原文作者：David Han，Coinbase 機構研究分析師
原文編譯：DAOSquare
去中心化的加密貨幣人工智慧(Crypto-AI) 應用在中短期內面臨許多阻力，可能會妨礙它們的採用。然而，圍繞加密貨幣和人工智慧的建設性敘事可能會維持一段時間的交易敘事。
關鍵要點
人工智慧（AI） 和加密貨幣之間的交集範圍很廣，而往往少有人對此有較深的認識。我們認為，處於交叉點的不同子領域具有截然不同的機會和發展週期。
我們通常認為，對於人工智慧產品來說，去中心化本身的競爭優勢是不夠的，它還必須在某些其他關鍵領域與中心化對手保持功能對等。
我們的反向觀點是，由於市場對人工智慧產業的廣泛關注，導致許多人工智慧代幣的價值潛力可能被誇大了，而且許多人工智慧代幣在中短期內可能缺乏可持續的需求驅動力。
近年來，隨著人工智慧的持續突破( 特別是在生成式人工智慧方面) 造就了人們對人工智慧產業的高度關注，並為介於兩者之間的加密貨幣項目提供了機會。我們先前在2023 年6 月的一份報告中介紹了該行業的一些可能性，並指出，從加密的整體資本分配來看，似乎人工智慧領域被低估了。此後，加密貨幣人工智慧領域開始了快速的發展。此刻，我們認為強調可能阻礙其廣泛採用的某些實際挑戰非常重要。
人工智慧的快速變化使我們對一些加密貨幣平台大膽聲稱其獨特的定位將顛覆整個行業的說法持謹慎態度，這使得大多數人工智慧代幣的長期和可持續的價值上漲變得不確定，尤其是對於那些固定代幣模型的項目而言更是如此。相反，我們認為，鑑於更廣泛的市場競爭和監管因素，人工智慧領域的一些新興趨勢實際上可能會使基於加密的創新更難被採用。
也就是說，我們認為人工智慧和加密貨幣之間的交集是廣泛的，並且有不同的機會。某些子領域的採用速度可能會更快，儘管許多此類領域缺乏可交易的代幣。不過，這似乎並沒有阻礙投資人的胃口。我們發現，人工智慧相關的加密貨幣代幣的表現受到了人工智慧市場熱潮的驅動，即使在比特幣交易走低的日子裡，也可以支持其積極的價格走勢。因此，我們認為許多與人工智慧相關的代幣可能會繼續作為對人工智慧進步的代表被交易。
人工智慧的主要趨勢
在我們看來，人工智慧領域（與加密貨幣人工智慧產品相關）最重要的趨勢之一是延續圍繞開源模型的文化。已經有超過53 萬個模式在Hugging Face（AI 社群的協作平台）上公開可用，供研究人員和使用者運作和微調。 Hugging Face 在AI 協作中的作用與依賴Github 進行程式碼託管或依賴Discord 進行社群管理（兩者都在加密貨幣中廣泛使用）沒有什麼不同。我們認為這種情況在不久的將來不太可能改變，除非有嚴重的管理不善。
Hugging Face 上可用的模型範圍從大型語言模型（LLMs） 到生成圖像和視頻模型，它們來自OpenAI、Meta 和Google 等主要行業參與者，以及獨立開發者。一些開源語言模型甚至在吞吐量方面比最先進的閉源模型具有更好的性能優勢（同時保持可比較的輸出品質），這確保了開源模型和商業模式之間一定程度的競爭（見圖1） 。重要的是，我們認為這個充滿活力的開源生態系統，結合有競爭力的商業部門，已經推動了一個行業，在這個行業中，表現不佳的模型將被競爭所淘汰。
第二個趨勢是小型模型的品質和成本效益不斷提高（早在2020 年的LLM 研究中就曾強調這一點，最近在MIcrosoft 的一篇論文中也強調了這一點），這也與開源文化相吻合，以進一步實現高效能、本地運行的AI 模型的未來。在某些基準測試下，一些經過微調的開源模型甚至可以勝過領先的閉源模型。在這樣的世界裡，一些人工智慧模型可以在本地運行，從而最大限度地去中心化。當然，現有的科技公司將繼續在雲端上訓練和運行更大的模型，但在兩者之間的設計空間中將有權衡。
另外，鑑於人工智慧模型基準測試的任務日益複雜化（包括資料污染和變化的測試範圍），我們認為產生模型輸出最終可能最好由終端使用者在自由市場中進行評估。事實上，已有一些工具供終端用戶進行模型輸出的平行比較，也有一些基準測試公司提供類似的服務。對於產生人工智慧基準測試的難度，可以從不斷增長的各種開放的LLM 基準測試中看到，包括MMLU、HellaSwag、TriviaQA、BoolQ 等，每一種都測試了不同的用例，如常識推理、學術話題和各種問題格式等。
我們在人工智慧領域觀察到的第三個趨勢是，具有強大用戶鎖定或具體業務問題的現有平台能夠從人工智慧整合中超額受益。例如，Github Copilot 與程式碼編輯器的整合增強了已經很強大的開發者環境。將人工智慧介面嵌入如郵件用戶端、電子表格、客戶關係管理軟體等其他工具中也是人工智慧的自然用例（例如，Klarna 的AI 助理可以完成700 名全職代理的工作）。
然而需要注意的是，在許多這樣的場景中，人工智慧模型不會催生新的平台，而只是增強現有的平台。其他改善傳統業務流程的人工智慧模式（例如，Meta 的Lattice 在Apple 推出App Tracking Transparency 後恢復了其廣告效能）通常也依賴專有資料和封閉系統。由於這些類型的人工智慧模型是垂直整合到其核心產品中的，並且使用專有數據，因此它們可能會始終保持閉源狀態。
在人工智慧硬體和運算領域，我們看到了另外兩個相關的趨勢。首先是計算使用從訓練到推理的過渡。也就是說，當人工智慧模型首次開發時，大量計算資源用於透過向模型提供大型資料集來「訓練」 模型。現在，它已轉向了模型部署和模型查詢。
英偉達在2024 年2 月的財報電話會議中披露，他們大約40% 的業務是推理，而薩塔亞·納德拉（Sataya Nadella） 在微軟的1 月財報電話會議上也發表了類似的言論，指出他們的Azure AI 使用「大部分」是用於推理的。隨著這一趨勢的持續，我們認為尋求將其模型貨幣化的實體將優先考慮能夠以安全和生產就緒(production-ready) 的方式可靠運行模型的平台。
我們看到的第二個主要趨勢是圍繞硬體架構的競爭格局。英偉達(Nvidia) 的H 200 處理器將於2024 年第二季上市，下一代B 100 的效能預計將進一步翻倍。此外，Google 對其自有的張量處理單元(TPUs) 的持續支援以及Groq 的新語言處理單元(LPUs) 可能在未來幾年中也會增強他們在此領域的市場份額（參見圖2）。這些發展可能會改變人工智慧產業的成本動態，並可能使那些能夠快速調整、大規模採購硬體並設定任何相關實體網路和開發工具的雲端服務供應商受益。
整體而言，人工智慧領域是一個新興且發展迅速的領域。 ChatGPT 於2022 年11 月首次推出市場迄今不到1 年半的時間（儘管其底層GPT-3 模型自2020 年6 月以來就已經存在），此後該領域的快速發展令人震驚。儘管有一些關於生成式AI 模型背後的偏見存在，但我們已經開始看到市場在優勝劣汰上的效應( 忽略性能較差的模型，轉而選擇更好的替代品)。該行業的快速發展和即將出台的法規意味著隨著新的解決方案將不斷湧入市場，該行業的問題空間也將隨之變化。
經常被吹捧的一攬子措施“權力下放解決了 [插入问题]」雖然似乎已經成為共識，然而在我們看來，對於這樣一個快速創新的領域來說，還為時過早。而且它也先發制人地解決了可能不一定存在的中心化問題。現實情況是，透過許多不同公司和開源專案之間的競爭，人工智慧產業在技術和業務垂直領域已經有很多去中心化的現象。此外，在技術和社會層面上，真正去中心化的協議在決策和共識過程上比中心化協議慢很多。這可能會對在人工智慧發展所處的現時階段中尋求平衡去中心化和具有競爭力的產品構成障礙。也就是說，我們確實認為加密貨幣和人工智慧之間存在一些有意義的協同作用，但它更多的是在更長的時間範圍內。
確定機會範圍
從廣義上講，我們將人工智慧和加密的交叉點分為兩大類。首先是人工智慧產品改善加密貨幣產業的用例。這包括創建人類可讀的交易、改進區塊鏈資料分析，以及在無需許可的協議中使用模型輸出的場景。第二類則是旨在透過加密的計算、驗證、身分等去中心化方法來打破傳統AI 流程的使用案例。
在我們看來，在前一類別中，與業務一致的那些場景中的用例是明確的，我們相信，儘管仍然存在重大的技術挑戰，但從長期來看，它們在更複雜的鏈上推理模型場景中依然會有前景。中心化的AI 模型可以像其他以技術為中心的行業一樣改進Crypto，例如開發者工具、程式碼審計，以及將人類語言轉化為鏈上動作。但目前這一領域的投資通常透過創投獲而歸私人公司所有，因此通常被公開市場所忽視。
然而，對我們來說不太確定的是第二類的價值主張（即加密貨幣將打破現有的人工智慧格局）。後一類的挑戰取代了技術性的挑戰（我們認為從長遠來看，技術性挑戰通常是可以解決的），並且是與更廣泛的市場和監管力量的艱難較量。然而儘管如此，一個現實現像是，最近對人工智慧+ 加密的大部分關注都中心化在這一類別上，因為這些用例更適合創造流動代幣。這是我們在下一節中的重點，在加密貨幣中，與中心化的AI 工具相關的流動性代幣相對較少（暫時如此）。
加密貨幣在AI 中的作用
為了簡化，我們透過AI 流程的四個主要階段來分析加密貨幣對AI 的潛在影響，這四個階段分別是：（1）資料的收集、儲存和處理，（2）模型的訓練和推理，（ 3）模型輸出的驗證，（4）AI 模型輸出追蹤。這些領域已經出現了一大批新的加密貨幣人工智慧項目，儘管我們認為在中短期內，許多項目將面臨需求方生成的重大挑戰，以及來自中心化公司和開源解決方案的激烈競爭。
專有數據
數據是所有AI 模型的基礎，也許是專業AI 模型表現的關鍵差異化因素。歷史區塊鏈資料本身就是模型的一種新的豐富資料來源，某些專案（如Grass）也旨在利用加密貨幣激勵措施從開放的網路中獲取新的資料集。在這方面，加密貨幣有機會提供行業特定的數據集，並激勵創建新的有價值的數據集。 （Reddit 最近與Google 達成的6000 萬美元年度數據授權協議預示著未來數據集貨幣化的成長趨勢）
許多早期的模型（如GPT-3）混合使用了CommonCrawl、WebText 2、書籍和維基百科等開放資料集，並在Hugging Face 上免費提供了類似的資料集（目前託管超過110, 000 個選項）。然而，可能是為了保護其商業利益，許多最近發布的閉源模型並沒有公開他們的最終訓練資料集組合。我們認為，專有資料集的趨勢，特別是在商業模式中，仍將持續下去，並導致資料許可的重要性增加。
現有的中心化資料市場已經在幫助彌合資料提供者和消費者之間的差距，我們認為這將為開源資料目錄和企業競爭者之間創造一個新興的去中心化資料市場解決方案的機會空間。在沒有法律結構支援的情況下，純粹的去中心化資料市場還需要建立標準化的資料介面和通道，驗證資料完整性和配置，並解決其產品的冷啟動問題。同時也需要平衡市場參與者之間的代幣激勵。
另外，去中心化儲存解決方案最終也可能在人工智慧產業中找到一個利基市場，儘管我們認為在這方面仍然存在不小的挑戰。一方面，用於分發開源資料集的管道已經存在並已被廣泛使用。另一方面，許多專有資料集的所有者有嚴格的安全性和合規性要求。目前還沒有任何監管途徑可以作用於在Filecoin 和Arweave 等去中心化儲存平台上託管敏感資料。事實上，許多企業仍在從本地伺服器過渡到中心化雲端儲存供應商。在技術層面上，這些網路的去中心化性質目前也與敏感資料儲存的某些區域性問題和實體資料孤島要求不相容。
雖然在去中心化儲存解決方案和成熟的雲端供應商之間也進行價格比較表明，就單一儲存單元而言，去中心化方案可能更便宜，但我們認為這忽略了更大的問題。首先，除了日常營運費用之外，還需要考慮到在供應商之間遷移系統所需的前期成本。其次，基於加密的去中心化儲存平台需要去匹配過去二十年發展起來的成熟雲端系統所提供的更好的工具和整合。從業務營運的角度來看，雲端解決方案的成本更可預測，並且提供了合約義務和專門的支援團隊，而且還擁有龐大的開發者人才庫。
同樣值得注意的是，僅與「三大」雲端供應商（AWS，Google 雲端平台和Microsoft Azure）的粗略比較是不完整的。還有數十家低成本的雲端公司也透過提供更便宜的、基本的伺服器等服務來爭奪市場份額。在我們看來，近期而言，他們才是那些成本敏感型消費者的真正的主要競爭對手。也就是說，最近的創新，如Filecoin 的數據計算和Arweave 的ao 計算環境，可能會為即將到來的一些創新項目發揮作用，這些項目通常使用的是不太敏感的數據集，或者是對成本最為敏感（可能更小）的公司，而這些公司尚未鎖定供應商。
因此，雖然在數據領域肯定有新的加密貨幣產品的空間，但我們認為，短期突破將發生在它們可以產生獨特的價值主張的情況下。在我們看來，去中心化產品與傳統和開源競爭對手正面競爭的領域將需要更長的時間才能取得實質進展。
訓練和推理模型
加密貨幣中的去中心化運算（DeComp）領域也旨在成為中心化雲端運算的替代品，部分原因是現有的GPU 供應緊縮。一種針對這種短缺的提出的解決方案，例如Akash 和Render 等協議所採用的是將閒置的運算資源重新整合進一個中心化網路中，從而降低中心化雲端提供者的成本。根據初步指標顯示，此類項目似乎在用戶和供應商的採用率上均獲得了成長。例如，Akash 從今年年初至今的活躍租賃（即用戶數）增加了三倍（見圖3），這主要是由於其儲存和運算資源的使用量增加。
然而，自2023 年12 月達到高峰以來，支付給網路的費用實際上已經下跌，因為可用GPU 的供應超過了對這些資源的需求成長。也就是說，隨著越來越多的供應商加入該網絡，租賃的GPU 數量（按比例來看似乎是最大的收入驅動因素）已經下跌（見圖4）。對於計算定價可以根據供需變化而變化的網絡，如果供應端增長超過需求端，我們不清楚持續的、由使用驅動的原生代幣需求最終將從何而來。我們認為，未來可能需要重新審視這種代幣模型，以優化市場變化，儘管這種變化的長期影響目前尚不清楚。
在技術層面，去中心化運算解決方案也面臨網路頻寬限制的挑戰。對於需要多節點訓練的大型模型，實體網路基礎設施層起著至關重要的作用。資料傳輸速度、同步開銷，以及對某些分散式訓練演算法的支援意味著需要特定的網路配置和自訂網路通訊（如InfiniBand）來促進其高效執行。這導致一旦集群規模超過一定範圍，便很難以去中心化的方式實現。
整體而言，我們認為去中心化運算（和儲存）的長期成功面臨著來中心化雲端供應商的激烈競爭。在我們看來，任何採用都將是一個長期過程，至少可以參考雲端服務採用週期。鑑於去中心化網路開發的技術複雜性增加，加上缺乏類似可擴展的開發和銷售團隊，我們認為完全執行去中心化運算願景將是一個艱難的旅程。
驗證和信任模型
隨著人工智慧模型在我們的生活中變得越來越重要，人們越來越擔心它們的輸出品質和偏見。某些加密貨幣項目旨在透過利用一套演算法來評估不同類別的輸出，從而找到一種去中心化的、基於市場的解決方案來解決這個問題。然而，上述圍繞模型基準測試的挑戰，以及明顯的成本、吞吐量和品質權衡，使得正面競爭具有一定的挑戰性。 BitTensor 是該類別中最大的聚焦於人工智慧的加密貨幣之一，旨在解決這個問題，儘管它仍然存在一些可能阻礙其廣泛應用的技術挑戰（請參閱附錄1）。
另外，無需信任的模型推理（即證明模型輸出實際上是由所聲稱的模型生成的）是加密貨幣x AI 的另一個積極研究領域。然而我們認為，隨著開源模型規模的縮小，這些解決方案可能會在需求方面面臨挑戰。在一個可以下載並在本地運行模型，並透過已經建立的文件雜湊/ 校驗和方法驗證內容完整性的世界裡，無需信任的推理的角色重要性就不那麼明確了。誠然，許多人LLM 還不能透過手機等輕量級設備進行訓練和運行，但強大的桌上型電腦（如用於高階遊戲的桌上型電腦）已經可以用來運行許多高效能模型。
資料來源和身份
隨著生成式人工智慧的輸出與人類的輸出越來越難以區分，追蹤人工智慧生成內容的重要性也成為人們關注的焦點。 GPT-4 通過圖靈測試的速度是GPT-3.5 的3 倍，我們幾乎可以肯定，在不遠的某一天，我們將無法區分在線人格是來自機器還是真實的人類。在這樣的世界裡，確定線上使用者的人性以及為AI 產生的內容填加浮水印將成為關鍵功能。
像Worldcoin 這樣的去中心化識別碼和人格證明機制旨在解決前一個問題，即在鏈上識別人類。同樣，將資料雜湊發佈到區塊鏈可以透過驗證內容的年齡和來源，從而助力資料來源。然而，與前面的部分類似，我們認為基於加密的解決方案的可行性必須與中心化的替代方案進行權衡。
一些國家，例如中國，將線上人格與政府控制的資料庫連結起來。儘管世界上大部分地區都沒有那麼中心化，但KYC 供應商聯盟也可以提供獨立於區塊鏈技術的人格證明解決方案（可能以類似於構成當今互聯網安全基石的可信證書頒發機構的方式） 。還有關於AI 水印的研究正在進行中，以在文字和圖像輸出中嵌入隱藏訊號，以允許演算法檢測內容是否由AI 產生。包括Microsoft，Anthropic 和Amazon 在內的許多領先的AI 公司都已經公開承諾在其生成的內容中添加此類水印。
此外，出於合規性原因，許多現有的內容提供者已經受到信任，可以保留內容元資料的嚴格記錄。因此，用戶通常信任與社交媒體發布相關的元資料（儘管不是其螢幕截圖），即使它們是中心化儲存的。這裡要注意的是，任何基於加密的資料來源和身分解決方案都需要與使用者平台整合才能廣泛有效。因此，雖然基於加密的解決方案在證明身分和資料來源等方面從技術說是可行的，但我們也認為它們的採用並非既定事實，最終將取決於業務，合規和監管要求。
交易AI 敘事
儘管有上述問題，但從23 年第4 季開始，許多AI 代幣的表現都優於比特幣和以太幣，以及Nvidia 和Microsoft 等主要AI 股票。我們認為這是因為AI 代幣通常受益於更廣泛的加密貨幣市場以及相關人工智慧熱潮的相關表現（見附錄2）。因此，即使比特幣價格下跌，以人工智慧為重點的代幣也會經歷價格上漲波動，從而在比特幣下行期間產生上行的波動性。圖5 展示了比特幣交易下跌的日子裡AI 代幣的表現。
總體而言，我們仍然認為人工智慧敘事交易中缺少許多短期可持續的需求驅動因素。由於缺乏明確的採用預測和指標，導致了各種meme 式的投機情緒佔據了廣泛空間，而在我們看來，這些推測可能不是長期可持續的。最終，價格和效用將會趨同，而懸而未決的問題是需要多長時間，以及效用是否會上漲以匹配價格，反之亦然。也就是說，我們確實認為一個可持續的建設性加密貨幣市場和優於人工智慧產業的表現可能會在一段時間內維持強大的加密貨幣AI 敘事。
結論
加密貨幣在人工智慧中的作用並非存在於真空中，任何去中心化平台都在與現有的中心化替代方案競爭，並必須在更廣泛的業務和監管要求的背景下進行分析。因此我們認為，僅僅為了「去中心化」而取代中心化提供者不足以推動有意義的市場採用。生成式人工智慧模型已經存在了幾年，由於市場競爭和開源軟體，已經保持了一定程度的去中心化。
本報告中反覆出現的一個主題是，基於加密的解決方案雖然在技術上通常是可行的，但仍需要大量的工作才能達到與更中心化的平台的功能對等，並且前提是這些平台不會在此期間停滯不前。事實上，由於共識機制，中心化開發通常比去中心化更快，這可能會為人工智慧這樣快速發展的領域帶來挑戰。
有鑑於此，我們認為AI 與加密的重疊仍處於起步階段，隨著更廣泛的人工智慧領域的發展，未來幾年可能會迅速變化。目前許多加密貨幣行內人士所設想的去中心化的AI 未來是無法保證其實現的，事實上，人工智慧產業本身的未來在很大程度上仍未確定。因此，我們認為謹慎的做法是仔細駕馭這樣的市場，並更深入地研究基於加密的解決方案如何真正提供有意義的更好的替代方案，或至少了解潛在的交易敘述。因此，我們認為在這樣的市場中謹慎行事並更深入地研究基於加密的解決方案如何真正提供一個有意義的更優選擇，或者至少，理解底層的交易敘事是明智的。
附錄1 ：BitTensor
BitTensor 在其32 個子網路中激勵不同的情報市場。這旨在透過使子網所有者能夠創建類似遊戲般的約束來從資訊提供者那裡提取情報，從而解決基準測試的一些問題。例如，其旗艦子網路1 以文字提示為中心，並激勵那些「根據該子網路中的子網路驗證者發送的提示產生最佳回應」的礦工。也就是說，它獎勵那些能夠對給定提示產生最佳文字回應的礦工，這是由該子網路中的其他驗證者判斷的。這使得網路參與者試圖在各個市場創建模型的智慧經濟成為可能。
然而，這種驗證和獎勵機制仍處於早期階段，容易受到對抗性攻擊，特別是如果模型使用了其他包含偏見的模型進行評估（儘管在這方面已經取得了進展，使用新的合成數據用於評估某些子網路）。對於語言和藝術等「模糊」輸出尤其如此，在這些輸出中，評估指標可能是主觀的，因此也會導致模型表現的多重基準的出現。
例如，BitTensor 的子網路1 的驗證機制在實務上需要：
驗證者產生一個或多個參考答案，所有礦工的反應都會被比較。那些與參考答案最相似的人將獲得最高的獎勵，並最終獲得最大的激勵。
目前的相似性演算法使用字串文字和語義匹配的組合作為獎勵的基礎，但很難透過一組有限的參考答案來捕捉不同的風格偏好。
目前尚不清楚由BitTensor 激勵結構產生的模型最終是否能夠勝過中心化模型（或者表現最好的模型是否會轉向BitTensor），或者它如何能夠適應其他權衡因素，如模型規模和基礎計算成本。一個使用者可以自由選擇適合他們偏好的模型的市場，也許能夠透過「看不見的手」實現類似的資源分配。也就是說，BitTensor 確實試圖在不斷擴大的問題空間中解決一個極具挑戰性的問題。
附錄2 ：WorldCoin
也許AI 代幣跟隨人工智慧市場熱潮的最明顯例子就是Worldcoin。它於2023 年12 月13 日發布了World ID 2.0 升級版，但幾乎沒有引起人們的注意，但在Sam Altman 於12 月15 日推廣Worldcoin 後，它上漲了50% 。 （關於Worldcoin 未來的猜測仍然很妖魔化，部分原因是Sam Altman 是Worldcoin 背後的開發商Tools for Humanity 的聯合創始人。同樣，OpenAI 於2024 年2 月15 日發布的Sora 導致其價格上漲了近三倍，儘管Worldcoin 的Twitter 或部落格上沒有相關公告（見圖6）。截至發稿時，Worldcoin 的估值為800 億美元，這與OpenAI 在2 月16 日的860 億美元估值很接近（這是一家年化收入達20 億美元的公司）。
