DDO Chain 科普篇：Web3與AI - 去中心化如何發揮作用？

人工智能(AI)和區塊鏈技術是過去十年中兩項最具創新性的技術，引得大衆充滿期待。AI在Web2中的發展毋庸置疑，從今年風投數量的增加就可見一斑，其中具有代表性的包括，2023年6月微軟和英偉達向Inflection AI注資13億美元，而2023年9月，OpenAI的競爭對手Anthropic從亞馬遜籌資12.5億美元。

但是，人們對AI的用例及與Web3的交互仍存疑慮。Web3能否在AI發展中發揮作用？如果可以，那么在AI的發展中，區塊鏈可以做什么，以及AI為什么需要區塊鏈呢？

其中一種說法是，Web3有可能徹底改變生產關系，而AI則可以改變生產力本身。但事實證明，要將這兩種技術結合起來會很復雜，這揭示了基礎架構要求所面臨的挑战與機遇。

AI與Web3基礎架構應用程序相結合帶來的機遇

Web3基礎架構仍存在一些缺陷，但有望應對AI集成帶來的挑战，並為創新解決方案提供機遇，我們將在下文進行探討。

去中心化AI計算網絡

去中心化計算網絡能將需要計算資源的個人與擁有空闲計算能力的系統聯系起來。與中心化提供商相比，個人和組織通過這種模型即可將闲置資源投到網絡中，且不產生額外費用，這樣網絡便能提供更具成本效益的定價。

在區塊鏈點對點網絡的推動下，去中心化GPU渲染有可能在Web3遊戲中擴展AI驅動的3D內容創作。但是，去中心化計算網絡的重大缺點在於，不同計算設備之間的通信开銷存在差異，因此機器學習訓練期間可能會減速。

去中心化的AI數據

訓練數據作為初始數據集，用於教機器學習應用程序識別模式或滿足特定標准。另一方面，測試或驗證數據則用於評估模型的准確性，而且由於模型已經熟悉訓練數據，因此需要單獨的數據集進行驗證。

相關方正在努力打造AI數據源和AI數據標注市場，其中以區塊鏈作為激勵層，激勵大型公司和機構提高效率。但是，這些當前仍處於發展初期的垂直行業面臨着重重障礙，例如需要人工審核，以及人們對區塊鏈賦能數據表示擔憂。

例如，現在有專門用於機器學習模型訓練的SP計算網絡。SP計算網絡針對特定用例量身打造，通常採用可將計算資源整合到同一池中的架構，類似於超級計算機。SP計算網絡通過Gas機制或社區控制的參數來確定成本。

去中心化提示詞

盡管完全去中心化的大型語言模型帶來了挑战，但各個項目正在探索通過鼓勵自我訓練技術來促成對提示詞進行去中心化的方式。這種方法可激勵創作者創作內容，為更多投身該領域的參與者提供經濟激勵機制。

早期的示例包括AI驅動的聊天機器人平臺。那些平臺通過代幣激勵內容創作者和AI模型創建者訓練聊天機器人，之後聊天機器人即可成為可交易的NFT，允許訪問用戶已授權的數據進行模型訓練和微調。此外，在去中心化提示詞市場中，提示詞創建者可交易自己的數據和提示詞所有權，以獲得激勵。

零知識機器學習(ZKML)

2023年是大型語言模型大顯神威的一年。為讓區塊鏈項目充分發揮AI的潛力，這些模型必須在鏈上運行。但是，燃料限制和計算成本的挑战仍讓AI集成顯得錯綜復雜。

如果大型語言模型可在鏈下運行，其輸出結果可用於促成鏈上決策和活動，同時證明決策均由機器學習AI模型做出，而非隨機輸出而成，那會怎樣呢？這正是ZKML的原理。OpenAI和Meta即將分別推出GPT-5和Llama3。

隨着功能增強，大型語言模型的規模將日益擴大。ZKML的主要目標是盡量降低證明的大小，成為零知識證明與AI技術結合的理想之選。

例如，零知識證明可應用於壓縮去中心化機器學習推理或訓練中的模型，途徑是用戶向鏈上網絡的公共模型提交數據來達成訓練。

我們目前正處於使用鏈上零知識證明驗證計算實用性的起步階段。然而，算法的發展目前正在探索模型完整性等用例，從而拓寬可實現目標的範圍。

通過這些用例，零知識證明可用於證明同一機器學習算法在不同用戶的數據上以相同的方式運行，以避免偏差。

同樣，隨着算法生成肖像和深度僞造技術的興起，零知識證明可應用在人格證明中，以驗證個人的獨特性，而不會泄露個人的私人信息。

總之，Web3基礎架構與AI的整合預示着科技創新的可喜前景，同時通過代幣化激勵促進資源投入。 Web2見證了AI的驚人進步，但Web3與AI的結合仍有待探索。

科技不斷發展，Web3與AI的協同增效潛力巨大，有望重塑科技格局，並改變我們處理AI基礎架構的方式。

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。