IOSG：從 AI x Web3 技術堆棧展開 infra 新敘事
前言
最近大型語言模型（LLMs）的迅猛發展引發了人們對利用人工智能（AI）改造各行業的興趣。區塊鏈行業也未能倖免，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 行業問題上的獨特機遇。
AIxCrypto 的三種途徑包括：
將 AI 融入現有產品中：像 Dune 這樣的公司正在利用 AI 增強其產品，比如引入 SQL copilot 來幫助用戶編寫複雜查詢。
為加密生態系統構建 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製。
利用區塊鏈解決 AI 行業問題：Gensyn、EZKL 和 io.net 等項目正在探討區塊鏈技術如何解決 AI 行業面臨的挑戰，如數據隱私、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 行業內在問題。這一獨特交匯點為創新解決方案開闢了新的可能性，有益於 AI 和區塊鏈社區。
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 行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，計算網絡對於提供 AI 應用所需的基礎設施起着至關重要的作用。這些網絡根據其支持的任務，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
通用計算網絡（例如 IO.net 和 Akash）為用戶提供通過 SSH 訪問機器的機會，並提供命令行接口（CLI），使用戶能夠構建自己的應用程序。這些網絡類似於虛擬專用服務器（VPS），在雲中提供個人計算環境。
IO.net 基於 Solana 生態系統，着重於 GPU 租賃和計算集群，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 計算網絡不及 Web2 那種「樂高」構建模塊，例如基於主要雲服務提供商（如 AWS、Azure 和 Google Cloud）的無服務器函數、VPS 和數據庫雲項目。
計算網絡的優勢包括：
區塊鏈技術可以利用未使用的計算資源和個人電腦，使網絡更具可持續性。
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：
定價固然是通用計算網絡的主要優勢，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，使用戶可以通過配置文件部署特定的應用程序。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 渲染的專業計算網絡。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：
專用計算網絡的優勢：
去中心化和 crypto 特性解決了 AI 行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。
通過支持智能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。
雖然專門的 AI 推理和訓練計算網絡仍處於早期階段，但我們預計 Web3 AI 應用將優先使用 Web3 AI 基礎設施。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，但增長潛力巨大。隨着生態系統的成熟，我們預計會看到更多利用去中心化 AI 計算網絡獨特能力的創新應用程序。
2. 數據
數據在 AI 模型中起着至關重要的作用，開發 AI 模型的各個階段都涉及到數據，包括數據收集、訓練數據集存儲和模型存儲。
2.1 數據存儲
去中心化存儲 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。隨着 AI 模型可能達到數百 GB 的大小，需要一個強大的去中心化存儲網絡。去中心化存儲領域的領軍者，如 Filecoin 和 Arweave，可能可以提供這一功能。
IOSG Ventures 的看法：
這個領域存在着巨大的機會。
針對 AI 模型優化的去中心化數據存儲網絡，提供版本控制、存儲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 數據庫也可以增加向量搜索支持。
2.2 數據收集和標記
收集高質量數據對於 AI 訓練至關重要。基於區塊鏈的項目如 Grass 利用眾包收集數據用於 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質量數據。Tai-da 和 Saipen 等項目專注於數據標記。
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先者，而 Scale AI 主導着 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，開發人員需要高質量的區塊鏈數據，希望能夠直接在其訓練過程中使用。Spice AI 和 Space and Time 提供帶有 SDK 的高質量區塊鏈數據，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：
隨着對與區塊鏈相關的 AI 模型需求的增長，對高質量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 格式導出數據，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，至關重要的是通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數據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復雜的模型以減少計算成本，中心化的 AI 提供者面臨着信任問題。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性能。
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能提供商相關的信任問題。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，而無需泄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（ZKVM）中執行訓練任務，例如由 Risc Zero 提供的虛擬機。該過程生成一個證明，驗證訓練是否正確進行，且僅使用了經授權的數據。該證明作為開發人員遵守適當訓練規範和數據使用權限的證據。
IOSG Ventures 的看法：
ZKML 為證明模型訓練中授權數據使用提供了獨特解決方案，而這在人工智能模型的黑盒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。社區正在積極探索 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無需信任和透明。
Giza 專注於構建全面的機器學習運營（MLOP）平台，並在其周圍打造一個充滿活力的社區。他們的目標是為開發人員提供集成 ZKML 到推理工作流的工具和資源。
另一方面，EZKL 通過創建用戶友好的 ZKML 框架以提供良好的性能，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 推理在實際應用中更具實用性和效率。
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 引入的計算開銷使大型人工智能模型難以高效運行。
該行業仍在尋找在其產品中大量使用 ZKML 的 DeFi 和 GameFi 先驅，以展示其實際應用場景。
4. 代理網絡 + 其他應用
4.1 代理網絡
代理網絡由裝備有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復雜的目標。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 是正在建設聊天機器人代理的重要參與者。Autonolas 和 ChainML 正在為更強大的用例構建代理網絡。
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能更好地執行特定任務。區塊鏈為人工智能代理提供了幾種獨特機遇。
擁有激勵機制：區塊鏈通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。
智能合約的可組合性：區塊鏈上的智能合約高度可組合，像樂高積木一樣運作。智能合約提供的開放 API 使代理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能夠與各種去中心化應用（dApps）進行互動並利用其功能。
內在的開放性：通過在區塊鏈上構建代理，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解決更復雜的任務。
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，展示了人工智能在區塊鏈生態系統中的多樣性和潛力。
圖像生成：ImgnAI
圖像提示變現：NFPrompt
社區訓練的人工智能圖像生成：Botto
聊天機器人：Kaito、Supersight、Galaxy、Knn3、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 用戶以實現大規模採用
AI x Crypto 之所以獨一無二，是因為它可以解決人工智能領域最困難的問題。儘管當前的 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計算資源。隨着對 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，並且短缺。
DePIN 項目等去中心化計算網絡可以通過利用閒置計算力、小型數據中心的 GPU 和個人計算設備幫助緩解這一問題。雖然去中心化計算功率的穩定性可能不及集中式雲服務，但這些網絡提供了多樣地域的高性價比計算設備。這種去中心化方法最小化了邊緣延遲，確保了更分佈式和更有彈性的基礎設施。
通過利用去中心化計算網絡的力量，AIxCrypto 可以為 Web2 用戶提供價格實惠、易得的計算資源。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，並尤其在對 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 的另一重要優勢在於保護創作者的所有權權利。在當前的人工智能領域，一些代理容易被複制。通過簡單編寫類似提示，就可以輕鬆複製這些代理。此外，GPT 商店中的代理通常由中心化公司所有，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 技術來解決這一問題。通過將代理表示為 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能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。用戶擔心自己的數據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，中心化人工智能公司可能會犧牲服務質量以降低基礎設施成本。
這些問題難以通過 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通過證明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。
通過優先考慮隱私和透明度，AIxCrypto 使人工智能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能服務，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。用戶擔心自己的數據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，中心化人工智能公司可能會犧牲服務質量以降低基礎設施成本。
這些問題難以通過 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通過證明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。
通過優先考慮隱私和透明度，AIxCrypto 使人工智能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能服務，使其區別於傳統的 Web2 解決方案。
5.4 追蹤內容來源
隨着人工智能生成的內容日益精密，區分人類創作和人工智能生成的文本、圖像或視頻變得更加困難。為防止濫用人工智能生成的內容，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。在供應鏈行業，區塊鏈追蹤產品的整個生命周期，用戶可以識別生產商和關鍵里程碑。同樣地，區塊鏈追蹤創作者，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，但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。
通過應用區塊鏈技術追蹤人工智能生成內容的來源，AIxCrypto 可為用戶提供驗證內容創建者是人工智能還是人類的能力，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。
加密貨幣提供了一個對開發人員友好的方式，可以收集預訓練數據、收集強化學習反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周期：通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，通過出售代幣籌集資金用於訓練，並向數據和反饋的貢獻者空投代幣。通過精心設計的代幣經濟模型，這個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 項目開始瞄準 Web2 開發者作為潛在客戶，因為加密有獨特的價值主張，且 Web2 人工智能行業市場規模可觀。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，減少或者去除代幣的實用性可能對於 Web3 愛好者造成困擾，因為這可能改變 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個具有挑戰性的任務。
為了彌合 Web2 和 Web3 商業模型之間的差距，並同時保持代幣價值，可以考慮以下幾種潛在方法：
在項目的分佈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。
將代幣作為支付方式，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
利用收益回購或銷燬代幣
為項目提供的服務，為代幣持有者提供折扣和額外功能
通過精心設計符合 Web2 和 Web3 利益的代幣經濟模型，AI x Crypto 項目可以成功吸引 Web2 開發者，同時保持其代幣的價值和實用性。
7. 我們最喜愛的 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，藉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 和基準測試的數據貢獻（例如 Chatbot Arena）
2. 合作構建一個大型共享知識庫，可供各種代理使用（例如，Sahara）
3. 利用個人資源，進行網絡數據抓取（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，與其他行業相比，人工智能與區塊鏈領域的整合仍處於早期階段。在排名前 50 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、文檔、銷售和社區工作，為定製的 LLM 工具的開發提供了巨大的潛力。
當前，開發者正專注於構建基礎設施，將先進的 AI 模型引入鏈上，雖然我們尚未達到目標。隨着我們繼續發展這一基礎設施，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遇。其他行業可以直接使用現有的 LLM 基礎設施進行推理和微調。只有區塊鏈行業需要自己的原生 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 行業的敘事，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 模型相結合。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 行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。
本文獲得《IOSG：從 AI x Web3 技術堆棧展開 infra 新敘事》授權轉載，作者：IOSG