VanEck：2030年加密货币人工智能收入预测

火星财经

特邀专栏作者

2024-02-21 05:29

本文約12028字，閱讀全文需要約18分鐘

区块链技术可能成为人工智能采用和去中心化解决方案进步的关键驱动力，加密激励措施可以提高人工智能模型的安全性和效率。

原文作者：PatrickBush，MatthewSigel

原文編譯：Lynn，火星財經

我們概述了到2030 年人工智能加密貨幣收入情景，強調了$ 10.2B 的基本情況，並強調公共區塊鏈通過基本功能在推動人工智能採用方面的關鍵作用。

請注意，VanEck 可能持有下述數字資產的部位。

要點：

根據我們的基本情況，到2030 年，加密AI 收入預計將達到$ 10.2B
區塊鏈技術可能成為人工智慧採用和去中心化人工智慧解決方案進步的關鍵驅動力
與加密激勵措施的整合可以提高人工智能模型的安全性和效率
區塊鏈可能會成為人工智能身份驗證和數據完整性挑戰的解決方案

公共區塊鏈很有可能是開啟人工智慧(AI) 廣泛採用的關鍵，而人工智慧應用將成為加密貨幣存在的理由。這是因為加密貨幣提供了人工智慧所需的重要基礎元素，例如透明度、不變性、明確定義的所有權屬性和對抗性測試環境。我們相信這些特性將有助於讓人工智能充分發揮潛力。根據對人工智能成長的估計，我們斷言以人工智能為重點的加密項目到2030 年年收入將達到10.2B 美元。在本文中，我們推測加密在促進人工智能採用方面的作用以及加密將帶來的價值源自於人工智慧業務：

請在此處查看此博客的PDF 版本。

我們發現加密貨幣在人工智能中的最佳應用是：

提供分散的運算資源
模型測試、微調和驗證
版權保護和資料完整性
人工智慧安全
身分

加密貨幣對人工智慧來說非常有用，因為它已經解決了人工智能當前和未來面臨的許多挑戰。從本質上講，加密貨幣解決了協調問題。加密貨幣將人員、計算和貨幣資源結合在一起來運行開源軟件。它通過以與每個網絡的價值相關的代幣形式向創建、支持和使用每個區塊鍊網絡的人提供獎勵來實現這一目標。此獎勵系統可用於引導人工智能價值堆疊的不同組件。將加密技術與人工智慧結合的一個重要意義在於，利用加密貨幣激勵措施來開發必要的實體基礎設施，例如GPU 集群，專門用於訓練、微調和支援生成模型的使用。由於加密貨幣是一種使用加密貨幣來獎勵所需用戶行為的對抗性環境，因此它是測試和微調人工智慧模型以優化符合某些品質標準的輸出的最佳基礎。

區塊鏈也帶來了數字所有權的透明度，這可能有助於解決人工智能將在法庭上面臨的一些開源軟件問題，這在《紐約時報》訴OpenAI 和微軟的訴訟中已經很引人注目。也就是說，加密可以透明地證明資料擁有者、模型建構者和模型使用者的所有權和版權保護。這種透明度也將擴展到將模型有效性的數學證明發佈到公共區塊鏈上。最後，由於不可偽造的數字簽名和資料完整性，我們相信公共區塊鏈將有助於減輕識別和安全問題，否則這些問題會削弱人工智慧的有效性。

定義加密貨幣在人工智慧企業中的作用

2030 年預計加密貨幣人工智慧收入：熊市、基本情況、多頭情景

資料來源：摩根士丹利、彭博資訊、VanEck Research 截至2024 年1 月29 日。過去的表現並不能保證將來的結果。本部落格中提供的資訊、估值情境和價格目標無意作為財務建議或任何行動號召、購買或出售建議，或作為對人工智慧業務未來表現的預測。未來的實際表現尚不清楚，可能與此處描述的假設結果有很大差異。所提出的場景中可能存在未考慮到的風險或其他因素，這些因素可能會阻礙績效。這些僅僅是基於我們研究的模擬結果，僅供說明之用。請進行自己的研究並得出自己的結論。

為了預測加密人工智能的市場，我們首先估計人工智能帶來的商業生產力收益的總可尋址市場（TAM），我們對該數字的基線來自麥肯錫對2022 年的假設。然後，我們將經濟和生產力成長假設應用於麥肯錫的預測計算得出2030 年TAM 為5.85 T 美元的基本情況。在此基本情況下，我們假設AI 生產力成長比GDP 成長高50% ，GDP 成長3% 。然後，我們預測人工智能在全球企業中的市場滲透率（在基本情況下為33% ），並將其應用到我們的初始TAM 中，預計人工智能將為企業帶來1.93 T 美元的生產力提升。為了計算所有人工智能業務的收入，我們假設這些生產力收益的13% 是由人工智能業務捕獲（或由企業消費者花費）作為收入。我們透過應用標準普爾500 強企業勞動成本的平均收入份額來估算人工智能收入佔比，並假設人工智能支出應該相似。我們分析的下一部分應用Bloomberg Intelligence 對AI 價值堆疊分佈的預測來估算每個AI 業務群體的年收入。最後，我們對每個人工智慧業務的加密貨幣市場份額進行具體估計，以得出每個案例和每個市場的最終數據。

我們設想未來將利用開源公共儲存庫建構的去中心化人工智能模型應用於每個可以想像的用例。在許多情況下，這些開源模式勝過集中式人工智慧創作。這個假設的基礎源自於這樣的假設：開源社群將有獨特動機改進事物的愛好者和愛好者聚集在一起。我們已經看到開源網絡項目打破了傳統業務。這種現象最好的例子是維基百科有效地結束了商業百科全書業務，而推特則擾亂了新聞媒體。這些開源社群在傳統企業失敗的地方取得了成功，因為開源團體透過社會影響力、意識形態和團體團結的結合來協調和激勵人們提供價值。簡而言之，這些開源社群之所以成功，是因為它們的成員關心。

將開源人工智能模型與加密貨幣激勵相結合，可以擴大這些新興社區的影響力，賦予他們財務能力，以創建必要的基礎設施來吸引新參與者。將這一前提應用於人工智能將是熱情和金錢資源的迷人結合。人工智能模型將在加密貨幣激勵競賽中接受測試，建立模型評估基準的環境。在這種環境下，最有效的模型和評估標準會獲勝，因為每個模型的價值都被明確量化。因此，在我們的基本案例中，我們預計區塊鏈產生的人工智能模型將佔所有人工智能軟件收入的5% 。這項估計包括硬件、軟件、服務、廣告、遊戲等，反映了企業營運數量的轉變。在AI 軟件的總收入中，我們預計這將佔所有AI 收入的一半左右，即$ 125.50 B 左右。因此，我們預期開源模型的5% 市佔率相當於加密代幣支援的AI 模型的收入為$ 6.27 B 。

我們預計，到2030 年，用於微調、訓練和推理的計算（或人工智能基礎設施即服務）的TAM 可能會達到$ 47.44 B。隨著人工智能的廣泛採用，人工智能將成為世界經濟許多功能不可或缺的一部分，計算和儲存的供應可以被設想為類似於發電和配電的公共設施。在這種動態中，絕大多數「基本負載」將來自Amazon 和Google 等GPU 雲超大規模企業，其市佔率將接近80% 的帕累托分佈。我們看到區塊鏈分配的後端服務器基礎設施可以滿足特殊需求，並在高網絡需求期間充當“峰值”提供者。對於客製化人工智慧模型的生產者來說，加密儲存和運算提供者提供了諸如按需服務交付、更短的SLA 鎖定期、更客製化的運算環境以及更高的延遲敏感度等優勢。此外，去中心化GPU 可以與智慧合約中的去中心化AI 模型無縫集成，從而實現AI 代理擴展自己的計算需求的無需許可的用例。將區塊鏈提供的GPU 視為人工智能運算基礎設施的Uber/Lyft 等價物，我們認為區塊鏈提供的運算和儲存將佔據人工智能基礎設施非超大規模市場的20% ，到2030 年可能產生$ 1.90 B 的收入。

透過可證明的鏈上人性在人工智能代理和模型的背景下定義“身份”可以被視為世界電腦網絡的女巫防禦機制。我們可以透過檢查與保護不同區塊鍊網絡相關的費用來估計這項服務的成本。 2023 年，比特幣、以太幣和Solana 的這些成本分別約為每個網路通膨發行價值的1.71% 、 4.3% 和5.57% 。保守地說，我們可以推斷身分識別應佔人工智慧市場的3.5% 左右。考慮到AI 軟件的TAM 為$ 125.5 B，這對應於$ 8.78 B 的年度收入。由於我們相信加密貨幣為身分認同問題提供了最佳解決方案，因此我們相信它將佔據該終端市場10% 的市場份額，預計其年收入約為8.78 億美元。

人工智能安全有望成為人工智能設備的另一個重要組成部分，其基本要求是使用未損壞的、相關的最新數據來驗證模型是否正確運作。隨著人工智慧擴展到人類生命面臨風險的應用領域，例如自動駕駛汽車、工廠機器人和醫療保健系統，對失敗的容忍度變得很小。發生事故時問責的需要將推動保險市場需要具體的安全證明。公共區塊鍊是實現此功能的理想選擇，因為它們可以在任何人都可以看到的不可更改的分類帳上發布「安全證明」。這項業務可以被認為類似於金融機構的合規性。考慮到美國商業和投資銀行產生$ 660 B 的收入，同時花費$ 58.75 B 的合規成本（佔收入的8.9% ），我們預計AI 安全應佔$ 251 B AI TAM 的$ 22.34 B 左右。儘管加密貨幣具有增強人工智能安全的潛力，但鑑於美國政府對人工智能的關注，我們相信人工智能的大部分合規性將是集中的。因此，我們估計加密貨幣將佔該市場的5% 左右，即$ 1.1 2B 左右。

組織分散的運算資源

加密貨幣可以將其巨大的社會和財務協調優勢應用於計算訪問的民主化，從而解決當前困擾人工智能開發人員的痛點。除了高昂的成本和獲得優質GPU 的機會有限之外，人工智能模型建構者目前還面臨其他棘手的問題。其中包括供應商鎖定、缺乏安全性、計算可用性有限、延遲差以及國家法律規定的地理圍欄。

加密貨幣能夠滿足人工智慧對GPU 的需求，源自於加密貨幣透過代幣激勵匯集資源的能力。比特幣網絡的代幣價值為850 B 美元，股權價值為20 B 美元，證明了這種能力。因此，當前的比特幣礦工和有前途的去中心化GPU 市場都有潛力透過提供去中心化運算來為人工智慧增加巨大的價值。

對於理解透過區塊鏈提供GPU 的一個有用的類比是發電業務。簡單來說，有一些實體運作著大型、昂貴的工廠，可以穩定地發電以滿足大多數電網需求。這些「基本負荷」工廠的需求穩定，但需要大量的建設資本投資，導致資本回報率相對較低但有保證。補充基本負載的是另一類稱為「峰值功率」的發電機。當電力需求超過基本負載發電能力時，這些企業提供電力。這涉及高成本、小規模的能源生產，其策略定位接近該能源的需求。我們預期「按需運算」領域也會出現類似的動態。

比特幣礦工多元化進入人工智慧領域

比特幣和其他工作量證明加密貨幣與人工智慧一樣對能源有很高的需求。這種能源必須被創造、獲取、運輸並分解成可用電力來為採礦設備和計算集群供電。此供應鏈需要礦商對發電廠、購電協議、電網基礎設施和資料中心設施進行大量投資。挖礦PoW 加密貨幣帶來的金錢誘因導致了許多分佈在全球的比特幣礦工的出現，這些礦工擁有能源和電力權利以及整合的網格架構。這些能源大部分來自成本較低、社會迴避的碳密集型能源。因此，比特幣礦工可以提供的最引人注目的價值主張是為人工智能後端基礎設施提供動力的低成本能源基礎設施。

AWS 和微軟等超大規模運算供應商一直奉行投資垂直整合營運並建立自己的能源生態系統的策略。大型科技公司已經向上游發展，設計自己的晶片並採購自己的能源，其中大部分是再生能源。目前，數據中心消耗了美國企業可用的再生能源的三分之二。微軟和亞馬遜都承諾在2025 年實現100% 再生能源供應。然而，如果預期的運算需求超出預期，正如一些人所說，到2027 年，以人工智能為中心的資料中心數量可能會增加一倍，資本支出可能是目前估計的三倍。大型科技公司已經支付了0.06-0.10 美元/ 千瓦時的電力費用，比競爭性比特幣礦工通常支付的價格（0.03-0.05 千瓦時）貴得多。如果說人工智慧對能源的需求超過了大型科技公司目前的基礎設施計劃，那麼比特幣礦商相對於超大規模礦商的電力成本優勢可能會大幅增加。礦工越來越被與GPU 供應相關的高利潤人工智能業務所吸引。值得注意的是，Hive 在10 月報告稱，按每兆瓦計算，其HPC 和AI 業務產生的收入是比特幣挖礦的15 倍。其他抓住人工智能機會的比特幣礦工包括Hut 8 和Applied Digital。

比特幣礦商在這個新市場中經歷了成長，這有助於實現收入多元化並增強收益報告。在Hut 8 的2023 年第三季分析師電話會議中，執行長Jaime Leverton 表示：「在我們的HPC 業務中，我們在第三季透過新客戶的增加和現有客戶的成長創造了一些動力。上週，我們推出了按需雲端服務，為那些從我們的GPU 尋求HPC 服務的客戶提供基於Kubernetes 的應用程序，這些應用程序可以支援人工智能、機器學習、視覺效果和渲染工作負載。這項服務將控制權交到我們的客戶手中，同時將配置時間從幾天縮短到幾分鐘，這對於那些尋求短期HPC 項目的人來說尤其具有吸引力。Hut 8 從2023 年第三季的HPC 業務中實現了450 萬美元的收入，佔該公司同期收入的25% 以上。對HPC 服務和新產品的需求不斷增長，應有助於該業務線的未來增長，隨著比特幣減半即將到來， HPC 收入可能很快就會超過挖礦收入，具體取決於市場狀況。

儘管他們的業務聽起來很有前途，但轉向人工智能的比特幣礦工可能會因缺乏資料中心建設技能或無法擴大電力供應而陷入困境。由於僱用新的以資料中心為中心的銷售人員的成本，這些礦工也可能會發現與營運管理費用相關的挑戰。此外，目前的採礦作業沒有足夠的互聯網延遲或帶寬，因為它們對廉價能源的優化導致它們位於偏遠地區，通常缺乏高速光纖連接。

為人工智能實施去中心化雲

我們還看到了以計算為中心的加密項目的長尾，這些項目將佔據人工智能服務器資源市場的一小部分但很大一部分。這些實體將協調超大規範以外的運算集群，以提供適合新貴人工智能建構者需求的價值主張。去中心化計算的好處包括可自訂性、開放存取和更好的合約條款。這些基於區塊鏈的運算公司使小型人工智慧參與者能夠避免H 100 和A 100 等高端GPU 的巨額費用和普遍不可用的情況。加密人工智能企業將通過創建圍繞加密代幣激勵構建的實體基礎設施網絡來滿足需求，同時提供專有IP 來創建軟件基礎設施以優化人工智能應用程序的計算使用。區塊鏈運算項目將使用市場方法和加密獎勵來從獨立資料中心、具有過剩運算能力的實體和前PoW 礦工那裡發現更便宜的計算。為AI 模型提供去中心化計算的一些項目包括Akash、Render 和io.net。

Akash 是一個基於Cosmos 的項目，可以被認為是一個通用的去中心化「超級雲」，提供CPU、GPU、記憶體和儲存。實際上，它是一個連接雲端服務用戶和雲端服務供應商的雙向市場。 Akash 的軟件旨在協調運算供應與需求，同時創建促進AI 模型訓練、微調和運行的工具。 Akash 也確保市場買家和賣家誠實履行其義務。 Akash 透過其$AKT 代幣進行協調，該代幣可用於以折扣價支付雲端服務費用。 $AKT 也作為GPU 運算提供者和其他網路參與者的激勵機制。在供應方面，Akash 在添加計算供應商方面取得了長足進步，因為Akash 市場上有65 家不同的供應商。儘管在Akash 的AI 超級雲於2023 年8 月31 日首次亮相之前，計算需求一直低迷，但在發布日期之後，計算買家已花費了13.8 萬美元。

最近遷移到Solana 的Render 最初專注於將藝術家與分散的團體聯繫起來，這些團體將提供GPU 能力來渲染圖像和影片。然而，Render 已開始將其去中心化GPU 叢集的重點放在滿足機器學習工作負載上，以支援深度學習模型。透過網路改進提案RNP-004 ，Render 現在擁有一個API 可以連接外部網路（例如io.net），該網絡將利用Render 的GPU 網絡進行機器學習。 Render 社群隨後提出的提案獲得通過，允許透過Beam 和FEDML 存取其GPU，以完成機器學習任務。因此，Render 已成為GPU 工作負載的去中心化促進者，透過向提供者支付RNDR 美元以及向運行網絡後端基礎設施的實體提供RNDR 激勵來協調。

Io.net GPU 價格比較。資料來源：io.net 截至2024 年1 月4 日。

Solana 上另一個有趣的項目是io.net，它被認為是DePIN 或去中心化實體基礎設施網絡。 io.net 的目的也是提供GPU，但重點僅在於應用GPU 來驅動AI 模型。除了簡單地協調計算之外，Io.net 還在其核心堆棧中添加了更多服務。其係統聲稱可以處理人工智能的所有組件，包括創建、使用和微調，以正確促進整個網絡中的人工智能工作負載並對其進行故障排除。該項目還利用了其他去中心化GPU 網絡，例如Render 和Filecoin 及其自己的GPU。儘管io.net 目前缺乏代幣，但計劃於2024 年第一季度推出。

克服去中心化計算的瓶頸

然而，由於訓練深度學習模型所需的典型633 TB 以上資料所帶來的網路需求，利用這種分散式運算仍然是一個挑戰。由於電腦能力的延遲和差異，位於全球各地的電腦系統也為平行模型訓練帶來了新的障礙。 Together 是一家積極進軍開源基礎模型市場的公司，該公司正在建立一個去中心化雲端來託管開源人工智慧模式。 Together 將使研究人員、開發人員和公司能夠透過結合數據、模型和運算的直覺平台來利用和改進人工智能，擴大人工智能的可訪問性並為下一代科技公司提供支援。 Together 與領先的學術研究機構合作，建造了Together 研究計算機，使實驗室能夠集中計算進行人工智能研究。該公司還與斯坦福基礎模型研究中心(CRFM) 合作創建了語言模型的整體評估(HELM)。 HELM 是一個「活基準」，旨在通過提供評估此類基礎模型的標準化框架來提高人工智能的透明度。

自Together 成立以來，創始人Vipul Ved Prakash 率先啟動了多個項目，包括1) GPT-JT，一個開放式LLM，具有通過<1 Gbps 鏈路進行訓練的6 B 參數模型， 2) OpenChatKit，一個強大的開源基礎，可創建專用和通用聊天機器人，以及3) RedPajama，一個創建領先的開源模型的項目，其目標是成為研究和商業應用的基礎。 Together 平台是一個基礎模型，由商品硬件上的開放模型、去中心化雲和綜合開發者雲組成，匯集了不同的計算來源，包括消費者礦工、加密礦場、T 2-T 4 雲供應商和學術計算。

我們相信像Together 這樣的去中心化和民主化的雲端運算解決方案可以顯著削減建立新模型的成本，從而有可能顛覆亞馬遜網絡服務、谷歌雲和Azure 等老牌巨頭並與之競爭。就上下文而言，將AWS 容量區塊和AWS p 5.48 xlarge 實例與配置相同數量的H 100 SXM 5 GPU 的Together GPU 叢集進行比較，Together 的定價約比AWS 低4 倍。

隨著開放式法學碩士變得越來越準確並得到更廣泛的採用，Together 可能成為開源模型的行業標準，就像紅帽之於Linux 一樣。該領域的競爭對手包括模型供應商Stability A 和HuggingFace，以及人工智能雲提供者Gensyn 和Coreweave。

透過加密貨幣激勵增強人工智能模型

區塊鍊和加密貨幣激勵措施證明，網絡效應和與網絡效應大小相關的獎勵迫使人們從事有用的工作。在比特幣挖礦的背景下，該任務是透過使用昂貴的電力、技術人力和ASIC 機器來保護比特幣網絡。這種經濟資源的協調提供了一種女巫攻擊防禦機制，防止對比特幣的經濟攻擊。作為交換，協調這些資源的礦工將獲得BTC 美元。然而，人工智能有用工作的綠色空間要大得多，一些項目已經在推動人工智能和機器學習模型的改進。

這些項目中最原始的是Numerai。目前，Numerai 可以被視為一項去中心化資料科學錦標賽，旨在確定最佳機器學習模型，透過建立股票投資組合來優化財務回報。在每個時代，匿名Numerai 參與者都被授予訪問隱藏原始資料的權限，並被要求利用這些資料來建立表現最佳的股票投資組合。為了參與，用戶不僅被要求提交預測，還被迫在其模型的預測背後投入NMR 代幣，以證明這些模型的價值。其他用戶也可以在他們認為性能最佳的模型上投入代幣。然後，每個質押、提交的模型的輸出都會被輸入到機器學習算法中，以創建一個元模型，為Numerai One 對沖基金的投資決策提供資訊。提交具有最佳資訊係數或有效性的「推論」的用戶將獲得NMR 代幣獎勵。同時，那些質押最差模型的人的代幣將被削減（沒收並重新用於獎勵獲勝者）。

Bittensor 上的子網路和用例。資料來源： https: //taostats.io/api/ 截至2024 年1 月2 日。

Bittensor 是一個大規模擴展Numerai 核心概念的類似項目。 Bittensor 可以被認為是「機器智慧的比特幣」，因為它是一個為AI/ML 模型提供經濟誘因的網路。這是由建構人工智能模型的“礦工”和評估這些模型輸出品質的“驗證者”實體來完成的。 Bittensor 的架構是一個基礎網路和許多較小的子網路（子網路）的架構。每個子網路都專注於機器智慧的不同領域。驗證者會向這些子網路上的礦工提出各種問題或請求，以評估其人工智慧模型的品質。

表現最好的模型將獲得最高的TAO 代幣獎勵，而驗證者則因對礦工的準確評估而獲得補償。在更高的層面上，驗證者和礦工都必須質押代幣才能參與每個子網，每個子網佔總質押的比例決定了它從所有Bittensor 總通膨中獲得多少TAO 代幣。因此，每個礦工不僅有動力優化其模型以贏得最多的獎勵，而且有動力將其模型集中在最佳的人工智能領域子網絡上。此外，由於礦工和驗證者必須維持資金才能參與，因此每個人都必須超過資本成本障礙，否則就會退出系統。

截至2024 年1 月，共有32 個不同的子網，每個子網專用於機器學習或人工智慧的特定領域。例如，Subnet 1 是類似ChatGPT 的提示LLM 的文字。在這個子網上，礦工運行各種經過調整的LLM 版本，以最好地回應評估響應品質的驗證者的提示。在名為「Taoshi」的子網路8 上，礦工提交對比特幣和各種金融資產價格的短期預測。 Bittensor 還擁有專用於人類語言翻譯、儲存、音訊、網路抓取、機器翻譯和圖像生成的子網路。子網路創建是無需許可的，任何擁有200 TAO 的人都可以創建子網路。子網路運營商負責為每個子網路的活動創建評估和獎勵機制。例如，Bittensor 背後的基礎Opentensor 運行子網路1 ，並最近與Cerebras 合作發布了一個模型，以評估該子網路上礦工的LLM 輸出。

雖然這些子網最初都是由通膨獎勵全額補貼的，但每個子網最終都必須在經濟上維持自身。因此，子網路運營商和驗證者必須協調創建工具，以允許外部用戶付費訪問每個子網路的服務。隨著通貨膨脹的TAO 獎勵減少，每個子網路將越來越依賴外部收入來維持自己。在這種競爭環境中，存在著創建最佳模型的直接經濟壓力，並激勵其他人為這些模型創建有利可圖的現實應用。 Bittensor 正在利用鬥志旺盛的小型企業來識別人工智能模型並從中獲利，從而釋放人工智能的潛力。正如著名的Bittensor 傳播者MogMachine 所說，這種動態可以被視為「人工智能的達爾文競爭」。

另一個有趣的項目是利用加密技術來激勵人工智能代理的創建，這些人工智能代理被編程為代表人類或其他電腦程序自主完成任務。這些實體本質上是旨在解決特定問題的自適應電腦程式。代理是一個包羅萬象的術語，涵蓋聊天機器人、自動交易策略、遊戲角色，甚至是虛擬宇宙助理。該領域的一個著名項目是Altered State Machine，這是一個使用NFT 創建擁有、供電和訓練的人工智能代理的平台。在Altered State Machine 中，使用者建立他們的“代理”，然後使用分散的GPU 群集“訓練”它們。這些代理程式針對特定用例進行了優化。另一個項目Fetch.ai 是一個用於創建根據每個用戶的需求量身定制的代理的平台。 Fetch.ai 也是一家SaaS 業務，允許註冊和租賃或出售代理商。

自2023 年1 月1 日起AI 代幣的回報

資料來源：Artemis XYZ 截至2024 年1 月10 日。過去的表現並不能保證將來的結果。

通過零知識(zk) 證明進行驗證

2023 年是新AI 模型的標誌性一年，OpenAI 推出了ChatGPT、Meta 推出的LLAMA-2 以及Google 推出的BERT。由於深度學習的前景，截至2023 年6 月，美國有超過18, 563 家人工智能相關新創公司。這些新創公司和其他企業已經生產了數千個新的基礎模型和微調模型。然而，在人工智能相關公司投資的每4 美元風險投資中就有1 美元投資的領域中，許多新實體的激增應該引起嚴重關注。

誰實際創建並擁有每個模型？
輸出實際上是由指定模型產生的嗎？
該模式真的像宣傳的那樣有效嗎？
每個模型的資料來源是什麼以及誰擁有該資料？
訓練、微調和/ 或推理是否侵犯了任何版權或資料權？

這些模型的投資者和用戶都應該100% 確定他們可以解決這些問題。目前，針對LLM 輸出的不同元件存在許多基準測試，例如用於代碼產生的HumanEval、用於LLM 輔助任務的Chatbot Arena 以及用於LLM 推理能力的ARC Benchmark 。然而，儘管嘗試了像Hugging Face 的Open LLM Leaderboard 這樣的模型透明度，但沒有具體證明模型的有效性、最終出處或其訓練/ 推理數據的來源。不僅可以對基準進行遊戲，而且還不能確定特定模型是否實際運行（而不是使用連接到另一個模型的API），也不能保證排行榜本身是誠實的。

這就是公共區塊鏈、人工智能和稱為零知識（zk）證明的前沿數學領域的統一。 zk 證明是密碼學的一種應用，它允許某人以所需水平的數學確定性證明他們對數據所做的陳述是正確的，而無需向任何人透露底層數據。語句可以包括簡單的聲明（例如排名），但可以擴展到複雜的數學計算。例如，某人不僅可以證明他或她知道某個樣本的相對財富而不向另一方透露該財富，而且他或她還可以證明該群體的平均值和標準差的正確計算。本質上，您可以證明您了解數據和/ 或您使用該數據做出了真實的斷言，而無需透露該數據的細節或您如何進行計算。在人工智慧之外，zk 證明已被應用於擴展以太坊，允許交易在第2 層區塊鏈上進行鏈下交易。最近，zk 證明已應用於深度學習模型，以證明：

使用特定數據來產生模型或提供推理輸出（此外，未使用哪些數據/ 來源）
使用特定模型產生推論
推理輸出未被篡改

zk 證明可以發佈到公共、永久的區塊鏈上，並透過智慧合約進行驗證。結果是區塊鏈可以公開且無可辯駁地證明人工智慧模型的重要屬性。將ZK 應用於AI 的兩個前緣項目被稱為「零知識機器學習」（ZKML），即EZKL 和Modulus。 EZKL 使用Halo 2 證明系統產生zk-snarks，這是一種零知識證明，然後可以在以太坊的EVM 上公開驗證。雖然EZKL 目前可以證明的模型大小相對較小，大約有100 M 個參數，而ChatGPT 4 的參數為175 B，但EZKL 的首席執行官Jason Morton 認為他們正在考慮“工程問題”而不是“技術限制”問題。 EZKL 相信他們可以通過拆分並行執行的證明來克服證明問題，從而減少內存限制和計算時間。事實上，傑森·莫頓相信有一天，「驗證模型將像簽署區塊鏈交易一樣簡單。」

ZKML 證明應用於人工智慧可以解決人工智慧實現的重要痛點，包括版權問題和人工智慧安全。正如《紐約時報》最近針對Open AI 和微軟的訴訟所表明的那樣，版權法將適用於資料所有權，而人工智能項目將被迫提供其資料來源的證明。 ZKML 技術可用於快速解決法庭上有關模型和資料所有權的爭議。事實上，ZKML 的最佳應用之一是允許Ocean Protocol 和SingularityNet 等資料/ 模型市場證明其清單的真實性和有效性。

人工智能模型最終將擴展到準確性和安全性至關重要的領域。據估計，到2027 年，人工智能邊緣設備將達到5.8 B 個，其中可能包括重型機械、機器人、自動無人機和車輛。由於機器智慧應用於可能傷害和殺人的事物，因此使用來自可靠來源的高質量數據來證明該設備上運行了信譽良好的模型非常重要。儘管從這些邊緣設備建立連續的即時證明並將其發佈到區塊鏈可能在經濟和技術上具有挑戰性，但在激活時驗證模型或定期發佈到區塊鏈可能更可行。然而，來自0x PARC 基金會的Zupass 已經建立了源自「攜帶數據證明」的原始證明，可以廉價地建立邊緣設備上發生的事實證明。目前，這與活動出席有關，但可以預見，這種情況很快就會遷移到身份甚至醫療保健等其他領域。

您的機器人外科醫生的人工智能模式有多好？

從可能因設備故障而承擔責任的企業的角度來看，擁有可驗證的證據來證明他們的模型不是代價高昂的事故的根源似乎是理想的選擇。同樣，從保險的角度來看，驗證和證明基於實際數據訓練的可靠模型的使用可能在經濟上變得必要。同樣，在人工智能深度偽造的世界中，利用經過區塊鏈驗證和證明的相機、手機和電腦來執行各種操作可能會成為常態。當然，這些設備的真實性和準確性的證明應該發佈到公共開源分類帳上，以防止篡改和詐騙。

儘管這些證明有著巨大的前景，但它們目前受到天然氣費用和計算開支的限制。以目前的ETH 價格，在鏈上提交證明需要花費約300-500 k 的Gas（以目前的ETH 價格約為35-58 美元）。從計算的角度來看，Eigenlayer 的Sreeram Kennan 估計，「在AWS 上運行需要花費50 美元的證明計算，使用當前的ZK 證明技術將花費約1, 000, 000 倍的成本。」結果是，zk 證明的發展速度比幾年前任何人的預期都要快得多，但在打開實際用例之前還有很長的路要走。假設有人對ZKML 的應用感到好奇。在這種情況下，他們可以參加由經過驗證的鏈上智慧合約模式評判的去中心化歌唱比賽，並將其結果永久上傳到區塊鏈。

通過基於區塊鏈的身份建立人性

廣泛、先進的機器智慧的一個可能後果是，自主代理將成為最多產的網路使用者。人工智能代理的釋放很有可能會導致整個網絡受到有目的的機器人產生的垃圾郵件甚至無害的基於任務的代理堵塞網絡的干擾（“擺脫垃圾電子郵件”）。當機器人爭奪價值約10 萬美元的套利機會時， Solana 每秒的數據流量達到100 GB。想像一下，當人工智慧代理商可以勒索數百萬個企業網站並勒索數十億美元時，將會出現怎樣的網路流量洪流。這表明未來的互聯網會對非人類流量施加限制。限制此類攻擊的最佳方法之一是對過度使用廉價資源徵收經濟稅。但我們如何確定垃圾郵件收費的最佳框架，以及如何確定人性化？

幸運的是，區塊鏈已經採用了內置防禦來防止人工智能機器人式的女巫攻擊。計量非人類用戶與非人類用戶收費的結合將是一種理想的實現方式，同時稍微繁重的計算（如Hashcash）會抑制機器人。在人性證明方面，區塊鏈長期以來一直在努力克服匿名性，以解鎖諸如抵押貸款不足的貸款和其他基於聲譽的活動等活動。

獲得動力來證明身分的一種方法是使用JSON Web 令牌(JWT)。 JWT 是“ 0 Auth”憑證，類似於“cookie”，是在您登錄Google 等網站時產生的。它們允許您在登錄Google 後訪問互聯網上的各個網站時展示您的Google 身份。 zkLogin 由L1 區塊鏈Sui 創建，允許用戶將其錢包私鑰和操作鏈接到生成JWT 的Google 或Facebook 帳戶。 zk P2P 進一步擴展了這個概念，利用JWT 無需許可地允許用戶在Base 區塊鏈上用法定貨幣交換加密貨幣。這是透過支付應用程式Venmo 確認點對點現金轉帳來完成的，當透過電子郵件JWT 確認時，解鎖智慧合約託管的USDC 代幣。這兩個項目的結果是它們與鏈下身份建立了牢固的聯繫。例如，zkLogin 將錢包地址連接到Google 身份，而zk P2P 僅適用於Venmo 的KYC 用戶。儘管兩者都缺乏足夠可靠的可靠保證來實現鏈上身份，但它們創建了其他人可以使用的重要構建塊。

雖然許多專案都試圖確認區塊鏈用戶的人類身份，但最大膽的是OpenAI 執行長Sam Altman 創立的WorldCoin。儘管由於用戶必須使用反烏托邦的「Orb」機器掃描虹膜而備受爭議，但WorldCoin 正在朝著一個不可篡改的身份系統發展，該系統不能輕易偽造或被機器智慧淹沒。這是因為WorldCoin 根據每個人獨特的眼睛「指紋」創建了一個加密標識符，可以對其進行採樣以確保唯一性和真實性。經過驗證後，用戶會收到Optimism 區塊鏈上名為World ID 的數字護照，讓用戶在區塊鏈上證明自己的人性。最重要的是，一個人的獨特簽名永遠不會被洩露，也無法被追踪，因為它是加密的。 World ID 只是斷言區塊鏈地址屬於人類。 Checkmate 等項目已經將World ID 與社群媒體資料連結起來，以確保用戶的獨特性和真實性。在人工智能主導的未來網絡中，在每一次線上互動中明確證明人性可能會變得司空見慣。當人工智慧克服了驗證碼的限制時，區塊鏈應用可以廉價、快速、具體地證明身分。

透過區塊鏈技術為人工智能做出貢獻

毫無疑問，我們正處於人工智慧革命的早期階段。然而，如果機器智慧的成長軌跡符合最大膽的預測，人工智慧就必須面臨挑戰，在超越其潛在危害的同時，取得優異的成績。我們相信，加密貨幣是正確「訓練」結果豐富但潛在陰險的人工智慧植物的理想網格。區塊鏈的人工智慧解決方案集可以透過為機器智慧創造者提供更快、更靈活且可能更便宜的去中心化計算來提高機器智慧創造者的產出。它還激勵能夠創建更好模型的建構者，同時為其他人提供經濟動力，讓他們利用這些人工智能模型來建立有用的業務。同樣重要的是，模型所有者可以證明其模型的有效性，同時證明未使用受保護的資料來源。對於人工智慧用戶來說，加密應用程式可以確認他們運行的模型是否符合安全標準，並且可能很有用。對其他人來說，區塊鍊和加密貨幣可能是懲罰和獎勵的糾纏，束縛著人工智慧必將成為的格列佛。