FX168财经网_全球视野外汇黄金加密货币NFT资讯网

上交大高金金融MBA2025级招生启动论坛于沪深两地举行

协，但要有这份勇敢。"引用牛津大学社会人类学教授项飙的观点，倪海英老师勉励到场考生，"在交大高金，建立盘根、自洽的小世界，有底气地面对无力感。" 来源：金色财经

金色财经2024-03-13

达特茅斯会议上提出，定义为“使机器模拟人类学习、推理和自我修正等智能行为的科学和工程”。自那时起，AI经历了从早期的符号主义学习，到后来的机器学习，再到现在深度学习和大数据技术的快速发展，AI的能力和应用范围不断扩大，其在语音识别、图像处理、自然语言处理和机器学习等领域的应用已经成为推动社会进步的重要力量。 AI技术的发展，特别是在金融领域的应用，正在重塑金融服务业的传统业务模式，提高金融服务的效率和质量。AI可以帮助金融机构处理大量数据，提高决策的速度和准确性，同时，通过智能算法优化金融产品和服务，满足客户个性化的需求。在本文中，我们将深入探讨人工智能技术在金融领域的应用现状、面临的挑战以及未来的发展趋势，以期为金融行业的创新和发展提供参考和启示。 AI交易的影响及其在金融行业的应用在当今快速变化的金融领域，人工智能（AI）技术的革新不仅重塑了交易的本质，还为金融市场的参与者提供了前所未有的机遇。本文旨在探讨AI交易如何影响金融行业，以及AI技术在金融市场中的应用如何使得交易更加高效、安全和智能化。 AI交易，即通过人工智能技术进行的交易，利用机器学习、深度学习等方法，对大量历史数据进行分析，以预测市场趋势、执行交易策略。这种技术的应用，不仅改善了交易策略的制定和执行，还极大提升了交易效率和准确性，使得金融市场的参与者能够在竞争激烈的环境中获得优势。随着AI技术的不断发展和完善，其在金融行业的应用也日益广泛，涵盖了风险管理、资产管理、客户服务等多个方面。AI技术能够帮助金融机构更好地理解市场动态，预测未来趋势，为客户提供更加个性化的服务，同时也能够识别和管理潜在的风险，保障交易的安全性。在探讨AI交易的影响及其在金融行业的应用时，我们将深入分析AI交易的优势，如何通过智能化的数据分析和决策支持系统提高交易的胜率和效率，以及AI技术如何帮助金融行业应对挑战，开拓新的服务和产品。此外，我们也将讨论AI交易所面临的挑战和潜在风险，以及行业如何在确保技术发展同时，保持合规和道德标准。通过对AI交易的影响及其在金融行业应用的探讨，本文旨在为读者提供一个全面的视角，了解AI技术如何在现代金融领域发挥其革命性作用，以及这一切如何塑造金融行业的未来。 AI交易的概念与进展定义AI交易及其工作原理 AI交易指的是利用人工智能技术，尤其是机器学习和深度学习算法，来分析金融市场数据、预测市场走势并自动执行交易决策的过程。在AI交易系统中，算法会通过分析历史数据和实时市场信息，学习识别市场模式和趋势。这些系统能够自主执行复杂的交易策略，比人类交易员更快地响应市场变化，从而在适当的时机买入或卖出资产。 AI交易的核心在于其能够处理和分析大量数据的能力，包括价格变动、新闻报道、财务报告等，以及其能够从这些数据中学习并做出预测的能力。通过不断的学习和调整，AI交易系统可以不断提高其预测市场变化和执行交易决策的准确性。回顾AI交易在金融领域的发展历程 AI交易在金融领域的应用并非一夜之间的现象，而是随着技术进步和市场需求逐渐发展起来的。早期的AI交易主要集中在简单的算法交易和自动化交易策略上。随着时间的推移，随着计算能力的增强和机器学习技术的进步，AI交易开始向更复杂、更智能化的方向发展。在21世纪初，随着大数据技术的崛起和处理能力的提高，AI交易开始得到快速发展。金融机构开始利用AI进行大规模的数据分析，以识别投资机会和风险。近年来，深度学习的应用使AI交易的能力进一步提升，AI不仅能够分析结构化数据，还能处理非结构化数据，如新闻报道和社交媒体内容，为交易决策提供更加丰富和深入的洞察。此外，AI交易也开始在金融产品创新中发挥作用，如通过AI生成的投资策略、风险评估模型和量化投资。AI交易的发展，不仅提高了交易效率和准确性，也为投资者提供了更多样化的投资选择和服务。总之，AI交易在金融领域的发展历程标志着金融技术的一次重大进步。随着AI技术的不断成熟和金融市场对新技术的接受度提高，预计AI交易在未来将继续展现出巨大的潜力和影响力。 AI交易的优势分析高效的数据处理与分析能力 AI交易系统的一个显著优势在于其对大量数据的高效处理和分析能力。传统的交易分析依赖于人工处理和解读有限的数据集，这不仅耗时耗力，而且容易受到数据量和处理能力的限制。相比之下，AI交易系统能够迅速分析数以百万计的数据点，包括历史价格数据、全球经济指标、公司财报以及社交媒体情绪等，从而为交易决策提供全面而深入的支持。改善决策质量：减少人为错误 AI交易系统通过自动化决策过程，显著减少了由人为情绪、偏见或误判导致的错误。人类交易者在面对复杂和压力大的市场环境时，可能会受到恐惧或贪婪的影响，从而做出非理性决策。而AI系统依据客观数据和预定算法行事，确保每一次交易决策都是基于逻辑和证据的，从而提高了决策的质量和可靠性。增强市场预测精准度利用机器学习和深度学习算法，AI交易系统能够从历史数据中学习市场模式，并预测未来走势。这种能力不仅限于识别和跟踪已知的市场趋势，更重要的是，它能够发现之前未被人类觉察的复杂模式和关联性。通过不断的学习和适应，AI系统能够提供更加准确的市场预测，为投资者带来潜在的盈利机会。 24/7不间断交易能力与人类交易者需要休息不同，AI交易系统可以实现全天候不间断的交易。这意味着AI系统可以即时响应市场上的任何变化，不会错过任何交易机会。对于涉及不同市场和时区的全球交易来说，这个优势尤为重要，确保了无论何时何地发生的市场变动，AI交易系统都能够立即采取行动。通过以上分析，可以看出AI交易在数据处理、决策质量、市场预测和不间断交易能力方面的优势，极大地提高了交易的效率和盈利潜力。随着技术的不断进步，预计AI交易将在金融领域扮演越来越重要的角色。 AI交易在加密货币行业的应用案例加密货币市场分析与预测在加密货币市场，AI交易技术被广泛应用于市场分析和趋势预测中。例如全球首家一站式AI交易平台3EX，利用AI技术，分析大量历史和实时市场数据，识别潜在的买卖机会。通过深度学习算法，3EXAI交易能够根据AI生成的交易的策略进行加密货币的自动交易，帮助交易者做出更加明智的投资决策。AI的应用不仅提高了预测的准确性，还能够快速响应市场突发事件，为投资者不断完善自己的交易系统。智能回测历史数据 AI交易技术在智能回测历史数据方面同样展现出巨大潜力。3EX平台利用AI技术对历史数据进行深入分析，测试不同交易策略的有效性。通过模拟过去的市场条件，AI系统可以评估特定策略在不同市场环境下的表现，从而帮助交易者优化其交易策略，减少未来交易的风险。客户服务与个性化策略 3EX平台通过AI技术提供更高效、更个性化的客户服务。AI系统能够根据每个用户的交易历史、偏好和风险承受能力，提供定制化的投资策略和建议。这种个性化服务不仅提升了用户体验，也帮助交易者在复杂多变的加密货币市场中找到适合自己的投资路径。加密货币市场的特殊应用在金融行业中，AI交易技术的应用案例广泛且多样，尤其在加密货币市场中。3EX加密货币交易平台通过将AI技术应用于交易中，展示了AI在现代金融领域的潜力和效率。 3EX加密货币交易平台通过其AI交易系统的独特应用，展现了在金融行业中AI技术的创新和效率。该平台利用AI进行市场分析和预测，智能回测历史数据，以及提供客户服务和个性化交易策略。特别值得一提的是，3EX的AI交易系统不仅能够处理和分析大量复杂数据，提供精准的市场洞察，还支持通过文字生成策略，使自己的交易系统和AI完美贴合，从而为用户提供更高效、更个性化的交易体验。正是融合了强大的AI，3EX在加密货币交易领域中脱颖而出，成为金融技术创新的佼佼者。通过以上案例可以看出，随着技术的不断进步和应用范围的扩大，AI将继续推动加密货币市场的发展，为交易者提供更加高效、安全、个性化的服务。未来趋势与展望随着AI技术的不断进化和应用范围的扩展，金融行业正站在一个新的技术革新的门槛上。未来，我们可以预见AI技术将如何继续推动金融产品创新，伦理和法规框架的建立，以及深度学习和大数据在金融领域的进一步应用。 AI技术的持续进步与金融产品创新 AI技术的持续进步预示着金融产品和服务将会更加多样化、智能化和个性化。例如，3EX加密货币交易平台已经通过AI技术提供了高度定制的交易策略和分析工具，未来这种趋势将进一步加强。我们可以期待更多基于AI的金融产品，如智能投资顾问、自动化资产管理和风险评估工具等，这些都将为个人和机构投资者提供更高效、更精准的服务。综上所述，AI技术在金融领域的未来发展将是多方面的，不仅包括技术本身的进步和金融产品的创新，还涉及到伦理和法规框架的建立，以及深度学习和大数据技术的深化应用。随着这些趋势的发展，金融行业将迎来更加智能化、高效化和个性化的新时代。结论通过对AI交易在金融行业的应用和未来趋势的探讨，我们可以看到AI技术已经对金融领域产生了深远的影响。AI交易通过其高效的数据处理能力、减少人为错误、提高市场预测准确性以及实现24/7不间断交易的能力，显著提升了金融交易的效率和效果。特别是在加密货币市场，如3EX交易平台所示，AI技术已经开始改变交易策略的制定和执行，为用户提供更加智能化和个性化的服务。然而，随着AI技术的快速发展和应用，持续的创新和合规性的确保变得尤为重要。金融机构和技术提供商需要不断探索新的技术解决方案，以保持竞争优势，同时也必须确保这些解决方案符合日益严格的法律和伦理标准，保护投资者的利益和市场的公平性。展望未来，AI交易在全球金融市场的发展将继续加速，不仅因为技术本身的进步，更因为市场对于更高效、更精准交易工具的需求不断增长。随着更多创新产品的推出和国际合作的加强，AI技术有望解锁金融行业的新潜能，为全球经济增长贡献新的动力。在这一过程中，确保技术的负责任使用和推动行业标准的发展，将是支持这一革命性变革的关键。 3EX相关链接： Twitter(EN): https://twitter.com/3exglobal Twitter(CN): https://twitter.com/3EX_ZH Facebook: https://www.facebook.com/profile.php?id=100092234370403 Instagram: https://www.instagram.com/3EX.Exchange/ Medium: https://medium.com/@3ex Reddit：https://www.reddit.com/user/3EXGLOBAL Youtube：https://youtube.com/@3EXGLOBAL?feature=shared 来源：金色财经

金色财经2024-02-29

Galaxy万字长文：加密货币和AI交叉领域和项目盘点

板摄像头收集的图像，并奖励用户通过强化人类学习反馈 (RHLF) 帮助微调 AI 模型的代币。总的来说，这些都指向探索支持AI模型的去中心化市场模型或开发它们所需的周边基础设施的几乎无限的机会。目前，这些项目大多处于概念验证阶段，需要更多的研究和开发来证明它们能够以提供全面人工智能服务所需的规模运行。展望去中心化计算产品仍处于开发的早期阶段。他们刚刚开始推出最先进的计算能力，能够在生产中训练最强大的AI模型。为了获得有意义的市场份额，他们需要展示与中心化替代方案相比的实际优势。更广泛采用的潜在触发因素包括： GPU 供应/需求。 GPU 的稀缺加上快速增长的计算需求正在导致 GPU 军备竞赛。由于 GPU 的限制，OpenAI 已经一度限制对其平台的访问。 Akash 和 Gensyn 等平台可以为需要高性能计算的团队提供具有成本竞争力的替代方案。对于去中心化计算提供商来说，未来 6-12 个月是一个特别独特的机会来吸引新用户，由于缺乏更广泛的市场准入，这些新用户被迫考虑去中心化产品。再加上 Meta 的 LLaMA 2 等性能日益提高的开源模型，用户在部署有效的微调模型时不再面临同样的障碍，使计算资源成为主要瓶颈。然而，平台本身的存在并不能确保足够的计算供应和消费者的相应需求。采购高端 GPU 仍然很困难，而且成本并不总是需求方的主要动机。这些平台将面临挑战，以展示使用去中心化计算选项的实际好处（无论是由于成本、审查阻力、正常运行时间和弹性还是可访问性）来积累粘性用户。他们必须快速行动。 GPU 基础设施投资和建设正在以惊人的速度进行。监管。监管仍然是去中心化计算运动的阻力。短期内，缺乏明确的监管意味着提供商和用户都面临使用这些服务的潜在风险。如果供应商提供计算或买方在不知情的情况下从受制裁实体购买计算怎么办？用户可能会犹豫是否使用缺乏中心化实体控制和监督的去中心化平台。协议试图通过将控制纳入其平台或添加过滤器以仅访问已知的计算提供商（即提供了解你的客户KYC信息）来减轻这些担忧，但需要更强大的方法在确保合规性的同时保护隐私。短期内，我们可能会看到 KYC 和合规平台的出现，这些平台限制对其协议的访问，以解决这些问题。此外，围绕美国可能的新监管框架的讨论（最好的例子是《关于安全、可靠和值得信赖的人工智能开发和使用的行政命令》的发布）凸显了进一步限制 GPU 获取的监管行动的潜力。审查。监管是双向的，去中心化的计算产品可以从限制AI访问的行动中受益。除了行政命令之外，OpenAI 创始人 Sam Altman 还在国会作证，说明监管机构需要为人工智能开发颁发许可证。关于人工智能监管的讨论才刚刚开始，但任何此类限制访问或审查AI功能的尝试都可能加速不存在此类障碍的去中心化平台的采用。2023年11月OpenAI 领导层变动（或缺乏）进一步表明，将最强大的现有AI模型的决策权授予少数人是有风险的。此外，所有AI模型都必然反映了创建它们的人的偏见，无论是有意还是无意。消除这些偏差的一种方法是使模型尽可能开放地进行微调和训练，确保任何地方的任何人都可以访问各种类型和偏差的模型。数据隐私。当与为用户提供数据自主权的外部数据和隐私解决方案集成时，去中心化计算可能会比中心化替代方案更具吸引力。当三星意识到工程师正在使用 ChatGPT 帮助芯片设计并将敏感信息泄露给 ChatGPT 时，三星成为了这一事件的受害者。 Phala Network 和 iExec 声称为用户提供 SGX 安全飞地来保护用户数据，并且正在进行的全同态加密研究可以进一步解锁确保隐私的去中心化计算。随着AI进一步融入我们的生活，用户将更加重视能够在具有隐私保护的应用程序上运行模型。用户还需要支持数据可组合性的服务，以便他们可以将数据从一种模型无缝移植到另一种模型。用户体验（UX）。用户体验仍然是更广泛采用所有类型的加密应用程序和基础设施的重大障碍。这对于去中心化计算产品来说并没有什么不同，并且在某些情况下，由于开发人员需要了解加密货币和人工智能，这会加剧这种情况。需要从基础知识进行改进，例如登入抽象与区块链的交互，以提供与当前市场领导者相同的高质量输出。鉴于许多提供更便宜产品的可操作的去中心化计算协议很难获得常规使用，这一点显而易见。智能合约和zkML 智能合约是任何区块链生态系统的核心构建块。在给定一组特定条件的情况下，它们会自动执行并减少或消除对受信任第三方的需求，从而能够创建复杂的去中心化应用程序，例如 DeFi 中的应用程序。然而，由于智能合约目前大部分存在，其功能仍然受到限制，因为它们根据必须更新的预设参数执行。例如，部署的借贷协议智能合约包含根据特定贷款与价值比率何时清算头寸的规范。虽然在静态环境中有用，但在风险不断变化的动态情况下，这些智能合约必须不断更新以适应风险承受能力的变化，这给不通过中心化流程管理的合约带来了挑战。例如，依赖去中心化治理流程的 DAO 可能无法快速反应以应对系统性风险。集成AI（即机器学习模型）的智能合约是增强功能、安全性和效率同时改善整体用户体验的一种可能方法。然而，这些集成也带来了额外的风险，因为不可能确保支撑这些智能合约的模型不会被攻击或解释长尾情况（鉴于数据输入的稀缺，长尾情况很难训练模型）。零知识机器学习（zkML）机器学习需要大量的计算来运行复杂的模型，这使得AI模型由于成本高昂而无法直接在智能合约中运行。例如，为用户提供收益优化模型的 DeFi 协议将很难在链上运行该模型，而无需支付过高的Gas费。一种解决方案是增加底层区块链的计算能力。然而，这也增加了对链验证者集的要求，可能会破坏去中心化特性。相反，一些项目正在探索使用 zkML 以无需信任的方式验证输出，而不需要密集的链上计算。说明 zkML 有用性的一个常见示例是，用户需要其他人通过模型运行数据并验证其交易对手实际上运行了正确的模型。也许开发人员正在使用去中心化计算提供商来训练他们的模型，并担心该提供商试图通过使用输出差异几乎无法察觉的更便宜的模型来削减成本。 zkML 使计算提供商能够通过其模型运行数据，然后生成可以在链上验证的证明，以证明给定输入的模型输出是正确的。在这种情况下，模型提供者将具有额外的优势，即能够提供他们的模型，而不必透露产生输出的基础权重。也可以做相反的事情。如果用户想要使用他们的数据运行模型，但由于隐私问题（比如在医疗检查或专有商业信息的情况下），不希望提供模型的项目访问他们的数据，那么用户可以在他们的数据上运行模型而不共享数据，然后通过证明验证他们运行了正确的模型。这些可能性通过解决令人望而却步的计算限制，极大地扩展了人工智能和智能合约功能集成的设计空间。基础设施和工具鉴于 zkML 领域的早期状态，开发主要集中在构建团队所需的基础设施和工具，以将其模型和输出转换为可以在链上验证的证明。这些产品尽可能地抽象了开发的零知识方面。 EZKL和Giza是通过提供机器学习模型执行的可验证证明来构建此工具的两个项目。两者都帮助团队构建机器学习模型，以确保这些模型可以在链上以可信方式验证结果的方式执行。这两个项目都使用开放神经网络交换 (ONNX) 将用 TensorFlow 和 Pytorch 等通用语言编写的机器学习模型转换为标准格式。然后，他们输出这些模型的版本，这些模型在执行时也会生成 zk 证明。 EZKL 是开源的，生产 zk-SNARKS，而 Giza 是闭源的，生产 zk-STARKS。这两个项目目前仅兼容 EVM。过去几个月，EZKL 在增强 zkML 解决方案方面取得了重大进展，主要集中在降低成本、提高安全性和加快证明生成速度。例如，2023 年 11 月，EZKL 集成了一个新的开源 GPU 库，可将聚合证明时间缩短 35%；1 月，EZKL发布了Lilith，这是一种软件解决方案，用于在使用 EZKL 证明时集成高性能计算集群和编排并发作业系统。 Giza 的独特之处在于，除了提供用于创建可验证的机器学习模型的工具之外，他们还计划实现相当于Hugging Face的 web3 ，为 zkML 协作和模型共享开辟用户市场，并最终集成去中心化计算产品。一月份，EZKL 发布了一项基准评估，比较了 EZKL、Giza 和 RiscZero（如下所述）的性能。 EZKL 展示了更快的证明时间和内存使用。 Modulus Labs还在开发一种专为 AI 模型定制的新的 zk-proof 技术。 Modulus 发表了一篇名为《智能的成本》（The Cost of Intelligence ）的论文（暗示在链上运行 AI 模型的成本极高），该论文对当时现有的 zk-proof 系统进行了基准测试，以确定改进 AI 模型 zk-proofs 的能力和瓶颈。该论文于 2023 年 1 月发布，表明现有产品过于昂贵且效率低下，无法大规模实现AI应用。在最初研究的基础上，Modulus 在 11 月推出了Remainder，这是一种专门的零知识证明器，专门用于降低 AI 模型的成本和证明时间，目标是使项目在经济上可行，将模型大规模集成到智能合约中。他们的工作是闭源的，因此无法与上述解决方案进行基准测试，但最近在 Vitalik关于加密和人工智能的博客文章中引用了他们的工作。工具和基础设施开发对于 zkML 空间的未来增长至关重要，因为它可以显著减少需要部署运行可验证的链下计算所需的 zk 电路的团队的摩擦。创建安全接口，使从事机器学习工作的非加密原生构建者能够将他们的模型带到链上，这将使应用程序能够通过真正新颖的用例进行更大的实验。工具还解决了更广泛采用 zkML 的一个主要障碍，即缺乏知识渊博且对零知识、机器学习和密码学交叉领域工作感兴趣的开发人员。协处理器（Coprocessors）正在开发的其他解决方案（称为“协处理器”）包括RiscZero 、Axiom和Ritual。协处理器这个术语主要是语义上的——这些网络履行许多不同的角色，包括在链上验证链下计算。与 EZKL、Giza 和 Modulus 一样，他们的目标是完全抽象零知识证明生成过程，创建本质上能够执行链下程序并生成链上验证证明的零知识虚拟机。 RiscZero 和 Axiom 可以为简单的 AI 模型提供服务，因为它们是更通用的协处理器，而 Ritual 是专门为与 AI 模型一起使用而构建的。 Infernet是 Ritual 的第一个实例，包含一个Infernet SDK，允许开发人员向网络提交推理请求并接收输出和证明（可选）作为回报。 Infernet 节点接收这些请求并在返回输出之前处理链下计算。例如，DAO 可以创建一个流程，确保所有新的治理提案在提交之前满足某些先决条件。每次提交新提案时，治理合约都会通过 Infernet 触发推理请求，调用 DAO 特定治理训练的 AI 模型。该模型审查提案以确保提交所有必要的标准，并返回输出和证据，批准或拒绝提案的提交。在接下来的一年里，Ritual 团队计划推出更多功能，形成称为 Ritual 超级链的基础设施层。前面讨论的许多项目都可以作为服务提供商插入 Ritual。 Ritual 团队已经与 EZKL 集成以生成证明，并且可能很快会添加其他领先提供商的功能。Ritual 上的 Infernet 节点还可以使用 Akash 或 io.net GPU 以及在 Bittensor 子网上训练的查询模型。他们的最终目标是成为开放AI基础设施的首选提供商，能够为任何网络、任何工作负载的机器学习和其他AI相关任务提供服务。应用 zkML有助于调和区块链和人工智能之间的矛盾，前者本质上是资源受限的，而后者需要大量的计算和数据。正如 Giza 的一位创始人所说，“用例非常丰富……这有点像以太坊早期问智能合约的用例是什么……我们所做的只是扩展智能合约的用例。 ”然而，如上所述，当今的开发主要发生在工具和基础设施级别。应用仍处于探索阶段，团队面临的挑战是证明使用 zkML 实现模型所产生的价值超过了其复杂性和成本。目前的一些应用包括：去中心化金融。 zkML通过增强智能合约能力，升级了DeFi的设计空间。 DeFi 协议为机器学习模型提供大量可验证且不可篡改的数据，可用于生成收益获取或交易策略、风险分析、用户体验等。例如，Giza与Yearn Finance合作，为 Yearn 的新 v3 金库构建概念验证自动风险评估引擎。 Modulus Labs与Lyra Finance合作将机器学习纳入其 AMM，与 Ion Protocol合作实施分析验证者风险的模型，并帮助Upshot验证其人工智能支持的 NFT 价格信息。 NOYA（利用 EZKL）和Mozaic等协议提供了对专有链下模型的访问，这些模型使用户能够访问自动化流动性挖矿，同时使他们能够验证链上的数据输入和证明。 Spectral Finance正在构建链上信用评分引擎，以预测Compound或Aave借款人拖欠贷款的可能性。由于 zkML，这些所谓的“De-Ai-Fi”产品在未来几年可能会变得更加流行。游戏。长期以来，游戏一直被认为可以通过公链进行颠覆和增强。 zkML 使人工智能的链上游戏成为可能。 Modulus Labs已经实现了简单链上游戏的概念验证。 Leela vs the World是一款博弈论国际象棋游戏，用户在其中对抗 AI 国际象棋模型，zkML 验证 Leela 所做的每一步都是基于游戏运行的模型。同样，团队也使用 EZKL 框架来构建简单的歌唱比赛和链上井字游戏。 Cartridge正在使用Giza使团队能够部署完全链上游戏，最近重点引入了一款简单的人工智能驾驶游戏，用户可以竞争为试图避开障碍物的汽车创建更好的模型。虽然简单，但这些概念验证指向未来的实现，能够实现更复杂的链上验证，例如能够与游戏内经济体进行交互的复杂 NPC 演员，如《 AI Arena》中所见，这是一款超级大乱斗游戏，玩家可以在其中训练自己的战士，然后部署为AI模型进行战斗。身份、溯源和隐私。加密货币已经被用作验证真实性和打击越来越多的人工智能生成/操纵内容和深度伪造的手段。 zkML 可以推进这些努力。 WorldCoin 是一种身份证明解决方案，要求用户扫描虹膜以生成唯一的 ID。未来，生物识别 ID 可以使用加密存储在个人设备上进行自我托管，并使用验证本地运行的生物识别所需的模型。然后，用户可以提供生物识别证据，而无需透露自己的身份，从而在确保隐私的同时抵御女巫攻击。这也可以应用于需要隐私的其他推论，例如使用模型分析医疗数据/图像来检测疾病、验证人格并在约会应用程序中开发匹配算法，或者需要验证财务信息的保险和贷款机构。展望 zkML 仍处于实验阶段，大多数项目都专注于构建基础设施原语和概念证明。如今的挑战包括计算成本、内存限制、模型复杂性、有限的工具和基础设施以及开发人员人才。简而言之，在 zkML 能够以消费产品所需的规模实施之前，还有相当多的工作要做。然而，随着该领域的成熟以及这些限制的解决，zkML将成为AI和加密集成的关键组成部分。从本质上讲，zkML 承诺能够将任何规模的链下计算引入链上，同时保持与链上运行相同或接近相同的安全保证。然而，在这一愿景实现之前，该技术的早期用户将继续必须在 zkML 的隐私和安全性与替代方案的效率之间进行权衡。 AI智能体 AI和加密货币最令人兴奋的集成之一是正在进行的AI智能体实验。智能体是能够使用AI模型接收、解释和执行任务的自主机器人。这可以是任何事情，从拥有一个随时可用的根据你的偏好进行微调的个人助理，到雇用一个根据你的风险偏好来管理和调整你的投资组合的金融机器人。由于加密货币提供了无需许可和无需信任的支付基础设施，智能体和加密货币可以很好地结合在一起。经过培训后，智能体将获得一个钱包，以便他们可以自行使用智能合约进行交易。例如，今天的简单智能体可以在互联网上抓取信息，然后根据模型在预测市场上进行交易。智能体提供商 Morpheus是 2024 年在以太坊和 Arbitrum 上上市的最新开源智能体项目之一。其白皮书于 2023 年 9 月匿名发布，为社区的形成和构建提供了基础（包括Erik Vorhees等著名人物）。该白皮书包括一个可下载的智能体协议，它是一个开源的LLM，可以在本地运行，由用户的钱包管理，并与智能合约交互。它使用智能合约排名来帮助智能体根据处理的交易数量等标准确定哪些智能合约可以安全地进行交互。白皮书还提供了构建 Morpheus 网络的框架，例如使智能体协议运行所需的激励结构和基础设施。这包括激励贡献者构建用于与智能体交互的前端、供开发人员构建可插入智能体以便他们可以相互交互的应用程序的 API，以及使用户能够访问运行智能体所需的计算和存储的云解决方案在边缘设备上。该项目的初始资金已于 2 月初启动，完整协议预计将于 2024 年第二季度启动。去中心化自治基础设施网络 (DAIN)是一种新的智能体基础设施协议，在 Solana 上构建智能体到智能体经济。 DAIN 的目标是让来自不同企业的智能体可以通过通用 API 无缝地相互交互，从而大大开放 AI 智能体的设计空间，重点是实现能够与 web2 和 web3 产品交互的智能体。一月份，DAIN 宣布与 Asset Shield 首次合作，使用户能够将“智能体签名者”添加到其多重签名中，这些签名者能够根据用户设置的规则解释交易并批准/拒绝。 Fetch.AI是最早部署的 AI 智能体协议之一，并开发了一个生态系统，用于使用 FET 代币和Fetch.AI钱包在链上构建、部署和使用智能体。该协议提供了一套用于使用智能体的全面工具和应用程序，包括用于与智能体交互和订购代理的钱包内功能。 Autonolas的创始人包括 Fetch 团队的前成员，它是一个用于创建和使用去中心化AI智能体的开放市场。 Autonolas 还为开发人员提供了一套工具来构建链下托管的AI智能体，并可以插入多个区块链，包括 Polygon、Ethereum、Gnosis Chain 和 Solana。他们目前拥有一些活跃的智能体概念验证产品，包括用于预测市场和 DAO 治理。 SingularityNet正在为AI智能体构建一个去中心化的市场，人们可以在其中部署专注的AI智能体，这些智能体可以被其他人或智能体雇用来执行复杂的任务。其他公司，如AlteredStateMachine，正在构建 AI 智能体与 NFT 的集成。用户铸造具有随机属性的 NFT，这些属性赋予他们在不同任务上的优势和劣势。然后可以对这些智能体进行训练，以增强某些属性，以用于游戏、DeFi 或作为虚拟助手并与其他用户进行交易。总的来说，这些项目设想了一个未来的智能体生态系统，这些智能体能够协同工作，不仅可以执行任务，还可以帮助构建通用AI。真正复杂的智能体将有能力自主完成任何用户任务。例如，完全自主的智能体将能够弄清楚如何雇用另一个智能体来集成 API，然后执行，而不必确保智能体在使用之前已经与外部 API（例如旅行预订网站）集成并执行任务。从用户的角度来看，不需要检查智能体是否可以完成任务，因为智能体可以自己确定。比特币和AI智能体 2023 年 7 月，闪电网络实验室推出了在闪电网络上使用智能体的概念验证实施方案，称为 LangChain 比特币套件。该产品特别有趣，因为它旨在解决 Web 2 世界中日益严重的问题——Web应用程序的门禁且昂贵的API 密钥。 LangChain 通过为开发人员提供一套工具来解决这个问题，使智能体能够购买、出售和持有比特币，以及查询 API 密钥和发送小额支付。在传统的支付领域，小额支付由于费用而成本高昂，而在闪电网络上，智能体可以每天以最低的费用发送无限的小额支付。当与 LangChain 的 L402 支付计量 API 框架结合使用时，这允许公司可以根据使用量的增加和减少调整其 API 的访问费用，而不是设定单一的成本过高的标准。在未来，链上活动主要由智能体与智能体交互所主导，这样的事情将是必要的，以确保智能体能够以成本不过高的方式相互交互。这是一个早期的例子，说明如何在无需许可且经济高效的支付赛道上使用智能体，为新市场和经济互动开辟了可能性。展望智能体领域仍处于新生阶段。项目刚刚开始推出功能性智能体，可以使用其基础设施处理简单的任务——这通常只有经验丰富的开发人员和用户才能访问。然而，随着时间的推移，AI智能体对加密货币的最大影响之一是所有垂直领域的用户体验改进。交易将开始从基于点击转向基于文本，用户能够通过大语言模性与链上智能体进行交互。Dawn Wallet等团队已经推出了聊天机器人钱包，供用户在链上进行交互。此外，目前尚不清楚智能体如何在 Web 2 中运作，因为金融领域依赖于受监管的银行机构，这些机构不能 24/7 运营，也无法进行无缝跨境交易。正如Lyn Alden所强调的那样，由于缺乏退款和处理微交易的能力，与信用卡相比，加密赛道尤其有吸引力。然而，如果智能体成为一种更常见的交易方式，现有的支付提供商和应用程序很可能会迅速采取行动，实施在现有金融领域运营所需的基础设施，从而削弱使用加密货币的一些好处。目前，智能体可能仅限于确定性的加密货币交易，其中给定输入保证给定输出。这两种模型都规定了这些智能体弄清楚如何执行复杂任务的能力，而工具则扩大了它们可以完成的范围，都需要进一步开发。为了让加密智能体在新颖的链上加密用例之外变得有用，需要更广泛的集成和接受加密作为一种支付形式以及监管的明确性。然而，随着这些组件的发展，智能体准备成为上述去中心化计算和 zkML 解决方案的最大消费者之一，以自主的非确定性方式接收和解决任何任务。结论 AI 为加密货币引入了我们在 web2 中看到的相同创新，增强了从基础设施开发到用户体验和可访问性的各个方面。然而，项目仍处于发展早期，近期加密货币和AI集成将主要由链下集成主导。像Copilot这样的产品将使开发人员效率“提高10 倍”，Layer1和DeFi应用程序已经与微软等大公司合作推出人工智能辅助开发平台。Cub3.ai和Test Machine等公司正在开发用于智能合约审计和实时威胁监控的AI集成，以增强链上安全性。 LLM 聊天机器人正在使用链上数据、协议文档和应用程序进行培训，为用户提供增强的可访问性和用户体验。对于真正利用加密货币底层技术的更高级集成来说，挑战仍然是证明在链上实施AI解决方案在技术上是可行的，而且在经济上也是可行的。去中心化计算、zkML 和 AI 智能体的发展指向有前景的垂直领域，这些领域为加密货币和AI深度互联的未来奠定了基础。来源：金色财经

金色财经2024-02-19

多伦多大学要取消这热门专业！项目停办！waitlist经常爆满，师生爆发抗议

许学生选择来自佛教研究、认知科学、医学人类学、宗教心理学以及身心健康的社会学分析等广泛领域的课程。根据大学网站的消息，截至2024年1月31日，该辅修项目的注册将被行政暂停，学生将无法再报名该项目。面对这一决定，佛学与心理学学生联盟（BPSU）和该项目内的同行Peers Are There to Help（PATH）发起了一项请愿，目前已经获得了超过1700个签名。请愿书中写道：“我们对多伦多大学提出关闭BPMH项目的建议感到深感关切和失望。作为该项目的现役学生和毕业生，我们亲身体验到该项目为学生提供的无价的好处和独特机会。” 请愿书继续表示：“该项目的跨学科性质鼓励不同背景和社区的学生之间的合作，创造出一个丰富和包容的学习环境，反映了健康的现实复杂性。如果该项目被停办，这一环境，包括其独特的课程和专职教员，将会失去。” 请愿书继续说道：“关闭BPMH项目不仅会剥夺现有学生的卓越教育经验，还将削弱多伦多大学作为心理健康教学和研究领域的领导者的价值。” 请愿书最后敦促大学探索确保该项目持续为公共心理健康进步做出贡献的替代解决方案。艺术与科学学生联盟主席Anusha Madhusudanan告诉《The Varsity》，大学已经确认该项目的关闭“将不会在1月的治理会议中讨论”。截至文章发布时，blogTO尚未收到多伦多大学对于关闭提议的评论。来源： https://www.blogto.com/city/2024/01/closure-program-university-of-toronto/ 作者：心海

超级爆料君2024-01-21

AI时代就业新趋势：IBM公司AI主管解读求职者亟需技能

码技能很有价值，但不要低估哲学、文学或人类学等领域背景在其中的重要性。#2024宏观展望# IBM生成AI全球管理合伙人Matt Candy认为，未来的工作将由那些能够运用在文科学位中培养的语言和创造性思维与人工智能合作的人来填补。 AI正在“学会用我们的语言交流” 随着各行各业的公司争先恐后地适应自动化的未来，IBM公司正在加强其长期以来在人工智能领域的努力。但引领未来的工作者所需的技能不一定集中在能够熟练编码或熟悉电路板上。相反，Candy认为，那些从根本上理解语言及如何应用它的人可能会获得与人工智能相关的高薪工作。Candy告诉《财富》杂志：“与其我们不得不学习技术和编程计算机的语言，事实上它们正在学习说我们的语言。”Candy主要是指在提示工程师角色需求激增的情况下，员工向大语言模型（LLM）如ChatGPT和Bard提供提示、问题和信息，以培训它模拟人类行为和思维。这些工作可能能够拿到6位数的薪水，通常不依赖于IT技能。随着像ChatGPT这样的语言模型在准确性方面面临挑战并可能产生错误信息，即所谓的“幻觉”，具有对语言有深刻理解的个体来培训和与聊天机器人互动的需求变得更加明显。需要右脑思维的人才除了需要提高聊天机器人沟通能力，Candy还认为，由于人工智能的出现，对创造性思考者和文科专业毕业生的需求可能会比以往任何时候都更高。 Candy解释说，技术领域现在正在发生技能的民主化，减轻了技术工作者的重要性，增加了对右脑思维者的需求。“质疑、创造性思维和创新将是非常重要的，因为我认为人工智能将释放更多创造性思维过程的能力。”“人们能够提出一个想法、测试这个想法、制作东西的速度将会如此之快。你不需要计算机科学学位来做到这一点。” 其他AI软件的普及，比如Dall-E，也意味着像平面设计这样的创意过程将越来越多地成为那些有创意而不是那些花费多年磨练技术技能的人的领域。 Candy说：“你将能够担任设计师的角色。你不需要成为平面设计师并拥有艺术学位来做这些事情。” 当然，计算机科学家仍然会有很大的市场。“世界正在用代码重写，”Candy说，因为从汽车到石油和天然气等各行各业都在数字化，并制定新系统以利用人工智能的优势。但一旦这些系统建立起来，Candy表示，创意思考者可能会占据优势。这与Slack和民意调查公司YouGov对工作场所个性进行的研究相符。参与该研究的企业心理学家Lynda Shaw博士表示，具有更高情商的工作者更有可能成为未来以人工智能为重点的企业领域的主管。人工智能将接管哪些工作？过去12个月中人工智能的大规模普及，由备受瞩目的ChatGPT的推出引发，为提高生产力打开了新的视野，Candy还预测这将有助于推动2024年全球GDP的增长。然而，这也引起了员工对于他们的工作是否会被取代的广泛焦虑，并促使全球各国政府推动监管。 IBM主管在5月表示，IBM公司将减缓一些职位的招聘，特别是在人力资源方面，Candy表示，绝大多数员工的谈话现在都是与机器人进行的。在《财富》Brainstorm AI大会上发言时，安永首席技术官Paul Daugherty表示，由于人工智能的增长，工作力量将发生一些“巩固”，需要较少的人来完成相同的任务，“最大的担忧是那些不会使用生成式人工智能的人的工作。” Candy对此表示同意，尽管他认为AI不会成为工作的实际替代者，但不懂如何使用这项技术的人可能会被懂得使用这项技术的人取代。

Heidi2023-12-31

Cyber Capital：不投资比特币的十四个理由

全感。因为 BTC 的文化是其历史和人类学进化的副产品。这一演变中最值得注意的是区块大小辩论的时期，同时还伴随着大规模的审查运动。导致几乎所有反对声音的出走。为领先人物创造一个具有自我强化选择偏见的回声室，进一步强化 BTC 的同质人口统计特征。毒性、封闭性和敌意就是它们的防御机制，用于防御 BTC 设计中的致命缺陷。这就是他们缺乏安全感的原因，这需要其支持者进行虚构的叙述，因为谎言、幻想和一厢情愿的想法是继续向更大的傻瓜出售比特币的唯一方法，甚至诉诸直接取自庞氏骗局的策略。现在占主导地位的性格类型与我 2013 年第一次加入时截然相反。我所钟爱的集体心理精神现在却在 BTC 的竞争对手中蓬勃发展。尽管比特币支持者一直自私地假装比特币仍然支持其最初的崇高目标，但事实显然并不支持。 12. 利益冲突大多数著名的 BTC 开发商都得到了营利性公司的经济支持，这些公司的目标是为 BTC 开发 L2 解决方案。这与扩大 BTC L1 产生了明显的利益冲突。比特币核心的杰出成员从构建 L2 解决方案（例如闪电网络和 Liquid）的公司那里获得了大量资金和股权。Blockstream 和 Chaincode Labs 等公司多年来一直在资助核心开发人员。冲突源于这样一个事实：这些公司受益于不扩展 BTC 的 L1。至少在中期，这些公司能够通过销售解决方案（L2）来筹集数亿美元，以解决他们所创造并能够维护的问题（L1 扩展）。我们必须从整体上看系统的激励机制，而不是从个体上看。因为我们可以根据激励来预测一大群人的结果，而不是个人的行为。这意味着在足够长的时间和规模内。这种特殊的激励错位将导致这些利益冲突一再发生。这使得这成为区块链治理中的一个重大系统性缺陷，我在《比特币治理理论》中更广泛地讨论了这一点。三阶段模型” 13. 根深蒂固且串通一气的当权者平均而言，权力总是会腐败，我们不应该期望当权者违背自己的利益并放弃自己的立场。因为这种情况只发生在历史上最罕见的情况下。对这些失败和偏离最初目标负责的领导层实际上仍然掌权。从这个角度来看，BTC仍然被有直接利益冲突的各方有效地占据。推翻比特币当前领导地位的需要是积极变革的巨大障碍，而且不太可能很快被克服。特别是考虑到缺乏任何正式的治理和对现任者的狂热追随。 14. 无法解决所有这些问题 BTC 无法通过改变来解决所有这些问题，这在很大程度上是由于其功能失调的治理和有毒的文化。BTC 的治理因否认其存在而被破坏；“魔鬼玩过的最伟大的骗局就是让世界相信他不存在”。基于变革潜力支持BTC不能脱离政治；任何足够深入的调查都会暴露其缺陷并凸显其无法改变，即使面临我之前概述的对其存在的重大外延威胁。BTC 正乘坐一列火车，直接驶向其自身技术限制的砖墙，比特币持有者的希望和梦想并没有改变这一不可剥夺的事实。结论从基本面来看，比特币是当今市场上最糟糕的加密货币资产之一。它唯一真正的好处是它的先发优势，仍然使其市值排名第一。然而，一旦它不可避免地失去这种主导地位，它就没有任何东西可以证明它的突出地位。让我们看到了 BTC 的失败实验。这是一个美妙的实验，带来了寒武纪创新爆发，确保了比特币最初的愿景确实成功。你可以将任何你想要的信念投射到比特币上，但这并不能改变其劣势的技术事实，从而导致其不可避免的垮台。你可以对它进行投机，你可以对它进行交易，你甚至可以围绕它建立一个准宗教的信仰体系。然而，你不能做的一件事就是围绕它建立一个连贯的、基于基本面的长期投资案例，而不忽视更广泛的加密货币市场的竞争格局。比特币已经到了借来的时间，正在挥手放弃其存在严重缺陷的设计。比特币未能与时俱进，而且在意识形态上根深蒂固地处于过时的技术之中，比特币也不能免受自由市场竞争的影响。比特币的梦想现在却在它的孩子们身上蓬勃发展；而比特币却被抛在了后面，因为创立了这一运动而在未来的历史书中被降级，但没有继续下去。这是一次巨大且必然的失败，我相信未来几代人在回顾 2023 年时会想知道为什么大多数人会犯如此错误。当我们回顾过去时也是如此，事后看来这似乎是显而易见的，但对于那些根深蒂固于其时代文化的人来说，事实可能恰恰相反。最终，所有货币价值都基于信念，然而，世界上绝大多数价值都与实用资产挂钩，这是有原因的。因为像我这样的价值投资者相信，实用性远比单纯的投机更有价值。这就是为什么 Cyber Capital 自 2017 年以来就没有投资 BTC，但从未后悔过这一选择。来源：金色财经

金色财经2023-10-31

中国青年失业率飙升恐动摇社会信心！好工作减少，不少“全职子女”搬回父母身边

量很低，”德国Max Planck社会人类学研究所所长Xiang Biao说，“所以，对于一个受过教育的家庭的独生子女来说，在一个富裕时代长大，很难接受那种工作。” Xiang说，大量的好工作一直是执政党和中国年轻人之间社会契约的支柱。没有证据表明失业问题引发了重大的政治动荡，但去年年底，反对政府严格的“零新冠”政策的抗议活动在全国各地爆发。11月的一份官方报告指出，日益增长的“大学生产生的焦虑、失望和困惑”可能会动摇对中国经济未来的信心。期望的改变 Xiang说，“全职成年子女”没有吃苦，而是利用父母积累的财富，坐下来休息，为相对稳定的政府工作或研究生学习做准备。新加坡国立大学社会学助理教授Mu Zheng说，这一趋势也反映了父母态度的转变，他们通常会推动孩子在经济和社会上取得成功，但现在越来越重视孩子的情感健康，尤其是当他们看到孩子面临实际困难时。经过几十年持续的经济增长，许多父母现在获得了一定程度的经济保障，有足够的资金为成年子女提供更多的支持。 Gui Xiaoru就是这样，她放弃了毕业后得到的小镇教师工作，因为她希望在更大的城市找到一份薪水更高的工作。现在，她搬回了中国西南部四川省绵阳市的家，准备参加公务员考试。她为家人做饭，去超市买东西。作为回报，她每月可以得到2000元(约合274美元)的零花钱，这让她可以专注于学业。这是一种平静的生活方式，尽管她知道这是暂时的。 “我认为这种现象很正常，”Gui说，“但我们不能永远保持这种状态。” 许多“全职成年子女”在社交媒体上记录他们的生活和家务。有些人从事明确的工作，如打扫卫生、做饭和跑腿，每月领取固定津贴。前游戏公司员工Marguerite Wang说，她大部分时间都陪在父母身边，以换取零花钱。她很珍惜慢节奏的生活和反思的时间。 “我不想回到以前的工作状态，”她说，“我没有私人生活，把所有的精力都投入到工作中，但我真的不知道我这么忙是为了什么。”

超启 2评论2023-09-14

《纽约时报》与OpenAI因版权问题发生纠纷，AI培训范围受限

式来提高其性能和表现。AI的培训类似于人类学习的过程，只是在这种情况下，机器通过算法和统计方法来识别模式，而不是像人类一样进行思考和推理。培训AI的主要目的如下。任务执行：将AI训练成可以执行特定任务的“智能”代理，如图像识别、自然语言处理、语音识别等。预测和分析：通过训练AI模型，可以使其能够根据历史数据和模式来进行预测、分析和模拟未来事件或趋势。自动化：培训AI使其能够自动化一些繁琐、重复的任务，从而提高效率并减轻人力成本。优化：通过培训，AI可以学习如何优化特定问题的解决方法，从而找到更有效的方法和策略。生成：培训AI使其能够生成新的内容，如文章、音乐、艺术作品等，以满足特定需求。总之，培训AI是为了赋予机器处理和理解复杂任务和问题的能力，从而为人们提供更智能、高效和创新的解决方案。

Heidi2023-08-22

到了2030年 GPT会发展成什么样？

可能：我估计它 1 天的学习量可相当于人类学习 2500 年（第 4 节）。 GPT 2030 将接受文本和图像以外的其他模态的训练，这可能包括违反直觉的模态，比方说分子结构、网络流量、低级机器代码、天文图像以及脑部扫描。因此，它可能对我们经验有限的领域有很强的直觉理解，包括能形成我们没有的概念（第 5 节）。这些能力至少会加速许多研究领域的发展，同时也会造成严重的滥用（第 6 节）。在滥用方面，GPT 2030 的编程能力、并行化与速度将让它成为强大的网络攻击威胁。此外，它的快速并行学习能力可以用来研究人类行为，进而利用数千“年”的实践来操纵和误导。在加速方面，主要瓶颈之一会是自主性。在像数学研究这样可以自动检查工作的领域，我预测 GPT 2030 的表现将胜过大多数专业数学家。在机器学习方面，我预测 GPT 2030 可独立执行实验并生成图表和文章，但研究生和研究科学家将提供指导并评估结果。在这两种情况下，GPT 2030 都将成为研究过程不可或缺的一部分。如果用今天的系统作为参照，我对 GPT 2030 具备哪些属性的预测没那么直观，而且也可能是错误的，因为机器学习到 2030 年会发展成什么样子仍存在很大的不确定性。但是，上面的特性 (第 1 点到第 5 点) 是我的预测中值，不管 GPT 2030 会发展成什么样，我都不会相信它“只是比 GPT-4 好一点而已”。如果我是对的，那么无论人工智能会产生什么样的影响，影响都不会小。我们现在应该为这些影响做好准备，问问在最大范围内会发生什么（大约在价值 1 万亿美元、影响 1000 万人的生命，或对社会进程造成重大破坏的程度上）。最好是现在就被吓到，而不是在系统已经推出的 7 年后才感到惊讶。 1. 特殊能力我预计 GPT 2030 会具备超人的编码、黑客攻击与数学能力。我还预期，在阅读和处理大型语料库，找到模式和洞察，以及回忆事实方面，它将具备超人的能力。最后，由于 AlphaFold 和 AlphaZero 在蛋白质结构预测与玩游戏方面具有超人的能力，GPT 2030 也可以做到这些，比方说，如果它用的是跟训练 AlphaFold/AlphaZero 模型相似的数据上进行多模态训练的话。编程。在训练中断后 GPT-4 在 LeetCode 问题上的表现优于人类基线，它还通过了几家主要科技公司的模拟面试（图 1.5）。改进的速度仍然很快，从 GPT-3 到 4 一下子就到提升了 19%。在更具挑战性的 CodeForces 竞赛上，GPT-4 表现不佳，但 AlphaCode 与 CodeForces 竞争对手的中位数持平。在更具挑战性的 APPS 数据集上，Parsel 又比 AlphaCode 更胜一筹 (7.8%->25.5%)。展望未来，预测平台 Metaculus 给出了到中位数年份 2027 年时人工智能在 80% APPS 上都将胜出，也就是说，除最优秀的人类以外，人工智能已经超过人类了。黑客攻击。我预期在一般编码能力加持下黑客攻击能力也会得到改善，而且机器学习模型用于搜索大型代码库漏洞，其扩展性和细致程度都要超过人类。事实上，ChatGPT 已经被用来帮助生成漏洞。数学。Minerva 在一项竞赛数学基准测试 (MATH) 上已经达到了 50% 的准确率，这比大多数人类竞争对手都要好。进展速度很快（1 年内 >30%），并且通过自动形式化、减少算术错误、改进思维链与更好的数据，可以获得唾手可得的显著成果。Metaculus 预测到 2025年，AI 对 MATH 测试的准确率将达到 92%，并且到了 2028 年（中位数），人工智能将能赢得国际数学奥林匹克竞赛金牌，与全球最好的高中生不相上下。我个人预计， GPT 2030 在证明“良定义定理”方面会比大多数专业数学家都要好。信息处理。事实回忆和处理大型语料库是语言模型的记忆能力以及大型上下文窗口的自然结果。根据经验，GPT-4 在 MMLU （MMLU 是一项范围很广的标准化考试，包括律师考试、MCAT 以及大学数学、物理、生物化学和哲学）上达到了 86% 的准确率；即便考虑到可能会出现 train-test contamination（训练集和测试集的交叉污染），这大概也已经超出任何活人的知识范畴。关于大型语料库，Zhong 等人(2023) 曾用 GPT-3 开发过一个系统，后来这个系统在大型文本数据集里面发现了几个之前不知道的模式，并且描述了出来，后来 Bills 等人的相关工作(2023)又扩展了这种趋势，这表明模型将很快成具备超级智能。这两项工作都利用了大型语言模型的大型上下文窗口，现在这个规模已经超过 100000 token 并且还在增长。更一般而言，机器学习模型的技能情况跟人类不一样，因为人类与机器学习适应的是非常不同的数据源（人类通过进化，机器学习通过海量互联网数据）。当模型在视频识别等任务上达到人类水平时，它们很可能就能在许多其他任务（如数学、编程以及黑客攻击）中表现出超人水平。此外，由于模型变得更大数据变得更好，随着时间的推移可能会出现其他的强大功能，预期模型功能“维持”或低于人类水平没有充分的理由。虽然当前的深度学习方法有可能在某些领域达不到人类水平，但它们也有可能会超越人类，甚至显著超越人类水平也说不定，尤其是在人类在进化上不擅长的数学等领域。 2. 推理速度（感谢 Lev McKinney 为本节运行性能基准测试。）为了研究机器学习模型的速度，我们测量了机器学习模型生成文本的速度，以每分钟 380 个单词的人类思维速度为基准。使用 OpenAI 的chat completions API，我们估计 gpt-3.5-turbo 每分钟可以生成 1200 个单词 (words per minute，wpm)，而 gpt-4 是 370 wpm（截至 2023 年 4 月初）。规模较小的开源模型，如 pythia-12b ，用 A100 GPU 跑用开箱即用的工具，至少可达到 1350 wpm，通过进一步优化似乎可以再翻一番。因此，如果以截至 4 月份的 OpenAI 模型为参照，人工智能的速度要么大约是人类速度的 3 倍，要么等于人类速度。我预测模型在未来的推理速度会更快，因为在加速推理方面存在很大的商业与实践压力。事实上，根据 Fabien Roger 的跟踪数据，在这篇文章发表之前的一周，GPT-4 的速度已经增加到约 540wpm（12 个token/秒）；这表明存在持续的改进空间与意愿。我的预测中值是模型的 wpm 将是人类的 5 倍（范围：[0.5x, 20x]），因为这之后会出现边际收益递减的情况，尽管有一些考虑会指向更高或较低的数字。重要的是，机器学习模型的速度不是固定的。模型的串行推理速度可以以吞吐量减少 k 倍为代价将速度提高 k 平方倍（换句话说，一个模型 k 立方倍的并行副本可以替换为速度快 k 平方倍的一个模型）。这可以通过并行平铺法来实现，理论上甚至适用于比 k 平方还要大的情况，可能至少是 100 甚至更多。因此，通过把 k 设为 5 的话，可以将 5 倍于人类速度的模型加速到 125 倍于人类速度。重要提醒，速度与质量未必匹配：如第 1 节所述，GPT 2030 的技能组合跟人类不一样，机器在某些我们认为很容易的任务上会失败，而在某些我们感觉困难的任务却很精通。因此，我们不应把 GPT 2030 看作是“高速版人类”，而应将其看作是具有违反直觉的技能的，“高速版员工”。尽管如此，把加速因素纳入考虑仍然很有参考意义，尤其是当加速值很大时。如果语言模型获得了 125 倍的加速，假设其处于 GPT 2030 的技能范围内，需要我们一天时间的认知动作，GPT 就可以在几分钟内完成。以前面的黑客攻击为例，机器学习系统可以快速建立起对我们来说生成速度较慢的漏洞利用或攻击。 3. 吞吐量与并行副本模型可以根据可用的计算和内存情况任意复制。这样任何可以并行化的工作都可以快速完成。此外，一旦一个模型被微调到特别有效，改变就可以立即传播到其他实例。模型也可以针对专门的任务进行提炼，从而跑得更快、成本更低。一旦模型经过训练，可能就会有足够的资源来跑模型的多个副本。这是因为训练一个模型需要运跑它的很多个并行副本，而训练这个模型的组织在部署的时候仍将拥有这些资源。因此，我们可以通过估算训练成本来降低副本数量。举个例子说明一下这种逻辑，训练 GPT-3 的成本足以让它执行 9 x 10^11 次前向传播。换句话说，人类每分钟的思考量是 380 个单词，一个单词平均为 1.33 个 token，因此 9 x 10^11 次前向传播相当于以人类速度工作约 3400 年。因此，用人类的工作速度该组织可以跑 3400 个模型的并行副本一整年，或者以 5 倍于人类的速度跑相数量的副本 2.4 个月。我们接下来为未来的模型设计同样的“训练悬垂”（训练与推理成本的比率）。这个比率应该会更大：主要原因是训练悬垂与数据集大小大致成正比，而数据集会随着时间的推移而增加。随着自然产生的语言数据被我们用完，这种趋势将会放缓，但新的模式以及合成或自生成的数据仍将推动它向前发展。我预测 2030 年的模型可使用足够的资源进行训练，去执行相当于人类速度 1800000 年的工作[范围：400k-10M]。请注意，Cotra (2020) 与 Davidson (2023) 估计的数量相似，得出的数字比我得预测更大；我想主要区别在于我对自然语言数据耗尽所产生影响得建模方式不一样。上面的预测有些保守，因为如果组织购买额外的计算资源的话，模型可使用得资源可能会多于训练时所用资源。粗略估计表明，GPT-4 使用了全球计算资源的约 0.01% 进行训练，不过我预计未来的训练占用全球计算总量的份额会更大，因此在训练后进一步扩展的空间会更小。尽管如此，如果组织有充分理由去扩展资源的话，仍然可以将所运行的副本数量提高到另一个数量级。 4. 知识分享（感谢 Geoff Hinton 首先向我提出了这个观点。）模型的不同副本可以共享参数更新。比方说，ChatGPT 可以部署到数百万用户那里，从每次交互中学到一些东西，然后将梯度更新（gradient updates）传播到中央服务器，在做过平均处理后再应用到模型的所有副本上。通过这种方式，ChatGPT 在一个小时内观察到的人性比人类一辈子（100 万小时 = 114 年）看过的东西还要多。并行学习也许是模型最重要的优势之一，因为这意味着它们可以快速学习任何自己缺失的技能。并行学习的速率取决于一次跑多少个模型副本，它们获取数据的速度有多快，以及数据是否可以高效地并行利用。最后这一点，即使是极端的并行化也不会对学习效率造成太大影响，因为数百万的批量大小在实践中很常见，并且梯度噪声尺度（McCandlish 等人，2018 年）预测学习性能在某个“临界批量大小”以下劣化程度最小。因此，我们将聚焦在并行副本和数据采集上。我会提供两个估计，这两个估计都表明以人类的速度并行学习至少约 100 万份模型是可行的。也即是说，机器一天的学习量相当于人类学 2500 年，因为 100 万天 = 2500 年。第一个估计用到了第 3 节中的数字，得出的结论是训练模型的成本足以模拟模型 180 万年的工作（根据人类速度进行调整）。假设训练运行本身持续了不到 1.2 年（Sevilla 等人，2022 年），这意味着训练模型的组织有足够的 GPU 以人类速度运行 150 万个副本。第二个估计考虑了部署该模型的组织所占市场份额。比方说，如果一次有 100 万用户向模型发起查询，则组织必然有资源来服务 100 万个模型副本。大致而言，截至 2023 年 5 月，ChatGPT 拥有 1 亿用户（并非同时全部活跃），截至 2023 年 1 月，其每天有 1300 万活跃用户。我假设典型用户的请求量相当于模型几分钟的生成文本，因此 1 月份的数字可能意味着每天大概只有 5 万人日的文本。不过，未来的 ChatGPT 式的模型似乎很可能会达到其 20 倍之多，日活用户可以达到 2.5 亿更多，因此每天将会有 100 万人日的数据。相比之下，Facebook 的日活用户数是 20 亿。 5. 多模态、工具与执行器从历史上看，GPT 风格的模型主要是基于文本和代码进行训练，除了通过聊天对话之外，与外界互动的能力有限。然而，这种情况正在迅速改变，因为模型正在接受图像等其他模态的训练，正在接受使用工具的训练，并开始与物理执行器交互。此外，模型不会局限于文本、自然图像、视频和语音等以人类为中心的模态——它们也可能会接受网络流量、天文图像或其他海量数据源等人类不熟悉的模态的训练。工具。最近发布的模型开始利用了外部工具，如 ChatGPT 插件等。文本与工具使用相结合足以编写出可执行的代码，说服人类让机器替他们采取行动，进行 API 调用，交易，甚至执行网络攻击都有可能。工具的使用具备经济用途，因此会有进一步发展这种能力的强烈动机。 ChatGPT 是被动的：用户说 X，ChatGPT 回应 Y。风险存在但有限。很快就会有主动系统 - 一个助手会替你回复电子邮件，代表你采取行动等。这样风险会更高。 - Percy Liang (@percyliang) 2023 年 2 月 27 日新模态。现在有大型开源视觉语言模型，如 OpenFlamingo，在商业方面，GPT-4 和 Flamingo 都接受了视觉和文本数据的训练。研究人员还在试验更多奇异的模态对，例如蛋白质和语言（Guo 等人，2023 年）。我们应该期望大型预训练模型的模式会继续扩展，原因有二。首先，在经济上，将语言与不太熟悉的模态（如蛋白质）配对有它的用处，这样用户就可以从解释并有效地进行编辑中受益。预测会用蛋白质、生物医学数据、CAD 模型以及与主要经济部门相关的任何其他模态进行多模态训练。其次，我们将开始用完语言数据，因此模型开发人员得搜索新类型的数据，从而可以继续受益于规模。除了传统的文本和视频之外，现有数据源当中天文数据（很快将达到每天艾字节得规模）和基因组数据（大约 0.1 艾字节/天）是规模最大之一。这些以及其他得海量数据源可能会被用于训练 GPT 2030。使用外来模态意味着 GPT 2030 可能会具备非直觉的能力。它可能比我们更了解恒星和基因，即尽管它现在处理基本的物理任务都比较困难。这可能会带来惊喜，比方说设计出新的蛋白质，这是我们基于 GPT 2030 那种“一般”智能水平预料不到的。在思考 GPT 2030 的影响时，重要的是要思考由于这些奇异的数据源而可能形成的超人能力。执行器。模型也开始使用物理的执行器：ChatGPT 已经用于机器人控制，OpenAI 正在投资一家人形机器人公司。不过，在物理域收集数据要比在数字域收集数据昂贵得多，而且人类在进化上也更适应物理域（因此机器学习模型与我们竞争的门槛更高）。因此，与数字工具相比，我预计人工智能掌握物理执行器的速度会更慢，而且我不确定我们是否该在 2030 年之前做到这一点。量化而言，我认为在 2030 年实现自主组装一辆按比例复制的法拉利的概率是 40%。 6. GPT-2030 的影响接下来我们将分析像 GPT 2030 这样的系统对社会意味着什么。具备 GPT 2030 特征的系统至少会显著加速某些领域的研究，同时被滥用的规模也大得很。我会从分析 GPT 2030 的一些一般优势和局限性开始，然后用来作为分析加速和滥用的视角。优势。GPT 2030 代表的是一支庞大、适应性强、高产出的劳动力队伍。回忆一下吧，多个 GPT 2030 副本并行工作，按照 5 倍于人类的运行速度，可以完成 180 万年的工作。这意味着我们可以（受到并行性的限制）模拟 180 万个代理，每个代理在 2.4 个月内即可完成一年的工作。如上所述，对于 FLOP （浮点运算），我们可以开出 5 倍的费用，从而换取额外 25 倍的加速（这将达到人类速度的 125 倍），因此我们还可以模拟出 14000 个代理，这些代理每个都能在 3 天内完成一年的工作。限制。利用这种数字劳动力存在三个障碍：技能情况、实验成本以及自主性。首先，GPT 2030 将拥有与人类不同的技能组合，导致它在某些任务上表现更差（但在其他任务上表现更好）。其次，模拟人工仍然需要与物理世界对接，以便收集数据，这个本身需要时间和计算成本。最后，在自主性方面，如今的模型在被“卡住”之前只能通过思维链生成几千个 token，进入到没法生成高质量输出的状态。在将复杂任务委托给模型之前，我们需要显著提高其可靠性。我预计可靠性会提高，但并非没有限制：我（非常粗略）的猜测是 GPT 2030 可以稳定运行数天（与人类等效的时间），然后就得重新设置或交给外部反馈控制。如果模型以 5 倍的速度运行的话，这意味着它们每隔几个小时就需要人工监督的介入。因此，GPT 2030 影响最大的任务应该具备以下特性：利用了 GPT 2030 相对于人类具备优势的技能。只需要外部经验数据（收集应该很轻松快速，与昂贵的物理实验相反）的任务。可以先验分解为可靠执行的子任务，或者具有清晰且可自动化的反馈指标来帮助引导模型的任务。加速。有项任务这三条标准都很容易满足，那就是数学研究。首先，GPT 2030 可能具备超人的数学能力（第 1 节）。这第二条和第三条，数学可以纯粹通过思考和写作来完成，而且什么时候定理得到证明我们是知道。此外，全球的数学家总共也没多少（比方说美国就只有 3000 人左右），因此 GPT 2030 也许每隔几天模拟一次产出就能超过所有数学家的年产。机器学习研究的一些重要部分也符合上述标准。GPT 2030 在编程方面能力超人，其中包括实施和运行实验。鉴于 GPT-4 擅长以通俗易懂的方式解释复杂的主题（并且市场对此也有很大需求），我猜它也能很好地呈现和解释实验结果。因此，届时机器学习研究可能会简化成构思出好的实验来运行，并与高质量（但可能不可靠）的结果报告进行交互。因此，到 2030 年时，研究生拥有的资源堪比今天带领几名优秀学生的教授手上的资源。部分社会科学也可以得到显著加速。很多论文大部分的工作是对具备科学有趣性的数据源进行追查、分类和标记，并从中析取出重要模式。这满足了第 3 条要求，因为分类和标记可以分解为简单的子任务，并且也满足第 2 条要求，只要数据在互联网上能找到，或者可以通过在线调查收集到即可。滥用。加速只是一方面，另一方面也会存在严重的滥用风险。最直接的案例是表现出网络攻击性的黑客能力。检查特定目标是否存在特定类型的漏洞可能会得到可靠执行，并且很容易就能检查漏洞利用是否成功（前提是能够与代码交互），因此第 3 条要求是都可以满足的。在第 2 条要求上，GPT 2030 需要与目标系统交互去了解漏洞利用是否有效，这会带来一些成本，但不足以构成重大瓶颈。此外，该模型可以在本地设计好，以开源代码作为训练数据源，去测试漏洞利用，因此它可以提前练好黑客攻击技能，然后再与外部系统进行交互。也就是说，GPT 2030 可以针对大量并行目标快速执行复杂的网络攻击。滥用的第二个来源是操纵。如果 GPT 2030 同时与数百万用户进行交互的话，那么它在一个小时内获得的人机交互体验比人一生（100 万小时 = 114 年）获得的交互体验都要多。如果它利用这些交互来学习如何操纵，那么它就可以获得远超人类的操纵技能——打个比方，骗子擅长欺骗受害者，因为他们之前已经在数百人身上练习过，而 GPT 2030 可以将这项技能提高几个数量级。因此，它可能非常擅长在一对一对话中操纵用户，或者擅长撰写新闻文章来影响公众舆论。因此，总而言之，GPT 2030 可以将几乎所有的数学研究以及其他研究领域的重要组成部分自动化，并且可能成为网络攻击和说服/操纵等滥用行为的强大载体。其大部分影响将受到“监督瓶颈”的限制，因此如果人工智能可以长时间自主运行的话，那么它的影响可能会更大。来源：金色财经

金色财经2023-06-19

行业前瞻 | 一文带你读懂Web3.0 了解下一个风口项目USDToch

从人类学的角度来看，身份是由文化塑造的。最基本的身份可以是性别，它不仅仅描述了生物上的差异，还包括我们对这个身份所期望的社会功能和行为模式等方面。随着互联网Web2.0时代的到来，网络社会也应运而生。社会已经不再局限于地理边界，产生新的互联网身份。然而，由于互联网平台之间数据不互通，人们需要不断进行注册和身份验证，甚至身份信息数据可能被未授权的平台上传，导致隐私泄露和被标记等问题。因此，人们的互联网身份呈现出分割和不完整的状态，他们的权利逐渐丧失。 Web3.0的到来，重新给了用户掌握自身权利的机会。Web3.0由分布式账本技术支持，基于区块链的新一代互联网，其主要创新点包括开放、隐私、共建，以及借助区块链和智能合约等技术实现的去中心化。而DeFi 作为Web3 中最先爆发的赛道，取得了主流用户的关注和欢迎，目前已发展成为加密货币领域最大的行业之一。DeFi 能提供所有金融服务（储蓄，贷款，投资，保险等等），并取代全球的中心化金融产品。DeFi的诞生使得所有人都可以通过智能手机和互联网使用这些金融服务，通过使用加密货币、区块链技术和智能合约，DeFi 将带来革命性的金融技术和市场变革。 Web3 中 DeFi 的发展并不止于在公链巨头以太坊上的竞争，也不止于各种扩展性方案来提升吞吐和性能，基于这些，先驱的开发团队们创立了 USDToch。一、什么是USDToch？ USDToch成立于2021年，总部位于美国。是一个基于DeFi 2.0的链上借贷生态系统。它采用智能合约技术实现自动化的借贷过程，并且通过去中心化的方式保证用户资产的安全性和透明度。与传统的银行贷款相比，USDToch具有更低的利率、更快的审批速度和更灵活的还款方式等优势。平台使用AI策略算法来优化投资组合，以实现更高的收益和风险控制。不仅如此，USDToch目前的激励机制和经济模型之上，创新了流动性证明共识，更好地处理了投资者、建设者和与网络交互的用户之间的激励机制，是一个高性能、可扩展的金融质押借贷平台。同时符合身份的根本原则，只是形式发生了转变： 1.于平台，用户加入以加密钱包为身份证明的体系，通过链上数据和灵魂绑定证明，用户的数据真实且全面； 2.于他人，全新的组织形态，人们可以非常轻松的寻找符合自己要求的伙伴和组织； 3.于自己，在现实生活外，拥有一个全新的/自由的/匿名的/自主的身份。平台的生态代币UTH，基于BNB Chain发行的，协议标准为BEP20。通过智能合约技术将平台所持有的AI算力能力通过UTH进行锁定。因此，UTH的持有用户在USDToch能够根据市场变化实时、自动的调整投资策略。二、USDToch的特点 1. 去中心化：USDToch采用去中心化的方式进行借贷，所有交易都在区块链上完成，没有任何中间人参与。这样可以避免信任问题和单点故障风险，同时也保证了用户资产的安全性和透明度。 2. 自动化：USDToch采用智能合约技术实现自动化的借贷过程，用户只需要在平台上进行操作即可完成借贷。这样可以提高效率、降低成本，并且避免了人为因素对交易的影响。 3. 低利率：USDToch采用P2P（点对点）借贷模式，去除了传统金融机构的中间环节，从而使得借款利率更加低廉。同时，由于没有信用评级等限制，也让更多的人有机会获得借款服务。 4. 灵活还款：USDToch支持灵活的还款方式，用户可以根据自己的情况选择一次性还清或分期还款。并且，在还款过程中，用户可以随时调整还款计划，以适应个人资金状况的变化。 5. 高效审批：USDToch采用智能合约技术实现自动化的审批过程，大大缩短了审批时间。通常情况下，用户提交申请后，几分钟内就可以得到审批结果。 6. 有竞争力的回报：基于DeFi，USDToch为借款人最大限度地提高资本效率，并通过加密资产获得中一些稳定、优质的收益回报。三、USDToch的工作原理 1. 用户注册：用户需要在USDToch平台上注册账户，并完成基本认证和安全设置等步骤。 2. 质押资产：用户需要将一定数量的数字货币作为质押，以获得借款额度。USDToch支持ETH作为质押物。 3. 借款申请：基于DeFi 2.0，用户可以在平台上提交借款申请，贷款没有锁定期和深度退出流动性，让您对您的资产有终极控制权。 4. 审批过程：USDToch采用智能合约技术实现自动化的审批过程，您的贷款资产得到 USDTOCH 的 SAFU 基金和 USDT 持有者的保证，总共提供数百万美元的保险覆盖，拥有行业领先的承保记录。 5. 放款：如果借款申请通过审批，USDToch将跟踪USDToch审核过的借款人在链上借出的每一美元，并审查USDT代币库的定期证明。 6. 还款：用户需要按照约定的还款计划进行还款，USDToch会将每一笔资产流通进行非对称加密方式对数据加密，并存储在区块链网络上。 USDToch的USDT持有者将管理协议和批准新的借款人，并影响关键的财务合作决策。四、USDToch的优势 1. 更低的利率：由于去除了传统金融机构的中间环节，USDToch的借款利率更加低廉。 2. 更快的审批速度：USDToch采用智能合约技术实现自动化的审批过程，大大缩短了审批时间。 3. 更灵活的还款方式：USDToch支持灵活的还款方式，用户可以根据自己的情况选择一次性还清或分期还款，并且在还款过程中可以随时调整还款计划。 4. 更高的安全性和透明度：USDToch采用去中心化的方式进行借贷，所有交易都在区块链上完成，没有任何中间人参与。这样可以避免信任问题和单点故障风险，同时也保证了用户资产的安全性和透明度。 USDToch 项目基于web3+DeFi 2.0的前提下，对传统市场的颠覆潜力不容忽视，未来数年将呈现指数级增长，为投资者提供分散化投资和风险规避的机会。尽管USDToch市场存在着一些挑战和不确定性，但它们仍然是一种非常有前途的投资方式，可以为投资者提供多元化和稳定的投资回报。随着技术的不断进步和法规环境的逐渐明晰，USDToch市场将会进一步成熟和发展。我们相信，未来USDToch将成为区块链金融领域中的一个重要组成部分，并在全球范围内产生广泛影响。来源：金色财经

金色财经2023-05-18

24小时热点