AI「下沉」是 Web3 的機遇嗎？

只有當 AI 真正「下沉」到每個設備時，去中心化協作才會從概念變成剛需？

撰文：Haotian

最近觀察 AI 行業，發現個越來越「下沉」的變化：從原先拼算力集中和「大」模型的主流共識中，演變出了一條偏向本地小模型和邊緣計算的分支。

這一點，從 Apple Intelligence 覆蓋 5 億設備，到微軟推出 Windows 11 專用 3.3 億參數小模型 Mu，再到谷歌 DeepMind 的機器人「脫網」操作等等都能看出來。

會有啥不同呢？雲端 AI 拼的是參數規模和訓練數據，燒錢能力是核心競爭力；本地 AI 拼的是工程優化和場景適配，在保護隱私、可靠性和實用性上會更進一步。（主要通用模型的幻覺問題會嚴重影響垂類場景滲透）

這其實對 web3 AI 會有更大的機會，原來大家拼「通用化」（計算、數據、算法）能力時自然被傳統 Giant 大廠壟斷，套上去中心化的概念就想和谷歌、AWS、OpenAI 等競爭簡直癡人說夢，畢竟沒有資源優勢、技術優勢，也更沒有用戶基礎。

但到了本地化模型 + 邊緣計算的世界，區塊鏈技術服務面臨的形勢可就大爲不同了。

當 AI 模型運行在用戶設備上時，如何證明輸出結果沒有被篡改？如何在保護隱私的前提下實現模型協作？這些問題恰恰是區塊鏈技術的強項…

有注意到一些 web3 AI 相關新項目，諸如最近由 Pantera 零投 10M 的 @Gradient_HQ 推出的數據通信協議 Lattica，來解決中心化 AI 平台的數據壟斷和黑箱問題；@PublicAI_ 腦電波設備 HeadCap​​採集真實人類數據，構建「人工驗證層」，已經實現了 14M 的收入；其實，都在嘗試解決本地 AI 的「可信性」問題。

一句話：只有當 AI 真正「下沉」到每個設備時，去中心化協作才會從概念變成剛需？

#Web3AI 項目與其繼續在通用化賽道裏內卷，不如認真思考怎麼爲本地化 AI 浪潮提供基礎設施支持？