原文作者： Evan ⨀
原文編譯：深潮 TechFlow
加密與AI 的交叉領域仍然處於非常初期的階段。儘管市場上已經湧現了無數的智慧代理和代幣，但大多數項目似乎只是數字的遊戲，各團隊都在嘗試盡可能地「射門」。
雖然AI 是我們這一代的科技革命，但其與加密的結合更被視為一種早期接觸AI 市場的流動性工具。
因此，在這個交叉領域，我們已經見證了多個週期，其中大多數敘事都經歷了類似「過山車式」的興衰。
如何打破炒作週期？
那麼，加密與AI 的下一個重大機會來自哪裡？什麼樣的應用或基礎建設才能真正創造價值，找到市場契合點？
本文將嘗試透過以下框架，探討這一領域的主要興趣點：
AI 如何幫助加密產業？
加密產業如何反哺AI？
特別是對於第二點——去中心化AI 的機會，我對此特別感興趣，並將介紹一些令人興奮的項目：
1.AI 如何助力加密產業？
以下是CV 提供的更全面生態圖譜：
https://x.com/cbventures/status/1923401975766355982/photo/1
雖然在消費者AI、智慧代理框架和啟動平台等方面還有許多垂直領域，但AI 在以下三個主要方面已經對加密體驗產生了影響：
1.開發者工具
與Web2 類似，AI 正透過無程式碼（no-code）和低程式碼（vibe-code）平台加速加密專案的開發。許多此類應用的目標與傳統領域類似，例如Lovable.dev 。
團隊如@poofnew和@tryoharaAI正在幫助非技術型開發者快速上線並進行迭代，無需深入掌握智能合約知識。這不僅縮短了加密專案的上市時間，也降低了市場理解者和創意人士的入局門檻，即使他們並不具備技術背景。
此外，開發者體驗的其他部分也得到了優化，例如智能合約測試和安全性: @AIWayfinder 、 @octane_security
2.使用者體驗
儘管加密領域在入門流程和錢包體驗方面取得了重大進展（如Bridge、Sphere Pay、Turnkey、Privy），但核心的加密用戶體驗（UX）並沒有發生質的變化。用戶仍需手動瀏覽複雜的區塊鏈瀏覽器並執行多步驟交易。
AI 智慧代理正在改變這一現狀，成為新的互動層：
搜尋與發現：團隊們正在競相開發類似「區塊鏈版Perplexity」的工具。這些基於聊天的自然語言介面使用戶能夠輕鬆找到市場資訊（alpha）、理解智能合約並分析鏈上行為，而無需深入處理原始交易數據。
更大的機會在於，智慧代理可以成為用戶發現新專案、收益機會和代幣的入口。類似於Kaito 如何幫助專案在其啟動平台上獲得更多關注，代理商能夠理解使用者行為，並主動將使用者所需內容呈現給他們。這不僅能創造可持續的商業模式，還可能透過分成或聯盟費用來獲利。
基於意圖的操作：使用者無需點擊多個介面，只需表達自己的意圖（如「將$ 1000 的ETH 兌換成收益最高的穩定幣頭寸」），代理即可自動執行複雜的多步驟交易。
錯誤預防： AI 還能防止常見錯誤，例如輸入錯誤的交易金額、購買詐騙代幣或批准惡意合約。
更多關於Hey Anon如何實現DeFAI 自動化的資訊：
3.交易工具與DeFi 自動化
目前，許多團隊正在競相開發智慧代理，以幫助用戶獲得更智慧的交易訊號、取代用戶進行交易，或優化和管理策略。
收益優化
代理商能夠根據利率變化和風險狀況，將資金自動在藉貸協議、去中心化交易所（DEX）和農場機會之間轉移。
交易執行
AI 能夠透過更快處理市場數據、管理情緒並遵循預設框架，執行比人工交易更優的策略。
投資組合管理
代理商能夠重新平衡投資組合、管理風險敞口，並在不同鍊和協議之間捕捉套利機會。
如果某個代理商能夠真正且持續地比人類更好地管理資金，這將是對現有DeFi AI 代理的一次量級提升。目前的DeFi AI 主要幫助用戶執行既定意圖，而這將邁向全自動化的資金管理。然而，這種轉變的使用者接受度類似於電動車的推廣過程，在規模化驗證之前仍存在較大的信任缺口。但如果成功，這項技術有可能捕捉到該領域內最大的價值。
誰是這領域的贏家？
雖然一些獨立應用可能在分發上佔優勢，但更可能的情況是現有協議直接整合AI 技術：
DEXs（去中心化交易所） ：實現更智慧的路由選擇與詐騙保護。
借貸協議：根據用戶風險狀況自動優化收益，並在貸款健康因子低於一定標準時償還借款，減少清算風險。
錢包：發展為AI 助手，理解用戶意圖。
交易平台：提供AI 輔助工具，幫助使用者堅持其交易策略。
終局展望
加密領域的互動介面將演變為結合對話式AI，能夠理解使用者的財務目標，並比使用者自己更有效率地執行這些目標。
2.加密助力AI：去中心化AI 的未來
在我看來，加密對AI 的助力潛力遠大於AI 對加密的影響。正在從事去中心化AI 的團隊，正在探索一些關於AI 未來的最根本且實際的問題：
能否在沒有依賴集中化科技巨頭的大規模資本支出的情況下，發展出前沿模型？
是否可以協調全球分散式運算資源，來高效訓練模型或產生資料？
如果人類最強大的技術被少數幾家公司掌控，會發生什麼事？
我強烈建議閱讀@yb_effect的關於去中心化AI（DeAI）的文章，深入了解這一領域。
僅從冰山一角來看，加密與AI 交匯的下一個浪潮可能會來自那些以研究為先導的學術AI 團隊。這些團隊主要源自於開源AI 社區，他們對去中心化AI 的實際意義和哲學價值有著深刻的理解，並認為這是擴展AI 的最佳方式。
AI 目前面臨的問題是什麼？
2017 年，標誌性論文《Attention Is All You Need》提出了Transformer 架構，這項架構解決了深度學習領域數十年來的關鍵難題。自2019 年ChatGPT 推廣以來，Transformer 架構成為了大多數大型語言模型（LLMs）的基礎，並引發了運算能力競賽的浪潮。
自那以後，AI 訓練所需的運算能力每年增加4 倍。這導致了AI 開發的高度集中化，因為預訓練依賴性能更強的GPU，而這些資源只掌握在最大的科技巨頭手中。
從意識形態的角度來看，集中化的AI 是一個問題，因為人類最強大的工具可能隨時被其資助者控製或撤回。因此，即便開源團隊無法與集中化實驗室的進展速度直接競爭，嘗試去挑戰這一局面仍然至關重要。
加密技術為建構開放模型提供了經濟協調的基礎。但在實現這一目標之前，我們需要回答一個問題：去中心化AI 除了滿足理想之外，還能解決哪些實際問題？為什麼讓人們協同工作如此重要？
幸運的是，致力於這一領域的團隊非常務實。開源代表了技術擴展的核心理念：透過小規模的協作，每個團隊都在優化自身的局部最大值，並在此基礎上逐步構建，最終比那些受自身規模和機構慣性限制的集中化方法更快地達到全局最大值。
同時，特別是在AI 領域，開源也是創造智慧的必要條件──這種智能並非道德化，而是能夠適應個體賦予它的不同角色和人格。
在實際操作中，開源可能為解決一些非常現實的基礎設施限制打開創新的大門。
計算資源的稀缺現狀
AI 模型的訓練已經需要龐大的能源基礎設施。目前已有多個專案正在建造1 至5 吉瓦規模的資料中心。然而，前沿模型的持續擴展將需要超過單一資料中心所能提供的能源，甚至達到與整個城市能源消耗相當的水平。問題不僅是能源輸出，還包括單一資料中心的實體限制。
即便超越了這些前沿模型的預訓練階段，推理（Inference）階段的成本也會因新型推理模型和DeepSeek 的出現而顯著增加。如@fortytwonetwork團隊所述：
「與傳統的大型語言模型（LLMs）不同，推理模型優先考慮透過分配更多處理時間來產生更聰明的回應。然而，這種轉變帶來了權衡：相同的計算資源只能處理更少的請求。為了實現這些意義重大的改進，模型需要更多的『思考』時間，這進一步加劇了計算資源的稀缺性。
計算資源的短缺已經非常明顯。例如，OpenAI 限制API 呼叫為每分鐘10, 000 次，這實際上限制了AI 應用程式只能同時為大約3, 000 名使用者提供服務。即便是像Stargate 這樣雄心勃勃的計畫——一個由川普總統最近宣布的5, 000 億美元AI 基礎設施計畫——也可能只能暫時緩解這個問題。
根據傑文斯悖論（Jevons Paradox），效率的提升往往導致資源消耗的增加，因為需求隨之上升。隨著AI 模型變得更強大、更有效率，運算需求可能因新用例和更廣泛的採用而激增。 」
那麼加密是從哪裡來的呢？區塊鏈如何真正有意義地助力 AI 搜尋和發展？
加密技術提供了一種根本不同的方法：全球分散式+ 去中心化訓練與經濟協調。與其建造新的資料中心，不如利用現有的數百萬GPU——包括遊戲設備、加密挖礦設備以及企業伺服器——它們大部分時間都處於閒置狀態。同樣，區塊鏈還可以透過利用消費者設備上的閒置運算資源來實現去中心化推理。
分散式訓練面臨的一個主要問題是延遲。除了加密元素外，Prime Intellect 和Nous 等團隊正在研究減少GPU 通訊需求的技術突破：
DiLoCo（Prime Intellect）： Prime Intellect 的實現減少了500 倍的通訊需求，使跨大陸的訓練成為可能，並實現了90-95% 的運算利用率。
DisTrO/DeMo（Nous Research）： Nous Research 的優化器家族透過離散餘弦轉換壓縮技術，實現了857 倍的通訊需求減少。
然而，傳統的協調機制無法解決去中心化AI 訓練中固有的信任挑戰，而區塊鏈的固有特性可能在這裡找到產品市場契合點（PMF）：
驗證與容錯能力：去中心化訓練面臨參與者提交惡意或錯誤運算的挑戰。加密技術提供了密碼學驗證方案（如Prime Intellect 的TOPLOC）以及經濟懲罰機制以防止不良行為。
無許可參與：與傳統的分散式運算專案需要審批流程不同，加密技術允許真正的無許可貢獻。任何擁有閒置運算資源的人都可以立即加入並開始賺取收益，從而最大化可用資源池。
經濟誘因對齊：基於區塊鏈的激勵機制將單一GPU 擁有者的利益與集體訓練目標對齊，使先前閒置的運算資源變得經濟上有生產力。
有鑑於此，去中心化 AI 堆疊中的團隊如何解決AI 的擴展問題並使用區塊鏈？哪些是證明點？
1. Prime Intellect ：分散式與去中心化訓練
DiLoCo ：減少了500 倍通訊需求，使跨大陸訓練成為可能。
PCCL ：處理動態成員加入、節點故障，並實現了跨大陸45 Gbit/s 的通訊速度。
目前正在透過全球分佈的工作節點訓練320 億參數的模型。
在生產環境中實現了90-95% 的計算利用率。
成果：成功訓練了INTELLECT-1 （100 億參數） 和 INTELLECT-2 （320 億參數） ，實現了跨大陸的大規模模型訓練。
2. Nous Research ：去中心化訓練與通訊優化
DisTrO/DeMo ： 透過離散餘弦變換（Discrete Cosine Transform）技術，實現了通訊需求的857 倍減少。
Psyche Network ： 利用區塊鏈協調機制，提供容錯能力及激勵機制以啟動運算資源。
在網路上完成了規模最大的預訓練之一，訓練了 Consilience（400 億參數） 。
3. Pluralis：協議學習（Protocol Learning）與模型並行
Pluralis 採用了一種不同於傳統開源AI 的方法，稱為協議學習（ Protocol Learning ）。與其他去中心化訓練項目（如Prime Intellect 和Nous）所使用的資料並行方法不同，Pluralis 認為資料並行存在經濟缺陷，僅依賴計算資源的池化不足以滿足訓練尖端模型的需求。例如，Llama 3 （4000 億參數）需要16, 000 台8 0G B H100 GPU 進行訓練。
來源：連結
協議學習（Protocol Learning）的核心理念是為模型訓練者引入真實的價值捕捉機制，從而匯集大規模訓練所需的運算資源。此機制透過分配與訓練貢獻成比例的部分模型所有權來實現。在這種架構下，神經網路以協作方式進行訓練，但完整的權重集永遠無法被任何單一參與者提取（稱為協議模型Protocol Models ）。在此設定中，任何參與者若想取得完整的模型權重，所需的計算成本將超過重新訓練模型所需的成本。
協議學習的具體運作方式如下：
模型片段化：每位參與者僅持有模型的部分碎片（shards），而非完整權重。
協作訓練：訓練過程需要參與者之間傳遞激活值（activations），但不會讓任何人看到完整的模型。
推理憑證：推理需要憑證，這些憑證根據參與者的訓練貢獻進行分配。透過這種方式，貢獻者可以透過模型的實際使用來獲得收益。
協議學習的意義在於將模型轉變為一種經濟資源或商品，使其能夠完全金融化。透過這種方式，協議學習有望實現支援真正具有競爭力的訓練任務所需的計算規模。 Pluralis 結合了閉源開發的可持續性（如閉源模型發布的穩定收益）與開源協作的優勢，為去中心化AI 的發展提供了新的可能性。
Fortytwo：去中心化群體推理
來源：連結
當其他團隊專注於分散式和去中心化訓練挑戰時，Fortytwo 則聚焦於分散式推理，透過群體智慧（Swarm Intelligence）解決推理階段的運算資源稀缺問題。
Fortytwo 解決了圍繞推理的日益嚴重的計算稀缺問題。為了利用消費級硬體（例如搭載M2 晶片的MacBook Air）上的閒置運算能力，Fortytwo 將專門的小型語言模型連網。
Fortytwo 將多個小型語言模型網路化，這些節點協同評估彼此的貢獻，透過點對點的評估放大網路效能。最終產生的回應是基於網路中最有價值的貢獻，為推理效率提供支援。
有趣的是， Fortytwo的推理網路方法可以與分散式/去中心化訓練項目形成互補。設想一個未來的場景：運行在Fortytwo 節點上的小型語言模型（SLMs）可能正是透過Prime Intellect 、 Nous或Pluralis訓練出來的模型。這些分散式訓練計畫共同努力，可以打造開源的基礎模型（Foundation Models），隨後針對特定領域進行微調，並最終透過Fortytwo 的網路協調完成推理任務。
總結
加密技術與AI 的下一個重大機遇，不是另一個投機性的代幣，而是能夠真正推動AI 發展的基礎設施。目前，中心化AI 面臨的擴展瓶頸，正好對應了加密領域在全球資源協調和經濟激勵對齊方面的核心優勢。
去中心化AI 開啟了一個平行宇宙，它不僅可以拓展AI 架構的可能性，還能在實驗自由與實際資源結合的情況下，探索更多潛在的技術邊界。
