Alliance DAO：AI 與 Web3 融合，有何機遇與挑戰？_WEB

自ChatGPT和GPT-4推出以來，有大量內容探討人工智能如何改變Web3等一切事物。很多行業的開發人員通過利用ChatGPT自動化工作內容，如生成樣板代碼、進行單元測試、創建文檔、調試和檢測漏洞等。雖然本文將探討人工智能如何啟用新的有趣的Web3用例，但主要關注點在于Web3和人工智能之間的互惠關系。少有技術能夠顯著影響人工智能的發展軌跡，而Web3就是其中之一。

Web3如何使人工智能受益？

盡管潛力巨大，但當前的人工智能模型面臨著若干挑戰，包括數據隱私、專有模型執行的公平性以及創建和傳播可信虛假內容的能力等。一些現有的Web3.0技術具有獨特的優勢來應對這些挑戰。

用于機器學習訓練的專有數據集

Web3可以幫助人工智能的一個領域是協作創造專有數據集以供機器學習，即用于數據集創建的PoPW網絡。海量數據集對于準確的ML模型至關重要，但它們的創建可能是一個瓶頸，特別是在需要使用私人數據進行診斷的醫療ML應用中。患者數據隱私問題是個重大障礙，但訪問醫療記錄是訓練這些模型所必需的。然而，由于隱私問題，患者可能不愿意共享他們的醫療記錄。為了解決這個問題，患者可以通過可驗證的方式對他們的醫療記錄進行匿名化處理，以保護他們的隱私，同時仍然可以將其用于ML訓練。

匿名化醫療記錄的真實性是一個問題，因為偽造數據可能會影響模型性能。為了解決這個困境，可以使用零知識證明來驗證匿名化的醫療記錄的真實性。患者可以生成ZKP來證實匿名化記錄確實是原始記錄的副本，即使刪除了個人身份信息同樣可以驗證。這樣，患者可以將匿名記錄和ZKP一起提交給有興趣的各方，并獲得獎勵，而不會犧牲他們的隱私。

FSB呼吁制定更嚴格的全球加密貨幣規則:金色財經報道，由美國、歐盟等二十多個司法管轄區的監管機構組成的金融穩定委員會（FSB）發布了確保加密行業一致和全面監管的建議。這些建議建立在最初于去年10月份提出的建議基礎上，重點是防止FTX和Celsius等公司被指控的行為。[2023/7/17 10:59:47]

對隱私數據運行推理

當前LLM的一個主要弱點是其處理隱私數據的能力。例如，當用戶與ChatGPT交互時，OpenAI收集用戶的數據并將其用于增強模型的訓練，可能會導致敏感信息泄露。此情形曾發生在三星公司。零知識(zk)技術可以幫助解決ML模型在對私有數據執行推斷時出現的一些問題。在這里，我們考慮兩種情況：開源模型和專有模型。

對于開源模型，用戶可以下載模型并在本地運行它們的隱私數據。一個例子是Worldcoin計劃升級WorldID。Worldcoin需要處理用戶的私有生物特征數據，即用戶的虹膜掃描，以創建每個用戶的唯一標識符，稱為IrisCode。在這種情況下，用戶可以在設備中保持其生物特征數據的隱私性，下載用于生成IrisCode的ML模型，本地運行推斷，并創建ZKP來證明他們成功創建了IrisCode。所生成的證據保證了推斷的真實性，同時也保護了數據隱私。ML模型的高效zk證明機制對于此用例至關重要。另一種模型是專有模型。ZKP有兩種可能的方式可以幫助解決這個問題。第一種方法是，在將匿名化數據發送到ML模型之前，使用ZKP對用戶數據進行匿名化，就像在數據集創建案例中討論的那樣。另一種方法是在將預處理輸出發送到ML模型之前，對私有數據進行本地預處理。在這種情況下，預處理步驟隱藏了用戶的私有數據，使其無法被重構。用戶生成一個ZKP來證明預處理步驟的正確執行，然后可以遠程在模型所有者的服務器上執行其余專有模型。這里的應用場景包括AI醫生，可以分析患者的醫療記錄以進行潛在診斷，以及評估客戶私人財務信息的金融風險評估算法。內容真實性和對抗深度偽造技術

數據：比特幣挖礦日收入30天平均值已升至2734萬美元，創去年6月以來新高:4月18日消息，據路透社引援Blockchain.com數據，比特幣挖礦收入的30天平均值已升至每天2734萬美元，為去年6月以來的最高水平。不過，這距離2021年11月創下的6120萬美元的峰值還有一段距離。比特幣挖礦服務公司Luxor分析師Jaran Mellerud表示，去年年底，許多上市礦企瀕臨破產邊緣，以目前的比特幣價格計算，這些公司的現金流量已大幅改善，其中大多數應該可以毫無問題地履行其義務。礦業公司的債務股本比率現在看起來更健康，許多公司在過去幾個月進行了重組并償還了債務。[2023/4/18 14:11:08]

ChatGPT可能已經從那些專注于生成圖片、音頻和視頻的生成式人工智能模型中奪得了風頭。然而，這些模型目前能夠生成逼真的深度偽造內容。最近由AI生成的Drake歌曲就是一個很好的例子。這些深度偽造技術代表著一個重大威脅，有許多創業公司正在嘗試使用Web2技術解決這個問題，但是Web3技術更適合解決這個問題。

在Web3中，用戶交互通過用戶的私鑰進行簽名以證明其有效性。同樣，無論是文本、圖片、音頻還是視頻等內容都可以通過創建者的私鑰進行簽名，以證明其真實性。任何人都可以根據創建者的公共地址驗證簽名，該地址提供在創建者的網站或社交媒體賬戶上。Web3網絡已經建立了所有用于這種用例的基礎設施。FredWilson討論了將內容與公鑰關聯起來如何有效地對抗虛假信息。許多知名的VC已經將他們現有的社交媒體個人資料或去中心化社交媒體平臺與加密公共地址相連，這為數字簽名作為內容認證方法的可信度提供了支持。

盡管這個概念很簡單，但是需要做很多工作來改善這個認證過程的用戶體驗。例如，需要自動化創建內容的數字簽名過程，以為創建者提供無縫的流程。另一個挑戰是如何生成已簽名數據的子集，例如音頻或視頻片段，而無需重新簽名。許多現有的Web3技術都獨特地解決了這些問題。

法院批準Core Scientific從現有債權人處獲得3750萬美元破產貸款:12月23日消息，美國比特幣礦企Core Scientific周四獲得法院批準，從一組現有債權人那里獲得3750萬美元貸款，為其第11章破產案提供資金。

美國破產法官David Jones在德克薩斯州休斯頓舉行的法庭聽證會上批準了Core Scientific的臨時破產貸款。該公司將尋求貸款的最終批準，并獲準在明年1月再借入3750萬美元，不過該公司的律師說，它愿意接受其他貸款機構提供的更好的融資方案。（路透社）[2022/12/23 22:02:48]

專有模型的信任最小化

Web3可以使AI受益的另一個領域是，在提供專有ML模型作為服務時，可以將對服務提供商的信任程度降到最低。用戶可能需要驗證他們是否獲得了花錢購買的的服務，或獲得公平執行ML模型的保證，即所有用戶都使用相同的模型。可以使用ZKP來提供這些保證。在這種架構中，ML模型創建者生成表示ML模型的zk電路。然后在需要時使用電路為用戶推斷生成ZKP。ZKP可以發送給用戶進行驗證，也可以發布到處理用戶驗證任務的公共鏈上。如果ML模型是私有的，獨立第三方可以驗證使用的zk電路確實代表該模型。ML模型的信任最小化，在模型的執行結果具有高風險時將會特別有用。示例包括：

1、ML醫療診斷

在這種用例中，患者向ML模型提交他們的醫療數據以進行潛在診斷。患者需要保證目標ML模型已經正確地應用于他們的數據。推理過程生成一個ZKP，證明了ML模型的正確執行。

2、貸款信用評估

ZKP可以確保銀行和金融機構在評估信用價值時考慮到申請人提交的所有財務信息。此外，ZKP可以通過證明所有用戶使用相同的模型，來證明公平性。

澳洲加密交易平臺Digital Surge宣布進入“自愿托管”階段面臨破產:12月9日消息，澳洲加密交易平臺Digital Surge今日宣布進入“自愿托管”（voluntary administration）階段，該階段是公司在面臨破產風險或已經破產時需要做的事情，這意味著Digital Surge基本確認資不抵債，或將破產。到目前為止，Digital Surge仍未公布多少客戶及多少資金因FTX破產而陷入困境。（abc）

此前報道，11月16日，據澳洲加密交易平臺Digital Surge官網顯示，“受FTX Australia管理部門的影響，我們無法正常運營業務，并暫停了所有存取款業務，另行通知”。[2022/12/9 21:33:31]

3、保險索賠處理

當前的保險索賠處理是手動和主觀的。ML模型可以更好地公正地評估保險單和索賠詳細信息。結合ZKP，這些索賠處理ML模型可以被證明已經考慮了所有保單和索賠細節，并且能保證同一模型用于處理同一保險單下的所有索賠。

解決模型創建的中心化問題

創建和訓練LLM是一個漫長而昂貴的過程，需要特定領域的專業知識、專用計算基礎設施和數百萬美元的計算成本。這些特點可能導致強大的中心化實體，例如OpenAI，它們可以通過限制對其模型的訪問，獲得巨大的權力。

考慮到這些中心化風險，關于Web3如何促進LLM創建中的去中心化問題，就成了研究的重點。一些Web3倡導者提出了分布式計算的方法，與中心化參與者競爭。其核心思想是分布式計算可以是一種更便宜的替代方案。然而，我們的觀點是，這可能不是與中心化參與者競爭的最佳角度。分布式計算的劣勢在于，因不同異構計算設備之間的通信開銷，ML訓練可能會變慢10-100倍。

相反，Web3項目可以專注于以PoPW風格創建獨特且具有競爭力的ML模型。這些PoPW網絡還可以收集數據以構建唯一的數據集來訓練這些模型。一些正在朝著這個方向發展的項目包括Together和Bittensor。

ENS 10月新注冊域名數超17萬個:金色財經報道，11月1日消息，據Dune Analytics數據顯示，以太坊域名服務ENS 10月新注冊域名數超17萬個，達173716個，此外，ENS注冊總域名數達2760205個。[2022/11/1 12:03:06]

AI代理的支付和執行框架

過去幾周見證了AI代理的興起，這些代理利用LLM來推理實現特定目標所需的任務，甚至執行這些任務以實現目標。AI代理浪潮始于BabyAGI，并迅速擴散到包括AutoGPT在內的高級版本。這里的一個重要預測是，AI代理將變得更加專業化，以在某些任務中表現出色。如果存在專門的AI代理市場，則AI代理可以搜索、雇傭和支付其他AI代理來執行特定任務，從而完成主項目。在這個過程中，Web3網絡為AI代理提供了一個理想的環境。對于支付，可以為AI代理配備加密貨幣錢包，用于接收款項和支付給其他AI代理費用。此外，AI代理可以插入加密網絡，以在無許可的情況下委托資源。例如，如果AI代理需要存儲數據，AI代理可以創建一個Filecoin錢包并支付IPFS上的去中心化存儲費用。AI代理還可以委托來自Akash等去中心化計算網絡的計算資源來執行某些任務，甚至擴展其自身的執行能力。

防止AI侵犯隱私

考慮到訓練高效ML模型所需的大量數據，可以預料到任何公共數據都會進入到模型中，以使用這些數據來預測個人行為。此外，銀行和金融機構可以建立自己的ML模型，該模型是基于用戶的財務信息進行訓練的，并且能夠預測用戶未來的財務行為。這可能是對隱私的重大侵犯。唯一減輕這種威脅的方法是，金融交易隱私是默認被保護的。而在Web3中，這種隱私可以通過使用隱私支付區塊鏈和私有DeFi協議來實現。

啟用AI的Web3用例

鏈上游戲

1、非編程游戲玩家的機器人生成

像DarkForest這樣的鏈上游戲創造了一種獨特的范例，玩家可以通過開發和部署執行所需游戲任務的機器人來獲得優勢。這種范式轉變可能會排除沒有代碼能力的游戲玩家。然而，LLM可以改變這一點。LLM可以被精細調整以理解鏈上游戲邏輯，并允許玩家創建反映玩家策略的機器人，而不需要玩家編寫任何代碼。Primodium和AIArena等項目正在致力于為他們的游戲招募人類和AI玩家。

2、機器人戰斗、下注和

鏈上游戲的另一種可能性是完全自主的AI玩家。在這種情況下，玩家是一個AI代理，例如AutoGPT，它使用LLM作為后端并可以訪問外部資源，例如互聯網訪問和潛在的初始加密貨幣資金。這些AI玩家可以以機器人大戰的方式進行投注。這可以為投機和押注這些賭注的結果打開市場。

3、為鏈上游戲創建逼真的NPC

當前的游戲很少關注非玩家角色。NPC的行動有限，并且對游戲進程影響很小。考慮到AI和Web3的協同作用，可以創建更具吸引力的AI控制的NPC，打破可預測性，使游戲更加有趣。這里可能面臨的一個挑戰是如何引入有意義的NPC，同時最小化與NPC活動相關的TPS。NPC活動的TPS要求過高可能導致網絡擁塞和實際玩家的用戶體驗不佳。

去中心化社交媒體

當前去中心化社交平臺的挑戰之一是，與現有的中心化平臺相比，它們沒有提供獨特的用戶體驗。與AI的無縫集成可以提供缺乏Web2替代方案的獨特體驗。例如，AI管理的帳戶可以通過分享相關內容、評論帖子和參與討論來幫助吸引新用戶加入網絡。AI帳戶還可以用于新聞聚合，總結與用戶興趣相匹配的最近趨勢。

去中心化協議的安全性和經濟性設計測試

基于LLM的AI代理，可以自定義目標、創建代碼并執行這些代碼，為去中心化網絡的安全性和經濟可行性提供了實際測試的機會。在這種情況下，AI代理被指示檢查協議的安全或經濟平衡。AI代理可以通過審查協議文檔和智能合約，并確定弱點。然后，AI代理可以獨立地執行攻擊協議的機制，以最大化自己的收益。這種方法模擬了協議在發布后可能你會面臨的實際環境。根據這些測試結果，協議的設計者可以審查協議設計并修補弱點。到目前為止，只有專門的公司，例如Gauntlet，提供此類去中心化協議服務所需的技術技能集。然而，對于接受過Solidity、DeFi機制和以前的開發機制培訓的LLM，我們希望AI代理可以提供類似的功能。

用于數據索引和指標提取的LLM

盡管區塊鏈數據是公開的，但對該數據進行索引并提取有用的見解仍然是一項持續的挑戰。這個領域的一些參與者專注于索引數據和構建復雜的指標以進行銷售，而其他參與者則專注于索引原始交易的主要組成部分，并通過社區貢獻以眾包的形式完成指標創建。隨著最近LLM的進展，我們清楚地看到了數據索引和指標提取可能被顛覆的趨勢。Dune已經意識到了這種威脅，并公布了一個LLM路線圖，包括SQL查詢解釋和基于NLP的查詢潛力等組件。然而，我們預測LLM的影響將更深入。這里的一種可能性是，基于LLM，可以為特定的指標索引數據，并直接與區塊鏈節點交互。像DuneNinja這樣的初創公司已經在探索創新的LLM應用程序，用于數據索引。

引導開發者進入新生態系統

不同的區塊鏈互相競爭，吸引開發人員在該生態系統中構建應用程序。Web3開發人員的活躍，是特定生態系統成功的重要指標之一。對于開發人員而言，一個主要的痛點是在學習和構建新興生態系統時不能及時獲得支持和指導。已經有一些生態系統投資數百萬美元成立了專門的DevRel團隊來支持探索該生態的開發人員。在這方面，新興的LLM已經展示了驚人的結果，可以解釋復雜的代碼，捕捉錯誤甚至創建文檔。精細調整過的LLMs可以與人類經驗相輔相成，顯著提高devrel團隊的工作效率。例如，LLMs可以用于創建文檔、教程、回答常見問題，并且甚至可以通過提供樣板代碼或創建單元測試來支持hackathon中的開發人員。

改進DeFi協議

通過將AI集成到DeFi協議的邏輯中，可以顯著提高許多DeFi協議的性能。到目前為止，在DeFi中集成AI的主要瓶頸是，在鏈上實施AI的成本過高。AI模型可以在鏈下實現，但以前沒有辦法驗證模型執行。但是，借助像Modulus和ChainML這樣的項目，鏈下執行的驗證正在變得可能。這些項目允許在鏈下執行ML模型，同時限制了鏈上成本的擴張。對于Modulus來說，鏈上費用僅限于驗證模型的ZKP；對于ChainML來說，則是支付給去中心化AI執行網絡的預言機費用。

一些可以從AI集成中受益的DeFi用例：

AMM流動性提供，即更新UniswapV3流動性范圍。使用鏈上和鏈下數據進行債務頭寸的清算保護。復雜的DeFi結構化產品，其中保險庫機制由金融AI模型定義，而不是固定策略。這些策略可以包括由AI管理的交易、借貸或期權。可以考慮不同鏈、不同錢包的鏈上信用評分機制。結論

我們相信Web3和AI在文化和技術上是兼容的。與傾向于厭惡機器人的Web2相比，Web3允許AI蓬勃發展，這要歸功于其無需許可的可編程特性。

更廣泛地說，如果您將區塊鏈視為一個網絡，那么我們預計AI將主導網絡的邊緣。這適用于各種消費者應用程序，從社交媒體到游戲。

到目前為止，Web3網絡的邊緣大多是人類。人類發起并簽署交易或實施具有固定策略的機器人來代表他們行動。

隨著時間的推移，我們將在網絡邊緣看到越來越多的AI代理。AI代理將通過智能合約與人類以及彼此進行交互。這些互動將帶來新穎的消費者體驗。

Tags：WEBWEB3ZKPEFIweb3幣圈WEB3.0ZKP價格definer幣幣幣情

比特幣價格