撰文：Geekcartel

随着 AI 叙事的持续升温，越来越多的关注集中在这一赛道。Geekcartel 对 Web3-AI 赛道的技术逻辑、应用场景及代表项目进行了深入剖析，为您全面呈现该领域的全景与发展趋势。

1.1 Web3 与 AI 的融合逻辑：如何界定 Web-AI 赛道

在过去的一年中，AI 叙事在 Web3 行业中异常火爆，AI 项目如雨后春笋般涌现。虽然有许多项目涉及 AI 技术，但一些项目仅在其产品的某些部分使用 AI，底层的代币经济学与 AI 产品并无实质关联，因此这类项目在本文中不属于 Web3-AI 项目的讨论之列。

本文的重点在于使用区块链解决生产关系问题，AI 解决生产力问题的项目，这些项目本身提供 AI 产品，同时基于 Web3 经济模型作为生产关系工具，二者相辅相成。我们将这类项目归类为 Web3-AI 赛道。为了使读者更好的理解 Web3-AI 赛道，Geekcartel 将展开介绍 AI 的开发过程和挑战，以及 Web3 和 AI 结合如何完美解决问题和创造新的应用场景。

1.3 Web3 与 AI 的协同效应：角色转变与创新应用

Web3 与 AI 结合可以增强用户主权，为用户提供开放的 AI 协作平台，使用户从 Web2 时代的 AI 使用者转变为参与者，创建人人可拥有的 AI。同时，Web3 世界与 AI 技术的融合还能碰撞出更多创新的应用场景和玩法。

基于 Web3 技术 ，AI 的开发和应用将迎来一个崭新的协作经济体系。人们的数据隐私可以得到保障，数据众包模式促进 AI 模型的进步，众多开源的 AI 资源可供用户使用，共享的算力可以以较低的成本获取。借助去中心化的协作众包机制和开放的 AI 市场，可以实现公平的收入分配体系，从而激励更多人来推动 AI 技术的进步。

在 Web3 场景中，AI 能够在多个赛道上产生积极影响。例如，AI 模型可以集成到智能合约中，在不同的应用场景下提升工作效率，如市场分析、安全检测、社交聚类等多种功能。生成式 AI 不仅可以让用户体验“艺术家”角色，比如使用 AI 技术创建自己的 NFT，还可以在 GameFi 中创造丰富多样的游戏场景和有趣的交互体验。丰富的基础设施提供流畅的开发体验，不论是 AI 专家还是想要进入 AI 领域的新手都可以在这个世界里找到合适的入口。

Bittensor：子网竞争激励下的新玩法

Bittensor 本身并不是一个 AI 商品，也不生产、提供任何 AI 产品或服务。Bittensor 是一个经济系统，为 AI 商品生产者提供了一个高度竞争的激励结构，从而生产者持续地优化 AI 的质量。作为 Web3-AI 的早期项目，自推出以来，Bittensor 受到了市场的广泛关注。根据 CoinMarketCap 数据，截至 10 月 17 日，其市值已超过 42.6 亿美元，FDV（完全稀释估值）超过 120 亿美元。

Bittensor 构建了一个由许多子网（Subnet）网络连接而成的网络构架，AI 商品生产者可以创建具有自定义激励和不同用例的子网。不同子网负责不同任务，比如机器翻译、图像识别与生成、语言大模型等。例如，Subnet 5 可以创建像 Midjourney 一样的 AI 图像。当完成优秀的任务时，将获得 TAO （Bittensor 的代币）奖励。

激励机制是 Bittensor 的基本组成部分。它们驱动子网矿工的行为，并控制子网验证者之间的共识。每个子网都有自己的激励机制，子网矿工（Miner）负责执行任务，验证者（validators）对子网矿工的结果进行评分。

如图所示，子网矿工和子网验证者之间的工作流程我们以一个例子来演示：

图中三个子网矿工分别对应 UID 37、 42 和 27 ；四个子网验证器分别对应 UID 10、 32、 93 和 74 。

• 每个子网验证器都维护一个权重向量。向量的每个元素表示分配给子网矿工的权重，这个权重是根据子网验证器对矿工任务完成度的评价来确定的。每个子网验证器通过该权重向量对所有子网矿工进行排序且独立运行，将其矿工排名权重向量传输到区块链。通常，每个子网验证器每 100 – 200 个区块向区块链传输更新的排名权重向量。

• 区块链（子张量）等待来自给定子网的所有子网验证器的最新排名权重向量到达区块链。然后，由这些排名权重向量形成的排名权重矩阵将作为链上 Yuma 共识模块的输入提供。

• 链上的 Yuma 共识使用此权重矩阵以及与该子网上的 UID 相关的质押量来计算奖励。

• Yuma 共识计算 TAO 的共识分配，并将新铸造的奖励 TAO 分配到与 UID 关联的账户中。

子网验证器可以随时将其排名权重向量传输到区块链上。但是子网的 Yuma 共识周期在每 360 个区块（即 4320 秒或 72 分钟，以每区块 12 秒计）开始时使用最新的权重矩阵。如果子网验证器的排名权重向量在 360 区块周期后到达，那么该权重向量将在下一个 Yuma 共识周期开始时使用。每个周期结束完成 TAO 奖励的发放。

Yuma 共识是 Bittensor 实现节点公平分配的核心算法，是结合了 PoW 和 PoS 元素的混合共识机制。与拜占庭容错共识机制类似，如果网络中诚实的验证者占多数，最终就能共识出正确的决策。

根网络（Root Network）是一种特殊的子网，也就是 Subnet 0 。默认情况下，所有子网中的子网验证器中，质押最多的 64 个子网验证者是根网络中的验证者。根网络验证者会根据每个 Subnet 产出的质量进行评价并排名， 64 个验证者的评价结果会被汇总，经过 Yuma Consensus 算法得到最终的 emission 结果，并由最终结果给每个 Subnet 分配新增发的 TAO。

尽管 Bittensor 的子网竞争模式提升了 AI 产品的质量，但也面临一些挑战。首先，子网所有者制定的激励机制决定了矿工的收益，可能会直接影响矿工的工作积极性。另一个问题是，验证者决定每个子网的代币分配量，但缺乏明确的激励措施来选择有利于 Bittensor 长期生产力的子网。这种设计可能导致验证者偏向于选择与他们有关系的子网或那些提供额外利益的子网。为解决这一问题，Opentensor 基金会的贡献者提出了 BIT 001 ：动态 TAO 解决方案，建议通过市场机制来确定所有 TAO 质押者竞争的子网代币分配量。

团队信息：

联合创始人 Ala Shaabana 是滑铁卢大学的博士后，拥有计算机科学专业的学术背景。另一位联合创始人 Jacob Robert Steeves 毕业于加拿大西蒙弗雷泽大学，拥有近 10 年的机器学习研究经验，并曾在谷歌担任软件工程师。

融资信息：

Bittensor 除了接受来自 OpenTensor Foundation 的资金支持，该基金会是支持 Bittensor 的非营利性组织。此外，其社区公告已宣布知名加密 VC Pantera 和 Collab Currency 已经成为了 TAO 代币的持有者，并且会对项目的生态发展提供更多支持。其他几个主要投资者则是包括 Digital Currency Group、Polychain Capital、FirstMark Capital、GSR 等在内的知名投资机构和做市商。

ORA：链上可验证 AI 的基石

ORA 的产品 OAO（链上 AI 预言机）是世界上第一个采用 opML 的 AI 预言机，可以将链外的 AI 推理结果引入到链上。这意味着智能合约可以通过与 OAO 交互，从而在链上实现 AI 功能。此外，ORA 的 AI 预言机可以与初始模型发行（IMO）无缝结合，提供全流程的链上 AI 服务。

ORA 在技术和市场上都拥有先发优势，作为以太坊上无需信任的 AI 预言机，将对其广泛的用户群体产生深远影响，预计未来将看到更多创新的 AI 应用场景涌现。开发者现在可以在智能合约中使用 ORA 提供的模型实现去中心化推理，并且可以在以太坊、Arbitrum、Optimism、Base、Polygon、Linea 以及 Manta 上构建可验证的 AI dApp。除了提供 AI 推理的验证服务，ORA 还提供模型发行服务（IMO）来促进开源模型的贡献。

ORA 的两个主要产品是：初始模型发行（IMO）和链上 AI 预言机（OAO），二者完美契合，实现链上 AI 模型的获取和 AI 推理的验证。

• IMO 通过代币化开源 AI 模型的所有权来激励长期的开源贡献，代币持有者将获得链上使用该模型产生的部分收入。ORA 还为 AI 开发者提供资金，激励社区和开源贡献者。

• OAO 带来链上可验证的 AI 推理。ORA 引入了 opML 用作 AI 预言机的验证层。类似与 OP Rollup 的工作流程，验证者或任何网络参与者在挑战期可以对结果进行检查，如果挑战成功则链上更新错误结果，挑战期结束后结果最终确定并不可变。

要建立一个可验证和去中心化的预言机网络，确保区块链上结果的计算有效性至关重要。这个过程涉及一个证明系统，确保计算是可靠和真实的。

为此，ORA 提供三种证明系统框架：

• AI Oracle 的 opML（目前 ORA 的 AI 预言机已经支持 opML）

• keras 2c ircom 的 zkML（成熟和高性能的 zkML 框架）

• 结合 zkML 的隐私性和 opML 的可扩展性的 zk opML，通过 opp/ai 实现未来的链上 AI 解决方案

opML：

opML（乐观机器学习）由 ORA 发明和开发，将机器学习与区块链技术相结合。通过利用类似的 Optimistic Rollups 原理，opML 以去中心化的方式确保了计算的有效性。该框架允许对 AI 计算进行链上验证，提高了透明度并促进了对机器学习推理的信任。

为确保安全性和正确性，opML 采用以下欺诈防护机制：

• 结果提交：服务提供者（提交者）在链下执行机器学习计算，并将结果提交到区块链上。

• 验证期：验证者（或挑战者）有预定义的期限（挑战期）来验证提交结果的正确性。

• 争议解决：如果验证者发现结果不正确，他们将启动一个互动式争议游戏。该争议游戏有效地确定了错误发生的确切计算步骤。

• 链上验证：只有被争议的计算步骤在链上通过欺诈证明虚拟机（FPVM）进行验证，从而最小化资源使用。

• 最终确定：如果在挑战期间没有提出争议，或者争议得到解决后，结果将在区块链上被最终确定。

ORA 推出的 opML 使计算在优化的环境中链下执行，争议时仅在链上处理最小的数据。避免零知识机器学习（zkML）所需的昂贵证明生成，降低计算成本。这种方式能够处理传统链上方法难以实现的大规模计算。

keras 2c ircom （zkML）：

zkML 是一种利用零知识证明在链上验证机器学习推理结果的证明框架。由于其私密性，它可以在训练和推理过程中保护隐私数据和模型参数，从而解决隐私问题。由于 zkML 实际的计算是在链下完成的，而链上只需验证结果的有效性，从而减少了链上的计算负载。

Keras 2C ircom 由 ORA 构建，是第一个经过实战测试的高级 zkML 框架。根据以太坊基金会 ESP 资助提案 [FY 23 – 1290 ] 对领先的 zkML 框架的基准测试，Keras 2C ircom 及其底层 circomlib-ml 被证明比其他框架更高性能。

opp/ai（opML zkML）：

ORA 还提出了 OPP/AI（Optimistic Privacy-Preserving AI on Blockchain），将用于隐私的零知识机器学习（zkML）与用于提高效率的乐观机器学习（opML）集成在一起，创建了为链上 AI 量身定制的混合模型。通过对机器学习（ML）模型进行战略性分区，opp/ai 平衡了计算效率和数据隐私，从而实现了安全高效的链上 AI 服务。

opp/ai 根据隐私要求将 ML 模型划分为多个子模型：zkML 子模型用来处理敏感数据或专有算法的组件，使用零知识证明执行，以确保数据和模型的机密性；opML 子模型用来处理效率优先于隐私的组件。使用 opML 的乐观方法执行，以实现最大效率。

综上所述，ORA 创新的提出了三种证明框架：opML、zkML 以及 opp/ai（opML 与 zkML 结合），多样化的证明框架增强了数据隐私和计算效率，为区块链应用带来了更高的灵活性和安全性。

ORA 作为首创的 AI 预言机，拥有巨大的潜力和广阔的想象空间。ORA 已经发表了大量研究和成果，展示了其技术优势。然而，AI 模型的推理过程具有一定的复杂性和验证成本，链上 AI 的推理速度能否满足用户需求成为一个需要考证的问题。经过时间的验证和用户体验的不断优化，此类 AI 产品或许是提升链上 Dapp 效率的一大利器。

团队信息：

联合创始人 Kartin 毕业于亚利桑那大学的计算机科学专业，曾在 Tiktok 担任技术领导，并在谷歌担任过软件工程师。

首席科学家 Cathie 拥有南加州大学的计算机科学硕士学位，博士毕业与香港大学心理学和神经科学，曾是以太坊基金会的 zkML 研究员。

融资信息：

今年 6 月 26 日，ORA 宣布完成 2000 万的融资，投资机构包括：Polychain Capital、HF 0、Hashkey Capital、SevenX Ventures 和 Geekcartel 等。

IO.NET：去中心化的算力资源平台

IO.NET 通过在 Solana 上构建一个去中心化的 GPU 网络，聚合全球闲置的网络计算资源。这使 AI 工程师能够以更低成本、更易获取和更灵活的方式获得所需的 GPU 计算资源。ML 团队可以在分布式 GPU 网络上构建模型训练和推理服务工作流。

IO.NET 不仅为具有闲置算力的用户提供收入，也大大降低了小型团队或个人的算力负担。借助 Solana 的高吞吐量和高效的执行效率，对于 GPU 的网络调度有着先天的优势。

IO.NET 一经推出受到了大量的关注和顶级机构的青睐。根据 CoinMarketCap 显示，截止 10 月 17 日，其代币的市值已超过 2.2 亿美元，FDV 已经超过 14.7 亿美元。

IO.NET 的核心技术之一是 IO-SDK，基于 Ray 的专用分支（fork）。（Ray 是 OpenAI 使用的开源框架，可以将机器学习等 AI 和 Python 应用程序扩展到集群处理大量计算）。利用 Ray 的原生并行性，IO-SDK 可以并行化 Python 函数，还支持与 PyTorch 和 TensorFlow 等主流 ML 框架的集成。其内存存储可以使任务之间快速数据共享，消除序列化延迟。

产品组件：

• IO Cloud：设计用于按需部署和管理去中心化的 GPU 集群，与 IO-SDK 无缝集成，提供扩展 AI 和 Python 应用程序的综合解决方案。提供计算能力，同时简化 GPU/CPU 资源的部署和管理。通过防火墙、访问控制和模块化设计来降低潜在风险，隔离不同的功能来增加安全性。

• IO Worker：用户可以通过这个 Web 应用程序界面，管理其 GPU 节点操作。包括计算活动监控、温度和功耗跟踪、安装帮助、安全措施和收入情况等功能。

• IO Explorer：主要为用户提供全面的统计数据和 GPU 云各个方面的可视化，让用户可以实时查看网络活动、关键统计数据、数据点和奖励交易。

• IO ID：用户可以查看个人账户情况，包括钱包地址活动，钱包余额以及 Claim 收益等。

• IO Coin：支持用户查看 IO.NET 的代币情况。

• BC 8.AI：这是由 IO.NET 支持的 AI 图片生成网站，用户可以实现文本到图片的 AI 生成过程。

IO.NET 使用来自加密货币矿工，像 Filecoin 和 Render 这样的项目以及其他闲置的算力，聚合了超过一百万个 GPU 资源，允许人工智能工程师或团队根据自己的需求定制并购买 GPU 计算服务。通过利用全球闲置的计算资源，使提供算力的用户可以代币化自己的收益。IO.NET 不仅优化了资源利用率，还降低了高昂的计算成本，推动了更广泛的 AI 和计算应用。

IO.NET 作为去中心化算力平台，应注重用户体验、算力的资源丰富程度和资源的调度监控，这些是在去中心化算力赛道拼胜负的重要筹码。然而，之前有关于资源调度问题的争议，有人质疑资源调度和用户订单不匹配。尽管我们无法确定这件事的真实性，但是这也提醒了相关项目应该关注这些方面的优化和用户体验的提升，失去了用户的支持，在精美的产品也只是花瓶。

团队信息：

创始人 Ahmad Shadid 之前是 WhalesTrader 的量化系统工程师；曾经是以太坊基金会的贡献者和指导者（mentor）。首席技术官 Gaurav Sharma 之前在亚马逊担任高级开发工程师，担任过易贝的架构师，曾在币安的工程部门就职。

融资信息：

2023 年 5 月 1 日，官方宣布完成 1000 万美元种子轮融资；

2024 年 3 月 5 日，宣布完成 3000 万美元 A 轮融资，Hack VC 领投，Multicoin Capital、 6 th Man Ventures、M 13、Delphi Digital、Solana Labs、Aptos Labs、Foresight Ventures、Longhash、SevenX、ArkStream、Animoca Brands、Continue Capital、MH Ventures、Sandbox Games 等参与。