加密与 AI：是否已走到尽头？
2023 年，Web3-AI 一度成为热门话题。
但如今，它充斥着模仿者和无实际用途的巨额项目。
以下是需要避免的误区和应关注的重点。
概述
IntoTheBlock 的 CEO
@jrdothoughts
最近在一篇文章中分享了他的见解。
他讨论了：
a. Web3-AI 的核心挑战
b. 被过度炒作的趋势
c. 具有高潜力的趋势
我已为你提炼出每个要点！让我们一探究竟：
市场现状
当前的 Web3-AI 市场被过度炒作和资助。
许多项目与 AI 行业的实际需求脱节。
这种脱节带来了困惑，但也为有洞察力的人创造了机会。
核心挑战
Web2 和 Web3 AI 之间的差距正在扩大，主要原因有三：
-
有限的 AI 研究人才
-
受限的基础设施
-
不足的模型、数据和计算资源
生成式 AI 基础
生成式 AI 依赖于 模型、数据和计算资源 三大要素。
目前，还没有主要模型针对 Web3 基础设施进行了优化。
最初的资金支持了一些与 AI 现实脱节的 Web3 项目。
被高估的趋势
尽管有很多炒作，并非所有 Web3-AI 的趋势都值得关注。
以下是网上 认为最被高估的一些趋势：
a. 去中心化的 GPU 网络
b. ZK-AI 模型
c. 推理证明
去中心化的 GPU 网络
这些网络承诺民主化 AI 训练。
但现实情况是，在去中心化基础设施上训练大型模型既慢又不切实际。
这一趋势尚未兑现其高远的承诺。
零知识 AI 模型
零知识 AI 模型在隐私保护方面看起来很有吸引力。
但实际上，它们计算成本高且难以解释。
这使得它们在大规模应用中不太实际。
图中信息：
b) 目前，开销高达 1000 倍。
然而，这种方法距离实用化还有很大差距，尤其是对于 Vitalik 所描述的那些用例。以下是一些例子：
zkML 框架 EZKL 需要大约 80 分钟才能生成一个 1M-nanoGPT 模型的证明。
根据 Modulus Labs 的数据，zkML 的开销比纯计算高出 1000 倍以上，最新报告显示为 1000 倍。
根据 EZKL 的基准测试，RISC Zero 在随机森林分类任务中的平均证明时间为 173 秒。
推理证明
推理证明框架为 AI 输出提供加密证明。
然而，互联网上 认为这些解决方案解决的是并不存在的问题。
因此，它们在现实世界中的应用有限。
高潜力趋势
虽然有些趋势被过度炒作，但另一些趋势则具有显著潜力。
以下是一些被低估的趋势，可能提供真正的机会：
a. 具备钱包的 AI 智能体
b. 加密货币为 AI 提供资金
c. 小型基础模型
d. 合成数据 生成
具备钱包的 AI 智能体
想象一下，AI 智能体通过加密货币拥有金融能力。
这些智能体可以雇佣其他智能体或质押资金以确保质量。
加密货币为 AI 提供资金
生成式 AI 项目通常面临资金短缺。
加密货币的高效资本形成方法，如空投和激励，为开源 AI 项目提供了关键的资金支持。
这些方法有助于推动创新。
小型基础模型
小型基础模型，例如微软的 Phi 模型，展示了少即是多的理念。
具有 1B-5B 参数的模型对去中心化 AI 至关重要，能够提供强大的设备端 AI 解决方案。
合成数据生成
数据稀缺是 AI 发展的主要障碍之一。
通过基础模型生成的合成数据可以有效补充现实世界的数据集。
克服炒作
最初的 Web3-AI 热潮主要集中在一些脱离实际的价值主张上。
现在应将重点转向构建实际可行的解决方案。
随着注意力转移，AI 领域依然充满机会，等待敏锐的目光去发现。
本文仅供教育用途，非财务建议。
