FX168财经网_全球视野外汇黄金加密货币NFT资讯网

。动态保费调整是另一个创新领域。通过实时数据分析和机器学习算法，保险公司可以更加精准、及时地调整保费，根据被保险人的实际风险状况进行个性化定价。这种做法不仅使保费更加公平，而且鼓励被保险人采取更健康、更安全的行为，促进全社会的风险管理和预防措施。 D. 版权领域的应用在版权领域，Web3 和人工智能的结合为数字内容创建、管理和代码开发引入了新的范式。通过智能合约和去中心化存储，数字内容的版权信息可以得到更好的保护，让创作者更轻松地追踪和管理自己的知识产权。区块链技术还可以建立透明且不可变的创作记录，为追踪和验证作品提供更可靠的手段。工作模式的创新也代表着版权领域的重大转变。代币激励的协作工作将工作贡献与代币奖励相结合，鼓励创作者、策展人和开发者共同参与项目。这不仅促进了创意团队之间的协作，也让参与者有机会直接从项目的成功中受益，从而催生更多优秀作品。另一方面，使用代币作为版权证明重塑了利益分配模式。通过智能合约自动执行的分红机制，作品的所有参与者都可以在作品被使用、出售或转让时实时获得自己的收益份额。这种去中心化的利益分配模式有效解决了传统版权模式中的不透明和延迟问题，为创作者提供了更加公平、高效的利益分配机制。 E. 虚拟宇宙领域的应用在元宇宙中，Web3与AI的融合为创建低成本AIGC以丰富基于区块链的游戏内容开辟了新的可能性。AI生成的虚拟环境和角色可以丰富游戏内容，为用户提供更加生动多样的体验，同时减少制作的人力和时间成本。创建生动的数字人是元宇宙应用的创新。数字人类具有细到头发的详细物理外观和基于大型语言模型构建的心理逻辑，可以在元宇宙中扮演各种角色。他们可以与用户交互，甚至参与现实世界场景的数字孪生。这为虚拟现实提供了更加真实、深刻的体验，推动数字人技术在娱乐、教育等领域的广泛应用。基于区块链用户画像自动生成广告内容是元宇宙中的智能广告应用。通过分析用户在元宇宙中的行为和偏好，人工智能算法可以创建更加个性化和有吸引力的广告，从而提高点击率和用户参与度。这种广告创作方式不仅更符合用户兴趣，也为广告主提供了更高效的推广渠道。生成式交互式 NFT是元宇宙中一项引人注目的技术。通过将NFT与生成设计相结合，用户可以在元宇宙中参与创作自己的NFT艺术品，赋予其互动性和独特性。这为数字资产的创造和交易开辟了新的可能性，推动了虚拟宇宙中数字艺术和虚拟经济的发展。三．签名 Web3 协议在本节中，作者选择了五个具有代表性的协议来深入了解 Web3 领域中生成式 AI 的现状：Render Network和Akash Network被强调为通用 AI 基础设施协议和 Web3 中 AI 类别的领先者；Bittensor被认定为当前模型训练领域的热门项目；Alethea.ai因其与生成式 AI 应用程序的密切相关性而被选中；Fetch.ai展示了人工智能代理在去中心化Web3世界中的潜力。 3.1 渲染网络（$RNDR） Render Network 由母公司 OTOY 的创始人 Jules Urbach 于 2017 年创立。OTOY 的核心业务是基于云的图形渲染，由 Google 和 Mozilla 联合创始人提供建议，为奥斯卡获奖电影项目做出了贡献，并与 Apple 进行了项目合作。 Render Network 是 OTOY 进军 Web3 领域的举措，旨在利用区块链的分布式特性，将小规模渲染和人工智能需求与去中心化资源连接起来。这一举措旨在为小型工作室节省成本，否则这些小型工作室将租用昂贵的集中式计算资源（例如AWS、MS Azure和阿里云），并为那些拥有闲置计算资源的人提供创收机会。在发布专有渲染器 Octane Render 的 OTOY 的支持下，Render Network 凭借固有的需求和扎实的商业模式推出，很快被认为是一个具有坚实基础和潜力的 Web3 项目。随着生成式AI的兴起，分布式验证和推理任务的需求不断增加，与Render的技术架构完美契合，使其成为未来发展的一个有希望的方向。Render 一直引领着 Web3 领域的 AI 赛道，演变成一个有点像 meme 的实体，每当围绕 AI、元宇宙和分布式计算的叙述升温时，它都会受益于上升趋势，展示了它的多功能性。 2023 年 2 月，Render Network 宣布了更新其定价等级系统的路线图，并为 $RNDR 引入了社区投票的价格稳定机制（尽管发布日期尚未公布）。该项目还宣布从 Polygon 迁移到 Solana（将 $RNDR 代币升级为基于 Solana SPL 的 $RENDER 代币，已于 2023 年 11 月完成）。渲染网络的新定价体系将链上服务分为三个级别，从高到低，每个级别对应不同的价格点和渲染服务质量。这些层根据客户的特定渲染需求为客户提供选择。社区投票的$RNDR价格稳定机制已从不定期回购转变为“销毁和铸币均衡（BME）”模式。这一变化强调 $RNDR 作为交易的稳定币，而不是长期持有资产。一个BME Epoch的具体业务流程如下：产品创建：Render上的产品创建者，即渲染资源的提供者，将闲置的渲染资源打包成产品（节点）并上线，等待使用。购买产品：有渲染需求的客户可以直接销毁$RNDR代币作为服务费用。如果他们没有 $RNDR 代币，他们首先用法定货币在 DEX 上购买它们，然后销毁代币。服务支付的价格公开记录在区块链上。铸造代币：根据预设规则铸造新代币。注：Render Network 收取产品购买者支付的项目运营交易费用的 5%。在每个 BME Epoch 中，都会铸造预设数量的新代币（数量会随着时间的推移而减少）。这些新代币被分发给三方：产品创造者：他们获得的奖励是： A。任务完成：根据各产品节点完成的渲染任务数量进行奖励。 b. 在线奖励：鼓励资源提供者在线完成任务，根据市场待机时间给予奖励。 2. 产品购买者：与购物中心的产品优惠券返还类似，购买者可以获得高达 100% 的 $RNDR 代币返还，鼓励未来使用 Render Network。 3. DEX 流动性提供商：合作 DEX 中的提供商，确保以合理的价格提供 $RNDR 代币以进行必要的销毁，将根据质押的 $RNDR 数量获得奖励。从过去一年$RNDR的价格走势来看，作为Web3中领先的AI赛道项目，$RNDR受益于ChatGPT在2022年底和2023年初带动的AI热潮。随着新代币机制的引入，$RNDR的价格2023年上半年达到顶峰。经过一段时间的稳定后，随着 OpenAI 新版本引发的 AI 复苏、Render Network 向 Solana 的迁移以及新代币机制的预期实施，$RNDR 的价格达到了近期高点。鉴于 $RNDR 的基本面变化很小，未来对 $RNDR 的投资需要谨慎的头寸管理和风险控制。 Dune Analytics仪表板的数据表明，自2023年初以来，渲染任务总数有所增加，但渲染节点数量并未增加。这表明导致工作负载增加的新用户是那些有渲染需求的用户，而不是那些提供渲染资源的用户。鉴于生成式 AI 到 2022 年底将激增，有理由推断额外的渲染任务与生成式 AI 应用程序相关。这种需求的增加是代表长期趋势还是暂时的激增还有待观察，需要进一步观察。 3.2 Akash Network（$AKT） Akash Network 是一个去中心化的云计算平台，旨在为开发者和企业提供更灵活、高效、更具成本效益的云计算解决方案。该项目的“超级云”平台基于分布式区块链技术，利用区块链去中心化的特性，为用户提供全球性、去中心化的云基础设施，包括CPU、GPU、存储等多样化的计算资源。 Akash Network 由拥有丰富项目背景、经验丰富的企业家 Greg Osuri 和 Adam Bozanich 创立，其使命很明确：降低云计算成本、提高可用性并让用户更好地控制计算资源。通过激励提供商通过竞价流程开放闲置计算资源，Akash Network 实现了更有效的资源利用，为资源需求者提供有竞争力的价格。 2023 年 1 月，Akash Network 启动了 Akash Network Economics 2.0 更新，以解决当前代币经济中的各种缺陷，包括： $AKT 市场价格的波动导致长期合同价格和价值的不匹配。对资源提供者释放大量算力的激励不足。社区激励措施不足阻碍了项目的长期发展。 $AKT 的价值捕获不足对项目稳定性构成风险。据官网介绍，Akash网络经济2.0计划中提出的解决方案包括引入稳定币支付、增加订单费用以增加协议收入、增强对资源提供者的激励以及增加社区激励等。值得注意的是，稳定币支付功能和订单费用功能已经实现。作为 Akash 网络的原生代币，$AKT 在协议中具有多种用途，包括用于验证（安全）、激励、网络治理和支付交易费用的质押。据官网显示，$AKT 的总供应量上限为 3.88 亿枚，截至 2023 年 11 月，已解锁约 2.29 亿枚（59%）。项目启动时分配的创世代币于2023年3月完全解锁并进入二级市场。创世代币的分配如下：关于价值获取，白皮书中提到的一个值得注意的尚未实施的功能是 Akash 计划对每一次成功的租赁收取“费用”。这些费用将被发送到收入池以分配给持有人。该计划规定对 AKT 交易收取 10% 的费用，对使用其他加密货币的交易收取 20% 的费用。此外，Akash 打算奖励长期锁定 AKT 持有量的持有者，从而激励长期投资。 CoinGecko 的价格趋势显示，$AKT 在 2023 年 8 月中旬和 11 月下旬经历了上涨，尽管涨幅不如人工智能领域的其他项目，这可能是由于当前的市场情绪所致。总体而言，Akash Network 是 AI 赛道上为数不多的优质项目之一，其基本面优于大多数竞争对手。其潜在的业务收入可以为该协议带来未来的盈利能力，随着人工智能行业的发展和对云计算资源的需求不断增加，Akash Network 有望在下一波人工智能浪潮中取得重大进展。 3.3 Bittensor（$TAO）对于那些熟悉 $BTC 技术架构的人来说，理解 Bittensor 的设计非常简单。事实上，在设计 Bittensor 时，其创建者从加密货币先驱 $BTC 的几个特征中汲取了灵感。其中包括总代币供应量为 2100 万枚，大约每四年产量减半，并涉及工作量证明 (PoW) 共识机制等。为了将其概念化，想象一下最初的比特币生产过程，然后用训练和验证人工智能模型来取代计算密集型的“挖矿”过程，该过程不会创造现实世界的价值。矿工根据人工智能模型的性能和可靠性获得激励。这形成了 Bittensor ($TAO) 项目架构的简单总结。 Bittensor 由人工智能研究人员 Jacob Steeves 和 Ala Shaabana 于 2019 年根据神秘作者 Yuma Rao 撰写的白皮书成立。简而言之，它是一个开源、无需许可的协议，创建了一个由许多子网络连接的网络架构，每个子网络负责不同的任务（机器翻译、图像识别和生成、大型语言模型等）。优秀的任务完成会受到奖励，并且子网络可以相互交互和学习。就目前主要的人工智能模型而言，都是科技巨头大量计算资源和数据投资的结果。这些AI产品表现出色的同时，这种方式也带来了很高的中心化风险。 Bittensor 的基础架构允许交流专家网络进行交互和相互学习，为大规模模型的去中心化训练奠定了基础。Bittensor 的长期愿景是与 OpenAI、Meta 和 Google 等巨头的闭源模型竞争，保持去中心化特征，同时渴望与它们的推理性能相匹配。 Bittensor的技术核心是Yuma Rao独特设计的共识机制，也称为Yuma Consensus，它混合了PoW和Proof of Stake（PoS）的元素。供应方主要涉及“服务器”（矿工）和“验证者”（验证者），而需求方则由使用网络中模型的“客户端”（客户）组成。流程如下：客户端将请求和数据发送给验证器进行处理。验证者将数据分发给特定子网下的矿工。矿工使用他们的模型和接收到的数据进行推理并返回结果。验证者按质量对推理结果进行排名，并记录在区块链上。最好的推理结果返回给客户端，矿工和验证者根据排名和工作量获得奖励。值得注意的是，Bittensor 本身并不在大多数子网络中训练任何模型；它更像是模型提供者和用户之间的纽带，通过较小模型之间的交互进一步提高各种任务的性能。目前，在线有（或已经有）30个子网络，每个子网络对应不同的任务模型。 $TAO 作为 Bittensor 的原生代币，在创建子网络、在子网络中注册、支付服务费用以及向生态系统内的验证者质押方面发挥着至关重要的作用。效仿 BTC 的精神，$TAO 选择公平发布，这意味着所有代币都是通过对网络的贡献生成的。目前，$TAO 的日产量约为 7,200 个代币，均匀分配给矿工和验证者。自项目启动以来，已生产了 2100 万枚代币中的约 26.3%，其中 87.21% 用于质押和验证。该项目还遵循 BTC 大约每四年产量减半的模式，下一次减半计划将于 2025 年 9 月 20 日举行，预计将成为重要的价格驱动因素。从 2023 年 10 月下旬开始，$TAO 的价格趋势出现大幅上涨，这主要是受到 OpenAI 会议之后新一波人工智能热情以及资本转向人工智能领域的推动。 $TAO作为Web3+AI赛道的新项目的出现，其品质、长远的愿景也吸引了投资。但必须承认，与其他AI项目一样，Web3+AI的结合虽然潜力巨大，但尚未在实际业务中找到支撑长期盈利项目的应用。 3.4 Alethea.ai（$OR） Alethea.ai 成立于 2020 年，是一个致力于利用区块链技术为生成内容带来去中心化所有权和治理的项目。 Alethea.ai 的创始人相信，生成式人工智能将带领我们进入一个由生成式内容引起的信息冗余时代，在这个时代，通过简单的复制粘贴或单击即可轻松复制或生成大量数字内容，但原创者很难获得利益。通过将区块链原语（例如 NFT）与生成式人工智能连接起来，他们的目标是确保生成式人工智能及其内容的所有权，并在此之上进行社区治理。在这一理念的推动下，Alethea.ai最初推出了新的NFT标准iNFT，它利用Intelligence Pods将AI动画、语音合成甚至生成式AI嵌入到图像中。Alethea.ai 还与艺术家合作，利用他们的艺术品创建 iNFT，其中一件在苏富比拍卖会上以 478,000 美元的价格售出。 Alethea.ai 随后推出了 AI 协议，允许任何生成式 AI 开发者或创作者无需许可即可使用 iNFT 标准进行创作。为了展示 AI 协议，Alethea.ai 开发了 CharacterGPT，这是一种基于 GPT 等大型模型理论的工具，用于创建交互式 NFT。最近，他们发布了 Open Fusion，使得任何 ERC-721 NFT 都可以与 Intelligence 结合并发布在 AI 协议上。 Alethea.ai 的原生代币是 $ALI，它有四个主要用途：锁定一定数量的$ALI来创建iNFT。锁定的 $ALI 越多，情报舱的级别就越高。 $ALI 持有者参与社区治理。 $ALI 作为 iNFT 之间交互的凭证（尚无实际用例）。从 $ALI 的用例来看，很明显，代币的价值捕获仍然主要基于叙述。过去一年的代币价格趋势证实了这一点：$ALI 受益于 ChatGPT 自 2022 年 12 月开始引领的生成式 AI 热潮。此外，当 Alethea.ai 在 6 月宣布新的 Open Fusion 功能时，引发了价格飙升。然而，除了这些情况之外，$ALI 的价格一直呈下降趋势，甚至没有像类似项目那样对 2023 年底人工智能炒作做出反应。除了原生代币之外，Alethea.ai 的 NFT 项目（包括其官方集合）在 NFT 市场的表现也值得关注。根据 Dune 仪表板的数据，第三方销售的 Intelligence Pods 和 Alethea.ai 的第一方 Revenants 系列在首次发布后逐渐淡出了人们的视线。作者认为，主要原因是最初的新颖性逐渐减弱，没有实质性的价值或社区参与来留住用户。 3.5 Fetch.ai（$FET） Fetch.ai 是一个致力于促进人工智能 (AI) 与区块链技术融合的项目。其目标是通过结合机器学习、区块链和分布式账本技术来构建去中心化的智能经济，以支持智能代理之间的经济活动。 Fetch.ai 由英国科学家 Humayun Sheikh、Toby Simpson 和 Thomas Hain 于 2019 年创立，其创始团队拥有令人印象深刻的背景。 Humayun Sheikh 是 DeepMind 的早期投资者，Toby Simpson 曾在多家公司担任高管职务，Thomas Hain 是谢菲尔德大学人工智能领域的教授。创始人的多元化经历横跨传统IT公司、区块链明星项目、医疗、超级计算领域，为Fetch.ai提供了丰富的行业资源。 Fetch.ai的使命是建立一个由自治经济代理（AEA）和人工智能应用程序组成的去中心化网络平台，使开发人员能够通过创建自治代理来完成预设的目标导向的任务。该平台的核心技术是其独特的三层架构：底层：基于 PoS-uD（无许可权益证明）共识机制，该基础层支持智能合约网络，促进矿工协作以及基本的机器学习训练和推理。中间层：开放经济框架（OEF）为AEA之间交互和底层协议提供共享空间，支持AEA之间的搜索、发现和交易。顶层：AEA 是 Fetch.ai 的核心组件。每个AEA都是一个智能代理软件，能够通过技能模块执行各种功能，执行用户预定义的任务。这些代理并不直接在区块链上运行，而是通过 OEF 与区块链和智能合约进行交互。智能代理软件可以纯粹基于软件，也可以绑定到智能手机、计算机和汽车等物理硬件。Fetch.ai 提供基于 Python 的开发套件 AEA 框架，该框架是模块化的，使开发人员能够构建他们的智能代理。在此架构之上，Fetch.ai 推出了 Co-Learn（智能体之间共享机器学习模型）和 Metaverse（智能体云托管服务）等后续产品和服务，以支持用户在其平台上开发智能体。关于代币，$FET 作为 Fetch.ai 的原生代币，涵盖了支付 Gas、验证质押以及在网络内购买服务等标准功能。超过90%的$FET代币已解锁，具体分配如下：自成立以来，Fetch.ai 经历了多轮代币稀释融资，最近一次是 2023 年 3 月 29 日从 DWF Lab 获得的 3000 万美元投资。鉴于 $FET 代币不能从项目收入中获取价值，其价格动能主要依赖于项目更新和市场对人工智能领域的情绪。事实上，在两次人工智能市场繁荣的浪潮中，Fetch.ai 的价格在 2023 年初和年底经历了超过 100% 的飙升。 Fetch.ai 的发展轨迹更像是一家 Web2.0 人工智能初创公司，重点是完善其技术。它通过持续的筹款和广泛的合作寻求认可和盈利。这种方法为未来在 Fetch.ai 上开发的应用程序留下了充足的空间，但也意味着它可能对其他区块链项目没有那么大的吸引力，从而可能限制生态系统的活力。Fetch.ai 的一位创始人甚至尝试基于 Fetch.ai 推出一个 DEX 项目 Mettalex DEX，但最终以失败告终。作为一个专注于基础设施的项目，生态系统的衰弱也阻碍了 Fetch.ai 内在价值的增长。四．生成式人工智能的美好未来 NVIDIA首席执行官黄仁勋将生成大型模型的推出比作人工智能的“iPhone时刻”，表明人工智能角色的关键转变，高性能计算芯片成为人工智能稀缺资源的核心。锁定Web3 AI子赛道大部分资金的AI基础设施项目仍然是投资者长期关注的焦点。随着芯片巨头逐渐升级计算能力，AI的能力将会扩展，很可能在Web3中催生更多的AI基础设施项目，甚至可能是专门为Web3中的AI训练而设计的芯片。虽然以消费者为中心的生成式人工智能产品仍处于实验阶段，但一些工业级应用已经显示出巨大的潜力。其中一种应用是将现实世界场景转移到数字领域的“数字孪生” 。考虑到工业数据中尚未开发的价值，NVIDIA 的元宇宙数字孪生平台将生成式 AI 定位为工业数字孪生的重要组成部分。在Web3中，包括虚拟世界、数字内容创作和现实世界资产，受人工智能影响的数字孪生将发挥重要作用。新型交互硬件的开发也至关重要。从历史上看，计算领域的每一次硬件创新都带来了革命性的变化和机遇，比如现在无处不在的电脑鼠标或 iPhone 4 的多点触控电容屏。 Apple Vision Pro宣布将于 2024 年第一季度发布，以其令人印象深刻的演示吸引了全球关注，有望为各行业带来意想不到的变化和机遇。以快速内容制作和广泛传播而闻名的娱乐行业往往首先受益于硬件更新。这其中包括Web3的元宇宙、区块链游戏、NFT等，都是值得长期关注和研究的。从长远来看，生成式人工智能的发展代表着量变导致质变。ChatGPT 的核心是推理问答这一长期研究的学术问题的解决方案。只有通过扩展数据和模型迭代，才达到了 GPT-4 令人印象深刻的水平。Web3中的AI应用也类似，目前正处于Web2模型适应Web3的阶段。完全基于 Web3 数据的模型尚未出现。未来富有远见的项目和致力于研究 Web3 特定问题的大量资源将为 Web3 带来自己的 ChatGPT 级杀手级应用程序。生成式人工智能的技术基础还有很多有前景的探索途径，比如思想链技术。这项技术允许大型语言模型在多步推理方面取得重大飞跃。然而，它也凸显甚至加剧了大型模型在复杂逻辑推理方面的局限性。有兴趣的读者可以探索原作者关于Chain-of-Thought的论文。 ChatGPT之后，Web3中出现了各种以GPT为主题的项目，但简单地将GPT与智能合约结合起来并不能满足用户需求。ChatGPT 发布大约一年后，未来仍然拥有巨大的潜力。未来的产品应该从Web3用户的真实需求出发。随着Web3技术的日益成熟，生成式AI在Web3中的应用必将是广阔而令人兴奋的。来源：金色财经

一个包含所有与 Maker 治理相关的实时数据中心。这些数据单元以文档树的形式组织，可提供上下文以防止误读。Atlas 将采用 JSON 格式并标准化，以方便 AI 和编程工具使用它。 Atlas 可以被各种人工智能治理工具 (Governance AI Tools, GAIT) 使用，这些工具通过自动化交互和确定参与者任务的优先级来参与治理。示例用例包括：项目投标：GAIT 可以通过处理文书工作和确保提案符合战略目标来简化生态系统参与者对项目投标的流程。监控违反规则的行为：GAIT 可以帮助监控可交付成果和规则遵守情况，标记潜在问题以供人工审查。专业建议整合：GAIT 可以将专业建议转化为格式化的提案，弥合治理和专业知识之间的差距。数据集成：GAIT 可以轻松地集成新数据和经验，帮助 DAO 学习和适应新状况而不会重复错误。语言包容性：GAIT 可以充当翻译器，使治理以多种语言进行，从而营造一个多元化和包容性的环境。 SubDAO：Atlas 和 GAIT 可以应用于 SubDAO，允许实验和快速开发，并能够从失败中吸取教训。 ? <> ? 我尤为兴奋的 Crypto x AI 的领域是游戏。该领域有很多新颖的游戏可供探索，例如程序内容游戏、生成式虚拟世界、基于 LLM 的叙事、AI 代理相互合作的合作游戏等等。虽然 web2 中有很多关于新游戏的好例子，但在这里我们将重点介绍 web3 的例子。值得一提的是这篇学术文章《Generative Agents: Interactive Simulacra of Human Behavior》唤醒了许多人对多人工智能代理游戏环境的可能性探索。来自斯坦福大学和谷歌的研究人员通过将 LLM 应用于沙盒游戏环境中的代理展示了这种潜力。由 LLM 驱动的代理表现出令人印象深刻的行为包括传播派对邀请，建立友谊，约会，以及协调大家按时参加聚会等等，所有这些都基于单一的用户指定建议。该方法利用了一种架构，该架构扩展了 LLM 以存储和合成更高级别的反馈，从而让代理能够实现更为动态的行为规划。这项研究是迄今为止 web3 中探索最多 (但仍处实验阶段) 的游戏的基础。核心思想是我们如何在模拟环境中使用具有高度自治性或特性的 AI 代理，并围绕它们打造有趣而富有趣味性的游戏。 Parallel TCG 团队的 Parallel Colony 通过让 AI 代理在游戏中为玩家收集资源和代币来探索这一概念。使用 ERC-6551 标准，AI 代理是可以代表用户在游戏中进行交易的 NFT 钱包。AI 代理可以创建、铸造和存储新的游戏道具，并且还具备由团队创建的微调 LLM 所定义的个性，使他们具有非标准化的行为和特质，这些行为和特质可以影响他们在游戏中的行动。不过从概念上讲，最引人入胜的基于 AI 代理的游戏是 Upstreet。Upstreet 是一个虚拟世界项目，具有一些疯狂的创意，例如 AI 代理 SDK、程序任务、浏览器 + VR、拖放互操作性以及一个名为 “The Street” 的环境中的社交功能，玩家可以构建自己的体验并在其中互动。除了玩家之外，还有人工智能代理，开发人员 (及玩家) 可以部署影响游戏环境的个性和目标。最有趣的是他们对 AI Director 的研究和开发，这是一个 AI 代理，它决定一个目标，例如 “从最高的建筑物跳伞” 或 “开始一个新的宗教”，用户和代理作为挑战者参与其中。Director 会在每一个回合结束时确定获胜者，用奖品、代币和 NFT 奖励玩家和代理。这可能会导致非常有趣且复杂的代理与玩家的交互，我们非常高兴看到其发展，特别是，它可以直接导致高价值的 3D 环境研究和数据，为将来的更先进的模型提供更多的数据，OpenAI 似乎也对收购开源 Minecraft 风格的游戏颇感兴趣。用于创建虚拟世界的生成工具是增强游戏的另一个领域。例如，Today 让玩家设计自己的虚拟岛屿并照顾 AI NPC 同伴。尤为独特的是他们使用生成创意工具来促进游戏内 UGC 的开发。由于游戏主要基于这些用户创建的岛屿，因此，为没有 3D 游戏开发或艺术技能的玩家提供丝滑的资产开发机会非常重要。可以说，围绕元宇宙风格的游戏玩法之所以低迷，很大程度上是因为缺乏内容，而从短期来看，恰恰可以通过使用生成工具来补救这一点。 AI 代理需要训练，而训练本身可以成为一个有趣的游戏供玩家探索。AI Arena 提供了一种新颖的 AI 代理训练方式，让玩家玩 Super Smash Bros 风格的游戏，通过模仿训练慢慢教 AI 代理参加比赛。由于 AI 代理不需要休息，因此它可以全天候地与始终活跃的竞争对手池进行竞争性锦标赛以获得奖品，同时玩家可以异步微调其游戏风格。这将培训变成了一种游戏，并通过代币经济学放大它的效用。人类与强大的人工智能玩家进行大规模的合作游戏在过去是可以做到的，但随着代币经济学的融入，它被提升到了一个新的高度。来自 Modulus Labs 的 Leela vs. the World 是此类游戏形式的实验。在这个实验中，Modulus 采用了 Leela 国际象棋引擎，并通过 zk 电路验证它的输出。玩家可以投入资金押注人类与人工智能的对弈，从而形成一个有趣的预测市场。虽然考虑到目前 zk 的状态，该模型的验证时间会很长，但它无疑开辟了基于大规模协作的电子竞技预测市场和可验证且复杂的 AI 玩家治理机制的可能性挑战。最后，纯链游或自主世界也将通过人工智能得到增强。关于该主题最引人注目的是大型知识模型 (Large Lore Models)，它着眼于使用 LLM 协议层来创建持续的知识，这些知识可以在可修改和相互关联的游戏环境中进行互操作，玩家的行为在自主世界中同时影响多个游戏环境，因此应该携带更高维度的知识来促进故事情节。这非常适合构建在多链游戏环境中的抽象 LLM 层。基础设施 AI x Crypto 基础设施本身就值得用一篇单独的文章介绍，但在这里我将简要介绍我们看到的一些正在形成想法。分布式计算要理解加密经济系统对计算的需求，首先要理解核心问题。迄今为止，GPU 容量存在极大的瓶颈，最好的硬件，如 H100，等待时间长达一年。与此同时，初创公司正在筹集巨额资金来购买硬件，政府正在争先恐后地为国防目的而采购，即使是像 OpenAI 这样资金最充裕的团队也因为计算能力有限而不得不暂停功能发布。很多专注于去中心化计算和 DePIN 的团队在这里看到了机会：引导无许可的集群来满足需求，同时提供加密激励和最低利润，使网络在定价上与 web2 同行具有高度竞争力，同时为硬件供应商提供更好的回报。机器学习大致可分为四个主要的计算工作量：数据预处理：准备原始数据并将其转换为可用的格式。训练：让 ML 模型在大型数据集上进行训练，以学习数据中的模式和关系。微调：可以使用较小的数据集进一步优化 ML 模型，以提高特定任务的性能。推理：运行经过训练和微调的模型以进行预测。我们已经看到了像 Render 和 Akash 这样更通用的计算网络转向服务于更专业的计算，如 AI/ML。例如，Render 已经利用建立在他们网络之上的提供商如 io.net 来更直接地服务 AI 客户，而像 Akash 这样的供应商已经开始引入拥有需求的硬件供应商，并通过直接训练他们自己的模型来展示网络的力量，第一个案例是一个仅在无版权材料上训练的 Stable Diffusion fork。Livepeer 也正在专注于 AI 视频计算，因为他们已经有一个庞大的服务于视频转码用例的网络。此外，一种专门针对 AI 计算的网络正在形成，这让我们认识到围绕协同和验证的核心挑战可以通过围绕 AI 构建链或模型来更直接地解决。Gensyn 是其中比较值得注意的例子，它构建了一个基于基板的 L1，专为并行化和验证而设计。该协议使用并行化将较大的计算工作负载拆分为任务，并将它们异步推送到网络。为了解决验证问题，Gensyn 使用了概率学习证明 (probabilistic proof-of-learning)、基于图的 pinpoint 协议以及基于 staking 和 slashing 的激励系统。尽管 Gensyn 网络尚未上线，但该团队预测，其网络上等效 V100 GPU 的每小时成本约为 0.40 美元。储存之外，替代训练模型也在兴起，例如联合学习 (federated learning)，在意识到区块链可以更适当地激励这些模型后，它在 web3 中复兴。简而言之，联合学习是一种多方独立训练模型的方法，并定期批处理更新并将其发送到全局模型。有很多实践案例，比如谷歌的键盘文本预测算法。在 web3 中，FedML 和 FLock 正在尝试将联合学习方法与代币激励相结合。同样值得注意的是，像 Filecoin 和 Arweave 这样的去中心化数据存储，以及像 Space and Time 这样的数据库，可以在数据预处理方面发挥重要作用。基于共识的 ML 使用区块链的另一种新颖的基础设施形式则是基于共识的机器学习 (ML) 概念。Bittensor 是这一概念的最突出例子：这是一种基于 Substrate 的 L1 区块链，旨在通过使用特定于应用的子网来提高机器学习的效率和协作。每个子网都有自己的激励系统，用于服务各种用例，从 LLM 到预测模型到生成性创新。Bittensor 独特之处在于它如何使用矿工协调优质输出：矿工通过提供他们的 ML 模型的智能输出（由验证者评级）来获得 TAO (其原生代币)。由于矿工因为最佳输出而获得激励，他们会不断改进自己的模型以保持竞争力，从而帮助 Bittensor 完成了在代币经济学的协调下实现更快的学习过程。 TAO 生态系统中最近令人兴奋的发展是动态 TAO 提案，将 Bittensor 过渡到围绕代币排放的更自动化、市场驱动的机制设计，以及推出的 Nous 子网以提供激励模型微调，以便与 OpenAI 等公司竞争。我们可能会看到更多有关此类系统的尝试，例如让 mining 或共识以有利于质量的方式调节模型输出。意图就是您所需要的一切在DeFi中，MEV 领域的最新论点是关于用户意图以及使用经济同性 (economically-aligned) 的解调器来执行这些意图。关于意图的讨论通常百家齐放，但有一点已经变得越来越清晰了：用户的意图需要更高阶的语义上下文才能被解析成可执行代码。LLMs 可能会提供这个语义层。 Propellerheads 提出了迄今为止在意图空间中使用 LLM 的最清晰的愿景：https://www.propellerheads.xyz/blog/blockchain-and-llms。简而言之，LLMs 可以通过语义理解，将接近匹配的意图转化为完全匹配的意图，从而帮助我们找到巧遇需求 (coincidences of wants, CoWs) 的机会。这可以通过向内意图重判 (例如 “购买 LUSD 代替 USDC 可以吗？我找到了一个匹配的限价订单，你将通过这个 CoW 节省 0.3％的交易费用。”) 和向外意图重判 (例如 “我想购买你拥有的这个 BAYC，您愿意以 X ETH 的价格出售吗？”) 来实现。当然还可以有其他结构，这在钱包和多重签名的后账户抽象背景下变得特别有趣。DAIN 和 Autonolas 等项目已经尝试使用代理作为钱包的签名者，例如，出于安全和基于意图的目的，与你的钱包交谈并让它代表你执行交易即将成为现实。同样值得关注的是规模庞大 DeFi 用例，例如基于代理的预测市场、由 AI 管理的经济模型、以及 ML 参数化的 DeFi 应用程序，我的 zkML 文章提供了更为详细的介绍。代理经济迄今为止，我最喜欢的基础设施领域之一是人工智能代理经济。它源自我对世界的愿景，在这个世界中，每个人都有自己的代理，我们雇用那些高质量和训练有素的代理为我们服务，或者让自治代理在复杂的经济行为中实现我们的目标。为了做到这一点，代理必须有一种方式来支付和接收他们的服务费用。传统的支付模式绝对有可能为这些代理开放，但更有可能的是，鉴于其易用性、结算速度和无需许可的性质，代理将以加密货币进行交易。 Autonolas 和 DAIN 是该领域的典型案例。在 Autonolas 中，代理实际上是网络中的节点，致力于实现特定目标，这些节点由服务运营商维护，类似于 Keeper 网络。这些代理可用于各种服务，例如预言机、预测市场、消息传递等。DAIN 采用了类似的方法，使代理能够 “发现、交互、交易和与网络中的其他代理协作”。其他创意除上述内容外，我们还看到：用于微调模型（如 BagelDB）的去中心化向量数据库。用于 API 密钥的钱包和用于 AI 应用程序的 SIWE，例如 Window.ai 数据预配服务索引和搜索工具，如 Kaito 区块浏览器和仪表板，例如 Modulus Labs 的 AI 验证仪表板，它现在正在验证 Upshot 模型的一系列推理。开发助手，如 Dune 的链上 SQL 查询模型模拟代理测试环境用于数据抓取的带宽，如 Grass Network 合成数据和人类 RLHF 平台 DeSci 应用程序，例如 LabDAO 用于蛋白质折叠的分布式 bioML 工具 web3 中涌现出了无数的想法，用于服务于 AI 的各个领域，因此此处仅提供重点内容，但我强烈建议探索上述项目以深入了解其全貌。这一切的交汇 AI 和 Crypto 是协同作用的。两者都倾向于开源、抗审查，并正在创造历史上最大的财富转移。他们需要彼此，并解决彼此的核心挑战。对于 Crypto 来说，AI 解决了用户体验中的问题，促进了更具创造性的链上用例，增强了去中心化组织和智能合约的能力，并在应用和基础设施层解锁了真正的创新。对于 AI 来说，Crypto 解决了真实性和出处问题，加强了围绕开源模型和数据集的协调，有助于引导计算和数据，并使创作者和代理能够更直接地参与到后人工智能经济中去。现在的挑战是加密黑客、团队和项目了解并接受这种转变。创造力是无限的，我们正站在这一切的交汇处。如果你有兴趣了解更多关于这些交汇点的信息，请参加我们在 ETHDenver 举行的 Convergence 会议。来源：金色财经

24小时热点