本研究旨在探讨哪些人工智能领域对开发者最为重要，以及在 Web3 和人工智能领域中可能出现的下一个爆发机遇。在分享我们的最新研究成果之前，我们很高兴地宣布，我们参与了 RedPill 的500万美元首轮融资，并期待与 RedPill 共同成长！

随着 Web3 与 AI 的结合成为加密货币界的焦点，加密世界的 AI 基础设施正在蓬勃发展。然而，实际使用 AI 或构建 AI 应用程序的情况依然有限，AI 基础设施的同质化问题日益显现。我们参与的 RedPill 首轮融资引发了对这一现象的深入理解。

主要工具包括去中心化的 OpenAI 访问、GPU 网络、推理网络和代理网络。相比“比特币挖矿时期”，GPU 网络更为火爆，其市场规模庞大且稳定增长。推理网络和代理网络在基础设施方面相似，但各自关注点不同，前者专注于模型部署，后者则更注重 LLM。

AI 基础设施承诺巨大，但大多数原生加密项目仍处于测试阶段，需要时间验证其安全性和隐私性。如果 AI Dapp 成为趋势，许多领域仍未开发，如监控、与 RAG 相关的基础设施、Web3 原生模型等。

引言

Web3 与 AI 的结合是当前加密领域的热门话题。开发者正致力于将 AI 技术融入智能合约，构建复杂的 AI dApp。虽然 Web3 创始人已开发出如 GPU 网络、社区数据标注和可验证 AI 推理等解决方案，但实际使用 AI 的应用程序仍不多。许多开发者在寻找 AI dApp 开发教程时，发现有关原生加密 AI 基础设施的资源稀缺，大多数教程仅涉及如何调用 OpenAI API。

1. RedPill：去中心化 OpenAI 访问

我们参与的 RedPill 是一个重要的引入点。OpenAI 提供了如 GPT-4-vision、GPT-4-turbo 和 GPT-4o 等先进模型，是构建 AI dApp 的优选。RedPill 通过整合不同开发者的 OpenAI API，实现了对顶尖 AI 模型资源的民主化。它的路由算法将请求定向至单一贡献者，解决了如 TPM 限制和访问限制等常见问题，使开发者能以低成本、高扩展性和无限制的方式访问 OpenAI 模型。

2. GPU 网络

除了 OpenAI API，许多开发者选择自行托管模型，通过去中心化 GPU 网络（如 io.net、Aethir 和 Akash）建立 GPU 集群，部署和运行各种强大模型。相较于比特币挖矿，GPU 网络的需求更为火爆，原因包括 AI 市场的扩大、技术成熟以及高回报预期。

3. 推理网络

推理网络是加密原生 AI 基础设施的核心，支持数十亿次 AI 推理操作。市场上的主要领导者包括 Ritual、Valence 和 Fetch.ai。推理网络提供的功能包括生成和验证证明、推理计算、数据中继和验证等。然而，目前许多推理网络仍处于测试阶段，功能较为有限。推理网络的异步与同步编程模式各有优缺点，开发者需根据实际需求选择合适的模式。

4. 代理网络

代理网络允许用户自定义代理，主要针对 LLM 技术。它提供了执行任务、调用外部 API 和构建工作流的能力。虽然现有代理功能较为有限，但未来将提供更多工具。例如，Flock.ai 和 Myshell 等代理网络正在发展中，开发者可以将多个代理连接起来，构建复杂的应用。

5. 代理网络与推理网络的差异

代理网络专注于 LLM，并简化了模型开发和部署过程，而推理网络则提供底层的基础设施支持，允许开发者自行部署模型。两者并非完全独立，许多产品开始整合这两种功能。

6. 新的机会领域

除了模型推理、训练和代理网络，Web3 领域还有许多值得探索的新领域：

• 数据集：如何将区块链数据转化为机器学习可用的数据集。
• 模型存储：如何存储、分发和版本控制大型模型。
• 模型训练：分布式且可验证的模型训练。
• 监控：跟踪模型的使用情况，发现问题和偏差。
• RAG 基础设施：对存储、嵌入计算和向量数据库的需求。
• Web3 定制模型：开发专为 Web3 情境设计的模型。
• 评估网络：展示代理能力，帮助用户评估最佳表现的代理。
• 共识机制：针对 AI 任务的智慧型共识机制，如 Bittensor 创造的机制。

7. 未来展望

我们观察到垂直整合的发展趋势，通过构建基础计算层，为多种机器学习任务提供支持，包括训练、推理和代理网络服务。未来的模式可能会是混合型的，即在前端或链下处理部分推理，链上处理关键的、决策性的推理。这种模式已经在移动设备上得到应用，未来可能会在加密领域得到推广。