FX168财经网_全球视野外汇黄金加密货币NFT资讯网

谷歌：云计算的进展也将推动人工智能的机遇

资者展示中，该公司多次提到了人工智能和机器学习。事实上，它提到这些活动是当前推动IT投资的顶级技术倡议之一。对于投资者来说，幸运的是，人工智能已经是Alphabet一直在推动的领域。可能有的人对这个说法不以为然。毕竟，今年早些时候，在谷歌于今年2月公开展示Google Bard时，它的聊天机器人发表了一个被投资界负面看待的事实错误陈述。很快，Alphabet的市值下降了大约1000亿美元。幸运的是，这种情况很快就过去了。截至目前，Alphabet的股价比这个错误发生前一天上涨了约14.8%。我知道个人经验在整体上并不具有太大意义。但我对Google Bard和ChatGPT进行了一些实验，我的经验感觉不太好。两者都有多处事实错误陈述。但重要的是，从现在开始，这项技术只会不断改进。无论技术如何改变，我实际上认为人工智能竞赛的胜利者是无关紧要的。在今年早些时候泄露的一份公司备忘录中，Alphabet声称他们没有护城河，OpenAI也没有护城河。这种新技术的开源版本取得了令人瞩目的成果，而Alphabet则声称真正的价值在于拥有生态系统。而生态系统正是Alphabet所拥有的。再加上像人工智能这样的领域的持续增长应该会导致对云服务的更大需求，这样一来，该公司将从多个方面受益。目前，我认为Alphabet在多个方面处于非常有前景的位置。该公司的云服务增长速度超过了它的两个最大竞争对手。直到最近，谷歌云一直处于亏损状态。但考虑到Alphabet的极其现金流积极性，我对长期发展并不担心。人工智能有潜力促进该公司的云服务，因为该公司可以利用人工智能提高云服务的吸引力，而人工智能的增长也应该加速对云服务的需求。 $谷歌(GOOG)$ $谷歌A(GOOGL)$

老虎证券2023-06-26

一览零知识机器学习ZKML的优势和挑战

区块链技术和机器学习作为两个备受关注的领域，分别以其去中心化的特性和数据驱动的能力引领着技术的进步。区块链技术中的 ZK（零知识，Zero-Knowledge，下文简称 ZK）是密码学中的一个概念，指的是一种证明或交互过程，其中证明者能够向验证者证明某个陈述的真实性，而不泄露任何有关这个陈述的具体信息。ML（机器学习，Machine Learning，下文简称 ML），是 AI 的分支领域。机器学习从输入数据中学习、总结形成模型并能做出预测和决策。在这一背景下，结合两者的 ZKML（Zero-Knowledge Machine Learning 零知识机器学习）在近期蓬勃发展。ZKML 将零知识证明的隐私保护和验证能力与机器学习的数据处理和决策能力相结合，为区块链应用带来了全新的机遇和可能性。ZKML 为我们提供了一种同时保护数据隐私、验证模型准确性和提升算力效率的解决方案。本文将深入介绍 ZKML，了解其技术原理和应用场景，与开发者们一起探索这个令人兴奋的交叉领域，揭秘 ZKML 如何构建隐私性更加完备、更具安全性和高效性的数字化未来！ ZKML：零知识证明与机器学习的结合零知识证明与机器学习能在区块链上结合的原因有二：一方面，ZK 的零知识技术不仅希望能实现链上交易的高效验证，ZK 的开发者也更希望 ZK 能用在更广阔的生态领域中，ML 的强大 AI 支持，成为 ZK 应用生态扩展的极佳助力者。另一方面，ML 模型从开发到使用的全流程都面临着信任证明问题，ZK 能帮助 ML 实现不泄露数据和信息的前提下实现有效性的证明，解决 ML 的信任困境。ZKML 的结合，是两者各取所需、双向奔赴，也将为区块链生态添加动能。 ZK 与 ML 的发展需求与能力互补 ML 有大量信任问题需要解决，各个工作流程的准确性、完整性、隐私性需要被证明。ZK 刚好能在确保隐私性的前提下有效验证任何类计算是否正确运行，很好地解决了机器学习长期存在的信任证明问题。模型的完整性是 ML 训练过程中的重要信任证明问题，但 ML 模型训练和使用的数据和信息的隐私保护同样重要。这使 ML 的训练难以通过第三方审计监管机构完成信任证明，去中心化的零知识属性的 ZK 是与 ML 具有极高匹配性的信任证明路径。 “AI 提升生产力，区块链优化生产关系”，ML 为 ZK 赛道注入更高的创新动能和服务质量、ZK 为 ML 提供可验证性与隐私保护，ZKML 双方在区块链环境中互补运行。 ZKML 的技术优势 ZKML 的主要技术优势实现了计算完整性、隐私保护性与启发式优化结合。从隐私角度上来看，ZKML 的优势在于：实现透明验证零知识证明（ZK）可以在不暴露模型内部细节的情况下评估模型性能，实现透明和无需信任的评估过程。数据隐私保障 ZK 可用于使用公共模型验证公共数据或使用私有模型验证私有数据，以此保证数据的隐私性和敏感性。 ZK 本身通过密码学协议，在保证隐私性的前提下确保了某个声明的正确性，很好的解决了计算正确性证明机器学习在隐私保护上、同态加密机器学习在隐私保护上的缺陷。将 ZK 融入 ML 过程中，创建了一个安全且保护隐私的平台，解决了传统机器学习的不足。这不仅鼓励隐私公司采用机器学习技术，Web2 开发人员也更有动力来探索 Web3 的技术潜力。 ZK 赋能 ML：提供链上基础设施 ML 上链的算力桎梏与 ZK-SNARKs 在链下已经较为成熟的 ML 之所以刚刚进军链上，是因为区块链的算力成本过高。很多机器学习项目因算力限制无法直接在以 EVM 为代表的区块链环境下运行。同时，虽然 ZK 的有效性验证比重复计算效率更高，但这种优势仅限于区块链原生的交易数据处理。当 ZK 本就复杂的密码学运算和交互面临 ML 的大量运算时，区块链的低 TPS 问题便暴露出来，区块链算力低下的问题成为阻碍 ML 上链的最大桎梏。 ZK-SNARKs 的出现缓解了 ML 的高算力需求问题。ZK-SNARKs 是一种零知识证明的密码学构造，其全称为"零知识可扩展非交互式参数论证"（Zero-Knowledge Succinct Non-Interactive Argument of Knowledge）。它是一种基于椭圆曲线密码学和同态加密的技术，用于实现高效的零知识证明。ZK-SNARK 具有高度紧凑性的特点，通过使用 ZK-SNARKs，证明者可以生成一个短而紧凑的证明，而验证者只需进行少量的计算即可验证证明的有效性，无需与证明者多次交互。这种仅需一次有证明者向验证者交互的性质，使 ZK-SNARKs 在实际应用中具有高效性和实用性，更加适配 ML 的链上算力需求。目前，ZK-SNARKs 是 ZKML 中 ZK 的主要形式。 ML 的链上基础设施需求与对应项目 ZK 对 ML 的赋能主要体现在 ML 全过程的零知识证明上，是 ML 与链上功能的交互。这种交互所需解决的两大问题是将两者的数据形态对接并为 ZK 证明过程提供算力。 ZK 硬件加速：ML 的 ZK 证明较为复杂，这需要硬件辅助链上算力加速证明计算。这类项目包括：Cysic、Ulvetanna、Ingonyama、Supranational、Accseal。 ML 链上数据处理：将链上数据处理为可进入 ML 训练的数据形式，并帮助 ML 的输出结果更方便从链上访问。这类项目包括：Axiom、Herodotus、LAGRANGE、Hyper Oracle。 ML 计算电路化：ML 计算模式与 ZK 的链上电路化证明有所差异，ML 的上链必须将其计算模式转化为能被区块链 ZK 处理的电路形式。这类项目包括：Modulus Labs、Jason Morton、Giza。 ML 结果的 ZK 证明：ML 的信任证明问题，需要由链上 ZK 解决。基于 ZK-SNARKs 建构在 Risc Zero 或 Nil Foundation 上的应用就可以实现模型真实性证明。这类项目包括：RISC Zero、Axiom、Herodotus、Delphinus Lab、Hyper Oracle、Poseidon ZKP、IronMill。 ML 赋能 ZK：丰富 Web3 应用场景 ZK 解决 ML 的信任证明问题，并为 ML 提供了上链机会。很多 Web3 领域急需 AI ML 的生产力或决策支持，ZKML 使链上应用在保证去中心化与有效性的前提下，实现了 AI 的赋能。 DeFi ZKML 可以帮助 DeFi 更加自动化，其一是链上协议参数更新的自动化；其二是交易策略的自动化。 Modulus Labs 推出了 RockyBot，其是有史以来第一个完全链上的人工智能交易机器人。 DID ZKML 可以助力 Web3 去中心化身份 DID 的建设。此前，私钥、助记词等身份管理模式使 Web3 用户体验较差，真正的 DID 建设可以通过 ZKML 进行 Web3 主体生物信息的识别完成，同时，ZKML 能保证用户生物信息隐私的安全性。 Worldcoin 正在应用 ZKML 实现基于虹膜扫描的零知识 DID 验证。游戏 ZKML 可以帮助 Web3 游戏实现全功能上链。ML 可以为游戏交互带来差异性的自动化，增加游戏的趣味性；而 ZK 可以使 ML 的交互决策上链。 Modulus Labs 推出了 ZKML 驱动的国际象棋游戏 @VsLeela； AI ARENA 运用 ZKML 实现了链上 NFT 游戏的高交互性。医疗保健与法律咨询医疗保健与法律咨询是高隐私性且需要大量案例积累的领域，ZKML 可以帮助用户完成决策且保证用户的隐私不被泄露。 ZKML 面临的挑战 ZKML 目前正在蓬勃发展，但因其非原生于区块链且需要大量算力，ZKML 未来主要面临以下两大挑战： ML 数据量化上链过程中的参数失真问题：大多数 ML 采用浮点数表示模型的参数，而 ZK 电路需要使用定点数。在这一数字类型转化过程中，ML 的参数的精度会有所降低，一定程度导致 ML 输出结果的失真。其大模型 ZK 证明的高算力要求问题：目前区块链的算力无法应对大规模、高计算量的链上 ZKML，当下流行的 ZK-SNARKs 仅支持小规模、较小计算量的 ML 零知识证明。算力局限是影响 ZKML 区块链应用发展的关键因素。 ZK 生成证明的阶段计算复杂度较高，需要大量的算力资源。由于 ZK 证明阶段通常需要访问和处理的数据之间存在高度的关联性，导致这个过程难以分布式进行，其无法“可并行化”。将这个过程进行分布式处理，可能会引入额外的复杂性，甚至会降低整体性能。目前，解决 ZK 计算效率问题，主流的研究方向更多的是在算法优化和硬件加速。结语 ZKML 是零知识证明与机器学习的双向奔赴，近期不断发展的区块链技术 ZK 帮助 ML 解决信任证明问题并为 ML 提供链上环境；成熟的 AI 技术 ML 帮助 ZK 实现 Web3 生态拓展与应用创新。 ZKML 的发展面临一些挑战，如参数失真问题和大模型的高算力要求，但这些问题可以通过技术创新和硬件加速等手段得到解决。随着 ZKML 项目的不断涌现和发展，我们可以预见它在 DeFi、DID、游戏、医疗保健等领域将为 Web3 生态带来更多创新和价值。在未来，ZKML 有望成为真正解锁 Web3 + AI 交叉融合的钥匙，为进一步构建安全、隐私保护和高效的区块链应用提供强有力的支持。通过结合 ZK 的零知识性和 ML 的数据处理能力，我们一定能够开创更加开放、智能和可信赖的数字世界！来源：金色财经

金色财经2023-06-26

盘点11家ETHGlobal Waterloo黑客松决赛项目

Smile DAO 是一项关于零知识机器学习 (ZKML) 的实验，实验试图在给定某个私密输入后验证机器学习 (ML) 模型的输出。 Smile DAO 的想法是，让前端 App 用户拍摄一张自己微笑的照片，再通过 ML 模型运行它并创建一个过程证明，所有这一切均在客户端内完成。随后，Smile DAO 会在链上部署验证器，一旦用户获得证明，他们就可以将其发布至链上并借此铸造一个 NFT。该 NFT 将在 Smile DAO 内拥有提案、投票等各种权利。 a(i)udit 获奖主页：https://ethglobal.com/showcase/a-i-udit-ja32i A(i)udit 是一个面向开发者的平台，旨在帮助开发者们构建更安全、更安全的智能合约。通过 A(i)udit，开发者们可以使用自然语言来编写、审核和部署智能合约，在任意链进行任意类别的测试。 A(i)udit 系基于开源 LangChain 框架制作的，该框架可以使 ChatGPT 等大语言模型能够执行不同复杂度的任务，A(i)udit 目前支持 ChatGPT 3.5 ，但该项目希望用户最终能够使用他们想要的任何大语言模型。 Tokenbound Titans 获奖主页：https://ethglobal.com/showcase/tokenbound-titans-5w6oq Tokenbound Titans 是一个基于 ERC-6551 构建，结合了动态生成的 NFT NPC 游戏。玩家是 NFT 形式 NPC 的拥有者，每个 NPC 则会拥有不同的能力和特点。该游戏的特点在于玩家可以使用 NPC 相互 PK，计算战斗结果的算法是离链的，但可以使用 ZK-proof 进行验证。当战斗获胜后，玩家的 NPC 可以升级，增强原有的健康、攻击、速度和防御等属性，解锁新的能力或组合。随着 NFT 的升级，它们会变得更强大、用途也会更加广泛，这种进化系统增加了游戏玩法的深度和持久性，激励玩家制定策略、适应并不断改进他们的 NFT，以主导游戏战局。 zBay 获奖主页：https://ethglobal.com/showcase/zbay-r0724 zBay 旨在通过将 eBay 去中心化的方式来彻底改变电商行业的现状，该项目希望消除中间商（eBay 年收入高达 100 亿美元），为每个人提供一个安全、透明和高效的交易市场。 zBay 支持从 eBay 无缝导入数据、商誉，支持安全托管和 XMTP 加密聊天，且将使用 UMA 的 optimistic 预言机来透明化地解决争议。 Token Rescue Buddy 获奖主页：https://ethglobal.com/showcase/token-rescue-buddy-bd0sd Token Rescue Buddy 希望解决因代币时常被发送至错误链而造成的意外损失问题。该项目利用了 CREATE 2、通过多链数据聚合器和直观的 React 前端，使得恢复被发送至错误链上的代币变得非常简单。多链的未来已然来临，但也带来了一些意外摩擦。与 EOA 钱包不同，智能合约钱包一次只能在一个链上部署，这曾导致了许多意外损失（比如 Wintermute 就曾误转过 2000 万美元的 OP 代币），Token Rescue Buddy 的效用即在多个不同的链上将智能合约钱包部署至同一地址，从而有效避免此类损失。对于 CEX 而言，Token Rescue Buddy 的服务也有望成为一个完美选择，只要他们在技术上拥有密钥，就可以轻松有序地恢复用户发送到错误地址的代币。 Copix 获奖主页：https://ethglobal.com/showcase/copix-28x5i Copix 是一个建立在 Polygon 测试网 Mumbai 上的公共画布，允许经验证的真实人类用户在同一片画布上共同创作艺术品。在该画布上，每一个像素都是一个 NFT，经过验证的 World ID 持有者可以修改元数据，通过改变像素的颜色来创作艺术。选择颜色后，用户就拥有了他们刚刚编辑的像素（同一用户连续修改像素的行为被设定了 2 分钟的冷却期限制），此外用户还可以获取到完整的像素元数据历史，包括过去的颜色和贡献者。来源：金色财经

金色财经2023-06-26

普元信息：公司持续致力于扩大合作生态圈

单介绍一下普元智能RPA系统，以及目前机器学习与RPA结合的工程实践有哪些？普元信息董秘：尊敬的投资者，您好！公司流程平台、应用开发平台等产品结合RPA、自动化技术形成流程自动化解决方案，已成功应用于地产、保险等行业客户项目。感谢您的关注！普元信息2023一季报显示，公司主营收入6679.97万元，同比上升35.25%；归母净利润-2189.88万元，同比下降6.21%；扣非净利润-2499.24万元，同比下降8.09%；负债率13.62%，投资收益145.0万元，财务费用-79.89万元，毛利率41.23%。该股最近90天内无机构评级。近3个月融资净流入4880.04万，融资余额增加；融券净流出187.2万，融券余额减少。根据近五年财报数据，证券之星估值分析工具显示，普元信息（688118）行业内竞争力的护城河一般，盈利能力一般，营收成长性较差。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、存货/营收率增幅。该股好公司指标0.5星，好价格指标2星，综合指标1星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）普元信息（688118）主营业务：公司是国内专业的软件基础平台提供商,面向金融、政务、能源、电信、制造业等行业大中型用户,提供自主可控、安全可靠的云应用平台、大数据中台和SOA集成平台软件及技术服务。以上内容由证券之星根据公开信息整理，由算法生成，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2023-06-26

佳讯飞鸿：博时基金、中银国际证券等多家机构于6月21日调研我司

算法模型，结合物联网监测数据采集，利用机器学习算法库，构建基于多模态数据的自动异常检测机制，实现对故障前兆阶段的特征识别，并基于多维度监测分析，实现对设备异常的故障诊断、根因分析，提升设备精细化管理水平、智能化运维效率。系统首创了基于 5G 网络下的工电供监测数据传，开辟了 5G 网络时代，重载铁路行车设备监测数据的高效利用先例。问：中国-中亚峰会主旨讲话中到，推动落实全球发展倡议，充分释放经贸、产能、能源、交通等传统合作潜力，并到推进中吉乌铁路项目对接磋商，公司承接了哪些“一带一路” 项目呢? 答：公司紧跟国家“一带一路”倡议走出海外，承接了多项国际重大铁路项目，公司部分产品和解决方案占据了绝大多数的市场份额。 2022 年，公司携手合作伙伴华为技术有限公司成功开拓莫桑比克市场，将LTE-R 技术应用到莫桑比克铁路项目中，采用国际标准、全套中国制式的成熟产品方案，公司 MCX 产品商用进程进一步加速。同时，基于项目研发、测试、执行等多个环节的深入交流与合作，公司也加强了与华为在海外市场的良好合作关系，未来也将开展更多层次的合作与交流。此外，公司还参与了全线采用中国标准的铁路——中老铁路，“一带一路”第一条高铁——印尼雅万高铁，非洲首条使用中国标准的铁路——阿卡铁路项目，西非第一条城市轨道——阿布贾城轨项目，肯尼亚独立以来的最大铁路项目——蒙内铁路项目，西非首条货运专线——几内亚达圣铁路项目。未来，公司将携手合作伙伴，积极拓展海外相关市场。佳讯飞鸿（300213）主营业务：通信信息领域的技术应用创新,向客户提供通信、信息、控制一体化的指挥调度系统及全面解决方案。佳讯飞鸿2023一季报显示，公司主营收入1.75亿元，同比上升3.26%；归母净利润-659.85万元，同比下降118.05%；扣非净利润-775.33万元，同比下降95.73%；负债率22.29%，投资收益-52.96万元，财务费用68.11万元，毛利率36.93%。该股最近90天内共有1家机构给出评级，买入评级1家。以下是详细的盈利预测信息：根据近五年财报数据，证券之星估值分析工具显示，佳讯飞鸿（300213）行业内竞争力的护城河一般，盈利能力一般，营收成长性较差。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。该股好公司指标2星，好价格指标2.5星，综合指标2星。（指标仅供参考，指标范围：0 ~ 5星，最高5星）以上内容由证券之星根据公开信息整理，由算法生成，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2023-06-25

AI如何为NFT打开增量市场？

术作品，推动艺术表达的界限。通过利用机器学习技术，AI可以从现有艺术作品中学习、分析模式，并创作出符合艺术家风格或特定主题的新作品。人类创造力与AI的计算能力的融合将产生大量新颖而引人入胜的NFT作品。真实性验证和溯源 NFT领域面临的一个基本挑战是验证数字资产的真实性和溯源性。AI在解决这个问题中起着至关重要的作用。通过采用计算机视觉和图像分析算法，AI可以检测和跟踪数字艺术作品中的独特特征，创建可验证的数字指纹。这可以确保NFT的防篡改性，可靠地追溯其来源和所有权，增强生态系统的信任和透明度。真实性验证和出处 NFT 领域的基本挑战之一是验证数字资产的真实性和来源。人工智能可以在解决这个问题上发挥至关重要的作用[1]。通过采用计算机视觉和图像分析算法，人工智能可以检测和跟踪数字艺术品中的独特特征，从而创建可验证的数字指纹。这可以确保 NFT 保持防篡改，并且可以可靠地追踪其来源和所有权，从而增强生态系统的信任和透明度。策划和个性化推荐在广阔的 NFT 市场中，可发现性至关重要。人工智能驱动的推荐系统可以根据用户的偏好、过去的交互和浏览历史提供个性化建议，帮助用户浏览这个空间。通过分析大量数据，人工智能算法可以识别模式、了解用户行为并制定量身定制的建议。这可以改善整体用户体验，提高参与度，并促进探索新的、令人兴奋的 NFT。定价和估值由于艺术家声誉、稀缺性和市场趋势等多种因素，确定 NFT 的价值可能具有挑战性。基于人工智能的定价模型可以利用数据分析和历史销售数据来提供更准确的估值。这些模型可以考虑艺术家之前的销售、社交媒体参与度和市场需求等因素，以提供公平定价的见解。这种人工智能驱动的定价机制可以使艺术家和买家受益，艺术家可以更好地了解其创作的价值，买家也可以做出更明智的投资决策。增强 NFT 市场人工智能可以通过引入创新特性和功能来彻底改变 NFT 市场体验。智能搜索算法可以帮助用户浏览大量 NFT，并根据风格、艺术家或流派等特定标准进行过滤。人工智能驱动的市场还可以纳入声誉系统，用户可以对艺术家或卖家进行评分和评论，为社区提供有价值的反馈。此外，基于人工智能的托管系统可以简化交易并增强 NFT 交易[3]的安全性，从而减少潜在的欺诈或纠纷。结论 NFT 的未来拥有巨大的潜力，人工智能技术的整合可以为艺术家、收藏家和爱好者释放新的机会。AI 生成独特内容、验证真实性、策划个性化推荐、确定公平定价和增强市场的能力完全符合 NFT 生态系统的需求。通过利用人工智能，NFT 行业可以继续蓬勃发展，促进数字艺术和收藏品市场的创造力和创新。来源：金色财经

金色财经2023-06-25

《迪拜WEB3.0 新动向》主题论坛探索RWA新浪潮

涵盖了分析、架构、数据科学、人工智能、机器学习和云技术等多个领域。他曾在英国银行、微软等公司担任过多个职位，专注于数据架构和支持工程师等领域。自2011年起，他进入区块链领域，成功创办了Eumlet项目，为银行的支付体系带来了创新。作为BG Trade的创始人和CEO，他致力于推动实物资产和虚拟资产跨链领域的金融创新解决方案。徐伟卓 MetaDAO—Web3教育品牌创始人资深比特币矿工，GBLP优秀校友，深耕传统教育行业12年，华熙集团、优贝乐国际教育集团高管，原RRM培训中心副总兼华北区负责人此次论坛将成为WEB3领域的一场RWA重要盛会，为业内人士提供了深度洞察、交流合作的绝佳机会，共同探索字资产领域的新动向。关于MetaDAO：作为Web3领域教育机构，MetaDAO致力于为高净值客户提供专业WEB3.0领域课程和培训。涵盖了RWA、NFT、DeFi、智能合约、加密数字经济学等关键领域。通过与业界顶级专家和实践者互动，提供实用知识、行业见解和创新思维，深入了解WEB3.0的发展趋势、商业应用和投资机会。帮助学员在Web3.0时代发现真机遇。了解论坛更多资讯，加入报名讨论，点击链接查看详情： https://mp.weixin.qq.com/s?__biz=MzkzMTUxMDA1NA==&mid=2247483931&idx=1&sn=bbfc70151aaadb4f7d4f7f9638734ab5&chksm=c268a052f51f2944128a4bd3383d8b8512712ae4b21f96864f71d075225d74039c4013160d59#rd 来源：金色财经

金色财经2023-06-24

《迪拜WEB3.0 新动向》主题论坛探索RWA新浪潮

涵盖了分析、架构、数据科学、人工智能、机器学习和云技术等多个领域。他曾在英国银行、微软等公司担任过多个职位，专注于数据架构和支持工程师等领域。自2011年起，他进入区块链领域，成功创办了Eumlet项目，为银行的支付体系带来了创新。作为BG Trade的创始人和CEO，他致力于推动实物资产和虚拟资产跨链领域的金融创新解决方案。徐伟卓 MetaDAO—Web3教育品牌创始人资深比特币矿工，GBLP优秀校友，深耕传统教育行业12年，华熙集团、优贝乐国际教育集团高管，原RRM培训中心副总兼华北区负责人此次论坛将成为WEB3领域的一场RWA重要盛会，为业内人士提供了深度洞察、交流合作的绝佳机会，共同探索字资产领域的新动向。关于MetaDAO：作为Web3领域教育机构，MetaDAO致力于为高净值客户提供专业WEB3.0领域课程和培训。涵盖了RWA、NFT、DeFi、智能合约、加密数字经济学等关键领域。通过与业界顶级专家和实践者互动，提供实用知识、行业见解和创新思维，深入了解WEB3.0的发展趋势、商业应用和投资机会。帮助学员在Web3.0时代发现真机遇。了解论坛更多资讯，加入报名讨论，点击链接查看详情： https://mp.weixin.qq.com/s?__biz=MzkzMTUxMDA1NA==&mid=2247483932&idx=1&sn=35d88151864b5ec2ae7382b68557906a&chksm=c268a055f51f2943450c52b8d8b80d9628429000d19c90929109584e9ef80a3b72655be4b545#rd 来源：金色财经

金色财经2023-06-24

深入剖析ZKML赛道：智能合约智能性的下一步

通过 zkSNARKs 证明机器学习 (ML) 模型推理有望成为这十年智能合约最重要的进步之一。这一发展开辟了一个令人兴奋的大设计空间，允许应用程序和基础设施发展成为更复杂和智能的系统。通过添加 ML 功能，智能合约可以变得更加自主和动态，允许它们根据实时链上数据而不是静态规则做出决策。智能合约将是灵活的，可以适应各种场景，包括那些在最初创建合约时可能没有预料到的场景。简而言之，ML 功能将扩大我们放在链上的任何智能合约的自动化、准确性、效率和灵活性。 ML 在 web3 之外的大多数应用程序中被广泛应用，在智能合约中的应用几乎是零。其主要是由于在链上运行这些模型的计算成本很高。例如，FastBERT 是一种计算优化语言模型，使用约 1800 MFLOPS（百万浮点运算），这无法直接在 EVM 上运行。链上 ML 模型的应用，主要关注的是推理阶段：应用模型对真实世界的数据进行预测。为了拥有 ML 规模的智能合约，合约必须能够摄取此类预测，但正如我们之前提到的，直接在 EVM 上运行模型是不可行的。zkSNARKs 为我们提供了一个解决方案：任何人都可以在链下运行一个模型，并生成一个简洁且可验证的证明，表明预期的模型确实产生了特定的结果。该证明可以在链上发布并由智能合约摄取以增强其智能。在这篇文章中，我们将：查看链上 ML 的潜在应用程序和用例探索 zkML 核心的新兴项目和基础设施建设讨论现有实现的一些挑战以及 zkML 的未来会是什么样子机器学习（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 1.1 GB 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 Keras 2c ircom 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 5 GB 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。Halo 2 和 Plonky 2 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 R 1 CS 的证明系统包括 Groth 16 ，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。 03 zkML 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 halo 2 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 Plonky 2 与 Groth 16 相结合，Plonky 2 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 Groth 16 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0x PARC 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2023-06-24

竞争白热化！谷歌提起诉讼，指控微软利用Office推广云服务

方案和以弹性云服务器、云存储、数据库、机器学习为主的云计算服务，目前在行业中占据主导地位。云服务行业最近受到了更严格的监管审查，包括在美国和英国，因为少数几家公司在这一领域占据主导地位，而且随着越来越多的公司将服务转向云计算，该行业的作用越来越重要。今年3月，谷歌云(Google Cloud)曾指控微软的云计算业务存在反竞争行为，并批评了几家欧洲云供应商即将达成的协议，称这些协议无法解决对云服务许可条款的更广泛担忧。今年早些时候，联邦贸易委员会曾表示，正在向公众寻求有关云计算公司商业行为的信息，包括其市场力量、竞争和潜在安全问题的细节。谷歌和微软没有立即回应路透的置评请求，而联邦贸易委员会也拒绝置评。

迪星妮2023-06-22

24小时热点