可能还有玩家不知道为什么炒 AI 概念的时候要带上 NEAR。一个冷知识，NEAR 一开始是一家 AI 公司。联创一龙哥（Illia Polosukhin）在 AI 领域有近 10 年的经验，也是《Attention is All You Need》这篇划时代论文的八作者之一。
他和另一名联创 Alex Skidanov 在 2017 年创办 NEAR.ai，是想要打造第一个「AI 程序员」。人们可以用自然语言和计算机交流，而计算机则会自动进行编程。鉴于当时 AI 模型能力有限，这个尝试以失败告终。
这个过程中，他们接触到智能合约，觉得它是编程的一个有趣子集，但区块链技术存在太多其他挑战。于是，NEAR 在 2018 年决定战略转型，先构建一个真正有用的去中心化开发平台 NEAR Protocol。原本估计这个转型只需 6 个月，之后就可以回到 AI 技术的研发，但一转眼就是 6 年过去。别的区块链项目现在做 AI 是「战略转型」，而 NEAR 则是终于回到了它的老本行。
NEAR 官网近日公布了其 AI 技术栈，分为三个主要层次：应用层、基础设施与模型层、数据层。
在这三层技术架构下，NEAR 已经聚集起 11 个最新的生态 AI 项目。接下来，BlockBeats 将为你简要梳理一下这 11 个项目，看一下 NEAR 的 AI 生态版图究竟如何了。
应用层：Bitte、Cosmose、Jutsu
Bitte：AI Agent 钱包
AI Agent 是当前比较热门的一个 AI 应用发展方向。普遍的共识是，未来区块链上会有各种各样的 AI Agent 代替人类执行各种交易操作。
Bitte 在相关基础设施还不完善的情况下，试图用已有的技术往前迈进一小步。通过接入 OpenAI 的模型 API，Bitte 让用户可以在一个和 ChatGPT 类似的聊天窗口界面下，用自然语言的 Prompt 命令 Agent 完成各种链上操作。
比如，用户输入「Mint an NFT with AI of a rocket going to the moon」，Bitte 就会调用 DALL-E 3 的 API 生成一张火箭登月的图像并在 NEAR 区块链上进行铸造。除此之外，用户还可以让 Agent 替自己 Swap 和转移代币、创建合约和 NFT 集和等等。
Bitte 钱包由 Mintbase 团队开发，这是一个 2022 年在 NFT 热潮中诞生的项目，详情可阅读《Mintbase：Near 上的 NFT 格子铺 ｜项目介绍》。
Cosmose AI：AI 导购平台
Cosmose AI 是一家用 AI 预测和影响人们线下购物方式的电商公司，去年 4 月获得了 NEAR 基金会的投资。与 NEAR 基金会达成合作后，Cosmose 旗下的电商平台 KaiKai 推出了用于支付、现金返还和奖励的加密货币：Kai-Ching（KAIC）。这是一个在 Near 网络上运行的原生稳定币，1 KAIC 等于 0.01 美元，目前仅能在其应用程序内使用。
Jutsu：AI Agent 市场
这个项目目前还处于白皮书阶段，按照文档中展示的构想，它想要做的类似于 ChatGPT 推出的 GPT Store。开发者可以在上面发布构建好的 AI Agent，用户需要用其平台币 JUT 付费使用这些 Agent。
这是一个去年 Eth Denver 出来的黑客松项目，一开始是一个叫「NEARpad」的开发者开发工具。
基础设施与模型层：Exabits、Hyperbolic、Nevermined、Pond
Exabits/Hyperbolic：GPU 算力租赁平台
Exabits 和 Hyperbolic 这两个都想要做 NEAR 上的 io.net，也都入选了 NEAR Horizon AI 首期孵化计划。
经历了年初到现在各种 GPU 算力土狗项目的狂轰滥炸，再看到做 GPU 算力租赁的项目已经有点审美疲劳了。但一个链想要有打造自己的 AI 生态，必须得有自己链上的 GPU 算力租赁平台。
目前，这两个项目都还没有发布运行节点或提供算力的任务。挖完io.net找不到项目可以挖的朋友，可以关注一下这两个项目。
Nevermined：AI 支付协议
Nevermined 是一个让 AI 开发者可以自行货币化其各种产品的支付平台，包括 AI 模型、 AI 代理和数据集等等。通过创建智能订阅，开发者在其中指定 AI 产品的访问参数，例如价格、时间限制，基本上就是将 Web2 订阅平台的功能用 NFT 的形式搬到了链上。
目前，Nevermined 应用程序部署在 Polygon、Gnosis 和 Arbitrum 网络上，未来应该会扩展到 NEAR 上作为支付类基础设施支撑平台 AI 生态的发展。
Pond：去中心化 GNN 模型
不同于 Transformer 是为处理序列数据（如自然语言）而设计，图神经网络（GNN）是一种专门用于处理和分析图结构数据而设计的神经网络，广泛应用于社交网络分析、化学分子属性预测、知识图谱、推荐系统等领域。相比于 Transformer，GNN 更适合捕捉图的局部结构和节点间的复杂关系。
Pond 说它正在构建首个去中心化的图神经网络（GNN）模型，试图从区块链的数据中学习到用户和合约的互动模式，并基于学习到的链上行为模式预测用户未来的行为。乍一听似乎很牛逼，但说实话 GNN 在 Transformer 出来之前就已经发展很成熟了，也早就有一些将它用在区块链数据分析中的研究和尝试了，但局限于洗钱和钓鱼交易检测。这个新的模型到底能不能青胜于蓝，还得看它实际做出来是啥效果。
数据层：Masa、MIZU、Nillion、Ringfence
Masa Network：去中心化数据市场
Masa 是 Avalanche 上的一个子网，允许用户通过运行工作节点来贡献数据和计算资源来获取代币奖励。这些工作节点会对 Twitter、Discord 和播客等大量数据源，进行抓取、结构化、转换、注释和矢量化。开发者（Oracle 节点）通过访问这些数据和 LLM 服务来构建人工智能应用程序。
不过这并不是这个项目最大的噱头。除了上面的「Node to Earn」，Masa 之前一直在宣传「Surf to Earn」。转型 AI 之前，Masa 本来做的是一个基于 SBT（灵魂绑定代币）的去中心化信用评分协议。后来创新性地提出了 zkSBT（零知识灵魂绑定代币）的概念。不同于传统的网站 Cookie，用户通过 zkSBT 可以完全匿名地共享其网站浏览数据用于数据分析和模型训练，从而获取代币奖励。为此，Masa 计划推出一个 Chrome 扩展程序，但这个 Chrome 扩展程序似乎比想象中更难推出。
MIZU：去中心化合成数据生成网络
不知道为什么，每个项目都喜欢强调自己是各种各样的第一。Mizu 说它是第一个也是最大的去中心化开放数据网络，其实也就是一个去中心化的合成数据生成网络。在用户贡献的数据集基础上，网络激励社区构建提示词去生成大量合成数据，经过验证后提交到数据存储库中，从而弥补现实世界数据的不足，并提供更具针对性的训练数据。路线图上说 8 月份会上线测试网，感兴趣的可以关注一下。数据应该会成为继算力之后，去中心化 AI 又一个新的重点基建赛道。
Nillion：去中心化安全计算网络
Nillion 是一个去中心化的公共网络，旨在处理安全计算和数据存储，而无需依赖区块链技术。它引入了一种新型的密码学原语，称为 Nil Message Compute (NMC)，使网络中的节点能够以安全和私密的方式处理数据，无需相互通信或维护像传统区块链那样的不可变账本。NMC 是 Nillion 背后的核心技术。它使网络能够将数据分割并分布在各个节点上，在不需要解密的情况下对数据进行安全计算，从而在保护隐私的同时实现接近中心化服务器的处理速度。
总的来说，Nillion 提出了一种新的密码学原语，在私密 AI 模型推理和训练等方面具有非常大的应用潜力。
Ringfence：数据资货币化平台
AI 公司抓取用户数据进行模型训练，一直是个比较有争议的事情。创作者的权益在这种模式下很难得到保障，Ringfence 对此提出了一个有创意的解决方案——rNFT。用户上传到平台上的数据都会变成 NFT 资产，以 NFT 的形式进行授权使用。
传统 NFT 通常代表对单一物品的所有权，而 rNFT 则类似一个文件夹或集合，包含了多个子 NFT（称为 cNFT）。通过智能合约，rNFT 的所有者可以方便地将整个 rNFT 或其中特定组件进行商业授权。
Ringfence 平台允许用户贡献 rNFT 用于神经网络训练，并获得奖励，其长期目标是构建第一个 100% 授权工作训练的神经网络。
总结
通篇梳理下来，可以发现原生于 NEAR 生态的 AI 项目还并不多，很多都是以合作的名义强行纳进其 AI 生态版图的。这些项目绝大多数仍停留在概念验证的阶段，离正式上线还需要很多努力。
可以说，比起 Arweave 用新项目 AO 一举证明其转型 AI 的决心和实力，NEAR 在 AI 上的回归要明显低调得多。很多人对 NEAR 的认识还停留在「一个高性能公链」上，在很多人眼里 NEAR 和 AI 的关联好像就剩下 Illia 这个创始人。但其实 NEAR 一直在以着眼全局的方式去持续做好 AI 的基础设施建设，比如其大力提倡的链抽象（Chain Abstraction）就对于未来将 Agent 引入链上交互十分关键。
可以说 NEAR 做 AI 不缺招牌，不缺技术，也不缺资金。但如何去打响自己的 AI 名片，培育一个完整有活力的 AI 生态，是 NEAR 在咣咣砸 AI 基建之外需要认真对待的一个难题。
