AI与Web3的碰撞：未来发展与挑战

一、引言：AI+Web3的发展现状

近年来，人工智能(AI)和Web3技术的快速发展引起了全球范围内的广泛关注。AI在人脸识别、自然语言处理、机器学习等领域取得了重大突破,为各行各业带来了巨大变革和创新。2023年,AI行业市场规模达到2000亿美元,OpenAI、Character.AI、Midjourney等行业巨头和优秀玩家纷纷涌现,引领AI热潮。

与此同时,Web3作为新兴网络模式,正在改变人们对互联网的认知和使用方式。Web3以去中心化的区块链技术为基础,通过智能合约、分布式存储和去中心化身份验证等功能,实现数据共享与可控、用户自治和信任机制的建立。Web3的核心理念是将数据从中心化权威机构手中解放,赋予用户对数据的控制权和价值分享权。目前Web3行业市值达25万亿,Bitcoin、Ethereum、Solana等项目以及应用层的Uniswap、Stepn等不断涌现,吸引越来越多人加入Web3行业。

AI与Web3的结合是东西方开发者和投资者都十分关注的领域,如何将二者很好融合是一个值得探索的问题。本文将重点探讨AI+Web3的发展现状,分析当前项目面临的局限性和挑战,为投资者和从业者提供参考和洞察。

二、AI与Web3交互的方式

AI和Web3的发展就像天平的两侧,AI带来生产力的提升,Web3带来生产关系的变革。那么AI和Web3能碰撞出什么样的火花呢?我们接下来会先分析AI和Web3行业各自面临的困境和提升空间,然后再探讨彼此如何帮助解决这些困境。

2.1 AI行业面临的困境

要探究AI行业面临的困境,我们首先来看AI行业的本质。AI行业的核心离不开三个要素:算力、算法和数据。

1. 算力:指进行大规模计算和处理的能力。AI任务通常需要处理大量数据和进行复杂计算,如训练深度神经网络模型。高强度的计算能力可以加速模型训练和推理过程,提高AI系统的性能和效率。近年来,随着GPU和专用AI芯片(如TPU)的发展,算力的提升对AI行业发展起到了重要推动作用。

2. 算法:是AI系统的核心组成部分,用于解决问题和实现任务的数学和统计方法。AI算法可分为传统机器学习算法和深度学习算法,其中深度学习算法近年来取得重大突破。算法的选择和设计对AI系统的性能和效果至关重要。不断改进和创新的算法可以提高AI系统的准确性、鲁棒性和泛化能力。

3. 数据:AI系统的核心任务是通过学习和训练来提取数据中的模式和规律。数据是训练和优化模型的基础,通过大规模的数据样本,AI系统可以学习到更准确、更智能的模型。丰富的数据集能够提供更全面、多样化的信息,使模型可以更好地泛化到未见过的数据上,帮助AI系统更好地理解和解决现实世界的问题。

了解AI的核心三要素后,让我们看看AI在这三方面遇到的困境和挑战:

在算力方面,AI任务通常需要大量计算资源进行模型训练和推理,特别是对深度学习模型而言。获取和管理大规模算力是一个昂贵和复杂的挑战。高性能计算设备的成本、能耗和维护都是问题。尤其对初创企业和个人开发者来说,获得足够算力可能是困难的。

在算法方面,尽管深度学习算法在许多领域取得巨大成功,但仍存在一些困境和挑战。例如,训练深度神经网络需要大量数据和计算资源,而且对某些任务,模型的解释性和可解释性可能不足。此外,算法的鲁棒性和泛化能力也是重要问题,模型在未见过的数据上的表现可能不稳定。在众多算法中,如何找到最好的算法提供最好的服务,是需要不断探索的过程。

在数据方面,数据是AI的驱动力,但获取高质量、多样化的数据仍是一个挑战。有些领域的数据可能很难获得,例如医疗领域的敏感健康数据。此外,数据的质量、准确性和标注也是问题,不完整或有偏见的数据可能导致模型的错误行为或偏差。同时,保护数据的隐私和安全也是重要考虑因素。

此外,还存在可解释性和透明度等问题,AI模型的黑盒特性是公众关注的问题。对某些应用,如金融、医疗和司法等,模型的决策过程需要可解释和可追溯,而现有的深度学习模型往往缺乏透明度。解释模型的决策过程和提供可信赖的解释仍是一个挑战。

除此之外,很多AI项目创业的商业模式不够清晰,这也让许多AI创业者感到迷茫。

2.2 Web3行业面临的困境

在Web3行业方面,目前也存在很多不同方面的困境需要解决,无论是对Web3的数据分析,还是Web3产品较差的用户体验,亦或是在智能合约代码漏洞与黑客攻击的问题,都有很多提升空间。而AI作为提高生产力的工具,在这些方面也有很多潜在的发挥空间。

首先是数据分析与预测能力方面的提升:AI技术在数据分析和预测方面的应用为Web3行业带来了巨大影响。通过AI算法的智能分析和挖掘,Web3平台可以从海量数据中提取有价值的信息,并进行更准确的预测和决策。这对于去中心化金融(DeFi)领域中的风险评估、市场预测和资产管理等方面具有重要意义。

此外,也可以实现用户体验和个性化服务的改进:AI技术的应用使得Web3平台能够提供更好的用户体验和个性化服务。通过对用户数据的分析和建模,Web3平台可以为用户提供个性化推荐、定制化服务以及智能化交互体验。这有助于提高用户参与度和满意度,促进Web3生态系统的发展,例如许多Web3协议接入ChatGPT等AI工具来更好地服务用户。

在安全性和隐私保护方面,AI的应用对Web3行业也具有深远影响。AI技术可用于检测和防御网络攻击、识别异常行为,并提供更强大的安全保障。同时,AI还可以应用于数据隐私保护,通过数据加密和隐私计算等技术,保护用户在Web3平台上的个人信息。在智能合约的审计方面,由于智能合约的编写和审计过程中可能存在漏洞和安全隐患,AI技术可用于自动化合约审计和漏洞检测,提高合约的安全性和可靠性。

可以看出,对于Web3行业面临的困境和潜在的提升空间,AI在很多方面都能够参与和给予助力。

三、AI+Web3项目现状分析

结合AI和Web3的项目主要从两个大的方面入手,利用区块链技术提升AI项目的表现,以及利用AI技术来服务于Web3项目的提升。

围绕着两个方面,涌现出了一大批项目在这条路上探索,包括Io.net、Gensyn、Ritual等各式各样的项目,接下来本文将从AI助力web3和Web3助力AI的不同子赛道分析现状和发展情况。

3.1 Web3助力AI

3.1.1 去中心化算力

从某平台在2022年底推出ChatGPT后,就引爆了AI热潮,推出后5天用户数量就达到100万,而之前另一平台花了大约两个半月才达到100万下载量。之后,ChatGPT发力也十分迅猛,2个月内月活用户数达到1亿,到2023年11月,周活用户数达到1亿。伴随着ChatGPT的问世,AI领域也迅速从一个小众赛道爆发成为备受关注的行业。

根据某报告,ChatGPT需要30000个某品牌GPU才能运行,而未来GPT-5将需要更多数量级的计算。这也让各个AI公司之间开启了军备竞赛,只有掌握了足够多的算力,才能够确定在AI之战中有足够的动力和优势,也因此出现了GPU短缺的现象。

在AI崛起之前,GPU的最大提供商的客户都集中在三大云服务中。随着人工智能的兴起,出现了大量新的买家,包括大科技公司以及其他数据平台和人工智能初创公司,都加入了囤积GPU来训练人工智能模型的战争中。一些大型科技公司大量增加了定制AI模型和内部研究的购买量。一些基础模型公司以及数据平台也购买了更多GPU,来帮助客户提供人工智能服务。

正如去年某分析提到的"GPU富人和GPU穷人",少数几家公司拥有2万多高端GPU,团队成员可以为项目使用100到1000个GPU。这些公司要么是云提供商或者是自建LLM,包括一些大型AI公司等。

然而大部分公司都属于GPU穷人,只能在数量少得多的GPU上挣扎,花费大量时间和精力去做较难推动生态系统发展的事情。而且这种情况并不局限于初创公司。一些最知名的人工智能公司的高端GPU数量都小于20K。这些公司拥有世界一流的技术人才,却受限于GPU的供应数量,相比于大公司在人工智能中竞赛中处于劣势。

这种短缺并不局限于"GPU穷人"中,甚至在去2023年年底,AI赛道的龙头因为无法获得足够的GPU,不得不关闭付费注册数周,同时采购更多的GPU供应。

可以看出,伴随着AI高速发展带来的GPU的需求侧和供给侧出现了严重的不匹配,供不应求的问题迫在眉睫。

为了解决这一问题,一些Web3的项目方开始尝试结合Web3的技术特点,提供去中心化的算力服务,包括Akash、Render、Gensyn等等。这类项目的共同之处在于,通过代币来激励广大用户提供闲置的GPU算力,成为了算力的供给侧,来为AI客户提供算力的支持。

供给侧画像主要可以分为三个方面:云服务商、加密货币矿工、企业。

云服务商包括大型云服务商以及GPU云服务商,用户可以转售闲置的云服务商的算力来获得收入。加密矿工随着某公链从PoW转向PoS,闲置的GPU算力也成为了重要的潜在供给侧。此外,像一些大型企业因为战略布局而购买了大量GPU,也可以将闲置的GPU算力作为供给侧。

目前赛道的玩家大致分为两类,一类是将去中心化算力用于AI的推理,另一类是将去中心化算力用作AI训练。前者如Render(虽然聚焦在渲染,但也可用作AI算力的提供)、Akash、Aethir等;后者如io.net(推理和训练都可以支持)、Gensyn,两者最大的差异在于算力的要求不同。

先来聊聊前者AI推理的项目,这类项目通过代币激励的方式吸引用户参与算力的提供,再将算力网络服务提供给需求侧,从而实现了闲置算力的供需撮合。

最核心的点在于通过代币激励机制,项目先吸引供给者,然后吸引用户使用,从而实现了项目的冷启动和核心运转机制,从而能够进