Web3-AI 領域是加密貨幣領域最熱門的領域之一，前景廣闊，炒作也十分激烈。指出許多 Web3-AI 項目市值達數十億美元，但沒有實際用例，純粹由傳統 AI 市場的代理敘事驅動，這幾乎讓人感覺有些離經叛道。與此同時，Web2 和 Web3 之間的 AI 能力差距繼續令人擔憂地擴大。然而，Web3-AI 並非全是炒作。生成式 AI 市場的最新發展凸顯了更去中心化方法的價值主張。

考慮到所有這些因素，我們發現自己處於一個過度炒作和資金過剩的市場，該市場與生成人工智慧產業的狀況脫節，但能夠為下一波產生人工智慧釋放巨大價值。感到困惑是可以理解的。如果我們從炒作中退一步，從當前需求的角度來分析 Web3-AI 空間，就會發現 Web3 可以提供巨大價值的明確領域。但這需要穿過密集的現實扭曲場。

Web3-AI 現實扭曲

身為加密貨幣原住民，我們傾向於在一切事物中看到去中心化的價值。然而，人工智慧在數據和計算方面已經發展成為一種日益中心化的力量，因此去中心化人工智慧的價值主張需要從對抗這種自然的中心化力量開始。

就人工智慧而言，我們認為在 Web3 中創造的價值與人工智能市場的需求之間越來越不匹配。令人擔憂的現實是，Web2 和 Web3 人工智慧之間的差距正在擴大而不是縮小，這從根本上是由三個關鍵因素驅動的：

人工智慧研究人才有限

在 Web3 領域工作的人工智慧研究人員數量只有個位數。對於那些聲稱 Web3 是人工智慧的未來的人來說，這並不令人鼓舞。

基礎設施有限

我們還沒有設法讓 Web 應用程式與 Web3 後端正常運作，因此至少可以說，考慮 AI 是一個延伸。 Web3 基礎架構施加了運算限制，這對於生成式 AI 解決方案的生命週期來說是不切實際的。

有限的模型、數據和計算資源

生成式人工智慧依賴三件事：模型、數據和計算。沒有一個大型前沿模型能夠在 Web3 基礎架構上運作；沒有大型訓練資料集的基礎； Web3 GPU 叢集與預先訓練和微調基礎模型所需的叢集之間存在巨大的品質差距。

困難的現實是，Web3 一直在建立「窮人」版本的人工智慧，本質上是試圖匹配 Web2 人工智慧的功能，但卻創造了較差的版本。這一現實與人工智慧多個領域去中心化的巨大價值主張形成鮮明對比。

為了避免將這種分析作為抽象論文，讓我們深入研究不同的去中心化人工智慧趨勢，並根據人工智慧市場潛力進行評估。

閱讀更多：Jesus Rodriguez - 用加密貨幣資助開源生成人工智慧

Web3-AI 的現實扭曲導致最初的創新和資金浪潮集中在價值主張似乎與人工智慧市場現實脫節的項目上。同時，Web3-AI 中的其他新興領域也蘊藏著巨大的潛力。

一些被誇大的 Web3-AI 趨勢

用於訓練和微調的去中心化 GPU 基礎設施

在過去幾年中，我們看到去中心化 GPU 基礎設施的爆炸性增長，有望使基礎模型的預訓練和微調民主化。這個想法是為了取代現有人工智慧實驗室建立的 GPU 壟斷。現實情況是，大型基礎模型的預訓練和微調需要大型 GPU 叢集以及連接它們的超高速通訊匯流排。如果去中心化人工智慧基礎設施中的 50B-100B 基礎模型確實有效的話，其預訓練週期可能需要一年以上的時間。

ZK-AI框架

將零知識（zk）計算和人工智慧相結合的想法引發了有趣的概念，以在基礎模型中啟用隱私機制。鑑於 zk 基礎設施在 Web3 中的突出地位，一些框架承諾將 zk 計算嵌入到基礎模型中。儘管理論上很有吸引力，但 zk-AI 模型在應用於大型模型時很快就會遇到從計算角度來看成本過高的挑戰。此外，zk 將限制可解釋性等方面，而可解釋性是生成人工智慧中最有前途的領域之一。

推理證明

加密是關於加密證明的，有時它們會附加到不需要它們的東西上。在 Web3-AI 領域，我們看到了發布特定模型輸出的加密證明的框架範例。這些場景的挑戰不是技術上的，而是與市場相關的。基本上，推理證明在某種程度上是一種尋找問題的解決方案，目前缺乏任何實際的用例。

一些高潛力的 Web3-AI 趨勢

有錢包的代理

代理工作流程是產生人工智慧中最有趣的趨勢之一，並且在加密領域具有巨大的潛力。所謂代理，我們指的是人工智慧程序，它不僅可以根據輸入被動地回答問題，還可以針對給定的環境執行操作。雖然大多數自主代理是為孤立的用例創建的，但我們看到多代理環境和協作的快速出現。

這是加密貨幣可以釋放巨大價值的領域。例如，想像一個場景，一個代理需要雇用其他代理來完成一項任務，或抵押一些價值來保證其輸出的品質。以加密軌道的形式為代理商提供金融原語，解鎖了許多代理商協作的用例。

人工智慧的加密貨幣融資

生成人工智慧中最著名的秘密之一是開源人工智慧領域正在經歷巨大的資金緊縮。大多數開源人工智慧實驗室無力再研究大型模型，而是專注於不需要大量計算存取和數據的其他領域。加密貨幣透過空投、激勵甚至積分等機制在資本形成方面極為有效。開源產生人工智慧的加密融資軌道概念是這兩個趨勢交叉點最有前途的領域之一。

小型基礎模型

去年，微軟在發布 Phi 模型後創造了小語言模型 (SLM) 一詞，該模型參數少於 2B，在計算機科學和數學任務中能夠勝過規模大得多的法學碩士。小型基礎模型（考慮 1B-5B 參數）是去中心化 AI 可行性的關鍵要求，並為裝置端 AI 解鎖有希望的場景。如今，分散數千億個參數的模型幾乎是不可能的，並且在一段時間內仍將如此。然而，小型基礎模型應該能夠在當今的許多 Web3 基礎架構上運作。推動 SLM 議程對於利用 Web3 和 AI 創造真正價值至關重要。

綜合數據生成

資料稀缺是最新一代基礎模型面臨的最大挑戰之一。因此，越來越多的研究集中在使用可以補充現實世界資料集的基礎模型的合成資料生成機制。加密網路和代幣激勵的機制可以理想地協調大量各方合作創建新的綜合資料集。

其他相關的 Web3-AI 趨勢

還有其他幾個有趣的 Web3-AI 趨勢，具有巨大的潛力。鑑於人工智慧生成內容面臨的挑戰，人類證明輸出變得越來越重要。評估和基準測試是一個 AI 領域，Web3 的信任和透明能力可以在其中大放異彩。以人為中心的微調，例如利用人類回饋的強化學習 (RLHF)，對於 Web3 網路來說也是一個有趣的場景。隨著生成式 AI 的不斷發展和 Web3-AI 功能的成熟，其他場景可能會出現。

對更加去中心化的人工智慧能力的需求是非常現實的。雖然 Web3 產業可能還無法與人工智慧巨型模型創造的價值相媲美，但它可以為生成人工智慧領域釋放真正的價值。 Web3-AI 演化的最大挑戰可能是克服其自身的現實扭曲場。 Web3-AI 有很多價值；我們只需要專注於建立真實的東西。

註：本專欄所表達的觀點僅代表作者的觀點，不一定反映 CoinDesk, Inc. 或其所有者和關聯公司的觀點。