作者：brody
編譯：深潮TechFlow
從表面上看，“加密貨幣與人工智能”似乎是一種強迫結合。
然而，在這些不對稱中存在著潛在機會，風險與回報的比例似乎嚴重偏向於上行。這就是值得我們花時間深入思考的原因。
我經常被問到我對加密貨幣與人工智能融合的看法，這促使我開發了這個簡單的框架：
區塊鏈在哪些方面為人工智能應用引入了全新的優勢？
AI 技術棧中的哪些組件通過去中心化協議得到了優化？
開源的去中心化 AI 應用在哪些方面達到了與其閉源競爭者相當的性能？
從整體來看，這裡有幾個我關注的關鍵領域，旨在回應這些問題：
區塊鏈在哪些方面為人工智能開發解鎖了全新的優勢？
協調層：這些協議旨在協調 AI/ML 開發者，共同創建“智能”，通過提供他們的模型和資源換取獎勵，這些獎勵通常基於所產生智能的價值。
這就是我對 Bittensor 如此熱情的原因。它正在大規模實現這一目標（目前有 48 個子網，並在不斷擴展），擁有深厚的人才護城河，以及極少數生態系統能夠效仿的熱情代幣持有者社區。
另一方面來看，Sentient、Allora 和 Nous Research 等團隊也在進行類似的倡議，儘管它們的協議設計和方向有所不同。
激勵對齊是區塊鏈在最終階段能夠有效運作的核心原因之一，而這種應用對開源 AI 開發的支持是基本的。
人們正在逐漸意識到這一點。
AI 技術棧中的哪些組件通過去中心化協議得到了優化？
數據：獲取高質量、經過驗證和穩健的數據集對人工智能至關重要，但目前這仍然是一個巨大的瓶頸。數據收集過程中的優化將推動我們突破“數據壁壘”。
我們密切關注的幾個團隊是 Grass 和 Vana，它們都在通過激勵和所有權創建新的高效和優化的數據收集機制。
簡而言之，Vana 使數據 DAO（去中心化自治組織）得以實現，允許用戶為獨特的數據集做出貢獻，並根據 AI 開發者對特定數據的需求來獲得相應的獎勵。
在這個領域中，正在測試幾種方法論，所有這些方法論在客觀上都優於它們的 Web 2 同類產品。
數據 DAO 示例
開源的去中心化 AI 應用程序在哪些方面的性能與其閉源同類產品達到了平衡？
分佈式模型訓練（Distributed Model Training）：AI 模型訓練是一個資源消耗極大的過程，涉及通過神經網絡輸入大型數據集，以訓練模型完成特定任務。直到一個月前，人們曾認為以分佈式方式進行這一過程極不可能。
多虧了 Nous Research（DisTrO）和 Prime Intellect（DiLoCo）等先驅，在分佈式模型訓練方面，開源和去中心化 AI 的突破正在加速，與閉源替代品達到了性能平衡。
看到開源去中心化 AI 領域的這些基礎性突破讓人感到興奮，因為這充分證明了將這一領域視為單純依靠炒作的“包辦婚姻”是錯誤的。
DisTrO 在上週的 Novelty Search 活動中部署於 Bittensor 子網。
有句話說得好：“如果他們沒有對你進行 FUD（恐懼、不確定性和懷疑），那麼你就沒有在構建任何值得 FUD 的東西。”我們認為這一說法適用於這個領域。
畢竟，我們接受 FUD（恐懼、不確定性和懷疑）的存在。這使我們退一步，構建出更強大的框架和評估，以應對這些看似複雜、難以解讀的領域。
感謝所有為這些工作付出努力的建設者們！你們的貢獻得到了大家的認可。
