第一部分

乍看之下，AI和Web3似乎是独立的技术，每个技术都基于根本不同的原理，提供不同的功能。然而，深入探索表明，这两种技术有潜力平衡彼此的权衡，并通过其独特的优势互补和增强。Balaji Srinivasan在SuperAI会议上生动地阐述了这种互补能力的概念，引发了对这些技术如何相互作用的详细比较。

代幣是從底層向上發展，是由匿名網絡愛好者的去中心化努力崛起，並在全球眾多獨立實體的共同努力下，在十年之間不斷演變。相反，人工智能是通過自上而下的方式發展的，由少數主導產業步伐和動態的科技巨頭主導。在人工智能領域，進入門檻更多地取決於資源密集度，而非技術複雜性。

這兩種技術也具有根本不同的性質。令牌是產生不可變結果的確定性系統，例如哈希函數或零知識證明的可預測性。這與人工智慧的概率性和通常不可預測的性質形成鮮明對比。

同樣地，加密技術在驗證方面表現出色，確保交易的真實性和安全性，並建立無需信任的流程和系統，而人工智能則專注於生成豐富的數字內容。然而，在創建數字內容方面，確保內容來源和防止身份盜竊是面臨的挑戰。

幸運的是，代幣為數字豐富帶來了對比——數字稀缺。它們提供了相對成熟的工具，可以應用於人工智能技術，以確保內容來源和解決身份盗竊問題。

代幣的一個顯著優勢是它們能夠吸引大量硬體和資本進入協調的網絡，以實現特定目標。這種能力對於人工智能特別有益，因為人工智能消耗大量的計算能力。調動未充分利用的資源來提供更實惠的計算能力，可以顯著增強人工智能的效率。

通過比較這兩種技術，我們不僅欣賞它們各自的貢獻，而且看到它們如何共同為技術和經濟開闢新的道路。每一項技術都可以解決另一項技術的缺點，創造一個更加集成和創新的未來。這篇博文旨在探索新興的 AI X Web3 行業格局，重點關注這些技術交叉點的一些新垂直領域。

來源：iosg ventures

第二部分

2.1 計算網路

• 行業格局首先介紹了旨在解決有限的GPU供應問題和探索降低計算成本的計算網絡。值得注意的方面包括:
• 非統一的GPU互操作性：這一雄心勃勃的嘗試涉及高風險和不確定性，但如果成功，它可以通過使所有計算資源可互換，創造出重大的規模和影響。這個想法是開發編譯器和其他必要條件，允許在供應方使用任何硬件資源，同時在需求方抽象硬件的非統一性。這將使計算請求能夠被路由到網絡中的任何資源，潛在地減少對目前在人工智能開發者中佔主導地位的CUDA軟件的依賴。儘管有潛在的益處，但許多專家對這種方法的可行性持高度懷疑。
• 高性能GPU聚合：此方法著重於將全球最受歡迎的GPU集成到一個分佈式、無需權限的網絡中，而無需擔心非統一GPU資源之間的互通性問題。
• 商品消費級GPU聚合：這涉及聚合消費者設備中可用的低性能GPU，它們是供應端中最未充分利用的資源之一。它迎合那些願意為更便宜和更長的訓練過程而犧牲性能和速度的人。

2.2 訓練和推論

計算網路主要用於兩個主要功能：訓練和推理。對這些網路的需求來自 Web 2.0 和 Web 3.0 專案。在 Web 3.0 空間中，像 Bittensor 這樣的專案利用計算資源進行模型微調。對於推理，Web 3.0 項目強調過程的可驗證性。這種關注導致了可驗證推理作為垂直市場的出現，專案探索如何在保持去中心化原則的同時將人工智慧推理集成到智能合約中。

2.3 智能代理平台

• 接下來是智能代理平台，該平台概述了該類別初創企業需要解決的核心問題：
• 代理互操作性和發現和通信能力：代理可以相互發現和通信。
• 代理集群建立和管理能力：代理可以形成集群並管理其他代理。
• AI代理擁有權和市場：為AI代理提供擁有權和市場。
• 這些功能強調了靈活和模塊化系統的重要性，這些系統可以無縫集成到各種區塊鏈和人工智能應用中。人工智能代理有潛力改變我們與互聯網的互動方式，我們相信代理將利用基礎設施來支持他們的運營。我們設想人工智能代理將依賴基礎設施以以下方式：
• 使用分佈式爬蟲網絡訪問實時網絡數據
• 使用 DeFi 渠道進行代理間支付
• 不僅要通過經濟性的存款對不當行為進行懲罰，還要提高代理商的可發現性（即在發現過程中使用存款作為經濟信號）
• 使用共識來決定哪些事件應該導致處罰
• 開放互操作標準和代理框架，以支援構建可組合的集體
• 根據不可變數據歷史評估過去的表現並在實時中選擇合適的代理集合

資料來源：IOSG Ventures

2.4 資料層

在ai和web3的整合中，數據是一個核心組成部分。數據在ai競爭中是一個戰略資產，與計算資源一起構成關鍵資源。然而，這一類別經常被忽視，因為大多數行業的注意力都集中在計算層上。實際上，在數據獲取的過程中，基元提供了許多有趣的價值方向，主要包括以下兩個高級方向：

訪問公共互聯網數據

存取受保護的資料

訪問公共互聯網數據：這個方向旨在構建一個分佈式爬蟲網絡，能夠在幾天內爬遍整個互聯網，獲取大量數據集或實時訪問非常具體的互聯網數據。然而，要在互聯網上爬取大量數據集，網絡需求非常高，至少需要幾百個節點才能開始進行一些有意義的工作。幸運的是，分佈式爬蟲節點網絡Grass已經擁有超過200萬個節點，積極與網絡共享互聯網帶寬，旨在爬遍整個互聯網。這證明了經濟激勵在吸引有價值的資源方面具有巨大潛力。

雖然草地為公共數據提供了公平的競爭環境，但利用潛在數據的挑戰——特別是訪問專有數據集——仍然存在。具體來說，由於其敏感性質，仍然有大量數據以受隱私保護的方式存儲。許多初創企業正在使用加密工具，這些工具使AI開發人員能夠利用專有數據集的基礎數據結構來構建和微調大型語言模型，同時保持敏感信息的私密性。

聯邦學習、差分隱私、可信執行環境、完全同態加密和多方計算等技術提供了不同級別的隱私保護和權衡。百吉餅的研究論文總結了這些技術的出色概述。這些技術不僅可以在機器學習過程中保護數據隱私，還可以在計算層實現全面的隱私保護AI解決方案。

2.5 數據和模型來源

數據和模型來源技術旨在建立流程，以確保用戶正在與預期的模型和數據進行交互。此外，這些技術提供了真實性和來源的保證。例如，數據水印技術，一種模型來源技術，將簽名直接嵌入機器學習算法中，更具體地說，是將簽名嵌入模型權重中，這樣在檢索期間可以驗證推理是否來自預期的模型。

2.6 應用程式

在應用方面，設計可能性是無限的。在上面的行業景觀中，我們列舉了一些特別期待的開發案例，因為人工智能技術應用於Web 3.0領域。由於這些使用案例大多是不言自明的，我們將不再進一步評論。然而，值得注意的是，人工智能與Web 3.0的交集有潛力重新塑造該領域內的許多垂直領域，因為這些新的基本元素為開發人員提供了更多創造創新用例和優化現有用例的自由。

第三部分

摘要

人工智慧和web3的整合帶來了充滿創新和潛力的格局。通過充分利用每項技術的獨特優勢，我們可以應對各種挑戰，開辟新的技術途徑。在探索這一新興行業的同時，人工智慧和web3之間的協同作用可以推動進步，重塑我們未來的數位體驗，改變我們在線互動的方式。

數字稀缺和數字豐富的融合，利用未充分利用的資源實現計算效率，並建立安全、保護隱私的數據實踐，將定義下一代技術演進的時代。

然而，我們必須承認，這個行業仍處於起步階段，目前的格局可能很快就會過時。快速的創新步伐意味著，今天的尖端解決方案可能很快就會被新的突破所取代。然而，討論的基本概念——如計算網絡、代理平台和數據協議——凸顯了將人工智能與Web3整合的巨大可能性。

免责声明：

1. 本文轉載自 [深潮TechFlow], 版權屬於原作者 [iosg ventures],如果您对转载有任何异议，请联系Gate learn團隊將根據相關程序儘快處理。

2. 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，並不構成任何投資建議。

3. 文章的其他語言版本由Gate learn團隊翻譯，並未提到Gate.io，翻譯文章不得複製、分發或剽竊。