tp钱包官网下载|长推：借WorldCoin冷饭，扒一扒AI+Web3的叙事真相

.details .details-cont p, p {word-break: normal; text-align: unset} p img {text-align: center !important;}

注：原文来自@CryptoSax_eth发布长推。

今天聊的硬核一点，聊聊Web3+AI算力的话题。顺便毒奶一口，等到未来AI叙事再一次火起来，这些笔记一定会成为项目方的财富密码的。

在整个加密赛道的叙事方面，似乎可以总结出一条规律：

叙事的技术硬核程度和项目CX的概率一般呈反比，技术或叙事越硬核，项目rug的概率越小。当然也会出现一些个例，但这个概率分布大致上还是比较合理的。

如果从这个角度出发你就能发现，区块链算力保护几乎是AI+Web3叙事里面最为硬核的一个方向，毕竟其他诸如AI+Defi、AI+Gamefi之类的叙事，只要有一定的知识积累，逻辑推敲一下讲个有创意的故事也不是什么难事。哪怕是AI+Web3底层，我逮着“节点智能”这个话题不放，然后避重就轻在啥区块链治理、权益体系证明啥乱七八糟的原理层面打哈哈，别人也很难看出毛病。

但Web3+AI算力不一样，如果技术不够硬核，项目团队身上没点东西，是真的讲不出花来的。

关于这个叙事，实际上底层逻辑也没多复杂：

现在AI啥的技术出来之后数据越来越值钱了，算力模型啥的都是数据都是钱，传统的数据保护形式不方便不好使，大家的数据都不好做权益区分；但区块链所有链上信息和数据都可以被记录溯源，用来解决这个AI数据和算力问题简直再好不过了。

故事底层越简单，技术实现路径就越复杂。受限于篇幅和本人的数据开发的认知水平，我就只拿ZKML来科普科普，给大家尝尝味道吧。关于ZK和ML的概念，我在此不再赘述，直接切入主题看两个概念怎么结合——

ML 有大量信任问题需要解决，各个工作流程的准确性、完整性、隐私性需要被证明。ZK 刚好能在确保隐私性的前提下有效验证任何类计算是否正确运行，很好地解决了机器学习长期存在的信任证明问题。

模型的完整性是 ML 训练过程中的重要信任证明问题，但 ML 模型训练和使用的数据和信息的隐私保护同样重要。这使 ML 的训练难以通过第三方审计监管机构完成信任证明，去中心化的零知识属性的 ZK 是与 ML 具有极高匹配性的信任证明路径。

至于说两者结合有啥优势，归根到底就两点：

透明性验证：零知识证明（ZK）可以在不暴露模型内部细节的情况下评估模型性能，实现透明和无需信任的评估过程。

数据隐私保障：ZK可用于使用公共模型验证公共数据或使用私有模型验证私有数据，以此保证数据的隐私性和敏感性。

ZK 本身通过密码学协议，在保证隐私性的前提下确保了某个声明的正确性，很好的解决了计算正确性证明机器学习在隐私保护上、同态加密机器学习在隐私保护上的缺陷。将 ZK 融入 ML 过程中，创建了一个安全且保护隐私的平台，解决了传统机器学习的不足。

然后就在此基础之上，众多应用层的项目开始诞生，比如说用硬件辅助链上算力加速证明计算的ZK硬件加速系统，比如说把机器学习数据上链访问的ML链上数据处理技术，还有诸如ML计算电路化、ZK-SNARKs等一堆硬核晦涩的技术创新。

Web3+AI数据处理，故事是个硬核的好故事，但硬核也意味着实际开发和执行将会非常困难，事实上也确实如此。

AI在没把数据上链之前，数据运行效率就已经让人抓耳挠腮了，好不容易把速度又提上来一点，还要把数据给上链？想想平时在交易所把币提到钱包的速度，你就知道这件事有多可怕了。虽然最近新推出了新的ZK-SNARKs，但这也只是治标不治本的缓兵之计。

话虽如此，终究还是要有项目团队去探索去创新的，但一定不是我们这一群普通人。