AI+加密賽道的最新思考與探索

作者： Ian@Foresight Ventures

Tl; 災難恢復

經過幾個月的深入研究人工智慧和加密資產相結合的領域，對這個方向的理解更加深入。 本文對賽道的早期觀點和當前方向進行了對比分析，熟悉賽道的人可以從第二部分開始。 **

• 去中心化算力網路：面對市場需求的挑戰，去中心化的最終目的是降低成本。 Web3 的社區屬性和代幣帶來了不容忽視的價值，但它仍然是 Compute Power 軌道本身的附加值，而不是顛覆性的改變，重點是找到一種與使用者需求相結合的方式，而不是盲目地利用去中心化算力網路作為中心化算力不足的補充。
• AI市場：討論全連結金融化AI市場的想法，討論社區和代幣帶來的價值和重要價值。 這樣的市場不僅關注底層的計算能力和數據，還關注模型本身和相關應用。 模型金融化是AI市場的核心要素，一方面吸引使用者直接參與AI模型的價值創造過程，另一方面創造對底層算力和數據的需求。
• 鏈上AI，ZKML面臨供需雙重挑戰，而OPML則在成本和效率之間提供了更加平衡的解決方案。 雖然OPML是一項技術創新，但它並不一定能解決鏈上AI面臨的根本挑戰，即沒有需求。
• 應用層，大多數web3 AI應用專案過於幼稚，AI應用更合理地提升用戶體驗和提高開發效率，或者作為AI市場的重要組成部分。

首先，AI軌跡回顧

在過去的幾個月里，我對AI+crypto的話題做了深入研究，經過幾個月的沉澱，我很高興在相對較早的階段就對一些軌道的方向有了深刻的瞭解，但我也可以看到，現在看來有些觀點並不準確。

**本文僅介紹觀點，不介紹，**它將涵蓋 web3 中 AI 的幾個大致方向，並展示我之前和現在對賽道的看法和分析。 不同的視角可能有不同的靈感，可以辯證地看待。

我們先來回顧一下上半年AI+加密貨幣設定的主要方向：

1.1 分散式計算能力

在《去中心化算力網路的理性觀察》中，基於算力將成為未來最有價值的資源的邏輯，分析了加密能賦予算力網路的價值。

雖然去中心化分散式算力網路對AI大模型訓練的需求最大，但也面臨著最大的挑戰和技術瓶頸。 這包括需要複雜的數據同步和網路優化問題。 此外，數據隱私和安全也是重要的制約因素。 雖然有一些現有的技術可以提供初步的解決方案，但由於計算和通信開銷巨大，它們仍然不適用於大規模的分散式訓練任務。 顯然，去中心化分散式算力網路在模型推理中有更多的落地機會，能夠預測未來的增量空間也足夠大。 然而，它也面臨著通信延遲、數據隱私和模型安全等挑戰。 與模型訓練相比，推理具有更低的計算複雜度和數據交互性，更適合在分散式環境中進行。

1.2 去中心化 AI 市場

在《去中心化AI市場的最佳嘗試》中提到，一個成功的去中心化AI市場需要緊密結合AI和Web3的優勢，利用分配、資產股權確認、收益分配和去中心化算力的附加值，降下AI應用的門檻，鼓勵開發者上傳和共用模型，保護使用者的數據隱私權，從而構建一個滿足使用者需求的開發者友好型AI資源交易和共享平臺。

當時的想法（現在可能並不完全準確）是基於數據的人工智慧市場具有更大的潛力。 死亡模型的市場需要大量優質模型的支援，但早期平臺缺乏使用者群和優質資源，由於對優秀模型提供者的激勵不足，難以吸引優質模型;而基於數據的市場可以通過去中心化、分散式收集、激勵層設計和數據擁有權保障等方式積累大量有價值的數據和資源，尤其是私域數據。

去中心化AI市場的成功依賴於用戶資源的積累和強大的網路效應，使用者和開發者可以從市場中獲得比市場外更多的價值。 在市場早期，重點是積累高品質的模型來吸引和留住使用者，然後在建立高品質模型和數據屏障庫后繼續吸引和留住更多的最終使用者。

1.3 ZKML

在ZKML這個話題被廣泛討論之前，鏈上AI的價值在“AI+Web3=？”中討論過。

在不犧牲去中心化和去信任的情況下，鏈上AI有機會將web3世界引領到“下一個水準”。 當前的 Web3 就像 Web2 的早期階段一樣，它還沒有具備更廣泛採用或創造更大價值的能力。 鏈上AI旨在提供透明且無需信任的解決方案。

1.4 人工智慧應用

在“AI+Crypto開始談Web3女性遊戲-HIM”中，結合組合專案“HIM”，分析了web3應用中大型模型的價值。 除了從基礎設施到演演演算法的硬核，鏈上無信任LLM的開發，另一個方向是淡化黑匣子在產品推理過程中的影響，找到合適的場景來實現大模型強大的推理能力。

二、當前AI軌跡分析

2.1 算力網路：想像空間大，門檻高

算力網路的大邏輯保持不變，但仍然面臨市場需求的挑戰，誰需要一個效率和穩定性較低的解決方案？ 因此，我認為需要弄清楚以下幾點：

**去中心化有什麼用？

如果你現在問一個去中心化計算能力網路的創始人，他會告訴你，我們的計算能力網路可以增強安全性和對攻擊的抵抗力，增加透明度和信任，優化資源的使用，更好的數據隱私和使用者控制，抵抗審查和干擾…

這些都是常識，任何 web3 專案都可以涉及抗審查、無信任、隱私等，但我的觀點是這些都不重要。 去中心化計算 電力網路並沒有從根本上解決隱私問題，存在安全性等諸多矛盾。 因此：算力網路去中心化的最終目的一定是為了降低成本。 去中心化程度越高，使用算力的成本就越低。

所以，從根本上說，「利用閑置算力」更像是一個長期的敘事，能不能做出去中心化算力網路，很大程度上取決於他有沒有想通以下幾點：

Web3 提供的價值

巧妙的代幣設計和隨之而來的激勵/懲罰機制顯然是去中心化社區提供的強大附加值。 與傳統互聯網相比，代幣不僅可以作為交換媒介，還可以補充智能合約，使協定能夠實現更複雜的激勵和治理機制。 同時，交易的公開透明、成本的下降、效率的提升，都得益於加密帶來的價值。 這種獨特的價值為激勵貢獻者提供了更大的靈活性和創新空間。

但同時，我也希望這個看似合理的“契合”能夠理性地看待，對於去中心化算力網路來說，Web3和區塊鏈技術帶來的價值只是從另一個角度看的“附加值”，而不是根本性的顛覆，無法改變整個網络的基本工作模式，突破當前的技術瓶頸。

總之，這些web3s的價值在於提升去中心化網路的吸引力，但不會完全改變其核心結構或運營模式，如果去中心化網路要真正在AI浪潮中佔有一席之地，光是web3的價值還遠遠不夠。 所以，正如後面提到的，正確的技術解決了正確的問題，去中心化算力網路的玩法絕不是簡單地解決AI算力不足的問題，而是給這條沉寂已久的賽道一種新的玩法和思維方式。

它可能就像pow挖礦或存儲挖礦一樣，將計算能力貨幣化為一種資產。 在這個模型中，計算能力的提供者可以通過貢獻自己的計算資源來賺取代幣作為報酬。 它的吸引力在於它提供了一種直接將計算資源轉化為經濟收益的方法，從而激勵更多的參與者加入網路。 也可能基於web3，打造一個消耗算力的市場，通過對算力上游（如模型）進行金融化，開闢一個可以接受不穩定、較慢算力的需求點。

想要瞭解如何與用戶的實際需求相結合，畢竟使用者和參與者的需求不一定只是高效的算力，“能賺錢”永遠是最有說服力的動機之一。

去中心化算力網路的核心競爭力是價格

如果一定要從實際價值來討論去中心化算力，那麼web3帶來的最大想像空間就是有機會被進一步壓縮的算力成本。

計算能力節點的去中心化程度越高，單位計算能力的價格就越低。 可以從以下幾個方向推斷：

1. 代幣的引入，將支付給NodeCompute Power供應商從現金支付到協定的原生Token，從根本上降低了運營成本;
2. web3的免許可訪問和強大的社區效應直接促成了市場驅動的成本優化，更多的個人使用者和小企業可以利用現有的硬體資源加入網路，算力的供給增加，市場上算力的供給價格下降。 在自治和社區管理模式下。
3. 協議創造的開放算力市場將摒棄算力供應商的價格博弈，從而進一步降低成本。

案例：鏈ML

簡而言之：ChainML是一個去中心化平臺，為推理和微調提供計算能力。 在短期內，chainml將實施開源AI代理框架理事會，這將通過理事會的嘗試（可以集成到不同應用程式中的聊天機器人）為去中心化計算網路帶來需求增長。 從長遠來看，chainml將是一個完整的AI + web3平臺（稍後會詳細分析），包括模型市場和算力市場。

我認為 ChainML 的技術路徑規劃非常合理，他們對前面提到的問題思考得非常清楚，去中心化算力的目的一定不是為 AI 行業提供與中心化算力相當的足夠算力供應，而是逐步降低成本，讓合適的需求者接受這種品質較低的算力來源。 因此，從算力去中心化計算PowerNode的產品路徑來看，應該從中心化的方式入手，在前期運行產品環節，通過強大的BD能力開始積累客戶，拓展和立足市場，然後逐步將中心化算力的供應商分散到成本較高的小公司，最終大規模推出Compute PowerNode。 這就是鏈條分而治之的思想。

從需求側的佈局來看，ChainML構建了一個中心化基礎設施協定的MVP，設計理念是可移植的。 自今年 2 月以來，我們一直在與客戶一起運行該系統，並從今年 4 月開始在生產中使用它。 目前在Google Cloud上運行，但基於Kubernetes和其他開源技術，很容易移植到其他環境（AWS，Azure，Coreweave等）。 協定的去中心化將隨之而來，去中心化到利基雲，最後是提供計算能力的礦工。

2.2 AI市場：更多想像空間

這個領域被稱為AI標記，這在一定程度上限制了想像空間。 嚴格來說，一個具有真正想像空間的“AI市場”，應該是將模型整個環節金融化的中間平臺，涵蓋從底層算力和數據到模型本身及相關應用。 如前所述，去中心化算力早期的主要矛盾是如何創造需求，而一個將AI整個環節金融化的閉環市場，就有機會催生出這種需求。

像這樣的東西：**

web3支援的AI市場基於算力和數據，吸引開發者通過更有價值的數據構建或微調模型，然後開發相應的基於模型的應用，在開發和使用這些應用和模型的同時，創造對算力的需求。 在Token和社區的激勵下，基於賞金或貢獻數據的規範化激勵的實時數據收集任務有機會擴大和擴大數據層在這個市場中的獨特優勢。 同時，應用的普及也向數據層返回了更有價值的數據。

社區

除了前面提到的代幣帶來的價值，社區無疑是web3帶來的最大收益之一，是平臺發展的核心驅動力。 例如，實現數據多樣性是此類平臺的優勢，這對於構建準確無偏見的AI模型至關重要，也是當前數據方向的瓶頸。

我認為整個平臺的核心是模型，我們很早就意識到，人工智慧市場的成功取決於高品質模型的存在，開發者有什麼動力在去中心化平臺上提供模型？ 但是我們似乎也忘記了思考一個問題，拼寫基礎設施沒有傳統平臺那麼難，拼寫開發者社區沒有傳統平臺成熟，拼寫口碑不具備傳統平臺的先發優勢，所以與傳統AI平臺龐大的使用者群和成熟的基礎設施相比，web3專案只能在角落裡超車。

答案可能在於AI模型金融化

• 模型可以被視為商品，將 AI 模型視為可投資資產可能是 Web3 和去中心化市場中一項有趣的創新。 該市場允許使用者直接參與人工智慧模型的價值創造過程並從中受益。 這種機制還鼓勵追求更高品質的模型和對社區的貢獻，因為使用者的利益與模型的性能和應用直接相關;
• 使用者可以通過質押模型進行投資，引入收益分享機制，一方面激勵使用者選擇和支持潛在模型，為模型開發者創建更好的模型提供經濟激勵。 另一方面，質押者判斷一個模型（尤其是圖像生成模型）最直觀的標準是進行多次測量，這為平臺的去中心化算力提供了需求，這可能也是前面提到的“誰會想使用效率更低、更不穩定的算力”的出路之一？

**2.3 鏈上AI：OPML彎道超車？

ZKML：供需兩端雷霆

可以肯定的是，鏈上AI一定是一個充滿想像力、值得深入研究的方向。 鏈上AI的突破可以為web3帶來前所未有的價值。 但與此同時，ZKML極高的學術門檻和對底層基礎設施的要求確實不適合大多數創業公司。 大多數專案不一定需要結合無信任的LLM的支援來實現自身價值的突破。

然而，並不是所有的AI模型都需要上鏈才能使用ZK進行去信任，就像大多數人不關心聊天機器人如何推斷查詢並給出結果一樣，他們也不關心使用的穩定擴散是模型架構的某個版本還是特定的參數設置。 在大多數情況下，大多數使用者關注的是模型是否可以給出令人滿意的輸出，而不是推理過程是無信任的還是透明的。

如果證明不能帶來百倍的開銷或者更高的推理成本，或許ZKML還是有實力抗爭的，但面對高昂的鏈上推理成本和更高的成本，任何需求者都有理由質疑鏈上AI的必要性。

從需求方面

用戶關心的是模型給出的結果是否有意義，只要結果合理，ZKML帶來的無信任可以說是一文不值。

• 如果一個基於神經網路的交易機器人每個週期都會給用戶帶來百倍的回報，誰會質疑該演演演算法是中心化的還是可驗證的？
• 同樣，如果交易機器人開始給使用者賠錢，那麼專案團隊應該更多地考慮如何提高模型的能力，而不是花費精力和資金來使模型可驗證。 這就是ZKML要求上的矛盾，換句話說，模型的可驗證性並不能從根本上解決人們在很多場景中對AI的疑慮，這有點矛盾。

從供應方

開發一個足以支援大預言機模型的證明模型還有很長的路要走，從目前頭部專案的嘗試來看，幾乎看不到大模型上鏈的那一天。

參考我們之前關於ZKML的文章，從技術角度來看，ZKML的目標是將神經網路轉換為ZK電路，困難在於：

1.ZK電路不支援浮點數; 2. 大規模神經網路難以轉換。

從目前的進展來看：

1. 最新的 ZKML 庫支援一些簡單的神經網路 ZK，據說能夠連結基本的線性回歸模型。 但是現存的演示很少。 2.理論上，最大**可以支援~100M的參數，但只存在於理論上。 **

ZKML的開發進度沒有達到預期，從目前軌道頭專案模數實驗室的進展和EZKL發佈的證明來看，一些簡單的模型可以轉換成ZK電路做鏈上模型或鏈上推理證明。 但這與ZKML的價值相去甚遠，技術的瓶頸似乎並不具備突破的核心動力，一條需求嚴重不足的賽道根本無法獲得學術界的關注，這意味著更難做出優秀的POC來吸引/滿足剩餘的需求，這也可能是扼殺ZKML的死亡螺旋。

**OPML：過渡還是殘局？

OPML和ZKML的區別在於，ZKML證明瞭完整的推理過程，而OPML在推理受到挑戰時重新執行了部分推理過程。 顯然，OPML解決的最大問題是高成本/開銷，這是一個非常務實的優化。

作為OPML的先驅，HyperOracle團隊在“opML就是你所需要的一切：在乙太坊中運行13B ML模型”中給出了一相到多相opML的架構和進展過程：

• 構建用於鏈下執行和鏈上驗證的虛擬機，確保離線虛擬機與鏈上智慧合約中實現的虛擬機等效。
• 為了保證 AI 模型在 VM 中的推理效率，實現了專門設計的輕量級 DNN 庫（不依賴於 Tensorflow 或 PyTorch 等流行的機器學習框架），團隊還提供了一個腳本，可以將 Tensorflow 和 PyTorch 模型轉換為這個輕量級庫。
• 通過交叉編譯將AI模型推理代碼編譯成VM程式指令。
• 虛擬機映像通過默克爾樹進行管理。 只有代表虛擬機狀態的默克爾根將被上傳到鏈上智能合約。

但是，很明顯，此設計中的一個關鍵缺陷是所有計算都必須在虛擬機中執行，這阻止了GPU/TPU加速和並行處理的使用，從而限制了效率。 因此引入了多相opML。

• 僅在最後階段，計算在 VM 中執行。
• 在其他階段，狀態轉換的計算在本機環境中進行，該環境利用了 CPU、GPU、TPU 等功能，並支援並行處理。 這減少了對 VM 的依賴，並將執行性能顯著提高到與本機環境相當的水準。

參考資料：

讓我們現實一點

有一種觀點認為OPML是實現完整ZKML之前的過渡，但更現實的說法是，基於成本結構和落地期望的權衡，不如將其視為一種鏈上AI，也許完全實現ZKML的日子永遠不會到來，至少我對此持悲觀態度，那麼Onchain AI的炒作最終將不得不面對最現實的落地和成本，那麼OPML可能會在鏈上 AI的最佳實踐，就像OP和ZK的生態一樣，從來都不是替代關係。

雖然，別忘了，之前要求的缺點依然存在，但OPML基於成本和效率的優化並沒有從根本上解決「既然使用者更在乎結果的合理性，為什麼要把AI上鏈做成無信任」的問題，透明化、擁有權、無信任，這些buff真的充滿了花裡胡哨，但使用者真的在乎嗎？ 相比之下，價值的體現應該在模型的推理能力上。

我認為這種成本優化在技術上是一種創新和紮實的嘗試，但就價值而言，它更像是一個蹩腳的迴圈;

也許 Onchain AI 賽道本身就是拿著鎚子找釘子，但這也是事實，一個行業早期發展就是不斷探索跨領域技術的創新組合，在不斷磨合中找到最佳契合點。

2.4 應用層：99%的拼接怪物

不得不說，AI在web3應用層的嘗試確實在往前走，好像大家都是fomo，但99%的集成還是停留在集成上，沒必要用gpt的推理能力來映射專案本身的價值。

從應用層來看，大致有兩種出路：

借助AI能力提升用戶體驗和開發效率：在這種情況下，AI不會是核心亮點，而是更多時候作為幕後工作者，甚至對使用者漠不關心。 加密的結合想要非常中本聰，抓住了高契合點，最有價值的一點，是一方面將AI作為生產價值工具，提高效率和品質，另一方面通過AI的推理能力來改善使用者的遊戲體驗，AI和加密確實帶來了非常重要的價值，但從根本上還是使用了工具化技術的手段，專案的真正優勢和核心仍然是團隊開發遊戲的能力

結合AI市場，已經成為用戶整個生態系統的重要組成部分。

三個，終於…

如果真的有什麼需要強調或總結的：人工智慧仍然是web3中最值得注意和最有前途的軌道之一，這個一般邏輯不會改變;

但我認為最值得關注的是AI市場的玩法，從根本上說，這個平臺或者基礎設施的設計是符合價值創造和滿足各方利益的需求的，宏觀上，除了模型或算力本身創造出一種獨特的web3價值捕捉方式就足夠吸引人了，同時，這也讓使用者以獨特的方式直接參與到AI的浪潮中。

也許三個月後我會再次推翻我現在的想法，所以：

以上只是我對這條賽道的看法很真實，真的不構成任何投資建議！

參考資料

“opML 就是你所需要的：在乙太坊中運行 13B ML 模型”：__Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y