黃仁勳在迪拜的WGS上演講時，提出了一個詞“主權AI”。那麼，哪個主權的AI能符合Crypto社區的利益和訴求呢？也許需要以Web3+AI的形式構建。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，區塊鏈有利於數據的存儲和追蹤。這種協同，貫穿在Web3+AI的整個產業圖景中。

大多數Web3 + AI的項目是在利用區塊鏈技術解決AI行業基礎設施項目的建設問題，少數項目是利用AI解決Web3應用的某些問題。Web3 + AI產業圖景大體如下：

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方面：

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，基本每個季度就會翻一倍，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等硬件價格快速漲，進而抬高了算力成本。但與此同時，市場上也存在大量的中低端算力硬件閒置，可能這部分中低端硬件的單體算力無法滿足高性能需求。但若通過Web3的方式建設成分布式算力網路，通過算力租賃、共享的方式，打造去中心化的計算資源網路，仍可滿足諸多AI應用需求。由於是利用分布式的閒置算力，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路規模，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、數據層：數據資產化

數據是AI的石油、血液。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，普通的創業公司很難獲取廣泛的數據，用戶數據在AI行業的價值也並沒有反饋給用戶。通過Web3+AI，可以讓數據收集、數據標注、數據分布式存儲等流程更低成本、更透明、更有利於用戶。收集高質量數據是AI模型訓練的前置條件，通過Web3的方式，可以利用分布式網路，結合適當的Token激勵機制，採用衆包收集的方法，以較低成本獲取高質量且廣泛的數據。根據項目用途，數據類項目主要包括以下幾類：

• 數據收集類項目（例如Grass等）；
• 數據交易類項目（例如Ocean Protocol等）；
• 數據標注類項目（例如Taida、Alaya等）；
• 區塊鏈數據源類項目（例如Spice AI、Space and time等）；
• 去中心化存儲類項目（例如FIL、Arweave等）。

數據類Web3+AI項目，在設計Token經濟模型的過程中更有挑戰性，因爲數據比算力更難標準化。

3、平台層：平台價值資產化

平台類項目大多數會對標Hugging Face，以整合AI行業各類資源爲核心。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連結，以平台爲中心，更便捷地解決各種需求。比如Giza，專注於構建全面的zkML運營平台，旨在使機器學習的推理變得可信和透明，因爲數據和模型黑盒是目前AI中普遍存在的問題，通過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，是遲早會被行業內呼籲的。也有做Focus AI的layer1/ layer2，例如Nuroblocks、Janction等。核心敘事是連接了各類算力、數據、模型、AI開發者、節點等資源，通過包裝通用組件、通用SDK的方式，幫助Web3+AI類應用實現快速構建和發展。還有Agent Network類的平台，基於這類平台可以爲各種應用場景構建AI Agent，例如Olas、ChainML等。平台類的Web3+AI項目，主要以Token捕獲平台價值的方式，激勵平台各參與方共建。對於初創項目從0-1的過程比較有幫助，可以減少項目方尋找算力、數據、AI開發者社區、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行業基礎設施項目建設的問題。應用層項目則更多是利用AI解決Web3應用存在的問題。比如Vitalik在文章中提到兩個方向，我覺得很有意義。一是AI作爲Web3參與者。比如：Web3 Games中，AI可以作爲一個遊戲玩家，它可以快速理解遊戲規則，並最高效地完成遊戲任務；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可以通過廣泛接受大量數據、知識庫和信息，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，比如體育賽事、總統大選等。二是創建可擴展的去中心化的私人AI。因爲許多用戶擔心AI的黑盒問題，擔心系統存在偏見；或擔心存在某些dApps通過AI技術欺騙用戶來獲利。本質上是因爲用戶對AI的模型訓練和推理過程沒有審查權限和治理權限。但是如果創建一個Web3的AI，像Web3項目一樣，社區對這個AI有分布式治理權，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項目。

總結

Web3 + AI還很早期，業內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的結合能夠創造出比中心化AI更有價值的產品，讓AI擺脫“巨頭控制”、“壟斷”這些標籤，以更加社區化的方式來“共治AI”。也許在更近距離地參與、治理過程中，人類對AI會多一分“敬畏”、少一分“恐懼”。

聲明：

1. 本文轉載自[IOBC Capital]，著作權歸屬原作者[0xCousin]，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。