AI+Web3：塔楼与广场

引言

近两年，AI的发展速度明显加快。ChatGPT掀起的生成式人工智能浪潮不仅开启了新世界的大门，也在Web3领域激起了涟漪。

在AI概念的推动下，加密市场的融资活动明显回暖。据统计，仅2024年上半年就有64个Web3+AI项目完成融资，其中基于人工智能的操作系统Zyber365在A轮融资中创下1亿美元的最高记录。

二级市场更为活跃，加密聚合网站数据显示，短短一年多时间AI赛道总市值已达485亿美元，24小时交易量接近86亿美元。主流AI技术进展带来明显利好，OpenAI的Sora文本转视频模型发布后，AI板块平均价格上涨151%。AI效应也蔓延至加密货币吸金板块，首个AI Agent概念的MemeCoin - GOAT迅速走红并获得14亿美金估值，掀起AI Meme热潮。

关于AI+Web3的研究和讨论同样火热，从AI+Depin到AI Memecoin再到当前的AI Agent和AI DAO，新概念层出不穷。

AI+Web3这个充满热钱、风口和未来想象的组合，难免被视为一场资本撮合的联姻。我们很难分辨在这华丽外表下，是投机者的狂欢，还是新纪元的序幕。

要回答这个问题，关键在于思考双方能否相互促进。本文试图审视这一格局:Web3如何在AI技术栈的各环节发挥作用，AI又能给Web3带来哪些新机遇?

Part.1 AI堆栈下Web3有何机会?

在展开讨论前，我们需要了解AI大模型的技术栈:

AI大模型可比作人类大脑，初期如婴儿般需要吸收海量外界信息来理解世界，这是数据"收集"阶段。由于计算机不具备人类感官，训练前需要"预处理"将无标注信息转化为可用格式。

输入数据后AI通过"训练"构建具理解和预测能力的模型，类似婴儿学习理解外界的过程。当学习内容分科或通过交流获得反馈并修正时，进入"微调"环节。

孩童长大后能在对话中理解并表达想法，类似AI大模型的"推理"阶段，可对新输入进行预测和分析。AI通过语言能力表达感受、描述事物和解决问题，类似大模型在训练后应用于图像分类、语音识别等特定任务。

AI Agent则更接近大模型的下一形态 - 能独立执行任务并追求复杂目标，不仅具备思考能力，还能记忆、规划，且能运用工具与世界互动。

目前，针对AI各堆栈的痛点，Web3初步形成了多层次、相互关联的生态系统，涵盖AI模型流程的各阶段。

一、基础层:算力与数据的Airbnb

算力

当前，AI的主要成本之一是训练和推理模型所需的算力与能源。

例如，Meta的LLAMA3需要16000个NVIDIA H100 GPU 30天才能完成训练。H100 80GB版单价3-4万美元，这需要4-7亿美元的硬件投资，每月训练还需消耗16亿千瓦时，能源支出近2000万美元。

为缓解AI算力压力，DePin(去中心化物理基础设施网络)成为Web3最早与AI交叉的领域。DePin Ninja数据网站已列出1400多个项目，其中GPU算力共享代表项目包括io.net、Aethir、Akash、Render Network等。

主要逻辑是:平台允许闲置GPU资源拥有者以去中心化方式贡献算力,通过类似Uber或Airbnb的在线市场提高资源利用率,终端用户获得更低成本的高效计算资源;同时质押机制确保对违规者进行惩罚。

特点包括:

• 聚集闲置GPU资源:主要来自中小型数据中心、加密矿场等的过剩算力,以及PoS共识机制的挖矿硬件。部分项目如exolab还利用MacBook、iPhone等本地设备建立推理算力网络。

• 面向AI算力长尾市场: a. 技术端:更适合推理步骤。训练依赖超大规模GPU集群,而推理对GPU性能要求较低。 b. 需求端:中小算力需求方多围绕头部大模型优化、微调,天然适合分布式闲置算力。

• 去中心化所有权:区块链技术确保资源所有者保留控制权,灵活调整并获得收益。

数据

数据是AI的基石。没有数据,计算就毫无意义,数据质量决定模型输出质量。对当前AI模型训练而言,数据决定了语言能力、理解能力、价值观和人性化表现。目前,AI的数据需求困境主要体现在:

• 数据饥渴:AI模型训练依赖海量数据输入。OpenAI训练GPT-4的参数量达万亿级。

• 数据质量:随着AI与各行业结合,对数据时效性、多样性、专业性、新兴数据源如社交媒体情绪的要求提高。

• 隐私与合规:各国和企业逐渐限制数据集爬取。

• 数据处理成本高:数据量大,处理复杂。AI公司超30%研发成本用于基础数据采集处理。

Web3的解决方案主要体现在:

1. 数据收集:让真正贡献者参与价值创造,通过分布式网络和激励机制低成本获取更私密、更有价值的数据。

   • Grass:去中心化数据层和网络,用户运行节点贡献带宽捕获实时数据获得奖励。
   • Vana:引入数据流动性池(DLP)概念,用户可上传私人数据并灵活授权第三方使用。
   • PublicAI:用户在X上使用#AI或#Web3标签并@PublicAI即可实现数据收集。

2. 数据预处理:AI行业少数人工环节,适合Web3去中心化激励机制。

   • Grass和OpenLayer考虑加入数据标注环节。
   • Synesis提出"Train2earn"概念,奖励提供高质量标注数据。
   • Sapien将标记任务游戏化,用户质押积分赚取更多积分。

3. 数据隐私与安全:Web3隐私技术优势体现在敏感数据训练和多方数据协作。

   主要隐私技术包括:

   • 可信执行环境(TEE),如Super Protocol
   • 完全同态加密(FHE),如BasedAI、Fhenix.io、Inco Network
   • 零知识技术(zk),如Reclaim Protocol使用zkTLS技术

   目前仍处早期阶段,面临计算成本高等挑战。

4. 数据存储:解决链上存储AI数据和生成LLM的问题。

   • 0g.AI:针对AI高性能需求设计的中心化存储方案,支持快速上传下载大规模数据集,传输速度接近5GB/秒。

二、中间件:模型的训练与推理

开源模型去中心化市场

Web3提出去中心化开源模型市场可能性,通过代币化为团队保留部分代币,将模型部分未来收入流向代币持有者。

• Bittensor:建立开源模型P2P市场,由多个"子网"组成,资源提供者相互竞争满足子网目标。
• ORA:引入初始模型发行(IMO)概念,将AI模型代币化。
• Sentient:去中心化AGI平台,激励合作构建AI模型并奖励贡献者。
• Spectral Nova:聚焦AI和ML模型创建与应用。

可验证推理

针对AI推理"黑盒"难题,Web3标准解决方案是多验证者重复操作比较结果,但面临高昂成本挑战。

更有希望的方案是对链下AI推理计算执行ZK证明,在链上验证计算。主要优点:

• 可扩展性:快速确认大量链下计算。
• 隐私保护:保护数据和模型细节。
• 无需信任:无需依赖中心化方确认计算。
• Web2集成:有助提高Web3采用率。

当前可验证技术包括:

• zkML:结合零知识证明和机器学习,如Modulus Labs基于ZKML发布AI证明器。
• opML:利用乐观汇总原则提高ML计算效率。
• TeeML:使用可信执行环境安全执行ML计算。

三、应用层:AI Agent

当前AI发展重点从模型能力转向AI Agent。OpenAI定义AI Agent为:以LLM为驱动,具自主理解感知、规划、记忆和使用工具能力,能自动执行复杂任务的系统。

Web3能为Agent带来:

去中心化

Web3特性使Agent系统更分散自治,通过PoS、DPoS等机制建立激励惩罚机制促进民主化,如GaiaNet、Theoriq、HajimeAI。

冷启动

Web3帮助潜力AI Agent项目获取早期融资。

• Virtual Protocol推出AI Agent创建及代币发行平台fun.virtuals。
• Spectral提出支持发行链上AI Agent资产的IAO(Initial Agent Offering)构想。

Part.2 AI如何赋能Web3?

AI对Web3项目影响显著,通过优化链上操作(如智能合约执行、流动性优化、AI驱动治理决策)使区块链受益,提供数据驱动洞察,提高链上安全性,为新Web3应用奠定基础。

一、AI与链上金融

AI与加密经济

Coinbase CEO宣布在Base网络实现首笔AI对AI加密交易,AI Agent可在Base使用USD与人类、商家或其他AI交易。

Virtuals Protocol的Luna演示了AI Agent自主执行链上交易,AI Agent被视为链上金融未来。潜在场景包括:

1. 信息收集与预测:收集交易所公告、项目信息、舆情风险等,分析评估资产基本面、市场情况,预测趋势和风险。

2. 资产管理:提供投资标的,优化资产组合,自动执行交易。

3. 金融体验:选择最快链上交易方式,自动化跨链、调整gas费等,降低链上金融活动门槛与成本。

目前,AI Agent钱包Bitte、AI交互协议Wayfinder等尝试接入OpenAI模型API,让用户通过聊天界面命令Agent完成链上操作。去中心化Agent平台Morpheus支持此类Agent开发,Biconomy演示了AI Agent无需完整钱包权限即可进行swap操作。

AI与链上交易安全

AI技术可增强链上交易安全性和隐私保护,潜在场景包括:

• 交易监控:实时监控异常活动,提供警报。
• 风险分析:分析客户交易行为,评估风险。

如Web3安全平台SeQure利用AI检测防止攻击、欺诈和数据泄露,提供实时监控和警报。类似工具还有AI-powered Sentinel。

二、AI与链上基础设施

AI与链上数据

AI技术在链上数据收集分析方面发挥重要作用,如:

• Web3 Analytics:基于AI的分析平台,利用机器学习和数据挖掘算法分析链上数据。
• MinMax AI:提供基于AI的链上数据分析工具,发现市场机会和趋势。
• Kaito:基于LLM的Web3搜索平台。
• Followin:集成ChatGPT,整合不同平台资讯。

AI还可用于预言机,如Upshot使用AI为NFT提供准确定价数据。

AI与开发&审计

AI可提高Web3开发效率,降低编程门槛。潜在场景包括:自动化代码生成、智能合约验证测试、DApp部署维护、智能代码补全、解答开发问题等。

目前有一键启动代币平台如Clanker,合约开发平台如Spectral提供智能合约一键生成部署功能。

审计方面,Web3审计平台Fuzzland使用AI辅助检查代码漏洞,提供自然语言解释。

三、AI与