原文來源：IOSG Ventures

前言

最近大型語言模型（LLMs）的快速發展引發了人們對利用人工智能（AI）改造各行業的興趣。區塊鏈產業也未能倖免，AI x Crypto 敘事的出現使其備受矚目。本文探討了融合AI 和加密的三種主要方式，並探討了區塊鏈技術在解決AI 產業問題上的獨特機會。

AIxCrypto 的三種途徑包括：

• 將AI 融入現有產品：像Dune 這樣的公司正在利用AI 增強其產品，例如引入SQL copilot 來幫助用戶編寫複雜查詢。

• 為加密生態系統建立AI 基礎設施：Ritual 和Autonolas 等新創公司專注於開發AI 驅動的基礎設施，專為加密生態系統需求量身定制。

• 利用區塊鏈解決AI 產業問題：Gensyn、EZKL 和io.net 等項目正在探討區塊鏈技術如何解決AI 產業面臨的挑戰，例如資料隱私、安全性和透明度。

AI x Crypto 的獨特之處在於區塊鏈技術有望解決AI 產業內在問題。這個獨特交匯點為創新解決方案開闢了新的可能性，有益於AI 和區塊鏈社群。

在深入探討AI x Crypto 領域時，我們旨在識別和展示區塊鏈技術在解決AI 產業挑戰方面最有前景的應用。通過與AI 行業專家和加密建設者合作，我們致力於促進充分利用兩種技術優勢的尖端解決方案的發展。

1. 行業概覽

AI x Crypto 領域可分為基礎設施和應用兩大類。儘管一些現有基礎設施持續為AI 用例提供支持，但新的參與者正在市場上推出全新的AI 原生架構。

1. 1 計算網絡

在AIxCrypto 領域，運算網路對於提供AI 應用所需的基礎設施起著至關重要的作用。這些網絡根據其支援的任務，可以分為兩種類型：通用計算網絡和專用計算網絡。

1.1.1 通用計算網絡

通用運算網絡（例如IO.net 和Akash）為使用者提供透過SSH 存取機器的機會，並提供命令列介面（CLI），使用戶能夠建立自己的應用程式。這些網路類似虛擬專用伺服器（VPS），在雲端提供個人運算環境。

IO.net 基於Solana 生態系統，著重於GPU 租賃和運算集群，而基於Cosmos 生態系統的Akash 主要提供CPU 雲服務器和各種應用模板。

IOSG Ventures 的看法：

與成熟的Web2 雲市場相比，計算網絡仍處於早期階段。 Web3 計算網絡不如Web2 那種「樂高」建構模組，例如基於主要雲服務供應商（如AWS、Azure 和Google Cloud）的無服務器函數、VPS 和數據庫雲項目。

計算網絡的優點包括：

• 區塊鏈技術可以利用未使用的運算資源和個人電腦，使網路更具永續性。

• 點對點（P2P）設計允許個體將未使用的計算資源貨幣化，並提供成本更低的計算，從而潛在地降低75% -90% 的成本。

但由於以下挑戰，計算網絡很難投入實際生產並取代Web2 雲服務：

• 定價固然是通用運算網路的主要優勢，但要與成熟的Web2 雲公司在功能、安全性和穩定性等方面競爭仍具有挑戰性。

• 點對點風格可能會限制這些網絡快速交付成熟和穩健產品的能力。去中心化的特性會額外增加開發和維護成本。

1.1.2 專用計算網絡

專用計算網絡在通用計算網絡基礎上增加了一個額外的層，使用戶可以透過設定檔部署特定的應用程式。這些網絡旨在滿足特定的用例，例如3D 渲染或AI 推理和訓練。

Render 是一家專注於3D 渲染的專業運算網絡。在AI 領域，像Bittensor、Hyperbolic、Ritual 和fetch.ai 這樣的新玩家專注於AI 推理，而Flock 和Gensyn 主要專注於AI 訓練。

IOSG Ventures 的看法：

專用運算網絡的優點：

• 去中心化和crypto 特性解決了AI 產業普遍存在的中心化和透明性問題。

• 無許可計算網絡和驗證方案確保了推理和訓練過程的有效性。

• 隱私保護技術，如Flock 採用的聯邦學習，允許個人為模型訓練貢獻數據，同時保持其數據在本地和私密。

• 通過支援智慧合約與下游區塊鏈應用集成，使得AI 推理可以直接在區塊鏈上使用。

Source: IOSG Ventures

雖然專門的AI 推理和訓練運算網路仍處於早期階段，但我們預期Web3 AI 應用將優先使用Web3 AI 基礎架構。這種趨勢已經在Story Protocol 和Ritual 與MyShell 合作引入AI 模型作為知識產權等合作中明顯。

儘管基於這些新興AI x Web3 基礎設施構建的殺手級應用程序尚未出現，但成長潛力巨大。隨著生態系統的成熟，我們預計會看到更多利用去中心化AI 運算網絡獨特能力的創新應用程式。

2. 數據

數據在AI 模型中起著至關重要的作用，開發AI 模型的各個階段都涉及數據，包括數據收集、訓練數據集存儲和模型存儲。

2.1 資料存儲

去中心化儲存AI 模型對於以去中心化方式提供推理API 至關重要。推理節點應該能夠隨時從任何地方檢索這些模型。隨著AI 模型可能達到數百GB 的大小，需要一個強大的去中心化儲存網路。去中心化儲存領域的領導者，如Filecoin 和Arweave，可能可以提供這項功能。

IOSG Ventures 的看法：

這個領域存在著巨大的機會。

• 針對AI 模型優化的去中心化資料儲存網絡，提供版本控制、儲存不同的低精度模型量化以及大型模型快速下載等功能。

• 去中心化向量數據庫，因為它們經常與模型捆綁在一起，通過插入必要的與問題相關知識提供更準確的答案。現有的SQL 資料庫也可以增加向量搜尋支援。

2.2 資料收集和標記

收集高品質數據對於AI 訓練至關重要。基於區塊鏈的項目如Grass 利用眾包收集資料用於AI 訓練，利用個人的網絡。通過適當的激勵和機制，AI 訓練者可以以較低的成本獲得高品質數據。 Tai-da 和Saipen 等項目則專注於數據標記。

IOSG Ventures 的看法：

我們對這個市場的一些觀察：

• 大多數數據標記項目受到GameFi 的啟發，吸引用戶以「標記賺取」概念和開發者以承諾為高質量標記數據降低成本。

• 目前在這一領域尚未出現明顯的領導者，而Scale AI 主導著Web2 數據標記市場。

2.3 區塊鏈數據

在訓練專門針對區塊鏈的AI 模型時，開發人員需要高品質的區塊鏈數據，希望能夠直接在其訓練過程中使用。 Spice AI 和Space and Time 提供具有SDK 的高品質區塊鏈數據，使開發人員能夠輕鬆將數據整合到他們的訓練數據管道中。

IOSG Ventures 的看法：

隨著與區塊鏈相關的AI 模型需求的增長，對高品質區塊鏈數據的需求將激增。然而，大多數數據分析工具目前只提供以CSV 格式匯出數據，這對AI 訓練目的並不理想。

為促進專門針對區塊鏈的AI 模型的發展，至關重要的是透過提供更多與區塊鏈相關的機器學習運維（MLOP）功能來提升開發人員體驗。這些功能應該使開發人員能夠無縫地將區塊鏈資料直接整合到他們基於Python 的AI 訓練管線中。

3. ZKML

由於有動機使用較不複雜的模型以減少計算成本，中心化的AI 提供者面臨信任問題。例如，去年有時用戶認為ChatGPT 表現不佳。後來這被歸因於OpenAI 的更新旨在提升模型效能。

此外，內容創作者對AI 公司提出了版權擔憂。這些公司很難證明特定數據未包含在其訓練過程中。

零知識機器學習（ZKML）是一種創新方法，解決了與中心化人工智慧提供者相關的信任問題。通過利用零知識證明，ZKML 使開發人員能夠證明其人工智能訓練和推理過程的正確性，而無需洩露敏感數據或模型細節。

3.1 訓練

開發人員可以在零知識虛擬機器（ZKVM）中執行訓練任務，例如由Risc Zero 提供的虛擬機器。該過程產生一個證明，驗證訓練是否正確進行，且僅使用了經授權的資料。該證明作為開發人員遵守適當訓練規範和資料使用權限的證據。

IOSG Ventures 的看法：

• ZKML 為證明模型訓練中授權資料使用提供了獨特解決方案，而這在人工智能模型的黑盒子特性下通常很難實現。

• 這項技術仍處於早期階段。計算開銷巨大。社群正在積極探索ZK 訓練更多用例。

3.2 推理

與其訓練對應物相比，ZKML 用於推理的時間要長得多。這個領域已經有幾家知名公司湧現，它們各自採用獨特方法使機器學習推理變得不信任和透明。

Giza 專注於建立全面的機器學習運營（MLOP）平台，並在其周圍創造一個充滿活力的社區。他們的目標是為開發人員提供整合ZKML 到推理工作流程的工具和資源。

另一方面，EZKL 通過創建用戶友好的ZKML 框架以提供良好的效能，優先考慮開發體驗。他們的解決方案旨在簡化實現ZKML 推理的過程，使更多開發人員能夠輕鬆使用。

Modulus Labs 採用了不同的方法，他們開發了自己的證明系統。他們的主要目標是顯著減少與ZKML 推理相關的計算開銷。通過將開銷降低10 倍，Modulus Labs 試圖使ZKML 推理在實際應用上更具實用性和效率。

IOSG Ventures 的看法：

• ZKML 特別適用於GameFi 和DeFi 場景，其中無需信任至關重要。

• ZKML 引入的運算開銷使大型人工智慧模型難以有效運作。

• 該行業仍在尋找在其產品中大量使用ZKML 的DeFi 和GameFi 先驅，以展示其實際應用情境。

4. 代理網絡+ 其他應用

4.1 代理網絡

代理網絡由配備執行特定任務的工具和知識的眾多人工智能代理組成，例如協助進行鏈上交易。這些代理可以相互協作以實現更複雜的目標。幾家知名公司正在積極開發類似聊天機器人的代理和代理網絡。

Sleepless、Siya、Myshell、characterX 和Delysium 是正在建立聊天機器人代理程式的重要參與者。 Autonolas 和ChainML 正在為更強大的用例建立代理網絡。

IOSG Ventures 的看法：

代理對於現實世界的應用至關重要。它們可以比通用人工智慧更好地執行特定任務。區塊鍊為人工智能代理提供了幾種獨特機會。

• 擁有激勵機制：區塊鏈透過諸如非同質化代幣（NFT）等技術提供激勵機制。有了明確的所有權和激勵結構，創作者受到激勵，在鏈上開發更有趣和創新的代理商。

• 智慧合約的可組合性：區塊鏈上的智慧合約高度可組合，像樂高積木一樣運作。智慧合約提供的開放API 使代理商能夠執行在傳統金融系統中難以實現的複雜任務。這種可組合性使代理程式能夠與各種去中心化應用程式（dApps）進行互動並利用其功能。

• 內在的開放性：透過在區塊鏈上建立代理，它們繼承了這些網絡的內在開放性和透明性。這為不同代理之間的可組合性創造了重大機遇，使它們能夠合作並結合各自的能力來解決更複雜的任務。

4.2 其他應用

除了前面討論過的主要類別外，在Web3 領域中還有幾個有趣的人工智能應用正在受到關注，儘管它們可能還不夠龐大以形成獨立的類別。這些應用跨越各種領域，展示了人工智慧在區塊鏈生態系統中的多樣性和潛力。

• 影像生成：ImgnAI

• 影像提示變現：NFPrompt

• 社區訓練的人工智能圖像生成：Botto

• 聊天機器人：Kaito、Supersight、Galaxy、Kn n3、Awesome QA、Qna3

• 金融：Numer AI

• 錢包：Dawn_wallet

• 遊戲：Parallel TCG

• 教育：Hooked

• 安全：Forta

• DID：Worldcoin

• 創作者工具：Plai Lab

5. 將AIxCrypto 推廣給Web2 使用者以實現大規模採用

AI x Crypto 之所以獨一無二，是因為它可以解決人工智慧領域最困難的問題。儘管目前的AIxCrypto 產品與Web2 AI 產品之間存在差距，並且對Web2 用戶缺乏吸引力，但AIxCrypto 仍具備一些獨特功能，只有AIxCrypto 才能提供。

5.1 高性價比的計算資源:

AIxCrypto 的一個主要優勢在於提供高性價比的運算資源。隨著對LLM 的需求增加，市場上開發者增多，GPU 的可用性和價格變得更具挑戰性。 GPU 價格大幅上漲，且短缺。

DePIN 項目等去中心化運算網絡可以透過利用閒置運算力、小型資料中心的GPU 和個人運算設備來幫助緩解這個問題。雖然去中心化運算功率的穩定性可能不如集中式雲端服務，但這些網路提供了多樣化地域的高性價比運算設備。這種去中心化方法最小化了邊緣延遲，確保了更分散和更有彈性的基礎設施。

通過利用去中心化運算網絡的力量，AIxCrypto 可以為Web2 用戶提供價格實惠、易得的運算資源。這種成本優勢對於吸引Web2 用戶採納AIxCrypto 解決方案具有吸引力，並且特別在對AI 計算的需求持續增長的情況下。

5.2 賦予創作者所有權:

AI x Crypto 的另一個重要優點在於保護創作者的所有權權利。在當前的人工智能領域，有些代理容易被複製。透過簡單編寫類似提示，就可以輕鬆複製這些代理程式。此外，GPT 商店中的代理商通常由中心化公司擁有，而不是由創作者擁有，限制了創作者對作品的控制以及有效實現盈利的能力。

AI x Crypto 利用加密領域普遍存在的成熟NFT 技術來解決這個問題。通過將代理人表示為NFT，創作者可以真正擁有他們的作品，並從中獲得實際收益。每次用戶與代理商互動，創作者都可以獲得激勵，確保對他​​們努力的公平回報。基於NFT 所有權的概念不僅適用於代理，還可用於保護人工智慧領域中的其他重要資產，如知識庫和提示。

5.3 保護隱私並重建信任:

用戶和創作者對於中心化人工智能公司存在隱私擔憂。使用者擔心自己的資料被濫用用於訓練未來模型，而創作者則擔心自己的作品被使用但卻缺乏適當的歸因或補償。此外，中心化人工智慧公司可能會犧牲服務品質以降低基礎設施成本。

這些問題難以透過Web2 技術解決，而AIxCrypto 則利用先進的Web3 解決方案。零知識訓練和推理可透過證明所使用的數據和確保應用正確模型，從而提供透明度。諸如受信任執行環境(TEE)、聯邦學習和完全同態加密(FHE) 等技術實現安全、保護隱私的人工智能訓練和推理。

透過優先考慮隱私和透明度，AIxCrypto 讓人工智慧公司能夠重新獲得公眾信任，並提供尊重用戶權利的人工智慧服務，使其區別於傳統的Web2 解決方案。

5.3 保護隱私並重建信任:

用戶和創作者對於中心化人工智能公司存在隱私擔憂。使用者擔心自己的資料被濫用用於訓練未來模型，而創作者則擔心自己的作品被使用但卻缺乏適當的歸因或補償。此外，中心化人工智慧公司可能會犧牲服務品質以降低基礎設施成本。

這些問題難以透過Web2 技術解決，而AIxCrypto 則利用先進的Web3 解決方案。零知識訓練和推理可透過證明所使用的數據和確保應用正確模型，從而提供透明度。諸如受信任執行環境(TEE)、聯邦學習和完全同態加密(FHE) 等技術實現安全、保護隱私的人工智能訓練和推理。

透過優先考慮隱私和透明度，AIxCrypto 讓人工智慧公司能夠重新獲得公眾信任，並提供尊重用戶權利的人工智慧服務，使其區別於傳統的Web2 解決方案。

5.4 追蹤內容來源

隨著人工智慧生成的內容日益精密，區分人類創作和人工智慧生成的文字、圖像或影片變得更加困難。為防止濫用人工智慧產生的內容，人們需要一種可靠的方式來確定內容的來源。

區塊鏈在追蹤內容來源方面表現出色，就像在供應鏈管理和NFT 中取得的成功一樣。在供應鏈產業，區塊鏈追蹤產品的整個生命週期，用戶可以識別生產商和關鍵里程碑。同樣地，區塊鏈追踪創作者，並在NFT 的情況下防止盜版，由於其公開性，NFT 尤其容易受盜版的影響。儘管存在這種脆弱性，利用區塊鏈可最大程度減少假NFT 所導致的損失，因為用戶可輕鬆區分真假代幣。

透過應用區塊鏈技術追蹤人工智慧生成內容的來源，AIxCrypto 可為用戶提供驗證內容創作者是人工智慧還是人類的能力，從而減少濫用可能性，增加對內容真實性的信任。

5.5 利用加密貨幣開發模型

設計和訓練模型，特別是大型模型，是一個昂貴且耗時的過程。新模型還存在不確定性，開發人員無法預測其性能。

加密貨幣提供了一種對開發人員友好的方式，可以收集預訓練資料、收集強化學習回饋以及從感興趣的方進行籌款。這個過程類似於典型加密貨幣項目的生命週期：透過私人投資或起飛台籌資，並在啟動時向活躍貢獻者投放代幣。

模型可以採用類似方法，透過出售代幣籌集資金用於訓練，並向數據和回饋的貢獻者空投代幣。透過精心設計的代幣經濟模型，此工作流程可幫助個人開發人員比以往更輕鬆地訓練新模型。

6. Tokennomics 的挑戰

AI x Crypto 專案開始瞄準Web2 開發者作為潛在客戶，因為加密有獨特的價值主張，且Web2 人工智慧產業市場規模可觀。然而，對於不熟悉代幣且不願涉足基於代幣系統的Web2 開發者來說，代幣可能成為一道障礙。

為了迎合Web2 開發者，減少或移除代幣的實用性可能對於Web3 愛好者造成困擾，因為這可能會改變AI x Crypto 項目的根本立場。在努力將有價值的代幣整合到人工智能SaaS 平台時，找到吸引Web2 開發者並保持代幣實用性之間的平衡是一項具有挑戰性的任務。

為了彌合Web2 和Web3 商業模式之間的差距，並同時保持代幣價值，可以考慮以下幾種潛在方法：

• 在專案的分散式基礎設施網絡中利用代幣。實施質押、獎勵和懲罰機制來保護基礎網絡。

• 將代幣作為付款方式，同時為Web2 用戶提供使用入口

• 實施基於代幣的治理

• 與代幣持有者分享收益

• 利用收益回購或銷毀代幣

• 為專案提供的服務，為代幣持有者提供折扣和額外功能

透過精心設計符合Web2 和Web3 利益的代幣經濟模型，AI x Crypto 專案可以成功吸引Web2 開發者，同時保持其代幣的價值和實用性。

7. 我們最愛的AI x Crypto 場景

我們最喜愛的AI x Crypto 場景利用了用戶協作的力量，借助區塊鏈技術在人工智能領域完成任務。一些具體的例子包括：

1. 集體進行AI 訓練、Alignment 和基準測試的資料貢獻（例如Chatbot Arena）

2. 合作建構一個大型共享知識庫，可供各種代理人使用（例如，Sahara）

3. 利用個人資源，進行網路資料抓取（例如，Grass）

通過利用基於區塊鏈激勵和協調的用戶集體努力，這些模型展示了去中心化、社區驅動的方法對AI 開發和部署的潛力。

結論

我們正處於AI 和Web3 的黎明階段，與其他產業相比，人工智慧與區塊鏈領域的整合仍處於早期階段。在前50 名的Gen AI 產品中，並沒有與Web3 相關的產品。頂尖的LLM 工具與內容創作和編輯相關，主要針對銷售、會議和筆記/ 知識庫。考慮到Web3 生態系統中大量的研究、文件、銷售和社群工作，為定制的LLM 工具的開發提供了巨大的潛力。

目前，開發者正專注於建立基礎設施，將先進的AI 模型引入鏈上，雖然我們尚未達到目標。隨著我們繼續發展這項基礎設施，我們也在探索最佳用戶場景，以安全和無需信任的方式在鏈上進行AI 推理，這為區塊鏈領域提供了獨特機會。其他產業可以直接使用現有的LLM 基礎設施進行推理和微調。只有區塊鏈產業需要自己的原生AI 基礎設施。

在不久的將來，我們預計區塊鏈技術將利用其點對點的優勢來解決人工智能行業中最具挑戰性的問題，使AI 模型對每個人都更加負擔得起、易於訪問和盈利。我們也期待加密領域將跟隨AI 產業的敘事，儘管略有延遲。在過去一年中，我們見證了開發者將Crypto，代理和LLM 模型結合。在接下來的幾個月內，我們可能會看到更多多模態模型、文字視頻生成和3D 生成影響Crypto 領域。

整個AI 和Web3 產業目前並未得到充分的重視，我們迫切期待AI 在Web3 中的引爆時刻，一個CryptoxAI 的殺手級應用。