FX168财经网_全球视野外汇黄金加密货币NFT资讯网

BTC价格预计将突破5万美元加密货币交易者纷纷抢BTC ETF代币

经历了戏剧性的70%价格增长。比特币价格预测：交易者面临对看涨比特币市场情绪的挑战然而，最近比特币价格的上涨对一些市场参与者敲响了警钟，因为主要的RSI指标已经转为强烈的“超买”信号。加密分析公司Santiment暗示这可能意味着需要进行一个小范围的回撤动作，指出RSI的冷却将使比特币准备好冲刺5万美元。 https://twitter.com/santimentfeed/status/1731762754980356289?s=20 这种情绪反映在加密小区中的知名交易者之间，市场参与者现正观望比特币能否在未来几周内建立支撑并保持在40,000美元以上。 https://twitter.com/CryptoMichNL/status/1731738200610152511 从区块链数据的角度来看，对于Net Unrealized Profit Loss（NUPL）的观察凸显了市场情绪的变化，从焦虑的乐观转向了充满希望的信仰。 NUPL信号通常在比特币分裂事件之前出现，就像在2017年和2019年一样。这一观察强化了在短时间内比特币进一步攀升至5万美元的看法。所有这些迹象都表明，新的Bitcoin ETF代币完美地准备好在激烈的市场条件下推出，为与比特币相关的代币掀起一场绝对的狂热。最适合Bitcoin ETF推动的替代币？$BTCETF代币 $BTCETF不仅仅是追求加密货币领域最重要的议题，还具有一项重要功能：提供Bitcoin ETF的实时新闻警报。这个代币的去中心化应用（dApp）为交易者提供了最新的比特币实物ETF信息和新闻的实时动态。它使用先进的技术实时追踪美国证券交易委员会（SEC）的进展，并利用高速机器人监控社交媒体，以获取最新的ETF新闻。然而，仅仅提供Bitcoin ETF新闻的简单动态只是显示了Bitcoin ETF代币潜力的一小部分。藉由简易进入的实时更新警报，尖锐的交易者提供了机会，使他们能够在市场上实现优于市场的回报，成为第一批获悉特权比特币ETF新闻的人。这有助于交易者在比特币市场发生重大变动时妥善定位自己，使Bitcoin ETF 人代币成为每位比特币交易者工具箱中的重要组成部分。时间不等人：不要错过利用Bitcoin ETF代币建立投资仓位的机会 https://twitter.com/BTCETF_Token/status/1732007015365386552 尽管这个有前途的比特币相关项目具有吸引人的潜力，但$BTCETF预售的时间迅速耗尽，距离预售第7阶段结束仅剩下20个小时。当定时器结束时，预售将进入第8阶段，将$BTCETF代币的购买价格提高到0.0064美元。因此，请务必不要错过，确保迅速入场，以获得最佳的进场价格。这还不计算由于交易者对ETF新闻dApp的需求以及对比特币替代品的持续需求，可能带来10倍代币价值增值潜力。 BTCETF代币预售筹得250万美元 - 新的10倍潜力加密货币？！由于市场对BRC-20次序代币和比特币替代品的真实兴趣，请务必把握机会提前参与下一次主要比特币ETF的上涨。在X（Twitter）和Telegram上与项目人员联系，以获取更多详细信息。在此购买Bitcoin ETF代币

Business2Community2023-12-06

每日钢市：期钢上涨，高成本支撑，钢价偏强运行

，短期来看整体表现偏强。四、钢材市场价格预测据Mysteel调研，12月4日-5日237家主流贸易商建筑钢材成交量分别为14.1万吨和13.7万吨，淡季钢材需求表现疲弱。不过，原燃料现货价格依然坚挺，对钢价仍有支撑。尽管山西吕梁中阳部分煤矿复产，但炼焦煤整体供应仍偏紧，煤焦现货市场依然高位运行。受铁矿石、焦煤、焦炭等期货价格波动反复，市场情绪谨慎观望，短期钢价或震荡运行，涨跌空间不大。

我的钢铁网2023-12-06

Footprint Analytics x Future3 Campus联合发布AI与Web3研究报告

ansen 则将 AI 用于 NFT 价格预测，通过数据分析和自然语言处理技术，提供有关 NFT 市场趋势的见解。另一方面，Trusta Labs使用了基于资产图谱挖掘和用户行为序列分析的机器学习方法，以增强其女巫检测解决方案的可靠性和稳定性，有助于维护区块链网络生态的安全。另一方面，Trusta Labs 采用了图挖掘和用户行为分析的方法，以增强其女巫检测解决方案的可靠性和稳定性，有助于维护区块链网络的安全。Goplus 在其运营中利用传统人工智能来提高去中心化应用程序（dApps）的安全性和效率。他们收集和分析来自 dApp 的安全信息，提供快速风险警报，帮助降低这些平台的风险敞口。这包括通过评估开源状态和潜在恶意行为等因素来检测 dApp 主合同中的风险，以及收集详细的审计信息，包括审计公司凭证、审计时间和审计报告链接。Footprint Analytics 则使用 AI 生成生产结构化数据的代码，分析 NFT 交易 Wash trading 交易以及机器人账户筛选排查。然而，传统 AI 拥有的信息有限，专注于使用预定的算法和规则执行预设任务，而 LLM 则通过大规模的自然语言数据学习，可以理解和生成自然语言，这使其更适合处理复杂且巨量的文本数据。最近，随着 LLM 取得了显著进展，人们对 AI 与 Web3 数据的结合，也进行了一些新的思考与探索。 3.1.2 LLM 的优势 LLM 相对于传统人工智能具有以下优势：可扩展性：LLM 支持大规模数据处理 LLM 在可扩展性方面表现出色，能够高效处理大量数据和用户互动。这使其非常适合处理需要大规模信息处理的任务，如文本分析或者大规模数据清洗。其高度的数据处理能力为区块链数据行业提供了强大的分析和应用潜力。适应性：LLM 可学习适应多领域需求 LLM 具备卓越的适应性，可以为特定任务进行微调或嵌入行业或私有数据库，使其能够迅速学习和适应不同领域的细微差别。这一特性使 LLM 成为了解决多领域、多用途问题的理想选择，为区块链应用的多样性提供了更广泛的支持。提高效率：LLM 自动化任务提高效率 LLM 的高效率为区块链数据行业带来了显著的便利。它能够自动化原本需要大量人工时间和资源的任务，从而提高生产力并降低成本。LLM 可以在几秒内生成大量文本、分析海量数据集，或执行多种重复性任务，从而减少了等待和处理时间，使区块链数据处理更加高效。任务分解：可以生成某些工作的具体计划，把大的工作分成小步骤 LLM Agent 具备独特的能力，即可以生成某些工作的具体计划，将复杂任务分解为可管理的小步骤。这一特性对于处理大规模的区块链数据和执行复杂的数据分析任务非常有益。通过将大型工作分解成小任务，LLM 可以更好地管理数据处理流程，并输出高质量的分析。这一能力对于执行复杂任务的 AI 系统至关重要，例如机器人自动化、项目管理和自然语言理解与生成，使其能够将高级任务目标转化为详细的行动路线，提高任务执行的效率和准确性。可访问性和易用性：LLM 以自然语言提供用户友好互动 LLM 的可访问性使更多用户能够轻松与数据和系统进行互动，让这些互动更加用户友好。通过自然语言，LLM 使数据和系统更容易访问和交互，无需用户学习复杂的技术术语或特定命令，例如，SQL，R，Python 等来做数据获取和分析。这一特性拓宽了区块链应用的受众范围，让更多的人能够访问和使用 Web3 应用和服务，不论他们是否精通技术，从而促进了区块链数据行业的发展和普及。 3.2 LLM 与 Web3 数据的融合图 7：区块链数据与 LLM 的融合大型语言模型的培训需要依赖大规模数据，通过学习数据中的模式来建立模型。区块链数据中蕴含的交互和行为模式是 LLM 学习的燃料。数据量和质量也直接影响 LLM 模型的学习效果。数据不仅仅是 LLM 的消耗品，LLM 还有助于生产数据，甚至可以提供反馈。例如，LLM 可以协助数据分析师在数据预处理方面做出贡献，如数据清洗和标注，或者生成结构化数据，清除数据中的噪声，凸显有效信息。 3.3 增强 LLM 的常用技术解决方案 ChatGPT 的出现，不仅向我们展示了 LLM 解决复杂问题的通用能力，同时也引发了全球范围的，对在通用能力上去叠加外部能力的探索。这里包括，通用能力的增强（包括上下文长度、复杂推理、数学、代码、多模态等）以及外部能力的扩充（处理非结构化数据、使用更复杂的工具、与物理世界的交互等）。如何将 crypto 领域的专有知识以及个人的个性化私有数据嫁接到大模型的通用能力上，是大模型在 crypto 垂直领域商业化落地的核心技术问题。目前，大多数应用都集中在检索增强生成（RAG）上，比如提示工程和嵌入技术，已经存在的代理工具也大多都聚焦于提高 RAG 工作的效率和准确性。市场上主要的基于 LLM 技术的应用栈的参考架构有以下几种： Prompt Engineering 图 8：Prompt Engineering 当前，大多数从业者在构建应用时采用基础解决方案，即 Prompt Engineering。这一方法通过设计特定的 Prompt 来改变模型的输入，以满足特定应用的需求，是最方便快捷的做法。然而，基础的 Prompt Engineering 存在一些限制，如数据库更新不及时、内容冗杂、以及对输入上下文长度（In-Context Length）的支持和多轮问答的限制。因此，行业内也在研究更先进的改进方案，包括嵌入（Embedding）和微调（Fine-tuning）。嵌入（Embedding）嵌入（Embedding）是一种广泛应用于人工智能领域的数据表示方法，能高效捕获对象的语义信息。通过将对象属性映射成向量形式，嵌入技术能够通过分析向量之间的相互关系，快速找到最有可能正确的答案。嵌入可以在 LLM 的基础上构建，以利用该模型在广泛语料上学到的丰富语言知识。通过嵌入技术将特定任务或领域的信息引入到预训练的大模型中，使得模型更专业化，更适应特定任务，同时保留了基础模型的通用性。用通俗的话来讲，嵌入就类似于你给一个经过综合训练的大学生一本工具书，让他拿着拥有特定任务相关知识的工具书去完成任务，他可以随时查阅工具书，然后可以解决特定的问题。微调（Fine-tuning）图 9：Fine Tuning 微调（Fine-tuning）与嵌入不同，通过更新已经预训练的语言模型的参数，使其适应特定任务。这种方法允许模型在特定任务上表现出更好的性能，同时保持通用性。微调的核心思想是调整模型参数，捕捉与目标任务相关的特定模式和关系。但微调的模型通用能力上限仍然受限于基座模型本身。用通俗的话来讲，微调就类似于给经过综合训练的大学生上专业知识课程，让他掌握除了综合能力以外的专业课知识，能自行解决专业板块的问题。重新训练 LLM 当前的 LLM 虽然强大，但不一定能够满足所有需求。重新训练 LLM 是一种高度定制化的解决方案，通过引入新数据集和调整模型权重，使其更适应特定任务、需求或领域。然而，这种方法需要大量计算资源和数据，并且管理和维护重新训练后的模型也是挑战之一。 Agent 模型图 10：Agent 模型 Agent 模型是一种构建智能代理的方法，它以 LLM 作为核心控制器。这个系统还包括几个关键组成部分，以提供更全面的智能。 Planning，规划：将大任务分成小任务，这样更容易完成 Memory，反思：通过反思过去的行为，改进未来的计划 Tools，工具使用：代理可以调用外部工具获取更多信息，如调用搜索引擎、计算器等人工智能代理模型具备强大的语言理解和生成能力，能够解决通用问题，进行任务分解以及自我反思。这使得它在各种应用中都有广泛的潜力。然而，代理模型也存在一些局限性，例如受到上下文长度的限制、长期规划和任务拆分容易出错、输出内容的可靠性不稳定等问题。这些局限性需要长期不断的研究和创新，以进一步拓展代理模型在不同领域的应用。以上的各种技术并不是相互排斥的，它们可以在训练和增强同一个模型的过程中一起使用。开发者可以充分发挥现有大语言模型的潜力，尝试不同的方法，以满足日益复杂的应用需求。这种综合使用不仅有助于提高模型的性能，还有助于推动 Web3 技术的快速创新和进步。然而，我们认为，虽然现有的 LLM 已经在 Web3 的快速发展中发挥了重要作用，但在充分尝试这些现有模型（如 OpenAI、Llama 2 以及其他开源 LLM）之前，我们可以从浅入深，从 prompt engineering 和嵌入等 RAG 策略入手，谨慎考虑微调和重新训练基础模型。 3.4 LLM 如何加速区块链数据生产的各个流程 3.4.1 区块链数据的一般处理流程当今，区块链领域的建设者逐渐认识到数据产品的价值。这一价值覆盖了产品运营监控、预测模型、推荐系统以及数据驱动的应用程序等多个领域。尽管这一认知逐渐增强，但作为数据获取到数据应用中不可或缺的关键步骤，数据处理往往被忽视。图 12：区块链数据处理流程将区块链原始非结构化数据，如 events 或 logs 等，转换为结构化的数据区块链上的每一笔交易或事件都会生成 events 或 logs，这些数据通常是非结构化的。这一步骤是获取数据的第一入口，但数据仍然需要被进一步处理以提取有用信息，得到结构化的原始数据。这包括整理数据、处理异常情况和转化为通用格式。将结构化的原始数据，转换为具有业务意义的抽象表在得到结构化原始数据后，需要进一步进行业务抽象，将数据映射到业务实体和指标上，比如交易量、用户量等业务指标，将原始数据转化为对业务和决策有意义的数据。从抽象表中，计算提取业务指标有了抽象的业务数据后，可以在业务抽象的数据上进行进一步计算，就可以得出各种重要的衍生指标。例如交易总额的月增长率、用户留存率等核心指标。这些指标可以借助 SQL、Python 等工具实现，更加有可能帮助监控业务健康、了解用户行为和趋势，从而支持决策和战略规划。 3.4.2 区块链数据生成流程加入 LLM 后的优化 LLM 在区块链数据处理中可以解决多个问题，包括但不限于以下内容：处理非结构化数据：从交易日志和事件中提取结构化信息：LLM 可以分析区块链的交易日志和事件，提取其中的关键信息，如交易金额、交易方地址、时间戳等，将非结构化数据转化为的带有业务意义的数据，使其更易于分析和理解。清洗数据，识别异常数据：LLM 可以自动识别和清洗不一致或异常的数据，帮助确保数据的准确性和一致性，从而提高数据质量。进行业务抽象：将原始链上数据映射到业务实体：LLM 可以将原始区块链数据映射到业务实体，例如将区块链地址映射到实际用户或资产，从而使业务处理更加直观和有效。处理非结构化链上内容，打标签：LLM 可以分析非结构化数据，如 Twitter 情感分析结果，将其标记为正面、负面或中性情感，从而帮助用户更好地理解社交媒体上的情感倾向。自然语言解读数据：计算核心指标：基于业务抽象，LLM 可以计算核心业务指标，如用户交易量、资产价值、市场份额等，以帮助用户更好地了解其业务的关键性能。查询数据：LLM 可以通过 AIGC，理解用户意图，生成 SQL 查询，使用户能够以自然语言提出查询请求，而不必编写复杂的 SQL 查询语句。这增加了数据库查询的可访问性。指标选择、排序和相关性分析：LLM 可以帮助用户选择、排序和分析不同的多个指标，以更好地理解它们之间的关系和相关性，从而支持更深入的数据分析和决策制定。产生业务抽象的自然语言描述：LLM 可以根据事实数据，生成自然语言摘要或解释，以帮助用户更好地理解业务抽象和数据指标，提高可解释性，并使决策更具合理性。 3.5 目前用例根据 LLM 自身的技术以及产品体验优势，它可以被应用到不同的链上数据场景，技术上从易到难可以将这些场景分成四类：数据转换：进行数据增强、重构等操作，如文本摘要、分类、信息抽取。这类应用开发较快，但更适合通用场景，不太适合大量数据的简单批量化处理。自然语言接口：将 LLM 连接知识库或工具，实现问答或基本工具使用的自动化。这可以用于构建专业聊天机器人，但其实际价值受其所连接的知识库质量等其他因素影响。工作流自动化：使用 LLM 实现业务流程的标准化和自动化。这可以应用于较复杂的区块链数据处理流程，如解构智能合约运行过程、风险识别等。协助机器人与助手辅助系统：辅助系统是在自然语言接口的基础上，集成更多数据源和功能的增强系统，大幅提高用户工作效率。图 11：LLM 应用场景 3.6 LLM 的局限性 3.6.1 行业现状：成熟应用、正在攻克的问题以及尚未解决的挑战在 Web3 数据领域，尽管已经取得了一些重要的进展，但仍然面临一些挑战。相对成熟的应用：使用 LLM 进行信息处理：LLM 等 AI 技术已成功用于生成文本摘要、总结、解释等工作，帮助用户从长篇文章、专业报告中提取关键信息，提高了数据的可读性和可理解性。使用 AI 解决开发问题：LLM 已经应用于解决开发过程中的问题，例如替代StackOverflow 或搜索引擎，为开发者提供问题解答和编程支持。有待解决与正在探索的问题：利用 LLM 生成代码：行业正在努力将 LLM 技术应用于自然语言到 SQL 查询语言的转换，以提高数据库查询的自动化和可理解性。然而，过程中会有很多困难，比如在某些情境下，生成的代码要求极高的准确性，语法必须百分之百正确，以确保程序能够无 bug 运行，并获得正确的结果。难点还包括确保问题回答的成功率、正确率，以及对业务的深刻理解。数据标注问题：数据标注对于机器学习和深度学习模型的训练至关重要，但在 Web3 数据领域，特别是处理匿名的区块链数据时，标注数据的复杂性较高。准确性和幻觉（Hallucination）问题：AI 模型中幻觉的出现可能受多因素影响，包括有偏见或不足的训练数据、过度拟合、有限的上下文理解、缺乏领域知识、对抗性攻击和模型架构。研究人员和开发者需要不断改进模型的训练和校准方法，以提高生成文本的可信度和准确性。利用数据进行业务分析和文章输出：将数据用于业务分析和生成文章仍然是一个具有挑战性的问题。问题的复杂性、需要精心设计的提示（prompt）、以及高质量的数据、数据量、减少幻觉问题的方法都是待解决的问题。根据业务领域自动索引智能合同数据以进行数据抽象：自动为不同业务领域的智能合同数据建立索引以进行数据抽象仍然是一个未解决的问题。这需要综合考虑不同业务领域的特点，以及数据的多样性和复杂性。处理时序数据，表格文档数据等更复杂的模态：DALL·E 2 等多模态模型非常擅长在文字生成图像、语音等常见模态。而在区块链以及金融领域需要特别地对待一些时序数据，而非简单地把文本向量化就能解决。联和时序数据与文本，跨模态联合训练等，是实现数据智能分析以及应用的重要研究方向。 3.6.2 为何只靠 LLM 不能完美解决区块链数据行业的问题作为语言模型，LLM 更适用于处理对流畅度要求较高的场景，而在追求准确性方面，可能需要对模型进行更进一步的调整。在将 LLM 应用于区块链数据行业时，以下框架可提供一些参考。图 13：区块链数据行业下 LLM 输出的流畅性、准确性和用例风险在评估 LLM 在不同应用中的适用性时，关注流畅度和准确性是至关重要的。流畅度指的是模型的输出是否自然、通顺，准确性则表示模型的答案是否准确。这两个维度在不同应用场景中有不同的要求。对于流畅度要求较高的任务，如自然语言生成、创意写作等，LLM 通常能够胜任，因为其在自然语言处理方面的强大性能使其能够生成流畅的文本。区块链数据面临着数据解析、数据处理、数据应用等多方面的问题。LLM 拥有卓越的语言理解和推理能力，使其成为与区块链数据互动、整理和概括的理想工具。然而，LLM 并不能解决所有区块链数据领域的问题。在数据处理方面，LLM 更适合快速迭代和探索性处理链上数据，不断尝试新的处理方法。然而，LLM 在生产环境中的详细核对等任务方面仍存在一些限制。典型的问题是 token 长度不够，无法应对长上下文的内容。耗时的 prompt，回答不稳定影响下游任务进而导致成功率不稳定的问题，以及执行大批量任务的效率不高。其次，LLM 处理内容的过程中很可能出现幻觉问题。据估计，ChatGPT 的幻觉概率约为 15% 至 20%，而由于其处理过程的不透明性，很多错误难以察觉。因此，框架的建立和专家知识的结合变得至关重要。此外，LLM 结合链上数据还是有很多挑战：链上数据实体类型多、数量庞大，以何种形式投喂给 LLM，有效地运用在具体的商业化场景，类似其他垂直行业，需要更多研究和探索。链上数据包括结构化和非结构化数据，目前行业大多数数据解决方案，都是基于对业务数据的理解。解析链上数据的过程中，用 ETL 去过滤，清洗，补充和复原业务逻辑，进一步把非结构化数据整理为结构化数据，可以为后期多种业务场景提供更高效的分析。比如，结构化的 DEX trades，NFT marketplace transactions，wallet address portfolio 等，就具有前面提到的高质量，高价值，准确和真实等特点，可以给通用 LLM 提供高效的补充。被误解的 LLM LLM 可以直接处理非结构化数据，因此结构化数据将不再被需要？ LLM 通常基于海量文本数据预训练而来，天然适合处理各类非结构化的文本数据。然而，各个行业已经拥有大量结构化数据，尤其 Web3 领域中解析后的数据。如何有效的利用这些数据，增强 LLM，是一个行业的热门研究课题。对于 LLM，结构化数据仍然具有以下的优势：海量：大量的数据储存在各种应用背后的数据库和其他标准格式里面，特别是私有数据。每个公司和行业都还有大量 LLM 没有用于预训练的墙内数据。已有：这些数据不需要重新生产，投入成本极低，唯一的问题是怎么用起来。高质量和高价值：领域内长期积累的，蕴含专家的专业知识，通常都沉淀到了结构化数据里面，用于产学研。结构化数据的质量是数据可用性的关键，其中包括数据的完整性、一致性、准确性、唯一性和事实性。高效率：结构化数据以表格、数据库或其他规范格式存储，模式是预先定义的，并且在整个数据集中保持一致。这意味着数据的格式、类型和关系都是可预测和可控的，使得数据的分析和查询更加简单和可靠。而且，行业已经有成熟的 ETL 及各种数据处理和管理工具，使用起来也更加高效和便捷。LLM 可以通过 API，把这些数据使用起来。准确性和事实性：LLM 的文本数据，基于 token 概率，目前还不能稳定的输出确切的答案，产生的幻觉问题一直是 LLM 要解决的核心根本问题。对于很多行业和场景，会形成安全和可靠性问题，比如，医疗，金融等。结构化数据，正是可以辅助和矫正LLM 这些问题的一个方向。体现关系图谱，和特定业务逻辑：不同类型的结构化数据，可以以特定的组织形式（关系型数据库，图数据库等），输入到 LLM，解决不同类型的领域问题。结构化数据使用标准化的查询语言（如 SQL），使得对数据进行复杂的查询和分析变得更加高效和准确。知识图谱 (Knowledge Graph) 可以更好地表达实体之间的关系，也更容易进行关联查询。使用成本低：不用 LLM 每次重新从底层重新训练整个底座模型，可以结合 Agents 和LLM API 等 LLM 赋能方式，更快更低成本的接入 LLM。目前市场上还有一些脑洞大开的观点，认为 LLM 在处理文本信息和非结构化信息方面的能力极强，只需将原始数据，包括非结构化数据，简单导入到 LLM，就能达到目的。这个想法类似于要求通用 LLM 解数学题，在没有专门构建数学能力模型的情况下，大多数 LLM 可能会在处理简单的小学加减题时出错。反而，建立类似数学能力模型，和图像生成模型的 Crypto LLM 垂直模型，才是解决 LLM 在 Crypto 领域更落地的实践。 4.2 LLM 可以从新闻、推特等文字信息推测内容，人们不再需要链上数据分析来得出结论？ LLM 虽然可以从新闻、社交媒体等文本中获得信息，但直接从链上数据中获得的洞察仍然是不可或缺的，主要原因有: 链上数据是原始的第一手资讯，而新闻和社交媒体中的信息可能存在片面性或误导性。直接分析链上数据可以减少信息偏差。尽管利用 LLM 进行文本分析存在理解偏差的风险，但直接分析链上数据可以减少误读。链上数据包含全面的历史交互和交易记录，分析可以发现长期趋势和模式。链上数据还可以展现整个生态系统的全貌，如资金流向、各方关系等。这些宏观的洞察有助于更深入地理解状况。而新闻和社交媒体信息通常更零散且短期。链上数据是开放的。任何人都可以验证分析结果，避免信息的不对称。而新闻和社交媒体未必都如实披露。文本信息和链上数据可以相互验证。综合两者可以形成更立体和准确的判断。链上数据分析仍是不可或缺的。LLM 从文本中获取信息具有辅助作用，但不能取代直接分析链上数据。充分利用两者优势才能取得最佳效果。 4.3 利用 LangChain、LlamaIndex 或其他 AI 工具，在 LLM 的基础上构建区块链数据解决方案非常容易？ LangChain 和 LlamaIndex 等工具为构建自定义的简单 LLM 应用提供了便利，使快速搭建成为可能。然而，将这些工具成功应用于实际生产环境中涉及到更多的挑战。构建一个高效运行、保持高质量的 LLM 应用是一项复杂的任务，需要深入理解区块链技术和 AI 工具的工作原理，并有效地将它们整合在一起。这对于区块链数据行业来说，是一项重要但具有挑战性的工作。在这个过程中，必须认识到区块链数据的特性，它要求极高的精准性和可重复校验性。一旦数据通过 LLM 进行处理和分析，用户对其准确性和可信度有很高的期望。这与 LLM 的模糊容错性之间存在着潜在的矛盾。因此，在构建区块链数据解决方案时，必须仔细权衡这两方面的需求，以满足用户的期望。当前市场上，虽然已经有了一些基础工具，但这个领域仍在快速演进和不断迭代。类比于 Web2 世界的发展历程，从最初的 PHP 编程语言到更成熟、可扩展的方案如 Java、Ruby、Python，以及 JavaScript 和 Node.js 等，再到 Go 和 Rust 等新兴技术，都经历了不断的演变。AI 工具也在不断变化，新兴的 GPT 框架如 AutoGPT，Microsft AutoGen，及最近OpenAI 自己推出的 ChatGPT 4.0 Turbo 的 GPTs 和 Agents 等只是展示了未来可能性的一部分。这表明，区块链数据行业和 AI 技术都还有许多发展空间，需要不断努力和创新。当前在应用 LLM 时，有两个陷阱需要特别注意：期望值过高：很多人认为 LLM 可以解决一切问题，但实际上 LLM 有明显的局限性。它需要大量的计算资源，训练成本高昂，而且训练过程可能不稳定。对 LLM 的能力要有现实的期望，明白它在某些场景下表现出色，如自然语言处理和文本生成，但在其他领域可能无法胜任。忽视业务需求：另一个陷阱是强行应用 LLM 技术，而不充分考虑业务需求。在应用 LLM 之前，务必明确具体的业务需求。需要评估 LLM 是否是最佳技术选择，并做好风险评估和控制。强调 LLM 的有效应用需要根据实际情况慎重考虑，避免误用。尽管 LLM 在许多领域都具备巨大潜力，但开发者和研究者在应用 LLM 时需要保持谨慎，采取开放的探索态度，以找到更适合的应用场景并最大程度地发挥其优势。关于Footprint Analytics Footprint Analytics是一家区块链数据解决方案提供商。借助尖端的人工智能技术，我们提供 Crypto 领域首家支持无代码数据分析平台以及统一的数据 API，让用户可以快速检索超过 30 条公链生态的 NFT，GameFi 以及钱包地址资金流追踪数据。关于Future3 Campus Future3 Campus是由万向区块链实验室和HashKey Capital共同发起的Web3.0创新孵化平台，重点聚焦Web3.0 Massive Adoption、DePIN、AI三大赛道，以上海、粤港澳大湾区、新加坡为主要孵化基地，辐射全球Web3.0生态。同时，Future3 Campus将推出首期5000万美金的种子基金用于Web3.0项目孵化，真正服务于Web3.0领域的创新创业。来源：金色财经

金色财经2023-12-06

比特币价格突破44,000美元　BTC价格预测圣诞达到45,000美元

持续一个月比特币 ETF 将获批消息炒作之后，比特币价格迅速在一周内突破4万美元，然后在本周三清晨44,000美元，升势仍然在持续，相信在2023年结束前圣诞节时会达到45,000美元。比特币 (BTC) 最近受到了极大关注，彭博社主要分析师 Eric Balchunas向他的 163，000 名粉丝指出，他对比特币交易所交易基金 (ETF) 在一个多月内获得批准充满信心。过去一年比特币价格总涨幅达155% 这位分析师表示，他们坚持到 1 月 10 日获得批准的可能性为 90%。他还指出，围绕正在进行的比特币 ETF 辩论的不太重要的方面存在大量干扰。过去一周比特币加密货币突破了 38,000 美元的价格关口，从 36,770.40 美元飙升至最高点 44,000 美元。过去一年，BTC 价格总涨幅达155%。分析师预计，到 2023 年底，比特币可能会飙升至 45,000美元。流行的社交媒体评论员“小胡子”认为，就比特币价格模式而言，当前的牛市没有理由与之前的牛市有所不同。：“48,000 美元是不可避免的，如果这一点被打破，我更预计比特币在不久的将来会达到 60,000 美

Business2Community2023-12-06

狗狗币十周年　DOGE展开升势价格预测升上0.1美元

在明天（6日）踏入十周年的狗狗币（DOGE）过去几周在受到更广泛的加密市场复苏的带动下，其流行度和价格都出现了大幅上涨。狗狗币是一个以狗狗面孔网红表情包为基础的Meme加密货币，它原本只是一个大家戏称的加密资产，但随着Elon Musk等名人的大力推广，其价格和知名度在2021年出现了爆发式增长。虽然2022年的加密熊市重创了狗狗币，其价格一度下跌超过80%，但在最近的反弹中，狗狗币价格已经翻了一番，重新燃起投资者对其长期前景的热情。狗狗币表现出乐观势头狗狗币(DOGE) 最新报价已回升至0.09美元左右，表现出乐观势头。技术指针显示DOGE在过去一周和一个月内分别上涨了约6%和20%。移动平均线和MACD发出买入信号，预示着中长期看涨情绪正在积聚。具体来看，50日指数移动平均线位于0.0840，高于价格，形成买入讯号。50日简单移动平均线也落在0.0822，进一步确认看涨信号的有效性。100日指数和简单移动平均线分别位于0.0708和0.0871，均高于价格并呈上升趋势，表明DOGE的长期技术走势健康向好。但是我们也要注意到商品通道指数已经升至接近过热区域，暗示抛售压力正在

Business2Community2023-12-05

Terra Luna Classic一周大涨104%价格预测继续看涨　市场同时热买比特币ETF

最近一周Terra代币LUNC的价格表现突出，在24小时内涨幅高达30%，一周内累计涨幅更达到104%，成为市值前100名币种中表现最好的。LUNC价格已经冲至近期高点0.0002471美元，投资者持续看涨的势头。 LUNC能有如此强劲表现，主要受到市场整体向好气氛的提振，以及Terra社群对LUNC前景的重新肯定。例如，Terra社群最近就LUNC升级提案进行投票，超过90%票数支持停止铸造其稳定币USTC。这说明LUNC社群重新形成共识，对LUNC的发展前景充满信心。 LUNC仍有更大上涨空间从技术面看，LUNC的RSI指标已超过90进入「超买」区域。尽管一般情况下会触发短期调整，但因LUNC过去一直处于超卖，目前仍有更大上涨空间。此外，LUNC的24小时交易量达12.5亿美元，反映出鲸鱼又开始大量累积该代币。分析认为如果市场行情持续看好，LUNC有望在2024年重回0.001美元。如果想获得更大收益，也可以关注现正进行预售的新币，例如Bitcoin Minetrix (BTCMTX)。 BTCMTX是一个通过质押挖矿比特币的平台，总发行量为40亿枚。用户可以通过质押BTCM

Business2Community2023-12-05

Footprint Analytics x Future3 Campus联合发布AI与Web3研报（下篇）

n Protocol 近期也发布了一个价格预测的AI产品。这类的产品似乎很有想象力，但在产品中、用户接受程度方面，尤其是准确性方面仍需要进行验证。另一方面，有不少 VC，尤其是在 Web2 有投资的 VC会更关注提到 Web3 和区块链技术能够为 AI 技术带来的优势和应用场景。区块链具有公开可验证、去中心化的特点，以及密码学技术提供隐私保护能力，加上 Web3 对生产关系重塑，可能能够给 AI 带来一些新的机会：（1）AI 数据确权与验证。AI 的出现使数据内容生成变得泛滥和廉价。启明创投的唐弈提到对于数字作品等内容，难以确定其质量和创作者。在这方面，数据内容的确权需要一个全新的体系，区块链可能可以提供帮助。经纬创投的子熹提到有数据交易所将数据放在NFT中进行交易，可以解决数据确权的问题。另外，SevenX Ventures 的 Yuxing 提到Web3 数据能够改善 AI 造假和黑盒问题，当前 AI 在模型算法本身和数据方面都存在黑盒问题，会导致输出结果的偏差。而Web3的数据具有透明性，数据是公开可验证的，AI模型的训练源和结果都会更加明晰，使得AI更加公正，减少偏见和错误。但当前 Web3 的数据量还不够多，不足以给 AI 本身的训练赋能，因此短期不会实现。但是我们可以利用这一特性，将 Web2 数据上链，来防止 AI 的深度伪造。（2）AI 数据标注众包及 UGC 社区：目前传统 AI 标注面临效率和质量较低的问题，尤其是在涉及到专业知识领域，可能还需要交叉学科知识，传统的通用数据标注公司是不可能覆盖的，往往需要专业团队内部来做。而通过区块链和 Web3 的概念引入数据标注的众包，则能很好地改善这个问题，例如经纬创投投资的Questlab，他们使用区块链技术提供数据标注的众包服务。此外，在一些开源模型社区中，也可以使用区块链概念来解决模型创作者经济的问题。（3）数据隐私部署：区块链技术结合密码学相关技术可以保证数据的隐私和去中心化。经纬创投的子熹提到他们投资的一个合成数据公司，通过大模型生成合成数据去使用，数据可以主要应用在软件测试、数据分析，以及 AI 大模型训练使用。公司在处理数据的时候涉及到很多隐私部署的问题，使用了 Oasis区块链，可以有效避免了隐私和监管问题。 2.2 AI+Web3 数据公司如何打造核心竞争力对于 Web3 技术公司来说，AI 的引入能够一定程度上增加项目的吸引力或关注度，但是目前大部分 Web3 技术公司相关结合 AI 的产品并不足以成为公司的核心竞争力，更多是在提供了更友好的体验，以及效率的提升。譬如 AI Agent 的门槛并不高，先做的公司可能在市场有先发优势，但并不产生壁垒。而真正在 Web3 数据行业中产生核心竞争力和壁垒的应该是团队的数据能力以及如何应用 AI 技术解决具体分析场景的问题。首先，团队的数据能力包括了数据源及团队进行数据分析和模型调整的能力，这是进行后续工作的基础。在采访中，SevenX Ventures、经纬创投和 Hashkey Capital 都一致提到了 AI+Web3 数据公司的核心竞争力取决于数据源的质量。在这个基础上，还需要工程师能够基于数据源熟练地进行模型微调、数据处理和解析。另一方面，团队 AI 技术具体结合的场景也非常重要，场景应该是有价值的。Harper 认为，尽管目前 Web3 数据公司与 AI 的结合基本都是从 AI Agent 开始，但他们的定位也不同，例如 Hashkey Capital 投资的 Space and Time，和 chainML 合作推出了创建 AI agent 的基础设施，其中创建的 DeFi agent 被用于 Space and Time。 2.3 Web3 数据公司未来的商业化道路另一个对于 Web3 数据公司很重要的话题是商业化。长期以来，数据分析公司的盈利模式都比较单一，大都 ToC 免费，主要 ToB 盈利，这很依赖于 B 端客户的付费意愿。在 Web3 领域，本身企业的付费意愿就不高，加上行业初创公司为主，项目方难以支撑长期的付费。因此目前 Web3 数据公司在商业化的处境上比较艰难。在这个问题上，VC 们普遍认为当前 AI 技术的结合，仅应用在内部解决生产流程的问题，并没有改变本质上的变现难问题。一些新的产品形式如 AI Bot 等门槛不够高，可能一定程度上在 toC 领域增强用户的付费意愿，但仍然不是很强。AI 可能短期内不是解决数据产品商业化问题的解决方案，商业化需要更多的产品化努力，例如寻找更加合适的场景，和创新的商业模式。在未来 Web3 与 AI 结合的路径上，利用 Web3 的经济模型结合 AI 数据可能会产生一些新的商业模式，主要在 ToC 领域。经纬创投的子熹提到 AI 产品可以结合一些 token 的玩法，提高整个社群的粘性、日活和情感，这是可行的，也更容易变现。启明创投的唐弈提到，从意识形态的角度，Web3 的价值体系可以结合到AI上的，很适合作为 bot 的账号体系或者说价值转化体系。例如一个机器人拥有自己的账户，可以通过其智能部分赚钱，以及为维护其底层计算能力付费等。但这个概念属于未来的畅想，实际应用可能还有很长的路要走。而在原来的商业模式，即用户直接付费上，需要有足够强的产品力，让用户有更强的付费意愿。例如更高质量的数据源、数据带来的效益超过支付的成本等，这不仅仅在于 AI 技术的应用，也在数据团队本身的能力之上。关于Footprint Analytics Footprint Analytics是一家区块链数据解决方案提供商。借助尖端的人工智能技术，我们提供 Crypto 领域首家支持无代码数据分析平台以及统一的数据 API，让用户可以快速检索超过 30 条公链生态的 NFT，GameFi 以及钱包地址资金流追踪数据。关于Future3 Campus Future3 Campus是由万向区块链实验室和HashKey Capital共同发起的Web3.0创新孵化平台，重点聚焦Web3.0 Massive Adoption、DePIN、AI三大赛道，以上海、粤港澳大湾区、新加坡为主要孵化基地，辐射全球Web3.0生态。同时，Future3 Campus将推出首期5000万美金的种子基金用于Web3.0项目孵化，真正服务于Web3.0领域的创新创业。来源：金色财经

金色财经2023-12-05

每日钢市：6家钢厂降价，短期钢价震荡偏弱

惕个别区域小幅回调风险。四、钢材市场价格预测淡季钢材需求表现疲弱，库存或将出现累积。同时，山西煤矿陆续复产，焦煤期货价格高位回调，领跌黑色期货市场。短期来看，钢价或震荡偏弱运行，考虑到原燃料现货价格依然坚挺，钢价回调幅度有限。

我的钢铁网2023-12-05

美股区块链概念股盘前普涨比特币站上41000美元/枚

以来新高。此外，渣打银行上周重申4月的价格预测，称比特币价格到2024年底将达到10万美元。该银行表示，这将受到诸多ETF获批的推动。

金融界2023-12-04

价格预测Terra Classic ($LUNC)价格激增38%市值突破10亿美元　市场同时热买比特币ETF代币

Terra Classic LUNC价格突破$0.0002另一重要阻力水平，为进一步拉升铺路。过去两周，Terra Classic (LUNC) 表现显著优于整体市场，并录得可观涨幅。当其姊妹代币稳定币USTC大幅拉升试图重回1美元价位时，进一步提振了LUNC的动能。今日截稿LUNC价值飙升38%，突破0.0002 美元关键阻力位，预示着进一步增长可能。过去三个月Terra Classic价格均呈现看涨趋势 0.0002美元的突破可能会触发快速10%涨幅，20日EMA将为买方提供强有力的回调支持，LUNC钱币的当日交易量为5.51亿美元，表示增长45% 过去三个月，比特币和Terra Classic价格均呈现看涨趋势。然而LUNC价格的表现显著优于BTC，近期几周几乎翻倍了价值，而比特币价格呈现更安全、更稳定的增长。相对强度指数，日RSI高达89%，表示强劲的看涨动能，但也暗示出现超买状况的可能性。平均方向性指数:ADX斜率为48%，提示看涨动能正在减弱，潜在标志需求进行轻微回调。要维持如此快速的增长需要基本面发展或利好消息的支持。在缺乏这些支持的情况下，投资者应谨慎可能出现

Business2Community2023-12-04

24小时热点