简要概述

我们对67个Crypto+AI项目进行了深入分析，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 LLM
• 数据（通用 + AI 专用）
• AI 创作者应用
• AI 消费者应用
• AI 标准（代币 + 代理）
• AI 经济

为什么我们要写这篇文章？

Crypto+AI的叙述至今引起了很多关注。许多关于Crypto+AI的报告相继出现，但它们要么仅涵盖AI故事的一部分，要么只是从加密货币的角度解释AI。 本文将从AI的角度探讨这一话题，探讨加密货币如何支持AI以及AI如何使加密货币受益，以更好地了解当前的Crypto+AI行业格局。

第一部分：解码生成式AI（GenAI）领域

让我们从日常使用的AI产品入手，全面探索生成式AI（GenAI）领域。这些产品通常由两个主要组成部分构成：大型语言模型（LLM）和用户界面（UI）。对于大型模型，有两个关键过程：模型创建和模型使用，通常称为训练和推理。而UI则有多种形式，包括对话式的如GPT、视觉式的如LumaAI，以及将推理API集成到现有产品界面中的各种其他形式。

计算

深入探讨，计算是训练和推理的基础，严重依赖于底层GPU计算。尽管GPU在训练和推理中的物理连接可能有所不同，GPU在各种AI产品中仍然是基础设施组件。在此之上，我们有GPU集群的编排，称为云计算。这些可以分为传统的通用云和垂直云，垂直云更多地面向AI并针对AI计算场景进行了优化。

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，以及针对AI数据集优化的特定存储解决方案。这些专门的存储解决方案，如谷歌云的Filestore，旨在特定场景中提升数据访问速度。

训练

继续探讨AI基础设施，有必要区分训练和推理，因为它们有显著不同。除了常规计算外，两者还涉及大量特定的AI业务逻辑。

对于训练，基础设施通常可以分为以下几类：

• 平台：这些平台专门用于训练，帮助AI开发者有效地训练大型语言模型，并提供软件加速解决方案，例如MosaicML。
• 基础模型提供商：此类平台包括Hugging Face，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。

优化器

这些优化器专门针对推理和特定用例进行一系列优化，例如支持并行处理或算法增强以进行媒体生成。例如，fal.ai 优化了文本到图像的推理过程，使扩散速度比通用方法快 50%。

部署平台

这些平台提供通用的模型推理云服务，例如 Amazon SageMaker，便于在不同环境中部署和扩展 AI 模型。

应用

虽然AI应用种类繁多，但可以根据用户群体大致分为两类：创作者和消费者。

AI消费者

首先是AI消费者群体，他们主要使用AI产品，并愿意为这些产品带来的价值付费。这一类的典型例子是ChatGPT。

AI创作者

另一方面，针对AI创作者的应用更多是邀请AI创作者到平台上创建代理、分享知识并与他们分享利润，GPT市场便是最著名的例子之一。

这两类几乎涵盖了所有的AI应用。尽管存在更详细的分类，本文章将重点关注这些更广泛的类别。

第二部分：加密货币如何帮助人工智能

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

来自vitalik.eth博客的加密+人工智能交叉点的高层概述

这些关键的协同效应[4]主要通过以下方式帮助当前的格局：

货币化：通过独特的加密机制，如代币化、货币化和激励措施，可以在AI创作者应用中进行颠覆性创新，确保AI经济开放和公平。

包容性：加密技术使得参与不再需要许可，打破了今天由封闭、集中化的AI公司所施加的各种限制。这使得AI能够实现真正的开放和自由。

透明性：加密技术可以利用ZKML/OPML技术将整个大型语言模型（LLMs）的训练和推理过程上链，确保AI的开放性和无许可性，从而实现AI的完全开源。

数据所有权：通过使链上交易建立账户（用户）的数据所有权，从而使用户真正拥有自己的AI数据。这在应用层特别有利，帮助用户有效保护其AI数据权益。

成本降低：通过代币激励，可以将未来的计算能力价值兑现，显著降低当前GPU的成本。这种方法在计算层面大大降低了AI的成本。

第三部分：探索加密+AI格局

将加密货币的优势应用于人工智能领域的不同类别，通过加密货币的视角创造了人工智能领域的新视角。

将加密优势应用于AI格局中的不同类别，通过加密视角为AI格局创造了新的视角。

LLM层

1. GPU DePIN

   我们继续基于AI格局描绘AI+加密的蓝图。从LLMs开始，并从GPU这一基础层开始，成本降低一直是加密领域的一个长期叙事。 通过区块链激励机制，我们可以通过奖励GPU提供商显著降低成本。这一叙事目前被称为GPU DePIN。虽然GPU不仅用于AI，还用于游戏、AR等场景，但GPU DePIN轨道通常涵盖这些领域。 专注于AI轨道的包括Aethir和Aioz网络，而专注于视觉渲染的包括io.net、render网络等。

1. 去中心化计算

去中心化计算是自区块链诞生以来就存在的一个叙事，并且随着时间的发展显著提升。然而，由于计算任务的复杂性（相比去中心化存储），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。相比于GPU DePIN，这些去中心化计算平台不仅提供成本降低，还迎合了更具体的计算场景：训练和推理。它们通过广域网进行编排，显著增强了可扩展性[5]。

规模和成本效益通过gensyn.ai 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；而同时处理这两方面的平台包括Bittensor、0G、Sentient、Akash、Phala、Ankr和Oasis。

1. 验证

验证是Crypto+AI中的一个独特类别，主要因为它确保了整个AI计算过程，无论是训练还是推理，都可以在链上进行验证。 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这样的技术也保障了数据隐私和安全，使用户能够100%拥有他们的个人数据。 根据算法和验证过程，可以将其分为ZKML和OPML。ZKML使用零知识（ZK）技术将AI训练/推理转换为ZK电路，使过程可以在链上验证，如EZKL、Modulus Labs、Succinct和Giza等平台所示。而OPML利用链下预言机将证明提交到区块链，如Ora和Spectral所展示的那样。

1. 加密基础模型

   不同于ChatGPT或Claude等通用LLM，加密基础模型是通过大量加密数据重新训练的，使这些基础模型具备专门的加密知识库。 这些基础模型可以为DeFi、NFT和GamingFi等加密原生应用提供强大的AI能力。目前，此类基础模型的示例包括Pond和Chainbase。

1. 数据

   数据是AI领域中的关键组成部分。在AI训练中，数据集起着至关重要的作用，而在推理过程中，来自用户的大量提示和知识库也需要大量存储。 数据存储的去中心化不仅显著降低了存储成本，更重要的是确保了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，较新的AI专用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则注重用户数据隐私。 这些解决方案利用加密的独特优势，在AI领域的数据管理方面进行了创新，这些领域以前受到的关注较少。

应用层

创作者

在Crypto+AI应用层，创作者应用尤为值得注意。鉴于加密技术固有的货币化能力，激励AI创作者自然成为可能。

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，可以使用这些平台创建机器人，并通过代币/NFT货币化。他们可以通过ICO或NFT铸造快速筹集资金，然后通过共享所有权（如收入共享）奖励长期代币持有者。这使他们的AI产品通过社区共管完全开放，从而完成AI经济生命周期[6]。

此外，作为Crypto AI创作者平台，他们通过利用加密技术固有的代币化优势，解决了AI创作者早期至中期融资和长期盈利的挑战，并以远低于Web2的运营成本提供服务，展示了加密去中心化带来的0运营成本优势[7]。

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AI+社交创作者，还有Story Protocol和CreatorBid等平台专门满足他们的需求，而SaharaAI则专注于知识库货币化。

消费者

消费者是指直接为加密用户服务的AI应用。目前在这个轨道上的项目较少，但现有的项目不可替代且独特，如Worldcoin和ChainGPT。

标准

标准是Crypto中的一个独特轨道，主要特点是通过开发独立的区块链、协议或改进现有基础设施（如以太坊）来支持AI应用，创建AI dApp区块链。

这些标准使AI dApp能够体现加密技术的优势，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。

示例包括Ora，它扩展了ERC-20以提供收入共享，和7007.ai，它扩展了ERC-721以标记模型推理资产。此外，Talus、Theoriq、Alethea和Morpheus等平台正在创建链上虚拟机，为AI代理提供执行环境，而Sentient则为AI dApp提供全面的标准。

AI经济

AI经济是Crypto+AI领域的一项重大创新，强调利用加密技术的代币化、货币化和激励措施来实现AI的民主化。

AI经济生命周期 by MagnetAI

它突出了AI共享经济、社区共管和所有权共享的概念。这些创新大大推动了AI的进一步繁荣与发展。

其中，Theoriq和Fetch.ai专注于代理货币化；Olas强调代币化；Mind Network提供重新抵押的收益；MagnetAI将代币化、货币化和激励措施整合到一个统一的平台中。

最后一部分：结论

AI和加密技术是天然的合作伙伴。加密技术有助于使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扩展了加密技术的边界，吸引了更多用户和关注。作为全人类的普遍叙事，AI也为加密世界引入了前所未有的大规模采用叙事。

声明：

1. 本文转载自[MagnetAI]，著作权归属原作者[MagnetAI]，如对转载有异议，请联系Gate Learn团队，团队会根据相关流程尽速处理。
2. 免责声明：本文所表达的观点和意见仅代表作者个人观点，不构成任何投资建议。
3. 文章其他语言版本由Gate Learn团队翻译， 在未提及Gate.io的情况下不得复制、传播或抄袭经翻译文章。