随着变革性技术的发展，Web3 发挥重要作用的机会正在迅速增长。
“为行业的发展方向而打造，而不是为行业现状而打造。”几十年来，这句口号一直推动着颠覆性创新 — — 微软利用微处理器，Salesforce 利用云计算，Uber 在移动革命中蓬勃发展。
同样的原则也适用于人工智能——生成式人工智能发展如此迅速，以至于为当今的能力而构建的人工智能可能会过时。从历史上看，Web3 在这场人工智能演进中发挥的作用很小。但它能适应重塑行业的最新趋势吗？
2024 年是生成式人工智能的关键一年，在这一年中，出现了突破性的研究和工程进步。在这一年中，Web3-AI 的叙事也从投机炒作转变为真正实用的迹象。虽然第一波人工智能围绕着超级模型、较长的训练周期、庞大的计算集群和雄厚的企业资金展开，这使得 Web3 基本上无法获得这些资源，但 2024 年的新趋势为有意义的 Web3 集成打开了大门。
在 Web3-AI 方面，2024 年主要由投机项目主导，例如 meme 驱动的代理平台，这些项目反映了看涨的市场情绪，但在现实世界中却没有多大用处。随着这种炒作的消退，重新关注有形用例的机会之窗正在出现。2025 年的生成式 AI 格局将大不相同，研究和技术将发生变革性转变。其中许多变化可能会催化 Web3 的采用，但前提是该行业为未来而构建。
让我们来研究一下塑造人工智能的五个关键趋势以及它们为 Web3 带来的潜力。
1. 推理竞赛
推理已成为大型语言模型 (LLM) 的下一个前沿。GPT-01、DeepSeek R1 和 Gemini Flash 等最新模型将推理能力置于其发展的核心位置。从功能上讲，推理使 AI 能够将复杂的推理任务分解为结构化的多步骤过程，通常利用思路链 (CoT) 技术。正如指令遵循成为 LLM 的标准一样，推理很快将成为所有主要模型的基本能力。
推理涉及复杂的工作流程，需要可追溯性和透明度——这是 Web3 大放异彩的领域。想象一下一篇由人工智能生成的文章，其中每个推理步骤都可以在链上验证，从而提供其逻辑顺序的不可变记录。在人工智能生成的内容主导数字交互的世界中，这种出处级别可能成为基本需求。Web3 可以提供一个去中心化、无需信任的层来验证人工智能推理路径，从而弥补当今人工智能生态系统中的一个关键空白。
2. 合成数据训练规模扩大
高级推理的关键推动因素是合成数据。DeepSeek R1 等模型使用中间系统（例如 R1-Zero）生成高质量的推理数据集，然后用于微调。这种方法减少了对现实世界数据集的依赖，从而加快了模型开发速度并提高了稳健性。
合成数据生成是一项高度可并行化的任务，非常适合去中心化网络。Web3 框架可以激励节点为合成数据生成贡献计算能力，并根据数据集使用情况获得奖励。这可以促进去中心化的 AI 数据经济，其中合成数据集为开源和专有 AI 模型提供支持。
3. 转向培训后工作流程
早期的 AI 模型依赖于需要数千个 GPU 的大规模预训练工作负载。然而，像 GPT-01 这样的模型已经将重点转移到训练中期和训练后，从而实现了更专业的功能，例如高级推理。这种转变极大地改变了计算要求，减少了对集中式集群的依赖。
虽然预训练需要集中式 GPU 农场，但后训练可以分布在分散式网络中。Web3 可以促进分散式 AI 模型的改进，允许贡献者质押计算资源以换取治理或财务激励。这种转变使 AI 开发民主化，使分散式训练基础设施更加可行。
4.精简小模型的兴起
提炼是一种使用大型模型来训练较小、专门版本的过程，这种做法的应用正在激增。领先的 AI 系列（如 Llama、Gemini、Gemma 和 DeepSeek）现在都包含针对效率进行了优化的提炼版本，使其能够在商用硬件上运行。
精简模型足够紧凑，可以在消费级 GPU 甚至 CPU 上运行，非常适合去中心化推理网络。基于 Web3 的 AI 推理市场可能会出现，其中节点提供计算能力来执行轻量级精简模型。这将使 AI 推理去中心化，减少对云提供商的依赖，并为参与者解锁新的代币化激励结构。
5. 对透明的人工智能评估的需求
生成式 AI 面临的最大挑战之一是评估。许多顶级模型实际上记住了现有的行业基准，因此无法可靠地评估实际性能。当您看到某个模型在给定基准上得分极高时，通常是因为该基准已包含在该模型的训练语料库中。目前，没有可靠的机制来验证模型评估结果，导致公司依赖技术论文中自我报告的数字。
基于区块链的加密证明可以为 AI 评估带来彻底的透明度。去中心化网络可以通过标准化基准验证模型性能，减少对无法验证的公司声明的依赖。此外，Web3 激励措施可以鼓励开发新的、社区驱动的评估标准，将 AI 问责制推向新的高度。
Web3 能否适应下一波 AI 浪潮？
生成式人工智能正在经历范式转变。通用人工智能 (AGI) 的发展之路不再仅由训练周期较长的单一模型主导。推理驱动架构、合成数据集创新、训练后优化和模型提炼等新突破正在分散人工智能工作流程。
Web3 在第一波生成式人工智能浪潮中基本缺席，但这些新兴趋势带来了新的机会，分散式架构可以发挥真正的作用。现在的关键问题是：Web3 能否快速行动，抓住这一机遇，成为人工智能革命的重要力量？
免责声明：
关注我们，一起探索AWM！
近期热点
2025-02-03
2025-02-21
2025-02-09
