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 訓練、GPU DePINs 以及抗審查的 AI 模型等。

在這些令人眼花繚亂的進展背后，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。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一步擴展：一方面創(chuàng)造全新的應用場景，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，例如平臺認證、微支付、跨平臺工作流集成等，從而簡化如今復雜繁瑣的操作流程。- 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、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 應用的承諾與挑戰(zhàn)》中，Vitalik 提出了利用 AI 智能體進行預測市場和裁決的設想。他認為，在大規(guī)模應用中，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)作為目標的智能體實驗。當然，這需要配備某種驗證機制，特別是在任務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，當有人鑄造或收藏一件作品時，代碼會實時運行，并在你設計的系統(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，去中心化基礎設施提供了廣闊的設計空間。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。尤其是在當前 Web2 AI 仍占主導地位的背景下，如何將智能合約與傳統(tǒng)服務協(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)，主導了深度學習和 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)絡上開發(fā)分布式模型訓練框架。

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.計算核算標準 (Compute Accounting Standards)

在去中心化高性能計算 (HPC) 網(wǎng)絡中，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)一的核算標準讓這一問題更加復雜。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。

由于缺乏這些標準，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 應用的承諾與挑戰(zhàn)》中提到一個獨特的矛盾： “在密碼學中，開源是實現(xiàn)安全的唯一方法，但在 AI 中，公開模型（甚至是訓練數(shù)據(jù)）會極大增加其受到對抗性機器學習攻擊的風險。”

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)的密碼學技術(shù)正在加速應用。今年在隱私增強技術(shù)方面已經(jīng)取得了顯著進展，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)邦學習和私有 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)如何促進去中心化 AI 在異構(gòu)系統(tǒng)上的實際應用，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，我們期待看到更復雜的語言系統(tǒng)與多種數(shù)據(jù)類型和神經(jīng)網(wǎng)絡架構(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

設想#1：去中心化 AI 訓練

鏈上 AI 訓練的問題在于需要 GPU 間的高速通信和協(xié)調(diào)，因為神經(jīng)網(wǎng)絡在訓練時需要反向傳播。 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，由于網(wǎng)絡延遲和帶寬增加，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練。然而，它仍處于新生階段，因此采用指標尚待確定。距離上的物理定律瓶頸仍然存在，因此 InfiniBand 上的本地訓練仍然要快得多。
• 已經(jīng)發(fā)表的一些關(guān)于去中心化訓練的新研究，這些研究通信同步時間變少，可能會使去中心化訓練在未來更加實用。
• 模型訓練的智能分片和調(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設施專門設計的（Gensyn 正在這些領(lǐng)域進行研究）。

訓練的數(shù)據(jù)部分也具有挑戰(zhàn)性。任何 AI 訓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)上進行訓練。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，因此在訓練模型之前必須對其進行清理，并轉(zhuǎn)換為可用的格式。此階段涉及標準化、過濾和處理缺失值的重復任務。這些都在去中心化環(huán)境中面臨嚴峻挑戰(zhàn)。

訓練的數(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)科學家最基本的任務場景包括定義目標、準備數(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)機器學習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：如果當前模型表現(xiàn)不如預期，專家會返回到數(shù)據(jù)收集或模型訓練階段以改進結(jié)果。想象一下，這個過程如果在去中心化環(huán)境中進行，最先進的現(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 大型語言模型的訓練需要大量的 GPU 計算資源。從長遠來看，推理將成為 GPU 的主要應用場景。試想為了滿足全球需求，需要訓練多少個 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？

設想#2：使用過度冗余的 AI 推理計算來達成共識

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)不當行為的潛在風險。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數(shù)年導致價格上漲。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。

設想#3：近期特定于 Web3 的 AI 用例

有人建議 Web3 應該有自己獨特的、專門針對 Web3 客戶的 AI 用例。這可以是（例如）使用 AI 對 DeFi 池進行風險評分的 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)務變得極具挑戰(zhàn)性。

長遠來看，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。

設想#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。消費類 GPU 非常適合低端 AI 推理任務或延遲、吞吐量和可靠性靈活的消費用例。但對于嚴肅的企業(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，并且如果他們有更復雜的推理任務，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

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)上述估計進行計算，這意味著全球 AI（超越生成 AI）的總市場價值可能達到數(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 目前最強大的應用是服務 Web2 客戶。

假設可以從 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 服務的巨大潛在客戶。為 Web2 客戶提供服務的 Web3 AI 服務將受益于這些穩(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 礦工面臨倒閉的風險。這些機器配備 GPU，可以重新用于低端 AI 推理任務。
• ETH 挖礦硬件。當以太坊從 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，例如單點登錄、SOC 2 合規(guī)性、服務級協(xié)議（SLA）等。這類似于當前云服務提供商為 Web2 客戶提供的服務。

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 也會進行自我審查。例如，OpenAI 不會處理 NSFW 內(nèi)容。 OpenAI 也不會預測下一次總統(tǒng)選舉。我們認為 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)絡上,可能看起來更加令人擔憂（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，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)的財務障礙而更難以競爭。Nvidia 可能會進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 證明達成共識

Web3 AI 推理的挑戰(zhàn)之一是驗證。假設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。

標準的 Web3 方法是讓多個驗證器重復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)百萬臺設備提供設備內(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% 是由有預算來幫助補貼模型的公司訓練的。其余 96% 的模型由社區(qū)訓練。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)來訓練模型。我們之前提到去中心化 AI 訓練有其挑戰(zhàn)。但是使用去中心化網(wǎng)絡來獲取數(shù)據(jù)怎么樣（然后可以將其用于其他地方的訓練，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，這些人將機器的閑置處理能力貢獻給數(shù)據(jù)源，為 AI 模型的訓練提供信息。假設，從規(guī)模上看，由于大型激勵節(jié)點網(wǎng)絡的強大力量，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準化數(shù)據(jù)的網(wǎng)絡，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)預訓練模型，并隨著時間的推移使用更多數(shù)據(jù)對其進行完善。 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 推斷的響應稍微不準確。

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趨勢的詳細解讀了，希望大家喜歡！