A narrativa "AI + Web3" é uma verdadeira fusão tecnológica ou outro pacote conceptual? Este artigo é baseado em um artigo escrito por TinTinLand e com curadoria e contribuição da Foresight News. (Sinopse: A trilha de IA pode escapar do estigma do hype?) Inventário de três projetos de AI Agent que abraçam criptomoedas) (Suplemento de fundo: Grayscale News: O primeiro trimestre de 2025 é o mais otimista sobre essas 20 principais criptomoedas, com foco em DeFi, AI Agents e ecologia Solana) Em 2025, a popularidade narrativa "AI + Web3" ainda está inabalável. De acordo com o último relatório da Grayscale, divulgado em maio de 2025, a capitalização de mercado geral da trilha AI Crypto atingiu US$ 21 bilhões, quase cinco vezes acima dos US$ 4,5 bilhões no primeiro trimestre de 2023. Por trás dessa onda, há uma convergência real de tecnologias, ou é outro conceito de embalagem? De uma perspetiva macro, o ecossistema tradicional de IA tem revelado cada vez mais problemas estruturais: alto limiar de treinamento de modelos, privacidade de dados não garantida, alto monopólio do poder de computação, processo de raciocínio de caixa preta e mecanismo de incentivo desequilibrado...... Esses pontos problemáticos são altamente consistentes com as vantagens nativas da Web3: descentralização, mecanismo de mercado aberto, verificabilidade on-chain, soberania dos dados do usuário, etc. A combinação de IA + Web3 não é apenas uma sobreposição de duas palavras quentes, mas uma complementaridade tecnológica estrutural. Vamos começar pelos principais pontos problemáticos enfrentados pela IA, desmontar profundamente os projetos Web3 que estão realmente resolvendo problemas e levá-lo a ver o valor e a direção da trilha AI Crypto. O limiar de acesso aos serviços de IA é demasiado elevado e dispendioso Os atuais serviços de IA são geralmente dispendiosos e difíceis de obter recursos de formação, o que é extremamente elevado para pequenas e médias empresas e programadores individuais. Além disso, estes serviços são muitas vezes tecnicamente complexos e requerem uma experiência profissional para começar. O mercado de serviços de IA é altamente concentrado, os usuários não têm escolhas diversas, os custos das chamadas são opacos, os orçamentos são difíceis de prever e até mesmo enfrentam o problema do monopólio do poder de computação. A solução da Web3 é quebrar as barreiras da plataforma através da descentralização, construir um mercado de GPU aberto e uma rede de serviços modelo, suportar o agendamento flexível de recursos ociosos e motivar mais participantes a contribuir com poder de computação e modelos por meio de agendamento de tarefas on-chain e mecanismos econômicos transparentes, reduzindo os custos gerais e melhorando a acessibilidade do serviço. Render Network: concentra-se na renderização descentralizada de GPU, também suporta inferência e treinamento de IA e adota um modelo de "pagamento por uso" para ajudar os desenvolvedores a acessar a geração de imagens e serviços de IA a baixo custo. Gensyn: Construa uma rede descentralizada de treinamento de aprendizagem profunda, use o mecanismo de prova de computação para verificar os resultados do treinamento e promova o treinamento de IA da centralização da plataforma para a colaboração aberta. Akash Network: Uma plataforma de computação em nuvem descentralizada baseada na tecnologia blockchain, os desenvolvedores podem alugar recursos de GPU sob demanda para implantar e executar aplicativos de IA, que é uma "versão descentralizada da computação em nuvem". 0G Labs: Camada 1 nativa de IA descentralizada, que reduz consideravelmente o custo e a complexidade da execução de modelos de IA on-chain por meio de uma arquitetura inovadora de separação de armazenamento e computação. Falta de incentivos para contribuidores de dados Dados de alta qualidade são o principal combustível dos modelos de IA, mas sob o modelo tradicional, os contribuidores de dados lutam para serem recompensados. A natureza opaca e repetitiva das fontes de dados e a falta de feedback sobre como elas são usadas tornam a ecologia de dados ineficiente por muito tempo. A Web3 fornece uma nova solução para a formalização: um ciclo fechado claro de colaboração e incentivos entre contribuidores de dados, desenvolvedores de modelos e usuários por meio de assinaturas criptográficas, confirmação de direitos on-chain e mecanismos econômicos combináveis. Projeto representativo OpenLedger: Propôs de forma inovadora o conceito de "Paid AI", que combina contribuição de dados, chamada de modelo e incentivos econômicos para promover a formação de uma rede de economia de dados para colaboração em cadeia de IA. Bittensor: Um sistema de incentivos completo com recompensas de GAT, mecanismo de consenso Yuma, incentivos de precisão de sub-rede, colaboração de conhecimento, etc. como núcleo, liga diretamente a contribuição de dados com os resultados da implementação do modelo e aumenta a contribuição de valor global. Grass: A rede de dados de IA coleta dados de comportamento de navegação do usuário por meio de plugins, contribui para o treinamento do mecanismo de pesquisa on-chain e recompensa os usuários de acordo com a qualidade dos dados, criando um mecanismo de compartilhamento de dados orientado pela comunidade. Modelo de caixa-preta, inferência de IA não pode ser verificada O processo de inferência dos modelos de IA convencionais atuais é altamente caixa preta, e os usuários não podem verificar a correção e credibilidade dos resultados, especialmente em campos de alto risco, como finanças e cuidados médicos. Além disso, os modelos podem estar sujeitos a adulteração, envenenamento e outros ataques, dificultando o rastreamento ou a auditoria. Para este fim, o projeto Web3 está tentando introduzir prova de conhecimento zero (ZK), criptografia totalmente homomórfica (FHE) e ambiente de execução confiável (TEE) para tornar o processo de inferência de modelo verificável e auditável, e melhorar a interpretabilidade e a base de confiança dos sistemas de IA. Projeto representativo Sentient: A inovadora tecnologia de impressão digital do modelo garante que o comportamento da chamada possa ser rastreado, melhorando a transparência e a capacidade inviolável do uso do modelo. Modulus Labs: Usando a tecnologia ZK para verificar criptograficamente o processo de inferência do modelo e realizar a nova normalização da "IA confiável". Gizé: Usando criptografia de conhecimento zero para computar inferência de aprendizado de máquina on-chain, melhorando assim a transparência e a confiança na implantação de modelos de IA. Riscos de privacidade e segurança O processo de treinamento em IA geralmente envolve uma grande quantidade de dados confidenciais e enfrenta riscos como vazamento de privacidade, abuso ou ataque de modelo e falta de transparência na tomada de decisões. Ao mesmo tempo, a propriedade dos dados e dos modelos é vagamente definida, agravando ainda mais os riscos de segurança. Com a imutabilidade do blockchain, tecnologia de computação criptográfica (como ZK, FHE), ambiente de execução confiável e outros meios, a segurança e controlabilidade dos dados e modelos do sistema de IA em todo o processo de treinamento, armazenamento e chamada são garantidas. Phala Network: Fornece suporte a TEE (Trusted Execution Environment) para encapsular computação crítica em hardware seguro para evitar vazamento de dados e roubo de modelos. ZAMA: Foco na tecnologia de criptografia totalmente homomórfica (FHE), para que o treinamento e a inferência do modelo possam ser realizados em um estado criptografado, permitindo "computação sem texto claro". Mind Network: Construa uma plataforma descentralizada de compartilhamento e inferência de dados de IA que suporte a proteção de privacidade e realize o compartilhamento de segurança de dados e a computação de privacidade por meio de tecnologia de criptografia front-end (criptografia homomórfica, prova de conhecimento zero, etc.). Vana: Um aplicativo de geração de identidade de IA projetado para devolver aos usuários a propriedade e o controle de seus dados, garantindo sua privacidade e segurança. AI Model Copyright and Intellectual Property Disputes O treinamento atual do modelo de IA faz uso extensivo de material da Internet, mas muitas vezes o uso não autorizado de conteúdo protegido por direitos autorais leva a disputas legais frequentes. Ao mesmo tempo, a propriedade dos direitos autorais de conteúdo gerado por IA não é clara, e não há um mecanismo transparente para a distribuição de direitos e interesses entre criadores originais, desenvolvedores de modelos e usuários. Não é raro que os modelos sejam copiados ou desviados de forma maliciosa e é difícil proteger os direitos de propriedade intelectual. O Web3 armazena o tempo de estabelecimento do modelo, a fonte de dados de treinamento, as informações do contribuidor, etc. através do mecanismo de confirmação de direitos on-chain, e usa ferramentas como NFT e contratos inteligentes para identificar a propriedade dos direitos autorais do modelo ou conteúdo. Protocolo da história:...
Ver original
O conteúdo é apenas para referência, não uma solicitação ou oferta. Nenhum aconselhamento fiscal, de investimento ou jurídico é fornecido. Consulte a isenção de responsabilidade para obter mais informações sobre riscos.
Investimento em oportunidades ou bolhas? Qual é o valor da combinação de IA + Web3?
A narrativa "AI + Web3" é uma verdadeira fusão tecnológica ou outro pacote conceptual? Este artigo é baseado em um artigo escrito por TinTinLand e com curadoria e contribuição da Foresight News. (Sinopse: A trilha de IA pode escapar do estigma do hype?) Inventário de três projetos de AI Agent que abraçam criptomoedas) (Suplemento de fundo: Grayscale News: O primeiro trimestre de 2025 é o mais otimista sobre essas 20 principais criptomoedas, com foco em DeFi, AI Agents e ecologia Solana) Em 2025, a popularidade narrativa "AI + Web3" ainda está inabalável. De acordo com o último relatório da Grayscale, divulgado em maio de 2025, a capitalização de mercado geral da trilha AI Crypto atingiu US$ 21 bilhões, quase cinco vezes acima dos US$ 4,5 bilhões no primeiro trimestre de 2023. Por trás dessa onda, há uma convergência real de tecnologias, ou é outro conceito de embalagem? De uma perspetiva macro, o ecossistema tradicional de IA tem revelado cada vez mais problemas estruturais: alto limiar de treinamento de modelos, privacidade de dados não garantida, alto monopólio do poder de computação, processo de raciocínio de caixa preta e mecanismo de incentivo desequilibrado...... Esses pontos problemáticos são altamente consistentes com as vantagens nativas da Web3: descentralização, mecanismo de mercado aberto, verificabilidade on-chain, soberania dos dados do usuário, etc. A combinação de IA + Web3 não é apenas uma sobreposição de duas palavras quentes, mas uma complementaridade tecnológica estrutural. Vamos começar pelos principais pontos problemáticos enfrentados pela IA, desmontar profundamente os projetos Web3 que estão realmente resolvendo problemas e levá-lo a ver o valor e a direção da trilha AI Crypto. O limiar de acesso aos serviços de IA é demasiado elevado e dispendioso Os atuais serviços de IA são geralmente dispendiosos e difíceis de obter recursos de formação, o que é extremamente elevado para pequenas e médias empresas e programadores individuais. Além disso, estes serviços são muitas vezes tecnicamente complexos e requerem uma experiência profissional para começar. O mercado de serviços de IA é altamente concentrado, os usuários não têm escolhas diversas, os custos das chamadas são opacos, os orçamentos são difíceis de prever e até mesmo enfrentam o problema do monopólio do poder de computação. A solução da Web3 é quebrar as barreiras da plataforma através da descentralização, construir um mercado de GPU aberto e uma rede de serviços modelo, suportar o agendamento flexível de recursos ociosos e motivar mais participantes a contribuir com poder de computação e modelos por meio de agendamento de tarefas on-chain e mecanismos econômicos transparentes, reduzindo os custos gerais e melhorando a acessibilidade do serviço. Render Network: concentra-se na renderização descentralizada de GPU, também suporta inferência e treinamento de IA e adota um modelo de "pagamento por uso" para ajudar os desenvolvedores a acessar a geração de imagens e serviços de IA a baixo custo. Gensyn: Construa uma rede descentralizada de treinamento de aprendizagem profunda, use o mecanismo de prova de computação para verificar os resultados do treinamento e promova o treinamento de IA da centralização da plataforma para a colaboração aberta. Akash Network: Uma plataforma de computação em nuvem descentralizada baseada na tecnologia blockchain, os desenvolvedores podem alugar recursos de GPU sob demanda para implantar e executar aplicativos de IA, que é uma "versão descentralizada da computação em nuvem". 0G Labs: Camada 1 nativa de IA descentralizada, que reduz consideravelmente o custo e a complexidade da execução de modelos de IA on-chain por meio de uma arquitetura inovadora de separação de armazenamento e computação. Falta de incentivos para contribuidores de dados Dados de alta qualidade são o principal combustível dos modelos de IA, mas sob o modelo tradicional, os contribuidores de dados lutam para serem recompensados. A natureza opaca e repetitiva das fontes de dados e a falta de feedback sobre como elas são usadas tornam a ecologia de dados ineficiente por muito tempo. A Web3 fornece uma nova solução para a formalização: um ciclo fechado claro de colaboração e incentivos entre contribuidores de dados, desenvolvedores de modelos e usuários por meio de assinaturas criptográficas, confirmação de direitos on-chain e mecanismos econômicos combináveis. Projeto representativo OpenLedger: Propôs de forma inovadora o conceito de "Paid AI", que combina contribuição de dados, chamada de modelo e incentivos econômicos para promover a formação de uma rede de economia de dados para colaboração em cadeia de IA. Bittensor: Um sistema de incentivos completo com recompensas de GAT, mecanismo de consenso Yuma, incentivos de precisão de sub-rede, colaboração de conhecimento, etc. como núcleo, liga diretamente a contribuição de dados com os resultados da implementação do modelo e aumenta a contribuição de valor global. Grass: A rede de dados de IA coleta dados de comportamento de navegação do usuário por meio de plugins, contribui para o treinamento do mecanismo de pesquisa on-chain e recompensa os usuários de acordo com a qualidade dos dados, criando um mecanismo de compartilhamento de dados orientado pela comunidade. Modelo de caixa-preta, inferência de IA não pode ser verificada O processo de inferência dos modelos de IA convencionais atuais é altamente caixa preta, e os usuários não podem verificar a correção e credibilidade dos resultados, especialmente em campos de alto risco, como finanças e cuidados médicos. Além disso, os modelos podem estar sujeitos a adulteração, envenenamento e outros ataques, dificultando o rastreamento ou a auditoria. Para este fim, o projeto Web3 está tentando introduzir prova de conhecimento zero (ZK), criptografia totalmente homomórfica (FHE) e ambiente de execução confiável (TEE) para tornar o processo de inferência de modelo verificável e auditável, e melhorar a interpretabilidade e a base de confiança dos sistemas de IA. Projeto representativo Sentient: A inovadora tecnologia de impressão digital do modelo garante que o comportamento da chamada possa ser rastreado, melhorando a transparência e a capacidade inviolável do uso do modelo. Modulus Labs: Usando a tecnologia ZK para verificar criptograficamente o processo de inferência do modelo e realizar a nova normalização da "IA confiável". Gizé: Usando criptografia de conhecimento zero para computar inferência de aprendizado de máquina on-chain, melhorando assim a transparência e a confiança na implantação de modelos de IA. Riscos de privacidade e segurança O processo de treinamento em IA geralmente envolve uma grande quantidade de dados confidenciais e enfrenta riscos como vazamento de privacidade, abuso ou ataque de modelo e falta de transparência na tomada de decisões. Ao mesmo tempo, a propriedade dos dados e dos modelos é vagamente definida, agravando ainda mais os riscos de segurança. Com a imutabilidade do blockchain, tecnologia de computação criptográfica (como ZK, FHE), ambiente de execução confiável e outros meios, a segurança e controlabilidade dos dados e modelos do sistema de IA em todo o processo de treinamento, armazenamento e chamada são garantidas. Phala Network: Fornece suporte a TEE (Trusted Execution Environment) para encapsular computação crítica em hardware seguro para evitar vazamento de dados e roubo de modelos. ZAMA: Foco na tecnologia de criptografia totalmente homomórfica (FHE), para que o treinamento e a inferência do modelo possam ser realizados em um estado criptografado, permitindo "computação sem texto claro". Mind Network: Construa uma plataforma descentralizada de compartilhamento e inferência de dados de IA que suporte a proteção de privacidade e realize o compartilhamento de segurança de dados e a computação de privacidade por meio de tecnologia de criptografia front-end (criptografia homomórfica, prova de conhecimento zero, etc.). Vana: Um aplicativo de geração de identidade de IA projetado para devolver aos usuários a propriedade e o controle de seus dados, garantindo sua privacidade e segurança. AI Model Copyright and Intellectual Property Disputes O treinamento atual do modelo de IA faz uso extensivo de material da Internet, mas muitas vezes o uso não autorizado de conteúdo protegido por direitos autorais leva a disputas legais frequentes. Ao mesmo tempo, a propriedade dos direitos autorais de conteúdo gerado por IA não é clara, e não há um mecanismo transparente para a distribuição de direitos e interesses entre criadores originais, desenvolvedores de modelos e usuários. Não é raro que os modelos sejam copiados ou desviados de forma maliciosa e é difícil proteger os direitos de propriedade intelectual. O Web3 armazena o tempo de estabelecimento do modelo, a fonte de dados de treinamento, as informações do contribuidor, etc. através do mecanismo de confirmação de direitos on-chain, e usa ferramentas como NFT e contratos inteligentes para identificar a propriedade dos direitos autorais do modelo ou conteúdo. Protocolo da história:...