語言分析哲學對符號 / 概念 / 隱喻的主體性構建

概念的類比與知識的隱喻

當我們開始認真思考一個概念的時候，這一行為如同將一束陽光照射在一個多面棱鏡體上，概念就是這么一個多面棱鏡體。

多面棱鏡體所折射出的可見反射光，就是我們所能看見的關于這一概念的闡釋，而可見光只是被反射出來的光譜中的一部分，大量的不可見光構成了概念的隱喻光譜。

隱喻是一種對概念的修辭手段，在特定的歷史語境中，概念往往被植入諸多隱喻，而群體在交流互動中所形成的對概念的共識，本質上也是在構建并維護概念的隱喻光譜。

我們對諸概念的共識，來源于我們所共同看見的隱喻光譜。

諸多概念構成了我們知識體系的主要錨點，例如我們對 AI、Web3 的知識體系構建，直觀上就是由一系列的關鍵概念構成。

而概念的隱喻，構成了知識的根隱喻，這些概念的隱喻在知識體系中以隱喻的光譜而呈現(xiàn)，一部分以字面意義的知識呈現(xiàn)，但很大一部分以各種修辭假借的隱喻深藏其中。

隱喻如何植入概念并形成共識

正如 Web3 這一概念，在數(shù)據(jù)所有權回歸的敘事中，被植入了加密思想的主權個人隱喻。

這個隱喻的植入方式，是在對 Web3 這一概念的解構中，在廣泛的「民主投票治理」的討論語境中，引入「主權個人」的語素，附著在「民主」的相關語句之中。

這里我總結了一套如何植入思想隱喻的公式：

搶占輿論 > 解構概念 > 公共討論 > 廣泛語境 > 引入語素 > 附著語句 > 敘事構建 > 文化銜接> 集體共識

語素構成了我們在討論語境中對詞匯的特指，借此實現(xiàn)在特定的交流語境中，完成了對概念的隱喻修辭，并成為敘事共識的一部分。

再舉個例子，當公民數(shù)據(jù)和用戶數(shù)據(jù)兩個概念出現(xiàn)時，其實已經完成了特定的前置語境的構建，以公民數(shù)據(jù)這一概念為代表，前置的語境是國家下的公民在國家邊界內所產生的一切數(shù)據(jù)。

公民的活動是社會性的，進一步可分為公共數(shù)據(jù)與私有數(shù)據(jù)，這一區(qū)分決定了國家數(shù)據(jù)保護法的政策制定依據(jù)。

我們對 Web3 這一概念的全部表達，事實上反映了我們對 Web3 的知識體系的完整構成。而隱喻深藏其中，而我們卻時常視而不見。

AI 領域的從業(yè)者由于不在 Web3 的敘事交流語境中，而是從技術概念本身去解構 Web3 的時候，注定丟失了 Web3 在敘事語境中存在的大量隱喻，而正是這些隱喻構成了 Web3 世界的集體共識。

當前 AI 領域的從業(yè)者，普遍無法真正理解 Web3 的最根本原因就在于此。

概念的類比與語言的墮化

我們時常對概念的可見部分，進行關聯(lián)的類比，這是認知神經關聯(lián)的大腦本能。人類大腦對概念建立關聯(lián)性的優(yōu)先級，要高于對概念建立因果關系的優(yōu)先級。

當我們在討論去中心化時， 往往語境中會形成一種慣性認知。

即去中心化的組織 / 機構，無需中央機構監(jiān)督的一種自發(fā)組織形式，而由此又會進一步類比關聯(lián)到一種自下而上的、自發(fā)性的民間組織，后面由此衍生的一系列可能關聯(lián)的類比概念。

未經訓練的大腦，無法深刻理解詞匯背后的深刻意涵，更何況是在移動互聯(lián)網割裂注意力的網絡時代，注意力經濟塑造了信息如何被最高效率化的接收，即消除詞匯的精確性及其相關意涵，將詞匯通俗簡化為單一標簽。

眼下，我們正處于一個語言墮化的時代。

我們失去了將概念在概念群或者意義群當中，得以展開延伸的思考空間，失去這一空間意味著我們的思考踏空了支撐概念的土壤。而大腦神經對單一標簽概念的關聯(lián)性，又進一步造就了概念在特定語境的語義失真。

人的思想性被囚禁在標簽式語言符號的邊界之中。

所以，我們作為科技領域的從業(yè)者，我們有必要客觀認清我們當下所處的語言符號困境，我們無時不刻都在遭受語言墮化的威脅。

當我們在認真探討 AI 與 Web3 的時候，我們需要從語言本身理解，我們所闡釋的、所意涵的、以及其概念的隱喻，我們才能盡量避免語言墮化的陷阱。

深度有效的交流需要構建一個特定的、受保護的思考場域。

對去中心化歷史語境的解構

當我們在討論「去中心化」這一概念時，本身是在中文詞匯的交流語境中，我們需要追溯到其英文單詞「decentralization」。

當我們對「decentralization」這一單詞進行翻譯時，本質上「decentralization」的英文語素并不等于中文語素下的「去中心化」，也并不代表其精準的、明確的完全等同語義。

由于當代面臨的語言符號困境，即碎片化的知識與單一化的標簽，抹殺了網絡環(huán)境中人們對精準詞匯的理解與掌握能力。

「Decentralized」和「Decentralization」，常在中文語境中被我們翻譯為「去中心化」，但在其概念史的語境中，作為語素所表達的概念隱喻，是對權力結構的再分配方式，而不是脫離 / 推翻原有的權力結構，并形成一種完全自由、自發(fā)性組織的新主體。

Decentralized 依舊是在一個具有整體邊界的權力關系結構中，改變的是權力關系在再分配結構中的延展邏輯，而不是類似 Revolution 形式對權力結構進行根本性的改造 / 推翻。

Decentralized 這一概念的本質，是認識論對控制論的一次解構，Decentralized 是解構的產物，不是對建構的指引。（劃重點?。?/p>

在認識論的控制論｜Heinz von Foerster 的一文中，海茵茨說道：「『認識論的控制論』（Cybernetics of Epistemology）的真正意思是『控制論的認識論』（An Epistemology of Cybernetics），這不僅是一種控制論的認識論，而且任何聲稱完備的認識論，都將是某種形式的控制論?！?/p>

將 Decentralized 視為建構的指引，本質上是將認識論錯置為主體論，這是造成「去中心化」思想困境的根本原因。（此處為重點）

不管有意或者無意，過去的敘事方式犯下了根本性的錯誤，將「去中心化」作為敘事共識的主體性符號，使得這一符號成為塑造共識的存在主體，脫離了其原來作為一種認識論的解構功能。

我一直認為，「decentralized」和「decentralization」被翻譯為去中心化并被廣泛語境所大量使用，是非常糟糕的語言符號的墮化現(xiàn)象。

所以你會發(fā)現(xiàn)，整個加密領域的敘事哲學，從 2009 年至今，十幾年了沒有任何根本哲學的實質性發(fā)展，以太坊正統(tǒng)王是指望不了的。

其實不禁唏噓，金融壟斷的根本成因在于資本異化的必然規(guī)律，加密貨幣其實也脫離不了金融貨幣本身的異化魔咒。

認清這一根本性事實，有助于我們把 Crypto 放在合適的歷史位置，而不必和 Web3 發(fā)生混淆，也為后續(xù) Web3 敘事概念的建構，汲取歷史經驗的教訓。

我估計 AI 領域的從業(yè)者也很難相信，當 Crypto 開始自我解構時，Web3 所呈現(xiàn)出來的去中心化信仰，事實上就淪為一種被語言墮化所造成的，一種形而上的符號化囚徒困境。

無論是堅持去中心化信仰，又或者祛魅去中心化信仰，都會繼續(xù)面臨一個巨大的思想困境。而這些思想性的問題，都是我們在探討 AI 與 Web3 的現(xiàn)狀時，不得不考慮的重要因素。

所以，結合上文，我們通過歷史學的時間分析，點破了加密文化中的「去中心化」開始了自我解構，而通過對語言分析哲學的使用，我們消除「去中心化」與「中心化」這一思想性的概念隔閡。

這項理論分析工作的完成，得以讓 AI+Web3 進入了概念史的歷史統(tǒng)一場域之中。

AI+Web3 得以進入共同歷史的經驗空間，一致面向未來的期待視野。

二、洞察行業(yè)現(xiàn)狀與趨勢

在我現(xiàn)階段有限的信息掌握范疇中，從中挑選了 10 個我個人感興趣的的案例，這個代表性并非是對市面上所有 AI+Web3 項目的代表性，在此特指聲明。

我認為的一個好的代表性項目，在于其具有良好的相關性，正如「概念的類比與知識的隱喻」這一章節(jié)所闡述的，相關性所延展開來的概念，有助于我們了解更多隱藏的信息，并挖掘出更多的可能性。

注：以下 10 個代表項目僅學習參考，不構成任務投資建議。

1、基礎設施

基礎設施決定了 AI+Web3 在未來的商業(yè)應用生態(tài)，基礎設施最重要的價值，其實就是解決 AI on-chain 的難題，目前比較典型的技術如 zkML（Zero knowledge machine learning），即零知識證明與機器 學習結合的技術路線，能夠實現(xiàn)將 AI 的推理證明上鏈。

而事實，AI on-chain 是一個比較前沿的命題，也取決于不同的開發(fā)團隊對 AI on-chain 的理解，當前 AI 生態(tài)的基座是大模型，Web3 生態(tài)的基座是公鏈，模型與公鏈之間建立橋梁又或者兩者融合，決定著未來該交叉領域的根基。

Bittensor

Bittensor 是一個用于去中心化子網的協(xié)議。子網的存在是為了產生去中心化智能。每個子網是一個基于激勵的競爭市場，旨在產生最優(yōu)秀的去中心化智能。

子網運行在區(qū)塊鏈上，構成了 Bittensor 生態(tài)系統(tǒng)的核心。子網參與者的獎勵以 TAO 代幣的形式提供。

引用自： https://bittensor.com/

通過 Bittensor 的白皮書概述，我們也能夠大致看待 Bittensor 試圖所構建，一個點對點的智能交易市場。

與其他商品一樣，市場可以幫助我們有效地生產機器智能。我們提出了一個市場，其中智能由互聯(lián)網上其他智能系統(tǒng)進行點對點定價。

節(jié)點通過訓練神經網絡對彼此進行排名，學習其鄰居的價值。分數(shù)累積在數(shù)字分類賬上，排名高的節(jié)點通過在網絡中獲得額外的權重而得到貨幣獎勵。

然而，這種點對點排名形式對勾結不具有抵抗力，可能破壞機制的準確性。解決方案是一種激勵機制，最大程度地獎勵誠實選擇的權重，使系統(tǒng)對高達網絡權重的 50% 的勾結具有抵抗力。

結果是一個集體運營的智能市場，不斷產生新的訓練模型，并支付為信息論價值做出貢獻的參與者。

引用自：Bittensor: A Peer-to-Peer Intelligence Market

Cortex

第一個能夠在區(qū)塊鏈上運行人工智能和人工智能驅動的去中心化應用（dApps）的分布式世界計算機。

Cortex 是一個開源、點對點、去中心化的區(qū)塊鏈，支持將人工智能（AI）模型上傳并在分布式網絡上執(zhí)行。

Cortex 通過提供一個開源的人工智能平臺，使得 AI 模型能夠輕松集成到智能合約中，從而創(chuàng)建增強人工智能的去中心化應用程序（DApps），實現(xiàn)了人工智能的民主化。

引用自： https://www.cortexlabs.ai/

Spice AI

Spice AI 是一個可組合、即插即用的 AI 數(shù)據(jù)的基礎設施平臺，預先加載了 Web3 數(shù)據(jù)。加速下一代智能軟件的開發(fā)。

Spice AI 的企業(yè)級解決方案，Spice.ai 在內部建設所需的時間的一小部分和成本的一小部分內，提供了預先填充的、面向全球的數(shù)據(jù)和 AI 基礎設施。

Spice.ai 通過單一且互連的 AI 后端服務，提供了構建數(shù)據(jù)和 AI 驅動應用的構建塊，包括實時和歷史時間序列數(shù)據(jù)、定制 ETL、機器學習訓練和推斷。

引用自： https://spice.ai/

Lets Workshop

AI 與 Web3 在算力資源的這個市場中，我認為高度集中的、分布式的都會同時存在，根據(jù)具體情況有屬于自己各自合適的方案。

例如 OpenAI 在訓練大模型必然需要集中的算力資源，但 OpenAI 同時也在探索使用分布式算力資源的技術方向。