加密 X AI 不火了？ 速覽你可能忽略的高潛力敘事方向

作者：Crypto, Distilled

編譯：深潮TechFlow

?

加密與 AI：是否已走到盡頭？

2023 年，Web3-AI 一度成為熱門話題。

但如今，它充斥著模仿者和無實(shí)際用途的巨額項(xiàng)目。

以下是需要避免的誤區(qū)和應(yīng)關(guān)注的重點(diǎn)。

概述

IntoTheBlock 的 CEO?@jrdothoughts?最近在一篇文章中分享了他的見解。

他討論了：

a. Web3-AI 的核心挑戰(zhàn)

b. 被過度炒作的趨勢(shì)

c. 具有高潛力的趨勢(shì)

我已為你提煉出每個(gè)要點(diǎn)！讓我們一探究竟：

市場(chǎng)現(xiàn)狀

當(dāng)前的 Web3-AI 市場(chǎng)被過度炒作和資助。

許多項(xiàng)目與 AI 行業(yè)的實(shí)際需求脫節(jié)。

這種脫節(jié)帶來了困惑，但也為有洞察力的人創(chuàng)造了機(jī)會(huì)。

（致謝?@coinbase）

核心挑戰(zhàn)

Web2 和 Web3 AI 之間的差距正在擴(kuò)大，主要原因有三：

1. 有限的 AI 研究人才

2. 受限的基礎(chǔ)設(shè)施

3. 不足的模型、數(shù)據(jù)和計(jì)算資源

生成式 AI 基礎(chǔ)

生成式 AI 依賴于模型、數(shù)據(jù)和計(jì)算資源三大要素。

目前，還沒有主要模型針對(duì) Web3 基礎(chǔ)設(shè)施進(jìn)行了優(yōu)化。

最初的資金支持了一些與 AI 現(xiàn)實(shí)脫節(jié)的 Web3 項(xiàng)目。

被高估的趨勢(shì)

盡管有很多炒作，并非所有 Web3-AI 的趨勢(shì)都值得關(guān)注。

以下是?@jrdothoughts?認(rèn)為最被高估的一些趨勢(shì)：

a. 去中心化的?GPU?網(wǎng)絡(luò)

b. ZK-AI 模型

c. 推理證明 （致謝?@ModulusLabs）

去中心化的 GPU 網(wǎng)絡(luò)

這些網(wǎng)絡(luò)承諾民主化 AI 訓(xùn)練。

但現(xiàn)實(shí)情況是，在去中心化基礎(chǔ)設(shè)施上訓(xùn)練大型模型既慢又不切實(shí)際。

這一趨勢(shì)尚未兌現(xiàn)其高遠(yuǎn)的承諾。

零知識(shí) AI 模型

零知識(shí) AI 模型在隱私保護(hù)方面看起來很有吸引力。

但實(shí)際上，它們計(jì)算成本高且難以解釋。

這使得它們?cè)诖笠?guī)模應(yīng)用中不太實(shí)際。

（致謝?@oraprotocol?）

圖中信息：

b) 目前，開銷高達(dá) 1000 倍。

然而，這種方法距離實(shí)用化還有很大差距，尤其是對(duì)于 Vitalik 所描述的那些用例。以下是一些例子：

• zkML 框架 EZKL 需要大約 80 分鐘才能生成一個(gè) 1M-nanoGPT 模型的證明。

• 根據(jù) Modulus Labs 的數(shù)據(jù)，zkML 的開銷比純計(jì)算高出 1000 倍以上，最新報(bào)告顯示為 1000 倍。

• 根據(jù) EZKL 的基準(zhǔn)測(cè)試，RISC Zero 在隨機(jī)森林分類任務(wù)中的平均證明時(shí)間為 173 秒。

推理證明

推理證明框架為 AI 輸出提供加密證明。

然而，?@jrdothoughts?認(rèn)為這些解決方案解決的是并不存在的問題。

因此，它們?cè)诂F(xiàn)實(shí)世界中的應(yīng)用有限。

高潛力趨勢(shì)

雖然有些趨勢(shì)被過度炒作，但另一些趨勢(shì)則具有顯著潛力。

以下是一些被低估的趨勢(shì)，可能提供真正的機(jī)會(huì)：

a. 具備錢包的?AI?智能體

b. 加密貨幣為?AI?提供資金

c. 小型基礎(chǔ)模型

d.?合成數(shù)據(jù)生成

具備錢包的 AI 智能體

想象一下，AI 智能體通過加密貨幣擁有金融能力。

這些智能體可以雇傭其他智能體或質(zhì)押資金以確保質(zhì)量。

另一個(gè)有趣的應(yīng)用是“預(yù)測(cè)智能體”，如?@vitalikbuterin?所提到的。

加密貨幣為 AI 提供資金

生成式 AI 項(xiàng)目通常面臨資金短缺。

加密貨幣的高效資本形成方法，如空投和激勵(lì)，為開源 AI 項(xiàng)目提供了關(guān)鍵的資金支持。

這些方法有助于推動(dòng)創(chuàng)新。（致謝?@oraprotocol）

小型基礎(chǔ)模型

小型基礎(chǔ)模型，例如微軟的 Phi 模型，展示了少即是多的理念。

具有 1B-5B 參數(shù)的模型對(duì)去中心化 AI 至關(guān)重要，能夠提供強(qiáng)大的設(shè)備端 AI 解決方案。

（來源：@microsoft）

合成數(shù)據(jù)生成

數(shù)據(jù)稀缺是 AI 發(fā)展的主要障礙之一。

通過基礎(chǔ)模型生成的合成數(shù)據(jù)可以有效補(bǔ)充現(xiàn)實(shí)世界的數(shù)據(jù)集。

克服炒作

最初的 Web3-AI 熱潮主要集中在一些脫離實(shí)際的價(jià)值主張上。

@jrdothoughts?認(rèn)為，現(xiàn)在應(yīng)將重點(diǎn)轉(zhuǎn)向構(gòu)建實(shí)際可行的解決方案。

隨著注意力轉(zhuǎn)移，AI 領(lǐng)域依然充滿機(jī)會(huì)，等待敏銳的目光去發(fā)現(xiàn)。

本文僅供教育用途，非財(cái)務(wù)建議。非常感謝?@jrdothoughts?提供的寶貴見解。