上篇文章回顾了 AI 行业的发展历史，详细介绍了深度学习产业链及当前的市场现状。本篇将继续解读 Crypto x AI 的关系，以及 Crypto 行业 Value Chain 中一些值得关注的项目。
Crypto x AI 的关系
区块链得益于 ZK 技术的发展，演变成了去中心化 + 去信任化的思想。我们回到区块链创造之初，是比特币链。在中本聪的论文《比特币，点对点的电子现金系统》中，其首先称其为去信任化的、价值转移系统。之后 Vitalik 等人发表了论文《A Next-Generation Smart Contract and Decentralized Application Platform》推出了去中心化、去信任化、价值互换的智能合约平台。
回到本质，我们认为整个区块链网络就是一个价值网络，每一笔交易都是以底层代币为基础的价值转换。这里的价值是 Token 的形式体现，而 Tokenomics 就是具体的 Token 价值体现的规则。
在传统的互联网中，价值的产生是以 P/E 进行结算，是有一个最终的形式体现，也就是股价，所有的流量、价值、影响力都会形成企业的现金流，这种现金流是价值的最后体现，最后折算成 P/E 反映到股价和市值上。
网络价值由原生代币价格以及多维度视角共同决定，Source: Gate Ventures
但是对于以太坊网络来说，ETH 作为以太坊网络多种维度价值的的体现，其不仅仅能够通过质押获得稳定的现金流，还能充当价值交换的媒介、价值存储的媒介、网络活动的消费品等。并且，其还充当安全保护层 Restaking、Layer 2 生态系统的 Gas Fee 等。
Tokenomics 非常重要，代币经济学能够规定生态系统的结算物（也就是网络的原生代币）的相对价值，虽然我们无法为每一个维度进行定价，但是我们有了多维度价值的体现，这就是代币的价格。这种价值是远远超越企业的证券存在形式的。一旦为网络赋予代币，并且将该种代币进行流通，类似于腾讯的所有 Q 币有了限定的数量、通缩通膨的机制、代表了庞大腾讯的生态系统，作为结算物的存在、也能成为价值存储与生息的手段。这种价值肯定是远远超过股价的价值。而代币是多价值维度的最终体现。
代币很迷人，代币能够把一个功能或者某个思想赋予价值，我们使用浏览器，但是不会考虑到底层的开源 HTTP 协议的定价，如果发行了代币，那么其价值就会在交易中体现。一个 MEME 币的存在以及背后代表的诙谐思想也有价值，代币经济学能够为任何一种创新与存在赋予动力，无所谓是思想还是实物创造，代币经济学将世间的一切都价值化了。
代币和区块链技术这种对价值重新定义与发现的手段，对任何行业也至关重要，包括 AI 行业。在 AI 行业中，发行代币能够让 AI 产业链中的各方面都进行价值的重塑，那么会激励更多人愿意在 AI 行业各个细分赛道深根，因为其带来的收益将变得更为显著，不仅仅是现金流来决定其当前价值，并且代币的协同作用会让基础设施的价值得到提升，这会天然的导致胖协议瘦应用范式的形成。
其次，AI 产业链中所有项目都将获得资本增值的收益，并且这种代币能够反哺生态系统以及促进某种哲学思想的诞生。
代币经济学显然对行业的影响是有其积极的一面，区块链技术的不可篡改和无需信任的性质也有其 AI 行业的实际意义，能够实现一些需要信任的应用，比如我们的用户数据能够允许在某个模型之上，但是确保模型不知道具体的数据、确保模型不泄露数据、确保返回该模型推理的真实数据。当 GPU 不足够时，能够通过区块链网络分销，当 GPU 迭代，闲置的 GPU 能贡献算力到网络中，重新发现剩余价值，这是全球化的价值网络才能做到的事情。
总之，代币经济学能够促进价值的重塑和发现，去中心化账本能够解决信任问题，将价值在全球范围重新流动起来。
Crypto 行业 Value Chain 项目概览
GPU 供给侧
GPU 云算力市场部分项目，Source：Gate Ventures
以上是 GPU 云算力市场的主要项目参与者，市值与基本面发展较好的是 Render，其在 2020 年推出，但是由于数据不公开与透明，因此我们暂时无法得知其业务实时发展状况。目前使用 Render 进行业务的绝大多数是非大模型类的视频渲染任务。
Render 作为有实际业务量的老牌 Depin 业务，确实乘着 AI / Depin 的风成功了，但是 Render 面向的场景与 AI 并不同，因此严格意义上不算是 AI 板块。并且其视频渲染业务确实有一定的真实需求，因此 GPU 云算力市场不仅仅可以面向 AI 模型的训练、推理，也可以应用于传统渲染任务，这降低了 GPU 云市场依赖单一市场风险。
全球 GPU 算力需求趋势，Source：
在 Crypto 关于 AI 的产业链中，算力供给无疑是最重要的一点。根据行业预测， 2024 年 GPU 的算力需求大约有 750 亿美元，到 2032 年大约有 7730 亿美元的市场需求，年化复合增长率（CAGR）约为 33.86% 。
GPU 的迭代率遵循摩尔定律（18-24 各月性能翻倍，价格下降一半），那么对于共享 GPU 算力的需求将会变得极大，因为 GPU 市场的爆发，会在未来摩尔定律的影响下，形成大量的非最新几代的 GPU，这时侯这些闲置的 GPU 将作为长尾算力在共享网络中继续发挥其价值，因此我们确实看好这个赛道的长期潜力和实际效用，不仅仅是中小模型的业务还有传统的渲染业务也会形成比较强的需求。
值得提醒的是，注意到许多报告都将低廉的价格作为这些产品的主要产品卖点，以此来说明链上 GPU 共享以及计算市场的广阔空间，但是我们想要强调的是，决定云算力市场的定价不仅仅是使用的 GPU 有关，还和数据传输的带宽、边缘设备、配套的 AI 托管开发者工具等有关。但是在带宽、边缘设备等相同的情况下，由于存在代币补贴，一部分价值是由代币和网络效应共同决定的，确实有更低廉的价格，这是价格上的优势，但是同时也有其网络数据传输缓慢导致模型研发、渲染任务缓慢的缺点。
硬件带宽
共享带宽赛道部分项目，Source：Gate Ventures
就像我们在 GPU 供给侧所述，云算力厂商的定价往往与 GPU 芯片有关，但是还与带宽、冷却系统、AI 配套开发工具等有关。在报告的 AI 产业链章节处，我们也提到由于大模型的参数和数据容量的问题，在传递数据过程中会显著影响大模型训练的时间，因此很多时候带宽才是影响大模型的主要原因，特别对于链上云计算领域，其带宽以及数据交换更慢，影响更大，因为是各地的用户进行的协同工作，但是在其它的云厂商如 azure 等都是建立集中化的 HPC，更便于协调和改善带宽。
Menson Network 架构图，图源：
以 Menson Network 为例，其 Meson 设想的未来是，用户可以轻松地将剩余带宽换成代币，而有需要的人可以在 Meson 市场内访问全球带宽。用户可以将数据存放在用户的数据库中，而其它用户就可以访问最近的用户存储的数据，以此加速网络数据的交换，加快模型的训练速度。
但是我们认为，共享带宽是一个伪概念，因为对于 HPC 来说，其数据主要存储在本地节点，但是对于这种共享带宽，数据存储在有一定距离的（如 1 km、 10 km、 100 km）以外，这些地理位置的距离导致的延迟都会远远高于在本地进行数据存储，因为这样会导致频繁的调度分配。因此，这个伪需求也是市场不买账的原因，Meson Network 最新一轮融资估值 10 亿美元，上线交易所以后，FDV 仅仅 930 万美元，不及估值的 1/10 。
数据
根据我们在深度学习产业链中所述，大模型的参数数量、算力、数据三方面共同影响着大模型的质量，这里有许多的数据源企业以及矢量数据库提供商的市场机会，他们会为企业提供各种特定类型的数据服务。
AI 数据提供商部分项目，Source：Gate Ventures
目前上线的项目包括 EpiK Protocol、Synesis One、Masa 等，不同点在于 EpiK protocol 和 Synesis One 是对于公开数据源进行收集，但是 Masa 是基于 ZK 技术，能够实现隐私数据的收集，这样对于用户更加友好。
相比于其它Web2的传统数据企业，Web3数据提供商具备的优势在于数据采集侧，因为个人能够贡献自己非隐私的数据（ZK 技术能促进用户贡献隐私数据但是不会显示泄漏），这样项目的接触面会变得很广，不仅仅是 ToB，而且能够为任何用户的数据都进行定价，任何过去的数据都有了价值，并且由于代币经济学的存在，本身网络价值和价格是相互依赖的， 0 成本的代币随着网络价值变高也会变高，而这些代币会降低开发商的成本，用来奖励用户，用户贡献数据的动机将变得更足。
我们认为这种能够同时接触Web2以及Web3，并且在用户层面几乎任何人都有机会贡献自己数据的机制非常容易实现部分范围的“Mass Adoption”，在数据消费端是各种模型，有了真实的供需双方，并且用户在网上随意点击即可，操作难度也很低。唯一需要考虑的是隐私计算的问题，因此 ZK 方向的数据提供商可能有一个较好的发展前景，其中典型的项目包括 Masa。
ZKML
ZK Training / Inference Projects, Source: Gate Ventures
如果数据想要实现隐私计算以及训练，目前业内主要采用的 ZK 方案，使用同态加密技术，将数据在链下推理然后将结果和 ZK 证明上传，那么就能保证数据的隐私性和推理的低成本高效率。在链上是非常不适合推理的。这也是为什么 ZKML 赛道的投资者普遍质量更高的原因，因为这个才是符合商业逻辑的。
不仅仅这些专注于人工智能领域的链下训练和推理的项目存在，也有一些通用型的 ZK 项目，能够提供图灵完备的 ZK 协作处理能力，为任何链下计算和数据提供 ZK 证明，包括 Axiom、Risc Zero、Ritual 等项目也值得关注，这类型的项目应用边界更广，对于 VC 有更多的容错性。
AI 应用
AI x Crypto 应用 landscape，图源：Foresight News
区块链的应用情况也与传统的 AI 行业较为相似，大部分处于基础设施的建设，目前发展最为繁荣的仍然是上游产业链，但是下游产业链如应用端，发展的较为薄弱。
这类型的 AI+区块链应用，更多是传统区块链应用 + 自动化和泛化能力。比如 DeFi 能够通过用户的想法来执行最优的交易、Lending 路径，这类型的应用被称为 AI Agent。神经网络和深度学习技术对软件革命最根本性在于其泛化能力，能够适配多种不同人群的不同需求，以及不同模态的数据。
而我们认为这种泛化能力，首先将使得 AI Agent 收益，其作为用户与多种应用的桥梁，能够帮助用户进行复杂的链上决策，选择最优路径。Fetch.AI 就是其中代表性的项目（目前 MC 21 亿美元），我们以 Fetch.AI 来简述 AI Agent 工作原理。
Fetch.AI 架构图，Source：
上图是 Fetch.AI 的架构图，Fetch.AI 对 AI Agent 的定义式“一个在区块链网络上自我运行的程序，其可以连接、搜索和交易，也可以对其进行编程以便于其与网络中的其它代理进行交互”。DeltaV 是创建 Agent 的平台，注册的 Agent 形成一个 Agent 库，叫做 Agentverse。AI Engine 是解析用户的文字以及目的，然后转化成代理能接受的精准指令，然后在 Agentverse 中找到执行这些指令的最适合的 Agent。任何服务都能注册为代理，这样就会形成一个以意图为指导的嵌入式网络，这个网络能够非常适合嵌入到比如 Telegram 这样的应用，因为所有的入口都是 Agentverse，并且在聊天框中输入任何操作或者想法，都会有对应的 Agent 在链上执行。而 Agentverse 可以通过来接广泛的 dAPP 来完成链上的应用交互任务。我们认为 AI Agent 有实际的意义，对于区块链行业也有其原生需求，大模型给予应用大脑，但是 AI Agent 给予了应用双手。
根据目前的市场数据来看，Fetch.AI 目前上线的 AI Agent 大约有 6103 个，对于这个代理数量，在价格方面存在高估的可能性，因此市场对于其愿景 愿意给出更高的溢价。
AI 公链
类似于 Tensor、Allora、Hypertensor、AgentLayer 等公链，其就是专为 AI 模型或者代理所构建的自适应网络，这个是区块链原生的 AI 产业链一环。
Allora 架构，Source：
我们以 Allora 来简述这类 AI 链的运行原理：
1. 消费者向 Allora Chain 寻求推理。
2. 矿工在链下运行 推理模型和预测模型。
3. 评估者负责评估矿工提供的推理质量，评估者通常是权威领域的专家，以准确评估推理质量。
这种类似于 RLHF（强化学习）将推理上传到链上，链上的评估者能够通过为结果进行排名进而改善模型的参数，这对于模型本身也是好处。同样的，基于代币经济学的项目，能够通过代币的分发显著降低推理的费用，这对项目的发展起到至关重要的作用。
与传统 AI 模型使用 RLHF 算法相比，一般是设置一个评分模型，但是这种评分模型仍然需要人工介入，并且其成本无法降低，参与方有限，相比之下 Crypto 能带来更多的参与方，进一步激起广泛的网络效应
总结
首先需要强调的是，我们现在熟知的 AI 发展以及产业链的讨论实际上是基于深度学习技术，其并不代表所有的 AI 的发展方向，这里仍然有许多非深度学习并且有前景的技术在孕育，但是由于 GPT 的效果着实太好，导致市场大部分的目光都被这一有效的技术路径所吸引。
也有部分行业内的巨擘认为，当前的深度学习技术无法实现通用人工智能，因此可能这种技术栈走向的终局是死局，但是我们认为这一技术已经有其存在的意义，也有 GPT 这一实际需求的场景存在，因此就类似于 tiktok 的推荐算法一样，虽然这种机器学习无法实现人工智能，但是确实运用于各种信息流中，优化推荐流程。所以我们仍然认可这一领域是值得理智、大力深根的。
代币和区块链技术这种对价值重新定义与发现（全球流动性）的手段，对于 AI 行业也有其有利的一面。在 AI 行业中，发行代币能够让 AI 产业链中的各方面都进行价值的重塑，那么会激励更多人愿意在 AI 行业各个细分赛道深根，因为其带来的收益将变得更为显著，不仅仅是现金流决定其当前价值。其次，AI 产业链中所有项目都将获得资本增值收益，并且这种代币能够反哺生态系统以及促进某种哲学思想的诞生。
区块链技术的不可篡改和无需信任的性质也有其 AI 行业的实际意义，能够实现一些需要信任的应用，比如我们的用户数据能够允许在某个模型之上，但是确保模型不知道具体的数据、确保模型不泄露数据、确保返回该模型推理的真实数据。当 GPU 不足够时，能够通过区块链网络分销，当 GPU 迭代，闲置的 GPU 能贡献算力到网络中，将废旧的东西重新利用起来，这是全球化的价值网络才能做到事情。
GPU 计算机网络的劣势在于带宽，也就是对于 HPC 集群，带宽能够集中解决，进而加快训练的效率。对于 GPU 的共享平台，虽然可以调用闲置算力，并且降低成本（通过代币补贴），但是由于地理位置的问题，其训练速度会变得非常缓慢，因此这些闲置算力只适合于那些不紧急的小模型。并且这些平台也缺乏配套的开发者工具，因此中大型企业在当前状况下，更倾向于传统云企业平台。
总之，我们仍然认可 AI X Crypto 结合的实际效用，代币经济学能够重塑价值以及发现更广泛的价值视角，而去中心化账本能够解决信任问题，将价值流动起来，并且发现剩余价值。
参考资料
免责声明：
以上内容仅供参考，不应被视为任何建议。在进行投资前，请务必寻求专业建议。
关于 Gate Ventures
是 Gate.io 旗下的风险投资部门，专注于对去中心化基础设施、生态系统和应用程序的投资，这些技术将在 Web 3.0 时代重塑世界。与全球行业领袖合作，赋能那些拥有创新思维和能力的团队和初创公司，重新定义社会和金融的交互模式。
官网：
Twitter：
Medium：