當(dāng)前，AI 產(chǎn)業(yè)中的計(jì)算和訓(xùn)練環(huán)節(jié)主要由集中化的 Web2 巨頭主導(dǎo)。這些公司憑借強(qiáng)大的資本實(shí)力、最先進(jìn)的硬件設(shè)備以及龐大的數(shù)據(jù)資源，占據(jù)了主導(dǎo)地位。盡管這種情況在開(kāi)發(fā)最強(qiáng)大的通用機(jī)器學(xué)習(xí) (ML) 模型時(shí)可能會(huì)持續(xù)存在，但對(duì)于中端或定制化模型來(lái)說(shuō)，Web3 網(wǎng)絡(luò)可能逐漸成為更經(jīng)濟(jì)且易于獲取的計(jì)算資源來(lái)源。 同樣，當(dāng)推理需求超出個(gè)人邊緣設(shè)備的能力時(shí)，一些消費(fèi)者可能會(huì)選擇 Web3 網(wǎng)絡(luò)，以獲得更少審查、更具多樣性的輸出。相比試圖全面顛覆整個(gè) AI 技術(shù)棧，Web3 的參與者更應(yīng)該聚焦于這些細(xì)分場(chǎng)景，并充分發(fā)揮其在抗審查、透明性和社會(huì)可驗(yàn)證性方面的獨(dú)特優(yōu)勢(shì)。 訓(xùn)練下一代基礎(chǔ)模型 (如 GPT 或 BERT) 所需的硬件資源稀缺且昂貴，最強(qiáng)性能芯片的需求將持續(xù)超過(guò)供應(yīng)。這種資源稀缺性導(dǎo)致硬件集中在少數(shù)擁有充足資金的頭部企業(yè)手中，這些企業(yè)利用這些硬件訓(xùn)練并商業(yè)化了性能最優(yōu)、復(fù)雜度最高的基礎(chǔ)模型。 然而，硬件更新?lián)Q代速度極快。那么，那些過(guò)時(shí)的中端或低性能硬件將如何被利用呢？ 這些硬件很可能被用于訓(xùn)練較為簡(jiǎn)單或針對(duì)性更強(qiáng)的模型。通過(guò)將不同類(lèi)別的模型與不同性能的硬件進(jìn)行匹配，可以實(shí)現(xiàn)資源的最優(yōu)配置。在這種情況下，Web3 協(xié)議可以通過(guò)協(xié)調(diào)訪問(wèn)多樣化、低成本的計(jì)算資源，發(fā)揮關(guān)鍵作用。例如，消費(fèi)者可以使用基于個(gè)人數(shù)據(jù)集訓(xùn)練的簡(jiǎn)單中端模型，并且僅在處理更復(fù)雜的任務(wù)時(shí)，才選擇由集中化企業(yè)訓(xùn)練和托管的高端模型，同時(shí)確保用戶身份被隱藏、提示數(shù)據(jù)被加密。 除了效率問(wèn)題外，人們對(duì)集中化模型中的偏見(jiàn)和潛在審查的擔(dān)憂也在不斷增加。Web3 環(huán)境以其透明性和可驗(yàn)證性著稱，能夠?yàn)槟切┍?Web2 忽視或認(rèn)為過(guò)于敏感的模型提供訓(xùn)練支持。這些模型雖然可能在性能和創(chuàng)新上不具備競(jìng)爭(zhēng)力，但對(duì)社會(huì)的某些群體來(lái)說(shuō)仍然具有重要價(jià)值。因此，Web3 協(xié)議可以通過(guò)提供更開(kāi)放、可信且抗審查的模型訓(xùn)練服務(wù)，在這一領(lǐng)域開(kāi)辟出獨(dú)特的市場(chǎng)。 起初，集中化和去中心化的兩種方法可以并存，各自服務(wù)于不同的用例。然而，隨著 Web3 在開(kāi)發(fā)者體驗(yàn)和平臺(tái)兼容性上的不斷提升，以及開(kāi)源 AI 的網(wǎng)絡(luò)效應(yīng)逐漸顯現(xiàn)，Web3 可能最終在集中化企業(yè)的核心領(lǐng)域展開(kāi)競(jìng)爭(zhēng)。特別是當(dāng)消費(fèi)者越來(lái)越意識(shí)到集中化模型的局限性時(shí)，Web3 的優(yōu)勢(shì)將更加突出。 除了中端或特定領(lǐng)域模型的訓(xùn)練外，Web3 的參與者還具備提供更透明、更靈活的推理解決方案的優(yōu)勢(shì)。去中心化的推理服務(wù)可以帶來(lái)多種好處，例如零停機(jī)時(shí)間、模型的模塊化組合、公開(kāi)的模型性能評(píng)估，以及更加多樣化、無(wú)審查的輸出。這些服務(wù)還能有效避免消費(fèi)者因依賴少數(shù)幾家集中化提供商而面臨的“供應(yīng)商鎖定”問(wèn)題。與模型訓(xùn)練類(lèi)似，去中心化推理層的競(jìng)爭(zhēng)優(yōu)勢(shì)并不在于計(jì)算能力本身，而在于解決了一些長(zhǎng)期存在的問(wèn)題，例如閉源微調(diào)參數(shù)的透明度、缺乏可驗(yàn)證性以及高昂的成本。 Dan Olshansky 提出了一個(gè)很有前景的設(shè)想，即通過(guò) POKT 的 AI 推理路由網(wǎng)絡(luò)，為 AI 研究人員和工程師創(chuàng)造更多機(jī)會(huì)，使他們能夠?qū)⒆约旱难芯砍晒吨T實(shí)踐，并通過(guò)定制化的機(jī)器學(xué)習(xí) (ML) 或人工智能 (AI) 模型獲得額外收入。更重要的是，這種網(wǎng)絡(luò)通過(guò)整合來(lái)自不同來(lái)源的推理結(jié)果（包括去中心化和集中化提供商），能夠促進(jìn)推理服務(wù)市場(chǎng)的更公平競(jìng)爭(zhēng)。 盡管樂(lè)觀預(yù)測(cè)認(rèn)為整個(gè) AI 技術(shù)棧未來(lái)可能完全遷移到鏈上，但從當(dāng)前來(lái)看，這一目標(biāo)仍然面臨數(shù)據(jù)和計(jì)算資源集中化的巨大挑戰(zhàn)，因?yàn)檫@些資源為現(xiàn)有巨頭提供了顯著的競(jìng)爭(zhēng)優(yōu)勢(shì)。然而，去中心化的協(xié)調(diào)和計(jì)算網(wǎng)絡(luò)在提供更個(gè)性化、更經(jīng)濟(jì)、更加開(kāi)放競(jìng)爭(zhēng)且抗審查的 AI 服務(wù)方面，展現(xiàn)了獨(dú)特的價(jià)值。通過(guò)專注于這些價(jià)值最為關(guān)鍵的細(xì)分市場(chǎng)，Web3 可以建立起自己的競(jìng)爭(zhēng)壁壘，確保這一時(shí)代最具影響力的技術(shù)能夠在多種方向上共同演進(jìn)，從而惠及更廣泛的利益相關(guān)者，而不是被少數(shù)幾家傳統(tǒng)巨頭所壟斷。 最后，我想特別感謝 Placeholder Investment 團(tuán)隊(duì)的全體成員，以及來(lái)自 Multicoin Capital 的 Kyle Samani、Canonical VC 的 Anand Iyer、Nectar AI 的 Keccak Wong、Osmosis Labs 的 Alpin Yukseloglu 和 NEAR Foundation 的 Cameron Dennis，他們?cè)诒疚淖珜?xiě)過(guò)程中提供了審閱和寶貴的反饋意見(jiàn)。