盘点AI+Crypto的8大真正优势和4个设想

AI与加密货币的结合，近期成为加密市场中最受关注的赛道之一。从去中心化AI训练、GPU DePIN网络，到抗审查的AI模型，各种概念层出不穷。但面对这些眼花缭乱的进展，一个问题自然浮现：这究竟是技术融合的真实突破，还是一场概念炒作？本文将梳理AI与Crypto结合的核心逻辑，帮你分辨哪些设想还停留在理论阶段，哪些已经展现出实实在在的潜力。

AI + Crypto的四个前瞻设想

设想 #1：去中心化AI训练

链上AI训练面临一个现实瓶颈：神经网络训练需要GPU之间进行高速通信与协调，尤其是反向传播环节。为此，Nvidia开发了NVLink和InfiniBand等技术，让数据中心内部的GPU集群能以极快速度（超过50千兆位）完成同步。但这些技术本质上是为本地环境设计的，一旦引入去中心化的网络环境，延迟和带宽限制会严重拖慢通信速度，与数据中心内的效率相比，差距可达几个数量级。

不过，一些前沿探索或许值得留意：

• NVIDIA正通过NVIDIA Collective Communications Library来支持InfiniBand上的分布式训练，但该技术仍处于早期阶段，实际采用情况有待观察。物理距离带来的延迟限制依然存在，本地训练在速度上仍然显著占优。
• 有研究团队正在探索如何减少去中心化训练中的同步通信次数，可能让这类训练在未来更具实用性。
• 智能分片与任务调度的优化，以及为分布式基础设施专门设计的新型模型架构，也在推动这一方向的发展（例如Gensyn就在此领域开展研究）。

数据部分同样充满挑战。AI训练需要处理大量数据，整个过程包括传输、清理、标准化和多次迭代。数据常常包含噪声与错误，必须反复修正才能用于建模。OpenAI的实验经历了数千次迭代才取得成果。这类高度依赖反复实验的工作流，与Web3当前的框架和工具兼容性较差，在去中心化环境下进行大规模数据处理将面临不小的阻力。

此外，链上训练的价值也值得重新衡量。从长远看，推理（即模型实际使用环节）将成为GPU需求的主要驱动力。试想，全球需要训练的大型AI模型数量与使用这些模型进行推理的用户数量相比，哪个市场更大？答案一目了然。

设想 #2：通过冗余AI推理计算构建共识机制

AI与加密结合的另一个难点在于，如何验证AI推理结果的准确性。你无法完全信任单一中心化方来执行推理操作，因为节点可能会作弊。这一问题在传统Web2环境中并不存在，因为没有去中心化共识的要求。

一种常见思路是让多个节点重复执行相同的推理操作，从而在无需信任的环境中运行，避免单点故障。但问题在于，当前高端AI芯片严重短缺，NVIDIA的高端芯片需要等待数年才能交货，价格也居高不下。如果要求AI推理在多个节点上反复执行，成本将成倍飙升，这对大多数项目来说并不现实。

设想 #3：近期Web3专属的AI应用场景

一些观点认为，Web3应该拥有自己独特的、专门面向Web3用户的AI用例。例如，用AI对DeFi池进行风险评估的协议、根据钱&包历史记录推荐新协议的Web3钱&包，或是在链游中由AI控制NPC角色。

从目前来看，这类市场仍处于起步阶段，挑战包括：

• Web3原生用例对AI服务的需求还在探索中，交易量相对有限。
• Web3用户的规模比Web2用户小几个数量级，市场本身不够大，也相对更集中。
• Web3客户多为资金量较小的初创公司，部分可能随着时间推移而消失。这让提供服务的AI项目在获取稳定客户方面面临不小考验。

长期来看，我们依然看好Web3原生的AI用例，尤其是随着AI袋里逐渐普及之后。可以想象，未来每位Web3用户可能都会拥有多个AI袋里，协助自己完成各类复杂任务。

设想 #4：消费级GPU DePIN网络

目前有不少去中心化AI计算网络依赖消费级GPU而非数据中心。消费级GPU适合低端AI推理任务，或对延迟、吞吐量和可靠性要求不高的个人场景。但对于严肃的企业级应用（这才是主流市场），客户通常需要更高可靠性的网络和更强大的计算性能，数据中心显然更适合这些高价值需求。

值得注意，消费级GPU对于演示场景以及预算有限的初创公司或个人用户来说，依然有用。但这类用户价值相对较低。相比之下，专门服务于Web2企业的DePIN网络，长期而言可能更具商业潜力。因此，我们看到一些GPU DePIN项目正从早期的消费级硬件，逐步升级为支持A100/H100甚至集群级别的高端服务。

接下来，我们聚焦那些已经能够带来实际好处的用例。这些才是真正值得关注的融合方向。

AI + Crypto的8个真实优势

真正优势 #1：服务Web2客户

根据麦肯锡的估算，生成式AI在其分析的63个用例中，每年能带来约2.6万亿至4.4万亿美元的额外收入——接近英国2021年的全年GDP（3.1万亿美元）。这意味着AI的市场影响力有望增长15%至40%。如果将AI嵌入其他软件工具的影响也计算在内，这一数字还可能翻倍。

由此推演，全球AI（不限于生成式AI）的总市场价值可能达到数十万亿美元。相比之下，当前所有加密货币（包括比特币和各类山寨币）的总市值仅为2.7万亿美元左右。现实是，短期内需要AI服务的客户绝大多数来自Web2领域。Web3本身对AI的需求，仅占这2.7万亿美元中的一小部分。

Web3原生的AI应用才刚刚起步，市场规模尚不明朗。但可以确定的是，在一段可预见的时间内，它只是Web2市场的一个零头。我们依然相信Web3 AI有光明的未来，但现阶段最实际的应用方向，是用Web3的技术栈来服务Web2的客户。

可能受益于Web3 AI服务的Web2客户包括：

• 专注于AI垂直领域的软件初创公司（如Cedar.ai或Observe.ai）
• 需要微调模型的大型企业（如Netflix）
• 高速增长的AI服务提供商（如Anthropic）
• 将AI整合进现有产品的软件公司（如Canva）

这类客户通常规模大、价值高，倒闭风险低，代表了AI服务中巨大的潜在需求。服务这些客户的Web3 AI项目，自然也能获得更稳定的客户基础。

但问题来了：Web2客户为何要使用Web3技术栈？接下来我们来分析。

真正优势 #2：通过GPU DePIN降低GPU使用成本

GPU DePIN聚合了那些未被充分利用的GPU算力（其中最高质量的来自数据中心），并将其用于AI推理。打个比方，这就像是“GPU界的Airbnb”。

我们对GPU DePIN之所以保持关注，是因为NVIDIA芯片目前严重短缺，而市面上又有很多闲置的GPU周期可以用于AI推理。这些硬件的所有者已经支付了沉没成本，设备并未充分利用。因此，他们可以远低于市场价的成本提供这些GPU算力——这相当于为硬件所有者“找到一笔额外收入”。

具体例子包括：

• AWS机器：租用一台H100需要承诺一年合同，因为供应有限。这会产生浪费，因为你不会365天每天都用它。
• Filecoin挖矿硬件：Filecoin有大量补贴供给但缺乏实际需求，矿工面临窘境。这些机器配备的GPU可被重用于低端AI推理。
• ETH挖矿硬件：以太坊从PoW过渡到PoS后，释放了大量硬件，也可用于AI推理。

需要注意的是，并非所有GPU都适合AI推理。比较老旧的产品可能没有LLM所需的内存容量。不过，也有一些创新在解决这一难题。例如，Exabits的技术可以将活跃神经元加载到GPU内存中，不活跃的神经元放在CPU内存里，从而让低端GPU也能处理AI工作负载。这使得更多硬件得以介入AI推理场景。

Web3 AI DePIN需要持续打磨产品，逐步提供企业级服务，例如单点登录、SOC 2合规、服务等级协议（SLA）等，与当前云服务商为Web2客户提供的标准对齐。

真正优势 #3：抗审查的AI模型，绕开OpenAI的自我审查

关于AI审查的讨论并不少见。例如，土耳其曾一度禁止OpenAI（后来OpenAI提高了合规水平才作罢）。而国家级的审查可能不会长久，因为各国需要靠AI来保持竞争力。

OpenAI也会进行自我审查。比如，它不处理NSFW内容，也不会预测下一届美国总统选举。我们认为这类AI用例不仅有趣，而且市场潜力巨大，只是OpenAI出于整治考量不会触碰。

开源模型则是一个很好的替代方案。GitHub仓库不受股东或董事会的干预。例如Venice.ai就承诺保护隐私并以抗审查方式运营。Web3 AI可以在此基础上更进一步，在低成本的GPU集群上为这些开源模型提供推理支持。正是基于这些原因，我们认为“开源 + Web3”是构建抗审查AI的理想组合。

真正优势 #4：避免向OpenAI泄露个人身份信息

大型企业对内部数据存在隐私担忧。信任OpenAI这样的第三方持有敏感数据，对很多企业来说门槛很高。

在Web3语境下，企业数据出现在去中心化网络上，表面上看可能更令人担忧。但针对AI的隐私增强技术正在取得进展：

• 可信执行环境（TEE），例如Super Protocol。
• 全同态加密（FHE），例如Fhenix.io（Hack VC旗下基金投资的公司）或Inco Network（均由Zama.ai提供支持），以及Bagel的PPML。

这些技术仍在发展中，随着零知识（ZK）和FHE专用芯片（ASIC）的推出，性能也在逐步提升。长期目标是，在微调模型时能够保护企业数据。如果这些协议得到推广，Web3可能成为隐私保护AI计算的一个更具吸引力的选择。

真正优势 #5：利用开源模型的最新创新

过去几十年，开源软件一直在蚕食专有软件的市场份额。我们可以把大型语言模型（LLM）看作一种专有软件，而开源模型正在冲击这一格局。值得关注的挑战者包括Llama、RWKV和Mistral.ai。这个名单无疑会越来越长（可在Openrouter.ai上找到更全面的列表）。通过Web3 AI来支持开源模型，人们可以借助这些创新来拓展更多应用。

我们相信，随着时间的推移，全球开源开发者的力量与加密货币激励机制相结合，将推动开源模型以及建立在其之上的AI袋里和框架快速发展。例如，Theoriq是一个AI袋里协议，它利用开源模型打造了一个可组合的袋里网络，能够拼接出更高级的AI解决方案。

之所以保持信心，是因为历史上大多数“开发者软件”的创新最终都被开源所超越。微软曾是一家专有软件公司，如今却是为GitHub贡献代码最多的企业。同样，Databricks、PostgreSQL、MongoDB等通过开源碘伏了传统数据库行业。这些案例都表明，开源的竞争模式是有说服力的。

然而，挑战也同样存在。开源LLM面临一个难题：OpenAI已经开始与部分组织签订付费数据许可协议。如果这一趋势持续，开源模型可能因获取数据的财务障碍而难以与之竞争。另外，Nvidia可能会进一步加强对保密计算的支持，为安全数据共享铺路。时间将会揭晓一切。

真正优势 #6：通过高额罚金抽样或零知识证明达成共识

Web3 AI推理的挑战之一是验证。假设验证者有机会通过欺骗来赚取费用，那么必须有措施来防止作弊。注意，目前这种作弊行为尚未真正发生，因为AI推理整体还处在早期。不过，除非提前建立抑制机制，否则随着市场规模扩大，作弊几乎是不可避免的。

Web3的常规做法是让多个验证者重复相同的操作并比较结果。但如前所述，由于高端Nvidia芯片短缺，AI推理成本本身就很高，而冗余计算将严重削弱Web3的价格优势。

更有前途的方案是对链下AI推理计算执行零知识（ZK）证明。这种情况下，可以验证一条简洁的ZK证明，以确定模型是否经过正确训练，或推理是否正确执行（这被称作zkML）。例如，Modulus Labs和ZKonduit就在此方向发力。由于ZK操作本身对计算资源要求较高，这些方案的性能目前还处于初级阶段。不过，随着ZK专用芯片的推出，这一情况有望改善。

另一种有前景的路径是“Optimistic”式的抽样验证方法。在这一模型中，只需验证一小部分结果，但将惩罚成本设置得足够高，一旦查实作弊，验证者将面临严重的经济损失。这种方式能有效减少冗余计算的耗费。

此外，还有水印和指纹解决方案，例如Bagel Network提出的方案。这与Amazon Alexa为其数百万设备提供设备内AI模型质量保证的机制类似。

真正优势 #7：通过开源模型节省费用（OpenAI的利润空间）

Web3为AI带来的另一个机会是成本降低。我们之前已经提到通过DePIN可以节省GPU成本。而Web3还能削减中心化AI服务商（比如OpenAI，其年收入目前已超过10亿美元）的利润率。这些成本节约来自使用开源模型而非专有模型，因为模型创作者不必从中盈利。

很多开源模型将保持完全免费，这对客户来说经济性最佳。但也有一些开源模型正在尝试货币化。据了解，Hugging Face上只有约4%的模型是由有预算的公司训练的，其余96%由社区训练。社区训练的模型有实际成本（包括计算和数据成本），因此他们需要寻找变&现途径。

一些有趣的提案包括“初始模型发行”（Initial Model Offering）：将模型本身代币化，团队保留一部分代币，并将模型未来收入的一部分流向代币持有者。当然，这背后还存在不少法律和监管障碍。

其他开源模型可能会通过使用量来收费。如果这一趋势成为现实，开源模型将逐渐接近Web2的盈利模式。但市场也可能会分成两部分：一部分模型依然保持完全免费。

真正优势 #8：去中心化的数据来源

AI面临的最大挑战之一是找到合适的数据来训练模型。之前提到，去中心化AI训练存在诸多障碍，但利用去中心化网络来获取数据呢——这些数据之后可以在其他地方使用，甚至用于传统的Web2训练场景？

这正是Grass这类项目正在做的事。Grass是一个由“数据采集者”组成的去中心化网络，参与者贡献闲置带宽来抓取数据，为AI模型训练提供素材。如果规模到位，这种数据来源有望超越任何单一公司的内部数据工作。不仅数据量更大，而且获取频率更高，数据更及时。此外，要阻止这样一个分布在全球的去中心化数据采集网络几乎不可能，因为它不局限于单个IP地址。Grass还具备清理和标准化数据的能力，确保采集到的数据能直接使用。

获取数据之后，还需要在链上存储数据，以及存储使用这些数据训练出的模型。

需要注意的是，未来数据在Web3 AI中的作用可能会发生变化。目前LLM的主流做法是使用数据预训练模型，然后随着时间的推移用更多数据不断优化。但由于互联网上的数据是实时变化的，这些模型总会有些滞后。这意味着推理结果可能不够精确。

未来，一种新兴范式可能是“实时”数据。简单来说，当LLM被问到推理问题时，它可以通过提示输入实时从互联网上获取的数据，从而更准确地回答。Grass正在探索这一方向。

特别感谢以下人士对本文的反馈与帮助：Albert Castellana、Jasper Zhang、Vassilis Tziokas、Bidhan Roy、Rezo、Vincent Weisser、Shashank Yada v、Ali Husain、Nukri Basharuli、Emad Mostaque、Da vid Minarsch、Tommy Shaughnessy、Michael Heinrich、Keccak Wong、Marc Weinstein、Phillip Bonello、Jeff Amico、Ejaaz Ahamadeen、Evan Feng、Evan Feng。

本文内容仅供学习与信息参考，不构成任何投资建议或财务指导。加密货币及AI相关项目均具有较高风险，市场波动剧烈，用户应结合自身情况独立判断，并参考官方公告及实时行情平台获取最新信息。文中涉及的技术设想或项目进展可能存在不确定性，任何关于未来表现的表述均不构成确定性承诺。请谨慎决策，理性投资。