Chainfeeds 導讀：
人工智能是近期加密市場中最熱門及最有前景的敘事之一。Hack.VC 管理合夥人 Ed Roman 撰文剖析了加密貨幣與人工智能結合的現實用例，並對其挑戰和機遇進行了分析。
文章來源：
https://x.com/ed_roman/status/1803922033820193226
文章作者：
Ed Roman
觀點：
Ed Roman：加密貨幣與人工智能結合能夠帶來顯著價值的用例：1）麥肯錫估計，生成性 AI 每年可為各行業帶來 2.6 至 4.4 萬億美元的價值，相當於 2021 年英國 GDP 的 1.5 倍；2）通過 GPU DePINs 降低 GPU 使用成本。GPU DePINs 聚合未充分利用的 GPU 計算能力，用於 AI 推理。這類似於「GPU 的 Airbnb」，通過提供更低成本的 GPU 計算資源來降低 AI 推理的成本；3）開源模型可以避免像 OpenAI 這樣的公司對 AI 內容進行的自我審查，從而支持更多類型的應用。4）大型企業擔心將內部數據交給集中式的第三方。Web3 通過增強隱私技術，如可信執行環境（TEE）和完全同態加密（FHE），可以保護企業數據。5）開源軟件（OSS）模型不斷創新，可以替代專有軟件。通過 Web3 AI，利用這些開源模型可以帶來更多的創新和經濟效益。6）Web3 AI 推理需要驗證以防止驗證者作弊。ZK 證明和隨機抽樣結合高懲罰成本的方法可以有效防止作弊，提高共識的可靠性。7）通過可組合的 OSS 堆棧節省費用。Web3 還可以通過使用開源模型節省成本，這些模型不需要像專有軟件那樣獲取利潤。8）通過去中心化網絡獲取數據可以提升 AI 模型訓練的數據質量和時效性。像 Grass 這樣的初創公司正在探索這種方法，通過去中心化的數據採集網絡提高數據獲取的效率和覆蓋範圍。Web3 與 AI 結合的挑戰：1）去中心化的 AI 訓練：在鏈上進行 AI 訓練的主要問題是需要 GPU 之間高速通信，而去中心化網絡增加了延遲和帶寬成本；2）去中心化的 AI 數據迭代：AI 訓練需要處理大量數據，這些數據通常存儲在集中且安全的系統中。去中心化環境中的數據處理和迭代非常困難，尤其是在缺乏現有最佳工具和框架的情況下。3）AI 推理的冗餘計算共識：為確保 AI 推理結果的準確性，提出了重複計算的想法，但高端 AI 芯片短缺，使得這種方法成本高昂，難以推廣。4）Web3 特定 AI 用例：目前，Web3 特定的 AI 用例市場尚在起步階段，需求少、客戶不穩定，增加了業務擴展的難度；5）消費級 GPU DePINs：去中心化的 AI 計算網絡依賴於消費級 GPU，適用於低端 AI 推理任務，但對於需要高可靠性和高端 GPU 的企業用例，數據中心更為合適。【原文為英文】
內容來源
