Pantera 2024 重點關注領域：AI 趨勢不減，Web3 將在推理、數據隱私和激勵方面助力發展

區塊鏈技術生態系統中創新發生的速度會在每個週期中產生新的市場和垂直領域。

撰文：Chia Jeng Yang & Caroline Cahilly，Pantera Capital

編譯：深潮TechFlow

Pantera Capital 最近發佈了一份長篇文章，深入且細緻的講述了它們對2024加密市場的走勢、投資策略、關注領域和趨勢預測。

由於文章較長，我們按照內容主題將其分為了不同的部分進行編譯。

本文是全文內容的第四篇，由Pantera 的執行董事 Chia Jeng Yang 和實習生 Caroline撰寫。

從中可以看出其對AI和Web3的結合感興趣，並對AI和加密的結合做了細緻的劃分，認為Web3對於 AI系統的推理、數據隱私和激勵等方面能夠起到作用，相關的賽道也蘊含著機會。

深潮將該部分進行了編譯，以下是正文內容。

區塊鏈技術生態系統中創新發生的速度會在每個週期中產生新的市場和垂直領域。我們進行的研究擴展了我們的論點，幫助我們保持領先地位，同時也幫助我們在尋找和投資交易時最大程度地提高了覆蓋範圍。在接下來的文章中，我們將分享我們正在積極關注的領域。

AI x WEB3

AI：融合人類與電腦智慧

人工智慧模型生成的輸出，如大型語言模型，應該是人類和電腦大腦、數據和激勵系統之間最佳交互的結果。

能夠以自然語言交流是LLM令人興奮的地方，因為人類和AI可以使用相同的語言詳細說明復雜的過程。這是邁向協調系統的未來的重要一步，這些系統將人類納入其中。為了使這種合作變得更好，我們仍然需要開發強大的人機框架、機制和工具，這將鼓勵AI系統更有效地思考，產生更有用的答案，實現最佳結果。

Web3如何推動這種互動

電腦原生激勵框架將通過激勵眾包、問責制等來決定人類如何與人工智慧進行交互。我們希望考慮能夠最大化/優化電腦/人工智慧大腦與人類大腦之間發生的交互的產品另一方面（例如代幣持有者、開發人員），特別關注中長期用例。

展望未來，我們將深入探討人工智慧時代人機交互的以下三個方面：

以下是加密貨幣可以為AI提供的一些亮點，這些亮點將在整個論文中都有所涉及：

1. 支付：傳統金融支付具有明確定界。加密貨幣只需要幾行代碼。可編程性提供軟體產品的簡化集成，開發人員只需將錢包地址嵌入到代碼庫中即可，可編程性也提供了基於計算的靈活支付，這在現有基礎設施中需要太多的審計成本。通過避免過時的全球金融基礎設施，它降低了具有國際用戶群的產品進入市場的壁壘。此外，加密交易可以提供比傳統支付更低的費用。簡單且低成本的集成對於開源專案特別有利，因為開源專案的資源通常有限，而簡單性是協作和採用的關鍵。

2. 眾包：隨著LLM模型對LLM模型的人類反饋變得越來越重要，Web3激勵使數據眾包可以以更快的速度和規模進行。結構化的獎勵（和懲罰）系統還應該促進高質量資訊，吸引來自各種背景的大量貢獻者。

3. 數據控制：控制自己的數據（需要數據出處和隱私），在這種情況下變得越來越重要，因為：

• a.如果用戶可以輕鬆地獲得報酬或獲得更好的體驗，那麼他們可能會主動控制自己的數據（現在看來這是可能的）。隨著自主代理的崛起，用戶將能夠因其數據而獲得報酬，而無需主動幹預。並且，控制自己的數據的用戶應該獲得比個性化算法目前提供的劣質體驗更好的體驗。與以前的數據錢包嘗試不同，LLM現在不僅可以自動化大規模跨平臺手動數據收集，並且在上下文中更好地對非結構化自然語言數據進行情境化處理。

• b.公司可能會帶頭控制數據以保護機密資訊。新標準隨後將適用於個人。

我們特別激動的三個想法是：

1. 人工反饋推理：通過眾包（zk）知識圖進行邏輯推理

2. 機器學習（ML）追蹤人工智慧生成內容（AIGC）版稅：使用ML跟蹤來計算AIGC背後原始數據內容的版稅

3. 廣告數位孿生：隨著LLM取代蒐索引擎成為資訊檢索的形式因素，用戶偏好將通過與LLM進行互動，而不是通過網站進行蒐索。人工智慧世界中的廣告將需要基礎設施，使廣告技術能夠自動從數位孿生中提取個人偏好。

推理

儘管市場充斥著炒作，但LLM在規劃、推理、理解物理世界和類似任務方面都表現出困難，而這些任務是人類擅長的。這些錯誤的發生可能是因為大量的LLM模仿基於數據模式的推理，而沒有真正理解底層的邏輯/物理原理，因此按照人類標準LLM表現是不夠好的。

原則性推理的價值在於能夠處理未知問題，特別是考慮到變壓器（transformers）不能超越訓練數據的強有力證據。我們正在尋找解決推理問題的方案，這些方案既能幫助基礎模型，也能幫助當今的任何 LLM 集成系統，重點關注人類反饋機制，以實現更好的推理。

邏輯

知識圖譜（利用結構化資料庫捕獲實體、事件和概念之間的關係的方法）提供了一種將邏輯推理納入 LLM的有趣方法。

以下是它們如何可以被納入的示例：

1. 動態知識檢索：在推理過程中，根據某種注意機制從圖中動態檢索相關資訊。

2. 反饋迴圈：如果輸出明顯偏離圖表的理解，請使用此反饋進行進一步微調。

眾包知識圖譜：眾包將重新定義資訊收集和認證，有助於開發“包含所有人類知識和文化的倉庫”。

眾包知識圖譜將激勵用戶在模型訪問其貢獻時通過自動付款來貢獻數據及其邏輯連接。為了保持準確性，不正確的貢獻將受到懲罰，這是由一組執行一組商定標準的驗證者確定的。定義這些標準（針對每個圖表）將是成功的最重要的考慮因素之一。

Web3提供了一種以必要規模激勵知識圖譜創建的方式。此外，LLM推理的空白將是一個移動目標，Web3提供了一種在出現空白時激勵提供特定數據的方式。

此外，結構化的獎勵（和懲罰）系統將促進高質量的資訊並吸引大量來自不同背景的貢獻者。值得注意的是，用戶通過以一種生產性的非零和方式共享數據來創造價值，這與零和預測市場和去中心化預言機不同。

最後，在當前人工智慧的極限下眾包這些圖表將有助於保持相關準確性（即不復制現有LLM的推理能力）。

信任和問責機制

1.數據隱私

正在開發的對用戶數據的控制人工智慧很快就會與蘋果的硬體生態系統相媲美。我們必須考慮數據的隱私，因為：

• 隨著人工智慧無縫滲透到我們生活的各個方面，從智慧家居設備到醫療保健應用，人工智慧數據收集的數量正在呈指數級增長。

• 我們正在接近AI創造個性化內容的能力（例如使用LLM）以及用戶對這種能力的信仰的一個拐點。隨著用戶越來越頻繁、大規模地尋求AI提供真正個性化的體驗和產品，與AI共享數據的速度將急劇增加。

因此，數據隱私對於建立用戶對AI系統的信任以及使開發人員避免數據濫用（例如未經授權的訪問、身分竊盜和操縱）至關重要。

零知識證明 (zk-SNARK) 和完全同態加密 (FHE) 等 Web3 技術將通過實現加密交互並確保敏感資訊，使個人能夠真正擁有/控制自己的數據資訊仍然掌握在用戶手中。

最近的美國人工智慧行政命令強調了“加強隱私保護研究和技術，例如保護個人隱私的加密工具”的重要性，並引入了大型模型的報告要求。這意味著對 Web3 隱私/來源方法的監管開放程度增加，甚至這些方法有可能成為合規標準。

CrowdsourcedZKKnowledge Graphs（眾包ZK知識圖譜）：通過眾包的零知識圖譜，AI 可以從私有數據中獲益。具體來說，它們將具有“公共”節點（其中包含公共數據）以及“私有”節點（其中包含加密數據）。模型可以使用節點之間的邏輯連接來得出答案，而無需揭示知識本身，即最終答案中引用的節點將是公共的，但用於得出答案的節點不需要是公共的。

這些圖表還可以使刪除用戶數據變得更容易，因為即時訪問它們（例如通過動態知識檢索）可以避免將數據隱式存儲在經過訓練的模型中。

2.來源

沒有來源追溯，人工智慧可能會創造出深度偽造和不受約束的個人/私人/專有數據使用環境。通過 Web3，我們可以確定 NFT、其他媒體資產和模型使用的數據的來源，從而提供許多有前景的解決方案。

機器學習追溯AI生成的內容版稅：除了深度偽造之外，AIGC在藝術領域的興起給知識產權和版稅帶來了獨特的挑戰。例如，如果 AIGC 系統創作了兩位著名藝術家的歌曲混搭，那麼信用和經濟獎勵應如何分配給藝術家？鑑於 AIGC 的複雜性和可變性，用於確定此類分配的傳統模型越來越不適用於 AIGC。

機器學習追溯提供了一種方法來識別AIGC作品的原始組成部分，在 AIGC 生成時控制來源對於實現這種追蹤至關重要。

在AIGC缺乏強大的全球支付基礎設施的情況下，像YouTube這樣已經具有版稅支付機制的平臺將佔據先機，並有機會進一步集中他們的權力/影響力。

為了使AIGC的創作民主化並確保藝術家獲得公平的補償，需要一個新的支付系統。與AIGC模型本地集成的區塊鏈支付網路可以從第一天開始實現全球即時支付。然後，機器學習追溯和區塊鏈可以集成到各種平臺中，減少像YouTube這樣的現有平臺目前擁有的優勢。

對這項技術的投資能夠支持版稅的公平分配，也可以通過為更多的創作者開闢機會，促進AIGC的創新。

AI 激勵

隨著人工智慧模型的行為越來越自主，我們希望開發出能夠激勵它們按照人類願望行事的系統。

自主代理

自主代理是可以與其環境進行智慧交互的模型（例如，利用工具並生成 API 調用來訪問即時數據），與算法進行交互以進行推理和決策，並在無需人工直接控制的情況下采取行動。它們表現出目標導向的行為，可以從經驗中學習，但僅在非常狹窄的環境中可靠（例如自動駕駛）。隨著人工智慧模型越來越多地從資訊檢索轉向代表用戶執行操作，由人類用戶可驗證授權的自主代理，使用數位原生貨幣進行商業的採用可能會增加。

數位孿生定位：傳統的基於蒐索的廣告正在下降，因為像ChatGPT這樣的對話AI模型有望成為資訊檢索的主要來源。這對AdTech行業構成了挑戰，因為通過蒐索引擎和Cookie進行的傳統廣告面臨著回報遞減的問題。

當市場開始意識到這些個人模型，而不是Cookie，是理解用戶偏好的基本單元時，允許廣告商從其他現有模型中提取用戶偏好的模型可能會開始佔主導地位。使用這些模型，廣告商可以實現以前無法實現的程度的個性化，同時通過加密方法維護用戶的隱私。

一個促進這種互動的新平臺有可能繞過現有的軟體和硬體巨頭，如谷歌和蘋果。

具體來說，當用戶決定創建數位孿生時，他們將授予它訪問他們的蒐索歷史、當前賬戶（例如，谷歌、ChatGPT、亞馬遜）、硬碟等的許可權。該孿生將開發他們數據的初始摘要，包括他們與之互動的公司、興趣等，並保持持續更新。

然後，用戶可以設置允許數位孿生如何以及向誰出售其數據的許可權。例如，想像一個按鈕，上面寫著“讓我的廣告機器人與GPT-4、Meta AI等交流”。數位孿生將自主與廣告商的AI模型互動。廣告商的模型將確定是否值得定位，甚至無需知道用戶的身分。當定位時，用戶將以各種形式接收廣告（例如，通過文本、與LLM討論等），並作為獎勵獲得報酬。

在這個數位孿生的市場中，加密支付網路可能是最簡單的允許模型補償其與其他模型互動的方式，因為交易僅需要幾行代碼。此外，激勵措施的設計應確保有針對性的數位孿生對廣告商具有最大價值。因此，廣告商應該只針對具有代表用戶偏好的乾淨、準確數據的數位孿生。

總結

AI和Web3技術的結合有潛力在AI系統的推理、數據隱私和激勵方面進行革命。基於區塊鏈的解決方案應促進安全、高效的交易和數據處理，同時激勵不同來源的貢獻，以增強人工智慧的開發和應用。人工智慧和加密技術之間的這種共生有可能創建更強大、更高效、以用戶為中心的人工智慧系統，解決人工智慧領域的關鍵挑戰。