2024 Crypto X AI 行业现状：加密渗透进生成式 AI 的每个环节

作者：MagnetAI

编译：小白导航coderworld

要点总结

我们对67个 Crypto+AI 项目进行了深入分析，并从生成式 AI（GenAI）的角度对其进行了分类。我们的分类涵盖：

1. GPU DePIN

2. 去中心化计算（训练+推理）

3. 验证（ZKML+OPML）

4. 加密大语言模型（LLM）

5. 数据（通用+ AI 特定）

6. AI 创作者应用

7. AI 消费者应用

8. AI 标准（代币+代理）

9. AI 经济

为什么要写这篇文章？

Crypto+AI 的叙述已经引起了很多关注。许多关于 Crypto+AI 的报告正在涌现，但它们要么只涵盖了 AI 故事的一部分，要么仅从加密货币的角度解释 AI。这篇文章将从 AI 的角度探讨这个话题，探讨加密货币如何支持 AI，以及 AI 如何能为加密货币带来好处，以更好地理解当前的 Crypto+AI 产业格局。

第一部分：解码生成式 AI 全景

让我们从我们每天使用的 AI 产品开始探索整个生成式 AI（GenAI）景观。这些产品通常由两个主要组件组成：一个大语言模型（LLM）和一个用户界面（UI）。对于大型模型，有两个关键过程：模型创建和模型利用，通常称为训练和推理。至于用户界面，它有多种形式，包括基于对话的（如 GPT）、基于视觉的（如 LumaAI），以及许多将推理 API 集成到现有产品界面中的其他形式。

计算

深入探讨，计算对于训练和推理都是基础，严重依赖于底层的 GPU 计算。虽然 GPU 在训练和推理中的物理连接可能不同，但 GPU 作为 AI 产品的基础设施组件是共通的。在此之上，我们有 GPU 集群的编排，称为云。这些云可以分为传统多功能云和垂直云，垂直云更专注于 AI 计算场景并为其优化。

存储

关于存储，AI 数据存储可以分为传统存储解决方案，如 AWS S3 和 Azure Blob Storage，以及专门为 AI 数据集优化的存储解决方案。这些专门的存储解决方案，如 Google Cloud 的 Filestore，旨在特定场景下提高数据访问速度。

训练

继续讨论AI基础设施，区分训练和推理是至关重要的，因为它们有显著不同。除了通用计算之外，两者还涉及许多AI特定的业务逻辑。

对于训练，基础设施大致可以分为：

• 平台： 专为训练设计，帮助 AI 开发者有效地训练大语言模型，并提供软件加速解决方案，如 MosaicML。

• 基础模型提供商： 这一类别包括像 Hugging Face 这样的平台，提供用户可以进一步训练或微调的基础模型。

• 框架： 最后，还有各种从零开始构建的基础训练框架，如 PyTorch 和 TensorFlow。

推理

对于推理，大致可以分为：

• 优化器： 专门针对特定用例进行一系列优化，如支持并行处理或媒体生成的算法增强。一个例子是 fal.ai，它优化了文本到图像过程的推理，比一般方法提高了50%的扩散速度。

• 部署平台： 提供通用模型推理云服务，如 Amazon SageMaker，便于在不同环境中部署和扩展 AI 模型。

应用

虽然 AI 应用无数，但可以根据用户群体大致分为两大类：创作者和消费者。

• AI 消费者： 这一群体主要使用AI产品，并愿意为这些产品带来的价值付费。一个典型的例子是 ChatGPT。

• AI创作者： 另一方面，AI创作者应用更多地是邀请 AI 创作者到他们的平台上创建代理、分享知识，然后与他们分享利润，GPT 市场是其中最著名的例子之一。

这两类几乎涵盖了所有AI应用。虽然存在更详细的分类，但本文将重点关注这些更广泛的类别。

第二部分：加密货币如何帮助 AI

在回答这个问题之前，让我们总结一下加密货币可以为 AI 带来的主要优势：货币化、包容性、透明度、数据所有权、成本降低等。

来自 vitalik.eth 博客：加密+AI 交叉点的高级摘要

这些关键的协同作用主要通过以下方式帮助当前的景观：

• 货币化： 通过代币化、货币化和激励等独特的加密机制，可以在AI创作者应用中进行颠覆性创新，确保 AI 经济开放公平。

• 包容性： 加密货币允许无需许可的参与，小白导航打破了今天由封闭的中心化 AI 公司施加的各种限制。这使得 AI 能够实现真正的开放和自由。

• 透明度： 加密货币可以利用 ZKML/OPML 技术使 AI 完全开源，将 LLM 的整个训练和推理过程放到链上，确保 AI 的开放性和无需许可。

• 数据所有权： 通过启用链上交易来建立账户（用户）的数据所有权，从而使用户真正拥有他们的 AI 数据。这在应用层尤其有利，帮助用户有效地保障他们的 AI 数据权利。

• 成本降低： 通过代币激励，可以兑现计算能力的未来价值，显著降低当前的 GPU 成本。这种方法大大降低了 AI 在计算层面的成本。

第三部分：探索 Crypto+AI 的景观

将加密货币的优势应用于AI景观中的不同类别，从加密的角度创建了一个新的AI景观视角。

大语言模型层

1. GPU DePIN

我们继续基于 AI 景观勾勒 AI+Crypto 蓝图。从大语言模型开始，并从基础层的 GPU 开始，加密货币中的一个长期叙述是成本降低。

通过区块链激励，我们可以通过奖励 GPU 提供商显著降低成本。这种叙述目前被称为GPU DePIN。虽然 GPU 不仅在 AI 中使用，还在游戏、AR 和其他场景中使用，但 GPU DePIN 轨道通常涵盖这些领域。

那些专注于 AI 轨道的包括 Aethir 和 Aioz 网络，而那些致力于视觉渲染的包括 io.net、render network 等。

2. 去中心化计算

去中心化计算是自区块链诞生以来一直存在的叙述，并且随着时间的推移得到了显著的发展。然而，由于计算任务的复杂性（与去中心化存储相比），它通常需要限制计算场景。

AI 作为最新的计算场景，自然催生了一系列去中心化计算项目。与 GPU DePIN 相比，这些去中心化计算平台不仅提供成本降低，还满足更多特定的计算场景：训练和推理。它们在广域网中进行编排，显著增强了可扩展性。

按 gensyn.ai 实现规模和成本效益

例如，专注于训练的平台包括 AI Arena、Gensyn、DIN、和 Flock.io；专注于推理的平台包括 Allora、Ritual 和 Justu.ai；同时处理这两个方面的平台包括 Bittensor、0G、Sentient、Akash、Phala、Ankr 和 Oasis。

3. 验证

验证是 Crypto+AI 中的一个独特类别，主要是因为它确保整个 AI 计算过程，无论是训练还是推理，都可以在链上验证。

这对于保持过程的完全去中心化和透明性至关重要。此外，像ZKML这样的技术还保护数据隐私和安全，使用户能够100%拥有他们的个人数据。

根据算法和验证过程，可以分为 ZKML 和 OPML。ZKML 使用零知识（ZK）技术将 AI 训练/推理转换为 ZK 电路，使过程在链上可验证，如 EZKL、Modulus Labs、Succinct 和 Giza 等平台所示。另一方面，OPML 利用链下预言机将证明提交到区块链，如 Ora 和 Spectral所示。

4. 加密基础模型

与 ChatGPT 或 Claude 等通用大语言模型不同，加密基础模型通过大量加密数据重新训练，使这些基础模型具备加密货币的专门知识库。

这些基础模型可以为加密原生应用（如DeFi、NFT和GamingFi）提供强大的 AI 能力。目前，这类基础模型的例子包括 Pond 和 Chainbase.。

5. 数据

数据在AI领域是一个关键组成部分。在 AI 训练中，数据集起着至关重要的作用，而在推理过程中，用户的大量提示和知识库也需要大量存储。

去中心化数据存储不仅显著降低存储成本，更重要的是确保数据的可追溯性和所有权。

传统的去中心化存储解决方案如 Filecoin、Arweave 和 Storj 可以以非常低的成本存储大量AI数据。

同时，更新的AI特定数据存储解决方案针对 AI 数据的独特特性进行了优化。例如，Space and Time 和 OpenDB 优化了数据预处理和查询，而 Masa、Grass、Nuklai 和 KIP Protocol 则专注于 AI 数据的货币化。Bagel Network 则集中于用户数据隐私。

这些解决方案利用了加密货币的独特优势，在 AI 领域的数据管理方面进行了创新，这些领域此前较少受到关注。

应用层

1.创作者

在 Crypto+AI 应用层，创作者应用尤其值得注意。鉴于加密货币固有的货币化能力，激励AI创作者是顺理成章的。

对于AI创作者，重点分为低/无代码用户和开发者。低/无代码用户，如机器人创作者，使用这些平台创建机器人，并通过代币/NFT 将其货币化。他们可以通过 ICO 或 NFT Mint 快速筹集资金，然后通过共享所有权（如收入共享）奖励长期代币持有者。这完全开放了他们的 AI 产品，通过社区共同拥有，从而完成了 AI 经济生命周期。

此外，作为 Crypto AI 创作者平台，它们通过利用加密货币固有的代币化优势，解决了 AI 创作者在早期到中期的资金筹措和长期盈利问题，并以 Web2 典型的提成率的一小部分提供服务——展示了加密货币去中心化带来的零运营成本优势。

在这个领域， MagnetAI、Olas、Myshell、Fetch.ai、Virtual Protocol 和 Spectral 等平台为低/无代码用户提供代理创作平台。对于 AI 模型开发者，MagnetAI 和 Ora 提供了模型开发者平台。此外，对于其他类别，如 AI+ 社交创作者，有 Story Protocol 和 CreatorBid 等平台专门为他们量身定制，而 SaharaAI 则专注于知识库的货币化。

2.消费者

消费者指的是直接为加密货币用户服务的 AI。目前，这条轨道上的项目较少，但现有的项目是不可替代且独特的，如Worldcoin 和 ChainGPT.

3.标准

标准是 Crypto 中的一个独特轨道，特点是开发独立的区块链、协议或改进，以创建 AI dApp 区块链，或使现有基础设施（如以太坊）能够支持 AI 应用。

这些标准使 AI dApps 能够体现加密货币的优势，如透明性和去中心化，为创作者和消费者产品提供基本支持。

例如，Ora 扩展了 ERC-20 以提供收入共享，7007.ai 扩展了ERC-721 以将模型推理资产代币化。此外， Talus、Theoriq、Alethea 和 Morpheus 等平台正在创建链上虚拟机（VM），为AI代理提供执行环境，而 Sentient 则为 AI dApps 提供综合标准。

4.AI 经济

AI 经济是 Crypto+AI 领域的一个重大创新，强调利用加密货币的代币化、货币化和激励机制来实现 AI 的民主化。

MagnetAI 开发的 AI 经济生命周期

它突出了 AI 共享经济、社区共同拥有和共享所有权。这些创新大大推动了 AI 的进一步繁荣和发展。

其中，Theoriq 和 Fetch.ai专注于代理货币化；Olas 强调代币化；Mind Network 提供重新质押的好处；MagnetAI 将代币化、货币化和激励机制整合到一个统一的平台中。

结论

AI 和加密货币是天然的合作伙伴。加密货币有助于使 AI 更加开放、透明，并不可替代地支持其进一步繁荣。

反过来， AI 扩大了加密货币的边界，吸引了更多的用户和关注。作为全人类的普遍叙事， AI 还为加密世界引入了前所未有的大规模采用叙事。

欢迎加入小白导航coderworld官方社群

Telegram订阅群：

https://t.me/coderworldDaily

Twitter官方账号：

https://x.com/coderworldPost

Twitter英文账号：

https://x.com/coderworld_Intern

文章来源于互联网:2024 Crypto X AI 行业现状：加密渗透进生成式 AI 的每个环节

相关推荐: 让 ICO 回归：分布式代币发行 (DTL)

DTL的核心焦点是将代币及其技术交到真实用户手中，而不仅仅是投机者。 撰文：Anagram 编译：小白导航coderworld 风投从未在融资结构上进行创新，他们只是找到了比以往更早投资于公司的方式。不要误解，风投向早期技术注入资本无疑加速了创新，但这是以牺牲…