人工智慧 (AI) 被广泛认为是本世纪最具变革性的技术之一。自然而然，由 Web3 基础设施驱动的去中心化 AI 系统的前景具有巨大的概念吸引力。
然而，尽管 Web3-AI 的价值主张看似引人注目，却未能在更广泛的 AI 生态系统中取得实质进展。随著前沿 AI 能力以前所未有的速度发展，Web3 成为下一代 AI 可行基础的机会之窗正在迅速关闭。
本文探讨了一个颇具争议却又至关重要的论点：Web3 正在输掉这场人工智慧竞赛。每一次科技革命都会到达一个临界点，届时将无法再发动一场真正意义上的颠覆。如果 Web3-AI 不将焦点从肤浅的趋势转移到基础设施上，那么在去中心化平台上建立下一代人工智慧系统的理由可能会彻底消失。
Web3 AI 叙事谬误
纳西姆·尼古拉斯·塔勒布在《黑天鹅》中提出了「叙事谬误」的概念：人们倾向于围绕著不相关或联系薄弱的事件构建连贯的故事。 Web3-AI 的现况就是一个典型的例子。社群对那些在 AI 市场中表现优异但基本上无关紧要的趋势——AI meme代理、推测性的零知识证明 (zk-AI) 原型——给予了高度赞赏，仿佛它们标志著该领域的实质进展。尽管存在一些创新，但 Web3-AI 与更广泛的 AI 生态系统之间日益扩大的鸿沟正在变得难以为继。
叙事驱动型创新的诱惑，让 Web3 生态系统误以为实验就是进步。结果，资本和注意力往往被错误地分配到创新上，而不是基础能力。这种势头的幻觉掩盖了一个事实：目前 Web3-AI 领域正在建立的大部分内容，与 AI 创新的关键路径并不相符。
人工智慧与科技进化的波浪理论
要理解 Web3-AI 的脆弱处境，不妨看看科技的发展趋势。首先，突破往往在相互依存的浪潮中层层推进。例如，行动运算受到云端基础设施等前几波浪潮的催化，而 AI 晶片则源自于游戏硬体的创新。为了在新浪潮中保持竞争力，科技必须扎根于前几波浪潮。
Web3-AI 缺乏这种连续性。它在生成式人工智慧革命的浪潮中未能发挥重要作用。它错过了云端运算、大规模资料工程，甚至早期人工智慧模型开发的周期。因此，Web3-AI 面临著基础真空的困境——它就像在没有冲浪板的情况下乘风破浪。
其次，基础设施技术市场趋于整合。历史表明，主导的基础设施平台几乎总是会缩减到少数几个主要参与者。云端运算围绕AWS、Azure和GCP融合。行动开发围绕著iOS和Android稳定下来。大数据围绕著Snowflake和Databricks合并。人工智慧基础设施可能会遵循类似的模式。如果Web3-AI无法将自己定位为三大可行平台之一，它就有可能在高度集中的格局中变得无关紧要。
缺乏基础知识并建立不相关的东西
现代人工智慧堆叠建立在四大基本支柱之上：数据、计算、模型和研究人才。然而，Web3 一直以来都忽略了这四大支柱。它缺乏深厚的人工智慧人才。 Web3 原生没有大规模的人工智慧资料集。计算基础设施仍然很原始。而且，目前还没有广泛采用的、能够在去中心化协议上有效运作的人工智慧模型。
这种基础的匮乏，加上追逐浮夸之物的倾向，更加加剧了这种局面。 Web3-AI 领域的专案往往倾向于一些缺乏明确用例的投机性领域，例如meme代理程式或 zkML。虽然这些想法在理论上很有意思，但它们并非实现或扩展有意义的 AI 能力的核心。就目前的情况而言，它们对推进 AI 基础设施建设几乎没有实际价值。
为了取得真正的进步，Web3-AI 生态系统必须直面这个基础缺陷。这意味著需要投资人才、建置资料管道、创建高效的运算层，以及开发在去中心化系统上部署时能够提供实际优势的模型。
Web3 和 Web2 之间的 AI 差距正在扩大
人工智慧创新正在快速发展，而 Web3 一直只是被动的旁观者。人工智慧的许多重要里程碑——无监督预训练、高级微调、检索增强生成、推理引擎以及代理框架——均未以有意义的方式涉及 Web3 架构。
随著新版本的不断迭代，追赶的门槛也越来越高。目前，建构前沿模型的所有关键工具、平台和基础设施都是中心化的。如果不采取紧急、协调一致的措施来改变这种发展轨迹，Web3-AI 将在这个只需数月就能进步的领域落后数十年。
无关风险
人工智慧本质上是一种中心化的力量。训练前缘模型需要大量资料集、海量运算和专业人才——所有这些都趋向于中心化。去中心化的替代方案面临深刻的技术和经济挑战。
这并不意味著去中心化人工智慧注定失败。但容错空间正在消失。除非 Web3.0-AI 大幅加速发展，否则中心化生态系统将占据主导地位，最终使去中心化成为次要考虑因素。风险并非在于错过下一个人工智慧趋势；而是在于它在人工智慧的未来中变得从根本上无关紧要。
警钟
韧性和Optimism根植于 Web3 的 DNA 之中，近期一些技术实力雄厚的团队的努力令人鼓舞，例如Nous Research （分散式训练）、 Prime Intellect （分散式训练）、 LayerLens （基准测试和评估）、 Pluralis （分散式训练）、 Sahara （AI 应用）以及其他一些团队。其中一些团队开始著手解决核心问题——隐私权保护机器学习、分散式训练、可验证推理。
但这些努力仍是例外，而非常态。 Web3-AI 运动仍然缺乏人才、数据、运算、基础设施和资本。它必须摒弃干扰，专注于基础能力。清晰地面对这现实，将有机会改变方向。忽视它意味著错过历史上最重要的科技革命。
