Partnered With:

Web3+AI：社區主權的人工智慧

閱讀本文需 10 分鐘

1. Web3與AI的結合可以帶來社區主權的人工智慧，解決AI中心化、不透明等問題，同時利用區塊鏈技術優化AI產業的基礎設施建設。 2. Web3+AI產業圖景主要分為算力層、資料層、平台層和應用層四個面向，透過去中心化的方式降低成本、提高效率。 3. 算力層透過分散式算力網絡，利用閒置硬體資源，降低AI算力成本，同時透過代幣激勵擴展網絡規模。 4. 資料層透過Web3技術實現資料資產化，優化資料收集、標註和分散式儲存流程，並提高資料取得的低成本和透明性。 5. Web3+AI的發展前景仍存在分歧，但業界希望其能創造出比中心化AI更有價值的產品，實現社區化共治AI，減少人類對AI的恐懼。

原文標題：《Web3 + AI：社區主權的人工智慧》

原文來源：IOBC Capital

黃仁勳在杜拜的WGS 上演講時，提出了一個字“主權AI”。那麼，哪個主權的 AI 能符合 Crypto 社群的利益和訴求呢？

也許需要以 Web3+AI 的形式建構。

Vitalik 在「The promise and challenges of crypto + AI applications」一文中講述了AI 與Crypto 的協同效應：Crypto 的去中心化可以平衡AI 的中心化；AI 是不透明的，Crypto 帶來透明；AI 需要數據，區塊鏈有利於數據的儲存和追蹤。這種協同，貫穿在 Web3+AI 的整個產業圖像中。

大多數Web3 + AI 的專案是在利用區塊鏈技術解決AI 產業基礎設施專案的建設問題，少數專案是利用AI 解決Web3 應用的某些問題。

Web3 + AI 產業圖像大體如下：

AI 的生產與工作流程大致如下：

在這些環節中，Web3 與AI 的結合主要體現在四個面向：

1、算力層：算力資產化

1、算力層：算力資產化

近兩年來，用於訓練AI 大模型的算力呈指數級增長，基本每季就會翻一倍，以遠超摩爾定律的速度瘋狂增長。這種情況導致 AI 算力供需長期失衡，GPU 等硬體價格快速上漲，進而抬高了算力成本。

但同時，市場上也存在大量的中低階算力硬體閒置，可能這部分中低階硬體的單體算力無法滿足高性能需求。但若透過 Web3 的方式建置成分佈式算力網絡，透過算力租賃、共享的方式，打造去中心化的運算資源網絡，仍可滿足許多 AI 應用需求。由於是利用分散式的閒置算力，可顯著降低 AI 算力的成本。

算力層細分包括：

· 通用的去中心化算力（例如Arkash、Io.net 等）；
· 用於AI 訓練的去中心化算力（例如Gensyn、Flock.io 等）；
· 用於AI 推理的去中心化算力（例如Fetch.ai、Hyperbolic 等）；
· 用於3D 渲染的去中心化算力（例如The Render Network 等）。

Web3+AI 的算力資產化，核心優勢在於去中心化算力類項目，結合代幣激勵很容易擴展網絡規模，而且其計算資源成本低，具有高性價比，可滿足部分中低端的算力需求。

2、資料層：資料資產化

資料是 AI 的石油、血液。如果不依賴 Web3，一般只有巨頭企業手中才有大量的用戶數據，普通的新創公司很難取得廣泛的數據，用戶數據在 AI 產業的價值也並沒有回饋給用戶。透過 Web3+AI，可以讓資料收集、資料標註、資料分散式儲存等流程更低成本、更透明、更有利於使用者。

收集高品質資料是AI 模型訓練的前置條件，透過Web3 的方式，可以利用分散式網絡，結合適當的Token 激勵機制，採用眾包收集的方法，以較低成本獲取高品質且廣泛的數據。

根據專案用途，資料類別項目主要包括以下幾類：

· 資料收集類項目（例如Grass 等）；

· 資料交易類項目（例如Ocean Protocol 等）；

· 資料標註類別項目（例如Taida、Alaya 等）；

· 區塊鏈資料來源類別專案（例如Spice AI、Space and time 等）；

· 去中心化儲存類別專案（例如Filecoin、Arweave 等）。

資料類 Web3+AI 項目，在設計 Token 經濟模型的過程中更有挑戰性，因為資料比算力更難標準化。

3、平台層：平台價值資產化

平台類項目大多會對標Hugging Face，以整合AI 產業各類資源為核心。建立一個平台，聚合數據、算力、模型、AI 開發者、區塊鏈等各種資源和角色的鏈接，以平台為中心，更便捷地解決各種需求。例如Giza，專注於建立全面的zkML 營運平台，旨在使機器學習的推理變得可信和透明，因為資料和模型黑盒是目前AI 中普遍存在的問題，透過Web3 的方式採用ZK、FHE 等密碼學技術來驗證模型的推理確實有正確執行，是遲早會被業界呼籲的。

也有做 Focus AI 的 Layer1/ Layer2，例如 Nuroblocks、Janction 等。核心敘事是連結了各類算力、資料、模型、AI 開發者、節點等資源，透過包裝通用元件、通用 SDK 的方式，幫助 Web3+AI 類應用實現快速建置和發展。

還有 Agent Network 類別的平台，基於這類平台可以為各種應用場景建立 AI Agent，例如 Olas、ChainML 等。

平台類的 Web3+AI 項目，主要以 Token 捕捉平台價值的方式，激勵平台各參與方共建。對於新創專案從 0-1 的過程比較有幫助，可以減少專案方尋找算力、資料、AI 開發者社群、節點等合作方的難度。

4、應用層：AI 價值資產化

前面的基礎設施類別的項目，多數是利用區塊鏈技術解決AI 產業基礎設施項目建設的問題。應用層專案則較多利用 AI 解決 Web3 應用程式存在的問題。

例如 Vitalik 在文章中提到兩個方向，我覺得很有意義。

一是 AI 作為 Web3 參與者。例如：Web3 Games 中，AI 可以作為一個遊戲玩家，它可以快速理解遊戲規則，並且最有效率地完成遊戲任務；DEX 中，AI 已經在套利交易中發揮作用很多年了；Prediction markets（預測市場）中，AI Agent 可以透過廣泛接受大量資料、知識庫和訊息，訓練其模型的分析預測能力，並產品化提供給用戶，幫助用戶以模型推理的方式對特定事件作出預測，例如體育賽事、總統大選等。

二是創建可擴展的去中心化的私人 AI。因為許多用戶擔心 AI 的黑盒問題，擔心系統有偏見；或擔心存在某些 dApps 透過 AI 技術欺騙用戶來獲利。本質上是因為使用者對 AI 的模型訓練和推理過程沒有審查權限和治理權限。但如果創建一個 Web3 的 AI，像 Web3 專案一樣，社群對這個 AI 有分散式治理權，可能會更容易被接受。

截至目前，在 Web3+AI 應用層尚未出現天花板很高的白馬專案。

總結

Web3 + AI 還很早期，業界對這個賽道的發展前景也是有分歧的，我們會對這個賽道持續關注。我們希望 Web3 與 AI 的結合能創造出比中心化 AI 更有價值的產品，讓 AI 擺脫「巨頭控制」、「壟斷」這些標籤，以更社群化的方式來「共治 AI」。或許在更近距離參與、治理過程中，人類對 AI 會多一分「敬畏」、少一分「恐懼」。