Galaxy萬字長文：加密貨幣和AI交叉領域和項目盤點

作者：Lucas Tcheyan，Galaxy副研究員；翻譯：0xjs@比特鏈視界

前言

公鏈的出現是計算機科學歷史上最深刻的進步之一。但AI的發展將會並且已經在對我們的世界產生深遠的影響。如果說區塊鏈技術為交易結算、數據存儲和系統設計提供了新的模板，那麼人工智慧則是計算、分析和內容交付方面的一場革命。這兩個行業的創新正在釋放新的用例，從而可能在未來幾年加速這兩個行業的採用。本報告探討了加密貨幣和AI的持續集成，重點關注試圖彌合兩者之間差距、利用兩者力量的新穎用例。具體來說， 本報告研究了開發去中心化計算協議、零知識機器學習 (zkML) 基礎設施和AI智能體的項目。

加密貨幣為AI提供了無需許可、無需信任且可組合的結算層。這解鎖了用例，例如通過去中心化計算系統使硬體更容易訪問，構建可以執行需要價值交換的複雜任務的AI智能體，以及開發身份和溯源（provenance）解決方案來對抗女巫攻擊和深度偽造。AI為加密貨幣帶來了許多我們在 Web 2 中看到的相同好處。這包括由於大語言模型（即經過專門訓練的ChatGPT 和 Copilot 版本）而為用戶和開發人員增強的用戶體驗 (UX) 以及潛在的潛力顯著提高智能合約功能和自動化。區塊鏈是AI所需的透明的數據豐富環境。但區塊鏈的計算能力也有限，這是直接集成AI模型的主要障礙。

加密貨幣和Ai交叉領域正在進行的實驗和最終採用背後的驅動力與推動加密貨幣最有前途的用例的驅動力相同——訪問無需許可和無需信任的協調層，從而更好地促進價值轉移。鑑於巨大的潛力，該領域的參與者需要了解這兩種技術交叉的基本方式。

要點：

• 在不久的將來（6個月到1年），加密貨幣和AI的集成將由AI應用程式主導 ，這些應用程式可以提高開發人員的效率、智能合約的可審計性和安全性以及用戶的可訪問性。這些集成並非特定於加密貨幣，而是增強了鏈上開發人員和用戶體驗。

• 正如高性能 GPU 嚴重短缺一樣， 去中心化計算產品正在實施AI定製的GPU產品 ，為採用提供了推動力。

• 用戶體驗和監管仍然是吸引去中心化計算客戶的障礙。 然而， OpenAI 的最新發展以及美國正在進行的監管審查凸顯了無需許可、抗審查、去中心化的AI網絡的價值主張。

• 鏈上AI集成，特別是能夠使用人工智慧模型的智能合約，需要改進 zkML 技術和其他驗證鏈下計算的計算方法。 缺乏全面的工具和開發人員人才以及高昂的成本是採用的障礙。

• AI智能體非常適合加密貨幣 ，用戶（或智能體本身）可以創建錢包以與其他服務、智能體或人員進行交易。目前使用傳統的金融方法無法實現這一點。為了更廣泛的採用，需要與非加密產品進行額外的集成。

術語

AI 是利用計算和機器來模仿人類推理和解決問題的能力。

神經網絡 是人工智慧模型的一種訓練方法。他們通過離散的算法層運行輸入，對其進行改進，直到產生所需的輸出。神經網絡由具有權重的方程組成，可以修改權重來改變輸出。它們可能需要大量的數據和計算來進行訓練，以便其輸出準確。這是開發 AI 模型最常見的方式之一（ChatGPT 使用依賴於Transformer 神經網絡過程）。

訓練 是開發神經網絡和其他人工智慧模型的過程。它需要大量數據來訓練模型以正確解釋輸入並產生準確的輸出。在訓練過程中，模型方程的權重不斷修改，直到產生令人滿意的輸出。培訓費用可能非常昂貴。例如，ChatGPT使用數萬個自己的 GPU 來處理數據。資源較少的團隊通常依賴專門的計算提供商，例如 Amazon Web Services、Azure 和 Google Cloud 提供商。

推理 是實際使用 AI 模型來獲取輸出或結果（例如，使用 ChatGPT 為有關加密貨幣和 AI 交叉點的論文創建大綱）。在整個培訓過程和最終產品中都會使用推理。由於計算成本的原因，即使在訓練完成後，它們的運行成本也可能很高，但其計算強度低於訓練。

零知識證明 (ZKP) 允許在不洩露基礎信息的情況下驗證聲明。這在加密貨幣中很有用，主要有兩個原因：1) 隱私和 2) 擴展。為了保護隱私，這使用戶能夠在不洩露敏感信息（例如錢包中有多少 ETH）的情況下進行交易。對於擴展而言，它使鏈下計算能夠比重新執行計算更快地在鏈上得到證明。這使得區塊鏈和應用程式能夠廉價地在鏈下運行計算，然後在鏈上驗證它們。

AI/加密貨幣生態圖

AI和加密貨幣交叉的項目仍在構建支持大規模鏈上人工智慧交互所需的底層基礎設施。

去中心化計算市場 正在興起，以提供訓練和推理人工智慧模型所需的大量物理硬體，主要以GPU的形式。這些雙向市場將那些租賃和尋求租賃計算的人連接起來，促進價值的轉移和計算的驗證。在去中心化計算中，正在出現幾個提供附加功能的子類別。除了雙邊市場之外，本報告還將審查專門提供可驗證訓練和微調輸出的機器學習訓練提供商，以及致力於連接計算和模型生成以實現AI的項目，也經常被稱為智能激勵網絡。

zkML 是希望以經濟有效且及時的方式在鏈上提供可驗證模型輸出的項目的一個新興重點領域。這些項目主要使應用程式能夠處理鏈下繁重的計算請求，然後在鏈上發布可驗證的輸出，證明鏈下工作負載是完整且準確的。 zkML 在當前實例中既昂貴又耗時，但越來越多地被用作解決方案。這在 zkML 提供商和想要利用 AI 模型的 DeFi/遊戲應用程式之間的集成數量不斷增加中顯而易見。

充足的計算供應以及驗證鏈上計算的能力為 鏈上AI智能體 打開了大門 。智能體是經過訓練的模型，能夠代表用戶執行請求。智能體提供了顯著增強鏈上體驗的機會，使用戶只需與聊天機器人對話即可執行複雜的交易。然而，就目前而言，智能體項目仍然專注於開發基礎設施和工具，以實現輕鬆快速的部署。

去中心化計算

概述

AI需要大量計算來訓練模型和運行推理。在過去的十年中，隨著模型變得越來越複雜，計算需求呈指數級增長。例如，OpenAI發現，從 2012 年到 2018 年，其模型的計算需求從每兩年翻一番變為每三個半月翻一番。這導致對 GPU 的需求激增，一些加密貨幣礦工甚至重新利用其 GPU來提供雲計算服務。隨著訪問計算的競爭加劇和成本上升，一些項目正在利用加密技術來提供去中心化計算解決方案。他們以具有競爭力的價格提供按需計算，以便團隊能夠以經濟實惠的方式訓練和運行模型。在某些情況下，權衡的是性能和安全性。

最先進的 GPU（例如Nvidia生產的 GPU）的需求量很大。2023年 9 月，Tether收購了德國比特幣礦商 Northern Data 的股份，據報導，該公司斥資 4.2 億美元購買了 10,000 個 H100 GPU（用於 AI 訓練的最先進 GPU 之一）。獲得一流硬體的等待時間可能至少為六個月，在許多情況下甚至更長。更糟糕的是，公司經常被要求籤署長期合同，以獲取他們甚至可能不會使用的計算量。這可能會導致存在可用計算但市場上不可用的情況。去中心化計算系統有助於解決這些市場效率低下的問題，創建一個二級市場，計算所有者可以在接到通知後立即轉租其過剩容量，從而釋放新的供應。

除了有競爭力的定價和可訪問性之外，去中心化計算的關鍵價值主張是抗審查性。尖端AI開發日益由擁有無與倫比的計算和數據訪問能力的大型科技公司主導。AI指數報告2023年年度報告中強調的第一個關鍵主題是，工業界在AI模型的開發方面日益超越學術界，將控制權集中在少數技術領導者手中。這引發了人們的擔憂，即他們是否有能力在制定支撐AI模型的規範和價值觀方面產生巨大影響力，特別是在這些科技公司推動監管以限制其無法控制的人工智慧開發之後。

去中心化計算垂直領域

近年來出現了幾種去中心化計算模型，每種模型都有自己的重點和權衡。

廣義計算

Akash、io.net、iExec、Cudos 等項目都是去中心化計算應用程式，除了數據和通用計算解決方案之外，它們還提供或即將提供用於 AI 訓練和推理的專用計算的訪問權限。

Akash是目前唯一完全開源的「超級雲」平臺。它是使用 Cosmos SDK 的權益證明網絡。 AKT 是 Akash 的原生代幣，作為一種支付形式，用於保護網絡安全並激勵參與。 Akash 於 2020 年推出了第一個主網，專注於提供無需許可的雲計算市場，最初以存儲和 CPU 租賃服務為特色。 2023 年 6 月，Akash推出了一個專注於 GPU 的新測試網，並於 9 月推出了GPU 主網，使用戶能夠租賃 GPU 進行人工智慧訓練和推理。

Akash 生態系統中有兩個主要參與者——租戶和供應商。租戶是想要購買 Akash網絡計算資源的用戶。供應商是計算資源供應商。為了匹配租戶和供應商，Akash 依靠逆向拍賣流程。租戶提交他們的計算要求，在其中他們可以指定某些條件，例如伺服器的位置或進行計算的硬體類型，以及他們願意支付的金額。然後，供應商提交他們的要價，最低出價者將獲得任務。

Akash 驗證者維護網絡的完整性。驗證者集目前限制為 100 個，並計劃隨著時間的推移逐步增加。任何人都可以通過質押比當前質押 AKT 數量最少的驗證者更多的 AKT 來成為驗證者。 AKT 持有者還可以將其 AKT 委託給驗證者。網絡的交易費用和區塊獎勵以 AKT 形式分配。此外，對於每筆租賃，Akash 網絡都會按照社區確定的費率賺取「收取費用」，並將其分配給 AKT 持有者。

二級市場

去中心化計算市場旨在填補現有計算市場的低效率。供應限制導致公司囤積超出其可能需要的計算資源，並且由於與雲提供商的合同結構將客戶鎖定在長期合同中，即使可能不需要持續訪問，供應也進一步受到限制。去中心化計算平臺釋放了新的供應，使世界上任何擁有計算需求的人都可以成為供應商。

AI 訓練對 GPU 的需求激增是否會轉化為 Akash 上的長期網絡使用還有待觀察。例如，Akash 長期以來一直為 CPU 提供市場，以70-80% 的折扣提供與中心化替代品類似的服務。然而，較低的價格並沒有帶來顯著的採用。網絡上的活躍租約已經趨於平緩，到 2023 年第二季度，平均只有 33% 的計算、16% 的內存和 13% 的存儲。雖然這些都是鏈上採用的令人印象深刻的指標（作為參考，領先的存儲提供商 Filecoin 已經2023 年第三季度存儲利用率為 12.6%），這表明這些產品的供應繼續超過需求。

Akash 推出 GPU 網絡已經過去半年多了，現在準確評估長期採用率還為時過早。迄今為止，GPU 的平均利用率為 44%，高於 CPU、內存和存儲，這是需求的一個跡象。這主要是由對最高質量 GPU（如 A100）的需求推動的，超過90%已出租。

Akash 的每日支出也有所增加，相對於 GPU 出現之前幾乎翻了一番。這部分歸因於其他服務使用量的增加，尤其是 CPU，但主要是新 GPU 使用量的結果。

定價與Lambda Cloud 和 Vast.ai 等中心化競爭對手相當（或者在某些情況下甚至更貴）。對最高端 GPU（例如 H100 和 A100）的巨大需求意味著該設備的大多數所有者對在面臨競爭性定價的市場上市興趣不大。

雖然最初的興趣很有希望，但採用仍然存在障礙（下面進一步討論）。去中心化計算網絡需要採取更多措施來產生需求和供應，團隊正在嘗試如何最好地吸引新用戶。例如，2024 年初，Akash 通過了第 240 號提案，增加 GPU 供應商的 AKT 排放量並激勵更多供應，特別針對高端 GPU。團隊還致力於推出概念驗證模型，向潛在用戶展示其網絡的實時功能。 Akash 正在訓練他們自己的基礎模型，並且已經推出了聊天機器人和圖像生成產品，可以使用 Akash GPU 創建輸出。同樣，io.net開發了stable diffusion模型，並正在推出新的網絡功能，更好地模仿傳統 GPU 數據中心的性能和規模。

去中心化機器學習訓練

除了能夠滿足AI需求的通用計算平臺外，一組專注於機器學習模型訓練的專業AI GPU供應商也正在興起。例如， Gensyn 正在「協調電力和硬體來構建集體智慧」，其觀點是，「如果有人想要訓練某些東西，並且有人願意訓練它，那麼就應該允許這種訓練發生。」

該協議有四個主要參與者：提交者（submitters）、求解者（solvers）、驗證者（verifiers）和吹哨者（whistleblowers） 。提交者向網絡提交帶有培訓請求的任務。這些任務包括訓練目標、要訓練的模型和訓練數據。作為提交過程的一部分，提交者需要為求解者所需的估計計算量預先支付費用。

提交後，任務將分配給對模型進行實際訓練的求解者。然後，求解者將已完成的任務提交給驗證者，驗證者負責檢查訓練以確保正確完成。吹哨者有責任確保驗證者誠實行事。為了激勵吹哨者參與網絡，Gensyn 計劃定期提供故意錯誤的證據，獎勵吹哨者抓住他們。

除了為人工智慧相關工作負載提供計算之外，Gensyn 的關鍵價值主張是其驗證系統，該系統仍在開發中。為了確保 GPU 供應商的外部計算正確執行（即確保用戶的模型按照他們希望的方式進行訓練），驗證是必要的。 Gensyn 採用獨特的方法解決了這個問題，利用了稱為「概率學習證明、基於圖形的精確協議和 Truebit 式激勵遊戲」的新穎驗證方法。這是一種樂觀求解模式，允許驗證者確認求解者已正確運行模型，而無需自己完全重新運行模型，完全重新運行模型是一個成本高昂且低效的過程。

除了其創新的驗證方法之外，Gensyn 還聲稱相對於中心化替代方案和加密貨幣競爭對手而言具有成本效益，提供的 ML 訓練價格比 AWS 便宜高達 80%，同時在測試方面勝過 Truebit 等類似項目。

這些初步結果是否可以在去中心化網絡中大規模複製還有待觀察。 Gensyn 希望利用小型數據中心、零售用戶以及未來手機等小型行動裝置等提供商的多餘計算能力。然而，正如 Gensyn 團隊自己所承認的那樣，依賴異構計算提供商帶來了一些新的挑戰。

對於 Google Cloud Providers 和 Coreweave 等中心化供應商來說，計算成本昂貴，而計算之間的通信（帶寬和延遲）卻很便宜。這些系統旨在儘快實現硬體之間的通信。 Gensyn 顛覆了這一框架，通過讓世界上任何人都可以提供 GPU 來降低計算成本，但同時也增加了通信成本，因為網絡現在必須在相距較遠的異構硬體上協調計算作業。 Gensyn 尚未推出，但它是構建去中心化機器學習訓練協議時可能實現的概念證明。

去中心化通用智能

去中心化計算平臺也為AI創建方法的設計提供了可能性。 Bittensor 是一種基於 Substrate 構建的去中心化計算協議，試圖回答「我們如何將AI轉變為協作方法？」的問題。 Bittensor 旨在實現AI生成的去中心化和商品化。該協議於 2021 年推出，希望利用協作機器學習模型的力量來不斷迭代並產生更好的AI。

Bittensor 從比特幣中汲取靈感，其原生貨幣 TAO 的供應量為 2100 萬，減半周期為四年（第一次減半將於 2025 年）。 Bittensor 不是使用工作量證明來生成正確的隨機數並獲得區塊獎勵，而是依賴於「智能證明」（Proof of Intelligence），要求礦工運行模型來響應推理請求而生成輸出。

激勵智能

Bittensor 最初依賴專家混合 (MoE) 模型來生成輸出。當提交推理請求時，MoE 模型不會依賴一個廣義模型，而是將推理請求轉發給給定輸入類型的最準確的模型。想像一下建造一棟房子，你聘請了各種專家來負責施工過程的不同方面（例如：建築師、工程師、油漆工、建築工人等……）。 MoE 將其應用於機器學習模型，嘗試根據輸入利用不同模型的輸出。正如 Bittensor 創始人 Ala Shaabana所解釋的那樣，這就像「與一屋子聰明人交談並獲得最佳答案，而不是與一個人交談」。由於在確保正確路由、消息同步到正確模型以及激勵方面存在挑戰，這種方法已被擱置，直到項目得到進一步開發。

Bittensor 網絡中有兩個主要參與者：驗證者和礦工。 驗證者的任務是向礦工發送推理請求，審查他們的輸出，並根據他們的響應質量對它們進行排名。為了確保他們的排名可靠，驗證者會根據他們的排名與其他驗證者排名的一致程度給予「vtrust」分數。驗證者的 vtrust 分數越高，他們獲得的 TAO 幣就越多。這是為了激勵驗證者隨著時間的推移就模型排名達成共識，因為就排名達成一致的驗證者越多，他們的個人 vtrust 分數就越高。

礦工，也稱為服務者，是運行實際機器學習模型的網絡參與者。礦工們相互競爭，為驗證者提供針對給定查詢的最準確的輸出，輸出越準確，賺取的 TAO 就越多。礦工可以隨心所欲地生成這些輸出。例如，在未來的情況下，Bittensor 礦工完全有可能之前在 Gensyn 上訓練過模型，並用它們來賺取 TAO 。

如今，大多數交互直接發生在驗證者和礦工之間。驗證者向礦工提交輸入並請求輸出（即訓練模型）。一旦驗證者查詢網絡上的礦工並收到他們的響應，他們就會對礦工進行排名並將其排名提交到網絡。

驗證者（依賴 PoS）和礦工（依賴模型證明，PoW 的一種形式）之間的這種互動被稱為 Yuma 共識。它旨在激勵礦工產生最佳輸出來賺取 TAO ，並激勵驗證者對礦工輸出進行準確排名，以獲得更高的 vtrust 分數並增加他們的 TAO 獎勵，從而形成網絡的共識機制。

子網和應用程式

Bittensor 上的交互主要包括驗證者向礦工提交請求並評估其輸出。然而，隨著貢獻礦工的質量提高和網絡整體智能的增長，Bittensor 將在其現有堆棧之上創建一個應用程式層，以便開發人員可以構建查詢 Bittensor 網絡的應用程式。

2023 年 10 月，Bittensor 通過 Revolution 升級引入了子網，朝著實現這一目標邁出了重要一步。子網是 Bittensor 上激勵特定行為的單獨網絡。 Revolution 向任何有興趣創建子網的人開放網絡。自發布以來的幾個月內，已經啟動了超過32 個子網，包括用於文本提示、數據抓取、圖像生成和存儲的子網。隨著子網的成熟並成為產品就緒，子網創建者還將創建應用程式集成，使團隊能夠構建查詢特定子網的應用程式。一些應用程式（聊天機器人、圖像生成器、推特回復機器人、預測市場）目前已經存在，但除了 Bittensor 基金會的資助之外，沒有正式的激勵措施讓驗證者接受和轉發這些查詢。

為了提供更清晰的說明，下面是一個示例，說明應用程式集成到網絡中後 Bittensor 可能如何工作。

子網根據根網絡（root network）評估的性能賺取 TAO 。根網絡位於所有子網之上，本質上充當一種特殊的子網，並由 64 個最大的子網驗證者按權益進行管理。根網絡驗證者根據子網的性能對子網進行排名，並定期將排放的TAO 代幣分配給子網。通過這種方式，各個子網充當根網絡的礦工。

Bittensor展望

Bittensor仍在經歷成長的煩惱，因為它擴展了協議的功能以激勵跨多個子網的智能生成。礦工們不斷設計新的方法來攻擊網絡以獲得更多 TAO 獎勵，例如通過稍微修改其模型運行的高評價推理的輸出，然後提交多個變體。影響整個網絡的治理提案只能由完全由 Opentensor 基金會利益相關者組成的Triumvirate提交和實施（需要注意的是，提案需要在實施之前得到由 Bittensor 驗證者組成的 Bittensor 參議院的批准）。該項目的代幣經濟正在進行修改，以提高對 TAO 跨子網使用的激勵。該項目還因其獨特的方法而迅速獲得名聲，最受歡迎的人工智慧網站之一HuggingFace的執行長表示 Bittensor 應該將其資源添加到該網站。

在核心開發人員最近發表的一篇名為「Bittensor Paradigm」的文章中，該團隊闡述了 Bittensor 的願景，即最終發展為「對所測量的內容不可知」。理論上，這可以使 Bittensor 開發子網來激勵所有由 TAO 支持的任何類型的行為。仍然存在相當大的實際限制——最值得注意的是，證明這些網絡能夠擴展以處理如此多樣化的流程，並且潛在的激勵措施推動的進步超過了中心化產品。

為AI模型構建去中心化計算堆棧

上述部分提供了正在開發的各種類型的去中心化AI計算協議的粗略概述。在其開發和採用的早期，它們提供了生態系統的基礎，最終可以促進「AI構建塊」的創建，例如 DeFi 的「貨幣樂高」概念。無需許可的區塊鏈的可組合性為每個協議構建在另一個協議之上提供了可能性，以提供更全面的去中心化人工智慧生態系統。

例如，這是 Akash、Gensyn 和 Bittensor 可能全部交互以響應推理請求的一種方式。

需要明確的是，這只是未來可能發生的事情的一個例子，而不是當前生態系統、現有合作夥伴關係或可能結果的代表。互操作性的限制以及下面描述的其他考慮因素極大地限制了當今的集成可能性。除此之外，流動性破碎化和使用多種代幣的需要可能會損害用戶體驗，Akash 和 Bittensor 的創始人都指出了這一點。

其他去中心化產品

除了計算之外，還推出了其他幾種去中心化基礎設施服務，以支持加密貨幣新興的AI生態系統。

列出所有這些超出了本報告的範圍，但一些有趣且說明性的示例包括：

• Ocean： 一個去中心化的數據市場。用戶可以創建代表其數據的數據 NFT，並可以使用數據代幣進行購買。用戶既可以將其數據貨幣化，又可以對其擁有更大的主權，同時為AI團隊提供開發和訓練模型所需的數據的訪問權限。

• Grass： 一個去中心化的帶寬市場。用戶可以將多餘的帶寬出售給AI公司，後者利用這些帶寬從網際網路上抓取數據。Grass建立在Wynd 網絡之上，這不僅使個人能夠將其帶寬貨幣化，而且還為帶寬購買者提供了更多樣化的觀點來了解個人用戶在網上看到的內容（因為個人的網際網路訪問通常是根據其 IP 地址專門定製的） ）。

• HiveMapper： 構建一個去中心化的地圖產品，其中包含從日常汽車駕駛員收集的信息。 HiveMapper 依靠 AI 來解釋從用戶儀錶板攝像頭收集的圖像，並獎勵用戶通過強化人類學習反饋 (RHLF) 幫助微調 AI 模型的代幣。

總的來說，這些都指向探索支持AI模型的去中心化市場模型或開發它們所需的周邊基礎設施的幾乎無限的機會。目前，這些項目大多處於概念驗證階段，需要更多的研究和開發來證明它們能夠以提供全面人工智慧服務所需的規模運行。

展望

去中心化計算產品仍處於開發的早期階段。他們剛剛開始推出最先進的計算能力，能夠在生產中訓練最強大的AI模型。為了獲得有意義的市場份額，他們需要展示與中心化替代方案相比的實際優勢。更廣泛採用的潛在觸發因素包括：

• GPU 供應/需求。 GPU 的稀缺加上快速增長的計算需求正在導致 GPU 軍備競賽。由於 GPU 的限制，OpenAI 已經一度限制對其平臺的訪問。 Akash 和 Gensyn 等平臺可以為需要高性能計算的團隊提供具有成本競爭力的替代方案。對於去中心化計算提供商來說，未來 6-12 個月是一個特別獨特的機會來吸引新用戶，由於缺乏更廣泛的市場準入，這些新用戶被迫考慮去中心化產品。再加上 Meta 的 LLaMA 2 等性能日益提高的開源模型，用戶在部署有效的微調模型時不再面臨同樣的障礙，使計算資源成為主要瓶頸。然而，平臺本身的存在並不能確保足夠的計算供應和消費者的相應需求。採購高端 GPU 仍然很困難，而且成本並不總是需求方的主要動機。這些平臺將面臨挑戰，以展示使用去中心化計算選項的實際好處（無論是由於成本、審查阻力、正常運行時間和彈性還是可訪問性）來積累粘性用戶。他們必須快速行動。 GPU 基礎設施投資和建設正在以驚人的速度進行。

• 監管。 監管仍然是去中心化計算運動的阻力。短期內，缺乏明確的監管意味著提供商和用戶都面臨使用這些服務的潛在風險。如果供應商提供計算或買方在不知情的情況下從受制裁實體購買計算怎麼辦？用戶可能會猶豫是否使用缺乏中心化實體控制和監督的去中心化平臺。協議試圖通過將控制納入其平臺或添加過濾器以僅訪問已知的計算提供商（即提供了解你的客戶KYC信息）來減輕這些擔憂，但需要更強大的方法在確保合規性的同時保護隱私。短期內，我們可能會看到 KYC 和合規平臺的出現，這些平臺限制對其協議的訪問，以解決這些問題。此外，圍繞美國可能的新監管框架的討論（最好的例子是《關於安全、可靠和值得信賴的人工智慧開發和使用的行政命令》的發布）凸顯了進一步限制 GPU 獲取的監管行動的潛力。

• 審查。 監管是雙向的，去中心化的計算產品可以從限制AI訪問的行動中受益。除了行政命令之外，OpenAI 創始人 Sam Altman 還在 國會作證，說明監管機構需要為人工智慧開發頒發許可證。關於人工智慧監管的討論才剛剛開始，但任何此類限制訪問或審查AI功能的嘗試都可能加速不存在此類障礙的去中心化平臺的採用。2023年11月OpenAI 領導層變動（或缺乏）進一步表明，將最強大的現有AI模型的決策權授予少數人是有風險的。此外，所有AI模型都必然反映了創建它們的人的偏見，無論是有意還是無意。消除這些偏差的一種方法是使模型儘可能開放地進行微調和訓練，確保任何地方的任何人都可以訪問各種類型和偏差的模型。

• 數據隱私。 當與為用戶提供數據自主權的外部數據和隱私解決方案集成時，去中心化計算可能會比中心化替代方案更具吸引力。當三星意識到工程師正在使用 ChatGPT 幫助晶片設計並將敏感信息洩露給 ChatGPT 時，三星成為了這一事件的受害者。 Phala Network 和 iExec 聲稱為用戶提供 SGX 安全飛地來保護用戶數據，並且正在進行的全同態加密研究可以進一步解鎖確保隱私的去中心化計算。隨著AI進一步融入我們的生活，用戶將更加重視能夠在具有隱私保護的應用程式上運行模型。用戶還需要支持數據可組合性的服務，以便他們可以將數據從一種模型無縫移植到另一種模型。

• 用戶體驗（UX） 。 用戶體驗仍然是更廣泛採用所有類型的加密應用程式和基礎設施的重大障礙。這對於去中心化計算產品來說並沒有什麼不同，並且在某些情況下，由於開發人員需要了解加密貨幣和人工智慧，這會加劇這種情況。需要從基礎知識進行改進，例如登入抽象與區塊鏈的交互，以提供與當前市場領導者相同的高質量輸出。鑑於許多提供更便宜產品的可操作的去中心化計算協議很難獲得常規使用，這一點顯而易見。

智能合約和zkML

智能合約是任何區塊鏈生態系統的核心構建塊。在給定一組特定條件的情況下，它們會自動執行並減少或消除對受信任第三方的需求，從而能夠創建複雜的去中心化應用程式，例如 DeFi 中的應用程式。然而，由於智能合約目前大部分存在，其功能仍然受到限制，因為它們根據必須更新的預設參數執行。

例如，部署的借貸協議智能合約包含根據特定貸款與價值比率何時清算頭寸的規範。雖然在靜態環境中有用，但在風險不斷變化的動態情況下，這些智能合約必須不斷更新以適應風險承受能力的變化，這給不通過中心化流程管理的合約帶來了挑戰。例如，依賴去中心化治理流程的 DAO 可能無法快速反應以應對系統性風險。

集成AI（即機器學習模型）的智能合約是增強功能、安全性和效率同時改善整體用戶體驗的一種可能方法。然而，這些集成也帶來了額外的風險，因為不可能確保支撐這些智能合約的模型不會被攻擊或解釋長尾情況（鑑於數據輸入的稀缺，長尾情況很難訓練模型）。

零知識機器學習（zkML）

機器學習需要大量的計算來運行複雜的模型，這使得AI模型由於成本高昂而無法直接在智能合約中運行。例如，為用戶提供收益優化模型的 DeFi 協議將很難在鏈上運行該模型，而無需支付過高的Gas費。一種解決方案是增加底層區塊鏈的計算能力。然而，這也增加了對鏈驗證者集的要求，可能會破壞去中心化特性。相反，一些項目正在探索使用 zkML 以無需信任的方式驗證輸出，而不需要密集的鏈上計算。

說明 zkML 有用性的一個常見示例是，用戶需要其他人通過模型運行數據並驗證其交易對手實際上運行了正確的模型。也許開發人員正在使用去中心化計算提供商來訓練他們的模型，並擔心該提供商試圖通過使用輸出差異幾乎無法察覺的更便宜的模型來削減成本。 zkML 使計算提供商能夠通過其模型運行數據，然後生成可以在鏈上驗證的證明，以證明給定輸入的模型輸出是正確的。在這種情況下，模型提供者將具有額外的優勢，即能夠提供他們的模型，而不必透露產生輸出的基礎權重。

也可以做相反的事情。如果用戶想要使用他們的數據運行模型，但由於隱私問題（比如在醫療檢查或專有商業信息的情況下），不希望提供模型的項目訪問他們的數據，那麼用戶可以在他們的數據上運行模型而不共享數據，然後通過證明驗證他們運行了正確的模型。這些可能性通過解決令人望而卻步的計算限制，極大地擴展了人工智慧和智能合約功能集成的設計空間。

基礎設施和工具

鑑於 zkML 領域的早期狀態，開發主要集中在構建團隊所需的基礎設施和工具，以將其模型和輸出轉換為可以在鏈上驗證的證明。這些產品儘可能地抽象了開發的零知識方面。

EZKL和Giza 是通過提供機器學習模型執行的可驗證證明來構建此工具的兩個項目。兩者都幫助團隊構建機器學習模型，以確保這些模型可以在鏈上以可信方式驗證結果的方式執行。這兩個項目都使用開放神經網絡交換 (ONNX) 將用 TensorFlow 和 Pytorch 等通用語言編寫的機器學習模型轉換為標準格式。然後，他們輸出這些模型的版本，這些模型在執行時也會生成 zk 證明。 EZKL 是開源的，生產 zk-SNARKS，而 Giza 是閉源的，生產 zk-STARKS。這兩個項目目前僅兼容 EVM。

過去幾個月，EZKL 在增強 zkML 解決方案方面取得了重大進展，主要集中在降低成本、提高安全性和加快證明生成速度。例如，2023 年 11 月，EZKL 集成了一個新的開源 GPU 庫，可將聚合證明時間縮短 35%；1 月，EZKL發布了Lilith，這是一種軟體解決方案，用於在使用 EZKL 證明時集成高性能計算集群和編排並發作業系統。 Giza 的獨特之處在於，除了提供用於創建可驗證的機器學習模型的工具之外，他們還計劃實現相當於Hugging Face的 web3 ，為 zkML 協作和模型共享開闢用戶市場，並最終集成去中心化計算產品。一月份，EZKL 發布了一項基準評估，比較了 EZKL、Giza 和 RiscZero（如下所述）的性能。 EZKL 展示了更快的證明時間和內存使用。

Modulus Labs 還在開發一種專為 AI 模型定製的新的 zk-proof 技術。 Modulus 發表了一篇名為《智能的成本》（The Cost of Intelligence ）的論文（暗示在鏈上運行 AI 模型的成本極高），該論文對當時現有的 zk-proof 系統進行了基準測試，以確定改進 AI 模型 zk-proofs 的能力和瓶頸。該論文於 2023 年 1 月發布，表明現有產品過於昂貴且效率低下，無法大規模實現AI應用。在最初研究的基礎上，Modulus 在 11 月推出了Remainder，這是一種專門的零知識證明器，專門用於降低 AI 模型的成本和證明時間，目標是使項目在經濟上可行，將模型大規模集成到智能合約中。他們的工作是閉源的，因此無法與上述解決方案進行基準測試，但最近在 Vitalik關於加密和人工智慧的博客文章中引用了他們的工作。

工具和基礎設施開發對於 zkML 空間的未來增長至關重要，因為它可以顯著減少需要部署運行可驗證的鏈下計算所需的 zk 電路的團隊的摩擦。創建安全接口，使從事機器學習工作的非加密原生構建者能夠將他們的模型帶到鏈上，這將使應用程式能夠通過真正新穎的用例進行更大的實驗。工具還解決了更廣泛採用 zkML 的一個主要障礙，即缺乏知識淵博且對零知識、機器學習和密碼學交叉領域工作感興趣的開發人員。

協處理器（Coprocessors）

正在開發的其他解決方案（稱為「協處理器」）包括 RiscZero 、Axiom和Ritual 。協處理器這個術語主要是語義上的——這些網絡履行許多不同的角色，包括在鏈上驗證鏈下計算。與 EZKL、Giza 和 Modulus 一樣，他們的目標是完全抽象零知識證明生成過程，創建本質上能夠執行鏈下程序並生成鏈上驗證證明的零知識虛擬機。 RiscZero 和 Axiom 可以為簡單的 AI 模型提供服務，因為它們是更通用的協處理器，而 Ritual 是專門為與 AI 模型一起使用而構建的。

Infernet 是 Ritual 的第一個實例，包含一個Infernet SDK，允許開發人員向網絡提交推理請求並接收輸出和證明（可選）作為回報。 Infernet 節點接收這些請求並在返回輸出之前處理鏈下計算。例如，DAO 可以創建一個流程，確保所有新的治理提案在提交之前滿足某些先決條件。每次提交新提案時，治理合約都會通過 Infernet 觸發推理請求，調用 DAO 特定治理訓練的 AI 模型。該模型審查提案以確保提交所有必要的標準，並返回輸出和證據，批准或拒絕提案的提交。

在接下來的一年裡，Ritual 團隊計劃推出更多功能，形成稱為 Ritual 超級鏈的基礎設施層。前面討論的許多項目都可以作為服務提供商插入 Ritual。 Ritual 團隊已經與 EZKL 集成以生成證明，並且可能很快會添加其他領先提供商的功能。Ritual 上的 Infernet 節點還可以使用 Akash 或 io.net GPU 以及在 Bittensor 子網上訓練的查詢模型。他們的最終目標是成為開放AI基礎設施的首選提供商，能夠為任何網絡、任何工作負載的機器學習和其他AI相關任務提供服務。

應用

zkML有助於調和區塊鏈和人工智慧之間的矛盾，前者本質上是資源受限的，而後者需要大量的計算和數據。正如 Giza 的一位創始人所說，「用例非常豐富……這有點像以太坊早期問智能合約的用例是什麼……我們所做的只是擴展智能合約的用例。 」然而，如上所述，當今的開發主要發生在工具和基礎設施級別。應用仍處於探索階段，團隊面臨的挑戰是證明使用 zkML 實現模型所產生的價值超過了其複雜性和成本。

目前的一些應用包括：

• 去中心化金融 。 zkML通過增強智能合約能力，升級了DeFi的設計空間。 DeFi 協議為機器學習模型提供大量可驗證且不可篡改的數據，可用於生成收益獲取或交易策略、風險分析、用戶體驗等。例如， Giza與 Yearn Finance 合作，為 Yearn 的新 v3 金庫構建概念驗證自動風險評估引擎。 Modulus Labs與Lyra Finance合作將機器學習納入其 AMM，與 Ion Protocol 合作實施分析驗證者風險的模型，並幫助 Upshot 驗證其人工智慧支持的 NFT 價格信息。 NOYA （利用 EZKL）和Mozaic等協議提供了對專有鏈下模型的訪問，這些模型使用戶能夠訪問自動化流動性挖礦，同時使他們能夠驗證鏈上的數據輸入和證明。 Spectral Finance 正在構建鏈上信用評分引擎，以預測Compound或Aave借款人拖欠貸款的可能性。由於 zkML，這些所謂的「De-Ai-Fi」產品在未來幾年可能會變得更加流行。

• 遊戲 。 長期以來，遊戲一直被認為可以通過公鏈進行顛覆和增強。 zkML 使人工智慧的鏈上遊戲成為可能。 Modulus Labs已經實現了簡單鏈上遊戲的概念驗證。 Leela vs the World 是一款博弈論西洋棋遊戲，用戶在其中對抗 AI 西洋棋模型，zkML 驗證 Leela 所做的每一步都是基於遊戲運行的模型。同樣，團隊也使用 EZKL 框架來構建簡單的歌唱比賽和鏈上井字遊戲。 Cartridge 正在使用Giza使團隊能夠部署完全鏈上遊戲，最近重點引入了一款簡單的人工智慧駕駛遊戲，用戶可以競爭為試圖避開障礙物的汽車創建更好的模型。雖然簡單，但這些概念驗證指向未來的實現，能夠實現更複雜的鏈上驗證，例如能夠與遊戲內經濟體進行交互的複雜 NPC 演員，如《 AI Arena 》中所見，這是一款超級大亂鬥遊戲，玩家可以在其中訓練自己的戰士，然後部署為AI模型進行戰鬥。

• 身份、溯源和隱私 。 加密貨幣已經被用作驗證真實性和打擊越來越多的人工智慧生成/操縱內容和深度偽造的手段。 zkML 可以推進這些努力。 WorldCoin 是一種身份證明解決方案，要求用戶掃描虹膜以生成唯一的 ID。未來，生物識別 ID 可以使用加密存儲在個人設備上進行自我託管，並使用驗證本地運行的生物識別所需的模型。然後，用戶可以提供生物識別證據，而無需透露自己的身份，從而在確保隱私的同時抵禦女巫攻擊。這也可以應用於需要隱私的其他推論，例如使用模型分析醫療數據/圖像來檢測疾病、驗證人格並在約會應用程式中開發匹配算法，或者需要驗證財務信息的保險和貸款機構。

展望

zkML 仍處於實驗階段，大多數項目都專注於構建基礎設施原語和概念證明。如今的挑戰包括計算成本、內存限制、模型複雜性、有限的工具和基礎設施以及開發人員人才。簡而言之，在 zkML 能夠以消費產品所需的規模實施之前，還有相當多的工作要做。

然而，隨著該領域的成熟以及這些限制的解決，zkML將成為AI和加密集成的關鍵組成部分。從本質上講，zkML 承諾能夠將任何規模的鏈下計算引入鏈上，同時保持與鏈上運行相同或接近相同的安全保證。然而，在這一願景實現之前，該技術的早期用戶將繼續必須在 zkML 的隱私和安全性與替代方案的效率之間進行權衡。

AI智能體

AI和加密貨幣最令人興奮的集成之一是正在進行的AI智能體實驗。智能體是能夠使用AI模型接收、解釋和執行任務的自主機器人。這可以是任何事情，從擁有一個隨時可用的根據你的偏好進行微調的個人助理，到僱用一個根據你的風險偏好來管理和調整你的投資組合的金融機器人。

由於加密貨幣提供了無需許可和無需信任的支付基礎設施，智能體和加密貨幣可以很好地結合在一起。經過培訓後，智能體將獲得一個錢包，以便他們可以自行使用智能合約進行交易。例如，今天的簡單智能體可以在網際網路上抓取信息，然後根據模型在預測市場上進行交易。

智能體提供商

Morpheus 是 2024 年在以太坊和 Arbitrum 上上市的最新開源智能體項目之一。其白皮書於 2023 年 9 月匿名發布，為社區的形成和構建提供了基礎（包括Erik Vorhees等著名人物） 。該白皮書包括一個可下載的智能體協議，它是一個開源的LLM，可以在本地運行，由用戶的錢包管理，並與智能合約交互。它使用智能合約排名來幫助智能體根據處理的交易數量等標準確定哪些智能合約可以安全地進行交互。

白皮書還提供了構建 Morpheus 網絡的框架，例如使智能體協議運行所需的激勵結構和基礎設施。這包括激勵貢獻者構建用於與智能體交互的前端、供開發人員構建可插入智能體以便他們可以相互交互的應用程式的 API，以及使用戶能夠訪問運行智能體所需的計算和存儲的雲解決方案在邊緣設備上。該項目的初始資金已於 2 月初啟動，完整協議預計將於 2024 年第二季度啟動。

去中心化自治基礎設施網絡 (DAIN) 是一種新的智能體基礎設施協議，在 Solana 上構建智能體到智能體經濟。 DAIN 的目標是讓來自不同企業的智能體可以通過通用 API 無縫地相互交互，從而大大開放 AI 智能體的設計空間，重點是實現能夠與 web2 和 web3 產品交互的智能體。一月份，DAIN 宣布與 Asset Shield 首次合作，使用戶能夠將「智能體籤名者」添加到其多重籤名中，這些籤名者能夠根據用戶設置的規則解釋交易並批准/拒絕。

Fetch.AI 是最早部署的 AI 智能體協議之一，並開發了一個生態系統，用於使用 FET 代幣和Fetch.AI錢包在鏈上構建、部署和使用智能體。該協議提供了一套用於使用智能體的全面工具和應用程式，包括用於與智能體交互和訂購代理的錢包內功能。

Autonolas 的創始人包括 Fetch 團隊的前成員，它是一個用於創建和使用去中心化AI智能體的開放市場。 Autonolas 還為開發人員提供了一套工具來構建鏈下託管的AI智能體，並可以插入多個區塊鏈，包括 Polygon、Ethereum、Gnosis Chain 和 Solana。他們目前擁有一些活躍的智能體概念驗證產品，包括用於預測市場和 DAO 治理。

SingularityNet 正在為AI智能體構建一個去中心化的市場，人們可以在其中部署專注的AI智能體，這些智能體可以被其他人或智能體僱用來執行複雜的任務。其他公司，如AlteredStateMachine，正在構建 AI 智能體與 NFT 的集成。用戶鑄造具有隨機屬性的 NFT，這些屬性賦予他們在不同任務上的優勢和劣勢。然後可以對這些智能體進行訓練，以增強某些屬性，以用於遊戲、DeFi 或作為虛擬助手並與其他用戶進行交易。

總的來說，這些項目設想了一個未來的智能體生態系統，這些智能體能夠協同工作，不僅可以執行任務，還可以幫助構建通用AI。真正複雜的智能體將有能力自主完成任何用戶任務。例如，完全自主的智能體將能夠弄清楚如何僱用另一個智能體來集成 API，然後執行，而不必確保智能體在使用之前已經與外部 API（例如旅行預訂網站）集成並執行任務。從用戶的角度來看，不需要檢查智能體是否可以完成任務，因為智能體可以自己確定。

比特幣和AI智能體

2023 年 7 月， 閃電網絡實驗室 推出了在閃電網絡上使用智能體的概念驗證實施方案，稱為 LangChain 比特幣套件 。該產品特別有趣，因為它旨在解決 Web 2 世界中日益嚴重的問題——Web應用程式的門禁且昂貴的API 密鑰。

LangChain 通過為開發人員提供一套工具來解決這個問題，使智能體能夠購買、出售和持有比特幣，以及查詢 API 密鑰和發送小額支付。在傳統的支付領域，小額支付由於費用而成本高昂，而在閃電網絡上，智能體可以每天以最低的費用發送無限的小額支付。當與 LangChain 的 L402 支付計量 API 框架結合使用時，這允許公司可以根據使用量的增加和減少調整其 API 的訪問費用，而不是設定單一的成本過高的標準。

在未來，鏈上活動主要由智能體與智能體交互所主導，這樣的事情將是必要的，以確保智能體能夠以成本不過高的方式相互交互。這是一個早期的例子，說明如何在無需許可且經濟高效的支付賽道上使用智能體，為新市場和經濟互動開闢了可能性。

展望

智能體領域仍處於新生階段。項目剛剛開始推出功能性智能體，可以使用其基礎設施處理簡單的任務——這通常只有經驗豐富的開發人員和用戶才能訪問。然而，隨著時間的推移，AI智能體對加密貨幣的最大影響之一是所有垂直領域的用戶體驗改進。交易將開始從基於點擊轉向基於文本，用戶能夠通過大語言模性與鏈上智能體進行交互。 Dawn Wallet等 團隊已經推出了聊天機器人錢包，供用戶在鏈上進行交互。

此外，目前尚不清楚智能體如何在 Web 2 中運作，因為金融領域依賴於受監管的銀行機構，這些機構不能 24/7 運營，也無法進行無縫跨境交易。正如Lyn Alden所強調的那樣，由於缺乏退款和處理微交易的能力，與信用卡相比，加密賽道尤其有吸引力。然而，如果智能體成為一種更常見的交易方式，現有的支付提供商和應用程式很可能會迅速採取行動，實施在現有金融領域運營所需的基礎設施，從而削弱使用加密貨幣的一些好處。

目前，智能體可能僅限於確定性的加密貨幣交易，其中給定輸入保證給定輸出。這兩種模型都規定了這些智能體弄清楚如何執行複雜任務的能力，而工具則擴大了它們可以完成的範圍，都需要進一步開發。為了讓加密智能體在新穎的鏈上加密用例之外變得有用，需要更廣泛的集成和接受加密作為一種支付形式以及監管的明確性。然而，隨著這些組件的發展，智能體準備成為上述去中心化計算和 zkML 解決方案的最大消費者之一，以自主的非確定性方式接收和解決任何任務。

結論

AI 為加密貨幣引入了我們在 web2 中看到的相同創新，增強了從基礎設施開發到用戶體驗和可訪問性的各個方面。然而，項目仍處於發展早期，近期加密貨幣和AI集成將主要由鏈下集成主導。

像Copilot這樣的產品將使開發人員效率「提高10 倍」，Layer1和DeFi應用程式已經與微軟等大公司合作推出人工智慧輔助開發平臺。Cub3.ai和Test Machine等公司正在開發用於智能合約審計和實時威脅監控的AI集成，以增強鏈上安全性。 LLM 聊天機器人正在使用鏈上數據、協議文檔和應用程式進行培訓，為用戶提供增強的可訪問性和用戶體驗。

對於真正利用加密貨幣底層技術的更高級集成來說，挑戰仍然是證明在鏈上實施AI解決方案在技術上是可行的，而且在經濟上也是可行的。去中心化計算、zkML 和 AI 智能體的發展指向有前景的垂直領域，這些領域為加密貨幣和AI深度互聯的未來奠定了基礎。