黃仁勳在杜拜的WGS上演講時，提出了一個字「主權AI」。那麼，哪個主權的AI能符合Crypto社群的利益和訴求呢？
也許需要以Web3+AI的形式來建構。
Vitalik在「The promise and challenges of crypto + AI applications」一文中講述了AI與Crypto的協同效應：Crypto的去中心化可以平衡AI的中心化；AI是不透明的，Crypto帶來透明；AI需要數據，區塊鏈有利於資料的儲存和追蹤。這種協同，貫穿在Web3+AI的整個產業圖景中。
大多數Web3 + AI的項目是利用區塊鏈技術解決AI產業基礎設施項目的建設問題，少數項目則是利用AI解決Web3應用的某些問題。
Web3 + AI產業圖像大體如下：
AI的生產和工作流程大致如下：
在這些環節中，Web3與AI的結合主要體現在四個面向：
1.算力層：算力資產化
近兩年來，用於訓練AI大模型的算力呈指數級增長，基本每季就會翻一倍，以遠超摩爾定律的速度瘋狂增長。這種情況導致AI算力供需長期失衡，GPU等硬體價格快速上漲，進而抬高了算力成本。
但同時，市場上也存在大量的中低階算力硬體閒置，可能這部分中低階硬體的單體算力無法滿足高性能需求。但若透過Web3的方式建置成分佈式算力網絡，透過算力租賃、共享的方式，打造去中心化的運算資源網絡，仍可滿足許多AI應用需求。由於是利用分散式的閒置算力，可顯著降低AI算力的成本。
算力層細分包括：
-
通用的去中心化算力（例如Arkash、Io.net等）；
-
用於AI訓練的去中心化算力（例如Gensyn、Flock.io等）；
-
用於AI推理的去中心化算力（例如Fetch.ai、Hyperbolic等）；
-
用於3D渲染的去中心化算力（例如The Render Network等）。
Web3+AI的算力資產化，核心優勢在於去中心化算力類項目，結合代幣激勵很容易擴展網絡規模，而且其計算資源成本低，具有高性價比，可滿足部分中低端的算力需求。
2、資料層：資料資產化
數據是AI的石油、血。如果不依賴Web3，一般只有巨頭企業手中才有大量的用戶數據，普通的新創公司很難取得廣泛的數據，用戶數據在AI產業的價值也並沒有回饋給用戶。透過Web3+AI，可以讓資料收集、資料標註、資料分散式儲存等流程更低成本、更透明、更有利於使用者。
收集高品質資料是AI模型訓練的前置條件，透過Web3的方式，可以利用分散式網絡，結合適當的Token激勵機制，採用眾包收集的方法，以較低成本獲取高品質且廣泛的資料。
根據項目用途，資料類項目主要包括以下幾類：
-
資料收集類項目（例如Grass等）；
-
資料交易類別項目（例如Ocean Protocol等）；
-
資料標註類項目（例如Taida、Alaya等）；
-
區塊鏈資料來源類項目（例如Spice AI、Space and time等）；
-
去中心化儲存類別項目（例如Filecoin、Arweave等）。
資料類Web3+AI項目，在設計Token經濟模型的過程中更有挑戰性，因為資料比算力更難標準化。
3.平台層：平台價值資產化
平台類專案大多會對標Hugging Face，以整合AI產業各類資源為核心。建立一個平台，聚合數據、算力、模型、AI開發者、區塊鏈等各種資源和角色的鏈接，以平台為中心，更便捷地解決各種需求。例如Giza，專注於建立全面的zkML營運平台，旨在使機器學習的推理變得可信和透明，因為資料和模型黑盒是目前AI中普遍存在的問題，透過Web3的方式採用ZK、FHE等密碼學技術來驗證模型的推理確實有正確執行，是遲早會被業界呼籲的。
也有做Focus AI的layer1/ layer2，例如Nuroblocks、Janction等。核心敘事是連結了各類算力、資料、模型、AI開發者、節點等資源，透過包裝通用元件、通用SDK的方式，幫助Web3+AI類應用實現快速建置與發展。
還有Agent Network類別的平台，基於這類平台可以為各種應用情境建立AI Agent，例如Olas、ChainML等。
平台類的Web3+AI項目，主要以Token捕捉平台價值的方式，激勵平台各參與者共建。對於新創專案從0-1的過程比較有幫助，可以減少專案方尋找算力、資料、AI開發者社群、節點等合作方的難度。
4.應用層：AI價值資產化
前面的基礎設施類的項目，多數是利用區塊鏈技術解決AI產業基礎設施項目建設的問題。應用層專案則較多利用AI解決Web3應用存在的問題。
例如Vitalik在文章中提到兩個方向，我覺得很有意義。
一是AI作為Web3參與者。例如：Web3 Games中，AI可以作為一個遊戲玩家，它可以快速理解遊戲規則，並且最有效率地完成遊戲任務；DEX中，AI已經在套利交易中發揮作用很多年了；Prediction markets（預測市場）中，AI Agent可以透過廣泛接受大量資料、知識庫和訊息，訓練其模型的分析預測能力，並產品化提供給用戶，幫助用戶以模型推理的方式對特定事件作出預測，例如體育賽事、總統大選等。
二是創造可擴展的去中心化的私人AI。因為許多用戶擔心AI的黑盒問題，擔心系統有偏見；或擔心存在某些dApps透過AI技術欺騙用戶來獲利。本質上是因為使用者對AI的模型訓練和推理過程沒有審查權限和治理權限。但如果創建一個Web3的AI，像Web3計畫一樣，社群對這個AI有分散式治理權，可能會更容易被接受。
截至目前，在Web3+AI應用層尚未出現天花板很高的白馬專案。
總結
Web3 + AI還很早期，業界對這個賽道的發展前景也是有分歧的，我們會對這個賽道持續關注。我們希望Web3 與AI的結合能創造出比中心化AI更有價值的產品，讓AI擺脫「巨頭控制」、「壟斷」這些標籤，以更社群化的方式來「共治AI」。也許在更近距離參與、治理過程中，人類對AI會多一分「敬畏」、少一分「恐懼」。
