FX168财经网_全球视野外汇黄金加密货币NFT资讯网

重磅前瞻！本周美股两大爆点：美联储与联邦快递业绩华尔街热情能持续多久？

eta、特斯拉(Tesla)和英伟达(Nvidia)等科技股“七巨头”在扭转市场的过程中发挥了很大的作用。从根本上看，在这场席卷商业世界的人工智能“革命”中，现有的科技巨头将成为赢家。不过，本月早些时候，高盛策略师就人工智能对股市的影响提出了更为大胆的观点，他们表示，由于企业可能从人工智能中实现效率，10年后标准普尔500指数成品股的整体收益可能会比目前的预期高出11%。但如果长期来看，盈利推动股价，经济增长推动盈利，那么许多人仍对今年上半年之后的前景持谨慎态度。 “我们仍然认为，温和的经济衰退可能会在2023年下半年为股市降温，”凯投宏观的Higgins周五写道。 “让我们从一开始就明确一点：当经济下滑时，股市几乎总是表现不佳，”Higgins补充称，“自1855年以来，美国经历了34次衰退，其中绝大多数都出现了股市下跌。它通常在衰退开始前达到顶峰，并在衰退结束前不久触底。” 股票价格反映了对未来收益的预期。可以肯定的是，目前的市场反弹已经反映在了这场备受关注的衰退和随后的反弹中。又或者，市场只是押注“所有人”都认为即将到来的衰退永远不会到来。

超启2023-06-19

经济数据连传好消息！美元“祸不单行” 美股涨势如虹连创“8大里程牌”

价上升超过2%。人工智能的宠儿英伟达(Nvidia)股价本周上升11%，今年以来的涨幅高达196%。微软(Microsoft)本周上升逾6%，周四创下历史新高。当美联储开始加息时，科技股最初受到的打击最大。 Oanda高级市场分析师Ed Moya表示:“华尔街仍然乐观地认为，人工智能(AI)浪潮不会很快消失，随着全球央行政策的分化，投资者将更青睐美国股市。”“这次股市反弹似乎有点过度，但仍有太多资金离场，这意味着如果人工智能交易保持不变，标准普尔500指数的连涨势头可以持续下去……” 鉴于部分指数的季度再平衡以及部分期权到期，周五市场可能较为震荡。这种所谓的“四巫”可能导致市场波动和交易量激增。不过，根据《股票交易员年鉴》(Stock Trader's Almanac)的数据，在牛市期间，股指往往在四巫日走高，在熊市时则往往会走低。这至少对标普500指数和纳斯达克综合指数来说是个好兆头，这两大指数迄今几周表现强劲。周五也是长周末前的最后一个交易日，下周一为庆祝六月节休市。

夏洛特2023-06-17

会员

多维度解析DePIN如何助力人工智能？

Microsoft 的 OpenAI、Nvidia、Google 甚至 Meta 这样的传统科技巨头。发生了什么？为什么这一次巨头赢过了初创？初创企业可以写出优秀代码，但与科技巨头相比，它们面临多种阻碍：计算成本居高不下 AI 发展存在反向凸角：由于缺少必要的方针，围绕 AI 社会影响的担忧和不确定性阻碍了创新 AI 黑盒问题大型科技公司建立的“数据护城河”形成进入壁垒那么，为什么需要区块链技术出场？它与人工智能的交集在哪？虽然不能一次性解决所有问题，但Web3中的分布式物理基础设施网络（DePIN）为解决上述问题创造了条件。下文将阐述 DePIN 背后的技术如何助力人工智能，主要从四个维度：降低基础设施成本验证创作者和人格填补AI 民主和透明度设置数据贡献奖励机制下文中： “web3”指下一代互联网，区块链技术与其他现有技术是其有机组成。 “区块链”指去中心化和分布式账本技术。 “加密”指利用代币机制进行激励和去中心化的做法。一、降低基础设施成本（计算和存储）每一波技术创新的引子都是某种昂贵的东西变得廉价到可以浪费。 ——社会的技术债务和软件的古腾堡时刻，来自 SK Ventures 基础设施的可负担性有多重要（人工智能的基础设施指计算、传输和存储数据的硬件成本），Carlota Perez 的技术革命理论有指明，该理论提出技术突破包含两个阶段：来源：Carlota Perez 的技术革命理论安装阶段以大量风险投资、基础设施建设和“推动式”市场推广（GTM）策略为特征，因为客户不了解新技术的价值主张。部署阶段以基础设施供应的大量增加为特征，降低拉新门槛，并采用“拉动式”市场推广（GTM）策略，表明产品市场匹配度高，客户期待更多尚未成型的产品。既然 ChatGPT 等尝试已证明市场契合度和客户需求，人们可能觉得 AI 已经进入部署阶段。然而，AI 还缺少重要一环：过剩的基础设施供价格敏感的初创企业进行搭建和尝试。问题当前物理基础设施领域主要由垂直一体化寡头垄断，包括 AWS、GCP、Azure、Nvidia、Cloudflare、Akamai 等，行业利润率高，据估计AWS 在商品化计算硬件上的毛利率为 61% 。所以 AI 领域、尤其是 LLM 领域的新进入者要面对及其高昂的计算成本。 ChatGPT 一次训练的成本估计在 4 百万美元，硬件推理运营成本约 70 万美元/天。 Bloom 第二版可能需要花费 1000 万美元进行训练和重新训练。如果 ChatGPT 进入 Google 搜索，谷歌营收将减少 360 亿美元，巨额利润将从软件平台（Google）向硬件提供商（Nvidia）转移。来源：层层分析— LLM 搜索架构与成本解决方案 DePIN 网络如 Filecoin（起源于 2014 年的 DePIN 先驱，专注集合互联网级硬件，服务于分布式数据存储）、Bacalhau、Gensyn.ai、Render Network、ExaBits（用于匹配 CPU/GPU 供需的协调层）可以通过以下三个方面节约 75% 至 90% +的基础设施成本： 1. 推动供应曲线，激发市场竞争 DePIN 为硬件供应商成为服务提供商提供了平等机会。它创建了一个人人可以作为“矿工”加入，用 CPU/GPU 或存储能力可换取经济报酬的市场，从而给现有提供商带来竞争。虽然像 AWS 这样的公司无疑在用户界面、运营和垂直整合方面享有 17 年的先发优势，但是DePIN 吸引了无法接受中心化供应商客定价的新户群。就像 Ebay 不直接与 Bloomingdale 竞争，而是提供更经济的替代品来满足类似需求，分布式存储网络并不取代中心化供应商，而是旨在服务于价格敏感的用户群体。 2.通过加密经济设计促进市场经济平衡 DePIN 创建的补贴机制能引导硬件供应者参与网络，从而降低最终用户的成本。究其原理，我们可以看看 AWS 和 Filecoin 在Web2和Web3中存储提供者的成本和收入。客户获得降价：DePIN 网络营造了竞争性市场，引入Bertrand 式竞争，从而降低客户支付费用。相比之下，AWS EC 2 需要约 55% 的利润率和 31% 的总体利润率来维持运营。DePIN 网络提供的Token 激励/区块奖励也是新的收入来源。在 Filecoin 的背景下，存储提供者托管越多真实数据越能获得区块奖励（代币）。因此，存储提供者有动力吸引更多客户达成交易增加收入。几个新兴计算 DePIN 网络的代币结构仍未公开，但很可能遵循类似模式。类似网络包括： Bacalhau：将计算引入数据存储位置的协调层，避免移动大量数据。 exaBITS：服务于 AI 和计算密集型应用程序的分布式计算网络。 Gensyn.ai：深度学习模型计算协议。 3. 降低间接成本：Bacalhau、exaBITS 等 DePIN 网络以及 IPFS/内容寻址存储的优势包括：释放潜在数据的可用性：由于传输大型数据集的带宽成本高，目前大量数据未被开发，比如体育场馆产生的大量事件数据。DePIN 项目可以现场处理数据并仅传输有意义的输出，发掘潜在数据的可用性。降低运营成本：通过本地获取数据来降低数据输入、传输和导入/导出成本。最小化敏感数据共享中的人工作业：如果医院 A 和 B 需要将各自患者的敏感数据进行组合分析，它们可以使用 Bacalhau 协调 GPU 算力，直接在本地处理敏感数据，而不必通过繁琐的行政流程与对方进行个人身份信息（PII）交换。无需重计算基础数据集：IPFS/内容寻址存储自带去重、溯源和验证数据的能力。有关 IPFS 的功能和性价比可参考这篇文章。 AI 生成摘要：AI 需要 DePIN 提供的经济实惠的基础设施，目前基础设施市场由垂直一体化的寡头垄断。像 Filecoin、Bacalhau、Render Network、ExaBits 这样的 DePIN 网络使成为硬件供应商的机会民主化，引入竞争，通过加密经济设计维护市场经济平衡，让成本降低 75% -90% 以上，并降低了间接成本。二、验证创作者和人格问题一份近期调研显示，50% 的 AI 学者认为 AI 给人类带来毁灭性伤害的可能性超过 10% 。人们需要警醒，A.I.已经引发社会混乱，而且仍缺乏监管或技术规范，这种情况被称为“反向凸角”。比如，在这段 Twitter 视频中，播客主持人 Joe Rogan 与保守评论员 Ben Shapiro 在就电影《料理鼠王》进行着辩论，然而这段视频是 AI 生成的。来源：Bloomberg 值得注意的是，A.I.的社会影响力远不止虚假博客、对话和图像带来的问题： 2024 年美国大选期间，AI 生成的 deepfake 竞选内容首次达到了以假乱真的效果。参议员 Elizabeth Warren 的一段视频经过编辑，让她“说”出了"共和党人不应该被允许投票"这样的话（已辟谣）。语音合成的拜登的声音批评跨性别女性。一群艺术家对 Midjourney 和 Stability AI 提起了集体诉讼，指控其未经授权使用艺术家的作品来训练 AI，侵犯版权并威胁艺术家生计。 AI 生成的由 The Weeknd 和 Drake 合唱的歌曲“Heart on My Sleeve”在流媒体平台上走红，但随后被下架。当新技术在没有规范的情况下进入主流，就会造成诸多问题，版权侵犯就属于“反向凸角”问题。那么我们能否在Web3中加入 AI 的相关规范？解决方案利用加密链上来源证明进行人格证明和创作者证明让区块链技术真正发挥作用——作为一个包含不可篡改链上历史记录的分布式账本，数字内容的真实性可以通过内容加密证明得到验证。数字签名作为创作者证明和人格证明要识别 deepfake，可用原始内容创作者独有的数字签名生成加密证明，签名可以使用只有创作者知晓的私钥创建，并可由对所有人公开的公钥进行验证。有了签名就可以证明内容是由原始创作者创建，不论创建者是人类还是 AI，还可以验证授权或未授权的对内容的更改。利用 IPFS 和默克尔树进行真实性证明 IPFS 是使用内容寻址和默克尔树引用大型数据集的分布式协议。为了证明文件内容收到、更改，会生成一个默克尔证明，即一串哈希，显示特定的数据块在默克尔树中的位置。每次更改，都会在默克尔树中增加一个哈希，提供了文件修改的证明。加密方案的痛点是激励机制，毕竟，识别出 deepfake 制造者虽然能减少负面社会影响，但不会带来同等的经济利益。这份责任很可能落在 Twitter、Meta、Google 等主流媒体分发平台上，事实也的确如此。那么我们为什么需要区块链？答案是区块链的加密签名和真实性证明更加有效、可验证和确定。目前，检测 deepfake 的过程主要通过机器学习算法（如 Meta 的“Deepfake Detection Challenge”、Google 的“Asymmetric Numeral Systems” (ANS)和 c 2 pa：https://c 2 pa.org/）来识别视觉内容中的规律和异常，但时常不够准确，落后于 deepfake 发展速度。一般需要人工审核来确定真实性，低效且昂贵。如果有一天每条内容都有加密签名，每个人都能可验证地证明创作来源，标记篡改或伪造行为，那我们将迎来美丽的世界。 AI 生成摘要：AI 可能对社会构成重大威胁，尤其是 deepfake 和未授权使用内容，而Web3技术，如使用数字签名的创作者证明和使用 IPFS 和默克尔树的真实性证明，可以验证数字内容的真实性，防止未经授权的更改，为 AI 提供规范。三、AI 民主化问题今天的 AI 是由专有数据和专有算法构成的黑盒。大型科技公司 LLM 的封闭性扼杀了我眼中的“AI 民主”，即每个开发者甚至用户都能为 LLM 模型贡献算法和数据，并在模型盈利时获得部分利润（相关文章）。 AI 民主=可视性（能看到输入模型的数据和算法）+贡献（能向模型贡献数据或算法）。解决方案 AI 民主的目的是让生成式 AI 模型对公众开放、与公众相关、为公众所有。下表对比了 AI 现状与通过Web3区块链技术能实现的未来。目前—— 对于客户：单向接收 LLM 输出无法控制个人数据如何被使用对于开发者：可组合性低 ETL 数据处理不可追溯，难复现数据贡献来源仅限于数据所有机构闭源模型只能通过 API 付费访问分享数据输出缺乏可验证性，数据科学家 80% 的时间用于低端数据清洗结合区块链后—— 对于客户：用户可提供反馈（比如偏见、内容审核、针对输出的颗粒度反馈）作为微调依据用户可选择贡献数据换取模型盈利后的利润对于开发者：分布式数据管理层：众包重复耗时的数据标记等数据准备工作可视性&组合&微调算法的能力，借助可验证源（可以看到所有改动的防篡改历史记录）数据主权（通过内容寻址/IPFS 实现）和算法主权（例如 Urbit 实现了数据和算法的点对点组合和可移植性）加速 LLM 创新，从基础开源模型的各种变体中加速 LLM 创新。可复现训练数据输出，通过区块链对过去 ETL 操作和查询的不可变记录（如 Kamu）实现。有人说Web2的开源平台也提供了一种折中方案，但其效果并不理想，相关讨论可见 exaBITS 的博文。 AI 生成摘要：大型科技公司封闭的 LLM 扼杀了“AI 民主”，即每个开发者或用户都能够为一个 LLM 模型贡献算法和数据，并在模型盈利时获得部分利润。AI 应该对公众开放，与公众相关，为公众所有。借助区块链网络，用户能够提供反馈，为模型贡献数据换取变现后的利润，开发者也能获得可视性和可验证源，从而组合和微调算法。内容寻址/IPFS 和 Urbit 等Web3创新将实现数据和算法主权。通过区块链对过去 ETL 操作和查询的不可变记录，训练数据输出的可复现性也将成为可能。四、设置数据贡献奖励机制问题今天，最有价值的消费者数据为大型科技公司的专有资产，构成其核心商业壁垒。科技巨头没有动力将这些数据与外部方共享。那么，为什么我们不能直接从数据创造者或用户那里获取数据呢？为什么我们不能把数据变成公共资源，贡献数据将数据开源化供数据科学家使用？简单来说是因为缺乏激励机制和协调机制。维护数据和执行 ETL（提取、转换和加载）是一大笔间接成本。事实上，仅数据存储就将在 2030 年成为价值 7770 亿美元的行业，这还不包括计算成本。没有人会无偿承担数据处理的工作和成本。不妨看看 OpenAI，最初设定是开源非盈利，但变现困难无法覆盖成本。2019 年，OpenAI 不得不接受微软注资，算法不再对公众的开放。预计到 2024 年，OpenAI 盈利将达 10 亿美元。解决方案 Web3引入了名为“dataDAO”的新机制，促进了 AI 模型所有者和数据贡献者之间的收入再分配，为众包数据贡献创建了激励层。由于篇幅限制，此处不会展开，想要了解可阅读下方两篇文章： How DataDAO works/DataDAO 原理，作者是 Protocol Labs 的 HQ Han How data contribution and monetization works in web3/web3数据贡献和变现如何运作，我在这篇深入讨论了 dataDAO 的机制、欠缺和机遇总的来说，DePIN 另辟蹊径，为推动Web3和 AI 创新提供了新的硬件能源。尽管科技巨头主导了 AI 行业，但新兴参与者可以利用区块链技术加入竞争：DePIN 网络降低准入门槛的方式包括降低计算成本；区块链的可验证和分布式特性使真正的开放式 AI 成为可能；dataDAO 等创新机制激励数据贡献；区块链的不可变性和防篡改特性提供了创造者身份证明，打消人们对 AI 负面社会影响的担忧。来源：金色财经

金色财经2023-06-16

6月15日大公司动向追踪：西门子投资1.4亿欧元扩建中国工厂，阿里云15款支持中文的开源大模型在魔搭社区上线

仅需4秒。同时，该车标配激光雷达和4颗NVIDIA Orin X芯片，算力共达1016 TOPS。蔚来方面表示，该车面向小家庭用户，将与特斯拉Model Y展开竞争，并将与ET5一起完善蔚来在30万元主流价格带的布局。　　宁德时代、隆基绿能等11股获特大单资金净流入超2亿元　　统计显示，沪深两市全天特大单净流出68.54亿元。个股来看，11股特大单净流入超2亿元。其中，宁德时代特大单净流入12.24亿元，特大单净流入资金居首；净流入资金居前的还有隆基绿能、贵州茅台、中国出版、比亚迪、赛力斯、天齐锂业，净流入金额分别为7.59亿元、5.48亿元、4.56亿元、4.4亿元、3.66亿元、3.43亿元。　　TCL中环：子公司Maxeon对通威太阳能及其子公司提起专利侵权诉讼　　TCL中环公告，公司收到参股上市子公司Maxeon通知，因通威太阳能（合肥）有限公司及其子公司在未经许可的情况下使用了Maxeon 在欧洲专利号为No.EP3522045 B1（“叠瓦式太阳能电池组件”）的专利。Maxeon的子公司已经采取法律途径维护自身知识产权，并在德国杜塞尔多夫地方法院对通威太阳能（合肥）有限公司及其子公司提起了专利侵权诉讼，主张权利。　　昆仑万维收关注函：要求说明打造全球领先的AGI平台的可行性　　昆仑万维收深交所关注函，要求说明打造全球领先的AGI平台的可行性，进一步说明本次决策是否审慎合理，是否有利于提升公司经营质量，是否存在迎合热点炒作股价的情形；要求说明收购Singularity AI全部股权对公司经营业绩、运营模式等方面的影响，并详细说明本次交易定价是否公允，及定价的合理性，是否存在损害中小股东利益的情形。　　长光华芯：公司开发的新产品（56G PAM4 EML光通信芯片）目前处于验证阶段　　长光华芯发布股价异动公告，近期算力需求增长，而带来的400G、800G高速光模块需求等市场热点的较高关注度。在光通信领域中，公司开发的新产品（56G PAM4 EML光通信芯片）目前处于验证阶段，上述产品对本年度的销售额及利润贡献量存在不确定性。产品研发进展、送样测试、产品导入和市场拓展等都存在一定的不确定性和风险。

金融界2023-06-15

中电港：公司设计链开发的基于英伟达的Jetson边缘计算终端适用于多个应用领域

中电港是英伟达在国内的授权分销商之一，NVIDIA Jetson是由软件定义的边缘端AI平台。中电港设计链开发的基于英伟达的Jetson边缘计算终端适用于多个应用领域。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2023-06-15

即将赶超英伟达？AMD盘前涨近2% 亚马逊的云计算部门正在考虑使用其新AI芯片

确切位置。他还表示，AWS 拒绝与 Nvidia 就 DGX Cloud 产品进行合作，随后找上了 AMD，且共同研究了商业模式。他说：“AWS 更喜欢从头开始设计自己的服务器。AWS 于 3 月开始销售 Nvidia 的 H100 芯片，作为其自己设计的系统的一部分。” 在接受外媒采访时，AMD 首席执行官 Lisa Su 概述了其市场策略，包括将提供能支持类似于 ChatGPT 的服务。

林沐2023-06-14

加密货币的最佳用途：与AI结合是最好的出路？

了更好的人工智能，而 AI 计算公司 Nvidia 接近万亿美元公司。当然，在所有这些发生时，我们可能会称之为 Web 4.0。但 Web 3.0 最终会得到应有的尊重。来源：金色财经

金色财经2023-06-14

智能合约智能性的下一步：深入剖析ZKML赛道

户zkVM代码之间实现无缝集成，类似于Nvidia的CUDA C++工具链，但是使用ZKP引擎代替GPU。与Nil类似，使用Risc Zero可以验证ML模型的计算轨迹。 02广义证明系统证明系统的改进是使 zkML 取得成果的主要推动力，特别是自定义门和查找表的引入。这主要是由于 ML 对非线性的依赖。简而言之，非线性是通过激活函数（例如 ReLU、sigmoid 和 tanh）引入的，这些激活函数应用于神经网络中线性变换的输出。由于数学运算门的限制，这些非线性在 zk 电路中实现起来具有挑战性。按位分解和查找表可以通过将非线性的可能结果预先计算到查找表中来帮助解决这个问题，有趣的是，这在 zk 中的计算效率更高。出于这个原因，Plonkish 证明系统往往是 zkML 最受欢迎的后端。Halo2 和 Plonky2 及其表式算术方案可以通过查找参数很好地处理神经网络非线性。此外，前者拥有充满活力的开发人员工具生态系统和灵活性，使其成为包括 EZKL 在内的许多项目的实际后端。其他证明系统也有其优势。基于R1CS的证明系统包括Groth16，因其小型证明尺寸而闻名，以及Gemini，因其处理极大电路和线性时间验证器而闻名。基于STARK的系统，例如Winterfell证明器/验证器库，尤其在通过Giza的工具将Cairo程序的追踪作为输入，并使用Winterfell生成STARK证明来验证输出的正确性时，非常有用。 03zkML特定的证明系统在设计能够处理先进的机器学习模型的复杂、电路不友好的操作的高效证明系统方面已经取得了一些进展。基于GKR证明系统的zkCNN和基于组合技术的Zator等系统往往比通用证明系统更具性能，这一点在Modulus Labs的基准测试报告中有所体现。 zkCNN是一种使用零知识证明来证明卷积神经网络正确性的方法。它使用sumcheck协议来证明快速傅里叶变换和卷积，具有线性的证明时间，比渐近计算结果更快。已经引入了几个改进和泛化的交互证明，包括验证卷积层、ReLU激活函数和最大池化。根据Modulus Labs的基准测试报告，zkCNN特别有趣的地方在于它在证明生成速度和RAM消耗方面优于其他通用证明系统。 Zator是一个旨在探索使用递归SNARK来验证深度神经网络的项目。验证更深层次模型的当前限制是将整个计算轨迹适应单个电路中。Zator提出使用递归SNARK逐层进行验证，可以逐步验证N步重复计算。他们使用Nova将N个计算实例减少为一个可以通过单个步骤进行验证的实例。采用这种方法，Zator能够对具有512层的网络进行SNARK，这与大多数当前的生产AI模型一样深。Zator的证明生成和验证时间仍然对于主流应用案例来说过长，但他们的组合技术仍然是非常有趣的。应用领域鉴于zkML处于早期阶段，其关注点主要集中在上述基础设施上。然而，目前也有一些项目致力于应用开发。 Modulus Labs是zkML领域中最多样化的项目之一，他们既开展示例应用，也从事相关研究。在应用方面，Modulus Labs通过RockyBot（一个链上交易机器人）和Leela vs. the World（一个人类与经过验证的链上Leela国际象棋引擎对战的棋盘游戏）展示了zkML的用例。该团队还进行了研究，编写了《智能的代价》，对不同模型规模下的各种证明系统的速度和效率进行了基准测试。 Worldcoin正在尝试应用zkML来创建一个保护隐私的人类身份证明协议。Worldcoin使用定制硬件处理高分辨率虹膜扫描，并将其插入到Semaphore实现中。然后可以使用该系统执行诸如成员资格证明和投票等有用操作。他们目前使用受信任的运行时环境和安全的安全区域来验证相机签名的虹膜扫描，但他们最终的目标是使用零知识证明来验证神经网络的正确推理，以提供加密级别的安全保证。 Giza是一种协议，采用完全无信任的方法在链上部署AI模型。它使用包括ONNX格式表示机器学习模型、Giza Transpiler用于将这些模型转换为Cairo程序格式、ONNX Cairo Runtime用于以可验证和确定性的方式执行模型，以及Giza Model智能合约用于在链上部署和执行模型的技术堆栈。尽管Giza也可以归类为模型到证明编译器的类别，但他们作为一个ML模型市场的定位是目前最有趣的应用之一。 Gensyn是一个分布式硬件供应网络，用于训练ML模型。具体而言，他们正在开发一个基于梯度下降的概率审计系统，并使用模型检查点来使分散式GPU网络能够为全尺度模型提供训练服务。尽管他们在这里的zkML应用非常特定于他们的用例——他们希望确保当一个节点下载和训练模型的一部分时，他们对模型更新的诚实性——但它展示了将zk和ML相结合的强大力量。 ZKaptcha 专注于 web3 中的 bot 问题，为智能合约提供验证码服务。他们目前的实施让最终用户通过完成验证码来生成人类工作的证明，验证码由他们的链上验证程序验证，并通过几行代码由智能合约访问。今天，他们主要只依赖于 zk，但他们打算在未来实现 zkML，类似于现有的 web2 验证码服务，分析鼠标移动等行为以确定用户是否是人类。鉴于 zkML 市场还很早，许多应用程序已经在黑客马拉松级别进行了试验。项目包括 AI Coliseum，一个使用 ZK 证明来验证机器学习输出的链上 AI 竞赛，Hunter z Hunter，一个使用 EZKL 库来验证带有 halo2 电路的图像分类模型输出的照片寻宝游戏，以及 zk Section 9，它将 AI 图像生成模型转换为用于铸造和验证 AI 艺术的电路。 zkML面临的挑战尽管在提高和优化方面取得了飞速的进展，但zkML领域仍然面临一些核心挑战。这些挑战涉及技术和实践等方面，包括：以最小的精度损失进行量化电路规模，特别是当网络由多个层组成时矩阵乘法的高效证明对抗攻击量化是将浮点数表示为定点数的过程，大多数机器学习模型使用浮点数表示模型参数和激活函数，在处理zk电路的域算术时，需要使用定点数。量化对机器学习模型的准确性的影响取决于所使用的精度级别。一般来说，使用较低的精度（即较少的比特数）可能会导致准确性降低，因为这可能引入舍入和近似误差。然而，有几种技术可用于最小化量化对准确性的影响，例如在量化后对模型进行微调，以及使用量化感知训练等技术。此外，zkSummit 9上的一项黑客马拉松项目Zero Gravity显示出，针对边缘设备开发的替代神经网络架构（例如无权重神经网络）可以用于避免电路中的量化问题。除了量化之外，硬件是另一个关键挑战。一旦通过电路正确地表示了机器学习模型，由于zk的简洁性，验证其推理的证明将变得廉价且快速。这里的挑战不在于验证者，而在于证明者，因为随着模型规模的增长，RAM消耗和证明生成时间会迅速增加。某些证明系统（例如使用sumcheck协议和分层算术电路的基于GKR的系统）或组合技术（例如将Plonky2与Groth16相结合，Plonky2在证明时间方面效率高但对于大型模型的高效证明大小较差，而Groth16在复杂模型的复杂度上不会导致证明大小增长）更适合处理这些问题，但在zkML项目中管理权衡是一个核心挑战。在对抗攻击方面，仍然有待努力。首先，如果一个无信任的协议或DAO选择实施一个模型，在训练阶段仍然存在对抗攻击的风险（例如训练模型以在看到特定输入时表现出特定行为，这可能被用来操纵后续的推理）。联邦学习技术和训练阶段的zkML可能是最小化这种攻击面的一种方式。另一个核心挑战是当模型保护隐私时存在模型盗窃攻击的风险。虽然可以混淆模型的权重，但在给定足够的输入输出对的情况下，从理论上讲，仍然有可能反向推导出权重。这主要是对小规模模型的风险，但仍然存在风险。智能合约的可扩展尽管在将这些模型优化为在zk的限制条件下运行时存在一些挑战，但改进工作正在以指数速度进行，一些人预计在进一步的硬件加速下，我们很快就能与更广泛的机器学习领域达到同等水平。为了强调这些改进的速度，zkML从0xPARC在2021年展示了如何在可验证电路中执行小规模MNIST图像分类模型的演示，到Daniel Kang在不到一年后为ImageNet规模的模型做同样的工作的论文。在2022年4月，这个ImageNet规模的模型的准确性从79%提高到92%，并且像GPT-2这样的大型模型在近期内有望成为可能，尽管目前的证明时间较长。我们认为zkML是一个丰富而不断发展的生态系统，旨在扩展区块链和智能合约的能力，使其更加灵活、适应性强和智能化。尽管zkML仍处于早期开发阶段，但它已经开始显示出有希望的结果。随着技术的发展和成熟，我们可以期待在链上看到更多创新的zkML用例。来源：金色财经

金色财经2023-06-13

从提高生产力到噩梦场景：加密货币和人工智能可能重叠的10个领域

至可以让这些世界充满类似人类的角色。 Nvidia 最近在游戏开发者社区中融入了面孔，例如，通过展示 AI 如何为与 NPC（非玩家角色）的实时对话提供动力，从而释放了构建世界的各种潜力。 “AI 可以帮助这些游戏变得更吸引人、更快，”Yilmaz 说。 8.人工智能可能会加剧加密货币对环境的担忧好吧，也许这不是为了让任何事情“变得更好”，但我们应该承认环境影响的担忧和风险。 “就像加密货币一样，生成式人工智能平台也会消耗大量的能量”Howson 说。 “ChatGPT 的训练每小时消耗 1,287 兆瓦的电力，产生 550 吨二氧化碳。这相当于一个人在纽约和旧金山之间往返 550 次。” 9. 人工智能代理可以使用加密货币这是我最喜欢的。 Qureshi 设想，在未来，随着像 ChatGPT 这样的机器人变得更加先进，它们基本上将可以充当您的个人助理或代理。他们可以为您预订航班、为您下即时购物车订单，或者在恰到好处的时候召唤您的 Uber。（三年前，我采访了一位 Web3 企业家 Dele Atanda，他正是描述了这种情况。）当然，其中一些可能适合当前的财务框架，但是当我的 AI 代理开始与您的 AI 代理进行交易呢？或者，如果 AI 代理花钱的方式变得太复杂以至于法律或银行无法跟上怎么办？ “他们需要钱，”Qureshi说，“摩根大通要为人工智能开设银行账户的想法是无稽之谈。” Qureshi 怀疑“法律不会及时跟上”，但加密货币已经是一种可以立即实施的功能性解决方案。 Whittemore也说过类似的话。他给出了一个假设：想象一下，你想开一家乐队标志钥匙扣的在线商店，而 AutoGPT（或你的 AI“代理”）设计了一组任务，其中一个可能是弄清楚它是如何变成 3D 的打印钥匙扣。 “它可以将比特币发送到在后台自主运行的 3D 打印 AI 代理吗？” 如果 3D 打印代理遍布全球——这种情况经常发生——那么比特币将是比美元更优雅的解决方案。因此，最终，经过多年寻求“采用”之后，第一个在大众市场使用加密货币进行交易的可能不是人类，而是机器。 10. 人工智能可以利用加密来实现噩梦场景我们将讨论另一种不太乐观的可能性。（“不太乐观”是轻描淡写。）如果你一直对 AI 充满好奇，那么现在你可能已经听说过一个令人振奋的统计数据，即在一项针对 AI 研究人员的调查中，超过一半的人认为 AI 至少有 10% 的机会消灭人类。（旁注：这个统计数据有点夸张，而且有些被误报，因为调查回复率仅为 4%，并不是真正具有代表性的科学家样本。但无论是 1% 的机会还是 10% 的机会，“噩梦场景” ”在很大程度上仍然是一个场景。）加密货币可以在这场噩梦中发挥作用。 “随着对数字资产的更大依赖，人工智能代理可以轻松地改变金融机构，影响管理机构，或者在任何人都不知道的情况下推翻政府，”未来学家 Raczynski 说，他还认为人工智能可以在元宇宙中造成严重破坏。 Raczynski 担心人工智能的进步将使其很快超越人类的能力，“而区块链是一个推动因素。” 最后的想法让我们总结一些不太像世界末日的事情。尽管 AI 现在得到了风投的青睐，但与我交谈过的专家并不担心资金对 Web3 的影响。 “担心是一件愚蠢的事情，”Qureshi 说，他承认大量资金正以“天价”涌入 AI，但预计这不会对 Web3 生态系统造成实质性损害。 “美国有很多资本，”Qureshi 补充说，没有人可以直截了当地说，“我们没有足够的钱”。最终，从更有希望的角度来看，Ahmed 认为人工智能和加密货币不存在竞争，而只是“工具箱中的工具”。他们是免费的。 “他们之间并没有互相争斗，”Ahmed说。 “最终他们将被连接起来，就像电力被用来为互联网提供动力一样。” 来源：金色财经

金色财经2023-06-13

鹰派的美联储将如何扼杀美国股市刚刚起步的牛市反弹

）、Netflix Inc.；英伟达（Nvidia Corp.）、Meta Platforms Inc.；Yardeni Research总裁埃德•亚德尼（Ed Yardeni）在给客户的报告中分析说，今年标准普尔500指数的涨幅几乎全部来自META。　　但FactSet的数据显示，自6月初以来，衡量美国小盘股的罗素2000指数上涨了6.6％以上。罗素1000价值指数同期也上涨了近3.7％。在此期间，这两家公司的表现都好于以科技股为主的纳斯达克综合指数1.53％的涨幅，不过纳斯达克指数仍是市场领头羊，自1月1日以来上涨了26.7％。　　本周，在加拿大央行（Bank of Canada）出人意料地宣布加息，结束了长达四个月的暂停后，对美联储计划的担忧加剧。根据FactSet的数据，加拿大央行的决定是在澳大利亚央行（Reserve Bank of Australia）采取类似举措之后做出的，这在一定程度上导致美国国债收益率（殖利率）上升，科技股大跌，纳斯达克指数录得4月25日以来最大跌幅。　　尽管小盘股在混乱中保持坚挺，但市场的反应引发了人们的担忧，即美联储周三公布最新利率决定时，市场可能会出现类似的情况。　　“鹰派暂停”的后果　　如果美联储发出信号，计划效仿加拿大央行和澳大利亚央行，推出自己的鹰派意外举措，股市可能会出现更多动荡。市场策略师说，实现这一目标不一定需要加息。　　市场上出现的自满迹象可能会使其反应复杂化。Miller Tabak + Co.的首席市场策略师马特·马利（Matt Maley）说，芝加哥期权交易所波动率指数自新冠疫情爆发以来首次跌至8.53％的15以下，这是投资者对潜在抛售不够担心的一个迹象。　　另一位分析师将鹰派美联储的潜在后果比作2022年的糟糕时光。　　GraniteShares创始人兼首席执行官威尔•莱因德在接受电话采访时表示:“如果美联储发出利率将再次上升的信号，那么市场剧本可能更像是2022年，而不是2023年。” 　　或许最大的变数是周二的通胀报告。如果数据不佳，鲍威尔和他的同僚可能会面临在不首先启动市场的情况下加息的压力。　　出于这个原因，莱茵德认为投资者低估了下周加息的可能性，尽管根据芝加哥商品交易所（CME）的Fed watch工具，联邦基金期货目前显示，美联储维持不变的可能性约为70％。　　莱茵德并不是唯一这样的人。瑞银全球财富管理美洲应税固定收益策略主管法尔科尼奥（Leslie Falconio）说，周二的通胀报告可能是市场成败的关键时刻，他在最近给客户的一份报告中总结了华尔街其他地方的担忧。　　“我们相信再次加息是可能的，6月13日，也就是美联储决定的前一天，发布的CPI将是决定性的。在我们看来，再次加息不会对经济增长速度产生实质性影响。　　投资者应该注意什么？　　假设美联储确实在6月放弃加息，投资者应该关注一些关键信息，以确定是否会出现“鹰派暂停”。　　也许最重要的将是美联储如何处理其备受关注的“点阵图”的变化。瑞士再保险研究所（Swiss Re Institute）宏观策略主管帕特里克•萨纳（Patrick Saner）表示，利率中值小幅上升将向市场发出一个明确的信号，即美联储将继续收紧货币政策，这可能对市场不利。　　“如果美联储跳过，但又想避免给人留下加息周期已经结束的印象，就需要对点阵图进行修订。他们可以用更具弹性的GDP预测和更高的通胀前景来证明这一点。因此，我认为重点是点阵和声明，”萨纳在接受MarketWatch的电话采访时表示。　　除此之外，无论美联储做什么或说什么，都可能要通过将于下周公布的经济数据来看待。除了周二的通胀报告外，5月零售销售报告将于周四公布，密歇根大学的消费者信心指数将于周五公布。所有这些数据都可能影响投资者对美国经济状况的印象，以及他们对美联储将如何采取行动的预期。

金融界2023-06-13

24小时热点