自ChatGPT和GPT-4推出以来，有大量内容探讨人工智能如何改变Web3等一切事物。很多行业的开发人员通过利用ChatGPT自动化工作内容，如生成样板代码、进行单元测试、创建文档、调试和检测漏洞等。虽然本文将探讨人工智能如何启用新的有趣的Web3用例，但主要关注点在于Web3和人工智能之间的互惠关系。少有技术能够显着影响人工智能的发展轨迹，而Web3就是其中之一。
Web3如何使人工智能受益？
尽管潜力巨大，但当前的人工智能模型面临着若干挑战，包括数据隐私、专有模型执行的公平性以及创建和传播可信虚假内容的能力等。一些现有的Web3.0技术具有独特的优势来应对这些挑战。
用于机器学习训练的专有数据集
Web3可以帮助人工智能的一个领域是协作创造专有数据集以供机器学习，即用于数据集创建的PoPW网络。海量数据集对于准确的ML模型至关重要，但它们的创建可能是一个瓶颈，特别是在需要使用私人数据进行诊断的医疗ML应用中。患者数据隐私问题是个重大障碍，但访问医疗记录是训练这些模型所必需的。然而，由于隐私问题，患者可能不愿意共享他们的医疗记录。为了解决这个问题，患者可以通过可验证的方式对他们的医疗记录进行匿名化处理，以保护他们的隐私，同时仍然可以将其用于ML训练。
匿名化医疗记录的真实性是一个问题，因为伪造数据可能会影响模型性能。为了解决这个困境，可以使用零知识证明来验证匿名化的医疗记录的真实性。患者可以生成ZKP来证实匿名化记录确实是原始记录的副本，即使删除了个人身份信息同样可以验证。这样，患者可以将匿名记录和ZKP一起提交给有兴趣的各方，并获得奖励，而不会牺牲他们的隐私。
Circle CEO：美国必须实施稳定币立法:金色财经报道，Circle 的首席执行官Jeremy Allaire表示，美国必须实施稳定币立法并将美元 (USD) 数字化，以缓解目前全球“非常活跃的去美元化进程”。[2023/4/27 14:30:19]
对隐私数据运行推理
当前LLM的一个主要弱点是其处理隐私数据的能力。例如，当用户与ChatGPT交互时，OpenAI收集用户的数据并将其用于增强模型的训练，可能会导致敏感信息泄露。此情形曾发生在三星公司。零知识(zk)技术可以帮助解决ML模型在对私有数据执行推断时出现的一些问题。在这里，我们考虑两种情况：开源模型和专有模型。
对于开源模型，用户可以下载模型并在本地运行它们的隐私数据。一个例子是Worldcoin计划升级WorldID。Worldcoin需要处理用户的私有生物特征数据，即用户的虹膜扫描，以创建每个用户的唯一标识符，称为IrisCode。在这种情况下，用户可以在设备中保持其生物特征数据的隐私性，下载用于生成IrisCode的ML模型，本地运行推断，并创建ZKP来证明他们成功创建了IrisCode。所生成的证据保证了推断的真实性，同时也保护了数据隐私。ML模型的高效zk证明机制对于此用例至关重要。另一种模型是专有模型。ZKP有两种可能的方式可以帮助解决这个问题。第一种方法是，在将匿名化数据发送到ML模型之前，使用ZKP对用户数据进行匿名化，就像在数据集创建案例中讨论的那样。另一种方法是在将预处理输出发送到ML模型之前，对私有数据进行本地预处理。在这种情况下，预处理步骤隐藏了用户的私有数据，使其无法被重构。用户生成一个ZKP来证明预处理步骤的正确执行，然后可以远程在模型所有者的服务器上执行其余专有模型。这里的应用场景包括AI医生，可以分析患者的医疗记录以进行潜在诊断，以及评估客户私人财务信息的金融风险评估算法。内容真实性和对抗深度伪造技术
摩根大通CEO：比特币供应不会真正限制在2100万枚:金色财经报道，摩根大通首席执行官杰米·戴蒙 (Jamie Dimon) 在接受CNBC财经节目Squawk Box时表示，比特币供应不会真正限制在2100万枚，他表示：“你怎么知道比特币供应会停在 2100 万？也许比特币供应在达到 2100 万的时候，中本聪的照片弹出来并嘲笑你们所有人。你们都读过算法吗？你们都相信吗？我不知道，我一直对这样的事情持怀疑态度。”
据比特币钱包公司 Casa 联合创始人 Jameson Lopp 所指出的，比特币的供应上限仅由 5 行代码隐式执行。 但是只要用户同意，任何由代码强制执行的内容在技术上都可以更改。许多人认为，比特币社区将被迫升级其软件以生产超过 2100 万枚硬上限，以提供稳定的资金来支持采矿业。 （decrypt）[2023/1/20 11:22:32]
ChatGPT可能已经从那些专注于生成图片、音频和视频的生成式人工智能模型中夺得了风头。然而，这些模型目前能够生成逼真的深度伪造内容。最近由AI生成的Drake歌曲就是一个很好的例子。这些深度伪造技术代表着一个重大威胁，有许多创业公司正在尝试使用Web2技术解决这个问题，但是Web3技术更适合解决这个问题。
在Web3中，用户交互通过用户的私钥进行签名以证明其有效性。同样，无论是文本、图片、音频还是视频等内容都可以通过创建者的私钥进行签名，以证明其真实性。任何人都可以根据创建者的公共地址验证签名，该地址提供在创建者的网站或社交媒体账户上。Web3网络已经建立了所有用于这种用例的基础设施。FredWilson讨论了将内容与公钥关联起来如何有效地对抗虚假信息。许多知名的VC已经将他们现有的社交媒体个人资料或去中心化社交媒体平台与加密公共地址相连，这为数字签名作为内容认证方法的可信度提供了支持。
NFTGo.io 上线刷单交易过滤（Wash Trading Filter）功能:8月17日消息，据官方消息，NFT 数据聚合平台 NFTGo.io 于近期上线刷单交易过滤（Wash Trading Filter）功能。NFTGo.io 通过自研算法，将标记所有可疑刷单交易及相关 NFT 项目；此外，NFTGo.io 平台支持自动/手动过滤刷单交易数据，使用户能了解真实市场数据，看到链上最真实的交易行为。
NFTGo.io 作为一站式 NFT 数据分析平台，通过高性能 NFT 数据采集引擎，提供包括 NFT 市场趋势分析、稀有度查询、巨鲸追踪等实时链上数据和专业洞察。[2022/8/17 12:32:08]
尽管这个概念很简单，但是需要做很多工作来改善这个认证过程的用户体验。例如，需要自动化创建内容的数字签名过程，以为创建者提供无缝的流程。另一个挑战是如何生成已签名数据的子集，例如音频或视频片段，而无需重新签名。许多现有的Web3技术都独特地解决了这些问题。
专有模型的信任最小化
Web3可以使AI受益的另一个领域是，在提供专有ML模型作为服务时，可以将对服务提供商的信任程度降到最低。用户可能需要验证他们是否获得了花钱购买的的服务，或获得公平执行ML模型的保证，即所有用户都使用相同的模型。可以使用ZKP来提供这些保证。在这种架构中，ML模型创建者生成表示ML模型的zk电路。然后在需要时使用电路为用户推断生成ZKP。ZKP可以发送给用户进行验证，也可以发布到处理用户验证任务的公共链上。如果ML模型是私有的，独立第三方可以验证使用的zk电路确实代表该模型。ML模型的信任最小化，在模型的执行结果具有高风险时将会特别有用。示例包括：
1、ML医疗诊断
在这种用例中，患者向ML模型提交他们的医疗数据以进行潜在诊断。患者需要保证目标ML模型已经正确地应用于他们的数据。推理过程生成一个ZKP，证明了ML模型的正确执行。
经济日报：谨防“币圈”圈钱新花样:金色财经消息，经济日报文章指出，本质上，“二舅币”和前两年红极一时的“狗狗币”“柴犬币”一样，是纯粹的概念炒作。这种通过随意设置一个概念，在区块链上敲出一串代码，进而生成没有实际价值支撑、没有任何底层资产作信用保证的币来发售的行为，都是圈钱“割韭菜”的把戏。买卖虚拟货币不仅要自负盈亏，还面临法律风险。我国早已明令禁止虚拟货币的炒作交易，并明确定性虚拟货币和相关业务活动为非法金融活动，普通人投资虚拟货币，涉嫌破坏金融秩序、危害金融安全的，将由相关部门依法查处。这表明“币圈”不是法外之地，投资者要树立正确投资理念，增强风险防范意识，妄想通过炒作虚拟货币一夜暴富的侥幸心理要不得。[2022/8/10 12:14:31]
2、贷款信用评估
ZKP可以确保银行和金融机构在评估信用价值时考虑到申请人提交的所有财务信息。此外，ZKP可以通过证明所有用户使用相同的模型，来证明公平性。
3、保险索赔处理
当前的保险索赔处理是手动和主观的。ML模型可以更好地公正地评估保险单和索赔详细信息。结合ZKP，这些索赔处理ML模型可以被证明已经考虑了所有保单和索赔细节，并且能保证同一模型用于处理同一保险单下的所有索赔。
解决模型创建的中心化问题
创建和训练LLM是一个漫长而昂贵的过程，需要特定领域的专业知识、专用计算基础设施和数百万美元的计算成本。这些特点可能导致强大的中心化实体，例如OpenAI，它们可以通过限制对其模型的访问，获得巨大的权力。
考虑到这些中心化风险，关于Web3如何促进LLM创建中的去中心化问题，就成了研究的重点。一些Web3倡导者提出了分布式计算的方法，与中心化参与者竞争。其核心思想是分布式计算可以是一种更便宜的替代方案。然而，我们的观点是，这可能不是与中心化参与者竞争的最佳角度。分布式计算的劣势在于，因不同异构计算设备之间的通信开销，ML训练可能会变慢10-100倍。
CME比特币期货持仓周报：未平仓总量下降至13258张:金色财经消息，据KingData数据监控，CFTC 6月29日至7月5日CME比特币期货持仓周报显示：
未平仓总量自13,707张下降至13,258张。
机构多头头寸8,181张，空头头寸10,371张，多空持仓比例1:1.3，机构多空力量均衡，整体偏向看空；
大户多头头寸2,619张，空头头寸471张，多空持仓比例5.6:1，大户显著偏向看涨；
散户多头头寸1,058张，空头头寸1,016张，多空持仓比例1:1，散户多空力量均衡。[2022/7/11 2:05:07]
相反，Web3项目可以专注于以PoPW风格创建独特且具有竞争力的ML模型。这些PoPW网络还可以收集数据以构建唯一的数据集来训练这些模型。一些正在朝着这个方向发展的项目包括Together和Bittensor。
AI代理的支付和执行框架
过去几周见证了AI代理的兴起，这些代理利用LLM来推理实现特定目标所需的任务，甚至执行这些任务以实现目标。AI代理浪潮始于BabyAGI，并迅速扩散到包括AutoGPT在内的高级版本。这里的一个重要预测是，AI代理将变得更加专业化，以在某些任务中表现出色。如果存在专门的AI代理市场，则AI代理可以搜索、雇佣和支付其他AI代理来执行特定任务，从而完成主项目。在这个过程中，Web3网络为AI代理提供了一个理想的环境。对于支付，可以为AI代理配备加密货币钱包，用于接收款项和支付给其他AI代理费用。此外，AI代理可以插入加密网络，以在无许可的情况下委托资源。例如，如果AI代理需要存储数据，AI代理可以创建一个Filecoin钱包并支付IPFS上的去中心化存储费用。AI代理还可以委托来自Akash等去中心化计算网络的计算资源来执行某些任务，甚至扩展其自身的执行能力。
防止AI侵犯隐私
考虑到训练高效ML模型所需的大量数据，可以预料到任何公共数据都会进入到模型中，以使用这些数据来预测个人行为。此外，银行和金融机构可以建立自己的ML模型，该模型是基于用户的财务信息进行训练的，并且能够预测用户未来的财务行为。这可能是对隐私的重大侵犯。唯一减轻这种威胁的方法是，金融交易隐私是默认被保护的。而在Web3中，这种隐私可以通过使用隐私支付区块链和私有DeFi协议来实现。
启用AI的Web3用例
链上游戏
1、非编程游戏玩家的机器人生成
像DarkForest这样的链上游戏创造了一种独特的范例，玩家可以通过开发和部署执行所需游戏任务的机器人来获得优势。这种范式转变可能会排除没有代码能力的游戏玩家。然而，LLM可以改变这一点。LLM可以被精细调整以理解链上游戏逻辑，并允许玩家创建反映玩家策略的机器人，而不需要玩家编写任何代码。Primodium和AIArena等项目正在致力于为他们的游戏招募人类和AI玩家。
2、机器人战斗、下注和
链上游戏的另一种可能性是完全自主的AI玩家。在这种情况下，玩家是一个AI代理，例如AutoGPT，它使用LLM作为后端并可以访问外部资源，例如互联网访问和潜在的初始加密货币资金。这些AI玩家可以以机器人大战的方式进行投注。这可以为投机和押注这些注的结果打开市场。
3、为链上游戏创建逼真的NPC
当前的游戏很少关注非玩家角色。NPC的行动有限，并且对游戏进程影响很小。考虑到AI和Web3的协同作用，可以创建更具吸引力的AI控制的NPC，打破可预测性，使游戏更加有趣。这里可能面临的一个挑战是如何引入有意义的NPC，同时最小化与NPC活动相关的TPS。NPC活动的TPS要求过高可能导致网络拥塞和实际玩家的用户体验不佳。
去中心化社交媒体
当前去中心化社交平台的挑战之一是，与现有的中心化平台相比，它们没有提供独特的用户体验。与AI的无缝集成可以提供缺乏Web2替代方案的独特体验。例如，AI管理的帐户可以通过分享相关内容、评论帖子和参与讨论来帮助吸引新用户加入网络。AI帐户还可以用于新闻聚合，总结与用户兴趣相匹配的最近趋势。
去中心化协议的安全性和经济性设计测试
基于LLM的AI代理，可以自定义目标、创建代码并执行这些代码，为去中心化网络的安全性和经济可行性提供了实际测试的机会。在这种情况下，AI代理被指示检查协议的安全或经济平衡。AI代理可以通过审查协议文档和智能合约，并确定弱点。然后，AI代理可以独立地执行攻击协议的机制，以最大化自己的收益。这种方法模拟了协议在发布后可能你会面临的实际环境。根据这些测试结果，协议的设计者可以审查协议设计并修补弱点。到目前为止，只有专门的公司，例如Gauntlet，提供此类去中心化协议服务所需的技术技能集。然而，对于接受过Solidity、DeFi机制和以前的开发机制培训的LLM，我们希望AI代理可以提供类似的功能。
用于数据索引和指标提取的LLM
尽管区块链数据是公开的，但对该数据进行索引并提取有用的见解仍然是一项持续的挑战。这个领域的一些参与者专注于索引数据和构建复杂的指标以进行销售，而其他参与者则专注于索引原始交易的主要组成部分，并通过社区贡献以众包的形式完成指标创建。随着最近LLM的进展，我们清楚地看到了数据索引和指标提取可能被颠覆的趋势。Dune已经意识到了这种威胁，并公布了一个LLM路线图，包括SQL查询解释和基于NLP的查询潜力等组件。然而，我们预测LLM的影响将更深入。这里的一种可能性是，基于LLM，可以为特定的指标索引数据，并直接与区块链节点交互。像DuneNinja这样的初创公司已经在探索创新的LLM应用程序，用于数据索引。
引导开发者进入新生态系统
不同的区块链互相竞争，吸引开发人员在该生态系统中构建应用程序。Web3开发人员的活跃，是特定生态系统成功的重要指标之一。对于开发人员而言，一个主要的痛点是在学习和构建新兴生态系统时不能及时获得支持和指导。已经有一些生态系统投资数百万美元成立了专门的DevRel团队来支持探索该生态的开发人员。在这方面，新兴的LLM已经展示了惊人的结果，可以解释复杂的代码，捕捉错误甚至创建文档。精细调整过的LLMs可以与人类经验相辅相成，显著提高devrel团队的工作效率。例如，LLMs可以用于创建文档、教程、回答常见问题，并且甚至可以通过提供样板代码或创建单元测试来支持hackathon中的开发人员。
改进DeFi协议
通过将AI集成到DeFi协议的逻辑中，可以显着提高许多DeFi协议的性能。到目前为止，在DeFi中集成AI的主要瓶颈是，在链上实施AI的成本过高。AI模型可以在链下实现，但以前没有办法验证模型执行。但是，借助像Modulus和ChainML这样的项目，链下执行的验证正在变得可能。这些项目允许在链下执行ML模型，同时限制了链上成本的扩张。对于Modulus来说，链上费用仅限于验证模型的ZKP；对于ChainML来说，则是支付给去中心化AI执行网络的预言机费用。
一些可以从AI集成中受益的DeFi用例：
AMM流动性提供，即更新UniswapV3流动性范围。使用链上和链下数据进行债务头寸的清算保护。复杂的DeFi结构化产品，其中保险库机制由金融AI模型定义，而不是固定策略。这些策略可以包括由AI管理的交易、借贷或期权。可以考虑不同链、不同钱包的链上信用评分机制。结论
我们相信Web3和AI在文化和技术上是兼容的。与倾向于厌恶机器人的Web2相比，Web3允许AI蓬勃发展，这要归功于其无需许可的可编程特性。
更广泛地说，如果您将区块链视为一个网络，那么我们预计AI将主导网络的边缘。这适用于各种消费者应用程序，从社交媒体到游戏。
到目前为止，Web3网络的边缘大多是人类。人类发起并签署交易或实施具有固定策略的机器人来代表他们行动。
随着时间的推移，我们将在网络边缘看到越来越多的AI代理。AI代理将通过智能合约与人类以及彼此进行交互。这些互动将带来新颖的消费者体验。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。