前言

在过去的1年里，随着ChatGPT等生成式AI大模型的诞生，AI从简单的自动化工具扩展到复杂的决策和预测系统，发展成为驱动当代社会重要进步动力。AI类产品和应用也发生了爆发式的增长，ChatGPT本身陆续推出GPTs，Sora等瞩目的产品，AI底层设施英伟达的业绩持续超出预期， 2024 财年第四季度中数据中心业务占据83%以上营收，同步增长409%，其中40%用于大模型的推理场景，显示出对于底层算力的快速需求增长。

当下，AI已经成为欧美资本圈竞相追逐的主题，同时Web3市场也迎来新一轮的牛市，AI+Web3是当下最热门的两个技术主题的碰撞，近期也出现了一批该主题的项目，凸显了市场对这个主题的关注和期待。

抛开炒作和价格泡沫，AI+Web行业目前发展情况如何？是否真实有应用场景？长期来看，是否能够创造有价值和叙事和产业？未来AI+Web3的产业将会形成怎样的生态格局，具有潜力的方向在哪里？

围绕以上话题，Future3 Campus将会撰写一系列相关文章，从AI+Web3产业链的各个层面进行分析。本文为第一篇，AI+Web3的整体产业图景和叙事逻辑。

AI工作生产流程

概括地说，AI+Web3结合的方向可以分为两方面，一方面是Web3如何帮助AI发展，另一方面是Web3应用结合AI技术。其中Web3技术和概念赋能AI是当下大部分项目的方向。因此，我们可以通过AI从模型训练到生产的流程中来分析如何与Web3相结合。

LLM的诞生与之前机器学习的流程有一些区别，但总体上，一个简化的AI生产流程大致分为以下几个阶段：

  1. 数据获取

在AI模型的训练全生命周期中，数据是AI模型提供训练的基石。通常需要采用高质量的数据集作为基础，并进行探索性数据分析 (EDA) ，创造可重现、可编辑和可共享的数据集、表格和可视化图标。

  1. 数据预处理和特征工程/提示工程

获得数据后需要对数据进行预处理，这里在机器学习中是特征工程（数据标注），在大模型中是提示（Prompt）工程。包括迭代地对数据进行分类、聚合和删除重复数据以标注精细的特征，迭代开发可供LLM结构化查询的Prompt。同时需要可靠地将特征/Prompt进行存储和共享。

  1. 模型训练和调优

利用丰富的模型库对AI模型进行训练，通过不断的迭代和调整，提升模型的性能、效率和准确性。其中在LLM中主要是通过人类反馈强化学习（RLHF）来不断对模型进行调优。

  1. 模型审查和治理

使用MLOps/LLMOps平台来优化模型开发流程，包括模型的发现、跟踪、共享和协作，确保模型的质量和透明度，同时符合伦理和合规要求。

  1. 模型推理

部署训练有素的AI模型，对新的、未见过的数据进行预测。模型利用其学习到的参数对输入数据进行处理，生成预测结果，如分类或回归预测。

  1. 模型部署和监控

在确保模型性能达标后，将其部署到实际应用场景中，并实施持续的监控和维护，确保模型在动态变化的环境中保持最佳性能。

在以上流程中，有很多Web3与之结合的机会。目前，我们看到AI发展过程中的一些挑战，例如模型的透明度、偏见和伦理应用等问题引起了广泛关注，在这一方面，Web3技术结合ZK等密码学技术，能够改善AI的信任问题。此外，AI应用需求的提高也对更低成本、更开放的基础设施和数据网络提出了要求，而Web3的分布式网络和激励模型也能够打造更加开放、开源的AI网络和社区。

AI+Web3产业图景和叙事逻辑

结合上述AI生产流程和AI与Web3结合的方向，以及当前市场上主流的AI+Web3项目，我们梳理出了AI+Web3产业图景，AI+Web3产业链可以分为三层，分别为基础设施层、中间层和应用层。

 

AI+Web3未来发展之路（一）：产业图景和叙事逻辑

  1. 基础设施层

主要包括计算和存储基础设施，贯穿整个AI工作生产流程，提供AI模型训练、推测等需要的算力，以及全生命周期中数据和模型的存储。

当前AI应用快速增长，使得对基础设施尤其是高性能算力的需求出现了暴增。因此，提供更高性能、更低成本、更充足的计算和存储基础设施会成为未来几年（AI发展早期）成为非常重要的趋势，预计将抢占50%以上的产业链价值。

Web3能够打造去中心化的计算和存储资源网络，利用闲置、分散的资源，来显著降低基础设施的成本，服务广大的AI应用需求。因此去中心化AI基础设施是目前确定性最高的叙事。

当前这一赛道的代表性项目包括主打渲染服务的Render Network，以及提供去中心化的云服务和计算硬件网络的Akash、gensyn等；存储领域，代表项目仍然是老牌去中心化存储网络Filecoin、Arweave等，最近也推出了针对AI领域的存储和计算服务。

  1. 中间层

主要指在AI工作生产的特定流程中，采用Web3相关技术改善现状和存在的问题。主要包括：

1）数据获取阶段，采用去中心化的数据身份，创造更开放的数据网络/数据交易平台。主要通过结合密码学技术和区块链特性来保护用户和确权数据，并结合激励措施鼓励用户分享高质量的数据，从而扩大数据来源，提高数据获取效率。这一领域的代表性项目包括AI身份项目Worldcoin，Aspecta，数据交易平台Ocean Protocol，以及低参与门槛的数据网络Grass等。

2）数据预处理阶段：主要创建分布式的AI数据标注和处理平台，采用经济模型激励来鼓励众包模式，以推动更高效、更低成本的数据预处理，服务后续的模型训练阶段。代表项目如Public AI等。

3）模型验证和推理阶段：如上一小节所述，数据和模型黑盒是目前AI中现实存在的问题，因此在模型验证和推理阶段中，Web3能够结合ZK、同态加密等密码学技术，来验证模型的推理，是否使用给定的数据和参数，确保模型的正确性，同时保护输入数据的隐私。典型的应用场景是ZKML。目前Web3技术结合在模型验证和推理阶段的代表性项目包括bittensor、Privasea、Modulus等。

中间层的很多项目更偏向于开发者工具，通常针对现有的开发者、项目方等提供附加服务，在目前AI发展的早期，其市场需求和商业落地仍在发展过程中。

  1. 应用层

在应用层面，更多的是AI技术如何应用到Web3中。Web3应用结合AI技术能够有效提高效率和产品体验，例如利用AI的内容生成、分析、推测等功能，可以应用到诸如游戏、社交、数据分析、金融预测等各个领域。目前AI+Web3的应用主要可以分为三大类。

1）AIGC类，即采用AI生成式技术允许用户通过对话生成文字、图片、视频、Avatar等内容。以单独的AI agent或者直接结合进产品中展现。代表项目包括NFPrompt、SleeplessAI等。

2）AI分析类，项目方融入自己积累的数据、知识库、分析能力等训练垂直的AI模型，能够进行分析、判断、预测等，并产品化提供给用户，使得用户可以低门槛地获取获取AI的分析能力，例如数据分析、信息追踪、代码审计和修改、金融预测等。代表性项目包括Kaito、Dune等。

3）AI Agent Hub，各类AI Agent的聚合，通常提供用户无代码创建定制化AI Agent的能力，类似GPTs。代表性项目包括My Shell、Fetch.ai等。

应用层目前还有没有出现非常头部的项目，但长期来看一定是天花板更高的板块，具有极强的尚待挖掘的潜力。AI+Web3应用的竞争不在于技术的创新竞争力，而在于产品能力和技术能力的积累，特别是在AI方面能够提供体验更好的产品，将会在这一领域获得更多竞争优势。