FX168财经网_全球视野外汇黄金加密货币NFT资讯网

AI Agent：重新定义Web3游戏的创新之路

1 技术简介今年爆火的人工通用智能 AGI（Artificial General Intelligence）技术中，大型语言模型（Large Language Model - LLM）是绝对的主角。OpenAI 核心技术人员 Andrej Karpathy 和 Lilian Weng 也表达过基于 LLM 的 AI Agents 是 AGI 领域接下来重要的发展方向，很多团队也在开发基于 LLM 驱动的人工智能代理 ( AI-Agents) 系统。简单来说，AI Agent 是一种计算机程序，它使用大量数据和复杂的算法来模拟人类的思维和决策过程，以便执行各种任务和交互，例如自动驾驶、语音识别和游戏策略等。 Abacus.ai 的图片清晰的介绍了 AI Agent 的基本原理，步骤如下：感知和数据采集：数据输入，或者 AI Agent 通过感知系统（传感器、摄像头、麦克风等设备）获取信息和数据，比如游戏状态、图像、声音等。状态表示：数据需要被处理和表示成 Agent 可以理解的形式，如转换为向量或张量，以便于输入到神经网络中。神经网络模型：通常使用深度神经网络模型来进行决策和学习，比如使用卷积神经网络（CNN）用于图像处理、循环神经网络（RNN）用于序列数据处理，或者更高级的模型如自注意力机制（Transformer）等。强化学习：Agent 通过与环境的互动来学习最佳行动策略。除此以外，Agent 的运作原理还包括策略网络、价值网络、训练和优化，以及探索与利用等。比如在游戏场景下，策略网络可以输入游戏状态，然后输出行动概率分布；价值网络能够估计状态价值；Agent 则可以通过与环境互动不断强化学习算法以优化策略和价值网络，输出更完美的结果。总之，AI-Agents 是一种能够理解、决策和行动的智能实体，它们可以在各种领域中发挥重要作用，包括游戏领域。OpenAI 核心技术人员 Lilian Weng 撰写的《LLM Powered Autonomous Agents 》非常全面的介绍了 AI-Agents 原理，其中，文中提到一个非常有趣的实验：Generative Agents。 Generative Agents （简称 GA）的灵感来自于《模拟人生》游戏，其使用 LLM 技术生成了 25 个虚拟角色，每个角色都由 LLM 支持的 Agent 控制，在沙盒环境中生活和交互。GA 的设计很聪明，它将 LLM 与记忆、规划和反思功能结合在一起，这使得 Agent 程序可以根据以前的经验来做出决策，并与其他 Agent 互动。文章详细介绍了 Agent 如何基于策略网络、价值网络以及和环境的互动来不断训练和优化决策路径。原理如下：其中，记忆流（Memory Stram）是一个长期记忆模块，记录了 Agent 的所有交互经验。检索模型（Retrieve）根据相关性、新鲜度和重要性来提供经验（Retrived Memories），帮助 Agent 做出决策（Plan）。反思机制（Reflect）则总结过去的事件，指导 Agent 未来的行动。Plan 和 Reflect 则共同帮助 Agent 将反思和环境信息转化为实际行动 Act 。这种有趣的实验向我们展示了 AI Agent 的能力，比如产生新的社交行为、信息传播、关系记忆（比如两个虚拟角色继续讨论话题）和社交活动的协调（比如举办聚会并邀请其他虚拟角色）等等。总之，AI-Agent 是一个非常有趣的工具，并且其在游戏中的应用也值得深入探索。 02 技术趋势 2.1 AI 赛道趋势 ABCDE 的投研合伙人LaoBai曾总结过硅谷创投圈对 AI 下一步发展的判断：没有垂类模型，只有大模型 + 垂类应用；边缘设备比如手机端的数据可能会是个壁垒，基于边缘设备的 AI 可能也是个机会； Context 的长度未来可能引发质变（现在用向量数据库作为 AI 记忆体，但上下文长度还是不够）。即从行业普通发展规律来看，因为大型通用模型模式太重，且具备较强的普适性，所以没必要在大型通用模型领域不断造轮子，而应更多侧重于将大型通用模型应用于垂类领域。同时，边缘设备指通常不依赖于云计算中心或远程服务器，而是在本地进行数据处理和决策的终端设备。因为边缘设备的多样性，所以如何将 AI Agent 部署到设备上运行并合理获取设备数据就是一个挑战，但同时也是新的机会。最后，关于 Context 的问题也备受关注。简单来说，在 LLM 背景下的 Context 可以理解为信息数量，Context 长度可以理解为数据有多少维度。假如现在有一个电子商务网站的大数据模型，该模型用于预测用户购买某个产品的可能性。在这种情况下，Context 可以包括用户的浏览历史、购买历史、搜索记录、用户属性等信息。Context 长度则指特征信息叠加的维度，比如上海 30 岁男性用户的竞品购买历史，叠加最近购买的频率，再叠加最近的浏览记录等。Context 长度的增加可以帮助模型更全面地理解用户购买决策的影响因素。目前的共识认为，虽然目前使用向量数据库作为 AI 的记忆体使得 Context 长度不够，但未来 Context 长度会发生质的变化，而后 LLM 模型可以寻求更高级的方法来处理和理解更长、更复杂的 Context 信息。进一步涌现出更多超出想象的应用场景。 2.2 AI Agent 趋势 Folius Ventures总结过 AI Agent 在游戏赛道中的应用模式，如下图：图中的 1 是 LLM 模型，其主要负责将用户意图从传统的键盘 / 点击输入转化成自然语言输入，降低用户进入门槛。图中的 2 是集成了 AI Agent 的前端 Dapp，为用户提供功能服务的同时，也可以从终端收集用户习惯和数据。图中的 3 是各类 AI Agent，可以直接以应用内功能、Bot 等形式存在。总的来说，AI Agent 作为基于代码的工具，可以充当 Dapp 扩展应用功能的底层程序以及平台的增长催化剂，即链接大模型和垂类应用的中间件。从用户场景来说，最有可能集成 AI Agent 的 Dapp 大概率是足够开放的 Social app， Chatbot 和游戏；或者把现有 Web2 流量入口通过 AI Agent 改造成更简便亲民的 AI+web3 入口；即行业内一直在探讨的降低 Web3 的用户门槛。基于行业发展规律，AI Agent 所处的中间件层往往会成为一个高度竞争的赛道，几乎没有护城河。所以，AI Agent 除了不断的提升体验以匹配 B2C 的需求以外，可以通过制造网络效应或创造用户粘性的来提升自己的护城河。 03 赛道地图 AI 在 Web3 游戏领域的应用已经出现了多种不同尝试，这些尝试可以分为以下几种类别：通用模型：一些项目专注于构建通用 AI 模型，针对 Web3 项目的需求，找到适用的神经网络架构和通用模型。垂直应用：垂类应用旨在解决游戏中的特定问题或为提供特定服务，通常以 Agent、Bot 和 BotKits 的形式出现。 Generative AI 应用：大模型对应的最直接的应用就是内容生成，而游戏赛道本身就是内容行业，所以游戏领域的 Generative AI 应用非常值得关注。从自动生成虚拟世界中的元素、角色、任务或故事情节等，再到自动生成游戏策略、决策甚至是游戏内生态的自动演变都成为了可能，使游戏更具多样性和深度。 AI 游戏：目前，已经有许多游戏集成了 AI 技术，应用场景各不相同，后文将举例说明。 3.1 通用大模型目前，Web3 已经有针对经济模型设计和经济生态发展的模拟模型了，比如 QTM 量化代币模型。 Outlier Venture 的 Dr. Achim Struve 在 ETHCC 的演讲中有提到一些经济模型设计的观点。比如考虑到经济系统的稳健型，项目方可以通过 LLM 模型创建一个数字双胞胎 Digital Twin，对整个生态系统进行 1:1 的模拟。下图的 QTM（量化代币模型）就是一个 AI 驱动的推理模型。QTM 采用了 10 年的固定模拟时间，每个时间步长为一个月。在每个时间步长的开始，代币会被排放到生态系统中，因此模型中有激励模块、代币归属模块、空投模块等。随后，这些代币将被投放到到几个元桶（meta buckets）中，从这些元桶中再次进行更细化的广义效用再分配。然后，从这些效用工具中定义奖励支付等。还有像链下业务方面，这也考虑了业务的一般资金状况，例如可以进行销毁或回购，还可以衡量用户采用率或者定义用户采用情况。当然，该模型的输出质量取决于输入质量，所以在使用 QTM 之前，必须进行充分的市场研究，以获取更准确的输入信息。不过 QTM 模型已经是 AI 驱动模型在 Web3 经济模型里非常落地的应用了，也有许多项目方基于 QTM 模型做操作难度更低的 2C/2B 端应用，降低项目方的使用门槛。 3.2 垂类应用 Agent 垂类应用主要以 Agent 的形式存在，Agent 可能是 Bot、BotKits、虚拟助手、智能决策支持系统、各类自动化数据处理工具等等不同的形式。一般来说，AI Agent 拿 OpenAI 的通用模型为底层，结合其他开源或自研技术，如文本转语音（TTS）等，并加入特定的数据进行 FineTune（机器学习和深度学习领域中的一种训练技术，主要目的是将一个已经在大规模数据上预训练过的模型进一步优化），以创建在某一特定领域表现优于 ChatGPT 的 AI Agent。目前 Web3 游戏赛道应用最成熟的是 NFT Agent。游戏赛道的共识是 NFT 一定是 Web3 游戏的重要组成部分。随着以太坊生态系统中关于元数据管理技术的发展，可编程的动态 NFTs 出现了。对于 NFT 的创建者而言，它们可以通过算法使 NFT 功能更灵活。对于用户而言，用户与 NFT 之间可以有更多的互动，产生的交互数据更是成为了一种信息来源。AI Agent 则可以优化交互过程，并扩展交互数据的应用场景，为 NFT 生态系统注入了更多的创新和价值。案例一：比如 Gelato 的开发框架允许开发者自定义逻辑，根据链下事件或特定时间间隔来更新 NFT 的元数据。Gelato 节点将在满足特定条件时触发元数据的更改，从而实现链上 NFT 的自动更新。例如，这种技术可以用于从体育 API 获取实时比赛数据，并在特定条件下，例如运动员赢得比赛时，自动升级 NFT 的技能特征。案例二：Paima 也为 Dynamic NFT 提供了应用类 Agent。Paima 的 NFT 压缩协议在 L1 上铸造了一组最小的 NFT，然后根据 L2 上的游戏状态对其进行演化，为玩家提供更具深度和互动性的游戏体验。比如 NFT 可以根据角色的经验值、任务完成情况、装备等因素而发生变化。案例三：Mudulas Labs 是非常知名的 ZKML 项目，其在 NFT 赛道也有布局。Mudulas 推出了 NFT 系列 zkMon，允许通过 AI 生成 NFT 并发布至链上，同时生成一个 zkp，用户可以通过 zkp 查验自己的 NFT 是否生成自对应的 AI 模型。更全面的信息可以参考：Chapter 7.2: The World’s 1st zkGAN NFTs。 3.3 Generative AI 应用前文提到，因为游戏本身是内容行业，AI-Agent 能够在短时间内、低成本地生成大量内容，包括创造具有不确定性、动态的游戏角色等等。所以 Generative AI 非常适合在游戏应用。目前，在游戏领域中 Generative AI 的应用可以总结为以下几种主要类型： AI 生成游戏角色类：比如和 AI 对战，或者由 AI 负责模拟和控制游戏中的 NPC，甚至直接用 AI 生成角色等。 AI 生成游戏内容类：直接由 AI 各种内容，如任务、故事情节、道具、地图等。 AI 生成游戏场景类：支持用 AI 自动生成、优化或扩展游戏世界的地形、景观和氛围等。 3.3.1 AI 生成角色案例一：MyShell MyShell 是一个 Bot 创建平台，用户可以根据自己的需求，创建专属 Bot 用于聊天、练习口语、玩游戏、甚至寻求心理咨询等等。同时，Myshell 使用了文本转语音（TTS）技术，只需几秒钟的语音样本，就可以模仿任何人的声音自动创建 Bot。除此以外，MyShell 使用了 AutoPrompt，允许用户仅通过描述自己的想法去给 LLM 模型发出指令，为私人大型语言模型（LLM）打下了基础。有 Myshell 的用户表示，其语音聊天功能非常流畅，响应速度比 GPT 的语音聊天还要快，而且还有 Live2D。案例二：AI Arena AI Arena 是一款 AI 对战游戏，用户可以使用 LLM 模型不断的训练自己的对战精灵（NFT），然后将训练好的对战精灵送往 PvP/PvE 战场对战。对战模式和任天堂明星大乱斗类似，但通过 AI 训练增加了更多的竞技趣味性。 Paradigm 领投了 AI Arena，目前公测阶段已开始，玩家可以免费进入游戏，也可以购买 NFT 提升训练强度。案例三：链上国际象棋游戏 Leela vs the World Leela vs the World 是 Mudulas Labs 开发的一款国际象棋游戏。游戏里游戏双方是 AI 和人，棋局情况放在合约里。玩家通过钱包进行操作（与合约交互）。而 AI 读取新的棋局情况，做出判断，并为整个计算过程生成 zkp ，这两步都是在 AWS 云上完成，而 zkp 交由链上的合约验证，验证成功后调用棋局合约“下棋”。 3.3.2 AI 生成游戏内容案例一：AI Town AI Town 是 a16z 与其投资组合公司 Convex Dev 的合作成果，灵感来自斯坦福大学的《Generative Agent》论文。AI Town 是一座虚拟城镇，城镇内的每个 AI 都可以根据互动和经验构建自己的故事。其中，使用 Convex 后端无服务器框架、Pinecone 矢量存储、Clerk 身份验证、OpenAI 自然语言文本生成以及 Fly 部署等技术堆栈。除此以外，AI Town 全部开源，支持游戏内开发者自定义各种组件，包括特征数据、精灵表、Tilemap 的视觉环境、文本生成提示、游戏规则和逻辑等等。除了普通玩家可以体验 AI Town，开发者也可以使用源代码在游戏内甚至游戏外开发各种功能，这种灵活性使 AI Town 适用于各种不同类型的应用。所以， AI Town 本身是一个 AI 生成内容类游戏，但也是一个开发生态，甚至是一个开发工具。案例二：Paul Paul 是一个 AI 故事生成器，其专门为全链游戏提供了一个 AI 故事生成并直接上链的解决路径。其实现逻辑是给 LLM 输入了一大堆先验规则，然后玩家可以自动根据规则生成次生内容。目前有游戏 Straylight protocol 使用 Paul Seidler 发行了游戏，Straylight 是一款多人的 NFT 游戏，核心玩法就是全链游戏版本的“Minecraft”，玩家可以自动 Mint NFT，然后根据模型输入的基本规则构造自己的世界。 3.3.3 AI 生成游戏场景案例一：Pahdo Labs Pahdo Labs 是一家游戏开发工作室，目前正在开发 Halcyon Zero，这是一款基于 Godot 引擎构建的动漫奇幻角色扮演游戏和在线游戏创建平台。游戏发生在一个空灵的幻想世界中，以作为社交中心的繁华城镇为中心。这款游戏非常特别的地方在于，玩家可以使用游戏方提供的 AI 创作工具快速创作更多的 3D 效果背景以及把自己喜欢的角色带入游戏，真正为大众游戏 UGC 提供了工具和游戏场景。案例二：Kaedim Kaedim 针对游戏 Studio 开发了一个基于 Generative AI 的 3D model generation 工具，可以快速的帮助游戏 Studio 批量生成符合他们需求的游戏内 3D 场景 / 资产。目前 Kaedim 的通用产品还在开发中，预计 2024 年开放给游戏 Studio 使用。 Kaedim 产品的核心逻辑和 AI-Agent 是完全相同的，使用通用大模型为基础，然后团队内部的艺术家会不断输入好的数据，然后给 Agent 的输出进行反馈，不断的通过机器学习训练这个 Model，最后让 AI-Agent 可以输出符合要求的 3D 场景。 04 总结在本文中，我们对 AI 在游戏领域的应用进行了详细的分析和总结。总的来说，未来通用模型以及 Generative AI 在游戏的应用一定会出现明星独角兽项目。垂类应用虽然护城河较低，但先发优势强，如果能靠先发优势制造网络效应和提升用户粘性，则想象空间巨大。除此以外，生成式 AI 天然适合游戏这个内容行业，目前已经有非常多的团队在尝试 GA 在游戏的应用，这个周期就非常有可能出现应用 GA 的爆款游戏。除了文中提到的一些方向，未来还有其他的探索角度。比如： (1) 数据赛道 + 应用层：AI 数据赛道已经孕育出了一些估值达数十亿美元的独角兽项目，而数据 + 应用层的联动同样充满想象空间。 (2) 与 Socialfi 结合：比如提供创新的社交互动方式；用 AI Agent 优化社区身份认证、社区治理；或者更加智能的个性化推荐等。 (3) 随着 Agent 的自动化和成熟化，以后 Autonomous World 的主要参与者到底是人还是 Bot？链上的自治世界是否有可能能像 Uniswap 那样，80%+ 的 DAU 都是 Bot？如果是，那结合 Web3 治理概念的治理 Agent 同样值得探索。来源：金色财经

金色财经2023-10-16

OpenAI悄然修改“核心价值观”，强调发展通用人工智能

悄然修改了列出的“核心价值”，更加重视AGI的发展。OpenAI的招聘页面此前列出了员工的六项核心价值观，分别是大胆、深思熟虑、朴实无华、影响驱动、协作和增长导向。而目前同一页面列出了五项核心价值观，其中第一项是“聚焦AGI”，且补充说明称，“任何对此无益的事物都不在考虑范围之内”。其它四项价值观分别是“紧张和拼搏”“规模”“创造人们喜爱的东西”和“团队精神”。

金融界2023-10-16

筛选百倍币的成功方法

工智能与区块链的结合仍在摸索中，项目如AGIX、FET、ALI和RNDR将开创新的商业模式和机会。六、Meme： Meme币如DOGE、SHIB等在上一轮牛市中涨幅暴涨，情感叙事也具有一定价值。项目如XEN、BITCOIN和TSUKA在这一领域有发展计划。七、支付：随着更多机构采用加密支付，加密支付提供商如ACH将迎来长期需求。八、基础设施：去中心化基础设施有助于吸引主流用户加入Web3世界，项目如DAO、RAD、POND、CTSI、STG、AXL和SIS正在推动这一发展。九、公链：搭建公链可为Web3提供核心价值载体，项目如CANTO、KAS和CFX在这一领域有着潜在机会。寻找百倍币是一项高风险高回报的任务，需要谨慎评估风险并进行充分的研究和尽职调查。这些筛选标准和投资领域只是提供了一个出发点，但最终的决策应基于个人的投资目标和风险承受能力来源：金色财经

金色财经2023-10-13

深度解析 2023 全球 DeFi 借贷赛道全览：金融科技发展的新机遇

本节中，我们选择 Radiant 和 agilely 作为案例。 Radiant——全链借贷龙头 Radiant Capital 是一个建立在 LayerZero 上的去中心化跨链借贷协议。其旨在创建一个全链通用的货币市场，在该市场上，用户可以将任何主要资产存入任何主要区块链，并跨链借用各种支持的资产，从而消除了流动性孤岛。与大多数加密货币借贷平台不同，Radiant Capital 不要求用户选择一个特定的链来工作，也不限制使用该链的特定代币。相反，Radiant Capital 计划将在大多数主要的区块链上运作，使用户更容易借入资产，并通过贡献他们的资本用于借贷而产生回报。Radiant Capital 通过其协议费用和相关活动产生实际收益。投资者可以将他们的资产存入平台，并通过锁定、 vesting 和借出其资产来获得回报。通过借贷机制，用户可以用他们的资产作为抵押品来提高其流动性。总的来说，Radiant Capital 为去中心化的借贷提供了一个更灵活和包容的方法，使用户更容易在多个链上获得流动性，同时也为他们的资产赚取回报。随着 Radiant Capital 继续发展和扩大，它有可能成为跨链货币市场领域的领导者。 agilely——全链稳定币 Agilely 是一个全链、去中心化的借贷协议，允许人们以广泛的抵押资产来借出稳定币 USDA。与市面上的稳定币相比不同的是，USDA 基于 LayerZero 构建，建立在全链可替代代币（OFT）标准的坚实基础上，在 EVM 链上保持统一，确保无论选择何种平台都能提供无缝的用户体验。OFT 的创新方法使 USDA 能够毫不费力地超越各种链来获得流动性，破除曾经稳定币发展的限制。在稳定币的机制设计上，USDA 更多继承了 Liquity 的设计，确保及时清算，并增加了重新分配的安全措施。取消了恢复模式，使用户能够放心地保护其抵押资产，而不必担心去杠杆化。除此之外还引入了动态利息，以帮助 USDA 维持软挂钩。如果 USDA 的市场价格跌破 1 美元，动态利息就会增加以刺激需求。相反，如果 USDA 的市场价格超过 1 美元，则动态利息下降以鼓励 USDA 的铸造。借助 OFT，USDA 可以无缝地跨网络导航，而不会带来集中风险。此外，USDA 的 OFT 标准确保不同 EVM 链之间的地址一致，从而简化了用户的使用。通常稳定币的部署都专注于一条链，稳定币的发展情况也与这条链上 DeFi 生态息息相关，如果链上生态发展较差从而导致流动性撤出，那么这条链上的原生稳定币的发行量也势必会受到影响。在未来各个链上的流动性整合势在必行，agilely 作为这个方面的先行者，后续在市场中的表现值得关注。 Part 3：DeFi 借贷赛道创新实践——如何在 DeFi3.0 时代把握创新红利 crvusd 协议——Curve Finance 的野望作为当前以太坊上交易量排名第二的 DEX， Curve 仅次于 Uniswap。Curve 首先通过提出 StableSwap AMM 模型来优化稳定币之间的交易，与 Uniswap 的恒定乘积不变方法 (x*y=k) 相比，为稳定币 ( 如 DAI、USDC、USDT 等 ) 之间的交易提供了更低的滑点和交易费用，在 Curve v2 中通过引入自动集中流动性，将这种高效的交易拓展到了波动性更大的资产上。Curve 中交易量排名前二的交易池分别是 3pool(USDT/DAI/USDT) 和 tricrypto2(USDT/WBTC/ETH)。 Curve 于 2022 年 11 月发布了 crvusd 白皮书，在白皮书发布六个月后，2023 年 5 月 17 日 Curve 正式推出 crvusd 的用户 UI 界面，标志其稳定币正式发布。在 crvusd 的设计中融入了借贷、AMM、AMO 机制以及一系列创新。主要可以分为 LLAMMA，Monetary Policy 和其中的 PegKeeper 以及 Stable Pool 几部分。 Crvusd 与其他超额抵押稳定币的区别主要在于其清算机制，称为」借贷 - 清算 AMM 算法「，即 LLAMMA 算法。 LLAMMA 的核心概念是抵押品和稳定币之间的转换。当抵押品的价格较高时，用户的存款将变成抵押品（如 ETH），或者当抵押品的价格较低时，它将全部变成 USD。在这点上与 Uniswap v3 的 LP 完全相反。 LLAMMA 旨在通过将自己的 AMM 整合到清算过程中中来改进现有的稳定币机制。LLAMMA 提供了一个专用市场，用于抵押资产和稳定币之间进行交易。这种机制在清算方面更具灵活性，提供连续、软性的清算，而不是像 MakerDAO 那样离散的清算。 LLAMMA 通过将 AMM 内部化来解决前述问题，使抵押代币也成为 LP 份额本身。例如，当用户抵押 ETH 进行 USD 贷款时，用户存入 ETH 作为抵押品，而存入的 ETH 会转变为 ETH/USD 的 LP 仓位。在此机制下，随着 ETH 价格下跌，LP 仓位会逐渐卖出 ETH 并买入 USD；而当 ETH 价格再次上涨时，LP 仓位也会逐渐卖出 USD 并买回 ETH。如果发生 ETH 下跌后便不再涨回的情形，LP 仓位仍有足够的 USD 来支持债务。这种模式可以防止头寸被清算（它只是被平仓），而且没有坏账风险。此外，LLAMMA 使得清算机制从原先的「一次全部」及「全有或全无」，更改为巨大的滑点损失。如果抵押品持有人能够承受价格波动，等价格重新回稳时，抵押品持有人甚至还能赚到额外的 AMM 交易费。除了 LLAMMA，crvusd 的设计中的 Monetray Policy 它可以看作是一个类似于央行的机构，负责维持 crvusd 与美元之间的 1:1 锚定关系。Monetary Policy 的主要工具是 PegKeeper，它是一个智能合约，可以根据 crvusd 的市场价格和内部价格来调节 crvusd 的供应量。内部价格指的是 crvusd 在 Stable Pool 中与其他稳定币之间的兑换比率，它由 Stable Pool 中的流动性和交易深度决定。市场价格指的是 crvusd 在外部市场上的交易价格，它由市场供求关系决定。这两个价格通常是接近的，但在一些特殊情况下，它们可能会出现偏差。这时，Monetary Policy 就会通过 PegKeeper 来调节 crvusd 的供应量，以促进内部价格和市场价格之间的一致性。当 crvusd 的市场价格高于内部价格时，说明 crvusd 有增值的趋势，这时 PegKeeper 会向 Stable Pool 中投放新铸造的 crvusd，以增加 Stable Pool 中的流动性和交易深度，从而促进 crvusd 与其他稳定币之间的兑换，降低 crvusd 的市场价格，使其回归到内部价格。这相当于央行在经济繁荣时通过信贷投放来控制货币供应量和通货膨胀。当 crvusd 的市场价格低于内部价格时，说明 crvusd 有贬值的风险，这时 PegKeeper 会从 Stable Pool 中回收 crvusd，并销毁它们，以减少 Stable Pool 中的流动性和交易深度，从而抑制 crvusd 与其他稳定币之间的兑换，提升 crvusd 的市场价格，使其恢复到内部价格。这相当于央行在经济衰退时通过回收货币来稳定货币价值和防止通货紧缩。通过这样的机制，Monetary Policy 可以有效地保证 crvusd 与美元之间的 1:1 锚定关系，同时也为 Stable Pool 提供了稳定和高效的流动性。 crvusd 目前已经支持 wsteth、wbtc、sfrxeth 和 eth 作为抵押品，目前发展良好，截至 2023 年 7 月 12 日，抵押品总价值已经超过了 1.2 亿美金，crvusd 发行量达到了 8 千万美金，而其增长势头依旧迅猛，即将突破一亿美金大关。 PRESTARE——用去中心化方式重构收益分配关系 Prestare 基于现有借贷协议 aave 进行创新。协议主要创新点为随着借款人的交易次数增加，可以逐步降低其抵押率。抵押率的降低主要取决于借款人过去创造的利息。在协议层面上，依然是提供超额抵押借贷服务。目前大部分借贷协议收益主要来自于借款人的借款利息，利息 70%-85% 将会分配给流动性提供者（LP）。大多数协议会保留利息的 15%-30% 作为协议营收，而借款的动力初期主要是来自于协议本身代币的价格代偿。一般情况下，协议早期对借款人部分的激励相对更高的，即使在支付利息的情况下，token 激励也能覆盖掉利息。但中长期来看，脱离了代币激励之后，需要重新对这部分协议进行评估——他们留下来的用户有没有真实的借款需求？ Prestare 贡献在提供了一个更简单明了的收益分配关系，并且在代币经济模型上做了化简。其核心概念是将协议的借贷获得收益按比分配转换成信用值转化给借款人，借款人可以在下次借款时凭借更高的信用值拥有更低的抵押率。整体上来看，借款人的能借出的资金还是少于他们的抵押物加上之前支付过的利息。因此从系统上看，整个协议仍然保持超额抵押来保证可偿债能力。具体的实现机制透过协议的 Credit Token（CRT）实现。Prestare 依然是将大部分利息收益返还给 LP，约 70% 左右。剩余 20% 的利息则被转化为稳定币，并且按照一比一的比例复制产生 CRT 并即时地按比例分配给协议的借款人。借款人基于拥有的 CRT 的数量，在之后的借款时获得更低的抵押率或者更宽松的清算阈值。这样，每个用户都有不同的抵押率和清算标准。交易越多，借款人获得的 CRT 也越多，也会有低的抵押率，同时也提高了用户粘性。 CRT 相较于原本的稳定币而言，在借款的标准上可以做到接近一比一借款，在借款效率上略高于稳定币。但 CRT 目前最大的抵押额度依然没有超过其背后支撑的稳定币的数，因此实际上 CRT 并没有发挥出「信用」的价值。虽然这样的做法可以在协议的可偿债性层面上给出保证，但是这样的模式就更类似于资本换取抵押。从用户的角度而言，Prestare 认为 CRT 或许是可以发挥大于 1 的价值的。由于 CRT 是一种同质化代币，用户之间也可以自由地交易他们的 CRT。CRT 更能从对抵押率不敏感的用户转移到对于对借款抵押率敏感的人群里。这群人更有可能使用借贷协议进行其他的交易，而非单纯的进行流动性挖矿，他们是 Prestare 的目标用户。从二级市场的 crt 成本更有可能小于 1，因此，也可以为这些目标用户提供更好的服务。这类收益分配模型比较简单易懂，符合大众的生活逻辑。跟现实生活里去商场或者超市消费，得到他们的优惠券类似，用户下次再去消费时就可以使用优惠券并且再次获得优惠点数。在 Prestare 协议里，优惠点数就是他们的 Credit Token，用户可以凭借 CRT 降低相应的抵押率。在协议初期可能仍然摆脱不了 token 激励来吸引用户，但随着 CRT 的分发以及市场的流动，集中在有真实借款需求且对抵押率较敏感的用户手里。这个机制也可以为 Prestare 留下优质的用户。除了整体的借贷模型上，Prestare 也在其他方面做了略微的小的改动。比如底层资产可以接收 compound 或者 aave 的 cToken 或者 aToken，这样就可以利用到市场上已有的流动性，并且给用户提供更好的收益。除此之外，Prestare 将循环贷款的操作用 flashloan 进行封装，可以给用户提供低倍的杠杆交易，在前端的使用感受上和其他杠杆交易的协议没有太大差别。 Prestare 的 CRT 机制由于拥有稳定的价值背书——只有有发生完整借贷过程后才会有对应的 CRT 产出，因此既解决了 DeFi 协议层面在想要提供较低抵押率时缺少的用户信用凭证，也解决了较低抵押率出现 default 风险时的还债能力——可以通过出售或兑换用户抵押的 CRT 方式偿还一部分债务。因此 Prestare 通过创新利益分配方式发展出的 CRT 为 DeFi 市场提供有价值的信用凭证，相信可以在 DeFi 市场中占有一定地位。后记：关于未来的研判——DeFi 借贷赛道的「两超多强」当我们展望未来的 DeFi 借贷市场时，可以预见到一个「两超多强」的竞争格局。这两个超级大国是 Aave 和 Compound，它们是市场上最大、最成熟的 DeFi 借贷平台。在未来，DeFi 借贷协议的发展可能会朝着两个不同的方向演变。一种可能的发展方向是围绕着协议收入、流动性提供者（LP）利益以及总锁定价值（TVL）之间的关系进行经济模型设计。这种方法主要通过优化协议的经济模型来提高协议的收益能力，同时为流动性提供者提供更多的激励，从而吸引更多的资金进入协议。这可能会通过调整利率模型、优化抵押品清算机制以及引入新的激励措施等方式实现。另一种可能的发展方向是结合新技术，如去中心化身份（DID），进一步强化链上信用体系，将传统金融借贷模式引入链上。这种方法可能会通过引入链上信用评估机制，使得借贷人可以根据其信用评分获得更优惠的借贷条件。这样，DeFi 借贷协议就可以更好地与传统金融体系接轨，为用户提供更多样化的借贷选择。此外，这种方法还可能通过支持更多类型的抵押品、引入新的风险评估模型以及优化信用评分算法等方式实现。当我们展望未来的 DeFi 借贷市场时，可以预见到一个「两超多强」的竞争格局。这两个超级大国是 Aave 和 Compound，它们是市场上最大、最成熟的 DeFi 借贷平台。作为 DeFii 借贷领域的超级巨头，Aave 和 Compound 将作为整个生态系统的基础设施。它们将为其他借贷协议提供基础，使其能够建立和发展。它们的规模、规模和声誉将使它们成为 DeFi 借贷市场的重要组成部分。与此同时，其他借贷协议将专注于市场的特定细分领域，以创造自己的竞争优势。例如，一些协议可能专门针对实物资产，也称为现实世界资产（RWA）。这些协议将为传统金融和 DeFi 之间架起桥梁，允许用户使用实物资产作为贷款抵押品。另一个专业领域可能是流动性质押衍生品（LSD）。这些协议将允许用户使用各种以太坊质押衍生品的回报率。通过专注于这一细分市场，这些协议可以吸引那些希望最大化其加密货币持有量回报的用户。总之，DeFi 借贷市场的未来很可能以「两个超级大国」的竞争格局为特征。Aave 和 Compound 将作为整个生态系统的基础设施，而其他借贷协议将专注于市场特定细分领域，区分自己并创造自己竞争优势。这种动态格局将为用户在 DeFi 空间中进行借贷提供广泛选择。来源：金色财经

金色财经2023-10-08

a16z对话OpenAI CTO：从理论到实践 AI技术如何驱动未来创新？

没有宏伟的计划？我们需要做什么才能达到AGI？这只是一步接一步进行下去。米拉：是的。还有你一路上做的所有小决定。也许是因为几年前我们确实做出了一个追求产品的战略决定，才更有可能实现这一目标。我们这样做是因为我们认为，如果没有来自现实世界的用户的反馈，就不可能仅仅坐在实验室里在真空中开发这些东西。这就是假设。我认为这有助于我们做出其中的一些决定，并构建底层基础设施，以便我们最终能够部署像ChatGPT这样的东西。比例定律马丁：你可以重复一下比例定律。我认为这是每个人都有的大问题。进步的速度是惊人的。但人工智能的历史似乎是，你在某个时候会遇到回报递减，这不是参数化的。它有点逐渐减少。从你的角度来看（这可能是整个行业最明智的角度）你认为比例定律会成立，我们会继续看到进步，还是认为我们正在走向回报递减？米拉：没有任何证据表明，随着我们继续在数据和计算轴上扩展模型，我们不会得到更好、更强大的模型。是否会一路走到AGI（通用人工智能），这是一个不同的问题。在这一过程中，可能还需要一些其他的突破和进步。要想真正从这些更大的模型中获得很多好处，缩放定律还有很长的路要走。马丁：你是如何定义AGI的？米拉：在我们的OpenAI章程中。我们把它定义为一个能够自主完成大部分智力工作的计算机系统。马丁：我当时在吃午饭，Anyscale的Robert Nishihara也在。他问了一个我称之为Robert Nishihara之问的问题。我认为这实际上是一个很好的刻画。他说：“计算机和爱因斯坦之间有一个连续体。你从计算机到猫，从猫到普通人，从普通人到爱因斯坦。”然后他问了一个问题，“我们在连续体上的位置？什么问题会得到解决？” 大家一致认为，我们知道如何从一只猫变成一个普通人。我们不知道如何从电脑变成猫，因为这是普遍的感知问题。我们已经很接近了，但我们还没有完全达到，我们真的不知道如何做爱因斯坦，这就是设定推理。米拉：通过微调，你可以得到很多，但总的来说，我认为，在大多数任务中，我们现在是实习生级别的。问题在于可靠性。你不能完全依赖系统来做你想让它一直做的事情。在很多任务中，它做不到。如何随着时间的推移提高可靠性，然后，扩展这些模型可以做的新功能？我认为关注这些新兴能力很重要，即使它们非常不可靠。尤其是对于今天正在组建公司的人来说，你真的想思考，“今天有什么可能？你今天看到了什么？”这些模型很快就会变得可靠。单一模型得天下？马丁：我马上就要问一下，预测一下未来会是什么样子。但之前，我很自私地问一个问题，你认为这件事的经济学会如何发展。我告诉你它让我想起了什么。这让我想起了硅工业。我记得在90年代，当你买一台电脑时，有很多奇怪的写作处理器。“这是字符串匹配，这是浮点，这是加密，”所有这些都把CPU消耗掉了。事实证明，通用性非常强大，这创造了某种类型的经济，英特尔和AMD都是其中玩家。当然，制造这些芯片要花很多钱。所以你可以想象两个未来。在未来，通用性非常强大，随着时间的推移，大型模型基本上会吸收所有功能。然后还有另一个未来，那里将有一大堆不同得模型，各种碎片，设计空间上有不同的点。你有这样的感觉吗：是OpenAI唯我独尊，还是有很多模型？米拉：这取决于你想做什么。显然，现在得轨迹是这些人工智能系统将做我们正在做的越来越多的工作。他们将能够自主运作，但我们需要提供方向、指导和监督。但我不想做很多每天都要做的重复性工作。我想专注于其他事情。也许我们不必每天工作10、12个小时，也许我们可以减少工作，实现更高的产出。这就是我所希望的。就平台的工作方式而言，即使在今天，你也可以看到我们通过API提供了许多模型，从非常小的模型到我们的前沿模型。人们并不总是需要使用最强大、最有能力的型号。有时他们只需要真正适合他们特定用例的模型，而且它要经济得多。我认为会有一个范围。但是，就我们对平台游戏的想象而言，我们肯定希望人们在我们的模型之上进行构建，我们希望为他们提供工具，使其变得容易，并让他们获得越来越多的访问和控制权。你可以带来你的数据，你可以自定义这些模型。你可以真正专注于模型之外的层，并定义产品，这实际上非常非常困难。现在有很多关注点是建立更多的模型，但在这些模型之上建立好的产品是非常困难的。未来5-10年马丁：我希望你能预测一下你认为这一切在3年、5年或10年后会走向何方。米拉：我认为，今天的基础模型在文本中对世界有着伟大的表现。我们正在添加其他模式，如图像、视频和其他各种东西，因此这些模型可以更全面地了解我们周围的世界，类似于我们理解和观察世界的方式。世界不仅存在于文字中，也存在于图像中。我们肯定会朝着这个方向发展，我们将有这些更大的模型，在训练前的工作中采用所有这些模式。我们真的想让这些经过预训练的模型像我们一样了解世界。在模型的输出部分，我们引入带有人类反馈的强化学习。我们希望模型能真正做到我们要求它做的事情，我们希望这是可靠的。这需要做大量的工作，也许还需要引入浏览，这样就可以获得新的信息，引用信息并解决幻觉。我不认为这是不可能的。我认为这是可以实现的。在产品方面，我们希望将这一切整合到人们合作的产品集合中，并提供一个人们可以在此基础上构建的平台。如果你真的向外发展，这些模型将非常非常强大。很明显，随之而来的是对这些非常强大的模型与我们的意图不一致的恐惧。一个巨大的挑战是超级一致（Super Alignment），这是一个困难的技术挑战。我们在OpenAI有一个完整的团队来专注于这个问题。来源：金色财经

金色财经2023-10-07

想要改变一切的OpenAI 正在被改变

内部景象，也提出了一个疑问：立志要以 AGI（通用人工智能）改变一切的 OpenAI，现在还是最初的它吗？「信徒」集结 AGI 像是一种「信仰」。没有人知道它具体是怎样的，在相信它能被制造的人心中，它能比人类更好地解决人类的问题。当它出现后，人类社会将被永久地改变。Sam Altman 相信： AGI 只会被成功地建造出来一次。拥有着看似「标准技术天才」的人生，Altman 在 28 岁时就走完了学习技术、创业、投资的道路，成为了著名孵化器 Y Combinator 的总裁。在他看来，投资创业公司不是为了获得高额回报，而是在投资和推动有潜力颠覆一切的创新。正是在 Altman 开始掌管 Y Combinator 那年，AI 迎来了众多突破 —— 深度学习和神经网络让计算机能「看懂」图片，更好地翻译文本；DeepMind 被 Google 收购，并在两年后以 AlphaGo 颠覆人们对 AI 的想象。是时候了。 Altman 想创立一种新型的机构，抢先大公司追寻 AGI，并确保这个技术能被负责任、安全地使用。他从马斯克、LinkedIn 联合创始人 Reid Hoffman、PayPal 联合创始人 Peter Thiel、Y Combinator 创始合伙人 Jessica Livingston 募得首批启动资金，开始为 OpenAI 物色人才。 Altman 只要真正相信 AGI 的人：在 2015 年，我们招人的时候，AI 研究员如果说自己真会认真看待 AGI，这基本上会毁了你的职业生涯。但我就是想要那些认真看待 AGI 的人。当时在支付公司 Stripe 担任 CTO 的 Greg Brockman 就是那样的人。另外，Google Brain 的 Andrej Karpathy 也成为了 OpenAI 的联合创始人。但要说到 Altman 其中一个最想要的，还是工程师 Ilya Sutskever。在未来，他也将是那个最早看到 AI 新曙光的人。 Sutskever 是「人工智能教父」Geoffrey Hinton 的得意门生，2015 年时是 Google Brain 的其中一位核心科学家。 Altman 的招人方式很特别。他先是写了封邮件，邀请 Sutskever 一起吃饭，同行的还有马斯克、Brockman 和其他人。在饭桌上，没人明确邀请 Sutskever 加入 OpenAI，只是在讨论「AI 和未来的 AGI」。 Sutskever「上钩」了。他回家给 Altman 写了封邮件，表示了自己加入的意愿。然而，邮件却一不小心卡在了草稿箱里。直到 Altman 开始主动伸出橄榄枝，Sutskever 才最终加入了 OpenAI。 2015 年 12 月，OpenAI 正式成立。它相信 AGI 终会来临，它要以开源的方式，让所有人都能安全地使用 AI。直到现在，OpenAI 的团队规模已经从最开始的几人变成了 500 多人，「相信 AGI 终会到来」仍然是团队成员的共识 —— 至少在公司高管眼中是这样看的: 一个不相信的人，为什么会想在这里工作？象牙塔理想化的起源让 OpenAI 像象牙塔一般。没什么能比和志同道合、充满才华的同事一起朝着同一个目标努力更快乐的了，不是吗？我说，我们应该怎样做？ Altman 早期在 CTO Brockman 家和一小队人碰面时表示，坦露了自己的困惑。现实是，OpenAI 在挺长一段时间里也如此迷惘。 OpenAI 成立一年多后，Brockman 曾和 Levy 会面，前者对公司的进展守口如瓶，只是说「我们的目标，是创造能做到人类从前无法做到的事情的系统。」而从外界看来，OpenAI 就更像一个实验室，发表各种研究论文。 Brockman 现在承认，当时其实「什么都行不通」。研究员们在尝试研究各种算法，一边看看能解游戏的技术，另一边也投入不少精力研究机器人。Altman 说：我们知道我们想做什么。我们知道为什么我们想做这件事。但我们就是完全不知道该怎样去做。 Sutskever 则有自己的思路：大概主旨就是，不要和深度学习作对。就在这个相对纯粹的环境下，研究员们各自进行着各自的尝试和实验。 2016 年加入 OpenAI 的研究员 Alec Radford 曾对外形容，在 OpenAI 里工作「就像是加入了一个研究生项目」 —— 一个开放的，压力较低的研究 AI 的空间。 OpenAI 的办公室也有这种感觉。在旧金山总部里，Altman 设置了大学风格的食堂、自助吧台，还有一个图书馆。这个图书馆融合了 Altman 在巴黎最喜欢的书店和斯坦福自习室 Bender Room 的模样。当时还名不经传的 Radford 喜欢研究神经网络与人类对话的项目。最开始，他尝试用 20 亿 Reddit 评论去训练一个语言模型，结果并不理想。但当时 Radford 才 23 岁，而且在 OpenAI 里，人们有失败并继续尝试的资本。Brockman 回忆：我们当时的态度基本是，Alce 很棒，让他去做自己的事就好了。因 OpenAI 算力支持有限，Radford 下一个项目尝试用更集中和更小的数据集 —— 约 1 亿条亚马逊产品评论。 Radford 给语言模型的任务很直接，就是在生成评论时预测下一个单词。接下来，模型居然能够根据要求去写出正面和负面的评论：「这完全就是意外」，Radford 说，他完全没想到系统能明白正面/负面的感觉，这可是语义中的一个复杂功能。 Sutskever 鼓励 Radford 去继续探索这个试验，看看它能否在不同领域适用。 2017 年，那篇将改变一切的论文出现了—— 「Attention Is All You Need」。那个真正的「顿悟时刻（aha moment）」是 Ilya 看到了 transformer 论文发布。他说，「我们在等的就是这个。」 Brockman 回忆道。在他看来，这个过程也反映了 OpenAI 的工作理念：这一直都是我们的策略 —— 去尽力解决问题，然后相信我们或者领域里的其他人终会想到我们缺失的那一块。 Radford 开始将 Transformer 架构融入试验中：「我在两周里的获得的进展比过去两年的还要多。」他意识到新模型的关键就在于量，要给模型大量数据。 Radford 和合作者给自己的新模型命名为「generatively pretrained transformer（生成式预训练转换器）」，也就是「GPT-1」。 GPT 登场，OpenAI 也开始走向改变。分道扬镳关于做到安全 AGI 的最好方式，他们有和我们不同的意见。对于研究主管 Dario Amodei 于 2019 年离开团队并创立 Anthropic，Altman 曾如此对《华尔街报道》评论道。 2021 年，GPT-2 和 GPT-3 项目的主要技术负责人 Rewon Child 也离开 OpenAI，现为 DeepMind 联合创始人 Mustafa Suleyman 创立的 Inflection AI。当然，OpenAI 最著名的「前伙伴」，还数马斯克。回到 2018 年，当时 OpenAI 已经开始主攻大语言模型，把资源从过往自由零散的研究中收回。然而，马斯克还是觉得一切太低效了，或者是 OpenAI 需要更好的领导能力，后来他又在采访里说认为安全性应该被放在更重要的位置。无论情况如何，当时他提出的解决方案很直接 —— 让他来接管 OpenAI。结果大家都知道，马斯克也离开了 OpenAI，并且把资金也撤了。作为过渡，同样是在早期就赞助了 OpenAI 的 Reid Hoffman 同意暂时出钱支持公司支出。 Altman 虽被称为硅谷千禧一代里拥有关系最多的人，但要为一个需要用大量资金购买设备支持 AI 训练的非营利组织筹资可不容易。 2019 年 3 月，OpenAI 宣布了一套新的公司结构。 OpenAI 将维持其非营利的性质，但同时会创立一家「利润封顶（caped-profit）」的营利公司 OpenAI LP。当 OpenAI 为投资者带来的利润达到封顶值（具体数字不公开），所有额外利润都将投入到非营利公司的研究中。这个复杂的结构引来不少质疑，OpenAI 董事会成员 Adam D’Angelo 表示，他和董事会的任务是要保证 OpenAI 仍然保持其原有目标路径：我们有一个法律免责声明来澄清，作为一个投资者，你有可能会失去你投入所有的钱。我们的存在不是为了给你赚钱。我们是为了实现一个技术目标，这是最重要的。顺便说句，我们不知道金钱在「后 AGI」时代会变成怎样。 D’Angelo 最后说的，听起来有点像调侃，但却是一条实际存在的条款 —— 如果公司成功创造了 AGI，所有金融协议将需要重新讨论和考虑。是的， OpenAI 的确有在考虑 AGI 诞生后的世界。 2019 年，OpenAI 先是完成了三轮融资，获得了超过 10 亿美元的资金，但这在训练大模型的消耗面前显得杯水车薪。每一代 GPT 的迭代都对算力提出更高的要求。Altman 表示：看来，我们当时并不知道我们需要多么大的船。接下来的大家都知道了。微软和 OpenAI 达成了独家合作。微软先是投入 10 亿美元，主要以提供 Azure 云计算服务的方式完成；随后再进一步加深合作，如今已经投入了 130 亿美元。身处前沿可是一个非常昂贵的事情。微软 CTO Kevin Scott 说道。这投入显然很值得。有了 OpenAI 的微软，市值从 2022 年的 1.79 万亿涨至 2023 年 8 月的 2.48 万亿，股价一度创下历史新高。有了 GPT 加持的 Bing 更是让微软扬眉吐气，微软 CEO Satya Nadella 看着 Google 追赶的样子，在采访中直言：我想让人们知道，我们让（Google）他们着急起来了。（I want people to know we made them dance.） OpenAI 还是 OpenAI 吗？ GPT-5，无论 OpenAI 如何强调自己还没开始做，传闻和爆料似乎总在盯着它。也许这意味着我们都在期待如 GPT-4 横空出世时的惊艳再临，期待看到技术能如何跃进。现实是，好像不需要 GPT-5，OpenAI 也已经可以不断激起兴奋。 GPT-4 接入 Windows，ChatGPT 重新「联网」，ChatGPT 能看图了，ChatGPT 能听声音和说话了...... 每一次更新，都是轰动。这些活动，也引起人们对 OpenAI「初心」的质疑。一位 AI 领域高管评论说：如果你认真想，（OpenAI）他们其实在做五个业务。首先是产品本身、和微软的企业合作、开发者生态、还有个 app store。噢，对了，很明显还有个 AGI 研究任务。当然，他们还在做一个投资基金。他最后所指的，是一个 1.75 亿的项目，旨在支持利用 OpenAI 技术创业的公司。这些都有着不同的文化，事实上，它们和研究任务是存在冲突的。 Levy 在采访的过程中，多次向高管提问，成为一家「产品公司」后对 OpenAI 的文化会有多深远的改变。这些高管无一不肯定地坚持说，就算公司结构改了，就算要持续应对 Google、Meta 等对手的竞争，AGI 永远都是公司的核心。然而，Levy 也察觉到 OpenAI 发生了改变的地方。还记得我们开头聊起，OpenAI 里的员工都是明确的「AGI 信徒」吗？但当 OpenAI 发展到现在的阶段，公司中除了技术人员外，还增加了大量的支持团队，如律师、市场营销、政策专家、UI 设计师、产品经理等等，更不说无数没有面孔的内容审核员。 Levy 曾就 OpenAI 所面临的侵权案件采访 Tom Rubin，一位于今年 3 月加入 OpenAI 的版权律师。 Rubin 对于 OpenAI 在法律上遇到的挑战很乐观，但当 Rubin 被问到是否相信 AGI 终会被研发出来时，他变得有些犹豫。停顿片刻后，他说：我没法回答这个问题。后来，他澄清，作为一位知识产权律师，促进人工智能发展并不是他的工作，但他也「期待它的到来」。对于正在经历的曲折，Altman 表示：我想强调的是 —— 我们没有一个明确的计划。我们就像是每当走到拐角处，然后就拿电筒照照一样。我们愿意穿过这重重迷宫，最终到达终点。来源：金色财经

金色财经2023-10-06

解读Foresight Ventures投资的项目（六）

tures罗列了下面这些项目： 1. AGIX：以太坊生态，AI服务平台，使用以太坊创建支付和注册系统，新建IDO发射平台，全流通市值为3.84亿美元 2. FET：以太坊生态，与AI深度结合的公链，包括可编写AI模型的智能合约，全流通市值2.85亿美元 3. ALI：币安投资的AI生成化身项目，Mark Cuban投资，有上大所预期，全流通市值1.59亿美元 4. RNDR：去中心化渲染的GPU算力网络，可用于元宇宙和AI，全流通市值7.85亿美元 5. OCEAN：交易大数据协议，以及基于该协议制作的公共数据市场，全流通市值4.63亿美元他选择的这些项目在我看来，有下面这几个特点： 1、这些项目普遍全流通市值都不低之所以会这样，我想主要原因恐怕是因为AI是目前整个科技行业的热门赛道，所以但凡和AI沾边的项目都会备受关注。另外和区块链相结合又是很多人看好AI未来发展的一个原因。所以这些项目的代币现在也不算便宜。 2、项目涉及的细分赛道广 AI作为一项技术对人类社会的改变和影响一定是全方位的。投射到加密生态，它的影响力也一定是全方位的。所以加密生态的各个细分领域中，但凡可以被“塞进”AI的都免不了被“AI赋能”。因此，不少赛道都被定义为“人工智能”。但是，我还是持以前在多篇文章中分享过的那个观点：现在的AI还处于极早期的发展阶段。虽说AI 在ChatGPT的应用中大放异彩，但我仍然认为人工智能真正的爆款应用还没有出现。在这个时候我们所想象的AI“爆款”或者AI“应用”很有可能在未来会被证明是错误的或者是微不足道的。所以在这个时候所谓的结合区块链和AI的应用大概率在未来也会被证明是错误的或者是微不足道的。因此我认为这些项目中绝大部分将会成为这条前进路上的垫脚石和牺牲品。就以AGIX这个项目来说，它是当下这个赛道比较热门的项目，它涉及了AI应用的多个领域。按乐观的看法，就算这些领域中至少有一个未来会成功，要把这个项目做成这个领域的赋能平台那也是个极其浩大的工程，它也将是一个长期项目，需要经历市场和时间的残酷考验。在现阶段项目就被捧得这么高，恐怕未必是好事。 FET这个项目是个老项目，在我的印象中上线都有几年了。但项目这几年的发展似乎并没有表现出它有什么特色。它之所以现在再次大火估计更多的还是被GPT带火的，而不是项目本身取得了突破性的进展。 RNDR这个项目发展的方向是我期望的方向，但我一直在思考：现有的区块链架构是否真的是去中心化算力合适的架构？因为前面已经有一个正在苦苦摸索但却步步维艰的类似案例：Filecoin。 OCEAN这个项目我也观察过，但类似的竞品也不少，和竞品比起来，它的特色似乎也并不太突出。 ALI这个项目我就更加持保留态度了。所以总体而言，我对现阶段所谓的“AI + 区块链”持相当谨慎的态度。参考链接：《Foresight Ventures: 捕获百倍币之归零基金计划》： https://news.marsbit.co/20230927113254971974.html 来源：金色财经

金色财经2023-10-05

香港EDGE峰会回顾：Web3技术在金融反洗钱中的崭露头角

构的支持，以及Vertex Labs、AGI Society、Luna PR等的主办和合作。由Vertex Labs领衔主办的峰会将继续在全球范围内展开，致力于将投资、科技和时尚跨界融合，为金融领域的创新和合规工作贡献力量，确保全球金融系统的稳定和可持续发展。来源：金色财经

金色财经2023-09-28

Vertex Network在香港EDGE峰会上引领实时边缘渲染与AI革命引发VC关注

，由Vertex Labs（英国）、 AGI Society（美国）和Luna PR（迪拜）主办，HKBA （香港区块链协会）、SVIEF （硅谷高创会）、 CBAIA （英中人工智能协会）、 Blockbeats（律动）、 TokenInsight、Techub News和Oobit联合主办。囊括下一代际的Web3图景，生成式AI的原生盈利模式，以及Web3时代的合规等议程，峰会得到多个香港政府的大力支持，各国200 余位学者政要，投资家，企业家，艺术家出席了此次盛会。关于Vertex Network： Vertex Network是一家领先的去中心化实时边缘渲染与AI计算网络公司，致力于推动Web 3.0、元宇宙和人工智能计算的发展。通过创新的技术和解决方案，Vertex Network为用户提供卓越的服务体验，让他们能够在未来的数字世界中享受高效率、低成本和丰富的创作体验。Vertex Network的使命是改变未来的数字体验，开创新的可能性和机遇。来源：金色财经

金色财经2023-09-28

UBI 发展史：乌托邦和空想的结合场域

的方向，成为第一个通用人工智能模型（AGI），但是其 2022 年收入只有 2800 万美元，仍旧处于持续亏损中。而 Altman 的另一个想法就是 Worldcoin，既从线下铸造个人身份系统，被称为人格证明，随后上链，打造全民所享、共同分润的 UBI 经济系统，也由此，将 UBI 和区块链正式绑定在一起。但是要注意，Worldcoin 并无法完全确保采集用户的数据安全，其采取的分销商的模式，而非由公司直营的模式，虽然会确保 Worldcoin 硬件扫描而来的数据会被删除，但是这在本质上是「一种承诺」，而非一种技术上的可信。 2023 年，便发生过黑客窃取了负责注册新用户的世界币运营商的登录凭据，使黑客能够查看内部信息，更别说还有用户数据倒卖获利的情况，比如在 Worldcoin 主网上线之前，便有中间商在柬埔寨或非洲收购当地人的数据，随后卖给专业撸毛工作室的现象。但是无论如何，Worldcoin 的实践大规模普及了 UBI 概念的深入人心，至少在全球层面进行了一次用户普及，人们可以平等的参与到全球网络的价值流转中，在大航海后的人类时代中，这还是堪称第一次的壮举。回归到对人类价值普遍性的承认，这是 UBI 的最大价值取向。 UBI 的挑战和争议 UBI（全民基本收入）作为一种社会福利政策，具有一些潜在的益处。首先，UBI 可以提供经济安全感，减轻贫困和不平等问题。通过每个人都获得一定的基本收入，UBI 可以确保每个人都有足够的生活费用，从而减少社会上的贫困人口。此外，UBI 还可以缓解收入不平等问题，使社会更加公平。其次，UBI 可以促进创新和创业精神。由于每个人都有一定的经济保障，他们可以更加自由地追求自己的梦想和创业机会，而不必担心经济风险。这将激发人们的创新和创造力，推动社会的进步和发展。最后，UBI 还可以简化社会福利体系，降低行政成本。传统的福利体系往往繁琐复杂，需要大量的行政资源来管理和分配。而 UBI 将每个人都纳入到同一个体系中，简化了福利管理，减少了行政成本。但 UBI 作为一种全新的社会福利模式，尽管有着许多优势和潜力，但也面临着一些挑战和争议：财政可行性：UBI 的实施需要大量的财政支出，包括资金来源和分配的问题。一些人担心 UBI 会导致财政赤字和通货膨胀，因为需要从其他社会福利项目中转移资金来支持 UBI 。工作动机：UBI 的支持者认为，给予每个人基本收入可以提高社会公平和人们的生活质量。然而，一些人担心 UBI 会削弱人们的工作动机，导致更多人依赖福利而不愿意工作。不平等问题：UBI 的实施可能会导致财富和收入的不平等问题。一些人担心，UBI 会给予富人更多的收入，而对穷人的帮助相对较少。此外，UBI 可能无法解决其他社会问题，如教育和医疗资源的不平等。社会影响：UBI 的实施可能会对社会产生深远影响。一些人担心，UBI 会导致社会动荡和人们对工作的态度发生变化。此外，UBI 可能会对劳动力市场和经济结构产生不可预测的影响。行文至此，可以总结以下，UBI 的理念和实践均未真正得到广泛普及和认可，即使在发达国家，其实践也是建立在疫情的社会背景下，而一旦走出疫情，美联储又毅然决然打击通胀，以恢复真正的社会经济增长。但是区块链是和 UBI 天然契合的产物，尤其是从 DAO 的角度出发，全球化协作，分工种匹配，智能合约和投票系统管理，都可以在推广 UBI 方面起到重要作用，下面以 PermaDAO 为例，尝试思考未来的 UBI 模式应该如何运作。 UBI 的未来发展方向区块链技术将改变 UBI 的运作模式。随着 AI 、Web3 和 DID 等技术的不断进步，UBI 将从技术范式上完成重塑。区块链技术创新将改变 UBI 的数据采集和分析方式。传统 UBI 实践主要依靠中心化机构，如政府、企业或 NGO 等组织去具体分配任务，但是区块链技术，可以使用 DID 去验证人的身份，并通过将工作量记录在链上进行账目维护和共识，改变以往无法持续的痼疾。 AI 将首次将机器引入人的全方位生活场景。在 ALtman 的看法中，其中一个重要趋势在于 AI 的强大，足以满足全人类的物质需求，因此根本问题不在于创作更多的物质增量，而是以较为温和的方式分配财富，AI 便是如此，其基于算法而来，遵循完全的理性，而人类需要的是确保自己的工作量被 AI 承认。 Web3 将改变 UBI 的工作流程和服务模式。传统的 UBI 实践无法解决资金来源和流向的问题，也就是长期存在发达国家向发展中国家转移支付的现象，发展中国家的人群无法参与供给侧，而只能作为被动的接受捐赠者，一旦资金链断裂，则 UBI 模式会迅速破产，而 Web3 将把任何人群的工作量都同等对待，不再区分地域、性别和种族。区块链技术创新将对 UBI 的发展产生深远的影响。通过改变数据采集和分析方式、AI 彻底革新人和物质生产的关系，将真正赋予 UBI 可供实践中大规模采用的可能。结论 UBI 的发展和东方的天下大同，以及西方的乌托邦思想具备底层的一致性，而在其被纳入严肃的哲学讨论，进而发展成现实的经济学主张后，其思想的一部分被吸纳进福利体系而得到广泛承认。但是 UBI 本身的运作模式很难长期维持，主要是收入源的问题，也就是说 UBI 需要自身的造血能力，才能摆脱富人或者发达国家的施舍而独自运行。在疫情的影响下，欧美的量化宽松政策刺激出 OpenAI 这类 AGI，人类和机器的对比第一次出现了倒挂的可能性，如果 AI 可以完成人类的大多数工作，那么人类的价值又该向何处寻找呢？大多数人的回答可能是享乐主义，但也有可能，在一个物质生产高度发到的社会，劳动会成为人们的第一需求，当然，这还需要非常长期的发展才能达到。来源：金色财经

金色财经2023-09-28

24小时热点