🏦 融资

1. AI 和加密货币初创公司 Giza 获得 300 万美元融资，并推出自家框架 Cairo 的简易教程（链接）

2. 自动化客服公司 AwesomeQA 获得 280 万美元融资，Coinbase Ventures 和 Uniswap Labs Ventures 参投（链接）

3. Web3 开发公司法国 Narval 完成 400 万美元的种子融资，BlockTower VC 领投（链接）

4. FTX Japan 开始招聘，称将关注 AI 开发领域（链接）

5. 日本企业 Cybozu 推出新基金 Kintone Teamwork Fund，聚焦于 Web3 和 AI（链接）

6. Lighting Labs 推出基于 AI 的比特币模型，可使用基于大型语言模型的应用进行比特币交易（链接）

7. 筑波大学团队推出基于链上数据的 AI 投资组合管理系统 CryptoRLPM（链接）（论文链接）

8. Web3 数据智能公司 Web3Go 获得 400 万美元融资，Binance Labs 及 Hashkey Capital参投（链接）

9. 基于 ZK-rollup 证明技术的 Web3 隐私公司 Ola 获得 300 万美元融资，Foresight Ventures 参投（链接）

💬 洞见

Emerging Architecture for LLM Applications

这篇文章展示了目前开发，维护一个 AI App 需要的基础设施。

文章中主要关注于结合上下文，数据库，使用 LLM 提供更加精准、实时的答案，降低幻觉的发生。

除了问答机器人，另一个 a16z 觉得有前途的方向是 Agents。AI 使用工具和自我反馈、学习来达成一些目标，例如全自动写代码，写报告，改 Bug 等等。在其他大的 AI 企业也看到正在努力钻研 Agents 方向。

State of GPT

GPT 的训练分为四个阶段

• 预训练

• 监督训练

• 奖励训练

• 强化训练

目前大部分模型为与训练后的模型，例如 GPT，LLaMA，PaLM。他们擅长补全文章，但是不擅长指令，和用户问答。这一阶段需要的资源和数据量最大。

在这些基础模型之上，开发者进行监督训练。让这些基础模型具备回应指令的功能，例如 Vicuna-13B。

奖励训练和强化训练可以提升模型输出的质量，到那时训练过程较为复杂，很少有模型经过这两个阶段。

Chain of Thoughts 背后的原理是 LLM 无法区分哪一部分文字需要花更多时间思考。LLM 在每一个生成的文字上所花费的计算资源是一样的。这就导致了面对较难的问题容易出错因为计算时间不够长。让 LLM 多思考的方法就是让它多生成文字。对于指定问题生成更多的文字就代表它思考的越多，花费了更多计算资源。

角色扮演背后的原理是虽然 LLM 可以分辨答案的优劣，但 LLM 并不会下意识的输出最优质的答案。通过专业，高 IQ 等角色预设，LLM 会输出更加优质的答案。

目前有效的 Prompt 技巧是

• Tree works

• Chain of thoughts works

• ReAct works

但是 Auto GPT 并没有被证明有效。将任务分成子任务并不一定是有效的方案。

Vector Database

为何使用向量数据库？

• LLM 中的信息是过时的。如果我们想要注入数据，我们需要向量数据库

• 企业想要与他们的数据进行交流

为什么我们不把所有东西都放在提示里？

• 我们构建一个数据缓存层。它在向量库中存储相关信息和生成的聊天内容。通过不在提示中发送所有内容，我们可以降低成本

为什么我们不微调模型以获取新信息？

• LLM 是统计模型。它需要大量相似的样本来更新信息

如何构建一个文档问答机器人？

• 抓取所有文档并将其存储在向量数据库中。生成样本问题和答案并将它们存储在向量数据库中（有这样的文档，我可以问哪些问题）

何时不使用向量数据库？

• 如果是键值对

• 如果不是语义的

如何保持向量数据库中的数据更新是当前行业的一个问题

AI + Web3

1. Bot/Agent/Assistant 模型资产化是目前同质化最严重的一个赛道，多是在 OpenAI 基础上进行二次开发。弊端是同质化严重，实用性有待考验。未来可考虑将模型上链，或与智能合约结合实现机器人自治协作。

2. 算力平台可以吸引算力提供者参与 AI 模型训练，目前以 Together 和 Gensyn 最为知名。未来训练平台和推理平台可能会有不同龙头。

3. 数据平台可以提供隐私保护的数据来训练 AI 模型。Ocean 是较知名的链上数据平台。

4. 生成式 AI 可用于 NFT 创作或游戏地图生成等，但可能会面临来自 Unity 等公司的竞争。

5. 在 DeFi 领域，AI 可应用于交易策略、项目审计、收益优化、风险控制等方面。

6. ZKML 将零知识证明和机器学习结合，应用场景还不明确,主要面向的是推理而不是训练。Modulus Labs 等为明星项目。

7. 整体来看，AI 和 Web3 的结合仍在探索早期阶段，思路不断拓展中。

Classify Text LLMs Learning

LLM 可以代替一些传统的 ML 模型吗？这篇文章就文字分类进行比较。

传统 ML 模型的延迟更低，成本更低，但需要更多的训练数据。LLM 可以为其生成训练数据。

用 Chain of Thoughts 可以提升 LLM 分类的准确率。此外，我们可以使用上下文来总结，提炼并压缩用户的意图

这篇文章来自 Gloo， 它可以帮助哦我们解决文字分类问题。他们的解决方案分为三步：

• LLM 来生成标签数据

• 追踪 Prompt 的影响

• 训练 BERT