不建议将AI与Web3结合，因为AI相对中心化，而Web3注重去中心化。
虽然 NFT 二级市场在下滑，但一级市场近两个月似乎没有谈论 NFT 或 NFTFi 相关项目，而 AI 项目才真正开始起飞，因此 NFT 文章继续拖累。上次写完BTC生态的时候，应该加上NFT和NFTFI的文章。然而，NFT 目前确实还不是很酷。首先提到了AI与Web3结合的趋势。
人工智能
人工智能产业即将衰退。 Illia是Near Protocol的创始人，实际上精通人工智能，是最著名的机器学习框架TensorFlow的主要代码贡献者。人们猜测他认为AI（大模型之前的机器学习）已经没有希望了，所以来做Web3。
不过，去年底左右业界迎来了ChatGpt3.5，AI业务开始复苏。因为，与前几轮的炒作和量变不同，这一次可能真正算是质变。几个月后，AI创业海啸也已波及Web3。硅谷Web2内部竞争激烈，大范围资本Fomo，大量同质化方案开始打价格战，大厂大车型PK……
但值得注意的是，AI在爆发半年多后也进入了相对瓶颈期，比如谷歌凭借AI的搜索热度断崖式下跌、Chatgpt用户增速明显放缓、AI产出与某些随机性限制了许多着陆场景……总而言之，我们离传说中的“AGI-通用人工智能”还非常非常远。
目前，硅谷风险投资对AI下一步发展有这样的判断：
1、没有垂直模型，只有大模型垂直应用（后面讲Web3+AI的时候再讲）；
2、手机等边缘设备上的数据可能是障碍，基于AI的边缘设备也可能是机会；
3、Context的长度未来可能会引起质的变化（现在用向量数据库作为AI内存，但Context长度还是不够）。
Web3+人工智能
事实上，AI 和 Web3 是两种完全不同的技术。人工智能需要集中的处理能力和大量的数据来进行训练，这是相当中心化的。尽管由于 Web3 是去中心化的，它们不能很好地协同工作，但人工智能改变生产力和区块链改变生产关系的观念太普遍了。总会有人在寻找那个交集，在过去的两个月里，我讨论了不少于 10 个人工智能举措。
在说新的组合赛道之前，我们先来讨论一下老的AI+Web3项目，这些项目基本都是平台类型，以FET、AGIX为代表。国内专业的AI朋友告诉我，以前做的这些AI东西现在基本没什么用了，无论是Web2还是Web3，很多都是包袱而不是经验。”方向和未来是在像基于 Transformer 的 OpenAI 这样的大模型中，大模型拯救了 AI。
所以，通用平台类型并不是他所看好的Web3+AI的模式，而我讲的10多个项目都没有这方面的内容，我看到的基本有以下几个板块：
1. Bot/Agent/Assistant大小写
2. 计算平台
3. 数据平台
4. 生成式人工智能
5. DeFi 交易/审计/风控
6.ZKML
1.机器人/代理/助理大写
讨论最多且同质化的领域就是这一领域。简单来说，这些项目通常以OpenAI为基础，再加上额外的开源或自研的TTS（文本转语音）等技术工具，并根据特定数据，FineTune创建了一些“在某些方面比ChatGPT更好”的机器人。场”。
例如，你可以聘请一位漂亮的教练来教你英语。她可以选择伦敦口音和美国口音。您的互动体验将比 ChatGPT 更好，ChatGPT 更加正式和机械，这要归功于修改她的个性和聊天风格的能力。有一款虚拟男友DAPP，一款Web3女性游戏，叫HIM，可以算是这一类型的代表。
从这个概念来看，理论上你可以有很多机器人/代理来为你服务。例如，如果你想学习如何煮鱼，可能会有专门针对该领域的 Fine Tune Cooking Bot 来教你，而且响应比 ChatGPT 更合格。如果你想去旅行，还有旅行机器人可以为你提供旅行建议和计划。或者，如果您是项目合作伙伴，请使用 Discord 客户服务机器人来帮助您回答社区问题。
基于这种“基于GPT的垂直应用类型”还有衍生项目。 Bot除了做这种类型的“基于GPT的垂直应用类型”之外，还做一些其他的事情。 Bot，作为模型大写” NFT 作为图片大写，”这意味着现在AI中广为人知的Prompt也可能要大写了。 Promopt本身是有价值的，可以被资本化，例如，不同的MidJourney提示可以产生不同的视觉效果，不同的提示在训练机器人时会产生不同的结果。
在此类机器人上，还有其他举措，例如门户索引和搜索。当我们有数千个机器人时，我们如何才能为您选择最好的机器人？然后，为了帮助您“定位”，您可能需要像Hao123 这样的Web2 门户或像Google 这样的搜索引擎。
我认为此时Bot（模型）资本化有两个弊端和两个方向：
缺点1.因为这是最人性化的AI+web3赛道，同质化是一大缺点。 NFT 的某些元素带有实用特征的暗示。这样一来，一级市场已经开始呈现红海之势并展开竞争，而OpenAI处于底部，所以我们确实没有什么技术障碍需要克服；我们只能在设计和运营的基础上竞争。
缺点2. 尽管星巴克会员卡NFT上链为进入web3世界做出了值得称赞的努力，但对于大多数用户来说，实体或电子会员卡可能更方便。这也是基于 Web3 的机器人的一个问题。如果我想和马斯克、苏格拉底、机器人对话来学习英语，立即使用Web2 http://Character.AI对我来说不是有好处吗？
方向 1：从短期到中期来看，链上模型可能是一个好概念。这些模型目前对 ETH NFT 的理解有限，元数据主要指向 IPFS 或链下服务器，而不是区块链本身。特别是在服务器上，模型的大小通常为数十到数百兆字节。
不过，我认为，考虑到最近存储价格的大幅下降（2TB SSD 500元）以及Filecoin FVM等存储项目的发展，未来两三年内百兆规模的模型上链应该不是什么挑战。和 ETH 存储。
您可能想知道链上有什么优势？链上模型可以直接被其他合约使用，这更加Crypto Native，并且游戏模式无疑更大。有一点完全链上游戏的视觉感，因为所有数据都是链上原生的。目前有许多团队正在探索这一点，但仍处于早期阶段。
方向2.如果您从中长期认真考虑智能合约，您可能会发现“机器与机器交互”正在变得越来越重要。而不是人机交互更合适。人工智能现在有了 AutoGPT 的想法，它可以让你获得一个“虚拟头像”。或“虚拟助理”他们可以协助您完成预订机票、酒店、购买域名以创建网站以及其他所需项目等任务。
让AI助手管理你众多的银行账户，你更喜欢支付宝和各类银行卡的便利，还是完整的区块链地址转账的便利？解决方案很清楚。那么，未来是否会出现大量像AutoGPT这样的人工智能助手，在各种任务场景下通过区块链和智能合约自动进行C2C、B2C甚至B2B支付结算呢？然后，Web2 和 Web3 之间的界限在那一刻变得非常模糊。
2. 计算平台
算力平台项目相对于Bot模式来说，资金较少，竞争也较小，但相对更容易理解。人工智能需要大量的计算能力，而BTC和ETH在过去十年中已经证明了这种方法的存在，它可以组织和协调海量的计算能力，在经济激励和博弈的去中心化环境中进行合作和竞争。现在，这种方法可以应用于人工智能。
Together 和 Gensyn 无疑是该领域最著名的两个项目，一个获得了 1000 万美元的种子资金，另一个获得了 4300 万美元的 A 轮融资。这两家公司正试图筹集大量资金，因为他们首先需要资金和处理能力来构建自己的模型，然后他们将使用这些平台来构建其他人工智能项目。
推理算力平台的融资金额会比较小，因为它本质上是把闲置的GPU等算力聚合起来，然后提供给需要推理的AI项目。 RNDR 确实渲染功率聚合，而这些平台则进行推理功率聚合。但目前技术门槛还比较模糊，我什至怀疑是否有一天RNDR或者Web3云计算平台会延伸到推理计算平台。
算力平台的方向比模型资本更现实、更好的预测；基本上，需要它和一两个领先的项目，看看谁能做到。唯一不确定的是训练和推理是否有单独的主导项目，或者主导项目是否会两者兼而有之。
3.数据平台
这并不难理解，因为AI的底层就是三大东西：算法（模型）、算力和数据。
既然算法和算力有了“去中心化版本”，那么数据肯定不会缺席，这也是奇绩创世平台创始人陆奇博士在谈论AI和Web3时最看好的方向。
Web3一直强调数据隐私和主权，并且有ZK等技术来保证数据的可靠性和完整性，所以基于Web3链上数据训练的AI一定和Web2链下数据训练的AI不同。所以这个方向整体来说是有道理的。 Ocean应该算是属于这个板块，一级市场也有基于Ocean的专门的AI数据市场等项目。
4. 生成式人工智能
简单来说，就是利用AI绘画或者其他类似的制作来支持其他几个场景，包括NFT的构建、游戏内地图、NPC背景等等。这种实现 NFT 的方法具有挑战性，因为 AI 生成的稀缺性不足。但Gamefi也许是可能的，有团队尝试在一级市场实施Gamefi。
不过，日前，Unity（与长期主导游戏引擎市场的Unreal Engine一起）也发布了自家的两款AI生成工具Sentis和Muse。这些工具目前处于有限测试阶段，但预计将于明年正式发布。 Web3游戏AIGC项目，也许Unity降维命中了……
5.DeFi交易/审计/风控
这些类别都有项目尝试，但同质化不是很明显。
· 交易 - 这很棘手，因为如果一种交易策略运作良好，随着越来越多的人使用它，它可能会变得不那么有用，你必须切换到新策略。那么我们很好奇人工智能交易机器人未来的胜率以及它们在普通交易者中会处于什么位置。
· 审计 - 它应该有助于及时解决现有的常见漏洞，但不能解决逻辑或全新的弱点，并且这只应该发生在 AGI 时代。
· 产量 – 产量很容易理解。想象一下具有 AI 智能的 YFI 并将您的资金投资在那里。 AI Stake会根据您的风险承受能力选择平台进行质押、制作LP池和挖矿。
· 风险控制——单独做一个项目感觉很奇怪，以插件的形式服务于各种借贷或Defi平台才有意义。
6.ZKML
这是一个越来越受欢迎的领域，因为它结合了两种最前沿的技术：ZK 和 ML（机器学习，人工智能的一个专业领域）。
理论上，ZK的结合可以赋予ML隐私性、完整性和准确性，但在实践中，许多项目方很难想出具体的使用场景，而是专注于基础设施建设。
目前唯一真正需要的是医疗领域部分领域的机器学习、对患者数据隐私的需求，以及链上游戏完整性或反作弊等叙述总是让人感觉牵强。
Modulus Labs、EZKL、Giza等都是该领域一级市场最热门的项目。
该行业的技术壁垒远高于其他赛道，同质化程度一般不明显。世界上懂ZK的人不多，懂ZK、懂ML的人才就更少了。 ZKML 更注重推理而不是训练。