文章作者：Lucas Tcheyan文章編譯：Block unicorn
引言
公共區(qū)塊鏈的出現(xiàn)是計算機科學歷史上最深刻的進步之一。而人工智能的發(fā)展將會并且已經(jīng)在對我們的世界產(chǎn)生深遠的影響。如果說區(qū)塊鏈技術(shù)為交易結(jié)算、數(shù)據(jù)存儲和系統(tǒng)設計提供了新的模板，那么人工智能則是計算、分析和內(nèi)容交付方面的一場革命。這兩個行業(yè)的創(chuàng)新正在釋放新的用例，從而可能在未來幾年加速這兩個行業(yè)的采用。本報告探討了加密貨幣和人工智能的持續(xù)集成，重點關(guān)注試圖彌合兩者之間差距、利用兩者力量的新穎用例。具體來說，本報告研究了開發(fā)去中心化計算協(xié)議、零知識機器學習 (zkML) 基礎(chǔ)設施和人工智能代理的項目。
加密貨幣為人工智能提供了無需許可、無需信任且可組合的結(jié)算層。這解鎖了用例，例如通過去中心化計算系統(tǒng)使硬件更容易訪問，構(gòu)建可以執(zhí)行需要價值交換的復雜任務的人工智能代理，以及開發(fā)身份和來源解決方案來對抗 Sybil 攻擊和深度偽造。人工智能為加密貨幣帶來了許多我們在 Web 2 中看到的相同好處。這包括通過大型語言模型（即經(jīng)過專門訓練的 ChatGPT 和 Copilot ）增強用戶和開發(fā)人員的用戶體驗 (UX)，以及顯著地改進智能合約的功能和自動化的潛力。區(qū)塊鏈是人工智能所需的透明的數(shù)據(jù)豐富環(huán)境。 但區(qū)塊鏈的計算能力也有限，這是直接集成人工智能模型的主要障礙。
加密貨幣和人工智能交叉領(lǐng)域正在進行的實驗和最終采用背后的驅(qū)動力與推動加密貨幣最有前途的用例的驅(qū)動力相同——訪問無需許可和去信任化的協(xié)調(diào)層，從而更好地促進價值轉(zhuǎn)移。鑒于巨大的潛力，該領(lǐng)域的參與者需要了解這兩種技術(shù)交叉的基本方式。
要點：
在不久的將來（6個月到1年），加密貨幣和人工智能的集成將由人工智能應用程序主導，這些應用程序可以提高開發(fā)人員的效率、智能合約的可審計性和安全性以及用戶的可訪問性。這些集成并非特定于加密貨幣，而是增強了鏈上開發(fā)人員和用戶體驗。
正如高性能 GPU 嚴重短缺一樣，去中心化計算產(chǎn)品正在實施人工智能定制的 GPU 產(chǎn)品，為采用提供了助力。
用戶體驗和監(jiān)管仍然是吸引去中心化計算客戶的障礙。然而，OpenAI 的最新發(fā)展以及美國正在進行的監(jiān)管審查凸顯了無需許可、抗審查、以及去中心化的人工智能網(wǎng)絡的價值主張。
鏈上人工智能集成，特別是能夠使用人工智能模型的智能合約，需要改進 zkML 技術(shù)和其他驗證鏈下計算的計算方法。缺乏全面的工具和開發(fā)人員人才以及高昂的成本是采用的障礙。
人工智能代理非常適合加密貨幣，用戶（或代理本身）可以創(chuàng)建錢包以與其他服務、代理或人員進行交易。目前使用傳統(tǒng)的金融軌道無法實現(xiàn)這一點。為了更廣泛地采用，需要與非加密產(chǎn)品進行額外的集成。
術(shù)語
人工智能是利用計算和機器來模仿人類的推理和解決問題的能力。
神經(jīng)網(wǎng)絡是人工智能模型的一種訓練方法。他們通過離散的算法層運行輸入，對其進行改進，直到產(chǎn)生所需的輸出。神經(jīng)網(wǎng)絡由具有權(quán)重的方程組成，可以修改權(quán)重來改變輸出。它們可能需要大量的數(shù)據(jù)和計算來進行訓練，以便其輸出準確。這是開發(fā)人工智能模型最常見的方式之一（ChatGPT 使用依賴于 Transformer 的神經(jīng)網(wǎng)絡過程）。
訓練是開發(fā)神經(jīng)網(wǎng)絡和其他人工智能模型的過程。它需要大量數(shù)據(jù)來訓練模型以正確解釋輸入并產(chǎn)生準確的輸出。在訓練過程中，模型方程的權(quán)重不斷修改，直到產(chǎn)生令人滿意的輸出。培訓費用可能非常昂貴。例如，ChatGPT 使用數(shù)萬個自己的 GPU 來處理數(shù)據(jù)。資源較少的團隊通常依賴專門的計算供應商，例如 Amazon Web Services、Azure 和 Google Cloud 供應商。
推理是實際使用 AI 模型來獲取輸出或結(jié)果（例如，使用 ChatGPT 為有關(guān)加密貨幣和 AI 交集的論文創(chuàng)建大綱）。在整個培訓過程和最終產(chǎn)品中都會使用推理。由于計算成本的原因，即使在訓練完成后，它們的運行成本也可能很高，但其計算強度低于訓練。
零知識證明 (ZKP)允許在不泄露基礎(chǔ)信息的情況下驗證聲明。這在加密貨幣中很有用，主要有兩個原因：1) 隱私和 2) 擴展。為了保護隱私，這使用戶能夠在不泄露敏感信息（例如錢包中有多少 ETH）的情況下進行交易。對于擴展而言，它使鏈下計算能夠比重新執(zhí)行計算更快地在鏈上得到證明。這使得區(qū)塊鏈和應用程序能夠廉價地在鏈外運行計算，然后在鏈上驗證它們。有關(guān)零知識及其在以太坊虛擬機中的作用的更多信息，請參閱 Christine Kim 的報告 zkEVMs：以太坊可擴展性的未來。
人工智能/加密貨幣市場地圖
人工智能和加密貨幣集成的項目仍在構(gòu)建支持大規(guī)模鏈上人工智能交互所需的底層基礎(chǔ)設施。
去中心化計算市場正在興起，以提供訓練和推理人工智能模型所需的大量物理硬件，主要以圖形處理單元 (GPU) 的形式。這些雙向市場將那些租賃和尋求租賃計算的人連接起來，促進價值的轉(zhuǎn)移和計算的驗證。在去中心化計算中，正在出現(xiàn)幾個提供附加功能的子類別。除了雙邊市場之外，本報告還將審查專門提供可驗證培訓和微調(diào)輸出的機器學習培訓供應商，以及致力于連接計算和模型生成以實現(xiàn)人工智能的項目，也經(jīng)常被稱為智能激勵網(wǎng)絡。
zkML 是希望以經(jīng)濟有效且及時的方式在鏈上提供可驗證模型輸出的項目的一個新興重點領(lǐng)域。這些項目主要使應用程序能夠處理鏈下繁重的計算請求，然后在鏈上發(fā)布可驗證的輸出，證明鏈下工作負載是完整且準確的。zkML 在當前實例中既昂貴又耗時，但越來越多地被用作解決方案。這在 zkML 供應商和想要利用 AI 模型的 DeFi/游戲應用程序之間的集成數(shù)量不斷增加中顯而易見。
充足的計算供應以及驗證鏈上計算的能力為鏈上人工智能代理打開了大門。代理是經(jīng)過訓練的模型，能夠代表用戶執(zhí)行請求。代理提供了顯著增強鏈上體驗的機會，使用戶只需與聊天機器人對話即可執(zhí)行復雜的交易。然而，就目前而言，代理項目仍然專注于開發(fā)基礎(chǔ)設施和工具，以實現(xiàn)輕松快速地部署。
去中心化計算
概述
人工智能需要大量計算來訓練模型和運行推理。在過去的十年中，隨著模型變得越來越復雜，計算需求呈指數(shù)級增長。例如，OpenAI 發(fā)現(xiàn)，從 2012 年到 2018 年，其模型的計算需求從每兩年翻一番變?yōu)槊咳齻€半月翻一番。這導致對 GPU 的需求激增，一些加密貨幣礦工甚至重新利用其 GPU 來提供云計算服務 。隨著訪問計算的競爭加劇和成本上升，一些項目正在利用加密技術(shù)來提供去中心化計算解決方案。他們以具有競爭力的價格提供按需計算，以便團隊能夠以經(jīng)濟實惠的方式訓練和運行模型。在某些情況下，權(quán)衡可能是性能和安全性。
最先進的 GPU（例如 Nvidia 生產(chǎn)的 GPU）的需求量很大。9 月，Tether 收購了德國比特幣礦商 Northern Data 的股份，據(jù)報道，該公司斥資 4.2 億美元購買了 10,000 個 H100 GPU（用于 AI 訓練的最先進 GPU 之一）。獲得一流硬件的等待時間可能至少為六個月，在許多情況下甚至更長。更糟糕的是，公司經(jīng)常被要求簽署長期合同，以獲取他們甚至可能不會使用的計算量。這可能會導致存在可用計算但市場上不可用的情況。去中心化計算系統(tǒng)有助于解決這些市場效率低下的問題，創(chuàng)建一個二級市場，計算所有者可以在接到通知后立即轉(zhuǎn)租其過剩容量，從而釋放新的供應。
除了有競爭力的定價和可訪問性之外，去中心化計算的關(guān)鍵價值主張是抗審查性。尖端人工智能開發(fā)日益由擁有無與倫比的計算和數(shù)據(jù)訪問能力的大型科技公司主導。2023年的AI指數(shù)年度報告中強調(diào)的第一個關(guān)鍵主題是，工業(yè)界在人工智能模型的開發(fā)方面日益超越學術(shù)界，將控制權(quán)集中在少數(shù)技術(shù)領(lǐng)導者手中。這引發(fā)了人們的擔憂，即他們是否有能力在制定支撐人工智能模型的規(guī)范和價值觀方面產(chǎn)生巨大影響力，特別是在這些科技公司推動監(jiān)管以限制其無法控制的人工智能開發(fā)之后。
去中心化計算的垂直領(lǐng)域
近年來出現(xiàn)了幾種去中心化計算模型，每種模型都有自己的重點和權(quán)衡。
廣義計算
Akash、io.net、iExec、Cudos 等項目都是去中心化計算的應用程序，除了數(shù)據(jù)和通用計算解決方案之外，它們還提供或即將提供用于 AI 訓練和推理的專用計算的訪問權(quán)限。
Akash 是目前唯一完全開源的“超級云”平臺。它是使用 Cosmos SDK 的權(quán)益證明網(wǎng)絡。AKT 是 Akash 的原生代幣，作為一種支付形式，用于保護網(wǎng)絡安全并激勵參與。Akash 于 2020 年推出了第一個主網(wǎng)，專注于提供無需許可的云計算市場，最初以存儲和 CPU 租賃服務為特色。2023 年 6 月，Akash 推出了一個專注于 GPU 的新測試網(wǎng)，并于 9 月推出了 GPU 主網(wǎng)，使用戶能夠租賃 GPU 進行人工智能訓練和推理。
Akash 生態(tài)系統(tǒng)中有兩個主要參與者 - 租戶和供應商。租戶是想要購買計算資源的 Akash 網(wǎng)絡的用戶。供應商是計算供應商。為了匹配租戶和供應商，Akash 依靠逆向拍賣流程。租戶提交他們的計算要求，在其中他們可以指定某些條件，例如服務器的位置或進行計算的硬件類型，以及他們愿意支付的金額。然后，供應商提交他們的要價，最低出價者將獲得任務。
Akash 驗證器維護網(wǎng)絡的完整性。一套驗證器目前限制為 100 個，并計劃隨著時間的推移逐步增加。任何人都可以通過質(zhì)押比當前質(zhì)押 AKT 數(shù)量最少的驗證者更多的 AKT 來成為驗證者。AKT 持有者還可以將其 AKT 委托給驗證者。網(wǎng)絡的交易費用和區(qū)塊獎勵以 AKT 形式分配。此外，對于每筆租賃，Akash 網(wǎng)絡都會按照社區(qū)確定的費率賺取“收取費用”，并將其分配給 AKT 持有者。
二級市場
去中心化計算市場旨在填補現(xiàn)有計算市場的低效率。供應的限制導致公司囤積超出其可能需要的計算資源，并且由于與云供應商的合同結(jié)構(gòu)將客戶鎖定在長期合同中，即使可能不需要持續(xù)訪問，供應也進一步受到限制。去中心化計算平臺釋放了新的供應，使世界上任何擁有計算需求的人都可以成為供應商。
AI 訓練對 GPU 的需求激增是否會轉(zhuǎn)化為 Akash 上的長期網(wǎng)絡使用還有待觀察。 例如，Akash 長期以來一直為 CPU 提供市場，以 70-80% 的折扣提供與集中式替代品類似的服務。 然而，較低的價格并沒有帶來顯著的采用。 網(wǎng)絡上的活躍租約已經(jīng)趨于平緩，到 2023 年第二季度，平均只有 33% 的計算、16% 的內(nèi)存和 13% 的存儲。雖然這些都是鏈上采用的令人印象深刻的指標（作為參考，領(lǐng)先的存儲提供商 Filecoin 已經(jīng) 2023 年第三季度存儲利用率為 12.6%），這表明這些產(chǎn)品的供應仍然超過需求。
Akash 推出 GPU 網(wǎng)絡已經(jīng)過去了半年多的時間，現(xiàn)在準確評估長期采用率還為時過早。迄今為止，GPU 的平均利用率為 44%，高于 CPU、內(nèi)存和存儲，這是需求的一個跡象。這主要是由對最高質(zhì)量 GPU（如 A100）的需求推動的，超過 90% 已出租。
Akash 的每日支出也有所增加，相對于 GPU 出現(xiàn)之前幾乎翻了一番。 這部分歸因于其他服務使用量的增加，尤其是 CPU，但主要是新 GPU 使用量的結(jié)果。
定價與 Lambda Cloud 和 Vast.ai 等中心化競爭對手相當（或者在某些情況下甚至更貴）。對最高端 GPU（例如 H100 和 A100）的巨大需求意味著該設備的大多數(shù)所有者對在面臨競爭性定價的市場上市興趣不大。
雖然初期的利潤是正向的，但采用仍然存在障礙（下面進一步討論）。 去中心化計算網(wǎng)絡需要采取更多措施來產(chǎn)生需求和供應，團隊正在嘗試如何最好地吸引新用戶。 例如，2024 年初，Akash 通過了第 240 號提案，增加 GPU 供應商的 AKT 排放量并激勵更多供應，特別針對高端 GPU。 團隊還致力于推出概念驗證模型，向潛在用戶展示其網(wǎng)絡的實時功能。 Akash 正在訓練他們自己的基礎(chǔ)模型，并且已經(jīng)推出了聊天機器人和圖像生成產(chǎn)品，可以使用 Akash GPU 創(chuàng)建輸出。 同樣，io.net 開發(fā)了一個穩(wěn)定的擴散模型，并正在推出新的網(wǎng)絡功能，以更好地模仿網(wǎng)絡的性能和規(guī)模。
去中心化機器學習培訓
除了能夠滿足人工智能需求的通用計算平臺外，一組專注于機器學習模型訓練的專業(yè)人工智能GPU供應商也正在興起。例如，Gensyn 正在“協(xié)調(diào)電力和硬件來構(gòu)建集體智慧”，其觀點是，“如果有人想要訓練某種東西，并且有人愿意訓練它，那么就應該允許這種訓練發(fā)生?！?/p>
該協(xié)議有四個主要參與者：提交者、解決者、驗證者和舉報人。提交者向網(wǎng)絡提交帶有培訓請求的任務。這些任務包括訓練目標、要訓練的模型和訓練數(shù)據(jù)。作為提交過程的一部分，提交者需要為解決者所需的估計計算量預先支付費用。
提交后，任務將分配給對模型進行實際訓練的解決者。然后，解決者將已完成的任務提交給驗證者，驗證者負責檢查訓練以確保正確完成。舉報人有責任確保驗證者誠實行事。為了激勵舉報人參與網(wǎng)絡，Gensyn 計劃定期提供故意錯誤的證據(jù)，獎勵舉報人抓住他們。
除了為人工智能相關(guān)工作負載提供計算之外，Gensyn 的關(guān)鍵價值主張是其驗證系統(tǒng)，該系統(tǒng)仍在開發(fā)中。為了確保 GPU 提供商的外部計算正確執(zhí)行（即確保用戶的模型按照他們想要的方式進行訓練），驗證是必要的。Gensyn 采用獨特的方法解決了這個問題，利用了稱為“概率學習證明、基于圖形的精確協(xié)議和 Truebit 式激勵游戲”的新穎驗證方法。這是一種樂觀求解模式，允許驗證者確認解決者已正確運行模型，而無需自己完全重新運行模型，這是一個成本高昂且低效的過程。
除了其創(chuàng)新的驗證方法之外，Gensyn 還聲稱相對于中心化替代方案和加密貨幣競爭對手而言具有成本效益 - 提供的 ML 培訓價格比 AWS 便宜高達 80%，同時在測試方面勝過 Truebit 等類似項目。
這些初步結(jié)果是否可以在去中心化網(wǎng)絡中大規(guī)模復制還有待觀察。Gensyn 希望利用小型數(shù)據(jù)中心、零售用戶以及未來手機等小型移動設備等供應商的多余計算能力。然而，正如 Gensyn 團隊自己承認的那樣，依賴異構(gòu)計算供應商帶來了一些新的挑戰(zhàn)。
對于谷歌云和 Coreweave 等中心化供應商來說，計算成本昂貴，而計算之間的通信（帶寬和延遲）卻很便宜。這些系統(tǒng)旨在盡快實現(xiàn)硬件之間的通信。Gensyn 顛覆了這一框架，通過讓世界上任何人都可以提供 GPU 來降低計算成本，但同時也增加了通信成本，因為網(wǎng)絡現(xiàn)在必須在相距較遠的異構(gòu)硬件上協(xié)調(diào)計算作業(yè)。Gensyn 尚未推出，但它是構(gòu)建去中心化機器學習訓練協(xié)議時可能實現(xiàn)的概念證明。
去中心化一般智能
去中心化計算平臺也為人工智能創(chuàng)建方法的設計提供了可能性。Bittensor 是一種基于 Substrate 構(gòu)建的去中心化計算協(xié)議，試圖解答“我們?nèi)绾螌⑷斯ぶ悄苻D(zhuǎn)變?yōu)閰f(xié)作方法？”。Bittensor 旨在實現(xiàn)人工智能生成的去中心化和商品化。該協(xié)議于 2021 年推出，希望利用協(xié)作機器學習模型的力量來不斷迭代并產(chǎn)生更好的人工智能。
Bittensor 從比特幣中汲取靈感，其原生貨幣 TAO 的供應量為 2100 萬，減半周期為四年（第一次減半將于 2025 年）。Bittensor 不是使用工作量證明來生成正確的隨機數(shù)并獲得區(qū)塊獎勵，而是依賴于“智能證明”，要求礦工運行模型來響應推理請求而生成輸出。
激勵智能
Bittensor 最初依賴專家混合 (MoE) 模型來生成輸出。當提交推理請求時，MoE 模型不會依賴一個廣義模型，而是將推理請求轉(zhuǎn)發(fā)給給定輸入類型的最準確的模型。想象一下建造一棟房子，您聘請了各種專家來負責施工過程的不同方面（例如：建筑師、工程師、油漆工、建筑工人等......）。MoE 將其應用于機器學習模型，嘗試根據(jù)輸入利用不同模型的輸出。正如 Bittensor 創(chuàng)始人 Ala Shaabana 所解釋的那樣，這就像“與一屋子聰明人交談并獲得最佳答案，而不是與一個人交談”。由于在確保正確路由、消息同步到正確模型以及激勵方面存在挑戰(zhàn)，這種方法已被擱置，直到項目得到進一步開發(fā)。
Bittensor 網(wǎng)絡中有兩個主要參與者：驗證者和礦工。驗證者的任務是向礦工發(fā)送推理請求，審查他們的輸出，并根據(jù)他們的響應質(zhì)量對它們進行排名。為了確保他們的排名可靠，驗證者會根據(jù)他們的排名與其他驗證者排名的一致程度給予“vtrust”分數(shù)。驗證者的 vtrust 分數(shù)越高，他們獲得的 TAO 排放量就越多。這是為了激勵驗證者隨著時間的推移就模型排名達成共識，因為就排名達成一致的驗證者越多，他們的個人 vtrust 分數(shù)就越高。
礦工，也稱為服務器，是運行實際機器學習模型的網(wǎng)絡參與者。礦工們相互競爭，為驗證者提供針對給定查詢的最準確的輸出，輸出越準確，賺取的 TAO 排放就越多。礦工可以按照自己的意愿生成這些輸出。例如，在未來的情況下，Bittensor 礦工完全有可能之前在 Gensyn 上訓練過模型，并用它們來賺取 TAO 排放量。
如今，大多數(shù)交互直接發(fā)生在驗證者和礦工之間。驗證者向礦工提交輸入并請求輸出（即訓練模型）。一旦驗證者查詢網(wǎng)絡上的礦工并收到他們的響應，他們就會對礦工進行排名并將其排名提交到網(wǎng)絡。
驗證者（依賴 PoS）和礦工（依賴模型證明，PoW 的一種形式）之間的這種互動被稱為 Yuma 共識。它旨在激勵礦工產(chǎn)生最好的輸出來賺取 TAO 的排放，并激勵驗證者對礦工輸出進行準確排名，以獲得更高的 vtrust 分數(shù)并增加他們的 TAO 獎勵，從而形成網(wǎng)絡的共識機制。
子網(wǎng)和應用程序
Bittensor 上的交互主要包括驗證者向礦工提交請求并評估其輸出。然而，隨著貢獻礦工的質(zhì)量提高和網(wǎng)絡整體智能的增長，Bittensor 將在其現(xiàn)有堆棧之上創(chuàng)建一個應用程序?qū)?，以便開發(fā)人員可以構(gòu)建查詢 Bittensor 網(wǎng)絡的應用程序。
2023 年 10 月，Bittensor 通過 Revolution 升級引入了子網(wǎng)，朝著實現(xiàn)這一目標邁出了重要一步。子網(wǎng)是 Bittensor 上激勵特定行為的單獨網(wǎng)絡。Revolution 向任何有興趣創(chuàng)建子網(wǎng)的人開放網(wǎng)絡。自發(fā)布以來的幾個月內(nèi)，已經(jīng)啟動了超過 32 個子網(wǎng)，包括用于文本提示、數(shù)據(jù)抓取、圖像生成和存儲的子網(wǎng)。隨著子網(wǎng)的成熟并成為產(chǎn)品就緒，子網(wǎng)創(chuàng)建者還將創(chuàng)建應用程序集成，使團隊能夠構(gòu)建查詢特定子網(wǎng)的應用程序。一些應用程序（如聊天機器人、圖像生成器、推特回復機器人、預測市場）目前確實存在，但除了 Bittensor 基金會的資助之外，沒有正式的激勵措施讓驗證者接受和轉(zhuǎn)發(fā)這些查詢。
為了提供更清晰的說明，下面是一個示例，說明應用程序集成到網(wǎng)絡中后 Bittensor 可能如何工作。
子網(wǎng)根據(jù)根網(wǎng)絡評估的性能賺取 TAO。根網(wǎng)絡位于所有子網(wǎng)之上，本質(zhì)上充當一種特殊的子網(wǎng)，并由 64 個最大的子網(wǎng)驗證者按權(quán)益進行管理。根網(wǎng)絡驗證器根據(jù)子網(wǎng)的性能對子網(wǎng)進行排名，并定期將 TAO 排放分配給子網(wǎng)。通過這種方式，各個子網(wǎng)充當根網(wǎng)絡的礦工。
Bittensor的展望
Bittensor 仍在經(jīng)歷成長的煩惱，因為它擴展了協(xié)議的功能以激勵跨多個子網(wǎng)的智能生成。礦工們不斷設計新的方法來攻擊網(wǎng)絡以獲得更多 TAO 的獎勵，例如通過稍微修改其模型運行的高評價推理的輸出，然后提交多個變體。影響整個網(wǎng)絡的治理提案只能由完全由 Opentensor 基金會利益相關(guān)者組成的 Triumvirate 提交和實施（值得注意的是，提案需要在實施之前得到由 Bittensor 驗證者組成的 Bittensor 參議院的批準）。該項目的代幣經(jīng)濟正在進行修改，以提高對 TAO 跨子網(wǎng)使用的激勵。該項目還因其獨特的方法而迅速聲名狼藉，最受歡迎的人工智能網(wǎng)站之一 HuggingFace 的首席執(zhí)行官表示 Bittensor 應該將其資源添加到該網(wǎng)站。
在核心開發(fā)人員最近發(fā)表的一篇名為“Bittensor Paradigm”的文章中，該團隊闡述了 Bittensor 的愿景，即最終發(fā)展為“對所測量的內(nèi)容不可知”。理論上，這可以使 Bittensor 開發(fā)子網(wǎng)來激勵由 TAO 提供支持的任何類型的行為。仍然存在相當大的實際限制——最值得注意的是，證明這些網(wǎng)絡能夠擴展以處理如此多樣化的流程，并且潛在的激勵措施推動的進步超過了中心化產(chǎn)品。
為人工智能模型構(gòu)建去中心化計算堆棧
上述部分提供了正在開發(fā)的各種類型的去中心化人工智能計算協(xié)議的深度概述。在開發(fā)和采用的早期，它們提供了生態(tài)系統(tǒng)的基礎(chǔ)，最終可以促進“人工智能構(gòu)建塊”的創(chuàng)建，例如 DeFi 的“金錢樂高”概念。無需許可的區(qū)塊鏈的可組合性為每個協(xié)議構(gòu)建在另一個協(xié)議之上提供了可能性，以提供更全面的去中心化人工智能生態(tài)系統(tǒng)。
例如，這是 Akash、Gensyn 和 Bittensor 可能全部交互以響應推理請求的一種方式。
需要明確的是，這只是未來可能發(fā)生的事情的一個例子，而不是當前生態(tài)系統(tǒng)、現(xiàn)有合作伙伴關(guān)系或可能結(jié)果的代表。相互操作性的限制以及下面描述的其他考慮因素極大地限制了當今的集成可能性。 除此之外，流動性分散和使用多種代幣的需要可能會損害用戶體驗，Akash 和 Bittensor 的創(chuàng)始人都指出了這一點。
其他去中心化產(chǎn)品
除了計算之外，還推出了其他幾種去中心化基礎(chǔ)設施服務，以支持加密貨幣新興的人工智能生態(tài)系統(tǒng)。列出所有這些超出了本報告的范圍，但一些有趣且有說明性的示例包括：
Ocean：一個去中心化的數(shù)據(jù)市場。用戶可以創(chuàng)建代表其數(shù)據(jù)的數(shù)據(jù) NFT，并可以使用數(shù)據(jù)代幣進行購買。用戶既可以將其數(shù)據(jù)貨幣化，又可以對其擁有更大的主權(quán)，同時為人工智能團隊提供開發(fā)和訓練模型所需的數(shù)據(jù)的訪問權(quán)限。
Grass：去中心化的帶寬市場。用戶可以將多余的帶寬出售給人工智能公司，后者利用這些帶寬從互聯(lián)網(wǎng)上抓取數(shù)據(jù)。建立在 Wynd 網(wǎng)絡之上，這不僅使個人能夠?qū)⑵鋷捸泿呕?，而且還為帶寬購買者提供了更多樣化的觀點來了解個人用戶在網(wǎng)上看到的內(nèi)容（因為個人的互聯(lián)網(wǎng)訪問通常是根據(jù)其 IP 地址專門定制的） ）。
HiveMapper：構(gòu)建一個分散的地圖產(chǎn)品，其中包含從日常汽車駕駛員收集的信息。HiveMapper 依靠 AI 來解釋從用戶儀表板攝像頭收集的圖像，并獎勵用戶通過強化人類學習反饋 (RHLF) 幫助微調(diào) AI 模型的代幣。
總的來說，這些都指向探索支持人工智能模型的去中心化市場模型或開發(fā)它們所需的周邊基礎(chǔ)設施的幾乎無限的機會。目前，這些項目大多處于概念驗證階段，需要更多的研究和開發(fā)來證明它們能夠以提供全面人工智能服務所需的規(guī)模運行。
展望
去中心化計算產(chǎn)品仍處于開發(fā)的早期階段。他們剛剛開始推出最先進的計算能力，能夠在生產(chǎn)中訓練最強大的人工智能模型。為了獲得有意義的市場份額，他們需要展示與中心化替代方案相比的實際優(yōu)勢。更廣泛采用的潛在觸發(fā)因素包括：
GPU 的供應/需求。GPU 的稀缺加上快速增長的計算需求正在導致 GPU 軍備競賽。由于 GPU 的限制，OpenAI 已經(jīng)一度限制對其平臺的訪問。Akash 和 Gensyn 等平臺可以為需要高性能計算的團隊提供具有成本競爭力的替代方案。對于去中心化計算供應商來說，未來 6-12 個月是一個特別獨特的機會來吸引新用戶，由于缺乏更廣泛的市場準入，這些新用戶被迫考慮去中心化產(chǎn)品。再加上 Meta 的 LLaMA2 等性能日益提高的開源模型，用戶在部署有效的微調(diào)模型時不再面臨同樣的障礙，使計算資源成為主要瓶頸。然而，平臺本身的存在并不能確保足夠的計算供應和消費者的相應需求。采購高端 GPU 仍然很困難，而且成本并不總是需求方的主要動機。這些平臺將面臨挑戰(zhàn)，以展示使用去中心化計算選項的實際好處（無論是由于成本、審查阻力、正常運行時間和彈性還是可訪問性）來積累粘性用戶。他們必須快速行動。GPU 基礎(chǔ)設施投資和建設正在以驚人的速度進行。
規(guī)定。監(jiān)管仍然是去中心化計算運動的阻力。短期內(nèi)，缺乏明確的監(jiān)管意味著供應商和用戶都面臨使用這些服務的潛在風險。如果供應商提供計算或買方在不知情的情況下從受制裁實體購買計算怎么辦？用戶可能會猶豫是否使用缺乏中心化實體控制和監(jiān)督的去中心化平臺。協(xié)議試圖通過將控件納入其平臺或添加過濾器以僅訪問已知的計算供應商（即提供了解你的客戶（KYC）信息）來減輕這些擔憂，但需要采用更強大的方法來保護隱私，同時確保合規(guī)性。短期內(nèi)，我們可能會看到 KYC 和合規(guī)平臺的出現(xiàn)，這些平臺限制對其協(xié)議的訪問，以解決這些問題。此外，圍繞美國可能的新監(jiān)管框架的討論（以《關(guān)于安全、可靠和值得信賴的人工智能開發(fā)和使用的行政命令》的發(fā)布為最佳例證）凸顯了進一步限制 GPU 獲取的監(jiān)管行動的潛力。
審查制度。監(jiān)管是雙向的，去中心化的計算產(chǎn)品可以從限制人工智能訪問的行動中受益。除了行政命令之外，OpenAI 創(chuàng)始人 Sam Altman 還在國會作證，說明監(jiān)管機構(gòu)需要為人工智能開發(fā)頒發(fā)許可證。關(guān)于人工智能監(jiān)管的討論才剛剛開始，但任何此類限制訪問或?qū)彶槿斯ぶ悄芄δ艿膰L試都可能加速不存在此類障礙的去中心化平臺的采用。11 月的 OpenAI 領(lǐng)導層變動（或缺乏）進一步表明，將最強大的現(xiàn)有人工智能模型的決策權(quán)授予少數(shù)人是存在風險的。此外，所有人工智能模型都必然反映了創(chuàng)建它們的人的偏見，無論是有意還是無意。消除這些偏差的一種方法是使模型盡可能開放地進行微調(diào)和訓練，確保任何地方的任何人都可以訪問各種類型和偏差的模型。
數(shù)據(jù)隱私。當與為用戶提供數(shù)據(jù)自主權(quán)的外部數(shù)據(jù)和隱私解決方案集成時，去中心化計算可能會比集中式替代方案更具吸引力。當三星意識到工程師正在使用 ChatGPT 幫助芯片設計并將敏感信息泄露給 ChatGPT 時，三星成為了受害者。Phala Network 和 iExec 聲稱為用戶提供 SGX 安全飛地來保護用戶數(shù)據(jù)，并且正在進行的完全同態(tài)加密研究可以進一步解鎖確保隱私的去中心化計算。隨著人工智能進一步融入我們的生活，用戶將更加重視能夠在具有隱私保護的應用程序上運行模型。用戶還需要支持數(shù)據(jù)可組合性的服務，以便他們可以將數(shù)據(jù)從一種模型無縫移植到另一種模型。
用戶體驗（UX）。用戶體驗仍然是更廣泛采用所有類型的加密應用程序和基礎(chǔ)設施的重大障礙。這對于去中心化計算產(chǎn)品來說并沒有什么不同，并且在某些情況下，由于開發(fā)人員需要了解加密貨幣和人工智能，這會加劇這種情況。需要從基礎(chǔ)知識進行改進，例如加入并提取出與區(qū)塊鏈的交互，以提供與當前市場領(lǐng)導者相同的高質(zhì)量輸出。鑒于許多提供更便宜產(chǎn)品的可操作的去中心化計算協(xié)議很難獲得常規(guī)使用，這一點顯而易見。
智能合約和 zkML
智能合約是任何區(qū)塊鏈生態(tài)系統(tǒng)的核心構(gòu)建塊。在給定一組特定條件的情況下，它們會自動執(zhí)行并減少或消除對受信任第三方的需求，從而能夠創(chuàng)建復雜的去中心化應用程序，例如 DeFi 中的應用程序。然而，智能合約的功能仍然有限，因為它們根據(jù)必須更新的預設參數(shù)執(zhí)行。
例如，部署借出/借入?yún)f(xié)議的智能合約，其中包含根據(jù)特定貸款與價值比率何時清算頭寸的規(guī)范。雖然在靜態(tài)環(huán)境中有用，但在風險不斷變化的動態(tài)情況下，這些智能合約必須不斷更新以適應風險承受能力的變化，這給不通過集中流程管理的合約帶來了挑戰(zhàn)。例如，依賴去中心化治理流程的 DAO 可能無法快速反應以應對系統(tǒng)性風險。
集成人工智能（即機器學習模型）的智能合約是增強功能、安全性和效率同時改善整體用戶體驗的一種可能方法。然而，這些集成也帶來了額外的風險，因為不可能確保支撐這些智能合約的模型不會被利用或解釋長尾情況（鑒于數(shù)據(jù)輸入的稀缺，長尾情況很難訓練模型）。
零知識機器學習（zkML）
機器學習需要大量的計算來運行復雜的模型，這使得人工智能模型由于成本高昂而無法直接在智能合約中運行。例如，為用戶提供收益優(yōu)化模型的 DeFi 協(xié)議，如果不支付過高的Gas費用，將很難在鏈上運行該模型。一種解決方案是增加底層區(qū)塊鏈的計算能力。然而，這也增加了對鏈驗證器集的要求，可能會破壞去中心化特性。相反，一些項目正在探索使用 zkML 以去信任化的方式驗證輸出，而不需要密集的鏈上計算。
說明 zkML 有用性的一個常見示例是，當用戶需要其他人通過模型運行數(shù)據(jù)并驗證其交易對手實際上運行了正確的模型時。也許開發(fā)人員正在使用去中心化計算供應商來訓練他們的模型，并擔心該供應商試圖通過使用輸出差異幾乎無法察覺的且更便宜的模型來削減成本。zkML 使計算供應商能夠通過其模型運行數(shù)據(jù)，然后生成可以在鏈上驗證的證明，以證明給定輸入的模型輸出是正確的。在這種情況下，模型提供者將具有額外的優(yōu)勢，即能夠提供他們的模型，而不必透露產(chǎn)生輸出的基礎(chǔ)權(quán)重。
也可以做相反的事情。如果用戶想要使用他們的數(shù)據(jù)運行模型，但由于隱私問題（即，在醫(yī)療檢查或?qū)Ｓ猩虡I(yè)信息的情況下），不希望提供模型的項目訪問他們的數(shù)據(jù)，那么用戶可以在他們的數(shù)據(jù)上運行模型而不共享數(shù)據(jù)，然后通過證明驗證他們運行了正確的模型。這些可能性通過解決令人望而卻步的計算限制，極大地擴展了人工智能和智能合約功能集成的設計空間。
基礎(chǔ)設施和工具
鑒于 zkML 領(lǐng)域的早期狀態(tài)，開發(fā)主要集中在構(gòu)建團隊所需的基礎(chǔ)設施和工具，以將其模型和輸出轉(zhuǎn)換為可以在鏈上驗證的證明。這些產(chǎn)品盡可能地提取了零知識方面的開發(fā)。
EZKL 和 Giza 是通過提供機器學習模型執(zhí)行的可驗證證明來構(gòu)建此工具的兩個項目。兩者都幫助團隊構(gòu)建機器學習模型，以確保這些模型能夠以可以在鏈上以可信方式驗證結(jié)果的形式執(zhí)行。這兩個項目都使用開放神經(jīng)網(wǎng)絡交換 (ONNX) 將用 TensorFlow 和 Pytorch 等通用語言編寫的機器學習模型轉(zhuǎn)換為標準格式。然后，他們輸出這些模型的版本在執(zhí)行時也會生成 zk 證明。EZKL 是開源的，生產(chǎn) zk-SNARKS，而 Giza 是閉源的，生產(chǎn) zk-STARKS。這兩個項目目前僅兼容 EVM。
過去幾個月，EZKL 在增強 zkML 解決方案方面取得了重大進展，主要側(cè)重于降低成本、提高安全性和加快證明生成速度。例如，2023 年 11 月，EZKL 集成了一個新的開源 GPU 庫，可將聚合證明時間縮短 35%；1 月，EZKL 發(fā)布了 Lilith，這是一種軟件解決方案，用于在使用 EZKL 證明時集成高性能計算集群和編排并發(fā)作業(yè)系統(tǒng)。Giza 的獨特之處在于，除了提供用于創(chuàng)建可驗證的機器學習模型的工具外，他們還計劃實現(xiàn)相當于 Hugging Face 的 web3，為 zkML 協(xié)作和模型共享開放用戶市場，并最終集成去中心化計算產(chǎn)品。一月份，EZKL 發(fā)布了一項基準評估，比較了 EZKL、Giza 和 RiscZero（如下所述）的性能。EZKL 展示了更快的證明時間和內(nèi)存使用。
Modulus Labs 還在開發(fā)一種專為 AI 模型定制的新的zk證明技術(shù)。 Modulus 發(fā)表了一篇名為《智能成本》的論文（暗示在鏈上運行 AI 模型的成本極高），該論文對當時現(xiàn)有的zk證明系統(tǒng)進行了基準測試，以確定改進 AI 模型里zk證明的能力和瓶頸。 該論文于 2023 年 1 月發(fā)布，表明現(xiàn)有產(chǎn)品過于昂貴且效率低下，無法大規(guī)模實現(xiàn)人工智能應用。 在最初研究的基礎(chǔ)上，Modulus 在 11 月推出了 Remainder，這是一種專門的零知識證明器，專門用于降低 AI 模型的成本和證明時間，其目標是使項目在經(jīng)濟上可行，將模型大規(guī)模集成到智能合約中。 他們的工作是閉源的，因此無法與上述解決方案進行基準測試，但最近在 Vitalik 關(guān)于加密和人工智能的博客文章中引用了他們的工作。
工具和基礎(chǔ)設施開發(fā)對于 zkML 空間的未來增長至關(guān)重要，因為它可以顯著減少需要部署運行可驗證的鏈下計算與所需的zk團隊的線路的摩擦。創(chuàng)建安全接口，使從事機器學習工作的非加密原生構(gòu)建者能夠?qū)⑺麄兊哪Ｐ蛶У芥溕?，這將使應用程序能夠通過真正新穎的用例進行更大的實驗。工具還解決了更廣泛采用 zkML 的一個主要障礙，即缺乏知識淵博且對零知識、機器學習和密碼學交叉領(lǐng)域工作感興趣的開發(fā)人員。
協(xié)處理器
正在開發(fā)的其他解決方案（稱為“協(xié)處理器”）包括 RiscZero、Axiom 和 Ritual。協(xié)處理器這個術(shù)語主要是語義上的——這些網(wǎng)絡履行許多不同的角色，包括驗證鏈上的鏈下計算。與 EZKL、Giza 和 Modulus 一樣，他們的目標是完全提取零知識證明生成的過程，創(chuàng)建本質(zhì)上能夠執(zhí)行鏈下程序并生成鏈上驗證證明的零知識虛擬機。RiscZero 和 Axiom 可以為簡單的 AI 模型提供服務，因為它們是更通用的協(xié)處理器，而 Ritual 是專門為與 AI 模型一起使用而構(gòu)建的。
Infernet 是 Ritual 的第一個實例，包含一個Infernet SDK，允許開發(fā)人員向網(wǎng)絡提交推理請求并接收輸出和證明（可選）作為回報。Infernet的節(jié)點接收這些請求并在返回輸出之前處理鏈下計算。例如，DAO 可以創(chuàng)建一個流程，確保所有新的治理提案在提交之前滿足某些先決條件。每次提交新提案時，治理合約都會通過Infernet 觸發(fā)推理請求，調(diào)用 DAO 特定治理訓練的 AI 模型。該模型會審查提案，以確保提交所有必要的標準，并返回輸出和證據(jù)，批準或拒絕提案的提交。
在接下來的一年里，Ritual 團隊計劃推出更多功能，形成稱為 Ritual 超級鏈的基礎(chǔ)設施層。前面討論的許多項目都可以作為服務供應商插入 Ritual。Ritual 團隊已經(jīng)與 EZKL 集成以生成證明，并且可能很快會添加其他領(lǐng)先供應商的功能。Ritual 上的 Infernet 節(jié)點還可以使用 Akash 或 io.net GPU 以及在 Bittensor 子網(wǎng)上訓練的查詢模型。他們的最終目標是成為開放人工智能基礎(chǔ)設施的首選供應商，能夠為任何網(wǎng)絡、任何工作負載的機器學習和其他人工智能相關(guān)任務提供服務。
應用程序
zkML有助于調(diào)和區(qū)塊鏈和人工智能之間的矛盾，前者本質(zhì)上是資源受限的，而后者則需要大量的計算和數(shù)據(jù)。正如 Giza 的一位創(chuàng)始人所說，“用例非常豐富……這有點像以太坊早期問智能合約的用例是什么……我們所做的只是擴展智能合約的用例?！?然而，如上所述，當今的開發(fā)主要發(fā)生在工具和基礎(chǔ)設施級別。應用程序仍處于探索階段，團隊面臨的挑戰(zhàn)是證明使用 zkML 實現(xiàn)模型所產(chǎn)生的價值超過了其復雜性和成本。
目前的一些應用包括：
去中心化金融。zkML通過增強智能合約的能力，升級了DeFi的設計空間。DeFi 協(xié)議為機器學習模型提供大量可驗證且不可變的數(shù)據(jù)，可用于生成收益或交易策略、風險分析、用戶體驗等。例如，Giza 與 Yearn Finance 合作，為 Yearn 的新 v3 金庫構(gòu)建概念驗證自動風險評估引擎。Modulus Labs 與 Lyra Finance 合作將機器學習納入其 AMM，與 Ion Protocol 合作實施分析驗證者風險的模型，并幫助 Upshot 驗證其人工智能支持的 NFT 價格信息。NOYA（利用 EZKL）和 Mozaic 等協(xié)議提供了對專有鏈下模型的訪問，這些模型使用戶能夠訪問自動化流動性挖礦，同時使他們能夠驗證鏈上的數(shù)據(jù)輸入和證明。Spectral Finance 正在構(gòu)建鏈上信用評分引擎，以預測 Compound 或 Aave 借款人拖欠貸款的可能性。由于 zkML，這些所謂的“De-Ai-Fi”產(chǎn)品在未來幾年可能會變得更加流行。
游戲。 長期以來，游戲一直被認為可以通過公共區(qū)塊鏈進行顛覆和增強。zkML 使人工智能的鏈上游戲成為可能。Modulus Labs 已經(jīng)實現(xiàn)了簡單鏈上游戲的概念驗證。Leela vs the World 是一款博弈論國際象棋游戲，用戶在其中對抗 AI 國際象棋模型，zkML 驗證 Leela 所做的每一步都是基于游戲運行的模型。同樣，團隊也使用 EZKL 框架來構(gòu)建簡單的歌唱比賽和鏈上井字棋。Cartridge 正在使用 Giza 使團隊能夠部署完全鏈上游戲，最近重點介紹了一款簡單的人工智能駕駛游戲，用戶可以競爭為試圖避開障礙物的汽車創(chuàng)建更好的模型。雖然很簡單，但這些概念驗證指向未來的實現(xiàn)，能夠?qū)崿F(xiàn)更復雜的鏈上驗證，例如能夠與游戲內(nèi)經(jīng)濟體進行交互的復雜 NPC 演員，如《AI Arena》中所見，這是一款超級粉碎兄弟游戲，玩家可以在其中訓練自己的戰(zhàn)士， 然后部署為人工智能模型進行戰(zhàn)斗。
身份、出處和隱私。加密貨幣已經(jīng)被用作驗證真實性和打擊越來越多的人工智能生成/操縱內(nèi)容和深度偽造的手段。zkML 可以推進這些努力。WorldCoin 是一種身份證明解決方案，要求用戶掃描虹膜以生成唯一的 ID。未來，生物識別 ID 可以使用加密存儲在個人設備上進行自我托管，并使用驗證本地運行的生物識別所需的模型。然后，用戶可以提供生物識別證據(jù)，而無需透露自己的身份，從而在確保隱私的同時抵御女巫攻擊。這也可以應用于需要隱私的其他推論，例如使用模型分析醫(yī)療數(shù)據(jù)/圖像來檢測疾病、驗證人格并在約會應用程序中開發(fā)匹配算法，或者需要驗證財務信息的保險和貸款機構(gòu)。
展望
zkML 仍處于實驗階段，大多數(shù)項目都專注于構(gòu)建基礎(chǔ)設施原語和概念證明。如今的挑戰(zhàn)包括計算成本、內(nèi)存限制、模型復雜性、有限的工具和基礎(chǔ)設施以及開發(fā)人員人才。簡而言之，在 zkML 能夠以消費產(chǎn)品所需的規(guī)模實施之前，還有相當多的工作要做。
然而，隨著該領(lǐng)域的成熟以及這些限制的解決，zkML 將成為人工智能和加密集成的關(guān)鍵組成部分。從本質(zhì)上講，zkML 承諾能夠?qū)⑷魏我?guī)模的鏈外計算引入鏈上，同時保持與鏈上運行相同或接近相同的安全保證。然而，在這一愿景實現(xiàn)之前，該技術(shù)的早期用戶將繼續(xù)必須在 zkML 的隱私和安全性與替代方案的效率之間進行權(quán)衡。
人工智能代理
人工智能和加密貨幣最令人興奮的集成之一是正在進行的人工智能代理實驗。代理是能夠使用人工智能模型接收、解釋和執(zhí)行任務的自主機器人。這可以是任何事情，從擁有一個隨時可用的根據(jù)您的偏好進行微調(diào)的個人助理，到雇用一個根據(jù)您的風險偏好來管理和調(diào)整您的投資組合的金融代理人。
由于加密貨幣提供了無需許可和去信任化的支付基礎(chǔ)設施，代理和加密貨幣可以很好地結(jié)合在一起。經(jīng)過培訓后，代理將獲得一個錢包，以便他們可以自行使用智能合約進行交易。例如，今天的代理可以在互聯(lián)網(wǎng)上抓取信息，然后根據(jù)模型在預測市場上進行交易。
代理供應商
Morpheus 是 2024 年在以太坊和 Arbitrum 上上線的最新開源代理項目之一。其白皮書于 2023 年 9 月匿名發(fā)布，為社區(qū)的形成和構(gòu)建提供了基礎(chǔ)（包括 Erik Vorhees 等著名人物） 。該白皮書包括一個可下載的智能代理協(xié)議，它是一個開源的LLM，可以在本地運行，由用戶的錢包管理，并與智能合約交互。它使用智能合約排名來幫助代理根據(jù)處理的交易數(shù)量等標準確定哪些智能合約可以安全地進行交互。
白皮書還提供了構(gòu)建 Morpheus 網(wǎng)絡的框架，例如使智能代理協(xié)議運行所需的激勵結(jié)構(gòu)和基礎(chǔ)設施。這包括激勵貢獻者構(gòu)建用于與代理交互的前端、供開發(fā)人員構(gòu)建可插入代理以便他們可以相互交互的應用程序的 API，以及使用戶能夠訪問運行代理所需的計算和在邊緣設備上存儲的云解決方案。該項目的初始資金已于 2 月初啟動，完整協(xié)議預計將于 2024 年第二季度啟動。
去中心化自治基礎(chǔ)設施網(wǎng)絡 (DAIN) 是一種新的代理基礎(chǔ)設施協(xié)議，在 Solana 上構(gòu)建代理到代理經(jīng)濟。DAIN 的目標是讓來自不同企業(yè)的代理可以通過通用 API 無縫地相互交互，從而大大開放 AI 代理的設計空間，重點是實現(xiàn)能夠與 web2 和 web3 產(chǎn)品交互的代理。一月份，DAIN 宣布與 Asset Shield 首次合作，使用戶能夠?qū)ⅰ按砗灻摺碧砑拥狡涠嘀睾灻?，這些簽名者能夠根據(jù)用戶設置的規(guī)則解釋交易并批準/拒絕。
Fetch.AI 是最早部署的 AI 代理協(xié)議之一，并開發(fā)了一個生態(tài)系統(tǒng)，用于使用 FET 代幣和 Fetch.AI 錢包在鏈上構(gòu)建、部署和使用代理。該協(xié)議提供了一套用于使用代理的全面工具和應用程序，包括用于與代理交互和訂購代理的錢包內(nèi)功能。
Autonolas 的創(chuàng)始人包括 Fetch 團隊的前成員，它是一個用于創(chuàng)建和使用去中心化人工智能代理的開放市場。Autonolas 還為開發(fā)人員提供了一套工具來構(gòu)建鏈下托管的人工智能代理，并可以插入多個區(qū)塊鏈，包括 Polygon、Ethereum、Gnosis Chain 和 Solana。他們目前擁有一些活躍的代理概念驗證產(chǎn)品，包括用于預測市場和 DAO 治理。
SingularityNet 正在為人工智能代理構(gòu)建一個去中心化的市場，人們可以在其中部署專注的人工智能代理，這些代理可以被其他人或代理雇用來執(zhí)行復雜的任務。AlteredStateMachine 等其他公司正在構(gòu)建 AI 代理與 NFT 的集成。用戶鑄造具有隨機屬性的 NFT，這些屬性賦予他們在不同任務上的優(yōu)勢和劣勢。然后可以對這些代理進行訓練，以增強某些屬性，以用于游戲、DeFi 或作為虛擬助手并與其他用戶進行交易。
總的來說，這些項目設想了一個未來的智能體生態(tài)系統(tǒng)，這些智能體能夠協(xié)同工作，不僅可以執(zhí)行任務，還可以幫助構(gòu)建通用人工智能。真正復雜的代理將有能力自主完成任何用戶任務。例如，完全自主的代理將能夠弄清楚如何雇用另一個代理來集成 API，然后執(zhí)行任務，而不必確保代理在使用之前已經(jīng)與外部 API（例如旅行預訂網(wǎng)站）集成。從用戶的角度來看，不需要檢查代理是否可以完成任務，因為代理可以自己確定。
比特幣和人工智能代理
2023 年 7 月，閃電實驗室推出了在閃電網(wǎng)絡上使用代理的概念驗證實施方案，稱為 LangChain 的比特幣套件。該產(chǎn)品特別有趣，因為它旨在解決 Web 2 世界中日益嚴重的問題——Web 應用程序的門禁且昂貴的 API 密鑰。
LangChain 通過為開發(fā)人員提供一套工具來解決這個問題，使代理能夠購買、出售和持有比特幣，以及查詢 API 密鑰和發(fā)送小額支付。在傳統(tǒng)的支付軌道上，小額支付由于費用而成本高昂，而在閃電網(wǎng)絡上，代理商可以每天以最低的費用發(fā)送無限的小額支付。當與 LangChain 的 L402 支付計量 API 框架結(jié)合使用時，公司可以根據(jù)使用量的增加和減少調(diào)整其 API 的訪問費用，而不是設定單一的成本高昂的標準。
在未來，鏈上活動主要由智能體與智能體交互所主導，這樣的事情將是必要的，以確保智能體能夠不以成本過高的方式相互交互。這是一個早期的例子，說明如何在無需許可且經(jīng)濟高效的支付軌道上使用代理，為新市場和經(jīng)濟互動開辟了可能性。
展望
代理領(lǐng)域仍處于新生階段。項目剛剛開始推出功能代理，可以使用其基礎(chǔ)設施處理簡單的任務——這通常只有經(jīng)驗豐富的開發(fā)人員和用戶才能訪問。然而，隨著時間的推移，人工智能代理對加密貨幣的最大影響之一是所有垂直領(lǐng)域的用戶體驗改進。交易將開始從基于點擊轉(zhuǎn)向基于文本，用戶能夠通過法學碩士與鏈上代理進行交互。Dawn Wallet 等團隊已經(jīng)推出了聊天機器人錢包，供用戶在鏈上進行交互。
此外，目前尚不清楚代理商如何在 Web 2 中運作，因為金融軌道依賴于受監(jiān)管的銀行機構(gòu)，這些機構(gòu)不能全天24小時運營，也無法進行無縫跨境交易。正如林恩·奧爾登（Lyn Alden）所強調(diào)的那樣，由于缺乏退款和處理微交易的能力，與信用卡相比，加密的軌道尤其有吸引力。然而，如果代理成為一種更常見的交易方式，現(xiàn)有的支付供應商和應用程序很可能會迅速采取行動，實施在現(xiàn)有金融軌道上運營所需的基礎(chǔ)設施，從而削弱使用加密貨幣的一些好處。
目前，代理可能僅限于確定性的加密貨幣交易，其中給定輸入保證給定輸出。這兩種模型都規(guī)定了這些代理弄清楚如何執(zhí)行復雜任務的能力，而工具則擴大了它們可以完成的范圍，都需要進一步開發(fā)。為了讓加密代理在新穎的鏈上加密用例之外變得有用，需要更廣泛的集成和接受加密作為一種支付形式以及監(jiān)管的明確性。然而，隨著這些組件的發(fā)展，代理準備成為上述去中心化計算和 zkML 解決方案的最大消費者之一，以自主的非確定性方式接收和解決任何任務。
結(jié)論
AI 為加密貨幣引入了我們在 web2 中看到的相同創(chuàng)新，增強了從基礎(chǔ)設施開發(fā)到用戶體驗和可訪問性的各個方面。然而，項目仍處于發(fā)展早期，近期加密貨幣和人工智能集成將主要由鏈下集成主導。
像 Copilot 這樣的產(chǎn)品將使開發(fā)人員效率“提高 10 倍”，Layer 1和 DeFi 應用程序已經(jīng)與微軟等大公司合作推出人工智能輔助開發(fā)平臺。Cub3.ai 和 Test Machine 等公司正在開發(fā)用于智能合約審計和實時威脅監(jiān)控的人工智能集成，以增強鏈上的安全性。LLM 聊天機器人正在使用鏈上數(shù)據(jù)、協(xié)議文檔和應用程序進行培訓，為用戶提供增強的可訪問性和用戶體驗。
對于真正利用加密貨幣底層技術(shù)的更高級集成來說，挑戰(zhàn)仍然是證明在鏈上實施人工智能解決方案在技術(shù)上是可行的，在經(jīng)濟上也是可行的。去中心化計算、zkML 和 AI 代理的發(fā)展指向有前景的垂直領(lǐng)域，這些領(lǐng)域為加密貨幣和人工智能深度互聯(lián)的未來奠定了基礎(chǔ)。
