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。
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。
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。
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：
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。