TL;DR：

• AI 概念的 Web3 項目在一二級市場成吸金標的。
• Web3 在 AI 行業的機會體現在：使用分布式激勵來協調長尾中的潛在供應——跨數據、存儲和計算；與此同時，建立一個開源模型以及 AI Agent 的去中心化市場。
• AI 在 Web3 行業主要用武之地爲鏈上金融（加密支付、交易、數據分析）以及輔助開發。
• AI+Web3 的效用體現在兩者的互補：Web3 有望對抗 AI 集中化，AI 有望幫助 Web3 破圈。

引言

近兩年，AI 的發展像被按了加速鍵，這場由 Chatgpt 煽動的蝴蝶翅膀，不僅打開了生成式人工智能的新世界，同樣在彼岸的 Web3 掀起了洋流之勢。

在 AI 概念的加持下，相較放緩的加密市場融資提振明顯。媒體統計，僅在 2024 上半年，就共有 64 個 Web3+AI 的項目完成了融資，基於人工智能的操作系統 Zyber365 在 A 輪就實現了 1 億美元的最高融資金額。

二級市場更爲繁榮，加密聚合網站 Coingecko 的數據顯示，短短一年多時間，AI 賽道總市值已達到 485 億美元，24 小時交易量接近 86 億美元；主流 AI 技術進展帶來的利好明顯，OpenAI 的 Sora 文本轉視頻模型發布後，AI 板塊的平均價格上漲了 151%；AI 效應同樣輻射至加密貨幣吸金板塊之一 Meme：首個 AI Agent 概念的 MemeCoin——GOAT 迅速走紅並斬獲 14 億美金的估值，成功掀起 AI Meme 熱。

關於 AI+Web3 的研究和話題同樣火熱，從 AI+Depin到 AI Memecoin再到當前的AI Agent 和 AI DAO，FOMO 情緒已然跟不上新敘事輪換的速度。

AI+Web3，這個充滿了熱錢、風口和未來幻想的術語組合，難免被人視作一場被資本撮合的包辦婚姻，我們似乎很難分辨在這席華麗的袍子之下，到底是投機者的主場，還是黎明爆發的前夜？

要回答這個問題，一個對雙方都關鍵的思索是，有對方它會變得更好嗎？是否能從對方的模式中受益？在本篇文章裏，我們也試圖站在前人的肩膀上審視這一格局：Web3 如何能夠在 AI 技術堆棧的各個環節裏發揮作用，AI 又能給 Web3 帶來什麼新的生機？

AI 堆棧下 Web3 有何機會？

在展開這個話題之前，我們需要了解 AI 大模型的技術堆棧：

圖源：Delphi Digital

用更通俗的語言來表述整個過程：「大模型」就像是人類的大腦，在早期階段，這個大腦屬於剛剛降臨人間的嬰兒，需要觀察與攝入周圍的外界海量信息去理解這個世界，這就是數據的「收集」階段；由於計算機不具備人類的視覺聽覺等多個感官，在訓練前，外界的大規模無標注信息需要通過「預處理」轉化成計算機能夠理解且可用的信息格式。

輸入數據後 AI 通過「訓練」構建了一個具有理解和預測能力的模型，則可以看作是嬰兒逐漸理解與學習外界的過程，模型的參數就像是嬰兒學習過程中不斷調整的語言能力。當學習的內容開始分科，或者與人交流得到反饋並且修正，便進入了大模型的「微調」環節。

孩童逐漸長大學會說話後，就可以在新的對話中理解意思並表達自己的感受和想法，這階段類似於 AI 大模型的「推理」，模型能夠對新的語言和文本輸入進行預測和分析。嬰兒通過語言能力表達感受、描述物體和解決各種問題，這也類似於 AI 大模型在完成訓練投入使用後在推理階段應用於各類特定的任務，例如圖像分類、語音識別等。

而AI Agent 則更趨近於大模型的下一個形態——能夠獨立執行任務並追求復雜目標，不僅具備思考能力，還能夠記憶、規劃，且能夠運用工具與世界互動。

當前，針對 AI 在各個堆棧的痛點，Web3 目前初步形成了一個多層次、相互連接的生態系統，涵蓋了 AI 模型流程的各個階段。

一、基礎層：算力與數據的 Airbnb

算力

當前，AI 的最高成本之一，是訓練模型與推理模型所需的算力與能源。

一個例子是，Meta 的 LLAMA3 需要 16000 個由 NVIDIA 生產的 H100GPU（這是一款專爲人工智能和高性能計算工作負載設計的頂級圖形處理單元。）30 天才能完成訓練。後者 80GB 版本的單價在 30,000 至 40,000 美元之間，這需要 4-7 億美元的計算硬件投資（GPU+ 網路芯片），同時，每月的訓練需要消耗 16 億千瓦時，能源支出每月近 2000 萬美元。

對於 AI 算力的解壓，也正是 Web3 最早與 AI 交叉的領域——DePin（去中心化物理基礎設施網路）目前，DePin Ninja 數據網站已經陳列出 1400 多個項目，其中 GPU 算力共享代表項目包括 io.net、Aethir、Akash、Render Network 等等。

其主要邏輯在於：平台允許擁有閒置 GPU 資源的個人或實體以無需許可的去中心化方式貢獻其計算能力，通過類似於 Uber 或 Airbnb 的買家和賣家在線市場，提高未被充分利用的 GPU 資源使用率，終端用戶也因此獲得更加低成本的高效計算資源；同時，質押機制也確保如果出現違反質量控制機制或中斷網路的情況，資源提供者有其相應懲罰。

其特點在於：

• 聚集閒置 GPU 資源：供應方主要爲第三方獨立的中小型數據中心、加密礦場等運營商的過剩算力資源、共識機制爲 PoS 的挖礦硬件，如 FileCoin 與 ETH 礦機。目前也有項目致力於啓動門檻更低的設備，如 exolab 利用 MacBook、 iPhone、iPad 等本地設備建立運行大模型推理的算力網路。
• 面對 AI 算力的長尾市場：a.「於技術端而言」去中心化算力市場更適合推理步驟。訓練更加依賴於超大集羣規模 GPU 帶來的數據處理能力，而推理對於 GPU 運算性能相對較低，如 Aethir 專注於低延遲的渲染工作和 AI 推理應用。b.「於需求端而言」中小算力需求方不會單獨訓練自己的大模型，而只是選擇圍繞少數頭部大模型進行優化、微調，而這些場景都天然適合分布式閒置算力資源。
• 去中心化所有權：區塊鏈的技術意義在於資源所有者始終保留其對於資源的控制權，根據需求靈活調整，同時獲得收益。

數據

數據，是 AI 的地基。如果沒有數據，計算就如浮萍之末毫無用處，而數據與模型之間的關係就像「 Garbage in, Garbage out 」的那句俗諺，數據的數量與輸入質量決定着最終模型的輸出質量。對於現 AI 模型的訓練而言，數據決定了模型的語言能力、理解能力、甚至價值觀以及人性化表現。目前，AI 的數據需求困境主要聚焦於以下四方面：

• 數據飢渴：AI 模型訓練依賴大量數據輸入。公開資料顯示，OpenAI 訓練 GPT-4 的參數量就達到了萬億級別。
• 數據質量：隨着 AI 與各行業的結合，數據時效性、數據多樣性、垂類數據的專業性、新興數據源如社交媒體情緒的攝入對其質量也提出了新的要求。
• 隱私與合規問題：當前各個國家、企業逐漸注意到優質數據集的重要性，正在對數據集爬取進行限制。
• 數據處理成本高昂：數據量大，處理過程復雜。公開資料顯示，AI 公司超過 30% 的研發成本是用於基礎數據採集、處理。

目前，web3 的解決方案體現在以下四個方面：

1、數據收集：能夠免費提供抓取的真實世界數據正在迅速耗盡，AI 公司爲數據付費的支出逐年升高。但與此同時，這份支出並沒有反哺到數據真正的貢獻者身上，平台全然享受了數據帶來的價值創造，如 Reddit 通過與 AI 公司籤訂的數據授權協議實現合計 2.03 億美元的收入。

讓真正貢獻的用戶同樣參與數據帶來的價值創造，以及通過分布式網路與激勵機制，以低成本的方式獲取用戶更加私人、更具價值的數據，是 Web3 的願景。

• 如 Grass 是一個去中心化的數據層和網路，用戶可以通過運行 Grass 節點，貢獻閒置帶寬和中繼流量用以捕獲整個互聯網中的實時數據，並獲取代幣獎勵；
• Vana 則引入了一個獨特的數據流動性池（DLP）概念，用戶可以將他們的私人數據（如購物記錄、瀏覽習慣、社交媒體活動等）上傳至特定 DLP，並靈活選擇是否將這些數據授權給特定的第三方使用；
• 在 PublicAI 中，用戶可在 X 上使用 #AI 或#Web3 作爲分類標籤並@PublicAI 即可實現數據收集。

2、數據預處理：在 AI 的數據處理過程中，由於收集來的數據通常嘈雜且包含錯誤，其在訓練模型之前必須將其清理並轉換爲可用格式，涉及標準化、過濾和處理缺失值的重復任務。此階段是 AI 行業爲數不多的人工環節，已經衍生出數據標注師這一行業，隨着模型對數據質量的要求提高，數據標注師的門檻也隨之提升，而這一任務天然適合 Web3 的去中心化激勵機制。

• 目前，Grass 與 OpenLayer 都正在考慮加入數據標注這一關鍵環節。
• Synesis 提出了「Train2earn」的概念，強調數據質量，用戶可通過提供標注數據、注釋或其他形式的輸入獲得獎勵。
• 數據標注項目 Sapien 則將標記任務遊戲化，並讓用戶質押積分以賺取更多積分。

3、數據隱私與安全：需要釐清的是，數據隱私與安全是兩個不同的概念。數據隱私涉及敏感數據的處理，數據安全則保護數據信息免遭未經授權的訪問、破壞和盜竊。由此，Web3 隱私技術優勢和潛在的應用場景體現在兩個方面：（1）敏感數據的訓練；（2）數據協作：多個數據所有者可以共同參與 AI 訓練，而無需共享其原始數據。

當前 Web3 較爲普遍的隱私技術包括：

• 可信執行環境 (TEE)，例如 Super Protocol；
• 完全同態加密（FHE)，例如 BasedAI 、Fhenix.io 或 Inco Network；
• 零知識技術（zk），如 Reclaim Protocol 使用 zkTLS 技術，生成 HTTPS 流量的零知識證明，允許用戶從外部網站安全導入活動、聲譽和身分數據，而無需暴露敏感信息。

不過，目前該領域仍處於早期階段，大部分的項目仍在探索中，目前的一個困境是計算成本太高，一些例子是：

• zkML 框架 EZKL 需要大約 80 分鍾才能生成一個 1M-nanoGPT 模型的證明。
• 根據 Modulus Labs 的數據，zkML 的開銷比純計算高出 1000 倍以上。

4、數據存儲：有了數據之後，還需要一個地方來在鏈上存儲數據，以及使用該數據生成的 LLM。以數據可用性（DA）爲核心問題，在以太坊 danksharding 升級之前，其吞吐量爲 0.08MB。與此同時的是，AI 模型的訓練和實時推理通常需要每秒 50 到 100GB 的數據吞吐量。這種數量級的差距，讓現有的鏈上解決方案在面對「資源密集型的 AI 應用時」力不從心。

• 0g.AI 是這一類別的代表項目。它是一個針對 AI 高性能需求設計的中心化存儲解決方案，其關鍵特性包括：高性能與擴展性，通過高級分片（Sharding）和糾刪碼（Erasure Coding）技術，支持快速上傳和下載大規模數據集，數據傳輸速度接近每秒 5GB。

二、中間件：模型的訓練與推理

開源模型去中心化市場

有關於 AI 模型閉源還是開源的爭論從未消失。開源帶來的集體創新是閉源模型無法比擬的優勢，然而在毫無盈利模式的前提下，開源模型如何提高開發者驅動力？是一個值得思索的方向，百度創始人李彥宏就曾在今年 4 月斷言，「開源模型會越來越落後。」

對此，Web3 提出一個去中心化的開源模型市場的可能性，即對模型本身進行代幣化，爲團隊保留一定比例的代幣，並將該模型的部分未來收入流向代幣持有者。

• 如 Bittensor協議建立一個開源模型的 P2P 市場，由數十個「子網」組成，其中資源提供者（計算、數據收集 / 存儲、機器學習人才）相互競爭，以滿足特定子網所有者的目標，各個子網可以交互並相互學習，從而實現更強大的智能。獎勵由社區投票分配，並根據競爭表現進一步分配在各子網中。
• ORA引入了初始模型發行 (IMO) 的概念，將 AI 模型代幣化，可通過去中心化網路購買、出售和開發 AI 模型。
• Sentient，一個去中心化的 AGI 平台，激勵人們貢獻者合作、構建、復制和擴展 AI 模型，並對貢獻者進行獎勵。
• Spectral Nova，聚焦於 AI 和 ML 模型的創建與應用。

可驗證推理

針對 AI 的推理過程中的「黑盒」難題，標準的 Web3 解決方案是讓多個驗證者重復相同的操作並比較結果，但由於目前高端「Nvidia 芯片」短缺，這種做法面臨的明顯挑戰是 AI 推理成本高昂。

更有希望的解決方案是對鏈下 AI 推理計算執行 ZK 證明「零知識證明，一種密碼協議，其中一方證明者可以向另一方驗證者證明一個給定的陳述是真實的，而不泄露除該陳述爲真以外的任何附加信息」，在鏈上對 AI 模型計算進行無需許可的驗證。這需要在鏈上以加密方式證明鏈下計算已正確完成（例如數據集未被篡改），同時確保所有數據保密。

主要優點包括：

• 可擴展性：零知識證明可以快速確認大量鏈下計算。即使交易數量增加，單個零知識證明也可以驗證所有交易。
• 隱私保護：數據和 AI 模型詳細信息保持私密，同時各方可以驗證數據和模型沒有被破壞。
• 無需信任：無需依賴中心化各方即可確認計算。
• Web2 集成：從定義上講，Web2 是鏈下集成的，這意味着可驗證推理可以幫助將其數據集和 AI 計算帶到鏈上。這有助於提高 Web3 的採用率。

目前 Web3 針對可驗證推理的可驗證技術如下：

• zkML：將零知識證明與機器學習相結合，以確保數據和模型的隱私和機密性，允許可驗證的計算而無需透露某些底層屬性，如 Modulus Labs 基於 ZKML 發布了爲 AI 構建的 ZK 證明器，來有效檢查 AI 提供商在鏈上是否操縱算法正確執行，不過目前客戶基本爲鏈上 DApp。
• opML：利用樂觀匯總原則，通過驗證爭議發生的時間，提高 ML 計算的可擴展性和效率，這個模型中，只需要驗證「驗證者」生成結果中的一小部分，但將削減經濟成本設置得足夠高，以提高驗證者作弊成本從而節省冗餘計算。
• TeeML：使用可信執行環境安全地執行 ML 計算，保護數據和模型免遭篡改和未經授權的訪問。

三、應用層：AI Agent

當前 AI 的發展，已然呈現出開發重點從模型能力過渡至 AI Agent 的圖景。OpenAI、AI 大模型獨角獸 Anthropic、微軟等科技公司紛紛轉向開發 AI Agent，試圖打破目前 LLM 的技術平台期。

OpenAI 對 AI Agent 的定義是：以 LLM 爲大腦驅動，具有自主理解感知、規劃、記憶和使用工具的能力，能自動化執行完成復雜任務的系統。當 AI 從被使用的工具變成可以使用工具的主體，就成爲了 AI Agent。這也正是 AI Agent 可以成爲人類最理想智能助手的原因所在。

而 Web3 能夠爲 Agent 帶來什麼呢？

1、去中心化
Web3 的去中心化特性可以使得 Agent 系統更加分散和自治，通過 PoS、DPoS 等機制建立針對質押者、委托者的激勵懲罰機制，可以促進 Agent 系統的民主化，GaiaNet、Theoriq、HajimeAI 都有嘗試。

2、冷啓動
AI Agent 的開發和迭代往往需要大量的資金支持，而 Web3 可以幫助有潛力的 AI Agent 項目獲取早期融資和冷啓動。

• Virtual Protocol 推出 AI Agent 創建及代幣發行平台 fun.virtuals，任何用戶可以一鍵部署 AI Agent，並實現 AI Agent 代幣 100% 公平發行。
• Spectral 提出了支持發行鏈上 AI Agent 資產的產品構想：通過 IAO（Initial Agent Offering）發行代幣，AI Agent 可以直接從投資者獲得資金，同時成爲 DAO 治理的一員，爲投資者提供參與項目發展和分享未來收益的機會。

AI 如何賦能 Web3？

AI 給 Web3 項目帶來的影響是顯而易見的，它通過優化鏈上操作（例如智能合約執行、流動性優化和人工智能驅動的治理決策）使區塊鏈技術受益，與此同時，它還可以提供更好的數據驅動洞察，提高鏈上安全性，並爲新的基於 Web3 的應用程序奠定基礎。

一、AI 與鏈上金融

AI 與加密經濟

8 月 31 日，Coinbase CEO Brian Armstrong 宣布在 Base 網路上實現了首筆 AI 對 AI 的加密交易，並表示 AI Agent 現在可以在 Base 上使用 USD 與人類、商家或其他 AI 進行交易，這些交易是即時的、全球性的，而且免費。

除了支付以外，Virtuals Protocol 的 Luna 同樣首次演示了 AI Agent 如何通過以下方式自主執行鏈上交易引發關注，使得 AI Agent 作爲一種能夠感知環境、進行決策和執行動作的智能實體，被視作鏈上金融的未來，目前，AI Agent 的潛在場景體現在以下幾點：

1、信息收集與預測：幫助投資者收集交易所公告、項目公開信息、恐慌情緒、輿情風險等信息，實時分析與評估資產基本面、市場情況，預測趨勢和風險。

2、資產管理：爲用戶提供合適的投資標的，優化資產組合，自動執行交易。

3、金融體驗：幫助投資者選擇最快的鏈上交易方式，自動化跨鏈、調整 gas 費用等手動操作環節，降低鏈上金融活動門檻與成本。

想象這樣一個場景，你對 AI Agent 傳達如下指示：「我有 1000USDT，請幫我找到收益最高的組合，鎖倉時間不超過一周」，AI Agent 將爲你提供如下建議：「建議初始分配爲 50% 在 A，20% 在 B，20% 在 X，10% 在 Y。我將監控利率並觀察其風險水平的變化，並在必要時重新平衡。」此外，尋找有潛力的空投項目，以及有熱門社區跡象 Memecoin 項目，都是 AI Agent 此後有可能實現的事情。

圖源：Biconomy

目前，AI Agent 錢包 Bitte、AI 交互協議 Wayfinder 都在做此類嘗試，它們都試圖接入 OpenAI 的模型 API，讓用戶和 ChatGPT 類似的聊天窗口界面下，命令 Agent 完成各種鏈上操作，比如 WayFinder 在今年 4 月發布的首個 prototype 在 Base、Polygon 和 Ethereum 三條公鏈主網上展示了 swap、send、bridge 和 stake 四個基本操作。

目前，去中心化 Agent 平台 Morpheus 同樣支持此類 Agent 的開發，如 Biconomy 也演示了一段不需要授權完整的錢包權限，AI Agent 即可將 ETH swap 成 USDC 的操作。

AI 與鏈上交易安全

在 Web3 世界中，鏈上交易安全是至關重要的。AI 技術可以用於增強鏈上交易的安全性和隱私保護，潛在場景包括：

交易監控：實時數據技術監控異常交易活動，面向用戶與平台的實時警報基礎設施。

風險分析：幫助平台分析客戶交易行爲數據，評估其風險水平。

例如 Web3 安全平台 SeQure 就利用 AI 檢測和防止惡意攻擊、欺詐行爲和數據泄露，並提供實時監控和警報機制，確保鏈上交易的安全性和穩定性。類似的安全工具還有 AI-powered Sentinel。

二、AI 與鏈上基礎設施

AI 與鏈上數據

AI 技術在鏈上數據收集和分析方面發揮着重要作用，如：

• Web3 Analytics：是一個基於 AI 的分析平台，利用機器學習和數據挖掘算法來收集、處理和分析鏈上數據。
• MinMax AI：它提供了基於 AI 的鏈上數據分析工具，幫助用戶發現潛在的市場機會和趨勢。
• Kaito：基於 LLM 的搜索引擎的 Web3 搜索平台。
• Followin：集成了 ChatGPT，將分散在不同網站和社群平台上的相關資訊，進行收集和整合呈現。
• 另一個應用場景是預言機，AI 可從多個來源獲取價格，以提供準確的定價數據。比如 Upshot 使用 AI 針對 NFT 的動蕩價格，通過每小時超億次的評估，提供百分比誤差爲 3-10% 的 NFT 價格。

AI 與開發&審計

近期，一款 Web2 的 AI 代碼編輯器 Cursor 在開發者圈子中吸引了不少目光，在其平台用戶只需要用自然語言描述，Cursor 就能自動生成相應的 HTML、CSS 和 javaScript 代碼，大大簡化軟件開發流程，這一邏輯同樣也適應於提高 Web3 的開發效率。

目前，在公鏈上部署智能合約和 DApp，通常需遵循專屬開發語言如 Solidity、Rust、Move 等等。新開發語言的願景在於拓展去中心化區塊鏈的設計空間，使其更適用於 DApp 的開發，但在 Web3 開發人員缺口較大的前提下，開發者教育一直是更爲頭疼的難題。

目前，AI 在輔助 Web3 開發上，可以想象的場景包括：自動化代碼生成、智能合約驗證和測試、DApp 的部署和維護、智能代碼補全、AI 對話解答開發疑難問題等等，通過 AI 的輔助，不僅有助於提高開發效率與準確度，同樣也降低了編程門檻，讓非程序員也能夠將其想法轉化爲實際應用，爲去中心化技術的發展帶來新的活力。

目前，最吸引眼球的是一鍵啓動代幣平台，如 Clanker，一個 AI 驅動的「Token Bot」，專爲快速 DIY 代幣部署而設計。你只需在 SocialFi 協議 Farcaster 客戶端如 Warpcast 或 Supercast 上標記 Clanker，告訴它你的代幣想法，它便會在公鏈 Base 上爲你啓動代幣。

也有合約開發平台，如 Spectral 提供智能合約一鍵生成及部署功能，以降低 Web3 開發門檻，即使是小白用戶也能實現智能合約的編譯和部署。

審計方面，Web3 審計平台 Fuzzland 就使用了 AI 來幫助審計人員檢查代碼漏洞，提供自然語言解釋來輔助審計專業知識。Fuzzland 還利用 AI 提供了對正式規範和合約代碼的自然語言解釋，以及一些示例代碼，以幫助開發者理解代碼中的潛在問題。

三、AI 與 Web3 新敘事

生成式 AI 的興起爲 Web3 新敘事帶來了全新的可能性。

NFT：AI 爲生成式 NFT 注入了創造力，通過 AI 技術可以生成各種獨特、多樣化的藝術品和角色，這些生成式 NFT 可以成爲遊戲、虛擬世界或元宇宙中的角色、道具或場景元素，如幣安旗下的 Bicasso，用戶可通過上傳提圖片並輸入關鍵詞進行 AI 運算後生成 NFT，類似的項目還有 Solvo、Nicho、IgmnAI、CharacterGPT。

GameFi：圍繞 AI 的自然語言生成、圖像生成、智能 NPC 能力，GameFi 有望在遊戲內容生產上提高效率和創新。如 Binaryx 旗下首款鏈遊 AI Hero，玩家可通過 AI 隨機探索不同的劇情選項；同樣的也有虛擬伴侶遊戲 Sleepless AI，基於 AIGC 和 LLM ，玩家可通過不同的互動解鎖個性化遊戲玩法。

DAO：目前，AI 也被設想應用至 DAO 裏，幫助跟蹤社區互動，記錄貢獻，獎勵貢獻最多的成員，代理投票等等。如 ai16z 利用 AI Agent 在鏈上和鏈下搜集市場信息、分析社區共識，並結合 DAO 成員的建議進行投資決策。

AI+Web3 結合的意義：塔樓與廣場

在意大利佛羅倫薩市的心髒地帶，坐落着當地最爲重要的政治活動場所和市民、遊客的聚集地——中央廣場，這裏矗立着一座高達 95 米的市政廳塔樓，塔樓與廣場這一垂直與橫向的視覺對比相得益彰，構建了戲劇性的美學效果，哈佛大學歷史系教授尼爾·佛格森爲此得到啓發，在《廣場與高塔》一書中聯想至網路與等級制度的世界歷史，兩者在時間長河中潮起潮落此消彼長。

這個絕妙的隱喻放到如今 AI 與 Web3 的關係上也毫不突兀。從兩者長時段、非線形的關係史可以看到，廣場比塔樓更易產生新事物更具創造性，但塔樓依然有其合法性和強大生命力。

在科技公司高度集羣能源算力數據的能力下，AI 爆發出前所未有的想象力，科技大廠重金押注紛紛入場，從不同的聊天機器人到「底層大模型」 GPT-4, GP4-4o 等迭代版本輪番登場，自動編程機器人（Devin）和具有初步模擬真實物理世界能力的 Sora 問世等等，AI 的想象力被無限放大。

與此同時的是，AI 本質上是一個規模化與集中化的產業，這場技術變革將本在「互聯網時代」就逐步掌握結構性主導權的科技企業推向更加狹窄的高點。龐大的電力、壟斷的現金流和主宰智能時代所需的龐大數據集爲其塑造了更高的壁壘。

當塔樓越來越高，幕後的決策者愈發收縮，AI 集中化帶來了諸多隱患，廣場上聚集的羣衆如何避開塔樓下的陰影？正是 Web3 期冀解決的問題。

從本質上而言，區塊鏈的固有屬性增強了人工智能系統並帶來了新的可能性，主要是：

• 人工智能時代的「代碼即法律」——通過智能合約和加密驗證實現透明系統自動執行規則，將獎勵交到與目標更接近的人羣。
• 代幣經濟——通過代幣機制、質押、削減、代幣獎勵和懲罰來創建和協調參與者的行爲。
• 去中心化治理——促使我們質疑信息來源，並鼓勵對人工智能技術採取更加批判性和洞察力的方法，防止偏見、錯誤信息和操縱，最終培育一個更加知情和賦權的社會。

AI 的發展也爲 Web3 帶來了新的活力，也許 Web3 對於 AI 的影響需要時間的證明，但 AI 對於 Web3 的影響是立竿見影的：這一點不論是 Meme 的狂歡，還是 AI Agent 幫助鏈上應用降低使用門檻都可以見得。

當 Web3 被定義爲一小撮人的自嗨，以及陷入對傳統行業的復制質疑聲中，AI 的加入，爲其帶來了可預見的未來：更加穩定&更具規模的 Web2 用戶羣體、更具創新的商業模式與服務。

我們生存在一個「塔樓與廣場」共存的世界，AI 與 Web3 雖然有着不同的時間線與起點線，但其終點都是如何讓機器更好地服務人類，無人能定義一條奔騰的河流，我們期待看到 AI+Web3 的未來。

聲明：

1. 本文轉載自 [TechFlow]，著作權歸屬原作者 [Coinspire]，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。