Web3 ＋AI 賽道吸引眾多關注，但目前充斥著模仿和無實際用途的大量項目，哪些方向被高估了？哪些真的有實際潛力？本文源自 Crypto, Distilled 所著文章，由 深潮 TechFlow 整理、編譯。
（前情提要：灰度報告：為什麼加密貨幣能幫助 AI 人工智慧走上對的道路？ ）
（背景補充： Sentient 是什麼？背靠以太坊打破集中式 AI 模型的雄心）
加密貨幣與 AI，是否已走到盡頭？2023 年，Web3＋AI 一度成為熱門話題，但如今它充斥著模仿和無實際用途的大量專案。以下是需要避免的誤區和應關注的重點。
IntoTheBlock 的 CEO Jesus Rodriguez 最近在一篇文章中分享了他的見解。他討論了：
- Web3-AI 的核心挑戰
- 被過度炒作的趨勢
- 具有高潛力的趨勢
我已為你提煉出每個要點！讓我們一探究竟：
市場現狀
當前的 Web3-AI 市場被過度炒作和資助。許多專案與 AI 行業的實際需求脫節。
這種脫節帶來了困惑，但也為有洞察力的人創造了機會。
來源：coinbase
核心挑戰
Web2 和 Web3 AI 之間的差距正在擴大，主要原因有三：
- 有限的 AI 研究人才
- 受限的基礎設施
- 不足的模型、數據和計算資源
生成式 AI 基礎
生成式 AI 依賴於模型、資料和計算資源三大要素。目前，還沒有主要模型針對 Web3 基礎設施進行了優化。
最初的資金只支援了一些與 AI 現實脫節的 Web3 專案。
被高估的趨勢
並非所有 Web3-AI 的趨勢都值得關注。以下是 Jesus Rodriguez 認為最被高估的一些趨勢：
- 去中心化的 GPU 網路
- ZK-AI 模型
- 推理證明
來源：@ModulusLabs
去中心化的 GPU 網路
這些網路承諾民主化 AI 訓練。但現實情況是，在去中心化基礎設施上訓練大型模型既慢又不切實際。
這一趨勢尚未兌現其高遠的承諾。
零知識 AI 模型
零知識 AI 模型在隱私保護方面看起來很有吸引力。但實際上，它們計算成本高且難以解釋。
這使得它們在大規模應用中不太實際。
目前，開銷高達 1000 倍。
然而，這種方法距離實用化還有很大差距，尤其是對於 Vitalik 所描述的那些案例。以下是一些例子：
。zkML 框架 EZKL 需要大約 80 分鐘才能生成一個 1M-nanoGPT 模型的證明。
。根據 Modulus Labs 的資料，zkML 的開銷比純計算高出 1000 倍以上，最新報告顯示為 1000 倍。
。根據 EZKL 的基準測試，RISC Zero 在隨機森林分類任務中的平均證明時間為 173 秒。
來源：@oraprotocol
推理證明
推理證明框架為 AI 輸出提供加密證明。然而， Jesus Rodriguez 認為這些解決方案解決的是並不存在的問題。
因此，它們在現實世界中的應用有限。
高潛力趨勢
雖然有些趨勢被過度炒作，但另一些趨勢則具有顯著潛力。以下是一些被低估的趨勢，可能提供真正的機會：
a. 具備錢包的 AI 智能體
b. 加密貨幣爲 AI 提供資金
c. 小型基礎模型
d. 合成數據生成
具備錢包的 AI 智慧體
想像一下，AI 智慧體通過加密貨幣擁有金融能力。
這些智慧體可以僱傭其他智慧體或質押資金以確保品質。
另一個有趣的應用是 「預測智慧體」，如 vitalikbuterin 所提到的。
加密貨幣為 AI 提供資金
生成式 AI 專案通常面臨資金短缺。
加密貨幣的高效資本形成方法，如空投和激勵，為開源 AI 專案提供了關鍵的資金支援。
這些方法有助於推動創新。
圖源：@oraprotocol
小型基礎模型
小型基礎模型，例如微軟的 Phi 模型，展示了少即是多的理念。
具有 1B-5B 引數的模型對去中心化 AI 至關重要，能夠提供強大的裝置端 AI 解決方案。
來源：@microsoft
合成數據生成
數據稀缺是 AI 發展的主要障礙之一。
透過基礎模型生成的合成數據可以有效補充現實世界的數據集。
克服炒作
最初的 Web3-AI 熱潮主要集中在一些脫離實際的價值主張上。
@jrdothoughts 認為，現在應將重點轉向構建實際可行的解決方案。
隨著注意力轉移，AI 領域依然充滿機會，等待敏銳的目光去發現。
📍相關報導📍
埋伏 Solana Blinks 敘事：如何找到百倍幣機會？
