未来发布的曲速：gpt-3即将到来，你需要害怕加密货币吗？

区块链安全咨询公司Qu-Sufu future表示，过去几年，新推出的文本生成器模gpt-3在加密货币社区引起了热烈讨论。一些人对gpt-3表示好奇，而另一些人则持极端态度，声称加密货币社区应该害怕它。

如此热烈的回应难免会让人觉得有些奇怪，因为GPT模式已经不是新鲜事了。在过去的一年里，机器学习界一直在积极讨论这个话题。GPT模的第一项研究发表于2018年6月。然后，在2019年2月，gpt-2模发布，**是三个月前的gpt-3模。

什么是gpt-3？

Gpt-3是一个巨大的自然语言理解（NLU）模，它使用多达1750亿个参数来处理多个语言任务。因此，gpt-3已经成为全球**的NLU模，超过了微软的图灵NLG模及其前身gpt-2模。

Gpt-3模可以完成机器翻译、答疑、语言分析和文本生成等多种语言任务。gpt-3生成的假文本甚至可以与真文本混淆，这引起了新闻媒体的关注。

这跟加密货币有什么关系？试想一下，如果有人能定期发布虚假新闻稿，影响小货币的价格，这听起来不是很可怕吗？但这并不是gpt-3的主要功能。

Gpt-3是一个基于语言的模，因此它基于文本数据集运行。从加密货币市场的角度来看，这很酷，但肯定没有那么有趣。我们真正应该关注的是gpt3背后的技术。

gpt-3背后的秘密

Gpt-3是在深度学习架构transformer的基础上开发的。变压器结构的主要创新是“注意机制”的概念。注意力机制通常用于解决seq2seq问题。所谓seq2seq问题是指在处理一个序列（单词、字母和数字）后输出另一个序列的问题。这种问题在文本生成、机器翻译和问答等语言智能场景中很常见。

每当你看到一个seq2seq场景，你应该把它与编解码器架构联系起来。编码器捕获输入序列的上下文并将其传递给解码器，解码器生成输出序列。注意机制通过识别输入中需要注意的关键部分，解决了传统神经网络结构的局限性。

想象一下从西班牙语到英语的机器翻译。一般来说，译码器将西班牙语文本输入一个称为“虚构语言”的中间表示形式，然后使用这种中间表示将其翻译成英语。传统的深度学习体系结构需要编码器和解码器之间的连续反馈，导致效率极低。

从概念上讲，注意机制观察输入序列并确定每个步骤中输入序列的重要部分。例如，在机器翻译场景中，注意力机制中心化在编码器为了执行翻译而“应该注意”的单词上。

支持gpt-3模的转换器结构是一种传统的编解码结构，通过插入注意块来提高效率。注意块的功能是完整地查看所有输入和电流输出，推断相关性，并优化最终输出的生成过程。

利用transformer体系结构生成的模可以通过大量的数据集进行训练和高效的并行化。果然，论文发表后，各公司竞相制造超大模，以应对不同的语言任务。

最初，15亿个参数的gpt-2模震惊了世界。在一年之内，这个记录首先被微软的图灵NLG打破，然后被包含1750亿个参数的gpt-3打破。简而言之，就变压器架构而言，大是好的。

第一代transformer架构专注于语言任务。然而，一些公司最近发表了关于变压器在图像分类中的应用的研究。有些人可能会认为这只是一种伪造形象的企图。但这项研究的意义远不止于此。

在缺少大量标记数据集的情况下，图像伪造对于简化图像分类模的训练非常重要。一些人尝试将transformer架构应用于金融时间序列数据集，希望能够改进量化交易策略。

变压器和加密货币

既然我们已经介绍了transformer架构和gpt-3的背景知识，那么我们不妨考虑一下本文开头的问题：gpt-3真的不利于加密货币吗？

当然，gpt-3模确实会产生虚假消息，从而影响货币价格。这不是开玩笑。但我不认为gpt-3会在当前形势下威胁加密货币产业。更有趣的是，transformer架构可能会对下一代加密货币智能解决方案产生影响。以下是一些需要考虑的情况：

交易策略。显然，如果变压器架构可以应用于金融数据集，那么这种架构可能会对加密货币的量化策略产生重大影响。总的来说，深度神经网络为定量交易开辟了一个新的领域。定量基金从线性回归、决策树等基本机器学习模出发，研究复杂的深度学习策略。

作为一种原生的数字资产，加密货币是最合适的量化策略。循环神经网络（RNN）和卷积神经网络（CNN）是目前定量投资领域的研究热点，在密码学中发挥了很好的作用。与语言分析一样，transformer架构可能优于CNN和RNN，尤其是在中心化“注意力”于数据集的某些部分（例如，2020年3月比特币崩溃）和处理大量交易（例如区块链交易）方面。

区块链分析。与现有的方法相比，transformer架构可以更有效地检测区块链中的模式。transformer架构的优点之一是能够专注于输入集的特定部分并推断潜在输出。设想这样一个场景，我们在比特币中分析挖矿事务或交换的流程，试图推断订单所采用的模式。transformer架构似乎更适合此任务。

去中心化变压器结构。目前，人们正试图将transformer模应用到singularity网络等去中心化人工智能体系结构中。这将扩展变压器模的应用场景。到目前为止，像gpt-3这样的变压器号一直是大公司的特权。只有大公司的人工智能实验室有足够的数据和资源来建立和运行这种大规模的神经网络。去中心化人工智能为我们提供了另一种基于激励机制的去中心化网络中变压器结构的培训、执行和监控解决方案。

就像那些已经在去中心化基础设施中运行的神经网络架构一样，我们很快就会看到像gpt-3这样的模在去中心化人工智能平台上运行。

Gpt-3和transformer架构是深度学习历史上的重大突破。在接下来的几年里，我们可以看到transformer架构渗透到深度学习的各个方面，并且这种影响可能会蔓延到金融市场。加密货币将是受益者。

是的，gpt-3令人印象深刻，但没必关键怕它。相反，我们应该利用这些人工智能技术使加密货币成为历史上最聪明的资产。

本文的研究内容来自于经纱速度的未来（WarpFuture.com网站)安全咨询公司整理、汇编、转载请注明。未来，曲苏将提供包括主链安全、交换安全、交换钱包安全、DAPP开发安全、智能合约开发安全等在内的相关区块链安全咨询服务。