Web3+AI：未来科技的双剑合璧

作者：Derek. Chen

一、AI绊脚石：揭秘人工智能发展的关键挑战

当前AI的发展存在以下问题

幻觉（Hallucinations）：生成性AI（GenAI）不是确定性系统，它基于训练数据生成回应，属于概率系统。GenAI擅长“猜测”对用户提示最合适的回应，这可能导致产生错误预测，即“幻觉”。在需要精确回应的场合（如教育、医学等），这可能成为问题。

数据所有权和知识产权：GenAI模型训练使用的数据集可能包含版权材料，这引发了合法使用和知识产权的问题。

偏见：AI模型可能会从训练数据中学习并复制偏见，导致系统性偏见的出现。

模型崩溃：依赖合成数据训练的模型可能会停止进步甚至退化，强化现有偏见，并减少数据多样性。

深度伪造（Deepfakes）：深度伪造技术的发展使得创建逼真的假图像和视频变得容易和廉价，这对社会信任和真实性构成了威胁。

 

缺乏开源和透明度：大型科技公司控制的闭源AI模型可能导致信息控制和叙述管理，对中立性和透明度构成风险。

经济激励缺失：开源AI模型缺乏经济激励，使得研发人员更倾向于加入盈利的科技公司，而不是参与开源项目。

计算资源限制：开源AI项目通常缺乏足够的计算资源，无法与资金雄厚的公司竞争。

数据获取难题：开源项目难以获取用于训练AI模型的高质量数据。

监管和控制：随着AI技术的发展，可能会有中心化实体介入，限制访问、监管或货币化技术，引发对审查和偏见的担忧。

去中心化的需求：为了实现对AI的民主化访问并防止权力集中，需要去中心化的AI基础设施。

技术挑战：在Web3.0中开发AI应用程序面临技术挑战，包括确保推理的安全、去信任计算和证明生成。

经济和法律框架：需要适当的经济和法律框架来激励和保护开源AI的发展。

社会意识和平台政策：社交媒体平台可能缺乏有效抑制深度伪造的意愿，且现有政策可能不足以应对新型深度伪造风险。

二、区块链：AI革命的催化剂

区块链技术为AI行业提供了一个强大的基础设施，不仅能够控制风险、优化资源分配，还能够促进AI的透明化、去中心化和数据确权。这些优势使得区块链成为推动AI技术健康发展和广泛应用的关键因素。

 

1、为机器学习（ML）训练创建专有数据集

在机器学习领域，创建和维护涉及私有数据的高质量数据集面临挑战，例如在医学诊断中，患者可能因隐私问题不愿分享医疗记录。Web 3技术提供了解决方案，特别是通过PoPW网络协作创建专有数据集。

利用零知识证明（ZKPs），患者可以匿名化医疗记录以保护隐私，同时生成ZKPs证明匿名记录的真实性，这些记录可用于ML训练。这种方法保护隐私，允许数据共享，并确保数据集质量。

Web 3技术支持数据隐私和安全性，提升数据可获取性和质量，为ML模型训练提供可靠基础。去中心化的数据集创建和共享机制降低成本，促进合作，激励数据共享，推动机器学习领域发展。

2、运行私有数据推理

机器学习领域在处理私有数据时面临数据隐私、安全性和合规性挑战。零知识（zk）技术提供了解决这些问题的潜在方案，尤其适用于开源和专有模型的推理过程。

对于开源模型，zk技术允许用户在本地运行模型并保持数据私密。Worldcoin项目通过在设备上处理虹膜扫描并生成IrisCode，使用户能够在本地验证ML模型的推理结果，而无需泄露生物识别数据。

在专有模型中，zk技术通过匿名化用户数据或本地预处理，使用户能够生成零知识证明（ZKP），证明数据处理的正确性，再将结果发送至服务器进行推理，这对于医疗和金融等敏感领域至关重要。

总结来说，zk技术为机器学习提供了保护数据隐私、提高安全性和确保合规性的方法，增强了模型透明度和可信度，同时为用户提供了更大的控制权和灵活性。

3、内容的真实性和对抗深度伪造技术

生成式AI模型在图片、音频和视频内容的生成方面取得了显著进展，但也引发了深度伪造作品的担忧。Web 3技术，尤其是数字签名，为这一问题提供了解决方案。在Web 3中，内容通过创建者的私钥签名来证明其真实性，任何人都可以通过公共地址验证签名，增强了数据的安全性和可信度。

这种方法有助于确保机器学习训练数据的真实性和来源可追溯性，打击错误信息和深度伪造内容。风险投资家Fred Wilson等支持者探讨了将内容与公共加密密钥关联的方法，提升了数字签名作为认证手段的可信度。

尽管概念简单，但实际操作中仍需改进用户体验，如自动化创建数字签名流程和生成已签名数据子集的方法。Web 3技术在解决机器学习中的数据真实性和安全性挑战方面展现出潜力。

4、专有模型的信任最小化

机器学习领域面临信任、公平性和安全性等关键挑战。零知识证明（ZKPs）在这些方面提供了一种解决方案，允许模型创建者生成电路并为用户推断证明，以验证模型执行的正确性。

ZKPs特别适用于高风险应用，如医疗诊断和金融评估，确保数据被正确使用且结果公平。这增强了模型透明度，提高了用户和企业的信任度和控制权。简而言之，ZKPs为机器学习提供了一种确保执行正确性和公平性的技术手段，对于提升整个领域的安全性和可信度至关重要。

5、解决模型创建的中心化问题

创建和训练大型语言模型（LLM）面临高成本、耗时和技术门槛的挑战，这可能导致像OpenAI这样的中心化实体形成，并可能限制对模型的访问，带来数据控制和访问限制的风险。

Web 3技术提供了去中心化的解决方案，通过去中心化计算来竞争中心化模型，尽管可能面临训练速度减慢的问题。Web 3项目可以采用PoPW方法开发有竞争力的ML模型，并构建独特数据集，降低成本，减少对中心化实体的依赖，并促进数据共享。

Web 3技术推动了LLM的去中心化，增强了透明度和可访问性，减少了对单一中心实体的依赖。项目如Together和Bittensor正在探索去中心化方法来创建和训练ML模型，可能带来技术和创新，为机器学习领域开辟新可能。

总结来说，Web 3技术为解决LLM的中心化风险提供了新途径，通过去中心化计算和数据共享，推动了机器学习领域的透明度和协作。

6、AI 代理的支付和执行渠道

在机器学习领域，AI代理的崛起，特别是基于大型语言模型（LLMs）的代理如BabyAGI和AutoGPT，提供了有效分配和利用计算资源的新方法。这些AI代理能够执行特定任务，并可能形成一个去中心化的市场，AI代理之间可以相互搜索、雇佣和支付以完成任务。

Web 3网络为这种协作提供了理想环境，允许AI代理配备加密货币钱包，通过DeFi系统自动处理支付，使用去中心化存储和计算资源，降低成本并提高系统可靠性。此外，去中心化的AI代理市场促进了开放创新，任何人均可贡献AI代理，推动机器学习领域的发展。

总结来说，结合Web 3技术和AI代理能够解决机器学习的关键挑战，包括成本效益、专业化、协作和资源利用，为AI应用的未来开辟新可能。

7、保护免受 AI 侵犯隐私

为了训练高效的机器学习（ML）模型，大量数据是必需的，这引出了隐私保护的问题，尤其是在金融领域。银行和金融机构可能会使用用户的财务信息来训练预测个人未来行为的ML模型，这可能侵犯个人隐私，尤其是如果数据被泄露或滥用。

为了解决隐私问题，隐私增强技术（PETs）如隐私支付区块链和DeFi协议（例如zCash、Aztec支付、Penumbra和Aleo）提供了解决方案。这些技术通过确保金融交易和ML模型训练中的个人数据隐私和安全，防止未授权访问，降低数据泄露和滥用风险。

通过这些措施，金融机构可以在遵守隐私法规的同时，使用ML模型进行风险评估和决策，增强用户信任，并推动金融科技领域的创新。简而言之，隐私增强技术为金融领域利用ML模型提供了隐私保护的途径，平衡了技术创新与隐私权益。

三、AI赋能Web3.0：开启智能互联网新纪元

在数字时代背景下，Web3.0代表着互联网的进化，旨在构建一个更开放、联通和智能的网络环境。区块链技术作为去中心化基础设施的核心，与人工智能（AI）和机器学习（ML）共同推动技术进步和提升用户体验。AI在Web3.0中的作用关键，不仅助力智能化，还有助于释放Web3.0的全部潜力。

 

尽管区块链技术在数字货币和去中心化应用（dApps）方面取得进展，但AI和ML的融合对于推动Web3.0至更高水平至关重要。在DeFi等快速发展的领域，AI的应用让dApps有潜力超越传统Web2.0应用。Vanna Labs等项目正在开发新基础设施，集成AI/ML以变革区块链应用。

AI在Web3.0中的作用不仅限于数据分析和预测，它还涉及到智能合约的自动执行、资产管理和用户行为理解，标志着智能化区块链时代的来临。AI的深度学习能力是优化解决方案和探索未知潜能的关键，它将定义未来互联网的形态。

1、          AI 作为web3.0生产力工具

 

AI作为一种强大的工具，极大地降低了内容创作的技术门槛，允许用户即使没有专业背景也能创作出高质量的作品。AI的应用范围广泛，包括但不限于：

§   NFT艺术创作：AI辅助用户生成独特的数字艺术作品。

§   游戏内资产设计：AI帮助设计游戏内的各种资产和元素。

§   虚拟环境建模：AI用于创建虚拟世界的三维环境。

§   编程代码生成：AI简化编程任务，自动生成代码。

此外，AIGC（人工智能生成内容）在NFT领域进一步扩展了NFT的内在特性，如Mirror World项目利用AI技术为NFT添加了“灵魂”，提升了NFT的个性化和互动性。

 

AI技术也在降低编程技术门槛方面发挥着重要作用，主要体现在两个方面：

§   智能合约的部署：AI可以帮助开发者通过自然语言编程快速生成和部署所需的智能合约，简化了发行项目的过程。

§   合约安全分析：同时，AI也可以被用于分析合约代码，发现潜在的安全漏洞。这既可以是白帽黑客用于帮助改进合约安全，也可以是攻击者用来寻找漏洞的手段。

降低技术门槛后，使得原本复杂的区块链操作变得更加普及和易于访问，同时也能推广区块链技术：

§   简化复杂操作：AI能够执行以往需要高技术门槛的操作，如循环贷、闪电贷、挖矿策略优化、自动收益获取和头矿离场时间的判断。

§   自动化编程与部署：AI可以自主编程，选择最优路径，并直接部署智能合约。

§   MEV（矿工可提取价值）获取：以MEV为例，传统上需要编写专门的“夹子机器人”来捕获MEV，这通常需要高水平的编程技能。AI的介入使得普通用户也能够参与到MEV的获取中。

§   降低成本与门槛：AI助力实现低成本的区块链构建和优化，减少交易费用（gas fee），使区块链技术更加亲民和可用。

§   扩展应用范围：在需要确权和信息透明的任何场景，都可以通过AI简化的系统部署智能合约，利用区块链技术。

§   吸引用户：AI简化的交互系统将吸引大量新用户进入区块链行业。

2、AI 赋能的Web3应用案例

 

全链游戏（将游戏逻辑和数据完全存储在区块链上的游戏）

• 为非程序员玩家生成机器人

§   Dark Forest引入了自动化机器人来执行任务，为编程熟练的玩家提供了优势。大型语言模型（LLM）的微调能力有望改变这一局面，允许非编程玩家也能创建机器人，无需编写代码。

§   Primodium和AI Arena正在整合AI技术，吸引AI和人类玩家共同参与，提供无需编程技能的互动平台，增强了游戏的可访问性。这可能推动游戏行业向更智能化和包容性方向发展。

§   总结来说，LLM和AI技术的融合为区块链游戏带来了新机遇，降低了技术门槛，使更多玩家能够参与并享受游戏，同时为行业创新开辟了新路径。

• 机器人战斗、赌博和投注

§   全链游戏引入的完全自主AI玩家概念，使用基于大型语言模型（LLM）的AI代理，如AutoGPT，能够自主参与游戏，模拟自动化机器人对战。这些AI玩家可以访问互联网和加密货币资金，可能催生预测其对战结果的市场，为投机和赌博提供新机会。

§   这一创新不仅丰富了游戏娱乐和竞争，还推动了AI技术的发展，为玩家和观众创造了新的经济活动和投资机遇。简而言之，AI驱动的自主玩家为链上游戏领域带来了技术进步和经济潜力的新前沿。

• 为链上游戏创建逼真的 NPC 环境

§   AI与Web3技术的结合为游戏行业带来了开发更复杂和引人入胜的AI驱动型非玩家角色（NPC）的机遇，这些NPC能够提供不可预测性和增强游戏趣味性。然而，这一进步也面临挑战，尤其是需要在提升NPC动态性的同时，控制对网络吞吐量（TPS）的影响，避免引起网络拥堵和影响玩家体验。

§   开发者需要平衡NPC的智能化与区块链网络资源消耗，通过创新算法和优化技术，确保NPC交互既有趣又不过度消耗资源，从而保障所有玩家的游戏体验。这将推动游戏行业向更深层次互动和丰富叙事发展，提供更沉浸式的游戏体验。

• 自动化创建并管理游戏资产

§   近期生成性AI模型的进展，如Sora和Stable Diffusion、Midjourney文本到图像、视频模型，为自动化内容创作提供了新机遇，特别对NFT资产自动生成和Web3创作者经济产生了显著影响。

§   在链上资产生成方面，AI模型根据文本描述自动生成图像，智能合约管理这些资产的创造、用户所有权追踪，并将其作为NFT记录。用户可以通过提供描述参与资产生成，利用尖端语言模型为资产添加详细信息，如装备的统计、特性或故事背景。

§   这种设计增强了游戏互动性、玩家参与感，同时为NFT资产增加了个性化和故事性，提升了其价值和吸引力。

 

去中心化金融（DeFi）

§   DeFi优化

通过将 TradFi 的复杂模型和计算方法引入 DeFi，我们可以显著提升去中心化金融的效率和风险管理。Vanna 区块链旨在通过其智能合约直接实现 AI/ML 推理，为 DeFi 协议提供与传统金融同等的计算能力，同时保持去信任化的特性。这将开启一个新时代，其中贷款协议能够利用更精准的模型来确定利率，AMM 通过动态费用减少无常损失，CDP 协议则能通过先进的风险引擎最小化清算损失。

 

§   DeFi 分析

AI在区块链上的应用为去中心化应用（dApps）带来了新的可能性：

§   无需信任的模型推理：在区块链上直接进行模型推理，消除了对外部分析结果的信任需求。

§   分析民主化：促进了研究与分析的普及，使得链上用户能够直接访问和使用高级分析工具。

§   高级金融模型集成：例如，将波动率曲面拟合模型集成到dApps中，使用户能够分析加密货币期权。

§   开源模型的直接运行：允许在智能合约中直接运行开源的金融和计量经济学模型。

§   用户界面的便捷性：用户可以通过连接钱包到网页界面，执行智能合约，获取关于其资产的深入分析。

§   新的DeFi 协议

想象一下，通过模型推理，我们能够构建出新型的去中心化金融（DeFi）协议，例如那些运用人工智能（AI）和机器学习（ML）算法的智能yield-farming协议。

§   通过Vanna，dApp开发人员可以上传模型，无需自己构建整个基础设施，这有助于简化开发过程并推动DeFi的发展。

§   Vanna区块链还可能催生出类似Quantconnect/Quantopian的模型投资和竞争平台，吸引更多研究人才加入生态系统。

此外，AI的集成极大提升了DeFi协议的性能，且可以降低链上AI的高成本。项目如Modulus和ChainML通过允许链下执行AI模型并用不同机制控制链上成本，使得AI与DeFi的结合变得可行。Modulus使用零知识证明(ZKP)来验证模型，而ChainML则利用分散的AI执行网络和Oracle服务来保持成本效率。一些可以从 AI 集成中受益的 DeFi 用例：

§   AMM 流动性供应，即更新Uniswap V3流动性的范围。

§   使用链上和链下数据保护债务头寸的清算保护。

§   复杂的 DeFi 结构化产品，其中金库机制由财务 AI 模型定义，而不是固定策略。这些策略可以包括由 AI 管理的交易、借贷或期权。

§   考虑不同链上的不同钱包的高级链上信用评分机制。

去中心化社交平台

去中心化社交（DeSo）平台通过与AI的结合，解决了提供独特用户体验的挑战，并超越了中心化平台的功能。AI在这些平台中扮演着多重角色：

§   吸引新用户：AI管理的账户可以分享相关内容和参与讨论，吸引新用户加入平台。

§   新闻聚合：AI能够聚合新闻，为用户总结其感兴趣的最新趋势。

§   个性化推荐：AI算法分析Web3用户行为，提供个性化的社交网络、市场和游戏内容推荐，提升用户体验。

§   定制化内容：社交网络等可以根据用户行为模式定制化内容，增加用户参与度和留存率。

§   个性化内容推荐：在DeSo网络中，内容推荐系统为用户推荐可能感兴趣的帖子和社交互动对象。

§   算法选择：用户可以自行选择和运行第三方内容过滤和推荐算法，实现高度个性化的体验。

AI代理与去中心化网络安全

§   基于大型语言模型（LLM）的AI代理为去中心化网络的安全性和经济稳健性提供了新的测试机会。这些代理能够自动审查协议文档和智能合约，寻找漏洞，并在模拟真实环境的独立执行机制中对协议发起挑战，以识别和修复安全缺陷。目前，如Gauntlet这样的公司提供这种服务，但未来，经过专门训练的LLM可能提供相似的功能。

§   此外，AI服务在提升Web3协议和交易的安全性和可信度方面发挥着关键作用。AI通过分析大量数据，能够识别出可能指示欺诈或恶意活动的异常模式，并提醒用户或平台运营商采取预防措施。AI还被用于内容监控和审核，以及保护NFT生态系统免受伪造和版权侵犯的安全威胁，增强了去中心化网络的整体安全性和用户信任度。

用于数据索引和指标提取的 LLM

§   区块链数据虽然公开，但其有效组织和价值提取却颇具挑战。组织如CoinMetrics通过分析数据创造商业化的复杂指标，而Dune等则通过社区合作开发工具来简化交易数据的指标提取。大型语言模型（LLM）的发展可能会破坏数据索引和指标提取，不过Dune已经察觉威胁并公布计划，利用包含SQL查询解释和自然语言处理（NLP）功能的LLM来改进查询。

§   LLM的一个应用前景是数据索引，即让模型与区块链节点交互，直接为特定指标索引数据。初创企业如Dune Ninja正在探索LLM在数据索引上的创新用途。

Web3治理与开发者支持

§   区块链生态系统正通过多种策略吸引和支持Web3开发者，以推动成功。生态系统已投资建立开发者关系团队，而大型语言模型（LLMs）在此方面展现了巨大潜力。优化后的LLMs能够解释代码、捕捉错误、协助文档编写，并通过自动化生成文档、教程、解答问题，甚至在黑客松中提供模板代码和测试支持，增强了团队效率。

§   同时，AI的预测模型正在改进Web3社区和DAO的治理与决策流程。AI的预测模型通过分析数据和反馈，识别出有助于协议治理的趋势和模式。AI还能自动化声誉管理和奖励分配，确保真正为社区贡献价值的个人得到奖励，而非仅为奖励参与的用户。这些AI应用提升了开发者体验，同时为Web3生态系统的治理和决策带来了效率和透明度。

四、主要问题

根据Coinbase的研究，AI tokens面临的主要问题包括：

§   炒作与内在价值脱节：当前市场上的AI代币可能更多地反映了炒作现象而非其实际价值，存在价格与实际应用价值不匹配的问题。

§   长期可持续性疑问：尽管AI在商业领域的应用增长迅速，但与AI相关的加密代币的长期可持续性存在不确定性。

§   中心化依赖：许多AI代币依赖于中心化的组件和数据源，这与区块链技术倡导的去中心化原则相冲突。

§   资本配置不足：加密AI项目普遍面临资金不足的问题，未能吸引足够的投资者关注和资本投入。

§   市场表现与基础价值脱节：AI代币的市场表现可能更多受到市场情绪和AI相关新闻的影响，而非其在区块链领域的实际应用或技术进步。

§   对去中心化概念的过度依赖：加密AI领域可能过分强调去中心化的概念，而忽视了深入挖掘和展示其潜在价值和应用前景的重要性。

§   实际应用和增长的挑战：为了实现有意义的采用和增长，加密AI领域需要超越单纯的去中心化概念，展示其技术在实际应用中的价值。

§   安全性和审计的挑战：尽管AI技术在提高区块链安全性方面具有潜力，但如何有效地将AI集成到区块链审计和漏洞修复中，仍是一个挑战。

尽管存在挑战，AI代币的市场表现仍然强劲，尤其是在比特币（BTC）和其他主要科技股表现不佳的时期。这种市场情绪和对AI新闻的关注可能是推动AI代币表现的因素之一。尽管如此，为了实现有意义的采用和增长，加密AI领域需要的不仅仅是去中心化的概念，还需要更深入地理解其潜在价值和应用前景。