WEEX 唯客博客， 作者：Derek. Chen 一、AI絆腳石：揭秘人工智慧發展的關鍵挑戰 當前AI的發展存在以下問題 幻覺（Hallucinations）：生成性AI（GenAI）不是確定性系統，它基於訓練數據生成回應，屬於概率系統。GenAI擅長「猜測」對用戶提示最合適的回應，這可能導致產生錯誤預測，即「幻覺」。在需要精確回應的場合（如教育、醫學等），這可能成為問題。 數據所有權和知識產權：GenAI模型訓練使用的數據集可能包含版權材料，這引發了合法使用和知識產權的問題。 偏見：AI模型可能會從訓練數據中學習並複製偏見，導致系統性偏見的出現。 模型崩潰：依賴合成數據訓練的模型可能會停止進步甚至退化，強化現有偏見，並減少數據多樣性。 深度偽造（Deepfakes）：深度偽造技術的發展使得創建逼真的假圖像和視頻變得容易和廉價，這對社會信任和真實性構成了威脅。 缺乏開源和透明度：大型科技公司控制的閉源AI模型可能導致信息控制和敘述管理，對中立性和透明度構成風險。 經濟激勵缺失：開源AI模型缺乏經濟激勵，使得研發人員更傾向於加入盈利的科技公司，而不是參與開源項目。 計算資源限制：開源AI項目通常缺乏足夠的計算資源，無法與資金雄厚的公司競爭。 數據獲取難題：開源項目難以獲取用於訓練AI模型的高質量數據。 監管和控制：隨著AI技術的發展，可能會有中心化實體介入，限制訪問、監管或貨幣化技術，引發對審查和偏見的擔憂。 去中心化的需求：為了實現對AI的民主化訪問並防止權力集中，需要去中心化的AI基礎設施。 技術挑戰：在Web3.0中開發AI應用程序面臨技術挑戰，包括確保推理的安全、去信任計算和證明生成。 經濟和法律框架：需要適當的經濟和法律框架來激勵和保護開源AI的發展。 社會意識和平台政策：社交媒體平台可能缺乏有效抑制深度偽造的意願，且現有政策可能不足以應對新型深度偽造風險。 二、區塊鏈：AI革命的催化劑 區塊鏈技術為AI行業提供了一個強大的基礎設施，不僅能夠控制風險、優化資源分配，還能夠促進AI的透明化、去中心化和數據確權。這些優勢使得區塊鏈成為推動AI技術健康發展和廣泛應用的關鍵因素。 1、為機器學習（ML）訓練創建專有數據集 在機器學習領域，創建和維護涉及私有數據的高質量數據集面臨挑戰，例如在醫學診斷中，患者可能因隱私問題不願分享醫療記錄。Web 3技術提供了解決方案，特別是通過PoPW網路協作創建專有數據集。 利用零知識證明（ZKPs），患者可以匿名化醫療記錄以保護隱私，同時生成ZKPs證明匿名記錄的真實性，這些記錄可用於ML訓練。這種方法保護隱私，允許數據共享，並確保數據集質量。 Web 3技術支持數據隱私和安全性，提升數據可獲取性和質量，為ML模型訓練提供可靠基礎。去中心化的數據集創建和共享機制降低成本，促進合作，激勵數據共享，推動機器學習領域發展。 2、運行私有數據推理 機器學習領域在處理私有數據時面臨數據隱私、安全性和合規性挑戰。零知識（zk）技術提供了解決這些問題的潛在方案，尤其適用於開源和專有模型的推理過程。 對於開源模型，zk技術允許用戶在本地運行模型並保持數據私密。Worldcoin項目通過在設備上處理虹膜掃描並生成IrisCode，使用戶能夠在本地驗證ML模型的推理結果，而無需泄露生物識別數據。 在專有模型中，zk技術通過匿名化用戶數據或本地預處理，使用戶能夠生成零知識證明（ZKP），證明數據處理的正確性，再將結果發送至伺服器進行推理，這對於醫療和金融等敏感領域至關重要。 總結來說，zk技術為機器學習提供了保護數據隱私、提高安全性和確保合規性的方法，增強了模型透明度和可信度，同時為用戶提供了更大的控制權和靈活性。 3、內容的真實性和對抗深度偽造技術 生成式AI模型在圖片、音頻和視頻內容的生成方面取得了顯著進展，但也引發了深度偽造作品的擔憂。Web 3技術，尤其是數字簽名，為這一問題提供了解決方案。在Web 3中，內容通過創建者的私鑰簽名來證明其真實性，任何人都可以通過公共地址驗證簽名，增強了數據的安全性和可信度。 這種方法有助於確保機器學習訓練數據的真實性和來源可追溯性，打擊錯誤信息和深度偽造內容。風險投資家Fred Wilson等支持者探討了將內容與公共加密密鑰關聯的方法，提升了數字簽名作為認證手段的可信度。 儘管概念簡單，但實際操作中仍需改進用戶體驗，如自動化創建數字簽名流程和生成已簽名數據子集的方法。Web 3技術在解決機器學習中的數據真實性和安全性挑戰方面展現出潛力。 4、專有模型的信任最小化 機器學習領域面臨信任、公平性和安全性等關鍵挑戰。零知識證明（ZKPs）在這些方面提供了一種解決方案，允許模型創建者生成電路並為用戶推斷證明，以驗證模型執行的正確性。 ZKPs特別適用於高風險應用，如醫療診斷和金融評估，確保數據被正確使用且結果公平。這增強了模型透明度，提高了用戶和企業的信任度和控制權。簡而言之，ZKPs為機器學習提供了一種確保執行正確性和公平性的技術手段，對於提升整個領域的安全性和可信度至關重要。 5、解決模型創建的中心化問題 創建和訓練大型語言模型（LLM）面臨高成本、耗時和技術門檻的挑戰，這可能導致像OpenAI這樣的中心化實體形成，並可能限制對模型的訪問，帶來數據控制和訪問限制的風險。 Web 3技術提供了去中心化的解決方案，通過去中心化計算來競爭中心化模型，儘管可能面臨訓練速度減慢的問題。Web 3項目可以採用PoPW方法開發有競爭力的ML模型，並構建獨特數據集，降低成本，減少對中心化實體的依賴，並促進數據共享。 Web 3技術推動了LLM的去中心化，增強了透明度和可訪問性，減少了對單一中心實體的依賴。項目如Together和Bittensor正在探索去中心化方法來創建和訓練ML模型，可能帶來技術和創新，為機器學習領域開闢新可能。 總結來說，Web 3技術為解決LLM的中心化風險提供了新途徑，通過去中心化計算和數據共享，推動了機器學習領域的透明度和協作。 6、AI 代理的支付和執行渠道 在機器學習領域，AI代理的崛起，特別是基於大型語言模型（LLMs）的代理如BabyAGI和AutoGPT，提供了有效分配和利用計算資源的新方法。這些AI代理能夠執行特定任務，並可能形成一個去中心化的市場，AI代理之間可以相互搜索、雇傭和支付以完成任務。 Web 3網路為這種協作提供了理想環境，允許AI代理配備加密貨幣錢包，通過DeFi系統自動處理支付，使用去中心化存儲和計算資源，降低成本並提高系統可靠性。此外，去中心化的AI代理市場促進了開放創新，任何人均可貢獻AI代理，推動機器學習領域的發展。 總結來說，結合Web 3技術和AI代理能夠解決機器學習的關鍵挑戰，包括成本效益、專業化、協作和資源利用，為AI應用的未來開闢新可能。 7、保護免受 AI 侵犯隱私 為了訓練高效的機器學習（ML）模型，大量數據是必需的，這引出了隱私保護的問題，尤其是在金融領域。銀行和金融機構可能會使用用戶的財務信息來訓練預測個人未來行為的ML模型，這可能侵犯個人隱私，尤其是如果數據被泄露或濫用。 為了解決隱私問題，隱私增強技術（PETs）如隱私支付區塊鏈和DeFi協議（例如zCash、Aztec支付、Penumbra和Aleo）提供了解決方案。這些技術通過確保金融交易和ML模型訓練中的個人數據隱私和安全，防止未授權訪問，降低數據泄露和濫用風險。 通過這些措施，金融機構可以在遵守隱私法規的同時，使用ML模型進行風險評估和決策，增強用戶信任，並推動金融科技領域的創新。簡而言之，隱私增強技術為金融領域利用ML模型提供了隱私保護的途徑，平衡了技術創新與隱私權益。 三、AI賦能Web3.0：開啟智能互聯網新紀元 在數字時代背景下，Web3.0代表著互聯網的進化，旨在構建一個更開放、聯通和智能的網路環境。區塊鏈技術作為去中心化基礎設施的核心，與人工智慧（AI）和機器學習（ML）共同推動技術進步和提升用戶體驗。AI在Web3.0中的作用關鍵，不僅助力智能化，還有助於釋放Web3.0的全部潛力。 儘管區塊鏈技術在數字貨幣和去中心化應用（dApps）方面取得進展，但AI和ML的融合對於推動Web3.0至更高水平至關重要。在DeFi等快速發展的領域，AI的應用讓dApps有潛力超越傳統Web2.0應用。Vanna Labs等項目正在開發新基礎設施，集成AI/ML以變革區塊鏈應用。 AI在Web3.0中的作用不僅限於數據分析和預測，它還涉及到智能合約的自動執行、資產管理和用戶行為理解，標誌著智能化區塊鏈時代的來臨。AI的深度學習能力是優化解決方案和探索未知潛能的關鍵，它將定義未來互聯網的形態。 1、 AI 作為web3.0生產力工具 AI作為一種強大的工具，極大地降低了內容創作的技術門檻，允許用戶即使沒有專業背景也能創作出高質量的作品。AI的應用範圍廣泛，包括但不限於： § NFT藝術創作：AI輔助用戶生成獨特的數字藝術作品。 § 遊戲內資產設計：AI幫助設計遊戲內的各種資產和元素。 § 虛擬環境建模：AI用於創建虛擬世界的三維環境。 § 編程代碼生成：AI簡化編程任務，自動生成代碼。 此外，AIGC（人工智慧生成內容）在NFT領域進一步擴展了NFT的內在特性，如Mirror World項目利用AI技術為NFT添加了「靈魂」，提升了NFT的個性化和互動性。 AI技術也在降低編程技術門檻方面發揮著重要作用，主要體現在兩個方面： § 智能合約的部署：AI可以幫助開發者通過自然語言編程快速生成和部署所需的智能合約，簡化了發行項目的過程。 § 合約安全分析：同時，AI也可以被用於分析合約代碼，發現潛在的安全漏洞。這既可以是白帽黑客用於幫助改進合約安全，也可以是攻擊者用來尋找漏洞的手段。 降低技術門檻后，使得原本複雜的區塊鏈操作變得更加普及和易於訪問，同時也能推廣區塊鏈技術： § 簡化複雜操作：AI能夠執行以往需要高技術門檻的操作，如循環貸、閃電貸、挖礦策略優化、自動收益獲取和頭礦離場時間的判斷。 § 自動化編程與部署：AI可以自主編程，選擇最優路徑，並直接部署智能合約。 § MEV（礦工可提取價值）獲取：以MEV為例，傳統上需要編寫專門的「夾子機器人」來捕獲MEV，這通常需要高水平的編程技能。AI的介入使得普通用戶也能夠參與到MEV的獲取中。 § 降低成本與門檻：AI助力實現低成本的區塊鏈構建和優化，減少交易費用（gas fee），使區塊鏈技術更加親民和可用。 § 擴展應用範圍：在需要確權和信息透明的任何場景，都可以通過AI簡化的系統部署智能合約，利用區塊鏈技術。 § 吸引用戶：AI簡化的交互系統將吸引大量新用戶進入區塊鏈行業。 2、AI 賦能的Web3應用案例 全鏈遊戲（將遊戲邏輯和數據完全存儲在區塊鏈上的遊戲）為非程序員玩家生成機器人 § Dark Forest引入了自動化機器人來執行任務，為編程熟練的玩家提供了優勢。大型語言模型（LLM）的微調能力有望改變這一局面，允許非編程玩家也能創建機器人，無需編寫代碼。 § Primodium和AI Arena正在整合AI技術，吸引AI和人類玩家共同參與，提供無需編程技能的互動平台，增強了遊戲的可訪問性。這可能推動遊戲行業向更智能化和包容性方向發展。 § 總結來說，LLM和AI技術的融合為區塊鏈遊戲帶來了新機遇，降低了技術門檻，使更多玩家能夠參與並享受遊戲，同時為行業創新開闢了新路徑。 機器人戰鬥、賭博和投注 § 全鏈遊戲引入的完全自主AI玩家概念，使用基於大型語言模型（LLM）的AI代理，如AutoGPT，能夠自主參與遊戲，模擬自動化機器人對戰。這些AI玩家可以訪問互聯網和加密貨幣資金，可能催生預測其對戰結果的市場，為投機和賭博提供新機會。 § 這一創新不僅豐富了遊戲娛樂和競爭，還推動了AI技術的發展，為玩家和觀眾創造了新的經濟活動和投資機遇。簡而言之，AI驅動的自主玩家為鏈上遊戲領域帶來了技術進步和經濟潛力的新前沿。 為鏈上遊戲創建逼真的 NPC 環境 § AI與Web3技術的結合為遊戲行業帶來了開發更複雜和引人入勝的AI驅動型非玩家角色（NPC）的機遇，這些NPC能夠提供不可預測性和增強遊戲趣味性。然而，這一進步也面臨挑戰，尤其是需要在提升NPC動態性的同時，控制對網路吞吐量（TPS）的影響，避免引起網路擁堵和影響玩家體驗。 § 開發者需要平衡NPC的智能化與區塊鏈網路資源消耗，通過創新演算法和優化技術，確保NPC交互既有趣又不過度消耗資源，從而保障所有玩家的遊戲體驗。這將推動遊戲行業向更深層次互動和豐富敘事發展，提供更沉浸式的遊戲體驗。 自動化創建並管理遊戲資產 § 近期生成性AI模型的進展，如Sora和Stable Diffusion、Midjourney文本到圖像、視頻模型，為自動化內容創作提供了新機遇，特別對NFT資產自動生成和Web3創作者經濟產生了顯著影響。 § 在鏈上資產生成方面，AI模型根據文本描述自動生成圖像，智能合約管理這些資產的創造、用戶所有權追蹤，並將其作為NFT記錄。用戶可以通過提供描述參與資產生成，利用尖端語言模型為資產添加詳細信息，如裝備的統計、特性或故事背景。 § 這種設計增強了遊戲互動性、玩家參與感，同時為NFT資產增加了個性化和故事性，提升了其價值和吸引力。 去中心化金融（DeFi） § DeFi優化 通過將 TradFi 的複雜模型和計算方法引入 DeFi，我們可以顯著提升去中心化金融的效率和風險管理。Vanna 區塊鏈旨在通過其智能合約直接實現 AI/ML 推理，為 DeFi 協議提供與傳統金融同等的計算能力，同時保持去信任化的特性。這將開啟一個新時代，其中貸款協議能夠利用更精準的模型來確定利率，AMM 通過動態費用減少無常損失，CDP 協議則能通過先進的風險引擎最小化清算損失。 § DeFi 分析 AI在區塊鏈上的應用為去中心化應用（dApps）帶來了新的可能性： § 無需信任的模型推理：在區塊鏈上直接進行模型推理，消除了對外部分析結果的信任需求。 § 分析民主化：促進了研究與分析的普及，使得鏈上用戶能夠直接訪問和使用高級分析工具。 § 高級金融模型集成：例如，將波動率曲面擬合模型集成到dApps中，使用戶能夠分析加密貨幣期權。 § 開源模型的直接運行：允許在智能合約中直接運行開源的金融和計量經濟學模型。 § 用戶界面的便捷性：用戶可以通過連接錢包到網頁界面，執行智能合約，獲取關於其資產的深入分析。 § 新的DeFi 協議 想象一下，通過模型推理，我們能夠構建出新型的去中心化金融（DeFi）協議，例如那些運用人工智慧（AI）和機器學習（ML）演算法的智能yield-farming協議。 § 通過Vanna，dApp開發人員可以上傳模型，無需自己構建整個基礎設施，這有助於簡化開發過程並推動DeFi的發展。 § Vanna區塊鏈還可能催生出類似Quantconnect/Quantopian的模型投資和競爭平台，吸引更多研究人才加入生態系統。 此外，AI的集成極大提升了DeFi協議的性能，且可以降低鏈上AI的高成本。項目如Modulus和ChainML通過允許鏈下執行AI模型並用不同機制控制鏈上成本，使得AI與DeFi的結合變得可行。Modulus使用零知識證明(ZKP)來驗證模型，而ChainML則利用分散的AI執行網路和Oracle服務來保持成本效率。一些可以從 AI 集成中受益的 DeFi 用例： § AMM 流動性供應，即更新Uniswap V3流動性的範圍。 § 使用鏈上和鏈下數據保護債務頭寸的清算保護。 § 複雜的 DeFi 結構化產品，其中金庫機制由財務 AI 模型定義，而不是固定策略。這些策略可以包括由 AI 管理的交易、借貸或期權。 § 考慮不同鏈上的不同錢包的高級鏈上信用評分機制。 去中心化社交平台 去中心化社交（DeSo）平台通過與AI的結合，解決了提供獨特用戶體驗的挑戰，並超越了中心化平台的功能。AI在這些平台中扮演著多重角色： § 吸引新用戶：AI管理的賬戶可以分享相關內容和參與討論，吸引新用戶加入平台。 § 新聞聚合：AI能夠聚合新聞，為用戶總結其感興趣的最新趨勢。 § 個性化推薦：AI演算法分析Web3用戶行為，提供個性化的社交網路、市場和遊戲內容推薦，提升用戶體驗。 § 定製化內容：社交網路等可以根據用戶行為模式定製化內容，增加用戶參與度和留存率。 § 個性化內容推薦：在DeSo網路中，內容推薦系統為用戶推薦可能感興趣的帖子和社交互動對象。 § 演算法選擇：用戶可以自行選擇和運行第三方內容過濾和推薦演算法，實現高度個性化的體驗。 AI代理與去中心化網路安全 § 基於大型語言模型（LLM）的AI代理為去中心化網路的安全性和經濟穩健性提供了新的測試機會。這些代理能夠自動審查協議文檔和智能合約，尋找漏洞，並在模擬真實環境的獨立執行機制中對協議發起挑戰，以識別和修復安全缺陷。目前，如Gauntlet這樣的公司提供這種服務，但未來，經過專門訓練的LLM可能提供相似的功能。 § 此外，AI服務在提升Web3協議和交易的安全性和可信度方面發揮著關鍵作用。AI通過分析大量數據，能夠識別出可能指示欺詐或惡意活動的異常模式，並提醒用戶或平台運營商採取預防措施。AI還被用於內容監控和審核，以及保護NFT生態系統免受偽造和版權侵犯的安全威脅，增強了去中心化網路的整體安全性和用戶信任度。 用於數據索引和指標提取的 LLM § 區塊鏈數據雖然公開，但其有效組織和價值提取卻頗具挑戰。組織如CoinMetrics通過分析數據創造商業化的複雜指標，而Dune等則通過社區合作開發工具來簡化交易數據的指標提取。大型語言模型（LLM）的發展可能會破壞數據索引和指標提取，不過Dune已經察覺威脅並公布計劃，利用包含SQL查詢解釋和自然語言處理（NLP）功能的LLM來改進查詢。 § LLM的一個應用前景是數據索引，即讓模型與區塊鏈節點交互，直接為特定指標索引數據。初創企業如Dune Ninja正在探索LLM在數據索引上的創新用途。 Web3治理與開發者支持 § 區塊鏈生態系統正通過多種策略吸引和支持Web3開發者，以推動成功。生態系統已投資建立開發者關係團隊，而大型語言模型（LLMs）在此方面展現了巨大潛力。優化后的LLMs能夠解釋代碼、捕捉錯誤、協助文檔編寫，並通過自動化生成文檔、教程、解答問題，甚至在黑客松中提供模板代碼和測試支持，增強了團隊效率。 § 同時，AI的預測模型正在改進Web3社區和DAO的治理與決策流程。AI的預測模型通過分析數據和反饋，識別出有助於協議治理的趨勢和模式。AI還能自動化聲譽管理和獎勵分配，確保真正為社區貢獻價值的個人得到獎勵，而非僅為獎勵參與的用戶。這些AI應用提升了開發者體驗，同時為Web3生態系統的治理和決策帶來了效率和透明度。 四、主要問題 根據Coinbase的研究，AI tokens面臨的主要問題包括： § 炒作與內在價值脫節：當前市場上的AI代幣可能更多地反映了炒作現…
