編譯：深潮TechFlow
加密與 AI：是否已走到盡頭？
2023 年，Web3-AI 一度成為熱門話題。
但如今，它充斥著模仿者和無實際用途的鉅額項目。
以下是需要避免的誤區和應關注的重點。
概述
IntoTheBlock 的 CEO @jrdothoughts 最近在一篇文章中分享了他的見解。
他討論了：
a. Web3-AI 的核心挑戰
b. 被過度炒作的趨勢
c. 具有高潛力的趨勢
我已為你提煉出每個要點！讓我們一探究竟：
市場現狀
當前的 Web3-AI 市場被過度炒作和資助。
許多項目與 AI 行業的實際需求脫節。
這種脫節帶來了困惑，但也為有洞察力的人創造了機會。
（致謝 @coinbase）
核心挑戰
Web2 和 Web3 AI 之間的差距正在擴大，主要原因有三：
有限的 AI 研究人才
受限的基礎設施
不足的模型、數據和計算資源
生成式 AI 基礎
生成式 AI 依賴於模型、數據和計算資源三大要素。
目前，還沒有主要模型針對 Web3 基礎設施進行了優化。
最初的資金支持了一些與 AI 現實脫節的 Web3 項目。
被高估的趨勢
儘管有很多炒作，並非所有 Web3-AI 的趨勢都值得關注。
以下是 @jrdothoughts 認為最被高估的一些趨勢：
a. 去中心化的 GPU 網絡
b. ZK-AI 模型
c. 推理證明 （致謝 @ModulusLabs）
去中心化的 GPU 網絡
這些網絡承諾民主化 AI 訓練。
但現實情況是，在去中心化基礎設施上訓練大型模型既慢又不切實際。
這一趨勢尚未兌現其高遠的承諾。
零知識 AI 模型
零知識 AI 模型在隱私保護方面看起來很有吸引力。
但實際上，它們計算成本高且難以解釋。
這使得它們在大規模應用中不太實際。
（致謝 @oraprotocol ）
圖中信息：
b) 目前，開銷高達 1000 倍。
然而，這種方法距離實用化還有很大差距，尤其是對於 Vitalik 所描述的那些用例。以下是一些例子：
zkML 框架 EZKL 需要大約 80 分鐘才能生成一個 1M-nanoGPT 模型的證明。
根據 Modulus Labs 的數據，zkML 的開銷比純計算高出 1000 倍以上，最新報告顯示為 1000 倍。
根據 EZKL 的基準測試，RISC Zero 在隨機森林分類任務中的平均證明時間為 173 秒。
推理證明
推理證明框架為 AI 輸出提供加密證明。
然而， @jrdothoughts 認為這些解決方案解決的是並不存在的問題。
因此，它們在現實世界中的應用有限。
高潛力趨勢
雖然有些趨勢被過度炒作，但另一些趨勢則具有顯著潛力。
以下是一些被低估的趨勢，可能提供真正的機會：
a. 具備錢包的 AI 智能體
b. 加密貨幣為 AI 提供資金
c. 小型基礎模型
d. 合成數據生成
具備錢包的 AI 智能體
想象一下，AI 智能體通過加密貨幣擁有金融能力。
這些智能體可以僱傭其他智能體或質押資金以確保質量。
另一個有趣的應用是“預測智能體”，如 @vitalikbuterin 所提到的。
加密貨幣為 AI 提供資金
生成式 AI 項目通常面臨資金短缺。
加密貨幣的高效資本形成方法，如空投和激勵，為開源 AI 項目提供了關鍵的資金支持。
這些方法有助於推動創新。（致謝 @oraprotocol）
小型基礎模型
小型基礎模型，例如微軟的 Phi 模型，展示了少即是多的理念。
具有 1B-5B 參數的模型對去中心化 AI 至關重要，能夠提供強大的設備端 AI 解決方案。
（來源：@microsoft）
合成數據生成
數據稀缺是 AI 發展的主要障礙之一。
通過基礎模型生成的合成數據可以有效補充現實世界的數據集。
克服炒作
最初的 Web3-AI 熱潮主要集中在一些脫離實際的價值主張上。
@jrdothoughts 認為，現在應將重點轉向構建實際可行的解決方案。
隨著注意力轉移，AI 領域依然充滿機會，等待敏銳的目光去發現。
本文僅供教育用途，非財務建議。非常感謝 @jrdothoughts 提供的寶貴見解。
