FX168财经网_全球视野外汇黄金加密货币NFT资讯网

晚间必读 | 为什么23年不会有大牛市？

1.zkML：zk+机器学习新兴项目和基础设施通过zkSNARKs证明机器学习（ML）模型推理将成为这个十年智能合约发展最重要的进步之一。这一发展开辟了一个令人兴奋的广阔设计空间，允许应用程序和基础设施发展成更复杂智能的系统。点击阅读 2.2023年以太坊大会EDCON Super Demo决赛项目速览 2023年以太坊大会EDCON于5月19日至23日在黑山举行。本次EDCON上同期举行的Super Demo得到以太坊基金会和众多以太坊社区的大力支持，而且比赛胜选项目可以在EDCON大会主舞台上展示，所以受到社区瞩目。点击阅读 3.BRC-20热潮过后 SRC-20又是什么？在了解 SRC-20 之前，我们需要先知道什么是 BTC Stamps，该协议由 @mikeinspace 发明，他与 Ordinals 的最大区别是 Ordinals 的图片/文本信息是存储见证数据中，而 Stamps 数据存储在交易输出中，该差异造成了 Stamps 的一个重要特点，即永远可以存在 BTC 链上，全节点必须同步该数据。点击阅读 4.香港《虚拟资产咨询总结》解读：内地散户能入场吗？ SFC审慎回应公众对于由持牌虚拟平台主导、SFC监管、散户入局的可行性、安全性的可持续性这一举措，也正预示着SFC在《咨询文件》中尝试建立一套透明而可操作性强的机制是助力大中华区跨入Web3.0时代的一大步。点击阅读 5.从美林时钟的角度分析为什么23年不会有大牛市？比特币的价格貌似变幻莫测，其实不过是无聊透顶的各个金融周期循环在时空域的投影与叠加。如果我们只盯着K线，就瞄着分时图，沉湎于现象界，就无法获得一种超然的视野去洞察周期，在不确定之中寻找到确定。点击阅读来源：金色财经

金色财经2023-05-24

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

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

iaozou 通过zkSNARKs证明机器学习（ML）模型推理将成为这个十年智能合约发展最重要的进步之一。这一发展开辟了一个令人兴奋的广阔设计空间，允许应用程序和基础设施发展成更复杂智能的系统。通过添加机器学习功能，智能合约可以变得更加自主和动态，允许它们基于实时链上数据做出决策，而不仅仅囿于静态规则。智能合约将更加灵活，可适应各种场景，包括那些合约初建时可能没有预料到的场景。简而言之，机器学习功能使我们置于链上的任何智能合约更加自动化、准确、高效和灵活。从很多方面来看，鉴于机器学习在web3之外的大多数应用程序中的突出地位，智能合约没有使用嵌入式ML模型着实令人惊讶。之所以不使用ML，主要是因为链上运行这些模型的计算成本太高。例如，FastBERT是一种计算优化的语言模型，使用约1800 MFLOPS（百万浮点运算），直接在EVM上运行是行不通的。在考虑链上ML模型的应用时，重点关注的是推理阶段：应用模型对现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ingest（摄取）这类预测数据，但正如前面提到的，直接在EVM上运行ML模型是不可行的。zkSNARK给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，证明预期模型确实产生了特定的结果。这个证明可以在链上发布，并被智能合约摄取，让合约更加智能。本文，我们将： · 研究链上ML的潜在应用和用例； · 探索zkML相关的新兴项目和基础设施建设； · 讨论现有实现面临的一些挑战，以及zkML的未来。 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

大家期待已久的量化科技嘉年华,现在正式开启报名啦

6月3号上午,在主会场A的「因子挖掘与机器学习」论坛上,DolphinDB 创始人周小华博士将为大家揭晓答案,欢迎报名来听! 报名流程 Step 1: 添加DolphinDB小助手【13306510479】获取报名链接 Step 2: 点击“报名入口” Step 3: 填写个人信息,选择“因子挖掘与机器学习论坛”,完成报名 Step 4: 活动当日可凭报名信息或截图前往 DolphinDB 展台领取精美礼品来源：金色财经

金色财经2023-05-24

LayerZero发币在即？

位职业扑克选手，成功地把一套自己编写的机器学习工具销售给了一支 MLB（美国职业棒球大联盟）球队，还在人工智能领域发表过期刊报告。 RyanZarick，LayerZeroLabs联合创始人兼CTO，2011年毕业于美国新罕布什尔大学，2006.08 – 2011.05担任UNH互操作性实验室的软件开发师和研究生助理；2011.11 – 2013.03担任BuzzDraft的CTO；2010.09 – 2020.13担任Coder Den的联合创始人；2018.01 – 2020.03担任80Trill的联合创始人；2019.06 – 2021.01担任Minimal AI的联合创始人；2021年创立LayerZero并担任CTO。生态系统 LayerZero是一种全链互操作性协议，作为一个链与链信息传递之间的枢纽，LayerZero可以做的不仅仅是资产跨链，在实现了跨链消息传递之后，LayerZero还可以实现跨链状态共享、借贷、治理等。此外，不同于目前市面上的传统跨链桥的模式，LayerZero无需在各个连接的链上去运行节点，无需在每条新链上部署一个新的节点，从该点出发，LayerZero将新链并入网络的速度会更快，并且成本更低。截至2022年11月11日，LayerZero已经支持了Ethereum、BNB Chain、Avalanche、Aptos、Polygon、Arbitrum、Optimism、Fantom等总计13条链。 LayerZero创新的技术加之更快的部署速度和一定的成本优势，以及早期著名VC和社区具有影响力KOL的推动，使得LayerZero生态在短短一年左右的时间内得到了快速的扩张，并且在DeFi、NFT和稳定币等方向都取得了不小的成绩。代币 LayerZero Labs目前暂未发币，不过还是有很多消息来源说26号发币。但是LayerZero员工0xLamps在其官方Discord表示，“目前没有代币空投或上市计划，请查看我们的官方Twitter页面以获取正确信息。我们一直专注于构建和创造良好的开发体验” 不过团队在其官方文档的代码中披露了$ ZRO token 的信息，通过下图我们可以看出$ ZRO 未来可能会被用来支付其链上Gas费。空投的代币数量还没有得到确认，但们相信这将是一个相当大的数量。技术 LayerZero是一个全链互操作性协议，它只专注于链与链之间的消息传递，能够向支持的任何链上的任何智能合约发送消息，也就是一个消息传输层，用于区块链之间的智能合约通信，不负责资产的跨链。据 LayerZero 白皮书显示，协议核心有三个组件，分别是端点（Endpoint）、预言机（Oracle）和中继器（Relayer）。其运行流程：路线图威：hexf488888 或 web3889900 来源：金色财经

金色财经2023-05-24

大起大落的Worldcoin AI时代的UBI经济学能否成真？

人隐私的前提下，使用ZK保护的数据进行机器学习，以利用采集到的数据进行更多使用场景的探索。可以这样总结，在Worldcoin的规划中，加密技术、ZKP和AI技术并不是相互排斥的选项，而是可以互相结合的下一代网络技术，而这一切的前提是需要足够的用户，去产生足够的用户数据，去丰富代币的使用场景，并且最终支撑生产力的进步，以满足UBI的运作需求。结语：UBI究竟有没有搞头？不同于AI的高歌猛进，UBI和加密货币仍旧需要面临诸多质疑，尤其是以加密货币作为UBI的普及措施能否奏效，仍旧是个无法事前确认的难题。 UBI的逻辑并不复杂，目前人类社会的总生产是大于总需求的，但由于分配不均，在穷国和富国之间、高收入群体和低收入群体，甚至是男女、世代之间，都存在着普遍的不平等，而UBI的设想在于以较为温和的方式重新分配社会财富。比如Celo上的ImpactMarket已经有所尝试，尝试为第三世界的居民提供金融和教育服务，以Crypto UBI的方式提高他们的谋生能力和生活水平。而UBI并不需要从目前的分配关系中强行变道，而是通过新的代币发行的方式给予所有人平等的准入权，无独有偶，中国经济学家翟东升也设想过中国版的UBI——《未来起点收入，共同富裕时代的新型再分配方案初探》，“由中央政府以本币债务和税收为财源，为0-35岁的中国居民以数字货币的形式提供资金支持，并为35岁以上的中国居民提供一次性的教育或技能培训资助。” Worldcoin无论成功与否，都将是第一次面向全人类的大型UBI实验，之前的尝试总体而言都未获得大范围内的关注。比如之前Circles 也属于UBI范畴，但其目前常态化参与治理人数已不足千人，仍旧属于小范围内的尝试。而加密货币借助Worldcoin，此将会是首次面对全球数以亿计，最起码百万级的普通用户的尝试，而他们中的大多数人此前并非是Web 3的用户，从这个角度观之，至少在普及加密货币上迈向了真正的大众普及阶段。来源：金色财经

金色财经2023-05-24

银信科技：公司是华为认证的CSP四钻服务商 AI相关研发一些功能模块可能对不同客户交付实施

AIOps就是通过像大数据分析、AI、机器学习等相关的一系列技术，对数据进行更好的分析，实现故障定位、故障告警、提前预判等功能。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2023-05-24

AI赋能，羚羊控股研发AI驱动的虚拟主播技术

股CEO威尔张表示，"利用先进的算法和机器学习，我们可以以最小的成本创造高质量的营销内容，使我们能够极大地增加市场营销的覆盖面，获得更高的销售和利润。我们很高兴能站在这场技术革命的最前沿，期待着继续开发创新的解决方案，帮助企业不断拓宽数字营销疆域，保持领先地位。" $羚羊控股(AEHL)$

老虎证券2023-05-23

微软 CEO：AI 将创造新工作机会可能出现 10 亿技术开发者

智能技术在过去几年中取得了长足的进步。机器学习和深度学习算法的发展使得计算机能够模拟和学习人类智能的一些方面。这些技术的广泛应用已经带来了许多行业的变革，包括医疗保健、金融、交通等。微软作为一家全球领先的科技公司，对于AI技术的发展有着深入的研究和洞察力。随着AI技术的广泛应用，许多行业将需要专业的技术开发者来构建和维护AI系统。从开发和训练AI模型到数据处理和算法优化，技术开发者在AI领域将扮演着至关重要的角色。此外，AI技术的应用也将催生新的岗位和领域，例如AI伦理师、数据隐私专家和AI项目管理师等。 AI技术的普及将需要大量的技术开发者来满足市场需求。为了实现微软CEO的预测，我们需要在全球范围内培养和吸引更多的技术开发者。政府、学术机构和企业应该共同努力，提供更多的培训和教育资源，使更多的人能够掌握AI技术。此外，跨学科的培训也将变得更加重要，以培养具备与AI相关的技能和知识的人才。尽管AI技术为就业市场带来了新的机会，但也面临一些挑战。其中一个挑战是技术发展的速度远远超过了教育和培训的能力。结语微软CEO的观点提醒我们，AI技术不仅仅是一种威胁，更是一种机遇。它将创造大量新的工作机会，并对全球就业市场产生积极的影响。然而，实现这一预测需要全球范围内的合作和努力。为了实现这一目标，我们需要积极应对技术变革带来的挑战，并采取措施确保人工智能的发展符合社会的利益。首先，教育和培训将扮演关键角色。我们应该投资于提供高质量的技术教育，让更多的人具备开发和应用人工智能的能力。这将包括在学校和大学提供相关课程，以及为现有的技术从业人员提供终身学习的机会。此外，还需要促进跨学科的合作，鼓励不同领域的专业人士共同研究和应用人工智能。人工智能不仅仅是技术领域的问题，它涉及到伦理、法律、社会学等多个方面。通过跨学科的合作，可以更好地理解人工智能的潜力和风险，从而制定更全面和可持续的发展策略。另外，政府、企业和学术界需要共同努力，建立相应的政策和法规框架来引导人工智能的发展和应用。这将包括数据隐私保护、算法透明度、职业伦理等方面的规范。通过明确的规则和准则，我们可以确保人工智能的发展是有益的，并促使技术创新与社会价值相结合。总的来说，人工智能的发展既带来了机会，也带来了挑战，我们应该最大限度地利用人工智能的潜力，并确保其对整个社会的利益最大化。声明：本文来自潮外音创作者，内容仅代表作者观点和立场，且不构成任何投资建议，请谨慎对待，如文章/素材有侵权，请联系官方客服处理。来源：金色财经

金色财经2023-05-23

英伟达股价年内涨超一倍能证明人工智能炒作的合理性吗?

强劲销售上将超出这些预期，然后随着开发机器学习所需设备的订单涌入，英伟达的目标将会更高，而科技公司一直在2023年大肆宣传机器学习。今年3月的开发者大会聚焦于人工智能机遇，首席执行官黄仁勋预计明年将获得巨大的财务回报，分析师预计实际预测将反映出这种乐观情绪。　　Susquehanna金融分析师Christopher Rolland表示，“人工智能军备竞赛”应该会推动数据中心销售的“建设性”前景。罗兰对英伟达股票的评级为正面，目标价为350美元。他指出，微软只是英伟达打算花钱的客户之一。微软因投资OpenAI和使用ChatGPT而成为生成式人工智能领域最知名的公司之一。　　罗兰写道:“总体而言，我们预计会有更好的业绩/指导，这主要是受到正在进行的人工智能淘金热和随后的数据中心GPU需求的推动。”“微软继续投资OpenAI和ChatGPT，甚至在最新的财报电话会议上邀请英伟达（Nvidia）作为合作伙伴。” 　　值得注意的是，Azure OpenAI的客户数量环比增长了10倍，微软正在“按顺序增加资本支出，以扩展其人工智能基础设施，”罗兰写道，并补充说，Meta Platforms Inc.等其他大型科技公司。META和亚马逊也在继续投资人工智能基础设施。　　预计人工智能产品的增长将使芯片制造商受益。云服务提供商或“超大规模”——比如微软的Azure、亚马逊的AWS、Alphabet Inc.的谷歌云和甲骨文公司的云基础设施——使用的是英伟达（Nvidia）、超微设备公司（Advanced Micro Devices Inc.）等公司提供的芯片。AMD和英特尔将联手打造用于处理庞大人工智能工作负载的数据中心。　　Evercore ISI分析师C.J.缪斯表示:“我们相信每个人都在全力投入人工智能。　　缪斯表示:“我们正在寻找支持我们论点的评论，即我们正处于人工智能巨大货币化事件的转折点——特别是大型语言模型（LLM）、生成式人工智能和变压器技术的加速采用，这将推动对英伟达产品有意义的培训和推理需求。” 　　周一，Wedbush分析师马特•布赖森（Matt Bryson）表示，问题将是英伟达将实现的“上行幅度和性质”，因为数据中心在2023年初才会增强，2月和3月的检查显示会有所回升。这是因为“考虑到英伟达在生成式人工智能领域的主导地位”，以及“数据中心（H100）和游戏（RTX40）的多个新产品周期”，英伟达是今年半年内定位最好的公司之一。　　周一，KeyBanc分析师John Vinh对英伟达的目标价设定为增持，目标价设定为375美元。他对英伟达生产足够产品的能力和游戏芯片的需求表示了一些担忧，但他仍表示，他预计英伟达将迎来一个增持的季度。　　Vinh写道:“虽然供应可能会限制英伟达数据中心gpu（包括A100和H100）短期内更有意义的上涨，而RTX4070令人失望的发布可能会导致游戏领域的小幅下滑，但我们预计投资者将会看到这些担忧。” 　　FactSet调查的分析师预计，在截至4月份的财季中，英伟达第一季度调整后的每股收益为0.92美元，营收为65.3亿美元，低于去年的每股收益1.36美元，营收为82.9亿美元。分析师预计游戏销售额为19.7亿美元，接近去年36.2亿美元的一半，数据中心销售额为39亿美元，较上年同期增长4％。　　最重要的数据可能是高管们对第二财季的指引。分析师预计第二季eps为1.07美元，营收为71.7亿美元，其中42.9亿美元来自数据中心，21.3亿美元来自游戏。英伟达刚刚发布了新的RTX 4060显卡系列。　　FactSet调查的47位分析师中，35位给出了买入评级，12位给出了持有评级；自今年4月以来，英伟达一直没有获得卖出评级。截至周一的平均目标价为296.70美元，比英伟达股价低5％以上。　　今年以来，英伟达的股价上涨了110％以上，费城半导体指数今年上涨了26％以上，以科技股为主的纳斯达克综合指数上涨了21％。与此同时，道琼斯工业股票平均价格指数上涨0.4％，标准普尔500指数（S&P 500）上涨9％，该指数的30只成份股中包括IBM、英特尔和微软。

金融界2023-05-23

24小时热点