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

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

通用汽车取得深度学习专利，能有效去混叠和配置雷达系统

得一项名为“用于去混叠和配置雷达系统的深度学习“，授权公告号CN111521998B，申请日期为2020年2月。专利摘要显示，雷达系统中的深度学习包括从第一雷达系统中获取未混叠时间样本。一种方法包括：对未混叠时间样本进行欠采样以获得第一配置的混叠时间样本；对未混叠时间样本进行匹配滤波以获取未混叠数据立方体并且对混叠时间样本进行匹配滤波以获得混叠数据立方体；以及使用第一神经网络来获得去混叠数据立方体。训练第一神经网络以获得训练的第一神经网络。重复未混叠时间样本的欠采样，以获得第二配置的第二混叠时间样本。该方法包括训练第二神经网络以获得训练的第二神经网络，比较结果以选择与选择的配置相对应的选择的神经网络，以及将选择的神经网络与具有选择的配置的第二雷达系统一起使用以检测一个或多个物体。

金融界2023-12-05

腾讯公司取得音频转视频专利，能够将用户输入的音频转化成相应的视频内容

取的文本信息进行关键字识别与提取；使用深度学习技术识别音频信息；利用深度学习技术，基于视频理解，对视频大数据集自动打标签；在视频大数据集标签系统中，进行标签检索匹配，输出匹配度高的视频数据；将提取出的文本信息生成为字幕信息；将视频、字幕、音频合并，生成推荐视频；本发明能够将用户输入的音频转化成相应的视频内容，极大地减少人工合成视频的时间成本，提高内容创作效率。

金融界2023-12-05

三星取得深度学习训练专利，实现对图像或音频特征的精准分类

告，三星电子株式会社取得一项名为“用于深度学习训练的方法和设备“，授权公告号CN108229649B，申请日期为2017年9月。专利摘要显示，描述用于深度学习训练的方法和设备。在一个方面，使用软标签对诸如图像中的检测边界框或输入音频特征的音素的候选单元进行分类，其中，在图像的情况下，标签至少具有基于检测边界框与一个或多个类的地面实况边界框的重叠的0到1之间的可能的值的范围。

金融界2023-12-05

人工智能技术重塑工业PaaS低代码开发平台，提升工业互联网平台应用创建能力

业性的大模型。人工智能大模型能够基于深度学习的自然语言处理技术，可以理解和生成人类语言文本。将其应用于工业APP开发领域，使开发者通过自然语言指令来进行零错误的开发，大大提高了开发效率和准确性。同时，大模型还能够帮助开发者从大量数据中提取有用的信息，为APP提供更准确、更智能的功能。据麦肯锡公司进行的研究表明，人工智能技术可通过全自动化、动态监控等方式提高各生产环节的效率，实现降本增效，该技术特征可以将软件开发时间缩短50%以上。而该技术在工业PaaS平台的优化算法中，能够通过对系统性能、资源利用率等指标进行实时监测和分析，自动调整系统参数和配置，以提高系统的性能和稳定性。所以虽然眼下并没有专门针对工业PaaS低代码开发平台和成本降低进行具体论证探讨，但可以看出，人工智能技术在整体软件开发领域的潜力十分巨大。这也意味着在未来的工业互联网发展过程中，人工智能代码生成能力的跨越式进步有望重塑工业PaaS低代码开发平台，使得非程序员的工程师能够使用自然语言指令进行零错误的工业APP开发。因此，为了充分发挥人工智能技术在工业PaaS平台中的价值，眼下国内相关技术提供商注定将进一步研究和探索人工智能技术在工业PaaS平台中的应用方法和技术。参考资料：艾瑞咨询：2023年中国工业互联网平台行业研究报告白旭洋：工业互联网中安全性增强的边缘计算任务调度方法研究，西安邮电大学范婷婷：工业互联网平台赋能供应链协同的运行，杭州电子科技大学 IDC：《中国工业云IaaS+PaaS市场份额，2022：分化初现》邬贺铨：边缘计算助力工业互联网，中国工程院尹方达：工业物联网PaaS平台的商业模式研究，北京邮电大学

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

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

Meta首席科学家杨立昆叫板黄仁勋：超智能不会很快到来

ook 母公司 Meta 首席科学家、深度学习先驱杨立昆（Yann LeCun）的观点则截然不同，他认为超智能不会很快到来。对于黄仁勋的观点，杨立昆评论道：“我了解黄仁勋，这位英伟达首席执行官从人工智能热潮中获益良多。这是一场人工智能战争，而它在提供武器。” 杨立昆认为，如果人类想要训练出一种不仅仅具备总结文本能力、而且具备某种意义上类人的感知能力和常识的人工智能系统，还需要几十年的时间。他还表示，在人类水平的人工智能出现之前几年，社会更有可能创造出类似“猫水平”或“狗水平”的人工智能。除了人工智能，杨立昆也对量子计算机持怀疑态度。他提出：“你可以用量子计算解决的问题，也可以用经典计算机更有效地解决。量子计算只是一个迷人的科学话题，目前还不太清楚其实际意义，以及制造真正有用的量子计算机是否可行。”

金融界2023-12-04

Meta首席科学家：不认为AI超级智能会很快到来，对量子计算持怀疑态度

Meta首席科学家、深度学习先驱扬·勒昆（Yann LeCun）表示，他认为目前的人工智能系统还需要几十年的时间才能达到某种意义上的感知能力，具备常识的人工智能系统可以超越仅仅以创造性的方式总结大量文本的能力。他的观点与英伟达截然相反英伟达首席执行官黄仁勋最近表示，人工智能将在不到五年的时间内与人类“相当有竞争力”，在许多脑力密集型任务上胜过人类。 “我认识黄，”勒昆最近在Facebook母公司Meta基础人工智能研究团队成立10周年纪念活动上表示。勒昆说英伟达CEO可以从人工智能热潮中收获良多。“这是一场人工智能‘战争’，他在提供‘武器’。” ″（如果）你认为人工智能很流行，你就得买更多的GPU，”勒昆在谈到试图开发人工通用智能的技术人员时说，这种人工智能与人类的智能水平相当。只要OpenAI等公司的研究人员继续追求AGI，他们就需要更多英伟达的计算机芯片。勒昆表示，社会更有可能在人类水平的人工智能出现前几年出现“猫级”或“狗级”的人工智能。科技行业目前对语言模型和文本数据的关注，不足以创造出研究人员几十年来一直梦想的那种先进的类人人工智能系统。 “文本是一个非常糟糕的信息来源，”勒昆解释说，人类可能需要2万年才能阅读用于训练现代语言模型的文本量。“用相当于两万年的阅读材料来训练一个系统，它们仍然不明白，如果A和B相同，那么B就和A相同。” “世界上有很多非常基本的东西，他们只是没有通过这种训练，”勒昆说。因此，勒昆和Meta AI的其他高管一直在大力研究如何定制用于创建ChatGPT等应用程序的所谓转换器模型，以处理各种数据，包括音频、图像和视频信息。他们认为，这些人工智能系统越能发现这些不同类型的数据之间可能存在的数十亿个隐藏的相关性，它们就越有可能实现更神奇的壮举。 Meta的一些研究包括一种软件，可以帮助人们在戴着该公司的Project Aria增强现实眼镜时更好地打网球，这种眼镜将数字图形融入现实世界。高管们展示了一个演示，一个戴着AR眼镜打网球的人能够看到视觉提示，教他们如何正确地握住网球拍，并以完美的方式摆动手臂。为这类数字网球助手提供动力所需的人工智能模型，除了文本和音频之外，还需要混合三维视觉数据，以防数字助手需要说话。这些所谓的多模式人工智能系统代表了下一个前沿领域，但它们的发展并不便宜。随着Meta和谷歌母公司Alphabet等越来越多的公司研究更先进的人工智能模型，英伟达可能会获得更大的优势，尤其是在没有其他竞争对手出现的情况下。未来的人工智能硬件英伟达一直是生成式人工智能的最大捐助者，其昂贵的图形处理单元已成为用于训练大规模语言模型的标准工具。Meta依靠16000个Nvidia(467.65，-0.05，-0.01%)A100 GPU来训练它的Llama AI软件。有媒体问，随着Meta和其他研究人员继续开发这类复杂的人工智能模型，科技行业是否需要更多的硬件供应商。 “它不需要它，但它会很好，”勒昆回答，并补充说GPU技术仍然是人工智能的黄金标准。不过，他说，未来的计算机芯片可能不会被称为GPU。勒昆也对量子计算持怀疑态度，微软、IBM和谷歌等科技巨头都投入了大量资源。Meta之外的许多研究人员认为，量子计算机器可以在数据密集型领域（如药物发现）取得巨大进步，因为它们能够使用所谓的量子比特执行多次计算，而不是现代计算中使用的传统二进制比特。但勒昆对此表示怀疑。 “你用量子计算解决的问题数量，你也可以用经典计算机更有效地解决，”勒昆说。 “量子计算是一个迷人的科学话题，”勒昆说。目前还不太清楚“实际意义和制造真正有用的量子计算机的可能性”。 Meta高级研究员、前技术主管迈克·施罗普夫（Mike Schroepfer）对此表示赞同，他每隔几年就会对量子技术进行评估，并认为有用的量子机器“可能会在某个时候出现，但它的时间跨度太长，与我们正在做的事情无关”。 “十年前我们成立人工智能实验室的原因是，很明显，这项技术将在未来几年的时间框架内实现商业化，”施罗普夫说。

金融界2023-12-04

万字长文还原OpenAI“宫斗”内幕

学者试图通过将人工智能研究重新命名为“深度学习”来复兴它。但怀疑论持续存在：在2007年的一次人工智能会议上，一些计算机科学家制作了一个恶搞视频，暗示深度学习人群是由邪教徒组成的。当斯科特攻读博士学位时，他注意到他遇到的一些最优秀的工程师强调了成为短期悲观主义者和长期乐观主义者的重要性。“这几乎是必须的，”斯科特说。“你看到世界上所有破碎的东西，而你的工作就是努力修复它。”即使工程师们认为他们尝试的大部分都不会成功，而且一些尝试可能会让事情变得更糟，他们也“必须相信他们可以解决问题，直到事情最终变得更好。” 2003年，斯科特从他的博士项目中请假加盟谷歌，在那里他负责监督移动广告工程。几年后，他从谷歌辞职，在移动广告初创公司AdMob负责工程和运营，谷歌后来以7.5亿美元收购了这家公司。斯科特随后跳槽到领英，在那里他因异常擅长以既鼓舞人心又现实的方式构建雄心勃勃的项目而闻名，2016年，领英被微软收购，斯科特也随之加入了微软。那时的斯科特已经非常富有，但在技术圈里却鲜为人知，因为他喜欢“匿名”。他曾计划在微软收购完成后离开领英，但2014年成为微软首席执行官的纳德拉敦促他重新考虑。纳德拉分享了一些让斯科特对人工智能感到好奇的信息，部分由于更快的微处理器，该领域当时的发展让这项技术身名鹊起：Facebook已经开发了复杂的面部识别系统；谷歌建立了一个能够熟练翻译语言的人工智能。纳德拉很快宣布，在微软，人工智能“将决定我们未来的所有行动。” 斯科特不确定他和纳德拉是否有相同的抱负。他给纳德拉发了一份备忘录，解释说如果他留下来，他希望自己的部分议程是提升那些通常被科技行业忽视的人。斯科特希望人工智能能够帮助那些聪明但没有接受过数字教育的人，他就是在这些人中长大的。这是一个引人注目的论点——一些技术专家会认为这是故意的吗？鉴于人们普遍担心人工智能辅助的自动化会消除杂货店收银员、工厂工人或电影临时演员等工作。然而，斯科特相信一个更乐观的故事。他在接受采访时表示，曾经有一段时间，大约70%的美国人从事农业工作。技术进步减少了对劳动力的需求，如今只有1.2%的劳动力务农。但这并不意味着有数百万农民失业：许多这样的人成为卡车司机，或回到学校成为会计师，或找到其他道路。斯科特表示，“也许在更大程度上，人工智能比之前的任何技术革命都更能用来重振美国梦。”他觉得，在弗吉尼亚州经营一家养老院的童年好友可以利用人工智能来处理她与医疗保险和医疗补助的互动，让该机构专注于日常护理。另一个朋友在一家为主题公园制造精密塑料部件的商店工作，他可以利用人工智能来帮助他制造部件。斯科特认为，人工智能可以通过将“有赢家和输家的零和交易转变为非零和进步，让社会变得更好。” 纳德拉读了备忘录，正如斯科特所说：“是的，听起来不错。”一周后，斯科特被任命为微软的首席技术官。如果斯科特希望微软领导人工智能革命，他必须帮助该公司超越谷歌。谷歌通过向几乎任何人提供数百万美元来拉拢人工智能领域的人才，哪怕他们只是取得了一个小小的突破。在过去的20年里，微软一直试图通过在内部人工智能项目上花费数亿美元来与谷歌竞争，但收效甚微。微软高管们开始认为，像微软这样巨大的公司——拥有超过20万名员工和庞大的官僚体系——不具备人工智能发展所需的灵活性和动力。“有时候越小越好，”斯科特在接受采访时说。在这种情况下，斯科特开始关注各种创业公司，其中一家脱颖而出：OpenAI。这家公司的使命是要确保“通用人工智能——我们指的是在最具经济价值的工作中超越人类的高度自治系统——造福全人类。”在此之前，微软和OpenAI已经建立起了合作关系：这家初创公司使用了微软的云计算平台Azure。2018年3月，斯科特在这家位于旧金山的初创公司安排了一次与一些员工的会面。他很高兴见到几十个年轻人，他们拒绝了大型科技公司的数百万美元薪酬，为一个承诺其发明不会“伤害人类或过度集权”的组织每天工作18小时。该公司首席科学家苏茨克维特别关注为人工智能的出现做准备，人工智能如此复杂，可能会解决人类的大多数问题——或者导致大规模的破坏和绝望。与此同时，奥特曼是一位有魅力的企业家，他决心让人工智能变得有用和赚钱。斯科特认为，这家初创公司的敏感性非常理想。他表示，OpenAI致力于“将能量导向影响最大的事物。他们有一种真正的文化，即‘这是我们正在努力做的事情，这些是我们正在努力解决的问题，一旦我们发现什么可行，我们就会加倍努力。’他们对未来有一套自己的理论。” OpenAI当时已经取得了令人瞩目的成果：它的研究人员创造了一只机器人手，可以玩魔方，即使遇到以前没有遇到过的挑战，比如把它的一些手指绑在一起。然而，最让斯科特兴奋的是，在随后的一次会议上，OpenAI的管理层告诉他，他们已经放弃了机器人手，因为它不够有前途。“最聪明的人有时最难管理，因为他们有一千个绝妙的主意，”斯科特说。但该公司的员工对他们的工作几乎充满了救世主般的热情。在今年7月斯科特遇到苏茨克维后不久，苏茨克维向斯科特说，人工智能将“颠覆人类生活的每一个领域”，这可能会使医疗保健等领域比现在“好一亿倍”。这种自信吓跑了一些潜在投资者，但斯科特觉得这很吸引人。这种乐观与当时弥漫在微软的阴郁气氛形成了鲜明对比。一位微软前高管表示：“每个人都认为人工智能是一场数据游戏，谷歌拥有更多数据，微软处于永远无法缩小的巨大劣势。”该高管补充说，“我记得当时感到非常绝望，直到斯科特说服我们，还有另一种方式来玩这个游戏。”微软和OpenAI之间的文化差异使他们成为特殊的合作伙伴。但对斯科特和在成为OpenAI的首席执行官之前曾领导创业加速器Y Combinator的奥特曼来说，联手是非常明智的。纳德拉、斯科特和微软的其他人愿意容忍这些奇怪的事情，因为他们相信，如果他们能够用OpenAI技术强化自己的产品，并利用初创公司的天赋和雄心，他们将在人工智能竞赛中获得显著优势。2019年，微软同意向OpenAI投资10亿美元。从那以后，微软实际上获得了OpenAI营利部门49%的股份，以及将OpenAI过去和未来的发明商业化的权利，包括在Word、Excel、Outlook、以及Skype和Xbox游戏机等产品，都可以应用OpenAI的技术。贫困中长大的穆拉蒂纳德拉和斯科特对这项投资的信心是由他们与奥特曼、苏茨克维和首席技术官穆拉蒂形成的纽带支撑的。斯科特特别重视与穆拉蒂的关系。像他一样，她也是在贫困中长大的。她1988年出生于阿尔巴尼亚，经历了黑帮资本主义的兴起和内战的爆发。她通过参加数学竞赛来应对这一巨变。当穆拉蒂16岁时，她获得了加拿大一所私立学校的奖学金，在那里她表现出色。“我童年的很多时光充斥着警笛声、枪击案以及其他可怕的事情，”穆拉蒂在今年夏天接受采访时说。“但是仍然有快乐的生日、少女的单相思和知识的海洋。这教会你一种坚韧的品德——相信如果你继续努力，事情会变得更好。” 穆拉蒂在达特茅斯大学学习机械工程，期间加入了一个研究团队，该团队正在建造一辆由超级电容器电池供电的赛车，这种电池能够产生巨大的能量爆发。其他研究人员认为超级电容器不切实际；还有一些人追求更深奥的技术。穆拉蒂认为这两种观点都太过极端。这样的人永远不可能穿越弹坑到达她的学校。穆拉蒂说，你必须是一个乐观主义者和现实主义者，“有时人们会把乐观主义误解为粗心的理想主义。但这必须经过充分的考虑和深思熟虑，要有很多护栏——否则，你会冒很大的风险。” 毕业后，穆拉蒂加入了特斯拉，然后在2018年加入了OpenAI。斯科特表示，他同意十亿美元投资的一个原因是他“从未见过穆拉蒂慌张的样子。”他们开始讨论如何使用超级计算机来训练各种大型语言模型。两家公司很快就建立并运行了一个系统，结果令人印象深刻：OpenAI训练了一个机器人，它可以生成令人惊叹的图像，以响应诸如“给我看狒狒在耶稣旁边扔披萨，以马蒂斯的风格呈现”的提示。另一个创造GPT，能够用英语会话回答任何问题——即使不总是正确的。但目前还不清楚普通人如何将这种技术用于除了无所事事的娱乐之外的任何事情，也不清楚微软如何收回投资。今年年初又有消息称，微软的投资将增加至100亿美元。 2019年的一天，一位名为达里奥·阿莫代伊（Dario Amodei）的OpenAI副总裁向他的同行展示了一件非凡的事情：他向GPT输入了一个软件程序的一部分，并要求系统完成编程。它几乎立刻就这么做了（使用了阿莫代伊自己没有计划使用的技术）。没有人能确切地说出人工智能是如何做到这一点的——大型语言模型基本上是一个黑盒。GPT的实际代码相对较少；它的答案是一个字一个字地基于数十亿的数学“权重”，根据复杂的概率决定下一步应该输出什么。在回答用户的问题时，不可能绘制出模型建立的所有联系。对OpenAI内部的一些人来说，GPT神秘的编程能力令人恐惧——毕竟，这是《终结者》等反乌托邦电影的场景。当员工们注意到，尽管GPT技术高超，但有时还是会犯编程错误，这几乎令人振奋。在了解到GPT的编程能力后，斯科特和穆拉蒂感到有些担心，但更多的是兴奋感。他们一直在寻找人工智能的实际应用，人们可能会付费使用。 Copilot的诞生 5年前，微软收购了GitHub，其原因与它投资OpenAI的原因大致相同。GitHub的文化年轻且快速发展，不受传统和正统文化束缚。被收购后，它成为微软内部的一个独立部门，拥有自己的首席执行官和独立决策权。事实证明该策略是成功的，GitHub深受软件工程师的喜爱，其用户数量增长到了一亿多。因此，斯科特和穆拉蒂在寻找一个可能会对能够自动完成代码的工具感到兴奋的微软部门——即使它偶尔会出错——他们转向GitHub的首席执行官纳特·弗里德曼（Nat Friedman）。毕竟，发布在GitHub上的代码有时会包含错误；用户已经学会解决不完美的地方。弗里德曼说他想要这个工具。他指出，GitHub只需要想出一种方法来告诉人们，他们不能完全信任自动完成功能。GitHub员工集体讨论了该产品的名称：Coding Autopilot、Automated Pair Programmer、Programarama Automat。弗里德曼是一名业余飞行员，他和其他人认为这些名称错误地暗示该工具可以完成所有工作。而这个工具更像是一个副驾驶——一个和你一起进入驾驶舱并提出建议的人，同时偶尔也会提出一些不合时宜的建议。通常你会听副驾驶的意见；有时你会选择忽略。当斯科特听到弗里德曼最喜欢的名字——GitHub Copilot时，他很喜欢这个名字。斯科特说：“这个名称完美地传达了它的优点和缺点。” 但当GitHub准备在2021年推出Copilot时，微软其他部门的一些高管提出抗议，认为该工具偶尔会产生错误，会损害微软的声誉。“这是一场激烈的战斗，”弗里德曼告诉我。“但我是GitHub的首席执行官，我知道这是一个很棒的产品，所以我发布了它。”当GitHub Copilot发布后，立即大获成功。“Copilot简直让我大吃一惊，”一名用户在发布几小时后发推文说。“这是魔法！！！”另一个贴子说。微软开始对该应用程序收取每月10美元的费用；不到一年，GitHub的年收入就超过了一亿美元。该部门的独立性得到了回报。但是GitHub Copilot也引起了不太积极的反应。在留言板上，程序员推测，如果有人太懒或太无知而没有在部署自动完成的代码之前检查它，这种技术可能会蚕食他们的工作，或者给网络恐怖分子提供动力，或者引发混乱。包括一些人工智能先驱在内的知名学者引用了已故的斯蒂芬·霍金（Stephen Hawking）在2014年的声明，即“全人工智能可能意味着人类的终结。” 令人震惊的是，GitHub Copilot的用户发现了如此多的灾难性可能性。但GitHub和OpenAI的高管们也注意到，人们使用这个工具越多，他们对它的能力和局限性的理解就越微妙。“使用一段时间后，你会对它擅长什么和不擅长什么有一种直觉，”弗里德曼说。“你的大脑会学习如何正确使用它．” 微软高管认为，他们找到了一个既有魄力又负责任的人工智能发展战略。斯科特开始写一份备忘录，题为《人工智能Copilot的时代》，于2023年初发送给微软的技术领导人。斯科特写道，重要的是，微软为向世界解释这项技术找到了一个强有力的比喻：“Copilot做的正是名字所暗示的；对于试图完成复杂任务的用户来说，它是一个专家助手……Copilot可以帮助用户了解其能力的极限。” 在ChatGPT发布后，它让大多数人了解了人工智能，并迅速成为历史上增长最快的消费级应用程序。但是斯科特可以预见未来：机器和人类通过自然语言进行互动；人们，包括那些对编程一无所知的人，仅仅通过说出他们想法来给计算机编程。这是他一直追求的公平竞争环境。正如OpenAI的联合创始人在社交媒体上所说：“最热门的新编程语言是英语。” 斯科特写道：“在我的职业生涯中，我从未经历过我的领域发生如此大变化的时刻，重新想象可能性的机会如此现实和令人兴奋。”下一个任务是将GitHub Copilot——一款精品产品——的成功应用于微软最受欢迎的软件。这些Copilot的引擎将是一项新的OpenAI发明：一个大型语言模型。OpenAI称之为GPT-4。微软多年前曾试图将人工智能带给大众，但最终尴尬的以失败收场。1996年，该公司发布了Clippy，这是其办公产品的“助手”。Clippy在屏幕上显示为一个有着卡通大眼睛的纸夹，看似随机地弹出，询问用户是否需要帮助来写信、打开PowerPoint或完成其他任务。杰出的软件设计师艾兰·库伯（Alan Cooper）后来说，Clippy的设计是基于对研究的“悲剧性误解”，研究表明人们可能会更好地与似乎有情感的计算机互动。用户当然对Clippy有情绪：他们讨厌它。史密森尼称之为“计算机史上最糟糕的软件设计失误之一。”2007年，微软砍掉了Clippy。 9年后，微软创造了人工智能聊天机器人Tay，旨在模仿一个十几岁女孩的语调和注意力，目的是为了与推特用户互动。Tay几乎立即开始发布种族主义、性别歧视和同性恋恐惧的内容，包括“希特勒是对的”的声明。在发布后的第一个16小时内，Tay发布了96000次，此时微软意识到这是一场公关灾难，将其关闭。到2022年底，微软高管们觉得已经准备好开始为Word、Excel和其他产品开发Copilots了。但微软明白，就像法律是不断变化的一样，即使在产品发布后，产生新的保护措施的需求也会不断增加。人工智能工程主管莎拉·伯德（Sarah Bird）和斯科特经常因这项技术的失误而感到汗颜。在疫情期间，当他们测试另一项OpenAI发明图像生成器Dall-E 2时，他们发现如果要求系统创建与新冠肺炎有关的图像，它通常会输出货架被抢空的图片。一些微软员工担心这样的图像会加剧人们对疫情导致经济崩溃的担忧，他们建议改变产品的安全措施以抑制这种趋势。但微软的其他人认为这些担忧是愚蠢的，不值得软件工程师花费时间。斯科特和伯德决定在有限的公开发布中测试这个场景，而不是裁定这个内部辩论。他们推出了一个版本的图像生成器，然后等着看用户是否会因为看到屏幕上的空货架而感到不安。他们不会为一个没有人确定存在的问题设计一个解决方案——就像一个眼睛瞪得圆圆的回形针帮助你浏览一个你已经知道如何使用的文字处理器——他们只会在必要时增加一个缓解措施。在监控社交媒体和互联网的其他角落，并收集用户的直接反馈后，斯科特和伯德得出结论，这些担忧是没有根据的。“你必须在公共场合进行实验，”斯科特说。“你不能试图自己找到所有的答案，并希望你把一切都做对。我们必须学会如何一起使用这些东西，否则我们谁也搞不懂。” 2023年初，微软准备发布首次将GPT-4集成到微软品牌产品中：搜索引擎必应。集成人工智能技术的必应受到热烈欢迎，下载量猛增了八倍。纳德拉开玩笑说微软打败了“800磅重的大猩猩”，以此来嘲讽谷歌。（尽管这项创新令人印象深刻，但就市场份额而言并没有多大意义：谷歌仍然占据90%以上的搜索份额。）必应只是一个微软议程上的一个开端。随后微软开始在其他产品中推出Copilot。今年春天，当微软最终开始推出Copilots时，版本的发布是小心翼翼地错开的。最初，只有大公司才能使用这项技术；随着微软了解这些客户如何使用它并开发出更好的保护措施，它才会被提供给越来越多的用户。截至11月15日，已有数万人在使用Copilots，预计很快会有数百万人注册。在此两天之后，纳德拉忽闻奥特曼被解雇。OpenAI董事会的一些成员发现奥特曼是一个狡猾得令人不安的操纵者。例如，今年秋初，他与乔治敦大学安全和新兴技术中心主任海伦·托纳（Helen Toner）对质，因为她与人合写了一篇论文，似乎批评OpenAI“助长了人工智能炒作的火焰”。托纳为自己辩护（尽管她后来向董事会道歉，没有预料到这篇论文会被怎样看待）。奥特曼开始单独接触其他董事会成员，讨论替换她的问题。当这些成员交换谈话记录时，一些人认为奥特曲解成他们支持解除托纳职务。“他会在其他人的想法上撒谎，让他们互相争斗，”熟悉董事会讨论的人士透露。“这样的事情已经发生多年了。”（一位熟悉奥特曼观点的人士表示，他承认“试图让一名董事会成员下台的方式很笨拙”，但他没有企图操纵董事会。）微软的A、B、C计划奥特曼被认为是一个精明的企业斗士。这在过去对OpenAI很有帮助：2018年，他阻止了早期董事会成员马斯克收购OpenAI的冲动。奥特曼控制信息和操纵认知的能力——公开的和秘密的——吸引了风险资本家通过投资各种创业公司来相互竞争。他的战术技巧如此令人畏惧，以至于当董事会的四名成员——托纳、德安吉洛、苏茨克维和塔莎·麦考利（Tasha McCauley）——开始讨论罢免他时，他们决心保证让他措手不及。“很明显，一旦山姆知道了，他会尽一切可能削弱董事会，”熟悉这些讨论的人士说。不高兴的董事会成员觉得OpenAI的任务要求他们对人工智能变得太危险保持警惕，他们认为奥特曼在位的情况下，他们无法履行这一职责。“任务是多方面的，要确保人工智能造福全人类，但如果不能让首席执行官负起责任，没人能做到，”另一名了解董事会想法的人说。奥特曼看问题的角度不同。熟悉他的观点的人说，他和董事会进行了“非常正常和健康的董事会辩论”，但一些董事会成员不熟悉商业规范，并被他们的责任所吓倒。这个人说，“我们每向人工智能靠近一步，每个人都要承受10分的精神错乱。” 很难说董事会成员更害怕有感知能力的计算机，还是担心奥特曼擅作主张。但不管怎样，董事会最终选择了先发制人，他们误以为微软会和他们站在一起，共同把奥特曼当做目标，支持他们的罢免决定。纳德拉得知奥特曼被解雇的消息并召集斯科特和其他高管召开视频会议后不久，微软开始执行A计划：支持穆拉蒂担任临时首席执行官以稳定局势，同时试图查明董事会为何如此冲动。纳德拉已经批准发布一份声明，强调“在我们将人工智能的下一个时代带给我们的客户时，微软仍然致力于米拉和他们的团队”，并在他的个人X和LinkedIn账户上表达了同样的观点。他与穆拉蒂保持着频繁的联系，以便及时了解她从董事会掌握的信息。答案是：不多。在奥特曼被解雇的前一天晚上，董事会通知了穆拉蒂他们的决定，并得到了她保持沉默的承诺。他们认为她的同意意味着她支持解雇奥特曼，或者至少不会反对董事会，他们还认为其他员工也会同意。他们错了。在内部，穆拉蒂和其他OpenAI高管表达了他们的不满，一些员工认为董事会的行动是一次政变。OpenAI的员工向董事会成员提出尖锐的问题，但董事会几乎没有回应。两名熟悉董事会想法的人士表示，出于保密的考虑，董事会成员感到必须保持沉默。此外，随着奥特曼下台成为全球新闻，董事会成员感到不知所措，“与任何人接触的带宽有限，包括微软。” 奥特曼被解雇的第二天，OpenAI的首席运营官布拉德·莱特卡普（Brad Lightcap）发送了一份全公司备忘录，称他了解到“董事会的决定不是为了应对渎职或任何与我们的财务、业务、安全或安全/隐私实践相关的事情。”他接着说，“这是山姆和董事会之间沟通的中断。”但是，每当有人要求奥特曼举例说明他没有像董事会最初抱怨的那样“在沟通中一贯坦诚”，董事会成员都保持沉默，甚至拒绝提及奥特曼反对托勒的运动。在微软内部，整个事件看起来愚蠢得令人难以置信。据报道，到目前为止，OpenAI价值约800亿美元。该公司的一位高管表示：“除非OpenAI董事会的目标是毁灭整个公司，否则他们似乎总是莫名其妙地在每次做决定时做出最糟糕的选择。”即使其他OpenAI员工在总裁布罗克曼的带领下公开辞职，董事会仍然保持沉默。 A计划显然失败了。因此，微软的高管们转向了B计划：纳德拉开始与穆拉蒂协商，看是否有办法恢复奥特曼的首席执行官职位。在此期间，板球世界杯正在进行，纳德拉钟爱的印度队在决赛中对阵澳大利亚队。纳德拉偶尔会在社交平台X上发帖报告赛事的最新进展，希望缓解紧张的氛围，但他的许多同事不知道他在说什么。 OpenAI员工威胁要反抗。穆拉蒂和这家初创公司的其他人在微软的支持下，开始敦促所有董事会成员辞职。最终，他们中的一些人同意离开，只要他们认为替代者可以接受。他们表示，他们甚至可能对奥特曼的回归持开放态度，只要他不是首席执行官，并且没有获得董事会席位。到了感恩节前的那个周日，每个人都筋疲力尽了。OpenAI董事会邀请穆拉蒂单独加入他们进行私人谈话。他们告诉她，他们一直在秘密招聘一位新的首席执行官，并终于找到了愿意接受这份工作的人。对穆拉蒂、OpenAI员工、微软而言，他们只能抓住最后一根稻草，启动C计划。周日晚上，纳德拉正式邀请奥特曼和布罗克曼领导微软内部的一个新的人工智能研究实验室，并提供他们想要的所有资源和尽可能多的自由。两人都接受了。微软开始为他们认为将加入该部门的数百名OpenAI员工准备办公室。穆拉蒂和她的同事们写了一封公开信给OpenAI的董事会：“我们无法为那些缺乏能力、判断力且不关心我们使命和员工的人工作或与他们合作。”该信件的作者承诺辞职并“加入新成立的微软子公司”，除非所有现任董事会成员辞职并重新任命奥特曼和布罗克曼。几个小时内，几乎所有OpenAI员工都签署了这封信。 C计划以及OpenAI大规模离职的威胁足以让董事会态度软化。感恩节前两天，OpenAI宣布奥特曼将重新担任首席执行官。除德安吉洛外，所有董事会成员都将辞职，而更知名的人物——包括Facebook前高管、推特董事长布雷特·泰勒（Bret Taylor），以及前财政部长、哈佛大学校长拉里·萨默斯（Larry Summers）——将出任董事。OpenAI的高管同意对所发生的事情进行独立调查，包括奥特曼过去作为首席执行官的行为。尽管C计划最初看起来很诱人，但微软高管后来得出的结论是，目前的情况是最好的结果。将OpenAI的员工转移到微软可能会导致成本高昂且浪费时间的诉讼，还可能引发政府调查。在新框架下，微软获得了OpenAI的无投票权的董事会观察员席位，使其在不引起监管审查的情况下获得了更大的影响力。微软的巨大胜利事实上，这出肥皂剧的结局被视为微软的巨大胜利，也是对其开发人工智能方法的有力认可。一位微软高管表示：“奥特曼和布罗克曼真的很聪明，他们可以去任何地方。但他们选择了微软，所有那些OpenAI的人都准备选择微软，就像四年前选择我们一样。这极大地验证了我们建立的体系。他们都知道，这里是继续他们正在做的工作的最佳地点，最安全的地点。” 与此同时，被解雇的董事会成员坚称他们的行为是明智的。“将会有一个全面和独立的调查，而不是把一群山姆的亲信放在董事会，我们最终有了可以对抗他的新人，”熟悉董事会讨论的人透露说。“山姆很有权力，他很有说服力，他善于为所欲为，现在他注意到人们在看着他。”前董事托纳说，“董事会始终专注于履行我们对OpenAI使命的义务。”（奥特曼告诉其他人，他欢迎调查——部分是为了帮助他理解为什么会发生这样的悲剧，以及他本可以采取哪些不同的措施来防止这种情况发生。）一些人工智能监管机构对这个结果不是特别满意。开源人工智能平台Hugging Face的首席伦理学家玛格丽特·米歇尔（Margaret Mitchell）认为，“董事会解雇奥特曼的时候，确实是在做自己的工作。他的回归将会产生寒蝉效应。我们将会看到越来越少的人在公司内部直言不讳，因为他们会认为自己会被解雇——而高层的人会更加不负责任。” 就奥特曼而言，他准备讨论其他事情。“我认为我们只是转向良好的治理和优秀的董事会成员，我们将进行独立评估，这让我非常兴奋，”他告诉我。“我只是希望每个人都继续生活，开心快乐。我们会继续进行这项任务。” 让纳德拉和斯科特松了一口气的是，随着Copilots的大规模发布，微软的一切都恢复了正常。不过Office Copilots看起来既令人印象深刻又平庸。它们让平凡的任务变得更容易，但它们距离取代人类工人还有很长的路要走。它们感觉和科幻小说预言的相去甚远，但是它们也是人们可能每天都会用到的东西。根据斯科特的说法，这种效果是有意的。“真正的乐观主义意味着有时要慢慢来，”他说。如果他、穆拉蒂和纳德拉如愿以偿——鉴于他们最近的胜利，这种可能性现在更大——人工智能将继续稳步渗透到我们的生活中，其速度足以适应短期悲观主义所需的警告，并且只有在人类能够吸收这项技术应该如何使用的情况下才会如此。事情仍有可能失控——人工智能的渐进发展将阻止我们意识到这些危险，直到为时已晚。但是，就目前而言，斯科特和穆拉蒂相信他们能够平衡进步和安全。斯科特表示：“人工智能是人类为提高每个人的生活质量而发明的最强大的东西之一。但这需要时间，也应该需要时间。我们总是通过技术来解决极具挑战性的问题。因此，我们可以告诉自己一个关于未来的好故事，也可以告诉自己一个关于未来的坏故事——无论我们选择哪一个，那都有可能成为现实。” 来源：金色财经

金色财经2023-12-03

新北洋：截至2023年11月底，新北洋的股东户数为28,211户

器思维方面，公司在模式识别、神经网络和深度学习等基础技术进行研究和积累，并在信号识别、图像识别、视频识别、生物识别、智能分拣、数据分析和决策等核心算法上形成了自己的核心技术；在机器行为方面，公司布局了工控主机、软件平台、运动控制和精密传动等关键核心模块。公司将继续瞄准无人化、少人化的社会发展趋势，在智慧物流、智慧零售和智慧金融等多个行业和领域深入融合人工智能相关技术，助力客户商业成功。谢谢！投资者：感觉还是理念观念问题，现在很多企业想要做大做强总部都迁往大都市，生产工厂不搬迁！尤其研发基地都搬往大都市、那样人才有优势！新北洋墨守成规、要走出泥潭很困难！！公司没想法新北洋董秘：您好！新北洋不仅在威海总部设立有研发机构，而且在国内的北京、深圳和西安等高校和人才密集的地区、在国外的日本和荷兰等也建立了研发分支机构。稳定和丰富的研发人力资源保障了公司的长期可持续发展。谢谢！投资者：请问截止2023年11月30日，公司股东人数多少？新北洋董秘：您好！截至2023年11月底，新北洋的股东户数为28,211户。谢谢！投资者：尊敬的董秘你好人工智能也好、新型工业化也好、人形机器人也好！市场上都不知道新北洋有这方面业务！为何这么固执？不改下辨识度较高名字、比如北洋智能！一般投资者以为是水产养殖的！或者纯是生产打印机的、没一点科技含量公司！！新北洋董秘：您好！新北洋的愿景是“成为世界先进的智能设备/装备解决方案提供商””。公司业务涉及打印扫描产品解决方案、智能自助终端解决方案、金融行业场景解决方案、物流行业场景解决方案及服务运营解决方案和其他新业务等。公司在智慧金融产品领域，经过多年持续创新发展，已成为业界知名的解决方案提供商；在打印扫描产品领域，公司一直保持在该业务领域的市场优势地位，服务于全球客户；在智能自助终端领域，公司已成为领先的产品研发、制造和服务商；在智能物流装备领域，公司已成为业界知名的解决方案提供商。谢谢！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2023-12-02

24小时热点