Pantera 2024 重点关注领域：AI 趋势不减，Web3 将在推...

撰文：Chia Jeng Yang Caroline Cahilly，Pantera Capital

编译：深潮TechFlow

Pantera Capital 最近发布了一份长篇文章，深入且细致的讲述了它们对2024加密市场的走势、投资策略、关注领域和趋势预测。

由于文章较长，我们按照内容主题将其分为了不同的部分进行编译。

本文是全文内容的第四篇，由Pantera 的执行董事 Chia Jeng Yang 和实习生 Caroline撰写。

从中可以看出其对AI和Web3的结合感兴趣，并对AI和加密的结合做了细致的划分，认为Web3对于 AI系统的推理、数据隐私和激励等方面能够起到作用，相关的赛道也蕴含着机会。

深潮将该部分进行了编译，以下是正文内容。

区块链技术生态系统中创新发生的速度会在每个周期中产生新的市场和垂直领域。我们进行的研究扩展了我们的论点，帮助我们保持领先地位，同时也帮助我们在寻找和投资交易时最大程度地提高了覆盖范围。在接下来的文章中，我们将分享我们正在积极关注的领域。

AI x WEB3

AI：融合人类与计算机智能

人工智能模型生成的输出，如大型语言模型，应该是人类和计算机大脑、数据和激励系统之间最佳交互的结果。

能够以自然语言交流是LLM令人兴奋的地方，因为人类和AI可以使用相同的语言详细说明复杂的过程。这是迈向协调系统的未来的重要一步，这些系统将人类纳入其中。为了使这种合作变得更好，我们仍然需要开发强大的人机框架、机制和工具，这将鼓励AI系统更有效地思考，产生更有用的答案，实现最佳结果。

Web3如何推动这种互动

计算机原生激励框架将通过激励众包、问责制等来决定人类如何与人工智能进行交互。我们希望考虑能够最大化/优化计算机/人工智能大脑与人类大脑之间发生的交互的产品另一方面（例如代币持有者、开发人员），特别关注中长期用例。

展望未来，我们将深入探讨人工智能时代人机交互的以下三个方面：

以下是加密货币可以为AI提供的一些亮点，这些亮点将在整个论文中都有所涉及：

1. 支付：传统金融支付具有明确定界。加密货币只需要几行代码。可编程性提供软件产品的简化集成，开发人员只需将钱包地址嵌入到代码库中即可，可编程性也提供了基于计算的灵活支付，这在现有基础设施中需要太多的审计成本。通过避免过时的全球金融基础设施，它降低了具有国际用户群的产品进入市场的壁垒。此外，加密交易可以提供比传统支付更低的费用。简单且低成本的集成对于开源项目特别有利，因为开源项目的资源通常有限，而简单性是协作和采用的关键。

2. 众包：随着LLM模型对LLM模型的人类反馈变得越来越重要，Web3激励使数据众包可以以更快的速度和规模进行。结构化的奖励（和惩罚）系统还应该促进高质量信息，吸引来自各种背景的大量贡献者。

3. 数据控制：控制自己的数据（需要数据出处和隐私），在这种情况下变得越来越重要，因为：

• a.如果用户可以轻松地获得报酬或获得更好的体验，那么他们可能会主动控制自己的数据（现在看来这是可能的）。随着自主代理的崛起，用户将能够因其数据而获得报酬，而无需主动干预。并且，控制自己的数据的用户应该获得比个性化算法目前提供的劣质体验更好的体验。与以前的数据钱包尝试不同，LLM现在不仅可以自动化大规模跨平台手动数据收集，并且在上下文中更好地对非结构化自然语言数据进行情境化处理。

• b.公司可能会带头控制数据以保护机密信息。新标准随后将适用于个人。

我们特别激动的三个想法是：

1. 人工反馈推理：通过众包（zk）知识图进行逻辑推理

2. 机器学习（ML）追踪人工智能生成内容（AIGC）版税：使用ML跟踪来计算AIGC背后原始数据内容的版税

3. 广告数字孪生：随着LLM取代搜索引擎成为信息检索的形式因素，用户偏好将通过与LLM进行互动，而不是通过网站进行搜索。人工智能世界中的广告将需要基础设施，使广告技术能够自动从数字孪生中提取个人偏好。

推理

尽管市场充斥着炒作，但LLM在规划、推理、理解物理世界和类似任务方面都表现出困难，而这些任务是人类擅长的。这些错误的发生可能是因为大量的LLM模仿基于数据模式的推理，而没有真正理解底层的逻辑/物理原理，因此按照人类标准LLM表现是不够好的。

原则性推理的价值在于能够处理未知问题，特别是考虑到变压器（transformers）不能超越训练数据的强有力证据。我们正在寻找解决推理问题的方案，这些方案既能帮助基础模型，也能帮助当今的任何 LLM 集成系统，重点关注人类反馈机制，以实现更好的推理。

逻辑

知识图谱（利用结构化数据库捕获实体、事件和概念之间的关系的方法）提供了一种将逻辑推理纳入 LLM的有趣方法。

以下是它们如何可以被纳入的示例：

1. 动态知识检索：在推理过程中，根据某种注意机制从图中动态检索相关信息。

2. 反馈循环：如果输出明显偏离图表的理解，请使用此反馈进行进一步微调。

众包知识图谱 ：众包将重新定义信息收集和认证，有助于开发“包含所有人类知识和文化的仓库”。

众包知识图谱将激励用户在模型访问其贡献时通过自动付款来贡献数据及其逻辑连接。为了保持准确性，不正确的贡献将受到惩罚，这是由一组执行一组商定标准的验证者确定的。定义这些标准（针对每个图表）将是成功的最重要的考虑因素之一。

Web3提供了一种以必要规模激励知识图谱创建的方式。此外，LLM推理的空白将是一个移动目标，Web3提供了一种在出现空白时激励提供特定数据的方式。

此外，结构化的奖励（和惩罚）系统将促进高质量的信息并吸引大量来自不同背景的贡献者。值得注意的是，用户通过以一种生产性的非零和方式共享数据来创造价值，这与零和预测市场和去中心化预言机不同。

最后，在当前人工智能的极限下众包这些图表将有助于保持相关准确性（即不复制现有LLM的推理能力）。

信任和问责机制

1.数据隐私

正在开发的对用户数据的控制人工智能很快就会与苹果的硬件生态系统相媲美。我们必须考虑数据的隐私，因为：

• 随着人工智能无缝渗透到我们生活的各个方面，从智能家居设备到医疗保健应用，人工智能数据收集的数量正在呈指数级增长。

• 我们正在接近AI创造个性化内容的能力（例如使用LLM）以及用户对这种能力的信仰的一个拐点。随着用户越来越频繁、大规模地寻求AI提供真正个性化的体验和产品，与AI共享数据的速度将急剧增加。

因此，数据隐私对于建立用户对AI系统的信任以及使开发人员避免数据滥用（例如未经授权的访问、身份盗窃和操纵）至关重要。

零知识证明 (zk-SNARK) 和完全同态加密 (FHE) 等 Web3 技术将通过实现加密交互并确保敏感信息，使个人能够真正拥有/控制自己的数据信息仍然掌握在用户手中。

最近的美国人工智能行政命令强调了“加强隐私保护研究和技术，例如保护个人隐私的加密工具”的重要性，并引入了大型模型的报告要求。这意味着对 Web3 隐私/来源方法的监管开放程度增加，甚至这些方法有可能成为合规标准。

Crowdsourced ZK Knowledge Graphs（众包 ZK 知识图谱）：通过众包的零知识图谱，AI 可以从私有数据中获益。具体来说，它们将具有“公共”节点（其中包含公共数据）以及“私有”节点（其中包含加密数据）。模型可以使用节点之间的逻辑连接来得出答案，而无需揭示知识本身，即最终答案中引用的节点将是公共的，但用于得出答案的节点不需要是公共的。

这些图表还可以使删除用户数据变得更容易，因为实时访问它们（例如通过动态知识检索）可以避免将数据隐式存储在经过训练的模型中。

2.来源

没有来源追溯，人工智能可能会创造出深度伪造和不受约束的个人/私人/专有数据使用环境。通过 Web3，我们可以确定 NFT、其他媒体资产和模型使用的数据的来源，从而提供许多有前景的解决方案。

机器学习追溯AI生成的内容版税：除了深度伪造之外，AIGC在艺术领域的兴起给知识产权和版税带来了独特的挑战。例如，如果 AIGC 系统创作了两位著名艺术家的歌曲混搭，那么信用和经济奖励应如何分配给艺术家？鉴于 AIGC 的复杂性和可变性，用于确定此类分配的传统模型越来越不适用于 AIGC。

机器学习追溯提供了一种方法来识别AIGC作品的原始组成部分，在 AIGC 生成时控制来源对于实现这种追踪至关重要。

在AIGC缺乏强大的全球支付基础设施的情况下，像YouTube这样已经具有版税支付机制的平台将占据先机，并有机会进一步集中他们的权力/影响力。

为了使AIGC的创作民主化并确保艺术家获得公平的补偿，需要一个新的支付系统。与AIGC模型本地集成的区块链支付网络可以从第一天开始实现全球即时支付。然后，机器学习追溯和区块链可以集成到各种平台中，减少像YouTube这样的现有平台目前拥有的优势。

对这项技术的投资能够支持版税的公平分配，也可以通过为更多的创作者开辟机会，促进AIGC的创新。

AI 激励

随着人工智能模型的行为越来越自主，我们希望开发出能够激励它们按照人类愿望行事的系统。

自主代理

自主代理是可以与其环境进行智能交互的模型（例如，利用工具并生成 API 调用来访问实时数据），与算法进行交互以进行推理和决策，并在无需人工直接控制的情况下采取行动。它们表现出目标导向的行为，可以从经验中学习，但仅在非常狭窄的环境中可靠（例如自动驾驶）。随着人工智能模型越来越多地从信息检索转向代表用户执行操作，由人类用户可验证授权的自主代理，使用数字原生货币进行商业的采用可能会增加。

数字孪生定位：传统的基于搜索的广告正在下降，因为像ChatGPT这样的对话AI模型有望成为信息检索的主要来源。这对AdTech行业构成了挑战，因为通过搜索引擎和Cookie进行的传统广告面临着回报递减的问题。

当市场开始意识到这些个人模型，而不是Cookie，是理解用户偏好的基本单元时，允许广告商从其他现有模型中提取用户偏好的模型可能会开始占主导地位。使用这些模型，广告商可以实现以前无法实现的程度的个性化，同时通过加密方法维护用户的隐私。

一个促进这种互动的新平台有可能绕过现有的软件和硬件巨头，如谷歌和苹果。

具体来说，当用户决定创建数字孪生时，他们将授予它访问他们的搜索历史、当前账户（例如，谷歌、ChatGPT、亚马逊）、硬盘等的权限。该孪生将开发他们数据的初始摘要，包括他们与之互动的公司、兴趣等，并保持持续更新。

然后，用户可以设置允许数字孪生如何以及向谁出售其数据的权限。例如，想象一个按钮，上面写着“让我的广告机器人与GPT-4、Meta AI等交流”。数字孪生将自主与广告商的AI模型互动。广告商的模型将确定是否值得定位，甚至无需知道用户的身份。当定位时，用户将以各种形式接收广告（例如，通过文本、与LLM讨论等），并作为奖励获得报酬。

在这个数字孪生的市场中，加密支付网络可能是最简单的允许模型补偿其与其他模型互动的方式，因为交易仅需要几行代码。此外，激励措施的设计应确保有针对性的数字孪生对广告商具有最大价值。因此，广告商应该只针对具有代表用户偏好的干净、准确数据的数字孪生。

总结

AI和Web3技术的结合有潜力在AI系统的推理、数据隐私和激励方面进行革命。基于区块链的解决方案应促进安全、高效的交易和数据处理，同时激励不同来源的贡献，以增强人工智能的开发和应用。人工智能和加密技术之间的这种共生有可能创建更强大、更高效、以用户为中心的人工智能系统，解决人工智能领域的关键挑战。