作者：Coinspire
►TL;DR
1.AI 概念的Web3 項目在一二級市場成吸金標的。
2、Web3 在AI 產業的機會體現在：使用分散式激勵來協調長尾中的潛在供應——跨資料、儲存和運算；同時，建立一個開源模型以及AI Agent 的去中心化市場。
3.AI 在Web3 產業主要用武之地為鏈上金融（加密支付、交易、資料分析）以及輔助開發。
4.AI+Web3 的效用體現在兩者的互補：Web3 可望對抗AI 集中化，AI 可望幫助Web3 破圈。
引言
近兩年，AI 的發展像被按了加速鍵，這場由Chatgpt 煽動的蝴蝶翅膀，不僅打開了生成式人工智慧的新世界，同樣在彼岸的Web3 掀起了洋流之勢。
在AI 概念的加持下，相較放緩的加密市場融資提振明顯。媒體統計，光在2024 上半年，就共有64 個Web3+AI 的專案完成了融資，基於人工智慧的作業系統Zyber365 在A 輪就實現了1 億美元的最高融資金額。
二級市場更為繁榮，加密聚合網站Coingecko 的數據顯示，短短一年多時間，AI 賽道總市值已達到485 億美元，24 小時交易量接近86 億美元；主流AI 技術進展帶來的利好明顯，OpenAI 的Sora 文字轉視訊模型發布後，AI 板塊的平均價格上漲了151%；AI 效應同樣輻射至加密貨幣吸金板塊之一Meme：首個AI Agent概念的MemeCoin－GOAT 迅速走紅並獲得14 億美金的估值，成功掀起AI Meme 熱。
關於AI+Web3 的研究和主題同樣火熱，從AI+Depin到AI Memecoin再到當前的AI Agent 和AI DAO，FOMO 情緒已然跟不上新敘事輪換的速度。
AI+Web3，這個充滿了熱錢、風口和未來幻想的術語組合，難免被人視為一場被資本撮合的包辦婚姻，我們似乎很難分辨在這席華麗的袍子之下，到底是投機者的主場，還是黎明爆發的前夕？
要回答這個問題，一個對雙方都關鍵的思索是，有對方它會變得更好嗎？是否能從對方的模式中受益？在這篇文章裡，我們也試著站在前人的肩膀上審視這一格局：Web3 如何能夠在AI 技術堆疊的各個環節裡發揮作用，AI 又能為Web3 帶來什麼新的生機？
Part.1 AI 堆疊下Web3 有何機會？
在展開這個主題之前，我們需要先了解AI 大模型的技術堆疊：
圖源：Delphi Digital
用更通俗的語言來表達整個過程：「大模型」就像是人類的大腦，在早期階段，這個大腦屬於剛降臨人間的嬰兒，需要觀察與攝入周圍的外界海量資訊去理解這個世界，這是資料的「收集」階段；由於電腦不具備人類的視覺聽覺等多個感官，在訓練前，外界的大規模無標註資訊需要透過「預處理」轉化成電腦能夠理解且可用的資訊格式。
輸入資料後AI 透過「訓練」建構了一個具有理解和預測能力的模型，則可以看作是嬰兒逐漸理解與學習外界的過程，模型的參數就像是嬰兒學習過程中不斷調整的語言能力。當學習的內容開始分科，或與人交流得到回饋並且修正，便進入了大模型的「微調」環節。
孩童逐漸長大學會說話後，就可以在新的對話中理解意思並表達自己的感受和想法，這階段類似於AI大模型的“推理”，模型能夠對新的語言和文本輸入進行預測和分析。嬰兒透過語言能力表達感受、描述物件和解決各種問題，這也類似於AI大模型在完成訓練投入使用後在推理階段應用於各類特定的任務，例如圖像分類、語音辨識等。
而AI Agent則更趨近於大模型的下一個形態──能夠獨立執行任務並追求複雜目標，不僅具備思考能力，還能夠記憶、規劃，且能夠運用工具與世界互動。
目前，針對AI 在各個堆疊的痛點，Web3 目前初步形成了一個多層次、相互連結的生態系統，涵蓋了AI 模型流程的各個階段。
一、基礎層：算力與數據的Airbnb
▎算力
目前，AI 的最高成本之一，是訓練模型與推理模型所需的算力與能源。
一個例子是，Meta 的LLAMA3 需要16000 個由NVIDIA 生產的H100GPU（這是一款專為人工智慧和高效能運算工作負載設計的頂級圖形處理單元。）30 天才能完成訓練。後者80GB 版本的單價在30,000 至40,000 美元之間，這需要4-7 億美元的計算硬體投資（GPU+網路晶片），同時，每月的訓練需要消耗16 億千瓦時，能源支出每月近2000萬美元。
對於AI 算力的解壓，也正是Web3 最早與AI 交叉的領域——DePin（去中心化實體基礎設施網路）目前，DePin Ninja 資料網站已經陳列出1,400 多個項目，其中GPU 算力共享代表項目包括io.net、Aethir、Akash、Render Network 等等。
其主要邏輯在於：平台允許擁有閒置GPU 資源的個人或實體以無需許可的去中心化方式貢獻其運算能力，透過類似於Uber 或Airbnb 的買家和賣家線上市場，提高未被充分利用的GPU 資源使用率，終端用戶也因此獲得更低成本的高效運算資源；同時，質押機制也確保如果出現違反品質控制機製或中斷網路的情況，資源提供者有其相應懲罰。
其特點在於：
聚集閒置GPU資源：供應方主要為第三方獨立的中小型資料中心、加密礦場等營運商的過剩算力資源、共識機制為PoS 的挖礦硬件，如FileCoin 與ETH 礦機。目前也有專案致力於啟動門檻更低的設備，例如exolab 利用MacBook、 iPhone、iPad 等本地設備建立運行大模型推理的算力網絡。
面對AI算力的長尾市場：
a.「於技術端而言」去中心化算力市場較適合推理步驟。訓練更依賴超大叢集規模GPU 帶來的資料處理能力，而推理對於GPU 運算效能相對較低，如Aethir 專注於低延遲的渲染工作和AI推理應用。
b.「於需求端而言」中小算力需求方不會單獨訓練自己的大模型，而只是選擇圍繞少數頭部大模型進行優化、微調，而這些場景都天然適合分佈式閒置算力資源。
去中心化所有權：區塊鏈的技術意義在於資源所有者始終保留其對於資源的控制權，並根據需求靈活調整，同時獲得收益。
▎數據
數據，是AI 的地基。如果沒有數據，計算就如浮萍之末毫無用處，而數據與模型之間的關係就像“ Garbage in, Garbage out ”的那句俗諺，數據的數量與輸入質量決定著最終模型的輸出品質.對於現AI 模型的訓練而言，資料決定了模型的語言能力、理解能力、甚至價值觀以及人性化表現。目前，AI 的數據需求困境主要聚焦於以下四個面向：
資料飢渴：AI 模型訓練依賴大量資料輸入。公開資料顯示，OpenAI 訓練GPT-4 的參數量就達到了兆等級。
數據品質：隨著AI 與各行業的結合，數據時效性、數據多樣性、垂類數據的專業性、新興數據源如社交媒體情緒的攝入對其品質也提出了新的要求。
隱私與合規問題：當前各國、企業逐漸注意到優質資料集的重要性，並且正在限制資料集爬取。
資料處理成本高昂：資料量大，處理過程複雜。公開資料顯示，AI 公司超過30% 的研發成本是用於基礎資料收集、處理。
目前，web3 的解決方案體現在以下四個方面：
1.資料收集：能夠免費提供抓取的真實世界資料正在迅速耗盡，AI 公司為資料付費的支出逐年升高。但同時，這份支出並沒有反哺到數據真正的貢獻者身上，平台全然享受了數據帶來的價值創造，如Reddit 透過與AI 公司簽訂的數據授權協議實現合計2.03 億美元的收入。
讓真正貢獻的用戶同樣參與數據帶來的價值創造，以及透過分散式網路與激勵機制，以低成本的方式獲取用戶更私人、更有價值的數據，是Web3 的願景。
如Grass 是一個去中心化的資料層和網絡，使用者可以透過運行Grass 節點，貢獻閒置頻寬和中繼流量用以捕獲整個互聯網中的即時數據，並獲取代幣獎勵；
Vana 則引入了一個獨特的資料流動性池（DLP）概念，使用者可以將他們的私人資料（如購物記錄、瀏覽習慣、社群媒體活動等）上傳至特定DLP，並靈活選擇是否將這些資料授權給特定的第三方使用；
在PublicAI 中，使用者可在X 上使用#AI 或#Web3 作為分類標籤並@PublicAI 即可實現資料收集。
2.資料預處理：在AI 的資料處理過程中，由於收集來的資料通常雜訊且包含錯誤，因此在訓練模型之前必須將其清理並轉換為可用格式，涉及標準化、過濾和處理缺失值的重複任務。此階段是AI 行業為數不多的人工環節，已經衍生出數據標註師這一行業，隨著模型對數據質量的要求提高，數據標註師的門檻也隨之提升，而這一任務天然適合Web3 的去中心化激勵機制。
目前，Grass 與OpenLayer都正在考慮加入數據標註這一關鍵環節。
Synesis提出了「Train2earn」的概念，強調資料質量，使用者可透過提供標註資料、註釋或其他形式的輸入獲得獎勵。
數據標註項目Sapien 則將標記任務遊戲化，並讓使用者質押積分以賺取更多積分。
3.資料隱私與安全：需要釐清的是，資料隱私與安全是兩個不同的概念。資料隱私涉及敏感資料的處理，資料安全則保護資料資訊免遭未經授權的存取、破壞和竊取。由此，Web3 隱私技術優勢和潛在的應用場景體現在兩個方面：（1）敏感資料的訓練；（2）資料協作：多個資料擁有者可以共同參與AI 訓練，而無需共享其原始資料。
目前Web3 較常見的隱私技術包括：
可信任執行環境(TEE)，例如Super Protocol；
完全同態加密（FHE)，例如BasedAI 、Fhenix.io 或Inco Network；
零知識技術（zk），如Reclaim Protocol 使用zkTLS 技術，產生HTTPS流量的零知識證明，允許用戶從外部網站安全導入活動、聲譽和身份數據，而無需暴露敏感資訊。
不過，目前該領域仍處於早期階段，大部分的項目仍在探索中，目前的一個困境是計算成本太高，一些例子是：
zkML框架EZKL需要大約80 分鐘才能產生一個1M-nanoGPT 模型的證明。
根據Modulus Labs 的數據，zkML 的開銷比純計算高出1000 倍以上。
4.數據儲存：有了數據之後，還需要一個地方來在鏈上儲存數據，以及使用該數據產生的LLM。以資料可用性（DA）為核心問題，在以太坊Danksharding 升級之前，其吞吐量為0.08MB。同時的是，AI 模型的訓練和即時推理通常需要每秒50 到100GB 的資料吞吐量。這種數量級的差距，讓現有的鏈上解決方案在面對「資源密集型的AI應用時」力不從心。
0g.AI是這一類別的代表項目。它是AI高效能需求設計的中心化儲存解決方案，其關鍵特性包括：高效能與擴充性，透過高階分片（Sharding）和糾刪碼（Erasure Coding）技術，支援快速上傳和下載大規模資料集，資料傳輸速度接近每秒5GB。
二、中介軟體：模型的訓練與推理
▎開源模式去中心化市場
有關於AI 模型閉源還是開源的爭論從未消失。開源帶來的集體創新是閉源模型無法比擬的優勢，然而在毫無獲利模式的前提下，開源模型如何提升開發者驅動力？是一個值得思索的方向，百度創始人李彥宏就曾在今年4 月斷言，“開源模型會越來越落後。”
對此，Web3 提出一個去中心化的開源模型市場的可能性，即對模型本身進行代幣化，為團隊保留一定比例的代幣，並將該模型的部分未來收入流向代幣持有者。
如Bittensor協定建立一個開源模型的P2P 市場，由數十個「子網路」組成，其中資源提供者（計算、資料收集/儲存、機器學習人才）相互競爭，以滿足特定子網路所有者的目標，各個子網路可以互動並相互學習，從而實現更強大的智慧。獎勵由社區投票分配，並根據競爭表現進一步分配在各子網路中。
ORA引入了初始模型發行(IMO)的概念，將AI模型代幣化，可透過去中心化網路購買、出售和開發AI 模型。
Sentient，一個去中心化的AGI 平台，激勵人們貢獻者合作、建構、複製和擴展AI模型，並對貢獻者進行獎勵。
Spectral Nova，聚焦於AI 與ML 模型的創建與應用。
▎可驗證推理
針對AI的推理過程中的「黑盒子」難題，標準的Web3 解決方案是讓多個驗證者重複相同的操作並比較結果，但由於目前高端「Nvidia 晶片」短缺，這種做法面臨的明顯挑戰是AI推理成本高。
更有希望的解決方案是對鏈下AI 推理計算執行ZK 證明“零知識證明，一種密碼協議，其中一方證明者可以向另一方驗證者證明一個給定的陳述是真實的，而不洩露除該陳述為真以外的任何附加資訊」，在鏈上對AI 模型計算進行無需許可的驗證。這需要在鏈上以加密方式證明鏈下計算已正確完成（例如資料集未被篡改），同時確保所有資料保密。
主要優點包括：
可擴展性：零知識證明可以快速確認大量鏈下計算。即使交易數量增加，單一零知識證明也可以驗證所有交易。
隱私權保護：資料和AI 模型詳細資訊保持私密，同時各方可以驗證資料和模型沒有被破壞。
無需信任：無需依賴中心化各方即可確認計算。
Web2整合：從定義上講，Web2 是鏈下整合的，這意味著可驗證推理可以幫助將其資料集和AI 計算帶到鏈上。這有助於提高Web3 的採用率。
目前Web3 針對可驗證推理的可驗證技術如下：
zkML：將零知識證明與機器學習相結合，以確保資料和模型的隱私和機密性，允許可驗證的計算而無需透露某些底層屬性，如Modulus Labs 基於ZKML 發布了為AI 構建的ZK 證明器，來有效檢查AI 提供者在鏈上是否操縱演算法正確執行，不過目前客戶基本上為鏈上DApp。
opML：利用樂觀總結原則，透過驗證爭議發生的時間，提高ML 計算的可擴展性和效率，這個模型中，只需要驗證「驗證者」產生結果中的一小部分，但將削減經濟成本設定得足夠高，以提高驗證者作弊成本從而節省冗餘計算。
TeeML：使用可信任執行環境安全地執行ML 運算，保護資料和模型免遭篡改和未經授權的存取。
三、應用層：AI Agent
目前AI 的發展，已然呈現開發重點從模型能力過渡到AI Agent 的圖像。 OpenAI、AI 大模型獨角獸Anthropic、微軟等科技公司紛紛轉向開發AI Agent，試圖打破目前LLM 的技術平台期。
OpenAI 對AI Agent 的定義是：以LLM 為大腦驅動，具有自主理解感知、規劃、記憶和使用工具的能力，能自動化執行完成複雜任務的系統。當AI 從被使用的工具變成可以使用工具的主體，就成為了AI Agent。這也正是AI Agent 可以成為人類最理想智慧助理的原因。
而Web3 又能為Agent 帶來什麼呢？
▎去中心化
Web3 的去中心化特性可以使得Agent 系統更加分散和自治，透過PoS、DPoS 等機制建立針對質押者、委託者的激勵懲罰機制，可以促進Agent 系統的民主化，GaiaNet、Theoriq、HajimeAI 都有嘗試。
▎冷啟動
AI Agent 的開發和迭代往往需要大量的資金支持，而Web3 可以幫助有潛力的AI Agent 專案獲得早期融資和冷啟動。
Virtual Protocol 推出AI Agent 創建及代幣發行平台fun.virtuals，任何用戶可以一鍵部署AI Agent，並實現AI Agent 代幣100% 公平發行。
Spectral 提出了支持發行鏈上AI Agent 資產的產品構想：透過IAO（Initial Agent Offering）發行代幣，AI Agent 可以直接從投資者獲得資金，同時成為DAO 治理的一員，為投資者提供參與專案發展和分享未來收益的機會。
Part.2 AI 如何賦能Web3？
AI 為Web3 專案帶來的影響是顯而易見的，它透過優化鏈上營運（例如智慧合約執行、流動性優化和人工智慧驅動的治理決策）使區塊鏈技術受益，同時，它還可以提供更好的數據驅動洞察，提高鏈上安全性，並為新的基於Web3 的應用程式奠定基礎。
一、AI 與鏈上金融
▎AI 與加密經濟
8 月31 日，Coinbase CEO Brian Armstrong 宣佈在Base 網路上實現了首筆AI對AI的加密交易，並表示AI Agent 現在可以在Base 上使用USD 與人類、商家或其他AI 進行交易，這些交易是即時的、全球性的，而且免費。
除了支付以外，Virtuals Protocol 的Luna 同樣首次演示了AI Agent 如何透過以下方式自主執行鏈上交易引發關注，使得AI Agent 作為一種能夠感知環境、進行決策和執行動作的智能實體，被視作鏈上金融的未來，目前，AI Agent 的潛在場景體現在以下幾點：
1.資訊收集與預測：幫助投資人收集交易所公告、專案公開資訊、恐慌情緒、輿情風險等信息，即時分析與評估資產基本面、市場狀況，預測趨勢與風險。
2、資產管理：提供使用者適當的投資標的，優化資產組合，自動執行交易。
3.金融體驗：幫助投資人選擇最快的鏈上交易方式，自動化跨鏈、調整gas費用等手動操作環節，降低鏈上金融活動門檻與成本。
想像這樣一個場景，你對AI Agent 傳達如下指示：“我有1000USDT，請幫我找到收益最高的組合，鎖倉時間不超過一周”，AI Agent 將為你提供如下建議：“建議初始分配為50 % 在A，20% 在B，20% 在X，10%在Y。 。
圖源：Biconomy
目前，AI Agent 錢包Bitte、AI 互動協議Wayfinder 都在做此類嘗試，它們都試圖連接OpenAI 的模型API，讓用戶和ChatGPT 類似的聊天視窗介面下，命令Agent 完成各種鏈上操作，例如WayFinder今年4月發布的首個prototype 在Base、Polygon 和Ethereum三條公鏈主網上展示了swap、send、bridge和stake四個基本操作。
目前，去中心化Agent平台Morpheus同樣支援此類Agent的開發，如Biconomy也示範了一段不需要授權完整的錢包權限，AI Agent 即可將ETH swap 成USDC 的操作。
▎AI 與鏈上交易安全
在Web3 世界中，鏈上交易安全是至關重要的。 AI技術可用於增強鏈上交易的安全性和隱私保護，潛在場景包括：
交易監控：即時數據技術監控異常交易活動，面向用戶與平台的即時警報基礎架構。
風險分析：幫助平台分析客戶交易行為數據，評估其風險程度。
例如Web3 安全平台SeQure 就利用AI 檢測和防止惡意攻擊、詐欺行為和資料洩露，並提供即時監控和警報機制，確保鏈上交易的安全性和穩定性。類似的安全工具還有AI-powered Sentinel。
二、AI 與鏈上基礎設施
▎AI 與鏈上數據
AI 技術在鏈上資料收集和分析方面發揮重要作用，如：
Web3 Analytics：是一個基於AI 的分析平台，利用機器學習和資料探勘演算法來收集、處理和分析鏈上資料。
MinMax AI：它提供了基於AI 的鏈上資料分析工具，幫助使用者發現潛在的市場機會和趨勢。
Kaito：基於LLM 的搜尋引擎的Web3 搜尋平台。
Followin：整合了ChatGPT，將分散在不同網站和社群平台上的相關資訊，進行收集和整合呈現。
另一個應用場景是預言機，AI 可從多個來源取得價格，以提供準確的定價資料。例如Upshot 使用AI 針對NFT 的動盪價格，透過每小時超億次的評估，提供百分比誤差為3-10% 的NFT 價格。
▎AI與發展&審計
近期，一款Web2 的AI 程式碼編輯器Cursor在開發者圈中吸引了不少目光，在其平台用戶只需要用自然語言描述，Cursor就能自動產生對應的HTML、CSS和javaScript 程式碼，大大簡化軟體開發流程，此邏輯同樣也適應於提升Web3 的開發效率。
目前，在公鏈上部署智慧合約和DApp，通常需遵循專屬開發語言如Solidity、Rust、Move等等。新開發語言的願景在於拓展去中心化區塊鏈的設計空間，使其更適用於DApp 的開發，但在Web3 開發人員缺口較大的前提下，開發者教育一直是更頭痛的難題。
目前，AI 在輔助Web3 開發上，可以想像的場景包括：自動化程式碼產生、智慧合約驗證和測試、DApp 的部署和維護、智慧程式碼補全、AI 對話解答開發疑難問題等等，透過AI 的輔助，不僅有助於提高開發效率與準確度，同樣也降低了程式設計門檻，讓非程式設計師也能夠將其想法轉化為實際應用，為去中心化技術的發展帶來新的活力。
目前，最吸引眼球的是一鍵啟動代幣平台，如Clanker，一個AI 驅動的“Token Bot”，專為快速DIY 代幣部署而設計。你只需在SocialFi 協議Farcaster 用戶端如Warpcast 或Supercast 上標記Clanker，告訴它你的代幣想法，它便會在公鏈Base 上為你啟動代幣。
也有合約開發平台，如Spectral 提供智慧合約一鍵產生及部署功能，以降低Web3 開發門檻，即使是小白用戶也能實現智慧合約的編譯與部署。
在審計方面，Web3 審計平台Fuzzland 就使用了AI 來幫助審計人員檢查程式碼漏洞，提供自然語言解釋來輔助審計專業知識。 Fuzzland 也利用AI 提供了對正式規範和合約程式碼的自然語言解釋，以及一些範例程式碼，以幫助開發者理解程式碼中的潛在問題。
三、AI 與Web3 新敘事
生成式AI 的興起為Web3 新敘事帶來了全新的可能性。
NFT：AI 為生成式NFT 注入了創造力，透過AI 技術可以產生各種獨特、多樣化的藝術品和角色，這些生成式NFT 可以成為遊戲、虛擬世界或元宇宙中的角色、道具或場景元素，如幣安旗下的Bicasso，用戶可透過上傳提圖片並輸入關鍵字進行AI運算後產生NFT，類似的項目還有Solvo、Nicho、IgmnAI、CharacterGPT。
GameFi：圍繞AI 的自然語言生成、圖像生成、智慧NPC 能力，GameFi 有望在遊戲內容生產上提高效率和創新。如Binaryx 旗下首款鏈遊AI Hero，玩家可透過AI 隨機探索不同的劇情選項；同樣的也有虛擬伴侶遊戲Sleepless AI，基於AIGC 和LLM ，玩家可透過不同的互動解鎖個人化遊戲玩法。
DAO：目前，AI 也被設想應用到DAO 裡，幫助追蹤社群互動，記錄貢獻，獎勵貢獻最多的成員，代理商投票等等。如ai16z 利用AI Agent 在鏈上和鏈下蒐集市場資訊、分析社群共識，並結合DAO 成員的建議進行投資決策。
Part.3 AI+Web3 結合的意義：塔樓與廣場
在義大利佛羅倫斯市的心臟地帶，坐落著當地最為重要的政治活動場所和市民、遊客的聚集地——中央廣場，這裡矗立著一座高達95米的市政廳塔樓，塔樓與廣場這一垂直與橫向的視覺對比相得益彰，構建了戲劇性的美學效果，哈佛大學歷史系教授尼爾·佛格森為此得到啟發，在《廣場與高塔》一書中聯想至網路與階級制度的世界史，兩者在時間長河中潮起潮落此消彼長。
這個絕妙的隱喻放到如今AI與Web3的關係上也毫不突兀。從兩者長時段、非線形的關係史可以看到，廣場比塔樓更容易產生新事物更具創造性，但塔樓依然有其合法性和強大生命力。
在科技公司高度集群能源算力數據的能力下，AI爆發出前所未有的想像力，科技大廠重金押注紛紛入場，從不同的聊天機器人到「底層大模型」 GPT-4, GP4-4o 等迭代版輪番登場，自動程式機器人（Devin）和具有初步模擬真實物理世界能力的Sora 問世等等，AI 的想像力被無限放大。
同時的是，AI 本質上是一個規模化與集中化的產業，這場技術變革將本在「網路時代」就逐步掌握結構性主導權的科技企業推向更加狹窄的高點。龐大的電力、壟斷的現金流和主宰智慧時代所需的龐大數據集為其塑造了更高的障礙。
當塔樓越來越高，幕後的決策者愈發收縮，AI 集中化帶來了許多隱患，廣場上聚集的群眾如何避開塔樓下的陰影？正是Web3 期冀解決的問題。
從本質上而言，區塊鏈的固有屬性增強了人工智慧系統並帶來了新的可能性，主要是：
人工智慧時代的「代碼即法律」——透過智慧合約和加密驗證實現透明系統自動執行規則，將獎勵交到與目標更接近的人群。
代幣經濟－透過代幣機制、質押、削減、代幣獎勵和懲罰來創造和協調參與者的行為。
去中心化治理－促使我們質疑資訊來源，並鼓勵對人工智慧技術採取更批判性和洞察力的方法，防止偏見、錯誤資訊和操縱，最終培養一個更知情和賦權的社會。
AI 的發展也為Web3 帶來了新的活力，也許Web3 對於AI 的影響需要時間的證明，但AI 對於Web3 的影響是立竿見影的：這一點不論是Meme 的狂歡，還是AI Agent 幫助鏈上應用降低使用門檻都可以見得。
當Web3 被定義為一小撮人的自嗨，以及陷入對傳統行業的複製質疑聲中，AI的加入，為其帶來了可預見的未來：更加穩定&更具規模的Web2 用戶群體、更具創新的商業模式與服務。
我們生存在一個「塔樓與廣場」共存的世界，AI 與Web3 雖然有著不同的時間線與起點線，但其終點都是如何讓機器更好地服務人類，無人能定義一條奔騰的河流，我們期待看到AI+Web3 的未來。
*Coinspire平台上的所有內容僅供參考，不構成任何投資策略的要約或建議。基於本文內容所做的任何個人決策均由投資者自行承擔責任，Coinspire不對由此產生的任何收益或損失負責。投資有風險，決策需謹慎。
