Chainfeeds 导读：
人工智能是近期加密市场中最热门及最有前景的叙事之一。Hack.VC 管理合伙人 Ed Roman 撰文剖析了加密货币与人工智能结合的现实用例，并对其挑战和机遇进行了分析。
文章来源：
https://x.com/ed_roman/status/1803922033820193226
文章作者：
Ed Roman
观点：
Ed Roman：加密货币与人工智能结合能够带来显著价值的用例：1）麦肯锡估计，生成性 AI 每年可为各行业带来 2.6 至 4.4 万亿美元的价值，相当于 2021 年英国 GDP 的 1.5 倍；2）通过 GPU DePINs 降低 GPU 使用成本。GPU DePINs 聚合未充分利用的 GPU 计算能力，用于 AI 推理。这类似于「GPU 的 Airbnb」，通过提供更低成本的 GPU 计算资源来降低 AI 推理的成本；3）开源模型可以避免像 OpenAI 这样的公司对 AI 内容进行的自我审查，从而支持更多类型的应用。4）大型企业担心将内部数据交给集中式的第三方。Web3 通过增强隐私技术，如可信执行环境（TEE）和完全同态加密（FHE），可以保护企业数据。5）开源软件（OSS）模型不断创新，可以替代专有软件。通过 Web3 AI，利用这些开源模型可以带来更多的创新和经济效益。6）Web3 AI 推理需要验证以防止验证者作弊。ZK 证明和随机抽样结合高惩罚成本的方法可以有效防止作弊，提高共识的可靠性。7）通过可组合的 OSS 堆栈节省费用。Web3 还可以通过使用开源模型节省成本，这些模型不需要像专有软件那样获取利润。8）通过去中心化网络获取数据可以提升 AI 模型训练的数据质量和时效性。像 Grass 这样的初创公司正在探索这种方法，通过去中心化的数据采集网络提高数据获取的效率和覆盖范围。Web3 与 AI 结合的挑战：1）去中心化的 AI 训练：在链上进行 AI 训练的主要问题是需要 GPU 之间高速通信，而去中心化网络增加了延迟和带宽成本；2）去中心化的 AI 数据迭代：AI 训练需要处理大量数据，这些数据通常存储在集中且安全的系统中。去中心化环境中的数据处理和迭代非常困难，尤其是在缺乏现有最佳工具和框架的情况下。3）AI 推理的冗余计算共识：为确保 AI 推理结果的准确性，提出了重复计算的想法，但高端 AI 芯片短缺，使得这种方法成本高昂，难以推广。4）Web3 特定 AI 用例：目前，Web3 特定的 AI 用例市场尚在起步阶段，需求少、客户不稳定，增加了业务扩展的难度；5）消费级 GPU DePINs：去中心化的 AI 计算网络依赖于消费级 GPU，适用于低端 AI 推理任务，但对于需要高可靠性和高端 GPU 的企业用例，数据中心更为合适。【原文为英文】
内容来源
