FX168财经网_全球视野外汇黄金加密货币NFT资讯网

到了2030年 GPT会发展成什么样？

扩展性和细致程度都要超过人类。事实上，ChatGPT 已经被用来帮助生成漏洞。数学。Minerva 在一项竞赛数学基准测试 (MATH) 上已经达到了 50% 的准确率，这比大多数人类竞争对手都要好。进展速度很快（1 年内 >30%），并且通过自动形式化、减少算术错误、改进思维链与更好的数据，可以获得唾手可得的显著成果。Metaculus 预测到 2025年，AI 对 MATH 测试的准确率将达到 92%，并且到了 2028 年（中位数），人工智能将能赢得国际数学奥林匹克竞赛金牌，与全球最好的高中生不相上下。我个人预计， GPT 2030 在证明“良定义定理”方面会比大多数专业数学家都要好。信息处理。事实回忆和处理大型语料库是语言模型的记忆能力以及大型上下文窗口的自然结果。根据经验，GPT-4 在 MMLU （MMLU 是一项范围很广的标准化考试，包括律师考试、MCAT 以及大学数学、物理、生物化学和哲学）上达到了 86% 的准确率；即便考虑到可能会出现 train-test contamination（训练集和测试集的交叉污染），这大概也已经超出任何活人的知识范畴。关于大型语料库，Zhong 等人(2023) 曾用 GPT-3 开发过一个系统，后来这个系统在大型文本数据集里面发现了几个之前不知道的模式，并且描述了出来，后来 Bills 等人的相关工作(2023)又扩展了这种趋势，这表明模型将很快成具备超级智能。这两项工作都利用了大型语言模型的大型上下文窗口，现在这个规模已经超过 100000 token 并且还在增长。更一般而言，机器学习模型的技能情况跟人类不一样，因为人类与机器学习适应的是非常不同的数据源（人类通过进化，机器学习通过海量互联网数据）。当模型在视频识别等任务上达到人类水平时，它们很可能就能在许多其他任务（如数学、编程以及黑客攻击）中表现出超人水平。此外，由于模型变得更大数据变得更好，随着时间的推移可能会出现其他的强大功能，预期模型功能“维持”或低于人类水平没有充分的理由。虽然当前的深度学习方法有可能在某些领域达不到人类水平，但它们也有可能会超越人类，甚至显著超越人类水平也说不定，尤其是在人类在进化上不擅长的数学等领域。 2. 推理速度（感谢 Lev McKinney 为本节运行性能基准测试。）为了研究机器学习模型的速度，我们测量了机器学习模型生成文本的速度，以每分钟 380 个单词的人类思维速度为基准。使用 OpenAI 的chat completions API，我们估计 gpt-3.5-turbo 每分钟可以生成 1200 个单词 (words per minute，wpm)，而 gpt-4 是 370 wpm（截至 2023 年 4 月初）。规模较小的开源模型，如 pythia-12b ，用 A100 GPU 跑用开箱即用的工具，至少可达到 1350 wpm，通过进一步优化似乎可以再翻一番。因此，如果以截至 4 月份的 OpenAI 模型为参照，人工智能的速度要么大约是人类速度的 3 倍，要么等于人类速度。我预测模型在未来的推理速度会更快，因为在加速推理方面存在很大的商业与实践压力。事实上，根据 Fabien Roger 的跟踪数据，在这篇文章发表之前的一周，GPT-4 的速度已经增加到约 540wpm（12 个token/秒）；这表明存在持续的改进空间与意愿。我的预测中值是模型的 wpm 将是人类的 5 倍（范围：[0.5x, 20x]），因为这之后会出现边际收益递减的情况，尽管有一些考虑会指向更高或较低的数字。重要的是，机器学习模型的速度不是固定的。模型的串行推理速度可以以吞吐量减少 k 倍为代价将速度提高 k 平方倍（换句话说，一个模型 k 立方倍的并行副本可以替换为速度快 k 平方倍的一个模型）。这可以通过并行平铺法来实现，理论上甚至适用于比 k 平方还要大的情况，可能至少是 100 甚至更多。因此，通过把 k 设为 5 的话，可以将 5 倍于人类速度的模型加速到 125 倍于人类速度。重要提醒，速度与质量未必匹配：如第 1 节所述，GPT 2030 的技能组合跟人类不一样，机器在某些我们认为很容易的任务上会失败，而在某些我们感觉困难的任务却很精通。因此，我们不应把 GPT 2030 看作是“高速版人类”，而应将其看作是具有违反直觉的技能的，“高速版员工”。尽管如此，把加速因素纳入考虑仍然很有参考意义，尤其是当加速值很大时。如果语言模型获得了 125 倍的加速，假设其处于 GPT 2030 的技能范围内，需要我们一天时间的认知动作，GPT 就可以在几分钟内完成。以前面的黑客攻击为例，机器学习系统可以快速建立起对我们来说生成速度较慢的漏洞利用或攻击。 3. 吞吐量与并行副本模型可以根据可用的计算和内存情况任意复制。这样任何可以并行化的工作都可以快速完成。此外，一旦一个模型被微调到特别有效，改变就可以立即传播到其他实例。模型也可以针对专门的任务进行提炼，从而跑得更快、成本更低。一旦模型经过训练，可能就会有足够的资源来跑模型的多个副本。这是因为训练一个模型需要运跑它的很多个并行副本，而训练这个模型的组织在部署的时候仍将拥有这些资源。因此，我们可以通过估算训练成本来降低副本数量。举个例子说明一下这种逻辑，训练 GPT-3 的成本足以让它执行 9 x 10^11 次前向传播。换句话说，人类每分钟的思考量是 380 个单词，一个单词平均为 1.33 个 token，因此 9 x 10^11 次前向传播相当于以人类速度工作约 3400 年。因此，用人类的工作速度该组织可以跑 3400 个模型的并行副本一整年，或者以 5 倍于人类的速度跑相数量的副本 2.4 个月。我们接下来为未来的模型设计同样的“训练悬垂”（训练与推理成本的比率）。这个比率应该会更大：主要原因是训练悬垂与数据集大小大致成正比，而数据集会随着时间的推移而增加。随着自然产生的语言数据被我们用完，这种趋势将会放缓，但新的模式以及合成或自生成的数据仍将推动它向前发展。我预测 2030 年的模型可使用足够的资源进行训练，去执行相当于人类速度 1800000 年的工作[范围：400k-10M]。请注意，Cotra (2020) 与 Davidson (2023) 估计的数量相似，得出的数字比我得预测更大；我想主要区别在于我对自然语言数据耗尽所产生影响得建模方式不一样。上面的预测有些保守，因为如果组织购买额外的计算资源的话，模型可使用得资源可能会多于训练时所用资源。粗略估计表明，GPT-4 使用了全球计算资源的约 0.01% 进行训练，不过我预计未来的训练占用全球计算总量的份额会更大，因此在训练后进一步扩展的空间会更小。尽管如此，如果组织有充分理由去扩展资源的话，仍然可以将所运行的副本数量提高到另一个数量级。 4. 知识分享（感谢 Geoff Hinton 首先向我提出了这个观点。）模型的不同副本可以共享参数更新。比方说，ChatGPT 可以部署到数百万用户那里，从每次交互中学到一些东西，然后将梯度更新（gradient updates）传播到中央服务器，在做过平均处理后再应用到模型的所有副本上。通过这种方式，ChatGPT 在一个小时内观察到的人性比人类一辈子（100 万小时 = 114 年）看过的东西还要多。并行学习也许是模型最重要的优势之一，因为这意味着它们可以快速学习任何自己缺失的技能。并行学习的速率取决于一次跑多少个模型副本，它们获取数据的速度有多快，以及数据是否可以高效地并行利用。最后这一点，即使是极端的并行化也不会对学习效率造成太大影响，因为数百万的批量大小在实践中很常见，并且梯度噪声尺度（McCandlish 等人，2018 年）预测学习性能在某个“临界批量大小”以下劣化程度最小。因此，我们将聚焦在并行副本和数据采集上。我会提供两个估计，这两个估计都表明以人类的速度并行学习至少约 100 万份模型是可行的。也即是说，机器一天的学习量相当于人类学 2500 年，因为 100 万天 = 2500 年。第一个估计用到了第 3 节中的数字，得出的结论是训练模型的成本足以模拟模型 180 万年的工作（根据人类速度进行调整）。假设训练运行本身持续了不到 1.2 年（Sevilla 等人，2022 年），这意味着训练模型的组织有足够的 GPU 以人类速度运行 150 万个副本。第二个估计考虑了部署该模型的组织所占市场份额。比方说，如果一次有 100 万用户向模型发起查询，则组织必然有资源来服务 100 万个模型副本。大致而言，截至 2023 年 5 月，ChatGPT 拥有 1 亿用户（并非同时全部活跃），截至 2023 年 1 月，其每天有 1300 万活跃用户。我假设典型用户的请求量相当于模型几分钟的生成文本，因此 1 月份的数字可能意味着每天大概只有 5 万人日的文本。不过，未来的 ChatGPT 式的模型似乎很可能会达到其 20 倍之多，日活用户可以达到 2.5 亿更多，因此每天将会有 100 万人日的数据。相比之下，Facebook 的日活用户数是 20 亿。 5. 多模态、工具与执行器从历史上看，GPT 风格的模型主要是基于文本和代码进行训练，除了通过聊天对话之外，与外界互动的能力有限。然而，这种情况正在迅速改变，因为模型正在接受图像等其他模态的训练，正在接受使用工具的训练，并开始与物理执行器交互。此外，模型不会局限于文本、自然图像、视频和语音等以人类为中心的模态——它们也可能会接受网络流量、天文图像或其他海量数据源等人类不熟悉的模态的训练。工具。最近发布的模型开始利用了外部工具，如 ChatGPT 插件等。文本与工具使用相结合足以编写出可执行的代码，说服人类让机器替他们采取行动，进行 API 调用，交易，甚至执行网络攻击都有可能。工具的使用具备经济用途，因此会有进一步发展这种能力的强烈动机。 ChatGPT 是被动的：用户说 X，ChatGPT 回应 Y。风险存在但有限。很快就会有主动系统 - 一个助手会替你回复电子邮件，代表你采取行动等。这样风险会更高。 - Percy Liang (@percyliang) 2023 年 2 月 27 日新模态。现在有大型开源视觉语言模型，如 OpenFlamingo，在商业方面，GPT-4 和 Flamingo 都接受了视觉和文本数据的训练。研究人员还在试验更多奇异的模态对，例如蛋白质和语言（Guo 等人，2023 年）。我们应该期望大型预训练模型的模式会继续扩展，原因有二。首先，在经济上，将语言与不太熟悉的模态（如蛋白质）配对有它的用处，这样用户就可以从解释并有效地进行编辑中受益。预测会用蛋白质、生物医学数据、CAD 模型以及与主要经济部门相关的任何其他模态进行多模态训练。其次，我们将开始用完语言数据，因此模型开发人员得搜索新类型的数据，从而可以继续受益于规模。除了传统的文本和视频之外，现有数据源当中天文数据（很快将达到每天艾字节得规模）和基因组数据（大约 0.1 艾字节/天）是规模最大之一。这些以及其他得海量数据源可能会被用于训练 GPT 2030。使用外来模态意味着 GPT 2030 可能会具备非直觉的能力。它可能比我们更了解恒星和基因，即尽管它现在处理基本的物理任务都比较困难。这可能会带来惊喜，比方说设计出新的蛋白质，这是我们基于 GPT 2030 那种“一般”智能水平预料不到的。在思考 GPT 2030 的影响时，重要的是要思考由于这些奇异的数据源而可能形成的超人能力。执行器。模型也开始使用物理的执行器：ChatGPT 已经用于机器人控制，OpenAI 正在投资一家人形机器人公司。不过，在物理域收集数据要比在数字域收集数据昂贵得多，而且人类在进化上也更适应物理域（因此机器学习模型与我们竞争的门槛更高）。因此，与数字工具相比，我预计人工智能掌握物理执行器的速度会更慢，而且我不确定我们是否该在 2030 年之前做到这一点。量化而言，我认为在 2030 年实现自主组装一辆按比例复制的法拉利的概率是 40%。 6. GPT-2030 的影响接下来我们将分析像 GPT 2030 这样的系统对社会意味着什么。具备 GPT 2030 特征的系统至少会显著加速某些领域的研究，同时被滥用的规模也大得很。我会从分析 GPT 2030 的一些一般优势和局限性开始，然后用来作为分析加速和滥用的视角。优势。GPT 2030 代表的是一支庞大、适应性强、高产出的劳动力队伍。回忆一下吧，多个 GPT 2030 副本并行工作，按照 5 倍于人类的运行速度，可以完成 180 万年的工作。这意味着我们可以（受到并行性的限制）模拟 180 万个代理，每个代理在 2.4 个月内即可完成一年的工作。如上所述，对于 FLOP （浮点运算），我们可以开出 5 倍的费用，从而换取额外 25 倍的加速（这将达到人类速度的 125 倍），因此我们还可以模拟出 14000 个代理，这些代理每个都能在 3 天内完成一年的工作。限制。利用这种数字劳动力存在三个障碍：技能情况、实验成本以及自主性。首先，GPT 2030 将拥有与人类不同的技能组合，导致它在某些任务上表现更差（但在其他任务上表现更好）。其次，模拟人工仍然需要与物理世界对接，以便收集数据，这个本身需要时间和计算成本。最后，在自主性方面，如今的模型在被“卡住”之前只能通过思维链生成几千个 token，进入到没法生成高质量输出的状态。在将复杂任务委托给模型之前，我们需要显著提高其可靠性。我预计可靠性会提高，但并非没有限制：我（非常粗略）的猜测是 GPT 2030 可以稳定运行数天（与人类等效的时间），然后就得重新设置或交给外部反馈控制。如果模型以 5 倍的速度运行的话，这意味着它们每隔几个小时就需要人工监督的介入。因此，GPT 2030 影响最大的任务应该具备以下特性：利用了 GPT 2030 相对于人类具备优势的技能。只需要外部经验数据（收集应该很轻松快速，与昂贵的物理实验相反）的任务。可以先验分解为可靠执行的子任务，或者具有清晰且可自动化的反馈指标来帮助引导模型的任务。加速。有项任务这三条标准都很容易满足，那就是数学研究。首先，GPT 2030 可能具备超人的数学能力（第 1 节）。这第二条和第三条，数学可以纯粹通过思考和写作来完成，而且什么时候定理得到证明我们是知道。此外，全球的数学家总共也没多少（比方说美国就只有 3000 人左右），因此 GPT 2030 也许每隔几天模拟一次产出就能超过所有数学家的年产。机器学习研究的一些重要部分也符合上述标准。GPT 2030 在编程方面能力超人，其中包括实施和运行实验。鉴于 GPT-4 擅长以通俗易懂的方式解释复杂的主题（并且市场对此也有很大需求），我猜它也能很好地呈现和解释实验结果。因此，届时机器学习研究可能会简化成构思出好的实验来运行，并与高质量（但可能不可靠）的结果报告进行交互。因此，到 2030 年时，研究生拥有的资源堪比今天带领几名优秀学生的教授手上的资源。部分社会科学也可以得到显著加速。很多论文大部分的工作是对具备科学有趣性的数据源进行追查、分类和标记，并从中析取出重要模式。这满足了第 3 条要求，因为分类和标记可以分解为简单的子任务，并且也满足第 2 条要求，只要数据在互联网上能找到，或者可以通过在线调查收集到即可。滥用。加速只是一方面，另一方面也会存在严重的滥用风险。最直接的案例是表现出网络攻击性的黑客能力。检查特定目标是否存在特定类型的漏洞可能会得到可靠执行，并且很容易就能检查漏洞利用是否成功（前提是能够与代码交互），因此第 3 条要求是都可以满足的。在第 2 条要求上，GPT 2030 需要与目标系统交互去了解漏洞利用是否有效，这会带来一些成本，但不足以构成重大瓶颈。此外，该模型可以在本地设计好，以开源代码作为训练数据源，去测试漏洞利用，因此它可以提前练好黑客攻击技能，然后再与外部系统进行交互。也就是说，GPT 2030 可以针对大量并行目标快速执行复杂的网络攻击。滥用的第二个来源是操纵。如果 GPT 2030 同时与数百万用户进行交互的话，那么它在一个小时内获得的人机交互体验比人一生（100 万小时 = 114 年）获得的交互体验都要多。如果它利用这些交互来学习如何操纵，那么它就可以获得远超人类的操纵技能——打个比方，骗子擅长欺骗受害者，因为他们之前已经在数百人身上练习过，而 GPT 2030 可以将这项技能提高几个数量级。因此，它可能非常擅长在一对一对话中操纵用户，或者擅长撰写新闻文章来影响公众舆论。因此，总而言之，GPT 2030 可以将几乎所有的数学研究以及其他研究领域的重要组成部分自动化，并且可能成为网络攻击和说服/操纵等滥用行为的强大载体。其大部分影响将受到“监督瓶颈”的限制，因此如果人工智能可以长时间自主运行的话，那么它的影响可能会更大。来源：金色财经

金色财经2023-06-19

光模块、算力涨幅扩大！云计算高歌猛进ing，沪港深云计算指数大涨近2%，汇添富中证沪港深云计算（014543）净值创历史新高！

穷，国内国外共振明显。华金证券认为，ChatGPT依赖大模型、大数据、大算力支撑，其出现标志着通用人工智能的起点及强人工智能的拐点，基于大模型针对不同行业各类生成式AI迎来新纪元，未来算力将引领下一场数字革命，GPU芯片需求持续增长，有望带动先进封装市场空间扩张。中邮证券指出，长期来看，AI算力主线驱动因素仍然十分确定。一方面，生成式AI带来新的行业周期，数据中心内部互联的需求显著增加，同时也激发了对于高速率网络的需求，进一步推动了高速广互联技术向着高带宽、低时延、低功耗的发展。而作为光互联中的核心器件，800G光模块时代已经开始，还在向1.6T进行技术演进。另一方面，三大运营商为了解决AI、智算需求高速增长带来的算力基础设施新需求，联合发布液冷技术白皮书，技术发展路径中计划实现机柜与服务器之间的解耦，探索统一化的标准，十分利好数据中心相关设备厂商。（资料来源:《通信：行业整体表现强势，继续看好AI与数字经济算力基础设施》，中邮证券，2023/6/12）汇添富中证沪港深云计算（A：014543、C：014544）跟踪中证沪港深云计算产业指数（931470），同时覆盖A股、港股的云计算服务企业、为云计算提供硬件设备的企业等。6月16日，汇添富中证沪港深云计算A（014543）净值大涨超4%，再创历史新高！5月25日以来涨势凌厉，仅3日出现调整~ 风险提示：任何在本文出现的信息，包括但不限于个股、评论、预测、图表、指标、理论、任何形式的表述等均只作为参考，投资人须对任何自主决定的投资行为负责。另，本文中的任何观点、分析及预测不构成对阅读者任何形式的投资建议，本公司亦不对因使用本文内容所引发的直接或间接损失负任何责任。基金投资有风险，基金的过往业绩并不代表其未来表现，投资需谨慎。汇添富中证沪港深云计算产业指数发起式A属于中等风险等级（R3）适合经客户风险承受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。基金投资有风险，基金的过往业绩并不代表其未来表现，投资需谨慎。请投资者关注指数化投资的风险以及集中投资于中证沪港深云计算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。本条资讯来源界面有连云，内容与数据仅供参考，不构成投资建议。AI技术战略提供为有连云。

有连云2023-06-19

芯片板块活跃，长光华芯领涨6.03%，科创芯片ETF华安（588290）连续5个交易日资金净流入

图片来源：中证指数公司华金证券认为，ChatGPT依赖大模型、大数据、大算力支撑，其出现标志着通用人工智能的起点及强人工智能的拐点，基于大模型针对不同行业各类生成式AI迎来新纪元，未来算力将引领下一场数字革命，GPU芯片需求持续增长，有望带动先进封装市场空间扩张。本条资讯来源界面有连云，内容与数据仅供参考，不构成投资建议。AI技术战略提供为有连云。

有连云2023-06-19

电信ETF（563010.SH）开始募集，募集规模上限为30亿元

莞证券认为，乘数字经济发展浪潮而起，载ChatGPT等现象级应用带来更大的数通需求而行，今年板块整体获得市场较高的关注，板块内众多公司迎来发展机遇。细分来看，运营商数字化业务发展迅速并延续资本开支缓慢增长的态势，设备商在5G深覆盖阶段迎来新增长点，线缆迎来能源结构转型深入推进的政策利好，光通信器件需求随着数通建设而走强，通信+汽车领域内连接器、激光雷达等产品受益于汽车智能化趋势。本条资讯来源界面有连云，内容与数据仅供参考，不构成投资建议。AI技术战略提供为有连云。

有连云2023-06-19

金色早报 | whalechart：传美SEC主席很快将被替换

3年度国际会议，本次将重点讨论如何看待ChatGPT的迅速出现和采用、研究银行和加密货币失败影响、以及如何利用内审专业帮助企业应对变化的风险环境。年度国际会议是国际内部审计师协会最重要的年度全球内部审计活动，旨在帮助审计专业人员接受新技术并实施新技术，以应对不断变化的风险形势，今年会议主题反映了内部审计师被要求在组织中发挥越来越大的作用，并探索新的、以及正在出现的风险和机遇。金色百科 ▌RWA是什么 RWA的全称为现实世界资产的价值代币化（real world assets- tokenization），是将有形或无形资产中的所有权价值（以及任何相关权利）转换为数字代币的过程。这使得资产的数字所有权、转移和存储无需中央中介，价值映射到区块链上并交易。RWA可以是有形或无形资产。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2023-06-19

AI动力生成meme平台AiDoge即将在MEXC交易所上市　将带来$AI的100倍涨幅？

表现出色，因为对生成式人工智能技术（如ChatGPT）的兴趣飙升，大型科技公司推出新的人工智能产品。分析师们毫不意外地看到了AiDoge平台及其$AI代币的巨大潜力，因为它同时符合投资者追寻的AI和meme币的要求，同时引入了令人兴奋的Meme-to-Earn（M2E）的全新概念。与最近出现的Pepe和绝大多数meme币不同，$AI代币提供实际效用，并由一个合法、可信的项目支持，该项目拥有令人兴奋的路线图并利用尖端的人工智能技术。 AiDoge的AI动力meme生成/投票平台解析 AiDoge位于meme和人工智能世界的交汇处，正在建立一个革命性的新社交平台，允许用户使用AiDoge尖端的生成式人工智能技术生成meme。 AiDoge的平台“利用先进的AI技术根据用户提供的文本提示创建相关的meme”，该加密项目的白皮书中如此描述。 “用户提供meme生成的文本提示…人工智能处理输入，创建相关、引人入胜的meme，使meme创作对所有人都可轻易实现。” Meme创作者将其内容发布到公共牆上，然后社区可以对其喜爱的meme进行投票。该平台具有内置的机制，以促进最佳meme并以$AI代币奖励其创作者。因此，AiDoge为meme创作者提供了与其爱好相关的可行收入途径，同时支持AiDoge平台的区块链技术保护其内容的所有权。这一革命性的社交平台因此被称为“meme创造收益”（M2E），这是一个在更广泛的加密货币投资领域中受到热捧的创新概念。预计该平台将在2024年初全面运营，用户可以对meme进行投票并获得他们的第一笔$AI奖励。 $AI能否成为市值数十亿美元的加密货币？当$AI在0.0000336美元的价格上市交易时，基于其10亿的总代币供应量，将成为一个完全稀释的市值为3360万美元的加密货币。随着AiDoge在未来几个月内按照路线图的交付，吸引大量用户和参与度高的社区，并假设我们正处于新的加密货币牛市的早期阶段，100倍收益的潜力达到336亿美元的市值是有可能的。支持这一观点的证据来自Pepe。上个月，儘管没有实际应用，Pepe的市值曾短暂达到18亿美元。同时，缺乏实用价值的Dogecoin和Shiba Inu的市值分别约为100亿美元和50亿美元。因此，AiDoge在增长潜力方面的上限是无限的。

Business2Community2023-06-19

Waterdrip Capital：探索NFTFi租赁 NFT流动性新突破

3 玩家承担高门槛，类似于帮助开通 ChatGPT 账号。NFT 借贷正是第二种思路。它不仅让更多的非加密玩家进入游戏，也让持有资产不高的玩家甚至零元党进入游戏。 Web 2 游戏市场的租赁实际上，在 Web 2 游戏市场中也存在租赁，核心在于资源调配，即在“时间充裕但财富不足”和“时间不足但财富充裕”的群体之间实现时间和金钱的交换。在这里，租赁可以按目的分为两种：获取租金：而在 Web 3 中，不仅有租金，还有额外的打金。花钱获取游戏里的成就、体验：而在 Web 3 中，这种情况几乎不存在。然而，Web 3 的优势在于，通过区块链和智能合约搭建的算法确保了一个免信任（trustless）环境。而在大多数 Web 2 游戏中，租赁是非官方、场外的，同时存在大量的诈骗和不信任。尽管链上身份造假成本过低，人人都可以轻松创建匿名地址，但是在游戏场景下，游戏的数据成为了造假的隐形成本。在传统的“时间不足但财富充裕”的玩家中，他们要么只是支付金钱以获得更好的游戏体验，要么是赚取固定的钱（即入场费，没有持续的收入）。但是在 Web 3 中，租赁更像是一种投资。个人投资者可以通过借贷的方式更合理地投资他们的资产，从而源源不断地获得收益。 NFT 租赁的早期探索在早期，许多著名的 GameFi 项目都出现了场外 NFT 借贷的身影，例如 Axie Infinity 和 StepN。从中我们也可以看到 NFT 租赁在 GameFi 2.0 时代暴露了一些问题：带出成熟的打金产业链，破坏游戏经济系统平衡，从而加速游戏的死亡螺旋。但其实即使不开放租赁，也无法避免这个问题。此外，现在的 GameFi 游戏大多数玩家都以打金为主。租赁释放了过多的不确定不可控因素，容易导致游戏数值难以控制，加速崩盘。然而，租赁的优势也很明显。从 Axie 和 StepN 的玩家数量可以看出，租赁对双方都有好处：降低了用户门槛，打开了游戏市场，让更多不仅仅是想赚钱的玩家进入游戏，有利于游戏生态。因为租赁给他人能赚更多钱，所以提高了巨鲸大户投入资金的意愿。 NFT 租赁在 Web 3 游戏的应用现状根据来自 mymetadata.io 在 2022 年 6 月 12 日对 30 天内独立活跃用户日平均数最高的游戏排名的数据，我们可以发现现阶段的 Web 3 游戏拥有自己的 NFT 租赁市场/功能的游戏占比为 7% 。尚未实施 NFT 租赁，但已公开表达有兴趣或承诺在未来这样做的游戏占比为 18% 。尚未实施 NFT 租赁，也没有公开表达兴趣或做出承诺的游戏占比为 75% 。然而，尽管仅有 7% 的游戏拥有自己的 NFT 租赁市场/功能，租赁游戏在玩家群体中所占的份额却高达 20.4% ，呈现出不成比例的比例。 NFT 租赁在 Web 3 游戏中的特别形式游戏的特性也让 NFT 租赁在 Web 3 游戏方面诞生出新的组织形式，包括公会租赁和项目内置租赁系统。公会租赁最著名的例子是 YGG（Yield Guild Games），最初是因为为 Axie Infinity 玩家提供 Axie 租赁服务而闻名的。该模式以公会为主体大量购买游戏资产，然后出租给游戏用户，但同时也给游戏方带来了很大的压力。在游戏方看来，公会是增长的工具，但也带来了潜在的“达摩克利斯之剑”。因此，如果游戏方能以低成本的方式获取新客户并找到健康、合适的用户，他们大概率不会选择公会。然而，公会租赁的形式自然也可以由项目方自己开放租赁系统，更加高效、方便管理，并且可以直接绕过公会。从项目方自己的角度出发，他们可能无法避免租赁的发生，因此自己开放租赁系统可能是更好的选择。 3.2 NFT 租赁在 Metaverse 中的应用元宇宙中的虚拟土地租赁是 NFT 用例的主要部分，有助于将虚拟世界与物理世界联系起来。就像在实体房地产业务一样，Decentraland LAND 所有者可以将他们的虚拟土地出租给租户，租户可以使用它们来举办活动或将其开发成商场、办公室、娱乐中心等。Decentraland 与 Double Protocol 于 2022 年 7 月推出链上 NFT 租赁解决方案，该方案可与 LAND 协同使用。简而言之，Double 提供了一项基础设施，简化租赁流程的同时提供更加多样的租赁服务，让 LAND 的所有者和潜在租户受益。租赁解决方案简析通过利用 ERC-4907 ，Double NFT 租赁协议在两个主要智能合约上运行：“市场”合约和“doNFT 工厂”合约。 “doNFT Factory”智能合约向平台添加新的 NFT 合约，而“Market”智能合约处理所有 NFT 租用。双 NFT 租赁协议允许租赁任何基于 ERC 721 的 NFT。当租户为 NFT 支付租金时，他们将获得一个 doNFT。由 doNFT 工厂创建的 doNFT 合约铸造了 doNFT。 DoNFT 与 ERC-721 兼容，并具有包含开始和结束时间的持续时间列表。持续时间指定 doNFT 的所有者有权在商定的时间内使用某个 NFT。承租人在整个租赁期间拥有多种使用权，包括转租和开发虚拟土地。 doNFT 合约在租赁期结束时自动撤销借款人的使用权。在 Decentraland 上租赁的示例如下。时尚产业进军元宇宙元宇宙土地租赁业务将在时尚产业进军元宇宙的过程中大放异彩。由 Decentraland 举办的第二届元宇宙时装周（MVFW）在 2023 年 3 月正式启幕，Adidas、Dolce & Gabbana、Balmain、Coach 和 Tommy Hilfiger 等品牌悉数登场。尽管进入 23 年后，元宇宙的热度减弱，但不少品牌却反而增大在元宇宙方面的投入，试图在新的赛道，用新的产品和营销手段来获取增长（不论是用户还是利润）。他们收购了数字房地产，投资虚拟广告，举办可穿戴竞赛和时装秀。其中包括阿迪达斯、巴宝莉、迪奥、杜嘉加班纳、古驰、耐克等等。与此同时，越来越多的数字本土品牌如雨后春笋般涌现，比如 DressX，它销售虚拟可穿戴设备，从基本的汗衫到由数字金属制成的战士服装。这一点，加上 NFT 带来的创造者经济和数字所有权的范围，有可能使传统的精英产业民主化。但是由于元宇宙土地的昂贵价格，再加上 nft 市场（其实是整个加密市场）的持续低迷，并不是所有品牌都愿意花费高昂代价收购一块有可能迅速贬值的元宇宙土地。那么此时 nft 租赁业务便非常重要了。一方面，元宇宙土地租赁可以给非一线品牌进入元宇宙赛道的机会而不用承受太大风险。品牌方可以根据自己的需求和承受能力，选择租赁多少土地，租用的时间等。另一方面，玩家手中闲置的土地也能被调用起来，不少 nft 持有者受限于市场低迷环境，被迫持有，只能等待后续 nft 价格的再次升高。而租赁业务的出现则可以帮助这些“砸手里”的持有者坐拥创收资产，增添收入来源。 3.3 NFT 租赁在社区中的应用社区权益类 NFT 租赁最早出现于 2019 年，当时主要是在以太坊社区中进行尝试和探索。随着区块链技术和智能合约的不断发展，社区权益类 NFT 租赁的应用场景和商业模式也在不断扩展和深化。社区权益类 NFT 租赁是指将代表特定社区或组织权益的 NFT 出租给用户，让他们在租期内享有该社区或组织的相关权益。租赁期限、租金和使用规则等都可以在智能合约中进行编码，保证租赁过程的透明性和安全性。其功能主要是让非社区成员在一定期限内获得社区成员的相关权益，例如投票权、社区资源使用权限等。权益类 NFT 租赁具有广泛的应用场景，可以为各种类型的社区提供新的资金来源和奖励机制，同时也可以为租赁者提供更灵活、更安全的使用权，帮助他们获得更好的体验和收益。商业模式社区是社区权益类 NFT 租赁的基础。社区可以是一个虚拟社区，也可以是一个实体社区。租赁者是社区权益类 NFT 租赁的核心参与者。租赁者可以通过租赁平台租用社区 NFT 代币，在一定时间内享有社区特定权益的使用权。在租赁期间，租赁者可以在社区中以 NFT 持有者的身份参与社区活动，或获得相应的社区奖励。租赁者的租金将支付给租赁平台，一部分租金将作为租赁平台的收益，一部分租金将作为社区奖励分配给社区的贡献者或持有者。另外，租赁平台是社区权益类 NFT 租赁的中介平台。租赁平台为社区提供 NFT 租赁服务，并从租金中收取一定比例的手续费作为自己的收益。租赁平台还可以通过 NFT 租赁活动来推广自己的品牌和服务。社区权益类 NFT 租赁的商业模式主要包括以下几个方面： 1.平台收费：出租平台向租赁者收取一定的手续费或租金。 2.社区收益：出租平台与该社区进行合作，平台收取一定比例的租金作为自己的收益，剩余的租金则分配给该社区的贡献者或持有者。 3.品牌推广：出租平台通过 NFT 租赁活动，为自己的品牌推广带来曝光和关注。四、NFT 租赁的优势与挑战 4.1 NFT 租赁的优势总结以上三个场景的优势，得到 NFT 租赁的优势如下：降低门槛：NFT 租赁可以降低门槛和成本，让更多的用户进入，无论是游戏、元宇宙还是社区，都有利于生态，鼓励更多的用户参与，增强互动性和社区凝聚力。提高资产流动性：NFT 租赁可以提高资产的流动性。使得人们更容易买卖、租赁和投资虚拟资产。提供资金支持：NFT 租赁可以增加资金的流入，为项目生态的可持续发展提供资金支持，促进其发展和成长。创建新的经济模型：NFT 租赁创造了全新的经济模型。它可以促进资产的有效利用和交易，为所有者、租赁方和开发者创造价值，并为他们提供新的收入来源。 4.2 NFT 租赁面临的挑战和风险总结以上三个场景，NFT 租赁面临的挑战和风险如下：市场泡沫风险：NFT 市场价格的过度炒作可能导致不稳定性和投资风险。法律监管风险：虚拟资产的所有权和租赁权益可能涉及复杂的法律和监管问题，合规性和法律保护方面的风险需要被认真考虑。技术安全风险：使用 NFT 租赁进行交易可能涉及到技术障碍、智能合约漏洞和网络安全风险。市场需求和接受度风险：成功实施 NFT 租赁还需要市场的需求和广泛的接受度。租赁价格不确定性：租赁价格受市场供需和其他因素的影响，价格波动较大，难以保证租赁价格的稳定性和公正性。缺乏规范：NFT 租赁市场缺乏统一的规范和标准，租赁过程中可能存在不确定因素和不可预测的风险。五、NFT 租赁的未来发展总结以上三个场景，我们认为 NFT 租赁的未来发展会呈现以下三个趋势未来，NFT 租赁将会在智能合约和区块链技术的支持下，实现更高程度的自动化和自治性。除了技术规范外，市场规范和标准将会被指定，打造更加流畅、低门槛的用户体验，同时确保各方的权益得到保护。未来的 NFT 租赁模式将会更加灵活化、智能化和多样化，可以根据参与者的需求进行个性化设置，以满足不同的使用场景和商业模式。未来随着 NFT 的发展，NFT 的应用场景将会越来越多，包括社交、元宇宙、游戏等领域。随着更多的权益、更多的场景出现，NFT 租赁也会受益于这些新的应用场景，拥有更多的玩法和赋能。同时，全球化的趋势也将为 NFT 带来更多的机会，促进 NFT 租赁的全球化发展，吸引更多的参与者和用户。在这样的背景下，NFT 租赁将会不断创新和发展，成为未来 Web 3 生态中不可或缺的一环。 NFT 租赁作为一个降低门槛的方式，可以为更多的用户带来参与 Web 3 生态的机会，反向赋能 NFT 和 Web 3 ，促进 Web 3 的发展和 Mass Adoption。NFT 租赁的存在可以让更多用户拥有 NFT，进而推动 NFT 的应用场景的拓展，助力 NFT 生态的繁荣和发展。同时，NFT 租赁也可以为更多的 Web 3 场景提供赋能，通过降低门槛和提供更多的使用场景，为 Web 3 生态中的不同应用场景带来更多的可能性和机会，促进 Web 3 生态的多样性和发展。六、总结本文首先详细介绍了 NFTFi 租赁的基本概念，同时指出 NFT 租赁与传统租赁的不同之处在于，人们可以租赁数字艺术品、游戏道具、虚拟地产或其他类型的 NFT。其次，本文从技术角度出发，解析了目前应用较为广泛的 ERC-4907 协议以及 ERC-5006 协议，并对这两个协议的功能接口进行了简要介绍。由于 NFT 租赁的快速发展，它的应用领域也越来越丰富。Web 3 游戏、元宇宙以及社区权益类 NFT 都是 NFT 租赁的典型应用场景，本文对这三个领域中 NFT 租赁的业务逻辑和代表项目进行了详细的讲解。最后，文章总结了 NFT 租赁的优势、面临的挑战与风险，并展望了它未来发展的方向。来源：金色财经

金色财经2023-06-18

本周食品饮料、通信行业大涨逾7%，光通信模块、CPO概念、机器人概念爆发

一体化压铸概念均涨超12％，激光雷达、ChatGPT概念、国资云等板块涨超10％；超超临界发电板块跌超4％，页岩气、绿色电力、天然气等跌超2％，中特估、新型城镇化等板块跌幅居前。　　本周后期，机器人概念强势爆发。消息面上，上海市人民政府办公厅印发《上海市推动制造业高质量发展三年行动计划（2023-2025年）》。近期各大城市机器人相关政策频出，料将加速机器人产业发展，同时，特斯拉人形机器人进展迅速，券商称特斯拉人形机器人引进国产供应链有望进一步降低核心零部件的价格。中信证券建议关注机器人领域相关零部件公司：1）减速器；2）电机；3）直线传动；4）传感器；5）伺服系统；6）轴承；7）关节总成；8）智能化。　　本周CPO、光通信继续爆发，相关个股新高不断。传统的计算机芯片已经难以满足大规模数据处理和深度学习算法的需求，因此需要使用更加高效的计算平台和芯片设计，CPO技术可以将光学器件直接封装在芯片内部，实现高密度光电集成和高效能耗比。与此同时，随着模型训练和推理的算力需求不断增长，与高性能的服务器与网络交换机配套的高速光模块需求也同步攀升，分析称，800G光模块的出货量将更长期处于高位水平。　　汽车产业复苏有助于支撑经济稳增长。近期汽车下乡的消息不断，刺激政策接连发力，新能源汽车产业链本周快速回暖，汽车零部件、汽车后市场、充电桩等板块均迎来了较为显著的上涨行情。分析指出，产业链普遍排产下滑、持续降价的至暗时刻已经过去，量价、经营均进入稳定趋好阶段。

金融界2023-06-18

ChatGPT“真香”？！调查发现：美国高达92%程序员在工作中使用AI

他们提供了“工作优势”。结果表明，像ChatGPT甚至GitHub自己的AI编程助手Copilot这样的工具已经迅速成为开发人员日常生活中不可或缺的一部分，而且由于编码人员往往精通技术，这可能是一个有趣的迹象。受访者还表示，他们相信这些人工智能工具将提高他们代码的质量。尽管学术界发现ChatGPT生成的代码存在严重缺陷，正如The Register报道的那样，有些甚至不符合安全标准。调查发现：“开发人员表示，人工智能编码工具可以帮助他们满足现有的性能标准，提高代码质量、加快输出速度并减少生产级事件。” GitHub的首席产品官Inbal Shani认为，AI技术确实取得了相当大的进步，现在它让开发人员更有效率，并缩短了生产时间。不仅仅是GitHub发现程序员涌向ChatGPT等人工智能工具。正如Gizmodo指出的那样，已成为编码人员重要资源的流行论坛Stack Overflow表示，最近流量下降可能是由于开发人员转向了这些相同的工具。但是有一些原因我们应该对GitHub的结果持保留态度。该公司依靠其Copilot编程工具在生成AI上取得成功，这意味着该公司对其成功和广泛使用有着既得利益，而这还没有考虑到其母公司微软与OpenAI的深度纠缠。开发人员的职业生涯最终是否会被生成式AI削弱（或增强）还有待观察。毕竟，我们已经看到工作被人工智能取代，程序员可能也无法幸免。

Elva2023-06-18

华为轮值董事长胡厚崑：到2030年人工智能算力将增加500倍，如何降低设施能耗是绿色低碳发展需要面对的挑战

年APEC工商领导人中国论坛上表示，以ChatGPT为代表的新的人工智能时代已到来，所有的个人、工业应用都将被这种新的人工智能所改写。　　胡厚崑指出，由于计算无所不及，以及算力需求的成倍增长，如到2030年，通用算力将增加10倍，人工智能算力将增加500倍，我们将建设大量的数据中心、人工智能计算中心等ICT基础设施，如何降低这些设施的能耗，也是绿色低碳发展需要面对的挑战。

金融界2023-06-17

24小时热点