WEEX 唯客博客， 撰文：Geekcartel 隨著 AI 敘事的持續升溫，越來越多的關注集中在這一賽道。Geekcartel 對 Web3-AI 賽道的技術邏輯、應用場景及代表項目進行了深入剖析，為您全面呈現該領域的全景與發展趨勢。 一、Web3-AI：技術邏輯與新興市場機會解析 1.1 Web3 與 AI 的融合邏輯：如何界定 Web-AI 賽道 在過去的一年中，AI 敘事在 Web3 行業中異常火爆，AI 項目如雨後春筍般湧現。雖然有許多項目涉及 AI 技術，但一些項目僅在其產品的某些部分使用 AI，底層的代幣經濟學與 AI 產品並無實質關聯，因此這類項目在本文中不屬於 Web3-AI 項目的討論之列。 本文的重點在於使用區塊鏈解決生產關係問題，AI 解決生產力問題的項目，這些項目本身提供 AI 產品，同時基於 Web3 經濟模型作為生產關係工具，二者相輔相成。我們將這類項目歸類為 Web3-AI 賽道。為了使讀者更好的理解 Web3-AI 賽道，Geekcartel 將展開介紹 AI 的開發過程和挑戰，以及 Web3 和 AI 結合如何完美解決問題和創造新的應用場景。 1.2 AI 的開發過程和挑戰：從數據收集到模型推理 AI 技術是一項讓計算機模擬、擴展和增強人類智能的技術。它能夠使計算機能夠執行各種複雜的任務，從語言翻譯，圖像分類再到人臉識別、自動駕駛等應用場景，AI 正在改變我們生活和工作的方式。 開發人工智慧模型的過程通常包含以下幾個關鍵步驟：數據收集和數據預處理、模型選擇和調優、模型訓練和推理。舉一個簡單的例子，開發一個模型來實現對貓和狗圖像的分類，你需要： 數據收集和數據預處理：收集包含貓和狗的圖像數據集，可以使用公開數據集或自己收集真實數據。然後為每張圖像標註類別（貓或狗），確保標籤準確無誤。將圖像轉化為模型可以識別的格式，將數據集劃分為訓練集、驗證集和測試集。 模型選擇和調優：選擇合適的模型，例如卷積神經網路（CNN），比較適合圖像分類任務。根據不同需求對模型參數或架構調優，通常來說，模型的網路層次可以根據 AI 任務的複雜度來調整。在這個簡單的分類例子中，較淺的網路層次可能就足夠。 模型訓練：可以使用 GPU、TPU 或高性能計算集群來訓練模型，訓練時間受模型複雜度和計算能力的影響。 模型推理：模型訓練好的文件通常稱為模型權重，推理過程是指使用已經訓練好的模型對新數據進行預測或分類的過程。這個過程中可以使用測試集或新數據來測試模型的分類效果，通常用準確率、召回率、F1-score 等指標來評估模型的有效性。 如圖所示，經過數據收集和數據預處理、模型選擇和調優以及訓練，將訓練好的模型在測試集上進行推理會得出貓和狗的預測值 P（probability），即模型推理出是貓或狗的概率。 訓練好的 AI 模型可以進一步地集成到各種應用程序中，執行不同任務。在這個例子里，貓狗分類的 AI 模型可以集成到一個手機應用中，用戶上傳貓或狗的圖片，就可以獲得分類結果。 然而，中心化的 AI 開發過程在以下場景中存在一些問題： 用戶隱私：在中心化的場景里，AI 的開發過程通常是不透明的。用戶數據可能會在不知情的情況下被竊取並用於 AI 訓練。 數據源獲取：小型團隊或個人在獲取特定領域數據（如醫學數據）時，可能會面臨數據不開源的限制。 模型選擇和調優：對於小型團隊來說，很難獲取特定領域的模型資源或花費大量成本進行模型調優。 算力獲取：對個人開發者和小型團隊而言，高昂的 GPU 購買成本和雲算力租賃費用可能構成顯著的經濟負擔。 AI 資產收入：數據標註工作者常常無法獲得與其付出相匹配的收入，而 AI 開發者的研究成果也難以與有需求的買家匹配。 中心化 AI 場景下存在的挑戰可以通過和 Web3 結合，Web3 作為一種新型生產關係，天然適配代表新型生產力的 AI，從而推動技術和生產能力的同時進步。 1.3 Web3 與 AI 的協同效應：角色轉變與創新應用 Web3 與 AI 結合可以增強用戶主權，為用戶提供開放的 AI 協作平台，使用戶從 Web2 時代的 AI 使用者轉變為參與者，創建人人可擁有的 AI。同時，Web3 世界與 AI 技術的融合還能碰撞出更多創新的應用場景和玩法。 基於 Web3 技術 ，AI 的開發和應用將迎來一個嶄新的協作經濟體系。人們的數據隱私可以得到保障，數據眾包模式促進 AI 模型的進步，眾多開源的 AI 資源可供用戶使用，共享的算力可以以較低的成本獲取。藉助去中心化的協作眾包機制和開放的 AI 市場，可以實現公平的收入分配體系，從而激勵更多人來推動 AI 技術的進步。 在 Web3 場景中，AI 能夠在多個賽道上產生積極影響。例如，AI 模型可以集成到智能合約中，在不同的應用場景下提升工作效率，如市場分析、安全檢測、社交聚類等多種功能。生成式 AI 不僅可以讓用戶體驗「藝術家」角色，比如使用 AI 技術創建自己的 NFT，還可以在 GameFi 中創造豐富多樣的遊戲場景和有趣的交互體驗。豐富的基礎設施提供流暢的開發體驗，不論是 AI 專家還是想要進入 AI 領域的新手都可以在這個世界里找到合適的入口。 二、 Web3-AI 生態項目版圖及架構解讀 我們主要研究了 Web3-AI 賽道的 41 個項目，並將這些項目劃分為不同的層級。每一層的劃分邏輯如下圖所示，包括基礎設施層、中間層和應用層，每一層又分為不同的板塊。在下一章節中，我們將對一些具有代表性的項目進行深度解析。 基礎設施層涵蓋了支持整個 AI 生命周期運行的計算資源和技術架構，中間層則包括了連接基礎設施與應用的數據管理、模型開發和驗證推理服務，應用層則聚焦於直接面向用戶的各類應用和解決方案。 基礎設施層： 基礎設施層是 AI 生命周期的基礎，本文將算力，AI Chain 和開發平台歸類為基礎設施層。正是這些基礎設施的支持，才能實現 AI 模型的訓練與推理，並將功能強大、實用的 AI 應用程序呈現給用戶。 去中心化計算網路：可以為 AI 模型訓練提供分散式算力，確保高效且經濟的計算資源利用。一些項目提供了去中心化的算力市場，用戶可以以低成本租賃算力或共享算力獲得收益，代表項目如 IO.NET 和 Hyperbolic 。此外，一些項目衍生出了新玩法，如 Compute Labs ，提出了代幣化協議，用戶通過購買代表 GPU 實體的 NFT，可以以不同方式參與算力租賃以獲取收益。 AI Chain：利用區塊鏈作為 AI 生命周期的基礎，實現鏈上鏈下 AI 資源的無縫交互，促進行業生態圈的發展。鏈上的去中心化 AI 市場可以交易 AI 資產如數據、模型、代理等，並提供 AI 開發框架和配套的開發工具，代表項目如 Sahara AI。AI Chain 還可以促進不同領域的 AI 技術進步，如 Bittensor 通過創新的子網激勵機制來促進不同 AI 類型的子網競爭。 開發平台：一些項目提供 AI 代理開發平台，還可以實現 AI 代理的交易，如 Fetch.ai 和 ChainML 等。一站式的工具幫助開發者更便捷地創建、訓練和部署 AI 模型，代表項目如 Nimble。這些基礎設施促進了 AI 技術在 Web3 生態系統中的廣泛應用。 中間層： 這一層涉及 AI 數據、模型以及推理和驗證，採用 Web3 技術可以實現更高的工作效率。 數據：數據的質量和數量是影響模型訓練效果的關鍵因素。在 Web3 世界里，通過眾包數據和協作式的數據處理，可以優化資源利用並降低數據成本。用戶可以擁有數據的自主權，在隱私保護的情況下出售自己的數據，以避免數據被不良商家竊取和牟取高額利潤。對於數據需求方來說，這些平台提供了廣泛的選擇和極低的成本。代表項目如 Grass 利用用戶帶寬來抓取 Web 數據，xData 通過用戶友好的插件來收集媒體信息，並支持用戶上傳推文信息。 此外，一些平台允許領域專家或普通用戶執行數據預處理任務，如圖像標註、數據分類，這些任務可能需要專業知識的金融和法律任務的數據處理，用戶可以將技能代幣化，實現數據預處理的協作眾包。代表如 Sahara AI 的 AI 市場，具有不同領域的數據任務，可以覆蓋多領域的數據場景；而 AIT Protocolt 通過人機協同的方式對數據進行標註。 模型：此前提到過的 AI 開發過程中，不同類型的需求需要匹配適合的模型，圖像任務常用的模型如 CNN、GAN，目標檢測任務可以選擇 Yolo 系列，文本類任務常見 RNN、Transformer 等模型，當然還有一些特定或通用的大模型。不同複雜度的任務需要的模型深度也不同，有時需要對模型調優。 一些項目支持用戶提供不同類型的模型或通過眾包方式協作訓練模型，如 Sentient 通過模塊化的設計，允許用戶將可信的模型數據放在存儲層，分發層來進行模型優化，Sahara AI 提供的開發工具內置先進的 AI 演算法和計算框架，且具有協作訓練的能力。 推理和驗證：模型經過訓練之後會生成模型權重文件，可以用來直接進行分類、預測或其他特定任務，這個過程稱為推理。推理過程通常伴隨著驗證機制，來驗證推理模型的來源是否正確，是否有惡意行為等。Web3 的推理通常可以集成在智能合約里，通過調用模型進行推理，常見的驗證方式包括 ZKML，OPML 和 TEE 等技術。代表項目如 ORA 鏈上 AI 預言機（OAO），引入了 OPML 作為 AI 預言機的可驗證層， 在 ORA 的官網中還提到了他們關於 ZKML 和 opp/ai（ZKML 結合 OPML）的研究。 應用層： 這一層主要是直接面向用戶的應用程序，將 AI 與 Web3 結合，創造出更多有趣的、創新的玩法，本文主要梳理了 AIGC（AI 生成內容）、AI 代理和數據分析這幾個板塊的項目。 AIGC：通過 AIGC 可以擴展到 Web3 里的 NFT、遊戲等賽道，用戶可以直接通過 Prompt（用戶給出的提示詞）來生成文本、圖像和音頻，甚至可以在遊戲中根據自己的喜好生成自定義的玩法。NFT 項目如 NFPrompt ，用戶可以通過 AI 生成 NFT 在市場上交易；遊戲如 Sleepless ，用戶通過對話塑造虛擬伴侶的性格來匹配自己的喜好； AI 代理：指能夠自主執行任務並做出決策的人工智慧系統。AI 代理通常具備感知、推理、學習和行動的能力，可以在各種環境中執行複雜任務。常見的 AI 代理如語言翻譯、語言學習、圖像轉文本等，在 Web3 場景中可以生成交易機器人、生成 meme 梗圖、鏈上安全檢測等。如 MyShell 作為 AI 代理平台，提供多種類型的代理，包括教育學習、虛擬伴侶、交易代理等，並且提供用戶友好的代理開發工具，無需代碼即可搭建屬於自己的代理。 數據分析：通過融入 AI 技術和相關領域的資料庫，來實現數據的分析、判斷、預測等，在 Web3 里，可以通過分析市場數據、聰明錢動態等來輔助用戶進行投資判斷。代幣預測也是 Web3 里獨特的應用場景，代表項目如 Ocean ，官方設置了代幣預測的長期挑戰，同時還會發布不同主題的數據分析任務激勵用戶參與。 三、Web3-AI 賽道前沿項目全景解析 一些項目正在探索 Web3 與 AI 相結合的可能性。GeekCartel 將通過梳理這個賽道的代表項目，帶領大家感受 WEB3-AI 的魅力，了解項目如何實現 Web3 與 AI 的融合，創造新的商業模式和經濟價值。 Sahara AI : 致力於協作經濟的 AI 區塊鏈平台 Sahara AI 在整個賽道頗具競爭力，其致力於構建一個全面的 AI 區塊鏈平台，涵蓋 AI 數據、模型、代理以及算力等全方位的 AI 資源，底層架構為平台的協作經濟保駕護航。通過區塊鏈技術和獨特的隱私技術確保 AI 資產的去中心化所有權和治理貫穿整個 AI 開發周期，實現公平的激勵分配。團隊擁有深厚的 AI 和 Web3 背景，使其完美融合了這兩大領域，也得到了頂級投資人的青睞，在賽道中展現出巨大的潛力。 Sahara AI 不僅僅局限於 Web3，因為它打破了傳統 AI 領域中資源和機會的不平等分配。通過去中心化的方式，算力、模型和數據在內的 AI 關鍵要素不再被中心化巨頭壟斷，每一個人都有機會在這個生態里找到適合自己的定位來獲益，並被激發創造力和群策群力的積極性。 如圖所示，用戶可以作為使用 Sahara AI 提供的工具包來貢獻或創造自己的數據集、模型、AI 代理等資產，將這些資產放在 AI 市場獲利的同時還可以獲得平台激勵，消費者可以按需交易 AI 資產。同時，這些交易信息都會被記錄在 Sahara Chain 上，區塊鏈技術和隱私保護措施確保了貢獻的追蹤、數據的安全和報酬的公平性。 在 Sahara AI 的經濟系統中，除了以上提到的開發者、知識提供者和消費者的角色，用戶還可以作為投資者，提供資金和資源（GPU、雲伺服器、RPC 節點等）來支持 AI 資產的開發和部署，也可以作為 Operator 來維護網路的穩定性，以及作為驗證者來維護區塊鏈的安全性和完整性。不管用戶以哪種方式參與 Sahara AI 平台，都會根據其貢獻獲得獎勵和收入。 Sahara AI 區塊鏈平台建立在分層架構之上，鏈上和鏈下的基礎設施使用戶和開發人員能夠有效地為整個 AI 開發周期做出貢獻並從中受益。Sahara AI 平台的架構分為四層： 應用程序層 應用程序層作為用戶界面和主要交互點，提供原生內置的工具包和應用程序以增強用戶體驗。 功能組件： Sahara ID — 確保用戶安全訪問 AI 資產和追蹤用戶貢獻； Sahara Vault — 保護 AI 資產的隱私和安全，免受未經授權的訪問和潛在威脅； Sahara Agent — 具備角色對齊（配合用戶行為習慣的交互）、終身學習、多模態感知（可處理多類型的數據）和多工具執行功能； 互動式組件： Sahara 工具包 — 支持技術和非技術用戶創建和部署 AI 資產； Sahara AI 市場 — 用於發布、貨幣化和交易 AI 資產，提供靈活的許可和多種變現選項。 交易層 Sahara AI 的交易層採用 Sahara 區塊鏈，這個 L1 配備了管理所有權、歸屬以及平台上 AI 相關的交易協議，在維護 AI 資產的主權和來源方面起著關鍵作用。Sahara 區塊鏈集成了創新的 Sahara AI 原生的預編譯（SAP）和 Sahara 區塊鏈協議（SBP）來支持整個 AI 生命周期任務中的基本任務。 SAP 是區塊鏈原生運行級別的內置函數，分別側重於 AI 訓練 / 推理過程。SAP 有助於調用、記錄和驗證鏈下 AI 訓練 / 推理過程，確保 Sahara AI 平台內開發的 AI 模型的可信度和可靠性，並保證所有 AI 推理的透明性、可驗證性和可追溯性同時。同時，通過 SAP 可以實現更快的執行速度、更低的計算開銷和 Gas 成本。 SBP 則通過智能合約實施特定於 AI 的協議，確保 AI 資產和計算結果得到透明可靠的處理。包括包括 AI 資產註冊、許可（訪問控制）、所有權和歸因（貢獻跟蹤）等功能。 數據層 Sahara AI 的數據層旨在優化整個 AI 生命周期的數據管理。它充當一個重要的介面，將執行層連接到不同的數據管理機制，並無縫集成鏈上和鏈下數據源。 數據組件：包括鏈上和鏈下數據，鏈上數據包括 AI 資產的元數據、歸屬、承諾和證明等，數據集、AI 模型和補充信息等存儲在鏈下。 數據管理：Sahara AI 的數據管理方案提供了一套安全措施，通過特有的加密方案確保數據在傳輸過程和靜態狀態下都受到保護。與 AI 許可 SBP 協作，實現嚴格的訪問控制和可驗證，同時提供私有域存儲，用戶的敏感數據可實現增強的安全功能。 執行層 執行層是 Sahara AI 平台的鏈下 AI 基礎設施，與交易層和數據層無縫交互，以執行和管理與 AI 計算和功能相關的協議。根據執行任務，它從數據層安全地提取數據，並動態分配計算資源以實現最佳性能。通過一套專門設計的協議來協調複雜的 AI 操作，這些協議旨在促進各種抽象之間的高效交互，底層基礎設施旨在支持高性能 AI 計算。 基礎設施：Sahara AI 的執行層基礎設施旨在支持高性能 AI 計算，具備快速高效、彈性和高可用性等特性。它通過高效協調 AI 計算、自動擴展機制和容錯設計，確保系統在高流量和故障情況下仍然穩定可靠。 抽象：核心抽象是構成 Sahara AI 平台上 AI 操作基礎的基本組件，包括數據集、模型和計算資源等資源的抽象；高級抽象建立在核心抽象基礎之上，即 Vaults 和代理背後的執行介面，可現實更高級別的功能。 協議：抽象執行協議用來執行與 Vaults 的交互、代理的交互和協調以及計算的協作等；其中協作計算協議可以實現多個參與之間的聯合 AI 模型開發和部署，支持計算資源貢獻和模型聚合；執行層還包括低計算成本的技術模塊（PEFT）、隱私保護計算模塊和計算防欺詐模塊等。 Sahara AI 正在構建的 AI 區塊鏈平台致力於實現全面的 AI 生態系統，然而這一宏大願景在實現過程中必然會遇到眾多挑戰，需要強大的技術、資源支持和持續的優化迭代。若能成功實現，將成為支撐 Web3-AI 領域的中流砥柱，並有望成為 Web2-AI 從業人員心中的理想花園。 團隊信息： Sahara AI 團隊由一群卓越且富有創造力的成員組成，聯合創始人 Sean Ren 是南加州大學教授，曾獲得三星年度 AI 研究員、麻省理工學院 TR 35 歲以下創新者和福布斯 30 位 30 歲以下精英等榮譽。聯合創始人 Tyler Zhou 畢業於加州大學伯克利分校，對 Web3 有著深入的了解，領導著一支具有 AI 和 Web3 經驗的全球人才團隊。 自 Sahara AI 創建以來，團隊便從包括微軟、亞馬遜、麻省理工學院、Snapchat、Character AI 在內的頂尖企業中獲得了數百萬美元的收入。當前，Sahara AI 正為 30 余家企業客戶提供服務，在全球擁有超過 20 萬名 AI 訓練師，Sahara AI 的快速增長讓越來越多得參與者在共享經濟模式中貢獻力量並享有收益。 融資信息： 截止今年八月，Sahara Labs 成功籌集了 4300 萬美元。最新一輪融資由 Pantera Capital、Binance Labs 和 Polychain Capital 共同領投。此外還獲得了來自 Motherson Group，Anthropic、Nous Research、Midjourney 等 AI 領域先驅者的支持。 Bittensor：子網競爭激勵下的新玩法 Bittensor 本身並不是一個 AI 商品，也不生產、提供任何 AI 產品或服務。Bittensor 是一個經濟系統，為 AI 商品生產者提供了一個高度競爭的激勵結構，從而生產者持續地優化 AI 的質量。作為 Web3-AI 的早期項目，自推出以來，Bittensor 受到了市場的廣泛關注。根據 CoinMarketCap 數據，截至 10 月 17 日，其市值已超過 42.6 億美元，FDV（完全稀釋估值）超過 120 億美元。 Bittensor 構建了一個由許多…
