AI與加密技術融合的三大發展方向

當前，AI與加密技術的交匯正進入蓬勃發展的實驗階段。本文詳細闡述了AI+加密融合的三大重點發展方向。

概要

1. 構建最具活力的智能代理驅動經濟

已有項目證明了AI代理在鏈上運作的可行性。這個領域的實驗不斷突破代理鏈上操作的邊界，潛力巨大，設計空間廣闊。目前這已成爲加密和AI領域最具突破性和爆發力的方向之一，而這僅僅是開始。

2. 提升大語言模型在代碼開發中的能力

大語言模型在代碼編寫方面表現出色，未來還將進一步提升。通過這些能力，開發者的效率有望提升2-10倍。近期，通過建立高質量基準來評估大語言模型理解和編寫代碼的能力，將有助於理解其對生態系統的潛在影響。高質量的模型微調方案將在基準測試中得到驗證。

3. 支持開放且去中心化的AI技術棧

"開放且去中心化的AI技術棧"包含以下關鍵要素：

• 訓練數據獲取
• 訓練和推理計算能力
• 模型權重共享
• 模型輸出驗證能力

這種開放的AI技術棧的重要性體現在：

• 加速模型開發創新和實驗
• 爲不信任中心化AI的用戶提供替代方案

1. 構建最具活力的智能代理驅動經濟

當AI代理開始參與鏈上活動時，一個充滿可能性的新世界已經展開（值得注意的是，目前代理甚至還沒有直接在鏈上採取行動）。

雖然現在還無法準確預測代理在鏈上行爲的未來發展，但通過觀察已經發生的創新，我們可以窺見這個設計空間的廣闊前景：

• 一些AI項目正通過Meme幣發展新型數字社區
• 多個平台讓用戶能夠輕鬆創建和部署智能代理及其相關代幣
• 基於知名加密投資者個性特徵訓練的AI基金經理正在湧現，開創了AI基金與代理支持者的全新生態系統
• 一些遊戲平台讓玩家通過指導代理行動來參與遊戲，經常產生意想不到的創新玩法

未來發展方向

未來，智能代理可以管理需要多方經濟協調的復雜項目。例如在科研領域，代理可以負責尋找特定疾病的治療化合物。具體而言：

• 通過相關平台進行代幣募資
• 利用募集資金支付付費研究資料的訪問費用，在去中心化計算網路上進行化合物模擬的計算費用
• 通過賞金平台招募人類執行實驗驗證工作（例如，運行實驗來驗證/建立模擬結果）

除了復雜項目外，代理也可以執行建立個人網站、創作藝術作品等簡單任務，其應用場景具有無限可能。

爲什麼代理在鏈上執行金融活動比使用傳統渠道更有意義？

代理完全可以同時運用傳統金融渠道和加密貨幣系統。不過，加密貨幣在某些領域具有獨特優勢：

• 小額支付應用
• 速度優勢：即時結算功能、有助於代理實現最大的資本效率
• 通過去中心化金融進入資本市場：這可能是代理參與加密經濟最有力的理由。當代理需要開展支付以外的金融活動時，加密貨幣的優勢就更加明顯。代理可以無縫地鑄造資產、進行交易、投資理財、借貸操作、使用槓杆等。

從技術發展規律來看，路徑依賴性起着關鍵作用。產品是否最優並非最重要，關鍵在於誰能首先達到臨界規模並成爲默認選擇。隨着越來越多的代理通過加密貨幣獲得收益，加密連接很可能成爲代理的核心能力。

未來展望

希望看到配備加密錢包的代理能在鏈上進行大膽的創新實驗。具體而言，以下幾個方向值得關注：

1. 風險控制機制

   • 盡管當前的模型表現出色，但仍遠非完美
   • 不能給予代理完全不受約束的行動自由

2. 推動非投機性使用場景

   • 通過相關平台購買票務
   • 優化穩定幣投資組合收益
   • 在外賣平台上訂購食物

3. 開發進度要求

   • 至少要達到測試網的原型階段
   • 最好已經在主網上運行

2. 提升大語言模型編寫代碼的能力，賦能開發者

大語言模型已經展現出強大的能力並在快速進步。在其應用領域中，編寫代碼這一領域可能會出現特別陡峭的進步曲線，因爲這是一個可以客觀評估的任務。正如有人指出，"編程特別具有獨特優勢：通過'自我對弈'實現超人類數據擴展的潛力。模型可以編寫代碼並運行，或者編寫代碼、編寫測試，然後檢查自我一致性。"

如今，盡管大語言模型在編寫代碼方面仍然不夠完美，存在明顯的不足（例如，在發現bug方面表現欠佳），但像AI原生代碼編輯器已經從根本上改變了軟件開發（甚至改變了公司招聘人才的方式）。考慮到預期的快速進步率，這些模型很可能會徹底改變軟件開發。我們希望利用這一進步，使開發者的工作效率提升一個數量級。

然而，目前有幾個挑戰阻礙了大語言模型在理解某些特定技術方面達到卓越水平：

• 缺乏優質的原始訓練數據
• 驗證構建（Verified builds）數量不足
• Stack Overflow等平台上缺乏高信息價值的互動
• 歷史上基礎設施發展迅速，意味着即使是6個月前編寫的代碼可能也不完全適合今天的需求
• 缺乏評估模型對特定技術理解程度的方法

未來展望

• 幫助在互聯網上獲取更好的相關數據
• 更多團隊發布驗證構建（Verified builds）
• 生態系統中更多人在Stack Exchange上積極提出好問題並提供高質量回答
• 創建高質量的基準測試，用於評估大語言模型對特定技術的理解程度
• 創建在上述基準測試中表現良好的大語言模型微調模型，更重要的是，加速開發者的工作效率，一旦有了高質量的基準測試，可能會爲首個達到基準測試閾值分數的模型提供獎勵

最終的重大成就將是：完全由AI創建的全新的、高質量的、差異化的驗證節點客戶端。

3. 支持開放和去中心化的AI技術棧

在AI領域，開源和閉源模型之間的長期力量平衡仍不明朗。確實存在一些支持閉源實體將繼續保持技術前沿並獲取基礎模型主要價值的論據。目前最簡單的預期是維持現狀——像大型科技公司推動前沿發展，而開源模型則快速跟進，並在特定應用場景中通過微調獲得獨特優勢。

我們致力於將生態系統與開源AI生態系統緊密對接。具體而言，這意味着支持以下要素的訪問權限：

• 訓練數據
• 訓練和推理算力
• 模型權重
• 模型輸出驗證能力

這一戰略的重要性體現在：

1. 開源模型加速創新迭代

開源社區對開源模型的快速改進和微調，展示了社區如何有效補充大型AI公司的工作，推進AI能力的邊界（甚至有研究員指出"關於開源，我們沒有護城河，其他公司也沒有"）。我們認爲，一個蓬勃發展的開源AI技術棧對加速該領域的進步至關重要。

2. 爲不信任中心化AI的用戶提供選擇

AI可能是獨裁或威權政權武器庫中最強大的工具。國家認可的模型提供官方認可的"真相"，是一個重要的控制載體。高度威權的政權可能會擁有更優秀的模型，因爲他們願意忽視公民隱私來訓練AI。AI被用於控制是必然趨勢，我們希望未雨綢繆，全力支持開源AI技術棧。

生態中已有多個項目在支持開放AI技術棧：

• 數據採集：一些項目正在推進數據收集
• 去中心化算力：多個網路和平台提供支持
• 去中心化訓練框架：一些研究團體和項目在這方面進行探索

未來展望

希望在開源AI技術棧的各個層面都能構建更多產品：

• 去中心化數據採集：支持各類數據採集項目
• 鏈上身分：支持錢包驗證人類身分的協議，驗證AI API響應的協議，使用戶能夠確認他們正在與大語言模型交互
• 去中心化訓練：支持類似現有項目的去中心化訓練方案
• IP基礎設施：使AI能夠對其使用的內容進行許可（並支付）