計算機行業AIGC系列之13：Meta發布SAM分割模型或成CV大模型第一步-230410（15頁）.pdf

《計算機行業AIGC系列之13：Meta發布SAM分割模型或成CV大模型第一步-230410（15頁）.pdf》由會員分享，可在線閱讀，更多相關《計算機行業AIGC系列之13：Meta發布SAM分割模型或成CV大模型第一步-230410（15頁）.pdf（15頁珍藏版）》請在三個皮匠報告上搜索。

1、行業及產業計算機電萬宏源研究SWS RESEARCH2023年04月10日發布SAM分割模型，或成Meta行業研究行業點評CV大模型第一步看好AIGC系列之13相關研究本期投資提示：“不僅華為+阿里，SAM圖像模型或為更重磅AI發布！計算機行業周報證券研究報告根據Meta官方發布，2023年4月6日推出了一個AI模型SegmentAnythingModel20230403-202304072023年4月8（SAM，分割一切模型），能夠根據文本指令等方式實現圖像分割。8“chatGPTplus政策：或不僅為算力，SAM任務目的：零樣本（zero-shot）或者簡單prompt下，就對任意圖片進行

2、精細分全面考慮安全+隱私+AGI！-TMT領域割。SAM證明，多種多樣的分割任務是可以被一個通用大模型涵蓋的。點評2023年4月6日模型方法：整體輕便高效。包括三個部分：兩個encoder和一個輕量級maskdecoder直接輸出有效的mask。在單塊V100上，1200x800圖生成所有的mask僅需2-3秒。證券分析師洪依真A0230519060003開源了SA-1B數據集，包含11億個mask，1100萬張圖片，而且可能會大幅改變原有標注范式。SAM團隊使用了更加高效的標注方式，一個mask標注平均只需要14秒時間施鑫展A0230519080002比COCOmask標注快6.5倍。目前這

3、一數據庫已經開源。劉洋A0230513050006SAM應用，可能包括AR/VR、科學等多個領域。Meta預計與專門為一組固定任務訓練聯系人的系統相比，基于prompt工程等技術的可組合系統設計將支持更廣泛的應用。SAM可洪依真以成為AR、VR、內容創建、科學領域和更通用AI系統的組件。比如SAM可以通過AR（8621）23297818x眼鏡識別日常物品，為用戶提供提示。雜的環境下，SAM表現出較好效果。而在工業或自動駕駛等場景中，物體運動速度快、背景復雜、物體邏輯關系復雜，則zero-shot效果可能并不理想。我們最終期待怎樣的CV大模型？語言大模型和小模型最大區別在于更好的泛化能力。在自然

4、語言理解NLP中，常見任務包括翻譯、問答、文本填空等小模型任務，GPT-3等大規模預訓練模型不再規定任務，而是對以上不同任務都有較好效果。同樣的，我們期待用同一個模型，完成分割、識別、檢測、追蹤等各種類型的常見CV任務?？梢允菃文繕?，也可以是多目標。同時在Zero-shot、Few-shot下也可以獲得較好的效果。檢測、識別、跟蹤等所有CV任務，屆時視覺大模型應用會得到極大發展。整體對上市公司影響：1、利好有攝像頭和場景客戶的企業；2、在視覺算法上有積累，可以通過CV大模型進一步提升效率的企業，是機遇也是挑戰：3、對于純標注類型企業，可能新的方法論會產生一定沖擊。建議重點關注：1）虹軟科技，具

5、備A股罕見的AI軟件算法能力，且聚焦在圖片/CV等領域，其圖像分割/VR/AR等技術天然適應此類超勢。2）大華股份/AI領軍，國內在AI圖像/視頻的核心公司，中國的場景察賦安防/視覺/AI全球領先，所以圖像/視頻的AI升級更利于國內。3）當虹科技：當虹科技發布跨模態AIGC（人工智能生產內容）產品，以靜態照片生產三維體積視頻，不同模態之間相互切換。風險提示：大模型技術中美仍存在差異，部分技術尚處于早期實驗室階段，存存在落地風險#page#SMSC行業點評根據Meta官方發布2023年4月6日推出了一個AI模型SegmentAnythingModel（SAM，分割一切模型），能夠根據文本指令等方

6、式實現圖像分割，而且萬物皆可識別和一鍵擬圖。我們可以根據論文META論文全面SEGMENTANYTHING1和根據“https:/ EricMintun等，SegmentAnything第2頁共15頁簡單金融成就夢想請務必仔細閱讀正文之后的各項信息披露與聲明#page#SMSC行業點評小模型需要對不同的任務使用不同模型分別訓練解決，而GPT-3等大規模預訓練模型不再規定任務，而是對以上不同任務都有較好效果；可以理解為，一個飽讀詩書的人，應該會寫作、對話、閱讀理解等多種技能，而不需要對單獨技能訓練。圖2預訓練大模型在綜合大量信息后可以用于多范圖3：參數量較大的模型在即使在Few-shot下也有很

7、圍任務好的表現資料來源：OntheOpportunitiesandRisksof資料來源：LanguageModelsareFew-ShotLearners，FoundationModels、申萬宏源研究申萬宏源研究同時較大參數的大語言模型LLM在無監督（Zero-shot）環境下也可以得到較好的效果，或在進行小樣本（Few-shot）提示（Prompt）后，效果大幅提升，如GPT-3論文中的結論。如何理解zero-shot、one-shot、few-shot能力。1）Zero-shot就是現在要做一個具體任務，如英語轉成法語，但是沒有labeled數據來訓練模型；2）One-shot就是只有

8、一條英語到法語的labeled數據；3）Few-shot就是有10-1K條的labeled數據。相應的，我們期待的通用視覺大模型應做到什么？用同一個模型，完成分割、識別、檢測、追蹤等各種類型的常見CV任務?？梢允菃文繕?，也可以是多目標。同時在Zero-shot、Few-shot下也可以獲得較好的效果。例如下圖，給出一個CV識別領域的Zero-shot案例，在機器沒有進行斑馬圖片識別小樣本訓練的情況下，識別出一個斑馬。1）通過大量圖片（但沒有斑馬）預訓練，模型學會各種有助于識別的特征（attributefeature）：馬的形狀（horselike）、條紋（stripe）、黑白色；2）通過理解語

9、言描述，掌握了斑馬的特征，形狀像馬且有黑白條紋；3）一張機器從未見過的斑馬照片，并完成識別。請務必仔細閱讀正文之后的各項信息披露與聲明簡單金融成就夢想第3頁共15頁#page#SMS行業點評圖4：視覺zero-shot示意圖C08S0ebra Descriptionshorse-lkestripehorselikblack8white此前模型沒有見過斑馬圖片TrainingZebrastrpePredictorThis isa zebralblack8white資料來源：CSDN，申萬宏源研究例如此前谷歌發布的PaLM-E，就在展現出一定的zero-shot能力，體現泛化能力。資料來源：pal

10、m-egithub，申萬宏源研究例如在展示了模型的泛化能力，研究人員要求機器人將“綠色色塊推到烏龜旁邊”的指令，即便機器人之前沒有見過這只烏龜擺件，也能完成任務。圖6：機器人完成指令“綠色色塊推到烏龜旁邊請務必仔細閱讀正文之后的各項信息披露與聲明第4頁共15頁簡單金融成就夢想#page#SMSC行業點評資料來源：palm-egithub，申萬宏源研究可以發現，“泛化”這一過程可能非常類似人類學習新知識的能力。截至目前，我們仍未看到一個CV大模型同時很好的完成分割、檢測、識別、追蹤等多個任務。我們猜測，CV大模型的發展可能相比LLM退2年左右，具體原因分析可以見跨模態：更多應用場景出現，中國公司

11、得到更大機會AIGC系列之五。但是可能在CV中某個子領域會率先實現突破，詳見下文。2、SAM：任務、模型、數據本次Meta的segmentanything（SAM）工作，讓我們看到用一個基礎大模型，首中A“海去號屬幸看需屬要山+ouS-OOZ唯承應重要領域的通用模型出現了。圖7SAM的任務模型數據綜述口Komplo1（askpompblsgmonb）ModeSemtAhinModlSAM）（cData dat cnginetop）&datasetbottom）資料來源：SegmentAnything、申萬宏源研究1、任務目的：如圖7（a），目的在于零樣本（zero-shot）或者簡單promp

12、t（比如一個點，下圖中綠點、線框，或者一小段文字）下，就對任意圖片進行分割。圖8通過一個綠點的提示（Prompt）選擇分割范圍請務必仔細閱讀正文之后的各項信息披露與聲明簡單金融成就夢想第5頁共15頁#page#SMSC行業點評OURICHOURICHURICH資料來源：SegmentAnything、申萬宏源研究SAM證明，多種多樣的分割任務是可以被一個通用大模型涵蓋的，而且zero-shot下效果好，說明CV的大模型是可能存在的。既然有分割大模型，可能未來也會有一個大模型同時分割檢測識別追蹤。出現這個趨勢后，領軍更新的CV公司會升級；若不能與時俱進，存在風險。2、模型方法：整體輕便高效如圖7

13、（b），SAM模型包括三個部分：一個imageencoder（提取輸入圖像特征）和一個Fastpromptencoder（提取prompt提示的特征，提示可以是文字、也可以是一個點），然后通過一個輕量級的maskdecoder直接輸出有效的mask。整體結構簡單高效。圖9SAM包涵兩個encoder和一個decoder請務必仔細閱讀正文之后的各項信息披露與聲明第6頁共15頁簡單金融成就夢想#page#SWSg行業點評資料來源：SegmentAnything、申萬宏源研究簡單模型的好處在于，完成任務所需要的訓練和時間成本低。給定圖像嵌入，提示encoder和maskdecoder在web瀏覽器中

14、從提示符預測mask的時間為50ms。在單塊V100上，對于1200x800分辨率圖，生成所有的mask需要2-3秒。這種速度，可以為大部分人提供可用的featureextractor了。3、數據：我們認為是一個重要貢獻，可能會大幅改變原有標注范式小模型時代分割，需要大量人力mask或者來標注。1）交互式分割，該方法允許分割任何類別的對象，但需要一個人通過送代細化mask來指導：2）自動分割，允許分割提前定義的特定對象類別（例如，貓或椅子），但需要大量的手動注釋對象來訓練。SAM的一個重要貢獻是現存最大的分割圖像數據集，而且用了更加高效的標注方式。Meta發現訓練SAM需要龐大的分割過的圖像數

15、據，然而目前并沒有這么豐富的數據集。所以做了一個數據引擎，有3個階段：輔助手動、半自動和全自動在第一階段SAM幫助標注者注釋mask，類似于經典的交互式分割設置（需要手動）在第二階段SAM可以通過提示它可能的對象位置，自動為一個對象子集生成mask，注釋器專注于注釋剩余的對象，幫助增加mask多樣性。在最后階段，用規則的前景點網格提示SAM，平均每張圖像產生100個高質量掩模。通過交互式的注釋在第一階段一個mask標注平均只需要14秒時間（比COCOmask標注快6.5倍）。經評估證實，這些mask具有高質量和多樣性，在某些情況下甚至在質量上可與之前更小、完全手動注釋的數據集的mask相媳美。

16、圖10：SA-1B圖片數量是V5的6倍圖11：SA-1Bmask數量是V5的400倍400X2Mcoc0ADE20資料來源：SAMgithub、申萬宏源研究資料來源：SAMgithub、申萬宏源研究最終的數據集超過11億個分割掩碼，在大約1100萬張經過許可和隱私保護圖像上收集而來.SA-1B的mask比任何現有的分割數據集多400倍。這個數據集已經開源了。發布SA-1B數據集，并使SAM在一個許可的開放許可證（Apache2.0）下使用請務必仔細閱讀正文之后的各項信息披露與聲明第7頁共15頁簡單金融成就夢想#page#SMSC行業點評圖12:SA-1B數據集包涵在1100萬張圖片上的11億個

17、mask資料來源：SEGMENTANYTHING，申萬宏源研究通過以上，SAM在邊緣檢測、目標建議、實例分割等場景中都有較好的zero-shot表現。圖13：Zero-shot邊緣檢測圖14:Zero-shot目標建議第8頁共15頁簡單金融成就夢想請務必仔細閱讀正文之后的各項信息披露與聲明#page#sws行業點評二maskAR1000SAMmethcdsmalmed. largeVTDet-H62187063.163.0317ro-shot transfer methodsSAM-single out42.854.976.774.459.862.054.7SAM59.345.581.686.

18、959.163.965.8Table 4:Object proposal generation on LVIS vl. SAM isappliedzero-shotie.itwas not traincd for objeet proposal資料來源：SEGMENTANYTHING，申萬宏源研究資料來源：SEGMENTANYTHING，申萬宏源研究3、分割大模型的應用，和未來期待的展望Meta預計：與專門為一組固定任務訓練的系統相比，基于prompt工程等技術的可組合系統設計將支持更廣泛的應用。SAM可以成為AR、VR、內容創建、科學領域和更通用AI系統的組件。比如SAM可以通過AR眼鏡識別

19、日常物品，為用戶提供提示。圖15：SAM可以通過AR眼鏡識別日常物品，為用戶提供提示資料來源：SAMgithub，申萬宏源研究圖16：SAM還有可能在農業領域幫助農民或者協助生物學家進行研究資料來源：SAMgithub，申萬宏源研究整體上看，我們認為在背景相對簡單、物體邏輯關系也并不復雜的環境下，SAM表現出較好效果，而在視頻領域，慢速場景中分割更加準確。meta演示的案例，也符合以上特點。而在工業或自動駕駛等場景中，物體運動速度快、背景復雜、物體邏輯關系復雜，則zero-shot效果可能并不理想，也許需要更多特定場景的fine-tuning請務必仔細閱讀正文之后的各項信息披露與聲明第9頁共1

20、5頁簡單金融成就夢想#page#SMSC行業點評我們認為：優勢：未來如果有分割+識別，可能有更多應用；整體來看，分割任務已經較好，但是分割之后識別，可能仍然需要做出新的研究。還需要提高：通過文字提示來分割的能力（Zero-shottext-to-mask），例如論文中展示的案例，通過文字（雨刮器wiper）首次zero-shot分割出現了錯誤，但是進行提示（一個點）后得到正確分割圖17：Zero-shottext-to-mask能力仍然需要提升“awhcer“beaver tooth grillepoiniawiperawiper資料來源：申萬宏源研究進一步的，我們很自然聯想到，既然SAM已經

21、可以將圖片分割，再疊加一個圖片-文本對的工具（如CLIP），是否可以自動實現輸出有文本有標簽的mask？即是否可以基于SAM環境直接實現zero-shotrecognition？此前，我們曾經介紹過OPENAI的工作CLIP（ContrastiveLanguage-ImagePre-Training）。CLIP用于將相關文本和圖像對應，背后思路簡單，OpenAI從網上爬蟲，抓取已經有過描述的文本-圖像數據集，但是數據集規模達到了4億。也正是基于CLIP的開源貢獻，后續誕生了midjourney、stability等文生圖工具。圖18：CLIP需要的數據為圖像及其標題，數據集中大約包含4億張圖像

22、及描述請務必仔細閱讀正文之后的各項信息披露與聲明第10頁共15頁簡單金融成就夢想#page#SMsG行業點評IMAGECAPTION資料來源：新智元、申萬宏源研究但實際上，根據開源社區的嘗試，基于SAM環境下的零樣本識別效果并不好。我們認為，更好的的識別工具、或者更加標準的textprompt可能會改善上述問題。簡單來說，zero-shot分割井不是CV大模型的終點，我們期待一個模型可以無監督完成分割、檢測、識別、跟蹤等所有CV任務，屆時視覺大模型應用會得到極大發展4、推薦虹軟科技/大華股份/AI領軍，關注當虹科技整體對上市公司影響：1、利好有攝像頭和場景客戶的企業；2、在視覺算法上有積累，可

23、以通過CV大模型進一步提升效率的企業，是機遇也是挑戰；3、對于純標注類型企業，可能新的方法論會產生一定沖擊。建議重點關注：虹軟科技，具備A股罕見的AI軟件算法能力，且聚焦在圖片/CV等領域，其圖像分割/VR/AR等技術天然適應此類趨勢。虹軟科技原本即具備transformer/difusion等技術。根據公司互動平臺披露，“對公司影響更多的是ChatGPT引入了很多模型、方法，比如diffusion、transformer等。這類模型多年前就已經存在，模型的底層技術與方法論都是相通的，而公司在這類模型的應用上也早有積累“。圖19：虹軟官網“人像識別”的分割精準圖20：虹軟官網“物體識別”需要分

24、割技術請務必仔細閱讀正文之后的各項信息披露與聲明第11頁共15頁簡單金融成就夢想#page#SWS行業點評技術能力技術能力00養中G資料來源：虹軟科技官方網站，申萬宏源研究資料來源：虹軟科技官方網站，申萬宏源研究割成為明星技術。2022年11月，高通年度旗艦新品第二代曉龍8平臺。虹軟與其合作的基于新一代曉龍8移動芯片平臺推出的革命性技術一認知ISP，能在用戶拍攝照片和視頻時進行實時語義分割。2023年3年，SnapdragonComputeEcosystemSummit上ArcSoftVideoBokeh是虹軟開發的一項視頻背景虛化技術，利用AI肖像分割將視頻中的人像主體與背景分離。預計SAM

25、等圖像分割算法會不斷刺激虹軟的算法升級，甚至成本下降。而虹軟科技原本的AI算法，自然會大模型升級底層模型，上層用小模型。SAM模型出現后，分割的重要性增加。預計虹軟分割的算法會進一步升級，并節省人力（原本圖像分割特征點需要人力標注）。關鍵SAM特別適合AIGC和VR/AR結合，虹軟這方面也是領軍。1）720度VR技術。根據其官網，“虹軟的720VR技術是可以本地實時處理、輸出最終結果的引擎。圍繞該技術公司投入多年的核心算法預研工作，形成系列專利，積累了有助于720VR的豐富的視覺、硬件和光學耦合的有效經驗和知識“。2）虛擬現實技術。3DVR內容的獲取和顯示是虛擬現實技術中體現沉浸感的主要方式，

26、當然大視角或無盲點的全視角顯示效果會更佳：而解決腦暈仍是最關鍵的問題之一同時高性能一直是硬骨頭。虹軟利用十多年的計算機視覺核心算法和引擎的研究成果，實現了魯棒、快速的3D內容的攝取和顯示引擎，其繪制效果清晰，內容全局一致，無鬼影，無對象和結構錯位，觀感流暢舒適。當前引擎可以支持720度全視角，同時實現10公分超近距清晰深度效果顯示樣會受益和契合于此類AI趨勢。這在跨模態：更多應用場景出現，中國公司得到更大機會有相近論述。因為中國的場景票賦安防/視覺/AI全球領先，所以圖像/視頻的AI升級，更利于國內。而角度其他AI場景的升級，與我們的關聯公司少。當虹科技：也是多模態/圖像視頻的重要產品商。其官

27、方網站披露以靜態照片生成體積視頻？當虹科技發布跨模態AIGC產品。當虹科技發布跨模態AIGC（人工智能生產內請務必仔細閱讀正文之后的各項信息披露與聲明第12頁共15頁簡單金融成就夢想#page#SWS行業點評面容）產品，以靜態照片生產三維體積視頻，不同模態之間相互切換，讓人們輕松進入元宇宙的世界。表1：AI重點公司估值表證券代碼公司名稱Wind一致預期歸母凈利潤（億元）PEPB(LD2023/4/7總市值2023E2021A202282024E2021A202282023E2024E（億元）819243424203.26002236.SZ大華股份33.7824.3134.0941.681328

28、294621591.410.561.692576.17688088.SH虹軟科技21205603108.SH潤達醫療803.804.085.216.40132.20147蘇54264601360.SH三六零1.3299.02124.555.0411.681144.273234622002558.SZ巨人網絡3189.959.3912.2414.432.629758古688039.SH當虹科技590.61660-1.021.404.35944732205300130.SZ新國都2.012.974.736.133.09150300496.SZ中科創達5476.4776911.0214.818437

29、6.1488953362924002050.SZ三花智控168424.7130.6637.73765953422316144300624.SZ萬興科技0.280.411552.1911.323929872243.033.766923576300494.SZ盛天網絡1.2552300418.SZ昆侖萬維60015.4711.6513.2215.21845394.98402847.087.41300459.SZ湯姆貓224.39802520603466.SH風語筑971.213.904.794.605.230.37688327.SH云從科技4376.328.5120.67-Uw8698829002

30、230.SZ科大訊飛1.52215.5677018.5126.139.5620819413510024.86688111.SH金山辦公2.17010.4111.1816.1121.790.460.490.78165157G688095.SH福昕軟件76-0.02-39362.86415.225576.8844-34332.35300058.SZ藍色光標2296744335300002.SZ神州泰岳2363.855.486.798.0361294.883025775228217002517.SZ愷英網絡10.7614.1617.488695747301171.SZ易點天下1462593.093.

31、895.0638295838151210002955.SZ鴻合科技641.694.255.186.281.7891410605168.SH三人行1405.057.3110.2013.372854251275745.086.30223720002605.SZ姚記科技3.484.7537362723300133.SZ華策影視1474.004.055.416.402.144.2259302319000810.SZ創維數字2488.2310.7113.034.13資料來源：Wind、申萬宏源研究風險提示：1）大模型技術中美仍存在差異，部分技術尚處于早期實驗室階段，存在落地風險；實體清單等可能對訓練硬件

32、產生影響。2）由于應用場景碎片化，下游落地慢于預期。不同的行業、細分領域之間，甚至同一領域不同的企業之間，對AI應用的需求可能都有區別。AI落地進度可能因為場景碎片化而低于預期。請務必仔細閱讀正文之后的各項信息披露與聲明第13頁共15頁簡單金融成就夢想#page#SMsG行業點評3）數據保護政策強化，可能限制C端的AI應用。各國對數據隱私和數據安全進一步強化保護力度，可能影響部分AI企業的數據采集分析，且C端AI應用受到影響更大。請務必仔細閱讀正文之后的各項信息披露與聲明第14頁共15頁簡單金融成就夢想#page#SWs行業點評信息披露證券分析師承諾本報告署名分析師具有中國證券業協會授予的證券

33、投資咨詢執業資格并注冊為證券分析師，以勤勛的職業態度、專業審慎的研究方法，使用合法合規的信息，獨立、客觀地出具本報告，并對本報告的內容和觀點負責。本人不曾因，不因，也將不會因本報告中的具體推薦意見或觀點而直接或間接收到任何形式的補償。與公司有關的信息披露本公司隸屬于申萬宏源證券有限公司。本公司經中國證券監督管理委員會核準，取得證券投資咨詢業務許可。本公司關聯機構在法律許可情況下可能持有或交易本報告提到的投資標的，還可能為或爭取為這些標的提供投資銀行服務。本公司在知曉范圍內依法合規地履行披露義務?？蛻艨赏ㄟ^索取有關披露資料或登錄信息披露欄目查詢從業人員資質情況、靜默期安排及其他有關的信息披露。機

34、構銷售團隊聯系人華東A組陳陶021-華東B組謝文露華北組李丹010-華南組李異0755-82990609L股票投資評級說明證券的投資評級以報告日后的6個月內，證券相對于市場基準指數的漲跌幅為標準，定義如下：相對強于市場表現20%以上；買入（Buy）：相對強于市場表現5%20%增持（Outperform）中性（Neutral）：相對市場表現在-5%+5%之間波動；減持（Underperform）：相對弱于市場表現5%以下。行業的投資評級；以報告日后的6個月內，行業相對于市場基準指數的漲跌幅為標準，定義如下：看好（Overweight）：行業超越整體市場表現；中性（Neutral）行業與整體市場表

35、現基本持平；看淡（Underweight）：行業弱于整體市場表現我們在此提醒您，不同證券研究機構采用不同的評級術語及評級標準。我們采用的是相對評級體系，表示投資的相對比重建議；投資者買入或者賣出證券的決定取決于個人的實際情況，比如當前的持倉結構以及其他需要考慮的因素。投資者應閱讀整篇報告，以獲取比較完整的觀點與信息，不應僅僅依靠投資評級來推斷結論。申銀萬國使用自己的行業分類體系，如果您對我們的行業分類有興趣，可以向我們的銷售員索取。本報告采用的基準指數：滬深300指數法律聲明本報告僅供上海申銀萬國證券研究所有限公司（以下簡稱“本公司”）的客戶使用。本公司不會因接收人收到本報告而視其為客戶?？蛻?/p>

36、應當認識到有關本報告的短信提示、電話推薦等只是研究觀點的簡要溝通，需以本公司http:/網站刊載的完整報告為準，本公司并接受客戶的后續問詢。本報告首頁列示的聯系人，除非另有說明，僅作為本公司就本報告與客戶的聯絡人，承擔聯絡工作，不從事任何證券投資咨詢服務業務。本報告是基于已公開信息撰寫，但本公司不保證該等信息的準確性或完整性。本報告所載的資料、工具、意見及推測只提供給客戶身用回業“應改最未日宗最士本報告所載資料、意見及推測不一致的報告。資決策并自行承擔投資風險。本公司特別提示，本公司不會與任何客戶以任何形式分享證券投資收益或分擔證券投資損失，任何形式的分享證券投資收益或者分擔證券投資損失的書面

37、或口頭承諾均為無效。本報告中所指的投資及服務可能不適合個別客戶，不構成客戶私人咨詢建議。本公司未確保本報告充分考慮到個別客戶特殊的投資目標、財務狀況或需要。本公司建議客戶應考慮本報告的任何意見或建議是否符合其特定狀況，以及（若有必要）咨詢獨立投資顧問。在任何情況下，本報告中的信息或所表述的意見并不構成對任何人的投資建議。在任何情況下，本公司不對任何人因使用本報告中的任何內容所引致的任何損失負任何責任。市場有資顧問。本報告的版權歸本公司所有，屬于非公開資料。本公司對本報告保留一切權利。除非另有書面顯示，否則本報告中的所有材料的版權均屬本公司。未經本公司事先書面授權，本報告的任何部分均不得以任何方式制作任何形式的拷貝、復印件或復制品，或再次分標記及標記。請務必仔細閱讀正文之后的各項信息披露與聲明第15頁共15頁簡單金融成就夢想