AI+Web3的整体产业图景和叙事逻辑

在过去的 1 年里，随着 ChatGPT 等生成式 AI 大模型的诞生，AI 从简单的自动化工具扩展到复杂的决策和预测系统，发展成为驱动当代社会重要进步动力。AI 类产品和应用也发生了爆发式的增长，ChatGPT 本身陆续推出 GPTs，Sora 等瞩目的产品，AI 底层设施英伟达的业绩持续超出预期， 2024 财年第四季度中数据中心业务占据 83% 以上营收，同步增长 409%，其中 40% 用于大模型的推理场景，显示出对于底层算力的快速需求增长。

当下，AI 已经成为欧美资本圈竞相追逐的主题，同时 Web3 市场也迎来新一轮的牛市，AI+Web3 是当下最热门的两个技术主题的碰撞，近期也出现了一批该主题的项目，凸显了市场对这个主题的关注和期待。

抛开炒作和价格泡沫，AI+Web 行业目前发展情况如何？是否真实有应用场景？长期来看，是否能够创造有价值和叙事和产业？未来 AI+Web3 的产业将会形成怎样的生态格局，具有潜力的方向在哪里？

围绕以上话题，Future3 Campus 将会撰写一系列相关文章，从 AI+Web3 产业链的各个层面进行分析。本文为第一篇，AI+Web3的整体产业图景和叙事逻辑。

AI工作生产流程

概括地说，AI+Web3 结合的方向可以分为两方面，一方面是 Web3 如何帮助 AI 发展，另一方面是 Web3 应用结合 AI 技术。其中 Web3 技术和概念赋能 AI 是当下大部分项目的方向。因此，我们可以通过 AI 从模型训练到生产的流程中来分析如何与 Web3 相结合。

LLM 的诞生与之前机器学习的流程有一些区别，但总体上，一个简化的 AI 生产流程大致分为以下几个阶段：

1.数据获取

在 AI 模型的训练全生命周期中，数据是 AI 模型提供训练的基石。通常需要采用高质量的数据集作为基础，并进行探索性数据分析 (EDA) ，创造可重现、可编辑和可共享的数据集、表格和可视化图标。

2.数据预处理和特征工程 / 提示工程

获得数据后需要对数据进行预处理，这里在机器学习中是特征工程（数据标注），在大模型中是提示（Prompt）工程。包括迭代地对数据进行分类、聚合和删除重复数据以标注精细的特征，迭代开发可供 LLM 结构化查询的 Prompt。同时需要可靠地将特征 /Prompt 进行存储和共享。

3.模型训练和调优

利用丰富的模型库对 AI 模型进行训练，通过不断的迭代和调整，提升模型的性能、效率和准确性。其中在 LLM 中主要是通过人类反馈强化学习（RLHF）来不断对模型进行调优。

4.模型审查和治理

使用 MLOps/LLMOps 平台来优化模型开发流程，包括模型的发现、跟踪、共享和协作，确保模型的质量和透明度，同时符合伦理和合规要求。

5.模型推理

部署训练有素的 AI 模型，对新的、未见过的数据进行预测。模型利用其学习到的参数对输入数据进行处理，生成预测结果，如分类或回归预测。

6.模型部署和监控

在确保模型性能达标后，将其部署到实际应用场景中，并实施持续的监控和维护，确保模型在动态变化的环境中保持最佳性能。

在以上流程中，有很多 Web3 与之结合的机会。目前，我们看到 AI 发展过程中的一些挑战，例如模型的透明度、偏见和伦理应用等问题引起了广泛关注，在这一方面，Web3 技术结合 ZK 等密码学技术，能够改善 AI 的信任问题。此外，AI 应用需求的提高也对更低成本、更开放的基础设施和数据网络提出了要求，而 Web3 的分布式网络和激励模型也能够打造更加开放、开源的 AI 网络和社区。

AI+Web3产业图景和叙事逻辑

结合上述 AI 生产流程和 AI 与 Web3 结合的方向，以及当前市场上主流的 AI+Web3 项目，我们梳理出了 AI+Web3 产业图景，AI+Web3 产业链可以分为三层，分别为基础设施层、中间层和应用层。

1.基础设施层

主要包括计算和存储基础设施，贯穿整个 AI 工作生产流程，提供 AI 模型训练、推测等需要的算力，以及全生命周期中数据和模型的存储。

当前 AI 应用快速增长，使得对基础设施尤其是高性能算力的需求出现了暴增。因此，提供更高性能、更低成本、更充足的计算和存储基础设施会成为未来几年（AI 发展早期）成为非常重要的趋势，预计将抢占 50% 以上的产业链价值。

Web3 能够打造去中心化的计算和存储资源网络，利用闲置、分散的资源，来显著降低基础设施的成本，服务广大的 AI 应用需求。因此去中心化 AI 基础设施是目前确定性最高的叙事。

当前这一赛道的代表性项目包括主打渲染服务的 Render Network，以及提供去中心化的云服务和计算硬件网络的 Akash、gensyn 等；存储领域，代表项目仍然是老牌去中心化存储网络 Filecoin、Arweave 等，最近也推出了针对 AI 领域的存储和计算服务。

2.中间层

主要指在 AI 工作生产的特定流程中，采用 Web3 相关技术改善现状和存在的问题。主要包括：

1）数据获取阶段，采用去中心化的数据身份，创造更开放的数据网络 / 数据交易平台。主要通过结合密码学技术和区块链特性来保护用户和确权数据，并结合激励措施鼓励用户分享高质量的数据，从而扩大数据来源，提高数据获取效率。这一领域的代表性项目包括 AI 身份项目 Worldcoin，Aspecta，数据交易平台 Ocean Protocol，以及低参与门槛的数据网络 Grass 等。

2）数据预处理阶段：主要创建分布式的 AI 数据标注和处理平台，采用经济模型激励来鼓励众包模式，以推动更高效、更低成本的数据预处理，服务后续的模型训练阶段。代表项目如 Public AI 等。

3）模型验证和推理阶段：如上一小节所述，数据和模型黑盒是目前 AI 中现实存在的问题，因此在模型验证和推理阶段中，Web3 能够结合 ZK、同态加密等密码学技术，来验证模型的推理，是否使用给定的数据和参数，确保模型的正确性，同时保护输入数据的隐私。典型的应用场景是 ZKML。目前 Web3 技术结合在模型验证和推理阶段的代表性项目包括 bittensor、Privasea、Modulus 等。

中间层的很多项目更偏向于开发者工具，通常针对现有的开发者、项目方等提供附加服务，在目前 AI 发展的早期，其市场需求和商业落地仍在发展过程中。

3.应用层

在应用层面，更多的是 AI 技术如何应用到 Web3 中。Web3 应用结合 AI 技术能够有效提高效率和产品体验，例如利用 AI 的内容生成、分析、推测等功能，可以应用到诸如游戏、社交、数据分析、金融预测等各个领域。目前 AI+Web3 的应用主要可以分为三大类。

1）AIGC 类，即采用 AI 生成式技术允许用户通过对话生成文字、图片、视频、Avatar 等内容。以单独的 AI agent 或者直接结合进产品中展现。代表项目包括 NFPrompt、SleeplessAI 等。

2）AI 分析类，项目方融入自己积累的数据、知识库、分析能力等训练垂直的 AI 模型，能够进行分析、判断、预测等，并产品化提供给用户，使得用户可以低门槛地获取获取 AI 的分析能力，例如数据分析、信息追踪、代码审计和修改、金融预测等。代表性项目包括 Kaito、Dune 等。

3）AI Agent Hub，各类 AI Agent 的聚合，通常提供用户无代码创建定制化 AI Agent 的能力，类似 GPTs。代表性项目包括 My Shell、Fetch.ai 等。

应用层目前还有没有出现非常头部的项目，但长期来看一定是天花板更高的板块，具有极强的尚待挖掘的潜力。AI+Web3 应用的竞争不在于技术的创新竞争力，而在于产品能力和技术能力的积累，特别是在 AI 方面能够提供体验更好的产品，将会在这一领域获得更多竞争优势。