Delphi Digital：深度解析DeAI的機遇與挑战

2024-10-17 00:10:06

###TAG_0###原文作者：PonderingDurian，Delphi Digital 研究員

鑑於加密貨幣本質上是开源軟件，具有內置的經濟激勵機制，同時 AI 正在顛覆編寫軟件的方式，因此 AI 將對整個區塊鏈領域產生巨大影響。

AI x Crypto 整體堆棧

DeAI ：機遇與挑战

在我看來，DeAI 面臨的最大挑战在於基礎設施層，因為建立基礎模型需要大量資金，且數據和計算的規模回報也很高。

考慮到擴展法則，科技巨頭具有天然的優勢：在 Web2 階段，它們從聚合消費者需求的壟斷利潤中獲得了巨大的利潤，並在人為壓低費率的十年間將這些利潤重新投資於雲基礎設施，現在，互聯網巨頭正試圖通過佔領數據和計算（ AI 的關鍵要素）來佔領 AI 市場：

大模型的 token 體量對比

由於大規模訓練的資本密集度和高帶寬要求，統一的超級集群仍然是最佳選擇——為科技巨頭提供性能最好的閉源模型——他們計劃以壟斷式的利潤出租這些模型，並將收益再投資於每一代後續產品。

然而，事實證明， AI 領域的護城河比 Web2 網絡效應更淺，領先的前沿模型相對於該領域而言迅速貶值，尤其是 Meta 公司採取「焦土政策」，投入數百億美元开發的 Llama 3.1 等开源前沿模型，其性能達到了 SOTA 水平。

Llama 3 大模型評分

在這一點上，疊加有關低延遲分散訓練方法的新興研究，可能會使（部分）前沿商業模式商品化——隨着智能價格的下降，競爭會（至少部分）從硬件超級集群（有利於科技巨頭）轉向軟件創新（略微有利於开源 / 加密貨幣）。

能力指數（質量）- 訓練價格分布圖

考慮到「混合專家」架構和大模型合成 / 路由的計算效率，我們很有可能面臨的並非只有 3-5 個巨型模型的世界，而是一個由數以百萬計的模型組成、具有不同成本 / 性能權衡的世界。一個相互交織的智能網絡（蜂巢）。

這就構成了一個巨大的協調問題：區塊鏈和加密貨幣激勵機制應該能夠很好地幫助解決這一問題。

核心 DeAI 投資領域

軟件正在吞噬世界。 AI 正在吞噬軟件。而 AI 基本就是數據和計算。

Delphi 看好在這個堆棧中的各組件：

簡化 AI x Crypto 堆棧

基礎設施

鑑於 AI 的動力來源於數據和計算，DeAI 基礎設施致力於盡可能高效地採購數據和計算，並通常採用加密貨幣激勵機制。正如我們前面所提到的，這是競爭中最具挑战性的部分，但考慮到終端市場的規模，這也可能是回報最高的部分。

計算

迄今為止，分布式訓練協議和 GPU 市場一直受到延遲的制約，但它們希望協調潛在的異構硬件，為那些被巨頭的集成化解決方案拒之門外的人提供成本更低、按需計算的服務。Gensyn、Prime Intellect 和 Neuromesh 等公司正在推動分布式訓練的發展，而 io.net、Akash、Aethir 等公司正在實現更接近邊緣智能的低成本推理。

基於聚合供應的項目生態位分布

數據

在一個基於更小、更專業模型的無處不在的智能世界中，數據資產的價值和貨幣化程度越來越高。

迄今為止，DePIN 在很大程度上因其與資本密集型企業（如電信公司）相比能夠構建成本更低的硬件網絡而備受贊譽。然而，DePIN 最大的潛在市場將出現在新型數據集收集方面，這些數據集將流入鏈上智能系統：代理協議 ( 稍後討論）。

在這個世界上，世界上最大的潛在市場——勞動力正在被數據和計算所取代。在這個世界裏，De AI 基礎設施為非技術人員們提供了一種奪取生產資料的途徑，並為即將到來的網絡經濟作出貢獻。

中間件

DeAI 的最終目標是實現有效的可組合計算。就像 DeFi 的資本樂高一樣，DeAI 通過無許可的可組合性彌補了當今絕對性能的不足，激勵軟件和計算原語的开放生態系統隨着時間的推移不斷進行復利，從而（希望）超越現有的軟件和計算原語。

如果說谷歌是「集成」的極端，那么 DeAI 則代表了「模塊化」的極端。正如 Clayton Christensen 所提醒的，在新興產業中，集成式方法往往會通過減少價值鏈條中的摩擦而取得領先地位，但隨着該領域的成熟，模塊化價值鏈條會通過提高堆棧各層中的競爭和成本效率而佔有一席之地：

集成式 vs 模塊化 AI

我們非常看好對實現這一模塊化愿景至關重要的幾個類別：

路由

在一個智能碎片化的世界裏，如何才能以最佳價格選擇正確的模式和時間？需求方聚合器一直在捕捉價值（見聚合理論），而路由功能對於優化網絡智能世界中性能與成本之間的帕累托曲线至關重要：

Bittensor 在第一代產品中一直處於領先地位，但也出現了許多專門的競爭對手。

Allora 以「情境感知」和隨時間自我完善的方式，在不同「主題」中舉辦不同模型之間的競賽，並根據特定條件下的歷史准確性為未來預測提供信息。

Morpheus 的目標是成為 Web3 用例的「需求方路由」——本質上是一種擁有开源的本地代理，能夠掌握用戶的相關上下文，並能通過 DeFi 或 Web3 的「可組合計算」基礎設施的新興構件進行有效路由查詢的「Apple Intelligence」。

Agent 互操作性協議，如 Theoriq 和 Autonolas 等，旨在將模塊化路由推向極致，使靈活的 Agents 或組件的可組合、復合生態系統成為完全成熟的鏈上服務。

總之，在一個智能迅速碎片化的世界裏，供需方聚合器將發揮極其強大的作用。如果說谷歌是一家價值 200 萬美元的公司，為全世界的信息編制索引，那么需求方路由器的贏家——無論是蘋果、谷歌還是 Web3 解決方案——即為代理智能編制索引的公司，會產生更大的規模。

協處理器

鑑於其分散性，區塊鏈在數據和計算方面都受到很大限制。如何將用戶需要的計算和數據密集型 AI 應用引入區塊鏈？通過協處理器！

協處理器在 Crypto 中的應用層

他們都是提供了不同的技術來「驗證」正在使用的基礎數據或模型有效的「預言機」，這種方式可以最大限度地減少鏈上新的信任假設，同時大幅提高其能力。迄今為止，已經有許多項目使用了 zkML、opML、TeeML 和加密經濟方法，它們的優缺點各不相同：

協處理器對比

在更高層次上，協處理器對於智能合約的智能化至關重要——提供類似「數據倉庫」的解決方案，以為更個性化的鏈上體驗進行查詢，或驗證給定推理是否正確完成。

TEE ( 可信執行）網絡，如 Super, Phala 和 Marlin 等由於其實用性和可承載大規模應用程序的能力使得他們最近越來越受歡迎。

總體而言，協處理器對於將具有高確定性但低性能的區塊鏈與高性能但概率性的智能體融合在一起至關重要。沒有協處理器， AI 就不會出現在這一代區塊鏈中。

开發者激勵措施

AI 开源开發的最大問題之一是缺乏使其可持續發展的激勵機制。 AI 开發是高度資本密集型的，計算和 AI 知識工作的機會成本都非常高。如果沒有適當的激勵措施來獎勵开源貢獻，這個領域將不可避免地輸給超資本主義的超級計算機。

從 Sentiment 到 Pluralis、Sahara AI 和 Mira ，這些項目的目標都是啓動網絡，使分散的個人網絡能夠為網絡智能做出貢獻，同時給予適當激勵。

通過商業模型上的彌補，开源的復利速度應該會加快——為开發人員和 AI 研究人員提供了大科技公司之外的一個全球性選擇，並有望根據創造的價值獲得豐厚報酬。

雖然要做到這一點非常困難，而且競爭也越來越激烈，但這裏的潛在市場是巨大的。

GNN 模型

大語言模型在大型文本庫中劃分模式並學習預測下一個單詞，而圖神經網絡（GNN）則處理、分析和學習圖結構數據。由於鏈上數據主要由用戶與智能合約之間的復雜交互組成，換句話說，就是一個圖，因此 GNN 似乎是支持鏈上 AI 用例的合理選擇。

Pond 和 RPS 等項目正試圖為 web3 建立基礎模型，這些模型可能會在交易、Defi 甚至社交用例中應用，如：

價格預測：鏈上行為模型預測價格、自動交易策略、情感分析
AI 金融：與現有 DeFi 應用程序的集成、先進的收益策略和流動性利用、更好的風險管理 / 治理
鏈上營銷：更有針對性的空投 / 定位，基於鏈上行為的推薦引擎

這些模型將大量使用數據倉庫解決方案，如 Space and Time, Subsquid, Covalent 和 Hyperline 等，我也非常看好它們。

GNN 可以證明區塊鏈的大模型和 Web3 數據倉庫是必不可少的輔助工具，即為 Web3 提供 OLAP （聯機分析處理）功能。

應用

在我看來，鏈上 Agents 可能是解決加密貨幣衆所周知的用戶體驗問題的關鍵所在，但更重要的是，過去十年來，我們向 Web3 基礎設施投入了數十億美元，但需求方的利用率卻少得可憐。

不用擔心，Agents 來了...

AI 在人類行為各維度的測試分數增長

而這些 Agent 利用开放、無需許可的基礎設施——跨越支付和可組合計算來實現更加復雜的最終目標，這似乎也是合乎邏輯的。在即將到來的網絡化智能經濟中，經濟流動或許不再是 B -> B ->C，而是用戶 -> Agent -> 計算網絡 -> Agent -> 用戶。這個流動的最終結果是代理協議。應用或服務型企業的开銷有限，主要利用鏈上資源運行，在可組合網絡中滿足最終用戶（或彼此）需求的成本遠低於傳統企業。就像 Web2 的應用層獲取了大部分價值一樣，我也是 DeAI 中「胖代理協議」理論的擁躉。隨着時間的推移，價值捕獲應向堆棧上層轉移。