3月20日，媒体The Information援引知情人士消息称，全球最大的消费类无人机制造商——大疆创新正在与投资者进行洽谈，希望能够以150亿美元的估值进行新一轮融资。

报道还指出，此次募集的资金约在5亿至10亿美元之间，但交易细节尚未最终确定。一位熟悉交易的内部人士表示，“此次融资可能是以股权融资与债务融资结合的方式进行。”

对此消息，全天候科技向大疆方面求证，大疆表示“不予置评”。有消息人士称，大疆的确是在融资，不久前有人募过一支针对大疆私募融资的基金。

如果此次融资消息属实，将是大疆迄今为止规模最大的一轮融资。2015年，大疆曾获得来自Accel Partners的7500万美元投资，当时估值为100亿美元。2013年1月，红杉资本中国基金曾向大疆投资数千万美元。

根据公开信息，大疆创新2006年由香港科技大学毕业生汪滔等人创立，是全球领先的无人飞行器控制系统及无人机解决方案的研发和生产商，客户遍布全球100多个国家。汪滔（37岁）在2017年“胡润中国80后富豪榜”中排名第二，个人净资产高达360亿元。企查查信息显示，深圳市大疆创新科技有限公司由智翔科技有限公司100%控股。

大疆创新总裁罗镇华去年末向全天候科技透露，2017年，大疆整体销售额（包括消费级和行业级无人机）预计超过180亿元人民币，同比增长80%。

过去两年，消费级无人机领域挤压市场泡沫、资本热情下降，与此相反的是，在面向B端的行业无人机市场，潜在需求快速释放，成为无人机行业的下一个增长极。在这一背景下，大疆也开始加码对行业级无人机的布局。

目前，在中国11000台农业植保无人机中，大疆保有7500台，市场份额逼近70%。大疆调研的数据显示，中国有18亿亩有效耕地，随着技术进步、单机作业效率上升，未来国内植保无人机总量是4.5万台，预计两三年间市场就将达到饱和。

在农业无人机市场，大疆正在从卖硬件向卖服务转型，将摆脱以盈利为目标，把重点放在提升行业效率和构建服务的闭环上。虽然大疆在植保无人机产品中尚未实现盈利，但罗镇华表示，农业在大疆体量里占比很小，大疆业绩持续增长，可以负担在该领域一定的投入和亏损。

受数据泄露事件影响，Facebook股价接连下挫，美股其他同类股票也受到殃及。

继周一暴跌近7%创五年来最大单日跌幅后，Facebook昨日再跌2.6%，从上周五收盘算起，累计跌幅达9.2%，市值蒸发640亿美元。

Twitter受到的连累最为严重，昨日大跌10.35%，上周五收盘至今累计跌幅达12%；Snapchat昨日下跌2.56%，上周五收盘以来跌幅达6%；谷歌昨日下跌0.39%，上周五收盘至今跌幅为3.3%。

上周五，Facebook宣布暂时封杀Strategic Communication Laboratories和Cambridge Analytica这两家机构，原因是他们违反了Facebook关于数据收集和保存的政策。

到了周日，英国《卫报》等媒体曝出重磅消息，称Cambridge Analytica在未经用户同意的情况下，利用在 Facebook上获得的5000万用户的个人资料数据，来创建档案、并在2016总统大选期间针对这些人进行定向宣传。

周一，欧盟、美国、英国纷纷抨击Facebook和Cambridge Analytica。欧洲议会主席Antonio Tajani表示，欧盟将调查逾5000万名Facebook用户的数据是否被不当使用。昨日彭博称，美国联邦贸易委员会也在就此次事件对Facebook展开调查。

这次事件之所以影响如此之大，华尔街见闻《主编精选》昨日提及，这不仅因为它涉及海量用户隐私信息被第三方公司获取，还因为这些信息被直接用于影响美国大选和英国退欧公投等重大政治事件，再次引发外界对互联网巨头“能力通天”的恐惧。

“互联网之父”Tim Berners-Lee上周一在互联网诞生29周年纪念日当天撰文，警告互联网的发展已远远偏离他的初衷，对于Facebook和谷歌等巨头应该制定专门的监管框架。对冲基金大佬索罗斯甚至直指Facebook和谷歌是社会公害，并称他们的日子已经屈指可数了。

回到Facebook、Twitter以及谷歌等的个股表现上，即使是在之前的“通俄门”调查中，它们也没有遭遇如此惨烈的抛售。美国媒体Axios报道称，这一次投资者之所以如此慌张，是因为多年来给他们带来源源利润的商业模式也遭到彻底拷问。

Axios报道提到，Facebook、Twitter以及谷歌这些互联网平台不仅方便用户使用，对于全球各地的开发者也来说也相当友好，这在成为这些平台商业模式基础的同时，也给数据的滥用打开了方便之门。

2018年3月，易纲上任中国央行行长，就在一个月前的2018年2月，鲍威尔上任美联储主席，中、美两个大国央行行长均实现新老更替。在“中美新一轮国运交锋博弈”的时代背景下，对比两国央行行长的决策异同是一个值得参考的角度。

1、加息到底是加的什么息？

美联储要加息了，但凡了解财经知识的都听说过一点。但是，如果问到加息到底加的什么息？却通常都会很一脸诧异，并反问一句：“不就是存款利息和贷款利息吗？”

其实，在美国，政府并不会直接调整存款利息和贷款利息，更多是运用市场化手段，美联储加息调整的是“美国联邦基金利率”（Federal funds rate），即是美国各家银行间的银行同业拆借利率，代表的是短期市场利率水平。

确定这个利率水平的职能部门，就是美联储旗下的正式机构之一，联邦公开市场委员会(Federal Open Market Committee)，简称FOMC，该委员分别由政府指定的和联储银行的人共计12人组成。

作为全美国银行同业拆借市场的最大的参加者，美联储联邦基金利率是反映货币市场银根松紧最为敏感的指示器。这个利率调整后，就会直接影响银行业的资金成本，继而击鼓传花一般影响到工商企业，进而影响到消费、投资和国民经济。

同样，在中国加息，以前是指的是存贷款基准利率的上调。但是近三年来，中国式加息更多是央行在变相的“结构性加息”，即央行通过调整逆回购（OMO）、中期借贷便利（MLF）中标利率和常备借贷便利（SLF）的利率等形式来进行，并没有进行银行存贷款基准利率的上调。

2、一种加息，两处闲愁

于是，问题来了！在美国资本市场，乃至全球资本市场，10年期美国国债收益率是全球金融定价的基准，而不是美联储基金利率。在美国房地产市场，乃至全球房地产市场，重要的是房贷利率，而不是银行拆借利率，更不是结构性利率。

显然，美联储基金利率并不等于10年期美国国债收益率，甚至两者背离的时间很长。这个问题就是“格林斯潘利率之谜”。在2004-2006年的美元加息周期，美国联邦基金利率由1%上调至5.25%，美国出现了短期利率上升；长期无风险利率，即10年期国债收益率却下降的情况。

到了2015年12月，美联储实现了2008年金融危机之后首次加息。之后，10年期国债收益率反而出现了较大下降，从2015年末的高点2.32%下降到2016年9月的1.5%。到2017年年中，美联储基金利率经过4次上调之后，10年期国债收益率却仍然停留在为加息前的水平。但是半年之后，10年期国债收益率持续上升到了目前2.85%。从加息当日算起，10年期国债收益率也仅仅上升了32个基点。

再看看美国房贷情况，从2004年6月开启的美联储主席格林斯潘加息周期里，全美30年固定利息房屋抵押贷款利率从2004年5月份的6.34%上升到了最高点2006年7月的6.80%，仅仅上升了46个基点。

到了2015年起的这轮美联储加息过程中，至今共计加息5次。美国联邦基金利率目标水平从2015年底的0.25%，上升到了目前的1.5%，上调了1.25%。但是全美30年固定利息房屋抵押贷款利率从2015年12月31日的4.01%，上升到了2018年3月15日的4.44%，也仅仅43个基点。

显然，从影响美国资本市场和房地产市场角度看，美联储基金利率的影响会出现一定时间的背离。这个背离过程，和股市、房市等价格走势又是密切相关的，这个稍后讨论。

3 中国式加息表现的是一种态度

历史上看，在美联储宣布加息后，中国央行跟进两次，都是以公开市场操作为主——调升逆回购和MLF操作利率。时间点在2017年3月和12月，与美联储加息的时机重合，而2017年6月美国加息时，中国则选择了按兵不动。

央行直接通过货币市场上游的政策利率上调，更多体现的是一种态度，避免市场形成一个“宽松预期”，使得机构行为继续保持审慎，这普遍被外界解读为“中国式加息”。

从上调结果来看，公开市场进行7、28天期逆回购操作，中标利率全线上调至2.50%和2.80%；人民币1年期中期借贷便利（MLF），利率上行至3.25%。如果从美国第一次加息起算，那么央行公开市场操作利率上调了25个基点。

尽管公开市场利率有所上调，但是考虑到全社会资金来源70%以上来自银行，社会融资成本并没有出现大幅攀升。因为在2015年底美国开启加息进程之前，中国在2015年5次降准降息。当年10月起，存贷款基准利率，均创下历史低点。尽管，美国持续加息，但是至今为止，国内银行存贷款基准利率仍然维持在历史低位。

作为对标美联储基金利率的银行间利率——中国银行间拆借利率SHIBOR走势，也颇能反应问题。2016年3月，3月期SHIBOR一度创下2.76%的低点。直到2016年底开始，央行强监管降临，抬高了银行间利率，加强金融监管，开启金融去杠杆之路，银行间利率才攀升了160个基点左右。

对于房贷市场，中国式加息，几乎没有触及。而更多是强监管带来的利率走高。2015年12月，个人住房贷款利率稳步下行，加权平均利率为4.70%，比上年12月下降1.55个百分点。2016年6月，房贷平均利率跌破了4.50%，刷新历史低点。但是，2017年3月份开始，金融行业进入强监管，房贷利率开始走高，迄今为止，离历史低点已经100多个基点。

4 美国加息，中国将顺势而为

这两天，美联储正在举行年内第二次议息会议。越来越多的分析认为，3月份美国加息已经板上钉钉，普遍预计美联储将加息25个基点，将联邦基金利率推升到1.50%至1.75%区间，而且对美联储年内加息4次的预期也正在升温。

为什么美国加息板上钉钉呢？

美国联邦基金利率期货隐含3月美联储加息的概率已经达到94.4%。通胀形势，成为国内分析师看好加息的重要原因。招商证券宏观分析师谢亚轩表示，美国经济数据表现优异，美国CPI连续6个月维持在2%以上，核心通胀和薪酬增速略有回升，3月密歇根大学消费者1年通胀预期初值达到2.9%，创2015年3月以来新高，显示消费者短期通胀预期明显攀升。在强劲基本面和通胀压力上升的背景下，美联储升息的态势很明确。

东北证券分析师许俊认为，特朗普上台后，竞选承诺税改方案正式获得通过，标志着美国进入“强复苏+宽财政+紧货币”阶段。在经济反弹、通胀和通胀预期上行期实施宽财政，势必加快通胀预期，进一步推升加息预期。

不过，统计显示，自美联储结束QE并启动加息以来，核心PCE价格指数增速持续落在2%下方，不及美联储目标，一直是外界认为影响美联储加息节奏的核心因素之一。对此，许俊认为，美国核心CPI当中，原油占比较大，而今年以来原油平均价格已经高于去年全年的月均价格。一旦油价趋势性上涨，下半年也可能维持增速甚至继续上升，带动CPI走高。

中国会不会跟随加息？多数国内分析师认为将会跟随加息，毕竟从全球货币政策方向上看，货币政策正常化的趋势相对明显。对于中国来说，顺应全球货币政策正常化大势是一个更好的选择，至于加息方式看法各有不同。

中信证券固定收益部分析师明明认为，一旦美联储加息，中国央行将加价进行逆回购释放政策信号，增加利率可能为10个基点左右，幅度有所扩大。这一方式，和2017年基本一致。2017年，中国央行跟进两次，都是以公开市场操作为主—调升逆回购和MLF操作利率，分别是10基点和5个基点。

华泰证券首席分析师李超认为，中国央行可能就官定基准利率跟随加息一次。他认为，中美利差随国债利差不断收窄，而且2月通胀已经逼近3%央行加息阈值，国内经济表现超预期，为调整官定基准利率创造了空间。从技术层面上看，本周MLF到期央行进行加量续作，意味着下周大概率放弃使用MLF进行加息操作。

中国一旦跟随加息意味着什么？目前，市场存贷款利率已先于官定基准利率上行，即便央行提高官定基准利率，可能也仅是一个确认的操作，但是象征意义巨大。

楼市专家杨红旭认为，目前，全国首套房贷款平均利率攀升至5.43%，相当于基准利率1.11倍。按上述全社会利率水平，以及考虑到美联储加息节奏加快，则2018年首套房贷利率还会继续攀升。连银行理财产品收益率都超过5%，银行给购房者发放4.9%或以下的房贷利率，变成了亏本买卖。至于二套房贷利率，则上浮空间就更大。

而债券方面，中信证券分析师明明认为，从国际政策周期、经济周期以及利差扭曲等方面来看，国内债市仍旧承压，10年期国债到期收益率有望逐步回升至4%的中枢。

5 每一个泡沫都有一根针等着

每一个泡沫都有一根针等着，没有什么能永垂不朽。

每当看到美国要在今年加息4次时，都忍不住回顾一下，那个当初第一次加息的人——珍妮特·耶伦，美联储105年来第一位女主席。为什么2015年底就开始加息？要知道，就在2012年，美联储才终止了QE3计划。当时，全球市场一片质疑之声，毕竟核心通胀一直在目标位1%之下，经济表现得很温和。

在人类经济发展历史上，从非常规货币政策的推出到退出，本身是一次伟大的试验，前无古人、后无来者。直到今天，欧元区和日本都还在零利率上下徘徊。而在2015年12月16日，美联储主席耶伦，宣布将基准联邦基金利率脱离接近零利率。在她的领导下，美联储已在过去两年多的时间里五次加息，并开始逐步缩减量化宽松政策下的购债规模。

耶伦第一次加息到底看到了什么？在2015年一片忧虑声音中，在通胀仍在不足1%的时候。要知道，正是耶伦在美联储内部率先提出，美联储应该将目标通胀率设定在2%左右。

作为事后观察，我们有理由认为，她发现一个众人所未见之处，那就是美国房地产。从1997 年开始，美国房地产市场进入了长达10年的繁荣期，期间住宅的价格上涨了180%。

对于在房地产泡沫情况下，要不要收紧货币政策，美联储内部有过激烈的讨论。1999年，伯南克提出了所谓的“伯南克准则”（The BernankeRule）：只有当资产泡沫对产出和通货膨胀产生影响时，货币政策才应做出反应。

这一准则指导了21世纪头10年美国的货币政策，但正是在美国，出现了事后引发全球金融危机的房地产泡沫，从而使“伯南克准则”受到了广泛的质疑。但是，从耶伦本身来说，2004年起，耶伦就是美联储中少数几个将不断上涨的房价称作危险“泡沫”的人士之一。在2008年危机顶峰、雷曼兄弟倒闭数周后，她也是第一个下论断说美国经济已经进入衰退的美联储官员。

美国房地产泡沫作为2008金融危机的缘起。耶伦肯定是印象深刻的，在泡沫破灭之后，伯南克推出了各种QE措施，直到2012年美国房价探底。到2015年，美国的房地产已经出现明显上涨，涨幅比较达到了20%以上。

2016年8月，耶伦认为，商业房地产估值已经较高，但仍未出现泡沫。2017年7月耶伦认为美国房地产市场仍存在系统性风险，应继续推动改革。2018年2月，耶伦离开前受访时表示，美国股市和商业房产价格很高，令人担忧。

目前，美国房地产是什么情况，让美联储老专家耶伦认为房价让人担忧呢？从美国CASE-SHILLER美国房价指数来看，当前美国房价已经超过2006年高点6.3%，刷新历史纪录。显然，现在的美国房地产又处于一片火热当中，房地产市场的繁荣再次成为带动美国经济增长的引擎。

但是，房价的高涨，美国的家庭房贷总额已经和2006年高点持平。这一情况是在利率水平仍然远低于2006年实现的。从这个角度看，美联储提高利率水平，还不足以将将资金实力不足的购房者排除出房地产市场。一旦房价的涨速进一步加快，美联储加息步伐加快，最终难逃2008年次贷危机的噩梦，经济势必再次陷入衰退之中。

显然，耶伦反复强调资产价格膨胀的危害性，正是对于房地产泡沫破裂及其带来的严重后果的清醒认识。也正因为此，耶伦没有过分等待通货膨胀信号，这个自己曾经设定的目标，而是直接在房地产泡沫发展初期，采用了“适应性紧缩”措施。

耶伦是历史上第一实现从非常规货币政策的推出到退出的美联储主席，而其“逆风飞扬”的人格魅力，更会在日后经济再次衰退中，更加彰显。如何评价一个央行行长是否称职？直面泡沫，逆风而行，才能称之为勇者。

昨日亚马逊美股价格大涨，截至收盘涨2.69%，市值已超越谷歌，但近日高盛的一名分析师表示他对于亚马逊的股价看的更远。

高盛互联网行业分析师Heath Terry称，市场对于亚马逊公司旗下的云计算和零售业务的估值太低，鉴于此亚马逊今年的股价可能会轻松触及1800美元至1900美元之间。

Terry向CNBC表示“虽然目前每股价格已经接近1600美元，但必须看到那些正在增长的业务，特别是AWS互联网服务业务，这已经占据了公司主业的一半以上，考虑到投资者对于这一业务的未来前景非常看好，目前的股价还是有很大的上涨空间。”

云业务与电商业务

此前，亚马逊的电商平台业务单月阅览量已经超过了1.96亿人，在全美电商市场中亚马逊所占的份额高达43.5%。根据最近公开的季度财报显示这一业务营收又创新高达1083亿美元，并且在产品上仍在不断推陈出新。

而亚马逊的AWS云业务更是让投资者对其前景感到乐观，这一业务使得公司在2017年中的收入达174.6亿美元，已占到了公司整体估值的60%，并以47.1%的市场占有率称霸公共云市场，遥遥领先于微软和谷歌。

此外，亚马逊137亿美元收购全食超市（Whole Foods）后，进军杂货零售业务也将成为下一个增长亮点。

全美第二市值超越谷歌

昨日，亚马逊市值超越谷歌母公司Alphabet,成为全美市值第二高公司。截至收盘，亚马逊收涨2.69%，市值7680.409亿美元超越谷歌的7626.2亿美元。（见下图）

2018年以来，FANG股票表现优异，累涨近20%，跑赢了标普500大盘3%的累涨幅度，屡屡刷新历史记录，上月甚至帮助纳指数抹平2月以来的全部跌幅。

野村证券的Bilal Hafeez指出FANG股票目前估值已逼近2000年的互联网泡沫峰值。

FANG股票指Facebook、亚马逊、Netflix和谷歌母公司Alphabet。

Hafeez表示，18年前，人们受互联网泡沫破灭所带来的影响，而反对股票和所有“新经济”，并且没有意识到的是当时信贷市场和“旧经济”（房地产和大宗商品）正在成为泡沫。人们低估了这些资产(以及负债)的规模, 因为许多资产是"表外资产", 或隐藏在不起眼的金融证券中。

今天的情况也同样如此，市场对2008年的银行业危机和2010年至2012年间的欧洲主权债务危机深感不安。人们对信贷，银行和主权市场潜在的泡沫十分关注。但并未对逃脱的市场和资产进行相同的审查。

CNBC周二报道，Leuthold Group首席投资策略师Jim Paulsen利用评估科技股和公共事业股之间的指标（Popular/Panned指数）发现，美国长达9年的牛市已经发出了越来越强烈的危险信号。

Paulsen表示，

“虽然量级还不够大，但这轮牛市中Popular/Panned指数的特征与1990年代期间惊人地相似。1990年代末期对互联网股票的痴迷，目前被对FANG股票的青睐取而代之。”

今年以来，公用事业股累计下跌约5.5%，而科技股累计上涨了近7%，是市场表现最好的版块。此前这两大板块表现差距并不明显，但近年来，科技股与公用事业股之间的性价比差距正迅速扩大。

本周一，受泄密门影响，Facebook大跌7%，创4年来单日最大跌幅。谷歌母公司Alphabet大跌3.4%，亚马逊及Netflix收盘跌幅均超过2%。

但Miller Tabak首席策略师Matt Maley指出，

“Facebook原本就受欧美政治压力影响，投资者已经习惯。如果我们看到Netflix或亚马逊出现同样的情况，事态才较为严重。”

Maley称，Facebook短线可能会进一步下跌，具体要取决于政府将采取什么措施。但英特尔、美光等芯片类股可能提振科技股板块。

继参与2016年特朗普选战的政治分析机构Cambridge Analytica (下称CA) ，被媒体曝出涉嫌违规获得Facebook上5000万用户个人数据之后，周一（3月19日）Facebook股价跌超5%，隔夜又续跌2.56%，抹平该公司今年以来的全部涨幅。

然而令扎克伯格头疼的，绝不仅仅是自己公司市值的大幅缩水：

o昨日（3月20日）媒体披露一段新的视频证据，其中CA高管声称利用从Facebook获得的数据，实施了政治攻击广告的精准投放等一系列影响选举结果的策略手段，“替特朗普赢得了大选”；

o同日，旧金山的联邦法院上诉法院受理了由Facebook股东发起的集体诉讼，认为Facebook存在披露不当和误导股东的失职行为，令投资者蒙受了损失；

o除了联邦贸易委员会已介入调查外，国会司法委员会也要求Facebook方面参与听证（最早可能于美国东部时间3月21日召开），对CA方面如何能在未经授权的情况下获得逾5000万用户数据提出质询。

舆论轰炸、股东诉讼、国会听证，时下的Facebook可以称得上是“四面楚歌”。

“泄露门”持续发酵 新视频中CA高管叫嚣“替特朗普赢得了大选”

要理解Facebook“泄露门”的爆发，首先要回到将丑闻捅到公众舆论面前的源头——英国电视台ITN 4新闻频道历时四个多月（2017年11月-2018年1月）用针孔摄像机拍摄的“卧底”视频。

在3月18日披露的第一段视频中，CA CEO Alexander Nix，对乔装成潜在客户的该电视台工作人员称，可以通过提供贿赂、娼妓以及其他“无法拒绝的甜蜜陷阱”抓住政治对手的把柄。

而昨天（3月20日）新放出的第二段视频，进一步将这家机构与2016年美国总统大选中特朗普胜出之间的关系推到了台前。视频中Nix和另一位公司高层管理Mark Turnbull声称，是CA“替特朗普赢得了大选”，并历数为影响选举结果而采用的手段。

o通过无法回溯的代理机构在Facebook等社交媒体上散播于对手不利的信息，民间慈善机构或请愿活动组织等等，无所不用其极；

o帮助特朗普宣战团队与“海外客户”建立联系，并利用“定时自焚”的专用电邮系统确保不会留下可供国会调查的证据；

o主导设计了大选期间红极一时的“击败邪恶的希拉里” (Defeat Crooked Hillary)系列政治广告，CA高管们对此尤其自豪；

o”我们完成了所有的研究，搜集了所有的数据，构架了所有的分析，选取了所有的[广告投放]目标人群，运营了所有的网络和电视造势，而我们从Facebook获取的数据对以上所有的策略都起到了关键作用。”

桌子远端者为CA CEO Alexander Nix

CA公司方面昨日突然发布公告，停止CEO Alexander Nix目前的一切职务，并将对相关指控发起彻底的独立调查。公告中CA公司方面强调，

在董事会看来，被4频道秘密录制下来的Nix先生近期言论以及其他指控，并不能反映公司的运营价值观，而对他的停职决定应当反映出我们看待任何违规行为的严肃态度。

股价暴跌抹平年内涨幅 股东对Facebook发起集体起诉

不论CA方面如何扑救愈演愈烈的丑闻，之前与CA存在直接业务关系、且未能做好保护措施导致用户数据大规模泄露的Facebook，已经难辞其咎。

昨日（3月20日），位于旧金山的美国联邦第九巡回上诉法院受理了由Facebook股东发起的集体诉讼，认为Facebook在CA非法取得用户数据的事件上存在披露不当和误导股东，令投资者蒙受了损失。

该集体诉讼中涵盖的范围，可以追溯至自2017年2月3日起至今所有购入Facebook股票的股东，因当日Facebook提交年报首次提及数据安全隐患，但未及时公开披露违规细节，并允许第三方在未经授权的情况下动用上五千万用户的个人数据。

有趣的是，在“泄露门”爆发前，Facebook创始人暨CEO扎克伯格过去三个月中已密集减持逾114万股。按照Facebook事先披露的内部股东减持计划，扎克伯格将利用这笔套现资金推进慈善事业，提交的减持披露也符合监管规定。

联邦贸易委员会介入调查 Facebook方面称愿参加国会听证

另据昨日（3月20日）报道，联邦贸易委员会（FTC）也正在就数据泄露事件对Facebook进行调查。FTC将就CA方面如何能在未经授权的情况下获得逾5000万用户数据，向Facebook提出质询并要求全面合作。

随后有相关国会官员透露，Facebook方面已经表达参加国会听证的意愿，最早可能于美国东部时间本周三（3月21日）面见国会司法委员会，详述“泄露门”事件的前因后果，但听证会的具体时间地点仍在筹划当中。

司法委员会民主党成员、纽约州参议员Jerrold Nadler在给委员会主席、弗吉尼亚州参议员Bob Goodlatte的信中称，民主党方面稍早对事件“始作俑者”CA的CEO Alexander Nix和2016年特朗普宣战团队的数据运营主管Bard Parscale发出的质询函均未得到回应，并要求委员会召开针对Facebook管理层的听证会。

前言：

近日，来自斯坦福大学&DeepMind 的研究者提出一种学习机器人深度视觉运动策略的新方法，它结合强化学习和模仿学习来实现高效的强化学习智能体，该方法可解决大量视觉运动任务。实验证明该智能体性能显著优于仅使用强化学习或模仿学习训练出的智能体。

近期深度强化学习在多个领域取得了很好的表现，如视频游戏和围棋。对于机器人，RL 结合强大的函数逼近器（如神经网络）可提供设计复杂控制器的通用框架，而这种控制器很难靠人力搭建。基于强化学习的方法在机器人控制领域历史很久，但通常与低维动作表示结合使用。近年来，使用 model-based 和 model-free 技术的深度强化学习在机器人控制方面取得了大量成功案例，包括模拟和在硬件上运行两方面。然而，使用 model-free 技术端到端地学习视觉运动控制器来执行长跨度、多阶段控制任务仍然存在很大难度。

开发 RL 机器人智能体需要克服多项挑战。机器人策略必须将从带噪传感器中得到的多模态、部分观测数据改变为具备一定自由度的协作活动。同时，现实任务通常具备富接触动态，并且随着多个维度发生变化（视觉外观、位置、形状等），给泛化带来了很大挑战。

研究者提出一种 model-free 的深度 RL 方法，直接从像素输入入手解决大量机器人控制任务。本论文关键洞察有：1）利用少量人类演示数据减少在连续域执行探索（exploration）的难度；2）在训练过程中使用多种新技术（这些技术利用（exploit）了私有和任务特定的信息），以加速和稳定视觉运动策略在多阶段任务中的学习；3）通过增加训练条件的多样性来改善泛化性能。因此，这些策略在系统动态、目标外观、任务长度等发生显著变化的情况下仍然运行良好。

此外，研究者还展示了该方法在两项任务上的初步结果，仿真训练出的策略达到了向真实机器人的 zero-shot 迁移。

为了解决这些挑战，本论文研究者提出的方法将模仿学习和强化学习结合起来，构建一个统一训练框架。该方法以两种方式利用演示数据：使用混合奖励，基于生成对抗模仿学习将任务奖励与模仿奖励结合起来；使用演示轨迹构建状态的课程（curriculum），以在训练中初始化 episode。因此，该方法解决了全部六个任务，这些任务单凭强化学习或模仿学习都无法解决。

为了规避对真实硬件的训练限制，我们采用了sim2real范式，效果不错。通过使用物理引擎和高通量RL算法，我们可以模拟一个机器人手臂的平行副本，在一个接触丰富的环境中执行数百万个复杂的物理交互，同时消除机器人安全和系统重置的实际问题。此外，在训练过程中，我们可以利用一些新技术如在不同的模式下学习策略和价值，以对象为中心的生成对抗模仿学习，可视化辅助模块技术，开发在真实系统条件下的特定任务信息。这些技术可以稳定和加速策略学习，而不会在测试时对系统有任何限制。

最后，我们将训练条件多样化，如视觉外观、对象几何和系统动力学。这既提高了对不同任务条件的概括，也加速了从模拟到现实的转换。

图 1. 研究者提出的机器人学习流程。研究者使用 3D 运动控制器收集某项任务的人类演示。提出的强化学习和模仿学习模型利用这些演示促使模拟物理引擎的学习。然后执行 sim2real 迁移，将习得的视觉运动策略迁移至真正的机器人。

2.相关研究

强化学习方法已被广泛应用于低维度的策略模型，以解决模拟和现实中的各种控制问题，如移动元模型，。三种RL算法目前在连续控制问题上占主导地位:引导策略搜索方法(GPS;Levine和Koltun，基于价值的方法，如确定性政策梯度(DPG;Silver等，Lillicrap等，Heess等)或归一化优势函数(NAF;Gu等)算法和基于信任区域的策略梯度算法，如信任区域策略优化(TRPO)和近端策略优化(PPO)。TRPO和PPO由于其对超参数设置的健壮性以及它们的可扩展性而保持ap-peal，但缺乏有效样本使之并不适应于对机器人硬件的直接训练。

GPS已被Levine、Yahya人和Chebotar等人使用，在网络预训练阶段后，直接在真实的机器人硬件上学习visuomotor策略。Gupta等人和Kumar等人使用GPS作为机器人手模型的学习控制器。基于价值的方法已经被使用，例如Gu等人使用NAF直接在机器人上学习一门打开的任务，Popov等人演示了如何使用DPG的分布式变量有效地解决堆码问题。

处理数据需求的另一种策略是在模拟中训练，将学习的控制器转移到真正的硬件上，或者用合成数据增强现实世界的训练。Rusu等研究了一个Jaco机器人手臂的简单的视觉运动策略，并使用进步网络将其转移到现实中。Viereck等依靠深度来缩小现实差距。Tobin等人利用视觉变化来学习能够传输到现实的健壮的目标检测器;James等将随机化与引导性学习相结合。Bousmalis等用模拟数据增强训练，学习掌握各种形状的预测。

控制问题的成本函数和勘探策略对设计具有挑战性，因此，一直以来演示不可或缺。可以使用演示来初始化策略、设计成本函数、引导探索、增加训练数据，或者组合起来使用。成本函数可以通过跟踪目标(如Gupta等)或通过逆RL(如Boularias，Finn等)或通过生成对抗式模仿学习来获得。

在通过演示学习操作任务的情况下，此类方法本身就需要与演示相一致的状态和操作空间。相比之下，我们的方法是学习端到端的可视化策略，而不依赖于演示操作。因此，因此，它可以利用演示的过程，当原始的演示动作是未知的或由不同的身体产生的。Pinto和Peng认为从模拟到现实的转换，应分别聚焦于随机化的视觉表象和机器人的动力学。Pinto等人使用末端执行器位置控制的视觉输入不同的任务。这些现有的类同的研究都引入了我们的模型所使用的技术子集。这项工作是独立于并行工程开发的，将几种新技术集成到一个连贯的方法中。我们的实验结果表明，良好的性能来自于这些组合技术的协同作用。

3. 模型

本研究旨在为机器人控制任务学习深度视觉运动策略。该策略使用 RGB 摄像头观测结果和本体特征（proprioceptive feature）向量描述关节位置和角速度。这两种感官模态在真实机器人上同样可用，因此研究者进行仿真训练，并将习得的策略在不修改的情况下迁移至机器人。图 2 是模型概览。深度视觉运动策略使用卷积神经网络编码观测像素，使用多层感知机编码本体特征。这两种模块中的特征被级联并传输至循环 LSTM 层，然后输出关节速度（控制）。整个网络以端到端的方式进行训练。研究者首先简要介绍了生成对抗模仿学习（GAIL）和近端策略优化（PPO）的基础知识。该模型基于这两种方法扩展而来，提升视觉运动技能。

图 2. 模型概览。模型核心是深度视觉运动策略，其采用摄像头观测结果和本体特征作为输入，并输出下一个关节速度。

4. 实验

本节展示了该方法可向视觉运动策略学习提供灵活的框架。研究者在六个控制任务中对该方法的性能进行了评估（详见图 3）。视频包含了定性结果。

图 3. 实验中六项控制任务的可视化。左边三列展示了六项任务在仿真环境中的 RGB 图像。这些图像对应输入视觉运动策略的实际像素观测。右侧一列展示了真实机器人执行两项色块任务的表现。

研究者将 episode 平均返回值表示为训练迭代次数的函数，如图 4 所示。完整模型在六项任务中达到了最高的返回值。

图 4. 论文提出的强化与模仿学习模型和基线学习效率的对比。该图展示的是 5 次不同随机种子运行的平均值。所有策略使用同样的网络架构和超参数（λ 除外）。

图 5. 堆叠任务中的模型分析。左图展示了从完整模型中移除每个单独组件对性能的影响。右图展示了模型对超参数 λ 的敏感度，λ 调节强化学习和模仿学习的贡献。

在图 5a 中，研究者用多种配置训练智能体，从单个修改到修改整个模型。研究者发现这些缺失可分为两类：学习堆叠的智能体（平均返回值大于 400）和仅学会提升的智能体（平均返回值在 200 和 300 之间）。结果表明从状态中学习价值函数的混合 RL/IL 奖励和以目标为中心的鉴别器特征在学习优良策略的过程中发挥了重要作用。

图 5b 展示了该模型在 λ 值在 0.3 到 0.7 之间的运行效果，λ 值的大幅变化提供了 RL 和 GAIL 奖励的平衡混合。

结论：

在本文中，我们描述了一种通用的无模型深度强化学习方法，该方法用于从RGB摄像机图像和使用关节速度控制的每一种形式操作的策略的端到端学习。我们的方法结合使用演示，通过生成的敌对模仿学习15和无模型的RL来实现对不同任务的有效学习和强大的泛化。此外，这种方法可以从状态轨迹(没有演示动作)和鉴别器所看到的仅使用部分/特征化的演示相结合——这可以简化和增加数据收集过程中的灵活性，并促进在非执行的条件下的泛化(例如，可以通过一个不同的“主体”来收集演示，例如通过动作捕捉的人演示程序)。在每项任务不到30分钟的时间内，通过对模拟手臂的远程操作来收集演示。我们的方法集成了几种新技术，以利用模拟提供的灵活性和可伸缩性，例如获取特权信息和使用大型RL算法。实验结果表明，该算法在复杂的仿真操作中具有一定的有效性，并取得了初步的成功。我们使用相同的策略网络、相同的训练算法和相同的超参数来训练所有的策略。该方法利用了特定于任务的信息，特别是在选择以对象为中心的特征时，对鉴别器和RL奖励进行了选择。然而，在实践中，我们发现这些特性的特性是直观的，而我们的方法对于特定的选择来说是相当可靠的，因此在需要（有限的）先验知识的需求和可用于复杂任务的解决方案的一般性之间取得了良好的平衡。

为了充分挖掘机器人技术的潜力，我们必须面对现实世界的完全变化，包括对象外观、系统动态、任务语义等，因此我们将重点放在学习控制器上，以处理多个维度的任务变化。为了提高学习策略更加泛化，我们通过参数化、程序生成的3D对象和随机系统动力学增加了训练条件的多样性。这导致了在模拟和仿真和现实世界之间的某些领域不一致的情况下，在模拟的大变化中表现出稳健性的策略。

仿真是我们方法的中心。在仿真中进行的训练可以解决许多对机器人技术的实际挑战，比如获取用于奖励的状态信息、高样本复杂性和安全考虑等。模拟训练也允许我们使用模拟状态来促进和稳定训练(即通过向值函数提供状态信息)，在我们的实验中，这对于学习良好的视觉运动策略非常重要。然而，尽管我们的方法在培训过程中利用了这些特定信息，它最终会产生只依赖于手臂的视觉和本体感受信息的策略，因此可以应用在真正的硬件上。

在真实的机器人上执行这些策略表明，在模拟和真实硬件之间仍然存在着相当大的领域差距。转移会受到视觉差异的影响，也会受到手臂动力学和环境物理性质的影响。当在真正的机器人上运行仿真策略时，这会导致一定程度的性能下降。不过，我们在现实世界中进行的实验已经证明，采用RL训练的策略执行像素到关节速度的控制，零发射的sim2real传输可以取得初步成功。

我们已经证明，结合强化和模仿学习可以显著提高我们训练系统的能力，这些系统能够从像素中解决具有挑战性的灵巧操作任务。我们的方法实现了机器人技术学习流水线的三个阶段:首先，我们收集了少量的演示数据来简化探索问题;其次，我们依靠物理仿真来进行大规模的分布式机器人训练;第三，我们对现实应用进行了sim2real传输。在未来的工作中，我们寻求提高学习方法的样本效率，并利用实际经验来缩小政策转移的现实差距。