IOSG：Web3+AI下一個爆發點在哪？

作者：IOSG Ventures

感謝來自 Zhenyang@Upshot, Fran@Giza, Ashely@Neuronets, Matt@Valence, Dylan@Pond 的反饋。

本研究旨在探討對開發者而言哪些人工智能領域最為重要，以及在 Web3 和人工智能領域哪些可能是爆發的下一個機遇。

在分享新的研究觀點之前，首先很高興我們參與了RedPill總計 500 萬美元的第一輪融資，也非常激動，期待接下來能夠和RedPill共同成長！

TL;DR

隨著 Web3 與 AI 的結合成為加密貨幣界的矚目話題，加密世界的 AI 基礎設施構建興旺起來，但實際利用 AI 或為 AI 構建的應用程序並不多，AI 基礎設施的同質化問題逐漸顯現。近期我們參與的 RedPill 的第一輪融資，引發了一些更深入的理解。

• 構建 AI Dapp 的主要工具包括去中心化 OpenAI 訪問、GPU 網絡、推理網絡和代理網絡。
• 之所以說 GPU 網絡比「比特幣挖礦時期」還要熱門，是因為：AI 市場更大，並且增長快速且穩定；AI 每天支持數以百萬計的應用程序；AI 需要多樣化的 GPU 型號和服務器位置；技術比過往更成熟；面向的客戶群也更廣。
• 推理網絡和代理網絡有相似的基礎設施，但關注點不同。推理網絡主要供有經驗的開發者部署自己的模型，而運行非 LLM 模型並不一定需要 GPU。代理網絡則更專注於 LLM，開發者無需自帶模型，而是更注重提示工程和如何將不同的代理聯結起來。代理網絡總是需要高性能的 GPU。
• AI 基礎設施項目承諾巨大，仍在不斷推出新功能。
• 多數原生加密項目仍處於測試網階段，穩定性差，配置複雜，功能受限，還需要時間來證明其安全性和隱私性。
• 假設 AI Dapp 成為大趨勢，還有許多未開發的領域，如監控、與 RAG 相關的基礎設施、Web3 原生模型、內置加密原生 API 和數據的去中心化代理、評估網絡等。
• 垂直整合是一個顯著趨勢。基礎設施項目試圖提供一站式服務，簡化 AI Dapp 開發者的工作。
• 未來將是混合型的。部分推理在前端進行，而部分在鏈上計算，這樣做可以考慮到成本和可驗證性因素。

Source:IOSG

引言

• Web3 與 AI 的結合是當前加密領域中最受矚目的話題之一。才華橫溢的開發者正在為加密世界構建 AI 基礎設施，致力於將智能帶入智能合約。構建 AI dApp 是極其複雜的任務，開發者需要處理的範圍包括數據、模型、計算力、操作、部署和與區塊鏈的整合。針對這些需求，Web3 創始人已經開發出許多初步的解決方案，如 GPU 網絡、社區數據標註、社區訓練的模型、可驗證的 AI 推理與訓練以及代理商店。
• 而在這興旺的基礎設施背景下，實際利用 AI 或為 AI 構建的應用程序並不多。開發者在查找 AI dApp 開發教程時，發現這些與原生加密 AI 基礎設施相關的教程並不多，大多數教程僅涉及在前端調用 OpenAI API。

Source:IOSGVentures

• 當前的應用未能充分發揮區塊鏈的去中心化和可驗證功能，但這種狀況很快將會改變。現在，大多數專注於加密領域的人工智能基礎設施已經啟動了測試網絡，並計劃在未來 6 個月內正式運行。
• 本研究將詳細介紹加密領域人工智能基礎設施中可用的主要工具。讓我們準備迎接加密世界的 GPT-3.5 時刻吧！

1. RedPill：為 OpenAI 提供去中心化授權

前文所提到的我們參投的 RedPill 是一個很好的引入點。

OpenAI 擁有幾種世界級強大的模型，如 GPT-4-vision、GPT-4-turbo 和 GPT-4o，是構建先進人工智能 Dapp 的優選。

開發者可以通過預言機或前端接口調用 OpenAI API 以將其集成到 dApp 中。

RedPill 將不同開發者的 OpenAI API 整合在一個接口下，為全球用戶提供快速、經濟且可驗證的人工智能服務，從而實現了對頂尖人工智能模型資源的民主化。RedPill 的路由算法會將開發者的請求定向到單一貢獻者處。API 請求將通過其分發網絡執行，從而繞過任何來自 OpenAI 的可能限制，解決了加密開發者面臨的一些常見問題，如：

• 限制 TPM（每分鐘代幣）：新賬戶對代幣的使用有限，無法滿足熱門且依賴 AI 的 dApp 的需求。
• 訪問限制：一些模型對新賬戶或某些國家的訪問設置了限制。

通過使用相同的請求代碼但更換主機名，開發者能以低廉的成本、高擴展性和無限制的方式訪問 OpenAI 模型。

2. GPU 網絡

除了使用 OpenAI 的 API，許多開發人員還會選擇自行在家中託管模型。他們可以依託去中心化 GPU 網絡，如 io.net、Aethir、Akash 等流行的網絡，自行建立 GPU 集群並部署及運行各種強大的內部或開源模型。

這樣的去中心化 GPU 網絡，能夠藉助個人或小型數據中心的計算力，提供靈活的配置、更多的服務器位置選擇以及更低的成本，讓開發人員可以在有限的預算內輕鬆進行 AI 相關的試驗。然而，由於去中心化的性質，此類 GPU 網絡在功能性、可用性和數據隱私方面還存在一定的侷限。

過去幾個月，GPU 的需求火爆，超過了之前的比特幣挖礦熱潮。此現象的原因包括：

• 目標客戶增多，GPU 網絡現在服務於 AI 開發者，他們的數量不僅龐大而且更為忠實，不會受到加密貨幣價格波動的影響。
• 相比挖礦專用設備，去中心化 GPU 提供了更多的型號和規格，更能滿趡 iez 要求。尤其是大型模型處理需要更高的 VRAM，而小型任務則有更適合的 GPU 可選。同時，去中心化 GPU 能夠近距離服務終端用戶，降低延遲。
• 技術日趨成熟，GPU 網絡依賴高速區塊鏈如 Solana 結算、Docker 虛擬化技術和 Ray 計算集群等。
• 在投資回報方面，AI 市場正在擴張，新應用和模型的開發機會多，H100 模型的預期回報率為 60-70%，而比特幣挖礦則更為複雜，贏家通吃，產量有限。
• 比特幣挖礦企業如 Iris Energy、Core Scientific 和 Bitdeer 也開始支持 GPU 網絡，提供 AI 服務，並積極購買專為 AI 設計的 GPU，如 H100。

推薦：對於不太重視 SLA 的 Web2 開發者，io.net 提供了簡潔易用的體驗，是個性價比很高的選擇。

3. 推理網絡

這是加密原生 AI 基礎設施的核心。它將在未來支持數十億次 AI 推理操作。許多 AI layer1 或 layer2 為開發者提供了在鏈上原生調用 AI 推理的能力。市場領導者包括 Ritual、Valence 和 Fetch.ai。

這些網絡在以下方面存在差異：

1. 性能（延遲、計算時間）
2. 支持的模型
3. 可驗證性
4. 價格（鏈上消耗成本、推理成本）
5. 開發體驗

3.1 目標

理想的情況是，開發者可以在任何地方，通過任何形式的證明，輕鬆地訪問自定義的 AI 推理服務，整合過程中幾乎沒有任何阻礙。

推理網絡提供了開發者所需的全部基礎支持，包括按需生成和驗證證明、進行推理計算、推理數據的中繼和驗證、提供 Web2 和 Web3 的接口、一鍵式模型部署、系統監測、跨鏈操作、同步集成及定時執行等功能。

Source:IOSGVentures

藉助這些功能，開發者可以將推理服務無縫集成到他們現有的智能合約中。例如，在構建 DeFi 交易機器人時，這些機器人會利用機器學習模型尋找特定交易對的買賣時機，並在基礎交易平臺上執行相應的交易策略。

在完全理想的狀態下，所有的基礎結構都是雲託管的。開發者只需將他們的交易策略模型以通用格式如 torch 上傳，推理網絡就會存儲併為 Web2 和 Web3 查詢提供模型。

所有模型部署步驟完成後，開發者可以直接通過 Web3 API 或智能合約調用模型推理。推理網絡將持續執行這些交易策略，並將結果反饋給基礎智能合約。如果開發者管理的社區資金量很大，還需要提供推理結果的驗證。一旦收到推理結果，智能合約就會根據這些結果進行交易。

Source:IOSGVentures

3.1.1異步與同步

從理論上講，異步執行的推理操作可以帶來更好的性能表現；然而，這種方式在開發體驗上可能讓人感到不便。

在採用異步方式時，開發者需要先將任務提交到推理網絡的智在合約中。當推理任務完成後，推理網絡的智能合約會將結果返回。在這種編程模式下，邏輯被分為推理調用和推理結果處理兩個部分。

Source:IOSGVentures

如果開發者有嵌套的推理調用和大量的控制邏輯，情況會變得更糟。

Source:IOSGVentures

異步編程模式使得它難以與現有的智能合約集成。這需要開發者編寫大量額外的代碼，並進行錯誤處理和管理依賴關係。

相對地，同步編程對於開發者來說更加直觀，但它在響應時間和區塊鏈設計上引入了問題。例如，如果輸入數據是區塊時間或者價格這種快速變動的數據，那麼在推理完成後數據已不再新鮮，這可能會導致在特定情況下智能合約的執行需要回滾。想象一下，你用一個過時的價格來做交易。

Source:IOSGVentures

大部分 AI 基礎架構採用異步處理，但 Valence 正在嘗試解決這些問題。

3.2現實情況

實際上，許多新的推理網絡還在測試階段，如 Ritual 網絡。根據他們的公開文件，這些網絡目前的功能較為有限（諸如驗證、證明等功能還未上線）。他們目前沒有提供一個雲基礎設施以支持鏈上 AI 計算，而是提供了一個框架，用於自我託管 AI 計算並將結果傳遞至鏈上。

這是一個運行 AIGC NFT 的體系結構。擴散模型生成 NFT 並上傳至 Arweave。推理網絡會用這個 Arweave 地址在鏈上鑄造該 NFT。

Source:IOSGVentures

這個過程非常複雜，開發者需要自己部署和維護大多數基礎設施，如配有定製服務邏輯的 Ritual 節點、Stable Diffusion 節點及 NFT 智能合約。

推薦：目前的推理網絡在整合和部署自定義模型方面相當複雜，且在這一階段大多數網絡還不支持驗證功能。將 AI 技術應用到前端會為開發者提供一個相對簡單的選擇。如果你非常需要驗證功能，ZKML 提供商 Giza 是個不錯的選擇。

4. 代理網絡

代理網絡讓用戶能輕鬆自定義代理。這樣的網絡由能自主執行任務、相互交雲以及與區塊鏈網絡交互的實體或智能合約組成，這一切無需人工直接干預。它主要針對 LLM 技術。例如，它可以提供一個深入瞭解以太坊的 GPT 聊天機器人。這種聊天機器人目前的工具較為有限，開發者還不能在此基礎上開發複雜的應用。

Source:IOSGVentures

但是將來，代理網絡將提供更多的工具給代理使用，不僅僅是知識，還包括調用外部 API、執行特定任務的能力等。開發者將能夠將多個代理連接起來構建工作流。例如，編寫 Solidity 智能合約會涉及多個專門的代理，包括協議設計代理、Solidity 開發代理、代碼安全審查代理以及 Solidity 部署代理。

Source:IOSGVentures

我們通過使用提示和場景來協調這些代理的合作。

一些代理網絡的例子包括 Flock.ai、Myshell、Theoriq。

推薦：當今大部分代理的功能都相對有限。對於特定用例，Web2 代理能夠更好的服務，並且擁有成熟的編排工具，例如 Langchain、Llamaindex。

5.代理網絡與推理網絡的差異

代理網絡更側重於 LLM，提供瞭如 Langchain 這樣的工具來整合多個代理。通常情況下，開發者無需親自開發機器學習模型，代理網絡已經將模型開發和部署的過程簡化。他們只需要鏈接必要的代理和工具即可。大多數情況下，最終用戶將直接使用這些代理。

推理網絡則是代理網絡的基礎設施支撐。它提供給開發者較低層次的接入權限。正常情況下，終端用戶不直接使用推理網絡。開發者需要部署自己的模型，這不僅限於 LLM，並且他們可以通過鏈下或鏈上接入點使用它們。

代理網絡和推理網絡並非完全獨立的產品。我們已經開始看到一些豎向整合的產品。他們因為這兩種功能依賴相似的基礎設施，所以同時提供代理和推理能力。

6.新的機會之地

除了模型推理、訓練和代理網絡外，web3 領域還有很多值得探索的新領域：

• 數據集：如何將區塊鏈數據轉變為機器學習可用的數據集？機器學習開發者需要的是更為具體和專題化的數據。例如，Giza 提供了一些高品質的、關於 DeFi 的數據集，專門用於機器學習訓練。理想的數據應不僅僅是簡單的表格數據，還應該包括能夠描述區塊鏈世界交互的圖形數據。目前，我們在這方面還有不足。目前有些項目正通過獎勵個人創建新數據集來解決這一問題，比如 Bagel 和 Sahara，它們承諾保護個人數據的隱私。
• 模型存儲：一些模型體積龐大，如何存儲、分發及版本控制這些模型是關鍵，這關係到鏈上機器學習的性能和成本。在這一領域，Filecoin, AR 和 0g 等先鋒性項目已經取得了進展。
• 模型訓練：分佈式且可驗的模型訓練是個難題。Gensyn, Bittensor, Flock 和 Allora 等已有顯著進展。
• 監控：由於模型推理在鏈上與鏈下都有發生，我們需要新的基礎設施來幫助 web3 開發者追蹤模型的使用狀況，及時發現可能存在的問題和偏差。有了合適的監控工具，web3 的機器學習開發者可以及時調整，不斷優化模型精確度。
• RAG 基礎設施：分佈式 RAG 需要全新的基礎設施環境，對存儲、嵌入計算和向量數據庫有較高的需求，同時要確保數據的隱私安全。這與目前的 Web3 AI 基礎設施大不相同，後者大多依賴第三方來完成 RAG，例如 Firstbatch 和 Bagel。
• 專為 Web3 定製的模型：並不是所有模型都適合 Web3 情景。大多數情況下，需要對模型進行重新訓練，以適應價格預測、推薦等具體應用。隨著 AI 基礎設施的繁榮發展，未來我們期望有更多 web3 本地模型來服務於 AI 應用。比如 Pond 正在開發區塊鏈 GNN，用於價格預測、推薦、欺詐偵測和反洗錢等多種場景。
• 評估網絡：在缺乏人類反饋的情況下評估代理是不容易的。隨著代理創建工具的普及，市場上將會出現無數的代理。這就需要有一個系統來展示這些代理的能力，並幫助用戶判斷在特定情況下哪個代理的表現最佳。例如，Neuronets 是這個領域的一個參與者。
• 共識機制：對於 AI 任務，PoS 不一定是最佳選擇。計算複雜性、驗證的困難和確定性的缺失是 PoS 面臨的主要挑戰。Bittensor 創造了一種新的智慧型共識機制，獎勵網絡中為機器學習模型和輸出做出貢獻的節點。

7.未來展望

我們目前觀察到了垂直整合的發展趨勢。通過構建一個基礎的計算層，網絡能夠為多種機器學習任務提供支持，包括訓練、推理及代理網絡服務。這種模式意在為 Web3 的機器學習開發者們提供全方位的一站式解決方案。

目前，鏈上推理儘管成本高昂且速度較慢，但它提供了出色的可驗證性及與後端系統（例如智能合約）的無縫集成。我認為未來將走向混合應用的道路。一部分推理處理將在前端或鏈下進行，而那些關鍵的、決策性的推理則會在鏈上完成。這種模式已經在移動設備上得到了應用。通過利用移動設備的本質特點，它能夠在本地快速運行小型模型，並將更復雜的任務遷移到雲端，利用較大的 LLM 處理。