當(dāng)前位置：主頁(yè) > 區(qū)塊鏈 > 區(qū)塊鏈技術(shù) > Crypto+AI未來(lái)發(fā)展趨勢(shì)解讀

Crypto+AI有什么好處?盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)

2024-12-18 10:05:13 | 來(lái)源： | 作者：佚名

一文盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)！本篇文章將為你撥開(kāi)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

Crypto+AI值得關(guān)注的未來(lái)發(fā)展趨勢(shì)以及Crypto+AI未來(lái)有啥好處？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(wèn)：這究竟是真正的科技突破還是只是在蹭熱點(diǎn)？下面就和腳本之家小編詳細(xì)了解下吧！

盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)

值得關(guān)注的十大Crypto+AI趨勢(shì)

1.智能體間的交互 (Agent-to-Agent Interaction)

區(qū)塊鏈因其天然的透明性和可組合性，成為實(shí)現(xiàn)智能體間無(wú)縫交互的理想平臺(tái)。在這種交互中，由不同機(jī)構(gòu)為不同目的開(kāi)發(fā)的智能體可以協(xié)作完成任務(wù)。目前已有一些令人興奮的嘗試，例如智能體之間相互轉(zhuǎn)賬、一起發(fā)行代幣等。我們期待智能體間的交互能夠進(jìn)一步擴(kuò)展：一方面創(chuàng)造全新的應(yīng)用場(chǎng)景，例如由智能體驅(qū)動(dòng)的新型社交平臺(tái)；另一方面優(yōu)化現(xiàn)有的企業(yè)工作流程，例如平臺(tái)認(rèn)證、微支付、跨平臺(tái)工作流集成等，從而簡(jiǎn)化如今復(fù)雜繁瑣的操作流程。- Danny、Katie、Aadharsh、Dmitriy

盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)

aethernet 和 clanker 在 Warpcast 上共同發(fā)行 Token

2.去中心化智能體組織 (Decentralized Agentic Organizations)

大規(guī)模多智能體協(xié)作是另一個(gè)令人振奮的研究方向。多智能體系統(tǒng)如何協(xié)同完成任務(wù)、解決問(wèn)題，甚至管理協(xié)議和系統(tǒng)？在 2024 年初的文章《加密 + AI 應(yīng)用的承諾與挑戰(zhàn)》中，Vitalik 提出了利用 AI 智能體進(jìn)行預(yù)測(cè)市場(chǎng)和裁決的設(shè)想。他認(rèn)為，在大規(guī)模應(yīng)用中，多智能體系統(tǒng)在“真相”發(fā)現(xiàn)和自治治理方面有著巨大的潛力。我們期待看到這種多智能體系統(tǒng)的能力如何被進(jìn)一步發(fā)掘，以及“群體智能”如何在實(shí)驗(yàn)中展現(xiàn)出更多可能性。

此外，智能體與人類的協(xié)作也是一個(gè)值得探索的方向。比如，社區(qū)如何圍繞智能體展開(kāi)互動(dòng)，或者智能體如何組織人類完成集體行動(dòng)。我們希望看到更多以大規(guī)模人類協(xié)作為目標(biāo)的智能體實(shí)驗(yàn)。當(dāng)然，這需要配備某種驗(yàn)證機(jī)制，特別是在任務(wù)由鏈下完成的情況下。但這種探索可能會(huì)帶來(lái)一些意想不到的奇妙結(jié)果。- Katie、Dmitriy、Ash

3.智能體驅(qū)動(dòng)的多媒體娛樂(lè) (Agentic Multimedia Entertainment)

數(shù)字化虛擬人格的概念已經(jīng)存在多年。例如，初音未來(lái) (Hatsune Miku, 2007) 曾在 2 萬(wàn)座席的場(chǎng)館舉辦售罄演唱會(huì)；Lil Miquela ( 2016) 在 Instagram 上擁有超過(guò) 200 萬(wàn)粉絲。最近的例子包括 AI 虛擬主播 Neuro-sama ( 2022)，其在 Twitch 上的訂閱量已超過(guò) 60 萬(wàn)；以及匿名 Kpop 男團(tuán) PLAVE ( 2023)，其在不到兩年的時(shí)間里在 YouTube 上的觀看量已突破 3 億次。隨著 AI 技術(shù)的進(jìn)步以及區(qū)塊鏈在支付、價(jià)值轉(zhuǎn)移和開(kāi)放數(shù)據(jù)平臺(tái)中的應(yīng)用，這些智能體有望變得更加自主，并可能在 2025 年開(kāi)啟一個(gè)全新的主流娛樂(lè)類別。- Katie、Dmitriy

盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)

從左上順時(shí)針：初音未來(lái)、Virtuals 的 Luna、Lil Miquela 和 PLAVE

4.生成式/智能體驅(qū)動(dòng)的內(nèi)容營(yíng)銷 (Generative/Agentic Content Marketing)

在某些情況下，智能體本身是產(chǎn)品，而在另一些情況下，智能體則可以成為產(chǎn)品的補(bǔ)充。在注意力經(jīng)濟(jì)中，持續(xù)輸出吸引人的內(nèi)容是任何想法、產(chǎn)品或公司成功的關(guān)鍵。生成式/智能體驅(qū)動(dòng)的內(nèi)容為團(tuán)隊(duì)提供了一個(gè)強(qiáng)大的工具，可以確保一個(gè)可擴(kuò)展、全天候的內(nèi)容創(chuàng)作渠道。這一領(lǐng)域因“memecoin 與智能體的區(qū)別”這一話題的討論而加速發(fā)展。智能體是 memecoin 實(shí)現(xiàn)傳播的一個(gè)強(qiáng)大工具，即使它們還未完全實(shí)現(xiàn)“智能體化”。

另一個(gè)例子是，游戲行業(yè)為了保持用戶參與度，正越來(lái)越多地追求動(dòng)態(tài)化。一種經(jīng)典的方法是引導(dǎo)用戶生成內(nèi)容，而純粹的生成式內(nèi)容（如游戲內(nèi)物品、NPC，甚至完全生成的關(guān)卡）可能成為這一趨勢(shì)的下一個(gè)階段。我們很好奇， 2025 年智能體的能力將如何進(jìn)一步擴(kuò)展內(nèi)容分發(fā)和用戶互動(dòng)的邊界。- Katie

5.下一代藝術(shù)工具/平臺(tái) (Next-Gen Art Tools/Platforms)

在 2024 年，我們推出了 IN CONVERSATION WITH 系列，這是一個(gè)與音樂(lè)、視覺(jué)藝術(shù)、設(shè)計(jì)、策展等領(lǐng)域的加密藝術(shù)家對(duì)話的訪談節(jié)目。今年的訪談讓我注意到一個(gè)趨勢(shì)：對(duì)加密技術(shù)感興趣的藝術(shù)家通常也對(duì)前沿技術(shù)充滿熱情，并希望這些技術(shù)能夠更深地融入他們的創(chuàng)作實(shí)踐，例如 AR/VR 對(duì)象、代碼生成藝術(shù)以及實(shí)時(shí)編碼 (livecoding)。

生成藝術(shù) (Generative Art) 與區(qū)塊鏈技術(shù)的結(jié)合由來(lái)已久，這也讓區(qū)塊鏈成為 AI 藝術(shù)的理想載體。在傳統(tǒng)平臺(tái)中，展示和呈現(xiàn)這些藝術(shù)形式非常困難。而 ArtBlocks 則為數(shù)字藝術(shù)如何通過(guò)區(qū)塊鏈實(shí)現(xiàn)展示、存儲(chǔ)、貨幣化和保存提供了一個(gè)初步的探索，極大地改善了藝術(shù)家與觀眾的體驗(yàn)。此外，AI 工具還讓普通人也能輕松創(chuàng)作自己的藝術(shù)作品。我們非常期待在 2025 年，區(qū)塊鏈如何進(jìn)一步提升這些工具的能力。- Katie

KC: 既然你對(duì)加密文化感到挫敗并存在不認(rèn)同的地方，那是什么促使你仍然選擇參與 Web3？Web3 為你的創(chuàng)作實(shí)踐帶來(lái)了哪些價(jià)值？是實(shí)驗(yàn)性的探索、經(jīng)濟(jì)回報(bào)，還是其他方面？

MM: 對(duì)我來(lái)說(shuō)，Web3 在多個(gè)方面對(duì)我個(gè)人以及其他藝術(shù)家都有積極影響。就我個(gè)人而言，那些支持發(fā)布生成藝術(shù)的平臺(tái)對(duì)我的創(chuàng)作尤為重要。比如，你可以上傳一個(gè) JavaScript 文件，當(dāng)有人鑄造或收藏一件作品時(shí)，代碼會(huì)實(shí)時(shí)運(yùn)行，并在你設(shè)計(jì)的系統(tǒng)中生成獨(dú)特的藝術(shù)作品。這種實(shí)時(shí)生成的過(guò)程，是我創(chuàng)作實(shí)踐中的核心部分。在我編寫和構(gòu)建的系統(tǒng)中引入隨機(jī)性，無(wú)論是從概念上還是技術(shù)上，都深刻影響了我對(duì)藝術(shù)的思考方式。然而，如果不是在專門為這種藝術(shù)形式設(shè)計(jì)的平臺(tái)上展示，或者是在傳統(tǒng)畫廊中展示，往往很難向觀眾傳達(dá)這一過(guò)程。

在畫廊中，可能會(huì)展示一個(gè)通過(guò)投影或屏幕實(shí)時(shí)運(yùn)行的算法，或者展示由算法生成的多個(gè)輸出中挑選出的作品，并以某種方式轉(zhuǎn)化為實(shí)體形式進(jìn)行展覽。但對(duì)于那些對(duì)代碼作為藝術(shù)媒介不太熟悉的觀眾來(lái)說(shuō)，他們很難理解這種創(chuàng)作過(guò)程中隨機(jī)性的意義，而這種隨機(jī)性正是所有以生成方式使用軟件的藝術(shù)家實(shí)踐中的重要部分。當(dāng)作品的最終呈現(xiàn)形式僅僅是一張發(fā)布在 Instagram 上的圖片，或者是一件打印出來(lái)的實(shí)體作品時(shí)，我有時(shí)會(huì)覺(jué)得很難向觀眾強(qiáng)調(diào)作品中“代碼作為創(chuàng)作媒介”的這一核心理念。

NFT 的出現(xiàn)讓我感到振奮，因?yàn)樗粌H提供了一個(gè)展示生成藝術(shù)的平臺(tái)，還幫助普及了“代碼作為藝術(shù)媒介”這一概念，讓更多人能夠理解這種創(chuàng)作方式的獨(dú)特性和價(jià)值。

盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)

摘自 IN CONVERSATION WITH：Maya Man

6.數(shù)據(jù)市場(chǎng) (Data Markets)

自 Clive Humby 提出“數(shù)據(jù)是新石油”這一觀點(diǎn)以來(lái)，企業(yè)紛紛采取措施囤積并貨幣化用戶數(shù)據(jù)。然而，用戶逐漸意識(shí)到自己的數(shù)據(jù)是這些巨頭公司賴以生存的基石，卻幾乎無(wú)法控制數(shù)據(jù)的使用方式，也未能從中獲得收益。隨著強(qiáng)大 AI 模型的快速發(fā)展，這一矛盾愈發(fā)尖銳。一方面，我們需要解決用戶數(shù)據(jù)被濫用的問(wèn)題；另一方面，隨著更大規(guī)模、更高質(zhì)量的模型耗盡了公共互聯(lián)網(wǎng)數(shù)據(jù)這一“資源”，新的數(shù)據(jù)來(lái)源也顯得尤為重要。

為了將數(shù)據(jù)的控制權(quán)還給用戶，去中心化基礎(chǔ)設(shè)施提供了廣闊的設(shè)計(jì)空間。這需要在數(shù)據(jù)存儲(chǔ)、隱私保護(hù)、數(shù)據(jù)質(zhì)量評(píng)估、價(jià)值歸屬和貨幣化機(jī)制等多個(gè)領(lǐng)域提出創(chuàng)新解決方案。同時(shí)，針對(duì)數(shù)據(jù)供應(yīng)短缺問(wèn)題，我們需要思考如何利用技術(shù)優(yōu)勢(shì)，構(gòu)建具有競(jìng)爭(zhēng)力的解決方案，例如通過(guò)更優(yōu)的激勵(lì)機(jī)制和過(guò)濾方法，創(chuàng)造出更高價(jià)值的數(shù)據(jù)產(chǎn)品。尤其是在當(dāng)前 Web2 AI 仍占主導(dǎo)地位的背景下，如何將智能合約與傳統(tǒng)服務(wù)協(xié)議 (SLA) 相結(jié)合，是一個(gè)值得深入探索的方向。- Danny

盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)

7.去中心化計(jì)算 (Decentralized Compute)

在 AI 的開(kāi)發(fā)和部署中，除了數(shù)據(jù)，計(jì)算能力同樣是關(guān)鍵要素。過(guò)去幾年，大型數(shù)據(jù)中心依靠對(duì)場(chǎng)地、能源和硬件的獨(dú)占訪問(wèn)權(quán)，主導(dǎo)了深度學(xué)習(xí)和 AI 的發(fā)展。然而，隨著物理資源的限制和開(kāi)源技術(shù)的發(fā)展，這種格局正在逐步被打破。

去中心化 AI 的計(jì)算 v1 階段類似于 Web2 的 GPU 云，但在硬件供應(yīng)和需求方面并無(wú)明顯優(yōu)勢(shì)。而在 v2 階段，我們看到一些團(tuán)隊(duì)開(kāi)始構(gòu)建更完善的技術(shù)堆棧，包括高性能計(jì)算的編排、路由和定價(jià)系統(tǒng)，同時(shí)開(kāi)發(fā)專有功能以吸引需求并提升推理效率。一些團(tuán)隊(duì)專注于通過(guò)編譯器框架優(yōu)化跨硬件的推理路由，而另一些則在其計(jì)算網(wǎng)絡(luò)上開(kāi)發(fā)分布式模型訓(xùn)練框架。

此外，一個(gè)被稱為 AI-Fi 的新興市場(chǎng)正在形成，其通過(guò)創(chuàng)新的經(jīng)濟(jì)機(jī)制，將計(jì)算能力和 GPU 轉(zhuǎn)化為收益資產(chǎn)，或者利用鏈上流動(dòng)性為數(shù)據(jù)中心提供硬件融資的新途徑。然而，去中心化計(jì)算是否能真正實(shí)現(xiàn)其潛力，仍取決于理念與實(shí)際需求之間的差距能否被彌合。- Danny

8.計(jì)算核算標(biāo)準(zhǔn) (Compute Accounting Standards)

在去中心化高性能計(jì)算 (HPC) 網(wǎng)絡(luò)中，如何協(xié)調(diào)異構(gòu)計(jì)算資源是一個(gè)重要的挑戰(zhàn)，而目前缺乏統(tǒng)一的核算標(biāo)準(zhǔn)讓這一問(wèn)題更加復(fù)雜。AI 模型的輸出結(jié)果具有多樣性，例如模型變體、量化 (quantization)、通過(guò)溫度 (temperature) 和采樣超參數(shù)調(diào)整的隨機(jī)性等。此外，不同的 GPU 架構(gòu)和 CUDA 版本也會(huì)導(dǎo)致硬件輸出結(jié)果的差異。這些因素使得在異構(gòu)分布式系統(tǒng)中，如何準(zhǔn)確統(tǒng)計(jì)模型和計(jì)算市場(chǎng)的容量成為一個(gè)亟待解決的問(wèn)題。

由于缺乏這些標(biāo)準(zhǔn)，今年我們?cè)?Web2 和 Web3 的計(jì)算市場(chǎng)中多次看到模型性能和計(jì)算資源的質(zhì)量與數(shù)量被錯(cuò)誤核算的情況。這迫使用戶通過(guò)運(yùn)行自己的基準(zhǔn)測(cè)試或限制計(jì)算市場(chǎng)的使用速率來(lái)驗(yàn)證 AI 系統(tǒng)的實(shí)際性能。

加密領(lǐng)域一貫強(qiáng)調(diào)“可驗(yàn)證性”，因此我們希望到 2025 年，加密與 AI 的結(jié)合能讓系統(tǒng)性能更加透明。普通用戶應(yīng)該能夠輕松對(duì)比模型或計(jì)算集群的關(guān)鍵輸出特性，從而審計(jì)和評(píng)估系統(tǒng)的實(shí)際表現(xiàn)。- Aadharsh

9.概率隱私原語(yǔ) (Probabilistic Privacy Primitives)

Vitalik 在文章《加密 + AI 應(yīng)用的承諾與挑戰(zhàn)》中提到一個(gè)獨(dú)特的矛盾： “在密碼學(xué)中，開(kāi)源是實(shí)現(xiàn)安全的唯一方法，但在 AI 中，公開(kāi)模型（甚至是訓(xùn)練數(shù)據(jù)）會(huì)極大增加其受到對(duì)抗性機(jī)器學(xué)習(xí)攻擊的風(fēng)險(xiǎn)。”

雖然隱私保護(hù)并非區(qū)塊鏈的新研究方向，但隨著 AI 的快速發(fā)展，隱私相關(guān)的密碼學(xué)技術(shù)正在加速應(yīng)用。今年在隱私增強(qiáng)技術(shù)方面已經(jīng)取得了顯著進(jìn)展，例如零知識(shí)證明 (ZK)、全同態(tài)加密 (FHE)、可信執(zhí)行環(huán)境 (TEE) 和多方計(jì)算 (MPC)。這些技術(shù)被用于如在加密數(shù)據(jù)上進(jìn)行通用計(jì)算的私有共享狀態(tài)等場(chǎng)景。同時(shí)，像 Nvidia 和 Apple 這樣的技術(shù)巨頭也在利用專有的 TEE 技術(shù)，在硬件、固件和模型保持一致的情況下，實(shí)現(xiàn)聯(lián)邦學(xué)習(xí)和私有 AI 推理。

未來(lái)，我們將重點(diǎn)關(guān)注如何在隨機(jī)狀態(tài)轉(zhuǎn)換中保護(hù)隱私，以及這些技術(shù)如何促進(jìn)去中心化 AI 在異構(gòu)系統(tǒng)上的實(shí)際應(yīng)用，例如去中心化的私有推理、加密數(shù)據(jù)的存儲(chǔ)和訪問(wèn)管道，以及完全自主的執(zhí)行環(huán)境的構(gòu)建。- Aadharsh

盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)

Apple 的 Apple Intelligence 堆棧和 Nvidia 的 H100 GPU

10.智能體意圖與下一代用戶交易界面 (Agentic Intents and Next-Gen User Trading Interfaces)

AI 智能體的一個(gè)重要應(yīng)用是幫助用戶在鏈上自主完成交易。然而，在過(guò)去的 12-16 個(gè)月中，關(guān)于“智能體意圖”、“智能體行為”、“求解器”等術(shù)語(yǔ)的定義始終模糊不清，與傳統(tǒng)“機(jī)器人”開(kāi)發(fā)的區(qū)別也不夠明確。

未來(lái)一年，我們期待看到更復(fù)雜的語(yǔ)言系統(tǒng)與多種數(shù)據(jù)類型和神經(jīng)網(wǎng)絡(luò)架構(gòu)結(jié)合，從而推動(dòng)這一領(lǐng)域的發(fā)展。智能體會(huì)繼續(xù)使用現(xiàn)有的鏈上系統(tǒng)完成交易，還是會(huì)開(kāi)發(fā)全新的工具和方法？大語(yǔ)言模型 (LLM) 是否仍會(huì)作為這些系統(tǒng)的核心，還是會(huì)被其他技術(shù)取代？在用戶界面層面，用戶是否會(huì)通過(guò)自然語(yǔ)言與系統(tǒng)交互完成交易？經(jīng)典的“錢包即瀏覽器”理論是否會(huì)成為現(xiàn)實(shí)？這些都是值得探索的問(wèn)題。- Danny、Katie、Aadharsh、Dmitriy

AI+Crypto的8大真正優(yōu)勢(shì)

設(shè)想#1：去中心化 AI 訓(xùn)練

鏈上 AI 訓(xùn)練的問(wèn)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(lái)說(shuō)是不可能的。

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

InfiniBand 上正大規(guī)模分布式訓(xùn)練，因?yàn)?NVIDIA 本身正在通過(guò) 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(lái)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(lái)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(guò)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(guò)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(jiàn)解，并使其適合建模。然后，開(kāi)發(fā)機(jī)器學(xué)習(xí)模型來(lái)解決定義的問(wèn)題，并使用測(cè)試數(shù)據(jù)集驗(yàn)證其性能。這個(gè)過(guò)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(guò)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(wèn)題是，相較于推理，這個(gè)市場(chǎng)要無(wú)趣得多。目前，AI 大型語(yǔ)言模型的訓(xùn)練需要大量的 GPU 計(jì)算資源。從長(zhǎng)遠(yuǎn)來(lái)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(yǔ)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(guò)度冗余的 AI 推理計(jì)算來(lái)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(wú)法完全信任單一的中心化方來(lái)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](méi)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(wú)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(wèn)題在于，高端 AI 芯片極度短缺。高端 NVIDIA 芯片的等待時(shí)間長(zhǎng)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(lái)說(shuō)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(lái)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(zhǎng)遠(yuǎn)來(lái)看，我們非?？春?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(lái)任何特定的 Web3 用戶都會(huì)有大量的 AI 代理，來(lái)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(zhǎng)期來(lái)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。

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(wàn)億至 4.4 萬(wàn)億美元的收入——相比之下，英國(guó) 2021 年 GDP 總額為 3.1 萬(wàn)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(wàn)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(wàn)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(wàn)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(kāi)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(jiàn)的未來(lái)，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(lái)，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(kāi)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(zhǎng)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(lái)部分闡述了這種情況。

真正好處#2：通過(guò) 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(lái)自數(shù)據(jù)中心），并使其可用于 AI 推理。類比該問(wèn)題的簡(jiǎn)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(méi)成本，并且目前沒(méi)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(méi)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(guò)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(méi)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(lái) OpenAI 提高了合規(guī)性，他們就改變了做法）。我們認(rèn)為國(guó)家級(jí)的審查制度是無(wú)趣的，因?yàn)楦鲊?guó)需要采用 AI 來(lái)保持競(jìng)爭(zhēng)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(kāi)源是個(gè)很好的解決方案，因?yàn)?Github 存儲(chǔ)庫(kù)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(yíng)。 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(kāi)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(lái)說(shuō)，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(lái)說(shuō)，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(lái)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(guò)即將推出的零知識(shí) (ZK) 和 FHE ASIC，性能仍在不斷提高。但長(zhǎng)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(kāi)源模型的最新創(chuàng)新

過(guò)去幾十年來(lái)，開(kāi)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(wú)疑會(huì)不斷增長(zhǎng)（更全面的列表可以在 Openrouter.ai 上找到）。通過(guò)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(lái)創(chuàng)新。

我們相信，隨著時(shí)間的推移，開(kāi)源的全球開(kāi)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(kāi)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(lái)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^(guò)去，隨著時(shí)間的推移，大多數(shù)「開(kāi)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(kù)，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(shuō)服力。

然而，這其中也有一個(gè)問(wèn)題。開(kāi)源大型語(yǔ)言模型（OSS LLMs）的一個(gè)棘手之處在于，OpenAI 已經(jīng)開(kāi)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(kāi)源大型語(yǔ)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(zhēng)。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(guò)高削減成本的隨機(jī)抽樣或通過(guò) 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(lái)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(wèn)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(guò)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(jiǎn)潔的 ZK 證明，以確定模型是否經(jīng)過(guò)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(guò)，我們預(yù)計(jì)隨著 ZK 硬件 ASIC 在不久的將來(lái)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(guò)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(wàn)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(guò) OSS 節(jié)省費(fèi)用（OpenAI 的利潤(rùn)）

Web3 為 AI 帶來(lái)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(guò) 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(rùn)率的機(jī)會(huì)（例如 OpenAI，截至撰寫本文時(shí)，其年收入超過(guò) 10 億美元）。這些成本節(jié)省來(lái)自于這樣一個(gè)事實(shí)：使用 OSS 模型而不是專有模型來(lái)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(lái)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。考慮一下 Hugging Face 上所有模型中只有 4% 是由有預(yù)算來(lái)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(kāi)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(lái)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(guò)使用來(lái)貨幣化。請(qǐng)注意，如果這成為現(xiàn)實(shí)，OSS 模型可能會(huì)開(kāi)始越來(lái)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(lái)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(lái)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(lái)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(guò)時(shí)。因此，LLM 推斷的響應(yīng)稍微不準(zhǔn)確。

未來(lái)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(yǔ)言模型（LLM）被問(wèn)到推理問(wèn)題時(shí)，LLM 可以通過(guò)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。

以上就是腳本之家小編給大家分享的Crypto+AI有什么好處?盤點(diǎn)值得關(guān)注的十大Crypto+AI趨勢(shì)的詳細(xì)解讀了，希望大家喜歡！

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)！