去中心化人工智能迸发应用潜力，或给 Web3 带来无限畅想

原文：https://www.caseycaruso.com/thoughts/decentralized-ai

作者：Casey｜Paradigm 投资合伙人

编译：TinTinLand

编者注：本文对于去中心化 Web3 技术和人工智能领域之间的交叉应用进行了梳理，并列举了对于各领域可行性的正反方观点和示例项目。TinTinLand 在此基础上添加了部分示例项目的简单介绍，供读者参考。

加密与人工智能之间，有一些有趣的交叉领域。

我相信开放性才能孕育创新。近年来，人工智能已经在全球范围内跨越实用性和影响力的鸿沟。算力随着资源的整合正在不断增长，人工智能却自然而然地推动了中心化的趋势，那些拥有更多算力的人逐渐占据主导地位，这对创新构成了相当的风险。因此我相信，去中心化和 Web3 应是保持人工智能开放性的竞争者。

进行预训练+微调的去中心化计算

即众包计算（CPUs + GPUs）。

支持依据

众包资源的 airbnb/uber 模型可能会延伸到计算领域，闲置的计算资源被聚合到市场中。这将可能会解决：

某些用例的更便宜的计算，可以处理一些停机/延迟；
抗审查性计算，以训练在未来可能受到监管/取缔的模型。

反对理由

众包计算无法实现规模经济；
大多数性能最佳的 GPU 并不是由消费者拥有的；
去中心化计算完全是一个悖论；
这实际上是性能计算的反面…你可以向任何基础设施/ML（机器学习）工程师咨询。

示例项目

Akash、Render、io.net、Ritual、Hyperbolic、Gensyn

去中心化推理

即以去中心化的方式运行开源模型的推理。

支持依据

开源（OS）模型在某些方面逐渐与闭源趋同，并正在逐步得以应用。大多数人使用类似 HuggingFace 或 Replicate 的中心化服务来运行开源模型的推理，这带来了隐私和审查的问题。其中一个解决方案就是通过去中心化或分布式提供商运行推理服务。

反对理由

没有必要进行去中心化推理，因为局部推理才将是最后的胜利者。并且，现在发布了可以处理 7b+ 参数模型的专用芯片。最后，边缘计算才是隐私和抗审查的解决方案。

示例项目

Ritual、gpt4all（hosted）、Ollama（web2）、Edgellama（Web3、P2P Ollama）、Petals

链上人工智能代理（AI Agents）

即使用机器学习的链上应用程序。

支持依据

AI 代理（使用 AI 的应用程序）需要一个协调层来进行交易。对于 AI 代理使用加密进行付款可能是可行的，因为它本身是数字本地化技术，而这类代理无法进行 KYC 以开设银行账户。并且，去中心化的 AI 代理也没有平台风险。例如，OpenAI 随机决定更改其 ChatGPT 插件架构，这种没有提前通知的方式，破坏了开发者自己的 Talk2Books 插件，但在链上构建的代理没有这类平台风险。

反对理由

AI 代理还没有准备好投入生产，目前还是“玩具”。而且，对于付款交易来说，创建 AI 代理的实体可以使用 Stripe API，没有必要使用加密付款。至于平台风险的论点，这是加密使用案例的老生常谈，我们仍然没有看到它发挥作用…为什么这次会有所不同？

示例项目

AI Arena：AI Arena 是一款 AI 驱动的 Web3 竞技类游戏，允许用户训练自己的 AI 角色进行战斗，每场战斗的结果取决于玩家在训练中的技能，旨在帮助用户了解人工智能的运作和学习过程。
MyShell：MyShell 是一个语音聊天机器人平台，一款基于自然语言处理技术的 AI 智能助手，凭借强大的 LLM 和 TTS 模型，可以做到口语陪练和生活陪伴。
Operator.io：通过简单的聊天机器人加速协议活动。
Fetch.ai：Fetch.ai 致力于建立一个由自治代理组成的去中心化网络，这些代理可利用人工智能和机器学习进行通信、协作和相互学习。

数据和模型溯源

即自主拥有数据和机器学习模型，并收集其产生的价值。

支持依据

数据应该由生成数据的用户拥有，而不是由收集数据的公司拥有。数据是数字时代最有价值的资源，然而它被大型科技公司垄断，并且没有进行很好的资产化。超个性化的网络时代即将到来，将需要便携式数据和模型。我们将通过互联网将我们的数据和模型从一个应用程序带到另一个应用程序，就像我们让自己的加密钱包流转于不同的 DApp 之间一样。在深度伪造技术进展迅速的情况下，连拜登都承认数据溯源是一个尤其巨大的问题。然而，区块链架构很可能是解决数据溯源难题的最佳方案。

反对理由

没有人关心他们是否拥有自己的数据或隐私。我们通过用户偏好反复了解到了这一点。看看 Facebook/Instagram 的注册量！最终，人们将信任 OpenAI 的 ML 数据。让我们面对现实吧。

示例项目

Vana、Rainfall

代币激励应用程序

（例 Companion Apps）

设想具有加密代币奖励的 Character.ai。

支持依据

加密代币激励对于引导网络和行为非常有效。我们将看到更多利用加密代币的、以 AI 为中心的应用程序。一个引人注目的市场可能是 AI Companions，我们相信这将成为一个价值数万亿美元的 AI 原生市场。2022 年，美国在宠物上花费了 1,300 亿美元以上；AI Companions 就是升级版宠物。我们已经看到 AI Companions 应用程序达到了 PMF（Product Market Fit，指产品和市场达到最佳契合点），Character.ai 的平均会话时间超过一小时。不出意外，我们将看到一个加密激励的平台在这里和其他 AI 应用垂直市场夺取市场份额。

反对理由

这只是加密投机狂热的延伸，并不会产生持久的使用。代币就是 Web3 的获客成本。我们从 Axie Infinity 中还没有吸取足够的教训吗？

示例项目

MyShell、Deva

代币激励的 MLOps（机器学习操作，例训练、RLHF、推理）

设想具有加密代币奖励的 ScaleAI。

支持依据

在整个机器学习工作流中，可以利用加密激励来激励优化权重、微调、RLHF 等行为，例如由人类判断模型的输出以进一步微调。

反对理由

MLOps 是加密奖励的糟糕用例，因为质量非常重要。虽然加密代币擅长激励消费者在熵（entropy）可以接受的情况下的行为，但在质量和准确性至关重要的情况下，它们并不利于协调行为。

示例项目

BitTensor、Ritual

链上可验证性（ZKML）

即证明在链上高效运行的模型，并插入加密宇宙（cryptoverse）。

支持依据

链上的模型可验证性将带来组合性的优势，这意味着您可以在整个 DeFi 和加密中利用组合进行输出。在五年内，当我们的 AI 代理为我们运行就诊模型，而不需要去看医生时，我们将需要一种方式来验证它们的知识，以及在诊断中使用了哪些模型。模型可验证性类似于人工智能的声誉。

反对理由

没有人需要验证是什么模型在运行。这不是我们关注的问题。没有人运行 llama2 却担心后台运行了不同的模型。这是加密技术（零知识证明）正在寻找解决方案的问题，以及 ZK 过于炒作和风投太多的后果。

示例项目

Modulus Labs：Modulus Labs 利用 ZKML 并结合了 AI 模型的 ZK 证明，正在构建一种用零知识证明来证明人工智能模型被正确执行的 DApp，其核心是帮助用户保证 AI 查询不被篡改，从而为 Web3 应用程序融入 AI 铺平道路。
UpShot：Upshot 提供使用先进的机器学习模型进行实时 NFT 估价的服务。Upsho 使终端用户能够探索和理解 NFT 的价值，同时促进与 DeFi 和 NFT 应用的集成。
EZKL：EZKL 是一个库和命令行工具，用于在 zkSNARK 中进行深度学习模型和其他计算图的推断，旨在探索保护隐私的机器学习，以及将机器学习模型引入链上的方法。