撰寫：Mohamed Fouda、Qiao Wang

*本文由 Alliance DAO 獨家授權深潮 TechFlow 編譯發佈。

自 ChatGPT 和 GPT-4 推出以來，有大量內容探討人工智能如何改變 Web3 等一切事物。很多行業的開發人員通過利用 ChatGPT 自動化工作內容，如生成樣板代碼、進行單元測試、創建文檔、調試和檢測漏洞等。雖然本文將探討人工智能如何啟用新的有趣的 Web3 用例，但主要關注點在於 Web3 和人工智能之間的互惠關係。少有技術能夠顯著影響人工智能的發展軌跡，而 Web3 就是其中之一。

Web3 如何使人工智能受益？

儘管潛力巨大，但當前的人工智能模型面臨著若干挑戰，包括數據隱私、專有模型執行的公平性以及創建和傳播可信虛假內容的能力等。一些現有的 Web3.0 技術具有獨特的優勢來應對這些挑戰。

用於機器學習訓練的專有數據集

Web3 可以幫助人工智能的一個領域是協作創造專有數據集以供機器學習（ML），即用於數據集創建的 PoPW 網絡。海量數據集對於準確的 ML 模型至關重要，但它們的創建可能是一個瓶頸，特別是在需要使用私人數據進行診斷的醫療 ML 應用中。患者數據隱私問題是個重大障礙，但訪問醫療記錄是訓練這些模型所必需的。然而，由於隱私問題，患者可能不願意共享他們的醫療記錄。為了解決這個問題，患者可以通過可驗證的方式對他們的醫療記錄進行匿名化處理，以保護他們的隱私，同時仍然可以將其用於 ML 訓練。

匿名化醫療記錄的真實性是一個問題，因為偽造數據可能會影響模型性能。為了解決這個困境，可以使用零知識證明（ZKP）來驗證匿名化的醫療記錄的真實性。患者可以生成 ZKP 來證實匿名化記錄確實是原始記錄的副本，即使刪除了個人身份信息（PII）同樣可以驗證。這樣，患者可以將匿名記錄和 ZKP 一起提交給有興趣的各方，並獲得獎勵，而不會犧牲他們的隱私。

對隱私數據運行推理

當前 LLM 的一個主要弱點是其處理隱私數據的能力。例如，當用戶與 ChatGPT 交互時，OpenAI 收集用戶的數據並將其用於增強模型的訓練，可能會導致敏感信息洩露。此情形曾發生在三星公司。零知識 (zk) 技術可以幫助解決 ML 模型在對私有數據執行推斷時出現的一些問題。在這裡，我們考慮兩種情況：開源模型和專有模型。

• 對於開源模型，用戶可以下載模型並在本地運行它們的隱私數據。一個例子是 Worldcoin 計劃升級 World ID。Worldcoin 需要處理用戶的私有生物特徵數據，即用戶的虹膜掃描，以創建每個用戶的唯一標識符，稱為 IrisCode。在這種情況下，用戶可以在設備中保持其生物特徵數據的隱私性，下載用於生成 IrisCode 的 ML 模型，本地運行推斷，並創建 ZKP 來證明他們成功創建了 IrisCode。所生成的證據保證了推斷的真實性，同時也保護了數據隱私。ML 模型的高效 zk 證明機制（例如由 Modulus Labs 開發的機制）對於此用例至關重要。

• 另一種模型是專有模型。ZKP 有兩種可能的方式可以幫助解決這個問題。第一種方法是，在將匿名化數據發送到 ML 模型之前，使用 ZKP 對用戶數據進行匿名化，就像在數據集創建案例中討論的那樣。另一種方法是在將預處理輸出發送到 ML 模型之前，對私有數據進行本地預處理。在這種情況下，預處理步驟隱藏了用戶的私有數據，使其無法被重構。用戶生成一個 ZKP 來證明預處理步驟的正確執行，然後可以遠程在模型所有者的服務器上執行其餘專有模型。這裡的應用場景包括 AI 醫生，可以分析患者的醫療記錄以進行潛在診斷，以及評估客戶私人財務信息的金融風險評估算法。

內容真實性和對抗深度偽造技術

ChatGPT 可能已經從那些專注於生成圖片、音頻和視頻的生成式人工智能模型中奪得了風頭。然而，這些模型目前能夠生成逼真的深度偽造內容。最近由 AI 生成的 Drake 歌曲就是一個很好的例子。這些深度偽造技術代表著一個重大威脅，有許多創業公司正在嘗試使用 Web 2 技術解決這個問題，但是 Web3 技術（如數字簽名）更適合解決這個問題。

在 Web3 中，用戶交互（即 Transactions）通過用戶的私鑰進行簽名以證明其有效性。同樣，無論是文本、圖片、音頻還是視頻等內容都可以通過創建者的私鑰進行簽名，以證明其真實性。任何人都可以根據創建者的公共地址驗證簽名，該地址提供在創建者的網站或社交媒體賬戶上。Web3 網絡已經建立了所有用於這種用例的基礎設施。Fred Wilson 討論了將內容與公鑰關聯起來如何有效地對抗虛假信息。許多知名的 VC 已經將他們現有的社交媒體個人資料（如 Twitter）或去中心化社交媒體平臺（如 Lens Protoocl 和 Mirror）與加密公共地址相連，這為數字簽名作為內容認證方法的可信度提供了支持。

儘管這個概念很簡單，但是需要做很多工作來改善這個認證過程的用戶體驗。例如，需要自動化創建內容的數字簽名過程，以為創建者提供無縫的流程。另一個挑戰是如何生成已簽名數據的子集，例如音頻或視頻片段，而無需重新簽名。許多現有的 Web3 技術都獨特地解決了這些問題。

專有模型的信任最小化

Web3 可以使 AI 受益的另一個領域是，在提供專有 ML 模型作為服務時，可以將對服務提供商的信任程度降到最低。用戶可能需要驗證他們是否獲得了花錢購買的的服務，或獲得公平執行 ML 模型的保證，即所有用戶都使用相同的模型。可以使用 ZKP 來提供這些保證。在這種架構中，ML 模型創建者生成表示 ML 模型的 zk 電路。然後在需要時使用電路為用戶推斷生成 ZKP。ZKP 可以發送給用戶進行驗證，也可以發佈到處理用戶驗證任務的公共鏈上。如果 ML 模型是私有的，獨立第三方可以驗證使用的 zk 電路確實代表該模型。ML 模型的信任最小化，在模型的執行結果具有高風險時將會特別有用。示例包括：

1、ML 醫療診斷

在這種用例中，患者向 ML 模型提交他們的醫療數據以進行潛在診斷。患者需要保證目標 ML 模型已經正確地應用於他們的數據。推理過程生成一個 ZKP，證明了 ML 模型的正確執行。

2、貸款信用評估

ZKP 可以確保銀行和金融機構在評估信用價值時考慮到申請人提交的所有財務信息。此外，ZKP 可以通過證明所有用戶使用相同的模型，來證明公平性。

3、保險索賠處理

當前的保險索賠處理是手動和主觀的。ML 模型可以更好地公正地評估保險單和索賠詳細信息。結合 ZKP，這些索賠處理 ML 模型可以被證明已經考慮了所有保單和索賠細節，並且能保證同一模型用於處理同一保險單下的所有索賠。

解決模型創建的中心化問題

創建和訓練 LLM （大語言模型）是一個漫長而昂貴的過程，需要特定領域的專業知識、專用計算基礎設施和數百萬美元的計算成本。這些特點可能導致強大的中心化實體，例如 OpenAI，它們可以通過限制對其模型的訪問，獲得巨大的權力。

考慮到這些中心化風險，關於 Web3 如何促進 LLM 創建中的去中心化問題，就成了研究的重點。一些 Web3 倡導者提出了分佈式計算的方法，與中心化參與者競爭。其核心思想是分佈式計算可以是一種更便宜的替代方案。然而，我們的觀點是，這可能不是與中心化參與者競爭的最佳角度。分佈式計算的劣勢在於，因不同異構計算設備之間的通信開銷，ML 訓練可能會變慢 10-100 倍。

相反，Web3 項目可以專注於以 PoPW 風格創建獨特且具有競爭力的 ML 模型。這些 PoPW 網絡還可以收集數據以構建唯一的數據集來訓練這些模型。一些正在朝著這個方向發展的項目包括 Together 和 Bittensor。

AI 代理的支付和執行框架

過去幾周見證了 AI 代理的興起，這些代理利用 LLM 來推理實現特定目標所需的任務，甚至執行這些任務以實現目標。AI 代理浪潮始於 BabyAGI，並迅速擴散到包括 AutoGPT 在內的高級版本。這裡的一個重要預測是，AI 代理將變得更加專業化，以在某些任務中表現出色。如果存在專門的 AI 代理市場，則 AI 代理可以搜索、僱傭和支付其他 AI 代理來執行特定任務，從而完成主項目。在這個過程中，Web3 網絡為 AI 代理提供了一個理想的環境。對於支付，可以為 AI 代理配備加密貨幣錢包，用於接收款項和支付給其他 AI 代理費用。此外，AI 代理可以插入加密網絡，以在無許可的情況下委託資源。例如，如果 AI 代理需要存儲數據，AI 代理可以創建一個 Filecoin 錢包並支付 IPFS 上的去中心化存儲費用。AI 代理還可以委託來自 Akash 等去中心化計算網絡的計算資源來執行某些任務，甚至擴展其自身的執行能力。

防止 AI 侵犯隱私

考慮到訓練高效 ML 模型所需的大量數據，可以預料到任何公共數據都會進入到模型中，以使用這些數據來預測個人行為。此外，銀行和金融機構可以建立自己的 ML 模型，該模型是基於用戶的財務信息進行訓練的，並且能夠預測用戶未來的財務行為。這可能是對隱私的重大侵犯。唯一減輕這種威脅的方法是，金融交易隱私是默認被保護的。而在 Web3 中，這種隱私可以通過使用隱私支付區塊鏈（如 zCash 或 Aztec）和私有 DeFi 協議（如 Penumbra 和 Aleo）來實現。

啟用 AI 的 Web3 用例

鏈上游戲

1、非編程遊戲玩家的機器人生成

像 Dark Forest 這樣的鏈上游戲創造了一種獨特的範例，玩家可以通過開發和部署執行所需遊戲任務的機器人來獲得優勢。這種範式轉變可能會排除沒有代碼能力的遊戲玩家。然而，LLM 可以改變這一點。LLM 可以被精細調整以理解鏈上游戲邏輯，並允許玩家創建反映玩家策略的機器人，而不需要玩家編寫任何代碼。Primodium 和 AI Arena 等項目正在致力於為他們的遊戲招募人類和 AI 玩家。

2、機器人戰鬥、下注和博彩

鏈上游戲的另一種可能性是完全自主的 AI 玩家。在這種情況下，玩家是一個 AI 代理，例如 AutoGPT，它使用 LLM 作為後端並可以訪問外部資源，例如互聯網訪問和潛在的初始加密貨幣資金。這些 AI 玩家可以以機器人大戰的方式進行投注。這可以為投機和押注這些賭注的結果打開市場。

3、為鏈上游戲創建逼真的 NPC

當前的遊戲很少關注非玩家角色（NPC）。NPC 的行動有限，並且對遊戲進程影響很小。考慮到 AI 和 Web3 的協同作用，可以創建更具吸引力的 AI 控制的 NPC，打破可預測性，使遊戲更加有趣。這裡可能面臨的一個挑戰是如何引入有意義的 NPC，同時最小化與 NPC 活動相關的 TPS 。NPC 活動的 TPS 要求過高可能導致網絡擁塞和實際玩家的用戶體驗不佳。

去中心化社交媒體

當前去中心化社交平臺的挑戰之一是，與現有的中心化平臺相比，它們沒有提供獨特的用戶體驗。與 AI 的無縫集成可以提供缺乏 Web 2 替代方案的獨特體驗。例如，AI 管理的帳戶可以通過分享相關內容、評論帖子和參與討論來幫助吸引新用戶加入網絡。AI 帳戶還可以用於新聞聚合，總結與用戶興趣相匹配的最近趨勢。

去中心化協議的安全性和經濟性設計測試

基於 LLM 的AI 代理，可以自定義目標、創建代碼並執行這些代碼，為去中心化網絡的安全性和經濟可行性提供了實際測試的機會。在這種情況下，AI 代理被指示檢查協議的安全或經濟平衡。AI 代理可以通過審查協議文檔和智能合約，並確定弱點。然後，AI 代理可以獨立地執行攻擊協議的機制，以最大化自己的收益。這種方法模擬了協議在發佈後可能你會面臨的實際環境。根據這些測試結果，協議的設計者可以審查協議設計並修補弱點。到目前為止，只有專門的公司，例如 Gauntlet，提供此類去中心化協議服務所需的技術技能集。然而，對於接受過 Solidity、DeFi 機制和以前的開發機制培訓的 LLM，我們希望 AI 代理可以提供類似的功能。

用於數據索引和指標提取的 LLM

儘管區塊鏈數據是公開的，但對該數據進行索引並提取有用的見解仍然是一項持續的挑戰。這個領域的一些參與者（例如 CoinMetrics）專注於索引數據和構建複雜的指標以進行銷售，而其他參與者（如 Dune）則專注於索引原始交易的主要組成部分，並通過社區貢獻以眾包的形式完成指標創建。隨著最近 LLM 的進展，我們清楚地看到了數據索引和指標提取可能被顛覆的趨勢。Dune 已經意識到了這種威脅，並公佈了一個 LLM 路線圖，包括 SQL 查詢解釋和基於 NLP 的查詢潛力等組件。然而，我們預測 LLM 的影響將更深入。這裡的一種可能性是，基於 LLM，可以為特定的指標索引數據，並直接與區塊鏈節點交互。像 Dune Ninja 這樣的初創公司已經在探索創新的 LLM 應用程序，用於數據索引。

引導開發者進入新生態系統

不同的區塊鏈互相競爭，吸引開發人員在該生態系統中構建應用程序。Web3 開發人員的活躍，是特定生態系統成功的重要指標之一。對於開發人員而言，一個主要的痛點是在學習和構建新興生態系統時不能及時獲得支持和指導。已經有一些生態系統投資數百萬美元成立了專門的 Dev Rel 團隊來支持探索該生態的開發人員。在這方面，新興的 LLM 已經展示了驚人的結果，可以解釋複雜的代碼，捕捉錯誤甚至創建文檔。精細調整過的 LLMs 可以與人類經驗相輔相成，顯著提高 dev rel 團隊的工作效率。例如，LLMs 可以用於創建文檔、教程、回答常見問題，並且甚至可以通過提供樣板代碼或創建單元測試來支持 hackathon 中的開發人員。

改進 DeFi 協議

通過將 AI 集成到 DeFi 協議的邏輯中，可以顯著提高許多 DeFi 協議的性能。到目前為止，在 DeFi 中集成 AI 的主要瓶頸是，在鏈上實施 AI 的成本過高。AI 模型可以在鏈下實現，但以前沒有辦法驗證模型執行。但是，藉助像 Modulus 和 ChainML 這樣的項目，鏈下執行的驗證正在變得可能。這些項目允許在鏈下執行 ML 模型，同時限制了鏈上成本的擴張。對於 Modulus 來說，鏈上費用僅限於驗證模型的 ZKP；對於 ChainML 來說，則是支付給去中心化 AI 執行網絡的預言機費用。

一些可以從 AI 集成中受益的 DeFi 用例：

1. AMM 流動性提供，即更新 Uniswap V3 流動性範圍。

2. 使用鏈上和鏈下數據進行債務頭寸的清算保護。

3. 複雜的 DeFi 結構化產品，其中保險庫機制由金融 AI 模型定義，而不是固定策略。這些策略可以包括由 AI 管理的交易、借貸或期權。

4. 可以考慮不同鏈、不同錢包的鏈上信用評分機制。

結論

我們相信 Web3 和 AI 在文化和技術上是兼容的。與傾向於厭惡機器人的 Web2 相比，Web3 允許 AI 蓬勃發展，這要歸功於其無需許可的可編程特性。

更廣泛地說，如果您將區塊鏈視為一個網絡，那麼我們預計 AI 將主導網絡的邊緣（譯者注：指進入網絡的交互點）。這適用於各種消費者應用程序，從社交媒體到遊戲。

到目前為止，Web3 網絡的邊緣大多是人類。人類發起並簽署交易或實施具有固定策略的機器人來代表他們行動。

隨著時間的推移，我們將在網絡邊緣看到越來越多的 AI 代理。AI 代理將通過智能合約與人類以及彼此進行交互。這些互動將帶來新穎的消費者體驗。