AI+Web3：塔樓與廣場

要點

1. AI概念的Web3項目在一二級市場成爲吸金標的。

2. Web3在AI行業的機會體現在：利用分布式激勵協調長尾中的潛在供應，涉及數據、存儲和計算；同時，建立開源模型以及AI Agent的去中心化市場。

3. AI在Web3行業主要應用於鏈上金融（加密支付、交易、數據分析）以及輔助開發。

4. AI+Web3的效用體現在兩者的互補：Web3有望對抗AI集中化，AI有望幫助Web3破圈。

引言

近兩年，AI的發展呈現加速態勢。由Chatgpt引發的生成式人工智能浪潮，也在Web3領域掀起了巨大波瀾。

在AI概念的加持下，加密市場融資明顯提振。據統計，2024上半年就有64個Web3+AI項目完成融資，其中基於人工智能的操作系統Zyber365在A輪實現1億美元的最高融資額。

二級市場更爲繁榮，加密聚合網站Coingecko數據顯示，短短一年多時間，AI賽道總市值已達485億美元，24小時交易量接近86億美元。主流AI技術進展帶來明顯利好，OpenAI的Sora文本轉視頻模型發布後，AI板塊平均價格漲151%。AI效應同樣輻射至加密貨幣吸金板塊之一Meme：首個AI Agent概念的MemeCoin GOAT迅速走紅並獲14億美金估值，成功掀起AI Meme熱潮。

關於AI+Web3的研究和話題同樣火熱，從AI+Depin到AI Memecoin再到當前的AI Agent和AI DAO，新敘事輪換速度讓FOMO情緒難以跟上。

AI+Web3這個充滿熱錢、風口和未來幻想的術語組合，難免被視作一場被資本撮合的包辦婚姻。我們很難分辨在這華麗外表之下，到底是投機者的主場，還是黎明爆發的前夜？

要回答這個問題，關鍵在於思考：有對方它會變得更好嗎？是否能從對方的模式中受益？本文試圖站在前人肩膀上審視這一格局：Web3如何能在AI技術堆棧各環節發揮作用，AI又能給Web3帶來什麼新的生機？

AI堆棧下Web3的機會

在展開這個話題前，我們需要了解AI大模型的技術堆棧：

大模型就像人類大腦，早期階段如同剛降生的嬰兒，需要觀察攝入海量外界信息去理解世界，這是數據"收集"階段。由於計算機不具備人類多感官，訓練前需要通過"預處理"將無標注信息轉化爲計算機可理解的格式。

輸入數據後AI通過"訓練"構建具有理解和預測能力的模型，類似嬰兒逐漸理解學習外界的過程，模型參數如同嬰兒不斷調整的語言能力。學習內容分科或與人交流獲得反饋並修正，進入"微調"環節。

孩童長大學會說話後，能在新對話中理解意思並表達感受和想法，類似AI大模型的"推理"，模型能對新的語言和文本輸入進行預測分析。嬰兒通過語言能力表達感受、描述物體和解決問題，類似AI大模型完成訓練後在推理階段應用於各類特定任務，如圖像分類、語音識別等。

AI Agent則更接近大模型的下一形態——能獨立執行任務並追求復雜目標，不僅具備思考能力，還能記憶、規劃，且能運用工具與世界互動。

針對AI各堆棧的痛點，Web3目前初步形成了多層次、互連的生態系統，涵蓋AI模型流程各階段。

基礎層：算力與數據的Airbnb

算力

當前，AI的最高成本之一是訓練模型與推理模型所需的算力與能源。

例如，Meta的LLAMA3需要16000個NVIDIA H100GPU 30天才能完成訓練。H100 80GB版單價3-4萬美元，這需要4-7億美元計算硬件投資（GPU+網路芯片），每月訓練消耗16億千瓦時，能源支出近2000萬美元。

對AI算力的解壓，也是Web3最早與AI交叉的領域——DePin（去中心化物理基礎設施網路）。DePin Ninja數據網站已列出1400多個項目，GPU算力共享代表項目包括io.net、Aethir、Akash、Render Network等。

主要邏輯是：平台允許閒置GPU資源擁有者以無需許可的去中心化方式貢獻計算能力，通過類Uber或Airbnb的在線市場，提高未充分利用的GPU資源使用率，終端用戶獲得更低成本的高效計算資源；同時，質押機制確保資源提供者違反質量控制或中斷網路時有相應懲罰。

特點包括：

• 聚集閒置GPU資源：供應方主要爲第三方獨立中小型數據中心、加密礦場等運營商過剩算力資源、PoS共識機制的挖礦硬件，如FileCoin與ETH礦機。部分項目致力於啓動門檻更低的設備，如exolab利用MacBook、iPhone、iPad等本地設備建立運行大模型推理的算力網路。

• 面向AI算力的長尾市場： a. 技術端：去中心化算力市場更適合推理步驟。訓練更依賴超大集羣規模GPU的數據處理能力，而推理對GPU運算性能要求相對較低，如Aethir專注低延遲渲染工作和AI推理應用。 b. 需求端：中小算力需求方不會單獨訓練自己的大模型，而只是選擇圍繞少數頭部大模型進行優化、微調，這些場景天然適合分布式閒置算力資源。

• 去中心化所有權：區塊鏈技術意義在於資源所有者始終保留對資源的控制權，可根據需求靈活調整，同時獲得收益。

數據

數據是AI的地基。沒有數據，計算如浮萍般毫無用處。數據與模型關係如"Garbage in, Garbage out"俗諺，數據量與輸入質量決定最終模型輸出質量。對當前AI模型訓練而言，數據決定了模型的語言能力、理解能力、甚至價值觀以及人性化表現。目前，AI的數據需求困境主要集中在以下四方面：

• 數據飢渴：AI模型訓練依賴海量數據輸入。公開資料顯示，OpenAI訓練GPT-4的參數量達萬億級別。

• 數據質量：隨着AI與各行業結合，數據時效性、多樣性、垂類數據專業性、新興數據源如社交媒體情緒攝入對其質量提出新要求。

• 隱私與合規問題：各國家、企業逐漸注意到優質數據集重要性，正在對數據集爬取進行限制。

• 數據處理成本高昂：數據量大，處理過程復雜。公開資料顯示，AI公司超30%研發成本用於基礎數據採集、處理。

目前，web3的解決方案體現在以下四個方面：

1. 數據收集：免費提供的真實世界數據正迅速耗盡，AI公司爲數據付費支出逐年升高。但這份支出並未反哺給數據真正貢獻者，平台全然享受了數據帶來的價值創造，如Reddit通過與AI公司籤訂數據授權協議實現合計2.03億美元收入。

讓真正貢獻的用戶同樣參與數據帶來的價值創造，以及通過分布式網路與激勵機制，以低成本方式獲取用戶更私人、更具價值的數據，是Web3的願景。

• Grass是去中心化數據層和網路，用戶可通過運行Grass節點，貢獻閒置帶寬和中繼流量用以捕獲整個互聯網中的實時數據，並獲取代幣獎勵。

• Vana引入獨特的數據流動性池（DLP）概念，用戶可將私人數據（如購物記錄、瀏覽習慣、社交媒體活動等）上傳至特定DLP，並靈活選擇是否授權給特定第三方使用。

• 在PublicAI中，用戶可在X上使用#AI或#Web3作爲分類標籤並@PublicAI即可實現數據收集。

2. 數據預處理：AI數據處理過程中，由於收集的數據通常嘈雜且包含錯誤，必須在訓練模型前清理並轉換爲可用格式，涉及標準化、過濾和處理缺失值的重復任務。此階段是AI行業爲數不多的人工環節，已衍生出數據標注師這一行業，隨着模型對數據質量要求提高，數據標注師門檻也隨之提升，而這一任務天然適合Web3的去中心化激勵機制。

• Grass與OpenLayer都正考慮加入數據標注這一關鍵環節。

• Synesis提出"Train2earn"概念，強調數據質量，用戶可通過提供標注數據、注釋或其他形式輸入獲得獎勵。

• 數據標注項目Sapien將標記任務遊戲化，並讓用戶質押積分以賺取更多積分。

3. 數據隱私與安全：需釐清數據隱私與安全是兩個不同概念。數據隱私涉及敏感數據處理，數據安全則保護數據信息免遭未經授權的訪問、破壞和盜竊。由此，Web3隱私技術優勢和潛在應用場景體現在兩方面：(1)敏感數據訓練；(2)數據協作：多個數據所有者可共同參與AI訓練，而無需共享原始數據。

當前Web3較普遍的隱私技術包括：

• 可信執行環境(TEE)，例如Super Protocol。

• 完全同態加密（FHE)，例如BasedAI、Fhenix.io或Inco Network。

• 零知識技術（zk），如Reclaim Protocol使用zkTLS技術，生成HTTPS流量的零知識證明，允許用戶從外部網站安全導入活動、聲譽和身分數據，而無需暴露敏感信息。

不過，目前該領域仍處早期階段，大部分項目仍在探索中，當前困境是計算成本太高，例如：

• zkML框架EZKL需約80分鍾才能生成1M-nanoGPT模型的證明。

• 根據Modulus Labs數據，zkML開銷比純計算高出1000倍以上。

4. 數據存儲：有了數據後，還需要一個地方在鏈上存儲數據，以及使用該數據生成的LLM。以數據可用性（DA）爲核心問題，在以太坊danksharding升級之前，其吞吐量爲0.08MB。同時，AI模型訓練和實時推理通常需要每秒50到100GB的數據吞吐量。這種數量級差距，讓現有鏈上解決方案在面對"資源密集型AI應用時"力不從心。

• 0g.AI是這類別的代表項目。它是針對AI高性能需求設計的中心化存儲解決方案，關鍵特性包括：高性能與擴展性，通過高級分片（Sharding）和糾刪碼（Erasure Coding）技術，支持快速上傳和下載大規模數據集，數據傳輸速度接近每秒5GB。

中間件：模型的訓練與推理

開源模型去中心化市場

有關AI模型閉源還是開源的爭論從未消失。開源帶來的集體創新是閉源模型無法比擬的優勢，然而在毫無盈利模式前提下，開源模型如何提高開發者驅動力？是值得思考的方向，百度創始人李彥宏曾在今年4月斷言，"開源模型會越來越落後。"

對此，Web3提出一個去中心化開源模型市場的可能性，即對模型本身進行代幣化，爲團隊保留一定比例代幣，並將該模型部分未來收入流向代幣持有者。

• Bittensor協議建立開源模型的P2P市場，由數十個"子網"組成，資源提供者（計算、數據收集/存儲、機器學習人才）相互競爭，以滿足特定子網所有者目標，各子網可交互並相互學習，實現更強大智能。獎勵由社區投票分配，並根據競爭表現進一步分配