作者：ABCEDE投研合夥人Lao Bai
當下最炙手可熱的AI被看作是第四次工業革命的關鍵點與核心，而科技界上一個炙手可熱的概念是被看作下一代互聯網關鍵核心的Web3。
AI與Web3是將掀起科技革命浪的兩大概念，若它們得以強強聯合，可能會給我們帶來什么樣的“驚喜”呢？
01 先說說AI自身
AI這行業其實本來都要涼涼了，大家知道Near的創始人一龍對吧，這家夥其實以前是做AI的，他是TensorFlow（最流行的機器學習框架）的主要代碼貢獻者。大家推測他是AI（大模型之前的機器學習）那邊看不到啥希望了所以跑來做Web3的。
結果終於去年年底業界迎來了ChatGpt3.5，一下子這行業又活了，因爲這次真的可以算質變了，而不是之前那幾波的炒作和量變。這不隔了幾個月AI創業的浪潮也傳遞到了我們Web3。硅谷Web2那邊則是卷的不行，各種資本Fomo，各種同質化方案开始拼價格战，各種大廠大模型PK……
但是要注意到的是AI經歷了半年多的爆發期之後也進入了一個相對瓶頸期，比如Google對與AI的搜索熱度斷崖式下跌，Chatgpt用戶增速大幅放緩，AI Output帶有一定的隨機性限制了許多落地場景……總而言之，我們離傳說中的“AGI - 通用人工智能”還有非常非常遠的距離。
目前硅谷創投圈對與AI下一步發展有這么幾個判斷：
1）沒有垂類模型，只有大模型+垂類應用（一會兒說Web3+AI的時候我們會再提到）
2）邊緣設備比如手機端的數據可能會是個壁壘，基於邊緣設備的AI可能也是個機會
3）Context的長度未來可能引發質變（現在用向量數據庫作爲AI記憶體，但上下文長度還是不夠）
02 Web3+AI
AI和Web3其實是完全不同的兩個領域，AI需要集中的算力+海量數據做訓練，非常中心化的東西，Web3則是主打一個去中心化，所以其實不是那么好結合，單奈何敘事上AI改變生產力，區塊鏈改變生產關系這個論點太過深入人心，所以總會有人前僕後繼的去尋找那個結合點，近倆月得聊了不下10個AI項目。
在說新的結合賽道之前先說說老的AI+Web3項目，基本都是平台型，以FET和AGIX爲代表。怎么說呢，國內專業做AI的朋友是這么跟我說的 - “以前這些做AI的現在基本都沒啥用了，無論Web2還是Web3,很多都是包袱而不是經驗。方向和未來就是像OpenAI的這種基於Transformer的大模型，大模型拯救了AI”，你自己品。
所以通用平台型不是他所看好的Web3+AI的模式，我聊的這10多個項目也確實沒有這方面，目前看到的基本是如下幾個賽道：
1.Bot/Agent/Assistant 模型資產化
2.算力平台
3.數據平台
4.生成式AI
5.Defi交易/審計/風控
6.ZKML
1.Bot/Agent/Assistant 模型資產化
Bot/Agent/Assitant的資產化這個賽道，聊的最多，是同質化最爲嚴重的一個賽道。簡單來說，這些項目多是拿OpenAI爲底層，配合其他的一些开源/自研的技術手段，比如TTS（Text to Speech）之類，加上特定的數據，FineTune出來一些“某一領域比ChatGPT”更好的機器人。
比如你可以訓練出一個教你英語的美女老師，你可以選擇她是美國口音還是倫敦腔，她的性格和聊天的方式也可以調整，這樣相對於ChatGPT比較機械和官方的回答來講，交互體驗會更好一些。圈內前段有個虛擬男友的DAPP、Web3女性向遊戲，叫HIM，可以算是這種類型的代表了。
從這個思路出發，你理論上可以有許多個Bot/Agent爲你服務。比如你想要做水煮魚，可能會有專門針對這個領域Fine Tune的Cooking Bot來教你，給的答案相對ChatGPT更加專業，你想出門旅行，同樣有旅行小助手Bot給你提供各種出遊建議和規劃，或是你是項目方，弄一個Discord的客服機器人，幫你回答社區問題。
除了做這種“基於GPT的垂類應用型”Bot，還有基於此的衍生項目，比如Bot算“模型資產化”。有點NFT“小圖片資產化”的意味，那現在AI裏面流行的Prompt是不是也可以資產化，像是MidJourney不同的Prompt可以生成不同的圖片，訓練Bot時不同的Prompt也會有不同的效果，所以Promopt自身也具備價值，也可以資產化。
還有像是基於此類Bot進行門戶索引，搜索的項目，等哪天我們有了成千上萬的Bot，那怎么找到最合適你的Bot？可能屆時就需要一個Web2世界類似Hao123這樣的門戶，或是Google這樣的搜索引擎來幫你“定位”。
在我個人看來，Bot（模型）資產化這個東西現階段有兩個弊端+兩個方向：
1）弊端
弊端1 - 同質化太過嚴重，因爲這個是用戶最容易理解的AI+web3賽道，有那么點像是帶一點Utility屬性的NFT。所以目前一級市場开始呈現紅海趨勢，卷起來了，但底層又都是OpenAI，所以大家其實都沒啥技術壁壘，只能拼設計和運營；
弊端2 - 有時候像是星巴克會員卡NFT上鏈這種事，雖然是個出圈的好嘗試，但對於多數用戶來講可能真的沒有一個實體或是電子會員卡來的方便。基於Web3的Bot也存在這個問題，想跟機器人學英語或是跟馬斯克，蘇格拉底誰的聊天，我直接用Web2的http://Character.AI不香么？
2）方向
方向1 - 是近+中期，模型上鏈或許會是一個思路。目前這些模型有那么點ETH NFT小圖片的意思，MetaData大多指向的鏈下服務器或是IPFS，而非純鏈上。模型通常幾十到幾百兆的大小，更是要扔在服務器上了。
但隨着最近存儲價格的飛速下降（2TB SSD 500塊RMB），以及Filecoin FVM，ETH Storage這類存儲類項目的推進，相信未來兩三年百兆級別的模型上鏈應該不是個難事兒。
你可能會問上鏈有啥好處啊？上鏈了模型就可以被其他合約直接調用了，更加的Crypto Native，能玩的花樣肯定也更多，有那么點Fully Onchain Game的即視感，因爲所有數據都是鏈原生的。目前看到有團隊在做這方面的探索，當然還是非常早期的狀態。
方向2 - 是中+遠期, 如果你認真想一下智能合約這個東西，其實最適合的不是人機交互，而是“機機交互”，AI那邊現在有了AutoGPT這個概念，弄一個你的“虛擬化身”或是“虛擬助手”，不光能跟你聊天，還能根據你的要求幫你執行任務，比如幫你訂機票，酒店，买域名搭網站……
你想AI助手是操作你的各種銀行账戶支付寶啥的方便，還是整一個區塊鏈地址轉帳方便啊？答案顯而易見。那么未來，會不會有一堆集成了類似AutoGPT這樣的AI助手，在各種任務場景下自動通過區塊鏈與智能合約進行C2C，B2C，甚至B2B的支付與結算呢？那個時候，Web2與Web3的邊界也就變得非常模糊了。
2.算力平台
算力平台的項目沒有Bot模型資產化那么多和卷，但理解起來相對更加容易，都知道AI需要大量算力，而BTC和ETH在過去10多年已經證明了世界上有這么一種方法，可以自發的，去中心化的，在經濟激勵和博弈的環境下組織協調起海量的算力去合作+競爭的做一件事。現在可以把這種方法用在AI上。
業內最出名的兩個項目無疑是Together和Gensyn，一個種子輪就是千萬級別融資，一個是A輪融了4300萬，這倆之所以要融這么多錢，據說是因爲需要資金和算力先訓練自己的模型，然後後面會做成算力平台提供給其他的AI項目做訓練用。
而做推理的算力平台融資額相對會小很多，因爲本質上就是聚合闲置的GPU等算力然後提供給有需要的AI項目做推理用，RNDR是做渲染算力聚合，這些平台做推理算力聚合。但技術門檻目前都比較模糊，甚至我在想會不會哪天RNDR或是Web3雲算力平台一只腳就伸到推理型算力平台這邊了。
算力平台這個方向相比模型資產化更加實在和好預測，基本上是板上釘釘一定會有需求也會出現一兩個頭部項目的賽道，就看誰能殺的出來，唯一目前不確定的是訓練和推理各自有龍頭，還是龍頭會把訓練和推理都包圓了。
3.數據平台
這個其實也不難理解，因爲AI的底層說白就三大件：算法（模型），算力，數據。
既然算法和算力都有“去中心化版本”，那數據肯定也不會缺席，這也是奇績創壇的創始人陸奇博士在聊AI和Web3時候最看好的一個方向。
Web3一直強調數據隱私和主權，也有ZK之類的技術來確保數據可靠與完整性，那么基於Web3的鏈上數據訓練出來的AI肯定和Web2鏈下數據訓練出來的應該不一樣。所以這條线整體Make Sense，目前圈內Ocean應該算是這個賽道，一級市場也有看到基於Ocean做的專門的AI數據市場之類的項目。
4.生成式AI
簡單來說就是拿AI畫畫，或是類似的創作，來服務於其他一些場景。比如做NFT，或是遊戲內的地圖生成，NPC背景生成等等。感覺做NFT這條线比較難，因爲AI生成稀缺性不夠，Gamefi倒是一條路，一級市場也有見到有團隊在嘗試。
不過前幾天看到個消息，Unity（與虛幻引擎兩家一起霸佔遊戲引擎市場多年）也出了自己的AI生成工具Sentis和Muse，現在還在封測階段，明年估計就正式上线了。怎么說呢，感覺Web3圈的遊戲AIGC類項目，屆時可能會被Unity降維打擊……
5.DeFi交易/審計/Yield/風控
這幾類都有看到項目在嘗試，同質化相對不明顯。
1）DeFi交易 - 這個有點Tricky，因爲如果一個交易策略好用，隨着用的人越多，可能策略慢慢也就不怎么好用了，得切換到新策略。再就是好奇AI交易機器人未來的勝率如何，會在普通交易者裏面處於哪個段位。
2）審計 - 目測應該可以幫助快速審處已有的常見的漏洞，沒出現過的新的或是邏輯上的漏洞應該就不行了，這個得進入AGI時代應該才有戲。
3）Yield與風控 - Yield不難理解，你就想像成一個帶AI智能的YFI就行，把錢扔給它，AI根據你的風險偏好自己去找平台Staking，組LP，挖礦之類。風控么，感覺單獨做成一個項目會很奇怪，以插件形式服務與各個借貸或是類似Defi平台感覺更加Make Sense。
6.ZKML
一個目前圈內越來越火的賽道，因爲結合了兩項最爲前沿的技術，一個圈內的ZK，一個圈外的ML（Mechine Learning 機器學習，AI領域的一個狹義分支）。
理論上來說，與ZK的結合可以給ML提供隱私性，完整性和准確性，但是你要硬說有哪些具體使用場景吧，其實很多項目方也想不出來，基建先搭着再說……目前唯一真的剛需的是部分醫療領域的機器學習確實有這個病人數據的隱私需求，至於鏈上遊戲完整性或反作弊之類的敘事，總感覺有些牽強。
這個賽道目前來說就那么幾個明星項目，像是Modulus Labs，EZKL，Giza之類，都是一級市場熱捧的對象。沒法，因爲全世界懂ZK的人本來就那么幾個，懂ZK同時還要懂ML的人才就更少了，所以這個賽道的技術門檻相對其他要高了很多，同質化也相對不明顯。最後就是，ZKML大多針對的是推理，而非訓練。
鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。