人工智慧 (AI) 被廣泛認為是本世紀最具變革性的技術之一。自然而然，由 Web3 基礎設施驅動的去中心化 AI 系統的前景具有巨大的概念吸引力。
然而，儘管 Web3-AI 的價值主張看似引人注目，卻未能在更廣泛的 AI 生態系統中取得實質進展。隨著前沿 AI 能力以前所未有的速度發展，Web3 成為下一代 AI 可行基礎的機會之窗正在迅速關閉。
本文探討了一個頗具爭議卻又至關重要的論點：Web3 正在輸掉這場人工智慧競賽。每一次科技革命都會到達一個臨界點，屆時將無法再發動一場真正意義上的顛覆。如果 Web3-AI 不將焦點從膚淺的趨勢轉移到基礎設施上，那麼在去中心化平台上建立下一代人工智慧系統的理由可能會徹底消失。
Web3 AI 敘事謬誤
納西姆·尼古拉斯·塔勒佈在《黑天鵝》中提出了「敘事謬誤」的概念：人們傾向於圍繞著不相關或聯繫薄弱的事件構建連貫的故事。 Web3-AI 的現況就是一個典型的例子。社群對那些在 AI 市場中表現優異但基本上無關緊要的趨勢——AI meme代理、推測性的零知識證明 (zk-AI) 原型——給予了高度讚賞，彷彿它們標誌著該領域的實質進展。儘管存在一些創新，但 Web3-AI 與更廣泛的 AI 生態系統之間日益擴大的鴻溝正在變得難以為繼。
敘事驅動型創新的誘惑，讓 Web3 生態系統誤以為實驗就是進步。結果，資本和注意力往往被錯誤地分配到創新上，而不是基礎能力。這種勢頭的幻覺掩蓋了一個事實：目前 Web3-AI 領域正在建立的大部分內容，與 AI 創新的關鍵路徑並不相符。
人工智慧與科技進化的波浪理論
要理解 Web3-AI 的脆弱處境，不妨看看科技的發展趨勢。首先，突破往往在相互依存的浪潮中層層推進。例如，行動運算受到雲端基礎設施等前幾波浪潮的催化，而 AI 晶片則源自於遊戲硬體的創新。為了在新浪潮中保持競爭力，科技必須紮根於前幾波浪潮。
Web3-AI 缺乏這種連續性。它在生成式人工智慧革命的浪潮中未能發揮重要作用。它錯過了雲端運算、大規模資料工程，甚至早期人工智慧模型開發的周期。因此，Web3-AI 面臨著基礎真空的困境——它就像在沒有衝浪板的情況下乘風破浪。
其次，基礎設施技術市場趨於整合。歷史表明，主導的基礎設施平台幾乎總是會縮減到少數幾個主要參與者。雲端運算圍繞AWS、Azure和GCP融合。行動開發圍繞著iOS和Android穩定下來。大數據圍繞著Snowflake和Databricks合併。人工智慧基礎設施可能會遵循類似的模式。如果Web3-AI無法將自己定位為三大可行平台之一，它就有可能在高度集中的格局中變得無關緊要。
缺乏基礎知識並建立不相關的東西
現代人工智慧堆疊建立在四大基本支柱之上：數據、計算、模型和研究人才。然而，Web3 一直以來都忽略了這四大支柱。它缺乏深厚的人工智慧人才。 Web3 原生沒有大規模的人工智慧資料集。計算基礎設施仍然很原始。而且，目前還沒有廣泛採用的、能夠在去中心化協議上有效運作的人工智慧模型。
這種基礎的匱乏，加上追逐浮誇之物的傾向，更加加劇了這種局面。 Web3-AI 領域的專案往往傾向於一些缺乏明確用例的投機性領域，例如meme代理程式或 zkML。雖然這些想法在理論上很有意思，但它們並非實現或擴展有意義的 AI 能力的核心。就目前的情況而言，它們對推進 AI 基礎設施建設幾乎沒有實際價值。
為了取得真正的進步，Web3-AI 生態系統必須直面這個基礎缺陷。這意味著需要投資人才、建置資料管道、創建高效的運算層，以及開發在去中心化系統上部署時能夠提供實際優勢的模型。
Web3 和 Web2 之間的 AI 差距正在擴大
人工智慧創新正在快速發展，而 Web3 一直只是被動的旁觀者。人工智慧的許多重要里程碑——無監督預訓練、高級微調、檢索增強生成、推理引擎以及代理框架——均未以有意義的方式涉及 Web3 架構。
隨著新版本的不斷迭代，追趕的門檻也越來越高。目前，建構前沿模型的所有關鍵工具、平台和基礎設施都是中心化的。如果不採取緊急、協調一致的措施來改變這種發展軌跡，Web3-AI 將在這個只需數月就能進步的領域落後數十年。
無關風險
人工智慧本質上是一種中心化的力量。訓練前緣模型需要大量資料集、海量運算和專業人才——所有這些都趨向於中心化。去中心化的替代方案面臨深刻的技術和經濟挑戰。
這並不意味著去中心化人工智慧注定失敗。但容錯空間正在消失。除非 Web3.0-AI 大幅加速發展，否則中心化生態系統將佔據主導地位，最終使去中心化成為次要考慮因素。風險並非在於錯過下一個人工智慧趨勢；而是在於它在人工智慧的未來中變得從根本上無關緊要。
警鐘
韌性和Optimism根植於 Web3 的 DNA 之中，近期一些技術實力雄厚的團隊的努力令人鼓舞，例如Nous Research （分散式訓練）、 Prime Intellect （分散式訓練）、 LayerLens （基準測試和評估）、 Pluralis （分散式訓練）、 Sahara （AI 應用）以及其他一些團隊。其中一些團隊開始著手解決核心問題——隱私權保護機器學習、分散式訓練、可驗證推理。
但這些努力仍是例外，而非常態。 Web3-AI 運動仍然缺乏人才、數據、運算、基礎設施和資本。它必須摒棄幹擾，專注於基礎能力。清晰地面對這現實，將有機會改變方向。忽視它意味著錯過歷史上最重要的科技革命。
