FX168财经网_全球视野外汇黄金加密货币NFT资讯网

FTM智能AI机器人——开启23年超级算力收益计划

GPT是OpenAI公司开发的一种大型语言模型。它是一种基于Transformer架构的深度学习模型，可以对语言进行建模和生成。它可以处理问答、对话生成、文本生成等多种任务。2023年FTM将人工智能算法应用到加密数字领域。在原有GPT 系列模型基础上FTM智能AI机器人针对加密数字交易领域进行深度迭代：让 AI 在通用的、海量的数据上学习交易策略，即掌握基于前文内容生成后续文本的能力。这样的训练不需要人类标注数据，只需要给一段话的上文同时把下文遮住，将 AI 的回答与语料中下文的内容做对比，就可以训练 AI。ChatGPT 就是在 GPT3.5 模型上做的优化，作为 GPT 系列的第三代，GPT3.5 在万亿词汇量的通用文字数据集上训练完成，几乎可以完成自然语言处理的绝大部分任务，例如完形填空、阅读理解、语义推断、机器翻译、文章生成和自动问答等等。所以 GPT 模型每次输出的结果是不同的。同样在加密资产高频交易过程中，FTM机器人基于GPT的底层技术逻辑，在多次交易后自主产生学习，计算出最优的选择并选择执行，在高频交易条件下，在算力允许的情况自主学习帮助使用者创造更大的收益。 FTM社区是整个生态的重要组成部分，当很多人还沉浸在银行储蓄、基金、股票管理中时，加密货币圈的大佬们只用一两年的时间就赚到了别人一辈子都赚不到的钱。外人戴着有色眼镜看数字货币是习惯，但当投资者真正了解区块链和数字货币时，将是一场大规模“真香”的场景。比特币(BTC)成为全球大火，其次是以太坊(ETH)。现在区块链第一条Binance公链无质押，无资金池，FTM智能机器人主网上线，引领区块链3.0时代到来。新时代助力FTM的大规模商业落地和互联网新生态环境的构建自然成为币圈新宠。俗话说吃肉快走，喝汤慢走，项目看发展前景，而沉淀爆款的主流FTM是目前正是受币圈关注的。 FTM1.0智能机器人激励计划游戏说明为抢占区块链智能机器人市场，开发商和节点运营商申请5000万美元增压FTM1.0智能机器人。无需转币|收入稳定|自由进出，FTM推出首个生态，1.0套利夹子机器人，旨在通过实际造福普通用户获取流量，致力干打造全球最大大的DeFi2.0+Web3.0+DAO+Me ta合集，稳定，A无边界，多维度、全生态、多维空间、全生态赋能的财富永续聚合平台。 FTM智能AI机器人区别于机器人最大的区别就是，自主学习和强化学习优化模型。最终让AI机器人成为AI机器人的老师，一次次的自我迭代更新数据库，从而更好更快的为使用者创造收益。除了自我使用以外，FTM也会奖励社区贡献者一定的糖果，激励其更好的参与FTM的生态建设中来。目前FTM已经上币安，火币，欧艺，芝麻开门，酷币等30多家交易平台，为不同平台的用户提供交易服务。FTM智能AI机器人将重新定义智能权益证明机制，区别于传统的DPOS和POW证明机制，FTM完全自主AI学习有更高的交易频率去为用户创造收益以从帮助用户获得更多的权益证明。相信在不久的未来，会有更多的类似FTM一样的AI智能交易机器人，目前整个生态圈结合ChatGPT底层AI智能学习逻辑的，FTM绝对是属于第一梯队的，在这个互联网科技爆炸的时代，时间就是财富的唯一衡量标准。来源：金色财经

金色财经2023-05-18

行业数据+场景：AI风口下，率先利好的是这样的公司

生成式AI圈子”小程序，还有更多基于大语言模型(LLM)为创业起点的企业正在涌入市场。热闹之下，新一代AI行业的机会究竟在何处？非凡产研经过数月以来不断跟行业内创业者、专家以及AI方向投资人进行深入交流，观察到中国当前AI竞争中首先获得参赛资格的是具有前瞻性视野、拥有模型自训练技术和工程能力，深入运用模型应用到垂直场景，形成商业解决方案的企业。我们还深度采访了四家自训练模型并且应用到垂直场景，快速实现商业化的企业。分别是必优科技的创始人周泽安、澜舟科技创始人周明、秘塔科技COO王益为和睿企科技董事长于伟，深度剖析为什么这类企业能够在AI创业浪潮中率先把握机会以及为什么行业模型是中国产业数智化的关键。必优科技必优科技是一家专注于人工智能领域的智能可控内容生成技术（AICGC，AI-Control Generate Content）的科技型公司，致力于向企业提供30+垂直行业内容的智能创作SaaS服务，驱动内容创作效率革新，同时为企业提供一站式垂类行业模型应用构建（AIGC模型训练，API接口与低代码web应用）的SaaS平台解决方案。澜舟科技澜舟科技是一家业界领先的认知智能公司，致力于以自然语言处理（NLP）技术为基础，为全球企业提供新一代认知智能平台，助力企业数字化转型升级。其主要产品是基于“孟子预训练模型”打造的一系列功能引擎（包括搜索、生成、翻译、对话等）和垂直场景应用。秘塔科技秘塔科技是是人工智能领域的一家新锐科技公司，致力于将重复脑力劳动AI化，以AI为杠杆撬动专业场景的百倍生产力提升。目前，秘塔科技已经拥有近千万用户，成立北京和成都两大研发中心，在文本AIGC、文档辅助创作、法律专业场景等方向上开展研发与产品落地。睿企科技睿企科技是一家深耕垂直领域大模型的人工智能公司，致力于通过领先的多模态大模型和认知决策大脑让每一个组织和个人都能拥有专属自己的个性化AI大脑。公司已经在政务、法务、金融、教育、营销等多个行业落地，产品包括法务合规审核机器人、案件研判机器人、个性化助理机器人等一系列AI产品。 02 为什么要做自训练模型？ •如何定义自训练模型？• 自训练模型是指基于Transformer架构*，使用了大量的预训练数据和自监督学习方法，可以完成各种自然语言处理任务。 Transformer架构*：最早是由Google于2017年在「Attention is all you need」一文中提出，在论文中该模型主要是被用于克服机器翻译任务中传统网络训练时间过长，难以较好实现并行计算的问题。相当于从零搭建、训练语言模型，如BERT、GPT、T5等模型都是基于类似的架构训练。基于行业数据所搭建的自训练模型，往往具备可私有化，开源的特点。本文受访的必优科技、澜舟科技、秘塔科技和睿企科技，均为具有自训练模型并且已率先应用到行业场景，快速实现商业化的企业。 • 自训练与利用API应用开发有什么不同？• 如果从构建商业模式壁垒来说，随着通用模型以超乎人类想象的速度优化延伸其基础能力，越是靠近基础功能的应用越危险。 Jasper AI近期的局面就说明了该问题。 Jasper AI是美国一家2021年成立的专注营销领域内容创作的公司，Jasper AI是GPT生态早期的最大赢家之一。在ChatGPT发布前，用户难以直接使用LLM的语言理解与生成能力，由此Jasper基于GPT-3模型的API，通过模型的微调（fine-tune）*打造了营销内容生成平台，用户量超过10万，成立短短18个月的时间估值快速增长到15亿美元。然而ChatGPT的问世，取代了Jasper提供的部分基础功能，免费的同时兼具极佳的易用性，大部分中小客户的需求可以直接通过ChatGPT满足。这给Jasper的定价带来极大压力，Jasper的优势大大减弱。有消息称，其上轮投资方在ChatGPT成为C端现象级应用时就已经考虑出售其股份了。模型的微调（fine-tune）*指在一个已经训练好的模型的基础上，使用新的数据集或者任务对模型进行进一步的训练，以适应特定的任务或者数据。通常情况下，fine-tune会调整模型的参数，使得模型可以更好地拟合新的数据集或者完成新的任务。如果从开发到商用的难度及成本的角度来说，无疑API应用开发是最快最便捷的，自训练模型的搭建包括了多个复杂环节，包括模型的复杂度、数据的质量和数量、算法的选择和实现、计算资源的可用性、团队的经验和技能等等。在一般情况下，自训练模型从开发到商用的时间可能需要数月或数年的时间不等。例如必优科技所训练的垂直行业语言模型（SLLM）模型耗时14个月，该模型为专注于NLP下的细分CTG（Control Text Generate）方向的行业模型。在创业公司的生存压力下，形成商业解决方案并成功服务客户才是最重要的事情，在此情形下，炼丹和投喂都变得十分讲究性价比。澜舟科技创始人周明博士把当前不同的AI商业解决方案技术路线类比自动驾驶发展阶段，也将AI技术路线的演进比喻成三个发展阶段。 L1（Level 1）是自研/自训练通用大模型，例如ChatGPT所使用的GPT-4模型；L2是在LLM基础上利用行业大数据，建立行业大模型，深度参与到行业使用场景当中；L3是基于各个场景需求，在行业模型/LLM的基础上，根据具体任务，要么做fine-tune，要么做prompt工程等，来满足场景的需要。很多大模型的创业团队刚起步，大多数处在L1阶段，少数团队选择L2阶段创业。澜舟科技从2021年就开始了自研大模型之路，并获得了创新工场、斯道资本等机构的多轮融资支持。据周明博士介绍，澜舟科技推出的“孟子”模型，其技术底座均为澜舟自训练，已经率先形成了商业闭环。而澜舟科技刚成立时就坚持选择自训练模型路径，贯穿L1到L3，并率先形成商业化解决方案。此举从今天看来颇具先见之明。以金融行业为例，现有的LLM无法深入到金融行业的业务场景之中，即使使用大厂的LLM模型，也不会给客户做定制化的fine-tune。所以澜舟科技选择了在自研LLM的基础上，自训练行业模型，服务于金融行业的客户，可私有化部署，可基于客户数据训练，深度参与到行业业务场景之中。必优科技的创始人周泽安认为，模型的生成可控性非常重要，自训练可以完全掌控生成的质量。 “通用大模型可以迅速达到60分，而必优科技的自训练模型能够做到在核心场景里面从60分到90分。” 模型的可控生成可以满足可信、可控的要求。而如果仅使用通用模型的基础微调，其提供给下游场景模型的可控fine-tune优化空间有限。睿企科技董事长于伟博士提出，尽管基础通用大模型已经达到优秀高中毕业生甚至未来达到优秀本科毕业生的水平，但是在实际落地应用中所需要的模型能力更多是专业的能力，需要专业的知识和数据进行训练，而这类知识和数据大多是私有数据，不能对外开放。因此，睿企科技自2018年成立之初就致力于基于Transformer的行业垂直大模型的训练，为行业提供具备专业能力的NLU（自然语言处理解）和NLG（自然语言生成）大模型。 03 行业大模型，是中国当前最容易看清楚的属于创业公司的好机会行业模型是指，依托特定行业自有数据，结合行业场景，通过自训练或基于开源通用模型的API做应用开发的模型。 • 通用大模型入局成本过高，行业模型有更多创业机会 • 通用大模型的创业成本极其高昂，例如在算力成本方面，1750亿参数的GPT-3用到了上万块A100芯片，机时费用是460万美元，资金花费就高达1200万美元。澜舟科技创始人周明博士指出，假设组建10到20人的团队，购买500块到1000块GPU，每年最便宜大概也要投入5000万人民币作为研发费用，能够训练出一个百亿数据级别的模型，如果训练千亿级模型就在需要大概再投入7-10倍的资金，相当于两亿到三亿人民币左右。睿企科技董事长于伟博士指出，随着用户对模型能力的期望和要求不断变高，模型参数和训练数据也需要不断增加，受限于训练成本，未来只有像微软和谷歌这类既有技术又有应用场景、还具备超级财力的互联网高科技公司才有可能在通用大模型训练进行持续的投入。当前国内研发LLM的团队至少30家，如百度、MiniMax和智谱AI等，均为资金，人才，资源、经验密集的大公司及知名创业者领衔。属于大多数创业者的机会并不在通用大模型领域。相比LLM，行业模型的创业并不需要自己训练通用大模型，可以直接基于最先进的开源模型或API进行二次训练，模型训练成本大幅降低。不需要一开始就对标GPT3.5做千亿级参数的大模型，减少模型参数量反而使得训练的算力成本下降、复杂度降低，在小样本学习下进行多次有效的训练，从而迅速获得know-how和产品反馈。减少模型参数之后，训练一次的成本甚至能够从几百万美元减小到几十万美元。那么就得以在特定领域对模型进行多次训练，此时与通用大模型就形成了差异化优势。并且相对低的成本会带来客户可承受的定价，尤其是在结合客户数据的二次训练阶段和使用阶段的成本要低很多。秘塔科技COO王益为提出创业公司难以兼顾的三个难点，即“不可能三角”：投入的成本、模型的多样性和模型的可信度。除非有无穷无尽的资金、资源可以投入，大多数模型只能做到其中一点或者兼顾两点，即使 OpenAI 也达不到三者兼顾的程度。周明博士提出，澜舟科技目前并没有做千亿级的大模型，除了成本考量，一个重要原因就是客户目前没有那么强的需求，必须做一个千亿级大模型。在很多场景，客户需要低成本且适用的模型。必优科技周泽安认为，通用大模型的基础底座很重要，给各行各业整体带来了在泛化生成能力上的提升，但在如何利用通用模型打造出满足业务场景的下游模型更为关键，虽然大模型目前已经显现出在特定场景的具象处理能力，但其在实际应用的可控生成能力（可控输入/输出、可信可塑内容）却要弱于场景模型。针对在特定场景和特定用途的数据集上训练更精细的模型，所以必优科技依托于自研 RFKL智能算法范式迅速尝试了90多个场景模型（伯乐、商贾、图芴三大系列），并基于精准的高价值用户反馈数据，可实现模型自我优化。睿企科技于伟博士提出，睿企科技的产品即是从模型的专业性和实战价值出发，不盲目追求模型参数规模，而是专注与针对行业中需要的专业能力，训练能满足要求的性价比最高的模型，解决逻辑应用过程中遇到的算力不足的问题。 • 行业模型的壁垒在于场景和数据 • GPT为代表的通用大模型涌现出惊人的理解和生成能力以及强大的知识储备。但是通用大模型可以全方位碾压行业模型吗？周明博士指出，“通用大模型是万能的，这只是一个幻觉。” 在处理海量数据、重复性流程和追求个性化的C端场景，通用大模型会更有优势；而在非常专业的To B场景，例如金融、法律和医疗等一些对输出内容的精准度以及质量要求比较高的行业，需要在通用模型的基础上加入私密且专业的高价值数据集进行模型训练和工作流程优化，才能满足专业场景的需求。如果能够掌握充足且独特的数据量，不单纯依赖第三方API，选择垂直化方式（自训练模型应用于面向用户的应用），垂直整合场景中复杂度足够深的任务，快速迭代，寻找真实的闭环场景和用户反馈，从而建立竞争壁垒。此外，由于通用模型和行业模型的用户群体差异较大，因此反馈数据有较大差异，使得由垂直行业模型生成的内容更能符合特定垂直场景的需求，生成质量和深度也会更高。用于RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）的高质量用户反馈也起到非常关键的作用，有助于不断推动模型产出的内容质量进一步提升。这也说明了行业模型，数据为先，场景为王。睿企科技于伟博士以公检法行业为例，提到执法办案工作人员的工作量大、涉及的各种文书种类很多、流程繁琐、对合规要求相当高，而文书材料也是执法办案过程中的关键部分，不能有一点瑕疵。公检法行业有极大的刚性需求、每年也有大量的预算投入，并且拥有很多高质量数据。睿企科技结合公检法部门的业务需求，基于通用大模型，把专属数据和业务知识放在定制化的多模态垂直大模型里面，帮助公检法部门训练专属AI大脑，推出一系列基于大模型的简单易用的AI产品，包括执法办案智能合规审核机器人、智能接处警机器人等，解决工作痛点提升效率。秘塔科技COO王益为表示，法律咨询场景的核心问题在于不能直接使用通用模型，因为LLM的目前存在Hallucination（机器幻觉，指事实性错误），阻碍了B端的法律场景深度应用。通过一个字去预测下一句，这种技术方式在法律咨询的领域里行不通。所以对于创业公司来说，首先资源是非常有限的，那么一定要选择具有特色的一些场景，比如行业付费意愿强，并且对于可信度要求极高的领域。必优科技基于Transformer架构，引入了自研WCCG（Wernicke Control Content Generate）模型，并在中间加了一层融合，通过可控的方式去生成模型，并且拥有独创的 RFKL 智能算法范式。通用模型本身有很强的知识性，但是精确度方面，通用模型只能解决的是 6 、7成的问题。必优科技则通过场景倒推模型的机制，基于精准的高价值用户反馈数据，通过数据飞轮强化对场景模型的内容生成方向进行引导，实现模型自我优化，在特定场景中需要专门优化模型来提升生成质量，重塑以数据为驱动的内容创作新模式。必优科技在用模型尝试了近百种行业场景后，依据反馈聚焦在了人力招聘、办公office场景。 “自训练特定的场景模型不仅是单纯的在技术层面实现，还要配合对数据的理解，实打实的去扎根到了解这个行业的本质，或者内容到底输出是给谁用？这样才能反向定义数据去训练。” 澜舟科技创始人周明博士认为两年后没有人再会谈论大模型，因为它已经成为基础设施了，行业竞争格局将会稳定，通用大模型领域不再会出现新的创业机会。那就意味着将会就有很多公司倒闭或者转型，这些团队的从业人员在市场上面将会形成很强的技术外溢效应，或者将在非大模型行业内渗透。同时意味着即使是通用大模型做的很好的企业也不能仅仅依赖模型业务，也应该更多去发展各自的生态或者在这基础上做一些新的运营。 • 行业模型可以与通用模型LLM并存 • 目前行业内共识是中国一定要有自己的大模型，大厂一定会专注在全力迅速地建立通用大模型能力。这给创业公司留出了生存空间。在C端，由于大厂的流量、规模效应和千亿大模型的通用性，创业公司的机会将被大量挤兑，需要在夹缝中寻找机会，做大厂没有形成共识的方向；在B端，大型客户大概率不会使用大厂的产品，而倾向于选择可定制的私有化部署解决方案。行业模型创业公司需要具备特定领域的独有关键数据，在具体场景上又快又好的解决问题，兼具私有化部署能力，就可以与通用模型LLM并存，在行业中找到生态位。秘塔科技COO王益为提出只要选取自己真正懂的场景，即使巨头都已经布局，秘塔科技仍然在细分领域里面有机会和提升的空间。而在法律行业，对于生成文本的多样性要求并不是特别高，但是对于法律服务的严谨度和可信度要求特别高。秘塔科技在选择技术路线和产品路线上有一些思考，秘塔科技的模型本身就是为了文生文的任务去做的单一任务训练，相应去精心准备数据库，在专项文本上进行强化和训练，形成正式文件的文风，这就是秘塔科技竞争的优势。在直接向C端提供文本AIGC服务的产品中，秘塔科技拥有最多的用户（近千万）；在法律行业中，秘塔科技的现有用户覆盖数千家律师事务所和公司法务部。睿企科技于伟博士指出，尽管行业模型创业不需要从头训练通用大模型，但是挑战同样存在。行业模型创业需要业务、数据、模型的有机融合，因为用户只会采购能满足他们需求的性价比最高的服务和产品。如何找到一个巨大的市场并把产品和服务做到极致，成为行业头羊，是每个垂直行业模型创业公司必须面对的挑战。 • 行业模型很有可能是中国产业数智化的最后一公里 • 这一波AI被称为第四次工业革命，将彻底改变每一个行业。阿里董事会主席张勇提出“所有行业都值得用大模型重做一遍”。即便中国在通用模型技术上是跟随者，但并不代表着中国市场会参照美国市场而发展。美国的AI赛道创业环境，以OpenAI为例，活跃开放的资本市场、充足的算力资源和人才更适合“大力出奇迹”路线；中国的创业环境更加看重技术应用的深度，中国创业者擅长在产业应用里创新。陆奇博士在奇绩创坛的演讲中表示，中国的重要优势在于政府在AI领域的投入、支持和重视程度高于其他国家。睿企科技于伟博士提到，十三五期间中国政府在公检法领域投入数万亿，催生了一大批人工智能企业的高速发展和上市，加速了人工智能技术的发展。十四五期间，中国政府在大模型上的持续投入也会缩小和美国的差距，并在很多领域超过美国。美国从上世纪90年代就开始了数字化浪潮，相比于美国而言，中国企业尚处于数字化转型初期，中国有大量亟待数字化转型升级的传统产业，有太多需要依赖人工智能实现效率提高的业务场景。在中国30年的产业数智化浪潮之中，一直延续着的信息化-数字化-智能化的演进路线，随着通用模型及行业模型加入到产业数智化浪潮之中，很有可能在部分关键场景率先利用AI模型达到智能化，从而倒逼产业其他工作流及场景快速形成数据沉淀，这将大大加快中国整个产业数智化的进程。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2023-05-18

Coin GPT 是什么？什么是Coin GPT? #Coin GPT#GPT#GODE# Web3.0

CoinGPT：一种基于自然语言处理技术的广义知识模型。CoinGPT通过深度学习模型和自然语言处理技术，具备生成符合上下文语义的、高度连贯的自然语言文本的能力。来源：金色财经

金色财经2023-05-18

西藏证监局创新开展5·15投保宣传日系列活动

群众对资本市场认知较低的问题，西藏局以语言为突破口，逐步建立双语投教体系，制作藏区投资者真正需要的投教产品和行业从业人员与少数民族投资者沟通需要的工具书。经过长期筹备，共收录179个证券行业专有名词，通过西藏新词术语藏文翻译规范委员会严格译审，《证券行业名词汉藏对照词典》在第五届“5·15全国投资者保护宣传日”这一重要日子正式发布。《证券行业名词汉藏对照词典》的发布，增强了从业人员全业务流程藏汉双语使用的规范度，进一步加深了藏民族投资者对资本市场的认识及了解，有效扩大了投教宣传受众面和接受度。　　二是发布《“卓玛侃”系列短片第二期之多层次资本市场》。一直以来，西藏辖区社会各界对资本市场的认识不足，是我局开展各项工作存在的难点和痛点，投教工作任重道远。“卓玛侃”是基于此推出的，以真人情景剧形式，逐步介绍资本市场的系列投教产品。《“卓玛侃”系列短片第二期之多层次资本市场》以“5·15全国投资者保护宣传日”为契机，通过微信公众号、官网、投教基地、抖音等平台同步发布，截至5月17日早上9点，点击量超1万余次。　　三是聚焦注册制改革，积极开展宣传活动。积极开展全面注册制改革宣传推广，结合“全面注册制，改革向未来”投资者教育专项活动安排，深入做好全面注册制知识普及、规则讲解和风险揭示等工作，精心制作原创投教产品143种，活动当天向社会公众发放宣传单、宣传手册、海报、折页等实物投教产品1.87万份，其中发放原创实物投教产品1.5万份；通过线上平台投放电子投教产品总点击量223.93万次，其中原创投教产品点击量204.15万次；开展线上线下活动818场，覆盖281.18万人次。　　下一步，西藏局将结合辖区实际持续推出双语投教产品，进一步加大全面注册制改革宣传推广力度，以更加精准有效的投资者教育工作，助力建设中国特色现代资本市场。

金融界2023-05-18

特斯拉大涨超4%，谷歌再涨超1%连创去年8月新高，全球科技巨头汇聚的纳指100ETF（159660）涨超1%强势3连阳！

023年I/O开发者大会，公布了最新大语言模型PaLM 2。PaLM 2是驱动AI机器人Bard的升级版模型，它能生成各种文本以回应用户，并分为四个不同大小的模型版本，分别是Gecko、Otter、Bison和Unicorn。国信证券指出，美国个别CPI、就业数据高于市场的判断并不会直接导致6月加息。但是，如果出现诸如CPI连续高于市场判断的情况，那么6月加息的概率将显著提高。美股可以在确认突破压力位以后再行看多！国际投行高盛表示，AI会在未来10年内推动全球经济增长约7万亿美元，并估计AIGC软件的市场总规模将达到1500亿美元。所有科技股中，微软、谷歌、亚马逊和Meta最可能从中受益，这些科技巨头均为纳斯达克100指数的前十大权重股。据高盛计算，美股大型科技股过去的总净利润率平均为20.2%，而标普500指数所有成分公司的利润率为10.9%，两者相差9.3个百分点。高利润率意味着更强劲的现金流，有助于公司进一步投资实现长期增长，同时也向股东返还现金。纳指100ETF（159660）跟踪纳斯达克100指数，在人工智能的时代浪潮之下，目前全世界AI领域布局和积淀最领先、最深厚的科技巨头仍然集中在纳斯达克，比如微软、谷歌、英伟达、Meta等等，这些AI巨头无一例外都是纳斯达克100指数的前十大权重股。纳指100ETF（159660）管理费0.5%/年，托管费0.15%/年，明显低于市场主流的费率结构，费率优势明显，省到就是赚到。（风险提示：以上指数成份股仅作展示，不代表任何形式的个股推荐！）【始于纳斯达克，更胜于纳斯达克！】根据公开资料，纳斯达克指数包含100家在纳斯达克上市的非金融公司，纳斯达克市场自诞生以来成功孵化出了一大批科技巨头，被广泛认为是培育创新型、科技型、成长型公司最成功的投资市场之一。作为纳斯达克市场的旗舰指数，纳斯达克100指数长期涨幅明显跑赢纳斯达克指数。自1991年起，纳斯达克100指数30多年来年化收益13.80%，明显高于纳斯达克的11.36%。（数据来源：Wind，截至2023.5.17）数据来源：Wind，统计区间1991.1.1-2023.5.17 风险提示：基金有风险，投资需谨慎。本资料仅为宣传材料，不作为任何法律文件。基金的过往业绩不预示未来表现，基金管理人管理的其他基金业绩并不构成基金业绩表现的保证。基金管理人依照恪尽职守、诚实信用、谨慎勤勉的原则管理和运用基金财产，但不保证投资于本基金一定盈利，也不保证最低收益。投资人应当仔细阅读《基金合同》、《招募说明书》及《产品资料概要》等法律文件以详细了解产品信息。纳指100ETF属于中等风险等级（R3）产品，适合经客户风险等级测评后结果为平衡型（C3）及以上的投资者。标的指数并不能完全代表整个股票市场。标的指数成份股的平均回报率与整个股票市场的平均回报率可能存在偏离。请投资者关注指数化投资的风险以及集中投资于纳斯达克100指数成分股的持有风险，请关注部分指数成分股权重较大、集中度较高的风险，请关注指数化投资的风险、ETF运作风险、投资特定品种的特有风险、参与转融通证券出借业务的风险等。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2023-05-18

陈健豪；黄金外汇每日实时布局现价单，现价单连续获利中！

有现价单让你验证实力，实力比更多华丽的语言更为重要——陈健豪　　　　需要进实时分析群的朋友，可以加笔者微信进群，添加笔者即可免费享受35天现价单！！！　　　　黄金走势分析：　　　　5月18日，投资者需要关注的重点数据：日本4月未季调商品贸易帐，澳大利亚4月季调后失业率，日本4月季调后商品贸易帐，澳大利亚4月就业人口变动，美国截至5月13日当周初请失业金人数，美国截至5月6日当周续请失业金人数，美国4月成屋销售年化总数。需要关注的大事件包括英国央行首席经济学家皮尔发表讲话，美联储理事杰斐逊就经济前景发表讲话，达拉斯联储主席洛根在德克萨斯州银行家协会大会上发表讲话。　　　　黄金日线收取一根大阴，均线方面开始空头排列，不过布林带有收口的迹象，那么做空的话就不能去追，以防多头半路袭击。金价已经下破了前低2000，所以日内思路就是反弹继续空，而凌晨走跌，那么早间反弹是入场的机会，凌晨反抽的高点就是第一入场点位，目前阻力1987，其次阻力1992一线，而日内的多空分水岭则是在四小时的MA10位置也就是2005，在单边下跌行情中，四小时的MA10就是多空分水岭，不破继续看跌，上破的话，行情走低位震荡或许走震荡慢涨。　　　　从四小时图表来看，短期均线已经成功下穿于中期均线，现在无非是随机指标有点超卖，但是这并不是价格已经下跌到位，而超卖在破位下跌修正中有两种情况，一是继续破底诱空拉蓄力修正，还有一种是横盘修正，也就是只见指标见不见价格涨，下行趋势线的阻力与2000关口重合。此位是短线空头临界点。不收复临界点保持反弹高空思路。小时图惯性摔低后陷入震荡，短线下行量能减缓。会伴随停顿式震荡修正蓄势。操作上尽量不追空，在反弹的过程中持机空。目前手上有低位空单和高位多单不知道如何处理或者近期出现严重亏损可添加陈健豪老师【文章最末端陈健豪本人】寻求帮助，我会抽空给予我粉丝最大的帮助。　　　　黄金操作策略：　　　　保守反弹1997-2005区间*后空，如果弱最多到97-01这里，破06出局，如果极弱给小时图上线入场，默认防守，下看昨天低点及下线，至于多待四小时转多后再行考虑，点位结合盘面临盘第一时间提示，更多添加【文章最末端陈健豪本人】及时沟通，第三种情况就是早盘*正以横盘下行，基本出现上边所述的再打一次底来形成四小时级别的反弹，所以给下线65附近激进左侧做一波反弹，目标就是保守做空位。　　　　原油最新行情趋势分析：　　　　原油消息面解析：5月17日（周三）美市盘中，美原油交投于70.56美元/桶附近；美国石油协会(API)的数据称，上周美国原油库存有所增加，而汽油和馏分油库存减少。在截至5月12日的一周，原油库存增加约360万桶，汽油库存减少250万桶，馏分油库存减少886000桶。美国商务部报告称，4月份零售销售增长0.4%，低于预期的增长0.8%。但不包括汽车、汽油、建筑材料和食品服务的核心零售销售出现反弹。人们对美联储取得成功的敏感度开始有所增强，而目前这场债务上限之争引起了人们的焦虑。最近的数据显示，在美联储为对抗高通胀而连续加息之后，美国经济出现放缓的迹象。这种放缓以及最近围绕美国债务上限的谈判使人们关注联储何时会暂停加息，或降息。虽然市场目前消化了年底前美联储会降息一次的预期，但美联储官员最近的评论表明他们还没有准备好在短期内降息。总体来看，库存意外增加，全球经济强劲复苏的前景仍黯淡，弱于预期的经济数据增加了经济衰退忧虑，诸多利空限制油价涨幅，在美国债务上限会谈结果出炉前，油价或在70美元/桶附近徘徊。　　　　原油技术面分析：原油昨日收缩整理，空间走得略小，反复探高71.75附近久攻不破，尾盘承压回落，但空间相对走得较小，依旧看不出强弱延续。只是局部略有承压，日K线实体依旧是星K线，等待实体K线打破目前僵局。4小时图依旧处于选择方向当中，是构造底部反弹还是修正后的再次下跌，有待形态进一步确认。虽然周一油价反弹，但仍受到下行趋势线的*，MACD死叉信号仍在，在顶破下行趋势线阻力目前在71.80附近前，油价后市仍面临震荡下探风险，初步支撑在70整数关口，周一低点支撑在69.39附近，5月5日低点支撑在68.49附近，若下破该支撑，则增加短线看空信号；进一步支撑参考3月24日低点66.81和3月份低点64.10附近位置。不过，KDJ金叉良好运行，若能顶破下行趋势线71.80附近阻力，则削弱下行风险，进一步阻力在4月28日低点73.92附近，若能顶破该阻力，则增加后市看涨信号。综合来看，今日原油短线操作思路上陈健豪建议以回调做多为主，反弹高空为辅，上方短期重点关注74.0-74.5一线阻力，下方短期重点关注71.7-71.2一线支撑。　　　　本文由陈健豪VX: wy39749，供稿，仅供参考，本人在线看盘，每日实时分析，由于网络问题，文章只能给你一时的方向和思路，至于后期具体操作以群内盘中实时给出为准。

陈健豪2023-05-18

一文读懂去中心化 Rollups

zkLLVM：是一个编译器，将高级编程语言转换为可证明计算协议的输入。每个证明由其不同的输入和电路组成，因此每个证明都是唯一的。电路定义了证明的类型，类似于金融术语中定义“交易对”的方式。此外，不同的证明系统引入了更多的电路。工作流程如下：证明的需求方可以用高级编程语言编写代码，然后通过工具链将其喂给 =nil; zkLLVM，生成一个单独的电路，它将成为市场中的一个独特的交易对。对于证明需求方，他们可以在成本和时间之间做取舍。证明者也将考量自己的计算能力和收入。因此在市场上，将会有不同的计算能力，高算力将更快地生成证明，但成本更高，而低算力生成证明更慢，但更便宜。两步提交最近，Opside 提出了一种两步提交方案来去中心化证明者网络。该方案将证明提交分成两个阶段，来避免最快的证明者总是胜出的情况。步骤1：提交第T个区块的零知识证明的哈希从第T+11个区块开始，不再允许新的证明者提交哈希。步骤2：提交零知识证明在第T+11个区块之后，任何证明者都可以提交零知识证明。如果至少有一个零知识证明通过验证，它将用于验证所有提交的哈希，经过验证的证明者将根据抵押金额的比例获得相应的PoW奖励。如果在第T+20个区块之前没有零知识证明通过验证，则所有提交哈希的证明者都会受到惩罚。然后重新开放排序器，可以提交新的哈希，回到步骤1。这种方法可以包容不同的算力。然而，所需的抵押仍然引入了一定程度的中心化。排序器去中心化排序器的去中心化比验证者更为复杂。这是因为排序器具有打包排列交易的权力，诸如MEV和收入分配等问题都需要考量。考虑到以太坊将对活性的优先级高于响应性，L2 解决方案应该通过优先考虑响应性而不是活性来与这样的取舍互补。但是，与中心化排序器相比，去中心化排序器在响应性方面本身就有所牺牲。因此，需要实现各种优化来解决这个困境。目前，有三种不同的去中心化排序器方案。第一种方案是通过优化共识机制实现。第二种方案涉及共享排序器网络。第三种方案基于L1的验证者。共识共识协议主要负责对交易进行排序和确保其可用性，而不是执行交易。但是，正如前面提到的直接添加另一个共识层，并不是一个简单的解决方案。为了提高响应性，一种常见的方法是依靠较小的验证器集合。例如，Algorand和Polkadot使用随机抽样的较小委员会来批量处理交易。所有节点使用随机信标和可验证随机函数（VRF），在给定时期内被包含在委员会中的概率与其质押数量成比例。为了减少网络流量，可以使用更小的数据可用性（DA）委员会。或者采用 VID（Verifiable Information Dispersal）。VID将数据的纠删码分发给参与共识的所有节点，使得任何持有足够高质押比例的节点子集都可以协作恢复数据。这种方法的取舍在于减少广播复杂性，但增加了数据恢复的复杂性。 Arbitrum 则选择了有声誉的实体组成验证者集，如ConsenSys、Ethereum Foundation、L2BEAT、Mycelium、Offchain Labs、P2P、Quicknode、IFF的分布式账本研究中心（DLRC）和Unit 410加入排序器委员会。这种方法的取舍在于通过提高去中心化的质量来弥补数量上的不足。共享排序器网络排序器在模块化区块链中（特别是在 Rollup 中）发挥着至关重要的作用。每个 Rollup 通常都会构建自己的排序器网络。然而，这种方法不仅造成了冗余问题，而且还阻碍了可组合性。为解决这个问题，一些协议提出了构建一个共享的 Rollup 排序器网络。这种方法降低了实现原子性、可组合性和互操作性的复杂度，这些特性在开放无需许可的区块链中，是用户和开发者迫切需要的。此外，它还不再需要单独的排序器网络的轻客户端。 Astria Astria正在为Celestia的Rollup生态系统开发一种中间件区块链，其中包括自己的分布式排序器集合。这个排序器集负责接受来自多个Rollup的交易并将其写入基础层，而不执行它们。 Astria的作用主要聚焦于交易排序，与基础层和Rollup独立运作。交易数据存储在基础层上（例如Celestia），而Rollup全节点维护状态并执行操作。这确保了Astria 与Rollup解耦。对于最终确认性，Astria提供两个级别的Commitment： “Soft commitment”：使得Rollup能够为其最终用户提供快速的区块确认。 “Firm commitment”：速度与基础层相同，确保更高的安全性和最终确认性。 Espresso Espresso在零知识技术领域做出了重大贡献。他们最新在开发一种去中心化排序器的综合解决方案，可应用于 Optimistic Rollups和zkRollups。去中心化排序器网络由以下组成： HotShot 共识：优先考虑高吞吐量和快速最终确认性，而不是动态可用性。 Espresso DA：结合基于委员会的 DA 解决方案和 VID，其中高带宽节点将数据提供给所有其他节点。每个单独区块的可用性也由小型随机选举的委员会支持。VID 提供可靠但较慢的备份，只要所有节点的足够高比例的质押权重没有受到威胁，就可以保证可用性。 Rollup REST API：以太坊兼容 JSON-RPC。排序器合约：验证 HotShot 共识（即作为轻客户端）并记录 checkpoints（即对交易进行密码学承诺），管理 HotShot 的质押表。 P2P 网络：Gossip 协议。与 Astria 相比，Espresso 提供 DA。因此，工作流程将略有不同，如下所述： 1. 用户创建并提交交易到 Rollup。 2. 交易通过排序器网络传播并保留在内存池中。 3. 通过 HotShot 质押机制指定领导者，提出区块，并将其传播回 Rollup 的执行者和证明者。 4. 领导者将交易发送到数据可用性委员会，并收到 DA 证书作为反馈。 5. 领导者还向 Layer 1 排序器合约发送对区块的承诺，以及合约用于验证区块的证书。 Espresso 引入了用于证明的 Gossip 协议，提供更灵活的用户体验。它提供三种交易最终确认性的选项：快速：用户可以信任已执行交易并生成证明的 Rollup 服务器，或者他们可以利用 HotShot 的低延迟执行交易。适度：用户可以稍等一段时间以生成证明，然后检查该证明。慢速：用户可以等待 L1 验证状态更新来获取更新后的状态，无需任何信任假设或计算。除了上述优化之外，Espresso 还计划使整个以太坊验证者集本身参与运行 Espresso 排序器协议。使用相同的验证者集合将提供类似的安全性，并且与 L1 验证者分享价值将更加安全。此外，Espresso 还可以利用 EigenLayer 提供的 ETH 再质押解决方案。 Radius Radius正在构建一个基于零知识证明的无信任共享排序层，专注于解决L2中的MEV问题，因为L2的收入主要来自区块空间。所需要考虑的权衡是MEV和L2收入之间的平衡。Radius的目标是消除对用户有害的MEV，并提出了一个两层服务。顶层针对常规用户交易，并通过使用时间锁谜题提供密码学保护，以防止有害的MEV。具体而言，它采用了实用可验证延迟加密（PVDE）技术，该技术将在5秒内为基于RSA的时间锁谜题生成零知识证明。该方法提供了一种实用的解决方案，以保护用户免受有害的MEV。简而言之，在排序器确定交易顺序之后，才可以知晓交易内容。底层是为区块构建者设计的，并允许他们参与产生收入的活动，同时减轻MEV的负面影响。 Based Rollups Based Rollup 是最近由Justin Drake提出的一个概念，其中L1区块提议者与L1的搜索者和构建者合作，在无需许可的情况下将rollup区块包含在下一个L1区块中。它可以被视为L1上的共享排序器网络。Based Rollup的优缺点很明显。从积极的一面来看，Based Rollup 利用了L1所提供的活性和去中心化性，并且它的实现简单且高效。Based Rollup也与L1保持经济上的一致性。然而，这并不意味着Based Rollup损害了其主权。虽然将MEV交给了L1，Based Rollup仍然可以拥有治理代币并收取基础费用。根据假设，Based Rollup 可以利用这些优势，实现主导地位，并最终最大化收益。结论观察所提出的这些方案，可以看出Rollup的去中心化仍有很长的路要走。其中一些提案仍处于草案阶段，需要进一步讨论，而其他一些则仅完成了初步规格说明。所有这些方案都需要实现并接受严格的测试。虽然有些Rollup可能没有明确提出相应的去中心化解决方案，但它们通常包括应急逃离机制来解决由于中心化排序器引起的单点故障。例如，zkSync提供了`FullExit`方法，允许用户直接从 L1 提取其资金。在系统进入 exodus mode ，无法处理新区块时，用户可以启动提款操作。为了实现抗审查，这些Rollup通常还允许用户直接在L1上提交交易。例如，zkSync采用优先级队列来处理在L1上发送的这类交易。类似地，Polygon zkEVM在L1合约中包含了一个 force batch 方法。当一周内未发生聚合时，用户可以在L1上调用此方法，并提供交易的字节数组和 bathFee 给证明者。可以肯定的是，在可预见的未来，Rollup的去中心化将会是一个组合型的解决方案，可能包括上述这些重要的方案或者其他一些创新性的变体。来源：金色财经

金色财经2023-05-18

李彦宏：谁拥有最佳的跟客户沟通的方式，谁就会拥有客户

形用户界面GUI。今天，人们可以用自然语言跟AI交互。只要思路活跃、表达清晰，机器就能给你干活儿。　　人工智能时代，大量的AI原生应用将产生。李彦宏举例说，目前已有的AI原生应用，比如Notion、 Jasper、DoNotPay等，都在细分领域为用户提供了高效的解决方案，提升客户体验。

金融界2023-05-18

博汇科技：继续深入在生成式AI领域相关前沿技术研究

保持高比例的研发投入，公司加大了对自然语言处理与机器视觉领域的研发力度，通过运用人工智能、大数据等技术，对采集到的数据进行分析、特征学习和样本训练，构建智慧监管模型，提升了对文本、图片、音频、视频等多模态数据的处理分析能力，进一步强化核心技术优势，提高产品竞争力。公司在既往积累的基础上，继续深入在自然语言生成、图像/视频生成以及数字人智能驱动等生成式AI领域相关前沿技术研究，探索通用人工智能在传媒安全、智慧教育、智能显控领域的应用。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2023-05-18

软件板块快速反弹，虹软科技涨超14%，软件ETF（515230）涨2%

、深远的影响。LLM带来内容生成、自然语言交互、信息检索效率的大幅改善，将使得偏平台型、垂类应用软件显著受益，但也将大概率导致部分业务逻辑简单、偏中间态的单点软件产品方案明显受损，同时借助人机交互效率的大幅改善，用户对基础软件的使用门槛料将显著降低，利好数据管理、信息安全、运维等基础软件板块。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2023-05-18

24小时热点