加密货币为人工智能供应了无需容许、无需信赖且可组合的结算层。
这解锁了用例，例如通过去中央化打算系统使硬件更随意马虎访问，构建可以实行须要代价交流的繁芜任务的人工智能代理，以及开拓身份和来源办理方案来对抗 Sybil 攻击和深度假造。
人工智能为加密货币带来了许多我们在 Web 2 中看到的相同好处。
这包括通过大型措辞模型（即经由专门演习的 ChatGPT 和 Copilot ）增强用户和开拓职员的用户体验 (UX)，以及显著地改进智能合约的功能和自动化的潜力。
区块链是人工智能所需的透明的数据丰富环境。
但区块链的打算能力也有限，这是直接集成人工智能模型的紧张障碍。

加密货币和人工智能交叉领域正在进行的实验和终极采取背后的驱动力与推动加密货币最有出息的用例的驱动力相同——访问无需容许和去信赖化的折衷层，从而更好地促进代价转移。
鉴于巨大的潜力，该领域的参与者须要理解这两种技能交叉的基本办法。

要点：在不久的将来（6个月到1年），加密货币和人工智能的集成将由人工智能运用程序主导，这些运用程序可以提高开拓职员的效率、智能合约的可审计性和安全性以及用户的可访问性。
这些集成并非特定于加密货币，而是增强了链上开拓职员和用户体验。
正如高性能 GPU 严重短缺一样，去中央化打算产品正在履行人工智能定制的 GPU 产品，为采取供应了助力。
用户体验和监管仍旧是吸引去中央化打算客户的障碍。
然而，OpenAI 的最新发展以及美国正在进行的监管审查凸显了无需容许、抗审查、以及去中央化的人工智能网络的代价主见。
链上人工智能集成，特殊是能够利用人工智能模型的智能合约，须要改进 zkML 技能和其他验证链下打算的打算方法。
缺少全面的工具和开拓职员人才以及高昂的本钱是采取的障碍。
人工智能代理非常适宜加密货币，用户（或代理本身）可以创建钱包以与其他做事、代理或人员进行交易。
目前利用传统的金融轨道无法实现这一点。
为了更广泛地采取，须要与非加密产品进行额外的集成。

术语

人工智能是利用打算和机器来模拟人类的推理和解决问题的能力。

神经网络是人工智能模型的一种演习方法。
他们通过离散的算法层运行输入，对其进行改进，直到产生所需的输出。
神经网络由具有权重的方程组成，可以修正权重来改变输出。
它们可能须要大量的数据和打算来进行演习，以便其输出准确。
这是开拓人工智能模型最常见的办法之一（ChatGPT 利用依赖于 Transformer 的神经网络过程）。

演习是开拓神经网络和其他人工智能模型的过程。
它须要大量数据来演习模型以精确阐明输入并产生准确的输出。
在演习过程中，模型方程的权重不断修正，直到产生令人满意的输出。
培训用度可能非常昂贵。
例如，ChatGPT 利用数万个自己的 GPU 来处理数据。
资源较少的团队常日依赖专门的打算供应商，例如 Amazon Web Services、Azure 和 Google Cloud 供应商。

推理是实际利用 AI 模型来获取输出或结果（例如，利用 ChatGPT 为有关加密货币和 AI 交集的论文创建大纲）。
在全体培训过程和终极产品中都会利用推理。
由于打算本钱的缘故原由，纵然在演习完成后，它们的运行本钱也可能很高，但其打算强度低于演习。

零知识证明 (ZKP) 许可在不透露根本信息的情形下验证声明。
这在加密货币中很有用，紧张有两个缘故原由：1) 隐私和 2) 扩展。
为了保护隐私，这利用户能够在不透露敏感信息（例如钱包中有多少 ETH）的情形下进行交易。
对付扩展而言，它使链下打算能够比重新实行打算更快地在链上得到证明。
这使得区块链和运用程序能够廉价地在链外运行打算，然后在链上验证它们。
有关零知识及其在以太坊虚拟机中的浸染的更多信息，请参阅 Christine Kim 的报告 zkEVMs：以太坊可扩展性的未来。

人工智能/加密货币市园地图

人工智能和加密货币集成的项目仍在构建支持大规模链上人工智能交互所需的底层根本举动步伐。

去中央化打算市场正在兴起，以供应演习和推理人工智能模型所需的大量物理硬件，紧张以图形处理单元 (GPU) 的形式。
这些双向市场将那些租赁和寻求租赁打算的人连接起来，促进代价的转移和打算的验证。
在去中央化打算中，正在涌现几个供应附加功能的子种别。
除了双边市场之外，本报告还将审查专门供应可验证培训和微调输出的机器学习培训供应商，以及致力于连接打算和模型天生以实现人工智能的项目，也常常被称为智能勉励网络。

zkML 是希望以经济有效且及时的办法在链上供应可验证模型输出的项目的一个新兴重点领域。
这些项目紧张使运用程序能够处理链下繁重的打算要求，然后在链上发布可验证的输出，证明链下事情负载是完全且准确的。
zkML 在当前实例中既昂贵又耗时，但越来越多地被用作办理方案。
这在 zkML 供应商和想要利用 AI 模型的 DeFi/游戏运用程序之间的集成数量不断增加中显而易见。

充足的打算供应以及验证链上打算的能力为链上人工智能代理打开了大门。
代理是经由演习的模型，能够代表用户实行要求。
代理供应了显著增强链上体验的机会，利用户只需与谈天机器人对话即可实行繁芜的交易。
然而，就目前而言，代理项目仍旧专注于开拓根本举动步伐和工具，以实现轻松快速地支配。

去中央化打算

概述

人工智能须要大量打算来演习模型和运行推理。
在过去的十年中，随着模型变得越来越繁芜，打算需求呈指数级增长。
例如，OpenAI 创造，从 2012 年到 2018 年，其模型的打算需求从每两年翻一番变为每三个半月翻一番。
这导致对 GPU 的需求激增，一些加密货币矿工乃至重新利用其 GPU 来供应云打算做事 。
随着访问打算的竞争加剧和本钱上升，一些项目正在利用加密技能来供应去中央化打算办理方案。
他们以具有竞争力的价格供应按需打算，以便团队能够以经济实惠的办法演习和运行模型。
在某些情形下，权衡可能是性能和安全性。

最前辈的 GPU（例如 Nvidia 生产的 GPU）的需求量很大。
9 月，Tether 收购了德国比特币矿商 Northern Data 的股份，据宣布，该公司斥资 4.2 亿美元购买了 10,000 个 H100 GPU（用于 AI 演习的最前辈 GPU 之一）。
得到一流硬件的等待韶光可能至少为六个月，在许多情形下乃至更长。
更糟糕的是，公司常常被哀求签署长期条约，以获取他们乃至可能不会利用的打算量。
这可能会导致存在可用打算但市场上不可用的情形。
去中央化打算系统有助于办理这些市场效率低下的问题，创建一个二级市场，打算所有者可以在接到关照后立即转租其过剩容量，从而开释新的供应。

除了有竞争力的定价和可访问性之外，去中央化打算的关键代价主见是抗审查性。
尖端人工智能开拓日益由拥有无与伦比的打算和数据访问能力的大型科技公司主导。
2023年的AI指数年度报告中强调的第一个关键主题是，工业界在人工智能模型的开拓方面日益超越学术界，将掌握权集中在少数技能领导者手中。
这引发了人们的担忧，即他们是否有能力在制订支撑人工智能模型的规范和代价不雅观方面产生巨大影响力，特殊是在这些科技公司推动监管以限定其无法掌握的人工智能开拓之后。

去中央化打算的垂直领域

近年来涌现了几种去中央化打算模型，每种模型都有自己的重点和权衡。

广义打算

Akash、io.net、iExec、Cudos 等项目都是去中央化打算的运用程序，除了数据和通用打算办理方案之外，它们还供应或即将供应用于 AI 演习和推理的专用打算的访问权限。

Akash 是目前唯一完备开源的“超级云”平台。
它是利用 Cosmos SDK 的权柄证明网络。
AKT 是 Akash 的原生代币，作为一种支付形式，用于保护网络安全并勉励参与。
Akash 于 2020 年推出了第一个主网，专注于供应无需容许的云打算市场，最初以存储和 CPU 租赁做事为特色。
2023 年 6 月，Akash 推出了一个专注于 GPU 的新测试网，并于 9 月推出了 GPU 主网，利用户能够租赁 GPU 进行人工智能演习和推理。

Akash 生态系统中有两个紧张参与者 - 租户和供应商。
租户是想要购买打算资源的 Akash 网络的用户。
供应商是打算供应商。
为了匹配租户和供应商，Akash 依赖逆向拍卖流程。
租户提交他们的打算哀求，在个中他们可以指定某些条件，例如做事器的位置或进行打算的硬件类型，以及他们乐意支付的金额。
然后，供应商提交他们的要价，最低出价者将得到任务。

Akash 验证器掩护网络的完全性。
一套验证器目前限定为 100 个，并操持随着韶光的推移逐步增加。
任何人都可以通过质押比当前质押 AKT 数量最少的验证者更多的 AKT 来成为验证者。
AKT 持有者还可以将其 AKT 委托给验证者。
网络的交易用度和区块褒奖以 AKT 形式分配。
此外，对付每笔租赁，Akash 网络都会按照社区确定的费率赚取“收取用度”，并将其分配给 AKT 持有者。

二级市场

去中央化打算市场旨在补充现有打算市场的低效率。
供应的限定导致公司囤积超出其可能须要的打算资源，并且由于与云供应商的条约构造将客户锁定在长期条约中，纵然可能不须要持续访问，供应也进一步受到限定。
去中央化打算平台开释了新的供应，使天下上任何拥有打算需求的人都可以成为供应商。

AI 演习对 GPU 的需求激增是否会转化为 Akash 上的长期网络利用还有待不雅观察。
例如，Akash 长期以来一贯为 CPU 供应市场，以 70-80% 的折扣供应与集中式替代品类似的做事。
然而，较低的价格并没有带来显著的采取。
网络上的生动租约已经趋于平缓，到 2023 年第二季度，均匀只有 33% 的打算、16% 的内存和 13% 的存储。
虽然这些都是链上采取的令人印象深刻的指标（作为参考，领先的存储供应商 Filecoin 已经 2023 年第三季度存储利用率为 12.6%），这表明这些产品的供应仍旧超过需求。

Akash 推出 GPU 网络已经由去了半年多的韶光，现在准确评估长期采取率还为时过早。
迄今为止，GPU 的均匀利用率为 44%，高于 CPU、内存和存储，这是需求的一个迹象。
这紧张是由对最高质量 GPU（如 A100）的需求推动的，超过 90% 已出租。

Akash 的逐日支出也有所增加，相对付 GPU 涌现之前险些翻了一番。
这部分归因于其他做事利用量的增加，尤其是 CPU，但紧张是新 GPU 利用量的结果。

定价与 Lambda Cloud 和 Vast.ai 等中央化竞争对手相称（或者在某些情形下乃至更贵）。
对最高端 GPU（例如 H100 和 A100）的巨大需求意味着该设备的大多数所有者对在面临竞争性定价的市场上市兴趣不大。

虽然初期的利润是正向的，但采取仍旧存在障碍（下面进一步谈论）。
去中央化打算网络须要采纳更多方法来产生需求和供应，团队正在考试测验如何最好地吸引新用户。
例如，2024 年初，Akash 通过了第 240 号提案，增加 GPU 供应商的 AKT 排放量并勉励更多供应，特殊针对高端 GPU。
团队还致力于推出观点验证模型，向潜在用户展示其网络的实时功能。
Akash 正在演习他们自己的根本模型，并且已经推出了谈天机器人和图像天生产品，可以利用 Akash GPU 创建输出。
同样，io.net 开拓了一个稳定的扩散模型，并正在推出新的网络功能，以更好地模拟网络的性能和规模。

去中央化机器学习培训

除了能够知足人工智能需求的通用打算平台外，一组专注于机器学习模型演习的专业人工智能GPU供应商也正在兴起。
例如，Gensyn 正在“折衷电力和硬件来构建集体聪慧”，其不雅观点是，“如果有人想要演习某种东西，并且有人乐意演习它，那么就该当许可这种演习发生。
”

该协议有四个紧张参与者：提交者、办理者、验证者和举报人。
提交者向网络提交带有培训要求的任务。
这些任务包括演习目标、要演习的模型和演习数据。
作为提交过程的一部分，提交者须要为办理者所需的估计打算量预先支付用度。

提交后，任务将分配给对模型进行实际演习的办理者。
然后，办理者将已完成的任务提交给验证者，验证者卖力检讨演习以确保精确完成。
举报人有任务确保验证者老履行事。
为了勉励举报人参与网络，Gensyn 操持定期供应故意缺点的证据，褒奖举报人捉住他们。

除了为人工智能干系事情负载供应打算之外，Gensyn 的关键代价主见是其验证系统，该系统仍在开拓中。
为了确保 GPU 供应商的外部打算精确实行（即确保用户的模型按照他们想要的办法进行演习），验证是必要的。
Gensyn 采取独特的方法办理了这个问题，利用了称为“概率学习证明、基于图形的精确协议和 Truebit 式勉励游戏”的新颖验证方法。
这是一种乐不雅观求解模式，许可验证者确认办理者已精确运行模型，而无需自己完备重新运行模型，这是一个本钱高昂且低效的过程。

除了其创新的验证方法之外，Gensyn 还声称相对付中央化替代方案和加密货币竞争对手而言具有本钱效益 - 供应的 ML 培训价格比 AWS 便宜高达 80%，同时在测试方面赛过 Truebit 等类似项目。

这些初步结果是否可以在去中央化网络中大规模复制还有待不雅观察。
Gensyn 希望利用小型数据中央、零售用户以及未来手机等小型移动设备等供应商的多余打算能力。
然而，正如 Gensyn 团队自己承认的那样，依赖异构打算供应商带来了一些新的寻衅。

对付谷歌云和 Coreweave 等中央化供应商来说，打算本钱昂贵，而打算之间的通信（带宽和延迟）却很便宜。
这些系统旨在尽快实现硬件之间的通信。
Gensyn 颠覆了这一框架，通过让天下上任何人都可以供应 GPU 来降落打算本钱，但同时也增加了通信本钱，由于网络现在必须在相距较远的异构硬件上折衷打算作业。
Gensyn 尚未推出，但它是构建去中央化机器学习演习协议时可能实现的观点证明。

去中央化一样平常智能

去中央化打算平台也为人工智能创建方法的设计供应了可能性。
Bittensor 是一种基于 Substrate 构建的去中央化打算协议，试图解答“我们如何将人工智能转变为协作方法？”。
Bittensor 旨在实现人工智能天生的去中央化和商品化。
该协议于 2021 年推出，希望利用协作机器学习模型的力量来不断迭代并产生更好的人工智能。

Bittensor 从比特币中汲取灵感，其原生货币 TAO 的供应量为 2100 万，减半周期为四年（第一次减半将于 2025 年）。
Bittensor 不是利用事情量证明来天生精确的随机数并得到区块褒奖，而是依赖于“智能证明”，哀求矿工运行模型来相应推理要求而天生输出。

勉励智能

Bittensor 最初依赖专家稠浊 (MoE) 模型来天生输出。
当提交推理要求时，MoE 模型不会依赖一个广义模型，而是将推理要求转发给给定输入类型的最准确的模型。
想象一下建造一栋屋子，您聘请了各种专家来卖力施工过程的不同方面（例如：建筑师、工程师、油漆工、建筑工人等......）。
MoE 将其运用于机器学习模型，考试测验根据输入利用不同模型的输出。
正如 Bittensor 创始人 Ala Shaabana 所阐明的那样，这就像“与一屋子聪明人交谈并得到最佳答案，而不是与一个人交谈”。
由于在确保精确路由、同步到精确模型以及勉励方面存在寻衅，这种方法已被搁置，直到项目得到进一步开拓。

Bittensor 网络中有两个紧张参与者：验证者和矿工。
验证者的任务是向矿工发送推理要求，审查他们的输出，并根据他们的相应质量对它们进行排名。
为了确保他们的排名可靠，验证者会根据他们的排名与其他验证者排名的同等程度给予“vtrust”分数。
验证者的 vtrust 分数越高，他们得到的 TAO 排放量就越多。
这是为了勉励验证者随着韶光的推移就模型排名达成共识，由于就排名达成同等的验证者越多，他们的个人 vtrust 分数就越高。

矿工，也称为做事器，是运行实际机器学习模型的网络参与者。
矿工们相互竞争，为验证者供应针对给定查询的最准确的输出，输出越准确，赚取的 TAO 排放就越多。
矿工可以按照自己的意愿天生这些输出。
例如，在未来的情形下，Bittensor 矿工完备有可能之前在 Gensyn 上演习过模型，并用它们来赚取 TAO 排放量。

如今，大多数交互直接发生在验证者和矿工之间。
验证者向矿工提交输入并要求输出（即演习模型）。
一旦验证者查询网络上的矿工并收到他们的相应，他们就会对矿工进行排名并将其排名提交到网络。

验证者（依赖 PoS）和矿工（依赖模型证明，PoW 的一种形式）之间的这种互动被称为 Yuma 共识。
它旨在勉励矿工产生最好的输出来赚取 TAO 的排放，并勉励验证者对矿工输出进行准确排名，以得到更高的 vtrust 分数并增加他们的 TAO 褒奖，从而形成网络的共识机制。

子网和运用程序

Bittensor 上的交互紧张包括验证者向矿工提交要求并评估其输出。
然而，随着贡献矿工的质量提高和网络整体智能的增长，Bittensor 将在其现有堆栈之上创建一个运用程序层，以便开拓职员可以构建查询 Bittensor 网络的运用程序。

2023 年 10 月，Bittensor 通过 Revolution 升级引入了子网，朝其实现这一目标迈出了主要一步。
子网是 Bittensor 上勉励特定行为的单独网络。
Revolution 向任何有兴趣创建子网的人开放网络。
自发布以来的几个月内，已经启动了超过 32 个子网，包括用于文本提示、数据抓取、图像天生和存储的子网。
随着子网的成熟并成为产品就绪，子网创建者还将创建运用程序集成，使团队能够构建查询特定子网的运用程序。
一些运用程序（如谈天机器人、图像天生器、推特回答机器人、预测市场）目前确实存在，但除了 Bittensor 基金会的帮助之外，没有正式的勉励方法让验证者接管和转发这些查询。

为了供应更清晰的解释，下面是一个示例，解释运用程序集成到网络中后 Bittensor 可能如何事情。

子网根据根网络评估的性能赚取 TAO。
根网络位于所有子网之上，实质上充当一种分外的子网，并由 64 个最大的子网验证者按权柄进行管理。
根网络验证器根据子网的性能对子网进行排名，并定期将 TAO 排放分配给子网。
通过这种办法，各个子网充当根网络的矿工。

Bittensor 的展望

Bittensor 仍在经历发展的烦恼，由于它扩展了协议的功能以勉励跨多个子网的智能天生。
矿工们不断设计新的方法来攻击网络以得到更多 TAO 的褒奖，例如通过轻微修正其模型运行的高评价推理的输出，然后提交多个变体。
影响全体网络的管理提案只能由完备由 Opentensor 基金会利益干系者组成的 Triumvirate 提交和履行（值得把稳的是，提案须要在履行之前得到由 Bittensor 验证者组成的 Bittensor 参议院的批准）。
该项目的代币经济正在进行修正，以提高对 TAO 跨子网利用的勉励。
该项目还因其独特的方法而迅速声名散乱，最受欢迎的人工智能网站之一 HuggingFace 的首席实行官表示 Bittensor 该当将其资源添加到该网站。

在核心开拓职员最近揭橥的一篇名为“Bittensor Paradigm”的文章中，该团队阐述了 Bittensor 的愿景，即终极发展为“对所丈量的内容不可知”。
理论上，这可以使 Bittensor 开拓子网来勉励由 TAO 供应支持的任何类型的行为。
仍旧存在相称大的实际限定——最值得把稳的是，证明这些网络能够扩展以处理如此多样化的流程，并且潜在的勉励方法推动的进步超过了中央化产品。

为人工智能模型构建去中央化打算堆栈

上述部分供应了正在开拓的各种类型的去中央化人工智能打算协议的深度概述。
在开拓和采取的早期，它们供应了生态系统的根本，终极可以促进“人工智能构建块”的创建，例如 DeFi 的“金钱乐高”观点。
无需容许的区块链的可组合性为每个协议构建在另一个协议之上供应了可能性，以供应更全面的去中央化人工智能生态系统。

例如，这是 Akash、Gensyn 和 Bittensor 可能全部交互以相应推理要求的一种办法。

须要明确的是，这只是未来可能发生的事情的一个例子，而不是当前生态系统、现有互助伙伴关系或可能结果的代表。
相互操作性的限定以及下面描述的其他考虑成分极大地限定了当今的集成可能性。
除此之外，流动性分散和利用多种代币的须要可能会危害用户体验，Akash 和 Bittensor 的创始人都指出了这一点。

其他去中央化产品

除了打算之外，还推出了其他几种去中央化根本举动步伐做事，以支持加密货币新兴的人工智能生态系统。
列出所有这些超出了本报告的范围，但一些有趣且有解释性的示例包括：

Ocean：一个去中央化的数据市场。
用户可以创建代表其数据的数据 NFT，并可以利用数据代币进行购买。
用户既可以将其数据货币化，又可以对其拥有更大的主权，同时为人工智能团队供应开拓和演习模型所需的数据的访问权限。
Grass：去中央化的带宽市场。
用户可以将多余的带宽***给人工智能公司，后者利用这些带宽从互联网上抓取数据。
建立在 Wynd 网络之上，这不仅使个人能够将其带宽货币化，而且还为带宽购买者供应了更多样化的不雅观点来理解个人用户在网上看到的内容（由于个人的互联网访问常日是根据其 IP 地址专门定制的） ）。
HiveMapper：构建一个分散的舆图产品，个中包含从日常汽车驾驶员网络的信息。
HiveMapper 依赖 AI 来阐明从用户仪表板摄像头网络的图像，并褒奖用户通过强化人类学习反馈 (RHLF) 帮助微调 AI 模型的代币。

总的来说，这些都指向探索支持人工智能模型的去中央化市场模型或开拓它们所需的周边根本举动步伐的险些无限的机会。
目前，这些项目大多处于观点验证阶段，须要更多的研究和开拓来证明它们能够以供应全面人工智能做事所需的规模运行。

展望

去中央化打算产品仍处于开拓的早期阶段。
他们刚刚开始推出最前辈的打算能力，能够在生产中演习最强大的人工智能模型。
为了得到故意义的市场份额，他们须要展示与中央化替代方案比较的实际上风。
更广泛采取的潜在触发成分包括：

GPU 的供应/需求。
GPU 的稀缺加上快速增长的打算需求正在导致 GPU 武备竞赛。
由于 GPU 的限定，OpenAI 已经一度限定对其平台的访问。
Akash 和 Gensyn 等平台可以为须要高性能打算的团队供应具有本钱竞争力的替代方案。
对付去中央化打算供应商来说，未来 6-12 个月是一个特殊独特的机会来吸引新用户，由于缺少更广泛的市场准入，这些新用户被迫考虑去中央化产品。
再加上 Meta 的 LLaMA2 等性能日益提高的开源模型，用户在支配有效的微调模型时不再面临同样的障碍，使打算资源成为紧张瓶颈。
然而，平台本身的存在并不能确保足够的打算供应和消费者的相应需求。
采购高端 GPU 仍旧很困难，而且本钱并不总是需求方的紧张动机。
这些平台将面临寻衅，以展示利用去中央化打算选项的实际好处（无论是由于本钱、审查阻力、正常运行韶光和弹性还是可访问性）来积累粘性用户。
他们必须快速行动。
GPU 根本举动步伐投资和培植正在以惊人的速率进行。
规定。
监管仍旧是去中央化打算运动的阻力。
短期内，缺少明确的监管意味着供应商和用户都面临利用这些做事的潜在风险。
如果供应商供应打算或买方在不知情的情形下从受制裁实体购买打算怎么办？用户可能会犹豫是否利用缺少中央化实体掌握和监督的去中央化平台。
协议试图通过将控件纳入其平台或添加过滤器以仅访问已知的打算供应商（即供应理解你的客户（KYC）信息）来减轻这些担忧，但须要采取更强大的方法来保护隐私，同时确保合规性。
短期内，我们可能会看到 KYC 和合规平台的涌现，这些平台限定对其协议的访问，以办理这些问题。
此外，环绕美国可能的新监管框架的谈论（以《关于安全、可靠和值得相信的人工智能开拓和利用的行政命令》的发布为最佳例证）凸显了进一步限定 GPU 获取的监管行动的潜力。
审查制度。
监管是双向的，去中央化的打算产品可以从限定人工智能访问的行动中受益。
除了行政命令之外，OpenAI 创始人 Sam Altman 还在国会作证，解释监管机构须要为人工智能开拓颁发容许证。
关于人工智能监管的谈论才刚刚开始，但任何此类限定访问或审查人工智能功能的考试测验都可能加速不存在此类障碍的去中央化平台的采取。
11 月的 OpenAI 领导层变动（或缺少）进一步表明，将最强大的现有人工智能模型的决策权付与少数人是存在风险的。
此外，所有人工智能模型都一定反响了创建它们的人的偏见，无论是故意还是无意。
肃清这些偏差的一种方法是使模型尽可能开放地进行微调和演习，确保任何地方的任何人都可以访问各种类型和偏差的模型。
数据隐私。
当与为用户供应数据自主权的外部数据和隐私办理方案集成时，去中央化打算可能会比集中式替代方案更具吸引力。
当三星意识到工程师正在利用 ChatGPT 帮助芯片设计并将敏感信息透露给 ChatGPT 时，三星成为了受害者。
Phala Network 和 iExec 声称为用户供应 SGX 安全飞地来保护用户数据，并且正在进行的完备同态加密研究可以进一步解锁确保隐私的去中央化打算。
随着人工智能进一步融入我们的生活，用户将更加重视能够在具有隐私保护的运用程序上运行模型。
用户还须要支持数据可组合性的做事，以便他们可以将数据从一种模型无缝移植到另一种模型。
用户体验（UX）。
用户体验仍旧是更广泛采取所有类型的加密运用程序和根本举动步伐的重大障碍。
这对付去中央化打算产品来说并没有什么不同，并且在某些情形下，由于开拓职员须要理解加密货币和人工智能，这会加剧这种情形。
须要从根本知识进行改进，例如加入并提取出与区块链的交互，以供应与当前市场领导者相同的高质量输出。
鉴于许多供应更便宜产品的可操作的去中央化打算协议很难得到常规利用，这一点显而易见。

智能合约和 zkML

智能合约是任何区块链生态系统的核心构建块。
在给定一组特定条件的情形下，它们会自动实行并减少或肃清对受信赖第三方的需求，从而能够创建繁芜的去中央化运用程序，例如 DeFi 中的运用程序。
然而，智能合约的功能仍旧有限，由于它们根据必须更新的预设参数实行。

例如，支配借出/借入协议的智能合约，个中包含根据特定贷款与代价比率何时清算头寸的规范。
虽然在静态环境中有用，但在风险不断变革的动态情形下，这些智能合约必须不断更新以适应风险承受能力的变革，这给不通过集中流程管理的合约带来了寻衅。
例如，依赖去中央化管理流程的 DAO 可能无法快速反应以应对系统性风险。

集成人工智能（即机器学习模型）的智能合约是增强功能、安全性和效率同时改进整体用户体验的一种可能方法。
然而，这些集成也带来了额外的风险，由于不可能确保支撑这些智能合约的模型不会被利用或阐明长尾情形（鉴于数据输入的稀缺，长尾情形很难演习模型）。

零知识机器学习（zkML）

机器学习须要大量的打算来运行繁芜的模型，这使得人工智能模型由于本钱高昂而无法直接在智能合约中运行。
例如，为用户供应收益优化模型的 DeFi 协议，如果不支付过高的Gas用度，将很难在链上运行该模型。
一种办理方案是增加底层区块链的打算能力。
然而，这也增加了对链验证器集的哀求，可能会毁坏去中央化特性。
相反，一些项目正在探索利用 zkML 以去信赖化的办法验证输出，而不须要密集的链上打算。

解释 zkML 有用性的一个常赐教例是，当用户须要其他人通过模型运行数据并验证其交易对手实际上运行了精确的模型时。
大概开拓职员正在利用去中央化打算供应商来演习他们的模型，并担心该供应商试图通过利用输出差异险些无法察觉的且更便宜的模型来减少本钱。
zkML 使打算供应商能够通过其模型运行数据，然后天生可以在链上验证的证明，以证明给定输入的模型输出是精确的。
在这种情形下，模型供应者将具有额外的上风，即能够供应他们的模型，而不必透露产生输出的根本权重。

也可以做相反的事情。
如果用户想要利用他们的数据运行模型，但由于隐私问题（即，在医疗检讨或专有商业信息的情形下），不肯望供应模型的项目访问他们的数据，那么用户可以在他们的数据上运行模型而不共享数据，然后通过证明验证他们运行了精确的模型。
这些可能性通过办理令人望而生畏的打算限定，极大地扩展了人工智能和智能合约功能集成的设计空间。

根本举动步伐和工具

鉴于 zkML 领域的早期状态，开拓紧张集中在构建团队所需的根本举动步伐和工具，以将其模型和输出转换为可以在链上验证的证明。
这些产品尽可能地提取了零知识方面的开拓。

EZKL 和 Giza 是通过供应机器学习模型实行的可验证证明来构建此工具的两个项目。
两者都帮助团队构建机器学习模型，以确保这些模型能够以可以在链上以可信办法验证结果的形式实行。
这两个项目都利用开放神经网络交流 (ONNX) 将用 TensorFlow 和 Pytorch 等通用措辞编写的机器学习模型转换为标准格式。
然后，他们输出这些模型的版本在实行时也会天生 zk 证明。
EZKL 是开源的，生产 zk-SNARKS，而 Giza 是闭源的，生产 zk-STARKS。
这两个项目目前仅兼容 EVM。

过去几个月，EZKL 在增强 zkML 办理方案方面取得了重大进展，紧张侧重于降落本钱、提高安全性和加快证明天生速率。
例如，2023 年 11 月，EZKL 集成了一个新的开源 GPU 库，可将聚合证明韶光缩短 35%；1 月，EZKL 发布了 Lilith，这是一种软件办理方案，用于在利用 EZKL 证明时集成高性能打算集群和编排并产生发火业系统。
Giza 的独特之处在于，除了供应用于创建可验证的机器学习模型的工具外，他们还操持实现相称于 Hugging Face 的 web3，为 zkML 协作和模型共享开放用户市场，并终极集成去中央化打算产品。
一月份，EZKL 发布了一项基准评估，比较了 EZKL、Giza 和 RiscZero（如下所述）的性能。
EZKL 展示了更快的证明韶光和内存利用。

Modulus Labs 还在开拓一种专为 AI 模型定制的新的zk证明技能。
Modulus 揭橥了一篇名为《智能本钱》的论文（暗示在链上运行 AI 模型的本钱极高），该论文对当时现有的zk证明系统进行了基准测试，以确定改进 AI 模型里zk证明的能力和瓶颈。
该论文于 2023 年 1 月发布，表明现有产品过于昂贵且效率低下，无法大规模实现人工智能运用。
在最初研究的根本上，Modulus 在 11 月推出了 Remainder，这是一种专门的零知识证明器，专门用于降落 AI 模型的本钱和证明韶光，其目标是使项目在经济上可行，将模型大规模集成到智能合约中。
他们的事情是闭源的，因此无法与上述办理方案进行基准测试，但最近在 Vitalik 关于加密和人工智能的博客文章中引用了他们的事情。

工具和根本举动步伐开拓对付 zkML 空间的未来增长至关主要，由于它可以显著减少须要支配运行可验证的链下打算与所需的zk团队的线路的摩擦。
创建安全接口，使从事机器学习事情的非加密原生构建者能够将他们的模型带到链上，这将使运用程序能够通过真正新颖的用例进行更大的实验。
工具还办理了更广泛采取 zkML 的一个紧张障碍，即缺少知识渊博且对零知识、机器学习和密码学交叉领域事情感兴趣的开拓职员。

协处理器

正在开拓的其他办理方案（称为“协处理器”）包括 RiscZero、Axiom 和 Ritual。
协处理器这个术语紧张是语义上的——这些网络履行许多不同的角色，包括验证链上的链下打算。
与 EZKL、Giza 和 Modulus 一样，他们的目标是完备提取零知识证明天生的过程，创建实质上能够实行链下程序并天生链上验证证明的零知识虚拟机。
RiscZero 和 Axiom 可以为大略的 AI 模型供应做事，由于它们是更通用的协处理器，而 Ritual 是专门为与 AI 模型一起利用而构建的。

Infernet 是 Ritual 的第一个实例，包含一个 Infernet SDK，许可开拓职员向网络提交推理要求并吸收输出和证明（可选）作为回报。
Infernet 的节点吸收这些要求并在返回输出之前处理链下打算。
例如，DAO 可以创建一个流程，确保所有新的管理提案在提交之前知足某些先决条件。
每次提交新提案时，管理合约都会通过 Infernet 触发推理要求，调用 DAO 特定管理演习的 AI 模型。
该模型会审查提案，以确保提交所有必要的标准，并返回输出和证据，批准或谢绝提案的提交。

在接下来的一年里，Ritual 团队操持推出更多功能，形成称为 Ritual 超级链的根本举动步伐层。
前面谈论的许多项目都可以作为做事供应商插入 Ritual。
Ritual 团队已经与 EZKL 集成以天生证明，并且可能很快会添加其他领先供应商的功能。
Ritual 上的 Infernet 节点还可以利用 Akash 或 io.net GPU 以及在 Bittensor 子网上演习的查询模型。
他们的终极目标是成为开放人工智能根本举动步伐的首选供应商，能够为任何网络、任何事情负载的机器学习和其他人工智能干系任务供应做事。

运用程序

zkML有助于调和区块链和人工智能之间的抵牾，前者实质上是资源受限的，而后者则须要大量的打算和数据。
正如 Giza 的一位创始人所说，“用例非常丰富……这有点像以太坊早期问智能合约的用例是什么……我们所做的只是扩展智能合约的用例。
” 然而，如上所述，当今的开拓紧张发生在工具和根本举动步伐级别。
运用程序仍处于探索阶段，团队面临的寻衅是证明利用 zkML 实现模型所产生的代价超过了其繁芜性和本钱。

目前的一些运用包括：

去中央化金融。
zkML通过增强智能合约的能力，升级了DeFi的设计空间。
DeFi 协议为机器学习模型供应大量可验证且不可变的数据，可用于天生收益或交易策略、风险剖析、用户体验等。
例如，Giza 与 Yearn Finance 互助，为 Yearn 的新 v3 金库构建观点验证自动风险评估引擎。
Modulus Labs 与 Lyra Finance 互助将机器学习纳入其 AMM，与 Ion Protocol 互助履行剖析验证者风险的模型，并帮助 Upshot 验证其人工智能支持的 NFT 价格信息。
NOYA（利用 EZKL）和 Mozaic 等协议供应了对专有链下模型的访问，这些模型利用户能够访问自动化流动性挖矿，同时使他们能够验证链上的数据输入和证明。
Spectral Finance 正在构建链上信用评分引擎，以预测 Compound 或 Aave 借款人拖欠贷款的可能性。
由于 zkML，这些所谓的“De-Ai-Fi”产品在未来几年可能会变得更加盛行。
游戏。
长期以来，游戏一贯被认为可以通过公共区块链进行颠覆和增强。
zkML 使人工智能的链上游戏成为可能。
Modulus Labs 已经实现了大略链上游戏的观点验证。
Leela vs the World 是一款博弈论国际象棋游戏，用户在个中对抗 AI 国际象棋模型，zkML 验证 Leela 所做的每一步都是基于游戏运行的模型。
同样，团队也利用 EZKL 框架来构建大略的歌唱比赛和链上井字棋。
Cartridge 正在利用 Giza 使团队能够支配完备链上游戏，最近重点先容了一款大略的人工智能驾驶游戏，用户可以竞争为试图避开障碍物的汽车创建更好的模型。
虽然很大略，但这些观点验证指向未来的实现，能够实现更繁芜的链上验证，例如能够与游戏内经济体进行交互的繁芜 NPC 演员，如《AI Arena》中所见，这是一款超级粉碎兄弟游戏，玩家可以在个中演习自己的战士， 然后支配为人工智能模型进行战斗。
身份、出处和隐私。
加密货币已经被用作验证真实性和打击越来越多的人工智能天生/操纵内容和深度假造的手段。
zkML 可以推进这些努力。
WorldCoin 是一种***明办理方案，哀求用户扫描虹膜以天生唯一的 ID。
未来，生物识别 ID 可以利用加密存储在个人设备上进行自我托管，并利用验证本地运行的生物识别所需的模型。
然后，用户可以供应生物识别证据，而无需透露自己的身份，从而在确保隐私的同时抵御女巫攻击。
这也可以运用于须要隐私的其他推论，例如利用模型剖析医疗数据/图像来检测疾病、验证人格并在约会运用程序中开拓匹配算法，或者须要验证财务信息的保险和贷款机构。

展望

zkML 仍处于实验阶段，大多数项目都专注于构建根本举动步伐原语和观点证明。
如今的寻衅包括打算本钱、内存限定、模型繁芜性、有限的工具和根本举动步伐以及开拓职员人才。
简而言之，在 zkML 能够以消费产品所需的规模履行之前，还有相称多的事情要做。

然而，随着该领域的成熟以及这些限定的办理，zkML 将成为人工智能和加密集成的关键组成部分。
从实质上讲，zkML 承诺能够将任何规模的链外打算引入链上，同时保持与链上运行相同或靠近相同的安全担保。
然而，在这一愿景实现之前，该技能的早期用户将连续必须在 zkML 的隐私和安全性与替代方案的效率之间进行权衡。

人工智能代理

人工智能和加密货币最令人愉快的集成之一是正在进行的人工智能代理实验。
代理是能够利用人工智能模型吸收、阐明和实行任务的自主机器人。
这可以是任何事情，从拥有一个随时可用的根据您的偏好进行微调的个人助理，到雇用一个根据您的风险偏好来管理和调度您的投资组合的金融代理人。

由于加密货币供应了无需容许和去信赖化的支付根本举动步伐，代理和加密货币可以很好地结合在一起。
经由培训后，代理将得到一个钱包，以便他们可以自行利用智能合约进行交易。
例如，本日的代理可以在互联网上抓取信息，然后根据模型在预测市场上进行交易。

代理供应商

Morpheus 是 2024 年在以太坊和 Arbitrum 上上线的最新开源代理项目之一。
其白皮书于 2023 年 9 月匿名发布，为社区的形成和构建供应了根本（包括 Erik Vorhees 等著名人物） 。
该白皮书包括一个可***的智能代理协议，它是一个开源的LLM，可以在本地运行，由用户的钱包管理，并与智能合约交互。
它利用智能合约排名来帮助代理根据处理的交易数量等标准确定哪些智能合约可以安全地进行交互。

白皮书还供应了构建 Morpheus 网络的框架，例如使智能代理协议运行所需的勉励构造和根本举动步伐。
这包括勉励贡献者构建用于与代理交互的前端、供开拓职员构建可插入代理以便他们可以相互交互的运用程序的 API，以及利用户能够访问运行代理所需的打算和在边缘设备上存储的云办理方案。
该项目的初始资金已于 2 月初启动，完全协议估量将于 2024 年第二季度启动。

去中央化自治根本举动步伐网络 (DAIN) 是一种新的代理根本举动步伐协议，在 Solana 上构建代理到代理经济。
DAIN 的目标是让来自不同企业的代理可以通过通用 API 无缝地相互交互，从而大大开放 AI 代理的设计空间，重点是实现能够与 web2 和 web3 产品交互的代理。
一月份，DAIN 宣告与 Asset Shield 首次互助，利用户能够将“代理署名者”添加到其多重署名中，这些署名者能够根据用户设置的规则阐明交易并批准/谢绝。

Fetch.AI 是最晨安排的 AI 代理协议之一，并开拓了一个生态系统，用于利用 FET 代币和 Fetch.AI 钱包在链上构建、支配和利用代理。
该协议供应了一套用于利用代理的全面工具和运用程序，包括用于与代理交互和订购代理的钱包内功能。

Autonolas 的创始人包括 Fetch 团队的前成员，它是一个用于创建和利用去中央化人工智能代理的开放市场。
Autonolas 还为开拓职员供应了一套工具来构建链下托管的人工智能代理，并可以插入多个区块链，包括 Polygon、Ethereum、Gnosis Chain 和 Solana。
他们目前拥有一些生动的代理观点验证产品，包括用于预测市场和 DAO 管理。

SingularityNet 正在为人工智能代理构建一个去中央化的市场，人们可以在个中支配专注的人工智能代理，这些代理可以被其他人或代理雇用来实行繁芜的任务。
AlteredStateMachine 等其他公司正在构建 AI 代理与 NFT 的集成。
用户铸造具有随机属性的 NFT，这些属性授予他们在不同任务上的上风和劣势。
然后可以对这些代理进行演习，以增强某些属性，以用于游戏、DeFi 或作为虚拟助手并与其他用户进行交易。

总的来说，这些项目设想了一个未来的智能体生态系统，这些智能体能够协同事情，不仅可以实行任务，还可以帮助构建通用人工智能。
真正繁芜的代理将有能力自主完成任何用户任务。
例如，完备自主的代理将能够弄清楚如何雇用另一个代理来集成 API，然后实行任务，而不必确保代理在利用之前已经与外部 API（例如旅行预订网站）集成。
从用户的角度来看，不须要检讨代理是否可以完成任务，由于代理可以自己确定。

比特币和人工智能代理

2023 年 7 月，闪电实验室推出了在闪电网络上利用代理的观点验证明行方案，称为 LangChain 的比特币套件。
该产品特殊有趣，由于它旨在办理 Web 2 天下中日益严重的问题——Web 运用程序的门禁且昂贵的 API 密钥。

LangChain 通过为开拓职员供应一套工具来办理这个问题，使代理能够购买、***和持有比特币，以及查询 API 密钥和发送小额支付。
在传统的支付轨道上，小额支付由于用度而本钱高昂，而在闪电网络上，代理商可以每天以最低的用度发送无限的小额支付。
当与 LangChain 的 L402 支付计量 API 框架结合利用时，公司可以根据利用量的增加和减少调度其 API 的访问用度，而不是设定单一的本钱高昂的标准。

在未来，链上活动紧张由智能体与智能体交互所主导，这样的事情将是必要的，以确保智能体能够不以本钱过高的办法相互交互。
这是一个早期的例子，解释如何在无需容许且经济高效的支付轨道上利用代理，为新市场和经济互动开辟了可能性。

展望

代理领域仍处于新生阶段。
项目刚刚开始推出功能代理，可以利用其根本举动步伐处理大略的任务——这常日只有履历丰富的开拓职员和用户才能访问。
然而，随着韶光的推移，人工智能代理对加密货币的最大影响之一是所有垂直领域的用户体验改进。
交易将开始从基于点击转向基于文本，用户能够通过法学硕士与链上代理进行交互。
Dawn Wallet 等团队已经推出了谈天机器人钱包，供用户在链上进行交互。

此外，目前尚不清楚代理商如何在 Web 2 中运作，由于金融轨道依赖于受监管的银行机构，这些机构不能全天24小时运营，也无法进行无缝跨境交易。
正如林恩·奥尔登（Lyn Alden）所强调的那样，由于缺少退款和处理微交易的能力，与信用卡比较，加密的轨道尤其有吸引力。
然而，如果代理成为一种更常见的交易办法，现有的支付供应商和运用程序很可能会迅速采纳行动，履行在现有金融轨道上运营所需的根本举动步伐，从而削弱利用加密货币的一些好处。

目前，代理可能仅限于确定性的加密货币交易，个中给定输入担保给定输出。
这两种模型都规定了这些代理弄清楚如何实行繁芜任务的能力，而工具则扩大了它们可以完成的范围，都须要进一步开拓。
为了让加密代理在新颖的链上加密用例之外变得有用，须要更广泛的集成和接管加密作为一种支付形式以及监管的明确性。
然而，随着这些组件的发展，代理准备成为上述去中央化打算和 zkML 办理方案的最大消费者之一，以自主的非确定性办法吸收和解决任何任务。

结论

AI 为加密货币引入了我们在 web2 中看到的相同创新，增强了从根本举动步伐开拓到用户体验和可访问性的各个方面。
然而，项目仍处于发展早期，近期加密货币和人工智能集成将紧张由链下集成主导。

像 Copilot 这样的产品将使开拓职员效率“提高 10 倍”，Layer 1和 DeFi 运用程序已经与微软等大公司互助推出人工智能赞助开拓平台。
Cub3.ai 和 Test Machine 等公司正在开拓用于智能合约审计和实时威胁监控的人工智能集成，以增强链上的安全性。
LLM 谈天机器人正在利用链上数据、协议文档和运用程序进行培训，为用户供应增强的可访问性和用户体验。

对付真正利用加密货币底层技能的更高等集成来说，寻衅仍旧是证明在链上履行人工智能办理方案在技能上是可行的，在经济上也是可行的。
去中央化打算、zkML 和 AI 代理的发展指向有前景的垂直领域，这些领域为加密货币和人工智能深度互联的未来奠定了根本。