盤(pán)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(wèn)：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(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？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(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(zhuān)門(mén)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(zhuān)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(zhuān)門(mén)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(qián)包歷史記錄為用戶建議新協(xié)議的 Web3 錢(qián)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(lài)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(lèi) 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(zhuān)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。

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(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(lèi)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(qián)」。

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(lèi)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(zhuān)有軟件的市場(chǎng)份額。我們將 LLM 視為某種專(zhuān)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(zhuān)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(zhuān)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(chēng)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(lèi)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(xiě)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(zhuān)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?？紤]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(lèi)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。

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！