FX168财经网_全球视野外汇黄金加密货币NFT资讯网

EXWAY开启全新智能新时代

论、方法、技术及应用系统。它是一种通过机器学习、深度学习、自然语言处理、计算机视觉等技术手段，让计算机系统拥有类似于人类的认知、推理、学习、感知、判断等能力的智能系统。由社区成员主导进行宇宙治理，社区成员也可通过EXWAY元宇宙建立起属于自己的模块，每一位早期参与者都有足够的支持去搭建区块链创新项目。 EXWAY将以NFT的形式发放数字身份，数字身份的持有者能够通过区块链网络处理任何类型的资产，并允许社区成员和其他分布式组织成员支持数字身份持有者，促进所有数字身份持有者的价值体现。一场不亚于电脑、网络和手机诞生的“划时代”变革已经到来，“属于Al的时代已经到来了”！科技的革命其重要性不亚于互联网和手机的出现。EXWAY新风口将会以最短的时间席卷全球，乾坤未定，你我皆黑马！来源：金色财经

金色财经2023-04-10

生成式AI浪潮下AI合规及内容甄别提上日程这些公司已有布局

工智能深度学习算法，通过海量专项素材的机器学习，不断优化人脸识别、场景识别、语音识别、文字识别等智能化识别引擎，对各类媒体内容进行多维度分析，精准识别敏感、违规内容，实现对各类传播媒介播放的视听内容进行监管，对媒体中敏感、有害、违规内容的自动化、智能化分析研判。

金融界2023-04-10

Octopus交易所：数字资产交易的智能化未来

系统利用大数据分析技术、量化交易策略和机器学习算法等先进技术，自动化交易过程，提高交易效率和准确性，让用户享受更好的交易体验。 Octopus交易所不仅仅是数字资产交易平台，还提供了全方位的服务，包括资产托管、借贷、保险等，让用户可以轻松管理自己的数字资产，并享受到更多的金融服务。在安全方面，Octopus交易所采用了多重安全防护措施，包括多层加密、防火墙、防DDoS攻击等，保障用户的交易安全和资产安全。除了高效的交易服务和全面的金融服务，Octopus交易所还与多家知名的投资机构和战略合作伙伴合作，为用户提供更加专业、优质的服务。投资机构包括Tiger Global、威盈资本等，战略合作伙伴包括Blockchain Fund、Hack VC、SHIMAcapital、emote、infinity ventures crypto、IOSG venture等。对于未来的发展，Octopus交易所不仅是数字资产交易领域的一股强大力量，其先进的AI智能交易系统、全面的金融服务和优质的合作伙伴，更能让让用户在数字资产交易中体验到了更高效、更安全、更便捷的服务，未来也将会为数字资产交易的智能化发展提供更多的可能。来源：金色财经

金色财经2023-04-10

下一个“AI王炸” 别只盯着OpenAI DeepMind也在憋大招

一个几十年来都没有结局的数学猜想，通过机器学习（ML）找到了突破口。使用AI来处理海量或无法直接推理的数据，可以大大增强数学家的洞察力，从而更快地找到证明猜想和新公式的方法，已经被DeepMind证明是可行的。牛津大学数学系教授Marcus Du Sautoy形容AI技术在纯数学中的应用，“就像伽利略拿起望远镜，能够深入凝视数据宇宙，看到以前从未发现过的东西”。未来随着探索的增多，很多未被证实的数学猜想，都有可能因AI的加入而突破。希望届时大家不会又以为AI进化出了什么超能力，被“AI取代数学家”之类的标题给骗了。 AI参与核聚变的研究进程——核物理无论从学术还是社会政治经济的角度，都是非常重要的。大家可能都听过中国核物理学家造原子弹的艰苦故事，其中很多工作和牺牲能不能由AI来代劳呢？DeepMind还真搞成了。它们与瑞士等离子体中心，合作开发了一个AI系统，通过强化学习，控制系统可以很好地协调TCV（由许多磁线圈组成），确保等离子体永远不会接触容器壁，这样就可以减少核聚变的热量损失。同时，还能将等离子体精确地雕刻成不同的形状，方便科学家研究等离子体在不同条件下的反应，从而提高对核聚变反应堆的理解。总之，在过去的几年里，DeepMind在数学、物理、化学、生物学、量子、气象、材料等多个科学领域，创造性地探索了大量AI for science的可能，带来了全新的科学研究方法，必然会催生全新的科学发现和技术突破，下一个“AI王炸”很可能就在其中。现实版《西部世界》够不够炸裂？ DeepMind的目标也是实现通用人工智能。具体怎么做呢？OpenAI专心搞语言，DeepMind就专注“训狗”——搞强化学习。弱人工智能，只能在有限的环境中解决特定问题，没有发展出人类身上那种通识智能。那种“通用”智能的机器，大概就类似于《西部世界》或者《底特律》中的机器人，能够在复杂的环境里执行任务。实现AGI，OpenAI是用大量数据和充分训练来促成大语言模型的“智能涌现”，而DeepMind则选择了“正向教育”——希望通过强化学习，给AI系统以“奖励最大化”的刺激，驱使智能体自主去学习复杂的能力。因为只有表现出这些能力，智能体才能获得奖励（比如生存下去）。听起来，是不是跟工作犬执行主人的口令，主人根据结果来进行奖励或惩罚是一个路子？在一篇论文中，DeepMind的研究人员写道：“奖励足以推动智能体表现出通用智能的迹象和行为，包括学习、感知、社会智能、语言、概括和模仿。” 上一只震惊世界的狗是击败人类棋手的“阿尔法狗（AlphaGo）”，而下一只可能就是被DeepMind用强化学习训练出来的AI了。（ANYmal机器人的运动技能是通过模仿狗MoCap来学习的）比如这只机器狗，就通过强化学习不断试错，从而具备了两个重要的能力：一是使用历史经验，一般来说电机控制的AI智能体，一开始不知道对每个关节施加什么力，需要大量数据才能迈出步子，不然就会随机抽搐并迅速摔倒，而借助RL可以利用以前学到的运动技能，从而缓解“起步”时的尴尬。二是减少特殊行为，此前智能机器人一般会用一种很不自然、不够人性化的方式来避障，虽然看起来很有趣，但不够实用。DeepMind采用强化学习训练，偏向于让智能体学习更多的自然行为，可以安全高效地控制真实世界的机器人/机器狗，将机械控制与认知智慧相结合。类似的强化学习实验还有很多，比如让智能体在网络游戏中展开随机互动，让智能体在模拟的三维世界里搭积木、打扫房间……基本逻辑都是基于人类反馈的奖励模型。 ChatGPT只能解决语言问题，《西部世界》里的人机融合新物种，更灵活的通用家政机器人，可能还真得靠DeepMind的强化学习路线来实现。像人脑一样思考的AI，够不够有趣？ DeepMind虽然没有跟风推出类ChatGPT的大语言模型，但并不代表它对这个领域毫无建树，只不过二者关注的技术方向不太一样罢了。随着使用者的增多，大家可能都发现了类ChatGPT模型的一些限制，比如非常注重数据和语料。深度学习靠规模数据、庞大算力、充分训练而“大力出奇迹”的暴力美学，在大模型时代发挥到了极致。这带来了一系列问题，比如中文语料不足，训出来的大模型效果不好，有的中文LLM会用英文语料进行训练，再将答案翻译回中文，这种做法当然是符合业界常规的，但问题在于很多价值观、常识性的东西，是没有办法对齐和翻译的。而且“暴力计算出奇迹”的大炼模型，打造的语言模型是不可解释的黑盒，金融、政务、工业等行业是不敢用的，无法支撑可靠的决策。不知道OpenAI和国内厂商打算怎么解决“暴力计算”的弊病，反正DeepMind倒是一直在琢磨不同的路线——不搞暴力美学，大搞神经科学。 DeepMind认为大脑才是机器智能模仿的对象，希望通过对脑科学、神经运动学、元学习等“人类本位”的研究，来提升深度学习模型的鲁棒性、可解释性、可靠性等，让AI达到人类水平的理解能力。比如重新认识大脑的工作机制，借鉴多巴胺通过调节神经元之间突触连接的强度，提出了一种基于奖励的强化学习理论；在3D游戏世界中创建了模拟心理学实验室Psychlab，能够实施经典的心理实验，显著改进了智能体UNREAL的性能；发现在人工神经网络倾向于避开精确设计的代码，倾向于对成本函数进行暴力优化（不追求奖励最大化，而是追求成本最小化，不做错就没有损失），而人脑的机制却往往会专注在任务实现和奖励上，从这个角度去优化深度神经网络的结构。 2023年发表的一篇新论文中，DeepMind则针对大脑中的回放（replay）机制，提出这是一种组合计算的形式，可以衍生出新的知识，在神经网络中整合回放机制，有望让AI用极少的数据学到新东西，提高认知智能，更接近“智能涌现”。大脑的智慧让人类爬上了万物之灵的宝座，AI不靠人工而靠智能，为什么不可能呢？当初OpenAI要走NLP这条“冷门”的路，很多人也觉得不可能，直到产品虽不成熟、但能力十分惊艳的ChatGPT出现，人们才开始纷纷夸赞OpenAI的长期主义。这些年DeepMind默默搞的研究，可能就是下一个“王炸”。我们都希望中国AI也能诞生影响世界的元创新，其实AI领域并没有那么多独门秘技，很多灵感或技术路线都是公开的，但我们为什么总是听过就算、见过就忘呢？除了灵光一现的idea， OpenAI和DeepMind不断投入的耐心，强大的工程能力，前沿研究与商业化的平衡，也是值得学习和借鉴的。不能总是热泪盈眶，总是不长记性，直到下一个《震惊！XXX的XXX又颠覆世界了》…… 来源于：36氪来源：金色财经

金色财经2023-04-09

FXPATE引领外汇交易智能化时代

能够自动分析市场趋势、数据和指标。通过机器学习算法，FXPATE能够从海量数据中获取有用信息，并使用这些信息为交易者提供更准确的交易分析。在过去，交易者需要花费大量的时间和精力分析市场，收集数据和研究指标。然而，随着FXPATE的出现，这些任务已经被自动化，交易者可以更好地专注于制定更有效的交易策略。此外，FXPATE还能够自动化交易过程。基于人工智能技术，它可以快速响应市场变化，自动调整交易策略并执行交易。这大大减少了交易者的工作量，同时提高了交易效率和准确性。FXPATE的人工智能技术还能够减少交易中的人为错误。它能够消除交易者的情绪影响，降低认知偏差，并在交易执行过程中遵循预设的规则和指令。这可以使交易更加稳定和可靠。 FXPATE-智能外汇优势 FXPATE结合了Chat-Gpt的人工智能算法，这是它与其他外汇平台不同的地方。通过使用全新的人工智能算法，FXPATE可以更加准确地预测外汇市场的变化，并为交易者提供更好的交易体验。FXPATE在外汇系统中首次融入了基于GPT-4模型架构的一种自然语言处理人工智能算法，相较于的市面上外汇平台，FXPATE的主要优势如下： 1. 更强大的语言处理能力：FXPATE模型采用了更深层次的神经网络结构，拥有更多的参数和更强大的计算能力，使其在处理任务上更加准确和灵活。 2. 更强的通用性：与以往的自然语言处理算法相比，FXPATE可以自主地学习大量的数据，而不需要特定的训练集或人工标注的语料库。这使得FXPATE能够处理各种类型的自然语言任务，包括问答、对话、外汇市场规划等等。 3. 更强的创造性：由于其强大的语言处理能力特性，FXPATE可以自动跟踪和识别过往的交易记录和交易命令。并引导和生成新的交易规划等，帮助用户做出类人性的决策。这种创造性的能力使FXPATE成为一个非常有用的工具，对于用户来说相当于拥有了一个24小时服务的，精通外汇市场的智能助手。例如，FXPATE可以利用自然语言处理算法，对交易者的需求和反馈进行分析，并根据这些信息来优化其服务。此外，FXPATE还可以使用机器学习算法，根据市场数据和交易者的历史记录来进行分析和预测，从而提高交易的准确性和效率。FXPATE为交易者提供了更加智能化和个性化的服务，使其在外汇交易中获得更大的收益和成功。结语：总的来说，FXPATE的人工智能技术为交易者提供了更准确、更高效、更稳定和更可靠的交易分析和执行。随着人工智能技术的不断发展，外汇交易平台将会越来越智能化，为交易者提供更优质的交易体验。来源：金色财经

金色财经2023-04-08

a16z：机器学习和零知识证明的制衡

户可以从现有的每个数字产品(最关键的是机器学习模型)中要求区块链确保相同程度的不可信任和可验证性。对区块链计算的高需求激励了零知识证明研究，创建了具有更小内存占用和更快证明和验证时间的现代证明系统，使得现在可以在链上验证某些小型机器学习算法。到目前为止，我们可能都体验过与一个极其强大的机器学习产品交互的潜力。几天前，我使用GPT-4帮助我创建了一个在国际象棋中不断击败我的AI。这感觉像是过去几十年机器学习领域所有进步的一个缩影：IBM的开发人员花了12年时间开发出Deep Blue，一个运行在32节点IBM RS/6000 SP计算机上的模型，能够每秒评估近2亿步国际象棋，在1997年击败了国际象棋冠军加里·卡斯帕罗夫(Gary Kasparov)。相比之下，我只花了几个小时，我只编写了很少的代码，就编写了一个能够战胜我的程序。诚然，我怀疑我创造的人工智能能否在国际象棋中击败Gary Kasparov，但这不是重点。关键是任何玩GPT-4的人都可能有类似的获得超能力的经历：不费什么力气，你就可以创造出接近或超过你自己能力的东西。我们都是IBM的研究人员；我们都是Gary Kasparov。显然，这是令人兴奋和有点令人生畏的思考。对于任何在加密行业工作的人来说，自然的冲动(在惊叹于机器学习可以做什么之后)是考虑潜在的中心化向量，以及如何将这些向量去中心化到一个人们可以透明地审计和拥有的网络中。目前的模型是通过吸收大量公开可用的文本和数据来构建的，但目前只有少数人控制和拥有这些模型。更具体地说，问题不是“人工智能是否具有巨大的价值”，而是“我们如何构建这些系统，使与之交互的任何人都能获得经济利益，如果他们愿意，还能确保他们的数据以尊重他们隐私权的方式使用。” 最近，有一种声音呼吁暂停或减缓Chat-GPT等大型人工智能项目的进展。停止进展可能不是这里的解决方案：相反，更好的做法是推动开源模型，在模型提供者希望其权重或数据是私有的情况下，用链上和完全可审计的隐私保护的零知识证明来保护它们。如今，后一种围绕私有模型权重和数据的用例在链上尚不可行，但零知识证明系统的进步将使其在未来成为可能。可验证和可拥有的机器学习像我使用Chat-GPT构建的象棋AI在这一点上感觉相对良性：一个具有统一输出的程序，它不会使用侵犯有价值的知识产权或侵犯隐私的数据。但是，当我们想要确保我们被告知的模型在 API 后面运行时确实是运行的模型时会发生什么？或者如果我想将经过验证的数据提取到链上的模型中，并确保数据确实来自合法方？如果我想确保提交数据的“人”确实是人，而不是试图攻击我的网络的机器人，该怎么办？零知识证明，凭借其简洁地表示和验证任意程序的能力，是实现这一目标的一种方式。值得注意的是，今天，在链上机器学习环境中零知识证明的主要用例是验证正确的计算。换句话说，零知识证明，更具体地说，SNARK(简洁的非交互式知识论证)，在ML上下文中因其简洁属性而最有用。这是因为零知识证明保护了证明者(及其处理的数据)的隐私不受窥探验证者的侵害。像全同态加密(FHE)、功能加密或可信执行环境(TEE)这样的隐私增强技术更适用于让不受信任的验证者对私有输入数据运行计算(更深入地探索这些技术不在本文的范围内)。让我们退一步，从更高层次上理解你可以用零知识表示的机器学习应用程序的类型。(要想更深入地了解ZK，请参阅我们关于零知识证明算法和硬件改进的文章，Justin Thaler关于SNARK性能的工作，或者我们的零知识标准。)零知识证明通常将程序表示为算术电路：使用这些电路，证明者从公共和私人输入中生成一个证明，验证者从数学上计算该语句的输出是正确的——而不获得关于私人输入的任何信息。我们仍然处于在链上使用零知识证明进行计算实用验证的非常早期阶段，但算法的改进正在扩大可行的范围。以下是零知识证明在机器学习中的五种应用方式。 1. 模型真实性：你希望确保某些实体声称已经运行的机器学习模型确实是运行过的模型。例如，可以在 API 后面访问模型的情况，并且特定模型的提供者有多个版本——比如，一个更便宜、不太准确的版本和一个更昂贵、性能更高的版本。如果没有证据，你就无法知道模型的提供者是否为你提供了更便宜的模型，而你实际上已经支付了更昂贵的模型(例如，模型的提供者想要节省服务器成本并提高他们的利润率)。要做到这一点，你需要为模型的每个实例化单独的证明。实现这一目标的一种实用方法是通过Dan Boneh、Wilson Nguyen和Alex Ozdemir的功能承诺框架，这是一种基于SNARK的零知识承诺方案，允许模型所有者向模型提交数据，用户可以将数据输入模型并收到已提交模型已运行的验证。一些构建在Risc Zero(一种基于 STARK 的通用虚拟机)上的应用程序也支持这一点。Daniel Kang、Tatsunori Hashimoto、Ion Stoica和Yi Sun进行的其他研究已经证明，可以验证ImageNet数据集上的有效推断，准确率为92%(与性能最高的非ZK验证ImageNet模型相当)。但是仅仅收到提交的模型已经运行的证据是不够的。模型可能不能准确地表示给定的程序，因此希望提交的模型由第三方进行审计。功能承诺允许证明者确定它使用了一个已提交的模型，但它们不能保证关于已提交模型的任何内容。如果我们能够使零知识证明具有足够的可执行性来证明训练(参见下面的示例#4)，那么有一天我们也可以开始得到这些保证。 2. 模型完整性：你希望确保相同的机器学习算法以相同的方式在不同用户的数据上运行。这在你不希望应用任意偏见的领域非常有用，例如信用评分决策和贷款申请。你也可以使用功能承诺。为此，你将提交一个模型及其参数，并允许人们提交数据。输出将验证模型是否使用每个用户数据的提交参数运行。或者，模型及其参数可以公开，用户自己可以证明他们将适当的模型和参数应用于他们自己的（经过身份验证的）数据。这在医疗领域可能特别有用，因为法律规定患者的某些信息必须保密。在未来，这可能会使医疗诊断系统能够从完全私密的实时用户数据中学习和改进。 3.证明：你希望将来自外部经过验证的各方(例如，任何可以产生数字签名的数字平台或硬件)的证明集成到一个模型或任何其他类型的链上运行的智能合约中。为此，你将使用零知识证明来验证签名，并将该证明用作程序的输入。Anna Rose和Tarun Chitra最近与Daniel Kang和Yi Sun一起主持了一集零知识播客，探讨了这一领域的最新进展。具体来说，Daniel和Yi最近发布了一项工作，研究如何验证由经过验证的传感器拍摄的图像是否经过裁剪、调整大小或有限的编辑等转换——这在你想证明图像不是深度伪造而是经过某种合法形式的编辑的情况下很有用。Dan Boneh和Trisha Datta也做了类似的工作，使用零知识证明来验证图像的来源。但是，更广泛地说，任何经过数字认证的信息都可以进行这种形式的验证：正在研究EZKL库的Jason Morton(下一节将详细介绍)将其称为“给区块链眼睛”。任何签名的端点：(例如，Cloudflare的SXG服务，第三方公证员)都会生成可验证的数字签名，这对于证明来自受信任方的出处和真实性非常有用。 4. 去中心化推理或训练：你希望以去中心化的方式进行机器学习推理或训练，并允许人们向公共模型提交数据。要做到这一点，你可以在链上部署一个已经存在的模型，或者构建一个全新的网络，并使用零知识证明来压缩模型。Jason Morton的EZKL库正在创建一种方法，用于提取ONXX和JSON文件，并将它们转换为ZK-SNARK电路。最近在ETH Denver的演示表明，这可以用于创建基于图像识别的链上寻宝游戏等应用程序，其中游戏的创造者可以上传照片，生成图像的证明，玩家可以上传图像；验证者检查用户上传的图像是否与创建者生成的证明充分匹配。EZKL现在可以验证多达1亿个参数的模型，这意味着它可以用于在链上验证ImageNet大小的模型(有6000万个参数)。其他团队，如Modulus Labs正在对不同的证明系统进行链上推理的基准测试。Modulus的基准运行高达1800万个参数。在训练方面，Gensyn正在构建一个去中心化的计算系统，用户可以输入公共数据，并通过一个去中心化的节点网络来训练他们的模型，并验证训练的正确性。 5. 身份证明：你想要在不损害他们隐私的情况下验证某人是独一无二的人。为此，你需要创建一种验证方法——例如，生物识别扫描，或以加密方式提交政府ID的方法。然后，你将使用零知识证明来检查某人是否已被验证，而不透露有关该人身份的任何信息，无论该身份是完全可识别的，还是像公钥那样的假名。 Worldcoin通过他们的身份证明协议来做到这一点，这是一种通过为用户生成唯一的虹膜代码来确保抗女巫攻击的方法。至关重要的是，为WorldID创建的私钥(以及为Worldcoin用户创建的加密钱包的其他私钥)与项目的眼睛扫描球在本地生成的虹膜代码完全分离。这种分离完全将生物识别标识与任何形式的用户密钥分离开来，这些密钥可能来自于一个人。Worldcoin还允许应用程序嵌入一个SDK，允许用户使用WorldID登录，并利用零知识证明保护隐私，允许应用程序检查该人是否拥有WorldID，但不支持个人用户跟踪(更多细节，请参阅这篇文章)。这个例子是用零知识证明的隐私保护特性来对抗更弱、更恶意的人工智能形式的一种形式，所以它与上面列出的其他例子有很大的不同(例如，证明你是一个真正的人，而不是一个机器人，而不透露任何关于你自己的信息)。模型架构和挑战实现SNARK(简洁的非交互式知识论证)的证明系统的突破是将许多机器学习模型放在链上的关键驱动因素。一些团队正在现有的架构(包括Plonk、Plonky2、Air等)中制作定制电路。在自定义电路方面，Halo 2已经成为Daniel Kang和Jason Morton的EZKL项目等在工作中使用的流行后端，。Halo 2的证明时间是准线性的，证明大小通常只有几千字节，验证时间是常数。也许更重要的是，Halo 2拥有强大的开发人员工具，使其成为开发人员使用的流行SNARK后端。其他的团队，比如Risc Zero，则致力于一个通用的VM策略。其他人正在使用Justin Thaler基于求和校验协议的超高效证明系统创建自定义框架。证明生成和验证时间绝对取决于生成和检查证明的硬件，以及生成证明的电路的大小。但这里需要注意的关键是，无论所表示的程序是什么，证明的大小总是相对较小，因此验证者检查证明的负担是有限的。然而，这里有一些微妙之处：对于像Plonky2这样使用基于FRI的承诺方案的证明系统，证明大小可能会增加。(除非它被包装在一个基于配对的SNARK中，如Plonk或Groth16，它们的大小不会随着语句的复杂性而增长。) 这里机器学习模型的含义是，一旦你设计了一个证明系统，准确地表示一个模型，实际验证输出的成本将非常便宜。开发人员必须考虑最多的事情是证明时间和内存：以一种可以相对快速地证明模型的方式表示模型，并且理想的证明大小在几千字节左右。为了证明机器学习模型在零知识下的正确执行，你需要对模型架构(层、节点和激活函数)、参数、约束和矩阵乘法操作进行编码，并将它们表示为电路。这涉及到将这些属性分解为可以在有限域上执行的算术运算。该领域仍处于起步阶段。在将模型转换为电路的过程中，准确性和保真度可能会受到影响。当一个模型被表示为一个算术电路时，那些前面提到的模型参数、约束和矩阵乘法操作可能需要近似和简化。当算术运算被编码为证明的有限域中的元素时，一些精度可能会丢失(或者在没有这些优化的情况下，使用当前的零知识框架生成证明的成本将高得离谱)。此外，为了精确起见，机器学习模型的参数和激活通常被编码为32位，但今天的零知识证明不无法在没有大量开销的情况下以必要的算术电路格式表示32位浮点运算。因此，开发人员可以选择使用量化的机器学习模型，其32位整数已经转换为8位精度。这些类型的模型有利于表示为零知识证明，但被验证的模型可能是高质量初始模型的粗略近似。在这个阶段，无可否认，这是一场追赶游戏。随着零知识证明变得更加优化，机器学习模型的复杂性也在增长。已经有许多有前景的优化领域：证明递归可以通过允许证明用作下一个证明的输入来减少整体证明的大小，解锁证明压缩。也有一些新兴的框架，比如Linear A的Apache张量虚拟机(TVM)的分支，它改进了一个转译器，用于将浮点数转换为零知识友好的整数表示。最后，我们a16z crypto乐观地认为，未来的工作将使在SNARK中表示32位整数变得更加合理。 “规模”的两种定义零知识证明可通过压缩进行扩展：SNARK允许你使用一个极其复杂的系统(虚拟机、机器学习模型)，并以数学方式表示它，以便验证它的成本小于运行它的成本。另一方面，机器学习通过扩展来扩展：今天的模型随着更多的数据、参数和GPU/TPU参与训练和推理过程而变得更好。中心化的公司可以以几乎不受限制的规模运行服务器：按月收取API调用费用，并支付运营成本。区块链网络的经济现实几乎以相反的方式运行：鼓励开发人员优化他们的代码，使其在计算上可行(并且便宜)。这种不对称有一个巨大的好处：它创造了一个证明系统需要变得更有效的环境。我们应该推动在机器学习中要求区块链提供同样的好处——即可验证的所有权和共享的真理概念。虽然区块链激励了zk-SNARK的优化，但计算的每个领域都将受益。来源：金色财经

金色财经2023-04-08

华夏智胜价值成长基金经理孙蒙：AI+投资策略的两大优势和四个问题

投资策略有两大优势，一是更宽广的眼界，机器学习算法对更广泛的数据直接处理，得到不亚于人类的认知能力；二是更深入的思考，基于GPU等硬件，可以更迅速训练深层网络，使得具有刻画复杂规律的可能性。　　孙蒙指出，AI+投资也面临问题和挑战。第一，数据的低信噪比，第二，部分数据样本量少，第三，单一化的信息输入模式，第四，市场状态的不确定性。但是这些问题并非机器学习算法所独有，传统的量化投资和主动投资也同样遭遇这些难题，只不过在传统的认知和研究方法下这些问题常常被忽视，而人类对复杂系统的认知技术有了突破后，这些问题才成为主要矛盾。

金融界2023-04-07

零知识机器学习 (ZKML) ：ZK与AI将会碰撞出怎样的火花？

low Zero-Knowledge 机器学习（ZKML）是最近正在密码学界引起轰动的一个研究和开发领域。但它是什么，有什么用处呢？首先，让我们把这个术语分解成它的两个组成部分，并解释一下它们是什么。什么是 ZK？零知识证明是一种密码协议，其中一方（证明者）可以向另一方（验证者）证明一个给定的陈述是真实的，而不泄露除该陈述为真以外的任何附加信息。这是一个正在各个方面取得巨大进展的研究领域，涵盖了从研究到协议实施和应用的所有方面。 ZK 提供的两个主要「原语」（或者说构建块）是能够为一组给定的计算创建具有计算完整性证明的能力，其中证明比执行计算本身要容易地多。（我们称这种属性为「简洁性」）。ZK 证明也提供了隐藏计算中某些部分同时保持计算正确性的选项。（我们称这种属性为「零知识性」）。生成零知识证明需要非常大的计算量，大约比原始计算贵 100 倍。这意味着，在某些情况下由于最佳硬件上生成它们所需的时间使其不切实际，因此不能计算零知识证明。然而，在近年来密码学、硬件和分布式系统领域的进步已经使零知识证明成为了越来越强大的计算可行的选择。这些进展已经为可以使用计算密集型证明的协议的创建提供了可能，从而扩大了新应用程序的设计空间。 ZK 使用案例零知识密码学是 Web3 空间中最流行的技术之一，因为它允许开发人员构建可扩展和/或私有的应用程序。以下是一些实践中如何使用它的示例（尽管请注意，这些项目中许多都还在进行中）： 1. 通过 ZK rollups 扩展以太坊 Starknet Scroll Polygon Zero，Polygon Miden，Polygon zkEVM zkSync 2. 构建保护隐私的应用程序 Semaphore MACI Penumbra Aztec Network 3. 身份原语和数据来源 WorldID Sismo Clique Axiom 4. 第一层协议 Zcash Mina 随着 ZK 技术的成熟，我们相信将会出现新的应用程序的爆发，因为构建这些应用程序所使用的工具将需要更少的领域专业知识，对于开发人员来说将会更加容易使用。机器学习机器学习是人工智能（「AI」）领域的一个研究方向，使得计算机可以自动从经验中学习和改进，无需明确地进行编程。它利用算法和统计模型来分析和识别数据中的模式，然后基于这些模式进行预测或决策。机器学习的最终目标是开发出能够自适应学习、不需要人类干预以及在医疗保健、金融和交通等各个领域解决复杂问题的智能系统。最近，您可能已经看到了大型语言模型（如 chatGPT 和 Bard）以及文本到图像的模型（如 DALL-E 2、Midjourney 或 Stable Diffusion）的进展。随着这些模型变得越来越好，并且能够执行更广泛的任务，了解是哪个模型执行了这些操作就变得非常重要，还是操作由人类执行。在接下来的部分中，我们将探讨这个思路。 ZKML 的动机和当前努力我们生活在一个世界上，AI/ML 生成的内容越来越难以与人类生成的内容区分开来。零知识密码学将使我们能够做出这样的声明：「给定一段内容 C，它是由模型 M 应用于一些输入 X 生成的。」我们将能够验证某个输出是否是由大型语言模型（如 chatGPT）或文本到图像模型（如 DALL-E 2）等任何其他我们为其创建了零知识电路表示的模型所生成的。这些证明的零知识属性将使我们能够根据需要也隐藏输入或模型的某些部分。一个很好的例子是在一些敏感数据上应用机器学习模型，在不透露输入到第三方的情况下，用户可以知道他们的数据在模型推理后的结果（例如，在医疗行业）。注：当我们谈论 ZKML 时，我们是指创建 ML 模型推理步骤的零知识证明，而不是关于 ML 模型训练（它本身已经非常计算密集）。目前，现有技术水平的零知识系统加上高性能硬件仍然相差几个数量级，无法证明当前可用的大型语言模型（LLMs）等庞大的模型，但是在创建较小模型的证明方面已经取得了一些进展。我们对零知识密码学在为 ML 模型创建证明的上下文中的现有技术水平进行了一些研究，并创建了一个聚合相关研究、文章、应用程序和代码库的文章集。ZKML 的资源可以在 GitHub 上的 ZKML 社区的 awesome-zkml 存储库中找到。 Modulus Labs 团队最近发布了一篇名为「智能的成本」的论文，其中对现有的 ZK 证明系统进行了基准测试，并列举了不同大小的多个模型。目前，使用像 plonky2 这样的证明系统，在强大的 AWS 机器上运行 50 秒左右，可以为约 1800 万个参数的模型创建证明。以下是该论文中的一张图表：另一个旨在改进 ZKML 系统技术水平的倡议是 Zkonduit 的 ezkl 库，它允许您创建对使用 ONNX 导出的 ML 模型的 ZK 证明。这使得任何 ML 工程师都能够为他们的模型的推理步骤创建 ZK 证明，并向任何正确实现的验证器证明输出。有几个团队正在改进 ZK 技术，为 ZK 证明内部发生的操作创建优化硬件，并针对特定用例构建这些协议的优化实现。随着技术的成熟，更大的模型将在较不强大的机器上短时间内进行 ZK 证明。我们希望这些进展将使新的 ZKML 应用程序和用例得以出现。潜在的使用案例为了确定 ZKML 是否适用于特定的应用，我们可以考虑 ZK 密码学的特性将如何解决与机器学习相关的问题。这可以用一个 Venn 图来说明：定义： 1.Heuristic optimization—一种问题解决方法，它使用经验法则或「启发式」来找到艰难的问题的好解决方案，而不是使用传统的优化方法。启发式优化方法旨在在相对的重要性和优化难度下，在合理的时间内找到好的或「足够好」的解决方案，而不是尝试找到最优解决方案。 2.FHE ML—完全同态加密 ML 允许开发人员以保护隐私的方式训练和评估模型；然而，与 ZK 证明不同，没有办法通过密码学方式证明所执行的计算的正确性。像 Zama.ai 这样的团队正在从事这个领域的工作。 3.ZK vs Validity—在行业中，这些术语通常被互换使用，因为有效性证明是 ZK 证明，不会隐藏计算或其结果的某些部分。在 ZKML 的上下文中，大多数当前的应用程序都利用了 ZK 证明的有效性证明方面。 4.Validity ML—ZK 证明 ML 模型，在其中没有计算或结果被保密。它们证明计算的正确性。以下是一些潜在的 ZKML 用例示例： 1. 计算完整性（有效性 ML） Modulus Labs 基于链上可验证的 ML 交易机器人 - RockyBot 自我改进视觉区块链（示例）：增强 Lyra 金融期权协议 AMM 的智能特性为 Astraly 创建透明的基于 AI 的声誉系统（ZK oracle）使用 ML for Aztec Protocol（具有隐私功能的 zk-rollup）致力于合同级合规工具所需的技术突破。 2. 机器学习即服务 (MLaaS) 透明； 3.ZK 异常/欺诈检测：这种应用场景使得可创建针对可利用性/欺诈的 ZK 证明成为可能。异常检测模型可以在智能合约数据上进行训练，并由 DAOs 同意作为有趣的度量标准，以便能够自动化安全程序，如更主动、预防性地暂停合约。已有初创企业正在研究在智能合约环境中使用 ML 模型进行安全目的的方法，因此 ZK 异常检测证明似乎是自然的下一步。 4.ML 推理的通用有效性证明：能够轻松证明和验证输出是给定模型和输入对的乘积。 5. 隐私 (ZKML) 6. 去中心化的 Kaggle：证明模型在某些测试数据上的准确率大于 x%，而不会显示权重。 7. 隐私保护推理：将对私人患者数据的医疗诊断输入模型，并将敏感的推理（例如，癌症测试结果）发送给患者。 8.Worldcoin： IrisCode 的可升级性：World ID 用户将能够在他们的移动设备的加密存储中自我保管其生物特征，下载用于生成 IrisCode 的 ML 模型并在本地创建零知识证明，以证明其 IrisCode 已成功创建。这个 IrisCode 可以被无需许可地插入注册的 Worldcoin 用户之一，因为接收的智能合约可以验证零知识证明，从而验证 IrisCode 的创建。这意味着，如果 Worldcoin 将来升级机器学习模型以一种破坏与其之前版本兼容性的方式创建 IrisCode，用户就不必再次去 Orb，而可以在设备上本地创建这个零知识证明。 Orb 安全性：目前，Orb 在其受信任的环境中执行几个欺诈和篡改检测机制。然而，我们可以创建一个零知识证明，表明这些机制在拍摄图像和生成 IrisCode 时是活动的，以便为 Worldcoin 协议提供更好的活体保证，因为我们可以完全确定这些机制在整个 IrisCode 生成过程中都将运行。总之，ZKML 技术有着广泛的应用前景，并且正在快速发展。随着越来越多的团队和个人加入到这个领域，我们相信 ZKML 的应用场景将会更加多样化和广泛化。来源：金色财经

金色财经2023-04-07

密码学新趋势：零知识机器学习是什么？

low Zero-Knowledge 机器学习（ZKML）是最近正在密码学界引起轰动的一个研究和开发领域。但它是什么，有什么用处呢？首先，让我们把这个术语分解成它的两个组成部分，并解释一下它们是什么。什么是 ZK？零知识证明是一种密码协议，其中一方（证明者）可以向另一方（验证者）证明一个给定的陈述是真实的，而不泄露除该陈述为真以外的任何附加信息。这是一个正在各个方面取得巨大进展的研究领域，涵盖了从研究到协议实施和应用的所有方面。 ZK 提供的两个主要“原语”（或者说构建块）是能够为一组给定的计算创建具有计算完整性证明的能力，其中证明比执行计算本身要容易地多。（我们称这种属性为“简洁性”）。ZK 证明也提供了隐藏计算中某些部分同时保持计算正确性的选项。（我们称这种属性为“零知识性”）。生成零知识证明需要非常大的计算量，大约比原始计算贵 100 倍。这意味着，在某些情况下由于最佳硬件上生成它们所需的时间使其不切实际，因此不能计算零知识证明。然而，在近年来密码学、硬件和分布式系统领域的进步已经使零知识证明成为了越来越强大的计算可行的选择。这些进展已经为可以使用计算密集型证明的协议的创建提供了可能，从而扩大了新应用程序的设计空间。 ZK 使用案例零知识密码学是 Web3 空间中最流行的技术之一，因为它允许开发人员构建可扩展和/或私有的应用程序。以下是一些实践中如何使用它的示例（尽管请注意，这些项目中许多都还在进行中）： 1.通过 ZK rollups 扩展以太坊 Starknet Scroll Polygon Zero，Polygon Miden，Polygon zkEVM zkSync 2.构建保护隐私的应用程序 Semaphore MACI Penumbra Aztec Network 3.身份原语和数据来源 WorldID Sismo Clique Axiom 4.第一层协议 Zcash Mina 随着 ZK 技术的成熟，我们相信将会出现新的应用程序的爆发，因为构建这些应用程序所使用的工具将需要更少的领域专业知识，对于开发人员来说将会更加容易使用。机器学习机器学习是人工智能（“AI”）领域的一个研究方向，使得计算机可以自动从经验中学习和改进，无需明确地进行编程。它利用算法和统计模型来分析和识别数据中的模式，然后基于这些模式进行预测或决策。机器学习的最终目标是开发出能够自适应学习、不需要人类干预以及在医疗保健、金融和交通等各个领域解决复杂问题的智能系统。最近，您可能已经看到了大型语言模型（如 chatGPT 和 Bard）以及文本到图像的模型（如 DALL-E 2、Midjourney 或 Stable Diffusion）的进展。随着这些模型变得越来越好，并且能够执行更广泛的任务，了解是哪个模型执行了这些操作就变得非常重要，还是操作由人类执行。在接下来的部分中，我们将探讨这个思路。 ZKML 的动机和当前努力我们生活在一个世界上，AI/ML 生成的内容越来越难以与人类生成的内容区分开来。零知识密码学将使我们能够做出这样的声明：“给定一段内容 C，它是由模型 M 应用于一些输入 X 生成的。”我们将能够验证某个输出是否是由大型语言模型（如 chatGPT）或文本到图像模型（如 DALL-E 2）等任何其他我们为其创建了零知识电路表示的模型所生成的。这些证明的零知识属性将使我们能够根据需要也隐藏输入或模型的某些部分。一个很好的例子是在一些敏感数据上应用机器学习模型，在不透露输入到第三方的情况下，用户可以知道他们的数据在模型推理后的结果（例如，在医疗行业）。注：当我们谈论 ZKML 时，我们是指创建 ML 模型推理步骤的零知识证明，而不是关于 ML 模型训练（它本身已经非常计算密集）。目前，现有技术水平的零知识系统加上高性能硬件仍然相差几个数量级，无法证明当前可用的大型语言模型（LLMs）等庞大的模型，但是在创建较小模型的证明方面已经取得了一些进展。我们对零知识密码学在为 ML 模型创建证明的上下文中的现有技术水平进行了一些研究，并创建了一个聚合相关研究、文章、应用程序和代码库的文章集。ZKML 的资源可以在 GitHub 上的 ZKML 社区的 awesome-zkml 存储库中找到。 Modulus Labs 团队最近发布了一篇名为“智能的成本”的论文，其中对现有的 ZK 证明系统进行了基准测试，并列举了不同大小的多个模型。目前，使用像 plonky2 这样的证明系统，在强大的 AWS 机器上运行 50 秒左右，可以为约 1800 万个参数的模型创建证明。以下是该论文中的一张图表：另一个旨在改进 ZKML 系统技术水平的倡议是 Zkonduit 的 ezkl 库，它允许您创建对使用 ONNX 导出的 ML 模型的 ZK 证明。这使得任何 ML 工程师都能够为他们的模型的推理步骤创建 ZK 证明，并向任何正确实现的验证器证明输出。有几个团队正在改进 ZK 技术，为 ZK 证明内部发生的操作创建优化硬件，并针对特定用例构建这些协议的优化实现。随着技术的成熟，更大的模型将在较不强大的机器上短时间内进行 ZK 证明。我们希望这些进展将使新的 ZKML 应用程序和用例得以出现。潜在的使用案例为了确定 ZKML 是否适用于特定的应用，我们可以考虑 ZK 密码学的特性将如何解决与机器学习相关的问题。这可以用一个 Venn 图来说明：定义： 1.Heuristic optimization—— 一种问题解决方法，它使用经验法则或“启发式”来找到艰难的问题的好解决方案，而不是使用传统的优化方法。启发式优化方法旨在在相对的重要性和优化难度下，在合理的时间内找到好的或“足够好”的解决方案，而不是尝试找到最优解决方案。 2.FHE ML —— 完全同态加密ML允许开发人员以保护隐私的方式训练和评估模型；然而，与ZK证明不同，没有办法通过密码学方式证明所执行的计算的正确性。像 Zama.ai 这样的团队正在从事这个领域的工作。 3.ZK vs Validity —— 在行业中，这些术语通常被互换使用，因为有效性证明是ZK证明，不会隐藏计算或其结果的某些部分。在ZKML的上下文中，大多数当前的应用程序都利用了ZK证明的有效性证明方面。 4.Validity ML —— ZK证明ML模型，在其中没有计算或结果被保密。它们证明计算的正确性。以下是一些潜在的 ZKML 用例示例： 1.计算完整性（有效性 ML） Modulus Labs 基于链上可验证的 ML 交易机器人 - RockyBot 自我改进视觉区块链（示例）：增强 Lyra 金融期权协议 AMM 的智能特性为 Astraly 创建透明的基于 AI 的声誉系统（ZK oracle）使用 ML for Aztec Protocol（具有隐私功能的 zk-rollup）致力于合同级合规工具所需的技术突破。 2.机器学习即服务(MLaaS) 透明； 3.ZK 异常/欺诈检测：这种应用场景使得可创建针对可利用性/欺诈的 ZK 证明成为可能。异常检测模型可以在智能合约数据上进行训练，并由 DAOs 同意作为有趣的度量标准，以便能够自动化安全程序，如更主动、预防性地暂停合约。已有初创企业正在研究在智能合约环境中使用 ML 模型进行安全目的的方法，因此 ZK 异常检测证明似乎是自然的下一步。 4.ML 推理的通用有效性证明：能够轻松证明和验证输出是给定模型和输入对的乘积。 5.隐私 (ZKML)。 6.去中心化的 Kaggle：证明模型在某些测试数据上的准确率大于 x%，而不会显示权重。 7.隐私保护推理：将对私人患者数据的医疗诊断输入模型，并将敏感的推理（例如，癌症测试结果）发送给患者。 8.Worldcoin： IrisCode 的可升级性：World ID 用户将能够在他们的移动设备的加密存储中自我保管其生物特征，下载用于生成 IrisCode 的 ML 模型并在本地创建零知识证明，以证明其 IrisCode 已成功创建。这个 IrisCode 可以被无需许可地插入注册的 Worldcoin 用户之一，因为接收的智能合约可以验证零知识证明，从而验证 IrisCode 的创建。这意味着，如果 Worldcoin 将来升级机器学习模型以一种破坏与其之前版本兼容性的方式创建 IrisCode，用户就不必再次去 Orb，而可以在设备上本地创建这个零知识证明。 Orb 安全性：目前，Orb 在其受信任的环境中执行几个欺诈和篡改检测机制。然而，我们可以创建一个零知识证明，表明这些机制在拍摄图像和生成 IrisCode 时是活动的，以便为 Worldcoin 协议提供更好的活体保证，因为我们可以完全确定这些机制在整个 IrisCode 生成过程中都将运行。总之，ZKML 技术有着广泛的应用前景，并且正在快速发展。随着越来越多的团队和个人加入到这个领域，我们相信 ZKML 的应用场景将会更加多样化和广泛化。来源：金色财经

金色财经2023-04-07

ADXCHAIN创新广告平台,为游戏产业带来颠覆性变⾰

. 基于⼈⼯智能的广告匹配：利⽤先进的机器学习算法，将广告精确匹配到⽬标受众，提⾼广告投放效果。 2. 游戏内广告整合：为游戏开发商提供易于使⽤的SDK，实现⾃然且不突兀的游戏内广告融合。 3. 社交互动功能：让⽤户能够分享、评论和讨论他们喜欢的广告，提⾼平台的黏性。 4. 全球化策略：⽀持多语⾔和多币种，以满⾜全球市场的需求。 ADXCHAIN还计划推出⾃家的虚拟货币，将⽤于奖励⽤户观看广告、参与社交互动和兑换实物奖品。这将进⼀步激励⽤户参与平台活动，同时为广告主和游戏开发商创造更⾼的价值。随着ADXCHAIN平台的正式推出，游戏产业的广告市场将迎来⼀个崭新的竞争格局。该公司已经与多家知名游戏开发商达成合作意向，并将在未来⼏个⽉内推出⼀系列⼤型游戏内广告活动。 ADXCHAIN创始⼈补充说：“我们非常⾼兴能够为游戏产业提供这样⼀个创新的广告解决⽅案。在未来，我们将继续扩⼤平台的功能和覆盖范围，并与更多的合作伙伴携⼿，共同推动游戏产业的广告市场向前发展。”随着游戏产业的快速发展，寻求有效的广告渠道和货币化机会成为了⾏业的关注焦点。ADXCHAIN平台的推出，无疑为游戏开发商和广告主提供了⼀个具有巨⼤潜⼒的新选择。借助区块链技术和⼈⼯智能，ADXCHAIN将继续在游戏广告领域探索创新，为全球游戏爱好者带来更好的⽤户体验。关于ADXCHAIN ADXCHAIN成⽴于2017年，总部位于拉斯维加斯。该公司致⼒于通过创新技术为游戏产业的广告市场带来颠覆性变⾰。ADXCHAIN平台结合了区块链技术、⼈⼯智能和游戏内广告整合，为广告主、游戏开发商和⽤户提供了⼀个全新的广告解决⽅案。来源：金色财经

金色财经2023-04-06

24小时热点