FX168财经网_全球视野外汇黄金加密货币NFT资讯网

美国出口管制发酵！中国黑市抢购处理器研发AI 英伟达：违反协议将采取“适当行动”

经报社(香港)讯美国商务部将英伟达(NVIDIA)的第二代A100处理器(GPU)列入出口管制名单，中国开发商被迫涌入黑市购买以开发人工智能(AI)模型，但与市面价差达到两倍。英伟达声明称，若发现客户违反协议，将采取适当的行动。美国明言禁止英伟达和超微(AMD)等美国顶尖硬件公司，向中国和俄罗斯出售最先进的芯片，以损害两国的技术实力。根据新规定，英伟达被禁止出口其A100和H100 GPU。但《路透社》报道显示，中国的开发商仍然可以通过从印度、台湾或新加坡等其他亚洲市场、黑市甚至一些电子商店进口来小批量采购A100。“如果你在专门商店仔细询问的话，在深圳，单个GPU的售价可达2万美元。” 香港万神殿实验室联合创始人Ivan Lau表示，他正在尝试购买2-4块A100芯片来开发AI模型。他指出，正在与两家在美国境外购买该设备的卖家进行洽谈，并将每张卡的价格定为150000港元，约19150美元。 “他们直接告诉我们，不会提供任何保修或支持，”他说。购买或销售此类芯片在中国并不违法，但会引起人们的不满。它们很难大量找到，因为美国公司不允许直接出口它们，这使得中国开发者训练大型、强大的AI模型变得更加困难。英伟达在声明中表示：“如果我们收到信息称客户违反与我们的协议并违法出口受限制的产品，我们将立即采取适当的行动。” 美国2022年出台了全面的规则，旨在切断中国制造先进芯片的主要工具和零部件的供应，并阻止中国获得关键的半导体。此举被视为可能阻碍中国本土芯片产业，美国还让盟友就严格的对华技术出口规则达成一致。与此同时，美国寻求通过《芯片与科学法案》提供520亿美元等资金来促进包括半导体在内的国内技术的发展。咨询公司Albright Stonebridge技术政策负责人保罗·特里奥洛(Paul Triolo)表示：“华盛顿可能会做出更多尝试，瞄准在中国开发某些类型的应用程序，而生成式AI可能会成为未来一年的焦点。” 他补充说：“美国总统拜登政府正在确定哪些技术既可以有利于中国的军事现代化，也可以提高中国企业在生成式AI领域取得突破的能力”。 AI需要接受大量数据的训练才能发挥作用，生成式AI基于所谓的大型语言模型，这意味着它需要接受大量语言的训练，以便能够理解并响应用户的提示。这些数据的处理需要大量由特定半导体驱动的计算能力，例如美国公司英伟达销售的半导体，该公司被视为此类芯片的市场领导者。美国目前的部分限制措施旨在切断中国与英伟达部分关键芯片的联系，这反过来可能会阻碍中国AI的发展。美国还在进行对外投资审查，这将为美国对外国公司的投资制定规则。 “即将出台的对外投资审查行政令，将包括限制美国对部分人工智能相关技术的投资，这将是拜登政府最后两年美国技术管制走向的重要标志。”特里奥洛表示。

小萧2023-06-27

深入剖析ZKML赛道：智能合约智能性的下一步

kVM 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。Halo 2 和 Plonky 2 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 R 1 CS 的证明系统包括 Groth 16 ，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。 03 zkML 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 halo 2 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 Plonky 2 与 Groth 16 相结合，Plonky 2 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 Groth 16 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0x PARC 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2023-06-24

中美科技霸权争夺战：这一领域可能成为“新战场”！

定的半导体驱动的，比如美国公司英伟达(Nvidia)销售的半导体，该公司被视为此类芯片的市场领导者。美国目前的部分限制措施旨在阻止中国获得英伟达的一些关键芯片，从而可能会阻碍中国的人工智能发展。美国也正在展开境外投资审查，这将为美国对外国公司的投资制定规则。 Triolo说：“即将出台的境外投资审查行政命令将包括限制美国对一些AI相关技术的投资，这将是拜登政府最后两年美国技术控制方向的一个重要标志。”

天马行空2023-06-23

市场要变天？美股空头押注规模达1万亿美元已损失超1000亿美元也在所不惜？

、微软(Microsoft)和英伟达(Nvidia)在内的股票名列榜首，卖空者在亏损增加的同时也增加了头寸。根据S3的数据，今年看空特斯拉的人已经押注260亿美元，随着特斯拉股价翻倍，账面损失超过140亿美元。而目前几乎没有迹象表明他们正在抛售赌注。周三，巴克莱银行(Barclays Plc)分析师Dan Levy表示，特斯拉股价上涨过快，并将其股票评级从增持下调至持股观望。

市场焦点2023-06-22

机器人概念迎来风口，机器人指数近一周涨幅17%，现象级长坡厚雪大赛道来临！机器人是AI的最强落地方式之一？

长期价值，将会是 Optimus。” NVIDIA公司创始人兼首席执行官黄仁勋表示：下一波人工智能浪潮是“具身人工智能（embodied AI）”，即能够理解、推理并与物理世界互动的智能系统。AI 是我们这一时代最强大的技术力量。第一阶段人工智能将实现全新的软件自动化水平，从而帮助诸多行业提高生产力；其后，人工智能与传感器和执行器相结合，将成为新一代自主机器的核心。终有一天，数十亿台智能机器将用于制造、送货上门服务、仓储物流等领域。风险提示：基金有风险，投资需谨慎。观点仅供参考，不构成任何投资建议。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2023-06-21

盘点加入NVIDIA Inception计划的6个加密项目

英伟达（NVIDIA）的 GPU 和 AI 芯片主导着 AI 模型的训练。在发布今年第一季度财报后，英伟达成为首个市值突破 1 万亿美元的芯片公司，也是继 Meta、亚马逊、微软、Alphabet、苹果和特斯拉之后第 7 家解锁万亿美元市值成就的公司。加密市场中有哪些项目和英伟达有关联呢？英伟达有一个创业孵化计划——NVIDIA Inception，旨在支持和加速人工智能和数据科学领域的初创企业，为初创公司提供包括技术指导、深度学习培训、硬件和软件支持、市场推广和业务网络的资源和支持。 Flux Flux 是一个区块链网络，它的共识改编自“工作量证明”机制，计划在今年第三季度推出“有用工作量证明”（PoUW）机制。 Flux 中的矿工将 GPU 硬件用于保护网络，作为回报，矿工也赚取区块奖励。同时，矿工能够将它们的 GPU 矿机用于计算密集型任务，如人工智能、深度虚拟检测、渲染等，创造额外的收入。矿工可以在挖矿和按需进行 PoUW 任务之间自动切换，优化盈利能力。 Flux 在 2022 年 1 月加入 NVIDIA Inception 计划，Flux 也在自身的计算网络中使用 NVIDIA Jetson 边缘人工智能平台模块作为 Flux 网络中的节点运行。截至 6 月 16 日，Flux 的原生代币 FLUX 市值 1.2 亿美元。 iExec iExec 开发了一个去中心化的计算资源市场，用户可以在该市场上购买和出售计算资源，将云计算能力转化为商品。用户可以通过 iExec 云市场按需获取来自多个提供商的 GPU 计算资源，这在人工智能和深度学习等需要高度计算要求的领域尤为重要。该项目在 2022 年 10 月加入 NVIDIA Inception 计划，希望从中获取 GPU 计算方面的专业知识和经验。 iExec 发行有代币 RLC，目前总市值为 1.04 亿美元。 Shapeyard Shapeyard 为元宇宙构建了一套可交互的内容创造工具，以创建3D数字资产，并将数字资产引入Web3经济系统，让用户能够将其创造的3D数字资产在虚拟空间之间进行交换和整合。它背后的开发公司 Magic Unicorn 是一家总部位于纽约的风险投资工作室，也从事计算机图形、移动人工智能和增强现实领域的软件开发。 Shapeyard 开发有手机应用程序，其内包含多种3D模型、纹理工具和3D市场模型。它使用“所见即所得”的方法，能够通过简单的放置和颜色填充来生成数字资产，该应用程序还允许设计人员将创建的模型导入3D打印软件。 Shapeyard 于 2022 年 10 月加入 NVIDIA Inception 计划，希望将自己的产品整合到 NVDIA Omniverse 平台中，以构建3D数字资产，并以通用场景描述文件框架导出场景。目前 Shapeyard 的 NFT 铸造和交易功能正在开发中。 dotmoovs dotmoovs 是一个 Move to Earn 项目，旨在创造一个运动员、教练员和球迷可以一起比赛的世界。dotmoovs 的 AI 系统会对用户的身体进行检测，逐个评估肢体动作，并进行打分。此外，dotmoovs 还提供 AI 驱动的教练，帮助用户改善运动中的问题。 dotmoovs 在今年 6 月加入 NVIDIA Inception 计划，希望通过尖端的 AI 解决方案塑造体育的未来。 dotmoovs 发行有代币 MOOV，目前总市值 481 万美元。 Kondux Kondux 构建了一个功能丰富的平台，将区块链技术与3D资产结合，让用户能够查看、创建和部署数字资产。用户可以通过3D视口自定义和查看3D kNFT，在 NFT 市场进行购买、出售和交易，通过 XR 查看器以 AR 对象形式查看自己的资产，使用 NFT 铸币器上传自己的数字资产并创建 NFT 或 kNFT，以及通过连接钱包在3D NFT 画廊环境中查看 NFT。 Kondux 在 2022 年 9 月加入 NVIDIA Inception 计划，NVIDIA Omniverse 相关的硬件和软件将为 Kondux 提供实现高级 API 连接所需的工具，以创建可互操作的3D资产、制造模型和机器学习应用程序。 Kondux 发行有 NFT 和 ERC-20 代币 KNDX，目前 KNDX 的总市值为 194 万美元。 Ubex Ubex 是一个利用区块链和人工智能技术改进数字广告行业的平台，旨在提供更高效、透明和精准的广告投放方案。它通过去中心化的广告生态系统，连接广告发布商和广告客户，并通过智能合约确保广告交易的可验证性和安全性。 Ubex 在 2018 年 6 月加入 NVIDIA Inception 计划，希望利用 NVIDIA 在数据科学方面的丰富知识来加强神经网络的学习技术。 Ubex 发行有代币 UBEX，但目前总市值仅剩 15.4 万美元。小结在上面的项目中，进行 GPU 算力交易的 Flux 和 iExec 发展相对较好。随着 AI 的发展，去中心化的 GPU 算力市场可能会有需求。而元宇宙、NFT 类项目和 GPU 的结合点并不太多，在当前的熊市环境下价值也明显回归。需要指出的是，加入 NVIDIA Inception 计划的项目数量众多，可能存在遗漏之处，也不意味着这些项目和英伟达存在深度合作，投资者需谨慎自行判断风险。来源：金色财经

金色财经2023-06-19

向美国和中国发起挑战！法国高调推动自己成为欧洲人工智能中心

资了OpenAI)和芯片制造商英伟达(Nvidia)。马克龙表示，法国没有像美国那样的人工智能巨头，但希望在该技术领域创造两三个“大型全球参与者”。它寄望于自己的初创企业能够迅速成长。成立四周的法国初创公司Mistral AI筹集了1.05亿欧元的资金，突显了人工智能发展的潜力和炒作。其他一些本地创业公司也在Viva Tech上展示了他们的产品。法国希望通过包括美国和英国在内的七国集团(G7)以及经济合作与发展组织(OECD)来实现对人工智能的全球监管。马克龙说：“从我的角度来看……我认为我们确实需要一个规则，所有的成员，甚至是美国成员，都同意这一点。我认为我们需要一个全球性的监管。” 法国既视美国为对手，又视其为盟友。法国和欧洲的公司将试图与微软和谷歌等美国巨头竞争，但任何形式的全球监管都需要华盛顿的支持。 “竞争总是一件好事。因此，我们与美国有着非常密切的合作，但我们也希望获得我们自己的人工智能和公司。所以我认为，美国和欧洲之间的公平竞争，以及在一些关键设备上的合作，对美国和欧洲都有好处，”法国财政部长Bruno Le Maire告诉CNBC。“在监管方面，我认为与美国当局就监管人工智能的最佳方式进行深入讨论绝对至关重要。”

超启2023-06-19

重磅前瞻！本周美股两大爆点：美联储与联邦快递业绩华尔街热情能持续多久？

eta、特斯拉(Tesla)和英伟达(Nvidia)等科技股“七巨头”在扭转市场的过程中发挥了很大的作用。从根本上看，在这场席卷商业世界的人工智能“革命”中，现有的科技巨头将成为赢家。不过，本月早些时候，高盛策略师就人工智能对股市的影响提出了更为大胆的观点，他们表示，由于企业可能从人工智能中实现效率，10年后标准普尔500指数成品股的整体收益可能会比目前的预期高出11%。但如果长期来看，盈利推动股价，经济增长推动盈利，那么许多人仍对今年上半年之后的前景持谨慎态度。 “我们仍然认为，温和的经济衰退可能会在2023年下半年为股市降温，”凯投宏观的Higgins周五写道。 “让我们从一开始就明确一点：当经济下滑时，股市几乎总是表现不佳，”Higgins补充称，“自1855年以来，美国经历了34次衰退，其中绝大多数都出现了股市下跌。它通常在衰退开始前达到顶峰，并在衰退结束前不久触底。” 股票价格反映了对未来收益的预期。可以肯定的是，目前的市场反弹已经反映在了这场备受关注的衰退和随后的反弹中。又或者，市场只是押注“所有人”都认为即将到来的衰退永远不会到来。

超启2023-06-19

经济数据连传好消息！美元“祸不单行” 美股涨势如虹连创“8大里程牌”

价上升超过2%。人工智能的宠儿英伟达(Nvidia)股价本周上升11%，今年以来的涨幅高达196%。微软(Microsoft)本周上升逾6%，周四创下历史新高。当美联储开始加息时，科技股最初受到的打击最大。 Oanda高级市场分析师Ed Moya表示:“华尔街仍然乐观地认为，人工智能(AI)浪潮不会很快消失，随着全球央行政策的分化，投资者将更青睐美国股市。”“这次股市反弹似乎有点过度，但仍有太多资金离场，这意味着如果人工智能交易保持不变，标准普尔500指数的连涨势头可以持续下去……” 鉴于部分指数的季度再平衡以及部分期权到期，周五市场可能较为震荡。这种所谓的“四巫”可能导致市场波动和交易量激增。不过，根据《股票交易员年鉴》(Stock Trader's Almanac)的数据，在牛市期间，股指往往在四巫日走高，在熊市时则往往会走低。这至少对标普500指数和纳斯达克综合指数来说是个好兆头，这两大指数迄今几周表现强劲。周五也是长周末前的最后一个交易日，下周一为庆祝六月节休市。

夏洛特2023-06-17

会员

多维度解析DePIN如何助力人工智能？

Microsoft 的 OpenAI、Nvidia、Google 甚至 Meta 这样的传统科技巨头。发生了什么？为什么这一次巨头赢过了初创？初创企业可以写出优秀代码，但与科技巨头相比，它们面临多种阻碍：计算成本居高不下 AI 发展存在反向凸角：由于缺少必要的方针，围绕 AI 社会影响的担忧和不确定性阻碍了创新 AI 黑盒问题大型科技公司建立的“数据护城河”形成进入壁垒那么，为什么需要区块链技术出场？它与人工智能的交集在哪？虽然不能一次性解决所有问题，但Web3中的分布式物理基础设施网络（DePIN）为解决上述问题创造了条件。下文将阐述 DePIN 背后的技术如何助力人工智能，主要从四个维度：降低基础设施成本验证创作者和人格填补AI 民主和透明度设置数据贡献奖励机制下文中： “web3”指下一代互联网，区块链技术与其他现有技术是其有机组成。 “区块链”指去中心化和分布式账本技术。 “加密”指利用代币机制进行激励和去中心化的做法。一、降低基础设施成本（计算和存储）每一波技术创新的引子都是某种昂贵的东西变得廉价到可以浪费。 ——社会的技术债务和软件的古腾堡时刻，来自 SK Ventures 基础设施的可负担性有多重要（人工智能的基础设施指计算、传输和存储数据的硬件成本），Carlota Perez 的技术革命理论有指明，该理论提出技术突破包含两个阶段：来源：Carlota Perez 的技术革命理论安装阶段以大量风险投资、基础设施建设和“推动式”市场推广（GTM）策略为特征，因为客户不了解新技术的价值主张。部署阶段以基础设施供应的大量增加为特征，降低拉新门槛，并采用“拉动式”市场推广（GTM）策略，表明产品市场匹配度高，客户期待更多尚未成型的产品。既然 ChatGPT 等尝试已证明市场契合度和客户需求，人们可能觉得 AI 已经进入部署阶段。然而，AI 还缺少重要一环：过剩的基础设施供价格敏感的初创企业进行搭建和尝试。问题当前物理基础设施领域主要由垂直一体化寡头垄断，包括 AWS、GCP、Azure、Nvidia、Cloudflare、Akamai 等，行业利润率高，据估计AWS 在商品化计算硬件上的毛利率为 61% 。所以 AI 领域、尤其是 LLM 领域的新进入者要面对及其高昂的计算成本。 ChatGPT 一次训练的成本估计在 4 百万美元，硬件推理运营成本约 70 万美元/天。 Bloom 第二版可能需要花费 1000 万美元进行训练和重新训练。如果 ChatGPT 进入 Google 搜索，谷歌营收将减少 360 亿美元，巨额利润将从软件平台（Google）向硬件提供商（Nvidia）转移。来源：层层分析— LLM 搜索架构与成本解决方案 DePIN 网络如 Filecoin（起源于 2014 年的 DePIN 先驱，专注集合互联网级硬件，服务于分布式数据存储）、Bacalhau、Gensyn.ai、Render Network、ExaBits（用于匹配 CPU/GPU 供需的协调层）可以通过以下三个方面节约 75% 至 90% +的基础设施成本： 1. 推动供应曲线，激发市场竞争 DePIN 为硬件供应商成为服务提供商提供了平等机会。它创建了一个人人可以作为“矿工”加入，用 CPU/GPU 或存储能力可换取经济报酬的市场，从而给现有提供商带来竞争。虽然像 AWS 这样的公司无疑在用户界面、运营和垂直整合方面享有 17 年的先发优势，但是DePIN 吸引了无法接受中心化供应商客定价的新户群。就像 Ebay 不直接与 Bloomingdale 竞争，而是提供更经济的替代品来满足类似需求，分布式存储网络并不取代中心化供应商，而是旨在服务于价格敏感的用户群体。 2.通过加密经济设计促进市场经济平衡 DePIN 创建的补贴机制能引导硬件供应者参与网络，从而降低最终用户的成本。究其原理，我们可以看看 AWS 和 Filecoin 在Web2和Web3中存储提供者的成本和收入。客户获得降价：DePIN 网络营造了竞争性市场，引入Bertrand 式竞争，从而降低客户支付费用。相比之下，AWS EC 2 需要约 55% 的利润率和 31% 的总体利润率来维持运营。DePIN 网络提供的Token 激励/区块奖励也是新的收入来源。在 Filecoin 的背景下，存储提供者托管越多真实数据越能获得区块奖励（代币）。因此，存储提供者有动力吸引更多客户达成交易增加收入。几个新兴计算 DePIN 网络的代币结构仍未公开，但很可能遵循类似模式。类似网络包括： Bacalhau：将计算引入数据存储位置的协调层，避免移动大量数据。 exaBITS：服务于 AI 和计算密集型应用程序的分布式计算网络。 Gensyn.ai：深度学习模型计算协议。 3. 降低间接成本：Bacalhau、exaBITS 等 DePIN 网络以及 IPFS/内容寻址存储的优势包括：释放潜在数据的可用性：由于传输大型数据集的带宽成本高，目前大量数据未被开发，比如体育场馆产生的大量事件数据。DePIN 项目可以现场处理数据并仅传输有意义的输出，发掘潜在数据的可用性。降低运营成本：通过本地获取数据来降低数据输入、传输和导入/导出成本。最小化敏感数据共享中的人工作业：如果医院 A 和 B 需要将各自患者的敏感数据进行组合分析，它们可以使用 Bacalhau 协调 GPU 算力，直接在本地处理敏感数据，而不必通过繁琐的行政流程与对方进行个人身份信息（PII）交换。无需重计算基础数据集：IPFS/内容寻址存储自带去重、溯源和验证数据的能力。有关 IPFS 的功能和性价比可参考这篇文章。 AI 生成摘要：AI 需要 DePIN 提供的经济实惠的基础设施，目前基础设施市场由垂直一体化的寡头垄断。像 Filecoin、Bacalhau、Render Network、ExaBits 这样的 DePIN 网络使成为硬件供应商的机会民主化，引入竞争，通过加密经济设计维护市场经济平衡，让成本降低 75% -90% 以上，并降低了间接成本。二、验证创作者和人格问题一份近期调研显示，50% 的 AI 学者认为 AI 给人类带来毁灭性伤害的可能性超过 10% 。人们需要警醒，A.I.已经引发社会混乱，而且仍缺乏监管或技术规范，这种情况被称为“反向凸角”。比如，在这段 Twitter 视频中，播客主持人 Joe Rogan 与保守评论员 Ben Shapiro 在就电影《料理鼠王》进行着辩论，然而这段视频是 AI 生成的。来源：Bloomberg 值得注意的是，A.I.的社会影响力远不止虚假博客、对话和图像带来的问题： 2024 年美国大选期间，AI 生成的 deepfake 竞选内容首次达到了以假乱真的效果。参议员 Elizabeth Warren 的一段视频经过编辑，让她“说”出了"共和党人不应该被允许投票"这样的话（已辟谣）。语音合成的拜登的声音批评跨性别女性。一群艺术家对 Midjourney 和 Stability AI 提起了集体诉讼，指控其未经授权使用艺术家的作品来训练 AI，侵犯版权并威胁艺术家生计。 AI 生成的由 The Weeknd 和 Drake 合唱的歌曲“Heart on My Sleeve”在流媒体平台上走红，但随后被下架。当新技术在没有规范的情况下进入主流，就会造成诸多问题，版权侵犯就属于“反向凸角”问题。那么我们能否在Web3中加入 AI 的相关规范？解决方案利用加密链上来源证明进行人格证明和创作者证明让区块链技术真正发挥作用——作为一个包含不可篡改链上历史记录的分布式账本，数字内容的真实性可以通过内容加密证明得到验证。数字签名作为创作者证明和人格证明要识别 deepfake，可用原始内容创作者独有的数字签名生成加密证明，签名可以使用只有创作者知晓的私钥创建，并可由对所有人公开的公钥进行验证。有了签名就可以证明内容是由原始创作者创建，不论创建者是人类还是 AI，还可以验证授权或未授权的对内容的更改。利用 IPFS 和默克尔树进行真实性证明 IPFS 是使用内容寻址和默克尔树引用大型数据集的分布式协议。为了证明文件内容收到、更改，会生成一个默克尔证明，即一串哈希，显示特定的数据块在默克尔树中的位置。每次更改，都会在默克尔树中增加一个哈希，提供了文件修改的证明。加密方案的痛点是激励机制，毕竟，识别出 deepfake 制造者虽然能减少负面社会影响，但不会带来同等的经济利益。这份责任很可能落在 Twitter、Meta、Google 等主流媒体分发平台上，事实也的确如此。那么我们为什么需要区块链？答案是区块链的加密签名和真实性证明更加有效、可验证和确定。目前，检测 deepfake 的过程主要通过机器学习算法（如 Meta 的“Deepfake Detection Challenge”、Google 的“Asymmetric Numeral Systems” (ANS)和 c 2 pa：https://c 2 pa.org/）来识别视觉内容中的规律和异常，但时常不够准确，落后于 deepfake 发展速度。一般需要人工审核来确定真实性，低效且昂贵。如果有一天每条内容都有加密签名，每个人都能可验证地证明创作来源，标记篡改或伪造行为，那我们将迎来美丽的世界。 AI 生成摘要：AI 可能对社会构成重大威胁，尤其是 deepfake 和未授权使用内容，而Web3技术，如使用数字签名的创作者证明和使用 IPFS 和默克尔树的真实性证明，可以验证数字内容的真实性，防止未经授权的更改，为 AI 提供规范。三、AI 民主化问题今天的 AI 是由专有数据和专有算法构成的黑盒。大型科技公司 LLM 的封闭性扼杀了我眼中的“AI 民主”，即每个开发者甚至用户都能为 LLM 模型贡献算法和数据，并在模型盈利时获得部分利润（相关文章）。 AI 民主=可视性（能看到输入模型的数据和算法）+贡献（能向模型贡献数据或算法）。解决方案 AI 民主的目的是让生成式 AI 模型对公众开放、与公众相关、为公众所有。下表对比了 AI 现状与通过Web3区块链技术能实现的未来。目前—— 对于客户：单向接收 LLM 输出无法控制个人数据如何被使用对于开发者：可组合性低 ETL 数据处理不可追溯，难复现数据贡献来源仅限于数据所有机构闭源模型只能通过 API 付费访问分享数据输出缺乏可验证性，数据科学家 80% 的时间用于低端数据清洗结合区块链后—— 对于客户：用户可提供反馈（比如偏见、内容审核、针对输出的颗粒度反馈）作为微调依据用户可选择贡献数据换取模型盈利后的利润对于开发者：分布式数据管理层：众包重复耗时的数据标记等数据准备工作可视性&组合&微调算法的能力，借助可验证源（可以看到所有改动的防篡改历史记录）数据主权（通过内容寻址/IPFS 实现）和算法主权（例如 Urbit 实现了数据和算法的点对点组合和可移植性）加速 LLM 创新，从基础开源模型的各种变体中加速 LLM 创新。可复现训练数据输出，通过区块链对过去 ETL 操作和查询的不可变记录（如 Kamu）实现。有人说Web2的开源平台也提供了一种折中方案，但其效果并不理想，相关讨论可见 exaBITS 的博文。 AI 生成摘要：大型科技公司封闭的 LLM 扼杀了“AI 民主”，即每个开发者或用户都能够为一个 LLM 模型贡献算法和数据，并在模型盈利时获得部分利润。AI 应该对公众开放，与公众相关，为公众所有。借助区块链网络，用户能够提供反馈，为模型贡献数据换取变现后的利润，开发者也能获得可视性和可验证源，从而组合和微调算法。内容寻址/IPFS 和 Urbit 等Web3创新将实现数据和算法主权。通过区块链对过去 ETL 操作和查询的不可变记录，训练数据输出的可复现性也将成为可能。四、设置数据贡献奖励机制问题今天，最有价值的消费者数据为大型科技公司的专有资产，构成其核心商业壁垒。科技巨头没有动力将这些数据与外部方共享。那么，为什么我们不能直接从数据创造者或用户那里获取数据呢？为什么我们不能把数据变成公共资源，贡献数据将数据开源化供数据科学家使用？简单来说是因为缺乏激励机制和协调机制。维护数据和执行 ETL（提取、转换和加载）是一大笔间接成本。事实上，仅数据存储就将在 2030 年成为价值 7770 亿美元的行业，这还不包括计算成本。没有人会无偿承担数据处理的工作和成本。不妨看看 OpenAI，最初设定是开源非盈利，但变现困难无法覆盖成本。2019 年，OpenAI 不得不接受微软注资，算法不再对公众的开放。预计到 2024 年，OpenAI 盈利将达 10 亿美元。解决方案 Web3引入了名为“dataDAO”的新机制，促进了 AI 模型所有者和数据贡献者之间的收入再分配，为众包数据贡献创建了激励层。由于篇幅限制，此处不会展开，想要了解可阅读下方两篇文章： How DataDAO works/DataDAO 原理，作者是 Protocol Labs 的 HQ Han How data contribution and monetization works in web3/web3数据贡献和变现如何运作，我在这篇深入讨论了 dataDAO 的机制、欠缺和机遇总的来说，DePIN 另辟蹊径，为推动Web3和 AI 创新提供了新的硬件能源。尽管科技巨头主导了 AI 行业，但新兴参与者可以利用区块链技术加入竞争：DePIN 网络降低准入门槛的方式包括降低计算成本；区块链的可验证和分布式特性使真正的开放式 AI 成为可能；dataDAO 等创新机制激励数据贡献；区块链的不可变性和防篡改特性提供了创造者身份证明，打消人们对 AI 负面社会影响的担忧。来源：金色财经

金色财经2023-06-16

24小时热点