从产品契合度出发，这轮加密AI还有哪些项目有机会？

原文作者： Evan ⨀

原文编译：深潮 TechFlow

加密与 AI 的交叉领域仍然处于非常初期的阶段。尽管市场上已经涌现了无数的智能代理和代币，但大多数项目似乎只是数字的游戏，各团队都在尝试尽可能多地“射门”。

虽然 AI 是我们这一代的技术革命，但其与加密的结合更多地被视为一种早期接触 AI 市场的流动性工具。

因此，在这个交叉领域，我们已经见证了多个周期，其中大多数叙事都经历了类似“过山车式”的兴衰。

如何打破炒作周期？

那么，加密与 AI 的下一个重大机会来自哪里？什么样的应用或基础设施才能真正创造价值，找到市场契合点？

本文将尝试通过以下框架，探讨这一领域的主要兴趣点：

• AI 如何帮助加密行业？

• 加密行业如何反哺 AI？

特别是对于第二点——去中心化 AI 的机会，我对此尤为感兴趣，并将介绍一些令人兴奋的项目：

• @PrimeIntellect

• @NousResearch

• @PluralisHQ

• @fortytwonetwork

1.AI 如何助力加密行业？

以下是 CV 提供的更全面生态图谱：

https://x.com/cbventures/status/1923401975766355982/photo/1

虽然在消费者 AI、智能代理框架和启动平台等方面还有许多垂直领域，但 AI 已经在以下三个主要方面对加密体验产生了影响：

1.开发者工具

与 Web2 类似，AI 正通过无代码（no-code）和低代码（vibe-code）平台加速加密项目的开发。许多此类应用的目标与传统领域类似，例如 Lovable.dev 。

团队如 @poofnew 和 @tryoharaAI 正在帮助非技术型开发者快速上线并进行迭代，无需深入掌握智能合约知识。这不仅缩短了加密项目的上市时间，还降低了市场理解者和创意人士的入局门槛，即使他们并不具备技术背景。

此外，开发者体验的其他部分也得到了优化，例如智能合约测试和安全性: @AIWayfinder 、 @octane_security

2.用户体验

尽管加密领域在入门流程和钱包体验方面取得了重大进展（如 Bridge、Sphere Pay、Turnkey、Privy），但核心的加密用户体验（UX）并没有发生质的变化。用户仍需手动浏览复杂的区块链浏览器并执行多步骤交易。

AI 智能代理正在改变这一现状，成为新的交互层：

搜索与发现： 团队们正在竞相开发类似“区块链版 Perplexity”的工具。这些基于聊天的自然语言界面使用户能够轻松找到市场信息（alpha）、理解智能合约并分析链上行为，而无需深入处理原始交易数据。

更大的机会在于，智能代理可以成为用户发现新项目、收益机会和代币的入口。 类似于 Kaito 如何帮助项目在其启动平台上获得更多关注，代理能够理解用户行为，并主动将用户所需内容呈现给他们。这不仅能创造可持续的商业模式，还可能通过分成或联盟费用实现盈利。

基于意图的操作： 用户无需点击多个界面，只需表达自己的意图（如“将 $ 1000 的 ETH 兑换成收益最高的稳定币头寸”），代理即可自动执行复杂的多步骤交易。

错误预防： AI 还能防止常见错误，例如输入错误的交易金额、购买诈骗代币或批准恶意合约。

更多关于 Hey Anon 如何实现 DeFAI 自动化的信息 ：

3.交易工具与 DeFi 自动化

目前，许多团队正在竞相开发智能代理，以帮助用户获得更智能的交易信号、代替用户进行交易，或优化和管理策略。

收益优化

代理能够根据利率变化和风险状况，将资金自动在借贷协议、去中心化交易所（DEX）和农场机会之间转移。

交易执行

AI 能够通过更快处理市场数据、管理情绪并遵循预设框架，执行比人工交易更优的策略。

投资组合管理

代理能够重新平衡投资组合、管理风险敞口，并在不同链和协议之间捕捉套利机会。

如果某个代理能够真正且持续地比人类更好地管理资金，这将是对现有 DeFi AI 代理的一次量级提升。目前的 DeFi AI 主要帮助用户执行既定意图，而这将迈向全自动化的资金管理。然而，这种转变的用户接受度类似于电动汽车的推广过程，在规模化验证之前仍存在较大的信任缺口。但如果成功，这一技术有可能捕获该领域内最大的价值。

谁是这一领域的赢家？

虽然一些独立应用可能在分发上占据优势，但更可能的情况是现有协议直接整合 AI 技术：

• DEXs（去中心化交易所） ：实现更智能的路由选择与诈骗保护。

• 借贷协议 ：根据用户风险状况自动优化收益，并在贷款健康因子低于一定标准时偿还借款，减少清算风险。

• 钱包 ：发展为 AI 助手，理解用户意图。

• 交易平台 ：提供 AI 辅助工具，帮助用户坚持其交易策略。

终局展望

加密领域的交互界面将演变为结合对话式 AI，能够理解用户的财务目标，并比用户自己更高效地执行这些目标。

2.加密助力 AI：去中心化 AI 的未来

在我看来，加密对 AI 的助力潜力远大于 AI 对加密的影响。正在从事去中心化 AI 的团队，正在探索一些关于 AI 未来的最根本且实际的问题：

• 能否在没有依赖集中化科技巨头的大规模资本支出的情况下，开发出前沿模型？

• 是否可以协调全球分布式计算资源，来高效训练模型或生成数据？

• 如果人类最强大的技术被少数几家公司掌控，会发生什么？

我强烈推荐阅读 @yb_effect 的关于去中心化 AI（DeAI）的 文章 ，深入了解这一领域。

仅从冰山一角来看，加密与 AI 交汇的下一个浪潮可能会来自那些以研究为先导的学术 AI 团队。这些团队主要源于开源 AI 社区，他们对去中心化 AI 的实际意义和哲学价值有着深刻的理解，并认为这是扩展 AI 的最佳方式。

AI 当前面临的问题是什么？

2017 年，标志性论文《Attention Is All You Need》提出了 Transformer 架构，这一架构解决了深度学习领域几十年来的关键难题。自 2019 年 ChatGPT 推广以来，Transformer 架构成为了大多数大型语言模型（LLMs）的基础，并引发了计算能力竞赛的浪潮。

自那以后，AI 训练所需的计算能力每年增长 4 倍。这导致了 AI 开发的高度集中化，因为预训练依赖于性能更强的 GPU，而这些资源只掌握在最大的科技巨头手中。

• 从意识形态的角度来看，集中化的 AI 是一个问题，因为人类最强大的工具可能随时被其资助者控制或撤回。因此，即便开源团队无法与集中化实验室的进展速度直接竞争，尝试去挑战这一局面仍然至关重要。

加密技术为构建开放模型提供了经济协调的基础。但在实现这一目标之前，我们需要回答一个问题：去中心化 AI 除了满足理想之外，还能解决哪些实际问题？为什么让人们协同工作如此重要？

• 幸运的是，致力于这一领域的团队非常务实。 开源代表了技术扩展的核心理念：通过小规模的协作 ，每个团队都在优化自身的局部最大值，并在此基础上逐步构建，最终 比那些受自身规模和机构惯性限制的集中化方法更快地达到全局最大值。

• 与此同时，特别是在 AI 领域，开源也是创造智能的必要条件——这种智能并非道德化，而是能够适应个体赋予它的不同角色和人格。

在实际操作中，开源可能为解决一些非常现实的基础设施限制打开创新的大门。

计算资源的紧缺现状

AI 模型的训练已经需要庞大的能源基础设施。目前已有多个项目正在建设 1 至 5 吉瓦规模的数据中心。然而，前沿模型的持续扩展将需要超过单一数据中心所能提供的能源，甚至达到与整个城市能源消耗相当的水平。问题不仅是能源输出，还包括单一数据中心的物理限制。

参考资料

即便超越了这些前沿模型的预训练阶段，推理（Inference）阶段的成本也会因新型推理模型和 DeepSeek 的出现而显著增加。如 @fortytwonetwork 团队所述：

“与传统的大型语言模型（LLMs）不同，推理模型优先考虑通过分配更多处理时间来生成更智能的响应。然而，这种转变带来了权衡：相同的计算资源只能处理更少的请求。为了实现这些意义重大的改进，模型需要更多的“思考”时间，这进一步加剧了计算资源的稀缺性。

计算资源的短缺已经非常明显。例如，OpenAI 限制 API 调用为每分钟 10, 000 次，这实际上限制了 AI 应用程序只能同时为大约 3, 000 名用户提供服务。即便是像 Stargate 这样雄心勃勃的项目——一个由特朗普总统最近宣布的 5, 000 亿美元 AI 基础设施计划——也可能只能暂时缓解这一问题。

根据杰文斯悖论（Jevons’ Paradox），效率的提升往往导致资源消耗的增加，因为需求随之上升。随着 AI 模型变得更强大、更高效，计算需求可能因新用例和更广泛的采用而激增。”

那么加密是从哪里来的？区块链如何真正有意义地助力 AI 搜索和发展？

加密技术提供了一种根本不同的方法：全球分布式 + 去中心化训练与经济协调。与其建设新的数据中心，不如利用现有的数百万 GPU——包括游戏设备、加密挖矿设备以及企业服务器——它们大部分时间都处于闲置状态。同样，区块链还可以通过利用消费者设备上的闲置计算资源来实现去中心化推理。

分布式训练面临的一个主要问题是延迟。除了加密元素外，Prime Intellect 和 Nous 等团队正在研究减少 GPU 通信需求的技术突破：

• DiLoCo（Prime Intellect）： Prime Intellect 的实现减少了 500 倍的通信需求，使跨大陆的训练成为可能，并实现了 90-95% 的计算利用率。

• DisTrO/DeMo（Nous Research）： Nous Research 的优化器家族通过离散余弦变换压缩技术，实现了 857 倍的通信需求减少。

然而，传统的协调机制无法解决去中心化 AI 训练中固有的信任挑战，而区块链的固有特性可能在这里找到产品市场契合点（PMF）：

• 验证与容错能力： 去中心化训练面临参与者提交恶意或错误计算的挑战。加密技术提供了密码学验证方案（如 Prime Intellect 的 TOPLOC）以及经济惩罚机制以防止不良行为。

• 无许可参与： 与传统的分布式计算项目需要审批流程不同，加密技术允许真正的无许可贡献。任何拥有闲置计算资源的人都可以立即加入并开始赚取收益，从而最大化可用资源池。

• 经济激励对齐： 基于区块链的激励机制将单个 GPU 拥有者的利益与集体训练目标对齐，使以前闲置的计算资源变得经济上有生产力。

鉴于此，去中心化 AI 堆栈中的团队如何解决 AI 的扩展问题并使用区块链？哪些是证明点？

1. Prime Intellect ： 分布式与去中心化训练

1. DiLoCo ：减少了 500 倍通信需求，使跨大陆训练成为可能。

2. PCCL ：处理动态成员加入、节点故障，并实现了跨大陆 45 Gbit/s 的通信速度。

3. 目前正在通过全球分布的工作节点训练 320 亿参数的模型。

4. 在生产环境中实现了 90-95% 的计算利用率。

5. 成果：成功训练了 INTELLECT-1 （100 亿参数） 和 INTELLECT-2 （320 亿参数） ，实现了跨大陆的大规模模型训练。

2. Nous Research ： 去中心化训练与通信优化

1. DisTrO/DeMo ： 通过离散余弦变换（Discrete Cosine Transform）技术，实现了通信需求的 857 倍减少。

2. Psyche Network ： 利用区块链协调机制，提供容错能力及激励机制以启动计算资源。

3. 在互联网上完成了规模最大的预训练之一， 训练了 Consilience（400 亿参数） 。

3. Pluralis：协议学习（Protocol Learning）与模型并行

Pluralis 采用了一种不同于传统开源 AI 的方法，称为 协议学习 （ Protocol Learning ）。与其他去中心化训练项目（如 Prime Intellect 和 Nous）使用的数据并行方法不同，Pluralis 认为数据并行存在经济缺陷，仅仅依赖计算资源的池化不足以满足训练尖端模型的需求。例如，Llama 3 （4000 亿参数）需要 16, 000 台 8 0G B H100 GPU 进行训练。

来源： 链接

协议学习（Protocol Learning） 的核心理念是为模型训练者引入真实的价值捕获机制，从而汇集大规模训练所需的计算资源。这一机制通过分配与训练贡献成比例的部分模型所有权来实现。在这种架构下，神经网络以协作方式进行训练，但完整的权重集永远无法被任何单一参与者提取（称为 协议模型 Protocol Models ）。在此设置中，任何参与者若想获取完整的模型权重，其所需的计算成本将超过重新训练模型所需的成本。

协议学习的具体运作方式如下：

• 模型碎片化： 每个参与者仅持有模型的部分碎片（shards），而非完整权重。

• 协作训练： 训练过程需要参与者之间传递激活值（activations），但不会让任何人看到完整的模型。

• 推理凭证： 推理需要凭证，这些凭证根据参与者的训练贡献进行分配。通过这种方式，贡献者可以通过模型的实际使用获得收益。

协议学习的意义在于将模型转变为一种经济资源或商品，使其能够被完全金融化。通过这种方式，协议学习有望实现支持真正具有竞争力的训练任务所需的计算规模。Pluralis 结合了闭源开发的可持续性（如闭源模型发布的稳定收益）与开源协作的优势，为去中心化 AI 的发展提供了新的可能性。

Fortytwo：去中心化群体推理

来源： 链接

• 在其他团队专注于分布式和去中心化训练挑战时，Fortytwo 则聚焦于分布式推理，通过群体智能（Swarm Intelligence）解决推理阶段的计算资源稀缺问题。

• Fortytwo 解决了围绕推理的日益严重的计算稀缺问题。为了利用消费级硬件（例如搭载 M2 芯片的 MacBook Air）上的闲置计算能力，Fortytwo 将专门的小型语言模型联网。

• Fortytwo 将多个小型语言模型网络化，这些节点协作评估彼此的贡献，通过点对点的评价放大网络效能。最终生成的响应基于网络中最有价值的贡献，为推理效率提供支持。

• 有趣的是， Fortytwo 的推理网络方法可以与分布式/去中心化训练项目形成互补。设想一个未来的场景：运行在 Fortytwo 节点上的小型语言模型（SLMs）可能正是通过 Prime Intellect 、 Nous 或 Pluralis 训练出来的模型。这些分布式训练项目共同努力，可以打造开源的基础模型（Foundation Models），随后针对特定领域进行微调，并最终通过 Fortytwo 的网络协调完成推理任务。

总结

加密技术与 AI 的下一个重大机遇，不是另一个投机性的代币，而是能够真正推动 AI 发展的基础设施。当前，中心化 AI 面临的扩展瓶颈，正好对应了加密领域在全球资源协调和经济激励对齐方面的核心优势。

去中心化 AI 打开了一个平行宇宙，它不仅可以拓展 AI 架构的可能性，还能在实验自由与实际资源相结合的情况下，探索更多潜在的技术边界。

原文链接