作者归档 文章小助手

通过文章小助手

Defi vs Fintech

Defi vs Fintech

每晚八点,

我们在社区分享知识。

乐乐:sensus113

美果大冰:xj73226

备注入群,谢谢!

Defi vs Fintech

Defi vs Fintech

  目测很多人对去中心化金融(简称 DeFi)背后的概念理解的不很到位那么,今天我们讨论下 DeFi 与传统金融技术服务 Fintech 在本质上的不同。      当前的 DeFi 仍以一种技术层次优选的身份出现,却吸引了大批开发者涌入并逐渐成为金融技术开发者们瞄准的焦点。 

注:我认为 DeFi 的定义是宽泛的,包括闪电网络、Bisq、0x、Set Protocol 等等。以下(不全面的)列出了若干 DeFi 项目。

Defi vs Fintech

  Fintech 的科层制(官僚制)、信任思想严重,DeFi 则强调自由、信任最小化。 

信任:新维度

Fintech 主要基于专用软件,人们对软件及执行完全信任,有网守可审查。Fintech 的最终结算层不是代码,而是躲着某个角落里的某个人(官员);Fintech 中没有加密手段确保交易不可变更,整个系统都基于巨大的政治风险,app 始终受去平台风险的影响。所以,我们完全可以把 Fintech 视为记名证券的数字版本。

DeFi 指用开源软件进行的相关构建。不管是比特币 / 闪电交易,还是以太坊上的“持久性脚本”,关键逻辑的执行发生在信任最小化、管辖不可知的加密网络上发生的同时,安全性亦有保证。(与 Fintech)在本质上的不同在于,DeFi 中,构建者与自己的理念之间通常没有人(官员)或技术网守。闪电 / 比特币、DAO/ 智能合约股票 / 通证上的余额及交易等等本地 DeFi 资产,实际上属于不记名票证。

若技术上可行,任何想法都能在 DeFi 中得以构建。那么,最中意这种免费构建的人会是谁?当然是开发者啦。开发者朝 DeFi 围拢,原因是 Trust 原语使之成为其他开发者偏爱之选,所谓焦点效应。

焦点(focal point)?

  焦点其实没有正式定义,我们借用纳什均衡的例子解释下,就是太明显了的意思。 

Defi vs Fintech

这个游戏叫做“挑个方块”,两名玩家选择的方块相同时,各自有 20 刀拿。DeFi 情形下,红色方块之所以是红色的,因为被去平台化的风险为空。

开发者心中有数

DeFi 的想法和工具都是开放的,因此构建起来始终是开源的。DeFi 项目的去信任指的是关键逻辑的执行能够抗审查。开发者清楚,DeFi 世界中网守能做的只是限制接口层的访问,根本无法阻止黑客编码并部署基本逻辑。

在 DeFi 上构建则意味着只需在事前事后还有接口层处理下官僚这事儿。构建的话,是不需要审批许可的,这就厉害了,所以技术上来讲,构建非法的东西也未尝不可,‘我能’的这种可能性本身则蕴藏着巨大力量深远影响(当然了,还是劝各位尽量别干坏事哈)。结果如人们所见,金融活动爆炸式增长、各式新型金融管道层出不穷,致使更多的开发者前赴后继从四面八方涌入。

  所以,Trust 已经强大到引领着诸位怀揣纳什均衡的崇高理想奋不顾身了么? 

目睹了当前的 DeFi 热,貌似确实是这样的。

早期牵引

  尽管尚处于发展的早期阶段,部分 DeFi 项目的数量及增长不容小觑。 

闪电网络:比特币上运行的二层支付协议,10 个月内节点数从 60 增至 3000 多,有 1100 多条开放通道,整体网络容量在 70 万美元。

Defi vs Fintech

  许多企业、个人及非正式组织都在使用闪电为构建添砖加瓦,没听说必须征得(谁谁的)同意。 

Augur 这个以太坊上的开源去中心化点对点预测市场协议,前阵子蹭中期选举的热度搞了场预测,金额超过 100 万美元,(其他著名预测市场) PredictIt 上也有 55 万,然后活动发起人是个假名地址。

Defi vs Fintech

结论

DeFi (为开发者)提供的自由及代理正吸引着大批开发者前来,强大的网络效应自不必说。但是,还需意识到 DeFi 的发展仍处于非常早期的阶段,许多用例之下 DeFi 在很多维度上仍未能脱离次优选的地位。此外,技术扩展尚不成熟,接入点分布也不十分广泛。

  但是,从性能角度拿 Fintech 与 DeFi 做比较也是不对的,该拿来比较的不应是性能,而是(所需的)信任(程度)。      通过把 Trust 看作是一个新的核心维度,观察者应当意识到 DeFi 与 Fintech 之间的本质差异,从而避免在错误的维度上对两者进行比较。 

Nervosfans 社区正在整合资源

为想创建项目的朋友搭建创业平台,

请感兴趣的朋友加乐乐微信:sensus113,

谢谢!

Defi vs Fintech

Nervos CKB 唯一官网:Nervos.org

欢迎关注 Nervos Fans

Nerovs CKB 爱好者社区

Nervos Fans 如下频道:

NervosFans twitter:@nervosfans

NervosFans 微博:@NervosFans

NervosFans 微信公号:Nervosfans

入群请加乐乐微信:sensus113

美果大冰微信:xj73226

备注入群,谢谢!

Defi vs Fintech

长按识别二维码

关注我们

Defi vs FintechDefi vs Fintech

来源链接:mp.weixin.qq.com

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

观点 | DeFi vs Fintech

貌似多数人都没有充分 get 到去中心化金融(DeFi)一词的含义。

观点 | DeFi vs Fintech

-(如今大热的加密货币吸引了太多人的眼球,掩盖了一些金融创新项目的光芒。可编程货币在 Stripe
等支付平台上好用到爆,而且它的应用空间远远不止如此。如果区块链技术对你来说有些鸡肋,不妨考虑一下可编程法币。)-

我会尝试阐明去中心化金融(DeFi)和传统的金融技术服务(Fintech)在本质上的差别。

虽然 DeFi 如今在技术层上是次优选择,但它实际上吸引了越来越多的开发者,正在成为金融技术搭建者的聚焦点(Focal
Point,又被称为“谢林点”)。我会分析这背后的原因。

注:我对 “DeFi” 的定义很宽泛,包括闪电网络、Bisq、0x 和 Set Protocol 等项目。点击此处可查看 DeFi
项目的不完全列表。

观点 | DeFi vs Fintech

-Fintech 扎根于体制和信任,DeFi 不受体制约束而且对信任的依赖性极低 –

将信任作为新的维度

Fintech 指的是搭建专用程度很高的软件。

软件和软件执行需要建立在信任的基础上,而且会受到限制和审查。

Fintech 交易的最终结算层是实体,而非代码

实体指的是某个体制。

没有使用加密方式确保交易的不变性,整个系统存在很高的政治风险,而且系统中的应用程序始终面临下架的风险。

我们可以将 Fintech 产品定义为一种记名证券的数字版本。

DeFi 指的是用开源软件进行搭建。

关键逻辑的执行——不论是比特币 / 闪电网络交易,还是在以太坊上的“永久脚本”——非常安全,因为是发生在对信任依赖性极低且不受管辖的加密网络上的

二者的本质区别在于 DeFi 的搭建者不会受到体制或是技术上的限制。

原生 DeFi 资产——例如闪电网络 / 比特币上的余额和交易或分布式自治组织 / 智能合约股票 / 代币——实际上都是不记名证券。

如果技术上可行的话,任何想法都可以搭建在 DeFi 上。猜猜哪些人是真的喜欢自由搭建?技术搭建者啊。

技术搭建者更偏向于 DeFi ,因为信任原语对 其他 技术搭建者来说显然更具吸引力——因此成为了一个聚焦点。

什么是聚焦点?

聚焦点并没有一个正式的定义,不过我借用这个词来代指一类特殊的策略,即利用某个突出的选择吸引参与者,从而实现纳什均衡。

观点 | DeFi vs Fintech

– Game Theory 101 —— 聚焦点-

就 DeFi 而言,红色方块代表下架风险为零。

技术搭建者体会更深

DeFi 的想法和工具都是开放的,因此各种开放源码的结合会成倍提高搭建效率。

DeFi 程序是无需信任的,因为关键逻辑的执行不会受到审查。

技术搭建者知道,在 DeFi 的世界,把关人(gatekeeper)只能限制接口层的访问,但无法阻止黑客编写并部署新的基本逻辑

如果是在 DeFi 上搭建应用,只有等应用上线之后才会涉及到体制问题,而且是在接口层。

搭建应用本身是不需要经过许可的。

从技术层面上来说,你可以自由搭建非法应用。(我不是在怂恿你这么做,只是想指出这个可能性本身就能带来巨大改变)。

结果就是我们所看到的那样:各种应用搭建活动大爆发,创造出了新的金融工具,(可能?)会有更多搭建者想要使用这些工具并在上面搭建应用。

信任是不是一个足够突出的点,能够吸引人们实现纳什均衡?

很难说不能,毕竟在撰写这篇文章之时, DeFi 呈现出如此大热之势。

早期势头

**
**

虽然 DeFi 仍处于萌芽时期,但是一些 DeFi 项目已经呈现出了相当可观的数据和强劲的发展势头。

闪电网络——在比特币区块链上运行的二层支付协议——在 10 个月内已经从 60 个节点发展至 3000 多个节点,开放通道数量突破 11,000
,网络容量总值达到 70 多万美元。

观点 | DeFi vs Fintech

很多公司、个人和非正式组织正在努力推进闪电网络的构建和使用,而无需征得任何人的许可。

Augur——一个搭建在以太坊上的开源去中心化点对点预言机预测市场——恰逢中期选举,相关的预测市场价值突破 100 万美元。

同样地,在另一大预测市场 PredictIt 上,押注也达到了 55 万美元。

市场的创建者是个匿名地址。

观点 | DeFi vs Fintech

摘自预测市场 Augur 的浏览器 predictions.global

结语

DeFi 提供了基本的自由和中介平台,如磁铁一般吸引着搭建者,产生了强大的网络效应。

DeFi 依然处于萌芽阶段,从多个维度来看,它对于大多数用例仍是次优选择。这项技术还没有到可以规模化的时候,也没有广泛分布的接入点。

不过,从性能的角度对 Fintech 和 DeFi 进行比较是不可取的,因为聚焦点不在于性能,而是信任

如果将信任看作是一个新的核心维度,也应该注意一下 DeFi 和 Fintech 之间的本质区别,避免将二者放在错误的维度上进行比较。

注:可以将 DeFi 看作是免信任型 / 分布式计算的子集——不过这就是另一篇文章的主题了。


原文链接 :

https://tokeneconomy.co/defi-vs-fintech-d152bae2585c

作者 : Tobia De Angelis

翻译 & 校对 :闵敏 & 阿剑


你可能还会喜欢:

观点 | Augur
的巨大潜能

观点 |
量化去中心化,Part-1

旧文 | Nick
Szabo:可信任计算的黎明

来源链接:mp.weixin.qq.com

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

量化交易“狼来了”?股民千万小心!

“量化交易”,也被称为“程序化交易”。其实二者是有区别的,量化交易范围要广得多,泛指在证券交易的各个环节,对各个因素进行量化,从而方便下一步用数学方法、物理方法、工程学方法等进行定量分析,制定投资系统并实施。

而“程序化交易”只是在交易环节,通过编写自动交易程序,利用计算机和互联网代替人工进行交易,属于量化交易的一个组成部分。

量化交易自上世纪八十年代出现以来,已经引起资本市场的“装备竞赛”。为什么这样说呢?举一个简单例子大家就明白了。

上世纪九十年代,股市中庄家翻云覆雨,于是诞生了以“跟庄”为目的的“筹码分析法”。如果说普通股民手中的工具是木棒,那掌握了筹码分析法的股民则是掌握了青铜剑,在市场中的胜率要大得多。

但2000年以后,庄家大量被消灭,剩下的也无法随意操纵股票了,这时候筹码分析法的效果就大大降低,跟庄不仅难得赚到钱,搞不好跟庄家一起栽跟斗。

为了在股市中生存,部分投资者又在改良手中的工具,从国外引进了新式工具——量化交易。与筹码分析法这把青铜剑相比,量化交易可算是铁剑了,战斗效果更强。

还拿着木棒的朋友要小心了

试想一下,你拿的是木棍,人家拿的是铁剑,虽然不一定输,但起码处于劣势对吧?于是所有投资者都会被强行拉入“装备竞赛”。不进化,就容易被淘汰。

因此在本轮熊市初期,监管机构叫停“程序化交易系统”的时候,广大股民是一片欢呼。相当于程序化交易者的“铁剑”被卸了,大家又重新站在同一条起跑线上。

量化交易虽然效果较强,但使用难度也很大。除了传统的证券知识,最起码,你要会编程吧,还要懂得数学、物理以及工程学的相关知识,才可能把量化交易落地。

因此,懂得量化交易的股民很少,即使在投资机构中,懂得量化交易的也很少,大多数只知道一些概念,或者山寨经典的交易模型。能够构建量化交易体系,并付诸实施的是凤毛麟角。

根据以上分析,目前懂量化交易的人非常少,对市场影响有限。而且现在的市场,已经是狼吃狼了,再多一两头恶一点的狼,市场也不会更坏; 必须引起足够重视。长期来看,会有更多的人学习量化交易,如果你没有与之抗衡的工具,未来会很被动。而且,堵也是堵不住的,国外的量化交易者,你是管不了的。现在不研究,等到真正面对国际金融恶狼时,恐怕要付出很大代价。

因此,躲是没有用的,直面才是正确态度。三个建议,一是自己学习量化交易,把装备升级到最新状态;

二是避开量化交易者的热点领域,如趋势操作、短线操作、超短线操作等。把自己的类型转到价值投资、周期投资等,从而避免成为量化交易者的对手盘。

三是学习分析常见的量化交易模型,摸清量化交易者的套路,以“跟庄”的心态去跟踪这些量化交易者,与狼共舞。

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

AI之战一旦爆发,或将碾压核竞赛

本周,斯坦福伦理与社会中心、斯坦福人类中心人工智能研究所以及斯坦福人类中心联合举办了一次活动,邀请到人工智能领域的先驱李飞飞和畅销书《人类简史》、《未来简史》作者尤瓦尔·赫拉利(Yuval Noah Harari)。

我们不仅面临着一场技术危机,同时还有哲学危机

Yuval:在我看来,现代社会的哲学框架仍然来源于17世纪和18世纪,人类能动性、个人自由意志等理念正在受到前所未有的挑战,这种挑战并非来源于其他哲学理念,而是来源于现代科学技术。越来越多原本属于哲学领域的问题,正在转变成工程类问题。这非常可怕,因为工程师不像哲学家那么耐心,哲学家们可以为一个问题讨论个几千年,如果没有找到满意的答案,那么他们就不会停歇,工程师们则争分夺秒。

这也就是说,我们已经没有太多的时间。为了简单概括一下我们面临的危机,我可以列出这么一个等式:B×C×D=HH。其中B代表的是生物学知识,C代表的是计算机的能力,D代表数据,HH代表的是“hack human”。

而人工智能的革命并不只是涉足人工智能领域,这也和生物学有关,这是一种生物科技。人们更多的只是看到计算机和人工智能,这只看到了这个技术的一半,它的另一半则与脑科学、生物学方面的知识有关系。一旦你将其与人工智能联系上,那么你将获得hack human的能力。这里允许我解释一下hack human是什么意思,其字面意思是“黑入人类”,它指的是创建一种算法,能比你自己更了解你自己,因此它能够操纵你,完善你,甚至取代你。这正是我们哲学上的信仰,也就是人类的能动性和自由意志,具体表现为“用户就是上帝”、“投票者最了解自己”等等,而一旦我们具备了这种能力,这种信仰就会四分五裂。

这种能力就一定是被用来操纵或取缔人类的?它就不能用于完善人类吗?

Yuval:它当然可以用来提高人类的能力。但问题是,谁来断定,这种强化到底是往好的方向还是往坏的方向?所以我们首先需要确定的是,我们必须回归到最传统的人类理念,“用户永远是对的”,“用户会自行决定自己的强化方向”。或者说“投票者永远是对的”,他们自己会决定政治上的决策。如果这种强化方向感觉不错,那么就继续做,我们只需要根据自己的想法去做事就好了。但如果人类被大规模地“被黑”,那么这种情况将不复存在。你甚至不敢相信自己的感觉和投票权。那些信奉自由意志的人反而最容易被操控,因为他们不认为自己会被操控。所以说我们应该如何决策自己的改进方向,这是一个非常有深度的道德和哲学方面的问题——到底什么是“好”的。我们应该强化自己身上的哪些方面。如果用户不可信,投票不可信,自己的感觉也不可信,那我们该何去何从?

Yuval的公式是否成立?Yuval给我们指引的方向是否正确?

李飞飞:我非常羡慕哲学家,因为他们只需要提出问题,却不一定要回答问题。作为一个科学家及工程师,我觉得我们现在有必要解决这个危机。

为什么在20年后人工智能会演化成一场危机?

这是一项革命性的技术,它还处于萌芽阶段,相比物理学、化学、生物学,它还很不成熟。但在数据和计算机的支撑下,人工智能的确在改变人们的生活,影响深刻且广泛。为了回答这些问题,以及应对人类的危机,我们能否改变教育、研究以及与利用人工智能的方式,让它变得“以人为本”?当然我们不急着今天就找到答案,但我们可以逐渐改变人类学家、哲学家、历史学家、政治科学家、经济学家等各行各业的人来研究和推动人工智能进入新的篇章。

人们认为AI会带来很多危机,例如失业、歧视,甚至担心AI会出现自己的意识,这意味着什么?

李飞飞:任何人类创造的技术最初都是一把双刃剑。它能改善生活、工作,造福社会,但同时也会有不利的一面,人工智能也不例外。每天醒来我都要担心各种问题,包括用户的隐私、公正性,以及对劳动力市场的影响。我们必须考虑这些问题,但也正因为如此,我们要继续研究,人工智能的开发策略和互动方式也不应该局限于代码和产品,还应该考虑到人类的生存空间以及社会问题。因此我绝对同意开放对话,并针对这些问题进行研究。

Yuval:我一部分的忧虑正是源于对话。人工智能专家和哲学家、历史学家、文学评论家对话,都可以。我最害怕的是他们与生物学家交流。当他们产生共同语言,才真正有可能入侵人类的思想。人工智能将不仅仅是搜集我们的搜索关键字、购买习惯和出行信息,它还会更深入一步,直接搜集我们内心所想的数据。

AI的诞生,正是源于人工智能科学家与神经科学家的对话。AI给医疗保健行业带来了巨大的改善。机器学习帮助收集了大量的生理学和病理学数据。

Yuval:这只是其中的一部分。一门科学技术如果没有任何收益,那么它就不会有任何危险,因为就没有人去研究它。我认为AI会带来巨大的利益,尤其是当它和生物学结合在一起的时候。目前全世界的医疗水平已经达到了历史以来的新高,数十亿人只需要点一点手机就能获得便宜、可靠的服务。这也是我们无法抗拒它的原因。尽管有人认为这会引发隐私方面的问题,但在隐私和健康比起来,显然后者更重要。但我必须指出它带来的危险。特别是硅谷地区的人,已经习惯了AI带来的好处,但他们很少考虑它的危害。

如果这种事情真的发生,那么我们生活中的所有决策都将源于算法。这将产生两种形式的反乌托邦。我们所有的决策都将是由算法帮我们决定的。这不仅包括早晨吃什么、去哪里购物,还包括去哪里工作和学习、和谁约会、和谁结婚、投票给谁等。我想知道的是,人类思想中是否有什么东西是无法被机器入侵的这种技术将来作出的决策是否会优于人类。这是其中一种反乌托邦。还有则是,基于一个能监控一切的系统,我们将产生一种高度集权的政体,这类似于上个世纪出现过的集权政体,但借助生物传感器,它能全天候地监控到每一个人。

李飞飞:当你问我这个问题时,我脑海里蹦出来的第一个词是“爱”。你觉得爱也会被机器取代吗?

Yuval:这个问题得看你指的是哪一种爱。如果你指的是希腊哲学中的爱或者佛教中的爱,那么这个问题会更加复杂。如果你指的是生物学意义上的,与哺乳动物之间求偶有关的,那么我的回答是“yes”。

人类之所以是人类,那是因为我们不止会求偶,对吗?这部分也会被机器取代吗?

Yuval:我认为你在大多数科幻小说中看到过答案。当来自外星的邪恶机器人入侵地球时,人类节节败退,但最后关头人类绝地反击,反败为胜,因为机器不懂什么是爱。

李飞飞:科幻小说中通常是一个白种人拯救人类。Yuval所说的两种反乌托邦,我找不到答案。但我要强调的是,正是因此,我们现在就要寻找解决方案,现在就要寻找人类学家、社会科学家、商业巨头、公共社会和国家政府进行会谈,联手谱写人工智能的新篇章。我认为你的确引发了人们对这场潜在危机的关注。但我觉得,除了面对它,更重要的是采取行动。

Yuval:我也觉得我们应该让工程师与哲学家、历史学家进行更加密切的合作。从哲学的角度看,我认为工程师身上也存在一些很优秀的东西。工程师们少说多做。哲学家们总喜欢弄一堆稀奇古怪的比喻。所以如果工程师问哲学家“你到底想表达什么?”那么这些理论大多都站不住脚,因为他们很少能解释这些理论——我们需要的就是这种合作。

如果我们都不能解释爱,不能用代码来表达爱,那么AI可以感受它吗?

Yuval:我不认为机器能感受到爱,但如果只是为了监控、预测和操纵这种感受,那么机器也没必要感受到它。正如机器不可能喜欢玩游戏,但它就是具备这种功能。

李飞飞:个人而言,我们这段对话存在两个非常重要的前提。

第一,人工智能已经达到了一个全知全能的地步,它具备了感知能力,甚至爱的能力。但我要强调的是,这和目前的人工智能存在非常遥远的差距,这种技术还很不成熟,目前媒体对它的炒作居多,具体实施还需要很多年的努力。

第二,我们所处的这个世界将存在一个非常强大的人工智能,或者这个技术只属于少部分人,然后他们企图用它来统治全人类。但实际上,人类社会非常复杂,人类数量非常多。在历史上,我们已经见过很多科技落入少数恶棍手中,在缺少监管、协作、法律法规和道德准则的约束下,这些技术的确给人们社会带来了巨大的伤害。

但总体上看,我们的社会在朝着更好的方向发展,人们也更倾向于对话解决问题。所以我们不仅要谈论人工智能成为“人类终结者”的问题,也要谈论一些眼下更紧急的问题:多样化、隐私、劳动力、法律调整和国际政治等。

如何避免数字专政?

Yuval:关键问题就是如何管理数据的归属权。因为我们不可能停止生物学领域的研发,也不能停止研究计算机科学和人工智能。所以之前的公式中,最好控制的就是数据,但这也非常困难。目前虽然已经作出了一些举措,但要控制数据这同时涉及哲学和政治两个方面。拥有数据,以及管理数据所有权,到底是什么意思?在过去几千年里,我们已经充分理解了,什么是土地拥有权,但很少了解什么是数据拥有权,以及应该如何进行管理。但这正是我们要解决的问题。

我承认AI没有某些人想的那么强大。但我们必须把握这个度,我们不需要完全了解人类的AI,只需要它比我们更了解自己。这并不困难,因为很多人根本不了解自己,所以经常犯下决策错误,包括理财和爱情等方面。所以将这些判断题交给算法,可能仍然很糟糕,但只要比我们做的好一些,那么这种趋势仍然会存在。

将来可能会出现这种情景,你可以写出各种的算法帮助你了解自己。但如果这些算法不止把这些信息分享给你,也把它们交给广告商或者政府会怎样?我觉得我们不应该只思考太遥远、太极端的情景,而是更关注我们生活中的例子。

人工智能存在着机遇和风险,目前最重要的事情是什么?

李飞飞:我们现在有太多的事情可以做,这一点我非常同意Yuval的看法。斯坦福大学认为,未来的人工智能应该是以人为本的,我们需要坚持三个主要原则。

第一,要投资具有人类思维特征的人工智能技术。目前大多数人工智能都依赖于数据,以及对数据的管理政策,这样可以控制人工智能带来的影响。但我们应该开发一种可以解释人工智能的技术,以及能对人类智力产生更细微的理解的技术。同时还要投资那些不太依赖于数据的人工智能,它能反应人类的直觉、知识和创造性等。

第二,为人工智能的研究设立更多的准则。让经济、道德、法律、哲学、历史和认知科学等多个领域的人参与研究。任何单一领域的研究人员都不能单独解决这个问题。

最后,除了上述操作性的建议,我认为我们在做这些事情时,我们应该抱着警惕和理解,同时又要将这种技术运用到正途。

如果我们自己都不了解自己,那么计算机可能比我们更容易解释这些决策吗?

李飞飞:两位数的乘法对我们来说很难,但对计算机来说很简单。有些事情人类觉得困难的,未必难得倒机器。毕竟这些算法都是基于非常简单的数学逻辑。对此我们采用了包含数百万个节点的神经网络。诚然,决策的解释很困难,但相关研究已经在进行,一旦成功它将会带来突破性的进展。而且有了这种技术,人们就很难用人工智能去作弊。

Yuval:但是人工智能的决策逻辑可能和人类完全不同,哪怕它解释了,我们恐怕也无法理解。例如申请银行贷款被拒,人工智能可能会告诉你,这些数据有数万个来源,同时进行了加权和统计分析,某些数据的权重为什么是这么多……这完全可以写一本书。

科学越来越难向公众解释很多理论和发现,这也是为什么很多人对气候变化持怀疑态度。这不是科学家的错,而是科学技术越来越复杂,而人类社会更复杂。人类的思维无法理解它,正如它无法理解为什么要拒绝一个人的贷款申请。

我们应该如何确保数据没有种族倾向?

李飞飞:说实话我个人也回答不上这个问题,但机器学习系统存在偏见已经是个既定的事实。但这种偏见的成因非常复杂。斯坦福大学有人专门研究这个问题,如何去除数据的偏见,让决策更加中立,同时也有人类学家在谈论什么是偏见,什么是公平。什么情况下的偏见是好的,什么情况下是坏的。之前就有研究通过脸部识别算法发现好莱坞女演员的出镜率更低。

Yuval:至于是否应该剔除数据中的种族特征或是性别特征,还需要具体分析。这也是一个需要工程师和伦理学家、心理学家以及政治科学家合作的地方。将来还可能包括生物学家。这又回到了一个问题上,我们应该怎么做?也许我们应该在未来的程序员培训过程中加入伦理课程。在那些设计人工智能工具的大公司里,同样也要配备伦理专家这样的团队,他们需要考虑设计人员会在不经意间加入哪些偏见,它会给政治或文化方面带来什么样的影响。而不是等到恶果出现了,才追悔莫及。

是否存在道德和人工智能预测精准性的问题?与全力研发技术相比,边研究技术边考虑道德问题,进度是否会更慢?

Yuval:这就是一个类似军备竞赛的问题。我觉得,这是AI目前面临非常危险的一个问题。越来越多的国家意识到这种技术的重要性,都担心自己会被别的国家甩在后面。避免这种军备竞赛的唯一方法,就是进行更充分的交流。这听起来有些虚幻,因为我们现在完全是在背道而驰。我们的工作就是要让人们明白,AI的恶性竞争就类似于核战争,谁都不会成为赢家。美国人可能会说自己是好人,但这个人工智能领域的领先者,只服务于美国自己的利益,谁又能相信它的公正性?

Yuval:我认为全球合作可能非常脆弱。核武器的军备竞赛虽然会让一大批核弹问世,但是人们从没使用过它,人工智能不一样,它一直在被使用,最终孕育出一个集权政体。因此我认为它更加危险。

如果不同的国家之间存在巨大的技术差距,那会发生什么?会像19世纪工业革命那样,少数掌握工业力量的国家统治了整个世界的经济和政治?如何避免悲剧重演?哪怕没有战争,全球大多数人仍然处于被剥削状态,大部分人的劳动所得最终都属于少数几个国家。

李飞飞:不同地区的技术研究进度的确不同。不同于19世纪和20世纪,技术正在以非常快的速度全球化。任何基础性的科研论文都能在网上查到。不同国家可能因为制度不同,在技术研究上可能存在一定差距,但我认为你所描述的情况,还是很难发生的。

Yuval:我说的可不只是科研论文。是的,论文是全世界共享的,但如果我生活在也门、尼加拉瓜、印尼或者加沙,我没有数据和基础设施,我就算上网下载了论文又能如何。你要看看那些拥有所有数据的大公司来自哪里,基本只有两个地方,其中不包括欧洲,毕竟欧洲没有谷歌、亚马逊、百度或者腾讯。你再看看拉美、非洲、中东和大部分东南亚地区,他们也能学到这些知识,但想要借此对抗亚马逊还远远不够。

拥有数据和更高计算能力的人是否将获得更多的权力,收入的不平等也会因此加剧?

Yuval:正如我所说的,这很可能还只是个开始。它在经济和政治方面带来的影响将是灾难性的。那些依赖手工劳动力的国家的经济体系可能会因此崩溃,它们没有足够的教育资金去参与人工智能竞争。洪都拉斯和班加罗尔的生产基地将搬回美国和德国,因为人力成本不再重要,加州生产的衬衫可能比洪都拉斯便宜。这些国家的人又该何去何从,新生的岗位是留给软件工程师的,洪都拉斯的孩子可没有钱去学习编程。

李飞飞:的确,Yuval预想到了很多我们面临的危机,因此我们需要更多人来研究和思考这些问题。但目前全世界的国家、政府和公司都还有时间思考自己的数据及人工智能策略,意识到当下是他们的国家、地区和公司的关键时刻。而这些潜在危机正是因为他们还没意识到要跟上数字时代的潮流,也是时候引起他们的注意了。

Yuval:是的,这非常紧急。某种程度上讲,这就是一种数字殖民:从巴西、印尼等国家搜集数据,然后由美国来处理,最后生产出更好的设备和技术,卖回殖民地。尽管它和19世纪的殖民存在差别,但这种类比值得我们留意。

人们如何建设AI公司,是推动数字殖民,还是改正它?又该怎么看待人工智能,以及如何去学习?

Yuval:就我个人而言,我认为不论是否在斯坦福大学深造,是否是工程师,都一定要更加了解你自己,因为你正处于一场竞争中。这也是所有哲学书中最经典的建议。苏格拉底、孔夫子、释迦摩尼都给出过类似的看法。但在释迦摩尼或苏格拉底的时代,你不了解自己也没关系,你只是错过了顿悟的机会。如今你们处于竞争中,如果不了解自己,你就完了。对于工程师或学生,我希望实验室和工程部门出现两件东西。第一,我希望出现一种离心化的系统,而不是中心化的系统,我不知道该怎么做,但我希望你们可以尝试,我听说区块链在这方面挺有潜力的。这是对我们民主制度的保护。

第二,我希望出现一种专门为人服务的工具,而不是为企业或者政府服务。也许我们无法阻止人工智能了解自己,那么我希望它了解我们是为了保护我们不受其它人工智能的侵袭。就像我的身体不能对抗电脑病毒,但是我的电脑可以装杀毒软件。

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

刷新三项COCO纪录!姿态估计模型HRNet开源了,中科大微软出品 | CVPR

中科大和微软亚洲研究院,发布了新的人体姿态估计模型,刷新了三项COCO纪录,还中选了CVPR 2019。

这个名叫HRNet的神经网络,拥有与众不同的并联结构,可以随时保持高分辨率表征,不只靠从低分辨率表征里,恢复高分辨率表征。

如此一来,姿势识别的效果明显提升:

在COCO数据集的关键点检测、姿态估计、多人姿态估计这三项任务里,HRNet都超越了所有前辈。

更加优秀的是,团队已经把模型开源了。
结构不一样

HRNet,是高分辨率网络 (High-Resolution Net) 的缩写。

团队希望,在表征学习(Representative Learning) 的整个过程中,都能保持高分辨率表征。

所以,他们为模型设计了并联结构,把不同分辨率的子网络,用新的方式连在一起:

△并联

对比一下,前辈们连接各种分辨率,常常是用简单的串联,不论由高到低,还是由低到高:

△串联

那么,仔细观察一下HRNet的并联网络。

它从一个高分辨率的子网络开始,慢慢加入分辨率由高到低的子网络。

特别之处在于,它不是依赖一个单独的、由低到高的上采样(Upsampling) 步骤,粗暴地把低层、高层表征聚合到一起;

而是在整个过程中,不停地融合(Fusion) 各种不同尺度的表征。

△交换单元

这里,团队用了交换单元 (Exchange Units) ,穿梭在不同的子网络之间:让每一个子网络,都能从其他子网络生产的表征里,获得信息。

这样不断进行下去,就能得到丰富的高分辨率表征了。横扫各大数据集

团队先在COCO数据集的val2017验证集上,对比了HRNet和一众前辈的关键点检测表现。

结果是,在两种输入分辨率上,大模型HRNet-W48和小模型HRNet-W32,都刷新了COCO纪录。

其中,大模型在384 x 288的输入分辨率上,拿到了76.3的AP分。

然后,团队又在COCO的test-dev2017测试集上,为HRNet和其他选手举办了姿态估计比赛。

结果,大模型和小模型,也都刷新了COCO纪录。大模型的AP分达到了77.0。

另外,在多人姿态估计任务上,HRNet又超越了前辈们在COCO数据集上的成绩。

那么,其他数据集能难倒它么?

在MPII验证集、PoseTrack、ImageNet验证集上,HRNet的表现都好过所有同台的对手。

详细的成绩表,请从文底传送门前往。开源啦

刷榜活动圆满结束。

团队把这个振奋人心的模型开了源,是用PyTorch实现的。

除了估计姿势,这个方法也可以做语义分割,人脸对齐,物体检测,等等等等。

所以,你也去试一试吧。

论文传送门:
https://arxiv.org/abs/1902.09212

代码传送门:
https://github.com/leoxiaobin/deep-high-resolution-net.pytorch

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

腾讯开源天使项目出现在机器学习领域

科技巨头百度和腾讯提供的两个开源项目将专注于机器和深度学习的进步,其长期目标是让人工智能技术更容易使用,同时使用深度学习框架推进云服务。

Linux基金会表示,它将把这两个项目添加到其深度学习社区项目中,重点是促进人工智能、机器学习和深度学习的生态系统。腾讯的Angel项目是一个基于Apache Spark和YARN上的分布式机器学习平台。百度的弹性深度学习(EDL)框架旨在允许云服务提供商使用深度学习工具构建集群云产品。

百度跟随谷歌和其他美国科技公司向开源社区稳步发布其机器学习工具,称EDL项目将使用其PaddlePaddle工具和TensorFlow来加速集群云服务部署。 EDL使用Kubernetes容器协调器作为集群控制器以及PaddlePaddle自动缩放器。 该组合将分布式作业的进程数量更改为群集中的空闲硬件资源,以及新的容错架构。

该项目声称在Apache 2.0许可下提交了近1000次。百度深度学习技术部负责人马艳军表示:作为划桨式桨的弹性深度学习框架,相信EDL将极大地有利于大规模深度学习服务的部署。

同时,腾讯的Angel项目是基于参数服务器设计,用于处理大规模机器学习问题。百度、谷歌和卡内基梅隆大学的研究人员首次提出了分布式机器学习框架。该平台运行在Spark和YARN上,能够处理包括数十亿参数在内的高级机器学习模型,其性能与大数据相当。

腾讯高级人工智能研究员、深度学习基金会成员表示,这种结合是为了让机器学习更加容易使用。

考虑到这一目标,腾讯表示,Angel项目使用“开箱即用”的机器学习算法,从而消除了分析师和数据科学家编写代码的需要。

到目前为止,Angel项目已经吸引了1000多名开发商的投资。

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

GitHub遭黑客攻击,窃取数百源码并勒索比特币

GitHub遭黑客攻击,窃取数百源码并勒索比特币。据IT之家消息,一名黑客近日入侵GitHub 392个代码存储库,删除所有源代码和最近提交的内容,并留下支持0.1比特币(约人民币3838元)的赎金票据。

GitHub遭黑客攻击,窃取数百源码并勒索比特币

▲黑客的比特币地址

黑客声称所有源代码都已经下载并备份在他们的一台服务器上,如果十天内受害者未支付赎金,他们就将公开代码。 根据GitHub上的搜索数据显示,一共有392名用户受到攻击。

对此,GitHub在一份声明中回应:“目前,我们正在与受影响的用户联系,以保护和恢复他们的帐户。”

GitHub遭黑客攻击,窃取数百源码并勒索比特币

▲根据GitHub上的搜索数据显示,一共有392名用户受到了攻击

GitHub是一个面向开源及私有软件项目的托管平台,于2008年4月10日正式上线,因为只支持git 作为唯一的版本库格式进行托管,故名GitHub。许多区块链项目都会将源代码上面在上传在GitHub,2018年6月4日,微软通过75亿美元的股票交易收购代码托管平台GitHub。

GitHub遭黑客攻击,窃取数百源码并勒索比特币

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

2018全球人工智能发展报告

摘要: 2018全球人工智能发展报告PPT

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

70年《人工智能简史》

概要: “图文简史” 涵盖了AI从概念起源到诞生、发展过程中的重要里程碑和技术节点,AI技术的主要分类方式和重要技术应用方向。70年AI发展史,一文纵览。

AI大事年表(1943-2014)

1943年,阿兰·图灵发明了“图灵机“,为智能机器的判定设置了基准:”能够成功骗过人类,让后者以为自己是人类的机器,称为智能机器。”

1950年,科幻作家阿西莫夫发表短篇科幻小说集《我,机器人》,书中提出了影响深远的“机器人三原则”。

1956年,约翰·麦卡锡首次提出“人工智能”的概念,当时盛行“由上至下“的思路。即由预编程的计算机来管治人类的行为。

1968年,首个通用式移动机器人诞生,能够通过周围环境来决定自己的行动。

1969年,MIT人工实验室创始人马文·明斯基为导演斯坦利·库布里克的电影《2001漫游太空》担任顾问,塑造了片中超级智能计算机HAL9000的银幕形象。

1973年 AI“寒冬“论开始出现。在AI上的巨额投入几乎未收到任何回报和成果,对AI行业的资助开始大幅滑坡。

1981年,“窄AI”的概念诞生。更多的研究不在寻求通用智能,而转向了面向更小范围专业任务的“窄AI“领域。

1990年,Rodney Brooks提出了“由下自上”的研究思路,开发能够模拟人脑细胞运作方式的神经网络,并学习新的行为。

1997年,超级计算机“深蓝”问世,并在国际象棋人机大战中击败人类顶尖棋手、特级大师加里·卡斯帕罗夫

2002年,iRobot公司打造出全球首款家用自动化扫地机器人。

2005年,美国军方开始投资自动机器人,波士顿动力的”机器狗”是首批产品之一。

2008年,谷歌在iPhone上发布了一款语音识别应用,开启了后来数字化语音助手(Siri、Alexa、Cortana)的浪潮。

2010年,上海世博会上,来自NAO公司的20个跳舞机器人献上了一段长达8分钟的完美舞蹈。

2011年,IBM Watson在Jeopardy答题竞赛中战胜了表现最优秀的人类选手。

2014年,在图灵测试诞生64年后,一台名为Eugene Goostman的聊天机器人通过了图灵测试。谷歌向自动驾驶技术投入重金,Skype推出实时语音翻译功能。

第一种AI分类方式:强AI和弱AI

强AI,又称“通用AI”,具备通用化的人类认知能力,具备足够的智能解决不熟悉的问题。

弱AI,又称“窄AI”,指专门针对特定任务而设计和训练的AI,比如苹果的虚拟语音助手Siri。
第二种AI分类方式: 从反应式机器到自我意识


反应式机器。代表性范例:深蓝。能够识别棋盘上的形势,并做出预测,但没有记忆。

有限记忆。能利用过去的记忆为未来决策提供帮助。代表性范例:自动驾驶。

意志理论:能够理解影响自身决策的观点、欲求和目的。目前这类AI尚不存在。

自我意识:具有自我意识的机器,能够理解自身目前的状态,并能利用现有信息推测他人的感觉。目前这类AI也不存在。

AI技术应用举例:


自动化机器人:对机器进行编程,使其高质量地完成一般由人完成的重复性任务,同时具备对不同任务条件的适应性。

机器视觉:让计算机能够“看见”的技术,利用摄像头捕获并分析视觉信息,完成模-数转换与数字信号处理。

机器学习:让计算机在未经编程的情况下运行。机器学习的子领域之一是深度学习,其目标是实现自动化的预测性分析。

自然语言处理:利用计算机程序处理人类语言。垃圾邮件检测、文本翻译、语义分析和语音识别等都属于该领域。

机器人技术:机器人能够比人类更精确、更持久地完成困难的重复性任务。
全球AI技术竞争中 最具优势的10大企业

1、DeepMind:目前居于AI研究企业第一位。

2、谷歌:旗下设谷歌大脑团队,在每个可能的领域聚焦长期AI研发。

3、Facebook:主要关注语言领域的问题,如动态记忆,问答系统开发等。

4、OpenAI:团队规模虽然不大,配置属于全明星级别。

5、百度:在语音交互、自动驾驶等领域表现出色。

6、微软:在AI领域耕耘多年,目前聚焦实时翻译。

7、苹果:正在研发面部识别技术,分析用户面对设备上出现广告的面部反应.

8、IBM:利用AI技术从照片、视频、语音和文本中提取语义。

9、亚马逊:目前多个部门业务向AI倾斜,比如无人商店、无人机货物配送,以及Alexa语音助理等业务。

10、英伟达:机器学习计算资源和硬件领域的领军者。
全球10大AI国家


1、美国:每年有100亿风投资金进入AI领域。

2、中国:在过去5年中,中国与AI相关的专利数量上涨了190%。

3、日本:制造业部门的自动化程度可能高达71%。

4、英国:英国政府每年资助1000位AI专业的博士。

5、德国:首都柏林的AI初创公司数量位居世界第四。

6、法国:到2022年,法国政府对AI行业的投资将达18亿美元。

7、加拿大:正在兴建价值1.27亿美元的AI研究设施。

8、俄罗斯:到2025年,俄罗斯30%的军事装备将实现机器人化。

9、以色列:自2014年以来,AI初创公司的数量增长了3倍。

10、爱沙尼亚:在处理与解决与AI相关的法律问题上走在世界前列。

AI 的未来

全面自动化的交通:AI技术将让未来的交通走向全面智能化和自动化。

赛博技术:AI和机器人技术将成功助我们超越认知和身体上的极限。


代替人类从事危险职业:机器人和无人机将代替我们完成炸弹拆除等危险任务,我们不必为了完成这些任务冒上生命危险。

解决气候变化问题:有朝一日,AI可以利用大数据获得判断趋势的能力,并利用这些信息解决气候变化这样的重大问题。

探索新的边界:机器人可以帮我们进一步探索太空和海洋。

预测未来:机器学习利用过去的信息预测未来,谁将开启一段浪漫之旅?

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。

通过文章小助手

再读胖协议,看匿名币的价值、Staking 的崛起与 DeFi 的未来蓝图

2016 年 8 月,美国著名基金 USV (联合广场投资,曾投出 Twitter、Tumblr 等知名公司)的区块链赛道分析师 Joel Monegro,发表了一篇名为《胖协议 fat-protocols》的分析文章。

这篇文章一经发布,就受到了不少专业投资者追捧,并成为了行业里最优秀基金们的区块链投资纲领,其衍生出种种理论或为传承或为颠覆,都让包括 USV、A16Z、Pantera 等等顶级基金迅速拉开了与全球区块链投资者的认知差距。

原文标题:《重读「胖协议」,为什么国内区块链团队走错了方向》
原文作者:0x0

再读胖协议,看匿名币的价值、Staking 的崛起与 DeFi 的未来蓝图Joel Monegro

可以说,Joel Monegro 就是区块链界的互联网女皇 Mary Meeker。

从 1996 年起,Mary Meeker 连续 23 年发布《互联网趋势报告》,因其成功预测了互联网广告、移动互联网、社交网络等多个大方向。Mary Meeker 被誉为互联网女皇,该报告也被全球的互联网创业者和投资人奉为圣经。

2018 年她从 KPCB 的合伙人岗位上离职并创立了自己的基金,其在 KPCB 期间参与并主导了对于 Facebook、Twitter、京东等多家全球互联网公司的投资。

再读胖协议,看匿名币的价值、Staking 的崛起与 DeFi 的未来蓝图Mary Meeker

无独有偶,发布了《胖协议理论》的 Joel Monegro 也在 2017 年离开了知名基金 USV,创立了属于自己的风险投资基 Placeholder。投资组合包括 0x、Aragon、Bitcoin、CacheCash、Decred、Erasure、Ethereum、Filecoin、FOAM、MakerDAO、Open Source Coin、UMA、ZeppelinOS、Zcash 等。

值得一提的是 Placeholder 的另一位合伙人 Chris Burniske 是备受机构投资者推崇的 Network Value to Transactions (NVT)估值体系的发明者。随着 NVT 估值体系在区块链世界里的传播,Chris Burniske 也在行业内名声大噪。

为什么要重读《胖协议》

为什么我们要在今天重读这么一篇 3 年前的文章?因为直到今天,我们国内大部分创业者和投资者的认知水平还停留在非常早期的阶段,并且没有形成基本的价值判断体系。

如果早一点了解到这些在顶级投资机构眼中已经成为常识的理论,你就会在这个充满噪音的市场中,保持清醒的头脑和判断。

比如在去年国内部分大 V 鼓吹「链改」理论时,你可能会质疑:互联网与区块链两个底层逻辑都不同的物种仅靠简单的 Token 拼凑真的能有未来么?

你也会在去年博彩 Dapp 挖矿玩法热潮中保持理智,各种竞彩 Dapp 作为 EOS 上的 Layer2 项目,是应该先做 GUI (用户界面)应用还是先做应用的「底层引擎」?另外他们真的应该发币么?为什么发币的 Dapp 生命周期如此短暂,而不发币的 CryptoKitties,FoMo3D 却取得了巨额机构投资,这其中的逻辑在哪?

在去年末,舆论鼓吹 EOS 甚至 Tron 链上 Dapp 数量和交易额远超以太坊,媒体集体唱衰以太坊时,你也会去思考EOS 与 Tron 的 TPS 优势真的是核心壁垒么,以太坊转 POS 后,他们这些优势还在么,他们真的想清楚自己未来的方向了么,而反观另一端,以太坊上从 2016 年开始的 DeFi 生态已经慢慢的枝繁叶茂了,有人去真正了解过么?

带着这些问题,重读这篇文章,你会有新的感悟与收获,我们也会以此为起点,带大家重新梳理近几年来区块链行业新的理论基础和系统性观点,正是这些观点,让我们能早于市场发现新一代匿名币的价值、PoS 与 Staking 的崛起、DeFi 的未来蓝图等系统级机会,希望大家也能够通过这些观点来形成自己的价值判断体系。

《胖协议》

这里有一种思考互联网和区块链之间差异的方法。上一代共享协议(TCP/IP、HTTP、SMTP 等)产生了不可估量的价值,但它们大部分都是在应用层、以数据的形式被获取和重新聚合的(想想 Google、Facebook 等)。就价值如何分配而言,互联网技术栈由「瘦「协议和「胖」应用构成(译注:下面两张图协议层所占比例的差异可见胖瘦)。随着市场发展,我们总结出投资应用程序产生了较高的回报,而直接投资协议等技术的回报率却很低。

再读胖协议,看匿名币的价值、Staking 的崛起与 DeFi 的未来蓝图

在区块链技术栈中,协议和应用这种关系是相反的:价值集中在共享协议层,只有小部分价值分布在应用层。所以它是「胖 」协议和「瘦」应用的技术栈。

我们在两个主要的区块链网络,比特币和以太坊中都看到这一点。比特币网络拥有约 100 亿美元市值(按:文章发布时的市值,下文以太坊估值同),而在其网络上构建的最顶级公司最多只能达数亿美元,且大多数公司可能因为「商业基本面」标准而被高估。同样,仅在以太坊公开发布一年之后,在其首次出现真正有突破性应用之前,其估值就达到了 10 亿美元。

再读胖协议,看匿名币的价值、Staking 的崛起与 DeFi 的未来蓝图

对于大多数基于区块链的协议来说,有两个因素导致这个结果:第一是共享数据层,第二是引入有理论价值的加密「访问」代币。

大约一年前,我写了一篇关于共享数据层的文章。虽然这篇文章被搁置了很久,但其主要观点不变:通过开源和去中心化网络来复制和存储用户数据,而不是互相独立的应用来访问控制不同的信息孤岛,我们降低了新参与者进入门槛,并创建一个生态系统:上面的产品和服务将更具活力和竞争力。举个具体例子,想想从 Poloniex 交易所到 GDAX 交易所(译注:后改名为 CoinbasePro)的切换非常轻松、或其几十种加密货币交易的任何一种,反之亦然,因为它们对底层数据、区块链交易有平等和自由的访问权限。在相同且开源的协议上,可以构建若干个竞争、非合作、但可互相操作的服务。 这迫使市场找到降低成本、制造更好产品的方法、或创造出更好的方法。

但仅仅开源网络和共享数据层,还不够成为推进大众采用区块链的动机。第二个因素,用来访问网络服务(比特币的交易、以太坊的算力、Sia 和 Storj 的存储)的协议代币【1】弥补了这个问题。

在联合广场投资(USV)会上,我们做了很多基于区块链网络投资的讨论,在这之后,Albert 和 Fred 写了如下这篇文章。Albert 从激励开源协议创新的角度看待协议代币:可以作为研究和研发基金(通过众筹)、可以为股东创造价值(通过提升代币价值),或两者皆可。

Albert 的文章会帮助你理解代币是如何激励协议开发的。这里,我将重点讨论代币的激励方案、以及它们如何影响价值分布(我称之代币反馈循环)。

再读胖协议,看匿名币的价值、Staking 的崛起与 DeFi 的未来蓝图

当代币升值时,它会吸引早期投机者、开发者和企业家的注意。他们成为协议的利益相关者、并在经济上支持它的成功。然后,获得早期利益的部分持有者,将会围绕协议创建应用和服务,他们认为协议的成功将进一步提升其手中代币的价值。部分应用会变得很成功,引入更多新用户,也许是风投或其他类型投资者。这进一步增加代币的价值,从而吸引企业家的关注,带来更多的应用等。

关于这个反馈网络,我需要指出两点。首先最初的增长有多少是由投机推动的。由于大部分代币在程序中被定义成稀缺的,随着协议利润的增长,每枚代币的价格和这个网络的市值也随之增长。当利润增长快于代币供给时,就会产生泡沫。

除了蓄意欺诈的项目,这其实是一件好事,投机往往是技术推广普及的发动机【2】。非理性投机的两个方面——繁荣和萧条——对技术创新都是非常有益的。繁荣通过早期利润吸引资金资本,其中一部分再投资于创新(有多少以太坊资金来自于比特币投资者的利润、DAO 资金来自于以太坊投资者的利润?),这实际上可以支持新技术长期使用,随着价格下跌和资金外流,利益相关者希望通过促进和创造价值使其变得完整(看看今天的比特币公司有多少是在 2013 崩溃后的早期使用者)。

值得指出的第二点是循环结束时会发生什么。当应用开始出现,并显示出成功的早期迹象(无论是通过增加使用率来衡量,还是通过金融投资者的关注度(资源)来衡量),对于一个协议代币市场有两件事会发生: 新用户将会被吸引至该协议中,增加对代币的需求(由于你需要它们访问服务 —— 参见 Albert 类比成展会上使用票据),现有投资者预期价格上涨则继续持有代币,进一步限制了供应。这种组合方式将促使代币上涨(假设新代币产量不足),该协议新增的市值将会吸引新的企业家和投资人,循环再次重复。

这个动态过程的意义是对技术栈中价值分配的影响:由于应用层的成功会驱动协议层的投机,所以协议的市值总是比其上面构建的所有应用总价值增长更快。协议层的增长值再次吸引和刺激了应用层的竞争。共享数据层大大降低了应用进入门槛,最终结果是一个充满活力和竞争的应用生态系统,并将大量价值分配给广泛的股东。这就是代币化协议如何变「胖」,而它的应用如何变「瘦」。

这是一个巨大的变化。具有奖励机制的共享开源数据层防止了「赢者通吃」的市场,这改变了应用层的游戏规则、创建一系列与协议层业务模型完全不同的公司。许多已有关于创办企业和投资创新的规则并不适用这个新模型,所以今天我们有更多的疑惑而不是答案。但我们通过区块链研究很快了解这个市场的来龙去脉,并遵循联合广场投资的惯例将持续分享我们的见解。

【1】也被称作应用货币,货币化 —— 一语双关 —— 2014 年 Naval 写到

【2】Edward Chancellor 写了一篇完整有趣的金融投机历史与其社会地位(你会惊讶于今天的加密货币投机与之前爆发的金融繁荣是多么相似!),Carlota Perez 描述了通过吸引金融资金的资本泡沫对新技术研究和开发的重要作用

来源链接:www.usv.com

黄金原野
扫一扫或点击黄金原野下载APP

你与前沿金融只差一个AAI ( AAI Finance)

AAI Finance申明:我们将尊重作者/译者/网站的版权,我们不承担任何技术及版权问题,且不对内容负法律责任,为促进行业健康发展,如有错误、不完整之处或侵犯版权请与我们联系。