精选｜深度解析DeAI的机遇与挑战

原文作者：PonderingDurian，Delphi Digital 研究员

原文编译：Pzai，Foresight News

原标题：Delphi Digital：深度解析DeAI的机遇与挑战

鉴于加密货币本质上是开源软件，具有内置的经济激励机制，同时 AI 正在颠覆编写软件的方式，因此 AI 将对整个区块链领域产生巨大影响。

AI x Crypto 整体堆栈

Table of Contents

DeAI ：机遇与挑战

在我看来，DeAI 面临的最大挑战在于基础设施层，因为建立基础模型需要大量资金，且数据和计算的规模回报也很高。

考虑到扩展法则，科技巨头具有天然的优势：在 Web2 阶段，它们从聚合消费者需求的垄断利润中获得了巨大的利润，并在人为压低费率的十年间将这些利润重新投资于云基础设施，现在，互联网巨头正试图通过占领数据和计算（ AI 的关键要素）来占领 AI 市场：

大模型的 token 体量对比

由于大规模训练的资本密集度和高带宽要求，统一的超级集群仍然是最佳选择——为科技巨头提供性能最好的闭源模型——他们计划以垄断式的利润出租这些模型，并将收益再投资于每一代后续产品。

然而，事实证明， AI 领域的护城河比 Web2 网络效应更浅，领先的前沿模型相对于该领域而言迅速贬值，尤其是 Meta 公司采取「焦土政策」，投入数百亿美元开发的 Llama 3.1 等开源前沿模型，其性能达到了 SOTA 水平。

Llama 3 大模型评分

在这一点上，叠加有关低延迟分散训练方法的新兴研究，可能会使（部分）前沿商业模式商品化——随着智能价格的下降，竞争会（至少部分）从硬件超级集群（有利于科技巨头）转向软件创新（略微有利于开源 / 加密货币）。

能力指数（质量）- 训练价格分布图

考虑到「混合专家」架构和大模型合成 / 路由的计算效率，我们很有可能面临的并非只有 3-5 个巨型模型的世界，而是一个由数以百万计的模型组成、具有不同成本 / 性能权衡的世界。一个相互交织的智能网络（蜂巢）。

这就构成了一个巨大的协调问题：区块链和加密货币激励机制应该能够很好地帮助解决这一问题。

核心 DeAI 投资领域

软件正在吞噬世界。 AI 正在吞噬软件。而 AI 基本就是数据和计算。

Delphi 看好在这个堆栈中的各组件：

简化 AI x Crypto 堆栈

基础设施

鉴于 AI 的动力来源于数据和计算，DeAI 基础设施致力于尽可能高效地采购数据和计算，并通常采用加密货币激励机制。正如我们前面所提到的，这是竞争中最具挑战性的部分，但考虑到终端市场的规模，这也可能是回报最高的部分。

计算

迄今为止，分布式训练协议和 GPU 市场一直受到延迟的制约，但它们希望协调潜在的异构硬件，为那些被巨头的集成化解决方案拒之门外的人提供成本更低、按需计算的服务。Gensyn、Prime Intellect 和 Neuromesh 等公司正在推动分布式训练的发展，而 io.net、Akash、Aethir 等公司正在实现更接近边缘智能的低成本推理。

基于聚合供应的项目生态位分布

数据

在一个基于更小、更专业模型的无处不在的智能世界中，数据资产的价值和货币化程度越来越高。

迄今为止，DePIN 在很大程度上因其与资本密集型企业（如电信公司）相比能够构建成本更低的硬件网络而备受赞誉。然而，DePIN 最大的潜在市场将出现在新型数据集收集方面，这些数据集将流入链上智能系统：代理协议 ( 稍后讨论）。

在这个世界上，世界上最大的潜在市场——劳动力正在被数据和计算所取代。在这个世界里，De AI 基础设施为非技术人员们提供了一种夺取生产资料的途径，并为即将到来的网络经济作出贡献。

中间件

DeAI 的最终目标是实现有效的可组合计算。就像 DeFi 的资本乐高一样，DeAI 通过无许可的可组合性弥补了当今绝对性能的不足，激励软件和计算原语的开放生态系统随着时间的推移不断进行复利，从而（希望）超越现有的软件和计算原语。

如果说谷歌是「集成」的极端，那么 DeAI 则代表了「模块化」的极端。正如 Clayton Christensen 所提醒的，在新兴产业中，集成式方法往往会通过减少价值链条中的摩擦而取得领先地位，但随着该领域的成熟，模块化价值链条会通过提高堆栈各层中的竞争和成本效率而占有一席之地：

集成式 vs 模块化 AI

我们非常看好对实现这一模块化愿景至关重要的几个类别：

路由

在一个智能碎片化的世界里，如何才能以最佳价格选择正确的模式和时间？需求方聚合器一直在捕捉价值（见聚合理论），而路由功能对于优化网络智能世界中性能与成本之间的帕累托曲线至关重要：

Bittensor 在第一代产品中一直处于领先地位，但也出现了许多专门的竞争对手。

Allora 以「情境感知」和随时间自我完善的方式，在不同「主题」中举办不同模型之间的竞赛，并根据特定条件下的历史准确性为未来预测提供信息。

Morpheus 的目标是成为 Web3 用例的「需求方路由」——本质上是一种拥有开源的本地代理，能够掌握用户的相关上下文，并能通过 DeFi 或 Web3 的「可组合计算」基础设施的新兴构件进行有效路由查询的「Apple Intelligence」。

Agent 互操作性协议，如 Theoriq 和 Autonolas 等，旨在将模块化路由推向极致，使灵活的 Agents 或组件的可组合、复合生态系统成为完全成熟的链上服务。

总之，在一个智能迅速碎片化的世界里，供需方聚合器将发挥极其强大的作用。如果说谷歌是一家价值 200 万美元的公司，为全世界的信息编制索引，那么需求方路由器的赢家——无论是苹果、谷歌还是 Web3 解决方案——即为代理智能编制索引的公司，会产生更大的规模。

协处理器

鉴于其分散性，区块链在数据和计算方面都受到很大限制。如何将用户需要的计算和数据密集型 AI 应用引入区块链？通过协处理器！

协处理器在 Crypto 中的应用层

他们都是提供了不同的技术来「验证」正在使用的基础数据或模型有效的「预言机」，这种方式可以最大限度地减少链上新的信任假设，同时大幅提高其能力。迄今为止，已经有许多项目使用了 zkML、opML、TeeML 和加密经济方法，它们的优缺点各不相同：

协处理器对比

在更高层次上，协处理器对于智能合约的智能化至关重要——提供类似「数据仓库」的解决方案，以为更个性化的链上体验进行查询，或验证给定推理是否正确完成。

TEE ( 可信执行）网络，如 Super, Phala 和 Marlin 等由于其实用性和可承载大规模应用程序的能力使得他们最近越来越受欢迎。

总体而言，协处理器对于将具有高确定性但低性能的区块链与高性能但概率性的智能体融合在一起至关重要。没有协处理器， AI 就不会出现在这一代区块链中。

开发者激励措施

AI 开源开发的最大问题之一是缺乏使其可持续发展的激励机制。 AI 开发是高度资本密集型的，计算和 AI 知识工作的机会成本都非常高。如果没有适当的激励措施来奖励开源贡献，这个领域将不可避免地输给超资本主义的超级计算机。

从 Sentiment 到 Pluralis、Sahara AI 和 Mira ，这些项目的目标都是启动网络，使分散的个人网络能够为网络智能做出贡献，同时给予适当激励。

通过商业模型上的弥补，开源的复利速度应该会加快——为开发人员和 AI 研究人员提供了大科技公司之外的一个全球性选择，并有望根据创造的价值获得丰厚报酬。

虽然要做到这一点非常困难，而且竞争也越来越激烈，但这里的潜在市场是巨大的。

GNN 模型

大语言模型在大型文本库中划分模式并学习预测下一个单词，而图神经网络（GNN）则处理、分析和学习图结构数据。由于链上数据主要由用户与智能合约之间的复杂交互组成，换句话说，就是一个图，因此 GNN 似乎是支持链上 AI 用例的合理选择。

Pond 和 RPS 等项目正试图为 web3 建立基础模型，这些模型可能会在交易、Defi 甚至社交用例中应用，如：

价格预测：链上行为模型预测价格、自动交易策略、情感分析
AI 金融：与现有 DeFi 应用程序的集成、先进的收益策略和流动性利用、更好的风险管理 / 治理
链上营销：更有针对性的空投 / 定位，基于链上行为的推荐引擎

这些模型将大量使用数据仓库解决方案，如 Space and Time, Subsquid, Covalent 和 Hyperline 等，我也非常看好它们。

GNN 可以证明区块链的大模型和 Web3 数据仓库是必不可少的辅助工具，即为 Web3 提供 OLAP （联机分析处理）功能。

应用

在我看来，链上 Agents 可能是解决加密货币众所周知的用户体验问题的关键所在，但更重要的是，过去十年来，我们向 Web3 基础设施投入了数十亿美元，但需求方的利用率却少得可怜。

不用担心，Agents 来了…

AI 在人类行为各维度的测试分数增长

而这些 Agent 利用开放、无需许可的基础设施——跨越支付和可组合计算来实现更加复杂的最终目标，这似乎也是合乎逻辑的。在即将到来的网络化智能经济中，经济流动或许不再是 B -> B ->C，而是用户 -> Agent -> 计算网络 -> Agent -> 用户。这个流动的最终结果是代理协议。应用或服务型企业的开销有限，主要利用链上资源运行，在可组合网络中满足最终用户（或彼此）需求的成本远低于传统企业。就像 Web2 的应用层获取了大部分价值一样，我也是 DeAI 中「胖代理协议」理论的拥趸。随着时间的推移，价值捕获应向堆栈上层转移。