AI的炒作已经醉生梦死，在情绪的持续持续推进下，获利盘巨大，筹码断层严重，高位滞胀。AGIX昨日大幅回落，A股汉王科技今日低开，宣告AI行情告一段落。然而在此轮行情的获利资金眼中，市场仍然干柴烈火。
题材很重要，但有时候题材出现的时机更重要。
数小时前，CoinbaseCEOBrianArmstrong推特称，传闻美国SEC希望在美国取消散户的加密货币质押，一时间市场传言美国监管层面将对加密市场重拳出击，这种政策的前因与逻辑暂且不表。
市场层面，有危就有机，CEX质押利空，则LSD利好。下面让我们梳理一下AI板块的相关币种。
LDO
以太坊流动性质押龙头，以当前近500万枚的ETH质押量占据市场90以上份额，其协议设计简洁明了，存入ETH即可1:1得到stETH，作为权益衍生资产，后者在Curve上拥有不错的流动性。
如果我们认为LSD是目前加密市场基本面最「硬」的逻辑，LDO则为中军。在2022年下半年的熊市的数次回暖中，LDO常常是资金率先选择的对象，当前市值23亿美元。
报告：交易者试图炒作“三位数”ENS:金色财经报道，根据加密研究公司 Delphi Digital 分析报告显示，越来越多 ENS 买家开始将域名视为投资，他们会大量购买“常用域名”后转售获利，上周“000.eth”以 300 ETH 价格出售后引发了交易者对“三位数” ENS 域名的兴趣并试图炒作。ChainUp 首席营销官 Jeff Mei 表示，较短域名注册的增加可能与 NFT 投资者更喜欢较短的标签有关，因为其价值可能更高。
此外，本周ENS注册量激增另一个原因是以太坊gas费用大幅下降，Sooho 创始人 Jisu Park 表示，在当前熊市环境中，以太坊的 gas 价格较低，这为投资者大规模注册 ENS 域名提供了绝佳机会，因为 ENS 域名注册的主要成本就是 gas 费用，由于 gas 费用现在降幅极大，投资者非常愿意在此窗口期间申领和交易 ENS 域名。[2022/7/10 2:03:03]
RPL
相比于Lido全链扩张的打法，RocketPool专注于以太坊。LDO只具备治理功能，但在Rocket网络，需质押一定数目的RPL以保证节点正常运行，该设计赋予RPL一定的Utility。RPL当前市值8.5亿美元，今日已突破近一年高点，近三个月趋势持续向上，涨幅已达到300%。
美国OCC代理署长：加密货币行业不健康的“对炒作的依赖”正在加剧:5月25日消息，美国货币监理署代理署长Michael Hsu表示，UST最近的暴跌以及随之而来的更为广泛的戏剧性事件应该为该行业敲响“警钟”，他认为该行业发展得太快了。
Michael Hsu在华盛顿特区区块链峰会上发表讲话，表示加密货币行业存在着不健康的“对炒作的依赖”，他认为这种依赖正在加剧。“最近UST的崩溃以及加密市场的相关抛售表明，炒作驱动的增长可能会导致泡沫，损害消费者，排挤生产性创新。”[2022/5/25 3:39:39]
SSV
SSV本身是一个服务于验证人的基础设施，但SSV并不做资产管理的工作，也就是SSV并不吸收用户的ETH再进行组合。不像Lido一类真正的质押服务商。SSV主要服务于两类用户，一类是长期持仓的，需要保证资金安全，但不想自己动手的大户；一类是以Lido、Rocketpool、Binance为首的一众ETH质押服务商SSV的价值捕获。SSV帮助质押运营商减少运维压力、减少设备服务器的支出及其管理成本、减少安全风险，方便省心。
Gartner发布的2021年新兴技术炒作周期曲线将NFT置于期望膨胀期:8月28日消息，信息技术研究和分析公司发布的2021年新兴技术炒作周期曲线将NFT置于了期望膨胀期。Gartner每年都会发布25项可能在未来2至10年内对商业和社会带来重大影响的突破性技术，今年新加入的技术包括NFT、数字化人类（利用AI执行类人行为的虚拟形象）、懂物理的人工智能。新兴技术处于期望膨胀期通常意味着泡沫严重，而该曲线中DeFi仍处于技术萌芽期。[2021/8/28 22:43:22]
SSV当前市值2.3亿美元，截至目前日内上涨20%。
FXS
Frax以算法稳定币而闻名，其由一连串的DeFi产品组成，包括稳定币、借贷市场、去中心化交易平台等。Frax介入LSD的时间并不长，目前市场份额排名第五，市值1亿美元左右，与LSD概念贴合度一般，是否能得到市场的认可，还需要时间检验。
CNTM(connectome)
Connectome是一个基于区块链核心技术开发的DeFi人工智能投顾平台，支持DeFi产品上链交易、理财产品去中心化AI测评、流动性挖矿、一键式智能投顾、智能客服等。通过大数据多维分析、AI模型演练，为用户提供接近一站式的、定制化人工智能投资顾问服务，为理财产品发行人、投资用户提供全方位的区块链解决方案。
声音 | CSDN副总裁孟岩：区块链产业正在从过去的投机炒作切换到真实价值的轨道上:12月31日讯，CSDN副总裁孟岩表示，区块链产业正在经历主动力切换，从过去的投机炒作切换到真实价值的轨道上，人们不再相信那些神话，而是开始用务实的眼光审视这项技术的意义，无论如何这是一件好事。[2018/12/31]
今天我们主要讲的就是CNTM，CNTM是基于人工智能的个性化金融服务：去中心化的理财产品AI测评；通过AI模型演练为用户提供定制化的AI顾问服务；
虚拟理财经济人：Rachel
Connected2Me未来发展
基于ChatGPT的理论，创建CNTM的GPT平台：Jinn；
为Jinn加入双引擎结构：GPT引擎+传统搜索引擎，从而实现Web3的AI搜索功能；
将Jinn与CNTM1.0的板块结合，增强金融领域的AI搜索推荐功能；
Jinn=ChatGPT+Sparrow
ChatGPT目前的三个核心问题和痛点：
一线监管紧盯伪区块链概念 沪深两大交易所同时发声敲打区块链炒作 :目前，A股有几十家上市企业涉及区块链概念，不乏许多伪区块链概念，一线监管开始紧盯，近期沪深两大交易所同时发声敲打区块链炒作。分析认为，相关概念股需要更多实际业务的落地来回应质疑。同时，也需要市场上对它们有一定的耐心，区块链技术从概念验证到真正的业务落地确实需要几年的时间来摸索。[2018/2/22]
对于知识类型的问题，ChatGPT会给出看上去很有道理，但是事实上是错误答案的内容；
拓展解读：对于这样来说，由于ChatGPT的一部分回答很准确，而一部分看上去有道理，但事实上很离谱，而用户并没有足够的能力来进行辨别，这将给用户如何采信ChatGPT的答案带来很多困惑。
ChatGPT目前这种基于GPT大模型基础上进一步增加标注数据训练的模式，对于LLM模型吸纳新知识非常不友好。
拓展解读：新知识总是在不断出现，而出现一些新知识就去重新预训练GPT模型是不现实的，无论是训练时间成本还是金钱成本，都不可接受。如果对于新知识采取Fine-tune的模式，看上去可行且成本相对较低，但是很容易产生新数据的引入导致对原有知识的灾难遗忘问题，尤其是短周期的频繁fine-tune，会使这个问题更为严重。
ChatGPT或GPT4的训练成本以及在线推理成本太高，无法承载超过千万级的用户同时使用。
拓展解读：假设继续采取免费策略，OpenAI无法承受，但是如果采取收费策略，又会极大减少用户基数，无法实现规模化。
Sparrow是ChatGPT的良好补充：
sparrow在人工标注方面的质量和工作量不如ChatGPT；
Sparow的基于retrieval结果的生成结果证据展示，以及引入LaMDA系统的对于新知识采取retrieval模式，可以完美解决新知识的及时引入，以及生成内容可信性验证两个核心问题。
Jinn的优势：
Jinn=ChatGPT+Sparrow
Jinn使用ChatGPT为核心框架，引入了Sparow的基于retrieval结果的生成结果证据展示，以及引入LaMDA系统的对于新知识采取retrieval模式。
所以Jinn既有有高质量的人工标注，也可以完美解决新知识的引入问题，同时又有效的内容可信性验证功能，从而打造下一代为Web3服务的搜索引擎基础。
应用场景类：
内容推荐：根据用户行为和与Jinn的交互分析，为用户推荐适合他的Web3内容与产品。
个性化金融：根据用户行为和与Jinn的交互分析，为用户推荐适合他的DeFi产品或根据用户的模型来自动构建属于用户的科学家机器人，完成自动交易。
DAO推荐：为用户推荐合适的DAO组织，或直接将理念类似的人连接在一起自动生成新的DAO组织。
个性化内容生成：用户可以通过组建关键字，通过Jinn输出自己需要的内容。
核心技术路线
第一阶段：冷启动阶段的监督策略模型。靠GPT3.5本身，尽管它很强，但是它很难理解人类不同类型指令中蕴含的不同意图，也很难判断生成内容是否是高质量的结果。为了让GPT3.5初步具备理解指令中蕴含的意图，首先会从测试用户提交的prompt(就是指令或问题)中随机抽取一批，靠专业的标注人员，给出指定prompt的高质量答案，然后用这些人工标注好的数据来Fine-tuneGPT3.5模型。经过这个过程，我们可以认为GPT3.5初步具备了理解人类prompt中所包含意图，并根据这个意图给出相对高质量回答的能力；
第二阶段：训练回报模型。这个阶段的主要目的是通过人工标注训练数据，来训练回报模型。在这个阶段里，首先由冷启动后的监督策略模型为每个prompt产生K个结果，人工根据结果质量由高到低排序，以此作为训练数据，通过pair-wiselearningtorank模式来训练回报模型。对于学好的RM模型来说，输入，输出结果的质量得分，得分越高说明产生的回答质量越高。
第三阶段：采用强化学习来增强预训练模型的能力。本阶段无需人工标注数据，而是利用上一阶段学好的RM模型，靠RM打分结果来更新预训练模型参数。
二三阶段迭代：不断重复第二和第三阶段，每一轮迭代都使得LLM模型能力越来越强。因为第二阶段通过人工标注数据来增强RM模型的能力，而第三阶段，经过增强的RM模型对新prompt产生的回答打分会更准，并利用强化学习来鼓励LLM模型学习新的高质量内容，这起到了类似利用伪标签扩充高质量训练数据的作用，于是LLM模型进一步得到增强。
Jinn将采用传统搜索引擎+ChatGPT的双引擎结构，ChatGPT模型是主引擎，传统搜索引擎是辅引擎。传统搜索引擎的主要辅助功能有两个：一个是对于ChatGPT产生的知识类问题的回答，进行结果可信性验证与展示，就是说在ChatGPT给出答案的同时，从搜索引擎里找到相关内容片段及url链接，同时把这些内容展示给用户，使得用户可以从额外提供的内容里验证答案是否真实可信，这样就可以解决ChatGPT产生的回答可信与否的问题，避免用户对于产生结果无所适从的局面。
传统搜索引擎的第二个辅助功能是及时补充新知识。既然不可能随时把新知识快速引入LLM，那么可以把它存到搜索引擎的索引里，ChatGPT如果发现具备时效性的问题，它自己又回答不了，则可以转向搜索引擎抽取对应的答案，或者根据返回相关片段再加上用户输入问题通过ChatGPT产生答案，这里有一部分将参考LaMDA关于新知识处理的具体方法。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。