簡要概述

我們對67個Crypto+AI項目進行了深入分析，從生成式AI（GenAI）的角度對其進行了分類。我們的分類涵蓋：

• GPU DePIN
• 去中心化計算（訓練 + 推理）
• 驗證（ZKML + OPML）
• 加密 LLM
• 數據（通用 + AI 專用）
• AI 創作者應用
• AI 消費者應用
• AI 標準（代幣 + 代理）
• AI 經濟

爲什麼我們要寫這篇文章？

Crypto+AI的敘述至今引起了很多關注。許多關於Crypto+AI的報告相繼出現，但它們要麼僅涵蓋AI故事的一部分，要麼只是從加密貨幣的角度解釋AI。 本文將從AI的角度探討這一話題，探討加密貨幣如何支持AI以及AI如何使加密貨幣受益，以更好地了解當前的Crypto+AI行業格局。

第一部分：解碼生成式AI（GenAI）領域

讓我們從日常使用的AI產品入手，全面探索生成式AI（GenAI）領域。這些產品通常由兩個主要組成部分構成：大型語言模型（LLM）和用戶界面（UI）。對於大型模型，有兩個關鍵過程：模型創建和模型使用，通常稱爲訓練和推理。而UI則有多種形式，包括對話式的如GPT、視覺式的如LumaAI，以及將推理API集成到現有產品界面中的各種其他形式。

計算

深入探討，計算是訓練和推理的基礎，嚴重依賴於底層GPU計算。盡管GPU在訓練和推理中的物理連接可能有所不同，GPU在各種AI產品中仍然是基礎設施組件。在此之上，我們有GPU集羣的編排，稱爲雲計算。這些可以分爲傳統的通用雲和垂直雲，垂直雲更多地面向AI並針對AI計算場景進行了優化。

存儲

關於存儲，AI數據存儲可以分爲傳統存儲解決方案，如AWS S3和Azure Blob Storage，以及針對AI數據集優化的特定存儲解決方案。這些專門的存儲解決方案，如谷歌雲的Filestore，旨在特定場景中提升數據訪問速度。

訓練

繼續探討AI基礎設施，有必要區分訓練和推理，因爲它們有顯著不同。除了常規計算外，兩者還涉及大量特定的AI業務邏輯。

對於訓練，基礎設施通常可以分爲以下幾類：

• 平台：這些平台專門用於訓練，幫助AI開發者有效地訓練大型語言模型，並提供軟件加速解決方案，例如MosaicML。
• 基礎模型提供商：此類平台包括Hugging Face，提供用戶可以進一步訓練或微調的基礎模型。
• 框架：最後，還有各種從零開始構建的基礎訓練框架，如PyTorch和TensorFlow。

優化器

這些優化器專門針對推理和特定用例進行一系列優化，例如支持並行處理或算法增強以進行媒體生成。例如，fal.ai 優化了文本到圖像的推理過程，使擴散速度比通用方法快 50%。

部署平台

這些平台提供通用的模型推理雲服務，例如 Amazon SageMaker，便於在不同環境中部署和擴展 AI 模型。

應用

雖然AI應用種類繁多，但可以根據用戶羣體大致分爲兩類：創作者和消費者。

AI消費者

首先是AI消費者羣體，他們主要使用AI產品，並願意爲這些產品帶來的價值付費。這一類的典型例子是ChatGPT。

AI創作者

另一方面，針對AI創作者的應用更多是邀請AI創作者到平台上創建代理、分享知識並與他們分享利潤，GPT市場便是最著名的例子之一。

這兩類幾乎涵蓋了所有的AI應用。盡管存在更詳細的分類，本文章將重點關注這些更廣泛的類別。

第二部分：加密貨幣如何幫助人工智能

在回答這個問題之前，讓我們總結一下AI可以利用的加密貨幣的主要優勢：貨幣化、包容性、透明度、數據所有權、成本降低等。

來自vitalik.eth博客的加密+人工智能交叉點的高層概述

這些關鍵的協同效應[4]主要通過以下方式幫助當前的格局：

貨幣化：通過獨特的加密機制，如代幣化、貨幣化和激勵措施，可以在AI創作者應用中進行顛覆性創新，確保AI經濟開放和公平。

包容性：加密技術使得參與不再需要許可，打破了今天由封閉、集中化的AI公司所施加的各種限制。這使得AI能夠實現真正的開放和自由。

透明性：加密技術可以利用ZKML/OPML技術將整個大型語言模型（LLMs）的訓練和推理過程上鏈，確保AI的開放性和無許可性，從而實現AI的完全開源。

數據所有權：通過使鏈上交易建立帳戶（用戶）的數據所有權，從而使用戶真正擁有自己的AI數據。這在應用層特別有利，幫助用戶有效保護其AI數據權益。

成本降低：通過代幣激勵，可以將未來的計算能力價值兌現，顯著降低當前GPU的成本。這種方法在計算層面大大降低了AI的成本。

第三部分：探索加密+AI格局

將加密貨幣的優勢應用於人工智能領域的不同類別，通過加密貨幣的視角創造了人工智能領域的新視角。

將加密優勢應用於AI格局中的不同類別，通過加密視角爲AI格局創造了新的視角。

LLM層

1. GPU DePIN

   我們繼續基於AI格局描繪AI+加密的藍圖。從LLMs開始，並從GPU這一基礎層開始，成本降低一直是加密領域的一個長期敘事。 通過區塊鏈激勵機制，我們可以通過獎勵GPU提供商顯著降低成本。這一敘事目前被稱爲GPU DePIN。雖然GPU不僅用於AI，還用於遊戲、AR等場景，但GPU DePIN軌道通常涵蓋這些領域。 專注於AI軌道的包括Aethir和Aioz網路，而專注於視覺渲染的包括io.net、render網路等。

1. 去中心化計算

去中心化計算是自區塊鏈誕生以來就存在的一個敘事，並且隨着時間的發展顯著提升。然而，由於計算任務的復雜性（相比去中心化存儲），通常需要限制計算場景。 AI作爲最新的計算場景，自然催生了一系列去中心化計算項目。相比於GPU DePIN，這些去中心化計算平台不僅提供成本降低，還迎合了更具體的計算場景：訓練和推理。它們通過廣域網進行編排，顯著增強了可擴展性[5]。

規模和成本效益通過gensyn.ai 例如，專注於訓練的平台包括AI Arena、Gensyn、DIN和Flock.io；專注於推理的平台包括Allora、Ritual和Justu.ai；而同時處理這兩方面的平台包括Bittensor、0G、Sentient、Akash、Phala、Ankr和Oasis。

1. 驗證

驗證是Crypto+AI中的一個獨特類別，主要因爲它確保了整個AI計算過程，無論是訓練還是推理，都可以在鏈上進行驗證。 這對於保持過程的完全去中心化和透明性至關重要。此外，像ZKML這樣的技術也保障了數據隱私和安全，使用戶能夠100%擁有他們的個人數據。 根據算法和驗證過程，可以將其分爲ZKML和OPML。ZKML使用零知識（ZK）技術將AI訓練/推理轉換爲ZK電路，使過程可以在鏈上驗證，如EZKL、Modulus Labs、Succinct和Giza等平台所示。而OPML利用鏈下預言機將證明提交到區塊鏈，如Ora和Spectral所展示的那樣。

1. 加密基礎模型

   不同於ChatGPT或Claude等通用LLM，加密基礎模型是通過大量加密數據重新訓練的，使這些基礎模型具備專門的加密知識庫。 這些基礎模型可以爲DeFi、NFT和GamingFi等加密原生應用提供強大的AI能力。目前，此類基礎模型的示例包括Pond和Chainbase。

1. 數據

   數據是AI領域中的關鍵組成部分。在AI訓練中，數據集起着至關重要的作用，而在推理過程中，來自用戶的大量提示和知識庫也需要大量存儲。 數據存儲的去中心化不僅顯著降低了存儲成本，更重要的是確保了數據的可追溯性和所有權。 傳統的去中心化存儲解決方案，如FIL、Arweave和Storj，可以以非常低的成本存儲大量AI數據。 同時，較新的AI專用數據存儲解決方案針對AI數據的獨特特性進行了優化。例如，Space and Time和OpenDB優化了數據預處理和查詢，而Masa、Grass、Nuklai和KIP Protocol則專注於AI數據的貨幣化。Bagel Network則注重用戶數據隱私。 這些解決方案利用加密的獨特優勢，在AI領域的數據管理方面進行了創新，這些領域以前受到的關注較少。

應用層

創作者

在Crypto+AI應用層，創作者應用尤爲值得注意。鑑於加密技術固有的貨幣化能力，激勵AI創作者自然成爲可能。

對於AI創作者，重點分爲低/無代碼用戶和開發者。低/無代碼用戶，如機器人創作者，可以使用這些平台創建機器人，並通過代幣/NFT貨幣化。他們可以通過ICO或NFT鑄造快速籌集資金，然後通過共享所有權（如收入共享）獎勵長期代幣持有者。這使他們的AI產品通過社區共管完全開放，從而完成AI經濟生命週期[6]。

此外，作爲Crypto AI創作者平台，他們通過利用加密技術固有的代幣化優勢，解決了AI創作者早期至中期融資和長期盈利的挑戰，並以遠低於Web2的運營成本提供服務，展示了加密去中心化帶來的0運營成本優勢[7]。

在這個領域，MagnetAI、Olas、Myshell、Fetch.ai、Virtual Protocol和Spectral等平台爲低/無代碼用戶提供代理創作平台。對於AI模型開發者，MagnetAI和Ora提供了模型開發者平台。此外，對於AI+社交創作者，還有Story Protocol和CreatorBid等平台專門滿足他們的需求，而SaharaAI則專注於知識庫貨幣化。

消費者

消費者是指直接爲加密用戶服務的AI應用。目前在這個軌道上的項目較少，但現有的項目不可替代且獨特，如Worldcoin和ChainGPT。

標準

標準是Crypto中的一個獨特軌道，主要特點是通過開發獨立的區塊鏈、協議或改進現有基礎設施（如以太坊）來支持AI應用，創建AI dApp區塊鏈。

這些標準使AI dApp能夠體現加密技術的優勢，如透明性和去中心化，爲創作者和消費者產品提供基本支持。

示例包括Ora，它擴展了ERC-20以提供收入共享，和7007.ai，它擴展了ERC-721以標記模型推理資產。此外，Talus、Theoriq、Alethea和Morpheus等平台正在創建鏈上虛擬機，爲AI代理提供執行環境，而Sentient則爲AI dApp提供全面的標準。

AI經濟

AI經濟是Crypto+AI領域的一項重大創新，強調利用加密技術的代幣化、貨幣化和激勵措施來實現AI的民主化。

AI經濟生命週期 by MagnetAI

它突出了AI共享經濟、社區共管和所有權共享的概念。這些創新大大推動了AI的進一步繁榮與發展。

其中，Theoriq和Fetch.ai專注於代理貨幣化；Olas強調代幣化；Mind Network提供重新抵押的收益；MagnetAI將代幣化、貨幣化和激勵措施整合到一個統一的平台中。

最後一部分：結論

AI和加密技術是天然的合作夥伴。加密技術有助於使AI更加開放、透明，並不可替代地支持其進一步繁榮。

反過來，AI擴展了加密技術的邊界，吸引了更多用戶和關注。作爲全人類的普遍敘事，AI也爲加密世界引入了前所未有的大規模採用敘事。

聲明：

1. 本文轉載自[MagnetAI]，著作權歸屬原作者[MagnetAI]，如對轉載有異議，請聯系Gate Learn團隊，團隊會根據相關流程盡速處理。
2. 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，不構成任何投資建議。
3. 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得復制、傳播或抄襲經翻譯文章。