¿Es la narrativa "IA + Web3" una fusión tecnológica real u otro paquete conceptual? Este artículo se basa en un artículo escrito por TinTinLand y seleccionado y contribuido por Foresight News. (Sinopsis: ¿Puede la pista de IA escapar del estigma de la exageración?) Inventario de tres proyectos de AI Agent que adoptan las criptomonedas) (Suplemento de antecedentes: Noticias en escala de grises: El primer trimestre de 2025 es el más optimista sobre estas 20 principales criptomonedas, centrándose en DeFi, AI Agents y la ecología de Solana) En 2025, la popularidad de la narrativa "AI + Web3" aún no ha disminuido. Según el último informe de Grayscale, publicado en mayo de 2025, la capitalización de mercado general de AI Crypto ha alcanzado los USD 21 mil millones, casi cinco veces más que los USD 4.5 mil millones del primer trimestre de 2023. Detrás de esta ola, ¿hay una convergencia real de tecnologías, o se trata de otro concepto de packaging? Desde una perspectiva macro, el ecosistema tradicional de IA ha revelado cada vez más problemas estructurales: alto umbral de entrenamiento de modelos, privacidad de datos no garantizada, alto monopolio de la potencia informática, proceso de razonamiento de caja negra y mecanismo de incentivos desequilibrado...... Estos puntos débiles son muy coherentes con las ventajas nativas de la Web3: descentralización, mecanismo de mercado abierto, verificabilidad en la cadena, soberanía de los datos de los usuarios, etc. La combinación de IA + Web3 no es solo una superposición de dos palabras calientes, sino una complementariedad tecnológica estructural. Empecemos por los principales puntos débiles a los que se enfrenta la IA, desmontemos en profundidad los proyectos de Web3 que realmente están resolviendo problemas y te llevemos a ver el valor y la dirección de la pista de AI Crypto. El umbral de acceso a los servicios de IA es demasiado alto y caro Los servicios de IA actuales suelen ser caros y difíciles de obtener recursos de formación, lo que es extremadamente alto para las pequeñas y medianas empresas y los desarrolladores individuales. Además, estos servicios suelen ser técnicamente complejos y requieren una formación profesional para empezar. El mercado de servicios de IA está muy concentrado, los usuarios carecen de opciones diversas, los costos de las llamadas son opacos, los presupuestos son difíciles de predecir e incluso enfrentan el problema del monopolio de la potencia informática. La solución de Web3 es romper las barreras de la plataforma a través de la descentralización, construir un mercado abierto de GPU y modelar una red de servicios, apoyar la programación flexible de los recursos inactivos y motivar a más participantes a contribuir con la potencia informática y los modelos a través de la programación de tareas en cadena y mecanismos económicos transparentes, reduciendo los costes generales y mejorando la accesibilidad al servicio. Render Network: se centra en el renderizado descentralizado de GPU, también admite la inferencia y el entrenamiento de IA, y adopta un modelo de "pago por uso" para ayudar a los desarrolladores a acceder a la generación de imágenes y a los servicios de IA a bajo costo. Gensyn: Cree una red de formación de aprendizaje profundo descentralizada, utilice el mecanismo de prueba de cálculo para verificar los resultados de la formación y promueva la formación en IA desde la centralización de la plataforma hasta la colaboración abierta. Akash Network: Una plataforma descentralizada de computación en la nube basada en la tecnología blockchain, los desarrolladores pueden alquilar recursos de GPU bajo demanda para implementar y ejecutar aplicaciones de IA, que es una "versión descentralizada de la computación en la nube". 0G Labs: Capa 1 nativa de IA descentralizada, que reduce en gran medida el costo y la complejidad de ejecutar modelos de IA en cadena a través de una innovadora arquitectura de separación de almacenamiento y computación. Falta de incentivos para los contribuyentes de datos Los datos de alta calidad son el combustible principal de los modelos de IA, pero bajo el modelo tradicional, los contribuyentes de datos luchan por ser recompensados. La naturaleza opaca y repetitiva de las fuentes de datos y la falta de retroalimentación sobre cómo se utilizan hacen que la ecología de datos sea ineficiente durante mucho tiempo. Web3 proporciona una nueva solución a la formalización: un circuito claro y cerrado de colaboración e incentivos entre los contribuyentes de datos, los desarrolladores de modelos y los usuarios a través de firmas criptográficas, confirmación de derechos en la cadena y mecanismos económicos componibles. Proyecto representativo OpenLedger: Propuso de manera innovadora el concepto de "IA pagadera", que combina la contribución de datos, la llamada de modelo y los incentivos económicos para promover la formación de una red de economía de datos para la colaboración en la cadena de IA. Bittensor: Un sistema de incentivos completo con recompensas de TAO, mecanismo de consenso de Yuma, incentivos de precisión de subred, colaboración de conocimientos, etc. como núcleo, vincula directamente la contribución de datos con los resultados de la implementación del modelo y mejora la contribución de valor general. Grass: La red de datos de IA recopila datos sobre el comportamiento de navegación de los usuarios a través de plugins, contribuye a la formación de los motores de búsqueda en cadena y recompensa a los usuarios en función de la calidad de los datos, creando un mecanismo de intercambio de datos impulsado por la comunidad. El proceso de inferencia de los modelos de IA convencionales actuales es altamente de caja negra, y los usuarios no pueden verificar la exactitud y credibilidad de los resultados, especialmente en campos de alto riesgo como las finanzas y la atención médica. Además, los modelos pueden estar sujetos a manipulación, envenenamiento y otros ataques, lo que dificulta su rastreo o auditoría. Con este fin, el proyecto Web3 está tratando de introducir la prueba de conocimiento cero (ZK), el cifrado totalmente homomórfico (FHE) y el entorno de ejecución confiable (TEE) para hacer que el proceso de inferencia del modelo sea verificable y auditable, y mejorar la interpretabilidad y la base de confianza de los sistemas de IA. Representative Project Sentient: La innovadora tecnología de huellas dactilares de modelos garantiza que se pueda rastrear el comportamiento de las llamadas, lo que mejora la transparencia y la capacidad de uso del modelo a prueba de manipulaciones. Modulus Labs: Uso de la tecnología ZK para verificar criptográficamente el proceso de inferencia del modelo y realizar la nueva normalización de la "IA de confianza". Giza: Uso de criptografía de conocimiento cero para calcular la inferencia de aprendizaje automático en la cadena, mejorando así la transparencia y la confianza en la implementación de modelos de IA. Riesgos de privacidad y seguridad El proceso de entrenamiento de la IA suele implicar una gran cantidad de datos confidenciales y se enfrenta a riesgos como la fuga de privacidad, el abuso o ataque de modelos y la falta de transparencia en la toma de decisiones. Al mismo tiempo, la propiedad de los datos y los modelos está vagamente definida, lo que agrava aún más los riesgos de seguridad. Con la inmutabilidad de la cadena de bloques, la tecnología de computación criptográfica (como ZK, FHE), el entorno de ejecución confiable y otros medios, se garantiza la seguridad y la controlabilidad de los datos y modelos del sistema de IA en todo el proceso de entrenamiento, almacenamiento y llamada. Phala Network: Proporciona compatibilidad con Trusted Execution Environment (TEE) para encapsular la computación crítica en hardware seguro para evitar la fuga de datos y el robo de modelos. ZAMA: Se centra en la tecnología de cifrado totalmente homomórfico (FHE), de modo que el entrenamiento y la inferencia del modelo se puedan realizar en un estado cifrado, lo que permite el "cálculo sin texto sin cifrar". Mind Network: Construya una plataforma descentralizada de inferencia e intercambio de datos de IA que admita la protección de la privacidad, y realice el intercambio de seguridad de datos y la computación de privacidad a través de la tecnología de cifrado front-end (cifrado homomórfico, prueba de conocimiento cero, etc.). Vana: Una aplicación de generación de identidad de IA diseñada para devolver a los usuarios la propiedad y el control de sus datos, garantizando su privacidad y seguridad. Disputas de derechos de autor y propiedad intelectual El entrenamiento actual de modelos de IA hace un uso extensivo de material de Internet, pero a menudo el uso no autorizado de contenido protegido por derechos de autor conduce a frecuentes disputas legales. Al mismo tiempo, la titularidad de los derechos de autor de los contenidos generados por IA no está clara, y no existe un mecanismo transparente para la distribución de derechos e intereses entre los creadores originales, los desarrolladores de modelos y los usuarios. No es raro que los modelos sean copiados maliciosamente o malversados, y es difícil proteger los derechos de propiedad intelectual. Web3 almacena la hora de establecimiento del modelo, la fuente de datos de formación, la información de los contribuyentes, etc. a través del mecanismo de confirmación de derechos en la cadena, y utiliza herramientas como NFT y contratos inteligentes para identificar la propiedad de los derechos de autor del modelo o contenido. Protocolo de la historia:...
Ver originales
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
¿Es una burbuja o una oportunidad de inversión? ¿Qué valor queda en la pista de AI + Web3?
¿Es la narrativa "IA + Web3" una fusión tecnológica real u otro paquete conceptual? Este artículo se basa en un artículo escrito por TinTinLand y seleccionado y contribuido por Foresight News. (Sinopsis: ¿Puede la pista de IA escapar del estigma de la exageración?) Inventario de tres proyectos de AI Agent que adoptan las criptomonedas) (Suplemento de antecedentes: Noticias en escala de grises: El primer trimestre de 2025 es el más optimista sobre estas 20 principales criptomonedas, centrándose en DeFi, AI Agents y la ecología de Solana) En 2025, la popularidad de la narrativa "AI + Web3" aún no ha disminuido. Según el último informe de Grayscale, publicado en mayo de 2025, la capitalización de mercado general de AI Crypto ha alcanzado los USD 21 mil millones, casi cinco veces más que los USD 4.5 mil millones del primer trimestre de 2023. Detrás de esta ola, ¿hay una convergencia real de tecnologías, o se trata de otro concepto de packaging? Desde una perspectiva macro, el ecosistema tradicional de IA ha revelado cada vez más problemas estructurales: alto umbral de entrenamiento de modelos, privacidad de datos no garantizada, alto monopolio de la potencia informática, proceso de razonamiento de caja negra y mecanismo de incentivos desequilibrado...... Estos puntos débiles son muy coherentes con las ventajas nativas de la Web3: descentralización, mecanismo de mercado abierto, verificabilidad en la cadena, soberanía de los datos de los usuarios, etc. La combinación de IA + Web3 no es solo una superposición de dos palabras calientes, sino una complementariedad tecnológica estructural. Empecemos por los principales puntos débiles a los que se enfrenta la IA, desmontemos en profundidad los proyectos de Web3 que realmente están resolviendo problemas y te llevemos a ver el valor y la dirección de la pista de AI Crypto. El umbral de acceso a los servicios de IA es demasiado alto y caro Los servicios de IA actuales suelen ser caros y difíciles de obtener recursos de formación, lo que es extremadamente alto para las pequeñas y medianas empresas y los desarrolladores individuales. Además, estos servicios suelen ser técnicamente complejos y requieren una formación profesional para empezar. El mercado de servicios de IA está muy concentrado, los usuarios carecen de opciones diversas, los costos de las llamadas son opacos, los presupuestos son difíciles de predecir e incluso enfrentan el problema del monopolio de la potencia informática. La solución de Web3 es romper las barreras de la plataforma a través de la descentralización, construir un mercado abierto de GPU y modelar una red de servicios, apoyar la programación flexible de los recursos inactivos y motivar a más participantes a contribuir con la potencia informática y los modelos a través de la programación de tareas en cadena y mecanismos económicos transparentes, reduciendo los costes generales y mejorando la accesibilidad al servicio. Render Network: se centra en el renderizado descentralizado de GPU, también admite la inferencia y el entrenamiento de IA, y adopta un modelo de "pago por uso" para ayudar a los desarrolladores a acceder a la generación de imágenes y a los servicios de IA a bajo costo. Gensyn: Cree una red de formación de aprendizaje profundo descentralizada, utilice el mecanismo de prueba de cálculo para verificar los resultados de la formación y promueva la formación en IA desde la centralización de la plataforma hasta la colaboración abierta. Akash Network: Una plataforma descentralizada de computación en la nube basada en la tecnología blockchain, los desarrolladores pueden alquilar recursos de GPU bajo demanda para implementar y ejecutar aplicaciones de IA, que es una "versión descentralizada de la computación en la nube". 0G Labs: Capa 1 nativa de IA descentralizada, que reduce en gran medida el costo y la complejidad de ejecutar modelos de IA en cadena a través de una innovadora arquitectura de separación de almacenamiento y computación. Falta de incentivos para los contribuyentes de datos Los datos de alta calidad son el combustible principal de los modelos de IA, pero bajo el modelo tradicional, los contribuyentes de datos luchan por ser recompensados. La naturaleza opaca y repetitiva de las fuentes de datos y la falta de retroalimentación sobre cómo se utilizan hacen que la ecología de datos sea ineficiente durante mucho tiempo. Web3 proporciona una nueva solución a la formalización: un circuito claro y cerrado de colaboración e incentivos entre los contribuyentes de datos, los desarrolladores de modelos y los usuarios a través de firmas criptográficas, confirmación de derechos en la cadena y mecanismos económicos componibles. Proyecto representativo OpenLedger: Propuso de manera innovadora el concepto de "IA pagadera", que combina la contribución de datos, la llamada de modelo y los incentivos económicos para promover la formación de una red de economía de datos para la colaboración en la cadena de IA. Bittensor: Un sistema de incentivos completo con recompensas de TAO, mecanismo de consenso de Yuma, incentivos de precisión de subred, colaboración de conocimientos, etc. como núcleo, vincula directamente la contribución de datos con los resultados de la implementación del modelo y mejora la contribución de valor general. Grass: La red de datos de IA recopila datos sobre el comportamiento de navegación de los usuarios a través de plugins, contribuye a la formación de los motores de búsqueda en cadena y recompensa a los usuarios en función de la calidad de los datos, creando un mecanismo de intercambio de datos impulsado por la comunidad. El proceso de inferencia de los modelos de IA convencionales actuales es altamente de caja negra, y los usuarios no pueden verificar la exactitud y credibilidad de los resultados, especialmente en campos de alto riesgo como las finanzas y la atención médica. Además, los modelos pueden estar sujetos a manipulación, envenenamiento y otros ataques, lo que dificulta su rastreo o auditoría. Con este fin, el proyecto Web3 está tratando de introducir la prueba de conocimiento cero (ZK), el cifrado totalmente homomórfico (FHE) y el entorno de ejecución confiable (TEE) para hacer que el proceso de inferencia del modelo sea verificable y auditable, y mejorar la interpretabilidad y la base de confianza de los sistemas de IA. Representative Project Sentient: La innovadora tecnología de huellas dactilares de modelos garantiza que se pueda rastrear el comportamiento de las llamadas, lo que mejora la transparencia y la capacidad de uso del modelo a prueba de manipulaciones. Modulus Labs: Uso de la tecnología ZK para verificar criptográficamente el proceso de inferencia del modelo y realizar la nueva normalización de la "IA de confianza". Giza: Uso de criptografía de conocimiento cero para calcular la inferencia de aprendizaje automático en la cadena, mejorando así la transparencia y la confianza en la implementación de modelos de IA. Riesgos de privacidad y seguridad El proceso de entrenamiento de la IA suele implicar una gran cantidad de datos confidenciales y se enfrenta a riesgos como la fuga de privacidad, el abuso o ataque de modelos y la falta de transparencia en la toma de decisiones. Al mismo tiempo, la propiedad de los datos y los modelos está vagamente definida, lo que agrava aún más los riesgos de seguridad. Con la inmutabilidad de la cadena de bloques, la tecnología de computación criptográfica (como ZK, FHE), el entorno de ejecución confiable y otros medios, se garantiza la seguridad y la controlabilidad de los datos y modelos del sistema de IA en todo el proceso de entrenamiento, almacenamiento y llamada. Phala Network: Proporciona compatibilidad con Trusted Execution Environment (TEE) para encapsular la computación crítica en hardware seguro para evitar la fuga de datos y el robo de modelos. ZAMA: Se centra en la tecnología de cifrado totalmente homomórfico (FHE), de modo que el entrenamiento y la inferencia del modelo se puedan realizar en un estado cifrado, lo que permite el "cálculo sin texto sin cifrar". Mind Network: Construya una plataforma descentralizada de inferencia e intercambio de datos de IA que admita la protección de la privacidad, y realice el intercambio de seguridad de datos y la computación de privacidad a través de la tecnología de cifrado front-end (cifrado homomórfico, prueba de conocimiento cero, etc.). Vana: Una aplicación de generación de identidad de IA diseñada para devolver a los usuarios la propiedad y el control de sus datos, garantizando su privacidad y seguridad. Disputas de derechos de autor y propiedad intelectual El entrenamiento actual de modelos de IA hace un uso extensivo de material de Internet, pero a menudo el uso no autorizado de contenido protegido por derechos de autor conduce a frecuentes disputas legales. Al mismo tiempo, la titularidad de los derechos de autor de los contenidos generados por IA no está clara, y no existe un mecanismo transparente para la distribución de derechos e intereses entre los creadores originales, los desarrolladores de modelos y los usuarios. No es raro que los modelos sean copiados maliciosamente o malversados, y es difícil proteger los derechos de propiedad intelectual. Web3 almacena la hora de establecimiento del modelo, la fuente de datos de formación, la información de los contribuyentes, etc. a través del mecanismo de confirmación de derechos en la cadena, y utiliza herramientas como NFT y contratos inteligentes para identificar la propiedad de los derechos de autor del modelo o contenido. Protocolo de la historia:...