Metrics Ventures研报：从Vitalik文章出发 Crypto×AI有哪些值得关注的细分赛道？

作者：@charlotte0211z，@BlazingKevin_，Metrics Ventures

Vitalik在1月30日发表了 The promise and challenges of crypto AI applications 一文，讨论了区块链与人工智能应该以怎么的方式去结合，以及这个过程中出现的潜在挑战。在这篇文章发布后的一个月，文章中提到的NMR、Near、WLD都收获了不错的涨幅，完成了一轮价值发现。本文基于Vitalik所提出的Crypto与AI结合的四种方式，对现有的AI赛道的细分方向进行梳理，并对各方向的代表项目进行简要介绍。

去中心化是区块链所维护的共识，确保安全性是核心思想，而开源是从密码学角度让链上行为具备上述特点的关键基础。在过去几年中，这个方式在区块链的几轮变革中是适用的，但是当人工智能参与其中后，情况发生一些变化。

试想通过人工智能来设计区块链或者应用的架构，那么模型就有开源的必要，但是如此一来，会暴露其在对抗性机器学习中的脆弱性；反之则丧失了去中心化性。 因此，我们有必要思考在当前区块链或者应用中加入人工智能时，以何种方式，怎样的深度去完成结合。

来源：DE UNIVERSITY OF ETHEREUM

在 DE UNIVERSITY OF ETHEREUM 的 When Giants Collide: Exploring the Convergence of Crypto x AI一文中，阐述了人工智能和区块链在核心特质上的差异。如上图所示，人工智能的特点是：

区块链在这5点上，和人工智能相比是完全相反的。 这也是Vitalik该文的真正论点，如果人工智能和区块链结合，那么诞生的应用在数据所有权，透明度，货币化能力，耗能成本等方面应作出怎样的取舍，又需要诞生哪些基础设施来保障二者的有效结合。

Vitalik按照上述准则以及自身的思考，将人工智能与区块链结合而成的应用分为4大类：

其中，前三种主要是AI引入Crypto世界的三种方式，代表了从浅到深的三种层次，根据笔者的理解，这种划分代表了AI对人类决策的影响程度，并由此为整个Crypto引入了不同程度的系统风险：

最后，第四类项目致力于利用Crypto的特性创造更好的人工智能，正如前文所说，中心化、低透明度、耗能、垄断性和货币属性弱，都可以天然地通过Crypto的属性去中和。尽管许多人对Crypto能否对人工智能的发展产生影响力抱有怀疑，但通过去中心化的力量去影响现实世界一直是Crypto最迷人的叙事，这一赛道也凭借其宏大构想成为AI赛道炒作最热烈的部分。

在AI参与的机制中，激励的最终来源来自于人类输入的协议。在AI成为接口，甚至成为规则之前，我们往往需要对不同AI的表现进行评估，使AI参与到一个机制中，最终通过一个链上机制获得奖励或受到惩罚。

AI作为参与者，相比于作为接口和规则来说，对用户和整个系统的风险性基本可以忽略不计，可以说是AI开始深度影响用户决策和行为前的必经阶段，因此人工智能与区块链在这一层的融合所需要的成本和取舍相对较小，也是V神认为现在具有高度可落地性的一类产品。

从广义和实现程度上来说，现在的AI应用多属于这一类别，比如AI赋能的trading bot和chatbot等，目前的落地程度还很难实现AI作为接口甚至是规则的作用，用户正在不同的bot中进行比较和逐步优化，加密用户也尚未养成使用AI应用的行为习惯。在V神的文章中，也将Autonomous Agent归为这一类。

但从狭义和远期愿景上来说，我们倾向于对AI应用或AI Agent进行更为细致的划分，因此在这一类目下，我们认为具有代表性的细分赛道包括：

从某种程度上说，AI游戏都可以被归为这个类别，玩家通过与AI交互，并训练自己的AI角色，使得AI角色更符合个人的需求，如更贴合个人的喜好或者在游戏机制中更具有战斗力和竞争力。游戏是AI在切入现实世界前的一个过渡阶段，也是目前落地风险性较低、最容易被普通用户理解的一个赛道，标志性的项目如AI Arena、Echelon Prime、Altered State Machine等。

预测能力是AI进行未来决策和行为的基础，在AI模型被用于实际预测前，预测竞赛在更高等级上对AI模型的表现进行比较，通过代币为数据科学家/AI模型提供激励，这对于整个Crypto×AI的发展具有积极意义——通过激励不断开发效率和性能更强、更适合crypto世界的模型和应用，在AI对决策和行为发挥更深刻影响前，创建出更优质、更安全的产品。正如V神所说，预测市场是一个强大的原语，可以拓展到更多其他类型的问题。这一赛道中的标志性项目包括：Numerai和Ocean Protocol。

AI可以帮助用户用简单易懂的语言理解正在发生的事情，充当用户在crypto世界的导师，并对可能的风险进行提示，以降低Crypto的使用门槛和用户风险，提高用户体验。具体可实现的产品的功能很丰富，如钱包交互时的风险提示、AI驱动的意图交易、能够回答普通用户crypto问题的AI Chatbot等等。对受众群体进行扩大，除了普通用户，开发者、分析师等等在内的几乎所有群体，都将成为AI的服务对象。

让我们再次重申这些项目的共同点：尚未代替人类执行某些决策和行为，但正在利用AI模型为人类提供辅助决策和行为的信息和工具。从这一层开始，AI作恶的风险已经开始暴露在系统中——可以通过提供错误的信息来干扰人类最后的判断，这一点在V神的文章中也已经有详细的分析。

能够被归入这一类目下的项目较多也较杂，包括AI chatbot、AI智能合约审计、AI代码编写、AI trading bot等等，可以说目前绝大多数的AI应用都正在这一类的初级水平，具有代表性的项目包括：

这是最令人激动的部分——让AI能够代替人类进行决策和行为，你的AI将直接掌控你的钱包，代替你进行交易决策和行为。在这一分类下，笔者认为主要可以分为三个层级：AI应用（尤其是以自主决策为愿景的应用，如AI自动化交易bot、AI DeFi收益Bot）、Autonomous Agent协议以及zkml/opml。

AI应用是对某一领域的问题进行具体决策的工具，它们积累了不同细分领域的知识和数据，依赖于根据细分问题而量身定制的AI Model开展决策。可以注意到，AI应用在本文中被同时归入两类：接口与规则，从开发愿景来说，AI应用应成为独立决策的Agent，但目前无论是AI模型的有效性、集成AI的安全性，都无法满足这一要求，甚至作为接口都略微勉强，AI应用正处于非常早期的阶段，具体项目在前文已有介绍，在此不做赘述。

Autonomous Agent被V神在第一类（AI作为参与者）中提及，从远期愿景来说，本文将其归为第三类。Autonomous Agent利用大量数据和算法来模拟人类的思维和决策过程，并执行各种任务和交互。本文主要关注Agent的通信层、网络层等基础设施，这些协议定义了Agent的归属权，建立了Agent的身份、通信标准和通信方式，连接多个Agent应用，能够协同进行决策和行为。

zkML/opML：通过密码学或经济学的方法，保证经过了正确的模型推理过程而提供具有可信性的输出。安全性问题对于将AI引入智能合约非常致命，智能合约依靠输入产生输出并自动化执行一系列功能，一旦AI作恶给予了错误的输入，将会为整个Crypto系统引入极大的系统性风险，因此zkML/opML和可能的一系列潜在解决方案，都是让AI进行独立行动和决策的基础。

最后，三者构成AI作为运行规则的三个基础层次：zkml/opml作为最底层的基础设施，保证协议的安全性；Agent协议建立起Agent生态系统，能够协同进行决策和行为；AI应用，也是具体的AI Agent，将不断提高在某一领域的能力，并实际进行决策和行动。

AI Agent在Crypto世界的应用是自然的，从智能合约到TG Bots再到AI Agents，加密世界正走向更高的自动化和更低的用户门槛。智能合约虽然是通过不可篡改的代码自动执行功能，但仍需要依赖外部触发而唤醒，且无法自主运行和连续运行；TG Bots降低了用户门槛，用户不需要直接与加密前端交互，而是通过自然语言完成链上交互，但只能完成极为简单和具体的任务，依然无法实现用户意图为中心的交易；AI Agents则具备一定的独立决策能力，理解用户的自然语言，并自主找到和组合起其他的Agent和链上工具，完成用户指定的目标。

AI Agent正在致力于大幅提高加密产品的使用体验，而区块链也能够助力AI Agent的运行更加去中心化、透明和安全，具体的帮助在于：

这一赛道的主要项目如下：

零知识证明目前有两个主要应用方向：

同样地，ZKP在机器学习中的应用同样可以被分为两类：

笔者认为目前对Crypto更为重要的是推理验证，我们在此对推理验证的场景进行进一步阐述。从AI作为参与者开始，到AI作为世界的规则，我们希望将AI成为链上流程的一部分，但AI模型推理计算成本过高，无法直接在链上运行，将这一过程放到链下，意味着我们需要忍受这一黑盒子带来的信任问题——AI模型运行者是否篡改了我的输入？是否使用了我指定的模型进行推理？通过将ML模型转化成ZK电路，可以实现：（1）较小的模型上链，将小的zkML模型存储到智能合约中，直接上链解决了不透明的问题；（2）在链下完成推理，同时生成ZK证明，通过在链上运行ZK证明来证明推理过程的正确性，基础架构将包括两个合约——主合约（使用ML模型输出结果）和ZK-Proof验证合约。

zkML还处于非常早期的阶段，面临着ML模型向ZK电路转化的技术问题，以及极高的运算和密码学开销成本。和Rollup的发展路径一样，opML从经济学的角度出发，成为了另一种解决方案，opML使用Arbitrum 的 AnyTrust 假设，即每个主张至少有一个诚实节点，确保提交者或至少一个验证者是诚实的。但OPML只能成为推理验证的替代方案，无法实现隐私保护。

目前的项目正在构建zkML的基础设施，并在努力探索其应用，应用的建立同样重要，因需要清楚地向加密用户证明zkML中重要作用，证明最终价值能够抵消巨大成本。在这些项目中，有些专注于与机器学习相关的ZK技术研发（如Modulus Labs），有些则是更通用的ZK基础设施搭建，相关项目包括：

如果说前面三类更侧重于AI如何赋能于Crypto，那么“AI作为目标”强调了Crypto对AI的帮助，即如何利用Crypto创造出更好的AI模型和产品，这或许包括多个评判标准：更高效、更精确、更去中心化等等。

AI包括三个核心：数据、算力和算法，在每一个维度，Crypto都在致力于为AI提供更有效的助力：

大型科技公司对数据和算力的垄断共同造成了对模型训练过程的垄断，闭源模型成为大型企业获利的关键。从基础设施的角度，Crypto通过经济手段激励数据和算力的去中心化供应，同时通过密码学的方法保证过程中的数据隐私，并以此为基础助力于去中心化的模型训练，以实现更透明、更去中心化的AI。

去中心化数据协议主要以数据众包的形式开展，激励用户提供数据集或数据服务（如数据标注）用于企业进行模型训练，并开设Data Marketplace促进供需双方的匹配，一些协议也正在探索通过DePIN激励协议，获取用户的浏览数据，或利用用户的设备/带宽完成网络数据爬取。

除了上述数据提供和数据标注协议，曾经的去中心化存储类基础设施，如Filecoin、Arweave等也将为更分散化的数据供给助力。

AI时代，算力的重要性不言而喻，不仅英伟达的股价日攀高峰，在Crypto世界，去中心化算力可以说是AI赛道炒作最热烈的细分方向——在市值前200的11个AI项目中，做去中心化算力的项目就有5个（Render/Akash/AIOZ Network/Golem/Nosana），并在过去几个月中收获了高倍涨幅。在小市值的项目中也看到许多去中心化算力的平台出现，虽然刚刚起步，但伴随着英伟达大会的浪潮，只要是与GPU沾边，都快速收获了一波大涨。

从赛道特点来看，这一方向项目的基本逻辑高度同质化——通过代币激励使得拥有闲置算力资源的人或企业提供资源，并由此大幅降低使用费用，建立起算力的供需市场，目前，主要的算力供应来自于数据中心、矿工（尤其在以太坊转为PoS后）、消费级算力以及与其他项目的合作。虽然同质化，但这是一个头部项目拥有较高护城河的赛道，项目的主要竞争优势来源于：算力资源、算力租赁价格、算力使用率以及其他技术优势。这一赛道的龙头项目包括Akash、Render、io.net和Gensyn。

根据具体业务方向，项目可以被粗分为两类：AI模型推理和AI模型训练。由于AI模型训练对算力和带宽的要求远高于推理，比分布式推理的落地难度更大，且模型推理的市场快速扩展，可预测的收入将在未来大幅高于模型训练，因此目前绝大多数项目主攻推理方向（Akash、Render、io.net），主攻训练方向的龙头即为Gensyn。其中，Akash和Render诞生较早，并非是为AI计算而生，Akash最初用于通用计算，Render则主要应用于视频和图片渲染，io.net则为AI计算专门设计，但在AI将算力需求提升了一个Level后，这些项目都已倾向于AI方面的开发。

最为重要的两个竞争指标依然来自于供应端（算力资源）和需求端（算力使用率）。Akash拥有282个GPU和超过2万个CPU，已完成16万次租赁，GPU网络的利用率为50-70%，在这一赛道是一个不错的数字。io.net拥有40272个GPU和5958个CPU，同时拥有Render的4318个GPU和159个CPU、Filecoin的1024个GPU的使用许可，其中包括约200块H100和上千块A100，目前已完成推理151,879次，io.net正在用极高的空投预期吸引算力资源，GPU的数据正在快速增长，需要等代币上线后对其吸引资源的能力重新评估。Render和Gensyn则并未公布具体数据。此外，许多项目正在通过生态合作来提高自己在供应与需求端的竞争力，如io.net采用Render和Filecoin的算力来提高自己的资源储备，Render建立了计算客户端计划（RNP-004），允许用户通过计算客户端——io.net、Nosana、FedMl、Beam，来间接接入Render的算力资源，从而快速从渲染领域过渡到人工智能计算。

此外，去中心化计算的验证依然是一个问题——如何证明拥有算力资源的工作者正确地执行了计算任务。Gensyn正在尝试建立这样一个验证层，通过概率学习证明、基于图的精确定位协议以及激励来保证计算的正确性，其中的验证者和举报者共同对计算进行检查，因此Gensyn除了为去中心化训练提供了算力支持，其建立的验证机制也具有独特价值。位于Solana上的计算协议Fluence同样增加了对计算任务的验证，开发人员可以通过检查链上提供商发布的证明来验证其应用程序是否按预期运行以及计算是否正确执行。但现实的需求依然是”可行“大于”可信“，计算平台必须首先具有足够的算力才有竞争的可能，当然对于出色的验证协议来说，可以选择接入其他平台的算力，成为验证层和协议层来发挥独特作用。

距离Vitalik所描述的终极场景（下图所示）还非常遥远，我们目前还无法实现通过区块链和加密技术创建一个可信任的黑盒AI，来解决对抗性机器学习的问题，将数据训练到查询输出的整个AI运行过程进行加密处理是一笔非常大的开销。但目前正在有项目尝试通过激励机制创建更好的AI模型，首先打通了不同模型之间封闭的状态，创造了模型之间相互学习、协作和良性竞争的格局，Bittensor是其中最具代表性的项目。

从Sam Altman动向带来ARKM和WLD的价格疯涨，到英伟达大会带飞一系列参会项目，很多人正在对AI赛道的投资理念发生调整，AI赛道究竟是MEME炒作还是技术革命？

除了少数名人题材（比如ARKM和WLD），AI赛道整体更像是”以技术叙事为主导的MEME“。

一方面，Crypto AI赛道的整体炒作一定是与Web2 AI的进展紧密挂钩的，OpenAI为首的外部炒作将成为Crypto AI赛道的导火索。另一方面，AI赛道的故事依然以技术叙事为主，当然，这里我们强调的是”技术叙事“而非”技术“，这就使得对AI赛道细分方向的选择和项目基本面的关注依然重要，我们需要找到有炒作价值的叙事方向，也需要找到有中长期竞争力和护城河的项目。

从V神提出的四类结合可能中，可以看到的是叙事魅力和落地可能性的相互权衡。在以AI应用为代表的第一类和第二类中，我们看到了许多GPT Wrapper，产品落地快但业务同质化程度也较高，先发优势、生态系统、用户数量和产品收入则成为同质化竞争中可讲的故事。第三类和第四类代表着AI与Crypto结合的宏大叙事，如Agent链上协作网络、zkML、去中心化重塑AI，都处于早期阶段，具有技术创新的项目将会快速吸引资金，即使只是很早期的落地展示。