加密货币与AI应用：未来前景与关键挑战解析

特别感谢Worldcoin和Modulus Labs团队、孙新源、Martin Koeppelmann和Illia Polosukhin的宝贵反馈和深入讨论。

多年来，我经常被问到一个相似的问题：在加密货币和人工智能这两个过去十年最具影响力的技术趋势之间，最有价值的交叉点在哪里？这个问题确实值得思考。表面上看，两者似乎存在天然的互补性：加密货币的去中心化特性可以平衡人工智能的中心化倾向，区块链的透明度可以弥补人工智能的不透明性，而人工智能对数据的需求正好与区块链的数据存储和追踪能力相匹配。然而，当人们期待我深入探讨具体应用时，我的回答往往令人失望：”确实有一些研究，但并不多”。

过去三年间，随着现代大语言模型的崛起，以及区块链领域在扩容方案之外取得的突破性进展——包括零知识证明、全同态加密和多方安全计算等技术的发展，情况开始发生变化。虽然我们需要谨慎评估人工智能的应用方式，但在区块链生态内部确实出现了一些前景广阔的人工智能应用，特别是在人工智能与密码学的结合方面。一个关键挑战在于：密码学领域通常需要开源来确保安全性，而人工智能模型的开放却可能增加其遭受对抗性攻击的风险。本文将探讨加密货币与人工智能可能的交叉领域，并分析每个领域的前景与挑战。

这张来自uETH博客的图表概括了加密货币与人工智能交叉领域的高层视角。但具体实现这些协同效应需要什么呢？

四大应用类别

人工智能是一个极其广泛的概念：我们可以将其视为通过大规模计算和优化压力而非明确编程来创造算法的过程。这种描述不应被轻视——它实际上涵盖了包括人类进化在内的自然选择过程！这意味着人工智能算法具有一个共同特点：它们能完成非常复杂的任务，但我们往往无法完全理解其内部运作机制。

对于人工智能的分类方法有很多。就区块链（被描述为创建”游戏”的平台）与人工智能的交互而言，我认为可以分为以下几类：

• 作为游戏参与者的人工智能[可行性最高]：人工智能参与由人类输入驱动的激励机制。
• 作为游戏界面的人工智能[潜力巨大但风险并存]：人工智能帮助用户理解加密世界并确保其行为符合意图。
• 作为游戏规则的人工智能[需格外谨慎]：区块链和DAO直接调用人工智能，如”AI裁判”。
• 作为游戏目标的人工智能[长期但有趣]：专门设计用于构建和维护人工智能的区块链和DAO机制。

让我们逐一探讨这些类别。

作为游戏参与者的人工智能

这个类别实际上已经存在了近十年，至少从去中心化交易所广泛使用时就开始了。每当有交易发生时，套利机会就会出现，而机器人在这方面比人类更具优势。虽然这个用例已经存在很长时间，但它确实是人工智能与加密货币交叉的一个真实案例。最近，我们经常看到MEV套利机器人相互利用的情况。任何涉及拍卖或交易的区块链应用都可能出现套利机器人。

但人工智能套利机器人只是一个更大类别的开端，我预计很快会出现更多应用。让我们看看AIOmen，这是一个人工智能参与的预测市场演示：

预测市场长期以来一直被视为认知技术的杀手级应用。我在2014年就期待看到将预测市场用于治理输入的futarchy项目，最近也有不少尝试。但迄今为止，预测市场在实践中并未取得太大成功，原因通常包括：主要参与者往往不够理性，真正了解情况的人不愿投入时间和资金，除非涉及大量资金否则市场流动性不足等。

对此的一种回应是寄希望于Polymarket等新型预测市场的用户体验改进。毕竟，人们愿意在体育博彩上投入数十亿美元，为什么不能在美国大选或其他重要事件上下注呢？但考虑到过去版本的预测市场未能达到预期规模，似乎需要一些新元素来推动其成功。而人工智能的普遍参与可能是2020年代才出现的新机遇。

人工智能可以以极低成本工作，拥有百科全书般的知识，甚至能整合实时网络搜索功能。如果创建一个市场并提供50美元的流动性补贴，人类可能不会太在意，但成千上万的人工智能会立即投入其中，努力做出最佳预测。虽然单个问题的激励可能微不足道，但整体上为人工智能提供良好预测的激励可能达到数百万美元。值得注意的是，大多数问题甚至不需要人类裁决：可以使用类似Augur或Kleros的多轮争议系统，人工智能也能参与早期轮次。只有在争议升级且双方都投入大量资金时，才需要人类介入。

这是一个强大的基础模块，因为一旦”预测市场”能在微观层面运作，它就可以被重用于许多其他类型的问题：

• 根据使用条款，某社交媒体帖子是否可以接受？
• 某股票价格将如何变化（参见Numerai）
• 给我发消息的这个账户真的是埃隆·马斯克吗？
• 在线任务市场上提交的这项工作是否符合要求？
• https://examplefinance.network上的dapp是骗局吗？
• 0x1b54…98c3真的是”Casinu Inu”ERC20代币的地址吗？

你可能注意到，许多这些想法都指向我在”d/acc”文章中提到的”信息防御”方向。核心问题是：我们如何在不赋予中央机构过多权力的情况下，帮助用户辨别真假信息并检测诈骗？微观层面的答案可能是”人工智能”，但宏观层面的问题是：谁来构建这些人工智能？人工智能会反映其创造过程，难以避免偏见。因此，需要更高层次的机制来评估不同人工智能的表现，而人工智能可以作为参与者参与其中。

这种让人工智能参与机制的方式——最终由链上机制（基于概率）根据人类输入进行奖励或惩罚（可以称之为去中心化市场驱动的强化学习？）——值得深入研究。现在正是探索这类用例的好时机，因为区块链扩容的成功使得”微观”事物在链上变得可行，这在以前通常是不可能的。

另一类相关应用是高度自治的代理使用区块链进行更好的协作，无论是通过支付还是使用智能合约做出可信承诺。

作为游戏界面的人工智能

我在文章中提出过一个想法：存在一个市场机会，可以开发通过解释和识别在线世界中的危险来保护用户利益的面向用户软件。Metamask的诈骗检测功能就是现有案例之一：

另一个例子是Rabby钱包的模拟功能，它向用户展示他们即将签署交易的预期结果。

Rabby向我解释将所有的”BITCOIN”（一个ERC20 meme币，全称是”HarryPotterObamaSonic10Inu”）兑换为ETH的交易后果。

编辑于2024年2月2日：本文早期版本误将此代币描述为试图冒充比特币的骗局。实际上它是一个meme币。对此错误表示歉意。

这些工具可能会通过人工智能得到极大增强。AI可以更丰富地以人类友好的方式解释你使用的dapp类型、复杂操作的后果、某个代币的真实性等。已经有一些项目朝这个方向发展（例如使用AI作为主要界面的LangChain钱包）。我个人认为纯AI界面目前风险太高，因为它增加了其他类型错误的风险，但AI辅助的传统界面方式很有前景。

这里有一个特定风险值得一提。我将在”AI作为游戏规则”部分详细讨论，但核心问题是对抗性机器学习：如果用户在开源钱包内能访问AI助手，攻击者也能访问，因此他们将有无限制的机会优化欺诈行为以绕过防御。所有现代AI都存在漏洞，在训练过程中，即使只有有限访问权限，也不难发现这些漏洞。

这就是”AI参与链上微市场”更有效的地方：你故意创建一个由数十个参与者组成的开放生态系统，他们不断迭代和改进。此外，每个AI都是封闭的：系统的安全性来自公开的游戏规则，而非单个参与者的内部运作。

总体而言，AI可以帮助用户用简单语言理解情况，充当实时导师，保护用户免于犯错，但在直接对抗恶意误导者和诈骗者时需要格外谨慎。

作为游戏规则的人工智能

现在，我们来到许多人期待但风险最高、需要最谨慎对待的应用：AI作为游戏规则的一部分。这与主流政治精英对”AI法官”的热情类似（参见这篇文章），区块链应用中也存在类似愿望。如果基于区块链的智能合约或DAO需要做出主观决定（如特定工作产品是否符合雇佣合同要求？如何正确解释乐观主义等自然语言宪法？链的法则？），能否让AI成为合约或DAO的一部分来帮助执行这些规则？

这正是对抗性机器学习成为巨大挑战的地方。简单来说：

如果在机制中起关键作用的AI模型是封闭的，你无法验证其内部运作，这与中心化应用无异。如果AI模型是开放的，攻击者可以在本地下载并模拟它，设计高度优化的攻击来欺骗模型，然后在实时网络上重放这些攻击。

对抗性机器学习示例（来源：researchgate.net）

熟悉加密领域的读者可能会想到：我们有零知识证明和其他酷炫的密码学技术。难道不能使用加密魔法隐藏模型的内部运作，使攻击者无法优化攻击，同时证明模型正确执行且基于合理训练数据构建？

通常这正是我提倡的思维方式。但对于AI相关计算，有两个主要反对意见：

1. 加密开销：在SNARK（或MPC等）内执行操作比”明文”方式效率低得多。考虑到AI计算已经非常庞大，加密黑盒内运行AI在计算上是否可行？
2. 黑盒对抗性机器学习攻击：存在一些方法可以在不了解模型内部运作的情况下优化攻击。如果隐藏太多，可能会让选择训练数据的人更容易通过投毒攻击破坏模型。

这两个都是复杂问题，让我们深入探讨。

加密开销

加密工具，特别是ZK-SNARK和MPC等通用工具，开销很大。客户端直接验证以太坊区块需要几百毫秒，但生成证明区块正确性的ZK-SNARK可能需要数小时。其他加密工具（如MPC）的开销通常更大。AI计算已经很昂贵：最强大的LLM生成单词的速度仅略快于人类阅读速度，训练成本通常高达数百万美元。顶级模型与试图节省训练成本或参数数量的模型之间存在显著质量差异。乍看之下，这让人怀疑整个”通过密码学包装AI来提供保证”的项目可行性。

幸运的是，AI计算具有特定结构，适合各种优化，而像ZK-EVM这样的”非结构化”计算无法受益。让我们看看AI模型的基本结构：

通常，AI模型主要由一系列矩阵乘法组成，穿插着逐元素的非线性运算如ReLU)函数（y=最大值(x,0)）。渐进来看，矩阵乘法占主要工作：两个N*N矩阵相乘需要

O(N^2.8)时间，而非线性运算数量少得多。这对密码学非常有利，因为许多密码学形式可以几乎”免费”执行线性运算（矩阵乘法就是如此，至少如果你加密模型而不加密输入）。

密码学家可能熟悉同