FX168财经网_全球视野外汇黄金加密货币NFT资讯网

AIGC:企业实操应用新纪元

术创新：AI领域的技术创新日新月异，如深度学习、强化学习、迁移学习等。这些创新将推动AI技术不断突破，为投资者带来更多的投资机会。然而，我们也要看到AI发展面临的挑战，如数据安全、隐私保护、伦理道德等问题。因此，在投资AI时，我们需要谨慎评估风险，选择具有核心竞争力和良好发展前景的项目。 iDomCapital联合创始人：Sam 前海WEB3HUB凭借着多年的资源积累与行业经验，为企业提供从创业孵化、行业咨询、投融接洽、合作交流等多方位专业服务。提升企业的行业认知及洞察力，加强企业的行业影响力。前海WEB3HUB汇聚两岸知名专家、学者，通过建立WEB3社交体系，拉近企业与行业顶尖的交流合作，拓展企业的资源网络，打造WEB3可持续发展的生态小区。当今时代，随着WEB3领域的迅猛发展，WEB3将成新时代企业的全新商机及创新机遇。深圳，作为中国最具活力和创新的城市之一，是众多科技公司和初创企业的发源地，其拥有大量的人才和优质的技术生态，为WEB3技术发展提供了优质的创新环境。香港，作为国际金融中心，具有强大的金融和商业基础，吸引了全球的投资企业，其法制稳定、国际化营商环境以及优质的金融服务，为WEB3企业提供了广阔的市场和融资机遇。开启深港两地前店后厂模式,深港两地的互补，将为WEB3的发展和创新提供优质的环境，在这样的背景下，建立一家连接两地资源的企业咨询公司将具有巨大的市场和发展空间。通过优质全面的服务，为企业赋能，为WEB3行业的发展与创新推波助澜，推进两地WEB3行业的持续性发展供出一份力量。前海WEB3HUB成立于2023年，坐落于深圳前海深港合作区，是一家专注于WEB3领域的企业咨询公司，公司秉持着经济共赢、创新驱动、知识共享、小区发展的经营理念，致力打造港深区域WEB3行业资源交流与发展的平台与纽带。紫荆科技创始人：李智豪 Alkaid先生在演讲中强调了旅行行业的应用场景在大型模型时代的重要性。他指出，借助大型模型的强大计算和学习能力，旅行行业可以提供更为个性化和智能化的服务，例如更精准的推荐系统和高效的客户支持，从而提升用户的定制化旅行体验。而大模型将取代旅行行业绝大部分的传统人工服务。 Alkaid先生还分享了紫荆科技团队在大型模型应用方面的实践经验和技术细节。以纯技术人的角度讲解了如何通过地图接口获取数据，训练和微调GLM等模型，以及集成数百个大模型到紫荆智能系统，在0成本的条件下进行前沿领域创业。突出了技术创新和团队协作对于成功实现大型模型应用的重要性。此次演讲不仅为与会者提供了关于大型模型时代下旅行领域应用的实用案例和技术细节，同时也为业内从业者和技术爱好者提供了深入了解大型模型应用的机会。企拼客创始人：姚启诚有着近20年互联网从业经验、曾获得蚂蚁金服开发者大赛一等奖、企拼客科技创始人姚启诚先生，针对目前中小企业内卷加剧、增长乏力的困境，从ChatGPT上线以来通用人工智能所带动的巨大变革，以《中小企业AI+数智化转型：开源大模型的低成本实践之路》为主题，深入浅出的给到场的企业家们阐释了在如今的大模型时代，中小企业如何快速低成本的拥有自己的AI生产力，以及从企业数智化转型角度，结合了几个在姚启诚他们公司的企业AI+智能应用开发的项目案例，分析了当下中小企业基于部署私有化可开源大模型能够为企业降本增效，提升客户体验，获得AI时代的领先优势，构筑企业的竞争壁垒，以及增加企业在资本市场的估值。沙龙的最后，姚启诚先生和现场企业家进行了多轮精彩的现场互动和答疑，并寄语企业家们积极大胆拥抱这千载难逢的人工智能红利：“Ai+千行百业，所有的业务都值得用AI重构一遍！”。本次线下沙龙活动在前海Web3Hub举行，场地坐落于创新科技中心的核心地带。与会者将有机会与行业同仁进行面对面的交流和互动，共同探讨区块链技术在企业实践中的应用和创新。来源：金色财经

金色财经2023-12-08

万众期待的Gemini大模型：比GPT-4强，但强的不多？

据，否则目前也很难去验证。仓促上阵深度学习教父杰夫·辛顿（Geoffrey Hinton）在四月份离开谷歌时对媒体表示 “谷歌一直非常谨慎地向公众发布AI产品，可能发生的坏事太多了，谷歌不想毁了自己的声誉。面对看似不值得信赖或无法销售的技术，谷歌采取了谨慎的态度，因此错过了更关键的机会。” 可能正是因为意识到了这一点，所以谷歌在推动Gemini上线时非常着急。 Gemini最强大的满血版Gemini Ultra，还需要等待几个月才能和公众见面。谷歌称，Ultra版目前只会提供给部分客户、开发者、合作伙伴以及安全与责任专家使用。有分析人士指出，谷歌甚至自己也不了解Gemini Ultra的所有新功能，也没有为Gemini制定出货币化战略。考虑到人工智能模型训练和推理的高昂成本，谷歌可能需要很长时间才能想出盈利策略。会不会是谷歌的营销策略导致了今天产品发布的失败？也许是吧。又或者，打造最先进的生成式人工智能模型真的很难——即使你重组了整个人工智能部门来加快进程，效果可能也不尽如人意。

金融界2023-12-07

盛天网络：公司在今年成立的“AI实验室”时刻保持对AIGC新技术的关注

量游戏文本初翻时的工作效率。由于采用了深度学习算法，我们的AI翻译可以持续地自我学习和自我改进，不断提高翻译的质量。在全球化发行的战略背景下，“无界译境”使公司团队跨越语言障碍，自由地与CP进行跨文化交流，并快速落实本地化。3、在AI客服与审核方面，公司采用AI技术驱动的虚拟助手，可以模拟模拟人类对话方式、进行智能回答，一键解决问题。同时，盛天结合先进的ASR识别技术和文本审核能力，提供全面的音频内容安全智能审核服务。AI客服和审核真正做到全天候、高效率、自动化的处理问题。4、在智能NPC和AI主播方面，公司将持续推进和研究，未来希望通过自然语言处理技术，在游戏和社交场景中为用户配备有情绪、有个性的智能NPC和AI主播。此外，通过深度学习技术，生成出丰富多彩的声音动效，提升游戏的沉浸感和社交的交互感。投资者：你好董秘，我公司常规概念有：创投、网络游戏、云计算、大数据、文化传媒、手机游戏、电子竞技、独角兽概念、快手概念、云游戏、东数西算（算力）、元宇宙、深股通、送转填权、华为概念。最近又加了一个抖音的概念。请问，1.在这些概念中具体哪一个概念是公司最大的利润增长点？2.后续公司的经营方向主要会围绕这些概念的哪几个概念做重要的投入和布局，请举例说明一下，烦请董秘回复一下，谢谢！盛天网络董秘：尊敬的投资者您好，感谢您的关注。盛天网络是国内领先的场景化数字娱乐平台，多年来公司深入布局数字娱乐场景，凭借丰富的行业经验和精准的产品定位，构建了跨场景的平台、内容和服务体系，发展出IP运营、游戏运营与发行、互联网广告和增值业务等主营业务。1、平台：公司平台类产品覆盖云端服务场景、线上娱乐场景以及线下场馆场景，围绕平台，公司不断拓展场景价值，并积极探索链接线上线下、构建VR线下体验场景。2、内容：基于公司的平台，公司通过多种形式为用户提供丰富的娱乐内容。包括但不限于以IP改编游戏方式向用户提供的内容、以独立发行或联合研发或定制开发方式向用户提供的内容、以授权引进方式向用户提供的内容等。3、服务：公司致力于为用户提供更好的数字娱乐体验，除了游戏内容之外，公司还集合了游戏社交、游戏电商、电竞服务等一系列的服务，全方位满足用户需求。投资者：公司游戏有网红推广吗网红能带动游戏流量，推广公司游戏产业发展盛天网络董秘：尊敬的投资者您好，感谢您的关注。公司拥有抖音、虎牙等多个媒体平台的KOL资源，且长期与各平台维持着友好的商业合作。在互联网营销方面，公司具备相关经验，包括与主播等网红合作推广游戏等形式。在游戏发行以及带带电竞、给麦等社交产品推广方面，公司也根据行业动态及公司自身情况制定了相关计划，未来将会根据实际情况推进和执行，感谢您的宝贵建议！投资者：易乐途数字营销平台主要进行哪些营销？盛天网络董秘：尊敬的投资者您好，感谢您的关注。易乐途为各类年轻人打造新一代线下娱乐场景，提供了电商服务、社交服务、电竞服务，也促进各酒店商家精细化管理和智能化转型。着眼于高性能云桌面，集品牌曝光、流量置换、电竞赛事内容管理等功能为一体，有效助力电竞酒店品牌运营，降低内容运营以及电竞活动执行门槛。2022 年 4 月，“易乐途电竞酒店场景解决方案”与腾讯电竞团队、天美电竞团队、王者荣耀团队等多家业内知名团队相关方案一起获得 2022 数字中国创新大赛“电竞+”赛道三等奖。2022 年易乐途牵手美团酒店，打通 OTA 平台、PMS 软件、娱乐平台的全场景数字链路，实现电竞酒店内商户到用户的闭环生态。公司与 XR 行业领先硬件产品 Rokid合作，打造线下 XR 应用场景，满足各阶段客户群体的游玩需求。2023 年上半年，易乐途联手国内最大的连锁电竞酒店“爱电竞”，从内容、技术服务全方位赋能，共建“UU 元宇宙”。易乐途已打通 OTA 平台、PMS 软件、娱乐平台场景数据壁垒，接入游戏、IP、社交、剧本杀、VR/AR 等多种业态。未来将进一步联合产业链上下游，不断拓展服务品类，满足用户电竞、泛娱乐需求，创造感性需求场景，与用户产生更多的行为共振，共创年轻人喜爱的数字娱乐场景。在未来国内电竞酒店覆盖群体规模不断扩大以及下沉市场不断扩展背景下，公司会专注利用自己的优势资源来构建行业的内容和服务生态，预计将为公司带来营收的增加。投资者：运营上涉及AIGC工具的使用吗盛天网络董秘：尊敬的投资者您好，感谢您的关注。公司在今年成立的“AI实验室”时刻保持对AIGC新技术的关注。在AI应用方面，公司“给麦”APP已上架全应用市场，由公司内部成立的“AI实验室”进行优化训练算法后，实现的业内领先的个性化翻唱技术。目前AI歌声进化、AI说唱等功能已成功上线。未来公司将进一步和其他国内大模型公司持续探索合作，围绕社交业务在语音陪伴、多模态AI功能、AI推理和主持等方向，不断拓展社交产品边际，优化玩家体验，丰富产品的可玩性。目前公司已初步构建内部使用的AI-SaaS平台工具，新一代平台工具将应用在公司内部多个版块，包括美术制作、本地化发行、AI客服与审核、智能游戏NPC等。1、在美术制作方面，盛天的美术团队已经建立了AI支持的成熟工业化管线，相比之前已有40-50%的整体效能提升，同时，公司已实现运用自建的AI绘图系统完成大模型及lora的训练，降低了研发类产品的在后期的美术类素材的生产周期，接下来公司将进一步探索AI在视频素材上的运用。2、在本地化发行方面，公司建设了“无界译境”平台，通过AI的应用，初步实现了多语言游戏文本的批量化直译、转译，极大地提升了本地化人员在面对大量游戏文本初翻时的工作效率。由于采用了深度学习算法，我们的AI翻译可以持续地自我学习和自我改进，不断提高翻译的质量。在全球化发行的战略背景下，“无界译境”使公司团队跨越语言障碍，自由地与CP进行跨文化交流，并快速落实本地化。3、在AI客服与审核方面，公司采用AI技术驱动的虚拟助手，可以模拟模拟人类对话方式、进行智能回答，一键解决问题。同时，盛天结合先进的ASR识别技术和文本审核能力，提供全面的音频内容安全智能审核服务。AI客服和审核真正做到全天候、高效率、自动化的处理问题。4、在智能NPC和AI主播方面，公司将持续推进和研究，未来希望通过自然语言处理技术，在游戏和社交场景中为用户配备有情绪、有个性的智能NPC和AI主播。此外，通过深度学习技术，生成出丰富多彩的声音动效，提升游戏的沉浸感和社交的交互感。投资者：王者荣耀有合作吗盛天网络董秘：尊敬的投资者您好，感谢您的关注。今年4月，公司旗下易乐途平台与腾讯游戏人生合作打造电竞酒店专属的王者荣耀礼盒，将游戏福利和易乐途产品结合精准推送，吸引电竞酒店玩家到店游玩领取福利。通过高效连接游戏内容和平台资源，易乐途为电竞酒店品牌客户权益赋能，腾讯王者人生也帮助易乐途挖掘潜在电竞酒店品牌客户并高效推动转化。另外，易乐途还联合湖北武汉头部连锁电竞酒店品牌EHA举办王者荣耀门店赛，腾讯王者人生授权热门手游及提供专业的赛事服务。未来公司将持续丰富电竞酒店内容生态，拓宽线下场景应用边界，与合作伙伴共同打造深受玩家喜爱的社交空间。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2023-12-07

太极股份取得一种低代码模版自动挖掘与复用的专利，实现更智能与高效的代码模版管理与重用方式

等问题。本发明利用自动化标注技术，采用深度学习算法训练标注模型，使用基于ALBERT与TextCNN的多标签文本分类技术进行代码模版标注模型训练，生成的分类标注模型的分类准确率高、推理速度快。这样，实现了规模化的模版分类标注，通过使用人工智能技术实现自动化标注，以及基于模版的深度理解与推荐，实现了更智能与高效的代码模版管理与重用方式，减少重复劳动，提高开发效率。

金融界2023-12-06

OPPO取得模型量化方法专利，能平衡量化后的超分辨率模型的运算精度和量化后的模型的占用存储空间

可读存储介质。所述方法包括：将图像输入深度学习模型中，获取深度学习模型对图像的分辨率进行处理所需的时延和功耗；根据时延、功耗、原始网络参数和强化学习算法训练深度学习模型，得到深度学习模型的各网络层的目标量化位宽；根据各网络层的目标量化位宽，对目标量化位宽对应的深度学习模型各网络层的权重和激活值进行量化，得到分辨率模型。采用本方法可以平衡量化后的超分辨率模型的运算精度和量化后的模型的占用存储空间。

金融界2023-12-06

Footprint Analytics x Future3 Campus联合发布AI与Web3研究报告

开始更广泛地应用在各行各业。到如今，深度学习和生成式人工智能爆发，带给了人们无限可能性，其中的每一步都充满了不断的挑战与创新，以追求更高的智能水平和更广泛的应用领域。图 1：AI 发展历程 2022 年 11 月 30 日，ChatGPT 面世，首次展示了 AI 与人类低门槛、高效率交互的可能性。ChatGPT 引发了对人工智能的更广泛探讨，重新定义了与 AI 互动的方式，使其变得更加高效、直观和人性化，也推动了人们对更多生成式人工智能的关注，Anthropic（Amazon）、DeepMind（Google）、Llama 等模型也随后进入人们的视野。与此同时，各行各业的从业者也开始积极探索 AI 会如何推动他们所在领域的发展，或者寻求通过与 AI 技术的结合在行业中脱颖而出，进一步加速了 AI 在各个领域的渗透。 1.2 AI 与 Web3 的交融 Web3 的愿景从改革金融体系开始，旨在实现更多的用户权力，并有望引领现代经济和文化的转变。区块链技术为实现这一目标提供了坚实的技术基础，它不仅重新设计了价值传输和激励机制，还为资源分配和权力分散提供了支持。图 2：Web3 发展历程早在 2020 年，区块链领域的投资公司 Fourth Revolution Capital（4RC）就曾指出，区块链技术将和 AI 结合，通过对金融、医疗、电子商务、娱乐等全球行业的去中心化，以实现对现有行业的颠覆。目前，AI 与 Web3 的结合，主要是两大方向：利用 AI 去提升生产力以及用户体验。结合区块链透明、安全、去中心化存储、可追溯、可验证的技术特点，以及 Web3 去中心化的生产关系，解决传统技术无法解决的痛点或者激励社区参与，提高生产效率。市场上 AI 与 Web3 的结合有以下的一些探索方向：图 3：AI 与 Web3 结合全景图数据：区块链技术可以应用在模型数据存储上，提供加密数据集，保护数据隐私和记录模型使用数据的来源、使用情况，以及校验数据的真实性。通过访问和分析存储在区块链上的数据，AI 可以提取有价值的信息，并用于模型训练和优化。同时，AI 也可以作为数据生产工具，去提高 Web3 数据的生产效率。算法：Web3 中的算法可以为 AI 提供更安全、可信和自主控制的计算环境，为 AI 体统提供加密保障，在模型参数上，内嵌安全防护栏，防止系统被滥用或者恶意操作。AI 可以与 Web3 中的算法进行交互，例如利用智能合约执行任务、验证数据和执行决策。同时，AI 的算法也可以为 Web3 提供更智能化和高效的决策和服务。算力：Web3 的分散式计算资源可以为 AI 提供高性能的计算能力。AI 可以利用 Web3 中的分散式计算资源进行模型的训练、数据分析和预测。通过将计算任务分发到网络上的多个节点，AI 可以加快计算速度，并处理更大规模的数据。在本文中，我们将重点探索如何利用 AI 的技术，去提升 Web3 数据的生产效率以及使用体验。 Web3数据现状 2.1 Web2 & Web3 数据行业对比作为 AI 最核心的组成部分“数据”，在 Web3 跟我们熟悉的 Web2 很着很多的区别。差异主要是在于 Web2 以及 Web3 本身的应用架构导致其产生的数据特征有所不同。 2.1.1 Web2 & Web3 应用架构对比图 4：Web2 & Web3 应用架构在 Web2 架构中，通常是由单一实体（通常是一家公司）来控制网页或者 APP，公司对于他们构建的内容有着绝对的控制权，他们可以决定谁可以访问其服务器上的内容和逻辑，以及用户拥有怎样的权益，还可以决定这些内容在网上存在的时长。不少案例表明，互联网公司有权改变其平台上的规则，甚至中止为用户提供服务，而用户对此无法保留所创造的价值。而 Web3 架构则借助了通用状态层（Universal State Layer）的概念，将一部分或者全部的内容和逻辑放置在公共区块链上。这些内容和逻辑是公开记录在区块链上的，可供所有人访问，用户可以直接控制链上内容和逻辑。而在 Web2 中，用户需要帐户或 API 密钥才能与区块链上的内容进行交互。用户可以直接控制其对应的链上内容和逻辑。不同于 Web2，Web3 用户无需授权帐户或 API 密钥就能与区块链上的内容进行交互（特定管理操作除外）。 2.1.2 Web2 与 Web3 数据特征对比图 5：Web2 与 Web3 数据特征对比 Web2 数据通常表现为封闭和高度受限的，具有复杂的权限控制，高度成熟、多种数据格式、严格遵循行业标准，以及复杂的业务逻辑抽象。这些数据规模庞大，但互操作性相对较低，通常存储在中央服务器上，且不注重隐私保护，大多数是非匿名的。相比之下，Web3 数据更加开放，访问权限更广泛，尽管成熟度较低，以非结构化数据为主，标准化较为罕见，业务逻辑抽象相对简化。Web3 的数据规模相对 Web2 较小，但它具有较高的互操作性（比如 EVM 兼容），并可分散或集中存储数据，同时强调用户隐私，用户通常采用匿名方式进行链上交互。 2.2 Web3 数据行业现状与前景，以及遇到的挑战在 Web2 时代，数据如石油的“储量”般珍贵，访问和获取大规模数据一直是极大的挑战。在 Web3 中，数据的开放性和共享性一下子让大家觉得“石油到处都是”，使得 AI 模型能够更轻松地获取更多的训练数据，这对于提高模型性能和智能水平至关重要。但对 Web3 这个“新石油” 的数据处理依然有很多问题待解决，主要有以下几个：数据来源：链上数据“标准”繁杂分散，数据处理花费大量人工成本处理链上数据时，需要反复执行耗时而劳动密集的索引过程，需要开发者和数据分析师花费大量时间和资源来适应不同链、不同项目之间的数据差异。链上数据行业缺乏统一的生产和处理标准，除了记录到区块链账本上的，events，logs，and traces 等都基本上是项目自己定义和生产（或生成）的，这导致非专业交易者很难辨别并找到最准确和可信的数据，增加了他们在链上交易和投资决策中的困难。比如，去中心化交易所 Uniswap 和 Pancakeswap 就有可能在数据处理方法和数据口径上存在差异，过程中的检查和统一口径等工序进一步加大了数据处理的复杂性。数据更新：链上数据体量大且更新频率高，难以及时地处理成结构化数据区块链是时刻变动的，数据更新以秒甚至毫秒级别计。数据的频繁产生和更新使其难以维持高质量的数据处理和及时的更新。因此，自动化的处理流程是十分重要的，这也是对于数据处理的成本和效率的一大挑战。Web3 数据行业仍处于初级阶段。随着新合约的层出不穷和迭代更新，数据缺乏标准、格式多样，进一步增加了数据处理的复杂性。数据分析：链上数据的匿名属性，导致数据身份难以区分链上数据通常不包含足够的信息来清晰识别每个地址的身份，这使得数据在与链下的经济、社会或法律动向难以联动。但是链上数据的动向与现实世界紧密相关，了解链上活动与现实世界中特定个体或实体的关联性对于特定的场景比如数据分析来说十分重要。随着大语言模型（LLM）技术引发的生产力变更讨论，能否利用 AI 来解决这些挑战也成为 Web3 领域的一个焦点关注之一。 AI 与 Web3 数据碰撞产生的化学反应 3.1 传统 AI 与 LLM 的特征对比在模型训练方面，传统 AI 模型通常规模较小，参数数量在数万到数百万之间，但为了确保输出结果的准确性，需要大量的人工标注数据。LLM 之所以如此强大，部分原因在于其使用了海量的语料拟合百亿、千亿级以上的参数，极大地提升了它对自然语言的理解能力，但这也意味着需要更多的数据来进行训练，训练成本相当高昂。在能力范围和运行方式上，传统 AI 更适合特定领域的任务，能够提供相对精准和专业的答案。相比之下，LLM 更适合通用性任务，但容易产生幻觉问题，这意味着在一些情况下，它的回答可能不够精确或专业，甚至完全错误。因此，如果需要和客观，可信任，和可以追溯的结果，可能需要进行多次检查、多次训练或引入额外的纠错机制和框架。图 6：传统 AI 与大模型语言模型（LLM）的特征对比 3.1.1 传统 AI 在 Web3 数据领域的实践传统 AI 已经在区块链数据行业展现了其重要性，为这一领域带来了更多创新和效率。例如，0xScope 团队采用 AI 技术，构建了基于图计算的群集分析算法，通过不同规则的权重分配来帮助准确识别用户之间的相关地址。这种深度学习算法的应用提高了地址群集的准确性，为数据分析提供了更精确的工具。Nansen 则将 AI 用于 NFT 价格预测，通过数据分析和自然语言处理技术，提供有关 NFT 市场趋势的见解。另一方面，Trusta Labs使用了基于资产图谱挖掘和用户行为序列分析的机器学习方法，以增强其女巫检测解决方案的可靠性和稳定性，有助于维护区块链网络生态的安全。另一方面，Trusta Labs 采用了图挖掘和用户行为分析的方法，以增强其女巫检测解决方案的可靠性和稳定性，有助于维护区块链网络的安全。Goplus 在其运营中利用传统人工智能来提高去中心化应用程序（dApps）的安全性和效率。他们收集和分析来自 dApp 的安全信息，提供快速风险警报，帮助降低这些平台的风险敞口。这包括通过评估开源状态和潜在恶意行为等因素来检测 dApp 主合同中的风险，以及收集详细的审计信息，包括审计公司凭证、审计时间和审计报告链接。Footprint Analytics 则使用 AI 生成生产结构化数据的代码，分析 NFT 交易 Wash trading 交易以及机器人账户筛选排查。然而，传统 AI 拥有的信息有限，专注于使用预定的算法和规则执行预设任务，而 LLM 则通过大规模的自然语言数据学习，可以理解和生成自然语言，这使其更适合处理复杂且巨量的文本数据。最近，随着 LLM 取得了显著进展，人们对 AI 与 Web3 数据的结合，也进行了一些新的思考与探索。 3.1.2 LLM 的优势 LLM 相对于传统人工智能具有以下优势：可扩展性：LLM 支持大规模数据处理 LLM 在可扩展性方面表现出色，能够高效处理大量数据和用户互动。这使其非常适合处理需要大规模信息处理的任务，如文本分析或者大规模数据清洗。其高度的数据处理能力为区块链数据行业提供了强大的分析和应用潜力。适应性：LLM 可学习适应多领域需求 LLM 具备卓越的适应性，可以为特定任务进行微调或嵌入行业或私有数据库，使其能够迅速学习和适应不同领域的细微差别。这一特性使 LLM 成为了解决多领域、多用途问题的理想选择，为区块链应用的多样性提供了更广泛的支持。提高效率：LLM 自动化任务提高效率 LLM 的高效率为区块链数据行业带来了显著的便利。它能够自动化原本需要大量人工时间和资源的任务，从而提高生产力并降低成本。LLM 可以在几秒内生成大量文本、分析海量数据集，或执行多种重复性任务，从而减少了等待和处理时间，使区块链数据处理更加高效。任务分解：可以生成某些工作的具体计划，把大的工作分成小步骤 LLM Agent 具备独特的能力，即可以生成某些工作的具体计划，将复杂任务分解为可管理的小步骤。这一特性对于处理大规模的区块链数据和执行复杂的数据分析任务非常有益。通过将大型工作分解成小任务，LLM 可以更好地管理数据处理流程，并输出高质量的分析。这一能力对于执行复杂任务的 AI 系统至关重要，例如机器人自动化、项目管理和自然语言理解与生成，使其能够将高级任务目标转化为详细的行动路线，提高任务执行的效率和准确性。可访问性和易用性：LLM 以自然语言提供用户友好互动 LLM 的可访问性使更多用户能够轻松与数据和系统进行互动，让这些互动更加用户友好。通过自然语言，LLM 使数据和系统更容易访问和交互，无需用户学习复杂的技术术语或特定命令，例如，SQL，R，Python 等来做数据获取和分析。这一特性拓宽了区块链应用的受众范围，让更多的人能够访问和使用 Web3 应用和服务，不论他们是否精通技术，从而促进了区块链数据行业的发展和普及。 3.2 LLM 与 Web3 数据的融合图 7：区块链数据与 LLM 的融合大型语言模型的培训需要依赖大规模数据，通过学习数据中的模式来建立模型。区块链数据中蕴含的交互和行为模式是 LLM 学习的燃料。数据量和质量也直接影响 LLM 模型的学习效果。数据不仅仅是 LLM 的消耗品，LLM 还有助于生产数据，甚至可以提供反馈。例如，LLM 可以协助数据分析师在数据预处理方面做出贡献，如数据清洗和标注，或者生成结构化数据，清除数据中的噪声，凸显有效信息。 3.3 增强 LLM 的常用技术解决方案 ChatGPT 的出现，不仅向我们展示了 LLM 解决复杂问题的通用能力，同时也引发了全球范围的，对在通用能力上去叠加外部能力的探索。这里包括，通用能力的增强（包括上下文长度、复杂推理、数学、代码、多模态等）以及外部能力的扩充（处理非结构化数据、使用更复杂的工具、与物理世界的交互等）。如何将 crypto 领域的专有知识以及个人的个性化私有数据嫁接到大模型的通用能力上，是大模型在 crypto 垂直领域商业化落地的核心技术问题。目前，大多数应用都集中在检索增强生成（RAG）上，比如提示工程和嵌入技术，已经存在的代理工具也大多都聚焦于提高 RAG 工作的效率和准确性。市场上主要的基于 LLM 技术的应用栈的参考架构有以下几种： Prompt Engineering 图 8：Prompt Engineering 当前，大多数从业者在构建应用时采用基础解决方案，即 Prompt Engineering。这一方法通过设计特定的 Prompt 来改变模型的输入，以满足特定应用的需求，是最方便快捷的做法。然而，基础的 Prompt Engineering 存在一些限制，如数据库更新不及时、内容冗杂、以及对输入上下文长度（In-Context Length）的支持和多轮问答的限制。因此，行业内也在研究更先进的改进方案，包括嵌入（Embedding）和微调（Fine-tuning）。嵌入（Embedding）嵌入（Embedding）是一种广泛应用于人工智能领域的数据表示方法，能高效捕获对象的语义信息。通过将对象属性映射成向量形式，嵌入技术能够通过分析向量之间的相互关系，快速找到最有可能正确的答案。嵌入可以在 LLM 的基础上构建，以利用该模型在广泛语料上学到的丰富语言知识。通过嵌入技术将特定任务或领域的信息引入到预训练的大模型中，使得模型更专业化，更适应特定任务，同时保留了基础模型的通用性。用通俗的话来讲，嵌入就类似于你给一个经过综合训练的大学生一本工具书，让他拿着拥有特定任务相关知识的工具书去完成任务，他可以随时查阅工具书，然后可以解决特定的问题。微调（Fine-tuning）图 9：Fine Tuning 微调（Fine-tuning）与嵌入不同，通过更新已经预训练的语言模型的参数，使其适应特定任务。这种方法允许模型在特定任务上表现出更好的性能，同时保持通用性。微调的核心思想是调整模型参数，捕捉与目标任务相关的特定模式和关系。但微调的模型通用能力上限仍然受限于基座模型本身。用通俗的话来讲，微调就类似于给经过综合训练的大学生上专业知识课程，让他掌握除了综合能力以外的专业课知识，能自行解决专业板块的问题。重新训练 LLM 当前的 LLM 虽然强大，但不一定能够满足所有需求。重新训练 LLM 是一种高度定制化的解决方案，通过引入新数据集和调整模型权重，使其更适应特定任务、需求或领域。然而，这种方法需要大量计算资源和数据，并且管理和维护重新训练后的模型也是挑战之一。 Agent 模型图 10：Agent 模型 Agent 模型是一种构建智能代理的方法，它以 LLM 作为核心控制器。这个系统还包括几个关键组成部分，以提供更全面的智能。 Planning，规划：将大任务分成小任务，这样更容易完成 Memory，反思：通过反思过去的行为，改进未来的计划 Tools，工具使用：代理可以调用外部工具获取更多信息，如调用搜索引擎、计算器等人工智能代理模型具备强大的语言理解和生成能力，能够解决通用问题，进行任务分解以及自我反思。这使得它在各种应用中都有广泛的潜力。然而，代理模型也存在一些局限性，例如受到上下文长度的限制、长期规划和任务拆分容易出错、输出内容的可靠性不稳定等问题。这些局限性需要长期不断的研究和创新，以进一步拓展代理模型在不同领域的应用。以上的各种技术并不是相互排斥的，它们可以在训练和增强同一个模型的过程中一起使用。开发者可以充分发挥现有大语言模型的潜力，尝试不同的方法，以满足日益复杂的应用需求。这种综合使用不仅有助于提高模型的性能，还有助于推动 Web3 技术的快速创新和进步。然而，我们认为，虽然现有的 LLM 已经在 Web3 的快速发展中发挥了重要作用，但在充分尝试这些现有模型（如 OpenAI、Llama 2 以及其他开源 LLM）之前，我们可以从浅入深，从 prompt engineering 和嵌入等 RAG 策略入手，谨慎考虑微调和重新训练基础模型。 3.4 LLM 如何加速区块链数据生产的各个流程 3.4.1 区块链数据的一般处理流程当今，区块链领域的建设者逐渐认识到数据产品的价值。这一价值覆盖了产品运营监控、预测模型、推荐系统以及数据驱动的应用程序等多个领域。尽管这一认知逐渐增强，但作为数据获取到数据应用中不可或缺的关键步骤，数据处理往往被忽视。图 12：区块链数据处理流程将区块链原始非结构化数据，如 events 或 logs 等，转换为结构化的数据区块链上的每一笔交易或事件都会生成 events 或 logs，这些数据通常是非结构化的。这一步骤是获取数据的第一入口，但数据仍然需要被进一步处理以提取有用信息，得到结构化的原始数据。这包括整理数据、处理异常情况和转化为通用格式。将结构化的原始数据，转换为具有业务意义的抽象表在得到结构化原始数据后，需要进一步进行业务抽象，将数据映射到业务实体和指标上，比如交易量、用户量等业务指标，将原始数据转化为对业务和决策有意义的数据。从抽象表中，计算提取业务指标有了抽象的业务数据后，可以在业务抽象的数据上进行进一步计算，就可以得出各种重要的衍生指标。例如交易总额的月增长率、用户留存率等核心指标。这些指标可以借助 SQL、Python 等工具实现，更加有可能帮助监控业务健康、了解用户行为和趋势，从而支持决策和战略规划。 3.4.2 区块链数据生成流程加入 LLM 后的优化 LLM 在区块链数据处理中可以解决多个问题，包括但不限于以下内容：处理非结构化数据：从交易日志和事件中提取结构化信息：LLM 可以分析区块链的交易日志和事件，提取其中的关键信息，如交易金额、交易方地址、时间戳等，将非结构化数据转化为的带有业务意义的数据，使其更易于分析和理解。清洗数据，识别异常数据：LLM 可以自动识别和清洗不一致或异常的数据，帮助确保数据的准确性和一致性，从而提高数据质量。进行业务抽象：将原始链上数据映射到业务实体：LLM 可以将原始区块链数据映射到业务实体，例如将区块链地址映射到实际用户或资产，从而使业务处理更加直观和有效。处理非结构化链上内容，打标签：LLM 可以分析非结构化数据，如 Twitter 情感分析结果，将其标记为正面、负面或中性情感，从而帮助用户更好地理解社交媒体上的情感倾向。自然语言解读数据：计算核心指标：基于业务抽象，LLM 可以计算核心业务指标，如用户交易量、资产价值、市场份额等，以帮助用户更好地了解其业务的关键性能。查询数据：LLM 可以通过 AIGC，理解用户意图，生成 SQL 查询，使用户能够以自然语言提出查询请求，而不必编写复杂的 SQL 查询语句。这增加了数据库查询的可访问性。指标选择、排序和相关性分析：LLM 可以帮助用户选择、排序和分析不同的多个指标，以更好地理解它们之间的关系和相关性，从而支持更深入的数据分析和决策制定。产生业务抽象的自然语言描述：LLM 可以根据事实数据，生成自然语言摘要或解释，以帮助用户更好地理解业务抽象和数据指标，提高可解释性，并使决策更具合理性。 3.5 目前用例根据 LLM 自身的技术以及产品体验优势，它可以被应用到不同的链上数据场景，技术上从易到难可以将这些场景分成四类：数据转换：进行数据增强、重构等操作，如文本摘要、分类、信息抽取。这类应用开发较快，但更适合通用场景，不太适合大量数据的简单批量化处理。自然语言接口：将 LLM 连接知识库或工具，实现问答或基本工具使用的自动化。这可以用于构建专业聊天机器人，但其实际价值受其所连接的知识库质量等其他因素影响。工作流自动化：使用 LLM 实现业务流程的标准化和自动化。这可以应用于较复杂的区块链数据处理流程，如解构智能合约运行过程、风险识别等。协助机器人与助手辅助系统：辅助系统是在自然语言接口的基础上，集成更多数据源和功能的增强系统，大幅提高用户工作效率。图 11：LLM 应用场景 3.6 LLM 的局限性 3.6.1 行业现状：成熟应用、正在攻克的问题以及尚未解决的挑战在 Web3 数据领域，尽管已经取得了一些重要的进展，但仍然面临一些挑战。相对成熟的应用：使用 LLM 进行信息处理：LLM 等 AI 技术已成功用于生成文本摘要、总结、解释等工作，帮助用户从长篇文章、专业报告中提取关键信息，提高了数据的可读性和可理解性。使用 AI 解决开发问题：LLM 已经应用于解决开发过程中的问题，例如替代StackOverflow 或搜索引擎，为开发者提供问题解答和编程支持。有待解决与正在探索的问题：利用 LLM 生成代码：行业正在努力将 LLM 技术应用于自然语言到 SQL 查询语言的转换，以提高数据库查询的自动化和可理解性。然而，过程中会有很多困难，比如在某些情境下，生成的代码要求极高的准确性，语法必须百分之百正确，以确保程序能够无 bug 运行，并获得正确的结果。难点还包括确保问题回答的成功率、正确率，以及对业务的深刻理解。数据标注问题：数据标注对于机器学习和深度学习模型的训练至关重要，但在 Web3 数据领域，特别是处理匿名的区块链数据时，标注数据的复杂性较高。准确性和幻觉（Hallucination）问题：AI 模型中幻觉的出现可能受多因素影响，包括有偏见或不足的训练数据、过度拟合、有限的上下文理解、缺乏领域知识、对抗性攻击和模型架构。研究人员和开发者需要不断改进模型的训练和校准方法，以提高生成文本的可信度和准确性。利用数据进行业务分析和文章输出：将数据用于业务分析和生成文章仍然是一个具有挑战性的问题。问题的复杂性、需要精心设计的提示（prompt）、以及高质量的数据、数据量、减少幻觉问题的方法都是待解决的问题。根据业务领域自动索引智能合同数据以进行数据抽象：自动为不同业务领域的智能合同数据建立索引以进行数据抽象仍然是一个未解决的问题。这需要综合考虑不同业务领域的特点，以及数据的多样性和复杂性。处理时序数据，表格文档数据等更复杂的模态：DALL·E 2 等多模态模型非常擅长在文字生成图像、语音等常见模态。而在区块链以及金融领域需要特别地对待一些时序数据，而非简单地把文本向量化就能解决。联和时序数据与文本，跨模态联合训练等，是实现数据智能分析以及应用的重要研究方向。 3.6.2 为何只靠 LLM 不能完美解决区块链数据行业的问题作为语言模型，LLM 更适用于处理对流畅度要求较高的场景，而在追求准确性方面，可能需要对模型进行更进一步的调整。在将 LLM 应用于区块链数据行业时，以下框架可提供一些参考。图 13：区块链数据行业下 LLM 输出的流畅性、准确性和用例风险在评估 LLM 在不同应用中的适用性时，关注流畅度和准确性是至关重要的。流畅度指的是模型的输出是否自然、通顺，准确性则表示模型的答案是否准确。这两个维度在不同应用场景中有不同的要求。对于流畅度要求较高的任务，如自然语言生成、创意写作等，LLM 通常能够胜任，因为其在自然语言处理方面的强大性能使其能够生成流畅的文本。区块链数据面临着数据解析、数据处理、数据应用等多方面的问题。LLM 拥有卓越的语言理解和推理能力，使其成为与区块链数据互动、整理和概括的理想工具。然而，LLM 并不能解决所有区块链数据领域的问题。在数据处理方面，LLM 更适合快速迭代和探索性处理链上数据，不断尝试新的处理方法。然而，LLM 在生产环境中的详细核对等任务方面仍存在一些限制。典型的问题是 token 长度不够，无法应对长上下文的内容。耗时的 prompt，回答不稳定影响下游任务进而导致成功率不稳定的问题，以及执行大批量任务的效率不高。其次，LLM 处理内容的过程中很可能出现幻觉问题。据估计，ChatGPT 的幻觉概率约为 15% 至 20%，而由于其处理过程的不透明性，很多错误难以察觉。因此，框架的建立和专家知识的结合变得至关重要。此外，LLM 结合链上数据还是有很多挑战：链上数据实体类型多、数量庞大，以何种形式投喂给 LLM，有效地运用在具体的商业化场景，类似其他垂直行业，需要更多研究和探索。链上数据包括结构化和非结构化数据，目前行业大多数数据解决方案，都是基于对业务数据的理解。解析链上数据的过程中，用 ETL 去过滤，清洗，补充和复原业务逻辑，进一步把非结构化数据整理为结构化数据，可以为后期多种业务场景提供更高效的分析。比如，结构化的 DEX trades，NFT marketplace transactions，wallet address portfolio 等，就具有前面提到的高质量，高价值，准确和真实等特点，可以给通用 LLM 提供高效的补充。被误解的 LLM LLM 可以直接处理非结构化数据，因此结构化数据将不再被需要？ LLM 通常基于海量文本数据预训练而来，天然适合处理各类非结构化的文本数据。然而，各个行业已经拥有大量结构化数据，尤其 Web3 领域中解析后的数据。如何有效的利用这些数据，增强 LLM，是一个行业的热门研究课题。对于 LLM，结构化数据仍然具有以下的优势：海量：大量的数据储存在各种应用背后的数据库和其他标准格式里面，特别是私有数据。每个公司和行业都还有大量 LLM 没有用于预训练的墙内数据。已有：这些数据不需要重新生产，投入成本极低，唯一的问题是怎么用起来。高质量和高价值：领域内长期积累的，蕴含专家的专业知识，通常都沉淀到了结构化数据里面，用于产学研。结构化数据的质量是数据可用性的关键，其中包括数据的完整性、一致性、准确性、唯一性和事实性。高效率：结构化数据以表格、数据库或其他规范格式存储，模式是预先定义的，并且在整个数据集中保持一致。这意味着数据的格式、类型和关系都是可预测和可控的，使得数据的分析和查询更加简单和可靠。而且，行业已经有成熟的 ETL 及各种数据处理和管理工具，使用起来也更加高效和便捷。LLM 可以通过 API，把这些数据使用起来。准确性和事实性：LLM 的文本数据，基于 token 概率，目前还不能稳定的输出确切的答案，产生的幻觉问题一直是 LLM 要解决的核心根本问题。对于很多行业和场景，会形成安全和可靠性问题，比如，医疗，金融等。结构化数据，正是可以辅助和矫正LLM 这些问题的一个方向。体现关系图谱，和特定业务逻辑：不同类型的结构化数据，可以以特定的组织形式（关系型数据库，图数据库等），输入到 LLM，解决不同类型的领域问题。结构化数据使用标准化的查询语言（如 SQL），使得对数据进行复杂的查询和分析变得更加高效和准确。知识图谱 (Knowledge Graph) 可以更好地表达实体之间的关系，也更容易进行关联查询。使用成本低：不用 LLM 每次重新从底层重新训练整个底座模型，可以结合 Agents 和LLM API 等 LLM 赋能方式，更快更低成本的接入 LLM。目前市场上还有一些脑洞大开的观点，认为 LLM 在处理文本信息和非结构化信息方面的能力极强，只需将原始数据，包括非结构化数据，简单导入到 LLM，就能达到目的。这个想法类似于要求通用 LLM 解数学题，在没有专门构建数学能力模型的情况下，大多数 LLM 可能会在处理简单的小学加减题时出错。反而，建立类似数学能力模型，和图像生成模型的 Crypto LLM 垂直模型，才是解决 LLM 在 Crypto 领域更落地的实践。 4.2 LLM 可以从新闻、推特等文字信息推测内容，人们不再需要链上数据分析来得出结论？ LLM 虽然可以从新闻、社交媒体等文本中获得信息，但直接从链上数据中获得的洞察仍然是不可或缺的，主要原因有: 链上数据是原始的第一手资讯，而新闻和社交媒体中的信息可能存在片面性或误导性。直接分析链上数据可以减少信息偏差。尽管利用 LLM 进行文本分析存在理解偏差的风险，但直接分析链上数据可以减少误读。链上数据包含全面的历史交互和交易记录，分析可以发现长期趋势和模式。链上数据还可以展现整个生态系统的全貌，如资金流向、各方关系等。这些宏观的洞察有助于更深入地理解状况。而新闻和社交媒体信息通常更零散且短期。链上数据是开放的。任何人都可以验证分析结果，避免信息的不对称。而新闻和社交媒体未必都如实披露。文本信息和链上数据可以相互验证。综合两者可以形成更立体和准确的判断。链上数据分析仍是不可或缺的。LLM 从文本中获取信息具有辅助作用，但不能取代直接分析链上数据。充分利用两者优势才能取得最佳效果。 4.3 利用 LangChain、LlamaIndex 或其他 AI 工具，在 LLM 的基础上构建区块链数据解决方案非常容易？ LangChain 和 LlamaIndex 等工具为构建自定义的简单 LLM 应用提供了便利，使快速搭建成为可能。然而，将这些工具成功应用于实际生产环境中涉及到更多的挑战。构建一个高效运行、保持高质量的 LLM 应用是一项复杂的任务，需要深入理解区块链技术和 AI 工具的工作原理，并有效地将它们整合在一起。这对于区块链数据行业来说，是一项重要但具有挑战性的工作。在这个过程中，必须认识到区块链数据的特性，它要求极高的精准性和可重复校验性。一旦数据通过 LLM 进行处理和分析，用户对其准确性和可信度有很高的期望。这与 LLM 的模糊容错性之间存在着潜在的矛盾。因此，在构建区块链数据解决方案时，必须仔细权衡这两方面的需求，以满足用户的期望。当前市场上，虽然已经有了一些基础工具，但这个领域仍在快速演进和不断迭代。类比于 Web2 世界的发展历程，从最初的 PHP 编程语言到更成熟、可扩展的方案如 Java、Ruby、Python，以及 JavaScript 和 Node.js 等，再到 Go 和 Rust 等新兴技术，都经历了不断的演变。AI 工具也在不断变化，新兴的 GPT 框架如 AutoGPT，Microsft AutoGen，及最近OpenAI 自己推出的 ChatGPT 4.0 Turbo 的 GPTs 和 Agents 等只是展示了未来可能性的一部分。这表明，区块链数据行业和 AI 技术都还有许多发展空间，需要不断努力和创新。当前在应用 LLM 时，有两个陷阱需要特别注意：期望值过高：很多人认为 LLM 可以解决一切问题，但实际上 LLM 有明显的局限性。它需要大量的计算资源，训练成本高昂，而且训练过程可能不稳定。对 LLM 的能力要有现实的期望，明白它在某些场景下表现出色，如自然语言处理和文本生成，但在其他领域可能无法胜任。忽视业务需求：另一个陷阱是强行应用 LLM 技术，而不充分考虑业务需求。在应用 LLM 之前，务必明确具体的业务需求。需要评估 LLM 是否是最佳技术选择，并做好风险评估和控制。强调 LLM 的有效应用需要根据实际情况慎重考虑，避免误用。尽管 LLM 在许多领域都具备巨大潜力，但开发者和研究者在应用 LLM 时需要保持谨慎，采取开放的探索态度，以找到更适合的应用场景并最大程度地发挥其优势。关于Footprint Analytics Footprint Analytics是一家区块链数据解决方案提供商。借助尖端的人工智能技术，我们提供 Crypto 领域首家支持无代码数据分析平台以及统一的数据 API，让用户可以快速检索超过 30 条公链生态的 NFT，GameFi 以及钱包地址资金流追踪数据。关于Future3 Campus Future3 Campus是由万向区块链实验室和HashKey Capital共同发起的Web3.0创新孵化平台，重点聚焦Web3.0 Massive Adoption、DePIN、AI三大赛道，以上海、粤港澳大湾区、新加坡为主要孵化基地，辐射全球Web3.0生态。同时，Future3 Campus将推出首期5000万美金的种子基金用于Web3.0项目孵化，真正服务于Web3.0领域的创新创业。来源：金色财经

金色财经2023-12-06

通用汽车取得深度学习专利，能有效去混叠和配置雷达系统

得一项名为“用于去混叠和配置雷达系统的深度学习“，授权公告号CN111521998B，申请日期为2020年2月。专利摘要显示，雷达系统中的深度学习包括从第一雷达系统中获取未混叠时间样本。一种方法包括：对未混叠时间样本进行欠采样以获得第一配置的混叠时间样本；对未混叠时间样本进行匹配滤波以获取未混叠数据立方体并且对混叠时间样本进行匹配滤波以获得混叠数据立方体；以及使用第一神经网络来获得去混叠数据立方体。训练第一神经网络以获得训练的第一神经网络。重复未混叠时间样本的欠采样，以获得第二配置的第二混叠时间样本。该方法包括训练第二神经网络以获得训练的第二神经网络，比较结果以选择与选择的配置相对应的选择的神经网络，以及将选择的神经网络与具有选择的配置的第二雷达系统一起使用以检测一个或多个物体。

金融界2023-12-05

腾讯公司取得音频转视频专利，能够将用户输入的音频转化成相应的视频内容

取的文本信息进行关键字识别与提取；使用深度学习技术识别音频信息；利用深度学习技术，基于视频理解，对视频大数据集自动打标签；在视频大数据集标签系统中，进行标签检索匹配，输出匹配度高的视频数据；将提取出的文本信息生成为字幕信息；将视频、字幕、音频合并，生成推荐视频；本发明能够将用户输入的音频转化成相应的视频内容，极大地减少人工合成视频的时间成本，提高内容创作效率。

金融界2023-12-05

三星取得深度学习训练专利，实现对图像或音频特征的精准分类

告，三星电子株式会社取得一项名为“用于深度学习训练的方法和设备“，授权公告号CN108229649B，申请日期为2017年9月。专利摘要显示，描述用于深度学习训练的方法和设备。在一个方面，使用软标签对诸如图像中的检测边界框或输入音频特征的音素的候选单元进行分类，其中，在图像的情况下，标签至少具有基于检测边界框与一个或多个类的地面实况边界框的重叠的0到1之间的可能的值的范围。

金融界2023-12-05

人工智能技术重塑工业PaaS低代码开发平台，提升工业互联网平台应用创建能力

业性的大模型。人工智能大模型能够基于深度学习的自然语言处理技术，可以理解和生成人类语言文本。将其应用于工业APP开发领域，使开发者通过自然语言指令来进行零错误的开发，大大提高了开发效率和准确性。同时，大模型还能够帮助开发者从大量数据中提取有用的信息，为APP提供更准确、更智能的功能。据麦肯锡公司进行的研究表明，人工智能技术可通过全自动化、动态监控等方式提高各生产环节的效率，实现降本增效，该技术特征可以将软件开发时间缩短50%以上。而该技术在工业PaaS平台的优化算法中，能够通过对系统性能、资源利用率等指标进行实时监测和分析，自动调整系统参数和配置，以提高系统的性能和稳定性。所以虽然眼下并没有专门针对工业PaaS低代码开发平台和成本降低进行具体论证探讨，但可以看出，人工智能技术在整体软件开发领域的潜力十分巨大。这也意味着在未来的工业互联网发展过程中，人工智能代码生成能力的跨越式进步有望重塑工业PaaS低代码开发平台，使得非程序员的工程师能够使用自然语言指令进行零错误的工业APP开发。因此，为了充分发挥人工智能技术在工业PaaS平台中的价值，眼下国内相关技术提供商注定将进一步研究和探索人工智能技术在工业PaaS平台中的应用方法和技术。参考资料：艾瑞咨询：2023年中国工业互联网平台行业研究报告白旭洋：工业互联网中安全性增强的边缘计算任务调度方法研究，西安邮电大学范婷婷：工业互联网平台赋能供应链协同的运行，杭州电子科技大学 IDC：《中国工业云IaaS+PaaS市场份额，2022：分化初现》邬贺铨：边缘计算助力工业互联网，中国工程院尹方达：工业物联网PaaS平台的商业模式研究，北京邮电大学

金融界2023-12-04

24小时热点