本阶段课程
  1. AI 与 Web3 的应用分工
  2. x402 与 API 付款
  3. ERC-8004 与智能体身份
  4. AP2 与智能体商务授权
  5. 数字身份与真人证明
  6. zkTLS 与可验证链下数据
  7. FHE、MPC、TEE 与隐私计算
  8. 后量子签名与账户迁移
  9. InfoFi 与注意力激励
  10. DeSci、科研资助与知识产权
  11. 可信执行环境与远程证明
  12. 可验证凭证 · 签发、出示与撤销
本篇目录

阶段 09 · 第 1 / 12 课

AI + Web3:从算力、数据到可受控的智能体

学习目标:识别真正的技术结合点,区分链上记录、计算验证和模型质量。

建议先读:公链、零知识证明。

先看一个场景

团队计划用链上记录证明模型推理可信。模型质量、计算执行和输入真实性分别需要对应证据。

读完试一试

判断哪一部分由链记录,哪一部分只在外部服务处理。


1. 两套技术分别擅长什么

AI 擅长从数据中学习模式、生成内容和辅助决策;区块链擅长在特定信任模型下记录状态、执行规则和结算资产。把模型接上钱包,并不自动形成有价值的去中心化应用。

一个有用的判断方法是:去掉区块链后,产品具体失去什么能力?如果只是少了一个代币,业务上可能并不需要链。

2. 四个主要结合方向

方向 Web3 可能提供什么 必须解决的问题
算力市场 支付、任务激励、资源协调 服务质量、验证、带宽和隐私
数据市场 权利记录、授权与结算 数据来源、许可、真实性
模型或推理服务 使用计费、来源承诺、验证机制 结果质量、可复现性、成本
智能体应用 可编程资产操作和规则执行 权限限制、错误决策、提示注入

GPU 渲染、通用计算和大模型训练的资源需求不同。不能因为某网络提供 GPU,就默认它支持高效分布式训练。

3. 一个可执行的算力任务流程

flowchart LR
    A[用户提交任务与预算] --> B[资源匹配]
    B --> C[工作节点执行]
    C --> D[结果与质量检查]
    D --> E[按规则结算]

如果任务是生成一张图片,系统需要说明模型版本、输入要求、完成期限、失败退款以及结果验收标准。哈希上链能证明某份文件与承诺一致,不能证明图片质量高或拥有合法训练数据许可。

对可确定计算,可以考虑重复执行、抽查或密码学证明;对主观质量,通常仍需要评价规则或人工仲裁。验证成本应纳入商业模型。

4. 数据上链不等于数据可信

假设某数据商上传一份“真实市场订单”数据集,并把哈希记录在链上。之后可以检查文件是否被替换,却仍需确认数据是否伪造、是否有授权、是否包含敏感信息。

训练集、模型权重和推理输入往往很大或含隐私,不适合直接放在公开链。链上可以记录承诺或授权状态,实际文件放在适合的存储与访问控制系统里。

5. AI 智能体操作钱包的边界

模型会输出不确定结果,也可能被外部网页、消息或工具结果中的恶意指令影响。权限不应只靠提示词约束,而应由确定性执行层检查。

教学案例:一个助手每天最多支付 10 单位,只能给白名单地址支付指定代币。模型可以提出付款计划,但执行器必须核验网络、合约、接收人、累计限额和有效期;超范围请求进入人工审核。

可以将流程设计为“模型建议 → 参数校验 → 交易模拟 → 权限检查 → 执行与回执核对”。不要把长期无限额度授权交给不受限制的模型循环。

6. ZK、TEE、MPC 各能做什么

技术 关注点 局限
ZK / 可验证计算 某计算满足规定关系 计算成本与约束设计,不能保证模型判断正确
TEE 在硬件隔离环境执行 依赖硬件、证明体系及实现安全
MPC 多方协作计算,减少输入暴露 通信和计算成本,依赖协议假设

证明“运行了指定模型”与证明“模型预测未来正确”完全不同。金融预测尤其不能因采用上述技术就被称为确定收益。

7. 自测与参考答案

问题:AI 生成的内容铸造成 NFT,是否自动拥有版权?

答案:不是。代币归属、内容许可和训练数据相关权利是不同问题,需要看实际授权与适用规则。

练习:为一个自动买入助手写出五条执行器能确定性检查的限制,并说明哪类决策必须由人确认。

8. 延伸阅读


← 返回学习导航 · 回到顶部

记录本课进度

完成练习后标记。进度保存在当前浏览器。

搜索课程