YBB Capital：Sora横空出世，2024或成AI+Web3变革元年？

原文作者：YBB Capital  Zeke

前言

2 月 16 日，OpenAI 公布了最新的文本控制视频生成扩散模型“Sora”，通过多段涵盖的广泛视觉数据类型的高质量生成视频，展现了生成式 AI 的又一个里程碑时刻。不同于 Pika 这类 AI 视频生成工具还处于用多张图像生成几秒视频的状态，Sora 通过在视频和图像的压缩潜在空间中训练，将其分解为时空位置补丁，实现了可扩展的视频生成。除此之外该模型还体现出了模拟物理世界和数字世界的能力，最终呈现的 60 秒 Demo，说是“物理世界的通用模拟器”也并不为过。

而在构建方式上，Sora 延续了此前 GPT 模型“源数据-Transformer-Diffusion-涌现”的技术路径，这意味着其发展成熟同样需要算力作为引擎，且由于视频训练所需数据量远大于文本训练的数据量，对于算力的需求还将进一步拉大。但我们在早期的文章《潜力赛道前瞻：去中心化算力市场》中已经探讨过算力在 AI 时代的重要性，并且随着近期 AI 热度的不断攀升，市面上已经有大量算力项目开始涌现，而被动受益的其它 Depin 项目（存储、算力等）也已经迎来一波暴涨。那么除了 Depin 之外，Web3与 AI 的交织还能碰撞出怎样的火花？这条赛道里还蕴含着怎样的机会？本文的主要目的是对过往文章的一次更新与补全，并思考 AI 时代下的Web3存在哪些可能。

AI 发展史的三大方向

人工智能(Artificial Intelligence)是一门旨在模拟、扩展和增强人类智能的新兴科学技术。人工智能自二十世纪五六十年代诞生以来，在经历了半个多世纪的发展后，现已成为推动社会生活和各行各业变革的重要技术。在这一过程中，符号主义、连接主义和行为主义三大研究方向的相互交织发展，成为了如今 AI 飞速发展的基石。

符号主义 (Symbolism)

亦称逻辑主义或规则主义，认为通过处理符号来模拟人类智能是可行的。这种方法通过符号来表示和操作问题领域内的对象、概念及其相互关系，并利用逻辑推理来解决问题，尤其在专家系统和知识表示方面已取得显著成就。符号主义的核心观点是智能行为可以通过对符号的操作和逻辑推理来实现，其中符号代表对现实世界的高度抽象；

连接主义 (Connectionism)

或称为神经网络方法，旨在通过模仿人脑的结构和功能来实现智能。该方法通过构建由众多简单处理单元（类似神经元）组成的网络，并通过调整这些单元间的连接强度（类似突触）来实现学习。连接主义特别强调从数据中学习和泛化的能力，特别适用于模式识别、分类及连续输入输出映射问题。深度学习，作为连接主义的发展，已在图像识别、语音识别和自然语言处理等领域取得突破；

行为主义 (Behaviorism)

行为主义则与仿生机器人学和自主智能系统的研究紧密相关，强调智能体能够通过与环境的交互学习。与前两者不同，行为主义不专注于模拟内部表征或思维过程，而是通过感知和行动的循环实现适应性行为。行为主义认为，智能通过与环境的动态交互、学习而展现，这种方法应用于需要在复杂和不可预测环境中行动的移动机器人和自适应控制系统中时，显得尤为有效。

尽管这三个研究方向存在本质区别，但在实际的 AI 研究和应用中，它们也可以相互作用和融合，共同推动 AI 领域的发展。

AIGC 原理概述

现阶段正在经历爆炸式发展的生成式 AI（Artificial Intelligence Generated Content，简称 AIGC），便是对于连接主义的一种演化和应用，AIGC 能够模仿人类创造力生成新颖的内容。这些模型使用大型数据集和深度学习算法进行训练，从而学习数据中存在的底层结构、关系和模式。根据用户的输入提示，生成新颖独特的输出结果，包括图像、视频、代码、音乐、设计、翻译、问题回答和文本。而目前的 AIGC 基本由三个要素构成：深度学习（Deep Learning，简称 DL）、大数据、大规模算力。

深度学习