撰文：Geekcartel
隨著AI 敘事的持續升溫，越來越多的關注集中在這條賽道。 Geekcartel 對Web3-AI 賽道的技術邏輯、應用場景及代表專案進行了深入剖析，為您全面呈現該領域的全景與發展趨勢。
一、Web3-AI：技術邏輯與新興市場機會解析
1.1 Web3 與AI 的融合邏輯：如何界定Web-AI 賽道
在過去的一年中，AI 敘事在Web3 行業中異常火爆，AI 專案如雨後春筍般湧現。雖然有許多項目涉及AI 技術，但有些項目僅在其產品的某些部分使用AI，底層的代幣經濟學與AI 產品並無實質關聯，因此這類項目在本文中不屬於Web3-AI 項目的討論之列。
本文的重點在於使用區塊鏈解決生產關係問題，AI 解決生產力問題的項目，這些項目本身提供AI 產品，同時基於Web3 經濟模型作為生產關係工具，二者相輔相成。我們將這類項目歸類為Web3-AI 賽道。為了讓讀者更好的理解Web3-AI 賽道，Geekcartel 將展開介紹AI 的開發流程和挑戰，以及Web3 和AI 結合如何完美解決問題和創造新的應用情境。
1.2 AI 的開發過程與挑戰：從資料收集到模型推理
AI 技術是一項讓電腦模擬、擴展和增強人類智慧的技術。它能夠使電腦能夠執行各種複雜的任務，從語言翻譯，圖像分類再到人臉辨識、自動駕駛等應用場景，AI 正在改變我們生活和工作的方式。
開發人工智慧模型的過程通常包含以下幾個關鍵步驟：資料收集和資料預處理、模型選擇和調優、模型訓練和推理。舉一個簡單的例子，開發一個模型來實現貓和狗圖像的分類，你需要：
資料收集和資料預處理：收集包含貓和狗的影像資料集，可以使用公開資料集或自行收集真實資料。然後為每張圖像標註類別（貓或狗），確保標籤準確無誤。將圖像轉換為模型可以識別的格式，將資料集劃分為訓練集、驗證集和測試集。
模型選擇與調優：選擇適當的模型，例如卷積神經網路（CNN），比較適合影像分類任務。根據不同需求對模型參數或架構調優，通常來說，模型的網路層次可以根據AI 任務的複雜度來調整。在這個簡單的分類範例中，較淺的網路層次可能就足夠。
模型訓練：可以使用GPU、TPU 或高效能運算叢集來訓練模型，訓練時間受模型複雜度和運算能力的影響。
模型推理：模型訓練好的檔案通常稱為模型權重，推理過程是指使用已經訓練好的模型對新資料進行預測或分類的過程。這個過程中可以使用測試集或新資料來測試模型的分類效果，通常用準確率、召回率、F 1-score 等指標來評估模型的有效性。
如圖所示，經過資料收集和資料預處理、模型選擇和調優以及訓練，將訓練好的模型在測試集上進行推理會得出貓和狗的預測值P（probability），即模型推理出是貓或狗的機率。
訓練好的AI 模型可以進一步地整合到各種應用程式中，執行不同任務。在這個例子裡，貓狗分類的AI 模型可以整合到一個手機應用程式中，使用者上傳貓或狗的圖片，就可以獲得分類結果。
然而，中心化的AI 開發過程在以下場景中存在一些問題：
使用者隱私：在中心化的場景裡，AI 的開發過程通常是不透明的。用戶資料可能會在不知情的情況下被竊取並用於AI 訓練。
資料來源取得：小型團隊或個人在取得特定領域資料（如醫學資料）時，可能會面臨資料不開源的限制。
模型選擇與調優：對於小型團隊來說，很難取得特定領域的模型資源或花費大量成本進行模型調校。
算力取得：對個人開發者和小型團隊而言，高昂的GPU 購買成本和雲端算力租賃費用可能構成顯著的經濟負擔。
AI 資產收入：資料標註工作者常常無法獲得與其付出相符的收入，而AI 開發者的研究成果也難以與有需求的買家配對。
中心化AI 場景下存在的挑戰可以透過和Web3 結合，Web3 作為一種新型生產關係，天然適配代表新型生產力的AI，從而推動技術和生產能力的同時進步。
1.3 Web3 與AI 的協同效應：角色轉變與創新應用
Web3 與AI 結合可以增強使用者主權，為使用者提供開放的AI 協作平台，使用戶從Web2 時代的AI 使用者轉變為參與者，創造人人可擁有的AI。同時，Web3 世界與AI 技術的融合還能碰撞出更多創新的應用場景與玩法。
基於Web3 技術，AI 的開發和應用將迎來一個全新的協作經濟體系。人們的資料隱私可以得到保障，資料眾包模式促進AI 模型的進步，許多開源的AI 資源可供使用者使用，共享的算力可以以較低的成本取得。借助去中心化的協作眾包機制和開放的AI 市場，可以實現公平的收入分配體系，從而激勵更多人來推動AI 技術的進步。
在Web3 場景中，AI 能夠在多個賽道上產生正面影響。例如，AI 模型可以整合到智慧合約中，在不同的應用情境下提升工作效率，如市場分析、安全偵測、社交聚類等多種功能。生成式AI 不僅可以讓使用者體驗「藝術家」角色，例如使用AI 技術創建自己的NFT，還可以在GameFi 中創造豐富多樣的遊戲場景和有趣的互動體驗。豐富的基礎設施提供流暢的開發體驗，無論是AI 專家還是想要進入AI 領域的新手都可以在這個世界中找到合適的入口。
二、 Web3-AI 生態專案版圖及架構解讀
我們主要研究了Web3-AI 賽道的41 個項目，並將這些項目劃分為不同的層級。每一層的劃分邏輯如下圖所示，包括基礎設施層、中間層和應用層，每一層又分為不同的板塊。在下一章中，我們將對一些具有代表性的項目進行深入解析。
基礎設施層涵蓋了支援整個AI 生命週期運行的運算資源和技術架構，中間層則包括了連接基礎設施與應用的資料管理、模型開發和驗證推理服務，應用層則聚焦於直接面向使用者的各類應用和解決方案。
基礎設施層：
基礎設施層是AI 生命週期的基礎，本文將算力，AI Chain 和開發平台歸類為基礎設施層。正是這些基礎設施的支持，才能實現AI 模型的訓練與推理，並將功能強大、實用的AI 應用程式呈現給使用者。
去中心化運算網路：可以為AI 模型訓練提供分散式算力，確保高效且經濟的運算資源利用。有些專案提供了去中心化的算力市場，使用者可以以低成本租賃算力或共享算力獲得收益，代表專案如IO.NET 和Hyperbolic 。此外，一些項目衍生出了新玩法，如Compute Labs ，提出了代幣化協議，用戶透過購買代表GPU 實體的NFT，可以以不同方式參與算力租賃以獲取收益。
AI Chain：利用區塊鏈作為AI 生命週期的基礎，實現鏈上鏈下AI 資源的無縫交互，促進產業生態圈的發展。鏈上的去中心化AI 市場可以交易AI 資產如數據、模型、代理等，並提供AI 開發框架和配套的開發工具，代表項目如Sahara AI。 AI Chain 還可以促進不同領域的AI 技術進步，如Bittensor 透過創新的子網路激勵機制來促進不同AI 類型的子網路競爭。
開發平台：有些專案提供AI 代理程式開發平台，也可以實現AI 代理程式的交易，如Fetch.ai 和ChainML 等。一站式的工具幫助開發者更方便地創建、訓練和部署AI 模型，代表專案如Nimble。這些基礎設施促進了AI 技術在Web3 生態系統中的廣泛應用。
中間層：
這一層涉及AI 資料、模型以及推理和驗證，採用Web3 技術可以實現更高的工作效率。
資料：資料的品質和數量是影響模型訓練效果的關鍵因素。在Web3 世界裡，透過眾包資料和協作式的資料處理，可以優化資源利用並降低資料成本。用戶可以擁有數據的自主權，在隱私保護的情況下出售自己的數據，以避免數據被不良商家竊取和牟取高額利潤。對於資料需求方來說，這些平台提供了廣泛的選擇和極低的成本。代表項目如Grass 利用用戶頻寬來抓取Web 數據，xData 透過用戶友好的插件來收集媒體訊息，並支持用戶上傳推文資訊。
此外，一些平台允許領域專家或一般使用者執行資料預處理任務，如影像標註、資料分類，這些任務可能需要專業知識的金融和法律任務的資料處理，使用者可以將技能代幣化，實現資料預處理的協作眾包。代表如Sahara AI 的AI 市場，具有不同領域的資料任務，可以涵蓋多領域的資料場景；而AIT Protocolt 透過人機協同的方式對資料進行標註。
模型：先前提到的AI 開發過程中，不同類型的需求需要匹配適合的模型，圖像任務常用的模型如CNN、GAN，目標檢測任務可以選擇Yolo 系列，文本類任務常見RNN、Transformer 等模型，當然還有一些特定或通用的大模型。不同複雜度的任務所需的模型深度也不同，有時需要對模型調優。
一些專案支援使用者提供不同類型的模型或透過眾包方式協作訓練模型，如Sentient 透過模組化的設計，允許使用者將可信任的模型資料放在儲存層，分發層來進行模型優化，Sahara AI 提供的開發工具內建先進的AI 演算法和計算框架，且具有協作訓練的能力。
推理與驗證：模型經過訓練後會產生模型權重文件，可以用來直接進行分類、預測或其他特定任務，這個過程稱為推理。推理過程通常伴隨著驗證機制，來驗證推理模型的來源是否正確，是否有惡意行為等。 Web3 的推理通常可以整合在智能合約裡，透過呼叫模型進行推理，常見的驗證方式包括ZKML，OPML 和TEE 等技術。代表項目如ORA 鏈上AI 預言機（OAO），引入了OPML 作為AI 預言機的可驗證層， 在ORA 的官網中也提到了他們關於ZKML 和opp/ai（ZKML 結合OPML）的研究。
應用層：
這一層主要是直接面向用戶的應用程序，將AI 與Web3 結合，創造出更多有趣的、創新的玩法，本文主要梳理了AIGC（AI 生成內容）、AI 代理和數據分析這幾個板塊的專案.
AIGC：透過AIGC 可以擴展到Web3 裡的NFT、遊戲等賽道，用戶可以直接透過Prompt（用戶給出的提示詞）來產生文字、圖像和音頻，甚至可以在遊戲中根據自己的喜好產生自訂的玩法。 NFT 專案如NFPrompt ，使用者可以透過AI 產生NFT 在市場上交易；遊戲如Sleepless ，使用者透過對話塑造虛擬伴侶的性格來配合自己的喜好；
AI 代理：指能夠自主執行任務並做出決策的人工智慧系統。 AI 代理通常具備感知、推理、學習和行動的能力，可以在各種環境中執行複雜任務。常見的AI 代理如語言翻譯、語言學習、圖像轉文字等，在Web3 場景中可以產生交易機器人、生成meme 梗圖、鏈上安全偵測等。如MyShell 作為AI 代理平台，提供多種類型的代理，包括教育學習、虛擬伴侶、交易代理等，並且提供用戶友好的代理開發工具，無需代碼即可構建屬於自己的代理。
數據分析：透過融入AI 技術和相關領域的資料庫，來實現數據的分析、判斷、預測等，在Web3 裡，可以透過分析市場數據、聰明錢動態等來輔助用戶進行投資判斷。代幣預測也是Web3 獨特的應用場景，代表專案如Ocean ，官方設定了代幣預測的長期挑戰，同時也發布不同主題的數據分析任務激勵用戶參與。
三、Web3-AI 賽道前緣專案全景解析
一些專案正在探索Web3 與AI 相結合的可能性。 GeekCartel 將透過梳理這個賽道的代表項目，帶領大家感受WEB3-AI 的魅力，了解項目如何實現Web3 與AI 的融合，創造新的商業模式和經濟價值。
Sahara AI : 致力於協作經濟的AI 區塊鏈平台
Sahara AI 在整個賽道上頗具競爭力，其致力於建立一個全面的AI 區塊鏈平台，涵蓋AI 數據、模型、代理以及算力等全方位的AI 資源，底層架構為平台的協作經濟保駕護航。透過區塊鏈技術和獨特的隱私技術確保AI 資產的去中心化所有權和治理貫穿整個AI 開發週期，實現公平的激勵分配。團隊擁有深厚的AI 和Web3 背景，使其完美融合了這兩大領域，也得到了頂級投資者的青睞，在賽道中展現出巨大的潛力。
Sahara AI 不僅限於Web3，因為它打破了傳統AI 領域中資源和機會的不平等分配。透過去中心化的方式，算力、模型和數據在內的AI 關鍵要素不再被中心化巨頭壟斷，每個人都有機會在這個生態裡找到適合自己的定位來獲益，並被激發創造力和群策群力的積極性。
如圖所示，使用者可以作為使用Sahara AI 提供的工具包來貢獻或創造自己的資料集、模型、AI 代理等資產，將這些資產放在AI 市場獲利的同時還可以獲得平台激勵，消費者可按需交易AI 資產。同時，這些交易資訊都會被記錄在Sahara Chain 上，區塊鏈技術和隱私保護措施確保了貢獻的追蹤、資料的安全和報酬的公平性。
在Sahara AI 的經濟系統中，除了上述提到的開發者、知識提供者和消費者的角色，使用者還可以作為投資者，提供資金和資源（GPU、雲端伺服器、RPC 節點等）來支援AI 資產的開發和部署，也可以作為Operator 來維護網路的穩定性，以及作為驗證者來維護區塊鏈的安全性和完整性。不管用戶以哪種方式參與Sahara AI 平台，都會根據其貢獻獲得獎勵和收入。
Sahara AI 區塊鏈平台建立在分層架構之上，鏈上和鏈下的基礎設施使用戶和開發人員能夠有效地為整個AI 開發週期做出貢獻並從中受益。 Sahara AI 平台的架構分為四層：
應用程式層
應用程式層作為使用者介面和主要互動點，提供原生內建的工具包和應用程式以增強使用者體驗。
功能組件：
Sahara ID — 確保用戶安全存取AI 資產和追蹤用戶貢獻；
Sahara Vault — 保護AI 資產的隱私和安全，免受未經授權的存取和潛在威脅；
Sahara Agent — 具備角色對齊（配合使用者行為習慣的互動）、終身學習、多模態感知（可處理多類型的資料）和多工具執行功能；
互動式組件：
Sahara 工具包— 支援技術和非技術使用者創建和部署AI 資產；
Sahara AI 市場— 用於發布、貨幣化和交易AI 資產，提供靈活的許可和多種變現選項。
交易層
Sahara AI 的交易層採用Sahara 區塊鏈，這個L1 配備了管理所有權、歸屬以及平台上AI 相關的交易協議，在維護AI 資產的主權和來源方面起著關鍵作用。 S ahara 區塊鏈整合了創新的Sahara AI 原生的預編譯（SAP）和Sahara 區塊鏈協議（SBP）來支援整個AI 生命週期任務中的基本任務。
SAP 是區塊鏈原生運作層級的內建函數，分別著重於AI 訓練/ 推理過程。 SAP 有助於呼叫、記錄和驗證鏈下AI 訓練/ 推理過程，確保Sahara AI 平台內開發的AI 模型的可信度和可靠性，並保證所有AI 推理的透明性、可驗證性和可追溯性同時。同時，透過SAP 可以實現更快的執行速度、更低的運算開銷和Gas 成本。
SBP 則透過智能合約實施特定於AI 的協議，確保AI 資產和計算結果得到透明可靠的處理。包括包括AI 資產註冊、許可（存取控制）、所有權和歸因（貢獻追蹤）等功能。
資料層
Sahara AI 的資料層旨在優化整個AI 生命週期的資料管理。它充當一個重要的接口，將執行層連接到不同的資料管理機制，並無縫整合鏈上和鏈下資料來源。
數據組件：包括鏈上和鏈下數據，鏈上數據包括AI 資產的元數據、歸屬、承諾和證明等，數據集、AI 模型和補充資訊等儲存在鏈下。
資料管理： Sahara AI 的資料管理方案提供了一套安全措施，透過特有的加密方案確保資料在傳輸過程和靜態狀態下都受到保護。與AI 許可SBP 協作，實現嚴格的存取控制和可驗證，同時提供私有域存儲，使用者的敏感資料可實現增強的安全功能。
執行層
執行層是Sahara AI 平台的鏈下AI 基礎設施，與交易層和資料層無縫交互，以執行和管理與AI 計算和功能相關的協定。根據執行任務，它從數據層安全地提取數據，並動態分配計算資源以實現最佳效能。透過一套專門設計的協定來協調複雜的AI 操作，這些協定旨在促進各種抽象之間的高效交互，底層基礎設施旨在支援高效能AI 運算。
基礎架構： Sahara AI 的執行層基礎架構旨在支援高效能AI 運算，具備快速高效、彈性和高可用性等特性。它透過高效協調AI 運算、自動擴展機制和容錯設計，確保系統在高流量和故障情況下仍然穩定可靠。
抽象：核心抽像是構成Sahara AI 平台上AI 操作基礎的基本組件，包括資料集、模型和計算資源等資源的抽象；高級抽象建立在核心抽象基礎之上，即Vaults 和代理背後的執行接口，可現實更高等級的功能。
協定：抽象執行協定用來執行與Vaults 的交互、代理的交互和協調以及計算的協作等；其中協作計算協議可以實現多個參與之間的聯合AI 模型開發和部署，支援計算資源貢獻和模型聚合；執行層還包括低計算成本的技術模組（PEFT）、隱私保護計算模組和計算防詐騙模組等。
Sahara AI 正在建構的AI 區塊鏈平台致力於實現全面的AI 生態系統，然而這一宏大願景在實現過程中必然會遇到眾多挑戰，需要強大的技術、資源支援和持續的優化迭代。若能成功實現，將成為支撐Web3-AI 領域的中流砥柱，並有望成為Web2-AI 從業人員心中的理想花園。
團隊資訊：
Sahara AI 團隊由一群卓越且富有創造力的成員組成，聯合創始人Sean Ren 是南加州大學教授，曾獲得三星年度AI 研究員、麻省理工學院TR 35 歲以下創新者和福布斯30 位30 歲以下精英等榮譽。共同創辦人Tyler Zhou 畢業於加州大學柏克萊分校，對Web3 有著深入的了解，領導著一支具有AI 和Web3 經驗的全球人才團隊。
自從Sahara AI 創建以來，團隊便從包括微軟、亞馬遜、麻省理工學院、Snapchat、Character AI 在內的頂尖企業中獲得了數百萬美元的收入。目前，Sahara AI 正為30 餘家企業客戶提供服務，在全球擁有超過20 萬名AI 訓練師，Sahara AI 的快速成長讓越來越多得參與者在共享經濟模式中貢獻力量並享有收益。
融資資訊：
截止今年八月，Sahara Labs 成功籌集了4,300 萬美元。最新一輪融資由Pantera Capital、Binance Labs 和Polychain Capital 共同領投。另外也獲得了來自Motherson Group，Anthropic、Nous Research、Midjourney 等AI 領域先驅者的支持。
Bittensor：子網競爭激勵下的新玩法
Bittensor 本身並不是一個AI 商品，也不生產、提供任何AI 產品或服務。 Bittensor 是一個經濟系統，為AI 商品生產者提供了一個高度競爭的激勵結構，從而生產者持續地優化AI 的品質。作為Web3-AI 的早期項目，自推出以來，Bittensor 受到了市場的廣泛關注。根據CoinMarketCap 數據，截至10 月17 日，其市值已超過42.6 億美元，FDV（完全稀釋估值）超過120 億美元。
Bittensor 建構了一個由許多子網路（Subnet）網路連接而成的網路架構架，AI 商品生產者可以創建具有自訂激勵和不同用例的子網路。不同子網路負責不同任務，例如機器翻譯、影像辨識與生成、語言大模型等。例如，Subnet 5 可以建立像Midjourney 一樣的AI 影像。當完成優秀的任務時，將獲得TAO （Bittensor 的代幣）獎勵。
激勵機制是Bittensor 的基本組成部分。它們驅動子網路礦工的行為，並控制子網路驗證者之間的共識。每個子網路都有自己的激勵機制，子網路礦工（Miner）負責執行任務，驗證者（validators）對子網路礦工的結果進行評分。
如圖所示，子網路礦工和子網路驗證者之間的工作流程我們以一個例子來示範：
圖中三個子網路礦工分別對應UID 37、 42 和27 ；四個子網路驗證器分別對應UID 10、 32、 93 和74 。
每個子網路驗證器都維護一個權重向量。向量的每個元素表示分配給子網路礦工的權重，這個權重是根據子網路驗證器對礦工任務完成度的評估來決定的。每個子網路驗證器透過此權重向量對所有子網路礦工進行排序且獨立運行，將其礦工排名權重向量傳輸到區塊鏈。通常，每個子網路驗證器每100 – 200 個區塊向區塊鏈傳輸更新的排名權重向量。
區塊鏈（子張量）等待來自給定子網的所有子網驗證器的最新排名權重向量到達區塊鏈。然後，由這些排名權重向量形成的排名權重矩陣將作為鏈上Yuma 共識模組的輸入提供。
鏈上的Yuma 共識使用此權重矩陣以及與該子網路上的UID 相關的質押量來計算獎勵。
Yuma 共識計算TAO 的共識分配，並將新鑄造的獎勵TAO 分配到與UID 關聯的帳戶中。
子網路驗證器可以隨時將其排名權重向量傳輸到區塊鏈上。但是子網路的Yuma 共識週期在每360 個區塊（即4320 秒或72 分鐘，以每區塊12 秒計）開始時使用最新的權重矩陣。如果子網路驗證器的排名權重向量在360 區塊週期後到達，那麼該權重向量將在下一個Yuma 共識週期開始時使用。每個週期結束完成TAO 獎勵的發放。
Yuma 共識是Bittensor 實現節點公平分配的核心演算法，是結合了PoW 和PoS 元素的混合共識機制。與拜占庭容錯共識機制類似，如果網路中誠實的驗證者佔多數，最終就能共識出正確的決策。
根網路（Root Network）是一種特殊的子網，也就是Subnet 0 。預設情況下，所有子網路中的子網路驗證器中，質押最多的64 個子網路驗證者是根網路中的驗證者。根網路驗證者會根據每個Subnet 產出的品質進行評估並排名， 64 個驗證者的評估結果會被匯總，經過Yuma Consensus 演算法得到最終的emission 結果，並由最終結果給每個Subnet 分配新增發的TAO。
儘管Bittensor 的子網路競爭模式提升了AI 產品的質量，但也面臨一些挑戰。首先，子網路所有者制定的激勵機制決定了礦工的收益，可能會直接影響礦工的工作動機。另一個問題是，驗證者決定每個子網路的代幣分配量，但缺乏明確的激勵措施來選擇有利於Bittensor 長期生產力的子網路。這種設計可能導致驗證者偏向選擇與他們有關係的子網路或那些提供額外利益的子網路。為解決這個問題，Opentensor 基金會的貢獻者提出了BIT 001 ：動態TAO 解決方案，建議透過市場機制來確定所有TAO 質押者競爭的子網代幣分配量。
團隊資訊：
共同創辦人Ala Shaabana 是滑鐵盧大學的博士後，擁有電腦科學的學術背景。另一位共同創辦人Jacob Robert Steeves 畢業於加拿大西蒙弗雷澤大學，擁有近10 年的機器學習研究經驗，並曾在Google擔任軟體工程師。
融資資訊：
Bittensor 除了接受來自OpenTensor Foundation 的資金支持，該基金會是支持Bittensor 的非營利組織。此外，其社群公告已宣布知名加密VC Pantera 和Collab Currency 已經成為了TAO 代幣的持有者，並且將對專案的生態發展提供更多支持。其他幾位主要投資者則是包括Digital Currency Group、Polychain Capital、FirstMark Capital、GSR 等在內的知名投資機構和做市商。
Talus：基於Move 的鏈上AI 代理生態
Talus Network 是一個基於MoveVM 構建的L1 區塊鏈，專為AI 代理設計。這些AI 代理能夠根據預先定義的目標做出決策並採取行動，實現流暢的鏈間交互，同時具備可驗證性。使用者可以使用Talus 提供的開發工具快速建立AI 代理，並將其整合到智能合約中。 Talus 也為AI 模型、數據以及算力等資源提供開放的AI 市場，用戶可以以多種形式參與並將自己的貢獻和資產代幣化。
Talus 的一大特色是其平行執行和安全執行能力。隨著Move 生態的資本入場和優質專案的拓展，Talus 基於Move 的安全執行與AI 代理整合智慧合約的雙重亮點，預計將在市場上引起廣泛關注。同時，Talus 支援的多鏈互動還可以提升AI 代理的效率和促進其他鏈上的AI 繁榮。
根據官方推特訊息，Talus 最近推出了Nexus — — 這是第一個完全鏈上自主AI 代理的框架，這使得Talus 在去中心化AI 技術領域佔據先發優勢，為其在快速發展的區塊鏈AI 市場中提供了重要競爭力。 Nexus 賦能開發者在Talus 網路上創建AI 驅動的數位助理，確保抗審查、透明性和可組合性。和集中化的AI 解決方案不同，透過Nexus，消費者可享有個人化智慧服務，安全管理數位資產、自動化互動，並提升日常數位體驗。
作為第一個面向鏈上代理的開發者工具包，Nexus 為建立下一代消費性加密AI 應用程式提供了基礎。 Nexus 提供了一系列工具、資源和標準，可協助開發者創建能夠執行使用者意圖並在Talus 鏈上相互通訊的代理程式。其中，Nexus Python SDK 彌合了AI 和區塊鏈開發之間的差距，使AI 開發人員無需學習智慧合約程式設計即可輕鬆上手。 Talus 提供使用者友善的開發工具和一系列基礎設施，預計將成為開發者創新的理想平台。
如圖5 所示，Talus 的底層架構是基於模組化的設計，具有鏈下資源和多鏈互動的彈性。基於Talus 的獨特設計，構成繁榮的鏈上智慧代理生態。
協定是Talus 的核心，提供了共識、執行和互通性的基礎，在此基礎上，可以建立鏈上智慧代理，利用鏈下資源和跨鏈功能。
Protochain Node：基於Cosmos SDK 和CometBFT 的PoS 區塊鏈節點，Cosmos SDK 具有模組化設計和高擴展特性，CometBFT 基於拜占庭容錯共識演算法，具有高效能和低延遲的特徵，提供強大的安全性和容錯能力，能夠在部分節點失效或惡意行為的情況下繼續正常運作。
Sui Move 和MoveVM：使用Sui Move 作為智慧合約語言，Move 語言的設計透過消除關鍵漏洞（如重入攻擊、缺少物件所有權的存取控制檢查以及意外的算術溢位/ 下溢）本質上增強了安全性。 Move VM 的架構支援高效的平行處理，使Talus 能夠透過同時處理多個交易來擴展，而不會喪失安全性或完整性。
IBC（區塊鏈間通訊協定, The Inter-Blockchain Communication protocol）：
互通性： IBC 促進了不同區塊鏈之間的無縫互通性，使智慧代理能夠在多個鏈上互動並利用資料或資產。
跨鏈原子性： IBC 支援跨鏈原子交易，這種特性對於維護智慧代理執行操作的一致性和可靠性至關重要，特別是在金融應用或複雜工作流程中。
透過分片實現可擴展性：透過使智慧代理能夠在多個區塊鏈上操作，IBC 間接支援透過分片實現可擴展性。每個區塊鏈可以被視為處理一部分交易的分片，從而減少任何單一鏈上的負載。這使得智慧代理能夠以更分散和可擴展的方式管理和執行任務。
可自訂性和專業化：透過IBC，不同的區塊鏈可以專注於特定的功能或最佳化。例如，一個智慧代理可能會使用一個可以快速交易的鏈進行支付處理，另一個專門用於安全資料儲存的鏈進行記錄保存。
安全性和隔離： IBC 維護了鏈之間的安全性和隔離性，這對於處理敏感操作或資料的智慧代理程式比較有利。由於IBC 確保了鏈間通訊和交易的安全驗證，智慧代理可以在不同鏈之間自信地操作，而不會在安全性上妥協。
Mirror Object（鏡像物件）：
為了在鏈上架構中表示鏈下世界，鏡像物件主要用來進行AI 資源的驗證和鏈接，如：資源唯一性表示和證明、鏈下資源的可交易性、所有權證明表示或所有權的可驗證性。
鏡像物件包括三種不同類型的鏡像物件：模型物件、資料物件和計算物件。
模型物件：模型擁有者可以透過專門的模型註冊表將他們的AI 模型引入生態系統，把鏈下模型轉換到鏈上。模型物件封裝了模型的本質和能力，並在其上直接建構了所有權、管理和貨幣化框架。模型物件是一種靈活的資產，可以透過額外的微調過程來增強其能力，或在必要時透過廣泛的訓練進行完全重塑以滿足特定需求。
資料對象：資料（或資料集）物件作為某人擁有的唯一資料集的數字形式存在。這個物件可以被創建、轉移、授權或轉換為開放資料來源。
計算對象：買家向對象的所有者提出計算任務，所有者隨後提供計算結果及相應的證明。買家持有金鑰，可以用來解密承諾並驗證結果。
AI 堆疊：
Talus 提供了一個SDK 和整合元件，支援智慧代理的開發和與鏈下資源的互動。此AI 堆疊還包括與Oracles 的集成，確保智慧代理能夠利用鏈下資料進行決策和反應。
鏈上智能代理：
Talus 提供了一個智慧代理經濟體系，這些代理可以自主運行，進行決策，執行交易，並與鏈上和鏈下資源互動。
智能代理具有自主性、社會能力、反應性和主動性。自治性使其無需人為幹預即可運行，社會能力使其能夠與其他代理和人類互動，反應性使其能夠感知環境變化並及時響應（Talus 通過監聽器來支持代理響應鏈上和鏈下事件） ，主動性則使其能夠基於目標、預測或預期的未來狀態採取行動。
除了Talus 提供的一系列智慧代理的開發架構和基礎設施，在Talus 上建構的AI 代理程式還支援多種類型的可驗證AI 推理（opML、zkML 等），確保AI 推理的透明度和可信度。 Talus 專門為AI 代理設計的一套設施可以實現鏈上和鏈下資源之間的多鏈互動和映射功能。
Talus 推出的鏈上AI 代理生態對與AI 和區塊鏈的融合技術發展具有重要意義，但實現仍具有一定的難度。 Talus 的基礎設施使開發AI 代理程式具有靈活性和互通性，但隨著越來越多的AI 代理程式在Talus 鏈上運行，這些代理程式之間的互通性和效率是否可以滿足用戶需求，還有待考證。目前Talus 還處於私人測試網階段，且持續的進行開發和更新。期待Talus 未來可以推動鏈上AI 代理生態的進一步發展。
團隊資訊：
Mike Hanono 是Talus Network 創辦人兼執行長。他擁有南加州大學的工業與系統工程學士學位和應用數據科學的碩士學位，並參與美國賓夕法尼亞大學的沃頓商學院項目，具有豐富的數據分析、軟體開發以及專案管理經驗。
融資資訊：
今年2 月，Talus 完成了300 萬美元的第一輪融資，由Polychain Capital 領投，由Dao 5、Hash 3、TRGC、 WAGMI Ventures、Inception Capital 等參投，天使投資人主要來自Nvidia、IBM、Blue 7、Symbolic Capital 以及Render Network。
ORA：鏈上可驗證AI 的基石
ORA 的產品OAO（鏈上AI 預言機）是世界上第一個採用opML 的AI 預言機，可以將鏈外的AI 推理結果引入鏈上。這意味著智能合約可以透過與OAO 交互，從而在鏈上實現AI 功能。此外，ORA 的AI 預言機可以與初始模型發行（IMO）無縫結合，提供全流程的鏈上AI 服務。
ORA 在技術和市場上都擁有先發優勢，作為以太坊上無需信任的AI 預言機，將對其廣泛的用戶群體產生深遠影響，預計未來將看到更多創新的AI 應用場景湧現。開發者現在可以在智能合約中使用ORA 提供的模型實現去中心化推理，並且可以在以太坊、Arbitrum、Optimism、Base、Polygon、Linea 以及Manta 上建立可驗證的AI dApp。除了提供AI 推理的驗證服務，ORA 還提供模型發行服務（IMO）來促進開源模型的貢獻。
ORA 的兩個主要產品是：初始模型發行（IMO）和鏈上AI 預言機（OAO），二者完美契合，實現鏈上AI 模型的獲取和AI 推理的驗證。
IMO 透過代幣化開源AI 模型的所有權來激勵長期的開源貢獻，代幣持有者將獲得鏈上使用該模型產生的部分收入。 ORA 也為AI 開發者提供資金，激勵社群和開源貢獻者。
OAO 帶來鏈上可驗證的AI 推理。 ORA 引進了opML 用作AI 預言機的驗證層。類似與OP Rollup 的工作流程，驗證者或任何網路參與者在挑戰期可以對結果進行檢查，如果挑戰成功則鏈上更新錯誤結果，挑戰期結束後結果最終確定並不可變。
要建立一個可驗證和去中心化的預言機網絡，確保區塊鏈上結果的計算有效性至關重要。這個過程涉及一個證明系統，確保計算是可靠和真實的。
為此，ORA 提供三種證明系統框架：
AI Oracle 的opML（目前ORA 的AI 預言機已經支援opML）
keras 2c ircom 的zkML（成熟和高效能的zkML 框架）
結合zkML 的隱私性和opML 的可擴展性的zk+opML，透過opp/ai 實現未來的鏈上AI 解決方案
opML：
opML（樂觀機器學習）由ORA 發明和開發，將機器學習與區塊鏈技術結合。透過利用類似的Optimistic Rollups 原理，opML 以去中心化的方式確保了計算的有效性。該框架允許對AI 計算進行鏈上驗證，提高了透明度並促進了對機器學習推理的信任。
為確保安全性和正確性，opML 採用以下詐欺防護機制：
結果提交：服務提供者（提交者）在鏈下執行機器學習計算，並將結果提交到區塊鏈上。
驗證期：驗證者（或挑戰者）有預先定義的期限（挑戰期）來驗證提交結果的正確性。
爭議解決：如果驗證者發現結果不正確，他們將啟動互動式爭議遊戲。該爭議遊戲有效地確定了錯誤發生的確切計算步驟。
鏈上驗證：只有被爭議的計算步驟在鏈上透過詐欺證明虛擬機器（FPVM）進行驗證，從而最小化資源使用。
最終確定：如果在挑戰期間沒有提出爭議，或者在爭議解決後，結果將在區塊鏈上最終確定。
ORA 推出的opML 使計算在優化的環境中鏈下執行，爭議時僅在鏈上處理最小的資料。避免零知識機器學習（zkML）所需的昂貴證明生成，降低計算成本。這種方式能夠處理傳統鏈上方法難以實現的大規模計算。
keras 2c ircom （zkML）：
zkML 是一種利用零知識證明在鏈上驗證機器學習推理結果的證明框架。由於其私密性，它可以在訓練和推理過程中保護隱私資料和模型參數，從而解決隱私問題。由於zkML 實際的計算是在鏈下完成的，而鏈上只需驗證結果的有效性，從而減少了鏈上的計算負載。
Keras 2C ircom 由ORA 構建，是第一個經過實戰測試的高級zkML 框架。根據以太坊基金會ESP 資助提案[FY 23 – 1290 ] 對領先的zkML 框架的基準測試，Keras 2C ircom 及其底層circomlib-ml 被證明比其他框架更高性能。
opp/ai（opML + zkML）：
ORA 也提出了OPP/AI（Optimistic Privacy-Preserving AI on Blockchain），將用於隱私的零知識機器學習（zkML）與用於提高效率的樂觀機器學習（opML）整合在一起，創建了為鏈上AI 量身訂做的混合模型。透過對機器學習（ML）模型進行策略性分區，opp/ai 平衡了運算效率和資料隱私，從而實現了安全且高效的鏈上AI 服務。
opp/ai 根據隱私要求將ML 模型劃分為多個子模型：zkML 子模型用來處理敏感資料或專有演算法的元件，使用零知識證明執行，以確保資料和模型的機密性；opML 子模型用來處理效率優先於隱私的元件。使用opML 的樂觀方法執行，以實現最大效率。
綜上所述，ORA 創新的提出了三種證明框架：opML、zkML 以及opp/ai（opML 與zkML 結合），多樣化的證明框架增強了資料隱私和計算效率，為區塊鏈應用帶來了更高的靈活性和安全性。
ORA 作為首創的AI 預言機，擁有巨大的潛力和廣闊的想像空間。 ORA 已經發表了大量研究和成果，展示了其技術優勢。然而，AI 模型的推理過程具有一定的複雜性和驗證成本，鏈上AI 的推理速度能否滿足使用者需求成為一個需要考證的問題。經過時間的驗證與使用者體驗的不斷優化，這類AI 產品或許是提升鏈上Dapp 效率的一大利器。
團隊資訊：
共同創辦人Kartin 畢業於亞利桑那大學的電腦科學專業，曾在Tiktok 擔任技術領導，並在Google擔任軟體工程師。
首席科學家Cathie 擁有南加州大學的電腦科學碩士學位，博士畢業與香港大學心理學和神經科學，曾是以太坊基金會的zkML 研究員。
融資資訊：
今年6 月26 日，ORA 宣布完成2,000 萬的融資，投資機構包括：Polychain Capital、HF 0、Hashkey Capital、SevenX Ventures 和Geekcartel 等。
Grass : AI 模型的資料層
Grass 專注於將公共網路數據轉化為AI 數據集。 Grass 的網路使用使用者多餘的頻寬從網路上抓取數據，而不會取得使用者的個人隱私資訊。這種類型的網路數據對於人工智慧模型的開發和許多其他行業的運作是不可或缺的。用戶可以運行節點並賺取Grass 積分，在Grass 上運行節點就像註冊和安裝Chrome 擴充功能一樣簡單。
Grass 連結AI 需求方和數據提供方，創造了「共贏」的局面，其優勢在於：簡單的安裝作業和未來的空投預期大大促進了用戶的參與度，這也為需求方提供更多的數據源。使用者作為資料提供者無需進行複雜的設定和行動，在使用者無感知的情況下進行資料抓取，清洗等操作。此外，對設備沒有特殊要求，降低了用戶的參與門檻，其邀請機制也有效推動了更多用戶快速加入。
由於Grass 需要進行資料抓取操作，以達到每分鐘數千萬個Web 請求。 這些都需要經過驗證，這將需要比任何L1 所能提供的更多的吞吐量，Grass 團隊在3 月宣布將要建置Rollup 的計劃，以此來支援用戶和建置者驗證資料來源。該計劃透過ZK 處理器對元資料進行批次以進行驗證，每個資料集元資料的證明將儲存在Solana 的結算層上並產生資料帳本。
如圖所示，客戶發出Web 請求，這些請求會通過驗證器並最終路由到Grass 節點，網站的伺服器都會回應網頁請求，允許其資料被抓取並傳回。 ZK 處理器的目的是幫助記錄在Grass 網路上抓取的資料集的來源。 這意味著每當一個節點抓取網路時，他們都可以在不透露任何關於自己的身份資訊的情況下獲得他們的獎勵。計入資料帳本之後，透過圖嵌入模型（Edge Embedding）對收集到的資料進行清洗、結構化，用於AI 訓練。
綜上所述，Grass 允許用戶貢獻多餘的頻寬抓取網路資料賺取被動收入，同時保護個人隱私。這種設計不僅為用戶帶來經濟效益，也為AI 公司提供了去中心化的方式來獲取大量真實數據。
雖然Grass 大大降低了用戶的參與門檻，有利於提升用戶的參與程度，但專案方需要考慮到：真實用戶的參與和「羊毛黨」的湧入可能會帶來大量的垃圾訊息，這將增加數據處理的負擔。因此，專案方需要設定合理的激勵機制，對數據進行定價，以獲得真正有價值的數據。這對專案方和使用者來說都是重要的影響因素。如果使用者對空投分配感到疑惑或不公，可能會對專案方產生不信任，進而影響專案的共識和發展。
團隊資訊：
創辦人Andrej 博士畢業於加拿大約克大學計算和應用數學專業。首席技術長Chris Nguyen 擁有多年的數據處理經驗，其創立的數據公司獲得了多項榮譽，包括IBM 雲端嵌入卓越獎、企業技術30 強和福布斯雲端100 新星等。
融資資訊：
Grass 是Wynd Network 團隊推出的第一個產品，該團隊於2023 年12 月完成了由Polychain Capital 和Tribe Capital 領投的350 萬美元種子輪融資， Bitscale、Big Brain、Advisors Anonymous、Typhon V、Mozaik 等參投。先前由No Limit Holdings 領投Pre-see 輪融資，融資總額達450 萬美元。
今年9 月Grass 完成A 輪融資，由Hack VC 領投，由Polychain, Delphi Digital、Brevan Howard Digital、Lattice fund 等參投，融資金額未揭露。
IO.NET：去中心化的算力資源平台
IO.NET 透過在Solana 上建立一個去中心化的GPU 網絡，聚合全球閒置的網路運算資源。這使AI 工程師能夠以更低成本、更容易取得和更靈活的方式獲得所需的GPU 運算資源。 ML 團隊可以在分散式GPU 網路上建立模型訓練和推理服務工作流程。
IO.NET 不僅為具有閒置算力的用戶提供收入，也大大降低了小型團隊或個人的算力負擔。借助Solana 的高吞吐量和高效能的執行效率，對於GPU 的網路調度有著先天的優勢。
IO.NET 一推出受到了大量的關注和頂級機構的青睞。根據CoinMarketCap 顯示，截止10 月17 日，其代幣的市值已超過2.2 億美元，FDV 已經超過14.7 億美元。
IO.NET 的核心技術之一是IO-SDK，基於Ray 的專用分支（fork）。 （Ray 是OpenAI 使用的開源框架，可以將機器學習等AI 和Python 應用程式擴展到叢集處理大量計算）。利用Ray 的原生並行性，IO-SDK 可以並行化Python 函數，也支援與PyTorch 和TensorFlow 等主流ML 框架的整合。其記憶體儲存可使任務之間快速資料共享，消除序列化延遲。
產品組件：
IO Cloud：設計用於按需部署和管理去中心化的GPU 集群，與IO-SDK 無縫集成，提供擴展AI 和Python 應用程式的綜合解決方案。提供運算能力，同時簡化GPU/CPU 資源的部署與管理。透過防火牆、存取控制和模組化設計來降低潛在風險，隔離不同的功能來增加安全性。
IO Worker：使用者可以透過這個Web 應用程式介面，管理其GPU 節點操作。包括運算活動監控、溫度和功耗追蹤、安裝幫助、安全措施和收入狀況等功能。
IO Explorer：主要為用戶提供全面的統計數據和GPU 雲端各方面的視覺化，讓用戶可以即時查看網路活動、關鍵統計數據、數據點和獎勵交易。
IO ID：用戶可以查看個人帳戶狀況，包括錢包地址活動，錢包餘額以及Claim 收益等。
IO Coin：支援用戶查看IO.NET 的代幣情況。
BC 8.AI：這是由IO.NET 支援的AI 圖片產生網站，使用者可以實現文字到圖片的AI 生成過程。
IO.NET 使用來自加密貨幣礦工，像Filecoin 和Render 這樣的專案以及其他閒置的算力，聚合了超過一百萬個GPU 資源，允許人工智慧工程師或團隊根據自己的需求自訂併購買GPU 計算服務。透過利用全球閒置的運算資源，使提供算力的用戶可以代幣化自己的收益。 IO.NET 不僅優化了資源利用率，還降低了高昂的運算成本，推動了更廣泛的AI 和運算應用。
IO.NET 作為去中心化算力平台，應注重使用者體驗、算力的資源豐富程度和資源的調度監控，這些是在去中心化算力賽道拼勝負的重要籌碼。然而，之前有關於資源調度問題的爭議，有人質疑資源調度和用戶訂單不符。儘管我們無法確定這件事的真實性，但這也提醒了相關項目應該關注這些方面的優化和用戶體驗的提升，失去了用戶的支持，在精美的產品也只是花瓶。
團隊資訊：
創辦人Ahmad Shadid 之前是WhalesTrader 的量化系統工程師；曾經是以太坊基金會的貢獻者和指導者（mentor）。技術長Gaurav Sharma 之前在亞馬遜擔任高級開發工程師，擔任過易貝的架構師，曾在幣安的工程部門就職。
融資資訊：
2023 年5 月1 日，官方宣布完成1,000 萬美元種子輪融資；
2024 年3 月5 日，宣布完成3,000 萬美元A 輪融資，Hack VC 領投，Multicoin Capital、 6 th Man Ventures、M 13、Delphi Digital、Solana Labs、Aptos Labs、Foresight Ventures、Longhash、SevenX、ArkStream、 Animoca Brands、Continue Capital、MH Ventures、Sandbox Games 等參與。
MyShell：連結消費者與創作者的AI 代理平台
MyShell 是一個去中心化的AI 消費者層，連結消費者、創作者和開源研究人員。使用者可以使用平台提供的AI 代理，也可以在MyShell 的開發平台建立自己的AI 代理或應用程式。 MyShell 提供了一個開放的市場供用戶自由的交易AI 代理，在MyShell 的AIpp 商店裡可以看到多種類型的AI 代理，包括虛擬伴侶、交易助理、以及AIGC 類型的代理。
MyShell 作為低門檻的ChatGPT 等各類型的AI 聊天機器人的平替選擇，提供了一個廣泛的AI 功能平台，降低了用戶使用AI 模型和代理的門檻，使用戶能夠獲得全面的AI 體驗。舉個例子，使用者可能想使用Claude 進行文獻整理和寫作優化，同時使用Midjourney 產生優質圖片。通常，這需要用戶在不同平台上註冊多個帳號，並為一些服務支付費用。而MyShell 提供了一站式服務，每天提供免費的AI 額度，用戶無需重複註冊和支付費用。
此外，部分AI 產品對某些地區有限制，而在MyShell 平台上，使用者通常可以流暢地使用各種AI 服務，從而顯著提升用戶體驗。 MyShell 的這些優勢使其成為用戶體驗的理想選擇，為用戶提供了便利、高效和無縫的AI 服務體驗。
MyShell 生態系建立在三個核心元件之上：
自主開發的AI 模型： MyShell 研發了多個開源的AI 模型，包括AIGC 和大型語言模型，使用者可以直接使用；也可以在官方的Github 上找到更多的開源模型。
開放的AI 開發平台：使用者可以輕鬆建立AI 應用程式。 MyShell 平台允許創作者利用不同的模型並整合外部API，借助原生開發工作流程和模組化工具包，創作者可以快速將他們的想法轉化為功能性AI 應用程序，從而加速創新。
公平的激勵生態： MyShell 的激勵方式促進使用者建立滿足個人偏好的內容。創作者在使用自建的應用程式時可獲得原生平台獎勵，也可以從消費者那裡獲得資金。
在MyShell 的創作工坊（Workshop）可以看到支援用戶以三種模式進行AI 機器人的構建，對於專業開發人員和普通用戶來說都可以匹配合適的模式，使用經典模式設定模型參數和指令，可以整合到社群媒體軟體上；開發模式則需要使用者上傳自己的模型檔案；使用ShellAgent 模式可以以無程式碼的形式建構AI 機器人。
MyShell 結合了去中心化的理念和AI 技術，致力於為消費者、創作者和研究人員提供一個開放、靈活和激勵公平的生態系統。透過自主開發的AI 模型、開放的開發平台和多種激勵方式，為使用者提供了豐富的工具和資源來實現他們的創意和需求。
MyShell 整合了多種優質模型，團隊也持續開發眾多AI 模型，以提升使用者體驗。然而，MyShell 在使用過程中仍面臨一些挑戰。例如，有使用者回饋一些模型對中文的支援有待改進。不過，透過查看MyShell 的程式碼倉庫，可以看到團隊持續進行更新和優化，積極傾聽社群的回饋意見。相信在不斷的改進下，未來的使用者體驗會更好。
團隊資訊：
共同創辦人Zengyi Qin 專注於語音演算法研究，擁有麻省理工學院博士學位。在清華大學攻讀學士學位期間，已發表多篇頂尖會議論文。他也擁有機器人技術、電腦視覺和強化學習的專業經驗。另一位共同創辦人Ethan Sun 畢業於牛津大學電腦科學專業, 擁有多年AR+AI 領域的工作經驗。
融資資訊：
2023 年10 月種子輪融資560 萬美元。由INCE Capital 領投，Hashkey Capital、Folius Ventures、SevenX Ventures、OP Crypto 等人參投。
2024 年3 月在其最新的Pre-A 輪融資中獲得了1100 萬美元的融資。本次融資由Dragonfly 領投，Delphi Digital、Bankless Ventures、Maven 11 Capital、Nascent、Nomad、Foresight Ventures、Animoca Ventures、OKX Ventures 和GSR 等投資機構參與。另外，本輪融資也獲得了Balaji Srinivasan、Illia Polosukhin、Casey K. Caruso、Santiago Santos 等天使投資人的支持。
今年8 月，Binance Labs 宣布透過其第六季孵化計畫投資MyShell，具體金額未披露。
四、亟待解決的挑戰與思考
雖然賽道仍處於萌芽階段，但從業人員應該思考一些影響計畫成功的重要因素。以下是需要考慮的方面:
AI 資源的供需平衡：對於Web3-AI 生態項目，如何實現AI 資源供需的平衡，吸引更多有真實需求和願意做出貢獻的人，極為重要。如對於有模型、數據、算力需求的用戶，可能已經習慣了在Web2 平台上取得AI 資源。同時，如何吸引AI 資源提供者來進入Web3-AI 生態內作出貢獻，以及吸引更多的需求方來獲取資源，實現AI 資源的合理匹配，這些也是行業面臨的挑戰之一。
資料挑戰：資料品質直接影響模型訓練效果。在資料收集和資料預處理的過程中確保資料質量，篩選羊毛使用者刷量帶來的大量垃圾數據，將會是資料類專案面臨的重要挑戰。專案方可以透過科學的資料品質控制方法，並更透明地展現資料處理的效果，進而提升資料的可信度，這也將對資料需求方產生更大的吸引力。
安全問題：在Web3 產業中，透過區塊鏈和隱私技術實現AI 資產的鏈上鏈下交互，以防止惡意行為者影響AI 資產質量，保障資料、模型等AI 資源的安全，是必要的考量。一些專案方已經提出了解決方案，但該領域仍處於建設階段。隨著技術的不斷完善，預計將實現更高且經過驗證的安全標準。
使用者體驗：
Web2 使用者通常習慣於傳統的操作體驗，而Web3 專案通常伴隨著複雜的智慧合約、去中心化錢包等技術，這對一般使用者來說可能存在較高的門檻。業界應考慮如何進一步優化使用者體驗和教育設施，吸引更多的Web2 使用者進入Web3-AI 生態。
對於Web3 用戶，建立有效的激勵機制和持續運作的經濟體係是推動用戶長期留存和生態健康發展的關鍵。同時，我們應思考如何最大化利用AI 技術來提高Web3 領域的效率，並創新更多與AI 結合的應用場景和玩法。這些都是影響生態健康發展的關鍵要素。
隨著網路+ 的發展趨勢不斷演進，我們已經見證了無數創新和變革的發生。目前已經有眾多領域的場景與AI 結合，展望未來，AI+ 的時代或許將會遍地開花，徹底改變我們的生活方式。 Web3 和AI 的整合意味著資料的所有權和控制權將回歸用戶，使AI 具有更高的透明度和信任度。這一融合趨勢可望建構更公平和開放的市場環境，並推動各行各業的效率提升和創新發展。我們期待產業建設者共同努力，創造更優秀的AI 解決方案。
參考資料
https://ieeexplore.ieee.org/abstract/document/9451544
https://docs.ora.io/doc/oao-onchain-ai-oracle/introduction
https://saharalabs.ai/
https://saharalabs.ai/blog/sahara-ai-raise-43m
https://bittensor.com/
https://docs.bittensor.com/yuma-consensus
https://docs.bittensor.com/emissions#emission
https://twitter.com/myshell_ai
https://twitter.com/SubVortexTao
https://foresightnews.pro/article/detail/49752
https://www.ora.io/
https://docs.ora.io/doc/imo/introduction
https://github.com/ora-io/keras2c ircom
https://arxiv.org/abs/2401.17555
https://arxiv.org/abs/2402.15006
https://x.com/OraProtocol/status/1805981228329513260
https://x.com/getgrass_io
https://www.getgrass.io/blog/grass-the-first-ever-layer-2-data-rollup
https://wynd-network.gitbook.io/grass-docs/architecture/overview#edge-embedding-models
http://IO.NET
https://www.ray.io/
https://www.techflowpost.com/article/detail_17611.html
https://myshell.ai/
https://www.chaincatcher.com/article/2118663
致謝
在這個新興的基礎設施範式中，仍有許多研究和工作要做，而本文未涉及的領域也很多。如果您對相關的研究主題感興趣，請聯絡Chloe。
非常感謝Severus 和JiaYi 對本文提出的有見地的評論和回饋。最後，感謝JiaYi 的貓咪親情出鏡。
