以下是我在加密货币与人工智能的交叉点上发现的有趣的类别。

我相信开放会带来创新。近年来，人工智能已经跨越鸿沟，进入全球实用性和影响力。由于计算能力随着资源整合而增强，人工智能自然会促进集中化，而那些拥有更多计算能力的人将逐渐占据主导地位。这给我们的创新速度带来了风险。我相信去中心化和 Web3 是保持人工智能开放的有力竞争者。

该列表和这些示例公司每天都在变化。请不要将此视为事实来源，而是及时的快照。如果我错过了一些公司或者你认为我错了，请在 Twitter 上私信我。很想辩论。

用于预训练+微调的去中心化计算

众包计算（CPU + GPU）

论据：airbnb/uber 众包资源模型有可能扩展到计算领域，并将备用计算聚合到市场中。这可以解决的问题：1）针对某些用例的更便宜的计算，可以处理一些停机/延迟；2）抗审查计算，用于训练未来可能受到监管/取缔的模型。 

反对意见：众包计算无法实现规模经济；大多数高性能 GPU 并不属于消费者所有。去中心化计算是一个完全悖论；它实际上与高性能计算相反......询问任何基础设施/机器学习工程师！

示例项目：Akash、Render、io.net、Ritual、Hyperbolic、Gensyn

去中心化推理

以分散的方式运行开源模型的推理 

论点：开源（OS）模型在某些方面正在接近与闭源（1）并获得采用。为了运行操作系统模型的推理，大多数人使用 HuggingFace 或 Replicate 等集中式服务，这会带来隐私和审查问题。一种解决方案是通过去中心化或分布式提供商运行推理。

反对意见：没有必要分散推理，因为局部推理将会获胜。可以处理 7b+ 参数模型推理的专用芯片现已发布。边缘计算是我们针对隐私和审查制度的解决方案。

示例项目： Ritual、gpt4all（托管）、Ollama (web2)、Edgellama（Web3、P2P Ollama）、Petals

链上人工智能代理

使用机器学习的链上应用程序

论点：人工智能代理（使用人工智能的应用程序）需要一个协调层来进行交易。对于人工智能代理来说，使用加密货币进行支付可能是有意义的，因为它本身就是数字化的，而且显然代理无法通过 KYC 来开设银行账户。去中心化的人工智能代理也没有平台风险。例如，OpenAI 只是随机决定更改他们的 ChatGPT 插件架构，这在没有通知的情况下破坏了我的 Talk2Books 插件。真实的故事。链上构建的代理不存在同样的平台风险。 

反对意见：代理还没有做好生产准备……根本没有。BabyAGI、AutoGPT等都是玩具！此外，对于支付，创建人工智能代理的实体可以只使用 Stripe API，不需要加密支付。对于平台风险的争论，这是一个陈腐的加密用例，我们还没有看到它的发挥……为什么这次不同？

示例项目：AI Arena、MyShell、Operator.io、Fetch.ai

数据和模型来源

自我管理您的数据和机器学习模型，收集其产生的价值

论据：数据应该由生成数据的用户拥有，而不是由收集数据的公司拥有。数据是数字时代最有价值的资源，但它被大型科技公司垄断且金融化程度低。超个性化网络即将到来，并且需要可移植的数据和模型。我们将通过互联网将数据和模型从一个应用程序转移到另一个应用程序，就像我们将加密钱包从 dapp 转移到 dapp 一样。数据来源，尤其是造假的深度，是一个巨大的问题，甚至拜登也承认这一点。区块链架构很可能是解决数据来源难题的最佳解决方案。

反对意见：没有人关心拥有自己的数据或隐私。我们通过用户偏好一次又一次地看到了这一点。看看 Facebook/Instagram 的注册情况！最终，人们将信任 OpenAI 的 ML 数据。让我们成为现实主义者。

示例项目：Vana、Rainfall

代币激励应用程序（例如配套应用程序）

考虑使用加密代币奖励的 Character.ai

论点：加密代币激励对于引导网络和行为非常有效。我们将看到以人工智能为中心的应用程序利用这种机制。一个引人注目的市场可能是人工智能伴侣，我们相信这将是一个数万亿的人工智能原生市场。2022 年，美国在宠物上花费了 130B+ 美元；AI伴侣是宠物2.0。我们已经看到 AI 配套应用程序达到 PMF，Character.ai 的平均会话时间超过 1 小时以上。如果看到加密货币激励平台在此处和其他人工智能应用垂直领域占据市场份额，我们不会感到惊讶。

反对意见：这只是加密货币投机狂热的延伸，不会产生持久的使用。令牌是 Web 3.0 的 CAC。我们还没有从 Axie Infinity 中吸取教训吗？ 

示例项目：MyShell、Deva

代币激励 MLOps（例如训练、RLHF、推理）

考虑 ScaleAI 与加密代币奖励

论点：加密激励可以在整个机器学习工作流程中使用，以激励优化权重、微调、RLHF 等行为——人类在其中判断模型的输出以进一步微调。

反对意见：MLOps 是加密货币奖励的一个糟糕用例，因为质量太重要了。虽然加密代币在熵可以接受的情况下擅长激励消费者行为，但在质量和准确性至关重要的情况下，它们不利于协调行为。  

示例项目：BitTensor、Ritual

链上可验证性（ZKML）

证明什么模型在链上有效运行并插入加密世界

论据：链上模型的可验证性将解锁可组合性，这意味着您可以在整个 DeFi 和加密货币中利用输出。五年后，当我们让代理人为我们运行医生模型而不是去看医生时，我们将需要某种方法来验证他们的知识以及准确地在诊断中使用了哪些模型。模型可验证性类似于智力声誉。  

反对意见：没有人需要验证运行的是什么模型。这是我们最不关心的问题。我们是本末倒置。没有人运行 llama2 并担心后台运行不同的模型。这是加密技术（零知识（ZK））寻找要解决的问题以及 ZK 获得过多炒作和风险资金的后果。 

示例项目：Modulus Labs、UpShot、EZKL