2022 年 11 月，OpenAI 推出了聊天机器人 ChatGPT。推出两个月后，该服务的活跃用户数量就达到了1 亿。相比之下，TikTok 花了大约 9 个月的时间才达到这一目标，Instagram 则花了两年多的时间。

那时，生成式人工智能已经相当流行，而新产品进一步激发了人们对该领域的兴趣。毫不奇怪，围绕人工智能 (AI) 的炒作浪潮并没有绕过加密货币行业。

自 2022 年底以来，我们定期可以观察到一些项目的代币局部上涨，根据开发人员的保证，这些项目使用了该技术。然而，有些人对此类资产持怀疑态度，他们认为，任何算法的集成程度都处于较低水平，这并非毫无道理。

https://x.com/BanklessHQ/status/1625117772106862592?embedable=true

然而，虽然对于现有产品存在不同且相当两极化的观点，但对于区块链和人工智能之间的潜在协同作用还是存在一些共识。

包括加密货币交易所和Web3 加速器在内的许多参与者都认为，将人工智能与区块链相结合将使两个行业受益，因为两者都能解决现有的问题。一些风险投资家也持类似观点。例如，2023 年 5 月，有报道称Paradigm 将扩大其在人工智能领域的利益。

为什么人工智能算法需要去中心化？

关于人工智能与区块链协同作用的说法并不新鲜。然而，相关研究数据显示，过去几年人们对该领域的兴趣显著增长。

将分布式网络与 AI 服务相结合，可为 AI 开发者带来诸多长期益处。区块链有可能消除或至少缓解许多关键障碍，例如与计算能力不足相关的障碍。

这种协同作用还为创新的互操作性选项提供了可能。例如，DLT 技术可以实现神经模型的微调，并为训练算法收集更具代表性的数据集。

将系统与人工智能（尤其是链上和智能合约）相结合也将使区块链行业受益。人工智能可以潜在地提高分布式网络的性能，并成为去中心化金融 (DeFi) 领域的主要增长动力。

每个人都有自己的问题

人工智能作为一门科学已有近 70 年的历史。然而，该行业始终未能消除阻碍其广泛应用的一些障碍。此外，随着行业的发展，新的挑战也不断出现。

下面我详细介绍了分布式网络可以抵消某些限制的一些潜在场景。

电力短缺

图形处理单元 (GPU) 在训练算法和推断用户查询方面发挥着重要作用。这一点在Nvidia 2024 财年第一季度的报告中尤为明显。

在人工智能领域增长的背景下，对 GPU 的需求急剧增加 - 导致微电路严重短缺。情况非常严重，以至于谷歌和亚马逊等主要云服务提供商甚至开始对其客户实施限制。

许多参与人工智能的公司已经转向替代供应商（例如Lambda），但他们的产能也已接近极限。

https://x.com/Suhail/status/1643002186320994304?embedable=true

去中心化计算网络可以解决这个问题。它们实际上是连接需要计算能力的组织和拥有必要资源的系统所有者的中介。

与集中式服务提供商相比，此类解决方案的价格更低。这主要是因为连接到系统的提供商无需支付额外费用。

此类计算网络主要有两种类型：

通用 (GP)。这些包括为各种应用程序提供资源的去中心化云服务。它们的运营模式类似于市场——客户从自行定价的提供商那里租用服务器空间。
专用 (SP)。相反，这些是为特定使用场景而设计的。通常，它们的架构将计算资源组合成一个池——一种去中心化的计算机。在这种情况下，服务成本由市场动态或社区控制的参数决定。这里的一个例子是Gensyn ，它旨在训练 ML 模型。

去中心化网络使计算能力的获取变得民主化。这降低了训练、微调算法和处理用户查询的成本，而这些任务的计算量更大。

然而，社区担心在分布式资源上训练 ML 模型的速度。联盟成员、Volt Capital 合伙人 Mohamed Fouda 表示，它可能比集中式方法慢一个甚至两个数量级。

https://x.com/MohamedFFouda/status/1643671460488290306?embedable=true

团队已经开始着手优化去中心化学习流程。Together 开发人员正在创建一个理论上可以消除瓶颈的解决方案，而 Gensyn 则试图缓解将不同硬件连接到网络时出现的问题。

然而，为了节省资金，社区可能不得不在学习速度慢上做出妥协。

零披露的机器学习

我想单独挑出专注于零知识机器学习（ZKML）的项目。

可信执行环境 (TEE)和信誉模型等各种机制都用于确保计算网络的正确运行。但每种方法都有其局限性和缺点。例如，TEE 可能存在潜在的硬件攻击媒介。

https://youtu.be/G8-3G_cep4M?si=Efitx0ckFArvKRHU&embedable=true

因此，新一波项目（Gensyn、 Modulus Labs和Giza ）已开始尝试应用零知识证明（ZKP）来验证 ML 的计算完整性。

ZKP 是一种加密协议，允许一方（证明方）向另一方（验证方）确认断言的真实性，而无需透露任何其他信息。该协议在区块链行业非常流行，因为它允许开发人员构建可扩展且安全的应用程序。

当应用于机器学习时，ZKP 会在必要时隐藏部分输入数据或模型本身。当算法在医疗保健和金融等受到严格监管的行业中运行时，这一点尤其重要。

ZKML 还有其他优势。例如，该方法可以证明特定算法已在严格定义的数据集上进行训练。对于专有 AI，它还可以验证同一模型是否可供所有用户使用。

该方法的一个缺点是生成证据的过程本身——这是一项资源密集型任务，执行起来可能比原始操作花费更多。这意味着，在某些情况下，计算它是不切实际的。

尽管如此，ZKML 是人工智能行业去中心化的载体。在技术集中在少数参与者手中令人担忧的情况下，这一点很重要。

内容认证

生成式人工智能的发展和普及导致了逼真的深度伪造的出现。例子包括身穿巴黎世家羽绒服的教皇方济各的伪造图像和五角大楼附近爆炸现场的视频。

https://youtu.be/F4G6GNFz0O8?si=w6iO9_xj8LN9PCsS&embedable=true

加密签名可用于对抗此类深度伪造——通过匹配私钥-公钥对来验证内容创建者的身份。一个实现示例是去中心化社交网络。基于 Lens Protocol 的项目将用户帐户链接到公共区块链中的地址，从而简化了识别过程。

Bundlr 和 Arweave 团队也在致力于制定行业标准。Arweave 设想引入规范，要求将不可变的加密签名和时间戳集成到分布式注册表中记录的数字内容中。

人工智能与区块链协同提高效率

从长远来看，区块链将提高神经模型训练的效率，并可能改变行业开展研究的方式。

虽然区块链研究早期大多由学术界进行，但目前主要由大型科技公司主导。这种情况限制了地方实验室和个人的参与，因为缺乏激励和合作机会。

像Bittensor这样的去中心化平台可以解决问题。在这些市场中，参与者因其对开发的贡献而获得奖励，并可以共享数据来训练模型。在创建开源 AI 时，此类平台尤其有吸引力。

区块链还促进了人类反馈强化学习 (RLHF)的应用。这是一种将人类反馈纳入到微调神经模型的过程中的方法。

RLHF 可让您“完善”模型，减少不准确或有偏差的结果。例如， OpenAI 使用它来调试 GPT-3 并开发 ChatGPT。

微调可提高算法的性能，并使其获得特定领域的专业知识。随着对此类高度专业化的模型的需求不断增长，对专家提供反馈的需求也在增长。

Multicoin提出了一种通过代币形式的激励支付来扩展 RLHF 的方法。然而，这种方法至少有两个问题：

专家必须同意接受代币作为补偿，这限制了参与学习过程的个人范围。
这样的系统需要受到保护以免受到操纵攻击，以保持反馈的准确性。

然而，像Hivemapper这样的项目已经将该方法付诸实践。

智能合约能有多智能？

区块链平台可以在从基础设施到应用程序的各个层面利用人工智能。

然而，加密货币行业最感兴趣的场景是人工智能直接在分布式账本中运作的场景。一般来说，有两种方法可以将算法活动转移到区块链上：

允许自主代理使用 Web3 基础设施进行支付和访问数字资源。
允许神经模型通过 ZKML 与智能合约交互。

很有趣，不是吗？

自主代理的付款和资源

自主经济代理（AEA）是基于机器学习算法的自主系统，它们代表其所有者执行特定任务，而无需其直接干预。

专家预计，随着技术的进步， AEA 将变得更加高度专业化，从而导致“多智能体系统”的激增。

这反过来又会导致一个市场的出现，在这个市场中，一些代理人可以“雇佣”其他人，并向他们支付完成某些任务的报酬。在这种情况下，加密货币支付可能比法定支付更受欢迎，原因如下：

现行法律不允许 AEA 开设银行账户或使用账户持有人的账户进行跨境交易。
加密货币消除了对可信中介机构的需求。
区块链基础设施可以实现更快、更便宜的结算。

AEA 将能够与支付和去中心化物理基础设施网络 (DePIN ) 进行交互。DePIN 集成了硬件设备 — 上面讨论的计算系统也可以归为这一部分。

DePIN 将使 AI 能够访问磁盘空间和计算能力等数字资源。例如，如果算法需要创建 3D 模型，它可以使用Render Network进行渲染，使用Arweave进行数据存储，而不必依赖集中式解决方案。

将人工智能融入智能合约

人工智能模型在智能合约中的应用大大扩展了其功能。神经网络不仅可以打开创新用例的大门，还可以提高现有工具的效率。

这种集成在很大程度上受到在区块链中部署算法的高计算成本的阻碍。但是，使用 ZKP 来验证链下模型的精确执行可以解决这个问题，因为只有相关证据才能放在分布式注册表中。

这种方法将允许智能合约根据动态数据做出决策，而不受一组硬编码规则的限制。这样，它们将变得更加自主、灵活和复杂。

ZKML 可用于多个行业领域，包括 DeFi、GameFi、DeSo（去中心化社交）和 DePIN。

例如，在去中心化金融应用中， AI 可以根据当前网络参数调整协议参数。一个可能的用例是使用 ML 模型实时调整抵押品因素的借贷协议。

其他场景包括自动化资金管理、信用链评分和AMM 流动性管理。

结论

目前，AI与Web3行业在基本逻辑层面存在矛盾：前者高度中心化，而后者则建立在广泛去中心化的原则之上，这种情况有时会让应用的融合变得困难。

但同样的矛盾也使两大行业的产品能够有效互补，促进共同发展。

没有任何保证说区块链将成为未来神经模型的基础，也没有保证说算法将成为去中心化平台的核心运行。

但可以肯定地说，这两种技术的结合将产生许多新的故事，其中一些将被证明是可行的。

数字协同：人工智能与区块链的融合将如何发挥作用

About Author

註釋

標籤

这篇文章刊登在

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps