FX168财经网_全球视野外汇黄金加密货币NFT资讯网

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

益冲突。该提案还将适用于预测数据分析和机器学习。俄乌局势 1、俄称空袭乌军预备队乌称打击俄军指挥所俄罗斯国防部当地时间13日发布战报称，俄空军使用高精度武器打击了乌军预备队所在位置，并打击了一座军火库，里面存有西方国家向乌军输送的武器弹药。同时，俄军在库皮扬斯克、红利曼、顿涅茨克、阿尔乔莫夫斯科（乌称巴赫穆特）、赫尔松等方向击退了乌军多次进攻，还拦截了乌军“风暴之影”巡航导弹、“海马斯”火箭弹和多架无人机。同一天，乌克兰武装部队总参谋部发布战报称，乌军当天在红利曼、巴赫穆特、阿夫杰耶夫卡、马林卡等地与俄军展开激战，并对俄军阵地发动了多次空袭。乌军火箭和炮兵部队对俄军指挥所、军火库、防空系统、电子战系统等目标进行了打击。 2、普京与战地记者召开座谈会就多项事宜进行表态当地时间6月13日，俄罗斯总统普京与俄罗斯战地记者进行座谈。普京表示，特别军事行动的目标和任务正在根据当前形势发生变化，但总的来说，特别军事行动的基本内容没有变化。普京说，乌军在前线任何一个区域发动反攻的过程中都未能取得成功，蒙受重大损失。在谈到卡霍夫卡水电站遭袭事件时，普京表示，该事件破坏了乌军在这个方向的反攻。他还表示，“卡霍夫卡水电站悲剧责任完全在乌克兰方面”，目前水电站大坝受损导致的洪水已经逐步退去，当地生活逐渐恢复正常。普京还表示，没有必要在俄罗斯实行战时状态，不过需要在某些问题上做得更认真。俄罗斯不会拒绝解决乌克兰问题的谈判。 3、普京：俄罗斯正在考虑退出黑海谷物倡议俄罗斯总统普京当地时间6月13日表示，俄罗斯正在考虑退出黑海谷物倡议。普京表示，目前，乌克兰方面利用黑海粮食外运走廊施放海上无人舰艇。此外，俄方同意黑海粮食出口倡议并非为了乌克兰，而是为了非洲和拉丁美洲的友好国家。但在倡议框架内，俄罗斯再次被欺骗，因为俄粮食出口多元化事宜没有取得任何进展。在此情况下，俄方在考虑退出倡议。公司新闻 1、AMD宣布新款GPU专用的MI300X AI加速卡 AMD宣布新款GPU专用的MI300X AI加速卡；MI300A芯片正在小批量出货，将用于美国的"El Capitan"超级计算机；GPU加速器拥有行业领先的存储能力；新款芯片意味着，生成式AI模型不再需要数目那么众多的GPU。 2、苹果Vision Pro将于7月开放开发者套件申请记者在苹果官网注意到，苹果Vision Pro的开发者套件申请将于7月开放。苹果还明确，除了开发者套件支持，还会对应用程序和游戏进行兼容性评估，向开发者提供显示和运行情况的报告，并在全球六个地方设立开发者实验室，让开发者能够亲身体验他们的应用程序在Vision Pro上的效果。 3、美东地区亚马逊云服务(AWS)多个服务出现故障亚马逊云服务(AWS)表示，美国东部1号地区多个AWS服务的错误率和延迟持续增加，该地区来电者可能无法连接，聊天可能无法启动。AWS表示还观察到从AWS安全令牌服务获取临时凭据的错误增加，并且正在并行工作以解决错误。AWS状态页面显示，AWS CloudFormation、AWS Lambda、Amazon API Gateway、Amazon Connect受持续问题影响。 4、埃森哲计划在三年内针对数据和AI业务投资30亿美元埃森哲表示，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

美国SEC将考虑为经纪商制定新的人工智能规则

益冲突。该提案还将适用于预测数据分析和机器学习。　　自两年前执掌该机构以来，SEC主席根斯勒多次对经纪人和财务顾问是否真的提出符合客户最佳利益的建议表示担忧。他还表示，当金融专业人士使用某些新技术时，可能会出现“固有的”利益冲突。“技术、市场和商业模式都在不断变化。因此，SEC的工作性质必须随着我们监管的市场的演变而演变，”根斯勒周二在一份声明中表示。

金融界2023-06-14

浙数文化：6月2日接受机构调研，华泰证券、瀚亚投资等多家机构参与

探寻相关技术与公司业务的结合，积极探索机器学习、NLP（自然语言处理）、LSTM(长短时间记忆模型）、知识图谱等技术及在“一网统管”、智慧城市建设、大数据趋势预测、智能客服体系建设等社会治理方面的应用。人工智能领域的研究尚处于探索阶段，对公司业绩尚未构成影响。问：请公司旗下传播大脑公司主要是做什么？浙江省媒体融合的业务规模有多大？答：根据浙江省委宣传部统一部署，公司在传播大脑公司基础上引进浙江广播电视传媒集团有限公司、浙江出版联合集团有限公司及浙江省文化产业投资集团有限公司三家省属国有文化企业作为战略投资者，共同打造浙江省融媒体技术统一支撑平台，努力推进构建省域一体化传播体系建设，持续探索以技术驱动媒体融合的实践发展。2023 年，传播大脑公司将聚焦省内媒体领域，做强“一张网”主干，年底前初步形成全省媒体技术一体化局面，业务规模将根据业务发展情况确定，具体业绩请关注公司公告。问：可否详细介绍一下传播大脑公司的“洪泽”平台？答：基于全媒体融合“一张网”建设基础，洪泽将持续通过流量聚合提升媒体的商业溢价能力，通过数据有效挖掘优化媒体商业变现的效率，最终通过技术赋能重塑媒体在移动互联网时代的商业价值。目前洪泽尚处于产品初期，对公司业绩尚未构成重大影响。问：传播大脑公司与阿里和百度的合作有无进展，相关模型在文化、媒体领域的应用什么时候可以落地？答：公司旗下传播大脑于 3 月 28日分别与阿里、百度现场签订合作书。传播大脑将与阿里达摩院、阿里云、钉钉在原有合作基础之上在进一步深化技术和应用场景等方面的合作，传播大脑将与百度结合双方优势共同推进媒体数字化改革与转型，打造业界媒体技术平台领先标杆。相关合作尚处于初期阶段，暂无具体应用和产品落地，对公司业绩尚未构成影响。问：浙江大数据交易中心 2023 年有什么工作规划，技术储备做到什么水平？答：2023 年，浙江大数据交易中心着力参与浙江国家数据要素综合试验区规划方案的顶层设计，构建浙江数据要素流通交易体系，打造“1+N”统分结合的全省数据流通服务平台体系，促进高质量数据供给，为国家数据要素综合改革在浙江试点工作提供支撑。浙江大数据交易中心已具备一定技术储备和专业团队，深度参与了省内数据要素市场建设相关标准制定，并大力推动业务拓展，努力形成竞争优势。浙数文化（600633）主营业务：数字娱乐业务、大数据业务、数字体育业务、融媒体云平台、文化产业服务、文化产业投资。浙数文化2023一季报显示，公司主营收入9.24亿元，同比下降11.46%；归母净利润2.71亿元，同比上升435.63%；扣非净利润1.68亿元，同比上升26.52%；负债率17.4%，投资收益478.43万元，财务费用-295.19万元，毛利率63.65%。该股最近90天内共有7家机构给出评级，买入评级6家，增持评级1家；过去90天内机构目标均价为16.1。以下是详细的盈利预测信息：融资融券数据显示该股近3个月融资净流出7574.59万，融资余额减少；融券净流入2052.17万，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，浙数文化（600633）行业内竞争力的护城河良好，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：货币资金/总资产率、应收账款/利润率近3年增幅。该股好公司指标3星，好价格指标2.5星，综合指标2.5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2023-06-13

优思莱斯：人工智能技术推动科技创新和商业进步

界中的各种复杂问题，涉及自然语言处理、机器学习、计算机视觉等多个领域。同时，实验室拥有一支由经验丰富的科学家、工程师和技术专家组成的研发团队，他们致力于探索AI技术的潜力，并将其应用于各种实际场景中，例如市场调研、医疗诊断、金融风险控制等。在市场调研方面，优思莱斯利用人工智能技术提供了更加准确、智能化的服务。该公司通过大数据分析、自然语言处理、机器学习等技术，挖掘隐藏在海量数据背后的潜在关系和规律，从而为客户提供更加详尽和精准的市场研究报告。此外，优思莱斯还开发了一套多维度的问卷调查分析系统，能够对问卷数据进行深度学习和分析，帮助企业更好地了解消费者需求。在医疗健康领域，优思莱斯也在AI技术上进行了深入研究。通过人工智能算法和大数据分析，已经成功开发了一些用于医学诊断的应用程序，例如基于计算机视觉技术的眼科疾病检测、基于生物信号处理的心电图分析等。这些创新性的技术应用将帮助医生更准确地诊断和治疗疾病，同时也有助于提高医疗健康服务的效率和质量。除了在市场调研和医疗健康领域中发力，优思莱斯还在其他AI应用领域中进行了不断探索和创新。例如，在金融风险控制领域，该公司利用自然语言处理和机器学习技术，对大量的金融数据进行分析和预测，以帮助金融机构更好地掌握市场风险和趋势，并提供相应的决策支持。优思莱斯通过不断追求AI技术的突破和应用，推动了科技创新和商业进步。优思莱斯的成功，离不开其坚持创新和技术研发的精神。优思莱斯不断投入资金、人力和技术资源，在AI算法、计算机视觉、自然语言处理等多个方向上进行深入研究，并不断推出创新性的产品和解决方案。另外，优思莱斯还积极与各类企业、院校和科研机构开展产学研合作，共同探索AI技术在实际场景中的应用，促进技术交流和成果转化。优思莱斯已经与多家知名企业建立了长期战略合作伙伴关系，在智慧城市、物联网、智能制造等领域提供AI技术支持和服务。此外，优思莱斯还与多所高校和科研机构建立了联合实验室和技术平台，为年轻人才提供更加广阔的发展空间和创新平台。通过不断追求创新和技术进步，优思莱斯已经成为了全球人工智能领域的佼佼者之一，并为各行业的数字化转型和智能化升级提供了有力支撑和推动。相信在未来的发展中，优思莱斯将继续发挥其技术和人才优势，推进AI技术的应用和创新，为构建更加智慧、可持续的社会做出积极贡献。来源：金色财经

金色财经2023-06-13

智能合约智能性的下一步：深入剖析ZKML赛道

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1.1GB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

计算机视觉如何赋能交通场景

息。计算机视觉利用图像处理、模式识别、机器学习和深度学习等技术手段，将数字图像或视频转化为有意义的信息。计算机视觉的主要技术原理为：图像获取：计算机视觉的首要步骤是获取图像或视频数据。这可以通过摄像头、传感器或卫星图像等设备实现。图像预处理：图像预处理是为了提高图像质量和减少噪声干扰。它包括图像去噪、增强对比度、图像平滑等操作。特征提取：特征提取是计算机视觉的关键步骤，它通过识别和提取图像中的关键特征，如边缘、角点、纹理等。常用的特征提取算法包括SIFT、SURF和HOG等。物体检测和识别：物体检测和识别是计算机视觉中的核心任务。通过训练机器学习模型或深度学习网络，可以实现对图像中物体的自动检测和识别，如人脸识别、车辆检测等。场景理解和分析：场景理解和分析是对图像或视频进行更深层次的解释和理解。它可以包括对场景的语义分割、目标跟踪、行为识别等。计算机视觉赋能交通场景计算机视觉是人工智能的细分领域之一，在交通安全中起到重要的作用：提升交通安全：人工智能赋能的计算机视觉技术可以实时监测交通场景，识别交通违规行为和危险情况。例如，通过智能监控摄像头，可以及时发现闯红灯、逆行等违法行为，并及时提醒交警部门采取措施。这有助于减少交通事故的发生，提升道路交通的安全性。优化交通管理：人工智能技术结合计算机视觉，可以实现智能交通信号控制系统。该系统可以根据实时交通状况调整信号灯的时长，以优化道路通行效率。通过减少交通拥堵和优化交通流量，可以提高出行效率，减少车辆排放和燃料消耗。提供智能驾驶辅助：人工智能与计算机视觉技术为智能驾驶提供了支持。通过激光雷达、摄像头和传感器等设备，智能车辆能够感知周围环境，实时分析道路情况，并做出智能决策。这有助于提高驾驶安全性和减少人为错误。数据分析与预测：人工智能技术结合计算机视觉，可以对大量交通数据进行分析和预测。通过对交通流量、拥堵状况等数据进行深度学习和模式识别，可以预测未来交通趋势，为交通规划和决策提供科学依据。计算机视觉场景案例随着技术的不断成熟和发展，计算机视觉已经在交通场景下得到了大范围的应用，极大的提升了交通管理效率和降低了管理成本。智能交通监控系统：城市引入智能监控系统，利用计算机视觉技术实时监测道路情况。系统能够自动检测和记录交通违规行为，如超速、压线行驶等，并及时发出警报。根据市场测算，经过一年的运行，城市的交通违规行为率下降了30%，有效提升了交通安全水平。智能交通信号控制系统：在高密度车流的交叉路口，采用了智能交通信号控制系统。该系统利用计算机视觉技术实时感知交通状况，并根据车流密度智能调整信号灯的时长。经过实施和数据测算，该交叉路口的通行效率提高了20%，车辆排队时间减少了一半小时，缓解了交通拥堵问题。自动驾驶技术：许多汽车制造商和科技公司致力于开发自动驾驶技术。通过计算机视觉和人工智能算法，车辆能够实时感知和识别道路标志、行人、车辆等，并做出相应的驾驶决策。这项技术为驾驶员提供了更高的安全性和舒适性，减少了交通事故的风险。实时交通数据分析：通过收集和分析交通摄像头的图像数据，结合人工智能算法进行图像处理和识别，可以实时监测道路上的交通状况。基于这些数据，交通管理部门可以做出相应的调度和决策，优化交通流量，减少拥堵。结语人工智能赋能交通场景的计算机视觉技术为交通管理和安全带来了巨大的优势。通过实时监测、智能决策和数据分析，交通系统的效率和安全性得到了显著提升。未来，随着人工智能和计算机视觉的不断发展，我们有理由相信交通场景将变得更加智能化、高效和安全。来源：金色财经

金色财经2023-06-13

互动| 中化岩土：参股的美国掣速科技的产品可兼容匹配英伟达高性能GPU服务器

00Gb的服务器间高速互联，主要应用于机器学习训练、高性能存储、云计算数据中心。

金融界2023-06-13

马斯克发推讽刺人工智能，机器学习本质是统计？

　　在这张图片中，一位路人询问戴着“机器学习”（marchine learning）面罩的人工智能：“嗨，人工智能。为什么你总是戴着那个面罩？”一边说一边动手揭开了那个面罩，结果看到里面是另一幅面孔，写着“统计”（statistics）。路人急忙说：“哦，抱歉，我不知道你是统计。”1 　　马斯克发布的图片中指出，在人工智能机器学习面具之下的本质仍然是统计。这条推文引起了大量的关注，浏览量超过3700万，并获得了4.4万转推和35.7万次点赞。　　据了解，马斯克一直在关注人工智能产业。他曾是 OpenAI 的联合创始人，中间因为“理念不合”而退出投资。后来在ChatGPT大火后，马斯克又火速成立了一家名为X.AI的公司，研发自己的生成式大模型产品。据报道，马斯克将推出一个名叫“TruthGPT”的人工智能平台，这显然是在挑战OpenAI的聊天机器人ChatGPT。　　值得一提的是，马斯克也常常警告人工智能技术的风险，并主张对其进行监管，此前曾签署了一封公开信，呼吁比GPT-4强大的AI模型暂停6个月的开发，以便进行道德和社会影响的评估。但同时又购买了约1万个GPU，用于推特的两个数据中心之一。该项目涉及创建一个生成式人工智能，推特将根据自己的海量数据进行训练。这种自相矛盾的做法引发了网友的质疑和嘲讽。有人说他是在“你们停停，等我追上”，有人说他是在“囤GPU本身就是很好的投资”。

金融界2023-06-13

AI如何影响Web3？|veDAO研究院

策略。对于交易策略的分析和评估可以采用机器学习算法，通过模型的训练和优化来预测策略的收益率和风险。交易策略的制定可以根据模型的预测结果，结合试产趋势等因素进行调整。基于AI的资产组合管理基于ChatGPT的资产组合管理工具可以使用自然语言处理技术帮助用户更好地管理资产组合，优化资产配置和风险控制，同时在投资决策方案提供更加准确的预测和建议。可以做到：自动化资产分析和选币：利用ChatGPT的自然语言处理结束，分析和评估各种资产的基本面、市场情况以及宏观经济因素等，从而自动选出合适的投资标的，降低错误决策的风险。资产组合优化：通过ChatGPT预测市场趋势和风险，为用户提供资产组合优化建议，实现风险分散和收益最大化。自动化交易执行：基于ChatGPT的交易决策模型，自动化执行买卖交易，实现资产的实时调整和优化，同时降低人为干预的风险。基于AI的模拟交易工具（AI Demo Account）基于AI的模拟加密货币交易工具是一种虚拟的交易平台，基于AI算法、模拟真实的加密货币市场环境，并提供虚拟资金让用户进行模拟交易。用户可以通过在平台学习加密货币交易，制定交易策略并进行模拟交易，无需承担真实交易中的风险，让更多用户在体验AI功能的同时，也能实现自我投资水平的进阶。 DEX+AI可行的方向：辅助决策:交易数据的分析和挖掘，提供更准确全面的市场分析和预测，帮助交易者做出更明智的投资决策。优化资产组合管理：AI技术可以通过对用户的投资偏好、风险承受能力、历史交易数据等信息的分析，为用户提供更加个性化、高效的资产组合管理服务。改善用户体验：AI技术可以通过智能客服、智能推荐、智能问答等方式，为用户提供更加智能、快捷、贴心的交易服务体验，提高用户满意度和忠诚度。投资信息搜集：Al可以帮助提供舆情，情绪，风险信息。价格预测：AI可以使用大数据和机器学习等技术来分析市场数据，以预测加密货币价格的走势，帮助用户做出更明智的投资决策。交易决策:人工智能可以使用自动化交易系统来执行交易决策，例如基于预设的规则和策略进行交易，从而减少人为因素对交易的影响。 AI安全：欺诈分析：AI技术可以通过人工智能监测和分析网络流量、识别和预防网络攻击和欺诈行为，提高Dex的安全性和可信度。合约审计：AI技术可以帮助优化智能合约的编写和部署，提高其代码的质量和可靠性;还可以帮助监测和预防恶意行为，减少Dex的风险和漏洞。信用分析:利用大数据和机器学习等技术，人工智能可以对客户的信用历史、财务状况、社交网络、行为数据等多维度信息进行分析，以评估客户的信用风险水平。人工智能可以使用大数据和机器学习算法来分析客户的信用历史、财务状况和其他相关数据，以评估客户的风险水平。以预测客户的违约风险。诈骗检测：人工智能可以使用自然语言处理和图像识别技术来分析客户的交易记录和其他行为数据，以检测潜在的诈骗行为。交易监控:人工智能可以使用实时数据分析技术来监控交易活动，以识别潜在的异常交易行为。风险管理：基于ChatGPT的风险管理系统是一种利用自然语言处理技术来分析恶化评估金融市场风险的系统。可以通过对金融数据和实时市场新闻的分析，生成对市场风险的预测和警示，帮助投资者更好的管理风险。提高交易速度和效率：通过AI技术对交易流程进行优化(比如最佳路由选择)，可以减少交易拥堵、降低交易成本，并加速交易完成时间。解决当前DEX几大问题：流动性不足：DEX相对于CEX的交易量较小，导致流动性不足，成交价格容易受到市场波动的影响。使用AI技术可以提高交易机器人的智能化程度，从而提高交易效率和盈利能力，增加交易量和流动性。安全性问题：DEX由于去中心化特性，交易过程中存在安全风险，例如资产被盗、合约漏洞等。使用AI技术可以提高风险控制能力，实现智能风控和安全监测，预防风险事件发生。用户体验差：DEX的用户界面相对于CEX较为简陋，用户体验不佳。使用AI技术可以提高用户个性化服务能力，实现智能化客户关系和推荐系统，提升用户体验。交易成本高：相较于CEX的低成本手续费，DEX目前由于矿工费等缘故，交易成本相对较高。使用AI技术可以优化交易机器人的交易策略，降低交易成本和风险，提高盈利能力。总结：总体而言，AI的出现，绝不仅仅只是一个单纯的新技术，而是一个新概念、新领域，它对于整个社会的底层运行逻辑会带来一系列的迭代甚至颠覆。对于Web3世界也是如此。而AI与Web3的关系也不会仅仅局限于概念的融合，或者是，某一项目对于AI工具的简单添加。而是直接深入到Web3的底层逻辑当中去，让Web3里的所有行为，都被赋予AI存在的意义，让Web3变得更高效和更智能。就和生产工具和生产关系的哲学关联一样。二者不能独立看待。有什么样的生产工具，就具备什么样的生产力，而有什么样的生产力，有为相应生产关系的产生和普及提供了必要条件。如果说以区块链为底层的Web3代表着更新的生产关系，那么AI毫无疑问就是这个时代最先进的生产工具。因此，我们有理由相信，作为生产工具的AI技术的出现、普及以及融合，势必会为接下来，Web3概念的普及和推广，带来决定性作用。关注我们 veDAO是一个由DAO主导的去中心化投融资平台，将致力于发掘行业最有价值的信息，热衷于挖掘数字加密领域的底层逻辑和前沿赛道，让组织内每一个角色各尽其责并获得回报。 Website： http://www.vedao.com/Twitter： https://twitter.com/vedao_officialFacebook：bit.ly/3jmSJwNTelegram：t.me/veDAO_zhDiscord：https://discord.gg/NEmEyrWfjV ?投资有风险，项目仅供参考，风险请自担哦? 来源：金色财经

金色财经2023-06-13

云服务巨头甲骨文公布第四季度财报收入及预测均超华尔街预期盘后股价一度飙升5%

设施（OCI）有望成为重要的人工智能/机器学习开发平台，这可能是新兴增长的另一支柱。甲骨文董事长兼首席技术官Larry Ellison在一份声明中表示。"近期，像Mosaic ML、Adept AI、Cohere以及其他30家人工智能开发公司都签署了合同，购买了超过20亿美元的甲骨文第二代云容量，用于大型语言模型（LLM）开发，" 甲骨文董事长兼技术主管Larry Ellison表示该公司将推出一项与初创公司Cohere合作的生成式人工智能云服务，并使用Oracle的云基础设施。微软与初创公司OpenAI合作，提供Azure OpenAI服务，允许组织部署大型语言模型以接收人类输入并生成类似人类的回复。 Larry Ellison表示：“这项新服务保护我们企业客户的训练数据的隐私，使这些客户能够安全地使用自己的私有数据来训练自己的专业大型语言模型。”他表示，甲骨文已经开始在内部使用这个工具。在本季度，甲骨文表示其更多的云服务已获得美国国防和情报机构的批准供其使用。除了盘后交易的波动外，甲骨文股票今年迄今已上涨近43%，而标普500指数上涨约13%。该股票在常规交易中上涨6%，为一年来表现最佳的一天，此前Wolfe Research分析师根据改善的财务状况以及公司在人工智能领域的地位，将该股票的评级从“持有”提升为“买入”。

埃尔文2023-06-13

24小时热点