黄仁勋在迪拜的 WGS 上演讲时，提出了一个词「主权 AI」。那么，哪个主权的 AI 能符合 Crypto 社区的利益和诉求呢？

也许需要以 Web3+AI 的形式构建。

Vitalik 在「The promise and challenges of crypto + AI applications」一文中讲述了 AI 与 Crypto 的协同效应：Crypto 的去中心化可以平衡 AI 的中心化；AI 是不透明的，Crypto 带来透明；AI 需要数据，区块链有利于数据的存储和追踪。这种协同，贯穿在 Web3+AI 的整个产业图景中。

大多数 Web3 + AI 的项目是在利用区块链技术解决 AI 行业基础设施项目的建设问题，少数项目是利用 AI 解决 Web3 应用的某些问题。

Web3 + AI 产业图景大体如下：

AI 的生产和工作流程大致如下：

在这些环节中，Web3 与 AI 的结合主要体现在四个方面：

1、算力层：算力资产化

近两年来，用于训练 AI 大模型的算力呈指数级增长，基本每个季度就会翻一倍，以远超摩尔定律的速度疯狂增长。这种情况导致 AI 算力供需长期失衡，GPU 等硬件价格快速上涨，进而抬高了算力成本。

但与此同时，市场上也存在大量的中低端算力硬件闲置，可能这部分中低端硬件的单体算力无法满足高性能需求。但若通过 Web3 的方式建设成分布式算力网络，通过算力租赁、共享的方式，打造去中心化的计算资源网络，仍可满足诸多 AI 应用需求。由于是利用分布式的闲置算力，可显著降低 AI 算力的成本。

算力层细分包括：

· 通用的去中心化算力（例如 Arkash、Io.net 等）；

· 用于 AI 训练的去中心化算力（例如 Gensyn、Flock.io 等）；

· 用于 AI 推理的去中心化算力（例如 Fetch.ai、Hyperbolic 等）；

· 用于 3D 渲染的去中心化算力（例如 The Render Network 等）。

Web3+AI 的算力资产化，核心优势在于 去中心化算力类项目，结合代币激励很容易扩展网络规模，而且其计算资源成本低，具有高性价比，可满足部分中低端的算力需求。

2、数据层：数据资产化

数据是 AI 的石油、血液。如果不依赖 Web3，一般只有巨头企业手中才有大量的用户数据，普通的创业公司很难获取广泛的数据，用户数据在 AI 行业的价值也并没有反馈给用户。通过 Web3+AI，可以让数据收集、数据标注、数据分布式存储等流程更低成本、更透明、更有利于用户。

收集高质量数据是 AI 模型训练的前置条件，通过 Web3 的方式，可以利用分布式网络，结合适当的 Token 激励机制，采用众包收集的方法，以较低成本获取高质量且广泛的数据。

根据项目用途，数据类项目主要包括以下几类：

· 数据收集类项目（例如 Grass 等）；

· 数据交易类项目（例如 Ocean Protocol 等）；

· 数据标注类项目（例如 Taida、Alaya 等）；

· 区块链数据源类项目（例如 Spice AI、Space and time 等）；

· 去中心化存储类项目（例如 Filecoin、Arweave 等）。

数据类 Web3+AI 项目，在设计 Token 经济模型的过程中更有挑战性，因为数据比算力更难标准化。

3、平台层：平台价值资产化

平台类项目大多数会对标 Hugging Face，以整合 AI 行业各类资源为核心。建立一个平台，聚合数据、算力、模型、AI 开发者、区块链等各种资源和角色的链接，以平台为中心，更便捷地解决各种需求。比如 Giza，专注于构建全面的 zkML 运营平台，旨在使机器学习的推理变得可信和透明，因为数据和模型黑盒是目前 AI 中普遍存在的问题，通过 Web3 的方式采用 ZK、FHE 等密码学技术来验证模型的推理确实有正确执行，是迟早会被行业内呼吁的。

也有做 Focus AI 的 Layer1/ Layer2，例如 Nuroblocks、Janction 等。核心叙事是连接了各类算力、数据、模型、AI 开发者、节点等资源，通过包装通用组件、通用 SDK 的方式，帮助 Web3+AI 类应用实现快速构建和发展。

还有 Agent Network 类的平台，基于这类平台可以为各种应用场景构建 AI Agent，例如 Olas、ChainML 等。

平台类的 Web3+AI 项目，主要以 Token 捕获平台价值的方式，激励平台各参与方共建。对于初创项目从 0-1 的过程比较有帮助，可以减少项目方寻找算力、数据、AI 开发者社区、节点等合作方的难度。

4、应用层：AI 价值资产化

前面的基础设施类的项目，多数是利用区块链技术解决 AI 行业基础设施项目建设的问题。应用层项目则更多是利用 AI 解决 Web3 应用存在的问题。

比如 Vitalik 在文章中提到两个方向，我觉得很有意义。

一是 AI 作为 Web3 参与者。比如：Web3 Games 中，AI 可以作为一个游戏玩家，它可以快速理解游戏规则，并最高效地完成游戏任务；DEX 中，AI 已经在套利交易中发挥作用很多年了；Prediction markets（预测市场）中，AI Agent 可以通过广泛接受大量数据、知识库和信息，训练其模型的分析预测能力，并产品化提供给用户，帮助用户以模型推理的方式对特定事件作出预测，比如体育赛事、总统大选等。

二是创建可扩展的去中心化的私人 AI。因为许多用户担心 AI 的黑盒问题，担心系统存在偏见；或担心存在某些 dApps 通过 AI 技术欺骗用户来获利。本质上是因为用户对 AI 的模型训练和推理过程没有审查权限和治理权限。但是如果创建一个 Web3 的 AI，像 Web3 项目一样，社区对这个 AI 有分布式治理权，可能会更容易被接受。

截至目前，在 Web3+AI 应用层尚未出现天花板很高的白马项目。

总结

Web3 + AI 还很早期，业内对这个赛道的发展前景也是有分歧的，我们会对这个赛道持续关注。我们希望 Web3 与 AI 的结合能够创造出比中心化 AI 更有价值的产品，让 AI 摆脱「巨头控制」、「垄断」这些标签，以更加社区化的方式来「共治 AI」。也许在更近距离地参与、治理过程中，人类对 AI 会多一分「敬畏」、少一分「恐惧」。