首頁

從V神文章出發，盤點Crypto x AI值得關注的細分賽道

Metrics Ventures

閱讀本文需 50 分鐘

除了少數名人主題（如ARKM和WLD），AI賽道整體更像是」以技術敘事為主導的MEME「。

原文標題：《Metrics Ventures 研報 | 從 V 神文章出發，Crypto×AI 有哪些值得關注的細分賽道？》

原文作者：charlotte0211z、BlazingKevin，Metrics Ventures

Vitalik 在1 月30 日發表了The promise and challenges of crypto + AI applications 一文，討論了區塊鏈與人工智慧應該以怎麼的方式去結合，以及這個過程中出現的潛在挑戰。在這篇文章發布後的一個月，文章中提到的 NMR、Near、WLD 都收穫了不錯的漲幅，完成了一輪價值發現。本文基於 Vitalik 所提出的 Crypto 與 AI 結合的四種方式，對現有的 AI 賽道的細分方向進行梳理，並對各方向的代表項目進行簡要介紹。

1 引言：Crypto 與AI 結合的四種方式

去中心化是區塊鏈所維護的共識，確保安全性是核心思想，而開源是從密碼學角度讓鏈上行為具備上述特徵的關鍵基礎。在過去幾年中，這個方式在區塊鏈的幾輪變革中是適用的，但是當人工智慧參與其中後，情況發生一些變化。

試想透過人工智慧來設計區塊鏈或應用的架構，那麼模型就有開源的必要，但是如此一來，會暴露其在對抗性機器學習中的脆弱性；反之則喪失了去中心化性。因此，我們有必要思考在當前區塊鏈或應用程式中加入人工智慧時，以何種方式，怎樣的深度去完成結合。

資料來源：DE UNIVERSITY OF ETHEREUM

在DE UNIVERSITY OF ETHEREUM 的When Giants Collide: Exploring the Convergence of Crypto x AI一文中，闡述了人工智慧和區塊鏈在核心特質上的差異。如上圖所示，人工智慧的特點是：

· 中心化

· 低透明度

· 耗能

· 獨佔性

· 貨幣化屬性弱

區塊鏈在這5 點上，和人工智慧相比是完全相反的。這也是Vitalik 該文的真正論點，如果人工智慧和區塊鏈結合，那麼誕生的應用在資料所有權，透明度，貨幣化能力，耗能成本等方面應作出怎樣的取捨，又需要誕生哪些基礎設施來保障二者的有效結合。

Vitalik 依照上述準則以及自身的思考，將人工智慧與區塊鏈結合而成的應用分為4 大類：

· 人工智慧作為應用中的參與者（AI as a player in a game）

· 人工智慧作為應用的介面（AI as an interface to the game）

· 人工智慧作為應用的規則（AI as the rules of the game）

· 人工智慧作為應用的目標（AI as the objective of the game）

其中，前三種主要是AI 引入Crypto 世界的三種方式，代表了從淺到深的三種層次，根據筆者的理解，這種劃分代表了AI 對人類決策的影響程度，並由此為整個Crypto 引入了不同程度的系統風險：

· 人工智慧作為應用的參與者：人工智慧本身不會對人類的決策和行為產生影響，因此不會為真實的人類世界帶來風險，也因此在目前具有最高的落地性。

· 人工智慧作為應用的介面：人工智慧對人類的決策和行為提供輔助資訊或輔助工具，將提高使用者和開發者體驗，降低門檻，但錯誤的訊息或操作將為真實世界帶來一定的風險。

· 人工智慧作為應用的規則：人工智慧將全權取代人類完成決策和操作，因此人工智慧的作惡和故障將直接導致真實世界的混亂，無論是在Web2 還是Web3，目前都無法信任人工智慧去取代人類來決策。

最後，第四類計畫致力於利用Crypto 的特性創造更好的人工智慧，如前文所說，中心化、低透明度、耗能、壟斷性和貨幣屬性弱，都可以天然地透過Crypto 的屬性去中和。儘管許多人對Crypto 能否對人工智慧的發展產生影響力抱持懷疑，但透過去中心化的力量去影響現實世界一直是Crypto 最迷人的敘事，這條賽道也憑藉其宏大構想成為AI 賽道炒作最熱烈的部分。

2 AI 作為參與者

在AI 參與的機制中，激勵的最終來源來自於人類輸入的協議。在 AI 成為接口，甚至成為規則之前，我們往往需要對不同 AI 的表現進行評估，使 AI 參與到一個機制中，最終透過一個鏈上機制獲得獎勵或受到懲罰。

AI 作為參與者，相較於作為介面和規則來說，對使用者和整個系統的風險性基本上可以忽略不計，可以說是AI 開始深度影響使用者決策和行為前的必經階段，因此人工智慧與區塊鏈在這一層的融合所需要的成本和取捨相對較小，也是V 神認為現在具有高度可落地性的一類產品。

從廣義和實作程度來說，現在的AI 應用多屬於這個類別，例如AI 賦能的trading bot 和chatbot 等，目前的落地程度也很難實現AI 作為介面甚至是規則的作用，使用者正在不同的bot 中進行比較和逐步優化，加密使用者也尚未養成使用AI 應用的行為習慣。在 V 神的文章中，也將 Autonomous Agent 歸為這一類。

但從狹義和遠期願景上來說，我們傾向於對AI 應用或AI Agent 進行更為細緻的劃分，因此在這一類目下，我們認為具代表性的細分賽道包括：

2.1 AI 遊戲

從某種程度上說，AI 遊戲都可以被歸類為這個類別，玩家透過與AI 交互，並訓練自己的AI 角色，使得AI 角色更符合個人的需求，如更貼合個人的喜好或在遊戲機制中更具有戰鬥力和競爭力。遊戲是 AI 在切入現實世界前的過渡階段，也是目前落地風險性較低、最容易被一般使用者理解的賽道，標誌性的項目如 AI Arena、Echelon Prime、Altered State Machine 等。

AI Arena：AI Arena 是一款玩家可以透過AI 學習和訓練，讓遊戲角色不斷進化的PVP 格鬥遊戲，希望以遊戲的形式讓更多一般使用者能夠接觸、了解和體驗AI，同時讓人工智慧工程師能基於AI Arena 提供各種AI 演算法來增加收入。每個遊戲角色都是由AI 賦能的NFT，其中Core 是包含AI 模型的核心，包括兩個部分：架構和參數，儲存在IPFS 上，一個新的NFT 中的參數時隨機生成的，意味著其將執行隨機動作，使用者需要透過模仿學習（IL）的過程來提升角色的策略能力，每次使用者訓練角色並保存進度時，參數都會在IPFS 上更新。

Altered State Machine：ASM 並不是一個AI 遊戲，而是為AI Agent 進行確權和交易的協議，定位為元宇宙AI 協議，目前正與包括FIFA 等多個遊戲集成，在遊戲和元宇宙中引入AI Agent。 ASM 利用NFT 對AI Agent 進行確定並交易，每個Agent 將包含三個部分：Brain（Agent 的自身特性）、Memories（儲存Agent 學到的行為策略，及模型訓練的部分，與Brain 綁定）、Form（角色外觀等）。 ASM 擁有一個 Gym 模組，包括去中心化的 GPU 雲端供應商，可以為 Agent 提供算力支援。目前以ASM 為底層的項目包括AIFA（AI 足球遊戲）、Muhammed Ali（AI 拳擊遊戲）、AI League（與FIFA 合作的街頭足球遊戲）、Raicers（AI 驅動的賽車遊戲）以及FLUF World's Thingies（生成式NFT）。

Parallel Colony (PRIME)：Echelon Prime正在開發Parallel Colony，這是一款基於AI LLM 的遊戲，玩家可以與你的AI Avatar 互動並對其產生影響，Avatar 將根據記憶和生活軌跡產生自主行動。 Colony 目前是最受期待的 AI 遊戲之一，近日官方剛剛發布了白皮書，並宣布遷移至 Solana，使得 PRIME 又迎來了一波新的上漲。

2.2 預測市場/競賽

預測能力是AI 進行未來決策和行為的基礎，在AI 模型被用於實際預測之前，預測競賽在更高等級上對AI 模型的表現進行比較，透過代幣為資料科學家/AI 模型提供激勵，這對於整個Crypto×AI 的發展具有積極意義——透過激勵不斷開發效率和性能更強、更適合crypto 世界的模型和應用，在AI 對決策和行為發揮更深刻影響之前，創建出更優質、更安全的產品。正如 V 神所說，預測市場是一個強大的原語，可以拓展到更多其他類型的問題。這條賽道中的標誌性項目包括：Numerai 和 Ocean Protocol。

Numerai：Numerai 是一個已經運行了很長時間的資料科學競賽，資料科學家根據歷史的市場資料（由Numerai 提供）訓練機器學習模型來預測股市，並質押模型和NMR 代幣進行錦標賽，表現較好的模型將獲得NMR 代幣激勵，較差模型的質押代幣則會被銷毀。截止 2024 年 3 月 7 日，共有 6,433 個模型被質押，協議共計向資料科學家提供了$75,760,979 的激勵。 Numerai 正在激勵全球資料科學家合作建立新型對沖基金，目前已發布的基金包括 Numerai One 和 Numerai Supreme。 Numerai 的路徑：市場預測競賽→眾包預測模型→基於眾包模型的新型對沖基金。

Ocean Protocol：Ocean Predictoor 正在關注預測，開始於加密貨幣走勢的眾包預測。玩家可以選擇運行Predictoor bot 或Trader bot，Predictoor bot 使用AI 模型對下一個時間點（例如五分鐘後）的加密貨幣（如BTC/USDT）價格進行預測，並質押一定數量的$OCEAN，協議將根據質押量加權計算出全局預測，Traders 購買預測結果並可以根據其進行交易，在預測結果準確率較高時，Traders 可以從中獲利，預測錯誤的Predictoor 將會被罰沒，而預測正確的則可以獲得這部分代幣和Traders 的購買費用作為獎勵。 3 月 2 日，Ocean Predictoor 在媒體上公佈了最新方向——World-World Model（WWM），開始探索對天氣、能源等現實世界的預測。

3 AI 作為介面

AI 可以幫助用戶用簡單易懂的語言理解正在發生的事情，充當用戶在crypto 世界的導師，並對可能的風險進行提示，以降低Crypto 的使用門檻和用戶風險，提高用戶體驗。具體可實現的產品的功能很豐富，例如錢包互動時的風險提示、AI 驅動的意圖交易、能夠回答普通用戶 crypto 問題的 AI Chatbot 等等。將受眾群體擴大，除了一般用戶，開發者、分析師等等在內的幾乎所有群體，都將成為 AI 的服務對象。

讓我們再次重申這些項目的共同點：尚未代替人類執行某些決策和行為，但正在利用 AI 模型為人類提供輔助決策和行為的資訊和工具。從這一層開始，AI 作惡的風險已經開始暴露在系統中——可以透過提供錯誤的資訊來幹擾人類最後的判斷，這一點在 V 神的文章中也已經有詳細的分析。

能夠被歸入這一類目下的項目較多也較雜，包括AI chatbot、AI 智能合約審計、AI 程式碼編寫、AI trading bot等等，可以說目前絕大多數的AI 應用都正在這一類的初級水平，具有代表性的項目包括：

· PaaL ：PaaL 是目前AI Chatbot 的龍頭項目，可以看作是經過crypto 相關知識訓練的ChatGPT，透過整合TG 和Discord，可以提供使用者：代幣資料分析、代幣基本面和代幣經濟學分析以及文字生成圖片等其他功能，可以將PaaL Bot 整合入群聊中來對一些資訊進行自動回應。 PaaL 支援客製化個人 bot，使用者可透過投餵資料集，建立自己的 AI 知識庫和自訂 bot。 PaaL 正在向AI Trading Bot 進發，2 月29 日宣讀了其AI 支持的crypto 研究&交易終端PaalX，根據介紹可實現AI 智能合約審計、基於推特的新聞集成和交易、Crypto 研究和交易支持，人工智慧助理可降低使用者使用門檻。

· ChainGPT：ChainGPT 依靠人工智慧開發了一系列crypto 工具，如chatbot、NFT 生成器、新聞集合、智能合約生成與審計、交易助理、Prompt 市場和AI 跨鏈交換。但 ChainGPT 目前的發力方向在於專案孵化和 Launchpad，目前已完成 24 個專案的 IDO 和 4 個 Free Giveaways。

· Arkham：Ultra 是Arkham 的專用AI 引擎，用例是透過演算法將位址與現實中實體進行匹配，以提高加密產業的透明度。 Ultra 基於使用者提供以及自身收集的鏈上鏈下數據，將之合併，並輸出成可拓展的資料庫，最終以圖表方式呈現。但 Arkham 文件中並未對 Ultra 系統有詳細論述，本輪 Arkham 受到關注的原因為 OpenAI 創辦人 Sam Altman 對其的個人投資，過去 30 天收穫 5 倍漲幅。

· GraphLinq：GraphLinq 是一種自動化流程管理解決方案，旨在使用戶無需編程即可部署和管理各種類型的自動化功能，如將Coingecko 中比特幣的價格每隔5 分鐘推送至TG Bot 中。 GraphLinq 的解決方案是用 Graph 將自動化流程視覺化，使用者可以透過拖曳節點的方式建立自動化任務，並使用 GraphLinq Engine 執行。儘管不需要程式碼，但創建 Graph 的過程對普通用戶來說依然有一定門檻，包括選擇合適的模板、在幾百個邏輯塊中挑選合適的並連接。因此 GraphLinq 正在引入 AI，使用戶可以用對話式人工智慧和自然語言，來完成自動化任務的建置和管理。

· 0x0.ai：0x0 與AI 相關的業務主要有三個：AI 智能合約審計、AI 反Rug 檢測和AI開發者中心。其中 AI 反 Rug 偵測將偵測可疑行為，如過高稅收或抽走流動性，防止使用者受騙，AI 開發者中心利用機器學習技術產生智慧合約，實現 No-code 部署合約。但目前僅初步上線了 AI 智能合約審計，其他兩項功能尚未開發完成。

· Zignaly：Zignaly 誕生於2018 年，旨在讓個人投資者能夠選擇基金經理來為自己進行加密資產管理，類似Copy-trading 的邏輯。 Zignaly 正在使用機器學習和人工智慧技術，建立起對基金經理進行系統評估的指標體系，目前推出的第一個產品為 Z-Score，但作為人工智慧產品來說還是比較初級。

4 AI 作為遊戲規則

這是最令人興奮的部分－讓AI 能夠取代人類進行決策和行為，你的AI 將直接掌控你的錢包，取代你進行交易決策和行為。在這個分類下，筆者認為主要可以分為三個層級：AI 應用（特別是以自主決策為願景的應用，如AI 自動化交易bot、AI DeFi 收益Bot）、Autonomous Agent 協議以及zkml/ opml。

AI 應用是對某一領域的問題進行具體決策的工具，它們累積了不同細分領域的知識和數據，依賴於根據細分問題而量身定制的 AI Model 來進行決策。可以注意到，AI 應用在本文中被同時歸入兩類：介面與規則，從開發願景來說，AI 應用應成為獨立決策的Agent，但目前無論是AI 模型的有效性、整合AI 的安全性，都無法滿足這項要求，甚至作為介面都略微勉強，AI 應用正處於非常早期的階段，具體項目在前文已有介紹，在此不做贅述。

Autonomous Agent 被V 神在第一類（AI 作為參與者）中提及，從遠期願景來說，本文將其歸為第三類。 Autonomous Agent 利用大量資料和演算法來模擬人類的思維和決策過程，並執行各種任務和互動。本文主要關注 Agent 的通訊層、網路層等基礎設施，這些協定定義了 Agent 的歸屬權，建立了 Agent 的身份、通訊標準和通訊方式，連接多個 Agent 應用，能夠協同進行決策和行為。

zkML/opML：透過密碼學或經濟學的方法，保證經過了正確的模型推理過程而提供具有可信性的輸出。安全性問題對於將AI 引入智能合約非常致命，智能合約依靠輸入產生輸出並自動化執行一系列功能，一旦AI 作惡給予了錯誤的輸入，將會為整個Crypto 系統引入極大的系統性風險，因此zkML /opML 和可能的一系列潛在解決方案，都是讓AI 進行獨立行動和決策的基礎。

最後，三者構成AI 作為運作規則的三個基礎層次：zkml/opml 作為最底層的基礎設施，保證協定的安全性；Agent 協議建立起Agent 生態系統，能夠協同進行決策和行為；AI 應用，也是具體的AI Agent，將持續提高在某一領域的能力，並實際進行決策和行動。

4.1 Autonomous Agent

AI Agent 在Crypto 世界的應用是自然的，從智慧合約到TG Bots 再到AI Agents，加密世界正走向更高的自動化和更低的使用者門檻。智能合約雖然是透過不可篡改的程式碼自動執行功能，但仍需要依賴外部觸發而喚醒，且無法自主運行和連續運行；TG Bots 降低了用戶門檻，用戶不需要直接與加密前端交互，而是透過自然語言完成鏈上交互，但只能完成極為簡單和具體的任務，依然無法實現用戶意圖為中心的交易；AI Agents 則具備一定的獨立決策能力，理解用戶的自然語言，並自主找到和組合起其他的Agent 和鏈上工具，完成使用者指定的目標。

AI Agent 正在致力於大幅提升加密產品的使用體驗，而區塊鏈也能夠助力AI Agent 的運作更加去中心化、透明和安全，具體的幫助在於：

· 透過代幣激勵更多的開發者提供Agent

· NFT 確權促進基於Agent 的收費與交易

· 提供鏈上的Agent 身分和註冊機制

· 提供不可篡改的Agent 活動日誌，對其行為進行及時的溯源和追責

這條賽道的主要項目如下：

· Autonolas：Autonolas 透過鏈上協議支持Agent 和相關元件的資產確權和可組合性，使程式碼元件、Agent 和服務能夠在鏈上被發現和重複利用，並激勵開發者獲得經濟補償。開發者開發了完整的Agent 或組成部分後，將對程式碼進行鏈上註冊並獲得NFT，代表對程式碼的所有權；Service Owner 會聯合多個Agent 創建一個服務並在鏈上註冊，並吸引Agent Operators 來實際執行服務，使用者透過付費使用服務。

· Fetch.ai：Fetch.ai 在AI 領域具有很強的團隊背景和開發經驗，目前正在關注AI Agent賽道。協議由四個關鍵層組成：AI Agents、Agentverse、AI Engine 和 Fetch Network。 AI Agents 是系統的核心，其他則為輔助建構 Agent 服務的框架和工具。 Agentverse 是一個軟體即服務平台，主要用於建立和註冊 AI Agent。 AI Engine 的目標是透過讀取使用者自然語言輸入，將其轉換為可操作的人物，並在 Agentverse 中選擇已註冊的最合適的 AI Agent 來執行任務。 Fetch Network 是協議的區塊鏈層，AI Agent 必須在鏈上的 Almanac 合約中註冊，才能與其他 Agent 開始協同服務。值得注意的是，Autonolas 目前專注於 crypto 世界的 Agent 構建，將鏈下的 Agent 操作引入鏈上；Fetch.ai 的關注範圍則包括 Web2 世界，如旅行預訂、天氣預測等。

· Delysium：Delysium 從遊戲轉型為AI Agent 協議，主要包括兩層：通訊層和區塊鏈層，通訊層是Delysium的主幹，提供安全且可擴展的基礎設施，使得AI Agent 之間能夠快速高效的通信，區塊鏈層對Agent 進行身份驗證，並透過智慧合約實現對Agent 行為的不可篡改記錄。具體來說，通訊層為Agent 之間建立了統一的通訊協議，採用標準化的訊息系統，讓Agent 之間可以透過一種通用語言無障礙地交流，此外建立了服務發現協定和API，使得使用者和其他Agent 能夠快速發現並連接可用的Agent。區塊鏈層主要包括兩個部分：Agent ID 和Chronicle 智能合約，Agent ID 確保只有合法的Agent 才能存取網絡，Chronicle 則是Agent 做出的所有重要決策和行為的日誌儲存庫，上鍊後不可篡改，確保對Agent 行為的可信追溯。

· Altered State Machine：透過NFT 為Agent 的資產確診和交易制定了標準，具體分析可見第1 部分，雖然ASM 目前主要接入遊戲，但其作為基礎性的規範同樣具有向其他Agent 領域擴展的可能性。

· Morpheous：正在建構一個AI Agent 生態網絡，協定旨在連接Coder、Computer provider、Community Builder 和Capital 四種角色，分別為網絡提供AI Agent、支持Agent 運行的算力、前端和開發工具以及資金，MOR 將採取Fair launch 的形式，向提供算力的礦工、stETH 質押者、Agent 或智能合約開發貢獻者、社區開發貢獻者提供激勵。

4.2 zkML/opML

零知識證明目前有兩個主要應用方向：

· 以更低的成本在鏈上證明運算得到了正確的運行（ZK-Rollup 和ZKP 跨鏈橋正在利用ZK 的這一特點）；

· 隱私權保護：不需要知道計算的細節，也可以證明計算得到了正確的執行。

同樣地，ZKP 在機器學習中的應用同樣可以被分為兩類：

· 推理驗證：即透過ZK-proof，在鏈上以較低的成本證明AI 模型推理這一密集計算的過程在鏈下得到了正確的執行。

· 隱私保護：又可以分為兩類，一是對資料隱私的保護，即在公開的模型上使用隱私資料進行推理，可以利用ZKML 對隱私資料進行保護；二是對模型隱私的保護，希望隱藏模型的權重等具體信息，從公開的輸入中運算並得出輸出結果。

筆者認為目前對 Crypto 更為重要的是推理驗證，我們在此對推理驗證的場景進行進一步闡述。從AI 作為參與者開始，到AI 作為世界的規則，我們希望將AI 成為鏈上流程的一部分，但AI 模型推理計算成本過高，無法直接在鏈上運行，將這一過程放到鏈下，意味著我們需要忍受這一黑盒子帶來的信任問題——AI 模型運行者是否篡改了我的輸入？是否使用了我指定的模型進行推理？透過將ML 模型轉換成ZK 電路，可以實現：（1）較小的模型上鏈，將小的zkML 模型儲存到智慧合約中，直接上鍊解決了不透明的問題；（2）在鏈下完成推理，同時產生ZK 證明，透過在鏈上運行ZK 證明來證明推理過程的正確性，基礎架構將包括兩個合約——主合約（使用ML 模型輸出結果）和ZK-Proof 驗證合約。

zkML 還處於非常早期的階段，面臨著 ML 模型轉換到 ZK 電路的技術問題，以及極高的運算和密碼學開銷成本。和Rollup 的發展路徑一樣，opML 從經濟學的角度出發，成為了另一種解決方案，opML 使用Arbitrum 的AnyTrust 假設，即每個主張至少有一個誠實節點，確保提交者或至少一個驗證者是誠實的。但 OPML 只能成為推理驗證的替代方案，無法實現隱私保護。

目前的專案正在建構zkML 的基礎設施，並在努力探索其應用，應用程式的建立同樣重要，因需要清楚地向加密使用者證明zkML 中重要作用，證明最終價值能夠抵銷巨大成本。在這些專案中，有些專注於與機器學習相關的ZK 技術研發（如Modulus Labs），有些則是更通用的ZK 基礎設施搭建，相關項目包括：

· Modulus 正在使用 zkML 將人工智慧應用於鏈上推理過程。 Modulus 於 2 月 27 日推出了 zkML 證明器 Remainder，與同等硬體上的傳統 AI 推理相比，實現了 180 倍的效率提升。此外，Modulus 與多個專案合作，探索zkML 的實際用例，例如與Upshot 合作，透過使用具有ZK 證明的人工智慧，收集複雜的市場數據、評估NFT 價格，並將價格傳到鏈上；與AI Arena合作，證明正在戰鬥的Avatar 和玩家所訓練的是同一個。

· Risc Zero 將模型放在鏈上，透過在RISC Zero 的ZKVM 中運行機器學習模型，可以證明模型涉及的確切計算是正確執行的。

· Ingonyama 正在開發專門用於 ZK 技術的硬件，這可能降低了進入 ZK 技術領域的門檻，並且 zkML 也有可能用於模型訓練過程。

5 AI 作為目標

如果說前面三類更著重於AI 如何賦能於Crypto，那麼「AI 作為目標」強調了Crypto 對AI 的幫助，即如何利用Crypto 創造出更好的AI 模型和產品，這或許包括多個評判標準：更有效率、更精確、更去中心化等等。

AI 包含三個核心：資料、算力和演算法，在每一個維度，Crypto 都在致力於為AI 提供更有效的助力：

· 數據：數據是進行模型訓練的基礎，去中心化數據協議將激勵個人或企業提供更多私域數據，同時利用密碼學保障數據隱私，避免個人敏感資料的外洩。

· 算力：去中心化算力賽道是目前最火熱的AI 賽道，協議透過提供供需雙方的匹配市場，促進長尾算力與AI 企業的匹配，用於模型的訓練和推理。

· 演算法：Crypto 對演算法的賦能是實現去中心化AI 最核心的環節，也是V 神文章中「AI 作為目標」敘述的主要內容，創造去中心化的、可信賴的黑盒子AI，那麼前文所說的對抗式機器學習的問題則將得到解決，但將面臨極高的密碼學開銷等一系列阻礙。此外，「使用加密激勵來鼓勵製作更好的 AI」也可以在不完全陷入密碼學完全加密的兔子洞的情況下實現。

大型科技公司對資料和算力的壟斷共同造成了對模型訓練過程的壟斷，閉源模型成為大型企業獲利的關鍵。從基礎設施的角度，Crypto 透過經濟手段激勵資料和算力的去中心化供應，同時透過密碼學的方法保證過程中的資料隱私，並以此為基礎助力於去中心化的模型訓練，以實現更透明、更去中心化的AI。

5.1 去中心化資料協定

去中心化資料協定主要以資料眾包的形式開展，激勵用戶提供資料集或資料服務（如資料標註）用於企業進行模型訓練，並開設Data Marketplace 促進供需雙方的匹配，一些協議也正在探索透過DePIN 激勵協議，獲取使用者的瀏覽數據，或利用使用者的裝置/頻寬完成網路資料爬取。

· Ocean Protocol：對資料具體並代幣化，使用者可以透過無程式碼方式在Ocean Protocol 完成對資料/演算法的NFT 創建，同事創建相應的datatoken 來控制對資料NFT 的存取。 Ocean Protocol 透過 Compute To Data（C2D）來確保資料的隱私性，使用者只能獲得根據資料/演算法的輸出結果，而無法完整下載。 Ocean Protocol 於 2017 年成立，作為數據市場，在本輪熱潮中很自然地搭上了 AI 的快車。

· Synesis One：此專案是Solana 上的Train2Earn 平台，使用者透過提供自然語言的資料和資料標註來取得$ SNS 獎勵，使用者透過提供資料支援挖礦，資料在驗證後會進行儲存和上鏈，並由AI 公司用來訓練和推理。具體來說，挖礦者分為三類：Architect/Builder/Validator，Architect 負責建立新的資料任務，Builder 在相應的資料任務中提供語料，Validator 則對 Builder 提供的資料集進行驗證。完成的資料集會被存入 IPFS 中，並在鏈上保存資料來源和 IPFS 位址們同事會被儲存在鏈下的資料庫中供 AI 公司（目前為 Mind AI）使用。

· Grass：被稱為AI 的去中心化資料層，本質上是一個去中心化網路抓取市場，並以此獲得資料來用於AI 模型訓練。網路網站是重要的 AI 訓練資料來源，包括推特、Google、Reddit 在內的許多網站的資料都具有重要價值，但這些網站正在不斷對資料爬取加以限制。 Grass 利用個人網路中未使用的頻寬，透過使用不同的 IP 位址來減少資料封鎖帶來的影響，來抓取公共網站中的數據，完成資料初步清理，成為 AI 模型訓練企業和專案的資料來源。目前 Grass 正處於 Beta 測試階段，用戶可提供頻寬獲取積分以領取潛在空投。

· AIT Protocol：AIT Protocol 是去中心化資料標註協議，旨在為開發者提供高品質資料集用於模型訓練。 Web3 使得全球勞動力能夠快速接入網絡，並透過數據標註獲得激勵，AIT 的數據科學家將對數據進行預標註，隨後由用戶進行進一步處理，經過數據科學家檢查後，通過質量檢測的數據將提供給開發者。

除了上述資料提供和資料標註協議，曾經的去中心化存儲類基礎設施，如Filecoin、Arweave 等也將為更分散化的資料供給助力。

5.2 去中心化算力

AI 時代，算力的重要性不言而喻，不僅是英偉達的股價日攀高峰，在Crypto 世界，去中心化算力可以說是AI 賽道炒作最熱烈的細分方向——在市值前200 的11 個AI 項目中，做去中心化算力的項目就有5 個（Render/Akash/AIOZ Network/Golem/Nosana），並在過去幾個月中收穫了高倍漲幅。在小市值的專案中也看到許多去中心化算力的平台出現，雖然剛起步，但伴隨著英偉達大會的浪潮，只要是與 GPU 沾邊，都快速收穫了一波大漲。

從賽道特性來看，這個方向專案的基本邏輯高度同質化－透過代幣激勵使得擁有閒置算力資源的人或企業提供資源，並由此大幅降低使用費用，建立起算力的供需市場，目前，主要的算力供應來自於資料中心、礦工（尤其在以太坊轉為PoS 後）、消費級算力以及與其他項目的合作。雖然同質化，但這是一個頭部專案擁有較高護城河的賽道，專案的主要競爭優勢來自：算力資源、算力租賃價格、算力使用率以及其他技術優勢。這一賽道的龍頭項目包括 Akash、Render、io.net 和 Gensyn。

根據具體業務方向，項目可以被粗分為兩類：AI 模型推理和 AI 模型訓練。由於AI 模型訓練對算力和頻寬的要求遠高於推理，比分佈式推理的落地難度更大，且模型推理的市場快速擴展，可預測的收入將在未來大幅高於模型訓練，因此目前絕大多數專案主攻推理方向（Akash、Render、io.net），主攻訓練方向的龍頭即為Gensyn。其中，Akash 和Render 誕生較早，並非是為AI 計算而生，Akash 最初用於通用計算，Render 則主要應用於視頻和圖片渲染，io.net 則為AI 計算專門設計，但在AI 將算力需求提升了一個Level 後，這些項目都已傾向AI 的發展。

最重要的兩個競爭指標仍來自於供應端（算力資源）和需求端（算力使用率）。 Akash 擁有 282 個 GPU 和超過 2 萬個 CPU，已完成 16 萬次租賃，GPU 網路的使用率為 50-70%，在這條賽道上是一個不錯的數字。 io.net 擁有40272 個GPU 和5958 個CPU，同時擁有Render 的4318 個GPU 和159 個CPU、Filecoin 的1024 個GPU 的使用許可，其中包括約200 塊H100 和上千塊A100，目前已完成推理151,879次，io.net 正在用極高的空投預期吸引算力資源，GPU 的數據正在快速增長，需要等代幣上線後對其吸引資源的能力重新評估。 Render 和 Gensyn 則並未公佈具體數據。此外，許多專案正在透過生態合作來提高自己在供應與需求端的競爭力，如io.net 採用Render 和Filecoin 的算力來提高自己的資源儲備，Render 建立了計算客戶端計劃（RNP-004），讓使用者透過計算客戶端－io.net、Nosana、FedMl、Beam，來間接接入Render 的算力資源，從而快速從渲染領域過渡到人工智慧運算。

此外，去中心化計算的驗證依然是一個問題－如何證明擁有算力資源的工作者正確地執行了計算任務。 Gensyn 正在嘗試建立這樣一個驗證層，透過機率學習證明、基於圖的精確定位協議以及激勵來保證計算的正確性，其中的驗證者和舉報者共同對計算進行檢查，因此Gensyn 除了為去中心化訓練提供了算力支持，其建立的驗證機制也具有獨特價值。位於 Solana 上的計算協議 Fluence 同樣增加了對計算任務的驗證，開發人員可以透過檢查鏈上提供者發布的證明來驗證其應用程式是否按預期運行以及計算是否正確執行。但現實的需求依然是”可行“大於”可信“，計算平台必須首先具有足夠的算力才有競爭的可能，當然對於出色的驗證協議來說，可以選擇接入其他平台的算力，成為驗證層和協定層來發揮獨特作用。

5.3 去中心化模式

距離Vitalik 所描述的終極場景（下圖所示）還非常遙遠，我們目前還無法實現透過區塊鍊和加密技術創建一個可信的黑盒AI，來解決對抗性機器學習的問題，將資料訓練到查詢輸出的整個AI 運行過程進行加密處理是一筆非常大的開銷。但目前正在有專案嘗試透過激勵機制創建更好的AI 模型，首先打通了不同模型之間封閉的狀態，創造了模型之間相互學習、協作和良性競爭的格局，Bittensor 是其中最具代表性的專案.

· Bittensor：Bittensor 正在促進不同AI模型之間的組合，但值得注意的是，Bittensor 本身不進行模型的訓練，而是主要提供AI 推理的服務。 Bittensor 的 32 個子網路專注於不同的服務方向，如資料抓取、文字產生、Text2Image 等，在完成一項任務時，分屬不同方向的 AI 模型可以相互協作。激勵機制促進了子網路之間、以及子網路內部的競爭，目前獎勵以每塊1 個TAO 的速度發放，每日總計發放約7200 個TAO 代幣，SN0（根網路）中的64 個驗證器根據子網性能，決定了這些獎勵在不同子網之間的分配比例，子網驗證器則透過對礦工的工作評價，決定在不同礦工之間的分配比例，由此表現更好的服務、表現更好的模型獲得更多激勵，促進了系統整體推理品質的提升。

6 結論：MEME 炒作還是科技革命？

從Sam Altman 動向帶來ARKM 和WLD 的價格瘋漲，到英偉達大會帶飛一系列參會項目，很多人正在對AI 賽道的投資理念發生調整，AI 賽道究竟是MEME 炒作還是技術革命？

除了少數名人主題（如 ARKM 和 WLD），AI 賽道整體更像是「以科技敘事為主導的 MEME」。

一方面，Crypto AI 賽道的整體炒作一定是與Web2 AI 的進展緊密掛鉤的，OpenAI 為首的外部炒作將成為Crypto AI 賽道的導火線。另一方面，AI 賽道的故事依然以技術敘事為主，當然，這裡我們強調的是”技術敘事“而非”技術“，這就使得對AI 賽道細分方向的選擇和項目基本面的關注依然重要，我們需要找到有炒作價值的敘事方向，也需要找到有中長期競爭力和護城河的項目。

從 V 神提出的四類結合可能中，可以看到的是敘事魅力和落地可能性的相互權衡。在以AI 應用為代表的第一類和第二類中，我們看到了許多GPT Wrapper，產品落地快但業務同質化程度也較高，先發優勢、生態系統、用戶數量和產品收入則成為同質化競爭中可說的故事。第三類和第四類代表AI 與Crypto 結合的宏大敘事，如Agent 鏈上協作網絡、zkML、去中心化重塑AI，都處於早期階段，具有技術創新的項目將會快速吸引資金，即使只是很早期的落地展示。