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。
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。