當(dāng)前位置：主頁 > 區(qū)塊鏈 > 區(qū)塊鏈技術(shù) > AI+Crypto優(yōu)勢(shì)介紹

盤點(diǎn)AI+Crypto的8大真正優(yōu)勢(shì)和4個(gè)設(shè)想

2025-04-23 16:47:26 | 來源： | 作者：佚名

AI+ Crypto 是近期加密貨幣市場(chǎng)備受矚目的前沿領(lǐng)域之一，比如去中心化 AI 訓(xùn)練、GPU DePINs 以及抗審查的 AI 模型等,在這些令人眼花繚亂的進(jìn)展背后，我們不禁要問：這究竟是真正的科技突破還是只是在蹭熱點(diǎn)

盤點(diǎn)AI+Crypto的8大真正優(yōu)勢(shì)和4個(gè)設(shè)想！AI+ Crypto 是近期加密貨幣市場(chǎng)備受矚目的前沿領(lǐng)域之一，比如去中心化 AI 訓(xùn)練、GPU DePINs 以及抗審查的 AI 模型等。在這些令人眼花繚亂的進(jìn)展背后，我們不禁要問：這究竟是真正的科技突破還是只是在蹭熱點(diǎn)？本篇文章將為你撥開迷霧，剖析加密 x AI 設(shè)想和討論其中真正的挑戰(zhàn)和機(jī)遇，并揭示哪些是空洞的承諾，哪些又切實(shí)可行？那么AI+Crypto有什么優(yōu)勢(shì)呢？下面一起和腳本之家小編看看吧！

AI+Crypto 四個(gè)設(shè)想

設(shè)想#1：去中心化 AI 訓(xùn)練

鏈上 AI 訓(xùn)練的問題在于需要 GPU 間的高速通信和協(xié)調(diào)，因?yàn)樯窠?jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)需要反向傳播。 Nvidia 為此有兩項(xiàng)創(chuàng)新（NVLink 和 InfiniBand）。這些技術(shù)使 GPU 通信變得超快，但它們僅限本地技術(shù)，僅適用于位于單個(gè)數(shù)據(jù)中心內(nèi)的 GPU 集群（50+ 千兆位速度）。

如果引入去中心化網(wǎng)絡(luò)，由于網(wǎng)絡(luò)延遲和帶寬增加，速度會(huì)突然變慢幾個(gè)數(shù)量級(jí)。與從數(shù)據(jù)中心內(nèi)的 Nvidia 高速互連獲得的吞吐量相比，這種速度對(duì)于 AI 訓(xùn)練用例來說是不可能的。

請(qǐng)注意，以下也有創(chuàng)新可能會(huì)給未來帶來希望：

InfiniBand 上正大規(guī)模分布式訓(xùn)練，因?yàn)?NVIDIA 本身正在通過 NVIDIA Collective Communications Library 支持 InfiniBand 上的分布式非本地訓(xùn)練。然而，它仍處于新生階段，因此采用指標(biāo)尚待確定。距離上的物理定律瓶頸仍然存在，因此 InfiniBand 上的本地訓(xùn)練仍然要快得多。
已經(jīng)發(fā)表的一些關(guān)于去中心化訓(xùn)練的新研究，這些研究通信同步時(shí)間變少，可能會(huì)使去中心化訓(xùn)練在未來更加實(shí)用。
模型訓(xùn)練的智能分片和調(diào)度有助于提高性能。同樣，新的模型架構(gòu)可能是為未來的分布式基礎(chǔ)設(shè)施專門設(shè)計(jì)的（Gensyn 正在這些領(lǐng)域進(jìn)行研究）。

訓(xùn)練的數(shù)據(jù)部分也具有挑戰(zhàn)性。任何 AI 訓(xùn)練過程都涉及處理大量數(shù)據(jù)。通常，模型在具有高可擴(kuò)展性和性能的中心化安全數(shù)據(jù)存儲(chǔ)系統(tǒng)上進(jìn)行訓(xùn)練。這需要傳輸和處理數(shù) TB 的數(shù)據(jù)，并且這不是一次性周期。數(shù)據(jù)通常充滿噪音并且包含錯(cuò)誤，因此在訓(xùn)練模型之前必須對(duì)其進(jìn)行清理，并轉(zhuǎn)換為可用的格式。此階段涉及標(biāo)準(zhǔn)化、過濾和處理缺失值的重復(fù)任務(wù)。這些都在去中心化環(huán)境中面臨嚴(yán)峻挑戰(zhàn)。

訓(xùn)練的數(shù)據(jù)部分也是迭代的，這與 Web3 并不兼容。OpenAI 經(jīng)歷了數(shù)千次迭代才取得了其成果。在 AI 團(tuán)隊(duì)中，數(shù)據(jù)科學(xué)家最基本的任務(wù)場(chǎng)景包括定義目標(biāo)、準(zhǔn)備數(shù)據(jù)、分析和整理數(shù)據(jù)以提取重要見解，并使其適合建模。然后，開發(fā)機(jī)器學(xué)習(xí)模型來解決定義的問題，并使用測(cè)試數(shù)據(jù)集驗(yàn)證其性能。這個(gè)過程是迭代的：如果當(dāng)前模型表現(xiàn)不如預(yù)期，專家會(huì)返回到數(shù)據(jù)收集或模型訓(xùn)練階段以改進(jìn)結(jié)果。想象一下，這個(gè)過程如果在去中心化環(huán)境中進(jìn)行，最先進(jìn)的現(xiàn)有框架和工具在 Web3 中適配就變得不容易了。

另一個(gè)在鏈上訓(xùn)練 AI 模型的問題是，相較于推理，這個(gè)市場(chǎng)要無趣得多。目前，AI 大型語言模型的訓(xùn)練需要大量的 GPU 計(jì)算資源。從長遠(yuǎn)來看，推理將成為 GPU 的主要應(yīng)用場(chǎng)景。試想為了滿足全球需求，需要訓(xùn)練多少個(gè) AI 大型語言模型，與使用這些模型的客戶數(shù)量相比，哪個(gè)又更多？

設(shè)想#2：使用過度冗余的 AI 推理計(jì)算來達(dá)成共識(shí)

關(guān)于加密與 AI 的另一個(gè)挑戰(zhàn)是驗(yàn)證 AI 推理的準(zhǔn)確性，因?yàn)槟銦o法完全信任單一的中心化方來執(zhí)行推理操作，節(jié)點(diǎn)存在可能出現(xiàn)不當(dāng)行為的潛在風(fēng)險(xiǎn)。這種挑戰(zhàn)在 Web2 AI 中不存在，因?yàn)闆]有去中心化共識(shí)系統(tǒng)。

解決方案是冗余計(jì)算，讓多個(gè)節(jié)點(diǎn)重復(fù)同樣的 AI 推理操作，這樣可以在無需信任的環(huán)境中運(yùn)行，避免單點(diǎn)故障。

然而這種方法的問題在于，高端 AI 芯片極度短缺。高端 NVIDIA 芯片的等待時(shí)間長達(dá)數(shù)年導(dǎo)致價(jià)格上漲。如果你要求 AI 推理在多個(gè)節(jié)點(diǎn)上多次重新執(zhí)行，那么就會(huì)成倍增加高昂成本，這對(duì)許多項(xiàng)目來說是不可行的。

設(shè)想#3：近期特定于 Web3 的 AI 用例

有人建議 Web3 應(yīng)該有自己獨(dú)特的、專門針對(duì) Web3 客戶的 AI 用例。這可以是（例如）使用 AI 對(duì) DeFi 池進(jìn)行風(fēng)險(xiǎn)評(píng)分的 Web3 協(xié)議、根據(jù)錢包歷史記錄為用戶建議新協(xié)議的 Web3 錢包，或者使用 AI 控制非玩家角色的 Web3 游戲（ NPC）。

目前來看，這是一個(gè)初創(chuàng)市場(chǎng)（在短期內(nèi)），其中使用案例仍在探索階段。一些挑戰(zhàn)包括：

由于市場(chǎng)需求仍處于起步階段，Web3 原生用例所需的潛在 AI 交易較少。
客戶較少，與 Web2 客戶相比，Web3 客戶少了幾個(gè)數(shù)量級(jí)，因此市場(chǎng)的去中心化程度較低。
客戶本身不太穩(wěn)定，因?yàn)樗麄兪琴Y金較少的初創(chuàng)公司，一些初創(chuàng)公司可能會(huì)隨著時(shí)間的推移而消亡。而滿足 Web3 客戶的 Web3 AI 服務(wù)提供商可能需要重新獲得部分客戶群，以取代那些已經(jīng)消失的客戶群，這使得擴(kuò)展業(yè)務(wù)變得極具挑戰(zhàn)性。

長遠(yuǎn)來看，我們非常看好 Web3 原生的 AI 用例，特別是隨著 AI 代理變得更加普遍。我們想象未來任何特定的 Web3 用戶都會(huì)有大量的 AI 代理，來幫助自己完成任務(wù)。

設(shè)想#4：消費(fèi)級(jí) GPU DePIN

有許多依賴消費(fèi)級(jí) GPU 而不是數(shù)據(jù)中心的去中心化 AI 計(jì)算網(wǎng)絡(luò)。消費(fèi)類 GPU 非常適合低端 AI 推理任務(wù)或延遲、吞吐量和可靠性靈活的消費(fèi)用例。但對(duì)于嚴(yán)肅的企業(yè)用例（這是重要的市場(chǎng)的大多數(shù)），與家用機(jī)器相比，客戶需要更高可靠性的網(wǎng)絡(luò)，并且如果他們有更復(fù)雜的推理任務(wù)，通常需要更高端的 GPU。數(shù)據(jù)中心更適合這些更有價(jià)值的客戶用例。

請(qǐng)注意，我們認(rèn)為消費(fèi)級(jí) GPU 適用于演示，以及能夠容忍較低可靠性的個(gè)人和初創(chuàng)企業(yè)。但這些客戶價(jià)值較低，因此我們認(rèn)為專為 Web2 企業(yè)定制的 DePINs，長期來看將更有價(jià)值。因此，GPU DePIN 項(xiàng)目已經(jīng)從早期主要使用消費(fèi)級(jí)硬件，發(fā)展為具備 A100/H100 和集群級(jí)可用性的情況。

現(xiàn)實(shí)——加密貨幣 x AI 的實(shí)際用例

現(xiàn)在我們討論能提供真正好處的用例。這些才是真正的勝利，加密貨幣 x AI 可以增加明顯的價(jià)值。

AI+Crypto 8個(gè)真正優(yōu)勢(shì)

真正好處#1：為 Web2 客戶提供服務(wù)

麥肯錫估計(jì)，在分析的 63 個(gè)用例中，生成式 AI 每年可以增加相當(dāng)于 2.6 萬億至 4.4 萬億美元的收入——相比之下，英國 2021 年 GDP 總額為 3.1 萬億美元。這將使 AI 的影響力增加 15% 至 40%。如果我們將生成式 AI 嵌入到目前用于用例之外的其他任務(wù)軟件中的影響考慮在內(nèi)，估計(jì)影響力大約會(huì)增加一倍。

如果你根據(jù)上述估計(jì)進(jìn)行計(jì)算，這意味著全球 AI（超越生成 AI）的總市場(chǎng)價(jià)值可能達(dá)到數(shù)十萬億美元。相比之下，今天所有加密貨幣（包括比特幣和所有山寨幣）的總價(jià)值僅為 2.7 萬億美元左右。因此，讓我們面對(duì)現(xiàn)實(shí)吧：短期內(nèi)需要 AI 的絕大多數(shù)客戶將是 Web2 客戶，因?yàn)檎嬲枰?AI 的 Web3 客戶將只占這 2.7 萬億美元的一小部分（考慮到 BTC 是這個(gè)市場(chǎng)，比特幣本身不需要 / 使用 AI）。

Web3 AI 用例才剛剛開始，目前還不清楚該市場(chǎng)規(guī)模有多大。但有一點(diǎn)是肯定的——可預(yù)見的未來，它僅占 Web2 市場(chǎng)中的一小部分。我們相信 Web3 AI 仍然有光明未來，但這僅僅意味著 Web3 AI 目前最強(qiáng)大的應(yīng)用是服務(wù) Web2 客戶。

假設(shè)可以從 Web3 AI 中受益的 Web2 客戶示例包括：

從頭開始構(gòu)建以 AI 為中心的垂直特定軟件公司（例如 Cedar.ai 或 Observe.ai）
為了自己目的而微調(diào)模型的大型企業(yè)（例如 Netflix）
快速增長的 AI 提供商（例如 Anthropic）
將 AI 融入現(xiàn)有產(chǎn)品的軟件公司（例如 Canva）

這是相對(duì)穩(wěn)定的客戶角色，因?yàn)榭蛻敉ǔＲ?guī)模大且有價(jià)值。他們不太可能很快倒閉，而且他們代表了 AI 服務(wù)的巨大潛在客戶。為 Web2 客戶提供服務(wù)的 Web3 AI 服務(wù)將受益于這些穩(wěn)定的客戶群。

但為什么 Web2 客戶想要使用 Web3 堆棧呢？這篇文章的接下來部分闡述了這種情況。

真正好處#2：通過 GPU DePIN 降低 GPU 使用成本

GPU DePIN 聚合了未充分利用的 GPU 計(jì)算能力（其中最可靠的來自數(shù)據(jù)中心），并使其可用于 AI 推理。類比該問題的簡單方法是「GPU 中的 Airbnb」。

我們對(duì) GPU DePIN 感到興奮的原因是，如上所述，NVIDIA 芯片短缺，而且目前有浪費(fèi)的 GPU 周期可用于 AI 推理。這些硬件所有者付出沉沒成本，并且目前沒有充分利用設(shè)備，因此與現(xiàn)狀相比，可以以低得多的成本提供這些部分 GPU ，因?yàn)檫@實(shí)際上為硬件所有者「找到了錢」。

示例包括：

AWS 機(jī)器。如果你今天要從 AWS 租用 H100，則必須承諾為期 1 年的租賃，因?yàn)槭袌?chǎng)供應(yīng)有限。這會(huì)產(chǎn)生浪費(fèi)，因?yàn)槟憧赡懿粫?huì)每年 365 天、每周 7 天都使用 GPU。
Filecoin 挖礦硬件。 Filecoin 有大量補(bǔ)貼供應(yīng)但沒有大量實(shí)際需求。Filecoin 從未找到真正產(chǎn)品市場(chǎng)契合點(diǎn)，因此 Filecoin 礦工面臨倒閉的風(fēng)險(xiǎn)。這些機(jī)器配備 GPU，可以重新用于低端 AI 推理任務(wù)。
ETH 挖礦硬件。當(dāng)以太坊從 PoW 過渡到 PoS 時(shí)，這就快速釋放了大量硬件，可以重新用于 AI 推斷。

注意，并非所有 GPU 硬件都適合 AI 推理。造成這種情況的一個(gè)明顯原因是，較舊的 GPU 沒有 LLMs 所需的 GPU 內(nèi)存量，盡管已經(jīng)有一些有趣的創(chuàng)新可以在這方面提供幫助。例如，Exabits 的技術(shù)可以將活動(dòng)神經(jīng)元加載到 GPU 內(nèi)存中，將不活動(dòng)神經(jīng)元加載到 CPU 內(nèi)存中。他們預(yù)測(cè)哪些神經(jīng)元需要活躍 / 不活躍。這使得低端 GPU 能夠處理 AI 工作負(fù)載，即使 GPU 內(nèi)存有限。這有效地使低端 GPU 對(duì)于 AI 推理更加有用。

Web3 AI DePINs 需隨著時(shí)間的推移發(fā)展其產(chǎn)品，并提供企業(yè)級(jí)服務(wù)，例如單點(diǎn)登錄、SOC 2 合規(guī)性、服務(wù)級(jí)協(xié)議（SLA）等。這類似于當(dāng)前云服務(wù)提供商為 Web2 客戶提供的服務(wù)。

真正好處#3：抗審查的模型以避免 OpenAI 自我審查

關(guān)于 AI 審查制度的討論很多。例如土耳其暫時(shí)禁止了 OpenAI（后來 OpenAI 提高了合規(guī)性，他們就改變了做法）。我們認(rèn)為國家級(jí)的審查制度是無趣的，因?yàn)楦鲊枰捎?AI 來保持競(jìng)爭力。

OpenAI 也會(huì)進(jìn)行自我審查。例如，OpenAI 不會(huì)處理 NSFW 內(nèi)容。 OpenAI 也不會(huì)預(yù)測(cè)下一次總統(tǒng)選舉。我們認(rèn)為 AI 用例不僅有趣，而且市場(chǎng)巨大，但 OpenAI 出于政治原因不會(huì)觸及該市場(chǎng)。

開源是個(gè)很好的解決方案，因?yàn)?Github 存儲(chǔ)庫不受股東或董事會(huì)的影響。 Venice.ai 就是一例，它承諾保護(hù)隱私并以抗審查的方式運(yùn)營。 Web3 AI 可以有效地提升其水平，即在成本較低的 GPU 集群上為這些開源軟件 (OSS) 模型提供支持，以執(zhí)行推理。正是由于這些原因，我們相信 OSS + Web3 為抗審查的 AI 鋪平道路的理想組合。

真正好處#4：避免向 OpenAI 發(fā)送個(gè)人身份信息

大型企業(yè)對(duì)其內(nèi)部數(shù)據(jù)存在隱私擔(dān)憂。對(duì)于這些客戶來說，信任 OpenAI 第三方擁有這些數(shù)據(jù)可能很難。

Web3 中，對(duì)這些企業(yè)來說，他們的內(nèi)部數(shù)據(jù)突然出現(xiàn)在去中心化網(wǎng)絡(luò)上,可能看起來更加令人擔(dān)憂（表面上）。然而，針對(duì) AI 的隱私增強(qiáng)技術(shù)中存在創(chuàng)新：

可信執(zhí)行環(huán)境（TEE），例如 Super Protocol

全同態(tài)加密 (FHE)，例如 Fhenix.io（Hack VC 管理的基金的投資組合公司）或 Inco Network（均由 Zama.ai 提供支持），以及 Bagel 的 PPML

這些技術(shù)仍在不斷發(fā)展，并且通過即將推出的零知識(shí) (ZK) 和 FHE ASIC，性能仍在不斷提高。但長期目標(biāo)是在微調(diào)模型時(shí)保護(hù)企業(yè)數(shù)據(jù)。隨著這些協(xié)議的出現(xiàn)，Web3 可能會(huì)成為隱私保護(hù) AI 計(jì)算更具吸引力的場(chǎng)所。

真正好處#5：利用開源模型的最新創(chuàng)新

過去幾十年來，開源軟件一直在蠶食專有軟件的市場(chǎng)份額。我們將 LLM 視為某種專有軟件形式，足以破壞 OSS。值得注意的挑戰(zhàn)者例子包括 Llama、RWKV 和 Mistral.ai。隨著時(shí)間的推移，這個(gè)列表無疑會(huì)不斷增長（更全面的列表可以在 Openrouter.ai 上找到）。通過利用 Web3 AI（由 OSS 模型提供支持），人們可以利用這些新的創(chuàng)新來創(chuàng)新。

我們相信，隨著時(shí)間的推移，開源的全球開發(fā)隊(duì)伍與加密貨幣激勵(lì)措施相結(jié)合，可以推動(dòng)開源模型以及建立在其之上的代理和框架的快速創(chuàng)新。 AI 代理協(xié)議的一個(gè)例子是 Theoriq。 Theoriq 利用 OSS 模型創(chuàng)建一個(gè)可組合的 AI 代理互連網(wǎng)絡(luò)，可以將其組裝起來創(chuàng)建更高級(jí)別的 AI 解決方案。

我們之所以對(duì)此充滿信心，是因?yàn)檫^去，隨著時(shí)間的推移，大多數(shù)「開發(fā)者軟件」的創(chuàng)新慢慢被 OSS 超越。微軟曾經(jīng)是一家專有軟件公司，現(xiàn)在他們是為 Github 做出貢獻(xiàn)的排名第一的公司。這是有原因的，如果你看看 Databricks、PostGresSQL、MongoDB 和其他公司如何顛覆專有數(shù)據(jù)庫，那就是 OSS 顛覆整個(gè)行業(yè)的一個(gè)例子，所以這里的先例非常有說服力。

然而，這其中也有一個(gè)問題。開源大型語言模型（OSS LLMs）的一個(gè)棘手之處在于，OpenAI 已經(jīng)開始與一些組織簽訂付費(fèi)數(shù)據(jù)許可協(xié)議。如果這一趨勢(shì)繼續(xù)下去，開源大型語言模型可能會(huì)因?yàn)楂@取數(shù)據(jù)的財(cái)務(wù)障礙而更難以競(jìng)爭。Nvidia 可能會(huì)進(jìn)一步加強(qiáng)對(duì)保密計(jì)算的投入，以作為安全數(shù)據(jù)共享的助力。時(shí)間將揭示這一切的發(fā)展。

真正好處#6：通過高削減成本的隨機(jī)抽樣或通過 ZK 證明達(dá)成共識(shí)

Web3 AI 推理的挑戰(zhàn)之一是驗(yàn)證。假設(shè)驗(yàn)證者有機(jī)會(huì)欺騙他們的結(jié)果來賺取費(fèi)用，因此驗(yàn)證推論是一項(xiàng)重要措施。請(qǐng)注意，這種作弊行為實(shí)際上尚未發(fā)生，因?yàn)?AI 推理還處于起步階段，但除非采取措施抑制這種行為，否則這是不可避免的。

標(biāo)準(zhǔn)的 Web3 方法是讓多個(gè)驗(yàn)證器重復(fù)相同的操作并比較結(jié)果。如前所述，這一問題面臨的突出挑戰(zhàn)是，由于目前高端 Nvidia 芯片的短缺，AI 推理的成本非常昂貴。鑒于 Web3 可以通過未充分利用的 GPU DePIN 提供更低成本的推理，冗余計(jì)算將嚴(yán)重削弱 Web3 的價(jià)值主張。

更有前途的解決方案是為鏈下 AI 推理計(jì)算執(zhí)行 ZK 證明。在這種情況下，可以驗(yàn)證簡潔的 ZK 證明，以確定模型是否經(jīng)過正確訓(xùn)練，或者推理是否正確運(yùn)行（稱為 zkML）。例子包括 Modulus Labs 和 ZKonduit。由于 ZK 操作是計(jì)算密集型的，因此這些解決方案的性能仍處于初級(jí)階段。不過，我們預(yù)計(jì)隨著 ZK 硬件 ASIC 在不久的將來發(fā)布，情況會(huì)得到改善。

更有希望的是一種，有點(diǎn)「Optimistic」基于采樣的 AI 推理方法設(shè)想。在這個(gè)模型中，只需驗(yàn)證驗(yàn)證者生成結(jié)果的一小部分即可，但將大幅削減的經(jīng)濟(jì)成本設(shè)置得足夠高，這樣如果被發(fā)現(xiàn)，就會(huì)對(duì)驗(yàn)證者的作弊產(chǎn)生強(qiáng)大的經(jīng)濟(jì)抑制作用。通過這種方式，你可以節(jié)省冗余計(jì)算。

另一個(gè)有前途的設(shè)想是水印和指紋解決方案，例如 Bagel Network 提出的解決方案。這類似于 Amazon Alexa 為其數(shù)百萬臺(tái)設(shè)備提供設(shè)備內(nèi) AI 模型質(zhì)量保證的機(jī)制。

真正好處#7：通過 OSS 節(jié)省費(fèi)用（OpenAI 的利潤）

Web3 為 AI 帶來的下一個(gè)機(jī)會(huì)是成本民主化。到目前為止，我們已經(jīng)討論了通過 DePIN 節(jié)省 GPU 成本。但 Web3 還提供了節(jié)省中心化 Web2 AI 服務(wù)利潤率的機(jī)會(huì)（例如 OpenAI，截至撰寫本文時(shí)，其年收入超過 10 億美元）。這些成本節(jié)省來自于這樣一個(gè)事實(shí)：使用 OSS 模型而不是專有模型來實(shí)現(xiàn)額外的節(jié)省，因?yàn)槟Ｐ蛣?chuàng)建者并不試圖盈利。

許多 OSS 模型將保持完全免費(fèi)，從而為客戶帶來最佳的經(jīng)濟(jì)效益。但可能也有些 OSS 模型也在嘗試這些貨幣化方法?？紤]一下 Hugging Face 上所有模型中只有 4% 是由有預(yù)算來幫助補(bǔ)貼模型的公司訓(xùn)練的。其余 96% 的模型由社區(qū)訓(xùn)練。這個(gè)群體（96% 的 Hugging Face）具有基本的實(shí)際成本（包括計(jì)算成本和數(shù)據(jù)成本）。因此，這些模型將需要以某種方式貨幣化。

有一些提議可以實(shí)現(xiàn)開源軟件模型的貨幣化。其中最有趣的之一是「初始模型發(fā)行」的概念，即將模型本身進(jìn)行代幣化，保留一部分代幣給團(tuán)隊(duì)，將模型未來的一些收入流向代幣持有者，盡管在這方面肯定存在一些法律和監(jiān)管障礙。

其他 OSS 模型將嘗試通過使用來貨幣化。請(qǐng)注意，如果這成為現(xiàn)實(shí)，OSS 模型可能會(huì)開始越來越類似于其 Web2 盈利模型。但實(shí)際上，市場(chǎng)將分為兩部分，一些模型仍然完全免費(fèi)。

真正好處#8：去中心化的數(shù)據(jù)源

AI 面臨的最大挑戰(zhàn)之一是尋找正確的數(shù)據(jù)來訓(xùn)練模型。我們之前提到去中心化 AI 訓(xùn)練有其挑戰(zhàn)。但是使用去中心化網(wǎng)絡(luò)來獲取數(shù)據(jù)怎么樣（然后可以將其用于其他地方的訓(xùn)練，甚至在傳統(tǒng)的 Web2 場(chǎng)所）？

這正是像 Grass 這樣的初創(chuàng)公司正在做的事情。 Grass 是一個(gè)由「數(shù)據(jù) 抓取者」組成的去中心化網(wǎng)絡(luò)，這些人將機(jī)器的閑置處理能力貢獻(xiàn)給數(shù)據(jù)源，為 AI 模型的訓(xùn)練提供信息。假設(shè)，從規(guī)模上看，由于大型激勵(lì)節(jié)點(diǎn)網(wǎng)絡(luò)的強(qiáng)大力量，這種數(shù)據(jù)源可以優(yōu)于任何一家公司的內(nèi)部數(shù)據(jù)源工作。這不僅包括獲取更多數(shù)據(jù)，還包括更頻繁地獲取數(shù)據(jù)，以使數(shù)據(jù)更加相關(guān)和最新。事實(shí)上，阻止去中心化的數(shù)據(jù) 抓取大軍也是不可能的，因?yàn)樗鼈儽举|(zhì)上是去中心化的，并且不駐留在單個(gè) IP 地址內(nèi)。他們還有個(gè)可以清理和標(biāo)準(zhǔn)化數(shù)據(jù)的網(wǎng)絡(luò)，以便數(shù)據(jù)在被抓取后有用。

獲得數(shù)據(jù)后，你還需要位置將其存儲(chǔ)在鏈上，以及使用該數(shù)據(jù)生成的 LLMs。

注意，未來數(shù)據(jù)在 Web3 AI 中的作用可能會(huì)發(fā)生變化。如今，LLMs 的現(xiàn)狀是使用數(shù)據(jù)預(yù)訓(xùn)練模型，并隨著時(shí)間的推移使用更多數(shù)據(jù)對(duì)其進(jìn)行完善。然而，由于互聯(lián)網(wǎng)上的數(shù)據(jù)是實(shí)時(shí)變化的，這些模型總是有點(diǎn)過時(shí)。因此，LLM 推斷的響應(yīng)稍微不準(zhǔn)確。

未來的發(fā)展方向可能是一種新范式——「實(shí)時(shí)」數(shù)據(jù)。這個(gè)概念是，當(dāng)一個(gè)大型語言模型（LLM）被問到推理問題時(shí)，LLM 可以通過提示傳輸并注入數(shù)據(jù)，而這些數(shù)據(jù)是實(shí)時(shí)從互聯(lián)網(wǎng)重收集的。這樣，LLM 可以使用最新的數(shù)據(jù)。Grass 就在研究這部分內(nèi)容。

特別致謝以下人士對(duì)本文的反饋和幫助：Albert Castellana、 Jasper Zhang、Vassilis Tziokas、 Bidhan Roy、Rezo, Vincent Weisser、Shashank Yadav、Ali Husain、Nukri Basharuli、Emad Mostaque、David Minarsch、Tommy Shaughnessy、Michael Heinrich、Keccak Wong、 Marc Weinstein、 Phillip Bonello、Jeff Amico、Ejaaz Ahamadeen、Evan Feng、 JW Wang。

以上就是腳本之家小編給大家分享的AI+Crypto的8個(gè)優(yōu)勢(shì)和4個(gè)設(shè)想，希望此篇文章能夠幫助大家更好的了解AI+Crypto！

聲明：文章內(nèi)容不代表本站觀點(diǎn)及立場(chǎng)，不構(gòu)成本平臺(tái)任何投資建議。本文內(nèi)容僅供參考，風(fēng)險(xiǎn)自擔(dān)！