ChatGPT 周年紀念反思：AIGC的瓶頸與Web3的機遇

作者：Gryphsis Academy 來源：medium 翻譯：善歐巴，比特鏈視界

摘要：

1. 到 2022 年底，生成式 AI 的商業應用席捲全球，但隨著新鮮感的消退，生成式 AI 的一些當前問題正在浮出水面。日益成熟的 Web3 領域利用區塊鏈的透明度、可驗證性和去中心化特性，為解決這些生成式人工智慧問題提供了新的視角。

2. 生成式人工智慧是近年來新興的技術，基於深度學習神經網絡框架。其在圖像生成模型和ChatGPT語言模型中的應用已經顯示出巨大的商業潛力。

3. 在Web3中，實現生成式AI的架構包括基礎設施、模型、應用程式和數據。數據組件，尤其是與 Web3 集成時，至關重要，並且具有巨大的增長潛力。值得注意的是，基於區塊鏈的數據模型、人工智慧代理項目以及專業領域的應用可能成為未來發展的關鍵領域。

4. 目前市場上的 Web3 AI 協議在基本面方面存在缺陷，並且在獲取代幣價值方面能力有限。未來期待代幣經濟的新趨勢或更新。

5. 生成式人工智慧在 Web3 領域擁有巨大的潛力，預計其與其他軟體和硬體技術的集成將帶來令人興奮的未來發展。

一、為什麼生成式 AI 和 Web3 相互需要？

2022 年是生成式人工智慧的分水嶺，在此之前，生成式人工智慧主要是專業人士的輔助工具。隨著 DALL-E 2、Stable Diffusion、Imagen 和 Midjourney 的出現，這種情況發生了巨大的變化。這些技術將人工智慧生成內容 (AIGC)推向了技術趨勢的前沿，在社交媒體上掀起了一股流行內容熱潮。不久之後發布的 ChatGPT 改變了遊戲規則，將這一趨勢推向了頂峰。

作為第一個只需要簡單的文本提示即可回答幾乎所有問題的人工智慧工具，ChatGPT 很快成為許多人的日常工作助手。它能夠處理文檔寫作、作業輔導、電子郵件協助、論文編輯甚至情感諮詢等多種任務，引發了網上關於通過「神奇提示」優化結果的熱烈討論，讓人們切實感受到人工智慧的「智能」。

高盛宏觀團隊的一份報告顯示，生成式人工智慧可以促進美國勞動生產率的增長，有可能在十年內推動全球 GDP（或近 7 萬億美元）增長 7%，並將生產率增長率提高 1.5 個百分點。

Web3 領域也感受到了 AIGC（人工智慧生成內容）的積極影響。2023年1月，Web3的AI板塊全面上漲。

然而，隨著最初的興奮開始消退，ChatGPT 的全球流量在 2023 年 6 月出現了自推出以來的首次下降（數據來源於 SametimeWeb）。這次經濟衰退標誌著一個及時的機會來重新思考生成人工智慧的重要性和局限性。

當前生成式人工智慧面臨的挑戰包括但不限於：普遍存在的未經授權且無法追蹤的 AIGC充斥社交媒體平臺；ChatGPT 的高昂維護成本迫使 OpenAI 降低輸出質量，作為削減成本和提高效率的措施；而ChatGPT等全球大規模模型由於數據分布不平衡，在某些方面仍然存在偏差。

隨著像 ChatGPT 這樣的生成式 AI 最初的熱情消退，成熟且不斷發展的 Web3 領域以其去中心化、透明性和可驗證性，為生成式 AI 所面臨的挑戰提供了新的解決方案：

1. Web3 的透明度和可追溯性可以解決與人工智慧生成內容相關的版權和隱私問題

Web3 的透明度和可追溯性可以有效驗證內容來源和真實性，從而顯著提高生產欺詐或侵權的人工智慧生成內容的成本，例如版權混亂的 TikTok 混音視頻或侵犯隱私的 DeepFake 視頻。內容管理中的智能合約可以解決版權問題，確保創作者得到公平的補償。

2.Web3的去中心化降低了中心化AI計算風險

開發生成式人工智慧需要大量的計算資源。例如，訓練基於 GPT-3 的 ChatGPT 成本超過 200 萬美元，每日電費約為 47,000 美元，並且隨著技術和規模的進步，這些成本預計將呈指數級增長。

目前，計算資源大量集中在大公司手中，導致開發、維護和運營成本高昂，存在中心化風險，小公司難以競爭。雖然大型模型的訓練由於其廣泛的計算需求可能仍然需要集中化，但Web3的區塊鏈技術可以實現分布式模型推理、社區投票治理和模型代幣化。

以去中心化交易所為例，我們可以設想社區驅動的去中心化人工智慧模型推理系統，社區擁有並管理大型模型。

3. 利用 Web3 實現多樣化的 AI 數據集和可解釋的 AI 模型

傳統的數據收集方法往往受到地理和文化的限制，導致人工智慧生成的內容和 ChatGPT 響應存在主觀偏差，例如改變目標任務的膚色。Web3 的代幣激勵模型可以優化數據收集、收集和加權來自世界各地的數據。此外，Web3 的透明度和可追溯性增強了模型的可解釋性，鼓勵多樣化的輸出來豐富模型。

4.海量Web3鏈上數據的獨特AI模型

AI 模型設計和訓練通常圍繞目標數據格式（文本、語音、圖像或視頻）進行構建。AI和Web3融合的一個獨特的未來方向是為鏈上數據開發大規模模型，類似於自然語言模型。

這種方法可以提供傳統數據分析無法獲得的獨特見解（例如智能資金跟蹤、項目資金流），並且人工智慧具有同時處理大量數據的能力。

5. 生成式人工智慧作為降低 Web3 進入壁壘的催化劑

目前，主流參與Web3項目需要對複雜的鏈上概念和錢包操作有深入的了解，這增加了學習成本和錯誤風險。相比之下，Web2 應用程式是圍繞「惰性原則」設計的，允許用戶輕鬆、安全地開始使用。

生成式人工智慧可以通過充當 Web3 中用戶和協議之間的「智能助手」來協助以意圖為中心的項目，從而顯著增強用戶體驗。

二. 生成式AI技術總結

2.1 生成式人工智慧的技術背景

人工智慧概念自20世紀50年代提出以來，經歷了數個高峰和低谷，每一次關鍵技術創新都引發了新的浪潮。

生成式人工智慧（Generative AI）作為近十年來提出的新興概念，以其令人印象深刻的技術和產品性能在各種人工智慧研究方向中脫穎而出，一夜之間引起了全球的關注。在深入研究生成式人工智慧的技術架構之前，有必要先定義一下本文中生成式人工智慧的含義，並簡要回顧一下最近流行的生成式人工智慧的核心技術。

生成人工智慧是一種用於創造新內容和想法的人工智慧，包括對話、故事、圖像、視頻和音樂。它建立在深度學習神經網絡框架的基礎上，並使用包含大量參數的大型數據集進行訓練。

最近進入公眾視野的生成式AI產品大致可以分為兩類：一類是基於文本或樣式輸入的圖像（視頻）生成產品，另一類是基於文本輸入的類似ChatGPT的產品。這兩個類別都依賴於相同的核心技術：基於 Transformer 架構的預訓練大型語言模型 ( LLM )。

前一類將文本輸入與擴散模型相結合以生成高質量的圖像或視頻，而後者則採用人類反饋強化學習（RLHF）來生成與人類邏輯非常相似的輸出。

2.2 目前生成式AI的技術架構：

有很多優秀的文章從不同的角度討論了生成式人工智慧對現有技術架構的影響。例如，A16z 的一篇題為《誰擁有生成式 AI 平臺》的綜合文章，全面總結了當前生成式 AI 的技術架構。

根據這項研究，當前Web2時代的生成式AI架構分為三個層次：基礎設施（算力）、模型、應用。文章還對這三個層面的當前發展提出了見解。

基礎設施：目前重點仍然主要集中在Web2基礎設施邏輯上，真正整合Web3和AI的項目很少。基礎設施在現階段獲得了最大的價值。在存儲和計算領域深耕數十年的Web2巨頭，在人工智慧的探索階段，通過「賣鏟子」獲得了豐厚的利潤。

模型：理想情況下，模型應該是人工智慧的真正創造者和所有者。然而，目前很少有商業模式能夠讓這些模型的作者捕捉到相應的商業價值。

應用程式：多個垂直領域開發的應用程式已產生超過數億美元的收入。然而，高昂的維護成本和較低的用戶保留率對維持這些應用程式作為可行的長期商業模式構成了挑戰。

2.3 生成式人工智慧在Web3中的應用

2.3.1 利用AI分析Web3海量數據

數據是構築未來人工智慧發展技術壁壘的基石。為了理解它的重要性，我們首先看一下關於大型人工智慧模型性能來源的研究。

這項研究表明了大型人工智慧模型的獨特湧現能力：當模型規模超過一定閾值時，模型精度會突然激增。如圖所示，每個圖表代表一個訓練任務，每條線表示大型模型的性能（準確性）。

對各種大型模型的實驗一致得出這樣的結論：超過一定閾值後，模型性能在不同任務上會出現突破性增長。

本質上，模型大小的量變會導致模型性能的質變。這個大小與模型參數的數量、訓練持續時間和訓練數據的質量有關。目前，在模型參數（各公司頂尖研究團隊設計）和訓練時長（大部分計算硬體採購自NVIDIA）沒有顯著差異的情況下，開發領先產品主要有兩條路徑。

首先是識別並解決利基領域的具體痛點，這需要對目標領域有深入的理解和洞察。第二，更實際的做法是收集比競爭對手更全面的數據。

這為生成式 AI 大型模型進入 Web3 領域打開了一個絕佳的切入點。現有的人工智慧大模型或基礎模型是在來自各個領域的海量數據上進行訓練的，而Web3中鏈上數據的獨特性使鏈上數據模型成為一個令人興奮且可行的途徑。

在Web3中，數據層面目前有兩種產品邏輯：第一種激勵數據提供者，鼓勵用戶共享數據使用權，同時保護數據的隱私和所有權。海洋協議在這方面提供了有效的數據共享模型。第二種方法涉及集成數據和應用程式的項目，以便為用戶提供特定於任務的服務。例如，Trusta Lab收集和分析用戶的鏈上數據，並通過其獨特的MEDIA評分系統，提供女巫帳戶分析、鏈上資產風險分析等服務。

2.3.2 AI Agent在Web3中的應用

如前所述，鏈上人工智慧代理的應用正在蓬勃發展。藉助大型語言模型並優先考慮用戶隱私，他們提供可量化的鏈上服務。根據 OpenAI 首席人工智慧研究員 Lilian Weng 的博客文章，人工智慧代理可以分為四個部分：代理 = LLM（大型語言模型）+ 規劃 + 內存 + 工具使用。

LLM作為AI Agent的核心，處理外部交互，從大量數據中學習，並用自然語言進行邏輯表達。規劃+記憶方面類似於用於訓練 AlphaGo 的強化學習技術中的行動、策略和獎勵概念。

它涉及將任務分解為更小的目標，並通過重複訓練和反饋來學習最優解決方案，根據功能將信息存儲在各種類型的記憶中。工具使用是指智能體利用模塊化工具、網際網路信息檢索、訪問專有信息源或API等工具的能力。值得注意的是，大多數這些信息在預訓練後很難修改。

考慮到AI Agent的這種邏輯，我們可以設想Web3和AI Agent結合的無限可能性。例如：

1. 在目前的交易應用中，集成AI Agent模型可以為客戶提供自然語言界面，提供包括價格預測、交易策略、止損策略、動態槓桿調整、智能跟隨意見領袖、借貸等多種交易功能。

2. 在執行量化策略時，策略可以進一步分解為子任務，分配給不同的AI Agent來執行。協作人工智慧代理可以增強隱私保護並實現實時監控，以防止被對手利用。

3. 基於區塊鏈的遊戲中的許多 NPC自然而然地與 AI 代理保持一致。已經有項目應用GPT來動態生成遊戲角色對話。未來的發展可能會超越預設文本，創建更真實的實時 NPC（甚至數字人）交互，並且獨立於玩家幹預進行操作。史丹福大學的「虛擬小鎮」就是此類應用的一個很好的例子。

4. 儘管目前的Web3+AI Agent項目主要集中在初級市場或AI基礎設施，尚未出現殺手級消費應用程式，但改變遊戲規則的Web3+AI項目的潛力是巨大的。通過集成分布式鏈上治理、零知識證明推理、模型分布和改進的可解釋性等各種區塊鏈特性，這些項目在未來具有廣闊的前景。

2.3.3 Web3+AI潛在垂直領域應用

A. 教育領域的應用

Web3 和人工智慧的融合預示著教育領域的一場革命，其中生成式虛擬實境教室是一項值得注意的創新。將人工智慧技術嵌入在線學習平臺，學生可以獲得個性化的學習體驗。該系統根據每個學生的學習歷史和興趣生成定製的教育內容。這種個性化的方法有望提高學生的學習動機和效率，使教育更加個性化。

此外，基於代幣的信用激勵代表了教育領域的創新實踐。利用區塊鏈技術，學生的學分和成績可以編碼成代幣，形成數位化的學分體系。這種激勵機制鼓勵積極參與學習活動，創造一個更具吸引力和激勵性的學習環境。

受最近流行的SocialFi項目FriendTech的啟發，類似的關鍵定價邏輯可以應用於在學生之間建立同行評審系統，為教育添加更多社交元素。利用區塊鏈的不可篡改性，同行評價變得更加公平和透明。這種同行評審機制不僅有利於培養學生的團隊合作能力，而且可以對學生的表現進行更全面、多維度的評估，將多元化、整體性的評價方式引入教育體系。

B. 在醫療領域的應用

在醫療領域，Web3與AI的融合推進了聯邦學習和分布式推理。通過將分布式計算與機器學習相結合，醫療專業人員可以大規模共享數據，從而實現更深入、更全面的群體學習。這種集體智慧方法可以加速疾病診斷和治療計劃的制定，推動醫學領域的進步。

隱私保護也是醫療領域應用的一個重要方面。藉助Web3的去中心化和區塊鏈的不變性，患者醫療數據可以更安全地存儲和傳輸。智能合約可以實現對醫療數據的精確控制和權限管理，確保只有授權人員才能訪問敏感的患者信息，從而維護醫療數據的隱私。

C. 保險領域的應用

在保險行業，Web3與AI的融合有望為傳統運營帶來更加高效、智能的解決方案。例如，在汽車和房屋保險中，計算機視覺技術的應用幫助保險公司通過圖像分析和評估更有效地評估財產價值和風險水平。這為保險公司提供了更加精細化、個性化的定價策略，增強了保險行業的風險管理。

同時，鏈上自動化索賠處理是保險行業的一項創新進步。利用智能合約和區塊鏈技術，索賠流程變得更加透明和高效，減少了繁瑣的程序和人為幹預的可能性。這不僅加快了理賠流程，還降低了運營成本，為保險公司和客戶提供更好的體驗。

動態保費調整是另一個創新領域。通過實時數據分析和機器學習算法，保險公司可以更加精準、及時地調整保費，根據被保險人的實際風險狀況進行個性化定價。這種做法不僅使保費更加公平，而且鼓勵被保險人採取更健康、更安全的行為，促進全社會的風險管理和預防措施。

D. 版權領域的應用

在版權領域，Web3 和人工智慧的結合為數字內容創建、管理和代碼開發引入了新的範式。通過智能合約和去中心化存儲，數字內容的版權資訊可以得到更好的保護，讓創作者更輕鬆地追蹤和管理自己的智慧財產權。區塊鏈技術還可以建立透明且不可變的創作記錄，為追蹤和驗證作品提供更可靠的手段。

工作模式的創新也代表著版權領域的重大轉變。代幣激勵的協作工作將工作貢獻與代幣獎勵相結合，鼓勵創作者、策展人和開發者共同參與項目。這不僅促進了創意團隊之間的協作，也讓參與者有機會直接從項目的成功中受益，從而催生更多優秀作品。

另一方面，使用代幣作為版權證明重塑了利益分配模式。通過智能合約自動執行的分紅機制，作品的所有參與者都可以在作品被使用、出售或轉讓時實時獲得自己的收益份額。這種去中心化的利益分配模式有效解決了傳統版權模式中的不透明和延遲問題，為創作者提供了更加公平、高效的利益分配機制。

E. 虛擬宇宙領域的應用

在元宇宙中，Web3與AI的融合為創建低成本AIGC以豐富基於區塊鏈的遊戲內容開闢了新的可能性。AI生成的虛擬環境和角色可以豐富遊戲內容，為用戶提供更加生動多樣的體驗，同時減少製作的人力和時間成本。

創建生動的數字人是元宇宙應用的創新。數字人類具有細到頭髮的詳細物理外觀和 基於大型語言模型構建的心理邏輯，可以在元宇宙中扮演各種角色。他們可以與用戶交互，甚至參與現實世界場景的數字孿生。這為虛擬實境提供了更加真實、深刻的體驗，推動數字人技術在娛樂、教育等領域的廣泛應用。

基於區塊鏈用戶畫像自動生成廣告內容是元宇宙中的智能廣告應用。通過分析用戶在元宇宙中的行為和偏好，人工智慧算法可以創建更加個性化和有吸引力的廣告，從而提高點擊率和用戶參與度。這種廣告創作方式不僅更符合用戶興趣，也為廣告主提供了更高效的推廣渠道。

生成式交互式 NFT是元宇宙中一項引人注目的技術。通過將NFT與生成設計相結合，用戶可以在元宇宙中參與創作自己的NFT藝術品，賦予其互動性和獨特性。這為數字資產的創造和交易開闢了新的可能性，推動了虛擬宇宙中數字藝術和虛擬經濟的發展。

三．籤名 Web3 協議

在本節中，作者選擇了五個具有代表性的協議來深入了解 Web3 領域中生成式 AI 的現狀：Render Network和Akash Network被強調為通用 AI 基礎設施協議和 Web3 中 AI 類別的領先者；Bittensor被認定為當前模型訓練領域的熱門項目；Alethea.ai因其與生成式 AI 應用程式的密切相關性而被選中；Fetch.ai展示了人工智慧代理在去中心化Web3世界中的潛力。

3.1 渲染網絡（$RNDR）

Render Network 由母公司 OTOY 的創始人 Jules Urbach 於 2017 年創立。OTOY 的核心業務是基於雲的圖形渲染，由 Google 和 Mozilla 聯合創始人提供建議，為奧斯卡獲獎電影項目做出了貢獻，並與 Apple 進行了項目合作。

Render Network 是 OTOY 進軍 Web3 領域的舉措，旨在利用區塊鏈的分布式特性，將小規模渲染和人工智慧需求與去中心化資源連接起來。這一舉措旨在為小型工作室節省成本，否則這些小型工作室將租用昂貴的集中式計算資源（例如AWS、MS Azure和阿里雲），並為那些擁有閒置計算資源的人提供創收機會。

在發布專有渲染器 Octane Render 的 OTOY 的支持下，Render Network 憑藉固有的需求和紮實的商業模式推出，很快被認為是一個具有堅實基礎和潛力的 Web3 項目。

隨著生成式AI的興起，分布式驗證和推理任務的需求不斷增加，與Render的技術架構完美契合，使其成為未來發展的一個有希望的方向。Render 一直引領著 Web3 領域的 AI 賽道，演變成一個有點像 meme 的實體，每當圍繞 AI、元宇宙和分布式計算的敘述升溫時，它都會受益於上升趨勢，展示了它的多功能性。

2023 年 2 月，Render Network 宣布了更新其定價等級系統的路線圖，並為 $RNDR 引入了社區投票的價格穩定機制（儘管發布日期尚未公布）。該項目還宣布從 Polygon 遷移到 Solana（將 $RNDR 代幣升級為基於 Solana SPL 的 $RENDER 代幣，已於 2023 年 11 月完成）。

渲染網絡的新定價體系將鏈上服務分為三個級別，從高到低，每個級別對應不同的價格點和渲染服務質量。這些層根據客戶的特定渲染需求為客戶提供選擇。

社區投票的$RNDR價格穩定機制已從不定期回購轉變為「銷毀和鑄幣均衡（BME）」模式。這一變化強調 $RNDR 作為交易的穩定幣，而不是長期持有資產。一個BME Epoch的具體業務流程如下：

1. 產品創建：Render上的產品創建者，即渲染資源的提供者，將閒置的渲染資源打包成產品（節點）並上線，等待使用。

2. 購買產品：有渲染需求的客戶可以直接銷毀$RNDR代幣作為服務費用。如果他們沒有 $RNDR 代幣，他們首先用法定貨幣在 DEX 上購買它們，然後銷毀代幣。服務支付的價格公開記錄在區塊鏈上。

3. 鑄造代幣：根據預設規則鑄造新代幣。

註：Render Network 收取產品購買者支付的項目運營交易費用的 5%。

在每個 BME Epoch 中，都會鑄造預設數量的新代幣（數量會隨著時間的推移而減少）。這些新代幣被分發給三方：

1. 產品創造者：他們獲得的獎勵是：

A。任務完成：根據各產品節點完成的渲染任務數量進行獎勵。

b. 在線獎勵：鼓勵資源提供者在線完成任務，根據市場待機時間給予獎勵。

2. 產品購買者：與購物中心的產品優惠券返還類似，購買者可以獲得高達 100% 的 $RNDR 代幣返還，鼓勵未來使用 Render Network。

3. DEX 流動性提供商：合作 DEX 中的提供商，確保以合理的價格提供 $RNDR 代幣以進行必要的銷毀，將根據質押的 $RNDR 數量獲得獎勵。

從過去一年$RNDR的價格走勢來看，作為Web3中領先的AI賽道項目，$RNDR受益於ChatGPT在2022年底和2023年初帶動的AI熱潮。隨著新代幣機制的引入，$RNDR的價格2023年上半年達到頂峰。

經過一段時間的穩定後，隨著 OpenAI 新版本引發的 AI 復甦、Render Network 向 Solana 的遷移以及新代幣機制的預期實施，$RNDR 的價格達到了近期高點。鑑於 $RNDR 的基本面變化很小，未來對 $RNDR 的投資需要謹慎的頭寸管理和風險控制。

Dune Analytics儀錶板的數據表明，自2023年初以來，渲染任務總數有所增加，但渲染節點數量並未增加。這表明導致工作負載增加的新用戶是那些有渲染需求的用戶，而不是那些提供渲染資源的用戶。

鑑於生成式 AI 到 2022 年底將激增，有理由推斷額外的渲染任務與生成式 AI 應用程式相關。這種需求的增加是代表長期趨勢還是暫時的激增還有待觀察，需要進一步觀察。

3.2 Akash Network（$AKT）

Akash Network 是一個去中心化的雲計算平臺，旨在為開發者和企業提供更靈活、高效、更具成本效益的雲計算解決方案。

該項目的「超級雲」平臺基於分布式區塊鏈技術，利用區塊鏈去中心化的特性，為用戶提供全球性、去中心化的雲基礎設施，包括CPU、GPU、存儲等多樣化的計算資源。

Akash Network 由擁有豐富項目背景、經驗豐富的企業家 Greg Osuri 和 Adam Bozanich 創立，其使命很明確：降低雲計算成本、提高可用性並讓用戶更好地控制計算資源。通過激勵提供商通過競價流程開放閒置計算資源，Akash Network 實現了更有效的資源利用，為資源需求者提供有競爭力的價格。

2023 年 1 月，Akash Network 啟動了 Akash Network Economics 2.0 更新，以解決當前代幣經濟中的各種缺陷，包括：

1. $AKT 市場價格的波動導致長期合同價格和價值的不匹配。

2. 對資源提供者釋放大量算力的激勵不足。

3. 社區激勵措施不足阻礙了項目的長期發展。

4. $AKT 的價值捕獲不足對項目穩定性構成風險。

據官網介紹，Akash網絡經濟2.0計劃中提出的解決方案包括引入穩定幣支付、增加訂單費用以增加協議收入、增強對資源提供者的激勵以及增加社區激勵等。值得注意的是，穩定幣支付功能和訂單費用功能已經實現。

作為 Akash 網絡的原生代幣，$AKT 在協議中具有多種用途，包括用於驗證（安全）、激勵、網絡治理和支付交易費用的質押。據官網顯示，$AKT 的總供應量上限為 3.88 億枚，截至 2023 年 11 月，已解鎖約 2.29 億枚（59%）。項目啟動時分配的創世代幣於2023年3月完全解鎖並進入二級市場。創世代幣的分配如下：

關於價值獲取，白皮書中提到的一個值得注意的尚未實施的功能是 Akash 計劃對每一次成功的租賃收取「費用」。這些費用將被發送到收入池以分配給持有人。

該計劃規定對 AKT 交易收取 10% 的費用，對使用其他加密貨幣的交易收取 20% 的費用。此外，Akash 打算獎勵長期鎖定 AKT 持有量的持有者，從而激勵長期投資。

CoinGecko 的價格趨勢顯示，$AKT 在 2023 年 8 月中旬和 11 月下旬經歷了上漲，儘管漲幅不如人工智慧領域的其他項目，這可能是由於當前的市場情緒所致。

總體而言，Akash Network 是 AI 賽道上為數不多的優質項目之一，其基本面優於大多數競爭對手。其潛在的業務收入可以為該協議帶來未來的盈利能力，隨著人工智慧行業的發展和對雲計算資源的需求不斷增加，Akash Network 有望在下一波人工智慧浪潮中取得重大進展。

3.3 Bittensor（$TAO）

對於那些熟悉 $BTC 技術架構的人來說，理解 Bittensor 的設計非常簡單。事實上，在設計 Bittensor 時，其創建者從加密貨幣先驅 $BTC 的幾個特徵中汲取了靈感。

其中包括總代幣供應量為 2100 萬枚，大約每四年產量減半，並涉及工作量證明 (PoW) 共識機制等。

為了將其概念化，想像一下最初的比特幣生產過程，然後用訓練和驗證人工智慧模型來取代計算密集型的「挖礦」過程，該過程不會創造現實世界的價值。礦工根據人工智慧模型的性能和可靠性獲得激勵。這形成了 Bittensor ($TAO) 項目架構的簡單總結。

Bittensor 由人工智慧研究人員 Jacob Steeves 和 Ala Shaabana 於 2019 年根據神秘作者 Yuma Rao 撰寫的白皮書成立。簡而言之，它是一個開源、無需許可的協議，創建了一個由許多子網絡連接的網絡架構，每個子網絡負責不同的任務（機器翻譯、圖像識別和生成、大型語言模型等）。優秀的任務完成會受到獎勵，並且子網絡可以相互交互和學習。

就目前主要的人工智慧模型而言，都是科技巨頭大量計算資源和數據投資的結果。這些AI產品表現出色的同時，這種方式也帶來了很高的中心化風險。

Bittensor 的基礎架構允許交流專家網絡進行交互和相互學習，為大規模模型的去中心化訓練奠定了基礎。Bittensor 的長期願景是與 OpenAI、Meta 和 Google 等巨頭的閉源模型競爭，保持去中心化特徵，同時渴望與它們的推理性能相匹配。

Bittensor的技術核心是Yuma Rao獨特設計的共識機制，也稱為Yuma Consensus，它混合了PoW和Proof of Stake（PoS）的元素。供應方主要涉及「伺服器」（礦工）和「驗證者」（驗證者），而需求方則由使用網絡中模型的「客戶端」（客戶）組成。流程如下：

1. 客戶端將請求和數據發送給驗證器進行處理。

2. 驗證者將數據分發給特定子網下的礦工。

3. 礦工使用他們的模型和接收到的數據進行推理並返回結果。

4. 驗證者按質量對推理結果進行排名，並記錄在區塊鏈上。

5. 最好的推理結果返回給客戶端，礦工和驗證者根據排名和工作量獲得獎勵。

值得注意的是，Bittensor 本身並不在大多數子網絡中訓練任何模型；它更像是模型提供者和用戶之間的紐帶，通過較小模型之間的交互進一步提高各種任務的性能。目前，在線有（或已經有）30個子網絡，每個子網絡對應不同的任務模型。

$TAO 作為 Bittensor 的原生代幣，在創建子網絡、在子網絡中註冊、支付服務費用以及向生態系統內的驗證者質押方面發揮著至關重要的作用。效仿 BTC 的精神，$TAO 選擇公平發布，這意味著所有代幣都是通過對網絡的貢獻生成的。

目前，$TAO 的日產量約為 7,200 個代幣，均勻分配給礦工和驗證者。自項目啟動以來，已生產了 2100 萬枚代幣中的約 26.3%，其中 87.21% 用於質押和驗證。該項目還遵循 BTC 大約每四年產量減半的模式，下一次減半計劃將於 2025 年 9 月 20 日舉行，預計將成為重要的價格驅動因素。

從 2023 年 10 月下旬開始，$TAO 的價格趨勢出現大幅上漲，這主要是受到 OpenAI 會議之後新一波人工智慧熱情以及資本轉向人工智慧領域的推動。

$TAO作為Web3+AI賽道的新項目的出現，其品質、長遠的願景也吸引了投資。但必須承認，與其他AI項目一樣，Web3+AI的結合雖然潛力巨大，但尚未在實際業務中找到支撐長期盈利項目的應用。

3.4 Alethea.ai（$OR）

Alethea.ai 成立於 2020 年，是一個致力於利用區塊鏈技術為生成內容帶來去中心化所有權和治理的項目。

Alethea.ai 的創始人相信，生成式人工智慧將帶領我們進入一個由生成式內容引起的信息冗餘時代，在這個時代，通過簡單的複製粘貼或單擊即可輕鬆複製或生成大量數字內容，但原創者很難獲得利益。通過將區塊鏈原語（例如 NFT）與生成式人工智慧連接起來，他們的目標是確保生成式人工智慧及其內容的所有權，並在此之上進行社區治理。

在這一理念的推動下，Alethea.ai最初推出了新的NFT標準iNFT，它利用Intelligence Pods將AI動畫、語音合成甚至生成式AI嵌入到圖像中。Alethea.ai 還與藝術家合作，利用他們的藝術品創建 iNFT，其中一件在蘇富比拍賣會上以 478,000 美元的價格售出。

Alethea.ai 隨後推出了 AI 協議，允許任何生成式 AI 開發者或創作者無需許可即可使用 iNFT 標準進行創作。為了展示 AI 協議，Alethea.ai 開發了 CharacterGPT，這是一種基於 GPT 等大型模型理論的工具，用於創建交互式 NFT。最近，他們發布了 Open Fusion，使得任何 ERC-721 NFT 都可以與 Intelligence 結合併發布在 AI 協議上。

Alethea.ai 的原生代幣是 $ALI，它有四個主要用途：

1. 鎖定一定數量的$ALI來創建iNFT。

2. 鎖定的 $ALI 越多，情報艙的級別就越高。

3. $ALI 持有者參與社區治理。

4. $ALI 作為 iNFT 之間交互的憑證（尚無實際用例）。

從 $ALI 的用例來看，很明顯，代幣的價值捕獲仍然主要基於敘述。過去一年的代幣價格趨勢證實了這一點：$ALI 受益於 ChatGPT 自 2022 年 12 月開始引領的生成式 AI 熱潮。此外，當 Alethea.ai 在 6 月宣布新的 Open Fusion 功能時，引發了價格飆升。然而，除了這些情況之外，$ALI 的價格一直呈下降趨勢，甚至沒有像類似項目那樣對 2023 年底人工智慧炒作做出反應。

除了原生代幣之外，Alethea.ai 的 NFT 項目（包括其官方集合）在 NFT 市場的表現也值得關注。

根據 Dune 儀錶板的數據，第三方銷售的 Intelligence Pods 和 Alethea.ai 的第一方 Revenants 系列在首次發布後逐漸淡出了人們的視線。作者認為，主要原因是最初的新穎性逐漸減弱，沒有實質性的價值或社區參與來留住用戶。

3.5 Fetch.ai（$FET）

Fetch.ai 是一個致力於促進人工智慧 (AI) 與區塊鏈技術融合的項目。其目標是通過結合機器學習、區塊鏈和分布式帳本技術來構建去中心化的智能經濟，以支持智能代理之間的經濟活動。

Fetch.ai 由英國科學家 Humayun Sheikh、Toby Simpson 和 Thomas Hain 於 2019 年創立，其創始團隊擁有令人印象深刻的背景。

Humayun Sheikh 是 DeepMind 的早期投資者，Toby Simpson 曾在多家公司擔任高管職務，Thomas Hain 是謝菲爾德大學人工智慧領域的教授。創始人的多元化經歷橫跨傳統IT公司、區塊鏈明星項目、醫療、超級計算領域，為Fetch.ai提供了豐富的行業資源。

Fetch.ai的使命是建立一個由自治經濟代理（AEA）和人工智慧應用程式組成的去中心化網絡平臺，使開發人員能夠通過創建自治代理來完成預設的目標導向的任務。該平臺的核心技術是其獨特的三層架構：

1. 底層：基於 PoS-uD（無許可權益證明）共識機制，該基礎層支持智能合約網絡，促進礦工協作以及基本的機器學習訓練和推理。

2. 中間層：開放經濟框架（OEF）為AEA之間交互和底層協議提供共享空間，支持AEA之間的搜索、發現和交易。

3. 頂層：AEA 是 Fetch.ai 的核心組件。每個AEA都是一個智能代理軟體，能夠通過技能模塊執行各種功能，執行用戶預定義的任務。這些代理並不直接在區塊鏈上運行，而是通過 OEF 與區塊鏈和智能合約進行交互。智能代理軟體可以純粹基於軟體，也可以綁定到智慧型手機、計算機和汽車等物理硬體。Fetch.ai 提供基於 Python 的開發套件 AEA 框架，該框架是模塊化的，使開發人員能夠構建他們的智能代理。

在此架構之上，Fetch.ai 推出了 Co-Learn（智能體之間共享機器學習模型）和 Metaverse（智能體雲託管服務）等後續產品和服務，以支持用戶在其平臺上開發智能體。

關於代幣，$FET 作為 Fetch.ai 的原生代幣，涵蓋了支付 Gas、驗證質押以及在網絡內購買服務等標準功能。超過90%的$FET代幣已解鎖，具體分配如下：

自成立以來，Fetch.ai 經歷了多輪代幣稀釋融資，最近一次是 2023 年 3 月 29 日從 DWF Lab 獲得的 3000 萬美元投資。鑑於 $FET 代幣不能從項目收入中獲取價值，其價格動能主要依賴於項目更新和市場對人工智慧領域的情緒。事實上，在兩次人工智慧市場繁榮的浪潮中，Fetch.ai 的價格在 2023 年初和年底經歷了超過 100% 的飆升。

Fetch.ai 的發展軌跡更像是一家 Web2.0 人工智慧初創公司，重點是完善其技術。它通過持續的籌款和廣泛的合作尋求認可和盈利。

這種方法為未來在 Fetch.ai 上開發的應用程式留下了充足的空間，但也意味著它可能對其他區塊鏈項目沒有那麼大的吸引力，從而可能限制生態系統的活力。Fetch.ai 的一位創始人甚至嘗試基於 Fetch.ai 推出一個 DEX 項目 Mettalex DEX，但最終以失敗告終。作為一個專注於基礎設施的項目，生態系統的衰弱也阻礙了 Fetch.ai 內在價值的增長。

四．生成式人工智慧的美好未來

NVIDIA執行長黃仁勳將生成大型模型的推出比作人工智慧的「iPhone時刻」，表明人工智慧角色的關鍵轉變，高性能計算晶片成為人工智慧稀缺資源的核心。

鎖定Web3 AI子賽道大部分資金的AI基礎設施項目仍然是投資者長期關注的焦點。隨著晶片巨頭逐漸升級計算能力，AI的能力將會擴展，很可能在Web3中催生更多的AI基礎設施項目，甚至可能是專門為Web3中的AI訓練而設計的晶片。

雖然以消費者為中心的生成式人工智慧產品仍處於實驗階段，但一些工業級應用已經顯示出巨大的潛力。其中一種應用是將現實世界場景轉移到數字領域的「數字孿生」 。

考慮到工業數據中尚未開發的價值，NVIDIA 的元宇宙數字孿生平臺將生成式 AI 定位為工業數字孿生的重要組成部分。在Web3中，包括虛擬世界、數字內容創作和現實世界資產，受人工智慧影響的數字孿生將發揮重要作用。

新型交互硬體的開發也至關重要。從歷史上看，計算領域的每一次硬體創新都帶來了革命性的變化和機遇，比如現在無處不在的電腦滑鼠或 iPhone 4 的多點觸控電容屏。

Apple Vision Pro宣布將於 2024 年第一季度發布，以其令人印象深刻的演示吸引了全球關注，有望為各行業帶來意想不到的變化和機遇。以快速內容製作和廣泛傳播而聞名的娛樂行業往往首先受益於硬體更新。這其中包括Web3的元宇宙、區塊鏈遊戲、NFT等，都是值得長期關注和研究的。

從長遠來看，生成式人工智慧的發展代表著量變導致質變。ChatGPT 的核心是推理問答這一長期研究的學術問題的解決方案。只有通過擴展數據和模型迭代，才達到了 GPT-4 令人印象深刻的水平。Web3中的AI應用也類似，目前正處於Web2模型適應Web3的階段。完全基於 Web3 數據的模型尚未出現。未來富有遠見的項目和致力於研究 Web3 特定問題的大量資源將為 Web3 帶來自己的 ChatGPT 級殺手級應用程式。

生成式人工智慧的技術基礎還有很多有前景的探索途徑，比如思想鏈技術。這項技術允許大型語言模型在多步推理方面取得重大飛躍。然而，它也凸顯甚至加劇了大型模型在複雜邏輯推理方面的局限性。有興趣的讀者可以探索原作者關於Chain-of-Thought的論文。

ChatGPT之後，Web3中出現了各種以GPT為主題的項目，但簡單地將GPT與智能合約結合起來並不能滿足用戶需求。ChatGPT 發布大約一年後，未來仍然擁有巨大的潛力。未來的產品應該從Web3用戶的真實需求出發。隨著Web3技術的日益成熟，生成式AI在Web3中的應用必將是廣闊而令人興奮的。