撰文：0xxz@金色財經
華爾街著名投資人Catherine Wood及其旗下的ARK Investment，自2017年開始每年年初發布「Big Ideas」報告，一向是頗得市場關注。
和Big Ideas 2023一年，ARK認為5大類技術定義了我們這個時代：公鏈、AI、能源儲存、機器人、多組學定序。
「Big Ideas 2024」報告長達163頁，15個部分。除了總覽Technological Convergence，其他14部分涉及加密貨幣和Web3的有4個，分別為：AI、比特幣配置、2023年的比特幣、智慧合約。
「Big Ideas 2024」報告因在中國2024年新年期間發布，報告內容尤其是加密相關內容並沒有被完整譯介到簡中網絡。金色財經整理了這部分內容，犒讀者。
為了照顧閱讀體驗，我們將比特幣配置、2023年的比特幣、智能合約三部分放在前面，AI部分放在最後。
比特幣的配置
數位資產，例如比特幣，是一種新的資產類別
根據ARK 的研究，比特幣已經成為一個獨立的資產類別，值得在機構投資組合中進行策略性配置。
比特幣在更長的時間範圍內表現優於所有主要資產
在過去七年中，比特幣的年化報酬率平均約為44%，而其他主要資產的平均報酬率僅為5.7%。
總體而言之，長期持有比特幣的投資者隨著時間的推移而獲益
「時間，而擇時」：比特幣的波動性可能會掩蓋其長期回報。雖然短期內可能會大幅升值或貶值，但長期投資視野一直是投資比特幣的關鍵。與其糾結“何時”，更好的問題應該是“持有多久？” 歷史上，無論何時購買並持有比特幣至少5 年的投資者都獲利了。
比特幣與傳統資產的相關性很低
歷史上，比特幣的價格走勢與其他資產類別的關聯性不高。在過去五年中，比特幣報酬率與傳統資產類別的相關性平均只有0.27。
比特幣可以在最大化風險調整回報方面發揮重要作用
ARK 的研究重點在於傳統資產類別的波動性和回報狀況，並建議，一個尋求最大化風險調整回報的投資組合，在2023年應該將19.4% 的資金分配給比特幣。
在5 年滾動基礎上，在過去9 年中，配置比特幣可以最大化風險調整回報
根據我們的分析，2015 年，在5 年的時間範圍內，最大化風險調整回報的最佳配置比例為0.5%。從那以後，在同樣的基礎上，平均配置比特幣的比例為4.8%，單在2023 年就達到了19.4%。
最佳配置比特幣將會產生什麼影響？
從250兆美元全球可投資資產基礎配置比特幣將對價格產生重大影響。
1%的配置，將使比特幣價格達到12萬美元；4.8%的配置，將使比特幣價格達到55萬美元；19.4%的配置將使比特幣價格達到230萬美元。
2023年的比特幣
比特幣價格在2023年飆升了155%，市值增至8,270 億美元
比特幣價格首次在近4 年內突破其鏈上市場均值
鏈上市場平均值是ARK 的一個原始指標，它是風險厭惡和風險偏好比特幣市場之間的可靠劃分點。歷史上，當比特幣價格突破市場平均值時，通常標誌著牛市的早期階段。
2023年為2022年的加密危機提供了重要答案
在美國地區銀行大規模倒閉期間，比特幣成為避風港
2023 年初，在美國地區銀行歷史性倒閉期間，比特幣價格上漲了超過40%，凸顯了其作為對手風險對沖工具的作用
銘文數量的激增表明比特幣網路除了交易結算還有其他作用
2023 年1 月推出的比特幣銘文引入了一種獨特的編號系統，為每個「聰」（比特幣的最小單位）根據其在區塊鏈中的位置分配一個號碼。每個聰都是可識別且不可改變的，允許用戶在其上刻錄資料、圖像或文字。與其他需要智能合約用於NFT 的區塊鏈不同，比特幣銘文位於比特幣區塊鏈的底層。
銘文對交易規模和區塊空間的影響引發了debate。我們認為，銘文是自由市場的產品，代表了比特幣上的健康創新。
比特幣的基本面在2022 年的危機中沒有出現任何問題，並在2023 年繼續保持穩定發展
美國商品期貨交易所CME超越了幣安，成為全球最大的比特幣期貨交易所
隨著2022 年加密市場暴雷事件發生後對更受監管和更安全的基礎設施的需求增加，比特幣的市場動態更轉向美國。
比特幣正在演變為一種可靠的避險資產
隨著宏觀經濟不確定性的增加，對傳統「避險資產」的信任下降，比特幣成為了可行的替代方案。
2024年比特幣將面臨重大催化劑：
比特幣現貨ETF發行、比特幣減半、機構接受度、監管進展
智能合約
部署在公鏈上的智慧合約提供了一種全球化、自動化和可審計的替代方案，可以取代尋求租金的中介和傳統金融基礎設施。
在2022 年的「加密市場危機」之後，一些數位資產解決方案獲得了市場青睞，包括穩定幣、代幣化國債和擴容技術。
根據ARK 的研究，隨著鏈上金融資產價值的增加，與去中心化應用相關的市場價值可能會以每年32% 的速度增長，將從2023 年的7,750 億美元增加到2030 年的5.2 兆美元。
智能合約是互聯網金融系統的基礎
作為新生事物，智慧合約正在推動一個全新的網路原生金融系統。以最大的智慧合約區塊鏈以太坊為首，多個網路正在支援鏈上活動並爭奪市場份額。
穩定幣凸顯了智能合約的價值主張
鑑於新興市場出現惡性通膨，以及全球不穩定性增加，提供數位方式觸達美元的穩定幣的需求飆升。在過去三年裡，全球每日活躍穩定幣地址數量以每年93% 的速度成長，從17.1 萬增至120 萬。 2023 年，穩定幣轉帳量超過萬事達卡。
傳統金融資產正在轉移到鏈上
代幣化使財務人員能夠比在傳統金融市場更容易在公鏈上追蹤、交易和抵押資金。 2023 年，代幣化公債資金激增超過7 倍，達8.5 億美元。早期基金在Stellar 區塊鏈上啟動，但以太坊在2023 年成為代幣化國債的最大市場。
開發人員在熊市期間優化了協議
面對2022 年的加密市場危機及其後果，核心開發人員推進技術路線圖並強化協議以支援下一輪牛市。以太坊成功遷移到PoS共識機制，Solana 創下了連續運行時間的新紀錄。
L2網路已經擴展了以太坊生態系統中的交易
自2021 年初以來，已推出了超過20 個L2網絡，使以太坊能夠以更低的費用將平均每日交易量擴展4 倍。儘管取得了早期成功，但大多數L2 網路都由中心化控制。 L2 的激增使用戶和開發人員的體驗變得複雜。
更低的成本正在提升鏈上參與度
隨著交易成本的下降，鏈上參與度（以每日活躍地址(DAU) 與每月活躍地址(MAU) 的比率衡量）有所上升。
像Solana 這樣的單體鏈為垂直擴展提供了一種替代方案
智慧合約網路設計需要權衡取捨。以太坊生態系統透過優先考慮底層去中心化，使其在擴展過程中變得更加複雜。 Solana 透過優先考慮單層可擴展性，為使用者和應用程式開發者保持了簡單架構，並獲得了吸引力。
智能合約可以大幅降低金融服務成本
由於全球經濟成長、金融化程度提高和股權倍數擴張等因素，全球金融資產價值從2000 年的140 兆美元膨脹到2020 年的510 兆美元。全球金融體系的營運成本也隨著金融資產價值的增加而同步成長。作為總年度收入的20 兆美元的金融服務業，其費率與所有金融資產價值相比為3.3%。智能合約可以大幅降低經濟負擔。
到2030年，智慧合約網路可能產生4,500 億美元的費用
智慧合約可以以傳統金融成本的一小部分促進鏈上資產的創建、所有權和管理。如果金融資產像互聯網一樣轉移到區塊鏈基礎設施，並且去中心化金融服務的費率是傳統金融服務的三分之一，那麼智能合約到2030 年每年可以產生超過4500 億美元的費用，創造超過5 兆美元的市場價值，分別以78% 和32% 的複合年增長率成長。
AI
在各種測試中表現出超人類等級的AI模型，例如GPT-4，應該會催生前所未有的生產力爆炸。 ChatGPT 的「iPhone 時刻」讓企業措手不及，它們現在正爭先恐後地利用AI的潛力。
由於成本迅速下降和開源模型的出現，AI 可以實現遠超提高效率的承諾。如果到2030 年，知識工作者的生產力能夠翻兩番，正如我們所相信的那樣，未來五到十年，實際GDP的成長可能會加速並打破紀錄。
ChatGPT 讓消費者滿意，讓企業驚嘆
自從Google在2017 年發明Transformer 架構以來，經過多年的進步，ChatGPT 催化了大眾對生成式AI 的理解。不再只是開發人員的工具，ChatGPT 的簡單聊天介面使說任何語言的人都能夠利用大語言模型(LLM) 的強大功能。 2023 年，企業爭先恐後地理解和部署生成式AI。
AI 已經顯著提高了生產力
像GitHub Copilot 和Replit AI 這樣的編碼助手是早期的成功案例，它們提高了軟體開發人員的生產力和工作滿意度。 AI助理正在提高知識工作者的績效，有趣的是，它們對錶現不佳的員工比高績效者更有利。
基礎模型正在跨領域改進
隨著更大的訓練資料集和更多參數，GPT-4 顯著優於GPT-3.5。越來越多的基礎模型成為「多模態」——支援文字、圖像、音訊和視訊——不僅更動態、更易於用戶使用，而且效能也更高。
文生圖模型正在重塑圖形設計
在多倫多大學的研究人員首次推出現代文生圖模型八年後，影像模型的產出現在已經可以媲美專業平面設計師的作品。人類設計師可以在幾個小時內花費數百美元創建一個圖像，例如一群大象穿過綠草地。文生圖模型可以在幾秒鐘內以幾分錢產生相同的圖像。專業應用程式如Adobe Photoshop 和消費者應用程式如Lensa 和ChatGPT 將圖像模型整合到他們的產品和服務中。
創作文字內容的成本已經暴跌
在過去的世紀裡，創作書面內容的成本在實際價值方面一直相對穩定。在過去兩年裡，隨著LLM 的寫作品質提高，成本暴跌。
AI 訓練性能正在迅速提高
AI 研究人員正在跨訓練和推理、硬體和模型設計進行創新，以提高效能並降低成本。
訓練成本持續每年下降75%
根據Wright定律，加速計算硬體的改進應該使AI 相對計算單元(RCU) 的生產成本每年降低53%，而演算法模型的改進可以進一步將訓練成本降低47%。換句話說，硬體和軟體的整合可以推動到2030 年AI 訓練成本每年以75% 的速度下降。
隨著生產用例的出現，AI 的重點正在轉移到推理成本
研究人員在最初專注於LLM 訓練成本優化之後，現在將推理成本作為優先事項。基於企業規模的用例，推理成本似乎以大約86% 的年增長率下降，甚至比訓練成本下降更快。今天，與GPT-4 Turbo 相關的推理成本低於一年前的GPT-3。
開源社群正在與私有模型競爭
為挑戰OpenAI 和Google的閉源模型，開源社群及其企業巨頭Meta 正在將生成式AI 的訪問民主化。總而言之，開源模型的效能提升速度比閉源模型更快，最近中國的一些模型也助了一臂之力。
語言模型效能提升需要細緻的技術
GPT-4 在從SAT 到高級釀酒師考試等標準化教育測驗中，表現明顯優於一般人類。然而，根據WinnoGrande 的衡量，它在常識推理方面落後於人類水平。史丹佛大學的架構－語言模型整體評估(HELM) 是最全面、不斷更新的評估方法之一，其已經測試了80 多個模型，針對73 個場景和65 個指標進行組合評估。
語言模型會用完數據，限制其效能嗎？
運算能力和高品質的訓練資料似乎是模型效能的主要貢獻因素。隨著模型變得越來越大，需要更多訓練數據，數據不足會不會導致模型表現停滯？ Epoch AI 估計，到2024 年，高品質的語言/資料來源，例如書籍和科學論文，可能會被耗盡，儘管仍有大量未開發的視覺資料。
客製化的人工智慧產品應該擁有更大的定價權
隨著開源替代品的出現和成本下降，將AI定製到最終用途應用程式的軟體供應商應該能夠更輕鬆地實現盈利。
