大家都知道，人工智能领域向来都是一个充斥着炒作的市场，很多人都喜欢对于人工智能的功能及应用高谈阔论，区块链行业也正是如此，技术供应商以及客户都声称区块链技术有多么好，前景有多广阔。那么人工智能与区块链产业的融合是不是就变成了双重炒作呢?其实也并非如此，不管是人工智能还是区块链业，他们都在逐渐应用到各种方面并展现自己的价值，AI人工智能与区块链的结合或许还会得到双重的效果。
ChatGPT 推出两个月后用户数量迅速突破 1 亿，成为业内和资本市场的关注热点。目前，国内外已有多家科技巨头在 AIGC 领域布局。国内 BAT、字节、网易等公司，国外谷歌、Meta、微软等多家公司，均推出了 AIGC 的应用产品。加密行业创业者们也在积极探索与 ChatGPT 以及 AI 的结合，试图要分得一杯羹。
我们认为 AIGC 将成为 Web3 时代的生产力工具。当我们迈入 Web3.0 时代，人工智能、关联数据和语义网络构建，形成人与网络的全新链接，内容消费需求飞速增长。UGCPGC 这样的内容生成方式将难以匹配扩张的需求。AIGC 将是新的元宇宙内容生成解决方案。AIGC 的生成利用人工智能学习知识图谱、自动生成，在内容的创作为人类提供协助或是完全由 AI 产生内容。不仅能帮助提高内容生成的效率，还能提高内容的多样性。
总的看来 AIGC 可以划分三个维度: 软件层面包括自然语言处理技术、AIGC 生成算法模型和数据集；硬件层面主要是算力、通信网络；商业应用层面包括在 web2/web3 的各类消费级应用，本文将主要讨论消费应用的潜在创新。
1. AIGC 软件层—技术进步引发的创新浪潮
AIGC 技术主要涉及两个方面：自然语言处理 NLP 和 AIGC 生成算法。
自然语言处理
自然语言处理是实现人与计算机之间如何通过自然语言进行交互的手段。循环神经网络 (RNN) 是当前 NLP 的主要方法的核心。其中，2017 年由 Google 开发的 Transformer 模型现已逐步取代长短期记忆（LSTM）等 RNN 模型成为了 NLP 问题的首选模型。Transformer 的并行化优势允许其在更大的数据集上进行训练。这也促成了 BERT、GPT 等预训练模型的发展。这些系统使用了维基百科、Common Crawl 等大型语料库进行训练，并可以针对特定任务进行微调。
AIGC 生成算法
算法模型的突破是近年来 AIGC 得以快速突破的催化剂，主流的 AIGC 算法模型有两种：生成对抗网络 GAN 和扩散模型。
生成对抗网络 GAN（Generative Adversarial Networks）
对抗神经网络 GAN (Generative Adversarial Networks) 由一个生成网络和一个判别网络组成，生成网络产生「假」数据，并试图欺骗判别网络；判别网络对生成数据进行真伪鉴别，试图正确识别所有「假」数据。在训练迭代的过程中，两个网络持续地进化和对抗，直到达到平衡状态，判别网络无法再识别「假」数据，训练结束。
扩散模型 Diffusion Model
扩散模型是一种新型的生成模型，可生成各种高分辨率图像。在 OpenAI，Nvidia 和 Google 设法训练大模型之后，它们已经引起了很多关注。扩散模型扩散模型的生成逻辑相比其他的模型更接近人的思维模式，也是为什么近期 AIGC 拥有了开放性的创造力。本质上，扩散模型的工作原理是通过连续添加高斯噪声来破坏训练数据，然后通过反转这个噪声过程来学习恢复数据。它具有精度更高、可扩展性和并行性，无论是质量还是效率均有所提升，其快速发展成为 AIGC 增长的拐点性因素。同时，在机器学习的过程中，需要通过大量的训练来实现更准确的结果，对于底层算力需求将有飞速增长。
2. 硬件层—分布式算力叙述崛起
与传统算法相比，人工智能算法并无多余的假设前提，而是完全利用输入的数据自行模拟和构建相应的模型结构，这一算法特点决定了它是更为灵活且可以根据不同的训练数据而拥有自优化的能力，同时也带来了显著增加的运算量。随着 AIGC 生成量的增加，尤其是未来视频、游戏等内容的加入，算力需求将暴增，GPU 专用计算集群或将应运而生，这对提高模型精度和用户体验至关重要。根据 OpenAI 分析，自 2012 年以来，6 年间 AI 算力需求增长约 30 万倍：
Web3 技术可以通过去中心化的方式提高机器学习的效率，这在传统的 AI 训练之中已经有所应用，比如 AlphaGo 的改进版 KataGo 使用了分布式训练技术，使得全球希望此 AI 更新的人自愿提供算力训练。
Render Network 是一家基于 GPU 基础设施，为用户提供分布式渲染服务的供应商。解决的是传统的本地渲染和云渲染无法有效利用全球 GPU 算力的问题。可以把 Render Network 看成是中间件，连接供给端和需求端。用户通过区块链发布渲染任务，而矿工则可以接单帮你渲染，期间的交易费用由 RNDR 结算。
Phala Network 的核心是云计算网络，它采用「链上共识、链下计算」的模式,链下计算节点不受共识算法的约束，通过并发编程可结合多个节点的计算能力，即便是面对 AI 繁重的计算任务，Phala 也能为其提供源源不断的算力服务。基于 Secure Enclave 可信执行环境所构建意味着即使是恶意的节点也无法窃取人工智能的数据或操纵其自动化程序的执行、提供虚假结果。
在 web3 中更广泛的应用可类似于 Gitcoin，捐赠算力可以获得 POAP，或者类似于 AMM 提供了对于流动性的激励，成为有偿地出租算力的平台。
3. 商业应用层—当 AIGC 融入 Web3 消费场景
从商业应用层面看，AIGC 在文字、图像、音频、游戏和代码生成中商业模型渐显，尤其在一些具备高重复性的任务、对于精度要求并不那么高的领域应用已逐步成熟，这类 AIGC 服务在 Web2 中一般以提供 SaaS 服务的形式变现（比如 Lensa, ChatGPT pro）。
相比于 Stability AI、 ChatGPT 等人工智能在传统领域获得大量关注和采用，区块链更大的想象力在于可以改变 AI 模型的经济系统。前段时间出现不少 AI 概念币的大幅领涨，但我们更关注的是 FOMO 情绪褪去之后，AIGC+Web3 能在应用层产生哪些方向性创新。
a. AIGC & Mass adoption
不少传统 web2 用户对 crypto 充满兴趣，却往往因为复杂陌生的操作而放弃。AIGC 的出现有望显著降低 web2 用户的进入门槛。
1. Web3 搜索引擎：Web3 版本 chatgpt。在现 chatgpt 大模型基础之上，加入链上数据和 twitter, reddit, Lens, Farcaster, Mastodon, 加密媒体等数据源进行训练，构建 crypto 百科全书。
现有用例：RSS3
RSS3 产品 Hoot.it 在 ChatGPT 的基础上增加并优化了更多 Web3 等开放网络的内容训练，使得用户在搜索内容时获得更好的体验。
现有用例：Kaito
Kaito，人工智能驱动的加密搜索引擎，其数据和信息通常分散在多个来源，例如 Discord、Medium、Mirror、播客抄本以及新闻和研究平台。Kaito 通过其 AI 驱动的搜索引擎将这些信息集中在一个地方。
2. 个性化 onboarding 体验：通过分析用户行为和偏好，AI 可以根据每个用户的风险偏好和过往投资经验，创建个性化的 onboarding 体验。相比于文字版教程，AIGC 引擎在创建钱包、登录、交易、智能合约交互的每一步都能进行一对一指导，降低 onboarding 复杂性和用户流失率，让小白用户更安心。
3. 投资开户引导：AI 智能助手可为用户提供最新的市场数据、热度追踪和基础的投资建议。AI 助手可以为小白用户分析市场上最热的前十大 NFT/ 山寨币，生成详细的数据图表，并协助用户在各大交易平台完成开户和购买等操作。
Comment: 这类产品主要面对散户交易者，整体流量大，基础知识欠缺，需要保证产品的强安全性和权威性，很有可能是中心化交易所先做起来。此外 web3 结构化数据少质量不高，且市场更新迭代速度非常快，在数据获取层面存在不少挑战，目前大多项目尚未开启测试，产品体验不明确。
RCT AI 针对 Axie Infinity 开发了 AI 训练的 DRL（Deep Reinforcement Learning）模型，由于 Axie Infinity 所有卡牌的组合数量大约有 10^23 种，还有游戏中的博弈等特点，rct AI 的模型在大量模拟对战数据中提升了效率和胜率。
Comment: 在游戏领域 AIGC 的主要用例是做基础设施优化，较难成为一个独立的商业模式