Web3Port AI 賽道研究報告

WEEX 唯客博客， 1. 前言 Web3Port Foundation 是一家專註於區塊鏈和 Web3 生態的加密貨幣基金，致力於通過戰略投資和孵化具有創新潛力的初創企業和項目，推動 Web3 技術的廣泛採用。 本報告的目標是向普通用戶提供一個全面而易於理解的AI行業概覽。我們希望通過這一報告，幫助讀者理解AI的技術演變、市場動態、應用場景以及未來發展趨勢。同時，報告還將探索AI與Web3結合的案例，分析這一新興領域的潛在機會與挑戰。內容僅供行業學習交流之用，不構成任何投資參考。 2. AI概念、歷史變革和技術發展 2.1 什麼是AI？ 人工智慧（AI）是指通過計算機系統模擬人類智能行為的能力。AI系統可以感知環境、學習經驗、推理決策和處理自然語言，並在某些情況下實現自我優化。 人工智慧（AI）的核心目標是使計算機具有「感知能力」、「認知能力」、「創造力」和「智能」。簡單的說就是：要讓計算機能夠像人一樣思考，像人一樣行動，理性地思考、理性地決策。 人工智慧（AI）的應用範圍廣泛，包括但不限於自然語言處理、計算機視覺、語音識別、機器人控制、自動駕駛、醫療診斷等領域。隨著技術的發展，AI正逐漸成為推動經濟增長、社會變革和科學進步的關鍵動力之一。 2.2 AI的歷史與變革 人工智慧（AI）的發展歷程貫穿了70多年的科技變革，從最初的理論探索到如今的廣泛應用，AI經歷了多個階段的起伏和突破。 2.2.1 AI的起源與早期發展（20世紀40–70年代） AI的起源可以追溯到20世紀中葉，尤其是20世紀50年代，數學家和計算機科學家們開始討論「智能機器」的概念。這一時期的AI研究大多圍繞符號邏輯、推理和問題求解，奠定了人工智慧的基礎理論。 圖靈測試：艾倫·圖靈（Alan Turing）是AI理論的先驅之一，他在1950年提出的《計算機器與智能》論文中首次探討了機器是否能夠表現出類似人類的智能。圖靈測試由此誕生，用來判斷機器能否通過自然語言對話模擬人類智能。這一思想為AI的發展奠定了理論基礎。 符號主義AI：20世紀50年代的AI研究主要集中於邏輯推理和符號處理。這一時期的AI系統試圖通過規則和符號（如IF-THEN語句）模擬人類的思維過程。這類AI被稱為「符號主義AI」或「GOFAI」（Good Old-Fashioned AI），它的代表性成果包括邏輯理論家（Logic Theorist）和通用問題求解器（General Problem Solver）。 達特茅斯會議：1956年達特茅斯會議上正式提出了「人工智慧」這一術語，並制定了未來AI研究的目標。這次會議標誌著AI作為獨立學科的誕生。 2.2.2 從規則到學習：AI技術的演進（1970–2000） 隨著AI的早期技術瓶頸逐漸顯現，AI的研究方向逐步從基於規則的符號系統轉向數據驅動的學習模型。特別是80年代到90年代，隨著計算能力和數據規模的提升，機器學習（Machine Learning）逐漸成為AI領域的主要技術路線。 專家系統（1970–80年代）：在20世紀70年代，專家系統（Expert Systems）成為AI研究的熱點。這些系統通過編碼領域專家的知識（即「規則庫」）來進行推理和決策，主要用於醫學診斷、工程設計等領域。代表性系統如MYCIN（用於醫學診斷）和DENDRAL（用於化學分析）。專家系統展示了AI在特定領域的應用潛力，但其發展也受限於規則庫的規模和維護成本。早期的基於規則的AI系統在應對這些挑戰時表現不佳。 神經網路的復興（1980年代）：神經網路在多層感知機（Multilayer Perceptron，MLP）和反向傳播演算法（Backpropagation）的支持下重新受到關注。反向傳播使得神經網路能夠有效地調整權重，解決了之前的技術瓶頸。 機器學習的崛起：隨著計算機性能的提升，20世紀80年代末到90年代，AI研究從基於規則的系統轉向基於統計學和數據驅動的機器學習模型。與傳統AI依賴的明確規則不同，機器學習通過從大量數據中「學習」來自動生成規則。這一技術轉變標誌著AI向更靈活、更強大的方向發展。 2.2.3 現代AI的崛起：（2000-至今） 21世紀初，隨著大數據（Big Data）、雲計算、GPU（圖形處理單元）的發展，AI技術迎來了新的發展高潮。深度學習（Deep Learning）模型的規模和複雜性不斷增加，促進了AI技術開始在各個領域取得顯著成果。如AlphaGo戰勝人類圍棋冠軍、GPT-3在自然語言處理中的表現等，標誌著現代AI的崛起。AI技術逐漸從實驗階段走向商用，在圖像識別、語音識別、自然語言處理、自動駕駛等領域廣泛應用。 大數據和雲計算的推動：大數據和雲計算共同推動了AI技術的快速發展。隨著互聯網和社交媒體的普及，數據的爆炸式增長為AI模型提供了豐富的訓練素材，海量的結構化和非結構化數據成為AI訓練的基礎，幫助模型從大規模數據集中提取有用特徵，顯著提升了其表現能力。同時，雲計算為AI的發展提供了強大的分散式計算資源，使企業和研究機構能夠通過雲平台進行高效的模型訓練和部署。像AWS、Google Cloud、Microsoft Azure等平台，不僅降低了AI開發的成本和門檻，還提供了靈活、可擴展的計算基礎設施，推動了AI技術在各行業的廣泛應用。 深度學習的突破：2012年，Alex Krizhevsky等人提出的深度卷積神經網路AlexNet在ImageNet圖像識別競賽中取得了突破性的成果，標誌著深度學習技術的復興。深度學習（尤其是卷積神經網路CNN和循環神經網路RNN）在圖像識別、語音識別、自然語言處理等領域展現出了強大的能力。深度學習通過多層神經網路提取數據的抽象特徵，使得AI在處理複雜的任務時表現出了前所未有的準確性。 生成式AI與強化學習：生成式AI和強化學習是AI技術的重要分支，各自在多個領域展現了強大的應用潛力。生成式AI的代表性技術 — — 生成對抗網路（GANs），通過生成器與判別器的對抗性訓練，能夠生成高度逼真的圖像、視頻、音樂等內容。GANs在藝術、廣告、醫學影像等領域具有廣闊的應用前景。而強化學習通過讓AI與環境互動並通過獎勵機制進行優化，在遊戲AI、機器人控制等方面取得了顯著進展。2016年，AlphaGo通過結合深度學習和強化學習技術，在圍棋比賽中戰勝了人類頂級選手，展示了AI在複雜任務中的超強表現能力。 2.2.4 AI的未來： 從專用AI到通用人工智慧（AGI）：現代AI系統大多數是專用AI，只能在特定領域執行特定任務（如圖像識別、語音識別等）。而通用人工智慧（AGI）是未來AI研究的終極目標，它能夠像人類一樣在不同環境和任務中進行學習、推理和決策。一旦實現，它將徹底改變社會，重塑勞動力市場、科學研究、教育模式和社會治理。 AI與其他前沿技術的融合：AI與其他前沿技術（如區塊鏈、物聯網、量子計算等）的融合，將為各個行業和人類社會創造新的無限可能性。特別是在智能家居、智能城市、工業自動化、量子計算等方面，AI將扮演關鍵角色。 2.3. AI涉及的關鍵技術： 當前，AI技術的熱點包括機器學習、深度學習、自然語言處理（如聊天機器人和語言翻譯）、計算機視覺（如人臉識別和自動駕駛）以及生成式AI（如文本生成和圖像合成）。這些技術正在不斷演進，推動著AI在不同領域的深度應用。 2.3.1 機器學習（Machine Learning）： 機器學習是一種通過數據和演算法構建模型，並從中提取規律來預測或分類的技術。機器學習依賴於大量的數據和複雜的神經網路模型，使得AI能夠識別模式、預測結果並進行自主學習。 機器學習分為 3 個步驟：   準備數據、訓練模型和構建用戶體驗 準備數據：機器需要大量高質量的數據來學習。例如，要將文本轉換為圖像，ML 模型需要從數百萬張帶有文本標籤的圖像中學習。ML 工程師通常花費 80% 的時間在稱為特徵工程的過程中手動清理數據。 訓練模型：接下來，ML 工程師將數據拆分為訓練集和測試集。機器使用訓練集來構建模型，然後使用測試集來提高模型的準確性。 建立用戶體驗：在訓練模型之後，團隊需要建立一個用戶UX體驗，人們可以在其中提供輸入以獲得他們想要的輸出。即使對於 ML 工程師來說，模型的工作原理也是一個黑匣子，因此用戶體驗需要清晰、可信且可操作。 機器學習進一步分為三大類：監督學習（通過標註數據進行訓練，如圖像分類）、無監督學習（從未標註的數據中發現模式，如聚類）和強化學習（通過與環境互動獲得獎勵進行優化，如遊戲AI）。這三類學習方法構成了現代AI的核心演算法基礎。 2.3.2 深度學習（Deep Learning） 深度學習是一種基於神經網路的機器學習技術。其中的主要特點是能夠自動學習數據的特徵，通過將特徵學習任務交給模型進行訓練來實現自動學習過程。 深度學習歷史發展 通過神經網路的多層結構提取數據中的高級特徵，特別適合處理非結構化數據（如圖像、語音、文本），適用於圖像識別、自然語言處理、醫療影像分析等場景。 2.3.3 自然語言處理（Natural Language Processing, NLP） NLP是讓計算機理解、處理和生成人類語言的技術，通過分析文本或語音進行語義理解和響應。 近年來，NLP技術取得了顯著進展，特別是在生成式預訓練模型（如BERT、GPT-3）推動下，AI在語言理解和生成方面表現出色。這些模型利用大量文本數據進行訓練，能夠生成自然的、連貫的文本，應用於聊天機器人、智能客服、語言翻譯、內容生成等場景。 2.3.4 計算機視覺（Computer Vision） 計算機視覺是通過計算機演算法讓機器「看懂」圖像或視頻，自動從視覺數據中提取信息。 計算機視覺主要用於物體檢測和跟蹤、圖像識別和處理、動作識別等，應用場景包括自動駕駛、安防監控、醫療影像分析、零售和廣告等。 2.3.5 強化學習（Reinforcement Learning） 強化學習是一種通過與環境交互獲得反饋（獎勵或懲罰），進而優化決策的技術。通過與環境的互動來學習策略，使得AI系統通過試錯法獲得最大回報。在每一步操作后，系統會收到獎勵或懲罰，通過長期的反饋來優化決策。 強化學習主要用於訓練AI智能體在動態環境中進行最優決策，應用場景包括遊戲AI（如AlphaGo）、自動駕駛、機器人控制等。 Google DeepMind在Nature發表的文章《Human-level Control through Deep Reinforcement Learning》首次實現了End-to-End的深度強化學習模型Deep Q-Networks，它的輸入是遊戲畫面的像素值，而輸出是遊戲的控制命令，它的原理如下圖所示。 2.3.6 生成式AI（Generative AI） 生成式AI是通過機器學習模型生成新的、與訓練數據相似的內容，如圖像、文本或視頻。 生成式AI技術正在改變創意產業，推動藝術、娛樂、廣告等領域的創新，其應用場景包括藝術創作、圖像生成、遊戲設計、穩步生成等。 2.3.7 大數據與數據處理 大數據技術用於處理和分析大量的數據，尤其是在AI中用於數據預處理、特徵提取、模型訓練等任務。 通過大數據技術，能為AI模型提供有效的訓練數據，提升模型的準確性和預測能力。應用場景包括電商分析、市場預測、情感分析、趨勢分析預測等。 2.3.8 AI硬體加速（GPU/TPU/NPU） AI硬體加速技術通過使用專用硬體（如GPU、TPU、NPU）加速神經網路訓練和推理過程。 其應用場景包括深度學習模型訓練、智能設備AI計算、數據中心等。 3 AI的市場、應用場景和商業模式 3.1 AI行業的市場規模： 全球人工智慧（AI）市場正快速擴張，尤其自ChatGPT發布后，增長勢頭顯著。2023年全球AI市場規模估計在3000億至4000億美元之間。 據Precedence Research預測，2024年全球AI市場規模為6382.3億美元，並將在2034年達到36804.7億美元，CAGR為19.1%，凸顯了該領域的巨大潛力和持續的強勁發展。 推動這一增長的因素包括企業對自動化和數據驅動決策的需求增加，政府對AI技術的投資和支持，以及AI技術的不斷成熟和廣泛應用（從傳統的互聯網行業擴展到金融、醫療、教育、製造等各個領域）。 3.2 AI的應用場景 依託於AI的幾大關鍵能力（圖像識別、語音識別、自然語言處理、具身智能），AI技術被應用於各個垂直領域，如醫療（如AI診斷工具）、金融（如風險評估與演算法交易）、零售（如推薦系統）、製造（如智能工廠），解決行業特定的問題，提升運營效率，創造新的商業模式。 醫療領域：AI在醫療領域的應用正逐漸成熟並擴展至多個方面，包括診斷、個性化治療、藥物研發和健康管理等。AI通過分析大量的醫療數據（如病歷、基因序列、影像數據），可以輔助醫生進行疾病的早期診斷、精準治療決策，並加速新葯研發的過程。例如，放射學中的AI工具能夠幫助醫生識別早期癌症跡象，AI驅動的基因分析可以為患者提供個性化的治療方案。AI在醫療領域的應用不僅提高了診斷的準確性和治療的效率，還顯著降低了醫療成本，特別是在資源有限的環境中，AI技術可以極大地改善醫療服務的可及性。 金融領域：在金融行業，AI被廣泛應用於風險管理、演算法交易、客戶服務和欺詐檢測等領域。AI通過分析海量的市場數據和歷史交易記錄，能夠實時預測市場趨勢並執行高頻交易策略，提高了投資回報率和市場效率。此外，AI還被用於開發智能投顧服務，幫助個人投資者根據其財務狀況和風險偏好制定投資策略。AI驅動的反欺詐系統則通過監控交易模式，及時發現異常交易行為，降低金融機構的損失。 教育領域：AI在教育領域的應用正在改變傳統的教學模式，推動個性化學習的發展。通過分析學生的學習行為數據，AI可以為每個學生量身定製學習內容和路徑，幫助學生在適合其學習速度和理解能力的節奏下學習。AI還被用於開發自動化的作業批改和考試評分系統，減輕教師的工作負擔，並提供實時反饋。此外，AI驅動的教育平台可以根據學生的表現和興趣，推薦適合的學習資源和課程，提升學習效果。 零售與電商領域：在零售和電商領域，AI通過個性化推薦系統、庫存管理優化、客戶關係管理（CRM）等方式，幫助企業提高銷售額和客戶滿意度。AI分析客戶的購物行為和偏好，能夠精準推薦商品，增加銷售轉化率。 供應鏈管理：在供應鏈管理方面，AI通過預測需求波動，優化庫存管理，減少商品缺貨或過剩的情況。此外，AI驅動的聊天機器人和虛擬助理提升了消費者的購物體驗，為他們提供24/7的個性化服務。 智能產品和設備：AI技術被廣泛應用於智能家居設備、無人駕駛汽車、無人機、機器人等智能產品中。這些產品通過AI實現自動化、個性化的功能，顯著提升了用戶體驗。例如，AI驅動的智能音箱（如Amazon Echo、Google Home）不僅能執行語音命令，還能學慣用戶的習慣，提供更貼心的服務。 自動駕駛：自動駕駛技術是AI在智能設備中的一大亮點。通過深度學習模型和感測器數據融合，自動駕駛系統能夠在複雜的道路環境中做出實時決策，提高行車安全性和效率。 3.3 AI商業模式 AI的商業模式多種多樣，主要的包括軟體即服務（SaaS）、數據分析服務、AI驅動的產品（如智能設備）等。企業通過提供AI解決方案來簡化流程、提高效率，從而實現盈利。 軟體即服務（SaaS）：AI SaaS平台提供基於雲的AI服務，企業用戶可以按需訂閱這些服務，而不需要自行開發或維護AI基礎設施。例如Google的AI平台、Amazon的AWS AI服務、Microsoft Azure的AI工具、OpenAI的ChatGPT等，用戶可以通過API調用這些服務（包括機器學習、自然語言處理、計算機視覺），並按使用量支付費用。 AI硬體銷售：AI硬體廠商如英偉達等研發了AI專用晶元，通過為各類廠商和用戶提供AI晶元算力來獲得銷售收入。英偉達的AI晶元客戶包括CSP廠商（微軟、亞馬遜、谷歌等）、互聯網、消費級科技公司（Meta、特斯拉等）。 數據分析服務：AI數據分析公司通過分析企業的數據，為其提供有價值的商業洞見，幫助優化業務流程和決策。例如Palantir等公司通過分析龐大的數據集，幫助企業識別模式、預測市場趨勢，並制定更有效的戰略。這類服務通常採用諮詢或按項目收費的方式。 智能設備：AI技術被嵌入到各種硬體產品（如智能音箱、無人機、自動駕駛汽車等）中，這些設備通過AI實現關鍵功能並創造獨特的用戶體驗。例如，Tesla的自動駕駛系統、Amazon的Echo智能音箱等，都是通過AI技術賦能的產品。這些智能設備不僅通過銷售硬體盈利，還可能通過附加的服務或內容訂閱獲取持續收入。 AI應用產品服務：基於AI大語言模型（如GPT-4、Codex等）開發典型應用場景的AI應用，企業和用戶通過訂閱AI服務來使用這些AI應用產品。例如OpenAI推出了ChatGPT，幫助用戶生成內容、文章、問答等；MidJourney為藝術家和設計師提供生成不同風格藝術圖像的能力；Runway提供AI視頻編輯功能，使用戶可以自動生成視頻片段、應用風格轉換、並進行快速的編輯。DoNotPay提供自動化法律服務，幫助用戶處理諸如停車罰單上訴、申請退款等簡單的法律事務，大大降低了法律服務的門檻。 4 AI的產業鏈圖譜與典型公司 4.1 AI產業角色 推動AI發展的主要玩家包括大型硬體公司（英偉達）、大型科技公司（如Google、Microsoft、Amazon），以及一系列AI初創企業。這些公司在數據處理能力、演算法開發和市場應用方面均處於領先地位，推動著整個AI生態系統的發展。 硬體公司：如英偉達等硬體廠商，推出了GPU和AI晶元，AI晶元可以支持深度神經網路的學習和加速計算，為AI提供算力支撐。 科技巨頭：如Google、Microsoft、Amazon等在AI領域投入了大量資源。它們不僅開發了強大的AI平台，還積極投資於AI初創公司，並通過併購擴展其AI生態系統。這些公司擁有豐富的數據、強大的計算資源和頂尖的人才，能夠引領AI技術的發展方向。 AI初創公司：AI初創公司（如OpenAi、Nuro、Vicarious等）往往專註於特定領域的創新，如醫療AI、自動駕駛AI、金融AI等。這些公司具有靈活性和創新精神，能夠快速響應市場需求，開發出具有競爭力的產品和服務。初創公司通常通過風險投資獲得資金，並在短時間內實現快速增長，成為市場中的重要力量。 學術機構和研究組織：全球各地的大學和研究機構（如MIT、DeepMind、BAIR等）也是AI技術發展的重要力量，他們不斷進行前沿研究，並通過開放源代碼和學術論文推動行業進步。同時培養了大量AI領域的專業人才。通過開放源代碼和學術出版物，這些機構促進了知識的傳播和技術的普及。 4.2 AI產業鏈圖譜 AI產業鏈從上游的硬體提供商（如晶元製造商）到中游的軟體開發和平台提供，再到下游的應用場景落地，構成了一個龐大且複雜的生態系統。每一個環節都有多個關鍵參與者，共同推動AI技術的進步和應用的廣泛化。 4.2.1 上游：基礎設施層 上游部分包括硬體製造商和雲服務提供商。 硬體製造商：提供AI計算所需的硬體支持，包括CPU、GPU、TPU和專用AI加速器等。NVIDIA、AMD、In…