黄仁勋在迪拜的WGS上演讲时，提出了一个词“主权AI”。那么，哪个主权的AI能符合Crypto社区的利益和诉求呢？也许需要以Web3+AI的形式构建。Vitalik在“The promise and challenges of crypto + AI applications”一文中讲述了AI与Crypto的协同效应：Crypto的去中心化可以平衡AI的中心化；AI是不透明的，Crypto带来透明；AI需要数据，区块链有利于数据的存储和追踪。这种协同，贯穿在Web3+AI的整个产业图景中。

大多数Web3 + AI的项目是在利用区块链技术解决AI行业基础设施项目的建设问题，少数项目是利用AI解决Web3应用的某些问题。Web3 + AI产业图景大体如下：

AI的生产和工作流程大致如下：

在这些环节中，Web3与AI的结合主要体现在四个方面：

1、算力层：算力资产化

近两年来，用于训练AI大模型的算力呈指数级增长，基本每个季度就会翻一倍，以远超摩尔定律的速度疯狂增长。这种情况导致AI算力供需长期失衡，GPU等硬件价格快速上涨，进而抬高了算力成本。但与此同时，市场上也存在大量的中低端算力硬件闲置，可能这部分中低端硬件的单体算力无法满足高性能需求。但若通过Web3的方式建设成分布式算力网络，通过算力租赁、共享的方式，打造去中心化的计算资源网络，仍可满足诸多AI应用需求。由于是利用分布式的闲置算力，可显著降低AI算力的成本。算力层细分包括：

• 通用的去中心化算力（例如Arkash、Io.net等）；
• 用于AI训练的去中心化算力（例如Gensyn、Flock.io等）；
• 用于AI推理的去中心化算力（例如Fetch.ai、Hyperbolic等）；
• 用于3D渲染的去中心化算力（例如The Render Network等）。

Web3+AI的算力资产化，核心优势在于 去中心化算力类项目，结合代币激励很容易扩展网络规模，而且其计算资源成本低，具有高性价比，可满足部分中低端的算力需求。

2、数据层：数据资产化

数据是AI的石油、血液。如果不依赖Web3，一般只有巨头企业手中才有大量的用户数据，普通的创业公司很难获取广泛的数据，用户数据在AI行业的价值也并没有反馈给用户。通过Web3+AI，可以让数据收集、数据标注、数据分布式存储等流程更低成本、更透明、更有利于用户。收集高质量数据是AI模型训练的前置条件，通过Web3的方式，可以利用分布式网络，结合适当的Token激励机制，采用众包收集的方法，以较低成本获取高质量且广泛的数据。根据项目用途，数据类项目主要包括以下几类：

• 数据收集类项目（例如Grass等）；
• 数据交易类项目（例如Ocean Protocol等）；
• 数据标注类项目（例如Taida、Alaya等）；
• 区块链数据源类项目（例如Spice AI、Space and time等）；
• 去中心化存储类项目（例如Filecoin、Arweave等）。

数据类Web3+AI项目，在设计Token经济模型的过程中更有挑战性，因为数据比算力更难标准化。

3、平台层：平台价值资产化

平台类项目大多数会对标Hugging Face，以整合AI行业各类资源为核心。建立一个平台，聚合数据、算力、模型、AI开发者、区块链等各种资源和角色的链接，以平台为中心，更便捷地解决各种需求。比如Giza，专注于构建全面的zkML运营平台，旨在使机器学习的推理变得可信和透明，因为数据和模型黑盒是目前AI中普遍存在的问题，通过Web3的方式采用ZK、FHE等密码学技术来验证模型的推理确实有正确执行，是迟早会被行业内呼吁的。也有做Focus AI的layer1/ layer2，例如Nuroblocks、Janction等。核心叙事是连接了各类算力、数据、模型、AI开发者、节点等资源，通过包装通用组件、通用SDK的方式，帮助Web3+AI类应用实现快速构建和发展。还有Agent Network类的平台，基于这类平台可以为各种应用场景构建AI Agent，例如Olas、ChainML等。平台类的Web3+AI项目，主要以Token捕获平台价值的方式，激励平台各参与方共建。对于初创项目从0-1的过程比较有帮助，可以减少项目方寻找算力、数据、AI开发者社区、节点等合作方的难度。

4、应用层：AI价值资产化

前面的基础设施类的项目，多数是利用区块链技术解决AI行业基础设施项目建设的问题。应用层项目则更多是利用AI解决Web3应用存在的问题。比如Vitalik在文章中提到两个方向，我觉得很有意义。一是AI作为Web3参与者。比如：Web3 Games中，AI可以作为一个游戏玩家，它可以快速理解游戏规则，并最高效地完成游戏任务；DEX中，AI已经在套利交易中发挥作用很多年了；Prediction markets（预测市场）中，AI Agent可以通过广泛接受大量数据、知识库和信息，训练其模型的分析预测能力，并产品化提供给用户，帮助用户以模型推理的方式对特定事件作出预测，比如体育赛事、总统大选等。二是创建可扩展的去中心化的私人AI。因为许多用户担心AI的黑盒问题，担心系统存在偏见；或担心存在某些dApps通过AI技术欺骗用户来获利。本质上是因为用户对AI的模型训练和推理过程没有审查权限和治理权限。但是如果创建一个Web3的AI，像Web3项目一样，社区对这个AI有分布式治理权，可能会更容易被接受。截至目前，在Web3+AI应用层尚未出现天花板很高的白马项目。

总结

Web3 + AI还很早期，业内对这个赛道的发展前景也是有分歧的，我们会对这个赛道持续关注。我们希望Web3 与AI的结合能够创造出比中心化AI更有价值的产品，让AI摆脱“巨头控制”、“垄断”这些标签，以更加社区化的方式来“共治AI”。也许在更近距离地参与、治理过程中，人类对AI会多一分“敬畏”、少一分“恐惧”。

声明：

1. 本文转载自[IOBC Capital]，著作权归属原作者[0xCousin]，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。