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

Compiled by: Xiaobai Navigation coderworld

Summary of key points

我们对67个 Crypto+AI project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（Token+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cryptocurrency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。

storage

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。

application

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： passToken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，Xiaobai Navigation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.

passBlockchain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 wait.

2. 去中心化计算

去中心化计算是自Blockchain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Scalability.

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 and Justu.ai；同时处理这两个方面的平台包括 Bittensor,0G,Sentient,Akash,Phala,Ankr and Oasis.

3. verify

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Safety，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 and Giza 等平台所示。另一方面，OPML 利用链下预言机将证明提交到Blockchain，如 Ora and 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 and Chainbase.。

5. data

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 and 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 and OpenDB 优化了数据预处理和查询，而 Masa,Grass,Nuklai and 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.Creator

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Community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 and 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 and 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 and 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 and ChainGPT.

3.标准

标准是 Crypto 中的一个独特轨道，特点是开发独立的Blockchain、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。

For example,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 and 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、Community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 and 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。

in conclusion

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

The article comes from the Internet: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…