IOSG Ventures：探索新興AI x Web3產業圖譜

2024-07-09 16:07:13

1

乍一看，AI x Web3 似乎是相互獨立的技術，各自基於根本不同的原理，並服務於不同的功能。然而，深入探討會發現，這兩種技術有機會平衡彼此的權衡取舍，彼此獨特的優勢可以相輔相成，互相提升。Balaji Srinivasan 在 SuperAI 大會上精闢地闡述了這一互補能力的概念，激發了對這些技術如何相互作用的詳細比較。

Token 採用自下而上的方法，從匿名網絡朋克的去中心化努力中興起，十多年的時間通過全球衆多獨立實體的協同努力不斷演變。相反，人工智能是通過自上而下的方法开發的，由少數科技巨頭主導。這些公司決定了行業的步伐和動態，進入門檻更多是由資源密集度而非技術復雜性決定的。

這兩種技術也有着截然不同的本質。本質上，Token 是確定性系統，產生不可改變的結果，如哈希函數或零知識證明的可預測性。這與人工智能的概率性和通常不可預測性形成了鮮明對比。

同樣，加密技術在 驗證方面 表現出色，確保交易的真實性和安全性，並建立 無信任 的流程和系統，而人工智能則專注於生成，創造豐富的數字內容。然而，在創造數字豐富的過程中，確保內容來源和防止身份盜用成為一個挑战。

幸運的是，Token 提供了數字豐富的對立概念—— 數字稀缺性 。它提供了相對成熟的工具，可以推廣到人工智能技術，以確保內容來源的可靠性並避免身份盜用問題。

Token 的一個顯著優勢是其吸引大量硬件和資本進入協調網絡，以服務特定目標的能力。這一能力對消耗大量計算能力的人工智能尤為有利。動員未充分利用的資源以提供更廉價的計算能力，能夠顯著提升人工智能的效率。

通過將這兩大技術進行對比，我們不僅可以欣賞它們各自的貢獻，還可以看到它們如何共同开創技術和經濟的新道路。每一種技術都能彌補另一種技術的不足，創造一個更加一體化、創新的未來。在這篇博客文章中，我們旨在探索新興的 AI x Web3 產業圖譜，重點介紹這些技術交叉點上一些新興的垂直領域。

2

2.1 計算網絡

行業圖譜首先介紹了計算網絡，它們試圖解決受限的 GPU 供應問題，並嘗試以不同的方式降低計算成本。值得重點關注的是以下幾項：

非統一 GPU 互操作性 ：這是一個非常雄心勃勃的嘗試，技術風險和不確定性都很高，但如果成功，將有可能創造出規模和影響巨大的成果，使所有計算資源變得可互換。本質上，這個想法是構建編譯器和其他前提條件，使得在供應端可以插入任何硬件資源，而在需求端，所有硬件的非統一性將完全被抽象化，這樣你的計算請求可以路由到網絡中的任何資源。如果這一愿景成功，將降低目前對 AI 开發者完全主導的 CUDA 軟件的依賴。盡管技術風險很高，許多專家對這種方法的可行性持高度懷疑態度。
高性能 GPU 聚合 ：將全球最受歡迎的 GPU 整合到一個分布式且無權限的網絡中，而無需擔心非統一 GPU 資源之間的互操作性問題。
商品消費級 GPU 聚合 ：指向聚合一些性能較低但可能在消費設備中可用的 GPU，這些 GPU 是供應端最未充分利用的資源。它迎合了那些愿意犧牲性能和速度以獲得更便宜、更長訓練過程的人群。

2.2 訓練與推理

計算網絡主要用於兩個主要功能：訓練和推理。對這些網絡的需求來自於 Web 2.0 和 Web 3.0 項目。在 Web 3.0 領域，像 Bittensor 這樣的項目利用計算資源進行模型微調。在推理方面，Web 3.0 項目強調過程的可驗證性。這一重點催生了可驗證推理作為一個市場垂直領域，項目們正在探索如何將 AI 推理集成到智能合約中，同時保持去中心化的原則。

2.3 智能代理平臺

接下來是 智能代理平臺 ，圖譜概述了這一類別中的初創公司需要解決的核心問題：

代理互操作性和發現及通信能力 ：代理之間能夠互相發現和通信。
代理集群構建和管理能力 ：代理能夠組建集群並管理其他代理。
AI 代理的所有權和市場 ：為 AI 代理提供所有權和市場。

這些特性強調了靈活和模塊化系統的重要性，這些系統可以無縫集成到各種區塊鏈和人工智能應用中。AI 代理有可能徹底改變我們與互聯網的互動方式，我們相信代理將利用基礎設施來支持其操作。我們設想 AI 代理在以下幾方面依賴基礎設施：

利用分布式抓取網絡訪問實時網絡數據
使用 DeFi 渠道進行代理間支付
需要經濟押金不僅是為了在不當行為發生時進行懲罰，還可以提高代理的可發現性（即在發現過程中利用押金作為經濟信號）
利用共識決定哪些事件應導致削減
开放的 互操作性 標准和代理框架以支持構建 可組合的集體
根據 不可變的數據歷史 來評估過去的表現，並實時選擇合適的代理集體

2.4 數據層

在 AI x Web3 的融合中，數據是一個核心組成部分。數據是 AI 競爭中的战略資產，與計算資源一道構成關鍵資源。然而，這一類別往往被忽視，因為業界的大部分注意力都集中在計算層面。實際上，原語在數據獲取過程中提供了許多有趣的價值方向，主要包括以下兩個高層次方向：

訪問 公共互聯網數據
訪問 被保護的數據

訪問公共互聯網數據：這一方向旨在構建分布式爬蟲網絡，可以在幾天內爬取整個互聯網，獲取海量數據集，或實時訪問非常具體的互聯網數據。然而，要爬取互聯網上的大量數據集，網絡需求非常高，至少需要幾百個節點才能开始一些有意義的工作。幸運的是，Grass，一個分布式爬蟲節點網絡，已經有超過 200 萬個節點積極向網絡共享互聯網帶寬，目標是爬取整個互聯網。這顯示了經濟激勵在吸引寶貴資源方面的巨大潛力。

盡管 Grass 在公共數據方面提供了公平的競爭環境，但仍然存在利用潛在數據的難題——即專有數據集的訪問問題。具體來說，仍有大量數據由於其敏感性質而以隱私保護的方式保存。許多初創公司正在利用一些密碼學工具，使 AI 开發者能夠在保持敏感信息私密的同時，利用專有數據集的基礎數據結構來構建和微調大型語言模型。

聯邦學習、差分隱私、可信執行環境、全同態和多方計算 等技術提供了不同級別的隱私保護和權衡。Bagel 的研究文章（https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67）總結了這些技術的優秀概述。這些技術不僅在機器學習過程中保護數據隱私，還可以在計算層面實現全面的隱私保護 AI 解決方案。

2.5 數據與模型來源

數據和模型來源技術旨在建立可以向用戶保證他們正在與預期模型和數據交互的過程。此外，這些技術還提供真實性和來源的保證。以水印技術為例，水印是模型來源技術之一，它將籤名直接嵌入到機器學習算法中，更具體地說是直接嵌入到模型權重中，這樣在檢索時可以驗證推理是否來自預期的模型。

2.6 應用

在應用方面，設計的可能性是無限的。在上面的行業版圖中，我們列出了一些隨着 AI 技術在 Web 3.0 領域的應用而特別令人期待的發展案例。由於這些用例大多是自我描述的，我們在此不作額外評論。然而，值得注意的是，AI 與 Web 3.0 的交匯有可能重塑領域的許多垂直領域，因為這些新原語為开發者創造創新用例和優化現有用例提供了更多的自由度。