生意业务计策。显然，假如事实证明Transformer架构可应用于金融数据集，这类架构大概会对加密钱币的量化计策发生重大影响。总的来说，深度神经网络为量化生意业务开辟了新的规模。从线性回归和决定树等基本呆板进修模子来看，量化基金正在研究巨大的深度进修计策。

第一代Transformer架构聚焦于语言任务。可是部门公司最近已经颁发了将Transformer应用于图像分类的相关研究。有人或者认为此举只是在实验伪造图像。可是这一研究的意义远不止如此。

GPT-3模子可以或许执行多项语言任务，譬喻，呆板翻译、答复问题、语言阐明以及文本生成。GPT-3生成的伪造文本甚至可以或许以假乱真，引起了新闻媒体的留意。

从观念上来说，留意力机制会调查输入序列，并在每个步调中抉择输入序列中较量重要的部门。譬喻，在呆板翻译场景中，留意力机制会聚焦于那些编码器“应该留意的”单词，以便执行翻译。

当初，包括15亿个参数的GPT-2模子震惊了全世界。短短一年之内，，这一记载先是被微软的Turing-NLG冲破，又被包括1750亿个参数的GPT-3碾压。简而言之，就Transformer架构而言，大等于好。

去中心化的Transformer架构。今朝，人们在尽力将Transformer模子应用到SingularityNet等去中心化的AI架构中。此举将拓展Transformer模子的应用场景。迄今为止，GPT-3等Transformer模子都是大公司的特权。只有大公司的AI尝试室才有足够的数据和资源来构建并运行如此大局限的神经网络。去中心化AI为我们提供了另一种方案，可以在基于鼓励机制运行的去中心化网络中练习、执行并监控Transformer架构。

就像那些已经在去中心化基本设施中运行的神经网络架构那样，我们很快就能瞥见GPT-3之类的模子运行在去中心化AI平台上。

区块链安详咨询公司 曲速

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。