EN
撰文：VION WILLIAMS
这是一篇信息密度极高，也是目前业内对 AI+Web3 最硬核的综合分析。
本文涵盖了诸多学科的领域范畴，从学术探究到商业趋势，有着深刻的哲学洞见，首次了点明「去中心化」之迷思的根本原因，为 AI+Web3 进入概念史的统一场域，完成了理论性建设。
本篇文章通过 10 个代表性 AI+Web3 的项目，引用数十篇 AI、Web3 相关文章、论文等，并洞察了 2024 年 AI+Web3 的可能十大发展趋势。
本文希望能够助你扫清对 AI+Web3 的行业迷雾，消除过往的立场偏见与认知误区，帮你踏入 AI+Web3 的未来发展之道。
序言
我过去一年时常面临着 AI 领域的朋友，对 Web3 的质疑与批判；也时常面临 Web3 领域的朋友，对 AI 的保守与观望。
AI 和 Web3 是天生一对，从业者因偏见而互相埋汰，这确实是不应该的。
所以，我此次试着从概念史与三种历史时间分析法、从语言分析哲学与认识论的控制论，深度探究今日技术路线之认知分歧，偏见成因。
本文重点回答了 AI 从业者对去中心化这一叙事的批判，消除了 AI 从业者长久以来的疑惑，也点明了“去中心化信仰”对 Crypro/Web3 行业，在近年来形成思想困境的根本原因。
总而言之，我试图回答一个真理，这个根本性问题的回答，让 AI+Web3 实现真正的融通，扫清了我们对其思想性的障碍，实现从认识论范式的根本性转变。
说明
笔者从整个写作逻辑与表达顺序的设计，意图在这个碎片化信息泛滥的环境中，本文将为你构建一个深度思考的阅读场域。
本篇共计分为三大部分，从研究范式与分析逻辑，到案例介绍与分析洞察，以及未来发展趋势的预判，这三大部分具有层层递进的关联性，引导你进入一个深度思考的阅读空间。
本文长达 2 万字，笔者历时半个月，值得你花一小时阅读 。
独立进行 AI+Web3 这一庞大命题的探索，依旧是存在诸多不足。不完善 / 有疏漏 / 不严谨等不足之处，还请各位读者海涵。
一、研究范式与哲学洞察
对当前广泛讨论语境的洞察
我们是如何讨论 AI+Web3
在当前的中文互联网中，探究 AI+Web3 的严肃思考是稀缺的，而在已知的认识范式中，最为普遍的是引用历史唯物主义中对社会生产的理论阐释，即生产力决定生产关系。
AI 代表生产力、Web3 代表生产关系，AI+Web3 作为生产力与生产关系互相影响，将会创造新的社会生产体系，这是当前 AI+Web3 最广为接纳的讨论语境，正如我在这篇文章的阐释， AI 智能体与人类的未来协作方式、合作组织与生产空间（万字长文）
另一种值得关注的 AI+Web3 认识范式，则是从控制论的历史出发，即对「Autonoumous」这一概念的历史性阐释，以及从机器自主性探究控制论的技术哲学观。
在这一历史溯源的探究中，从控制论到计算机，AI 和 Web3 都是对「自主性」的不同实现路径的同一技术追求。这一认识范式的典型以 王超（AI+Crypto 的跨领域投资人）在其文章《 AI 和加密的历史交汇 》所阐释。
在当前 AI+Web3 的认识论范式上，存在知识体系与历史概念间的隔阂，导致学术、技术以及人才的割裂。
若我们能从根本性上消除两者的隔阂，我相信 AI+Web3+Metaverse 这一被广泛追求的整合共识，会加速技术路线的融合并推动技术产业的整体跃迁，并推动人类在数字文明进一步的发展。
在本篇文章中，我将引入更多新的认识范式，从跨学科整合到跨媒介叙事，从语言分析哲学到历史概念的时间分析理论。
第一性原理构建 AI+Web3 的研究范式
在思考场域中寻找相关性与可能性
当前对 AI+Web3 的探究中，以诸多碎片化言论为主，这些碎片化的讨论，往往都缺乏对前置语境的补充，以及构建一个独立深度的思考场域。
在缺乏前置语境与共识场域的情况下，因为目的与动机的不同，自然让 AI+Web3 容易招惹不同技术路线的争议，由此也导致了 AI+Web3 难以达成共识。
由于移动互联网的造成的信息碎片化，以及推荐算法所构建的信息茧房，网络语境下的交流，普遍以单向性的观点碰撞为主，而大量掺杂偏见的观点碰撞，塑造了广泛舆论的认知谬论。
任何严肃的讨论都需要对所处信息环境进行解构，并重新构建一个具有双向的、具备深度交流的思考场域。
在我目前探索下来，线上或者线下 Workshop，是构建有效交流与思考场域的最好方式。一定要在一个高质量的信息交流与深度思考的场域，进行高价值命题的研讨。
AI+Web3 是一个极度复杂，但价值极高的研讨命题，一定要避免一切泛泛而谈的交流。
当我们有意识地构建一个得以深度思考的场域时，我们才能建立对诸多不同意见的「求同存异的相关性」与「和而不同的可能性」。
相关性是我们研究任何技术路线的基本方法，无论是 AI，还是 Web3，其技术的形成历史，其技术所作用的商业，以及技术所引发的对社会议题的思考。
从尽可能多的相关性内容去展开，如同把两个石头丢进求知之湖，湖面泛起的涟漪总会碰撞在一起，而又继续蔓延开来。
在相关性所涌现的无数个交叉点中，都代表着这个不一样的可能性，这种可能性可能短暂存在，但也可能落地成真，所以用相关性交叉的方式捕获可能性，会让我们洞察更多的趋势和新机会。
你在阅读这篇文章时，本质上就是在作者是所构建的思考场域中，不停地触发你对 AI+Web3 的相关性与可能性的思考。
从跨学科整合寻求更加全面的认识
「整合的意义在于结合或融为一个功能性整体，其目的无论是为了得到一个新的整体或者新的意义，但更重要在于让我们形成更加全面的认识。」
如何进行跨学科研究
当前业内对 AI+Web3 的普遍讨论交流中，AI 与 Web3 都是从构成性分开讨论的，缺乏从深层解释 AI 与 Web3 的关系，其次也缺乏从整体系统性上探讨两者的整合。
我认为，当我们进入一个 AI+Web3 的思考场域或者讨论空间时，我们真正要探讨的，是关于 AI+Web3 为何需要整合，以及如何整合，这才是真价值所在。
而如何基于社区建立一种科学的跨学科研究方法，也是业内探索 AI+Web3 的关键步骤，在《Co-design for Interdisciplinary Research Communities》这项研究工作中，就提供一个基于跨学科社区如何进行协同设计的方法；
跨学科整合就是批判并评估学科见解（技术路线见解），并在它们之间创造共识以构建更全面认识的认知进程，跨学科应该作为我们探究 AI+Web3 的基本方法。
因为 AI+Web3 并非明面概念上的拼凑，AI 背后所代表的一系列相关技术路线，如 LLM、Transformer、AI-Agents、COT、RAG 等，与 Web3 背后所代表的诸多技术概念，如 DAO、NFT、ZK、Defi 等。
跨学科研究的价值在于，我们使用一种科学规范的方式，对双边技术路径体系进行整合，形成更为全面的认知，以及创造出全新的技术。
跨媒介叙事中理解技术构建的世界
叙事作为一门学术理论被 Web3 普遍滥用为一种营销手段，而在传统科技人才中，对其认知仅仅是作为一种讲故事的营销手段，这些都是对叙事的误解与偏见。
叙事学理论是对叙事的一切可能形式的研究，通俗意义上就是针对故事如何被更好地传递与表达的学问。
而自叙事学从文学理论中衍生出来时，叙事不再依赖于文本构建一个文学故事，叙事借助符号媒介实现了跨媒介叙事的能力。
当代叙事理论的意涵，在于通过跨媒介叙事的方式，构建一个与现实世界建立关联影响力的可能世界。
在《Possible Worlds in Video Games: From Classic Narrative to Meaningful Actions》一文中，作者 Antonio José Planells 对 Marie-Larure Ryan 关于可能世界与现实世界所呈现的模型图：
对于 AGI 和 Web3 这两个概念而言，在当代显然已经完成了叙事学的构建，AGI 所指引的可能世界，以及 Web3 所指引的可能世界，已经施加了对现实世界的影响力。
以 OpenAI 为代表的 AI 技术叙事，其目的是为了实现 AGI，创造一个把人类从重复劳动中解放出来的世界，而 Crypto/Web3 的其中一个叙事构建，例如加密技术试图从财产所有权出发，构建一个个人主权的网络国家。
事实上，AGI 和 Web3 都存在诸多不同的叙事，而技术则是作为其承载叙事路径的一种实现媒介，既是工具也是路径。
叙事理论的价值，在于帮助那一小部分真正推动行业的布道者、建设者们，在探索 AI+Web3 的未来形态中，提供技术哲学的路径指引。
复杂系统作为认识论提供一种延续
复杂系统科学常被定位于跨学科研究的一种方式，但我在此将其单独拿出来，因为在本篇文章所构建的思考场域中，跨学科整合更偏向于在技术体系的“相关性与可能性”中形成全面的认知。
复杂系统科学本身就是一个难以被定义的理论学科，系统作为一种哲学其实吸收了知识论与还原论，使得抽象思维工具本身也作为一种可被吸纳的对象。
所以复杂系统科学在本文所构建的思考场域中，作为一个监察机制以及提供一个黑盒，对跨学科整合与跨媒介叙事所不涉及到的未知性，提供一个思考的延续空间。
从历史的基本概念出发，探究当下所言何物
科塞雷克与过渡时期的鞍型理论
当我们意识到，AGI 和 Web3 作为极具标志性的技术概念时，我们就不得不引入概念史的分析方法，在此我们引用科塞雷克的鞍型期理论。
科塞雷克在其《历史的基本概念》中提出的，概念史所探究的是概念与事实之间的关系，概念具有多义性，其多义性是由于历史在诸事件所产生的含义将其融入概念之中。
概念是历史现实中的经验、期待、观点 以及阐释的联结体，不仅是作为一种描述特定的事物的词汇。
而 AGI、Web3 为何需要基于概念史的概念分析，其原因在于这两个概念同概念史的基本理念一致，即概念在历史经验与社会现实的变迁中密切联系。
「科塞雷克名声大振的『鞍型期』概念。他藉助『鞍型山体』（Bergsattel）意象，即连接两座山峰之间的鞍型过渡地带，提出了西方史学中著名的『鞍型期』（德：Sattelzeit；英：saddle-time / saddle period）概念，意指过渡时期或时代界线，故而亦有『界线期』（Schwellenzeit）之说，其时间范围约为 1750 年至 1850 年。」
概念史与历史时间理论：以科塞雷克为中心的考察 —— 方维规
深刻理解概念本身，其实就是在挖掘附着在概念的技术发展史，如何在变革时期经历了诸多语义的转化。
例如 AGI 通用人工智能的概念，也经历过弱人工智能与强人工智能的概念历史，而今天我们已经很少提及强 / 弱人工智能的概念。
而在 Web3 这一概念中，从 Web2 到 Web3，从 Crypto 到 Web3，这些概念时间性也是技术概念在社会事件的演化变迁。
所以从概念的历史分析中，AI 和 Web3 也同样来到了鞍型期。
今天的我们对 AI+Web3 的探讨，事实上继承了 AI 和 Web3 两者概念的经验空间，而使用「+」又呈现了我们对两者结合的期待视野。
「AI+Web3」这一组合概念的使用，而不是创造一个具有两种意涵的新概念，在于我们正处于前沿技术交叉的过渡时期，我们暂时还没完成对那个期待视野的概念建构。
历史沉淀于特定的概念：历时性与共时性
大众对于 AGI、Web3 这些概念的普遍理解，是历时性的。例如网络媒体通过对不同事件所捕捉到的信息，其所塑造的舆论氛围与话语形式，影响了我们对这些概念的认识。
例如我们可以拿最近 SEC 批准现货 BTC ETF 这个事情，从话语形式上可以标记 Crypto 这一概念进入了主流金融市场，标记着 BTC 不再是非主流的货币资产，这一事件重新塑造了大众市场中，原本对 BTC 存在偏见的群体。
对于一名合格的历史学家而言，至少要掌握共时性与历时性两种模式进行讨论，因此共时性是一个被使用更多的时间分析方式，共时性体现的是事件在时间之流的全部体现。
对于资深的加密人士而言，从 2008 年比特币白皮书的发布到 2024 年 SEC 的批准，这十几年比特币所经历的一系列相关事件，才构成了加密人士对比特币的共时性认知；
而对于今年才接触比特币保守传统的金融人士而言，SEC/BTC 的概念关联结构， 构成其对比特币的历时性认知。
而事实上，共时性在历史社会学中，也用于研究分析文化体系的变迁，而我们也可以从共时性与历时性中，通过标志性的转折事件，探讨加密文化的变迁：
- 2008 年中本聪发布比特币白皮书，正式宣告一种点对点的电子货币系统，其诞生就是为了对抗中央垄断的金融体系；
- 2010 年用 BTC 交易披萨的买卖，被视为加密货币的第一笔交易，比特币至此从一项实验成为一种货币；
- 2017 年以太坊的 ERC20 使得每个人都有发行加密货币的能力，因此奥地利学派的经济思想，在加密领域风靡盛行；
- 2022 年 DAO 与 NFT 的兴起，Web3 数据所有权、DAO 的主权个人、NFT 的资产通证等思潮成为加密文化的主流。
- 2024 年 SEC 批准比特币现货 ETF 的交易，为沉寂已久的加密熊市注入传统金融的资金，至此加密货币也历史性地被纳入了中央金融体系中的一种金融资产。
事实上，SEC 事件其实是加密货币的一次重大的文化共识的叙事转折，这次转折其实动摇了加密文化的根基。
因比特币而兴起的「去中心化」加密文化思潮，现在又因比特币开始自行解构。
因此，我们从共时性中看历时性，在货币 - 文化的双重体系中，看到 Crypto 如何因为特定的事件而变迁。
复杂概念的时间结构：不同时的同时性
「概念史揭示融会于一个概念的不同时的同时性。如此，并不与时间顺序相等的历史深度，得以显露系统性或结构性特性，历时和共时交织于概念史。」
概念史与历史时间理论：以科塞雷克为中心的考察 —— 方维规
当我们对 AGI 和 Web3 这两个概念进行时间性的分析时，我们需要引入第三种关于时间的分析方式，即「不同时的同时性」，因为这两个概念所代表的社会 / 政治的文化意涵要更加复杂。
不同时的同时性是一种相对复杂的时间分析方法，但在此我用一些相对通俗的关键点进行描述。即时间层次与历史深度两个概念。
时间层次指的是概念在时序语境中的不同含义，而历史深度则是指词语存在不同时序语境的不同含义，而这些时序中的含义在共时性中发生了重叠。
「此处『历史深度』，是指词语含义和运用的历时顺序在概念中的共时叠合。换言之：不少概念在鞍型期的嬗变，使新旧含义附着于同一个概念（重叠语义），很能见出不同时的同时性。鞍型期的概念都有不同的时间层，各层含义经时不一。
例如大多数政治 / 社会基本概念都有古代亦即古希腊或古罗马的含义余韵，尽管已经过时，受到其他语义的排挤，但概念的『历史深度』还在，经时二千年之久。
与此相反，另一个时间层的政治和社会变化、变革和加速过程则经时不长，但新概念渐次取代旧世界的政治和语义逻辑。」
概念史与历史时间理论：以科塞雷克为中心的考察 —— 方维规
在此可以举一个例子，以 2022 年的 Web3 来进行不同时的同时性分析，在 Web3 概念兴起的 2022 年：
在传统互联网的时序中，从 Web2 到 Web3 所代表的含义，是指 Web3 代表了互联网范式下的下一代互联网，这里的时序语境范围是 1969 年~2022 年；
在 Crypto 到 Web3 的时序中，代表的是「加密货币的思想」对生产关系的延伸，也由此推动了 DAO、NFT 的叙事共识，这里的时序语境范围是 2008 年~2022 年（此处以比特币白皮书发布为时序起点）；
DAO 与 Web3 所形成的时序含义，又进一步深化了「去中心化自治组织」中，关于「民主 - 投票 - 治理」的议事结构对个人主权的叙事，并推动了 Web3 对加密世界 / 数字世界的广义公共性的探讨与建设，这里的时序语境范围是公元前 500 年~2022 年；
所以，这三段不同的时序在 2022 年中碰撞在了一起，造成了 2022 年社会各界对于 Web3 是什么，无法达成一致共识的原因，各家解读，众说纷纭。
Web3 这一概念在时间性上是复杂的，仅靠历时性和共时性无法让我们对其形成概念发展的基本认知。
必须借助「不同时的同时性」这一分析方式，对其多层时间结构中的含义梳理，才能洞见 Web3 这一概念的深刻意涵。
同理，我们也得以使用这三种时间分析的方式，对 AGI 这一概念进行深入的探讨，由于 AI 这一概念的历史尺度更加长远，限于篇幅在此就不展开。
语言分析哲学对符号 / 概念 / 隐喻的主体性构建
概念的类比与知识的隐喻
当我们开始认真思考一个概念的时候，这一行为如同将一束阳光照射在一个多面棱镜体上，概念就是这么一个多面棱镜体。
多面棱镜体所折射出的可见反射光，就是我们所能看见的关于这一概念的阐释，而可见光只是被反射出来的光谱中的一部分，大量的不可见光构成了概念的隐喻光谱。
隐喻是一种对概念的修辞手段，在特定的历史语境中，概念往往被植入诸多隐喻，而群体在交流互动中所形成的对概念的共识，本质上也是在构建并维护概念的隐喻光谱。
我们对诸概念的共识，来源于我们所共同看见的隐喻光谱。
诸多概念构成了我们知识体系的主要锚点，例如我们对 AI、Web3 的知识体系构建，直观上就是由一系列的关键概念构成。
而概念的隐喻，构成了知识的根隐喻，这些概念的隐喻在知识体系中以隐喻的光谱而呈现，一部分以字面意义的知识呈现，但很大一部分以各种修辞假借的隐喻深藏其中。
隐喻如何植入概念并形成共识
正如 Web3 这一概念，在数据所有权回归的叙事中，被植入了加密思想的主权个人隐喻。
这个隐喻的植入方式，是在对 Web3 这一概念的解构中，在广泛的「民主投票治理」的讨论语境中，引入「主权个人」的语素，附着在「民主」的相关语句之中。
这里我总结了一套如何植入思想隐喻的公式：
抢占舆论 > 解构概念 > 公共讨论 > 广泛语境 > 引入语素 > 附着语句 > 叙事构建 > 文化衔接> 集体共识
语素构成了我们在讨论语境中对词汇的特指，借此实现在特定的交流语境中，完成了对概念的隐喻修辞，并成为叙事共识的一部分。
再举个例子，当公民数据和用户数据两个概念出现时，其实已经完成了特定的前置语境的构建，以公民数据这一概念为代表，前置的语境是国家下的公民在国家边界内所产生的一切数据。
公民的活动是社会性的，进一步可分为公共数据与私有数据，这一区分决定了国家数据保护法的政策制定依据。
我们对 Web3 这一概念的全部表达，事实上反映了我们对 Web3 的知识体系的完整构成。而隐喻深藏其中，而我们却时常视而不见。
AI 领域的从业者由于不在 Web3 的叙事交流语境中，而是从技术概念本身去解构 Web3 的时候，注定丢失了 Web3 在叙事语境中存在的大量隐喻，而正是这些隐喻构成了 Web3 世界的集体共识。
当前 AI 领域的从业者，普遍无法真正理解 Web3 的最根本原因就在于此。
概念的类比与语言的堕化
我们时常对概念的可见部分，进行关联的类比，这是认知神经关联的大脑本能。人类大脑对概念建立关联性的优先级，要高于对概念建立因果关系的优先级。
当我们在讨论去中心化时， 往往语境中会形成一种惯性认知。
即去中心化的组织 / 机构，无需中央机构监督的一种自发组织形式，而由此又会进一步类比关联到一种自下而上的、自发性的民间组织，后面由此衍生的一系列可能关联的类比概念。
未经训练的大脑，无法深刻理解词汇背后的深刻意涵，更何况是在移动互联网割裂注意力的网络时代，注意力经济塑造了信息如何被最高效率化的接收，即消除词汇的精确性及其相关意涵，将词汇通俗简化为单一标签。
眼下，我们正处于一个语言堕化的时代。
我们失去了将概念在概念群或者意义群当中，得以展开延伸的思考空间，失去这一空间意味着我们的思考踏空了支撑概念的土壤。而大脑神经对单一标签概念的关联性，又进一步造就了概念在特定语境的语义失真。
人的思想性被囚禁在标签式语言符号的边界之中。
所以，我们作为科技领域的从业者，我们有必要客观认清我们当下所处的语言符号困境，我们无时不刻都在遭受语言堕化的威胁。
当我们在认真探讨 AI 与 Web3 的时候，我们需要从语言本身理解，我们所阐释的、所意涵的、以及其概念的隐喻，我们才能尽量避免语言堕化的陷阱。
深度有效的交流需要构建一个特定的、受保护的思考场域。
对去中心化历史语境的解构
当我们在讨论「去中心化」这一概念时，本身是在中文词汇的交流语境中，我们需要追溯到其英文单词「decentralization」。
当我们对「decentralization」这一单词进行翻译时，本质上「decentralization」的英文语素并不等于中文语素下的「去中心化」，也并不代表其精准的、明确的完全等同语义。
由于当代面临的语言符号困境，即碎片化的知识与单一化的标签，抹杀了网络环境中人们对精准词汇的理解与掌握能力。
「Decentralized」和「Decentralization」，常在中文语境中被我们翻译为「去中心化」，但在其概念史的语境中，作为语素所表达的概念隐喻，是对权力结构的再分配方式，而不是脱离 / 推翻原有的权力结构，并形成一种完全自由、自发性组织的新主体。
Decentralized 依旧是在一个具有整体边界的权力关系结构中，改变的是权力关系在再分配结构中的延展逻辑，而不是类似 Revolution 形式对权力结构进行根本性的改造 / 推翻。
Decentralized 这一概念的本质，是认识论对控制论的一次解构，Decentralized 是解构的产物，不是对建构的指引。（划重点！）
在认识论的控制论｜Heinz von Foerster 的一文中，海茵茨说道：「『认识论的控制论』（Cybernetics of Epistemology）的真正意思是『控制论的认识论』（An Epistemology of Cybernetics），这不仅是一种控制论的认识论，而且任何声称完备的认识论，都将是某种形式的控制论。」
将 Decentralized 视为建构的指引，本质上是将认识论错置为主体论，这是造成「去中心化」思想困境的根本原因。（此处为重点）
不管有意或者无意，过去的叙事方式犯下了根本性的错误，将「去中心化」作为叙事共识的主体性符号，使得这一符号成为塑造共识的存在主体，脱离了其原来作为一种认识论的解构功能。
我一直认为，「decentralized」和「decentralization」被翻译为去中心化并被广泛语境所大量使用，是非常糟糕的语言符号的堕化现象。
所以你会发现，整个加密领域的叙事哲学，从 2009 年至今，十几年了没有任何根本哲学的实质性发展，以太坊正统王是指望不了的。
其实不禁唏嘘，金融垄断的根本成因在于资本异化的必然规律，加密货币其实也脱离不了金融货币本身的异化魔咒。
认清这一根本性事实，有助于我们把 Crypto 放在合适的历史位置，而不必和 Web3 发生混淆，也为后续 Web3 叙事概念的建构，汲取历史经验的教训。
我估计 AI 领域的从业者也很难相信，当 Crypto 开始自我解构时，Web3 所呈现出来的去中心化信仰，事实上就沦为一种被语言堕化所造成的，一种形而上的符号化囚徒困境。
无论是坚持去中心化信仰，又或者祛魅去中心化信仰，都会继续面临一个巨大的思想困境。而这些思想性的问题，都是我们在探讨 AI 与 Web3 的现状时，不得不考虑的重要因素。
所以，结合上文，我们通过历史学的时间分析，点破了加密文化中的「去中心化」开始了自我解构，而通过对语言分析哲学的使用，我们消除「去中心化」与「中心化」这一思想性的概念隔阂。
这项理论分析工作的完成，得以让 AI+Web3 进入了概念史的历史统一场域之中。
AI+Web3 得以进入共同历史的经验空间，一致面向未来的期待视野。
二、洞察行业现状与趋势
在我现阶段有限的信息掌握范畴中，从中挑选了 10 个我个人感兴趣的的案例，这个代表性并非是对市面上所有 AI+Web3 项目的代表性，在此特指声明。
我认为的一个好的代表性项目，在于其具有良好的相关性，正如「概念的类比与知识的隐喻」这一章节所阐述的，相关性所延展开来的概念，有助于我们了解更多隐藏的信息，并挖掘出更多的可能性。
注：以下 10 个代表项目仅学习参考，不构成任务投资建议。
1、基础设施
基础设施决定了 AI+Web3 在未来的商业应用生态，基础设施最重要的价值，其实就是解决 AI on-chain 的难题，目前比较典型的技术如 zkML（Zero knowledge machine learning），即零知识证明与机器 学习结合的技术路线，能够实现将 AI 的推理证明上链。
而事实，AI on-chain 是一个比较前沿的命题，也取决于不同的开发团队对 AI on-chain 的理解，当前 AI 生态的基座是大模型，Web3 生态的基座是公链，模型与公链之间建立桥梁又或者两者融合，决定着未来该交叉领域的根基。
Bittensor
Bittensor 是一个用于去中心化子网的协议。子网的存在是为了产生去中心化智能。每个子网是一个基于激励的竞争市场，旨在产生最优秀的去中心化智能。
子网运行在区块链上，构成了 Bittensor 生态系统的核心。子网参与者的奖励以 TAO 代币的形式提供。
引用自： https://bittensor.com/
通过 Bittensor 的白皮书概述，我们也能够大致看待 Bittensor 试图所构建，一个点对点的智能交易市场。
与其他商品一样，市场可以帮助我们有效地生产机器智能。我们提出了一个市场，其中智能由互联网上其他智能系统进行点对点定价。
节点通过训练神经网络对彼此进行排名，学习其邻居的价值。分数累积在数字分类账上，排名高的节点通过在网络中获得额外的权重而得到货币奖励。
然而，这种点对点排名形式对勾结不具有抵抗力，可能破坏机制的准确性。解决方案是一种激励机制，最大程度地奖励诚实选择的权重，使系统对高达网络权重的 50% 的勾结具有抵抗力。
结果是一个集体运营的智能市场，不断产生新的训练模型，并支付为信息论价值做出贡献的参与者。
引用自：Bittensor: A Peer-to-Peer Intelligence Market
Cortex
第一个能够在区块链上运行人工智能和人工智能驱动的去中心化应用（dApps）的分布式世界计算机。
Cortex 是一个开源、点对点、去中心化的区块链，支持将人工智能（AI）模型上传并在分布式网络上执行。
Cortex 通过提供一个开源的人工智能平台，使得 AI 模型能够轻松集成到智能合约中，从而创建增强人工智能的去中心化应用程序（DApps），实现了人工智能的民主化。
引用自： https://www.cortexlabs.ai/
Spice AI
Spice AI 是一个可组合、即插即用的 AI 数据的基础设施平台，预先加载了 Web3 数据。加速下一代智能软件的开发。
Spice AI 的企业级解决方案，Spice.ai 在内部建设所需的时间的一小部分和成本的一小部分内，提供了预先填充的、面向全球的数据和 AI 基础设施。
Spice.ai 通过单一且互连的 AI 后端服务，提供了构建数据和 AI 驱动应用的构建块，包括实时和历史时间序列数据、定制 ETL、机器学习训练和推断。
引用自： https://spice.ai/
Lets Workshop
AI 与 Web3 在算力资源的这个市场中，我认为高度集中的、分布式的都会同时存在，根据具体情况有属于自己各自合适的方案。
例如 OpenAI 在训练大模型必然需要集中的算力资源，但 OpenAI 同时也在探索使用分布式算力资源的技术方向。
以 Google 的 Gemini Nano 为代表的端侧大模型，支持在手机等移动安卓设备上 运行，而这也是越来越多的模型厂商的发展趋势。随着 GenAI 在手机端生成内容（图片 / 视频）的增长需求，分布式算力资源网络的建设，也会成为一块很重要的市场。
在一个分布式的算力资源交易市场中，Web3 天然具有天然的优势。
算力资源作为 AI+Web3 发展的硬通货，但是算力资源的分布是不均匀的，虽说当前是朝着主力算力资源群集中垄断的方向发展，但由于算力资源不同于自然不可再生的资源，算力资源受到算法、硬件、政策、市场规模等诸多因素的影响。
如何在分布不均的算力资源市场中，寻求一种更优的资源交易策略，我认为是接下来一个关键的市场机遇。
例如在《A Resource Allocation Scheme with the Best Revenue in the Computing Power Network》这篇论文中，为了优化算力网络的资源分配，认为需要一种交易机制来鼓励用户出售他们的空闲资源。迈尔森拍卖机制的目标是精确地最大化卖方的利益，提出了一种基于迈尔森拍卖的资源分配方案。
事实上，我相信随着算力网络资源的交易复杂性日益递增，这一交易动作我相信很快将由智能体来接管，在《Negotiating Socially Optimal Allocations of Resources》这篇论文中，提出了通过多智能体在资源市场中进行多边交易，通过对社会经济政策的应用，如公平原则、帕累托最优解等，通过智能体作为交易代理实现资源分配的最优解 。
事实上，当智能体开始介入到对算力资源的交易市场时，最终比拼在于算法博弈策略，例如在《Greedy Algorithms for Maximizing Nash Social Welfare》这篇论文中，提出将贪婪算法用于最大化纳什社会福利，即“贪婪”的智能体实现社会福利的最大公约数。
所以，我们从前沿的技术中，得以洞察到算力资源这一竞争性市场中，智能体的交易算法与博弈策略，将会成为算力商业的关键核心，有先见之明者，应该提前为这泼天的富贵做好准备。
4、AI-Agents
大模型 +Agents 会是接下来所有大模型厂商的核心战略，也将构成 AI+Web3 生态中最重要的部分。
简单来说，智能体就是一种具备自主感知、自主决策 、自主执行的智能单元，关于 Agents 的初级认知，可以参考 Lilianweng 的《LLM Powered Autonomous Agents》，其在 Agents systems overview 的结构图被广为引用。若进一步了解什么是 Agents： 10 个具有代表性的 AI-Agents，将如何改变互联网 / 重塑 Web3 。
随着 GPT5/GPT6 的发布，具备低程度自主意识的智能体可能会在 2024/2025 年出现，这个时候的智能体会被我们广泛接纳为 Web3 的用户，而不再是一种智能程序。
智能体会以 7*24 小时全天候的方式，介入到整个人类社会的经济 网络之中，同时也会对 Web3 以人为本的产权经济的再分配逻辑，造成整个行业的叙事逻辑转向。
未来具备自进化能力以及拥有一定程度自主意识的智能体，以及多模态多智能体、具身智能智能体等都有可能会在 2024 年进一步爆发涌现。这一方向的涌现过于震撼，后续我会在单独发表一篇关于 Agents 的研究文章详细叙述。
在智能体与 Web3 的交叉领域时，如何构建一个更优的任务代理与交易网络是关键命题。
Fetch.ai
Fetch.ai 是促进人工智能驱动的去中心化数字经济的平台。
Fetch.ai 使任何人都能创建一个 AI-Agents，并推出了 Agentverse 服务。Agentverse 提供了一个强大的平台，用于创建、测试和部署适应您所有需求的代理。它提供了用户友好的界面、一套工具和库，使构建和训练 AI 代理以及将它们集成到现有系统中变得轻松。
在 Agentverse 上操作的用户可以将他们的 AI 代理部署到 Fetch.ai 网络上，从而可以被发现并用于提供各种各样的服务和用例。
https://fetch.ai/
Delysium
Delysium 提出了一个 AI-Agent 网络和支持生态系统，侧重于确保安全性、可扩展性和高速通信。
该生态系统的结构简化为两个主要层次：通信层和区块链层。更广泛的生态系统，包括智能体的社区、开发和互动。
Delysium 的生态系统是一个促进多样化智能体和用户发现与互动的动态环境。它被设计为支持智能体网络和社区的持续增长，培育一个创新和发展的包容性空间。
通过专注于这些核心层次和生态系统，Delysium 解决了有效管理不断增长的智能体和任务的网络的迫切需求。
在这个框架内集成区块链技术提供了增强的安全性、透明性和基于共识的治理的额外好处，这对于保持与人类价值和目标的一致性至关重要。
引用自： https://www.delysium.com/
Lets Workshop
随着多模态大模型，端侧大模型、以及智能体、具身智能等技术在 2024 年的飞速发展，以 GPT-5 为代表新一代多模态大模型即将出现，以及 Vision Pro 为代表的空间计算提供了全新的数字创作环境，创作者经济在 AI、还是 Web 都将迎来巨大的革命性变化。
作为一个对技术趋势敏感的内容创作者，我也深感 2024 年的不平凡。技术焦虑指数与创作者经济增长，会成为一个令人寻味的正相关公式。
而随着智能体正式进入 Web3 的创作者经济生态，也将为诟病已久的 Web3 创作者经济带来新的生机。在过去的创作者经济中，创造力一直是创作者的核心竞争力，而随着智能体同样具备的创造力，创作者需要重新意识到新的创造生产力将会是与智能体协同创造的产物。
正如《Creative Agents: Empowering Agents with Imagination for Creative Tasks》，提出了一个 具有开放式创造能力的智能体代理，以及在《JARVIS-1: Open-World Multi-task Agents with Memory-Augmented Multimodal Language Models》，提出了一个在开放式世界中，具备自我进化的多模态多任务智能体，而在《TaskMatrix.AI: Completing Tasks by Connecting Foundation Models with Millions of APIs》，提出了一种新型的人工智能生态系统，将基础模型与数百万 API 相连通以实现各种数字和实体任务。
当把这三篇论文放在一起看的时候，一个具备自进化能力的，具有开放式创造能力的智能体，将与人类形成创造协同的关系，基于人类的需求指令，或者基于 Agents 的自主理解，可以调用网络中数百万个 API 作为发挥创造的工具 / 技能。
Agents+Web3 的创作者经济，很快将会迎来一次史诗级的更新。
三、预判未来的可能机遇
ZKML 会成为资本继续下重注的赛道
ZKML（Zero knowledge machine learning）是将零知识证明用于机器学习的技术，ZKML 是 AI 和区块链的桥梁。ZKML 可以解决 AI 模型 / 输入的隐私保护问题和推理过程可验证的问题。
WorlCoin 在其官网发表的《AN INTRODUCTION TO ZERO-KNOWLEDGE MACHINE LEARNING (ZKML)》一文，同样也探究了 ZKML 与 World ID 的集合结合可能性，Word Coin 项目是 Sam Altman 在将来基于 AGI 实现 UBI 经济的愿景项目。
关于 ZMKL 方向，当然也少不了 A16z 开始叙事布道，《Checks and balances: Machine learning and zero-knowledge proofs 》是其研究员撰写的关于 zkml 的价值与未来挑战。
可以进一步阅读《The State of Zero-Knowledge Machine Learning (zkML)》这篇博文，对于 ZKML 的当前现状有更多详细的描述。
我们进一步探讨，能否将 LLM、RL、ML 等朝着上链的方向发展，这是一个非常值得关注的底层技术路线 。
而对于大模型公司而言，基于 ZKML 为代表的前瞻性技术应该提前布局，这是大模型企业参与到智能时代的新金融体系的机遇。
端侧大模型 + DePIN 成为 AI+Web3 流行叙事
从 CES2024 可以看出，电子消费品都在将 LLM 的能力集成到电子设备之中，而随着技术竞赛与开源模型生态，因此端侧大模型与各种终端数设备的结合会成为重要的趋势，而这一趋势特点与 Web3 的分布式网络在技术叙事层面具有天然的耦合性。
端侧大模型与 DePIN 有着商业叙事的天然兼容性，所以端侧大模型 + DePIN 可能会成为 2024/2025 的流行叙事之一，但按照加密圈的惯性，这一商业叙事依旧是镰刀漫天飞舞的方向，各位读者朋友需谨慎。
而对于想要认真做事的朋友，这一商业叙事的重点应该以端侧大模型为主，才能避免诸多不必要的纷争。
智能体意图 Agents Intents，Web3 交易服务的未来
当前 Web3 领域普遍容易把智能体定位为特指的应用服务，并与 DAPP 挂钩。智能体并不同于一种应用，智能体在大模型端口更像是一种智能服务系统，可以根据用户的需求而呈现出多个不同的应用服务。
基于 AI-Agents 形成对多个 dapp 的服务集成，才会是 AI-Agents+Dapp 从经济效益上的合理趋势，Agents 作为 System Service 能够实现对 Web3 大量应用的自动操作。
Intents/ 意图，作为一种新的叙事正在 Web3 开始冒头，在《The Current and Future State of Intents in Web3：Powerful Intents》一文中，向我们呈现了意图将为 Web3 带来了用户体验的巨大提升，能够帮助 Web3 吸引到数百万名新用户。
意图将改变 Web3 的交易市场，连续意图是让用户基于语言描述就能够实现更优的交易动作，而无需向过去一半需要进行大量复杂且繁琐的交易执行动作，
这其实就是大多数智能体框架在做的事情啊！
所以，2024 年将会出现 Agents Intents 的意图框架，这是 Agent 介入 Web3 新叙事，抢占定义权的好时机。
听起来这事只需要撮合下在做智能体框架的朋友和搞 Defi 的朋友，跨界探讨下应该值得搞一搞。
出现基于 Transformer 架构的变体方案
如果深挖 AI on-chian 的底层技术结合，不排除从不同于 zkML 的技术路线，有技术大佬已经开始着手基于 Transformer 架构的改造方案。
我的这一预测似乎很大胆，但在《放弃幻想，全面拥抱 Transformer：自然语言处理三大特征抽取器（CNN/RNN/TF）比较》一文中，作者在 2019 年就对 TF 架构进行了预测判断，我的这一预测不算什么。
当前大部分模型基本都是通过对 TF 架构的改造与优化，业内出现了诸多 Transformer 的变体方案，详可见复旦研究团队的《A Survey of Transformers》
针对 Transformer 在分布式网络架构的变体改造方案，会是一个值得期待的方向。但是 Web3 领域的科研人才相比于 AI 的科研人才，可以说少得可怜，对这一方向我们保持期待与关注即可。
Agents 塑造 AI+Web3 创作者经济
Web3 社区具有天然的共创基因，在《Web3 多人创作：解锁参与性媒体》这篇文章中，提供了一个非常值得参考的社区协同共创的框架，这一框架其实还可以引入 Agents 的协作生产关系，那么这样的创作者共创社区在未来将会极具竞争力。
随着 2024 年多模态大模型对生产内容的质量与可控性的提升，AI+Web3 在音视频等流媒体创作经济，以及以 GPTs Store 为代表的智能服务的创作者经济。
我认为 AI+Web3 的交叉领域会涌现很多真正高价值的项目，这是一个值得重点关注的赛道。
AI+Web3 的创作者经济与超级个体结合的叙事，2024 年会在 AI 和 Web3 两个领域烂大街。
Agents Marketplace 崭露头角
在过去的 AI Marketplace 的叙事中，缺乏将智能体作为一种重要的自主智能的考虑因素，所以在 2024 年 AI Marketplace 应该会被 Agents Marketplace（Agents as Service）所替代，Agents 能够代替人类识别交易意图，而更强大的大模型所驱动的智能体自主意图能力，将会是极具颠覆性的。
Agents Marketplace 将有别于后续 AI 领域涌现的各种 Agents Store 的商业逻辑，Agents Marketplace 的商业叙事和价值远远大于 Agents Store，并将对 Agents Store 形成降维打击。
Agents Store 延续了 App Store 的商业逻辑，但当 Agents 作为 Web3 世界的主要用户时，Agents Store 的商业优势就会被极大削弱。
2024 年会是 Agents Marketplace 开始展露头角的首秀年，必将成为下一个兵家必争之地。
AI+Web3 加速元宇宙叙事复苏
随着 2024 年苹果 Vision Pro 的发布，以及空间计算的兴起，不敢说 2024 年元宇宙涌现，但 Vision Pro 将推动 XR 产业链的升级发展，以及空间计算将在软硬一体化推动元宇宙领域有了飞跃式的发展。
GenAI 的多模态生成模型的技术进步，以及多模态 Agents 在元宇宙中进行具身智能的模拟交互的方案也越来越多，在《Agent AI: Surveying the Horizons of Multimodal Interaction》，我们得以窥探到智能体与空间计算的巨大潜力。
所以，无论是 AI，还是 Web3 都将因为空间计算而获得一个全新的、巨大的商业场景，空间计算会成为 AI+Web3 一个交汇地带，这个方向目前在业内空白地带，值得重点关注。
在我的研究关注级别里是 SSS 级（最高级别）
所有公链拥抱 AI，出现 Layer3+Copilot 扩容方案
所有的公链生态都会拥抱 AI，哪怕是比特币生态也都会在 GPT-5，以及 AI-Agents 对整个数字世界的冲击中，不得不接受并加入。而在这其中，Layer2、Layer3 会是区块链应用生态与 AI 高密度结合的地方。
我个人认为 2024 年需要重点关注的是 Layer 3 生态与 AI 的结合，可能会出现新的叙事。得益于大模型推动了 Copilot 研发模式对定制化程序的生产常态，AI 领域对用户定制化内容的趋势也以达成共识。因此当 Layer3+Copilot 模式，实现 L3 的定制化扩容，是一个非常值得期待的新叙事。
多智能体沙盒与自治世界的叙事融合
尽管全链游戏（Fully on-chain game）的目标是实现对自治世界（Autonomous Worlds）的构建，因此也被视为 Web3 建设元宇宙世界的重要路径。
但相比于全链游戏在当前要面对的不少技术瓶颈导致的消费级游戏体验的差距，自治世界这一叙事概念反而是一个可以重点关注的方向，因为 Autonomous Worlds 这一概念与智能体网络、DAO、元宇宙等叙事具有天生的兼容性。
随着以斯坦福小镇为代表的多智能体沙盒项目，《Generative Agents: Interactive Simulacra of Human Behavior》，以及多模态具身智能智能体在元宇宙中感知训练，为自治世界提供天然的 AI 侧的技术方案 与落地案例，大量由此启发的项目将会涌现。
例如「Generative Agents」启发了「Announcing SAGA」这一项目，而这一类项目的核心竞争力是叙事 IP 的运作能力，这恰恰是很多 NFT 团队的强项。
AnnouncingSAGA 是一个西部主题的多智能体沙盒仿真游戏
AI+Web3 的超级个体新叙事：AI-Agents 与 PFP
在 AI 领域兴起的超级个体与一人公司的叙事，我相信也会拓展到 AI+Web3 的交叉领域。具有良好国际背景的 Web3er，会是 AI+Web3 的超级个体与一人公司的关键用户群体。
国内市场的的超级个体与一人公司的叙事，基本还是建立在生产杠杠与流量杠杠的双增长模式。面向国际市场的 Web3er 超级个体与一人公司，还会获得加密金融杠杠的加持，所爆发出来的增长潜力是非常可观的。
但我认为这是两类超级个体群体，没有加密经验的超级个体最好还是优先扎根国内市场，不可轻易涉足 Web3 的黑暗森林。其次，必定会涌现一堆超级个体、智能体相关叙事的 PFP 项。
PFP 项目本身就具有很强的社区身份共识，但是 2023 年 ChatBot、Agents、超级个体的叙事在 AI 领域打得火热，而 PFP 项目方却寂静不作为，基本也判定了 2022 年 99% 的 PFP 以割韭菜为主。
所以，2024 年以智能体 +PFP 的新项值得关注，因为智能体 +PFP 符合 Agents Marketplace 的商业逻辑。
超级个体如何布局 AI+Web3 的 10 点建议
智能体与超级个体，构成了 AI+Web3 的核心用户群体，我们需要关注这一用户群体，未来采取的发展策略。
1、认知是确确实实的第一生产力
如何利用尽一切可能的先进技术，设计多种创新商业模式，建立智能体团队搭建的一人公司，达到年入 100 万美金，朝着这个方向尽一切可能提升全方面的认知。
从 2024 年开始，智能体只会越发的成熟，大部分的执行动作都将交给智能体进行，所以认知能力的竞争成为关键，如何指挥你的智能体大军实现更大价值的回报，正如前文所言，交易算法与博弈策略会成为未来智能体商业竞争的核心，背后拼的就是认知能力。
2、拥抱 AI+Web3 的全球社区
Web3 天生就是国际化的，而当前的 AI 公司也不得不参与到全球市场的竞争中，所以 AI+Web3 会涌现大量的全球社区，要优先加入 AI+Web3 的国际社区。
国内大部分人没有 Web3 的经历，普遍缺乏 Web3 从业者的全球协同经历、缺乏全球金融交易的经验，以及分散在各个国家的人脉资源，因此要借 AI+Web3 的契机实现弯道超车。
全球不同地区的资源不均衡与发展差异化，是新一代超级个体实现利差躺挣的基本大盘。
3、在全球市场建立多元收入结构
AI+Web3 从财富收益上，给超级个体带来了利用金融杠杠撬动更大商业回报的机会，这是 2024/2025 这两年的启动周期中，应该抓住的红利窗口期。
因为 AI+Web3 的项目是天生国际化的，不同的应用生态可能带来不同类型的货币收入，而这些货币又可以在全球网络中进行数据 / 算力 / 模型等基础设施资源的配置，因此要提前建立如何配置多元资产的能力。
4、配置的全球算力资源渠道
在 AI+Web3 所构建的全球数字经济体系中，算力资源作为驱动智能体的核心资源。在国内应用可能会过于依赖单一生态的算力资源的商业逻辑，而 Web3 的算力资源在早期是有羊毛可以薅的。
其次，建立多元收入结构意味着有机会在全球市场询价，智能体可以自动切换不同算力资源渠道，避免受限于单一市场的价格，算力资源搬砖有利于成本最小化。其次，AI+Web3 的算力平台还有空投的福利。
5、尽可能探索有机会建立自动化收入的业务
在现阶段很难一眼洞穿能够利用智能体，就能实现完全自动化营收的业务，这里有两个衡量系数，智能体随时间的成熟程度，依赖自动化智能能够实现更高效益的场景，这是两条判断的关键曲线。
但是不一定等到所有条件成熟了再去使用，提前介入那些可能基于智能体实现自动化的业务，是捕获高价值业务场景的前置动作，提前准备而不是守株待兔。
6、多智能体商业矩阵的布局准备
基于以上几点建议的基础之上，提前建立多智能体商业矩阵的打法，因为掌握了 Agents Team 构建自动化业务的超级个体，后面必然会进入跑马圈地的竞争阶段，毕竟能够得着躺着挣钱的机会，会驱动人性贪婪的本能。
尽一切可能将能够低成本自动化执行的现金流业务抢占，这是基本的必然常态，后续超级个体与一人公司的商业竞争生态，基本会形成多个业务的矩阵打法，因此这点要提前布局，避免起了个大早赶了个晚集。
7、在 DAO/ 社区物色未来的超级队友
组建精英小团队基本是共识，但超级个体的队友只会是另一个超级个体，但超级个体不会在公司诞生，而是会集中 AI+Web3 领域的 DAO、共创社区等，因此在类似的 DAO、社区中物色自己的未来队友，去组队可靠的超级队友关系。
8、打造个人品牌 IP 与业务体系
超级个体与一人公司的叙事，本身就是把个人当做企业来经营，因此超级个体的个人品牌 IP，就是一家公司的品牌 IP，这点比较重要。所以，如何打造个人品牌也是需要开始掌握的软实力。
超级个体大部分都会多元化发展，因此个人品牌 IP 如何与多个 业务建立关联体系，也是需要提前考虑的问题，业务体系与矩阵打法息息相关。
9、从流程图设计自动化工作技能
由于当前阶段高度成熟的智能体还无法进入应用阶段，但是根据当前大模型与智能体框架的发展路径，基本上是以项目 - 任务 - 技能的设计逻辑，技能是智能体执行具体动作的基本单元。
因此，在当前阶段可以从流程图上设计，自己的哪些工作技能是可以被自动化的，并参考建议 5 的两条曲线的发展阶段，在合适时机完成技能进阶。
10、关注 Agents Marketplace 的增长趋势
我们很快会进入一个智能体无处不在的世界，手机将会成为我们日常最为依赖的智能体助手，智能体的数量是会远远超过地球的人口数量，10 年后大概率是数以百亿级的 Agents 规模，也可能不止。
Agents Marketplace 作为智能体的自主交易网络，会成为超级个体们的主要交易网络，未来大量的商业活动都将依赖于 Agents Marketplace 这一商业形态。因此，需要保持对 Agents Marketplace 的关注。
抓住未来几年 Agents Markerpace 开始指数增长时的增长红利。
