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”。
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
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
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？
- 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？
- 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
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。
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：
- 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？
这两个都是复杂问题，让我们深入探讨。
加密开销
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：
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
声明：文章不代表CHAINTT观点及立场，不构成本平台任何投资建议。投资决策需建立在独立思考之上，本文内容仅供参考，风险 自担！转载请注明出处：https://www.chaintt.cn/11656.html