当前，AI 产业中的计算和训练环节主要由集中化的 Web2 巨头主导。这些公司凭借强大的资本实力、最先进的硬件设备以及庞大的数据资源，占据了主导地位。尽管这种情况在开发最强大的通用机器学习 (ML) 模型时可能会持续存在，但对于中端或定制化模型来说，Web3 网络可能逐渐成为更经济且易于获取的计算资源来源。 同样，当推理需求超出个人边缘设备的能力时，一些消费者可能会选择 Web3 网络，以获得更少审查、更具多样性的输出。相比试图全面颠覆整个 AI 技术栈，Web3 的参与者更应该聚焦于这些细分场景，并充分发挥其在抗审查、透明性和社会可验证性方面的独特优势。 训练下一代基础模型 (如 GPT 或 BERT) 所需的硬件资源稀缺且昂贵，最强性能芯片的需求将持续超过供应。这种资源稀缺性导致硬件集中在少数拥有充足资金的头部企业手中，这些企业利用这些硬件训练并商业化了性能最优、复杂度最高的基础模型。 然而，硬件更新换代速度极快。那么，那些过时的中端或低性能硬件将如何被利用呢？ 这些硬件很可能被用于训练较为简单或针对性更强的模型。通过将不同类别的模型与不同性能的硬件进行匹配，可以实现资源的最优配置。在这种情况下，Web3 协议可以通过协调访问多样化、低成本的计算资源，发挥关键作用。例如，消费者可以使用基于个人数据集训练的简单中端模型，并且仅在处理更复杂的任务时，才选择由集中化企业训练和托管的高端模型，同时确保用户身份被隐藏、提示数据被加密。 除了效率问题外，人们对集中化模型中的偏见和潜在审查的担忧也在不断增加。Web3 环境以其透明性和可验证性著称，能够为那些被 Web2 忽视或认为过于敏感的模型提供训练支持。这些模型虽然可能在性能和创新上不具备竞争力，但对社会的某些群体来说仍然具有重要价值。因此，Web3 协议可以通过提供更开放、可信且抗审查的模型训练服务，在这一领域开辟出独特的市场。 起初，集中化和去中心化的两种方法可以并存，各自服务于不同的用例。然而，随着 Web3 在开发者体验和平台兼容性上的不断提升，以及开源 AI 的网络效应逐渐显现，Web3 可能最终在集中化企业的核心领域展开竞争。特别是当消费者越来越意识到集中化模型的局限性时，Web3 的优势将更加突出。 除了中端或特定领域模型的训练外，Web3 的参与者还具备提供更透明、更灵活的推理解决方案的优势。去中心化的推理服务可以带来多种好处，例如零停机时间、模型的模块化组合、公开的模型性能评估，以及更加多样化、无审查的输出。这些服务还能有效避免消费者因依赖少数几家集中化提供商而面临的“供应商锁定”问题。与模型训练类似，去中心化推理层的竞争优势并不在于计算能力本身，而在于解决了一些长期存在的问题，例如闭源微调参数的透明度、缺乏可验证性以及高昂的成本。 Dan Olshansky 提出了一个很有前景的设想，即通过 POKT 的 AI 推理路由网络，为 AI 研究人员和工程师创造更多机会，使他们能够将自己的研究成果付诸实践，并通过定制化的机器学习 (ML) 或人工智能 (AI) 模型获得额外收入。更重要的是，这种网络通过整合来自不同来源的推理结果（包括去中心化和集中化提供商），能够促进推理服务市场的更公平竞争。 尽管乐观预测认为整个 AI 技术栈未来可能完全迁移到链上，但从当前来看，这一目标仍然面临数据和计算资源集中化的巨大挑战，因为这些资源为现有巨头提供了显著的竞争优势。然而，去中心化的协调和计算网络在提供更个性化、更经济、更加开放竞争且抗审查的 AI 服务方面，展现了独特的价值。通过专注于这些价值最为关键的细分市场，Web3 可以建立起自己的竞争壁垒，确保这一时代最具影响力的技术能够在多种方向上共同演进，从而惠及更广泛的利益相关者，而不是被少数几家传统巨头所垄断。 最后，我想特别感谢 Placeholder Investment 团队的全体成员，以及来自 Multicoin Capital 的 Kyle Samani、Canonical VC 的 Anand Iyer、Nectar AI 的 Keccak Wong、Osmosis Labs 的 Alpin Yukseloglu 和 NEAR Foundation 的 Cameron Dennis，他们在本文撰写过程中提供了审阅和宝贵的反馈意见。