乍一看，加密货币和人工智能似乎是正交的技术，每种技术都建立在截然不同的原理之上，并具有不同的功能。 然而，更深入的探索表明，这两种技术有机会平衡彼此的利弊，每种技术的独特优势可以相互补充和增强。 巴拉吉·斯里尼瓦桑 (Balaji Srinivasan) 在超级人工智能大会上雄辩地介绍了这种互补能力的概念，启发了人们对这些技术如何相互作用进行详细比较。 资料来源：IOSG Ventures（该表格的灵感来自 Balaji 在 SuperAI 会议上的演讲） 加密货币采用自下而上的运作方式，源自匿名网络朋克的去中心化努力，并通过全球众多独立实体的协调努力在十多年内不断发展。相比之下，人工智能则采用自上而下的方式开发，由少数几家科技巨头主导。这些公司决定着行业的发展速度和动态，进入门槛更多地取决于资源密集度而非技术复杂程度。 这两种技术还具有不同的性质。本质上，加密货币是产生不可改变结果的确定性系统，例如哈希函数或零知识证明的可预测性。这与人工智能的概率性和通常不可预测性形成了鲜明对比。 同样，加密技术在验证、确保交易的真实性和安全性以及构建无需信任的流程和系统方面表现出色，而人工智能则专注于生成和创造丰富的数字内容。然而，在创造数字丰富的过程中，存在着确保内容来源和防止身份盗用的挑战。 幸运的是，加密货币提供了数字丰富性概念的对立面——数字稀缺性。它提供了相对成熟的工具，可以推广到人工智能技术，以保证内容来源并避免身份盗窃问题。 加密货币的一个显著优势是，它们能够吸引大量硬件和资本进入服务于特定目标的协调网络。这种能力对于消耗大量计算能力的人工智能尤其有益。调动未充分利用的资源来提供更便宜的计算可以显著提高人工智能的效率。 通过将这两大科技巨头进行比较，我们不仅可以欣赏他们各自的贡献，还可以欣赏他们如何共同开辟技术和经济的新道路。他们相互抵消，创造了一个更加一体化、创新的未来。在这篇博文中，我们旨在探索新兴的加密 x 人工智能行业地图，重点介绍这些技术交叉点上的一些新兴垂直行业。 来源：IOSG Ventures（最初由 Momir 于 6 月 21 日在 X 上发布） 计算网络行业地图从计算网络开始，计算网络正在尝试解决 GPU 供应受限的挑战，并尝试以不同的方式降低计算成本。值得强调的是以下内容：

• 非统一 GPU 互操作性：这是一项非常雄心勃勃的尝试，具有很高的技术风险和不确定性，但如果成功，它将有可能创造出具有巨大规模和影响力的东西，使所有计算资源都可互换。本质上，这个想法是构建编译器和其他先决条件，以便在供应方面，您可以插入任何硬件资源，而在需求方面，所有硬件非统一性都将被完全抽象，以便您的计算请求可以路由到网络中的任何资源。如果这一愿景成功，它将降低 CUDA 软件的护城河，而 CUDA 软件是当今 AI 开发人员的绝对主导解决方案。同样，技术风险很高，许多专家对这种方法的可行性持高度怀疑态度。
• 高性能 GPU 聚合：将全球最受欢迎的 GPU 集成到一个分布式、无需许可的网络中，而无需担心跨非统一 GPU 资源的互操作性。
• 商品消费级 GPU 聚合：旨在聚合一些性能较差的 GPU，这些 GPU 可能在消费设备中使用，并且是供应方最未充分利用的资源。它迎合了那些愿意牺牲性能和速度来获得更便宜、更长的训练过程的人。

训练和推理计算网络主要有两个用途：训练和推理。这些网络的需求来自 Web 2.0 和 Web 3.0 项目。在 Web 3.0 领域，Bittensor 等项目利用计算来执行模型微调。在推理方面，Web 3.0 计划强调流程的可验证性。这一重点导致了可验证推理作为一个垂直市场的出现，其中项目正在探索将 AI 推理集成到智能合约中的方法，同时保持去中心化的原则。 代理平台接下来是代理平台，该图概述了此类别的初创企业必须解决的核心问题：

• 代理互操作性以及相互发现和通信的能力
• 代理建立集体和管理其他代理的能力
• 人工智能代理的所有权和市场

这些功能强调了灵活和模块化系统的重要性，这些系统可以无缝集成到各种区块链和人工智能应用程序中。人工智能代理有可能彻底改变我们与互联网互动的方式，我们相信代理将利用加密基础设施来支持其运营。我们设想人工智能代理将以以下方式依赖加密基础设施：

• 利用分布式爬虫网络访问实时网络数据，
• 使用加密支付渠道进行代理商之间的支付，
• 要求经济利益不仅是为了在行为不当时进行惩罚，也是为了提高代理的可发现性（即在可发现性过程中利用利益作为经济信号），
• 利用加密共识来确定哪些事件会导致削减，
• 开源互操作性标准和代理框架，用于构建可组合的集体，
• 依靠不可变的数据历史来评估过去的表现并实时选择正确的代理集体。

数据层加密-AI 融合的核心组成部分是数据。数据是 AI 竞争中的一项战略资产，与计算一样都是关键资源。然而，它往往是一个被忽视的类别，因为业界的大部分注意力都集中在计算层上。加密原语在数据获取过程中提供价值的角度有很多，主要有两个方向：

• 访问公共互联网数据
• 访问围墙花园中的数据

前者是关于构建一个分布式抓取器网络，该网络可以在互联网上抓取数据并在几天内获取大量数据集，或者提供对互联网上非常具体的数据的实时访问。但是，为了能够抓取互联网上的大量数据集，对网络的要求非常高，至少需要几十万个节点才能开始一些有意义的工作负载。幸运的是，Grass 是一个分布式抓取节点网络，已经有超过 200 万个节点积极地将互联网带宽共享给网络，目的是抓取整个互联网。它展示了加密经济激励在吸引宝贵资源方面的巨大潜力。 虽然 Grass 在访问公共数据方面提供了公平的竞争环境，但仍然存在挖掘潜在数据潜力（专有数据集）的问题。也就是说，由于其敏感性，仍有大量数据以隐私保护的方式保存。几家初创公司正在努力利用一些加密和密码工具，使 AI 开发人员能够利用专有数据集的底层数据结构来构建和微调大型语言模型，同时保持敏感信息的私密性。 联邦学习、差分隐私、可信执行环境、完全同态加密和多方计算等技术提供了不同程度的隐私和权衡。Bagel 的研究文章对这些技术进行了很好的概述。这些技术不仅可以保护机器学习过程中的数据隐私，还可以在计算级别实施，以提供全面的隐私保护 AI 解决方案。 数据 x 模型出处数据和模型来源技术旨在建立流程，向用户保证他们正在与预期的模型和数据进行交互。此外，这些技术还提供真实性和来源的保证。以水印为例。水印是模型来源技术之一，它将签名直接嵌入机器学习算法中，更具体地说，直接嵌入模型权重中，这样在检索时，您就可以验证推理是否来自缩进的模型。 应用在应用方面，设计前景是无限的。在上面的行业地图中，我们列出了一些用例，我们特别高兴看到随着人工智能技术在 Web 3.0 领域的实施而发展。由于大多数这些用例都是自我描述的，我们目前不会提供额外的评论。然而，值得注意的是，人工智能和 Web 3.0 的交集有可能重组加密领域的许多垂直行业，因为这些新原语为开发人员带来了更多的自由度，使他们能够创建创新用例并优化现有用例。 结论加密货币和人工智能的融合呈现出充满创新和潜力的前景。通过利用每种技术的独特优势，我们可以应对各自的挑战并开辟新的技术道路。随着我们探索这个新兴行业，加密货币和人工智能之间的协同作用可能会推动变革，重塑我们未来的数字体验以及我们在网络上的互动方式。 数字稀缺性与数字丰富的融合、未充分利用的资源的调动以提高计算效率以及建立安全、保护隐私的数据实践将定义下一个技术进化时代。 然而，我们必须认识到，这个行业仍处于起步阶段，目前的行业格局可能会在短时间内过时。创新步伐的加快意味着当今的尖端解决方案可能很快就会被新的突破所超越。尽管如此，所探索的基础概念（例如计算网络、代理平台和数据协议）凸显了人工智能和 Web 3.0 交汇处的巨大可能性。