Metrics Ventures:Crypto×AI 有哪些值得关注的细分赛道?
Metrics Ventures
2024-03-18 14:01
订阅此专栏
收藏此文章
除了少数名人题材,AI 赛道整体更像是「以技术叙事为主导的 MEME」。


撰文:@charlotte0211z,@BlazingKevin_,Metrics Ventures


Vitalik 在 1 月 30 日发表了 The promise and challenges of crypto + AI applications 一文,讨论了区块链与人工智能应该以怎么的方式去结合,以及这个过程中出现的潜在挑战。在这篇文章发布后的一个月,文章中提到的 NMR、Near、WLD 都收获了不错的涨幅,完成了一轮价值发现。本文基于 Vitalik 所提出的 Crypto 与 AI 结合的四种方式,对现有的 AI 赛道的细分方向进行梳理,并对各方向的代表项目进行简要介绍。


1 引言:Crypto 与 AI 结合的四种方式


去中心化是区块链所维护的共识,确保安全性是核心思想,而开源是从密码学角度让链上行为具备上述特点的关键基础。在过去几年中,这个方式在区块链的几轮变革中是适用的,但是当人工智能参与其中后,情况发生一些变化。


试想通过人工智能来设计区块链或者应用的架构,那么模型就有开源的必要,但是如此一来,会暴露其在对抗性机器学习中的脆弱性;反之则丧失了去中心化性。 因此,我们有必要思考在当前区块链或者应用中加入人工智能时,以何种方式,怎样的深度去完成结合。


来源:DE UNIVERSITY OF ETHEREUM


DE UNIVERSITY OF ETHEREUMWhen Giants Collide: Exploring the Convergence of Crypto x AI一文中,阐述了人工智能和区块链在核心特质上的差异。如上图所示,人工智能的特点是:


  • 中心化
  • 低透明度
  • 耗能
  • 垄断性
  • 货币化属性弱


区块链在这 5 点上,和人工智能相比是完全相反的。 这也是 Vitalik 该文的真正论点,如果人工智能和区块链结合,那么诞生的应用在数据所有权,透明度,货币化能力,耗能成本等方面应作出怎样的取舍,又需要诞生哪些基础设施来保障二者的有效结合。


Vitalik 按照上述准则以及自身的思考,将人工智能与区块链结合而成的应用分为 4 大类:


  • 人工智能作为应用中的参与者(AI as a player in a game)
  • 人工智能作为应用的接口(AI as an interface to the game)
  • 人工智能作为应用的规则(AI as the rules of the game)
  • 人工智能作为应用的目标(AI as the objective of the game)


其中,前三种主要是 AI 引入 Crypto 世界的三种方式,代表了从浅到深的三种层次,根据笔者的理解,这种划分代表了 AI 对人类决策的影响程度,并由此为整个 Crypto 引入了不同程度的系统风险:


人工智能作为应用的参与者:人工智能本身不会对人类的决策和行为产生影响,因此不会为真实的人类世界带来风险,也因此在目前具有最高的落地性。


人工智能作为应用的接口:人工智能对人类的决策和行为提供辅助信息或辅助工具,将提高用户和开发者体验,降低门槛,但错误的信息或操作将为真实世界带来一定的风险。


人工智能作为应用的规则:人工智能将全权代替人类完成决策和操作,因此人工智能的作恶和故障将直接导致真实世界的混乱,无论是在 Web2 还是 Web3,目前都无法信任人工智能去代替人类进行决策。


最后,第四类项目致力于利用 Crypto 的特性创造更好的人工智能,正如前文所说,中心化、低透明度、耗能、垄断性和货币属性弱,都可以天然地通过 Crypto 的属性去中和。尽管许多人对 Crypto 能否对人工智能的发展产生影响力抱有怀疑,但通过去中心化的力量去影响现实世界一直是 Crypto 最迷人的叙事,这一赛道也凭借其宏大构想成为 AI 赛道炒作最热烈的部分。


2 AI 作为参与者


在 AI 参与的机制中,激励的最终来源来自于人类输入的协议。在 AI 成为接口,甚至成为规则之前,我们往往需要对不同 AI 的表现进行评估,使 AI 参与到一个机制中,最终通过一个链上机制获得奖励或受到惩罚。


AI 作为参与者,相比于作为接口和规则来说,对用户和整个系统的风险性基本可以忽略不计,可以说是 AI 开始深度影响用户决策和行为前的必经阶段,因此人工智能与区块链在这一层的融合所需要的成本和取舍相对较小,也是 V 神认为现在具有高度可落地性的一类产品。


从广义和实现程度上来说,现在的 AI 应用多属于这一类别,比如 AI 赋能的 trading bot 和 chatbot 等,目前的落地程度还很难实现 AI 作为接口甚至是规则的作用,用户正在不同的 bot 中进行比较和逐步优化,加密用户也尚未养成使用 AI 应用的行为习惯。在 V 神的文章中,也将 Autonomous Agent 归为这一类。


但从狭义和远期愿景上来说,我们倾向于对 AI 应用或 AI Agent 进行更为细致的划分,因此在这一类目下,我们认为具有代表性的细分赛道包括:


2.1 AI 游戏


从某种程度上说,AI 游戏都可以被归为这个类别,玩家通过与 AI 交互,并训练自己的 AI 角色,使得 AI 角色更符合个人的需求,如更贴合个人的喜好或者在游戏机制中更具有战斗力和竞争力。游戏是 AI 在切入现实世界前的一个过渡阶段,也是目前落地风险性较低、最容易被普通用户理解的一个赛道,标志性的项目如 AI Arena、Echelon Prime、Altered State Machine 等。


· AI Arena:AI Arena 是一款玩家可以通过 AI 学习和训练,使游戏角色不断进化的 PVP 格斗游戏,希望以游戏的形式让更多普通用户能够接触、了解和体验 AI,同时让人工智能工程师能基于 AI Arena 提供各种 AI 算法来增加收入。每个游戏角色都是由 AI 赋能的 NFT,其中 Core 是包含 AI 模型的核心,包括两个部分:架构和参数,存储在 IPFS 上,一个新的 NFT 中的参数时随机生成的,意味着其将执行随机动作,用户需要通过模仿学习(IL)的过程提升角色的策略能力,每次用户训练角色并保存进度时,参数都会在 IPFS 上更新。



Altered State Machine:ASM 并不是一个 AI 游戏,而是为 AI Agent 进行确权和交易的协议,定位为元宇宙 AI 协议,目前正与包括 FIFA 等多个游戏集成,在游戏和元宇宙中引入 AI Agent。ASM 利用 NFT 对 AI Agent 进行确权并交易,每个 Agent 将包含三个部分:Brain(Agent 的自身特性)、Memories(存储 Agent 学到的行为策略,及模型训练的部分,与 Brain 绑定)、Form(角色外观等)。ASM 拥有一个 Gym 模块,包括去中心化的 GPU 云提供商,可以为 Agent 提供算力支持。 目前以 ASM 作为底层的项目包括 AIFA(AI 足球游戏)、Muhammed Ali(AI 拳击游戏)、AI League(与 FIFA 合作的街头足球游戏)、Raicers(AI 驱动的赛车游戏)以及 FLUF World’s Thingies(生成式 NFT)。



Parallel Colony (PRIME):Echelon Prime 正在开发 Parallel Colony,这是一款基于 AI LLM 的游戏,玩家可以与你的 AI Avatar 进行互动并对其产生影响,Avatar 将根据记忆和生活轨迹产生自主行动。Colony 目前是最受期待的 AI 游戏之一,近日官方刚刚发布了白皮书,并宣布迁移至 Solana,使得 PRIME 又迎来了一波新的上涨。


2.2 预测市场 / 竞赛


预测能力是 AI 进行未来决策和行为的基础,在 AI 模型被用于实际预测前,预测竞赛在更高等级上对 AI 模型的表现进行比较,通过代币为数据科学家 /AI 模型提供激励,这对于整个 Crypto×AI 的发展具有积极意义——通过激励不断开发效率和性能更强、更适合 crypto 世界的模型和应用,在 AI 对决策和行为发挥更深刻影响前,创建出更优质、更安全的产品。正如 V 神所说,预测市场是一个强大的原语,可以拓展到更多其他类型的问题。这一赛道中的标志性项目包括:Numerai 和 Ocean Protocol。


Numerai:Numerai 是一个已经运行了很久的数据科学竞赛,数据科学家根据历史的市场数据(由 Numerai 提供)训练机器学习模型来预测股市,并质押模型和 NMR 代币进行锦标赛,表现较好的模型将获得 NMR 代币激励,较差模型的质押代币则会被销毁。截止 2024 年 3 月 7 日,共有 6,433 个模型被质押,协议共计向数据科学家提供了 $75,760,979 的激励。Numerai 正在激励全球数据科学家合作来构建新型对冲基金,目前已发布的基金包括 Numerai One 和 Numerai Supreme。Numerai 的路径:市场预测竞赛→众包预测模型→基于众包模型的新型对冲基金。


Ocean Protocol:Ocean Predictoor 正在关注预测,开始于加密货币走势的众包预测。玩家可以选择运行 Predictoor bot 或 Trader bot,Predictoor bot 使用 AI 模型对下一个时间点(比如五分钟后)的加密货币(如 BTC/USDT)价格进行预测,并质押一定数量的 $OCEAN,协议将根据质押量加权计算出全局预测,Traders 购买预测结果并可以根据其进行交易,在预测结果准确率较高时,Traders 可以从中获利,预测错误的 Predictoor 将会被罚没,而预测正确的则可以获得这部分代币和 Traders 的购买费用作为奖励。3 月 2 日,Ocean Predictoor 在媒体上公布了最新方向——World-World Model(WWM),开始探索对天气、能源等现实世界的预测。



3 AI 作为接口


AI 可以帮助用户用简单易懂的语言理解正在发生的事情,充当用户在 crypto 世界的导师,并对可能的风险进行提示,以降低 Crypto 的使用门槛和用户风险,提高用户体验。具体可实现的产品的功能很丰富,如钱包交互时的风险提示、AI 驱动的意图交易、能够回答普通用户 crypto 问题的 AI Chatbot 等等。对受众群体进行扩大,除了普通用户,开发者、分析师等等在内的几乎所有群体,都将成为 AI 的服务对象。

让我们再次重申这些项目的共同点:尚未代替人类执行某些决策和行为,但正在利用 AI 模型为人类提供辅助决策和行为的信息和工具。从这一层开始,AI 作恶的风险已经开始暴露在系统中——可以通过提供错误的信息来干扰人类最后的判断,这一点在 V 神的文章中也已经有详细的分析。


能够被归入这一类目下的项目较多也较杂,包括 AI chatbot、AI 智能合约审计、AI 代码编写、AI trading bot 等等,可以说目前绝大多数的 AI 应用都正在这一类的初级水平,具有代表性的项目包括:


PaaL:PaaL 是目前 AI Chatbot 的龙头项目,可以看作是经过 crypto 相关知识训练的 ChatGPT,通过集成 TG 和 Discord,可以为用户提供:代币数据分析、代币基本面和代币经济学分析以及文字生成图片等其他功能,可以将 PaaL Bot 集成入群聊来对一些信息进行自动回复。PaaL 支持定制个人 bot,用户可通过投喂数据集,构建自己的 AI 知识库和自定义 bot。PaaL 正在向 AI Trading Bot 进发,2 月 29 日宣发了其 AI 支持的 crypto 研究&交易终端 PaalX、根据介绍可实现 AI 智能合约审计、基于推特的新闻集成和交易、Crypto 研究和交易支持,人工智能助手可降低用户使用门槛。



ChainGPT:ChainGPT 依靠人工智能开发了一系列 crypto 工具,如 chatbot、NFT 生成器、新闻集合、智能合约生成与审计、交易助手、Prompt 市场和 AI 跨链交换。但 ChainGPT 目前的发力方向在于项目孵化和 Launchpad,目前已完成 24 个项目的 IDO 和 4 个 Free Giveaways。



Arkham:Ultra 是 Arkham 的专用 AI 引擎,用例是通过算法将地址与现实中实体进行匹配,以提高加密行业的透明度。Ultra 基于用户提供以及自身收集的链上链下数据,将之合并,并输出成可拓展的数据库,最终以图表方式呈现。但 Arkham 文档中并未对 Ultra 系统有详细论述,本轮 Arkham 受到关注的原因为 OpenAI 创始人 Sam Altman 对其的个人投资,过去 30 天收获 5 倍涨幅。


GraphLinq:GraphLinq 是一种自动化流程管理解决方案,旨在使用户无需编程即可部署和管理各种类型的自动化功能,如将 Coingecko 中比特币的价格每隔 5 分钟推送至 TG Bot 中。GraphLinq 的解决方案是用 Graph 将自动化流程可视化,用户可以通过拖拽节点的方式创建自动化任务,并使用 GraphLinq Engine 执行。尽管不需要代码,但创建 Graph 的过程对普通用户来说依然有一定门槛,包括选择合适的模板、在几百个逻辑块中挑选合适的并连接。因此 GraphLinq 正在引入 AI,使用户可以用对话式人工智能和自然语言,来完成自动化任务的构建和管理。


0x0.ai:0x0 与 AI 相关的业务主要有三个:AI 智能合约审计、AI 反 Rug 检测和 AI 开发者中心。其中 AI 反 Rug 检测将检测可疑行为,如过高税收或抽走流动性,防止用户受骗,AI 开发者中心利用机器学习技术生成智能合约,实现 No-code 部署合约。但目前仅初步上线了 AI 智能合约审计,其他两项功能尚未开发完成。


Zignaly:Zignaly 诞生于 2018 年,旨在让个人投资者能够选择基金经理来为自己进行加密资产管理,类似 Copy-trading 的逻辑。Zignaly 正在使用机器学习和人工智能技术,建立起对基金经理进行系统评估的指标体系,目前推出的第一个产品为 Z-Score,但作为人工智能产品来说还是比较初级。



4 AI 作为游戏规则


这是最令人激动的部分——让 AI 能够代替人类进行决策和行为,你的 AI 将直接掌控你的钱包,代替你进行交易决策和行为。在这一分类下,笔者认为主要可以分为三个层级:AI 应用(尤其是以自主决策为愿景的应用,如 AI 自动化交易 bot、AI DeFi 收益 Bot)、Autonomous Agent 协议以及 zkml/opml。


AI 应用是对某一领域的问题进行具体决策的工具,它们积累了不同细分领域的知识和数据,依赖于根据细分问题而量身定制的 AI Model 开展决策。可以注意到,AI 应用在本文中被同时归入两类:接口与规则,从开发愿景来说,AI 应用应成为独立决策的 Agent,但目前无论是 AI 模型的有效性、集成 AI 的安全性,都无法满足这一要求,甚至作为接口都略微勉强,AI 应用正处于非常早期的阶段,具体项目在前文已有介绍,在此不做赘述。


Autonomous Agent 被 V 神在第一类(AI 作为参与者)中提及,从远期愿景来说,本文将其归为第三类。Autonomous Agent 利用大量数据和算法来模拟人类的思维和决策过程,并执行各种任务和交互。本文主要关注 Agent 的通信层、网络层等基础设施,这些协议定义了 Agent 的归属权,建立了 Agent 的身份、通信标准和通信方式,连接多个 Agent 应用,能够协同进行决策和行为。


zkML/opML:通过密码学或经济学的方法,保证经过了正确的模型推理过程而提供具有可信性的输出。安全性问题对于将 AI 引入智能合约非常致命,智能合约依靠输入产生输出并自动化执行一系列功能,一旦 AI 作恶给予了错误的输入,将会为整个 Crypto 系统引入极大的系统性风险,因此 zkML/opML 和可能的一系列潜在解决方案,都是让 AI 进行独立行动和决策的基础。


最后,三者构成 AI 作为运行规则的三个基础层次:zkml/opml 作为最底层的基础设施,保证协议的安全性;Agent 协议建立起 Agent 生态系统,能够协同进行决策和行为;AI 应用,也是具体的 AI Agent,将不断提高在某一领域的能力,并实际进行决策和行动。


4.1 Autonomous Agent


AI Agent 在 Crypto 世界的应用是自然的,从智能合约到 TG Bots 再到 AI Agents,加密世界正走向更高的自动化和更低的用户门槛。智能合约虽然是通过不可篡改的代码自动执行功能,但仍需要依赖外部触发而唤醒,且无法自主运行和连续运行;TG Bots 降低了用户门槛,用户不需要直接与加密前端交互,而是通过自然语言完成链上交互,但只能完成极为简单和具体的任务,依然无法实现用户意图为中心的交易;AI Agents 则具备一定的独立决策能力,理解用户的自然语言,并自主找到和组合起其他的 Agent 和链上工具,完成用户指定的目标。


AI Agent 正在致力于大幅提高加密产品的使用体验,而区块链也能够助力 AI Agent 的运行更加去中心化、透明和安全,具体的帮助在于:


  • 通过代币激励更多的开发者提供 Agent
  • NFT 确权促进基于 Agent 的收费与交易
  • 提供链上的 Agent 身份和注册机制
  • 提供不可篡改的 Agent 活动日志,对其行为进行及时的溯源和追责


这一赛道的主要项目如下


Autonolas:Autonolas 通过链上协议支持 Agent 和相关组件的资产确权和可组合性,使代码组件、Agent 和服务能够在链上被发现和重复利用,并激励开发者获得经济补偿。开发者开发了完整的 Agent 或组成部分后,将对代码进行链上注册并获得 NFT,代表对代码的所有权;Service Owner 会联合多个 Agent 创建一个服务并在链上注册,并吸引 Agent Operators 来实际执行服务,用户通过付费使用服务。


Fetch.ai:Fetch.ai 在 AI 领域具有很强的团队背景和开发经验,目前正在关注 AI Agent 赛道。协议由四个关键层组成:AI Agents、Agentverse、AI Engine 和 Fetch Network。AI Agents 是系统的核心,其他则为辅助构建 Agent 服务的框架和工具。Agentverse 是一个软件即服务平台,主要用于创建和注册 AI Agent。AI Engine 的目标是通过读取用户自然语言输入,将其转换为可操作的人物,并在 Agentverse 中选择已注册的最合适的 AI Agent 来执行任务。Fetch Network 是协议的区块链层,AI Agent 必须在链上的 Almanac 合约中注册,才能与其他 Agent 开始协同服务。值得注意的是,Autonolas 目前专注于 crypto 世界的 Agent 构建,将链下的 Agent 操作引入链上;Fetch.ai 的关注范围则包括 Web2 世界,如旅行预订、天气预测等。


Delysium:Delysium 从游戏转型为 AI Agent 协议,主要包括两个层:通信层和区块链层,通信层是 Delysium 的主干,提供安全且可扩展的基础设施,使得 AI Agent 之间能够快速高效的通信,区块链层对 Agent 进行身份验证,并通过智能合约实现对 Agent 行为的不可篡改记录。具体来说,通信层为 Agent 之间建立了统一的通信协议,采用标准化的消息系统,让 Agent 之间可以通过一种通用语言无障碍地交流,此外建立了服务发现协议和 API,使得用户和其他 Agent 能够快速发现和连接可用的 Agent。区块链层主要包括两个部分:Agent ID 和 Chronicle 智能合约,Agent ID 确保只有合法的 Agent 才能访问网络,Chronicle 则是 Agent 做出的所有重要决策和行为的日志存储库,上链后不可篡改,确保对 Agent 行为的可信追溯。


Altered State Machine:通过 NFT 为 Agent 的资产确权和交易制定了标准,具体分析可见第 1 部分,虽然 ASM 目前主要接入游戏,但其作为基础性的规范同样具有向其他 Agent 领域扩展的可能。


Morpheous:正在构建一个 AI Agent 生态网络,协议旨在连接 Coder、Computer provider、Community Builder 和 Capital 四种角色,分别为网络提供 AI Agent、支持 Agent 运行的算力、前端和开发工具以及资金,MOR 将采取 Fair launch 的形式,向提供算力的矿工、stETH 质押者、Agent 或智能合约开发贡献者、社区开发贡献者提供激励。


4.2 zkML/opML


零知识证明目前有两个主要应用方向:


  • 以更低的成本在链上证明运算得到了正确的运行(ZK-Rollup 和 ZKP 跨链桥正在利用 ZK 的这一特点);
  • 隐私保护:不需要知道计算的细节,也可以证明计算得到了正确的执行。


同样地,ZKP 在机器学习中的应用同样可以被分为两类:


  • 推理验证:即通过 ZK-proof,在链上以较低的成本证明 AI 模型推理这一密集计算的过程在链下得到了正确的执行。
  • 隐私保护:又可以分为两类,一是对数据隐私的保护,即在公开的模型上使用隐私数据进行推理,可以利用 ZKML 对隐私数据进行保护;二是对模型隐私的保护,希望隐藏模型的权重等具体信息,从公开的输入中运算并得出输出结果。


笔者认为目前对 Crypto 更为重要的是推理验证,我们在此对推理验证的场景进行进一步阐述。从 AI 作为参与者开始,到 AI 作为世界的规则,我们希望将 AI 成为链上流程的一部分,但 AI 模型推理计算成本过高,无法直接在链上运行,将这一过程放到链下,意味着我们需要忍受这一黑盒子带来的信任问题——AI 模型运行者是否篡改了我的输入?是否使用了我指定的模型进行推理?通过将 ML 模型转化成 ZK 电路,可以实现:(1)较小的模型上链,将小的 zkML 模型存储到智能合约中,直接上链解决了不透明的问题;(2)在链下完成推理,同时生成 ZK 证明,通过在链上运行 ZK 证明来证明推理过程的正确性,基础架构将包括两个合约——主合约(使用 ML 模型输出结果)和 ZK-Proof 验证合约。


zkML 还处于非常早期的阶段,面临着 ML 模型向 ZK 电路转化的技术问题,以及极高的运算和密码学开销成本。和 Rollup 的发展路径一样,opML 从经济学的角度出发,成为了另一种解决方案,opML 使用 Arbitrum 的 AnyTrust 假设,即每个主张至少有一个诚实节点,确保提交者或至少一个验证者是诚实的。但 OPML 只能成为推理验证的替代方案,无法实现隐私保护。


目前的项目正在构建 zkML 的基础设施,并在努力探索其应用,应用的建立同样重要,因需要清楚地向加密用户证明 zkML 中重要作用,证明最终价值能够抵消巨大成本。在这些项目中,有些专注于与机器学习相关的 ZK 技术研发(如 Modulus Labs),有些则是更通用的 ZK 基础设施搭建,相关项目包括:


  • Modulus 正在使用 zkML 将人工智能应用于链上推理过程。Modulus 于 2 月 27 日推出了 zkML 证明器 Remainder,与同等硬件上的传统 AI 推理相比,实现了 180 倍的效率提升。此外,Modulus 与多个项目合作,探索 zkML 的实际用例,如与 Upshot 合作,通过使用具有 ZK 证明的人工智能,收集复杂的市场数据、评估 NFT 价格,并将价格传到链上;与 AI Arena 合作,证明正在战斗的 Avatar 和玩家所训练的是同一个。
  • Risc Zero 将模型放在链上,通过在 RISC Zero 的 ZKVM 中运行机器学习模型,可以证明模型涉及的确切计算是正确执行的。
  • Ingonyama 正在开发专门用于 ZK 技术的硬件,这可能降低了进入 ZK 技术领域的门槛,并且 zkML 也有可能用于模型训练过程。


5 AI 作为目标


如果说前面三类更侧重于 AI 如何赋能于 Crypto,那么「AI 作为目标」强调了 Crypto 对 AI 的帮助,即如何利用 Crypto 创造出更好的 AI 模型和产品,这或许包括多个评判标准:更高效、更精确、更去中心化等等。


AI 包括三个核心:数据、算力和算法,在每一个维度,Crypto 都在致力于为 AI 提供更有效的助力:


  • 数据:数据是进行模型训练的基础,去中心化数据协议将激励个人或企业提供更多私域数据,同时利用密码学保障数据隐私,避免个人敏感数据的泄露。
  • 算力:去中心化算力赛道是目前最火热的 AI 赛道,协议通过提供供需双方的匹配市场,促进长尾算力与 AI 企业的匹配,用于模型的训练和推理。
  • 算法:Crypto 对算法的赋能是实现去中心化 AI 最核心的环节,也是 V 神文章中「AI 作为目标」叙述的主要内容,创建去中心化的、可信任的黑匣子 AI,那么前文所说的对抗式机器学习的问题则将得到解决,但将面临极高的密码学开销等一系列阻碍。此外,「使用加密激励来鼓励制作更好的 AI」也可以在不完全陷入密码学完全加密的兔子洞的情况下实现。


大型科技公司对数据和算力的垄断共同造成了对模型训练过程的垄断,闭源模型成为大型企业获利的关键。从基础设施的角度,Crypto 通过经济手段激励数据和算力的去中心化供应,同时通过密码学的方法保证过程中的数据隐私,并以此为基础助力于去中心化的模型训练,以实现更透明、更去中心化的 AI。


5.1 去中心化数据协议


去中心化数据协议主要以数据众包的形式开展,激励用户提供数据集或数据服务(如数据标注)用于企业进行模型训练,并开设 Data Marketplace 促进供需双方的匹配,一些协议也正在探索通过 DePIN 激励协议,获取用户的浏览数据,或利用用户的设备 / 带宽完成网络数据爬取。


Ocean Protocol:对数据确权并代币化,用户可以通过无代码方式在 Ocean Protocol 完成对数据 / 算法的 NFT 创建,同事创建相应的 datatoken 来控制对数据 NFT 的访问。Ocean Protocol 通过 Compute To Data(C2D)来确保数据的隐私性,使用者只能获得根据数据 / 算法的输出结果,而无法完整下载。Ocean Protocol 于 2017 年成立,作为数据市场,在本轮热潮中很自然地搭上了 AI 的快车。


Synesis One:该项目是 Solana 上的 Train2Earn 平台,用户通过提供自然语言的数据和数据标注来获取 $SNS 奖励,用户通过提供数据支持挖矿,数据在验证后会进行存储和上链,并由 AI 公司用来训练和推理。具体来说,挖矿者分为三类:


Architect/Builder/Validator,Architect 负责创建新的数据任务,Builder 在相应的数据任务中提供语料,Validator 则对 Builder 提供的数据集进行验证。完成的数据集会被存入 IPFS 中,并在链上保存数据来源和 IPFS 地址们同事会被存储在链下的数据库中供 AI 公司(目前为 Mind AI)使用。



Grass:被称为 AI 的去中心化数据层,本质上是一个去中心化网络抓取市场,并以此获得数据来用于 AI 模型训练。互联网网站是一个重要的 AI 训练数据来源,包括推特、谷歌、Reddit 在内的许多网站的数据都具有重要价值,但这些网站正在不断对数据爬取加以限制。Grass 利用个人网络中未使用的带宽,通过使用不同的 IP 地址来减少数据封锁带来的影响,来抓取公共网站中的数据,完成数据初步清理,成为 AI 模型训练企业和项目的数据源。目前 Grass 正处于 Beta 测试阶段,用户可提供带宽获取积分以领取潜在空投。



AIT Protocol:AIT Protocol 是去中心化数据标注协议,旨在为开发者提供高质量数据集用于模型训练。Web3 使得全球劳动力能够快速接入网络,并通过数据标注获得激励,AIT 的数据科学家将对数据进行预标注,随后由用户进行进一步处理,经过数据科学家检查后,通过质量检测的数据将提供给开发者。



除了上述数据提供和数据标注协议,曾经的去中心化存储类基础设施,如 Filecoin、Arweave 等也将为更分散化的数据供给助力。


5.2 去中心化算力


AI 时代,算力的重要性不言而喻,不仅英伟达的股价日攀高峰,在 Crypto 世界,去中心化算力可以说是 AI 赛道炒作最热烈的细分方向——在市值前 200 的 11 个 AI 项目中,做去中心化算力的项目就有 5 个(Render/Akash/AIOZ Network/Golem/Nosana),并在过去几个月中收获了高倍涨幅。在小市值的项目中也看到许多去中心化算力的平台出现,虽然刚刚起步,但伴随着英伟达大会的浪潮,只要是与 GPU 沾边,都快速收获了一波大涨。


从赛道特点来看,这一方向项目的基本逻辑高度同质化——通过代币激励使得拥有闲置算力资源的人或企业提供资源,并由此大幅降低使用费用,建立起算力的供需市场,目前,主要的算力供应来自于数据中心、矿工(尤其在以太坊转为 PoS 后)、消费级算力以及与其他项目的合作。虽然同质化,但这是一个头部项目拥有较高护城河的赛道,项目的主要竞争优势来源于:算力资源、算力租赁价格、算力使用率以及其他技术优势。这一赛道的龙头项目包括 Akash、Render、io.net 和 Gensyn。


根据具体业务方向,项目可以被粗分为两类:AI 模型推理和 AI 模型训练。由于 AI 模型训练对算力和带宽的要求远高于推理,比分布式推理的落地难度更大,且模型推理的市场快速扩展,可预测的收入将在未来大幅高于模型训练,因此目前绝大多数项目主攻推理方向(Akash、Render、io.net),主攻训练方向的龙头即为 Gensyn。其中,Akash 和 Render 诞生较早,并非是为 AI 计算而生,Akash 最初用于通用计算,Render 则主要应用于视频和图片渲染,io.net 则为 AI 计算专门设计,但在 AI 将算力需求提升了一个 Level 后,这些项目都已倾向于 AI 方面的开发。


最为重要的两个竞争指标依然来自于供应端(算力资源)和需求端(算力使用率)。Akash 拥有 282 个 GPU 和超过 2 万个 CPU,已完成 16 万次租赁,GPU 网络的利用率为 50-70%,在这一赛道是一个不错的数字。io.net 拥有 40272 个 GPU 和 5958 个 CPU,同时拥有 Render 的 4318 个 GPU 和 159 个 CPU、Filecoin 的 1024 个 GPU 的使用许可,其中包括约 200 块 H100 和上千块 A100,目前已完成推理 151,879 次,io.net 正在用极高的空投预期吸引算力资源,GPU 的数据正在快速增长,需要等代币上线后对其吸引资源的能力重新评估。Render 和 Gensyn 则并未公布具体数据。此外,许多项目正在通过生态合作来提高自己在供应与需求端的竞争力,如 io.net 采用 Render 和 Filecoin 的算力来提高自己的资源储备,Render 建立了计算客户端计划(RNP-004),允许用户通过计算客户端——io.net、Nosana、FedMl、Beam,来间接接入 Render 的算力资源,从而快速从渲染领域过渡到人工智能计算。



此外,去中心化计算的验证依然是一个问题——如何证明拥有算力资源的工作者正确地执行了计算任务。Gensyn 正在尝试建立这样一个验证层,通过概率学习证明、基于图的精确定位协议以及激励来保证计算的正确性,其中的验证者和举报者共同对计算进行检查,因此 Gensyn 除了为去中心化训练提供了算力支持,其建立的验证机制也具有独特价值。位于 Solana 上的计算协议 Fluence 同样增加了对计算任务的验证,开发人员可以通过检查链上提供商发布的证明来验证其应用程序是否按预期运行以及计算是否正确执行。但现实的需求依然是「可行」大于「可信」,计算平台必须首先具有足够的算力才有竞争的可能,当然对于出色的验证协议来说,可以选择接入其他平台的算力,成为验证层和协议层来发挥独特作用。


5.3 去中心化模型


距离 Vitalik 所描述的终极场景(下图所示)还非常遥远,我们目前还无法实现通过区块链和加密技术创建一个可信任的黑盒 AI,来解决对抗性机器学习的问题,将数据训练到查询输出的整个 AI 运行过程进行加密处理是一笔非常大的开销。但目前正在有项目尝试通过激励机制创建更好的 AI 模型,首先打通了不同模型之间封闭的状态,创造了模型之间相互学习、协作和良性竞争的格局,Bittensor 是其中最具代表性的项目。



Bittensor:Bittensor 正在促进不同 AI 模型之间的组合,但值得注意的是,Bittensor 本身不进行模型的训练,而是主要提供 AI 推理的服务。Bittensor 的 32 个子网专注于不同的服务方向,如数据抓取、文本生成、Text2Image 等,在完成一项任务时,分属不同方向的 AI 模型可以相互协作。激励机制促进了子网之间、以及子网内部的竞争,目前奖励以每块 1 个 TAO 的速度发放,每日总计发放约 7200 个 TAO 代币,SN0(根网络)中的 64 个验证器根据子网性能,决定了这些奖励在不同子网之间的分配比例,子网验证器则通过对矿工的工作评价,决定在不同矿工之间的分配比例,由此表现更好的服务、表现更好的模型获得更多激励,促进了系统整体推理质量的提高。



6 结语:MEME 炒作还是技术革命?


从 Sam Altman 动向带来 ARKM 和 WLD 的价格疯涨,到英伟达大会带飞一系列参会项目,很多人正在对 AI 赛道的投资理念发生调整,AI 赛道究竟是 MEME 炒作还是技术革命?


除了少数名人题材(比如 ARKM 和 WLD),AI 赛道整体更像是「以技术叙事为主导的 MEME」。


一方面,Crypto AI 赛道的整体炒作一定是与 Web2 AI 的进展紧密挂钩的,OpenAI 为首的外部炒作将成为 Crypto AI 赛道的导火索。另一方面,AI 赛道的故事依然以技术叙事为主,当然,这里我们强调的是「技术叙事」而非「技术」,这就使得对 AI 赛道细分方向的选择和项目基本面的关注依然重要,我们需要找到有炒作价值的叙事方向,也需要找到有中长期竞争力和护城河的项目。


从 V 神提出的四类结合可能中,可以看到的是叙事魅力和落地可能性的相互权衡。在以 AI 应用为代表的第一类和第二类中,我们看到了许多 GPT Wrapper,产品落地快但业务同质化程度也较高,先发优势、生态系统、用户数量和产品收入则成为同质化竞争中可讲的故事。第三类和第四类代表着 AI 与 Crypto 结合的宏大叙事,如 Agent 链上协作网络、zkML、去中心化重塑 AI,都处于早期阶段,具有技术创新的项目将会快速吸引资金,即使只是很早期的落地展示。

【免责声明】市场有风险,投资需谨慎。本文不构成投资建议,用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资,责任自负。

Metrics Ventures
数据请求中
查看更多

推荐专栏

数据请求中
在 App 打开