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能應該以怎么的方式去結合，以及這個過程中出現的潛在挑战。在這篇文章發布後的一個月，文章中提到的NMR、Near、WLD都收獲了不錯的漲幅，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，而开源是從密碼學角度讓鏈上行爲具備上述特點的關鍵基礎。在過去幾年中，這個方式在區塊鏈的幾輪變革中是適用的，但是當人工智能參與其中後，情況發生一些變化。

試想通過人工智能來設計區塊鏈或者應用的架構，那么模型就有开源的必要，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者應用中加入人工智能時，以何種方式，怎樣的深度去完成結合。

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，闡述了人工智能和區塊鏈在核心特質上的差異。如上圖所示，人工智能的特點是：

• 中心化

• 低透明度

• 耗能

• 壟斷性

• 貨幣化屬性弱

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

Vitalik按照上述准則以及自身的思考，將人工智能與區塊鏈結合而成的應用分爲4大類：

• 人工智能作爲應用中的參與者（AI as a player in a game）

• 人工智能作爲應用的接口（AI as an interface to the game）

• 人工智能作爲應用的規則（AI as the rules of the game）

• 人工智能作爲應用的目標（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，並由此爲整個Crypto引入了不同程度的系統風險：

• 人工智能作爲應用的參與者：人工智能本身不會對人類的決策和行爲產生影響，因此不會爲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。

• 人工智能作爲應用的接口：人工智能對人類的決策和行爲提供輔助信息或輔助工具，將提高用戶和开發者體驗，降低門檻，但錯誤的信息或操作將爲真實世界帶來一定的風險。

• 人工智能作爲應用的規則：人工智能將全權代替人類完成決策和操作，因此人工智能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能去代替人類進行決策。

最後，第四類項目致力於利用Crypto的特性創造更好的人工智能，正如前文所說，中心化、低透明度、耗能、壟斷性和貨幣屬性弱，都可以天然地通過Crypto的屬性去中和。盡管許多人對Crypto能否對人工智能的發展產生影響力抱有懷疑，但通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，這一賽道也憑借其宏大構想成爲AI賽道炒作最熱烈的部分。

2 AI作爲參與者

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成爲接口，甚至成爲規則之前，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，最終通過一個鏈上機制獲得獎勵或受到懲罰。

AI作爲參與者，相比於作爲接口和規則來說，對用戶和整個系統的風險性基本可以忽略不計，可以說是AI开始深度影響用戶決策和行爲前的必經階段，因此人工智能與區塊鏈在這一層的融合所需要的成本和取舍相對較小，也是V神認爲現在具有高度可落地性的一類產品。

從廣義和實現程度上來說，現在的AI應用多屬於這一類別，比如AI賦能的trading bot和chatbot等，目前的落地程度還很難實現AI作爲接口甚至是規則的作用，用戶正在不同的bot中進行比較和逐步優化，加密用戶也尚未養成使用AI應用的行爲習慣。在V神的文章中，也將Autonomous Agent歸爲這一類。

但從狹義和遠期愿景上來說，我們傾向於對AI應用或AI Agent進行更爲細致的劃分，因此在這一類目下，我們認爲具有代表性的細分賽道包括：

2.1 AI遊戲

從某種程度上說，AI遊戲都可以被歸爲這個類別，玩家通過與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者在遊戲機制中更具有战鬥力和競爭力。遊戲是AI在切入現實世界前的一個過渡階段，也是目前落地風險性較低、最容易被普通用戶理解的一個賽道，標志性的項目如AI Arena、Echelon Prime、Altered State Machine等。

• AI Arena：AI Arena是一款玩家可以通過AI學習和訓練，使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普通用戶能夠接觸、了解和體驗AI，同時讓人工智能工程師能基於AI Arena提供各種AI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，存儲在IPFS上，一個新的NFT中的參數時隨機生成的，意味着其將執行隨機動作，用戶需要通過模仿學習（IL）的過程提升角色的策略能力，每次用戶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，而是爲AI Agent進行確權和交易的協議，定位爲元宇宙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進行確權並交易，每個Agent將包含三個部分：Brain（Agent的自身特性）、Memories（存儲Agent學到的行爲策略，及模型訓練的部分，與Brain綁定）、Form（角色外觀等）。ASM擁有一個Gym模塊，包括去中心化的GPU雲提供商，可以爲Agent提供算力支持。 目前以ASM作爲底層的項目包括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正在开發Parallel Colony，這是一款基於AI LLM的遊戲，玩家可以與你的AI Avatar進行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進行未來決策和行爲的基礎，在AI模型被用於實際預測前，預測競賽在更高等級上對AI模型的表現進行比較，通過代幣爲數據科學家/AI模型提供激勵，這對於整個Crypto×AI的發展具有積極意義——通過激勵不斷开發效率和性能更強、更適合crypto世界的模型和應用，在AI對決策和行爲發揮更深刻影響前，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。這一賽道中的標志性項目包括：Numerai和Ocean Protocol。

• Numerai：Numerai是一個已經運行了很久的數據科學競賽，數據科學家根據歷史的市場數據（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，協議共計向數據科學家提供了$75,760,979的激勵。Numerai正在激勵全球數據科學家合作來構建新型對衝基金，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→衆包預測模型→基於衆包模型的新型對衝基金。

• Ocean Protocol：Ocean Predictoor正在關注預測，开始於加密貨幣走勢的衆包預測。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（比如五分鐘後）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購买預測結果並可以根據其進行交易，在預測結果准確率較高時，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的購买費用作爲獎勵。3月2日，Ocean Predictoor在媒體上公布了最新方向——World-World Model（WWM），开始探索對天氣、能源等現實世界的預測。

3 AI作爲接口

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，如錢包交互時的風險提示、AI驅動的意圖交易、能夠回答普通用戶crypto問題的AI Chatbot等等。對受衆群體進行擴大，除了普通用戶，开發者、分析師等等在內的幾乎所有群體，都將成爲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爲，但正在利用AI模型爲人類提供輔助決策和行爲的信息和工具。從這一層开始，AI作惡的風險已經开始暴露在系統中——可以通過提供錯誤的信息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代碼編寫、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，通過集成TG和Discord，可以爲用戶提供：代幣數據分析、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集成入群聊來對一些信息進行自動回復。PaaL支持定制個人bot，用戶可通過投喂數據集，構建自己的AI知識庫和自定義bot。PaaL正在向AI Trading Bot進發，2月29日宣發了其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，人工智能助手可降低用戶使用門檻。

• ChainGPT：ChainGPT依靠人工智能开發了一系列crypto工具，如chatbot、NFT生成器、新聞集合、智能合約生成與審計、交易助手、Prompt市場和AI跨鏈交換。但ChainGPT目前的發力方向在於項目孵化和Launchpad，目前已完成24個項目的IDO和4個Free Giveaways。

• Arkham：Ultra是Arkham的專用AI引擎，用例是通過算法將地址與現實中實體進行匹配，以提高加密行業的透明度。Ultra基於用戶提供以及自身收集的鏈上鏈下數據，將之合並，並輸出成可拓展的數據庫，最終以圖表方式呈現。但Arkham文檔中並未對Ultra系統有詳細論述，本輪Arkham受到關注的原因爲OpenAI創始人Sam Altman對其的個人投資，過去30天收獲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將自動化流程可視化，用戶可以通過拖拽節點的方式創建自動化任務，並使用GraphLinq Engine執行。盡管不需要代碼，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能和自然語言，來完成自動化任務的構建和管理。

• **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开發者中心。其中AI反Rug檢測將檢測可疑行爲，如過高稅收或抽走流動性，防止用戶受騙，AI开發者中心利用機器學習技術生成智能合約，實現No-code部署合約。但目前僅初步上线了AI智能合約審計，其他兩項功能尚未开發完成。

• Zignaly：Zignaly誕生於2018年，旨在讓個人投資者能夠選擇基金經理來爲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能技術，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爲Z-Score，但作爲人工智能產品來說還是比較初級。

4 AI作爲遊戲規則

這是最令人激動的部分——讓AI能夠代替人類進行決策和行爲，你的AI將直接掌控你的錢包，代替你進行交易決策和行爲。在這一分類下，筆者認爲主要可以分爲三個層級：AI應用（尤其是以自主決策爲愿景的應用，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，它們積累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开展決策。可以注意到，AI應用在本文中被同時歸入兩類：接口與規則，從开發愿景來說，AI應用應成爲獨立決策的Agent，但目前無論是AI模型的有效性、集成AI的安全性，都無法滿足這一要求，甚至作爲接口都略微勉強，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作爲參與者）中提及，從遠期愿景來說，本文將其歸爲第三類。Autonomous Agent利用大量數據和算法來模擬人類的思維和決策過程，並執行各種任務和交互。本文主要關注Agent的通信層、網絡層等基礎設施，這些協議定義了Agent的歸屬權，建立了Agent的身份、通信標准和通信方式，連接多個Agent應用，能夠協同進行決策和行爲。

zkML/opML：通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，將會爲整個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作爲運行規則的三個基礎層次：zkml/opml作爲最底層的基礎設施，保證協議的安全性；Agent協議建立起Agent生態系統，能夠協同進行決策和行爲；AI應用，也是具體的AI Agent，將不斷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，從智能合約到TG Bots再到AI Agents，加密世界正走向更高的自動化和更低的用戶門檻。智能合約雖然是通過不可篡改的代碼自動執行功能，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，而是通過自然語言完成鏈上交互，但只能完成極爲簡單和具體的任務，依然無法實現用戶意圖爲中心的交易；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，完成用戶指定的目標。

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

• 通過代幣激勵更多的开發者提供Agent

• NFT確權促進基於Agent的收費與交易

• 提供鏈上的Agent身份和注冊機制

• 提供不可篡改的Agent活動日志，對其行爲進行及時的溯源和追責

這一賽道的主要項目如下：

• Autonolas：Autonolas通過鏈上協議支持Agent和相關組件的資產確權和可組合性，使代碼組件、Agent和服務能夠在鏈上被發現和重復利用，並激勵开發者獲得經濟補償。开發者开發了完整的Agent或組成部分後，將對代碼進行鏈上注冊並獲得NFT，代表對代碼的所有權；Service Owner會聯合多個Agent創建一個服務並在鏈上注冊，並吸引Agent Operators來實際執行服務，用戶通過付費使用服務。

• Fetch.ai：Fetch.ai在AI領域具有很強的團隊背景和开發經驗，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，其他則爲輔助構建Agent服務的框架和工具。Agentverse是一個軟件即服務平台，主要用於創建和注冊AI Agent。AI Engine的目標是通過讀取用戶自然語言輸入，將其轉換爲可操作的人物，並在Agentverse中選擇已注冊的最合適的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合約中注冊，才能與其他Agent开始協同服務。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從遊戲轉型爲AI Agent協議，主要包括兩個層：通信層和區塊鏈層，通信層是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，並通過智能合約實現對Agent行爲的不可篡改記錄。具體來說，通信層爲Agent之間建立了統一的通信協議，採用標准化的消息系統，讓Agent之間可以通過一種通用語言無障礙地交流，此外建立了服務發現協議和API，使得用戶和其他Agent能夠快速發現和連接可用的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才能訪問網絡，Chronicle則是Agent做出的所有重要決策和行爲的日志存儲庫，上鏈後不可篡改，確保對Agent行爲的可信追溯。

• Altered State Machine：通過NFT爲Agent的資產確權和交易制定了標准，具體分析可見第1部分，雖然ASM目前主要接入遊戲，但其作爲基礎性的規範同樣具有向其他Agent領域擴展的可能。

• Morpheous：正在構建一個AI Agent生態網絡，協議旨在連接Coder、Computer provider、Community Builder和Capital四種角色，分別爲網絡提供AI Agent、支持Agent運行的算力、前端和开發工具以及資金，MOR將採取Fair launch的形式，向提供算力的礦工、stETH質押者、Agent或智能合約开發貢獻者、社區开發貢獻者提供激勵。

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爲兩類：

• 推理驗證：即通過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：又可以分爲兩類，一是對數據隱私的保護，即在公开的模型上使用隱私數據進行推理，可以利用ZKML對隱私數據進行保護；二是對模型隱私的保護，希望隱藏模型的權重等具體信息，從公开的輸入中運算並得出輸出結果。

筆者認爲目前對Crypto更爲重要的是推理驗證，我們在此對推理驗證的場景進行進一步闡述。從AI作爲參與者开始，到AI作爲世界的規則，我們希望將AI成爲鏈上流程的一部分，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，意味着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？通過將ML模型轉化成ZK電路，可以實現：（1）較小的模型上鏈，將小的zkML模型存儲到智能合約中，直接上鏈解決了不透明的問題；（2）在鏈下完成推理，同時生成ZK證明，通過在鏈上運行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，面臨着ML模型向ZK電路轉化的技術問題，以及極高的運算和密碼學开銷成本。和Rollup的發展路徑一樣，opML從經濟學的角度出發，成爲了另一種解決方案，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只能成爲推理驗證的替代方案，無法實現隱私保護。

目前的項目正在構建zkML的基礎設施，並在努力探索其應用，應用的建立同樣重要，因需要清楚地向加密用戶證明zkML中重要作用，證明最終價值能夠抵消巨大成本。在這些項目中，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 將人工智能應用於鏈上推理過程。Modulus於2月27日推出了zkML證明器Remainder，與同等硬件上的傳統AI推理相比，實現了180倍的效率提升。此外，Modulus與多個項目合作，探索zkML的實際用例，如與Upshot合作，通過使用具有ZK證明的人工智能，收集復雜的市場數據、評估NFT價格，並將價格傳到鏈上；與AI Arena合作，證明正在战鬥的Avatar和玩家所訓練的是同一個。

• Risc Zero將模型放在鏈上，通過在 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正在开發專門用於 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作爲目標

如果說前面三類更側重於AI如何賦能於Crypto，那么“AI作爲目標”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准：更高效、更精確、更去中心化等等。

AI包括三個核心：數據、算力和算法，在每一個維度，Crypto都在致力於爲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，避免個人敏感數據的泄露。

• 算力：去中心化算力賽道是目前最火熱的AI賽道，協議通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。

• 算法：Crypto對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作爲目標”敘述的主要內容，創建去中心化的、可信任的黑匣子AI，那么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开銷等一系列阻礙。此外，“使用加密激勵來鼓勵制作更好的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。

大型科技公司對數據和算力的壟斷共同造成了對模型訓練過程的壟斷，閉源模型成爲大型企業獲利的關鍵。從基礎設施的角度，Crypto通過經濟手段激勵數據和算力的去中心化供應，同時通過密碼學的方法保證過程中的數據隱私，並以此爲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 去中心化數據協議

去中心化數據協議主要以數據衆包的形式开展，激勵用戶提供數據集或數據服務（如數據標注）用於企業進行模型訓練，並开設Data Marketplace促進供需雙方的匹配，一些協議也正在探索通過DePIN激勵協議，獲取用戶的瀏覽數據，或利用用戶的設備/帶寬完成網絡數據爬取。

• Ocean Protocol：對數據確權並代幣化，用戶可以通過無代碼方式在Ocean Protocol完成對數據/算法的NFT創建，同事創建相應的datatoken來控制對數據NFT的訪問。Ocean Protocol通過Compute To Data（C2D）來確保數據的隱私性，使用者只能獲得根據數據/算法的輸出結果，而無法完整下載。Ocean Protocol於2017年成立，作爲數據市場，在本輪熱潮中很自然地搭上了AI的快車。

• Synesis One：該項目是Solana上的Train2Earn平台，用戶通過提供自然語言的數據和數據標注來獲取$SNS獎勵，用戶通過提供數據支持挖礦，數據在驗證後會進行存儲和上鏈，並由AI公司用來訓練和推理。具體來說，挖礦者分爲三類：Architect/Builder/Validator，Architect負責創建新的數據任務，Builder在相應的數據任務中提供語料，Validator則對Builder提供的數據集進行驗證。完成的數據集會被存入IPFS中，並在鏈上保存數據來源和IPFS地址們同事會被存儲在鏈下的數據庫中供AI公司（目前爲Mind AI）使用。

• Grass：被稱爲AI的去中心化數據層，本質上是一個去中心化網絡抓取市場，並以此獲得數據來用於AI模型訓練。互聯網網站是一個重要的AI訓練數據來源，包括推特、谷歌、Reddit在內的許多網站的數據都具有重要價值，但這些網站正在不斷對數據爬取加以限制。Grass利用個人網絡中未使用的帶寬，通過使用不同的IP地址來減少數據封鎖帶來的影響，來抓取公共網站中的數據，完成數據初步清理，成爲AI模型訓練企業和項目的數據源。目前Grass正處於Beta測試階段，用戶可提供帶寬獲取積分以領取潛在空投。

• AIT Protocol：AIT Protocol是去中心化數據標注協議，旨在爲开發者提供高質量數據集用於模型訓練。Web3使得全球勞動力能夠快速接入網絡，並通過數據標注獲得激勵，AIT的數據科學家將對數據進行預標注，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开發者。

除了上述數據提供和數據標注協議，曾經的去中心化存儲類基礎設施，如Filecoin、Arweave等也將爲更分散化的數據供給助力。

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獲了高倍漲幅。在小市值的項目中也看到許多去中心化算力的平台出現，雖然剛剛起步，但伴隨着英偉達大會的浪潮，只要是與GPU沾邊，都快速收獲了一波大漲。

從賽道特點來看，這一方向項目的基本邏輯高度同質化——通過代幣激勵使得擁有闲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數據中心、礦工（尤其在以太坊轉爲PoS後）、消費級算力以及與其他項目的合作。雖然同質化，但這是一個頭部項目擁有較高護城河的賽道，項目的主要競爭優勢來源於：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，項目可以被粗分爲兩類：AI模型推理和AI模型訓練。由於AI模型訓練對算力和帶寬的要求遠高於推理，比分布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，因此目前絕大多數項目主攻推理方向（Akash、Render、io.net），主攻訓練方向的龍頭即爲Gensyn。其中，Akash和Render誕生較早，並非是爲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則爲AI計算專門設計，但在AI將算力需求提升了一個Level後，這些項目都已傾向於AI方面的开發。

最爲重要的兩個競爭指標依然來自於供應端（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網絡的利用率爲50-70%，在這一賽道是一個不錯的數字。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，需要等代幣上线後對其吸引資源的能力重新評估。Render和Gensyn則並未公布具體數據。此外，許多項目正在通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），允許用戶通過計算客戶端——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能計算。

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，通過概率學習證明、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除了爲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，开發人員可以通過檢查鏈上提供商發布的證明來驗證其應用程序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，成爲驗證層和協議層來發揮獨特作用。

5.3 去中心化模型

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通過區塊鏈和加密技術創建一個可信任的黑盒AI，來解決對抗性機器學習的問題，將數據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开銷。但目前正在有項目嘗試通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項目。

• 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個子網專注於不同的服務方向，如數據抓取、文本生成、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之間、以及子網內部的競爭，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（根網絡）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，子網驗證器則通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質量的提高。

6 結語：MEME炒作還是技術革命？

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？

除了少數名人題材（比如ARKM和WLD），AI賽道整體更像是”以技術敘事爲主導的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爲首的外部炒作將成爲Crypto AI賽道的導火索。另一方面，AI賽道的故事依然以技術敘事爲主，當然，這裏我們強調的是”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應用爲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爲同質化競爭中可講的故事。第三類和第四類代表着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。