FX168财经网_全球视野外汇黄金加密货币NFT资讯网_关键字搜索-FX168

全球数字财富领导者

客户端｜旧版｜｜

FX168 全球视野中文财经

登录 / 注册

ChatGPT之父又一巨作向十亿人空投的WorldCoin
go
也会发生在上半年的Crypto 热潮：WorldCoin 官网：https://worldcoin.org/ 官推：https://twitter.com/worldcoin?s=20 作为ChatGPT 和WorldCoin 这两个世界级项目背后的男人，Sam 也被誉为下一个要接棒埃隆马斯克的科技领袖，今天为大家解读WorldCoin 这个尚不为人知的项目。简介： Worldcoin 是由Sam成立于2020 年的Crypto 项目，期望打造全球化金融公平与普惠的开源协议，根据麦肯锡全球研究院的报告所说，目前有超过44 亿人没有合法身份或者无法通过数字方式来验证身份，Worldcoin 的愿景是建设一个全球最大的、公平的数字身份和数字货币体系，它通过扫描地球上每个人眼球的虹膜实现身份认证，目前已经扫描了数百万人的眼球。 Worldcoin 正处于测试阶段，预计2023 年上半年上线主网，正在以30 亿美元的估值融1.2 亿美元，它背后有两个主体：Worldcoin 基金会和Tools for Humanity，Worldcoin 基金会用于支持和发展Worldcoin 生态与社群建设，Tools for Humanity 是一家技术公司，旨在确保更公正的经济体系，也是Worldcoin 实际的开发主体。 WorldCoin用途： Worldcoin 主要有三部分任务，创建一个全球身份ID、一种全球货币和一个承载身份ID 与货币的钱包。可以使用自己的Token 以及其他数字资产和传统货币进行支付、购买和转帐，这三部分任务对应着三个要素： WorldID：以保护隐私和人格证明为主的数字身份，后文会重点讲解隐私和人格证明 WorldCoin：第一个在全球范围内免费分发给人们的Token，计划发给10 亿人 WorldAPP：在全球范围内进行支付、购买和转帐的钱包乍一看好像也平平无奇，就是我们常见的生态三件套：DID、Token 和钱包，但是深度研究下来会感受到其背后所构建的宏大愿景和为之付出要解决的技术难题。 WorldCoin 想打造一个全球每个人无论是谁均可以参与不断发展的数字经济，并从去中心化的集体所有权中受益，第一步就是要让尽可能多的人持有相同的Token，集体持有和使用同一种Token 越多形成网路效应后，该Token 对每个参与者的用处就越大，所以WorldCoin 要为全球10 亿人进行空投，从而快速的扩张自己的金融网路。 Worldcoin 的生物识别设备Orb Worldcoin 为此定制开发了一套生物识别设备Orb，通过扫描虹膜来验证一个人的独特性，同时通过零知识证明确保被验证者的隐私。 Orb 是一个球状的硬件设备，它扫描到人眼的虹膜图像后，会在本地通过单向函数生成一个IrisHash 值作为唯一标识，形式上是一个简短的数字代码，然后在数据库中进行检索，从而可以检查该人是否已经注册，如果没有将完成注册并免费获得空投，每个人可以领取25 个Token，这个过程无需存储和上传原始图像，也不需要其他的个人讯息，所以会严格保护用户的隐私。 Worldcoin 的总供应量 Worldcoin 的总供应量是100 亿个，绝大多数将提供给通过用户和运营商，为了激励早期贡献者，用户和运营商每次注册收到的Token 数量将随着时间的推移而减少，Token 总供应量的不到20% 将用于资助Orb 的早期核心开发者们，3 %将分配给持续的生态建设中。值得注意的是Worldcoin 目前与以太坊生态关联非常紧密，从文档中可以看到它采用了以太坊的optimistic rollup，继承了以太坊的帐户匿名和交易公开特性，并且SDK 内置了跨链能力可以与以太坊主网、其他Layer2 如Optimism 和Arbitrum 甚至非EVM 兼容链Solana 和Polkadot，整体的结构图如下所示：因为Worldcoin 要采集数十亿人的生物数据，所以很多人会下意识的产生恐慌，但要注意的是Worldcoin 上的帐户和交易永远不会和Orb 的任何生物数据进行关联，虹膜扫描仅用于人格验证，并且仅在本地生成的单向不可逆的IrisHash 传入数据库，即使数据库泄漏了，也无法得知每个IrisHash 背后的真实身份，所以Worldcoin 的Orb 仅仅只用于验证这是一个唯一的人，至于是谁则无需知道。 Crypto L2 攻略 L2 给 eth 带来了新的活力，加密巨头布局的 L2 会出现新的独角兽来源：金色财经
金色财经2023-04-20
胡润百富发布“全球独角兽榜” 哪些区块链企业上榜了？
go
Matthew Gould 1039 Worldcoin 69亿未知 Alex Blania 来源：金色财经
金色财经2023-04-20
专访“撸毛”老手：加密空投狂欢还会持续多久？
go
益匪浅，但可能无法持续。我注意到像 Worldcoin 这样的项目已经开始进行虹膜扫描，以换取 25 美元的空投。当然，认为未来的所有协议都会达到如此漫长的程度似乎有点反乌托邦。但我看到关于可以从用户那里收集哪些信息以换取潜在空投的界限变得模糊。 Auri 的故事至今仍在继续中，我希望看到他成为社区和我们合作网络的积极贡献者。在写这个故事时，我只知道加密行业是一个套利机器，它让各行各业的人们有机会在全球范围内忙碌，并从资本主义的巨大馅饼中为自己分一杯羹，我们每个人都有机会参与其中。只要市场保持自由和竞争，我们就会看到人们试图优化自身利益，这是所有市场的运作方式。只是在加密行业中，它比我们在传统行业中更明确。来源：金色财经
金色财经2023-04-18
万字探讨DeFi建立信用的另一种可能：威慑纪元RWC模型
 go
片用于处理秘钥、指纹等生物信息；还有 WorldCoin 则很有野心的试图用授权的硬件搜集人们的虹膜信息，以确保每个人在数字世界能有唯一身份；甚至于在一些科幻作品中，未来我们会有植入人体血液的秘钥，以确保人身份的唯一性。这三者的关系，有点像信赖大部分交易都诚实的 OP-Rollups ，和诞生更早相对更成熟的 ZK-SNARK , 以及未来更有潜力的 ZK-STARK 一样。 2. Legal 部门前面我们提到 KYC 信息可以直接向政府部门备案，但这显然会触动一部分去中心化信仰者的神经。因为我们很难确保备案之后，监管机构会不会用这些个人信息去做其它的事情。所以这一部分也许可以通过 DAO 组织或公司实体搜集和保管。如 Legal DAO 之类的 DAO 组织，将全球不同辖区的法律人才汇集起来。一般情况下，钱包主人没有作恶，那什么也不会发生，政府部门甚至不会知道有某个人的 KYC 信息在某个地方存在。可一旦发生作恶的事件，这个第三方法律实体将可以向政府的司法部门发起诉讼，提交对方的 KYC 信息及犯罪证据，进行现实追责。追责行为的触发需要一个前体，它们可以由以下机制完成： DAO 实体的投票治理，用多签的形式触发。智能合约触发，比如在借贷协议中，发生逾期不还、抵押率严重不足的情况，达到阈值时触发。未来的 AI 参与， ChatGPT 的表现引发了很多想象力，也许可以用 AI 来成为触发器。不过这是比较久远的未来可能发生的事情，而且 AI 的开发者掌握了更多普通人的信息，这可能会赋予他们在数字时代更多的特权，引发新的道德风险。当然这与我们今天的话题无关，不做更多拓展。前体触发了追责程序之后，由现实的 Legal 部门发起现实世界的诉讼，从而实现威慑。有了以上两个必要组件之后，威慑纪元 RWC 模型已经初具可行性。不过我们还需要第三个组件作为催化剂，让整个模型变得更合理。 3. 风控部门传统的金融行业风控已经做了非常久，有自己一套成熟的信用评估体系，这对我们链上信用体系从零开始建立也有很大的参考意义。专业的风控部门可以做两种业务：去中心化的数据提供商：构建类似 Chainlink 预言机网络一样的服务，仅提供信用数据的信息。中心化的风控业务：像代码审计公司一样提供针对性的风控服务，维护自己的 Brand ，对 DID 打上 XX 风控公司评估的 XX 额度。模型缺陷与业务场景模型缺陷与解法简化的模型往往存在考虑不周的地方，我们需要找出这些问题并试图回答它们： 1. ZK-DID 进度未知 DID 领域目前还未形成统一的标准，都是各家在发展自己的一套。 ZK-DID 发展到什么进程，用什么方案，是一个要回答的问题，这直接关系到威慑模型具体如何落地。不过像前文提到的，大部分的 DID 都是希望成为一个身份载体，用于承载各式各样的信息，所以与我们希望实现的效果是一致的。如之前的图示一样，既然接受各种信息源对 DID 的映射，那多一个来自 Legal 模块提供的信息源，也没有本质的区别。 2. 罪罚不对等涉及全球各个辖区的不同法律，威慑触发时，很可能遇到 A 罪 B 罚的罪罚不对等问题，比如历史上知名的芝加哥黑帮大佬阿尔卡彭，FBI 和警方盯了他非常久也没有找到任何犯罪证据，最后是被税务局用偷税漏税的罪名将他送进监狱的。如果说阿尔卡彭是被不同的罪名声张了正义，也就罢了。另外两种情况就比较令人担忧了大罪小罚：如 Do Kwon 、 SBF 之流，他们造成了众多投资人的巨大损失，最后却未必能获得应有的惩罚。除了他们本身请得起最好的律师之外，涉及 Crypto 的法规也还不完善， Luna 到底算不算证券可能都要扯皮半天。小罪大罚：某人本来只是链上信用借贷逾期不还，结果触发威慑之后将信息发送给当地政府部门，本来是件小事情，结果当地法规对 Crypto 有极其严格的限制（印度曾试图禁止所有加密货币），因为一件小小的事件触发了极其严厉的惩罚。由于各地法规的差异，和 Crypto 监管的变化，我们很难确保触发威慑后有对应的合理惩罚会发生。不过这并不影响本质逻辑，因为威慑从来是不对等的。像核威慑，拥核大国之间不可能发生大规模热战就是这个道理，一旦核战发生，那么第四次世界大战人们就是拿着木头棍做武器了。还有像罗永浩在锤子科技末期，还可以借出 1 亿去拯救他的梦想。大航海时代有限责任制诞生之后，至今都是商业活动中的主流，意味着最坏的情况发生，投资人也只会损失有限的资金。而当时罗签的是代价更大的无限责任制，所以才能在资不抵债的时候借出这么一大笔钱。威慑从来是不对等的，威慑的代价大，才显现出其信用的分量。 3. 不良需求带来的系统性风险（“赌徒风险”）现实生活中，人们遇到紧急情况会刷信用卡来支撑；在 Crypto 市场上，同样也有类似的紧急状况，就是做合约遇到需要补缴保证金的时候。人其实从来不是个理性的生物，有很多认知偏差，比如 “损失厌恶” 的心理会导致做错方向时，平仓离场变得非常痛苦。链上信用借贷必然会吸引这一批用户，他们在保证金不足时舍不得认亏平仓，而是加大筹码死扛，期望扛到雨过天晴。这种需求带来的风险，笔者称之为 “赌徒风险”，显然这种情况下借出的钱至少有一半几率会灰飞烟灭，在当事人的不理性之下，往往会超过 50% 。这个问题的解法，关键在于风险隔离：分不同等级的资金池，信用评级高的资金池利率低，信用评级低的资金池利率高。评级高的个体可以向下借高利率的资金，反之则不行。提供资金的投资人本身就应该对不同等级的资金池的风险做好准备，用利率加点覆盖违约成本。用金库模式限制风险规模，比如我们专门有个金库负责小额借贷，额度限制在一定规模，如 200 万，如果资金池额度达到上限，那新的贷款者需要等待额度才能贷出。这样即便发生重大行情导致大规模违约，也可以控制损失的规模。总而言之，我们需要用各种分层手段将风险隔离，像现实的银行系统一样，把坏账率控制在一个可接受的范围之内。业务场景接下来我们一起探讨一下可能的业务场景，这个模型不能是自嗨的产物，必须得在逻辑上有成立的业务场景才行。 1. 隐私目前区块链上所有的信息都是公开透明的，这保护了区块链的安全，但也有不合理之处。每个人都希望自己的行为有一定隐私，对于巨鲸用户来说更是如此。但现实中人们又特别喜欢盯着巨鲸的钱包动向，像前段时间 Blur 空投时，麻吉大哥的操作几乎是被人扒光了底裤放在放大镜底下观察。噢，麻吉大哥刷 Blur 获得了好多空投啊。噢，他一到手马上抛了一半啊。噢，他没来得及撤 BID 单，被人砸盘接了十几只猴子反而亏更多啊 … 这个例子非常典型地体现出，用户在区块链上是需要更多隐私的。特别是资金量较大的巨鲸用户，即便他们希望通过小号来掩饰自己的痕迹，现在也有专门的调查链上现金流的公司，能通过资金往来将不同账号对应到同一个实体。这时候便出现了业务场景，转账一笔资金是非常显眼的行为，但如果是替一个匿名的小号担保一定的信用额度，让小号能借出一定的资金，这是不是就更加合理了呢？甚至于可以用一些算法切断担保人与被担保人的联系，我们知道某账户被人担保增信了一定额度，确不知道担保人是谁，就更能保护用户的隐私了。 2. 现实世界高信用个体的进入最早的设想中，我们的理想是让现实世界中有能力有价值的个体进入区块链，将他们的信用带入去中心化世界。这也会是个很好的途径，比如著名的比特币反对者巴菲特老爷子。比特币 100 美元的时候，老爷子说它是老鼠药；比特币 10000 美元的时候，老爷子说它是老鼠药的平方。但老爷子早年还说看不懂科技股，看不懂的东西不会碰，结果后面还重仓了苹果公司股票呢。如果老爷子终于改变主意，准备投资区块链这个新时代的风口 … 这时巴菲特就可以通过威慑模型拥有自己的账户，并且还可以通过以前在华尔街的朋友，那些已经在 Crypto 领域中的实名增信者们担保增信，从而拥有自己的隐私和信用额度。在上帝视角的我们当然知道，即便这个账户亏了几千万的资金，对他来说也是一定能补上的。 3. 信用闪电贷 AAVE 开创的闪电贷模式，允许用户无抵押借出一大笔资金，只要在同一个交易内还上本金和利息即可。是区块链技术的一种创新，这是传统金融中不可能发生的行为。工具是中性的，我们这里不讨论黑客用闪电贷作恶的问题，仅仅是说这个工具本身的使用门槛并不低，普通用户不会写代码，就无法使用闪电贷。但闪电贷又确实有一些很实用的应用场景，比如在多个借贷协议中使用循环贷的情况，如果这时用户要解除杠杆，就会非常麻烦。他需要还一小部分钱，再取出一部分抵押物，再还再取循环多次。除了操作繁琐，链上的交易成本也将非常高。假设我们允许用户在信用额度内，借出一大笔资金，并且在一小时之内只需支付一笔手续费而无需付利息，超过时限之后才需要付较高的利息。那用户就可以用这笔信用闪电贷的资金快速还上一大笔贷款，再取出抵押物还款，整个过程节省了大量 Gas ，那付一小笔手续费给池子，也变得合理了。当然信用闪电贷也可能被用于赌徒加保证金，就是另一个问题了，前面提到的风控原则在此不做赘述。总结以上就是笔者关于威慑纪元 RWC 模型的思考和研究，其实它的原理非常简单，就是通过在自己头顶悬上一柄 “达摩克里斯之剑” 并向众人展示，从而获得信用。通过零知识证明技术，在实现以上逻辑的同时，尽可能不暴露非必要的信息。威慑模型就像 Optimistic Rollup 一样简单粗暴，相信大部分的交易都是诚实的，通过向主网上传所有交易数据，让所有人都能检查，提交欺诈证明来确保二层网络的安全。威慑模型也许还很不成熟，但在链上信用体系建立初期，借助中心化的、半中心化的解决方案，也许是不得不走的道路。来源：金色财经
金色财经2023-04-18
a16z：机器学习和零知识证明的制衡
 go
完全可识别的，还是像公钥那样的假名。 Worldcoin通过他们的身份证明协议来做到这一点，这是一种通过为用户生成唯一的虹膜代码来确保抗女巫攻击的方法。至关重要的是，为WorldID创建的私钥(以及为Worldcoin用户创建的加密钱包的其他私钥)与项目的眼睛扫描球在本地生成的虹膜代码完全分离。这种分离完全将生物识别标识与任何形式的用户密钥分离开来，这些密钥可能来自于一个人。Worldcoin还允许应用程序嵌入一个SDK，允许用户使用WorldID登录，并利用零知识证明保护隐私，允许应用程序检查该人是否拥有WorldID，但不支持个人用户跟踪(更多细节，请参阅这篇文章)。这个例子是用零知识证明的隐私保护特性来对抗更弱、更恶意的人工智能形式的一种形式，所以它与上面列出的其他例子有很大的不同(例如，证明你是一个真正的人，而不是一个机器人，而不透露任何关于你自己的信息)。模型架构和挑战实现SNARK(简洁的非交互式知识论证)的证明系统的突破是将许多机器学习模型放在链上的关键驱动因素。一些团队正在现有的架构(包括Plonk、Plonky2、Air等)中制作定制电路。在自定义电路方面，Halo 2已经成为Daniel Kang和Jason Morton的EZKL项目等在工作中使用的流行后端，。Halo 2的证明时间是准线性的，证明大小通常只有几千字节，验证时间是常数。也许更重要的是，Halo 2拥有强大的开发人员工具，使其成为开发人员使用的流行SNARK后端。其他的团队，比如Risc Zero，则致力于一个通用的VM策略。其他人正在使用Justin Thaler基于求和校验协议的超高效证明系统创建自定义框架。证明生成和验证时间绝对取决于生成和检查证明的硬件，以及生成证明的电路的大小。但这里需要注意的关键是，无论所表示的程序是什么，证明的大小总是相对较小，因此验证者检查证明的负担是有限的。然而，这里有一些微妙之处：对于像Plonky2这样使用基于FRI的承诺方案的证明系统，证明大小可能会增加。(除非它被包装在一个基于配对的SNARK中，如Plonk或Groth16，它们的大小不会随着语句的复杂性而增长。) 这里机器学习模型的含义是，一旦你设计了一个证明系统，准确地表示一个模型，实际验证输出的成本将非常便宜。开发人员必须考虑最多的事情是证明时间和内存：以一种可以相对快速地证明模型的方式表示模型，并且理想的证明大小在几千字节左右。为了证明机器学习模型在零知识下的正确执行，你需要对模型架构(层、节点和激活函数)、参数、约束和矩阵乘法操作进行编码，并将它们表示为电路。这涉及到将这些属性分解为可以在有限域上执行的算术运算。该领域仍处于起步阶段。在将模型转换为电路的过程中，准确性和保真度可能会受到影响。当一个模型被表示为一个算术电路时，那些前面提到的模型参数、约束和矩阵乘法操作可能需要近似和简化。当算术运算被编码为证明的有限域中的元素时，一些精度可能会丢失(或者在没有这些优化的情况下，使用当前的零知识框架生成证明的成本将高得离谱)。此外，为了精确起见，机器学习模型的参数和激活通常被编码为32位，但今天的零知识证明不无法在没有大量开销的情况下以必要的算术电路格式表示32位浮点运算。因此，开发人员可以选择使用量化的机器学习模型，其32位整数已经转换为8位精度。这些类型的模型有利于表示为零知识证明，但被验证的模型可能是高质量初始模型的粗略近似。在这个阶段，无可否认，这是一场追赶游戏。随着零知识证明变得更加优化，机器学习模型的复杂性也在增长。已经有许多有前景的优化领域：证明递归可以通过允许证明用作下一个证明的输入来减少整体证明的大小，解锁证明压缩。也有一些新兴的框架，比如Linear A的Apache张量虚拟机(TVM)的分支，它改进了一个转译器，用于将浮点数转换为零知识友好的整数表示。最后，我们a16z crypto乐观地认为，未来的工作将使在SNARK中表示32位整数变得更加合理。 “规模”的两种定义零知识证明可通过压缩进行扩展：SNARK允许你使用一个极其复杂的系统(虚拟机、机器学习模型)，并以数学方式表示它，以便验证它的成本小于运行它的成本。另一方面，机器学习通过扩展来扩展：今天的模型随着更多的数据、参数和GPU/TPU参与训练和推理过程而变得更好。中心化的公司可以以几乎不受限制的规模运行服务器：按月收取API调用费用，并支付运营成本。区块链网络的经济现实几乎以相反的方式运行：鼓励开发人员优化他们的代码，使其在计算上可行(并且便宜)。这种不对称有一个巨大的好处：它创造了一个证明系统需要变得更有效的环境。我们应该推动在机器学习中要求区块链提供同样的好处——即可验证的所有权和共享的真理概念。虽然区块链激励了zk-SNARK的优化，但计算的每个领域都将受益。来源：金色财经
金色财经2023-04-08
零知识机器学习 (ZKML) ：ZK与AI将会碰撞出怎样的火花？
go
RNING (ZKML)》原文来源：Worldcoin 原文编译：深潮 TechFlow Zero-Knowledge 机器学习（ZKML）是最近正在密码学界引起轰动的一个研究和开发领域。但它是什么，有什么用处呢？首先，让我们把这个术语分解成它的两个组成部分，并解释一下它们是什么。什么是 ZK？零知识证明是一种密码协议，其中一方（证明者）可以向另一方（验证者）证明一个给定的陈述是真实的，而不泄露除该陈述为真以外的任何附加信息。这是一个正在各个方面取得巨大进展的研究领域，涵盖了从研究到协议实施和应用的所有方面。 ZK 提供的两个主要「原语」（或者说构建块）是能够为一组给定的计算创建具有计算完整性证明的能力，其中证明比执行计算本身要容易地多。（我们称这种属性为「简洁性」）。ZK 证明也提供了隐藏计算中某些部分同时保持计算正确性的选项。（我们称这种属性为「零知识性」）。生成零知识证明需要非常大的计算量，大约比原始计算贵 100 倍。这意味着，在某些情况下由于最佳硬件上生成它们所需的时间使其不切实际，因此不能计算零知识证明。然而，在近年来密码学、硬件和分布式系统领域的进步已经使零知识证明成为了越来越强大的计算可行的选择。这些进展已经为可以使用计算密集型证明的协议的创建提供了可能，从而扩大了新应用程序的设计空间。 ZK 使用案例零知识密码学是 Web3 空间中最流行的技术之一，因为它允许开发人员构建可扩展和/或私有的应用程序。以下是一些实践中如何使用它的示例（尽管请注意，这些项目中许多都还在进行中）： 1. 通过 ZK rollups 扩展以太坊 Starknet Scroll Polygon Zero，Polygon Miden，Polygon zkEVM zkSync 2. 构建保护隐私的应用程序 Semaphore MACI Penumbra Aztec Network 3. 身份原语和数据来源 WorldID Sismo Clique Axiom 4. 第一层协议 Zcash Mina 随着 ZK 技术的成熟，我们相信将会出现新的应用程序的爆发，因为构建这些应用程序所使用的工具将需要更少的领域专业知识，对于开发人员来说将会更加容易使用。机器学习机器学习是人工智能（「AI」）领域的一个研究方向，使得计算机可以自动从经验中学习和改进，无需明确地进行编程。它利用算法和统计模型来分析和识别数据中的模式，然后基于这些模式进行预测或决策。机器学习的最终目标是开发出能够自适应学习、不需要人类干预以及在医疗保健、金融和交通等各个领域解决复杂问题的智能系统。最近，您可能已经看到了大型语言模型（如 chatGPT 和 Bard）以及文本到图像的模型（如 DALL-E 2、Midjourney 或 Stable Diffusion）的进展。随着这些模型变得越来越好，并且能够执行更广泛的任务，了解是哪个模型执行了这些操作就变得非常重要，还是操作由人类执行。在接下来的部分中，我们将探讨这个思路。 ZKML 的动机和当前努力我们生活在一个世界上，AI/ML 生成的内容越来越难以与人类生成的内容区分开来。零知识密码学将使我们能够做出这样的声明：「给定一段内容 C，它是由模型 M 应用于一些输入 X 生成的。」我们将能够验证某个输出是否是由大型语言模型（如 chatGPT）或文本到图像模型（如 DALL-E 2）等任何其他我们为其创建了零知识电路表示的模型所生成的。这些证明的零知识属性将使我们能够根据需要也隐藏输入或模型的某些部分。一个很好的例子是在一些敏感数据上应用机器学习模型，在不透露输入到第三方的情况下，用户可以知道他们的数据在模型推理后的结果（例如，在医疗行业）。注：当我们谈论 ZKML 时，我们是指创建 ML 模型推理步骤的零知识证明，而不是关于 ML 模型训练（它本身已经非常计算密集）。目前，现有技术水平的零知识系统加上高性能硬件仍然相差几个数量级，无法证明当前可用的大型语言模型（LLMs）等庞大的模型，但是在创建较小模型的证明方面已经取得了一些进展。我们对零知识密码学在为 ML 模型创建证明的上下文中的现有技术水平进行了一些研究，并创建了一个聚合相关研究、文章、应用程序和代码库的文章集。ZKML 的资源可以在 GitHub 上的 ZKML 社区的 awesome-zkml 存储库中找到。 Modulus Labs 团队最近发布了一篇名为「智能的成本」的论文，其中对现有的 ZK 证明系统进行了基准测试，并列举了不同大小的多个模型。目前，使用像 plonky2 这样的证明系统，在强大的 AWS 机器上运行 50 秒左右，可以为约 1800 万个参数的模型创建证明。以下是该论文中的一张图表：另一个旨在改进 ZKML 系统技术水平的倡议是 Zkonduit 的 ezkl 库，它允许您创建对使用 ONNX 导出的 ML 模型的 ZK 证明。这使得任何 ML 工程师都能够为他们的模型的推理步骤创建 ZK 证明，并向任何正确实现的验证器证明输出。有几个团队正在改进 ZK 技术，为 ZK 证明内部发生的操作创建优化硬件，并针对特定用例构建这些协议的优化实现。随着技术的成熟，更大的模型将在较不强大的机器上短时间内进行 ZK 证明。我们希望这些进展将使新的 ZKML 应用程序和用例得以出现。潜在的使用案例为了确定 ZKML 是否适用于特定的应用，我们可以考虑 ZK 密码学的特性将如何解决与机器学习相关的问题。这可以用一个 Venn 图来说明：定义： 1.Heuristic optimization—一种问题解决方法，它使用经验法则或「启发式」来找到艰难的问题的好解决方案，而不是使用传统的优化方法。启发式优化方法旨在在相对的重要性和优化难度下，在合理的时间内找到好的或「足够好」的解决方案，而不是尝试找到最优解决方案。 2.FHE ML—完全同态加密 ML 允许开发人员以保护隐私的方式训练和评估模型；然而，与 ZK 证明不同，没有办法通过密码学方式证明所执行的计算的正确性。像 Zama.ai 这样的团队正在从事这个领域的工作。 3.ZK vs Validity—在行业中，这些术语通常被互换使用，因为有效性证明是 ZK 证明，不会隐藏计算或其结果的某些部分。在 ZKML 的上下文中，大多数当前的应用程序都利用了 ZK 证明的有效性证明方面。 4.Validity ML—ZK 证明 ML 模型，在其中没有计算或结果被保密。它们证明计算的正确性。以下是一些潜在的 ZKML 用例示例： 1. 计算完整性（有效性 ML） Modulus Labs 基于链上可验证的 ML 交易机器人 - RockyBot 自我改进视觉区块链（示例）：增强 Lyra 金融期权协议 AMM 的智能特性为 Astraly 创建透明的基于 AI 的声誉系统（ZK oracle）使用 ML for Aztec Protocol（具有隐私功能的 zk-rollup）致力于合同级合规工具所需的技术突破。 2. 机器学习即服务 (MLaaS) 透明； 3.ZK 异常/欺诈检测：这种应用场景使得可创建针对可利用性/欺诈的 ZK 证明成为可能。异常检测模型可以在智能合约数据上进行训练，并由 DAOs 同意作为有趣的度量标准，以便能够自动化安全程序，如更主动、预防性地暂停合约。已有初创企业正在研究在智能合约环境中使用 ML 模型进行安全目的的方法，因此 ZK 异常检测证明似乎是自然的下一步。 4.ML 推理的通用有效性证明：能够轻松证明和验证输出是给定模型和输入对的乘积。 5. 隐私 (ZKML) 6. 去中心化的 Kaggle：证明模型在某些测试数据上的准确率大于 x%，而不会显示权重。 7. 隐私保护推理：将对私人患者数据的医疗诊断输入模型，并将敏感的推理（例如，癌症测试结果）发送给患者。 8.Worldcoin： IrisCode 的可升级性：World ID 用户将能够在他们的移动设备的加密存储中自我保管其生物特征，下载用于生成 IrisCode 的 ML 模型并在本地创建零知识证明，以证明其 IrisCode 已成功创建。这个 IrisCode 可以被无需许可地插入注册的 Worldcoin 用户之一，因为接收的智能合约可以验证零知识证明，从而验证 IrisCode 的创建。这意味着，如果 Worldcoin 将来升级机器学习模型以一种破坏与其之前版本兼容性的方式创建 IrisCode，用户就不必再次去 Orb，而可以在设备上本地创建这个零知识证明。 Orb 安全性：目前，Orb 在其受信任的环境中执行几个欺诈和篡改检测机制。然而，我们可以创建一个零知识证明，表明这些机制在拍摄图像和生成 IrisCode 时是活动的，以便为 Worldcoin 协议提供更好的活体保证，因为我们可以完全确定这些机制在整个 IrisCode 生成过程中都将运行。总之，ZKML 技术有着广泛的应用前景，并且正在快速发展。随着越来越多的团队和个人加入到这个领域，我们相信 ZKML 的应用场景将会更加多样化和广泛化。来源：金色财经
金色财经2023-04-07
密码学新趋势：零知识机器学习是什么？
go
》by dcbuilder.eth, Worldcoin 编译：深潮 TechFlow Zero-Knowledge 机器学习（ZKML）是最近正在密码学界引起轰动的一个研究和开发领域。但它是什么，有什么用处呢？首先，让我们把这个术语分解成它的两个组成部分，并解释一下它们是什么。什么是 ZK？零知识证明是一种密码协议，其中一方（证明者）可以向另一方（验证者）证明一个给定的陈述是真实的，而不泄露除该陈述为真以外的任何附加信息。这是一个正在各个方面取得巨大进展的研究领域，涵盖了从研究到协议实施和应用的所有方面。 ZK 提供的两个主要“原语”（或者说构建块）是能够为一组给定的计算创建具有计算完整性证明的能力，其中证明比执行计算本身要容易地多。（我们称这种属性为“简洁性”）。ZK 证明也提供了隐藏计算中某些部分同时保持计算正确性的选项。（我们称这种属性为“零知识性”）。生成零知识证明需要非常大的计算量，大约比原始计算贵 100 倍。这意味着，在某些情况下由于最佳硬件上生成它们所需的时间使其不切实际，因此不能计算零知识证明。然而，在近年来密码学、硬件和分布式系统领域的进步已经使零知识证明成为了越来越强大的计算可行的选择。这些进展已经为可以使用计算密集型证明的协议的创建提供了可能，从而扩大了新应用程序的设计空间。 ZK 使用案例零知识密码学是 Web3 空间中最流行的技术之一，因为它允许开发人员构建可扩展和/或私有的应用程序。以下是一些实践中如何使用它的示例（尽管请注意，这些项目中许多都还在进行中）： 1.通过 ZK rollups 扩展以太坊 Starknet Scroll Polygon Zero，Polygon Miden，Polygon zkEVM zkSync 2.构建保护隐私的应用程序 Semaphore MACI Penumbra Aztec Network 3.身份原语和数据来源 WorldID Sismo Clique Axiom 4.第一层协议 Zcash Mina 随着 ZK 技术的成熟，我们相信将会出现新的应用程序的爆发，因为构建这些应用程序所使用的工具将需要更少的领域专业知识，对于开发人员来说将会更加容易使用。机器学习机器学习是人工智能（“AI”）领域的一个研究方向，使得计算机可以自动从经验中学习和改进，无需明确地进行编程。它利用算法和统计模型来分析和识别数据中的模式，然后基于这些模式进行预测或决策。机器学习的最终目标是开发出能够自适应学习、不需要人类干预以及在医疗保健、金融和交通等各个领域解决复杂问题的智能系统。最近，您可能已经看到了大型语言模型（如 chatGPT 和 Bard）以及文本到图像的模型（如 DALL-E 2、Midjourney 或 Stable Diffusion）的进展。随着这些模型变得越来越好，并且能够执行更广泛的任务，了解是哪个模型执行了这些操作就变得非常重要，还是操作由人类执行。在接下来的部分中，我们将探讨这个思路。 ZKML 的动机和当前努力我们生活在一个世界上，AI/ML 生成的内容越来越难以与人类生成的内容区分开来。零知识密码学将使我们能够做出这样的声明：“给定一段内容 C，它是由模型 M 应用于一些输入 X 生成的。”我们将能够验证某个输出是否是由大型语言模型（如 chatGPT）或文本到图像模型（如 DALL-E 2）等任何其他我们为其创建了零知识电路表示的模型所生成的。这些证明的零知识属性将使我们能够根据需要也隐藏输入或模型的某些部分。一个很好的例子是在一些敏感数据上应用机器学习模型，在不透露输入到第三方的情况下，用户可以知道他们的数据在模型推理后的结果（例如，在医疗行业）。注：当我们谈论 ZKML 时，我们是指创建 ML 模型推理步骤的零知识证明，而不是关于 ML 模型训练（它本身已经非常计算密集）。目前，现有技术水平的零知识系统加上高性能硬件仍然相差几个数量级，无法证明当前可用的大型语言模型（LLMs）等庞大的模型，但是在创建较小模型的证明方面已经取得了一些进展。我们对零知识密码学在为 ML 模型创建证明的上下文中的现有技术水平进行了一些研究，并创建了一个聚合相关研究、文章、应用程序和代码库的文章集。ZKML 的资源可以在 GitHub 上的 ZKML 社区的 awesome-zkml 存储库中找到。 Modulus Labs 团队最近发布了一篇名为“智能的成本”的论文，其中对现有的 ZK 证明系统进行了基准测试，并列举了不同大小的多个模型。目前，使用像 plonky2 这样的证明系统，在强大的 AWS 机器上运行 50 秒左右，可以为约 1800 万个参数的模型创建证明。以下是该论文中的一张图表：另一个旨在改进 ZKML 系统技术水平的倡议是 Zkonduit 的 ezkl 库，它允许您创建对使用 ONNX 导出的 ML 模型的 ZK 证明。这使得任何 ML 工程师都能够为他们的模型的推理步骤创建 ZK 证明，并向任何正确实现的验证器证明输出。有几个团队正在改进 ZK 技术，为 ZK 证明内部发生的操作创建优化硬件，并针对特定用例构建这些协议的优化实现。随着技术的成熟，更大的模型将在较不强大的机器上短时间内进行 ZK 证明。我们希望这些进展将使新的 ZKML 应用程序和用例得以出现。潜在的使用案例为了确定 ZKML 是否适用于特定的应用，我们可以考虑 ZK 密码学的特性将如何解决与机器学习相关的问题。这可以用一个 Venn 图来说明：定义： 1.Heuristic optimization—— 一种问题解决方法，它使用经验法则或“启发式”来找到艰难的问题的好解决方案，而不是使用传统的优化方法。启发式优化方法旨在在相对的重要性和优化难度下，在合理的时间内找到好的或“足够好”的解决方案，而不是尝试找到最优解决方案。 2.FHE ML —— 完全同态加密ML允许开发人员以保护隐私的方式训练和评估模型；然而，与ZK证明不同，没有办法通过密码学方式证明所执行的计算的正确性。像 Zama.ai 这样的团队正在从事这个领域的工作。 3.ZK vs Validity —— 在行业中，这些术语通常被互换使用，因为有效性证明是ZK证明，不会隐藏计算或其结果的某些部分。在ZKML的上下文中，大多数当前的应用程序都利用了ZK证明的有效性证明方面。 4.Validity ML —— ZK证明ML模型，在其中没有计算或结果被保密。它们证明计算的正确性。以下是一些潜在的 ZKML 用例示例： 1.计算完整性（有效性 ML） Modulus Labs 基于链上可验证的 ML 交易机器人 - RockyBot 自我改进视觉区块链（示例）：增强 Lyra 金融期权协议 AMM 的智能特性为 Astraly 创建透明的基于 AI 的声誉系统（ZK oracle）使用 ML for Aztec Protocol（具有隐私功能的 zk-rollup）致力于合同级合规工具所需的技术突破。 2.机器学习即服务(MLaaS) 透明； 3.ZK 异常/欺诈检测：这种应用场景使得可创建针对可利用性/欺诈的 ZK 证明成为可能。异常检测模型可以在智能合约数据上进行训练，并由 DAOs 同意作为有趣的度量标准，以便能够自动化安全程序，如更主动、预防性地暂停合约。已有初创企业正在研究在智能合约环境中使用 ML 模型进行安全目的的方法，因此 ZK 异常检测证明似乎是自然的下一步。 4.ML 推理的通用有效性证明：能够轻松证明和验证输出是给定模型和输入对的乘积。 5.隐私 (ZKML)。 6.去中心化的 Kaggle：证明模型在某些测试数据上的准确率大于 x%，而不会显示权重。 7.隐私保护推理：将对私人患者数据的医疗诊断输入模型，并将敏感的推理（例如，癌症测试结果）发送给患者。 8.Worldcoin： IrisCode 的可升级性：World ID 用户将能够在他们的移动设备的加密存储中自我保管其生物特征，下载用于生成 IrisCode 的 ML 模型并在本地创建零知识证明，以证明其 IrisCode 已成功创建。这个 IrisCode 可以被无需许可地插入注册的 Worldcoin 用户之一，因为接收的智能合约可以验证零知识证明，从而验证 IrisCode 的创建。这意味着，如果 Worldcoin 将来升级机器学习模型以一种破坏与其之前版本兼容性的方式创建 IrisCode，用户就不必再次去 Orb，而可以在设备上本地创建这个零知识证明。 Orb 安全性：目前，Orb 在其受信任的环境中执行几个欺诈和篡改检测机制。然而，我们可以创建一个零知识证明，表明这些机制在拍摄图像和生成 IrisCode 时是活动的，以便为 Worldcoin 协议提供更好的活体保证，因为我们可以完全确定这些机制在整个 IrisCode 生成过程中都将运行。总之，ZKML 技术有着广泛的应用前景，并且正在快速发展。随着越来越多的团队和个人加入到这个领域，我们相信 ZKML 的应用场景将会更加多样化和广泛化。来源：金色财经
金色财经2023-04-07
a16z：如何通过零知识证明验证链上机器学习算法？
go
完全可识别的，还是像公钥那样的伪名。 Worldcoin通过他们的人证明协议来实现这一点，该协议通过为用户生成独特的虹膜代码来确保抗攻击性。关键的是，为WorldID创建的私钥（以及为Worldcoin用户创建的加密钱包的其他私钥）与项目的眼球扫描器本地生成的虹膜代码完全分离。这种分离完全将生物识别标识符与可能归因于某人的任何形式的用户密钥分离。Worldcoin还允许应用程序嵌入一个SDK，使用户可以使用WorldID登录，并通过允许应用程序检查人是否拥有WorldID来利用零知识证明来保护隐私，但不允许跟踪个别用户（更多细节，请参阅此博客文章）。这个例子是用零知识证明的隐私保护特性来对抗较弱且恶意的人工智能的形式，因此它与上述其他示例（例如，证明你是一个真实的人类而不是机器人，同时不泄露任何关于自己的信息）有很大不同。模型架构和挑战在实现SNARKs（简洁非交互式知识论证）的证明系统方面的突破已经成为将许多机器学习模型上链的关键驱动力。一些团队正在现有的架构（包括Plonk、Plonky2、Air等）中制作定制电路。在定制电路方面，Halo 2已成为Daniel Kang等人的工作和Jason Morton的EZKL项目中广泛使用的后端。Halo 2的证明者时间近似线性，证明大小通常只有几千字节，验证者时间恒定。或许更重要的是，Halo 2拥有强大的开发者工具，使其成为开发者喜欢使用的SNARK后端。其他团队，如Risc Zero，正在寻求通用VM策略。还有些团队正使用基于求和检查协议的Justin Thaler的超高效证明系统创建定制框架。证明生成和验证器时间绝对取决于生成和检查证明的硬件以及生成证明的电路大小。但这里需要注意的关键点是，无论代表的程序是什么，证明的大小总是相对较小，因此验证证明的验证者的负担是受限的。然而，在这里有一些细微之处：对于像Plonky2这样使用基于FRI的承诺方案的证明系统，证明大小可能会增加。（除非最后使用像Plonk或Groth16这样基于配对的SNARK包装，这些证明不会随着所证明陈述的复杂性而增长。）对于机器学习模型的启示是，一旦设计了一个准确表示模型的证明系统，实际验证输出的成本将非常便宜。开发者需要考虑的最重要的是证明者时间和内存：以一种可以相对快速证明的方式表示模型，并且证明大小理想地在几千字节左右。要证明机器学习模型在零知识情况下的正确执行，你需要将模型架构（层、节点和激活函数）、参数、约束和矩阵乘法运算编码并表示为电路。这涉及将这些属性分解为可以在有限域上执行的算术运算。这个领域还处于起步阶段。在将模型转换为电路的过程中，准确性和保真度可能会受到影响。当模型表示为算术电路时，前面提到的模型参数、约束和矩阵乘法运算可能需要近似和简化。当将算术运算编码为证明的有限域中的元素时，可能会丢失一些精度（或者在不进行这些优化的情况下生成证明的成本在当前的零知识框架下将不堪重负）。此外，机器学习模型的参数和激活通常以32位进行编码以提高精度，但是今天的零知识证明无法在必要的算术电路格式中表示32位浮点运算，而不产生巨大的开销。因此，开发者可能会选择使用量化的机器学习模型，其中32位整数已经转换为8位精度。这些类型的模型有利于表示为零知识证明，但是被验证的模型可能是较高质量初始模型的粗略近似。在这个阶段，这确实是一场迎头赶上的游戏。随着零知识证明变得更加优化，机器学习模型变得越来越复杂。已经有一些优化的有前景的领域：证明递归可以通过允许证明用作下一个证明的输入来减小整体证明大小，从而实现证明压缩。还有一些新兴的框架，比如Linear A的Apache Tensor虚拟机（TVM）分支，该框架推出了一种转换器，可以将浮点数转换为零知识友好的整数表示。最后，我们在a16z crypto对未来的工作感到乐观，它将使在SNARKs中表示32位整数变得更加合理。 “规模”的两种定义零知识证明通过压缩实现规模化：SNARKs允许你将一个极其复杂的系统（如虚拟机或机器学习模型）数学表示，使得验证它的成本低于运行它的成本。另一方面，机器学习是通过扩展实现规模化的：如今的模型随着更多数据、参数以及参与训练和推理过程的GPU/TPU而变得更好。中心化公司可以以几乎无限制的规模运行服务器：收取API调用的月费，并支付运营成本。区块链网络的经济现实几乎正好相反：开发者被鼓励优化他们的代码，使其在链上运行既可行又便宜。这种不对称具有巨大的优势：它创造了一个需要提高证明系统效率的环境。我们应该寻求在机器学习中要求与区块链提供的相同好处，即可验证的所有权和共享的真实观念。尽管区块链激励了优化zk-SNARKs，但计算相关的每个领域都将受益。致谢：Justin Thaler, Dan Boneh, Guy Wuollet, Sam Ragsdale, Ali Yahya, Chris Dixon, Eddy Lazzarin, Tim Roughgarden, Robert Hackett, Tim Sullivan, Jason Morton, Peiyuan Liao, Tarun Chitra, Brian Retford, Daniel Kang, Yi Sun, Anna Rose, Modulus Labs, DC Builder。来源：金色财经
金色财经2023-04-06
AI + Blockchain=?
go
系的玩法都提供了巨大的想象空间。 3）Worldcoin：AI + KYC Worldcoin 是一个链上身份体系（Privacy-Preserving Proof-of-Personhood Protocol)，通过生物识别建立身份体系并实现支付等衍生功能，解决的问题是对抗女巫攻击，现在的注册用户超过了 1.4 m。用户通过一个叫 Orb 的硬件扫描虹膜，将个人信息添加到数据库中，Worldcoin 通过 Orb 硬件中的计算环境运行 CNN 模型压缩并证实用户虹膜数据的有效性。听上去很强，但如果需要做到身份验证的真正去中心化，worldcoin 团队正在探索通过 ZKP 验证模型的输出。挑战值得一提的是，worldcoin 的 CNN 模型的 size：参数 = 1.8 million，层数 = 50。基于上面展示的测试数据，现有的 proof system 在时间上完全可以胜任，但内存消耗对于消费级的硬件来说是不可能完成的。 4）其他项目 Pragma：Pargma 是从 starkware 生态上发展起来的 ZK oracle。同时团队也在探索如何通过链上 AI 解决去中心化链下数据验证的问题。用户不再需要信任 validator，而是通过足够精准且可验证的链上 AI 完成验证链下 data source 的工作，比如对于实际资产或者身份的验证可以直接让 AI 去读取相印的物理信息作为输入并做出决策。 Lyra finance：Lyra finance 是一个 option AMM，提供衍生品交易市场。为了提高资本利用率，Lyra 团队和 modulus lab 正在合作开发基于可验证 AI 模型的 AMM。基于可验证的、公平的 AI 模型，Lyra finance 有机会成为 AI + Blockchain 的一次大规模落地实验，为 web3 用户首次带来公平的 matchmaking，通过 AI 对链上市场进行优化，提供更高的回报。 Giza：ZKML 平台，将模型直接部署在链上而不是进行链下验证，Nice try，but…由于算力以及 Cairo 不支持 CUDA-based 的证明生成的问题，Giza 只能支持一些小模型的部署。这也是最致命的问题，从长期来看，能对 web3 产生颠覆性影响的一定是大模型，而这种规模的模型必须有强大的硬件支持，比如 GPU。 Zama-ai：模型的同态加密。同态加密是一种加密形式，简单表示为：f [E (x)] = E [f (x)]，其中 f 是运算操作，E 代表同态加密算法，x 是变量，比如：E (a) + E (b) = E (a + b)。允许对密文进行特定形式的代数运算得到仍然是加密的结果，将其解密所得到的结果与对明文进行同样的运算结果一样。模型的隐私性一直是 AI + Blockchain 方向的热点和瓶颈，虽然 zk 对隐私友好，但 zk 不等于 privacy。zama 致力于确保模型执行的 privacy-preserving。 ML-as-a-service：这目前还只是一个思考方向，没有具体的落地应用，但目的是通过 ZKP 解决中心化 ML 服务提供者作恶以及用户信任的问题。Daniel Kang 在文章“Trustless Verification of Machine Learning”中有详细的描述（参考文中的一张图）四、关于 AI + Blockchain 的总结整体来说，在 web3 世界里的 AI 处于非常早期的阶段，但是毋庸置疑的是 onchain-AI 的成熟和普及一定会把 web3 的价值带到另一个高度。从技术上看，区块链能给 AI 提供独特的基础设施，AI 也是改变 web3 生产关系的重要工具，两者的结合可以碰撞出很多可能性，这也是值得兴奋和打开想象力的地方。从 AI 上链的动力看，一方面，transparent + verifiable 的链上 AI 将去中心化和 trustless 的主体从人变为 AI 工具，极大提升了效率、安全性，并且为创造全新的产品形态提供了可能性；另一方面，区块链的基础设施不断迭代，web3 真正需要一个能让这些基础设施发挥最大价值的杀手级应用，ZKML 恰好符合这一点，比如 ZK-rollup 未来很可能作为 AI 进入 web3 的入口。从可行性上看，现在的基础设施能一定程度上支持一定规模的模型，但还有很多不确定因素。通过 ZKP 做可验证模型目前看是 AI 上链的必经之路，可能也是确定性最强的将 AI 带入的 web3 应用的技术路径。但是长远来看现在的 proof system 需要再进行指数级的提升才能足够支持日渐庞大的模型。从应用场景看，AI 几乎可以完美地参与到任何一个 web3 的方向，不管是 game、Defi、DID、tooling……虽然目前已有的项目非常匮乏而且缺乏长期价值，还没有从一种提升效率的工具转变为改变生产关系的应用。但值得兴奋的是有人迈出了第一步，我们可以看到 AI + blockchain 的最早期的样子和之后的可能性。来源：金色财经
金色财经2023-04-04
Jason：多元身份的数字布道者
 go
被BSC、SSV、PUSH、Lens、Worldcoin等头部项目的官方进行转发和互动。除写文章以外，我进入行业后也做过几个小项目，其中因为我之前从事安全行业，来到Web3后感觉安全问题非常严重，于是当时和社区的几个朋友做了防钓鱼安全插件MetaShield，通过用户高危交易行为的监测来做主动防御，这个项目是开源的public good，还有其他几个小产品。离开之后我在全国几个城市跑了一遍，面对面的与很多Web3的朋友交流沟通，看到了太多太多优秀的认真做事的朋友们，并写了一篇小作文用来回应之前华人Web3犹太人的论调（https://mp.weixin.qq.com/s/mpJmIqdFcV-9ytujM4MQnQ）。我尽可能的把自己生产力拉满继续做行研和写文章，我深刻的知道不论是接下来政策监管收紧，还是越来越多优秀的人进来，也许留给我下一个牛市可能是最后一个，所以我要尽全力赶上这趟末班车，我也处于和时间赛跑，和自己赛跑的状态。我认为我在行业中最大的收获就是写文章，它真的是一个非常好内修外练的方式，一方面可以将自己零散的知识结构化成体系梳理，给别人讲懂了，自己肯定也就懂了，其次是可以帮助我找到更多同频的朋友，我的很多贵人、朋友、合作伙伴等都是通过写文章认识的，这都是非常宝贵的资源，其实作为我这种“行业草根”，没有资源没有背景，有的就只有自己的双手和大脑，所以把东西学到脑袋里，再写出去，这就是我能给自己最大的杠杆。以及我基本上只要时间允许，就会尽可能的帮助大家力所能及的事情，我觉得这个行业还非常小，广结善缘，不要计较一时得失，先助人，人才会助己，尤其是Web3目前还是比较无序的行业，充斥着很多真真假假的骗子，所以待人真诚一些。我目前在万物岛中参与从投研-内容-影响力-品牌-流量-社区这部分工作，看起来很多，其实都是一以贯之的，以及也会参与一些朋友的项目作为顾问。核心内容：我学的是计算机专业，曾在阿里和红杉学者从事程序员和产品经历相关工作。后我和朋友合作开展了NFT相关产品的研发，但由于遇到市场问题，我们开始转型。我喜欢写文章进行科普布道，我们将社区转变成了一个DAO组织，快速打出品牌认知，通过深入研究和分享加深了自己的认知，并拓宽了自己在行业里的资源人脉，找到了自己的位置。 3.您在web3最难忘的经历有哪些呢？我个人最难忘的经历是在去年4月份获得了Mirror Spotlight，那时候我刚开始写文章没多久，突然有一天Shawn联系我说我入选了Mirror Spotlight，我当时很惊讶，因为我之前听说过这个很难获得，这件事情让我在内容上的价值得到了第一次的认可，给了我很强的正反馈，Shawn也是挖掘我的伯乐，是他看到了我的文章后进行了推举。在投资上难忘的是我在今年1月，连着写了三篇文章深度的覆盖了整个LSD赛道，应该算是做了一次吹哨人，适时的科普和预警了以Lido和SSV为首的LSD赛道爆发，现在能看到关于这两个项目的很多文章应该都是通过我那三篇引申出来的，这个也算是我比较大的一次战绩。核心内容：最难忘的经历是在投研领域实现了个人价值，获得了Mors Spotlight奖项，并寻找到了投资机会，这让我更加坚定了在研究和写作方面的道路。 4.您可以分享一些投研方面的技巧吗？首先要明白投研是一项孤独并长期建设投入的工作，自己一个人坐在电脑跟前从早看到晚，这个过程在起步阶段很难得到正反馈，要耐得住寂寞，所以一开始心态要调整好，有不少朋友找我说Jason哥，我也想当Kol，或者说我想通过投研也找到财富密码，你能不能带带我，我的反馈是如果你抱着想当Kol或者赚钱的心态去做投研，大概率做不好，因为前期你写的东西肯定不会在数据上给到你正反馈，所以你看着自己写的东西没人点赞，或者是研究了半天没找到财富密码还亏钱了，心态肯定就崩了，那所以一定要抱着就是纯粹内修外练的心态去做研究，找到投资机会和获得流量影响力，那都是附加值。我之前在Twitter和公众号里写了一篇文章，分享了我所有的投研和写作方法和策略： https://mp.weixin.qq.com/s/7d36MwMbFKK7Q6Mq9lt8KA其中的逻辑可以概括为：找到一个被低估且深度足够的赛道，并在其中找到头部项目。首先，被低估的赛道应该是那些还未被市场充分认可、但具备很大潜力的赛道。其次赛道要足够深度，能够容纳大量的资金进入。一旦有大量资金涌入，就存在涨幅的空间。此外还要找到头部项目，因为在任何赛道里，整个价值捕获往往被头部项目占据。如何找到一个赛道及其中的项目？最重要的是要保持对市场的敏锐度，以便获取一手信息，我平时是不看媒体的，因为媒体通常会滞后几天，等到美国的消息传到国内再被人解读出来都好几天了，而这段时间对于投资交易来说是一个非常宝贵的机会，因此建议大家尽量能够消化一手信息，比如以太访基金会的论坛、以太坊开发者论坛等等，这些都会涌现出许多有价值的信息。 [一手信息网址分享] 以太坊新闻周刊：https://weekinethereumnews.com 以太坊社区论坛：https://reddit.com/r/ethereum/ 以太坊开发者论坛：https://reddit.com/r/ethdev/ EIP提案论坛 : https://ethereum-magicians.org 以太坊研究者社区 : https://ethresear.ch 以太坊基金会官方博客：https://blog.ethereum.org 核心内容：要想找到长期价值的投资机会，首先要找到一个深度足够的赛道，同时要找到一些具有高价值预期但没有被低估的头部项目。为此，需要保持对市场的敏锐度，以便获取最新的信息，并尽量去消化一手信息。 5.您认为现在有哪些有深度的赛道？请注意我接下来的内容完全没有任何投资建议，大家自己DYOR。我曾经在推特上分享过我的看法，从大赛道来说，存储、去中心化稳定币、应用链等，就存储领域而言，我认为这个领域一直以来都有机会。之前我也写过一篇文章，分享了我对以币安新发布的Green Field这条存储链的探讨。存储领域的机会是存在的，但最大的问题在于我还没有看到存储领域取得重要的里程碑事件，这个逻辑我在刚才说到的分享全部投研逻辑方法论的文章里重点提了。因此这个领域可能需要一定的时间才能成长，需要耐心等待。另外一个有机会的领域是去中心化的稳定币领域。我们现在使用的大多数稳定币都是中心化的，包括超额抵押等等，web3原生的去中心化的稳定币是一个比较确定性的发展方向。第三个有机会的领域是应用链。这个概念已经很早就出现了，但一直起起伏伏。我目前感觉，无论从资本的角度，还是从项目方的角度来看，应用链都有可能在未来成为一个比较重要的领域。这是我目前的观察和判断，之前也写过相关的文章。其实有潜力的赛道还是不少的，大家看我的推特和公众号，基本上大赛道我都会进行分析。核心内容：我觉得存储赛道、去中心化稳定币和应用链是当前可能的机会。存储赛道可能需要时间养成；去中心化稳定币是一个相对确定性的方向；应用链也许会有不错的前景。 6.您在接下来的市场中有怎样的布局？我目前所擅长的是从投研出发、产生内容、形成品牌影响力、沉淀为流量社区这一条路径，我可能会继续长期保持这个方向，并寻找一些行业机会，不论是投资还是做项目，目前主要参与的社区是万物岛，我选择万物岛主要原因是因为我一直看好华人在Web领域的地位和优势，与我的价值观相符，万物岛是一个立足于香港，辐射全球华人的组织，我们在今年4月香港峰会也会正式开营，去服务和赋能第一季的数十个项目。核心内容：作为一名投研人员，我选择加入万物岛，致力于搭建投研社区和内容矩阵，并可能未来成立一个基金或研究院组织，以支持华人在Web领域的发展，争取香港成为一个拥有优势的阵地。 7.您还有什么想和大家分享的吗？我一直在回顾我在Web3里所得到的和错过的东西，尽管我在2017年到2019年做了整整两年的技术研究，但是却忽略了市场和商业上的价值，这可能是因为当时我对这个行业有着偏见，大家普遍认为整个区块链就是一个以金融炒作投机为主的行业，错过了这个机会。现在回过头看，我意识到当时自己的认知不够，带有有色眼镜，所以第一个教训是不要带着偏见去看待一个行业，躬身入局。另外我想说的是在Web3是一个充满诱惑的行业，并且圈子太小了，作为新人一定要“洁身自好”，遵守行业的共识，不要做或者说一些不合时宜的事情，我觉得如果是想在行业中长期待下去的话，越是没有法规的地方，守规矩的价值越高，当然这个纯粹是个人看法，求同存异。另外建议大家友善一些，我感觉现在圈子里的戾气真的非常重，推特经常会有撕逼和互喷的情况出现，不论是为了博流量还是什么原因，在行业这么小的情况下，都会给整个行业的氛围产生影响，如果是认真和我交流探讨的，或者我写的内容出现了纰漏指正的，我会非常欢迎，所以建议大家友善一些，讲道理一些，就事论事，有时候作为一个内容创作者，真的挺为难的，花了大量的时间做调研写东西，不赚钱就算了，还再产生一些纠纷，真的没有必要，我在看别人内容时发现有问题都会私信对方提出，或者在其下面进行评论补充，抱着互相提升讨教的心态去交流就好，如果抱着对立争对错的心态，我认为是没有必要的。核心内容：回顾在Crypto的经历，错过了市场和商业上的价值，主要是因为当时带有偏见。分享教训是要摘下有色眼镜理性看待行业机会，不要带有偏见。另外行业很小，作为新人要维护好自己的口碑，自律。 8.您可以分享下过往投资Token经历吗？首先我认为如果想要真正的感受这个行业的脉搏和温度，是需要买Token的。有的人说看不上买Token，认为这是一种投机，赚快钱的事情，或是自己太忙，没有充足的时间去看市场，但我认为这是不应该的。我们应该分配一点时间和钱来投资，因为这是一种有效的驱动你更好地理解行业的行为。炒Token并不是说整天刷twitter，跟着KOL去买，或者一天两小时就看盘，甚至直接开合约，因为这种行为没有提升个人认知，并不知道背后的逻辑。反而我认为是要以投研为主，去研究自己感兴趣的赛道，然后找到一些有价值的项目，并且买一点，这样炒Token同时也可以对自己的投研和行业理解进行检验。第二个是作为创业者，最终你的项目价值大概率还是反馈在二级市场，当然部分项目并不会发Token，所以如果你是有发Token预期的话，需要花时间去关注二级市场表现的，因此当我通过研究发现市场中有几个不错的项目时，我就买入，如果赚到钱就是对我的研究奖励，但如果亏损说明我的研究还不够充分，没有考虑到某些重要的方面，如果你研究完的项目觉得好，都不去买的话，那是不是对自己的研究没有信心呢？当然也许你有不同的意见，求同存异。但是请注意如果你有自己的正职工作，并且抗风险能力不强，尽量不要沉迷于交易，甚至开赌，毕竟区块链24小时交易，且波动性如此之大，你可能会输掉全部本金甚至背上债务，尤其是在圈子里会有很多财富神话，要明白这里面会有很多想讲给你听的故事，一定要提升自己的辨识度。核心内容：如果想要在加密货币行业中长久发展，除了要关注市场的变化和有价值的项目，还要做好研究与投资的准备，结合二级市场的反应，充分利用投研和投资的机会，不断提升自己的认知，从而获得更多的收益。来源：金色财经
金色财经2023-03-28

上一页
1
•••
49
50
51
52
53
下一页

24小时热点

最新话题更多