了解加密货币和人工智能的交集

文章作者：Lucas Tcheyan 文章编译：Block unicorn

引言

公共区块链的出现是计算机科学历史上最深刻的进步之一。而人工智能的发展将会并且已经在对我们的世界产生深远的影响。如果说区块链技术为交易结算、数据存储和系统设计提供了新的模板，那么人工智能则是计算、分析和内容交付方面的一场革命。这两个行业的创新正在释放新的用例，从而可能在未来几年加速这两个行业的采用。本报告探讨了加密货币和人工智能的持续集成，重点关注试图弥合两者之间差距、利用两者力量的新颖用例。具体来说，本报告研究了开发去中心化计算协议、零知识机器学习 (zkML) 基础设施和人工智能代理的项目。

加密货币为人工智能提供了无需许可、无需信任且可组合的结算层。这解锁了用例，例如通过去中心化计算系统使硬件更容易访问，构建可以执行需要价值交换的复杂任务的人工智能代理，以及开发身份和来源解决方案来对抗 Sybil 攻击和深度伪造。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。这包括通过大型语言模型（即经过专门训练的 ChatGPT 和 Copilot ）增强用户和开发人员的用户体验 (UX)，以及显着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。 但区块链的计算能力也有限，这是直接集成人工智能模型的主要障碍。

加密货币和人工智能交叉领域正在进行的实验和最终采用背后的驱动力与推动加密货币最有前途的用例的驱动力相同——访问无需许可和去信任化的协调层，从而更好地促进价值转移。鉴于巨大的潜力，该领域的参与者需要了解这两种技术交叉的基本方式。

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应用程序主导，这些应用程序可以提高开发人员的效率、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，而是增强了链上开发人员和用户体验。

正如高性能 GPU 严重短缺一样，去中心化计算产品正在实施人工智能定制的 GPU 产品，为采用提供了助力。

用户体验和监管仍然是吸引去中心化计算客户的障碍。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许可、抗审查、以及去中心化的人工智能网络的价值主张。

链上人工智能集成，特别是能够使用人工智能模型的智能合约，需要改进 zkML 技术和其他验证链下计算的计算方法。缺乏全面的工具和开发人员人才以及高昂的成本是采用的障碍。

人工智能代理非常适合加密货币，用户（或代理本身）可以创建钱包以与其他服务、代理或人员进行交易。目前使用传统的金融轨道无法实现这一点。为了更广泛地采用，需要与非加密产品进行额外的集成。

术语

人工智能是利用计算和机器来模仿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训练方法。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，可以修改权重来改变输出。它们可能需要大量的数据和计算来进行训练，以便其输出准确。这是开发人工智能模型最常见的方式之一（ChatGPT 使用依赖于 Transformer 的神经网络过程）。

训练是开发神经网络和其他人工智能模型的过程。它需要大量数据来训练模型以正确解释输入并产生准确的输出。在训练过程中，模型方程的权重不断修改，直到产生令人满意的输出。培训费用可能非常昂贵。例如，ChatGPT 使用数万个自己的 GPU 来处理数据。资源较少的团队通常依赖专门的计算供应商，例如 Amazon Web Services、Azure 和 Google Cloud 供应商。

推理是实际使用 AI 模型来获取输出或结果（例如，使用 ChatGPT 为有关加密货币和 AI 交集的论文创建大纲）。在整个培训过程和最终产品中都会使用推理。由于计算成本的原因，即使在训练完成后，它们的运行成本也可能很高，但其计算强度低于训练。

零知识证明 (ZKP) 允许在不泄露基础信息的情况下验证声明。这在加密货币中很有用，主要有两个原因：1) 隐私和 2) 扩展。为了保护隐私，这使用户能够在不泄露敏感信息（例如钱包中有多少 ETH）的情况下进行交易。对于扩展而言，它使链下计算能够比重新执行计算更快地在链上得到证明。这使得区块链和应用程序能够廉价地在链外运行计算，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作用的更多信息，请参阅 Christine Kim 的报告 zkEVMs：以太坊可扩展性的未来。

人工智能/加密货币市场地图

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基础设施。

去中心化计算市场正在兴起，以提供训练和推理人工智能模型所需的大量物理硬件，主要以图形处理单元 (GPU) 的形式。这些双向市场将那些租赁和寻求租赁计算的人连接起来，促进价值的转移和计算的验证。在去中心化计算中，正在出现几个提供附加功能的子类别。除了双边市场之外，本报告还将审查专门提供可验证培训和微调输出的机器学习培训供应商，以及致力于连接计算和模型生成以实现人工智能的项目，也经常被称为智能激励网络。

zkML 是希望以经济有效且及时的方式在链上提供可验证模型输出的项目的一个新兴重点领域。这些项目主要使应用程序能够处理链下繁重的计算请求，然后在链上发布可验证的输出，证明链下工作负载是完整且准确的。zkML 在当前实例中既昂贵又耗时，但越来越多地被用作解决方案。这在 zkML 供应商和想要利用 AI 模型的 DeFi/游戏应用程序之间的集成数量不断增加中显而易见。

充足的计算供应以及验证链上计算的能力为链上人工智能代理打开了大门。代理是经过训练的模型，能够代表用户执行请求。代理提供了显着增强链上体验的机会，使用户只需与聊天机器人对话即可执行复杂的交易。然而，就目前而言，代理项目仍然专注于开发基础设施和工具，以实现轻松快速地部署。

去中心化计算

概述

人工智能需要大量计算来训练模型和运行推理。在过去的十年中，随着模型变得越来越复杂，计算需求呈指数级增长。例如，OpenAI 发现，从 2012 年到 2018 年，其模型的计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，一些加密货币矿工甚至重新利用其 GPU 来提供云计算服务 。随着访问计算的竞争加剧和成本上升，一些项目正在利用加密技术来提供去中心化计算解决方案。他们以具有竞争力的价格提供按需计算，以便团队能够以经济实惠的方式训练和运行模型。在某些情况下，权衡可能是性能和安全性。

最先进的 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，据报道，该公司斥资 4.2 亿美元购买了 10,000 个 H100 GPU（用于 AI 训练的最先进 GPU 之一）。获得一流硬件的等待时间可能至少为六个月，在许多情况下甚至更长。更糟糕的是，公司经常被要求签署长期合同，以获取他们甚至可能不会使用的计算量。这可能会导致存在可用计算但市场上不可用的情况。去中心化计算系统有助于解决这些市场效率低下的问题，创建一个二级市场，计算所有者可以在接到通知后立即转租其过剩容量，从而释放新的供应。

除了有竞争力的定价和可访问性之外，去中心化计算的关键价值主张是抗审查性。尖端人工智能开发日益由拥有无与伦比的计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发方面日益超越学术界，将控制权集中在少数技术领导者手中。这引发了人们的担忧，即他们是否有能力在制定支撑人工智能模型的规范和价值观方面产生巨大影响力，特别是在这些科技公司推动监管以限制其无法控制的人工智能开发之后。

去中心化计算的垂直领域

近年来出现了几种去中心化计算模型，每种模型都有自己的重点和权衡。

广义计算

Akash、io.net、iExec、Cudos 等项目都是去中心化计算的应用程序，除了数据和通用计算解决方案之外，它们还提供或即将提供用于 AI 训练和推理的专用计算的访问权限。

Akash 是目前唯一完全开源的“超级云”平台。它是使用 Cosmos SDK 的权益证明网络。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激励参与。Akash 于 2020 年推出了第一个主网，专注于提供无需许可的云计算市场，最初以存储和 CPU 租赁服务为特色。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，使用户能够租赁 GPU 进行人工智能训练和推理。

Akash 生态系统中有两个主要参与者 - 租户和供应商。租户是想要购买计算资源的 Akash 网络的用户。供应商是计算供应商。为了匹配租户和供应商，Akash 依靠逆向拍卖流程。租户提交他们的计算要求，在其中他们可以指定某些条件，例如服务器的位置或进行计算的硬件类型，以及他们愿意支付的金额。然后，供应商提交他们的要价，最低出价者将获得任务。

Akash 验证器维护网络的完整性。 一套验证器目前限制为 100 个，并计划随着时间的推移逐步增加。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。网络的交易费用和区块奖励以 AKT 形式分配。此外，对于每笔租赁，Akash 网络都会按照社区确定的费率赚取“收取费用”，并将其分配给 AKT 持有者。

二级市场

去中心化计算市场旨在填补现有计算市场的低效率。供应的限制导致公司囤积超出其可能需要的计算资源，并且由于与云供应商的合同结构将客户锁定在长期合同中，即使可能不需要持续访问，供应也进一步受到限制。去中心化计算平台释放了新的供应，使世界上任何拥有计算需求的人都可以成为供应商。

AI 训练对 GPU 的需求激增是否会转化为 Akash 上的长期网络使用还有待观察。 例如，Akash 长期以来一直为 CPU 提供市场，以 70-80% 的折扣提供与集中式替代品类似的服务。 然而，较低的价格并没有带来显着的采用。 网络上的活跃租约已经趋于平缓，到 2023 年第二季度，平均只有 33% 的计算、16% 的内存和 13% 的存储。虽然这些都是链上采用的令人印象深刻的指标（作为参考，领先的存储提供商 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然超过需求。

Akash 推出 GPU 网络已经过去了半年多的时间，现在准确评估长期采用率还为时过早。迄今为止，GPU 的平均利用率为 44%，高于 CPU、内存和存储，这是需求的一个迹象。这主要是由对最高质量 GPU（如 A100）的需求推动的，超过 90% 已出租。

Akash 的每日支出也有所增加，相对于 GPU 出现之前几乎翻了一番。 这部分归因于其他服务使用量的增加，尤其是 CPU，但主要是新 GPU 使用量的结果。

定价与 Lambda Cloud 和 Vast.ai 等中心化竞争对手相当（或者在某些情况下甚至更贵）。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，但采用仍然存在障碍（下面进一步讨论）。 去中心化计算网络需要采取更多措施来产生需求和供应，团队正在尝试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 排放量并激励更多供应，特别针对高端 GPU。 团队还致力于推出概念验证模型，向潜在用户展示其网络的实时功能。 Akash 正在训练他们自己的基础模型，并且已经推出了聊天机器人和图像生成产品，可以使用 Akash GPU 创建输出。 同样，io.net 开发了一个稳定的扩散模型，并正在推出新的网络功能，以更好地模仿网络的性能和规模。

去中心化机器学习培训

除了能够满足人工智能需求的通用计算平台外，一组专注于机器学习模型训练的专业人工智能GPU供应商也正在兴起。例如，Gensyn 正在“协调电力和硬件来构建集体智慧”，其观点是，“如果有人想要训练某种东西，并且有人愿意训练它，那么就应该允许这种训练发生。”

该协议有四个主要参与者：提交者、解决者、验证者和举报人。提交者向网络提交带有培训请求的任务。这些任务包括训练目标、要训练的模型和训练数据。作为提交过程的一部分，提交者需要为解决者所需的估计计算量预先支付费用。

提交后，任务将分配给对模型进行实际训练的解决者。然后，解决者将已完成的任务提交给验证者，验证者负责检查训练以确保正确完成。举报人有责任确保验证者诚实行事。为了激励举报人参与网络，Gensyn 计划定期提供故意错误的证据，奖励举报人抓住他们。

除了为人工智能相关工作负载提供计算之外，Gensyn 的关键价值主张是其验证系统，该系统仍在开发中。为了确保 GPU 提供商的外部计算正确执行（即确保用户的模型按照他们想要的方式进行训练），验证是必要的。Gensyn 采用独特的方法解决了这个问题，利用了称为“概率学习证明、基于图形的精确协议和 Truebit 式激励游戏”的新颖验证方法。这是一种乐观求解模式，允许验证者确认解决者已正确运行模型，而无需自己完全重新运行模型，这是一个成本高昂且低效的过程。

除了其创新的验证方法之外，Gensyn 还声称相对于中心化替代方案和加密货币竞争对手而言具有成本效益 - 提供的 ML 培训价格比 AWS 便宜高达 80%，同时在测试方面胜过 Truebit 等类似项目。

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

对于谷歌云和 Coreweave 等中心化供应商来说，计算成本昂贵，而计算之间的通信（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，通过让世界上任何人都可以提供 GPU 来降低计算成本，但同时也增加了通信成本，因为网络现在必须在相距较远的异构硬件上协调计算作业。Gensyn 尚未推出，但它是构建去中心化机器学习训练协议时可能实现的概念证明。

去中心化一般智能

去中心化计算平台也为人工智能创建方法的设计提供了可能性。Bittensor 是一种基于 Substrate 构建的去中心化计算协议，试图解答“我们如何将人工智能转变为协作方法？”。Bittensor 旨在实现人工智能生成的去中心化和商品化。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 不是使用工作量证明来生成正确的随机数并获得区块奖励，而是依赖于“智能证明”，要求矿工运行模型来响应推理请求而生成输出。

激励智能

Bittensor 最初依赖专家混合 (MoE) 模型来生成输出。当提交推理请求时，MoE 模型不会依赖一个广义模型，而是将推理请求转发给给定输入类型的最准确的模型。想象一下建造一栋房子，您聘请了各种专家来负责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 将其应用于机器学习模型，尝试根据输入利用不同模型的输出。正如 Bittensor 创始人 Ala Shaabana 所解释的那样，这就像“与一屋子聪明人交谈并获得最佳答案，而不是与一个人交谈”。由于在确保正确路由、消息同步到正确模型以及激励方面存在挑战，这种方法已被搁置，直到项目得到进一步开发。

Bittensor 网络中有两个主要参与者：验证者和矿工。验证者的任务是向矿工发送推理请求，审查他们的输出，并根据他们的响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一致程度给予“vtrust”分数。验证者的 vtrust 分数越高，他们获得的 TAO 排放量就越多。这是为了激励验证者随着时间的推移就模型排名达成共识，因为就排名达成一致的验证者越多，他们的个人 vtrust 分数就越高。

矿工，也称为服务器，是运行实际机器学习模型的网络参与者。矿工们相互竞争，为验证者提供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生成这些输出。例如，在未来的情况下，Bittensor 矿工完全有可能之前在 Gensyn 上训练过模型，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请求输出（即训练模型）。一旦验证者查询网络上的矿工并收到他们的响应，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。它旨在激励矿工产生最好的输出来赚取 TAO 的排放，并激励验证者对矿工输出进行准确排名，以获得更高的 vtrust 分数并增加他们的 TAO 奖励，从而形成网络的共识机制。

子网和应用程序

Bittensor 上的交互主要包括验证者向矿工提交请求并评估其输出。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应用程序层，以便开发人员可以构建查询 Bittensor 网络的应用程序。

2023 年 10 月，Bittensor 通过 Revolution 升级引入了子网，朝着实现这一目标迈出了重要一步。子网是 Bittensor 上激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、图像生成和存储的子网。随着子网的成熟并成为产品就绪，子网创建者还将创建应用程序集成，使团队能够构建查询特定子网的应用程序。一些应用程序（如聊天机器人、图像生成器、推特回复机器人、预测市场）目前确实存在，但除了 Bittensor 基金会的资助之外，没有正式的激励措施让验证者接受和转发这些查询。

为了提供更清晰的说明，下面是一个示例，说明应用程序集成到网络中后 Bittensor 可能如何工作。

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，本质上充当一种特殊的子网，并由 64 个最大的子网验证者按权益进行管理。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。通过这种方式，各个子网充当根网络的矿工。

Bittensor 的展望

Bittensor 仍在经历成长的烦恼，因为它扩展了协议的功能以激励跨多个子网的智能生成。矿工们不断设计新的方法来攻击网络以获得更多 TAO 的奖励，例如通过稍微修改其模型运行的高评价推理的输出，然后提交多个变体。影响整个网络的治理提案只能由完全由 Opentensor 基金会利益相关者组成的 Triumvirate 提交和实施（值得注意的是，提案需要在实施之前得到由 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改，以提高对 TAO 跨子网使用的激励。该项目还因其独特的方法而迅速声名狼藉，最受欢迎的人工智能网站之一 HuggingFace 的首席执行官表示 Bittensor 应该将其资源添加到该网站。

在核心开发人员最近发表的一篇名为“Bittensor Paradigm”的文章中，该团队阐述了 Bittensor 的愿景，即最终发展为“对所测量的内容不可知”。理论上，这可以使 Bittensor 开发子网来激励由 TAO 提供支持的任何类型的行为。仍然存在相当大的实际限制——最值得注意的是，证明这些网络能够扩展以处理如此多样化的流程，并且潜在的激励措施推动的进步超过了中心化产品。

为人工智能模型构建去中心化计算堆栈

上述部分提供了正在开发的各种类型的去中心化人工智能计算协议的深度概述。在开发和采用的早期，它们提供了生态系统的基础，最终可以促进“人工智能构建块”的创建，例如 DeFi 的“金钱乐高”概念。无需许可的区块链的可组合性为每个协议构建在另一个协议之上提供了可能性，以提供更全面的去中心化人工智能生态系统。

例如，这是 Akash、Gensyn 和 Bittensor 可能全部交互以响应推理请求的一种方式。

需要明确的是，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、现有合作伙伴关系或可能结果的代表。 相互操作性的限制以及下面描述的其他考虑因素极大地限制了当今的集成可能性。 除此之外，流动性分散和使用多种代币的需要可能会损害用户体验，Akash 和 Bittensor 的创始人都指出了这一点。

其他去中心化产品

除了计算之外，还推出了其他几种去中心化基础设施服务，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，但一些有趣且有说明性的示例包括：

Ocean：一个去中心化的数据市场。用户可以创建代表其数据的数据 NFT，并可以使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提供开发和训练模型所需的数据的访问权限。

Grass：去中心化的带宽市场。用户可以将多余的带宽出售给人工智能公司，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提供了更多样化的观点来了解个人用户在网上看到的内容（因为个人的互联网访问通常是根据其 IP 地址专门定制的） ）。

HiveMapper：构建一个分散的地图产品，其中包含从日常汽车驾驶员收集的信息。HiveMapper 依靠 AI 来解释从用户仪表板摄像头收集的图像，并奖励用户通过强化人类学习反馈 (RHLF) 帮助微调 AI 模型的代币。