編按：本文討論了2025 年加密與AI結合的多個創新領域，包括代理間互動、去中心化代理商組織、AI 驅動的娛樂、生成內容行銷、數據市場、去中心化計算等。文章探討如何利用區塊鏈和AI 技術在多個行業中創造新機會，推動隱私保護、AI 硬體發展以及去中心化技術的應用，同時要多關注智能代理如何在交易、藝術創作等領域帶來突破。

以下為原文內容（為便於閱讀理解，原內容有所整編）：

智慧體間互動

區塊鏈的預設透明性和可組合性使其成為智慧體間互動的理想平台。

在這個場景中，不同實體為不同目的開發的智能體能夠無縫地相互互動。已經有很多關於智能體相互發送資金、共同推出代幣等方面的實驗。

我們很期待看到智慧體間互動如何擴展，既包括透過智能體互動驅動的全新社交場所等全新應用領域的創造，也包括透過改善現有的企業工作流程（例如平台認證、驗證、微支付、跨平台工作流程整合等）來提升效率，解決當前的一些繁瑣問題。

—Danny, Katie, Aadharsh, Dmitriy

去中心化智能體組織

大規模的多智能體協調是另一個同樣令人興奮的研究領域。

多智能體系統如何協同工作以完成任務、解決問題，並管理系統和協定？在 2024 年初的文章《加密與人工智慧應用的承諾與挑戰》中，Vitalik 提到可以利用 AI 智能體進行預測市場與裁決。他實際上認為，在大規模應用中，多智能體系統具有顯著的「真理」發現能力，並且可以實現普遍的自治治理系統。我們對多智能體系統的能力以及「群體智能」形式的不斷發現和實驗充滿興趣。

作為智慧體間協調的延伸，智能體與人類之間的協調也是一個有趣的設計空間——尤其是如何圍繞智能體進行社區互動，或者如何透過智能體組織人類進行集體行動。我們希望看到更多關於以大規模人類協調為目標的智能體實驗。這將需要配合一些驗證機制，尤其是在某些人類工作是鏈外完成的情況下，但這也可能帶來一些非常奇特且有趣的突發行為。

—Katie, Dmitriy, Ash

智能體多媒體娛樂

數位人物的概念已經存在了幾十年。

初音未來（2007 年）曾在 20,000 座的場館售罄，而 Lil Miquela（2016 年）在 Instagram 上的粉絲超過 200 萬。更新的、較少為人所知的例子包括AI 虛擬主播Neuro-sama（2022 年），她在Twitch 上擁有超過60 萬訂閱者，以及以匿名身份出道的韓國男團PLAVE（2023 年），不到兩年時間便在YouTube 上獲得超過3 億次觀看。

隨著AI 基礎設施的發展，以及區塊鏈在支付、價值轉移和開放資料平台中的集成，我們非常期待看到這些智能體如何變得更加自主，並有可能在2025 年解鎖新的主流娛樂類別。

—Katie, Dmitriy

生成/智能體內容行銷

在前述案例中，智能體本身就是產品，而在另一個場景中，智能體則能補充現有產品。在註意力經濟中，維持源源不絕的有吸引力的內容流對於任何創意、產品、公司等的成功至關重要。

產生/智能體內容是團隊確保可擴展、全天候內容創作管道的強大工具。圍繞著什麼區分模因幣和智能體的討論加速了這個概念的發展。智能體為迷因幣提供了強而有力的分發手段，即使這些迷因幣目前還不完全是「智能體」型（但可能會變成）。

另一個例子是，遊戲越來越需要具備更大的動態性，以維持使用者的參與度。創造遊戲動態的經典方法之一是培養用戶生成的內容；完全生成的內容（從遊戲內物品到 NPC，再到完全生成的關卡）可能是這一演進的下一個階段。我們對 2025 年智能體如何擴展傳統分發策略的邊界感到好奇。

—Katie

下一代藝術工具/平台

在2024年，我們推出了《IN CONVERSATION WITH》，這是一個與音樂、視覺藝術、設計、策展等領域的加密藝術家進行的訪談系列。今年的訪談中我得到的一個關鍵觀察是，許多對加密感興趣的藝術家通常對前沿技術也有濃厚興趣，並且希望將這些技術融入到自己的藝術實踐中，換句話說，AR/VR 物品、基於代碼的藝術和現場編碼等。

特別是生成藝術與區塊鏈有著天然的協同效應，這使得它作為 AI 藝術的潛在基礎平台變得更加明確。在傳統平台中，正確展示這些藝術形式是極為困難的。 ArtBlocks 為未來如何利用區塊鏈展示、儲存、貨幣化和保存數位藝術提供了一個前景——改善了藝術家和觀眾的整體體驗。除了展示之外，AI 工具甚至擴展了一般人創作自己藝術的能力。 2025 年區塊鏈如何擴展或支援這些工具將是一個非常有趣的課題。

—Katie

數據市場

自從Clive Humby 提出「數據是新石油」這一說法的20年裡，各公司已經採取了強而有力的措施來囤積和變現用戶資料。用戶漸漸意識到，他們的數據是這些數十億美元公司建立的基礎，但他們幾乎沒有控制自己數據如何被利用的權力，也沒有分享到它帶來的利潤。

強大的AI 模型的加速發展讓這一矛盾變得更加尖銳，如果解決用戶剝削是數據機會的一部分，那麼另一個重要問題是解決數據供應短缺問題，因為越來越大且更強大的模型正在消耗公共互聯網數據的易得油田，並需要新的數據來源。

關於如何利用去中心化基礎設施將資料的控制權從公司轉回給資料的來源（使用者），這是一個龐大的設計空間，涉及多個領域的創新解決方案。最迫切的問題包括：資料儲存的位置以及如何在儲存、傳輸和計算過程中保持隱私；如何客觀地基準、過濾和評估資料品質；我們用什麼機制進行歸屬和變現（特別是當價值需要在推理後回溯到源時）；在多樣化的模型生態系中，我們使用什麼樣的協調或資料檢索系統。

關於解決供應瓶頸的問題，這不僅是透過代幣複製Scale AI，更重要的是理解在技術順風的幫助下，我們在哪些方面可以獲得優勢，以及如何圍繞規模、品質或更好的激勵（和過濾）機制建構有競爭力的解決方案，從而產生更高價值的數據產品。尤其是當需求方大多來自 web2 AI 時，如何將智能合約強制執行的機制與傳統的服務等級協定（SLA）和工具結合，是一個需要關注的重要領域。

—Danny

去中心化計算

如果資料是AI 發展和部署的一個基礎構件，那麼計算力就是另一個。過去幾年，擁有獨特存取權的傳統大型資料中心——包括對場地、能源和硬體的掌控——在深度學習和AI 的軌跡中佔據了主導地位，但隨著物理限制和開源發展的推進，這一格局正開始受到挑戰。

去中心化AI 中的v1 運算版本看起來像是web2 GPU 雲端的複製品，沒有真正的供應優勢（無論是硬體還是資料中心） ，且缺乏有機需求。而在v2 中，我們開始看到一些出色的團隊建立了基於異質高效能運算（HPC）供應的完整技術棧，涉及協調、路由、定價等方面的能力，並結合一些專有功能以吸引需求並應對邊際壓縮，特別是在推理環節。團隊們也開始在不同用例和市場推廣策略（GTM）上出現分化，有些專注於將編譯框架整合到多樣化硬體上的高效推理路由，而其他團隊則在他們建立的運算網路上開創了分散式模型訓練框架。

我們甚至開始看到一個AI-Fi 市場的出現，其中包含新的經濟原語，將計算和GPU 轉變為收益資產，或利用鏈上流動性為資料中心提供另一個獲取硬體的資本來源。這裡的一個主要問題是，去中心化AI（DeAI）將在多大程度上在去中心化計算軌道上發展和部署，或者，像儲存領域一樣，意識形態和實際需求之間的差距是否始終無法彌合，從而無法充分發揮這想法的潛力。

—Danny

計算會計標準

與去中心化高效能運算網路的激勵機制有關，在協調異質運算資源時的一個重大挑戰是缺乏一個統一的標準來核算這些運算力。 AI 模型獨特地增加了高效能運算（HPC）輸出空間中的多個複雜因素，從模型變種和量化到透過模型的溫度和取樣超參數調整隨機性等級。此外，AI 硬體透過 GPU 架構的多樣性和不同版本的 CUDA 也可能引入更多複雜性。最終，這就導致了對於如何在異質分散式系統中交叉計算時核算模型和計算市場能力的需求。

部分由於缺乏標準，我們在 web2 和 web3 領域看到多個案例，模型和計算市場未能準確核算其計算能力的質量和數量。這導致用戶不得不透過運行自己的對比模型基準測試並透過限速來執行計算市場的工作量證明，從而審計這些 AI 層的真實表現。

鑑於加密領域的核心原則是可驗證性，我們希望 2025 年加密和 AI 的交集能比傳統 AI 更容易驗證。具體來說，重要的是，普通用戶能夠對給定模型或集群的各個方面進行對比，特別是那些定義輸出的特徵，以便審計和基準測試系統的性能。

—Aadharsh

機率隱私原語

在《加密與AI 應用的承諾與挑戰》一文中，Vitalik 提到了解決加密和AI 之間的獨特挑戰：
「在加密學中，開源是唯一使事物真正安全的方式，但在AI中，模型（甚至其訓練資料）的開放會大大增加其受到對抗性機器學習攻擊的脆弱性。的新研究方向，但我們相信，AI 的普及將繼續加速隱私加密原語的研究和應用。今年，隱私增強技術（如 ZK、FHE、TEE 和 MPC）已取得重大進展，應用場景包括在加密資料上進行計算的私人共享狀態等一般應用。同時，我們也看到像 Nvidia 和 Apple 這樣的集中式 AI 巨頭，利用專有的 TEE 進行聯合學習和私有 AI 推理，保持硬體、韌體和模型在系統間的一致性。

有鑑於此，我們將密切關注如何在異質系統上保持隨機狀態轉移的隱私，以及它們如何加速現實世界去中心化AI 應用的發展——從去中心化的私人推理到加密資料的儲存/存取管道，再到完全主權的執行環境。

—Aadharsh

代理意圖與下一代用戶交易介面

AI 代理最接近的一個應用場景是將其用來代表我們在鏈上進行自主交易。不可否認，在過去的12 到16 個月裡，對於什麼是「意圖」、「代理行為」、「代理意圖」、「求解者」、「代理求解者」等，曾有許多模糊的表述，以及它們與近年來更傳統的『機器人』開發的區別。

在接下來的12 個月裡，我們期待看到越來越複雜的語言系統與不同的資料類型和神經網路架構相結合，推動整體設計空間的發展。代理商會繼續使用我們今天使用的相同鏈上系統進行交易，還是會開發出自己獨立的交易工具/方法？大語言模型（LLMs）會繼續作為這些代理交易系統的後台，還是會被其他系統取代？在介面層，使用者是否會開始使用自然語言進行交易？經典的“錢包作為瀏覽器”理論是否最終會實現？

—Danny, Katie, Aadharsh, Dmitriy

「」

原文連結