作者在深入研究AI和加密貨幣結合的領域數月後發現，AI和加密貨幣的結合領域是其理解的焦點。就使用者需求挑戰而言，作者強調去中心化的最終目的是降低成本。 Web3的社群屬性和代幣帶來了不可忽視的價值。然而，針對算力本身，網路上AI因需求和功耗的雙重挑戰，其核心競爭力是在價格。作者認為AI市場和應用層需要更具體的結合。鏈上AI讓人擔心、而OPML和ZKML的系統也提供了一個成本和效率更平衡的方案。 AI和加密的結合領域仍非常重要。
作者：Ian@Foresight Ventures
長話短說
在深入研究AI和加密貨幣結合的領域數月後，對這個方向的理解開始更深入。論文對早期觀點和目前的進展進行了對比分析，對以往熟悉的朋友可以從第二個部分開始看。
去中心化算力網絡：面臨市場需求挑戰，尤其強調去中心化的終極目的是降低成本。 Web3的社群屬性和代幣帶來了不可忽視的價值，但對於算力本身來說還是一種附加價值，而不是創新性的改變，重點是尋找與用戶需求結合的方式，而不是盲目地將去中心化算力網絡作為中心化算力不足的補充。 AI市場：討論了一個全流程金融化的AI市場的構想、社群和代幣帶來的價值和關鍵。這樣的市場不僅關注基礎算力和數據，還包括模型本身和相關應用。金融化是AI市場的核心要素，一方面吸引使用者直接參與AI模型的價值創造過程，另一方面給出了較低的算力和資料創造需求。鏈上AI，ZKML面臨需求和功耗的雙重挑戰，而OPML則提供了成本和效率更平衡的方案。雖然OPML在技術上是一個創新，但它無法解決鏈上AI面臨的根本性挑戰，也就是沒有需求。應用層，大部分web3的AI的應用項目都過於幼稚，AI應用更合理的點在於增強使用者體驗和提高開發效率，或作為AI市場中的重要一環。
一、AI回顧回顧
在幾個月的時間裡，我對人工智慧+加密這個主題進行了深度的研究，經過幾個月的沉澱，我很高興自己在比較早的階段詳細了解了過去的一些進展，但現在也能看到一些來的觀點並不準確。
這篇文章只講觀點不做介紹，會涵蓋web3裡AI的幾個大方向並展示之前和現在我對模擬的觀點和分析。不同的視角可能會有不一樣的啟示，可以對比辯證來看。
先來回顧燈光定下的AI+加密幾個主要的方向：
1.1 全局算力
在「理性看待去中心化算力網路」中，基於算力將成為未來最有價值資源的大邏輯，分析了加密貨幣不穩定算力網路賦予的價值。
雖然去中心化的網路運算力在AI大模型訓練上的需求是最大的，但也面臨最大的挑戰和技術瓶頸。包括需要複雜的資料同步和網路優化問題等。此外，資料隱私和安全也是重要的抵銷因素。雖然有一些現有的，技術能夠提供初步的解決方案，但在大規模訓練任務中，由於計算和通訊消耗量龐大，這些技術仍無法應用。顯然中心化的大規模算力網路在模型推理上有更多機會落地，可以預測未來的增量空間也夠大。但也面臨通訊延遲、資料隱私、模型安全等挑戰。與模型訓練相比，推理時的計算複雜度和資料互動性較低，更適合在多元化環境中進行。
1.2 AI市場去中心化
在《去中心化AI市場的最佳嘗試》中，提到了一個成功的去中心化AI市場需要將AI和Web3的優勢緊密結合，利用多元化、資產確權、收益分配和去中心化算力的附加價值，降低人工智慧應用的產權，鼓勵開發者上傳分享模型，同時保護使用者的資料私有權，建構開發者友好，同時滿足使用者的人工智慧資源交易、共享平台需求。
當時的想法是（現在看來可能不太準確）基於數據的AI市場有更大的潛力。完全降低模型的市場需要大量高品質模型的支撐，但早期平台缺乏用戶基礎數據和優質資源，使得優秀模型提供者的稀缺、難以獲得的優質模型；並以數據市場為基礎，通過去中心化、大規模採集、激勵層設計和資料循環的保證，可以累積大量有價值的資料和資源，尤其是私域資料。
去中心化AI市場的成功依賴於使用者資源的累積和強大的網路效應，使用者和開發者可以從市場中獲得的價值超過他們在市場之外所能獲得的價值。在市場的早期，重點在於累積優質模型以吸引並留住用戶，然後在建立優質模型庫和資料牆壘後，吸引轉向並留住更多的終端用戶。
1.3 零知識證明
在ZKML的話題被廣泛價值討論之前就在「AI+Web3=？」中對鏈上AI的進行過討論。
在不犧牲去中心化和去信任化的基礎上，鏈上AI有機會促使web3世界進入「下一個層次」。目前的web3就像是web2的早期階段，還沒有承接更廣泛的應用或創造更大價值的能力。而鏈上AI恰恰是為了提供一個透明的、去信任的解決方案。
1.4 人工智慧應用
在「AI+加密出發聊聊Web3女性向遊戲—HIM」中，結合投資組合項目「HIM」解析了大模型在web3應用上帶來的價值；什麼樣的AI+加密能為產品帶來更高的回報除了硬核地從基礎構建到演算法，開發鏈上去信任的LLM，另一個方向是在產品中淡化推理的過程黑盒帶來的影響，找到契合的場景來將大模型強大的推理能力落地。
二、接下來的AI模擬分析
2.1 算力網絡：想像空間很大但設施高
算力網路的大邏輯依然沒變，但仍面臨市場需求的挑戰，誰會需要效率和穩定性可靠性的解決方案？因此，我認為需要想通以下幾點：
去中心化是啥？
如果現在問一個中心化力網路的創辦人，他八成還是會告訴你我們的算力網路可以增強的安全性和抗攻擊能力、提高透明度和信任、資源優化利用、更好的資料隱私和使用者控制、受到審查和介入…
這些都是常識，任何web3專案都牽涉到抗審查、去信任、隱私等等，但我的觀點是這些都不重要。仔細想一下，論安全性顧中心化的伺服器不能做的更好？網路去中心化本質上也沒有解決隱私的問題，這樣程度的矛盾點還有很多。所以：一個網路去中心化的最終目的一定是為了順序的成本。去中心化的越高，使用算力的成本越低。
所以，從根本上看「利用閒置力算」更多是一個較長的敘述，而一個去中心化算力網絡能否賦能，我認為主要取決於他有沒有想明白以下幾點：
Web3 提供的價值
一套巧妙的代幣設計以及吸引而來的激勵/懲罰顯然是中心化社區提供的困境增值。相較於傳統互聯網，代幣不僅作為交易創意，和智能合約相輔相成使協議實現更複雜同時的激勵和治理機制。交易的公開透明、成本的降低、效率的提升都得益於加密貨幣帶來的價值。這種獨特的價值為激勵貢獻者提供了更多靈活和創新空間。
但同時也希望理性看待這種價值形成合理的“契合”，對於中心化算力網絡來說，Web3和區塊鏈技術去帶來的這些從另一個角度看只是“附加價值”，雖然不是根本性的創新，但並不能改變整個網路的基本工作方式和突破現在的技術瓶頸。
那麼，這些web3的價值在於增強了去中心化網絡的吸引力，但不會完全改變其核心結構或運作模式，如果希望去中心化網絡在AI浪潮裡真正引發一個席地，就僅僅靠web3的價值是非常不夠的。因此，就像前面提到的，合適的技術解決合適的問題，去中心化算力網絡的操作接口是簡單地去解決AI算力的問題，但是給出這個沉寂已經經歷了很長一段時間的新的玩法和思路。
可能就像pow挖礦或儲存挖礦一樣，把算力當作一種資產來貨幣化。在這種模式下，算力的提供者可以透過貢獻自己的計算資源來獲取代幣作為收益。它提供了一種直接將計算資源轉換為經濟收益的方式，從而激勵更多的參與者加入網路。也可能是基於web3創造一個消耗算力的市場，透過將算力的上游金融化（例如模型），開闢出能接受不穩定、且更慢的算力的需求點。
想明白怎麼和用戶的實際需求結合，畢竟用戶和參與者的需求不一定只是高效的算力，「能賺到錢」永遠是最有說服力的動力之一。
去中心化算力網絡的核心競爭力是價格
如果一定要從實際上的價值討論去中心化力算力，那web3帶來最大的想像空間就有機會被進一步壓縮的算力成本。
算力節點的去中心化程度最大化，單位算力的價格越低。從以下幾個方向可以推演：
代幣的引入，支付給算力提供者的是從現金協議的近代幣，這從根本上降低了運營成本； 在准入上的無需許可以及web3強大的社區效應直接開始了一種市場驅動的成本優化，更多個人用戶和小型企業可以利用現有的硬體資源加入網絡，算力供應增加，市場上算力的供應價格下降。在自治和社區管理模式下。協議所創造的開放算力市場將促進算力提供者的價格博弈，從而進一步降低成本。
案例：ChainML
簡單來說：ChainML是一個為推理、微調提供算力的去中心化平台。從短期看，chainml會實現基於開源的AI代理框架Council，透過Council的嘗試（一個聊天機器人，可以整合到不同的應用程式）為去中心化計算網路帶來的需求的成長。從長期來看，chainml會是一個完整的AI + web3平台（後面會詳細分析），其中就包含模型市場和算力市場。
我認為ChainML的技術路徑規劃非常合理，前面提到的問題他們想的也很明白，去中心化算力的目的一定不是和中心化的算力相提並論，給AI行業提供充足的算力供應，而是逐步降低成本，讓需求方接受品質且較高的算力來源。那麼，在專案初期，在協定無法獲得大量去中心化算力節點的情況下，重點找到一個穩定高效的算力來源因此，從產品路徑看，應該是先從中心化的方式做起，在早期階段就把產品庫存跑通，然後透過強大的bd能力開始累積客戶，拓展和立足市場，然後逐步將中心化算力的提供者分散到成本更高的小公司，最後把算力節點大範圍地布開。這就是chainml分治的思路。
從需求端的佈局來看，ChainML建構了一個中心化的基礎設施協議的MVP，設計理念是可移植的。並且從今年2月開始就和客戶一起運作這個系統，在今年4月開始在生產環境中使用。目前在Google Cloud上運行，但基於Kubernetes和開源其他技術，很容易移植到其他環境（AWS、Azure、Coreweave等）。後續會逐步中心化這個協議，分散到小眾雲，最後是提供算力的礦工。
2.2 AI市場：想像空間更大
這個叫AI標記的板塊多少限制了想像空間。嚴格來說，一個真正具備想像空間的「AI市場」應該是一個將模型全物流金融化的中間平台，以底層的算力和數據為基礎的，到模型本身和相關的應用。前面提到的去中心算力在早期的主要矛盾是如何創造需求，而一個閉環的將AI全通路金融化的市場正好有機會催生出這樣的需求。
大概是這樣的：
一個web3加持下的AI市場以計算力和數據為基礎，吸引開發者透過更有價值的數據構建或模型，加速發展出相應的基於模型的應用，這些應用和模型同時在開發和使用也為算力創造了需求。在代幣和社群的下，基於賞金的即時數據收集任務或常態化的對於貢獻數據的刺激都有機會增強和擴大該市場中數據層的獨特優勢。同時，應用程式的普及也回傳給資料層更有價值的資料。
社群
除了前面提到的代幣帶來的價值之外，社群無疑是web3帶來的最大收益之一，也是推動平台發展的核心動力。社群和代幣的加持使得貢獻者和貢獻內容的品質有機會超過中心化機構例如，資料多樣性實現是此類平台的一個優勢，這對於建立準確、無偏見的AI 模型至關重要，同時也是目前資料方向的瓶頸所在。
整個平台的核心我認為就在於提供模型，我們在很早的時候就意識到，一個AI市場是否成功取決於是否存在高品質的模型，以及開發者有什麼動力來一個去中心化的平台提供模型？但我們似乎也忘記思考了一個問題，拼基建不如傳統平台硬，拼開發者社群不如傳統平台成熟，拼湊也沒有傳統平台的先發優勢，那麼相比傳統AI平台龐大的用戶基數和成熟度的基建，web3的專案只能彎道超車。
答案可能就在AI模型金融化
模型可以被允許當成一種商品，將AI模型視為可投資的資產可能是Web3和去中心化市場的創新。這種市場用戶直接參與AI模型的價值創造過程中，並這種機制也鼓勵了對更高品質模型的追求和社區的貢獻，因為用戶的收益直接與模型的性能和應用效果相關聯； 用戶可以透過對模型進行質押來投資，引入收益中斷的機制，一方面激勵用戶選擇和支持有潛力的模型，為模型開發者創造更優秀的模型提供了經濟激勵。另外，對於質押者來說最仔細的評判模型的標準（特別是對於圖像生成類的模型）就是多次進行實測，那麼這就為平台的中心去化算力提供了需求，這可能也是前面提到的「誰會想用」影響效果更不穩定的算力之一？ 」的出路。2.3 鏈上AI：OPML 彎道超車？
ZKML：需求與供給兩端雙雙踩雷
可以肯定的是鏈上人工智慧是一個充滿想像的空間，並且值得深入研究的方向。鏈上人工智慧的突破打破了web3帶來了邊界的價值。但同時，ZKML極高的學術基礎和對底層基礎建設的要求確實不適合大多數公司死亡。大多數專案也不一定需要基礎架構的LLM的支援來實現自身價值的突破。
但並不是所有的人工智慧模型都需要用ZK 來移植到不可信的鏈上，就像大多數人不關心聊天機器人是如何對查詢進行推理並給出結果的一樣，也不打算使用穩定擴散是否是某個模型架構的版本或特定的參數設定。在大多數場景中，大多數使用者關注的是模型是否提供滿意的輸出，而不是推理過程是否不可信或透明。
如果證明系統並沒有帶來百倍的開銷或更高的推理成本，或許ZKML 還有一戰之力，但在更高的鏈上推理成本和更高的成本面前，任何需求方都會有理由質疑鏈上AI 的必要性。
從需求端看
使用者在乎的模型給出的結果是沒有意義的，只要合理的結果，ZKML 帶來的不可信可以說一文不值；試著想其中的一個場景：
如果一個基於神經網路的交易機器人每個週期都會為用戶帶來百倍的收益，誰會去質疑演算法是否中心化或是否可驗證？的，如果這個交易機器人開始給用戶虧錢了，那專案方更應該思考的是如何提升模型的能力，而不是把精力和資本花在讓模型可驗證上。這就是ZKML需求中的矛盾所在，在許多場景下的模型可驗證並不能從根本上解決人們對人工智慧的質疑，只是有點南轅北習慣的意思。
從供給端看
開發支撐大模型的驗證系統任重道遠，從現在頭部專案的嘗試看，幾乎看不到大模型上鍊的一天。
參考我們之前關於ZKML的文章，從技術上來看ZKML的目標是將神經網路轉換成ZK電路，困難在於：
ZK電路不支援浮點； 大規模的神經網路難以轉換。
從目前進展看：
最新的ZKML庫支援一些簡單的神經網路ZK化，懷疑能將基礎的線性迴歸模型上鍊。但預覽的演示很少。理論上最大能支持～100M的參數，但僅存於理論。
ZKML的發展細節並沒有達到預期，從目前的頭部項目模數實驗室和EZKL發布的證明系統的細節來看，將一些簡單的模型轉化成ZK電路做模型的上鍊或推理論證上鍊了目前還顯然沒有達到ZKML的價值所在，而且技術的瓶頸似乎也沒有核心的動力去突破，嚴重缺乏需求的恐慌從根本上無法獲得學術界的關注，這意味著更不可能產生優秀的poc 來吸引/滿足僅存的需求，這也可能殺死ZKML 的死亡螺旋。
OPML：是過渡還是終局？
OPML 和ZKML 的差異使得ZKML 證明了完整的推理過程，而OPML 在推理受到挑戰時會重新執行部分推理過程。很明顯，OPML 解決的最大問題是成本/開銷過高，這是一種非常務實的做法的最佳化。
作為OPML 的開創者，HyperOracle 團隊在《opML is All You Need: Run a 13B ML Model in Ethereum》中給出了單相到多相opML 的架構和進階流程：
建構一個用於上鍊執行和上鍊驗證的虛擬機，確保離線VM和上鏈智能合約中實現的VM之間的一致性。為了確保AI模型在VM中的推理效率，實現了一個專門設計的輕量級DNN庫（不依賴像Tensorflow或PyTorch這樣的流行機器學習框架），同時團隊也提供了一個可以將Tensorflow和PyTorch模型轉換為這個輕量級函式庫的腳本。透過交叉編譯將AI模型推理程式碼編譯成VM程式指令。 VM鏡像透過Merkle樹來管理。只有代表VM狀態的Merkle根才會被上傳到鏈上智能合約。
但顯然這樣的設計有一個關鍵缺陷，就是所有運算必須在虛擬機器內執行，這阻止了利用GPU/TPU 加速以及任務處理，從而提高了效率。因此引入多階段opML。
僅在最後階段中，計算在VM中進行。在其他階段，狀態轉換的運算發生在原生的環境中，這樣就利用了例如CPU、GPU、TPU的能力，並支援任務處理。這樣的做法減少了對VM的依賴，顯著提高了執行性能，達到與目前環境相當的水平。
參考：https://mirror.xyz/hyperoracleblog.eth/Z__Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y
讓我們面對現實吧
有觀點認為OPML是一種實現全面ZKML之前的一個過渡，但更現實的說不如把它看作一種基於成本結構和實現預期的鏈上AI的取捨，也許ZKML全面實現的一天永遠不會到來，至少我本持悲觀的態度，那麼鏈上AI的炒作最終還是要面對最現實的落地和成本，那麼OPML可能就是鏈上AI的最佳實踐，就像OP和ZK的生態也絕不是替代的關係。
雖然，不要忘記了，但是之前需求的短板仍然存在，OPML 基於成本和效率的優化並沒有從根本上解決「既然用戶更在意結果的合理性，為什麼不把AI 搬到鏈上去信任」南轅北習慣的問題，透明、流通、去信任，這些buff放在一起確實很花里胡哨，但用戶真的在乎嗎？相較之下，價值的支持應該是在模型的推理能力上。
我認為這種對成本的優化從技術上來說是一次創新和紮實的嘗試，但從價值上看卻是一個蹩腳的圓場；
或許Onchain AI這個契合本身就是在一把錘子找釘子，但也沒錯，一個早期行業的發展就是需要不斷探索跨領域技術的創新結合，在不斷合合中找到最佳的契合點，錯的從來都不是科技的碰撞和嘗試，而是缺乏獨立思考的盲目跟風。
2.4 應用層：99%的祭祀怪
不得不說AI在web3應用層的嘗試確實前赴後繼，大家都在fomo希望，但其中99%的整合還是停留在整合吧，沒必要藉助gpt的推理能力地圖專案本身就有很大的價值。
從應用層看，大致上有兩種出路：
借助AI的能力提升用戶這種體驗，提升開發效率：情況下AI並不會是核心亮點，更多時候是作為一種幕後志願者默默，甚至對用戶無感；舉了個例子，web3遊戲HIM對於團隊遊戲內容、AI、加密價值的結合想很聰明，抓住了契合度高、最能產生的點，就是著眼於利用AI作為生產價值工具，提升效率和質量，然後透過AI的推理能力提升使用者的遊戲體驗，AI和加密貨幣確實帶來了非常重要的價值，但根本上還是利用了將技術工具化的手段，專案真正的優勢和核心仍然是團隊對遊戲開發的能力
與AI市場結合，成為整個生態中面向使用者的重要一環。
三、最後…
如果真的有什麼需要強調或總結的：AI仍然是web3最值得關注也是機會最大的突發事件之一，這個大邏輯一定不會改變；
但我認為最值得關注的是AI市場的玩法，從根本上看這種平台或者基礎設施的設計是符合價值創造的需求以及滿足各方利益的，宏觀上來說，在模型或者算力本身之外創造出來有了一種web3特有的價值捕獲的方式就足夠了，同時，這也允許用戶用一種獨特的方式直接參與到AI的浪潮中。
再過半個月我又會改變我現在的想法，所以：
以上只是我對這個很真實的觀點，真的不構成任何投資建議！
參考
「opML 就是您所需要的：在以太坊中運行13B ML 模型」：https://mirror.xyz/hyperoracleblog.eth/Z__Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y
資訊來源：0x資訊編譯自網際網路。版權歸作者Foresight Ventures所有，未經許可，不得轉載！