作者：@chenyangjamie, @GryphsisAcademy
TL;DR:
生成式AI 的商業應用在2022 年風靡全球，但隨著新鮮感褪去後，生成式AI 當下的一些問題也逐漸顯現。而逐漸成熟的Web3 領域，憑藉著區塊鏈的全透明、可驗證和去中心化的特性，為解決生成式AI 問題提供了新的思路。
生成式AI 是近年來的一項新興技術，它基於深度學習的神經網絡框架研發，用於影像生成的擴撒模型和用於ChatGPT 的語言大模型均展現出巨大的商用潛力。
Web3 中的生成式AI 的實現架構包括基建、模型、應用和數據，其中數據部分在與Web3 結合時尤為重要，具有龐大的發展空間，特別是鏈上資料模型、AI 代理類別項目和垂直領域應用有潛力成為未來的重點發展方向。
目前市場上的Web3 中AI 賽道的熱門項目均顯示出了基本面不足，代幣價值捕獲能力弱等特性，未來主要期待新的熱度或代幣經濟的更新。
生成式AI 在Web3 領域有著巨大潛力，未來有著不少和其他軟硬件技術結合的新的敘事值得期待。
一、 為什麼生成式AI 和Web3 互相需要?
2022 年可以稱得上是生成式AI（Artificial Intelligence）風靡世界的年份，在此之前的生成式AI 還只是局限在專業工作者的輔助工具，而在Dalle-2 ，Stable Diffusion，Imagen，Midjourney 接連出世之後，人工智慧生成內容（AI-Generated Content，簡稱AIGC）作為最新潮的科技應用，在社群媒體上產生了一大波潮流內容。而緊接著發布的ChatGPT 更是一枚重磅炸彈，將這股風潮推向了最頂點。作為第一個只需要簡單文字指令（即prompt）的輸入，就可以回答幾乎所有問題的AI 工具，ChatGPT 早已成為了許多人的日常工作助手。它可以勝任文件寫作、作業輔導、郵件助理、論文修改、甚至情感導師等等的多樣化日常任務，網上更是熱情高漲地研究各種用來優化ChatGPT 生成結果的神秘prompt，人們第一次可以感受到人工智能的「智能」所在。根據高盛的宏觀團隊的報告，生成式AI 可以成為美國勞動生產力成長的助推器，在生成式AI 發展的10 年內，可以在10 年內推動全球GDP 成長7% （或近7 兆美元） ，並將生產力成長率提高1.5 個百分點。
Web3領域也感受到了AIGC 的春風， 2023 年一月的AI 板塊全線上漲
Source: https://www.coingecko.com/
然而在最初的新鮮感逐漸褪去之後，ChatGPT 的全球流量自發布以來，在2023 年6 月首次出現下降（資料來源：SimilarWeb），也正是時候來重新思考生成式AI 帶來的的意義以及其局限性。從目前的情況看來，生成式AI 遇到的困境包括（但不限於）：首先是社群媒體充斥著未經許可且無從溯源的AIGC 內容；再者ChatGPT 的高額維護費用更是迫使OpenAI 也不得不選擇降低產生品質來降本增效；最後是即使是世界範圍的大模型，仍在某些方面的生成結果中存在偏見。
ChatGPT 全球桌面與行動流量
Source: Similarweb
同時，逐漸邁向成熟Web3 以其去中心化、全透明以及可驗證的特性，為解決生成式AI 當前的困境提供了新的結題思路：
Web3 的全透明性和可溯源性，可以解決生成式AI 帶來的資料的版權和隱私方面的挑戰。Web3 的這兩個特性，可以使得內容的來源和真實性能夠被有效驗證，從而顯著提高了AI 產生虛假或侵權內容的成本，例如版權混亂的混音短視頻或侵犯他人隱私的DeepFake 換臉視頻。此外，智慧合約在內容管理中的應用可望解決版權問題，確保內容創作者能夠從他們的創作內容中獲得較為公平報酬。
DeepFake Video: This is not Morgan Freeman
Source: Youtube
Web3 的去中心化特性可以降低AI 算力的中心化風險。研發成式AI 需要大量的運算資源，據估計訓練一次基於GPT-3 的ChatGPT 成本至少在200 萬美元以上，同時每天電費需要約4.7 萬美元，並且這個數字會隨著技術和規模的發展指數級上升。目前運算資源仍大量集中在大型公司手中，這導致了龐大的研發、維護和營運成本，同時也存在著集中化風險，使得小型公司難以與其競爭。儘管短期內大模型的訓練可能仍需要在中心化環境中進行，因為大型模型的訓練需要大量運算資源，但在Web3 中，區塊鏈技術使得分散式模型推理、社群投票治理以及模型的代幣化等等變得可能。以現有的去中心化交易所為成熟案例，我們可以設計社區驅動的去中心化AI 大模型推理系統，其中大型模型的所有權歸屬於社區，並由社區進行治理。
即使使用最新的H 100 訓練GPT-3 ，每FLOPs 的成本依然高昂
Source: substake.com
利用Web3 的特性可以優化AI 資料集的多樣性和AI 模型的可解釋性。傳統方式資料收集基本上是基於公開資料集或模型製作方自行收集，收集到的資料往往受到地理和文化的限制。這可能導致AIGC 程序產生的內容和ChatGPT 產生的答案帶有某些族群的主觀偏見，例如改變目標任務的膚色。而透過Web3 的代幣激勵模式，我們可以優化資料收集方式，從世界各個角落收集資料並賦予權重。同時Web3 的全透明且可溯源可進一步增加模型的可解釋性，鼓勵多樣化背景的輸出以豐富模型。
目的是提高解析度的AI 卻會把奧巴馬變成白人
Source: Twitter
可以利用Web3 海量的鏈上資料訓練獨有AI 模型。目前AI 模型的設計和訓練方法往往是針對目標資料結構（文字、語音、圖像或視頻）建構。 Web3 和AI 結合的一個獨特的未來發展方向，是參考自然語言大模型的建構和訓練方法，利用Web3 鏈上資料獨有的資料結構，建立鏈上資料大模型。這樣可以為用戶提供其他數據分析無法觸及的獨特視角（聰明錢追踪，項目資金走向等等），同時相比於人工鏈上分析，AI 具有可以並發處理巨量數據的優勢。
自動化鏈上分析，監控鏈上資訊可以取得一手資訊
Source: nansen.ai
生成式AI 可望成為降低人們參與Web3 世界的門檻的強大助力。當下Web3的項目主流參與模式需要參與者對於各種複雜鏈上概念和錢包操作邏輯有相當的了解，這大大增加了用戶的學習成本和誤操作風險，而反觀Web2 中的同類的應用則是已經將產品設計的““懶人原則”的原則貫徹多年，使得用戶可以輕鬆且無風險上手。生成式AI 有望助力intent-centric 類項目，通過在Web3 中充當用戶和協議間的“智能助手”，使得Web3產品的使用者體驗大幅提升。
Web3 也創造了龐大的內容需求，而生成式AI 則成為填補此需求的關鍵手段。生成式AI 可以為Web3 創造大量的文章、圖像、音頻和視頻內容，驅動去中心化應用的發展，從NFT 市場到智慧合約的文檔，都可以受益於AI 生成的多樣化內容。
雖然生成式AI 和Web3 各自存在挑戰，但它們的相互需求和協同解決方案將有望塑造數字世界的未來。這種協作將提高內容創造的品質和可信度，推動數字生態系統的進一步發展，同時為使用者提供更有價值的數字體驗。生成式AI 和Web3 的共同演進將在數字時代繪製出令人興奮的新篇章。
二、生成式AI 的技術總結
2.1 生成式AI 的技術背景
自從20 世紀50 年代AI 的概念被提出以來，已經經歷過數次上升潮和低谷期，每次關鍵技術的革新都會帶新的一波浪潮，這次的生成式AI 也不例外。生成式AI 作為近10 年間才被提出的新興概念，憑藉近期的技術和產品的耀眼表現，從AI 的眾多研究子方向中脫穎而出，並一夜之間吸引了全世界關注的目光。在我們更進一步的深入生成式AI 的技術架構之前，我們需要先說明本文中討論的生成式AI 的具體含義，並簡單回顧一下近期爆火的生成式AI 的核心技術組成。
生成式人工智能是一種可用於創建新的內容和想法（包括對話、故事、圖像、影片和音樂）的人工智能，是基於深度學習的神經網絡框架建立的、使用大量數據進行訓練的，含有巨量參數的模型。近期走入人們視線的生成式AI 產品簡單來分可以分為兩類：一類是文字或風格輸入的圖像（影片）生成類產品，另一類是文字輸入的ChatGPT 類產品。這兩類產品其實實用到了同樣的核心技術，也就是基於Transformer 架構的預訓練語言大模型（Large Language Model，LLM）。在此基礎上，前一類產品加上了結合文字輸入產生高品質影像或影片的擴散模型（Diffusion Model），後一類產品則是加入了基於人工回饋的強化學習訓練（Reinforcement Learning from Human Feedback ，RLHF），以達到輸出結果接近人類的邏輯層次。
2.2 目前生成式AI 的技術架構：
許多過去的優秀文章都從不同角度討論過了生成式AI 對已有技術架構的意義，例如這篇來自A16z 的文章《誰擁有生成式AI 平台？ 》，其中全面總結了生成式AI 目前的技術架構：
生成式AI 的主要技術架構
Source: 誰擁有生成式AI 平台？
這篇研究文章中將當下Web2 生成式AI 的架構分為三個層次：基建（算力），模型與應用，同時給出了對於這三個層次目前發展的看法。
對於基建，雖然目前仍以Web2 中基建的邏輯為主，真正針對Web3 同AI 結合的基礎建設項目仍寥寥可數。同時基礎建設也是目前階段捕捉了最多價值的部分，Web2 的科技寡頭們憑藉著在儲存和運算領域深耕數十年，透過在目前的AI 探索階段「賣鏟子」獲得了可觀的收益。
對於模型，本應是AI 真正的創造者和所有者，然而在目前階段能夠支持模型的作者們獲得對應的商業價值的商業模型還少之又少。
對於應用，幾個垂直領域雖然已經累積超過了上億美元收入的應用，然而高昂的維護費用和較低的用戶留存度不足以支撐起長期的商業模式。
2.3 生成式AI 與Web3 的應用範例
2.3.1 應用AI 分析Web3 的大量數據
數據在未來AI 發展領域是建立技術障礙的核心。為了瞭解其重要性，我們先來看看關於大模型效能來源的研究。這項研究表明，AI 大模型展現出一種獨特的湧現能力：即透過不斷增加模型規模，當超過某個閾值時，模型精確度會突然暴增。如下圖所示，每張圖代表一個訓練任務，每條折線達標一個大模型的表現（準確率）。各種不同的大模型上的實驗都獲得了一致的結論：模型規模超過一定閾值之後，在不同任務上的表現都表現出突破式增長。
模型規模和模型表現之間的關係
Source: Emergent Analogical Reasoning in Large Language Models
簡單來說，模型的規模量變成模型表現的質變。而這其中的模型規模是和模型參數數量、訓練時間、訓練資料品質有關。現階段在模型參數數量（各大公司都有頂尖研發團隊負責設計）、訓練時間（計算硬件都買英偉達的）拉不開差距的情況下，想要打造一款領先對手的產品，一條路是找到絕佳的細分領域需求痛點打造殺手應用，但是這要求對目標領域有著深刻理解和絕佳洞察力；而另一條路更為實際可行，即是收集比競爭者更多更全面的數據。
這也為生成式AI 大模型進入Web3 領域找到了一個不錯的切入點。現有的AI 大模型或基礎模型都是基於不同領域的巨量資料訓練而來，而Web3 中鏈上資料的獨特性使得鏈上資料大模型成為值得期待的可行路徑。在Web3 中資料層級目前有兩種產品邏輯：第一種是為數據提供者提供激勵，保護資料所有者的隱私和所有權的同時，鼓勵使用者互相分享資料的使用權。 Ocean Protocol 提供了一個很好的資料分享模式。第二種是由項目方整合資料和應用，為使用者提供針對某項任務的服務。例如Trusta Lab 收集並分析使用者的鏈上數據，透過獨特的MEDIA score 評分系統，可以提供女巫帳號分析、鏈上資產風險分析等服務。
2.3.2 Web3 的AI 代理應用
還有前文提到的鏈上AI Agent 應用也是風頭正勁- 在語言大模型的助力下，以保證用戶隱私為前提，為用戶提供可量化的鏈上服務。根據來自OpenAI 人工智能研究主管Lilian Weng 的博文，可以將AI Agent 分為四個組成部分，即Agent = LLM + Planning + Memory + Tool use。 LLM 作為AI Agent 的核心，負責與外界的交互，學習大量資料並以自然語言合乎邏輯的表達。而Planning + Memory 部分，則類似於訓練AlphaGo 的強化學習技術中的action, policy and reward 的概念。將任務目標拆解為各個小目標，分步驟在多次的重複訓練的結果和反饋中學習到某個任務目標的優化的解法，同時將獲得的信息儲分不同功用存儲在不同類型memory中。至於Tool use，指的是agent 對於諸如調用模塊化工具，檢索互聯網信息，接入專有信息源或API，等等工具的使用，值得注意的是這部分信息大多在預訓練之後會很難更改。
AI Agent 的全球示意圖
Source: LLM Powered Autonomous Agents
結合AI Agent 的具體實作邏輯，我們可以大膽暢想Web3 + AI Agent 的組合會帶來無限的想像空間，例如：
在目前的交易應用中可以加入AI Agent 的模式，可以提供客戶自然語言等級的互動界面，進行包含但不限於價格預測、成交策略、止損策略、槓桿動態調整、KOL 智慧跟單、借貸等的交易功能。
在執行量化策略時，可以進一步的將策略分解成各個子任務交由不同AI Agent 實施，各個AI Agent 之間互相合作，這樣既可以提高隱私保護的安全性，又可以即時監控防止對手方利用漏洞反擼機器人。
鏈遊中的大量NPC也是和AI Agent 天然契合的應用方向，現在已經有了將GPT 應用於動態生成遊戲角色對話內容的項目，而未來更有望不僅僅局限於預設文本，而升級為更加真實的實時遊戲NPC（甚至數字人）互動，可以實現不涉及玩家幹預的情況下自行互動。斯坦福大學發布的“虛擬小鎮」就是極佳的應用範例。
雖然在目前Web3 + AI Agent 專案中心仍集中在一級市場或AI 基建一側，仍未有To C 的殺手級應用出現，但是相信在結合了區塊鏈的各種特性，諸如分佈式鏈上治理，零知識證明推理，模型分發，可解釋性提升等等，未來改變遊戲規則的Web3 + AI 項目值得期待。
2.3.3 Web3 + AI 的潛在垂直領域應用
A. 教育領域應用
在Web3 和AI 的結合中，教育領域迎來了一場變革，其中生成式的虛擬現實課堂是一項引人注目的創新。透過將AI 技術嵌入線上學習平台，學生可以獲得個人化的學習體驗，系統根據學生的學習歷史和興趣產生客製化的教育內容。這種個人化方法有望提高學生的學習動力和效果，使教育更貼近個別需求。
學生透過沉浸式VR 設備參與虛擬現實課堂
Source: V-SENSE Team
此外，代幣模型學分激勵也是教育領域的創新實踐。透過區塊鏈技術，學生的學分和成就可以被編碼成代幣，形成數字化的學分體系。這樣的激勵機制鼓勵學生積極參與學習活動，創造了更具參與性和激勵性的學習環境。
同時受到近期大火的SocialFi 專案FriendTech 的啟發，類似的綁定ID 的key 定價邏輯也可以用來建立一個同學間的互評系統，這也為教育帶來了更多社交元素。透過利用區塊鏈的不可篡改性，同學之間的評價更加公正和透明。這種互評機制不僅有助於培養學生的團隊協作能力和社交能力，也能夠提供更全面、多角度的學生表現評估，為教育體系引入更多多樣性和綜合性的評價方式。
B. 醫療領域應用
在醫療領域，Web3 和AI 的結合推動了聯邦學習和分佈式推理的發展。透過聯合分散式運算和機器學習，醫療專業人員可以在極大範圍內共享數據，進行更深入、更全面的群體學習。這種集體智慧的方法可以加速疾病診斷和治療方案的研發，並推動醫學領域的進步。
隱私保護是醫療領域應用中也不可忽視的關鍵問題。透過Web3 的去中心化和區塊鏈的不可篡改性，患者的醫療數據可以更安全地儲存和傳輸。智慧合約可以實現對醫療數據的精確控制和權限管理，確保只有經過授權的人員能夠訪問患者的敏感信息，從而維護了醫療數據的隱私性。
C. 保險領域應用
在保險領域，Web3 和AI 的整合有望為傳統業務帶來了更有效率和智慧的解決方案。例如在汽車和房屋保險中，電腦視覺技術的運用使得保險公司能夠透過影像分析與估價，更有效率地評估財產價值和風險水準。這為保險公司提供了更精細、個人化的定價策略，並提高了保險業的風險管理水準。
運用AI 技術進行理賠估價
Source: Tractable Inc
同時，鏈上自動理賠也是保險業的創新。基於智慧合約和區塊鏈技術，理賠過程可以更加透明、高效，減少了繁瑣的手續和人為介入的可能性。這不僅提高了理賠的速度，也降低了操作成本，為保險公司和客戶帶來了更好的體驗。
動態保費調整是另一方面的創新實踐，通過即時的數據分析和機器學習算法，保險公司能夠更精準且及時地調整保費，根據被保險人的實際風險狀況進行個人化定價。這不僅使保費更加公平，也激勵被保險人採取更健康、安全的行為，促進了整個社會的風險管理和預防措施。
D. 版權領域應用
在版權領域，Web3 和AI 的結合為數字內容創作、策劃提案和程式碼開發帶來了全新的典範。通過智慧合約和去中心化的存儲，數字內容的版權信息可以得到更好的保護，作品的創作者能夠更容易追蹤和管理其知識產權。同時，透過區塊鏈技術，可以建立透明、不可竄改的創作記錄，為作品的溯源和認證提供了更可靠的手段。
工作模式創新也是版權領域的重要變革。代幣激勵式工作協同通過將工作貢獻與代幣激勵相結合，鼓勵創作者、策劃者和開發者共同參與專案。這不僅推動了創作團隊之間的協同合作，也為參與者提供了直接從項目成功中受益的機會，促使更多優秀的作品湧現。
另一方面，代幣作為版權證明的應用重塑了利益分配的模式。透過智慧合約自動執行的分紅機制，作品的各個參與者可以在作品被使用、銷售或轉讓時，即時獲得相應的利潤份額。這種去中心化的分紅模式有效解決了傳統版權模式中的不透明和滯後問題，為創作者提供更公平、高效的利益分配機制。
E. 元宇宙領域應用
在元宇宙領域，Web3和AI 的整合為創造低成本的AIGC 填充鏈遊內容提供了新的可能。透過AI 演算法產生的虛擬環境和角色能夠豐富鏈遊的內容，為使用者提供更生動、更多樣化的遊戲體驗，同時減少了製作過程中的人力和時間成本。
數位人製作是元宇宙應用中的一項創新。結合細緻到毛髮的外觀生成和基於語言大模型的思維構建，生成的數字人可以在元宇宙中扮演各種角色，與使用者互動，甚至參與現實場景的數字孿生。這為虛擬現實的發展提供了更真實和深刻的體驗，推動了數字虛擬人技術在娛樂、教育和其他領域的廣泛應用。
依照鏈上使用者畫像自動產生廣告內容是元宇宙領域中一項智慧化的廣告創意應用程式。透過對使用者在元宇宙中的行為和喜好進行分析，AI 演算法可以產生更具個人化和吸引力的廣告內容，提高廣告的點擊率和用戶參與度。這種廣告產生方式不僅更符合用戶興趣，也為廣告主提供了更有效率的推廣途徑。
生成式互動NFT是元宇宙領域中一項引人注目的技術。透過將NFT 與生成式設計結合，使用者可以在元宇宙中參與創作自己的NFT 藝術品，賦予其互動性和獨特性。這為數字資產的創作和交易提供了全新的可能性，推動了元宇宙中的數字藝術和虛擬經濟的發展。
三、Web3 相關標的
這裡筆者選擇了五個項目，Render Network和Akash作為通用AI 基建和AI 賽道老牌龍頭，Bittensor 作為模型類別的爆款項目，Alethea.ai作為生成式AI 強相關應用項目，Fetch.ai作為AI 代理領域的標誌項目，來一窺生成式AI 項目現在在Web3 領域的現狀。
3.1 Render Network（$RNDR）
Render Network 是由其母公司OTOY 公司的創始人Jules Urbach 於2017 年創立。 OTOY 公司的核心業務是雲端圖形渲染，曾參與製作過獲得奧斯卡獎的影視項目，有Google和Mozilla 聯合創始人作為顧問，並多次參與與Apple 合作的項目。而由OTOY 延伸入Web3領域的Render Network，其創立目的是為了利用區塊鏈技術的分散特性，連接較小規模的渲染和AI 需求與資源的去中心化平台，從而為小作坊省下租賃昂貴的中心化運算資源（例如AWS，MS Azure 和阿里雲）的費用，同時也為有閒置運算資源的一方提供了創造收入。
由於Render 是自主研發了高效能渲染器Octane Render 的OTOY 公司，加上確定的商業邏輯，所以上線之初就被認為是自備需求和基本面的Web3 項目。在生成式AI 風靡的這段時間裡，需求大幅成長的分散式驗證和分散式推理任務完美契合Render 本身技術架構，也被認為是未來值得期待的發展方向之一。同時Render 近年常年佔據Web3 領域AI 賽道的龍頭位置，已經衍生出了一定程度的meme 性質，每次有AI、元宇宙、分佈式計算等敘事熱潮時總能吃到上漲紅利，可謂是較為全能了。
Render Network 在2023 年2 月宣布了即將更新新的定價分級制度和社區投票選出的$RNDR 的物價穩定機制（然而還未確定何時上線），並同時宣布項目將由Polygon 轉移至Solana（同時將$RNDR 代幣升級為基於Solana SPL 標準的$RENDER 代幣，目前項目已於2023 年11 月完成轉移）。
Render Network 發布的新的定價分級制度將鏈上的服務分為了三個檔次，由高至低分別對應不同價位和品質的渲染服務，可以由渲染需求方自行選擇。
Render Network 新定價分級制度的三個等級
而由社群投票選出的$RNDR 的物價穩定機制，是從之前的不定期回購，改為了使用“Burn-and-Mint Equilibrium (BME)” 模式，使得$RNDR 作為價格穩定支付代幣，而不是長期持有資產的定位更加明顯。在一個BME Epoch 中具體的業務流程如下圖所示：
產品產生“Product Creation”。 Render 上的產品創造者“Product creators”，也也就是渲染資源提供者，他們將閒置渲染資源打包成產品（節點），在網路上線等待被使用；
購買產品“Purchasing Product” 。有渲染需求的客戶如果有$RNDR token 則直接burn token 作為支付服務的費用，如果沒有則先在DEX 用法幣購買$RNDR 之後burn token。為服務支付的價格會被公開記錄在鏈上。
鑄造代幣“Mint Token”。依照事先預設的規則，分配新的token。
Note: Render Network 會從每一筆交易中收取產品購買者支付費用的5% 用以專案運作。
Burn-and-Mint Equilibrium Epoch
Credit to Petar Atanasovski
Source: Medium
依照事先預設的規則，在BME 執行的每個Epoch 中，會有預設數量的新代幣被鑄造（預設數量會隨著時間而逐漸減少）。新鑄造的代幣將分配給三方：
產品創造者。產品創造者依照兩個面向獲得：
完成任務獎勵。依照每個產品節點完成渲染任務的數量來獎勵，很好理解。
在線獎勵。依照每個產品節點在線上待命的市場進行獎勵，鼓勵限制資源多在線上接活。
產品購買者。類似商場產品回券，購買者可以獲得比例有機會高達100% 的$RNDR 代幣返還，鼓勵未來繼續使用Render Network。
DEX（Decentralized Exchange）流動性提供者。在合作DEX 中的流動性提供者，因為確保了在需要burn $RNDR 時能以合理價格購買到足夠數量的$RNDR，可以按照質押$RNDR 的多少獲得獎勵。
Source: coingecko.com
從$RNDR 近一年的價格趨勢中可以看到，作為Web3 中多年AI 賽道的龍頭項目，$RNDR 吃到了ChatGPT 在2022 年末2023 年初帶動的一波AI 熱潮的紅利，同時隨著新的代幣機制的發布，$RNDR 的價格在2023 年上半年達到了一個高點。在橫盤了下半年之後，隨著OpenAI 新發布會帶來的AI 回暖，和Render Network 遷移至Solana 以及新的代幣機制即將實裝的利好預期，$RNDR 的價格更上一層，來到了近年來來的一個最高點。由於$RNDR 基本面的變化微乎其微，對於投資人而言，未來$RNDR 的投資需要更謹慎的進行部位管理與風險管控。
Render Network 每月節點數量
Render Network 每月渲染場景數
Source: Dune.com
同時從Dune 資料看板可以看到，自2023 年初以來，總的渲染任務數量增加，但是渲染節點並沒有增加。說明增加的使用者都是有渲染需求的使用者（而非有渲染資源的），結合2022 年末的生成式AI 熱潮，合理推論增加的渲染任務都是生成式AI 相關的任務。目前還很難說這部分需求是否是長期需求，還需要後續觀察。
3.2 Akash Network ($AKT)
Akash Network 是一個去中心化的雲端運算平台，旨在提供開發者和企業更靈活、高效和經濟的雲端運算解決方案。該項目建立的「超級雲」平台建立在分散式區塊鏈技術之上，利用區塊鏈的去中心化特性，為用戶提供了一個可以在全球範圍內部署和運行應用程序的去中心化雲基礎設施，其中包括CPU，GPU 和儲存在內的多樣化運算資源。
Akash Network 的創始人Greg Osuri 和Adam Bozanich 是合作多年的連續創業家，各自有著多年的計畫經驗，他們曾一起創立了目前仍是Akash Network 核心參與者的Overclock Labs 計畫。豐富的經驗使得創始團隊對於Akash Network 的主要使命設定清晰，即是降低雲端運算成本，提高可用性，並增加使用者對運算資源的控制。通過公開競價的方式，激勵資源提供者開放其網路中的空閒運算資源，Akash Network 實現了資源的更有效利用，從而為資源需求方提供了更具競爭力的價格。
Akash Network 在2023 年01 月開始了Akash Network Economics 2.0 更新計劃，目標是解決當前代幣經濟的許多缺陷，包括：
$AKT 代幣的市場價格波動導致長期合約的價格與價值不符
對於資源提供者的激勵不足以釋放其手中的大額算力
社區激勵不足不利於Akash 計畫的長期發展
$AKT 代幣的價值捕獲不足有影響專案穩定的風險
根據官網提供的信息，Akash Network Economics 2.0 計劃提出的解決方案包括引入穩定幣支付，加收掛單吃蛋手續費增加協議收入，增加資源提供方的激勵並提高社區激勵的額度等等，其中穩定幣支付功能和掛單吃單手續費功能已經上線實裝。
作為Akash Network 的原生代幣$AKT，其在協議中肩負包含質押驗證（安全性）、激勵措施、網絡治理和支付交易費用等多種用途。根據官網上提供的數據，$AKT 的供應總量額為388 M，截止至2023 年11 月，目前已解鎖229 M，佔比約59% 。在專案啟動時分發的創始代幣已經在2023 年3 月完成全部解鎖，進入二級市場流通。創世代幣的分配比例如下：
值得關注的是，在價值捕獲方面，$AKT 擬實施的一項尚未生效但在白皮書中提及的功能是，Akash 計劃對每一次成功的租賃收取“收取費用”。隨後，它將這些費用發送至Take Income Pool，以便分配給持有人。該計劃規定對$AKT 交易收取10% 的手續費，而對使用其他加密貨幣的交易則收取20% 的手續費。此外，Akash 還計劃獎勵那些鎖定其$AKT 持股時間較長的持有者。因此，持有時間較長的投資者將有資格獲得更豐厚的獎勵。如果此項計劃在未來順利上線，必將成為幣價上漲的一大驅動力，同時也有助於更好的估計項目價值。
Source: coingecko.com
由coingecko.com 上顯示的價格趨勢可以看出，$AKT 的價格在2023 年8 月中旬和11 月下旬也分別迎來一次上漲，但仍不如AI 賽道中其他項目的同期漲幅，這可能和當下的資金情緒傾向有關。整體來看，Akash 的專案作為AI 賽道的幾個優質項目之一，基本面優於絕大多數AI 賽道的競爭者。其潛在業務收入有可能為協議未來獲利帶來機會，隨著AI 產業的發展和對於雲端運算資源的愈演愈烈，相信在未來有望看到Akash Network 在下一個AI 大浪潮中扶搖直上。
3.3 Bittensor （$TAO）
如果讀者對於$BTC 的技術架構熟悉的話，理解Bittensor 的設計會非常容易。事實上，在設計Bittensor 時，其作者就藉鑑了許多$BTC 這位加密貨幣元老的特質，包括：代幣總量2100 萬枚，約每四年進行一次產量減半，涉及PoW 的共識機制，等等。具體來說，讓我們一起想像一個初始的比特幣產出流程，然後將其中無法創造現實價值的「挖礦」計算隨機數的過程替代為訓練和驗證AI 模型，並根據AI 模型的性能和可靠程度對礦工的工作進行激勵，這就是Bittensor（$TAO）的項目架構的簡單總結。
Bittensor 計畫最早是由兩位AI 研究員Jacob Steeves 和Ala Shaabana 建立於2019 年，其主要框架是基於一位神秘作者Yuma Rao 所撰寫的白皮書內容。簡單總結，它設計了一個無需許可的開源協議，構建了一個由許多子網網絡連接而成的網絡構架，由不同子網負責不同任務（機器翻譯，圖像識別與生成，語言大模型，等等），優秀的任務完成將獲得激勵，同時允許子網路之間互相互動和學習。
回顧目前市面上的AI 大模型，無一例外皆是源自於科技巨頭投入的巨量運算資源與數據。誠然以如此方式訓練的AI 產品有著令人驚豔的表現，但是如此形式也帶來了極高的集中化作惡風險。 Bittensor 基礎架構設計讓可以通訊的專家網絡互相通訊和學習，這為大型模型的去中心化的訓練打下了基礎。 Bittensor 的長期願景是同OpenAI，Meta，Google 等巨頭的閉源模型競爭，在維持模型去中心化特性的同時，以期能達到相匹配的推理性能。
Bittensor 網絡的技術核心來自於Yuma Rao 獨特設計的共識機制，也被稱為Yuma 共識，這是一種混合了PoW 與PoS 的共識機制。其中供給面主要參與者分為「Server」（即礦工）與「Validator」（即驗證者），需求側的參與者則是使用網絡中模型的「Client」（即客戶）。其中礦工負責提供針對當前子網路任務的預訓練模型，所獲得的激勵取決於提供模型的品質；而驗證者負責驗證模型性能，並在礦工和客戶之前見充當中間人。具體流程是：
客戶發送使用某個子網路中模型的需求和需要計算的資料給驗證者
驗證者分配資料給該子網路下的各個礦工
礦工利用自有模型和接受的數據進行模型推理後回傳結果
驗證者將接收的推理結果依照品質排序，排序結果儲存在鏈上
最優的推理結果回到使用者手中，礦工依照排序，驗證者依照工作量獲得激勵
需要注意的是，在絕大多數子網路中，Bittensor 本身並不會訓練任何模型，其發揮的作用更像是連接模型提供者與模型需求者，並在此基礎上更進一步的利用小模型之間的互相作用提昇在不同任務中的表現。目前已經上線（或曾經線上）的子網路已經達到30 個，分別對應不同的任務模型。
$TAO 作為Bittensor 的原生代幣，作用包括創建子網，在子網中註冊，支付服務，向驗證者質押等等，在生態系統中發揮著舉足輕重的作用。同時由於Bittensor 專案方致敬BTC 精神的做法，$TAO 選擇了公平啟動，即所有代幣都會透過在網絡中做出貢獻產生。目前，$TAO 的每日產出約為7,200 個，平均分配給礦工和驗證者。自計畫啟動始已經產出的總量約為2,100 萬的約26.3% ，其中87.21% 的代幣被用於質押與驗證。同時專案設計了約4 年一次的產量減半（和BTC 相同），最近的一次會發生在2025 年9 月20 日，這也將是驅動價格上漲的一大動力。
Credit: taostats.io
由價格趨勢可以看到$TAO 的價格從2023 年10 月底起經歷了一次大幅上漲，推測其中主要推動力是包括OpenAI 的發布會帶來的新一輪AI 熱潮，使得資金板塊輪動到AI 板塊。同時$TAO 作為Web3 + AI 賽道的新興項目，其優秀的項目品質和長遠的項目願景也是吸引到資金進入的一大原因。然而不得不承認，與其他AI 賽道的項目一樣，雖然Web3 + AI 的組合潛力巨大，然而其在實際業務中的應用還不足以支撐起一個長期盈利的項目。
3.4 Alethea.ai（$ALI）
Alethea.ai 成立於2020 年，是一家致力於利用區塊鏈技術為生成式內容帶來去中心化所有權和去中心化治理的項目。 Alethea.ai 的創始人認為生成式AI 會將我們代入一個由生成式內容導致信息冗餘的時代，大量電子化的內容只需要簡單的複制粘貼或一鍵生成，而最初創造價值的人卻無法收益。而透過將鏈上原語（如NFT ）與生成式AI 連接，可以確保生成式AI 及其內容的所有權，並在此基礎上進行社群治理。
在這個理念的推動下，早期Alethea.ai 推出了一個新的NFT 標準，即iNFT，利用Intelligence Pod 可以向圖像創建嵌入AI 動畫、語音合成甚至生成式AI。此外Alethea.ai 還和藝術家達成合作，將其藝術作品製成iNFT，並在蘇富比拍賣出了47 萬8 千美元的高價。
為NFT 注入靈魂
Source: Alethea.ai
之後Alethea.ai 推出了AI Protocol，這個協議允許任何生成式AI 的開發人員和創作者都可以無需許可的利用iNFT 標準進行創作。同時，為了讓其他專案在自家AI Protocol 上打個樣，Alethea.ai 也藉鑒GPT 大模型的理論推出了製作可互動的NFT 的工具CharacterGPT。更進一步的，Alethea.ai 也在最近發布了Open Fusion，使得市面上任何ERC-721 NFT 都可以和一個Intelligence 結合並被發佈到AI Protocol 上。
Alethea.ai 的原生代幣是$ALI，其主要用途有四：
鎖定一定數量的$ALI 以創作iNFT
鎖定的越多，Intelligence Pod 的等級越高
$ALI 持有者參與社區治理
$ALI 可以作為參與iNFT 之間互動的憑證（目前還沒有實際用例）
Source: coingecko.com
從$ALI 的用例可以看出，目前此代幣的價值捕獲還停留在敘事層面，從一年內的幣價變化也可以印證這個推論：$ALI 吃到了從2022 年十二月開始的ChatGPT 引領的生成式AI 熱潮紅利。同時在今年六月，Alethea.ai 公佈上線最新的Open Fusion 功能時，也帶了一波上漲。除此之外，$ALI 的價格一直處於下降趨勢，連2023 年末的AI 熱潮也未能驅動價格上升程度至同賽道項目上漲的平均水準。
除了原生代幣，我們再來看看NFT 專案的表現，Alethea.ai 的iNFT（包括官方發布的collection）在NFT 市場上的表現。
Intelligence Pod 在Opensea 上的每日銷售額
Revenants Collection 在Opensea 上的每日銷售量
Source: Dune.com
從Dune 看板統計的數據我們可以看到，無論是出售給第三方的Intelligence Pod，還是Alethea.ai 第一方發行的Revenants collection，都在初始發行一段時間後逐漸銷聲匿跡。這其中的主要原因，筆者認為應該還是最初的新鮮感退去之後，沒有實際價值或社群熱度留存用戶的緣故。
3.5 Fetch.ai（$FET）
Fetch.ai 是一家致力於推動人工智能和區塊鏈技術相互整合的項目。該公司的目標是建立一個去中心化的智慧經濟體，透過結合機器學習、區塊鍊和分散式帳本技術，為智慧代理之間的經濟活動提供支援。
Fetch.ai 是由來自英國的科學家Humayun Sheikh、Toby Simpson 和Thomas Hain 於2019 年創立。這三位創始人的背景非常豐富，其中Humayun Sheikh 是Deepmind 的早期投資人，Toby Simpson 曾擔任數家公司的高管，Thomas Hain 則是謝菲爾德大學人工智能方向的教授。 Fetch.ai 創始團隊的深厚背景為公司帶來了豐富的行業資源，涵蓋了傳統IT 企業、區塊鏈明星項目、醫療和超算項目等多個領域。
Fetch.ai 的使命是建立一個由自主經濟代理和AI 應用組成的去中心化網絡平台，使開發者能夠通過創建自主代理完成預設目標任務。該平台的核心技術是其獨特的三層架構：
底層：基於PoS-uD（即無需許可的權益證明共識機制）的底層智慧合約網絡，支援礦工間協作和基本的機器學習訓練與推理
中層：OEF（Open Economic Framework，開放經濟框架），提供了一個供AEA 之間互相互動的共享空間，讓AEA 與底層協議間互動，也支援AEA 之間互相搜尋、發現和交易
上層：AEA（Autonomous Economic Agent，自治經濟代理人），是Fetch.ai 的核心部件。每個AEA 是一個智慧代理軟件，能夠透過各種技能模組實現不同功能，代表使用者完成事先設定的任務。此代理軟件並非在區塊鏈上直接運行，而是透過中間層OEF 與區塊鍊和智慧合約進行互動。這種智慧代理軟件可以是純軟件，也可以與實際硬件，如手機、電腦、汽車等，進行綁定。官方提供了一個基於Python 的開發套件，即AEA 框架，該框架具備可組合性，使開發者能夠用它來建立自己的智慧代理軟件。
在這個架構的基礎上，Fetch.ai 也推出了多項後續產品和服務，如Co-Learn（代理間的共享機器學習模型）和Metaverse（智能代理雲hosting 服務），以支援用戶在其平台上開發自己的智能代理。
代幣方面，$FET 作為Fetch.ai 的原生代幣，涵蓋了網絡內支付Gas、質押驗證和購買服務的常規作用。 $FET 目前已經解鎖了超過90% 的代幣，具體分配如下：
自計畫啟動以來，Fetch.ai 已經以稀釋代幣持有的方式接受過多輪融資，最近一次是2023 年3 月29 日，Fetch.ai 接受了來自DWF Lab 3000 萬美元的融資。由於$FET 代幣並沒有專案收入的價值捕獲，所以價格提升的驅動力主要還是來自於專案更新和市場對於AI 賽道的情緒。可以看到，藉著AI 板塊的兩次熱度，Fetch.ai 的價格在2023 年初和2023 年底均有一次超過100% 的價格飆升。
Source: coingecko.com
比起其他區塊鏈項目發展和獲取關注的方式，Fetch.ai 的發展路徑更像是Web2.0 的AI 創業項目，專注在技術層面的打磨，通過不斷的融資和廣泛的合作打響名氣並尋找贏利點。這種做法為未來準備基於Fetch.ai 開發的應用留下了廣闊的發展空間，但是發展模式也使得其本身對其他區塊鏈項目的吸引力不高，從而無法激活生態活力（Fetch.ai 的創始人之一曾親自建立基於Fetch.ai 的DEX 項目Mettalex DEX，最後也不了了之）。作為一個偏向基礎設施類型的項目，由於生態的凋零，也使得Fetch.ai 項目內在價值難以提升。
四、生成式AI 未來可期
英偉達CEO 黃仁勳將生成式大模型的發布稱為AI 的「iPhone」 時刻，而現階段生產AI 的稀缺資源就是以高效能運算晶片為中心的基礎設施。 AI 基建類計畫作為目前在Web3中鎖定資金最多的AI 子賽道，一直是投資人長期重點投研的對象。可以預見的是，隨著芯片巨頭們逐漸更新換代算力設備，AI 算力的逐漸提升，AI 能力越解鎖越多，未來可以預見可以催生出更多的Web3 中細分領域的AI 基建類項目問世，甚至可以期待未來有為Web3 中AI 訓練而專門設計和生產的晶片問世。
雖然目前To C 的生成式AI 產品的發展還停留在實驗階段，但其某些ToB 的工業級產品已展現出巨大潛力。其中之一即是將現實世界場景遷移至數字領域的“數字孿生「技術，結合英偉達針對元宇宙願景發布的數字孿生科學計算平台，考慮到工業界還有海量數據價值尚未釋放，生成式AI 會成為數字孿生在工業場景下重要助力。更進一步到Web3 領域，包括元宇宙，數字內容創作，真實世界資產（Real World Asset）等等方面都會受到AI 助力的數字孿生技術的影響，
新的互動式硬件的發展也是不可忽視的一環。回顧歷史，電腦領域每次硬件的革新都會帶來翻天覆地的變化和嶄新的發展機會，例如今天已經司空見慣的電腦鼠標，亦或是多點觸摸電容屏的iPhone 4 。已經宣布將在2024 年第一季推出的Apple Vision Pro，憑藉著其驚豔的demo 已經吸引了世界範圍大量關注，當真正開售後應該能為各個行業帶來意想不到的變化與機會。而憑藉著內容生產迅速、傳播速度快範圍廣等優勢，每次硬件技術更新後往往首先受益都是的大娛樂領域。這其中當然也包括Web3 中的元宇宙、鏈遊、NFT 等各視覺娛樂賽道，都是值得讀者未來長期關注與研究的對象。
從長遠來看，生成式AI 的發展是一個量變引起質變的過程。 ChatGPT 的本質是一個解決reasoning QA 問題的解決方案，而reasoning QA 在學術界是一個長期以來廣受關注和研究的問題。在數據和模型的長期迭代下，最終達到了驚艷世人的GPT-4 的水平。 Web3 中的AI 應用也是一樣，目前仍處於將Web2 中的模型引入Web3 的階段，完全基於Web3 資料開發的模型還未出現。未來需要有遠見的專案方和大量的資源投入到對Web3 中實際問題的研究，才能讓Web3 自己的ChatGPT 等級的killer app 逐漸靠近。
現階段生成式AI 的技術底層也有很多值得探索的方向，其中之一的是邏輯的實現方式上所依賴的思維鏈（Chain-of-Thought）技術。簡單來說，透過思維鏈技術，大語言模型得以在多步驟推理上獲得質的飛躍。然而思維鏈的使用也未能解決，或者說也是在某種程度上引出了，大模型在復雜邏輯上的推理能力不足的問題。對這個方面有興趣的讀者閱讀思維鏈原作者的論文。
ChatGPT 的成功使得Web3 各種蹭熱度GPT 鏈層出不窮，然而簡單粗暴的結合GPT 與智慧合約並不能真正解決用戶的需求。自ChatGPT 發布已經過去大約一年的時間，長遠看來只是彈指一揮間，未來產品還應從Web3 用戶自身真實的需求出發，伴隨著越來越成熟的Web3 技術，相信生成式AI 在Web3 中的應用是有著無限的可能性值得期待的。
參考文獻
Google Cloud Tech - Introduction to Generative AI
The Economics of Large Language Models
Diffusion Model 一發力，GAN 就過時了？ ？ ？
Illustrating Reinforcement Learning from Human Feedback (RLHF)
Who Owns the Generative AI Platform?
Apple Vision Pro 發佈滿月再思考：XR、RNDR 與空間運算的未來
Emergent Analogical Reasoning in Large Language Models
Akash Network Token (AKT) Genesis Unlock Schedule and Supply Estimates
聲明
本報告是由@GryphsisAcademy的學員@chenyangjamie，在@CryptoScott_ETH，@Zou_Block的指導下完成的原創作品。作者自行對所有內容負責，該內容並不必然反映Gryphsis Academy 的觀點，也不必然反映委託撰寫報告的組織的觀點。編輯內容和決策不受讀者的影響。請知悉，作者可能擁有本報告中提到的加密貨幣。本文件僅供資訊參考，不應作為投資決策的基礎。強烈建議您進行自己的研究，並在進行投資決策之前諮詢中立的財務、稅務或法律顧問。請記住，任何資產的過去表現並不能保證未來的回報。
IOS
Android