都在盼望AI+Web3會成爲這一輪牛市的催化劑，從VC給的高估值和重注就可見一斑。問題來了，AI+Web3融合賽道目前存在哪些問題？我來談談我的看法：

1）AI訓練需要大規模的數據，而Web3的用武之地恰恰是做數據追蹤以及由此衍生的激勵功效。長期看，AI勢必需要web3的助力，但需要釐清web3只能解決AI的有限問題。

比如，傳統大規模的數據訓練、算法持續優化、計算機視覺、語音識別技術、遊戲AI等核心領域主要推動力還得靠大規模集中算力和芯片、算法等軟硬件適配優化等，諸如深度學習卷積神經網絡、強化學習、類腦計算模型等拓展AI能力邊界的方向，短期都沒有web3立足的可能性；

2）生成式AI只佔AI大板塊的一個小分支，但卻加速了AI和web3的融合。因爲生成式AI是一種更偏向應用端的AI普惠技術。理想情況下，基礎大模型一般會由大公司利用集中算力搞定並採取開源政策，對其上層的應用市場進行驅動。整體AI市場會逐漸長尾化，模型微調和推理的重要性被凸顯。

然而，一旦掌握核心算力和模型資源的公司改變開源政策對整體AI市場都會產生直接影響，爲避免此種危機產生，一種更依賴分佈式算力架構和分佈式推理協作架構的infra就會成爲必須。

3）web3可以在AI分佈式框架的構建過程中發揮關鍵作用，比如：在模型訓練時，區塊鏈可以爲數據源創建唯一標識，做數據去重提高訓練效率；在算力不足時，區塊鏈可以利用Tokenomics激勵機制構建分佈式的AI算力網絡；在參數微調環節，區塊鏈可以記錄模型的不同版本，追蹤模型演變歷程同時做精細化控制；

在模型推理環節，可以應用ZK、TEE等技術構建去中心化的推理網絡，增進模型間的通信互信；在邊緣計算和DePIN集成環節，web3可以幫助構建去中心化的邊緣AI網絡，帶動AI+DePIN物聯網的結合。

4）Vitalik此前談及AI+Web3的結合點時聲明瞭AI可以作爲Web3世界的參與者循序漸進融合，因此AI和web3的融合一定會非常緩慢。

一方面，主流web2世界的注意力尚在AI展現功效層面而對AI幕後協作框架並沒有太多倚重，存在和web3脫節的問題；另一方面，web3在AI結合領域也還停留在分佈式算力網絡、分佈式推理架構網絡、分佈式Tokenomics應用網絡、分佈式AI Agent工具協作網絡等基礎infra的構建階段，並沒有得到web2主流剛需羣體的充分驗證和應用。

總之，一句話，AI+Web3方向大勢所趨沒錯，但實際落地發展並沒那麼快，可能要持續一個週期甚至跨週期才能看到顯著進展，需要多一點耐心。