实习计划学习手册

Appearance

37 · AI Web3 ​

LESSON 37 / AI + WEB3

阶段 05 · 看懂正在出现的方向三件套：整理中课程正文智能、协调与可验证性Part 7

公开整理 ​

AI 提供模型和自动化能力，Web3 提供资源协调、资产与权限控制以及可验证记录。两者的结合只有在明确解决算力、数据、模型、Agent 或验证问题时才有意义，不能只把两个热门词放在一起。

课程正文 ​

五个连接点 ​

  • 算力：分布式 GPU 可能适合推理、联邦学习或小模型微调；大模型训练需要高带宽、低延迟的集群，不能简单视为全球闲置 GPU 的拼接。
  • 数据：数据标注、数据市场、Compute-to-Data 和联邦学习尝试让数据贡献可授权、可定价或不直接离开原环境。数据质量、许可、隐私和合规决定实际价值。
  • 模型：Bittensor、Ritual、Morpheus、Sentient 等案例代表不同的开放模型、激励和协处理路径。开源不等于训练、托管、收益和治理都去中心化。
  • Agent 与 Crypto：钱包、智能合约和 X402 可以为 Agent 提供支付与执行环境，但必须限制权限、额度和可执行范围，并保留审计、人工兜底与错误恢复。
  • 可验证 AI / zkML：零知识证明可以尝试证明模型、输入或计算符合约定，同时隐藏部分参数或数据；复杂模型的证明成本和工程复杂度仍是重要边界。

Render、io.net、Akash、Ocean、Vana、Grass、Virtuals、Autonolas 和 ElizaOS 等名称用于帮助定位案例方向。项目状态、产品效果和代币叙事不能相互替代。

概念结构 ​

text
AI 任务
  -> 算力 / 数据 / 模型 / Agent
  -> Web3 的协调、支付与权限
  -> 可验证输出或可审计执行
  -> 质量、责任、安全与成本评估

可验证问题 ​

  • 去掉 Token 或区块链后，产品是否仍解决真实问题？
  • 算力任务是训练、推理还是微调，分布式部署的瓶颈是什么？
  • 数据是否获得授权，质量如何评估，隐私泄露和关联风险如何处理？
  • Agent 能花多少钱、调用哪些合约、谁能撤销权限，出错如何止损？
  • zkML 证明的究竟是模型、输入、计算过程还是某个约定结果？成本是否可接受？

练习与复盘 ​

为一个 AI Web3 项目填写“去叙事卡”：用户问题｜AI 部分｜Web3 部分｜必要的链上事实｜性能瓶颈｜权限边界｜责任主体｜去掉 Token 后的剩余价值。

来源与时效提醒 ​

本页依据课程 37 的 preview、mindmap 与 notes 整理。模型、项目、网络、工具和监管状态变化很快；“未来方向”属于课程展望，不应当当作已经验证的规模化采用或收益预期。