理解 Web3 蓬勃发展的人工智能生态系统

自 ChatGPT 首次发布以来仅一年多的时间，生成式人工智能无疑已成为当今最具影响力的全球叙事。

OpenAI 的早期成功推动了投资者对大型语言模型 (LLM) 和人工智能应用程序的兴趣激增，在 2023 年吸引了 250 亿美元的资金（同比

您正在阅读《加密多空》，这是我们为专业投资者提供的每周时事通讯，其中包含见解、新闻和分析。

在此注册，每周三将其发送到您的收件箱。

正如我之前所写，人工智能和加密技术相辅相成，因此看到 Web3 中不断发展的人工智能生态系统也就不足为奇了。

尽管受到了如此多的关注，但我注意到人们对这些协议的作用、炒作与真实以及它们如何结合在一起有很多困惑。

本报告将勾勒出 Web3 AI 供应链，定义技术堆栈中的每一层，并探讨各种竞争格局。

最后，您应该对生态系统如何运作以及下一步要注意什么有基本的了解。

Web3 的 AI 技术堆栈

基础设施层

生成式人工智能由法学硕士提供支持，在高性能 GPU 上运行。

法学硕士有三个主要工作负载：训练（模型创建）、微调（部门/主题专业化）和推理（运行模型）。

我已将这一层分为通用 GPU、ML 专用 GPU 和 GPU 聚合器，它们的特点是不同的工作负载能力和用例。

这些 P2P 市场受到加密货币激励，以确保安全的去中心化，

但需要注意的是，实际的 GPU 处理是在链下进行的。

• 通用 GPU：

  GPU 计算能力的加密激励（去中心化）

  市场，可用于任何类型的应用程序。

  鉴于其通用性质，该计算资源最适合仅用于模型推理（最常用的 LLM 工作负载）。

  早期的类别领导者包括 Akash 和 Render，但是，随着许多新进入者的出现，目前尚不清楚协议差异化将如何发挥作用。

  尽管计算在技术上是一种商品，但随着我们将人工智能更多地融入我们的日常生活，Web3 对无需许可、GPU 专用计算的需求将在未来十多年中继续呈指数级增长。

  关键的长期差异化因素将是分布和网络效应。

• ML-specific GPU: These marketplaces are more specific to machine learning (ML) applications and can therefore be used for model training, fine-tuning, and inference. Unlike general-purpose marketplaces, these protocols can better differentiate through the overlay of ML-specific software, but distribution and network effects will also be key. Bittensor has an early lead, but many projects are launching soon.

• GPU Aggregators: These marketplaces aggregate GPU supply from the previous two categories, abstract away networking orchestration, and overlay with ML-specific software. They are like Web2 VARs (valued-added resellers) and can be thought of as product distributors. These protocols offer more complete GPU solutions that can run model training, fine-tuning, and inference. Io.net is the first protocol to emerge in the category, but I expect more competitors to emerge given the need for more consolidated GPU distribution.

Middleware Layer

The previous layer enables permissionless access to GPUs, but middleware is needed to connect this computing resource to on-chain smart contracts in a trust-minimized manner (i.e., for use by Web3 applications). Enter zero-knowledge proofs (ZKPs), a cryptographic method by which one party (prover) can prove to another party (verifier) that a given statement is true, while avoiding conveying to the verifier any information beyond the fact of the statement’s truth. In our case, the “statement” is the LLMs output given specific input.

• Zero-Knowledge (ZK) Inference Verification: Decentralized marketplaces for ZKP verifiers to bid on the opportunity to verify (for compensation) that inference outputs are accurately produced by the desired LLM (while keeping the data and model parameters private). Although ZK technology has come a long way, ZK for machine-learning (zkML) is still early days and must get cheaper and faster to be practical. When it does, it has the potential to dramatically open the Web3 and AI design space, by allowing smart contracts to access LLMs in a decentralized manner. Although still early, =nil;, Giza, and RISC Zero lead developer activity on GitHub. Protocols like Blockless are well positioned whichever ZKP providers win since they act as aggregation & abstraction layers (ZKP distribution).

• 开发人员工具和应用程序中心：

  除了 ZKP 之外，

  Web3

  开发人员

  还需要工具、软件开发套件 (SDK) 和服务来高效构建 AI 代理等应用程序

  （代表用户或具有一定程度的其他程序执行操作的软件实体）。自主权，采用用户目标的表示）

  和人工智能驱动的自动交易策略。

  其中许多协议还兼作应用程序中心，用户可以直接访问在其平台上构建的已完成的应用程序（应用程序分发）。

  早期的领导者包括 Bittensor（目前托管 32 个不同的“子网”（AI 应用程序））和 Fetch.ai（为开发企业级 AI 代理提供全方位服务平台）。

应用层

最后，在技术堆栈的顶部，我们拥有用户界面应用程序，它们利用 Web3 的无需许可的 AI 处理能力（由前两层支持）来完成各种用例的特定任务。

这部分市场仍处于萌芽阶段，仍然依赖集中式基础设施，但早期的例子包括智能合约审计、区块链特定的聊天机器人、元宇宙游戏、图像生成以及交易和风险管理平台。

随着底层基础设施的不断进步和 ZKP 的成熟，下一代人工智能应用程序将出现，其功能在今天很难想象。

目前尚不清楚早期进入者是否能够跟上，或者新的领导者是否会在 2024 年及以后出现。

投资者前景：

披露：M31 Capital持有本文提到的几种代币的头寸。

热点：WEB 人工智能 的人