原文作者：Patrick Bush，Matthew Sigel

原文来源：VanEck

编译：Lynn，火星财经

我们概述了到 2030 年人工智能加密货币收入情景，强调了 $10.2B 的基本情形，并强调公共区块链通过基本功能在推动人工智能采取方面的关键浸染。

请把稳，VanEck 可能持有下述数字资产的头寸。

要点：根据我们的基本情形，到 2030 年，加密 AI 收入估量将达到 $10.2B区块链技能可能成为人工智能采取和去中央化人工智能办理方案进步的关键驱动力与加密勉励方法的集成可以提高人工智能模型的安全性和效率区块链可能会成为人工智能身份验证和数据完全性寻衅的办理方案

公共区块链很有可能是开启人工智能 (AI) 广泛采取的关键，而人工智能运用程序将成为加密货币存在的情由。
这是由于加密货币供应了人工智能所需的主要根本元素，例如透明度、不变性、明确定义的所有权属性和对抗性测试环境。
我们相信这些特性将有助于让人工智能充分发挥其潜力。
根据对人工智能增长的估计，我们断言以人工智能为重点的加密项目到2030 年年收入将达到10.2B美元。
在本文中，我们推测加密在促进人工智能采取方面的浸染以及加密将带来的代价源自人工智能业务：

此博客的 PDF 版本。

2030 年估量加密货币人工智能收入比特币矿工多元化进入人工智能领域为人工智能履行去中央化云通过加密货币勉励增强人工智能模型通过零知识 (zk) 证明进行验证通过基于区块链的身份建立人性

我们创造加密货币在人工智能中的最佳运用是：

供应分散的打算资源模型测试、微调和验证版权保护和数据完全性人工智能安全身份

加密货币对人工智能来说非常有用，由于它已经办理了人工智能当前和未来面临的许多寻衅。
从实质上讲，加密货币办理了折衷问题。
加密货币将职员、打算和货币资源结合在一起来运行开源软件。
它通过以与每个网络的代价干系的代币形式向创建、支持和利用每个区块链网络的人供应褒奖来实现这一目标。
该褒奖系统可用于勾引人工智能代价堆栈的不同组件。
将加密技能与人工智能相结合的一个主要意义在于，利用加密货币勉励方法来开拓必要的物理根本举动步伐，例如 GPU 集群，专门用于演习、微调和支持天生模型的利用。
由于加密货币是一种利用加密货币来褒奖所需用户行为的对抗性环境，因此它是测试和微调人工智能模型以优化符合某些质量标准的输出的最佳根本。

区块链还带来了数字所有权的透明度，这可能有助于办理人工智能将在法庭上面临的一些开源软件问题，这在《纽约时报》诉 OpenAI 和微软的诉讼中已经很引人瞩目。
也便是说，加密可以透明地证明数据所有者、模型构建者和模型用户的所有权和版权保护。
这种透明度还将扩展到将模型有效性的数学证明发布到公共区块链上。
末了，由于不可假造的数字署名和数据完全性，我们相信公共区块链将有助于减轻识别和安全问题，否则这些问题会削弱人工智能的有效性。

定义加密货币在人工智能企业中的浸染2030 年估量加密货币人工智能收入：熊市、基本情形、牛市情景

资料来源：摩根士丹利、彭博资讯、VanEck Research 截至 2024 年 1 月 29 日。
过去的表现并不能担保将来的结果。
本博客中供应的信息、估值情景和价格目标无意作为财务建议或任何行动号召、购买或***建议，或作为对人工智能业务未来表现的预测。
未来的实际表现尚不清楚，可能与此处描述的假设结果有很大差异。
所提出的场景中可能存在未考虑到的风险或其他成分，这些成分可能会阻碍绩效。
这些仅仅是基于我们研究的仿照结果，仅供解释之用。
请进行自己的研究并得出自己的结论。

为了预测加密人工智能的市场，我们首先估计人工智能带来的商业生产力收益的总可寻址市场（TAM），我们对该数字的基线来自麦肯锡对 2022 年的假设。
然后，我们将经济和生产力增长假设运用于麦肯锡的预测打算得出 2030 年 TAM 为 5.85T 美元的基本情形。
在此基本情形下，我们假设 AI 生产力增长比 GDP 增长高 50%，GDP 增长 3%。
然后，我们预测人工智能在环球企业中的市场渗透率（在基本情形下为 33%），并将其运用到我们的初始 TAM 中，估量人工智能将为企业带来 1.93T 美元的生产力提升。
为了打算所有人工智能业务的收入，我们假设这些生产力收益的 13% 由人工智能业务捕获（或由企业消费者花费）作为收入。
我们通过运用标准普尔 500 强企业劳动力本钱的均匀收入份额来估算人工智能收入占比，并假设人工智能支出该当相似。
我们剖析的下一部分运用 Bloomberg Intelligence 对 AI 代价堆栈分布的预测来估算每个 AI 业务群体的年收入。
末了，我们对每个人工智能业务的加密货币市场份额进行详细估计，以得出每个案例和每个市场的终极数据。

我们设想未来将利用开源公共存储库构建的去中央化人工智能模型运用于每个可以想象的用例。
在许多情形下，这些开源模型赛过集中式人工智能创作。
这一假设的根本源于这样的假设：开源社区将有独特动机改进事物的爱好者和爱好者聚拢在一起。
我们已经看到开源互联网项目冲破了传统业务。
这种征象最好的例子是维基百科有效地结束了商业百科全书业务，而推特则扰乱了***媒体。
这些开源社区在传统企业失落败的地方取得了成功，由于开源团体通过社会影响力、意识形态和团体联络的结合来折衷和勉励人们供应代价。
简而言之，这些开源社区之以是成功，是由于它们的成员 关心。

将开源人工智能模型与加密货币勉励相结合，可以扩大这些新兴社区的影响力，授予他们财务能力，以创建必要的根本举动步伐来吸引新参与者。
将这一条件运用于人工智能将是激情亲切和金钱资源的迷人结合。
人工智能模型将在加密货币勉励竞赛中接管测试，建立模型评估基准的环境。
在这种环境下，最有效的模型和评估标准会得胜，由于每个模型的代价都被明确量化。
因此，在我们的基本案例中，我们估量区块链天生的人工智能模型将占所有人工智能软件收入的 5%。
这一估计包括硬件、软件、做事、广告、游戏等，反响了企业运营数量的转变。
在 AI 软件的总收入中，我们估量这将占所有 AI 收入的一半旁边，即 $125.50B 旁边。
因此，我们估量开源模型的 5% 市场份额相称于加密代币支持的 AI 模型的收入为$6.27B 。

我们估量，到 2030 年，用于微调、演习和推理的打算（或人工智能根本举动步伐即做事）的 TAM 可能会达到 $47.44B。
随着人工智能的广泛采取，人工智能将成为天下经济许多功能不可或缺的一部分，打算和存储的供应可以被设想为类似于发电和配电的公共举动步伐。
在这种动态中，绝大多数“基本负载”将来自 Amazon 和 Google 等 GPU 云超大规模企业，其市场份额将靠近80% 的帕累托分布。
我们看到区块链分配的后端做事器根本举动步伐可以知足分外需求，并在高网络需求期间充当“峰值”供应商。
对付定制人工智能模型的生产者来说，加密存储和打算供应商供应了诸如按需做事交付、更短的 SLA 锁定期、更定制的打算环境以及更高的延迟敏感性等上风。
此外，去中央化 GPU 可以与智能合约中的去中央化 AI 模型无缝集成，从而实现 AI 代理扩展自己的打算需求的无需容许的用例。
将区块链供应的 GPU 视为人工智能打算根本举动步伐的 Uber/Lyft 等价物，我们认为区块链供应的打算和存储将霸占人工智能根本举动步伐非超大规模市场的 20%，到 2030 年可能产生$1.90B的收入。

通过可证明的链上人性在人工智能代理和模型的背景下定义“身份”可以被视为天下打算机网络的女巫防御机制。
我们可以通过检讨与保护不同区块链网络干系的用度来估计这项做事的本钱。
2023 年，比特币、以太坊和 Solana 的这些整天职别约为每个网络通胀发行代价的1.71%、4.3%和 5.57%。
守旧地说，我们可以推断身份识别应占人工智能市场的 3.5% 旁边。
考虑到 AI 软件的 TAM 为 $125.5B，这对应于 $8.78B 的年度收入。
由于我们相信加密货币为身份问题供应了最佳办理方案，因此我们相信它将霸占该终端市场 10% 的市场份额，估量其年收入约为8.78 亿美元。

人工智能安全有望成为人工智能设备的另一个主要组成部分，其基本哀求是利用未破坏的、干系的最新数据来验证模型是否运行精确。
随着人工智能扩展到人类生命面临风险的运用领域，例如自动驾驶汽车、工厂机器人和医疗保健系统，对失落败的容忍度变得很小。
发生事件时问责的须要将推动保险市场须要详细的安全证明。
公共区块链是实现此功能的空想选择，由于它们可以在任何人都可以看到的不可变动的分类账上发布“安全证明”。
这项业务可以被认为类似于金融机构的合规性。
考虑到美国商业和投资银行产生 $660B 的收入，同时花费 $58.75B 的合规本钱（占收入的 8.9%），我们估量 AI 安全应占 $251B AI TAM 的 $22.34B 旁边。
只管加密货币具有增强人工智能安全的潜力，但鉴于美国政府对人工智能的关注，我们相信人工智能的大部分合规性将是集中的。
因此，我们估计加密货币将占该市场的 5% 旁边，即$1.12B旁边。

组织分散的打算资源

加密货币可以将其巨大的社会和财务折衷上风运用于打算访问的民主化，从而办理当前困扰人工智能开拓职员的痛点。
除了高昂的本钱和得到优质 GPU 的机会有限之外，人工智能模型构建者目前还面临着其他棘手的问题。
个中包括供应商锁定、缺少安全性、打算可用性有限、延迟差以及国家法律规定的地理围栏。

加密货币能够知足人工智能对 GPU 的需求，源于加密货币通过代币勉励搜集资源的能力。
比特币网络的代币代价为 850B 美元，股权代价为 20B 美元，这证明了这种能力。
因此，当前的比特币矿工和有出息的去中央化 GPU 市场都有潜力通过供应去中央化打算来为人工智能增加巨大的代价。

对付理解通过区块链供应 GPU 的一个有用的类比是发电业务。
大略来说，有一些实体运营着大型、昂贵的工厂，可以稳定地发电以知足大多数电网需求。
这些“基本负荷”工厂的需求稳定，但须要大量的培植成本投资，导致成本回报率相对较低但有担保。
补充基本负载的是另一类称为“峰值功率”的发电机。
当电力需求超过基本负荷发电能力时，这些企业供应电力。
这涉及高本钱、小规模的能源生产，其计策定位靠近该能源的需求。
我们估量“按需打算”领域也会涌现类似的动态。

比特币矿工多元化进入人工智能领域

比特币和其他事情量证明加密货币与人工智能一样对能源有很高的需求。
这种能源必须被创造、获取、运输并分解成可用电力来为采矿设备和打算集群供电。
该供应链须要矿商对发电厂、购电协议、电网根本举动步伐和数据中央举动步伐进行大量投资。
挖矿 PoW 加密货币带来的货币勉励导致了许多分布在环球的比特币矿工的涌现，这些矿工拥有能源和电力权利以及集成的网格架构。
这些能源大部分来自本钱较低、社会回避的碳密集型能源。
因此，比特币矿工可以供应的最引人瞩目的代价主见是为人工智能后端根本举动步伐供应动力的低本钱能源根本举动步伐。

AWS 和微软等超大规模打算供应商一贯奉行投资垂直整合运营并建立自己的能源生态系统的计策。
大型科技公司已经向上游发展，设计自己的芯片并采购自己的能源，个中大部分是可再生能源。
目前，数据中央花费了美国企业可用的可再生能源的三分之二。
微软和亚马逊都承诺到 2025 年实现 100% 可再生能源供应。
然而，如果预期的打算需求超出预期，正如一些人所说，到 2027 年，以人工智能为中央的数据中央数量可能会增加一倍，成本支出可能是目前估计的三倍。
大型科技公司已经支付了 0.06-0.10 美元/千瓦时的电力用度，比竞争性比特币矿工常日支付的价格（0.03-0.05 千瓦时）贵得多。
如果人工智能对能源的需求超过了大型科技公司当前的根本举动步伐操持，那么比特币矿商相对付超大规模矿商的电力本钱上风可能会大幅增加。
矿工越来越被与 GPU 供应干系的高利润人工智能业务所吸引。
值得把稳的是，Hive在 10 月份报告称，按每兆瓦打算，其 HPC 和 AI 业务产生的收入是比特币挖矿的 15 倍。
其他捉住人工智能机会的比特币矿工包括 Hut 8 和 Applied Digital。

比特币矿商在这个新市场中经历了增长，这有助于实现收入多元化并增强收益报告。
在 Hut 8 的 2023 年第三季度剖析师电话会议中，首席实行官 Jaime Leverton 表示：“在我们的 HPC 业务中，我们在第三季度通过新客户的增加和现有客户的增长创造了一些动力。
上周，我们推出了按需云做事，为那些从我们的 GPU 寻求 HPC 做事的客户供应基于 Kubernetes 的运用程序，这些运用程序可以支持人工智能、机器学习、视觉效果和渲染事情负载。
这项做事将掌握权交到我们的客户手中，同时将配置韶光从几天缩短到几分钟，这对付那些寻求短期 HPC 项目的人来说尤其具有吸引力。
Hut 8从 2023 年第三季度的 HPC 业务中实现了450 万美元的收入，占该公司同期收入的 25% 以上。
对 HPC 做事和新产品的需求不断增长，应有助于该业务线的未来增长，随着比特币减半即将到来，HPC 收入可能很快就会超过挖矿收入，详细取决于市场状况。

只管他们的业务听起来很有出息，但转向人工智能的比特币矿工可能会因缺少数据中央培植技能或无法扩大电力供应而陷入困境。
由于雇用新的以数据中央为中央的发卖职员的本钱，这些矿工还可能会创造与运营管理用度干系的寻衅。
此外，当前的采矿作业没有足够的网络延迟或带宽，由于它们对廉价能源的优化导致它们位于偏远地区，常日缺少高速光纤连接。

为人工智能履行去中央化云

我们还看到了以打算为中央的加密项目的长尾，这些项目将霸占人工智能做事器资源市场的一小部分但很大一部分。
这些实体将折衷超大规模之外的打算集群，以供应适宜新朱紫工智能构建者需求的代价主见。
去中央化打算的好处包括可定制性、开放访问和更好的条约条款。
这些基于区块链的打算公司使小型人工智能参与者能够避免 H100 和 A100 等高端 GPU 的巨额用度和普遍不可用的情形。
加密人工智能企业将通过创建环绕加密代币勉励构建的物理根本举动步伐网络来知足需求，同时供应专有IP来创建软件根本举动步伐以优化人工智能运用程序的打算利用。
区块链打算项目将利用市场方法和加密褒奖来从独立数据中央、具有过剩打算能力的实体和前 PoW 矿工那里创造更便宜的打算。
为 AI 模型供应去中央化打算的一些项目包括Akash、Render和io.net。

逐日收入阿卡什

阿卡什逐日收入。
资料来源：Cloudmos 截至 2024 年 1 月 30 日。
过去的表现并不能担保将来的结果。

Akash 是一个基于 Cosmos 的项目，可以被认为是一个通用的去中央化“超级云”，供应 CPU、GPU、内存和存储。
实际上，它是一个连接云做事用户和云做事供应商的双向市场。
Akash 的软件旨在折衷打算供应与需求，同时创建促进 AI 模型演习、微调和运行的工具。
Akash 还确保市场买家和卖家老实履行其责任。
Akash 通过其 $AKT 代币进行折衷，该代币可用于以折扣价支付云做事用度。
$AKT 还作为 GPU 打算供应商和其他网络参与者的勉励机制。
在供应方面，Akash 在添加打算供应商方面取得了长足进步，由于 Akash 市场上有 65 家不同的供应商。
只管在 Akash 的 AI 超级云于 2023 年 8 月 31 日首次亮相之前，打算需求一贯低迷，但在发布日期之后，打算买家已花费了 13.8 万美元。

最近迁移到 Solana 的 Render 最初专注于将艺术家与分散的团体联系起来，这些团体将供应 GPU 能力来渲染图像和***。
然而，Render 已开始将其去中央化 GPU 集群的重点放在知足机器学习事情负载上，以支持深度学习模型。
通过网络改进提案RNP-004，Render 现在拥有一个 API 可以连接外部网络（例如 io.net），该网络将利用 Render 的 GPU 网络进行机器学习。
Render 社区随后提出的提案得到通过，许可通过Beam和FEDML访问其 GPU，以完成机器学习任务。
因此，Render 已成为 GPU 事情负载的去中央化促进者，通过向供应商支付 RNDR 美元以及向运行网络后端根本举动步伐的实体供应 RNDR 勉励来折衷。

Io.net GPU 价格比较。
来源：io.net截至 2024 年 1 月 4 日。

Solana 上另一个有趣的项目是 io.net，它被认为是 DePIN 或去中央化物理根本举动步伐网络。
io.net 的目的也是供应 GPU，但其重点仅在于运用 GPU 来驱动 AI 模型。
除了大略地折衷打算之外，Io.net 还在其核心堆栈中添加了更多做事。
其系统声称可以处理人工智能的所有组件，包括创建、利用和微调，以精确促进全体网络中的人工智能事情负载并对其进行故障打消。
该项目还利用了其他去中央化 GPU 网络，例如 Render 和 Filecoin 及其自己的 GPU。
只管 io.net 目前缺少代币，但操持于 2024 年第一季度推出。

战胜去中央化打算的瓶颈

然而，由于演习深度学习模型所需的范例633TB 以上数据所带来的网络需求，利用这种分布式打算仍旧是一个寻衅。
由于打算机能力的延迟和差异，位于环球各地的打算机系统也给并行模型演习带来了新的障碍。
Together 是一家积极进军开源根本模型市场的公司，该公司正在构建一个去中央化云来托管开源人工智能模型。
Together 将使研究职员、开拓职员和公司能够通过结合数据、模型和打算的直不雅观平台来利用和改进人工智能，扩大人工智能的可访问性并为下一代科技公司供应支持。
Together 与领先的学术研究机构互助，构建了 Together 研究打算机，使实验室能够集中计算进行人工智能研究。
该公司还与斯坦福根本模型研究中央 (CRFM) 互助创建了措辞模型的整体评估 (HELM)。
HELM 是一个“活基准”，旨在通过供应评估此类根本模型的标准化框架来提高人工智能的透明度。

自 Together 成立以来，创始人 Vipul Ved Prakash 率先启动了多个项目，包括 1) GPT-JT，一个开放式 LLM，具有通过

HELM (RAFT) 分数

GPT-JT 性能。
来源：截至 2024 年 1 月 4 日的解码器。

我们相信像Together这样的去中央化和民主化的云打算办理方案可以显著减少构建新模型的本钱，从而有可能颠覆亚马逊网络做事、谷歌云和Azure等老牌巨子并与之竞争。
就高下文而言，将 AWS 容量块和 AWS p5.48xlarge 实例与配置有相同数量的 H100 SXM5 GPU 的 Together GPU 集群进行比较，Together 的定价大约比 AWS 低 4 倍。

随着开放式法学硕士变得越来越准确并得到更广泛的采取，Together 可能成为开源模型的行业标准，就像红帽之于 Linux 一样。
该领域的竞争对手包括模型供应商 Stability A 和 HuggingFace，以及人工智能云供应商 Gensyn 和 Coreweave。

通过加密货币勉励增强人工智能模型

区块链和加密货币勉励方法证明，网络效应和与网络效应大小干系的褒奖迫使人们从事有用的事情。
在比特币挖矿的背景下，该任务是通过利用昂贵的电力、技能人力和 ASIC 机器来保护比特币网络。
这种经济资源的折衷供应了一种女巫攻击防御机制，防止比拟特币的经济攻击。
作为交流，折衷这些资源的矿工将得到 BTC 美元。
然而，人工智能有用事情的绿色空间要大得多，一些项目已经在推动人工智能和机器学习模型的改进。

这些项目中最原始的是Numerai。
目前，Numerai 可以被视为一项去中央化数据科学锦标赛，旨在确定最佳机器学习模型，通过建立股票投资组合来优化财务回报。
在每个时期，匿名 Numerai 参与者都被付与访问隐蔽原始数据的权限，并被哀求利用这些数据来构建表现最佳的股票投资组合。
为了参与，用户不仅被哀求提交预测，还被迫在其模型的预测背后投入 NMR 代币，以证明这些模型的代价。
其他用户也可以在他们认为性能最佳的模型上投入代币。
然后，每个质押、提交的模型的输出都会被输入到机器学习算法中，以创建一个元模型，为 Numerai One 对冲基金的投资决策供应信息。
提交具有最佳信息系数或有效性的“推论”的用户将得到 NMR 代币褒奖。
与此同时，那些质押最差模型的人的代币将被减少（没收并重新用于褒奖得胜者）。

Bittensor 上的子网和用例。
来源： https: //taostats.io/api/截至 2024 年 1 月 2 日。

Bittensor是一个大规模扩展 Numerai 核心观点的类似项目。
Bittensor 可以被认为是“机器智能的比特币”，由于它是一个为 AI/ML 模型供应经济勉励的网络。
这是由构建人工智能模型的“矿工”和评估这些模型输出质量的“验证者”实体来完成的。
Bittensor 的架构是一个根本网络和许多较小的子网（子网）的架构。
每个子网络都专注于机器智能的不同领域。
验证者会向这些子网上的矿工提出各种问题或要求，以评估其人工智能模型的质量。

表现最好的模型将得到最高的 TAO 代币褒奖，而验证者则因对矿工的准确评估而得到补偿。
在更高的层面上，验证者和矿工都必须质押代币才能参与每个子网，每个子网占总质押的比例决定了它从所有 Bittensor 总通胀中得到多少 TAO 代币。
因此，每个矿工不仅有动力优化其模型以赢得最多的褒奖，而且有动力将其模型集中在最佳的人工智能领域子网上。
此外，由于矿工和验证者必须坚持资金才能参与，因此每个人都必须超过成本本钱障碍，否则就会退出系统。

截至 2024 年 1 月，共有 32 个不同的子网，每个子网专用于机器学习或人工智能的特定领域。
例如，Subnet 1是类似于ChatGPT的提示LLM的文本。
在这个子网上，矿工运行各种经由调度的 LLM 版本，以最好地相应评估相应质量的验证者的提示。
在名为“Taoshi”的子网 8 上，矿工提交比拟特币和各种金融资产价格的短期预测。
Bittensor 还拥有专用于人类措辞翻译、存储、音频、网络抓取、机器翻译和图像天生的子网。
子网创建是无需容许的，任何拥有 200 TAO 的人都可以创建子网。
子网运营商卖力为每个子网的活动创建评估和褒奖机制。
例如，Bittensor 背后的根本 Opentensor 运行子网 1，并最近与Cerebras互助发布了一个模型，以评估该子网上矿工的 LLM 输出。

虽然这些子网最初都是由通货膨胀褒奖全额补贴的，但每个子网终极都必须在经济上坚持自身。
因此，子网运营商和验证者必须折衷创建工具，以许可外部用户付费访问每个子网的做事。
随着通货膨胀的 TAO 褒奖减少，每个子网将越来越依赖外部收入来坚持自身。
在这种竞争环境中，存在创建最佳模型的直接经济压力，并勉励其他人为这些模型创建有利可图的现实运用程序。
Bittensor 正在利用斗志兴旺的小型企业来识别人工智能模型并从中获利，从而开释人工智能的潜力。
正若有名的 Bittensor 传播者 MogMachine 所说，这种动态可以被视为“人工智能的达尔文竞争”。

另一个有趣的项目是利用加密技能来勉励人工智能代理的创建，这些人工智能代理被编程为代表人类或其他打算机程序自主完成任务。
这些实体实质上是旨在办理特定问题的自适应打算机程序。
代理是一个包罗万象的术语，涵盖谈天机器人、自动交易策略、游戏角色，乃至虚拟宇宙助手。
该领域的一个著名项目是Altered State Machine，这是一个利用 NFT 创建拥有、供电和演习的人工智能代理的平台。
在 Altered State Machine 中，用户创建他们的“代理”，然后利用分散的 GPU 集群“演习”它们。
这些代理针对特定用例进行了优化。
另一个项目Fetch.ai是一个用于创建根据每个用户的需求定制的代理的平台。
Fetch.ai 也是一家 SaaS 业务，许可注册和租赁或***代理。

自 2023 年 1 月 1 日起 AI 代币的回报

来源：Artemis XYZ 截至 2024 年 1 月 10 日。
过去的表现并不能担保将来的结果。

通过零知识 (zk) 证明进行验证

2023 年是新 AI 模型的标志性一年，OpenAI 推出了 ChatGPT、Meta 推出的 LLAMA-2 以及 Google 推出的 BERT。
由于深度学习的前景，截至 2023 年 6 月，美国有超过18,563 家人工智能干系初创企业。
这些初创企业和其他企业已经生产了数千个新的根本模型和微调模型。
然而，在人工智能干系公司投资的每 4 美元风险投资中就有 1 美元投资的领域中，许多新实体的激增该当引起严重关注。

谁实际创建并拥有每个模型？输呈现实上是由指定模型产生的吗？该模式真的像宣扬的那样有效吗？每个模型的数据源是什么以及谁拥有该数据？演习、微调和/或推理是否陵犯了任何版权或数据权？

这些模型的投资者和用户都该当 100% 确定他们可以办理这些问题。
目前，针对 LLM 输出的不同组件存在许多基准测试，例如用于代码天生的HumanEval、用于 LLM 赞助任务的Chatbot Arena以及用于 LLM 推理能力的ARC Benchmark 。
然而，只管考试测验了像 Hugging Face 的Open LLM Leaderboard这样的模型透明度，但没有详细证明模型的有效性、终极出处或其演习/推理数据的来源。
不仅可以对基准进行游戏，而且还不能确定特定模型是否实际运行（而不是利用连接到另一个模型的 API），也不能担保排行榜本身是老实的。

这便是公共区块链、人工智能和称为零知识（zk）证明的前沿数学领域的统一。
zk 证明是密码学的一种运用，它许可某人以所需水平的数学确定性证明他们对数据所做的陈述是精确的，而无需向任何人透露底层数据。
语句可以包括大略的声明（例如排名），但可以扩展到繁芜的数学打算。
例如，某人不仅可以证明他或她知道某个样本的相对财富而不向另一方透露该财富，而且他或她还可以证明该群体的均匀值和标准差的精确打算。
实质上，您可以证明您理解数据和/或您利用该数据做出了真实的断言，而无需透露该数据的细节或您如何进行打算。
在人工智能之外，zk 证明已经被运用于扩展以太坊，许可交易在第 2 层区块链上进行链下交易。
最近，zk 证明已运用于深度学习模型，以证明：

利用特天命据来天生模型或供应推理输出（此外，未利用哪些数据/源）利用特定模型来天生推论推理输出未被修改

zk 证明可以发布到公共、永久的区块链上，并通过智能合约进行验证。
结果是区块链可以公开且无可辩驳地证明人工智能模型的主要属性。
将 ZK 运用于 AI 的两个前沿项目被称为“零知识机器学习”（ZKML），即EZKL和Modulus。
EZKL 利用Halo2证明系统天生 zk-snarks，这是一种零知识证明，然后可以在以太坊的 EVM 上公开验证。
虽然 EZKL 目前可以证明的模型大小相对较小，大约有 100M 个参数，而 ChatGPT 4 的参数为 175B，但 EZKL 的首席实行官Jason Morton认为他们正在考虑“工程问题”而不是“技能限定”问题。
EZKL 相信他们可以通过拆分并行实行的证明来战胜证明问题，从而减少内存限定和打算韶光。
事实上，杰森·莫顿相信有一天，“验证模型将像签署区块链交易一样大略。
”

ZKML证明运用于人工智能可以办理人工智能实现的主要痛点，包括版权问题和人工智能安全。
正如《纽约时报》最近针对 Open AI 和微软的诉讼所表明的那样，版权法将适用于数据所有权，人工智能项目将被迫供应其数据来源的证明。
ZKML 技能可用于快速办理法庭上有关模型和数据所有权的争议。
事实上，ZKML 的最佳运用之一是许可Ocean Protocol和SingularityNet等数据/模型市场证明其列表的真实性和有效性。

人工智能模型终极将扩展到准确性和安全性至关主要的领域。
据估计，到 2027 年，人工智能边缘设备将达到5.8B 个，个中可能包括重型机器、机器人、自动无人机和车辆。
由于机器智能运用于可能侵害和***的事物，因此利用来自可靠来源的高质量数据来证明该设备上运行了信誉良好的模型非常主要。
只管从这些边缘设备构建连续的实时证明并将其发布到区块链可能在经济和技能上具有寻衅性，但在激活时验证模型或定期发布到区块链可能更可行。
然而，来自0xPARC基金会的 Zupass 已经建立了源自“携带数据证明”的原始证明，可以廉价地建立边缘设备上发生的事实证明。
目前，这与活动出席有关，但可以预见，这种情形很快就会迁移到身份乃至医疗保健等其他领域。

您的机器人外科年夜夫的人工智能模型有多好？

机器人赞助手术。
资料来源：截至 2024 年 1 月 30 日的《麻省理工学院技能评论》 。

从可能因设备故障而承担任务的企业的角度来看，拥有可验证的证据来证明他们的模型不是代价高昂的事件的根源彷佛是空想的选择。
同样，从保险的角度来看，验证和证明基于实际数据演习的可靠模型的利用可能在经济上变得必要。
同样，在人工智能深度假造的天下中，利用经由区块链验证和证明的相机、手机和打算机来实行各种操作可能会成为常态。
当然，这些设备的真实性和准确性的证明该当发布到公共开源分类账上，以防止修改和敲诈。

只管这些证明有着巨大的前景，但它们目前受到天然气用度和打算开销的限定。
按照当前的 ETH 价格，在链上提交证明须要花费大约 300-500k 的 Gas（按照当前的 ETH 价格约为 35-58 美元）。
从打算的角度来看，Eigenlayer 的 Sreeram Kennan 估计，“在 AWS 上运行须要花费 50 美元的证明打算，利用当前的 ZK 证明技能将花费约 1,000,000 倍的本钱。
” 结果是，zk 证明的发展速率比几年前任何人的预期都要快得多，但在打开实际用例之前还有很长的路要走。
假设有人对 ZKML 的运用感到好奇。
在这种情形下，他们可以参加由经由验证的链上智能合约模型评判的去中央化歌唱比赛，并将其结果永久上传到区块链。

通过基于区块链的身份建立人性

广泛、前辈的机器智能的一个可能后果是，自主代理将成为最多产的互联网用户。
人工智能代理的开释很有可能会导致全体网络受到有目的的机器人天生的垃圾邮件乃至无害的基于任务的代理堵塞网络的滋扰（“摆脱垃圾电子邮件”）。
当机器人争夺代价大约 10 万美元的套利机会时， Solana每秒的数据流量达到 100 GB。
想象一下，当人工智能代理可以打单数百万个企业网站并打单数十亿美元时，将会涌现若何的网络流量年夜水。
这表明未来的互联网会对非人类流量施加限定。
限定此类攻击的最佳方法之一是对过度利用廉价资源征收经济税。
但我们如何确定垃圾邮件收费的最佳框架，以及如何确定人性化？

幸运的是，区块链已经采取了内置防御来防止人工智能机器人式的女巫攻击。
计量非人类用户与非人类用户收费的结合将是一种空想的实现办法，同时轻微繁重的打算（如Hashcash）会抑制机器人。
在人性证明方面，区块链长期以来一贯在努力战胜匿名性，以解锁诸如抵押不敷的贷款和其他基于荣誉的活动等活动。

得到动力来证明身份的一种方法是利用JSONWeb 令牌 (JWT)。
JWT 是“0Auth”凭据，类似于“cookie”，是在您登录 Google 等网站时天生的。
它们许可您在登录 Google 后访问互联网上的各个网站时展示您的 Google 身份。
zkLogin由 L1 区块链Sui创建，许可用户将其钱包私钥和操作链接到天生 JWT 的 Google 或 Facebook 帐户。
zkP2P进一步扩展了这一观点，利用 JWT 无需容许地许可用户在 Base 区块链上用法定货币交流加密货币。
这是通过支付运用程序 Venmo 确认点对点现金转账来完成的，当通过电子邮件 JWT 确认时，解锁智能合约托管的 USDC 代币。
这两个项目的结果是它们与链下身份建立了稳定的联系。
例如，zkLogin 将钱包地址连接到 Google 身份，而 zkP2P 仅适用于 Venmo 的 KYC 用户。
只管两者都缺少足够可靠的可靠担保来实现链上身份，但它们创建了其他人可以利用的主要构建块。

虽然许多项目都试图确认区块链用户的人类身份，但最大胆的是OpenAI 首席实行官Sam Altman创立的WorldCoin。
只管由于用户必须利用反乌托邦的“Orb”机器扫描虹膜而备受争议，但 WorldCoin 正在朝着一个不可修改的身份系统发展，该系统不能轻易假造或被机器智能淹没。
这是由于 WorldCoin 根据每个人独特的眼睛“指纹”创建了一个加密标识符，可以对其进行采样以确保唯一性和真实性。
经由验证后，用户会收到 Optimism 区块链上名为 World ID 的数字护照，许可该用户在区块链上证明自己的人性。
最主要的是，一个人的独特署名永久不会被透露，也无法被追踪，由于它是加密的。
World ID 只是断言区块链地址属于人类。
Checkmate 等项目已经将 World ID 与社交媒体资料链接起来，以确保用户的独特性和真实性。
在人工智能主导的未来互联网中，在每一次在线互动中明确证明人性可能会变得司空见惯。
当人工智能战胜了验证码的局限性时，区块链运用程序可以廉价、快速、详细地证明身份。

通过区块链技能为人工智能做出贡献

毫无疑问，我们正处于人工智能革命的早期阶段。
然而，如果机器智能的增长轨迹符合最大胆的预测，人工智能就必须面临寻衅，在超越其潜在危害的同时，取得精良的成绩。
我们相信，加密货币是精确“演习”结果丰富但潜在凶险的人工智能植物的空想网格。
区块链的人工智能办理方案集可以通过为机器智能创造者供应相应更快、更灵巧且可能更便宜的去中央化打算来提高机器智能创造者的产出。
它还勉励能够创建更好模型的构建者，同时为其他人供应经济动力，让他们利用这些人工智能模型构建有用的业务。
同样主要的是，模型所有者可以证明其模型的有效性，同时证明未利用受保护的数据源。
对付人工智能用户来说，加密运用程序可以确认他们运行的模型是否符合安全标准，并且可能很有用。
对付其他人来说，区块链和加密货币可能是惩罚和褒奖的纠缠，束缚着人工智能必将成为的格列佛。

资料来源：VanEck Research，项目网站，截至 2024 年 1 月 15 日。

供应第三方网站的链接是为了方便起见，包含此类链接并不虞味着我们对链接网站中包含的或可从链接网站访问的任何内容或信息进行任何认可、批准、调查、验证或监控。
点击非 VanEck 网页的链接，即表示您承认您进入的第三方网站受其条款和条件的约束。
VanEck 对第三方网站的内容、访问合法性或适用性不承担当何任务。

表露：VanEck 通过我们与早期风险投资经理 Cadenza 的计策互助伙伴关系在 Together 中霸占一席之地，Cadenza 非常友善地为“战胜去中央化打算的瓶颈”部分做出了贡献。

特殊感谢：

Jason Morton，ZKML 首席实行官

Ala Shaabana，Bittensor 联合创始人

Arrash Yasavolian，Bittensor 的 Taoshi 子网创始人

Greg Osuri，Akash 首席实行官兼创始人

Richard Liang，zkP2P首席实行官

Sui 区块链团队的紧张成员 – Sam Blackshear、Nihar Shah、Sina Nader、Alonso Gortari