Web3与AI：去中心化如何发挥作用？
人工智能(AI)和区块链技术是过去十年中两项最具创新性的技术，引得大众充满期待。AI在Web2中的发展毋庸置疑，从今年风投数量的增加就可见一斑，其中具有代表性的包括，2023年6月微软和英伟达向Inflection AI注资13亿美元，而2023年9月，OpenAI的竞争对手Anthropic从亚马逊筹资12.5亿美元。
但是，人们对AI的用例及与Web3的交互仍存疑虑。Web3能否在AI发展中发挥作用？如果可以，那么在AI的发展中，区块链可以做什么，以及AI为什么需要区块链呢？
其中一种说法是，Web3有可能彻底改变生产关系，而AI则可以改变生产力本身。但事实证明，要将这两种技术结合起来会很复杂，这揭示了基础架构要求所面临的挑战与机遇。
AI与Web3基础架构应用程序相结合带来的机遇
Web3基础架构仍存在一些缺陷，但有望应对AI集成带来的挑战，并为创新解决方案提供机遇，我们将在下文进行探讨。
去中心化AI计算网络
去中心化计算网络能将需要计算资源的个人与拥有空闲计算能力的系统联系起来。与中心化提供商相比，个人和组织通过这种模型即可将闲置资源投到网络中，且不产生额外费用，这样网络便能提供更具成本效益的定价。
在区块链点对点网络的推动下，去中心化GPU渲染有可能在Web3游戏中扩展AI驱动的3D内容创作。但是，去中心化计算网络的重大缺点在于，不同计算设备之间的通信开销存在差异，因此机器学习训练期间可能会减速。
去中心化的AI数据
训练数据作为初始数据集，用于教机器学习应用程序识别模式或满足特定标准。另一方面，测试或验证数据则用于评估模型的准确性，而且由于模型已经熟悉训练数据，因此需要单独的数据集进行验证。
相关方正在努力打造AI数据源和AI数据标注市场，其中以区块链作为激励层，激励大型公司和机构提高效率。但是，这些当前仍处于发展初期的垂直行业面临着重重障碍，例如需要人工审核，以及人们对区块链赋能数据表示担忧。
例如，现在有专门用于机器学习模型训练的SP计算网络。SP计算网络针对特定用例量身打造，通常采用可将计算资源整合到同一池中的架构，类似于超级计算机。SP计算网络通过Gas机制或社区控制的参数来确定成本。
去中心化提示词
尽管完全去中心化的大型语言模型带来了挑战，但各个项目正在探索通过鼓励自我训练技术来促成对提示词进行去中心化的方式。这种方法可激励创作者创作内容，为更多投身该领域的参与者提供经济激励机制。
早期的示例包括AI驱动的聊天机器人平台。那些平台通过代币激励内容创作者和AI模型创建者训练聊天机器人，之后聊天机器人即可成为可交易的NFT，允许访问用户已授权的数据进行模型训练和微调。此外，在去中心化提示词市场中，提示词创建者可交易自己的数据和提示词所有权，以获得激励。
零知识机器学习(ZKML)
2023年是大型语言模型大显神威的一年。为让区块链项目充分发挥AI的潜力，这些模型必须在链上运行。但是，燃料限制和计算成本的挑战仍让AI集成显得错综复杂。
如果大型语言模型可在链下运行，其输出结果可用于促成链上决策和活动，同时证明决策均由机器学习AI模型做出，而非随机输出而成，那会怎样呢？这正是ZKML的原理。OpenAI和Meta即将分别推出GPT-5和Llama3。
随着功能增强，大型语言模型的规模将日益扩大。ZKML的主要目标是尽量降低证明的大小，成为零知识证明与AI技术结合的理想之选。
例如，零知识证明可应用于压缩去中心化机器学习推理或训练中的模型，途径是用户向链上网络的公共模型提交数据来达成训练。
我们目前正处于使用链上零知识证明验证计算实用性的起步阶段。然而，算法的发展目前正在探索模型完整性等用例，从而拓宽可实现目标的范围。
通过这些用例，零知识证明可用于证明同一机器学习算法在不同用户的数据上以相同的方式运行，以避免偏差。
同样，随着算法生成肖像和深度伪造技术的兴起，零知识证明可应用在人格证明中，以验证个人的独特性，而不会泄露个人的私人信息。
总之，Web3基础架构与AI的整合预示着科技创新的可喜前景，同时通过代币化激励促进资源投入。 Web2见证了AI的惊人进步，但Web3与AI的结合仍有待探索。
科技不断发展，Web3与AI的协同增效潜力巨大，有望重塑科技格局，并改变我们处理AI基础架构的方式。