作者：David & Goliath
編譯：深潮TechFlow
當前，AI 產業中的計算和訓練環節主要由集中化的 Web2 巨頭主導。這些公司憑藉強大的資本實力、最先進的硬件設備以及龐大的數據資源，佔據了主導地位。儘管這種情況在開發最強大的通用機器學習 (ML) 模型時可能會持續存在，但對於中端或定製化模型來說，Web3 網絡可能逐漸成為更經濟且易於獲取的計算資源來源。
同樣，當推理需求超出個人邊緣設備的能力時，一些消費者可能會選擇 Web3 網絡，以獲得更少審查、更具多樣性的輸出。相比試圖全面顛覆整個 AI 技術棧，Web3 的參與者更應該聚焦於這些細分場景，並充分發揮其在抗審查、透明性和社會可驗證性方面的獨特優勢。
訓練下一代基礎模型 (如 GPT 或 BERT) 所需的硬件資源稀缺且昂貴，最強性能芯片的需求將持續超過供應。這種資源稀缺性導致硬件集中在少數擁有充足資金的頭部企業手中，這些企業利用這些硬件訓練並商業化了性能最優、複雜度最高的基礎模型。
然而，硬件更新換代速度極快。那麼，那些過時的中端或低性能硬件將如何被利用呢？
這些硬件很可能被用於訓練較為簡單或針對性更強的模型。通過將不同類別的模型與不同性能的硬件進行匹配，可以實現資源的最優配置。在這種情況下，Web3 協議可以通過協調訪問多樣化、低成本的計算資源，發揮關鍵作用。例如，消費者可以使用基於個人數據集訓練的簡單中端模型，並且僅在處理更復雜的任務時，才選擇由集中化企業訓練和託管的高端模型，同時確保用戶身份被隱藏、提示數據被加密。
除了效率問題外，人們對集中化模型中的偏見和潛在審查的擔憂也在不斷增加。Web3 環境以其透明性和可驗證性著稱，能夠為那些被 Web2 忽視或認為過於敏感的模型提供訓練支持。這些模型雖然可能在性能和創新上不具備競爭力，但對社會的某些群體來說仍然具有重要價值。因此，Web3 協議可以通過提供更開放、可信且抗審查的模型訓練服務，在這一領域開闢出獨特的市場。
起初，集中化和去中心化的兩種方法可以並存，各自服務於不同的用例。然而，隨著 Web3 在開發者體驗和平臺兼容性上的不斷提升，以及開源 AI 的網絡效應逐漸顯現，Web3 可能最終在集中化企業的核心領域展開競爭。特別是當消費者越來越意識到集中化模型的侷限性時，Web3 的優勢將更加突出。
除了中端或特定領域模型的訓練外，Web3 的參與者還具備提供更透明、更靈活的推理解決方案的優勢。去中心化的推理服務可以帶來多種好處，例如零停機時間、模型的模塊化組合、公開的模型性能評估，以及更加多樣化、無審查的輸出。這些服務還能有效避免消費者因依賴少數幾家集中化提供商而面臨的“供應商鎖定”問題。與模型訓練類似，去中心化推理層的競爭優勢並不在於計算能力本身，而在於解決了一些長期存在的問題，例如閉源微調參數的透明度、缺乏可驗證性以及高昂的成本。
Dan Olshansky 提出了一個很有前景的設想，即通過 POKT 的 AI 推理路由網絡，為 AI 研究人員和工程師創造更多機會，使他們能夠將自己的研究成果付諸實踐，並通過定製化的機器學習 (ML) 或人工智能 (AI) 模型獲得額外收入。更重要的是，這種網絡通過整合來自不同來源的推理結果（包括去中心化和集中化提供商），能夠促進推理服務市場的更公平競爭。
儘管樂觀預測認為整個 AI 技術棧未來可能完全遷移到鏈上，但從當前來看，這一目標仍然面臨數據和計算資源集中化的巨大挑戰，因為這些資源為現有巨頭提供了顯著的競爭優勢。然而，去中心化的協調和計算網絡在提供更個性化、更經濟、更加開放競爭且抗審查的 AI 服務方面，展現了獨特的價值。通過專注於這些價值最為關鍵的細分市場，Web3 可以建立起自己的競爭壁壘，確保這一時代最具影響力的技術能夠在多種方向上共同演進，從而惠及更廣泛的利益相關者，而不是被少數幾家傳統巨頭所壟斷。
最後，我想特別感謝 Placeholder Investment 團隊的全體成員，以及來自 Multicoin Capital 的 Kyle Samani、Canonical VC 的 Anand Iyer、Nectar AI 的 Keccak Wong、Osmosis Labs 的 Alpin Yukseloglu 和 NEAR Foundation 的 Cameron Dennis，他們在本文撰寫過程中提供了審閱和寶貴的反饋意見。
