FX168财经网_全球视野外汇黄金加密货币NFT资讯网

即将赶超英伟达？AMD盘前涨近2% 亚马逊的云计算部门正在考虑使用其新AI芯片

目前人工智能芯片领域是由AMD 的竞争对手，英伟达所主导。与此同时，AMD 也披露了今年晚些时候将推出人工智能芯片的一些技术规格，并表示这些芯片在某些方面可以击败英伟达目前最好的产品。尽管尚未公开承诺在其云服务中使用 AMD 的新 MI300 芯片，但亚马逊弹性计算云副总裁 Dave Brown 表示 AWS 正在考虑这些芯片，并透露仍在共同研究 AWS 和 AMD 之间的确切位置。

林沐2023-06-14

SHIB 和 Ripple 可能在 6 月底达到这些数字

其他未来价格预测工具的可行替代品，包括人工智能 (AI) 平台提供的工具。 XRP 的正面逆风看涨预期不仅适用于 SHIB，也适用于XRP 。XRP 最初保持在重要支撑位之上。然而，XRP 的价格出现下跌，跌破重要的 0.50 美元门槛。这一下降恰逢涉及 Binance 和 Coinbase 等主要加密货币交易所的持续法律纠纷。Robinhood 最近决定将某些山寨币退市，这增加了下行压力。因此，它导致 XRP 的价格低至 0.48 美元。这也反映了大盘的下跌。然而，XRP 显示出其韧性，其价格迅速回升，短暂超过 0.52 美元的水平。会发现一个有趣的情况。该社区在预测过去六个月 XRP 的表现方面具有令人印象深刻的 88.76% 的历史准确度。截至2023年5月，其近期准确率为90.49%。这表明 6 月份 XRP 的情绪是积极的。就像 SHIB 一样。让我们看看 SHIB 和 XRP 的表现如何。来源：金色财经

金色财经2023-06-14

当虹科技：公司目前在泛安全业务中提供5G边缘计算终端产品（边缘压缩/AI终端）

证券之星2023-06-14

昨夜今晨 | 美股集体收高！英伟达市值超万亿美元，特斯拉13连涨

计划在三年内投资30亿美元，专攻数据和人工智能（AI）业务。这家总部位于爱尔兰都柏林的专业服务公司表示，其数据和AI业务将通过招聘、收购和培训相结合的方式，将其AI人才增加一倍达到8万人。该公司还表示，正在推出一个名为AI Navigator for Enterprise的新平台，该平台将帮助客户找出如何在他们的业务中使用AI。

老虎证券2023-06-14

调查显示投资者最青睐做多大型科技股

经理调查的广泛共识，该调查显示投资者在人工智能（AI）热潮中“专门做多”科技股。55％的受访者表示，做多大型科技股是最热门的交易，该比例为2020年来最高。　　不过，美银策略师Michael Hartnett在一份报告中写道，基金经理仍普遍低配股票，因为按现金水平、经济增长预期和资产配置来衡量的情绪仍然“持续低迷”。投资者将股票配置降至五个月低点。　　围绕AI的热潮和对美联储将暂停加息的押注推动标普500在上周进入牛市。周二最新公布的数据显示，美国5月份通胀放缓，这为美联储官员在本周暂停加息提供了支持。　　然而，谨慎情绪在调查中占据上风，调查显示，59％的受访者认为美联储尚未完成加息。这与上个月的情况截然相反，当时有61％的人表示美联储已经进行了最后一次加息。　　Hartnett表示，受访者对AI在未来两年的影响持乐观态度，40％的人预计AI将推动公司利润上升。　　该调查于6月2日至8日展开，调查了247名共计管理7,080亿美元资产的受访者。以下是调查得出的其他要点：　　盈利预期变得不那么悲观；投资者现在预计未来18个月全球每股收益增长-0.6％　　平均现金配置比例从5月份的5.6％降至6月份的5.1％；维持超配债券　　净19％的受访者预计价值股将跑赢成长股，而37％认为大盘股将跑赢小盘股

金融界2023-06-14

智能合约智能性的下一步：深入剖析ZKML赛道

器学习（ML）简介机器学习（ML）是人工智能（AI）的一个子领域，专注于开发能够让计算机从数据中学习并进行预测或决策的算法和统计模型。ML模型通常具有三个主要组成部分：训练数据：一组用于训练机器学习算法进行预测或对新数据进行分类的输入数据。训练数据可以采用多种形式，如图像、文本、音频、数值数据或其组合。模型架构：机器学习模型的整体结构或设计。它定义了层次结构、激活函数和节点或神经元之间的连接类型和数量。架构的选择取决于具体的问题和使用的数据。模型参数：模型在训练过程中学习的值或权重，用于进行预测。这些值通过优化算法进行迭代调整，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，模型会接触到一个带标签的数据集，并调整其参数以最小化预测结果与实际结果之间的误差。训练过程通常涉及多次迭代或周期，模型的准确性会在单独的验证集上进行评估。推理阶段：推理阶段是使用经过训练的机器学习模型对新的未见数据进行预测的阶段。模型接收输入数据，并应用学习到的参数生成输出，如分类或回归预测。目前，zkML主要关注于机器学习模型的推理阶段，而不是训练阶段，主要是由于验证电路中训练的计算复杂性。然而，zkML对推理的关注并不是一种限制：我们预计将会产生一些非常有趣的用例和应用。已验证的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) 可能希望对模型提供者 (MP) 保密他们的输入。例如，MC 可能希望在不披露其个人财务信息的情况下向贷方证明信用评分模型的结果。这可以使用预先承诺方案并在本地运行模型来完成。公共输入，私有模型。ML-as-a-Service 的一个常见问题是 MP 可能希望隐藏其参数或权重以保护其 IP，而 MC 想要验证生成的推理确实来自对抗设置中的指定模型 . 这样想：当向 MC 提供推理时，MP 有动机运行更轻的模型以节省成本。使用链上模型权重的承诺，MC 可以随时审核私有模型。私有输入，私有模型。当用于推理的数据高度敏感或机密，并且模型本身被隐藏以保护 IP 时，就会出现这种情况。这方面的一个例子可能包括使用私人患者信息审核医疗保健模型。zk 中的组合技术或使用多方计算 (MPC) 或 FHE 的变体可用于服务此场景。公共输入，公共模型。当模型的所有方面都可以公开时，zkML 解决了一个不同的用例：将链下计算压缩和验证到链上环境。对于较大的模型，验证推理的简洁 zk 证明比自己重新运行模型更具成本效益。验证的ML推理为智能合约开辟了新的设计空间。一些加密原生应用包括： 1、DeFi 可验证的链下ML预言机。继续采用生成式人工智能可能推动行业实施其内容的签名方案（例如，新闻出版物签署文章或图像）。签名数据准备好进行零知识证明，使数据可组合且可信。ML模型可以在链下处理这些签名数据以进行预测和分类（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来无需信任地解决现实世界的预测市场、保险协议合约等问题。基于ML参数的DeFi应用。DeFi的许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。目前，借贷协议主要依赖由组织运行的链下模型来确定抵押因子、贷款价值比、清算阈值等，但更好的选择可能是社区训练的开源模型，任何人都可以运行和验证。自动化交易策略。展示金融模型策略的回报特征的常见方式是MP向投资者提供各种回测数据。然而，没有办法在执行交易时验证策略师是否遵循该模型 - 投资者必须信任策略师确实遵循模型。zkML提供了一个解决方案，MP可以在部署到特定头寸时提供金融模型推理的证明。这对于DeFi管理的保险库可能尤其有用。 2、安全性智能合约的欺诈监控。与其让缓慢的人工治理或中心化参与者控制暂停合约的能力，可以使用ML模型来检测可能的恶意行为并暂停合约。 3、传统ML 分散的、无信任的Kaggle实现。可以创建一个协议或市场，允许MC或其他感兴趣的方验证模型的准确性，而无需MP披露模型权重。这对于销售模型、围绕模型准确性进行竞赛等方面非常有用。生成式AI的去中心化提示市场。生成式AI的提示创作已经发展成为一门复杂的工艺，最佳输出生成提示通常具有多个修改器。外部方可能愿意从创作者那里购买这些复杂的提示。zkML在这里可以有两种用法：1）验证提示的输出，以向潜在买家确保提示确实创建所需的图像； 2）允许提示所有者在购买后保持对提示的所有权，同时对买家保持模糊，但仍为其生成经过验证的图像。 4、身份用保护隐私的生物识别认证替代私钥。私钥管理仍然是web3用户体验中最大的障碍之一。通过面部识别或其他独特因素抽象私钥是zkML的一种可能解决方案。公平的空投和贡献者奖励。可以使用ML模型创建用户的详细人物画像，根据多个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，这可能特别有用。在这种情况下，一种可能性是让用户运行一个开源模型，评估他们在应用程序中的参与情况以及更高层次的参与，比如治理论坛的帖子，以推理他们的分配。然后提供这个证明给合约，以获得相应的代币分配。 5、Web3社交用于web3社交媒体的过滤。web3社交应用的去中心化性质将导致垃圾信息和恶意内容的增加。理想情况下，社交媒体平台可以使用一个社区共识的开源ML模型，并在选择过滤帖子时发布模型推理的证明。案例：关于Twitter算法的zkML分析。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，但希望将我的偏好和兴趣对广告商保密。我可以选择在本地运行一个关于我的兴趣的模型，将其输入到媒体应用程序中为我提供内容。在这种情况下，广告商可能愿意为最终用户支付费用，以实现这一点，然而，这些模型可能远不如目前生产中的定向广告模型复杂。 6、创作者经济/游戏游戏内经济再平衡。可以使用ML模型动态调整代币发行、供应、销毁、投票门槛等。一个可能的模型是一个激励合约，如果达到一定的再平衡门槛并验证了推理的证明，就会重新平衡游戏内经济。新类型的链上游戏。可以创建合作的人类对抗AI游戏和其他创新的链上游戏，其中无信任的AI模型充当一个不可玩的角色。NPC采取的每个动作都会与一个任何人都可以验证的证明一起发布到链上，以确定正在运行正确的模型。在Modulus Labs的Leela vs. the World中，验证者希望确保所述的1900 ELO AI选择棋步，而不是Magnus Carlson。另一个例子是AI Arena，一个类似于Super Smash Brothers的AI格斗游戏。在高风险的竞争环境中，玩家希望确保他们训练的模型没有干扰或作弊。新兴项目和基础设施 zkML生态系统可以广泛分为四个主要类别：模型到证明编译器：将现有格式（例如Pytorch、ONNX等）的模型编译成可验证的计算电路的基础设施。广义证明系统：构建用于验证任意计算轨迹的证明系统。 zkML特定的证明系统：专门构建用于验证ML模型计算轨迹的证明系统。应用程序：致力于独特zkML用例的项目。 01模型验证编译器（Model-to-Proof Compilers）在zkML生态系统中，大部分关注都集中在创建模型到证明编译器上。通常，这些编译器将使用Pytorch、Tensorflow等高级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中进行深度学习模型的推理。使用EZKL，您可以在Pytorch或TensorFlow中定义一个计算图，并将其导出为带有JSON文件中一些示例输入的ONNX文件，然后将EZKL指向这些文件以生成zkSNARK电路。通过最新一轮的性能改进，EZKL现在可以在约6秒和1.1GB的RAM内证明一个MNIST大小的模型。迄今为止，EZKL已经得到了一些显着的早期采用，被用作各种黑客马拉松项目的基础设施。 Cathie So的circomlib-ml库包含了用于Circom的各种ML电路模板。电路包括一些最常见的ML函数。由Cathie开发的Keras2circom是一个Python工具，使用底层的circomlib-ml库将Keras模型转换为Circom电路。 LinearA开发了两个用于zkML的框架：Tachikoma和Uchikoma。Tachikoma用于将神经网络转换为仅使用整数的形式并生成计算轨迹。Uchikoma是一个工具，将TVM的中间表示转换为不支持浮点运算的编程语言。LinearA计划支持使用域算术的Circom和使用有符号和无符号整数算术的Solidity。 Daniel Kang的zkml是一个基于他在《Scaling up Trustless DNN Inference with Zero-Knowledge Proofs》论文中的工作构建的ML模型执行证明的框架。在撰写本文时，它能够在约5GB的内存和约16秒的运行时间内证明一个MNIST电路。在更广义的模型到证明编译器方面，有Nil Foundation和Risc Zero。Nil Foundation的zkLLVM是一个基于LLVM的电路编译器，能够验证用流行编程语言（如C++、Rust和JavaScript/TypeScript等）编写的计算模型。与这里提到的其他模型到证明编译器相比，它是通用的基础设施，但仍适用于复杂的计算，如zkML。当与他们的证明市场结合使用时，这可能尤为强大。 Risc Zero构建了一个通用的zkVM，针对开源的RISC-V指令集，因此支持现有成熟的语言，如C++和Rust，以及LLVM工具链。这允许在主机和客户zkVM代码之间实现无缝集成，类似于Nvidia的CUDA C++工具链，但是使用ZKP引擎代替GPU。与Nil类似，使用Risc Zero可以验证ML模型的计算轨迹。 02广义证明系统证明系统的改进是使 zkML 取得成果的主要推动力，特别是自定义门和查找表的引入。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，这些激活函数应用于神经网络中线性变换的输出。由于数学运算门的限制，这些非线性在 zk 电路中实现起来具有挑战性。按位分解和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 中的计算效率更高。出于这个原因，Plonkish 证明系统往往是 zkML 最受欢迎的后端。Halo2 和 Plonky2 及其表式算术方案可以通过查找参数很好地处理神经网络非线性。此外，前者拥有充满活力的开发人员工具生态系统和灵活性，使其成为包括 EZKL 在内的许多项目的实际后端。其他证明系统也有其优势。基于R1CS的证明系统包括Groth16，因其小型证明尺寸而闻名，以及Gemini，因其处理极大电路和线性时间验证器而闻名。基于STARK的系统，例如Winterfell证明器/验证器库，尤其在通过Giza的工具将Cairo程序的追踪作为输入，并使用Winterfell生成STARK证明来验证输出的正确性时，非常有用。 03zkML特定的证明系统在设计能够处理先进的机器学习模型的复杂、电路不友好的操作的高效证明系统方面已经取得了一些进展。基于GKR证明系统的zkCNN和基于组合技术的Zator等系统往往比通用证明系统更具性能，这一点在Modulus Labs的基准测试报告中有所体现。 zkCNN是一种使用零知识证明来证明卷积神经网络正确性的方法。它使用sumcheck协议来证明快速傅里叶变换和卷积，具有线性的证明时间，比渐近计算结果更快。已经引入了几个改进和泛化的交互证明，包括验证卷积层、ReLU激活函数和最大池化。根据Modulus Labs的基准测试报告，zkCNN特别有趣的地方在于它在证明生成速度和RAM消耗方面优于其他通用证明系统。 Zator是一个旨在探索使用递归SNARK来验证深度神经网络的项目。验证更深层次模型的当前限制是将整个计算轨迹适应单个电路中。Zator提出使用递归SNARK逐层进行验证，可以逐步验证N步重复计算。他们使用Nova将N个计算实例减少为一个可以通过单个步骤进行验证的实例。采用这种方法，Zator能够对具有512层的网络进行SNARK，这与大多数当前的生产AI模型一样深。Zator的证明生成和验证时间仍然对于主流应用案例来说过长，但他们的组合技术仍然是非常有趣的。应用领域鉴于zkML处于早期阶段，其关注点主要集中在上述基础设施上。然而，目前也有一些项目致力于应用开发。 Modulus Labs是zkML领域中最多样化的项目之一，他们既开展示例应用，也从事相关研究。在应用方面，Modulus Labs通过RockyBot（一个链上交易机器人）和Leela vs. the World（一个人类与经过验证的链上Leela国际象棋引擎对战的棋盘游戏）展示了zkML的用例。该团队还进行了研究，编写了《智能的代价》，对不同模型规模下的各种证明系统的速度和效率进行了基准测试。 Worldcoin正在尝试应用zkML来创建一个保护隐私的人类身份证明协议。Worldcoin使用定制硬件处理高分辨率虹膜扫描，并将其插入到Semaphore实现中。然后可以使用该系统执行诸如成员资格证明和投票等有用操作。他们目前使用受信任的运行时环境和安全的安全区域来验证相机签名的虹膜扫描，但他们最终的目标是使用零知识证明来验证神经网络的正确推理，以提供加密级别的安全保证。 Giza是一种协议，采用完全无信任的方法在链上部署AI模型。它使用包括ONNX格式表示机器学习模型、Giza Transpiler用于将这些模型转换为Cairo程序格式、ONNX Cairo Runtime用于以可验证和确定性的方式执行模型，以及Giza Model智能合约用于在链上部署和执行模型的技术堆栈。尽管Giza也可以归类为模型到证明编译器的类别，但他们作为一个ML模型市场的定位是目前最有趣的应用之一。 Gensyn是一个分布式硬件供应网络，用于训练ML模型。具体而言，他们正在开发一个基于梯度下降的概率审计系统，并使用模型检查点来使分散式GPU网络能够为全尺度模型提供训练服务。尽管他们在这里的zkML应用非常特定于他们的用例——他们希望确保当一个节点下载和训练模型的一部分时，他们对模型更新的诚实性——但它展示了将zk和ML相结合的强大力量。 ZKaptcha 专注于 web3 中的 bot 问题，为智能合约提供验证码服务。他们目前的实施让最终用户通过完成验证码来生成人类工作的证明，验证码由他们的链上验证程序验证，并通过几行代码由智能合约访问。今天，他们主要只依赖于 zk，但他们打算在未来实现 zkML，类似于现有的 web2 验证码服务，分析鼠标移动等行为以确定用户是否是人类。鉴于 zkML 市场还很早，许多应用程序已经在黑客马拉松级别进行了试验。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。 zkML面临的挑战尽管在提高和优化方面取得了飞速的进展，但zkML领域仍然面临一些核心挑战。这些挑战涉及技术和实践等方面，包括：以最小的精度损失进行量化电路规模，特别是当网络由多个层组成时矩阵乘法的高效证明对抗攻击量化是将浮点数表示为定点数的过程，大多数机器学习模型使用浮点数表示模型参数和激活函数，在处理zk电路的域算术时，需要使用定点数。量化对机器学习模型的准确性的影响取决于所使用的精度级别。一般来说，使用较低的精度（即较少的比特数）可能会导致准确性降低，因为这可能引入舍入和近似误差。然而，有几种技术可用于最小化量化对准确性的影响，例如在量化后对模型进行微调，以及使用量化感知训练等技术。此外，zkSummit 9上的一项黑客马拉松项目Zero Gravity显示出，针对边缘设备开发的替代神经网络架构（例如无权重神经网络）可以用于避免电路中的量化问题。除了量化之外，硬件是另一个关键挑战。一旦通过电路正确地表示了机器学习模型，由于zk的简洁性，验证其推理的证明将变得廉价且快速。这里的挑战不在于验证者，而在于证明者，因为随着模型规模的增长，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协议和分层算术电路的基于GKR的系统）或组合技术（例如将Plonky2与Groth16相结合，Plonky2在证明时间方面效率高但对于大型模型的高效证明大小较差，而Groth16在复杂模型的复杂度上不会导致证明大小增长）更适合处理这些问题，但在zkML项目中管理权衡是一个核心挑战。在对抗攻击方面，仍然有待努力。首先，如果一个无信任的协议或DAO选择实施一个模型，在训练阶段仍然存在对抗攻击的风险（例如训练模型以在看到特定输入时表现出特定行为，这可能被用来操纵后续的推理）。联邦学习技术和训练阶段的zkML可能是最小化这种攻击面的一种方式。另一个核心挑战是当模型保护隐私时存在模型盗窃攻击的风险。虽然可以混淆模型的权重，但在给定足够的输入输出对的情况下，从理论上讲，仍然有可能反向推导出权重。这主要是对小规模模型的风险，但仍然存在风险。智能合约的可扩展尽管在将这些模型优化为在zk的限制条件下运行时存在一些挑战，但改进工作正在以指数速度进行，一些人预计在进一步的硬件加速下，我们很快就能与更广泛的机器学习领域达到同等水平。为了强调这些改进的速度，zkML从0xPARC在2021年展示了如何在可验证电路中执行小规模MNIST图像分类模型的演示，到Daniel Kang在不到一年后为ImageNet规模的模型做同样的工作的论文。在2022年4月，这个ImageNet规模的模型的准确性从79%提高到92%，并且像GPT-2这样的大型模型在近期内有望成为可能，尽管目前的证明时间较长。我们认为zkML是一个丰富而不断发展的生态系统，旨在扩展区块链和智能合约的能力，使其更加灵活、适应性强和智能化。尽管zkML仍处于早期开发阶段，但它已经开始显示出有希望的结果。随着技术的发展和成熟，我们可以期待在链上看到更多创新的zkML用例。来源：金色财经

金色财经2023-06-13

ETF日报 | 6月13日沪指收涨0.15%，517只股票类ETF上涨、最高上涨4.07%

华泰柏瑞基金中韩半导体ETF、华夏基金人工智能AIETF涨幅位居前三，最高上涨4.07%。您的浏览器不支持Video标签。

有连云2023-06-13

大模型浪潮来袭，人工智能AIETF（515070）涨超3%！

截至6月13日午盘，人工智能AIETF（515070）涨超3%，成分股德赛西威、科大讯飞涨幅超8%。据财联社消息，全球人工智能大会2023即将7月在上海召开，根据已披露的议程，峰会期间，全球首个全模态大模型紫东太初2.0将正式登场。据了解，紫东太初2.0大模型便是基于华为全栈国产化软硬件平台昇腾AI与昇思MindSpore，它可融入3D、视频、传感信号等更多模态数据，并优化语音、视频和文本的融合认知以及常识计算等功能，进一步突破感知、认知和决策的交互屏障。民生证券表示，新一轮发布潮是基于大模型的应用产品开始大规模升级上线为走进千家万户准备。六月起AI大模型产品和应用有望迎来集中发布。国内AI大模型发展路径明确，为产品和应用落地打下地基，在技术与政策逐步明朗的格局下，新一轮AI大模型产品升级上线与产品应用发布大幕也随之拉开。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2023-06-13

达利欧：人工智能“美妙而危险”！一场金融危机正在酝酿国债太冒险，买股票才靠谱

FX168财经报社(北美)讯尽管人工智能(AI)已经存在多年，但最近才在金融市场上掀起巨澜。多亏了ChatGPT，一项一直隐藏在幕后的技术现在面向消费者，它席卷了世界，激发了投资者、消费者和专家研究人员的兴奋、恐惧和中立。全球最大对冲基金桥水基金(Bridgewater Associates)创始人达利欧(Ray Dalio)是最新一个加入人工智能列车的人，他对这项技术的力量大加赞赏，但也就其风险提出了警告。 “我认为这令人难以置信，这将非常棒，”达里欧告诉CNBC，但痛失补充说，这将“美妙而危险”。“这项技术是一项令人难以置信的技术，它将创造巨大的力量。” 在谈到人们普遍讨论的人工智能风险时，达利欧表示，唯一的危险在于使用它的人。 “唯一的问题是人;如何使用这项技术才是风险所在。”“所以我们现在所处的环境是，它要么可以产生巨大的生产力，提高我们的生活水平，真正让事情变得更好，要么可以在这场战争中被用来以各种方式互相伤害。” 达利欧认为人工智能将是一股巨大的革命性力量。他说:“很多你认为维持现状的事情都将因此发生革命性的变化。”“这是一个伟大的力量。它可以比我们更好，成为我们的合作伙伴，成为能够挑战我们的实体。” 达利欧证实，桥水基金已经使用了人工智能技术。达利欧在接受CNBC采访时还表示，当前美国的债务问题不可持续，但关键在于何时会出现问题。全球地缘政治和其他国家可能不愿意持有更多的美国债务，以及他们对于制裁的担忧等因素可能影响对债券的需求。如果需求减少，这将导致真正的问题，也就是可能导致利率大幅上涨，或者央行不得不进行干预并印制货币。达利欧预测在这种情况下，美国可能会面临一场债务危机。达利欧表示，某个时刻我们将会经历一场金融危机。现在的主要问题是，包括银行和其他政府在内的许多机构拥有太多国债，这些国债正在亏钱。这种动态在未来几年中非常危险，我们将看到这种供需动态。即使这不是问题，债务偿还也会逐渐占据我们的债务。此种形势下，达利欧表示，美国国债是一种风险投资，股票将比债券表现更好。达利欧说道：“我认为债券是一项非常冒险的投资。风险不是以是否还款来衡量的。他们唯一的义务是给你钱，但他们可以印钱。历史经常出现的案例是，政府无法偿还本金。但这里的情况是，他们的偿还义务是可以通过印钞完成的。” 达利欧指出，美国国债的偿债支出越来越多地侵蚀美国政府的支出。与此同时，利率的快速上升导致包括美联储在内的机构都蒙受巨大的损失。美联储的损失主要是由于持有债券的价值下降，而新借入的钱利率又太高。达利欧还表示，另一个对美债不利的因素是，美国对外国实施的制裁。“其他国家越来越担心制裁。如果他们出售美债，那将是一个真正的问题。那将意味着要么利率上升得多的多，要么美联储就必须介入印很多钱。这是我们必须警惕的事情。” 达利欧说，在这种环境下，股票往往比政府债券表现得更好。他回忆说，1971年当尼克松总统结束美元与黄金的金本位挂钩时，美国股市出现大涨。货币价值、印钞等支撑了股市相对于债市的表现。它使货币贬值。今年迄今，标普500指数已上升超过12%，重回4300点上方，创下接近去年8月以来的最高水平。美债走势远逊于美股。此外，达利欧还指出，黄金是一种保单，几乎就像现金一样，因为它可以保持购买力，也可以在特定时期保持与现金相同的回报。他建议投资组合中的黄金配置应该在15%左右。

市场焦点2023-06-13

美股天天说盘中分析精选：Salesforce能否成为AI领域下一个大牛股？

美股天天说盘中分析精选：2023/6/12

楼喆2023-06-13

24小时热点