AI与Web3融合：构建分布式AI基础设施的新机遇

YieldHunter · 2025-07-11T11:56:45+00:00

# AI+Web3：塔楼与广场## TL;DR1. AI概念的Web3项目在一二级市场成为吸金标的。2. Web3在AI行业的机会体现在：使用分布式激励来协调长尾中的潜在供应——跨数据、存储和计算；同时建立开源模型以及AI Agent的去中心化市场。3. AI在Web3行业主要用于链上金融（加密支付、交易、数据分析）以及辅助开发。4. AI+Web3的效用体现在两者的互补：Web3有望对抗AI集中化，AI有望帮助Web3破圈。![AI+Web3：塔楼与广场](https://img-cdn.gateio.im/social/moments-25bce79fdc74e866d6663cf31b15ee55)## 引言近两年，AI的发展像被按了加速键。由Chatgpt掀起的波澜不仅打开了生成式人工智能的新世界，同样在Web3领域掀起了洋流之势。在AI概念的加持下，加密市场融资明显提振。仅2024上半年，就有64个Web3+AI项目完成融资，其中基于人工智能的操作系统Zyber365在A轮实现1亿美元最高融资。二级市场更为繁荣，加密聚合网站Coingecko数据显示，短短一年多时间，AI赛道总市值已达485亿美元，24小时交易量接近86亿美元。主流AI技术进展带来的利好明显，OpenAI的Sora文本转视频模型发布后，AI板块平均价格上涨151%。AI效应同样辐射至加密货币吸金板块之一Meme：首个AI Agent概念的MemeCoin——GOAT迅速走红并获14亿美金估值，成功掀起AI Meme热潮。关于AI+Web3的研究和话题同样火热，从AI+Depin到AI Memecoin再到当前的AI Agent和AI DAO，FOMO情绪已然跟不上新叙事轮换的速度。AI+Web3，这个充满了热钱、风口和未来幻想的术语组合，难免被人视作一场被资本撮合的包办婚姻，我们似乎很难分辨在这席华丽的袍子之下，到底是投机者的主场，还是黎明爆发的前夜？要回答这个问题，一个对双方都关键的思索是，有对方它会变得更好吗？是否能从对方的模式中受益？在本篇文章里，我们也试图站在前人的肩膀上审视这一格局：Web3如何能够在AI技术堆栈的各个环节里发挥作用，AI又能给Web3带来什么新的生机？## Part.1 AI堆栈下Web3有何机会？在展开这个话题之前，我们需要了解AI大模型的技术堆栈：用更通俗的语言来表述整个过程：「大模型」就像是人类的大脑，在早期阶段，这个大脑属于刚刚降临人间的婴儿，需要观察与摄入周围的外界海量信息去理解这个世界，这就是数据的「收集」阶段。由于计算机不具备人类的视觉听觉等多个感官，在训练前，外界的大规模无标注信息需要通过「预处理」转化成计算机能够理解且可用的信息格式。输入数据后AI通过「训练」构建了一个具有理解和预测能力的模型，则可以看作是婴儿逐渐理解与学习外界的过程，模型的参数就像是婴儿学习过程中不断调整的语言能力。当学习的内容开始分科，或者与人交流得到反馈并且修正，便进入了大模型的「微调」环节。孩童逐渐长大学会说话后，就可以在新的对话中理解意思并表达自己的感受和想法，这阶段类似于AI大模型的「推理」，模型能够对新的语言和文本输入进行预测和分析。婴儿通过语言能力表达感受、描述物体和解决各种问题，这也类似于AI大模型在完成训练投入使用后在推理阶段应用于各类特定的任务，例如图像分类、语音识别等。而AI Agent则更趋近于大模型的下一个形态——能够独立执行任务并追求复杂目标，不仅具备思考能力，还能够记忆、规划，且能够运用工具与世界互动。当前，针对AI在各个堆栈的痛点，Web3目前初步形成了一个多层次、相互连接的生态系统，涵盖了AI模型流程的各个阶段。![AI+Web3：塔楼与广场](https://img-cdn.gateio.im/social/moments-cc3bf45e321f9b1d1280bf3bb827d9f4)### 一、基础层：算力与数据的Airbnb#### 算力当前，AI的最高成本之一，是训练模型与推理模型所需的算力与能源。一个例子是，某大型科技公司的大语言模型需要16000个由某知名芯片制造商生产的高性能GPU 30天才能完成训练。后者80GB版本的单价在30,000至40,000美元之间，这需要4-7亿美元的计算硬件投资（GPU+网络芯片），同时，每月的训练需要消耗16亿千瓦时，能源支出每月近2000万美元。对于AI算力的解压，也正是Web3最早与AI交叉的领域——DePin（去中心化物理基础设施网络）。目前，DePin Ninja数据网站已经陈列出1400多个项目，其中GPU算力共享代表项目包括io.net、Aethir、Akash、Render Network等等。其主要逻辑在于：平台允许拥有闲置GPU资源的个人或实体以无需许可的去中心化方式贡献其计算能力，通过类似于共享经济平台的买家和卖家在线市场，提高未被充分利用的GPU资源使用率，终端用户也因此获得更加低成本的高效计算资源。同时，质押机制也确保如果出现违反质量控制机制或中断网络的情况，资源提供者有其相应惩罚。其特点在于：- 聚集闲置GPU资源：供应方主要为第三方独立的中小型数据中心、加密矿场等运营商的过剩算力资源、共识机制为PoS的挖矿硬件，如FileCoin与ETH矿机。目前也有项目致力于启动门槛更低的设备，如exolab利用MacBook、iPhone、iPad等本地设备建立运行大模型推理的算力网络。- 面对AI算力的长尾市场：a.「于技术端而言」去中心化算力市场更适合推理步骤。训练更加依赖于超大集群规模GPU带来的数据处理能力，而推理对于GPU运算性能相对较低，如Aethir专注于低延迟的渲染工作和AI推理应用。b.「于需求端而言」中小算力需求方不会单独训练自己的大模型，而只是选择围绕少数头部大模型进行优化、微调，而这些场景都天然适合分布式闲置算力资源。- 去中心化所有权：区块链的技术意义在于资源所有者始终保留其对于资源的控制权，根据需求灵活调整，同时获得收益。#### 数据数据，是AI的地基。如果没有数据，计算就如浮萍之末毫无用处，而数据与模型之间的关系就像"Garbage in, Garbage out"的那句俗谚，数据的数量与输入质量决定着最终模型的输出质量。对于现AI模型的训练而言，数据决定了模型的语言能力、理解能力、甚至价值观以及人性化表现。目前，AI的数据需求困境主要聚焦于以下四方面：- 数据饥渴：AI模型训练依赖大量数据输入。公开资料显示，某知名AI公司训练其大语言模型的参数量就达到了万亿级别。- 数据质量：随着AI与各行业的结合，数据时效性、数据多样性、垂类数据的专业性、新兴数据源如社交媒体情绪的摄入对其质量也提出了新的要求。- 隐私与合规问题：当前各个国家、企业逐渐注意到优质数据集的重要性，正在对数据集爬取进行限制。- 数据处理成本高昂：数据量大，处理过程复杂。公开资料显示，AI公司超过30%的研发成本是用于基础数据采集、处理。目前，Web3的解决方案体现在以下四个方面：1. 数据收集：能够免费提供抓取的真实世界数据正在迅速耗尽，AI公司为数据付费的支出逐年升高。但与此同时，这份支出并没有反哺到数据真正的贡献者身上，平台全然享受了数据带来的价值创造，如某社交平台通过与AI公司签订的数据授权协议实现合计2.03亿美元的收入。让真正贡献的用户同样参与数据带来的价值创造，以及通过分布式网络与激励机制，以低成本的方式获取用户更加私人、更具价值的数据，是Web3的愿景。- 如Grass是一个去中心化的数据层和网络，用户可以通过运行Grass节点，贡献闲置带宽和中继流量用以捕获整个互联网中的实时数据，并获取代币奖励。- Vana则引入了一个独特的数据流动性池（DLP）概念，用户可以将他们的私人数据（如购物记录、浏览习惯、社交媒体活动等）上传至特定DLP，并灵活选择是否将这些数据授权给特定的第三方使用。- 在PublicAI中，用户可在某社交平台上使用#AI或#Web3作为分类标签并@PublicAI即可实现数据收集。2. 数据预处理：在AI的数据处理过程中，由于收集来的数据通常嘈杂且包含错误，其在训练模型之前必须将其清理并转换为可用格式，涉及标准化、过滤和处理缺失值的重复任务。此阶段是AI行业为数不多的人工环节，已经衍生出数据标注师这一行业，随着模型对数据质量的要求提高，数据标注师的门槛也随之提升，而这一任务天然适合Web3的去中心化激励机制。- 目前，Grass与OpenLayer都正在考虑加入数据标注这一关键环节。- Synesis提出了「Train2earn」的概念，强调数据质量，用户可通过提供标注数据、注释或其他形式的输入获得奖励。- 数据标注项目Sapien则将标记任务游戏化，并让用户质押积分以赚取更多积分。3. 数据隐私与安全：需要厘清的是，数据隐私与安全是两个不同的概念。数据隐私涉及敏感数据的处理，数据安全则保护数据信息免遭未经授权的访问、破坏和盗窃。由此，Web3隐私技术优势和潜在的应用场景体现在两个方面：（1）敏感数据的训练；（2）数据协作：多个数据所有者可以共同参与AI训练，而无需共享其原始数据。当前Web3较为普遍的隐私技术包括：- 可信执行环境(TEE)，例如Super Protocol。- 完全同态加密（FHE)，例如BasedAI、Fhenix.io或Inco Network。- 零知识技术（zk），如Reclaim Protocol使用zkTLS技术，生成HTTPS流量的零知识证明，允许用户从外部网站安全导入活动、声誉和身份数据，而无需暴露敏感信息。不过，目前该领域仍处于早期阶段，大部分的项目仍在探索中，目前的一个困境是计算成本太高，一些例子是：- zkML框架EZKL需要大约80分钟才能生成一个1M-nanoGPT模型的证明。- 根据Modulus Labs的数据，zkML的开销比纯计算高出1000倍以上。4. 数据存储：有了数据之后，还需要一个地方来在链上存储数据，以及使用该数据生成的LLM。以数据可用性（DA）为核心问题，在以太坊Danksharding升级之前，其吞吐量为0.08MB。与此同时的是，AI模型的训练和实时推理通常需要每秒50到100GB的数据吞吐量。这种数量级的差距，让现有的链上解决方案在面对"资源密集型的AI应用时"力不从心。- 0g.AI是这一类别的代表

YieldHunter

2025-07-11 11:56:45

AI+Web3：塔楼与广场

TL;DR

AI概念的Web3项目在一二级市场成为吸金标的。
Web3在AI行业的机会体现在：使用分布式激励来协调长尾中的潜在供应——跨数据、存储和计算；同时建立开源模型以及AI Agent的去中心化市场。
AI在Web3行业主要用于链上金融（加密支付、交易、数据分析）以及辅助开发。
AI+Web3的效用体现在两者的互补：Web3有望对抗AI集中化，AI有望帮助Web3破圈。

引言

近两年，AI的发展像被按了加速键。由Chatgpt掀起的波澜不仅打开了生成式人工智能的新世界，同样在Web3领域掀起了洋流之势。

在AI概念的加持下，加密市场融资明显提振。仅2024上半年，就有64个Web3+AI项目完成融资，其中基于人工智能的操作系统Zyber365在A轮实现1亿美元最高融资。

二级市场更为繁荣，加密聚合网站Coingecko数据显示，短短一年多时间，AI赛道总市值已达485亿美元，24小时交易量接近86亿美元。主流AI技术进展带来的利好明显，OpenAI的Sora文本转视频模型发布后，AI板块平均价格上涨151%。AI效应同样辐射至加密货币吸金板块之一Meme：首个AI Agent概念的MemeCoin——GOAT迅速走红并获14亿美金估值，成功掀起AI Meme热潮。

关于AI+Web3的研究和话题同样火热，从AI+Depin到AI Memecoin再到当前的AI Agent和AI DAO，FOMO情绪已然跟不上新叙事轮换的速度。

AI+Web3，这个充满了热钱、风口和未来幻想的术语组合，难免被人视作一场被资本撮合的包办婚姻，我们似乎很难分辨在这席华丽的袍子之下，到底是投机者的主场，还是黎明爆发的前夜？

要回答这个问题，一个对双方都关键的思索是，有对方它会变得更好吗？是否能从对方的模式中受益？在本篇文章里，我们也试图站在前人的肩膀上审视这一格局：Web3如何能够在AI技术堆栈的各个环节里发挥作用，AI又能给Web3带来什么新的生机？

Part.1 AI堆栈下Web3有何机会？

在展开这个话题之前，我们需要了解AI大模型的技术堆栈：

用更通俗的语言来表述整个过程：「大模型」就像是人类的大脑，在早期阶段，这个大脑属于刚刚降临人间的婴儿，需要观察与摄入周围的外界海量信息去理解这个世界，这就是数据的「收集」阶段。由于计算机不具备人类的视觉听觉等多个感官，在训练前，外界的大规模无标注信息需要通过「预处理」转化成计算机能够理解且可用的信息格式。

输入数据后AI通过「训练」构建了一个具有理解和预测能力的模型，则可以看作是婴儿逐渐理解与学习外界的过程，模型的参数就像是婴儿学习过程中不断调整的语言能力。当学习的内容开始分科，或者与人交流得到反馈并且修正，便进入了大模型的「微调」环节。

孩童逐渐长大学会说话后，就可以在新的对话中理解意思并表达自己的感受和想法，这阶段类似于AI大模型的「推理」，模型能够对新的语言和文本输入进行预测和分析。婴儿通过语言能力表达感受、描述物体和解决各种问题，这也类似于AI大模型在完成训练投入使用后在推理阶段应用于各类特定的任务，例如图像分类、语音识别等。

而AI Agent则更趋近于大模型的下一个形态——能够独立执行任务并追求复杂目标，不仅具备思考能力，还能够记忆、规划，且能够运用工具与世界互动。

当前，针对AI在各个堆栈的痛点，Web3目前初步形成了一个多层次、相互连接的生态系统，涵盖了AI模型流程的各个阶段。

一、基础层：算力与数据的Airbnb

算力

当前，AI的最高成本之一，是训练模型与推理模型所需的算力与能源。

一个例子是，某大型科技公司的大语言模型需要16000个由某知名芯片制造商生产的高性能GPU 30天才能完成训练。后者80GB版本的单价在30,000至40,000美元之间，这需要4-7亿美元的计算硬件投资（GPU+网络芯片），同时，每月的训练需要消耗16亿千瓦时，能源支出每月近2000万美元。

对于AI算力的解压，也正是Web3最早与AI交叉的领域——DePin（去中心化物理基础设施网络）。目前，DePin Ninja数据网站已经陈列出1400多个项目，其中GPU算力共享代表项目包括io.net、Aethir、Akash、Render Network等等。

其主要逻辑在于：平台允许拥有闲置GPU资源的个人或实体以无需许可的去中心化方式贡献其计算能力，通过类似于共享经济平台的买家和卖家在线市场，提高未被充分利用的GPU资源使用率，终端用户也因此获得更加低成本的高效计算资源。同时，质押机制也确保如果出现违反质量控制机制或中断网络的情况，资源提供者有其相应惩罚。

其特点在于：

聚集闲置GPU资源：供应方主要为第三方独立的中小型数据中心、加密矿场等运营商的过剩算力资源、共识机制为PoS的挖矿硬件，如FileCoin与ETH矿机。目前也有项目致力于启动门槛更低的设备，如exolab利用MacBook、iPhone、iPad等本地设备建立运行大模型推理的算力网络。
面对AI算力的长尾市场：

a.「于技术端而言」去中心化算力市场更适合推理步骤。训练更加依赖于超大集群规模GPU带来的数据处理能力，而推理对于GPU运算性能相对较低，如Aethir专注于低延迟的渲染工作和AI推理应用。

b.「于需求端而言」中小算力需求方不会单独训练自己的大模型，而只是选择围绕少数头部大模型进行优化、微调，而这些场景都天然适合分布式闲置算力资源。

去中心化所有权：区块链的技术意义在于资源所有者始终保留其对于资源的控制权，根据需求灵活调整，同时获得收益。

数据

数据，是AI的地基。如果没有数据，计算就如浮萍之末毫无用处，而数据与模型之间的关系就像"Garbage in, Garbage out"的那句俗谚，数据的数量与输入质量决定着最终模型的输出质量。对于现AI模型的训练而言，数据决定了模型的语言能力、理解能力、甚至价值观以及人性化表现。目前，AI的数据需求困境主要聚焦于以下四方面：

数据饥渴：AI模型训练依赖大量数据输入。公开资料显示，某知名AI公司训练其大语言模型的参数量就达到了万亿级别。
数据质量：随着AI与各行业的结合，数据时效性、数据多样性、垂类数据的专业性、新兴数据源如社交媒体情绪的摄入对其质量也提出了新的要求。
隐私与合规问题：当前各个国家、企业逐渐注意到优质数据集的重要性，正在对数据集爬取进行限制。
数据处理成本高昂：数据量大，处理过程复杂。公开资料显示，AI公司超过30%的研发成本是用于基础数据采集、处理。

目前，Web3的解决方案体现在以下四个方面：

数据收集：能够免费提供抓取的真实世界数据正在迅速耗尽，AI公司为数据付费的支出逐年升高。但与此同时，这份支出并没有反哺到数据真正的贡献者身上，平台全然享受了数据带来的价值创造，如某社交平台通过与AI公司签订的数据授权协议实现合计2.03亿美元的收入。

让真正贡献的用户同样参与数据带来的价值创造，以及通过分布式网络与激励机制，以低成本的方式获取用户更加私人、更具价值的数据，是Web3的愿景。

如Grass是一个去中心化的数据层和网络，用户可以通过运行Grass节点，贡献闲置带宽和中继流量用以捕获整个互联网中的实时数据，并获取代币奖励。
Vana则引入了一个独特的数据流动性池（DLP）概念，用户可以将他们的私人数据（如购物记录、浏览习惯、社交媒体活动等）上传至特定DLP，并灵活选择是否将这些数据授权给特定的第三方使用。
在PublicAI中，用户可在某社交平台上使用#AI或#Web3作为分类标签并@PublicAI即可实现数据收集。

数据预处理：在AI的数据处理过程中，由于收集来的数据通常嘈杂且包含错误，其在训练模型之前必须将其清理并转换为可用格式，涉及标准化、过滤和处理缺失值的重复任务。此阶段是AI行业为数不多的人工环节，已经衍生出数据标注师这一行业，随着模型对数据质量的要求提高，数据标注师的门槛也随之提升，而这一任务天然适合Web3的去中心化激励机制。

目前，Grass与OpenLayer都正在考虑加入数据标注这一关键环节。
Synesis提出了「Train2earn」的概念，强调数据质量，用户可通过提供标注数据、注释或其他形式的输入获得奖励。
数据标注项目Sapien则将标记任务游戏化，并让用户质押积分以赚取更多积分。

数据隐私与安全：需要厘清的是，数据隐私与安全是两个不同的概念。数据隐私涉及敏感数据的处理，数据安全则保护数据信息免遭未经授权的访问、破坏和盗窃。由此，Web3隐私技术优势和潜在的应用场景体现在两个方面：（1）敏感数据的训练；（2）数据协作：多个数据所有者可以共同参与AI训练，而无需共享其原始数据。

当前Web3较为普遍的隐私技术包括：

可信执行环境(TEE)，例如Super Protocol。
完全同态加密（FHE)，例如BasedAI、Fhenix.io或Inco Network。
零知识技术（zk），如Reclaim Protocol使用zkTLS技术，生成HTTPS流量的零知识证明，允许用户从外部网站安全导入活动、声誉和身份数据，而无需暴露敏感信息。

不过，目前该领域仍处于早期阶段，大部分的项目仍在探索中，目前的一个困境是计算成本太高，一些例子是：

zkML框架EZKL需要大约80分钟才能生成一个1M-nanoGPT模型的证明。
根据Modulus Labs的数据，zkML的开销比纯计算高出1000倍以上。

数据存储：有了数据之后，还需要一个地方来在链上存储数据，以及使用该数据生成的LLM。以数据可用性（DA）为核心问题，在以太坊Danksharding升级之前，其吞吐量为0.08MB。与此同时的是，AI模型的训练和实时推理通常需要每秒50到100GB的数据吞吐量。这种数量级的差距，让现有的链上解决方案在面对"资源密集型的AI应用时"力不从心。