FX168财经网_全球视野外汇黄金加密货币NFT资讯网

Footprint Analytics x Future3 Campus联合发布AI与Web3研究报告

技术术语或特定命令，例如，SQL，R，Python 等来做数据获取和分析。这一特性拓宽了区块链应用的受众范围，让更多的人能够访问和使用 Web3 应用和服务，不论他们是否精通技术，从而促进了区块链数据行业的发展和普及。 3.2 LLM 与 Web3 数据的融合图 7：区块链数据与 LLM 的融合大型语言模型的培训需要依赖大规模数据，通过学习数据中的模式来建立模型。区块链数据中蕴含的交互和行为模式是 LLM 学习的燃料。数据量和质量也直接影响 LLM 模型的学习效果。数据不仅仅是 LLM 的消耗品，LLM 还有助于生产数据，甚至可以提供反馈。例如，LLM 可以协助数据分析师在数据预处理方面做出贡献，如数据清洗和标注，或者生成结构化数据，清除数据中的噪声，凸显有效信息。 3.3 增强 LLM 的常用技术解决方案 ChatGPT 的出现，不仅向我们展示了 LLM 解决复杂问题的通用能力，同时也引发了全球范围的，对在通用能力上去叠加外部能力的探索。这里包括，通用能力的增强（包括上下文长度、复杂推理、数学、代码、多模态等）以及外部能力的扩充（处理非结构化数据、使用更复杂的工具、与物理世界的交互等）。如何将 crypto 领域的专有知识以及个人的个性化私有数据嫁接到大模型的通用能力上，是大模型在 crypto 垂直领域商业化落地的核心技术问题。目前，大多数应用都集中在检索增强生成（RAG）上，比如提示工程和嵌入技术，已经存在的代理工具也大多都聚焦于提高 RAG 工作的效率和准确性。市场上主要的基于 LLM 技术的应用栈的参考架构有以下几种： Prompt Engineering 图 8：Prompt Engineering 当前，大多数从业者在构建应用时采用基础解决方案，即 Prompt Engineering。这一方法通过设计特定的 Prompt 来改变模型的输入，以满足特定应用的需求，是最方便快捷的做法。然而，基础的 Prompt Engineering 存在一些限制，如数据库更新不及时、内容冗杂、以及对输入上下文长度（In-Context Length）的支持和多轮问答的限制。因此，行业内也在研究更先进的改进方案，包括嵌入（Embedding）和微调（Fine-tuning）。嵌入（Embedding）嵌入（Embedding）是一种广泛应用于人工智能领域的数据表示方法，能高效捕获对象的语义信息。通过将对象属性映射成向量形式，嵌入技术能够通过分析向量之间的相互关系，快速找到最有可能正确的答案。嵌入可以在 LLM 的基础上构建，以利用该模型在广泛语料上学到的丰富语言知识。通过嵌入技术将特定任务或领域的信息引入到预训练的大模型中，使得模型更专业化，更适应特定任务，同时保留了基础模型的通用性。用通俗的话来讲，嵌入就类似于你给一个经过综合训练的大学生一本工具书，让他拿着拥有特定任务相关知识的工具书去完成任务，他可以随时查阅工具书，然后可以解决特定的问题。微调（Fine-tuning）图 9：Fine Tuning 微调（Fine-tuning）与嵌入不同，通过更新已经预训练的语言模型的参数，使其适应特定任务。这种方法允许模型在特定任务上表现出更好的性能，同时保持通用性。微调的核心思想是调整模型参数，捕捉与目标任务相关的特定模式和关系。但微调的模型通用能力上限仍然受限于基座模型本身。用通俗的话来讲，微调就类似于给经过综合训练的大学生上专业知识课程，让他掌握除了综合能力以外的专业课知识，能自行解决专业板块的问题。重新训练 LLM 当前的 LLM 虽然强大，但不一定能够满足所有需求。重新训练 LLM 是一种高度定制化的解决方案，通过引入新数据集和调整模型权重，使其更适应特定任务、需求或领域。然而，这种方法需要大量计算资源和数据，并且管理和维护重新训练后的模型也是挑战之一。 Agent 模型图 10：Agent 模型 Agent 模型是一种构建智能代理的方法，它以 LLM 作为核心控制器。这个系统还包括几个关键组成部分，以提供更全面的智能。 Planning，规划：将大任务分成小任务，这样更容易完成 Memory，反思：通过反思过去的行为，改进未来的计划 Tools，工具使用：代理可以调用外部工具获取更多信息，如调用搜索引擎、计算器等人工智能代理模型具备强大的语言理解和生成能力，能够解决通用问题，进行任务分解以及自我反思。这使得它在各种应用中都有广泛的潜力。然而，代理模型也存在一些局限性，例如受到上下文长度的限制、长期规划和任务拆分容易出错、输出内容的可靠性不稳定等问题。这些局限性需要长期不断的研究和创新，以进一步拓展代理模型在不同领域的应用。以上的各种技术并不是相互排斥的，它们可以在训练和增强同一个模型的过程中一起使用。开发者可以充分发挥现有大语言模型的潜力，尝试不同的方法，以满足日益复杂的应用需求。这种综合使用不仅有助于提高模型的性能，还有助于推动 Web3 技术的快速创新和进步。然而，我们认为，虽然现有的 LLM 已经在 Web3 的快速发展中发挥了重要作用，但在充分尝试这些现有模型（如 OpenAI、Llama 2 以及其他开源 LLM）之前，我们可以从浅入深，从 prompt engineering 和嵌入等 RAG 策略入手，谨慎考虑微调和重新训练基础模型。 3.4 LLM 如何加速区块链数据生产的各个流程 3.4.1 区块链数据的一般处理流程当今，区块链领域的建设者逐渐认识到数据产品的价值。这一价值覆盖了产品运营监控、预测模型、推荐系统以及数据驱动的应用程序等多个领域。尽管这一认知逐渐增强，但作为数据获取到数据应用中不可或缺的关键步骤，数据处理往往被忽视。图 12：区块链数据处理流程将区块链原始非结构化数据，如 events 或 logs 等，转换为结构化的数据区块链上的每一笔交易或事件都会生成 events 或 logs，这些数据通常是非结构化的。这一步骤是获取数据的第一入口，但数据仍然需要被进一步处理以提取有用信息，得到结构化的原始数据。这包括整理数据、处理异常情况和转化为通用格式。将结构化的原始数据，转换为具有业务意义的抽象表在得到结构化原始数据后，需要进一步进行业务抽象，将数据映射到业务实体和指标上，比如交易量、用户量等业务指标，将原始数据转化为对业务和决策有意义的数据。从抽象表中，计算提取业务指标有了抽象的业务数据后，可以在业务抽象的数据上进行进一步计算，就可以得出各种重要的衍生指标。例如交易总额的月增长率、用户留存率等核心指标。这些指标可以借助 SQL、Python 等工具实现，更加有可能帮助监控业务健康、了解用户行为和趋势，从而支持决策和战略规划。 3.4.2 区块链数据生成流程加入 LLM 后的优化 LLM 在区块链数据处理中可以解决多个问题，包括但不限于以下内容：处理非结构化数据：从交易日志和事件中提取结构化信息：LLM 可以分析区块链的交易日志和事件，提取其中的关键信息，如交易金额、交易方地址、时间戳等，将非结构化数据转化为的带有业务意义的数据，使其更易于分析和理解。清洗数据，识别异常数据：LLM 可以自动识别和清洗不一致或异常的数据，帮助确保数据的准确性和一致性，从而提高数据质量。进行业务抽象：将原始链上数据映射到业务实体：LLM 可以将原始区块链数据映射到业务实体，例如将区块链地址映射到实际用户或资产，从而使业务处理更加直观和有效。处理非结构化链上内容，打标签：LLM 可以分析非结构化数据，如 Twitter 情感分析结果，将其标记为正面、负面或中性情感，从而帮助用户更好地理解社交媒体上的情感倾向。自然语言解读数据：计算核心指标：基于业务抽象，LLM 可以计算核心业务指标，如用户交易量、资产价值、市场份额等，以帮助用户更好地了解其业务的关键性能。查询数据：LLM 可以通过 AIGC，理解用户意图，生成 SQL 查询，使用户能够以自然语言提出查询请求，而不必编写复杂的 SQL 查询语句。这增加了数据库查询的可访问性。指标选择、排序和相关性分析：LLM 可以帮助用户选择、排序和分析不同的多个指标，以更好地理解它们之间的关系和相关性，从而支持更深入的数据分析和决策制定。产生业务抽象的自然语言描述：LLM 可以根据事实数据，生成自然语言摘要或解释，以帮助用户更好地理解业务抽象和数据指标，提高可解释性，并使决策更具合理性。 3.5 目前用例根据 LLM 自身的技术以及产品体验优势，它可以被应用到不同的链上数据场景，技术上从易到难可以将这些场景分成四类：数据转换：进行数据增强、重构等操作，如文本摘要、分类、信息抽取。这类应用开发较快，但更适合通用场景，不太适合大量数据的简单批量化处理。自然语言接口：将 LLM 连接知识库或工具，实现问答或基本工具使用的自动化。这可以用于构建专业聊天机器人，但其实际价值受其所连接的知识库质量等其他因素影响。工作流自动化：使用 LLM 实现业务流程的标准化和自动化。这可以应用于较复杂的区块链数据处理流程，如解构智能合约运行过程、风险识别等。协助机器人与助手辅助系统：辅助系统是在自然语言接口的基础上，集成更多数据源和功能的增强系统，大幅提高用户工作效率。图 11：LLM 应用场景 3.6 LLM 的局限性 3.6.1 行业现状：成熟应用、正在攻克的问题以及尚未解决的挑战在 Web3 数据领域，尽管已经取得了一些重要的进展，但仍然面临一些挑战。相对成熟的应用：使用 LLM 进行信息处理：LLM 等 AI 技术已成功用于生成文本摘要、总结、解释等工作，帮助用户从长篇文章、专业报告中提取关键信息，提高了数据的可读性和可理解性。使用 AI 解决开发问题：LLM 已经应用于解决开发过程中的问题，例如替代StackOverflow 或搜索引擎，为开发者提供问题解答和编程支持。有待解决与正在探索的问题：利用 LLM 生成代码：行业正在努力将 LLM 技术应用于自然语言到 SQL 查询语言的转换，以提高数据库查询的自动化和可理解性。然而，过程中会有很多困难，比如在某些情境下，生成的代码要求极高的准确性，语法必须百分之百正确，以确保程序能够无 bug 运行，并获得正确的结果。难点还包括确保问题回答的成功率、正确率，以及对业务的深刻理解。数据标注问题：数据标注对于机器学习和深度学习模型的训练至关重要，但在 Web3 数据领域，特别是处理匿名的区块链数据时，标注数据的复杂性较高。准确性和幻觉（Hallucination）问题：AI 模型中幻觉的出现可能受多因素影响，包括有偏见或不足的训练数据、过度拟合、有限的上下文理解、缺乏领域知识、对抗性攻击和模型架构。研究人员和开发者需要不断改进模型的训练和校准方法，以提高生成文本的可信度和准确性。利用数据进行业务分析和文章输出：将数据用于业务分析和生成文章仍然是一个具有挑战性的问题。问题的复杂性、需要精心设计的提示（prompt）、以及高质量的数据、数据量、减少幻觉问题的方法都是待解决的问题。根据业务领域自动索引智能合同数据以进行数据抽象：自动为不同业务领域的智能合同数据建立索引以进行数据抽象仍然是一个未解决的问题。这需要综合考虑不同业务领域的特点，以及数据的多样性和复杂性。处理时序数据，表格文档数据等更复杂的模态：DALL·E 2 等多模态模型非常擅长在文字生成图像、语音等常见模态。而在区块链以及金融领域需要特别地对待一些时序数据，而非简单地把文本向量化就能解决。联和时序数据与文本，跨模态联合训练等，是实现数据智能分析以及应用的重要研究方向。 3.6.2 为何只靠 LLM 不能完美解决区块链数据行业的问题作为语言模型，LLM 更适用于处理对流畅度要求较高的场景，而在追求准确性方面，可能需要对模型进行更进一步的调整。在将 LLM 应用于区块链数据行业时，以下框架可提供一些参考。图 13：区块链数据行业下 LLM 输出的流畅性、准确性和用例风险在评估 LLM 在不同应用中的适用性时，关注流畅度和准确性是至关重要的。流畅度指的是模型的输出是否自然、通顺，准确性则表示模型的答案是否准确。这两个维度在不同应用场景中有不同的要求。对于流畅度要求较高的任务，如自然语言生成、创意写作等，LLM 通常能够胜任，因为其在自然语言处理方面的强大性能使其能够生成流畅的文本。区块链数据面临着数据解析、数据处理、数据应用等多方面的问题。LLM 拥有卓越的语言理解和推理能力，使其成为与区块链数据互动、整理和概括的理想工具。然而，LLM 并不能解决所有区块链数据领域的问题。在数据处理方面，LLM 更适合快速迭代和探索性处理链上数据，不断尝试新的处理方法。然而，LLM 在生产环境中的详细核对等任务方面仍存在一些限制。典型的问题是 token 长度不够，无法应对长上下文的内容。耗时的 prompt，回答不稳定影响下游任务进而导致成功率不稳定的问题，以及执行大批量任务的效率不高。其次，LLM 处理内容的过程中很可能出现幻觉问题。据估计，ChatGPT 的幻觉概率约为 15% 至 20%，而由于其处理过程的不透明性，很多错误难以察觉。因此，框架的建立和专家知识的结合变得至关重要。此外，LLM 结合链上数据还是有很多挑战：链上数据实体类型多、数量庞大，以何种形式投喂给 LLM，有效地运用在具体的商业化场景，类似其他垂直行业，需要更多研究和探索。链上数据包括结构化和非结构化数据，目前行业大多数数据解决方案，都是基于对业务数据的理解。解析链上数据的过程中，用 ETL 去过滤，清洗，补充和复原业务逻辑，进一步把非结构化数据整理为结构化数据，可以为后期多种业务场景提供更高效的分析。比如，结构化的 DEX trades，NFT marketplace transactions，wallet address portfolio 等，就具有前面提到的高质量，高价值，准确和真实等特点，可以给通用 LLM 提供高效的补充。被误解的 LLM LLM 可以直接处理非结构化数据，因此结构化数据将不再被需要？ LLM 通常基于海量文本数据预训练而来，天然适合处理各类非结构化的文本数据。然而，各个行业已经拥有大量结构化数据，尤其 Web3 领域中解析后的数据。如何有效的利用这些数据，增强 LLM，是一个行业的热门研究课题。对于 LLM，结构化数据仍然具有以下的优势：海量：大量的数据储存在各种应用背后的数据库和其他标准格式里面，特别是私有数据。每个公司和行业都还有大量 LLM 没有用于预训练的墙内数据。已有：这些数据不需要重新生产，投入成本极低，唯一的问题是怎么用起来。高质量和高价值：领域内长期积累的，蕴含专家的专业知识，通常都沉淀到了结构化数据里面，用于产学研。结构化数据的质量是数据可用性的关键，其中包括数据的完整性、一致性、准确性、唯一性和事实性。高效率：结构化数据以表格、数据库或其他规范格式存储，模式是预先定义的，并且在整个数据集中保持一致。这意味着数据的格式、类型和关系都是可预测和可控的，使得数据的分析和查询更加简单和可靠。而且，行业已经有成熟的 ETL 及各种数据处理和管理工具，使用起来也更加高效和便捷。LLM 可以通过 API，把这些数据使用起来。准确性和事实性：LLM 的文本数据，基于 token 概率，目前还不能稳定的输出确切的答案，产生的幻觉问题一直是 LLM 要解决的核心根本问题。对于很多行业和场景，会形成安全和可靠性问题，比如，医疗，金融等。结构化数据，正是可以辅助和矫正LLM 这些问题的一个方向。体现关系图谱，和特定业务逻辑：不同类型的结构化数据，可以以特定的组织形式（关系型数据库，图数据库等），输入到 LLM，解决不同类型的领域问题。结构化数据使用标准化的查询语言（如 SQL），使得对数据进行复杂的查询和分析变得更加高效和准确。知识图谱 (Knowledge Graph) 可以更好地表达实体之间的关系，也更容易进行关联查询。使用成本低：不用 LLM 每次重新从底层重新训练整个底座模型，可以结合 Agents 和LLM API 等 LLM 赋能方式，更快更低成本的接入 LLM。目前市场上还有一些脑洞大开的观点，认为 LLM 在处理文本信息和非结构化信息方面的能力极强，只需将原始数据，包括非结构化数据，简单导入到 LLM，就能达到目的。这个想法类似于要求通用 LLM 解数学题，在没有专门构建数学能力模型的情况下，大多数 LLM 可能会在处理简单的小学加减题时出错。反而，建立类似数学能力模型，和图像生成模型的 Crypto LLM 垂直模型，才是解决 LLM 在 Crypto 领域更落地的实践。 4.2 LLM 可以从新闻、推特等文字信息推测内容，人们不再需要链上数据分析来得出结论？ LLM 虽然可以从新闻、社交媒体等文本中获得信息，但直接从链上数据中获得的洞察仍然是不可或缺的，主要原因有: 链上数据是原始的第一手资讯，而新闻和社交媒体中的信息可能存在片面性或误导性。直接分析链上数据可以减少信息偏差。尽管利用 LLM 进行文本分析存在理解偏差的风险，但直接分析链上数据可以减少误读。链上数据包含全面的历史交互和交易记录，分析可以发现长期趋势和模式。链上数据还可以展现整个生态系统的全貌，如资金流向、各方关系等。这些宏观的洞察有助于更深入地理解状况。而新闻和社交媒体信息通常更零散且短期。链上数据是开放的。任何人都可以验证分析结果，避免信息的不对称。而新闻和社交媒体未必都如实披露。文本信息和链上数据可以相互验证。综合两者可以形成更立体和准确的判断。链上数据分析仍是不可或缺的。LLM 从文本中获取信息具有辅助作用，但不能取代直接分析链上数据。充分利用两者优势才能取得最佳效果。 4.3 利用 LangChain、LlamaIndex 或其他 AI 工具，在 LLM 的基础上构建区块链数据解决方案非常容易？ LangChain 和 LlamaIndex 等工具为构建自定义的简单 LLM 应用提供了便利，使快速搭建成为可能。然而，将这些工具成功应用于实际生产环境中涉及到更多的挑战。构建一个高效运行、保持高质量的 LLM 应用是一项复杂的任务，需要深入理解区块链技术和 AI 工具的工作原理，并有效地将它们整合在一起。这对于区块链数据行业来说，是一项重要但具有挑战性的工作。在这个过程中，必须认识到区块链数据的特性，它要求极高的精准性和可重复校验性。一旦数据通过 LLM 进行处理和分析，用户对其准确性和可信度有很高的期望。这与 LLM 的模糊容错性之间存在着潜在的矛盾。因此，在构建区块链数据解决方案时，必须仔细权衡这两方面的需求，以满足用户的期望。当前市场上，虽然已经有了一些基础工具，但这个领域仍在快速演进和不断迭代。类比于 Web2 世界的发展历程，从最初的 PHP 编程语言到更成熟、可扩展的方案如 Java、Ruby、Python，以及 JavaScript 和 Node.js 等，再到 Go 和 Rust 等新兴技术，都经历了不断的演变。AI 工具也在不断变化，新兴的 GPT 框架如 AutoGPT，Microsft AutoGen，及最近OpenAI 自己推出的 ChatGPT 4.0 Turbo 的 GPTs 和 Agents 等只是展示了未来可能性的一部分。这表明，区块链数据行业和 AI 技术都还有许多发展空间，需要不断努力和创新。当前在应用 LLM 时，有两个陷阱需要特别注意：期望值过高：很多人认为 LLM 可以解决一切问题，但实际上 LLM 有明显的局限性。它需要大量的计算资源，训练成本高昂，而且训练过程可能不稳定。对 LLM 的能力要有现实的期望，明白它在某些场景下表现出色，如自然语言处理和文本生成，但在其他领域可能无法胜任。忽视业务需求：另一个陷阱是强行应用 LLM 技术，而不充分考虑业务需求。在应用 LLM 之前，务必明确具体的业务需求。需要评估 LLM 是否是最佳技术选择，并做好风险评估和控制。强调 LLM 的有效应用需要根据实际情况慎重考虑，避免误用。尽管 LLM 在许多领域都具备巨大潜力，但开发者和研究者在应用 LLM 时需要保持谨慎，采取开放的探索态度，以找到更适合的应用场景并最大程度地发挥其优势。关于Footprint Analytics Footprint Analytics是一家区块链数据解决方案提供商。借助尖端的人工智能技术，我们提供 Crypto 领域首家支持无代码数据分析平台以及统一的数据 API，让用户可以快速检索超过 30 条公链生态的 NFT，GameFi 以及钱包地址资金流追踪数据。关于Future3 Campus Future3 Campus是由万向区块链实验室和HashKey Capital共同发起的Web3.0创新孵化平台，重点聚焦Web3.0 Massive Adoption、DePIN、AI三大赛道，以上海、粤港澳大湾区、新加坡为主要孵化基地，辐射全球Web3.0生态。同时，Future3 Campus将推出首期5000万美金的种子基金用于Web3.0项目孵化，真正服务于Web3.0领域的创新创业。来源：金色财经

金色财经2023-12-06

韩国执法部门：朝鲜黑客冒充韩国政府机构和记者窃取加密货币

恶意软件瞄准区块链工程师。黑客使用 Python 程序冒充加密货币套利机器人来渗透他们的系统。 Lazarus Group 对加密货币行业一些最大的黑客攻击负责，其中包括对 CoinEx 的攻击，导致约 5500 万美元的损失。该朝鲜支持的黑客组织目前持有价值近 6000 万美元的加密货币，其中比特币 (BTC) 占大部分，价值 5615 万美元。其他加密资产包括 ETH、BNB、BUSD 和 AAVE。来源：金色财经

金色财经2023-11-27

如何使用 NFTScan NFT API 在 Avalanche 网络上开发 Web3 应用

的编程语言，如 JavaScript、Python 或者 Java，使用语言内置的请求库，按文档中接口说明构建请求,配置请求头及参数信息。向定义的接口地址发送请求，即可获得返回的 JSON 格式数据。开发者可以完全根据接口文档来实施请求的构造，无需过多自己推导，整个调用流程极速，使用门槛很低。例如，我们通过 Get transactions by contract 接口请求 0x8927985b358692815e18f2138964679dca5d3b79 该地址的交易记录，使用接口： “/v2/transactions/{contract_address}”，HTTP GET 请求访问 NFTScan 的 API 端点，使用 Python 的 requests 库，可以这样构建请求：总体而言，这段代码发送了一个 HTTP GET 请求到指定的端点，可以作为一个基本框架，向 NFTScan 的 API 发送请求并获取交易记录数据，为进一步处理和分析数据提供了一个起点。 About NFTScan NFTScan 成立于 2021 年初，总部位于香港，是全球领先的 NFT 数据基础设施服务商，目前已支持 Bitcoin、Ethereum、BNBChain、Polygon、Solana、TON、Arbitrum、Optimism、zkSync、Aptos 等在内的 20 条主流区块链网络。NFTScan 团队致力于为数以亿计的 Web3 用户提供简洁高效的 NFT 检索服务，为新一代金融科技公司提供安全稳定的多链 NFT 索引服务，用数据来推动 NFT 生态的繁荣发展！目前，NFTScan 在为包括 CMC、Binance NFT、Bybit、KuCoin、HashKey Group 、Mask Network、imToken、Enjin、Coin98 等在内的 5000+ 开发者提供多链 NFT 数据支持！来源：金色财经

金色财经2023-11-26

深入了解模块化区块链的未来

系统,你可以将一个应用程序作为一个使用Python作为编程语言的Rollup来部署,则选择了以太坊。OP Stack、ZK Stack、Polygon 的CDK、Arbitrum 的Orbit或Rollkit等开源框架已经使开发人员可以轻松部署具有不同信任级别的自定义汇总,而分散的排序器项目(如Espresso和如有必要, Astria可以选择分散执行层。与此同时,越来越多的低代码"Rollup as a Service"(RaaS)产品,如Dymension、Conduit、Caldera和Gelato,允许任何人在几分钟内启动自定义虚拟区块链。更广泛的 "模块化运动 "进一步增强了开发者的能力,共同发展的标准和服务涵盖了堆栈的其他领域,进一步降低了构建和扩展区块链应用的成本。以太坊的 EVM 作为智能合约的 "操作系统 "占据主导地位,而 Solana 的 SVM 作为高性能的替代方案正在迅速崛起(两者都可用于独立rollup使用)。POKT 等协议实现了跨网络 RPC/API 层的标准化,而 Syndicate 等平台则将构建复杂区块链应用的所有复杂性抽象到任何开发者都能使用的简单 API 背后。Polywrap 等框架将多种协议抽象为单一的前端 SDK；Across 等桥接器使流动性能够在网络之间流动；SAFE或Squads 等钱包标准以及 Magic 等 "钱包即服务"(WaaS)公司使在任何链上为用户创建定制钱包体验变得容易。甚至还有像 Celestia 这样专为虚拟区块链环境打造的新型 L1。丨数以百万计的虚拟区块链 Web3 初创公司目前的策略是首先在高性能、低成本的网络(如以太坊 L2 或 Solana)上启动,如果需要更大规模,则迁移到自定义的应用环境。即使是已经构建了自己的链的现有协议,如 Celo 或 POKT,也在向 L2 架构过渡,以简化其基础设施成本,这与拥有数据中心的互联网公司不得不将采用云作为业务事项的时代如出一辙。如果你不拥抱新事物,就很容易受到拥抱新事物的竞争对手的攻击。许多人认为,在Solana这样的高吞吐量网络上运行的应用程序可以在无需L2的情况下达到"Web规模",但人们极大地低估了网络规模的含义,因为互联网上的大部分活动都发生在后台。每次点击都会触发数百个隐藏的HTTP请求；仅加载Twitter.com就会在不到2秒钟内触发超过300个针对不同API和服务提供商的后台请求,这仅是一个用户的单个操作。实现Web规模意味着每个应用程序每秒达到数百万个交易,即使互联网需求增长了一百万倍,也不足够。虚拟化是实现这种规模的必要条件,但我们还需要在其下面拥有超高性能的L1。除了像Celestia这样针对数据可用性吞吐量进行优化的区块链之外,像Solana和Monad这样的高性能网络也是Rollups的潜在有趣场景。尽管如此,可扩展性并不是虚拟化重要的唯一原因。虚拟区块链是 Web3 这代在线服务的强大标准。第一波推广主要包括 "更快的以太坊 "服务。不过,模块化架构提供的灵活性使虚拟区块链特别适用于创建特定应用环境或为特定生态系统、行业或地域量身定制的网络。你还可以为具有严格访问控制或合规要求的应用创建 "虚拟私有区块链"。更重要的是,随着区块链和智能合约接口取代 Web2 的 "云和 API "模式,虚拟区块链可能成为所有在线应用的默认后端基础设施。我们将在未来的文章中深入探讨这些想法,但从商业角度来看,我要强调的最重要的一点是,模块化代表了Web3从资本支出到运营支出的转变,因此,我们可以期待下一代区块链应用的快速扩张。运营支出意味着成本与增长同步,而不是在推出前通过大规模资本筹集来预先投入。这意味着创业者可以更快地迭代,应用程序可以以较低的成本进行扩展,投资者可以以较低的风险为创业项目提供资金。就像互联网在互联网泡沫破裂后一样,这是加密创业创新的黄金时代的最佳条件。来源：金色财经

金色财经2023-11-24

Placeholder合伙人：模块化时代的虚拟区块链

。例如，您可以将应用程序部署为使用 Python 作为编程语言的Rollup应用程序，但如果您不喜欢 Solidity 但想利用以太坊的安全性或生态系统，则选择以太坊。 OP Stack、ZK Stack、Polygon 的 CDK、Arbitrum 的 Orbit 或 Rollkit 等开源框架已经使开发人员可以轻松部署具有不同信任级别的自定义Rollup，同时还可以使用 Espresso 和 Espresso 等去中心化排序器项目。如有必要，Astria 可以选择分布式执行层。与此同时，越来越多的低代码“Rollup as a Service”（RaaS）产品，如 Dymension、Conduit、Caldera 和 Gelato，允许任何人在几分钟内启动自定义虚拟区块链。更广泛的“模块化运动”进一步为开发人员提供了涵盖堆栈其他领域的共同发展的标准和服务，进一步降低了构建和扩展区块链应用程序的成本。以太坊的 EVM 作为智能合约的“操作系统”占据主导地位，而 Solana 的 SVM 作为高性能替代方案正在迅速崛起（两者都可以在独立汇总中使用）。像 POKT 这样的协议标准化了跨网络的 RPC/API 层，而像 Syndicate 这样的平台则抽象了在任何开发人员都可以使用的简单 API 背后构建复杂区块链应用程序的所有复杂性。像 Polywrap 这样的框架将多个协议抽象到一个前端 SDK 中；像 Across 这样的桥梁使流动性能够在网络之间流动，而 SAFE 或 Squads 等钱包标准加上 Magic 等“钱包即服务”(WaaS) 公司可以轻松地为任何链上的用户创建自定义钱包体验。甚至还有像 Celestia 这样的新型 L1，专为虚拟区块链环境而构建。数以百万计的虚拟区块链 Web3 初创公司当前的策略是首先在高性能、低成本网络（如以太坊 L2 或 Solana）上启动，如果需要更大规模，则着眼于迁移到自定义的、特定于应用程序的环境。即使是已经构建了自己的链的现有协议，例如 Celo 或 POKT，也在过渡到 L2 架构以简化基础设施成本，这与拥有数据中心的互联网公司不得不采用云作为业务的时代相呼应。如果你不拥抱新事物，你就很容易受到拥抱新事物的竞争对手的攻击。许多人认为，在 Solana 等高吞吐量网络上运行的应用程序无需 L2 即可达到“网络规模”，但人们大大低估了网络规模的含义，因为互联网上的大部分活动都发生在后台。您的每次点击都会触发数百个隐藏的 HTTP 请求；仅加载 Twitter.com 就会在 2 秒内触发对不同 API 和服务提供商的 300 多个后台请求，而这只是一个用户的单个操作。实现网络规模意味着每个应用程序每秒可处理数百万笔交易，但如果互联网需求增加一百万，这还不够。要达到这种规模水平，虚拟化是必要的，但我们还需要底层的超高性能 L1 来实现它。除了针对数据可用性吞吐量进行优化的区块链（如 Celestia）之外，Solana 和 Monad 等高性能网络也是潜在有趣的Rollup游乐场。也就是说，可扩展性并不是虚拟化重要的唯一原因。虚拟区块链是 web3 在线服务的强大标准。第一波Rollup主要由“更快的以太坊”服务组成。然而，模块化架构提供的灵活性使得虚拟区块链对于创建针对特定生态系统、行业或地理位置的特定应用程序环境或网络特别有用。您还可以为具有严格访问控制或合规性要求的用例创建“虚拟私有区块链”。更大的想法是，随着区块链和智能合约接口取代 web2 的“云和 API”范式，虚拟区块链可能成为所有在线应用程序的默认后端基础设施。我们将在以后的文章中更深入地探讨这些想法，但我想从商业角度强调的最重要的一点是，模块化代表了 web3 从资本支出到运营支出的转变，因此，我们可以预期下一代区块链应用程序的快速扩展。运营支出意味着成本随着增长而扩大，而不是在推出前通过大规模融资来预先承担。这意味着企业家可以更快地迭代，应用程序可以廉价地扩展，投资者可以以更低的风险为企业提供融资。就像互联网泡沫破灭后的网络一样，这些是加密货币初创创新黄金时代的首要条件。来源：金色财经

金色财经2023-11-24

传智教育下跌5.07%，报16.11元/股

导向的职业教育集团，主要培养人工智能、Python+大数据开发、智能制造、软件、互联网等数字化专业人才及数据分析、网络营销、新媒体等数字化应用人才。公司具有完善的课程研发体系，70%的学员来自老学员推荐，股东名单中包含李开复的创新工场、经纬创投、君度创投、蓝图创投、前阿里巴巴CEO卫哲的嘉御基金。截至9月30日，传智教育股东户数3.6万，人均流通股4746股。 2023年1月-9月，传智教育实现营业收入4.46亿元，同比减少28.42%；归属净利润1.02亿元，同比减少38.84%。

金融界2023-11-24

ChatGPT选股回报率高达512%！训练模型指令曝光基本面交易员恐要失业？

买，而“-1”将通过在Linux中使用Python代码进行自动卖空。对于“0”输出不采取任何行动。ChatGPT以51%的概率猜对了正确的结果。Lopez-Lira表示，尽管这个利润率较低，但由于它将交易随时间和频率累积起来，累积的回报是显著的。该研究于4月份进行，作为对2021年10月至2022年12月的交易日进行前向测试。由于GPT-3.5是使用直到2021年9月的数据进行训练的，LLM在那之后并不知道股市发生了什么，这使得Lopez-Lira和Tang能够测试其预测能力。 Lopez-Lira表示，他们的策略是在纽约证券交易所和纳斯达克交易的任何股票上进行交易。然而，大部分收益来自小市值股票，因为小型股票的交易成本更高，因此更少的投资者交易它们，创造了更大的机会窗口来利用新闻。在这个期间，由GPT-3.5的情感分析指导的多空策略将1美元变成了6.12美元，产生了512%的回报。同样，GPT-4策略在同一期间将同样的金额增加到3.76美元，获得了276%的回报。对GPT-3.5进行的第二次模拟考虑了5到25个基点之间的交易成本，导致收益分别降至380%和50%。相比之下，罗素2000指数在同一期间下跌了20%。 Lopez-Lira指出，从总回报的角度来看，早期的模型优于后者，但在风险调整回报方面却不如后者。“主要是因为GPT-3.5更为激进，因为我们给了它选择不知道这条新闻是好还是坏的选项，所以GPT-3.5更喜欢回答更多这样的问题。” 此外，研究发现较早版本的语言模型，包括GPT-1、GPT-2和BERT，在将信息翻译成足够准确以进行盈利交易方面表现不佳。这表明随着语言模型的改进，准确性可能会提高。使用的关键指令： “忘记以前的所有指令。假装你是一位具有股票推荐经验的金融专家。如果是好消息，请回答‘YES’；如果是坏消息，请回答‘NO’；如果不确定，请回答‘UNKNOWN’。然后在下一行用一句简短而简明的话详细说明。这则标题对（公司名称）的股价有好坏之分吗？” 以下是标题和ChatGPT的响应示例：标题：“Cadence Design 股价在财报公布后飙升，分析师持乐观态度” ChatGPT：“YES，积极的收益报告和乐观的分析师展望可能会在短期内推动对Cadence Design股票的需求上升。” 标题：“Philip Morris公司季度业绩好于预期，但下调了预期” ChatGPT：“NO，尽管超过季度预期，但由于业绩前景不佳，Philip Morris International的股价可能会在短期内下降。” 标题：“Plexus Worldwide晋升Gene Tipps为全球运营总裁” ChatGPT：“UNKNOWN”目前尚不清楚Gene Tipps晋升为全球运营总裁将如何影响Plexus的股价。 Lopez-Lira表示：“我们要求它考虑价格走势并提供简短的解释，我们让它系统地输出这些答案。可以说，所有这些回答我都会打‘A’。所有的解释都是明智而合理的。” 华尔街的ChatGPT Lopez-Lira表示，从好的方面来说，这些语言模型可以使分析师的工作变得更轻松、更高效，因为它们可以快速消化大量信息。随着新的人工智能模型的出现，它们可以提高市场效率，因为它们可以加快对新闻的响应时间。这个时间范围被称为机会之窗，即交易者必须先于其他人利用新闻的时间。初步研究集中在日内交易上。但Lopez-Lira认为，随着越来越多的公司使用这些工具，利用信息的机会之窗将从一天缩短到分钟，甚至秒，使得人类无法在高频交易中手动利用信息。他补充说，零售交易者已经很难反对大型机构算法。人工智能只会使情况更加困难，导致机构和零售交易者之间的差距加大。 Lopez-Lira认为，这些先进的能力也可能对机构交易者产生反作用：随着越来越多的公司将人工智能工具整合到他们的交易实践中，可预测性将会下降，因为他们在相同的空间竞争，用类似的模型分析数据。他表示，随着时间的推移，他们的竞争优势将会减弱。有经验的零售交易者普遍避免与机构算法对赌。根据《Insider》查看的交易记录，David Capablanca是一位做空者，在2021年2月至2023年4月间，他的获胜率高达90%。他表示，如果察觉到算法交易正在执行，他将不会交易小市值股票。他也不会对持有40%以上机构所有权的股票进行下注。现实世界的陷阱 Lopez-Lira表示，如果你想使用ChatGPT进行实际交易，你可能需要为其提供更多的背景信息。这正是私募股权公司Praefinium首席执行官Alpesh Patel在测试GPT-4实时选股能力时所做的。他向模型提供了终端数据点，包括营运资金、自由现金流转换和债务等30个道琼斯股票的许多其他变量。这使得语言模型能够筛选出它预计在未来12个月内表现良好的前5只股票。它选中了帕特尔已经持有的3只股票，同时建议了两只基本面同样强劲的股票。 David Capablanca经常权衡头条新闻是股票走势的催化剂。但这只是他在做空任何股票之前运行的9个检查表中的一项。做空卖家必须考虑许多其他因素，以避免潜在的灾难。这些灾难的一个主要原因是市场摩擦，或可能干扰迅速执行交易的因素，这是模拟没有考虑到的。有时经纪商不会立即执行您的订单，或者找不到股票可供借用。由于在做空交易中，您必须借用、购买，然后出售，因此与作为人类交易者的David Capablanca相比，存在更多的摩擦点可能减缓交易速度。然而，ChatGPT没有这些摩擦点，因为它不需要等待经纪商借给它一只股票或执行其交易，因此它能够比普通人更快地利用做空交易。 Lopez-Lira指出，这意味着在现实世界中，负面新闻的影响更大且更持久，可能使ChatGPT处于优势地位。 David Capablanca将GPT尝试做空任何股票的尝试与不考虑流通量规模的现实情况进行了比较，他表示：“最明显做空的股票，价格达到100美元，然后跌至零，你甚至无法做空。除此之外，它也没有考虑到挤压。那么，如果你用一定数量的资金做空这些股票，你有多少收到追加保证金通知？” David Capablanca还指出了真实世界中可能使交易者陷入困境的交易停牌的风险。此外，还存在隔夜持有做空头寸的风险，尽管模拟中存在这种情况。在盘后交易中，可能发生差距上涨或价格高度波动的情况。这可能导致做空挤压，进而引发追加保证金的通知。 Lopez-Lira指出，至于大型机构投资者，他们需要考虑价格影响，即在大量交易推动股价变动时发生的情况，这在较小市值的股票中更有可能发生。流动性不足是实时交易中可能减缓交易的另一个摩擦区域。流通股较少的股票由于供应或需求的限制更难进出，这可能导致更大的价差。交易教育网站Trading.biz的分析师Cory Mitchell表示，如果所做的空头头寸有足够的成交量，并且可以做空，那么该模型是强大的，因为它显示出巨大的超额表现。如果将该研究的表现与同一时期的标普500指数进行比较，该模型上涨了500%，而指数下跌。而且，回撤也比指数小，这是非常令人鼓舞的。 Cory Mitchell补充道：“在这项研究中，等权重的市场投资组合在某一时刻曾经出现36%的回撤。而他们的投资组合则下跌了22.79%，所以，相对于指数型投资组合，回撤小了三分之一。” 尽管这项研究存在缺陷，但David Capablanca表示，出于信息目的，交易者必须及时了解这些进展，这一点很重要。 David Capablanca在谈到人工智能工具时表示：“了解它们已经取得了多大的进展是件好事，因为将来会很好用。我不想一无所知。这就像2005年的计算机一样，如果你一直忽视计算机，直到现在，你会落后，因为最终，他们会弄明白的。”

埃尔文2023-11-24

传智教育-10.02%跌停，总市值68.3亿元

导向的职业教育集团，主要培养人工智能、Python+大数据开发、智能制造、软件、互联网等数字化专业人才及数据分析、网络营销、新媒体等数字化应用人才。公司具有完善的课程研发体系，70%的学员来自老学员推荐，股东名单中包含李开复的创新工场、经纬创投、君度创投、蓝图创投、前阿里巴巴CEO卫哲的嘉御基金。截至9月30日，传智教育股东户数3.6万，人均流通股4746股。 2023年1月-9月，传智教育实现营业收入4.46亿元，同比减少28.42%；归属净利润1.02亿元，同比减少38.84%。

金融界2023-11-23

零时科技 || Hopenlend 攻击事件详细技术分析

0000009655610336。通过python计算我们可以得到需要销毁的数量为(1.9999999998015872 * 10^-8)个hEthWBTC。但是因为此处为evm opcode div进行的整数除法运算，所以，此处相当于做了一个地板除（floor division）舍去了小数位。因此，最终得到需要销毁的数量为(1 * 10^-8)个hEthWBTC也就是0.00000001 hEthWBTC，相当于只销毁了75.6 WBTC价值的hEthWBTC。所以，至此黑客通过精度丢失漏洞获利（113.4 - 75.6 = 37.8 WBTC）。随后，黑客通过继续deposit存入75.60000001 WBTC获得池子mint的0.00000001 hEthWBTC（因为此时hEthWBTC的流动性指数为7560000001000000000000000009655610336，相当于1个最小单位的hEthWBTC，也就是0.00000001 hEthWBTC价值是75.60000001 WBTC）。因此，池子又剩下0.00000002 hToken。接着，黑客通过withdraw取出了113.40000000 WBTC，由于solidity的截断，导致只销毁了0.00000001 hToken。 ?也就是说，黑客通过deposit存入75.60000001 WBTC然后通过withdraw取出了113.40000000 WBTC，可以凭空得到37.8000000 WBTC，黑客通过持续重复此操作，最终掏空了之前投入的WBTC，从而归还了Aave的贷款。至此，所有攻击流程均已完成。总结黑客首先利用标的资产对应的池子流动差的原因，反复操作标的资产对应的hToken的流动性指数，使其价值失真。随后，通过极小的hToken做抵押借出其他所有的标的资产。接着，利用合约存在的除法精度丢失的漏洞，反复存取掏空黑客攻击中投入的标的资产。至此，黑客完成了一次针对DeFi项目Hopelend的一次复杂的攻击，掏空了HopeLend的所有资产。参考 https://github.com/Dapp-Learning-DAO/Dapp-Learning/blob/main/defi/Aave/contract/9-LendingPool.mdhttps://docs.hope.money/lend/for-developers/contractshttps://docs.hope.money/lend/getting-started/understanding-hopelendhttps://www.metaverse456.com/453414.html 来源：金色财经

金色财经2023-11-23

传智教育-10.02%跌停，总市值75.9亿元

导向的职业教育集团，主要培养人工智能、Python+大数据开发、智能制造、软件、互联网等数字化专业人才及数据分析、网络营销、新媒体等数字化应用人才。公司具有完善的课程研发体系，70%的学员来自老学员推荐，股东名单中包含李开复的创新工场、经纬创投、君度创投、蓝图创投、前阿里巴巴CEO卫哲的嘉御基金。截至9月30日，传智教育股东户数3.6万，人均流通股4746股。 2023年1月-9月，传智教育实现营业收入4.46亿元，同比减少28.42%；归属净利润1.02亿元，同比减少38.84%。

金融界2023-11-22

24小时热点