订阅 wiki
Share wiki
Bookmark
Matthew Wang
Matthew Wang
Matthew Wang 是一位工程师、研究员和企业家，以其在人工智能、量化金融和区块链技术交叉领域的工作而闻名。他是 OpenGradient 的联合创始人兼首席执行官，OpenGradient 是一个研究实验室和 Layer 1 区块链平台，致力于为可验证的 AI 构建去中心化基础设施。在创立 OpenGradient 之前，Wang 曾在 Two Sigma 从事量化研究工作，并在 Google、Meta 和 NASA 担任工程职务。[1] [2]
教育背景
Wang 毕业于西北大学，于 2020 年获得电气与计算机工程理学学士学位。[1]
职业生涯
Wang 的职业生涯始于 2018 年，在 NASA 担任软件工程实习生，他的工作涉及初步的危害数据分析和建模。2019 年初，他在 Meta（当时的 Facebook）实习，为 Messenger 和 Instagram 的核心消息传递启发式基础设施做出了贡献。同年晚些时候，他加入 Google 担任机器学习工程实习生，从事 Google Ads 流量估算器的 AI 建模基础设施工作。[2] [1]
从 2020 年到 2024 年，Wang 在量化对冲基金 Two Sigma 工作。在他从事量化研究和工程的职位上，他专注于股票期权做市 (OMM) 研究和建模。2024 年，Wang 离开 Two Sigma 创立 OpenGradient。[1] [3]
OpenGradient
2024 年，Wang 联合创立了 OpenGradient，该平台被描述为“开放智能的 Layer 1”。他担任该公司的首席执行官。[4] 该项目的启动前提是通过构建用于可验证计算和用户拥有的数据的开放协议来解决现有 AI 系统中缺乏透明度的问题。[3]
该公司的既定使命是创建一个用于安全、开源 AI 的去中心化端到端平台，将其定位为 Web3 的替代方案，以取代像 Hugging Face 这样的中心化模型存储库。该平台旨在为托管 AI 模型、执行安全推理和运行链上 AI 代理提供基础设施。[5]
2024 年 10 月，OpenGradient 宣布已筹集了 850 万美元的种子轮融资。该轮融资得到了包括 a16z crypto、Coinbase Ventures、SV Angel、Foresight Ventures 和 Symbolic Capital 等风险投资公司的支持。天使投资人包括 Balaji Srinivasan（Coinbase 前首席技术官）、Illia Polosukhin（NEAR Protocol 联合创始人）和 Sandeep Nailwal（Polygon 联合创始人）。[3] [4]
技术和产品
OpenGradient 开发了一个完整的堆栈基础设施，用于将机器学习集成到 Web3 应用程序中。其技术堆栈包括几个关键组件：
- L1 网络： 一个专门为高性能、可扩展和可验证的 AI 工作流程设计的去中心化区块链。[4]
- MemSync： MemSync 于 2025 年 6 月宣布，是一种为 AI 模型创建持久、长期记忆的协议。它旨在将用户的数字足迹转换为 AI 兼容的数据库，从而使上下文和个性化可以在不同的 AI 应用程序之间移植。[3]
- 安全上下文协议： 一种使用端到端加密和硬件飞地（例如 可信执行环境 (TEE)）的协议，以促进与主要 AI 平台（如 OpenAI 的 ChatGPT、Anthropic 的 Claude 和 Google 的 Gemini）的安全和机密互操作。[4]
- 模型中心： 一个“Web3 AI 模型中心”，它充当一个去中心化的存储库，用于发现、部署和共享社区创建的 AI 模型。[4]
- 可验证推理 SDK： 一个 SDK，允许开发人员使用密码学证明（包括 zkML）和 TEE 的组合来保护 AI 推理，以确保在网络上执行的计算的完整性。[6]
用例
Wang 公开讨论了 OpenGradient 基础设施的几个实际应用，尤其是在去中心化金融 (DeFi) 和 AI 驱动的自动化方面。示例包括使用链上机器学习来优化交易费用并减轻自动做市商 (AMM) 流动性池的无常损失，以及增强贷款协议的风险模型。其他已确定的用例包括构建链上声誉系统，并使智能、自适应的 AI 代理能够执行复杂的自主任务。[7] [8]
出版物和研究
在他的学术和职业生涯中，Wang 撰写并合著了关于量化金融和机器学习的研究论文和其他著作。
他经过同行评审的作品包括 2020 年发表在 Journal of Risk and Financial Management 上的论文“使用隐马尔可夫模型的状态切换因子投资”。该论文探讨了使用隐马尔可夫模型对市场状态进行分类并动态调整因子投资策略。他还撰写了关于使用动态费用系统减轻 AMM 损失、算法稳定币发行以及在 Web3 中应用 AI 等主题的研究提案和文章。他的著作涵盖了零知识机器学习 (zkML)、去中心化 AI 推理和 DeFi 中的波动率预测等主题。[1]
公开露面
Wang 经常在行业会议上发表演讲，并参与访谈，讨论 OpenGradient 以及 AI 和 Web3 的交叉领域。
演讲
在 2025 年 3 月的 ETHDenver 上，Wang 发表了题为“去中心化计算支持实时自适应智能代理”的演讲。他概述了 AI 代理的三个阶段的演变，从信息合成器到自主任务执行器。Wang 认为数据访问、计算工作流程和互操作性是限制当前代理能力的关键挑战。他解释了 OpenGradient 的全栈链上基础设施（具有专用节点和安全数据管道）如何设计来解决这些限制，并支持为预测市场和 DeFi 等应用程序开发更复杂的 AI 代理。
小组讨论
2025 年 1 月，Wang 与来自 Iagent Protocol、Aethir 和 Chainbase 的代表一起参加了 台北区块链周 的“AI Meets Web3”小组讨论。他将 OpenGradient 描述为一个用于托管 AI 模型的去中心化平台，该平台强调安全集成和可验证的链上工作流程，这与中心化平台形成对比。讨论涵盖了将 Web2 用户引入 Web3、数据货币化以及 AI 代理在游戏和投资组合管理中的潜力等主题。[5]
在 2024 年 11 月的 Open AGI 峰会上，Wang 加入了一个关于“计算的未来”的小组，讨论中心化与去中心化架构。小组成员一致认为，用户需求（平衡性能、隐私和成本）应指导架构的选择。Wang 和其他人指出，虽然中心化系统通常提供卓越的性能，但去中心化解决方案提供成本效率和抗审查等优势。他承认了阻碍去中心化服务采用的可靠性和可用性挑战，但表示乐观，认为验证机制和隐私增强工具等新兴技术将推动未来的增长。[9]
Wang 还出现在 2024 年 11 月 NEAR Protocol 会议的“AI 新纪元”小组中。他讨论了他从量化建模到去中心化系统的转变，并强调了 OpenGradient 提供用于计算集成的开箱即用解决方案的目标。他描述了该平台用于 GPU、TEE 和 CPU 的交错定价模型，并给出了其在优化 AMM 交易费用和贷款协议风险模型中的实际用例。该小组还谈到了监管方面的考虑因素以及自主代理利用无需许可的计算的潜力。[7]
访谈
在 2024 年 12 月 NEAR AI Office Hours 的一次访谈中，Wang 讨论了 OpenGradient 的开发。他详细介绍了该平台将机器学习集成到 Web3 应用程序中的全栈方法，包括其去中心化模型中心。他解释了该架构如何依赖于专用节点来实现高效的 AI 推理，并使用 TEE 和密码学证明来验证计算完整性。Wang 提到 DeFi 和链上声誉系统是主要用例，并概述了通过持续的基础设施研究扩大 AI 在 Web3 中的采用的长期目标。[6]
社区参与
Wang 活跃于社交媒体，他在社交媒体上对 Web3 生态系统发表评论。他公开分析了去中心化交易所 Lighter.xyz，评论其零费用策略是一种市场捕获策略，并创建了一个社区工具来估算该平台的空投积分。他还比较了预测市场平台的用户体验，认为 Kalshi 的直接银行账户集成提供了优于 Polymarket 依赖于桥接到 Polygon 网络的卓越产品体验。[3]
挑战
2025 年 2 月，Wang 报告说，他被从 ETHDenver 会议的一个会外活动的专家组中除名。他在社交媒体上表示，除名是因为一个共同赞助组织认为 OpenGradient 是直接竞争对手。为了回应这一事件，他评论说：“如果你的护城河源于会议的影响力，我为你感到遗憾。”[3]
发现错误了吗？