# 本报告核心框架
本节讨论人指导AI x Crypto领域发展方向的框架。我们将首先分析两个案例，然后讨论一般原则。
# 2.1 什么是AI x Crypto项目？
让我们回顾一些同时使用加密技术和人工智能技术项目的例子，然后讨论它们是否真正属于AI x Crypto项目。
# 案例研究：Privasea
Privasea利用了全同态加密（FHE）技术来训练处理加密数据的AI模型，确保输入的隐私性。这一创新支持了类似ChatGPT的模型可以处理加密指令，也意味着服务提供商永远不会看到未加密的内容。系统处理这些加密输入，并生成只有用户能够解密的加密输出。这种方法可以保护用户数据不被泄露，对于金融等敏感领域尤为关键。在这些行业中，防止潜在的信息泄露至关重要。通过实现与AI的安全加密交互，Privasea解决了AI应用中的重大隐私和安全问题。
这个案例展示了加密技术如何帮助和改进一个AI产品——使用密码学方法来改变AI的训练方式。这导致了一个仅使用AI技术无法实现的产品：一个可以接受加密指令的模型。
# 案例研究：Dorsa
Dorsa是一家区块链安全领域的初创公司。他们利用AI模型对智能合约进行审计和监控。他们开发了多种工具，包括强化学习agents，以全面测试智能合约的安全性。Dorsa开发的工具可以为开发和审计人员提供帮助。因此，Dorsa利用AI模型来提高智能合约的安全性和可靠性。
在这种情况下，人工智能技术被用来改进加密领域产品——这与我们之前讨论的情况刚好相反。Dorsa提供了一种AI模型，使创建安全智能合约的过程更快、更便宜。虽然它是链下的，但AI模型的使用仍然有助于加密项目：智能合约通常是加密项目解决方案的核心。
Dorsa的AI能力可以发现人类忘记检查的漏洞，从而防止未来的黑客攻击。然而，这个特殊的例子并没有利用AI使加密产品具备以前做不到的能力，即编写安全的智能合约。Dorsa的AI只是让这个过程变得更好、更快。不过，这是AI技术（模型）改进加密产品（智能合约）的一个例子。
# 案例研究 LoverGPT
LoverGPT是一款Web2 AI女友应用。他们并不会审查裸露的聊天内容或图像，因此可能会面临无法接入Visa和Mastercard支付方式的问题。为了解决这个问题，他们开始接受加密货币的支付方式。然而产品的其他部分并没有使用任何区块链技术。
LoverGPT并不是Crypto x AI的一个例子。我们已经确定了AI可以帮助改进加密技术栈，反之亦然，这可以通过Privasea和Dorsa的例子来说明。然而，在LoverGPT的例子中，加密部分和AI部分并没有相互作用，它们只是在产品中共存。要将某个项目视为AI x Crypto项目，仅仅让AI和Crypto为同一个产品或解决方案做出贡献是不够的——这些技术必须相互交织配合以产生解决方案。
AI和加密技术的结合往往流于表面，没有实际价值。
加密技术和人工智能技术可以直接结合以产生更好解决方案的技术。将它们结合使用可以使彼此在整体项目中更好地发挥作用。只有涉及这些技术之间协同合作的项目才被分类为AI X Crypto项目 。
# 2.2 AI与Crypto如何相互促进
注意：在本报告中，我们使用“加密”一词来指代区块链技术和加密解决方案。零知识证明（ZKP）、加密签名和区块链账本都是“加密”的示例。我们将在适当的部分澄清我们所指的加密的具体方面。
让我们回顾一下之前的案例研究。在Privasea中，FHE（即加密技术）用于生成能够接受加密输入的AI模型。因此，我们正在使用crypto（加密）解决方案来改进AI的训练过程，因此crypto正在帮助AI。在Dorsa中，AI模型被用于审查智能合约安全性。AI解决方案被用来改进加密产品，因此，AI正在帮助crypto。在评估AI X Crypto交叉点的项目时，这给我们带来了一个重要的维度：是crypto被用来帮助AI还是AI被用来帮助crypto？
这个简单的问题可以帮助我们发现当前用例的重要方面，即要解决的关键问题是什么？在Dorsa的案例中，我们期望的结果是一个安全的智能合约。这可以由熟练的开发者来完成，Dorsa恰好利用AI提高了这一过程的效率。不过，从根本上说，我们只关心智能合约的安全性。一旦明确了关键问题，我们就能确定是AI在帮助crypto，还是crypto在帮助AI。在某些情况下，两者之间并不存在有意义的交互（例如LoverGPT）。
下表提供了每个类别中的几个例子。
| crypto助力AI | AI助力crypto |
|---|---|
| 1. FHE以保护隐私的方式训练AI模型 | 1.使用AI模型来保护、审计和监控智能合约 |
| 2. 用于AI模型训练的联邦学习 | 2.AI 模型用于高效搜索链上数据 |
| 3. 零知识证明用于可验证推理 | 3.用于创建数据分析仪表板的 LLM |
| 4. 收集和标注数据集的代币激励机制 | 4.基于意图的交易 |
| 5. AI agent支付轨道 | 5.为链上游戏定制bots |
| 6. 分布式GPU网络 | 6.管理DAO的AI agents |
您可以在附录中找到 150 多个项目的概况。如果我们由遗漏的内容，或者您有任何反馈意见，请联系我们!
总结：AI和Crypto是相辅相成的技术。要评估任何产品，关键是要了解是AI在帮助Crypto，还是Crypto在帮助AI。
# 2.3 产品定位
让我们举一个Crypto帮助AI的例子。当组成AI的特定技术集合发生变化时，AI解决方案作为一个整体的能力也会发生变化。这种技术集合被称为栈（Stack）。AI栈包括构成AI各个方面的数学思想和算法。用于处理训练数据、训练模型以及模型推理的具体技术都是栈的一部分。
栈作为一个整体，具有任何单独部分都不具备的属性和能力。各部分之间的交互，就像钟表中的齿轮一样，决定着栈的高层次行为。
在栈中，各个部分之间有着深刻的联系——具体技术的组合方式决定了栈的功能。因此，改变栈就等于改变了整个技术所能实现的目标。在栈中引入新技术可以创造新的技术可能性——以太坊在其加密栈中添加了新技术，使智能合约成为可能。同样，对栈的改变也能让开发者绕过以前被认为是技术固有的问题——Polygon对以太坊加密栈所做的改变使他们能够将交易费用降低到以前认为不可能达到的水平。
当一种技术在另一种技术的栈中使用时，这代表了技术之间更深入的集成，我们称之为 “内部集成”。如果两种技术一起使用，相互支持，但组成每个栈的部分没有任何改变，那么这种集成就是 “外部 ”集成。
内部支持：加密技术可用于对AI栈进行内部更改，例如改变训练模型的技术手段。我们可以在人工智能栈中引入FHE技术，Privasea就是例子，在AI栈中直接内置了一个加密的部分，形成了一个经过修改的AI栈。
外部支持：加密技术用于支持基于AI的功能，而无需对AI栈进行修改。Bittensor就是一个例子，它激励用户贡献数据——这些数据可用于训练AI模型。在这种情况下，模型的训练或使用方式没有任何改变；AI栈也没有发生任何变化。不过，在 Bittensor网络中，使用经济激励措施有助于AI栈更好地实现其目的。
同样，AI也可以通过这两种方式帮助Crypto：
内部支持：AI技术用于crypto栈内部。AI位于链上，直接与crypto栈内的部分连接。举例来说，链上的AI agents管理着一个 DAO。这种AI不只是协助cypto栈。它是技术栈中不可分割的一部分，深深嵌入技术栈中，使 DAO 正常运行。
外部支持：AI为crypto栈提供外部支持。AI用于支持Crypto栈，而不对其进行内部更改。Dorsa等平台使用AI模型来确保智能合约的安全。AI在链外，是一种外部工具，用于使编写安全智能合约的过程更快以及更便宜。
基于上述区别，我们现在可以将原始框架扩展到 2x2 矩阵。AI可以通过两种方式帮助Crypto：栈的内部和外部。这同样适用于Crypto帮助AI。这就为我们提供了一个框架的 4 个支柱，如下图所示。
对任何AI x Crypto项目进行分析的第一阶段就是确定它属于哪个类别。
# 2.4 确定瓶颈
与外部支持相比，以深度技术整合为特点的内部支持往往有更多的技术难度。例如，如果我们想通过引入FHE或零知识证明（ZKPs）来修改AI栈，我们就需要在密码学和AI方面都有相当专业知识的技术人员。但很少有人属于这一交叉领域。这些公司包括Modulus (opens new window)、EZKL (opens new window)、Zama (opens new window)和Privasea (opens new window)。
因此，这些公司需要大量资金和稀有人才来推进其解决方案。让用户在智能合约中集成人工智能同样需要深入的知识；Ritual (opens new window)和Ora (opens new window)等公司必须解决复杂的工程问题。
反之，外部支持也有瓶颈，但它们通常涉及的技术复杂性较低。例如，为AI agents添加加密货币支付功能并不需要我们对模型有太大修改。实现起来相对容易。虽然对于AI工程师来说，构建一个ChatGPT插件，让 ChatGPT从DeFi LLama (opens new window)网页上获取统计数据在技术上并不复杂，但很少有AI工程师是crypto社区的成员。虽然这项任务在技术上并不复杂，但能够使用这些工具的AI工程师却寥寥无几，而且很多人都不知道这些可能性。
| 说明 | 创新的主要瓶颈 |
|---|---|
| crypto在内部帮助 AI | 需要解决基本深层技术挑战，包括扩展 ZKML和扩展同态加密 |
| crypto从外部帮助 AI | 良好的经济模型（例如如何激励数据收集，或奖励为AI网络工作贡献 GPU 的用户) |
| AI在内部帮助crypto | 工程挑战。相对于crypto栈而言，AI工具已经成熟。添加AI需要解决复杂的工程问题 |
| AI为crypto提供外部帮助 | crypto领域AI人才稀缺 |
# 2.5 测量效用
所有这四个类别中都会有好项目。
如果将人工智能集成到加密技术堆栈中，智能合约开发者将能够访问链上的人工智能模型，从而增加可能性的数量，并有可能带来广泛的创新。这同样适用于将加密整合到人工智能堆栈的情况——深度技术融合将产生新的可能性。
在人工智能为加密提供外部帮助的情况下，人工智能技术的集成很可能会改进现有产品，同时产生较少的突破，引入较少的可能性。例如，使用人工智能模型编写智能合约可能会比以前更快、更便宜，也可能会提高安全性，但不太可能产生以前不可能产生的智能合约。这同样适用于加密技术从外部帮助人工智能——代币激励可以用于人工智能堆栈，但这本身不太可能重新定义我们训练人工智能模型的方式。
总之，将一种技术整合到另一种技术栈中可能会产生新的功能，而使用技术栈之外的技术则可能会提高可用性和效率。
# 2.6 评估项目
我们可以根据特定项目所处的象限来估算其部分收益，因为技术之间的内部支持可以带来更大的回报，但估算一个项目经风险调整后的总收益则需要我们考虑更多的因素和风险。
需要考虑的一个因素是，所考虑的项目在Web2、Web3或两者的背景下是否都有用。具有FHE功能的人工智能模型可用于替代不具有FHE功能的人工智能模型——引入FHE功能对两个领域都有用，在任何情况下，隐私都是有价值的。不过，将人工智能模型集成到智能合约中只能在 Web3 环境中使用。
如前所述，人工智能和加密领域之间的技术整合是在项目内部还是外部进行的，也将决定项目上升潜力，涉及内部支持的项目往往会产生新的能力和更大的效率提升，而这是更有价值的。
我们还必须考虑这项技术成熟的时间跨度，这将决定人们需要等待多长时间才能获得回报。
对项目的投资。要做到这一点，可以分析当前的进展情况，并找出与项目相关的瓶颈问题（见第 2.4 节）。
# 2.7 了解复杂产品
有些项目涉及我们所描述的四个类别的组合，而不仅仅是一个类别。在这种情况下，与项目相关的风险和收益往往会成倍增加，项目实施的时间跨度也会更长。
此外，您还必须考虑项目的整体性是否优于各部分的总和——一个项目如果什么都有，往往不足以满足最终用户的需求。重点突出的方法往往会产生优秀的产品。
利用加密技术和人工智能的所有四种组合可以使项目更有价值，但前提是整体大于部分之和。
# 2.7.1 示例一：Flock.io
Flock.io (opens new window)允许在多个服务器之间 "分割 "训练模型，任何一方都无法访问所有训练数据。由于可以直接参与模型的训练，因此您可以使用自己的数据为模型做出贡献，而不会泄露任何数据。这有利于保护用户隐私。随着人工智能堆栈（模型训练）的改变，这涉及到加密在内部帮助人工智能。
此外，他们还使用加密代币奖励参与模型训练的人员，并使用智能合约对破坏训练过程的人员进行经济处罚。这并不会改变训练模型所涉及的流程，底层技术保持不变，但各方在都需要遵循链上罚没机制。这是加密技术从外部帮助人工智能的一个例子。
最重要的是，加密技术在内部帮助人工智能引入了一种新的能力：模型可以通过去中心化网络进行训练，同时保持数据的私密性。然而，从外部帮助人工智能的加密货币并没有引入新的能力，因为代币只是用来激励用户为网络做出贡献。用户可以用法币获得补偿，而用加密货币激励是一种更优解，可以提高系统的效率，但它并没有引入新的能力。
# 2.7.2 示例二：洛克菲勒机器人
洛克菲勒机器人 (opens new window)是一个在链上运行的交易机器人。它使用人工智能来决定进行哪些交易，但由于人工智能模型本身并不在智能合约上运行，因此我们依赖于服务提供商为我们运行模型，然后告诉智能合约人工智能的决定，并向智能合约证明他们没有说谎。如果智能合约不检查服务提供商是否说谎，服务提供商就可能代表我们进行有害的交易。洛克菲勒机器人允许我们使用ZK证明向智能合约证明服务提供商没有撒谎。在这里，ZK被用来改变人工智能堆栈。人工智能堆栈需要采用ZK技术，否则我们就无法使用ZK来证明模型对智能合约的决定。
由于采用了ZK技术，由此产生的人工智能模型输出具有可验证性，可以从区块链上进行查询，这意味着该人工智能模型在加密堆栈内部使用。在这种情况下，我们在智能合约中使用了人工智能模型，以公平的方式决定交易和价格。如果没有人工智能，这是不可能实现的。
