FX168财经网_全球视野外汇黄金加密货币NFT资讯网

美股收盘：道指纳指涨超200点中概股多上涨360数科涨超13%

GPT-3的大模型训练当地时间周二，机器学习及人工智能领域开放产业联盟MLCommons披露两项MLPerf基准评测的最新数据，其中英伟达H100芯片组在人工智能算力表现的测试中，刷新了所有组别的纪录，也是唯一一个能够跑完所有测试的硬件平台。对于这个结果，英特尔也表示仍有上升空间。理论上只要堆更多的芯片，运算的结果自然会更快。瑞银计划砍掉逾半数瑞信员工年内预计有三轮裁员瑞银集团（UBS）已完成对瑞士信贷（瑞信）的收购，结束了数月来瑞士最大金融机构之一的倒闭风波。接下来，瑞银计划从下个月开始将瑞信4.5万多名员工裁掉一半以上。据知情人士透露，瑞信在伦敦、纽约和亚洲部分地区的投行业务员工、交易员和支持性工作人员预计将首当其冲受到裁员的影响，几乎所有业务都面临风险。瑞信员工已被告知今年将有三轮裁员，第一轮预计在7月底进行，另外两轮初步计划在9月和10月进行。美国汽车工程师协会：特斯拉充电技术即将成为美国行业标准当地时间周二，美国汽车工程师协会（SAE）表示，特斯拉的电动汽车充电技术正迅速成为美国行业标准。将加速审查特斯拉的北美充电标准（NACS）是否有可能成为美国充电行业标准。该组织的支持将使其他汽车制造商更容易采用特斯拉充电标准。标准化过程是建立基于共识的关键一步，将对NACS充电连接器进行标准化，以确保任何供应商或制造商都能使用、制造或部署这种充电端口。数周以来，包括电动车制造商Rivian、福特汽车、通用汽车等公司均已同意采用特斯拉专有的充电标准NACS，让客户可以使用美国最大的充电网络。

金融界2023-06-28

AGI龙头云知声递表港交所近三年年收入复合增长率超50%

能基础设施，其专注于智算集群，高效地就机器学习工作动态调度强大的算力。公司的智算集群目前拥有超过200 PFLOPS的计算能力，以及超过1.6PB的存储容量。公司2023年推出了一个拥有600亿个参数的自有大语言模型山海大模型，作为公司技术平台云知大脑（UniBrain）的新核心。根据弗若斯特沙利文的资料，按收入计，公司是2022年中国第四大AI解决方案提供商，但在年度收入超过人民币5亿元的企业中增长最快。同年，按收入计，公司在中国智慧生活及智慧医院行业均排名第三。这些产品和解决方案的广泛商业应用为公司提供了优质的用户反馈，进而支持山海大模型的持续迭代以成为云知大脑的核心。公司基于云知大脑技术平台为智慧生活和智慧医疗中广泛的应用场景提供了极具竞争优势的产品和解决方案。招股书显示，公司收入主要来自销售AI产品及解决方案。2020-2022年，收入分别为人民币2.608亿元、4.558亿元和6.006亿元，复合年增长率为51.7%；同期毛利润分别为人民币8925万元、1.450亿元和2.399亿元，复合年增长率为63.9%。

金融界2023-06-27

精彩回顾 | 来看 Q T F 量化科技嘉年华上的 D o l p h i n DB

合主办方，在6月3日上午的“因子挖掘与机器学习”分论坛中，为广大量化粉丝们奉上了一场干货满满的主题分享与圆桌讨论，现场座无虚席，反响热烈，收获了一致好评。此外，嘉年华还设置了厂商展区，包含护照集章、展台抽奖等趣味活动。DolphinDB 为粉丝准备了抽奖圆盘和丰富的小礼品，并有技术支持团队现场路演交流。主题分享 DolphinDB 创始人暨 CEO 周小华博士受邀分享《下一代因子挖掘统一框架：打破界限的流式实时计算平台》。 DolphinDB 为海量历史数据、实时行情数据的处理和中高频因子计算提供了高性能的投研方案。多范式脚本语言可实现因子代码快速编写。内置的分布式计算架构、1500+计算函数、10+流计算引擎，方便用户进行因子的流批一体计算。未来将融合机器学习、AI 继续探索新的可能。对于量化交易员们来说，有了实时产生的交易信号，怎么能够快速传递到交易系统里面呢?DolphinDB 引入了三种技术：第一，通过在流计算中引入 JIT 技术，降低流计算的时延。第二，得到流计算结果后，通过跨进程共享内存交换数据，DolphinDB 系统和交易系统、风控系统在同一个节点上，从而降低将数据传给交易系统的时延。第三，Swordfish 的发布，使得用户可以将 DolphinDB 作为一个库嵌入到交易系统的进程中，而且在同一个进程中还可以推动内存交换获取数据，时延进一步降低。同时，DolphinDB 在不断加强对 AI 建模分析的支持。面对庞大的因子数据量，传统的线性回归方法已难以满足处理需求，很多团队都已经引入了深度学习工具。 DolphinDB 首先提供了内置的机器学习工具，并支持分布式存储和计算。此外，研究员们可以通过 AI Data Loader，用 SQL 语句把分布式数据库当中的数据直接对接到 PyTorch 等工具中，省去了数据转换与落地的成本。 DolphinDB 最近也在做一些新的工作和探索。正在研发中的 GPU 算子库可以将计算无缝迁移到 GPU 中，使得性能有数量级的提升。最后，面对越来越丰富的多元化数据、异构数据，DolphinDB 正在研发 Vector Database，来支持对这些数据方便的存储和检索。完整的演讲内容可以添加 DolphinDB 小助手(dolphindb1)获取～圆桌论坛圆桌论坛环节，周博士与来自投研平台、量化交易平台和券商投研交易团队的三位负责人共同进行了《量化新视野下的前沿技术探索》主题讨论，围绕 AI 大模型、深度学习在业务中的实践、新技术下软硬件成本、未来潜在发展等热点话题，与观众交流。圆桌问题一览： ·最近最火热的技术趋势就是 AI 大模型，请问一下各位嘉宾，有自己玩过 ChatGPT 吗?有没有什么有意思的实践可以分享? ·前一阵某知名千亿量化私募宣布成立新的团队入场大模型 AI，请问各位对此有什么看法? ·有人说，量化研究员的工作就是每天挖掘各种因子，但很多时候一个优秀的模型也会带来显著的策略增长，那么在量化领域里，各位认为因子和模型这两者是什么样的关系?哪一块更重要? ·其实很早之前，机器学习就已经应用于预测股市价格、走势等方面的场景，但往往专注于传统模型比如决策树。现在比较流行深度学习模型，什么递归神经网络模型、卷积神经网络模型等等。能否结合自身业务，谈谈在这方面的实践? ·除了前面提到的传统的选股、择时等业务，未来这类前沿技术会给量化领域带来哪些新的可能?潜在的发展方向又有哪些? ·从应用的角度来说，想要将深度学习和业务结合产生好的效果，对咱们团队提出了哪些软硬件需求? ·我们知道深度学习模型并不完全是对传统的机器学习算法的简单升级。在做决策时，尤其是风控，可解释性和对业务的理解非常重要。有时对一些结构化数据使用深度学习，会产生过拟合。对于数据挖掘和可解释性的平衡问题，各位有什么看法? 四位嘉宾围绕以上七个问题展开了深入讨论，各抒己见，也激发了现场观众的思考。特装展区 DolphinDB 在 QTF 量化科技嘉年华中，不仅主办了6月3日上午的“因子挖掘与机器学习”分论坛，还在特装展区设置了丰富的小礼品和抽奖活动，并有专业的技术支持现场解答与路演。无线耳机、特制飞盘、定制文化衫、因子日历、笔记本……无论你是洽谈商务的业务人士，还是追赶潮流的年轻人，都有机会在 DolphinDB 展区抽到你喜爱的礼品，了解你想要的最新资讯，获得一对一与技术同事交流的机会。现场交流幸运转盘100%中奖! 热情的粉丝护照集章，兑换你的专属礼品～来源：金色财经

金色财经2023-06-27

StarkNet生态系统全方位解读哪些项目值得关注

进行链上验证链下计算。这使得人工智能和机器学习模型等计算密集型应用程序可以在链上运行，同时拥有不暴露敏感数据和模型细节的便利性。此外，StarkNet的零知识证明能力可用于验证人工智能计算的正确性，增强用户对结果的信任。总的来说，StarkNet将为游戏、预言机、自动交易、反sybil攻击、KYC等领域的链上人工智能用例开辟新的可能性。总之，我们相信，随着技术的不断发展和创新，StarkNet生态系统有潜力在竞争中保持领先地位，但也需要经受住挑战，以维持可持续性并扩大用户基础。通过不断创新以及与开发人员和用户的密切合作，StarkNet将会继续发展，为以太坊创造更多新用例。来源：金色财经

金色财经2023-06-27

精彩回顾 | 来看 QTF 量化科技嘉年华上的 DolphinDB

合主办方，在6月3日上午的“因子挖掘与机器学习”分论坛中，为广大量化粉丝们奉上了一场干货满满的主题分享与圆桌讨论，现场座无虚席，反响热烈，收获了一致好评。此外，嘉年华还设置了厂商展区，包含护照集章、展台抽奖等趣味活动。DolphinDB 为粉丝准备了抽奖圆盘和丰富的小礼品，并有技术支持团队现场路演交流。主题分享 DolphinDB 创始人暨 CEO 周小华博士受邀分享《下一代因子挖掘统一框架：打破界限的流式实时计算平台》。 DolphinDB 为海量历史数据、实时行情数据的处理和中高频因子计算提供了高性能的投研方案。多范式脚本语言可实现因子代码快速编写。内置的分布式计算架构、1500+计算函数、10+流计算引擎，方便用户进行因子的流批一体计算。未来将融合机器学习、AI 继续探索新的可能。对于量化交易员们来说，有了实时产生的交易信号，怎么能够快速传递到交易系统里面呢？DolphinDB 引入了三种技术：第一，通过在流计算中引入 JIT 技术，降低流计算的时延。第二，得到流计算结果后，通过跨进程共享内存交换数据，DolphinDB 系统和交易系统、风控系统在同一个节点上，从而降低将数据传给交易系统的时延。第三，Swordfish 的发布，使得用户可以将 DolphinDB 作为一个库嵌入到交易系统的进程中，而且在同一个进程中还可以推动内存交换获取数据，时延进一步降低。同时，DolphinDB 在不断加强对 AI 建模分析的支持。面对庞大的因子数据量，传统的线性回归方法已难以满足处理需求，很多团队都已经引入了深度学习工具。 DolphinDB 首先提供了内置的机器学习工具，并支持分布式存储和计算。此外，研究员们可以通过 AI Data Loader，用 SQL 语句把分布式数据库当中的数据直接对接到 PyTorch 等工具中，省去了数据转换与落地的成本。 DolphinDB 最近也在做一些新的工作和探索。正在研发中的 GPU 算子库可以将计算无缝迁移到 GPU 中，使得性能有数量级的提升。最后，面对越来越丰富的多元化数据、异构数据，DolphinDB 正在研发Database，来支持对这些数据方便的存储和检索。完整的演讲内容可以添加 DolphinDB 小助手（dolphindb1）获取～圆桌论坛圆桌论坛环节，周博士与来自投研平台、量化交易平台和券商投研交易团队的三位负责人共同进行了《量化新视野下的前沿技术探索》主题讨论，围绕 AI 大模型、深度学习在业务中的实践、新技术下软硬件成本、未来潜在发展等热点话题，与观众交流。圆桌问题一览： ·最近最火热的技术趋势就是 AI 大模型，请问一下各位嘉宾，有没有什么有意思的实践可以分享？ ·前一阵某知名千亿量化私募宣布成立新的团队入场大模型 AI，请问各位对此有什么看法？ ·有人说，量化研究员的工作就是每天挖掘各种因子，但很多时候一个优秀的模型也会带来显著的策略增长，那么在量化领域里，各位认为因子和模型这两者是什么样的关系？哪一块更重要？ ·其实很早之前，机器学习就已经应用于预测股市价格、走势等方面的场景，但往往专注于传统模型比如决策树。现在比较流行深度学习模型，什么递归神经网络模型、卷积神经网络模型等等。能否结合自身业务，谈谈在这方面的实践？ ·除了前面提到的传统的选股、择时等业务，未来这类前沿技术会给量化领域带来哪些新的可能？潜在的发展方向又有哪些？ ·从应用的角度来说，想要将深度学习和业务结合产生好的效果，对咱们团队提出了哪些软硬件需求？ ·我们知道深度学习模型并不完全是对传统的机器学习算法的简单升级。在做决策时，尤其是风控，可解释性和对业务的理解非常重要。有时对一些结构化数据使用深度学习，会产生过拟合。对于数据挖掘和可解释性的平衡问题，各位有什么看法？四位嘉宾围绕以上七个问题展开了深入讨论，各抒己见，也激发了现场观众的思考。特装展区 DolphinDB 在 QTF 量化科技嘉年华中，不仅主办了6月3日上午的“因子挖掘与机器学习”分论坛，还在特装展区设置了丰富的小礼品和抽奖活动，并有专业的技术支持现场解答与路演。无线耳机、特制飞盘、定制文化衫、因子日历、笔记本……无论你是洽谈商务的业务人士，还是追赶潮流的年轻人，都有机会在 DolphinDB 展区抽到你喜爱的礼品，了解你想要的最新资讯，获得一对一与技术同事交流的机会。现场交流幸运转盘100%中奖！热情的粉丝护照集章，兑换你的专属礼品～来源：金色财经

金色财经2023-06-27

金色早报 | 美法官驳回Binance.US对SEC新闻稿的投诉

道指跌0.03%。金色百科 ▌零知识机器学习ZKML 区块链技术中的 ZK（零知识，Zero-Knowledge，下文简称 ZK）是密码学中的一个概念，指的是一种证明或交互过程，其中证明者能够向验证者证明某个陈述的真实性，而不泄露任何有关这个陈述的具体信息。ML（机器学习，Machine Learning，下文简称 ML），是 AI 的分支领域。机器学习从输入数据中学习、总结形成模型并能做出预测和决策。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2023-06-27

晚间必读 | 多维度解析LSD赛道全景图

困。点击阅读 4.如何信任AI：零知识机器学习（ZKML）提供怎样的思路？随着AI以超乎想象的速度演化，必将引起对AI利剑的另一“刃”——信任——的担忧。首先是隐私方面：AI时代，人类从数据隐私的角度如何信任AI？也许AI模型的透明度是更为担忧的关键：类似大规模语言模型的涌现能力，对人类来说无异于一个无法看透的科技“黑匣子”，一般用户并不能理解模型是如何运行的、运行结果又是如何获得的——更麻烦的是，作为用户可能并不知道服务商提供的AI模型是否如承诺的那样运行。尤其是在一些敏感数据上应用AI算法和模型，如医疗、金融、互联网应用等，AI模型是否具有偏见（甚至恶意导向）、或者服务商是否按照承诺那样准确无误地运行模型（以及相关参数），成为用户最为关心的问题。零知识证明技术在这方面有着针对性的解决方案，于是零知识机器学习（ZKML）成为最新崛起的发展方向。点击阅读 5.多维度解析LSD赛道全景图思考及行动指南上次[LSDFi Map]发布后发布后，我们的预测的产品大部分都已经出现，比如LST支持的稳定币（R，TAI，USDL等），veToken引发的Governance War（Pendle War）等。但也有很多出乎意料的数据与发现。本文将整理可查大部分LSD相关项目并提出问题，思考与行动指南。点击阅读来源：金色财经

金色财经2023-06-26

积云资本上线全球首家A.I.行情信息共享服务平台

基础算法库：包含了神经网络在内的各种机器学习算法与数学处理算法存储币市最小颗粒度源数据 4.海量因子监控与分析：多因子的灵活构建与多种纬度的分析框架支持各类因子自动监控与分析提高预判准确率 5.多资产回测框架：币种现货、合约、杠杆等多资产、多策略回测，丰富的衍生工具真实验证策略有效性 6.交易策略优化系统：高性能的组合优化系统基于人工智能学习让趋势预测和策略拟合度呈几何级提升 7.风险对冲模型：接轨国际领先的风险模型算法提供28种技术因子和16种成长因子采取对冲策略全面抵抗波动风险 8.金融专家与人工智能算法工程师：团队由金融交易专家、加密算法专家、P2P全栈开发工程师及20年经验股市策略师组成的量化交易梦之队 Walkie-Talkie是一个将全球顶级转件团队提供的机构级行情分析报告，以简单易懂的6色曲线方式向大众用户呈现数字货币行情走势的免费工具软件。通过讯息共享方式为会员提供行情信号，用户免费注册即可成为会员享受免费的行情信号服务。同时针对个人用户也开放两类理财产品，分别为固定收益类型基金产品和浮动收益类型基金产品。理财产品均为固定周期型产品，定期开放和封闭。类型也分为单一型资产或多元化资产。用户可以根据个人理财风险承受度和收益需求选择适合自己的理财产品。同时也提供多元的推广邀请激励，包含用户邀请、团队建立及合伙人激励。奖励来自于基金量化收益，用户获得的团队建立激励将从中进行分配。积云资本团队在二级市场投资交易、区块链等领域具有丰富的投资和管理经验，经历多轮周期及金融危机，屡获全球顶级对冲基金大奖。顶级金融人才+扎实理论+丰富实践=长期稳定回报。积云资本，投资给我们想要的世界！来源：金色财经

金色财经2023-06-26

谷歌：云计算的进展也将推动人工智能的机遇

资者展示中，该公司多次提到了人工智能和机器学习。事实上，它提到这些活动是当前推动IT投资的顶级技术倡议之一。对于投资者来说，幸运的是，人工智能已经是Alphabet一直在推动的领域。可能有的人对这个说法不以为然。毕竟，今年早些时候，在谷歌于今年2月公开展示Google Bard时，它的聊天机器人发表了一个被投资界负面看待的事实错误陈述。很快，Alphabet的市值下降了大约1000亿美元。幸运的是，这种情况很快就过去了。截至目前，Alphabet的股价比这个错误发生前一天上涨了约14.8%。我知道个人经验在整体上并不具有太大意义。但我对Google Bard和ChatGPT进行了一些实验，我的经验感觉不太好。两者都有多处事实错误陈述。但重要的是，从现在开始，这项技术只会不断改进。无论技术如何改变，我实际上认为人工智能竞赛的胜利者是无关紧要的。在今年早些时候泄露的一份公司备忘录中，Alphabet声称他们没有护城河，OpenAI也没有护城河。这种新技术的开源版本取得了令人瞩目的成果，而Alphabet则声称真正的价值在于拥有生态系统。而生态系统正是Alphabet所拥有的。再加上像人工智能这样的领域的持续增长应该会导致对云服务的更大需求，这样一来，该公司将从多个方面受益。目前，我认为Alphabet在多个方面处于非常有前景的位置。该公司的云服务增长速度超过了它的两个最大竞争对手。直到最近，谷歌云一直处于亏损状态。但考虑到Alphabet的极其现金流积极性，我对长期发展并不担心。人工智能有潜力促进该公司的云服务，因为该公司可以利用人工智能提高云服务的吸引力，而人工智能的增长也应该加速对云服务的需求。 $谷歌(GOOG)$ $谷歌A(GOOGL)$

老虎证券2023-06-26

一览零知识机器学习ZKML的优势和挑战

区块链技术和机器学习作为两个备受关注的领域，分别以其去中心化的特性和数据驱动的能力引领着技术的进步。区块链技术中的 ZK（零知识，Zero-Knowledge，下文简称 ZK）是密码学中的一个概念，指的是一种证明或交互过程，其中证明者能够向验证者证明某个陈述的真实性，而不泄露任何有关这个陈述的具体信息。ML（机器学习，Machine Learning，下文简称 ML），是 AI 的分支领域。机器学习从输入数据中学习、总结形成模型并能做出预测和决策。在这一背景下，结合两者的 ZKML（Zero-Knowledge Machine Learning 零知识机器学习）在近期蓬勃发展。ZKML 将零知识证明的隐私保护和验证能力与机器学习的数据处理和决策能力相结合，为区块链应用带来了全新的机遇和可能性。ZKML 为我们提供了一种同时保护数据隐私、验证模型准确性和提升算力效率的解决方案。本文将深入介绍 ZKML，了解其技术原理和应用场景，与开发者们一起探索这个令人兴奋的交叉领域，揭秘 ZKML 如何构建隐私性更加完备、更具安全性和高效性的数字化未来！ ZKML：零知识证明与机器学习的结合零知识证明与机器学习能在区块链上结合的原因有二：一方面，ZK 的零知识技术不仅希望能实现链上交易的高效验证，ZK 的开发者也更希望 ZK 能用在更广阔的生态领域中，ML 的强大 AI 支持，成为 ZK 应用生态扩展的极佳助力者。另一方面，ML 模型从开发到使用的全流程都面临着信任证明问题，ZK 能帮助 ML 实现不泄露数据和信息的前提下实现有效性的证明，解决 ML 的信任困境。ZKML 的结合，是两者各取所需、双向奔赴，也将为区块链生态添加动能。 ZK 与 ML 的发展需求与能力互补 ML 有大量信任问题需要解决，各个工作流程的准确性、完整性、隐私性需要被证明。ZK 刚好能在确保隐私性的前提下有效验证任何类计算是否正确运行，很好地解决了机器学习长期存在的信任证明问题。模型的完整性是 ML 训练过程中的重要信任证明问题，但 ML 模型训练和使用的数据和信息的隐私保护同样重要。这使 ML 的训练难以通过第三方审计监管机构完成信任证明，去中心化的零知识属性的 ZK 是与 ML 具有极高匹配性的信任证明路径。 “AI 提升生产力，区块链优化生产关系”，ML 为 ZK 赛道注入更高的创新动能和服务质量、ZK 为 ML 提供可验证性与隐私保护，ZKML 双方在区块链环境中互补运行。 ZKML 的技术优势 ZKML 的主要技术优势实现了计算完整性、隐私保护性与启发式优化结合。从隐私角度上来看，ZKML 的优势在于：实现透明验证零知识证明（ZK）可以在不暴露模型内部细节的情况下评估模型性能，实现透明和无需信任的评估过程。数据隐私保障 ZK 可用于使用公共模型验证公共数据或使用私有模型验证私有数据，以此保证数据的隐私性和敏感性。 ZK 本身通过密码学协议，在保证隐私性的前提下确保了某个声明的正确性，很好的解决了计算正确性证明机器学习在隐私保护上、同态加密机器学习在隐私保护上的缺陷。将 ZK 融入 ML 过程中，创建了一个安全且保护隐私的平台，解决了传统机器学习的不足。这不仅鼓励隐私公司采用机器学习技术，Web2 开发人员也更有动力来探索 Web3 的技术潜力。 ZK 赋能 ML：提供链上基础设施 ML 上链的算力桎梏与 ZK-SNARKs 在链下已经较为成熟的 ML 之所以刚刚进军链上，是因为区块链的算力成本过高。很多机器学习项目因算力限制无法直接在以 EVM 为代表的区块链环境下运行。同时，虽然 ZK 的有效性验证比重复计算效率更高，但这种优势仅限于区块链原生的交易数据处理。当 ZK 本就复杂的密码学运算和交互面临 ML 的大量运算时，区块链的低 TPS 问题便暴露出来，区块链算力低下的问题成为阻碍 ML 上链的最大桎梏。 ZK-SNARKs 的出现缓解了 ML 的高算力需求问题。ZK-SNARKs 是一种零知识证明的密码学构造，其全称为"零知识可扩展非交互式参数论证"（Zero-Knowledge Succinct Non-Interactive Argument of Knowledge）。它是一种基于椭圆曲线密码学和同态加密的技术，用于实现高效的零知识证明。ZK-SNARK 具有高度紧凑性的特点，通过使用 ZK-SNARKs，证明者可以生成一个短而紧凑的证明，而验证者只需进行少量的计算即可验证证明的有效性，无需与证明者多次交互。这种仅需一次有证明者向验证者交互的性质，使 ZK-SNARKs 在实际应用中具有高效性和实用性，更加适配 ML 的链上算力需求。目前，ZK-SNARKs 是 ZKML 中 ZK 的主要形式。 ML 的链上基础设施需求与对应项目 ZK 对 ML 的赋能主要体现在 ML 全过程的零知识证明上，是 ML 与链上功能的交互。这种交互所需解决的两大问题是将两者的数据形态对接并为 ZK 证明过程提供算力。 ZK 硬件加速：ML 的 ZK 证明较为复杂，这需要硬件辅助链上算力加速证明计算。这类项目包括：Cysic、Ulvetanna、Ingonyama、Supranational、Accseal。 ML 链上数据处理：将链上数据处理为可进入 ML 训练的数据形式，并帮助 ML 的输出结果更方便从链上访问。这类项目包括：Axiom、Herodotus、LAGRANGE、Hyper Oracle。 ML 计算电路化：ML 计算模式与 ZK 的链上电路化证明有所差异，ML 的上链必须将其计算模式转化为能被区块链 ZK 处理的电路形式。这类项目包括：Modulus Labs、Jason Morton、Giza。 ML 结果的 ZK 证明：ML 的信任证明问题，需要由链上 ZK 解决。基于 ZK-SNARKs 建构在 Risc Zero 或 Nil Foundation 上的应用就可以实现模型真实性证明。这类项目包括：RISC Zero、Axiom、Herodotus、Delphinus Lab、Hyper Oracle、Poseidon ZKP、IronMill。 ML 赋能 ZK：丰富 Web3 应用场景 ZK 解决 ML 的信任证明问题，并为 ML 提供了上链机会。很多 Web3 领域急需 AI ML 的生产力或决策支持，ZKML 使链上应用在保证去中心化与有效性的前提下，实现了 AI 的赋能。 DeFi ZKML 可以帮助 DeFi 更加自动化，其一是链上协议参数更新的自动化；其二是交易策略的自动化。 Modulus Labs 推出了 RockyBot，其是有史以来第一个完全链上的人工智能交易机器人。 DID ZKML 可以助力 Web3 去中心化身份 DID 的建设。此前，私钥、助记词等身份管理模式使 Web3 用户体验较差，真正的 DID 建设可以通过 ZKML 进行 Web3 主体生物信息的识别完成，同时，ZKML 能保证用户生物信息隐私的安全性。 Worldcoin 正在应用 ZKML 实现基于虹膜扫描的零知识 DID 验证。游戏 ZKML 可以帮助 Web3 游戏实现全功能上链。ML 可以为游戏交互带来差异性的自动化，增加游戏的趣味性；而 ZK 可以使 ML 的交互决策上链。 Modulus Labs 推出了 ZKML 驱动的国际象棋游戏 @VsLeela； AI ARENA 运用 ZKML 实现了链上 NFT 游戏的高交互性。医疗保健与法律咨询医疗保健与法律咨询是高隐私性且需要大量案例积累的领域，ZKML 可以帮助用户完成决策且保证用户的隐私不被泄露。 ZKML 面临的挑战 ZKML 目前正在蓬勃发展，但因其非原生于区块链且需要大量算力，ZKML 未来主要面临以下两大挑战： ML 数据量化上链过程中的参数失真问题：大多数 ML 采用浮点数表示模型的参数，而 ZK 电路需要使用定点数。在这一数字类型转化过程中，ML 的参数的精度会有所降低，一定程度导致 ML 输出结果的失真。其大模型 ZK 证明的高算力要求问题：目前区块链的算力无法应对大规模、高计算量的链上 ZKML，当下流行的 ZK-SNARKs 仅支持小规模、较小计算量的 ML 零知识证明。算力局限是影响 ZKML 区块链应用发展的关键因素。 ZK 生成证明的阶段计算复杂度较高，需要大量的算力资源。由于 ZK 证明阶段通常需要访问和处理的数据之间存在高度的关联性，导致这个过程难以分布式进行，其无法“可并行化”。将这个过程进行分布式处理，可能会引入额外的复杂性，甚至会降低整体性能。目前，解决 ZK 计算效率问题，主流的研究方向更多的是在算法优化和硬件加速。结语 ZKML 是零知识证明与机器学习的双向奔赴，近期不断发展的区块链技术 ZK 帮助 ML 解决信任证明问题并为 ML 提供链上环境；成熟的 AI 技术 ML 帮助 ZK 实现 Web3 生态拓展与应用创新。 ZKML 的发展面临一些挑战，如参数失真问题和大模型的高算力要求，但这些问题可以通过技术创新和硬件加速等手段得到解决。随着 ZKML 项目的不断涌现和发展，我们可以预见它在 DeFi、DID、游戏、医疗保健等领域将为 Web3 生态带来更多创新和价值。在未来，ZKML 有望成为真正解锁 Web3 + AI 交叉融合的钥匙，为进一步构建安全、隐私保护和高效的区块链应用提供强有力的支持。通过结合 ZK 的零知识性和 ML 的数据处理能力，我们一定能够开创更加开放、智能和可信赖的数字世界！来源：金色财经

金色财经2023-06-26

24小时热点