技術範式共振，1.5萬字詳解人工智能+加密貨幣全景圖

原文標題：《Understanding the Intersection of Crypto and AI》

原文作者：Lucas Tcheyan

原文編譯：律動小工，BlockBeats

目錄

介紹

核心觀點術語解釋

人工智能+加密貨幣全景圖

去中心化計算

概述

去中心化計算垂直領域

通用計算

二級市場

去中心化機器學習訓練

去中心化通用人工智能

構建用於

AI 模型的去中心化計算堆棧

其他去中心化產品

展望

智能合約與零知識機器學習（zkML）

零知識機器學習（zkML）

基礎設施與工具

協處理器

應用

展望

人工智能代理

代理提供商

比特幣和人工智能代理

展望

結論

介紹

區塊鏈的出現可以說是計算機科學歷史上最重要的進步之一。同時人工智能的發展將會，而且已經在我們的世界產生深遠影響。如果說區塊鏈技術提供了一種新的交易結算、數據存儲和系統設計範例，人工智能則是計算、分析和內容生產的革命。這兩個行業的創新正在解鎖新的用例，這些用例可能會在未來幾年加速兩者的應用落地。本報告探討了加密貨幣和人工智能的集成，重點關注試圖彌合兩者之間差別、利用兩者力量的新用例。具體而言，本報告研究了去中心化計算協議、零知識機器學習（zkML）基礎設施和人工智能代理的項目。

加密貨幣為人工智能提供了一個無需許可、無需信任、可組合的結算層。這解鎖了更多用例，例如通過去中心化計算系統使硬件更容易獲得，構建可以執行需要價值交換的復雜任務的人工智能代理，以及开發身份和來源解決方案來對抗女巫攻擊和深僞技術（Deepfake）。人工智能為加密貨幣帶來了許多好處，正如已經在 Web 2 中看到的那樣。這包括通過大型語言模型（例如 ChatGPT 和 Copilot 的專門訓練版本）增強了用戶和开發者的用戶體驗（UX），以及顯著提高智能合約功能和自動化的潛力。區塊鏈是人工智能所需要的透明、數據豐富的環境。但區塊鏈的計算能力也受到了限制，這是直接集成人工智能模型的主要障礙。

加密貨幣和人工智能的交叉點正在進行的實驗和最終採用背後的驅動力，正是推動加密貨幣許多最有前景的用例的驅動力——一個無需許可、無需信任的協調層，更好地促進價值轉移。鑑於其巨大潛力，該領域的參與者需要理解這兩種技術相交的基本方式。

核心觀點：

在不久的將來（6 個月到 1 年），加密貨幣和人工智能的集成將由人工智能應用程序主導，這些應用程序可以提高开發者的效率、智能合約的可審查性和安全性以及用戶的可使用性。這些集成並非特定於加密貨幣，而是增強了鏈上开發者和用戶的體驗。

正如高性能 GPU 嚴重短缺一樣，去中心化計算產品正在發展人工智能定制的 GPU 產品，這為其採用提供了有力支持。

用戶體驗和監管仍然是去中心化計算客戶的障礙。然而，最近 OpenAI 的發展以及美國正在進行的監管審查突顯了無需許可、抗審查、去中心化人工智能網絡的價值主張。

鏈上人工智能整合，特別是能夠使用人工智能模型的智能合約，需要改進 zkML 技術和其他驗證鏈下計算的計算方法。缺乏全面的工具和开發人才以及高昂的成本是採用的障礙。

人工智能代理非常適合加密貨幣，用戶（或代理本身）可以創建錢包以與其他服務、代理或個人進行交易。這在傳統金融渠道下目前不可能實現。為了更廣泛的採用，需要與非加密產品進行額外的集成。

術語解釋：

人工智能（Artificial Intelligence）是利用計算和機器模仿人類的推理和問題解決能力。

神經網絡（Neural Networks）是一種用於 AI 模型的訓練方法。它們通過一系列算法層處理輸入數據，不斷優化直到產生所需的輸出。神經網絡由具有可修改權重的方程組成，可以修改權重以改變輸出。它們可能需要大量的數據和計算來進行訓練，以確保其輸出准確。這是开發 AI 模型最常見的方式之一（例如，ChatGPT 使用基於 Transformer 的神經網絡過程）。

訓練（Training）是神經網絡和其他 AI 模型开發的過程。它需要大量的數據來訓練模型，以正確地解釋輸入並產生准確的輸出。在訓練過程中，模型方程的權重將不斷修改，直到產生令人滿意的輸出為止。訓練成本可能非常昂貴。例如，ChatGPT 使用數以萬計的 GPU 來處理其數據。資源較少的團隊通常依賴於像亞馬遜網絡服務（Amazon Web Services）、Azure 和谷歌雲服務（Google Cloud Providers）等專用計算提供商。

推理（Inference）是實際使用 AI 模型獲取輸出或結果的過程（例如，使用 ChatGPT 撰寫本報告大綱）。推理在訓練過程中和最終產品中都會用到。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，但計算密集度低於訓練。

零知識證明（Zero Knowledge Proofs，ZKP）允許在不透露基礎信息的情況下驗證聲明。這在加密貨幣中有兩個主要用途：1 隱私和 2 擴展性。對於隱私，這使用戶能夠進行交易而不泄露像錢包中有多少 ETH 這樣的敏感信息。對於擴展性，它使得可以更快地在鏈上證明鏈下計算，而無需重新執行計算。這使得區塊鏈和應用程序可以在鏈下運行計算，然後在鏈上進行驗證。

人工智能+加密貨幣全景圖

在人工智能和加密貨幣交匯的項目仍在开發所需的基礎設施，以支持大規模的鏈上人工智能交互。

去中心化計算市場正在興起，以提供大量的物理硬件，主要是GPU，用於訓練和推理人工智能模型。 這些雙邊市場連接了出租和尋求租用計算資源的人，促進了價值的轉移和計算的驗證。在去中心化計算中，正在出現幾個子類別，提供了額外的功能。除了雙邊市場之外，本報告還將研究專門為可驗證訓練和微調輸出的機器學習訓練提供方，以及致力於連接計算和模型生成以實現人工通用智能的項目，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一個重點領域。 這些項目主要使應用程序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，證明鏈下工作是完整且准確的。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 提供方和想要利用 AI 模型的 DeFi/遊戲之間的集成數量不斷增加中顯而易見。

充足的計算資源供應以及能夠在鏈上驗證計算的能力為鏈上人工智能代理打开了大門。 代理是經過訓練的模型，能夠代表用戶執行請求。代理提供了極大的機會來顯著增強鏈上體驗，使用戶能夠通過與聊天機器人交談來執行復雜的交易。然而，就目前而言，代理項目仍集中於开發基礎設施和工具，以便輕松快速地部署。

去中心化計算

概述

人工智能需要大量的計算資源，無論是用於訓練模型還是進行推理。在過去的十年裏，隨着模型變得越來越復雜，計算需求呈指數級增長。例如，OpenAI 發現，在 2012 年至 2018 年間，其模型的計算需求從每兩年翻倍增長到每三個半月翻倍增長。這導致了對 GPU 的需求激增，一些加密貨幣礦工甚至利用他們的 GPU 提供雲計算服務。隨着獲取計算資源的競爭加劇和成本上漲，一些項目正在利用加密貨幣提供去中心化計算解決方案。它們以有競爭力的價格提供按需計算，以便團隊可以負擔得起訓練和運行模型。在某些情況下，這種權衡可能是性能和安全性。

像 Nvidia 生產的最先進的 GPU 等高端硬件需求很高。在 9 月份，Tether 收購了德國比特幣礦工 Northern Data 的股份，據報道支付了 4.2 億美元，以收購 1 萬個 H100 GPU（用於 AI 訓練的最先進的 GPU 之一）。獲得最佳硬件的等待時間至少為六個月，在許多情況下更長。更糟糕的是，公司通常需要籤訂長期合同，購买他們甚至可能不會使用的計算資源。這可能導致存在計算資源，但市場上卻不可用的情況。去中心化計算系統有助於解決這些市場效率低下的問題，創建了一個二級市場，使計算資源的所有者能夠隨時以競爭價格出租他們的多余資源，釋放新的供應。

除了競爭性定價和易獲取性外，去中心化計算的關鍵價值是抗審查性。前沿的人工智能發展越來越被擁有無與倫比算力和數據獲取權限的大型科技公司所主導。2023 年 AI 指數報告年度報告中首次突出的關鍵主題之一是，行業正在超越學術界，在 AI 模型的开發方面，將控制權集中在少數科技領導者手中。這引發了對他們能否在制定支撐 AI 模型的規範和價值觀方面產生過大影響的擔憂，尤其是在這些科技公司推動監管措施以限制他們無法控制的 AI 开發之後。

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取舍。

通用計算

類似 Akash、io.net、iExec、Cudos 等項目是去中心化計算應用，除了數據和通用計算解決方案外，還提供或將很快提供專門用於 AI 訓練和推理的特定計算資源。

Akash 目前是唯一完全开源的「超級雲」平臺。它是一個使用 Cosmos SDK 的PoS網絡。Akash 的原生代幣 AKT 用於保護網絡、作為支付形式，並激勵參與。Akash 於 2020 年推出了首個主網，重點是提供一個無需許可的雲計算市場，最初提供存儲和 CPU 租賃服務。在 2023 年 6 月，Akash 推出了一個新的測試網，專注於 GPU，9 月推出了 GPU 主網，使用戶能夠租用 GPU 進行 AI 訓練和推理。

Akash 生態系統中有兩個主要角色 - 租戶和提供者。租戶是 Akash 網絡的用戶，他們想購买計算資源。提供者是計算資源提供方。為了匹配租戶和提供者，Akash 依賴於一個逆向拍賣過程。租戶提交他們的計算需求，在其中可以指定某些條件，比如服務器的位置或進行計算的硬件類型，以及他們愿意支付的金額。然後，提供者提交他們的要價，最低出價者獲得任務。

Akash 驗證者維護網絡的完整性。驗證者集目前限制為 100 個，計劃隨着時間逐步增加。任何人都可以通過質押比當前質押金額最少的驗證者更多的 AKT 來成為驗證者。AKT 持有者也可以將他們的 AKT 委托給驗證者。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 網絡都會以由社區確定的比率收取「手續費」，並分配給 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。供應限制導致公司儲備了超出他們可能需要的計算資源，而且由於與雲服務提供商的合同形式，供應進一步受到限制。即使可能不需要持續使用，這些客戶也被鎖定在長期合同中。去中心化計算平臺釋放了新的供應，使全球任何需要的計算資源的人都可以成為提供方。

目前尚不清楚，對用於 AI 訓練的 GPU 的需求激增是否會轉化為 Akash 網絡的長期使用量。長期以來，Akash 一直為 CPU 提供了一個市場，例如，以 70-80% 的折扣提供類似於中心化替代方案的服務。然而，更低的價格並沒有導致顯著的採用。網絡上的租賃活動已經趨於平緩，2023 年第二季度的平均計算資源利用率僅為 33%，內存利用率為 16%，存儲利用率為 13%。盡管這些對於鏈上採用來說是令人印象深刻的指標（作為參考，領先的存儲提供商 Filecoin 在 2023 年第三季度的存儲利用率為 12.6%），但這表明供應繼續超過對這些產品的需求。

距離 Akash 推出 GPU 網絡僅推出半年多的時間，現在准確衡量其長期採用率還為時過早。作為需求的標志，迄今為止 GPU 的平均利用率為 44%，高於 CPU、內存和存儲。這主要是由對最高質量 GPU（如 A100s）的需求推動的，超過 90% 的高質量 GPU 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，但主要還是新 GPU 導致的。

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）的巨大需求意味着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。

盡管初期令人欣喜，但採用仍然存在障礙（下文將進一步討論）。去中心化計算網絡需要採取更多措施來創造需求和供應，團隊正在嘗試如何更好地吸引新用戶。例如，在 2024 年初，Akash 通過了提案 240，以增加 GPU 提供方的 AKT 釋放，並激勵更多的供應，具體針對高端 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能力。Akash 正在訓練他們自己的基礎模型，並已經推出了使用 Akash GPU 生成輸出的聊天機器人和圖像生成產品。類似地，io.net 已經开發了穩定的擴散模型，並正在推出新的網絡功能，以更好地模擬傳統 GPU 數據中心的性能和規模。

去中心化機器學習訓練

除了可以滿足人工智能需求的通用計算平臺外，還出現了一系列專注於機器學習模型訓練的專用 AI GPU 提供方。例如，Gensyn 正在「協調電力和硬件來構建集體智慧」，認為「如果有人想訓練某些東西，而有人愿意訓練它，那么應該允許進行訓練。」

該協議有四個主要角色：提交者、求解者、驗證者和舉報者。提交者向網絡提交帶有訓練請求的任務。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，提交者預先支付一筆費用，以支付求解者估計的計算成本。

一旦提交，任務將分配給求解者，他們將進行模型的實際訓練。然後，求解者將完成的任務提交給驗證者，驗證者負責檢查訓練是否正確完成。舉報者負責確保驗證者誠實行事。為了激勵舉報者參與網絡，Gensyn 計劃定期提供有意錯誤的證明，以獎勵舉報者抓住它們。

除了為人工智能相關工作提供計算之外，Gensyn 的關鍵價值是其驗證系統，該系統仍在开發中。驗證是必要的，以確保 GPU 提供方進行的外部計算是正確的（即確保用戶的模型被訓練成他們想要的方式）。Gensyn 採用一種獨特的方法解決了這個問題，利用稱為「概率學習證明、基於圖的定位協議和 Truebit 風格的激勵遊戲」的新型驗證方法。這是一種樂觀求解模式，使驗證者能夠確認求解者已正確運行模型，而無需完全重新運行它們，這是一種昂貴且低效的過程。

除了其創新的驗證方法外，Gensyn 還聲稱相對於中心化替代方案和加密競爭對手來說具有成本效益 - 提供的 ML 訓練比 AWS 便宜高達 80%，同時在測試中勝過類似項目 Truebit。

這些初步結果能否在去中心化網絡中規模化復制，還有待觀察。Gensyn 希望利用來自提供方（如小型數據中心、普通用戶，甚至將來的小型移動設備，如手機）的多余計算資源。然而，正如 Gensyn 團隊自己承認的，依賴異構計算提供方會引入幾個新挑战。

對於像谷歌雲和 Coreweave 這樣的中心化提供方來說，計算是昂貴的，而計算之間的通信（帶寬和延遲）是便宜的。這些系統旨在盡快實現硬件之間的通信。Gensyn 顛覆了這種框架，通過使世界上任何人都能夠提供 GPU 來降低計算成本，但由於網絡現在必須在去中心化的、位於遙遠地方的異構硬件之間協調計算作業，從而增加了通信成本。Gensyn 尚未推出，但它證明了在構建去中心化機器學習訓練協議時可能發生的事情。

去中心化通用人工智能

去中心化計算平臺還為人工智能創建方法的設計可能性打开了大門。Bittensor 是一個建立在 Substrate 上的去中心化計算協議，試圖回答「我們如何將人工智能轉變為協作方式」的問題。Bittensor 旨在將人工智能生成去中心化和商品化。該協議於 2021 年推出，旨在利用協作式機器學習模型的力量，不斷迭代和產生更好的人工智能。

Bittensor 從比特幣中汲取靈感，其原生貨幣 TAO 的供應量為二千一百萬，有一個四年的減半周期（首次減半將在 2025 年）。與使用工作量證明來生成正確的隨機數並獲得區塊獎勵不同，Bittensor 依賴於「智能證明（Proof of Intelligence）」，要求礦工運行能夠對推理請求產生輸出的模型。

智能激勵網絡

Bittensor 最初依賴混合專家（MoE）模型來生成輸出。當推理請求被提交時，MoE 模型不是依賴於一個通用模型，而是將推理請求傳遞給針對特定輸入類型最准確的模型。可以將其類比為建造房屋時，僱用各種專家來處理建造過程的不同方面（例如：建築師、工程師、畫家、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「與一群聰明人，而不是與一個人交談，以得到最好的答案」。由於確保正確路由、將消息同步到正確模型以及激勵的挑战，這種方法已經被擱置，直到項目更為發展成熟。

Bittensor 網絡中有兩個主要角色：驗證者和礦工。驗證者負責向礦工發送推理請求，審查他們的輸出，並根據其響應的質量對其進行排名。為了確保其排名可靠，驗證者根據其排名與其他驗證者排名的一致程度被賦予「vtrust」分數。驗證者的 vtrust 分數越高，他們就能夠獲得更多的 TAO。這旨在鼓勵驗證者隨着時間的推移就模型排名達成共識，因為達成對模型排名的共識的驗證者越多，他們個人的 vtrust 分數就越高。

礦工，也稱為服務器，是運行實際機器學習模型的網絡參與者。礦工之間競爭，為給定查詢提供最准確的輸出，輸出越准確，他們獲得的 TAO 發行就越多。礦工可以以任何他們想要的方式生成這些輸出。例如，在未來的場景中，一個 Bittensor 礦工完全可能事先在 Gensyn 上對模型進行訓練，然後將其用於賺取 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（即對模型進行訓練）。一旦驗證者向網絡中的礦工查詢並收到他們的響應，然後他們對驗證者進行排名並將其排名提交給網絡。

驗證者（依賴 PoS）和礦工（依賴 Proof of Model，一種 PoW 形式）之間的這種交互被稱為 Yuma 共識。它旨在鼓勵礦工產生最佳輸出以賺取 TAO，以及鼓勵驗證者准確對礦工輸出進行排名，以賺取更高的 vtrust 分數並增加他們的 TAO 獎勵，形成網絡的共識機制。

子網及應用

上文提到，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，隨着貢獻礦工的質量提高和網絡整體人工智能的增長，Bittensor 將在其現有堆棧之上創建一個應用程序層，使开發者能夠構建查詢 Bittensor 網絡的應用程序。

在 2023 年 10 月，通過其 Revolution 升級，Bittensor 完成了朝着實現這一目標邁出的重要一步，引入了子網。 子網是 Bittensor 上的個獨立網絡，激勵特定行為。 Revolution 將網絡开放給任何有興趣創建子網的人。自發布以來的幾個月裏，已經推出了超過 32 個子網，包括用於文本提示、數據抓取、圖像生成和存儲等領域的子網。隨着子網的成熟和產品准備就緒，子網創建者還將創建應用程序集成，使團隊能夠構建查詢特定子網的應用程序。一些應用程序（聊天機器人、圖像生成器、推特回復機器人、預測市場）今天已經存在，但除了 Bittensor 基金會的撥款之外，驗證者沒有正式激勵來接受和轉發這些查詢。

為了提供更清晰的說明，下圖是 Bittensor 集成應用程序後可能運行的示例。

子網根據根網絡評估的表現來獲得 TAO。根網絡位於所有子網的頂部，實質上充當一種特殊類型的子網，並由 64 個最大的子網驗證者按份額管理。根網絡驗證者根據子網的表現對其進行排名，並定期向子網分配 TAO。這樣，各個子網就充當了根網絡的礦工。

Bittensor 前景

Bittensor 在擴展協議功能以激勵跨多個子網的智能生成時，仍在經歷成長的痛苦。礦工們繼續想出新的方法來攻擊網絡，以賺取更多的 TAO，例如通過略微修改其模型運行的高評級推理的輸出，然後提交多個變體。影響整個網絡的治理提案只能由 Triumvirate 提交和實施，Triumvirate 完全由 Opentensor 基金會的利益相關者組成（值得注意的是，提案在實施之前需要 Bittensor 驗證者審批）。項目的代幣經濟學正在進行改進，以改善 TAO 在子網中的使用激勵。該項目還因其獨特的方法而迅速出圈，最受歡迎的人工智能網站 HuggingFace 的 CEO 表示 Bittensor 應該將其資源添加到該網站中。

在一篇最近由核心开發者發布的名為「Bittensor Paradigm」的文章中，團隊闡明了他們對 Bittensor 最終演變為「不受測量對象限制（agnostic to what is being measured）」的愿景。理論上，這可以使 Bittensor 开發激勵任何類型行為的子網，所有這些都由 TAO 提供支持。然而，仍然存在相當大的實際約束 - 最主要的是要證明這些網絡能夠擴展到處理如此多樣的過程，並且底層的激勵機制推動的進展超過了中心化的提供。

構建用於 AI 模型的去中心化計算堆棧

上述部分闡述了正在开發的各種類型的去中心化人工智能計算協議的框架。雖然它們在發展和採用方面還處於早期階段，它們為生態系統提供了基礎，該生態系統最終可能促進創建「AI 構建塊」，就像「DeFi 樂高」概念一樣。無需許可的區塊鏈的可組合性开啓了每個協議在其他協議之上構建的可能性，從而提供了更全面的去中心化人工智能生態系統。

例如，以下是 Akash、Gensyn 和 Bittensor 可能如何相互交互以響應推理請求的一種方式。

需要明確的是，這僅僅是未來可能發生事情的一個示例，而不是對當前生態系統、現有合作夥伴或可能結果。今天，互操作性的限制以及下文描述的其他考慮因素大大限制了集成可能性。除此之外，流動性的碎片化和使用多個代幣的需求可能對用戶體驗產生不利影響，這一點已經被 Akash 和 Bittensor 的創始人指出。

其他去中心化產品

除了計算之外，還有幾種其他去中心化基礎設施服務，以支持加密貨幣新興的人工智能生態系統。列舉它們所有的內容超出了本報告的範圍，但其中一些有趣而具有代表性的例子包括：

Ocean：去中心化的數據市場。用戶可以創建代表其數據的數據 NFT，並使用數據代幣購买。用戶既可以將其數據貨幣化，又可以擁有更大的主權，同時為從事人工智能开發和訓練模型的團隊提供所需的數據獲取途徑。

Grass：去中心化的帶寬市場。用戶可以將他們多余的帶寬出售給使用它從互聯網上抓取數據的人工智能公司。該市場建立在 Wynd 網絡上，這不僅使個人可以將其帶寬貨幣化，而且還為帶寬的購买者提供了更多樣化的視角，了解個人用戶在线上看到的內容（因為個人使用互聯網訪通常是針對其特定的 IP 地址）。

HiveMapper：構建一個去中心化的地圖產品，其中包含從汽車駕駛員收集的信息。HiveMapper 依賴人工智能來解釋用戶汽車儀表板攝像頭收集的圖像，並通過強化人類學習反饋（RHLF）獎勵用戶幫助完善人工智能模型。

總的來說，這些都指向了探索支持人工智能模型的去中心化市場模型，或者支持开發這些模型所需的周邊基礎設施的近乎無盡的機會。目前，這些項目大多處於概念驗證階段，需要進行更多的研究和开發，以證明它們能夠以所需的規模提供全面的人工智能服務。

展望

去中心化計算產品仍處於开發的早期階段。他們剛剛开始使用最先進的計算能力，訓練生產環境中最強大的人工智能模型。為了獲得有意義的市場份額，他們需要展示與中心化替代品相比的實際優勢。更廣泛採用的潛在誘因包括：

GPU 供需情況。 GPU 供應短缺，加上快速增長的計算需求，導致了一場 GPU 競賽。由於 GPU 有限，OpenAI 已經限制了對其平臺的使用。像 Akash 和 Gensyn 這樣的平臺可以為需要高性能計算的團隊提供成本競爭力的替代方案。未來 6-12 個月是去中心化計算提供方吸引新用戶的特殊機會，因為這些用戶被迫考慮去中心化方案。加上越來越高效的开源模型（如 Meta 的 LLaMA 2），用戶在部署有效的微調模型時不再面臨同樣的障礙，這讓計算資源成為主要瓶頸。然而，平臺本身的存在並不能確保計算資源的充足供應和消費者的對應需求。獲得高端 GPU 仍然困難，而成本並不總是需求方的主要動機。這些平臺將面臨挑战，要證明使用去中心化計算的實際好處 - 無論是因為成本、抗審查性、持續時間和彈性還是可使用性 - 以積累粘性用戶。那么這些協議不得不行動迅速。GPU 基礎設施的投資和建設速度非常驚人。

監管。 監管繼續是去中心化計算運動的一大障礙。在短期內，缺乏明確的監管意味着提供方和用戶使用這些服務面臨潛在的風險。如果提供方無意中提供計算或买家從受制裁的實體購买計算，會怎么樣？用戶可能不愿使用缺乏中心化實體控制和監督的去中心化平臺。協議已經試圖通過將控制納入其平臺或僅提供已知計算提供方的篩選器（即提供 KYC 信息）來緩解這些擔憂，但需要更加強大的方法來保護隱私同時確保合規，以促進採用。短期內，我們可能會看到出現 KYC 和符合監管的平臺，限制對其協議的使用以解決這些問題。

審查。 監管是雙向的，去中心化計算提供方可能受益於限制對人工智能的使用所採取的行動。除了行政命令外，OpenAI 創始人 Sam Altman 曾在國會作證，強調了頒發人工智能开發許可證的監管機構的必要性。圍繞人工智能監管的討論剛剛开始，但任何試圖限制對人工智能的使用或審查人工智能的嘗試可能會加速採用沒有這些障礙的去中心化平臺。去年 11 月 OpenAI 的領導層變動進一步證明了將決策權授予僅有少數人的最強大的現有人工智能模型存在的風險。此外，所有人工智能模型都必然反映了其創建者的偏見，無論是有意還是無意。消除這些偏見的一種方法是盡可能地使模型對微調和訓練开放，確保任何人都可以隨時隨地使用各種偏見的模型。

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替代方案更具吸引力。三星公司就曾遭受此類問題，他們意識到工程師正在使用 ChatGPT 來幫助芯片設計，並泄露了敏感信息給 ChatGPT。Phala Network 和 iExec 聲稱為用戶提供了 SGX 安全隔離區，以保護用戶數據，並且正在進行完全同態加密的研究，進一步解鎖確保隱私的去中心化計算。隨着人工智能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功能的應用程序上運行模型。用戶還將需求能夠實現數據的可組合性，以便能夠無縫地將其數據從一個模型轉移到另一個模型。

用戶體驗（UX）。 用戶體驗仍然是所有類型的加密應用和基礎設施更廣泛採用的重要障礙。去中心化計算方案也不例外，並且在某些情況下，由於开發者需要理解加密和人工智能，這種情況更加嚴重。需要進行改進的方面包括從入門和與區塊鏈交互的抽象到提供與當前市場領導者相同的高質量輸出。這是顯而易見的，因為許多運行中的去中心化計算協議提供更便宜的方案，但難以獲得常規使用。

智能合約與零知識機器學習（zkML）

智能合約是任何區塊鏈生態系統的核心之一。在特定條件下，它們會自動執行並減少或消除對可信第三方的需求，從而實現了像 DeFi 中所見的復雜去中心化應用程序的創建。然而，就目前而言，智能合約在功能上仍然存在局限性，因為它們基於預設參數執行，這些參數必須進行更新。

例如，一個借貸協議智能合約根據一定的貸款價值比例規範了何時清算頭寸。在一個風險不斷變化的動態環境中，這些智能合約必須不斷更新以考慮風險容忍度的變化，這為通過去中心化流程進行管理的合約帶來了挑战。例如，依賴去中心化治理流程的 DAO 可能無法及時對系統性風險做出反應。

集成人工智能（如機器學習模型）的智能合約是增強功能、安全性和效率的一種可能的方式，同時改善整體用戶體驗。然而，這些集成也引入了額外的風險，因為無法確保支持這些智能合約的模型不會被攻擊或考慮到長尾情況（衆所周知，由於缺乏數據輸入，很難對模型進行訓練）。

零知識機器學習（zkML）

機器學習需要大量計算資源來運行復雜模型，這使得 AI 模型無法在智能合約內部直接運行，因為高昂的成本。 例如，一個 DeFi 協議為用戶提供了收益優化模型的功能，但如果試圖在鏈上運行該模型，就必須支付高昂的 Gas 費。一種解決方案是增加底層區塊鏈的計算能力。然而，這也會增加鏈的驗證節點的負擔，可能會削弱其去中心化屬性。因此，一些項目正在探索使用 zkML 來以無需密集的鏈上計算就能以無許信任的方式驗證輸出的方法。

說明 zkML 有用性的一個常見示例是，當用戶需要其他人通過模型運行數據，並驗證其交易對手是否實際運行了正確的模型時。也許开發者正在使用去中心化計算提供方來訓練他們的模型，擔心提供方正在嘗試通過使用成本更低的模型來節省成本，但輸出幾乎無法察覺。zkML 使得計算提供方可以運行數據通過他們的模型，然後生成一個證明，可以在鏈上驗證模型對給定輸入的輸出是正確的。在這種情況下，模型提供者將有額外的優勢，即能夠提供他們的模型，而無需透露產生輸出的底層權重。

相反的情況也可以發生。如果用戶想要運行一個模型，使用他們的數據，但又不想讓提供模型的項目獲取他們的數據，因為存在隱私問題（例如醫學檢查或專有業務信息），那么用戶可以在他們的數據上運行模型而不共享它，並驗證他們是否運行了正確的模型，同時提供證據。這些可能性大大擴展了通過解決限制性計算限制來集成人工智能和智能合約功能的設計空間。

基礎設施與工具

鑑於 zkML 領域的早期狀態，开發主要集中在構建團隊將其模型和輸出轉換為可在鏈上驗證的證明所需的基礎設施和工具上。這些產品盡可能地抽象了开發中的零知識方面。

EZKL 和 Giza 這兩個項目，通過提供機器學習模型執行的可驗證證明，來構建這些工具。兩者都幫助團隊構建機器學習模型，以確保這些模型可以以一種無需信任地在鏈上驗證結果的方式執行。這兩個項目都使用开放式神經網絡交換（ONNX）將用通用語言如 TensorFlow 和 Pytorch 編寫的機器學習模型轉換為標准格式。然後，在執行時它們輸出這些模型的版本，也產生 zk-proofs。EZKL 是开源的，生成 zk-SNARKS，而 Giza 是閉源的，生成 zk-STARKS。這兩個項目目前僅與 EVM 兼容。

在過去幾個月中，EZKL 在增強其 zkML 解決方案方面取得了顯著進展，主要集中在降低成本、提高安全性和加速證明生成方面。例如，在 2023 年 11 月，EZKL 集成了一個新的开源 GPU 庫，將總體證明時間減少了 35%，並且在 1 月份，EZKL 宣布了 Lilith，這是一個軟件解決方案，用於在使用 EZKL 證明系統時集成高性能計算集群並協調並發作業。Giza 獨特之處在於，除了提供創建可驗證機器學習模型的工具之外，他們還計劃實現 Hugging Face 的 web3 等效版本，為 zkML 協作和模型共享开設一個用戶市場，並最終集成去中心化的計算產品。在 1 月份，EZKL 發布了一個基准評估，比較了 EZKL、Giza 和 RiscZero（下文討論）的性能。EZKL 表現出更快的證明時間和內存使用率。

Modulus Labs 也正在开發一種專為人工智能模型量身定制的新的 zk-proof 技術。Modulus 發表了一篇名為《The Cost of Intelligence》（暗示了在鏈上運行 AI 模型的成本極高）的論文，對當時的現有 zk-proofs 系統進行了基准測試，以識別改進 AI 模型 zk-proofs 的能力和瓶頸。該論文發表於 2023 年 1 月，表明現有的解決方案成本和效率都太高，無法實現大規模的 AI 應用。基於他們的初步研究，Modulus 在 11 月推出了 Remainder，這是一個專門為降低 AI 模型成本和證明時間而構建的專業零知識證明器，旨在使項目能夠經濟上可行地大規模集成模型到他們的智能合約中。他們的工作是閉源的，因此無法與上述解決方案進行基准測試，但最近在 Vitalik 的有關加密和人工智能的博客文章中提到了它們。

工具和基礎設施的开發對 zkML 領域的未來增長至關重要，因為它極大地減少了團隊部署 zk 電路以進行可驗證的鏈下計算所需的摩擦力。 創建安全接口，使非加密原生开發者在機器學習領域工作時能夠將他們的模型帶到鏈上，將使具有真正新穎用例的應用程序的實驗增加。工具還解決了更廣泛的 zkML 採用的一個主要障礙，即缺乏在零知識、機器學習和密碼學交叉領域有知識和興趣的开發者。

協處理器

正在开發的其他解決方案，稱為「協處理器」，包括 RiscZero、Axiom 和 Ritual。術語「協處理器」在大多數情況下是語義上的 - 這些網絡承擔許多不同的角色，包括在鏈上驗證鏈下計算。與 EZKL、Giza 和 Modulus 一樣，它們的目標是完全抽象化零知識證明生成過程，從而創建基本上是能夠在鏈下執行程序並為鏈上驗證生成證明的零知識虛擬機。RiscZero 和 Axiom 可以處理簡單的 AI 模型，因為它們是更通用的協處理器，而 Ritual 則專為與 AI 模型配合使用而構建。

Infernet 是 Ritual 的第一個實例，並包含一個 Infernet SDK，允許开發者向網絡提交推理請求，並在返回時收到輸出和證明（可選）。Infernet 節點接收這些請求，並在鏈下處理計算，然後返回輸出。例如，一個 DAO 可以創建一個流程，以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，調用一個特定於 DAO 的治理訓練過的 AI 模型。該模型審查提案，以確保提交了所有必要的條件，並返回輸出和證明，要么批准，要么否決提案的提交。

在未來一年內，Ritual 團隊計劃推出構成基礎設施層的附加功能，稱為 Ritual Superchain。之前討論過的許多項目都可以作為服務提供方插入到 Ritual 中。目前，Ritual 團隊已經與 EZKL 整合進行了證明生成，並可能很快會添加來自其他領先提供方的功能。Ritual 上的 Infernet 節點還可以使用 Akash 或 io.net GPU，並查詢在 Bittensor 子網上訓練的模型。他們的最終目標是成為开放 AI 基礎設施的首選提供方，能夠為任何網絡上的任何工作提供機器學習和其他與 AI 相關的任務服務。

應用

zkML 有助於調和區塊鏈和人工智能之間的矛盾，前者天生資源受限，後者需要大量的計算和數據。正如 Giza 的一位創始人所說：「用例是如此豐富... 這有點像在以太坊早期問智能合約有哪些用例一樣... 我們正在擴展智能合約的用例。」然而，正如上文所強調的，當今的發展主要集中在工具和基礎設施層面。應用程序仍處於探索階段，團隊們面臨的挑战是證明使用 zkML 實現模型帶來的價值超過了這樣做的復雜性和成本。

今天的一些應用包括：

DeFi。 zkML 通過增強智能合約的功能，拓展了 DeFi。DeFi 協議為機器學習模型提供了大量可驗證和不變的數據，可用於生成產生收益或交易策略、風險分析、UX 等。例如，Giza 與 Yearn Finance 合作，為 Yearn 的新 v3 保險庫構建了一個概念驗證的自動風險評估引擎。Modulus Labs 與 Lyra Finance 合作，將機器學習納入其 AMMs，與 Ion Protocol 合作驗證者風險模型，並幫助 Upshot 驗證其基於 AI 的 NFT 價格數據源。像 NOYA（利用 EZKL）和 Mozaic 這樣的協議提供了對專有鏈下模型的使用，使用戶能夠使用自動 APY 機槍池，同時能夠在鏈上驗證數據輸入和證明。Spectral Finance 正在構建鏈上信用評分引擎，預測 Compound 或 Aave 借款人違約的可能性。這些所謂的「De-Ai-Fi」產品有望在未來幾年中變得更加普遍，這要歸功於 zkML。

遊戲。 人們一直認為區塊鏈顛覆和增強遊戲的時機已經成熟。zkML 使得在鏈上使用人工智能進行遊戲成為可能。Modulus Labs 已經為簡單的鏈上遊戲實現了概念驗證。Leela vs the World是一個博弈論象棋遊戲，用戶與 AI 象棋模型對決，zkML 驗證 Leela 的每一步都是基於遊戲所採用的模型在運行。類似地，團隊們使用 EZKL 框架構建了簡單的唱歌比賽和鏈上井字棋。Cartridge 正在利用 Giza 使團隊能夠部署完全在鏈上的遊戲，最近力推了一個簡單的 AI 駕駛遊戲，用戶競爭創建更好的模型，使汽車避开障礙物。雖然簡單，但這些概念驗證指向了未來的落地，即實現更復雜的鏈上驗證，如與 AI Arena 中的高級 NPC 角色交互的遊戲經濟相互作用，AI Arena 是一款類似於超級馬裏奧的遊戲，玩家訓練自己的战士，然後部署為 AI 模型進行战鬥。

身份、溯源和隱私。 加密已經被用作驗證真實性的手段，並對越來越多的 AI 生成/操縱的內容和深僞進行打擊。zkML 可以推進這些努力。WorldCoin 是一個人格證明的解決方案，需要用戶掃描他們的虹膜生成唯一 ID。未來，生物識別 ID 可以通過使用加密存儲在個人設備上自我保管，所需的模型用於本地驗證這些生物識別信息。用戶可以提供他們的生物識別信息的證明，而無需透露自己的身份，從而抵御女巫攻擊，同時確保隱私。這也可以應用於其他需要隱私的推斷，例如使用模型分析醫學數據/圖像以檢測疾病、驗證個體身份並在約會應用程序中开發匹配算法，或用於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型和概念驗證。目前面臨的挑战包括計算成本、內存限制、模型復雜性、有限的工具和基礎設施，以及开發人才。簡而言之，在 zkML 可以實現消費產品所需的規模之前，還有大量工作要做。

然而，隨着領域的成熟和這些限制的解決，zkML 將成為人工智能和加密集成的關鍵組成部分。在其核心，zkML 承諾能夠將任何規模的鏈下計算帶到鏈上，同時保持與在鏈上運行計算相同或接近相同的安全保障。然而，在實現這一愿景之前，該技術的早期用戶將繼續不得不在 zkML 的隱私和安全性與替代方案的效率之間進行權衡。

人工智能代理

人工智能和加密貨幣最令人興奮的集成之一是正在進行的人工智能代理實驗。 代理是能夠接收、解釋和執行任務的自治機器人，使用的是 AI 模型。 代理可以是任何東西，從擁有一個始終可用、根據您的偏好進行優化的個人助手，到僱傭一個財務代理，根據用戶的風險偏好管理，並調整投資組合。

代理和加密很好地結合在一起，因為加密提供了無需許可和無需信任的支付基礎設施。一旦訓練完成，代理可以擁有一個錢包，以便它們可以自行與智能合約進行交易。例如，如今簡單的代理可以在互聯網上搜索信息，然後根據一個模型在預測市場上進行交易。

代理提供商

Morpheus 是 2024 年在以太坊和 Arbitrum 上推出的最新的开源代理項目之一。其白皮書於 2023 年 9 月匿名發布，為一個社區形成和建立提供了基礎（包括像 Erik Vorhees 這樣的知名人物）。白皮書包括可下載的智能代理協議，這是一個开源的 LLM，可以在本地運行，由用戶的錢包管理，並與智能合約進行交互。它使用智能合約排名來幫助代理確定基於諸如處理的交易數量等標准與哪些智能合約進行交互是安全的。

白皮書還提供了構建 Morpheus 網絡的框架，例如實施智能代理協議所需的激勵結構和基礎設施。這包括激勵貢獻者為與代理交互的前端構建界面，為开發者構建可以插入代理以便它們彼此交互的應用程序的 API，以及為用戶提供雲解決方案，以便他們可以使用在邊緣設備上運行代理所需的計算和存儲。該項目的初始資金於 24 年 2 季度初啓動，完整的協議預計將在那時推出。

去中心化自治基礎設施網絡 (DAIN) 是一種新的代理基礎設施協議，在 Solana 上構建代理到代理經濟。DAIN 的目標是讓來自不同企業的代理可以通過通用 API 無縫地相互交互，從而大大开放 AI 代理的設計空間，重點是實現能夠與 web2 和 web3 產品交互的代理。一月份，DAIN 宣布與 Asset Shield 首次合作，使用戶能夠將「代理籤名者」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 是最早部署的人工智能代理協議之一，已經开發了一個生態系統，用於在鏈上使用其 FET 代幣和 Fetch.AI 錢包構建、部署和使用代理。該協議提供了一套全面的工具和應用程序，用於使用代理，包括與代理進行交互和下達命令的錢包內功能。

Autonolas 的創始人來自 Fetch 團隊的前成員，他們是一個用於創建和使用去中心化的人工智能代理的开放市場。Autonolas 還為开發者提供一套工具，用於構建鏈下托管的人工智能代理，並能夠連接到包括 Polygon、以太坊、Gnosis Chain 和 Solana 在內的多條鏈。他們目前有一些活躍的代理概念驗證產品，包括用於預測市場和 DAO 治理的產品。

SingularityNet 正在建立一個用於 AI 代理的去中心化市場，人們可以在那裏部署專注於特定領域的 AI 代理，這些代理可以被其他人或代理僱傭來執行復雜的任務。其他項目，如 AlteredStateMachine，正在構建與 NFTs 的 AI 代理集成。用戶鑄造具有隨機屬性的 NFTs，這些屬性使它們對不同任務具有優勢和劣勢。然後，這些代理可以被訓練來增強某些屬性，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代理的未來生態系統，這些代理能夠共同工作，不僅執行任務，還能幫助構建人工通用智能。真正復雜的代理將能夠自主地執行任何用戶任務。 例如，不需要確保代理已經集成了外部 API（如旅行預訂網站）就可以使用它，完全自主的代理將有能力找出如何僱傭另一個代理來集成 API，然後執行任務。從用戶的角度來看，沒有必要檢查代理是否能夠執行任務，因為代理可以自行確定。

比特幣和人工智能代理

2023 年 7 月，閃電實驗室推出了在閃電網絡上使用代理的概念驗證方案，稱為 LangChain 比特幣套件。這個產品尤其有趣，因為它旨在解決 Web 2 世界中一個日益嚴重的問題——網絡應用程序的門禁（限制獲取）和昂貴的 API 服務。

LangChain 通過為开發者提供一套工具，使代理能夠購买、出售和持有比特幣，以及查詢 API 密鑰並發送微支付來解決這個問題。在傳統的支付渠道上，由於費用問題，小額微支付基本上不可行，而在閃電網絡上，代理可以每天發送無限的微支付，並且只需支付極少的費用。當與 LangChain 的 L402 支付計量 API 框架結合使用時，這可以使公司根據使用量的增加和減少來調整對其 API 的使用費用，而不是設置一個單一的成本禁止標准。

在未來，鏈上活動主要由代理與代理交互所主導，上文提到的事情將是必要的，以確保代理能夠以不成本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軌道上使用代理，為新市場和經濟互動开闢了可能性。

展望

代理領域仍處於初期階段。

項目剛剛开始推出功能代理，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开發者和用戶才能使用。

然而，隨着時間的推移，人工智能代理將對加密領域產生的最大影響之一是改善所有垂直領域的用戶體驗。交易將开始從基於點擊轉向基於文本，用戶將能夠通過大語言模型（LLMs）與鏈上代理進行交互。已經有像 Dawn Wallet 這樣的團隊推出了用於用戶在鏈上進行交互的聊天機器人錢包。

此外，尚不清楚代理在 Web 2.0 中如何運作，因為金融軌道依賴於受監管的銀行機構，這些機構不能 24/7 運營且無法進行無縫跨境交易。正如 Lyn Alden 所強調的那樣，因為缺乏退款和處理小額交易的能力，與信用卡相比，加密渠道尤其吸引人。然而，如果代理變得更普遍，現有的支付提供商和應用程序可能會迅速採取行動，實現所需的基礎設施，使其能夠在現有的金融渠道上運作，從而減輕使用加密的一些好處。

目前，代理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。如何利用這些代理的能力來執行復雜任務的模型，以及擴展其可以完成的任務範圍的工具，都需要進一步的發展。要使加密代理在新穎的鏈上加密用例之外變得有用，需要更廣泛地整合和接受加密作為支付形式以及法規的明確。然而，隨着這些組件的發展，代理將成為上文討論的去中心化計算和 zkML 解決方案中最大的消費者之一，以自主的非確定性方式接收和解決任何任務。

結論

人工智能向加密領域引入了與我們已經在 Web2 中看到的相同的創新，增強了從基礎設施开發到用戶體驗和可使用性的各個方面。然而，項目仍處於早期階段，在短期內，加密和人工智能的整合將主要由鏈下整合主導。

像 Copilot 這樣的產品將「使开發效率提升 10 倍」，與微軟等主要公司合作，Layer 1 們和 DeFi 應用程序已經在推出 AI 輔助开發平臺。像 Cub3.ai 和 Test Machine 這樣的公司正在开發用於智能合約審計和實時威脅監控的人工智能，以增強鏈上安全性。而 LLM 聊天機器人正在使用鏈上數據、協議文件和應用程序進行訓練，以提供用戶增強的可使用性和用戶體驗。

對於更高級的整合，真正充分利用加密的基礎技術，挑战在於證明在鏈上實現人工智能解決方案在技術上是可行的，且在規模上是經濟可行的。去中心化計算、zkML 和人工智能代理的發展都指向了有前景的垂直領域，為一個將加密和人工智能深度交織在一起的未來奠定了基礎。