FX168财经网_全球视野外汇黄金加密货币NFT资讯网

Sora引爆AI叙事哪些Crypto+AI概念项目最值得关注

金色财经2024-02-18

AI智能体是加密货币的下一个重要催化剂

r 建立了一个动态且开放的市场，将各种机器学习模型联合起来，形成一个互连的机器智能神经网络。网络中的其他参与者可以通过构建子网来利用这种机器学习模型的网格。这些子网是针对不同用例利用人工智能的专用协议。目前，Bittensor 生态系统拥有32 个子网。每个子网都可以被视为AI智能体的活跃市场，在 Bittensor 生态系统中被称为子网矿工，他们参与并解决持续的基于激励的竞争中的问题。例如，在子网 8（“预测子网”）中，子网矿工竞相预测比特币等金融市场的未来价格走势。 Autonolas Autonolas 堆栈支持开发连续运行并自行执行操作的加密原生自治服务。这些智能体服务充当多智能体系统 (MAS)，其中多个 AI 智能体协作执行复杂的功能。例如，人们可以在 Autonolas 上构建一种用于预测市场的AI 智能体，称为“预测智能体”。该智能体可以使用定制的数据分析策略进行编程，以帮助决策过程并积极参与预测市场。基于 Autonolas 构建的AI 智能体已经在 DeFi 领域取得进展。最近的一篇博客强调， Gnosis 链上超过 9% 的Safe交易可归因于 Olas 网络上运行的自治服务。进入2024 年，更令人印象深刻——在很多天里，Gnosis 链上超过 75% 的Safe交易都是由AI 智能体支持的。AI 智能体的高参与率是一个令人惊讶的细节，但许多人尚未注意到。它们在 Gnosis 链上使用的一种流行方式是充当 Safe 多重签名交易的自主签名者。 DAIN（去中心化自治基础设施网络） DAIN 是一个AI 智能体的全球网络，旨在相互交易、交互和合作。这是通过 DAIN 的 API 实现的，它充当AI 智能体进行通信和协作以执行复杂操作的标准化框架。虽然 DAIN 的网站目前正在开发中，但AI 智能体已经在其堆栈之上构建。以Asset Shield为例，它由 DAIN 提供支持。它部署Asset Shield,作为 Squads 上多重签名设置的自主签名者，从而增强安全性。它的工作原理如下：AI 智能体成为 Squads 多重签名的一部分，被编程为根据特定规则签署或拒绝交易。例如，AI 智能体可能会自动阻止任何超过 1000 SOL 的交易或标记那些看起来可疑的交易。可疑交易的标准由用户设定，可能类似于 Rabby Wallet 用来提醒用户可疑交易的逻辑 - 例如，当你处理新网站时，它会提示你在确认之前三思而后行。结语 AI 智能体经济已经到来。人工智能对加密货币的影响不再是遥远的可能性；它现在正在发生。随着人工智能基础设施协议的成熟，复杂的AI 智能体的开发及其跨用例的应用只会变得更加容易。所有迹象都表明一个令人兴奋的可能性：AI 智能体将成为本次牛市的独特催化剂。一旦AI 智能体成为加密货币未来的超级用户，我们可以预期它们之间的交互、交易和协作数量将呈指数级增长。这种激增将需要大量的计算能力和存储容量。为了满足这些需求，业界可能会寻求去中心化物理基础设施网络（dePIN）项目。Akash、Filecoin、GenesysGo、io.net、Render和Grass 等项目在 AI 与计算、存储和带宽等资源的交叉点上运行，可以在满足AI 智能体不断增长的需求方面发挥关键作用。来源：金色财经

金色财经2024-02-18

Crypto x AI 生态最全大盘点

力，同时为硬件供应商提供更好的回报。机器学习大致可分为四个主要的计算工作量：数据预处理：准备原始数据并将其转换为可用的格式。训练：让 ML 模型在大型数据集上进行训练，以学习数据中的模式和关系。微调：可以使用较小的数据集进一步优化 ML 模型，以提高特定任务的性能。推理：运行经过训练和微调的模型以进行预测。我们已经看到了像 Render 和 Akash 这样更通用的计算网络转向服务于更专业的计算，如 AI/ML。例如，Render 已经利用建立在他们网络之上的提供商如 io.net 来更直接地服务 AI 客户，而像 Akash 这样的供应商已经开始引入拥有需求的硬件供应商，并通过直接训练他们自己的模型来展示网络的力量，第一个案例是一个仅在无版权材料上训练的 Stable Diffusion fork。Livepeer 也正在专注于 AI 视频计算，因为他们已经有一个庞大的服务于视频转码用例的网络。此外，一种专门针对 AI 计算的网络正在形成，这让我们认识到围绕协同和验证的核心挑战可以通过围绕 AI 构建链或模型来更直接地解决。Gensyn 是其中比较值得注意的例子，它构建了一个基于基板的 L1，专为并行化和验证而设计。该协议使用并行化将较大的计算工作负载拆分为任务，并将它们异步推送到网络。为了解决验证问题，Gensyn 使用了概率学习证明 (probabilistic proof-of-learning)、基于图的 pinpoint 协议以及基于 staking 和 slashing 的激励系统。尽管 Gensyn 网络尚未上线，但该团队预测，其网络上等效 V100 GPU 的每小时成本约为 0.40 美元。储存之外，替代训练模型也在兴起，例如联合学习 (federated learning)，在意识到区块链可以更适当地激励这些模型后，它在 web3 中复兴。简而言之，联合学习是一种多方独立训练模型的方法，并定期批处理更新并将其发送到全局模型。有很多实践案例，比如谷歌的键盘文本预测算法。在 web3 中，FedML 和 FLock 正在尝试将联合学习方法与代币激励相结合。同样值得注意的是，像 Filecoin 和 Arweave 这样的去中心化数据存储，以及像 Space and Time 这样的数据库，可以在数据预处理方面发挥重要作用。基于共识的 ML 使用区块链的另一种新颖的基础设施形式则是基于共识的机器学习 (ML) 概念。Bittensor 是这一概念的最突出例子：这是一种基于 Substrate 的 L1 区块链，旨在通过使用特定于应用的子网来提高机器学习的效率和协作。每个子网都有自己的激励系统，用于服务各种用例，从 LLM 到预测模型到生成性创新。Bittensor 独特之处在于它如何使用矿工协调优质输出：矿工通过提供他们的 ML 模型的智能输出（由验证者评级）来获得 TAO (其原生代币)。由于矿工因为最佳输出而获得激励，他们会不断改进自己的模型以保持竞争力，从而帮助 Bittensor 完成了在代币经济学的协调下实现更快的学习过程。 TAO 生态系统中最近令人兴奋的发展是动态 TAO 提案，将 Bittensor 过渡到围绕代币排放的更自动化、市场驱动的机制设计，以及推出的 Nous 子网以提供激励模型微调，以便与 OpenAI 等公司竞争。我们可能会看到更多有关此类系统的尝试，例如让 mining 或共识以有利于质量的方式调节模型输出。意图就是您所需要的一切在DeFi中，MEV 领域的最新论点是关于用户意图以及使用经济同性 (economically-aligned) 的解调器来执行这些意图。关于意图的讨论通常百家齐放，但有一点已经变得越来越清晰了：用户的意图需要更高阶的语义上下文才能被解析成可执行代码。LLMs 可能会提供这个语义层。 Propellerheads 提出了迄今为止在意图空间中使用 LLM 的最清晰的愿景：https://www.propellerheads.xyz/blog/blockchain-and-llms。简而言之，LLMs 可以通过语义理解，将接近匹配的意图转化为完全匹配的意图，从而帮助我们找到巧遇需求 (coincidences of wants, CoWs) 的机会。这可以通过向内意图重判 (例如 “购买 LUSD 代替 USDC 可以吗？我找到了一个匹配的限价订单，你将通过这个 CoW 节省 0.3％的交易费用。”) 和向外意图重判 (例如 “我想购买你拥有的这个 BAYC，您愿意以 X ETH 的价格出售吗？”) 来实现。当然还可以有其他结构，这在钱包和多重签名的后账户抽象背景下变得特别有趣。DAIN 和 Autonolas 等项目已经尝试使用代理作为钱包的签名者，例如，出于安全和基于意图的目的，与你的钱包交谈并让它代表你执行交易即将成为现实。同样值得关注的是规模庞大 DeFi 用例，例如基于代理的预测市场、由 AI 管理的经济模型、以及 ML 参数化的 DeFi 应用程序，我的 zkML 文章提供了更为详细的介绍。代理经济迄今为止，我最喜欢的基础设施领域之一是人工智能代理经济。它源自我对世界的愿景，在这个世界中，每个人都有自己的代理，我们雇用那些高质量和训练有素的代理为我们服务，或者让自治代理在复杂的经济行为中实现我们的目标。为了做到这一点，代理必须有一种方式来支付和接收他们的服务费用。传统的支付模式绝对有可能为这些代理开放，但更有可能的是，鉴于其易用性、结算速度和无需许可的性质，代理将以加密货币进行交易。 Autonolas 和 DAIN 是该领域的典型案例。在 Autonolas 中，代理实际上是网络中的节点，致力于实现特定目标，这些节点由服务运营商维护，类似于 Keeper 网络。这些代理可用于各种服务，例如预言机、预测市场、消息传递等。DAIN 采用了类似的方法，使代理能够 “发现、交互、交易和与网络中的其他代理协作”。其他创意除上述内容外，我们还看到：用于微调模型（如 BagelDB）的去中心化向量数据库。用于 API 密钥的钱包和用于 AI 应用程序的 SIWE，例如 Window.ai 数据预配服务索引和搜索工具，如 Kaito 区块浏览器和仪表板，例如 Modulus Labs 的 AI 验证仪表板，它现在正在验证 Upshot 模型的一系列推理。开发助手，如 Dune 的链上 SQL 查询模型模拟代理测试环境用于数据抓取的带宽，如 Grass Network 合成数据和人类 RLHF 平台 DeSci 应用程序，例如 LabDAO 用于蛋白质折叠的分布式 bioML 工具 web3 中涌现出了无数的想法，用于服务于 AI 的各个领域，因此此处仅提供重点内容，但我强烈建议探索上述项目以深入了解其全貌。这一切的交汇 AI 和 Crypto 是协同作用的。两者都倾向于开源、抗审查，并正在创造历史上最大的财富转移。他们需要彼此，并解决彼此的核心挑战。对于 Crypto 来说，AI 解决了用户体验中的问题，促进了更具创造性的链上用例，增强了去中心化组织和智能合约的能力，并在应用和基础设施层解锁了真正的创新。对于 AI 来说，Crypto 解决了真实性和出处问题，加强了围绕开源模型和数据集的协调，有助于引导计算和数据，并使创作者和代理能够更直接地参与到后人工智能经济中去。现在的挑战是加密黑客、团队和项目了解并接受这种转变。创造力是无限的，我们正站在这一切的交汇处。如果你有兴趣了解更多关于这些交汇点的信息，请参加我们在 ETHDenver 举行的 Convergence 会议。来源：金色财经

金色财经2024-02-15

区块链动态2024年2月9日早参考

有所下降，61%的参与者预计人工智能和机器学习将在未来三年塑造交易的未来。就预计今年影响大盘的宏观事件而言，交易员认为通胀、美国大选和衰退风险是今年影响大盘的三大催化剂。 8 . 金色财经报道，贝莱德全球固定收益首席投资官（CIO）兼全球配置主管Rick Rieder表示，贝莱德目前对比特币的敞口非常小，但这可能会随着公众态度的改变而改变，该公司的投资组合在未来几年可能会获得更多比特币敞口。他表示：“时间会证明它是否会成为资产配置框架的重要组成部分，我认为随着时间的推移，人们会越来越接受它”。 Rieder还表示：“随着越来越多的人将比特币作为资产，我们认为其上行潜力是真实的，这一点最近已得到认可”。 9 . 金色财经报道，CryptoQaunt数据显示，约70%的比特币在一年多的时间里未移动，可能表明买方流动性较低。 10. 金色财经报道，Santiment数据显示，随着比特币价格重新回到4.5万美元左右，交易员连续第三周从交易所提取其代币，比特币在交易所的供应量降至6年来的最低水平。 11. 金色财经报道，美国财政部长珍妮特·耶伦(Janet Yellen)今日在参议院银行委员会听证会上表示，财政部可以使用更多权力来打击恐怖组织涉嫌使用加密货币的行为。耶伦表示：“我们确实有许多权力能够采取行动，但我们已经发现了我们权利中的一些漏洞，并就如何加强财政部权力的方式提出了一系列建议。” 参议员Mark Warner询问耶伦是否认为恐怖主义融资预防法案有必要，耶伦回应称：“我承认财政部面临的监管限制，我们当然支持该法案的目标，这将有助于赋予我们权利，使财政部能够更好地应对非常重大的威胁”。 12. 金色财经报道，彭博分析师Eric Balchunas发布的数据显示，在上市1个月后按资产划分的排名前25的ETF中（30年来总共推出了5,535只ETF），贝莱德和富达现货比特币ETF分别位列第一、二名，ARKB和BITB也榜上有名。分析师表示，该列表仅包括新上市的ETF，不包括任何转换，例如大约100个共同基金到ETF的转换和GBTC，因为它们拥有先前存在的资产。 13. 金色财经报道，虚拟资产交易平台JPEX涉嫌诈骗案，警方再拘捕3人，案件至今被捕人数增至70人，目前所有被捕人已获准保释候查，须于本月下旬至3月下旬向警方报到。香港警方表示，截至2月8日下午4时，警方共接获2636名受害人报案，涉及金额约16.1亿元。案件调查仍在进行中，警方不排除有更多人被捕。来源：金色财经

金色财经2024-02-09

金色早报 | 春节行情或使BTC达4.8万美元 Polygon发布zkEVM证明器Type 1 Prover

有所下降，61%的参与者预计人工智能和机器学习将在未来三年塑造交易的未来。就预计今年影响大盘的宏观事件而言，交易员认为通胀、美国大选和衰退风险是今年影响大盘的三大催化剂。 ▌数据：2023年比特币挖矿用电量仅占全球需求的0.2%至0.9% CryptoQuant CEO Ki Young Ju援引美国能源信息署的数据称，2023年比特币挖矿用电量仅占全球需求的0.2%至0.9%。 Ki Young Ju表示，从广义上讲，BTC的效率是传统银行安全的3倍，大通银行将3.38万亿美元客户资产中的0.3%用于IT安全，每年总计120亿美元。比特币的价值为8880亿美元，电力成本占其市值的0.1%。 ▌Spark推出新的ETH质押收益率预言机借贷协议Spark宣布与Chronicle、Block Analitica合作，推出了新的ETH质押收益率预言机。预言机将跟踪ETH的质押收益率，为Spark调整平台为WETH提供的借贷利率提供安全且更便捷的方式，为ETH供应商和参与者带来更高效、更安全的ETH市场。 ▌数据：交易所的比特币供应量降至6年来最低水平 Santiment数据显示，随着比特币价格重新回到4.5万美元左右，交易员连续第三周从交易所提取其代币，比特币在交易所的供应量降至6年来的最低水平。重要经济动态 ▌美联储3月降息的概率为18.5% 据CME“美联储观察”：美联储3月维持利率在5.25%-5.50%区间不变的概率为81.5%，降息25个基点的概率为18.5%。到5月维持利率不变的概率为35.9%，累计降息25个基点的概率为53.8%，累计降息50个基点的概率为10.4%。金色百科 ▌灰度比特币信托 GBTC是一种数字金融工具，旨在为对加密货币感兴趣的个人提供比特币市场的投资机会，消除了直接获取基础资产的需求。Grayscale通过推出Grayscale比特币信托基金（GBTC）在比特币（BTC）可及性方面发挥了先锋作用，标志着这种首创性的比特币基金的诞生，使投资者能够通过一个熟悉的投资工具访问BTC。免责声明：金色财经作为区块链资讯平台，所发布的文章内容仅供信息参考，不作为实际投资建议。请大家树立正确投资理念，务必提高风险意识。来源：金色财经

金色财经2024-02-09

智能穿戴及AI领域进入规模商用润欣科技(300493.SZ)与CyweeMotion签署新业务合作协议

/VR6DOF算法、FA近场音频感知、机器学习等新领域进一步加强技术合作，扩大双方在传感器与边缘计算SOC芯片领域的市场规模。

金融界2024-02-08

润欣科技：与CyweeMotion签署《技术开发暨晶片采购协议》

/VR6DOF算法、FA近场音频感知、机器学习等新领域进一步加强技术合作，扩大双方在传感器与边缘计算SOC芯片领域的市场规模。

金融界2024-02-08

第四范式(06682)上涨5.56%，报47.5元/股

工智能市场中占据最大的市场份额，其自动机器学习算法领跑全球，在准确性和有效性方面打破了两项图学习标准的世界纪录。截至2023年中报，第四范式营业总收入14.68亿元、净利润-4.56亿元。

金融界2024-02-08

国联股份申请数据处理专利，使得目标实体的识别更加精准可靠

进行人工干预以构建神经网络架构，仅凭借机器学习调节可学习变量，减少人工成本，以及避免主观干预，使得目标实体的识别更加精准可靠。进一步地，相关技术依据索引表征向量识别目标实体的方式依赖多层识别以确保实体识别的精度，本发明提供的方法只需要整体和局部识别两个环节即可对工业描述文本中的目标实体进行识别，可以令模型的组成更加简单，此外实体识别的精度和速度得到保证。

金融界2024-02-07

Vanguard将AI纳入130亿美元量化股票基金增加长期AI技术押注

管理的几个活跃股票基金中悄悄地开始使用机器学习，这些基金总共管理着130亿美元的资产。大约一年前，正当ChatGPT狂潮席卷全球市场时，这家全球第二大资产管理公司将人工智能添加到了四只所谓的因子基金中。他们的赌注是：新的语言和数据分析能力将有助于系统性策略适应不断变化的经济和市场状况。 Vanguard Group因子策略主管Scott Rodemer说：““我们在这里要做的是代表我们相信的过程，即基于基本面的量化过程，考虑到可能影响股票的各种效应，这种过程非常自然地适用于机器学习。” 尽管传统模型尚处于初期阶段，但对于Jack Bogle创立的Vanguard Group来说，初期迹象是令人鼓舞的。彭博社汇编的数据显示，价值78亿美元的Vanguard Strategic Equity Fund在2023 年击败了基准和大多数同行，价值15亿美元的Vanguard Strategic Small-Cap Equity Fund也是如此。价值4.91亿美元的Vanguard Market Neutral Fund回报率为 12%，也优于同类产品。与硅谷或者一些更前沿的对冲基金相比，Vanguard只是在尝试涉足人工智能领域的一小步。但对于一个以专注于简单指数投资而闻名，并且最近在美国拒绝了比特币现货ETF的公司而言，这是一个强有力的信号，表明这项技术在华尔街和主街上的潜力。这四种策略在保留其因子投资的核心方法的同时，已经融入了从机器学习中获得的交易见解。后者涉及根据历史上显示出预测超额收益的特征选择股票，比如低估值倍数或利润增长加速。这些模型使用相同的输入，但增加了一系列新的经济和市场变量。使用神经网络的架构，也被用于像图像识别和聊天机器人这样的常见人工智能应用，它可以做出更加细致的股票预测。这个想法是，机器在找出一系列变量之间的非线性关系方面更为出色。例如，它可能推断出企业资产负债表的强度在利率达到关键水平之前并不重要，或者在经济增长减缓到一定程度之前并不重要。传统的因子量化人员长期以来一直怀疑自己的押注时间，但他们却通过艰苦的教训学会了市场能够对他们起作用的时间有多长。Vanguard Market Neutral Fund在截至2020年的两年里损失了 20%，当时昂贵的科技股统治了市场，部分原因是利率触底和新冠疫情。对于Vanguard的量化分析师来说，过去的一年表明了更多关注的价值到市场环境。例如，在2023年地区银行业危机期间，人工智能帮助阻止了投资组合一头扎进看似廉价的股票。 Scott Rodemer表示：“我们都可以自己想，‘这些股票现在便宜的原因有很多，宏观环境肯定是其中之一。’ 如果你从机器学习的角度来看其中一些股票，你会发现它们实际上相当昂贵。如果你将这两种观点融合在一起，它就会变得中立。” Vanguard于2018年开始尝试人工智能，从文本处理开始，然后继续研究如何将其用于量化策略。首席执行官Tim Buckley在去年的一次会议上表示，生成式人工智能（以ChatGPT为代表的分支）将彻底改变资产管理。这家总部位于宾夕法尼亚州马尔文的公司并不是唯一一家将人工智能应用于因子策略的公司。 Research Affiliates联合创始人Jason Hsu的Rayliant Global Advisors管理着约190亿美元的资产，该公司从使用少数几个因素发展到使用人工智能解析约200个交易信号。AQR Capital Management机器学习主管Bryan Kelly就如何将该技术融入传统量化交易进行了大量研究。在Vanguard，采用人工智能的关键是理解它所做出的最终决定——这是机器学习领域的一个长期挑战。团队必须建立一个解释其输出的模型，然后高管才会开始使用这项技术。 QEG负责人John Ameriks表示：“你最担心的是曲线拟合和数据挖掘。因此，确保我们不仅在回测中产生了令人满意的结果，而且我们对此有了真正好的直觉理解，是一项首要任务。”

阿泰尔2024-02-07

24小时热点