AI與Web3的碰撞：未來發展與挑戰

一、引言：AI+Web3的發展現狀

近年來，人工智能(AI)和Web3技術的快速發展引起了全球範圍內的廣泛關注。AI在人臉識別、自然語言處理、機器學習等領域取得了重大突破,爲各行各業帶來了巨大變革和創新。2023年,AI行業市場規模達到2000億美元,OpenAI、Character.AI、Midjourney等行業巨頭和優秀玩家紛紛湧現,引領AI熱潮。

與此同時,Web3作爲新興網路模式,正在改變人們對互聯網的認知和使用方式。Web3以去中心化的區塊鏈技術爲基礎,通過智能合約、分布式存儲和去中心化身份驗證等功能,實現數據共享與可控、用戶自治和信任機制的建立。Web3的核心理念是將數據從中心化權威機構手中解放,賦予用戶對數據的控制權和價值分享權。目前Web3行業市值達25萬億,Bitcoin、Ethereum、Solana等項目以及應用層的Uniswap、Stepn等不斷湧現,吸引越來越多人加入Web3行業。

AI與Web3的結合是東西方開發者和投資者都十分關注的領域,如何將二者很好融合是一個值得探索的問題。本文將重點探討AI+Web3的發展現狀,分析當前項目面臨的局限性和挑戰,爲投資者和從業者提供參考和洞察。

二、AI與Web3交互的方式

AI和Web3的發展就像天平的兩側,AI帶來生產力的提升,Web3帶來生產關係的變革。那麼AI和Web3能碰撞出什麼樣的火花呢?我們接下來會先分析AI和Web3行業各自面臨的困境和提升空間,然後再探討彼此如何幫助解決這些困境。

2.1 AI行業面臨的困境

要探究AI行業面臨的困境,我們首先來看AI行業的本質。AI行業的核心離不開三個要素:算力、算法和數據。

1. 算力:指進行大規模計算和處理的能力。AI任務通常需要處理大量數據和進行復雜計算,如訓練深度神經網路模型。高強度的計算能力可以加速模型訓練和推理過程,提高AI系統的性能和效率。近年來,隨着GPU和專用AI芯片(如TPU)的發展,算力的提升對AI行業發展起到了重要推動作用。

2. 算法:是AI系統的核心組成部分,用於解決問題和實現任務的數學和統計方法。AI算法可分爲傳統機器學習算法和深度學習算法,其中深度學習算法近年來取得重大突破。算法的選擇和設計對AI系統的性能和效果至關重要。不斷改進和創新的算法可以提高AI系統的準確性、魯棒性和泛化能力。

3. 數據:AI系統的核心任務是通過學習和訓練來提取數據中的模式和規律。數據是訓練和優化模型的基礎,通過大規模的數據樣本,AI系統可以學習到更準確、更智能的模型。豐富的數據集能夠提供更全面、多樣化的信息,使模型可以更好地泛化到未見過的數據上,幫助AI系統更好地理解和解決現實世界的問題。

了解AI的核心三要素後,讓我們看看AI在這三方面遇到的困境和挑戰:

在算力方面,AI任務通常需要大量計算資源進行模型訓練和推理,特別是對深度學習模型而言。獲取和管理大規模算力是一個昂貴和復雜的挑戰。高性能計算設備的成本、能耗和維護都是問題。尤其對初創企業和個人開發者來說,獲得足夠算力可能是困難的。

在算法方面,盡管深度學習算法在許多領域取得巨大成功,但仍存在一些困境和挑戰。例如,訓練深度神經網路需要大量數據和計算資源,而且對某些任務,模型的解釋性和可解釋性可能不足。此外,算法的魯棒性和泛化能力也是重要問題,模型在未見過的數據上的表現可能不穩定。在衆多算法中,如何找到最好的算法提供最好的服務,是需要不斷探索的過程。

在數據方面,數據是AI的驅動力,但獲取高質量、多樣化的數據仍是一個挑戰。有些領域的數據可能很難獲得,例如醫療領域的敏感健康數據。此外,數據的質量、準確性和標注也是問題,不完整或有偏見的數據可能導致模型的錯誤行爲或偏差。同時,保護數據的隱私和安全也是重要考慮因素。

此外,還存在可解釋性和透明度等問題,AI模型的黑盒特性是公衆關注的問題。對某些應用,如金融、醫療和司法等,模型的決策過程需要可解釋和可追溯,而現有的深度學習模型往往缺乏透明度。解釋模型的決策過程和提供可信賴的解釋仍是一個挑戰。

除此之外,很多AI項目創業的商業模式不夠清晰,這也讓許多AI創業者感到迷茫。

2.2 Web3行業面臨的困境

在Web3行業方面,目前也存在很多不同方面的困境需要解決,無論是對Web3的數據分析,還是Web3產品較差的用戶體驗,亦或是在智能合約代碼漏洞與黑客攻擊的問題,都有很多提升空間。而AI作爲提高生產力的工具,在這些方面也有很多潛在的發揮空間。

首先是數據分析與預測能力方面的提升:AI技術在數據分析和預測方面的應用爲Web3行業帶來了巨大影響。通過AI算法的智能分析和挖掘,Web3平台可以從海量數據中提取有價值的信息,並進行更準確的預測和決策。這對於去中心化金融(DeFi)領域中的風險評估、市場預測和資產管理等方面具有重要意義。

此外,也可以實現用戶體驗和個性化服務的改進:AI技術的應用使得Web3平台能夠提供更好的用戶體驗和個性化服務。通過對用戶數據的分析和建模,Web3平台可以爲用戶提供個性化推薦、定制化服務以及智能化交互體驗。這有助於提高用戶參與度和滿意度,促進Web3生態系統的發展,例如許多Web3協議接入ChatGPT等AI工具來更好地服務用戶。

在安全性和隱私保護方面,AI的應用對Web3行業也具有深遠影響。AI技術可用於檢測和防御網絡攻擊、識別異常行爲,並提供更強大的安全保障。同時,AI還可以應用於數據隱私保護,通過數據加密和隱私計算等技術,保護用戶在Web3平台上的個人信息。在智能合約的審計方面,由於智能合約的編寫和審計過程中可能存在漏洞和安全隱患,AI技術可用於自動化合約審計和漏洞檢測,提高合約的安全性和可靠性。

可以看出,對於Web3行業面臨的困境和潛在的提升空間,AI在很多方面都能夠參與和給予助力。

三、AI+Web3項目現狀分析

結合AI和Web3的項目主要從兩個大的方面入手,利用區塊鏈技術提升AI項目的表現,以及利用AI技術來服務於Web3項目的提升。

圍繞着兩個方面,湧現出了一大批項目在這條路上探索,包括Io.net、Gensyn、Ritual等各式各樣的項目,接下來本文將從AI助力web3和Web3助力AI的不同子賽道分析現狀和發展情況。

3.1 Web3助力AI

3.1.1 去中心化算力

從某平台在2022年底推出ChatGPT後,就引爆了AI熱潮,推出後5天用戶數量就達到100萬,而之前另一平台花了大約兩個半月才達到100萬下載量。之後,ChatGPT發力也十分迅猛,2個月內月活用戶數達到1億,到2023年11月,周活用戶數達到1億。伴隨着ChatGPT的問世,AI領域也迅速從一個小衆賽道爆發成爲備受關注的行業。

根據某報告,ChatGPT需要30000個某品牌GPU才能運行,而未來GPT-5將需要更多數量級的計算。這也讓各個AI公司之間開啓了軍備競賽,只有掌握了足夠多的算力,才能夠確定在AI之戰中有足夠的動力和優勢,也因此出現了GPU短缺的現象。

在AI崛起之前,GPU的最大提供商的客戶都集中在三大雲服務中。隨着人工智能的興起,出現了大量新的買家,包括大科技公司以及其他數據平台和人工智能初創公司,都加入了囤積GPU來訓練人工智能模型的戰爭中。一些大型科技公司大量增加了定制AI模型和內部研究的購買量。一些基礎模型公司以及數據平台也購買了更多GPU,來幫助客戶提供人工智能服務。

正如去年某分析提到的"GPU富人和GPU窮人",少數幾家公司擁有2萬多高端GPU,團隊成員可以爲項目使用100到1000個GPU。這些公司要麼是雲提供商或者是自建LLM,包括一些大型AI公司等。

然而大部分公司都屬於GPU窮人,只能在數量少得多的GPU上掙扎,花費大量時間和精力去做較難推動生態系統發展的事情。而且這種情況並不局限於初創公司。一些最知名的人工智能公司的高端GPU數量都小於20K。這些公司擁有世界一流的技術人才,卻受限於GPU的供應數量,相比於大公司在人工智能中競賽中處於劣勢。

這種短缺並不局限於"GPU窮人"中,甚至在去2023年年底,AI賽道的龍頭因爲無法獲得足夠的GPU,不得不關閉付費註冊數周,同時採購更多的GPU供應。

可以看出,伴隨着AI高速發展帶來的GPU的需求側和供給側出現了嚴重的不匹配,供不應求的問題迫在眉睫。

爲了解決這一問題,一些Web3的項目方開始嘗試結合Web3的技術特點,提供去中心化的算力服務,包括Akash、Render、Gensyn等等。這類項目的共同之處在於,通過代幣來激勵廣大用戶提供閒置的GPU算力,成爲了算力的供給側,來爲AI客戶提供算力的支持。

供給側畫像主要可以分爲三個方面:雲服務商、加密貨幣礦工、企業。

雲服務商包括大型雲服務商以及GPU雲服務商,用戶可以轉售閒置的雲服務商的算力來獲得收入。加密礦工隨着某公鏈從PoW轉向PoS,閒置的GPU算力也成爲了重要的潛在供給側。此外,像一些大型企業因爲戰略布局而購買了大量GPU,也可以將閒置的GPU算力作爲供給側。

目前賽道的玩家大致分爲兩類,一類是將去中心化算力用於AI的推理,另一類是將去中心化算力用作AI訓練。前者如Render(雖然聚焦在渲染,但也可用作AI算力的提供)、Akash、Aethir等;後者如io.net(推理和訓練都可以支持)、Gensyn,兩者最大的差異在於算力的要求不同。

先來聊聊前者AI推理的項目,這類項目通過代幣激勵的方式吸引用戶參與算力的提供,再將算力網路服務提供給需求側,從而實現了閒置算力的供需撮合。

最核心的點在於通過代幣激勵機制,項目先吸引供給者,然後吸引用戶使用,從而實現了項目的冷啓動和核心運轉機制,從而能夠進