【英文长推】Delphi Labs：加密技术在 AI 领域的潜力解析

加密技术在 AI 中的独特优势：1）协调层：加密技术在无需中心化控制的情况下，极为擅长促进集体协调。通过加密原生激励机制，能够在短时间内建立大量用户基础；2）开放、无需许可的 API：加密技术提供开放、无需许可的 API，这意味着任何地方的任何人都可以无需 KYC、信用卡或第三方批准即可使用；3）无需信任性：加密技术通常是无需信任的，这意味着你可以通过加密证明确保这些技术不会随意改变，访问权限不会被意外撤回，并且执行结果符合预期。这对于构建模块化的 AI 堆栈非常重要；4）抗审查性：如果应用程序作为不可变合约部署在加密技术上，它们是无法被停止的。即使它们是可升级的，通常也是通过 DAO（去中心化自治组织）进行，需要持有代币的成员达成共识。 计算资源的效用大致分为两类：训练和推理。在使用去中心化计算资源进行训练方面，虽然目前由于节点之间的高通信和延迟要求，使得分布式计算变得困难，但随着技术的发展，这一问题可能会得到解决。分布式计算的优势在于可以利用全球范围内最低边际成本的计算资源，尤其是在传统服务提供商的成本上升时，越来越多的公司会寻找更便宜的替代方案。然而，分布式计算也存在延迟、硬件异构化以及缺乏集中管理的优化等问题。另一方面，可验证的推理 是指将 AI 模型的运行结果与链上可验证证明相结合，确保模型按预期运行。这种方式可以在无需将模型嵌入智能合约的情况下，利用链下模型进行治理决策。例如，一些项目可以将货币市场中的风险参数决策交由链外的 AI 模型完成，从而减少人为干预并提高效率。 训练大规模语言模型（LLMs）需要多个步骤，涵盖各种数据收集与人工干预。训练过程通常从预训练开始，模型会利用经过清理和整理的常见数据集进行训练，而后进行针对特定领域的小数据集训练，提升模型在某些特定领域（如化学等）的专业性。为了确保数据的新鲜度和专有性，AI 实验室经常与拥有大数据源的公司达成协议。在这方面，加密网络可以帮助团队获取每个阶段所需的数据与资源。通过加密激励机制，可以有效启动数据收集的供应链，并解锁大量的长尾数据源。例如，Grass AI 利用用户的闲置互联网带宽抓取网络数据并清理后供 AI 训练使用。类似地，Hivemapper 网络自 2022 年推出以来，每周收集数百万公里的道路级影像，已经映射了全球 25% 的道路。这些模式可以进一步应用到多模式数据领域，并通过出售数据给 AI 实验室来实现变现。【原文为英文】\n原文链接