前言

在過去的1年裏，隨着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復雜的決策和預測系統，發展成爲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已經成爲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裏？

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。本文爲第一篇，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結合的方向可以分爲兩方面，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生產流程大致分爲以下幾個階段：

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爲基礎，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，這裏在機器學習中是特徵工程（數據標注），在大模型中是提示（Prompt）工程。包括迭代地對數據進行分類、聚合和刪除重復數據以標注精細的特徵，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平台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，如分類或回歸預測。

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路提出了要求，而Web3的分布式網路和激勵模型也能夠打造更加開放、開源的AI網路和社區。

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產業鏈可以分爲三層，分別爲基礎設施層、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爲未來幾年（AI發展早期）成爲非常重要的趨勢，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路，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路的Akash、gensyn等；存儲領域，代表項目仍然是老牌去中心化存儲網路FIL、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分，創造更開放的數據網路/數據交易平台。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身分項目Worldcoin，Aspecta，數據交易平台Ocean Protocol，以及低參與門檻的數據網路Grass等。

2）數據預處理階段：主要創建分布式的AI數據標注和處理平台，採用經濟模型激勵來鼓勵衆包模式，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的應用主要可以分爲三大類。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，並產品化提供給用戶，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制化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。

聲明：

1. 本文轉載自[marsbit]，原文標題“AI+Web3未來發展之路（一）：產業圖景和敘事邏輯”，著作權歸屬原作者[萬向區塊鏈]，如對轉載有異議，請聯系Gate Learn團隊，團隊會根據相關流程盡速處理。

2. 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，不構成任何投資建議。

3. 文章其他語言版本由Gate Learn團隊翻譯， 在未提及Gate.io的情況下不得復制、傳播或抄襲經翻譯文章。