Web3-AI：现实与炒作

Web3-AI 空间是加密货币中最炙手可热的领域之一，将巨大的承诺与显著的炒作相结合。指出 Web3-AI 项目中市值数十亿美元但没有实际用例的数量几乎是异端的，这些项目纯粹受传统人工智能市场的代理叙事驱动。与此同时，Web2 和 Web3 之间的人工智能能力差距不断扩大，令人担忧。然而，Web3-AI 并非全是炒作。生成式人工智能市场的最新发展突显了更为去中心化方法的价值主张。

考虑到所有这些因素，我们发现自己处于一个被过度炒作和过度资助的市场中，这个市场与生成式人工智能行业的现状脱节，但却有能力为下一波生成式人工智能带来巨大价值。感到困惑是可以理解的。如果我们远离炒作，通过当前需求的视角分析 Web3-AI 空间，就会发现一些明显的领域，Web3 可以在这些领域中提供实质性的价值。但这需要穿透密集的现实扭曲场。

作为加密货币原生用户，我们倾向于在一切事物中看到去中心化的价值。然而，人工智能在数据和计算方面逐渐演变为越来越集中的力量，因此去中心化人工智能的价值主张需要从对抗这种自然集中化力量开始。

在人工智能领域，我们认为 Web3 正在创造的价值与人工智能市场的需求之间存在日益加剧的不匹配。令人担忧的现实是，Web2 和 Web3 人工智能之间的差距正在扩大，而不是缩小，这主要是由三个关键因素驱动的：

有限的人工智能研究人才

在 Web3 工作的人工智能研究人员数量极少。对于那些声称 Web3 是人工智能未来的人来说，这几乎是令人泄气的。

受限的基础设施

我们甚至还没有成功地让 Web 应用程序与 Web3 后端正常工作，因此考虑人工智能就更是一种奢望。Web3 基础设施施加了计算约束，这对生成式人工智能解决方案的生命周期来说是不切实际的。

有限的模型、数据和计算资源

生成式人工智能依赖于三样东西：模型、数据和计算。没有一个大型前沿模型适用于 Web3 基础设施；没有大规模训练数据集的基础；而且 Web3 GPU 集群与预训练和微调基础模型所需的集群之间存在巨大的质量差距。

困难的现实是，Web3 一直在构建一种“穷人版”的人工智能，基本上是试图匹敌 Web2 人工智能的能力，但却创造了劣质版本。这一现实与在几个人工智能领域中去中心化的巨大价值主张形成鲜明对比。

为了避免将这个分析变成抽象的论文，让我们深入探讨不同的去中心化人工智能趋势，并评估它们在人工智能市场潜力方面的表现。

阅读更多：Jesus Rodriguez - 用加密货币资助开源生成式人工智能

在 Web3-AI 中的现实扭曲导致最初的创新和资金重点放在那些价值主张似乎脱离了人工智能市场现实的项目上。与此同时，Web3-AI 中还有其他新兴领域具有巨大潜力。

用于训练和微调的去中心化 GPU 基础设施

在过去几年中，我们看到了去中心化 GPU 基础设施的爆炸式增长，承诺民主化基础模型的预训练和微调。其想法是为现有人工智能实验室建立的 GPU 垄断提供一种替代方案。事实上，大型基础模型的预训练和微调需要具有超快通信总线连接的大型 GPU 集群。在去中心化人工智能基础设施中，一个 50B-100B 基础模型的预训练周期可能需要一年以上，如果能够正常运行的话。

ZK-AI 框架

将零知识（zk）计算和人工智能结合的想法引发了有趣的概念，以实现基础模型中的隐私机制。鉴于 Web3 中 zk 基础设施的重要性，一些框架承诺将 zk 计算嵌入基础模型中。尽管在理论上很吸引人，但 zk-AI 模型很快就会遇到一个挑战，即在应用于大型模型时，从计算的角度来看成本过高。此外，zk 还会限制诸如可解释性之类的方面，而这是生成式人工智能中最有前景的领域之一。

推理证明

加密货币涉及加密证明，有时这些证明附加在不需要的事物上。在 Web3-AI 空间中，我们看到一些框架发布特定模型输出的加密证明。这些情景的挑战不是技术上的，而是与市场相关的。基本上，推理证明在某种程度上是在寻找问题的解决方案，而今天缺乏任何真正的用例。

带钱包的代理

代理式工作流是生成式人工智能中最有趣的趋势之一，对加密货币具有重大潜力。所谓代理是指能够不仅根据输入被动地回答问题，而且还能够对给定环境执行操作的人工智能程序。虽然大多数自主代理是为孤立的用例而创建的，但我们正在看到多代理环境和协作的迅速出现。

这是加密货币可以释放巨大价值的一个领域。例如，想象一种情景，一个代理需要雇佣其他代理来完成任务或者抵押一些价值来保证其输出的质量。通过以加密货币的形式为代理提供金融基础设施，可以为代理协作解锁许多用例。

用于人工智能的加密货币资助

生成式人工智能中一个众所周知的秘密是，开源人工智能领域正在经历巨大的资金短缺。大多数开源人工智能实验室已经无法负担开发大型模型，而是将重点放在不需要大量计算资源和数据的其他领域。加密货币在资本形成方面非常高效，具有空投、激励甚至积分等机制。为开源生成式人工智能提供加密货币资助基础设施的概念是这两种趋势交汇的最有前景的领域之一。

小型基础模型

去年，微软在发布其 Phi 模型后创造了“小语言模型”（SLM）这个术语，该模型具有不到 20 亿个参数，能够在计算机科学和数学任务中胜过规模更大的语言模型。小型基础模型（1B-5B 参数）是去中心化人工智能的可行性的关键要求，并为设备上的人工智能解锁了有前景的场景。目前几乎不可能去中心化数百亿参数的模型，并且在一段时间内仍将如此。然而，小型基础模型应该能够在当今许多 Web3 基础设施上运行。推动小语言模型议程对于在 Web3 和人工智能中建立真正的价值至关重要。

合成数据生成

数据稀缺是最新一代基础模型面临的最大挑战之一。因此，越来越多的研究集中在使用基础模型生成合成数据的机制上，这些数据可以补充现实世界的数据集。加密网络和代币激励的机制理想情况下可以协调大量参与者合作创建新的合成数据集。

还有其他一些有潜力的 Web3-AI 趋势。鉴于人工智能生成内容的挑战，人类输出的证明变得越来越重要。评估和基准测试是人工智能领域，Web3 的信任和透明能力可以发挥作用的一个领域。以人为中心的微调，比如带有人类反馈的强化学习（RLHF），也是 Web3 网络的一个有趣场景。随着生成式人工智能的不断发展和 Web3-AI 能力的成熟，可能会出现其他场景。

对于更多去中心化人工智能能力的需求是非常真实的。虽然 Web3 行业可能还没有达到能与人工智能巨型模型创造的价值相媲美的地步，但它可以为生成式人工智能领域释放真正的价值。Web3-AI 发展的最大挑战可能是克服自身的现实扭曲领域。Web3-AI 中有很多价值；我们只需要专注于构建真实的东西。