FX168财经网_全球视野外汇黄金加密货币NFT资讯网

寻找下一个ALT：8个值得关注的EigenLayer AVS用例

estia或EigenLayer上。但机器学习、人工智能界面和游戏等用例的密集计算将在更快、更高效的链下环境执行。这就导致对这些应用程序的计算支持直接随着用户数量的增长而增长，更多的用户将带来更多的由社区供应的计算能力。我想到了Solana上的一款应用Grass，它可以让你出售闲置的互联网带宽来训练人工智能，尽管这不属于Blockless的功能范围。 Blockless权益证明保障网络安全，所以代币将不仅仅是一种meme。至于再质押，Blockless将为在EigenLayer上开发的应用程序提供网络，以最大限度地减少意外罚没。不知道nnApps会不会让我的手机过热…… 其他AVS 你可以在Eigenlayer网站上查看完整的AVS名单。但值得一提的AVS还有：（6）Lagrange：LayerZero、Omni和Hyperlane的另一个竞争对手，其跨链基础设施支持在所有主要区块链上创建通用状态证明。最近从1kx和其他机构获得了400万美元的种子资金。（7）Drosera：应对漏洞攻击的“事件响应协议”。当发生黑客攻击时，Drosera Trap会检测到攻击并采取措施减轻攻击。听起来很酷。（8）Witness Chain：使用再质押实现勤奋证明（Proof of Diligence）并确保rollup安全性，并使用位置证明（Proof of Location）来建立物理节点去中心化。来源：金色财经

金色财经2024-01-31

Vitalik：我如何看待加密和AI交叉领域及其前景和挑战

很多”。过去三年里，随着现代LLM（机器学习模型）形式的更强大的人工智能的兴起，以及更强大的加密货币——不仅是区块链扩展解决方案形式，还有ZKP、FHE、（双方和n方）MPC形式——的兴起，我开始看到了变化。在区块链生态系统中确实存在一些前景光明的人工智能应用，或是人工智能与密码学相结合的应用，重要的是要关注人工智能的应用方式。其中一个具体的问题就是：在密码学里，开源是确保某些东西真正安全的唯一途径，但在人工智能领域，开源模型（甚至连训练数据也是开源的）却大大加剧了它面对对抗性机器学习攻击的脆弱性。本文将介绍加密与人工智能之间可能存在的各类交集及其前景和挑战。四大类AI 人工智能是一个非常宽泛的概念：你可以把“人工智能”想象成一组算法，而非具体的设定，就像是通过搅拌一大锅神奇的计算的汤汁，并施加某种优化压力，来让这锅汤提供给你带有你想要的属性的算法。这种描述绝对不应该被看轻：它就是我们人类最初诞生的过程！人工智能算法确有一些共同的特性：它们的做事能力非常强大，而与此同时，我们窥探幕后真相的能力也非常有限。人工智能的分类方式有很多。本文主要讨论人工智能和区块链（被描述为创建“游戏”的平台）之间的交集，所以我将人工智能在此进行如下分类：游戏玩家类AI（最易存活）：AI所参与的机制中，激励的最终来源出自协议的人类输入。游戏界面类AI（潜力巨大，但也存在风险）：AI帮助用户理解他们身边的加密世界，并确保他们的行为（如：签署消息和交易）与他们的意图相符，他们不会被欺骗。游戏规则类AI（如履薄冰）：区块链、DAO和其他类似机制直接调用AI。例如“AI法官”。游戏目标类AI（长期但有趣）：设计区块链、DAO和其他类似机制，目的是构建和维护一个可用于其他目的的AI，使用加密bits来更好地激励训练或防止AI泄露隐私数据或被滥用。 1、游戏玩家类AI 游戏玩家类AI实际上是一个已经存在了近十年的类别，尤其是自从链上去中心化交易所（DEX）开始被广泛使用以来。只要涉及到交易，就会有套利赚钱的机会，而机器人在套利方面比人类更具优势。这个用例已经存在很久了，虽然使用的AI比现今的AI简单的多，但它最终成为了人工智能与加密货一个真正的交叉领域。最近我们经常看到MEV套利机器人相互竞争。无论什么时候，只要区块链应用程序涉及到拍卖或交易，都会出现套利机器人。然而，AI套利机器人仅仅是其所在的更大范畴里的第一个例子，我预计很快还会包含很多其他应用。长期以来，预测市场一直是认知技术的圣杯；早在2014年，我就对使用预测市场作为治理输入非常兴奋，上次大选和最近的选举就广泛使用了预测市场。但到目前为止，预测市场在实践中并没有太大的发展，常见的原因有很多：最大的参与者往往是非理性的，明智的人往往不愿花费时间下注，除非涉及到大量资金，还有市场的流动性很浅，等等。对此有一种回应指向了Polymarket或其他新兴预测市场正在进行的用户体验改进，并希望它们能够在之前失败的地方获取成功。毕竟，故事都是这样发展的，人们愿意在体育赛事上押注数百亿美元，那么为什么不把足够的钱押注在美国大选或LK99上，这样一来，那些大玩家也就会有入场意愿了。但这一点必须面对这样一个事实，那就是既然之前都未能达到这种规模（至少与其支持者的梦想相比），因此似乎需要一些新的东西才能让使预测市场成功。所以，另一种不同的回应指向了预测市场生态系统的一个具体特征，也就是我们可以在21世纪20年代看到上个年代看不到的东西：人工智能无所不在的可能性。人工智能愿意以每小时不到1美元的价格工作，并且拥有百科全书般的知识——如果这还不够，它们甚至还可以与实时网络搜索功能相结合。如果你做市，并提供50美元的流动性补贴，人类可能不太在意，不会去竞标，但成千上万的人工智能会迅速行动，并尽其所能做出最好的预测。在一个问题表现出色的激励可能很小，但让人工智能做出广泛的正确预测的激励却很巨大。请注意，你甚至不需要人类来对大多数问题实行裁决：你可以使用类似于Augur或Kleros的多轮争议系统，其中人工智能也将参与较早的轮次。人类只需要在非常少数情况下做出反应，也就是当进行一系列双方投入都很大的升级的时候。这是一个强大的原语，因为一旦“预测市场”可以进行如此微观规模的工作，你就可以在许多其他类问题上重复使用“预测市场”原语：根据[用户使用条款]，这个社交媒体帖子是否可以发布？股票X的价格会发生什么变化？现在正发消息给我的这个账号真的是埃隆·马斯克吗？这个在在线任务市场提效的工作合格吗？这个网址是https://examplefinance.network的dapp是个骗局吗？ 0x1b54....98c3真的是“Casinu Inu” ERC20代币的地址吗？你可能会注意到，这些想法很多都是朝着我所说的“信息防御”的方向发展的。从广义上讲，问题是：我们如何帮助用户区分真实和虚假信息，检测诈骗，而不是授权一个中心化权威机构来决定孰是孰非，因为中心化权威可能会滥用自己的权利。在微观层面上，答案可以是“人工智能”。但在宏观层面上，要面临的问题是：谁来建设人工智能？人工智能是其创建过程的反映，是无法避免偏见的。所以，我们需要一个更高层的游戏去评判各种AI的表现，让AI能够作为玩家参与到游戏中。人工智能的这种使用，即人工智能参与某种机制，并最终会被一个汇集人类输入的链上机制（称之为基于市场的去中心化RLHF如何？）奖励或惩罚，我认为这是一个真正值得研究的方向。现在是时候更多地研究这样的用例了，因为区块链扩展终于成功了，让任何“小”、“微”事物终于在链上可行，而这些在之前通常是不可行的。一个相关的应用类别就是高度自主的使用区块链实现更优合作的智能体，不管是通过支付还是通过使用智能合约来做出可信承诺。 2、游戏界面类AI 我曾在自己的文章中提出的一个想法是，编写面向用户的软件是有市场机会的，这种软件可以通过解释和识别用户正在浏览的线上世界中的危险来保障用户的利益。一个业已存在的例子就是Metamask的欺诈检测功能：另一个例子就是Rabby钱包的模拟功能，它向用户展示他们即将签署的交易的预期结果。这些工具可能会被人工智能大大强化。人工智能可以提供一个更丰富的人类友好的解释，说明你正在参与什么样的dapp，你正在签署的复杂操作的后果，特定的代币是否真实（例如，BITCOIN不仅仅是一串字符，它还是一种真正的加密货币的名称，它不是ERC20代币，其价格远远高于0.045美元，LLM会知道这一点），等等。有些项目开始朝着这个方向发展（例如LangChain钱包使用AI作为主界面）。我个人的观点是，纯AI界面目前可能风险太大，因为它会增加发生其他类型错误的风险，但用AI来补足偏向传统的界面是极其可行的。值得一提的还有一个特定风险。我将在下面的“游戏规则类AI”部分内容中详细讨论这个问题，但一般性的问题是对抗性机器学习：如果用户可以访问开源钱包中的AI助手，那么不良人员也可以访问该AI助手，因此他们将有无限的机会优化他们的骗局，避免触发钱包防御。所有现代AI都有bug，这对于训练过程来说发现bug并不难，即使只有有限的模型访问权限。这就是“人工智能参与链上微市场”更能施展的地方：所有AI能都容易遭受相同的风险，但你有意创建一个开放的生态系统，由数十人不断进行迭代和改进。此外，每个单独的AI都是闭环的：系统的安全性来自游戏规则的开放性，而不是每个玩家的内部操作。小结：人工智能可以用简单的语言帮助用户理解正在发生的事情，它可以作为实时导师，它可以保护用户免受错误的负面影响，但如果想要直接使用人工智能来对付恶意散布虚假信息者和骗子时，一定要小心。 3、游戏规则类AI 现在，我们谈到了让很多人都很兴奋的应用，但我认为这是最危险的地方，我们需要小心行事：我称之为“人工智能成为游戏规则的一部分”。这与主流政治精英对“AI法官”的兴奋相关，在区块链应用程序中也有类似的愿望。如果基于区块链的智能合约或DAO需要做出主观决策（例如：某个特定的工作产品是否在雇佣合同范围内？），你是否可以让人工智能成为合约或DAO的一部分，以帮助执行这些规则？这就是为什么说对抗性机器学习将成为一个极其艰巨的挑战。基本的两句话论证如下：如果在机制中扮演关键角色的AI模型是闭环的，则无法验证其内部工作原理，所以它并不比中心化应用程序更好。如果AI模型是开源的，那么攻击者可以下载并在本地模拟它，并设计大量优化的攻击来欺骗模型，然后在实时网络上重播。现在，有些读者（或加密原住民）可能已经走在我前面了，并且在想：等等！我们有了不起的零知识证明和其他非常酷的密码学手段。当然，我们可以施一些加密魔法，隐藏模型的内部工作原理，这样攻击者就无法优化攻击，而与此同时证明模型正在被正确执行，并且是在合理的底层数据集上使用合理的训练过程构建的！通常，这正是我在其他文章中所提倡的思维方式。但对AI相关计算而言，还有两个主要的反对意见：加密开销：在SNARK（或MPC……）内部执行某些操作的效率要比透明化执行低得多。考虑到人工智能已经是非常密集的计算，在加密黑盒中进行人工智能计算可行吗？黑盒对抗性机器学习攻击：即使不了解模型的内部工作原理，也有办法优化针对AI模型的攻击。如果你隐藏得太多，你就有可能让选择训练数据的人很容易用有毒攻击来破坏模型。二者都是复杂的兔子洞，所以让我们来依次探查。（1）加密开销加密工具，特别是像ZK-SNARKs和MPC这样的通用工具，开销很高。客户端直接验证一个以太坊区块需要几百毫秒，但生成一个ZK-SNARK来证明这样一个区块的正确性却可能需要几个小时。其他加密工具（如MPC）的通常开销可能更大。人工智能计算已经相当昂贵：最强大的LLM输出单个单词的速度只比人类阅读单词的速度快一点点，更不用说训练这些模型常常需要数百万美元的计算成本。顶级模型和试图节省更多训练成本或参量数的模型之间的质量差异很大。乍一看，这是一个很好的质疑理由，怀疑整个项目试图通过将AI包裹在密码学中来强化保障。幸运的是，人工智能是一种结构非常具体的计算类型，这使得它能够适应各种优化，而像ZK-EVM这样的“非结构化”计算类型却无法从这些优化中受益。让我们来看看人工智能模型的基本结构：通常，AI模型主要由一系列矩阵乘法组成，其中穿插着各元素的非线性运算，如ReLU函数（y = max(x, 0)）。矩阵乘法占据了工作的大部分：将两个N*N矩阵相乘需要时间，而非线性运算的数量要少得多。这对于密码学来说非常方便，因为很多形式的密码学都几乎可以“免费”地进行线性运算（矩阵乘法是线性运算，如果你只加密模型而不加密它的输入的话）。如果你是一位密码学家，那么你可能已经听说过同态加密中的类似现象：在加密的密文上执行加法非常简单，但执行乘法却非常困难，直到2009年我们才找到方法来进行无限深度的乘法运算。对于ZK-SNARKs来说，与此相当的2013年的协议，证明矩阵乘法的开销不到4倍。遗憾的是，非线性层的开销最终仍然很大，实践中最好的实现显示开销在200倍左右。但有希望通过进一步的研究，大大减少这方面的开销。但针对很多应用程序，我们不仅想证明人工智能输出是计算正确的，我们还想隐藏模型。有一些简单的方式可以实现这一点：你可以拆分模型，由一组不同的服务器冗余存储各层，希望泄漏某些层数据的某些服务器不会泄漏太多数据。但还有一些特别有效的多方计算方式。在这两种情况下，故事的精神是相同的：AI计算的最重要部分是矩阵乘法，因此可以创建非常高效的ZK-SNARKs或MPC（甚至FHE），所以将AI置入加密盒子的总开销非常低。一般来说，非线性层是最大的瓶颈，尽管它们的规模较小；也许像Lookup Arguments这样的新技术会有所帮助。（2）黑盒对抗性机器学习现在，让我们来讨论另一个重大问题：如果模型的内容是私有的，并且你只有对模型的“API访问”权限，你可以进行哪类攻击？这里让我来引用2016年的一篇文章：许多机器学习模型很容易受到对抗性示例的影响：专门设计的输入会导致机器学习模型产生错误输出。能够影响一个模型的对抗性示例通常会影响另一个模型，即使两个模型的架构不同或在不同的训练集上进行训练，只要两个模型都被训练来执行相同的任务就可能受影响。因此，攻击者可能会训练自己的替代模型，打磨针对替代模型的对抗性示例，然后将它们用到受害模型中，几乎无需了解受害模型信息。有可能，你甚至可以创建只知道训练数据的攻击，就算你对试图攻击的模型的访问权限非常有限或没有任何访问权限也没关系。截止到2023年，这类攻击仍然是一个大问题。为了有效地减少这类黑盒攻击，我们需要做两件事：真正限制谁可以查询模型以及查询多少内容。具有不受限制的API访问权限的黑盒是不安全的；具有非常有限的API访问权限的黑盒可能是安全的。隐藏训练数据，同时确保用于创建训练数据的过程不会被破坏。在第一件事上做得最多的项目可能是Worldcoin。Worldcoin在协议层面广泛使用人工智能模型，以将虹膜扫描转换为易于比较相似性的简短“虹膜代码”，以及验证它所扫描的对象实际上是一个人。Worldcoin所依赖的主要防御措施是，它不允许任何人轻易调用人工智能模型，而是使用可信硬件来确保模型只接受由orb相机进行数字签名的输入。这种方法并不一定奏效：事实证明，你可以对生物识别人工智能进行对抗性攻击，形式是你可以戴在脸上的物理贴片或珠宝：但希望就是，如果你把所有的防御结合在一起，隐藏人工智能模型本身，极大地限制查询量，并要求每个查询进行某种方式的身份验证，你就可以让攻击变得足够困难，系统就可以是安全的了。这就将我们带到了下一件事：我们如何隐藏训练数据？这可能就是“民主治理AI DAOs”的用武之地：我们可以创建一个链上DAO，治理决定如下过程：允许谁提交训练数据（需要哪些数据相关证明）、允许谁查询、查询多少内容、以及使用像MPC等加密技术加密整个AI创建和运行管道（从每个用户的训练输入到每个查询的最终输出）。该DAO还可以同时对提交数据的人进行补偿。需要重申的是，这一计划雄心勃勃，从很多方面来看可能不切实际：对于这种全黑盒架构来说，加密开销可能仍然太高，无法与传统的封闭式的“信任我”的做法相竞争。结果可能是，没有一种好的方法可以使训练数据提交过程去中心化并预防有毒攻击。由于参与者串通，多方计算工具的安全或隐私保障可能受损：毕竟，加密货币跨链桥一次又一次地出现过这种情况。我之所以没有在这部分一开始就贴上更大的红色警告标签，告诉你“不要做AI法官，这是反乌托邦的”，其中一个原因就是，我们的社会已经高度依赖于不负责任的中心化AI法官：例如，决定社交媒体上哪些帖子和政治观点会浮出水面或被淹没（甚至被审查）的那些算法。我确实认为在这个阶段进一步扩大这一趋势是一个非常糟糕的想法，但我不并认为区块链社区更多地进行人工智能实验会使情况变得更糟。事实上，加密技术有一些非常低风险的基本方法可以使这些现有中心化系统变得更好，我对此非常有信心。有一种简单的技术通过延迟发布来验证人工智能：当社交媒体网站基于人工智能对帖子进行排名时，它可以发布一个ZK-SNARK来证明生成该排名的模型的哈希值。该网站可能会承诺在一年后公布其人工智能模型。一旦模型公布，用户就可以检查哈希值来验证是否发布了正确模型，社区可以对模型运行测试来验证其公平性。发布延迟将确保当模型公开时，它已经过时了。因此，与中心化世界相比，问题不在于我们是否能做得更好，而是能好多少。然而，对于去中心化世界而言，重要的是要小心谨慎：如果有人构建一个使用人工智能预言机的预测市场或稳定币，而结果证明这个预言机是可被攻击的，那么一笔巨大的资金可能会在瞬间消失。 4、游戏目标类AI 如果上述技术用于创建可扩展的去中心化私有AI，其内容是任何人都不知道的黑盒子，可用于实际运行，那么这也可以用于创建具有超越区块链效用的AI。NEAR协议团队正将此作为他们正在进行的工作的核心目标。这样做有两点原因：如果你可以通过运行使用区块链和MPC的训练和推理过程来创建“值得信赖的黑箱AI”，那么许多担心系统有失偏颇或欺骗自己的应用程序都可以从中受益。很多人表达了对我们将依赖的具有系统重要性的AI民主治理的期待；加密和基于区块链的技术可能是实现这一目标的途径。从人工智能安全角度来看，这将是一种创建去中心化人工智能的技术，它也有一个自然的终止开关，可以限制那些试图使用人工智能进行恶意行为的查询。同样值得注意的是，“使用加密激励措施来激励创造更好的AI”可以在不使用密码学进行完全加密的情况下完成：BitTensor等做法就属于这一类。结论区块链和人工智能都变得越来越强大，在这两个领域的交叉领域正出现越来越多的用例。然而，其中一些用例相比于其他用例要更有意义，也更强大。通常情况下，当底层机制继续如以前一样设计得很粗糙，但个体玩家却变成了AI，允许机制在更微观的尺度上有效运行时，用例往往是最有前景的，也是最容易做对的。尝试使用区块链和加密技术创建“单一实例”的应用程序将面临最大的挑战，即创建某些应用程序将依赖之实现某一目标的单个去中心化的可信AI。这些应用程序在功能和提高人工智能安全性方面都是前景光明的，避免了与更加主流的做法相关的中心化风险。但在很多方面，底层假设也可能失败；所以，需要谨慎行事，特别是在高价值和高风险环境中部署这些应用程序时。我期待在所有这些交叉领域看到更多人工智能建设性用例的尝试，这样我们就可以知道哪些用例是真正可行的。来源：金色财经

金色财经2024-01-31

潜在的新原语：为什么说链上积分很重要？

的玩家则更加困难。随着人工智能和低水平机器学习的发展，这种分析也将变得更加容易。然而，考虑到这些局限性，更定量的证明形式可能更适用于当前区块链可扩展性的场景。我们看到加密货币中的积分系统实验逐渐兴起，比如Blur points，它利用“Listing Points”和“Lending Points”等形式来激励特定的行为，并分发奖励，其中可能包括$BLUR代币。最近，Rainbow开始发放Rainbow Points，以奖励用户在Rainbow钱包中进行交易。迄今为止，这些积分实验大多数是离链的，至少在实施方式上与Web2积分计划相似。除了传统的积分系统，链上积分在区块链环境中提供了一个有趣的机会，可以在不需要信任的情况下使用积分，用于诸如代币赎回以进行所有权分配、用于Sybil抵抗的访问门控，或者在DeFi中改善市场功能等目的。本文的其余部分旨在说明代币、离链积分和链上积分之间的差异和权衡，探讨链上积分在多大程度上可以作为一种额外的原语，为构建者和用户提供独特的优势和挑战。为什么需要积分对于代币而言，在其发布前，有许多方面会受到仔细审查，这些方面可以实质性地影响项目的吸引力和代币价格。其中一些因素包括但不限于：供应和发行：代币会通胀还是通缩？用途：代币是否会用于治理？如果是，持有治理代币是否代表对项目产生的任何费用的索取以及对项目资金分配的控制？或者原生代币会被用于实用吗？它会成为使用该项目的记账单位/整体吗？价值累积：是否有质押机制或锁定机制？代币是否被花费/烧毁作为稀缺性和增值的手段？分配：代币将通过空投或排放进行分配吗？会有兑现时间表吗？就积分而言，它们通常是非财务性的、可变的，并由发行方控制，这意味着可以轻松调整积分系统而不会立即影响任何市场动态。积分的供应可以是无限的，而积分的使用/赎回方式可以进行修改。此外，积分的可交易性也是由发行者决定的，而代币则在设计上是可交易的。能够在不从根本上改变市场动态、产品机制或用户行为的情况下即时调整积分系统并获得社区反馈，使团队有更多的时间和意识去理解和更好地留住用户。在积分被用作代币的前提的情况下，积分有助于消除项目过早定义其代币模型和分配的紧迫性，因为可以在之后确定将多少代币供应分配给总积分池。值得注意的是，当然，由于积分系统在Web2中已经有了先例，从监管角度评估它们可能更少引起质疑。不仅对于构建者来说，设计和执行积分系统更为简单，对于用户来说也更为简单。由于代币价格的动态性，用户可能难以知道如何概念化某个代币：我应该把它视为投资还是作为实用工具/访问工具？例如，想象一下一个街机游戏，你需要支付25美分来玩游戏。如果你知道明天这枚25美分可能价值10美元，你可能会更犹豫是否把这枚25美分放到机器里。相反，积分可以被视为“元币”，其中积分可以转化为财务价值并影响使用，但这种转化可以根据情况设计得更直接或更间接。在这种模型中，积分的可兑换性变得更加灵活。就积分的实用性而言，积分可以兑换为各种选项，包括直接的产品特权、项目的所有权/股权、治理权利/直接交换为收入。这些配置也可以基于用户的自愿选择。为什么选择链上积分积分更加灵活的性质提出了一个明显的问题：链上积分与链下积分有何区别。在考虑代币与积分时出现的一个关键矛盾是，ERC20 代币最大化可组合性并最小化发行人灵活性，而链下积分最小化可组合性并最大化发行人灵活性。在链上（而不是链下）实现点可能会位于这两端之间，从而允许灵活性，同时保持区块链可审计性和可组合性的好处。但在实践中，这到底意味着什么以及为什么它很重要？可组合性在某种程度上，我们可以将链上积分视为人们可以在全球范围内查看和利用的定量证明。任何人都可以在链上向其他人发行积分，也可以基于其他方的产品使用或本地积分系统构建积分系统。链上积分可以为用户的链上身份添加一个新的维度，类似于积累其他链上凭据，可以集成到各种模块化协议中。有了这个框架，链上积分就成为项目和品牌可以用来识别跨产品的高级用户的强大工具，甚至可以通过折扣和空投吸引潜在客户。来源链上积分还保证了来源和可审计性，从而使系统中积分的总分配以及分配方法的历史记录变得透明。这种透明度对于积分系统对项目社区的价值以及分配过程中公平性的要求至关重要。例如，品牌和机构经常根据 YouTube、TikTok、Instagram 等平台的参与度指标与影响者合作。然而，这些平台配置和操纵其算法以在黑盒环境中进行放大和分发，使得指标背后的逻辑难以辨别。信托担保区块链允许对用户当前积分分配和兑换选项进行明确的保证。这些保证使得可以在最小的信任假设下安全地将积分兑换为其他链上资产，使链上积分在Web2积分系统中具有前所未有的潜在价值。如果没有区块链，试图桥接价值的积分系统将面临与我们对待Web2平台相同的批评，即它们未能满足与其价值相称的信任水平，并且任何声明的兑换机制都可能在没有通知或历史记录的情况下变得“坎坷”。抗女巫攻击积分系统还可能影响常常伴随着Web3产品推出的“挖矿”活动。机器人可以像代币一样挖矿积分，但积分系统可以作为项目团队和早期采用者之间有益的沟通机制，通过明确表示与代币不相关的奖励类型，可以用来鼓励对产品或网络的某些贡献，例如为协议提供流动性或对某些功能进行压力测试。社区责任在以比传统空投更明确的方式披露任何兑换机制之前，积分分配也可以接受社区审查，从而降低空投后争议的风险。甚至可以通过第三方的时间戳验证来审核链上积分分配。执行正如我们之前提到的，积分可以被设计为各种奖励类型，从折扣到产品特权，再到项目的所有权/股权、治理权以及直接收入。同样，积分在各个项目中的实现可能会有很大的差异，从某种形式的证明到修改过的ERC20代币再到灵魂绑定代币。虽然每种方法都有其自己的优势和权衡，但我们将介绍一种常见的流程：兑换为ERC20代币。虽然ERC20代币是分发奖励的最具组合性的方法，但它们通常会减少发行方的灵活性并最大程度地促使投机行为。你可以进行修改以使它们有效地变得不可转让或供应无限；然而，你仍然会遇到将代币与某种形式的货币混淆的普遍问题。对于将积分实施为ERC20代币，还有一个成本考虑因素。在用户加入/积分余额更新时，每次在链上转移ERC20代币的交易成本对于发行方来说可能会变得过高。或者，你可以将积分累积到一个离链数据库中，形成一个默克尔树，并定期将默克尔树的根哈希在链上发布到一个智能合约中。当用户想要领取代币时，他们向智能合约提交一个包含默克尔证明的交易，该证明与用户的地址和领取金额结合在一起，可以与已发布的默克尔根哈希进行验证（这基本上就是默克尔空投的工作原理）。这是一种分发代币的常见方法，因为它将交易成本推给了最终用户而不是项目，从而将总成本（可能在数百万美元）分散到所有代币持有者中。 Stack*已经为在任何EVM链上信任地将积分兑换为ERC20代币构建了一种解决方案，其分发方法比传统的默克尔空投更便宜。虽然积分或代币系统的确切规格可以因情况而异，但我们在下面提供了有关链下积分、链上积分和代币的一般特征的界定，供参考。除了任何技术或加密特定的实施考虑因素外，创建积分系统还有许多其他关键的设计决策。一些建议：项目积分系统的主要目标应该是鼓励产品使用，而不是鼓励积分累积。确保积分方案最终能够将用户带回您自己的产品生态系统是成功启动以积分驱动的飞轮的关键。这对于价值的可持续性尤为重要。通过提供奖励而失去的任何价值必须通过其他途径进行补偿 —— 增加用户、更高价值的交易、附加销售、通过广告进行补贴等等。将积分直接转化为产品福利对于保持封闭的反馈循环并测试特定功能/产品的成功尤其有帮助。一个例子是 Farcaster Warps，其中在应用程序中赚取的积分可以作为礼物赠送给其他用户，或者用于折扣应用内的 NFT 购买。在产品中明确使用积分的用例减少了以投机者的视角主要看待积分的风险；即将其视为某种未来财务激励的基础。有效的积分系统还需要对能够推动用户和产品进展的因素有直观的了解。例如，如果您的用户相对不太关心价格，折扣可能就不那么有趣；而对于受益于强大网络效应的产品，其他杠杆，如个性化或社交访问/奖励，可能更具吸引力。如果您的产品由会话时间驱动，定期而持续地滴落较小的奖励可能更具生产力，而受大量驱动的产品可能会从较不经常发放的较高价值奖励中受益。积分的未来游戏化的故事并不新鲜，有许多案例研究表明，游戏化可以引导养成积极习惯、激励对齐和品牌与用户之间的增加忠诚度。当我们展望未来时，变得清晰的是，去中心化的、用户拥有的网络将定义新的互联网。在链上的世界中，游戏化积分可以作为一种独特的方式，以更强大和全面的方式识别和奖励用户的行为和贡献，比在Web2中更为重要。因此，了解去中心化和所有权在产品中的目标和作用，并根据这些目标设计积分系统，变得至关重要。虽然代币是协调和治理这些网络的极具威力的工具，但它们已经证明比最初设想的更为僵化。链上积分作为一个潜在的新原语，团队可以将其与代币一起使用，探索更好的用户身份、用户所有权和激励对齐的路径。然而，积分只有在谨慎地利用这些目标的情况下，才会有助于实现这些目标。我们很高兴与您一起探讨这个新的原语的可能性。来源：金色财经

金色财经2024-01-30

Delphi Digital联创：为什么加密与AI的结合是必然的

查看为 NFT 提供准确定价的大规模机器学习模型。人工智能让加密货币变得易于使用在未来，大多数加密货币用户将永远不会看到我们在加密货币领域谈论的各种细枝末节、无尽的首字母缩略词和词汇。他们只需将意图输入到一个低水平机器学习（LLM）中，一个求解器网络将处理他们交易的所有复杂步骤。这个LLM将学习、个性化并简化你的生活。很少有人需要手动桥接资产，那是由求解器赚取费用的。最佳模型决策者获胜我相信我们正在走向一个拥有数百万个人工智能模型的世界，无论是每个人都有自己的个人模型，还是每个项目和公司都有自己的模型。我们已经在 Hugging Face 上拥有 49 万多个开源模型，在 OpenAI 应用商店上拥有 300 万个自定义 ChatGPT。当加密服务用户中成熟的人工智能服务成为主流时，我认为能够有效选择针对每种情况使用哪种模型的协议将非常有价值。就在今天，@NousResearch 发布了新的 Bittensor 子网计划，该子网可以评估开源模型，并使用该评级的逻辑下一步将请求定向到正确的模型。道德、伦理和法律问题限制了中心化人工智能中心化参与者不断面临道德和伦理问题的诉讼，并因此对模型进行破坏。想象一下，一个去中心化的低水平机器学习（LLM）通过签署协议向人们支付数据，而不是像纽约时报对@OpenAI提起诉讼那样。与中心化的系统相比，这限制了中心化的发展，而开放系统可以直接发布（例如@bittensor_）。当中心化的参与者因知识产权相关的诉讼以及对发布更智能的人工智能的道德和伦理顾虑而苦苦挣扎时，加密网络可以启动和部署这些网络，无需繁文缛节，轻松取胜。去中心化人工智能提供透明度人们会期望透明的训练（“我们按照你所说的方式构建了这个模型”）和推理（“我的请求没有被搞乱”）。中心化人工智能无法提供这一核心价值。即使普通人很难审核该模型，与加密货币类似，但我们的想法是您可以与可以审核该模型的某人或人工智能签订合同。实时洞察未来我认为人们希望实时了解人工智能的未来，而不仅仅是在 OpenAI 想要分享时进行更新。这只有通过透明和去中心化的系统才有可能实现。 AGI被发现后你真的想弄清楚吗？加密 x AI 可视化我们需要更多的平台来提供加密项目正在利用的人工智能模型背后所发生的事情的可视化。当您使用 Bittensor 的子网 1 进行文本生成时，您如何确定它不仅仅是通过 Bard 或 ChatGPT 运行您的提示？我并不是说这是一件坏事，但我不知道答案。人工智能世界中的代币激励使用代币来推动人工智能项目的所有权和协调将会很有趣。目前，代币吸引了供应方用户（和投机者），但使用 OpenAI 等中心化公司的开发人员锁定了需求方，可以接触到大量用户。看看加密项目是否能够有效地引导需求方超越供应方的代币激励，这将是一件很有趣的事情。吸引真正的人工智能人才 Crypto x AI 项目必须吸引来自 Web2 的真正的 AI 人才。鉴于加密货币在 Web2 构建者心目中的表现一般，这是一个障碍。能够从Web2吸引真正的人工智能人才的项目将具有显著的优势。我只是认为学习加密货币比学习如何构建基础人工智能模型更容易。 Delphi Ventures Crypto x AI 投资组合公司 Delphi 在 Crypto x AI 的结合点上表现得非常活跃。我们很荣幸能够支持该领域的领先项目。 - @ionet_official：大规模异构硬件的 GPU 集群。 - @inference_labs：允许 DeFi 和智能合约通过 ZK 来利用链下模型。 - @0G_Labs @mheinrich：链上人工智能的数据可用性。 - @UpshotHQ：用于下一代去中心化应用程序的人工智能网络。 - @testmachine_ai：人工智能驱动的用于审计智能合约的专有算法 - @taofuxyz：Bittensor 等的流动质押代币。 - @altstatemachine：您可以拥有、训练和交易的独特 Metaverse AI。 - @GeppettoAi：人工智能游戏和视频创作。 - @StabilityAI：人工智能的开源工具，通过@seedclubvc（H/t Nima 和 Anthony）。 - @MythosVentures：领先的早期人工智能风险投资基金。 - @mypeachai：NSFW 同伴（天使）。来源：金色财经

金色财经2024-01-30

高通公司申请联邦学习和切换专利，实现机器学习和非机器学习相关任务之间的切换

高通股份有限公司申请一项名为“用以实现机器学习和非机器学习相关任务之间的联邦学习和切换的用户装备信令和能力“，公开号CN117480805A，申请日期为2022年5月。专利摘要显示，本公开的各个方面一般涉及无线通信。在一些方面，用户装备(UE)可向基站传送能力信息，该能力信息指示该UE是否具有支持机器学习算法的能力。该UE可从该基站接收配置信息，该配置信息指示至少部分地基于该能力信息而要在机器学习模式或非机器学习模式中执行的一个或多个任务。该UE可在该机器学习模式或该非机器学习模式中执行该一个或多个任务。描述了众多其他方面。

金融界2024-01-30

AI和DePIN将如何改变Web3？

知识证明（ZK proofs），融入到机器学习模型的计算过程中。这将证明某个特定的机器人确实按照它应该做的事情行动，从而确保您不会被一份电子表格愚弄。有些人正在考虑如何将整个低水平机器学习（LLM）和神经网络堆栈迁移到去中心化基础设施上。由于许多生成式人工智能项目是开源的，就像加密一样，从概念上讲，可以在去中心化的协议上部署和维护众多开源模型，并创造激励提供最佳机器智能服务的机制。尽管有几个才华横溢的团队正在追求这一策略，但这仍然未实现。即使是中心化的人工智能团队也尚未弄清楚需求的形态和盈利的单元经济学。在我们看来，在这个阶段将此类服务的提供分散到协议和DAO中仍然为时过早。 DePIN定义 DePIN，即去中心化物理基础设施。最简单的DePIN使用的是代币协议的激励机制，而不是更现代的代币经济学方法。例如，参与节点将硬件存储、计算、GPU或训练数据提供到网络中，并因在其设备上执行的工作而获得奖励，类似于比特币的工作量证明挖矿。我们认为，像Helium一样，大多数DePIN将摆脱像代币一样运作，并更像是在Peaq、Solana或EVM rollup等计算区块链之上运行的dApp。 Web3利用中心化云服务部署去中心化网络，但我们不确定这对于去中心化人工智能是否有效。中心化的人工智能提供商比首先采用协议的竞争对手更高效、更有组织，而且对计算的需求更大。因此，我们认为可扩展的DePIN将是在链上加密人工智能的重要资源释放。我们喜欢 DePIN 的另一个原因是它将机器接入 Web3，机器将需要 DeFi 及其自动化金融产品，以及获取智能即服务。在遥远的未来，去中心化的车队可能会从 DePIN AI 网络下载最新的自动驾驶模型，由各种 DAO 维护并受到代币激励。此外，用于连接、标准化和管理具有不同目标的人工智能代理群体的框架已经开始出现。 Autonolas 就是这样的项目之一，它生成用于交易市场参与以及在治理程序中部署的机器人。如果你想了解单个代理，请记住 Botto，这是一种生成式 AI 模型，它输出由 DAO 策划的艺术作品，并受到代币反馈循环的激励。或者考虑一下 Numerai，这是一家对冲基金，它为数据科学家举办代币激励竞赛，为交易软件大脑构建人工智能算法。这样的生物有很多——有些简单，有些复杂，有些深不可测。我们要提出的最后一个区别是人工智能服务的范围。在一种情况下，它只是改进应用程序的一项狭隘功能。以数字钱包为例，它现在能够就其持有的代币和投资进行对话。或者，某些 10-K 公司在网站上提交的文件，您可以使用自定义财务 GPT 进行查询。虽然方便，但并没有发生行业结构转型。或者，OpenAI 成为新的 iOS，其 GPT 商店成为新的应用商店。然后，这家科技公司成为访问嵌入其网站的机器智能应用程序的主要对话界面。人工智能不仅仅是一个功能，而是为各种普遍问题提供解决方案的新平台。在这种情况下，一个担忧是人工智能代理从根本上来说是中心化的，并由单一提供商托管，从而在数据、隐私和财务方面造成巨大的个人风险。托管总是会导致委托人/代理人问题，代理人有动机从委托人那里窃取资金，因此法律和法规必须强制执行信托义务。在大型科技世界中，以某种形式保护个人的人工智能监管是不可避免的。人工智能代理和自我托管 Web3 应对这种危险的方法是信息的自我保管和人工智能代理的自我保管。也许我们在集中式平台上生成 GPT，但能够将这些经过训练的模型放入加密钱包中以获得所有权。在一个存在多种成功的开源模型，并且其中一些模型在去中心化基础设施上运行良好的世界中，我们预计 AI 代理的加密托管和控制将成为 Web3 的核心价值主张。另一个例子是附加到图像生成或 LLM 引擎的 NFT 铸币机。这通过 Web3 DeFi 的市场场所支持了机器劳动的成果。然而，如今围绕此类物品的贸易仍然可以忽略不计——无论是由于 NFT 市场的糟糕状况、机器劳动力的质量还是此类数字资产的低效用。无论如何，这对于企业家来说绝对是一个令人着迷的设计空间。来源：金色财经

金色财经2024-01-30

亿万富翁的选择：47%的投资组合集中于5只AI领域成长股

。英伟达的处理器已经垄断了数据中心和机器学习领域的市场，估计在这两个领域都占据了95%的份额。该领域的经验帮助英伟达迅速转向满足对生成式人工智能日益增长的需求。虽然竞争对手争相开发与之竞争的处理器，但英伟达仍保持着优势。在截至2023年10月29日的九个月中，英伟达在研发方面的支出为62亿美元，占其总收入的16%。该公司持续创新的记录将使其难以被取代。尽管英伟达的股价最近有所上涨，但它的股价仍然非常便宜，市盈率(PEG)不到1，这是被低估股票的基准，泰珀无疑敏锐地意识到了这一点。 5. Alphabet 与Meta平台一样，谷歌(Google)母公司Alphabet的大部分收入来自数字广告，其中谷歌搜索(Google Search)的贡献最大。该公司在利用人工智能来改进搜索算法和广告定位方面有着令人印象深刻的记录，而广告市场的复苏无疑将改善该公司的业绩。 Alphabet并没有忽视生成式人工智能的潜力。该公司将人工智能功能集成到其许多旗舰谷歌和安卓产品中。作为三大云提供商之一，它能够扩大其谷歌云客户可用的人工智能系统的数量。其最新产品双子座人工智能(Gemini AI)被该公司誉为“最大、最强大的人工智能模型”，在各种广泛使用的基准测试中，它的表现优于竞争对手。此外，Alphabet的Vertex AI为几乎所有用例提供了130个基本AI模型。尽管Alphabet在过去一年有所反弹，但该公司的预期市盈率仍只有19倍，泰珀可能不会错过这个估值。

Sissi2024-01-30

百融云-W(06608)上涨5.07%，报12.02元/股

主要通过大语言模型、自然语言处理、深度机器学习等技术，提供模型即服务和业务即服务的服务模式。其产品和服务广泛应用于银行、消金、保险、电商、汽车、物流、票务、能源和建筑等多个行业。截至2023年中报，百融云-W营业总收入12.43亿元、净利润2.05亿元。

金融界2024-01-29

加密货币交易所Salavi深度布局AI 探索Web3与AI发展的新纪元

中，AI起到了更为高效的推动作用。通过机器学习算法，DApps能够更好地理解和适应用户需求，提供个性化的体验，增加用户黏性。此外，在数字货币交易领域，AI的出现与应用也能够拓展加密资产交易平台的服务范围，提供更加多元化、人性化、智能化的交易服务。全球领先的数字货币交易所 #Salavi 正在探索并计划深度布局 AI 领域，试图打破现有相关领域的壁垒，为加密圈的用户提供一个与众不同的、走在时代前端的交易平台。 Salavi 深度布局 AI 领域，探索数字货币交易服务的无限可能作为一家便捷安心的数字货币交易所，Salavi 将结合 AI 领域，提供加密数据集，保护数据隐私和记录模型使用数据的来源、使用情况，以及校验数据的真实性。通过访问和分析 #Salavi 的数据，AI 可以提取有价值的信息，并用于模型训练和优化。同时，AI 也可以作为数据生产工具，去提高 Salavi 平台数据的生产效率。具体来说，Salavi 将结合 AI 为用户提供以下服务： 1. 智能交易决策支持 Salavi通过引入AI技术，为用户提供智能交易决策支持。通过深度学习和数据分析，AI能够快速识别市场趋势，提供即时的交易建议。这不仅帮助用户更好地把握市场机会，还降低了因为情绪或疏忽而导致的错误决策。 2. 风险管理与安全保障在数字货币领域，风险管理至关重要。Salavi的AI系统通过对市场波动性的实时监测和风险模型的建立，能够帮助用户更好地管理投资组合风险。同时，AI的智能安全算法能够及时识别并应对潜在的安全威胁，保障用户资产的安全。 3. 数据分析和市场预测 AI为Salavi提供了更先进的数据分析和市场预测能力。通过对大量历史数据的分析，AI能够生成更准确的市场预测，帮助用户做出明智的投资决策。这为交易者提供了更有信心的交易环境。 4. 用户个性化体验 Salavi致力于提供个性化的用户体验，而AI技术是实现这一目标的重要工具。通过分析用户的交易历史、偏好和行为，AI可以为每位用户定制个性化的界面和功能，提高用户满意度。 5. 自动化交易系统 Salavi的AI技术还支持自动化交易系统，使用户能够通过设定规则和条件实现自动交易。这不仅提高了交易执行的速度，还让用户能够更灵活地应对市场波动。 6. 接入 0AI 实现精准的价格预测 0AI 是一项致力于通过人工智能预测加密货币价格的尖端计划。它利用先进的机器学习算法，对大量数据集进行详细分析，以预测未来的价格趋势。 Salavi 将利用 0AI 实现提前1小时或1天的代币价格预测，为用户在合约交易方面提供更为精准的数据参考，实现交易收益的最大化。未来，Salavi 还将接入更多 AI 工具，Salavi的AI技术将不仅仅局限于单一资产的交易，还将推出AI驱动的资产组合管理功能。这将帮助用户更好地分散投资组合，降低整体风险，实现更稳健的资产增值。结语 AI与Web3的融合正在为新一代互联网带来更高效、智能、安全的体验，同时也催生了许多创新性的项目和解决方案。而数字货币交易所 #Salavi 与 #AI 的深度融合，将推动数字货币交易领域及整个Web3领域实现更智能、高效和用户友好的发展。这不仅能够提高市场的透明度和可用性，也能够为用户提供更多个性化的服务和创新，打造 Web3 领域新纪元，开启了数字资产的崭新世界。来源：金色财经

金色财经2024-01-29

腾讯公司取得水印识别模型生成方法专利，实现对多种不同文本类型的文本信息中不同水印类型的水印信息的识别

的水印类型；将样本文本信息集输入至预设机器学习模型进行水印识别，得到样本水印预测信息；基于样本水印预测信息和标签水印信息，确定目标损失信息；基于目标损失信息，对预设机器学习模型进行训练，得到目标水印识别模型。利用本公开实施例可以实现目标水印识别模型对于多种不同文本类型的文本信息中不同水印类型的水印信息的识别。

金融界2024-01-29

24小时热点