AI与加密技术融合的三大发展方向

当前，AI与加密技术的交汇正进入蓬勃发展的实验阶段。本文详细阐述了AI+加密融合的三大重点发展方向。

概要

1. 构建最具活力的智能代理驱动经济

已有项目证明了AI代理在链上运作的可行性。这个领域的实验不断突破代理链上操作的边界，潜力巨大，设计空间广阔。目前这已成为加密和AI领域最具突破性和爆发力的方向之一，而这仅仅是开始。

2. 提升大语言模型在代码开发中的能力

大语言模型在代码编写方面表现出色，未来还将进一步提升。通过这些能力，开发者的效率有望提升2-10倍。近期，通过建立高质量基准来评估大语言模型理解和编写代码的能力，将有助于理解其对生态系统的潜在影响。高质量的模型微调方案将在基准测试中得到验证。

3. 支持开放且去中心化的AI技术栈

"开放且去中心化的AI技术栈"包含以下关键要素：

• 训练数据获取
• 训练和推理计算能力
• 模型权重共享
• 模型输出验证能力

这种开放的AI技术栈的重要性体现在：

• 加速模型开发创新和实验
• 为不信任中心化AI的用户提供替代方案

1. 构建最具活力的智能代理驱动经济

当AI代理开始参与链上活动时，一个充满可能性的新世界已经展开（值得注意的是，目前代理甚至还没有直接在链上采取行动）。

虽然现在还无法准确预测代理在链上行为的未来发展，但通过观察已经发生的创新，我们可以窥见这个设计空间的广阔前景：

• 一些AI项目正通过Meme币发展新型数字社区
• 多个平台让用户能够轻松创建和部署智能代理及其相关代币
• 基于知名加密投资者个性特征训练的AI基金经理正在涌现，开创了AI基金与代理支持者的全新生态系统
• 一些游戏平台让玩家通过指导代理行动来参与游戏，经常产生意想不到的创新玩法

未来发展方向

未来，智能代理可以管理需要多方经济协调的复杂项目。例如在科研领域，代理可以负责寻找特定疾病的治疗化合物。具体而言：

• 通过相关平台进行代币募资
• 利用募集资金支付付费研究资料的访问费用，在去中心化计算网络上进行化合物模拟的计算费用
• 通过赏金平台招募人类执行实验验证工作（例如，运行实验来验证/建立模拟结果）

除了复杂项目外，代理也可以执行建立个人网站、创作艺术作品等简单任务，其应用场景具有无限可能。

为什么代理在链上执行金融活动比使用传统渠道更有意义？

代理完全可以同时运用传统金融渠道和加密货币系统。不过，加密货币在某些领域具有独特优势：

• 小额支付应用
• 速度优势：即时结算功能、有助于代理实现最大的资本效率
• 通过去中心化金融进入资本市场：这可能是代理参与加密经济最有力的理由。当代理需要开展支付以外的金融活动时，加密货币的优势就更加明显。代理可以无缝地铸造资产、进行交易、投资理财、借贷操作、使用杠杆等。

从技术发展规律来看，路径依赖性起着关键作用。产品是否最优并非最重要，关键在于谁能首先达到临界规模并成为默认选择。随着越来越多的代理通过加密货币获得收益，加密连接很可能成为代理的核心能力。

未来展望

希望看到配备加密钱包的代理能在链上进行大胆的创新实验。具体而言，以下几个方向值得关注：

1. 风险控制机制

   • 尽管当前的模型表现出色，但仍远非完美
   • 不能给予代理完全不受约束的行动自由

2. 推动非投机性使用场景

   • 通过相关平台购买票务
   • 优化稳定币投资组合收益
   • 在外卖平台上订购食物

3. 开发进度要求

   • 至少要达到测试网的原型阶段
   • 最好已经在主网上运行

2. 提升大语言模型编写代码的能力，赋能开发者

大语言模型已经展现出强大的能力并在快速进步。在其应用领域中，编写代码这一领域可能会出现特别陡峭的进步曲线，因为这是一个可以客观评估的任务。正如有人指出，"编程特别具有独特优势：通过'自我对弈'实现超人类数据扩展的潜力。模型可以编写代码并运行，或者编写代码、编写测试，然后检查自我一致性。"

如今，尽管大语言模型在编写代码方面仍然不够完美，存在明显的不足（例如，在发现bug方面表现欠佳），但像AI原生代码编辑器已经从根本上改变了软件开发（甚至改变了公司招聘人才的方式）。考虑到预期的快速进步率，这些模型很可能会彻底改变软件开发。我们希望利用这一进步，使开发者的工作效率提升一个数量级。

然而，目前有几个挑战阻碍了大语言模型在理解某些特定技术方面达到卓越水平：

• 缺乏优质的原始训练数据
• 验证构建（Verified builds）数量不足
• Stack Overflow等平台上缺乏高信息价值的互动
• 历史上基础设施发展迅速，意味着即使是6个月前编写的代码可能也不完全适合今天的需求
• 缺乏评估模型对特定技术理解程度的方法

未来展望

• 帮助在互联网上获取更好的相关数据
• 更多团队发布验证构建（Verified builds）
• 生态系统中更多人在Stack Exchange上积极提出好问题并提供高质量回答
• 创建高质量的基准测试，用于评估大语言模型对特定技术的理解程度
• 创建在上述基准测试中表现良好的大语言模型微调模型，更重要的是，加速开发者的工作效率，一旦有了高质量的基准测试，可能会为首个达到基准测试阈值分数的模型提供奖励

最终的重大成就将是：完全由AI创建的全新的、高质量的、差异化的验证节点客户端。

3. 支持开放和去中心化的AI技术栈

在AI领域，开源和闭源模型之间的长期力量平衡仍不明朗。确实存在一些支持闭源实体将继续保持技术前沿并获取基础模型主要价值的论据。目前最简单的预期是维持现状——像大型科技公司推动前沿发展，而开源模型则快速跟进，并在特定应用场景中通过微调获得独特优势。

我们致力于将生态系统与开源AI生态系统紧密对接。具体而言，这意味着支持以下要素的访问权限：

• 训练数据
• 训练和推理算力
• 模型权重
• 模型输出验证能力

这一战略的重要性体现在：

1. 开源模型加速创新迭代

开源社区对开源模型的快速改进和微调，展示了社区如何有效补充大型AI公司的工作，推进AI能力的边界（甚至有研究员指出"关于开源，我们没有护城河，其他公司也没有"）。我们认为，一个蓬勃发展的开源AI技术栈对加速该领域的进步至关重要。

2. 为不信任中心化AI的用户提供选择

AI可能是独裁或威权政权武器库中最强大的工具。国家认可的模型提供官方认可的"真相"，是一个重要的控制载体。高度威权的政权可能会拥有更优秀的模型，因为他们愿意忽视公民隐私来训练AI。AI被用于控制是必然趋势，我们希望未雨绸缪，全力支持开源AI技术栈。

生态中已有多个项目在支持开放AI技术栈：

• 数据采集：一些项目正在推进数据收集
• 去中心化算力：多个网络和平台提供支持
• 去中心化训练框架：一些研究团体和项目在这方面进行探索

未来展望

希望在开源AI技术栈的各个层面都能构建更多产品：

• 去中心化数据采集：支持各类数据采集项目
• 链上身份：支持钱包验证人类身份的协议，验证AI API响应的协议，使用户能够确认他们正在与大语言模型交互
• 去中心化训练：支持类似现有项目的去中心化训练方案
• IP基础设施：使AI能够对其使用的内容进行许可（并支付）