Crypto+AI值得關(guān)注的未來發(fā)展趨勢以及Crypto+AI未來有啥好處？AI+ Crypto 是近期加密貨幣市場備受矚目的前沿領(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？下面就和腳本之家小編詳細(xì)了解下吧！

值得關(guān)注的十大Crypto+AI趨勢

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，成為實現(xiàn)智能體間無縫交互的理想平臺。在這種交互中，由不同機構(gòu)為不同目的開發(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)一步擴展：一方面創(chuàng)造全新的應(yīng)用場景，例如由智能體驅(qū)動的新型社交平臺；另一方面優(yōu)化現(xiàn)有的企業(yè)工作流程，例如平臺認(rèn)證、微支付、跨平臺工作流集成等，從而簡化如今復(fù)雜繁瑣的操作流程。- Danny、Katie、Aadharsh、Dmitriy

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)測市場和裁決的設(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”如何在實驗中展現(xiàn)出更多可能性。

此外，智能體與人類的協(xié)作也是一個值得探索的方向。比如，社區(qū)如何圍繞智能體展開互動，或者智能體如何組織人類完成集體行動。我們希望看到更多以大規(guī)模人類協(xié)作為目標(biāo)的智能體實驗。當(dāng)然，這需要配備某種驗證機制，特別是在任務(wù)由鏈下完成的情況下。但這種探索可能會帶來一些意想不到的奇妙結(jié)果。- Katie、Dmitriy、Ash

3.智能體驅(qū)動的多媒體娛樂 (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 (Hatsune Miku, 2007) 曾在 2 萬座席的場館舉辦售罄演唱會；Lil Miquela ( 2016) 在 Instagram 上擁有超過 200 萬粉絲。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 60 萬；以及匿名 Kpop 男團 PLAVE ( 2023)，其在不到兩年的時間里在 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、價值轉(zhuǎn)移和開放數(shù)據(jù)平臺中的應(yīng)用，這些智能體有望變得更加自主，并可能在 2025 年開啟一個全新的主流娛樂類別。- Katie、Dmitriy

從左上順時針：初音未來、Virtuals 的 Luna、Lil Miquela 和 PLAVE

4.生成式/智能體驅(qū)動的內(nèi)容營銷 (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)品的補充。在注意力經(jīng)濟中，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)動的內(nèi)容為團隊提供了一個強大的工具，可以確保一個可擴展、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 實現(xiàn)傳播的一個強大工具，即使它們還未完全實現(xiàn)“智能體化”。

另一個例子是，游戲行業(yè)為了保持用戶參與度，正越來越多地追求動態(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）可能成為這一趨勢的下一個階段。我們很好奇， 2025 年智能體的能力將如何進(jìn)一步擴展內(nèi)容分發(fā)和用戶互動的邊界。- Katie

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

在 2024 年，我們推出了 IN CONVERSATION WITH 系列，這是一個與音樂、視覺藝術(shù)、設(shè)計、策展等領(lǐng)域的加密藝術(shù)家對話的訪談節(jié)目。今年的訪談讓我注意到一個趨勢：對加密技術(shù)感興趣的藝術(shù)家通常也對前沿技術(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)作實踐，例如 AR/VR 對象、代碼生成藝術(shù)以及實時編碼 (livecoding)。

生成藝術(shù) (Generative Art) 與區(qū)塊鏈技術(shù)的結(jié)合由來已久，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)如何通過區(qū)塊鏈實現(xiàn)展示、存儲、貨幣化和保存提供了一個初步的探索，極大地改善了藝術(shù)家與觀眾的體驗。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)作實踐帶來了哪些價值？是實驗性的探索、經(jīng)濟回報，還是其他方面？

MM: 對我來說，Web3 在多個方面對我個人以及其他藝術(shù)家都有積極影響。就我個人而言，那些支持發(fā)布生成藝術(shù)的平臺對我的創(chuàng)作尤為重要。比如，你可以上傳一個 JavaScript 文件，當(dāng)有人鑄造或收藏一件作品時，代碼會實時運行，并在你設(shè)計的系統(tǒng)中生成獨特的藝術(shù)作品。這種實時生成的過程，是我創(chuàng)作實踐中的核心部分。在我編寫和構(gòu)建的系統(tǒng)中引入隨機性，無論是從概念上還是技術(shù)上，都深刻影響了我對藝術(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)計的平臺上展示，或者是在傳統(tǒng)畫廊中展示，往往很難向觀眾傳達(dá)這一過程。

在畫廊中，可能會展示一個通過投影或屏幕實時運行的算法，或者展示由算法生成的多個輸出中挑選出的作品，并以某種方式轉(zhuǎn)化為實體形式進(jìn)行展覽。但對于那些對代碼作為藝術(shù)媒介不太熟悉的觀眾來說，他們很難理解這種創(chuàng)作過程中隨機性的意義，而這種隨機性正是所有以生成方式使用軟件的藝術(shù)家實踐中的重要部分。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的實體作品時，我有時會覺得很難向觀眾強調(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，因為它不僅提供了一個展示生成藝術(shù)的平臺，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)作方式的獨特性和價值。

摘自 IN CONVERSATION WITH：Maya Man

6.數(shù)據(jù)市場 (Data Markets)

自 Clive Humby 提出“數(shù)據(jù)是新石油”這一觀點以來，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，卻幾乎無法控制數(shù)據(jù)的使用方式，也未能從中獲得收益。隨著強大 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)計空間。這需要在數(shù)據(jù)存儲、隱私保護、數(shù)據(jù)質(zhì)量評估、價值歸屬和貨幣化機制等多個領(lǐng)域提出創(chuàng)新解決方案。同時，針對數(shù)據(jù)供應(yīng)短缺問題，我們需要思考如何利用技術(shù)優(yōu)勢，構(gòu)建具有競爭力的解決方案，例如通過更優(yōu)的激勵機制和過濾方法，創(chuàng)造出更高價值的數(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，是一個值得深入探索的方向。- Danny

7.去中心化計算 (Decentralized Compute)

在 AI 的開發(fā)和部署中，除了數(shù)據(jù)，計算能力同樣是關(guān)鍵要素。過去幾年，大型數(shù)據(jù)中心依靠對場地、能源和硬件的獨占訪問權(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)和需求方面并無明顯優(yōu)勢。而在 v2 階段，我們看到一些團隊開始構(gòu)建更完善的技術(shù)堆棧，包括高性能計算的編排、路由和定價系統(tǒng)，同時開發(fā)專有功能以吸引需求并提升推理效率。一些團隊專注于通過編譯器框架優(yōu)化跨硬件的推理路由，而另一些則在其計算網(wǎng)絡(luò)上開發(fā)分布式模型訓(xùn)練框架。

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

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

在去中心化高性能計算 (HPC) 網(wǎng)絡(luò)中，如何協(xié)調(diào)異構(gòu)計算資源是一個重要的挑戰(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)、通過溫度 (temperature) 和采樣超參數(shù)調(diào)整的隨機性等。此外，不同的 GPU 架構(gòu)和 CUDA 版本也會導(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)計模型和計算市場的容量成為一個亟待解決的問題。

由于缺乏這些標(biāo)準(zhǔn)，今年我們在 Web2 和 Web3 的計算市場中多次看到模型性能和計算資源的質(zhì)量與數(shù)量被錯誤核算的情況。這迫使用戶通過運行自己的基準(zhǔn)測試或限制計算市場的使用速率來驗證 AI 系統(tǒng)的實際性能。

加密領(lǐng)域一貫強調(diào)“可驗證性”，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)該能夠輕松對比模型或計算集群的關(guān)鍵輸出特性，從而審計和評估系統(tǒng)的實際表現(xiàn)。- Aadharsh

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

Vitalik 在文章《加密 + AI 應(yīng)用的承諾與挑戰(zhàn)》中提到一個獨特的矛盾： “在密碼學(xué)中，開源是實現(xiàn)安全的唯一方法，但在 AI 中，公開模型（甚至是訓(xùn)練數(shù)據(jù)）會極大增加其受到對抗性機器學(xué)習(xí)攻擊的風(fēng)險。”

雖然隱私保護并非區(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。今年在隱私增強技術(shù)方面已經(jīng)取得了顯著進(jìn)展，例如零知識證明 (ZK)、全同態(tài)加密 (FHE)、可信執(zhí)行環(huán)境 (TEE) 和多方計算 (MPC)。這些技術(shù)被用于如在加密數(shù)據(jù)上進(jìn)行通用計算的私有共享狀態(tài)等場景。同時，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，實現(xiàn)聯(lián)邦學(xué)習(xí)和私有 AI 推理。

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

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 智能體的一個重要應(yīng)用是幫助用戶在鏈上自主完成交易。然而，在過去的 12-16 個月中，關(guān)于“智能體意圖”、“智能體行為”、“求解器”等術(shù)語的定義始終模糊不清，與傳統(tǒng)“機器人”開發(fā)的區(qū)別也不夠明確。

未來一年，我們期待看到更復(fù)雜的語言系統(tǒng)與多種數(shù)據(jù)類型和神經(jīng)網(wǎng)絡(luò)架構(gòu)結(jié)合，從而推動這一領(lǐng)域的發(fā)展。智能體會繼續(xù)使用現(xiàn)有的鏈上系統(tǒng)完成交易，還是會開發(fā)全新的工具和方法？大語言模型 (LLM) 是否仍會作為這些系統(tǒng)的核心，還是會被其他技術(shù)取代？在用戶界面層面，用戶是否會通過自然語言與系統(tǒng)交互完成交易？經(jīng)典的“錢包即瀏覽器”理論是否會成為現(xiàn)實？這些都是值得探索的問題。- Danny、Katie、Aadharsh、Dmitriy

AI+Crypto的8大真正優(yōu)勢

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)，因為神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時需要反向傳播。 Nvidia 為此有兩項創(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，速度會突然變慢幾個數(shù)量級。與從數(shù)據(jù)中心內(nèi)的 Nvidia 高速互連獲得的吞吐量相比，這種速度對于 AI 訓(xùn)練用例來說是不可能的。

請注意，以下也有創(chuàng)新可能會給未來帶來希望：

• InfiniBand 上正大規(guī)模分布式訓(xùn)練，因為 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間變少，可能會使去中心化訓(xùn)練在未來更加實用。
• 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，模型在具有高可擴展性和性能的中心化安全數(shù)據(jù)存儲系統(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誤，因此在訓(xùn)練模型之前必須對其進(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 團隊中，數(shù)據(jù)科學(xué)家最基本的任務(wù)場景包括定義目標(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)機器學(xué)習(xí)模型來解決定義的問題，并使用測試數(shù)據(jù)集驗證其性能。這個過程是迭代的：如果當(dāng)前模型表現(xiàn)不如預(yù)期，專家會返回到數(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。

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

設(shè)想#2：使用過度冗余的 AI 推理計算來達(dá)成共識

關(guān)于加密與 AI 的另一個挑戰(zhàn)是驗證 AI 推理的準(zhǔn)確性，因為你無法完全信任單一的中心化方來執(zhí)行推理操作，節(jié)點存在可能出現(xiàn)不當(dāng)行為的潛在風(fēng)險。這種挑戰(zhàn)在 Web2 AI 中不存在，因為沒有去中心化共識系統(tǒng)。

解決方案是冗余計算，讓多個節(jié)點重復(fù)同樣的 AI 推理操作，這樣可以在無需信任的環(huán)境中運行，避免單點故障。

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

設(shè)想#3：近期特定于 Web3 的 AI 用例

有人建議 Web3 應(yīng)該有自己獨特的、專門針對 Web3 客戶的 AI 用例。這可以是（例如）使用 AI 對 DeFi 池進(jìn)行風(fēng)險評分的 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，這是一個初創(chuàng)市場（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 客戶少了幾個數(shù)量級，因此市場的去中心化程度較低。
• 客戶本身不太穩(wěn)定，因為他們是資金較少的初創(chuàng)公司，一些初創(chuàng)公司可能會隨著時間的推移而消亡。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，這使得擴展業(yè)務(wù)變得極具挑戰(zhàn)性。

長遠(yuǎn)來看，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。我們想象未來任何特定的 Web3 用戶都會有大量的 AI 代理，來幫助自己完成任務(wù)。

設(shè)想#4：消費級 GPU DePIN

有許多依賴消費級 GPU 而不是數(shù)據(jù)中心的去中心化 AI 計算網(wǎng)絡(luò)。消費類 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用例。但對于嚴(yán)肅的企業(yè)用例（這是重要的市場的大多數(shù)），與家用機器相比，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值的客戶用例。

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

現(xiàn)實——加密貨幣 x AI 的實際用例

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 可以增加明顯的價值。

真正好處#1：為 Web2 客戶提供服務(wù)

麥肯錫估計，在分析的 63 個用例中，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)，估計影響力大約會增加一倍。

如果你根據(jù)上述估計進(jìn)行計算，這意味著全球 AI（超越生成 AI）的總市場價值可能達(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）的總價值僅為 2.7 萬億美元左右。因此，讓我們面對現(xiàn)實吧：短期內(nèi)需要 AI 的絕大多數(shù)客戶將是 Web2 客戶，因為真正需要 AI 的 Web3 客戶將只占這 2.7 萬億美元的一小部分（考慮到 BTC 是這個市場，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規(guī)模有多大。但有一點是肯定的——可預(yù)見的未來，它僅占 Web2 市場中的一小部分。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）

這是相對穩(wěn)定的客戶角色，因為客戶通常規(guī)模大且有價值。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 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 ，因為這實際上為硬件所有者「找到了錢」。

示例包括：

• AWS 機器。如果你今天要從 AWS 租用 H100，則必須承諾為期 1 年的租賃，因為市場供應(yīng)有限。這會產(chǎn)生浪費，因為你可能不會每年 365 天、每周 7 天都使用 GPU。
• Filecoin 挖礦硬件。 Filecoin 有大量補貼供應(yīng)但沒有大量實際需求。Filecoin 從未找到真正產(chǎn)品市場契合點，因此 Filecoin 礦工面臨倒閉的風(fēng)險。這些機器配備 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，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)可以將活動神經(jīng)元加載到 GPU 內(nèi)存中，將不活動神經(jīng)元加載到 CPU 內(nèi)存中。他們預(yù)測哪些神經(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 對于 AI 推理更加有用。

Web3 AI DePINs 需隨著時間的推移發(fā)展其產(chǎn)品，并提供企業(yè)級服務(wù)，例如單點登錄、SOC 2 合規(guī)性、服務(wù)級協(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)為國家級的審查制度是無趣的，因為各國需要采用 AI 來保持競爭力。

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

開源是個很好的解決方案，因為 Github 存儲庫不受股東或董事會的影響。 Venice.ai 就是一例，它承諾保護隱私并以抗審查的方式運營。 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)送個人身份信息

大型企業(yè)對其內(nèi)部數(shù)據(jù)存在隱私擔(dān)憂。對于這些客戶來說，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 AI 的隱私增強技術(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 (ZK) 和 FHE ASIC，性能仍在不斷提高。但長期目標(biāo)是在微調(diào)模型時保護企業(yè)數(shù)據(jù)。隨著這些協(xié)議的出現(xiàn)，Web3 可能會成為隱私保護 AI 計算更具吸引力的場所。

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。隨著時間的推移，這個列表無疑會不斷增長（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，隨著時間的推移，開源的全球開發(fā)隊伍與加密貨幣激勵措施相結(jié)合，可以推動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)議的一個例子是 Theoriq。 Theoriq 利用 OSS 模型創(chuàng)建一個可組合的 AI 代理互連網(wǎng)絡(luò)，可以將其組裝起來創(chuàng)建更高級別的 AI 解決方案。

我們之所以對此充滿信心，是因為過去，隨著時間的推移，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 顛覆整個行業(yè)的一個例子，所以這里的先例非常有說服力。

然而，這其中也有一個問題。開源大型語言模型（OSS LLMs）的一個棘手之處在于，OpenAI 已經(jīng)開始與一些組織簽訂付費數(shù)據(jù)許可協(xié)議。如果這一趨勢繼續(xù)下去，開源大型語言模型可能會因為獲取數(shù)據(jù)的財務(wù)障礙而更難以競爭。Nvidia 可能會進(jìn)一步加強對保密計算的投入，以作為安全數(shù)據(jù)共享的助力。時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抽樣或通過 ZK 證明達(dá)成共識

Web3 AI 推理的挑戰(zhàn)之一是驗證。假設(shè)驗證者有機會欺騙他們的結(jié)果來賺取費用，因此驗證推論是一項重要措施。請注意，這種作弊行為實際上尚未發(fā)生，因為 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 方法是讓多個驗證器重復(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，冗余計算將嚴(yán)重削弱 Web3 的價值主張。

更有前途的解決方案是為鏈下 AI 推理計算執(zhí)行 ZK 證明。在這種情況下，可以驗證簡潔的 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行（稱為 zkML）。例子包括 Modulus Labs 和 ZKonduit。由于 ZK 操作是計算密集型的，因此這些解決方案的性能仍處于初級階段。不過，我們預(yù)計隨著 ZK 硬件 ASIC 在不久的將來發(fā)布，情況會得到改善。

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

另一個有前途的設(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)百萬臺設(shè)備提供設(shè)備內(nèi) AI 模型質(zhì)量保證的機制。

真正好處#7：通過 OSS 節(jié)省費用（OpenAI 的利潤）

Web3 為 AI 帶來的下一個機會是成本民主化。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)利潤率的機會（例如 OpenAI，截至撰寫本文時，其年收入超過 10 億美元）。這些成本節(jié)省來自于這樣一個事實：使用 OSS 模型而不是專有模型來實現(xiàn)額外的節(jié)省，因為模型創(chuàng)建者并不試圖盈利。

許多 OSS 模型將保持完全免費，從而為客戶帶來最佳的經(jīng)濟效益。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。這個群體（96% 的 Hugging Face）具有基本的實際成本（包括計算成本和數(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隊，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。請注意，如果這成為現(xiàn)實，OSS 模型可能會開始越來越類似于其 Web2 盈利模型。但實際上，市場將分為兩部分，一些模型仍然完全免費。

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 場所）？

這正是像 Grass 這樣的初創(chuàng)公司正在做的事情。 Grass 是一個由「數(shù)據(jù)抓取者」組成的去中心化網(wǎng)絡(luò)，這些人將機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，由于大型激勵節(jié)點網(wǎng)絡(luò)的強大力量，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。事實上，阻止去中心化的數(shù)據(jù)抓取大軍也是不可能的，因為它們本質(zhì)上是去中心化的，并且不駐留在單個 IP 地址內(nèi)。他們還有個可以清理和標(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，并隨著時間的推移使用更多數(shù)據(jù)對其進(jìn)行完善。 然而，由于互聯(lián)網(wǎng)上的數(shù)據(jù)是實時變化的，這些模型總是有點過時。 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——「實時」數(shù)據(jù)。這個概念是，當(dāng)一個大型語言模型（LLM）被問到推理問題時，LLM 可以通過提示傳輸并注入數(shù)據(jù)，而這些數(shù)據(jù)是實時從互聯(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?盤點值得關(guān)注的十大Crypto+AI趨勢的詳細(xì)解讀了，希望大家喜歡！

你可能感興趣的文章

• 

  川普勝選帶動加密貨幣浪潮：Crypto-AI、DeFi和RWA成熱議

  近期川普勝選帶動加密貨幣市場掀起熱潮，比特幣價格也一度突破93K美元大關(guān),回頭看2018年時，比特幣才值3,000美元的時代，目前市場已經(jīng)發(fā)生巨變, 更多詳細(xì)資訊請看下面正文…

  2024-11-18
• 

  Coinbase Ventures：一覽Crypto x AI堆棧全景

  AI的未來可以建立在區(qū)塊鏈技術(shù)之上，因為加密技術(shù)有助于在新興技術(shù)領(lǐng)域提高可及性、透明度和應(yīng)用場景,更多詳細(xì)資訊請看下面正文…

  2024-10-25
• 

  為什么大家喜歡使用CryptoGPT AI？全自動交易 7*24小時盯盤 全天盈利

  CryptoGPT AI就是能夠根據(jù)我的需求來量身定制交易策略,CryptoGPT AI的設(shè)計十分友好，它不需要我懂技術(shù)，通過簡單的對話，就能了解我的風(fēng)險承受能力、投資目標(biāo)和偏好，并自…

  2024-09-03
• 

  Hyperbolic是什么？Hyperbolic融資/技術(shù)/功能以及如何使用介紹

  Hyperbolic全面介紹！Hyperbolic不僅僅是一個算力提供商，像PoSP和SpML這樣的創(chuàng)新也為去中心化AI增加了新的信任和驗證層,在Hyperbolic上試驗base模型是非常有趣的，特別是…

  2025-06-20
• 

  盤點AI+Crypto的8大真正優(yōu)勢和4個設(shè)想

  AI+ Crypto 是近期加密貨幣市場備受矚目的前沿領(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…

  2025-04-23
• 

  2024年盤點AI+Crypto落地方向與協(xié)議項目介紹

  AI人工智能的火爆，細(xì)分品類包括數(shù)據(jù)、AI 模型、算力、應(yīng)用等多個方面,AI 賦能Crypto雖已有多種探索，但深度和廣度仍有很大提升空間,AI是否為Crypto帶來生產(chǎn)力變革？本文將…

  2024-05-15
• 

  從Vitalik的文章出發(fā)，盤點Crypto×AI值得關(guān)注的細(xì)分賽道

  AI賽道整體更像是“以技術(shù)敘事為主導(dǎo)的MEME”，文章中提到的NMR、Near、WLD都收獲了不錯的漲幅，完成了一輪價值發(fā)現(xiàn),本文基于Vitalik所提出的Crypto與AI結(jié)合的四種方式，對…

  2024-03-18
• 

  Bankless：AI x Crypto將定義2024年牛市

  這篇文章主要介紹了Bankless：AI x Crypto將定義2024年牛市的相關(guān)資料,需要的朋友可以參考下本文詳細(xì)內(nèi)容…

  2025-04-30
• 

  Galaxy：全景解讀Crypto+AI賽道

  人工智能是一種加速技術(shù)，它將極大地改變社會趨勢，同時改變經(jīng)濟，重塑行業(yè)，并提供在線互動的新形式,這篇文章全面解讀Crypto x AI賽道的巨大潛力，一起來看看吧…

  2024-02-19