区块链技术融合AI：加密货币与人工智能的未来交叉点

前言

公共区块链的出现堪称计算机科学史上最具深远意义的突破之一。与此同时，人工智能的发展正在重塑我们生活的世界。如果说区块链技术为交易结算、数据存储和系统设计提供了全新范式，那么人工智能则在计算分析、内容交付等领域掀起了一场革命。这两大领域的创新正在催生新的应用场景，有望在未来几年加速两者的融合发展。本报告聚焦加密货币与人工智能的融合趋势，重点探讨那些致力于弥合两者鸿沟、发挥协同效应的创新应用，包括去中心化计算协议、零知识机器学习(zkML)基础设施以及人工智能代理等前沿项目。

加密货币为人工智能提供了无需许可、去信任且高度可组合的结算层。这一特性解锁了诸多创新可能：通过去中心化计算系统让硬件资源更易获取；构建能够处理价值交换复杂任务的人工智能代理；开发身份验证和溯源解决方案以应对女巫攻击和深度伪造等挑战。与此同时，人工智能为加密货币带来了Web2时代已经普及的优势：借助大型语言模型(如定制版ChatGPT和Copilot)显著提升开发者和终端用户的体验；通过增强智能合约功能实现更高级的自动化。区块链为人工智能提供了透明且数据丰富的运行环境，但其有限的计算能力仍是直接集成AI模型需要解决的主要瓶颈。

推动加密货币与人工智能交叉领域实验和最终落地的核心动力，与加密货币最具前景的用例一脉相承——即通过去信任的协调层更好地促进价值转移。鉴于这两项技术的巨大潜力，行业参与者亟需深入理解它们相互赋能的基本方式。

核心洞察

在未来6-12个月内，加密货币与人工智能的整合将主要体现在提升开发效率、增强智能合约审计安全性以及改善用户体验等方面。这些改进虽然并非加密货币独有，却能显著优化链上开发和用户体验。当前高性能GPU严重短缺的背景下，去中心化计算产品正推出AI定制化GPU解决方案，为行业采用提供新动力。

用户体验和监管合规仍是去中心化计算服务需要突破的瓶颈。近期OpenAI在美国的发展动态以及持续加强的监管审查，凸显了抗审查、去中心化AI网络的价值主张。要实现链上AI集成(特别是支持AI模型的智能合约)，需要进一步完善zkML技术及其他验证链下计算的方法。目前工具生态不完善、专业人才匮乏以及高昂成本都是阻碍采用的重要因素。

人工智能代理与加密货币具有天然契合度——用户(或代理本身)可以创建钱包与其他服务、代理或个人进行交易，这是传统金融轨道无法实现的。但要实现大规模采用，还需要加强与非加密产品的集成。

关键术语

人工智能：利用计算和机器模拟人类推理与问题解决能力的技术。

神经网络：AI模型的训练方法，通过多层算法处理输入数据并不断优化，直至产生理想输出。神经网络由带权重的方程式构成，通过调整权重改变输出。训练需要海量数据和计算资源，是开发AI模型的常用方法(ChatGPT就采用了基于Transformer架构的神经网络)。

训练：开发神经网络等AI模型的过程，需要大量数据教会模型正确解析输入并生成准确输出。训练过程中持续调整模型方程权重直至输出达标，成本可能极其高昂。以ChatGPT为例，其训练动用了数万个专用GPU。资源有限的团队通常依赖Amazon Web Services、Azure和Google Cloud等专业计算服务商。

推理：实际使用AI模型获取输出的过程(如用ChatGPT生成加密货币与AI交叉领域论文大纲)。推理贯穿训练过程和最终应用，虽然计算强度低于训练，但因持续消耗资源，运行成本仍然较高。

零知识证明(ZKP)：在不泄露原始信息的前提下验证声明真实性的密码学方法。在加密货币领域主要有两大应用：隐私保护和扩容增效。隐私保护方面，用户可以在不暴露敏感信息(如ETH钱包余额)的情况下完成交易；扩容方面，通过链下计算配合链上快速验证，使区块链应用能够低成本处理复杂计算。更多关于零知识证明及其在以太坊虚拟机中的作用，请参考Christine Kim的研究报告：zkEVM：以太坊可扩展性的未来。

AI/加密货币生态图谱

当前AI与加密货币交叉领域的项目主要聚焦于构建支持大规模链上AI交互的基础设施。去中心化计算市场正在兴起，为AI模型训练和推理提供所需的物理硬件资源，特别是图形处理器(GPU)。这些双向市场连接算力供需双方，促进价值转移和计算验证。在去中心化计算领域，已涌现多个提供差异化功能的子类别：除基础的双边市场外，还包括专注于提供可验证训练和微调输出的机器学习训练服务商，以及致力于连接计算与模型生成的”智能激励网络”。

zkML正成为项目在经济高效且及时地提供可验证模型输出方面的新兴焦点。这些项目主要赋能应用程序处理链下复杂计算请求，然后在链上发布可验证的证明，确保链下工作负载完整准确。虽然当前zkML方案成本较高且耗时，但其应用场景正在快速扩展，DeFi和游戏应用中zkML的集成案例日益增多。

充足的计算资源供应与链上验证能力的结合，为链上AI代理打开了大门。这些经过训练的模型能够代表用户执行各类请求，通过与聊天机器人对话即可完成复杂交易，为链上体验带来质的飞跃。但目前代理项目仍主要专注于开发支持快速部署的基础设施和工具。

去中心化计算

行业概况

AI模型的训练和推理需要巨大的计算资源。过去十年间，随着模型复杂度不断提升，计算需求呈指数级增长。以OpenAI为例，2012至2018年间，其模型计算需求从每两年翻一番加速到每三个半月就翻一番。这导致加密货币矿工对GPU需求激增，部分矿工甚至转型为云计算服务商(更多信息可参考我们的年度比特币挖矿报告)。面对计算资源竞争加剧和成本攀升，一些项目正利用加密技术构建去中心化计算解决方案，以更具竞争力的价格提供按需计算，使团队能够经济高效地训练和运行模型，尽管在某些情况下需要在性能和安全性之间做出权衡。

当前市场对NVIDIAH100等尖端GPU需求旺盛。去年9月，Tether斥资4.2亿美元收购德国比特币矿商Northern Data部分股权，获得10,000个H100 GPU(目前最先进的AI训练芯片之一)。据报道，一流硬件的交付周期至少需要六个月，甚至更长。更严峻的是，企业常被要求签订长期合约锁定计算资源，即使实际使用量可能远低于合约量，这导致大量计算资源处于闲置状态。去中心化计算系统通过创建二级市场，让计算资源所有者可以即时转租闲置容量，有效释放了市场供给。

除价格优势和可及性外，去中心化计算的核心价值主张在于抗审查性。尖端AI开发日益被拥有计算和数据优势的大型科技公司主导。2023年AI指数报告指出，工业界在AI模型开发方面已大幅超越学术界，控制权集中在少数科技巨头手中。这引发广泛担忧——当这些公司为限制超出其控制范围的AI发展而积极推动监管时，他们是否有能力单方面决定AI模型的价值观和规范？

垂直领域发展

近年来出现了多种去中心化计算模式，各具特色与取舍。

通用计算平台

Akash、io.net、iExec、Cudos等项目提供或即将提供面向AI训练和推理的专用计算资源，同时支持数据和通用计算解决方案。Akash是目前唯一完全开源的”超级云”平台，基于Cosmos SDK构建的权益证明网络。其原生代币AKT用于支付、网络安全维护和参与激励。Akash于2020年推出首个主网，初期聚焦无需许可的云计算市场，提供存储和CPU租赁服务。2023年6月推出GPU测试网后，于9月正式上线支持AI训练和推理的GPU主网。

Akash生态主要有两类参与者：租户和供应商。租户是购买计算资源的用户，供应商则提供计算资源。Akash采用逆向拍卖机制匹配双方：租户提交包含服务器位置、硬件类型等需求参数及预算的请求，供应商据此报价，最低价者中标。网络验证者维护系统完整性，当前验证者数量上限为100个，计划逐步扩容。任何用户质押超过当前最少质押量的AKT即可成为验证者，AKT持有者也可委托质押。网络通过交易费、区块奖励和社区确定的”取消费”分配收益，后者专门分配给AKT持有者。

二级市场机遇

去中心化计算市场将填补现有市场的低效缺口。供应限制导致企业超额囤积计算资源，而云服务商的长期合约模式进一步加剧了供给不足。去中心化平台通过释放闲置资源，让全球任何拥有计算需求的人都能成为供应商。

AI训练对GPU的需求激增能否转化为Akash网络的长期使用仍有待观察。虽然Akash长期以70-80%的折扣提供CPU服务，但并未带来显著采用。网络活跃租约增长平稳，2023年Q2平均仅33%的计算资源、16%内存和13%存储被使用。虽然这些链上指标已相当可观(作为参照，领先的存储提供商Filecoin同期存储利用率为12.6%)，但表明供给仍远超需求。

Akash GPU主网上线仅半年多，长期采用率尚难定论。目前GPU平均利用率达44%，高于CPU、内存和存储，其中A100等高端GPU出租率超过90%，需求端呈现积极信号。

Akash日均支出也因GPU使用近乎翻倍，虽然CPU等其他服务使用量有所增加，但主要增长动力来自新增的GPU需求。

当前定价与Lambda Cloud和Vast.ai等中心化竞争对手相当，部分情况下甚至更高。由于市场对H100和A100等尖端GPU需求旺盛，大多数设备所有者缺乏参与竞价市场的动力。

虽然初期展现出前景，但采用仍面临障碍。去中心化计算网络需要更多举措刺激供需，团队正积极探索吸引新用户的策略。例如2024年初，Akash通过240号提案增加GPU供应商的AKT激励，特别是针对高端GPU。团队还致力于推出概念验证模型展示网络功能，如正在训练的基础模型，已推出基于Akash GPU的聊天机器人和图像生成应用。同样，io.net开发了Stable Diffusion模型，并推出新功能以更好模拟传统GPU数据中心的性能与规模。

去中心化机器学习训练

除通用计算平台外，一批专注于机器学习模型训练的专业AI GPU服务商正在崛起。例如Gensyn致力于”协调算力与硬件构建集体智能”，其核心理念是”当有人想训练模型且有人愿意提供训练时，这种协作就应该发生”。

该协议有四大参与方：提交者发布包含训练目标、模型和数据的任务，并预付预估计算费用；解决者实际执行训练；验证者检查训练是否正确完成；举报者监督验证者行为。为激励举报参与，Gensyn计划定期植入故意错误，奖励发现者。

除提供AI计算资源外，Gensyn的核心价值在于其验证系统(仍在开发中)。为确保外部GPU提供商的训练正确执行，Gensyn采用创新验证方法，结合”概率学习证明、基于图的精确协议和Truebit式激励博弈”，这种乐观求解模式允许验证者确认解决者正确运行模型，而无需完全重新执行这一高成本过程。

Gensyn宣称其ML训练成本比AWS低80%，测试中表现优于Truebit等项目。

这些结果能否在去中心化网络中大规模复制尚待验证。Gensyn希望整合小型数据中心、零售用户甚至未来移动设备的闲置算力，但正如团队坦言，异构计算环境带来新挑战。传统云服务商硬件间通信成本低而计算成本高，Gensyn则通过开放全球GPU供应降低计算成本，但增加了远距离异构硬件协调作业的通信开销。尽管尚未正式推出，Gensyn已展示了去中心化ML训练协议的可能性。

去中心化通用智能

去中心化计算平台也为AI构建方法提供了新思路。基于Substrate构建的Bittensor协议试图<a href="https://towardsdatascience.com/the-future-of-ai-is-decentral