FX168财经网_全球视野外汇黄金加密货币NFT资讯网

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

专家系统，帮助专业领域解决问题。此后，机器学习的兴起，拓展了 AI 的应用领域，AI 开始更广泛地应用在各行各业。到如今，深度学习和生成式人工智能爆发，带给了人们无限可能性，其中的每一步都充满了不断的挑战与创新，以追求更高的智能水平和更广泛的应用领域。图 1：AI 发展历程 2022 年 11 月 30 日，ChatGPT 面世，首次展示了 AI 与人类低门槛、高效率交互的可能性。ChatGPT 引发了对人工智能的更广泛探讨，重新定义了与 AI 互动的方式，使其变得更加高效、直观和人性化，也推动了人们对更多生成式人工智能的关注，Anthropic（Amazon）、DeepMind（Google）、Llama 等模型也随后进入人们的视野。与此同时，各行各业的从业者也开始积极探索 AI 会如何推动他们所在领域的发展，或者寻求通过与 AI 技术的结合在行业中脱颖而出，进一步加速了 AI 在各个领域的渗透。 1.2 AI 与 Web3 的交融 Web3 的愿景从改革金融体系开始，旨在实现更多的用户权力，并有望引领现代经济和文化的转变。区块链技术为实现这一目标提供了坚实的技术基础，它不仅重新设计了价值传输和激励机制，还为资源分配和权力分散提供了支持。图 2：Web3 发展历程早在 2020 年，区块链领域的投资公司 Fourth Revolution Capital（4RC）就曾指出，区块链技术将和 AI 结合，通过对金融、医疗、电子商务、娱乐等全球行业的去中心化，以实现对现有行业的颠覆。目前，AI 与 Web3 的结合，主要是两大方向：利用 AI 去提升生产力以及用户体验。结合区块链透明、安全、去中心化存储、可追溯、可验证的技术特点，以及 Web3 去中心化的生产关系，解决传统技术无法解决的痛点或者激励社区参与，提高生产效率。市场上 AI 与 Web3 的结合有以下的一些探索方向：图 3：AI 与 Web3 结合全景图数据：区块链技术可以应用在模型数据存储上，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。通过访问和分析存储在区块链上的数据，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 Web3 数据的生产效率。算法：Web3 中的算法可以为 AI 提供更安全、可信和自主控制的计算环境，为 AI 体统提供加密保障，在模型参数上，内嵌安全防护栏，防止系统被滥用或者恶意操作。AI 可以与 Web3 中的算法进行交互，例如利用智能合约执行任务、验证数据和执行决策。同时，AI 的算法也可以为 Web3 提供更智能化和高效的决策和服务。算力：Web3 的分散式计算资源可以为 AI 提供高性能的计算能力。AI 可以利用 Web3 中的分散式计算资源进行模型的训练、数据分析和预测。通过将计算任务分发到网络上的多个节点，AI 可以加快计算速度，并处理更大规模的数据。在本文中，我们将重点探索如何利用 AI 的技术，去提升 Web3 数据的生产效率以及使用体验。 Web3数据现状 2.1 Web2 & Web3 数据行业对比作为 AI 最核心的组成部分“数据”，在 Web3 跟我们熟悉的 Web2 很着很多的区别。差异主要是在于 Web2 以及 Web3 本身的应用架构导致其产生的数据特征有所不同。 2.1.1 Web2 & Web3 应用架构对比图 4：Web2 & Web3 应用架构在 Web2 架构中，通常是由单一实体（通常是一家公司）来控制网页或者 APP，公司对于他们构建的内容有着绝对的控制权，他们可以决定谁可以访问其服务器上的内容和逻辑，以及用户拥有怎样的权益，还可以决定这些内容在网上存在的时长。不少案例表明，互联网公司有权改变其平台上的规则，甚至中止为用户提供服务，而用户对此无法保留所创造的价值。而 Web3 架构则借助了通用状态层（Universal State Layer）的概念，将一部分或者全部的内容和逻辑放置在公共区块链上。这些内容和逻辑是公开记录在区块链上的，可供所有人访问，用户可以直接控制链上内容和逻辑。而在 Web2 中，用户需要帐户或 API 密钥才能与区块链上的内容进行交互。用户可以直接控制其对应的链上内容和逻辑。不同于 Web2，Web3 用户无需授权帐户或 API 密钥就能与区块链上的内容进行交互（特定管理操作除外）。 2.1.2 Web2 与 Web3 数据特征对比图 5：Web2 与 Web3 数据特征对比 Web2 数据通常表现为封闭和高度受限的，具有复杂的权限控制，高度成熟、多种数据格式、严格遵循行业标准，以及复杂的业务逻辑抽象。这些数据规模庞大，但互操作性相对较低，通常存储在中央服务器上，且不注重隐私保护，大多数是非匿名的。相比之下，Web3 数据更加开放，访问权限更广泛，尽管成熟度较低，以非结构化数据为主，标准化较为罕见，业务逻辑抽象相对简化。Web3 的数据规模相对 Web2 较小，但它具有较高的互操作性（比如 EVM 兼容），并可分散或集中存储数据，同时强调用户隐私，用户通常采用匿名方式进行链上交互。 2.2 Web3 数据行业现状与前景，以及遇到的挑战在 Web2 时代，数据如石油的“储量”般珍贵，访问和获取大规模数据一直是极大的挑战。在 Web3 中，数据的开放性和共享性一下子让大家觉得“石油到处都是”，使得 AI 模型能够更轻松地获取更多的训练数据，这对于提高模型性能和智能水平至关重要。但对 Web3 这个“新石油” 的数据处理依然有很多问题待解决，主要有以下几个：数据来源：链上数据“标准”繁杂分散，数据处理花费大量人工成本处理链上数据时，需要反复执行耗时而劳动密集的索引过程，需要开发者和数据分析师花费大量时间和资源来适应不同链、不同项目之间的数据差异。链上数据行业缺乏统一的生产和处理标准，除了记录到区块链账本上的，events，logs，and traces 等都基本上是项目自己定义和生产（或生成）的，这导致非专业交易者很难辨别并找到最准确和可信的数据，增加了他们在链上交易和投资决策中的困难。比如，去中心化交易所 Uniswap 和 Pancakeswap 就有可能在数据处理方法和数据口径上存在差异，过程中的检查和统一口径等工序进一步加大了数据处理的复杂性。数据更新：链上数据体量大且更新频率高，难以及时地处理成结构化数据区块链是时刻变动的，数据更新以秒甚至毫秒级别计。数据的频繁产生和更新使其难以维持高质量的数据处理和及时的更新。因此，自动化的处理流程是十分重要的，这也是对于数据处理的成本和效率的一大挑战。Web3 数据行业仍处于初级阶段。随着新合约的层出不穷和迭代更新，数据缺乏标准、格式多样，进一步增加了数据处理的复杂性。数据分析：链上数据的匿名属性，导致数据身份难以区分链上数据通常不包含足够的信息来清晰识别每个地址的身份，这使得数据在与链下的经济、社会或法律动向难以联动。但是链上数据的动向与现实世界紧密相关，了解链上活动与现实世界中特定个体或实体的关联性对于特定的场景比如数据分析来说十分重要。随着大语言模型（LLM）技术引发的生产力变更讨论，能否利用 AI 来解决这些挑战也成为 Web3 领域的一个焦点关注之一。 AI 与 Web3 数据碰撞产生的化学反应 3.1 传统 AI 与 LLM 的特征对比在模型训练方面，传统 AI 模型通常规模较小，参数数量在数万到数百万之间，但为了确保输出结果的准确性，需要大量的人工标注数据。LLM 之所以如此强大，部分原因在于其使用了海量的语料拟合百亿、千亿级以上的参数，极大地提升了它对自然语言的理解能力，但这也意味着需要更多的数据来进行训练，训练成本相当高昂。在能力范围和运行方式上，传统 AI 更适合特定领域的任务，能够提供相对精准和专业的答案。相比之下，LLM 更适合通用性任务，但容易产生幻觉问题，这意味着在一些情况下，它的回答可能不够精确或专业，甚至完全错误。因此，如果需要和客观，可信任，和可以追溯的结果，可能需要进行多次检查、多次训练或引入额外的纠错机制和框架。图 6：传统 AI 与大模型语言模型（LLM）的特征对比 3.1.1 传统 AI 在 Web3 数据领域的实践传统 AI 已经在区块链数据行业展现了其重要性，为这一领域带来了更多创新和效率。例如，0xScope 团队采用 AI 技术，构建了基于图计算的群集分析算法，通过不同规则的权重分配来帮助准确识别用户之间的相关地址。这种深度学习算法的应用提高了地址群集的准确性，为数据分析提供了更精确的工具。Nansen 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

马上消费参与制定全球首个金融风控大模型国际标准

经验与历史数据的“策略对抗”，转向基于机器学习、人工智能开展动态风控管理的“模型对抗”。本次标准正是为了解决传统金融风险控制模型的缺陷而制定。与传统风控模型相比，基于大规模AI算法的风控模型能高效融合海量的金融反欺诈先验知识形成大模型，在应用时能显著提升模型的风险识别性能以及跨场景的泛化能力。该标准适用于金融零售信贷场景的风险控制管理，帮助金融机构在运用AI技术生成金融风控大模型的过程中提供参考，包括应用场景、基本条件、模型创建以及迭代等环节。启动会现场还明确了标准的研制方案，并计划于明年9月正式发布，为金融机构信贷风控建模提供参考指南。会议现场，马上消费数据智能与风控研发部高级总监王思远还做主题演讲，向与会各机构代表介绍我司发展情况，并就数据决策能力、AI大模型应用等做了重点分享。

金融界2023-12-04

《咬文嚼字》公布今年十大流行语：人工智能大模型、村超等上榜

数（通常在十亿个以上）、超强计算资源的机器学习模型，能够处理海量数据，完成各种复杂任务，如自然语言处理、图像识别等。计算机硬件性能不断提升，深度学习算法快速优化，大模型的发展日新月异。一系列基于大模型的人工智能应用相继问世，其中 ChatGPT、“文心一言”等已经在社会生产、生活方面产生了广泛影响。大模型的普遍应用，也对隐私保护、信息安全等带来巨大挑战，迫切需要相关法律和管理措施的有效应对。此外，由于文化和旅游消费持续复苏回暖，“特种兵式旅游”火遍全网；由于贵州省黔东南苗族侗族自治州榕江县所举办的“和美乡村足球超级联赛”全网浏览超 480 亿次，也使得“村超”及“村 BA”等各种乡村赛事大放异彩，快速出圈。《咬文嚼字》主编黄安靖表示，与往年相比，今年突出了如下方面的特征：年度特征明显，折射生活社会面貌。创新特征明显，凸显语言创造力。短视频崛起，语用边界尚未消除。据介绍，今年始发于短视频、在短视频上广为传播的流行语不在少数。然而，短视频的主要使用人群还是以年轻人特别是 90 后、00 后为主，年长者人还处在逐渐了解、接受的过程中。因此，大量流行于短视频的语言形式，被全社会接受还有一个过程。在语言运用上，短视频与报刊等传统媒体甚至互联网的传统传播方式之间，存在明显边界。导致“短视频流行语”转化成“全民流行语”还有一个过程。这也是今年流行语没有出现“爆款”，如“命运的齿轮开始转动”“哈基米”“挖呀挖”“敌蜜”等等的传播范围，没有得到进一步拓展，没有进入最终榜单的原因之一。

金融界2023-12-04

下一轮牛市中值得关注的叙事：RWA、DeSci、AI、DePIN

or - 由开源协议支持的基于区块链的机器学习网络去中心化物理基础设施 - DePIN DePIN 利用区块链将数百万人聚集在一起，部署和管理无需信任和无需许可的基础设施，同时也是以编程方式驱动的。尽管 DePIN 目前是加密货币行业中规模较小的新兴领域，但其增长潜力巨大。该模型有能力在电信、能源、移动和存储等各个行业创建更强大的网络。 DePIN 部门旨在利用区块链、代币激励和互联网解决基本的世界问题。其潜在市场价值约为 2.2T 美元（现实世界），到 2028 年可能达到 3.5T 美元左右，远大于当前的加密货币市值。一些有趣的项目的例子： ➜ $WNT - @wicrypt - 去中心化移动互联网共享和货币化网络 ➜ $SHDW - @GenesysGo - 去中心化存储、计算和网络编排 ➜ $HNT - @GenesysGo - 去中心化无线基础设施，pow。@索拉纳 GameFi 游戏行业正在经历巨大的增长，@Ubisoft、@SquareEnix、@ATVI_AB 等行业巨头现在更频繁地表现出对基于区块链的游戏的偏好。 GameFi 或 Web3 Gaming 是普通游戏玩家通往加密货币的门户。全球有超过 27 亿各个年龄段的游戏玩家，显然游戏行业不能忽视加密货币的大规模采用。基于区块链的游戏不仅具有娱乐性，而且具有教育意义，甚至可以从小培养儿童的金融知识。几个有趣项目的例子： ➜ $PRIME - @EchelonFND - 并行 TCG 和并行殖民地游戏的生态系统 ➜ $CROWN - @photofinishgame - 创新的虚拟赛马生态系统 ➜ $EPIK - @EpikPrime - 旨在成为品牌与数字商品整合的全球领导者 DeFi 3.0：借贷、Perps 和 LSD DeFi 3.0将成为未来几年DeFi行业的基础。自上一次牛市开始以来，DeFi 市场经历了显著的增长，催生了众多多样化的生态系统。我认为Lending和LSD将成为焦点，为用户提供最大的资本效率。另一方面，Perps 将发挥重要作用，由于该领域新交易者的涌入而产生大量收入。一些令人印象深刻的项目的例子： ➜ $FXS - @fraxfinance - DeFi 多功能工具，提供所有可能的利基产品 ➜ $INST - @0xfluid - DeFi 3.0的主要代表，包括整个生态系统 ➜ $MCB - @muxprotocol - 第一个 Perp DEX 聚合器尽管其他叙述可能会在牛市中展示其优势，但重要的是要优先考虑那些促进大规模采用并推动其进步的行业。我已经做出了选择：专注于主流叙述比将分散的关注多个小叙述中更有利可图。来源：金色财经

金色财经2023-12-04

SevenX Ventures：一文了解zkOracle和zkCoprocessor概念及它们差异

，运行一步需要花费2000美元。或者与机器学习相关的复杂算法不可能在链上运行。因此，我们需要 zkVM zkCoprocessor 或 zkOracle 在链下运行计算，然后以 ZKP 的形式提交到链上。在这个例子中，我们可以看到它们的一些无限的计算潜力：使用 zkCoprocessor Bonsai：Zeth（在 zkVM 中证明 Reth）、zk-sentiment 使用 zkOracle Hyper Oracle 或 zkWASM：zkGo（在 zkVM、Type-0 zkEVM 中证明 L2-Geth）、zkAMM d) 全功能的下一代DApp（DeFi 3.0）最后，我们讨论了只使用 zkOracle 构建的应用程序。以 DeFi 应用为例，一个完整的 DeFi 是非常复杂的。下一代 DeFi 应用程序，或 DeFi 3.0 DApps，将需要：更丰富的数据访问无限制的计算自治（用于清算、参数更新、协议治理）我们已经讨论了 zkOracle 如何共享两个 zkCoprocessors 的功能，同时满足前两个功能要求。zkOracle 如何实现自治功能，而 zkCoprocessor 如何不实现自治功能？ zkOracle：不需要人工干预。数据访问和计算任务可以以可编程和自动化的方式完全定义和执行。所有链上调用始终是无需信任且有效的。 zkCoprocessor：需要通过中继器对计算响应进行链上监控和过滤，或者添加额外的复杂机制。那么 zkCoprocessor 缺乏自主性意味着什么：去中心化不足潜在复杂机制的风险开发者心理负担因此，对于像 DeFi 这样的完整应用程序来说，zkOracle 是一个完美且充分的选择。值得注意的是，Hooks 还可以处理 zkCoprocessor 缺失的一些功能，但仅限于 DeFi 等场景，而不是普遍适用。来源：金色财经

金色财经2023-12-03

ZK预言机：解锁区块链安全性新标杆

约创造了可能性，同时赋予其处理自动化和机器学习等复杂任务的能力。图片来源于 Hyper Oracle 在2023年1月，Hyper Oracle成功完成一轮融资，共计300万美元，由红杉中国的孵化基金Dao5及其他知名机构和天使投资人联合领投。这笔资金将专注于进一步研究和开发ZK预言机以及区块链基础设施。 Mina Protocol (0)1Labs，作为 Mina Protocol 生态系统的合作伙伴，正在积极构建一个ZK预言机。Mina 的ZK预言机独特之处在于其独特的两步执行模型，由 zkApps 协调。初始步骤涉及链下验证，确认特定信息和已完成计算的存在。这种链下验证使得在个体机器上进行本地化计算成为可能。以价格信息源为例——用户可以灵活查询多个可信 API，计算平均价格，并进行复杂的链下操作。通过ZK预言机，用户可以在不产生费用的情况下查询价格，直到达到期望的结果。只有在获得期望的结果后，才会进行链上执行，从而实现更简化和成本效益的架构设计。这种独特的两步执行模型，是ZK预言机在 Mina 上独有的，提供了一种安全与链下数据进行高效交互的强大方法。 Nil Foundation 于2023年8月，流动性质押领域的先驱 Lido Finance 宣布了一项重要计划。该公司透露，将利用Lido Grant 资助 Nil Foundation，这是一家以太坊研究和开发公司，进行ZK预言机的开发。这一战略性合作的明确目标是为 Lido Finance 的会计报告建立信任最小化的健全性检查，最终加强Lido Finance 的流动性。值得注意的是，ZK预言机计算的证明将直接从以太坊虚拟机（EVM）使用 Proof Market 进行签名，Proof Market 是一个最近推出的网关接口，确保所有 EVM 应用程序具备可证明的计算可组合性，标志着该领域的显著进步。 ZK预言机的未来展望随着ZK预言机在预言机领域崭露头角，仍然存在一些需要解决的挑战。三方握手协议中涉及的源、节点和用户之间的复杂性需要进一步的研究和发展来优化系统。一些团队，如 Mina，正在积极努力解决这些挑战，但这需要时间。凭借独特的优势和广泛的应用场景，ZK预言机正处于彻底改变区块链系统的前沿。它们有潜力支持无需信任和去中心化的应用，依赖准确可验证的链下数据，标志着区块链技术领域的重大飞跃。ZK预言机的发展之路不仅代表着创新，更是我们重新定义对区块链系统的认知和互动方式。来源：金色财经

金色财经2023-12-01

中科信息上涨5.25%，报32.47元/股

公司在自动推理和定理机器证明、人工智能机器学习、图像处理与智能分析领域处于国际先进水平，已承担过多项国家“863”、“973”重点项目，取得各种科技成果1000多项，获得包括国家自然科学二等奖,国家发明二等奖,国家科技进步二、三等奖等200余项奖励。截至9月30日，中科信息股东户数6.41万，人均流通股4427股。 2023年1月-9月，中科信息实现营业收入1.96亿元，同比增长9.35%；归属净利润2218.18万元，同比增长5.46%。

金融界2023-12-01

加密与AI的碰撞：机遇、代表性项目及未来

仲裁和结算包含了若干阶段。该协议旨在为机器学习（ML）计算创建一个透明的低成本市场，实现可扩展性和效率。该协议还为拥有强大GPU的矿工提供了一个机会，可以将他们的硬件用于机器学习计算，与主流供应商相比，成本可能更低。这种方法不仅解决了人工智能领域的计算挑战，还使人工智能资源的获取更加民主化。（5）Fetch：人工智能经济开源平台 Fetch.ai的时间比前面提到的一些项目的时间还要长，其网站上提供各种各样的服务。Fetch核心上是一个人工智能（AI）和加密货币相结合的创新项目，旨在彻底改变经济活动和流程的执行方式。Fetch服务基于它的AI智能体，它被设计成模块化的构建块，可以被编程执行特定的任务。这些智能体能够自主连接、搜索和交易，从而创造动态市场，改变传统的经济活动格局。 Fetch的一项关键服务就是能够使传统产品与AI相结合。这是通过将它们的API与Fetch.ai智能体集成来实现的，集成过程很快，并且不需要更改底层业务应用程序。AI智能体可以与网络中的其他智能体相结合，为新的用例和商业模式开辟了可能性。此外，这些智能体还具有代表用户进行谈判和交易的能力，这让它们能够通过部署盈利。另外，这些智能体还可以从机器学习模型中提供推论（inference），允许用户将他们的见解变现并强化他们的机器学习模型。 Fetch还引入了Agentverse，这是一种简化AI智能体部署的无代码管理服务。就像传统的无代码平台（Replit）越来越受欢迎，以及Github Copilot这样的服务让普通大众都能写代码一样，Fetch正在以自己独特的方式进一步推动web3开发的民主化。通过Agentverse，用户可以毫不费力地启动他们的第一个智能体，这大大降低了使用先进人工智能技术的准入门槛。就人工智能引擎和智能体服务而言，Fetch利用大语言模型（LLM）来发现并将任务执行发送给适当的AI智能体。该系统不仅可以将AI应用和服务货币化，还可以作为构建、上市、分析、托管等智能体服务的综合平台。该平台通过搜索、发现和分析等功能增强了效用。智能体可以在Agentverse中注册，以便易于在Fetch.ai平台上被识别发现，Fetch.ai平台采用了一种基于LLM的针对性搜索机制。分析工具可用于提高智能体语义描述符的有效性，从而增强其可发现性。此外，Fetch.ai为离线智能体集成了一个物联网网关，使它们能够收集消息并在重新连接时批量处理这些消息。最后，Fetch.ai为管理智能体提供托管服务，除了托管服务之外，还提供了Agentverse的所有功能。该平台还引入了一个开源的智能体寻址和命名网络，利用了Fetch.ai的Web3网络。这就意味着一种新的Web DNS寻址方法，将区块链技术集成到系统中。总的来说，Fetch.ai提供了一个人工智能和区块链技术相结合的多功能平台，为AI智能体开发、机器学习模型货币化以及数字经济突破性的搜索和发现方法提供了工具。AI智能体和区块链技术的结合为以去中心化的高效方式自动化及优化各流程铺平了道路。 6、AI和加密行业的下一步是什么？人工智能和区块链技术的无缝融合代表了这两个领域的关键进步。这种结合不仅仅是两种尖端技术的融合，更是一种变革性的协同作用，重新定义了数字创新和去中心化的边界。这种结合的潜在应用（正如在Fetch.ai、Bittensor、Akash Network、Render Network和Gensyn等项目所探讨的），展示了将AI的计算能力与区块链安全透明的框架相结合具有巨大的可能性和优势。当我们展望未来时，很明显，人工智能和区块链的融合将在塑造各行各业上发挥关键作用。从增强数据安全性和完整性到创建去中心化自治组织新模式等等，这种融合有望带来更高效透明、更可访问的技术。特别是在去中心化金融领域，去中心化人工智能（DeAI）的出现可以使人工智能技术的使用更加民主化，打破传统上大公司垄断的障碍。这有望催生一个更具包容性的数字经济，在这样的未来经济中，个人和小型实体也可以享用以前遥不可及的人工智能工具和服务。另外，AI和加密技术的集成也可以解决这两个领域中一些最紧迫的挑战。在人工智能领域，数据孤岛和训练大模型所需的巨大计算资源等问题可以通过区块链的去中心化数据管理和计算能力共享来缓解。在区块链领域，人工智能可以提高效率，自动化决策过程，并改善安全机制。开发人员、研究人员和利益相关者持续探索和利用人工智能和区块链之间的协同作用是至关重要的。这样一来，他们不仅能够促进这些独立领域的发展，还将推动整个数字领域的创新，最终让全社会受益。来源：金色财经

金色财经2023-12-01

零点有数：11月30日组织现场参观活动，中邮证券有限责任公司、浙江同花顺人工智能资产管理有限公司等多家机构参与

技术与市场风险特别需要指出的是，对于机器学习、NLP、大模型等人工智能新新技术以及数据要素市场新业务的探索，目前公司已有一些尝试与积累，我们也看到了资本市场对这个关注，由于新的事物有一个发展的过程，因此我们也希望通过这次交流，券商卖方研究人员以及基金研究员、基金经理对外传递零点价值的同时，也希望重视技术与业务创新中的风险，向资本市场传播时不仅仅传递公司的价值，也提示以下风险1）技术落地不及预期创新技术与现有技术开发的软件产品、客户自有系统协同性及适配性不足等导致技术落地不及预期的风险，2）市场开拓不及预期数据以及人工智能新技术、新方法层出不穷，技术升级的周期缩短，在一个技术周期内市场开拓尚未达到规模预期，又出现新的技术迭代，从而导致市场开拓不及预期。政策风险提示国家与地方出台系列支持政策，尤其是财政部发布的《企业数据资源相关会计处理暂行规定》将在 2024 年 1 月 1 日执行，对于数据资源的适用范围、数据资源会计处理适用的准则仍然在实操层面存在不确定性。公司尚不能量化评估这些政策对公司业绩的影响，目前公司也尚无场内数据交易所产生的直接收入。公司不能量化政策的推动对具体经营数据的影响，请各位投资者理性对待，并注意投资风险。零点有数（301169）主营业务：公司在科学的数据采集和分析方法的基础上,运用自主研发的在线数据集成技术和垂直应用算法两大核心技术,形成决策分析报告或开发数据智能应用软件,为公共事务和商业领域的客户提供数据分析与决策支持服务。公司专注于主营业务的可持续稳健发展。零点有数2023年三季报显示，公司主营收入1.68亿元，同比上升13.54%；归母净利润-2693.82万元，同比下降54.18%；扣非净利润-3188.98万元，同比下降44.95%；其中2023年第三季度，公司单季度主营收入5125.96万元，同比下降6.26%；单季度归母净利润-1007.13万元，同比下降292.15%；单季度扣非净利润-1119.03万元，同比下降105.41%；负债率22.15%，投资收益-309.9万元，财务费用-787.57万元，毛利率31.71%。该股最近90天内无机构评级。融资融券数据显示该股近3个月融资净流入4003.52万，融资余额增加；融券净流出3988.31万，融券余额减少。以上内容由证券之星根据公开信息整理，由算法生成，与本站立场无关。证券之星力求但不保证该信息（包括但不限于文字、视频、音频、数据及图表）全部或者部分内容的的准确性、完整性、有效性、及时性等，如存在问题请联系我们。本文为数据整理，不对您构成任何投资建议，投资有风险，请谨慎决策。

证券之星2023-11-30

深入研究OpenAI最大竞争对手Bittensor

开源协议，可实现去中心化、基于区块链的机器学习网络。该项目的主要目标是解决人工智能中心化和权力集中于少数公司的问题。 2、用例它是“一个教计算机如何变得聪明的特殊网络”：使用分布式账本优化人工智能技术的开发和分发。开放访问机器智能存储库以实现全球创新。根据用户贡献进行奖励分配。 Bittensor十月份的革命性升级引入了子网，允许任何人通过自定义激励和不同的用例创建自己的子网。在Bittensor生态系统中培育更广泛的服务。例如，子网5类似于Midjourney的AI图像生成。 3、采用我找不到 TVL 数字。但它们的仪表板显示以下统计数据：连续756天运行 6.15万个帐户 500 万枚 TAO被质押，占TAO供应量的 88% 超过 30 个子网显示了网络参与者和质押者/验证者的强劲增长。 4、收入情况 Bittensor是一种混合区块链，具有POW（如 BTC）和POS（如 ETH）元素。矿工托管人工智能模型并将其提供给网络验证者充当网络内的评估者每个区块都有1枚TAO奖励，奖励是均等分配的。 5、代币经济学 Bittensor于2021年“公平启动”（没有代币预挖）。 TAO的供应量为2100万枚，也有一个减半周期，每1050万个区块，区块奖励减半。目前，每12秒（一个区块）就有一枚TAO释放向网络（每天7200 枚）。每4年发生1次减半事件，第一次减半将发生在2025 年 8 月。减半次数由代币发行总量决定，而不是区块数量。当前供应统计：循环供应量= 570万总供应量 = 2100万市值 = 14亿美元 FDV = 52亿美元市值/FDV = 0.27 6、金库 Bittensor没有金库之说。它与比特币类似，都是通过挖矿获得奖励。 Opentensor 基金会通过委托授权奖励资助当前的基础设施开发。第三方验证者通过委托为自己的开发提供资金。 7、治理 Route网络根据主要代表的共识在子网之间分配释放的代币。 “根”网络中的代表现在拥有分配奖励的权力，而不是 Opentensor 基金会。消除对任何单一实体的单独依赖。 8、团队与投资者 Bittensor由 Jacob Robert Steeves 和 Ala Shaabana 于 2019 年创立。最初的主网 (Kusangi) 于 2021 年 1 月上线，但后来被停止并迁移到当前的链 Nakamoto（2021 年 11 月启动）。投资者包括 DCG、Polychain Capital、FirstMark Capital 和 GSR。重要提示： TAO代币不通过 ICO、IDO、私人销售或特权分配进行分配。流通代币必须通过积极参与网络来赚取。上述投资者投入资金并作为矿工或验证者参与网络。 9、竞争对手 Bittensors 的主要竞争对手是中心化的人工智能公司，例如：OpenAI、Midjourney、Bard（谷歌）他们正试图通过去中心化人工智能来颠覆这个行业。这是一个竞争激烈的环境，但 Bittensor 正在提供创新的解决方案。 10、风险与审计 Bittensor 计划成为 Polkadot 上的平行链，但由于担心 Polkadot 的开发速度，决定使用自己在 Substrate 上构建的独立 L1 区块链。代码开源，主网已运行1年多。尚无审计记录。 11、总结 Bittensor 是一个有趣的项目，它汇集了两个快速发展的行业：人工智能和区块链。即将到来的催化剂：不断增长的子网人工智能的采用风险包括：运营费用高激烈的竞争总加权得分 = 7.33 注意：我不是 Bittensor 的大使或顾问。不是投资建议。来源：金色财经

金色财经2023-11-30

24小时热点