撰文：0xxz@金色财经

华尔街著名投资人Catherine Wood及其旗下的ARK Investment，自2017年开始每年年初发布“Big Ideas”报告，一向是颇得市场关注。

和Big Ideas 2023一年，ARK认为5大类技术定义了我们这个时代：公链、AI、能源存储、机器人、多组学测序。

“Big Ideas 2024”报告长达163页，15个部分。除了总览Technological Convergence，其他14部分中涉及加密货币和Web3的有4个，分别为：AI、比特币配置、2023年的比特币、智能合约。

“Big Ideas 2024”报告因在中国2024年新年期间发布，报告内容尤其是加密相关内容并没有被完整译介到简中网络。金色财经整理了这部分内容，以犒读者。

为了照顾阅读体验，我们将比特币配置、2023年的比特币、智能合约三部分放在前面，AI部分放在最后。

比特币的配置

数字资产，例如比特币，是一种新的资产类别

根据 ARK 的研究，比特币已经成为一个独立的资产类别，值得在机构投资组合中进行战略配置。

比特币在更长的时间范围内表现优于所有主要资产

在过去七年中，比特币的年化回报率平均约为 44%，而其他主要资产的平均回报率仅为 5.7%。

总体而言之，长期持有比特币的投资者随着时间的推移获益

“时间，而择时”：比特币的波动性可能会掩盖其长期回报。虽然短期内可能会出现大幅升值或贬值，但长期投资视野一直是投资比特币的关键。与其纠结“何时”，更好的问题应该是“持有多久？” 历史上，无论何时购买并持有比特币至少 5 年的投资者都获利了。

比特币与传统资产的相关性很低

历史上，比特币的价格走势与其他资产类别的关联度不高。在过去五年中，比特币回报率与传统资产类别的相关性平均只有 0.27。

比特币可以在最大化风险调整回报方面发挥重要作用

ARK 的研究重点关注传统资产类别的波动性和回报状况，并建议，一个寻求最大化风险调整回报的投资组合，在2023年应该将 19.4% 的资金分配给比特币。

在 5 年滚动基础上，过去 9 年中，配置比特币可以最大化风险调整回报

根据我们的分析，2015 年，在 5 年的时间范围内，最大化风险调整回报的最佳配置比例为 0.5%。从那以后，在同样的基础上，平均配置比特币的比例为 4.8%，单在 2023 年就达到了19.4%。

最佳配置比特币将会产生什么影响？

从250万亿美元全球可投资资产基础中配置比特币将对价格产生重大影响。

1%的配置，将使比特币价格达到12万美元；4.8%的配置，将使比特币价格达到55万美元；19.4%的配置将使比特币价格达到230万美元。

2023年的比特币

比特币价格在2023年飙升了155%，市值增至 8270 亿美元

比特币价格首次在近 4 年内突破其链上市场均值

链上市场均值 是 ARK 的一个原创指标，它是风险厌恶和风险偏好比特币市场之间的可靠划分点。历史上，当比特币价格突破市场均值时，通常标志着牛市的早期阶段。

2023年为2022年的加密危机提供了重要答案

在美国地区银行大规模倒闭期间，比特币成为避风港

2023 年初，在美国地区银行历史性倒闭期间，比特币价格上涨了超过 40%，凸显了其作为对手风险对冲工具的作用

铭文数量的激增表明比特币网络除了交易结算还有其他作用

2023 年 1 月推出的比特币铭文引入了一种独特的编号系统，为每个“聪”（比特币的最小单位）根据其在区块链中的位置分配一个号码。每个聪都是可识别且不可改变的，允许用户在其上刻录数据、图像或文本。与其他需要智能合约用于 NFT 的区块链不同，比特币铭文位于比特币区块链的底层。

铭文对交易规模和区块空间的影响引发了 debate。我们认为，铭文是自由市场的产品，代表了比特币上的健康创新。

比特币的基本面在 2022 年的危机中没有出现任何问题，并在 2023 年继续保持稳定发展

美国商品期货交易所CME超越了币安，成为全球最大的比特币期货交易所

随着 2022 年加密市场暴雷事件发生后对更受监管和更安全的基础设施的需求增加，比特币的市场动态更多地转向美国。

比特币正在演变为一种可靠的避险资产

随着宏观经济不确定性的增加，对传统“避险资产”的信任下降，比特币成为了一种可行的替代选择。

2024年比特币将面临重大催化剂：

比特币现货ETF发行、比特币减半、机构接受度、监管进展

智能合约

部署在公链上的智能合约提供了一种全球化、自动化和可审计的替代方案，可以替代寻求租金的中介和传统金融基础设施。

在 2022 年的“加密市场危机”之后，一些数字资产解决方案获得了市场青睐，包括稳定币、代币化国债和扩容技术。

根据 ARK 的研究，随着链上金融资产价值的增加，与去中心化应用相关的市场价值可能会以每年 32% 的速度增长，将从 2023 年的 7750 亿美元增加到 2030 年的 5.2 万亿美元。

智能合约是互联网金融系统的基础

作为新生事物，智能合约正在推动一个全新的互联网原生金融系统。以最大的智能合约区块链以太坊为首，多个网络正在支持链上活动并争夺市场份额。

稳定币凸显了智能合约的价值主张

鉴于新兴市场出现恶性通胀，以及全球不稳定性增加，提供数字方式触达美元的稳定币的需求飙升。在过去三年里，全球每日活跃稳定币地址数量以每年 93% 的速度增长，从 17.1 万增至 120 万。2023 年，稳定币转账量超过万事达卡。

传统金融资产正在转移到链上

代币化使财务人员能够比在传统金融市场更容易地在公链上跟踪、交易和抵押资金。2023 年，代币化国债资金激增超过 7 倍，达到 8.5 亿美元。早期基金在 Stellar 区块链上启动，但以太坊在 2023 年成为代币化国债的最大市场。

开发人员在熊市期间优化了协议

面对 2022 年的加密市场危机及其后果，核心开发人员推进技术路线图并强化协议以支持下一轮牛市。以太坊成功迁移到PoS共识机制，Solana 创下了连续运行时间的新纪录。

L2网络已经扩展了以太坊生态系统中的交易

自 2021 年初以来，已推出了超过 20 个L2网络，使以太坊能够以更低的费用将平均每日交易量扩展 4 倍。尽管取得了早期成功，但大多数 L2 网络都由中心化控制。L2 的激增使用户和开发人员的体验变得复杂。

更低的成本正在提升链上参与度

随着交易成本的下降，链上参与度（以每日活跃地址 (DAU) 与月活跃地址 (MAU) 的比率衡量）有所上升。

像 Solana 这样的单体链为垂直扩展提供了一种替代方案

智能合约网络设计需要权衡取舍。以太坊生态系统通过优先考虑底层去中心化，使其在扩展过程中变得更加复杂。Solana 通过优先考虑单层可扩展性，为用户和应用开发者保持了简单架构，并获得了吸引力。

智能合约可以大幅降低金融服务成本

由于全球经济增长、金融化程度提高和股权倍数级扩张等因素，全球金融资产价值从 2000 年的 140 万亿美元膨胀到 2020 年的 510 万亿美元。全球金融系统的运营成本也随着金融资产价值的增加而同步增长。作为总年度收入的 20 万亿美元的金融服务行业，其费率与所有金融资产价值相比为 3.3%。智能合约可以大大降低经济负担。

到2030年，智能合约网络可能产生 4500 亿美元的费用

智能合约可以以传统金融成本的一小部分促进链上资产的创建、所有权和管理。如果金融资产像互联网一样转移到区块链基础设施，并且去中心化金融服务的费率是传统金融服务的三分之一，那么智能合约到 2030 年每年可以产生超过 4500 亿美元的费用，创造超过 5 万亿美元的市场价值，分别以 78% 和 32% 的复合年增长率增长。

AI

在各种测试中表现出超人类水平的AI模型，比如 GPT-4，应该会催生前所未有的生产力爆炸。ChatGPT 的“iPhone 时刻”让企业措手不及，它们现在正争先恐后地利用AI的潜力。

由于成本迅速下降和开源模型的出现，AI 可以实现远超提高效率的承诺。如果到 2030 年，知识工作者的生产力能够翻两番，正如我们所相信的那样，未来五到十年，实际GDP的增长可能会加速并打破纪录。

ChatGPT 让消费者满意，让企业惊叹

自谷歌在 2017 年发明 Transformer 架构以来，经过多年的进步，ChatGPT 催化了公众对生成式 AI 的理解。不再仅仅是开发人员的工具，ChatGPT 的简单聊天界面使说任何语言的人都能够利用大语言模型 (LLM) 的强大功能。2023 年，企业争先恐后地理解和部署生成式 AI。

AI 已经显著提高了生产力

像 GitHub Copilot 和 Replit AI 这样的编码助手是早期的成功案例，它们提高了软件开发人员的生产力和工作满意度。AI助手正在提高知识工作者的绩效，有趣的是，它们对表现不佳的员工比高绩效者更有利。

基础模型正在跨领域改进

随着更大的训练数据集和更多参数，GPT-4 显著优于 GPT-3.5。越来越多的基础模型成为“多模态”——支持文本、图像、音频和视频——不仅更动态、更易于用户使用，而且性能也更高。

文生图模型正在重塑图形设计

在多伦多大学的研究人员首次推出现代文生图模型八年后，图像模型的输出现在已经可以媲美专业平面设计师的作品。人类设计师可以在几个小时内花费数百美元创建一个图像，例如一群大象穿过绿草地。文生图模型可以在几秒钟内以几分钱生成相同的图像。专业应用程序如 Adobe Photoshop 和消费者应用程序如 Lensa 和 ChatGPT 将图像模型集成到他们的产品和服务中。

创作文字内容的成本已经暴跌

在过去的世纪里，创作书面内容的成本在实际价值方面一直相对稳定。在过去两年里，随着 LLM 的写作质量提高，成本暴跌。

AI 训练性能正在迅速提高

AI 研究人员正在跨训练和推理、硬件和模型设计进行创新，以提高性能并降低成本。

训练成本继续每年下降 75%

根据Wright定律，加速计算硬件的改进应该使 AI 相对计算单元 (RCU) 的生产成本每年降低 53%，而算法模型的改进可以进一步将训练成本降低 47%。换句话说，硬件和软件的融合可以推动到 2030 年 AI 训练成本每年以 75% 的速度下降。

随着生产用例的出现，AI 的重点正在转移到推理成本

研究人员在最初专注于 LLM 训练成本优化之后，现在将推理成本作为优先事项。基于企业规模的用例，推理成本似乎以大约 86% 的年增长率下降，甚至比训练成本下降更快。今天，与 GPT-4 Turbo 相关的推理成本低于一年前的 GPT-3。

开源社区正在与私有模型竞争

为挑战 OpenAI 和谷歌的闭源模型，开源社区及其企业巨头 Meta 正在将生成式 AI 的访问民主化。总而言之，开源模型的性能提升速度比闭源模型更快，最近中国的一些模型也助了一臂之力。

语言模型性能提升需要细致的技术

GPT-4 在从 SAT 到高级酿酒师考试等标准化教育测试中，表现明显优于普通人类。然而，根据 WinnoGrande 的衡量，它在常识推理方面落后于人类水平。斯坦福大学的框架——语言模型整体评估 (HELM) 是最全面、不断更新的评估方法之一，其已经测试了 80 多个模型，针对 73 个场景和 65 个指标进行组合评估。

语言模型会用完数据，限制其性能吗？

计算能力和高质量的训练数据似乎是模型性能的主要贡献因素。随着模型变得越来越大，需要更多训练数据，数据不足会否导致模型性能停滞？Epoch AI 估计，到 2024 年，高质量的语言/数据来源，例如书籍和科学论文，可能会被耗尽，尽管仍存在大量未开发的视觉数据。

定制的人工智能产品应该拥有更大的定价权

随着开源替代品的出现和成本下降，将AI定制到最终用途应用程序的软件供应商应该能够更轻松地实现盈利。