AI與Web3的融合與發展:現狀、挑戰與前景

一、引言:AI+Web3的發展概況

近年來,人工智能(AI)和Web3技術的快速進步引發了全球範圍內的廣泛關注。AI在人臉識別、自然語言處理、機器學習等領域取得了重大突破,爲各行各業帶來了巨大變革和創新。2023年,AI行業市場規模達到2000億美元,湧現出OpenAI、Character.AI、Midjourney等優秀企業。

同時,Web3作爲新興網路模式,正在改變人們對互聯網的認知和使用方式。Web3以去中心化區塊鏈技術爲基礎,通過智能合約、分布式存儲和去中心化身份驗證等功能,實現數據共享與可控、用戶自治和信任機制的建立。Web3的核心理念是將數據從中心化機構解放,賦予用戶對數據的控制權和價值分享權。目前Web3行業市值已達25萬億美元,Bitcoin、Ethereum、Solana等項目層出不窮。

AI與Web3的結合是東西方開發者和投資者共同關注的領域,如何將兩者很好融合是一個值得探索的問題。本文將重點分析AI+Web3的發展現狀,探討這種融合帶來的潛在價值和影響。我們將首先介紹AI和Web3的基本概念,然後探討它們之間的相互關係。接着分析當前AI+Web3項目的現狀,並深入討論面臨的局限性和挑戰。希望能爲投資者和從業者提供有價值的參考和洞察。

二、AI與Web3交互的方式

AI和Web3的發展猶如天平兩端,AI提升生產力,Web3變革生產關係。那麼兩者能碰撞出什麼火花?我們先分析各自面臨的困境和提升空間,再探討如何互相幫助解決這些困境。

2.1 AI行業面臨的困境

要探究AI行業的困境,首先要了解AI的三個核心要素:算力、算法和數據。

1. 算力:指進行大規模計算和處理的能力。AI任務通常需要處理海量數據和復雜計算,如訓練深度神經網路模型。高強度計算能力可加速模型訓練和推理,提高AI系統性能和效率。近年來,GPU和專用AI芯片的發展極大推動了AI行業進步。GPU提供商如Nvidia佔據大量市場份額,獲得高額利潤。

2. 算法:AI系統的核心組成部分,包括傳統機器學習算法和深度學習算法。算法的選擇和設計對AI系統性能至關重要。不斷改進和創新的算法可提高系統準確性、魯棒性和泛化能力。

3. 數據:AI系統的核心任務是通過學習和訓練來提取數據中的模式和規律。豐富的數據集能提供更全面、多樣化的信息,幫助模型更好地泛化到未見過的數據,更好地理解和解決現實世界問題。

了解AI核心要素後,我們來看AI在這三方面遇到的挑戰:

算力方面,AI任務需要大量計算資源進行模型訓練和推理。獲取和管理大規模算力成本高昂且復雜,尤其對初創企業和個人開發者而言更是困難。

算法方面,深度學習雖然取得巨大成功,但仍存在挑戰。訓練深度神經網路需要海量數據和計算資源,某些任務的模型解釋性不足。算法的魯棒性和泛化能力也是重要問題,模型在未見過的數據上表現可能不穩定。

數據方面,獲取高質量、多樣化的數據仍面臨挑戰。某些領域如醫療的敏感數據難以獲得。數據質量、準確性和標注也存在問題,不完整或有偏見的數據可能導致模型錯誤行爲或偏差。同時,數據隱私和安全保護也是重要考量。

此外,AI模型的可解釋性和透明度也是公衆關注的問題。某些應用如金融、醫療等需要可解釋和可追溯的決策過程,而現有深度學習模型往往缺乏透明度。

除此之外,很多AI創業項目的商業模式不清晰,這也讓許多AI創業者感到迷茫。

2.2 Web3行業面臨的困境

Web3行業也存在諸多方面需要解決的困境,無論是數據分析、用戶體驗,還是智能合約代碼漏洞與安全問題,都有很大提升空間。AI作爲提高生產力的工具,在這些方面有很多潛在發揮空間。

首先是數據分析與預測能力方面的提升:AI技術在數據分析和預測方面的應用爲Web3行業帶來巨大影響。通過AI算法的智能分析和挖掘,Web3平台可從海量數據中提取有價值信息,進行更準確預測和決策。這對去中心化金融(DeFi)領域的風險評估、市場預測和資產管理等方面具有重要意義。

其次,AI可以改進用戶體驗和個性化服務:AI技術的應用使Web3平台能提供更好的用戶體驗和個性化服務。通過分析用戶數據和建模,可爲用戶提供個性化推薦、定制化服務以及智能化交互體驗,提高用戶參與度和滿意度,促進Web3生態系統發展。

在安全性和隱私保護方面,AI的應用對Web3行業也具有深遠影響。AI技術可用於檢測和防御網絡攻擊、識別異常行爲,提供更強大安全保障。同時,AI還可應用於數據隱私保護,通過數據加密和隱私計算等技術,保護用戶個人信息。在智能合約審計方面,AI技術可用於自動化合約審計和漏洞檢測,提高合約安全性和可靠性。

可以看出,對於Web3行業面臨的困境和潛在提升空間,AI在很多方面都能參與和給予助力。

三、AI+Web3項目現狀分析

結合AI和Web3的項目主要從兩個方面入手:利用區塊鏈技術提升AI項目表現,以及利用AI技術服務於Web3項目的提升。

圍繞這兩個方面,湧現出一大批項目在這條路上探索,包括Io.net、Gensyn、Ritual等。接下來我們將從AI助力Web3和Web3助力AI的不同子賽道分析現狀和發展情況。

3.1 Web3助力AI

3.1.1 去中心化算力

OpenAI在2022年底推出ChatGPT後引爆AI熱潮,推出5天後用戶數量達到100萬,2個月內月活用戶數達到1億,到2023年11月,周活用戶數達到1億。ChatGPT的問世使AI領域從小衆賽道迅速發展成爲備受關注的行業。

根據Trendforce報告,ChatGPT需要30000個NVIDIA A100 GPU才能運行,未來GPT-5將需要更多數量級的計算。這也讓各AI公司開啓軍備競賽,只有掌握足夠算力,才能在AI之戰中保持優勢,因此出現了GPU短缺現象。

AI崛起前,GPU最大提供商英偉達的客戶集中在AWS、Azure和GCP三大雲服務商。隨着AI興起,出現大量新買家,包括Meta、甲骨文等大科技公司以及其他數據平台和AI初創公司,都加入囤積GPU來訓練AI模型的戰爭。

正如去年Semi Analysis提到的"GPU富人和GPU窮人",少數幾家公司擁有2萬多A100/H100 GPU,團隊成員可爲項目使用100到1000個GPU。這些公司要麼是雲提供商或自建LLM,包括OpenAI、Google、Meta、Anthropic、Inflection、Tesla、Oracle、Mistral等。

然而大部分公司都屬於GPU窮人,只能在數量少得多的GPU上掙扎。這種情況並不局限於初創公司,一些知名AI公司如Hugging Face、Databricks、Together甚至Snowflake的A100/H100數量都小於20K。這些公司擁有世界一流技術人才,卻受限於GPU供應數量,在AI競賽中處於劣勢。

這種短缺並不局限於"GPU窮人",甚至2023年底,AI龍頭OpenAI因無法獲得足夠GPU,不得不關閉付費註冊數周,同時採購更多GPU供應。

可見,AI高速發展帶來的GPU需求側和供給側出現嚴重不匹配,供不應求問題迫在眉睫。

爲解決這一問題,一些Web3項目開始嘗試結合Web3技術特點,提供去中心化算力服務,包括Akash、Render、Gensyn等。這類項目共同點是通過代幣激勵廣大用戶提供閒置GPU算力,成爲算力供給側,爲AI客戶提供算力支持。

供給側畫像主要分爲三類:雲服務商、加密貨幣礦工、企業。

雲服務商包括大型雲服務商(如AWS、Azure、GCP)以及GPU雲服務商(如Coreweave, Lambda, Crusoe等),用戶可轉售閒置雲服務商算力獲得收入。加密礦工隨着以太坊從PoW轉向PoS,閒置GPU算力也成爲重要潛在供給側。此外,像特斯拉、Meta這類因戰略布局而購買大量GPU的大型企業,也可將閒置GPU算力作爲供給側。

目前賽道玩家大致分兩類,一類將去中心化算力用於AI推理,另一類用作AI訓練。前者如Render(雖聚焦渲染,但也可用作AI算力提供)、Akash、Aethir等;後者如io.net(推理和訓練都支持)、Gensyn,兩者最大差異在於算力要求不同。

先來聊聊AI推理的項目,這類項目通過代幣激勵吸引用戶參與算力提供,再將算力網路服務提供給需求側,實現閒置算力供需撮合。這類項目核心是通過代幣激勵機制吸引供給者,然後吸引用戶使用,實現項目冷啓動和核心運轉機制,從而進一步擴張發展。在這種循環下,供給側有更多更有價值的代幣回報,需求側有更便宜性價比更高的服務,項目代幣價值和供需雙方參與者增長保持一致,隨代幣價格上升,吸引更多參與者和投機者,形成價值捕獲。

另一類是將去中心化算力用於AI訓練,如Gensyn、io.net(AI訓練和推理都支持)。這類項目運轉邏輯與AI推理類項目無太大本質差異,依舊通過代幣激勵吸引供給側參與提供算力,供需求側使用。

io.net作爲去中心化算力網路,目前GPU數量超過50萬個,表現突出,已集成Render和FIL算力,不斷發展生態項目。

Gensyn通過智能合約方式促進機器學習任務分配和獎勵,實現AI訓練。Gensyn機器學習訓練工作每小時成本約0.4美元,遠低於AWS和GCP超過2美元的成本。

Gensyn體系包括四個參與主體:提交者、執行者、驗證者和舉報者。

• 提交者:需求用戶是任務消費者,提供將被計算的任務,爲AI訓練任務付費
• 執行者:執行模型訓練任務,生成完成任務證明供驗證者檢查
• 驗證者:將非確定性訓練過程與確定性線性計算聯繫,將執行者證明與預期閾值比較
• 舉報者:檢查驗證者工作,發現問題時提出質疑獲得收益

Gensyn希望成爲面向全球深度學習模型的超大規模、經濟高效計算協議。

但縱觀這個賽道,爲什麼大部分項目選擇去中心化算力做AI推理而非訓練?

這裏幫助不了解AI訓練和推理的朋友介紹兩者區別:

• AI訓練:如把人工智能比作學生,訓練就類似給AI提供大量知識、示例(即數據),AI從中學習。由於學習本質需理解記憶大量信息,這個過程需要大量計算能力和時間。

• AI