最近大型語言模型（LLMs）的迅猛發展引發了人們對利用人工智慧（AI）改造各行業的興趣。 區塊鏈行業也未能倖免，AI x Crypto 敘事的出現使其備受矚目。 本文探討了 AI 加密的三種主要方式，並探討區塊鏈技術在解決 AI 行業問題上的獨特機遇。

作者：Yiping Lu,IOSG Ventures

原用標題：IOSG Weekly Brief|從 AI x Web3 技術堆疊展開 infra 新敘事 #219

封面：Photo by Milad Fakurian on Unsplash

本文為 IOSG 原創內容，僅做行業學習交流之用，不構成任何投資參考。 如需引用，請註明來源，轉載請聯繫 IOSG 團隊獲取授權及轉載須知。 本文所提及所有專案均不構成推薦及投資建議。

前言

最近大型語言模型（LLMs）的迅猛發展引發了人們對利用人工智慧（AI）改造各行業的興趣。  區塊鏈行業也未能倖免，AI x Crypto  敘事的出現使其備受矚目。 本文探討了融合 AI 和加密的三種主要方式，並探討了區塊鏈技術在解決 AI 行業問題上的獨特機遇。

AIxCrypto 的三種途徑包括：

  • 1. 將 AI 融入現有產品中：像 Dune 這樣的公司正在利用 AI 增強其產品，比如引入 SQL copilot 來説明用戶編寫複雜查詢。
  • 2. 為加密生態系統構建 AI 基礎設施：Ritual 和 Autonolas 等新創公司專注於開發 AI 驅動的基礎設施，專為加密生態系統需求量身定製。
  • 3. 利用區塊鏈解決 AI 行業問題：Gensyn、EZKL 和 io.net 等專案正在探討區塊鏈技術如何解決 AI 行業面臨的挑戰，如數據隱私、安全性和透明度。

AI x Crypto 的獨特之處在於區塊鏈技術有望解決 AI 行業內在問題。 這一獨特交匯點為創新解決方案開闢了新的可能性，有益於 AI 和區塊鏈社區。

在深入探討 AI x Crypto 領域時，我們旨在識別和展示區塊鏈技術在解決 AI 行業挑戰方面最有前景的應用。 通過與 AI 行業專家和加密建設者合作，我們致力於促進充分利用兩種技術優勢的尖端解決方案的發展。

1. 行業概覽

AI x Crypto 領域可分為基礎設施和應用兩大類。 儘管一些現有基礎設施持續為 AI 用例提供支援，但新的參與者正在市場上推出全新的 AI 原生架構。

1. 1 計算網路

在 AIxCrypto 領域，計算網路對於提供 AI 應用所需的基礎設施起著至關重要的作用。 這些網路根據其支持的任務，可以分為兩種類型：通用計算網路和專用計算網路。

1.1.1 通用計算網路

通用計算網路（例如 IO.net 和 Akash）為使用者提供通過 SSH 存取機器的機會，並提供命令行介面（CLI），使用戶能夠構建自己的應用程式。 這些網路類似於虛擬專用伺服器（VPS），在雲中提供個人計算環境。

IO.net 基於 Solana 生態系統，著重於 GPU 租賃和計算集群，而基於 Cosmos 生態系統的 Akash 主要提供 CPU 雲伺服器和各種應用範本。

IOSG Ventures 的看法：

與成熟的 Web2 雲市場相比，計算網路仍處於早期階段。 Web3 計算網路不及 Web2 那種「樂高」構建模組，例如基於主要雲服務提供者（如 AWS、Azure 和 Google Cloud）的無伺服器函數、VPS 和資料庫雲專案。

計算網路的優勢包括：

  • 區塊鏈技術可以利用未使用的計算資源和個人電腦，使網路更具可持續性。
  • 點對點（P2P）設計允許個體將未使用的計算資源貨幣化，並提供成本更低的計算，從而潛在地降低 75%-90% 的成本。

但由於以下挑戰，計算網路很難投入實際生產並取代 Web2 雲服務：

  • 定價固然是通用計算網路的主要優勢，但要與成熟的 Web2 雲公司在功能、安全性和穩定性等方面競爭仍具挑戰性。
  • 點對點風格可能會限制這些網路快速交付成熟和穩健產品的能力。 去中心化的特性會額外增加開發和維護成本。

1.1.2 專用計算網路

專用計算網路在通用計算網路基礎上增加了一個額外的層，使用戶可以通過配置檔部署特定的應用程式。 這些網路旨在滿足特定的用例，例如 3D 渲染或 AI 推理和訓練。

Render 是一家專注於 3D 渲染的專業計算網路。 在 AI 領域，像 Bittensor、Hyperbolic、Ritual 和 fetch.ai 這樣的新玩家專注於 AI 推理，而 Flock 和 Gensyn 主要專注於 AI 訓練。

IOSG Ventures 的看法：

專用計算網路的優勢：

  • 去中心化和 crypto 特性解決了 AI 行業普遍存在的中心化和透明性問題。
  • 無許可計算網路和驗證方案確保了推理和訓練過程的有效性。
  • 隱私保護技術，如 Flock 採用的聯邦學習，允許個人為模型訓練貢獻數據，同時保持其數據在本地和私密。
  • 通過支援智慧合約與下游區塊鏈應用集成，使得 AI 推理可以直接在區塊鏈上使用。
Source: IOSG Ventures

雖然專門的 AI 推理和訓練計算網路仍處於早期階段，但我們預計 Web3 AI 應用將優先使用 Web3 AI 基礎設施。 這種趨勢已經在 Story Protocol 和 Ritual 與 MyShell 合作引入 AI 模型作為智慧財產權等合作中明顯。

儘管基於這些新興 AI x Web3 基礎設施構建的殺手級應用程式尚未出現，但增長潛力巨大。 隨著生態系統的成熟，我們預計會看到更多利用去中心化 AI 計算網路獨特能力的創新應用程式。

2. 數據

數據在 AI 模型中起著至關重要的作用，開發 AI 模型的各個階段都涉及到數據，包括數據收集、訓練數據集存儲和模型存儲。

2.1 數據存儲

去中心化存儲 AI 模型對於以去中心化方式提供推理 API 至關重要。 推理節點應該能夠隨時從任何地方檢索這些模型。 隨著 AI 模型可能達到數百 GB 的大小，需要一個強大的去中心化存儲網路。 去中心化存儲領域的領軍者，如 Filecoin 和 Arweave，可能可以提供這一功能。

IOSG Ventures 的看法：

這個領域存在著巨大的機會。

  • 針對 AI 模型優化的去中心化數據儲存網路，提供版本控制、存儲不同的低精度模型量化以及大型模型快速下載等功能。
  • 去中心化向量資料庫，因為它們經常與模型捆綁在一起，通過插入必要的與問題相關知識提供更準確的答案。 現有的 SQL 資料庫也可以增加向量搜索支援。

2.2 數據收集和標記

收集高質量數據對於 AI 訓練至關重要。 基於區塊鏈的專案如 Grass 利用眾包收集數據用於 AI 訓練，利用個人的網路。 通過適當的激勵和機制，AI 訓練者可以以較低的成本獲得高質量數據。 Tai-da 和 Saipen 等專案專注於數據標記。

IOSG Ventures 的看法：

我們對這個市場的一些觀察：

  • 大多數數據標記專案受到 GameFi 的啟發，吸引使用者以「標記賺取」概念和開發者以承諾為高品質標記數據降低成本。
  • 目前在這一領域尚未出現明顯的領先者，而 Scale AI 主導著 Web2 數據標記市場。

2.3 區塊鏈數據

在訓練專門針對區塊鏈的 AI 模型時，開發人員需要高品質的區塊鏈數據，希望能夠直接在其訓練過程中使用。 Spice AI 和 Space and Time 提供帶有 SDK 的高品質區塊鏈數據，使開發人員能夠輕鬆將數據整合到他們的訓練數據管道中。

IOSG Ventures 的看法：

隨著對與區塊鏈相關的 AI 模型需求的增長，對高品質區塊鏈數據的需求將激增。 然而，大多數數據分析工具目前只提供以 CSV 格式匯出數據，這對 AI 訓練目的並不理想。

為促進專門針對區塊鏈的 AI 模型的發展，至關重要的是通過提供更多與區塊鏈相關的機器學習運維（MLOP）功能來提升開發人員體驗。 這些功能應該使開發人員能夠無縫地將區塊鏈數據直接整合到他們基於 Python 的 AI 訓練管線中。

3. ZKML

由於有動機使用較不複雜的模型以減少計算成本，中心化的 AI 提供者面臨著信任問題。  例如，去年有時用戶認為 ChatGPT 表現不佳。 後來這被歸因於 OpenAI 的更新旨在提升模型性能。

此外，內容創作者對 AI 公司提出了版權擔憂。 這些公司很難證明特定數據未包含在其訓練過程中。

零知識機器學習（ZKML）是一種創新方法，解決了與中心化人工智慧供應商相關的信任問題。 通過利用零知識證明，ZKML 使開發人員能夠證明其人工智慧訓練和推理過程的正確性，而無需洩露敏感數據或模型細節。

3.1 訓練

開發人員可以在零知識虛擬機（ZKVM）中執行訓練任務，例如由 Risc Zero 提供的虛擬機。 該過程生成一個證明，驗證訓練是否正確進行，且僅使用了經授權的數據。 該證明作為開發人員遵守適當訓練規範和數據使用許可權的證據。

IOSG Ventures 的看法：

  • ZKML 為證明模型訓練中授權數據使用提供了獨特解決方案，而這在人工智慧模型的黑盒特性下通常很難實現。
  • 這項技術仍處於早期階段。 計算開銷巨大。 社區正在積極探索 ZK 訓練更多用例。

3.2  推理

與其訓練對應物相比，ZKML 用於推理的時間要長得多。 這個領域已經有幾家知名公司湧現，它們各自採用獨特方法使機器學習推理變得無需信任和透明。

Giza 專注於構建全面的機器學習運營（MLOP）平臺，並在其周圍打造一個充滿活力的社區。 他們的目標是為開發人員提供集成 ZKML 到推理工作流的工具和資源。

另一方面，EZKL 透過創建使用者友好的 ZKML 框架以提供良好的性能，優先考慮開發體驗。 他們的解決方案旨在簡化實現 ZKML 推理的過程，使更多開發人員能夠輕鬆使用。

Modulus Labs 採用了不同的方法，他們開發了自己的證明系統。 他們的主要目標是顯著減少與 ZKML 推理相關的計算開銷。 通過將開銷降低 10 倍，Modulus Labs 試圖使 ZKML 推理在實際應用中更具實用性和效率。

IOSG Ventures 的看法：

  • ZKML 特別適用於 GameFi 和 DeFi 場景，其中無需信任至關重要。
  • ZKML 引入的計算開銷使大型人工智慧模型難以高效運行。
  • 該行業仍在尋找在其產品中大量使用 ZKML 的 DeFi 和 GameFi 先驅，以展示其實際應用場景。

4. 代理网络 + 其他应用

4.1 代理网络 

代理网络由装备有执行特定任务的工具和知识的众多人工智能代理组成，例如协助进行链上交易。这些代理可以相互协作以实现更复杂的目标。几家知名公司正在积极开发类似聊天机器人的代理和代理网络。

Sleepless、Siya、Myshell、characterX 和 Delysium 是正在建设聊天机器人代理的重要参与者。Autonolas 和 ChainML 正在为更强大的用例构建代理网络。

IOSG Ventures 的看法：

代理对于现实世界的应用至关重要。它们可以比通用人工智能更好地执行特定任务。区块链为人工智能代理提供了几种独特机遇。

  • 拥有激励机制：区块链通过诸如非同质化代币（NFT）等技术提供激励机制。有了明确的所有权和激励结构，创作者受到激励，在链上开发更有趣和创新的代理。
  • 智能合约的可组合性：区块链上的智能合约高度可组合，像乐高积木一样运作。智能合约提供的开放 API 使代理能够执行在传统金融系统中难以实现的复杂任务。这种可组合性使代理能够与各种去中心化应用（dApps）进行互动并利用其功能。
  • 内在的开放性：通过在区块链上构建代理，它们继承了这些网络的内在开放性和透明性。这为不同代理之间的可组合性创造了重大机遇，使它们能够合作并结合各自的能力解决更复杂的任务。

4.2 其他应用

除了前面讨论过的主要类别外，在 Web3 领域中还有几个有趣的人工智能应用正在受到关注，尽管它们可能还不够庞大以形成独立的类别。这些应用跨越各种领域，展示了人工智能在区块链生态系统中的多样性和潜力。

  • 图像生成：ImgnAI
  • 图像提示变现：NFPrompt
  • 社区训练的人工智能图像生成：Botto
  • 聊天机器人：Kaito、Supersight、Galaxy、Knn3、Awesome QA、Qna3
  • 金融：Numer AI
  • 钱包：Dawn_wallet
  • 游戏：Parallel TCG
  • 教育：Hooked
  • 安全：Forta
  • DID：Worldcoin
  • 创作者工具：Plai Lab

5. 将 AIxCrypto 推广给 Web2 用户以实现大规模采用

AI x Crypto 之所以独一无二，是因为它可以解决人工智能领域最困难的问题。尽管当前的 AIxCrypto 产品与 Web2 AI 产品之间存在差距，并且对 Web2 用户缺乏吸引力，但 AIxCrypto 仍具备一些独特功能，只有 AIxCrypto 才能提供。

5.1  高性价比的计算资源:

AIxCrypto 的一个主要优势在于提供高性价比的计算资源。随着对 LLM 的需求增加，市场上开发者增多，GPU 的可用性和价格变得更具挑战性。GPU 价格大幅上涨，并且短缺。

DePIN 项目等去中心化计算网络可以通过利用闲置计算力、小型数据中心的 GPU 和个人计算设备帮助缓解这一问题。虽然去中心化计算功率的稳定性可能不及集中式云服务，但这些网络提供了多样地域的高性价比计算设备。这种去中心化方法最小化了边缘延迟，确保了更分布式和更有弹性的基础设施。

通过利用去中心化计算网络的力量，AIxCrypto 可以为 Web2 用户提供价格实惠、易得的计算资源。这种成本优势对于吸引 Web2 用户采纳 AIxCrypto 解决方案具有吸引力，并尤其在对 AI 计算的需求持续增长的情况下。

5.2  赋予创作者所有权:

AI x Crypto 的另一重要优势在于保护创作者的所有权权利。在当前的人工智能领域，一些代理容易被复制。通过简单编写类似提示，就可以轻松复制这些代理。此外，GPT 商店中的代理通常由中心化公司所有，而不是由创作者拥有，限制了创作者对作品的控制以及有效实现盈利的能力。

AI x Crypto 利用加密领域普遍存在的成熟 NFT 技术来解决这一问题。通过将代理表示为 NFT，创作者可以真正拥有他们的作品，并从中获得实际收益。每次用户与代理互动，创作者都可以获得激励，确保对他们努力的公平回报。基于 NFT 所有权的概念不仅适用于代理，还可用于保护人工智能领域中的其他重要资产，如知识库和提示。

5.3  保护隐私并重建信任:

用户和创作者对于中心化人工智能公司存在隐私担忧。用户担心自己的数据被滥用用于训练未来模型，而创作者则担心自己的作品被使用但却缺乏适当的归因或补偿。此外，中心化人工智能公司可能会牺牲服务质量以降低基础设施成本。

这些问题难以通过 Web2 技术解决，而 AIxCrypto 则利用先进的 Web3 解决方案。零知识训练和推理可通过证明使用的数据和确保应用正确模型，从而提供透明度。诸如受信任执行环境 (TEE)、联邦学习和完全同态加密 (FHE) 等技术实现安全、保护隐私的人工智能训练和推理。

通过优先考虑隐私和透明度，AIxCrypto 使人工智能公司能够重新获得公众信任，并提供尊重用户权利的人工智能服务，使其区别于传统的 Web2 解决方案。

5.3  保护隐私并重建信任:

用户和创作者对于中心化人工智能公司存在隐私担忧。用户担心自己的数据被滥用用于训练未来模型，而创作者则担心自己的作品被使用但却缺乏适当的归因或补偿。此外，中心化人工智能公司可能会牺牲服务质量以降低基础设施成本。

这些问题难以通过 Web2 技术解决，而 AIxCrypto 则利用先进的 Web3 解决方案。零知识训练和推理可通过证明使用的数据和确保应用正确模型，从而提供透明度。诸如受信任执行环境 (TEE)、联邦学习和完全同态加密 (FHE) 等技术实现安全、保护隐私的人工智能训练和推理。

通过优先考虑隐私和透明度，AIxCrypto 使人工智能公司能够重新获得公众信任，并提供尊重用户权利的人工智能服务，使其区别于传统的 Web2 解决方案。

5.4  追踪内容来源

随着人工智能生成的内容日益精密，区分人类创作和人工智能生成的文本、图像或视频变得更加困难。为防止滥用人工智能生成的内容，人们需要一种可靠的方式来确定内容的来源。

区块链在追踪内容来源方面表现出色，就像在供应链管理和 NFT 中取得的成功一样。在供应链行业，区块链追踪产品的整个生命周期，用户可以识别生产商和关键里程碑。同样地，区块链追踪创作者，并在 NFT 的情况下防止盗版，由于其公开性，NFT 尤其容易受盗版的影响。尽管存在这种脆弱性，但利用区块链可最大程度减少假 NFT 所导致的损失，因为用户可轻松区分真假代币。

通过应用区块链技术追踪人工智能生成内容的来源，AIxCrypto 可为用户提供验证内容创建者是人工智能还是人类的能力，从而减少滥用可能性，增加对内容真实性的信任。

5.5  利用加密货币开发模型

设计和训练模型，特别是大型模型，是一个昂贵且耗时的过程。新模型还存在不确定性，开发人员无法预测其性能。

加密货币提供了一个对开发人员友好的方式，可以收集预训练数据、收集强化学习反馈以及从感兴趣的方进行筹款。这个过程类似于典型加密货币项目的生命周期：通过私人投资或起飞台筹资，并在启动时向活跃贡献者投放代币。

模型可以采用类似方法，通过出售代币筹集资金用于训练，并向数据和反馈的贡献者空投代币。通过精心设计的代币经济模型，这个工作流程可帮助个人开发人员比以往更轻松地训练新模型。

6. Tokennomics 的挑战

AI x Crypto  项目开始瞄准 Web2 开发者作为潜在客户，因为加密有独特的价值主张，且 Web2 人工智能行业市场规模可观。然而，对于不熟悉代币且不愿涉足基于代币系统的 Web2 开发者来说，代币可能成为一道障碍。

为了迎合 Web2 开发者，减少或者去除代币的实用性可能对于 Web3 爱好者造成困扰，因为这可能改变 AI x Crypto  项目的根本立场。在努力将有价值的代币整合到人工智能 SaaS 平台时，找到吸引 Web2 开发者并保持代币实用性之间的平衡是一个具有挑战性的任务。

为了弥合 Web2 和 Web3 商业模型之间的差距，并同时保持代币价值，可以考虑以下几种潜在方法：

  • 在项目的分布式基础设施网络中利用代币。实施质押、奖励和惩罚机制来保护基础网络。
  • 将代币作为支付方式，同时为 Web2 用户提供使用入口
  • 实施基于代币的治理
  • 与代币持有者分享收益
  • 利用收益回购或销毁代币
  • 为项目提供的服务，为代币持有者提供折扣和额外功能

通过精心设计符合 Web2 和 Web3 利益的代币经济模型，AI x Crypto  项目可以成功吸引 Web2 开发者，同时保持其代币的价值和实用性。

7.  我们最喜爱的 AI x Crypto  场景

我們最喜愛的 AI x Crypto 場景利用了用戶協作的力量，藉助區塊鏈技術在人工智慧領域完成任務。 一些具體的例子包括：

1. 集體進行 AI 訓練、Alignment 和基準測試的數據貢獻（例如 Chatbot Arena）

2. 合作構建一個大型共用知識庫，可供各種代理使用（例如，Sahara）

3. 利用個人資源，進行網路數據抓取（例如，Grass）

通過利用基於區塊鏈激勵和協調的用戶集體努力，這些模型展示了去中心化、社區驅動的方法對 AI 開發和部署的潛力。

結論

我們正處於 AI 和 Web3 的黎明階段，與其他行業相比，人工智慧與區塊鏈領域的整合仍處於早期階段。  在排名前 50 的 Gen AI 產品中，並沒有與 Web3 相關的產品。 頂尖的 LLM 工具與內容創作和編輯相關，主要針對銷售、會議和筆記/知識庫。 考慮到 Web3 生態系統中大量的研究、文檔、銷售和社區工作，為定製的 LLM 工具的開發提供了巨大的潛力。

當前，開發者正專注於構建基礎設施，將先進的 AI 模型引入鏈上，雖然我們尚未達到目標。 隨著我們繼續發展這一基礎設施，我們也在探索最佳用戶場景，以安全和無需信任的方式在鏈上進行 AI 推理，這為區塊鏈領域提供了獨特機遇。 其他行業可以直接使用現有的 LLM 基礎設施進行推理和微調。 只有區塊鏈行業需要自己的原生 AI 基礎設施。

在不久的將來，我們預計區塊鏈技術將利用其點對點的優勢來解決人工智慧行業中最具挑戰性的問題，使 AI 模型對每個人都更加負擔得起、易於訪問和盈利。 我們也期待加密領域將跟隨 AI 行業的敘事，儘管略有延遲。 在過去一年中，我們見證了開發者將 Crypto，代理和 LLM 模型相結合。 在接下來的幾個月內，我們可能會看到更多多模態模型、文字視頻生成和 3D 生成影響 Crypto 領域。

整個 AI 和 Web3 行業目前並未得到充分的重視，我們迫切期待 AI 在 Web3 中的引爆時刻，一個 CryptoxAI 的殺手級應用。

免責聲明：作為區塊鏈資訊平臺，本站所發佈文章僅代表作者及嘉賓個人觀點，與 Web3Caff 立場無關。 文章內的資訊僅供參考，均不構成任何投資建議及要約，並請您遵守所在國家或地區的相關法律法規。