FX168财经网_全球视野外汇黄金加密货币NFT资讯网

从Sora到3EX AI交易：AI如何重塑加密交易

新的交易工具和服务。通过集成深度学习和机器学习模型，3EX能够分析大量的市场数据，预测市场趋势，并据此自动调整交易策略。从Sora到3EX AI交易，AI技术正在逐步成为区块链行业的游戏改变者。随着技术的不断进步，AI和区块链的结合将更加紧密，未来的区块链平台将更加智能化、个性化和安全，带领区块链行业进入一个全新的发展阶段，为全球的投资者提供更加高效、安全和智能的交易服务。未来已来，让我们共同期待AI在区块链行业中创造的更多可能。 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2024-02-26

揭开智能 DeFi 的面纱：协处理器如何赋能 DeFi

与Modulus Labs等尖端零知识机器学习 (ZKML) 解决方案和Ritual等去中心化人工智能平台集成，流动性管理者可以利用基于历史交易数据、价格相关性、波动性、动量等的复杂策略，同时享受隐私和无需信任的优点。高频交易策略需要精确的时机和快速的执行。虽然 ZK 解决方案可能并不总能满足必要的速度，但加密经济协处理器在这一领域表现出色。这些协处理器允许快速执行人工智能算法，并在块时间允许的情况下尽可能频繁地更新参数。然而，使用这种方法会产生保险费用。由于管理者不当处理资金或进行反向交易等潜在风险，准确估计这些成本可能具有挑战性。决策过程涉及平衡额外回报与保险费用，这最终取决于协处理器测量的时间范围内发生的总量。基于指标的奖励分配虽然每笔交易都记录在区块链上，但智能合约在确定这些交易所代表的指标方面面临着挑战，例如交易量、交互次数、每单位时间的 TVL 等。人们可能会建议使用 Dune Analytics 等索引解决方案，该解决方案提供有价值的信息。然而，依赖链外索引引入了额外的信任层。这就是协处理器成为一种有前途的解决方案的地方。一项特别有价值的链上指标是交易量。例如，与某些块内的特定地址相关联的特定 AMM 池内的累积量。这个指标对于 DEX 非常有利。一种用例是允许根据用户的交易量为其设置不同的费用等级。这种方法类似于动态费用，但它不依赖一般数据，而是查看特定地址的数据。 Brevis提供了一个有趣的例子，其中交易量证明可以与定制的费用回扣 Uniswap 挂钩相结合，以提供类似于 CEX 上的 VIP 交易者的基于交易量的费用回扣。具体来说，Uniswap v4可以读取用户过去30天内的历史交易，用定制的逻辑解析每个交易事件，并使用Brevis计算交易量。然后，交易量和 Brevis 生成的 ZK Proof 在 Uniswap v4 Hook 智能合约中进行可信验证，该智能合约异步确定并记录用户的 VIP 费用等级。验证通过后，符合条件的用户未来的任何交易都会触发 getFee() 函数，简单地查询 VIP 记录并相应减少交易费用。获得“VIP”认证的成本也很便宜（根据其性能基准结果，大约 2.5 美元）。使用NEBRA等解决方案聚合多个用户可以进一步降低成本。唯一的代价是延迟，因为访问和计算 2600 个链上 Uniswap 交易大约需要 400 秒。然而，对于时间不敏感的功能来说，这不太重要。为了解决延迟问题，dapp 可以利用 Brevis 的 coChain。通过 PoS 共识机制快速计算和交付结果，以最大程度地减少延迟。如果出现恶意活动，可以在挑战窗口期间使用 ZKP 来惩罚流氓验证者。例如，在前面提到的 VIP 费用场景中，如果超过 2/3 的 coChain 验证者在链接到动态费用挂钩的“VIP 等级查找表”中欺骗性地为某些用户分配更高的 VIP 等级，则某些用户最初可能会获得更大的费用折扣。然而，当在削减窗口期间出示 ZK 证明，证明 VIP 等级不正确时，恶意验证者将面临处罚。然后，可以通过启用质询回调来更新 VIP 等级查找表来纠正错误的 VIP 等级。对于更谨慎的场景，开发人员可以选择实施扩展的应用程序级挑战窗口，提供额外的安全性和适应性层。流动性挖矿流动性挖矿是一种旨在引导流动性的奖励分配形式。DEX 可以通过协处理器更深入地了解其流动性提供者的行为，并适当分配流动性挖矿奖励或激励。重要的是要认识到并非所有 LP 都是一样的。有些人充当雇佣兵，而另一些人则仍然是忠实的长期信徒。最佳的流动性激励应该回顾性地评估有限合伙人的奉献精神，特别是在市场大幅波动期间。那些在此期间持续为矿池提供支持的人应该获得最高的奖励。求解器/填充器声誉系统在关注用户意图的未来，求解器/填充器通过简化复杂的交易并实现更快、更便宜或更好的结果来发挥至关重要的作用。然而，对于求解器的选择过程一直存在批评。目前的解决方案包括：利用荷兰式拍卖或费用自动扶梯的无需许可的系统。然而，这种方法在确保竞争性和无需许可的拍卖环境方面面临挑战，可能导致延迟问题甚至用户无法执行。无需许可的系统需要抵押代币才能参与，这会造成进入的财务障碍，并且可能缺乏明确的削减/惩罚条件，或透明且无需信任的执行。或者，可以根据声誉和关系建立解决者白名单。前进的道路应该是无需许可和无需信任的。然而，为了实现这一目标，有必要建立区分优秀求解器和一般求解器的准则。通过利用 ZK 协处理器，可以生成可验证的证明，以确定某些求解器是否满足或不满足这些准则。根据这些信息，求解器可能会受到优先顺序流、削减、暂停甚至列入黑名单的影响。理想情况下，更好的求解器将收到更多的订单流，而较差的求解器将收到更少的订单流。定期审查和更新这些评级非常重要，以防止巩固和促进竞争，为新来者提供平等的参与机会。抗操纵价格预言机 Uniswap 已经在其 v2 和 v3 版本中引入了嵌入式预言机。随着 v4 的发布，Uniswap 通过引入更高级的预言机选项，为开发人员扩展了可能性。然而，链上价格预言机仍然存在局限性和约束。首先，有成本的考虑。如果协处理器计算的价格预言机可以提供成本改进，那么它可以作为更实惠的替代方案。价格预言机的设计越复杂，节省成本的潜力就越大。其次，链上价格预言机池仍然容易受到操纵。为了解决这个问题，通常的做法是汇总不同来源的价格并进行计算，以创建更具抗操纵性的价格预言机。协处理器能够从各种池中检索历史交易，甚至跨不同协议，从而能够生成具有竞争性成本的抗操纵价格预言机，以便与其他 DeFi 协议集成。 DIA Data正在与Mina 生态系统的O(1) Labs合作开发基于 ZK 的预言机。这种方法是类似的——获取市场数据并在链外执行更复杂的计算，不受天然气成本和其他执行限制的影响，但能够在结果在链上提供时验证计算的完整性。这使得用其他市场数据（例如深度）补充简单的价格信息变得可行，以帮助评估清算影响，以及元数据以使协议能够定制其信息。保证金制度为了克服区块链技术的计算限制，许多衍生品平台经常将某些组件（例如风险管理系统）移至链外。 @0x_emperor和@0xkrane提出了一个有趣的协处理器用例，其中裕度逻辑是透明且可验证的。许多交易所都设有风险管理系统来防止杠杆过高。其中一个例子是自动减仓系统（ADL），该系统战略性地将损失分配给盈利的交易者，以抵消清算交易者所遭受的损失。本质上，它在盈利的交易者之间重新分配损失，以弥补因这些清算而产生的未偿债务。用户可能对强行平仓有疑问。为了解决这个问题，交易所可以利用协处理器使用链上数据执行保证金引擎逻辑，并生成证明来验证计算是否正确。由于 ADL 很少发生，因此对延迟和证明成本的担忧很小。然而，使用无需信任且可验证的 Zk 协处理器可以增强透明度和完整性，这对交易所及其用户都是有利的。货币市场通过利用历史链上数据的见解，协处理器有可能增强有限合伙人和借贷协议的风险管理。此外，协议可以基于数据驱动的分析提供改进的用户体验。几个月前，当 Curve 遭遇漏洞攻击时，人们的注意力转向了货币市场，数以百万计的 CRV 代币面临清算风险。当贷款价值 (LTV) 比率变得不健康时，Frax 贷方在协议大幅加息中找到了一些安慰。这激励 Curve 创始人更快地偿还债务。然而，AAVE 利益相关者表达了担忧，并发起了关于减少抵押品容量和可能停止市场的讨论。他们的担忧源于流动性不足以成功清算的可能性，这可能导致坏账和易受市场条件影响。幸运的是，危机已经解决。定期审查货币市场上列出的资产非常重要，特别要关注其在市场上的流动性，尤其是在清算事件期间。非流动资产应被分配较低的贷款价值（LTV）比率和抵押品能力。然而，正如我们在 CRV 情况中观察到的那样，货币市场风险参数变化的决策过程通常是反应性的。我们需要更加迅速和主动的措施，包括去信任的解决方案。关于反馈控制的使用进行了讨论根据链上指标（例如流动性利用率）动态调整参数，而不是依赖预先确定的曲线。一个有趣的概念涉及一个贷款池，用于验证特定市场的链上流动性证明。控制器接收 ZK 协处理器根据链上指标计算得出的证据，表明资产何时不再具有足够的流动性超过特定阈值。根据这些信息，控制者可以采取各种措施，例如调整利率、设定贷款价值上限、暂停市场，甚至完全停止市场。更先进的策略可能包括根据前一周的链上流动性定期调整抵押品借贷能力或利率曲线。确切的门槛将通过 DAO 内部的讨论来确定。它可以通过考虑历史链上交易量、代币储备、一次性互换的最小滑点等因素来确定。对于贷款人和借款人来说，货币市场可以提供增强的服务和体验，类似于 DEX 中 VIP 交易者的费用回扣计划。现有的信用评分解决方案旨在创建链上用户的全面档案。目标是激励良好的行为，例如通过避免清算事件、维持健康的平均贷款价值比率、稳定的大额存款等来证明有效的风险管理。这些积极行为可以得到无需信任的奖励，包括与普通用户相比更好、更平滑的利率、更高的最大LTV和清算比率、清算缓冲时间、更低的清算费用等等。质押和重新质押信任最小化的预言机自合并和上海/沙佩拉升级以来，流动性质押市场已成为 DeFi 最大的市场。值得注意的是，Lido 的 TVL 已超过 290 亿美元，而 Rocketpool 的 TVL 超过 36 亿美元。鉴于涉及大量资金，值得注意的是，用于报告信息的预言机（例如信标链上相关验证器的准确余额）仍然值得信赖。这些预言机在向执行层的涉众分配奖励方面发挥着至关重要的作用。目前，Lido 采用 9 中 5 的法定人数机制，并维护一份受信任的成员列表，以防范恶意行为者。同样，Rocketpool 使用仅限邀请的 Oracle DAO 进行运营，该 DAO 由节点运营商组成，这些节点运营商受信任更新执行层智能合约中的奖励信息。然而，必须认识到，如果大多数受信任的第三方受到损害，可能会严重损害流动质押代币（LST）持有者以及建立在 LST 之上的整个 DeFi 生态系统。为了降低错误/恶意预言机报告的风险，Lido在协议的执行层代码中实施了一系列健全性检查。随着 EIP-4788“EVM 中的信标块根”的引入，协处理器可以更轻松地访问和计算共识层上的数据。=无；Foundation、Succint和 DendrETH 都在为 Lido 开发自己的 ZK-proof TVL 预言机。为了确保最大程度的安全性，Lido 可以利用多重防护架构。以 =nil; 的设计为例，在较高的层面上，预言机从共识层和执行层获取基本信息，例如 Beacon 区块头、Beacon 状态、Lido 合约地址等，然后计算出一份报告所有 Lido 验证器的总锁定值和验证器计数。这些数据以及其他必要的信息被传递给证明生成者并在专用电路上运行以生成 ZK 证明。预言机检索证据并将证据及其报告提交给智能合约进行验证。请注意，这些预言机设计仍处于测试阶段，可能会发生变化。然而，值得注意的是，由于通过 4788 发送的内容有限，总会有一些数据可能无法在 EL 端得到证明，并且该数据子集可能仍然需要预言机。此外，信任最小化的 ZK 证明预言机仍处于起步阶段。Lido 贡献者提出的方法是使用 ZK 预言机提供的信息作为对可信预言机所做工作的“健全性检查”，直到这些 ZK 实现可以进行战斗测试。现阶段将预言机系统中的信任全部转移到 ZK 系统风险太大。此外，这种大小的数据的证明计算量非常大（例如，甚至可能需要 30-45 分钟）并且非常昂贵，因此，在目前技术成熟的情况下，对于诸如每日甚至日内之类的事情，它们并不是合适的替代品报告。验证者风险和绩效分析验证者在质押生态系统中发挥着至关重要的作用。他们在信标链上锁定 32 ETH 并提供验证服务。如果他们表现得当，他们就会得到奖励。然而，如果他们行为不端，他们将面临砍伐。验证器由具有不同风险状况的节点运营商运行。它们可以被策划（例如 Lido 的策划验证器集）、绑定（例如 Rocket pool、Lido 的CSM））或单独的质押者。他们可能会选择在云数据中心或家里运行他们的服务，在加密货币监管友好或不友好的地区。此外，验证者可以利用 DVT 技术来拆分内部节点或加入集群以增强容错能力。随着 Eigenlayer 和各种 AVS（主动验证服务）的出现，验证器可能会提供除以太坊验证之外的其他服务。毫无疑问，验证者的风险状况将很复杂，因此准确评估其风险状况至关重要。凭借良好的验证者风险和性能分析，它打开了无限可能性的大门，包括：首先，风险评估在建立无需许可的验证器集方面发挥着至关重要的作用。在 Lido 的背景下，质押路由器的引入和未来的 EIP-7002“执行层可触发退出”可以为验证者的无许可加入和退出铺平道路。加入或退出的标准可以根据验证者过去验证活动得出的风险状况和性能分析来确定。其次，DVT中的节点选择。对于单独的质押者来说，选择其他节点来创建 DVT 集群可能是有益的。这有助于实现容错并提高产量。节点的选择可以基于各种分析。此外，集群的形成可以是无需许可的，允许具有强大历史性能的节点加入，同时可以删除性能不佳的节点。第三，重新赌注。Liquid 重新抵押协议使重新抵押者能够参与 Eigenlayer 重新抵押市场。这些协议不仅产生称为流动性重新抵押代币（LRT）的流动性收据，而且旨在为重新抵押者确保最佳的风险调整回报。例如，Renzo 的策略之一是构建具有最高夏普比率的 AVS 投资组合，同时遵守指定的最大损失目标，通过 DAO 调整风险承受能力和权重。随着越来越多的 AVS 项目启动，优化对特定 AVS 的支持以及选择最合适的 AVS 运营商变得越来越重要。到目前为止，我们强调了验证者风险和性能分析的重要性，以及它所支持的广泛用例。然而，问题仍然存在：我们如何准确评估验证者的风险状况？Ion Protocol正在开发一种潜在的解决方案。 Ion Protocol 是一个利用可证明的验证器支持的数据的借贷平台。它使用户能够以其质押和重新质押头寸借入 ETH。贷款参数，包括利率、LTV 和头寸健康状况，由共识层数据确定，并由 ZK 数据系统保护。 Ion 正在与 Succinct 团队合作开发Precision，这是一个无需信任的框架，用于验证以太坊共识层上验证器的经济状态。其目的是创建一个可验证的系统，准确评估抵押资产的价值，减轻任何潜在的操纵或削减风险。一旦建立，该系统可以促进贷款发放和清算流程。 Ion 还与 Modulus Labs 合作，利用 ZKML 对借贷市场进行去信任分析和参数化，包括利率、LTV 和其他市场细节，以最大限度地减少异常削减事件时的风险暴露。结论 DeFi 确实非常了不起，因为它彻底改变了金融活动的进行方式，消除了对中介机构的需求并降低了交易对手风险。然而，目前 DeFi 在提供良好的用户体验方面还存在不足。令人兴奋的消息是，随着协处理器的引入，这种情况即将发生变化，协处理器将使 DeFi 协议能够提供数据驱动的功能，增强用户体验并完善风险管理。此外，随着去中心化人工智能基础设施的进步，我们正在迈向智能 DeFi 的未来。来源：金色财经

金色财经2024-02-26

都有哪些AI 业务分类与值得关注的加密项目？

网络，为分布式计算设备提供动力，也为机器学习相关的推理工作负载提供服务。用户可以构建和托管 ML 模型，将其部署到 Ritual 中的Infernet 节点。 2023 年 11 月 8 日，Ritual 完成 2500 万美元 A 轮融资，Archetype 领投，Accomplice 和 Robot Ventures 等参投。 Akash Network 用于云计算的分布式点对点市场，提供了一个用户可以相互发送数据并开发的安全平台。通过与 Cosmos 的集成，Akash Network 受益于更大网络的互操作性和可扩展性，实现了与其他区块链平台的无缝通信，使开发人员和组织能够接触到价格合理的分布式云计算资源。 Render Network 知名的去中心化 GPU 渲染解决方案提供商，旨在将希望执行渲染作业的用户与拥有空闲 GPU 来处理渲染的人联系起来。所有者可以将他们的 GPU 连接到渲染网络，接收和完成渲染作业，同时 RNDR 奖励将发送给执行渲染工作的个人。 Bittensor 一个开源协议，其代币 TAO 屡破新高。在 Bittensor 网络中，利用加密货币激励机制，鼓励网络参与者共享他们的计算资源、数据和AI模型，使全球的机器学习模型和算法能够互相学习和提升。 io.net 一个去中心化计算网络，支持在 Solana 区块链上开发、执行和扩展 ML （机器学习）应用程序，利用世界上最大的 GPU 集群，以允许机器学习工程师以相当于中心化服务成本的一小部分，来访问分布式云服务算力。 Hyperbolic 旨在打造一个人人都能参与的算力平台，人们可以在该平台上共享和访问计算资源。 Gensyn Gensyn 的理念是通过一个全球超级集群，将世界各地闲置的、具有机器学习能力的计算设备（例如消费级 GPU、定制 ASIC 和能够训练神经网络的 SoC 设备）的算力联系到一起，从而大幅度提高机器学习的可用计算能力。 2023 年 6 月 11 日，Gensyn 完成 4300 万美元 A 轮融资，由 a16z 领投，CoinFund、Canonical Crypto、Protocol Labs、Jsquare、Eden Block 以及其他天使投资人参投。 Prime Intellect Prime Intellect 是一个将计算和智能商品化的去中心化人工智能平台，为开发人员提供更实惠的分布式计算以及开源模型的可持续商业模式。 Inference Labs Inference Labs 是人工智能的去信任执行层，专注于在区块链上互操作的人工智能推理。项目认为这是构建任何人都可以在没有交易对手风险的情况下访问人工智能的重要一步。 Nosana 一个去中心化的GPU网格，专为人工智能推理工作负载而开发和定制。成本比传统公共云低高达 85%，为寻求海量计算能力而又不花太多钱的组织和个人提供新的解决方案。用户可以直接访问可根据需要扩展计算需求的 GPU 节点，消费者、矿工和企业可以通过成为 Nosana 节点来将闲置硬件货币化。 Lilypad Lilypad 是一个可验证、去信任和去中心化的计算网络，旨在促进 web3 应用程序的主流采用。通过扩展不受限制的全球计算能力访问，Lilypad 与 Filecoin 等去中心化基础设施网络进行战略合作，以制定透明、高效且可访问的计算生态系统。 Prodia Prodia 是一个人工智能推理 API，其愿景是让所有人都能使用人工智能，为图像生成提供快速且易于使用的 API。 Hyperspace Hyperspace 一种新型超级计算机，由完全基于浏览器的区块链提供支持。 Vanna Labs Vanna 是一个支持运行链上 AI/ML 推理，同时与 EVM 兼容的区块链网络。Vanna 也支持本机、zkML 安全的推理，直接在链上计算、保护和验证；以无缝的方式设计，在 dApp 中利用 AI/ML 就像简单的函数调用一样简单。 Arbius 是一个用于机器学习的去中心化开源网络。通过参与网络，利用 GPU 算力生成新币，为模型创建者提供了一种赚取收入的方式。 CUDOS CUDOS 将云和区块链结合起来，为人工智能、Metaverse、HPC、Web3 节点和初创公司等领域的企业提供支持，帮助其在数字领域释放新的可能性。当前，Cudos建立了自己的L1，旨在为所有人提供高性能、无信任、无权限的去中心化云计算。Cudos网络运行在委托的权益证明（DPoS）共识模型上，验证者检查交易并为DAPP提供计算周期。 Flux 一个去中心化云计算平台，帮助构建具有更高灵活性、可扩展性和抗审查性的去中心化应用程序。也为AI的推理和运行提供了计算资源。任何强化的 docker 化应用程序都可以在 Flux 完全去中心化的计算网络上运行。Flux 服务为其他服务提供商提供了完全去中心化的替代方案，同时保持有竞争力的价格。 AIOZ Network AIOZ Network 是一个全面的基础设施解决方案，适用于 web3 存储、去中心化人工智能计算、直播和视频点播 (VOD)。 Aethir Aethir 是一个云计算基础设施平台，彻底改变了企业级图形处理单元 (GPU) 的所有权、分配和使用模式。通过摆脱传统的集中式模型，Aethir 部署了一个可扩展且具有竞争力的框架，用于共享分布式计算资源，满足不同行业和地区的企业应用程序和客户的需求。 Fulence Fluence 是一个由区块链经济学驱动的去中心化无服务器平台和计算市场. 使用 Fluence，开发人员可以构建应用程序并将其部署到计算提供商网络，其提供商的范围可以从专业数据中心到家用计算机。提供商在价格和性能上展开竞争，并获得报酬和奖励。 iExec iExec 网络将云资源卖家与云资源买家连接起来，鼓励建立去中心化、自治、隐私保护应用程序的生态系统。该网络旨在为公司提供可扩展、安全且轻松的访问所需服务、数据集和计算资源的方式。 NetMind.AI NetMind.AI 提供两种产品：NetMind.Power（一种分布式计算平台）和 NetMind.Chat（一种适合个人和企业用途的可定制聊天机器人）。其中，NetMind.Power 可提供海量计算资源来解决人工智能、数据科学等领域的复杂问题。借助 NetMind.Power，个人和企业可以轻松访问强大的计算资源，轻松训练或执行复杂的人工智能模型。 OpSec 作为去中心化物理基础设施网络提供商，OpSec 利用最先进的人工智能技术来构建、维护和运营区块链基础设施，确保区块链应用程序的安全和隐私。 OpSec 利用人工智能增强云计算的力量，为区块链应用程序提供可扩展、灵活且经济高效的平台。 AI 数据和模型来源主要关注于通过去中心化的方式管理和验证数据及AI模型的来源。具体而言，该分类强调在AI开发过程中，确保数据的真实性、透明性和可追溯性，以及模型训练的公正性和可验证性。在这种框架下，数据成为了被优化的关键要素，因为高质量、可信的数据是训练有效AI模型的前提。区块链起作用的地方在于，通过不可篡改的分布式账本记录数据和模型的来源信息，提供了一个透明、安全的环境，让数据提供者、模型开发者和使用者都能够验证数据和模型的真实性和完整性。此外，通过智能合约，区块链还可以自动执行数据使用和模型训练的许可协议，保证数据的使用符合原始所有者的意愿，同时促进了数据的合法共享和利用。与这一分类相关的典型项目有： Rainfall 一个保护隐私的智能平台，使用 Edge-AI 和 Web3 技术从用户数据中释放经济价值，同时保护数据隐私，重新塑造数据货币化。同时，项目也从数百万个数据事件发生时生成实时社交智能。为公司、组织和政府能够更好地服务客户提供数据参考。 Numbers Numbers 是一个开放且去中心化的网络，确保人类和人工智能创建的所有数字媒体都有确切的数据来源。它通过去中心化的生态系统和区块链技术来保护数字媒体的来源，类似于 Git 等版本控制系统。 Grass Wynd Network 的旗舰产品，并提供了一套在手机或计算机后台执行数据贡献操作的应用程序，使人工智能实验室能够直接从互联网上获取网络数据来训练他们的人工智能模型，并可以直接向他们提供数据集。 Koii Network 分布式云计算平台，任何拥有电脑的人都可以成为节点，在Koli上赚取被动收入。使用社区支持的数据训练模型对每个人来说都更好，而且维护成本也更低。因此，Koii提供的工具也支持联邦学习、训练数据访问和众包 GPU。 Flock 一个集成链上去中心化机器学习的独特平台，为人工智能模型的微调和推理提供安全高效的解决方案。 Flock中有一个人工智能共创平台，系统奖励提供和验证数据的个人。它利用区块链透明且安全的结构来跟踪数据的使用和有效性，从而确定奖励。 Hyperspace 该项目致力于建立一个拥有数百万社区大语言模型的世界，每天可供数十亿人免费使用。 Ocean protocol 一个 AI 和新数据经济中的隐私保护、数据共享协议。使人们能够买卖私人数据，同时保护隐私，用于科学或技术环境中的数据共享。 Syntropy Syntropy 数据层协议是为了提供和访问区块链数据而创建的,任何人都可以成为 Web3 数据开放市场的提供者。代币持有者根据他们提供的数据质量以及总体表现来决定哪些提供商是可靠的，因此值得奖励。代币激励的人工智能应用利用加密货币代币作为激励机制，鼓励用户、开发者和其他参与者共同参与和贡献于AI项目和平台的一种模式。通过代币奖励来激发社区的积极参与，包括提供数据、开发算法、提供计算资源或是对AI模型进行训练和优化。代币不仅作为奖励机制，也可以在平台内充当交易媒介，用于购买数据、算力或是专业AI服务。在这种模式中，算法和模型成为了被优化的核心要素。通过社区的共同努力和资源整合，可以加速AI算法的开发和迭代，同时提高AI模型的质量和适应性。此外，代币激励还促进了数据的收集和共享，因为参与者可以通过提供高质量数据来获得代币奖励，从而间接地优化了数据这一要素。与这一分类相关的典型项目有： MyShell MyShell 是一个用于创建基于 Web3 和 AI 的语音聊天机器人的平台。用户可以随时选择喜欢的角色立即开始语音聊天，并通过讨论感兴趣的话题，快速提高其语言能力。 ImgnAI 一款面向消费者的人工智能应用，提供与 Midjourney 等文本到图像产品类似的模型质量和用户体验，用户可以通过简单的文本命令创造令人惊叹的艺术作品。其用户增长和收入通过购买和销毁机制推动 $imgnAI 代币的价值累积。这使得代币持有者能够从 imgnAI 产品套件的增长中受益。 MyPeach MyPeach 是一个由 AI 引擎驱动的伴侣应用，用户可以自定义自己的伴侣的属性如，种族、发色、头发长度、眼睛的颜色、体型，最后用户可以与他们自定义的伴侣进行对话，如同现实世界一样。 Artificial Liquid Intelligence 一个去中心化协议，用于创建使用AI 与人互动的智能化身。该平台催生了一个新的NFT 标准，称为智能NFT (iNFT)，它可以创建嵌入AI 动画、语音合成和生成AI 功能的NFT。早在2021年8月，该项目得到了 Multicoin 参与的 1600万美金的融资。 IQ.wiki IQ.wiki试图打造一个区块链知识的AI助手，成为加密世界的维基百科。用户可以通过像使用GPT那样提问的方式，获得一切关于加密和区块链相关的项目、知识和代币方面知识的答案。IQ GPT提供来自多个来源的可靠加密货币见解，满足探索、开发和交易需求。 CharacterX CharacterX是一个新一代的去中心化合成社交网络，旨在连接人类和AI实体。该平台允许用户创建自己的AI身份，并与其他用户（无论是AI还是人类）跨越时空限制进行连接。通过开发支持多感官数据输入输出的先进多模态AI架构，包括3D和AR体验，以及针对社交场景的主动AI代理，CharacterX为用户提供了个性化、真实且安全隐私的增强社交体验。 DeepSouth AI DeepSouth AI 通过采用神经拟态计算算法的组合实现了卓越的计算能力和效率，包括尖峰时序相关可塑性 (STDP)、基于反向传播的直接训练方案、监督时间学习、ANN 到 SNN 转换策略、储层计算和遗传算法。目前，其可用的产品有自主AI、视觉AI与对话式AI KIP KIP 协议使人工智能价值创造者能够连接他们的专业知识 - 无论是数据生产、模型训练、应用程序设计还是其他方面 - 并享受透明的会计和收入分成。在此系统下，每个组件都封装在ERC-3525 半同质化代币（SFT）中，允许组件之间轻松、低费率地实时转移经济价值，用户可以与它们进行交互。链上人工智能代理和安全链上人工智能代理和安全涉及将AI代理部署在区块链上，以此来提高AI应用的安全性和可信度。这些AI代理可以自动执行任务，如交易、数据分析、自动决策制定等，而部署在区块链上使得它们的操作不仅透明可追踪，还难以被篡改，提高了整个系统的安全性。在这个框架下，算力和算法/模型都是被优化的关键要素，因为安全的AI代理需要可靠的计算资源来执行复杂的算法和模型。此外，链上AI代理可以在保证隐私的前提下，跨平台共享和利用数据和资源，因为ZK相关技术可以在不泄露敏感信息的情况下验证数据的有效性和完整性。与这一分类相关的典型项目有： AI Arena AI Arena 是一款集成人类 x AI 协作的区块链游戏，玩家在全球化的竞赛中设计、训练和战斗由人工智能驱动的 NFT。研究人员将他们的机器学习模型拖放到平台上，然后与来自其他研究者的 AI 模型进行 PK。表现出色的研究人员将获得 AI Arena 的原生代币奖励。 Operator.io 一个用于创建去中心化代理网络、标准化用户、协议和人工智能代理之间的信息和价值交换的协议。用户在此构建和部署真正属于自己的代理，然后将它们提供给全世界。 Fetch.ai 人工智能应用公链，2017 年成立，2019 年 12 月上线主网。目前已接入 Cosmos 的 IBC 协议，可与 Cosmos 生态的其他链互操作。可以将其看成一个区块链+AI 的基础设施，底层主要为共识网络、智能合约以及机器学习库，上层通过各项技能模块实现各类AI功能和应用。 Modulus Labs 为了让 dApp 获得强大的人工智能功能，dApp 需要放弃去中心化的安全性并承担中心化的风险，Modulus Labs 将 ZKML 和 AI 进行结合，来有效检查人工智能提供商没有在链上操纵他们的算法。 2023 年 11 月 1 日，Modulus Labs 宣布完成 630 万美元种子轮融资，Variant 和 1kx 领投，Inflection、Bankless、Stanford 等参投。 Delysium Delysium 是一个由人工智能驱动的开放世界框架，提供了一个简化的架构来支撑先进的 AI 代理网络和支持生态系统，重点是确保安全性、可扩展性和高速通信。该生态系统的结构被简化为两个主要层：通信层（也称为基础层）和区块链层。更广泛的生态系统，包括人工智能代理的社区、开发和交互，都集成在这些层中。 Agent Protocol 该项目旨在使全世界游戏玩家能够在去中心化 GPU 计算的支持下，从游戏片段中训练自己的人工智能代理，从而创建新的链上资产类别。 Morpheus Morpheus 旨在激励一个个人通用的人工智能点对点网络，AI可以代表用户执行智能合约；普通用户可以用正常语言与他们的智能代理交谈，让它理解问题并根据他们的意图/批准采取行动。 Autonolas Autonolas 是一个将AI代理用于链下服务的统一网络，例如自动化、预言机和共同拥有的人工智能等。项目提供了用于构建这些服务的可组合堆栈，以及用于激励创建协议，以去中心化的方式运行复杂的逻辑，并自主、持续地与链上和链下数据交互。 Test Machine TestMachine 是一个人工智能平台，旨在帮助开发人员和项目以闪电般的速度识别和修复智能合约中的漏洞。它可以立即访问一套行业标准工具，用于智能合约编译、优化、测试和实时安全分析，并提供即时报告。 DAIN Protocol 一个Solana上的 AI 代理网络，官网仍在制作中，近期引起了多个KOL的关注。 Oraichain Oraichain 机制看起来与 Band Protocol 和 Chainlink 类似，使智能合约能够安全地访问外部 AI API。人工智能有助于增强智能合约。同时，Oraichain也是一个L1，专门为AI驱动的dAPP和AI代理提供载体。人工智能驱动的区块链市场和学习平台人工智能驱动的区块链市场和学习平台利用AI技术来增强区块链应用，特别是在市场交易和在线教育平台上。这类平台运用AI算法来分析市场数据，预测趋势，提供个性化的学习体验，或是自动化地匹配买卖双方。AI的集成不仅提高了平台效率，还为用户提供了更加精准、高效的服务。在这一分类中，算法和模型以及数据被视为核心要素，因为AI的效能依赖于大量、高质量的数据来训练精确的模型，并通过这些模型来提供智能化的服务。例如，AI可以帮助分析和理解用户行为，从而在区块链市场中提供更加个性化的推荐，或是在学习平台上提供定制化的教育内容。与这一分类相关的典型项目有： Bagel Network 一个去中心化的数据平台，计划通过创建市场来解决数据垄断问题，该市场允许数据科学家和 AI 工程师以成本效益高且保护隐私的方式交换和授权可验证的数据集。该项目旨在发展一个去中心化的数据平台，支持机器学习（ML）模型。 2024 年 1 月 23 日，Bagel Network 完成 310 万美元 Pre 种子轮融资。 SingularityNET SingularityNET 是一个 AI 服务交易平台，帮助撮合 AI 服务开发人员和用户。开发人员可以将他们的服务发布到 SingularityNET 网络以赚取收入；用户可以通过 SingularityNET 交易平台将服务集成到自己的网站、应用程序或其他产品中。 FedML FedML 是一个去中心化协作的机器学习平台，用于在任何地方以任何规模进行去中心化和协作式 AI，例如可以训练、部署、监控和持续改进机器学习模型，同时以保护隐私的方式在组合数据、模型和计算资源上进行协作。 2023 年 3 月 28 日，FedML 完成了 600 万美元种子轮融资。 Numerai Numerai 是一种由数据科学家网络建立、使用人工智能技术的新型对冲基金。其核心优势是免费数据集。它由经过清理、规范化和混淆的高质量财务数据组成。 Allora Allora 是一个自我完善的去中心化人工智能网络, 使应用程序能够通过自我改进的 ML 模型网络利用更智能、更安全的 AI。通过结合众包机制（同行预测）、联邦学习和 zkML 的前沿研究. Upshot Upshot 最初是尝试利用众包来预测资产价格。经过不断发展，创建了能够分析超过 4 亿资产的 AI 模型和一个无需信任且自我改进的去中心化人工智能网络。目前，项目推出了 Upshot 机器智能网络，旨在众包由机器学习模型产生的金融Alpha，并由“Alpha证明”奖励机制提供支持。模型验证模型验证在区块链与人工智能结合的领域中，指的是利用区块链技术来确认和保证AI模型的性能、安全性和透明度。这个过程涉及到使用区块链的不可篡改和透明的记录特性，来验证AI模型的训练数据、算法逻辑和性能指标。模型验证的目的是建立用户对AI模型的信任，确保模型的决策过程可被追踪和审计，同时保障模型没有被恶意篡改或偏离其设计初衷。在这一分类中，算法和模型成为被优化的关键要素。通过在区块链上记录模型训练和操作的详细过程，可以为AI模型的每一次决策提供透明的证据链，从而优化模型的可信度和可靠性。此外，模型验证还涉及到使用加密技术如零知识证明，不仅保护了数据的隐私，还能验证模型的输出而无需暴露其内部逻辑，进一步增强了模型的安全性和私密性。与这一分类相关的典型项目有： Giza Giza 正在构建一个无需信任的协议，将机器学习推理计算的过程去中心化，同时为开源人工智能的开放经济提供动力。Giza 让人工智能开发者可以轻松地为人工智能模型生成零知识证明。 EZKL EZKL 是一个支持具有零知识加密的可验证人工智能系统。它能够证明 AI/ML 模型的真实性，生成一个零知识证明模型产生了某些结果，而不必揭示模型本身。来源：金色财经

金色财经2024-02-26

加密 AI 赛道全景指南：一览 AI 业务分类与值得关注的加密项目

金色财经2024-02-25

Web3与AI的交织还能碰撞出怎样的火花?

据、大规模算力。深度学习深度学习是机器学习（ML）的一个子领域，深度学习算法是仿照人脑建模的神经网络。例如，人脑包含数百万个相互关联的神经元，它们协同工作以学习和处理信息。同样，深度学习神经网络（或人工神经网络）是由在计算机内部协同工作的多层人工神经元组成的。人工神经元是称为节点的软件模块，它使用数学计算来处理数据。人工神经网络是使用这些节点来解决复杂问题的深度学习算法。从层次上划分神经网络可分为输入层、隐藏层、输出层，而不同层之间连接的便是参数。 ● 输入层（Input Layer）：输入层是神经网络的第一层，负责接收外部输入的数据。输入层的每个神经元对应于输入数据的一个特征。例如，在处理图像数据时，每个神经元可能对应于图像的一个像素值； ● 隐藏层（Hidden Layer）：输入层处理数据并将其传递到神经网络中更远的层。这些隐藏层在不同层级处理信息，在接收新信息时调整其行为。深度学习网络有数百个隐藏层，可用于从多个不同角度分析问题。例如，你得到了一张必须分类的未知动物的图像，则可以将其与你已经认识的动物进行比较。比如通过耳朵形状、腿的数量、瞳孔的大小来判断这是什么动物。深度神经网络中的隐藏层以相同的方式工作。如果深度学习算法试图对动物图像进行分类，则其每个隐藏层都会处理动物的不同特征并尝试对其进行准确的分类； ● 输出层（Output Layer）：输出层是神经网络的最后一层，负责生成网络的输出。输出层的每个神经元代表一个可能的输出类别或值。例如，在分类问题中，每个输出层神经元可能对应于一个类别，而在回归问题中，输出层可能只有一个神经元，其值表示预测结果； ● 参数：在神经网络中，不同层之间的连接由权重（Weights）和偏置（Biases）参数表示，这些参数在训练过程中被优化以使网络能够准确地识别数据中的模式和进行预测。参数的增加可以提高神经网络的模型容量，即模型能够学习和表示数据中复杂模式的能力。但相对应的是参数的增加会提升对算力的需求。大数据为了有效训练，神经网络通常需要大量、多样及质量高和多源的数据。它是机器学习模型训练和验证的基础。通过分析大数据，机器学习模型可以学习数据中的模式和关系，从而进行预测或分类。大规模算力神经网络的多层复杂结构，大量参数，大数据处理需求，迭代训练方式（在训练阶段，模型需要反复迭代，训练过程中需要对每一层计算进行前向传播和反向传播，包括激活函数的计算、损失函数的计算、梯度的计算和权重的更新），高精度计算需求，并行计算能力，优化和正则化技术以及模型评估和验证过程共同导致了其对高算力的需求。 Sora 作为OpenAI最新发布的视频生成AI模型，Sora代表了人工智能处理和理解多样化视觉数据能力的巨大进步。通过采用视频压缩网络和空间时间补丁技术，Sora能够将来自世界各地、不同设备拍摄的海量视觉数据转换为统一的表现形式，从而实现了对复杂视觉内容的高效处理和理解。依托于文本条件化的Diffusion模型，Sora能够根据文本提示生成与之高度匹配的视频或图片，展现出极高的创造性和适应性。不过，尽管Sora在视频生成和模拟真实世界互动方面取得了突破，但仍面临一些局限性，包括物理世界模拟的准确性、长视频生成的一致性、复杂文本指令的理解以及训练与生成效率。并且Sora本质上还是通过OpenAI垄断级的算力和先发优势，延续“大数据-Transformer-Diffusion-涌现”这条老技术路径达成了一种暴力美学，其它AI公司依然存在着通过技术弯道超车的可能。虽然Sora与区块链的关系并不大，但个人认为之后的一两年里。因为Sora的影响，会迫使其它高质量AI生成工具出现并快速发展，并且将辐射到Web3内的GameFi、社交、创作平台、Depin等多条赛道，所以对于Sora有个大致了解是必要的，未来的AI将如何有效的与Web3结合，也许是我们需要思考的一个重点。 AI x Web3的四大路径如上文所诉，我们可以知道，生成式AI所需的底层基座其实只有三点：算法、数据、算力，另一方面从泛用性和生成效果来看AI是颠覆生产方式的工具。而区块链最大的作用有两点：重构生产关系以及去中心化。所以两者碰撞所能产生的路径我个人认为有如下四种：去中心化算力由于过去已经写过相关文章，所以本段的主要目的是更新一下算力赛道的近况。当谈到AI时，算力永远是难以绕开的一环。AI对于算力的需求之大，在Sora诞生之后已经是难以想象了。而近期，在瑞士达沃斯2024年度世界经济论坛期间，OpenAI首席执行官山姆·奥特曼更是直言算力和能源是现阶段最大的枷锁，两者在未来的重要性甚至会等同于货币。而在随后的2月10日，山姆·奥特曼在推上发表了一个极为惊人的计划，融资7万亿美元（相当于中国23年全国GDP的40%）改写目前全球的半导体产业格局，创立一家芯片帝国。在写算力相关的文章时，我的想象力还局限在国家封锁，巨头垄断，如今一家公司就想要控制全球半导体产业真的还是挺疯狂的。所以去中心化算力的重要性自然不言而喻，区块链的特性确实能解决目前算力极度垄断的问题，以及购置专用GPU价格昂贵的问题。从AI所需的角度来看，算力的使用可以分为推理和训练两种方向，主打训练的项目，目前还是寥寥无几，从去中心化网络需要结合神经网络设计，再到对于硬件的超高需求，注定是门槛极高且落地极难的一种方向。而推理相对来说简单很多，一方面是在去中心化网络设计上并不复杂，二是硬件和带宽需求较低，算是目前比较主流的方向。中心化算力市场的想象空间是巨大的，常常与“万亿级”这个关键词挂钩，同时也是AI时代下最容易被频繁炒作的话题。不过从近期大量涌现的项目来看，绝大部分还是属于赶鸭子上架，蹭热度。总是高举去中心化的正确旗帜，却闭口不谈去中心化网络的低效问题。并且在设计上存在高度同质化，大量的项目非常相似（一键L2加挖矿设计），最终可能会导致一地鸡毛，这样的情况想要从传统AI赛道分一杯羹着实困难。算法、模型协作系统机器学习算法，是指这些算法能够从数据中学习规律和模式，并据此做出预测或决策。算法是技术密集型的，因为它们的设计和优化需要深厚的专业知识和技术创新。算法是训练AI模型的核心，它定义了数据如何被转化为有用的见解或决策。较为常见的生成式AI算法比如生成对抗网络（GAN）、变分自编码器（VAE）、转换器（Transformer），每个算法都是为了一个特定领域（比如绘画、语言识别、翻译、视频生成）或者说目的而生，再通过算法训练出专用的AI模型。那么如此之多的算法和模型，都是各有千秋，我们是否能将其整合为一种能文能武的模型？近期热度高涨的Bittensor便是这个方向的领头者，通过挖矿激励的方式让不同AI模型和算法相互协作与学习，从而创作出更高效全能的AI模型。而同样以这个方向为主的还有Commune AI（代码协作）等，不过算法和模型对于现在的AI公司来说，都是自家的看门法宝，并不会随意外借。所以AI协作生态这种叙事很新奇有趣，协作生态系统利用了区块链的优势去整合AI算法孤岛的劣势，但是否能创造出对应的价值目前尚未可知。毕竟头部AI公司的闭源算法和模型，更新迭代与整合的能力非常强，比如OpenAI发展不到两年，已从早期文本生成模型迭代到多领域生成的模型，Bittensor等项目在模型和算法所针对的领域也许要另辟蹊径。去中心化大数据从简单的角度来说，将私有数据用来喂AI以及对数据进行标记都是与区块链非常契合的方向，只需要注意如何防止垃圾数据以及作恶，并且数据存储上也能使FIL、AR等Depin项目受益。而从复杂的角度来说，将区块链数据用于机器学习（ML），从而解决区块链数据的可访问性也是一种有趣的方向（Giza的摸索方向之一）。在理论上，区块链数据可随时访问，反映了整个区块链的状态。但对于区块链生态系统之外的人来说，获取这些庞大数据量并不容易。完整存储一条区块链需要丰富的专业知识和大量的专门硬件资源。为了克服访问区块链数据的挑战，行业内出现了几种解决方案。例如，RPC提供商通过API访问节点，而索引服务则通过SQL和GraphQL使数据提取变得可能，这两种方式在解决问题上发挥了关键作用。然而，这些方法存在局限性。RPC服务并不适合需要大量数据查询的高密度使用场景，经常无法满足需求。同时，尽管索引服务提供了更有结构的数据检索方式，但Web3协议的复杂性使得构建高效查询变得极其困难，有时需要编写数百甚至数千行复杂的代码。这种复杂性对于一般的数据从业者和对Web3细节了解不深的人来说是一个巨大的障碍。这些限制的累积效应凸显了需要一种更易于获取和利用区块链数据的方法，可以促进该领域更广泛的应用和创新。那么通过ZKML（零知识证明机器学习，降低机器学习对于链的负担）结合高质量的区块链数据，也许能创造出解决区块链可访问性的数据集，而AI能大幅降低区块链数据可访问性的门槛，那么随着时间的推移，开发者、研究人员和ML领域的爱好者将能够访问到更多高质量、相关的数据集，用于构建有效和创新的解决方案。 AI赋能Dapp 自23年，ChatGPT3爆火以来，AI赋能Dapp已经是一个非常常见的方向。泛用性极广的生成式AI，可以通过API接入，从而简化且智能化分析数据平台、交易机器人、区块链百科等应用。另一方面，也可以扮演聊天机器人（比如Myshell）或者AI伴侣（Sleepless AI），甚至通过生成式AI创造链游中的NPC。但由于技术壁垒很低，大部分都是接入一个API之后进行微调，与项目本身的结合也不够完美，所以很少被人提起。但在Sora到来之后，AI赋能GameFi（包括元宇宙）与创作平台的方向将是接下来关注的重点。因为Web3领域自下而上的特性，肯定很难诞生出一些与传统游戏或是创意公司抗衡的产品，而Sora的出现很可能会打破这一窘境（也许只用两到三年）。以Sora的Demo来看，其已具备和微短剧公司竞争的潜力，Web3活跃的社区文化也能诞生出大量有趣的Idea，而当限制条件只有想象力的时候，自下而上的行业与自上而下的传统行业之间的壁垒将被打破。来源：金色财经

金色财经2024-02-24

海康威视取得仪表读数的方法和装置专利，可以节省大量人力

请公开了一种仪表读数的方法和装置，属于机器学习技术领域。所述方法包括：获取仪表图像；基于所述仪表图像和预先训练的读数区域检测模型，确定所述仪表图像中的读数区域图像；基于所述读数区域图像和预先训练的读数模型，得到所述仪表图像对应的仪表读数。采用本申请，可以节省大量人力。

金融界2024-02-24

Sora横空出世 2024或成AI+Web3变革元年？

据、大规模算力。深度学习深度学习是机器学习（ML）的一个子领域，深度学习算法是仿照人脑建模的神经网络。例如，人脑包含数百万个相互关联的神经元，它们协同工作以学习和处理信息。同样，深度学习神经网络（或人工神经网络）是由在计算机内部协同工作的多层人工神经元组成的。人工神经元是称为节点的软件模块，它使用数学计算来处理数据。人工神经网络是使用这些节点来解决复杂问题的深度学习算法。从层次上划分神经网络可分为输入层、隐藏层、输出层，而不同层之间连接的便是参数。输入层（Input Layer）：输入层是神经网络的第一层，负责接收外部输入的数据。输入层的每个神经元对应于输入数据的一个特征。例如，在处理图像数据时，每个神经元可能对应于图像的一个像素值；隐藏层（Hidden Layer）：输入层处理数据并将其传递到神经网络中更远的层。这些隐藏层在不同层级处理信息，在接收新信息时调整其行为。深度学习网络有数百个隐藏层，可用于从多个不同角度分析问题。例如，你得到了一张必须分类的未知动物的图像，则可以将其与你已经认识的动物进行比较。比如通过耳朵形状、腿的数量、瞳孔的大小来判断这是什么动物。深度神经网络中的隐藏层以相同的方式工作。如果深度学习算法试图对动物图像进行分类，则其每个隐藏层都会处理动物的不同特征并尝试对其进行准确的分类；输出层（Output Layer）：输出层是神经网络的最后一层，负责生成网络的输出。输出层的每个神经元代表一个可能的输出类别或值。例如，在分类问题中，每个输出层神经元可能对应于一个类别，而在回归问题中，输出层可能只有一个神经元，其值表示预测结果；参数：在神经网络中，不同层之间的连接由权重（Weights）和偏置（Biases）参数表示，这些参数在训练过程中被优化以使网络能够准确地识别数据中的模式和进行预测。参数的增加可以提高神经网络的模型容量，即模型能够学习和表示数据中复杂模式的能力。但相对应的是参数的增加会提升对算力的需求。大数据为了有效训练，神经网络通常需要大量、多样及质量高和多源的数据。它是机器学习模型训练和验证的基础。通过分析大数据，机器学习模型可以学习数据中的模式和关系，从而进行预测或分类。大规模算力神经网络的多层复杂结构，大量参数，大数据处理需求，迭代训练方式（在训练阶段，模型需要反复迭代，训练过程中需要对每一层计算进行前向传播和反向传播，包括激活函数的计算、损失函数的计算、梯度的计算和权重的更新），高精度计算需求，并行计算能力，优化和正则化技术以及模型评估和验证过程共同导致了其对高算力的需求。 Sora 作为OpenAI最新发布的视频生成AI模型，Sora代表了人工智能处理和理解多样化视觉数据能力的巨大进步。通过采用视频压缩网络和空间时间补丁技术，Sora能够将来自世界各地、不同设备拍摄的海量视觉数据转换为统一的表现形式，从而实现了对复杂视觉内容的高效处理和理解。依托于文本条件化的Diffusion模型，Sora能够根据文本提示生成与之高度匹配的视频或图片，展现出极高的创造性和适应性。不过，尽管Sora在视频生成和模拟真实世界互动方面取得了突破，但仍面临一些局限性，包括物理世界模拟的准确性、长视频生成的一致性、复杂文本指令的理解以及训练与生成效率。并且Sora本质上还是通过OpenAI垄断级的算力和先发优势，延续“大数据-Transformer-Diffusion-涌现”这条老技术路径达成了一种暴力美学，其它AI公司依然存在着通过技术弯道超车的可能。虽然Sora与区块链的关系并不大，但个人认为之后的一两年里。因为Sora的影响，会迫使其它高质量AI生成工具出现并快速发展，并且将辐射到Web3内的GameFi、社交、创作平台、Depin等多条赛道，所以对于Sora有个大致了解是必要的，未来的AI将如何有效的与Web3结合，也许是我们需要思考的一个重点。 AI x Web3的四大路径如上文所诉，我们可以知道，生成式AI所需的底层基座其实只有三点：算法、数据、算力，另一方面从泛用性和生成效果来看AI是颠覆生产方式的工具。而区块链最大的作用有两点：重构生产关系以及去中心化。所以两者碰撞所能产生的路径我个人认为有如下四种：去中心化算力由于过去已经写过相关文章，所以本段的主要目的是更新一下算力赛道的近况。当谈到AI时，算力永远是难以绕开的一环。AI对于算力的需求之大，在Sora诞生之后已经是难以想象了。而近期，在瑞士达沃斯2024年度世界经济论坛期间，OpenAI首席执行官山姆·奥特曼更是直言算力和能源是现阶段最大的枷锁，两者在未来的重要性甚至会等同于货币。而在随后的2月10日，山姆·奥特曼在推上发表了一个极为惊人的计划，融资7万亿美元（相当于中国23年全国GDP的40%）改写目前全球的半导体产业格局，创立一家芯片帝国。在写算力相关的文章时，我的想象力还局限在国家封锁，巨头垄断，如今一家公司就想要控制全球半导体产业真的还是挺疯狂的。所以去中心化算力的重要性自然不言而喻，区块链的特性确实能解决目前算力极度垄断的问题，以及购置专用GPU价格昂贵的问题。从AI所需的角度来看，算力的使用可以分为推理和训练两种方向，主打训练的项目，目前还是寥寥无几，从去中心化网络需要结合神经网络设计，再到对于硬件的超高需求，注定是门槛极高且落地极难的一种方向。而推理相对来说简单很多，一方面是在去中心化网络设计上并不复杂，二是硬件和带宽需求较低，算是目前比较主流的方向。中心化算力市场的想象空间是巨大的，常常与“万亿级”这个关键词挂钩，同时也是AI时代下最容易被频繁炒作的话题。不过从近期大量涌现的项目来看，绝大部分还是属于赶鸭子上架，蹭热度。总是高举去中心化的正确旗帜，却闭口不谈去中心化网络的低效问题。并且在设计上存在高度同质化，大量的项目非常相似（一键L2加挖矿设计），最终可能会导致一地鸡毛，这样的情况想要从传统AI赛道分一杯羹着实困难。算法、模型协作系统机器学习算法，是指这些算法能够从数据中学习规律和模式，并据此做出预测或决策。算法是技术密集型的，因为它们的设计和优化需要深厚的专业知识和技术创新。算法是训练AI模型的核心，它定义了数据如何被转化为有用的见解或决策。较为常见的生成式AI算法比如生成对抗网络（GAN）、变分自编码器（VAE）、转换器（Transformer），每个算法都是为了一个特定领域（比如绘画、语言识别、翻译、视频生成）或者说目的而生，再通过算法训练出专用的AI模型。那么如此之多的算法和模型，都是各有千秋，我们是否能将其整合为一种能文能武的模型？近期热度高涨的Bittensor便是这个方向的领头者，通过挖矿激励的方式让不同AI模型和算法相互协作与学习，从而创作出更高效全能的AI模型。而同样以这个方向为主的还有Commune AI（代码协作）等，不过算法和模型对于现在的AI公司来说，都是自家的看门法宝，并不会随意外借。所以AI协作生态这种叙事很新奇有趣，协作生态系统利用了区块链的优势去整合AI算法孤岛的劣势，但是否能创造出对应的价值目前尚未可知。毕竟头部AI公司的闭源算法和模型，更新迭代与整合的能力非常强，比如OpenAI发展不到两年，已从早期文本生成模型迭代到多领域生成的模型，Bittensor等项目在模型和算法所针对的领域也许要另辟蹊径。去中心化大数据从简单的角度来说，将私有数据用来喂AI以及对数据进行标记都是与区块链非常契合的方向，只需要注意如何防止垃圾数据以及作恶，并且数据存储上也能使FIL、AR等Depin项目受益。而从复杂的角度来说，将区块链数据用于机器学习（ML），从而解决区块链数据的可访问性也是一种有趣的方向（Giza的摸索方向之一）。在理论上，区块链数据可随时访问，反映了整个区块链的状态。但对于区块链生态系统之外的人来说，获取这些庞大数据量并不容易。完整存储一条区块链需要丰富的专业知识和大量的专门硬件资源。为了克服访问区块链数据的挑战，行业内出现了几种解决方案。例如，RPC提供商通过API访问节点，而索引服务则通过SQL和GraphQL使数据提取变得可能，这两种方式在解决问题上发挥了关键作用。然而，这些方法存在局限性。RPC服务并不适合需要大量数据查询的高密度使用场景，经常无法满足需求。同时，尽管索引服务提供了更有结构的数据检索方式，但Web3协议的复杂性使得构建高效查询变得极其困难，有时需要编写数百甚至数千行复杂的代码。这种复杂性对于一般的数据从业者和对Web3细节了解不深的人来说是一个巨大的障碍。这些限制的累积效应凸显了需要一种更易于获取和利用区块链数据的方法，可以促进该领域更广泛的应用和创新。那么通过ZKML（零知识证明机器学习，降低机器学习对于链的负担）结合高质量的区块链数据，也许能创造出解决区块链可访问性的数据集，而AI能大幅降低区块链数据可访问性的门槛，那么随着时间的推移，开发者、研究人员和ML领域的爱好者将能够访问到更多高质量、相关的数据集，用于构建有效和创新的解决方案。 AI赋能Dapp 自23年，ChatGPT3爆火以来，AI赋能Dapp已经是一个非常常见的方向。泛用性极广的生成式AI，可以通过API接入，从而简化且智能化分析数据平台、交易机器人、区块链百科等应用。另一方面，也可以扮演聊天机器人（比如Myshell）或者AI伴侣（Sleepless AI），甚至通过生成式AI创造链游中的NPC。但由于技术壁垒很低，大部分都是接入一个API之后进行微调，与项目本身的结合也不够完美，所以很少被人提起。但在Sora到来之后，我个人认为AI赋能GameFi（包括元宇宙）与创作平台的方向将是接下来关注的重点。因为Web3领域自下而上的特性，肯定很难诞生出一些与传统游戏或是创意公司抗衡的产品，而Sora的出现很可能会打破这一窘境（也许只用两到三年）。以Sora的Demo来看，其已具备和微短剧公司竞争的潜力，Web3活跃的社区文化也能诞生出大量有趣的Idea，而当限制条件只有想象力的时候，自下而上的行业与自上而下的传统行业之间的壁垒将被打破。结语随着生成式AI工具的不断进步，我们未来还将经历更多划时代的“iPhone时刻”。尽管许多人对AI与Web3的结合嗤之以鼻，但实际上我认为目前的方向大多没有问题，需要解决的痛点其实只有三点，必要性、效率、契合度。两者的融合虽处于探索阶段，却并不妨碍这条赛道成为下个牛市的主流。对新事物永远保持足够的好奇心和接纳度是我们需要必备的心态，历史上，汽车取代马车的转变瞬息之间便已成定局，亦如同铭文和过去的NFT一样，持有太多偏见只会和机遇失之交臂。来源：金色财经

金色财经2024-02-23

亚马逊警告员工：工作中不要使用第三方AI工具

我们长期以来一直在开发生成式AI和大型机器学习模型。员工每天都使用我们的AI模型来代表我们的客户进行创新——从使用Amazon CodeWhisperer生成代码推荐到在Alexa上创造新体验。我们为员工使用这些技术制定了保障措施，包括访问第三方生成式AI服务和保护机密信息的指导。” 亚马逊的内部文件指出，严格禁止使用第三方生成人工智能工具，如OpenAI的ChatGPT，来完成亚马逊的机密工作。该政策还警告称，提供生成式AI服务的公司可能会声称对其工具中输入的任何数据拥有所有权。去年，亚马逊公司的一名律师曾经非正式地警告员工不要向OpenAI的ChatGPT提供任何亚马逊的机密信息，因为有例子显示ChatGPT的回复中使用了类似于亚马逊内部数据。尽管有这些警告，亚马逊已经软化了对微软系统的立场，最近以10亿美元的价格获得Microsoft 365的5年授权就是明证。

金融界2024-02-23

2024年将是C3.ai的关键一年

早针对和塑造工作场所如何应用人工智能/机器学习的公司之一，从设施和供应链优化到最新的C3生成式人工智能功能试点项目。C3.ai目前正在经历的不是身份危机，而是业务运营上的重大转变，即他们如何向客户收费。该公司目前正在从基于订阅的服务转变为更现代的基于消耗的服务，其中公司按CPU/GPU使用量收费，而不是纯订阅服务。管理层提到，随着公司从一种模式转变为另一种模式，财务状况可能显得不那么吸引人；然而，这不是对公司不屑一顾的理由。管理层透露，公司可能经历负增长，接着是平稳增长，然后是增长。这在大约十年前的SaaS模式中有些相似，当时软件平台从软件许可证转向订阅。虽然这在短期内可能看起来是负面的，但从长远来看，这可能会带来好处，因为公司根据产品的利用率收费，而人工智能相关应用消耗大量数据，进而消耗计算能力。理想情况下，随着规模的扩大，这种模式应该能更好地平衡成本和收益。在24年第二季度的财报电话会议上，管理层提到他们正在扩大C3生成人工智能功能的试点范围，并将该应用程序添加到AWS市场。该公司的方法相当被动，有两周的试用期，之后潜在客户可以选择以25万美元的价格购买许可证。虽然该公司预计当前试用生成式人工智能功能的群体的转化率将达到70%，但管理层认为，当该功能在市场上可用时，这一数字将大幅下降。截至24年第二季度，该公司有109个试点，其中103个仍在使用，转化为72个新客户的目标转化率。这将是一个很好的基准，因为该公司将于2024年2月28日收盘后公布24年第三季度的收益。尽管C3.ai的性质如此，不过，该公司的增长速度并不像业内同行那样强劲。例如，其竞争对手平台Palantir在2024年2月5日发布的23年第四季度财报中，实现了高得多的增长率，营收达到20%，盈利能力强劲，远远超过了40%的规则（“收入增长+调整后营业收入”）。考虑到他们在市场上的地位，C3.ai可能面临巨大的阻力，因为在人们对人工智能高度感兴趣的时期，点燃销售增长的落后者正面临挑战。最大的挑战之一是，那就是C3.ai的产品并不一定像Palantir那样模块化。Ai的产品在各个垂直领域都有非常具体的用例。挑战在于这限制了垂直领域的覆盖范围，并且在高度定制的结果下产生了巨大的运营成本。即使C3.ai拥有比Palantir更优秀的产品，Palantir在不断变化的行业中拥有规模和敏捷部署。除此之外，由于融资成本高，一些软件公司在获得长期合同方面面临挑战，这导致了账单的逆风。尽管管理层并没有因为融资成本上升而提出任何反对意见，但这可能会延长销售周期，并进一步推动交易的完成。为C3.ai建立一个案例。假设某公司会寻求该公司的平台，因为据说它有助于提高运营效率和消除供应链挑战。如果公司在下个季度确实面临收入增长方面的挑战，这些挑战将在未来更大程度上持续下去。管理层确实表示，他们更注重招聘数据科学家、LLM工程师以及一些潜在客户。如果公司不能在销售周期中领先于竞争对手，那么无论产品多么复杂，它都可能被忽视，这取决于管理层对潜在客户生成的理解，无论是投资于销售团队，还是仅仅支付广告费用和在AWS Marketplace中的优先位置。考虑到几乎每个平台都在发布某种形式的GenAI功能，无论是Palantir还是Check Point Software等。如果公司没有像Palantir那样有力地启动销售周期，被动销售可能无法提供预期的结果。从财务方面看，C3.ai的总收入在TTM基础上增长了4%，订阅收入增长了3%，专业服务增长了10%。来源：企业报告与同行AI平台相比，C3.ai的增长几乎陷入停滞。尽管我们仍处于人工智能革命的早期阶段，但对于平台公司来说，未来几年将是决定哪些公司独立生存、哪些公司被收购、哪些公司成为中坚力量的关键时期。管理层预计，24年第三季度的收入增长率在11-17%之间，这表明24年第二季度17%的年增长率是未来更高增长率的开始。尽管有了这样的增长，但管理层的经营亏损仍在4000万美元至4600万美元之间，经营利润率为-60%。展望24年第四季度，管理层对24年第四季度的收入指导在4.25-38.75%之间。管理层的收入指导反映了上文所说的，采用GenAI将决定公司发展的成败，要么非常成功，要么彻底失败。在其他条件相同的情况下，24年第四季度调整后的营业利润率为-45%。展望25财年，C3.ai鉴于其在市场中的定位，将面临比普遍预期更多的阻力。与竞争对手相比，C3.ai将更先进的人工智能功能引入其产品组合的时间有点晚，因此可能面临重大阻力。对于24财年，预计营收增长12%，25财年增长10%，总收入分别为2.97亿美元和3.28亿美元。因此，利润率将面临更大的阻力，因为该公司将招聘更多员工，并面临增长阻力。来源：企业报告最后，管理层认为公司将在24年第四季度和25财年产生正现金流。虽然这对公司来说是一个非常可行的目标，但转向正现金流不由损益表驱动，而是由资产负债表上的会计影响驱动。鉴于此，现金流转为正并不会对公司产生重大影响，除了他们如何报告财务状况。估值与股东价值来源：企业报告人工智能的定价非常高，为销售额的11.27倍，但远低于同行平台。鉴于对该公司增长轨迹的展望，该公司的估值不会扩大到同类公司的水平。考虑到人工智能的历史估值，基于公司未来的增长路径，价格/销售额留下了广泛的可能性。来源：Seeking Alpha 如果该公司不能完全实现其GenAI产品的采用目标，那么股价可能会在一天内轻松下跌20%或更多，就像其他软件平台在这个财报季所看到的那样。正如之前提到的，24财年将是公司的关键一年，因为它将决定未来的增长路径，成为人工智能平台成败的一年。考虑到对同行平台Palantir的滞后效应，这场竞赛可能是一场非常陡峭的艰苦战斗。 $C3.ai, Inc.(AI)$

老虎证券2024-02-23

Sora涌现：2024年会是AI+Web3革命年吗

和海量计算能力。深度学习深度学习是机器学习的一个子领域，它采用模仿人脑神经网络的算法。例如，人脑由数百万个相互连接的神经元组成，它们一起工作来学习和处理信息。同样，深度学习神经网络（或人工神经网络）由在计算机内协同工作的多层人工神经元组成。这些人工神经元（称为节点）使用数学计算来处理数据。人工神经网络利用这些节点通过深度学习算法解决复杂问题。神经网络分为层：输入层、隐藏层和输出层，参数连接不同层。输入层：神经网络的第一层，负责接收外部输入数据。输入层中的每个神经元对应于输入数据的一个特征。例如，在处理图像数据时，每个神经元可能对应于图像的一个像素值。隐藏层：输入层处理数据并将其进一步传递到网络中。这些隐藏层在不同级别处理信息，在接收新信息时调整其行为。深度学习网络有数百个隐藏层，可以从多个角度分析问题。例如，当呈现需要分类的未知动物的图像时，你可以通过检查耳朵形状、腿数量、瞳孔大小等将其与你已经知道的动物进行比较。深度神经网络中的隐藏层以类似的方式工作方式。如果深度学习算法尝试对动物图像进行分类，每个隐藏层都会处理动物的不同特征并尝试对其进行准确分类。输出层：神经网络的最后一层，负责生成网络的输出。输出层中的每个神经元代表一个可能的输出类别或值。例如，在分类问题中，每个输出层神经元可能对应一个类别，而在回归问题中，输出层可能只有一个神经元，其值代表预测结果。参数：在神经网络中，不同层之间的连接由权重和偏差表示，它们在训练过程中进行优化，以使网络能够准确识别数据中的模式并做出预测。增加参数可以增强神经网络的模型能力，即学习和表示数据中复杂模式的能力。然而，这也增加了对计算能力的需求。大数据为了进行有效的训练，神经网络通常需要大量、多样化、高质量和多源的数据。它构成了训练和验证机器学习模型的基础。通过分析大数据，机器学习模型可以学习数据中的模式和关系，从而实现预测或分类。海量计算能力神经网络多层结构复杂，参数众多，大数据处理要求，迭代训练方式（训练时模型需要反复迭代，涉及到每一层的前向和后向传播计算，包括激活函数计算、损失函数计算、梯度计算和权重更新）、高精度计算需求、并行计算能力、优化和正则化技术以及模型评估和验证过程共同导致了高计算能力的需求。 Sora 作为 OpenAI 最新的视频生成 AI 模型，Sora 代表了人工智能处理和理解多样化视觉数据的能力的重大进步。通过采用视频压缩网络和时空补丁技术，Sora 可以将全球范围内不同设备捕获的海量视觉数据转换为统一的表示形式，从而实现对复杂视觉内容的高效处理和理解。利用文本条件扩散模型，Sora 可以生成与文本提示高度匹配的视频或图像，展现出高度的创造力和适应性。然而，尽管Sora在视频生成和模拟现实世界交互方面取得了突破，但它仍然面临一些局限性，包括物理世界模拟的准确性、生成长视频的一致性、理解复杂的文本指令以及训练和生成的效率。本质上，Sora通过OpenAI的垄断算力和先发优势，延续了“大数据-Transformer-Diffusion-emergence”的老技术路径，实现了一种蛮力美学。其他人工智能公司仍然有通过技术创新实现超越的潜力。虽然Sora与区块链的关系并不大，但相信未来一两年，由于Sora的影响力，其他优质的AI生成工具将会出现并迅速发展，冲击各个Web3领域如GameFi、社交平台、创意平台、Depin等。因此，对Sora有一个大致的了解是必要的，未来AI如何与Web3有效结合是一个重点考虑的问题。 AI x Web3融合的四种途径正如前面所讨论的，我们可以理解生成式AI所需的基本要素本质上有三重：算法、数据和计算能力。另一方面，考虑到其普遍性和产出效果，AI是一种彻底改变生产方式的工具。同时，区块链最大的影响是双重的：重组生产关系和去中心化。因此，我认为这两种技术的碰撞可以产生以下四种路径：去中心化算力如前所述，本节旨在更新计算能力格局的状态。谈到AI，计算能力是不可或缺的一个方面。Sora的出现，让原本难以想象的AI对算力的需求凸显出来。近日，在2024年瑞士达沃斯世界经济论坛期间，OpenAI首席执行官Sam Altman公开表示，算力和能源是当前最大的制约因素，暗示它们未来的重要性甚至可能等同于货币。随后，2月10日，Sam Altman在推特上宣布了一项令人震惊的计划，将筹集7万亿美元（相当于2023年中国GDP的40%）来彻底改革当前的全球半导体产业，旨在打造一个半导体帝国。我之前对算力的思考仅限于国家封锁和企业垄断；一家公司想要主宰全球半导体行业的想法确实很疯狂。因此，去中心化计算能力的重要性是不言而喻的。区块链的特性确实可以解决当前计算能力极度垄断的问题，以及与获取专用 GPU 相关的昂贵成本的问题。从AI需求的角度来看，算力的使用可以分为推理和训练两个方向。专注于训练的项目还很少，因为去中心化网络需要集成神经网络设计，对硬件要求极高，是一个门槛较高、实施难度较大的方向。相比之下，推理相对简单，因为去中心化网络设计没有那么复杂，对硬件和带宽的要求也较低，是更主流的方向。中心化算力市场想象空间广阔，常常与“万亿级”关键词联系在一起，也是AI时代最容易炒作的话题。然而，纵观最近出现的众多项目，大多数似乎都是利用趋势的考虑不周的尝试。他们经常高举去中心化的旗帜，但却避免讨论去中心化网络的低效率。另外，设计同质化程度很高，很多项目非常相似（一键L2加挖矿设计），最终可能会导致失败，很难在传统AI竞赛中占据一席之地。算法与模型协同系统机器学习算法是那些可以从数据中学习模式和规则，并根据它们做出预测或决策的算法。算法是技术密集型的，因为其设计和优化需要深厚的专业知识和技术创新。算法是训练人工智能模型的核心，定义了如何将数据转化为有用的见解或决策。常见的生成式 AI 算法包括生成对抗网络 (GAN)、变分自编码器 (VAE) 和 Transformers，每种算法都是针对特定领域（例如绘画、语言识别、翻译、视频生成）或目的而设计的，然后用于训练专门的 AI模型。那么，这么多的算法和模型，各有千秋，是否有可能将它们整合成一个通用的模型呢？Bittensor是最近备受关注的一个项目，它通过激励不同的AI模型和算法相互协作和学习，从而创建更高效、更有能力的AI模型，从而引领了这个方向。其他专注于这个方向的项目包括Commune AI（代码协作），但算法和模型对于AI公司来说是严格保密的，不容易共享。因此，AI协作生态系统的叙述新颖而有趣。协作生态系统利用区块链的优势来整合孤立的AI算法的劣势，但是否能够创造相应的价值还有待观察。毕竟，拥有自主算法和模型的领先AI公司，拥有强大的更新、迭代和集成能力。例如，OpenAI 在不到两年的时间内从早期的文本生成模型发展到多领域生成模型。像 Bittensor 这样的项目可能需要在其模型和算法目标领域探索新路径。去中心化大数据从简单的角度来看，利用隐私数据来喂养AI和注释数据是与区块链技术非常吻合的方向，主要考虑的是如何防止垃圾数据和恶意行为。此外，数据存储可以使 FIL 和 AR 等 DePIN项目受益。从更复杂的角度来看，使用区块链数据进行机器学习来解决区块链数据的可访问性是另一个有趣的方向（Giza 的探索之一）。理论上，区块链数据是随时可访问的，反映了整个区块链的状态。然而，对于区块链生态系统之外的人来说，访问这些大量数据并不简单。存储整个区块链需要丰富的专业知识和大量的专业硬件资源。为了克服访问区块链数据的挑战，行业内出现了多种解决方案。例如，RPC 提供商通过 API 提供节点访问，索引服务使通过 SQL 和 GraphQL 进行数据检索成为可能，在解决该问题方面发挥了至关重要的作用。然而，这些方法都有其局限性。RPC服务不适合需要大量数据查询的高密度用例，往往无法满足需求。同时，尽管索引服务提供了一种更加结构化的数据检索方式，但 Web3 协议的复杂性使得构造高效查询变得极其困难，有时需要数百甚至数千行复杂代码。这种复杂性对于一般数据从业者和那些对 Web3 细节了解有限的人来说是一个重大障碍。这些限制的累积效应凸显了需要一种更易于访问和利用的方法来获取和利用区块链数据，这可以促进该领域更广泛的应用和创新。因此，将ZKML（零知识证明机器学习，减轻链上机器学习的负担）与高质量的区块链数据相结合，可能会创建解决区块链数据可访问性的数据集。AI可以显着降低区块链数据的访问障碍。随着时间的推移，开发人员、研究人员和机器学习爱好者可以访问更多高质量、相关的数据集，以构建有效和创新的解决方案。 AI赋能Dapp 自2023年ChatGPT3爆发以来，AI对Dapp的赋能已经成为一个非常普遍的方向。广泛适用的生成式人工智能可以通过API集成，从而简化和智能化数据平台、交易机器人、区块链百科全书和其他应用程序。另一方面，它还可以充当聊天机器人（如 Myshell）或 AI 伴侣（Sleepless AI），甚至可以使用生成式 AI 在区块链游戏中创建 NPC。但由于技术门槛较低，大多数只是集成API后的调整，与项目本身的集成并不完善，因此很少被提及。但随着Sora的到来，我个人认为AI对GameFi（包括元宇宙）和创意平台的赋能将是未来的重点。鉴于Web3领域自下而上的性质，它不太可能生产出可以与传统游戏或创意公司竞争的产品。然而，Sora的出现可能会打破这一僵局（也许只需两到三年）。从Sora的演示来看，它有与短剧公司竞争的潜力。Web3活跃的社区文化还可以催生出大量有趣的想法，当唯一的限制就是想象力时，自下而上的行业与自上而下的传统行业之间的壁垒将被打破。结论随着生成式人工智能工具的不断发展，未来我们将见证更多突破性的“iPhone时刻”。尽管人们对AI与Web3的整合持怀疑态度，但我相信目前的方向基本上是正确的，只需要解决三个主要痛点：必要性、效率和契合度。虽然这两者的融合还处于探索阶段，但并不妨碍这条路径成为下一次牛市的主流。对新事物保持足够的好奇心和开放的态度是我们的基本心态。从历史上看，从马车到汽车的转变是瞬间解决的，正如铭文和过去的 NFT 所显示的那样。持有太多偏见只会导致错失机会。来源：金色财经

金色财经2024-02-23

24小时热点