主要方法的核心。其中，2017 年由 Google 开发的 Transformer 模型现已逐步取代长短期记忆（LSTM）等 RNN 模型成为了 NLP 问题的首选模型。Transformer 的并行化优势允许其在更大的数据集上进行训练。这也促成了 BERT、GPT 等预训练模型的发展。这些系统使用了维基百科、Common Crawl 等大型语料库进行训练，并可以针对特定任务进行微调。 AIGC 生成算法 算法模型的突破是近年来 AIGC 得以快速突破的催化剂，主流的 AIGC 算法模型有两种：生成对抗网络 GAN 和扩散模型。 生成对抗网络 GAN（Generative Adversarial Networks） 对抗神经网络 GAN (Generative Adversarial Networks) 由一个生成网络和一个判别网络组成，生成网络产生「假」数据，并试图欺骗判别网络；判别网络对生成数据进行真伪鉴别，试图正确识别所有「假」数据。在训练迭代的过程中，两个网络持续地进化和对抗，直到达到平衡状态，判别网络无法再识别「假」数据，训练结束。 扩散模型 Diffusion Model 扩散模型是一种新型的生成模型，可生成各种高分辨率图像。在 OpenAI，Nvidia 和 Google 设法训练大模型之后，它们已经引起了很多关注。扩散模型扩散模型的生成逻辑相比其他的模型更接近人的思维模式，也是为什么近期 AIGC 拥有了开放性的创造力。本质上，扩散模型的工作原理是通过连续添加高斯噪声来破坏训练数据，然后通过反转这个噪声过程来学习恢复数据。它具有精度更高、可扩展性和并行性，无论是质量还是效率均有所提升，其快速发展成为 AIGC 增长的拐点性因素。同时，在机器学习的过程中，需要通过大量的训练来实现更准确的结果，对于底层算力需求将有飞速增长。 2. 硬件层—分布式算力叙述崛起 与传统算法相比，人工智能算法并无多余的假设前提，而是完全利用输入的数据自行模拟和构建相应的模型结构，这一算法特点决定了它是更为灵活且可以根据不同的训练数据而拥有自优化的能力，同时也带来了显著增加的运算量。随着 AIGC 生成量的增加，尤其是未来视频、游戏等内容的加入，算力需求将暴增，GPU 专用计算集群或将应运而生，这对提高模型精度和用户体验至关重要。根据 OpenAI 分析，自 2012 年以来，6 年间 AI 算力需求增长约 30 万倍： Web3 技术可以通过去中心化的方式提高机器学习的效率，这在传统的 AI 训练之中已经有所应用，比如 AlphaGo 的改进版 KataGo 使用了分布式训练技术，使得全球希望此 AI 更新的人自愿提供算力训练。 Render Network 是一家基于 GPU 基础设施，为用户提供分布式渲染服务的供应商。解决的是传统的本地渲染和云渲染无法有效利用全球 GPU 算力的问题。可以把 Render Network 看成是中间件，连接供给端和需求端。用户通过区块链发布渲染任务，而矿工则可以接单帮你渲染，期间的交易费用由 RNDR 结算。 Phala Network 的核心是云计算网络，它采用「链上共识、链下计算」的模式,链下计算节点不受共识算法的约束，通过并发编程可结合多个节点的计算能力，即便是面对 AI 繁重的计算任务，Phala 也能为其提供源源不断的算力服务。基于 Secure Enclave 可信执行环境所构建意味着即使是恶意的节点也无法窃取人工智能的数据或操纵其自动化程序的执行、提供虚假结果。 在 web3 中更广泛的应用可类似于 Gitcoin，捐赠算力可以获得 POAP，或者类似于 AMM 提供了对于流动性的激励，成为有偿地出租算力的平台。 3. 商业应用层—当 AIGC 融入 Web3 消费场景 从商业应用层面看，AIGC 在文字、图像、音频、游戏和代码生成中商业模型渐显，尤其在一些具备高重复性的任务、对于精度要求并不那么高的领域应用已逐步成熟，这类 AIGC 服务在 Web2 中一般以提供 SaaS 服务的形式变现（比如 Lensa, ChatGPT pro）。 相比于 Stability AI、 ChatGPT 等人工智能在传统领域获得大量关注和采用，区块链更大的想象力在于可以改变 AI 模型的经济系统。前段时间出现不少 AI 概念币的大幅领涨，但我们更关注的是 FOMO 情绪褪去之后，AIGC+Web3 能在应用层产生哪些方向性创新。 a. AIGC & Mass adoption 不少传统 web2 用户对 crypto 充满兴趣，却往往因为复杂陌生的操作而放弃。AIGC 的出现有望显著降低 web2 用户的进入门槛。 1. Web3 搜索引擎：Web3 版本 chatgpt。在现 chatgpt 大模型基础之上，加入链上数据和 twitter, reddit, Lens, Farcaster, Mastodon, 加密媒体等数据源进行训练，构建 crypto 百科全书。 现有用例：RSS3 RSS3 产品 Hoot.it 在 ChatGPT 的基础上增加并优化了更多 Web3 等开放网络的内容训练，使得用户在搜索内容时获得更好的体验。 现有用例：Kaito Kaito，人工智能驱动的加密搜索引擎，其数据和信息通常分散在多个来源，例如 Discord、Medium、Mirror、播客抄本以及新闻和研究平台。Kaito 通过其 AI 驱动的搜索引擎将这些信息集中在一个地方。 2. 个性化 onboarding 体验：通过分析用户行为和偏好，AI 可以根据每个用户的风险偏好和过往投资经验，创建个性化的 onboarding 体验。相比于文字版教程，AIGC 引擎在创建钱包、登录、交易、智能合约交互的每一步都能进行一对一指导，降低 onboarding 复杂性和用户流失率，让小白用户更安心。 3. 投资开户引导：AI 智能助手可为用户提供最新的市场数据、热度追踪和基础的投资建议。AI 助手可以为小白用户分析市场上最热的前十大 NFT/ 山寨币，生成详细的数据图表，并协助用户在各大交易平台完成开户和购买等操作。 Comment: 这类产品主要面对散户交易者，整体流量大，基础知识欠缺，需要保证产品的强安全性和权威性，很有可能是中心化交易所先做起来。此外 web3 结构化数据少质量不高，且市场更新迭代速度非常快，在数据获取层面存在不少挑战，目前大多项目尚未开启测试，产品体验不明确。 b. AIGC & 游戏 1. 增强沉浸感：AIGC 驱动的游戏角色可以为玩家提供更真实的体验。AI 驱动的 NPC（非玩家角色）可以生成更复杂、逼真的行为，增强游戏的交互性，并根据用户的行为实时响应他们的行为和决策。 现有用例：荒野大镖客、地图生成等。 《荒野大镖客 2》玩家与 NPC 之间有着丰富的交互选项——问候、买卖、惹恼、掏枪、抢劫、启动任务、逼问秘密等等，根据交互对象而改变，这些随机性内容在 AI 的加持下，能够形成更丰富 / 更真实的交互体验。 《微软模拟飞行》所有 1.97 亿平方英里的环境主要是通过人工智能来完成，微软公司与 blackshark.ai 合作，通过 AI 从二维卫星图像生成无限逼真的三维世界。 2. 降低游戏创作门槛：创作者可以更低门槛地进行游戏创作，目前大多数开放世界的 UCG 游戏编辑器虽然已经简化了游戏创作的步骤，但仍然创作者需要一定的编程基础，在 AIGC 的帮助下无代码编程将成为可能，玩家通过文字描述或图片生成特定的游戏资产、风格场景、gamplay 等。 现有用例：Lifeform AI Lifeform 用户可通过 AI 工具生成专属卡通角色。Lifeform AI Cartoon 开展了为期一个月 freemint 活动，从 2 月 17 日到 3 月 17 日。玩家大概支付 0.5 美元手续费免费铸造，每个钱包限额一个. 截止至 2 月 25 日 NFT 已经在 BNBChain 上铸造了 20.7 万枚，共 13.3 万个钱包地址持有 AVATAR NFT。 现有用例：Anything World Anything world 元宇宙 AI 动画工具开发公司将于今年 12 月登陆 Epic Games 虚拟引擎。Anything World 主要构建 ML 驱动的大规模创建开源、可用可混合的 3D 工具，降低人们进入 Web3 世界的门槛。 现有用例：AIRENA AIRENA 是现实世界和 Metaverse 之间的迅捷交互通道，致力于运用先进的 3D AIGC 功能，Metaverse, 空间 UGC 系统，为现实 2D/3D 艺术创作者们建设一站式艺术，娱乐社交平台。AIRENA 简化的全格式 NFT 创作流程和 UGC 空间内创作功能将使 AIRENA 成为个人，艺术家，企业参与、整合与构建平行世界的全方位解决方案，为 META 探索和交易数字资产提供无缝体验。 3. 个性化游戏体验：AIGC 可以帮助个性化玩家游戏体验。通过跟踪玩家的行为和偏好，AI 算法可以提供量身定制的建议和游戏选项，提高玩家满意度和留存率。 现有用例：Mirror World AI 驱动的链游项目 Mirror World 已于 2021 年 9 月推出互动式 NFT Mirror NFT，可跨 Mirror World 全平台的游戏流通，并预计将在今年推出三款资产互通的游戏。 4. 公平性和防作弊：AI 驱动的反作弊系统可以检测异常的行为模式，如自瞄或透视挂，然后标记进行进一步调查。此外 AI 驱动的随机数生成器（RNG）可提高链上菠菜游戏的公平性。 5. 动态游戏平衡：AI 可用于优化游戏平衡，根据玩家的行为和技能水平实时调整难度级别和挑战。游戏将更加有趣和富有挑战性，同时玩家也不会因过于困难的关卡而感到沮丧。 现有用例：RCT AI RCT AI 针对 Axie Infinity 开发了 AI 训练的 DRL（Deep Reinforcement Learning）模型，由于 Axie Infinity 所有卡牌的组合数量大约有 10^23 种，还有游戏中的博弈等特点，rct AI 的模型在大量模拟对战数据中提升了效率和胜率。 Comment: 在游戏领域 AIGC 的主要用例是做基础设施优化，较难成为一个独立的商业模式。 c. AIGC & 去中心化社交 内容创作: AIGC 可以带来全新的内容创作方式，运用 AI 生成内容的能力让普通的加密用户加入到创作过程中。用户并不一定要贡献具体创作的内容，可以贡献思路或者微调模型。 减轻社交压力：AIGC 可以帮助用户总结复杂的信息流，让用户能快速读取关键信息，减轻阅读压力；在未来有可能通过学习用户的语气和个人偏好，在得到用户授权后自动为我们处理社交消息，完成简单的决策。 DID 和成就体系：运用 AIGC 打造数字身份或者生成个人成就墙。 现有用例:AspectaAI Aspecta 基于云端与链上数据，应用 AI 打造具有价值深度的数字身份。从开发者开始，革命用户数据潜能。以 Aspecta ID 作为核心，Aspecta 建立了 Aspecta Identity Ecosystem，通过协议和系统为用户和第三方应用提供安全、可控的跨 Web2 & Web3 的数据存储、传输和智能应用服务。 潜在用例: AIGC 成就墙 还有一种潜在用例是根据用户链上交互、资产情况、nft 持仓、生成一个艺术墙。不仅仅是简单地陈列出来，而是将各种元素融合为一体，并随机应用 3D 画廊、抽象、油画、涂鸦等各种丰富的艺术形式表现出来，艺术画风与元素也会随着交互记录动态变化。 Comment: 我们如何衡量用户生成与 ai 生成内容的价值？如何衡量人与机器艺术的价值? 笔者认为 AIGC 模型是在现有的数据语料库中学习和总结，很难超出互联网平均水平。在 AIGC 时代，真正的创作者应当去思考真正的创新，进而推动文明的进步，而不是总结平庸的想法。 d. AIGC & NFT 1. 生成式 NFT：AIGC 算法可以从个体收藏家的偏好和反馈中学习，随着越来越多 AI 创作工具对普通用户开放，让 NFT 艺术创作变成了像「你画我猜」一样简单的游戏。 现有用例：Eponym，Metascapes Eponym 是 Art AI 开发的一个可以根据单词或短语生成艺术作品的 AI 算法，可以在一分钟之内生成抽象的艺术作品，铸成 NFT，并将其刻在以太坊上。在 OpenSea 上的第一款产品在几个小时内就售罄，截至目前已经完成了 4722 笔 NFT 交易，交易总量达 4722 个 ETH。 Metascapes 原始素材来源于从世界上最奇幻的地点拍摄照片，AI 经过学习之后生成了这些 NFT，目前在 OpenSea 上的交易量达到 315 个 ETH。 2. 交互式 NFT: nft 本身可以根据用户的行为进行交互和成长，比如属性进化、母 nft 合并、nft 博弈竞技等。具体项目如下： Comment：AIGC 是否会影响 NFT 的稀缺性，能否获得社区认可？笔者认为应当分场景分析：中长尾 nft 完全可以靠 aigc 生成，生产效率高、概念创新、画风精美；蓝筹则更 prefer 人类艺术家。这种差别类似工业革命时代工业品和手工品区别——工业革命之前普通人缺乏基础生活用品，工业品的出现满足了民众日常需求，手工品则成为了贵族品质的象征；可见在 aigc 时代，人类艺术家价值会变得更高，但受众更少更高端。 e. AIGC & DeFi 1. 智能交易算法：AI 交易算法可以用于分析市场趋势，更准确地预测资产价格的走向，帮助交易者做出更明智的投资决策 现有用例：Sumo Signals Sumo SignalsAI 加密交易策略平台,可提供基于人工智能的套利交易指标，筛选数百种加密货币，寻找表示买入或卖出信号的模式，以帮助加密交易者执行套利交易。 2. 更高效的借贷协议：通过使用 AI 算法，借贷平台可以自动评估借款人的信用价值并设置适当的利率降低违约风险，使借贷过程更加高效。 3. 去中心化预测市场：通过分析用户情绪和行为，算法或许能比专家更准确地预测事件的结果，例如选举或体育比赛。 来源：金色财经lg...
北美站
