加密貨幣 x人工智能：我們在2025年關注的10個領域
在接下來的12個月裡，我們期待看到越來越複雜的語言系統與不同的數據類型和神經網絡架構相結合，推動整體設計空間的發展。在AI智能體與加密貨幣的熱議中，本文分享了2025年值得關注的10個領域。1. 智能體間互動
區塊鏈的默認透明性和可組合性使其成為智能體間互動的理想基礎設施，不同實體為不同目的開發的智能體可以無縫地相互互動。已經有很多關於智能體互相轉賬、共同發行代幣等方面的實驗。我們期待看到智能體間互動如何通過創建全新的應用場景, 例如由智能體互動驅動的新社交平臺以及通過改善我們今天知道的繁瑣企業工作流程（從平臺認證和驗證到小額支付、跨平臺工作流程集成等）來實現規模化。
aethernet 和 Clanker 在 Warpcast 上共同發行代幣
2. 去中心化智能體組織
大規模的多智能體協調是另一個令人興奮的研究領域。多智能體系統如何協同工作完成任務、解決問題以及治理系統和協議？在2024年初的文章《加密貨幣與人工智能應用的承諾與挑戰》中，Vitalik 提到利用 AI 智能體進行預測市場和裁決。在大規模應用下，他本質上認為，多智能體系統具有非凡的“真相”發現能力和一般的自治治理系統。我們期待看到多智能體系統的能力和“群體智能”形式如何繼續被發現和實驗。
作為智能體間協調的擴展，智能體與人類的協調是一個有趣的設計空間——特別是社區如何圍繞智能體進行互動，或智能體如何組織人類進行集體行動。我們期待看到更多關於智能體目標函數涉及大規模人類協調的實驗。這需要配合某種驗證機制，尤其是當人類工作發生在鏈下時，但這可能會產生一些非常奇特和有趣的湧現行為。
3.智能體多媒體娛樂
數字化人格的概念已存在數十年。初音未來（2007年）曾在20,000座的場館內售罄，而Lil Miquela（2016年）在Instagram上有超過200萬粉絲。更新的、較不為人知的例子包括AI虛擬主播Neuro-sama（2022年），在Twitch上擁有超過60萬訂閱者，以及匿名的Kpop男團@plave_official/featured”>PLAVE（2023年），在不到兩年內在YouTube上獲得超過3億觀看次數。隨著AI基礎設施的進步以及區塊鏈在支付、價值轉移和開放數據平臺中的整合，我們期待看到這些智能體如何變得更加自主，並有可能在2025年解鎖一種新的主流娛樂類別。
從左上角順時針方向：初音未來、Luna by Virtuals、Lil Miquela 和 PLAVE
4. 生成型/智能體內容營銷
在前一個案例中，智能體本身就是產品，而在另一個場景中，智能體則可以補充產品。在注意力經濟中，持續不斷地提供引人注目的內容對於任何想法、產品、公司等的成功至關重要。生成型/智能體內容是團隊可以用來確保可擴展的、24/7內容創作管道的強大工具。這個理念空間在關於區分memecoin和智能體的討論中得到了加速。智能體是memecoin獲取分發的強大方式，即使它們還不完全是“智能體”（但未來可能會是）。
另一個例子是，@archetype/from-players-to-gods-games-and-autonomous-worlds”>遊戲越來越需要更加動態化，以維持用戶的參與度。創造遊戲動態性的經典方法之一是培養用戶生成內容；純生成內容（從遊戲內物品到NPC，再到完全生成的關卡）可能是這一演變的下一個時代。我們對2025年智能體能力如何擴展傳統分發策略的邊界充滿好奇。
- Katie
5. 下一代藝術工具/平臺
在2024年，我們推出了@archetype“>《IN CONVERSATION WITH》系列訪談，採訪了在音樂、視覺藝術、設計、策展等領域，處於加密前沿的藝術家。今年訪談中的一個關鍵觀察是，對加密感興趣的藝術家通常也對前沿技術感興趣，並且希望這些技術能夠更好地融入他們的實踐領域，即增強現實/虛擬現實物體、基於代碼的藝術和實時編碼。
生成藝術尤其與區塊鏈存在協同效應，使得它作為AI藝術的類似基礎設施的潛力更加明顯。傳統平臺上正確展示和展示這些藝術媒介非常困難。ArtBlocks為區塊鏈如何改善數字藝術的展示、存儲、貨幣化和保存提供了一個未來的縮影——改善了藝術家和觀眾的整體體驗。除了展示外，AI工具甚至擴展了普通人創作藝術的能力。2025年，區塊鏈如何擴展或為這些工具提供支持將是非常有趣的。
- Katie
《IN CONVERSATION WITH》節選：Maya Man
6. 數據市場
自Clive Humby提出“數據是新的石油”這一說法以來的20年裡，公司採取了強有力的措施來囤積和貨幣化用戶數據。用戶已經意識到，他們的數據是這些數十億美元公司構建的基礎，但他們對數據的利用幾乎沒有控制權，也無法分享它所帶來的利潤。強大AI模型的加速使這種緊張局勢更加嚴重。如果應對用戶剝削是數據機會的一部分，另一部分則是解決數據供應短缺的問題，因為越來越大、更好的模型消耗了公共互聯網數據中易於獲取的油田，並且需要新的數據來源。
關於如何利用去中心化基礎設施將數據的權力重新歸還給其源頭（用戶），這是一個廣闊的設計空間，涉及多個領域的創新解決方案。最緊迫的問題之一包括：數據存儲在哪裡，以及我們如何在存儲、傳輸和計算過程中保持隱私；我們如何客觀地對數據質量進行基準測試、過濾和評估；我們使用什麼機制進行歸屬和貨幣化（尤其是當價值在推理後追溯到源頭時）；以及在多元化模型生態系統中，我們使用什麼樣的編排或數據檢索系統。
關於解決供應約束的第二個問題，這不僅僅是嘗試通過代幣複製Scale AI，而是理解在技術推動力的背景下，我們可以在哪些方面取得優勢，以及如何構建有競爭力的解決方案，不論是在規模、質量，還是更好的激勵（和過濾）機制方面，以創造更高價值的數據產品。尤其是當需求方大部分仍來自web2 AI時，思考如何將智能合約強制執行機制與傳統的SLA和工具相結合，是一個值得關注的重要領域。
- Danny
7. 去中心化計算
如果數據是人工智能開發和部署的基本構建塊，那麼計算就是另一個。大數據中心的傳統範式，它們獨特地訪問站點、能源和硬件，在過去幾年中在深度學習和AI的軌跡上發揮了主導作用，但物理限制和開源發展開始挑戰這種動態。
去中心化AI的v1版本類似於web2 GPU雲，沒有在供應（硬件或數據中心）上真正的優勢，且需求較少。到了v2版本，我們開始看到一些出色的團隊在異構高性能計算（HPC）的供應上構建完善的技術棧，具備編排、路由和定價的能力，以及一些額外的專有功能，旨在吸引需求並應對利潤壓縮，尤其是在推理方面。團隊也開始根據用例和市場策略進行分化，一些團隊專注於將編譯器框架融入高效的推理路由，而另一些則在他們構建的計算網絡之上開創分佈式模型訓練框架。
我們甚至開始看到一個AI-Fi市場的出現，其中有創新的經濟原語，將計算和GPU轉化為收益資產，或者利用鏈上流動性為數據中心提供一種替代資本來源，用以獲取硬件。這裡的主要問題是，去中心化AI將在哪種程度上在去中心化計算基礎設施上開發和部署，還是像存儲一樣，意識形態與實際需求之間的差距永遠無法充分縮小，無法實現這一理念的全部潛力。
- Danny
8. 計算核算標準
與去中心化高性能計算的網絡激勵相關，協調異構計算的一個主要挑戰是缺乏統一的計算核算標準。AI模型在高性能計算（HPC）的輸出空間中獨特地增加了多個複雜因素，從模型變種和量化到通過模型的溫度和採樣超參數調節的隨機性水平。此外，AI硬件還可能通過基於GPU架構和CUDA版本的不同輸出引入更多複雜性。最終，這就需要有標準來規範模型和計算市場如何在跨越異構分佈式系統時計算其能力。
至少部分由於缺乏標準，我們今年在web2和web3中看到多個實例，模型和計算市場未能準確核算其計算的質量和數量。這導致用戶不得不通過運行自己的對比模型基準測試以及通過限速這些計算市場進行工作證明，以審計這些AI層的真實性能。
鑑於加密領域的核心理念是可驗證性，我們希望2025年加密與AI的結合能比傳統AI更易於驗證。具體來說，重要的是普通用戶能夠對給定模型或集群的各個方面進行公正的比較，特別是定義其輸出的因素，以便審計和基準測試系統的性能。
- Aadharsh
9. 概率隱私原語
在《加密與AI應用的承諾與挑戰》一文中，Vitalik提到了加密和AI結合中的一個獨特挑戰：
“在加密學中，開源是使某樣東西真正安全的唯一方式，但在AI中，模型（甚至其訓練數據）一旦開源，就大大增加了其遭受對抗性機器學習攻擊的風險。”
雖然隱私並不是區塊鏈中的新研究領域，但我們相信，AI的普及將繼續加速加密隱私原語的研究和使用。今年，隱私增強技術，如零知識證明（ZK）、同態加密（FHE）、可信執行環境（TEE）和多方計算（MPC），已經在加密數據計算等一般應用場景中取得了重大進展。與此同時，我們也看到像Nvidia和Apple這樣的集中式AI巨頭，在使用專有的TEE進行聯邦學習和私密AI推理時，保持硬件、固件和模型在各系統之間的一致性。
考慮到這一點，我們將密切關注如何在隨機狀態轉移中保持隱私，以及這些技術如何加速異構系統上真實去中心化AI應用的進展——從去中心化的私密推理到加密數據的存儲/訪問管道，再到完全自主的執行環境。
- Aadharsh
Apple的Apple Intelligence技術棧和Nvidia的H100 GPU
10. 智能體意圖與下一代用戶交易界面
AI智能體的一個近期應用場景是利用它們在我們的授權下自主進行鏈上交易。不可否認，在過去12到16個月裡，關於什麼構成意圖、智能體行為、智能體意圖、解算器、智能體解算器等方面的定義，語言模糊不清，且這些概念與近年來更傳統的“機器人”開發之間的區別也不明確。
在接下來的12個月裡，我們很高興看到越來越複雜的語言系統與不同數據類型和神經網絡架構相結合，以推動整體設計空間的進展。智能體是否會使用我們今天使用的相同鏈上系統進行交易，還是會開發自己的工具/方法來進行鏈上交易？大語言模型（LLM）是否會繼續作為這些智能體交易系統的後端，還是會有完全不同的系統？在界面層，用戶是否會開始使用自然語言進行交易？經典的“錢包即瀏覽器”理論是否最終會實現？
- Danny, Katie, Aadharsh, Dmitriy
免責聲明：
- 本文轉載自【Archetype】，所有版權歸原作者所有【Archetype】。若對本次轉載有異議，請聯繫 Gate Learn 團隊，他們會及時處理。
- 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，不構成任何投資建議。
- Gate Learn 團隊將文章翻譯成其他語言。除非另有說明，否則禁止複製、分發或抄襲翻譯文章。
Mời người khác bỏ phiếu
Bài viết liên quan
什麼是穩定幣 USDT？
加密貨幣 x人工智能：我們在2025年關注的10個領域
1. 智能體間互動
2. 去中心化智能體組織
3.智能體多媒體娛樂
4. 生成型/智能體內容營銷
5. 下一代藝術工具/平臺
6. 數據市場
7. 去中心化計算
8. 計算核算標準
9. 概率隱私原語
10. 智能體意圖與下一代用戶交易界面
1. 智能體間互動
區塊鏈的默認透明性和可組合性使其成為智能體間互動的理想基礎設施，不同實體為不同目的開發的智能體可以無縫地相互互動。已經有很多關於智能體互相轉賬、共同發行代幣等方面的實驗。我們期待看到智能體間互動如何通過創建全新的應用場景, 例如由智能體互動驅動的新社交平臺以及通過改善我們今天知道的繁瑣企業工作流程（從平臺認證和驗證到小額支付、跨平臺工作流程集成等）來實現規模化。
aethernet 和 Clanker 在 Warpcast 上共同發行代幣
2. 去中心化智能體組織
大規模的多智能體協調是另一個令人興奮的研究領域。多智能體系統如何協同工作完成任務、解決問題以及治理系統和協議？在2024年初的文章《加密貨幣與人工智能應用的承諾與挑戰》中，Vitalik 提到利用 AI 智能體進行預測市場和裁決。在大規模應用下，他本質上認為，多智能體系統具有非凡的“真相”發現能力和一般的自治治理系統。我們期待看到多智能體系統的能力和“群體智能”形式如何繼續被發現和實驗。
作為智能體間協調的擴展，智能體與人類的協調是一個有趣的設計空間——特別是社區如何圍繞智能體進行互動，或智能體如何組織人類進行集體行動。我們期待看到更多關於智能體目標函數涉及大規模人類協調的實驗。這需要配合某種驗證機制，尤其是當人類工作發生在鏈下時，但這可能會產生一些非常奇特和有趣的湧現行為。
3.智能體多媒體娛樂
數字化人格的概念已存在數十年。初音未來（2007年）曾在20,000座的場館內售罄，而Lil Miquela（2016年）在Instagram上有超過200萬粉絲。更新的、較不為人知的例子包括AI虛擬主播Neuro-sama（2022年），在Twitch上擁有超過60萬訂閱者，以及匿名的Kpop男團@plave_official/featured”>PLAVE（2023年），在不到兩年內在YouTube上獲得超過3億觀看次數。隨著AI基礎設施的進步以及區塊鏈在支付、價值轉移和開放數據平臺中的整合，我們期待看到這些智能體如何變得更加自主，並有可能在2025年解鎖一種新的主流娛樂類別。
從左上角順時針方向：初音未來、Luna by Virtuals、Lil Miquela 和 PLAVE
4. 生成型/智能體內容營銷
在前一個案例中，智能體本身就是產品，而在另一個場景中，智能體則可以補充產品。在注意力經濟中，持續不斷地提供引人注目的內容對於任何想法、產品、公司等的成功至關重要。生成型/智能體內容是團隊可以用來確保可擴展的、24/7內容創作管道的強大工具。這個理念空間在關於區分memecoin和智能體的討論中得到了加速。智能體是memecoin獲取分發的強大方式，即使它們還不完全是“智能體”（但未來可能會是）。
另一個例子是，@archetype/from-players-to-gods-games-and-autonomous-worlds”>遊戲越來越需要更加動態化，以維持用戶的參與度。創造遊戲動態性的經典方法之一是培養用戶生成內容；純生成內容（從遊戲內物品到NPC，再到完全生成的關卡）可能是這一演變的下一個時代。我們對2025年智能體能力如何擴展傳統分發策略的邊界充滿好奇。
- Katie
5. 下一代藝術工具/平臺
在2024年，我們推出了@archetype“>《IN CONVERSATION WITH》系列訪談，採訪了在音樂、視覺藝術、設計、策展等領域，處於加密前沿的藝術家。今年訪談中的一個關鍵觀察是，對加密感興趣的藝術家通常也對前沿技術感興趣，並且希望這些技術能夠更好地融入他們的實踐領域，即增強現實/虛擬現實物體、基於代碼的藝術和實時編碼。
生成藝術尤其與區塊鏈存在協同效應，使得它作為AI藝術的類似基礎設施的潛力更加明顯。傳統平臺上正確展示和展示這些藝術媒介非常困難。ArtBlocks為區塊鏈如何改善數字藝術的展示、存儲、貨幣化和保存提供了一個未來的縮影——改善了藝術家和觀眾的整體體驗。除了展示外，AI工具甚至擴展了普通人創作藝術的能力。2025年，區塊鏈如何擴展或為這些工具提供支持將是非常有趣的。
- Katie
《IN CONVERSATION WITH》節選：Maya Man
6. 數據市場
自Clive Humby提出“數據是新的石油”這一說法以來的20年裡，公司採取了強有力的措施來囤積和貨幣化用戶數據。用戶已經意識到，他們的數據是這些數十億美元公司構建的基礎，但他們對數據的利用幾乎沒有控制權，也無法分享它所帶來的利潤。強大AI模型的加速使這種緊張局勢更加嚴重。如果應對用戶剝削是數據機會的一部分，另一部分則是解決數據供應短缺的問題，因為越來越大、更好的模型消耗了公共互聯網數據中易於獲取的油田，並且需要新的數據來源。
關於如何利用去中心化基礎設施將數據的權力重新歸還給其源頭（用戶），這是一個廣闊的設計空間，涉及多個領域的創新解決方案。最緊迫的問題之一包括：數據存儲在哪裡，以及我們如何在存儲、傳輸和計算過程中保持隱私；我們如何客觀地對數據質量進行基準測試、過濾和評估；我們使用什麼機制進行歸屬和貨幣化（尤其是當價值在推理後追溯到源頭時）；以及在多元化模型生態系統中，我們使用什麼樣的編排或數據檢索系統。
關於解決供應約束的第二個問題，這不僅僅是嘗試通過代幣複製Scale AI，而是理解在技術推動力的背景下，我們可以在哪些方面取得優勢，以及如何構建有競爭力的解決方案，不論是在規模、質量，還是更好的激勵（和過濾）機制方面，以創造更高價值的數據產品。尤其是當需求方大部分仍來自web2 AI時，思考如何將智能合約強制執行機制與傳統的SLA和工具相結合，是一個值得關注的重要領域。
- Danny
7. 去中心化計算
如果數據是人工智能開發和部署的基本構建塊，那麼計算就是另一個。大數據中心的傳統範式，它們獨特地訪問站點、能源和硬件，在過去幾年中在深度學習和AI的軌跡上發揮了主導作用，但物理限制和開源發展開始挑戰這種動態。
去中心化AI的v1版本類似於web2 GPU雲，沒有在供應（硬件或數據中心）上真正的優勢，且需求較少。到了v2版本，我們開始看到一些出色的團隊在異構高性能計算（HPC）的供應上構建完善的技術棧，具備編排、路由和定價的能力，以及一些額外的專有功能，旨在吸引需求並應對利潤壓縮，尤其是在推理方面。團隊也開始根據用例和市場策略進行分化，一些團隊專注於將編譯器框架融入高效的推理路由，而另一些則在他們構建的計算網絡之上開創分佈式模型訓練框架。
我們甚至開始看到一個AI-Fi市場的出現，其中有創新的經濟原語，將計算和GPU轉化為收益資產，或者利用鏈上流動性為數據中心提供一種替代資本來源，用以獲取硬件。這裡的主要問題是，去中心化AI將在哪種程度上在去中心化計算基礎設施上開發和部署，還是像存儲一樣，意識形態與實際需求之間的差距永遠無法充分縮小，無法實現這一理念的全部潛力。
- Danny
8. 計算核算標準
與去中心化高性能計算的網絡激勵相關，協調異構計算的一個主要挑戰是缺乏統一的計算核算標準。AI模型在高性能計算（HPC）的輸出空間中獨特地增加了多個複雜因素，從模型變種和量化到通過模型的溫度和採樣超參數調節的隨機性水平。此外，AI硬件還可能通過基於GPU架構和CUDA版本的不同輸出引入更多複雜性。最終，這就需要有標準來規範模型和計算市場如何在跨越異構分佈式系統時計算其能力。
至少部分由於缺乏標準，我們今年在web2和web3中看到多個實例，模型和計算市場未能準確核算其計算的質量和數量。這導致用戶不得不通過運行自己的對比模型基準測試以及通過限速這些計算市場進行工作證明，以審計這些AI層的真實性能。
鑑於加密領域的核心理念是可驗證性，我們希望2025年加密與AI的結合能比傳統AI更易於驗證。具體來說，重要的是普通用戶能夠對給定模型或集群的各個方面進行公正的比較，特別是定義其輸出的因素，以便審計和基準測試系統的性能。
- Aadharsh
9. 概率隱私原語
在《加密與AI應用的承諾與挑戰》一文中，Vitalik提到了加密和AI結合中的一個獨特挑戰：
“在加密學中，開源是使某樣東西真正安全的唯一方式，但在AI中，模型（甚至其訓練數據）一旦開源，就大大增加了其遭受對抗性機器學習攻擊的風險。”
雖然隱私並不是區塊鏈中的新研究領域，但我們相信，AI的普及將繼續加速加密隱私原語的研究和使用。今年，隱私增強技術，如零知識證明（ZK）、同態加密（FHE）、可信執行環境（TEE）和多方計算（MPC），已經在加密數據計算等一般應用場景中取得了重大進展。與此同時，我們也看到像Nvidia和Apple這樣的集中式AI巨頭，在使用專有的TEE進行聯邦學習和私密AI推理時，保持硬件、固件和模型在各系統之間的一致性。
考慮到這一點，我們將密切關注如何在隨機狀態轉移中保持隱私，以及這些技術如何加速異構系統上真實去中心化AI應用的進展——從去中心化的私密推理到加密數據的存儲/訪問管道，再到完全自主的執行環境。
- Aadharsh
Apple的Apple Intelligence技術棧和Nvidia的H100 GPU
10. 智能體意圖與下一代用戶交易界面
AI智能體的一個近期應用場景是利用它們在我們的授權下自主進行鏈上交易。不可否認，在過去12到16個月裡，關於什麼構成意圖、智能體行為、智能體意圖、解算器、智能體解算器等方面的定義，語言模糊不清，且這些概念與近年來更傳統的“機器人”開發之間的區別也不明確。
在接下來的12個月裡，我們很高興看到越來越複雜的語言系統與不同數據類型和神經網絡架構相結合，以推動整體設計空間的進展。智能體是否會使用我們今天使用的相同鏈上系統進行交易，還是會開發自己的工具/方法來進行鏈上交易？大語言模型（LLM）是否會繼續作為這些智能體交易系統的後端，還是會有完全不同的系統？在界面層，用戶是否會開始使用自然語言進行交易？經典的“錢包即瀏覽器”理論是否最終會實現？
- Danny, Katie, Aadharsh, Dmitriy
免責聲明：
- 本文轉載自【Archetype】，所有版權歸原作者所有【Archetype】。若對本次轉載有異議，請聯繫 Gate Learn 團隊，他們會及時處理。
- 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，不構成任何投資建議。
- Gate Learn 團隊將文章翻譯成其他語言。除非另有說明，否則禁止複製、分發或抄襲翻譯文章。
Bài viết liên quan