FX168财经网_全球视野外汇黄金加密货币NFT资讯网

苹果被曝内测“苹果版GPT”市值再创新高！纳指100ETF（159660）7连涨后首度回调1%，此前3日连续吸金超6400万元！

天机器人程式。苹果在该产品中使用了大量机器学习技术，从Siri语音识别到照片应用程式检测人脸等。电动汽车巨头特斯拉财报“喜忧参半”，盘后股价短线跳水超4%。在一系列降价及激励措施下，特斯拉本次营收超预期再创历史新高，但与此同时，盈利方面却难以跟上，不仅毛利率持续下行创四年新低，自由现金流也不到预期的一半。公司还就布局AI、电动皮卡投产、FSD授权等进行深入探讨。具体来看，特斯拉Q2总营收达到249.27亿美元，同比增长47%，高于预期的245.1亿美元；净利润为27.03亿美元，同比增长20%，高于预期的23.9亿美元；毛利率18.2%，低于市场预期的18.8%，较上季度19.3%进一步下行;自由现金流为10.1亿美元，市场预期为21.8亿美元。另外，特斯拉指出，得州的超级工厂正在进行生产Cybertruck的设备安装，仍处于今年实现初步生产的正轨。除了汽车业务外，特斯拉的能源发电和储能业务在Q2实现营收15.09亿美元，同比增长74%，环比基本持平。在加州超级储能工厂拉升产量的带动下，特斯拉二季度储能部署达到3.7GWh，同比上升222%。但受高利率环境制约，光伏部署同比下降38%至66MW。随着越来越多车企采用特斯拉NACS充电保准，本次包括充电在内的服务收入获得强劲增长，达到21.5亿美元，同比增长47%，环比增长17%。这一上升趋势未来预计会继续持续。特斯拉还表示，目前正洽谈将FSD技术授权给一家大型车企，特斯拉的客户将首次被允许将FSD转移到另一辆汽车上，这是今年第三季度的“一次性赦免”。在AI方面的布局上，特斯拉宣布已经从今年7月开始生产Dojo超级计算机，朝着更快、更便宜的神经网络训练迈出了重要的一步。马斯克本次也表示，未来特斯拉将会同时使用英伟达和Dojo的算力。其他纳指100明星成份股中，华纳兄弟涨近4%，Zoom、莫德纳、eBay涨超2%，亚马逊、高通、Meta涨超1%，Booking、谷歌、超威半导体、微软跌超1%，英伟达、爱彼迎、迈威尔科技、英特尔、德州仪器小幅下跌；中概股涨跌不一，京东涨0.97%，拼多多小幅下跌。热门ETF方面，主打低费率的纳指100ETF（159660）7连涨后首度回调，跌幅超1%，成交额近1400万元，仍然处于5日线上方，福利提示：纳指100ETF管理费0.5%/年，托管费0.15%/年，明显低于市场主流费率！统计截至2023.7.20 下午13:21 值得重点关注的是，纳指100ETF（159660）此前3日大举吸金3561万元、619万元、2255万元，合计达6435万元，资金加速布局态势明显！纳指100ETF（159660）M7含量超50%，M7即Magnificent 7，包含苹果、微软、谷歌、亚马逊、英伟达、特斯拉和Meta这7巨头！截至7月18日，M7年内最高涨幅225%，最低40%，平均涨幅103%，Magnificent 7贡献了纳指100大部分的涨幅！（统计截至7.18）根据统计，今年以来美股纳斯达克市场表现优异。截至7月19日，纳斯达克指数年内涨37.18%，纳斯达克100指数更是涨44.67%，领涨全球主要指数！天风证券对美股科技股中AI领域做出分析，指出AI Agent或成为大模型之外AI的另一巨大变革。AI智能体代表了AI的一种未来，相比于过去的强化学习，现在有了全新的技术手段来研究AI智能体。整体对于算力需求依然增长判断微软FY23Q4季报和英伟达FY23Q2季报可能会使AI重新定价，相信下半年微软有望首先受益于AI用户增长，而整个海外云计算板块的收入增速上修和Gen-AI产品推出或紧密相关，从而也拉动capex指引的上移，标志未来云计算周期的开始。西部证券对今年纳指100强势领涨作出分析：今年以来，美股表现超预期，市场曾认为在加息背景下，美股的估值压力有所放大，但从今年至当前，纳斯达克涨幅为37%，原因可能有： 1）从历史来看，加息周期的末尾并不意味着美股走弱； 2）成长跑赢价值，一方面因为去年纳指回调较大，今年估值回落到“合理区间”，另一方面受到热点板块驱动； 3）今年以来，美国CPI“下”和就业“强”加剧了经济软着陆的预期。根据方正证券的统计，2010年以来纳斯达克指数、标普500指数和道琼斯工业指数年化收益率分别为13.5%、10.3%和9.2%。分解来看，盈利稳定增长是美股长牛的根基，2010年以来纳斯达克指数、标普500指数和道琼斯工业指数盈利年化增幅分别为14.3%、8.7%和6.3%。数据来源：Wind，方正证券纳指100ETF（159660）跟踪纳斯达克100指数，在人工智能的时代浪潮之下，目前全世界AI领域布局和积淀最领先、最深厚的科技巨头仍然集中在纳斯达克，比如微软、谷歌、英伟达、Meta等等，这些AI巨头无一例外都是纳斯达克100指数的前十大权重股，纳斯达克100指数前十大权重占比超59%，龙头属性集中。纳指100ETF（159660）管理费0.5%/年，托管费0.15%/年，明显低于市场主流的费率结构，费率优势明显，省到就是赚到。（风险提示：以上指数成份股仅作展示，不代表任何形式的个股推荐！）【始于纳斯达克，更胜于纳斯达克！】根据公开资料，纳斯达克指数包含100家在纳斯达克上市的非金融公司，纳斯达克市场自诞生以来成功孵化出了一大批科技巨头，被广泛认为是培育创新型、科技型、成长型公司最成功的投资市场之一。作为纳斯达克市场的旗舰指数，纳斯达克100指数长期涨幅明显跑赢纳斯达克指数。自1991年起，纳斯达克100指数30多年来年化收益14.13%，明显高于纳斯达克的11.65%。（数据来源：Wind，截至2023.6.30）数据来源：Wind，统计区间1991.1.1-2023.6.30 风险提示：基金有风险，投资需谨慎。本资料仅为宣传材料，不作为任何法律文件。基金的过往业绩不预示未来表现，基金管理人管理的其他基金业绩并不构成基金业绩表现的保证。基金管理人依照恪尽职守、诚实信用、谨慎勤勉的原则管理和运用基金财产，但不保证投资于本基金一定盈利，也不保证最低收益。投资人应当仔细阅读《基金合同》、《招募说明书》及《产品资料概要》等法律文件以详细了解产品信息。纳指100ETF属于中等风险等级（R3）产品，适合经客户风险等级测评后结果为平衡型（C3）及以上的投资者。标的指数并不能完全代表整个股票市场。标的指数成份股的平均回报率与整个股票市场的平均回报率可能存在偏离。请投资者关注指数化投资的风险以及集中投资于纳斯达克100指数成份股的持有风险，请关注部分指数成份股权重较大、集中度较高的风险，请关注指数化投资的风险、ETF运作风险、投资特定品种的特有风险、参与转融通证券出借业务的风险等。风险提示：界面有连云呈现的所有信息仅作为参考，不构成投资建议，一切投资操作信息不能作为投资依据。投资有风险，入市需谨慎!

有连云2023-07-20

拆解以太坊 ZK 协处理器 Axiom 技术优势

名聚合或验证，甚至可以进行基于零知识的机器学习，比如在链上社交数据上验证某些声誉算法的运行或在金融应用中使用某些机器学习算法。最终，我们将通过虚拟机提供可编程的计算复合功能。最后一个部分，在读取和计算步骤完成后，我们得到一个结果，并且始终将该结果与零知识证明配对，以证明结果的计算是有效的。因此，我们在以太坊智能合约中验证该证明，然后将结果存储供合约使用。由于 Axiom 返回的所有结果实际上都经过零知识证明验证，这意味着 Axiom 返回的所有内容的安全性与以太坊本身的安全性在密码学上是等效的。Axiom 的理念是，我们不希望对用户施加任何超出其使用以太坊所已有的密码学假设的额外假设。接下来我将详细介绍它的实现原理，这涉及到在演讲标题中提到的 Reflection 操作概念。实现这一切的核心原则是，每个区块链上的区块都包含了完整的历史记录。我们可以从当前的以太坊区块开始，向前回溯到我们感兴趣的早期区块。通过获取过去区块和当前区块之间的所有区块头，并通过验证这些区块头的哈希链，我们实际上可以将过去区块的承诺逆向追溯到当前区块。那 Reflection 有什么好处呢？我们可以取当前以太坊的一个块，并回溯到我们感兴趣的以前的一个块。如果我们取得过去块和当前块之间的块头，我们可以通过验证这些块头之间的哈希路径，将过去块的承诺反向到当前块中。然后，如果我们对过去块中的某些信息感兴趣，我们可以在该块的承诺中给出一个包含证明。具体来说，这可以是一个 Merkle Patricia Trie 证明，证明该信息存在于该块的状态 trie、交易 trie 或收据 trie 中。至少原则上，在 EVM 中，仅通过对最近块哈希的了解，就可以访问链上的任何过去信息。遗憾的是，在 EVM 中进行这样操作的代价是昂贵的。正如刚刚提到的，你必须验证所有块头的哈希链和 Merkle 证明，这涉及对大量数据进行许多 Keccak 哈希计算。所以一旦你回溯到过去，就会变得非常困难。因此，我们通过在 EVM 中使用 ZK 封装这个证明来应用 Reflection 操作。因此，我们不需要将所有过去的块头和所有这些 Merkle 证明放在链上，然后进行验证，而是在零知识中检查是否存在一系列过去的块头和一些验证的证明。这有两个优点。首先，它使我们不必将证明数据放入调用数据中。其次，它让我们能够将证明聚合，而如果没有使用 ZK 的话，这是不可想象的。这里的想法是，在以太坊上验证任意数量的计算时，Gas 成本是固定的，因此我们可以使用单个 ZK 证明来验证大量的历史数据访问。让我简单谈谈基于 ZK 的 Reflection 操作概念的权衡。访问数据有两种方式。第一种是你之前所了解的方式——你可以直接从智能合约中访问以太坊上的数据。这有一个非常大的优点，即访问是同步的。因此，你可以直接调用智能合约中的读取函数，获取当前值。例如，当你在 Uniswap 上进行交易时，你就需要这种同步性。然而，它也有很多限制。你的计算能力受到燃料成本的限制，而且无法访问任何历史数据。第二种，如果你想利用 ZK 的能力来反映到以太坊中，因为你必须生成证明，证明你的访问是正确的，那么就无法以同步方式做到这一点。因此，实际上无法直接访问当前的链上状态，因为你必须针对一个状态进行证明。另一方面，如果你允许自己以异步方式访问历史数据，那么你可以对其应用几乎无限的计算，并且可以访问大量数据。因此，通过放宽同步的概念，基于 ZK 的 Reflection 操作式数据访问可以大幅扩展。我们接着了解如何通过 Axiom 实现 Reflection 操作。首先，我们实际上必须在我们的智能合约中维护所有先前块的缓存。在 EVM 中，最后 256 个块哈希是原生可用的。我们可以证明，在每 1024 个块的批次中，前一个批次的最后一个块的哈希会在下一个块中提交。同样，前一个批次中倒数第二个块的哈希会在最后一个块中提交，以此类推。因此，我们可以反向验证这个哈希链，并通过零知识证明这个哈希链的有效性。这使我们能够从最近的块开始，一直缓存到创世块的块哈希。实际上，我们在我们的主网智能合约中已经实现了这一点，它包含了从创世块开始的每1024个块哈希的缓存 Merkle 路径。我们正在添加的另一个功能是 Merkle Mountain Range。它建立在这个块哈希缓存之上，是一种数据结构，使我们能够在有限的 DNA 中引用以太坊中的每个块哈希。一旦我们建立了缓存，我们可以通过对缓存中的块进行验证来查询 Axiom。为了实现这一点，我们必须证明我们试图访问的以太坊历史数据中的每个数据实际上都承诺在某个块的缓存中。其次，我们必须证明我们在此查询上执行的所有计算都是正确的。为了在链上进行检查，我们会验证零知识证明的有效性。我们还会检查它是否与我们在链上记录的信息相关。我们始终将信任建立在我们的缓存或块缓存中，并将这些块缓存中的信息与零知识证明中的公共信息进行匹配。现在我们来谈谈 Reflection 操作设想中的可能应用。水平轴表示数据复杂度，即实际上需要访问多少数据才能实现该应用程序。垂直轴表示计算复杂度，即为完成此任务实际上需要应用多少计算资源。因此，第一类应用是 Axiom 或任何类型的 Reflection 操作机制可以在以太坊上实现的，但成本稍高的应用。其中一些例子包括从以太坊共识层的区块头中读取共识级随机数，验证历史账户年龄，或从历史价格信息中读取不同类型的预言机数据。在 EVM 中，可以采用各种解决方案来实现这些应用，但通过将这些解决方案置于零知识中，可以提高效率。现在，还有另一类应用，大致上需要更多的数据访问，因此需要更多的计算。在我看来，如果不使用 ZK 协处理器，这些应用是无法实现的。举个例子，一个有趣的应用是允许以太坊上的 Roll-up 以一种可信的方式读取基础层或另一个 Roll-up 的状态，使用零知识进行交互。其中一种应用可能是允许 Roll-up 读取 ERC20 代币的完整余额快照。如果我们将目光从存储转向账户的交易历史，你可以想象通过记录以太坊地址的完整历史，构建一个可信的声誉、身份或信用评分系统。这可能用于信用评分，或者用于让你访问某种类型的链上 DAO，或者用于让你获得自定义 NFT 的发行权限。还有一类应用程序是使用链上的历史数据来实际管理协议。一般称为协议记账。这里的想法是，协议的存在是为了协调参与者的行为，而协调的基本原则是能够对参与者的行为进行奖励或惩罚。如果你观察以太坊上的许多协议，参与者的行动记录实际上完全保存在链上。因此，使用 Axiom，我们可以想象根据协议参与者的完整行动集合，协议可以确定支付结构，甚至对参与者进行某种类型的惩罚，我们认为这可以真正扩展协议应用的设计空间。最后，如果我们真正提升计算的层次，我们认为使用机器学习模型来调整链上的参数可能会非常有趣。如果你思考传统金融应用，基于大量历史数据进行复杂的未来参数建模是非常常见的，例如价格数据、经济数据等。而当我们看当前的 DeFi，还远远没有达到那个层次。我并不认为 DeFi 应该与传统金融工作方式完全相同，但我们确实认为注入一些历史数据库和基于机器学习的模型和信息可能有助于创建更具动态性的 DeF i协议。这些只是关于 Reflection 操作可以为区块链带来的一些想法。来源：金色财经

金色财经2023-07-20

苹果悄悄研发AI大语言模型聊天机器人产品已在推进

露，Ajax创建于去年，旨在统一苹果的机器学习开发。该公司已经对搜索、Siri和地图功能进行了与AI相关的改进。Ajax目前被用于创建大语言模型并成为内部ChatGPT式聊天工具的基础。知情人士透露，苹果机器学习和AI部门负责人John Giannandrea与软件工程高级负责人Craig Federighi正在领衔推动这项工作，但两人没有达成统一意见，Giannandrea暗示他希望采取更为保守的做法，先看看其他公司近期的AI发展情况再说。大约在开发自己的工具的同时，苹果公司进行了一项有关OpenAI技术的企业试用版。该公司还考虑与OpenAI签署一份更大的合同，后者将服务授权给微软，Shutterstock Inc．和Salesforce Inc．苹果的Ajax系统基于谷歌的机器学习框架Jax。苹果的系统运行在谷歌云上。

金融界2023-07-20

市值几秒内暴增600亿美元！传苹果正加紧开发Apple GPT

人工智能”这个词，而是选择了更学术的“机器学习”。在过去的一年里，技术人员和投资者一直迷恋于大型语言模型，这是一种人工智能技术，可以生成看起来像人类编写的文本或代码。据报道，苹果有一个名为Ajax的人工智能内部基础，一个小工程师团队开发了一个聊天机器人，有人称之为“Apple GPT”。在苹果公司内部，使用聊天机器人是受限的。据报道，一些苹果员工认为，该公司的目标是明年发布一项重要的人工智能产品。#ChatGPT火爆全网# 除了LLM，苹果还在其产品中使用了大量机器学习技术，从Siri语音识别到照片应用程序检测人脸和宠物的能力。从某种程度上说，苹果加入LLM潮流的时间太晚了。微软(Microsoft)已将OpenAI的ChatGPT集成到自己的软件中，谷歌(Google)将Bard集成到自己的搜索引擎中，亚马逊(Amazon)将通过AWS提供LLM服务，Meta本周将开源一个大型LLM项目。周二，高通(Qualcomm)表示，将与Meta合作，使其LLM可以直接在安卓设备上运行，而不是在遥远的云端服务器上运行。高通为苹果iPhone的竞争对手生产处理器。金融博客Zerohedge撰文称，在这个时代，几乎每个人都在开发自己的ChatGPT版本，力图成为领先的AI先驱，并吸引像软银这样的无知投资者的投资，导致了大量的意向书。而就在刚刚，苹果这个市值已经是世界最大公司的公司，股价突然上涨了2%，市值在几秒钟内增加了600亿美元，此前彭博社报道称苹果正在“悄悄地”开发人工智能工具，可能会挑战微软的OpenAI、谷歌等公司的技术...即便如此，该公司“尚未制定明确的技术发布战略”。报道中还提到，据知情人士透露，iPhone制造商已经构建了自己的框架来创建大型语言模型。据了解，苹果还开发了一个被一些工程师称为“Apple GPT”的聊天机器人服务。近几个月来，苹果在人工智能领域的推进已成为一项重要工作，有几个团队共同参与了这个项目，据知情人士透露，此事涉及解决与该技术相关的潜在隐私问题。总部位于加利福尼亚库比蒂诺的公司发言人拒绝就此事发表评论。有趣的是，在这一消息成为头条新闻之际，笑点却隐藏在了后面14段文字中，Zerohedge发现：“苹果的员工表示，该公司的工具基本上是Bard、ChatGPT和Bing AI的复制品，并且没有包含任何新颖的功能或技术。” 所以，苹果正在对OpenAI采取与Facebook对Twitter相似的策略：复制粘贴，没有任何附加值和创意。然而，这已足以推动股价增长600亿美元。不过，市场可能很快会意识到，我们可能终于到达了AI狂热的顶峰。

市场焦点2023-07-20

中央财经大学马海涛：经济转向高质量发展精算、量化金融与风险管理研究至关重要

围绕气候变化风险、资产管理、量化金融和机器学习领域的研究与实践做了精彩报告。周迅宇教授将强化学习中q-learning的算法引入到最优问题的求解过程中，构造了解决此类问题新的理论框架，引发参会专家学者针对q-learning算法以及新构造的q-函数展开了激烈的讨论。李仲飞教授从气候金融角度出发，利用多因子均值-方差模型，将碳风险暴露引入到目标函数中。这种度量方法更符合市场的参与者对资产未来转型风险敞口的预期，未来可以继续研究更符合中国国情的气候经济模型。王小群教授探讨了如何解决量化金融中的高维度问题，证明了如何利用低差异序列和适当地引入权重来表征变量的重要性，以最优收敛速度来打破维数的诅咒，具有重要的推广意义。据悉，还有多名专家分享了其最新研究成果，涉及区块链保险、生物污损保险、指数保险、金融科技、深度学习与保险决策、死亡率预测等风险管理、长寿风险、量化金融、财务风险管理、年金等相关主题。在加拿大滑铁卢大学教授翁成国主持的主题报告上，Phelim Boyle教授围绕庞氏骗局进行了报告，分析了其投资策略，讨论了该问题未来的研究机会及面临的挑战。第二场大会报告由新加坡南洋理工大学朱文君助理教授主持，加拿大滑铁卢大学蔡军教授作报告。蔡军教授基于扭曲期望下的分布稳健性优化问题，给出了均值和协方差矩阵约束下的投资组合的稳健性解，引起了与会者热烈的讨论。在中央财经大学保险学院、中国精算研究院副院长郑苏晋教授主持的两个报告上，曾任香港大学资深教授的杨海亮就精算学的发展提出了独到见解，他回顾了精算学在保险业科学化经营需求下借助生命表、利率贴现等工具实现定价和准备金评估，之后在复杂保险产品定价需求推动下向量化金融、风险度量拓展，又在资产负债管理需求的推动下和风险管理进行深度融合。在新技术、人工智能飞速发展的今天，精算学应该充分关注行业的变化和需求，为未来的发展注入新的血液和动力。曾任香港中文大学资深教授的陈伟森针对香港长期护理风险融资问题，采用两阶段的DCE方法，定量研究了长期护理保险的市场需求特征及其异质性，对未来长护险产品设计起到了重要的借鉴意义。在闭幕式上，新加坡南洋理工大学朱文君助理教授作为学生代表，深切缅怀导师陈建成教授的工作生活点滴，并对中国精算研究院举办本次会议致以谢意。最后，周桦院长和大会主席池义春研究员对全体与会嘉宾、主题报告人、参会者和工作人员表达了诚挚的谢意。据悉，本次大会包括1个主题报告、6个大会报告和10个平行论坛的40场会议报告，报告内容涵盖精算、量化金融和风险管理的诸多研究领域。来自美国、加拿大、英国、澳大利亚、荷兰、法国、俄罗斯等世界各国以及全国各地、香港地区的专家学者共200余人参加了本次会议。此次2023精算、量化金融与风险管理国际会议的成功举办，不仅隆重纪念了陈建成教授在精算、量化金融与风险管理领域的重要学术贡献，还搭建起一个广泛的国际交流平台，使广大学者能够在此共同探讨学术前沿问题，推动精算学术繁荣，回应国家重大关切，推动该领域高质量发展。

金融界2023-07-19

美联储副主席Barr：AI有可能会放大贷款决策中的偏差和错误

的不平等问题长久化。” Barr表示，机器学习和其他AI工具可能会放大数据中的偏差或错误，或者可能会做出错误的预测。

金融界2023-07-19

花旗称英伟达股价有望升至600美元

克称，Meta的PyTorch 2.0机器学习框架可以帮助AMD缩小与英伟达的差距，但英伟达多年来通过CUDA（其软件框架）和cuDNN（神经网络库）积累的GPU优化经验“可能需要竞争对手的GPU和软件多代改进才能相媲美。” 尽管今年以来英伟达股价已飙升超过200%，但马利克仍认为其具有吸引力，尽管受到宏观经济对游戏需求的影响，该公司仍有望在今年余下时间里提高数据中心销售额的同比增长。马利克给出的的基本情景（目标价为520美元）基于35倍市盈率，并假设在生成式人工智能热潮的推动下，今年人工智能工作量将翻一番，而且GDP将在2023年收缩，然后在2024年小幅增长。他的牛市情景为600美元，市盈率为40倍，并假设在生成人工智能的推动下，销售额增长快于预期，而宏观经济状况良好，2023年和2024年的游戏业务均不会放缓。

金融界2023-07-18

最佳X.AI智能金狗X.DOGE如何免费获取

平台会收集大量图片数据构建数据集，通过机器学习的方法，训练神经网络模型,让计算机学习如何生成图像，输入一些关键词或者画一些草图，让计算机基于已经训练好的模型来生成图片。来源：金色财经

金色财经2023-07-18

IOSG Ventures：深入探讨New DeFi 释放数据的潜力

其他的将需要额外的资源来执行统计计算或机器学习。例如，信用评分项目可以利用防篡改数据，但仍然需要机器学习算法来生成信用评分。或者在 Risk Oracle 的前提下，获取相关特定代币的流通供应、数量、交易计数、持有者数量、自 TGE 以来的时间等的数据对于确定适当的抵押和借贷因素至关重要。但是，机器学习技术需要在这些数据的基础上进行精确的计算。 source：https://chainml.substack.com/p/web3-needs-ai-to-realize-its-potential DeFi 中需要更复杂计算的其他领域包括但不限于: 收益聚合器：估计底层协议的收益和风险，并找到最优分配。投资组合优化：根据预先确定的标准计算目标投资组合的分配，根据技术指标改变定向敞口等。衍生品去中心化交易所：系统性风险管理，资金费用调整，衍生品定价等。高级交易执行算法流动性金库做市逻辑清算库像 ChainML 这样的项目通过提供可验证的链下计算层来满足这一需求，并由专门构建的共识机制提供支持。其他构建分布式机器学习计算层的包括但不限于 GenSyn, Together.xyz, Akash 等。同样，ZKML 提供了一个有趣的机会，其中 ZK 证明可以将计算压缩为可以在链上验证的简洁证明，或者在不透露其属性的情况下演示特定模型的使用。如 Modulus Labs、Giza 等 ZK 项目。然而，在 ZK 中实现机器学习目前非常贵，增大了实际实施的挑战性。虽然硬件加速和电路优化可能会在未来提高性能，但人工智能的计算需求预计会以更快的速度增长，这使得 ZKML 仅限于利基计算方法，无法适应最先进的人工智能模型。因此，类似 ChainML 的项目提供的基于共识的 pessimistic approach 或基于欺诈证明的 optimistic approach 等方法可能是将最新的人工智能算法集成到 Web 3.0 中的最佳机会。总结防篡改数据、先进的计算能力和数据驱动决策的融合，有可能在 DeFi 生态系统中解锁新的创新、提高效率和用户满意度。虽然本文关注的是可以在链上数据原语的基础上进行的优化，但我们同样看好对通过 zk 证明集成各种链下数据所带来的机会。我们相信，数据将增强链上链下的互操作性，促进去中心化金融与传统金融体系之间的融合。随着行业的不断发展，协议必须接受新兴技术，与头部项目合作，并优先考虑透明度和去信任化，这不仅可以为 DeFi 建立一个强大和可持续的未来，而且可以为 DeFi 对全球金融格局产生深远影响这一景愿提供可能。声明：Space and Time、ChainML、Nil Foundation 和 Solity 是 IOSG 的 Portfolio。来源：金色财经

金色财经2023-07-18

6大加密顶级VC的市场分析与价值洞察

金色财经2023-07-18

24小时热点