FX168财经网_全球视野外汇黄金加密货币NFT资讯网

去中心化人工智能和零知识证明如何实现计算民主化

低系统性能的偏差。即使在安全的去中心化推理模型中，也必须有机制来审核计算过程。节点通过呈现不完整的计算来节省资源成本，并且由于缺乏值得信赖的中心化参与者，验证变得复杂。零知识证明零知识证明 (ZKP) 虽然目前的计算成本过高，但却是解决某些 DAI 挑战的潜在解决方案之一。ZKP 是一种加密机制，它使一方（证明者）能够说服另一方（验证者）相信陈述的真实性，而无需泄露有关陈述本身的任何细节，除了其有效性。其他节点可以快速验证此证明，并为每个节点提供了一种证明其按照协议行事的方法。证明系统及其实现之间的技术差异（稍后将对此进行深入探讨）对该领域的投资者来说很重要。集中式计算使模型训练仅限于少数处于有利地位且资源丰富的参与者。ZKP 可能是解锁消费硬件上闲置计算的一部分；例如，MacBook 可以使用其额外的计算带宽来帮助训练大型语言模型，同时为用户赚取代币。使用消费硬件部署去中心化训练或推理是 Gensyn 和 Inference Labs 等团队的重点；与 Akash 或 Render 等去中心化计算网络不同，计算分片会增加复杂性，即浮点问题。利用闲置的分布式计算资源为小型开发人员测试和训练自己的网络打开了大门——只要他们能够使用解决相关挑战的工具。目前，ZKP 系统的成本似乎比本地运行计算高出四到六个数量级，对于需要高计算（如模型训练）或低延迟（如模型推理）的任务，使用 ZKP 的速度非常慢。相比之下，六个数量级的下降意味着在 M3 Max 芯片上运行的尖端系统（如 a16z 的 Jolt）证明程序的速度比在 TI-84 图形计算器上运行慢 150 倍。人工智能处理大量数据的能力使其与零知识证明 (ZKP) 兼容，但在 ZKP 得到广泛使用之前，还需要在密码学方面取得更多进展。 Irreducible（设计了 Binius 证明系统和承诺方案）、Gensyn、TensorOpera、Hellas 和 Inference Labs 等团队正在进行的工作将是实现这一愿景的重要一步。然而，时间表仍然过于乐观，因为真正的创新需要时间和数学进步。与此同时，值得注意的是其他可能性和混合解决方案。HellasAI 和其他公司正在开发表示模型和计算的新方法，这些方法可以实现乐观挑战游戏，只允许在零知识中处理需要处理的计算子集。乐观证明只有在存在质押、证明不法行为的能力以及系统中其他节点正在检查计算的可信威胁时才有效。另一种由 Inference Labs 开发的方法验证查询子集，其中节点承诺生成具有保证金的 ZKP，但仅在客户端首先提出质疑时才提供证明。总结去中心化的人工智能训练和推理将作为防止少数主要参与者巩固权力的保障，同时解锁以前无法访问的计算。ZKP 将成为实现这一愿景不可或缺的一部分。您的计算机将能够通过在后台利用额外的处理能力不知不觉地为您赚取真金白银。简洁的计算正确执行证明将使最大的云提供商利用的信任变得不必要，从而使计算网络与较小的提供商能够吸引企业客户。虽然零知识证明将实现这一未来，并成为不仅仅是计算网络的重要组成部分（如以太坊对单槽最终性的愿景），但它们的计算开销仍然是一个障碍。将乐观游戏的博弈论机制与选择性使用零知识证明相结合的混合解决方案是一种更好的解决方案，并且很可能成为无处不在的桥接点，直到 ZKP 变得更快。对于本地和非本地加密货币投资者来说，了解去中心化人工智能系统的价值和挑战对于有效部署资本至关重要。团队应该对有关节点计算证明和网络冗余的问题有答案。此外，正如我们在许多 DePIN 项目中观察到的那样，去中心化是随着时间的推移而发生的，团队为实现这一愿景制定明确的计划至关重要。解决与 DePIN 计算相关的挑战对于将控制权交还给个人和小型开发人员至关重要——这是保持我们的系统开放、自由和抗审查的重要部分。来源：金色财经

金色财经2024-09-04

美国通胀放缓推升6月降息预期，科技进步路径或影响美股长期趋势

力，力求以更快的速度和更低的成本训练和推理模型；在AI技术应用方面，ChatGPT、Sora等生成式AI带来了全新的产业机遇，人形机器人正成为多方竞逐的新赛道，而智能驾驶和智能家居等领域则趋向成熟化。纳斯达克100ETF（159659）标的指数主要聚焦美股科技龙头股，在人工智能的时代浪潮之下，在AI领域有着领先布局和深厚积淀的科技巨头集中在纳斯达克100指数，比如微软、苹果、英伟达、亚马逊、脸书等股，前十大权重占比46.57%，龙头属性集中。以上内容与数据，与界面有连云频道立场无关，不构成投资建议。据此操作，风险自担。

有连云2024-04-02

科技巨头持续发力人工智能，高通、谷歌、英特尔欲联手“挑战”英伟达？纳斯达克100ETF(159659)迭创上市新高！

力，力求以更快的速度和更低的成本训练和推理模型；在AI技术应用方面，ChatGPT、Sora等生成式AI带来了全新的产业机遇，人形机器人正成为多方竞逐的新赛道，而智能驾驶和智能家居等领域则趋向成熟化。公开资料显示，纳斯达克100ETF（159659）紧密跟踪纳斯达克100指数，前十大权重股包括微软、苹果、英伟达、亚马逊、脸书、博通、特斯拉、开市客、谷歌、超威半导体等，根据纳斯达克官网数据，截至2024年2月29日，十大权重合计占比超47%，龙头属性较为集中，在有效反映美国高科技走势的同时，充分分享AI浪潮下科技巨头投资机会。来源：纳斯达克，截至2024.2.29。注：以上仅为对指数成分券的列示，不构成对上述行业及股票的推荐。指数成分券及权重根据市场情况变化。以上内容与数据，与界面有连云频道立场无关，不构成投资建议。据此操作，风险自担。

有连云2024-03-28

美联储不改降息路径，GTC大会再掀科技热潮

力，力求以更快的速度和更低的成本训练和推理模型；在AI技术应用方面，ChatGPT、Sora等生成式AI带来了全新的产业机遇，人形机器人正成为多方竞逐的新赛道，而智能驾驶和智能家居等领域则趋向成熟化。纳斯达克100ETF（159659）跟踪纳斯达克100指数，在人工智能的时代浪潮之下，AI领域有着领先布局和深厚积淀的科技巨头集中在纳斯达克100指数，前十大权重占比超47%，龙头属性集中。 2010年以来，纳斯达克100指数累计涨幅885.83%，显著跑赢纳斯达克综合指数、标普500等美股主要指数，同时大幅跑赢英国富时100、德国DAX、法国CAC40等全球其他主要市场核心指数。以上内容与数据，与界面有连云频道立场无关，不构成投资建议。据此操作，风险自担。

有连云2024-03-26

零一万物发布API开放平台

数量、更强的多模态，更专业的代码/数学推理模型等；突破更长的上下文，目标 100万 tokens；支持更快的推理速度，显著降低推理成本；基于超长上下文能力，构建向量数据库、RAG、Agent 架构在内的全新开发者 AI 框架。

金融界2024-03-14

Delphi Digital联创：为什么加密与AI的结合是必然的

包括培训资金、众包特定培训数据以及托管推理模型的激励措施。大型语言模型只是人工智能模型的一种，即使如此，也有数十种领先的模型（Bard、ChatGPT、Claude 等）。世界各地的用户可以提供他们的 GPU、资金或数据来大规模训练和微调模型，并拥有最终模型的一部分。更智能的应用程序和智能合约与人工智能不受阻碍的去中心化人工智能将提供更好的应用程序。引用人工智能模型的智能合约可以扩展应用程序的设计空间，并大大增强其逻辑和功能。想象一下 Uniswap 流动性供应受到使用 ZK 的大规模链下模型的影响，以确保模型不被篡改。示例包括 @inference_labs@gizatechxyz 和 @ModulusLabs ，只需看看 @testmachine_ai，它提供了一种掠夺者模式来实时审核您的加密代码并从中学习，而不是等待 6 个月进行昂贵的手动审核。或者通过 @UpshotHQ 查看为 NFT 提供准确定价的大规模机器学习模型。人工智能让加密货币变得易于使用在未来，大多数加密货币用户将永远不会看到我们在加密货币领域谈论的各种细枝末节、无尽的首字母缩略词和词汇。他们只需将意图输入到一个低水平机器学习（LLM）中，一个求解器网络将处理他们交易的所有复杂步骤。这个LLM将学习、个性化并简化你的生活。很少有人需要手动桥接资产，那是由求解器赚取费用的。最佳模型决策者获胜我相信我们正在走向一个拥有数百万个人工智能模型的世界，无论是每个人都有自己的个人模型，还是每个项目和公司都有自己的模型。我们已经在 Hugging Face 上拥有 49 万多个开源模型，在 OpenAI 应用商店上拥有 300 万个自定义 ChatGPT。当加密服务用户中成熟的人工智能服务成为主流时，我认为能够有效选择针对每种情况使用哪种模型的协议将非常有价值。就在今天，@NousResearch 发布了新的 Bittensor 子网计划，该子网可以评估开源模型，并使用该评级的逻辑下一步将请求定向到正确的模型。道德、伦理和法律问题限制了中心化人工智能中心化参与者不断面临道德和伦理问题的诉讼，并因此对模型进行破坏。想象一下，一个去中心化的低水平机器学习（LLM）通过签署协议向人们支付数据，而不是像纽约时报对@OpenAI提起诉讼那样。与中心化的系统相比，这限制了中心化的发展，而开放系统可以直接发布（例如@bittensor_）。当中心化的参与者因知识产权相关的诉讼以及对发布更智能的人工智能的道德和伦理顾虑而苦苦挣扎时，加密网络可以启动和部署这些网络，无需繁文缛节，轻松取胜。去中心化人工智能提供透明度人们会期望透明的训练（“我们按照你所说的方式构建了这个模型”）和推理（“我的请求没有被搞乱”）。中心化人工智能无法提供这一核心价值。即使普通人很难审核该模型，与加密货币类似，但我们的想法是您可以与可以审核该模型的某人或人工智能签订合同。实时洞察未来我认为人们希望实时了解人工智能的未来，而不仅仅是在 OpenAI 想要分享时进行更新。这只有通过透明和去中心化的系统才有可能实现。 AGI被发现后你真的想弄清楚吗？加密 x AI 可视化我们需要更多的平台来提供加密项目正在利用的人工智能模型背后所发生的事情的可视化。当您使用 Bittensor 的子网 1 进行文本生成时，您如何确定它不仅仅是通过 Bard 或 ChatGPT 运行您的提示？我并不是说这是一件坏事，但我不知道答案。人工智能世界中的代币激励使用代币来推动人工智能项目的所有权和协调将会很有趣。目前，代币吸引了供应方用户（和投机者），但使用 OpenAI 等中心化公司的开发人员锁定了需求方，可以接触到大量用户。看看加密项目是否能够有效地引导需求方超越供应方的代币激励，这将是一件很有趣的事情。吸引真正的人工智能人才 Crypto x AI 项目必须吸引来自 Web2 的真正的 AI 人才。鉴于加密货币在 Web2 构建者心目中的表现一般，这是一个障碍。能够从Web2吸引真正的人工智能人才的项目将具有显著的优势。我只是认为学习加密货币比学习如何构建基础人工智能模型更容易。 Delphi Ventures Crypto x AI 投资组合公司 Delphi 在 Crypto x AI 的结合点上表现得非常活跃。我们很荣幸能够支持该领域的领先项目。 - @ionet_official：大规模异构硬件的 GPU 集群。 - @inference_labs：允许 DeFi 和智能合约通过 ZK 来利用链下模型。 - @0G_Labs @mheinrich：链上人工智能的数据可用性。 - @UpshotHQ：用于下一代去中心化应用程序的人工智能网络。 - @testmachine_ai：人工智能驱动的用于审计智能合约的专有算法 - @taofuxyz：Bittensor 等的流动质押代币。 - @altstatemachine：您可以拥有、训练和交易的独特 Metaverse AI。 - @GeppettoAi：人工智能游戏和视频创作。 - @StabilityAI：人工智能的开源工具，通过@seedclubvc（H/t Nima 和 Anthony）。 - @MythosVentures：领先的早期人工智能风险投资基金。 - @mypeachai：NSFW 同伴（天使）。来源：金色财经

金色财经2024-01-30

百家争鸣：BTC L2 30+项目大盘点

化AI网络，构建双L2网络，支持训练和推理模型的比特币L2。 Dovi - @Dovi_L2 Dovi成立于2023年，是比特币Layer2兼容EVM的智能合约平台，采用Schnorr签名和MAST结构，提升隐私和跨链资产转移。 Bitfinity Network - @bitfinitynet Bitfinity是由Polychain Capital和ParaFi Capital支持的下一代基于比特币的闪电般快速的EVM。来源：金色财经

金色财经2024-01-30

瑞芯微申请图像处理专利，提升数字图像质量

质量的图像，提升数字图像质量，从而提升推理模型的识别率和减低误检率。

金融界2024-01-05

工商银行取得领域知识图谱专利，解决知识问答推理的准确性问题

入知识信息，并将输入知识信息输入至预设推理模型，输出目标问题的目标答案。本发明解决了相关技术中对问题进行知识问答推理的准确性较低的技术问题。采集日期：2023年11月19日

金融界2023-11-19

AI Agent：重新定义Web3游戏的创新之路

（量化代币模型）就是一个 AI 驱动的推理模型。QTM 采用了 10 年的固定模拟时间，每个时间步长为一个月。在每个时间步长的开始，代币会被排放到生态系统中，因此模型中有激励模块、代币归属模块、空投模块等。随后，这些代币将被投放到到几个元桶（meta buckets）中，从这些元桶中再次进行更细化的广义效用再分配。然后，从这些效用工具中定义奖励支付等。还有像链下业务方面，这也考虑了业务的一般资金状况，例如可以进行销毁或回购，还可以衡量用户采用率或者定义用户采用情况。当然，该模型的输出质量取决于输入质量，所以在使用 QTM 之前，必须进行充分的市场研究，以获取更准确的输入信息。不过 QTM 模型已经是 AI 驱动模型在 Web3 经济模型里非常落地的应用了，也有许多项目方基于 QTM 模型做操作难度更低的 2C/2B 端应用，降低项目方的使用门槛。 3.2 垂类应用 Agent 垂类应用主要以 Agent 的形式存在，Agent 可能是 Bot、BotKits、虚拟助手、智能决策支持系统、各类自动化数据处理工具等等不同的形式。一般来说，AI Agent 拿 OpenAI 的通用模型为底层，结合其他开源或自研技术，如文本转语音（TTS）等，并加入特定的数据进行 FineTune（机器学习和深度学习领域中的一种训练技术，主要目的是将一个已经在大规模数据上预训练过的模型进一步优化），以创建在某一特定领域表现优于 ChatGPT 的 AI Agent。目前 Web3 游戏赛道应用最成熟的是 NFT Agent。游戏赛道的共识是 NFT 一定是 Web3 游戏的重要组成部分。随着以太坊生态系统中关于元数据管理技术的发展，可编程的动态 NFTs 出现了。对于 NFT 的创建者而言，它们可以通过算法使 NFT 功能更灵活。对于用户而言，用户与 NFT 之间可以有更多的互动，产生的交互数据更是成为了一种信息来源。AI Agent 则可以优化交互过程，并扩展交互数据的应用场景，为 NFT 生态系统注入了更多的创新和价值。案例一：比如 Gelato 的开发框架允许开发者自定义逻辑，根据链下事件或特定时间间隔来更新 NFT 的元数据。Gelato 节点将在满足特定条件时触发元数据的更改，从而实现链上 NFT 的自动更新。例如，这种技术可以用于从体育 API 获取实时比赛数据，并在特定条件下，例如运动员赢得比赛时，自动升级 NFT 的技能特征。案例二：Paima 也为 Dynamic NFT 提供了应用类 Agent。Paima 的 NFT 压缩协议在 L1 上铸造了一组最小的 NFT，然后根据 L2 上的游戏状态对其进行演化，为玩家提供更具深度和互动性的游戏体验。比如 NFT 可以根据角色的经验值、任务完成情况、装备等因素而发生变化。案例三：Mudulas Labs 是非常知名的 ZKML 项目，其在 NFT 赛道也有布局。Mudulas 推出了 NFT 系列 zkMon，允许通过 AI 生成 NFT 并发布至链上，同时生成一个 zkp，用户可以通过 zkp 查验自己的 NFT 是否生成自对应的 AI 模型。更全面的信息可以参考：Chapter 7.2: The World’s 1st zkGAN NFTs。 3.3 Generative AI 应用前文提到，因为游戏本身是内容行业，AI-Agent 能够在短时间内、低成本地生成大量内容，包括创造具有不确定性、动态的游戏角色等等。所以 Generative AI 非常适合在游戏应用。目前，在游戏领域中 Generative AI 的应用可以总结为以下几种主要类型： AI 生成游戏角色类：比如和 AI 对战，或者由 AI 负责模拟和控制游戏中的 NPC，甚至直接用 AI 生成角色等。 AI 生成游戏内容类：直接由 AI 各种内容，如任务、故事情节、道具、地图等。 AI 生成游戏场景类：支持用 AI 自动生成、优化或扩展游戏世界的地形、景观和氛围等。 3.3.1 AI 生成角色案例一：MyShell MyShell 是一个 Bot 创建平台，用户可以根据自己的需求，创建专属 Bot 用于聊天、练习口语、玩游戏、甚至寻求心理咨询等等。同时，Myshell 使用了文本转语音（TTS）技术，只需几秒钟的语音样本，就可以模仿任何人的声音自动创建 Bot。除此以外，MyShell 使用了 AutoPrompt，允许用户仅通过描述自己的想法去给 LLM 模型发出指令，为私人大型语言模型（LLM）打下了基础。有 Myshell 的用户表示，其语音聊天功能非常流畅，响应速度比 GPT 的语音聊天还要快，而且还有 Live2D。案例二：AI Arena AI Arena 是一款 AI 对战游戏，用户可以使用 LLM 模型不断的训练自己的对战精灵（NFT），然后将训练好的对战精灵送往 PvP/PvE 战场对战。对战模式和任天堂明星大乱斗类似，但通过 AI 训练增加了更多的竞技趣味性。 Paradigm 领投了 AI Arena，目前公测阶段已开始，玩家可以免费进入游戏，也可以购买 NFT 提升训练强度。案例三：链上国际象棋游戏 Leela vs the World Leela vs the World 是 Mudulas Labs 开发的一款国际象棋游戏。游戏里游戏双方是 AI 和人，棋局情况放在合约里。玩家通过钱包进行操作（与合约交互）。而 AI 读取新的棋局情况，做出判断，并为整个计算过程生成 zkp ，这两步都是在 AWS 云上完成，而 zkp 交由链上的合约验证，验证成功后调用棋局合约“下棋”。 3.3.2 AI 生成游戏内容案例一：AI Town AI Town 是 a16z 与其投资组合公司 Convex Dev 的合作成果，灵感来自斯坦福大学的《Generative Agent》论文。AI Town 是一座虚拟城镇，城镇内的每个 AI 都可以根据互动和经验构建自己的故事。其中，使用 Convex 后端无服务器框架、Pinecone 矢量存储、Clerk 身份验证、OpenAI 自然语言文本生成以及 Fly 部署等技术堆栈。除此以外，AI Town 全部开源，支持游戏内开发者自定义各种组件，包括特征数据、精灵表、Tilemap 的视觉环境、文本生成提示、游戏规则和逻辑等等。除了普通玩家可以体验 AI Town，开发者也可以使用源代码在游戏内甚至游戏外开发各种功能，这种灵活性使 AI Town 适用于各种不同类型的应用。所以， AI Town 本身是一个 AI 生成内容类游戏，但也是一个开发生态，甚至是一个开发工具。案例二：Paul Paul 是一个 AI 故事生成器，其专门为全链游戏提供了一个 AI 故事生成并直接上链的解决路径。其实现逻辑是给 LLM 输入了一大堆先验规则，然后玩家可以自动根据规则生成次生内容。目前有游戏 Straylight protocol 使用 Paul Seidler 发行了游戏，Straylight 是一款多人的 NFT 游戏，核心玩法就是全链游戏版本的“Minecraft”，玩家可以自动 Mint NFT，然后根据模型输入的基本规则构造自己的世界。 3.3.3 AI 生成游戏场景案例一：Pahdo Labs Pahdo Labs 是一家游戏开发工作室，目前正在开发 Halcyon Zero，这是一款基于 Godot 引擎构建的动漫奇幻角色扮演游戏和在线游戏创建平台。游戏发生在一个空灵的幻想世界中，以作为社交中心的繁华城镇为中心。这款游戏非常特别的地方在于，玩家可以使用游戏方提供的 AI 创作工具快速创作更多的 3D 效果背景以及把自己喜欢的角色带入游戏，真正为大众游戏 UGC 提供了工具和游戏场景。案例二：Kaedim Kaedim 针对游戏 Studio 开发了一个基于 Generative AI 的 3D model generation 工具，可以快速的帮助游戏 Studio 批量生成符合他们需求的游戏内 3D 场景 / 资产。目前 Kaedim 的通用产品还在开发中，预计 2024 年开放给游戏 Studio 使用。 Kaedim 产品的核心逻辑和 AI-Agent 是完全相同的，使用通用大模型为基础，然后团队内部的艺术家会不断输入好的数据，然后给 Agent 的输出进行反馈，不断的通过机器学习训练这个 Model，最后让 AI-Agent 可以输出符合要求的 3D 场景。 04 总结在本文中，我们对 AI 在游戏领域的应用进行了详细的分析和总结。总的来说，未来通用模型以及 Generative AI 在游戏的应用一定会出现明星独角兽项目。垂类应用虽然护城河较低，但先发优势强，如果能靠先发优势制造网络效应和提升用户粘性，则想象空间巨大。除此以外，生成式 AI 天然适合游戏这个内容行业，目前已经有非常多的团队在尝试 GA 在游戏的应用，这个周期就非常有可能出现应用 GA 的爆款游戏。除了文中提到的一些方向，未来还有其他的探索角度。比如： (1) 数据赛道 + 应用层：AI 数据赛道已经孕育出了一些估值达数十亿美元的独角兽项目，而数据 + 应用层的联动同样充满想象空间。 (2) 与 Socialfi 结合：比如提供创新的社交互动方式；用 AI Agent 优化社区身份认证、社区治理；或者更加智能的个性化推荐等。 (3) 随着 Agent 的自动化和成熟化，以后 Autonomous World 的主要参与者到底是人还是 Bot？链上的自治世界是否有可能能像 Uniswap 那样，80%+ 的 DAU 都是 Bot？如果是，那结合 Web3 治理概念的治理 Agent 同样值得探索。来源：金色财经

金色财经2023-10-16

24小时热点