AI+Web3：塔楼与广场

要点

1. AI概念的Web3项目在一二级市场成为吸金标的。

2. Web3在AI行业的机会主要体现在:利用分布式激励协调长尾潜在供应(跨数据、存储和计算);同时建立开源模型和AI Agent的去中心化市场。

3. AI在Web3行业主要应用于链上金融(加密支付、交易、数据分析)以及辅助开发。

4. AI+Web3的价值在于二者的互补:Web3有望应对AI集中化,AI有望帮助Web3突破圈层限制。

引言

近两年,AI发展呈现加速态势,ChatGPT引发的生成式AI热潮不仅开启了新世界,也在Web3领域掀起浪潮。

AI概念的加持下,加密市场融资明显回暖。据统计,仅2024上半年就有64个Web3+AI项目完成融资,其中Zyber365在A轮获得1亿美元最高融资。

二级市场更为活跃,Coingecko数据显示,AI赛道总市值已达485亿美元,24小时交易量近86亿美元;主流AI技术进展带来利好,如OpenAI发布Sora后,AI板块平均涨幅151%;AI效应也波及加密货币热门板块Meme,首个AI Agent概念的MemeCoin—GOAT迅速走红,估值达14亿美元,引发AI Meme热潮。

AI+Web3相关研究和话题持续升温,从AI+Depin到AI Memecoin再到当前的AI Agent和AI DAO,新叙事层出不穷。

这个充满热钱、风口和未来想象的组合,难免被视为资本推动的包办婚姻,我们很难判断是投机者的狂欢,还是黎明前的爆发。

关键在于,双方是否能从对方模式中获益?本文将探讨Web3如何在AI技术各环节发挥作用,以及AI能为Web3带来哪些新机遇。

一、AI堆栈下Web3的机会

在探讨这个话题前,我们需要了解AI大模型的技术堆栈:

通俗来说,"大模型"类似人类大脑,初期如婴儿般需要观察和吸收海量信息来理解世界,这是数据"收集"阶段;由于计算机缺乏人类多感官,训练前需将无标注信息通过"预处理"转换为计算机可理解格式。

输入数据后AI通过"训练"构建具理解和预测能力的模型,类似婴儿逐步理解学习外界的过程,模型参数如婴儿不断调整的语言能力。当学习内容分科或与人交流获得反馈修正时,进入"微调"环节。

孩童长大会说话后,能在新对话中理解并表达想法,类似AI大模型的"推理",能对新语言文本输入进行预测分析。婴儿用语言表达感受、描述物体和解决问题,类似AI大模型完成训练后在推理阶段应用于各类特定任务,如图像分类、语音识别等。

AI Agent则更接近大模型的下一形态—能独立执行任务追求复杂目标,具备思考、记忆、规划能力,且能运用工具与世界互动。

针对AI各堆栈痛点,Web3目前初步形成了涵盖AI模型流程各阶段的多层次互联生态系统。

1.基础层:算力与数据的Airbnb

算力

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 H100GPU 30天才能完成训练。80GB版本单价3-4万美元,需4-7亿美元硬件投资(GPU+网络芯片),每月训练耗电16亿千瓦时,能源支出近2000万美元。

针对AI算力压力,DePin(去中心化物理基础设施网络)是Web3最早与AI交叉的领域。DePin Ninja已列出1400多个项目,GPU算力共享代表如io.net、Aethir、Akash、Render Network等。

主要逻辑是:平台允许闲置GPU资源者以无许可去中心化方式贡献算力,通过类Uber/Airbnb买卖双方在线市场,提高GPU利用率,用户获得低成本高效计算资源;同时质押机制确保违反质量控制或中断网络将受惩罚。

特点:

• 聚集闲置GPU:供应主要来自中小数据中心、加密矿场等过剩算力、PoS挖矿硬件如FileCoin/ETH矿机。exolab等项目致力于利用MacBook、iPhone、iPad等本地设备建立运行大模型推理的算力网络。

• 面向AI算力长尾市场: 技术端更适合推理步骤。训练依赖超大GPU集群,推理对GPU要求较低,如Aethir专注低延迟渲染和AI推理。 需求端中小算力需求方不会单独训练大模型,主要围绕头部模型优化微调,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的基础。没有数据,计算就毫无用处,数据质量决定模型输出质量。对AI模型训练,数据决定语言能力、理解能力、价值观和人性化表现。目前AI数据需求困境主要有:

• 数据饥渴:AI模型训练需海量数据。GPT-4参数量达万亿级。

• 数据质量: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等提出新要求。

• 隐私合规:各国企业逐渐限制数据集爬取。

• 处理成本高:数据量大,处理复杂。AI公司30%以上研发成本用于数据采集处理。

Web3解决方案:

1.数据收集:免费抓取真实世界数据正在耗尽,AI公司数据支出逐年增加,但未反哺真正贡献者。Web3愿景是让贡献用户参与价值创造,通过分布式网络激励低成本获取更私密有价值数据。

• Grass:去中心化数据层网络,用户运行节点贡献带宽捕获实时数据获取代币奖励。

• Vana:引入数据流动性池(DLP)概念,用户可上传私人数据并选择授权第三方使用。

• PublicAI:用户在X上使用#AI或#Web3标签并@PublicAI实现数据收集。

2.数据预处理:AI数据处理需清理转换为可用格式,涉及标准化、过滤、处理缺失值等重复任务。这一人工环节衍生出数据标注师行业,随要求提高门槛提升,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,强调数据质量,用户提供标注数据获奖励。

• Sapien将标记任务游戏化,用户质押积分赚取更多积分。

3.数据隐私安全:数据隐私涉及敏感数据处理,数据安全保护信息免遭未授权访问破坏盗窃。Web3隐私技术优势体现在:(1)敏感数据训练;(2)数据协作:多数据所有者共同参与AI训练无需共享原始数据。

主要隐私技术:

• 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生成HTTPS流量零知识证明,安全导入外部网站数据。

目前处于早期,主要困境是计算成本高:

• EZKL需80分钟生成1M-nanoGPT模型证明。

• zkML开销比纯计算高1000倍以上。

4.数据存储:需链上存储数据及生成的LLM。数据可用性(DA)是核心问题,以太坊Danksharding升级前吞吐量0.08MB,而AI模型训练推理通常需每秒50-100GB。

• 0g.AI是针对AI需求设计的中心化存储解决方案,特点:高性能扩展性,通过分片和纠删码支持快速上传下载大规模数据集,传输速度接近每秒5GB。

2.中间件:模型训练与推理

开源模型去中心化市场

AI模型开源争议持续。开源带来集体创新是优势,但无盈利模式下如何提高开发者动力?李彦宏曾断言"开源模型会越来越落后"。

Web3提出去中心化开源模型市场可能性:对模型代币化,团队保留部分代币,将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,资源提供者竞争满足子网目标,各子网交互学习实现更强大智能。奖励由社区投票分配,根据表现在子网中分配。

• ORA引入初始模型发行(IMO)概念,将AI模型代币化,可通过去中心化网络购买、出售和开发AI模型。

• Sentient去中心化AGI平台,激励合作构建复制扩展AI模型并奖励贡献者。

• Spectral Nova聚焦AI和ML模型创建应用。

可验证推理

针对AI推理"黑盒"难题,标准Web3解决方案是多验证者重复操作比较结果,但高端GPU短缺导致成本高昂。

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AI模型计算。需在链上加密证明链下计算正确完成(如数据集未篡改),同时确保数据保密。

主要优点:

• 可扩展性:ZK证明可快速确认大量链下计算。即使交易增加,单个ZK证明可验证所有交易。

• 隐私保护:数据和AI模型详情保密,同时各方可验证未被破坏。

• 无需信任:无需依赖中心化方验证计算。

• Web2集成:Web2本质是链下集成,可验证推理可帮助将数据集和AI计算带到链上,提高Web3采用率。

当前Web3可验证推理技术:

• zkML:结合零知识证明和机器学习,确保数据模型隐私,允许可验证计算无需透露底层属性。Modulus Labs基于ZKML发布AI构建的ZK证明器,检查AI提供商是否正确执行算法,目前客户主要为链上DApp。

• opML:利用乐观汇总原则,通过验证争议发生时间提高ML计算可扩展性效率。只需验证"验证者"结果小部分,但设置高经济成本惩罚提高作弊成本节省冗余计算。

• TeeML:使用可信执行环境安全执行ML计算,保护数据模型免遭篡改未授权访问。

3.应用层:AI Agent

AI发展重点从模型能力转向AI Agent。OpenAI、Anthropic、微软等纷纷开发AI Agent,试图突破LLM技术平台期。

OpenAI定义AI Agent为:以LLM为大脑驱动,具自主理解感知、规划、记忆和使用工具能力,能自动化执行复杂任务的系统。AI从被使用工具变成可使用工具主体,成为理想智能助手。

Web3能为Agent带来:

去中心化

Web3去中心化特性使Agent系统更分散自治,通过PoS、DPoS等机制建立质押者委托者激励惩罚机制,促进Agent系统民主化。GaiaNet、Theoriq、HajimeAI都有尝试。

冷启动

AI Agent开发迭代需大量资金,Web3可帮助潜力项目获取早期融资冷启动。

• Virtual Protocol推出AI Agent创建代币发行平台fun.virtuals,用户可一键部署AI Agent,实现代币100%公平发行。

• Spectral提出支持发行链上AI Agent资产产品构想:通过IAO(Initial Agent Offering)发行代币,AI Agent直接获得投资资金,成为DAO治理成员,为投资者提供参与项目发展分享收益机会。

二、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