Gryphsis Academy：ChatGPT 談論生成式 AI 的瓶頸以及周年紀念後 Web3 的機遇

作者： @chenyangjamie， @GryphsisAcademy

TL; 博士：

• 生成式 AI 的商業應用在 2022 年風靡全球，但隨著新穎性的消退，生成式 AI 目前的一些問題正變得明顯。 成熟的 Web3 領域，具有區塊鏈的完全透明、可驗證和去中心化的性質，為解決生成式 AI 問題提供了新思路。
• 生成式AI是近年來的一項新興技術，它基於深度學習的神經網路框架，圖像生成的傳播模型和ChatGPT的大語言模型顯示出巨大的商業應用潛力。
• 生成式 AI 在 Web3 中的實現架構包括基礎設施、模型、應用和數據，其中數據部分與 Web3 結合時尤為重要，發展空間巨大，尤其是鏈上數據模型、AI 代理專案、垂直應用，有潛力成為未來重點發展方向。
• 目前市場上 Web3 AI 賽道上的熱門專案都呈現出基本面不足、代幣價值抓取能力弱的特點，主要期待未來代幣經濟的新熱或更新。
• 生成式 AI 在 Web3 領域具有巨大的潛力，未來還有許多新的敘事值得期待。

1. 為什麼生成式 AI 和 Web3 需要彼此？

2022年堪稱生成AI（人工智慧）風靡全球的一年，在此之前，生成AI僅限於專業工作者的輔助工具，而在Dalle-2、穩定擴散、Imagen和Midjourney出現之後，AI生成的內容（縮寫）。 作為最新的技術應用，AIGC在社交媒體上掀起了一大波潮流內容。 不久之後發佈的ChatGPT是一個重磅炸彈，將這一趨勢推向了頂峰。 作為第一個可以通過輸入簡單的文本指令（即，即）來回答幾乎任何問題的人工智慧工具，ChatGPT早已成為許多人日常工作的助手。 人們第一次感受到了人工智慧的“智慧”，因為它可以處理文檔寫作、家庭作業説明、電子郵件助手、論文修改，甚至情感輔導等各種日常任務，互聯網正在熱情地研究用於優化ChatGPT生成結果的各種謎團。 根據高盛宏觀團隊的一份報告，生成式人工智慧可以成為美國勞動生產率增長的助推器，在生成式人工智慧發展的10年內推動全球GDP增長7%（或近7萬億美元），並將生產率增長提高1.5個百分點。

Web3領域也感受到了AIGC的春風，AI領域在2023年1月全面崛起

資料來源：

然而，隨著 ChatGPT 的全球流量自 2023 年 6 月發布以來首次下降（來源：SimilarWeb），是時候重新思考生成式 AI 的含義及其局限性了。 從目前的情況來看，生成式 AI 遇到的困境包括（但不限於）：首先，社交媒體充斥著未經許可且無法追蹤的 AIGC 內容，其次，ChatGPT 的高維護成本迫使 OpenAI 選擇降低生成品質以降低成本和提高效率，最後，即使是世界上最大的模型在生成結果的某些方面仍然存在偏差。

ChatGPT 全球桌面和移動流量

來源：類似網路

同時，逐漸成熟的 Web3，以其去中心化、完全透明、可驗證的特點，為當前生成式 AI 的困境提供了新的解決方案：

Web3 的完全透明性和可追溯性可以解決生成式 AI 帶來的數據的版權和隱私挑戰。 Web3 的這兩個功能可以有效驗證內容的來源和真實性，從而顯著增加 AI 生成的虛假或侵權內容的成本，例如具有令人困惑的版權的短視頻混合或侵犯他人隱私的 DeepFake 換臉視頻。 此外，智慧合約在內容管理中的應用有望解決版權問題，並確保內容創作者能夠為他們創建的內容獲得更公平的補償。

DeepFake 視頻：這不是摩根弗里曼

來源：優酷

Web3的去中心化可以降低AI算力中心化的風險。 生成式人工智慧需要巨大的計算資源，估計訓練基於 GPT-3 的 ChatGPT 的成本至少為 200 萬美元，每天的電力成本約為 47,000 美元，隨著技術和規模的發展，這一數位將呈指數級增長。 計算資源仍然高度集中在大公司手中，這導致了大量的研發、維護和運營成本，以及集中化的風險，使小公司難以競爭。 雖然大型模型的訓練在短期內可能仍需要在集中式環境中進行，但由於大型模型的訓練需要大量的計算資源，但在 Web3 中，區塊鏈技術使分散式模型推理、社區投票治理和模型標記化等成為可能。 以現有的去中心化交易所為成熟案例，我們可以設計一個社區驅動的去中心化AI大模型推理系統，其中大模型的擁有權屬於社區，由社區管理。

即使使用最新的 H 100 來訓練 GPT-3，每個 FLOP 的成本仍然很高

來源：substake.com

利用 Web3 的功能，您可以優化 AI 數據集的多樣性和 AI 模型的可解釋性。 **傳統的數據收集方法基本上是基於公共數據集或模型製作者本身，收集的數據往往受到地理和文化的限制。 這可能會導致AIGC程式生成的內容和ChatGPT生成的答案帶有某些種族群體的主觀偏見，例如改變目標任務的膚色。 借助 Web3 的代幣激勵模型，我們可以優化收集數據的方式，收集和加權來自世界各個角落的數據。 同時，Web3 的完全透明性和可追溯性可以進一步增加模型的可解釋性，並鼓勵輸出不同背景來豐富模型。

旨在提高解析度的人工智慧將把歐巴馬變成一個白人

來源：推特

可以使用 Web3 的大量鏈上數據訓練獨特的 AI 模型。 目前的AI模型設計和訓練方法往往基於目標數據結構（文本、語音、圖像或視頻）的構建。 Web3 與 AI 結合的一個獨特的未來發展方向是參考自然語言大模型的構建和訓練方法，利用 Web3 鏈上數據獨特的數據結構建立鏈上數據大模型。 這為使用者提供了其他數據分析無法達到的獨特視角（智慧資金跟蹤、項目資金趨勢等），而與人類鏈上分析相比，人工智慧的優勢在於能夠同時處理大量數據。

自動化鏈上分析，監控鏈上資訊可獲取第一手資訊
來源：nansen.ai

生成式 AI 有望成為降低人們參與 Web3 世界的門檻的強大力量**。 目前，Web3專案的主流參與模式要求參與者對各種複雜的鏈上概念和錢包操作邏輯有相當的瞭解，這大大增加了用戶的學習成本和誤操作的風險。 生成式 AI 有望為以意圖為中心的專案提供支援，這些專案可以通過充當 Web3 中使用者和協定之間的“智慧助手”來顯著改善 Web3 產品的用戶體驗。

Web3 也創造了對內容的巨大需求，而生成式 AI 已成為滿足這一需求的關鍵手段。 生成式 AI 可以為 Web3 創建大量文章、圖像、音訊和視頻內容，推動去中心化應用程式的發展，從 NFT 市場到智慧合約文檔，所有這些都可以從 AI 生成的多樣化內容中受益。

雖然生成式 AI 和 Web3 有自己的挑戰，但它們的共同需求和協作解決方案有望塑造數位世界的未來。 此次合作將提高內容創作的品質和可信度，推動數位生態系統的進一步發展，同時為使用者提供更有價值的數字體驗。 生成式 AI 和 Web3 的共同發展將在數位時代創造令人興奮的新篇章。

二、生成式AI的技術總結

2.1 生成式 AI 的技術背景

自 20 世紀 50 年代引入 AI 概念以來，經歷了幾次起起落落，每一次關鍵技術創新都帶來新的浪潮，這一次生成型 AI 也不例外。 生成式AI作為近10年才被提出來的新興概念，由於近期技術和產品的耀眼表現，從AI的眾多研究子方向中脫穎而出，一夜之間引起了全世界的關注。 在我們進一步探討生成式 AI 的技術架構之前，我們需要先解釋一下本文討論的生成式 AI 的具體含義，並簡要回顧一下最近爆發的生成式 AI 的核心技術元件。

生成式 AI 是一種可用於創建新內容和想法的 AI，包括對話、故事、圖像、視頻和音樂，是一種基於深度學習的神經網路框架構建的模型，使用大量數據進行訓練，並包含大量參數。 最近引起人們注意的生成式AI產品可以簡單分為兩類：一類是文本或樣式輸入的圖像（視頻）生成產品，另一類是文本輸入的ChatGPT產品。 這兩類產品具有相同的核心技術，即基於Transformer架構的預訓練語言模型（LLM）。 在此基礎上，前一類產品增加了結合文本輸入生成高品質圖像或視頻的擴散模型，后一類產品增加了來自人類反饋的強化學習（RLHF），以實現接近人類的邏輯輸出結果水準。

2.2 生成式 AI 的當前技術架構：

過去許多最好的文章都從不同的角度討論了生成式AI對現有技術架構的重要性，例如A16z的這篇文章“誰擁有生成式AI平臺？”，它全面總結了當前生成式AI的技術架構：

產生式 AI 的主要技術架構

來源：誰擁有生成式AI平臺？

在這篇研究文章中，Web2 生成式 AI 的當前架構分為三個層次：基礎設施（算力）、模型和應用，並對這三個層次的當前發展給出了看法。

對於基礎設施，儘管 Web2 中的基礎設施邏輯仍然是中流砥柱，但真正結合 Web3 和 AI 的基礎設施專案仍然很少。 同時，基礎設施也是現階段獲取最大價值的部分，Web2科技寡頭憑藉在存儲和計算領域數十年的深耕，在當前的AI探索階段通過“賣鏟子”獲得了可觀的收益。

對於模型來說，他們應該是AI的真正創造者和擁有者，但現階段，能夠支援模型作者獲得相應商業價值的商業模式卻寥寥無幾。

對於應用程式，幾個垂直行業已經積累了超過數億美元的收入，但高昂的維護成本和低使用者保留率不足以支援長期的商業模式。

2.3 生成式 AI 和 Web3 應用程式範例

2.3.1 應用AI分析Web3海量數據

**數據是構建未來人工智慧發展技術壁壘的核心。 為了理解為什麼它很重要，讓我們看一下關於大型模型性能來源的研究。 這項研究表明，大型AI模型表現出一種獨特的能力：通過增加模型的大小，當超過某個閾值時，模型的準確性會突然爆炸。 如下圖所示，每個圖代表一個訓練任務，每條線都滿足大型模型的性能（精度）。 在不同大型模型上的實驗得出了相同的結論：模型大小超過一定閾值后，不同任務的性能呈現突破性增長。

模型大小與模型性能之間的關係
來源：大型語言模型中的緊急類比推理

簡單地說，模型規模的定量變化會導致模型性能的質變。 **模型大小與模型參數數量、訓練時間和訓練數據質量有關。 現階段，在模型參數數量（各大公司有頂級研發團隊負責設計）和訓練時間（計算硬體由英偉達購買）無法縮小差距的情況下，如果要打造一款領先競爭對手的產品，一種方法是在細分領域找到最佳需求痛點，打造殺手級應用，但這需要對目標領域有深刻的理解和出色的洞察力，而另一種方式則更實用可行，即收集比競爭對手更全面的數據。 **

這也為生成式 AI 模型進入 Web3 空間找到了一個很好的切入點。 現有的AI大模型或基礎模型都是基於不同領域的海量數據進行訓練的，Web3中鏈上數據的獨特性使得鏈上數據模型成為一條值得期待的可行路徑。 目前 Web3 中的數據層次結構有兩種產品邏輯：第一種是為數據提供者提供激勵，以保護數據所有者的隱私和擁有權，同時鼓勵使用者相互共用使用數據的權利。 海洋協定提供了一種共享數據的好方法。 二是專案組整合數據和應用，為使用者提供某項任務的服務。 **例如，Trusta Lab收集和分析使用者的鏈上數據，並可以通過其獨特的MEDIA評分系統提供女巫帳戶分析和鏈上資產風險分析等服務。

2.3.2 Web3 的 AI 代理應用程式

**前面提到的鏈上AI代理應用也備受矚目——藉助大語言模型，在保證用戶隱私的前提下，為使用者提供可量化的鏈上服務。 **根據OpenAI人工智慧研究主管Lilian Weng的一篇博客文章，AI代理可以分為四個部分，即Agent=LLM+規劃+記憶體+工具使用。 作為AI代理的核心，LLM負責與外界互動，學習海量數據，並用自然語言邏輯表達。 計劃+記憶部分類似於訓練AlphaGo強化學習技術中的行動，政策和獎勵概念。 將任務目標拆解成每個小目標，從多次重複訓練的結果和反饋中逐步學習任務目標的優化解，將獲得的資訊存儲在不同類型的記憶體中，用於不同的功能。 至於工具使用，是指使用諸如調用模組化工具、檢索互聯網資訊、連接到專有資訊源或 API 等工具，值得注意的是，這些資訊大部分經過預訓練后將難以更改。

AI 代理的全域圖
資料來源：LLM Powered Autonomous Agents

結合 AI 代理的具體實現邏輯，我們可以大膽地想像，Web3 + AI 代理的組合會帶來無限的想像，比如：

當前交易應用可新增AI代理模式，可為客戶提供自然語言級交互介面，包括但不限於價格預測、交易策略、止損策略、槓桿動態調整、KOL智慧跟單、借貸等。

• 在執行量化策略時，可以將策略進一步分解為每個子任務並交給不同的 AI 代理執行，並且每個 AI 代理相互配合，不僅可以提高隱私保護的安全性，還可以實時監控，防止交易對手利用漏洞反擊機器人。
• 鏈游中大量的NPC也是AI代理應用方向的天然契合，現在有一個專案應用GPT動態生成遊戲角色的對話內容，未來有望不局限於預設文字，而是升級到更逼真的即時遊戲NPC（甚至數位人）交互，可以在不涉及玩家干預的情況下實現自我交互。 斯坦福大學的“虛擬城鎮”就是一個很好的例子。

雖然目前的Web3+AI代理專案中心仍然集中在一級市場或AI基礎設施的一邊，仍然沒有To C的殺手級應用，但相信在區塊鏈各種特性的結合下，如分散式鏈上治理、零知識證明推理、模型分發、可解釋性改進等，未來改變遊戲規則的Web3+AI專案值得期待。

2.3.3 Web3+AI的潛在垂直應用

A. 在教育領域的應用

Web3 和 AI 的結合帶來了一場教育革命，其中生成式虛擬實境教室是一項引人注目的創新。 通過將人工智慧技術嵌入在線學習平臺，學生可以獲得個人化的學習體驗，根據他們的學習歷史和興趣生成定製的教育內容。 這種個人化的方法有望提高學生的學習動力和有效性，使教育更接近個人需求。

學生通過沉浸式VR設備參加虛擬實境課程
來源：芯德團隊

此外，代幣模式的信用激勵也是教育領域的一種創新實踐。 通過區塊鏈技術，學生的學分和成就可以編碼成代幣，形成數位學分體系。 這些激勵措施鼓勵學生積极參與學習活動，創造一個更具參與性和激勵性的學習環境。

**受最近流行的 SocialFi 專案 FriendTech 的啟發，類似的綁定 ID 的關鍵定價邏輯也可以用來構建點對點評估系統，這也為教育帶來了更多的社會元素。 **借助區塊鏈的不變性，學生之間的評價更加公平透明。 這種相互評價機制不僅有助於培養學生的團隊合作和社交能力，而且對學生的表現提供了更全面、多角度的評估，為教育系統引入了更加多樣化和全面的評價方法。

B. 醫療應用

在醫療保健領域，Web3 和 AI 的結合正在推動聯邦學習和分散式推理的發展。 通過聯合分散式計算和機器學習，醫療保健專業人員可以大規模共享數據，以實現更深入、更全面的小組學習。 這種集體智慧方法可以加速疾病診斷和治療方案的發展，並推進醫學領域。

隱私保護是醫療應用中不容忽視的關鍵問題。 通過Web3的去中心化和區塊鏈的不變性，患者的醫療數據可以更安全地存儲和傳輸。 智慧合約可以實現對醫療數據的精確控制和許可權管理，確保只有授權人員才能訪問患者的敏感資訊，從而維護醫療數據的隱私性。

C. 在保險領域的應用

在保險領域，Web3和AI的融合有望為傳統業務帶來更高效、更智慧的解決方案。 例如，在汽車和家庭保險中，計算機視覺技術的使用使保險公司能夠通過圖像分析和估值更有效地評估財產的價值和風險水準。 這為保險公司提供了更加精細化和個人化的定價策略，提高了保險業的風險管理水準。

使用 AI 技術進行索賠評估
資料來源：Tractable Inc

同時，鏈上自動化理賠也是保險行業的一項創新。 基於智慧合約和區塊鏈技術，索賠流程可以更加透明和高效，減少繁瑣程式和人為干預的可能性。 這不僅提高了理賠速度，還降低了運營成本，為保險公司和客戶帶來了更好的體驗。

動態調整保費是另一種創新實踐，通過實時數據分析和機器學習演演演算法，保險公司能夠更準確、更及時地調整保費，並根據被保險人的實際風險狀況進行個人化定價。 這不僅使保費更加公平，而且激勵投保人採取更健康、更安全的行為，促進整個社會的風險管理和預防措施。

D. 版權領域的應用

在版權領域，Web3 和 AI 的結合為數位內容創建、策展提案和代碼開發帶來了全新的範式。 通過智慧合約和去中心化存儲，數位內容的版權資訊可以得到更好的保護，作品創作者可以更輕鬆地跟蹤和管理其智慧財產權。 同時，通過區塊鏈技術，可以建立透明、防篡改的創作記錄，為作品的可追溯性和認證提供更可靠的手段。

工作模式的創新也是版權領域的一個重要變化。 代幣激勵的工作協作通過將工作貢獻與代幣激勵相結合，鼓勵建立者、規劃者和開發人員參與專案。 這不僅促進了創意團隊之間的協作，而且還為參與者提供了直接受益於專案成功的機會，從而產生了更多出色的作品。

另一方面，代幣作為版權證明的應用重塑了利益分配的模式。 通過智慧合約自動執行的分紅機制，作品的每個參與者都可以在作品被使用、出售或轉讓時實時獲得相應的利潤分成。 這種去中心化紅利模式有效解決了傳統版權模式中不透明、滯後的問題，為創作者提供了更公平、更高效的利益分配機制。

• E. 元宇宙應用

在元宇宙領域，Web3和AI的融合為創建低成本AIGC填充的區塊鏈內容提供了新的可能性。 AI演演演算法生成的虛擬環境和角色可以豐富鏈游內容，為使用者提供更加生動多樣的遊戲體驗，減少製作過程中的人力和時間成本。

數字人類生產是元宇宙應用的一項創新。 結合基於大語言模型的外觀生成和思維構建，生成的數位人類可以在元宇宙中扮演各種角色，與用戶互動，甚至參與現實世界場景的數位孿生。 這為虛擬實境的發展提供了更真實、更深刻的體驗，推動了數位虛擬人技術在娛樂、教育等領域的廣泛應用。

根據鏈上用戶畫像自動生成廣告內容是元宇宙領域的智慧廣告創意應用。 通過分析使用者在元宇宙中的行為和偏好，人工智慧演演演算法可以生成更加個人化和引人入勝的廣告內容，提高廣告的點擊率和用戶參與度。 這種廣告生成方式不僅更符合用戶的興趣，也為廣告主提供了更有效的推廣方式。

生成式互動式 NFT 是元宇宙空間中一項引人注目的技術。 通過將 NFT 與創成式設計相結合，用戶可以在元宇宙中參與創建自己的 NFT 藝術品，賦予其交互性和獨特性。 這為數位資產的創建和交易開闢了新的可能性，推動了數位藝術和虛擬宇宙中虛擬經濟的發展。

3. 與 Web3 相關的目標

在此筆者選取了五個專案，渲染網路和Akash作為通用AI基礎設施和AI賽道的老龍頭，Bittensor作為模型類的熱門專案，Alethea.ai作為生成AI的強應用專案，Fetch.ai作為AI代理領域的標誌性專案，一窺生成AI專案在Web3領域的現狀。

3.1 渲染網络（$RNDR）

Render Network由其母公司OTOY的創始人Jules Urbach於2017年創立。 OTOY的核心業務是在雲上進行圖形渲染，它曾參與過奧斯卡獲獎電影和電視專案，谷歌和Mozilla聯合創始人擔任顧問，並與蘋果合作過多個專案。 渲染網路從 OTOY 延伸到 Web3 領域，旨在利用區塊鏈技術的分散式特性，將具有小規模渲染和 AI 需求和資源的去中心化平臺連接起來，從而為小作坊節省租賃昂貴的集中計算資源（如 AWS、MS Azure 和阿裡雲）的成本，併為那些擁有空閒計算資源的人提供創收。

由於 Render 是一家 OTOY 公司，獨立開發了高性能渲染器 Octane Render，再加上明確的業務邏輯，所以在推出之初就被認為是一個有自己的要求和基礎的 Web3 專案。 在生成式AI風靡一時的時期，對分散式驗證和分散式推理任務的需求非常適合Render的技術架構，被認為是其未來有前途的發展方向之一。 同時，Render 近年來在 Web3 領域的 AI 賽道上佔據領先地位，並衍生出一定程度的模因性質。

2023 年 2 月，Render Network 宣佈即將更新新的定價層和社區投票的價格穩定機制，價格為 RNDR 美元（但尚未確定何時上線），並宣佈該專案將從 Polygon 轉移到 Solana（同時將 RNDR 美元的代幣升級為基於 Solana SPL 標準的$RENDER代幣，目前已於 2023 年 11 月完成）。

渲染網路發佈的全新定價分級系統，將鏈上服務從高到低分為三層，對應渲染服務的不同價位和品質，可供渲染需求者選擇。

渲染網路新定價層的三個層級

由社區投票的 RNDR 美元的價格穩定機制，已從之前的不定期回購改為使用“燃燒和鑄幣均衡 （BME）”模式，使得 $RNDR 作為價格穩定支付代幣而不是長期持有資產的定位更加明顯。 下圖顯示了 BME 紀元中的具體業務流程：

• 產品建立 渲染上的「產品建立者」，即渲染資源提供程式，他們將空閒的渲染資源打包到產品（節點）中，等待在網路上使用。
• “購買產品”。 有渲染需求的客戶如果有 RNDR 美元的代幣，他們將直接銷毀代幣作為服務付款，如果沒有，他們將首先在 DEX 上購買 RNDR 美元的法定貨幣代幣。 為服務支付的價格在鏈上公開記錄。 *鑄幣代幣“鑄幣代幣”。 根據預設規則，分配一個新的令牌。

注意：渲染網路從每筆交易中收取產品購買者為項目運營支付的費用的 5%。

燃燒和鑄幣平衡時代

感謝佩塔爾·阿塔納索夫斯基
來源：中

根據預設規則，在BME執行的每個紀元中，將鑄造預設數量的新代幣（預設數量將隨著時間的推移逐漸減少）。 新鑄造的代幣將分發給三方：

• 產品建立者。 產品的建立者通過兩種方式獲得：

• 完成任務的獎勵。 不難理解，每個產品節點都是根據完成的渲染任務數來獎勵的。
• 在線獎勵。 將根據每個產品節點的在線待機市場給予獎勵，並鼓勵更多的在線工作來限制資源。

• 產品購買者。 與商城產品回扣類似，購買者可以獲得高達 100% 的 RNDR 美元代幣回扣，以鼓勵將來繼續使用渲染網路。
• DEX（去中心化交易所）流動性提供者。 合作 DEX 中的流動性提供者可以根據質押的 RNDR 美元金額獲得獎勵，方法是確保他們在需要燃燒 RNDR 美元時能夠以合理的價格購買足夠數量的 RNDR 美元。

來源：coingecko.com

從過去一年 $RNDR 的價格走勢可以看出，作為 Web3 中 AI 賽道多年的龍頭專案，$RNDR 在 2022 年底和 2023 年初吃下了 ChatGPT 帶動的一波 AI 熱潮的紅利，同時隨著新代幣機制的發佈，RNDR 美元的價格在 2023 年上半年達到了高點。 在經歷了下半年的橫盤整理之後，隨著OpenAI新新聞發佈會帶來的AI復甦、渲染網路向Solana的遷移以及新代幣機制的即將實施，RNDR美元的價格達到了近年來的高點。 由於RNDR美元的基本面變化很小，對於投資者來說，RNDR美元的未來投資需要在頭寸管理和風險管理方面更加謹慎。

每月渲染網路節點數

渲染網路 每月渲染的場景數
來源：Dune.com

同時，正如您從 Dune 儀錶盤中看到的那樣，自 2023 年初以來，渲染作業總數有所增加，但渲染節點的數量並沒有增加。 結合 2022 年底的生成式 AI 熱潮，可以合理地推斷，額外的渲染任務都是與生成式 AI 相關的任務。 目前很難說這部分需求是否是長期需求，需要跟進觀察。

3.2 阿卡什網络 （$AKT）

Akash網路是一個去中心化的雲計算平臺，旨在為開發人員和企業提供更靈活、高效、更具成本效益的雲計算解決方案。 該專案搭建的「超級雲」平臺建立在分散式區塊鏈技術之上，利用區塊鏈的去中心化特性，為使用者提供可以在全球範圍內部署和運行應用的去中心化雲基礎設施，包括CPU、GPU和存儲等多種計算資源。

Akash Network的創始人Greg Osuri和Adam Bozanich是連續創業者，他們一起工作多年，每個人都有多年的項目經驗，共同創立了Overclock Labs專案，該專案仍然是Akash Network的核心參與者。 創始團隊對Akash Network的主要使命有一個清晰的願景，即降低雲計算成本，提高可用性，並增加使用者對計算資源的控制。 通過公開招標，激勵資源供應商在其網路中開放閑置的計算資源，Akash網路可以更有效地利用資源，從而為資源需求者提供更具競爭力的價格。

Akash Network於2023年1月啟動了Akash網路經濟學2.0更新計劃，旨在解決當前代幣經濟的許多缺點，包括：

• $AKT 代幣的市場價格波動導致長期合約價格與價值不匹配
• 對資源提供者的激勵不足以釋放他們手中的大量計算能力
• 社區激勵措施不足不利於Akash專案的長期發展
• $AKT 代幣價值捕獲不足有影響項目穩定性的風險

根據官網提供的資訊，Akash網路經濟2.0計劃提出的解決方案包括引入穩定幣支付、增加創客訂單和吃蛋費以增加協定收入、增加對資源提供者的激勵以及增加社區激勵金額等，其中穩定幣支付功能和創客接受者收費功能已經上線並實施。

作為Akash網路的原生代幣，$AKT在協定中有多種用途，包括質押驗證（安全）、激勵、網路治理和支付交易費用。 根據官網提供的數據，AKT 美元的總供應量為 388 M，截至 2023 年 11 月，已解鎖 229 M，約佔 59%。 項目啟動時分發的創始代幣已於2023年3月完全解鎖，並將進入二級市場流通。 創世代幣的分配比例如下：

值得注意的是，在價值獲取方面，$AKT提議實施但尚未實施但在白皮書中提到的一個功能是，Akash計劃對每次成功的租賃收取“收費費”。 隨後，它將這些費用發送到收入池，以便可以分配給持有人。 該計劃為AKT美元的交易提供10%的費用，為使用其他加密貨幣的交易提供20%的費用。 此外，Akash還計劃獎勵那些將AKT美元持有的時間鎖定更長時間的持有者。 因此，持有時間較長的投資者將有資格獲得更豐厚的回報。 如果這個專案在未來成功啟動，它肯定會成為貨幣價格的主要驅動力，也將有助於更好地估計項目的價值。

來源：coingecko.com

從 coingecko.com 日顯示的價格走勢可以看出，AKT美元的價格在2023年8月中旬和11月下旬也迎來了上漲，但仍然沒有AI賽道其他專案的同期漲幅那麼高，這可能與當前的資本景氣趨勢有關。 總體而言，Akash的專案作為AI賽道上的幾個高品質專案之一，比AI賽道上的大多數競爭對手具有更好的基礎。 隨著AI產業的發展和雲計算資源的集約化，相信Akash網路未來能夠在下一波AI浪潮中騰飛。

3.3 比特量 （$TAO）

如果讀者熟悉 $BTC 的技術架構，就很容易理解 Bittensor 的設計了。 事實上，在設計Bittensor時，它的作者借鑒了BTC美元加密貨幣老手的很多特徵，包括：總共2100萬個代幣，大約每四年減半一次產量，涉及PoW的共識機制等等。 具體來說，讓我們想像一個初始的BTC生產過程，然後替換“挖礦”的過程來計算隨機數，這並不能創造真正的價值，來訓練和驗證 AI 模型，並根據 AI 模型的性能和可靠性激勵礦工工作，這是對 Bittensor（TAO 美元）專案架構的簡單總結。

Bittensor 專案最初由兩位人工智慧研究人員 Jacob Steeves 和 Ala Shaabana 於 2019 年創立，其主要框架基於神秘作家 Yuma Rao 撰寫的白皮書內容。 綜上所述，它設計了一個無需許可的開源協定，並構建了一個由負責不同任務（機器翻譯、圖像識別和生成、大語言模型等）的不同子網連接的許多子網組成的網路架構，出色的任務完成將得到激勵，同時允許子網相互交互和學習。

回顧目前市面上的大型AI模型，無一例外，都來自科技巨頭投入的海量計算資源和數據。 雖然以這種方式訓練的人工智慧產品確實表現令人印象深刻，但它們也存在集中注意力變得邪惡的高風險。 Bittensor基礎設施旨在允許通信專家網路相互交流和學習，這為大型模型的分散訓練奠定了基礎。 Bittensor 的長期願景是與 OpenAI、Meta、Google 等巨頭的閉源模型競爭，以便在保持模型去中心化性的同時實現匹配的推理性能。

Bittensor網路的技術核心來自Yuma Rao獨特設計的共識機制，也稱為Yuma共識，這是一種混合了PoW和PoS的共識機制。 供應方的主要參與者分為“伺服器”（即礦工）和“驗證者”，需求方的參與者是在網络中使用模型的“客戶”（即客戶）。 礦工負責為當前子網任務提供預先訓練的模型，收到的獎勵取決於所提供模型的品質，而驗證者負責驗證模型性能並在礦工和客戶之前充當仲介。 具體流程如下：

• 用戶端將子網中使用模型的要求和需要計算的數據發送給驗證器
• 驗證者將數據分發給子網下的各個礦工
• 礦工使用自己的模型和接受的數據在模型推理後返回結果
• 驗證者按品質對接收到的推理結果進行排序，排序結果存儲在鏈上
• 最優推理結果返回給使用者，礦工按訂單排序，驗證者按工作量獎勵

需要注意的是，在絕大多數子網中，Bittensor 本身並不訓練任何模型，其作用更像是將模型提供者和模型需求者聯繫起來，並在此基礎上進一步利用小模型之間的交互來提高不同任務的性能。 目前，有30個子網已經上線（或已經上線），對應不同的任務模型。

作為 Bittensor 的原生代幣，$TAO 通過創建子網、在子網中註冊、支付服務費用、質押驗證器等，在生態系統中發揮著關鍵作用。 同時，由於Bittensor專案向BTC精神致敬的做法，$TAO選擇了公平的開始，即所有代幣都將通過向網路做出貢獻而產生。 目前，TAO 美元的日產量約為 7200 美元，在礦工和驗證者之間平均分配。 自專案啟動以來，已經產生了2100萬總金額中的約26.3%，其中87.21%的代幣已用於質押和驗證。 同時，該專案旨在每4年減半產量（與BTC相同），其中最近的一次將發生在2025年9月20日，這也將成為價格上漲的重要推動力。

學分：taostats.io

從價格走勢可以看出，自2023年10月底以來，TAO美元的價格經歷了大幅上漲，據推測，主要驅動力是OpenAI發佈會帶來的新一輪AI熱潮，使得資本板塊向AI板塊輪換。 同時，$TAO作為Web3+AI賽道上的新興專案，其卓越的專案品質和長期的專案願景也是吸引資金的一大原因。 但是，我們不得不承認，與其他AI項目一樣，Web3+AI的組合雖然潛力巨大，但其在實際業務中的應用還不足以支撐一個長期盈利的專案。

3.4 Alethea.ai（$ALI）

Alethea.ai 成立於2020年，是一個致力於使用區塊鏈技術將去中心化擁有權和去中心化治理引入生成內容的專案。 Alethea.ai 的創始人認為，生成式人工智慧將把我們置於一個生成式內容導致資訊冗餘的時代，大量的電子內容只是簡單地複製粘貼或一鍵生成，而當初創造價值的人將無法從中受益。 通過將鏈上原語（如 NFT）與生成式 AI 連接起來，可以確保生成式 AI 及其內容的擁有權，並在此基礎上進行社區治理。

在這種理念的推動下，Alethea.ai 早期推出了一種新的 NFT 標準 iNFT，該標準利用智慧豆莢將嵌入式 AI 動畫、語音合成甚至生成 AI 創建到圖像中。 此外，Alethea.ai 與藝術家合作，將他們的作品變成 iNFT，在蘇富比以 478,000 美元的價格售出。

將靈魂注入 NFT
來源：Alethea.ai

後來 Alethea.ai 推出了AI協定，該協定允許生成AI的任何開發人員和建立者在未經許可的情況下使用iNFT標準進行創建。 同時，為了在自己的AI協定上為其他專案製作樣本，Alethea.ai 還借鑒了GPT大模型的理論，推出了製作互動式NFT的工具CharacterGPT。 此外，Alethea.ai 最近還發佈了 Open Fusion，它允許市場上的任何 ERC-721 NFT 與智慧相結合併發佈到 AI 協定。

Alethea.ai的原生代幣是ALI美元，它的主要用途有四個方面：

• 鎖定一定金額的 ALI 美元以建立 iNFT
• 鎖定越多，智慧艙等級越高
• ALI 美元的持有者參與社區治理
• ALI 美元可用作參與 iNFT 之間互動的憑證（尚無實際用例）

來源：coingecko.com

從 $ALI 的用例中可以看出，這個代幣的當前價值捕獲還處於敘述層面，這個推論也可以從一年內貨幣價格的變化中得到證實：$ALI 自 2022 年 12 月以來，已經收穫了由 ChatGPT 引領的生成式 AI 熱潮的紅利。 與此同時，今年6月，當 Alethea.ai 宣佈推出其最新的Open Fusion功能時，也帶來了一波增長。 最重要的是，ALI 美元的價格一直呈下降趨勢，即使是 2023 年末的 AI 熱潮也未能將價格推高到同軌道專案的平均水準。

除了原生代幣，我們來看看NFT專案的表現，Alethea.ai的iNFT（包括官方發佈的收藏）在NFT市場上的表現。

智囊團在公海的日銷量

荒野獵人系列在公海的每日銷售情況

來源：Dune.com

從《沙丘》的儀錶盤統計中可以看出，無論是賣給第三方的智庫，還是 Alethea.ai 第一方發佈的亡魂系列，在最初發佈后都逐漸消失了。 筆者認為，造成這種情況的主要原因應該是最初的新奇感消退後，沒有實際價值或社區知名度來留住使用者。

3.5 Fetch.ai（$FET）

Fetch.ai 是一個致力於促進人工智慧和區塊鏈技術融合的專案。 該公司的目標是建立一個分散的智慧經濟，通過機器學習、區塊鏈和分散式賬本技術的組合，為智慧代理之間的經濟活動提供動力。

Fetch.ai 由來自英國的科學家胡馬雍·謝赫、托比·辛普森和湯瑪斯·海恩於 2019 年創立。 三位創始人來自不同的背景，包括Deepmind的早期投資者Humayun Sheikh，幾家公司的高管Toby Simpson，以及謝菲爾德大學人工智慧教授Thomas Hain。 Fetch.ai 創始團隊深厚的背景為公司帶來了豐富的行業資源，涵蓋傳統IT公司、區塊鏈明星專案、醫療和超算項目等領域。

Fetch.ai的使命是建立一個由自主經濟代理和AI應用程式組成的去中心化網路平臺，使開發人員能夠通過創建自主代理來完成預設的目標任務。 該平臺的核心技術是其獨特的三層架構：

• 底層：基於PoS-uD（即無需許可的權益證明共識機制）的底層智慧合約網路，支援礦工間協作和基礎機器學習訓練和推理
• 中間層：OEF（開放經濟框架）為 AEA 提供了一個相互交互的共享空間，允許 AEA 與底層協定交互，還支援 AEA 相互搜索、發現和交易 *上部：AEA（自治經濟代理），這是 Fetch.ai 的核心組成部分。 每個AEA都是一個智慧代理軟體，通過各種技能模組實現不同的功能，代表使用者完成預定義的任務。 代理軟體不是直接在區塊鏈上運行，而是通過中間層OEF與區塊鏈和智能合約進行交互。 這種智慧代理軟體可以是純軟體，也可以綁定到實際硬體，如手機、電腦、汽車等。 官方提供了基於Python的開發工具包AEA框架，它是可組合的，使開發人員能夠使用它構建自己的智慧代理軟體。

在此架構的基礎上，Fetch.ai 還推出了多個後續產品和服務，例如Co-Learn（代理之間的共用機器學習模型）和Metaverse（智慧代理雲託管服務），以支援使用者在其平台上開發自己的智慧代理。

在代幣方面，FET 美元作為 Fetch.ai 的原生代幣，涵蓋了在網路內支付 gas、質押驗證和購買服務的常規角色。 到目前為止，超過90%的代幣已經解鎖了FET美元，分配如下：

自專案啟動以來，Fetch.ai 以稀釋代幣持有的形式獲得了多輪融資，最近一次是在 2023 年 3 月 29 日，當時 Fetch.ai 從 DWF Lab 獲得了 3000 萬美元的資金。 由於FET美元的代幣並不能捕捉到專案在收入方面的價值，價格上漲的驅動力主要來自專案更新和市場對AI軌道的情緒。 可以看出，Fetch.ai 的價格在2023年初和2023年底飆升了100%以上。

來源：coingecko.com

相比區塊鏈項目發展獲得關注的其他方式，Fetch.ai的發展路徑更像是Web2.0中的AI創業專案，專注於打磨技術水準，通過持續融資和廣泛合作尋找盈利點。 這種方法為未來基於 Fetch.ai 開發的應用程式留下了很大的空間，但開發模式也使得它對其他區塊鏈專案啟動生態系統的吸引力降低（Fetch.ai 的創始人之一親自創立了基於 Fetch.ai 的 DEX 專案 Mettalex DEX，最終失敗了）。 作為一個以基礎設施為導向的專案，由於生態的枯萎，Fetch.ai 專案的內在價值難以提高。

第四，生成式AI前景廣闊

英偉達CEO黃仁勳將生成模型的發佈稱為AI的“iPhone”時刻，現階段生產AI的稀缺資源是以高性能計算晶元為中心的基礎設施。 作為Web3中鎖定資金最多的AI子軌道，AI基礎設施專案一直是投資者長期投資和研究的重點。 可以預見，隨著晶元巨頭對算力設備的逐步升級，AI算力的逐步提升，以及AI能力的釋放，可以預見，未來Web3細分領域將湧現出更多AI基礎設施專案，甚至可以預期，未來Web3中專門為AI訓練而設計生產的晶元將問世。 **

儘管ToC的生成式AI產品的開發仍處於試驗階段，但其部分ToB工業級產品已顯示出巨大的潛力。 其中之一是將現實世界場景遷移到數位領域的“數位孿生”技術，結合英偉達為元宇宙視覺發佈的數位孿生科學計算平臺，考慮到行業內仍有巨大的數據價值尚未發佈，生成式AI將成為工業場景中數位孿生的重要助力。 進一步進入 Web3 領域，包括元宇宙、數位內容創作、現實世界資產等，將受到人工智慧驅動的數位孿生技術的影響。

新型交互硬體的開發也是一個不容忽視的環節。 從歷史上看，計算領域的每一次硬體革命都帶來了翻天覆地的變化和新的發展機遇，比如今天司空見慣的電腦滑鼠，或者帶有多點觸控電容屏的iPhone 4。 已經宣佈將於 2024 年第一季度推出的 Apple Vision Pro，其令人驚歎的演示已經吸引了全球的廣泛關注，在實際推出時應該會給各個行業帶來意想不到的變化和機遇。 憑藉內容生產快、傳播快、範圍廣等優勢，娛樂領域往往在每次硬體技術更新后率先受益。 當然，這也包括Web3中的元宇宙、鏈游、NFT等各種視覺娛樂賽道，值得讀者未來長期關注和研究。

從長遠來看，生成式AI的發展是一個數量變化導致質變的過程。 ChatGPT的本質是解決推理問答的問題，這是學術界長期以來廣泛關注和研究的問題。 經過數據和模型的長期反覆運算，終於達到了GPT-4的水準，驚豔了世界。 Web3 中的 AI 應用程式也是如此，它們仍處於將模型從 Web2 引入 Web3 的階段，完全基於 Web3 數據開發的模型尚未出現。 未來，有遠見的專案方和大量的資源需要投入到Web3中實際問題的研究中，讓Web3自己的ChatGPT級殺手級應用能夠逐漸走近。

現階段，在生成式AI的技術背景下，有很多方向值得探索，其中之一就是依賴於邏輯實現的思維鏈技術。 簡單來說，通過思維技術鏈，大語言模型已經能夠在多步推理上實現質的飛躍。 但是，思維鏈的使用並沒有得到解決，或者在一定程度上導致了複雜邏輯中大模型推理能力不足的問題。 對此感興趣的讀者，應閱讀思想鏈條原作者的論文。

ChatGPT 的成功導致了 Web3 中各種流行的 GPT 鏈的出現，但 GPT 和智慧合約的簡單粗糙組合並不能真正解決使用者的需求。 ChatGPT 發佈已經過去一年左右了，從長遠來看，只是彈指一彈，未來的產品也應該從 Web3 使用者自身的真實需求出發，隨著 Web3 技術的日益成熟，相信生成式 AI 在 Web3 中的應用有無限可能值得期待。

參考資料

谷歌雲技術 - 生成式人工智慧簡介

AWS - 什麼是產生式 AI

大型語言模型的經濟學

一旦擴散模型發揮作用，GAN就會過時???

說明來自人類反饋的強化學習 （RLHF）

產生式 AI 和 Web3

誰擁有生成式AI平臺？

Apple Vision Pro 滿月重新思考：XR、RNDR和空間計算的未來

AI 如何鑄造為 NFT？

大型語言模型中的湧現類比推理

阿卡什網路代幣 （AKT） 創世解鎖時程表和供應估算

聲明

本報告是@chenyangjamie@GryphsisAcademy學生在@CryptoScott_ETH，@Zou_Block的指導下撰寫的原創作品。 作者對所有內容負全部責任，不一定反映獅鷲學院的觀點，也不一定反映委託報告的組織的觀點。 編輯內容和決定不受讀者影響。 請注意，作者可能擁有本報告中提到的加密貨幣。 本檔僅供參考，不應作為投資決策的依據。 強烈建議您在做出投資決定之前進行自己的研究並諮詢中立的財務、稅務或法律顧問。 請記住，任何資產的過去表現並不能保證未來的回報。