加密货币与人工智能现状 2024

中级7/15/2024, 7:33:50 AM
本文对 67 个加密+人工智能项目进行了深入分析,从生成人工智能(GenAI)的角度对其进行了分类,并探讨了加密货币如何支持人工智能及其相关优势。

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。

加密货币与人工智能现状 2024

中级7/15/2024, 7:33:50 AM
本文对 67 个加密+人工智能项目进行了深入分析,从生成人工智能(GenAI)的角度对其进行了分类,并探讨了加密货币如何支持人工智能及其相关优势。

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。
即刻开始交易
注册并交易即可获得
$100
和价值
$5500
理财体验金奖励!