過去，初創企業憑藉其速度、靈活度和創業文化，擺脫組織慣性桎梏，長期引領著技術創新。然而，這一切被人工智能時代改寫。迄今為止，突破性 AI 產品的締造者都是諸如 Microsoft 的 OpenAI、Nvidia、Google 甚至 Meta 這樣的傳統科技巨頭。
發生了什麼？為什麼這一次巨頭贏過了初創？初創企業可以寫出優秀代碼，但與科技巨頭相比，它們面臨多種阻礙：
- 計算成本居高不下
- AI 發展存在反向凸角：由於缺少必要的方針，圍繞 AI 社會影響的擔憂和不確定性阻礙了創新
- AI 黑盒問題
- 大型科技公司建立的“數據護城河”形成進入壁壘
那麼，為什麼需要區塊鏈技術出場？它與人工智能的交集在哪？雖然不能一次性解決所有問題，但Web3中的分佈式物理基礎設施網絡（DePIN）為解決上述問題創造了條件。下文將闡述 DePIN 背後的技術如何助力人工智能，主要從四個維度：
- 降低基礎設施成本
- 驗證創作者和人格
- 填補AI 民主和透明度
- 設置數據貢獻獎勵機制
下文中：
- “web3”指下一代互聯網，區塊鏈技術與其他現有技術是其有機組成。
- “區塊鏈”指去中心化和分佈式賬本技術。
- “加密”指利用代幣機制進行激勵和去中心化的做法。
一、降低基礎設施成本（計算和存儲）
每一波技術創新的引子都是某種昂貴的東西變得廉價到可以浪費。
——社會的技術債務和軟件的古騰堡時刻，來自 SK Ventures
基礎設施的可負擔性有多重要（人工智能的基礎設施指計算、傳輸和存儲數據的硬件成本），Carlota Perez 的技術革命理論有指明，該理論提出技術突破包含兩個階段：
來源：Carlota Perez 的技術革命理論
- 安裝階段以大量風險投資、基礎設施建設和“推動式”市場推廣（GTM）策略為特徵，因為客戶不了解新技術的價值主張。
- 部署階段以基礎設施供應的大量增加為特徵，降低拉新門檻，並採用“拉動式”市場推廣（GTM）策略，表明產品市場匹配度高，客戶期待更多尚未成型的產品。
既然 ChatGPT 等嘗試已證明市場契合度和客戶需求，人們可能覺得 AI 已經進入部署階段。然而，AI 還缺少重要一環：過剩的基礎設施供價格敏感的初創企業進行搭建和嘗試。
問題
當前物理基礎設施領域主要由垂直一體化寡頭壟斷，包括 AWS、GCP、Azure、Nvidia、Cloudflare、Akamai 等，行業利潤率高，據估計AWS 在商品化計算硬件上的毛利率為 61% 。所以 AI 領域、尤其是 LLM 領域的新進入者要面對及其高昂的計算成本。
- ChatGPT 一次訓練的成本估計在 4 百萬美元，硬件推理運營成本約 70 萬美元/天。
- Bloom 第二版可能需要花費 1000 萬美元進行訓練和重新訓練。
- 如果 ChatGPT 進入 Google 搜索，谷歌營收將減少 360 億美元，巨額利潤將從軟件平台（Google）向硬件提供商（Nvidia）轉移。
來源：層層分析— LLM 搜索架構與成本
解決方案
DePIN 網絡如 Filecoin（起源於 2014 年的 DePIN 先驅，專注集合互聯網級硬件，服務於分佈式數據存儲）、Bacalhau、Gensyn.ai、Render Network、ExaBits（用於匹配 CPU/GPU 供需的協調層）可以通過以下三個方面節約 75% 至 90% +的基礎設施成本：
1. 推動供應曲線，激發市場競爭
DePIN 為硬件供應商成為服務提供商提供了平等機會。它創建了一個人人可以作為“礦工”加入，用 CPU/GPU 或存儲能力可換取經濟報酬的市場，從而給現有提供商帶來競爭。
雖然像 AWS 這樣的公司無疑在用戶界面、運營和垂直整合方面享有 17 年的先發優勢，但是DePIN 吸引了無法接受中心化供應商客定價的新戶群。就像 Ebay 不直接與 Bloomingdale 競爭，而是提供更經濟的替代品來滿足類似需求，分佈式存儲網絡並不取代中心化供應商，而是旨在服務於價格敏感的用戶群體。
2.通過加密經濟設計促進市場經濟平衡
DePIN 創建的補貼機制能引導硬件供應者參與網絡，從而降低最終用戶的成本。究其原理，我們可以看看 AWS 和 Filecoin 在Web2和Web3中存儲提供者的成本和收入。
客戶獲得降價： DePIN 網絡營造了競爭性市場，引入Bertrand 式競爭，從而降低客戶支付費用。相比之下，AWS EC 2 需要約 55% 的利潤率和 31% 的總體利潤率來維持運營。DePIN 網絡提供的Token 激勵/區塊獎勵也是新的收入來源。在 Filecoin 的背景下，存儲提供者託管越多真實數據越能獲得區塊獎勵（代幣）。因此，存儲提供者有動力吸引更多客戶達成交易增加收入。幾個新興計算 DePIN 網絡的代幣結構仍未公開，但很可能遵循類似模式。類似網絡包括：
- Bacalhau：將計算引入數據存儲位置的協調層，避免移動大量數據。
- exaBITS：服務於 AI 和計算密集型應用程序的分佈式計算網絡。
- Gensyn.ai：深度學習模型計算協議。
3. 降低間接成本： Bacalhau、exaBITS 等 DePIN 網絡以及 IPFS/內容尋址存儲的優勢包括：
- 釋放潛在數據的可用性：由於傳輸大型數據集的帶寬成本高，目前大量數據未被開發，比如體育場館產生的大量事件數據。DePIN 項目可以現場處理數據並僅傳輸有意義的輸出，發掘潛在數據的可用性。
- 降低運營成本：通過本地獲取數據來降低數據輸入、傳輸和導入/導出成本。
- 最小化敏感數據共享中的人工作業：如果醫院 A 和 B 需要將各自患者的敏感數據進行組合分析，它們可以使用Bacalhau 協調 GPU 算力，直接在本地處理敏感數據，而不必通過繁瑣的行政流程與對方進行個人身份信息（PII）交換。
- 無需重計算基礎數據集： IPFS/內容尋址存儲自帶去重、溯源和驗證數據的能力。有關 IPFS 的功能和性價比可參考這篇文章。
AI 生成摘要： AI 需要 DePIN 提供的經濟實惠的基礎設施，目前基礎設施市場由垂直一體化的寡頭壟斷。像Filecoin、Bacalhau、Render Network、ExaBits 這樣的 DePIN 網絡使成為硬件供應商的機會民主化，引入競爭，通過加密經濟設計維護市場經濟平衡，讓成本降低 75% -90% 以上，並降低了間接成本。
二、驗證創作者和人格
問題
一份近期調研顯示，50% 的 AI 學者認為 AI 給人類帶來毀滅性傷害的可能性超過 10% 。
人們需要警醒，AI已經引發社會混亂，而且仍缺乏監管或技術規範，這種情況被稱為“反向凸角”。
比如，在這段Twitter 視頻中，播客主持人 Joe Rogan 與保守評論員 Ben Shapiro 在就電影《料理鼠王》進行著辯論，然而這段視頻是 AI 生成的。
來源：Bloomberg
值得注意的是，AI的社會影響力遠不止虛假博客、對話和圖像帶來的問題：
- 2024 年美國大選期間，AI 生成的 deepfake 競選內容首次達到了以假亂真的效果。
- 參議員 Elizabeth Warren 的一段視頻經過編輯，讓她“說”出了”共和黨人不應該被允許投票”這樣的話（已闢謠）。
- 語音合成的拜登的聲音批評跨性別女性。
- 一群藝術家對 Midjourney 和 Stability AI 提起了集體訴訟 ，指控其未經授權使用藝術家的作品來訓練 AI，侵犯版權並威脅藝術家生計。
- AI 生成的由 The Weeknd 和 Drake 合唱的歌曲“Heart on My Sleeve”在流媒體平台上走紅，但隨後被下架。當新技術在沒有規範的情況下進入主流，就會造成諸多問題，版權侵犯就屬於“反向凸角”問題。
那麼我們能否在Web3中加入 AI 的相關規範？
解決方案
利用加密鏈上來源證明進行人格證明和創作者證明
讓區塊鏈技術真正發揮作用——作為一個包含不可篡改鏈上歷史記錄的分佈式賬本，數字內容的真實性可以通過內容加密證明得到驗證。
數字簽名作為創作者證明和人格證明
要識別 deepfake，可用原始內容創作者獨有的數字簽名生成加密證明，簽名可以使用只有創作者知曉的私鑰創建，並可由對所有人公開的公鑰進行驗證。有了簽名就可以證明內容是由原始創作者創建，不論創建者是人類還是 AI，還可以驗證授權或未授權的對內容的更改。
利用 IPFS 和默克爾樹進行真實性證明
IPFS 是使用內容尋址和默克爾樹引用大型數據集的分佈式協議。為了證明文件內容收到、更改，會生成一個默克爾證明，即一串哈希，顯示特定的數據塊在默克爾樹中的位置。每次更改，都會在默克爾樹中增加一個哈希，提供了文件修改的證明。
加密方案的痛點是激勵機制，畢竟，識別出 deepfake 製造者雖然能減少負面社會影響，但不會帶來同等的經濟利益。這份責任很可能落在 Twitter、Meta、Google 等主流媒體分發平台上，事實也的確如此。那麼我們為什麼需要區塊鏈？
答案是區塊鏈的加密簽名和真實性證明更加有效、可驗證和確定。目前，檢測 deepfake 的過程主要通過機器學習算法（如 Meta 的“Deepfake Detection Challenge”、Google 的“Asymmetric Numeral Systems” (ANS)和 c 2 pa：https://c 2 pa.org/）來識別視覺內容中的規律和異常，但時常不夠準確，落後於 deepfake 發展速度。一般需要人工審核來確定真實性，低效且昂貴。
如果有一天每條內容都有加密簽名，每個人都能可驗證地證明創作來源，標記篡改或偽造行為，那我們將迎來美麗的世界。
AI 生成摘要： AI 可能對社會構成重大威脅，尤其是 deepfake 和未授權使用內容，而Web3技術，如使用數字簽名的創作者證明和使用 IPFS 和默克爾樹的真實性證明，可以驗證數字內容的真實性，防止未經授權的更改，為 AI 提供規範。
三、AI 民主化
問題
今天的 AI 是由專有數據和專有算法構成的黑盒。大型科技公司 LLM 的封閉性扼殺了我眼中的“AI 民主”，即每個開發者甚至用戶都能為 LLM 模型貢獻算法和數據，並在模型盈利時獲得部分利潤（相關文章）。
AI 民主=可視性（能看到輸入模型的數據和算法）+貢獻（能向模型貢獻數據或算法）。
解決方案
AI 民主的目的是讓生成式 AI 模型對公眾開放、與公眾相關、為公眾所有。下表對比了 AI 現狀與通過Web3區塊鏈技術能實現的未來。
目前——
對於客戶：
- 單向接收 LLM 輸出
- 無法控制個人數據如何被使用
對於開發者：
- 可組合性低
- ETL 數據處理不可追溯，難復現
- 數據貢獻來源僅限於數據所有機構
- 閉源模型只能通過 API 付費訪問
- 分享數據輸出缺乏可驗證性，數據科學家 80% 的時間用於低端數據清洗
結合區塊鏈後——
對於客戶：
用戶可提供反饋（比如偏見、內容審核、針對輸出的顆粒度反饋）作為微調依據
用戶可選擇貢獻數據換取模型盈利後的利潤
對於開發者：
- 分佈式數據管理層：眾包重複耗時的數據標記等數據準備工作
- 可視性&組合&微調算法的能力，借助可驗證源（可以看到所有改動的防篡改歷史記錄）
- 數據主權（通過內容尋址/IPFS 實現）和算法主權（例如 Urbit 實現了數據和算法的點對點組合和可移植性）
- 加速 LLM 創新，從基礎開源模型的各種變體中加速 LLM 創新。
- 可複現訓練數據輸出，通過區塊鏈對過去 ETL 操作和查詢的不可變記錄（如 Kamu）實現。
有人說Web2的開源平台也提供了一種折中方案，但其效果並不理想，相關討論可見exaBITS 的博文。
AI 生成摘要：大型科技公司封閉的 LLM 扼殺了“AI 民主”，即每個開發者或用戶都能夠為一個 LLM 模型貢獻算法和數據，並在模型盈利時獲得部分利潤。AI 應該對公眾開放，與公眾相關，為公眾所有。借助區塊鍊網絡，用戶能夠提供反饋，為模型貢獻數據換取變現後的利潤，開發者也能獲得可視性和可驗證源，從而組合和微調算法。內容尋址/IPFS 和 Urbit 等Web3創新將實現數據和算法主權。通過區塊鏈對過去 ETL 操作和查詢的不可變記錄，訓練數據輸出的可複現性也將成為可能。
四、設置數據貢獻獎勵機制
問題
今天，最有價值的消費者數據為大型科技公司的專有資產，構成其核心商業壁壘。科技巨頭沒有動力將這些數據與外部方共享。
那麼，為什麼我們不能直接從數據創造者或用戶那裡獲取數據呢？為什麼我們不能把數據變成公共資源，貢獻數據將數據開源化供數據科學家使用？
簡單來說是因為缺乏激勵機制和協調機制。維護數據和執行 ETL（提取、轉換和加載）是一大筆間接成本。事實上，僅數據存儲就將在 2030 年成為價值 7770 億美元的行業，這還不包括計算成本。沒有人會無償承擔數據處理的工作和成本。
不妨看看 OpenAI，最初設定是開源非盈利，但變現困難無法覆蓋成本。2019 年，OpenAI 不得不接受微軟注資，算法不再對公眾的開放。預計到 2024 年，OpenAI 盈利將達 10 億美元。
解決方案
Web3引入了名為“dataDAO”的新機制，促進了 AI 模型所有者和數據貢獻者之間的收入再分配，為眾包數據貢獻創建了激勵層。由於篇幅限制，此處不會展開，想要了解可閱讀下方兩篇文章：
- How DataDAO works/DataDAO 原理，作者是 Protocol Labs 的 HQ Han
- How data contribution and monetization works in web3/web3數據貢獻和變現如何運作，我在這篇深入討論了 dataDAO 的機制、欠缺和機遇
總的來說，DePIN 另闢蹊徑，為推動Web3和 AI 創新提供了新的硬件能源。儘管科技巨頭主導了 AI 行業，但新興參與者可以利用區塊鏈技術加入競爭：DePIN 網絡降低准入門檻的方式包括降低計算成本；區塊鏈的可驗證和分佈式特性使真正的開放式 AI 成為可能；dataDAO 等創新機制激勵數據貢獻；區塊鏈的不可變性和防篡改特性提供了創造者身份證明，打消人們對 AI 負面社會影響的擔憂。
