全球数字财富领导者
客户端
｜
旧版
｜
北美站
｜
FX168 全球视野 中文财经
首页
资讯
速递
行情
日历
数据
社区
视频
直播
点评旗舰店
商品
财富汇
登录 / 注册
搜 索
综合
行情
速递
日历
话题
168人气号
文章
2024年最看好哪个大型科技股？
go
lg
...
对该公司云计算服务——亚马逊网络服务（
Amazon
Web Services）的支出明年将会加速。Champion指出，唯一一家净支出意向较2023年上半年有所增加的云提供商就是AWS。 近期，AWS推出名为
Amazon
Q的AI助手，专为企业打造，帮助提高效率。
Amazon
Q已经开始在其部分商业智能和联络中心平台上提供服务，还将很快用于帮助客户管理他们的供应链。该模型是在亚马逊的数据集上进行训练的，可以根据所需用例在企业客户的各种数据集上进行训练。 AWS中小型企业（SMB）创新主管Ben Schreiner称，
Amazon
Q将帮助工程师更快地编码和查找内容，并使企业更轻松地生成和分析报告。
Amazon
Q还可用于
Amazon
Connect，一个基于云的联络中心平台。Schreiner解释说，许多中小型企业通过运营呼叫中心来处理客户联系和订单，
Amazon
Q可以帮助接线员更好、更快地回答问题，在通话过程中调取知识库，还能了解呼叫者的情绪及其在整个通话过程中的变化。 Champion在最新报告中将对亚马逊的目标价从170美元上调至185美元，新目标意味着较当前水平上涨约25%。相比之下，他对$Meta Platforms的355美元目标价仅意味着7%的上涨空间，对谷歌的150美元目标价意味着14%的上涨空间。 另外，在规模较小的互联网公司中，Pinterest是Champion的首选。该公司2023年表现强劲，股价自10月底以来上涨了25%。第三季度结束后，Pinterest的收入同比可能会以低两位数的速度增长。他对该公司推动利润率增长的能力感到乐观，认为华尔街的估计显得保守。
lg
...
金融界
2023-12-16
DeSci 赛道现状及未来前景
go
lg
...
DeSci有望提高科学研究的透明度、效率和民主化，同时为解决全球性问题提供新的机会。
lg
...
金色财经
2023-12-14
亚马逊试水Prime会员送货服务 每月收费9.99美元
go
lg
...
Whole Foods)和亚马逊生鲜(
Amazon
Fresh)获得杂货送货服务。他们还可以在30分钟内取走任何大小的订单。首先，这项服务将在科罗拉多州丹佛市推出。
lg
...
金融界
2023-12-08
Footprint Analytics x Future3 Campus联合发布AI与Web3研究报告
go
lg
...
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
lg
...
金色财经
2023-12-06
对冲基金和共同基金一直在追逐同样的科技股
go
lg
...
，其中包括苹果(Apple)、亚马逊(
Amazon
)、Alphabet GOOGL、Meta、微软(Microsoft)、英伟达(Nvidia)和特斯拉(Tesla)。 对冲基金和共同基金也大举投资于一些大家共同看好的公司，包括Fiserv、Humana、Kenvue、Mastercard、Progressive Corp.、Pioneer Natural Resources、Uber Technologies、United Health、Visa、Vertiv VRT等。自2013年以来，这些公司在60%的月份里的平均表现都好于标准普尔500指数。 这一策略使对冲基金今年迄今获得了可观的回报，因为它们受益于最近大型股的上涨，尽管对冲基金的拥挤程度和集中度达到了历史新高。 然而，对冲基金和共同基金所采取的策略在能源部门方面存在分歧。高盛的分析发现，在共同基金增持能源股的同时，对冲基金减少了对能源行业的敞口。
lg
...
金融界
2023-12-06
微软竞对GitLab实现首次盈利 股价一度飙升18% 恐与亚马逊强强联手
go
lg
...
公司正在与亚马逊讨论将其整合到AWS的
Amazon
Q工作助手中。 对于2024财年第四季度，GitLab预计调整后每股收益为8至9美分，收入为1.57亿至1.58 亿美元。伦敦证券交易所集团 (LSEG) 调查的分析师预计每股净亏损为1美分，收入为1.502亿美元。 排除盘后走势，GitLab股价今年迄今已上涨16%，而标准普尔500股指同期上涨19%。 公司介绍： GitLab 是一个基于web的Git仓库管理工具，它提供了一整套用于代码仓库托管、项目协作、持续集成/持续交付 (CI/CD) 等功能的综合解决方案。团队成员可以在 GitLab 上创建项目并共享代码。每个项目都有一个集成的问题跟踪系统、Wiki 页面和讨论区，方便团队协作和沟通。 GitLab 成立于 2011 年，最初是由荷兰开发者 Sid Sijbrandij 创办的。2018 年，微软宣布以 75 亿美元的价格收购 GitHub，这是当时软件行业最大的一笔并购交易之一。GitHub 是一个流行的代码托管平台，被许多开发者和企业广泛使用。这一收购被认为是微软加强其在开发者工具和云服务领域地位的重要举措。 随着微软收购 GitHub，一些开发者可能对集中在同一家公司旗下的两个主要代码托管平台感到担忧。在这一时期，GitLab 看到了用户的增长，特别是一些担心微软收购后可能涉及的变化的用户。GitLab 不仅继续独立发展，而且加强了与其他公司的合作，以提供更全面的解决方案。 尽管是竞争关系，但 GitLab 也提供了与 GitHub 的集成。这种集成使得用户可以在 GitLab 中直接导入 GitHub 上的仓库，并在 GitLab 中进行管理。这种集成的目的是为了给用户更大的灵活性，让他们能够选择使用不同平台的部分功能。
lg
...
阿泰尔
2023-12-06
华凯易佰：拟收购通拓科技100%股权及主营业务相关的全部经营性资产
go
lg
...
OP垂直站（标的公司经营的独立网站）和
Amazon
、Walmart、AliExpress、MercadoLibre、Shopee、Lazada等全球知名电商平台为载体，采用买断式自营和代理分销的方式推动民族品牌出海，向国外C端消费者提供优质产品，目前覆盖200多个国家和地区，形成了跨平台、跨品类、跨语种、跨币种的多维度全方位的立体式业务结构。
lg
...
金融界
2023-12-05
RockTree OG Talks圆桌：行业大牛谈古论今 展望Web3未来
go
lg
...
alextapscott.com/ ?
Amazon：https
://www.amazon.com/Web3-Charting-Internets-Economic-Cultural/dp/006329995X 第二位嘉宾是Charlesd'Haussy，他是dYdX基金会的首席执行官。在过去的三年中，RockTree在牛市的最后一轮中投资了dYdX，并与之紧密合作，助其在亚洲加速发展。Charles在香港有着深厚的根基，他与香港的金融科技界和政府都保持着良好的关系。他还是《BlockKong》一书的作者，该书讲述了在上一个牛市周期中塑造香港加密行业的21位企业家的故事。Charles也是一位中国通，他的书已经上市，有中英文两个版本。 Charlesd'Haussy CEOofdYdXFoundation,Author 《BlockKong:The21EntrepreneursandFinanciersLeadingBlockchaininHongKong》 ?https://twitter.com/charlesdhaussy ?https://twitter.com/dydxfoundation ?https://charlesdhaussy.com/ ?Bookazine：https://bookazine.com.hk/products/9789887551997?variant=39336458256470 第三位嘉宾是MarkusThielen，他是Matrixport的研究与战略主管。我个人非常期待与他交流，因为他在这个领域有着丰富的知识和见解。他曾在基金管理机构从事与比特币相关的重要科研工作，过去还曾与行业OG吴忌寒共事。他是《加密巨头——如何创造数万亿美元以及损失数十亿美元》一书的作者。非常期待他今天的分享。 MarkusThielen HeadofResearchandStrategyatMatrixport,Author 《CryptoTitans:HowTrillionsWereMadeandBillionsLostintheCryptocurrencyMarkets》 ?https://twitter.com/GetDeFiResearch ?https://markusthielen.com/ ?
Amazon
: https://www.amazon.com/Crypto-Titans-trillions-billions-cryptocurrency-ebook/dp/B0C4CX5SLT?_encoding=UTF8&qid=1691990845&sr=8-1&linkCode=sl1&tag=cryptotitans-20&linkId=1dcfb60277b9189f3afc05bcc6cf7acd&language=en_US&ref_=as_li_ss_tl OmerOzden：Alex是一位全球知名的作家、演讲者、投资者和顾问。在7年前，您就出版了《区块链革命》这本巨著，近年又出了一本新书《Web3》，通过这7年的发展，您觉得世界最明显的变化是什么？Web3领域未来的2-3年，又将发生什么样的变化？ AlexTapscott：我想分享两个观点。首先，我出版第一本书《区块链革命》时，我注意到加密资产市场的规模并不大，总市值大约只有70到80亿美元，这相当于一个规模有限的上市公司。而现在，这个市场已经增长到1.5万亿美元，这表明了过去几年中市场的巨大增长和积淀。 其次，我注意到整个网络环境和互联网的演变。经过近30年的发展，互联网从一个信息网络逐渐演变成现在的价值网络，这得益于区块链技术的推进。此外，由于七年前市场规模较小，市场上的用户案例和商机也相对有限。当时我们所设想的商机和用户案例，现在正逐渐从虚拟走向真实。七年前，市场上的主要资产还是比特币，现在无论是在金融科技、保险、交易、风险对冲、能源行业、文化甚至实体基础设施等方面，都有加密行业的足迹，当年的探索现在逐步落地。 在新书中，我阐述了三个核心理念：首先，区块链和它背后的技术不应该被看作是金融科技的一个分支。我觉得金融科技是围绕区块链开发一些具体应用，比如将实体钱包和信用卡转变为数字钱包。区块链和背后的推动技术，如DeFi，是最关键的独立领域，能够重新产生价值，这就是为什么互联网正在从信息网络转变成价值网络。 其次，我看到技术在文化层面上的应用正在扩展。艺术家和创作者可以通过NFT技术获得更多回报，远超过了他们以前靠文化产品带来的收入。目前，全世界已经有超过340个大的 NFT项目，为艺术创作者和整个数字领域带来了数亿美元的收益。 最后，我注意到DeFi应用不再仅限于虚拟层面，也正在扩展到实体基础设施层面。早在2016年我就注意到这样的趋势。当时，物联网是热门话题，而物联网背后，我们需要利用区块链记账功能实现物联网的快速扁平化。 我们经常讨论Web3.0时代，我相信这会是一个更加扁平、公平和有效的世界，在这个世界中，人们的竞争和交互将会更加平等。我也认为Web3.0是一个强大的工具，它可以帮助亚洲、非洲以及全球各个发展中经济体的人们更好地创造价值和拥有财富。 OmerOzden：Charles曾担任香港政府金融科技负责人。您的潜力也是石木资本早期投资dYdX原因之一。记得RockTree刚开始与dYdX合作时，日交易量约为1000万美元。在大约4个月内，亚洲成为最大的增长市场——70%的新用户来自亚洲——我很惊讶地看到，在我们合作的13个月内，DEX的日交易量在某一天达到了140亿美元的历史新高——我记得那是在2021年9月——这是大约1年内1400倍的爆炸式增长。在香港工作期间，您采访过多位具有代表性的企业家，其中包括SBF。您是否可以跟我们分享一下您采访的最具代表性的企业家和他们的观点？另外，鉴于香港正在成为加密货币政策的中心和变革的推动者，您认为香港未来在Web3领域有哪些潜在的机会？ Charlesd'Haussy：香港是一个经济潜力巨大的城市，在过去几十年中积累了丰富的潜能。我注意到，许多香港企业家对加密货币领域非常感兴趣。虽然以前从事加密货币的企业家背景各异，随着中国和全球政府对加密货币态度的波动，加密市场也经历了起伏。特别是自2014年起，香港政府开始积极研究加密市场和背后技术的逻辑，以更开放的态度和政策拥抱Web3。 接下来，我想分享dYdX的表现。到目前为止，dYdX已经成为全球排名第一的DeFi产品和平台，我们提供了各种DeFi交易和永续合约服务。我们认为DeFi和加密货币是相辅相成。通过抓住良好的市场机遇，目前dYdX的交易量已超过十亿美元。相对于其他平台，我们在永续合约方面的表现是最好的。 我也曾采访过SBF，这是一次非常有意义的经历。他在香港加密货币领域的工作非常引人关注。他认为加密平台应由交易者的个性和偏好来塑造，而不仅由技术决定。他还是一个充满实验精神的人，认为FTX不需要如传统金融平台那样设计各种指数进行验证。 最后，我对香港的未来非常乐观，原因有三：一是香港拥有成熟的加密ETF；二是许多公司正在积极开展加密业务，得到了政府的政策支持；三是香港作为传统金融中心，拥有资本流动、开放心态和加密金融的许可，这些都将有助于将传统业务转变为加密业务。所以，我对香港在Web3领域的未来充满信心。 OmerOzden：Markus是加密行业OG中的OG，您的著作也获得吴忌寒的序言推荐。在如今的加密市场中，你觉得现在比特币扮演着什么样的作用？现在我们处于什么样的全球环境中？你觉得中国和西方对比特币的看法和态度又有什么不一样？ MarkusThielen：首先，我想分享关于加密货币和比特币在中国市场的发展。我认为加密市场在中国市场被低估了。在我的书中，我详细描述了四次不同的牛市发展，展示了整个行业的成长、驱动力以及不同参与者的表现。正如Charles所提到的，香港市场能够蓬勃发展，其中一个重要原因是背后有政府的支持和良好的政策。 我在香港生活和工作了约15至16年，在新加坡待了大约2年。我很幸运，遇到了吴忌寒，他是行业中的佼佼者。从他身上，我看到了中国加密货币早期的发展和在香港行业规模的巨大。我个人是在2013年1月份接触到比特币的。起初，我对比特币的态度较为平淡，但随后我发现加密趋势不可阻挡。因此，我后来成立了自己的对冲基金，专注于这个行业，见证了整个行业的蓬勃发展。 我还想强调技术和政策的“双轮驱动”对加密行业的重要性。我在2013年进入行业时就注意到了技术层面的变化，比如挖矿从CPU转向GPU，以及挖矿效率的大幅提升。从数字上看，2013年初，中国的比特币挖矿公司仅占市场份额的1%，但到年底就达到了75%。这背后不仅仅是技术的驱动，还有政策的红利。据我所知，吴忌寒是一位非常低调而务实的实干家。我当时注意到，他一年中的比特币回报达到了惊人的500倍。另外，2013年初，一台矿机挖矿每两到三个工作日可以挖出10枚比特币，但到了2021年，可能需要10年时间才能挖出1枚比特币。 总的来说，技术和政策促使中国的挖矿市场蓬勃发展。在2013年，中国市场的份额从几乎从零增长到超过70%，并在2014年占到了全球市场的80%。我在书中详细描述了发展过程，以及中国市场在过去十年里的重大事件和变革。我还想强调，加密货币在中国投资者眼中一直被视为一种资产类别。虽然我们常谈技术驱动，但背后还有很多政府层面和合规层面的考量。 OmerOzden：相比于西方的一些落后观点和从业者，大中华区在PoW和共识领域有哪些优势和先进之处值得我们学习和借鉴？我认为这个领域的探索对于理解整个加密货币市场的未来走向至关重要。 MarkusThielen：我注意到中国与西方国家在看待比特币的方式上存在显著差异。在中国，许多比特币相关的从业者将比特币视作与黄金、房地产和股票等并列的替代资产，而不是频繁交易的投资工具，比特币主要用于保值和增值。在西方国家，人们更多地将比特币视为便捷的支付工具，认为是技术革新和变革的产物，用以即用即付。在中国，大部分人持有比特币的目的主要是为了保值。 此外，我还观察到，中国的特殊外汇和资本管控政策使得投资者的投资工具选择有限，比特币的出现就像美元一样，对中国投资者来说，比特币更像风险对冲的工具，而不是快速流动的工具。我认为，这种现象在很大程度上不仅是政策驱动，更多的是由于人们的投资理念和长期的储蓄习惯，使得中国的数字货币市场变得格外有趣。 最后，对于一些金融体系脆弱，本国货币经常出现严重通胀的国家，如委内瑞拉和土耳其，人们可能会更倾向于使用加密货币进行日常生活和支付。比如泰达币，在土耳其和委内瑞拉，它反而成为了一种更稳定的货币供人们选择。据我了解，现在泰达币的市值已经达到了880亿美元。 来源：金色财经
lg
...
金色财经
2023-12-04
MT Capital研报：Solana 生态全面爆发前夜
go
lg
...
心化努力得到了关键的支持和提升。例如，
Amazon
Web Services的高级解决方案架构师Nikolay Vlasov在Breakpoint上宣布，Solana节点现在可以在AWS上快速部署，这有助于全球范围内的用户扩展使用体验。 Solana展现了其对技术合作和创新的承诺。Google Cloud的Web3主管James Tromans宣布，Google Cloud的BigQuery现在已经加入了Solana数据，使开发者、企业和用户能够查询详细的Solana数据，这一整合强调了Google的现有基础设施，使其成为将开发者引入区块链空间的理想公司。 顶级 Solana 协议计划通过空投将代币分发给其最活跃的链上用户。随着新获得的代币在 Solana 上流通，由此产生的 TVL 注入将有助于提高整个 Solana 生态系统的估值。 随着TVL的增长、DeFi项目空投以及流动性质押市场的成熟，Solana上的DeFi和LSD产品可能会吸引大量资本。NFT项目，尤其是与元宇宙和游戏领域结合并赋能提供独特用户体现和创新的项目（如xNFT）可能会成为投资热点。 长远来看，随着对亚太市场的聚焦和全球扩张计划，Solana可能会成为全球最领先的公链生态，吸引更多的国际用户和开发者。Solana的技术创新，如高TPS和低延迟，会使其在高性能区块链应用（如大规模游戏和复杂的DeFi应用中）占据领先地位。随着DePIN项目的成功，可能会引领一个新的区块链应用趋势，将区块链技术与实体世界的多种场景融合，为传统行业带来创新。 MT Capital MT Capital 总部位于硅谷，是一家专注于 Web3 及相关技术的加密原生基金。我们具有全球化的团队，多元的文化背景及视角让我们对全球市场有深入的理解并能把握不同区域性的投资机会。MT Capital 的愿景是成为全球领先的区块链投资公司，专注于支持能够产生巨大价值的早期技术企业。自 2016 年以来，我们的投资组合涵盖 Infra、L1/L2、DeFi、NFT、GameFi 等各个领域。我们不仅仅是投资者，更是创始团队背后的推动力量。 官网：https://mt.capital/ 推特：https://twitter.com/MTCapital_US Medium：https://medium.com/@MTCapital_US 参考资料 https://www.theblockbeats.info/news/43689 https://news.marsshare.cc/20231008181622409769.html https://foresightnews.pro/article/detail/44826 https://www.theblockbeats.info/news/47648 https://www.hellobtc.com/kp/du/10/4746.html https://solana.com/news/solana-hyperdrive-hackathon-winners https://pro.nansen.ai/multichain/avalanche https://foresightnews.pro/article/detail/47546 https://www.chain-times.cn/news/10273 https://www.techflowpost.com/article/detail_11817.html https://blockcast.it/2023/07/17/solana-after-the-ftx-collapse/ https://foresightnews.pro/article/detail/46393 https://www.odaily.news/post/5191309 https://www.techflowpost.com/article/detail_14702.html 来源：金色财经
lg
...
金色财经
2023-12-04
为什么亚马逊要推出贝佐斯稳定币？
go
lg
...
，同时也可以使用一种名为“亚马逊币”（
amazons
）的数字货币。（我喜欢称之为—“贝佐斯元”或BBs，但这可能对于杰夫·贝佐斯来说不够合理的称呼）顾客可以将美元兑换成亚马逊币，至少在短期内，他们也可以按需以1:1的汇率将其兑换回美元，或许需要支付一小笔费用。 使用亚马逊币进行购物将使用户享受正常购物价格的折扣，可能是2%。这将为人们提供使用亚马逊币的动力。事实上，亚马逊已经推出了一种虚拟货币，名为“亚马逊币”（
Amazon
coins），可用于亚马逊应用商店购买特定应用和游戏，并进行应用内购物。因此，亚马逊币将是这一概念的自然延伸。 作为一个连接买家和卖家的平台，亚马逊拥有相当大的市场力量和影响力。原则上，亚马逊可以要求卖家在亚马逊市场的销售中接受亚马逊币而不是美元。然而，在短期内，这样的安排可能不太可行，因为亚马逊币对零售商来说没有用处，他们需要用美元支付供应商，至少在一开始是这样。 但是，如果亚马逊币被广泛使用，这将不成问题。对于亚马逊而言，挑战在于推动其货币的采用，同时不惩罚其平台上的卖家。明智的做法是向卖家支付部分销售价格的亚马逊币，初始可能是10%，其余部分以美元支付。每个卖家都会有一个数字钱包，亚马逊币会被支付到其中，亚马逊币可以顺利地转换成美元。 这种方法将为亚马逊创造一个微妙但有用的默认情况。尽管对卖家来说将亚马逊币转换为美元并不困难，但在数字钱包中存有亚马逊币，随时可以在亚马逊平台上的其他地方使用，将成为一种使用它们的激励。 在数字钱包中存款并支付利息将激励卖家将资金存放在亚马逊的数字钱包中，而不是转移到银行并在那里几乎不产生利息。引入这些功能将为亚马逊提供一种自然的方式，以为小型企业提供其他金融服务。 第二支柱 第二支柱涉及亚马逊网络云服务（AWS），这是全球最大的云计算公司。它起初是为了运行亚马逊自己的平台，后来发展成一家向其他公司甚至大学研究人员提供类似服务的公司。 Netflix是AWS最大的客户，在月度支出方面，紧随其后的有Twitch和LinkedIn。在AWS上运营业务的其他主要云服务公司包括百度、BBC、ESPN、Facebook/Meta（用于与现有AWS用户的第三方合作）和特纳广播公司。就像告诉这些大公司，它们必须提前持有一定数量的亚马逊稳定币，而没有提供任何额外的好处，有点像是要这些公司提前支付AWS服务费，而不是按照通常的商业方式计费。这就好比直接将工作资本（日常运营活动的资金）从AWS转移到其客户那里，对AWS非常有利。采用这种方式，为客户增加额外成本的做法是不太可能成功。但是亚马逊/AWS可以与一些或所有这些大公司形成一种合作关系，这将增加私人数字货币取得成功的可能性。 但请记住几年前发生的事情，当时Facebook的Libra协会失去了包括Visa在内的关键支付公司。这些公司有两个主要关切点。 第一个是Libra协会是否会完全遵守监管要求。在2019年10月的众议院金融服务委员会听证会上，代表Maxine Waters（加利福尼亚州民主党）问Facebook项目负责人David Marcus是否公司会等待国会考虑适当的监管。Marcus回答说：“我承诺等待我们获得所有适当的监管批准并解决所有问题后再继续前进。” Waters说：“这不算承诺。” Marcus似乎在暗示Facebook将遵守现有的法规，而委员会的立法者们在整个听证会上明确表示，这样一项重大创新可能需要重大的新法规。 约书亚·甘斯（Joshua Gans）和汉娜·哈拉布尔达（Hanna Halaburda）在2015年的一篇重要论文中指出：“ 每种货币都可以被视为一个平台，而它的吸引力主要取决于人们对这个平台的接受程度。” 第二个担忧是Facebook的声誉和过往行为，包括其涉及剑桥分析公司（Cambridge Analytica）的事务。剑桥分析公司是一家英国公司，在2010年代未经用户同意就收集了大量Facebook用户的个人数据，并将其用于政治广告目的。 这些担忧由纽约州众议员亚历桑德里亚·奥卡西奥-科尔特兹（D-N.Y.）最为明确地表达，她对Facebook创始人马克·扎克伯格说：“我认为你最能理解在决策未来行为时使用一个人过去行为的重要性。为了我们对Libra做出决策，我认为我们需要深入研究你的过去行为，Facebook在我们的民主制度方面的过去行为。扎克伯格先生，您个人何时首次得知剑桥分析公司的事务是哪一年哪一月？” 在这次交流时，Visa已经退出了Libra 协会，并发布了以下声明：“ [Visa] 将继续评估，我们最终的决定将由多个因素决定，包括协会是否能够充分满足所有必要的监管期望。Visa对Libra的持续兴趣源于我们的信念，良好监管的基于区块链的网络可以将安全数字支付的价值扩展到更多的人和地方，特别是在新兴和发展中市场。” 这次交流突显了声誉在促使公司使用私人数字货币方面的至关重要性。一个牢固的客户基础可能足以吸引消费者，但像Visa、Netflix或ESPN这样的大公司需要确信参与将增强而不是削弱它们的声誉。 Facebook在2016年选举后拥有太多包袱，特别是在数字货币的可信支持方面。忠实于扎克伯格著名的格言——“快速行动，打破陈规”，该公司在利用个人用户数据获取利润和进行政治广告的方面，确实行动迅速。 尽管如此，对于像Netflix和ESPN这样的公司来说，私人数字货币可能带来显著优势。像AT&T和Microsoft这样的公司已经允许客户通过诸如BitPay之类的支付处理器使用加密货币进行支付。他们选择这样做的原因并不重要：因为听起来很酷，因为他们的客户对加密货币怀有一种哲学信仰，或者出于隐私考虑。重要的是顾客似乎想要这个选项。对于大公司来说，一种更稳定的数字货币将更具吸引力。它甚至可能使它们扩展到其他产品线：例如，ESPN可能提供体育博彩，这是它已经表现出兴趣的领域，尽管这样的举措将涉及监管复杂性。 即使其中一些公司对接受亚马逊这个竞争对手的领导感到犹豫，他们都会明白，在美国（甚至可能是其他地方）控制货币的力量将创造出一个非凡的业务收入流池。即使亚马逊占据最大份额，这些业务收入流也足够分配给所有公司。 第三支柱 第三支柱是监管：亚马逊将承认，通过发行亚马逊稳定币，实际上就是在充当货币市场共同基金。因此，该公司将欣然同意将其货币业务作为货币市场基金（MMF）受美国证券交易委员会监管。 MMF受到1940年《投资公司法》第2a-7条的规定。该规定规定了关于MMF投资组合的多个条件，包括MMF可以投资的资产的信用质量，投资组合必须多样化的程度，其必须具有的流动性，以及所持资产的到期结构。亚马逊可以同意满足或超过所有这些条件，并承诺使其数字货币储备成为最为干净的货币市场基金。 在这种情况下，亚马逊稳定币可能会遇到与银行业务相关的其他监管要求，特别是如果它开始扩展到提供信贷产品等其他金融服务。但是，对于亚马逊来说，主要目标是创建一个主导的私人数字货币，而不是试图通过银行业务赚钱或规避监管。因此，在这个领域，亚马逊完全可以本着善意的原则行事，同时追求让网络外部性飞轮旋转，扩大其数字货币的使用。 监管合规还将使亚马逊稳定币具有利比拉模型的稳定币特性，与利比拉储备不同，将有亚马逊稳定币储备。将其整个储备保持在美国政府证券中将满足监管要求，并让亚马逊稳定币持有者相信他们可以随时将其兑换成美元（或其他货币，因为亚马逊是一家全球性企业）。 Block unicorn注释：利比拉模型的稳定币特性通常涉及一种由一篮子资产支持的数字货币，这些资产可能包括法定货币、政府债券等。目的是通过多样化的资产支持，确保数字货币的稳定性，避免大幅波动。这一设计旨在使数字货币更适合用作交易媒介，因为它不像某些加密货币那样经历极端的价格波动。 亚马逊将基本上在其提供可兑换性的每种货币中运营一个货币市场基金，这对希望避免汇率风险的国际消费者来说将是一个优势。而且，这可能会使亚马逊稳定币的持有者更有信心，因为可以兑换成本地货币，从而降低了客户进行汇率对冲的风险，从而减少了对亚马逊稳定币发生现代银行挤兑的风险。 第四大支柱 支柱4是金融包容：通过在Libra上的努力，Facebook描绘了那些被排除在银行之外的人的困境——不仅仅是在撒哈拉以南的非洲，还包括南洛杉矶和芝加哥南区。这些社区的许多人没有银行账户，或者为使用ATM和其他基本银行服务支付极高的费用。因为缺乏其他选择，他们可能被迫支付极高的短期贷款费用。 私人数字货币的推广部分可能是向这些社区的人们提供廉价、安全的金融服务。虽然对于现有银行和金融服务公司而言，这样做可能并不具有盈利性，但像亚马逊这样的公司可以轻松地吸收这种成本，将其视为一种引流工具。 这个想法的一些要素与最初被低估的区块链技术的一个好处有关——被称为首次代币发行（ICO）的金融创新。ICO是对区块链投资筹集资金的一种新型金融用途，通过在区块链分布式网络上发行的所谓代币或硬币来实现。代币化允许创建一系列金融工具，其中一些是新的，一些则更为优越，在金融市场具有巨大潜力。 为了了解这是如何运作的，让我们以Filecoin为例，该项目在其2017年的ICO中筹集了2.57亿美元。该项目的基本目标是建立一个数据存储市场。买家和卖家都必须使用FIL代币进行交易，Filecoin承诺发行最多2亿个FIL代币。因此，原则上，所有FIL代币的总价值将等于在磁盘存储市场的那一部分所产生的收入，单个代币的价值是该收入除以代币数量。 持有FIL代币的所有者实质上是在购买与数据存储市场收入相关的证券（并对其进行投注），持有这种证券的人可以将其转售给想要在网络上购买存储空间的人。在ICO中，有10%的代币出售给投资者，因此Filecoin未来收入的总估值为25.7亿美元。 亚马逊并不是唯一一个有可能创建在很大程度上取代美元的私人数字货币的公司，谷歌也拥有庞大的消费者和商业用户群，苹果是另一个明显的例子。 这并不是说由这些科技巨头之一创建的私人数字货币会创造社会价值。事实上，这将带来涉及逃税、货币政策、非法活动等复杂的问题。 美国政府面临的挑战是，保持现状似乎困难重重，可能需要采取预防性措施，推出中央银行数字货币，以防止建立一个与美元竞争的私人数字货币。但无论如何，您很可能很快就会看到这样一种货币的出现。 来源：金色财经
lg
...
金色财经
2023-12-03
上一页
1
•••
32
33
34
35
36
•••
82
下一页
24小时热点
中国经济重磅！中国最高领导人敦促“抓这件大事” 罕见措辞释放就业重大信号
lg
...
仅1.2万！非农数据大“爆雷”！黄金飙升、上破2760 市场加大11月降息25个基点押注
lg
...
美国大选前非农报告“不按套路出牌”，金融圈大佬们怎么看？
lg
...
令人震惊的行情！金价暴跌近44美元 原因在这里 非农来袭如何交易黄金？
lg
...
今日非农恐被扭曲：最低7万！以色列突然“高度戒备”，恐慌指数狂飙
lg
...
最新话题
更多
#SFFE2030--FX168“可持续发展金融企业”评选#
lg
...
10讨论
#海外华人投资#
lg
...
27讨论
#链上风云#
lg
...
46讨论
#美国大选#
lg
...
982讨论
#VIP会员尊享#
lg
...
1416讨论
北美站
