FX168财经网_全球视野外汇黄金加密货币NFT资讯网

AI与Web3融合：MixTrust在智能金融领域的领先地位

问题。MixGPT：引领智能金融体验的大型语言模型MixGPT，作为MixTrust生态的重要组成部分，是一款基于GPT-3.5架构的大型语言模型。其核心理念是使计算机能够像人类一样流利地学习和交流自然语言，从而为用户提供更自然、更亲切的智能金融体验。MixGPT在不断地与用户交互中学习，不断优化自身的语言理解和生成能力，为用户提供更加智能、个性化的金融服务。在人工智能与区块链技术的融合下，MixTrust与MATRIX AI Network的战略合作势必引领智能金融的新浪潮。MixGPT作为智能DeFi语言模型平台，将为用户提供精准化的金融服务与社交服务，助力金融行业的创新与发展。来源：金色财经

金色财经2023-10-16

MixTrust塑造Web3金融 MixGPT、MixID、MixBank构筑全能DeFi未来

T。 MixGPT：引领智能金融体验的大型语言模型 MixGPT，作为MixTrust生态的重要组成部分，是一款基于GPT-3.5架构的大型语言模型。其核心理念是使计算机能够像人类一样流利地学习和交流自然语言，从而为用户提供更自然、更亲切的智能金融体验。MixGPT在不断地与用户交互中学习，不断优化自身的语言理解和生成能力，为用户提供更加智能、个性化的金融服务。技术原理：解密MixGPT的核心 MixGPT的技术原理是一个由数据筛选、模型训练、应用开发三个方面组成的完整过程。首先，大量的语料库数据被筛选、清洗、分词，以提高模型的准确性和泛化能力。这些数据来源于各种领域，如新闻、社交媒体、百科全书等，为模型提供了广泛的语言素材。然后，在经过训练和评估后，MixGPT采用深度学习技术，通过多层神经网络处理编码后的文本数据，预测下一个单词或字符，同时考虑上下文信息以更好地理解语境和语义。在应用开发阶段，MixGPT将其训练得到的模型应用于实际场景，不断优化性能，以提供更快、更准确、更流畅的金融智能服务。 MixGPT：引领智能金融服务的未来未来，随着计算机技术的不断发展，MixGPT的应用前景将更加广阔。首先，MixGPT将进一步提高精度和速度，为用户提供更高效的金融智能体验。随着硬件和软件技术的进步，模型的训练和推理速度将会大大加快，使得MixGPT能够更好地满足用户的实时需求。其次，MixGPT将与其他人工智能技术相融合，创造更多可能性。结合计算机视觉技术，MixGPT可以更好地理解图像和视频中的语义信息，为用户提供更准确的语言描述，拓展金融服务的广度和深度。此外，与机器翻译、自动文摘、语音识别等技术结合，将创造更多智能化的金融应用。最后，MixGPT将在更多领域发挥作用，如知识图谱、智能问答、文本分类等，为用户提供更丰富的智能金融体验。愿景在MixTrust的引领下，MixGPT正成为Web3DeFi领域的智能化引擎，为用户带来更自然、更智能、更个性化的金融服务。随着技术的不断发展，我们可以期待MixGPT在智能金融领域发挥更大的作用，为用户创造更多价值，引领智能金融的新时代。让我们共同期待，探索这个充满无限可能的未来！ MixTrust:Web3时代的全能金融平台伴随AI浪潮的席卷，其运用犹如把双刃剑，在AI带来便利的同时，虚假和匿名账户泛滥的情况也愈演愈烈。人工智能擅长通过生成文本、深度造假（deepfakes）或绕过常用的验证方法来模仿人类行为，让人类账户和机器人/虚假账号难以辨别，其身份验证成为一个急需解决的问题。然而其数字身份的出现，开始缓解甚至杜绝了这一局面。身处Web3时代的用户日益频繁的交互次数、资产安全、跨链等都是必不可少的。用户迫切需要一个能实现Web3身份验证并且能满足DeFi安全交互的平台。于是乎，一场关于Web3ID的革命开启，MixTrust应运而生! MixTrust:一站式Web3DeFi服务平台 MixTrust是一个专注于Web3DeFi领域的去中心化一站式服务平台，旨在成为用户身处Web3时代的专用金融平台。MixTrust生态丰富，基于人工智能技术搭建，整合其Web3数字身份、去中心化加密钱包、Web3社交（SocialFi)以及AI金融服务等。MixTrust的独特之处将不止步于生态的丰富，除了本身合理的商业逻辑，MixTrust各个生态的紧密衔接应用、技术将在更高层面上解决真实的社会问题。 MixID-AI时代虚假内容泛滥的解毒剂我们不可否认AI将为人类社会带来变革，然而其伴随着AI产生的问题也将得到解决。MixID是MixTrust的数字身份模块，其创新地采用了生物识别技术与用户的社交图谱采用个人DID的基础信息，同时用户的社交图谱也将成为用户重要的Web3资产，可在网络上流通。其MixID不同于目前盛行的虹膜识别技术，MixTrust使用手指静脉识别技术，同时结合用户的社交关系形成的“社交指纹”作为个人ID信息验证。手指静脉识别相较于虹膜识别，安全性更高。人体虹膜扫描可能会引发隐私和安全问题，据BlockBeats讯息，市面上已悄然出现一门代刷虹膜的生意，只需最多30美金的价格就可以买到一个虹膜验证，之后就可领取20美金的奖励。这不禁让人怀疑其虹膜识别的安全性。 MixID的手指静脉识别有良好的活体性并且难以被伪造；虹膜识别在活体性上较差。并且静脉识别具备较好的抗干扰性，可以在同一身份验证系统下用于多达10个的不同授权需求的使用；而每个人只有两只眼睛，在同一身份验证系统下只能用于表达两种身份需求。 Mixbank-高扩展性去中心化钱包 MixBank是MixTrust的去中心化钱包，亦是MixTrust的主要载体，其采用了最先进的零知识证明技术，同时兼容多种VM，其开放的API接口允许不同的平台和应用调用，从而允许用户的社交关系在不同网络中转移。 MixGPT-基于GPT4&链接社交网络 MixGPT是MixTrust基于GPT4打造的智能DeFi服务平台，与ChatGPT不同的是，MixGPT专注于Web3DeFi领域，用户可以通过与MixGPT交互，获取自己需要的信息，同时AI会综合用户的使用信息，为用户提供更快捷更自然的支付和查询体验，使用AI技术来识别和处理来自社交媒体、社区和协作等多个渠道的数据，自动进行沟通管理，确保社交网络信息的准确性。 MixTrust或许短期内它还面临很多问题、挑战甚至是危机，但无疑，它在目前市面上盛行红膜识别情况下，不随波逐流而是踏出其第一步进行改善，将产品使用者的安全性置于首位。其产品也将近近期上线。如果MixTrust能够成功，将引领新一代的Web3ID革命，也是对整个加密行业来说最为重要的价值。 MixTrust:领先Web3时代的全能金融平台随着区块链和Web3技术的迅猛发展，我们正处在金融领域的新时代。在这个充满机遇和挑战的时刻，用户作为Web3的关键流量，安全性与体验感都至关重要。然而，目前市面的产品都过度专注于特定方面，缺少整体性，致使用户体验碎片化。值得庆幸的是，MixTrust通过提供统一的平台解决了在多个应用间切换的问题。用户可以在一个平台上无缝地访问数字身份管理、去中心化钱包、Web3社交功能和AI金融服务，摆脱了频繁切换应用的麻烦。 MixTrust致力于推动Web3DeFi的发展，并通过整合数字身份、去中心化加密钱包、Web3社交和AI金融服务等模块，为用户提供全面的服务体验。该平台建立在人工智能技术之上，利用最新的跨链技术支持主流公链，如以太坊、Arbitrum、Aptos、NULS等，以实现资产合成和跨链转移。核心模块的引领 MixTrust的核心模块包括MixID、MixBank和MixGPT，每个模块都发挥着关键的作用，为用户提供无缝的金融体验。MixID是MixTrust的数字身份模块，采用了创新的生物识别技术与用户的社交图谱相结合。用户的个人DID基础信息与社交图谱相互融合，成为用户重要的Web3资产，并可以在网络上流通。这为用户进入Web3世界提供了便捷与安全的通行证。Web3强调社区和社交互动。MixTrust整合了Web3社交功能，让用户可以与志同道合的人建立联系、分享知识，并共同探索投资机会。其次，MixBank作为MixTrust的去中心化钱包，兼具载体和主要功能。它采用先进的零知识证明技术，并兼容多种虚拟机环境。通过开放的API接口，MixBank为不同的平台和应用提供调用能力，实现用户社交关系在不同网络之间的无缝转移。这为用户提供了自由选择和流动性的便利。MixTrust的跨链功能简化了Web3生态系统中的资产管理。用户可以轻松地在以太坊、Arbitrum、Aptos、NULS等主流公链之间合成和转移资产。告别繁琐的资产多样化和流动性优化问题！最后，MixGPT是MixTrust基于GPT4打造的智能DeFi服务平台。与一般的ChatGPT不同，MixGPT专注于Web3DeFi领域。用户可以通过与MixGPT交互，获取所需的信息。AI会综合用户的使用数据，为用户提供更快捷、更自然的支付和查询体验。通过识别和处理来自社交媒体、社区和协作等多个渠道的数据，MixGPT自动进行沟通管理，确保社交网络信息的准确性，为用户提供智能洞察和数据驱动的指导。 MixTrust让用户可以安全地管理他们在区块链上的数字身份，确保每一笔交易的信任和完整性。保护用户的数据和资产是首要任务，让用户在Web3DeFi的活动中可以安心。在不断变化的Web3金融领域，明智的决策至关重要。开创金融世界的未来结合当前AI、区块链和Web3的前景，以及MixTrust解决的问题，可以看出其在推动金融世界发展方面的重要性。 MixTrust通过整合各种关键模块和创新技术，为用户打造了一站式的Web3DeFi服务平台。用户可以便捷地管理数字身份、实现资产的合成和跨链转移，并通过与MixGPT交互获取所需的信息，从而进行更好的投资和资产管理。 MixTrust的创新之处不仅体现在技术层面，更在于对用户体验和金融自由的追求。作为Web3世界的金融平台，MixTrust为用户提供了安全、便捷和个性化的服务，为他们在这个充满机遇的金融时代开辟了无限可能。作为Web3Builders的你，是否迫不及待地期待着MixTrust的到来呢？来源：金色财经

金色财经2023-10-16

AI Agent：重新定义Web3游戏的创新之路

l Intelligence）技术中，大型语言模型（Large Language Model - LLM）是绝对的主角。OpenAI 核心技术人员 Andrej Karpathy 和 Lilian Weng 也表达过基于 LLM 的 AI Agents 是 AGI 领域接下来重要的发展方向，很多团队也在开发基于 LLM 驱动的人工智能代理 ( AI-Agents) 系统。简单来说，AI Agent 是一种计算机程序，它使用大量数据和复杂的算法来模拟人类的思维和决策过程，以便执行各种任务和交互，例如自动驾驶、语音识别和游戏策略等。 Abacus.ai 的图片清晰的介绍了 AI Agent 的基本原理，步骤如下：感知和数据采集：数据输入，或者 AI Agent 通过感知系统（传感器、摄像头、麦克风等设备）获取信息和数据，比如游戏状态、图像、声音等。状态表示：数据需要被处理和表示成 Agent 可以理解的形式，如转换为向量或张量，以便于输入到神经网络中。神经网络模型：通常使用深度神经网络模型来进行决策和学习，比如使用卷积神经网络（CNN）用于图像处理、循环神经网络（RNN）用于序列数据处理，或者更高级的模型如自注意力机制（Transformer）等。强化学习：Agent 通过与环境的互动来学习最佳行动策略。除此以外，Agent 的运作原理还包括策略网络、价值网络、训练和优化，以及探索与利用等。比如在游戏场景下，策略网络可以输入游戏状态，然后输出行动概率分布；价值网络能够估计状态价值；Agent 则可以通过与环境互动不断强化学习算法以优化策略和价值网络，输出更完美的结果。总之，AI-Agents 是一种能够理解、决策和行动的智能实体，它们可以在各种领域中发挥重要作用，包括游戏领域。OpenAI 核心技术人员 Lilian Weng 撰写的《LLM Powered Autonomous Agents 》非常全面的介绍了 AI-Agents 原理，其中，文中提到一个非常有趣的实验：Generative Agents。 Generative Agents （简称 GA）的灵感来自于《模拟人生》游戏，其使用 LLM 技术生成了 25 个虚拟角色，每个角色都由 LLM 支持的 Agent 控制，在沙盒环境中生活和交互。GA 的设计很聪明，它将 LLM 与记忆、规划和反思功能结合在一起，这使得 Agent 程序可以根据以前的经验来做出决策，并与其他 Agent 互动。文章详细介绍了 Agent 如何基于策略网络、价值网络以及和环境的互动来不断训练和优化决策路径。原理如下：其中，记忆流（Memory Stram）是一个长期记忆模块，记录了 Agent 的所有交互经验。检索模型（Retrieve）根据相关性、新鲜度和重要性来提供经验（Retrived Memories），帮助 Agent 做出决策（Plan）。反思机制（Reflect）则总结过去的事件，指导 Agent 未来的行动。Plan 和 Reflect 则共同帮助 Agent 将反思和环境信息转化为实际行动 Act 。这种有趣的实验向我们展示了 AI Agent 的能力，比如产生新的社交行为、信息传播、关系记忆（比如两个虚拟角色继续讨论话题）和社交活动的协调（比如举办聚会并邀请其他虚拟角色）等等。总之，AI-Agent 是一个非常有趣的工具，并且其在游戏中的应用也值得深入探索。 02 技术趋势 2.1 AI 赛道趋势 ABCDE 的投研合伙人LaoBai曾总结过硅谷创投圈对 AI 下一步发展的判断：没有垂类模型，只有大模型 + 垂类应用；边缘设备比如手机端的数据可能会是个壁垒，基于边缘设备的 AI 可能也是个机会； Context 的长度未来可能引发质变（现在用向量数据库作为 AI 记忆体，但上下文长度还是不够）。即从行业普通发展规律来看，因为大型通用模型模式太重，且具备较强的普适性，所以没必要在大型通用模型领域不断造轮子，而应更多侧重于将大型通用模型应用于垂类领域。同时，边缘设备指通常不依赖于云计算中心或远程服务器，而是在本地进行数据处理和决策的终端设备。因为边缘设备的多样性，所以如何将 AI Agent 部署到设备上运行并合理获取设备数据就是一个挑战，但同时也是新的机会。最后，关于 Context 的问题也备受关注。简单来说，在 LLM 背景下的 Context 可以理解为信息数量，Context 长度可以理解为数据有多少维度。假如现在有一个电子商务网站的大数据模型，该模型用于预测用户购买某个产品的可能性。在这种情况下，Context 可以包括用户的浏览历史、购买历史、搜索记录、用户属性等信息。Context 长度则指特征信息叠加的维度，比如上海 30 岁男性用户的竞品购买历史，叠加最近购买的频率，再叠加最近的浏览记录等。Context 长度的增加可以帮助模型更全面地理解用户购买决策的影响因素。目前的共识认为，虽然目前使用向量数据库作为 AI 的记忆体使得 Context 长度不够，但未来 Context 长度会发生质的变化，而后 LLM 模型可以寻求更高级的方法来处理和理解更长、更复杂的 Context 信息。进一步涌现出更多超出想象的应用场景。 2.2 AI Agent 趋势 Folius Ventures总结过 AI Agent 在游戏赛道中的应用模式，如下图：图中的 1 是 LLM 模型，其主要负责将用户意图从传统的键盘 / 点击输入转化成自然语言输入，降低用户进入门槛。图中的 2 是集成了 AI Agent 的前端 Dapp，为用户提供功能服务的同时，也可以从终端收集用户习惯和数据。图中的 3 是各类 AI Agent，可以直接以应用内功能、Bot 等形式存在。总的来说，AI Agent 作为基于代码的工具，可以充当 Dapp 扩展应用功能的底层程序以及平台的增长催化剂，即链接大模型和垂类应用的中间件。从用户场景来说，最有可能集成 AI Agent 的 Dapp 大概率是足够开放的 Social app， Chatbot 和游戏；或者把现有 Web2 流量入口通过 AI Agent 改造成更简便亲民的 AI+web3 入口；即行业内一直在探讨的降低 Web3 的用户门槛。基于行业发展规律，AI Agent 所处的中间件层往往会成为一个高度竞争的赛道，几乎没有护城河。所以，AI Agent 除了不断的提升体验以匹配 B2C 的需求以外，可以通过制造网络效应或创造用户粘性的来提升自己的护城河。 03 赛道地图 AI 在 Web3 游戏领域的应用已经出现了多种不同尝试，这些尝试可以分为以下几种类别：通用模型：一些项目专注于构建通用 AI 模型，针对 Web3 项目的需求，找到适用的神经网络架构和通用模型。垂直应用：垂类应用旨在解决游戏中的特定问题或为提供特定服务，通常以 Agent、Bot 和 BotKits 的形式出现。 Generative AI 应用：大模型对应的最直接的应用就是内容生成，而游戏赛道本身就是内容行业，所以游戏领域的 Generative AI 应用非常值得关注。从自动生成虚拟世界中的元素、角色、任务或故事情节等，再到自动生成游戏策略、决策甚至是游戏内生态的自动演变都成为了可能，使游戏更具多样性和深度。 AI 游戏：目前，已经有许多游戏集成了 AI 技术，应用场景各不相同，后文将举例说明。 3.1 通用大模型目前，Web3 已经有针对经济模型设计和经济生态发展的模拟模型了，比如 QTM 量化代币模型。 Outlier Venture 的 Dr. Achim Struve 在 ETHCC 的演讲中有提到一些经济模型设计的观点。比如考虑到经济系统的稳健型，项目方可以通过 LLM 模型创建一个数字双胞胎 Digital Twin，对整个生态系统进行 1:1 的模拟。下图的 QTM（量化代币模型）就是一个 AI 驱动的推理模型。QTM 采用了 10 年的固定模拟时间，每个时间步长为一个月。在每个时间步长的开始，代币会被排放到生态系统中，因此模型中有激励模块、代币归属模块、空投模块等。随后，这些代币将被投放到到几个元桶（meta buckets）中，从这些元桶中再次进行更细化的广义效用再分配。然后，从这些效用工具中定义奖励支付等。还有像链下业务方面，这也考虑了业务的一般资金状况，例如可以进行销毁或回购，还可以衡量用户采用率或者定义用户采用情况。当然，该模型的输出质量取决于输入质量，所以在使用 QTM 之前，必须进行充分的市场研究，以获取更准确的输入信息。不过 QTM 模型已经是 AI 驱动模型在 Web3 经济模型里非常落地的应用了，也有许多项目方基于 QTM 模型做操作难度更低的 2C/2B 端应用，降低项目方的使用门槛。 3.2 垂类应用 Agent 垂类应用主要以 Agent 的形式存在，Agent 可能是 Bot、BotKits、虚拟助手、智能决策支持系统、各类自动化数据处理工具等等不同的形式。一般来说，AI Agent 拿 OpenAI 的通用模型为底层，结合其他开源或自研技术，如文本转语音（TTS）等，并加入特定的数据进行 FineTune（机器学习和深度学习领域中的一种训练技术，主要目的是将一个已经在大规模数据上预训练过的模型进一步优化），以创建在某一特定领域表现优于 ChatGPT 的 AI Agent。目前 Web3 游戏赛道应用最成熟的是 NFT Agent。游戏赛道的共识是 NFT 一定是 Web3 游戏的重要组成部分。随着以太坊生态系统中关于元数据管理技术的发展，可编程的动态 NFTs 出现了。对于 NFT 的创建者而言，它们可以通过算法使 NFT 功能更灵活。对于用户而言，用户与 NFT 之间可以有更多的互动，产生的交互数据更是成为了一种信息来源。AI Agent 则可以优化交互过程，并扩展交互数据的应用场景，为 NFT 生态系统注入了更多的创新和价值。案例一：比如 Gelato 的开发框架允许开发者自定义逻辑，根据链下事件或特定时间间隔来更新 NFT 的元数据。Gelato 节点将在满足特定条件时触发元数据的更改，从而实现链上 NFT 的自动更新。例如，这种技术可以用于从体育 API 获取实时比赛数据，并在特定条件下，例如运动员赢得比赛时，自动升级 NFT 的技能特征。案例二：Paima 也为 Dynamic NFT 提供了应用类 Agent。Paima 的 NFT 压缩协议在 L1 上铸造了一组最小的 NFT，然后根据 L2 上的游戏状态对其进行演化，为玩家提供更具深度和互动性的游戏体验。比如 NFT 可以根据角色的经验值、任务完成情况、装备等因素而发生变化。案例三：Mudulas Labs 是非常知名的 ZKML 项目，其在 NFT 赛道也有布局。Mudulas 推出了 NFT 系列 zkMon，允许通过 AI 生成 NFT 并发布至链上，同时生成一个 zkp，用户可以通过 zkp 查验自己的 NFT 是否生成自对应的 AI 模型。更全面的信息可以参考：Chapter 7.2: The World’s 1st zkGAN NFTs。 3.3 Generative AI 应用前文提到，因为游戏本身是内容行业，AI-Agent 能够在短时间内、低成本地生成大量内容，包括创造具有不确定性、动态的游戏角色等等。所以 Generative AI 非常适合在游戏应用。目前，在游戏领域中 Generative AI 的应用可以总结为以下几种主要类型： AI 生成游戏角色类：比如和 AI 对战，或者由 AI 负责模拟和控制游戏中的 NPC，甚至直接用 AI 生成角色等。 AI 生成游戏内容类：直接由 AI 各种内容，如任务、故事情节、道具、地图等。 AI 生成游戏场景类：支持用 AI 自动生成、优化或扩展游戏世界的地形、景观和氛围等。 3.3.1 AI 生成角色案例一：MyShell MyShell 是一个 Bot 创建平台，用户可以根据自己的需求，创建专属 Bot 用于聊天、练习口语、玩游戏、甚至寻求心理咨询等等。同时，Myshell 使用了文本转语音（TTS）技术，只需几秒钟的语音样本，就可以模仿任何人的声音自动创建 Bot。除此以外，MyShell 使用了 AutoPrompt，允许用户仅通过描述自己的想法去给 LLM 模型发出指令，为私人大型语言模型（LLM）打下了基础。有 Myshell 的用户表示，其语音聊天功能非常流畅，响应速度比 GPT 的语音聊天还要快，而且还有 Live2D。案例二：AI Arena AI Arena 是一款 AI 对战游戏，用户可以使用 LLM 模型不断的训练自己的对战精灵（NFT），然后将训练好的对战精灵送往 PvP/PvE 战场对战。对战模式和任天堂明星大乱斗类似，但通过 AI 训练增加了更多的竞技趣味性。 Paradigm 领投了 AI Arena，目前公测阶段已开始，玩家可以免费进入游戏，也可以购买 NFT 提升训练强度。案例三：链上国际象棋游戏 Leela vs the World Leela vs the World 是 Mudulas Labs 开发的一款国际象棋游戏。游戏里游戏双方是 AI 和人，棋局情况放在合约里。玩家通过钱包进行操作（与合约交互）。而 AI 读取新的棋局情况，做出判断，并为整个计算过程生成 zkp ，这两步都是在 AWS 云上完成，而 zkp 交由链上的合约验证，验证成功后调用棋局合约“下棋”。 3.3.2 AI 生成游戏内容案例一：AI Town AI Town 是 a16z 与其投资组合公司 Convex Dev 的合作成果，灵感来自斯坦福大学的《Generative Agent》论文。AI Town 是一座虚拟城镇，城镇内的每个 AI 都可以根据互动和经验构建自己的故事。其中，使用 Convex 后端无服务器框架、Pinecone 矢量存储、Clerk 身份验证、OpenAI 自然语言文本生成以及 Fly 部署等技术堆栈。除此以外，AI Town 全部开源，支持游戏内开发者自定义各种组件，包括特征数据、精灵表、Tilemap 的视觉环境、文本生成提示、游戏规则和逻辑等等。除了普通玩家可以体验 AI Town，开发者也可以使用源代码在游戏内甚至游戏外开发各种功能，这种灵活性使 AI Town 适用于各种不同类型的应用。所以， AI Town 本身是一个 AI 生成内容类游戏，但也是一个开发生态，甚至是一个开发工具。案例二：Paul Paul 是一个 AI 故事生成器，其专门为全链游戏提供了一个 AI 故事生成并直接上链的解决路径。其实现逻辑是给 LLM 输入了一大堆先验规则，然后玩家可以自动根据规则生成次生内容。目前有游戏 Straylight protocol 使用 Paul Seidler 发行了游戏，Straylight 是一款多人的 NFT 游戏，核心玩法就是全链游戏版本的“Minecraft”，玩家可以自动 Mint NFT，然后根据模型输入的基本规则构造自己的世界。 3.3.3 AI 生成游戏场景案例一：Pahdo Labs Pahdo Labs 是一家游戏开发工作室，目前正在开发 Halcyon Zero，这是一款基于 Godot 引擎构建的动漫奇幻角色扮演游戏和在线游戏创建平台。游戏发生在一个空灵的幻想世界中，以作为社交中心的繁华城镇为中心。这款游戏非常特别的地方在于，玩家可以使用游戏方提供的 AI 创作工具快速创作更多的 3D 效果背景以及把自己喜欢的角色带入游戏，真正为大众游戏 UGC 提供了工具和游戏场景。案例二：Kaedim Kaedim 针对游戏 Studio 开发了一个基于 Generative AI 的 3D model generation 工具，可以快速的帮助游戏 Studio 批量生成符合他们需求的游戏内 3D 场景 / 资产。目前 Kaedim 的通用产品还在开发中，预计 2024 年开放给游戏 Studio 使用。 Kaedim 产品的核心逻辑和 AI-Agent 是完全相同的，使用通用大模型为基础，然后团队内部的艺术家会不断输入好的数据，然后给 Agent 的输出进行反馈，不断的通过机器学习训练这个 Model，最后让 AI-Agent 可以输出符合要求的 3D 场景。 04 总结在本文中，我们对 AI 在游戏领域的应用进行了详细的分析和总结。总的来说，未来通用模型以及 Generative AI 在游戏的应用一定会出现明星独角兽项目。垂类应用虽然护城河较低，但先发优势强，如果能靠先发优势制造网络效应和提升用户粘性，则想象空间巨大。除此以外，生成式 AI 天然适合游戏这个内容行业，目前已经有非常多的团队在尝试 GA 在游戏的应用，这个周期就非常有可能出现应用 GA 的爆款游戏。除了文中提到的一些方向，未来还有其他的探索角度。比如： (1) 数据赛道 + 应用层：AI 数据赛道已经孕育出了一些估值达数十亿美元的独角兽项目，而数据 + 应用层的联动同样充满想象空间。 (2) 与 Socialfi 结合：比如提供创新的社交互动方式；用 AI Agent 优化社区身份认证、社区治理；或者更加智能的个性化推荐等。 (3) 随着 Agent 的自动化和成熟化，以后 Autonomous World 的主要参与者到底是人还是 Bot？链上的自治世界是否有可能能像 Uniswap 那样，80%+ 的 DAU 都是 Bot？如果是，那结合 Web3 治理概念的治理 Agent 同样值得探索。来源：金色财经

金色财经2023-10-16

东大华人博士让GPT-4用“心智理论”玩德扑完胜传统算法碾压人类新手

现有力地展示了在不完全信息博弈领域采用大型语言模型的优势，同时也证明了研究提出框架的有效性。下图表明了Suspicion Agent和基线模型的行动百分比。可以观察到： Suspicion Agent vs CFR：CFR算法是一种保守策略，它倾向于保守，经常在持有弱牌时弃牌。而Suspicion Agent成功识别了这一模式，并策略性地选择更频繁地加注，向 CFR 施加弃牌压力。这使得即使Suspicion Agent的牌很弱或与CFR的牌相当的情况下，它积累了更多筹码。 Suspicion Agent vs DMC：DMC基于搜索算法，采用了更多样化的策略，包括虚张声势。它经常在自己手牌最弱和最强时都会加注。作为回应，Suspicion Agent根据自己的手牌和观察到的DMC的行为，减少了加注频率，并更多地选择跟注或弃牌。 Suspicion Agent vs DON：DON算法的立场更加激进，几乎总是用强牌或中级牌加注，从不弃牌。 Suspicion Agent发现了这一点，并反过来尽量减少自己的加注，更多地根据公共牌和DON的行动选择跟注或弃牌。 Suspicion Agent Vs NFSP：NFSP表现出跟注策略，选择总是跟注并从不弃牌。 Suspicion Agent的应对方式是减少加注频率，并根据公共牌和NFSP观察到的行动选择弃牌。根据上述分析结果，可以看到Suspicion Agent具有很强的适应性，能够利用其他各种算法所采用策略的弱点。这充分说明了大语言模型在不完美信息博弈中的推理和适应能力。 03 定性评估在定性评估中，研究人员在三个不完全信息博弈游戏（Coup、Texas Hold'emLimit 和 Leduc Hold'em）中对Suspicion Agent进行了评估。 Coup，中文翻译是政变，这是一种纸牌游戏，玩家扮演政治家，试图推翻其他玩家的政权。游戏的目标是在游戏中存活并积累权力。 Texas Hold'em Limit，即德州扑克（有限注），是一种非常流行的扑克牌游戏，有多个变体。「Limit」表示在每轮下注中有固定的上限，这意味着玩家只能下固定数额的赌注。 Leduc Hold'em是则是德州扑克的一个简化版本，用于研究博弈论和人工智能。在每种情况下，Suspicion Agent手中有一张Jack，而对手要么有一张Jack，要么有一张Queen。对手最初选择跟注而不是加注，暗示他们手牌较弱。在普通计划策略下，Suspicion Agent选择跟注以查看公共牌。当这揭示出对手手牌较弱时，对手迅速加注，使Suspicion Agent处于不稳定的局面，因为Jack是最弱的手牌。在一阶理论心智策略下，Suspicion Agent选择弃牌，以最小化损失。这个决定是基于观察到对手通常在手中有Queen或Jack时才跟注。然而，这些策略未能充分利用对手手牌的推测弱点。这一缺点源于它们不考虑Suspicion Agent的举动可能如何影响对手的反应。相比之下，如图9所示，简单的提示能够让Suspicion Agent了解如何影响对手的行动。有意选择加注会给对手带来压力，促使他们弃牌并最小化损失。因此，即使手牌的强度相似，Suspicion Agent也能够赢得许多比赛，从而比基线赢得更多的筹码。此外，如图10所示，在对手跟注或回应Suspicion Agent的加注情况下（这表明对手手牌强大），Suspicion Agent就会迅速调整策略，选择弃牌以防止进一步损失。这显示了Suspicion Agent的出色战略灵活性。 04 消融研究与组件分析为了探索不同阶ToM感知规划方法如何影响大型语言模型的行为，研究人员在Leduc Hold'em和plaagainst CFR上进行了实验和比较。图5中展示了采用不同ToM水平规划的Suspicion Agent的行动百分比，并在表3中展示了筹码收益结果。表3：Suspicion Agent在使用不同级别ToM与CFRonLeduc Hold'em环境对弈时的比较结果以及100局游戏后的量化结果可以观察到：基于Reflexion modulevanilla规划在对局过程中倾向于更多地跟注和过牌（在对阵CFR和DMC时跟注和过牌比例最高），这无法施加压力使对手弃牌，并导致许多不必要的损失。但如表3所示，vanilla计划的筹码收益最低。利用一阶ToM，Suspicion Agent能够根据自己的牌力和对对手牌力的估计做出决策。因此，它加注的次数会多于普通计划，但它弃牌的次数往往多于其他策略，目的是尽量减少不必要的损失。然而，这种谨慎的方法会被精明的对手模型所利用。例如，DMC经常在拿着最弱的一手牌时加注，而CFR有时甚至会在拿着中级牌时加注，以对Suspicion Agent施加压力。在这些情况下，Suspicion Agent的加倍倾向会导致损失。相比之下，Suspicion Agent更擅长识别和利用对手模型的行为模式。具体来说，当CFR选择过牌（通常表示手牌较弱）或当DMC过牌（表明其手牌与公共牌不一致）时，Suspicion Agent会以虚张声势的方式加注，诱使对手弃牌。因此，Suspicion Agent在三种规划方法中表现出最高的加注率。这种激进的策略让Suspicion Agent即使手持弱牌也能积累更多筹码，从而最大限度地提高筹码收益。为了评估后视观察的影响，研究人员进行了一项后视观察不纳入当前游戏的消融研究。如表4和表5所示，在没有后视观察观察的情况下，Suspicion Agent仍能保持其相对于基线方法的性能优势。表4：比较结果表明了在莱德克牌局环境中将对手观察结果纳入对局历史的影响表5：比较结果表明，当Suspicion Agent在 Leduc Hold'em 环境中与CFR对弈时，在对局历史中加入对手观察结果的影响。结果是使用不同种子进行100局对局后的输赢筹码，输赢筹码数从1到14不等 05 结论 Suspicion Agent没有进行任何专门的训练，仅仅利用GPT-4的先验知识和推理能力，就能在Leduc Hold'em等不同的不完全信息游戏中战胜专门针对这些游戏训练的算法，如CFR和NFSP。这表明大模型具有在不完全信息游戏中取得强大表现的潜力。通过整合一阶和二阶理论心智模型，Suspicion Agent可以预测对手的行为，并相应调整自己的策略。这使得它可以对不同类型对手进行适应。 Suspicion Agent还展示了跨不同不完全信息游戏的泛化能力，仅仅根据游戏规则和观察规则，就可以在Coup和Texas Hold'em等游戏中进行决策。但Suspicion Agent也有着一定的局限性。例如，由于计算成本限制，对不同算法的评估样本量较小。以及推理成本高昂，每局游戏耗费接近1美元，并且Suspicion Agent的输出对提示的敏感性较高，存在hallucination的问题。同时，在进行复杂推理和计算时，Suspicion Agent的表现也不尽人意。未来，Suspicion Agent将在计算效率、推理鲁棒性等方面进行改进，并支持多模态和多步推理，来实现对复杂游戏环境的更好适应。同时，Suspicion Agent在不完全信息博弈游戏中的应用，也可以迁移到未来多模态信息的整合，模拟更真实的交互、扩展到多玩家游戏环境中。参考资料： https://arxiv.org/abs/2309.17277 来源：金色财经

金色财经2023-10-15

OpenTele Bot —— 技术驱动金融发展我们正处于人工智能的 iPhone 时刻

伟达的 Hopper 芯片很可能受益于大型语言模型的增长，并成为一种「长期趋势」。Gerra 补充称，预计英伟达将扩大公司的云战略，成为一家以云为中心的全栈公司。此外，摩根士丹利上周也上调了英伟达的股票评级，称该公司在人工智能领域的投入是「自移动互联网发展以来最重要的技术发展之一」。我们来到了一个新世界的大门前深度学习模型擅长处理大数据，模拟人脑的认知过程，利用复杂的神经网络来识别规律、做出预测并进行决策。区块链网络拥有透明、去中心化且抗操控的交易结算层，联网即可用，数据储存在上面就无法被篡改，而且用户可以以无需许可且信任最小化的方式与区块链交互。区块链与 AI 结合，将催生出自动化的智能决策系统，输出非常可靠的结果，并基于防篡改的数据来触发现实世界中的操作。区块链与 AI 结合将解锁全新的商业模式，为企业提高运营效率，为个人自动完成重复性的工作，更安全、高效地交换数据，通过 AI 智能合约增强决策流程，并提升关键基础设施和交易流程中的信任和透明度。 AI 与区块链结合，不仅会造福传统的商业应用，还将延伸至其他领域。将 AI 强大的分析能力与区块链在安全和去中心化方面的优势结合，可以应用于教育、医疗保健、能源、社会、农业和城市规划等各个领域，更好地基于数据做决策，并提升资源管理效率。正如生成式 AI 现在可以创建图像、视频和文本这样的全新内容。借助深度学习算法如 GAN（生成对抗网络），研究人员正在开发能够生成逼真和原创内容的 AI 模型。ChatGPT（生成式预训练 Transformer 模型）引领了 AI 的趋势，拓宽了人们对 AI 的视野，与 ChatGPT 的对话就像和人类一样自然。加密货币的发展在本质上是技术驱动金融的发展结果，底层是由区块链技术支撑，上层是 DeFi 等众多应用驱动。随着加密市场的发展，关注宏观经济政策对加密市场的影响时，也必须重视新技术对加密市场的影响。上一轮加密牛市中，元宇宙成为加密市场和传统市场共同追求的发展方向之一；而本轮新周期中，AI+ 区块链或将成为新的加密叙事之一。人工智能应用 ChatGPT 在刚刚发布两个月后，其月活跃用户数就已达到 1 亿，这让它成为史上用户增长速度最快的消费应用。近日，微软向 ChatGPT 的开发公司 OpenAI 投资 100 亿美元，并将其集成到必应，随后微软必应的全球下载量激增 10 倍。数字媒体 Buzzfeed 宣布计划使用 OpenAI 的技术协助创作内容，随后股价暴涨近 120%，谷歌、百度、阿里巴巴等国内外大厂纷纷布局，加密市场也闻风而动。从长远看，Web3 +AI 还需要进一步发展，而未来前景非常广阔。在引入新生态的开发者上，不同的区块链竞争吸引开发者来建立该生态系统中的应用程序。Web 3 开发者活动是某个生态系统成功的重要指标。开发者面临的主要难点是在开始学习和构建新生态系统时得到支持。生态系统已经投资数百万美元，以专门的开发者关系团队的形式支持探索生态系统的开发者。在这方面，新兴的 LLMs 已经展示出惊人的成果，可以解释复杂的代码、捕获错误，甚至创建文档。经过调整的 LLMs 可以补充人类经验，显著扩大开发人员关系团队的生产力。例如，LLMs 可用于创建文档、教程、回答常见问题，甚至支持 hackathon 的开发人员使用模板代码或创建单元测试。在改进 DeFi 协议上，通过将人工智能集成到 DeFi 协议的逻辑中，许多 DeFi 协议的性能可以显著提高。迄今为止，集成 AI 到 DeFi 的主要瓶颈是实现链上 AI 的成本过高。AI 模型可以在链下实现，但以前没有办法验证模型执行。然而，通过 Modulus 和 ChainML 等项目，链下执行的验证正在变得可能。这些项目允许在链下执行 ML 模型，同时限制链上成本。在 Modulus 的情况下，链上费用被限制为验证模型的 ZKP。在 ChainML 的情况下，链上成本是支付给分散的 AI 执行网络的 Oracle 费用。我们可以看到一些可以从 AI 集成中受益的 DeFi 用例。 ——AMM 流动性供应，即更新 Uniswap V3 流动性的范围。 ——使用链上和链下数据保护债务头寸的清算保护。 ——复杂的 DeFi 结构化产品，其中金库机制由财务 AI 模型定义，而不是固定策略。这些策略可以包括由 AI 管理的交易、借贷或期权。 ——考虑不同链上的不同钱包的高级链上信用评分机制。而在这些赛道中，交易会成为重要的节点。众所周知，交易一直是金融市场和整体经济的核心之一。交易有助于确定资产、证券和加密货币本身的市场价格。交易还通过为投资者提供快速轻松买卖资产的机制，为市场创造了流动性。因此，交易中对 AI 的需求日益增加。在加密货币交易中，一切都以闪电般的速度发生。人类的生产力已经成为限制因素，对机器人的依赖度越来越高。AI 的应用将带来一场革命，它能以更少的情绪和更高的效率，超越人类的表现。那么，Telegram Bot 叙事为何能兴起？ • 大多数加密用户都是 Telegram 的重度用户 • 能够让圈外用户简单使用的产品 • Unibot 的收入排名前 10，每周约 89 万美元 • Coingecko 联创 Bobby ONG 称赞它们 • Coingecko、Coinmarket Cap 开始与这些 Bot 开展合作正如 Bobby ONG 所说：将零售业引入加密货币的最大痛点之一是使用钱包和与 DeFi 协议交互太困难。几周前在体验过 Unibot 后，我想我现在知道下一波数十亿新用户将如何与加密货币进行交互。Unibot 的想法很简单——在 Telegram 上构建一个快速而简单的钱包，并与 DEX 紧密集成，以减少购买垃圾币和跟单交易者的风险。对我来说，现在在手机上进行 DeFi 交易确实容易太多了。 OpenTele，让机器人成为操作的载体，让TG成为交易讯息完成的生态。 1）交易： OpenTele机器人可以快速购买 Token。只需将合约地址粘贴到聊天中，就可以购买该 Token。只需刷新一下即可实时更新交易表现。由于预先批准的交易功能，机器人还可以超快地销售加密货币。 2）设置自动交易参数：交易者可以设置特定的阈值，例如止损和止盈。一旦加密 Token 达到这些水平，OpenTele机器人就会执行这些交易。这种免提方式意味着即使处于离线状态，交易策略仍然有效。 3）关注 Smart Money 动向：这些机器人可以复制经验丰富的交易者的交易。在这里，OpenTele机器人监控「冒小风险赢大钱」（智能钱）钱包，并提供一键复制功能。 Bot 的火爆让不少人将其与微信小程序做对比，尽管属于两个不同的世界，但对于加密世界的大众采用来说： Telegram Bot 无疑已经更走在前列。 OpenTele Bot 无疑已经更走在前列。 Telegram Bots 叙事兴起后，社区也有人指出，Bots 或是将「以意图为中心」这一理念变为显学的最大助推力量。intent-centric 的概念，翻译过来就是「以意图为中心」，意图是指「你想做什么」。「以意图为中心」的概念注重结果而非过程，它关注用户最终想要达到的目标。这一理念旨在隐藏复杂的操作过程，让用户无障碍地实现目的。据悉，OpenTele Bot 会在未来重点接入Open AI 即将在 ChatGPT 上推出的语音和图像对话功能，AI 模块会高亮，鼓励用户参与 OpenTele Bot 的更多交互体验。可以说，OpenTele Bot消除了复杂操作，用户只需直接表达意图，即可达成目标。这为加密世界的普适采用扫清了障碍。它的存在不仅仅只是一个机器人或 meme，或许在未来 Bots 将引领推动加密实现意图导向和无摩擦交互的变革。来源：金色财经

金色财经2023-10-08

a16z对话OpenAI CTO：从理论到实践 AI技术如何驱动未来创新？

了，你如何将其融入现实世界？显然，在大型语言模型中，我们看到了概念和现实世界思想的伟大表现。但在产出方面，存在很多问题。最大的问题之一显然是幻觉（hallucination）。我们一直在研究幻觉和真实性的问题。如何让这些模型表达不确定性？ ChatGPT的前身实际上是另一个我们称之为WebGPT的项目，它使用检索来获取信息和引用来源。这个项目最终变成了ChatGPT，因为我们认为对话很特别。它允许你提出问题，纠正对方，并表达不确定性。马丁：不断发现错误，因为你在互动… 米拉：没错，有这种互动，你可以了解更深层的真相。我们开始往这个方向走，当时我们用GPT-3和GPT-3.5来做这件事。从安全角度来看，我们对此感到非常兴奋。但人们忘记的一件事是，在这个时候，我们已经训练了GPT-4。在OpenAI内部，我们对GPT-4感到非常兴奋，并将ChatGPT放在了后视镜中。然后我们意识到，“我们将花6个月的时间来关注GPT-4一致和安全性（alignment and safety），”我们开始思考我们可以做的事情。其中一件主要的事情实际上是将ChatGPT交给研究人员，他们可以给我们反馈，因为我们有了这种对话模式。最初的目的是从研究人员那里获得反馈，并使用它使GPT-4更一致、更安全、更健壮、更可靠。马丁：你说一致和安全性时，你是否包括它是正确的，它想做什么就做什么？或者你的意思是安全，实际上是保护自己免受某种伤害？米拉：我所说的一致，通常是指它符合用户的意图，所以它做的正是你希望它做的事情。但安全也包括其他事情，比如滥用，用户故意试图使用模型来制造有害的输出。通过ChatGPT，我们实际上正在努力使模型更有可能做你希望它做的事情，使其更加一致。我们还想弄清楚幻觉（hallucination）的问题，这显然是一个极其困难的问题。我认为，这种利用人类反馈进行强化学习的方法，如果我们努力做到这一点，也许这就是我们所需要的。马丁：所以，没有宏伟的计划？我们需要做什么才能达到AGI？这只是一步接一步进行下去。米拉：是的。还有你一路上做的所有小决定。也许是因为几年前我们确实做出了一个追求产品的战略决定，才更有可能实现这一目标。我们这样做是因为我们认为，如果没有来自现实世界的用户的反馈，就不可能仅仅坐在实验室里在真空中开发这些东西。这就是假设。我认为这有助于我们做出其中的一些决定，并构建底层基础设施，以便我们最终能够部署像ChatGPT这样的东西。比例定律马丁：你可以重复一下比例定律。我认为这是每个人都有的大问题。进步的速度是惊人的。但人工智能的历史似乎是，你在某个时候会遇到回报递减，这不是参数化的。它有点逐渐减少。从你的角度来看（这可能是整个行业最明智的角度）你认为比例定律会成立，我们会继续看到进步，还是认为我们正在走向回报递减？米拉：没有任何证据表明，随着我们继续在数据和计算轴上扩展模型，我们不会得到更好、更强大的模型。是否会一路走到AGI（通用人工智能），这是一个不同的问题。在这一过程中，可能还需要一些其他的突破和进步。要想真正从这些更大的模型中获得很多好处，缩放定律还有很长的路要走。马丁：你是如何定义AGI的？米拉：在我们的OpenAI章程中。我们把它定义为一个能够自主完成大部分智力工作的计算机系统。马丁：我当时在吃午饭，Anyscale的Robert Nishihara也在。他问了一个我称之为Robert Nishihara之问的问题。我认为这实际上是一个很好的刻画。他说：“计算机和爱因斯坦之间有一个连续体。你从计算机到猫，从猫到普通人，从普通人到爱因斯坦。”然后他问了一个问题，“我们在连续体上的位置？什么问题会得到解决？” 大家一致认为，我们知道如何从一只猫变成一个普通人。我们不知道如何从电脑变成猫，因为这是普遍的感知问题。我们已经很接近了，但我们还没有完全达到，我们真的不知道如何做爱因斯坦，这就是设定推理。米拉：通过微调，你可以得到很多，但总的来说，我认为，在大多数任务中，我们现在是实习生级别的。问题在于可靠性。你不能完全依赖系统来做你想让它一直做的事情。在很多任务中，它做不到。如何随着时间的推移提高可靠性，然后，扩展这些模型可以做的新功能？我认为关注这些新兴能力很重要，即使它们非常不可靠。尤其是对于今天正在组建公司的人来说，你真的想思考，“今天有什么可能？你今天看到了什么？”这些模型很快就会变得可靠。单一模型得天下？马丁：我马上就要问一下，预测一下未来会是什么样子。但之前，我很自私地问一个问题，你认为这件事的经济学会如何发展。我告诉你它让我想起了什么。这让我想起了硅工业。我记得在90年代，当你买一台电脑时，有很多奇怪的写作处理器。“这是字符串匹配，这是浮点，这是加密，”所有这些都把CPU消耗掉了。事实证明，通用性非常强大，这创造了某种类型的经济，英特尔和AMD都是其中玩家。当然，制造这些芯片要花很多钱。所以你可以想象两个未来。在未来，通用性非常强大，随着时间的推移，大型模型基本上会吸收所有功能。然后还有另一个未来，那里将有一大堆不同得模型，各种碎片，设计空间上有不同的点。你有这样的感觉吗：是OpenAI唯我独尊，还是有很多模型？米拉：这取决于你想做什么。显然，现在得轨迹是这些人工智能系统将做我们正在做的越来越多的工作。他们将能够自主运作，但我们需要提供方向、指导和监督。但我不想做很多每天都要做的重复性工作。我想专注于其他事情。也许我们不必每天工作10、12个小时，也许我们可以减少工作，实现更高的产出。这就是我所希望的。就平台的工作方式而言，即使在今天，你也可以看到我们通过API提供了许多模型，从非常小的模型到我们的前沿模型。人们并不总是需要使用最强大、最有能力的型号。有时他们只需要真正适合他们特定用例的模型，而且它要经济得多。我认为会有一个范围。但是，就我们对平台游戏的想象而言，我们肯定希望人们在我们的模型之上进行构建，我们希望为他们提供工具，使其变得容易，并让他们获得越来越多的访问和控制权。你可以带来你的数据，你可以自定义这些模型。你可以真正专注于模型之外的层，并定义产品，这实际上非常非常困难。现在有很多关注点是建立更多的模型，但在这些模型之上建立好的产品是非常困难的。未来5-10年马丁：我希望你能预测一下你认为这一切在3年、5年或10年后会走向何方。米拉：我认为，今天的基础模型在文本中对世界有着伟大的表现。我们正在添加其他模式，如图像、视频和其他各种东西，因此这些模型可以更全面地了解我们周围的世界，类似于我们理解和观察世界的方式。世界不仅存在于文字中，也存在于图像中。我们肯定会朝着这个方向发展，我们将有这些更大的模型，在训练前的工作中采用所有这些模式。我们真的想让这些经过预训练的模型像我们一样了解世界。在模型的输出部分，我们引入带有人类反馈的强化学习。我们希望模型能真正做到我们要求它做的事情，我们希望这是可靠的。这需要做大量的工作，也许还需要引入浏览，这样就可以获得新的信息，引用信息并解决幻觉。我不认为这是不可能的。我认为这是可以实现的。在产品方面，我们希望将这一切整合到人们合作的产品集合中，并提供一个人们可以在此基础上构建的平台。如果你真的向外发展，这些模型将非常非常强大。很明显，随之而来的是对这些非常强大的模型与我们的意图不一致的恐惧。一个巨大的挑战是超级一致（Super Alignment），这是一个困难的技术挑战。我们在OpenAI有一个完整的团队来专注于这个问题。来源：金色财经

金色财经2023-10-07

传微软(MSFT.US)将于下个月推出人工智能芯片

的依赖。英伟达提供了人工智能工作和训练大型语言模型所需的绝大多数GPU。

金融界2023-10-07

区块链动态2023年10月7日早参考

供不应求。微软的这款芯片是为训练和运行大型语言模型（LLM）的数据中心服务器设计的。微软的数据中心服务器目前使用英伟达的GPU为云客户提供先进的LLM，包括OpenAI和Intuit，以及支持微软生产力应用程序中的人工智能功能。来源：金色财经

金色财经2023-10-07

据称微软将于下个月推出其首款人工智能芯片

计的芯片。微软的这款芯片是为训练和运行大型语言模型（LLM）的数据中心服务器设计的。微软的数据中心服务器目前使用英伟达的GPU为云客户提供先进的LLM，包括OpenAI和Intuit，以及支持微软生产力应用程序中的人工智能功能。

金融界2023-10-07

美媒：微软将于下个月推出其首款人工智能芯片

供不应求。微软的这款芯片是为训练和运行大型语言模型（LLM）的数据中心服务器设计的。微软的数据中心服务器目前使用英伟达的GPU为云客户提供先进的LLM，包括OpenAI和Intuit，以及支持微软生产力应用程序中的人工智能功能。

金融界2023-10-07

24小时热点