人工智能區塊鏈;中國唯一合法數字貨幣

“區塊鏈+人工智能”行業分析

如果將人工智能比作建造太空火箭，那么數據和算力是燃料，算法就是發動機。但傳統人工智能公司在數據層面上面臨著被大型機構壟斷等困境，在算力層面上面臨著購置硬件資源導致的資金難題，在算法層面上面臨著算法運行不穩定等難題。

區塊鏈可以看做是分布式的數據、算力、算法的資源集合體，所以“區塊鏈+AI”被看做是一種解決傳統AI難題的良藥。本文立足于傳統人工智能的現狀與痛點，重點分析了11個區塊鏈+AI項目，總結了區塊鏈與人工智能在數據、算力、算法三方面的優勢。

AI和區塊鏈的發展是由區塊鏈引發的，不是AI領域的單邊需求，因此投資邏輯在于探索交叉領域給雙邊的機遇。文章最后給出了區塊鏈+人工智能類未來的發展趨勢。

1人工智能行業現狀

1.1人工智能的概念

人工智能（Artificial Intelligence），英文縮寫為AI。日常生活中接觸的人工智能多指深度學習，即多層神經網絡，如圖1所示。它是研究、開發用于模擬、延伸和擴展人的智能的技術科學。本質上是通過統計數據，并從中歸納出模型。

圖1深度學習模型

1.2人工智能的歷史

“人工智能”一詞最初是在1956年DARTMOUTH學會上提出，1975年之后學者開始著手研究BP(Back Propagation，后向傳播)算法，現在使用神經網絡時，大多是在使用BP算法進行訓練。1986年之后，學者們實現了BP網絡，同時期計算機硬件能力快速提升。2006年之后，隨著移動互聯網發展，海量數據爆發，深度學習算法在語音和視覺識別上實現突破，人工智能商業化高速發展，人工智能關鍵時間節點如圖2所示。

圖2人工智能關鍵時間節點

1.3人工智能產業圖譜

人工智能產業圖譜的角色包括了數據和計算資源的提供方，算法、產品及解決方案提供者，終端落地行業如金融、公共安全、教育等

如圖3所示，數據、運算力和算法模型是影響人工智能行業發展的三大要素。

圖3人工智能產業圖譜圖片來源：艾瑞咨詢中國人工智能行業研究報告（2018年）

2人工智能行業的痛點

2.1數據：被大型機構壟斷，數據標注質量差

互聯網巨頭，像谷歌、微軟、蘋果、Facebook、阿里、騰訊和亞馬遜，基于海量用戶數壟斷了我們的數據。現在的人工智能多為有監督學習，需要對數據進行充分標注，并非所有類型的影像數據都易標注，例如如醫療影像數據需由專業醫師標注病灶，業界領先的視覺公司一般會有數百人的標注團隊，但標注多為外包，缺乏專業培訓和實時指導，導致被標注的數據質量差。

區塊鏈如何解決：區塊鏈是一種以密碼學技術為基礎，以去中心化的方式，對大量數據進行組織和維護，用戶控制自己的數據，打破科技巨頭壟斷數據的現狀。區塊鏈上的數據全部都附有相關人不可偽造的數字簽名，區塊鏈還具有完全公開、高可靠性、去信任等諸多優點，可以實現全球數據共享和溯源，使得構建更高規模、更高質量、可控制權限、可審計的全球去中心化人工智能數據標注平臺成為可能。

2.2 算力：硬件成本高

在工業領域需要大量的圖片、視頻輸入以及場景訓練，需要極大的運算量，普通人工智能科技公司需要百萬以上的資金購置GPU、FPGA等硬件資源，對于大部分中小型企業來說，負擔太大。

區塊鏈如何解決：把分布式挖礦與人工智能結合，將大型GPU或者FPGA服務器集群、中小型企業閑散的空余GPU放服務器以及個人閑置GPU作為計算節點，利用區塊鏈技術通過共享算力，為人工智能提供算力供給。

2.3 算法：人才短缺，研發進度緩慢

算法是邏輯的表現，目前的困境在于缺乏專家，一個博士生大概需要五年的時間培養，但是五年前還沒有博士生開始從事深度學習，所以該領域的專家極度稀缺。

區塊鏈如何解決：搭建發布機器學習任務的平臺，利用群體智慧優化人工智能算法，一套算法由多個人工智能專家更新維護，不再是由一家公司決定一套算法。

3區塊鏈+人工智能行業整體分析

區塊鏈+人工智能類項目按照涉及的領域，分為數據類、算力類和算法類項目，概括如下圖。

3.1區塊鏈+人工智能行業項目一覽

根據CoinMarketCap數據，截至2018年7月24日14:00，在區塊鏈中的AI概念板塊中，項目市值排名主要集中在130-270名之間。

3.2 區塊鏈+人工智能賽道市值與總市值關系

2018年1月1日至2018年6月1日，在區塊鏈+人工智能行業中，根據非小號統計，一月有1個主流幣上了交易所并且統計了市值，有1個主流幣上了交易所沒有統計市值，有7個主流幣沒有上交易所；三月份有4個主流幣上了交易所并統計了市值，有4個主流幣上了交易所沒有統計了市值，有1個主流幣沒有上交易所；六月份之后，主流幣種都上了交易所并統計了市值。

圖4 AI賽道市值與總市值關系（億人民幣）數據來源：非小號項目市值信息不完全，但是根據六月份之后的趨勢可以判斷，隨著區塊鏈總市值在下降，AI概念板塊的市值也在下跌，如圖4所示。

4區塊鏈+人工智能類項目

本章對代表性的區塊鏈+人工智能項目進行技術分析。

4.1數據類項目

數據服務涉及到數據來源、數據存儲、數據安全保護及防數據造假、數據清洗標注。

1）數據來源：為保證用戶隱私，所有區塊鏈+AI項目中的數據來源均是用戶、或者機構自主提供，而非網絡爬取。

2）數據存儲及交易：解決方案可概括為利用區塊鏈的分布式特點，采用分布式存儲方案，對于提供存儲能力的節點，提供代幣激勵，個人或單位可以加入網絡，成為節點的貢獻者，登記并提供節點存儲能力，包括容量、接口、存儲類型以及相應的SLA（ServiceLevelAggrement）。對于個人隱私數據，用戶可以上傳到用戶本地節點，利用私鑰限制訪問權限。

3）數據安全保護及防數據造假：目前使用密碼學的公私鑰技術，驗證數據的來源，判斷數據提供者的身份，驗證數據的有效性。

4）數據清洗標注：結合社區節點的多角色參與，取代人工智能行業中的數據眾包平臺。

表2列舉了數據類項目的對比表。

重點項目分析：

1）Bottos(BTO)

Bottos項目采用數據挖礦的方式實現用戶數據變現，用戶不是依靠大量的算力投入，只需要擁有所需的測試數據（測試數據可以是方言、一些鳥類的照片或者叫聲），就可以獲得代幣。

Bottos系統構建的數據交換市場，提供了基礎的存儲服務，可以幫助用戶存儲一定、短時、少量的數據，數據交換市場為有大容量、長時間存儲需求的特殊客戶，提供了儲存交易市場的購買服務。為獲取優質訓練數據，Bottos項目采用社區節點多角色參與進行清洗和標注，但是清洗和標注落地方案作為技術保留，在項目白皮書中沒有披露。

底層技術通過對當前區塊鏈技術棧的總結，該項目首創積木式動態節點模型，實現動態編排區塊鏈節點，讓系統支持不同節點的類型，構成不同的服務網絡，實現了分層和模塊化構架，如圖5所示。

圖5 Bottos積木式動態節點

2）AICHAIN(AIT)

AICHAIN希望打破全球數據壟斷性壁壘，打造由區塊鏈驅動的人工智能生態系統，讓數據資源方、應用開發方、運行平臺資源方和用戶在這個區塊鏈上自由發布和使用各自的資源和應用，讓用戶以更低的技術門檻和成本將AI應用生態建設到區塊鏈平臺之上

資源分享平臺示意圖如圖6所示。

分享平臺存在著兩個技術落地的難題，一是鏈上資源如何能安全保存，二是如何撮合資源所有者和資源需求者交易。

圖6 分享平臺示意圖

4.2算力類項目

算力類項目涉及算力交易以及算力分配。

1）算力交易：公鏈中的節點通過安裝挖礦軟件及基礎人工智能運行環境，參與算力的貢獻，然后算力購買方與算力出售方通過任務競價等模式進行交易。

2）算力分配：區塊鏈本身是分布式的計算資源，算力分配的做法是將計算任務拆解分配給大量計算機并行計算。

表3算力類項目特點

重點項目介紹：

1）DeepBrainChain(DBC)深腦鏈通過智能合約在交易平臺上進行算力交易，運用動態計算協同計算節點，通過利用閑置計算資源降低成本。算力分配模式采用采用競爭部署挖礦，如圖7所示，優點是節點分散、去中心化程度高。但是算力分配技術細節，該項目并沒有披露。

圖7深腦鏈挖礦節點架構

2）Hadron.Cloud

通過AI瀏覽器進行算力交易，出售算力獲取Hadron代幣。

Hypernet的算力分配是通過在blockchain層下面創造新編程模型，解決連續通信進程計算有關的問題。

在目前區塊鏈行業里，用全新的區塊鏈協議有效支持百萬級的任務分發和協作，是一個新穎的做法。

3）Hypernet

Hypernet沒有提及如何進行算力交易，項目著重介紹了算力分配的安全保護機制，為促進算力買賣雙方之間的交易，設計了ProcessReplication（復制過程），這可以確保計算過程的損失不會影響到整個作業。當peer的一組被分配相同的一種數據時，各peer可以通過hashing的運行結果，保證任何參與人不會被騙。

這種過程跟ProofofSpacetime（已使用在其它分散式項目）一樣的結構。

Hypernet軟件基礎架構包括三個主要組件組成：BlockchainResource Scheduler、基于分散平均分配規則的API、Hypernet的運行環境。

圖8 Hypernet軟件基礎架構

4.3算法類項目

算法項目技術模式包括：

1）改善算法：公鏈系統上模型不是最優的，區塊鏈中的每一個節點都可以為算法調參，即利用群體智慧改善現有的人工智能算法；

2）交易平臺：構建AI算法交易平臺，交易的標的可以是算法需求、算法模型或者將算法模型封裝好的AI Dapps；

3）改善區塊鏈：當前區塊鏈設計固定，區塊鏈參數不能靈活調整且智能合約，不能自動判斷交易模型的合理性，利用人工智能算法動態更新區塊鏈參數，讓區塊鏈系統實現自我進化，并自動嗅探交易漏洞，實現合約交易的文明化進程。

表4列舉了算法類重點項目對比表，

表4算法類重點項目對比表

重點項目介紹：

（1）Cortex(CTXC)

Cortex公鏈不能改善算法，算法交易的模式是構建一個機器學習平臺，允許用戶在平臺上發布任務、購買算法模型，Cortex通過將訓練后的最先進的機器學習模型放到公鏈上，解決模型的鏈上推斷共識，利用人工智能算法實現區塊鏈進化。底層技術愿景包括：

第一點是鏈上推斷共識，高度去中心化，所有節點根據經過訓練的AI算法模型的推斷結果而不是其他共識機制下得出的確定結果達成一致，從而保證了去中心化的區塊鏈自治。

第二點是構建虛擬機CVM，兼容以太坊的虛擬機，CVM指令集完全兼容EVM，同時CVM還支持推理指令。指令的輸入是推斷的代碼，輸出是推斷的結果。

第三點是AI智能合約，這部分相較于普通的智能合約，AI智能合約涉及推理指令，是整個區塊鏈體系的重點，架構圖如圖9所示，要求所有節點在推斷結果的結果上達成一致。Cortex后期脫離以太坊的構架，銷毀ERC-20代幣，采用Endorphins，模擬以太坊中Gas的概念來做AI智能合約計算耗費的記賬，并命名為Endorphins，以此作為CVM在顯卡級別的計費方式。相對于同類AI項目，技術的創新點為：項目在技術架構上創新提出鏈上推斷共識；有自己的虛擬機且相對于以太坊的虛擬機而言，增加了支持推斷指令的設計；后期脫離以太坊的構架，采用Endorphins作為計費方式且設計科學合理，可實現性較強。

圖9 AI智能合約推斷

（2）SingularityNET(AGI)

SingularityNET(AGI)通過建立一個針對AI的去中心化開源平臺，實現改善算法的目的，平臺循環模式圖如圖10所示，讓AI算法的提供方和使用方實現實時靈活的溝通交流。算法交易部分通過跟蹤哪些算法正在被使用，并相應地對開發人員進行補償。項目沒有涉及改善區塊鏈的部分。

底層技術創新點：前期采用POW+POS共識機制，未來脫離以太坊后，采用POR（ProofofReputation）信譽共識機制。該機制包含以下因素：股權、在網絡中的整體活動、特定評級方面、活動長度和特定閾值以上的評級等。基于貢獻和行為計算節點的可信度，同時利用算法的隨機性保證公平性。

與同類的項目相比，SingulaityNET項目并不定位于AI領域的公鏈搭建，而是致力于開源的AI算法平臺的建立和社區的建設，這使得該項目具有極強的可實現性。團隊本身也處于AI領域的前沿，母公司的OpenCog基金會背景使得項目具有極強的吸引力。總體來看，容易落地。

圖10 SingularityNET開源平臺機構圖

4.4項目投資明細

根據CoinMarketCap，區塊鏈+AI項目發行時間集中在2017年前后，投資機構既有老牌傳統機構如微軟等，也有專注于區塊鏈的投資機構如節點資本、比特大陸等，圖11列出了市值前9的區塊鏈+AI項目。

圖11人工智能項目投資明細

5區塊鏈+AI項目投資邏輯

從技術角度出發，區塊鏈+AI項目的投資邏輯將從數據、算力、算法層面進行分析，技術方向的關注重點如圖12所示。

圖12人工智能領域投資邏輯關注重點

5.1 整體邏輯

1）AI和區塊鏈的投資趨勢，是由區塊鏈引發的，因此一定不是AI領域單邊的需求，因為那樣的話就會回歸AI領域的投資邏輯。我們需要探索交叉領域給雙邊帶來的機遇，以及創造全新的機會。

2）人工智能市場并不是一片藍海，BAT等巨頭公司資源，技術優勢非常明顯。初創企業在長尾眾包市場機會可能大一些。比如未來去中心化的算法交易市場可能更易落地，用物質獎勵，來刺激機器學習專家開發模型，性能最好的模型會獲得更高比例的收益。

3）要讓去中心化的AI市場起作用，就需要運用各種安全計算技術，包括聯合學習等，保證個人和公司提供的任何模型參數都能以完全私密的方式來處理。

4）目前創業要充分考慮到熊市的影響，已經有一定進展和實力或具有賺錢能力的項目才能安穩度過熊市，比如項目主網已經上線、已經有實際業務現金流等。

5.1 數據

這一領域初創公司可以通過數據眾包的方式，利用token的優勢進行彎道超車。

1）數據保密：由于數據讀寫方面，區塊鏈僅支持記錄級寫授權，但讀操作時完全共享，這種情況導致鏈上數據完全共享，因此數據的保密性很重要。

2）規模化存儲節點：項目前期應該能吸引大量的儲存節點，以降低數據存儲的成本的項目。

5.2 算力

目前這一領域巨頭公司優勢明顯，在目前的發展情況下，初創公司突破較難，等算法市場、存儲市場等生態起來了以后可能會有新機會出現。

1）AI芯片研發：英特爾壟斷了芯片，芯片是人工智能算力的硬件基礎，這類項目投資者需要關注項目方是否有能力研發并生產芯片。

2）并行計算：算力分配需要考察各個客戶端能否將提交的算法進行聚合修改，保證算法參數實時有效的更新在每一個客戶端，是目前AI算力分配過程中遇到的難點，所以投資者需要關注項目方是否有能力處理大規模并行計算難題。

5.3 算法

1）算法保密：去中心的AI算法交易市場，讓每個AI人才都可以為算法做出貢獻，但是要讓去中心化的AI市場起作用，就需要保證個人和公司提供的任何算法模型都能以完全私密的方式來處理。

2）同步模型參數：分布式網絡協同訓練人工智能模型時，參數需要通過共識機制協同調整，如果模型參數不一致，最終的算法模型可用性非常低，所以此類項目投資者需要關注項目是否能做到同步模型參數。

6區塊鏈+AI項目未來趨勢

6.1技術總體趨勢：此領域成熟還有大量條件待滿足

理想情況是：利用合理的Token模型構建底層價值網絡，保證區塊鏈節點的積極性，在區塊鏈的隱私，性能，硬件，算法安全性提高的前提下，越來越多的數據，算力，算法，新理論在市場上進行交易。同時進行自我優化。

6.2 隱私：首要因素

ai相關的數據和計算的隱私，在云計算時代未得到徹底解決，區塊鏈時代是一個大的機遇。因此應關注隱私方面的進展。

6.3 經濟模型：給予角色正確的激勵

區塊鏈+AI項目中包括數據的提供方和購買方，算力的提供方和購買方，算法的提供方和購買方。如何協調AI生態中各種角色的經濟激勵，使更多的數據、算力和算法在平臺上交易，甚至貢獻新的理論，是值得研究的課題。

6.4 擴容：更好的解決方案

隨著區塊鏈擴容方案的落地，目前AI+區塊鏈中使用的各種算法可以有更智能的解決方案。

6.5 存儲：未來會出現更好的垂直性儲存。

在訓練AI模型的過程中，為了訓練屬于自己的模型，需要存儲自己的數據。目前IPFS方案的落地可能性眾說紛紜，一種可能性是，會出現專門應用于人工智能領域的數據存儲協議，針對ai計算所需的隱私要求和存儲pattern做的專門的優化，有些場景下比通用存儲可能會先出現落地應用。

6.6 硬件：期待專用芯片的出現

礦工一直在做的就是簡單的SHA256的哈希運算，但深度學習還是以GPU通用計算為主，而且深度學習訓練的算法本身不是確定的，因此目前挖礦硬件是難以支持深度學習訓練的。未來期望會出現滿足ai+blockchain各種需求的專用芯片，配合專門的協議，可以解決均等分配計算任務的難題，使得在礦工在挖礦給區塊鏈記賬的同時，幫助解決AI計算問題。

6.7 AI算法安全性趨勢

AI算法如果架構在去中心化的區塊鏈上，隨著AI被用在各種區塊鏈上的越來越重要的場景，如果會出現沒有任何一家公司完全控制算法，算法存在失控的可能性，因此，AI行為安全一定會變得越發重要。

長推：聊聊AI+區塊鏈的看法

原文作者：B

原文來源：twitter

注：本文來自@bonnazhu推特，火星財經整理如下：

借著近期OpenAI 4o版本的發布，侃一下對AI+區塊鏈的看法：

以OpenAI為首的生成式AI浪潮，靠一己之力，拉動了數據、存儲、計算這三個板塊的發展。從此之后，AI將成為它們未來十年甚至幾十年最重要的客戶，服務好AI，再由AI去服務各個下游行業客戶和應用的鏈條正在逐步形成，AI成了最重要的中間層和發動機：

第一，AI帶動了上游基建的需求：

1) 計算：包括芯片的設計與生產，云計算服務，數據中心，網絡/電力基礎設施等

這一環節偏重物理，AI的訓練和結果輸出需要消耗大量的算力、電力以及網絡資源，而芯片的性能又是決定效率和能耗的關鍵，這就決定了像英偉達, AMD這樣的芯片設計公司，臺積電, 三星這樣的晶圓代工廠，以及谷歌、微軟，亞馬遜等有云計算和數據中心業務的科技巨頭注定捕獲這一輪最大的價值。

但區塊鏈并不是沒有用武之地。目前算力壟斷非常明顯，高性能GPU一卡難求，或者需要付出很高的溢價才能在云計算廠商處獲取相關服務，并且還可能由于地緣政治，芯片禁售等原因，導致算力在地理上的分布也呈現集中。這種失衡帶來的需求外溢，使得去中心化計算成為這一輪AI浪潮中獲取實際利益的區塊鏈板塊之一。這一板塊的項目眾多，新項目不斷涌現，爭奪會很激烈，如@akashnet_@rendernetwork@gensynai@NodeAIETH@exa_bits@ionet@fluence_project@gpunet@nosana_ai等等。

不過由于區塊鏈網絡本身的性能局限與機器學習高昂計算量的矛盾，使得復雜的深度學習必然要在鏈下進行，然后把結果傳輸到鏈上。如何驗證算力提供方是否按照要求執行了訓練任務是一個難點，并且計算需要調用數據和模型，存在潛在的隱私暴露問題。此時ZK（零知識證明）的威力就顯現出來了。目前已經有不少項目在探索ZK為AI進行服務，例如 @bagel_network@gizatechxyz@ModulusLabs都旨在打造一個開發者可以部署AI模型，并可運用ZK對AI訓練和推斷過程進行校驗的機器學習平臺，即ZK machine learning，而@ezklxyz則是專注做服務AI的ZKP生成器和驗證器，@Ingo_zk則是鉆研ZKP生成硬件加速。

另外，生成式AI帶來的能耗（包括計算產生的能耗以及散熱帶來的能耗）也是相當驚人。據說OpenAI訓練GPT-6的時候，把微軟的電網都搞崩了。隨著之后各大巨頭繼續加碼AI數據中心（其中OpenAI計劃聯合微軟耗資1000億美元打造名為Stargate星際之門的超級計算器），能耗只會幾何級上漲。但是網絡/電力這種基礎的建設翻新周期很慢，且在例如美國這種國家，土地大多是私有的，拓展電網及相關的基礎設施需要經過私人同意。如何讓私人有動力參與到基礎設施的拓展中，或是讓私人減輕對電網的依賴和負擔，這可能是未來 #DePin的一個重要議題。當然，除了電能，穩定的帶寬也是AI需求的重要基礎設施之一，大部分數據中心都會傾向于構建在ISP（網絡業務提供商）近一些的地方，電力豐富的地方，網絡帶寬資源不一定豐富。如何利用#DePin解決這個錯配問題，也是一個值得期待的方向。

2) 數據：包括數據采集、數據標注/處理、數據交易/授權。

盡管數據是AI的“食物”，然而大多數機器學習模型只能使用經過處理的結構化數據。目前，用于機器學習的數據來源非常廣泛，且大部分是非結構化的和分散在各處的公開數據，因此需要花費大量時間和精力對這些數據進行搜集和處理。這其實是一個勞動密集的苦差事，卻也是區塊鏈和代幣經濟能夠很好切入的環節，目前在做這個數據采集、處理分包業務的主要有 @getgrass_io@PublicAI_@AITProtocol這幾家。

不過需要注意的是，隨著新的機器學習模型架構的出現，對于結構化數據的依賴會有所改變。新的技術架構如自監督學習、GAN、VAE和預訓練模型，可以直接利用非結構化數據進行深度學習，繞過數據處理和清洗環節，而這會對勞動密集型平臺的需求帶來一定沖擊。

此外，可以公開抓取的數據只是這個世界數據的冰山一角，大量的數據其實掌握在私營機構或者個人用戶手中，除了部分企業會有公開的API允許調用外，大部分數據仍舊沒有被激活。如何讓更多的數據持有者貢獻/授權自己的數據，同時又能良好的保護隱私，是一個重點方向。曾經有不少做去中心化數據交易的平臺，但因為苦于找不到有數據需求的甲方，經過幾輪周期的大浪淘沙，基本都銷聲匿跡，只剩下少數如 @oceanprotocol熬到了AI的春天，而它們獨特的Compute-to-data模式，讓數據使用者可以直接在數據分享者的數據集上進行計算而不暴露數據，恰好解決了這個隱私痛點。

3) 存儲：包括數據庫（database），數據備份/存儲系統（storage）

深度學習模型在訓練和推斷時用到的數據，大多是從數據庫或者數據存儲備份系統處調取的。可以把數據庫和備份/存儲系統理解成“冰箱”，不過數據庫和備份/存儲系統其實是不太一樣的，前者側重管理，需要支持頻繁的讀寫，以及復雜查詢（如SQL）和檢索，后者側重大規模、長期的備份和歸檔，需要保證隱私、安全和不可篡改。

Database和storage相輔相成，共同服務AI深度學習，一個典型的場景是：數據從database中提取，進行預處理和清洗，轉換成適合模型訓練的格式，處理后的數據可以存儲在去中心化storage中，確保數據的安全。模型訓練階段，從去中心化storage中讀取訓練數據，進行模型訓練，訓練過程中生成的中間數據和模型參數可以存儲在database中，便于快速訪問和微調、更新。

這一板塊是區塊鏈的優勢所在，@ArweaveEco@Filecoin@storj@Sia__Foundation都是這個賽道的，甚至@dfinity也可以歸類進去，然而越來越覺得@ArweaveEco才是最適合服務AI的那個方案：其一次性支付永續存儲的模式，加上生態系統中許多database項目作為補充，以及新發布的并行架構AO計算網絡，完美適配深度學習中多線程任務的需求，這使得其能夠很好地支持機器學習的部署。

第二，AI性能決定了下游應用的上限：

雖然AI已經或多或少在工業、農業領域（2B）有所應用，但這一輪我們看到的突破主要是基于大語言模型（LLM）的2C應用。我們可以把這些應用分成兩大類：

第一類其實只是大語言模型的具象化，例如一些AIGC平臺，它們根據用戶指令生成用戶想要的結果，但這一類應用的性能主要取決于使用的AI模型，而主要的LLM模型被巨頭們壟斷，因而應用間的差異性往往較小，護城河相對較窄；另一類則是利用AI模型來提升現有產品的功能和用戶體驗，例如增加了AI能力的搜索引擎、游戲等，包括@_kaitoai@ScopeProtocol@EchelonFND

除此之外，生成式AI浪潮還催熱了一種新的應用生態—AI Agent，即智能機器人，其具備根據用戶意圖獨立執行任務和做出決策的功能。AI Agent本質是在LLM的模型基礎上，增加了更為復雜的執行和處理邏輯，使其能服務于不同的應用場景。實際上，這種Agent的雛形在加密貨幣領域已經存在，例如DeFi借貸協議的清算機器人（liquidation bot）和去中心化交易平臺的套利機器人（arbitrage bot）。這些DeFi Bots雖然具備智能機器人的一些特點，但它們是純鏈上的，不支持鏈下行為，且因為是基于智能合約，需要外部觸發才能啟動。

在沒有AI的情況下，目前是通過一套外部的keeper網絡來打通鏈下和鏈上的，例如價格預言機就是這樣一個典型，以及 @thekeep3r也是一個例子。而AI Agent的出現，給了一種新的思路，即可以由智能機器人自行去完成，并實現自動化。鏈上AI Agent標的主要有：@autonolas@MorpheusAIs；而其他較為通用的AI Agent的標的有@chainml_@Fetch_ai；以及專注陪伴、人機交互的AI Agent有@myshell_ai@virtuals_io@The_Delysium，而這一類Agent的特點是擬人化，提供情緒價值，且具有被運用到各個游戲、元宇宙之中的想象空間。

第三，寫在最后：

AI其實是一個融合敘事，它的出現，把原先各個孤立甚至當初找不到市場契合點的幾個加密板塊串聯起來了。目前AI仍舊處于大基建投資時代，數據、存儲、計算這一類上游板塊是最直接的持續受益者，它們對AI發展更為敏感，確定性也更高。

但是對于這個行業的投資者來說，風險在于大部分的紅利可能不在加密貨幣市場，目前幣市的AI效應更多還是來自傳統市場供需關系失衡帶來的溢出效應，或者就是純炒作。而下游應用由于性能天花板取決于AI模型，而AI模型仍處在不斷迭代的過程中，且AI與產品的結合點還在探索，市場契合度還有待驗證，這使得下游應用的未來變數還比較大，確定性不如上游板塊那么高。

當然，還有像@bittensor_和@ritualnet這樣的項目，我認為更應該稱之為AI生態平臺的項目。他們并不單純專注于上游或下游的某一塊業務，而是通過架構和經濟機制設計，使上下游業務的各個提供者能夠接入并部署到其平臺或鏈上，實現所謂的人工智能協作。這些項目有著宏大的遠景，但目前區塊鏈AI上下游面臨的需求捕獲問題同樣會反映到它們身上，且估值較高。不過，相比于押注某一個具體項目，押注這些平臺的風險會相對小一些。

短期內，區塊鏈能否繼續從AI紅利中獲益，可能仍然取決于上游板塊的供需關系失衡，尤其是供給不足狀況的持續。但從中長期來看，區塊鏈的可驗證性、不可篡改性和代幣激勵等特性，確實能夠為AI帶來新的可能性，其中，零知識證明是一大利器，既能保護隱私，又能實現可信驗證，完美解決了區塊鏈在性能局限下服務AI深度學習高計算量需求的問題。