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。
APE在Upbit暴涨或与韩国市场特有炒作方式相关:4月12日消息，行情数据显示，APE 在韩国交易平台 Upbit 一度暴涨 16 倍，此前 Upbit 因为上海升级而关闭了相关充提，而韩国加密市场曾多次出现关充提的炒作行情。上涨发生时段，多个加密交易平台 APE 涨幅超过 7%。[2023/4/12 13:59:49]
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%。
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。
Uniswap创始人推特抨击SushiSwap只是巨鲸游戏，利用炒作和Uniswap创造的价值来获利:Uniswap创始人HaydenAdams在推特表示，一天内将10亿美元资金存入高风险的流动性挖矿项目SushiSwap（Sushi）令人难以置信，Sushi上大部分都是巨鲸用户。Sushi并不是YFI，AndreCronje创造了一些新的、真实的、有价值的东西，Sushi只是任何有能力的开发人员通过一天的努力创造出来的东西。这只是巨鲸在玩的鲸鱼游戏，试图利用炒作和Uniswap创造的价值来获利。最后HaydenAdams指出将继续致力于UniswapV3的建设。
注：SushiSwap是一个克隆自Uniswap的项目，与Uniswap最大的不同点是SushiSwap已经发行了SUSHI代币，并且交易手续费中0.25%直接分给活跃的流动性提供者[2020/9/1]
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。
安徽金管局：近日发现不法分子炒作“区块链”等概念非法集资:日前，安徽金融监管局官网发出“关于警惕不法分子利用新冠肺炎疫情防控进行非法集资活动的风险提示”。据安徽金融监管局的介绍，近日发现一些不法分子通过网络社交平台，声称募集资金设立疫情物资生产企业，并许以高额利息、按期分红或还本付息的承诺；更有甚者，部分不法分子精心炒作“互联网+”“区块链”等概念实施非法集资。（新京报）[2020/3/9]
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。
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
动态 | 人民日报评论：防止利用区块链发行虚拟货币、炒作空气币等行为:人民日报评论员指出，区块链未来已来，但也要保持理性。区块链技术与加密货币相伴而生，但区块链技术创新不等于炒作虚拟货币，应防止那种利用区块链发行虚拟货币、炒作空气币等行为。同时还要看到，区块链目前尚处于早期发展阶段，在安全、标准、监管等方面都需要进一步发展完善。大方向没有错，但是要避免一哄而上、重复建设，能够在有序竞争中打开区块链的想象空间。中国在区块链领域拥有良好基础，一些大型互联网公司早有布局，人才储备相对充足，应用场景比较丰富，完全有条件在这个新赛道取得领先地位。[2019/10/28]
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：
新华社：区块链刷屏了，警惕“买椟还珠”式炒作:据了解，区块链有望应用于供应链管理、食品安全、信息传播等多个领域，虚拟数字货币只是其应用场景之一。专家指出，对于区块链和虚拟数字货币，应防止“买椟还珠”式的炒作。近两年，我国发布多个文件支持发展区块链技术；进入2018年后，监管部门已连发三道文，要求清查虚拟数字货币的生产（挖矿）和交易，并提示风险。[2018/1/24]
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。