DWF 2024 年加密预期：DAI 的潜力与挑战，通过 Web3 引领 AI 未来

原文标题：《AI in Web3: Navigating AI’s Future with Web3》

原文作者：DWF Labs Research

原文编译：Sharon、Luccy，BlockBeats

编者按：

在过去的一年中，ChatGPT 3.5 的推出，引发了人们对 AI 的担忧与热烈讨论，Vitalik 也在他的文章中指出许多人担心出现垄断版本的 AI，因此倾向于延迟其进展。DWF Labs Research 深入剖析 ChatGPT 3.5 的突破对 AI 在 Web3 时代的影响，揭示了 AI 面临的挑战，以及 DAI（去中心化 AI）的潜力。

原文编译如下：

在年末之际，我们将探讨今年最热门的议题之一——人工智能（AI）。过去一年，AI 成为讨论的焦点，源于 OpenAI 推出的 ChatGPT 3.5。这一发布展示了 AI 的巨大经济潜力，引发了全球关于其未来、影响和相关风险的讨论。

随着乐观情绪的增长，怀疑论也随之而来，潜在的后果开始引起监管机构的警觉。由于 AI 的迅猛崛起和模糊的监管框架，它让人想起加密货币领域的早期阶段。人们将这两个行业进行了比较，突出了 Web3 的去中心化特性，似乎与 AI 的潜在中心化力量相辅相成。

很快，几乎每个 Q1 的 Web3 风投讨论都集中在 AI 的变革潜力上（有时候我会思考自己是参加的是 Web3 活动还是 AI 活动）。在这一年中，我们还看到一些风投公司转向 AI，或将其纳入其投资版图中。

随着炒作的热情逐渐消退，DWF Ventures 现在希望以公正的视角重新审视 AI 领域。本文简要概述了 AI 的演进过程以及它如何达到目前的热度。然而，文章的叙述方式有所不同，我们将从传统关注 AI 如何影响 Web3 转向探讨相反的问题——Web3 如何影响 AI。在这个探索中，我们深入探讨了去中心化和 Web3 如何作为催化剂，解决 AI 当前面临的挑战。

AI 简要概述及 ChatGPT 3.5 的突破

与最近围绕 AI 的炒作热情相反，其历史可以追溯到上世纪 30 年代。图灵在 1950 年的工作，比如图灵测试，为 AI 奠定基础。尽管早期对 AI 存在乐观情绪，但由于计算障碍和无法满足实时需求，进而引发了上世纪 70 年代的「AI 寒冬」。上世纪 80 年代，专家系统使 AI 焕发活力，利用知识数据库来模拟人类专业知识。这一时代也见证了连接主义的复兴和递归神经网络的兴起。

然而，专家系统在知识获取和实时分析方面面临挑战，导致在上世纪 90 年代出现了衰退，个人电脑的性能也导致其相关性逐渐减弱。多年来，AI 领域发展迅速，分支出机器学习、自然语言处理、计算机视觉、语音识别等各种技术领域。这些发展使得 AI 从简单的问题解决，逐渐发展到在复杂应用领域中进行深度学习。

在发展过程中，AI 经历了各个子领域的融合。其中，机器学习和大语言模型（LLM）领域，在转换垂直领域取得了重大进展。Ashish Vaswani 等人的论文《Attention is All You Need》明显启发了生成式预训练转换器（GPT）模型。

此后，大量的 GPT 模型出现，如双向的「BERT」GPT 和 OpenAI 团队的 GPT。在 ChatGPT 之后，出现了开源的替代方案，如 Falcon 和 LLaMA2，加剧了对下一代 GPT 迭代的竞争，潜在地更接近人工通用智能（AGI）。

GPT 的炒作有助于将 AI 从学术界解放出来，获得数十亿人关注。在发布后的两个月内，OpenAI 创造了每周活跃用户 1 亿的最快的发展速度。根据麦肯锡最近的一项研究，目前约有 51% 的科技行业专业人士在他们的工作中使用 AI。

AI 现实：在中心化 AI 中引导社会认知及其局限性

Vitalik Buterin 在他的文章中进行的最新调查表明，许多人担心出现垄断版本的 AI，因此倾向于延迟其进展。

最近对 AI 的担忧激增可以追溯到 ChatGPT 迅速走红，其人类化的回答是推动因素。然而，大多数人没有意识到，虽然 GPT 模仿人类互动，但它并不是通用 AI（AGI）。

每次 GPT 生成一个输出时，它在统计上是变化的，其缺乏一致性和事实准确性的保证。此外，GPT 还面临其他限制，但其最突出的缺点在于无法进行逻辑推理，尤其在数学方面十分明显。

鉴于围绕 AI 存在的众多关切，以及高效管理大型 AI 模型所面临的现有挑战，探索将 Web3 与 AI 整合成为缓解 AI 面临挑战的潜在途径。利用 Web3 中固有的去中心化和分布式计算原则，有望帮助解决当前 AI 系统面临的问题。

DAI（去中心化 AI）之路：概述、潜力和挑战

由于 AI 能力在中心化系统中的集中，引发了对数据访问、模型相关性以及 AI 应用的整体可持续性的担忧。中心化的 AI 系统面临着重大的障碍，尤其是对于专有的大型数据集。

这导致了按查询计费，X 设置了每日有限的帖子查看次数。不久后，Grok、X GPT 的发布使用户能够实时访问 X 的数据。这种模式创建了经济屏障，并引发了有关 AI 利益可及性和包容性的问题。

此外，由于已发布模型快速过时，如果没有持续的数据更新，将在保持相关性和准确性方面面临面临重大挑战。目前，ChatGPT 3.5 的训练数据包含截至 2022 年 1 月的信息。Llama 2 也是在 2023 年 1 月至 2023 年 7 月的数据上进行训练的。

针对这些挑战，DAI 崭露头角，为中心化的局限性提供了潜在解决方案。

DAI 呈现了一种替代轨迹，以应对中心化模型固有的挑战。Janbi 等人最近发表的一篇元分析论文作为一份全面指南，详细介绍了 DAI 的五个主要领域。

DAI 的挑战

DAI 带来了 AI 发展中的一场令人兴奋的变革，提供了诸多优势。然而，认识到伴随这些进步而来的挑战至关重要。

结论

总的来说，迈向 DAI 的旅程展现出巨大的潜力。实现 DAI 的全部潜能依赖于达到关键质量，这受到现有 AI 用户群的推动。由于供应商和用户有限，开源替代方案面临一些障碍，而 ChatGPT API 为大众市场提供了实际而经济的选择，提供了便利和可靠性。

然而，考虑到垄断性通用 AI 可能带来的潜在后果，个体在选择和行动中应重新权衡便利性与去中心化之间的取舍。在更广泛的层面上，Web3 和 AI 社区的创新者可以通过重新定义 AI 工作流、重新构想基础设施、拥抱创新范式、高效管理，以及开发符合去中心化原则的应用程序来应对这些挑战。在我们继续这条道路的同时，合作、包容和道德考虑将是塑造一个真正造福人类的 DAI 景观的关键。