在過去的 1 年里，隨著 ChatGPT 等生成式 AI 大模型的誕生，AI 從簡(jiǎn)單的自動(dòng)化工具擴(kuò)展到復(fù)雜的決策和預(yù)測(cè)系統(tǒng)，發(fā)展成為驅(qū)動(dòng)當(dāng)代社會(huì)重要進(jìn)步動(dòng)力。AI 類產(chǎn)品和應(yīng)用也發(fā)生了爆發(fā)式的增長(zhǎng)，ChatGPT 本身陸續(xù)推出 GPTs，Sora 等矚目的產(chǎn)品，AI 底層設(shè)施英偉達(dá)的業(yè)績(jī)持續(xù)超出預(yù)期， 2024 財(cái)年第四季度中數(shù)據(jù)中心業(yè)務(wù)占據(jù) 83% 以上營(yíng)收，同步增長(zhǎng) 409%，其中 40% 用于大模型的推理場(chǎng)景，顯示出對(duì)于底層算力的快速需求增長(zhǎng)。

當(dāng)下，AI 已經(jīng)成為歐美資本圈競(jìng)相追逐的主題，同時(shí) Web3 市場(chǎng)也迎來新一輪的牛市，AI+Web3 是當(dāng)下最熱門的兩個(gè)技術(shù)主題的碰撞，近期也出現(xiàn)了一批該主題的項(xiàng)目，凸顯了市場(chǎng)對(duì)這個(gè)主題的關(guān)注和期待。

拋開炒作和價(jià)格泡沫，AI+Web 行業(yè)目前發(fā)展情況如何？是否真實(shí)有應(yīng)用場(chǎng)景？長(zhǎng)期來看，是否能夠創(chuàng)造有價(jià)值和敘事和產(chǎn)業(yè)？未來 AI+Web3 的產(chǎn)業(yè)將會(huì)形成怎樣的生態(tài)格局，具有潛力的方向在哪里？

圍繞以上話題，F(xiàn)uture3 Campus 將會(huì)撰寫一系列相關(guān)文章，從 AI+Web3 產(chǎn)業(yè)鏈的各個(gè)層面進(jìn)行分析。本文為第一篇，AI+Web3的整體產(chǎn)業(yè)圖景和敘事邏輯。

AI工作生產(chǎn)流程

概括地說，AI+Web3 結(jié)合的方向可以分為兩方面，一方面是 Web3 如何幫助 AI 發(fā)展，另一方面是 Web3 應(yīng)用結(jié)合 AI 技術(shù)。其中 Web3 技術(shù)和概念賦能 AI 是當(dāng)下大部分項(xiàng)目的方向。因此，我們可以通過 AI 從模型訓(xùn)練到生產(chǎn)的流程中來分析如何與 Web3 相結(jié)合。

LLM 的誕生與之前機(jī)器學(xué)習(xí)的流程有一些區(qū)別，但總體上，一個(gè)簡(jiǎn)化的 AI 生產(chǎn)流程大致分為以下幾個(gè)階段：

1.數(shù)據(jù)獲取

在 AI 模型的訓(xùn)練全生命周期中，數(shù)據(jù)是 AI 模型提供訓(xùn)練的基石。通常需要采用高質(zhì)量的數(shù)據(jù)集作為基礎(chǔ)，并進(jìn)行探索性數(shù)據(jù)分析 (EDA) ，創(chuàng)造可重現(xiàn)、可編輯和可共享的數(shù)據(jù)集、表格和可視化圖標(biāo)。

2.數(shù)據(jù)預(yù)處理和特征工程 / 提示工程

獲得數(shù)據(jù)后需要對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，這里在機(jī)器學(xué)習(xí)中是特征工程（數(shù)據(jù)標(biāo)注），在大模型中是提示（Prompt）工程。包括迭代地對(duì)數(shù)據(jù)進(jìn)行分類、聚合和刪除重復(fù)數(shù)據(jù)以標(biāo)注精細(xì)的特征，迭代開發(fā)可供 LLM 結(jié)構(gòu)化查詢的 Prompt。同時(shí)需要可靠地將特征 /Prompt 進(jìn)行存儲(chǔ)和共享。

3.模型訓(xùn)練和調(diào)優(yōu)

利用豐富的模型庫對(duì) AI 模型進(jìn)行訓(xùn)練，通過不斷的迭代和調(diào)整，提升模型的性能、效率和準(zhǔn)確性。其中在 LLM 中主要是通過人類反饋強(qiáng)化學(xué)習(xí)（RLHF）來不斷對(duì)模型進(jìn)行調(diào)優(yōu)。

4.模型審查和治理

使用 MLOps/LLMOps 平臺(tái)來優(yōu)化模型開發(fā)流程，包括模型的發(fā)現(xiàn)、跟蹤、共享和協(xié)作，確保模型的質(zhì)量和透明度，同時(shí)符合倫理和合規(guī)要求。

5.模型推理

部署訓(xùn)練有素的 AI 模型，對(duì)新的、未見過的數(shù)據(jù)進(jìn)行預(yù)測(cè)。模型利用其學(xué)習(xí)到的參數(shù)對(duì)輸入數(shù)據(jù)進(jìn)行處理，生成預(yù)測(cè)結(jié)果，如分類或回歸預(yù)測(cè)。

6.模型部署和監(jiān)控

在確保模型性能達(dá)標(biāo)后，將其部署到實(shí)際應(yīng)用場(chǎng)景中，并實(shí)施持續(xù)的監(jiān)控和維護(hù)，確保模型在動(dòng)態(tài)變化的環(huán)境中保持最佳性能。

在以上流程中，有很多 Web3 與之結(jié)合的機(jī)會(huì)。目前，我們看到 AI 發(fā)展過程中的一些挑戰(zhàn)，例如模型的透明度、偏見和倫理應(yīng)用等問題引起了廣泛關(guān)注，在這一方面，Web3 技術(shù)結(jié)合 ZK 等密碼學(xué)技術(shù)，能夠改善 AI 的信任問題。此外，AI 應(yīng)用需求的提高也對(duì)更低成本、更開放的基礎(chǔ)設(shè)施和數(shù)據(jù)網(wǎng)絡(luò)提出了要求，而 Web3 的分布式網(wǎng)絡(luò)和激勵(lì)模型也能夠打造更加開放、開源的 AI 網(wǎng)絡(luò)和社區(qū)。

AI+Web3產(chǎn)業(yè)圖景和敘事邏輯

結(jié)合上述 AI 生產(chǎn)流程和 AI 與 Web3 結(jié)合的方向，以及當(dāng)前市場(chǎng)上主流的 AI+Web3 項(xiàng)目，我們梳理出了 AI+Web3 產(chǎn)業(yè)圖景，AI+Web3 產(chǎn)業(yè)鏈可以分為三層，分別為基礎(chǔ)設(shè)施層、中間層和應(yīng)用層。

1.基礎(chǔ)設(shè)施層

主要包括計(jì)算和存儲(chǔ)基礎(chǔ)設(shè)施，貫穿整個(gè) AI 工作生產(chǎn)流程，提供 AI 模型訓(xùn)練、推測(cè)等需要的算力，以及全生命周期中數(shù)據(jù)和模型的存儲(chǔ)。

當(dāng)前 AI 應(yīng)用快速增長(zhǎng)，使得對(duì)基礎(chǔ)設(shè)施尤其是高性能算力的需求出現(xiàn)了暴增。因此，提供更高性能、更低成本、更充足的計(jì)算和存儲(chǔ)基礎(chǔ)設(shè)施會(huì)成為未來幾年（AI 發(fā)展早期）成為非常重要的趨勢(shì)，預(yù)計(jì)將搶占 50% 以上的產(chǎn)業(yè)鏈價(jià)值。

Web3 能夠打造去中心化的計(jì)算和存儲(chǔ)資源網(wǎng)絡(luò)，利用閑置、分散的資源，來顯著降低基礎(chǔ)設(shè)施的成本，服務(wù)廣大的 AI 應(yīng)用需求。因此去中心化 AI 基礎(chǔ)設(shè)施是目前確定性最高的敘事。

當(dāng)前這一賽道的代表性項(xiàng)目包括主打渲染服務(wù)的 Render Network，以及提供去中心化的云服務(wù)和計(jì)算硬件網(wǎng)絡(luò)的 Akash、gensyn 等；存儲(chǔ)領(lǐng)域，代表項(xiàng)目仍然是老牌去中心化存儲(chǔ)網(wǎng)絡(luò) Filecoin、Arweave 等，最近也推出了針對(duì) AI 領(lǐng)域的存儲(chǔ)和計(jì)算服務(wù)。

2.中間層

主要指在 AI 工作生產(chǎn)的特定流程中，采用 Web3 相關(guān)技術(shù)改善現(xiàn)狀和存在的問題。主要包括：

1）數(shù)據(jù)獲取階段，采用去中心化的數(shù)據(jù)身份，創(chuàng)造更開放的數(shù)據(jù)網(wǎng)絡(luò) / 數(shù)據(jù)交易平臺(tái)。主要通過結(jié)合密碼學(xué)技術(shù)和區(qū)塊鏈特性來保護(hù)用戶和確權(quán)數(shù)據(jù)，并結(jié)合激勵(lì)措施鼓勵(lì)用戶分享高質(zhì)量的數(shù)據(jù)，從而擴(kuò)大數(shù)據(jù)來源，提高數(shù)據(jù)獲取效率。這一領(lǐng)域的代表性項(xiàng)目包括 AI 身份項(xiàng)目 Worldcoin，Aspecta，數(shù)據(jù)交易平臺(tái) Ocean Protocol，以及低參與門檻的數(shù)據(jù)網(wǎng)絡(luò) Grass 等。

2）數(shù)據(jù)預(yù)處理階段：主要?jiǎng)?chuàng)建分布式的 AI 數(shù)據(jù)標(biāo)注和處理平臺(tái)，采用經(jīng)濟(jì)模型激勵(lì)來鼓勵(lì)眾包模式，以推動(dòng)更高效、更低成本的數(shù)據(jù)預(yù)處理，服務(wù)后續(xù)的模型訓(xùn)練階段。代表項(xiàng)目如 Public AI 等。

3）模型驗(yàn)證和推理階段：如上一小節(jié)所述，數(shù)據(jù)和模型黑盒是目前 AI 中現(xiàn)實(shí)存在的問題，因此在模型驗(yàn)證和推理階段中，Web3 能夠結(jié)合 ZK、同態(tài)加密等密碼學(xué)技術(shù)，來驗(yàn)證模型的推理，是否使用給定的數(shù)據(jù)和參數(shù)，確保模型的正確性，同時(shí)保護(hù)輸入數(shù)據(jù)的隱私。典型的應(yīng)用場(chǎng)景是 ZKML。目前 Web3 技術(shù)結(jié)合在模型驗(yàn)證和推理階段的代表性項(xiàng)目包括 bittensor、Privasea、Modulus 等。

中間層的很多項(xiàng)目更偏向于開發(fā)者工具，通常針對(duì)現(xiàn)有的開發(fā)者、項(xiàng)目方等提供附加服務(wù)，在目前 AI 發(fā)展的早期，其市場(chǎng)需求和商業(yè)落地仍在發(fā)展過程中。

3.應(yīng)用層

在應(yīng)用層面，更多的是 AI 技術(shù)如何應(yīng)用到 Web3 中。Web3 應(yīng)用結(jié)合 AI 技術(shù)能夠有效提高效率和產(chǎn)品體驗(yàn)，例如利用 AI 的內(nèi)容生成、分析、推測(cè)等功能，可以應(yīng)用到諸如游戲、社交、數(shù)據(jù)分析、金融預(yù)測(cè)等各個(gè)領(lǐng)域。目前 AI+Web3 的應(yīng)用主要可以分為三大類。

1）AIGC 類，即采用 AI 生成式技術(shù)允許用戶通過對(duì)話生成文字、圖片、視頻、Avatar 等內(nèi)容。以單獨(dú)的 AI agent 或者直接結(jié)合進(jìn)產(chǎn)品中展現(xiàn)。代表項(xiàng)目包括 NFPrompt、SleeplessAI 等。

2）AI 分析類，項(xiàng)目方融入自己積累的數(shù)據(jù)、知識(shí)庫、分析能力等訓(xùn)練垂直的 AI 模型，能夠進(jìn)行分析、判斷、預(yù)測(cè)等，并產(chǎn)品化提供給用戶，使得用戶可以低門檻地獲取獲取 AI 的分析能力，例如數(shù)據(jù)分析、信息追蹤、代碼審計(jì)和修改、金融預(yù)測(cè)等。代表性項(xiàng)目包括 Kaito、Dune 等。

3）AI Agent Hub，各類 AI Agent 的聚合，通常提供用戶無代碼創(chuàng)建定制化 AI Agent 的能力，類似 GPTs。代表性項(xiàng)目包括 My Shell、Fetch.ai 等。

應(yīng)用層目前還有沒有出現(xiàn)非常頭部的項(xiàng)目，但長(zhǎng)期來看一定是天花板更高的板塊，具有極強(qiáng)的尚待挖掘的潛力。AI+Web3 應(yīng)用的競(jìng)爭(zhēng)不在于技術(shù)的創(chuàng)新競(jìng)爭(zhēng)力，而在于產(chǎn)品能力和技術(shù)能力的積累，特別是在 AI 方面能夠提供體驗(yàn)更好的產(chǎn)品，將會(huì)在這一領(lǐng)域獲得更多競(jìng)爭(zhēng)優(yōu)勢(shì)。