另类专区另类专区亚洲,日韩国产欧美精品综合二区,日本黄色免费在线视频,天天爽夜夜爽免费看

作者｜Mohamed Fouda，AllianceDAO

編譯｜Cecilia,bfrenz DAO

自從 ChatGPT 和 GPT-4 推出后不久，關于 AI 如何徹底改變包括 Web3 在內(nèi)的一切的內(nèi)容就層出不窮了。多行業(yè)的開發(fā)人員都表示，通過利用 ChatGPT 作為解決方案，生產(chǎn)力顯著提高了 50% 到 500%。比如作為開發(fā)人員的一個副手，自動執(zhí)行任務，比如生成樣板代碼、進行單元測試、創(chuàng)建文檔、調(diào)試和檢測漏洞。

雖然本文將探討 AI 如何實現(xiàn)新的有趣的 Web3 用例，但更重要的是詮釋 Web3 和 AI 之間的互利關系。很少有技術有可能對 AI 的發(fā)展軌跡產(chǎn)生重大影響，Web3 就是其中之一。

AI賦能Web3的具體場景

1. 區(qū)塊鏈游戲

為不會編程的游戲玩家生成bot

像 Dark Forest 這種基于區(qū)塊鏈的游戲創(chuàng)造了一種獨特的玩法，玩家可以通過開發(fā)和部署執(zhí)行游戲任務的"機器人"來獲得優(yōu)勢。然而，這種新的玩法可能會使那些不懂編程的玩家感到被排除在外。不過，人工智能語言模型（LLM）的出現(xiàn)可能會改變這一狀況。通過理解區(qū)塊鏈游戲的規(guī)則，然后利用這些規(guī)則創(chuàng)建能夠反映玩家策略的"機器人"，而無需玩家自己編寫代碼。例如，項目如 Primodium 和 AI Arena 正在嘗試讓人類玩家和 AI 玩家一同參與游戲，而無需編寫復雜的代碼。

用 bot戰(zhàn)斗或下注

另一種鏈上游戲的可能性是完全自動化的人工智能玩家。在這種情況下，玩家本身就是一個人工智能代理，比如 AutoGPT，它使用人工智能語言模型（LLM）作為后端，并且可以訪問互聯(lián)網(wǎng)和可能的初始加密貨幣資金等外部資源。這些人工智能玩家可以參與類似機器人大戰(zhàn)的競猜游戲。這將為投機和押注這些競猜結果的玩家提供一個市場。這樣的市場可能會催生出全新的游戲體驗，既具有策略性又能夠吸引更廣泛的玩家群體，無論他們是否精通編程。

為鏈上游戲創(chuàng)建逼真的NPC環(huán)境

如今，許多游戲往往在 NPC 方面表現(xiàn)較為單一，它們的行動有限，對游戲進程的影響相對較小。然而，在人工智能和 Web3 的相互作用下，我們有可能創(chuàng)造出更引人入勝的 NPC 環(huán)境，從而顛覆游戲的可預測性，使其變得更加有趣。其中一個關鍵的前提是引入更具吸引力的人工智能控制的 NPC。

然而，在創(chuàng)造逼真的 NPC 環(huán)境時，我們面臨著一個潛在挑戰(zhàn)：如何引入富有意義的NPC動態(tài)，同時又能夠?qū)⑴c這些活動相關的吞吐量（每秒事務處理量，TPS）最小化。過高的NPC活動所需的TPS可能會導致網(wǎng)絡擁塞，影響到實際玩家的游戲體驗。

通過這些新的玩法和可能性，區(qū)塊鏈游戲正在朝著更加多樣化和包容性的方向發(fā)展，使更多類型的玩家都能夠參與進來，共同體驗游戲的樂趣。

2. 去中心化社交媒體

在當今，去中心化社交（DeSo）平臺面臨一個挑戰(zhàn)，即相較于現(xiàn)有中心化平臺，它們難以提供獨特的用戶體驗。然而，通過與AI 的無縫集成，我們可以為 Web 2 的替代方案帶來獨特的體驗。舉個例子，由 AI 管理的賬戶可以通過分享相關內(nèi)容、評論帖子以及參與討論來吸引新用戶加入網(wǎng)絡。此外， AI 賬戶還能夠?qū)崿F(xiàn)新聞聚合，匯總與用戶興趣相符的最新趨勢。這種整合 AI 的方法將為去中心化社交媒體平臺帶來更多創(chuàng)新，吸引更多用戶的加入。

3. 去中心化協(xié)議的安全性和經(jīng)濟設計測試

以基于 LLM 的AI 助理為基礎，我們有機會對去中心化網(wǎng)絡的安全性和經(jīng)濟穩(wěn)健性進行實際測試。這種代理能夠定義目標、創(chuàng)建代碼并執(zhí)行這些代碼，從而為評估去中心化協(xié)議的安全性和經(jīng)濟設計提供了新的視角。在這一過程中，AI 助理被引導去利用協(xié)議的安全性和經(jīng)濟平衡。它首先可以檢查協(xié)議文檔和智能合約，找出潛在弱點。然后，它可以獨立競爭執(zhí)行攻擊協(xié)議的機制，以最大化自身的收益。這一方法模擬了協(xié)議啟動后可能遇到的實際環(huán)境。通過這些測試結果，協(xié)議設計者可以檢查協(xié)議的設計并修補潛在的弱點。目前，只有像 Gauntlet 等專業(yè)公司具備為去中心化協(xié)議提供此類服務的技術技能。但是，通過對 LLM 進行 Solidity、 DeFi 機制以及以往利用機制等方面的培訓，我們期待 AI 助理能夠提供類似的功能。

4. 用于數(shù)據(jù)索引和指標提取的 LLM

雖然區(qū)塊鏈數(shù)據(jù)是公共的，但索引和提取有用見解始終是一個挑戰(zhàn)。某些參與者（如 CoinMetrics）專門從事索引數(shù)據(jù)和構建復雜指標以進行銷售，而其他參與者（如 Dune）則專注于對原始交易的主要組成部分進行索引，并通過社區(qū)貢獻來提取部分指標。近期 LLM 的進展顯示出，數(shù)據(jù)索引和指標提取可能會迎來革命。區(qū)塊鏈數(shù)據(jù)公司 Dune 已經(jīng)認識到了這一潛在威脅，并宣布 LLM 路線圖包括 SQL 查詢解釋和基于 NLP 查詢的潛在組件。然而，我們預測 LLM 的影響將更深遠。一種可能性是基于 LLM 的索引，其中 LLM 模型能夠直接與區(qū)塊鏈節(jié)點交互，為特定指標的數(shù)據(jù)建立索引。初創(chuàng)公司 Dune Ninja 等已經(jīng)開始探索基于 LLM 的創(chuàng)新數(shù)據(jù)索引應用程序。

5. 開發(fā)者加入新的生態(tài)系統(tǒng)

不同的區(qū)塊鏈網(wǎng)絡吸引開發(fā)者來構建應用程序。Web3 開發(fā)者活動是評估生態(tài)系統(tǒng)成功的重要指標之一。然而，開發(fā)人員在開始學習和構建新生態(tài)系統(tǒng)時，常常會遇到支持方面的困難。生態(tài)系統(tǒng)已經(jīng)通過專門的 Dev Rel 團隊投入數(shù)百萬美元，以支持開發(fā)人員在探索生態(tài)系統(tǒng)中更好地發(fā)展。在這個領域，新興的 LLM 展示了驚人的成就，它可以解釋復雜代碼、捕獲錯誤，甚至創(chuàng)建文檔。經(jīng)過微調(diào)的 LLM 可以補充人類的經(jīng)驗，從而顯著提高開發(fā)團隊的生產(chǎn)力。例如，LLM 可以用于創(chuàng)建文檔、教程，回答常見問題，甚至可以為黑客馬拉松中的開發(fā)人員提供樣板代碼或創(chuàng)建單元測試。這些都將有助于促進開發(fā)人員的積極參與，推動整個生態(tài)系統(tǒng)的成長。

6.改進 DeFi 協(xié)議

通過將 AI 融入 DeFi 協(xié)議的邏輯中，可以顯著提升眾多 DeFi 協(xié)議的性能。目前，將 AI 應用于 DeFi 領域的主要難題之一是在鏈上實施 AI 的成本較高。盡管可以在鏈下實現(xiàn) AI 模型，但之前無法驗證模型的執(zhí)行情況。然而，通過諸如 Modulus 和 ChainML 等項目，鏈下執(zhí)行的驗證正逐漸變?yōu)楝F(xiàn)實。這些項目允許在鏈外執(zhí)行機器學習模型，同時限制鏈上的成本開銷。在 Modulus的情況下，鏈上的費用僅用于驗證模型的零知識證明（ZKP）。而在 ChainML 的案例中，鏈上的成本是用于向去中心化 AI 執(zhí)行網(wǎng)絡支付預言機費用。

以下是一些可能從 AI 集成中受益的DeFi使用案例：

• AMM 流動性配置：例如，更新 Uniswap V3 的流動性范圍。通過整合人工智能，協(xié)議可以更加智能地調(diào)整流動性范圍，從而提高 AMM（自動做市商）的效率和收益。

• 清算保護與債務頭寸：結合鏈上和鏈下數(shù)據(jù)，可以實現(xiàn)更有效的清算保護策略，保護債務頭寸不受市場波動影響。

• 復雜的 DeFi 結構化產(chǎn)品：設計金庫機制時，可以依賴金融人工智能模型而不是固定策略。這樣的策略可能包括由人工智能管理的交易、貸款或期權，從而提高產(chǎn)品的智能性和靈活性。

• 先進的鏈上信用評分機制：考慮不同區(qū)塊鏈上不同錢包的情況，整合人工智能可以幫助構建更精確和全面的信用評分系統(tǒng)，從而更好地評估風險和機會。

通過利用這些 AI 集成的案例，DeFi 領域可以更好地適應不斷變化的市場需求，提高效率，降低風險，并為用戶創(chuàng)造更多價值。同時，隨著鏈下驗證技術的不斷發(fā)展，AI 在 DeFi 中的應用前景也將進一步拓展。

Web3 技術能夠幫助提升 AI 模型的能力

雖然現(xiàn)有 AI 模型已經(jīng)展現(xiàn)出巨大的潛力，但在數(shù)據(jù)隱私、特有模型執(zhí)行的公平性以及虛假內(nèi)容的創(chuàng)建和傳播方面仍然面臨挑戰(zhàn)。在這些領域，Web3技術的獨特優(yōu)勢可能發(fā)揮重要作用。

1. 為 ML 訓練創(chuàng)建專有數(shù)據(jù)集

Web3 可以協(xié)助 AI 的領域之一是協(xié)作創(chuàng)建用于機器學習 (ML) 訓練的專有數(shù)據(jù)集，即用于數(shù)據(jù)集創(chuàng)建的 PoPW 網(wǎng)絡。海量數(shù)據(jù)集對于準確的 ML 模型至關重要，但如何獲取這些數(shù)據(jù)，如何創(chuàng)建這些數(shù)據(jù)集可能會成為瓶頸，特別是在需要私有數(shù)據(jù)的用例中，比如使用 ML 進行醫(yī)學診斷，圍繞患者數(shù)據(jù)的隱私問題構成了重大障礙，因為訓練這些模型需要訪問醫(yī)療記錄。然而，出于隱私考慮，患者可能不愿分享他們的醫(yī)療記錄。為了解決這個問題，患者可以對他們的醫(yī)療記錄進行可驗證的匿名化處理，以保護他們的隱私，同時仍然可以在機器學習訓練中使用這些記錄。

然而，匿名處理后的數(shù)據(jù)的真實性可能令人擔憂，因為虛假數(shù)據(jù)可能會極大地影響模型性能。這時，零知識證明（ZKP）可以用來驗證匿名處理后的數(shù)據(jù)的真實性?；颊呖梢陨蒢KP，以證明匿名記錄確實是原始記錄的副本，即使在刪除個人身份信息（PII）后也是如此。這種方法既保護了隱私，又確保了數(shù)據(jù)的可信度。

2. 對私有數(shù)據(jù)運行推理

當前，大型語言模型（LLM）存在一個重要問題，即如何處理私有數(shù)據(jù)。舉例來說，當用戶與ChatGPT進行交互時，OpenAI會收集用戶的私有數(shù)據(jù)，并將其用于模型的訓練，從而引發(fā)敏感信息的泄露。近期的案例中，有員工在使用ChatGPT輔助辦公時不小心泄露了涉密數(shù)據(jù)，這使得這個問題更加突出。零知識（ZK）技術有望解決機器學習模型在處理私人數(shù)據(jù)時出現(xiàn)的問題。在這里，我們將探討兩種場景：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私有數(shù)據(jù)上運行。舉例來說，Worldcoin的“World ID”升級計劃（“ZKML”）需要處理用戶的生物特征數(shù)據(jù)，如虹膜掃描，以創(chuàng)建每個用戶的獨特標識符（IrisCode）。在這種情況下，用戶可以在保護其生物特征數(shù)據(jù)隱私的情況下下載IrisCode生成的機器學習模型，并在本地運行。通過創(chuàng)建零知識證明（ZKP），用戶可以證明他們已經(jīng)成功生成了 IrisCode ，從而保證了推理的真實性，同時保護了數(shù)據(jù)隱私。重要的是，高效的ZK證明機制（如Modulus Labs開發(fā)的機制）在訓練機器學習模型時具有關鍵作用。

另一種情況是，當用于推理的機器學習模型是專有的時，情況會稍微復雜。因為在本地進行推理可能不是一個選項。然而，零知識證明可以通過兩種可能的方式來幫助解決問題。第一種方法是在將匿名化數(shù)據(jù)發(fā)送到機器學習模型之前，使用 ZKP 對用戶數(shù)據(jù)進行匿名化處理，正如前面在數(shù)據(jù)集創(chuàng)建案例中所討論的。另一種方法是在將預處理輸出發(fā)送到機器學習模型之前，對私有數(shù)據(jù)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(shù)據(jù)，使其無法重構。用戶可以生成 ZKP 來證明預處理步驟的正確執(zhí)行，而模型的其他專有部分可以在模型所有者的服務器上遠程執(zhí)行。這些示例用例可能包括能夠分析患者醫(yī)療記錄以進行潛在診斷的 AI 醫(yī)生，以及評估客戶私人財務信息以進行金融風險評估的算法。

通過 ZK 技術，Web3可以提供更高的數(shù)據(jù)隱私保護，使得 AI 在處理私有數(shù)據(jù)時更加安全可靠，同時也為隱私敏感領域的 AI 應用提供了新的可能性。

3. 保證內(nèi)容真實性，打擊深度偽造內(nèi)容這類騙局

ChatGPT 的出現(xiàn)可能使人們忽略了一些專注于生成圖片、音頻和視頻的生成式人工智能模型。然而，這些模型目前已經(jīng)能夠生成逼真的深度偽造內(nèi)容。例如，最近流行的 AI 生成的寫真照片，以及模仿 Drake 新歌的 AI 生成版本，這些內(nèi)容已經(jīng)在社交媒體上廣泛傳播。由于人們天生傾向于相信所見所聽，這些深度偽造內(nèi)容可能構成潛在的騙局危險。雖然一些初創(chuàng)公司試圖使用 Web2 技術來解決這個問題，但數(shù)字簽名等 Web3 技術可能更有效地解決這個問題。

在 Web3 中，用戶之間的交易由用戶的私鑰簽名以證明其有效性。類似地，文本、圖片、音頻和視頻內(nèi)容也可以通過創(chuàng)作者的私鑰進行數(shù)字簽名，以證明其真實性。任何人都可以通過與創(chuàng)作者的公開地址進行簽名驗證，這個公開地址可以在創(chuàng)作者的網(wǎng)站或社交媒體賬戶上找到。Web3網(wǎng)絡已經(jīng)建立了所有必要的基礎設施來滿足這種內(nèi)容驗證的需求。一些投資者已經(jīng)將他們的社交媒體配置文件，如 Twitter，或去中心化社交媒體平臺，如 Lens Protocol 和Mirror，與加密的公開地址相關聯(lián)，以增加內(nèi)容驗證的可信度。例如，美國頭部投資機構 USV 的合伙人 Fred Wilson 討論了將內(nèi)容與公共加密密鑰相關聯(lián)如何在打擊虛假信息方面起到作用。

盡管這個概念看起來很簡單，但要改善身份驗證過程的用戶體驗還需要很多工作。例如，內(nèi)容的數(shù)字簽名過程需要自動化，以便為創(chuàng)作者提供無縫、流暢的體驗。另一個挑戰(zhàn)是如何在不需要重新簽名的情況下生成已簽名數(shù)據(jù)的子集，例如音頻或視頻片段。目前，許多項目都在努力解決這些問題，并且 Web3 在解決這些問題方面具有獨特的優(yōu)勢。通過數(shù)字簽名等技術， Web3 有望在保護內(nèi)容真實性和打擊深度偽造內(nèi)容等方面發(fā)揮關鍵作用，從而提高用戶的信任和網(wǎng)絡環(huán)境的可信度。

4. 專有模型的信任最小化

Web3 技術還可以在專有機器學習（ML）模型作為服務提供時，實現(xiàn)最大程度地減少對服務提供商的信任。用戶可能希望驗證他們所付費購買的服務，或獲得關于ML模型公平執(zhí)行的保證，即相同的模型用于所有用戶。零知識證明（ZKP）可以用于提供這些保證。在這個架構中， ML 模型的創(chuàng)建者生成一個代表 ML 模型的 ZK 電路。然后，在需要的時候，使用該電路為用戶的推理生成零知識證明。這些證明可以發(fā)送給用戶進行驗證，也可以發(fā)布到負責處理用戶驗證任務的公共鏈上。如果 ML 模型是私有的，獨立的第三方可以驗證所使用的 ZK 電路是否代表該模型。在模型的執(zhí)行結果具有高風險的情況下，這種信任最小化的方法尤其有用。以下是一些具體的用例：

醫(yī)療診斷的機器學習應用

在這種情況下，患者將自己的醫(yī)療數(shù)據(jù)提交給 ML 模型進行潛在的診斷?；颊咝枰_保目標機器學習模型沒有濫用他們的數(shù)據(jù)。推理過程可以生成一個零知識證明，用于證明 ML 模型的正確執(zhí)行。

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了申請人提交的所有財務信息。此外，通過證明所有用戶使用相同的模型，ZKP可以證明公平性。

保險理賠處理

當前的保險理賠處理是手動和主觀的。然而，ML 模型可以更公平地評估保險單和索賠細節(jié)。與 ZKP 相結合，這些索賠處理 ML 模型可以被證明考慮了所有保單和索賠細節(jié)，并且同一模型用于處理同一保單下的所有索賠。

通過利用零知識證明等技術，Web3 有望為專有 ML 模型的信任問題提供創(chuàng)新的解決方案。這不僅有助于提高用戶對模型執(zhí)行的信任，還能夠促進更加公平和透明的交易過程。

5. 解決模型創(chuàng)建的集中化問題

創(chuàng)建和訓練 LLM（大型語言模型）是一個耗時且昂貴的過程，需要特定領域的專業(yè)知識、專用的計算基礎設施以及數(shù)百萬美元的計算成本。這些特征可能會導致強大的集中實體，例如 OpenAI ，它們可以通過控制對其模型的訪問來對其用戶行使重大權力。

考慮到這些集中化風險，關于 Web3 如何促進。創(chuàng)建不同方面的去中心化的重要討論正在進行中。一些 Web3 倡導者提出了將去中心化計算作為與集中式參與者競爭的一種方法。這個觀點認為，去中心化計算可以是一種更便宜的替代方案。然而，我們的觀點是，這可能不是與集中式參與者競爭的最佳角度。去中心化計算的缺點在于，由于不同異構計算設備之間的通信開銷， ML 訓練可能會慢10到100倍。

一種方法是通過去中心化計算來分散模型創(chuàng)建的成本和資源。雖然有人認為去中心化計算可能成為替代集中式實體的更便宜方案，但通信開銷問題可能會限制其效率。這意味著在涉及大規(guī)模計算任務時，去中心化計算可能導致訓練速度減緩。因此，在尋求解決模型創(chuàng)建集中化問題時，需要仔細權衡去中心化計算的利弊。

另一種方法是采用 Proof of Private Work（PoPW）的方式來創(chuàng)建獨特而具有競爭力的 ML 模型。這個方法的優(yōu)勢在于它可以通過將數(shù)據(jù)集和計算任務分散到網(wǎng)絡的不同節(jié)點來實現(xiàn)去中心化。這些節(jié)點可以為模型訓練做出貢獻，同時維護各自的數(shù)據(jù)隱私。Together 和 Bittensor 等項目正在朝這個方向發(fā)展，試圖通過 PoPW 網(wǎng)絡來實現(xiàn)模型創(chuàng)建的去中心化。

人工智能代理的支付和執(zhí)行軌道

人工智能代理的支付和執(zhí)行軌道在最近的幾周中引起了極大的關注。使用LLM（大型語言模型）來執(zhí)行特定任務并實現(xiàn)目標的趨勢不斷上升，這一潮流起源于BabyAGI的概念，并迅速擴散至高級版本，包括AutoGPT等。這引發(fā)了一個重要的預測，即在未來，人工智能代理將在某些任務中表現(xiàn)出色并變得更加專業(yè)。如果出現(xiàn)了專門的市場，人工智能代理就有能力搜索、雇用和支付其他人工智能代理的費用，從而協(xié)同完成重要項目。

在這一進程中，Web3 網(wǎng)絡為人工智能代理提供了理想的環(huán)境。特別是在支付方面，人工智能代理可以配置加密貨幣錢包，用于接收付款并向其他代理付款，實現(xiàn)任務分工和合作。除此之外，人工智能代理還可以無需許可地委托資源，將其插入加密網(wǎng)絡。例如，如果一個人工智能代理需要存儲數(shù)據(jù)，他們可以創(chuàng)建一個Filecoin錢包，支付去中心化存儲網(wǎng)絡IPFS上的存儲費用。另外，人工智能代理還可以委托去中心化計算網(wǎng)絡（如Akash）的計算資源，以執(zhí)行特定任務，甚至擴展其執(zhí)行范圍。

防止AI侵犯隱私

然而，在這一發(fā)展過程中，隱私和數(shù)據(jù)保護問題變得尤為重要。鑒于訓練高性能機器學習模型需要大量數(shù)據(jù)，因此可以安全地假設任何公共數(shù)據(jù)都會進入機器學習模型，這些模型可以使用這些數(shù)據(jù)來預測個人的行為。特別是在金融領域，建立機器學習模型可能導致用戶財務隱私受到侵犯。為了解決這個問題，一些隱私保護技術如 zCash、Aztec支付，以及Penumbra和Aleo等私人DeFi協(xié)議可以用來確保用戶的隱私得到保護。這些技術可以在保護用戶數(shù)據(jù)的同時進行交易和數(shù)據(jù)分析，從而實現(xiàn)金融交易和機器學習模型開發(fā)的平衡。

結論

我們相信 Web3 和 AI 在文化和技術上是相互兼容的。與 Web2 中對機器人的抵觸情緒不同，Web3 憑借其無需許可的可編程性質(zhì)，為人工智能的蓬勃發(fā)展創(chuàng)造了機會。

從更宏觀的角度來看，如果將區(qū)塊鏈視為一個網(wǎng)絡，那么人工智能有望在這個網(wǎng)絡的邊緣發(fā)揮主導作用。這一觀點適用于各種消費應用程序，從社交媒體到游戲。迄今為止，Web3 網(wǎng)絡的邊緣主要由人類組成。人類會發(fā)起并簽署交易，或者通過預先設定的策略讓機器人代表他們采取行動。

隨著時間的推移，我們可以預見網(wǎng)絡邊緣會出現(xiàn)越來越多的人工智能助理。這些 AI 助理將通過智能合約與人類以及彼此互動。我們相信這些互動將帶來全新的消費者和用戶體驗，可能會引發(fā)創(chuàng)新的應用場景。

Web3 的無需許可特性賦予了人工智能更大的自由度，可以更緊密地與區(qū)塊鏈和分布式網(wǎng)絡集成。這有望促進創(chuàng)新、擴展應用領域，并為用戶創(chuàng)造更富有個性化和智能化的體驗。同時，需要密切關注隱私、安全和倫理問題，以確保人工智能的發(fā)展不會給用戶帶來負面影響，而是真正實現(xiàn)技術與文化的和諧共存。