机器学习

运行大型语言模型如Llama2-70B需要超过140GB内存，家用计算机难以胜任。分散推理成为解决方案，避免依赖单一云提供商。但去中心化网络面临信任问题，需验证模型是否正确运行。目前有三种主要方法：1. 零知识证明（ZK ML），密码学保证正确性但成本高昂；2. 乐观欺诈证明（Optimistic ML），信任但需验证，成本较低但需等待挑战期；3. 加密经济学，通过股权加权投票平衡成本与信任，安全性较弱但简单易行。机器学习验证的难点在于计算图的复杂性、不确定性和浮点运算的不一致性。去中心化推理网络虽具挑战性，但区块链与机器学习的结合前景广阔。

Kaito AI是由蜻蜓资本和红杉资本投资的Web3信息平台，利用AI技术整合Twitter、Discord等数千个加密数据源，提供实时市场洞察。其核心功能包括动态社交图谱、语音转文字模型和大型语言模型，帮助用户高效获取可操作信息。平台提供MetaSearch、情绪追踪等工具，支持投资者、研究者和开发者优化决策。Kaito已完成1080万美元融资，估值达8750万美元，主要竞争对手包括Nansen和Artemis。通过AI驱动的数据分析，Kaito正在革新加密领域的信息获取方式。

Allora Network定位为”自我改进的去中心化AI网络”，通过创新机制解决AI资源垄断问题。其核心设计包含三类角色：工作者提供AI推断与预测、评价者验证结果质量、消费者支付获取服务。网络采用上下文感知推断合成机制，结合历史表现与实时预测进行加权计算，并建立差异化奖励体系确保公平分配。原生代币ALLO用于支付服务费、质押及奖励分配，经济模型包含代币回收与平滑发行机制。项目由获2200万美元融资的Upshot团队开发，整合zkML技术，目前处于测试网阶段并推出积分激励计划，用户可通过链上/下活动获取潜在空投机会。

FHEML技术摘要 完全同态加密(FHE)支持对加密数据直接进行计算，结果解密后与明文计算一致。FHEML结合FHE与机器学习，能在加密数据上执行训练和推理，保护数据隐私。主要分为三类加密方案：SHE（有限运算）、FHE（无限运算）和部分HE（单一运算）。现有工具包括Zama的Concrete-ml（支持Python转FHE电路）、OpenMined的TenSEAL（神经网络张量加密）和TF Encrypted（TensorFlow加密生态）。核心应用场景涵盖外包计算、加密推理和加密训练，在医疗、金融等敏感领域具有重要价值，实现了”数据可用不可见”的隐私计算范式。

Privasea AI网络通过全同态加密（FHE）和去中心化协议解决AI时代的数据隐私问题，提供安全计算环境。其核心产品DeepSea支持加密数据上的机器学习任务，结合ImHuman应用实现隐私保护的身份验证。Privasea已完成1500万美元融资，主网计划2025年第一季度上线，代币$PRVA用于激励节点参与和生态治理。