原標題：(Crypto x AI: 10 Categories We're Watching in 2025)
作者：Archetype
編譯：深潮TechFlow
1.智能體間的交互 (Agent-to-Agent Interaction)
區塊鏈因其天然的透明性和可組合性，成爲實現智能體間無縫交互的理想平臺。在這種交互中，由不同機構爲不同目的開發的智能體可以協作完成任務。目前已有一些令人興奮的嘗試，例如智能體之間相互轉賬、一起發行代幣等。我們期待智能體間的交互能夠進一步擴展：一方面創造全新的應用場景，例如由智能體驅動的新型社交平臺；另一方面優化現有的企業工作流程，例如平臺認證、微支付、跨平臺工作流集成等，從而簡化如今複雜繁瑣的操作流程。- Danny、Katie、Aadharsh、Dmitriy
aethernet 和 clanker 在 Warpcast 上共同發行 Token
2.去中心化智能體組織 (Decentralized Agentic Organizations)
大規模多智能體協作是另一個令人振奮的研究方向。多智能體系統如何協同完成任務、解決問題，甚至管理協議和系統？在 2024 年初的文章(加密 + AI 應用的承諾與挑戰)中，Vitalik 提出了利用 AI 智能體進行預測市場和裁決的設想。他認爲，在大規模應用中，多智能體系統在“真相”發現和自治治理方面有着巨大的潛力。我們期待看到這種多智能體系統的能力如何被進一步發掘，以及“羣體智能”如何在實驗中展現出更多可能性。
此外，智能體與人類的協作也是一個值得探索的方向。比如，社區如何圍繞智能體展開互動，或者智能體如何組織人類完成集體行動。我們希望看到更多以大規模人類協作爲目標的智能體實驗。當然，這需要配備某種驗證機制，特別是在任務由鏈下完成的情況下。但這種探索可能會帶來一些意想不到的奇妙結果。- Katie、Dmitriy、Ash
3.智能體驅動的多媒體娛樂 (Agentic Multimedia Entertainment)
數字化虛擬人格的概念已經存在多年。例如，初音未來 (Hatsune Miku, 2007) 曾在 2 萬座席的場館舉辦售罄演唱會；Lil Miquela (2016) 在 Instagram 上擁有超過 200 萬粉絲。最近的例子包括 AI 虛擬主播 Neuro-sama (2022)，其在 Twitch 上的訂閱量已超過 60 萬；以及匿名 Kpop 男團 PLAVE (2023)，其在不到兩年的時間裏在 YouTube 上的觀看量已突破 3 億次。隨着 AI 技術的進步以及區塊鏈在支付、價值轉移和開放數據平臺中的應用，這些智能體有望變得更加自主，並可能在 2025 年開啓一個全新的主流娛樂類別。- Katie、Dmitriy
從左上順時針：初音未來、Virtuals 的 Luna、Lil Miquela 和 PLAVE
4.生成式/智能體驅動的內容營銷 (Generative/Agentic Content Marketing)
在某些情況下，智能體本身是產品，而在另一些情況下，智能體則可以成爲產品的補充。在注意力經濟中，持續輸出吸引人的內容是任何想法、產品或公司成功的關鍵。生成式/智能體驅動的內容爲團隊提供了一個強大的工具，可以確保一個可擴展、全天候的內容創作渠道。這一領域因“memecoin 與智能體的區別”這一話題的討論而加速發展。智能體是 memecoin 實現傳播的一個強大工具，即使它們還未完全實現“智能體化”。
另一個例子是，遊戲行業爲了保持用戶參與度，正越來越多地追求動態化。一種經典的方法是引導用戶生成內容，而純粹的生成式內容（如遊戲內物品、NPC，甚至完全生成的關卡）可能成爲這一趨勢的下一個階段。我們很好奇，2025 年智能體的能力將如何進一步擴展內容分發和用戶互動的邊界。- Katie
5.下一代藝術工具/平臺 (Next-Gen Art Tools/Platforms)
在 2024 年，我們推出了 IN CONVERSATION WITH 系列，這是一個與音樂、視覺藝術、設計、策展等領域的加密藝術家對話的訪談節目。今年的訪談讓我注意到一個趨勢：對加密技術感興趣的藝術家通常也對前沿技術充滿熱情，並希望這些技術能夠更深地融入他們的創作實踐，例如 AR/VR 對象、代碼生成藝術以及實時編碼 (livecoding)。
生成藝術 (Generative Art) 與區塊鏈技術的結合由來已久，這也讓區塊鏈成爲 AI 藝術的理想載體。在傳統平臺中，展示和呈現這些藝術形式非常困難。而 ArtBlocks 則爲數字藝術如何通過區塊鏈實現展示、存儲、貨幣化和保存提供了一個初步的探索，極大地改善了藝術家與觀衆的體驗。此外，AI 工具還讓普通人也能輕鬆創作自己的藝術作品。我們非常期待在 2025 年，區塊鏈如何進一步提升這些工具的能力。- Katie
KC: 既然你對加密文化感到挫敗並存在不認同的地方，那是什麼促使你仍然選擇參與 Web3？Web3 爲你的創作實踐帶來了哪些價值？是實驗性的探索、經濟回報，還是其他方面？
MM: 對我來說，Web3 在多個方面對我個人以及其他藝術家都有積極影響。就我個人而言，那些支持發佈生成藝術的平臺對我的創作尤爲重要。比如，你可以上傳一個 JavaScript 文件，當有人鑄造或收藏一件作品時，代碼會實時運行，並在你設計的系統中生成獨特的藝術作品。這種實時生成的過程，是我創作實踐中的核心部分。在我編寫和構建的系統中引入隨機性，無論是從概念上還是技術上，都深刻影響了我對藝術的思考方式。然而，如果不是在專門爲這種藝術形式設計的平臺上展示，或者是在傳統畫廊中展示，往往很難向觀衆傳達這一過程。
在畫廊中，可能會展示一個通過投影或屏幕實時運行的算法，或者展示由算法生成的多個輸出中挑選出的作品，並以某種方式轉化爲實體形式進行展覽。但對於那些對代碼作爲藝術媒介不太熟悉的觀衆來說，他們很難理解這種創作過程中隨機性的意義，而這種隨機性正是所有以生成方式使用軟件的藝術家實踐中的重要部分。當作品的最終呈現形式僅僅是一張發佈在 Instagram 上的圖片，或者是一件打印出來的實體作品時，我有時會覺得很難向觀衆強調作品中“代碼作爲創作媒介”的這一核心理念。
NFT 的出現讓我感到振奮，因爲它不僅提供了一個展示生成藝術的平臺，還幫助普及了“代碼作爲藝術媒介”這一概念，讓更多人能夠理解這種創作方式的獨特性和價值。
摘自 IN CONVERSATION WITH：Maya Man
6.數據市場 (Data Markets)
自 Clive Humby 提出“數據是新石油”這一觀點以來，企業紛紛採取措施囤積並貨幣化用戶數據。然而，用戶逐漸意識到自己的數據是這些巨頭公司賴以生存的基石，卻幾乎無法控制數據的使用方式，也未能從中獲得收益。隨着強大 AI 模型的快速發展，這一矛盾愈發尖銳。一方面，我們需要解決用戶數據被濫用的問題；另一方面，隨着更大規模、更高質量的模型耗盡了公共互聯網數據這一“資源”，新的數據來源也顯得尤爲重要。
爲了將數據的控制權還給用戶，去中心化基礎設施提供了廣闊的設計空間。這需要在數據存儲、隱私保護、數據質量評估、價值歸屬和貨幣化機制等多個領域提出創新解決方案。同時，針對數據供應短缺問題，我們需要思考如何利用技術優勢，構建具有競爭力的解決方案，例如通過更優的激勵機制和過濾方法，創造出更高價值的數據產品。尤其是在當前 Web2 AI 仍占主導地位的背景下，如何將智能合約與傳統服務協議 (SLA) 相結合，是一個值得深入探索的方向。- Danny
7.去中心化計算 (Decentralized Compute)
在 AI 的開發和部署中，除了數據，計算能力同樣是關鍵要素。過去幾年，大型數據中心依靠對場地、能源和硬件的獨佔訪問權，主導了深度學習和 AI 的發展。然而，隨着物理資源的限制和開源技術的發展，這種格局正在逐步被打破。
去中心化 AI 的計算 v1 階段類似於 Web2 的 GPU 雲，但在硬件供應和需求方面並無明顯優勢。而在 v2 階段，我們看到一些團隊開始構建更完善的技術堆棧，包括高性能計算的編排、路由和定價系統，同時開發專有功能以吸引需求並提升推理效率。一些團隊專注於通過編譯器框架優化跨硬件的推理路由，而另一些則在其計算網絡上開發分佈式模型訓練框架。
此外，一個被稱爲 AI-Fi 的新興市場正在形成，其通過創新的經濟機制，將計算能力和 GPU 轉化爲收益資產，或者利用鏈上流動性爲數據中心提供硬件融資的新途徑。然而，去中心化計算是否能真正實現其潛力，仍取決於理念與實際需求之間的差距能否被彌合。- Danny
8.計算覈算標準 (Compute Accounting Standards)
在去中心化高性能計算 (HPC) 網絡中，如何協調異構計算資源是一個重要的挑戰，而目前缺乏統一的核算標準讓這一問題更加複雜。AI 模型的輸出結果具有多樣性，例如模型變體、量化 (quantization)、通過溫度 (temperature) 和採樣超參數調整的隨機性等。此外，不同的 GPU 架構和 CUDA 版本也會導致硬件輸出結果的差異。這些因素使得在異構分佈式系統中，如何準確統計模型和計算市場的容量成爲一個亟待解決的問題。
由於缺乏這些標準，今年我們在 Web2 和 Web3 的計算市場中多次看到模型性能和計算資源的質量與數量被錯誤覈算的情況。這迫使用戶通過運行自己的基準測試或限制計算市場的使用速率來驗證 AI 系統的實際性能。
加密領域一貫強調“可驗證性”，因此我們希望到 2025 年，加密與 AI 的結合能讓系統性能更加透明。普通用戶應該能夠輕鬆對比模型或計算集羣的關鍵輸出特性，從而審計和評估系統的實際表現。- Aadharsh
9.概率隱私原語 (Probabilistic Privacy Primitives)
Vitalik 在文章(加密 + AI 應用的承諾與挑戰)中提到一個獨特的矛盾： “在密碼學中，開源是實現安全的唯一方法，但在 AI 中，公開模型（甚至是訓練數據）會極大增加其受到對抗性機器學習攻擊的風險。”
雖然隱私保護並非區塊鏈的新研究方向，但隨着 AI 的快速發展，隱私相關的密碼學技術正在加速應用。今年在隱私增強技術方面已經取得了顯著進展，例如零知識證明 (ZK)、全同態加密 (FHE)、可信執行環境 (TEE) 和多方計算 (MPC)。這些技術被用於如在加密數據上進行通用計算的私有共享狀態等場景。同時，像 Nvidia 和 Apple 這樣的技術巨頭也在利用專有的 TEE 技術，在硬件、固件和模型保持一致的情況下，實現聯邦學習和私有 AI 推理。
未來，我們將重點關注如何在隨機狀態轉換中保護隱私，以及這些技術如何促進去中心化 AI 在異構系統上的實際應用，例如去中心化的私有推理、加密數據的存儲和訪問管道，以及完全自主的執行環境的構建。- Aadharsh
Apple 的 Apple Intelligence 堆棧和 Nvidia 的 H100 GPU
10.智能體意圖與下一代用戶交易界面 (Agentic Intents and Next-Gen User Trading Interfaces)
AI 智能體的一個重要應用是幫助用戶在鏈上自主完成交易。然而，在過去的 12-16 個月中，關於“智能體意圖”、“智能體行爲”、“求解器”等術語的定義始終模糊不清，與傳統“機器人”開發的區別也不夠明確。
未來一年，我們期待看到更復雜的語言系統與多種數據類型和神經網絡架構結合，從而推動這一領域的發展。智能體會繼續使用現有的鏈上系統完成交易，還是會開發全新的工具和方法？大語言模型 (LLM) 是否仍會作爲這些系統的核心，還是會被其他技術取代？在用戶界面層面，用戶是否會通過自然語言與系統交互完成交易？經典的“錢包即瀏覽器”理論是否會成爲現實？這些都是值得探索的問題。- Danny、Katie、Aadharsh、Dmitriy
