ChatGPT 周年纪念反思：AIGC的瓶颈与Web3的机遇

作者：Gryphsis Academy 来源：medium 翻译：善欧巴，金色财经

2022 年是生成式人工智能的分水岭，在此之前，生成式人工智能主要是专业人士的辅助工具。随着 DALL-E 2、Stable Diffusion、Imagen 和 Midjourney 的出现，这种情况发生了巨大的变化。这些技术将人工智能生成内容 (AIGC)推向了技术趋势的前沿，在社交媒体上掀起了一股流行内容热潮。不久之后发布的 ChatGPT 改变了游戏规则，将这一趋势推向了顶峰。

作为第一个只需要简单的文本提示即可回答几乎所有问题的人工智能工具，ChatGPT 很快成为许多人的日常工作助手。它能够处理文档写作、作业辅导、电子邮件协助、论文编辑甚至情感咨询等多种任务，引发了网上关于通过“神奇提示”优化结果的热烈讨论，让人们切实感受到人工智能的“智能”。

高盛宏观团队的一份报告显示，生成式人工智能可以促进美国劳动生产率的增长，有可能在十年内推动全球 GDP（或近 7 万亿美元）增长 7%，并将生产率增长率提高 1.5 个百分点。

Web3 领域也感受到了 AIGC（人工智能生成内容）的积极影响。2023年1月，Web3的AI板块全面上涨。

然而，随着最初的兴奋开始消退，ChatGPT 的全球流量在 2023 年 6 月出现了自推出以来的首次下降（数据来源于 SametimeWeb）。这次经济衰退标志着一个及时的机会来重新思考生成人工智能的重要性和局限性。

当前生成式人工智能面临的挑战包括但不限于：普遍存在的未经授权且无法追踪的 AIGC充斥社交媒体平台；ChatGPT 的高昂维护成本迫使 OpenAI 降低输出质量，作为削减成本和提高效率的措施；而ChatGPT等全球大规模模型由于数据分布不平衡，在某些方面仍然存在偏差。

随着像 ChatGPT 这样的生成式 AI 最初的热情消退，成熟且不断发展的 Web3 领域以其去中心化、透明性和可验证性，为生成式 AI 所面临的挑战提供了新的解决方案：

Web3 的透明度和可追溯性可以有效验证内容来源和真实性，从而显着提高生产欺诈或侵权的人工智能生成内容的成本，例如版权混乱的 TikTok 混音视频或侵犯隐私的 DeepFake 视频。内容管理中的智能合约可以解决版权问题，确保创作者得到公平的补偿。

开发生成式人工智能需要大量的计算资源。例如，训练基于 GPT-3 的 ChatGPT 成本超过 200 万美元，每日电费约为 47,000 美元，并且随着技术和规模的进步，这些成本预计将呈指数级增长。

目前，计算资源大量集中在大公司手中，导致开发、维护和运营成本高昂，存在中心化风险，小公司难以竞争。虽然大型模型的训练由于其广泛的计算需求可能仍然需要集中化，但Web3的区块链技术可以实现分布式模型推理、社区投票治理和模型代币化。

以去中心化交易所为例，我们可以设想社区驱动的去中心化人工智能模型推理系统，社区拥有并管理大型模型。

传统的数据收集方法往往受到地理和文化的限制，导致人工智能生成的内容和 ChatGPT 响应存在主观偏差，例如改变目标任务的肤色。Web3 的代币激励模型可以优化数据收集、收集和加权来自世界各地的数据。此外，Web3 的透明度和可追溯性增强了模型的可解释性，鼓励多样化的输出来丰富模型。

AI 模型设计和训练通常围绕目标数据格式（文本、语音、图像或视频）进行构建。AI和Web3融合的一个独特的未来方向是为链上数据开发大规模模型，类似于自然语言模型。

这种方法可以提供传统数据分析无法获得的独特见解（例如智能资金跟踪、项目资金流），并且人工智能具有同时处理大量数据的能力。

目前，主流参与Web3项目需要对复杂的链上概念和钱包操作有深入的了解，这增加了学习成本和错误风险。相比之下，Web2 应用程序是围绕“惰性原则”设计的，允许用户轻松、安全地开始使用。

生成式人工智能可以通过充当 Web3 中用户和协议之间的“智能助手”来协助以意图为中心的项目，从而显着增强用户体验。

人工智能概念自20世纪50年代提出以来，经历了数个高峰和低谷，每一次关键技术创新都引发了新的浪潮。

生成式人工智能（Generative AI）作为近十年来提出的新兴概念，以其令人印象深刻的技术和产品性能在各种人工智能研究方向中脱颖而出，一夜之间引起了全球的关注。在深入研究生成式人工智能的技术架构之前，有必要先定义一下本文中生成式人工智能的含义，并简要回顾一下最近流行的生成式人工智能的核心技术。

生成人工智能是一种用于创造新内容和想法的人工智能，包括对话、故事、图像、视频和音乐。它建立在深度学习神经网络框架的基础上，并使用包含大量参数的大型数据集进行训练。

最近进入公众视野的生成式AI产品大致可以分为两类：一类是基于文本或样式输入的图像（视频）生成产品，另一类是基于文本输入的类似ChatGPT的产品。这两个类别都依赖于相同的核心技术：基于 Transformer 架构的预训练大型语言模型 (?LLM )。

前一类将文本输入与扩散模型相结合以生成高质量的图像或视频，而后者则采用人类反馈强化学习（RLHF）来生成与人类逻辑非常相似的输出。

有很多优秀的文章从不同的角度讨论了生成式人工智能对现有技术架构的影响。例如，A16z 的一篇题为《谁拥有生成式 AI 平台》的综合文章，全面总结了当前生成式 AI 的技术架构。

根据这项研究，当前Web2时代的生成式AI架构分为三个层次：基础设施（算力）、模型、应用。文章还对这三个层面的当前发展提出了见解。

基础设施：目前重点仍然主要集中在Web2基础设施逻辑上，真正整合Web3和AI的项目很少。基础设施在现阶段获得了最大的价值。在存储和计算领域深耕数十年的Web2巨头，在人工智能的探索阶段，通过“卖铲子”获得了丰厚的利润。

模型：理想情况下，模型应该是人工智能的真正创造者和所有者。然而，目前很少有商业模式能够让这些模型的作者捕捉到相应的商业价值。

应用程序：多个垂直领域开发的应用程序已产生超过数亿美元的收入。然而，高昂的维护成本和较低的用户保留率对维持这些应用程序作为可行的长期商业模式构成了挑战。

2.3.1 利用AI分析Web3海量数据

数据是构筑未来人工智能发展技术壁垒的基石。为了理解它的重要性，我们首先看一下关于大型人工智能模型性能来源的研究。

这项研究表明了大型人工智能模型的独特涌现能力：当模型规模超过一定阈值时，模型精度会突然激增。如图所示，每个图表代表一个训练任务，每条线表示大型模型的性能（准确性）。

对各种大型模型的实验一致得出这样的结论：超过一定阈值后，模型性能在不同任务上会出现突破性增长。

本质上，模型大小的量变会导致模型性能的质变。这个大小与模型参数的数量、训练持续时间和训练数据的质量有关。目前，在模型参数（各公司顶尖研究团队设计）和训练时长（大部分计算硬件采购自NVIDIA）没有显着差异的情况下，开发领先产品主要有两条路径。

首先是识别并解决利基领域的具体痛点，这需要对目标领域有深入的理解和洞察。第二，更实际的做法是收集比竞争对手更全面的数据。

这为生成式 AI 大型模型进入 Web3 领域打开了一个绝佳的切入点。现有的人工智能大模型或基础模型是在来自各个领域的海量数据上进行训练的，而Web3中链上数据的独特性使链上数据模型成为一个令人兴奋且可行的途径。

在Web3中，数据层面目前有两种产品逻辑：第一种激励数据提供者，鼓励用户共享数据使用权，同时保护数据的隐私和所有权。海洋协议在这方面提供了有效的数据共享模型。第二种方法涉及集成数据和应用程序的项目，以便为用户提供特定于任务的服务。例如，Trusta Lab收集和分析用户的链上数据，并通过其独特的MEDIA评分系统，提供女巫账户分析、链上资产风险分析等服务。

2.3.2 AI Agent在Web3中的应用

如前所述，链上人工智能代理的应用正在蓬勃发展。借助大型语言模型并优先考虑用户隐私，他们提供可量化的链上服务。根据 OpenAI 首席人工智能研究员 Lilian Weng 的博客文章，人工智能代理可以分为四个部分：代理=LLM（大型语言模型） 规划 内存 工具使用。

LLM作为AI Agent的核心，处理外部交互，从大量数据中学习，并用自然语言进行逻辑表达。规划 记忆方面类似于用于训练 AlphaGo 的强化学习技术中的行动、策略和奖励概念。

它涉及将任务分解为更小的目标，并通过重复训练和反馈来学习最优解决方案，根据功能将信息存储在各种类型的记忆中。工具使用是指智能体利用模块化工具、互联网信息检索、访问专有信息源或API等工具的能力。值得注意的是，大多数这些信息在预训练后很难修改。

考虑到AI Agent的这种逻辑，我们可以设想Web3和AI Agent结合的无限可能性。例如：

2.3.3 Web3 AI潜在垂直领域应用

A. 教育领域的应用

Web3 和人工智能的融合预示着教育领域的一场革命，其中生成式虚拟现实教室是一项值得注意的创新。将人工智能技术嵌入在线学习平台，学生可以获得个性化的学习体验。该系统根据每个学生的学习历史和兴趣生成定制的教育内容。这种个性化的方法有望提高学生的学习动机和效率，使教育更加个性化。

此外，基于代币的信用激励代表了教育领域的创新实践。利用区块链技术，学生的学分和成绩可以编码成代币，形成数字化的学分体系。这种激励机制鼓励积极参与学习活动，创造一个更具吸引力和激励性的学习环境。

受最近流行的SocialFi项目FriendTech的启发，类似的关键定价逻辑可以应用于在学生之间建立同行评审系统，为教育添加更多社交元素。利用区块链的不可篡改性，同行评价变得更加公平和透明。这种同行评审机制不仅有利于培养学生的团队合作能力，而且可以对学生的表现进行更全面、多维度的评估，将多元化、整体性的评价方式引入教育体系。

B. 在医疗领域的应用

在医疗领域，Web3与AI的融合推进了联邦学习和分布式推理。通过将分布式计算与机器学习相结合，医疗专业人员可以大规模共享数据，从而实现更深入、更全面的群体学习。这种集体智慧方法可以加速疾病诊断和治疗计划的制定，推动医学领域的进步。

隐私保护也是医疗领域应用的一个重要方面。借助Web3的去中心化和区块链的不变性，患者医疗数据可以更安全地存储和传输。智能合约可以实现对医疗数据的精确控制和权限管理，确保只有授权人员才能访问敏感的患者信息，从而维护医疗数据的隐私。

C. 保险领域的应用

在保险行业，Web3与AI的融合有望为传统运营带来更加高效、智能的解决方案。例如，在汽车和房屋保险中，计算机视觉技术的应用帮助保险公司通过图像分析和评估更有效地评估财产价值和风险水平。这为保险公司提供了更加精细化、个性化的定价策略，增强了保险行业的风险管理。

同时，链上自动化索赔处理是保险行业的一项创新进步。利用智能合约和区块链技术，索赔流程变得更加透明和高效，减少了繁琐的程序和人为干预的可能性。这不仅加快了理赔流程，还降低了运营成本，为保险公司和客户提供更好的体验。

动态保费调整是另一个创新领域。通过实时数据分析和机器学习算法，保险公司可以更加精准、及时地调整保费，根据被保险人的实际风险状况进行个性化定价。这种做法不仅使保费更加公平，而且鼓励被保险人采取更健康、更安全的行为，促进全社会的风险管理和预防措施。

D. 版权领域的应用

在版权领域，Web3 和人工智能的结合为数字内容创建、管理和代码开发引入了新的范式。通过智能合约和去中心化存储，数字内容的版权信息可以得到更好的保护，让创作者更轻松地追踪和管理自己的知识产权。区块链技术还可以建立透明且不可变的创作记录，为追踪和验证作品提供更可靠的手段。

工作模式的创新也代表着版权领域的重大转变。代币激励的协作工作将工作贡献与代币奖励相结合，鼓励创作者、策展人和开发者共同参与项目。这不仅促进了创意团队之间的协作，也让参与者有机会直接从项目的成功中受益，从而催生更多优秀作品。

另一方面，使用代币作为版权证明重塑了利益分配模式。通过智能合约自动执行的分红机制，作品的所有参与者都可以在作品被使用、出售或转让时实时获得自己的收益份额。这种去中心化的利益分配模式有效解决了传统版权模式中的不透明和延迟问题，为创作者提供了更加公平、高效的利益分配机制。

E. 虚拟宇宙领域的应用

在元宇宙中，Web3与AI的融合为创建低成本AIGC以丰富基于区块链的游戏内容开辟了新的可能性。AI生成的虚拟环境和角色可以丰富游戏内容，为用户提供更加生动多样的体验，同时减少制作的人力和时间成本。

创建生动的数字人是元宇宙应用的创新。数字人类具有细到头发的详细物理外观和?基于大型语言模型构建的心理逻辑，可以在元宇宙中扮演各种角色。他们可以与用户交互，甚至参与现实世界场景的数字孪生。这为虚拟现实提供了更加真实、深刻的体验，推动数字人技术在娱乐、教育等领域的广泛应用。

基于区块链用户画像自动生成广告内容是元宇宙中的智能广告应用。通过分析用户在元宇宙中的行为和偏好，人工智能算法可以创建更加个性化和有吸引力的广告，从而提高点击率和用户参与度。这种广告创作方式不仅更符合用户兴趣，也为广告主提供了更高效的推广渠道。

生成式交互式 NFT是元宇宙中一项引人注目的技术。通过将NFT与生成设计相结合，用户可以在元宇宙中参与创作自己的NFT艺术品，赋予其互动性和独特性。这为数字资产的创造和交易开辟了新的可能性，推动了虚拟宇宙中数字艺术和虚拟经济的发展。

在本节中，作者选择了五个具有代表性的协议来深入了解 Web3 领域中生成式 AI 的现状：Render Network和Akash Network被强调为通用 AI 基础设施协议和 Web3 中 AI 类别的领先者；Bittensor被认定为当前模型训练领域的热门项目；Alethea.ai因其与生成式 AI 应用程序的密切相关性而被选中；Fetch.ai展示了人工智能代理在去中心化Web3世界中的潜力。

Render Network 由母公司 OTOY 的创始人 Jules Urbach 于 2017 年创立。OTOY 的核心业务是基于云的图形渲染，由 Google 和 Mozilla 联合创始人提供建议，为奥斯卡获奖电影项目做出了贡献，并与 Apple 进行了项目合作。

Render Network 是 OTOY 进军 Web3 领域的举措，旨在利用区块链的分布式特性，将小规模渲染和人工智能需求与去中心化资源连接起来。这一举措旨在为小型工作室节省成本，否则这些小型工作室将租用昂贵的集中式计算资源（例如AWS、MS Azure和阿里云），并为那些拥有闲置计算资源的人提供创收机会。

在发布专有渲染器 Octane Render 的 OTOY 的支持下，Render Network 凭借固有的需求和扎实的商业模式推出，很快被认为是一个具有坚实基础和潜力的 Web3 项目。

随着生成式AI的兴起，分布式验证和推理任务的需求不断增加，与Render的技术架构完美契合，使其成为未来发展的一个有希望的方向。Render 一直引领着 Web3 领域的 AI 赛道，演变成一个有点像 meme 的实体，每当围绕 AI、元宇宙和分布式计算的叙述升温时，它都会受益于上升趋势，展示了它的多功能性。

2023 年 2 月，Render Network 宣布了更新其定价等级系统的路线图，并为 $RNDR 引入了社区投票的价格稳定机制（尽管发布日期尚未公布）。该项目还宣布从 Polygon 迁移到 Solana（将 $RNDR 代币升级为基于 Solana SPL 的 $RENDER 代币，已于 2023 年 11 月完成）。

渲染网络的新定价体系将链上服务分为三个级别，从高到低，每个级别对应不同的价格点和渲染服务质量。这些层根据客户的特定渲染需求为客户提供选择。

社区投票的$RNDR价格稳定机制已从不定期回购转变为“销毁和铸币均衡（BME）”模式。这一变化强调 $RNDR 作为交易的稳定币，而不是长期持有资产。一个BME Epoch的具体业务流程如下：

注：Render Network 收取产品购买者支付的项目运营交易费用的 5%。

在每个 BME Epoch 中，都会铸造预设数量的新代币（数量会随着时间的推移而减少）。这些新代币被分发给三方：

A。任务完成：根据各产品节点完成的渲染任务数量进行奖励。

b.?在线奖励：鼓励资源提供者在线完成任务，根据市场待机时间给予奖励。

2. 产品购买者：与购物中心的产品优惠券返还类似，购买者可以获得高达 100% 的 $RNDR 代币返还，鼓励未来使用 Render Network。

3. DEX 流动性提供商：合作 DEX 中的提供商，确保以合理的价格提供 $RNDR 代币以进行必要的销毁，将根据质押的 $RNDR 数量获得奖励。

从过去一年$RNDR的价格走势来看，作为Web3中领先的AI赛道项目，$RNDR受益于ChatGPT在2022年底和2023年初带动的AI热潮。随着新代币机制的引入，$RNDR的价格2023年上半年达到顶峰。

经过一段时间的稳定后，随着 OpenAI 新版本引发的 AI 复苏、Render Network 向 Solana 的迁移以及新代币机制的预期实施，$RNDR 的价格达到了近期高点。鉴于 $RNDR 的基本面变化很小，未来对 $RNDR 的投资需要谨慎的头寸管理和风险控制。

Dune Analytics仪表板的数据表明，自2023年初以来，渲染任务总数有所增加，但渲染节点数量并未增加。这表明导致工作负载增加的新用户是那些有渲染需求的用户，而不是那些提供渲染资源的用户。

鉴于生成式 AI 到 2022 年底将激增，有理由推断额外的渲染任务与生成式 AI 应用程序相关。这种需求的增加是代表长期趋势还是暂时的激增还有待观察，需要进一步观察。

Akash Network 是一个去中心化的云计算平台，旨在为开发者和企业提供更灵活、高效、更具成本效益的云计算解决方案。

该项目的“超级云”平台基于分布式区块链技术，利用区块链去中心化的特性，为用户提供全球性、去中心化的云基础设施，包括CPU、GPU、存储等多样化的计算资源。

Akash Network 由拥有丰富项目背景、经验丰富的企业家 Greg Osuri 和 Adam Bozanich 创立，其使命很明确：降低云计算成本、提高可用性并让用户更好地控制计算资源。通过激励提供商通过竞价流程开放闲置计算资源，Akash Network 实现了更有效的资源利用，为资源需求者提供有竞争力的价格。

2023 年 1 月，Akash Network 启动了 Akash Network Economics 2.0 更新，以解决当前代币经济中的各种缺陷，包括：

据官网介绍，Akash网络经济2.0计划中提出的解决方案包括引入稳定币支付、增加订单费用以增加协议收入、增强对资源提供者的激励以及增加社区激励等。值得注意的是，稳定币支付功能和订单费用功能已经实现。

作为 Akash 网络的原生代币，$AKT 在协议中具有多种用途，包括用于验证（安全）、激励、网络治理和支付交易费用的质押。据官网显示，$AKT 的总供应量上限为 3.88 亿枚，截至 2023 年 11 月，已解锁约 2.29 亿枚（59%）。项目启动时分配的创世代币于2023年3月完全解锁并进入二级市场。创世代币的分配如下：

关于价值获取，白皮书中提到的一个值得注意的尚未实施的功能是 Akash 计划对每一次成功的租赁收取“费用”。这些费用将被发送到收入池以分配给持有人。

该计划规定对 AKT 交易收取 10% 的费用，对使用其他加密货币的交易收取 20% 的费用。此外，Akash 打算奖励长期锁定 AKT 持有量的持有者，从而激励长期投资。

CoinGecko 的价格趋势显示，$AKT 在 2023 年 8 月中旬和 11 月下旬经历了上涨，尽管涨幅不如人工智能领域的其他项目，这可能是由于当前的市场情绪所致。

总体而言，Akash Network 是 AI 赛道上为数不多的优质项目之一，其基本面优于大多数竞争对手。其潜在的业务收入可以为该协议带来未来的盈利能力，随着人工智能行业的发展和对云计算资源的需求不断增加，Akash Network 有望在下一波人工智能浪潮中取得重大进展。

对于那些熟悉 $BTC 技术架构的人来说，理解 Bittensor 的设计非常简单。事实上，在设计 Bittensor 时，其创建者从加密货币先驱 $BTC 的几个特征中汲取了灵感。

其中包括总代币供应量为 2100 万枚，大约每四年产量减半，并涉及工作量证明 (PoW) 共识机制等。

为了将其概念化，想象一下最初的比特币生产过程，然后用训练和验证人工智能模型来取代计算密集型的“挖矿”过程，该过程不会创造现实世界的价值。矿工根据人工智能模型的性能和可靠性获得激励。这形成了 Bittensor ($TAO) 项目架构的简单总结。

Bittensor 由人工智能研究人员 Jacob Steeves 和 Ala Shaabana 于 2019 年根据神秘作者 Yuma Rao 撰写的白皮书成立。简而言之，它是一个开源、无需许可的协议，创建了一个由许多子网络连接的网络架构，每个子网络负责不同的任务（机器翻译、图像识别和生成、大型语言模型等）。优秀的任务完成会受到奖励，并且子网络可以相互交互和学习。

就目前主要的人工智能模型而言，都是科技巨头大量计算资源和数据投资的结果。这些AI产品表现出色的同时，这种方式也带来了很高的中心化风险。

Bittensor 的基础架构允许交流专家网络进行交互和相互学习，为大规模模型的去中心化训练奠定了基础。Bittensor 的长期愿景是与 OpenAI、Meta 和 Google 等巨头的闭源模型竞争，保持去中心化特征，同时渴望与它们的推理性能相匹配。

Bittensor的技术核心是Yuma Rao独特设计的共识机制，也称为Yuma Consensus，它混合了PoW和Proof of Stake（PoS）的元素。供应方主要涉及“服务器”（矿工）和“验证者”（验证者），而需求方则由使用网络中模型的“客户端”（客户）组成。流程如下：

值得注意的是，Bittensor 本身并不在大多数子网络中训练任何模型；它更像是模型提供者和用户之间的纽带，通过较小模型之间的交互进一步提高各种任务的性能。目前，在线有（或已经有）30个子网络，每个子网络对应不同的任务模型。

$TAO 作为 Bittensor 的原生代币，在创建子网络、在子网络中注册、支付服务费用以及向生态系统内的验证者质押方面发挥着至关重要的作用。效仿 BTC 的精神，$TAO 选择公平发布，这意味着所有代币都是通过对网络的贡献生成的。

目前，$TAO 的日产量约为 7,200 个代币，均匀分配给矿工和验证者。自项目启动以来，已生产了 2100 万枚代币中的约 26.3%，其中 87.21% 用于质押和验证。该项目还遵循 BTC 大约每四年产量减半的模式，下一次减半计划将于 2025 年 9 月 20 日举行，预计将成为重要的价格驱动因素。

从 2023 年 10 月下旬开始，$TAO 的价格趋势出现大幅上涨，这主要是受到 OpenAI 会议之后新一波人工智能热情以及资本转向人工智能领域的推动。

$TAO作为Web3 AI赛道的新项目的出现，其品质、长远的愿景也吸引了投资。但必须承认，与其他AI项目一样，Web3 AI的结合虽然潜力巨大，但尚未在实际业务中找到支撑长期盈利项目的应用。

Alethea.ai 成立于 2020 年，是一个致力于利用区块链技术为生成内容带来去中心化所有权和治理的项目。

Alethea.ai 的创始人相信，生成式人工智能将带领我们进入一个由生成式内容引起的信息冗余时代，在这个时代，通过简单的复制粘贴或单击即可轻松复制或生成大量数字内容，但原创者很难获得利益。通过将区块链原语（例如 NFT）与生成式人工智能连接起来，他们的目标是确保生成式人工智能及其内容的所有权，并在此之上进行社区治理。

在这一理念的推动下，Alethea.ai最初推出了新的NFT标准iNFT，它利用Intelligence Pods将AI动画、语音合成甚至生成式AI嵌入到图像中。Alethea.ai 还与艺术家合作，利用他们的艺术品创建 iNFT，其中一件在苏富比拍卖会上以 478,000 美元的价格售出。

Alethea.ai 随后推出了 AI 协议，允许任何生成式 AI 开发者或创作者无需许可即可使用 iNFT 标准进行创作。为了展示 AI 协议，Alethea.ai 开发了 CharacterGPT，这是一种基于 GPT 等大型模型理论的工具，用于创建交互式 NFT。最近，他们发布了 Open Fusion，使得任何 ERC-721 NFT 都可以与 Intelligence 结合并发布在 AI 协议上。

Alethea.ai 的原生代币是 $ALI，它有四个主要用途：

从 $ALI 的用例来看，很明显，代币的价值捕获仍然主要基于叙述。过去一年的代币价格趋势证实了这一点：$ALI 受益于 ChatGPT 自 2022 年 12 月开始引领的生成式 AI 热潮。此外，当 Alethea.ai 在 6 月宣布新的 Open Fusion 功能时，引发了价格飙升。然而，除了这些情况之外，$ALI 的价格一直呈下降趋势，甚至没有像类似项目那样对 2023 年底人工智能炒作做出反应。

除了原生代币之外，Alethea.ai 的 NFT 项目（包括其官方集合）在 NFT 市场的表现也值得关注。

根据 Dune 仪表板的数据，第三方销售的 Intelligence Pods 和 Alethea.ai 的第一方 Revenants 系列在首次发布后逐渐淡出了人们的视线。作者认为，主要原因是最初的新颖性逐渐减弱，没有实质性的价值或社区参与来留住用户。

Fetch.ai 是一个致力于促进人工智能 (AI) 与区块链技术融合的项目。其目标是通过结合机器学习、区块链和分布式账本技术来构建去中心化的智能经济，以支持智能代理之间的经济活动。

Fetch.ai 由英国科学家 Humayun Sheikh、Toby Simpson 和 Thomas Hain 于 2019 年创立，其创始团队拥有令人印象深刻的背景。

Humayun Sheikh 是 DeepMind 的早期投资者，Toby Simpson 曾在多家公司担任高管职务，Thomas Hain 是谢菲尔德大学人工智能领域的教授。创始人的多元化经历横跨传统IT公司、区块链明星项目、医疗、超级计算领域，为Fetch.ai提供了丰富的行业资源。

Fetch.ai的使命是建立一个由自治经济代理（AEA）和人工智能应用程序组成的去中心化网络平台，使开发人员能够通过创建自治代理来完成预设的目标导向的任务。该平台的核心技术是其独特的三层架构：

在此架构之上，Fetch.ai 推出了 Co-Learn（智能体之间共享机器学习模型）和 Metaverse（智能体云托管服务）等后续产品和服务，以支持用户在其平台上开发智能体。

关于代币，$FET 作为 Fetch.ai 的原生代币，涵盖了支付 Gas、验证质押以及在网络内购买服务等标准功能。超过90%的$FET代币已解锁，具体分配如下：

自成立以来，Fetch.ai 经历了多轮代币稀释融资，最近一次是 2023 年 3 月 29 日从 DWF Lab 获得的 3000 万美元投资。鉴于 $FET 代币不能从项目收入中获取价值，其价格动能主要依赖于项目更新和市场对人工智能领域的情绪。事实上，在两次人工智能市场繁荣的浪潮中，Fetch.ai 的价格在 2023 年初和年底经历了超过 100% 的飙升。

Fetch.ai 的发展轨迹更像是一家 Web2.0 人工智能初创公司，重点是完善其技术。它通过持续的筹款和广泛的合作寻求认可和盈利。

这种方法为未来在 Fetch.ai 上开发的应用程序留下了充足的空间，但也意味着它可能对其他区块链项目没有那么大的吸引力，从而可能限制生态系统的活力。Fetch.ai 的一位创始人甚至尝试基于 Fetch.ai 推出一个 DEX 项目 Mettalex DEX，但最终以失败告终。作为一个专注于基础设施的项目，生态系统的衰弱也阻碍了 Fetch.ai 内在价值的增长。

NVIDIA首席执行官黄仁勋将生成大型模型的推出比作人工智能的“iPhone时刻”，表明人工智能角色的关键转变，高性能计算芯片成为人工智能稀缺资源的核心。

锁定Web3 AI子赛道大部分资金的AI基础设施项目仍然是投资者长期关注的焦点。随着芯片巨头逐渐升级计算能力，AI的能力将会扩展，很可能在Web3中催生更多的AI基础设施项目，甚至可能是专门为Web3中的AI训练而设计的芯片。

虽然以消费者为中心的生成式人工智能产品仍处于实验阶段，但一些工业级应用已经显示出巨大的潜力。其中一种应用是将现实世界场景转移到数字领域的“数字孪生” 。

考虑到工业数据中尚未开发的价值，NVIDIA 的元宇宙数字孪生平台将生成式 AI 定位为工业数字孪生的重要组成部分。在Web3中，包括虚拟世界、数字内容创作和现实世界资产，受人工智能影响的数字孪生将发挥重要作用。

新型交互硬件的开发也至关重要。从历史上看，计算领域的每一次硬件创新都带来了革命性的变化和机遇，比如现在无处不在的电脑鼠标或 iPhone 4 的多点触控电容屏。

Apple?Vision Pro宣布将于 2024 年第一季度发布，以其令人印象深刻的演示吸引了全球关注，有望为各行业带来意想不到的变化和机遇。以快速内容制作和广泛传播而闻名的娱乐行业往往首先受益于硬件更新。这其中包括Web3的元宇宙、区块链游戏、NFT等，都是值得长期关注和研究的。

从长远来看，生成式人工智能的发展代表着量变导致质变。ChatGPT 的核心是推理问答这一长期研究的学术问题的解决方案。只有通过扩展数据和模型迭代，才达到了 GPT-4 令人印象深刻的水平。Web3中的AI应用也类似，目前正处于Web2模型适应Web3的阶段。完全基于 Web3 数据的模型尚未出现。未来富有远见的项目和致力于研究 Web3 特定问题的大量资源将为 Web3 带来自己的 ChatGPT 级杀手级应用程序。

生成式人工智能的技术基础还有很多有前景的探索途径，比如思想链技术。这项技术允许大型语言模型在多步推理方面取得重大飞跃。然而，它也凸显甚至加剧了大型模型在复杂逻辑推理方面的局限性。有兴趣的读者可以探索原作者关于Chain-of-Thought的论文。

ChatGPT之后，Web3中出现了各种以GPT为主题的项目，但简单地将GPT与智能合约结合起来并不能满足用户需求。ChatGPT 发布大约一年后，未来仍然拥有巨大的潜力。未来的产品应该从Web3用户的真实需求出发。随着Web3技术的日益成熟，生成式AI在Web3中的应用必将是广阔而令人兴奋的。