黃仁勳在杜拜的 WGS 上演講時，提出了一個詞「主權AI」。那麼，哪個主權的 AI 能符合 Crypto 社群的利益和訴求呢？
也許需要以 Web3 AI 的形式建構。 Vitalik 在「The promise and challenges of crypto AI applications」一文中講述了AI 與Crypto 的協同效應：Crypto的去中心化可以平衡AI的中心化； AI是不透明的，Crypto帶來透明；AI需要數據，區塊鏈有利於數據的儲存和追蹤。 這種協同，貫穿在Web3 AI的整個產業圖像中。
大多數Web3 AI的專案是在利用區塊鏈技術解決AI產業基礎設施專案的建置問題，少數專案是利用AI解決Web3應用的某些問題。
#近兩年來，用於訓練AI大模型的算力呈指數級增長，基本上每季就會翻一倍，以遠超摩爾定律的速度瘋狂成長。這種情況導致AI算力供需長期失衡，GPU等硬體價格快速上漲，進而抬高了算力成本。
但同時，市場上也存在大量的中低階算力硬體閒置，可能這部分中低階硬體的單體算力無法滿足高效能需求。但若透過Web3的方式建構成分佈式算力網絡，透過算力租賃、共享的方式，打造去中心化的運算資源網絡，仍可滿足許多AI應用需求。由於是利用分散式的閒置算力，可顯著降低AI算力的成本。
算力層細分包含：
##資料是AI的石油、血液。如果不依賴Web3，一般只有巨頭企業手中才有大量的用戶數據，普通的新創公司很難取得廣泛的數據，用戶數據在AI產業的價值也並沒有回饋給用戶。透過Web3 AI，可以讓資料收集、資料標註、資料分散式儲存等流程更低成本、更透明、更有利於使用者。
收集高品質資料是AI模型訓練的前置條件，透過Web3的方式，可以利用分散式網絡，結合適當的Token激勵機制，採用眾包收集的方法，以較低成本獲取高品質且廣泛的數據。
根據專案用途，資料類別項目主要包括以下幾類：
#平台類別項目大多會對標Hugging Face，以整合AI產業各類別資源為核心。 建立一個平台，聚合數據、算力、模型、AI開發者、區塊鏈等各種資源和角色的鏈接，以平台為中心，更便捷地解決各種需求。例如Giza，專注於建構全面的zkML營運平台，旨在#使機器學習的推理變得可信和透明，因為資料和模型黑盒是目前AI中普遍存在的問題，透過Web3的方式採用ZK、FHE等密碼學技術來 驗證模型的推理確實有正確執行，是遲早##會 #被業界呼籲的。
也有做Focus AI的layer1/ layer2，例如Nuroblocks、Janction等。核心敘事是連結了各類算力、資料、模型、AI開發者、節點等資源，透過包裝通用元件、通用SDK的方式，幫助Web3 AI類應用實現快速建置與發展。
還有Agent Network類別的平台，基於這類平台可以為各種應用場景建立AI Agent，例如Olas、ChainML等。
平台類的Web3 AI項目，主要以Token捕捉平台價值的方式，激勵平台各參與者共構。對於新創專案從0-1的過程比較有幫助，可以減少專案方尋找算力、資料、AI開發者社群、節點等合作方的難度。
#前面的基礎設施類別的項目，多數是利用區塊鏈技術解決AI產業基礎設施項目建設的問題。應用層專案則較多利用AI解決Web3應用存在的問題。
例如Vitalik在文章中提到兩個方向，我覺得很有意義。
一是AI作為Web3參與者。例如：Web3 Games中，AI可以作為一個遊戲玩家，它可以快速理解遊戲規則，並最有效率地完成遊戲任務DEX中，AI已經在套利交易中發揮作用很多年了；Prediction##markets（預測市場）中，AI Agent可以透過廣泛接受大量資料、知識庫#和訊息，訓練其模型的分析預測能力，並產品化提供給用戶，幫助用戶以模型推理的方式對特定事件作出預測################################################例如體育賽事、總統大選等###。
二是創建可擴展的去中心化的私人AI。因為許多用戶擔心AI的黑盒問題，擔心系統有偏見；或擔心存在某些dApps透過AI技術欺騙用戶來獲利。本質上是因為使用者對AI的模型訓練和推理過程沒有審查權限和治理權限。但如果創建一個Web3的AI，像Web3計畫一樣，社群對這個AI有分散式治理權，可能會更容易被接受。
截至目前，在Web3 AI應用層尚未出現天花板很高的白馬專案。
以上是Web3 + AI ：建構主權 AI 滿足 Crypto 社群利益和訴求的詳細內容。更多資訊請關注PHP中文網其他相關文章！
