近年来，人工智慧（AI）和加密货币领域迅速发展，各自也取得了长足的进步。然而，这两个领域的交叉点呈现出一个充满有趣可能性的领域。由区块链技术和加密原理提供支援的去中心化人工智慧，提供了开放、透明且抗审查的人工智慧系统愿景。在本文中，我们深入研究了这个交叉点的各个类别，并探讨它们所带来的机会和面临的挑战。

用于预训练+微调的去中心化计算：

Akash 和 Render 等去中心化计算平台旨在实现 AI 任务计算资源的民主化。虽然它们有可能降低计算成本并实现抗审查训练，但性能和可扩展性等挑战仍然存在。

分散推理：

Ritual 和 Ollama 等项目旨在实现去中心化推理，解决与中心化服务相关的隐私和审查问题。然而，专用于本地推理的芯片的兴起对去中心化替代方案的采用提出了挑战。

链上人工智能代理：

链上人工智能代理利用区块链技术进行协调和支付，最大限度地降低与中心化提供商相关的平台风险。尽管有潜在的好处，但人工智能代理开发的初期阶段和传统支付方式的可用性给广泛采用带来了障碍。

数据和模型来源：

Vana 和 Rainfall 等基于区块链的解决方案旨在让用户拥有自己的数据和模型并将其货币化，同时确保透明度和来源。然而，挑战在于说服用户优先考虑数据所有权和隐私问题，而不是便利性。

代币激励应用程序：

人们提出了加密代币激励措施来引导网络并推动以人工智能为中心的应用程序（如 MyShell 和 Deva）的参与。然而，对投机狂热和持久使用的担忧仍然存在，这与之前加密货币繁荣和萧条的教训相呼应。

代币激励的 MLOps：

BitTensor 和 Ritual 等项目探索将加密货币激励集成到机器学习操作 (MLOps) 工作流程中。虽然激励措施可以优化行为，但确保 MLOps 的质量和准确性构成了重大挑战。

链上可验证性（ZKML）：

链上模型可验证性（以 Modulus Labs 和 UpShot 等项目为例）有望实现人工智能应用的透明度和可组合性。然而，对于这种验证的必要性和围绕零知识技术的炒作，人们的怀疑仍然存在。

结论：

去中心化人工智能和加密货币的交叉呈现出一个充满创新和颠覆潜力的成熟前景。从计算资源的民主化到赋予用户数据所有权，每个类别都提供了独特的机遇和挑战。随着这些项目的不断发展，见证它们如何塑造人工智能和加密货币的未来，推动更加开放、透明和公平的技术格局将是一件令人着迷的事情。