- 话题
344 热度
26934 热度
2541 热度
2358 热度
33893 热度
17776 热度
21942 热度
10450 热度
1177 热度
5756 热度
- 置顶
- 加密现在已经不是选配，而是标配了。
- 🎉【Gate 3000万纪念】晒出我的Gate时刻，解锁限量好礼！
Gate用户突破3000万！这不仅是数字，更是我们共同的故事。
还记得第一次开通账号的激动，抢购成功的喜悦，或陪伴你的Gate周边吗？
📸 参与 #我的Gate时刻# ，在Gate广场晒出你的故事，一起见证下一个3000万！
✅ 参与方式：
1️⃣ 带话题 #我的Gate时刻# ，发布包含Gate元素的照片或视频
2️⃣ 搭配你的Gate故事、祝福或感言更佳
3️⃣ 分享至Twitter（X）可参与浏览量前10额外奖励
推特回链请填表单：https://www.gate.com/questionnaire/6872
🎁 独家奖励：
🏆 创意大奖（3名）：Gate × F1红牛联名赛车模型一辆
👕 共创纪念奖（10名）: 国际米兰同款球员卫衣
🥇 参与奖（50名）：Gate 品牌抱枕
📣 分享奖（10名）：Twitter前10浏览量，送Gate × 国米小夜灯！
*海外用户红牛联名赛车折合为 $200 合约体验券，国米同款球衣折合为 $50 合约体验券，国米小夜灯折合为 $30 合约体验券，品牌抱枕折合为 $20 合约体验券发放
🧠 创意提示：不限元素内容风格，晒图带有如Gate logo、Gate色彩、周边产品、GT图案、活动纪念品、活动现场图等均可参与！
活动截止于7月25日 24:00 UTC+8
3
- 📢 #Gate观点任务# 第一期精彩启程！调研 Palio (PAL) 项目，在Gate广场发布您的看法观点，瓜分 $300 PAL！
💰️ 选取15名优质发帖用户，每人轻松赢取 $20 PAL！
👉 参与方式：
1. 调研$PAL项目，发表你对项目的见解。
2. 带上$PAL交易链接。
3. 推广$PAL生态周系列活动：
为庆祝PAL上线Gate交易，平台特推出HODLer Airdrop、CandyDrop、VIP Airdrop、Alpha及余币宝等多项PAL专属活动，回馈广大用户。请在帖文中积极宣传本次系列活动，详情：https://www.gate.com/announcements/article/45976
建议项目调研的主题：
🔹 Palio 是什么？
🔹 $PAL 代币经济模型如何运作？
🔹 如何参与 $PAL生态周系列活动？
您可以选择以上一个或多个方向发表看法，也可以跳出框架，分享主题以外的独到见解。
注意：帖子不得包含除 #Gate观点任务# 和 #PAL# 之外的其他标签，并确保你的帖子至少有 60 字，并获得至少 3 个点赞，否则将无法获得奖励。
⚠️ 重复内容的帖子将不会被选取，请分享属于你独特的观点。
⏰ 活动时间：截止至 2025年7月11日 24:00（UTC+8）
- 📢 #Gate广场征文活动第一期# 正式启动！
分享你对 CROSS 项目的独特观点， $500 等值 CROSS 奖励等你来赢！
💰 奖励：
一等奖（1名）： $150 等值 CROSS
二等奖（3名）： 每人 $50 等值 CROSS
三等奖（10名）： 每人 $20 等值 CROSS
👉 参与方式：
1.在 Gate广场发布你对 CROSS 项目的独到见解贴文
2.在贴文中添加标签： #Gate广场征文活动第一期# ，贴文字数不低于300字
3.将你的文章或观点同步到X，加上标签：Gate Square 和 CROSS
4.征文内容涵盖但不限于以下创作方向：
CROSS 项目概述：作为链游领域的专属公链，它带来了哪些创新？
解析 CROSS 的模块化基础设施，如何推动链游开发？
CROSS 的代币经济模型：如何实现长期价值？
玩家/开发者如何看待 CROSS 的使用体验？
参与 Gate 的 Gate Alpha CROSS 活动：交易体验和 Alpha 积分机制如何帮助用户？
你也可以选择其他方向，提出独到见解。
⚠️ 活动要求：
原创内容，至少 300 字
必须使用标签： #Gate广场征文活动第一期#
每篇文章必须获得 至少3个点赞，否则无法获得奖励
鼓励图文并茂、深度分析，观点独到。
⏰ 活动时间：2025年7月7日 17:00 - 2025年7月11日 23:59
- 如果你每一季也有关注 Gate 销毁 GT 的公告，那也请记住这篇文章。在币圈这个行业里，从来不缺反复横跳、承诺落空的项目方与代币经济学。只有那些能坚守初心、兑现承诺的平台，才能真正与社群走得长远。
AI+Web3格局探析：从基础设施到商业模式的机遇与挑战
AI+Web3：塔楼与广场
TL;DR
AI概念的Web3项目在一二级市场成为吸金标的。
Web3在AI行业的机会体现在：利用分布式激励协调长尾中的潜在供应------跨数据、存储和计算；同时，建立开源模型以及AI Agent的去中心化市场。
AI在Web3行业主要应用于链上金融（加密支付、交易、数据分析）以及辅助开发。
AI+Web3的效用体现在两者的互补：Web3有望对抗AI集中化，AI有望帮助Web3破圈。
引言
近两年，AI的发展仿佛被按下加速键，这场由Chatgpt引发的蝴蝶效应，不仅开启了生成式人工智能的新世界，同样在Web3领域掀起了巨浪。
在AI概念的加持下，加密市场融资明显提振。据统计，仅2024上半年就有64个Web3+AI项目完成融资，其中基于人工智能的操作系统Zyber365在A轮就获得1亿美元融资。
二级市场更为繁荣，加密聚合网站数据显示，短短一年多时间，AI赛道总市值已达485亿美元，24小时交易量接近86亿美元；主流AI技术进展带来的利好明显，OpenAI的Sora文本转视频模型发布后，AI板块的平均价格上涨了151%；AI效应同样辐射至加密货币吸金板块之一Meme：首个AI Agent概念的MemeCoin------GOAT迅速走红并获14亿美金估值，掀起AI Meme热潮。
关于AI+Web3的研究和话题同样火热，从AI+Depin到AI Memecoin再到当前的AI Agent和AI DAO，FOMO情绪已然跟不上新叙事轮换的速度。
AI+Web3，这个充满热钱、风口和未来幻想的术语组合，难免被视作一场资本撮合的包办婚姻，我们似乎很难分辨在这华丽外表之下，到底是投机者的主场，还是黎明爆发的前夜？
要回答这个问题，一个关键的思考是，有对方它会变得更好吗？是否能从对方的模式中受益？在本文中，我们试图审视这一格局：Web3如何能够在AI技术堆栈的各环节发挥作用，AI又能给Web3带来什么新的生机？
Part.1 AI堆栈下Web3有何机会？
在展开这个话题之前，我们需要了解AI大模型的技术堆栈：
用通俗语言解释整个过程：「大模型」就像人类的大脑，在早期阶段，这个大脑属于刚降生的婴儿，需要观察并摄入海量外界信息来理解世界，这就是数据的「收集」阶段；由于计算机不具备人类的多感官，在训练前，外界的大规模无标注信息需要通过「预处理」转化为计算机可理解和使用的格式。
输入数据后AI通过「训练」构建了一个具有理解和预测能力的模型，可以看作婴儿逐渐理解和学习外界的过程，模型的参数就像婴儿学习过程中不断调整的语言能力。当学习内容开始分科，或与人交流得到反馈并修正，便进入了大模型的「微调」环节。
孩童长大会说话后，就能在新对话中理解意思并表达自己的感受和想法，这阶段类似于AI大模型的「推理」，模型能对新的语言和文本输入进行预测和分析。婴儿通过语言能力表达感受、描述物体和解决问题，这也类似于AI大模型在完成训练投入使用后在推理阶段应用于各类特定任务，如图像分类、语音识别等。
而AI Agent则更接近大模型的下一形态------能独立执行任务并追求复杂目标，不仅具备思考能力，还能记忆、规划，且能运用工具与世界互动。
当前，针对AI在各堆栈的痛点，Web3初步形成了一个多层次、相互连接的生态系统，涵盖了AI模型流程的各个阶段。
一、基础层：算力与数据的Airbnb
算力
目前，AI的最高成本之一，是训练模型与推理模型所需的算力与能源。
Meta的LLAMA3需要16000个由NVIDIA生产的H100GPU（这是一款专为人工智能和高性能计算工作负载设计的顶级图形处理单元）30天才能完成训练。后者80GB版本单价在30,000至40,000美元之间，这需要4-7亿美元的计算硬件投资（GPU+网络芯片），同时，每月训练需消耗16亿千瓦时，能源支出每月近2000万美元。
对于AI算力的解压，也是Web3最早与AI交叉的领域------DePin（去中心化物理基础设施网络）。目前，DePin Ninja数据网站已列出1400多个项目，其中GPU算力共享代表项目包括io.net、Aethir、Akash、Render Network等。
其主要逻辑在于：平台允许拥有闲置GPU资源的个人或实体以无需许可的去中心化方式贡献计算能力，通过类似Uber或Airbnb的买卖双方在线市场，提高未充分利用的GPU资源使用率，终端用户也因此获得更低成本的高效计算资源；同时，质押机制确保如出现违反质量控制机制或中断网络的情况，资源提供者会受到相应惩罚。
其特点在于：
聚集闲置GPU资源：供应方主要为第三方独立中小型数据中心、加密矿场等运营商的过剩算力资源、共识机制为PoS的挖矿硬件，如FileCoin与ETH矿机。目前也有项目致力于启动门槛更低的设备，如exolab利用MacBook、iPhone、iPad等本地设备建立运行大模型推理的算力网络。
面对AI算力的长尾市场：
a.「技术端」去中心化算力市场更适合推理步骤。训练更依赖超大集群规模GPU带来的数据处理能力，而推理对GPU运算性能要求相对较低，如Aethir专注于低延迟的渲染工作和AI推理应用。
b.「需求端」中小算力需求方不会单独训练自己的大模型，而只是选择围绕少数头部大模型进行优化、微调，而这些场景都天然适合分布式闲置算力资源。
数据
数据是AI的地基。如果没有数据，计算就如浮萍毫无用处，而数据与模型之间的关系就像"Garbage in, Garbage out"那句俗谚，数据的数量与输入质量决定着最终模型的输出质量。对当前AI模型的训练而言，数据决定了模型的语言能力、理解能力、甚至价值观以及人性化表现。目前，AI的数据需求困境主要集中在以下四方面：
数据饥渴：AI模型训练依赖海量数据输入。公开资料显示，OpenAI训练GPT-4的参数量达到了万亿级别。
数据质量：随着AI与各行业结合，数据时效性、多样性、垂类数据的专业性、新兴数据源如社交媒体情绪的摄入对其质量也提出了新要求。
隐私与合规问题：当前各国、企业逐渐意识到优质数据集的重要性，正在对数据集爬取进行限制。
数据处理成本高昂：数据量大，处理过程复杂。公开资料显示，AI公司超过30%的研发成本用于基础数据采集、处理。
目前，web3的解决方案体现在以下四个方面：
1、数据收集：免费提供的抓取真实世界数据正在迅速耗尽，AI公司为数据付费的支出逐年升高。但这份支出并未反哺到数据真正的贡献者身上，平台全然享受了数据带来的价值创造，如Reddit通过与AI公司签订的数据授权协议实现合计2.03亿美元的收入。
让真正贡献的用户同样参与数据带来的价值创造，以及通过分布式网络与激励机制，以低成本方式获取用户更私人、更具价值的数据，是Web3的愿景。
Grass是一个去中心化的数据层和网络，用户可通过运行Grass节点，贡献闲置带宽和中继流量用以捕获整个互联网中的实时数据，并获取代币奖励；
Vana引入了独特的数据流动性池（DLP）概念，用户可将私人数据（如购物记录、浏览习惯、社交媒体活动等）上传至特定DLP，并灵活选择是否将这些数据授权给特定第三方使用；
在PublicAI中，用户可在X上使用#AI或#Web3作为分类标签并@PublicAI即可实现数据收集。
2、数据预处理：在AI数据处理过程中，由于收集的数据通常嘈杂且包含错误，在训练模型前必须将其清理并转换为可用格式，涉及标准化、过滤和处理缺失值的重复任务。此阶段是AI行业为数不多的人工环节，已衍生出数据标注师这一行业，随着模型对数据质量要求提高，数据标注师的门槛也随之提升，而这一任务天然适合Web3的去中心化激励机制。
目前，Grass与OpenLayer都在考虑加入数据标注这一关键环节。
Synesis提出了「Train2earn」概念，强调数据质量，用户可通过提供标注数据、注释或其他形式输入获得奖励。
数据标注项目Sapien将标记任务游戏化，并让用户质押积分以赚取更多积分。
3、数据隐私与安全：需要厘清的是，数据隐私与安全是两个不同概念。数据隐私涉及敏感数据的处理，数据安全则保护数据信息免遭未经授权的访问、破坏和盗窃。由此，Web3隐私技术优势和潜在应用场景体现在两方面：（1）敏感数据的训练；（2）数据协作：多个数据所有者可共同参与AI训练，而无需共享原始数据。
当前Web3较为普遍的隐私技术包括：
可信执行环境(TEE)，例如Super Protocol；
完全同态加密（FHE)，例如BasedAI、Fhenix.io或Inco Network；
零知识技术（zk），如Reclaim Protocol使用zkTLS技术，生成HTTPS流量的零知识证明，允许用户从外部网站安全导入活动、声誉和身份数据，而无需暴露敏感信息。
不过，目前该领域仍处早期阶段，大部分项目仍在探索中，目前的一个困境是计算成本太高，例如：
zkML框架EZKL需约80分钟才能生成1M-nanoGPT模型的证明。
根据Modulus Labs数据，zkML的开销比纯计算高出1000倍以上。
4、数据存储：有了数据后，还需一个地方在链上存储数据，以及使用该数据生成的LLM。以数据可用性（DA）为核心问题，在以太坊Danksharding升级前，其吞吐量为0.08MB。而AI模型的训练和实时推理通常需要每秒50到100GB的数据吞吐量。这种数量级的差距，让现有链上解决方案在面对"资源密集型AI应用时"力不从心。
二、中间件：模型的训练与推理
开源模型去中心化市场
有关AI模型闭源还是开源的争论从未消失。开源带来的集体创新是闭源模型无法比拟的