“人工智能“（ Artificial Intelligence；簡(jiǎn)稱(chēng)AI）曾經(jīng)以一場(chǎng)堪稱(chēng)圍棋人機(jī)大戰(zhàn)而轟動(dòng)了全世界。在本次對(duì)戰(zhàn)當(dāng)中，阿爾法圍棋（AlphaGo）與李世石九段之間的較量也隨之引來(lái)了各界的廣泛關(guān)注。在這之后，人工智能技術(shù)也開(kāi)始被各個(gè)領(lǐng)域中備受矚目。從金融相關(guān)的服務(wù)及保險(xiǎn)領(lǐng)域，到生命科學(xué)與教育研究領(lǐng)域也在積極地使用該技術(shù)。不僅如此，人工智能技術(shù)還被使用在政府、國(guó)防、制造業(yè)、能源、運(yùn)輸、醫(yī)療等領(lǐng)域中，還逐漸擴(kuò)展到了銷(xiāo)售、通信、傳媒、娛樂(lè)、體育等生活領(lǐng)域。

實(shí)際上，隨著人們開(kāi)始對(duì)智能型商務(wù)模式的實(shí)際需求不斷變大，對(duì)于傳達(dá)到消費(fèi)者群體所接受的經(jīng)驗(yàn)值也不斷被推陳出新。為了能滿(mǎn)足這一變化，谷歌（Google）、微軟（Microsoft）、IBM， 亞馬遜AWS， 英特爾（Intel）、FICO（Fair Isaac Corporation）、Salesforce、百度、SAS等全球知名企業(yè)也開(kāi)始致力于把人工智能技術(shù)與商務(wù)應(yīng)用兩者進(jìn)行相結(jié)合。

根據(jù)全球知名市場(chǎng)研究機(jī)構(gòu) Research and Markets的發(fā)布的報(bào)告顯示，從 2018年7月到2023年截止，有關(guān)人工智能市場(chǎng)規(guī)模預(yù)期每年平均增長(zhǎng)48%以上。機(jī)構(gòu)能夠獲得該相關(guān)數(shù)據(jù)，主要原因在于有關(guān)加強(qiáng)智能型商務(wù)程序的必要性，物聯(lián)網(wǎng)（IoT）、連接設(shè)備（Connected Device）的增加等情況而導(dǎo)致的大規(guī)模數(shù)據(jù)生成，以及后附加的運(yùn)營(yíng)費(fèi)用削減的必然趨勢(shì)等起到了重要作用。不僅如此，對(duì)于提高基礎(chǔ)設(shè)施及數(shù)字城市相關(guān)項(xiàng)目的水平，全世界的各個(gè)政府，企業(yè)，以及地方自治團(tuán)體等相關(guān)組織與機(jī)構(gòu)也正在不斷努力，并促進(jìn)了人工智能以及相關(guān)服務(wù)市場(chǎng)的快速發(fā)展。該機(jī)構(gòu)還將預(yù)測(cè)相關(guān)市場(chǎng)的發(fā)展將會(huì)持續(xù)一段時(shí)間。

人工智能技術(shù)是通過(guò)可持續(xù)發(fā)展，能夠生成高附加值的一項(xiàng)產(chǎn)業(yè)。同時(shí)，它也是能夠創(chuàng)造出實(shí)際收益的一個(gè)巨大市場(chǎng)。但是，對(duì)于該市場(chǎng)向外部所呈現(xiàn)出的發(fā)展趨勢(shì)以及發(fā)展?jié)摿ο啾?，?duì)于該技術(shù)能夠解決市場(chǎng)上所發(fā)生的問(wèn)題處理能力，現(xiàn)還處于初步的階段。

對(duì)此，我們AIPE以人工智能預(yù)測(cè)（AI Prediction）為一個(gè)核心點(diǎn)來(lái)搭建一項(xiàng)人工智能模型。我們可以通過(guò)相關(guān)數(shù)據(jù)來(lái)進(jìn)行測(cè)試，并將此技術(shù)實(shí)際應(yīng)用到商業(yè)化當(dāng)中的人工智能研究人員提供相關(guān)服務(wù)。不僅如此，我們也將根據(jù)人工智能模型所呈現(xiàn)出的數(shù)據(jù)，對(duì)加密貨幣進(jìn)行投資的投資者之間提供可聯(lián)系的一項(xiàng)平臺(tái)。我們將利用人工智能開(kāi)發(fā)者以及該團(tuán)體所積攢的相關(guān)人力資來(lái)研發(fā)出一項(xiàng)以區(qū)塊鏈技術(shù)為主的平臺(tái)。該平臺(tái)能夠向需要獲得人工智能數(shù)據(jù)的企業(yè)提供聯(lián)系與服務(wù)。最后，我們將通過(guò)該項(xiàng)目，希望能夠建立一個(gè)研究者與投資者以及企業(yè)，三者之間的緊密且互利的循環(huán)模式關(guān)系。

對(duì)于該平臺(tái)內(nèi)所產(chǎn)出的并共享的所有信息，我們將通過(guò)區(qū)塊鏈技術(shù)來(lái)進(jìn)行安全管理。人工智能研究人員對(duì)于所開(kāi)發(fā)出的相關(guān)內(nèi)容持有版權(quán)與管理權(quán)限。對(duì)于使用人工智能模型的投資者而言，個(gè)人信息以及通過(guò)該模型進(jìn)行參考并進(jìn)行投資等也將獲得保護(hù)。不僅如此，所有的參與者與企業(yè)將通過(guò)該平臺(tái)的共享而起到積極的作用，均可獲得相應(yīng)數(shù)額的獎(jiǎng)勵(lì)。

所有的參與者以及企業(yè)將由AI預(yù)測(cè)平臺(tái)所提供的應(yīng)用程序編程接口（API），在此平臺(tái)內(nèi)構(gòu)建多樣化的點(diǎn)播服務(wù)（On Demand Service）。我們的AIPX團(tuán)隊(duì)是通過(guò)人工智能預(yù)測(cè)平臺(tái)（AI Prediction Platform），由人工智能研究人員所開(kāi)發(fā)的預(yù)測(cè)模型（Prediction Model）與實(shí)際用戶(hù)們所擁有的所有權(quán)與管理權(quán)限等進(jìn)行有效再分配，給予相應(yīng)的獎(jiǎng)勵(lì)。我們希望以此來(lái)創(chuàng)造價(jià)值，并形成一條良性循環(huán)的閉合。并且，以此作為基礎(chǔ)而實(shí)現(xiàn)人工智能產(chǎn)業(yè)的創(chuàng)新，且對(duì)相關(guān)領(lǐng)域給予貢獻(xiàn)。

服務(wù)項(xiàng)目

3PIKS

結(jié)合人工智能與區(qū)塊鏈兩項(xiàng)技術(shù)的全新的獎(jiǎng)勵(lì)平臺(tái)

我們?yōu)榱四軌蛳蚴袌?chǎng)提供以“人工智能”與“人為因素”（Human Factor）兩者相結(jié)合的加密貨幣預(yù)測(cè)服務(wù)，專(zhuān)門(mén)開(kāi)發(fā)了通過(guò)人工智能來(lái)預(yù)測(cè)加密貨幣市場(chǎng)的一項(xiàng)3PIKS服務(wù)平臺(tái)。

對(duì)于加密貨幣市場(chǎng)的參與者而言，3PIKS服務(wù)中所提供的人工智能模型的價(jià)格預(yù)測(cè)結(jié)果以及3PIKS用戶(hù)們所預(yù)測(cè)的結(jié)果均可作為其參考的主要數(shù)據(jù)指標(biāo)。用戶(hù)們將根據(jù)由我公司所開(kāi)發(fā)出的人工智能模型一起預(yù)測(cè)加密貨幣的實(shí)際價(jià)格，以此作為獎(jiǎng)勵(lì)來(lái)獲得AI Token。對(duì)于AI Token，未來(lái)可以與AIPE Token進(jìn)行相互兌換。不僅如此，AI Token還對(duì)即將要建立的戰(zhàn)略伙伴公司所推出的通證及加密貨幣可以進(jìn)行兌換。我們所構(gòu)建的生態(tài)體系也是通過(guò)可在多處不同地點(diǎn)使用相關(guān)加密貨幣等來(lái)不斷得到完善。

AI比特蜂 （AIBitBip）

以人工智能為基礎(chǔ)的加密貨幣價(jià)格變動(dòng)預(yù)測(cè)信號(hào)服務(wù)

該服務(wù)的設(shè)計(jì)是以人工智能模型專(zhuān)門(mén)對(duì)實(shí)際的交易提供相應(yīng)的幫助為主要目標(biāo)。對(duì)于交易時(shí)可能會(huì)出現(xiàn)需要關(guān)注的情況（價(jià)格的上升與下降）下，該人工智能將提前收集相關(guān)數(shù)據(jù)，以發(fā)送信號(hào)的方式來(lái)進(jìn)行相關(guān)的通知服務(wù)。為了能夠使用戶(hù)能夠更加方便地使用到該技術(shù)，我們將以手機(jī)軟件（APP）的形式來(lái)開(kāi)發(fā)樣機(jī)，并計(jì)劃在2019年第二季度正式發(fā)布。在初期，我們將優(yōu)先使用由我公司自行開(kāi)發(fā)的數(shù)十個(gè)人工智能模型，并進(jìn)行該服務(wù)的提供。之后，我們打算通過(guò)AI預(yù)測(cè)平臺(tái)中所開(kāi)發(fā)出的諸多人工智能模型當(dāng)中進(jìn)行篩選以后，在此基礎(chǔ)上對(duì)相應(yīng)的模型進(jìn)行內(nèi)容追加與技術(shù)的擴(kuò)張，并正式公之于世。

AI比特蜂（AIBitBip）所擁有的價(jià)值不僅限于提供加密貨幣交易的相關(guān)信息。不同的群體通過(guò)該技術(shù)所提供到的信號(hào)而進(jìn)行相關(guān)交易，將會(huì)形成一個(gè)巨大的價(jià)格主流群體。如果在同一時(shí)間段內(nèi)，投入大量資本，將會(huì)形成一個(gè)總體價(jià)格的重要趨勢(shì)。這也在一定程度上可以大幅度地降低相關(guān)投資的風(fēng)險(xiǎn)。因此，用戶(hù)可以對(duì)該數(shù)據(jù)及價(jià)格趨勢(shì)作為投資的相關(guān)參考資料，我們也很期待用戶(hù)的實(shí)際投資風(fēng)險(xiǎn)也隨之降低。手機(jī)軟件的特點(diǎn)是方便，靈活性強(qiáng)，易于推薦給其他更多的用戶(hù)。這有利于在軟件市場(chǎng)內(nèi)進(jìn)行各種形式的廣告發(fā)布與推廣。

AI自動(dòng)型交易模式

以人工智能預(yù)測(cè)信號(hào)（AI Prediction Signal）為基礎(chǔ)的自動(dòng)交易模型（Auto-Trading Bot）

即使，以AI比特蜂（AIBitBip）提前收到了預(yù)測(cè)信號(hào)，不是每一個(gè)人都可以在交易當(dāng)中受益。在24小時(shí)內(nèi)不停地進(jìn)行大規(guī)模同步交易的加密貨幣市場(chǎng)當(dāng)中，憑借以提前收到的信號(hào)為來(lái)實(shí)際地進(jìn)行交易是一件相當(dāng)困難的事情。為了解決這一問(wèn)題，我們將通過(guò)各個(gè)交易所的API來(lái)提供AI自動(dòng)交易模型的相關(guān)服務(wù)。為了實(shí)現(xiàn)該項(xiàng)目的成功落地，我們已通過(guò)人工智能預(yù)測(cè)信號(hào)（AI Prediction Signal）來(lái)進(jìn)行了實(shí)際的交易。雖然，在這期間我們也曾出現(xiàn)過(guò)多次錯(cuò)誤與失敗。但是，與此同時(shí)，我們也發(fā)現(xiàn)人工智能不斷對(duì)相關(guān)過(guò)程進(jìn)行學(xué)習(xí)后，對(duì)其預(yù)測(cè)的準(zhǔn)確率及回報(bào)率開(kāi)始回升并顯示出上升趨勢(shì)。

我們的服務(wù)是能夠向所有的用戶(hù)提供可以在正確的時(shí)間點(diǎn)上及時(shí)進(jìn)行交易，且從而獲得相應(yīng)收入。對(duì)于使用該服務(wù)的用戶(hù)須持有一定數(shù)額以上的AIPE，對(duì)于自動(dòng)型交易模式中所獲取的一部分收益也將與研究人員一同共享，以此來(lái)構(gòu)建并維持整個(gè)生態(tài)體系。

而且，我公司所推出的自動(dòng)型交易模式（Auto Trading）不僅限于只獲取收益，而是能夠通過(guò)該平臺(tái)與交易所建立緊密的合作關(guān)系。有關(guān)進(jìn)行該自動(dòng)型交易模式所提供到的服務(wù)內(nèi)容，我們需要不斷的重復(fù)以進(jìn)行出價(jià)登錄以及成交的整個(gè)流程。通過(guò)該流程，我們可以確保交易所的更多交易量與加密貨幣的流通性。而且，對(duì)于在形成相應(yīng)的市場(chǎng)，該服務(wù)平臺(tái)將會(huì)起到重要的作用。我們期待通過(guò)B2B的商務(wù)模式，能夠形成以用戶(hù)，交易所，預(yù)測(cè)平臺(tái)這三者之間的相互發(fā)展，并形成一個(gè)完整的生態(tài)體系。

AI預(yù)測(cè)平臺(tái)

與可確保已驗(yàn)證完畢的數(shù)據(jù)進(jìn)行確認(rèn)的人工智能預(yù)測(cè)平臺(tái)（AI Prediction Platform）

現(xiàn)階段，對(duì)于人工智能研究中最大的技術(shù)瓶頸無(wú)非是對(duì)于大規(guī)模數(shù)據(jù)的提煉與計(jì)算能力的提升。以個(gè)人來(lái)對(duì)整體環(huán)境的設(shè)定與安排幾乎無(wú)法實(shí)現(xiàn)，對(duì)于需要獲取人工智能模型的相關(guān)數(shù)據(jù)的企業(yè)也仍然面臨著嚴(yán)峻的考驗(yàn)。

AIPE是為了能夠解決這一問(wèn)題，并提高改善人工智能研發(fā)環(huán)境而推出的AI預(yù)測(cè)平臺(tái)。在該平臺(tái)內(nèi)，人工智能研究人員們可在開(kāi)源圖書(shū)管理系統(tǒng)環(huán)境下輕松便捷地使用該服務(wù)，同時(shí)企業(yè)也可以確保相應(yīng)的使用人數(shù)（Traffic）以及模型數(shù)據(jù)的獲取。在這種環(huán)境下，如果諸多人工智能研究人員可通過(guò)平臺(tái)所提供的數(shù)據(jù)工具來(lái)搭建多樣化的人工智能模型，這將對(duì)于提供云端的相關(guān)企業(yè)在進(jìn)入到市場(chǎng)內(nèi)部時(shí)所碰到的壁壘也將可大幅度降低。如使用該模式及平臺(tái)，對(duì)于AI模型的管理以及數(shù)據(jù)的共享將會(huì)變得更加容易。不僅如此，對(duì)于減少使用服務(wù)器的費(fèi)用，增加多樣化的交易模型或算法，以及增加對(duì)于用戶(hù)的方便使用等優(yōu)勢(shì)可將帶動(dòng)對(duì)于新型資產(chǎn)運(yùn)營(yíng)模式的主流趨勢(shì)。

綜合以上內(nèi)容，AIPX所提供的基礎(chǔ)架構(gòu)平臺(tái)（Platform Infra）不單單只提供對(duì)AI研究人員與投資者，以及對(duì)企業(yè)的方便服務(wù)。而是，對(duì)于能夠帶來(lái)人工智能產(chǎn)業(yè)當(dāng)中的整體價(jià)值鏈（value chain）以及賦予全新理念的新思潮有著重大意義。

交易所解決方案

現(xiàn)有很多企業(yè)不斷地向相關(guān)加密貨幣交易所研發(fā)以及提供其相關(guān)服務(wù)等，作為目標(biāo)進(jìn)軍到該市場(chǎng)當(dāng)中。但是，礙于時(shí)間與實(shí)際投入到的費(fèi)用，加上專(zhuān)業(yè)技術(shù)的不足，加上營(yíng)銷(xiāo)戰(zhàn)略的缺乏等，從而出現(xiàn)了導(dǎo)致諸多方面問(wèn)題及阻礙。

AIPE為了解決這一問(wèn)題，我們已計(jì)劃提供由我公司所開(kāi)發(fā)的加密貨幣交易所與解決方案。以往的傳統(tǒng)概念的中心化交易所出現(xiàn)的問(wèn)題，我們也可以提供相應(yīng)的服務(wù)。不僅如此，我們正在開(kāi)發(fā)以加密貨幣為中心的，可進(jìn)行保證金以及杠桿交易的保證金交易所（Margin Exchange）。我公司所開(kāi)發(fā)的該交易所與BitMEX一樣，是可以提供期貨保證金的交易，在此還計(jì)劃增加對(duì)于保證金的期貨交易。

現(xiàn)階段，可以提供有關(guān)加密貨幣交易所相應(yīng)解決方案的企業(yè)數(shù)不勝數(shù)，但卻僅限于以中心化交易所模式來(lái)提供相應(yīng)的解決方案。AIPE是可以提供以保證金交易為主的交易所，還可提供作為衍生產(chǎn)品的期貨交易，加上以提供期權(quán)交易為主，同時(shí)也可以追加保證金交易的保證金期貨交易。不僅如此，我們還計(jì)劃提供可支持保證金期權(quán)交易的加密貨幣投資解決方案。

AI預(yù)測(cè)生態(tài)系統(tǒng)

AIPE所展望的是以人工智能為基礎(chǔ)的，由各項(xiàng)服務(wù)所構(gòu)成的生態(tài)體系。

AIPE所追求的目標(biāo)是能夠使各項(xiàng)服務(wù)的價(jià)值體現(xiàn)形成一個(gè)有機(jī)的加密貨幣生態(tài)體系。

作為獎(jiǎng)勵(lì)平臺(tái)的3PIKS與提前發(fā)出加密貨幣價(jià)格變動(dòng)信號(hào)服務(wù)的AI比特蜂，通過(guò)使用這兩項(xiàng)服務(wù)，用戶(hù)就可以對(duì)加密貨幣或通證進(jìn)行空投，也可以作為以交易所內(nèi)的特定加密貨幣的營(yíng)銷(xiāo)渠道來(lái)使用。

不僅如此，現(xiàn)3PIKS內(nèi)正在進(jìn)行作為獎(jiǎng)勵(lì)而獲得的AI Token（暫定），并且能與簽約合作方的通證或加密貨幣可進(jìn)行兌換（Swap）的活動(dòng)。對(duì)已進(jìn)行兌換（Swap）完畢的加密貨幣，用戶(hù)可以通過(guò)由我公司提供營(yíng)銷(xiāo)服務(wù)的相關(guān)交易所進(jìn)行提款，并確保交易所的參與用戶(hù)人數(shù)與流動(dòng)性。

AIPE的經(jīng)濟(jì)系統(tǒng)不僅限于獲得優(yōu)秀的人工智能模型，也不僅限于只提供在開(kāi)發(fā)交易所時(shí)需獲得的解決方案。各項(xiàng)服務(wù)都互相保持一定的關(guān)系并構(gòu)建有機(jī)的價(jià)值體系。同時(shí)，它也將形成加密貨幣價(jià)格預(yù)測(cè)，貨幣的流動(dòng)性，宣傳，參與人數(shù)以及可以保持市場(chǎng)穩(wěn)定性等諸多因素結(jié)合在一起的一個(gè)整體的循環(huán)機(jī)制。

AI技術(shù)

概述

人工智能的研發(fā)對(duì)于我們整個(gè)項(xiàng)目當(dāng)中最為核心且重要，因此我公司正在運(yùn)營(yíng)人工智能開(kāi)發(fā)研究室（AIResearch Lab）。起初，對(duì)于開(kāi)發(fā)人工智能預(yù)測(cè)模型的時(shí)候，我們所采用的方式是深度學(xué)習(xí)（Deep Learning）。而且，以此為基礎(chǔ)，我們也不斷將領(lǐng)域擴(kuò)大到機(jī)器學(xué)習(xí)（Machine Learning），且與深度學(xué)習(xí)進(jìn)行整合與統(tǒng)一，并開(kāi)發(fā)出新的模型。

對(duì)于我們以往所采納的深度學(xué)習(xí)方式進(jìn)行一個(gè)簡(jiǎn)單的概述，其主要內(nèi)容是利用循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）與卷積神經(jīng)網(wǎng)絡(luò)（CNN）方法論來(lái)搭建模型系統(tǒng)。為了將該時(shí)間序列數(shù)據(jù)能夠投入到模型，其預(yù)處理過(guò)程很重要。在RNN所投入的數(shù)據(jù)預(yù)處理重點(diǎn)是有效地去除噪聲（Noise）。而且，對(duì)于投入到CNN的數(shù)據(jù)預(yù)處理重點(diǎn)有效地顯示出模式（pattern）。我們不僅單一地采用了對(duì)RNN與CNN兩種方式，同時(shí)也對(duì)這兩種方式采用了相互互補(bǔ)的方式來(lái)嘗試搭建該模型。對(duì)于在機(jī)器學(xué)習(xí)當(dāng)中，為了能夠完善決策樹(shù)（Decision Tree）的不穩(wěn)定性，通常使用到的方法之一，就是采用梯度提升（ Gradient Boosting ）的方法來(lái)搭建相關(guān)的預(yù)測(cè)模型。

我們將從2017年7月開(kāi)始到至今為止的約有100，000個(gè)加密貨幣時(shí)間序列數(shù)據(jù)用于訓(xùn)練機(jī)器學(xué)習(xí)模型。對(duì)于時(shí)間序列數(shù)據(jù)，我們以最高價(jià)、最低價(jià)、開(kāi)盤(pán)價(jià)、收盤(pán)價(jià)、交易量等五個(gè)基本特征為基礎(chǔ)來(lái)進(jìn)行了對(duì)其數(shù)據(jù)的分析研究。近期，有關(guān)對(duì)研究的不斷深化，上述的五個(gè)基本特征以外，我們還使用了以技術(shù)指標(biāo)為主的特征工程（Feature Engineering）等多個(gè)種類(lèi)的特征點(diǎn)來(lái)進(jìn)行了研發(fā)。

有關(guān)機(jī)器學(xué)習(xí)模型，對(duì)其帶入的數(shù)據(jù)越多，其準(zhǔn)確率也會(huì)顯示出更高。但是，每一個(gè)模型都有屬于自己的特點(diǎn)。而且，對(duì)于時(shí)間序列數(shù)據(jù)的特征而言，其不穩(wěn)定因素也是不可避免。因此，我們得出的結(jié)論是，一味的帶入大量的數(shù)據(jù)，使模型進(jìn)行學(xué)習(xí)，未必能夠達(dá)到預(yù)期的效果。實(shí)際上，每個(gè)模型用不同量數(shù)據(jù)學(xué)習(xí)功能將會(huì)提高其性能。例如，對(duì)于一些CNN模型，在近期以18，000個(gè)時(shí)間序列數(shù)據(jù)使讓它進(jìn)行學(xué)習(xí)時(shí)，其模型所列舉出的分類(lèi)準(zhǔn)確率是最高的。而且，其中幾個(gè)長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）類(lèi)型的模型，以全部的數(shù)據(jù)來(lái)使進(jìn)行學(xué)習(xí)時(shí)，其顯示的結(jié)果也是達(dá)到了最高水平。

我們所使用的模型結(jié)構(gòu)如下。如以RNN的方法來(lái)進(jìn)行搭建模型，多層LSTM（長(zhǎng)短期記憶網(wǎng)絡(luò)）或以多層GRU（門(mén)控循環(huán)單位）而堆疊LSTM 或堆疊GRU（Stacked LSTM/GRU）的功能更佳。而且，通過(guò)小波轉(zhuǎn)換的RNN類(lèi)的模型也顯示出了較為滿(mǎn)意的結(jié)果。我們發(fā)現(xiàn)對(duì)于CNN模型，卷積層（Convolutionallayer）的數(shù)量與激活函數(shù)（Activation Function）良好的配合模式將能夠提高模型功能。層數(shù)越多，有可能出現(xiàn)過(guò)擬合（overfitting）現(xiàn)象。因此，我們適當(dāng)?shù)匕才臘ropout層與正則化。對(duì)于LSTM細(xì)胞與卷積層，并列的方式層疊出了混合型模型，其顯示出了較為滿(mǎn)意的功能。對(duì)于梯度提升，我們所借用的是XGBoost（Extrme Gradient Boosting），LightGBM，Catboost等梯度提升的框架及算法。

對(duì)于Boosting系列的機(jī)器學(xué)習(xí)模型，大部分都比較以依賴(lài)特征（Feature）的選擇及數(shù)據(jù)的規(guī)模。

主要技術(shù)介紹

概述

我公司擁有專(zhuān)門(mén)的人工智能研究團(tuán)隊(duì)，其團(tuán)隊(duì)人數(shù)是10名。我公司也通過(guò)該研究團(tuán)隊(duì)進(jìn)行相關(guān)人工智能技術(shù)的所有開(kāi)發(fā)與研究。我們所采取的主要研究方法及流程如下。第一，對(duì)英文、中文以及韓國(guó)語(yǔ)圈內(nèi)的主要研究論進(jìn)行分析后，實(shí)地進(jìn)行測(cè)試與重現(xiàn)。我們從2018年8月開(kāi)始到2018年12月為止，共參考了約有500篇的論文。實(shí)地進(jìn)行測(cè)試的模型當(dāng)中，出現(xiàn)與我們所預(yù)期相符合的模型，我們將其重新進(jìn)行反復(fù)地學(xué)習(xí)，進(jìn)一步提高性能 。對(duì)于有參考價(jià)值的研究論文 ，您可通過(guò)我公司的官方網(wǎng)站cosmicbc.com的R&D Blog（研究?jī)?nèi)容博客）進(jìn)行相關(guān)內(nèi)容的閱覽。有關(guān)我公司所積累的研究成果，一直以來(lái)都已對(duì)外開(kāi)放，以后也將持續(xù)開(kāi)放。2018年12月開(kāi)始，我們已經(jīng)將100篇研究?jī)?nèi)容應(yīng)用在實(shí)際的服務(wù)當(dāng)中。

對(duì)于已搭建的模型，我公司通過(guò)亞馬遜AWS（Amazon web service），Naver Cloud Platform（NCP），阿里云（Alibaba Cloud）的人工智能云計(jì)算服務(wù)器（A.I. Cloud computing server）來(lái)正在進(jìn)行研發(fā)。

首先，大部分已完成的模型用過(guò)去的數(shù)據(jù)進(jìn)行學(xué)習(xí)后，再進(jìn)行2周~3周的活數(shù)據(jù)（Live data）學(xué)習(xí)，最后確認(rèn)模型的準(zhǔn)確率百分比。以此作為參考，我們對(duì)顯示出較高特定數(shù)值以上的模型為重點(diǎn)，用多樣化的處理方法，對(duì)其模型進(jìn)行1個(gè)月以上的學(xué)習(xí)。

RNN

對(duì)于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）模型的最大特點(diǎn)是節(jié)點(diǎn)定向連接的人工神經(jīng)網(wǎng)絡(luò)。 與卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行對(duì)比，該機(jī)器學(xué)習(xí)RNN還擁有CNN不具備的記憶。它的特征是可以有效解決序列數(shù)據(jù)的預(yù)測(cè)分類(lèi)問(wèn)題的解答。所謂序列數(shù)據(jù)是，按照順序排列的組合來(lái)構(gòu)成的時(shí)間序列數(shù)據(jù)，通常是以語(yǔ)音、視頻或文本為主?？赏ㄟ^(guò)以下序列來(lái)表示。

在這里，對(duì)于時(shí)間序列的長(zhǎng)度t=1，2，3，。..，T，通?？梢钥醋骺勺兊男蛄小Ｒ孕蛄袝r(shí)間數(shù)據(jù)舉例，就可被推斷出來(lái)。有一個(gè)文章有第t位單詞，我們就可以推斷出第t+1位單詞。各個(gè)單詞是受到前一位單詞的影響。RNN抓住對(duì)于單詞與單詞之間的依賴(lài)關(guān)系，特別是能夠?qū)ξ恼碌倪壿嬤M(jìn)行學(xué)習(xí)后，可預(yù)測(cè)出較高的準(zhǔn)確率。例如，像加密貨幣一樣的時(shí)間序列數(shù)據(jù)，大部分的情下現(xiàn)存在的數(shù)據(jù)都是很容易受到之前數(shù)據(jù)的影響。同樣，RNN模型是擁有像上面所敘述的記憶結(jié)構(gòu)。因此，該結(jié)構(gòu)模型可以臨時(shí)記住相關(guān)信息，并以此信息來(lái)表現(xiàn)出不同的反饋。之所以可以把RNN適用于解決加密貨幣價(jià)格的預(yù)測(cè)分類(lèi)問(wèn)題，是因?yàn)槟Ｐ涂梢愿鶕?jù)時(shí)間序列數(shù)據(jù)來(lái)獲取文章內(nèi)容的邏輯性，從而進(jìn)行分類(lèi)。

進(jìn)行RNN學(xué)習(xí)時(shí)，需要用到像全連接神經(jīng)網(wǎng)絡(luò)一樣的梯度下降法（Gradient Descent）。我們需要對(duì)誤差進(jìn)行微分計(jì)算，從而計(jì)算各層權(quán)值。這里可采取兩種方法。一是實(shí)時(shí)遞歸學(xué)習(xí)算法RTRL（Realtime Recurrent Learning），另外則個(gè)是基于時(shí)間的反向傳播算法BPTT（Back Propagation Through Time）。前者是對(duì)記憶的使用效率較高，后者則是計(jì)算速度較快。

BPTT是把RNN以時(shí)間方向進(jìn)行展開(kāi)，構(gòu)成類(lèi)似全連接神經(jīng)網(wǎng)絡(luò)一樣的結(jié)構(gòu)，之后進(jìn)行反向傳播計(jì)算。如同上圖所畫(huà)出的結(jié)構(gòu)圖，將每一時(shí)刻RNN的整個(gè)結(jié)構(gòu)中的環(huán)路展開(kāi)成為時(shí)間連續(xù)的中間層連接單位。對(duì)于中間層的反向傳播，是以連續(xù)的時(shí)間點(diǎn)的中間層單元來(lái)進(jìn)行結(jié)合。以這種方式來(lái)展開(kāi)的神經(jīng)網(wǎng)絡(luò)，將成為全連接神經(jīng)網(wǎng)絡(luò)模樣。根據(jù)以此來(lái)進(jìn)行反向傳播，從而通過(guò)計(jì)算梯度而可進(jìn)行反向傳播計(jì)算。

根據(jù)上述的內(nèi)容，RNN可以抓住時(shí)間數(shù)據(jù)的內(nèi)容，可以進(jìn)行推斷。但是，對(duì)于文章的長(zhǎng)度很敏感。理論上，對(duì)時(shí)間節(jié)點(diǎn)t開(kāi)始至以前的所有時(shí)間步驟的信息均可保存。但是，對(duì)于長(zhǎng)時(shí)間的信息是無(wú)法進(jìn)行學(xué)習(xí)。RNN能夠反映出的輸出時(shí)間最長(zhǎng)也就10小時(shí)。

這種局限性是因?yàn)?，?duì)于層數(shù)較多的神經(jīng)網(wǎng)絡(luò)，通過(guò)反向傳播計(jì)算梯度時(shí)，隨著經(jīng)歷的層數(shù)增多，梯度值很容易發(fā)散并消失。所以，RNN很難應(yīng)對(duì)長(zhǎng)序列的問(wèn)題。換句話(huà)說(shuō)，對(duì)于短期性的記憶是可以實(shí)現(xiàn)，但是相反對(duì)長(zhǎng)期性的記憶是無(wú)法得到實(shí)現(xiàn)。

LSTM and GRU

1990年代初，Sepp Hochreiter， Jürgen Schmidhuber，Youshua Bengio等為了能夠解決對(duì)于上述內(nèi)容當(dāng)中所發(fā)生的問(wèn)題，通過(guò)理論性考察而推出了各種方法。其中，最為成功的方法就是長(zhǎng)短期記憶網(wǎng)絡(luò)（Long Short Term Memory; LSTM）。LSTM與最基本的RNN相比，中間層的各個(gè)單元是由記憶單元組成。除此以外的所有的結(jié)構(gòu)都與之前的RNN完全相同。

對(duì)于LSTM將單元連接理解為傳送帶（Conveyotr Belt）的形式更容易。簡(jiǎn)單來(lái)說(shuō)，是添加了把信息裝載到各個(gè)時(shí)間步驟來(lái)進(jìn)行傳輸?shù)姆椒?。在時(shí)間序列的某一個(gè)時(shí)間點(diǎn)上，對(duì)于已輸出的信息將上傳到傳送帶，并且在必要的時(shí)間點(diǎn)的時(shí)間步驟下再移動(dòng)至下來(lái)。把重要的信息進(jìn)行存儲(chǔ)，從而防止對(duì)那些已經(jīng)過(guò)了一段時(shí)間的信號(hào)有可能會(huì)逐漸消失的問(wèn)題。

有關(guān)對(duì)LSTM細(xì)胞，以公式來(lái)表示如下。在這里，⊙是表示乘機(jī)-哈達(dá)馬積（Hadamardproduct）矩陣乘法。

在上圖中，我們可以看到GRU的結(jié)構(gòu)比LSTM的結(jié)構(gòu)更為簡(jiǎn)單。在細(xì)節(jié)上，GRU也與LSRM一樣是通過(guò)門(mén)來(lái)調(diào)整信息的數(shù)量，對(duì)于這一點(diǎn)兩者是相同的。但是，特別是對(duì)門(mén)的控制方式會(huì)有一些不同。

公式表示如下。

CNN

CNN主要是適用于圖像認(rèn)知方面所運(yùn)用到的神經(jīng)網(wǎng)絡(luò)模型算法。其算法是成功地解決了計(jì)算機(jī)中一直以來(lái)的大難題（對(duì)于物體的分類(lèi)認(rèn)知等）。對(duì)于以往的全連接神經(jīng)網(wǎng)絡(luò)所面臨的問(wèn)題是，即使識(shí)別較小的字體而計(jì)算權(quán)值與偏向的個(gè)數(shù)會(huì)暴爆發(fā)性增加。例如，為了能夠辨別出16x16大小的字體，我們可以設(shè)想一下在利用一個(gè)擁有100個(gè)神經(jīng)元的隱含層的全連接神經(jīng)網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)需要的權(quán)值和偏向的數(shù)量達(dá)到28，326個(gè)。如果在該神經(jīng)網(wǎng)絡(luò)在增加新的隱含層，對(duì)于需要學(xué)習(xí)的參數(shù)數(shù)量將會(huì)變得更多。而且，對(duì)于字體的圖像如發(fā)生豎直或水平的移動(dòng)，回轉(zhuǎn)，變形等變化，則需要重新輸入新的學(xué)習(xí)數(shù)據(jù)。

為了能夠解決此問(wèn)題而誕生的CNN是與全連接神經(jīng)網(wǎng)絡(luò)是完全不同的。該算法是把層和層之間特定的單元結(jié)合的特殊層。該特殊層進(jìn)行卷積（Convolution）與池化（Pooling）兩種對(duì)于圖像處理相關(guān)的計(jì)算。

CNN的誕生，是通過(guò)動(dòng)物大腦的視覺(jué)皮質(zhì)（Visual cortex）的相關(guān)神經(jīng)科學(xué)中獲得了靈感。更準(zhǔn)確來(lái)說(shuō)，是對(duì)于視覺(jué)皮質(zhì)的神經(jīng)細(xì)胞感受野（Receptive field）的局部性與簡(jiǎn)單細(xì)胞與復(fù)雜細(xì)胞中獲得了靈感。同樣一個(gè)神經(jīng)，對(duì)于在水平圖像產(chǎn)生激活，或者是在不同角度的圖像產(chǎn)生激活所表現(xiàn)出的模樣是不一樣的。而且，其他神經(jīng)也擁有較寬闊的感官領(lǐng)域，因此會(huì)對(duì)低水準(zhǔn)的模式（Pattern）之間相結(jié)合的較為復(fù)雜的模式產(chǎn)生激活。通過(guò)該規(guī)律，塑造了以下卷積神經(jīng)網(wǎng)絡(luò)。如LeNet， AlexNet， VGG， GoogLeNet等都是最具有代表性的CNN模型。這些模型均在圖像分類(lèi)方面展現(xiàn)了比人類(lèi)高出一等的性能。

CNN的基本構(gòu)造如下。對(duì)于輸入圖像的第一個(gè)卷積層的神經(jīng)不是連接到已輸入的整個(gè)圖像的像素當(dāng)中。而是，只連接在卷積層神經(jīng)網(wǎng)絡(luò)的感官領(lǐng)域內(nèi)的像素當(dāng)中。但是，卷積通過(guò)線(xiàn)性運(yùn)算。因此，為了使模型能夠?qū)W習(xí)更加復(fù)雜的非線(xiàn)性關(guān)系，把代表性的非線(xiàn)性激活函數(shù)Relu（線(xiàn)性整流函數(shù); Rectified Linear Unit）連接在卷積層內(nèi)。之后，為了降低對(duì)于池化層的運(yùn)算量與內(nèi)存使用量，以及減少參數(shù)的使用數(shù)量，對(duì)輸入圖像做類(lèi)似下采樣處理。根據(jù)不同的數(shù)據(jù)特征，將卷積層+激活函數(shù)+池化層進(jìn)行不同的組合，來(lái)進(jìn)行層的堆疊。通常，CNN的輸出層連接一層以上的連接層，有助于高維度圖像最后一層做maping圖像分類(lèi)。

綜合以上內(nèi)容，在CNN中最為重要的構(gòu)成因素是卷積層。如有WXW大小的黑白圖像，各個(gè)像素標(biāo)注為（i，j）。然后，這里還有一個(gè)HXH大小過(guò)濾器的像素標(biāo)注是（p，q），p，q=0，…，H-1。在這里，H《W。嚴(yán)格來(lái)說(shuō)，卷積層的表示公式如下。

在卷積層之后的池化層計(jì)算如下。假定，在大小為WXWXK圖像中，像素（i，j）點(diǎn)為中心有一個(gè)大小為HXH正四邊形的框，做Padding計(jì)算處理圖像邊緣都包括的Pij可以求出來(lái)。對(duì)于該P(yáng)ij內(nèi)的像素，每一頻道K都會(huì)單獨(dú)地利用H2個(gè)的像素值來(lái)獲得一個(gè)像素值uijk。代表性的求這個(gè)像素值的方法為最大池化（Max Pooling）， 平均池化等。

最大池化是在H2個(gè)的像素值當(dāng)中選擇最大值的方式，該計(jì)算方法如下。

我們從該公式中不難看出，P=1就是平均池化，P=∞就是最大池化。

對(duì)于價(jià)格預(yù)測(cè)分類(lèi)問(wèn)題中，我們可以將時(shí)間序列數(shù)據(jù)的變化模式化。我們得出結(jié)論，根據(jù)卷積神經(jīng)網(wǎng)絡(luò)（CNN）而搭建的模型是擁有強(qiáng)大的預(yù)測(cè)能力。

梯度提升（Gradient Boosting）

有關(guān)梯度提升是對(duì)于梯度下降（Gradient Descent）與Boosting相結(jié)合的合成詞。Boosting是相對(duì)來(lái)說(shuō)只是把單一決策樹(shù)進(jìn)行構(gòu)建，一步步進(jìn)行學(xué)習(xí)?；诖私Y(jié)果再建一個(gè)決策樹(shù)培。梯度提升方法是適用于所有損失函數(shù)可微分的函數(shù)。

梯度提升算法如下。

首先對(duì)學(xué)習(xí)機(jī)（h）進(jìn)行初始化：

以梯度提升方法而搭建的模型中，最具有代表性的就是XGBoost，LightGBM，Catboost等。

首先是XGBoost。以并列處理的方式，能夠快速地進(jìn)行學(xué)習(xí)與預(yù)測(cè)。能夠提供多樣化的定制型選項(xiàng)內(nèi)容。根據(jù)Greedy算法來(lái)自動(dòng)剪枝防止過(guò)擬合（Overfitting）。對(duì)于其他算法之間連接性較好。

與XGBoost相比，LightGBM的最大優(yōu)勢(shì)就是學(xué)習(xí)時(shí)間很短，內(nèi)存使用量也相對(duì)較少。LightGBM是在XGBoost出現(xiàn)兩年后才開(kāi)發(fā)出來(lái)的。該模型是繼承了XGBoost的優(yōu)勢(shì)，也彌補(bǔ)了諸多缺陷。LightGBM是采用了葉明智策略分裂方式，不考慮葉子的均衡，在損失值的最大的葉子節(jié)點(diǎn)上持續(xù)性的分裂，從而發(fā)展下去，所以會(huì)出現(xiàn)樹(shù)的非對(duì)稱(chēng)現(xiàn)象。但是，相對(duì)于均衡樹(shù)分割方法，可將誤差損失最小化。

最后是Catboost。在該模型所引入的Ordering Principle概念解決了對(duì)以往的因目標(biāo)泄露（target or data leakage）而導(dǎo)致的位移預(yù)測(cè)現(xiàn)象（prediction shift）與分類(lèi)變量（Categorical Variable）的預(yù)處理問(wèn)題。換句話(huà)說(shuō)，在計(jì)算leaf value的過(guò)程中，所采用到的方法就是Ordered Boosting。以往的梯度提升是在搭建新樹(shù)的時(shí)候，將根據(jù)現(xiàn)有的模型中所使用到的數(shù)據(jù)進(jìn)行再利用，因此存在著過(guò)擬合。該模型與以往的模型所不同。該過(guò)程是先求出逆向的leaf value，之后定出樹(shù)結(jié)構(gòu)的。

通證經(jīng)濟(jì)體系

加密貨幣介紹

總發(fā)行量 12億枚

單位價(jià)格 1 AIPE = 約 0.02 USD

名稱(chēng) AIPE Token

Coin Symbol AIPE

標(biāo)準(zhǔn) ERC-20

Decimal類(lèi)型 類(lèi)型： 18

Hard Cap 412，500，000 AIPE

Soft Cap 137，500，000 AIPE

分配內(nèi)容

AIPE幣是針對(duì)以平臺(tái)的開(kāi)發(fā)與AI預(yù)測(cè)為基礎(chǔ)，搭建相關(guān)生態(tài)體系為目的而進(jìn)行發(fā)行。對(duì)于參加ICO及IEO的用戶(hù)，可獲得整體發(fā)行量的40%的流通數(shù)量。除了加密貨幣銷(xiāo)售（Coin Sale）之外的剩余貨物量的30%，是用于構(gòu)建初期的生態(tài)體系。例如，AI預(yù)測(cè)平臺(tái)的搭建，營(yíng)銷(xiāo)等方面。對(duì)于APIE Foundation部分的12%的貨物量，將會(huì)使用在對(duì)于擴(kuò)展平臺(tái)以及后期開(kāi)發(fā)而需要的基礎(chǔ)設(shè)施的搭建等。Foundation貨物量的12%與團(tuán)隊(duì)的分配貨物量的10%將按照順序而進(jìn)行具體的分配。

款項(xiàng)運(yùn)營(yíng)