加密 X AI 不火了？ 速覽你可能忽略的高潛力敘事方向

WEEX 唯客博客， 作者：Crypto, Distilled 編譯：深潮TechFlow   加密與 AI：是否已走到盡頭？ 2023 年，Web3-AI 一度成為熱門話題。 但如今，它充斥著模仿者和無實際用途的巨額項目。 以下是需要避免的誤區和應關注的重點。 概述 IntoTheBlock 的 CEO @jrdothoughts 最近在一篇文章中分享了他的見解。 他討論了： a. Web3-AI 的核心挑戰 b. 被過度炒作的趨勢 c. 具有高潛力的趨勢 我已為你提煉出每個要點！讓我們一探究竟： 市場現狀 當前的 Web3-AI 市場被過度炒作和資助。 許多項目與 AI 行業的實際需求脫節。 這種脫節帶來了困惑，但也為有洞察力的人創造了機會。 （致謝 @coinbase） 核心挑戰 Web2 和 Web3 AI 之間的差距正在擴大，主要原因有三： 有限的 AI 研究人才 受限的基礎設施 不足的模型、數據和計算資源 生成式 AI 基礎 生成式 AI 依賴於模型、數據和計算資源三大要素。 目前，還沒有主要模型針對 Web3 基礎設施進行了優化。 最初的資金支持了一些與 AI 現實脫節的 Web3 項目。 被高估的趨勢 儘管有很多炒作，並非所有 Web3-AI 的趨勢都值得關注。 以下是 @jrdothoughts 認為最被高估的一些趨勢： a. 去中心化的 GPU 網路 b. ZK-AI 模型 c. 推理證明 （致謝 @ModulusLabs） 去中心化的 GPU 網路 這些網路承諾民主化 AI 訓練。 但現實情況是，在去中心化基礎設施上訓練大型模型既慢又不切實際。 這一趨勢尚未兌現其高遠的承諾。 零知識 AI 模型 零知識 AI 模型在隱私保護方面看起來很有吸引力。 但實際上，它們計算成本高且難以解釋。 這使得它們在大規模應用中不太實際。 （致謝 @oraprotocol ） 圖中信息： b) 目前，開銷高達 1000 倍。 然而，這種方法距離實用化還有很大差距，尤其是對於 Vitalik 所描述的那些用例。以下是一些例子： zkML 框架 EZKL 需要大約 80 分鐘才能生成一個 1M-nanoGPT 模型的證明。 根據 Modulus Labs 的數據，zkML 的開銷比純計算高出 1000 倍以上，最新報告顯示為 1000 倍。 根據 EZKL 的基準測試，RISC Zero 在隨機森林分類任務中的平均證明時間為 173 秒。 推理證明 推理證明框架為 AI 輸出提供加密證明。 然而， @jrdothoughts 認為這些解決方案解決的是並不存在的問題。 因此，它們在現實世界中的應用有限。 高潛力趨勢 雖然有些趨勢被過度炒作，但另一些趨勢則具有顯著潛力。 以下是一些被低估的趨勢，可能提供真正的機會： a. 具備錢包的 AI 智能體 b. 加密貨幣為 AI 提供資金 c. 小型基礎模型 d. 合成數據生成 具備錢包的 AI 智能體 想象一下，AI 智能體通過加密貨幣擁有金融能力。 這些智能體可以雇傭其他智能體或質押資金以確保質量。 另一個有趣的應用是「預測智能體」，如 @vitalikbuterin 所提到的。 加密貨幣為 AI 提供資金 生成式 AI 項目通常面臨資金短缺。 加密貨幣的高效資本形成方法，如空投和激勵，為開源 AI 項目提供了關鍵的資金支持。 這些方法有助於推動創新。（致謝 @oraprotocol） 小型基礎模型 小型基礎模型，例如微軟的 Phi 模型，展示了少即是多的理念。 具有 1B-5B 參數的模型對去中心化 AI 至關重要，能夠提供強大的設備端 AI 解決方案。 （來源：@microsoft） 合成數據生成 數據稀缺是 AI 發展的主要障礙之一。 通過基礎模型生成的合成數據可以有效補充現實世界的數據集。 克服炒作 最初的 Web3-AI 熱潮主要集中在一些脫離實際的價值主張上。 @jrdothoughts 認為，現在應將重點轉向構建實際可行的解決方案。 隨著注意力轉移，AI 領域依然充滿機會，等待敏銳的目光去發現。 本文僅供教育用途，非財務建議。非常感謝 @jrdothoughts 提供的寶貴見解。 WEEX唯客交易所官網：weex.com