從產品契合度出發，這輪加密 AI 還有哪些項目有機會？

2025.05.29

分享至

TechFlow Selected深潮精選

從產品契合度出發，這輪加密 AI 還有哪些項目有機會？

加密技術與 AI 的下一個重大機遇，不是另一個投機性的代幣，而是能夠真正推動 AI 發展的基礎設施。

2025.05.29 - 03:36:51

專注 Web3 行業深度報導，洞察潮水流動的方向

加密技術與 AI 的下一個重大機遇，不是另一個投機性的代幣，而是能夠真正推動 AI 發展的基礎設施。

作者：Evan ⨀

編譯：深潮TechFlow

加密與 AI 的交叉領域仍然處於非常初期的階段。儘管市場上已經湧現了無數的智能代理和代幣，但大多數項目似乎只是數字的遊戲，各團隊都在嘗試儘可能多地“射門”。

雖然 AI 是我們這一代的技術革命，但其與加密的結合更多地被視為一種早期接觸 AI 市場的流動性工具。

因此，在這個交叉領域，我們已經見證了多個週期，其中大多數敘事都經歷了類似“過山車式”的興衰。

如何打破炒作週期？

那麼，加密與 AI 的下一個重大機會來自哪裡？什麼樣的應用或基礎設施才能真正創造價值，找到市場契合點？

本文將嘗試通過以下框架，探討這一領域的主要興趣點：

AI 如何幫助加密行業？
加密行業如何反哺 AI？

特別是對於第二點——去中心化 AI 的機會，我對此尤為感興趣，並將介紹一些令人興奮的項目：

1.AI 如何助力加密行業？

以下是 CV 提供的更全面生態圖譜：

https://x.com/cbventures/status/1923401975766355982/photo/1

雖然在消費者 AI、智能代理框架和啟動平臺等方面還有許多垂直領域，但 AI 已經在以下三個主要方面對加密體驗產生了影響：

1.開發者工具

與 Web2 類似，AI 正通過無代碼（no-code）和低代碼（vibe-code）平臺加速加密項目的開發。許多此類應用的目標與傳統領域類似，例如 Lovable.dev。

團隊如 @poofnew 和 @tryoharaAI 正在幫助非技術型開發者快速上線並進行迭代，無需深入掌握智能合約知識。這不僅縮短了加密項目的上市時間，還降低了市場理解者和創意人士的入局門檻，即使他們並不具備技術背景。

此外，開發者體驗的其他部分也得到了優化，例如智能合約測試和安全性:@AIWayfinder、@octane_security

2.用戶體驗

儘管加密領域在入門流程和錢包體驗方面取得了重大進展（如 Bridge、Sphere Pay、Turnkey、Privy），但核心的加密用戶體驗（UX）並沒有發生質的變化。用戶仍需手動瀏覽複雜的區塊鏈瀏覽器並執行多步驟交易。

AI 智能代理正在改變這一現狀，成為新的交互層：

搜索與發現：團隊們正在競相開發類似“區塊鏈版 Perplexity”的工具。這些基於聊天的自然語言界面使用戶能夠輕鬆找到市場信息（alpha）、理解智能合約並分析鏈上行為，而無需深入處理原始交易數據。

更大的機會在於，智能代理可以成為用戶發現新項目、收益機會和代幣的入口。類似於 Kaito 如何幫助項目在其啟動平臺上獲得更多關注，代理能夠理解用戶行為，並主動將用戶所需內容呈現給他們。這不僅能創造可持續的商業模式，還可能通過分成或聯盟費用實現盈利。

基於意圖的操作：用戶無需點擊多個界面，只需表達自己的意圖（如“將 $1000 的 ETH 兌換成收益最高的穩定幣頭寸”），代理即可自動執行復雜的多步驟交易。

錯誤預防：AI 還能防止常見錯誤，例如輸入錯誤的交易金額、購買詐騙代幣或批准惡意合約。

更多關於 Hey Anon 如何實現DeFAI 自動化的信息：

3.交易工具與 DeFi 自動化

目前，許多團隊正在競相開發智能代理，以幫助用戶獲得更智能的交易信號、代替用戶進行交易，或優化和管理策略。

收益優化

代理能夠根據利率變化和風險狀況，將資金自動在借貸協議、去中心化交易所（DEX）和農場機會之間轉移。

交易執行

AI 能夠通過更快處理市場數據、管理情緒並遵循預設框架，執行比人工交易更優的策略。

投資組合管理

代理能夠重新平衡投資組合、管理風險敞口，並在不同鏈和協議之間捕捉套利機會。

如果某個代理能夠真正且持續地比人類更好地管理資金，這將是對現有 DeFi AI 代理的一次量級提升。目前的 DeFi AI 主要幫助用戶執行既定意圖，而這將邁向全自動化的資金管理。然而，這種轉變的用戶接受度類似於電動汽車的推廣過程，在規模化驗證之前仍存在較大的信任缺口。但如果成功，這一技術有可能捕獲該領域內最大的價值。

誰是這一領域的贏家？

雖然一些獨立應用可能在分發上佔據優勢，但更可能的情況是現有協議直接整合 AI 技術：

DEXs（去中心化交易所）：實現更智能的路由選擇與詐騙保護。
借貸協議：根據用戶風險狀況自動優化收益，並在貸款健康因子低於一定標準時償還借款，減少清算風險。
錢包：發展為 AI 助手，理解用戶意圖。
交易平臺：提供 AI 輔助工具，幫助用戶堅持其交易策略。

終局展望

加密領域的交互界面將演變為結合對話式 AI，能夠理解用戶的財務目標，並比用戶自己更高效地執行這些目標。

2.加密助力 AI：去中心化 AI 的未來

在我看來，加密對 AI 的助力潛力遠大於 AI 對加密的影響。正在從事去中心化 AI 的團隊，正在探索一些關於 AI 未來的最根本且實際的問題：

能否在沒有依賴集中化科技巨頭的大規模資本支出的情況下，開發出前沿模型？
是否可以協調全球分佈式計算資源，來高效訓練模型或生成數據？
如果人類最強大的技術被少數幾家公司掌控，會發生什麼？

我強烈推薦閱讀 @yb_effect 的關於去中心化 AI（DeAI）的文章，深入瞭解這一領域。

僅從冰山一角來看，加密與 AI 交匯的下一個浪潮可能會來自那些以研究為先導的學術 AI 團隊。這些團隊主要源於開源 AI 社區，他們對去中心化 AI 的實際意義和哲學價值有著深刻的理解，並認為這是擴展 AI 的最佳方式。

AI 當前面臨的問題是什麼？

2017 年，標誌性論文《Attention Is All You Need》提出了 Transformer 架構，這一架構解決了深度學習領域幾十年來的關鍵難題。自 2019 年 ChatGPT 推廣以來，Transformer 架構成為了大多數大型語言模型（LLMs）的基礎，並引發了計算能力競賽的浪潮。

自那以後，AI 訓練所需的計算能力每年增長 4 倍。這導致了 AI 開發的高度集中化，因為預訓練依賴於性能更強的 GPU，而這些資源只掌握在最大的科技巨頭手中。

從意識形態的角度來看，集中化的 AI 是一個問題，因為人類最強大的工具可能隨時被其資助者控制或撤回。因此，即便開源團隊無法與集中化實驗室的進展速度直接競爭，嘗試去挑戰這一局面仍然至關重要。

加密技術為構建開放模型提供了經濟協調的基礎。但在實現這一目標之前，我們需要回答一個問題：去中心化 AI 除了滿足理想之外，還能解決哪些實際問題？為什麼讓人們協同工作如此重要？

幸運的是，致力於這一領域的團隊非常務實。開源代表了技術擴展的核心理念：通過小規模的協作，每個團隊都在優化自身的局部最大值，並在此基礎上逐步構建，最終比那些受自身規模和機構慣性限制的集中化方法更快地達到全局最大值。
與此同時，特別是在 AI 領域，開源也是創造智能的必要條件——這種智能並非道德化，而是能夠適應個體賦予它的不同角色和人格。

在實際操作中，開源可能為解決一些非常現實的基礎設施限制打開創新的大門。

計算資源的緊缺現狀

AI 模型的訓練已經需要龐大的能源基礎設施。目前已有多個項目正在建設 1 至 5 吉瓦規模的數據中心。然而，前沿模型的持續擴展將需要超過單一數據中心所能提供的能源，甚至達到與整個城市能源消耗相當的水平。問題不僅是能源輸出，還包括單一數據中心的物理限制。

參考資料

即便超越了這些前沿模型的預訓練階段，推理（Inference）階段的成本也會因新型推理模型和 DeepSeek 的出現而顯著增加。如 @fortytwonetwork 團隊所述：

“與傳統的大型語言模型（LLMs）不同，推理模型優先考慮通過分配更多處理時間來生成更智能的響應。然而，這種轉變帶來了權衡：相同的計算資源只能處理更少的請求。為了實現這些意義重大的改進，模型需要更多的“思考”時間，這進一步加劇了計算資源的稀缺性。

計算資源的短缺已經非常明顯。例如，OpenAI 限制 API 調用為每分鐘 10,000 次，這實際上限制了 AI 應用程序只能同時為大約 3,000 名用戶提供服務。即便是像 Stargate 這樣雄心勃勃的項目——一個由特朗普總統最近宣佈的 5,000 億美元 AI 基礎設施計劃——也可能只能暫時緩解這一問題。

根據傑文斯悖論（Jevons’ Paradox），效率的提升往往導致資源消耗的增加，因為需求隨之上升。隨著 AI 模型變得更強大、更高效，計算需求可能因新用例和更廣泛的採用而激增。”

那麼加密是從哪裡來的？區塊鏈如何真正有意義地助力 AI 搜索和發展？

加密技術提供了一種根本不同的方法：全球分佈式 + 去中心化訓練與經濟協調。與其建設新的數據中心，不如利用現有的數百萬 GPU——包括遊戲設備、加密挖礦設備以及企業服務器——它們大部分時間都處於閒置狀態。同樣，區塊鏈還可以通過利用消費者設備上的閒置計算資源來實現去中心化推理。

分佈式訓練面臨的一個主要問題是延遲。除了加密元素外，Prime Intellect 和 Nous 等團隊正在研究減少 GPU 通信需求的技術突破：

DiLoCo（Prime Intellect）：Prime Intellect 的實現減少了 500 倍的通信需求，使跨大陸的訓練成為可能，並實現了 90-95% 的計算利用率。
DisTrO/DeMo（Nous Research）：Nous Research 的優化器家族通過離散餘弦變換壓縮技術，實現了 857 倍的通信需求減少。

然而，傳統的協調機制無法解決去中心化 AI 訓練中固有的信任挑戰，而區塊鏈的固有特性可能在這裡找到產品市場契合點（PMF）：

驗證與容錯能力： 去中心化訓練面臨參與者提交惡意或錯誤計算的挑戰。加密技術提供了密碼學驗證方案（如 Prime Intellect 的 TOPLOC）以及經濟懲罰機制以防止不良行為。
無許可參與： 與傳統的分佈式計算項目需要審批流程不同，加密技術允許真正的無許可貢獻。任何擁有閒置計算資源的人都可以立即加入並開始賺取收益，從而最大化可用資源池。
經濟激勵對齊： 基於區塊鏈的激勵機制將單個 GPU 擁有者的利益與集體訓練目標對齊，使以前閒置的計算資源變得經濟上有生產力。

鑑於此，去中心化 AI 堆棧中的團隊如何解決 AI 的擴展問題並使用區塊鏈？哪些是證明點？

Prime Intellect：分佈式與去中心化訓練
1. DiLoCo：減少了 500 倍通信需求，使跨大陸訓練成為可能。
2. PCCL：處理動態成員加入、節點故障，並實現了跨大陸 45 Gbit/s 的通信速度。
3. 目前正在通過全球分佈的工作節點訓練 320 億參數的模型。
4. 在生產環境中實現了 90-95% 的計算利用率。
5. 成果：成功訓練了 INTELLECT-1（100 億參數） 和 INTELLECT-2（320 億參數），實現了跨大陸的大規模模型訓練。
Nous Research：去中心化訓練與通信優化
1. DisTrO/DeMo： 通過離散餘弦變換（Discrete Cosine Transform）技術，實現了通信需求的 857 倍減少。
2. Psyche Network： 利用區塊鏈協調機制，提供容錯能力及激勵機制以啟動計算資源。
3. 在互聯網上完成了規模最大的預訓練之一，訓練了 Consilience（400 億參數）。
Pluralis：協議學習（Protocol Learning）與模型並行

Pluralis 採用了一種不同於傳統開源 AI 的方法，稱為 協議學習（Protocol Learning）。與其他去中心化訓練項目（如 Prime Intellect 和 Nous）使用的數據並行方法不同，Pluralis 認為數據並行存在經濟缺陷，僅僅依賴計算資源的池化不足以滿足訓練尖端模型的需求。例如，Llama3（4000 億參數）需要 16,000 臺 80GB H100 GPU 進行訓練。

來源：鏈接

協議學習（Protocol Learning） 的核心理念是為模型訓練者引入真實的價值捕獲機制，從而彙集大規模訓練所需的計算資源。這一機制通過分配與訓練貢獻成比例的部分模型所有權來實現。在這種架構下，神經網絡以協作方式進行訓練，但完整的權重集永遠無法被任何單一參與者提取（稱為 協議模型 Protocol Models）。在此設置中，任何參與者若想獲取完整的模型權重，其所需的計算成本將超過重新訓練模型所需的成本。

協議學習的具體運作方式如下：

模型碎片化：每個參與者僅持有模型的部分碎片（shards），而非完整權重。
協作訓練： 訓練過程需要參與者之間傳遞激活值（activations），但不會讓任何人看到完整的模型。
推理憑證： 推理需要憑證，這些憑證根據參與者的訓練貢獻進行分配。通過這種方式，貢獻者可以通過模型的實際使用獲得收益。

協議學習的意義在於將模型轉變為一種經濟資源或商品，使其能夠被完全金融化。通過這種方式，協議學習有望實現支持真正具有競爭力的訓練任務所需的計算規模。Pluralis 結合了閉源開發的可持續性（如閉源模型發佈的穩定收益）與開源協作的優勢，為去中心化 AI 的發展提供了新的可能性。

Fortytwo：去中心化群體推理

來源：鏈接

在其他團隊專注於分佈式和去中心化訓練挑戰時，Fortytwo 則聚焦於分佈式推理，通過群體智能（Swarm Intelligence）解決推理階段的計算資源稀缺問題。
Fortytwo 解決了圍繞推理的日益嚴重的計算稀缺問題。為了利用消費級硬件（例如搭載 M2 芯片的 MacBook Air）上的閒置計算能力，Fortytwo 將專門的小型語言模型聯網。
Fortytwo 將多個小型語言模型網絡化，這些節點協作評估彼此的貢獻，通過點對點的評價放大網絡效能。最終生成的響應基於網絡中最有價值的貢獻，為推理效率提供支持。
有趣的是，Fortytwo 的推理網絡方法可以與分佈式/去中心化訓練項目形成互補。設想一個未來的場景：運行在 Fortytwo 節點上的小型語言模型（SLMs）可能正是通過 Prime Intellect、Nous 或 Pluralis 訓練出來的模型。這些分佈式訓練項目共同努力，可以打造開源的基礎模型（Foundation Models），隨後針對特定領域進行微調，並最終通過 Fortytwo 的網絡協調完成推理任務。