FX168财经网_全球视野外汇黄金加密货币NFT资讯网

AI概念代币领涨还有哪些AI加密项目值得关注

一种开源协议，为去中心化、基于区块链的机器学习网络提供支持。模型进行协作并根据其价值赚取BAI代币。该网络使用权益证明区块链，其中BAI驱动整个系统。代币经济学：BAI代币供应量 2100 万枚，从 2027 年开始将经历 64 次减半事件。在第一次减半之前，代币供应量每年将增加约 260 万枚代币。 wBAI是用于 DEX 交易的包装代币版本 wBAI价格：7.6 美元市值：2300 万美元 EnqAI，代币ENQAI EnqAI 是一个领先的人工智能平台，在生成图像、音频和大语言模型方面提供无限的可能性。它由去中心化的 GPU 网络提供支持，确保公正、无隐秘意图和未经审查的功能。它作为创新者开辟了新天地。 EnqAI 代币将在更广泛的 EnqAI 生态系统中发挥各种作用：为 LLM 节点提供激励；为推理客户提供折扣；参与治理；通过质押增强网络安全；鼓励推理节点的正常运行时间 ENQAI价格：0.042 美元市值： 4100 万美元 Devolved AI，代币AGC Devolved AI 寻求通过去中心化和透明度重新定义 AI 发展格局。该生态系统由其专有的 L1 技术提供支持，为开发人员提供构建 dApp 的机会。他们的目标是消除AI的中心化并确保其惠及大众。通过价值证明 (PoV) 协议，他们激励并认可成员的贡献，培育一个充满活力的生态系统，让每个声音都很重要，每个努力都受到重视。 AGC代币不仅仅是一种数字资产；它是通向 Devolved AI 庞大生态系统的门户。 AGC价格：0.45 美元市值：2000 万美元 SleeplessAI，代币AI SleeplessAI专注于 AI 和 Web3。这就足够了。主要思想是该代币在币安上交易并具有AI代码。众所周知，加密货币喜欢联想、有趣或简单的东西；记住$DOGE / $PEPE。因此，就AI而言，这只是市场会欣赏它的一个想法，此外，在币安上进行交易还会带来巨大的好处。不要在链上购买；那里没有流动性。不要期望立即上涨；市场仍然需要感受这个想法。对于所有项目，寻找更好的切入点并考虑 DCA。然而，如果你对某个项目的潜力有坚定的信心，并准备长期持有它，那么以任何价格首次进入可能是一个不错的决定。山寨季可能会出乎意料地开始，并且至少拥有一个起始位置可能是有利的。现在，我想介绍一下还没有代币的项目 Grass，代币GRASS Grass平台利用用户未使用的互联网资源，将你的在线形象转变为有价值的商品。换句话说：你只需上网即可产生被动收入。 GRASS代币尚未推出，但似乎已得到确认。用户现在可以开始耕种积分，稍后将转换为代币。怎么开始：在http://tinyurl.com/getgrasspoints注册；下载适用于你的浏览器的“Grass Extension”；照常浏览互联网；推荐朋友以获得额外奖励；你可以连接更多设备来赚取额外积分。 KIP协议，代币KIP KIP 协议是一个开源 Web3 框架，旨在简化AI应用程序去中心化知识资产的开发、控制和货币化，以启动 KnowledgeFi。该协议让AI创新者展示他们在数据生成、模型训练、应用程序开发等方面的技能，并提供清晰的记账和收入共享。每个元素都封装在 ERC-3525 半同质代币 (SFT) 中，允许在用户参与时在组件之间实时无缝、经济高效地转移经济价值。 KIP代币既充当协议中的记账单位又充当主要交易货币。最大供应量：100亿枚KIP，3% 将分配用于公开销售。 Swan Chain Swan是一个基于 OP 堆栈构建的 EVM 2 层 AI 计算链。其主要重点是协助AI项目将存储、计算和支付功能无缝集成到一个统一的套件中。它目击了 300 万美元，Binance是主要投资者之一。目前，Swan公共测试网正在进行中，截止日期为 3 月 22 日。保持参与总是最好的。在这篇文章中，我讨论了我长期相信的项目。考虑到AI发展的各个方面，该领域有望成为最大的市场之一，并有可能带来显着的增长（以积极的方式）。爆发效应可能仅在10-20-30年以上才会发生。来源：金色财经

金色财经2024-02-19

Ai赛道大火,代币盘点,还有哪些机会？Starknet上线,长期来看对比Arb具备哪些优势？

景。 ?. $FET: 基于人工智能和机器学习的区块链平台。 ?. $NFP: 一个 ?? 驱动的 ??? 平台，专为新一代 ???? 创作者而设计，它是一个集 ?? 创作、社交和商业化于一体的平台。 ?. $WLD: ????????? 是由 ?????? 创始人 ??? ?????? 创立的??????项目。是建设一个全球最大的，公平的数字身份和货币体系。 ?. $ALT: ??? ???????? 是首个致力于数据注释和 ?? 模型训练的 ???? 数据基础设施。 ?. $AI: ????????? ?? 是一款基于 ?? 的虚拟伴侣游戏，利用 ???? 和 ??? 来创建丰富的基于故事的游戏玩法以及与角色有机发展的互动。晴天这里说一个币种：$Rare，现价0.1290，近期ai币大火，且看看rare炒作逻辑，技术角度，rare目前0.1290，有机会可以去0.2左右，这里到0.2都是真空。目前eth的nft交易量已经超过sol，nft市场正在复苏。打开dune，blur的dau和交易量在上升，和他一起上升的仅有superrare，look和x2y2都不行，blur的市值10个亿，rare的市值1个亿都不到，和looks还有x2y2一个水平。 rare从本来的无用变成有用，rareprotocol的质押功能出现，你可以毒株你喜欢的艺术品，从上面分取收益。而且rare并不是同质化的nft拍卖平台，是艺术品平台，上面卖的东西很赛博朋克，期待乘着AI的风，成为王炸！我是晴天，一个老韭菜，祝你暴富，点个关注吧，瑞思拜！来源：金色财经

金色财经2024-02-19

Octavia：基于 AI 构建链上意图设施,引领智能化加密时代

于质押、高级功能解锁、投票参与治理以及机器学习模型的训练，从而使用户能够赚取额外的 $VIA 代币，该资产 Octavia 生态系统的运营中发挥着至关重要的作用。质押通过质押 $VIA 资产，用户将能够获得生态系统奖励。该机制旨在激励用户积极参与 Octavia 生态系统。质押的代币将被锁定，减少流通供应并确保健康的生态系统，而产生的奖励可以成为代币持有者的被动收入来源。高级功能 $VIA 持有者将有机会访问先进的工作流程、私人模式、自动交易等。通过质押足够的 $VIA 代币，该实用程序鼓励用户持有和使用 $VIA 代币，从而促进市场上 $VIA 的需求增加和流通量减少。治理作为一个去中心化平台，Octavia 允许 $VIA 代币持有者参与决策过程。他们可以对新功能、协议调整或生态系统的任何变化提出、讨论和投票。这意味着 Octavia 平台的方向和发展掌握在社区手中，这符合去中心化和开放发展的精神。 “Train-To-Earn” Train-To-Earn 是一个全新的概念，用户可以通过提供有关 Octavia 产出的反馈来获得生态系统奖励，从而直接为 Octaiva 的发展做出贡献。该机制经过专门设计，不仅增强了 Octavia 的功能，而且还创建了一个积极的反馈循环，用户因对平台的贡献而获得奖励。目前，Octavia 已经与 Openfabric AI、Masterblox、DexCheck、Chappyz、DeFiMint、NeoCoder、Arcanum Ventures、HyperGPT、Solidus Ai Tech 等建立了合作伙伴关系，并获得了 Genesis Capital、Brotherhood Ventures、Castrum Capital、Poolz Ventures、MoonBoots DAO、Xtream Capital、 Normie Capital、DCI Capital 、Automatic Venture Group、Founderheads、Simurg、Mapleblock Capital 、PMZ Capital、 Coinvestor Ventures、DuckDAO、BlockVerse Capital 等的投资支持。目前，随着 Octavia 应用程序的启动，$VIA 代币也正在被推向市场。在 2024 年 2 月 12 日至 2 月 19 日期间，$VIA 代币已经陆续在 DAO Maker、ChainGPT、Decubate、Poolz 几个 LaunchPad 平台进行了 Launch，并实现了早期的启动。而在北京时间 2 月 20 日 21:00（LaunchPad 结束），$VIA 将上线 Gate 平台，并在后续上线 MXC 。引领智能化加密时代 OpenAI 推出的 ChatGPT 正在让高质量的 AIGC 服务向 B 端用户开放，这也让越来越多的互联网用户能够通过 AI 技术来享受便利，该工具在学术、办公等诸多领域备受欢迎。而在 ChatGPT 被推出后 OpenAI 的估值水涨船高并且不断获得融资，目前估值超 500 亿美元，科技领域对于 AI 叙事方向始终有着较高的想象空间。在加密行业，如何提升投资的收益率是绝大多数加密投资者们始终所追求的， Octavia 正在通过这套智能化体系满足用户们的需求，理论上所有加密交易者都是其潜在用户群体。另一方面，Octavia 相对于 ChatGPT 有着更稳定的底层系统，并且能够带来优于 ChatGPT 的使用体验以及功能抓手，并通过开放的 API 横向拓展至全行业，通过这种间接的方式正在让 Octavia 捕获用户具备“可复制性”的能力，这也有望让其生态规模实现指数型增长。Octavia 有望背靠更加广泛的用户规模与市场，这对于 Octavia 想象空间与估值都是可期的。或许在不久，通过智能化投资分析工具做投资决策，将成为加密投资者必备的手段，而 Octavia 正在加速智能化加密时代大门的开启。来源：金色财经

金色财经2024-02-19

Galaxy万字长文：加密货币和AI交叉领域和项目盘点

报告研究了开发去中心化计算协议、零知识机器学习 (zkML) 基础设施和AI智能体的项目。加密货币为AI提供了无需许可、无需信任且可组合的结算层。这解锁了用例，例如通过去中心化计算系统使硬件更容易访问，构建可以执行需要价值交换的复杂任务的AI智能体，以及开发身份和溯源（provenance）解决方案来对抗女巫攻击和深度伪造。AI为加密货币带来了许多我们在 Web 2 中看到的相同好处。这包括由于大语言模型（即经过专门训练的ChatGPT 和 Copilot 版本）而为用户和开发人员增强的用户体验 (UX) 以及潜在的潜力显著提高智能合约功能和自动化。区块链是AI所需的透明的数据丰富环境。但区块链的计算能力也有限，这是直接集成AI模型的主要障碍。加密货币和Ai交叉领域正在进行的实验和最终采用背后的驱动力与推动加密货币最有前途的用例的驱动力相同——访问无需许可和无需信任的协调层，从而更好地促进价值转移。鉴于巨大的潜力，该领域的参与者需要了解这两种技术交叉的基本方式。要点：在不久的将来（6个月到1年），加密货币和AI的集成将由AI应用程序主导，这些应用程序可以提高开发人员的效率、智能合约的可审计性和安全性以及用户的可访问性。这些集成并非特定于加密货币，而是增强了链上开发人员和用户体验。正如高性能 GPU 严重短缺一样，去中心化计算产品正在实施AI定制的GPU产品，为采用提供了推动力。用户体验和监管仍然是吸引去中心化计算客户的障碍。然而， OpenAI 的最新发展以及美国正在进行的监管审查凸显了无需许可、抗审查、去中心化的AI网络的价值主张。链上AI集成，特别是能够使用人工智能模型的智能合约，需要改进 zkML 技术和其他验证链下计算的计算方法。缺乏全面的工具和开发人员人才以及高昂的成本是采用的障碍。 AI智能体非常适合加密货币，用户（或智能体本身）可以创建钱包以与其他服务、智能体或人员进行交易。目前使用传统的金融方法无法实现这一点。为了更广泛的采用，需要与非加密产品进行额外的集成。术语 AI是利用计算和机器来模仿人类推理和解决问题的能力。神经网络是人工智能模型的一种训练方法。他们通过离散的算法层运行输入，对其进行改进，直到产生所需的输出。神经网络由具有权重的方程组成，可以修改权重来改变输出。它们可能需要大量的数据和计算来进行训练，以便其输出准确。这是开发 AI 模型最常见的方式之一（ChatGPT 使用依赖于Transformer 神经网络过程）。训练是开发神经网络和其他人工智能模型的过程。它需要大量数据来训练模型以正确解释输入并产生准确的输出。在训练过程中，模型方程的权重不断修改，直到产生令人满意的输出。培训费用可能非常昂贵。例如，ChatGPT使用数万个自己的 GPU 来处理数据。资源较少的团队通常依赖专门的计算提供商，例如 Amazon Web Services、Azure 和 Google Cloud 提供商。推理是实际使用 AI 模型来获取输出或结果（例如，使用 ChatGPT 为有关加密货币和 AI 交叉点的论文创建大纲）。在整个培训过程和最终产品中都会使用推理。由于计算成本的原因，即使在训练完成后，它们的运行成本也可能很高，但其计算强度低于训练。零知识证明 (ZKP)允许在不泄露基础信息的情况下验证声明。这在加密货币中很有用，主要有两个原因：1) 隐私和 2) 扩展。为了保护隐私，这使用户能够在不泄露敏感信息（例如钱包中有多少 ETH）的情况下进行交易。对于扩展而言，它使链下计算能够比重新执行计算更快地在链上得到证明。这使得区块链和应用程序能够廉价地在链下运行计算，然后在链上验证它们。 AI/加密货币生态图 AI和加密货币交叉的项目仍在构建支持大规模链上人工智能交互所需的底层基础设施。去中心化计算市场正在兴起，以提供训练和推理人工智能模型所需的大量物理硬件，主要以GPU的形式。这些双向市场将那些租赁和寻求租赁计算的人连接起来，促进价值的转移和计算的验证。在去中心化计算中，正在出现几个提供附加功能的子类别。除了双边市场之外，本报告还将审查专门提供可验证训练和微调输出的机器学习训练提供商，以及致力于连接计算和模型生成以实现AI的项目，也经常被称为智能激励网络。 zkML是希望以经济有效且及时的方式在链上提供可验证模型输出的项目的一个新兴重点领域。这些项目主要使应用程序能够处理链下繁重的计算请求，然后在链上发布可验证的输出，证明链下工作负载是完整且准确的。 zkML 在当前实例中既昂贵又耗时，但越来越多地被用作解决方案。这在 zkML 提供商和想要利用 AI 模型的 DeFi/游戏应用程序之间的集成数量不断增加中显而易见。充足的计算供应以及验证链上计算的能力为链上AI智能体打开了大门。智能体是经过训练的模型，能够代表用户执行请求。智能体提供了显著增强链上体验的机会，使用户只需与聊天机器人对话即可执行复杂的交易。然而，就目前而言，智能体项目仍然专注于开发基础设施和工具，以实现轻松快速的部署。去中心化计算概述 AI需要大量计算来训练模型和运行推理。在过去的十年中，随着模型变得越来越复杂，计算需求呈指数级增长。例如，OpenAI发现，从 2012 年到 2018 年，其模型的计算需求从每两年翻一番变为每三个半月翻一番。这导致对 GPU 的需求激增，一些加密货币矿工甚至重新利用其 GPU来提供云计算服务。随着访问计算的竞争加剧和成本上升，一些项目正在利用加密技术来提供去中心化计算解决方案。他们以具有竞争力的价格提供按需计算，以便团队能够以经济实惠的方式训练和运行模型。在某些情况下，权衡的是性能和安全性。最先进的 GPU（例如Nvidia生产的 GPU）的需求量很大。2023年 9 月，Tether收购了德国比特币矿商 Northern Data 的股份，据报道，该公司斥资 4.2 亿美元购买了 10,000 个 H100 GPU（用于 AI 训练的最先进 GPU 之一）。获得一流硬件的等待时间可能至少为六个月，在许多情况下甚至更长。更糟糕的是，公司经常被要求签署长期合同，以获取他们甚至可能不会使用的计算量。这可能会导致存在可用计算但市场上不可用的情况。去中心化计算系统有助于解决这些市场效率低下的问题，创建一个二级市场，计算所有者可以在接到通知后立即转租其过剩容量，从而释放新的供应。除了有竞争力的定价和可访问性之外，去中心化计算的关键价值主张是抗审查性。尖端AI开发日益由拥有无与伦比的计算和数据访问能力的大型科技公司主导。AI指数报告2023年年度报告中强调的第一个关键主题是，工业界在AI模型的开发方面日益超越学术界，将控制权集中在少数技术领导者手中。这引发了人们的担忧，即他们是否有能力在制定支撑AI模型的规范和价值观方面产生巨大影响力，特别是在这些科技公司推动监管以限制其无法控制的人工智能开发之后。去中心化计算垂直领域近年来出现了几种去中心化计算模型，每种模型都有自己的重点和权衡。广义计算 Akash、io.net、iExec、Cudos 等项目都是去中心化计算应用程序，除了数据和通用计算解决方案之外，它们还提供或即将提供用于 AI 训练和推理的专用计算的访问权限。 Akash是目前唯一完全开源的“超级云”平台。它是使用 Cosmos SDK 的权益证明网络。 AKT 是 Akash 的原生代币，作为一种支付形式，用于保护网络安全并激励参与。 Akash 于 2020 年推出了第一个主网，专注于提供无需许可的云计算市场，最初以存储和 CPU 租赁服务为特色。 2023 年 6 月，Akash推出了一个专注于 GPU 的新测试网，并于 9 月推出了GPU 主网，使用户能够租赁 GPU 进行人工智能训练和推理。 Akash 生态系统中有两个主要参与者——租户和供应商。租户是想要购买 Akash网络计算资源的用户。供应商是计算资源供应商。为了匹配租户和供应商，Akash 依靠逆向拍卖流程。租户提交他们的计算要求，在其中他们可以指定某些条件，例如服务器的位置或进行计算的硬件类型，以及他们愿意支付的金额。然后，供应商提交他们的要价，最低出价者将获得任务。 Akash 验证者维护网络的完整性。验证者集目前限制为 100 个，并计划随着时间的推移逐步增加。任何人都可以通过质押比当前质押 AKT 数量最少的验证者更多的 AKT 来成为验证者。 AKT 持有者还可以将其 AKT 委托给验证者。网络的交易费用和区块奖励以 AKT 形式分配。此外，对于每笔租赁，Akash 网络都会按照社区确定的费率赚取“收取费用”，并将其分配给 AKT 持有者。二级市场去中心化计算市场旨在填补现有计算市场的低效率。供应限制导致公司囤积超出其可能需要的计算资源，并且由于与云提供商的合同结构将客户锁定在长期合同中，即使可能不需要持续访问，供应也进一步受到限制。去中心化计算平台释放了新的供应，使世界上任何拥有计算需求的人都可以成为供应商。 AI 训练对 GPU 的需求激增是否会转化为 Akash 上的长期网络使用还有待观察。例如，Akash 长期以来一直为 CPU 提供市场，以70-80% 的折扣提供与中心化替代品类似的服务。然而，较低的价格并没有带来显著的采用。网络上的活跃租约已经趋于平缓，到 2023 年第二季度，平均只有 33% 的计算、16% 的内存和 13% 的存储。虽然这些都是链上采用的令人印象深刻的指标（作为参考，领先的存储提供商 Filecoin 已经2023 年第三季度存储利用率为 12.6%），这表明这些产品的供应继续超过需求。 Akash 推出 GPU 网络已经过去半年多了，现在准确评估长期采用率还为时过早。迄今为止，GPU 的平均利用率为 44%，高于 CPU、内存和存储，这是需求的一个迹象。这主要是由对最高质量 GPU（如 A100）的需求推动的，超过90%已出租。 Akash 的每日支出也有所增加，相对于 GPU 出现之前几乎翻了一番。这部分归因于其他服务使用量的增加，尤其是 CPU，但主要是新 GPU 使用量的结果。定价与Lambda Cloud 和 Vast.ai 等中心化竞争对手相当（或者在某些情况下甚至更贵）。对最高端 GPU（例如 H100 和 A100）的巨大需求意味着该设备的大多数所有者对在面临竞争性定价的市场上市兴趣不大。虽然最初的兴趣很有希望，但采用仍然存在障碍（下面进一步讨论）。去中心化计算网络需要采取更多措施来产生需求和供应，团队正在尝试如何最好地吸引新用户。例如，2024 年初，Akash 通过了第 240 号提案，增加 GPU 供应商的 AKT 排放量并激励更多供应，特别针对高端 GPU。团队还致力于推出概念验证模型，向潜在用户展示其网络的实时功能。 Akash 正在训练他们自己的基础模型，并且已经推出了聊天机器人和图像生成产品，可以使用 Akash GPU 创建输出。同样，io.net开发了stable diffusion模型，并正在推出新的网络功能，更好地模仿传统 GPU 数据中心的性能和规模。去中心化机器学习训练除了能够满足AI需求的通用计算平台外，一组专注于机器学习模型训练的专业AI GPU供应商也正在兴起。例如，Gensyn正在“协调电力和硬件来构建集体智慧”，其观点是，“如果有人想要训练某些东西，并且有人愿意训练它，那么就应该允许这种训练发生。” 该协议有四个主要参与者：提交者（submitters）、求解者（solvers）、验证者（verifiers）和吹哨者（whistleblowers）。提交者向网络提交带有培训请求的任务。这些任务包括训练目标、要训练的模型和训练数据。作为提交过程的一部分，提交者需要为求解者所需的估计计算量预先支付费用。提交后，任务将分配给对模型进行实际训练的求解者。然后，求解者将已完成的任务提交给验证者，验证者负责检查训练以确保正确完成。吹哨者有责任确保验证者诚实行事。为了激励吹哨者参与网络，Gensyn 计划定期提供故意错误的证据，奖励吹哨者抓住他们。除了为人工智能相关工作负载提供计算之外，Gensyn 的关键价值主张是其验证系统，该系统仍在开发中。为了确保 GPU 供应商的外部计算正确执行（即确保用户的模型按照他们希望的方式进行训练），验证是必要的。 Gensyn 采用独特的方法解决了这个问题，利用了称为“概率学习证明、基于图形的精确协议和 Truebit 式激励游戏”的新颖验证方法。这是一种乐观求解模式，允许验证者确认求解者已正确运行模型，而无需自己完全重新运行模型，完全重新运行模型是一个成本高昂且低效的过程。除了其创新的验证方法之外，Gensyn 还声称相对于中心化替代方案和加密货币竞争对手而言具有成本效益，提供的 ML 训练价格比 AWS 便宜高达 80%，同时在测试方面胜过 Truebit 等类似项目。这些初步结果是否可以在去中心化网络中大规模复制还有待观察。 Gensyn 希望利用小型数据中心、零售用户以及未来手机等小型移动设备等提供商的多余计算能力。然而，正如 Gensyn 团队自己所承认的那样，依赖异构计算提供商带来了一些新的挑战。对于 Google Cloud Providers 和 Coreweave 等中心化供应商来说，计算成本昂贵，而计算之间的通信（带宽和延迟）却很便宜。这些系统旨在尽快实现硬件之间的通信。 Gensyn 颠覆了这一框架，通过让世界上任何人都可以提供 GPU 来降低计算成本，但同时也增加了通信成本，因为网络现在必须在相距较远的异构硬件上协调计算作业。 Gensyn 尚未推出，但它是构建去中心化机器学习训练协议时可能实现的概念证明。去中心化通用智能去中心化计算平台也为AI创建方法的设计提供了可能性。 Bittensor是一种基于 Substrate 构建的去中心化计算协议，试图回答“我们如何将AI转变为协作方法？”的问题。 Bittensor 旨在实现AI生成的去中心化和商品化。该协议于 2021 年推出，希望利用协作机器学习模型的力量来不断迭代并产生更好的AI。 Bittensor 从比特币中汲取灵感，其原生货币 TAO 的供应量为 2100 万，减半周期为四年（第一次减半将于 2025 年）。 Bittensor 不是使用工作量证明来生成正确的随机数并获得区块奖励，而是依赖于“智能证明”（Proof of Intelligence），要求矿工运行模型来响应推理请求而生成输出。激励智能 Bittensor 最初依赖专家混合 (MoE) 模型来生成输出。当提交推理请求时，MoE 模型不会依赖一个广义模型，而是将推理请求转发给给定输入类型的最准确的模型。想象一下建造一栋房子，你聘请了各种专家来负责施工过程的不同方面（例如：建筑师、工程师、油漆工、建筑工人等......）。 MoE 将其应用于机器学习模型，尝试根据输入利用不同模型的输出。正如 Bittensor 创始人 Ala Shaabana所解释的那样，这就像“与一屋子聪明人交谈并获得最佳答案，而不是与一个人交谈”。由于在确保正确路由、消息同步到正确模型以及激励方面存在挑战，这种方法已被搁置，直到项目得到进一步开发。 Bittensor 网络中有两个主要参与者：验证者和矿工。验证者的任务是向矿工发送推理请求，审查他们的输出，并根据他们的响应质量对它们进行排名。为了确保他们的排名可靠，验证者会根据他们的排名与其他验证者排名的一致程度给予“vtrust”分数。验证者的 vtrust 分数越高，他们获得的 TAO 币就越多。这是为了激励验证者随着时间的推移就模型排名达成共识，因为就排名达成一致的验证者越多，他们的个人 vtrust 分数就越高。矿工，也称为服务者，是运行实际机器学习模型的网络参与者。矿工们相互竞争，为验证者提供针对给定查询的最准确的输出，输出越准确，赚取的 TAO 就越多。矿工可以随心所欲地生成这些输出。例如，在未来的情况下，Bittensor 矿工完全有可能之前在 Gensyn 上训练过模型，并用它们来赚取 TAO 。如今，大多数交互直接发生在验证者和矿工之间。验证者向矿工提交输入并请求输出（即训练模型）。一旦验证者查询网络上的矿工并收到他们的响应，他们就会对矿工进行排名并将其排名提交到网络。验证者（依赖 PoS）和矿工（依赖模型证明，PoW 的一种形式）之间的这种互动被称为 Yuma 共识。它旨在激励矿工产生最佳输出来赚取 TAO ，并激励验证者对矿工输出进行准确排名，以获得更高的 vtrust 分数并增加他们的 TAO 奖励，从而形成网络的共识机制。子网和应用程序 Bittensor 上的交互主要包括验证者向矿工提交请求并评估其输出。然而，随着贡献矿工的质量提高和网络整体智能的增长，Bittensor 将在其现有堆栈之上创建一个应用程序层，以便开发人员可以构建查询 Bittensor 网络的应用程序。 2023 年 10 月，Bittensor 通过 Revolution 升级引入了子网，朝着实现这一目标迈出了重要一步。子网是 Bittensor 上激励特定行为的单独网络。 Revolution 向任何有兴趣创建子网的人开放网络。自发布以来的几个月内，已经启动了超过32 个子网，包括用于文本提示、数据抓取、图像生成和存储的子网。随着子网的成熟并成为产品就绪，子网创建者还将创建应用程序集成，使团队能够构建查询特定子网的应用程序。一些应用程序（聊天机器人、图像生成器、推特回复机器人、预测市场）目前已经存在，但除了 Bittensor 基金会的资助之外，没有正式的激励措施让验证者接受和转发这些查询。为了提供更清晰的说明，下面是一个示例，说明应用程序集成到网络中后 Bittensor 可能如何工作。子网根据根网络（root network）评估的性能赚取 TAO 。根网络位于所有子网之上，本质上充当一种特殊的子网，并由 64 个最大的子网验证者按权益进行管理。根网络验证者根据子网的性能对子网进行排名，并定期将排放的TAO 代币分配给子网。通过这种方式，各个子网充当根网络的矿工。 Bittensor展望 Bittensor仍在经历成长的烦恼，因为它扩展了协议的功能以激励跨多个子网的智能生成。矿工们不断设计新的方法来攻击网络以获得更多 TAO 奖励，例如通过稍微修改其模型运行的高评价推理的输出，然后提交多个变体。影响整个网络的治理提案只能由完全由 Opentensor 基金会利益相关者组成的Triumvirate提交和实施（需要注意的是，提案需要在实施之前得到由 Bittensor 验证者组成的 Bittensor 参议院的批准）。该项目的代币经济正在进行修改，以提高对 TAO 跨子网使用的激励。该项目还因其独特的方法而迅速获得名声，最受欢迎的人工智能网站之一HuggingFace的首席执行官表示 Bittensor 应该将其资源添加到该网站。在核心开发人员最近发表的一篇名为“Bittensor Paradigm”的文章中，该团队阐述了 Bittensor 的愿景，即最终发展为“对所测量的内容不可知”。理论上，这可以使 Bittensor 开发子网来激励所有由 TAO 支持的任何类型的行为。仍然存在相当大的实际限制——最值得注意的是，证明这些网络能够扩展以处理如此多样化的流程，并且潜在的激励措施推动的进步超过了中心化产品。为AI模型构建去中心化计算堆栈上述部分提供了正在开发的各种类型的去中心化AI计算协议的粗略概述。在其开发和采用的早期，它们提供了生态系统的基础，最终可以促进“AI构建块”的创建，例如 DeFi 的“货币乐高”概念。无需许可的区块链的可组合性为每个协议构建在另一个协议之上提供了可能性，以提供更全面的去中心化人工智能生态系统。例如，这是 Akash、Gensyn 和 Bittensor 可能全部交互以响应推理请求的一种方式。需要明确的是，这只是未来可能发生的事情的一个例子，而不是当前生态系统、现有合作伙伴关系或可能结果的代表。互操作性的限制以及下面描述的其他考虑因素极大地限制了当今的集成可能性。除此之外，流动性破碎化和使用多种代币的需要可能会损害用户体验，Akash 和 Bittensor 的创始人都指出了这一点。其他去中心化产品除了计算之外，还推出了其他几种去中心化基础设施服务，以支持加密货币新兴的AI生态系统。列出所有这些超出了本报告的范围，但一些有趣且说明性的示例包括： Ocean：一个去中心化的数据市场。用户可以创建代表其数据的数据 NFT，并可以使用数据代币进行购买。用户既可以将其数据货币化，又可以对其拥有更大的主权，同时为AI团队提供开发和训练模型所需的数据的访问权限。 Grass：一个去中心化的带宽市场。用户可以将多余的带宽出售给AI公司，后者利用这些带宽从互联网上抓取数据。Grass建立在Wynd 网络之上，这不仅使个人能够将其带宽货币化，而且还为带宽购买者提供了更多样化的观点来了解个人用户在网上看到的内容（因为个人的互联网访问通常是根据其 IP 地址专门定制的））。 HiveMapper：构建一个去中心化的地图产品，其中包含从日常汽车驾驶员收集的信息。 HiveMapper 依靠 AI 来解释从用户仪表板摄像头收集的图像，并奖励用户通过强化人类学习反馈 (RHLF) 帮助微调 AI 模型的代币。总的来说，这些都指向探索支持AI模型的去中心化市场模型或开发它们所需的周边基础设施的几乎无限的机会。目前，这些项目大多处于概念验证阶段，需要更多的研究和开发来证明它们能够以提供全面人工智能服务所需的规模运行。展望去中心化计算产品仍处于开发的早期阶段。他们刚刚开始推出最先进的计算能力，能够在生产中训练最强大的AI模型。为了获得有意义的市场份额，他们需要展示与中心化替代方案相比的实际优势。更广泛采用的潜在触发因素包括： GPU 供应/需求。 GPU 的稀缺加上快速增长的计算需求正在导致 GPU 军备竞赛。由于 GPU 的限制，OpenAI 已经一度限制对其平台的访问。 Akash 和 Gensyn 等平台可以为需要高性能计算的团队提供具有成本竞争力的替代方案。对于去中心化计算提供商来说，未来 6-12 个月是一个特别独特的机会来吸引新用户，由于缺乏更广泛的市场准入，这些新用户被迫考虑去中心化产品。再加上 Meta 的 LLaMA 2 等性能日益提高的开源模型，用户在部署有效的微调模型时不再面临同样的障碍，使计算资源成为主要瓶颈。然而，平台本身的存在并不能确保足够的计算供应和消费者的相应需求。采购高端 GPU 仍然很困难，而且成本并不总是需求方的主要动机。这些平台将面临挑战，以展示使用去中心化计算选项的实际好处（无论是由于成本、审查阻力、正常运行时间和弹性还是可访问性）来积累粘性用户。他们必须快速行动。 GPU 基础设施投资和建设正在以惊人的速度进行。监管。监管仍然是去中心化计算运动的阻力。短期内，缺乏明确的监管意味着提供商和用户都面临使用这些服务的潜在风险。如果供应商提供计算或买方在不知情的情况下从受制裁实体购买计算怎么办？用户可能会犹豫是否使用缺乏中心化实体控制和监督的去中心化平台。协议试图通过将控制纳入其平台或添加过滤器以仅访问已知的计算提供商（即提供了解你的客户KYC信息）来减轻这些担忧，但需要更强大的方法在确保合规性的同时保护隐私。短期内，我们可能会看到 KYC 和合规平台的出现，这些平台限制对其协议的访问，以解决这些问题。此外，围绕美国可能的新监管框架的讨论（最好的例子是《关于安全、可靠和值得信赖的人工智能开发和使用的行政命令》的发布）凸显了进一步限制 GPU 获取的监管行动的潜力。审查。监管是双向的，去中心化的计算产品可以从限制AI访问的行动中受益。除了行政命令之外，OpenAI 创始人 Sam Altman 还在国会作证，说明监管机构需要为人工智能开发颁发许可证。关于人工智能监管的讨论才刚刚开始，但任何此类限制访问或审查AI功能的尝试都可能加速不存在此类障碍的去中心化平台的采用。2023年11月OpenAI 领导层变动（或缺乏）进一步表明，将最强大的现有AI模型的决策权授予少数人是有风险的。此外，所有AI模型都必然反映了创建它们的人的偏见，无论是有意还是无意。消除这些偏差的一种方法是使模型尽可能开放地进行微调和训练，确保任何地方的任何人都可以访问各种类型和偏差的模型。数据隐私。当与为用户提供数据自主权的外部数据和隐私解决方案集成时，去中心化计算可能会比中心化替代方案更具吸引力。当三星意识到工程师正在使用 ChatGPT 帮助芯片设计并将敏感信息泄露给 ChatGPT 时，三星成为了这一事件的受害者。 Phala Network 和 iExec 声称为用户提供 SGX 安全飞地来保护用户数据，并且正在进行的全同态加密研究可以进一步解锁确保隐私的去中心化计算。随着AI进一步融入我们的生活，用户将更加重视能够在具有隐私保护的应用程序上运行模型。用户还需要支持数据可组合性的服务，以便他们可以将数据从一种模型无缝移植到另一种模型。用户体验（UX）。用户体验仍然是更广泛采用所有类型的加密应用程序和基础设施的重大障碍。这对于去中心化计算产品来说并没有什么不同，并且在某些情况下，由于开发人员需要了解加密货币和人工智能，这会加剧这种情况。需要从基础知识进行改进，例如登入抽象与区块链的交互，以提供与当前市场领导者相同的高质量输出。鉴于许多提供更便宜产品的可操作的去中心化计算协议很难获得常规使用，这一点显而易见。智能合约和zkML 智能合约是任何区块链生态系统的核心构建块。在给定一组特定条件的情况下，它们会自动执行并减少或消除对受信任第三方的需求，从而能够创建复杂的去中心化应用程序，例如 DeFi 中的应用程序。然而，由于智能合约目前大部分存在，其功能仍然受到限制，因为它们根据必须更新的预设参数执行。例如，部署的借贷协议智能合约包含根据特定贷款与价值比率何时清算头寸的规范。虽然在静态环境中有用，但在风险不断变化的动态情况下，这些智能合约必须不断更新以适应风险承受能力的变化，这给不通过中心化流程管理的合约带来了挑战。例如，依赖去中心化治理流程的 DAO 可能无法快速反应以应对系统性风险。集成AI（即机器学习模型）的智能合约是增强功能、安全性和效率同时改善整体用户体验的一种可能方法。然而，这些集成也带来了额外的风险，因为不可能确保支撑这些智能合约的模型不会被攻击或解释长尾情况（鉴于数据输入的稀缺，长尾情况很难训练模型）。零知识机器学习（zkML）机器学习需要大量的计算来运行复杂的模型，这使得AI模型由于成本高昂而无法直接在智能合约中运行。例如，为用户提供收益优化模型的 DeFi 协议将很难在链上运行该模型，而无需支付过高的Gas费。一种解决方案是增加底层区块链的计算能力。然而，这也增加了对链验证者集的要求，可能会破坏去中心化特性。相反，一些项目正在探索使用 zkML 以无需信任的方式验证输出，而不需要密集的链上计算。说明 zkML 有用性的一个常见示例是，用户需要其他人通过模型运行数据并验证其交易对手实际上运行了正确的模型。也许开发人员正在使用去中心化计算提供商来训练他们的模型，并担心该提供商试图通过使用输出差异几乎无法察觉的更便宜的模型来削减成本。 zkML 使计算提供商能够通过其模型运行数据，然后生成可以在链上验证的证明，以证明给定输入的模型输出是正确的。在这种情况下，模型提供者将具有额外的优势，即能够提供他们的模型，而不必透露产生输出的基础权重。也可以做相反的事情。如果用户想要使用他们的数据运行模型，但由于隐私问题（比如在医疗检查或专有商业信息的情况下），不希望提供模型的项目访问他们的数据，那么用户可以在他们的数据上运行模型而不共享数据，然后通过证明验证他们运行了正确的模型。这些可能性通过解决令人望而却步的计算限制，极大地扩展了人工智能和智能合约功能集成的设计空间。基础设施和工具鉴于 zkML 领域的早期状态，开发主要集中在构建团队所需的基础设施和工具，以将其模型和输出转换为可以在链上验证的证明。这些产品尽可能地抽象了开发的零知识方面。 EZKL和Giza是通过提供机器学习模型执行的可验证证明来构建此工具的两个项目。两者都帮助团队构建机器学习模型，以确保这些模型可以在链上以可信方式验证结果的方式执行。这两个项目都使用开放神经网络交换 (ONNX) 将用 TensorFlow 和 Pytorch 等通用语言编写的机器学习模型转换为标准格式。然后，他们输出这些模型的版本，这些模型在执行时也会生成 zk 证明。 EZKL 是开源的，生产 zk-SNARKS，而 Giza 是闭源的，生产 zk-STARKS。这两个项目目前仅兼容 EVM。过去几个月，EZKL 在增强 zkML 解决方案方面取得了重大进展，主要集中在降低成本、提高安全性和加快证明生成速度。例如，2023 年 11 月，EZKL 集成了一个新的开源 GPU 库，可将聚合证明时间缩短 35%；1 月，EZKL发布了Lilith，这是一种软件解决方案，用于在使用 EZKL 证明时集成高性能计算集群和编排并发作业系统。 Giza 的独特之处在于，除了提供用于创建可验证的机器学习模型的工具之外，他们还计划实现相当于Hugging Face的 web3 ，为 zkML 协作和模型共享开辟用户市场，并最终集成去中心化计算产品。一月份，EZKL 发布了一项基准评估，比较了 EZKL、Giza 和 RiscZero（如下所述）的性能。 EZKL 展示了更快的证明时间和内存使用。 Modulus Labs还在开发一种专为 AI 模型定制的新的 zk-proof 技术。 Modulus 发表了一篇名为《智能的成本》（The Cost of Intelligence ）的论文（暗示在链上运行 AI 模型的成本极高），该论文对当时现有的 zk-proof 系统进行了基准测试，以确定改进 AI 模型 zk-proofs 的能力和瓶颈。该论文于 2023 年 1 月发布，表明现有产品过于昂贵且效率低下，无法大规模实现AI应用。在最初研究的基础上，Modulus 在 11 月推出了Remainder，这是一种专门的零知识证明器，专门用于降低 AI 模型的成本和证明时间，目标是使项目在经济上可行，将模型大规模集成到智能合约中。他们的工作是闭源的，因此无法与上述解决方案进行基准测试，但最近在 Vitalik关于加密和人工智能的博客文章中引用了他们的工作。工具和基础设施开发对于 zkML 空间的未来增长至关重要，因为它可以显著减少需要部署运行可验证的链下计算所需的 zk 电路的团队的摩擦。创建安全接口，使从事机器学习工作的非加密原生构建者能够将他们的模型带到链上，这将使应用程序能够通过真正新颖的用例进行更大的实验。工具还解决了更广泛采用 zkML 的一个主要障碍，即缺乏知识渊博且对零知识、机器学习和密码学交叉领域工作感兴趣的开发人员。协处理器（Coprocessors）正在开发的其他解决方案（称为“协处理器”）包括RiscZero 、Axiom和Ritual。协处理器这个术语主要是语义上的——这些网络履行许多不同的角色，包括在链上验证链下计算。与 EZKL、Giza 和 Modulus 一样，他们的目标是完全抽象零知识证明生成过程，创建本质上能够执行链下程序并生成链上验证证明的零知识虚拟机。 RiscZero 和 Axiom 可以为简单的 AI 模型提供服务，因为它们是更通用的协处理器，而 Ritual 是专门为与 AI 模型一起使用而构建的。 Infernet是 Ritual 的第一个实例，包含一个Infernet SDK，允许开发人员向网络提交推理请求并接收输出和证明（可选）作为回报。 Infernet 节点接收这些请求并在返回输出之前处理链下计算。例如，DAO 可以创建一个流程，确保所有新的治理提案在提交之前满足某些先决条件。每次提交新提案时，治理合约都会通过 Infernet 触发推理请求，调用 DAO 特定治理训练的 AI 模型。该模型审查提案以确保提交所有必要的标准，并返回输出和证据，批准或拒绝提案的提交。在接下来的一年里，Ritual 团队计划推出更多功能，形成称为 Ritual 超级链的基础设施层。前面讨论的许多项目都可以作为服务提供商插入 Ritual。 Ritual 团队已经与 EZKL 集成以生成证明，并且可能很快会添加其他领先提供商的功能。Ritual 上的 Infernet 节点还可以使用 Akash 或 io.net GPU 以及在 Bittensor 子网上训练的查询模型。他们的最终目标是成为开放AI基础设施的首选提供商，能够为任何网络、任何工作负载的机器学习和其他AI相关任务提供服务。应用 zkML有助于调和区块链和人工智能之间的矛盾，前者本质上是资源受限的，而后者需要大量的计算和数据。正如 Giza 的一位创始人所说，“用例非常丰富……这有点像以太坊早期问智能合约的用例是什么……我们所做的只是扩展智能合约的用例。 ”然而，如上所述，当今的开发主要发生在工具和基础设施级别。应用仍处于探索阶段，团队面临的挑战是证明使用 zkML 实现模型所产生的价值超过了其复杂性和成本。目前的一些应用包括：去中心化金融。 zkML通过增强智能合约能力，升级了DeFi的设计空间。 DeFi 协议为机器学习模型提供大量可验证且不可篡改的数据，可用于生成收益获取或交易策略、风险分析、用户体验等。例如，Giza与Yearn Finance合作，为 Yearn 的新 v3 金库构建概念验证自动风险评估引擎。 Modulus Labs与Lyra Finance合作将机器学习纳入其 AMM，与 Ion Protocol合作实施分析验证者风险的模型，并帮助Upshot验证其人工智能支持的 NFT 价格信息。 NOYA（利用 EZKL）和Mozaic等协议提供了对专有链下模型的访问，这些模型使用户能够访问自动化流动性挖矿，同时使他们能够验证链上的数据输入和证明。 Spectral Finance正在构建链上信用评分引擎，以预测Compound或Aave借款人拖欠贷款的可能性。由于 zkML，这些所谓的“De-Ai-Fi”产品在未来几年可能会变得更加流行。游戏。长期以来，游戏一直被认为可以通过公链进行颠覆和增强。 zkML 使人工智能的链上游戏成为可能。 Modulus Labs已经实现了简单链上游戏的概念验证。 Leela vs the World是一款博弈论国际象棋游戏，用户在其中对抗 AI 国际象棋模型，zkML 验证 Leela 所做的每一步都是基于游戏运行的模型。同样，团队也使用 EZKL 框架来构建简单的歌唱比赛和链上井字游戏。 Cartridge正在使用Giza使团队能够部署完全链上游戏，最近重点引入了一款简单的人工智能驾驶游戏，用户可以竞争为试图避开障碍物的汽车创建更好的模型。虽然简单，但这些概念验证指向未来的实现，能够实现更复杂的链上验证，例如能够与游戏内经济体进行交互的复杂 NPC 演员，如《 AI Arena》中所见，这是一款超级大乱斗游戏，玩家可以在其中训练自己的战士，然后部署为AI模型进行战斗。身份、溯源和隐私。加密货币已经被用作验证真实性和打击越来越多的人工智能生成/操纵内容和深度伪造的手段。 zkML 可以推进这些努力。 WorldCoin 是一种身份证明解决方案，要求用户扫描虹膜以生成唯一的 ID。未来，生物识别 ID 可以使用加密存储在个人设备上进行自我托管，并使用验证本地运行的生物识别所需的模型。然后，用户可以提供生物识别证据，而无需透露自己的身份，从而在确保隐私的同时抵御女巫攻击。这也可以应用于需要隐私的其他推论，例如使用模型分析医疗数据/图像来检测疾病、验证人格并在约会应用程序中开发匹配算法，或者需要验证财务信息的保险和贷款机构。展望 zkML 仍处于实验阶段，大多数项目都专注于构建基础设施原语和概念证明。如今的挑战包括计算成本、内存限制、模型复杂性、有限的工具和基础设施以及开发人员人才。简而言之，在 zkML 能够以消费产品所需的规模实施之前，还有相当多的工作要做。然而，随着该领域的成熟以及这些限制的解决，zkML将成为AI和加密集成的关键组成部分。从本质上讲，zkML 承诺能够将任何规模的链下计算引入链上，同时保持与链上运行相同或接近相同的安全保证。然而，在这一愿景实现之前，该技术的早期用户将继续必须在 zkML 的隐私和安全性与替代方案的效率之间进行权衡。 AI智能体 AI和加密货币最令人兴奋的集成之一是正在进行的AI智能体实验。智能体是能够使用AI模型接收、解释和执行任务的自主机器人。这可以是任何事情，从拥有一个随时可用的根据你的偏好进行微调的个人助理，到雇用一个根据你的风险偏好来管理和调整你的投资组合的金融机器人。由于加密货币提供了无需许可和无需信任的支付基础设施，智能体和加密货币可以很好地结合在一起。经过培训后，智能体将获得一个钱包，以便他们可以自行使用智能合约进行交易。例如，今天的简单智能体可以在互联网上抓取信息，然后根据模型在预测市场上进行交易。智能体提供商 Morpheus是 2024 年在以太坊和 Arbitrum 上上市的最新开源智能体项目之一。其白皮书于 2023 年 9 月匿名发布，为社区的形成和构建提供了基础（包括Erik Vorhees等著名人物）。该白皮书包括一个可下载的智能体协议，它是一个开源的LLM，可以在本地运行，由用户的钱包管理，并与智能合约交互。它使用智能合约排名来帮助智能体根据处理的交易数量等标准确定哪些智能合约可以安全地进行交互。白皮书还提供了构建 Morpheus 网络的框架，例如使智能体协议运行所需的激励结构和基础设施。这包括激励贡献者构建用于与智能体交互的前端、供开发人员构建可插入智能体以便他们可以相互交互的应用程序的 API，以及使用户能够访问运行智能体所需的计算和存储的云解决方案在边缘设备上。该项目的初始资金已于 2 月初启动，完整协议预计将于 2024 年第二季度启动。去中心化自治基础设施网络 (DAIN)是一种新的智能体基础设施协议，在 Solana 上构建智能体到智能体经济。 DAIN 的目标是让来自不同企业的智能体可以通过通用 API 无缝地相互交互，从而大大开放 AI 智能体的设计空间，重点是实现能够与 web2 和 web3 产品交互的智能体。一月份，DAIN 宣布与 Asset Shield 首次合作，使用户能够将“智能体签名者”添加到其多重签名中，这些签名者能够根据用户设置的规则解释交易并批准/拒绝。 Fetch.AI是最早部署的 AI 智能体协议之一，并开发了一个生态系统，用于使用 FET 代币和Fetch.AI钱包在链上构建、部署和使用智能体。该协议提供了一套用于使用智能体的全面工具和应用程序，包括用于与智能体交互和订购代理的钱包内功能。 Autonolas的创始人包括 Fetch 团队的前成员，它是一个用于创建和使用去中心化AI智能体的开放市场。 Autonolas 还为开发人员提供了一套工具来构建链下托管的AI智能体，并可以插入多个区块链，包括 Polygon、Ethereum、Gnosis Chain 和 Solana。他们目前拥有一些活跃的智能体概念验证产品，包括用于预测市场和 DAO 治理。 SingularityNet正在为AI智能体构建一个去中心化的市场，人们可以在其中部署专注的AI智能体，这些智能体可以被其他人或智能体雇用来执行复杂的任务。其他公司，如AlteredStateMachine，正在构建 AI 智能体与 NFT 的集成。用户铸造具有随机属性的 NFT，这些属性赋予他们在不同任务上的优势和劣势。然后可以对这些智能体进行训练，以增强某些属性，以用于游戏、DeFi 或作为虚拟助手并与其他用户进行交易。总的来说，这些项目设想了一个未来的智能体生态系统，这些智能体能够协同工作，不仅可以执行任务，还可以帮助构建通用AI。真正复杂的智能体将有能力自主完成任何用户任务。例如，完全自主的智能体将能够弄清楚如何雇用另一个智能体来集成 API，然后执行，而不必确保智能体在使用之前已经与外部 API（例如旅行预订网站）集成并执行任务。从用户的角度来看，不需要检查智能体是否可以完成任务，因为智能体可以自己确定。比特币和AI智能体 2023 年 7 月，闪电网络实验室推出了在闪电网络上使用智能体的概念验证实施方案，称为 LangChain 比特币套件。该产品特别有趣，因为它旨在解决 Web 2 世界中日益严重的问题——Web应用程序的门禁且昂贵的API 密钥。 LangChain 通过为开发人员提供一套工具来解决这个问题，使智能体能够购买、出售和持有比特币，以及查询 API 密钥和发送小额支付。在传统的支付领域，小额支付由于费用而成本高昂，而在闪电网络上，智能体可以每天以最低的费用发送无限的小额支付。当与 LangChain 的 L402 支付计量 API 框架结合使用时，这允许公司可以根据使用量的增加和减少调整其 API 的访问费用，而不是设定单一的成本过高的标准。在未来，链上活动主要由智能体与智能体交互所主导，这样的事情将是必要的，以确保智能体能够以成本不过高的方式相互交互。这是一个早期的例子，说明如何在无需许可且经济高效的支付赛道上使用智能体，为新市场和经济互动开辟了可能性。展望智能体领域仍处于新生阶段。项目刚刚开始推出功能性智能体，可以使用其基础设施处理简单的任务——这通常只有经验丰富的开发人员和用户才能访问。然而，随着时间的推移，AI智能体对加密货币的最大影响之一是所有垂直领域的用户体验改进。交易将开始从基于点击转向基于文本，用户能够通过大语言模性与链上智能体进行交互。Dawn Wallet等团队已经推出了聊天机器人钱包，供用户在链上进行交互。此外，目前尚不清楚智能体如何在 Web 2 中运作，因为金融领域依赖于受监管的银行机构，这些机构不能 24/7 运营，也无法进行无缝跨境交易。正如Lyn Alden所强调的那样，由于缺乏退款和处理微交易的能力，与信用卡相比，加密赛道尤其有吸引力。然而，如果智能体成为一种更常见的交易方式，现有的支付提供商和应用程序很可能会迅速采取行动，实施在现有金融领域运营所需的基础设施，从而削弱使用加密货币的一些好处。目前，智能体可能仅限于确定性的加密货币交易，其中给定输入保证给定输出。这两种模型都规定了这些智能体弄清楚如何执行复杂任务的能力，而工具则扩大了它们可以完成的范围，都需要进一步开发。为了让加密智能体在新颖的链上加密用例之外变得有用，需要更广泛的集成和接受加密作为一种支付形式以及监管的明确性。然而，随着这些组件的发展，智能体准备成为上述去中心化计算和 zkML 解决方案的最大消费者之一，以自主的非确定性方式接收和解决任何任务。结论 AI 为加密货币引入了我们在 web2 中看到的相同创新，增强了从基础设施开发到用户体验和可访问性的各个方面。然而，项目仍处于发展早期，近期加密货币和AI集成将主要由链下集成主导。像Copilot这样的产品将使开发人员效率“提高10 倍”，Layer1和DeFi应用程序已经与微软等大公司合作推出人工智能辅助开发平台。Cub3.ai和Test Machine等公司正在开发用于智能合约审计和实时威胁监控的AI集成，以增强链上安全性。 LLM 聊天机器人正在使用链上数据、协议文档和应用程序进行培训，为用户提供增强的可访问性和用户体验。对于真正利用加密货币底层技术的更高级集成来说，挑战仍然是证明在链上实施AI解决方案在技术上是可行的，而且在经济上也是可行的。去中心化计算、zkML 和 AI 智能体的发展指向有前景的垂直领域，这些领域为加密货币和AI深度互联的未来奠定了基础。来源：金色财经

金色财经2024-02-19

ChatGPT 周年纪念反思：AIGC的瓶颈与Web3的机遇

邦学习和分布式推理。通过将分布式计算与机器学习相结合，医疗专业人员可以大规模共享数据，从而实现更深入、更全面的群体学习。这种集体智慧方法可以加速疾病诊断和治疗计划的制定，推动医学领域的进步。隐私保护也是医疗领域应用的一个重要方面。借助Web3的去中心化和区块链的不变性，患者医疗数据可以更安全地存储和传输。智能合约可以实现对医疗数据的精确控制和权限管理，确保只有授权人员才能访问敏感的患者信息，从而维护医疗数据的隐私。 C. 保险领域的应用在保险行业，Web3与AI的融合有望为传统运营带来更加高效、智能的解决方案。例如，在汽车和房屋保险中，计算机视觉技术的应用帮助保险公司通过图像分析和评估更有效地评估财产价值和风险水平。这为保险公司提供了更加精细化、个性化的定价策略，增强了保险行业的风险管理。同时，链上自动化索赔处理是保险行业的一项创新进步。利用智能合约和区块链技术，索赔流程变得更加透明和高效，减少了繁琐的程序和人为干预的可能性。这不仅加快了理赔流程，还降低了运营成本，为保险公司和客户提供更好的体验。动态保费调整是另一个创新领域。通过实时数据分析和机器学习算法，保险公司可以更加精准、及时地调整保费，根据被保险人的实际风险状况进行个性化定价。这种做法不仅使保费更加公平，而且鼓励被保险人采取更健康、更安全的行为，促进全社会的风险管理和预防措施。 D. 版权领域的应用在版权领域，Web3 和人工智能的结合为数字内容创建、管理和代码开发引入了新的范式。通过智能合约和去中心化存储，数字内容的版权信息可以得到更好的保护，让创作者更轻松地追踪和管理自己的知识产权。区块链技术还可以建立透明且不可变的创作记录，为追踪和验证作品提供更可靠的手段。工作模式的创新也代表着版权领域的重大转变。代币激励的协作工作将工作贡献与代币奖励相结合，鼓励创作者、策展人和开发者共同参与项目。这不仅促进了创意团队之间的协作，也让参与者有机会直接从项目的成功中受益，从而催生更多优秀作品。另一方面，使用代币作为版权证明重塑了利益分配模式。通过智能合约自动执行的分红机制，作品的所有参与者都可以在作品被使用、出售或转让时实时获得自己的收益份额。这种去中心化的利益分配模式有效解决了传统版权模式中的不透明和延迟问题，为创作者提供了更加公平、高效的利益分配机制。 E. 虚拟宇宙领域的应用在元宇宙中，Web3与AI的融合为创建低成本AIGC以丰富基于区块链的游戏内容开辟了新的可能性。AI生成的虚拟环境和角色可以丰富游戏内容，为用户提供更加生动多样的体验，同时减少制作的人力和时间成本。创建生动的数字人是元宇宙应用的创新。数字人类具有细到头发的详细物理外观和基于大型语言模型构建的心理逻辑，可以在元宇宙中扮演各种角色。他们可以与用户交互，甚至参与现实世界场景的数字孪生。这为虚拟现实提供了更加真实、深刻的体验，推动数字人技术在娱乐、教育等领域的广泛应用。基于区块链用户画像自动生成广告内容是元宇宙中的智能广告应用。通过分析用户在元宇宙中的行为和偏好，人工智能算法可以创建更加个性化和有吸引力的广告，从而提高点击率和用户参与度。这种广告创作方式不仅更符合用户兴趣，也为广告主提供了更高效的推广渠道。生成式交互式 NFT是元宇宙中一项引人注目的技术。通过将NFT与生成设计相结合，用户可以在元宇宙中参与创作自己的NFT艺术品，赋予其互动性和独特性。这为数字资产的创造和交易开辟了新的可能性，推动了虚拟宇宙中数字艺术和虚拟经济的发展。三．签名 Web3 协议在本节中，作者选择了五个具有代表性的协议来深入了解 Web3 领域中生成式 AI 的现状：Render Network和Akash Network被强调为通用 AI 基础设施协议和 Web3 中 AI 类别的领先者；Bittensor被认定为当前模型训练领域的热门项目；Alethea.ai因其与生成式 AI 应用程序的密切相关性而被选中；Fetch.ai展示了人工智能代理在去中心化Web3世界中的潜力。 3.1 渲染网络（$RNDR） Render Network 由母公司 OTOY 的创始人 Jules Urbach 于 2017 年创立。OTOY 的核心业务是基于云的图形渲染，由 Google 和 Mozilla 联合创始人提供建议，为奥斯卡获奖电影项目做出了贡献，并与 Apple 进行了项目合作。 Render Network 是 OTOY 进军 Web3 领域的举措，旨在利用区块链的分布式特性，将小规模渲染和人工智能需求与去中心化资源连接起来。这一举措旨在为小型工作室节省成本，否则这些小型工作室将租用昂贵的集中式计算资源（例如AWS、MS Azure和阿里云），并为那些拥有闲置计算资源的人提供创收机会。在发布专有渲染器 Octane Render 的 OTOY 的支持下，Render Network 凭借固有的需求和扎实的商业模式推出，很快被认为是一个具有坚实基础和潜力的 Web3 项目。随着生成式AI的兴起，分布式验证和推理任务的需求不断增加，与Render的技术架构完美契合，使其成为未来发展的一个有希望的方向。Render 一直引领着 Web3 领域的 AI 赛道，演变成一个有点像 meme 的实体，每当围绕 AI、元宇宙和分布式计算的叙述升温时，它都会受益于上升趋势，展示了它的多功能性。 2023 年 2 月，Render Network 宣布了更新其定价等级系统的路线图，并为 $RNDR 引入了社区投票的价格稳定机制（尽管发布日期尚未公布）。该项目还宣布从 Polygon 迁移到 Solana（将 $RNDR 代币升级为基于 Solana SPL 的 $RENDER 代币，已于 2023 年 11 月完成）。渲染网络的新定价体系将链上服务分为三个级别，从高到低，每个级别对应不同的价格点和渲染服务质量。这些层根据客户的特定渲染需求为客户提供选择。社区投票的$RNDR价格稳定机制已从不定期回购转变为“销毁和铸币均衡（BME）”模式。这一变化强调 $RNDR 作为交易的稳定币，而不是长期持有资产。一个BME Epoch的具体业务流程如下：产品创建：Render上的产品创建者，即渲染资源的提供者，将闲置的渲染资源打包成产品（节点）并上线，等待使用。购买产品：有渲染需求的客户可以直接销毁$RNDR代币作为服务费用。如果他们没有 $RNDR 代币，他们首先用法定货币在 DEX 上购买它们，然后销毁代币。服务支付的价格公开记录在区块链上。铸造代币：根据预设规则铸造新代币。注：Render Network 收取产品购买者支付的项目运营交易费用的 5%。在每个 BME Epoch 中，都会铸造预设数量的新代币（数量会随着时间的推移而减少）。这些新代币被分发给三方：产品创造者：他们获得的奖励是： A。任务完成：根据各产品节点完成的渲染任务数量进行奖励。 b. 在线奖励：鼓励资源提供者在线完成任务，根据市场待机时间给予奖励。 2. 产品购买者：与购物中心的产品优惠券返还类似，购买者可以获得高达 100% 的 $RNDR 代币返还，鼓励未来使用 Render Network。 3. DEX 流动性提供商：合作 DEX 中的提供商，确保以合理的价格提供 $RNDR 代币以进行必要的销毁，将根据质押的 $RNDR 数量获得奖励。从过去一年$RNDR的价格走势来看，作为Web3中领先的AI赛道项目，$RNDR受益于ChatGPT在2022年底和2023年初带动的AI热潮。随着新代币机制的引入，$RNDR的价格2023年上半年达到顶峰。经过一段时间的稳定后，随着 OpenAI 新版本引发的 AI 复苏、Render Network 向 Solana 的迁移以及新代币机制的预期实施，$RNDR 的价格达到了近期高点。鉴于 $RNDR 的基本面变化很小，未来对 $RNDR 的投资需要谨慎的头寸管理和风险控制。 Dune Analytics仪表板的数据表明，自2023年初以来，渲染任务总数有所增加，但渲染节点数量并未增加。这表明导致工作负载增加的新用户是那些有渲染需求的用户，而不是那些提供渲染资源的用户。鉴于生成式 AI 到 2022 年底将激增，有理由推断额外的渲染任务与生成式 AI 应用程序相关。这种需求的增加是代表长期趋势还是暂时的激增还有待观察，需要进一步观察。 3.2 Akash Network（$AKT） Akash Network 是一个去中心化的云计算平台，旨在为开发者和企业提供更灵活、高效、更具成本效益的云计算解决方案。该项目的“超级云”平台基于分布式区块链技术，利用区块链去中心化的特性，为用户提供全球性、去中心化的云基础设施，包括CPU、GPU、存储等多样化的计算资源。 Akash Network 由拥有丰富项目背景、经验丰富的企业家 Greg Osuri 和 Adam Bozanich 创立，其使命很明确：降低云计算成本、提高可用性并让用户更好地控制计算资源。通过激励提供商通过竞价流程开放闲置计算资源，Akash Network 实现了更有效的资源利用，为资源需求者提供有竞争力的价格。 2023 年 1 月，Akash Network 启动了 Akash Network Economics 2.0 更新，以解决当前代币经济中的各种缺陷，包括： $AKT 市场价格的波动导致长期合同价格和价值的不匹配。对资源提供者释放大量算力的激励不足。社区激励措施不足阻碍了项目的长期发展。 $AKT 的价值捕获不足对项目稳定性构成风险。据官网介绍，Akash网络经济2.0计划中提出的解决方案包括引入稳定币支付、增加订单费用以增加协议收入、增强对资源提供者的激励以及增加社区激励等。值得注意的是，稳定币支付功能和订单费用功能已经实现。作为 Akash 网络的原生代币，$AKT 在协议中具有多种用途，包括用于验证（安全）、激励、网络治理和支付交易费用的质押。据官网显示，$AKT 的总供应量上限为 3.88 亿枚，截至 2023 年 11 月，已解锁约 2.29 亿枚（59%）。项目启动时分配的创世代币于2023年3月完全解锁并进入二级市场。创世代币的分配如下：关于价值获取，白皮书中提到的一个值得注意的尚未实施的功能是 Akash 计划对每一次成功的租赁收取“费用”。这些费用将被发送到收入池以分配给持有人。该计划规定对 AKT 交易收取 10% 的费用，对使用其他加密货币的交易收取 20% 的费用。此外，Akash 打算奖励长期锁定 AKT 持有量的持有者，从而激励长期投资。 CoinGecko 的价格趋势显示，$AKT 在 2023 年 8 月中旬和 11 月下旬经历了上涨，尽管涨幅不如人工智能领域的其他项目，这可能是由于当前的市场情绪所致。总体而言，Akash Network 是 AI 赛道上为数不多的优质项目之一，其基本面优于大多数竞争对手。其潜在的业务收入可以为该协议带来未来的盈利能力，随着人工智能行业的发展和对云计算资源的需求不断增加，Akash Network 有望在下一波人工智能浪潮中取得重大进展。 3.3 Bittensor（$TAO）对于那些熟悉 $BTC 技术架构的人来说，理解 Bittensor 的设计非常简单。事实上，在设计 Bittensor 时，其创建者从加密货币先驱 $BTC 的几个特征中汲取了灵感。其中包括总代币供应量为 2100 万枚，大约每四年产量减半，并涉及工作量证明 (PoW) 共识机制等。为了将其概念化，想象一下最初的比特币生产过程，然后用训练和验证人工智能模型来取代计算密集型的“挖矿”过程，该过程不会创造现实世界的价值。矿工根据人工智能模型的性能和可靠性获得激励。这形成了 Bittensor ($TAO) 项目架构的简单总结。 Bittensor 由人工智能研究人员 Jacob Steeves 和 Ala Shaabana 于 2019 年根据神秘作者 Yuma Rao 撰写的白皮书成立。简而言之，它是一个开源、无需许可的协议，创建了一个由许多子网络连接的网络架构，每个子网络负责不同的任务（机器翻译、图像识别和生成、大型语言模型等）。优秀的任务完成会受到奖励，并且子网络可以相互交互和学习。就目前主要的人工智能模型而言，都是科技巨头大量计算资源和数据投资的结果。这些AI产品表现出色的同时，这种方式也带来了很高的中心化风险。 Bittensor 的基础架构允许交流专家网络进行交互和相互学习，为大规模模型的去中心化训练奠定了基础。Bittensor 的长期愿景是与 OpenAI、Meta 和 Google 等巨头的闭源模型竞争，保持去中心化特征，同时渴望与它们的推理性能相匹配。 Bittensor的技术核心是Yuma Rao独特设计的共识机制，也称为Yuma Consensus，它混合了PoW和Proof of Stake（PoS）的元素。供应方主要涉及“服务器”（矿工）和“验证者”（验证者），而需求方则由使用网络中模型的“客户端”（客户）组成。流程如下：客户端将请求和数据发送给验证器进行处理。验证者将数据分发给特定子网下的矿工。矿工使用他们的模型和接收到的数据进行推理并返回结果。验证者按质量对推理结果进行排名，并记录在区块链上。最好的推理结果返回给客户端，矿工和验证者根据排名和工作量获得奖励。值得注意的是，Bittensor 本身并不在大多数子网络中训练任何模型；它更像是模型提供者和用户之间的纽带，通过较小模型之间的交互进一步提高各种任务的性能。目前，在线有（或已经有）30个子网络，每个子网络对应不同的任务模型。 $TAO 作为 Bittensor 的原生代币，在创建子网络、在子网络中注册、支付服务费用以及向生态系统内的验证者质押方面发挥着至关重要的作用。效仿 BTC 的精神，$TAO 选择公平发布，这意味着所有代币都是通过对网络的贡献生成的。目前，$TAO 的日产量约为 7,200 个代币，均匀分配给矿工和验证者。自项目启动以来，已生产了 2100 万枚代币中的约 26.3%，其中 87.21% 用于质押和验证。该项目还遵循 BTC 大约每四年产量减半的模式，下一次减半计划将于 2025 年 9 月 20 日举行，预计将成为重要的价格驱动因素。从 2023 年 10 月下旬开始，$TAO 的价格趋势出现大幅上涨，这主要是受到 OpenAI 会议之后新一波人工智能热情以及资本转向人工智能领域的推动。 $TAO作为Web3+AI赛道的新项目的出现，其品质、长远的愿景也吸引了投资。但必须承认，与其他AI项目一样，Web3+AI的结合虽然潜力巨大，但尚未在实际业务中找到支撑长期盈利项目的应用。 3.4 Alethea.ai（$OR） Alethea.ai 成立于 2020 年，是一个致力于利用区块链技术为生成内容带来去中心化所有权和治理的项目。 Alethea.ai 的创始人相信，生成式人工智能将带领我们进入一个由生成式内容引起的信息冗余时代，在这个时代，通过简单的复制粘贴或单击即可轻松复制或生成大量数字内容，但原创者很难获得利益。通过将区块链原语（例如 NFT）与生成式人工智能连接起来，他们的目标是确保生成式人工智能及其内容的所有权，并在此之上进行社区治理。在这一理念的推动下，Alethea.ai最初推出了新的NFT标准iNFT，它利用Intelligence Pods将AI动画、语音合成甚至生成式AI嵌入到图像中。Alethea.ai 还与艺术家合作，利用他们的艺术品创建 iNFT，其中一件在苏富比拍卖会上以 478,000 美元的价格售出。 Alethea.ai 随后推出了 AI 协议，允许任何生成式 AI 开发者或创作者无需许可即可使用 iNFT 标准进行创作。为了展示 AI 协议，Alethea.ai 开发了 CharacterGPT，这是一种基于 GPT 等大型模型理论的工具，用于创建交互式 NFT。最近，他们发布了 Open Fusion，使得任何 ERC-721 NFT 都可以与 Intelligence 结合并发布在 AI 协议上。 Alethea.ai 的原生代币是 $ALI，它有四个主要用途：锁定一定数量的$ALI来创建iNFT。锁定的 $ALI 越多，情报舱的级别就越高。 $ALI 持有者参与社区治理。 $ALI 作为 iNFT 之间交互的凭证（尚无实际用例）。从 $ALI 的用例来看，很明显，代币的价值捕获仍然主要基于叙述。过去一年的代币价格趋势证实了这一点：$ALI 受益于 ChatGPT 自 2022 年 12 月开始引领的生成式 AI 热潮。此外，当 Alethea.ai 在 6 月宣布新的 Open Fusion 功能时，引发了价格飙升。然而，除了这些情况之外，$ALI 的价格一直呈下降趋势，甚至没有像类似项目那样对 2023 年底人工智能炒作做出反应。除了原生代币之外，Alethea.ai 的 NFT 项目（包括其官方集合）在 NFT 市场的表现也值得关注。根据 Dune 仪表板的数据，第三方销售的 Intelligence Pods 和 Alethea.ai 的第一方 Revenants 系列在首次发布后逐渐淡出了人们的视线。作者认为，主要原因是最初的新颖性逐渐减弱，没有实质性的价值或社区参与来留住用户。 3.5 Fetch.ai（$FET） Fetch.ai 是一个致力于促进人工智能 (AI) 与区块链技术融合的项目。其目标是通过结合机器学习、区块链和分布式账本技术来构建去中心化的智能经济，以支持智能代理之间的经济活动。 Fetch.ai 由英国科学家 Humayun Sheikh、Toby Simpson 和 Thomas Hain 于 2019 年创立，其创始团队拥有令人印象深刻的背景。 Humayun Sheikh 是 DeepMind 的早期投资者，Toby Simpson 曾在多家公司担任高管职务，Thomas Hain 是谢菲尔德大学人工智能领域的教授。创始人的多元化经历横跨传统IT公司、区块链明星项目、医疗、超级计算领域，为Fetch.ai提供了丰富的行业资源。 Fetch.ai的使命是建立一个由自治经济代理（AEA）和人工智能应用程序组成的去中心化网络平台，使开发人员能够通过创建自治代理来完成预设的目标导向的任务。该平台的核心技术是其独特的三层架构：底层：基于 PoS-uD（无许可权益证明）共识机制，该基础层支持智能合约网络，促进矿工协作以及基本的机器学习训练和推理。中间层：开放经济框架（OEF）为AEA之间交互和底层协议提供共享空间，支持AEA之间的搜索、发现和交易。顶层：AEA 是 Fetch.ai 的核心组件。每个AEA都是一个智能代理软件，能够通过技能模块执行各种功能，执行用户预定义的任务。这些代理并不直接在区块链上运行，而是通过 OEF 与区块链和智能合约进行交互。智能代理软件可以纯粹基于软件，也可以绑定到智能手机、计算机和汽车等物理硬件。Fetch.ai 提供基于 Python 的开发套件 AEA 框架，该框架是模块化的，使开发人员能够构建他们的智能代理。在此架构之上，Fetch.ai 推出了 Co-Learn（智能体之间共享机器学习模型）和 Metaverse（智能体云托管服务）等后续产品和服务，以支持用户在其平台上开发智能体。关于代币，$FET 作为 Fetch.ai 的原生代币，涵盖了支付 Gas、验证质押以及在网络内购买服务等标准功能。超过90%的$FET代币已解锁，具体分配如下：自成立以来，Fetch.ai 经历了多轮代币稀释融资，最近一次是 2023 年 3 月 29 日从 DWF Lab 获得的 3000 万美元投资。鉴于 $FET 代币不能从项目收入中获取价值，其价格动能主要依赖于项目更新和市场对人工智能领域的情绪。事实上，在两次人工智能市场繁荣的浪潮中，Fetch.ai 的价格在 2023 年初和年底经历了超过 100% 的飙升。 Fetch.ai 的发展轨迹更像是一家 Web2.0 人工智能初创公司，重点是完善其技术。它通过持续的筹款和广泛的合作寻求认可和盈利。这种方法为未来在 Fetch.ai 上开发的应用程序留下了充足的空间，但也意味着它可能对其他区块链项目没有那么大的吸引力，从而可能限制生态系统的活力。Fetch.ai 的一位创始人甚至尝试基于 Fetch.ai 推出一个 DEX 项目 Mettalex DEX，但最终以失败告终。作为一个专注于基础设施的项目，生态系统的衰弱也阻碍了 Fetch.ai 内在价值的增长。四．生成式人工智能的美好未来 NVIDIA首席执行官黄仁勋将生成大型模型的推出比作人工智能的“iPhone时刻”，表明人工智能角色的关键转变，高性能计算芯片成为人工智能稀缺资源的核心。锁定Web3 AI子赛道大部分资金的AI基础设施项目仍然是投资者长期关注的焦点。随着芯片巨头逐渐升级计算能力，AI的能力将会扩展，很可能在Web3中催生更多的AI基础设施项目，甚至可能是专门为Web3中的AI训练而设计的芯片。虽然以消费者为中心的生成式人工智能产品仍处于实验阶段，但一些工业级应用已经显示出巨大的潜力。其中一种应用是将现实世界场景转移到数字领域的“数字孪生” 。考虑到工业数据中尚未开发的价值，NVIDIA 的元宇宙数字孪生平台将生成式 AI 定位为工业数字孪生的重要组成部分。在Web3中，包括虚拟世界、数字内容创作和现实世界资产，受人工智能影响的数字孪生将发挥重要作用。新型交互硬件的开发也至关重要。从历史上看，计算领域的每一次硬件创新都带来了革命性的变化和机遇，比如现在无处不在的电脑鼠标或 iPhone 4 的多点触控电容屏。 Apple Vision Pro宣布将于 2024 年第一季度发布，以其令人印象深刻的演示吸引了全球关注，有望为各行业带来意想不到的变化和机遇。以快速内容制作和广泛传播而闻名的娱乐行业往往首先受益于硬件更新。这其中包括Web3的元宇宙、区块链游戏、NFT等，都是值得长期关注和研究的。从长远来看，生成式人工智能的发展代表着量变导致质变。ChatGPT 的核心是推理问答这一长期研究的学术问题的解决方案。只有通过扩展数据和模型迭代，才达到了 GPT-4 令人印象深刻的水平。Web3中的AI应用也类似，目前正处于Web2模型适应Web3的阶段。完全基于 Web3 数据的模型尚未出现。未来富有远见的项目和致力于研究 Web3 特定问题的大量资源将为 Web3 带来自己的 ChatGPT 级杀手级应用程序。生成式人工智能的技术基础还有很多有前景的探索途径，比如思想链技术。这项技术允许大型语言模型在多步推理方面取得重大飞跃。然而，它也凸显甚至加剧了大型模型在复杂逻辑推理方面的局限性。有兴趣的读者可以探索原作者关于Chain-of-Thought的论文。 ChatGPT之后，Web3中出现了各种以GPT为主题的项目，但简单地将GPT与智能合约结合起来并不能满足用户需求。ChatGPT 发布大约一年后，未来仍然拥有巨大的潜力。未来的产品应该从Web3用户的真实需求出发。随着Web3技术的日益成熟，生成式AI在Web3中的应用必将是广阔而令人兴奋的。来源：金色财经

金色财经2024-02-18

鹏华Ashares指数增强产品表现亮眼，AI+基本面量化体系赋能宽基

内部研究时也格外注重基本面、量价与AI机器学习之间的均衡关系，将团队分组对应不同的部分，并按照市场变化各自挖掘可能存在的Alpha收益。首先是AI+基本面。作为公募量化投资最根本的投资模型，现在市场上常见的基本面框架几乎都始于尤金·法玛的三因子模型，并在此基础上加入质量、投资和分析师预期等各类从上市公司财报中挖掘出的因子，继而寻找出财报数据优秀的具体公司。 AI技术的加入让因子得到了更加高效的利用，苏俊杰介绍道：“因子合成的维度本身只是线性的加总，随着现在因子在市场上越来越有效，超额收益开始变得困难，因此在因子及特征的合成上加入机器学习的算法，比如一些树模型和神经网络的模型对其进行合成。” 鹏华指增团队的因子库也因此出现了爆发式增长，数量迅速扩展到了数千个之多。苏俊杰及团队将这些成熟化的因子融入模型体系中，不断优化迭代，力求保证模型的相对连续性，做到渐进式变好。其次是AI+量价信息。其原理是基于股票成交的价格和交易量的信息去捕捉未来存在机会的股票，对数学能力要求极高，而这与苏俊杰的学科背景正好契合。苏俊杰硕士毕业于美国芝加哥大学金融数学专业，至今已经拥有12年证券从业经验及5年投资管理经验，期间管理了多只量化对冲、指数增强和主动量化产品。在他看来，公募基金虽然难以进行高频交易，但是依托AI技术，也能将挖掘量价信息升级为高频数据。苏俊杰举了一个例子对此进行说明。AI技术目前已经能支持端到端挖掘，也就是输入原始数据后，通过人工设计过程中的网络结构与隐含层数量等，最后得出相关性较低的Alpha，进而去实现超额收益。另类信息则是在基本面和量价信息之外的又一复杂增量，在鹏华基金的量化投资之中，这一部分主要包括ESG评级、舆情和专利等数据，其中较为重要的是舆情信息。在苏俊杰看来，舆情信息属于文本的一类，本身就极难处理，但是在AI技术的支持下，量化分析师拥有了通过算法理解文本正负面导向的能力，这无异于给指数增强投资配备了更全面的“武器库”，让投资过程能够更加全面和顺利。均衡理念应对市场变化，创新布局把握投资机会除此之外，量化投资近年来受投资者青睐的又一原因是其拥有纪律性、系统性以及覆盖面广等特点。苏俊杰表示，量化投资相对而言更加客观，从数据出发建立模型，很少会受到人的情绪及外界波动的干扰，但在鹏华量化团队中有一个一致的观念，模型本身并没有那么重要，坚持持续进化和迭代的理念并不断去优化、迭代这套体系让它能够更好地适应未来的市场环境才是最重要的。因此，苏俊杰团队在市场牛熊切换和风格轮换中养成了相对均衡的模型构建理念。苏俊杰表示，均衡的好处是风格切换时能够相对市场保持比较小的回撤，通过有效的那一部分模型确保超额收益的稳定性。同时，团队还会不断拓展新的阿尔法来源，来替换在市场效率提升中失效的因子，并努力认识到因子波动的原因，在能够接受的风险维度下去使用这些因子。例如价值因子就是因为兼具周期波动性和风险补偿两个特点被纳入了模型之中，通过对权重的调整来获取长期条件下的Alpha，继而去追求更加稳定的超额收益。以鹏华沪深300指数增强A为例，根据基金四季报数据，截至2023年末，过去五年产品实现了41.56%的净值增长，超越业绩比较基准18.99%，创造了明显的历史超额收益。同期其它主要指数增强产品如鹏华中证500指数增强，净值增长率表现也显著优于同期业绩比较基准，由此也不难看出苏俊杰团队量化策略的操作有效性。除了通过主动管理的手段来获取指数的超额收益外，苏俊杰团队也十分注重对市场行业趋势的研究，以人工智能等新兴产业板块为代表的科创板正是他们的研究方向之一。基于对科创板成长性的看好，团队选择推出科创50增强ETF（588460），希望通过增强的手段从科创板中寻找相对来说的中小市值股票，并从高研发、高成长和高质量的正向循环中去寻找增厚的Alpha。推出市场上首批科创100ETF之一的鹏华科创100ETF基金（588220）也是因为看好科创板块的长期投资价值。在近期发表的2024指数投资策略中，苏俊杰表示，科创100指数目前已经具备了极佳的投资性价比，随着后期市场的企稳与恢复，指数有望再次展现出高弹性和进攻性强的特点。因此，投资者可以通过科创50增强ETF以及科创100ETF来布局科创板相关资产，把握后续可能存在的投资机会。 “只有不断去进化、不断去适应这个市场，才能够在竞争越来越激烈，也越来越有效的市场中，尽可能地去获得超额收益，体现出职业投资管理者的价值。”苏俊杰这样介绍自己对于量化投资的态度，鹏华指增团队也确实做到了这一点。从产品布局上来看，鹏华基金已经进入了指数增强领域持续加速发展的阶段，在已有的沪深300指数增强、中证500指数增强等产品的基础上，分别于2022年底发行了鹏华中证1000指数增强和鹏华科创50增强ETF，2023年初还发行了鹏华国证2000指数增强，基本覆盖了市场上各主要宽基指数，并且兼顾了大盘与中小盘等各类资产，能够满足投资者各类的指增产品投资需求，帮助获得更加优质的投资体验。作为公募基金“老十家”之一的鹏华基金，始终非常重视指数领域发展，并凭借创新的产品布局意识以及品牌化管理意识，创设了“鹏华Ashares”指数品牌，以聚合效应将指数投资的影响力不断扩大。目前，鹏华Ashares已经囊括了宽基、策略、金融、周期、消费、医药、科技、制造及港股通等各个细分领域，打造除了一个跨市场（沪深港）多元指数产品平台，为投资者一键布局优质资产、享受经济转型时期的时代红利提供了一只强有力的抓手。

金融界2024-02-18

晚间必读5篇 | 我们需要怎样的比特币生态？

报告研究了开发去中心化计算协议、零知识机器学习 (zkML) 基础设施和人工智能代理的项目。点击阅读 4.坎昆升级之后以太坊L2的Gas费真的会降低10倍以上吗？坎昆升级之后，对于Rollup L2们来说，新增的3个Blob区块，相当于新增的3块公地。按照科斯的公地理论，在以太坊Blob空间完全自由竞争的市场环境下，大概率会出现目前处于领先地位的头部Rollup L2们滥用Blob空间的现象。这样可以一方面确保他们的市场地位，另一个方面可以挤压竞争对手的生存空间。点击阅读 5.后铭文时代我们需要怎样的比特币生态？在加密货币行业，对于技术类型的项目，我们常常需要区分短期叙事和长期价值，来辨别什么样类型的项目是属于炒作类的泡沫资产，什么样的项目是技术上有长期价值的，当然好的项目也可以兼具热门叙事与长期价值，而炒作类的泡沫资产并不是毫无价值。这篇文章主要论述未来比特币生态的炒作逻辑，但在此之前，我们先来借鉴在炒作之路上走的最成功的以太坊是如何发展其叙事的。点击阅读来源：金色财经

金色财经2024-02-18

Sora引爆AI叙事哪些Crypto+AI概念项目最值得关注

金色财经2024-02-18

AI智能体是加密货币的下一个重要催化剂

r 建立了一个动态且开放的市场，将各种机器学习模型联合起来，形成一个互连的机器智能神经网络。网络中的其他参与者可以通过构建子网来利用这种机器学习模型的网格。这些子网是针对不同用例利用人工智能的专用协议。目前，Bittensor 生态系统拥有32 个子网。每个子网都可以被视为AI智能体的活跃市场，在 Bittensor 生态系统中被称为子网矿工，他们参与并解决持续的基于激励的竞争中的问题。例如，在子网 8（“预测子网”）中，子网矿工竞相预测比特币等金融市场的未来价格走势。 Autonolas Autonolas 堆栈支持开发连续运行并自行执行操作的加密原生自治服务。这些智能体服务充当多智能体系统 (MAS)，其中多个 AI 智能体协作执行复杂的功能。例如，人们可以在 Autonolas 上构建一种用于预测市场的AI 智能体，称为“预测智能体”。该智能体可以使用定制的数据分析策略进行编程，以帮助决策过程并积极参与预测市场。基于 Autonolas 构建的AI 智能体已经在 DeFi 领域取得进展。最近的一篇博客强调， Gnosis 链上超过 9% 的Safe交易可归因于 Olas 网络上运行的自治服务。进入2024 年，更令人印象深刻——在很多天里，Gnosis 链上超过 75% 的Safe交易都是由AI 智能体支持的。AI 智能体的高参与率是一个令人惊讶的细节，但许多人尚未注意到。它们在 Gnosis 链上使用的一种流行方式是充当 Safe 多重签名交易的自主签名者。 DAIN（去中心化自治基础设施网络） DAIN 是一个AI 智能体的全球网络，旨在相互交易、交互和合作。这是通过 DAIN 的 API 实现的，它充当AI 智能体进行通信和协作以执行复杂操作的标准化框架。虽然 DAIN 的网站目前正在开发中，但AI 智能体已经在其堆栈之上构建。以Asset Shield为例，它由 DAIN 提供支持。它部署Asset Shield,作为 Squads 上多重签名设置的自主签名者，从而增强安全性。它的工作原理如下：AI 智能体成为 Squads 多重签名的一部分，被编程为根据特定规则签署或拒绝交易。例如，AI 智能体可能会自动阻止任何超过 1000 SOL 的交易或标记那些看起来可疑的交易。可疑交易的标准由用户设定，可能类似于 Rabby Wallet 用来提醒用户可疑交易的逻辑 - 例如，当你处理新网站时，它会提示你在确认之前三思而后行。结语 AI 智能体经济已经到来。人工智能对加密货币的影响不再是遥远的可能性；它现在正在发生。随着人工智能基础设施协议的成熟，复杂的AI 智能体的开发及其跨用例的应用只会变得更加容易。所有迹象都表明一个令人兴奋的可能性：AI 智能体将成为本次牛市的独特催化剂。一旦AI 智能体成为加密货币未来的超级用户，我们可以预期它们之间的交互、交易和协作数量将呈指数级增长。这种激增将需要大量的计算能力和存储容量。为了满足这些需求，业界可能会寻求去中心化物理基础设施网络（dePIN）项目。Akash、Filecoin、GenesysGo、io.net、Render和Grass 等项目在 AI 与计算、存储和带宽等资源的交叉点上运行，可以在满足AI 智能体不断增长的需求方面发挥关键作用。来源：金色财经

金色财经2024-02-18

Crypto x AI 生态最全大盘点

力，同时为硬件供应商提供更好的回报。机器学习大致可分为四个主要的计算工作量：数据预处理：准备原始数据并将其转换为可用的格式。训练：让 ML 模型在大型数据集上进行训练，以学习数据中的模式和关系。微调：可以使用较小的数据集进一步优化 ML 模型，以提高特定任务的性能。推理：运行经过训练和微调的模型以进行预测。我们已经看到了像 Render 和 Akash 这样更通用的计算网络转向服务于更专业的计算，如 AI/ML。例如，Render 已经利用建立在他们网络之上的提供商如 io.net 来更直接地服务 AI 客户，而像 Akash 这样的供应商已经开始引入拥有需求的硬件供应商，并通过直接训练他们自己的模型来展示网络的力量，第一个案例是一个仅在无版权材料上训练的 Stable Diffusion fork。Livepeer 也正在专注于 AI 视频计算，因为他们已经有一个庞大的服务于视频转码用例的网络。此外，一种专门针对 AI 计算的网络正在形成，这让我们认识到围绕协同和验证的核心挑战可以通过围绕 AI 构建链或模型来更直接地解决。Gensyn 是其中比较值得注意的例子，它构建了一个基于基板的 L1，专为并行化和验证而设计。该协议使用并行化将较大的计算工作负载拆分为任务，并将它们异步推送到网络。为了解决验证问题，Gensyn 使用了概率学习证明 (probabilistic proof-of-learning)、基于图的 pinpoint 协议以及基于 staking 和 slashing 的激励系统。尽管 Gensyn 网络尚未上线，但该团队预测，其网络上等效 V100 GPU 的每小时成本约为 0.40 美元。储存之外，替代训练模型也在兴起，例如联合学习 (federated learning)，在意识到区块链可以更适当地激励这些模型后，它在 web3 中复兴。简而言之，联合学习是一种多方独立训练模型的方法，并定期批处理更新并将其发送到全局模型。有很多实践案例，比如谷歌的键盘文本预测算法。在 web3 中，FedML 和 FLock 正在尝试将联合学习方法与代币激励相结合。同样值得注意的是，像 Filecoin 和 Arweave 这样的去中心化数据存储，以及像 Space and Time 这样的数据库，可以在数据预处理方面发挥重要作用。基于共识的 ML 使用区块链的另一种新颖的基础设施形式则是基于共识的机器学习 (ML) 概念。Bittensor 是这一概念的最突出例子：这是一种基于 Substrate 的 L1 区块链，旨在通过使用特定于应用的子网来提高机器学习的效率和协作。每个子网都有自己的激励系统，用于服务各种用例，从 LLM 到预测模型到生成性创新。Bittensor 独特之处在于它如何使用矿工协调优质输出：矿工通过提供他们的 ML 模型的智能输出（由验证者评级）来获得 TAO (其原生代币)。由于矿工因为最佳输出而获得激励，他们会不断改进自己的模型以保持竞争力，从而帮助 Bittensor 完成了在代币经济学的协调下实现更快的学习过程。 TAO 生态系统中最近令人兴奋的发展是动态 TAO 提案，将 Bittensor 过渡到围绕代币排放的更自动化、市场驱动的机制设计，以及推出的 Nous 子网以提供激励模型微调，以便与 OpenAI 等公司竞争。我们可能会看到更多有关此类系统的尝试，例如让 mining 或共识以有利于质量的方式调节模型输出。意图就是您所需要的一切在DeFi中，MEV 领域的最新论点是关于用户意图以及使用经济同性 (economically-aligned) 的解调器来执行这些意图。关于意图的讨论通常百家齐放，但有一点已经变得越来越清晰了：用户的意图需要更高阶的语义上下文才能被解析成可执行代码。LLMs 可能会提供这个语义层。 Propellerheads 提出了迄今为止在意图空间中使用 LLM 的最清晰的愿景：https://www.propellerheads.xyz/blog/blockchain-and-llms。简而言之，LLMs 可以通过语义理解，将接近匹配的意图转化为完全匹配的意图，从而帮助我们找到巧遇需求 (coincidences of wants, CoWs) 的机会。这可以通过向内意图重判 (例如 “购买 LUSD 代替 USDC 可以吗？我找到了一个匹配的限价订单，你将通过这个 CoW 节省 0.3％的交易费用。”) 和向外意图重判 (例如 “我想购买你拥有的这个 BAYC，您愿意以 X ETH 的价格出售吗？”) 来实现。当然还可以有其他结构，这在钱包和多重签名的后账户抽象背景下变得特别有趣。DAIN 和 Autonolas 等项目已经尝试使用代理作为钱包的签名者，例如，出于安全和基于意图的目的，与你的钱包交谈并让它代表你执行交易即将成为现实。同样值得关注的是规模庞大 DeFi 用例，例如基于代理的预测市场、由 AI 管理的经济模型、以及 ML 参数化的 DeFi 应用程序，我的 zkML 文章提供了更为详细的介绍。代理经济迄今为止，我最喜欢的基础设施领域之一是人工智能代理经济。它源自我对世界的愿景，在这个世界中，每个人都有自己的代理，我们雇用那些高质量和训练有素的代理为我们服务，或者让自治代理在复杂的经济行为中实现我们的目标。为了做到这一点，代理必须有一种方式来支付和接收他们的服务费用。传统的支付模式绝对有可能为这些代理开放，但更有可能的是，鉴于其易用性、结算速度和无需许可的性质，代理将以加密货币进行交易。 Autonolas 和 DAIN 是该领域的典型案例。在 Autonolas 中，代理实际上是网络中的节点，致力于实现特定目标，这些节点由服务运营商维护，类似于 Keeper 网络。这些代理可用于各种服务，例如预言机、预测市场、消息传递等。DAIN 采用了类似的方法，使代理能够 “发现、交互、交易和与网络中的其他代理协作”。其他创意除上述内容外，我们还看到：用于微调模型（如 BagelDB）的去中心化向量数据库。用于 API 密钥的钱包和用于 AI 应用程序的 SIWE，例如 Window.ai 数据预配服务索引和搜索工具，如 Kaito 区块浏览器和仪表板，例如 Modulus Labs 的 AI 验证仪表板，它现在正在验证 Upshot 模型的一系列推理。开发助手，如 Dune 的链上 SQL 查询模型模拟代理测试环境用于数据抓取的带宽，如 Grass Network 合成数据和人类 RLHF 平台 DeSci 应用程序，例如 LabDAO 用于蛋白质折叠的分布式 bioML 工具 web3 中涌现出了无数的想法，用于服务于 AI 的各个领域，因此此处仅提供重点内容，但我强烈建议探索上述项目以深入了解其全貌。这一切的交汇 AI 和 Crypto 是协同作用的。两者都倾向于开源、抗审查，并正在创造历史上最大的财富转移。他们需要彼此，并解决彼此的核心挑战。对于 Crypto 来说，AI 解决了用户体验中的问题，促进了更具创造性的链上用例，增强了去中心化组织和智能合约的能力，并在应用和基础设施层解锁了真正的创新。对于 AI 来说，Crypto 解决了真实性和出处问题，加强了围绕开源模型和数据集的协调，有助于引导计算和数据，并使创作者和代理能够更直接地参与到后人工智能经济中去。现在的挑战是加密黑客、团队和项目了解并接受这种转变。创造力是无限的，我们正站在这一切的交汇处。如果你有兴趣了解更多关于这些交汇点的信息，请参加我们在 ETHDenver 举行的 Convergence 会议。来源：金色财经

金色财经2024-02-15

24小时热点