本研究探討了Web3與人工智慧（AI）結合的前景，特別是在AI基礎設施建設中的機會與挑戰。儘管AI基礎設施不斷發展，實際應用仍然有限，許多加密貨幣項目處於測試階段，功能複雜且穩定性不足。主要工具包括去中心化OpenAI存取、GPU網路、推理和代理網路。未來，AI DApp的建置需關注監控、RAG基礎設施及Web3專用模型等未開發領域。同時，混合應用成為可能，結合鏈上和鏈下計算以提高效率。垂直整合日益顯著，目標是提供一體化解決方案。
作者：IOSG Ventures
感謝來自zhenyang@Upshot, Fran@Giza, Ashely@Neuronets, Matt@Valence, Dylan@Pond 的回饋。
本研究旨在對開發者討論哪些人工智慧領域最為重要，以及在Web3和人工智慧哪些領域可能是爆發的下一個機會。
在分享新的研究觀點之前，首先我們很高興參與了RedPill總計500萬美元的第一輪融資，也非常激動，期待接下來能夠和RedPill共同成長
總結
隨著Web3與AI的結合成為加密貨幣界的對抗話題，加密貨幣世界的AI基礎設施建設興旺起來，但實際利用AI或為AI構建的應用程序並不多，AI基礎設施的同質化問題逐漸出現最近我們參與了RedPill 的第一輪融資，引發了一些更深入的理解。
建構AI Dapp的主要工具包括去中心化OpenAI存取、GPU網路、推理網路和代理網路。 之所以說GPU網路比「比特幣挖礦時期」還要熱門，是因為：AI市場型號更大，並且增長快速且穩定；AI每天支援數以百萬計的應用程式；AI需要全民的GPU和伺服器位置；技術比過去更成熟；服務的客戶群也更廣。 推理網路和代理網路有相似的基礎設施，但關注點不同。推理網路主要提供有經驗的開發者部署自己的模型，而執行非LLM模型不一定需要GPU。代理網絡則更注重LLM，開發者需要自備模型，而是更注重提示工程和如何將不同的代理連接起來。代理網路總是需要高效能的GPU。 AI基礎專案投入龐大，目前設施不斷推出新功能。 大多數現有加密貨幣項目仍處於測試階段，穩定性較差，配置複雜，功能確定，還需要時間證明其安全性和隱私性。 假設AI Dapp成為大趨勢，還有許多未開發的領域，如監控、與RAG相關的基礎設施、Web3重建模型、內建加密貨幣重建API和資料評估的中心化代理、網路去等。 垂直整合是一個顯著的趨勢。基礎設施項目試圖提供一站式服務，簡化AI Dapp開發人員的工作。 未來將是混合型的。部分推理在前置進行，部分在鏈上計算，這樣可以考慮到成本和可性驗證因素。
來源：IOSG
引言
Web3 與AI 的結合是當前加密貨幣領域中最受威脅的話題之一。才華橫溢的開發者正在為加密貨幣世界建立AI 基礎設施，致力於將智慧帶入智慧合約。建立AI dApp 是一項極其複雜的任務，開發那些需要處理的範圍包括資料、模型、運算力、操作、部署以及與區塊鏈的整合。針對這些需求，Web3創辦人已經開發出初步的解決方案，例如GPU網路、社群資料標記、社群培訓的模型、可驗證的人工智慧推理與訓練以及代理商商店。 而在這個興旺旺的基礎設施背景下，實際利用AI 或為AI 構建的應用程式並不多。開發者在尋找AI dApp 開發教學課程時，發現這些與原始加密貨幣AI 基礎架構相關的教學並不多，大的設施設施並不多。大多數教程僅涉及在前端呼叫OpenAI API。
來源：IOSGVentures
目前的應用尚未充分發揮區塊鏈的去中心化和可驗證功能，但這種情況很快就會改變。現在，大多數關注加密貨幣領域的人工智慧基礎設施已經啟動了測試網絡，並計劃將在未來6個月內正式運作。 本研究將詳細介紹加密貨幣領域人工智慧基礎設施中可用的主要工具。讓我們準備好迎接加密貨幣世界的GPT-3.5時刻吧
1. RedPill：為OpenAI提供去中心化授權
前面提到的我們參投的RedPill 是一個很好的引進點。
OpenAI 擁有幾種世界級強大的模型，如GPT-4-vision、GPT-4-turbo 和GPT-4o，是建構先進人工智慧Dapp 的優選。
開發者可以透過本機或引入介面呼叫OpenAI API 將其整合到dApp 中。
RedPill將不同開發者的OpenAI API整合在一個介面下，為全球用戶提供快速、經濟且可驗證的人工智慧服務，從而實現了對頂尖人工智慧模型資源的民主化。 RedPill的路由演算法整合開發者API 將透過其分發網路執行，從而繞過任何來自OpenAI 的可能限制，解決了加密貨幣開發者面臨的一些常見問題，例如：
限制TPM（每分鐘代幣）：新帳戶對代幣的使用有限，無法滿足熱門且依賴AI的dApp的需求。 存取限制：部分模型對新帳戶或某些國家的存取設定了限制。
透過使用相同的請求代碼但更換主機名，開發者能夠以低成本、高擴展性和無限制的方式存取OpenAI 模型。
2. GPU 網路
除了使用OpenAI的API，許多開發人員還會選擇自己在家中託管模型。他們可以依托去中心化GPU網絡，如io.net、Aethir、Akash等流行的網絡，自行建立GPU叢集部署並及運行各種強大的內部或開源模型。
這樣的去中心化GPU網絡，能夠借助個人或小型資料中心的運算力，提供靈活的配置、更多的伺服器位置選擇以及前置的成本，讓開發人員可以在有限的預算內輕鬆進行AI相關的然而，由於去中心化的性質，此類GPU網路在功能性、可用性和資料隱私方面仍存在一定的慣例。
過去幾個月，GPU 的需求火爆，已經超越了先前的比特幣挖礦熱潮。此現象的原因包括：
目標客戶成長，GPU網路現在服務於AI開發者，他們的數量不僅龐大而且更加忠實，不會受到加密貨幣價格波動的影響。 比起挖礦專用設備，中心化GPU提供了更多的型號和規格，更能滿足要求。尤其是去大型模型處理需要更高的VRAM，而小型任務則有更適合的GPU可選。同時，去中心化GPU能夠近距離服務終止用戶，降低延遲。 技術日趨成熟，GPU網路依賴高速區塊鏈如Solana結算、Docker虛擬化技術和Ray運算叢集等。 在投資回報方面，AI市場正在拓展，新應用和模型的開發機會較多，H100模型的預期回報率為60-70%，而比特幣挖礦則更加複雜，贏家通吃，收益有限。 比特幣挖礦企業如Iris Energy、Core Scientific和Bitdeer也開始支援GPU網絡，提供AI服務，並積極購買專為AI設計的GPU，如H100。
推薦：對於不太重視SLA 的Web2 開發者來說，io.net 提供了簡單的模擬體驗，是個不錯的選擇。
3. 推理網絡
這是加密貨幣原始AI 基礎設施的核心。將在未來支援萬億次AI 推理操作。許多AI Layer1 或Layer2 為開發者提供了在鏈上呼叫AI 推理的能力。市場領導者包括Ritual、Valence和Fetch.ai。
這些網路在以下方面存在差異：
效能（延遲、計算時間） 方案模型可驗證性價格（鏈上消耗成本、推理成本） 開發體驗3.1 目標
理想的情況是，開發者可以在任何地方，透過任何形式的證明，輕鬆地存取自訂的AI 推理服務，整合過程中幾乎沒有任何阻礙。
推理網路提供了開發者所需的全部基礎支持，包括二次生成和驗證論證、進行推理計算、推理資料的串聯和驗證、提供Web2和Web3的介面、一鍵式模型部署、系統監測、跨系統鏈操作、同步整合及定時執行等功能。
來源：IOSGVentures
借助這些功能，開發者可以將推理服務無縫整合到他們現有的智能合約中。例如，在建構DeFi 交易機器人時，這些機器人會利用機器學習模型尋找特定交易的交易時機，並在基礎交易中平台上執行相應的交易策略。
在理想的狀態下，所有的基礎架構都是雲端託管的。開發者只需將他們的交易策略模型以通用格式如火炬上傳，推理網路就會儲存並為Web2和Web3查詢提供模型。
所有模型配置完成後，開發者可以直接透過Web3 API或智慧合約模型推理。推理網路將持續執行這些交易策略，將結果回饋給基礎智慧契約。如果開發者管理的社群資金量很大，還需要提供推理結果的驗證。一旦收到推理結果，智能合約就會根據這些結果進行交易。
來源：IOSGVentures
3.1.1 異步與同步
從理論上講，非同步執行的推理操作可以帶來更好的效能表現；然而，這種方式在開發體驗上可能會讓人感到不便。
在採用非同步方式時，開發者需要先將任務提交到推理網路的智慧觸發中。當推理任務完成後，推理網路的智慧觸發結果會回傳。在這種程式模式下，邏輯被分成推理呼叫和推理結果處理兩個部分。
來源：IOSGVentures
如果開發者有推理的推理調用和大量的控制邏輯，情況會變得更糟。
來源：IOSGVentures
非同步編程模式使得它難以與現有的智慧非同步整合。這需要開發者編寫大量額外的程式碼，並進行錯誤處理和管理依賴關係。
相對而言，同步程式設計對於開發者來說顯得更加敏銳，但它在回應時間和區塊鏈設計上引入了問題。例如，如果輸入資料是區塊時間或價格這種快速觸發的數據，那麼在推理完成以後數據不再刷新，這可能會導致在特定情況下智能合約的執行需要回滾。想像一下，你用一個過時的價格進行交易。
來源：IOSGVentures
大多數AI基礎架構採用非同步處理，但Valence正在嘗試解決這些問題。
3.2 實際情況
其中，許多新的推理網絡仍在測試階段，例如儀式網絡。根據他們的公開文件，這些網路目前的功能較為有限（如驗證、論證等功能尚未上線）。他們目前沒有提供一個雲端基礎設施支援鏈上AI運算，但提供了一個框架，用於託管AI運算並將結果提交至鏈上。
這是一個運作AIGC NFT 的體系結構。擴散模型產生NFT 並上傳至Arweave。推理網絡會用這個Arweave 位址在鏈上鑄造該NFT。
來源：IOSGVentures
這個過程非常複雜，開發者需要自行部署和維護大部分基礎設施，例如客製化服務邏輯的儀式節點、穩定擴散節點及NFT 智慧合約。
推薦：目前的推理網路在整合和配置自訂模型方面相當複雜，而且在這個階段大多數網路還不支援驗證功能。將AI技術應用到前端將為開發者提供一個相對簡單的選擇。非常需要驗證功能，ZKML 壯大吉薩是個不錯的選擇。
4. 代理網絡
代理網路讓使用者能夠輕鬆自訂代理程式。這樣的網路由能夠執行自主任務、相互交雲以及與區塊鏈網路互動的實體或智慧合約組成，這消耗了一切人工直接幹預。它主要是針對LLM技術。 ，它可以提供一個深入了解以太坊的GPT聊天機器人。這種聊天機器人目前的工具還比較有限，開發者還不能在此基礎上開發複雜的應用。
來源：IOSGVentures
但未來，代理網路將提供更多的工具給代理程式使用，不僅是知識，還包括呼叫外部API、執行特定任務的能力等。開發者將能夠將多個代理連接起來建置工作流程。例如，編寫Solidity智能合約涉及多個專門的代理，包括協定設計代理、Solidity開發代理、程式碼安全審查代理以及Solidity部署代理。
來源：IOSGVentures
我們透過使用提示和場景來協調這些代理商的合作。
一些代理網絡的範例包括Flock.ai、Myshell、Theoriq。
推薦：大部分代理的功能都相對有限。對於特定場景，Web2代理程式能夠提供更好的服務，並且擁有成熟的編排工具，例如Langchain、Llamaindex。
5.代理網絡與推理網絡的差異
代理網絡更側重於LLM，提供了像Langchain這樣的工具來整合多個代理。通常情況下，開發者佔用開發機器學習模型，代理網路已經將模型開發和部署的流程簡化。他們只需要必要的連結的代理和工具。大多數情況下，最終用戶將直接使用這些代理程式。
推理網路需要代理網路的基礎設施支撐。它提供給開發者較低層次的存取權限。正常情況下，終端不是使用者直接使用推理網路。開發者需要部署自己的模型，這不僅限於LLM，而且他們可以透過鏈下或鏈上存取點使用它們。
代理網絡和推理網絡並不是完全獨立的產品。我們已經開始看到一些垂直整合的產品。它們因為這兩個功能依賴類似的基礎設施，所以同時提供代理和推理能力。
6.新機會之地
除了模型推理、訓練和代理網絡外，web3領域還有許多值得探索的新領域：
資料集：如何將區塊鏈資料轉變為機器學習可用的資料集？機器學習開發者需要的是更具體和專題化的數據。例如，Giza 提供了一些高品質的、關於DeFi 的資料集，專門用於機器學習訓練。理想的數據不應只是簡單的數據表格，還應該包括能夠描述區塊鏈世界互動的圖形數據。目前，我們在這方面仍有不足。目前有些專案是透過獎勵個人進行的創建新的資料集來解決這個問題，例如Bagel 和Sahara，它們承諾保護個人資料的隱私。 模型儲存：有些模型成交量龐大，如何儲存、分發以及版本控制這些模型是關鍵，這關係到鏈上機器學習的效能和成本。在這個領域，Filecoin、AR和0g等開創性專案已經取得了進展。 模型訓練：多個且可驗證的模型訓練是個難題。 Gensyn、Bittensor、Flock 和Allora 等已經有了顯著進展。 監控：由於模型推理在鏈上與鏈下都會發生，我們需要新的基礎設施來幫助web3開發者追蹤模型的使用狀況，及時發現可能存在的問題和偏差。提供合適的監控工具，web3的機器學習開發者可以及時調整，不斷優化模型精確度。 RAG基礎設施：遍佈RAG需要全新的基礎設施，對儲存、嵌入運算和支援資料庫較高的需求，同時要確保資料的安全。這與目前的Web3 AI基礎設施大更新，主要依賴第三方來完成RAG，例如Firstbatch 和Bagel。 專為Web3客製化的模型：並非所有模型都適合Web3場景。大多數情況下，需要對模型進行重新訓練，以適應價格預測、推薦等具體應用。隨著AI基礎設施的繁榮發展，未來我們期望還有更多web3 本地模型來服務AI 應用。例如Pond 正在開發區塊鏈GNN，用於價格預測、推薦、詐欺偵查和反洗錢等多個場景。 評估網路：在缺乏回饋的情況下評估代理是容易的。隨著代理創建工具的普及，市場上將會出現無數的代理。這就需要有一個系統來展示這些代理的能力，並幫助使用者判斷在最佳特定情況下哪個代理程式的表現。例如，神經網路是這個領域的參與者。 意見機制：對於AI任務來說，PoS不一定是最佳選擇。計算複雜度、驗證性的困難和確定性的放棄是PoS面臨的主要挑戰。 Bittensor創造了一種新的智慧意見機制，獎勵網路中為機器學習模型和輸出做出貢獻的節點。
7.未來展望
我們目前觀察到了垂直整合的發展趨勢。透過建構一個基礎的運算層，網路能夠為多種機器學習任務提供支持，包括訓練、推理及代理網路服務。這種模式意在為Web3的機器學習開發者我們提供全面的一體化解決方案。
目前，鏈上推理雖然成本越來越高且速度較慢，但它提供了良好的可驗證性和與監聽系統（例如智慧一致性）的無縫整合。我認為未來將走向混合應用的道路。將在前端或鏈下進行，而那些關鍵的、決策性的推理底座在鏈上完成。這種模式已經在行動裝置上得到了應用。透過利用行動裝置的本質特點，它能夠在本地快速運行小型模型，將更複雜的任務遷移到雲端，利用更大的LLM處理。
資訊來源：0x資訊編譯自網際網路。版權歸作者IOSG所有，未經許可，不得轉載