Web3-AI賽道全景報告：技術邏輯、場景應用與頂級項目深度剖析

2024-10-19 16:10:03

撰文：Geekcartel

隨着 AI 敘事的持續升溫，越來越多的關注集中在這一賽道。Geekcartel 對 Web3-AI 賽道的技術邏輯、應用場景及代表項目進行了深入剖析，為您全面呈現該領域的全景與發展趨勢。

一、Web3-AI：技術邏輯與新興市場機會解析

1.1 Web3 與 AI 的融合邏輯：如何界定 Web-AI 賽道

在過去的一年中，AI 敘事在 Web3 行業中異常火爆，AI 項目如雨後春筍般湧現。 雖然有許多項目涉及 AI 技術，但一些項目僅在其產品的某些部分使用 AI，底層的代幣經濟學與 AI 產品並無實質關聯，因此這類項目在本文中不屬於 Web3-AI 項目的討論之列。

本文的重點在於使用區塊鏈解決生產關系問題，AI 解決生產力問題的項目，這些項目本身提供 AI 產品，同時基於 Web3 經濟模型作為生產關系工具，二者相輔相成。我們將這類項目歸類為 Web3-AI 賽道。為了使讀者更好的理解 Web3-AI 賽道，Geekcartel 將展开介紹 AI 的开發過程和挑战，以及 Web3 和 AI 結合如何完美解決問題和創造新的應用場景。

1.2 AI 的开發過程和挑战：從數據收集到模型推理

AI 技術是一項讓計算機模擬、擴展和增強人類智能的技術。 它能夠使計算機能夠執行各種復雜的任務，從語言翻譯，圖像分類再到人臉識別、自動駕駛等應用場景，AI 正在改變我們生活和工作的方式。

开發人工智能模型的過程通常包含以下幾個關鍵步驟：數據收集和數據預處理、模型選擇和調優、模型訓練和推理。 舉一個簡單的例子，开發一個模型來實現對貓和狗圖像的分類，你需要：

數據收集和數據預處理： 收集包含貓和狗的圖像數據集，可以使用公开數據集或自己收集真實數據。然後為每張圖像標注類別（貓或狗），確保標籤准確無誤。將圖像轉化為模型可以識別的格式，將數據集劃分為訓練集、驗證集和測試集。
模型選擇和調優： 選擇合適的模型，例如卷積神經網絡（CNN），比較適合圖像分類任務。根據不同需求對模型參數或架構調優，通常來說，模型的網絡層次可以根據 AI 任務的復雜度來調整。在這個簡單的分類例子中，較淺的網絡層次可能就足夠。
模型訓練： 可以使用 GPU、TPU 或高性能計算集群來訓練模型，訓練時間受模型復雜度和計算能力的影響。
模型推理： 模型訓練好的文件通常稱為模型權重，推理過程是指使用已經訓練好的模型對新數據進行預測或分類的過程。這個過程中可以使用測試集或新數據來測試模型的分類效果，通常用准確率、召回率、F 1-score 等指標來評估模型的有效性。

如圖所示，經過數據收集和數據預處理、模型選擇和調優以及訓練，將訓練好的模型在測試集上進行推理會得出貓和狗的預測值 P（probability），即模型推理出是貓或狗的概率。

訓練好的 AI 模型可以進一步地集成到各種應用程序中，執行不同任務。在這個例子裏，貓狗分類的 AI 模型可以集成到一個手機應用中，用戶上傳貓或狗的圖片，就可以獲得分類結果。

然而，中心化的 AI 开發過程在以下場景中存在一些問題：

用戶隱私： 在中心化的場景裏，AI 的开發過程通常是不透明的。用戶數據可能會在不知情的情況下被竊取並用於 AI 訓練。
數據源獲取： 小型團隊或個人在獲取特定領域數據（如醫學數據）時，可能會面臨數據不开源的限制。
模型選擇和調優： 對於小型團隊來說，很難獲取特定領域的模型資源或花費大量成本進行模型調優。
算力獲取： 對個人开發者和小型團隊而言，高昂的 GPU 購买成本和雲算力租賃費用可能構成顯著的經濟負擔。
AI 資產收入： 數據標注工作者常常無法獲得與其付出相匹配的收入，而 AI 开發者的研究成果也難以與有需求的买家匹配。

中心化 AI 場景下存在的挑战可以通過和 Web3 結合，Web3 作為一種新型生產關系，天然適配代表新型生產力的 AI，從而推動技術和生產能力的同時進步。

1.3 Web3 與 AI 的協同效應：角色轉變與創新應用

Web3 與 AI 結合可以增強用戶主權，為用戶提供开放的 AI 協作平臺，使用戶從 Web2 時代的 AI 使用者轉變為參與者，創建人人可擁有的 AI。同時，Web3 世界與 AI 技術的融合還能碰撞出更多創新的應用場景和玩法。

基於 Web3 技術，AI 的开發和應用將迎來一個嶄新的協作經濟體系。 人們的數據隱私可以得到保障，數據衆包模式促進 AI 模型的進步，衆多开源的 AI 資源可供用戶使用，共享的算力可以以較低的成本獲取。借助去中心化的協作衆包機制和开放的 AI 市場，可以實現公平的收入分配體系，從而激勵更多人來推動 AI 技術的進步。

在 Web3 場景中，AI 能夠在多個賽道上產生積極影響。 例如，AI 模型可以集成到智能合約中，在不同的應用場景下提升工作效率，如市場分析、安全檢測、社交聚類等多種功能。生成式 AI 不僅可以讓用戶體驗“藝術家”角色，比如使用 AI 技術創建自己的 NFT，還可以在 GameFi 中創造豐富多樣的遊戲場景和有趣的交互體驗。豐富的基礎設施提供流暢的开發體驗，不論是 AI 專家還是想要進入 AI 領域的新手都可以在這個世界裏找到合適的入口。

二、 Web3-AI 生態項目版圖及架構解讀

我們主要研究了 Web3-AI 賽道的 41 個項目，並將這些項目劃分為不同的層級。每一層的劃分邏輯如下圖所示，包括基礎設施層、中間層和應用層，每一層又分為不同的板塊。在下一章節中，我們將對一些具有代表性的項目進行深度解析。

基礎設施層涵蓋了支持整個 AI 生命周期運行的計算資源和技術架構，中間層則包括了連接基礎設施與應用的數據管理、模型开發和驗證推理服務，應用層則聚焦於直接面向用戶的各類應用和解決方案。

基礎設施層：

基礎設施層是 AI 生命周期的基礎，本文將算力，AI Chain 和开發平臺歸類為基礎設施層。正是這些基礎設施的支持，才能實現 AI 模型的訓練與推理，並將功能強大、實用的 AI 應用程序呈現給用戶。

去中心化計算網絡： 可以為 AI 模型訓練提供分布式算力，確保高效且經濟的計算資源利用。一些項目提供了去中心化的算力市場，用戶可以以低成本租賃算力或共享算力獲得收益，代表項目如 IO.NET 和 Hyperbolic 。此外，一些項目衍生出了新玩法，如 Compute Labs ，提出了代幣化協議，用戶通過購买代表 GPU 實體的 NFT，可以以不同方式參與算力租賃以獲取收益。
AI Chain： 利用區塊鏈作為 AI 生命周期的基礎，實現鏈上鏈下 AI 資源的無縫交互，促進行業生態圈的發展。鏈上的去中心化 AI 市場可以交易 AI 資產如數據、模型、代理等，並提供 AI 开發框架和配套的开發工具，代表項目如 Sahara AI。AI Chain 還可以促進不同領域的 AI 技術進步，如 Bittensor 通過創新的子網激勵機制來促進不同 AI 類型的子網競爭。
开發平臺： 一些項目提供 AI 代理开發平臺，還可以實現 AI 代理的交易，如 Fetch.ai 和 ChainML 等。一站式的工具幫助开發者更便捷地創建、訓練和部署 AI 模型，代表項目如 Nimble。這些基礎設施促進了 AI 技術在 Web3 生態系統中的廣泛應用。

中間層：

這一層涉及 AI 數據、模型以及推理和驗證，採用 Web3 技術可以實現更高的工作效率。

數據： 數據的質量和數量是影響模型訓練效果的關鍵因素。在 Web3 世界裏，通過衆包數據和協作式的數據處理，可以優化資源利用並降低數據成本。用戶可以擁有數據的自主權，在隱私保護的情況下出售自己的數據，以避免數據被不良商家竊取和牟取高額利潤。對於數據需求方來說，這些平臺提供了廣泛的選擇和極低的成本。代表項目如 Grass 利用用戶帶寬來抓取 Web 數據，xData 通過用戶友好的插件來收集媒體信息，並支持用戶上傳推文信息。

此外，一些平臺允許領域專家或普通用戶執行數據預處理任務，如圖像標注、數據分類，這些任務可能需要專業知識的金融和法律任務的數據處理，用戶可以將技能代幣化，實現數據預處理的協作衆包。代表如 Sahara AI 的 AI 市場，具有不同領域的數據任務，可以覆蓋多領域的數據場景；而 AIT Protocolt 通過人機協同的方式對數據進行標注。

模型： 此前提到過的 AI 开發過程中，不同類型的需求需要匹配適合的模型，圖像任務常用的模型如 CNN、GAN，目標檢測任務可以選擇 Yolo 系列，文本類任務常見 RNN、Transformer 等模型，當然還有一些特定或通用的大模型。不同復雜度的任務需要的模型深度也不同，有時需要對模型調優。

一些項目支持用戶提供不同類型的模型或通過衆包方式協作訓練模型，如 Sentient 通過模塊化的設計，允許用戶將可信的模型數據放在存儲層，分發層來進行模型優化，Sahara AI 提供的开發工具內置先進的 AI 算法和計算框架，且具有協作訓練的能力。

推理和驗證： 模型經過訓練之後會生成模型權重文件，可以用來直接進行分類、預測或其他特定任務，這個過程稱為推理。推理過程通常伴隨着驗證機制，來驗證推理模型的來源是否正確，是否有惡意行為等。Web3 的推理通常可以集成在智能合約裏，通過調用模型進行推理，常見的驗證方式包括 ZKML，OPML 和 TEE 等技術。代表項目如 ORA 鏈上 AI 預言機（OAO），引入了 OPML 作為 AI 預言機的可驗證層，在 ORA 的官網中還提到了他們關於 ZKML 和 opp/ai（ZKML 結合 OPML）的研究。

應用層：

這一層主要是直接面向用戶的應用程序，將 AI 與 Web3 結合，創造出更多有趣的、創新的玩法，本文主要梳理了 AIGC（AI 生成內容）、AI 代理和數據分析這幾個板塊的項目。

AIGC： 通過 AIGC 可以擴展到 Web3 裏的 NFT、遊戲等賽道，用戶可以直接通過 Prompt（用戶給出的提示詞）來生成文本、圖像和音頻，甚至可以在遊戲中根據自己的喜好生成自定義的玩法。NFT 項目如 NFPrompt ，用戶可以通過 AI 生成 NFT 在市場上交易；遊戲如 Sleepless ，用戶通過對話塑造虛擬伴侶的性格來匹配自己的喜好；
AI 代理： 指能夠自主執行任務並做出決策的人工智能系統。AI 代理通常具備感知、推理、學習和行動的能力，可以在各種環境中執行復雜任務。常見的 AI 代理如語言翻譯、語言學習、圖像轉文本等，在 Web3 場景中可以生成交易機器人、生成 meme 梗圖、鏈上安全檢測等。如 MyShell 作為 AI 代理平臺，提供多種類型的代理，包括教育學習、虛擬伴侶、交易代理等，並且提供用戶友好的代理开發工具，無需代碼即可搭建屬於自己的代理。
數據分析： 通過融入 AI 技術和相關領域的數據庫，來實現數據的分析、判斷、預測等，在 Web3 裏，可以通過分析市場數據、聰明錢動態等來輔助用戶進行投資判斷。代幣預測也是 Web3 裏獨特的應用場景，代表項目如 Ocean ，官方設置了代幣預測的長期挑战，同時還會發布不同主題的數據分析任務激勵用戶參與。

三、Web3-AI 賽道前沿項目全景解析

一些項目正在探索 Web3 與 AI 相結合的可能性。GeekCartel 將通過梳理這個賽道的代表項目，帶領大家感受 WEB3-AI 的魅力，了解項目如何實現 Web3 與 AI 的融合，創造新的商業模式和經濟價值。

Sahara AI : 致力於協作經濟的 AI 區塊鏈平臺

Sahara AI 在整個賽道頗具競爭力，其致力於構建一個全面的 AI 區塊鏈平臺，涵蓋 AI 數據、模型、代理以及算力等全方位的 AI 資源，底層架構為平臺的協作經濟保駕護航。通過區塊鏈技術和獨特的隱私技術確保 AI 資產的去中心化所有權和治理貫穿整個 AI 开發周期，實現公平的激勵分配。 團隊擁有深厚的 AI 和 Web3 背景，使其完美融合了這兩大領域，也得到了頂級投資人的青睞，在賽道中展現出巨大的潛力。

Sahara AI 不僅僅局限於 Web3，因為它打破了傳統 AI 領域中資源和機會的不平等分配。通過去中心化的方式，算力、模型和數據在內的 AI 關鍵要素不再被中心化巨頭壟斷，每一個人都有機會在這個生態裏找到適合自己的定位來獲益，並被激發創造力和群策群力的積極性。

如圖所示，用戶可以作為使用 Sahara AI 提供的工具包來貢獻或創造自己的數據集、模型、AI 代理等資產，將這些資產放在 AI 市場獲利的同時還可以獲得平臺激勵，消費者可以按需交易 AI 資產。同時，這些交易信息都會被記錄在 Sahara Chain 上，區塊鏈技術和隱私保護措施確保了貢獻的追蹤、數據的安全和報酬的公平性。

在 Sahara AI 的經濟系統中，除了以上提到的开發者、知識提供者和消費者的角色，用戶還可以作為投資者，提供資金和資源（GPU、雲服務器、RPC 節點等）來支持 AI 資產的开發和部署，也可以作為 Operator 來維護網絡的穩定性，以及作為驗證者來維護區塊鏈的安全性和完整性。不管用戶以哪種方式參與 Sahara AI 平臺，都會根據其貢獻獲得獎勵和收入。

Sahara AI 區塊鏈平臺建立在分層架構之上，鏈上和鏈下的基礎設施使用戶和开發人員能夠有效地為整個 AI 开發周期做出貢獻並從中受益。Sahara AI 平臺的架構分為四層：

應用程序層

應用程序層作為用戶界面和主要交互點，提供原生內置的工具包和應用程序以增強用戶體驗。

功能組件：

Sahara ID — 確保用戶安全訪問 AI 資產和追蹤用戶貢獻；
Sahara Vault — 保護 AI 資產的隱私和安全，免受未經授權的訪問和潛在威脅；
Sahara Agent — 具備角色對齊（配合用戶行為習慣的交互）、終身學習、多模態感知（可處理多類型的數據）和多工具執行功能；

交互式組件：

Sahara 工具包 — 支持技術和非技術用戶創建和部署 AI 資產；
Sahara AI 市場 — 用於發布、貨幣化和交易 AI 資產，提供靈活的許可和多種變現選項。

交易層

Sahara AI 的交易層採用 Sahara 區塊鏈，這個 L1 配備了管理所有權、歸屬以及平臺上 AI 相關的交易協議，在維護 AI 資產的主權和來源方面起着關鍵作用。S ahara 區塊鏈集成了創新的 Sahara AI 原生的預編譯（SAP）和 Sahara 區塊鏈協議（SBP）來支持整個 AI 生命周期任務中的基本任務。

SAP 是區塊鏈原生運行級別的內置函數，分別側重於 AI 訓練 / 推理過程。 SAP 有助於調用、記錄和驗證鏈下 AI 訓練 / 推理過程，確保 Sahara AI 平臺內开發的 AI 模型的可信度和可靠性，並保證所有 AI 推理的透明性、可驗證性和可追溯性同時。同時，通過 SAP 可以實現更快的執行速度、更低的計算开銷和 Gas 成本。
SBP 則通過智能合約實施特定於 AI 的協議，確保 AI 資產和計算結果得到透明可靠的處理。 包括包括 AI 資產注冊、許可（訪問控制）、所有權和歸因（貢獻跟蹤）等功能。

數據層

Sahara AI 的數據層旨在優化整個 AI 生命周期的數據管理。它充當一個重要的接口，將執行層連接到不同的數據管理機制，並無縫集成鏈上和鏈下數據源。

數據組件： 包括鏈上和鏈下數據，鏈上數據包括 AI 資產的元數據、歸屬、承諾和證明等，數據集、AI 模型和補充信息等存儲在鏈下。
數據管理： Sahara AI 的數據管理方案提供了一套安全措施，通過特有的加密方案確保數據在傳輸過程和靜態狀態下都受到保護。與 AI 許可 SBP 協作，實現嚴格的訪問控制和可驗證，同時提供私有域存儲，用戶的敏感數據可實現增強的安全功能。

執行層

執行層是 Sahara AI 平臺的鏈下 AI 基礎設施，與交易層和數據層無縫交互，以執行和管理與 AI 計算和功能相關的協議。 根據執行任務，它從數據層安全地提取數據，並動態分配計算資源以實現最佳性能。通過一套專門設計的協議來協調復雜的 AI 操作，這些協議旨在促進各種抽象之間的高效交互，底層基礎設施旨在支持高性能 AI 計算。

基礎設施： Sahara AI 的執行層基礎設施旨在支持高性能 AI 計算，具備快速高效、彈性和高可用性等特性。它通過高效協調 AI 計算、自動擴展機制和容錯設計，確保系統在高流量和故障情況下仍然穩定可靠。
抽象： 核心抽象是構成 Sahara AI 平臺上 AI 操作基礎的基本組件，包括數據集、模型和計算資源等資源的抽象；高級抽象建立在核心抽象基礎之上，即 Vaults 和代理背後的執行接口，可現實更高級別的功能。
協議： 抽象執行協議用來執行與 Vaults 的交互、代理的交互和協調以及計算的協作等；其中協作計算協議可以實現多個參與之間的聯合 AI 模型开發和部署，支持計算資源貢獻和模型聚合；執行層還包括低計算成本的技術模塊（PEFT）、隱私保護計算模塊和計算防欺詐模塊等。

Sahara AI 正在構建的 AI 區塊鏈平臺致力於實現全面的 AI 生態系統，然而這一宏大愿景在實現過程中必然會遇到衆多挑战，需要強大的技術、資源支持和持續的優化迭代。若能成功實現，將成為支撐 Web3-AI 領域的中流砥柱，並有望成為 Web2-AI 從業人員心中的理想花園。

團隊信息：

Sahara AI 團隊由一群卓越且富有創造力的成員組成，聯合創始人 Sean Ren 是南加州大學教授，曾獲得三星年度 AI 研究員、麻省理工學院 TR 35 歲以下創新者和福布斯 30 位 30 歲以下精英等榮譽。聯合創始人 Tyler Zhou 畢業於加州大學伯克利分校，對 Web3 有着深入的了解，領導着一支具有 AI 和 Web3 經驗的全球人才團隊。

自 Sahara AI 創建以來，團隊便從包括微軟、亞馬遜、麻省理工學院、Snapchat、Character AI 在內的頂尖企業中獲得了數百萬美元的收入。當前，Sahara AI 正為 30 余家企業客戶提供服務，在全球擁有超過 20 萬名 AI 訓練師，Sahara AI 的快速增長讓越來越多得參與者在共享經濟模式中貢獻力量並享有收益。

融資信息：

截止今年八月，Sahara Labs 成功籌集了 4300 萬美元。最新一輪融資由 Pantera Capital、Binance Labs 和 Polychain Capital 共同領投。此外還獲得了來自 Motherson Group，Anthropic、Nous Research、Midjourney 等 AI 領域先驅者的支持。

Bittensor：子網競爭激勵下的新玩法

Bittensor 本身並不是一個 AI 商品，也不生產、提供任何 AI 產品或服務。Bittensor 是一個經濟系統，為 AI 商品生產者提供了一個高度競爭的激勵結構，從而生產者持續地優化 AI 的質量。作為 Web3-AI 的早期項目，自推出以來，Bittensor 受到了市場的廣泛關注。根據 CoinMarketCap 數據，截至 10 月 17 日，其市值已超過 42.6 億美元，FDV（完全稀釋估值）超過 120 億美元。

Bittensor 構建了一個由許多子網（Subnet）網絡連接而成的網絡構架，AI 商品生產者可以創建具有自定義激勵和不同用例的子網。不同子網負責不同任務，比如機器翻譯、圖像識別與生成、語言大模型等。例如，Subnet 5 可以創建像 Midjourney 一樣的 AI 圖像。當完成優秀的任務時，將獲得 TAO （Bittensor 的代幣）獎勵。

激勵機制是 Bittensor 的基本組成部分。 它們驅動子網礦工的行為，並控制子網驗證者之間的共識。每個子網都有自己的激勵機制，子網礦工（Miner）負責執行任務，驗證者（validators）對子網礦工的結果進行評分。

如圖所示，子網礦工和子網驗證者之間的工作流程我們以一個例子來演示：

圖中三個子網礦工分別對應 UID 37、 42 和 27 ；四個子網驗證器分別對應 UID 10、 32、 93 和 74 。

每個子網驗證器都維護一個權重向量。向量的每個元素表示分配給子網礦工的權重，這個權重是根據子網驗證器對礦工任務完成度的評價來確定的。每個子網驗證器通過該權重向量對所有子網礦工進行排序且獨立運行，將其礦工排名權重向量傳輸到區塊鏈。通常，每個子網驗證器每 100 – 200 個區塊向區塊鏈傳輸更新的排名權重向量。
區塊鏈（子張量）等待來自給定子網的所有子網驗證器的最新排名權重向量到達區塊鏈。然後，由這些排名權重向量形成的排名權重矩陣將作為鏈上 Yuma 共識模塊的輸入提供。
鏈上的 Yuma 共識使用此權重矩陣以及與該子網上的 UID 相關的質押量來計算獎勵。
Yuma 共識計算 TAO 的共識分配，並將新鑄造的獎勵 TAO 分配到與 UID 關聯的账戶中。

子網驗證器可以隨時將其排名權重向量傳輸到區塊鏈上。但是子網的 Yuma 共識周期在每 360 個區塊（即 4320 秒或 72 分鐘，以每區塊 12 秒計）开始時使用最新的權重矩陣。如果子網驗證器的排名權重向量在 360 區塊周期後到達，那么該權重向量將在下一個 Yuma 共識周期开始時使用。每個周期結束完成 TAO 獎勵的發放。

Yuma 共識是 Bittensor 實現節點公平分配的核心算法，是結合了 PoW 和 PoS 元素的混合共識機制。 與拜佔庭容錯共識機制類似，如果網絡中誠實的驗證者佔多數，最終就能共識出正確的決策。

根網絡（Root Network）是一種特殊的子網，也就是 Subnet 0 。默認情況下，所有子網中的子網驗證器中，質押最多的 64 個子網驗證者是根網絡中的驗證者。根網絡驗證者會根據每個 Subnet 產出的質量進行評價並排名， 64 個驗證者的評價結果會被匯總，經過 Yuma Consensus 算法得到最終的 emission 結果，並由最終結果給每個 Subnet 分配新增發的 TAO。

盡管 Bittensor 的子網競爭模式提升了 AI 產品的質量，但也面臨一些挑战。 首先，子網所有者制定的激勵機制決定了礦工的收益，可能會直接影響礦工的工作積極性。另一個問題是，驗證者決定每個子網的代幣分配量，但缺乏明確的激勵措施來選擇有利於 Bittensor 長期生產力的子網。這種設計可能導致驗證者偏向於選擇與他們有關系的子網或那些提供額外利益的子網。為解決這一問題，Opentensor 基金會的貢獻者提出了 BIT 001 ：動態 TAO 解決方案，建議通過市場機制來確定所有 TAO 質押者競爭的子網代幣分配量。

團隊信息：

聯合創始人 Ala Shaabana 是滑鐵盧大學的博士後，擁有計算機科學專業的學術背景。另一位聯合創始人 Jacob Robert Steeves 畢業於加拿大西蒙弗雷澤大學，擁有近 10 年的機器學習研究經驗，並曾在谷歌擔任軟件工程師。

融資信息：

Bittensor 除了接受來自 OpenTensor Foundation 的資金支持，該基金會是支持 Bittensor 的非營利性組織。此外，其社區公告已宣布知名加密 VC Pantera 和 Collab Currency 已經成為了 TAO 代幣的持有者，並且會對項目的生態發展提供更多支持。其他幾個主要投資者則是包括 Digital Currency Group、Polychain Capital、FirstMark Capital、GSR 等在內的知名投資機構和做市商。

Talus：基於 Move 的鏈上 AI 代理生態

Talus Network 是一個基於 MoveVM 構建的 L1 區塊鏈，專為 AI 代理設計。這些 AI 代理能夠可以根據預定義的目標做出決策並採取行動，實現流暢的鏈間交互，同時具備可驗證性。用戶可以使用 Talus 提供的开發工具快速構建 AI 代理，並將其集成到智能合約中。Talus 還為 AI 模型、數據以及算力等資源提供开放的 AI 市場，用戶可以以多種形式參與並將自己的貢獻和資產代幣化。

Talus 的一大特色是其並行執行和安全執行能力。 隨着 Move 生態的資本入場和優質項目的拓展，Talus 基於 Move 的安全執行與 AI 代理集成智能合約的雙重亮點，預計將在市場上引起廣泛關注。同時，Talus 支持的多鏈交互還可以提升 AI 代理的效率和促進其他鏈上的 AI 繁榮。

根據官方推特信息，Talus 最近推出了 Nexus — — 這是第一個完全鏈上自主 AI 代理的框架，這使得 Talus 在去中心化 AI 技術領域佔據先發優勢，為其在快速發展的區塊鏈 AI 市場中提供了重要競爭力。 Nexus 賦能开發者在 Talus 網絡上創建 AI 驅動的數字助理，確保抗審查、透明性和可組合性。和集中化的 AI 解決方案不同，通過 Nexus，消費者可享受個性化智能服務，安全管理數字資產、自動化互動，並提升日常數字體驗。

作為第一個面向鏈上代理的开發者工具包，Nexus 為構建下一代消費類加密 AI 應用程序提供了基礎。 Nexus 提供了一系列工具、資源和標准，幫助开發者創建能夠執行用戶意圖並在 Talus 鏈上相互通信的代理。其中，Nexus Python SDK 彌合了 AI 和區塊鏈开發之間的差距，使 AI 开發人員無需學習智能合約編程即可輕松上手。Talus 提供用戶友好的开發工具和一系列基礎設施，有望成為开發者創新的理想平臺。

如圖 5 所示，Talus 的底層架構基於模塊化的設計，具有鏈下資源和多鏈交互的靈活性。基於 Talus 的獨特設計，構成繁榮的鏈上智能代理生態。

協議是 Talus 的核心，提供了共識、執行和互操作性的基礎，在此基礎上，可以構建鏈上智能代理，利用鏈下資源和跨鏈功能。

Protochain Node： 基於 Cosmos SDK 和 CometBFT 的 PoS 區塊鏈節點，Cosmos SDK 具有模塊化設計和高擴展特性，CometBFT 基於拜佔庭容錯共識算法，具有高性能和低延遲的特徵，提供強大的安全性和容錯能力，能夠在部分節點失效或惡意行為的情況下繼續正常運行。
Sui Move 和 MoveVM： 使用 Sui Move 作為智能合約語言，Move 語言的設計通過消除關鍵漏洞（如重入攻擊、缺少對象所有權的訪問控制檢查以及意外的算術溢出 / 下溢）本質上增強了安全性。Move VM 的架構支持高效的並行處理，使 Talus 能夠通過同時處理多個交易來擴展，而不會喪失安全性或完整性。

IBC（區塊鏈間通信協議, The Inter-Blockchain Communication protocol）：

互操作性： IBC 促進了不同區塊鏈之間的無縫互操作性，使智能代理能夠在多個鏈上交互並利用數據或資產。
跨鏈原子性： IBC 支持跨鏈原子交易，這種特性對於維護智能代理執行操作的一致性和可靠性至關重要，特別是在金融應用或復雜工作流程中。
通過分片實現可擴展性： 通過使智能代理能夠在多個區塊鏈上操作，IBC 間接支持通過分片實現可擴展性。每個區塊鏈可以被視為處理一部分交易的分片，從而減少任何單一鏈上的負載。這使得智能代理能夠以更分布式和可擴展的方式管理和執行任務。
可定制性和專業化： 通過 IBC，不同的區塊鏈可以專注於特定的功能或優化。例如，一個智能代理可能會使用一個可以快速交易的鏈進行支付處理，另一個專門用於安全數據存儲的鏈進行記錄保存。
安全性和隔離： IBC 維護了鏈之間的安全性和隔離性，這對於處理敏感操作或數據的智能代理比較有利。由於 IBC 確保了鏈間通信和交易的安全驗證，智能代理可以在不同鏈之間自信地操作，而不會在安全性上妥協。

Mirror Object（鏡像對象）：

為了在鏈上架構中表示鏈下世界，鏡像對象主要用來進行 AI 資源的驗證和鏈接，如：資源唯一性表示和證明、鏈下資源的可交易性、所有權證明表示或所有權的可驗證性。

鏡像對象包括三種不同類型的鏡像對象：模型對象、數據對象和計算對象。

模型對象： 模型所有者可以通過專門的模型注冊表將他們的 AI 模型引入生態系統，把鏈下模型轉化到鏈上。模型對象封裝了模型的本質和能力，並在其上直接構建了所有權、管理和貨幣化框架。模型對象是一種靈活的資產，可以通過額外的微調過程來增強其能力，或者在必要時通過廣泛的訓練進行完全重塑以滿足特定需求。
數據對象： 數據（或數據集）對象作為某人擁有的唯一數據集的數字形式存在。這個對象可以被創建、轉移、授權或轉換為开放數據源。
計算對象： 买家向對象的所有者提出計算任務，所有者隨後提供計算結果及相應的證明。买家持有密鑰，可以用來解密承諾並驗證結果。

AI 堆棧：

Talus 提供了一個 SDK 和集成組件，支持智能代理的开發和與鏈下資源的交互。該 AI 堆棧還包括與 Oracles 的集成，確保智能代理能夠利用鏈下數據進行決策和反應。

鏈上智能代理：

Talus 提供了一個智能代理經濟體系，這些代理可以自主運行，進行決策，執行交易，並與鏈上和鏈下資源交互。
智能代理具有自治性、社會能力、反應性和主動性。自治性使其無需人為幹預即可運行，社會能力使其能夠與其他代理和人類互動，反應性使其能夠感知環境變化並及時響應（Talus 通過監聽器來支持代理響應鏈上和鏈下事件），主動性則使其能夠基於目標、預測或預期的未來狀態採取行動。

除了 Talus 提供的一系列智能代理的开發架構和基礎設施，在 Talus 上構建的 AI 代理還支持多種類型的可驗證 AI 推理（opML、zkML 等），確保 AI 推理的透明度和可信度。 Talus 專門為 AI 代理設計的一套設施可以實現鏈上和鏈下資源之間的多鏈交互和映射功能。

Talus 推出的鏈上 AI 代理生態對與 AI 和區塊鏈的融合技術發展具有重要意義，但實現起來仍具有一定的難度。 Talus 的基礎設施使开發 AI 代理具有靈活性和互操作性，但隨着越來越多的 AI 代理在 Talus 鏈上運行，這些代理之間的互操作性和效率是否可以滿足用戶需求，還有待考證。目前 Talus 還處於私人測試網階段，且在不斷的進行开發和更新。期待 Talus 未來可以推動鏈上 AI 代理生態的進一步發展。

團隊信息：

Mike Hanono 是 Talus Network 創始人兼首席執行官。他擁有南加州大學的工業與系統工程學士學位和應用數據科學的碩士學位，曾參與美國賓夕法尼亞大學的沃頓商學院項目，具有豐富的數據分析、軟件开發以及項目管理經驗。

融資信息：

今年 2 月，Talus 完成了 300 萬美元的第一輪融資，由 Polychain Capital 領投，由 Dao 5、Hash 3、TRGC、 WAGMI Ventures、Inception Capital 等參投，天使投資人主要來自 Nvidia、IBM、Blue 7、Symbolic Capital 以及 Render Network。

ORA：鏈上可驗證 AI 的基石

ORA 的產品 OAO（鏈上 AI 預言機）是世界上第一個採用 opML 的 AI 預言機，可以將鏈外的 AI 推理結果引入到鏈上。 這意味着智能合約可以通過與 OAO 交互，從而在鏈上實現 AI 功能。此外，ORA 的 AI 預言機可以與初始模型發行（IMO）無縫結合，提供全流程的鏈上 AI 服務。

ORA 在技術和市場上都擁有先發優勢，作為以太坊上無需信任的 AI 預言機，將對其廣泛的用戶群體產生深遠影響，預計未來將看到更多創新的 AI 應用場景湧現。开發者現在可以在智能合約中使用 ORA 提供的模型實現去中心化推理，並且可以在以太坊、Arbitrum、Optimism、Base、Polygon、Linea 以及 Manta 上構建可驗證的 AI dApp。除了提供 AI 推理的驗證服務，ORA 還提供模型發行服務（IMO）來促進开源模型的貢獻。

ORA 的兩個主要產品是：初始模型發行（IMO）和鏈上 AI 預言機（OAO），二者完美契合，實現鏈上 AI 模型的獲取和 AI 推理的驗證。

IMO 通過代幣化开源 AI 模型的所有權來激勵長期的开源貢獻，代幣持有者將獲得鏈上使用該模型產生的部分收入。ORA 還為 AI 开發者提供資金，激勵社區和开源貢獻者。
OAO 帶來鏈上可驗證的 AI 推理。ORA 引入了 opML 用作 AI 預言機的驗證層。類似與 OP Rollup 的工作流程，驗證者或任何網絡參與者在挑战期可以對結果進行檢查，如果挑战成功則鏈上更新錯誤結果，挑战期結束後結果最終確定並不可變。

要建立一個可驗證和去中心化的預言機網絡，確保區塊鏈上結果的計算有效性至關重要。這個過程涉及一個證明系統，確保計算是可靠和真實的。

為此，ORA 提供三種證明系統框架：

AI Oracle 的 opML（目前 ORA 的 AI 預言機已經支持 opML）
keras 2c ircom 的 zkML（成熟和高性能的 zkML 框架）
結合 zkML 的隱私性和 opML 的可擴展性的 zk+opML，通過 opp/ai 實現未來的鏈上 AI 解決方案

opML：

opML（樂觀機器學習）由 ORA 發明和开發，將機器學習與區塊鏈技術相結合。通過利用類似的 Optimistic Rollups 原理，opML 以去中心化的方式確保了計算的有效性。該框架允許對 AI 計算進行鏈上驗證，提高了透明度並促進了對機器學習推理的信任。

為確保安全性和正確性，opML 採用以下欺詐防護機制：

結果提交：服務提供者（提交者）在鏈下執行機器學習計算，並將結果提交到區塊鏈上。
驗證期：驗證者（或挑战者）有預定義的期限（挑战期）來驗證提交結果的正確性。
爭議解決：如果驗證者發現結果不正確，他們將啓動一個互動式爭議遊戲。該爭議遊戲有效地確定了錯誤發生的確切計算步驟。
鏈上驗證：只有被爭議的計算步驟在鏈上通過欺詐證明虛擬機（FPVM）進行驗證，從而最小化資源使用。
最終確定：如果在挑战期間沒有提出爭議，或者爭議得到解決後，結果將在區塊鏈上被最終確定。

ORA 推出的 opML 使計算在優化的環境中鏈下執行，爭議時僅在鏈上處理最小的數據。避免零知識機器學習（zkML）所需的昂貴證明生成，降低計算成本。這種方式能夠處理傳統鏈上方法難以實現的大規模計算。

keras 2c ircom （zkML）：

zkML 是一種利用零知識證明在鏈上驗證機器學習推理結果的證明框架。由於其私密性，它可以在訓練和推理過程中保護隱私數據和模型參數，從而解決隱私問題。由於 zkML 實際的計算是在鏈下完成的，而鏈上只需驗證結果的有效性，從而減少了鏈上的計算負載。

Keras 2C ircom 由 ORA 構建，是第一個經過實战測試的高級 zkML 框架。根據以太坊基金會 ESP 資助提案 [FY 23 – 1290 ] 對領先的 zkML 框架的基准測試，Keras 2C ircom 及其底層 circomlib-ml 被證明比其他框架更高性能。

opp/ai（opML + zkML）：

ORA 還提出了 OPP/AI（Optimistic Privacy-Preserving AI on Blockchain），將用於隱私的零知識機器學習（zkML）與用於提高效率的樂觀機器學習（opML）集成在一起，創建了為鏈上 AI 量身定制的混合模型。通過對機器學習（ML）模型進行战略性分區，opp/ai 平衡了計算效率和數據隱私，從而實現了安全高效的鏈上 AI 服務。

opp/ai 根據隱私要求將 ML 模型劃分為多個子模型：zkML 子模型用來處理敏感數據或專有算法的組件，使用零知識證明執行，以確保數據和模型的機密性；opML 子模型用來處理效率優先於隱私的組件。使用 opML 的樂觀方法執行，以實現最大效率。

綜上所述，ORA 創新的提出了三種證明框架：opML、zkML 以及 opp/ai（opML 與 zkML 結合），多樣化的證明框架增強了數據隱私和計算效率，為區塊鏈應用帶來了更高的靈活性和安全性。

ORA 作為首創的 AI 預言機，擁有巨大的潛力和廣闊的想象空間。ORA 已經發表了大量研究和成果，展示了其技術優勢。 然而，AI 模型的推理過程具有一定的復雜性和驗證成本，鏈上 AI 的推理速度能否滿足用戶需求成為一個需要考證的問題。 經過時間的驗證和用戶體驗的不斷優化，此類 AI 產品或許是提升鏈上 Dapp 效率的一大利器。

團隊信息：

聯合創始人 Kartin 畢業於亞利桑那大學的計算機科學專業，曾在 Tiktok 擔任技術領導，並在谷歌擔任過軟件工程師。

首席科學家 Cathie 擁有南加州大學的計算機科學碩士學位，博士畢業與香港大學心理學和神經科學，曾是以太坊基金會的 zkML 研究員。

融資信息：

今年 6 月 26 日，ORA 宣布完成 2000 萬的融資，投資機構包括：Polychain Capital、HF 0、Hashkey Capital、SevenX Ventures 和 Geekcartel 等。

Grass : AI 模型的數據層

Grass 專注於將公共網絡數據轉化為 AI 數據集。Grass 的網絡使用用戶的多余帶寬從互聯網上抓取數據，而不會獲取用戶的個人隱私信息。 這種類型的網絡數據對於人工智能模型的开發和許多其他行業的運營是不可或缺的。用戶可以運行節點並賺取 Grass 積分，在 Grass 上運行節點就像注冊和安裝 Chrome 擴展程序一樣簡單。

Grass 鏈接 AI 需求方和數據提供方，創造了「共贏」的局面，其優勢在於：簡單的安裝操作和未來的空投預期大大促進了用戶的參與度，這也為需求方提供更多的數據源。用戶作為數據提供方無需進行復雜的設置和行動，在用戶無感知的情況下進行數據抓取，清洗等操作。此外，對設備沒有特殊要求，降低了用戶的參與門檻，其邀請機制也有效推動了更多用戶快速加入。

由於 Grass 需要進行數據抓取操作，以達到每分鐘數千萬個 Web 請求。這些都需要經過驗證，這將需要比任何 L1 所能提供的更多的吞吐量，Grass 團隊於 3 月份宣布將要構建 Rollup 的計劃，以此來支持用戶和構建者驗證數據來源。該計劃通過 ZK 處理器對元數據進行批處理以進行驗證，每個數據集元數據的證明將存儲在 Solana 的結算層上並生成數據账本。

如圖所示，客戶發出 Web 請求，這些請求會通過驗證器並最終路由到 Grass 節點，網站的服務器都會響應網頁請求，允許其數據被抓取並返回。ZK 處理器的目的是幫助記錄在 Grass 網絡上抓取的數據集的來源。這意味着每當一個節點抓取網絡時，他們都可以在不透露任何關於自己的身份信息的情況下獲得他們的獎勵。計入數據账本之後，通過圖嵌入模型（Edge Embedding）對收集到的數據進行清洗、結構化，用於 AI 訓練。

綜上所述，Grass 允許用戶貢獻多余的帶寬抓取網絡數據賺取被動收入，同時保護個人隱私。這種設計不僅為用戶帶來經濟收益，還為 AI 公司提供了去中心化的方式獲取大量真實數據。

雖然 Grass 大大降低了用戶的參與門檻，有利於提升用戶的參與程度，但項目方需要考慮到：真實用戶的參與和“羊毛黨”的湧入可能會帶來大量的垃圾信息，這將增加數據處理的負擔。因此，項目方需要設定合理的激勵機制，對數據進行定價，以獲取真正有價值的數據。這對於項目方和用戶來說都是重要的影響因素。如果用戶對空投分配感到疑惑或不公，可能會對項目方產生不信任，從而影響項目的共識和發展。

團隊信息：

創始人 Andrej 博士畢業於加拿大約克大學計算和應用數學專業。首席技術官 Chris Nguyen 擁有多年的數據處理經驗，其創立的數據公司獲得了多項榮譽，包括 IBM 雲嵌入卓越獎、企業技術 30 強和福布斯雲 100 新星等。

融資信息：

Grass 是 Wynd Network 團隊推出的第一個產品，該團隊於 2023 年 12 月完成了由 Polychain Capital 和 Tribe Capital 領投的 350 萬美元種子輪融資， Bitscale、Big Brain、Advisors Anonymous、Typhon V、Mozaik 等參投。此前由 No Limit Holdings 領投 Pre-see 輪融資，融資總額達到 450 萬美元。

今年 9 月 Grass 完成 A 輪融資，由 Hack VC 領投，由 Polychain, Delphi Digital、Brevan Howard Digital、Lattice fund 等參投，融資金額未披露。

IO.NET：去中心化的算力資源平臺

IO.NET 通過在 Solana 上構建一個去中心化的 GPU 網絡，聚合全球闲置的網絡計算資源。這使 AI 工程師能夠以更低成本、更易獲取和更靈活的方式獲得所需的 GPU 計算資源。 ML 團隊可以在分布式 GPU 網絡上構建模型訓練和推理服務工作流。

IO.NET 不僅為具有闲置算力的用戶提供收入，也大大降低了小型團隊或個人的算力負擔。借助 Solana 的高吞吐量和高效的執行效率，對於 GPU 的網絡調度有着先天的優勢。

IO.NET 一經推出受到了大量的關注和頂級機構的青睞。根據 CoinMarketCap 顯示，截止 10 月 17 日，其代幣的市值已超過 2.2 億美元，FDV 已經超過 14.7 億美元。

IO.NET 的核心技術之一是 IO-SDK，基於 Ray 的專用分支（fork）。（Ray 是 OpenAI 使用的开源框架，可以將機器學習等 AI 和 Python 應用程序擴展到集群處理大量計算）。利用 Ray 的原生並行性，IO-SDK 可以並行化 Python 函數，還支持與 PyTorch 和 TensorFlow 等主流 ML 框架的集成。其內存存儲可以使任務之間快速數據共享，消除序列化延遲。

產品組件：

IO Cloud：設計用於按需部署和管理去中心化的 GPU 集群，與 IO-SDK 無縫集成，提供擴展 AI 和 Python 應用程序的綜合解決方案。提供計算能力，同時簡化 GPU/CPU 資源的部署和管理。通過防火牆、訪問控制和模塊化設計來降低潛在風險，隔離不同的功能來增加安全性。
IO Worker：用戶可以通過這個 Web 應用程序界面，管理其 GPU 節點操作。包括計算活動監控、溫度和功耗跟蹤、安裝幫助、安全措施和收入情況等功能。
IO Explorer：主要為用戶提供全面的統計數據和 GPU 雲各個方面的可視化，讓用戶可以實時查看網絡活動、關鍵統計數據、數據點和獎勵交易。
IO ID：用戶可以查看個人账戶情況，包括錢包地址活動，錢包余額以及 Claim 收益等。
IO Coin：支持用戶查看 IO.NET 的代幣情況。
BC 8.AI：這是由 IO.NET 支持的 AI 圖片生成網站，用戶可以實現文本到圖片的 AI 生成過程。

IO.NET 使用來自加密貨幣礦工，像 Filecoin 和 Render 這樣的項目以及其他闲置的算力，聚合了超過一百萬個 GPU 資源，允許人工智能工程師或團隊根據自己的需求定制並購买 GPU 計算服務。通過利用全球闲置的計算資源，使提供算力的用戶可以代幣化自己的收益。IO.NET 不僅優化了資源利用率，還降低了高昂的計算成本，推動了更廣泛的 AI 和計算應用。

IO.NET 作為去中心化算力平臺，應注重用戶體驗、算力的資源豐富程度和資源的調度監控，這些是在去中心化算力賽道拼勝負的重要籌碼。然而，之前有關於資源調度問題的爭議，有人質疑資源調度和用戶訂單不匹配。盡管我們無法確定這件事的真實性，但是這也提醒了相關項目應該關注這些方面的優化和用戶體驗的提升，失去了用戶的支持，在精美的產品也只是花瓶。

團隊信息：

創始人 Ahmad Shadid 之前是 WhalesTrader 的量化系統工程師；曾經是以太坊基金會的貢獻者和指導者（mentor）。首席技術官 Gaurav Sharma 之前在亞馬遜擔任高級开發工程師，擔任過易貝的架構師，曾在幣安的工程部門就職。

融資信息：

2023 年 5 月 1 日，官方宣布完成 1000 萬美元種子輪融資；

2024 年 3 月 5 日，宣布完成 3000 萬美元 A 輪融資，Hack VC 領投，Multicoin Capital、 6 th Man Ventures、M 13、Delphi Digital、Solana Labs、Aptos Labs、Foresight Ventures、Longhash、SevenX、ArkStream、Animoca Brands、Continue Capital、MH Ventures、Sandbox Games 等參與。

MyShell：連接消費者與創作者的 AI 代理平臺

MyShell 是一個去中心化的 AI 消費者層，連接消費者、創作者和开源研究人員。 用戶可以使用平臺提供的 AI 代理，也可以在 MyShell 的开發平臺構建自己的 AI 代理或應用程序。MyShell 提供了一個开放的市場供用戶自由的交易 AI 代理，在 MyShell 的 AIpp 商店裏可以看到多種類型的 AI 代理，包括虛擬伴侶、交易助手、以及 AIGC 類型的代理。

MyShell 作為低門檻的 ChatGPT 等各類型的 AI 聊天機器人的平替選擇，提供了一個廣泛的 AI 功能平臺，降低了用戶使用 AI 模型和代理的門檻，使用戶能夠獲得全面的 AI 體驗。舉個例子，用戶可能想使用 Claude 進行文獻整理和寫作優化，同時使用 Midjourney 生成優質圖片。通常，這需要用戶在不同平臺上注冊多個账號，並為一些服務支付費用。而 MyShell 提供了一站式服務，每天提供免費的 AI 額度，用戶無需反復注冊和支付費用。

此外，部分 AI 產品對一些地區有限制，而在 MyShell 平臺上，用戶通常可以流暢地使用各種 AI 服務，從而顯著提升用戶體驗。 MyShell 的這些優勢使其成為用戶體驗的理想選擇，為用戶提供了便捷、高效和無縫的 AI 服務體驗。

MyShell 生態系統建立在三個核心組件之上：

自主开發的 AI 模型： MyShell 研發了多個开源的 AI 模型，包括 AIGC 和大型語言模型，用戶可以直接使用；也可以在官方的 Github 上找到更多的开源模型。

开放的 AI 开發平臺： 用戶可以輕松構建 AI 應用程序。MyShell 平臺允許創作者利用不同的模型並集成外部 API，借助原生开發工作流程和模塊化工具包，創作者可以快速將他們的想法轉化為功能性 AI 應用程序，從而加速創新。

公平的激勵生態： MyShell 的激勵方式促進用戶建立滿足個人偏好的內容。創作者在使用自建的應用程序時可獲得原生平臺獎勵，也可以從消費者那裏獲得資金。

在 MyShell 的創作工坊（Workshop）可以看到支持用戶以三種模式進行 AI 機器人的構建，對於專業开發人員和普通用戶來說都可以匹配合適的模式，使用經典模式設置模型參數和指令，可以集成到社交媒體軟件上；开發模式則需要用戶上傳自己的模型文件；使用 ShellAgent 模式可以以無代碼的形式構建 AI 機器人。

MyShell 結合了去中心化的理念和 AI 技術，致力於為消費者、創作者和研究人員提供一個开放、靈活和激勵公平的生態系統。通過自主开發的 AI 模型、开放的开發平臺和多種激勵方式，為用戶提供了豐富的工具和資源來實現他們的創意和需求。

MyShell 集成了多種優質模型，並且團隊也在持續开發衆多 AI 模型，以提升用戶體驗。然而，MyShell 在使用過程中仍面臨一些挑战。例如，有用戶反饋一些模型對中文的支持有待改進。不過，通過查看 MyShell 的代碼倉庫，可以看到團隊在持續進行更新和優化，積極傾聽社區的反饋意見。相信在不斷的改進下，未來的用戶體驗會更好。

團隊信息：

聯合創始人 Zengyi Qin 專注於語音算法研究，擁有麻省理工學院博士學位。在清華大學攻讀學士學位期間，已發表多篇頂級會議論文。他還擁有機器人技術、計算機視覺和強化學習方面的專業經驗。另一位聯合創始人 Ethan Sun 畢業於牛津大學計算機科學專業, 擁有多年 AR+AI 領域的工作經驗。

融資信息：

2023 年 10 月種子輪融資 560 萬美元。由 INCE Capital 領投，Hashkey Capital、Folius Ventures、SevenX Ventures、OP Crypto 等參投。

2024 年 3 月在其最新的 Pre-A 輪融資中獲得了 1100 萬美元的融資。本次融資由 Dragonfly 領投，Delphi Digital、Bankless Ventures、Maven 11 Capital、Nascent、Nomad、Foresight Ventures、Animoca Ventures、OKX Ventures 和 GSR 等投資機構參投。另外，本輪融資還獲得了 Balaji Srinivasan、Illia Polosukhin、Casey K. Caruso、Santiago Santos 等天使投資人的支持。

今年 8 月，Binance Labs 宣布通過其第六季孵化計劃投資 MyShell，具體金額未披露。

四、亟待解決的挑战與思考

雖然該賽道仍處於萌芽階段，但從業人員應該思考一些影響項目成功的重要因素。以下是需要考慮的方面:

AI 資源的供需平衡： 對於 Web3-AI 生態項目，如何實現 AI 資源供需的平衡，吸引更多有真實需求和愿意做貢獻的人，極其重要。如對於有模型、數據、算力需求的用戶，可能已經習慣了在 Web2 平臺上獲取 AI 資源。同時，如何吸引 AI 資源提供方來進入 Web3-AI 生態內作出貢獻，以及吸引更多的需求方來獲取資源，實現 AI 資源的合理匹配，這些也是行業面臨的挑战之一。

數據挑战： 數據質量直接影響模型訓練效果。在數據收集和數據預處理的過程中確保數據質量，篩選羊毛用戶刷量帶來的大量垃圾數據，將會是數據類項目面臨的重要挑战。項目方可以通過科學的數據質量控制方法，並更加透明地展示數據處理的效果，從而提升數據的可信度，這也將對數據需求方產生更大的吸引力。

安全問題： 在 Web3 行業中，通過區塊鏈和隱私技術實現 AI 資產的鏈上鏈下交互，以防止惡意行為者影響 AI 資產質量，保障數據、模型等 AI 資源的安全，是必要的考量。一些項目方已經提出了解決方案，但該領域仍處於建設階段。隨着技術的不斷完善，預計將實現更高且經過驗證的安全標准。

用戶體驗：

Web2 用戶通常習慣於傳統的操作體驗，而 Web3 項目通常伴隨着復雜的智能合約、去中心化錢包等技術，這對普通用戶來說可能存在較高的門檻。行業應考慮如何進一步優化用戶體驗和教育設施，吸引更多的 Web2 用戶進入 Web3-AI 生態。
對於 Web3 用戶，建立有效的激勵機制和持續運轉的經濟體系是推動用戶長期留存和生態健康發展的關鍵。同時，我們應思考如何最大化利用 AI 技術來提高 Web3 領域的效率，並創新更多與 AI 結合的應用場景和玩法。這些都是影響生態健康發展的關鍵要素。

隨着互聯網 + 的發展趨勢不斷演進，我們已經見證了無數創新和變革的發生。目前已經有衆多領域的場景與 AI 結合，展望