FX168财经网_全球视野外汇黄金加密货币NFT资讯网

加拿大隐私监管机构对OpenAI展开调查，重点关注数据收集和使用情况

情况展开联合调查，成为最新一个密切关注人工智能(AI)工具监管的主要政府机构。加拿大隐私专员办公室周四(5月25日)表示，联邦隐私监管机构以及魁北克省、不列颠哥伦比亚省和阿尔伯塔省的隐私专员办公室将调查OpenAI是否已获得通过ChatGPT收集、使用和披露居民个人信息的同意。 OpenAI公司的聊天机器人ChatGPT的推出引发了Alphabet Inc .和Meta等科技巨头之间的人工智能竞赛，使各国政府在考虑制定法律来管理这项激进新技术的使用时陷入困境。 ChatGPT可以根据提示生成文章、散文、笑话甚至诗歌。OpenAI是一家由微软公司支持的私营公司，于11月底向公众免费开放。加拿大的调查还将调查该公司是否遵守了“在公开、透明、获取、准确和问责方面的义务”。“由于这是一项积极的调查，没有更多的细节，”隐私专员办公室表示，并补充说，调查结果将公开报告。本月欧洲议会(European parliament)采取了一项行动，扩大其拟议的监管规定，将最新一波通用人工智能技术纳入其中，包括OpenAI的GPT-4等大型语言模型。谷歌首席执行官Sundar Pichai本周访问了欧洲各国首都，试图在政策制定者制定监管人工智能的政策之际施加影响。欧盟的《人工智能法案》最初旨在处理人工智能的具体、高风险用途，例如在医疗设备等受监管产品中的使用，或者公司在发放贷款和做出招聘决定等重要决策中使用人工智能。欧洲议会针对广泛使用的系统制定了额外的规则，这些系统的一般用途超出了先前的目标。在2025年法律生效之前，该提案仍需要与成员国和欧盟委员会进行谈判。

绿山墙的安妮2023-05-26

美股开盘：纳指涨超200点芯片股多数走高英伟达大涨26%

esearch周三在一份报告中表示，对人工智能（AI）的炒作尚未形成泡沫，随着散户投资者进一步涌入，科技股还有更多上涨空间。DataTrek的研究基于各种谷歌趋势搜索查询，结果显示，关键词“ChatGPT”的搜索兴趣远远超过了比特币，这意味着机构投资者可能一直在推动近期AI相关科技股的上涨，如果散户投资者更多地参与到这一领域，科技股还有很大的上涨潜力。　　AI热潮大赢家！英伟达Q1业绩超预期，Q2营收指引大超预期　　英伟达Q1营收为71.9亿美元，同比下降13％，但好于市场预期的65亿美元；调整后每股收益为1.09美元，市场预期0.92美元。展望未来，英伟达预计第二财季营收将达到110亿美元左右，较市场预期的71.8亿美元高53％。　　苹果WWDC将发布iOS 17，新系统将使iPhone“变身”智能显示屏　　据报道，苹果计划为iPhone设计一个新的界面，以智能家居显示屏的风格显示日程安排、天气和通知等信息，这将是其iOS 17系统更新中即将推出的一系列新功能的其中一部分。据知情人士透露，当iPhone锁屏并水平放置时，该界面就会出现。这一想法是为了让iPhone放置在桌子上或床头柜上更为有用。此举是将实时信息更多地嵌入公司软件的更广泛努力的一部分。据报道，苹果计划在北京时间6月6日举行的全球开发者大会（WWDC）上发布新系统以及混合现实头显等。　　百思买调整后每股收益超预期　　百思买一季度业绩实现营收94.7亿美元，超过预期的95.4亿美元；调整后每股收益1.15美元。公司维持2024财年业绩指引不变，预计资本开支约8.5亿美元。　　Snowflake下调全年产品营收指引　　Snowflake公布了第一季度财务业绩。数据显示，第二季度营收指引低于预期，表明在经济形势不确定的情况下，许多公司正在削减云软件支出。　　网易一季度实现净收入同比增加6.3％，拟派发一季度股利每股0.093美元　　网易第一季度净收入250亿元，同比增加6.3％；毛利润149亿元，同比增加16％；归属于公司股东的净利润为68亿元；每股基本净利润0.31美元，拟派发一季度股利每股0.093美元。本季度，来自于手游的净收入占在线游戏净收入的72.3％，上一季度和去年同期该占比分别为66.4％和66.9％。　　有道一季度营收11.6亿元，广告业务同比增79.7％　　有道Q1净收入达11.6亿元，其中学习服务净收入为7.3亿元，智能硬件净收入为2.1亿元，在线营销服务净收入2.2亿元。受益于AI助力，广告业务同比增79.7％。　　微博一季度经营利润9650万美元，经营利润率23％　　微博2023年第一季度净收入4.14亿美元，同比下降15％，依据固定汇率计算同比下降7％；经营利润为9650万美元，经营利润率为23％；归属于微博股东的净利润为1.005亿美元，每股摊薄净收益为0.42美元，拟派发特别现金股息为每股普通股及美国存托股0.85美元。

金融界2023-05-25

GPT5将在今年发布埋伏哪些AI代币？

ChatGPT 聊天机器人的惊人成功，人工智能 (AI) 技术最近引起了所有人的关注。股市投资者已经在寻求利用人工智能的需求，但他们并不孤单。加密货币投资者也在寻找可以从人工智能领域的增长中受益的人工智能加密项目。在本文中，如果您认为 AI 和加密的交叉领域有很大的潜力，我们将重点介绍最好的 AI 加密货币。 1. Render Token——去中心化的GPU渲染解决方案 Render Network是一个提供去中心化 GPU（图形处理单元）渲染解决方案的项目。该网络将需要渲染服务的用户与拥有空闲 GPU 的用户连接起来。这导致用户可以更轻松地访问 GPU 渲染，而所有者可以使用原本闲置的硬件来赚钱。虽然 Render Network 项目并未明确关注 AI，但它可能有利于对 AI 不断增长的需求。ChatGPT 等领先的 AI 技术需要大量的 GPU 计算能力，Render Network 可以将其“众包”。例如，渲染网络已经可以用于使用稳定扩散深度学习模型生成图像。 Render Token 在最近几个月表现非常强劲，RNDR 价格在 2023 年 1 月开始强劲反弹可能并非巧合，当时由 ChatGPT 激发的对 AI 的热情真正开始腾飞。到目前为止，RNDR 代币年初至今涨幅高达 560%。事实上，RNDR 是这段时间内加密货币前 100 名中表现第二好的公司。 2. Fetch.ai - 多代理系统的区块链平台 Fetch.ai是一个区块链驱动的项目，它正在为多代理系统创建一个平台。例如，他们的 CoLearn 平台使不同的利益相关者可以在尊重数据隐私的同时为共享的机器学习模型做出贡献。 Fetch.ai 平台自动执行自主代理查找和交互的过程。他们之间达成的任何协议都记录在 Fetch.ai 区块链上，该区块链使用 FET 作为支付和交易费用的原生资产。最近，Fetch.ai 团队宣布他们正在开发用于去中心化加密货币交易所的交易工具。这些工具将允许用户指定交易策略，然后由人工智能代理执行。 Fetch.ai 是最早将人工智能置于其工作前沿的区块链项目之一。Fetch.ai 项目于 2019 年初向公众推出，当时它通过 Binance Launchpad 平台进行了 FET 代币销售。 Fetch.ai 已成为最好的人工智能加密项目之一，其生态系统拥有广泛的产品，涵盖社交媒体、汽车和移动行业、供应链管理等领域。 3. SingularityNET - 人工智能算法市场 SingularityNET是一个借助区块链技术构建去中心化人工智能市场的项目。SingularityNET 还在研究一种 AI 领域特定语言 (DSL)，这将允许 AI 代理与其他 AI 代理有效地通信。使用 SingularityNET 的市场，提供商可以发布人工智能算法。SingularityNET 市场以执行自动代码生成、语法校正、语音合成、语音识别等的算法为特色。 SingularityNET 的经济模型由区块链的原生代币 AGIX 提供支持。AGIX 目前是 AI 加密领域的第四大代币，在撰写本文时市值约为 3.28 亿美元。然而，根据SingularityNET 价格预测，其市值在明年可能会大幅增加。该代币今年表现强劲，得益于 ChatGPT 的迅速崛起给整个 AI 领域带来的关注。自今年年初以来，该代币兑美元汇率目前上涨了 472% 4. iExec RLC - 计算资源的去中心化市场 iExec RLC是一个基于区块链的项目，旨在通过创建一个去中心化的计算资源市场来颠覆云计算行业。该项目利用区块链技术使用户能够安全高效地购买、销售和交易计算能力、数据和应用程序。 iExec RLC 的核心是提供一个去中心化的基础设施，个人和组织可以在其中共享闲置的计算资源。这种方法不仅最大限度地提高了资源利用率，还允许用户将未使用的处理能力货币化。通过利用区块链的力量，iExec RLC 确保了市场的透明度、安全性和可靠性。 iExec 的解决方案可实现 AI 资产的货币化。同时，这些资产的创建者可以保留所有权并对有价值的信息保密。得益于机密计算，一台机器可以运行人工智能模型，而无需其管理员访问正在运行的代码。值得注意的是，iExec 项目是英特尔 AI Builder Program 的成员。 5. Ocean Protocol——去中心化的数据市场 Ocean Protocol是一个区块链项目，旨在为数据创建去中心化市场。在被描述为针对数据优化的 DEX 的 Ocean Market 市场上，ERC-721 和 ERC-20 令牌标准用于发布数据。 Ocean Protocol 市场上的数据可用于训练人工智能和机器学习模型。该项目一直在运行一系列挑战，用户相互竞争以尽可能准确地预测 ETH 的未来价格。 Ocean Protocol 的原生代币 OCEAN 今年出现了强劲的反弹，尽管它的表现并没有像 RNDR 和 AGIX 那样决定性地跑赢其他加密货币市场。尽管如此，Ocean Protocol 仍然是最大的加密和区块链平台之一，在人工智能变得越来越重要的世界中有着明确的应用。来源：金色财经

金色财经2023-05-25

百融云-W一季度智能运营业务同比增长约68%

持稳健增长，同比增长约为68%。受益于人工智能(「AI」)的优势，该业务线提供其自主研发的AI驱动智能语音机器人(Chatbot)及算法驱动的智能营销平台，以帮助银行等金融机构完成信用卡用户焕活、财富管理营销及用户关係管理等工作，有效提升金融机构的服务准确度及运营效率。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2023-05-25

AI开创加密先河！ChatGPT突破性接入区块链：可快速交易、转移、检视虚币和NFT

FX168财经报社(香港)讯人工智能(AI)大型语言模型扩展版图，AI聊天机器人ChatGPT开创加密货币的先河，成功整合接入Solana区块链。用户可以通过向该语言模型提问题，轻松且快速完成交易、转移、检视虚币和非同质化代币(NFT)，而且还会贴心提醒用户需确认钱包余额是否足够。 Solana基金会本周宣布，该公链已成功整合由Solana Labs开发的ChatGPT外挂，写下历史性一刻。开发人员表示，这款ChatGPT外挂目前在GitHub开放原始码平台提供免费下载，允许用户能够更轻松掌握到Solana协议、基础设施和DeFi项目的实时数据。 Solana Labs产品负责人Tal Tchwella针对操作进行答疑，他表示，公链主要将ChatGPT接入RPC节点，而该节点将从链上的多个来源读取数据，然后再将这些资讯传播给有疑问的用户。简单举例，用户能够向ChatGPT的AI语言模型提出问题，像是“可以使用SOL代币购买哪些NFT呢”、“如何转移SOL代币”、“这个地址目前持有哪些NFT”等问题。 (来源:Solana Labs) 值得关注的是，这款外挂还能够协助用户更轻松完成交易，当用户询问“是否可以帮我转移0.001枚SOL至某某地址”时，ChatGPT的AI语言模型就会提供相关连结让用户批准交易，还会提醒用户需确认钱包余额是否足够。 (来源:Solana Labs) 总计而言，用户现如今可以透过ChatGPT外挂，直接在Solana上购买NFT、转移代币、查询余额、检视交易、解析公共帐户数据，以及按底价查找NFT。 Solana基金会此前曾表示，将提供100万美元资金，用于探索Solana区块链和AI的更广泛用例，无论新旧项目都有资格获得资助。官方最新消息指出，相关拨款已提高到1000万美元，目前已收到50份申请。 Coinbase高管：ChatGPT可以预测任何主题的未来 Coinbase策略长Conor Grogan本月在推特指出，他发现ChatGPT存在着特殊应用，并将该应用称为James，推文中提到James的功能包含：“能够预测任何主题的未来，甚至可以根据训练推测人们何时会死亡、以量化的方式表现对不同主题的信心、可以帮助人们更好的发现偏见，并且调整AI。” 该指令已分享至Github，目前仅适用于ChatGPT 3.5和GPT 4版本；并表示，在GPT 3.5和4上运行指令100次，同时消除内存记忆，ChatGPT将回传非常一致的数字；多数情况下标准差<10%，方向性极为一致。 (来源:Twitter) 有趣的是，Conor也使用James指令分析加密货币的未来涨跌趋势。他写道：“ChatGPT是比特币的忠实粉丝，对山寨币和他们在市场上的存活程度更加怀疑。” 据Conor推文中指出，ChatGPT认为比特币在2035年发生暴跌99.999%的概率相对低，仅有15%，不过狗狗币(DogeCoin)的概率高达45%，莱特币(LTC)为35%，而以太币可能于2035年暴跌的概率仅为20%。 (来源:Twitter)

颜辞2023-05-25

一份“爆炸性”财报！全球最大芯片巨头一度暴涨29% AI股市值飙升近3000亿美元

p)预计营收将强劲增长，并表示将提高其人工智能(AI)芯片的产量，以满足激增的需求，此后美股AI相关股票在周三(5月24日)盘后交易中飙升，整体市值增加近3000亿美元。周三美股盘后，英伟达股价一度暴涨29%，至391.50美元，创下历史最高水平。这使其股票市值增加约2000亿美元，超过9600亿美元，扩大了这家硅谷公司作为世界上最有价值的芯片制造商和华尔街第五大最有价值公司的领先地位。 (图片来源：路透社) 亚特兰大Synovus Trust的高级投资组合经理Daniel Morgan表示：“人们对人工智能充满热情，而且英伟达第一季业绩和第二季预期都大大超出预期，这为人工智能成为现实提供了一些实际证据。”Morgan表示，Synovus持有英伟达的股票。英伟达发布“爆炸性”财报在截至今年4月30日的3个月里，英伟达总共实现营收71.9亿美元，虽然同比下降13%，但远远好于市场预期的65.2亿美元。利润方面，第一财季净利27.13亿美元，折合EPS 1.09美元，预期0.92美元。其中最亮眼的是数据中心业务。由于巨头们在AI领域的竞争开始趋向激烈，对用GPU芯片训练AI的需求暴涨，英伟达数据中心业务的营收大涨至42.8亿美元，高于预期的39亿美元，创下新纪录。令市场尤其震惊的是，英伟达对第二财季给出一份堪称“爆炸性”的指引。英伟达预计，第二财季营收同比增长近33%至110亿美元左右，较分析师预期高53.2%。这也将是该公司有史以来最高的季度营收。展望显示，英伟达从AI热潮中获得的好处甚至超过了人们的想象。在首席执行官兼联合创始人黄仁勋(Jensen Huang)的领导下，该公司将自己定位为培训人工智能软件组件的顶级提供商。这帮助它经受住了技术支出普遍放缓的冲击。资讯平台Vital Knowledge 的创始人Adam Crisafulli说：“英伟达提供了爆炸性的指引，有力地强调了这样一个牛市论点，即该公司处于（AI）技术的开创性转型点的核心。” 英伟达表示，随着市场对人工智能的兴趣激增，公司正在“显著”增加与其数据中心业务相关的产品供应。英伟达首席执行官黄仁勋在一份声明中表示，该公司正在“大幅增加供应，以满足市场对其数据中心芯片不断增长的需求”。他说：“我称之为iPhone时刻，所有的技术汇集在一起，使每个人意识到它可以成为多么了不起的产品以及它强大的功能。” 英伟达披露，公司的整个数据中心产品系列，包括H100、Grace CPU、Grace Hopper Superchip、NVLink、Quantum 400 InfiniBand和BlueField-3 DPU都在大幅增加供应，以满足激增的需求。 Sanford C. Bernstein分析师Stacy Rasgon说：“他们可能处于一个独特的位置。”他说，虽然该公司没有对单个单位收入进行预测，但总体预测显示，数据中心收入将激增75%，“这是一次性现象还是新常态？我不知道”。 AI板块整体市值飙升近3000亿美元其他与AI相关的公司的股票在英伟达的强劲财报的支持下纷纷飙升，整体市值增加近3000亿美元。周三美股盘后，芯片制造商美国超微公司(Advanced Micro Devices Inc)股价跳升10%。微软(Microsoft Corp)和谷歌(Google)母公司Alphabet Inc都急于将生成式人工智能纳入其网络搜索平台，这两家公司的股价均上升约2%。人工智能软件制造商C3.ai)和最近推出人工智能平台的Palantir的股价均飙升约8%。今年，在初创公司OpenAI推出ChatGPT后，人们对人工智能的兴趣激增，在一周内吸引了100多万用户。利用过去的数据，生成式人工智能可以创建新的内容，如完整的文本、图像和软件代码。在英伟达周三发布报告之前，对AI的乐观情绪已经推动其股价在2023年迄今上涨109%，使这家芯片制造商成为今年迄今为止标准普尔500指数中表现最好的公司。根据Refinitiv的数据，这轮反弹使英伟达的预期市盈率达到约60倍，接近2021年68倍的峰值。 (图片来源：彭博社) 截至周三收市，英伟达的市值已膨胀至7550亿美元。按照这个标准，这家芯片制造商的规模是英特尔公司(Intel Corp.)的六倍多。

晴天云2023-05-25

5月25日证券之星早间消息汇总：国家发改委辟谣

·布雷顿表示，欧盟和谷歌的目标是在新的人工智能(AI)规则出台之前，制定一项涉及欧洲和非欧洲公司的AI协议。

证券之星2023-05-25

苹果可能正为一场“改变游戏规则”的活动做准备

　　Mohan写道:“当世界被生成式人工智能（AI）所吸引时，我们看到苹果在后端芯片（神经引擎）、计算摄影、iPad手掌拒绝、推荐引擎、最近宣布的可访问性功能等中使用人工智能，所有这些都以隐私为核心，并不期望在用户界面和交互方面发生一步一步的变化。”

金融界2023-05-25

南威软件：鸿鹄边缘计算盒是公司围绕“云边端”应用体系创新研发的国产化AI边缘计算设备

公众号消息，近日，包头警方发布一起利用人工智能(AI)实施电信诈骗的典型案例，福州市某科技公司法人代表郭先生10分钟内被骗430万元。请问公司有没有相关的技术可以预防相关诈骗？南威软件董秘：投资者您好！该骗局的核心是微信账号被盗用，被骗取了最基础的信任关系，而后通过AI视频聊天获取了第二次信任关系导致最终被骗。在预防诈骗方面，面对日益高发的电信网络诈骗，公司与战略投资的大数据反诈领军企业深圳安巽科技有限公司合作打造与推广“金钟罩”警民联防平台，有效地帮助群众捂好“钱袋子”。目前，安巽“金钟罩”反诈小程序注册用户已超过2亿，全国客户四百余家。感谢您对公司的关注！投资者：你好，请问公司旗下的安巽科技在人工智能反诈骗有哪些优势？客户数量有多少？南威软件董秘：投资者您好！深圳安巽科技有限公司是全国最早专注反诈行业的科技企业之一，也是国内覆盖反诈骗模型最全面的企业之一，经过多年的积累，拥有最大的涉诈灰黑样本库及基于机器学习的反诈网址标签库等，目前安巽已完成几十种诈骗模型的设计和开发工作，并在不断更新。同时，安巽还拥有支持千亿级多源化数据治理经验、数据挖掘经验、AI建模经验，并已在多地建设了内网智能AI分析平台。感谢您对公司的关注！南威软件2023一季报显示，公司主营收入1.48亿元，同比上升17.55%；归母净利润-2177.78万元，同比上升17.61%；扣非净利润-2507.08万元，同比上升22.32%；负债率49.86%，投资收益-222.58万元，财务费用-448.62万元，毛利率44.32%。该股最近90天内共有1家机构给出评级，买入评级1家；过去90天内机构目标均价为18.59。近3个月融资净流入2.53亿，融资余额增加；融券净流入4.48万，融券余额增加。根据近五年财报数据，证券之星估值分析工具显示，南威软件（603636）行业内竞争力的护城河一般，盈利能力一般，营收成长性良好。财务可能有隐忧，须重点关注的财务指标包括：应收账款/利润率、应收账款/利润率近3年增幅、经营现金流/利润率。该股好公司指标2星，好价格指标2星，综合指标2星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）南威软件（603636）主营业务：专注于政务服务、政务监管、政务大数据、电子证照、政务办公、政务督查等数字政府领域的业务中台、应用产品、解决方案和数据运营服务;专注于公共安全领域智能感知数据采集、传输与治理、视频图像AI中台与数据中台、警务实战应用产品的研究与开发;并积极探索其他创新业务。以上内容由证券之星根据公开信息整理，与本站立场无关。证券之星力求但不保证该信息（包括但不限于文字、视频、音频、数据及图表）全部或者部分内容的的准确性、完整性、有效性、及时性等，如存在问题请联系我们。本文为数据整理，不对您构成任何投资建议，投资有风险，请谨慎决策。

证券之星2023-05-24

zkML：zk+机器学习新兴项目和基础设施

1、快速了解ML 机器学习（ML）是人工智能（AI）下面的一个领域，专注于开发算法和统计模型，使计算机能够基于数据学习并做出预测或决策。ML模型通常有三个主要组成部分： · 训练数据：即一组输入数据，用于训练机器学习算法进行预测或对新数据分类。训练数据可以有多种形式，例如图像、文本、音频、数字数据或以上这些数据的组合。 · 模型架构：即某个机器学习模型的整体结构或设计。它定义了层的类型和数量、激活函数以及节点或神经元之间的连接。架构的选择取决于具体问题和所使用的数据。 · 模型参数：即模型在训练过程中学习的值或权重，以进行预测。这些值经过优化算法迭代调整，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，模型暴露于标注数据集，并调整其参数以最小化预测结果与实际结果之间的误差。训练过程通常涉及若干迭代或epoch，模型的准确性会在单独的验证集上进行评估。 · 推理阶段：推理阶段是指使用经过训练的机器学习模型对新的、未见过的数据进行预测。该模型接收输入数据，并应用学习到的参数来生成输出数据，例如分类或回归预测。 zkML目前主要关注ML模型的推理阶段，而不是训练阶段，这主要是碍于验证在线训练的计算复杂性。zkML对验证推理的关注并非是限制因素：我们期望从推理阶段中可以产生出一些非常有趣的用例和应用程序。 2、验证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）可能想对其输入保密，不希望模型提供者（MP）知道。例如，MC可能希望在不披露个人财务信息的情况下向贷款人证明信用评分模型的结果。这可以通过使用预承诺方案并在本地运行模型来实现。 · 公共输入，私有模型。ML-as-a-Service（ML即服务）的一个常见问题是，MP可能希望隐藏他们的参数或权重以保护自己的IP，而MC希望验证生成的推论确实来自于对抗设置中的指定模型。可以这样考虑：MP在向MC提供推论时，有动机运行更轻型的模型以节省成本。使用链上模型权重承诺，MC可以随时审计私有模型。 · 私有输入，私有模型。当用于推理的数据高度敏感或高度机密，并且模型隐藏自身以保护IP时，就会出现这种情况。举个关于这方面的例子：使用私有患者信息审计医疗保健模型。零知识证明（ZK）的复合技术或多方计算（MPC）的使用或FHE（全同态加密）的变体可用于服务于此场景。 · 公共输入，公共模型。当模型的各方面都可以公开时，zkML将服务于一个不同用例：压缩并验证链下计算，以适应链上环境。对于较大的模型，验证推理的简洁的ZK证明比重新运行模型本身更具成本效益。 3、应用及机会经过验证的ML推理为智能合约开启了新的设计空间。下面来看一些加密原生应用：（1）DeFi · 可验证的链下ML预言机。继续采用生成式AI可能有助于推动行业为内容实施签名方案。签名数据可随时应用于ZK，使数据具有可组合性且可信。ML模型可以对签名数据进行链下处理以进行预测和分类（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，以无需信任的方式解决现实世界的预测市场、保险协议合约等问题。 · ML参数化的DeFi应用。DeFi有很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。今天的借贷协议主要信任由组织运行的链下模型来进行抵押品事宜、LTV、清算门槛等相关决策，但社区训练的开源模型可能是更好的替代方案，这类模型可以由任何人运行和验证。 · 自动交易策略。展示财务模型策略的回报状况的一种常见方法是，MP向投资者提供各种回测。然而，在执行交易时，是没有办法验证策略是否遵循了模型的——投资者必须相信策略确实遵循了模型。zkML提供了一个解决方案，MP可以在进行特定位置部署时提供财务模型推理证明。这对于DeFi管理的金库来说特别有用。（2）安全性 · 智能合约的欺诈监控。ML模型可以用来检测潜在的恶意行为并暂停合约，而不依靠缓慢的人工治理或中心化主体来控制是否暂停合约。（3）传统ML · Kaggle的去中心化、无需信任的实现。可以创建这样一个协议或市场，允许MC或其他相关方在MP不披露模型权重的情况下验证模型的准确性。这对于模型销售、模型准确性竞争等会很有用。 · 生成式AI的去中心化prompt（提示）市场。生成式AI的prompt创建已经演变成一种复杂的工艺，最好的prompt输出通常包含许多modifier修饰符。外部各方可能愿意从创建者那里购买这些复杂的prompt。zkML可以在这里发挥两方面作用：1）验证prompt输出，以向潜在购买者确保prompt确实创建了所需的图像；2）允许prompt所有者在prompt被购买后仍然保有prompt的所有权，对购买者匿名的同时仍然为他们生成经过验证的图像。（5）身份验证 · 用保护隐私的生物识别身份验证取代私钥。私钥管理仍然是web3用户体验最大的摩擦之一。通过面部识别或其他独特因素提取私钥是zkML的一种可能的解决方案。 · 公平的空投和贡献者奖励。ML模型可用于创建详细的用户角色，以根据多种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，这种功能会特别强大。在这种情况下，有种可能性是让用户运行一个开源模型来评估他们在应用程序中的参与度，以及更高层的生态参与度（比如治理论坛帖子），以推断他们的分配额度。然后，他们向合约提供此证明以接收代币分配。（6）Web3社交 · web3社交媒体过滤功能。web3社交应用程序的去中心化性质将导致更多的垃圾邮件和恶意内容。理想情况下，社交媒体平台可以使用社区同意的开源ML模型，并在选择过滤帖子时发布模型推理的证明。 · 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，但希望对广告商保密我的偏好和兴趣。我可以选择根据我的喜好在本地运行一个模型，该模型向媒体应用程序提供信息，然后展示我想要的内容。在这种情况下，广告商可能愿意为终端用户付费，但这些模型可能远没有当前的目标广告模型那么复杂。（7）创作者经济/游戏 · 游戏内经济再平衡。ML模型可用于动态调整代币的发行、供应、销毁、投票阈值等。一种可能的模式是，如果达到一定的再平衡阈值，并且推理证明得到验证，那么合约就可能受激励以重新平衡游戏内经济。 · 新型链上游戏。可以创建人类对抗AI的合作游戏和其他创新的链上游戏，此时无需信任的AI模型充当非玩家（NPC）角色。NPC采取的每一个行动都会被发布到链上，并带有一个证明，任何人都可以验证该证明以确定运行模型的正确性。在Modulus Labs的Leela vs. the World案例中，验证者希望确保正在下棋的是1900 ELO AI，而非棋手Magnus Carlson。另一个例子是AI Arena，这是一款Super Smash Brothers风格的AI战斗游戏。高风险竞争环境中的玩家希望确保他们训练的模型不受干扰或者不会出现作弊行为。 4、新兴项目和基础设施 zkML的生态系统可以大致分为四大类： · Model-to-Proof Compilers（模型到证明编译器）：将模型从现有格式（例如Pytorch、ONNX等）编译成可验证计算电路的基础设施。 · 通用证明系统：用来验证任意计算轨迹的证明系统。 · 特定zkML证明系统：专门用于验证ML模型的计算轨迹的证明系统。 · 应用程序：处理独特zkML用例的项目。（1）Model-to-Proof Compilers（模型到证明编译器）在研究zkML生态系统时，大多数注意力都集中在模型到证明编译器上。通常，这些编译器会将使用Pytorch、Tensorflow或类似语言编写的高级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中对深度学习模型进行推理。使用EZKL，你可以在Pytorch或TensorFlow中定义计算图，将其导出为ONNX文件，一些样本输入包含在JSON文件中，并将EZKL指向这些文件以生成zkSNARK电路。随着最新的性能改进，EZKL现在可以在大约6秒内占用1.1GB RAM证明一个MNIST大小的模型。到目前为止，EZKL已经有一些重要的早期采用，被用作各种黑客马拉松项目的基础设施。 Cathy So的circomlib-ml库包含Circom的各种ML电路模板。电路包含一些最常见的ML功能。同样由Cathie开发的Keras2circom是一个python工具，它使用底层circomlib-ml库将Keras模型转换为Circom电路。 LinearA为zkML开发了两个框架：Tachikoma和Uchikoma。Tachikoma用于将神经网络转换为纯整数形式并生成计算轨迹。Uchikoma是一个将TVM的中间表示转换为不支持浮点运算的编程语言的工具。LinearA计划支持Circom和Solidity，前者使用域算法，后者使用有符号和无符号整数算法。 Daniel Kang的zkml是一个用于在ZK-SNARKs中构建ML模型执行证明的框架。在撰写本文时，它能够证明一个使用大约5GB内存运行约16秒的MNIST电路。更通用的模型到证明编译器还有Nil Foundation和Risc Zero。Nil Foundation的zkLLVM是一个基于LLVM的电路编译器，能够验证使用流行编程语言（如C++、Rust和JavaScript/TypeScript等）编写的计算模型。与本文提到的其他一些模型到证明编译器相比，它是通用的基础设施，但仍然适用于像zkML这样的复杂计算。当与证明市场相结合时，该功能将格外强大。 Risc Zero面向RISC-V开原指令集构建了一个通用的zkVM，因此支持现有的成熟语言，如C++和Rust，以及LLVM工具链。这将支持主机和客户端zkVM代码之间的无缝集成，类似于Nvidia的CUDA C++工具链，但使用了ZKP引擎代替GPU。与Nil类似，可以使用Risc Zero来验证ML模型的计算轨迹。（2）通用证明系统证明系统的改进是zkML实现的主要推动力，特别是custom gates（自定义门）和lookup tables（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，这些函数应用于神经网络内线性变换的输出。由于受数学运算门的限制，在ZK电路中这些非线性实现是有难度的。Bitwise decomposition（逐位分解）和lookup tables（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中计算效率更高。由于这个原因，Plonkish证明系统往往是zkML最流行的后端。Halo2和Plonky2的table-style（表式）算法方案可以通过lookup参数很好地处理神经网络非线性。此外，Halo2有一个充满活力的开发者工具生态系统，再加上它非常灵活，使其成为包括EZKL在内的很多项目名副其实的后端支柱。其他证明系统也有自己的优点。基于R1CS的证明系统包括用于小型证明的Groth16和处理超大电路和线性时间证明器的Gemini。如Winterfell证明者/验证者库这样的基于STARK的系统也非常有用，特别是当通过Giza的工具实现时，Giza工具将Cairo程序的轨迹作为输入值，并使用Winterfell生成STARK证明来证明输出值的正确性。（3）特定zkML证明系统在有效的证明系统设计方面已经取得了一些进展，这些系统可以处理复杂的、电路不友好的高级ML模型操作。Modulus Labs的基准报告证明，像zkCNN这样基于GKR证明系统的系统，或者像Zator这样使用复合技术的系统，通常比通用的同类系统性能更高。 zkCNN是一种使用零知识证明来证明卷积神经网络（convolutional neural networks）正确性的方法。它使用sumcheck协议来证明快速傅里叶（Fourier）变换和卷积，其线性证明时间比渐近计算结果更快。交互式证明引入了若干改进和通则，包括验证卷积层、ReLU激活函数和最大池化。zkCNN特别有趣，因为Modulus Labs的基准报告发现，zkCNN在证明生成速度和RAM消耗方面都优于其他通用证明系统。 Zator是一个旨在探索使用递归SNARKs来验证深度神经网络的项目。目前验证深层模型的约束条件是将整个计算轨迹拟合到单个电路中。Zator提出使用递归SNARKs一次验证一层，可以渐进增量验证N步重复计算。他们使用Nova将N个计算实例缩减到一个实例中，这个实例可以通过单个步骤进行验证。通过这种方法，Zator能够snark一个具有512层的网络，这与当今大多数生产式AI模型一样深。对于主流用例来说，Zator的证明生成和验证时间仍然太长，但是其复合技术还是很有趣的。（4）应用程序鉴于zkML仍处于早期阶段，它将大部分重心都放在了上述基础设施方面。然而，目前有一些项目正在进行应用开发。 Modulus Labs是zkML领域中最多样化的项目之一，致力于应用范例和相关研究。在应用方面，Modulus Labs通过RockyBot（链上交易机器人）和Leela vs. the World（一种国际象棋游戏，所有人与经验证的Leela国际象棋引擎实例对决）展示了zkML的用例。该团队还涉足研究领域，撰写了The Cost of Intelligence（智能的成本）一文，对不同大小模型的各种验证系统的速度和效率进行了基准测试。 Worldcoin正在应用zkML，试图建立一个保护隐私的人格证明协议。Worldcoin正在使用定制硬件来处理高分辨率虹膜扫描，这些扫描被插入到他们的Semaphore实现中。然后，可用于执行有用的操作，如成员资格认证和投票。他们目前使用具有安全enclave的可信运行环境来验证摄像头签名的虹膜扫描，但他们最终的目标是使用ZKP来证明神经网络对加密级别安全保障的正确推理。 Giza是一种可以以一种完全无需信任的方法在链上部署AI模型的协议。它使用的技术栈包括用于表示机器学习模型的ONNX格式，用于将这些模型转换为Cairo程序格式的Giza Transpiler，用于以可验证和确定性的方式执行模型的ONNX Cairo Runtime，以及用于部署和执行链上模型的Giza Model智能合约。虽然Giza也可以属于模型到证明的编译器类别，但它们定位为ML模型市场是当今更有趣的应用之一。 Gensyn是一个去中心化硬件供应网络，用于训练ML模型。具体来说，他们正在设计一个基于梯度下降算法的概率审计系统，并使用模型检查点使去中心化的GPU网络能够为大规模模型训练提供服务。虽然他们的zkML应用明显特定于自身用例——他们希望确保当节点下载和训练模型的一部分时，他们对模型的更新是诚实的——但却展示了ZK和ML结合的强大功能。 ZKaptcha专注于web3的bot问题，为智能合约提供captcha（验证码）服务。它们目前的实现是让终端用户通过完成captcha来生成人类工作的证明，captcha由链上验证者验证，并通过几行代码由智能合约访问。今天，它们主要只依赖于ZK，但计划在未来实现zkML，类似于现有的web2 captcha服务，分析鼠标移动等行为，以确定用户是否是人类。 zkML市场仍处于相当早期的阶段，但很多应用程序已经进行了黑客马拉松级别的试验。这些项目包括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）。 5、zkML面临的挑战虽然zkML正在以光速进行改进和优化，但该领域仍然存在一些核心挑战。这些挑战涉及到技术和实践方面，具体如下： · 高精度的量化 · 电路的大小（特别是多层网络） · 矩阵乘法的有效证明 · 对抗攻击量化是将大多数ML模型用来表示模型参数和激活函数的浮点数表示为定点数的过程，这在处理ZK电路的域算法时是必不可少的。量化对机器学习模型精度的影响取决于所使用的精度水平。通常，使用较低的精度（即更少的bits）会导致准确性降低，因为它会应用四舍五入和近似误差。然而，有几种技术可以用来最小化量化对准确性的影响，例如在量化之后微调模型，以及使用量化感知训练等技术。此外，zkSummit 9上的一个黑客马拉松项目Zero Gravity已表明，为边缘设备开发的替代神经网络架构（如无权重神经网络）可用于避免电路量化的问题。除了量化，硬件是另一个关键挑战。一旦机器学习模型通过电路进行了正确表示，由于ZK的简洁性，验证其推论的证明既便宜又快速。这里的挑战不在于验证者，而是在于证明者，因为随着模型越来越大，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协议和分层算法电路的基于GKR的系统）或复合技术（例如wrapping Plonky2，它有高效的证明时间，但在较大模型的有效证明大小方面表现很差，使用Groth16，它不会随着模型的复杂性加大而增加证明大小）更适合处理这些问题，但是管理权衡是构建zkML项目的核心挑战。在对抗方面，还有工作要做。首先，如果一个无需信任的协议或DAO选择实现一个模型，在训练阶段仍然存在对抗攻击的风险（例如，训练一个模型在看到一个可用于操纵后续推理的输入时表现出特定的行为方式）。联邦学习（federated learning）技术和训练阶段zkML可能是最小化这种攻击面的一种方法。另一个核心挑战是，当一个模型属于隐私保护模型时，存在模型窃取攻击的风险。虽然模型的权重可以被混淆，但理论上仍可以在有足够的输入-输出对的情况下对权重进行反向工程。虽然这种风险主要针对小型模型，但风险就是风险。 6、扩展智能合约尽管优化这些模型以符合ZK运行条件还存在着这样那样的挑战，但优化改进正在以指数级的速度进行，有人预计，假设在进一步的硬件加速条件下，我们将很快扩展更广泛的机器学习领域。zkML已经从2021年0xPARC的zk-MNIST演示（展示了如何在可验证的电路中执行小型MNIST图像分类模型），发展到Daniel Kang在不到一年后对ImageNet-scale模型做了同样的验证。2022年4月，ImageNet-scale模型的准确率从79%进一步提高到92%，尽管目前的验证时间较慢，但像GPT-2这样大的网络在短期内是可行的。我们认为zkML是一个丰富且不断发展的生态系统，它希望扩展区块链和智能合约的功能，使其更加灵活、适应性更强、更加智能。虽然zkML仍处于早期开发阶段，但它已经开始显示出光明前景。随着技术的发展和成熟，我们有望看到出现更多链上zkML的创新用例。来源：金色财经

金色财经2023-05-24

24小时热点