AI+Web3 未來發展之路（一）：產業圖景和敘事邏輯

撰文：Future3 Campus

在過去的 1 年裡，隨著 ChatGPT 等生成式 AI 大模型的誕生，AI 從簡單的自動化工具擴展到複雜的決策和預測系統，發展成為驅動當代社會重要進步動力。AI 類產品和應用也發生了爆發式的增長，ChatGPT 本身陸續推出 GPTs，Sora 等矚目的產品，AI 底層設施英偉達的業績持續超出預期， 2024 財年第四季度中數據中心業務佔據 83% 以上營收，同步增長 409%，其中 40% 用於大模型的推理場景，顯示出對於底層算力的快速需求增長。

當下，AI 已經成為歐美資本圈競相追逐的主題，同時 Web3 市場也迎來新一輪的牛市，AI+Web3 是當下最熱門的兩個技術主題的碰撞，近期也出現了一批該主題的項目，凸顯了市場對這個主題的關注和期待。

拋開炒作和價格泡沫，AI+Web 行業目前發展情況如何？是否真實有應用場景？長期來看，是否能夠創造有價值和敘事和產業？未來 AI+Web3 的產業將會形成怎樣的生態格局，具有潛力的方向在哪裡？

圍繞以上話題，Future3 Campus 將會撰寫一系列相關文章，從 AI+Web3 產業鏈的各個層面進行分析。本文為第一篇，AI+Web3 的整體產業圖景和敘事邏輯。

AI 工作生產流程

概括地說，AI+Web3 結合的方向可以分為兩方面，一方面是 Web3 如何幫助 AI 發展，另一方面是 Web3 應用結合 AI 技術。其中 Web3 技術和概念賦能 AI 是當下大部分項目的方向。因此，我們可以通過 AI 從模型訓練到生產的流程中來分析如何與 Web3 相結合。

LLM 的誕生與之前機器學習的流程有一些區別，但總體上，一個簡化的 AI 生產流程大致分為以下幾個階段：

1.數據獲取

在 AI 模型的訓練全生命週期中，數據是 AI 模型提供訓練的基石。通常需要採用高質量的數據集作為基礎，並進行探索性數據分析 (EDA) ，創造可重現、可編輯和可共享的數據集、表格和可視化圖標。

2.數據預處理和特徵工程 / 提示工程

獲得數據後需要對數據進行預處理，這裡在機器學習中是特徵工程（數據標註），在大模型中是提示（Prompt）工程。包括迭代地對數據進行分類、聚合和刪除重複數據以標註精細的特徵，迭代開發可供 LLM 結構化查詢的 Prompt。同時需要可靠地將特徵 /Prompt 進行存儲和共享。

3.模型訓練和調優

利用豐富的模型庫對 AI 模型進行訓練，通過不斷的迭代和調整，提升模型的性能、效率和準確性。其中在 LLM 中主要是通過人類反饋強化學習（RLHF）來不斷對模型進行調優。

4.模型審查和治理

使用 MLOps/LLMOps 平臺來優化模型開發流程，包括模型的發現、跟蹤、共享和協作，確保模型的質量和透明度，同時符合倫理和合規要求。

5.模型推理

部署訓練有素的 AI 模型，對新的、未見過的數據進行預測。模型利用其學習到的參數對輸入數據進行處理，生成預測結果，如分類或迴歸預測。

6.模型部署和監控

在確保模型性能達標後，將其部署到實際應用場景中，並實施持續的監控和維護，確保模型在動態變化的環境中保持最佳性能。

在以上流程中，有很多 Web3 與之結合的機會。目前，我們看到 AI 發展過程中的一些挑戰，例如模型的透明度、偏見和倫理應用等問題引起了廣泛關注，在這一方面，Web3 技術結合 ZK 等密碼學技術，能夠改善 AI 的信任問題。此外，AI 應用需求的提高也對更低成本、更開放的基礎設施和數據網絡提出了要求，而 Web3 的分佈式網絡和激勵模型也能夠打造更加開放、開源的 AI 網絡和社區。

AI+Web3 產業圖景和敘事邏輯

結合上述 AI 生產流程和 AI 與 Web3 結合的方向，以及當前市場上主流的 AI+Web3 項目，我們梳理出了 AI+Web3 產業圖景，AI+Web3 產業鏈可以分為三層，分別為基礎設施層、中間層和應用層。

1.基礎設施層

主要包括計算和存儲基礎設施，貫穿整個 AI 工作生產流程，提供 AI 模型訓練、推測等需要的算力，以及全生命週期中數據和模型的存儲。

當前 AI 應用快速增長，使得對基礎設施尤其是高性能算力的需求出現了暴增。因此，提供更高性能、更低成本、更充足的計算和存儲基礎設施會成為未來幾年（AI 發展早期）成為非常重要的趨勢，預計將搶佔 50% 以上的產業鏈價值。

Web3 能夠打造去中心化的計算和存儲資源網絡，利用閒置、分散的資源，來顯著降低基礎設施的成本，服務廣大的 AI 應用需求。因此去中心化 AI 基礎設施是目前確定性最高的敘事。

當前這一賽道的代表性項目包括主打渲染服務的 Render Network，以及提供去中心化的雲服務和計算硬件網絡的 Akash、gensyn 等；存儲領域，代表項目仍然是老牌去中心化存儲網絡 Filecoin、Arweave 等，最近也推出了針對 AI 領域的存儲和計算服務。

2.中間層

主要指在 AI 工作生產的特定流程中，採用 Web3 相關技術改善現狀和存在的問題。主要包括：

1）數據獲取階段，採用去中心化的數據身份，創造更開放的數據網絡 / 數據交易平臺。主要通過結合密碼學技術和區塊鏈特性來保護用戶和確權數據，並結合激勵措施鼓勵用戶分享高質量的數據，從而擴大數據來源，提高數據獲取效率。這一領域的代表性項目包括 AI 身份項目 Worldcoin，Aspecta，數據交易平臺 Ocean Protocol，以及低參與門檻的數據網絡 Grass 等。

2）數據預處理階段：主要創建分佈式的 AI 數據標註和處理平臺，採用經濟模型激勵來鼓勵眾包模式，以推動更高效、更低成本的數據預處理，服務後續的模型訓練階段。代表項目如 Public AI 等。

3）模型驗證和推理階段：如上一小節所述，數據和模型黑盒是目前 AI 中現實存在的問題，因此在模型驗證和推理階段中，Web3 能夠結合 ZK、同態加密等密碼學技術，來驗證模型的推理，是否使用給定的數據和參數，確保模型的正確性，同時保護輸入數據的隱私。典型的應用場景是 ZKML。目前 Web3 技術結合在模型驗證和推理階段的代表性項目包括 bittensor、Privasea、Modulus 等。

中間層的很多項目更偏向於開發者工具，通常針對現有的開發者、項目方等提供附加服務，在目前 AI 發展的早期，其市場需求和商業落地仍在發展過程中。

3.應用層

在應用層面，更多的是 AI 技術如何應用到 Web3 中。Web3 應用結合 AI 技術能夠有效提高效率和產品體驗，例如利用 AI 的內容生成、分析、推測等功能，可以應用到諸如遊戲、社交、數據分析、金融預測等各個領域。目前 AI+Web3 的應用主要可以分為三大類。

1）AIGC 類，即採用 AI 生成式技術允許用戶通過對話生成文字、圖片、視頻、Avatar 等內容。以單獨的 AI agent 或者直接結合進產品中展現。代表項目包括 NFPrompt、SleeplessAI 等。

2）AI 分析類，項目方融入自己積累的數據、知識庫、分析能力等訓練垂直的 AI 模型，能夠進行分析、判斷、預測等，併產品化提供給用戶，使得用戶可以低門檻地獲取獲取 AI 的分析能力，例如數據分析、信息追蹤、代碼審計和修改、金融預測等。代表性項目包括 Kaito、Dune 等。

3）AI Agent Hub，各類 AI Agent 的聚合，通常提供用戶無代碼創建定製化 AI Agent 的能力，類似 GPTs。代表性項目包括 My Shell、Fetch.ai 等。

應用層目前還有沒有出現非常頭部的項目，但長期來看一定是天花板更高的板塊，具有極強的尚待挖掘的潛力。AI+Web3 應用的競爭不在於技術的創新競爭力，而在於產品能力和技術能力的積累，特別是在 AI 方面能夠提供體驗更好的產品，將會在這一領域獲得更多競爭優勢。