Web3-AI 领域是加密货币领域最热门的领域之一，前景广阔，炒作也十分激烈。指出许多 Web3-AI 项目市值达数十亿美元，但没有实际用例，纯粹由传统 AI 市场的代理叙事驱动，这几乎让人感觉有些离经叛道。与此同时，Web2 和 Web3 之间的 AI 能力差距继续令人担忧地扩大。然而，Web3-AI 并非全是炒作。生成式 AI 市场的最新发展凸显了更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过度炒作和资金过剩的市场，该市场与生成人工智慧产业的状况脱节，但能够为下一波产生人工智慧释放巨大价值。感到困惑是可以理解的。如果我们从炒作中退一步，从当前需求的角度来分析 Web3-AI 空间，就会发现 Web3 可以提供巨大价值的明确领域。但这需要穿过密集的现实扭曲场。

Web3-AI 现实扭曲

身为加密货币原住民，我们倾向于在一切事物中看到去中心化的价值。然而，人工智慧在数据和计算方面已经发展成为一种日益中心化的力量，因此去中心化人工智慧的价值主张需要从对抗这种自然的中心化力量开始。

就人工智慧而言，我们认为在 Web3 中创造的价值与人工智能市场的需求之间越来越不匹配。令人担忧的现实是，Web2 和 Web3 人工智慧之间的差距正在扩大而不是缩小，这从根本上是由三个关键因素驱动的：

人工智慧研究人才有限

在 Web3 领域工作的人工智慧研究人员数量只有个位数。对于那些声称 Web3 是人工智慧的未来的人来说，这并不令人鼓舞。

基础设施有限

我们还没有设法让 Web 应用程式与 Web3 后端正常运作，因此至少可以说，考虑 AI 是一个延伸。 Web3 基础架构施加了运算限制，这对于生成式 AI 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

生成式人工智慧依赖三件事：模型、数据和计算。没有一个大型前沿模型能够在 Web3 基础架构上运作；没有大型训练资料集的基础； Web3 GPU 丛集与预先训练和微调基础模型所需的丛集之间存在巨大的品质差距。

困难的现实是，Web3 一直在建立「穷人」版本的人工智慧，本质上是试图匹配 Web2 人工智慧的功能，但却创造了较差的版本。这一现实与人工智慧多个领域去中心化的巨大价值主张形成鲜明对比。

为了避免将这种分析作为抽象论文，让我们深入研究不同的去中心化人工智慧趋势，并根据人工智慧市场潜力进行评估。

阅读更多：Jesus Rodriguez - 用加密货币资助开源生成人工智慧

Web3-AI 的现实扭曲导致最初的创新和资金浪潮集中在价值主张似乎与人工智慧市场现实脱节的项目上。同时，Web3-AI 中的其他新兴领域也蕴藏著巨大的潜力。

一些被夸大的 Web3-AI 趋势

用于训练和微调的去中心化 GPU 基础设施

在过去几年中，我们看到去中心化 GPU 基础设施的爆炸性增长，有望使基础模型的预训练和微调民主化。这个想法是为了取代现有人工智慧实验室建立的 GPU 垄断。现实情况是，大型基础模型的预训练和微调需要大型 GPU 丛集以及连接它们的超高速通讯汇流排。如果去中心化人工智慧基础设施中的 50B-100B 基础模型确实有效的话，其预训练周期可能需要一年以上的时间。

ZK-AI框架

将零知识（zk）计算和人工智慧相结合的想法引发了有趣的概念，以在基础模型中启用隐私机制。鉴于 zk 基础设施在 Web3 中的突出地位，一些框架承诺将 zk 计算嵌入到基础模型中。尽管理论上很有吸引力，但 zk-AI 模型在应用于大型模型时很快就会遇到从计算角度来看成本过高的挑战。此外，zk 将限制可解释性等方面，而可解释性是生成人工智慧中最有前途的领域之一。

推理证明

加密是关于加密证明的，有时它们会附加到不需要它们的东西上。在 Web3-AI 领域，我们看到了发布特定模型输出的加密证明的框架范例。这些场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一种寻找问题的解决方案，目前缺乏任何实际的用例。

一些高潜力的 Web3-AI 趋势

有钱包的代理

代理工作流程是产生人工智慧中最有趣的趋势之一，并且在加密领域具有巨大的潜力。所谓代理，我们指的是人工智慧程序，它不仅可以根据输入被动地回答问题，还可以针对给定的环境执行操作。虽然大多数自主代理是为孤立的用例创建的，但我们看到多代理环境和协作的快速出现。

这是加密货币可以释放巨大价值的领域。例如，想像一个场景，一个代理需要雇用其他代理来完成一项任务，或抵押一些价值来保证其输出的品质。以加密轨道的形式为代理商提供金融原语，解锁了许多代理商协作的用例。

人工智慧的加密货币融资

生成人工智慧中最著名的秘密之一是开源人工智慧领域正在经历巨大的资金紧缩。大多数开源人工智慧实验室无力再研究大型模型，而是专注于不需要大量计算存取和数据的其他领域。加密货币透过空投、激励甚至积分等机制在资本形成方面极为有效。开源产生人工智慧的加密融资轨道概念是这两个趋势交叉点最有前途的领域之一。

小型基础模型

去年，微软在发布 Phi 模型后创造了小语言模型 (SLM) 一词，该模型参数少于 2B，在计算机科学和数学任务中能够胜过规模大得多的法学硕士。小型基础模型（考虑 1B-5B 参数）是去中心化 AI 可行性的关键要求，并为装置端 AI 解锁有希望的场景。如今，分散数千亿个参数的模型几乎是不可能的，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的许多 Web3 基础架构上运作。推动 SLM 议程对于利用 Web3 和 AI 创造真正价值至关重要。

综合数据生成

资料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可以补充现实世界资料集的基础模型的合成资料生成机制。加密网路和代币激励的机制可以理想地协调大量各方合作创建新的综合资料集。

其他相关的 Web3-AI 趋势

还有其他几个有趣的 Web3-AI 趋势，具有巨大的潜力。鉴于人工智慧生成内容面临的挑战，人类证明输出变得越来越重要。评估和基准测试是一个 AI 领域，Web3 的信任和透明能力可以在其中大放异彩。以人为中心的微调，例如利用人类回馈的强化学习 (RLHF)，对于 Web3 网路来说也是一个有趣的场景。随著生成式 AI 的不断发展和 Web3-AI 功能的成熟，其他场景可能会出现。

对更加去中心化的人工智慧能力的需求是非常现实的。虽然 Web3 产业可能还无法与人工智慧巨型模型创造的价值相媲美，但它可以为生成人工智慧领域释放真正的价值。 Web3-AI 演化的最大挑战可能是克服其自身的现实扭曲场。 Web3-AI 有很多价值；我们只需要专注于建立真实的东西。

注：本专栏所表达的观点仅代表作者的观点，不一定反映 CoinDesk, Inc. 或其所有者和关联公司的观点。