前言 最近大型语言模型（LLMs）的迅猛发展引发了人们对利用人工智能（AI）改造各行业的兴趣。区块链行业也未能幸免，AI x Crypto 叙事的出现使其备受瞩目。本文探讨了融合AI和加密的三种主要方式，并探讨了区块链技术在解决AI行业问题上的独特机遇。 AIxCrypto 的三种途径包括：

• 1. 将AI融入现有产品中：像Dune这样的公司正在利用AI增强其产品，比如引入SQL copilot来帮助用户编写复杂查询。
• 2. 为加密生态系统构建AI基础设施：Ritual和Autonolas等新创公司专注于开发AI驱动的基础设施，专为加密生态系统需求量身定制。
• 3. 利用区块链解决AI行业问题：Gensyn、EZKL和io.net等项目正在探讨区块链技术如何解决AI行业面临的挑战，如数据隐私、安全性和透明度。

AI x Crypto的独特之处在于区块链技术有望解决AI行业内在问题。这一独特交汇点为创新解决方案开辟了新的可能性，有益于AI和区块链社区。 在深入探讨AI x Crypto领域时，我们旨在识别和展示区块链技术在解决AI行业挑战方面最有前景的应用。通过与AI行业专家和加密建设者合作，我们致力于促进充分利用两种技术优势的尖端解决方案的发展。 1. 行业概览 AI x Crypto领域可分为基础设施和应用两大类。尽管一些现有基础设施持续为AI用例提供支持，但新的参与者正在市场上推出全新的AI原生架构。 1. 1计算网络 在AIxCrypto领域，计算网络对于提供AI应用所需的基础设施起着至关重要的作用。这些网络根据其支持的任务，可以分为两种类型：通用计算网络和专用计算网络。 1.1.1通用计算网络 通用计算网络（例如 IO.net 和 Akash）为用户提供通过SSH访问机器的机会，并提供命令行接口（CLI），使用户能够构建自己的应用程序。这些网络类似于虚拟专用服务器（VPS），在云中提供个人计算环境。 IO.net 基于Solana生态系统，着重于GPU租赁和计算集群，而基于Cosmos生态系统的Akash主要提供CPU云服务器和各种应用模板。 IOSG Ventures 的看法： 与成熟的Web2云市场相比，计算网络仍处于早期阶段。Web3计算网络不及Web2那种“乐高”构建模块，例如基于主要云服务提供商（如AWS、Azure和Google Cloud）的无服务器函数、VPS和数据库云项目。 计算网络的优势包括：

• 区块链技术可以利用未使用的计算资源和个人电脑，使网络更具可持续性。
• 点对点（P2P）设计允许个体将未使用的计算资源货币化，并提供成本更低的计算，从而潜在地降低75%-90%的成本。

但由于以下挑战，计算网络很难投入实际生产并取代Web2云服务：

• 定价固然是通用计算网络的主要优势，但要与成熟的Web2云公司在功能、安全性和稳定性等方面竞争仍具挑战性。
• 点对点风格可能会限制这些网络快速交付成熟和稳健产品的能力。去中心化的特性会额外增加开发和维护成本。

1.1.2 专用计算网络 专用计算网络在通用计算网络基础上增加了一个额外的层，使用户可以通过配置文件部署特定的应用程序。这些网络旨在满足特定的用例，例如3D渲染或AI推理和训练。 Render是一家专注于3D渲染的专业计算网络。在AI领域，像Bittensor、Hyperbolic、Ritual和fetch.ai这样的新玩家专注于AI推理，而Flock和Gensyn主要专注于AI训练。 IOSG Ventures 的看法： 专用计算网络的优势：

• 去中心化和 crypto 特性解决了 AI 行业普遍存在的中心化和透明性问题。
• 无许可计算网络和验证方案确保了推理和训练过程的有效性。
• 隐私保护技术，如Flock采用的联邦学习，允许个人为模型训练贡献数据，同时保持其数据在本地和私密。
• 通过支持智能合约与下游区块链应用集成，使得AI推理可以直接在区块链上使用。

Source: IOSG Ventures 虽然专门的AI推理和训练计算网络仍处于早期阶段，但我们预计Web3 AI应用将优先使用Web3 AI基础设施。这种趋势已经在Story Protocol和Ritual与MyShell合作引入AI模型作为知识产权等合作中明显。 尽管基于这些新兴 AI x Web3基础设施构建的杀手级应用程序尚未出现，但增长潜力巨大。随着生态系统的成熟，我们预计会看到更多利用去中心化AI计算网络独特能力的创新应用程序。 2. 数据数据在AI模型中起着至关重要的作用，开发 AI 模型的各个阶段都涉及到数据，包括数据收集、训练数据集存储和模型存储。 2.1 数据存储 去中心化存储AI模型对于以去中心化方式提供推理API至关重要。推理节点应该能够随时从任何地方检索这些模型。随着AI模型可能达到数百GB的大小，需要一个强大的去中心化存储网络。去中心化存储领域的领军者，如Filecoin和Arweave，可能可以提供这一功能。 IOSG Ventures 的看法： 这个领域存在着巨大的机会。

• 针对AI模型优化的去中心化数据存储网络，提供版本控制、存储不同的低精度模型量化以及大型模型快速下载等功能。
• 去中心化向量数据库，因为它们经常与模型捆绑在一起，通过插入必要的与问题相关知识提供更准确的答案。现有的SQL数据库也可以增加向量搜索支持。

2.2 数据收集和标记 收集高质量数据对于AI训练至关重要。基于区块链的项目如Grass利用众包收集数据用于AI训练，利用个人的网络。通过适当的激励和机制，AI训练者可以以较低的成本获得高质量数据。Tai-da和Saipen等项目专注于数据标记。 IOSG Ventures 的看法： 我们对这个市场的一些观察：

• 大多数数据标记项目受到GameFi的启发，吸引用户以“标记赚取”概念和开发者以承诺为高质量标记数据降低成本。
• 目前在这一领域尚未出现明显的领先者，而Scale AI主导着Web2数据标记市场。

2.3 区块链数据 在训练专门针对区块链的AI模型时，开发人员需要高质量的区块链数据，希望能够直接在其训练过程中使用。Spice AI和Space and Time提供带有SDK的高质量区块链数据，使开发人员能够轻松将数据整合到他们的训练数据管道中。 IOSG Ventures 的看法： 随着对与区块链相关的AI模型需求的增长，对高质量区块链数据的需求将激增。然而，大多数数据分析工具目前只提供以CSV格式导出数据，这对AI训练目的并不理想。 为促进专门针对区块链的AI模型的发展，至关重要的是通过提供更多与区块链相关的机器学习运维（MLOP）功能来提升开发人员体验。这些功能应该使开发人员能够无缝地将区块链数据直接整合到他们基于Python的AI训练管线中。 3. ZKML由于有动机使用较不复杂的模型以减少计算成本，中心化的AI提供者面临着信任问题。例如，去年有时用户认为ChatGPT表现不佳。后来这被归因于OpenAI的更新旨在提升模型性能。 此外，内容创作者对AI公司提出了版权担忧。这些公司很难证明特定数据未包含在其训练过程中。 零知识机器学习（ZKML）是一种创新方法，解决了与中心化人工智能提供商相关的信任问题。通过利用零知识证明，ZKML使开发人员能够证明其人工智能训练和推理过程的正确性，而无需泄露敏感数据或模型细节。 3.1 训练 开发人员可以在零知识虚拟机（ZKVM）中执行训练任务，例如由 Risc Zero 提供的虚拟机。该过程生成一个证明，验证训练是否正确进行，且仅使用了经授权的数据。该证明作为开发人员遵守适当训练规范和数据使用权限的证据。 IOSG Ventures 的看法：

• ZKML为证明模型训练中授权数据使用提供了独特解决方案，而这在人工智能模型的黑盒特性下通常很难实现。
• 这项技术仍处于早期阶段。计算开销巨大。社区正在积极探索 ZK 训练更多用例。

3.2 推理 与其训练对应物相比，ZKML 用于推理的时间要长得多。这个领域已经有几家知名公司涌现，它们各自采用独特方法使机器学习推理变得无需信任和透明。 Giza专注于构建全面的机器学习运营（MLOP）平台，并在其周围打造一个充满活力的社区。他们的目标是为开发人员提供集成 ZKML 到推理工作流的工具和资源。 另一方面，EZKL 通过创建用户友好的 ZKML 框架以提供良好的性能，优先考虑开发体验。他们的解决方案旨在简化实现 ZKML 推理的过程，使更多开发人员能够轻松使用。 Modulus Labs 采用了不同的方法，他们开发了自己的证明系统。他们的主要目标是显著减少与 ZKML 推理相关的计算开销。通过将开销降低10倍，Modulus Labs 试图使 ZKML 推理在实际应用中更具实用性和效率。 IOSG Ventures 的看法：

• ZKML 特别适用于 GameFi 和 DeFi 场景，其中无需信任至关重要。
• ZKML 引入的计算开销使大型人工智能模型难以高效运行。
• 该行业仍在寻找在其产品中大量使用 ZKML 的 DeFi 和 GameFi 先驱，以展示其实际应用场景。

4. 代理网络 + 其他应用4.1 代理网络 代理网络由装备有执行特定任务的工具和知识的众多人工智能代理组成，例如协助进行链上交易。这些代理可以相互协作以实现更复杂的目标。几家知名公司正在积极开发类似聊天机器人的代理和代理网络。 Sleepless、Siya、Myshell、characterX 和 Delysium是正在建设聊天机器人代理的重要参与者。Autonolas 和 ChainML 正在为更强大的用例构建代理网络。 IOSG Ventures 的看法： 代理对于现实世界的应用至关重要。它们可以比通用人工智能更好地执行特定任务。区块链为人工智能代理提供了几种独特机遇。

• 拥有激励机制：区块链通过诸如非同质化代币（NFT）等技术提供激励机制。有了明确的所有权和激励结构，创作者受到激励，在链上开发更有趣和创新的代理。
• 智能合约的可组合性：区块链上的智能合约高度可组合，像乐高积木一样运作。智能合约提供的开放API使代理能够执行在传统金融系统中难以实现的复杂任务。这种可组合性使代理能够与各种去中心化应用（dApps）进行互动并利用其功能。
• 内在的开放性：通过在区块链上构建代理，它们继承了这些网络的内在开放性和透明性。这为不同代理之间的可组合性创造了重大机遇，使它们能够合作并结合各自的能力解决更复杂的任务。

4.2 其他应用 除了前面讨论过的主要类别外，在 Web3 领域中还有几个有趣的人工智能应用正在受到关注，尽管它们可能还不够庞大以形成独立的类别。这些应用跨越各种领域，展示了人工智能在区块链生态系统中的多样性和潜力。

• 图像生成：ImgnAI
• 图像提示变现：NFPrompt
• 社区训练的人工智能图像生成：Botto
• 聊天机器人：Kaito、Supersight、Galaxy、Knn3、Awesome QA、Qna3
• 金融：Numer AI
• 钱包：Dawn_wallet
• 游戏：Parallel TCG
• 教育：Hooked
• 安全：Forta
• DID：Worldcoin
• 创作者工具：Plai Lab

5. 将 AIxCrypto 推广给 Web2 用户以实现大规模采用AI x Crypto 之所以独一无二，是因为它可以解决人工智能领域最困难的问题。尽管当前的 AIxCrypto 产品与 Web2 AI 产品之间存在差距，并且对 Web2 用户缺乏吸引力，但 AIxCrypto 仍具备一些独特功能，只有 AIxCrypto 才能提供。 5.1 高性价比的计算资源: AIxCrypto 的一个主要优势在于提供高性价比的计算资源。随着对 LLM 的需求增加，市场上开发者增多，GPU 的可用性和价格变得更具挑战性。GPU 价格大幅上涨，并且短缺。 DePIN 项目等去中心化计算网络可以通过利用闲置计算力、小型数据中心的GPU和个人计算设备帮助缓解这一问题。虽然去中心化计算功率的稳定性可能不及集中式云服务，但这些网络提供了多样地域的高性价比计算设备。这种去中心化方法最小化了边缘延迟，确保了更分布式和更有弹性的基础设施。 通过利用去中心化计算网络的力量，AIxCrypto 可以为 Web2 用户提供价格实惠、易得的计算资源。这种成本优势对于吸引 Web2 用户采纳 AIxCrypto 解决方案具有吸引力，并尤其在对AI计算的需求持续增长的情况下。 5.2 赋予创作者所有权: AI x Crypto 的另一重要优势在于保护创作者的所有权权利。在当前的人工智能领域，一些代理容易被复制。通过简单编写类似提示，就可以轻松复制这些代理。此外，GPT 商店中的代理通常由中心化公司所有，而不是由创作者拥有，限制了创作者对作品的控制以及有效实现盈利的能力。 AI x Crypto 利用加密领域普遍存在的成熟 NFT 技术来解决这一问题。通过将代理表示为 NFT，创作者可以真正拥有他们的作品，并从中获得实际收益。每次用户与代理互动，创作者都可以获得激励，确保对他们努力的公平回报。基于 NFT 所有权的概念不仅适用于代理，还可用于保护人工智能领域中的其他重要资产，如知识库和提示。 5.3 保护隐私并重建信任: 用户和创作者对于中心化人工智能公司存在隐私担忧。用户担心自己的数据被滥用用于训练未来模型，而创作者则担心自己的作品被使用但却缺乏适当的归因或补偿。此外，中心化人工智能公司可能会牺牲服务质量以降低基础设施成本。 这些问题难以通过 Web2 技术解决，而 AIxCrypto 则利用先进的 Web3 解决方案。零知识训练和推理可通过证明使用的数据和确保应用正确模型，从而提供透明度。诸如受信任执行环境(TEE)、联邦学习和完全同态加密(FHE)等技术实现安全、保护隐私的人工智能训练和推理。 通过优先考虑隐私和透明度，AIxCrypto 使人工智能公司能够重新获得公众信任，并提供尊重用户权利的人工智能服务，使其区别于传统的 Web2 解决方案。 5.3 保护隐私并重建信任: 用户和创作者对于中心化人工智能公司存在隐私担忧。用户担心自己的数据被滥用用于训练未来模型，而创作者则担心自己的作品被使用但却缺乏适当的归因或补偿。此外，中心化人工智能公司可能会牺牲服务质量以降低基础设施成本。 这些问题难以通过 Web2 技术解决，而 AIxCrypto 则利用先进的 Web3 解决方案。零知识训练和推理可通过证明使用的数据和确保应用正确模型，从而提供透明度。诸如受信任执行环境(TEE)、联邦学习和完全同态加密(FHE)等技术实现安全、保护隐私的人工智能训练和推理。 通过优先考虑隐私和透明度，AIxCrypto 使人工智能公司能够重新获得公众信任，并提供尊重用户权利的人工智能服务，使其区别于传统的 Web2 解决方案。 5.4 追踪内容来源 随着人工智能生成的内容日益精密，区分人类创作和人工智能生成的文本、图像或视频变得更加困难。为防止滥用人工智能生成的内容，人们需要一种可靠的方式来确定内容的来源。 区块链在追踪内容来源方面表现出色，就像在供应链管理和 NFT 中取得的成功一样。在供应链行业，区块链追踪产品的整个生命周期，用户可以识别生产商和关键里程碑。同样地，区块链追踪创作者，并在 NFT 的情况下防止盗版，由于其公开性，NFT 尤其容易受盗版的影响。尽管存在这种脆弱性，但利用区块链可最大程度减少假 NFT 所导致的损失，因为用户可轻松区分真假代币。 通过应用区块链技术追踪人工智能生成内容的来源，AIxCrypto 可为用户提供验证内容创建者是人工智能还是人类的能力，从而减少滥用可能性，增加对内容真实性的信任。 5.5 利用加密货币开发模型 设计和训练模型，特别是大型模型，是一个昂贵且耗时的过程。新模型还存在不确定性，开发人员无法预测其性能。 加密货币提供了一个对开发人员友好的方式，可以收集预训练数据、收集强化学习反馈以及从感兴趣的方进行筹款。这个过程类似于典型加密货币项目的生命周期：通过私人投资或起飞台筹资，并在启动时向活跃贡献者投放代币。 模型可以采用类似方法，通过出售代币筹集资金用于训练，并向数据和反馈的贡献者空投代币。通过精心设计的代币经济模型，这个工作流程可帮助个人开发人员比以往更轻松地训练新模型。 6. Tokennomics 的挑战 AI x Crypto 项目开始瞄准Web2开发者作为潜在客户，因为加密有独特的价值主张，且Web2人工智能行业市场规模可观。然而，对于不熟悉代币且不愿涉足基于代币系统的Web2开发者来说，代币可能成为一道障碍。 为了迎合Web2开发者，减少或者去除代币的实用性可能对于Web3爱好者造成困扰，因为这可能改变AI x Crypto 项目的根本立场。在努力将有价值的代币整合到人工智能SaaS平台时，找到吸引Web2开发者并保持代币实用性之间的平衡是一个具有挑战性的任务。 为了弥合Web2和Web3商业模型之间的差距，并同时保持代币价值，可以考虑以下几种潜在方法：

• 在项目的分布式基础设施网络中利用代币。实施质押、奖励和惩罚机制来保护基础网络。
• 将代币作为支付方式，同时为Web2用户提供使用入口
• 实施基于代币的治理
• 与代币持有者分享收益
• 利用收益回购或销毁代币
• 为项目提供的服务，为代币持有者提供折扣和额外功能

通过精心设计符合Web2和Web3利益的代币经济模型，AI x Crypto 项目可以成功吸引Web2开发者，同时保持其代币的价值和实用性。 7. 我们最喜爱的 AI x Crypto 场景 我们最喜爱的AI x Crypto场景利用了用户协作的力量，借助区块链技术在人工智能领域完成任务。一些具体的例子包括： 1. 集体进行AI训练、Alignment 和基准测试的数据贡献（例如 Chatbot Arena） 2. 合作构建一个大型共享知识库，可供各种代理使用（例如，Sahara） 3. 利用个人资源，进行网络数据抓取（例如，Grass） 通过利用基于区块链激励和协调的用户集体努力，这些模型展示了去中心化、社区驱动的方法对AI开发和部署的潜力。 结论 我们正处于AI和Web3的黎明阶段，与其他行业相比，人工智能与区块链领域的整合仍处于早期阶段。在排名前50的Gen AI产品中，并没有与Web3相关的产品。顶尖的LLM工具与内容创作和编辑相关，主要针对销售、会议和笔记/知识库。考虑到Web3生态系统中大量的研究、文档、销售和社区工作，为定制的LLM工具的开发提供了巨大的潜力。 当前，开发者正专注于构建基础设施，将先进的AI模型引入链上，虽然我们尚未达到目标。随着我们继续发展这一基础设施，我们也在探索最佳用户场景，以安全和无需信任的方式在链上进行AI推理，这为区块链领域提供了独特机遇。其他行业可以直接使用现有的LLM基础设施进行推理和微调。只有区块链行业需要自己的原生AI基础设施。 在不久的将来，我们预计区块链技术将利用其点对点的优势来解决人工智能行业中最具挑战性的问题，使AI模型对每个人都更加负担得起、易于访问和盈利。我们也期待加密领域将跟随AI行业的叙事，尽管略有延迟。在过去一年中，我们见证了开发者将 Crypto，代理和LLM 模型相结合。在接下来的几个月内，我们可能会看到更多多模态模型、文字视频生成和3D生成影响 Crypto 领域。 整个AI和Web3行业目前并未得到充分的重视，我们迫切期待AI在 Web3 中的引爆时刻，一个 CryptoxAI 的杀手级应用。