多維度解析DePIN如何助力人工智能？

過去，初創企業憑藉其速度、靈活度和創業文化，擺脫組織慣性桎梏，長期引領著技術創新。 **然而，這一切被人工智能時代改寫。 **迄今為止，突破性AI產品的締造者都是諸如Microsoft的OpenAI、Nvidia、Google甚至Meta這樣的傳統科技巨頭。

**發生了什麼？ **為什麼這一次巨頭贏過了初創？初創企業可以寫出優秀代碼，但與科技巨頭相比，它們面臨多種阻礙：

• 計算成本居高不下
• AI發展存在反向凸角：由於缺少必要的方針，圍繞AI社會影響的擔憂和不確定性阻礙了創新
• AI黑盒問題
• 大型科技公司建立的“數據護城河”形成進入壁壘

那麼，為什麼需要區塊鏈技術出場？它與人工智能的交集在哪？雖然不能一次性解決所有問題，但Web3中的**分佈式物理基礎設施網絡（DePIN）**為解決上述問題創造了條件。下文將闡述DePIN背後的技術如何助力人工智能，主要從四個維度：

• 降低基礎設施成本
• 驗證創作者和人格
• 填補AI民主和透明度
• 設置數據貢獻獎勵機制

下文中：

• **“web3”**指下一代互聯網，區塊鏈技術與其他現有技術是其有機組成。
• **“區塊鏈”**指去中心化和分佈式賬本技術。
• **“加密”**指利用代幣機制進行激勵和去中心化的做法。

一、降低基礎設施成本（計算和存儲）

每一波技術創新的引子都是某種昂貴的東西變得廉價到可以浪費。

——社會的技術債務和軟件的古騰堡時刻，來自SK Ventures

基礎設施的可負擔性有多重要（人工智能的基礎設施指計算、傳輸和存儲數據的硬件成本），Carlota Perez的技術革命理論有指明，該理論提出技術突破包含兩個階段：

來源：Carlota Perez的技術革命理論

• 安裝階段以大量風險投資、基礎設施建設和**“推動式”市場推廣（GTM）策略**為特徵，因為客戶不了解新技術的價值主張。
• 部署階段以基礎設施供應的大量增加為特徵，降低拉新門檻，並採用**“拉動式”****市場推廣（GTM）策略，**表明產品市場匹配度高，客戶期待更多尚未成型的產品。

既然ChatGPT等嘗試已證明市場契合度和客戶需求，人們可能覺得AI已經進入部署階段。 **然而，AI還缺少重要一環：過剩的基礎設施供價格敏感的初創企業進行搭建和嘗試。 **

問題

當前物理基礎設施領域主要由垂直一體化寡頭壟斷，包括AWS、GCP、Azure、Nvidia、Cloudflare、Akamai等，行業利潤率高，據估計AWS在商品化計算硬件上的毛利率為61%。所以AI領域、尤其是LLM領域的新進入者要面對及其高昂的計算成本。

• ChatGPT一次訓練的成本估計在4百萬美元，硬件推理運營成本約70萬美元/天。
• Bloom第二版可能需要花費1000萬美元進行訓練和重新訓練。
• 如果ChatGPT進入Google搜索，谷歌營收將減少360億美元，**巨額利潤將從軟件平台（Google）向硬件提供商（Nvidia）轉移。 **

來源：層層分析— LLM搜索架構與成本

解決方案

DePIN網絡如Filecoin（起源於2014年的DePIN先驅，專注集合互聯網級硬件，服務於分佈式數據存儲）、Bacalhau、Gensyn.ai、Render Network、ExaBits（用於匹配CPU/GPU供需的協調層）可以通過以下三個方面節約75%至90%+的基礎設施成本：

1. 推動供應曲線，激發市場競爭

DePIN為硬件供應商成為服務提供商提供了平等機會。它創建了一個人人可以作為“礦工”加入，用CPU/GPU或存儲能力可換取經濟報酬的市場，從而給現有提供商帶來競爭。

雖然像AWS這樣的公司無疑在用戶界面、運營和垂直整合方面享有17年的先發優勢，但是DePIN吸引了無法接受中心化供應商客定價的新戶群。 就像Ebay不直接與Bloomingdale競爭，而是提供更經濟的替代品來滿足類似需求，分佈式存儲網絡並不取代中心化供應商，而是旨在服務於價格敏感的用戶群體。

2.通過加密經濟設計促進市場經濟平衡

DePIN創建的補貼機制能引導硬件供應者參與網絡，從而降低最終用戶的成本。究其原理，我們可以看看AWS和Filecoin在Web2和Web3中存儲提供者的成本和收入。

客戶獲得降價：DePIN網絡營造了競爭性市場，引入Bertrand式競爭，從而降低客戶支付費用。相比之下，AWS EC2需要約55%的利潤率和31%的總體利潤率來維持運營。 DePIN網絡提供的Token激勵/區塊獎勵也是新的收入來源。在Filecoin的背景下，存儲提供者託管越多真實數據越能獲得區塊獎勵（代幣）。 **因此，存儲提供者有動力吸引更多客戶達成交易增加收入。 **幾個新興計算DePIN網絡的代幣結構仍未公開，但很可能遵循類似模式。類似網絡包括：

• Bacalhau：將計算引入數據存儲位置的協調層，避免移動大量數據。
• exaBITS：服務於AI和計算密集型應用程序的分佈式計算網絡。
• Gensyn.ai：深度學習模型計算協議。

**3. 降低間接成本：**Bacalhau、exaBITS等DePIN網絡以及IPFS/內容尋址存儲的優勢包括：

• **釋放潛在數據的可用性：**由於傳輸大型數據集的帶寬成本高，目前大量數據未被開發，比如體育場館產生的大量事件數據。 DePIN項目可以現場處理數據並僅傳輸有意義的輸出，發掘潛在數據的可用性。
• **降低運營成本：**通過本地獲取數據來降低數據輸入、傳輸和導入/導出成本。
• **最小化敏感數據共享中的人工作業：**如果醫院A和B需要將各自患者的敏感數據進行組合分析，它們可以使用Bacalhau協調GPU算力，直接在本地處理敏感數據，而不必通過繁瑣的行政流程與對方進行個人身份信息（PII）交換。
• **無需重計算基礎數據集：**IPFS/內容尋址存儲自帶去重、溯源和驗證數據的能力。有關IPFS的功能和性價比可參考這篇文章。

**AI生成摘要：**AI需要DePIN提供的經濟實惠的基礎設施，目前基礎設施市場由垂直一體化的寡頭壟斷。像Filecoin、Bacalhau、Render Network、ExaBits這樣的DePIN網絡使成為硬件供應商的機會民主化，引入競爭，通過加密經濟設計維護市場經濟平衡，讓成本降低75%-90%以上，並降低了間接成本。

二、驗證創作者和人格

問題

一份近期調研顯示，**50%的AI學者認為AI給人類帶來毀滅性傷害的可能性超過10%。 **

人們需要警醒，AI已經引發社會混亂，而且仍缺乏監管或技術規範，這種情況被稱為“反向凸角”。

比如，在這段Twitter視頻中，播客主持人Joe Rogan與保守評論員Ben Shapiro在就電影《料理鼠王》進行著辯論，然而這段視頻是AI生成的。

來源：Bloomberg

值得注意的是，AI的社會影響力遠不止虛假博客、對話和圖像帶來的問題：

• 2024年美國大選期間，AI生成的deepfake競選內容首次達到了以假亂真的效果。
• 參議員Elizabeth Warren的一段視頻經過編輯，讓她“說”出了"共和黨人不應該被允許投票"這樣的話（已闢謠）。
• 語音合成的拜登的聲音批評跨性別女性。
• 一群藝術家對Midjourney和Stability AI提起了集體訴訟，指控其未經授權使用藝術家的作品來訓練AI，侵犯版權並威脅藝術家生計。
• AI生成的由The Weeknd和Drake合唱的歌曲“Heart on My Sleeve”在流媒體平台上走紅，但隨後被下架。當新技術在沒有規範的情況下進入主流，就會造成諸多問題，**版權侵犯就屬於“反向凸角”問題。 **

那麼我們能否在Web3中加入AI的相關規範？

解決方案

利用加密鏈上來源證明進行人格證明和創作者證明

讓區塊鏈技術真正發揮作用——作為一個包含不可篡改鏈上歷史記錄的分佈式賬本，數字內容的真實性可以通過內容加密證明得到驗證。

數字簽名作為創作者證明和人格證明

要識別deepfake，可用原始內容創作者獨有的數字簽名生成加密證明，簽名可以使用只有創作者知曉的私鑰創建，並可由對所有人公開的公鑰進行驗證。有了簽名就可以證明內容是由原始創作者創建，不論創建者是人類還是AI，還可以驗證授權或未授權的對內容的更改。

利用IPFS和默克爾樹進行真實性證明

IPFS是使用內容尋址和默克爾樹引用大型數據集的分佈式協議。為了證明文件內容收到、更改，會生成一個默克爾證明，即一串哈希，顯示特定的數據塊在默克爾樹中的位置。每次更改，都會在默克爾樹中增加一個哈希，提供了文件修改的證明。

**加密方案的痛點是激勵機制，畢竟，識別出deepfake製造者雖然能減少負面社會影響，**但不會帶來同等的經濟利益。這份責任很可能落在Twitter、Meta、Google等主流媒體分發平台上，事實也的確如此。 **那麼我們為什麼需要區塊鏈？ **

答案是區塊鏈的加密簽名和真實性證明**更加有效、可驗證和確定。 **目前，檢測deepfake的過程主要通過機器學習算法（如Meta的“Deepfake Detection Challenge”、Google的“Asymmetric Numeral s” (ANS)和c2pa：來識別視覺內容中的規律和異常，**但時常不夠準確，落後於deepfake發展速度。**一般需要人工審核來確定真實性，低效且昂貴。

如果有一天每條內容都有加密簽名，**每個人都能可驗證地證明創作來源，**標記篡改或偽造行為，那我們將迎來美麗的世界。

**AI生成摘要：**AI可能對社會構成重大威脅，尤其是deepfake和未授權使用內容，而Web3技術，如使用數字簽名的創作者證明和使用IPFS和默克爾樹的真實性證明，可以驗證數字內容的真實性，防止未經授權的更改，為AI提供規範。

三、AI民主化

問題

今天的AI是由專有數據和專有算法構成的黑盒。大型科技公司LLM的封閉性扼殺了我眼中的**“AI民主”，即每個開發者甚至用戶都能為LLM模型貢獻算法和數據**，並在模型盈利時獲得部分利潤（相關文章）。

AI民主=可視性（能看到輸入模型的數據和算法）+貢獻（能向模型貢獻數據或算法）。

解決方案

AI民主的目的是讓生成式AI模型對公眾開放、與公眾相關、為公眾所有。下表對比了AI現狀與通過Web3區塊鏈技術能實現的未來。

目前——

對於客戶：

• 單向接收LLM輸出
• 無法控制個人數據如何被使用

對於開發者：

• 可組合性低
• ETL數據處理不可追溯，難復現
• 數據貢獻來源僅限於數據所有機構
• 閉源模型只能通過API付費訪問
• 分享數據輸出缺乏可驗證性，數據科學家80%的時間用於低端數據清洗

結合區塊鏈後——

對於客戶：

用戶可提供反饋（比如偏見、內容審核、針對輸出的顆粒度反饋）作為微調依據

用戶可選擇貢獻數據換取模型盈利後的利潤

對於開發者：

• **分佈式數據管理層：**眾包重複耗時的數據標記等數據準備工作
• 可視性&組合&微調算法的能力，借助可驗證源（可以看到所有改動的防篡改歷史記錄）
• 數據主權（通過內容尋址/IPFS實現）和算法主權（例如Urbit實現了數據和算法的點對點組合和可移植性）
• **加速LLM創新，**從基礎開源模型的各種變體中加速LLM創新。
• **可複現訓練數據輸出，**通過區塊鏈對過去ETL操作和查詢的不可變記錄（如Kamu）實現。

有人說Web2的開源平台也提供了一種折中方案，但其效果並不理想，相關討論可見exaBITS 的博文。

AI生成摘要：大型科技公司封閉的LLM扼殺了“AI民主”，即每個開發者或用戶都能夠為一個LLM模型貢獻算法和數據，並在模型盈利時獲得部分利潤。 AI應該對公眾開放，與公眾相關，為公眾所有。借助區塊鍊網絡，用戶能夠提供反饋，為模型貢獻數據換取變現後的利潤，開發者也能獲得可視性和可驗證源，從而組合和微調算法。內容尋址/IPFS和Urbit等Web3創新將實現數據和算法主權。通過區塊鏈對過去ETL操作和查詢的不可變記錄，訓練數據輸出的可複現性也將成為可能。

四、設置數據貢獻獎勵機制

問題

今天，最有價值的消費者數據為大型科技公司的專有資產，構成其核心商業壁壘。科技巨頭沒有動力將這些數據與外部方共享。

那麼，為什麼我們不能直接從數據創造者或用戶那裡獲取數據呢？為什麼我們不能把數據變成公共資源，貢獻數據將數據開源化供數據科學家使用？

簡單來說是因為缺乏激勵機制和協調機制。維護數據和執行ETL（提取、轉換和加載）是一大筆間接成本。事實上，僅數據存儲就將在2030年成為價值7770億美元的行業，這還不包括計算成本。沒有人會無償承擔數據處理的工作和成本。

不妨看看OpenAI，最初設定是開源非盈利，但變現困難無法覆蓋成本。 2019年，OpenAI不得不接受微軟注資，算法不再對公眾的開放。預計到2024年，OpenAI盈利將達10億美元。

解決方案

Web3引入了**名為“dataDAO”的新機制，**促進了AI模型所有者和數據貢獻者之間的收入再分配，為眾包數據貢獻創建了激勵層。由於篇幅限制，此處不會展開，想要了解可閱讀下方兩篇文章：

• How DataDAO works/DataDAO原理，作者是Protocol Labs的HQ Han
• How data contribution and monetization works in web3/web3數據貢獻和變現如何運作，我在這篇深入討論了dataDAO的機制、欠缺和機遇

總的來說，DePIN另闢蹊徑，為推動Web3和AI創新提供了新的硬件能源。儘管科技巨頭主導了AI行業，但新興參與者可以利用區塊鏈技術加入競爭：DePIN網絡降低准入門檻的方式包括降低計算成本；區塊鏈的可驗證和分佈式特性使真正的開放式AI成為可能；dataDAO等創新機制激勵數據貢獻；區塊鏈的不可變性和防篡改特性提供了創造者身份證明，打消人們對AI負面社會影響的擔憂。