作者：Crypto, Distilled
編譯：深潮TechFlow
編譯：深潮TechFlow
？2023 年，Web3-AI 一度成為熱門話題。
但如今，它充斥著模仿者和無實際用途的巨額項目。
以下是需要避免的誤解和應關注的重點。
IntoTheBlock 的 CEO@jrdothoughts最近在一篇文章中分享了他的見解。
他討論了：a. Web3-AI 的核心挑戰
b. 被過度炒作的趨勢
b. 被過度炒作的趨勢
c.出每個要點！讓我們一探究竟：
市場現況
當前的 Web3-AI 市場被過度炒作和資助。
許多專案與 AI 產業的實際需求脫節。
這種脫節帶來了困惑，但也為有洞察力的人創造了機會。 
（致謝@coinbase）
核心挑戰
生成式 AI 依賴模型、資料和運算資源三大要素。
目前，還沒有主要模型針對 Web3 基礎設施進行了最佳化。
最初的資金支持了一些與 AI 現實脫節的 Web3 專案。
儘管有很多炒作，並非所有 Web3-AI 的趨勢都值得關注。
以下是@jrdothoughts認為最被高估的一些趨勢：
a. 去中心化的GPU網路
GPU
網路.致謝@ModulusLabs）
這些網路民主化AI 訓練。
但現實情況是，在去中心化基礎設施上訓練大型模型既慢又不切實際。
這一趨勢尚未兌現其高遠的承諾。
零知識 AI 模型在隱私保護方面看起來很有吸引力。
但實際上，它們計算成本高且難以解釋。
這使得它們在大規模應用中不太實際。
（致謝@oraprotocol）
圖中資訊：
b) 目前，開銷高達 1000 倍。
然而，這種方法距離實用化還有很大差距，尤其是對於 Vitalik 所描述的那些用例。以下是一些例子：
zkML 框架 EZKL 需要大約 80 分鐘才能產生一個 1M-nanoGPT 模型的證明。
🎜根據 Modulus Labs 的數據，zkML 的開銷比純計算高出 1000 倍以上，最新報告顯示為 1000 倍。
根據 EZKL 的基準測試，RISC Zero 在隨機森林分類任務中的平均證明時間為 173 秒。
推理證明框架為 AI 輸出提供加密證明。
然而，@jrdothoughts認為這些解決方案解決的是並不存在的問題。
因此，它們在現實世界中的應用有限。
雖然有些趨勢被過度炒作，但另一些趨勢則具有顯著潛力。
以下是一些被低估的趨勢，可能提供真正的機會：
a. 具備錢包的AI智能體
AI提供資金c. 小型基礎模型
d.
合成數據生成錢包的AI 智能體。
另一個有趣的應用是“預測智能體”，如@vitalikbuterin所提到的。
加密貨幣為 AI 提供資金
生成式 AI 專案通常面臨資金短缺。 
這些方法有助於推動創新。
（致謝@oraprotocol）
小型基礎模型，例如微軟的微軟模型，例如微軟的微軟模型，展示了少是多的理念。
Model dengan parameter 1B-5B adalah penting untuk AI terdesentralisasi dan boleh memberikan penyelesaian AI pada peranti yang berkuasa.
(Sumber: @microsoft)
Kekurangan data adalah salah satu halangan utama kepada pembangunan AI.
Data sintetik yang dijana melalui model asas boleh melengkapkan set data dunia sebenar dengan berkesan.
Kegilaan Web3-AI awal terutamanya tertumpu pada beberapa cadangan nilai yang tidak realistik.
@jrdothoughts percaya tumpuan kini harus beralih kepada membina penyelesaian yang benar-benar berkesan.
Apabila perhatian beralih, bidang AI masih penuh dengan peluang, menunggu mata yang tajam untuk ditemui.
Artikel ini adalah untuk tujuan pendidikan sahaja, bukan nasihat kewangan. Terima kasih banyak kepada @jrdthoughts atas pandangan yang berharga.
以上是加密 X AI 不火了？ 速覽你可能忽略的高潛力敘事方向的詳細內容。更多資訊請關注PHP中文網其他相關文章！
