币界新闻

精准洞察,掌握加密市场的动向!

2024 Crypto X AI 行业现状:加密渗透进生成式 AI 的每个环节

2024-08-30 00:44 币界新闻

AI 和加密货币是天然的合作伙伴。

作者:MagnetAI

编译:深潮TechFlow

要点总结

我们对67个 Crypto+AI项目进行了深入分析,并从生成式 AI(GenAI)的角度对其进行了分类。我们的分类涵盖:

GPU DePIN

去中心化计算(训练+推理)

验证(ZKML+OPML)

加密大语言模型(LLM)

数据(通用+ AI 特定)

AI 创作者应用

AI 消费者应用

AI 标准(代币+代理)

AI 经济

为什么要写这篇文章?

Crypto+AI 的叙述已经引起了很多关注。许多关于 Crypto+AI 的报告正在涌现,但它们要么只涵盖了 AI 故事的一部分,要么仅从加密货币的角度解释 AI。这篇文章将从 AI 的角度探讨这个话题,探讨加密货币如何支持 AI,以及 AI 如何能为加密货币带来好处,以更好地理解当前的 Crypto+AI 产业格局。

第一部分:解码生成式 AI 全景

让我们从我们每天使用的 AI 产品开始探索整个生成式 AI(GenAI)景观。这些产品通常由两个主要组件组成:一个大语言模型(LLM)和一个用户界面UI)。对于大型模型,有两个关键过程:模型创建和模型利用,通常称为训练和推理。至于用户界面,它有多种形式,包括基于对话的(如 GPT)、基于视觉的(如 LumaAI),以及许多将推理 API 集成到现有产品界面中的其他形式。

计算

深入探讨,计算对于训练和推理都是基础,严重依赖于底层的 GPU 计算。虽然 GPU 在训练和推理中的物理连接可能不同,但 GPU 作为 AI 产品的基础设施组件是共通的。在此之上,我们有 GPU 集群的编排,称为云。这些云可以分为传统多功能云和垂直云,垂直云更专注于 AI 计算场景并为其优化。

存储

关于存储,AI 数据存储可以分为传统存储解决方案,如 AWS S3 和 Azure Blob Storage,以及专门为 AI 数据集优化的存储解决方案。这些专门的存储解决方案,如 Google Cloud 的 Filestore,旨在特定场景下提高数据访问速度。

训练

继续讨论AI基础设施,区分训练和推理是至关重要的,因为它们有显著不同。除了通用计算之外,两者还涉及许多AI特定的业务逻辑。

对于训练,基础设施大致可以分为:

平台:专为训练设计,帮助 AI 开发者有效地训练大语言模型,并提供软件加速解决方案,如 MosaicML。

基础模型提供商:这一类别包括像 Hugging Face 这样的平台,提供用户可以进一步训练或微调的基础模型。

框架:最后,还有各种从零开始构建的基础训练框架,如 PyTorch 和 TensorFlow。

推理

对于推理,大致可以分为:

优化器:专门针对特定用例进行一系列优化,如支持并行处理或媒体生成的算法增强。一个例子是 fal.ai,它优化了文本到图像过程的推理,比一般方法提高了50%的扩散速度。

部署平台:提供通用模型推理云服务,如 Amazon SageMaker,便于在不同环境中部署和扩展 AI 模型。

应用

虽然 AI 应用无数,但可以根据用户群体大致分为两大类:创作者和消费者。

AI 消费者:这一群体主要使用AI产品,并愿意为这些产品带来的价值付费。一个典型的例子是 ChatGPT。

AI创作者:另一方面,AI创作者应用更多地是邀请 AI 创作者到他们的平台上创建代理、分享知识,然后与他们分享利润,GPT 市场是其中最著名的例子之一。

这两类几乎涵盖了所有AI应用。虽然存在更详细的分类,但本文将重点关注这些更广泛的类别。

第二部分:加密货币如何帮助 AI

在回答这个问题之前,让我们总结一下加密货币可以为 AI 带来的主要优势:货币化、包容性、透明度、数据所有权、成本降低等。

来自 vitalik.eth 博客:加密+AI 交叉点的高级摘要

这些关键的协同作用主要通过以下方式帮助当前的景观:

货币化:通过代币化、货币化和激励等独特的加密机制,可以在AI创作者应用中进行颠覆性创新,确保 AI 经济开放公平。

包容性:加密货币允许无需许可的参与,打破了今天由封闭的中心化 AI 公司施加的各种限制。这使得 AI 能够实现真正的开放和自由。

透明度:加密货币可以利用 ZKML/OPML 技术使AI完全开源,将 LLM 的整个训练和推理过程放到链上,确保 AI 的开放性和无需许可。

数据所有权:通过启用链上交易来建立账户(用户)的数据所有权,从而使用户真正拥有他们的 AI 数据。这在应用层尤其有利,帮助用户有效地保障他们的 AI 数据权利。

成本降低:通过代币激励,可以兑现计算能力的未来价值,显著降低当前的GPU成本。这种方法大大降低了 AI 在计算层面的成本。

第三部分:探索 Crypto+AI 的景观

将加密货币的优势应用于AI景观中的不同类别,从加密的角度创建了一个新的AI景观视角。

大语言模型层

GPU DePIN

我们继续基于 AI 景观勾勒 AI+Crypto 蓝图。从大语言模型开始,并从基础层的 GPU 开始,加密货币中的一个长期叙述是成本降低

通过区块链激励,我们可以通过奖励 GPU 提供商显著降低成本。这种叙述目前被称为GPU DePIN。虽然 GPU 不仅在 AI 中使用,还在游戏、AR 和其他场景中使用,但 GPU DePIN 轨道通常涵盖这些领域。

那些专注于 AI 轨道的包括 Aethir 和 Aioz 网络,而那些致力于视觉渲染的包括 io.net、render network 等。

去中心化计算

去中心化计算是自区块链诞生以来一直存在的叙述,并且随着时间的推移得到了显著的发展。然而,由于计算任务的复杂性(与去中心化存储相比),它通常需要限制计算场景。

AI 作为最新的计算场景,自然催生了一系列去中心化计算项目。与 GPU DePIN 相比,这些去中心化计算平台不仅提供成本降低,还满足更多特定的计算场景:训练和推理。它们在广域网中进行编排,显著增强了可扩展性

按 gensyn.ai 实现规模和成本效益

例如,专注于训练的平台包括 AI Arena、Gensyn、DIN、和 Flock.io;专注于推理的平台包括 Allora、Ritual 和 Justu.ai;同时处理这两个方面的平台包括 Bittensor、0G、Sentient、Akash、Phala、Ankr 和 Oasis。

验证

验证是 Crypto+AI 中的一个独特类别,主要是因为它确保整个 AI 计算过程,无论是训练还是推理,都可以在链上验证。

这对于保持过程的完全去中心化和透明性至关重要。此外,像ZKML这样的技术还保护数据隐私和安全,使用户能够100%拥有他们的个人数据。

根据算法和验证过程,可以分为 ZKML 和 OPML。ZKML 使用零知识(ZK)技术将 AI 训练/推理转换为 ZK 电路,使过程在链上可验证,如 EZKL、Modulus Labs、Succinct 和 Giza 等平台所示。另一方面,OPML 利用链下预言机将证明提交到区块链,如 Ora 和 Spectral所示。

加密基础模型

与 ChatGPT 或 Claude 等通用大语言模型不同,加密基础模型通过大量加密数据重新训练,使这些基础模型具备加密货币的专门知识库。

这些基础模型可以为加密原生应用(如DeFi、NFT和GamingFi)提供强大的 AI 能力。目前,这类基础模型的例子包括 Pond 和 Chainbase.。

数据

数据在AI领域是一个关键组成部分。在 AI 训练中,数据集起着至关重要的作用,而在推理过程中,用户的大量提示和知识库也需要大量存储。

去中心化数据存储不仅显著降低存储成本,更重要的是确保数据的可追溯性和所有权

传统的去中心化存储解决方案如 Filecoin、Arweave 和 Storj 可以以非常低的成本存储大量AI数据。

同时,更新的AI特定数据存储解决方案针对 AI 数据的独特特性进行了优化。例如,Space and Time 和 OpenDB 优化了数据预处理和查询,而 Masa、Grass、Nuklai 和 KIP Protocol 则专注于 AI 数据的货币化。Bagel Network 则集中于用户数据隐私。

这些解决方案利用了加密货币的独特优势,在 AI 领域的数据管理方面进行了创新,这些领域此前较少受到关注。

应用层

1.创作者

在 Crypto+AI 应用层,创作者应用尤其值得注意。鉴于加密货币固有的货币化能力,激励AI创作者是顺理成章的。

对于AI创作者,重点分为低/无代码用户和开发者。低/无代码用户,如机器人创作者,使用这些平台创建机器人,并通过代币/NFT 将其货币化。他们可以通过ICO 或 NFT Mint快速筹集资金,然后通过共享所有权(如收入共享)奖励长期代币持有者。这完全开放了他们的 AI 产品,通过社区共同拥有,从而完成了 AI 经济生命周期。

此外,作为 Crypto AI 创作者平台,它们通过利用加密货币固有的代币化优势,解决了 AI 创作者在早期到中期的资金筹措和长期盈利问题,并以 Web2 典型的提成率的一小部分提供服务——展示了加密货币去中心化带来的零运营成本优势。

在这个领域, MagnetAI、Olas、Myshell、Fetch.ai、Virtual Protocol 和 Spectral 等平台为低/无代码用户提供代理创作平台。对于 AI 模型开发者,MagnetAI 和 Ora 提供了模型开发者平台。此外,对于其他类别,如 AI+ 社交创作者,有 Story Protocol 和 CreatorBid 等平台专门为他们量身定制,而 SaharaAI 则专注于知识库的货币化。

2.消费者

消费者指的是直接为加密货币用户服务的 AI。目前,这条轨道上的项目较少,但现有的项目是不可替代且独特的,如Worldcoin 和 ChainGPT.

3.标准

标准是 Crypto 中的一个独特轨道,特点是开发独立的区块链、协议或改进,以创建 AI dApp 区块链,或使现有基础设施(如以太坊)能够支持 AI 应用。

这些标准使 AI dApps 能够体现加密货币的优势,如透明性和去中心化,为创作者和消费者产品提供基本支持。

例如,Ora 扩展了 ERC-20 以提供收入共享,7007.ai 扩展了ERC-721 以将模型推理资产代币化。此外, Talus、Theoriq、Alethea 和 Morpheus 等平台正在创建链上虚拟机(VM),为AI代理提供执行环境,而 Sentient 则为 AI dApps 提供综合标准。

4.AI 经济

AI 经济是 Crypto+AI 领域的一个重大创新,强调利用加密货币的代币化、货币化和激励机制来实现AI 的民主化

MagnetAI 开发的 AI 经济生命周期

它突出了 AI 共享经济、社区共同拥有和共享所有权。这些创新大大推动了 AI 的进一步繁荣和发展。

其中,Theoriq 和 Fetch.ai专注于代理货币化;Olas 强调代币化;Mind Network 提供重新质押的好处;MagnetAI 将代币化、货币化和激励机制整合到一个统一的平台中。

结论

AI 和加密货币是天然的合作伙伴。加密货币有助于使 AI 更加开放、透明,并不可替代地支持其进一步繁荣。

反过来, AI 扩大了加密货币的边界,吸引了更多的用户和关注。作为全人类的普遍叙事, AI 还为加密世界引入了前所未有的大规模采用叙事。

欢迎加入深潮TechFlow官方社群

Telegram订阅群:

https://t.me/TechFlowDaily

Twitter官方账号:

https://x.com/TechFlowPost

Twitter英文账号:

https://x.com/TechFlow_Intern

相关新闻