Web3.0与AI的交汇点最近成为了一个非常热门的话题，许多开发者纷纷在这一技术交汇点上构建各种应用、协议和基础设施。从链上ChatGPT到AI克隆体，再到“自主AI代理”和去中心化金融（DeFi）中的机器学习模型，这个领域内充满了各种想法，其中一些比其他的更有实际意义。

但为什么AI需要去中心化？这种交汇点是否真的有意义？更重要的是，如何区分噪音和信号？在本文中，我们将为思考如何在去中心化网络和人工智能模型推理的交汇点上构建基础设施提供一个通用但稳健的框架。我们会保持现实主义的态度，解释这些技术交汇的实际影响，因为关于Web3.0与AI能够实现的潜力，今天存在许多夸大的说法。

引言

Web3.0和AI都是包含广泛不同技术和主题的热门词汇。两者交汇点可以大致分为两个核心子领域：

• 将Web3.0整合进AI：构建通用的AI基础设施，继承现代点对点区块链网络的特性，包括去中心化、抗审查、代币激励等。

• 将AI整合进Web3.0：构建基础设施，使Web3.0能够利用复杂的模型来增强新旧链上应用场景。

虽然这两个问题领域之间存在显著的重叠，它们并非相互排斥（例如，去中心化的链上交易代理可以被视为可行的应用场景），但我们有意进行这种子分类，因为这两个方向的技术挑战本质上具有不同的特性和时间框架。

让我们深入探讨。

去中心化AI（Web3.0 -> AI）

问题：那么，将Web3.0整合进AI意味着什么？

答案： 从高层次来看，正如我们之前描述的那样，这涉及构建基础设施，以去中心化使用AI模型，使用户始终能够访问开源且可信中立的AI。随着闭源AI逐渐占领世界，出于利益的考虑，可能在这些模型中引入偏见，这对模型的中立性构成了风险。为研究人员提供一个开放平台，供他们共享、迭代和开发AI，可能成为抵抗这些风险的关键形式。这与加密货币的理念相似：我们希望建立一个抗集中化失败点的系统，让人们能够在银行倒闭或政府失职时保持金融独立。同样，依赖像OpenAI这样的闭源AI公司意味着他们对您获取的信息拥有巨大控制权。

问题：为什么这很重要？

答案： 尤其是对于像AI这样强大的技术，集中控制存在潜在的风险。随着人们越来越依赖像ChatGPT这样的强大工具，如果一个集中化实体控制了AI，他们就可以有效地筛选公众可以获取的信息，控制人们接触到的叙述，甚至重新定义人们对某些话题的看法。这个想法变得越来越可怕，尤其是当你考虑到偏见不仅仅影响人类消费时，其他技术和模型也越来越依赖AI：有偏见的AI会产生有偏见的信息，而这些信息又会作为训练数据，用于创建更多有偏见的模型。

问题：那么AI推理的去中心化实际上是什么样子的？

答案： 在考虑推理之前，我们需要审视“去中心化”在广泛意义上的含义。通过分布式账本进行任何事物的去中心化，主要的价值主张包括透明性、可验证性和抗审查性。以以太坊为例：该网络为网络上发生的交易提供了完全透明度，通过共识和分叉选择机制确保了交易区块的可验证性，并通过允许任何人无需许可运行节点的方式提供了抗审查性。类似地，这些属性也可以被继承并应用于旨在去中心化推理的基础设施：推理执行的透明性、确保推理完整性的可验证性，以及通过允许任何人无需许可地上传或推理任何模型来实现抗审查性。

问题：如果这如此重要，为什么AI领域的人们并不关心Web3.0与AI的结合？

答案： 目前还没有AI技术的主动审查，所有人仍然可以访问AI，据我们所知，尚没有集中化实体有意识地以证明有害的方式向AI引入偏见。因此，AI领域的人们主要在解决如何改进模型的问题：如何提高模型输出质量，如何减少错误率，如何提高模型的可解释性等。当模型本身还有很大的改进空间时，抗审查性和中立性并不是人们的首要关注点，但我们已经看到像美国政府这样的实体正在预先采取措施，试图加强他们对AI的控制。

这也是为什么将Web3.0与AI的结合视为一个长期愿景；AI的审查与其模型的能力以及人们能用这些模型做什么紧密相关。当前，许多人可能不认为将AI放到链上是有意义的（因为去中心化带来了计算开销），但随着AI变得越来越强大，未来集中化实体介入限制访问、监管或货币化该技术的情况很可能发生。

因此，OpenGradient正积极构建一个面向AI模型的网络，以预见性地解决这个问题：从长远来看，通过去中心化基础设施来访问AI将是至关重要的，这将有助于民主化获取这种智能，防止影响的集中化、偏见的引入或彻底的审查。

问题：这是对一个AI被审查和监管的未来的过度担忧，Web3.0今天能为AI做些什么？

答案： Web3.0已经在创造经济激励结构方面表现出了实用性，尤其是通过加密货币代币的分发和消费。类似于以太坊上使用代币作为计算Gas，代币也可以用来激励和刺激供应方为代币发行者的使命做出贡献。目前，几乎没有激励机制促使开发者创建开源模型，因为闭源模型是唯一的研发货币化方式。然而，加密经济激励结构引入了多种途径，可以通过允许研究人员货币化开源模型，推动开源AI的发展。一些代币货币化模型的形式包括：

• 赏金猎人系统，研究人员通过构建达到特定目标的开源模型获得代币奖励

• 按推理消耗付费（类似于OpenAI的模式）

• 代币权益模型，模型的所有权本身是去中心化的。

这些都是Web3.0为开源AI的迅速发展带来的令人兴奋的催化剂，也是OpenGradient当前的重点开发工作之一。

链上AI（AI -> Web3.0）

问题：我们讨论了Web3.0能为AI做什么，那么AI能为Web3.0做什么？

答案： AI集成到现有Web3.0应用和技术中的确是今天可以开发的现实用例，这也是为什么在OpenGradient，我们将AI与Web3.0的整合作为一个中期愿景来努力实现。示例包括自主算法交易代理、借贷协议中的风险模型、AMM中的动态价差报价、具有动态艺术的NFT、利用状态化大语言模型的GameFi等。值得注意的是，由于生成式AI工具的普及，人们在听到“AI”一词时往往会过度集中在生成式AI上。考虑到经典机器学习在Web3.0中，尤其是在DeFi中的应用场景，仍然非常强大。复杂建模技术在交易/金融中的应用也并非前所未有，量化金融行业围绕利用建模来应对资产管理和交易挑战而展开。我们团队目前正在积极研究的一个重要用例是利用OpenGradient的基础设施，在Uniswap V4中应用ML模型计算动态费用，这可能最终会减少AMM流动性提供者的无常损失。

问题：如果AI -> Web3.0真的如此强大，为什么没有更多AI驱动的dApps？

答案： 我们已经开始看到越来越多的dApps逐渐在其去中心化应用中利用AI和ML，比如AI驱动的收益农场或AI驱动的加密货币价格预测。然而，在Web3.0中开发AI应用非常具有挑战性。构建生产级的AI/ML系统来服务推理请求，以可扩展的方式进行已经是一项艰巨的任务，开发者还必须担心如何确保推理的安全性。对于链上应用，信任和安全是必须的，以防止对抗性攻击（例如需要确保推理正确执行，否则可能有人会伪造结果作为攻击手段），而通过密码学机制实现AI/ML的信任计算既非常新颖又非常困难。要构建一个利用AI的Web3.0应用，开发者需要确保GPU计算资源，托管模型于推理服务器上，构建证明生成系统，使用硬件加速推理和生成证明，同时还需要有链上合约来验证这些证明。

在OpenGradient，我们认识到这是该领域快速发展的主要障碍之一：因此，我们正在开发基础设施，使Web3.0开发者能够无缝地直接在链上利用AI推理，同时允许他们根据自己的应用场景选择多种密码学安全机制进行定制。只需从去中心化文件存储中选择一个模型，将其传递到一个简单的函数调用中，就可以运行安全的推理！

问题：我们需要做些什么才能加速实现链上AI？

答案： 除了通过简单的函数调用提供端到端解决方案以外，为了最终减少这些障碍，并实现Web3.0与AI愿景的全部潜力，我们认为有三个原则是创建基础设施以促进这一技术交汇点蓬勃发展的关键。

• 可组合性：开发者可以像拼AI积木一样轻松地在智能合约中组合模型，创建强大的用例，构建他们想要的任何东西。

• 互操作性：开发者可以从任何区块链对模型发起跨链查询，并获得他们进行推理所需的任何数据。

• 可验证性：开发者可以在所有应用中定制推理的安全性，从高杠杆用例到娱乐用例都适用。

这些是OpenGradient网络正在其基础设施中纳入的设计主题，旨在将AI的使用定制化，以适应Web3.0的需求。

OpenGradient：构建Web3.0与AI的未来在OpenGradient，我们正在构建一个区块链网络，作为链上AI推理的可组合执行层。该网络提供可扩展且安全的模型推理访问，允许开发者在可组合的智能合约中无缝利用AI模型，创建强大的应用程序。

当涉及到Web3.0与AI的整合时，我们拥有多方面的愿景。正如我们所讨论的，Web3.0与AI的整合涉及多个方向，以下是我们全面呈现整合方案的方式：

(1) AI → Web3.0（短期）： 通过无缝且安全的AI和ML访问，推动Web3.0协议和dApp实现更智能的功能，带来变革。

(2) 加速开源AI（中期）： 通过为AI研究人员创建Web3.0激励结构的平台，加速开源AI的发展，例如模型代币化、为推理收取Gas费用、去中心化模型所有权等。

(3) Web3.0 → AI（长期）： 与Web2.0 AI集成，成为可验证AI的通用推理提供者，具备可扩展性、安全性和抗审查能力。

总结而言，我们希望这篇文章为您提供了一个思考Web3.0与AI交汇点影响的良好框架，并明确了在推理领域所解决的两个主要子类问题。

请继续关注我们的旅程！

此次研究将专注于开发模型，以智能计算Uniswap V4 AMM的动态费用，从而减少流动性提供者的净无常损失。

推理的模型、证明生成和确保推理安全的验证都将由OpenGradient提供支持。OpenGradient是一个EVM区块链网络，作为链上AI推理的可组合执行层。该网络提供可扩展且安全的模型推理访问，允许开发者在可组合的智能合约中无缝利用AI模型，创建强大的去中心化应用程序和使用场景。

您可能还记得在我们之前的文章《区块链上的AI/ML应用》中，AMM动态费用是链上推理最具影响力的应用场景之一。团队对能够在此次研究中直接解决这一应用场景感到非常兴奋。

Uniswap AMM

去中心化交易所的AMM池在过去几年中迅速走红，Uniswap等AMM的总锁定价值（TVL）在高峰时超过100亿美元，每天的交易量达数十亿美元。他们也在不断迭代协议的设计，最近宣布了即将发布的V4设计。

虽然我们非常喜欢去中心化的做市，但不幸的是，大多数AMM中的流动性提供者不仅无法盈利，实际上由于无常损失，最终往往净亏损。无常损失是指由于AMM池中两种资产价格比率的偏离，导致流动性头寸价值的损失。

从上述内容可以看出，无常损失往往会超过AMM池中的费用收入。如果做市在Web3中不盈利，那么为什么像Citadel Securities这样的中心化做市商能够连续15个季度产生超过10亿美元的收入呢？

答案在于做市的费用机制：中心化做市商有复杂的模型，能够根据市场情况调整他们的报价差价，而AMM则在任何市场环境下都收取相同的费用。这意味着当市场极度波动时，套利者以较低的费用与流动性提供者（LP）交易，导致无常损失；而当市场非常平静时，交易者可能选择在收费较低的中心化交易平台上交易，这减少了LP的收入。

引入：OpenGradient

如前所述，OpenGradient是一个区块链网络，可以支持原生AI/ML推理，直接在链上进行计算、保障安全并进行验证；所有设计都是无缝衔接的，使得利用AI/ML像简单调用函数一样容易。

我们正在设计推理模型，以适应不同用例的需求，具体取决于速度、成本、可验证性和安全性的要求。除了基础的推理之外，其他变体包括通过像opML（乐观机器学习）和zkML（零知识机器学习）这样的协议实现的安全推理，以及在可信执行环境（TEE）中为隐私设计的推理等。推理的可验证性和安全性将解锁高风险的AI和ML应用场景，例如DeFi，这是我们非常期待探索的领域。

OpenGradient团队正在进行的研究重点是创建一个动态费用计算模型，该模型能够根据市场状况调整AMM交易中的费用。这不仅可以在波动市场中减少LP的净无常损失，还能在非波动市场中为零售交易者带来更低的费用。

正如上面的解释所示，随着OpenGradient的动态费用机制，Uniswap V4将在链上交易的对抗性世界中逐渐成为一个更加可持续的DeFi协议。

流动性提供者将获益，因为从长远来看，他们将遭受更少的净无常损失。普通交易者也将获益，因为在非波动市场中，大多数用户进行正常交易时，他们实际上可以享受更低的费用。投机套利者则会受到损失，因为当他们与流动性池进行套利时，较高的费用会减少他们的净利润。如果您一直在Medium上关注OpenGradient的发布内容，您应该已经通过我们之前的实验了解了相关背景。请查看我们进行的AMM模拟实验的详细说明，我们通过一个概念验证的回归模型动态报价费用：《使用链上ML模型保护AMM流动性》。

除了简单的AMM动态费用计算，OpenGradient的基础设施还广泛适用于Web3中的各种不同应用场景。通过利用跨链查询，我们旨在为不同的区块链生态系统带来无信任的推理能力，增强其dApps。在像Arbitrum这样的EVM区块链上，智能合约可以通过简单的跨链查询启用各种智能dApps和智能功能。

最后，我们非常兴奋地看到，OpenGradient的基础设施与Uniswap的集成为DeFi领域的新研究方向打开了大门。通过迭代模型来改进初始费用计算模型，或构建复杂的模型以在Uniswap上创建新的用例，例如：

• 链上系统化交易策略

• 基于AI驱动的智能执行

• 用于预测交易毒性、根据交易者的档案调整交易费用的模型

• 使用隐马尔可夫模型（HMM）市场状态模型，根据不同的市场环境调整费用

• 融入AI生成的信用评分，调整费用

结论

OpenGradient团队不仅在开发网络，同时也在研究Web3.0 DeFi中核心的AI/ML用例。为了推动Web3.0的发展，重要的是我们为生态系统提供必要的工具，使AMM等基础协议（以及更多！）变得越来越智能、流畅和成熟。我们计划站在前沿，推动加密生态系统的计算能力增强，以支持更智能功能的开发。

如果您喜欢这篇内容，请关注我们的社交平台！我们正在构建的基础设施不仅会支持智能AMM，还将启用更多的用例。希望您和我们一样期待在Web3中引入无信任、可扩展且原生的AI/ML推理。

Twitter: https://x.com/OpenGradient

Discord: https://discord.gg/y8RD2VEa

我们都听说过机器学习，但什么是零知识机器学习（zkML）呢？在本文中，我们将从高层次拆解它的概念，并解释其在各种应用场景中的重要性。

引言

零知识机器学习（zkML）是一种密码学协议，其中在给定输入的情况下计算AI模型输出的一方，还会生成一个密码学证明，来有效地证明关于该计算的某些事实。（注意：在AI或ML模型上从输入计算输出也称为“推理”）

通过zkML，计算推理结果的一方可以证明类似以下的陈述：

“我在Y模型上运行了X输入，生成了Z输出。”

好了，显然zkML中的“ML”指的是机器学习。那么，什么是零知识（ZK）呢？zkML的神奇之处在于，证明者可以在保留某些元素（如上述示例中的X、Y或Z）不被验证者知晓的情况下，证明这些陈述是正确的。换句话说，证明者可以在不泄露某些计算元素的前提下，证明某件事是真实的。更实际的例子是，零知识属性可能看起来如下：

“我在Y模型上运行了X输入，生成了Z输出，我可以证明这一点，但无需透露Y模型的具体权重。”

这就像为推理生成一个密码学“收据”，但与证明购买不同，它证明的是某一特定计算的发生。

但为什么zkML很重要？它如何影响我们的日常生活？继续阅读，我们将为您解答！

zkML的意义

机器智能的日益普及是不可否认的，它几乎渗透了现代生活的各个方面，并迅速扩展到多个行业。从驱动您在线购物行为的推荐系统，到为金融市场提供动力的量化交易系统，AI已经成为我们日常生活中的重要组成部分。

但通常，普通人对此几乎不加思考。

当你在ChatGPT上输入查询时，你会默认信任OpenAI使用正确的模型执行正确的查询。当你问Siri关于特朗普政治立场的问题时，你信任苹果的服务器正确地进行推理。

一开始，这似乎没什么问题，但当你将AI公司的膨胀计算成本放在更大的背景中考量时，实际上这些公司有强大的财务动机去使用更便宜的模型进行推理，或者操纵查询来显著降低它们的计算成本。

当ChatGPT的回复质量突然下降，或你的生成艺术NFT不如预期时，这看起来无伤大雅。但如果一家金融科技公司使用了更便宜的模型，导致了不准确的风险评估怎么办？又或者一家医疗AI公司使用了更便宜的模型，导致了错误的阴性诊断怎么办？

我们并不是说AI公司会这样做，但如果他们决定这样做，没有人会知道，并且公众完全没有办法去验证或对此采取任何行动。

应用场景

那么zkML的核心应用场景是什么？我们将其分为几个核心类别，并举出一些例子。需要注意的是，zkML之所以在区块链上高度适用，是因为大多数区块链虚拟机（VM）不支持像推理这样的计算密集型操作。因此，为了在VM之外进行计算，zkML需要在VM内验证这些操作。这也是为什么zkML被认为是区块链有效利用AI和ML的关键基础设施。

去中心化金融（DeFi）

– AMM中的动态价差计算，用于流动性保护– DeFi协议的复杂风险引擎– 链上衍生品定价模型

NFTs/GameFi

– 使用扩散模型生成NFT艺术– 使用大语言模型（LLM）进行链上GameFi对话生成

Web3.0安全

– 链上智能合约漏洞检测

AI驱动的链上声誉系统

– 链上声誉系统，用于衡量AMM交易中的流量毒性– 链上声誉系统，用于标记空投中的Sybil账户

有效性ML

– 确保传统AI/ML公司在正确的模型和正确的输入上进行推理。这在医疗保健AI或金融领域的违约风险评估模型中尤为重要。

更多关于Web3.0特定应用场景的内容，欢迎查看我们的上一篇文章：《区块链上的AI/ML应用》。

Vanna网络

我们在Vanna Labs正积极应对上述问题：Vanna网络是一个点对点（P2P）区块链网络，原生支持由EZKL的zkML技术保障的AI和ML推理。

换句话说，我们正在构建开源的去中心化基础设施，允许任何人在链上无需许可地上传模型、推理其他模型并验证网络的zkML证明。这让任何人都可以使用模型，并且保证推理过程受到密码学安全的保障，推理结果的消费者可以验证并信任模型的输出。Vanna网络还将支持跨链通信和传统Web2.0 API端点，以便任何人都能从任何上下文中利用可验证的推理能力。我们的目标是以简单的函数调用方式，让每个人都能轻松访问zkML安全保障的推理。有关更多信息，欢迎查看Vanna网络的文档。

目标：在各处实现抗审查、可验证、无需许可的AI。

zkML的魔力

那么……这种魔力是如何运作的？我们强烈推荐您查看EZKL的博客以及他们的文档，以便更深入了解zkML的技术细节，但这里是一个高层次的概述。

编译：

AI模型使用Circom等工具被转换成数学电路。在ZK证明的背景下，Circom这样的工具通常用于将计算描述为高层次领域特定语言中的电路。

设置阶段：

设置阶段包括两个步骤，首先，可信方生成将用于证明系统的公共参数，例如使用像"Tau的永恒力量"（Perpetual Powers of Tau）这样的多方计算（MPC）。其次，证明者（或设置编译电路的一方）生成用于证明生成和验证的电路特定证明密钥和验证密钥。

见证生成：

与声明相关的实际数据（见证）被映射到电路中。

证明生成：

使用证明密钥和映射的见证，证明者生成简洁的证明。

证明验证：

生成的证明连同声明一起提供给验证者。验证者可以使用公共验证密钥以常数时间低成本地验证证明。

需要牢记的一个关键因素是，证明生成是非常耗费计算资源的，但证明验证则非常便宜。因此，对于像Vanna这样的项目，采用一次生成证明，但由网络中的多个节点多次验证的架构是有意义的。

结论

综上所述，zkML对AI及其应用具有深远的影响。它可以防止模型提供者为降低成本而进行欺诈性推理，提供推理完整性的保证，最终，它能够做到这些的同时，还不会泄露需要保密的信息。

我们希望您和我们一样对zkML充满信心，欢迎关注我们的社交平台。

Website: https://www.vannalabs.ai/

Twitter: https://twitter.com/0xVannaLabs

Discord: https://discord.com/invite/68CNHHcMK8

Finally, a special thanks to the EZKL team, check them out!

Website: https://ezkl.xyz/

Github: https://github.com/zkonduit/ezkl

Twitter: https://twitter.com/ezklxyz

在本文中，我们将深入探讨这两个领域的当前整合状态。我们将讨论AI在区块链上的应用场景，为什么AI在Web2.0中比Web3.0中更为普遍，以及目前已有的解决方案和整合过程中面临的主要挑战。

尽管AI已经存在数十年，但随着大型语言模型的商业化，最近AI的普及再次引起广泛关注，展示了AI对我们生活的巨大影响。然而，AI的应用场景远不止于ChatGPT；在医疗保健领域，AI被用于诊断和治疗。在消费应用中，AI被用于算法推荐，决定用户在主页上看到的内容。AI的应用无穷无尽，研究表明，未来十年AI市场规模的年复合增长率（CAGR）将达到约20%。

区块链技术在过去五年里也迅速走红，链上锁定的资本现已达到数百亿美元。区块链技术为金融系统带来了更高的效率、更大的透明度和抵抗审查的能力，并引发了去中心化应用（dApp）的爆发式增长：从去中心化交易所或借贷市场等金融应用，到NFT（非同质化代币）收藏或游戏中虚拟资产的代币化等新的使用场景。

然而，AI在Web2.0和Web3.0中的发展状态对比却相当明显。在Web2.0中，AI技术似乎已经渗透到我们生活的每个角落：从Siri、Instagram的推荐内容，到Amazon网上购物时的首页推荐。不幸的是，大多数现代区块链的应用场景中，AI的应用并不广泛。例如，自动做市商（AMM）仍然使用静态和任意决定的价差，系统化交易算法或简单的模型驱动分析以及大多数计算密集型工作负载都无法在链上执行。而这些应用场景也非常重要，因为去中心化金融（DeFi）应用锁定了数十亿美元的价值。那么，这是为什么呢？尽管AI与区块链的融合有许多潜在的影响，AI可以像在Web2.0中那样进一步增强Web3.0中的现有应用场景，但两者的整合依然面临着挑战。

AI与区块链融合的难点

AI与区块链整合的难点之一在于两者在去中心化设计理念上的明显冲突。一方面，AI的训练和推理成本极高，无论是在资金方面还是在计算需求方面：例如，仅训练GPT-3的成本大约为1200万美元。此外，公司还开发了极为专业的硬件来训练模型并进行推理服务：例如，在GPU上运行AI推理时效率可以提高60-70%。高昂的计算和成本门槛导致了AI训练和推理过程中的高度集中化：这些模型通常是在功能强大的高性能计算集群或服务器上训练和服务的，大量的用户推理请求需要在这些设备上进行计算。

另一方面，区块链技术的核心支柱之一就是去中心化，这在经典的区块链三难困境中经常被提及。如果你不熟悉这一概念，现代区块链通常必须在设计架构时在安全性、去中心化和可扩展性之间找到平衡。在这种情况下，提高运行完整节点的计算需求可能会对性能（从而对区块链的可扩展性）产生积极影响，但这将对去中心化程度产生负面影响，因为运行完整节点的要求变得更高。这是将计算密集型过程（如AI模型的训练或推理）整合到区块链中的主要障碍之一，因为区块链希望保持尽可能高的去中心化。

在接下来的部分中，我们将探讨在AI推理背景下，AI在区块链上本地实现的局限性和挑战，以及链下实现的相关问题。

原生推理的挑战链上AI原生实现主要面临三个不同的挑战。首先，如前文所述，验证节点的硬件要求带来了计算能力的限制。其次，由于现代权益证明（PoS）网络中每个区块的Gas限制，扩展遇到瓶颈。最后但同样重要的是，当每个完整节点都需要执行每一次推理以验证状态时，扩展性变得更加困难。

在继续之前，为了澄清“原生”实现的含义，我们将其定义为在区块链网络中由验证节点直接在链上执行推理或训练模型。

如前一部分所述，硬件限制使得CPU验证节点不适合服务AI推理。GPU拥有比CPU更多的核心，这使得它们可以同时执行更多的计算。例如，典型的GPU可能拥有1000个核心，而典型的CPU可能只有4个核心。GPU也更适合浮点运算，而浮点运算是AI任务中最常见的运算类型。如果不运行由高性能GPU验证节点组成的网络（这会以去中心化为代价），实现可扩展的链上推理将变得非常困难。

在CPU验证节点上进行推理或训练本身效率已经很低，更何况还要考虑每个区块的Gas数量非常有限。对于不熟悉的人来说，“Gas”基本上是区块链上计算量的度量，计算量越大的过程需要消耗更多的Gas。区块链对每个区块的Gas有上限，这意味着一个区块中的所有交易计算量有一个最大限制。这一点很重要，因为它对区块的大小设定了限制，并确保完整节点能够跟上网络的验证速度。换句话说，如果一个区块中的计算量过大，验证节点可能因为空间和速度要求无法跟上网络。考虑到网络拥堵已经是区块链的一个重大问题，加入耗费大量计算资源的AI过程可能会加剧这个问题。

最后，区块链网络的安全性也是一个重要方面，因此现代的权益证明（PoS）区块链完整节点会重新执行提议区块中的交易，并通过验证区块后状态来达成共识。这意味着如果存在链上AI，那么用户运行的每次推理，所有完整节点都需要运行一次。想象一下，全球数千用户在区块链上运行数千次推理，而您的家庭CPU验证节点需要执行所有这些推理。在常规交易的背景下，这可能不算什么，但对于已经计算密集的AI模型推理来说，这些推理在效率较低的硬件上运行，这进一步成为链上原生AI的障碍。

链下推理的挑战

上述链上原生实现的挑战促使项目考虑链下的实现方法。有几种方法可以实现，但通常类似于这样的工作流程：某个请求在链上发出，随后一个监听节点向链下的模型提供者发出API请求，模型提供者计算该请求，然后负责方将请求结果写入链上智能合约内存，以便可以检索。

虽然这种方法比上述链上实现更具可扩展性和效率，但它引入了一个全新的问题：完整性。

AI模型通常被称为“黑箱”，原因很充分。这是因为人们通常对模型生成推理结果的原因和方式缺乏透明度和深入了解。因此，可以想象，链下推理会使区块链网络暴露于全新的攻击矢量。举一个实际的例子来说明这一点：想象一个依赖链下机器学习来预测代币回报率的协议，在进入多头/空头仓位之前反映这些预测。如果我是提供这些推理的模型提供者，我可以故意不运行模型，而是返回一些虚假的结果，然后简单地抢跑或夹击他们的交易以轻松获利。我可以错误地返回一个信号，让他们买入$DOGE，然后我在他们之前买入$DOGE，并在他们买入后立即卖出，从他们的市场影响中获利。这是非常糟糕且极其危险的，因为与许多安全漏洞不同，它可以完全不被发现。

为了让区块链真正发展依赖AI的应用场景，必须建立确保推理完整性的安全协议。

解决方案AI与区块链整合的解决方案主要分为两部分，涉及零知识机器学习（ZKML）和乐观机器学习（OPML）。在未来的博客文章中，我们将详细介绍这些解决方案，而这些解决方案都将被Vanna区块链原生集成到链上。

零知识机器学习

ZKML是一个前沿的研究领域，它通过生成密码学证明，旨在证明某些计算（在本例中为某个模型执行的推理）是正确且具有完整性的。正如EZKL简要描述的那样，我们可以创建ZK证明来加密证明以下陈述：

“我在某些私有数据上运行了这个公开的神经网络，并生成了这个输出”

或者

“我在某些公开数据上运行了我的私有神经网络，并生成了这个输出”

“零知识”这一术语来源于这样的事实，即像模型输入或模型权重等某些内容可以对验证者保密，而不会影响证明的密码学安全性。

ZK的出现对于去中心化的AI/ML具有巨大意义，因为推理的执行以及证明的生成现在可以在一台高性能计算机上完成，而证明可以通过轻节点网络进行低成本验证，以确保推理正确，而不需要在整个网络上重复计算！

然而，虽然ZK证明的验证可以在常数时间内以低成本完成，但ZKML当前面临的最大挑战是生成ZK证明所需的极高计算成本和时间成本。为此，公司如Cysic正在开发专门用于证明生成的硬件，而EZKL的开发者们也在不断改进他们的软件，以加快证明生成的速度。

乐观机器学习

乐观机器学习是另一种去中心化AI推理的解决方案，“乐观”指的是在没有挑战的情况下，默认信任推理结果，除非（或直到）有人对结果提出质疑。

在挑战过程中，挑战者首先需要提供一笔资金作为押金，然后进行验证游戏，使用二分协议定位导致计算偏差的争议步骤。仲裁智能合约解决挑战问题，并根据挑战的成功或失败，分别对推理计算者或挑战者进行严厉的罚金处罚。

这种“无罪推定”的乐观模型相较于ZKML既有优点也有缺点。最大的优势是采用不为每次推理生成证明的模型会显著降低时间和计算成本，尤其是在推理和生成证明都极其昂贵的大模型中，成本降低效果更加显著。然而，最大的劣势是缺乏ZKML提供的即时加密安全性，并且在挑战成功的情况下，可能会导致区块链的停滞或重放交易等问题。

结论

虽然AI和区块链的交汇点是一个极具吸引力的领域，因为AI可以像它在Web2.0中所做的那样，彻底改变Web3.0的应用场景，但软件架构和硬件要求的固有限制确实使这一挑战变得困难。

这正是Vanna Labs正面应对的难题，通过OPML和ZKML等前沿解决方案，Vanna网络将能够以可扩展且安全的方式执行链上推理。请关注我们的Medium页面、官网和Twitter，更多更新内容即将发布。

Twitter: https://twitter.com/0xVannaLabs

Website: https://www.vannalabs.ai/

https://medium.com/tag/blockchain?source=post_page-----c0e386356d49--------------------------------

https://medium.com/tag/ai?source=post_page-----c0e386356d49--------------------------------

https://medium.com/tag/defi?source=post_page-----c0e386356d49--------------------------------

https://medium.com/tag/tech?source=post_page-----c0e386356d49--------------------------------