核心观点 提出强化科技伦理治理，预防科技创新伦理风险，促进科技用于善行，实现高科技自立自强，构建具有中国特色的科技伦理体系，使科技造福人类，推动构建人类命运共同体 [3][4] 总体要求 指导意识形态 以新时代中国特色社会主义思想为指导，贯彻落实党的相关会议精神，执行中央和国务院安排，构建中国特色科技伦理体系，完善治理机构和机制，坚持相关治理原则，塑造“科技向善”理念，推动构建人类命运共同体 [4] 基本要求 - 伦理先行：让科技伦理贯穿科技活动全过程，覆盖所有科技创新领域 [5] - 敏捷治理：加强科技伦理风险预警、追踪和分析，动态调整治理方法和伦理规范 [6] - 植根国情：结合中国科技发展阶段和社会文化特征，遵循科技创新原则，建立完善符合国情的科技伦理体系 [7] - 开放合作：建立多边参与和协同治理机制，坚持开放发展理念，推动全球化进程，贡献中国智慧和方案 [8][9] 阐明科技伦理原则 - 提高人类福祉：科技活动应促进经济、社会发展，改善人民生活，保护生态环境，增强人民获得感、幸福感和安全感 [10] - 尊重生存权：尊重人们的生命权，避免伤害和潜在威胁，尊重人类尊严和个人隐私，保障参与者知情权和选择权，保护实验动物 [11] - 追求公平正义：尊重宗教信仰、文化传统差异，公正、公平、包容对待不同社会群体，防止歧视和偏见 [12] - 合理控制风险：客观评估和谨慎处理不确定性和技术应用风险，避免危害社会、公共和生物生态安全 [12] - 保持开放透明：建立相关利益方和公众参与机制以及重大敏感伦理问题披露机制，提升信息透明度 [13] 构建科技伦理治理体系 - 改善政府管理体系：国家科技伦理委员会指导、协调和促进体系建设，科技部负责秘书处日常工作，各级地方政府和相关部门负责各自地区和系统治理 [14][15] - 压实创新主体责任：高等教育机构等单位作为主要实体履行职责，建立规范机制，评估解决伦理风险，按情况设立科技伦理（审查）委员会 [15] - 发挥团体自律功能：科技社团与相关机构合作，宣传普及科技伦理知识，制定发布指南，促进行业自律 [16] - 指导人员遵守道德：科技人员主动学习职业道德，坚守底线，抵制违规行为；项目负责人加强伦理管理；审查等人员认真履职 [17] 改善科技伦理治理体系 - 精炼规范和标准：制定关键领域科技伦理规范和指南，研究制定相关标准，完善标准体系，明确伦理要求 [19] - 改进监管体系：明确监管责任，改进监管流程和相关规则，建立委员会设立标准等，规范认证机构证书使用 [19] - 提高法治水平：加强关键领域立法研究，将重要规范上升为法律法规，强化问责机制 [20] - 构建理论体系：支持相关机构开展研究，前瞻性研究规则冲突和伦理挑战，参与国际规则制定和讨论 [20] 加强科技伦理的审查与监管 严格审查科技伦理 开展科技活动需进行道德风险评估或审查，高风险活动由委员会审查批准，未达标单位可委托审查；委员会遵循相关原则，工作单位建立质量控制和评估监督机制，探索建立审查中心和机构，建立结果互认和应急审查机制 [21][22] 加强科技伦理监督 改进监督框架，建立全过程监督机制，对高风险活动加强跟踪、评估和应急处理；禁止资助违规活动，政府资助计划加强监督，加强国际协作研究审查监督，研究制定高风险活动清单，探索建立登记制度和社会监督 [22] 早期预警科技伦理风险 建立合作监控和预警机制，跟踪监控新兴技术，分析风险并提出应对措施 [23] 严格调查并惩处违规行为 单位和个人不得进行违规科技活动，相关实体承担调查处理首要责任，制定改进规定，追究违规者责任；各地和行业主管部门加强指导监督，相关部门依法处罚违规责任人，涉嫌违法移交司法机关 [23][24] 加强科技伦理教育和宣传 - 强调科技伦理教育：将其纳入本科和研究生教育，开设课程，改进人才培养机制 [25] - 促进培训规范化：将培训纳入科技人员活动，相关部门和单位对委员会成员进行针对性培训 [26] - 做好科技伦理宣传：针对公众宣传，鼓励提高意识，科技人员与公众沟通，相关单位和人员加强科普，媒体提高素养，鼓励设立宣传平台 [27][28] 组织与实施 党委和各级政府重视科技伦理治理，细化实施工作安排，完善领导机制，明确职责分工，预防重大伦理风险；相关部门和地方定期向国家科技伦理委员会报告工作并接受监督 [29]

纪要涉及的行业和公司 - **行业**：中国可再生能源（太阳能）行业 - **公司**：通威（600438.SS）、特变电工（600089.SS）、Maxwell（300751.SZ）、隆基绿能（601012.SS）、晶科能源（688599.SS）、晶澳科技（002459.SZ）、TCL中环（002129.SZ） 纪要提到的核心观点和论据 价格变动情况 - **多晶硅**：1月棒状多晶硅平均市场价格从36.5 - 40.6元/千克涨至37.2 - 41.7元/千克，颗粒硅从38元/千克涨至39元/千克，涨幅2 - 3%；归因于产量下降，1月中国多晶硅月产量同比降43.4%、环比降6.6%至97万吨，且市场价格低于许多供应商现金成本，多数供应商履行行业自律协议 [1][2] - **硅片**：1月n型硅片价格上涨，182mm产品涨12.4%至1.18元/瓦，210mm产品涨10.7%至1.55元/瓦；部分硅片制造商因供应不匹配提高产能利用率，如隆基和TCL中环从45 - 50%提至55 - 60%，其他一体化组件制造商从55 - 60%提至60 - 80% [3] - **电池片**：1月TOPCon电池市场价格涨2 - 4%至0.29 - 0.30元/瓦，PERC电池价格涨9.1%至0.33元/瓦；TOPCon电池是因硅片成本上升传导，PERC电池是因供应减少 [3] - **组件**：1月TOPCon组件平均市场价格维持在0.69元/瓦，PERC和HJT产品分别维持在0.65元/瓦和0.85元/瓦；2024年中国组件出口量同比增13.4%至235.9GW，不同地区有不同变化，中国太阳能装机量同比增27.8%至277.2GW；预计春节后组件价格或因需求增加上涨，但2025年组件制造商仍将亏损 [1][6] - **光伏玻璃**：1月2.0mm光伏玻璃价格环比涨2.1%至12.0元/平方米，3.2mm维持在19.5元/平方米；1月中国光伏玻璃日产能环比降4.0%至88,790吨，同比降8.1%；但供应过剩仍存在，1月底行业库存水平达38.5天，高于去年的23.5天 [7] 投资评级 重申对通威、特变电工、Maxwell、隆基绿能、晶科能源和晶澳科技的卖出评级 [1] 其他重要但可能被忽略的内容 - **分析师认证**：主要负责报告的分析师需认证观点独立且薪酬与具体推荐无关 [15] - **利益冲突披露**：过去12个月花旗集团及其附属公司从部分公司获非投行业务补偿，且部分公司是其非投行业务客户 [16] - **投资评级说明**：花旗研究投资评级分买入、中性和卖出，基于预期总回报和风险，目标价基于12个月时间范围 [22] - **短期观点评级披露**：Catalyst Watch或STV Upside/Downside call表明分析师预期股价在30或90天内因特定催化剂变动，与基本面评级不同 [23] - **各地区产品提供及监管情况**：产品在澳大利亚、巴西、智利等多个国家和地区通过不同花旗关联公司提供，各公司受当地监管机构监管 [41][42][44] - **投资风险提示**：投资非美国证券有风险，产品信息仅供参考，投资决策需考虑多方面因素，价格和信息可能变化 [38][39]

行业与公司 - 行业：中国互联网数据中心（IDC）行业[1] - 涉及公司：GDS、VNET、Envicool[4] 核心观点与论据 1. **AI投资推动IDC需求增长** - 自2024年12月以来，GDS和VNET股价上涨20-30%，主要受中国生成式AI（GenAI）投资加速的积极预期推动[1] - 超大规模企业（hyperscalers）的资本支出（capex）自2023年以来持续增长，2024年加速，预计2025年将进一步加速[1] - 字节跳动2024年火山引擎大会及AI应用（如豆包）的日活跃用户（DAU）增长进一步提振了市场对AI相关股票的信心，尤其是IDC公司[1] 2. **第三方IDC运营商需求复苏** - 2024年第三方IDC运营商的新订单总量约为1.5-2GW，占中国总利用容量的10-15%，远高于2021-2023年每年数百MW的新订单量[2] - 字节跳动占2024年新订单的50%以上，且IDC容量迁入速度加快[2] - 由于生成式AI的动态发展，超大规模企业可能会保持（甚至增加）从第三方租赁IDC的比例，因为自建AI数据中心的资本需求较高，而第三方交付效率更高[2] 3. **估值重估潜力** - GDS和VNET的估值分别为2025年EV/EBITDA的12倍和8倍，显示下行空间有限，且有进一步重估潜力[3] - VNET与大家保险合作推出pre-REITs项目，估值为10.1倍EV/成熟EBITDA，为估值提供支撑[3] - 潜在催化剂包括2025年中期的REITs发行、超大规模企业2025年资本支出预算更新、AI应用表现、2024年Q4业绩中的增长指引以及新IDC订单公告[3] 4. **VNET为行业首选** - VNET因其在超大规模企业AI数据中心需求中的市场份额增长、丰富的IDC园区资源（乌兰察布、太仓、怀来）以及预计2024-26年调整后EBITDA增长14-17%而被看好[4] - GDS因东盟地区IDC需求强劲及中国IDC迁入速度加快也受到青睐[4] 5. **投资者反馈与风险** - 投资者对IDC行业兴趣增加，主要因股价表现强劲、AI应用表现优异以及对超大规模企业2025年资本支出预算的更高预期[6] - 若美国GPU出口管制收紧，短期内可能导致IDC扩容延迟，但AI投资需求仍将推动数据中心容量需求[6] - 未来2-3年可能出现供应过剩问题，但当前供需错配为行业领导者提供了机会[7] - 超大规模企业加速自建数据中心的动力不足，因AI数据中心的成本是普通数据中心的5-10倍，且第三方IDC价格在过去2-3年显著下降[8] 6. **估值重估的驱动因素** - 当前需求强劲，迁入可见性高，短期内收入和EBITDA增长超预期的空间有限[9] - 潜在REITs发行、低利率环境以及2025-26年增长重新加速的清晰路径将推动估值重估[9] 7. **资产负债表与资本支出** - 当前是赢得新合同的窗口期，主要IDC运营商可以从银行获得低于4%的项目贷款[10] - 新项目的开发收益率为13-14%，且REITs的潜在发行有助于股权融资[10] 其他重要内容 - **BAT资本支出增长**：百度、阿里巴巴、腾讯的季度资本支出显著增长，主要由AI投资驱动[13] - **VNET新订单增长**：2024年Q3新订单达到200MW，主要来自互联网和云服务客户[15] - **GDS中国调整后EBITDA增长**：预计2024-26年EBITDA增长率为10%左右[17] - **VNET调整后EBITDA增长**：预计2024-26年EBITDA增长率为15%左右[23]

行业或公司 * **行业**：未明确提及具体行业，但涉及美国债务上限和财政政策议题。 核心观点和论据 1. **债务上限的影响**：债务上限的存在可能导致美国政府在无法借款时无法全额及时履行其义务，从而对经济、美国人民的生活和全球金融稳定造成不可逆转的伤害。[序号 13] 2. **废除债务上限的潜在影响**：废除债务上限不会授权新的支出，也不会给纳税人带来成本，但可以避免如果债务上限被突破时可能对金融市场造成的潜在重大风险。[序号 19] 3. **债务上限的废除与市场功能**：废除债务上限可以避免在债务上限到期时市场参与者对政府无法借款的熟悉，从而减少市场风险。[序号 27] 4. **x-date的预测**：由于对非常规措施的预测存在不确定性，无法准确预测x-date（美国无法履行义务的日期），但预计可能在2025年第三季度出现。[序号 19] 5. **非常规措施**：为了防止美国政府违约，可能考虑采取非常规措施，如赎回和暂停某些基金的投资，以及暂停某些证券的销售。[序号 46] 6. **非常规措施的持续时间**：非常规措施的持续时间因预测美国政府支出和收入的挑战而具有很大的变化性和不确定性。[序号 47] 7. **财政赤字趋势**：由于一些一次性因素，2023年的x-date提前，但预计2025年的x-date可能在7月至9月之间。[序号 82] 其他重要内容 * **Morgan Stanley的冲突管理政策**：Morgan Stanley的冲突管理政策旨在确保其研究报告的客观性和公正性。[序号 30] * **分析师认证**：分析师对其在报告中关于公司和证券的观点的准确性进行认证，并确认他们没有因表达具体建议或观点而直接或间接获得补偿。[序号 84] * **Morgan Stanley的研究政策**：Morgan Stanley的研究政策要求在发行人、行业或市场的发展可能对研究观点或意见产生重大影响时更新研究报告。[序号 91]

核心观点 - 该报告旨在提高生成式人工智能服务的网络安全基线，重点关注防止AI系统生成令人反感的内容，如色情、欺凌、仇恨言论、诽谤、侵犯版权和批评党对权力的垄断[1][46] 范围 - 报告规定了生成型人工智能服务的基本安全要求，包括训练数据安全、模型安全以及安全措施，并提供了安全评估要求[38] 术语和定义 - 生成人工智能服务：生成人工智能技术用于向公众提供文本、图形、音频、视频及其他内容生成服务[42] - 服务提供商：提供生成式AI服务的组织或个人，以交互界面、可编程接口等形式呈现[44] - 培训数据：直接作为模型训练输入的所有数据，包括预训练和优化训练数据[45] 概述 - 报告提出了涵盖整个服务生命周期的安全要求，以在服务过程中预防和减轻涉及应用场景、软件和硬件环境、生成内容以及权益保护的安全风险[46] - 对于生成式AI服务上线前的模型开发过程，重点关注训练数据来源安全、训练数据内容安全、数据标注安全以及模型安全[47] 培训数据安全要求 - 数据源安全性：在从特定来源收集数据之前，应对该来源的数据进行安全评估，若数据包含超过5%的违法不良信息，则不应从该来源收集数据[48][49] - 不同来源的训练数据匹配：应增加训练数据来源的多样性，并为每种语言及每种类型的数据提供多个数据源，必要时与国内来源的培训数据合理匹配[52][53] - 训练数据源可追溯性：在使用开源训练数据时，必须拥有相应数据源的开源许可协议或相关授权文件，使用自行收集的训练数据时，提供方必须有收集记录[54][55] - 数据内容安全：对于每种类型的培训数据，在用于训练之前均需进行过滤，过滤方法包括关键词过滤、分类模型以及人工抽检，用于去除非法和不健康的信息[62] - 知识产权：应建立培训数据知识产权管理策略，识别数据中的侵权风险，建立知识产权问题的投诉报告渠道[63][64][65] - 个人信息：在使用包含个人数据的训练数据之前，应当获得相应个体的同意，并遵守法律法规和其他相关规定[67] - 数据注释安全性：应组织标注人员进行内部安全培训，服务提供商应自行对注释员进行审查，并建立定期复训和重新评估的机制[68] 模型安全要求 - 模型训练：在训练过程中，生成内容的安全性应被视为评估生成结果成功与否的主要指标之一，应定期对开发框架、代码等进行安全审计[75][76] - 模型输出：采用技术措施以提高生成内容对用户输入意图的响应能力，提高生成内容中的数据和表达与常见科学知识和主流认知的一致性，并减少其中的错误内容[78] - 模型监测：应持续监控模型输入内容，以防止恶意输入攻击，建立规范化的监控与评估方法及模型应急管理体系[81][82] - 模型更新升级：应制定一套安全管理策略，以应对模型更新和升级的情况，建立一套管理机制，在重要模型更新和升级后再进行内部安全评估[83] 安全措施要求 - 适用服务的人员、场景和用途：各类服务领域内应用生成式人工智能的必要性、适用性和安全性应当得到充分证明，若服务用于关键信息基础设施或重要场景时，应采取适当的安全保护措施[87] - 服务透明度：应在网站主页等显眼位置披露有关服务适用的人群、情境和用途的信息，并同时披露基础模型使用情况[88] - 收集用户输入的信息用于培训时：用户应当能够关闭其输入信息用于训练目的的功能，关闭方法应当便捷[91][92] - 接受公众或用户的投诉和举报：应提供接受公众或用户投诉和报告的方式以及反馈方法，建立处理公众或用户投诉和报告的规则及处理时限[93] - 向用户提供服务：将采用关键词、分类模型等手段检测用户输入的信息，并向用户宣布规则，若用户连续多次输入非法或不健康信息，则将采取措施暂停服务[94] 附录 A - 培训数据和生成内容的主要安全风险：包含违反社会主义核心价值观的内容、包含歧视性内容、商业违规行为、侵犯他人合法权益[99][100][102][104] 附录 B - 关键安全评估参考点：构建关键词库、构建生成内容测试题库、构建拒绝回答题库、建筑物分类模型[108][109][111][114]

报告行业投资评级 未提及 报告的核心观点 - 机器学习系统虽能力强但不可靠，构建能“知道自己未知”的系统即进行不确定性量化是解决问题的方法，但这是一个开放且广泛研究的难题 [3][4][5] - 可靠量化不确定性面临校准和分布偏移的挑战，现有方法各有优缺点，虽不能完美解决问题，但能提升系统可靠性 [6][15][23] - 不确定性量化研究在提升机器学习系统可靠性方面取得进展，未来有望从基础研究转向实际工程挑战 [34] 根据相关目录分别进行总结 引言 - 过去十年机器学习研究取得进展，但系统能力强却不可靠，如ChatGPT表现不稳定，这对其在现实场景中的部署构成挑战 [3] - 直观的解决办法是构建能“知道自己未知”的机器学习系统，这对广泛应用的AI系统尤为有用，但设计此类系统颇具挑战 [4][5] 可靠量化不确定性的挑战 - 理想的机器学习模型应能正确预测并指示预测可能错误的情况，专家用“校准”描述这种期望行为，即预测不确定性应与预测错误概率相校准 [6] - 以医疗机器学习分类系统为例，校准良好的系统能让用户考虑预测正确的可能性，其分配的概率越接近评估数据中的真实比例，校准越好 [13][14] 理解分布偏移 - 构建在实验室中能表达校准良好的预测不确定性的系统是可行的，但在现实世界中可靠量化不确定性的挑战源于“分布偏移”，即机器学习系统遇到的数据分布在不同场景下会发生变化 [15] - 分布偏移难以精确检测、测量和定义，多数情况下无法提前预知系统在现实世界中会遇到的意外情况，这使得量化不确定性和模型泛化都变得困难，“不确定性泛化”是机器学习研究中重要但相对未充分探索的领域 [16][17][18] 准确表征不确定性 - 机器学习分类模型产生的概率分数通常不能有效指示模型的不确定性，一是因为训练过程优化的是准确输出而非校准概率，二是系统无法表达“以上都不是”的情况 [19][20] - 由于分布偏移的挑战，AI开发者通常没有能代表“以上都不是”选项的广泛可能性的数据，因此难以训练出能一致识别不同输入的模型 [20] 现有的不确定性量化方法 - 确定性方法通过在训练中促使模型对某些输入示例表现出高不确定性，使模型在与训练数据相似的数据上准确，对其他数据显示高不确定性，但在实际部署中可能失败，无法保证预测不确定性估计的可靠性 [25][26] - 模型集成方法将多个训练好的模型组合并平均其预测，通过预测的标准差表示不确定性，在实践中常能提供较好的预测不确定性估计，但成本高，且无法确保对所有输入示例都能提供可靠、校准良好的估计 [27] - 共形预测是一种统计上有良好基础的方法，能在一定假设下提供数学可靠性保证，但假设（模型部署时遇到的数据与训练数据由相同的数据生成过程产生）常不成立，且难以检测假设是否被违反，容易失败 [28][29] - 贝叶斯不确定性量化使用贝叶斯推理，能准确表示模型的预测不确定性，但在现代机器学习模型上进行精确推理计算不可行，只能使用近似方法，从而失去了准确表示不确定性的保证 [30] 使用不确定性量化的实际考虑 - 不确定性量化方法是提高现代机器学习系统可靠性的有力工具，虽各有缺点，但在大多数情况下能成功提升系统量化不确定性的能力，可作为标准训练程序的“附加组件”，为部署的系统增加安全层 [31] - 考虑人机交互对有效使用不确定性量化方法至关重要，包括解释模型的不确定性估计、确定人类操作员可接受的不确定性水平以及理解不确定性估计不可靠的情况，同时要避免因使用不确定性估计而产生过度自信 [32] 展望 - 越来越多的人关注如何使用不确定性量化来缓解大语言模型的弱点，如幻觉问题，一些研究开始探索聊天机器人等基于语言的系统如何“知道自己未知”，但语言生成存在挑战，因为往往没有单一正确答案 [33] - 由于可靠量化不确定性的根本挑战，不应期望为语言生成或其他类型的机器学习开发出完美的解决方案，但相关研究在提升机器学习系统的可靠性和鲁棒性方面已取得进展，未来不确定性量化有望从基础研究转向实际工程挑战 [33][34]