最初的 Web3-AI 热潮主要集中在一些脱离实际的价值主张上，现在应将重点转向构建实际可行的解决方案。

撰文：Crypto, Distilled

编译：深潮 TechFlow

加密与 AI：是否已走到尽头？

2023 年，Web3-AI 一度成为热门话题。

但如今，它充斥着模仿者和无实际用途的巨额项目。

以下是需要避免的误区和应关注的重点。

概述

IntoTheBlock 的 CEO @jrdothoughts 最近在一篇文章中分享了他的见解。

他讨论了：

a. Web3-AI 的核心挑战

b. 被过度炒作的趋势

c. 具有高潜力的趋势

我已为你提炼出每个要点！让我们一探究竟：

市场现状

当前的 Web3-AI 市场被过度炒作和资助。

许多项目与 AI 行业的实际需求脱节。

这种脱节带来了困惑，但也为有洞察力的人创造了机会。

（致谢 @coinbase）

核心挑战

Web2 和 Web3 AI 之间的差距正在扩大，主要原因有三：

• 有限的 AI 研究人才
• 受限的基础设施
• 不足的模型、数据和计算资源

生成式 AI 基础

生成式 AI 依赖于模型、数据和计算资源三大要素。

目前，还没有主要模型针对 Web3 基础设施进行了优化。

最初的资金支持了一些与 AI 现实脱节的 Web3 项目。

被高估的趋势

尽管有很多炒作，并非所有 Web3-AI 的趋势都值得关注。

以下是 @jrdothoughts 认为最被高估的一些趋势：

a. 去中心化的 GPU 网络

b. ZK-AI 模型

c. 推理证明 （致谢 @ModulusLabs）

去中心化的 GPU 网络

这些网络承诺民主化 AI 训练。

但现实情况是，在去中心化基础设施上训练大型模型既慢又不切实际。

这一趋势尚未兑现其高远的承诺。

零知识 AI 模型

零知识 AI 模型在隐私保护方面看起来很有吸引力。

但实际上，它们计算成本高且难以解释。

这使得它们在大规模应用中不太实际。

（致谢 @oraprotocol ）

图中信息：

b) 目前，开销高达 1000 倍。

然而，这种方法距离实用化还有很大差距，尤其是对于 Vitalik 所描述的那些用例。以下是一些例子：

• zkML 框架 EZKL 需要大约 80 分钟才能生成一个 1M-nanoGPT 模型的证明。
• 根据 Modulus Labs 的数据，zkML 的开销比纯计算高出 1000 倍以上，最新报告显示为 1000 倍。
• 根据 EZKL 的基准测试，RISC Zero 在随机森林分类任务中的平均证明时间为 173 秒。

推理证明

推理证明框架为 AI 输出提供加密证明。

然而， @jrdothoughts 认为这些解决方案解决的是并不存在的问题。

因此，它们在现实世界中的应用有限。

高潜力趋势

虽然有些趋势被过度炒作，但另一些趋势则具有显著潜力。

以下是一些被低估的趋势，可能提供真正的机会：

a. 具备钱包的 AI 智能体

b. 加密货币为 AI 提供资金

c. 小型基础模型

d. 合成数据生成

具备钱包的 AI 智能体

想象一下，AI 智能体通过加密货币拥有金融能力。

这些智能体可以雇佣其他智能体或质押资金以确保质量。

另一个有趣的应用是「预测智能体」，如 @vitalikbuterin 所提到的。

加密货币为 AI 提供资金

生成式 AI 项目通常面临资金短缺。

加密货币的高效资本形成方法，如空投和激励，为开源 AI 项目提供了关键的资金支持。

这些方法有助于推动创新。（致谢 @oraprotocol）

小型基础模型

小型基础模型，例如微软的 Phi 模型，展示了少即是多的理念。

具有 1B-5B 参数的模型对去中心化 AI 至关重要，能够提供强大的设备端 AI 解决方案。

（来源：@microsoft）

合成数据生成

数据稀缺是 AI 发展的主要障碍之一。

通过基础模型生成的合成数据可以有效补充现实世界的数据集。

克服炒作

最初的 Web3-AI 热潮主要集中在一些脱离实际的价值主张上。

@jrdothoughts 认为，现在应将重点转向构建实际可行的解决方案。

随着注意力转移，AI 领域依然充满机会，等待敏锐的目光去发现。

本文仅供教育用途，非财务建议。非常感谢 @jrdothoughts 提供的宝贵见解。