FX168财经网_全球视野外汇黄金加密货币NFT资讯网

众安AIGC报告：未来已来，保险业迎数字化转型新工具

生成新的内容和数据，或解决问题。与传统机器学习算法相比，AIGC技术在提升人工智能内容生成质量方面具备非线性的指数性发展特征。目前，AIGC技术在商业化方面已经取得了顺利进展，并得到了各国政府和保险行业监管机构的关注和研究。发展人工智能成保险行业共识我国高度重视人工智能技术的发展。在2023年4月的中共中央政治局会议中，首次明确提出了“通用人工智能”产业的发展趋势。这是与此前“人工智能”泛指不同的提法。同月，国家互联网网信办公室发布了生成式人工智能的管理办法，规范了该技术在研发、数据使用和用户应用等方面的具体要求。同时，近年来人民银行、原银保监会发布了相关政策文件，密集推动保险业数字化转型。这些文件明确了保险数字化转型的目标和任务，为数字技术在保险领域的应用提供了有力的政策支持。这对于保险业数智化转型有着重要的意义。《白皮书》中指出，在保险业内，AIGC技术的应用已经引起了行业广泛的重点关注。相信在各方共同稳健推动之下，生成式人工智能技术有望成为推动保险行业高质量发展的科技新助力。 AIGC成投融资界宠儿根据Pitchbook数据，尽管2022年北美风险资本投资和融资的数量有所放缓，但生成式人工智能领域的投资仍呈现积极态势。自2020年至2022年，该领域的投资总额从2亿美元增长至14亿美元，复合年增长率高达81.6%。《白皮书》指出，除了传统的风险投资和私募股权投资，越来越多的企业和机构将会通过并购、战略投资等方式进入该市场。例如，微软于2023年初宣布继续加码OpenAI，拓展生成式人工智能技术在微软更广泛产品系列中的应用。在国内，百度正在迅速将文心一言整合到所有业务中进行测试。同时，该白皮书还指出，生成式人工智能目前处于早期阶段，面临数据安全、精准性、应用适配等多重困难。但是，根据行业调研预计未来两年内我国的人工智能技术将取得新的发展成果。白皮书尤其指出，在内容创作、数字营销和客户服务等领域，人工智能有望成为一个巨大的产业。然而，尽管技术已经取得重大突破，相关企业仍需谨慎应用，需要积极跟踪行业监管条例、法律法规和商业伦理等各个维度对技术应用的要求，确保企业能够实现稳健的智能化转型。近年来，AIGC领域公司获得大量投资，并广泛应用在医疗、金融和零售等领域。Facebook、谷歌、亚马逊和微软等公司将投入更多的资金和资源，大型科技公司将进一步加强在AIGC领域的投资，以继续推动AIGC技术的发展。市场预计，将有更多的风险投资公司专注于AIGC领域的投资，以支持更多的初创企业和新技术的开发，并在全球范围内产生巨大的经济价值。 AIGC优化保险多环节体验《白皮书》详细剖析了AIGC在保险业33个具体可行的应用领域。该技术不仅可以为保险产品设计、精算、营销、运营和客服等全链路环节提供深度技术支持，还可以应用于险企日常办公、研发提效等多个方面。根据可行性研究结果显示，AIGC技术在产品营销和客户服务方面具有显著的优势。营销素材的制作周期可以由3天缩短至3小时，制作效率提高24倍，同时还可以生成多套不同风格的素材。在客户服务方面，AIGC可以智能地回答客户问题并引导客户进入相应的服务流程。未来，AIGC技术还有望应用于理赔流程，自动化完成或辅助客户完成理赔处理的各个环节，这将大大提高理赔效率和客户满意度。《白皮书》认为，短期内保险机构需要积极应对LLM模型选择和研发挑战，推动AIGC技术在多模态营销内容和策略推荐、智能客服、代码智能生成等领域的广泛应用；中长期来看，个性化产品营销将成为保险机构差异化竞争的核心能力，也是当前各险企积极布局的方向。

证券之星2023-05-25

微软王炸更新：AI全面接入Windows系统插件功能再升级

巨大的促进作用。” 此外，微软宣布对其机器学习操作平台 Azure Machine Learning 进行了一系列更新，这些更新旨在让团队更容易将负责任的生成 AI 模型投入运营。Azure 机器学习的更新包括即将推出预览版的Prompt Flow ，它将为提示、评估和调整 LLM 提供简化的体验，使团队能够快速创建快速工作流并将这些工作流连接到多个语言模型和数据源，并使用工具来衡量其质量。 AI升级Windows Terminal Windows Terminal通过与GitHub Copilot的集成获得了一个人工智能驱动的聊天机器人。使用GitHub Copilot的开发人员现在可以直接在Windows Terminal使用聊天机器人来执行各种操作、获取代码建议和解释错误。微软还表示，其正在探索将GitHub Copilot引入其他开发人员工具，如 WinDBG。但这并不是微软宣布的唯一一个以开发人员为中心的更新。Windows 11 的新Dev Home部分今天也提供了预览版，包括为机器设置开发环境的能力，这些机器将链接到GitHub并连接到相关的存储库、安装工具和包等等，使开发人员可以轻松地重新安装Windows应用程序。微软还在Dev Home中创建了Dev Drive，这是一个为开发人员定制的新存储卷，使用微软最新的弹性文件系统 (ReFS) 以及Microsoft Defender 的性能模式，可将繁重的I/O操作的构建时间缩短多达30百分。最后，Dev Home还旨在让开发人员通过显示GitHub问题和拉取请求的GitHub 小部件快速了解他们正在从事的项目。微软正在与Xbox团队合作，为游戏开发者将GDK添加到Dev Home，并且还将支持Dev Home的定制扩展。 Microsoft Store引入AI评论微软对Microsoft Store进行的一项以AI为中心的重大改变是：AI生成的评论摘要将开始出现在整个Microsoft Store中，除了通常最高五颗星的评级之外，还会显示评论的主要内容概要。微软还通过一个特殊的AI Hub在Microsoft Store上为 AI 大开便利，该公司计划在其中突出显示人们可以下载的所有相关AI应用程序，还将允许开发者能够使用AI建议的搜索标签来提高应用程序的可见性。开发人员将能够使用 AI 建议的搜索标签来提高应用程序的可见性。 Microsoft Teams 头像等了很长时间，但Microsoft Teams头像终于来了。头像将在Windows PC或Mac上运行，允许Teams用户创建3D头像以在会议中使用，而不是在相机上，甚至不需要网络摄像头。微软现在还在私人预览版中为 Microsoft Teams提供沉浸式体验的空间。 Microsoft Fabric数据分析 Microsoft Fabric是一个数据分析平台。这可能是自SQL Server以来软件巨头发布的最大的数据产品之一。它旨在从微软的OneLake数据湖、亚马逊S3甚至谷歌云中提取数据。微软甚至还在Microsoft Fabric中添加了 AI Copilot。解决RGB灯光的碎片化问题微软为Windows 11增加一个非常必要的功能：通过设置菜单来自定义RGB灯光。其目标是创建一个中心，用户可以在其中调整所有配件和组件的灯光，无论其品牌是什么。微软将该中心称为“Dynamic Lighting”，但有关该功能实际操作方式的详细信息尚不清楚。在今年早些时候泄露的一组图片中，我们可能已经看到了它可能的外观，其中显示了设置菜单中的新“灯光”选项，可以设置所有连接设备的灯光效果。微软首席产品官Panos Panay在一篇博客文章中写道：“通过Dynamic Lighting，Windows用户将能够轻松地通过Windows设置直接设置和自定义他们的RGB灯光设备”，“帮助所有RGB配件无缝协同工作于Windows应用程序从未如此简单”。原生支持Tar、rar等格式微软宣布Windows 11将原生支持RAR和许多其他存档格式，这是Windows用户几十年来一直期待的，这对于拥有大量文件的用户非常完美，无需安装第三方应用程序也可访问这些文件。 Windows首席负责人Panos Panay在今天的博文中表示：“我们已经通过使用开源项目libarchive，为额外的存档格式添加了原生支持，包括tar、7-zip、rar、gz和许多其他格式。现在，在Windows上进行压缩操作时，您可以获得改进的存档功能性能。” 支持蓝牙低功耗 Windows 11现在支持蓝牙LE，这是一种低能耗音频规范，允许用户无线连接到设备，同时消耗更少的电池电量。在Build大会上，微软表示它与三星和英特尔合作推出了该规范。 Bluetooth背后的组织去年推出的Bluetooth LE使用LC3音频编解码器，该编解码器引入了对多流的支持，或者能够同时将音频传输到多个设备。它还为助听器的使用提供了重大改进，使它们在全天使用时消耗的能量要少得多。参考链接： 1.https://news.microsoft.com/build-2023/ 2.https://blogs.microsoft.com/blog/2023/05/23/microsoft-build-brings-ai-tools-to-the-forefront-for-developers/ 3.https://www.theverge.com/23732609/microsoft-build-2023-news-announcements-ai 【声明】本文为元宇宙之心运营团队编译创作，如需转载请联系我们。来源：金色财经

金色财经2023-05-24

亚马逊云科技为用户提供更高的安全性、合规性及更多的管理功能

中进行选择，包括Serverless和机器学习（ML）功能，以加速开发、对现有应用程序进行现代化改造并简化运营。在云中或边缘的最新处理器上运行的Serverless和容器等技术是快速、安全地现代应用程序的关键，这些应用程序甚至可以满足最具挑战性的业务需求。以下是开始现代化的两条主要途径：通过亚马逊云科技Serverless和容器构建新的应用程序，以提高速度和生产力。在加快发布周期并提高性能的同时，简化操作并减少应用程序管理开销。在最可靠的云提供程序上运行基于Kubernetes的安全、可扩展的应用程序，并简化跨环境的应用程序管理。来源：金色财经

金色财经2023-05-24

晚间必读 | 为什么23年不会有大牛市？

1.zkML：zk+机器学习新兴项目和基础设施通过zkSNARKs证明机器学习（ML）模型推理将成为这个十年智能合约发展最重要的进步之一。这一发展开辟了一个令人兴奋的广阔设计空间，允许应用程序和基础设施发展成更复杂智能的系统。点击阅读 2.2023年以太坊大会EDCON Super Demo决赛项目速览 2023年以太坊大会EDCON于5月19日至23日在黑山举行。本次EDCON上同期举行的Super Demo得到以太坊基金会和众多以太坊社区的大力支持，而且比赛胜选项目可以在EDCON大会主舞台上展示，所以受到社区瞩目。点击阅读 3.BRC-20热潮过后 SRC-20又是什么？在了解 SRC-20 之前，我们需要先知道什么是 BTC Stamps，该协议由 @mikeinspace 发明，他与 Ordinals 的最大区别是 Ordinals 的图片/文本信息是存储见证数据中，而 Stamps 数据存储在交易输出中，该差异造成了 Stamps 的一个重要特点，即永远可以存在 BTC 链上，全节点必须同步该数据。点击阅读 4.香港《虚拟资产咨询总结》解读：内地散户能入场吗？ SFC审慎回应公众对于由持牌虚拟平台主导、SFC监管、散户入局的可行性、安全性的可持续性这一举措，也正预示着SFC在《咨询文件》中尝试建立一套透明而可操作性强的机制是助力大中华区跨入Web3.0时代的一大步。点击阅读 5.从美林时钟的角度分析为什么23年不会有大牛市？比特币的价格貌似变幻莫测，其实不过是无聊透顶的各个金融周期循环在时空域的投影与叠加。如果我们只盯着K线，就瞄着分时图，沉湎于现象界，就无法获得一种超然的视野去洞察周期，在不确定之中寻找到确定。点击阅读来源：金色财经

金色财经2023-05-24

南威软件：鸿鹄边缘计算盒是公司围绕“云边端”应用体系创新研发的国产化AI边缘计算设备

的积累，拥有最大的涉诈灰黑样本库及基于机器学习的反诈网址标签库等，目前安巽已完成几十种诈骗模型的设计和开发工作，并在不断更新。同时，安巽还拥有支持千亿级多源化数据治理经验、数据挖掘经验、AI建模经验，并已在多地建设了内网智能AI分析平台。感谢您对公司的关注！南威软件2023一季报显示，公司主营收入1.48亿元，同比上升17.55%；归母净利润-2177.78万元，同比上升17.61%；扣非净利润-2507.08万元，同比上升22.32%；负债率49.86%，投资收益-222.58万元，财务费用-448.62万元，毛利率44.32%。该股最近90天内共有1家机构给出评级，买入评级1家；过去90天内机构目标均价为18.59。近3个月融资净流入2.53亿，融资余额增加；融券净流入4.48万，融券余额增加。根据近五年财报数据，证券之星估值分析工具显示，南威软件（603636）行业内竞争力的护城河一般，盈利能力一般，营收成长性良好。财务可能有隐忧，须重点关注的财务指标包括：应收账款/利润率、应收账款/利润率近3年增幅、经营现金流/利润率。该股好公司指标2星，好价格指标2星，综合指标2星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）南威软件（603636）主营业务：专注于政务服务、政务监管、政务大数据、电子证照、政务办公、政务督查等数字政府领域的业务中台、应用产品、解决方案和数据运营服务;专注于公共安全领域智能感知数据采集、传输与治理、视频图像AI中台与数据中台、警务实战应用产品的研究与开发;并积极探索其他创新业务。以上内容由证券之星根据公开信息整理，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2023-05-24

zkML：zk+机器学习新兴项目和基础设施

iaozou 通过zkSNARKs证明机器学习（ML）模型推理将成为这个十年智能合约发展最重要的进步之一。这一发展开辟了一个令人兴奋的广阔设计空间，允许应用程序和基础设施发展成更复杂智能的系统。通过添加机器学习功能，智能合约可以变得更加自主和动态，允许它们基于实时链上数据做出决策，而不仅仅囿于静态规则。智能合约将更加灵活，可适应各种场景，包括那些合约初建时可能没有预料到的场景。简而言之，机器学习功能使我们置于链上的任何智能合约更加自动化、准确、高效和灵活。从很多方面来看，鉴于机器学习在web3之外的大多数应用程序中的突出地位，智能合约没有使用嵌入式ML模型着实令人惊讶。之所以不使用ML，主要是因为链上运行这些模型的计算成本太高。例如，FastBERT是一种计算优化的语言模型，使用约1800 MFLOPS（百万浮点运算），直接在EVM上运行是行不通的。在考虑链上ML模型的应用时，重点关注的是推理阶段：应用模型对现实世界的数据进行预测。为了拥有ML规模的智能合约，合约必须能够ingest（摄取）这类预测数据，但正如前面提到的，直接在EVM上运行ML模型是不可行的。zkSNARK给我们提供了一个解决方案：任何人都可以在链下运行一个模型，并生成一个简洁且可验证的证明，证明预期模型确实产生了特定的结果。这个证明可以在链上发布，并被智能合约摄取，让合约更加智能。本文，我们将： · 研究链上ML的潜在应用和用例； · 探索zkML相关的新兴项目和基础设施建设； · 讨论现有实现面临的一些挑战，以及zkML的未来。 1、快速了解ML 机器学习（ML）是人工智能（AI）下面的一个领域，专注于开发算法和统计模型，使计算机能够基于数据学习并做出预测或决策。ML模型通常有三个主要组成部分： · 训练数据：即一组输入数据，用于训练机器学习算法进行预测或对新数据分类。训练数据可以有多种形式，例如图像、文本、音频、数字数据或以上这些数据的组合。 · 模型架构：即某个机器学习模型的整体结构或设计。它定义了层的类型和数量、激活函数以及节点或神经元之间的连接。架构的选择取决于具体问题和所使用的数据。 · 模型参数：即模型在训练过程中学习的值或权重，以进行预测。这些值经过优化算法迭代调整，以最小化预测结果与实际结果之间的误差。模型的生成和部署分为两个阶段： · 训练阶段：在训练阶段，模型暴露于标注数据集，并调整其参数以最小化预测结果与实际结果之间的误差。训练过程通常涉及若干迭代或epoch，模型的准确性会在单独的验证集上进行评估。 · 推理阶段：推理阶段是指使用经过训练的机器学习模型对新的、未见过的数据进行预测。该模型接收输入数据，并应用学习到的参数来生成输出数据，例如分类或回归预测。 zkML目前主要关注ML模型的推理阶段，而不是训练阶段，这主要是碍于验证在线训练的计算复杂性。zkML对验证推理的关注并非是限制因素：我们期望从推理阶段中可以产生出一些非常有趣的用例和应用程序。 2、验证推理场景验证推理有四种可能的场景： · 私有输入，公共模型。模型消费者（MC）可能想对其输入保密，不希望模型提供者（MP）知道。例如，MC可能希望在不披露个人财务信息的情况下向贷款人证明信用评分模型的结果。这可以通过使用预承诺方案并在本地运行模型来实现。 · 公共输入，私有模型。ML-as-a-Service（ML即服务）的一个常见问题是，MP可能希望隐藏他们的参数或权重以保护自己的IP，而MC希望验证生成的推论确实来自于对抗设置中的指定模型。可以这样考虑：MP在向MC提供推论时，有动机运行更轻型的模型以节省成本。使用链上模型权重承诺，MC可以随时审计私有模型。 · 私有输入，私有模型。当用于推理的数据高度敏感或高度机密，并且模型隐藏自身以保护IP时，就会出现这种情况。举个关于这方面的例子：使用私有患者信息审计医疗保健模型。零知识证明（ZK）的复合技术或多方计算（MPC）的使用或FHE（全同态加密）的变体可用于服务于此场景。 · 公共输入，公共模型。当模型的各方面都可以公开时，zkML将服务于一个不同用例：压缩并验证链下计算，以适应链上环境。对于较大的模型，验证推理的简洁的ZK证明比重新运行模型本身更具成本效益。 3、应用及机会经过验证的ML推理为智能合约开启了新的设计空间。下面来看一些加密原生应用：（1）DeFi · 可验证的链下ML预言机。继续采用生成式AI可能有助于推动行业为内容实施签名方案。签名数据可随时应用于ZK，使数据具有可组合性且可信。ML模型可以对签名数据进行链下处理以进行预测和分类（例如，对选举结果或天气事件进行分类）。这些链下ML预言机可以通过验证推理并在链上发布证明，以无需信任的方式解决现实世界的预测市场、保险协议合约等问题。 · ML参数化的DeFi应用。DeFi有很多方面可以更加自动化。例如，借贷协议可以使用ML模型实时更新参数。今天的借贷协议主要信任由组织运行的链下模型来进行抵押品事宜、LTV、清算门槛等相关决策，但社区训练的开源模型可能是更好的替代方案，这类模型可以由任何人运行和验证。 · 自动交易策略。展示财务模型策略的回报状况的一种常见方法是，MP向投资者提供各种回测。然而，在执行交易时，是没有办法验证策略是否遵循了模型的——投资者必须相信策略确实遵循了模型。zkML提供了一个解决方案，MP可以在进行特定位置部署时提供财务模型推理证明。这对于DeFi管理的金库来说特别有用。（2）安全性 · 智能合约的欺诈监控。ML模型可以用来检测潜在的恶意行为并暂停合约，而不依靠缓慢的人工治理或中心化主体来控制是否暂停合约。（3）传统ML · Kaggle的去中心化、无需信任的实现。可以创建这样一个协议或市场，允许MC或其他相关方在MP不披露模型权重的情况下验证模型的准确性。这对于模型销售、模型准确性竞争等会很有用。 · 生成式AI的去中心化prompt（提示）市场。生成式AI的prompt创建已经演变成一种复杂的工艺，最好的prompt输出通常包含许多modifier修饰符。外部各方可能愿意从创建者那里购买这些复杂的prompt。zkML可以在这里发挥两方面作用：1）验证prompt输出，以向潜在购买者确保prompt确实创建了所需的图像；2）允许prompt所有者在prompt被购买后仍然保有prompt的所有权，对购买者匿名的同时仍然为他们生成经过验证的图像。（5）身份验证 · 用保护隐私的生物识别身份验证取代私钥。私钥管理仍然是web3用户体验最大的摩擦之一。通过面部识别或其他独特因素提取私钥是zkML的一种可能的解决方案。 · 公平的空投和贡献者奖励。ML模型可用于创建详细的用户角色，以根据多种因素确定空投分配或贡献奖励。当与身份解决方案结合使用时，这种功能会特别强大。在这种情况下，有种可能性是让用户运行一个开源模型来评估他们在应用程序中的参与度，以及更高层的生态参与度（比如治理论坛帖子），以推断他们的分配额度。然后，他们向合约提供此证明以接收代币分配。（6）Web3社交 · web3社交媒体过滤功能。web3社交应用程序的去中心化性质将导致更多的垃圾邮件和恶意内容。理想情况下，社交媒体平台可以使用社区同意的开源ML模型，并在选择过滤帖子时发布模型推理的证明。 · 广告/推荐。作为一个社交媒体用户，我可能愿意看到个性化的广告，但希望对广告商保密我的偏好和兴趣。我可以选择根据我的喜好在本地运行一个模型，该模型向媒体应用程序提供信息，然后展示我想要的内容。在这种情况下，广告商可能愿意为终端用户付费，但这些模型可能远没有当前的目标广告模型那么复杂。（7）创作者经济/游戏 · 游戏内经济再平衡。ML模型可用于动态调整代币的发行、供应、销毁、投票阈值等。一种可能的模式是，如果达到一定的再平衡阈值，并且推理证明得到验证，那么合约就可能受激励以重新平衡游戏内经济。 · 新型链上游戏。可以创建人类对抗AI的合作游戏和其他创新的链上游戏，此时无需信任的AI模型充当非玩家（NPC）角色。NPC采取的每一个行动都会被发布到链上，并带有一个证明，任何人都可以验证该证明以确定运行模型的正确性。在Modulus Labs的Leela vs. the World案例中，验证者希望确保正在下棋的是1900 ELO AI，而非棋手Magnus Carlson。另一个例子是AI Arena，这是一款Super Smash Brothers风格的AI战斗游戏。高风险竞争环境中的玩家希望确保他们训练的模型不受干扰或者不会出现作弊行为。 4、新兴项目和基础设施 zkML的生态系统可以大致分为四大类： · Model-to-Proof Compilers（模型到证明编译器）：将模型从现有格式（例如Pytorch、ONNX等）编译成可验证计算电路的基础设施。 · 通用证明系统：用来验证任意计算轨迹的证明系统。 · 特定zkML证明系统：专门用于验证ML模型的计算轨迹的证明系统。 · 应用程序：处理独特zkML用例的项目。（1）Model-to-Proof Compilers（模型到证明编译器）在研究zkML生态系统时，大多数注意力都集中在模型到证明编译器上。通常，这些编译器会将使用Pytorch、Tensorflow或类似语言编写的高级ML模型转换为ZK电路。 EZKL是一个库和命令行工具，用于在zk-SNARK中对深度学习模型进行推理。使用EZKL，你可以在Pytorch或TensorFlow中定义计算图，将其导出为ONNX文件，一些样本输入包含在JSON文件中，并将EZKL指向这些文件以生成zkSNARK电路。随着最新的性能改进，EZKL现在可以在大约6秒内占用1.1GB RAM证明一个MNIST大小的模型。到目前为止，EZKL已经有一些重要的早期采用，被用作各种黑客马拉松项目的基础设施。 Cathy So的circomlib-ml库包含Circom的各种ML电路模板。电路包含一些最常见的ML功能。同样由Cathie开发的Keras2circom是一个python工具，它使用底层circomlib-ml库将Keras模型转换为Circom电路。 LinearA为zkML开发了两个框架：Tachikoma和Uchikoma。Tachikoma用于将神经网络转换为纯整数形式并生成计算轨迹。Uchikoma是一个将TVM的中间表示转换为不支持浮点运算的编程语言的工具。LinearA计划支持Circom和Solidity，前者使用域算法，后者使用有符号和无符号整数算法。 Daniel Kang的zkml是一个用于在ZK-SNARKs中构建ML模型执行证明的框架。在撰写本文时，它能够证明一个使用大约5GB内存运行约16秒的MNIST电路。更通用的模型到证明编译器还有Nil Foundation和Risc Zero。Nil Foundation的zkLLVM是一个基于LLVM的电路编译器，能够验证使用流行编程语言（如C++、Rust和JavaScript/TypeScript等）编写的计算模型。与本文提到的其他一些模型到证明编译器相比，它是通用的基础设施，但仍然适用于像zkML这样的复杂计算。当与证明市场相结合时，该功能将格外强大。 Risc Zero面向RISC-V开原指令集构建了一个通用的zkVM，因此支持现有的成熟语言，如C++和Rust，以及LLVM工具链。这将支持主机和客户端zkVM代码之间的无缝集成，类似于Nvidia的CUDA C++工具链，但使用了ZKP引擎代替GPU。与Nil类似，可以使用Risc Zero来验证ML模型的计算轨迹。（2）通用证明系统证明系统的改进是zkML实现的主要推动力，特别是custom gates（自定义门）和lookup tables（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，这些函数应用于神经网络内线性变换的输出。由于受数学运算门的限制，在ZK电路中这些非线性实现是有难度的。Bitwise decomposition（逐位分解）和lookup tables（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中计算效率更高。由于这个原因，Plonkish证明系统往往是zkML最流行的后端。Halo2和Plonky2的table-style（表式）算法方案可以通过lookup参数很好地处理神经网络非线性。此外，Halo2有一个充满活力的开发者工具生态系统，再加上它非常灵活，使其成为包括EZKL在内的很多项目名副其实的后端支柱。其他证明系统也有自己的优点。基于R1CS的证明系统包括用于小型证明的Groth16和处理超大电路和线性时间证明器的Gemini。如Winterfell证明者/验证者库这样的基于STARK的系统也非常有用，特别是当通过Giza的工具实现时，Giza工具将Cairo程序的轨迹作为输入值，并使用Winterfell生成STARK证明来证明输出值的正确性。（3）特定zkML证明系统在有效的证明系统设计方面已经取得了一些进展，这些系统可以处理复杂的、电路不友好的高级ML模型操作。Modulus Labs的基准报告证明，像zkCNN这样基于GKR证明系统的系统，或者像Zator这样使用复合技术的系统，通常比通用的同类系统性能更高。 zkCNN是一种使用零知识证明来证明卷积神经网络（convolutional neural networks）正确性的方法。它使用sumcheck协议来证明快速傅里叶（Fourier）变换和卷积，其线性证明时间比渐近计算结果更快。交互式证明引入了若干改进和通则，包括验证卷积层、ReLU激活函数和最大池化。zkCNN特别有趣，因为Modulus Labs的基准报告发现，zkCNN在证明生成速度和RAM消耗方面都优于其他通用证明系统。 Zator是一个旨在探索使用递归SNARKs来验证深度神经网络的项目。目前验证深层模型的约束条件是将整个计算轨迹拟合到单个电路中。Zator提出使用递归SNARKs一次验证一层，可以渐进增量验证N步重复计算。他们使用Nova将N个计算实例缩减到一个实例中，这个实例可以通过单个步骤进行验证。通过这种方法，Zator能够snark一个具有512层的网络，这与当今大多数生产式AI模型一样深。对于主流用例来说，Zator的证明生成和验证时间仍然太长，但是其复合技术还是很有趣的。（4）应用程序鉴于zkML仍处于早期阶段，它将大部分重心都放在了上述基础设施方面。然而，目前有一些项目正在进行应用开发。 Modulus Labs是zkML领域中最多样化的项目之一，致力于应用范例和相关研究。在应用方面，Modulus Labs通过RockyBot（链上交易机器人）和Leela vs. the World（一种国际象棋游戏，所有人与经验证的Leela国际象棋引擎实例对决）展示了zkML的用例。该团队还涉足研究领域，撰写了The Cost of Intelligence（智能的成本）一文，对不同大小模型的各种验证系统的速度和效率进行了基准测试。 Worldcoin正在应用zkML，试图建立一个保护隐私的人格证明协议。Worldcoin正在使用定制硬件来处理高分辨率虹膜扫描，这些扫描被插入到他们的Semaphore实现中。然后，可用于执行有用的操作，如成员资格认证和投票。他们目前使用具有安全enclave的可信运行环境来验证摄像头签名的虹膜扫描，但他们最终的目标是使用ZKP来证明神经网络对加密级别安全保障的正确推理。 Giza是一种可以以一种完全无需信任的方法在链上部署AI模型的协议。它使用的技术栈包括用于表示机器学习模型的ONNX格式，用于将这些模型转换为Cairo程序格式的Giza Transpiler，用于以可验证和确定性的方式执行模型的ONNX Cairo Runtime，以及用于部署和执行链上模型的Giza Model智能合约。虽然Giza也可以属于模型到证明的编译器类别，但它们定位为ML模型市场是当今更有趣的应用之一。 Gensyn是一个去中心化硬件供应网络，用于训练ML模型。具体来说，他们正在设计一个基于梯度下降算法的概率审计系统，并使用模型检查点使去中心化的GPU网络能够为大规模模型训练提供服务。虽然他们的zkML应用明显特定于自身用例——他们希望确保当节点下载和训练模型的一部分时，他们对模型的更新是诚实的——但却展示了ZK和ML结合的强大功能。 ZKaptcha专注于web3的bot问题，为智能合约提供captcha（验证码）服务。它们目前的实现是让终端用户通过完成captcha来生成人类工作的证明，captcha由链上验证者验证，并通过几行代码由智能合约访问。今天，它们主要只依赖于ZK，但计划在未来实现zkML，类似于现有的web2 captcha服务，分析鼠标移动等行为，以确定用户是否是人类。 zkML市场仍处于相当早期的阶段，但很多应用程序已经进行了黑客马拉松级别的试验。这些项目包括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）。 5、zkML面临的挑战虽然zkML正在以光速进行改进和优化，但该领域仍然存在一些核心挑战。这些挑战涉及到技术和实践方面，具体如下： · 高精度的量化 · 电路的大小（特别是多层网络） · 矩阵乘法的有效证明 · 对抗攻击量化是将大多数ML模型用来表示模型参数和激活函数的浮点数表示为定点数的过程，这在处理ZK电路的域算法时是必不可少的。量化对机器学习模型精度的影响取决于所使用的精度水平。通常，使用较低的精度（即更少的bits）会导致准确性降低，因为它会应用四舍五入和近似误差。然而，有几种技术可以用来最小化量化对准确性的影响，例如在量化之后微调模型，以及使用量化感知训练等技术。此外，zkSummit 9上的一个黑客马拉松项目Zero Gravity已表明，为边缘设备开发的替代神经网络架构（如无权重神经网络）可用于避免电路量化的问题。除了量化，硬件是另一个关键挑战。一旦机器学习模型通过电路进行了正确表示，由于ZK的简洁性，验证其推论的证明既便宜又快速。这里的挑战不在于验证者，而是在于证明者，因为随着模型越来越大，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协议和分层算法电路的基于GKR的系统）或复合技术（例如wrapping Plonky2，它有高效的证明时间，但在较大模型的有效证明大小方面表现很差，使用Groth16，它不会随着模型的复杂性加大而增加证明大小）更适合处理这些问题，但是管理权衡是构建zkML项目的核心挑战。在对抗方面，还有工作要做。首先，如果一个无需信任的协议或DAO选择实现一个模型，在训练阶段仍然存在对抗攻击的风险（例如，训练一个模型在看到一个可用于操纵后续推理的输入时表现出特定的行为方式）。联邦学习（federated learning）技术和训练阶段zkML可能是最小化这种攻击面的一种方法。另一个核心挑战是，当一个模型属于隐私保护模型时，存在模型窃取攻击的风险。虽然模型的权重可以被混淆，但理论上仍可以在有足够的输入-输出对的情况下对权重进行反向工程。虽然这种风险主要针对小型模型，但风险就是风险。 6、扩展智能合约尽管优化这些模型以符合ZK运行条件还存在着这样那样的挑战，但优化改进正在以指数级的速度进行，有人预计，假设在进一步的硬件加速条件下，我们将很快扩展更广泛的机器学习领域。zkML已经从2021年0xPARC的zk-MNIST演示（展示了如何在可验证的电路中执行小型MNIST图像分类模型），发展到Daniel Kang在不到一年后对ImageNet-scale模型做了同样的验证。2022年4月，ImageNet-scale模型的准确率从79%进一步提高到92%，尽管目前的验证时间较慢，但像GPT-2这样大的网络在短期内是可行的。我们认为zkML是一个丰富且不断发展的生态系统，它希望扩展区块链和智能合约的功能，使其更加灵活、适应性更强、更加智能。虽然zkML仍处于早期开发阶段，但它已经开始显示出光明前景。随着技术的发展和成熟，我们有望看到出现更多链上zkML的创新用例。来源：金色财经

金色财经2023-05-24

大家期待已久的量化科技嘉年华,现在正式开启报名啦

6月3号上午,在主会场A的「因子挖掘与机器学习」论坛上,DolphinDB 创始人周小华博士将为大家揭晓答案,欢迎报名来听! 报名流程 Step 1: 添加DolphinDB小助手【13306510479】获取报名链接 Step 2: 点击“报名入口” Step 3: 填写个人信息,选择“因子挖掘与机器学习论坛”,完成报名 Step 4: 活动当日可凭报名信息或截图前往 DolphinDB 展台领取精美礼品来源：金色财经

金色财经2023-05-24

LayerZero发币在即？

位职业扑克选手，成功地把一套自己编写的机器学习工具销售给了一支 MLB（美国职业棒球大联盟）球队，还在人工智能领域发表过期刊报告。 RyanZarick，LayerZeroLabs联合创始人兼CTO，2011年毕业于美国新罕布什尔大学，2006.08 – 2011.05担任UNH互操作性实验室的软件开发师和研究生助理；2011.11 – 2013.03担任BuzzDraft的CTO；2010.09 – 2020.13担任Coder Den的联合创始人；2018.01 – 2020.03担任80Trill的联合创始人；2019.06 – 2021.01担任Minimal AI的联合创始人；2021年创立LayerZero并担任CTO。生态系统 LayerZero是一种全链互操作性协议，作为一个链与链信息传递之间的枢纽，LayerZero可以做的不仅仅是资产跨链，在实现了跨链消息传递之后，LayerZero还可以实现跨链状态共享、借贷、治理等。此外，不同于目前市面上的传统跨链桥的模式，LayerZero无需在各个连接的链上去运行节点，无需在每条新链上部署一个新的节点，从该点出发，LayerZero将新链并入网络的速度会更快，并且成本更低。截至2022年11月11日，LayerZero已经支持了Ethereum、BNB Chain、Avalanche、Aptos、Polygon、Arbitrum、Optimism、Fantom等总计13条链。 LayerZero创新的技术加之更快的部署速度和一定的成本优势，以及早期著名VC和社区具有影响力KOL的推动，使得LayerZero生态在短短一年左右的时间内得到了快速的扩张，并且在DeFi、NFT和稳定币等方向都取得了不小的成绩。代币 LayerZero Labs目前暂未发币，不过还是有很多消息来源说26号发币。但是LayerZero员工0xLamps在其官方Discord表示，“目前没有代币空投或上市计划，请查看我们的官方Twitter页面以获取正确信息。我们一直专注于构建和创造良好的开发体验” 不过团队在其官方文档的代码中披露了$ ZRO token 的信息，通过下图我们可以看出$ ZRO 未来可能会被用来支付其链上Gas费。空投的代币数量还没有得到确认，但们相信这将是一个相当大的数量。技术 LayerZero是一个全链互操作性协议，它只专注于链与链之间的消息传递，能够向支持的任何链上的任何智能合约发送消息，也就是一个消息传输层，用于区块链之间的智能合约通信，不负责资产的跨链。据 LayerZero 白皮书显示，协议核心有三个组件，分别是端点（Endpoint）、预言机（Oracle）和中继器（Relayer）。其运行流程：路线图威：hexf488888 或 web3889900 来源：金色财经

金色财经2023-05-24

大起大落的Worldcoin AI时代的UBI经济学能否成真？

人隐私的前提下，使用ZK保护的数据进行机器学习，以利用采集到的数据进行更多使用场景的探索。可以这样总结，在Worldcoin的规划中，加密技术、ZKP和AI技术并不是相互排斥的选项，而是可以互相结合的下一代网络技术，而这一切的前提是需要足够的用户，去产生足够的用户数据，去丰富代币的使用场景，并且最终支撑生产力的进步，以满足UBI的运作需求。结语：UBI究竟有没有搞头？不同于AI的高歌猛进，UBI和加密货币仍旧需要面临诸多质疑，尤其是以加密货币作为UBI的普及措施能否奏效，仍旧是个无法事前确认的难题。 UBI的逻辑并不复杂，目前人类社会的总生产是大于总需求的，但由于分配不均，在穷国和富国之间、高收入群体和低收入群体，甚至是男女、世代之间，都存在着普遍的不平等，而UBI的设想在于以较为温和的方式重新分配社会财富。比如Celo上的ImpactMarket已经有所尝试，尝试为第三世界的居民提供金融和教育服务，以Crypto UBI的方式提高他们的谋生能力和生活水平。而UBI并不需要从目前的分配关系中强行变道，而是通过新的代币发行的方式给予所有人平等的准入权，无独有偶，中国经济学家翟东升也设想过中国版的UBI——《未来起点收入，共同富裕时代的新型再分配方案初探》，“由中央政府以本币债务和税收为财源，为0-35岁的中国居民以数字货币的形式提供资金支持，并为35岁以上的中国居民提供一次性的教育或技能培训资助。” Worldcoin无论成功与否，都将是第一次面向全人类的大型UBI实验，之前的尝试总体而言都未获得大范围内的关注。比如之前Circles 也属于UBI范畴，但其目前常态化参与治理人数已不足千人，仍旧属于小范围内的尝试。而加密货币借助Worldcoin，此将会是首次面对全球数以亿计，最起码百万级的普通用户的尝试，而他们中的大多数人此前并非是Web 3的用户，从这个角度观之，至少在普及加密货币上迈向了真正的大众普及阶段。来源：金色财经

金色财经2023-05-24

银信科技：公司是华为认证的CSP四钻服务商 AI相关研发一些功能模块可能对不同客户交付实施

AIOps就是通过像大数据分析、AI、机器学习等相关的一系列技术，对数据进行更好的分析，实现故障定位、故障告警、提前预判等功能。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2023-05-24

24小时热点