩——10.9分钟，提升了整整7分钟。（此次测试中Eos使用的）10752个H100GPU远远超过了6月份AI训练的规模，当时英伟达使用了3584个HopperGPU。（此次测试中）GPU数量扩展3倍，性能扩展了2.8倍，效率达到93%，这在一定程度上要归功于软件优化。高效扩展是生成式AI的关键要求，因为LLM每年都在以一个数量级的速度增长。最新结果显示，即使是世界上最大的数据中心，英伟达也有能力应对这一前所未有的挑战。这一成就归功于加速器、系统和软件创新的全栈平台，Eos和MicrosoftAzure在最近一轮测试中都使用了该平台。Eos和Azure在各自的提交中都采用了10752个H100。它们的表现相差不到2%，展示了英伟达AI在数据中心和公有云部署中的高效性。此外，在本轮新的生成式AI测试中，1024个NVIDIAHopper架构GPU在2.5分钟内完成了基于StableDiffusion文本到图像模型的训练基准测试，为这一新工作负载设定了高标准。我们认为，伴随各家科技公司对于算力领域的高度重视，未来LLM训练速度有望持续提升。
风险提示：AI技术发展不及预期的风险，AI商业落地不及预期的风险。