下载了小黄车（ofo共享单车）软件交押金充了值，想退掉时，押金倒是有退的窗口，但余额却挺难退。

杨先生说，4月8日他注册后交了99元押金，充了20多元后总共骑了五六次，因为觉得车子难找，就想退掉。“我是4月20日最后一次骑，之后开始退押金，押金是退了，但在App里找不到退余额的窗口。”他拨打软件中的400客服电话，但打了几天都没打通。

昨日，华商报记者连续多次拨打该客服电话，也同样打不通。倒是在华商报热线中查到曾打进热线的ofo客服，通过该电话找到了其西安办事处的工作人员。工作人员郭女士说，因为用户太多，目前使用也不稳定，导致客服电话很难打进来。

对于退余额的问题，她说，目前App软件上的确没有退还窗口，只能是用户拨打客服电话或是在App软件里寻找邮箱发邮件，工作人员收到后在后台操作退费。“如果用户使用共享单车微信公众号的话，也可以联系小编直接退余额，这方面公司还在改进之中。”

白人和亚裔男性是科技公司的主力军，但与其他种族的人相比，他们受到更多不公平待遇。

人们辞职的原因有很多：在别处有更好的机会、生活变动、住处迁徙。根据星期四公布的一项研究，在实行高薪的美国科技公司中，辞职的最常见原因是受到不公平对待。

卡普尔社会影响中心是一家致力于探讨技术多样性和包容性的组织，他们的研究表明，虽然高科技工作往往灵活性强，可享受办公室津贴和竞争力的薪酬福利，但从业者们经常说，之所以离开以前的工作，是因为经历了不公平待遇。原因包括：未被如期晋升，或受到同事的排挤、倾轧。

白人和亚裔男性是科技公司的主力军，与其他背景的人相比，他们更容易感到自己受到了不公平管理。其抱怨大多针对所谓的领导不力。黑人和拉丁美洲人的问题则不同。研究发现，与白人或亚裔员工相比，他们的牢骚几乎翻了一番。

近几年来，硅谷最大的几家公司一直在努力从其他弱势人群中招聘和雇佣更多妇女和工人。但他们不愿意谈论那些离职人员，尽管后者可能是彰显企业文化的更好指标。

研究发现，种族和性别与雇员对工作的感觉以及他们会否长期坚持工作有很大联系。女性比男性更可能在工作场所体验或遭遇不公平待遇。黑人和拉丁裔妇女最有可能报告说，他们在升职方面被人占先，而更多的白人和亚裔妇女认为，她们的工作得到认可。

研究论文的主要作者、加利福尼亚州奥克兰市卡普尔中心的首席研究官埃里森·斯考特(Alison Scott)说，对于科技公司未公开的事实，她想填补空白。“我们都听到过这些轶事，报纸文章和媒体也曾报道过一些人在科技界的经历，”她说，“我们试图理解：这些轶事是否代表着一个更大的系统问题？”

卡普尔中心与哈里斯民意测验调查合作，在过去的三年，对全美大约2000名主动离开科技岗位的个人进行了调查。在研究过程中，他们花了大约一年时间，与非科技公司的技术工人及各类科技公司的员工进行了交谈。

这项研究试图把问题提出来，以便引起公司领导人注意力：据估计，科技企业每年要为离职工人的遣散费支出160亿美元。斯考特说：“这是一项相当大的财政负担，而且在不断流失。”

“我们创业从第一年就是赚钱的”。“有车以后”创始人徐晨华告诉创业邦。

“有车以后”主要是一家为用户提供买车和用车的信息和服务的公司，最早从微信公众号起家，由于起步早，享受了巨大的微信红利并创下多项自媒体传奇。

目前有车以后团队运营3个微信公众号，粉丝数量达到1600多万。有车以后是第一个登上央视新闻的新媒体推广案例，从0-100万用户没花1分钱，电商转化20%，2016年全年有车以后营收近1亿。

在此之前，有车以后曾获得3轮融资：

2014年12月，获得蓝色光标投资的300万人民币天使轮融资；

2016年1月，获得梅花天使和史努克创投的2400万人民币A轮融资；

2016年9月，获得真格基金成长基金、创金资本、蓝拓资本投资的数千万人民币A+轮融资。

用户从0-100万，没花一分钱

有车以后创始人徐晨华是媒体出身，曾在第一财经日报、羊城晚报等媒体集团工作，27岁就做到了周刊部门主任。从行业新闻到具体的汽车产品等环节他都有涉及，为创业积累了丰富的经验。

从0-100万用户，徐晨华没有花一分钱，全靠内容。

有车以后推送的内容都是车主在行车过程中经常遇到的难题，所以总能抓住用户的心理，如刹车失灵的情况下如何把车停下来？行车过程中没有油了会出现什么情况等。

有车以后自媒体创办没多久，2014年11月，就获得了第一个10万+，一天之内刷爆朋友圈，获得1万多转发，积累了大量的种子用户。

通过内容让有车以后影响力再次扩张，源于一次专业的交通事件分析。

2015年6月，南京发生了一起交通事故。一辆宝马7系和马自达2相撞，马自达被撞碎。当时媒体主流的说法是宝马时速达到170迈所导致，但是徐晨华根据现场图片发现有冒烟的迹象，最终团队分析认定是水箱爆裂导致。这次专业的分析又让有车以后粉丝量大涨。

随着粉丝数上涨，徐晨华发现用户的垂直细分需求增多，而越细分的内容价值越大。于是，在有车之后外，又运营了“一起去SUV”和“什么豪车值得买”2个垂直账号。

内容建立了人与平台的联系，但没法解决人和人的互动，沟通和交流的问题，在内容之外，徐晨华又开发了论坛、车型库、查违章和缴费等功能产品，满足用户从车型选择、查看参数和报价、车型比较、查看真实用户评论到购车以后在论坛上提问、解答、查违章、缴费等所有需求。

众多第一，享受了巨大的红利

由于起步早，同时生产了好的内容，徐晨华享受了巨大的微信红利。

有车以后是全国第一批尝试微信朋友圈广告的案例，第一个尝试互选广告开放自助投放，同时也是第一批拿下内容原创认证和视频原创认证的账号，这样的红利极大降低了有车以后的拉新成本。

此外，有车以后还是第一个登上央视新闻的推广案例。中央电视台一天播放7次，每天就能带来5000个新增用户。

这样快速的发展也引起了汽车之家的注意。在真格基金投资之前，徐晨华已经开始和汽车之家方面的投资方开始接触，汽车之家计划投资有车以后8000万，但是在平安银行收购汽车之家后就搁置了。

纵然没有获得汽车之家的投资，但是徐晨华在技术开发方面，为避免和汽车之家等大公司的正面冲突，只开发了“一起去SUV”的App。同时，在目标人群选择上，有车以后主打二三四线城市，徐晨华认为这块占据汽车市场80%的份额。

电商转化20%，预计2017年营收达到2亿

在商业模式上，有车以后的营收主要来自于品牌主广告、经销商和区域的营销推广费用以及电商方面的用户收入。

走通内容电商的道路，是因为一篇爆款文章。

有车以后对5款行车记录仪进行了一次对比测试，评论区就有大量的用户要求砖叔（有车以后打造的虚拟IP形象）推荐一款适合自己的，同时希望直接在有车以后公众号上就能买到。于是有车以后在京东采购200台，没想到10分钟全部卖光了。

目前，有车以后在京东、天猫、淘宝、微信商城都设有旗舰店，所有的选品都是经过测试的，且只卖市面上前20%的好货。

有车以后的电商转化率达到20%，2016年营收近1亿，徐晨华预计2017年营收将达到2亿。

央行公布黄金储备数字究竟真不真实？欧洲人民疑虑越来越大。

最为全球最古老的央行之一，北欧富国瑞典央行黄金储备全球排名28位。在2013年10月28日，瑞典央行公布了详细黄金储备数据。

其中，黄金储备共125.7吨，分别有61.4吨存于英国央行、15.1吨存于瑞典央行、13.2吨存于美联储纽约分行、2.8吨存于瑞士央行和33.2吨存于加拿大央行（如下表）。

值得关注的是，瑞典黄金储备绝大部分在海外。

瑞典央行接近一半的黄金储备存放在英格兰央行。

四分之一的黄金存放在加拿大央行。然而这些黄金并不在加拿大央行位于渥太华的金库中。

由于加拿大央行金库整修。瑞士央行、荷兰央行和比利时央行为加拿大央行代持黄金。加拿大央行宣布，今年整修完成后，黄金才会运回位于渥太威林顿大街的加拿大皇家金库。

瑞典央行有10%的黄金存放在美联储。与美联储替其他央行保管黄金一样，美联储纽约联储分行金库中，存放着瑞典央行13.2吨黄金。

此外，瑞典央行还有2%的黄金存放在瑞士央行，这些黄金位于瑞士央行伯尼总部大楼Bundesplatz地下金库中。

事实上，瑞典央行自己只保存了12%，总计15.1吨的黄金。然而，令人费解的是，瑞典央行却为芬兰央行保管9.8吨黄金。

瑞典央行在其官方网站上称，总计125.7吨黄金储备大约相当于“10000根金条”。按照央行通常的储备规则，1吨黄金储备由80根可交割金条（ Good Delivery Bars）组成。

这些金条一般每根400金盎司（12.5公斤）。所以125.7吨大致相当于10,056根金条，印证了瑞典央行大约相当于“10000根金条”的说法。

黄金换美元

然而，对于这10000根金条是否真实存在，瑞典国内媒体已经发出了质疑。

事实上，在2009年全球金融危机发生，瑞典央行用黄金换取美元流动性。

瑞典央行前资产管理部副主管Göran Robertsson在媒体DI interview上承认，在2008-2009年期间，存放在英国央行的50吨黄金被换成了美元。

“伦敦是欧洲最大的黄金市场。在2008-2009年期间我们动用了在英国的黄金储备换取美元，并把这些美元注入了瑞典的银行。”

2011年世界黄金协会报告也证实了这一点。

“一些北欧国家为了银行业流动性动用了黄金储备。在美联储的无限美元互换窗口开放向瑞典开放之前，瑞典央行动用了黄金换取美元。”

Göran Robertsson强调，在金融危机之后，瑞典“恢复了黄金储备数量”，这意味着瑞典央行应该已经回收了50吨的黄金，但是瑞典央行并没有回答回收的黄金是否还是之前的那50吨黄金。

瑞典央行资产管理部主任Sophie Degenne称：

“储备黄金和外汇资产目的就是，就是为了在关键的时候使用，比如金融危机的时候。”

审计这10000根金条

瑞典央行对黄金进行账面审计，并不对海外黄金储备进行“实物核对”。这种疲弱的审计模式，在金融危机之后引发了更大的争议。

在2013年11月，瑞典对冲基金Liberty Silver首席执行官，在瑞典媒体发布了“瑞典黄金储备坚持的问题”一文，质疑瑞典黄金储备报告问题。

“如果没有尽职恰当的审计，没有亲眼看到那些黄金，瑞典央行和瑞典人民不能确信这些黄金储备依然存在”。

他还呼吁瑞典银行公布其声明的黄金储备的实际存储位置的信息。特别重要的，要公布存储在纽约联邦储备银行（NYFED）金库的黄金。

黄金头条网此前提及，2012年德国联邦法院裁决纽约联储公布在美国的存金，但最终纽约联储拒绝公布德国黄金具体存储数据。这最终引发德国央行从美国运回黄金的行动。

在2017年，有投资者致信瑞典央行，要求瑞典央行像黄金ETF基金一样，详细公布实物黄金储备进出数据。

瑞典央行回复是：

“据我们所知，瑞典央行是全球最透明的中央银行之一，公开提供有关黄金存储位置和数量的信息。“

“但是根据《瑞典信息保密法》，这种信息涉及与外交有关的秘密，以及安全隐私和监督保密规则。”

人工智能时代已经到来。

超多维所布局的智能计算视觉技术体系，对人工智能领域聚焦于视觉层面的改变和颠覆。随着人工智能热度的不断提升，人工智能、机器学习和深度学习频频被提及。今天我们就从行业内的主流观点出发，浅析一下三者的区别与联系。

关于人工智能

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

人工智能现阶段分为弱人工智能和强人工智能。

强人工智能：强人工智能观点认为有可能制造出真正能推理(Reasoning)和解决问题(Problem_solving)的智能机器，并且，这样的机器能将被认为是有知觉的，有自我意识的。强人工智能可以有两类： 类人的人工智能，即机器的思考和推理就像人的思维一样； 非类人的人工智能，即机器产生了和人完全不一样的知觉和意识，使用和人完全不一样的推理方式。

弱人工智能：弱人工智能观点认为不可能制造出能真正地推理(Reasoning)和解决问题(Problem-solving)的智能机器，这些机器只不过看起来像是智能的，但是并不真正拥有智能，也不会有自主意识。 主流科研集中在弱人工智能上，并且一般认为这一研究领域已经取得可观的成就。

实际上，当下科技能实现的人工智能都是弱AI人工智能（奥创那种才是强AI），弱人工智能如今不断地迅猛发展，而强人工智能则暂时处于瓶颈。

关于机器学习

机器学习(Machine Learning)是一门多领域交叉学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。

机器学习最基本的做法，是使用算法来解析数据、从中学习，然后对真实世界中的事件做出决策和预测。与传统的为解决特定任务、硬编码的软件程序不同，机器学习是用大量的数据来“训练”，通过各种算法从数据中学习如何完成任务。

机器学习速查表Scikit-learn Algorithm Cheat Sheet

机器学习可以分成下面几种类别：

• 监督学习从给定的训练数据集中学习出一个函数，当新的数据到来时，可以根据这个函数预测结果。监督学习的训练集要求是包括输入和输出，也可以说是特征和目标。训练数据中的目标是由人标注的。常见的监督学习算法包括回归分析和统计分类。

• 无监督学习与监督学习相比，训练集没有人为标注的结果。常见的无监督学习算法有聚类。

• 半监督学习介于监督学习与无监督学习之间。它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。。

• 增强学习通过观察来学习做成如何的动作。每个动作都会对环境有所影响，学习对象根据观察到的周围环境的反馈来做出判断。

机器学习最主要的应用领域有：专家系统、认知模拟、规划和问题求解、数据挖掘、网络信息服务、图象识别、故障诊断、自然语言理解、机器人和博弈等。

关于深度学习

深度学习(Deep Learning)是机器学习的一种方法，它使用包含复杂结构或由多重非线性变换构成的多个处理层（神经网络）对数据进行高层抽象的算法。 其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。

深度学习的过程分为训练和推理（即“评估”）两个过程，通过训练过程来获得数据模型，然后用于评估新的数据。

神经网络是一组大致模仿人类大脑构造设计的算法，用于识别模式。神经网络通过机器感知系统解释传感器数据，能够对原始输入进行标记或聚类等操作。神经网络所能识别的模式是数值形式，因此图像、声音、文本、时间序列等一切现实世界的数据必须转换为数值。

在深度学习网络中，每一个节点层在前一层输出的基础上学习识别一组特定的特征。随着神经网络深度增加，节点所能识别的特征也就越来越复杂，因为每一层会整合并重组前一层的特征。举个例子，一个神经网络如何判定一个图片是不是一条狗：

可以看出，经过一系列训练之后，在系统中输入狗的图片，通过深层神经网络对狗的底层特征进行抽象、推理（评估），最后输出该图片是狗的概率为90%。

三者的区别与联系

主流观点中，人工智能、机器学习、深度学习三者的关系如下图所示。人工智能是最早出现的，也是最大、最外侧的同心圆，其次是机器学习，最内侧是深度学习，也是当今人工智能大爆炸的核心驱动。

其中，人工智能(AI)是一个最广泛的概念，人工智能的目的就是让计算机能够像人一样思考。

机器学习(Machine Learning)是人工智能的分支，它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

深度学习(Deep Learning)是机器学习研究中的一个新领域，推动了机器学习的发展，并拓展了人工智能的领域范围。甚至有观点认为，深度学习可能就是实现未来强AI的突破口。

上海银监局近日召开2017年一季度上海中资银行业金融机构监管情况通报会，重申房地产信贷风险，要求落实有关房地产调控的各项要求，严禁银行业资金违规流入房地产领域。

据上海证券报报道，会议强调，上海银行业要更加主动地防控风险，包括严格整治同业业务、切实防范房地产信贷风险、防范外部风险向银行业传染等。

会议督促上海银行业切实防范房地产信贷风险，坚决落实有关房地产调控的各项要求，严格执行个人住房差异化信贷政策，审慎开展与房地产中介的相关业务合作，严禁银行业资金违规流入房地产领域。

华尔街见闻此前提及，随着房地产市场调控多次加码，银行对于房地产信贷也持续收紧。目前全国银行已大幅收紧开发贷，目前在股份制银行，开发贷审批权限普遍上交总行，同时监管部门也加大对银行理财资金违规流入房地产的排查力度。

去年以来，上海银监局多次强调房地产相关金融风险，并对违规机构予以高额处罚。

今年1月，上海银监局对江苏银行上海分行开出近478万元的罚单，原因是该行给房地产公司违规融资用于支付土地出让金。