都在盼望AI+Web3会成为这一轮牛市的催化剂，从VC给的高估值和重注就可见一斑。问题来了，AI+Web3融合赛道目前存在哪些问题？我来谈谈我的看法：

1）AI训练需要大规模的数据，而Web3的用武之地恰恰是做数据追踪以及由此衍生的激励功效。长期看，AI势必需要web3的助力，但需要厘清web3只能解决AI的有限问题。

比如，传统大规模的数据训练、算法持续优化、计算机视觉、语音识别技术、游戏AI等核心领域主要推动力还得靠大规模集中算力和芯片、算法等软硬件适配优化等，诸如深度学习卷积神经网络、强化学习、类脑计算模型等拓展AI能力边界的方向，短期都没有web3立足的可能性；

2）生成式AI只占AI大板块的一个小分支，但却加速了AI和web3的融合。因为生成式AI是一种更偏向应用端的AI普惠技术。理想情况下，基础大模型一般会由大公司利用集中算力搞定并采取开源政策，对其上层的应用市场进行驱动。整体AI市场会逐渐长尾化，模型微调和推理的重要性被凸显。

然而，一旦掌握核心算力和模型资源的公司改变开源政策对整体AI市场都会产生直接影响，为避免此种危机产生，一种更依赖分布式算力架构和分布式推理协作架构的infra就会成为必须。

3）web3可以在AI分布式框架的构建过程中发挥关键作用，比如：在模型训练时，区块链可以为数据源创建唯一标识，做数据去重提高训练效率；在算力不足时，区块链可以利用Tokenomics激励机制构建分布式的AI算力网络；在参数微调环节，区块链可以记录模型的不同版本，追踪模型演变历程同时做精细化控制；

在模型推理环节，可以应用ZK、TEE等技术构建去中心化的推理网络，增进模型间的通信互信；在边缘计算和DePIN集成环节，web3可以帮助构建去中心化的边缘AI网络，带动AI+DePIN物联网的结合。

4）Vitalik此前谈及AI+Web3的结合点时声明了AI可以作为Web3世界的参与者循序渐进融合，因此AI和web3的融合一定会非常缓慢。

一方面，主流web2世界的注意力尚在AI展现功效层面而对AI幕后协作框架并没有太多倚重，存在和web3脱节的问题；另一方面，web3在AI结合领域也还停留在分布式算力网络、分布式推理架构网络、分布式Tokenomics应用网络、分布式AI Agent工具协作网络等基础infra的构建阶段，并没有得到web2主流刚需群体的充分验证和应用。

总之，一句话，AI+Web3方向大势所趋没错，但实际落地发展并没那么快，可能要持续一个周期甚至跨周期才能看到显著进展，需要多一点耐心。