随着人工智能与区块链技术的交汇，一个充满创新与挑战的新时代正在到来。在这个新时代里，三个关键的设计主题——可组合性、互操作性和可验证性，成为了成功将人工智能融入 Web3.0 生态系统的基石。本文将深入探讨这些基本原则，并探索它们如何塑造链上人工智能发展的格局，为更强大、更易于访问、更安全的去中心化未来铺平道路。

设计原则1：可组合性

开源软件之所以能迅速发展，一个重要原因是其高度的可组合性。这种特性使得开发者能够将软件模块轻松插入到应用程序中，并立即受益于其实用性。同样，链上应用程序也受益于智能合约的可组合性，这使得开发人员能够像搭积木一样组合现有合约，从而快速创建和部署创新解决方案，而无需重复造轮子。

展望未来，链上人工智能的发展也将遵循类似的可组合性主题。我们需要构建模块化和可组合的基础设施，使开发人员能够无缝地将模型拼接在一起，从而实现区块链上人工智能开发的复兴。工程师应该能够轻松挑选模型，并将它们像乐高积木一样拼凑在一起，在智能合约中构建强大的用例。特别是对于开发自主链上交易代理等用例，这些用例可能不会由单一的“超级模型”提供支持，而是由多个旨在执行特定任务的高度专业化的模型组合提供支持。

在传统的机器学习领域，将多个模型堆叠在一起以改善结果早已不是新鲜事。现有文献和研究中关于模型集成的讨论非常丰富，这些思想已经存在很长时间。可组合性在建模领域一直非常重要，因为模型集成功能强大，可以产生更稳健的结果，具体原因包括：

1. 减少泛化误差：聚合模型输出（即模型堆叠）可以减少单个模型的泛化误差，这些误差可能由于对特定数据集的过拟合或欠拟合等原因造成。

2.提高鲁棒性：模型集成通常对数据中的噪声和变异性更加鲁棒。如果一个模型因噪声或异常值而出错，集成中的其他模型可以弥补这一错误，从而做出更可靠的预测。

3.去相关性：为了使模型堆叠更加强大，元模型可以对模型的输出进行不同的加权（例如使用相关矩阵），以适当降低具有高度相关输出的模型的权重，从而最大限度地提高模型输出的稳定性。

为了充分利用区块链应用层提供的可组合性，我们还提交了一份 ERC（以太坊请求评论），提议通过基于 EVM（以太坊虚拟机）的区块链上的智能合约设计，构建 LLM（大型语言模型）支持的代理的可扩展框架。该框架的设计方式将充分利用智能合约的可组合性和互操作性，使代理能够无缝地相互通信和互操作。

最终，通过简单的界面（例如简单的智能合约函数调用）创建一个可以轻松访问这些托管模型的环境，将实现最大程度的可组合性，从而允许从单个模型作为构建块创建强大的链上用例。普通开发人员应该摆脱模型托管、推理执行、硬件加速和证明生成/验证等机制，以便能够快速迭代和创建新的应用程序。

设计原则2：互操作性

为了使链上 AI 蓬勃发展，互操作性至关重要。我们将互操作性分为两种主要类型：

普遍访问：AI 模型应该可以从任何地方普遍访问，例如其他链上的智能合约、REST API 等。

跨链访问：AI 模型应该能够无缝、以编程方式访问其他链上的数据、工具和智能合约，以实现最大效率。

普遍访问 的重要性在于，模型及其结果应该可供开发人员使用，无论他们身处何地。我们预见到两种访问链上 AI 的基础方式，以实现最大程度的互操作性：

一对多访问：允许源链运行链上推理，并通过链间读取查询访问的视图函数将结果公开给多个链。

多对多访问：允许任何链上的各方调用跨链智能合约调用，以临时方式在源链上运行推理。

跨链访问 则要求模型能够访问通过互操作性协议提供的跨各种链、去中心化应用程序和预言机的大量数据，以充分发挥其潜力。访问多种跨链数据源使 AI 模型能够从不同的来源设计特征，从而增强其能力和影响力。例如：

声誉 AI 模型：可以利用来自多个链的历史数据来改进其对某个地址是否属于真实用户或空投机器人的分类。

DeFi 风险模型：可以利用各种跨链数据源来更准确地评估市场风险。

互操作性解锁了大量数据，促进了链上 AI 的运行。如果链上 AI 无法访问允许其以多链方式无缝运行的编程接口，其效用也会受到限制。提供对大量链和去中心化应用程序的访问权限使这些模型能够执行更多操作并产生更大的影响。

设计原则3：可验证性

计算可验证性作为一个通用概念，是所有对等网络中反复出现的主题。例如，在权益证明网络中，验证者必须证明区块的有效性才能达成共识，这有效地确保了完整性，并通过加密经济安全性验证了提议区块的交易。对于链上 AI 模型的推理，这也同样适用。

需要不同程度的安全性才能完全防止或阻止对推理消费者的对抗性攻击媒介。这一点在 AI 的背景下尤为重要，因为模型通常是一个黑匣子，结果的可解释性很低。值得注意的是，不同的用例需要不同级别的可验证性。例如：

DeFi 中的高杠杆用例：推理结果将直接影响交易，因此对计算进行加密验证至关重要。

链上游戏中的 NPC 对话生成：使用 LLM 生成对话时，即时安全性并不是首要考虑的问题，乐观安全机制（如 ZK 欺诈证明或 opML）可能更为适合。

对于 Web3.0 x AI 基础设施的未来来说，提供多种推理安全选项非常重要，这些选项可在成本和安全性方面提供各种权衡，以便能够涵盖各种链上用例。开发人员应该能够从延迟、成本和实用性的角度轻松选择他们想要的任何安全模式，以适应他们的用例。

结论

在 Web3.0 框架内实现人工智能（AI）推理的成功去中心化，取决于三个核心设计原则：可组合性、互操作性和可验证性。

可组合性：这一原则受到开源软件成功的启发，使得开发人员能够无缝组合模块化的 AI 组件，从而轻松创建出创新的应用程序。就像乐高积木一样，可组合性让开发者能够快速搭建新的解决方案，推动整个生态系统的快速发展。

互操作性：确保 AI 模型不仅具有普遍可访问性，还能利用跨多个区块链的不同数据源，从而极大地增强其功能。这种能力不仅提升了模型的实用性，还促进了不同区块链平台之间的协作与融合。

可验证性：在维护信任和安全方面至关重要。可验证性确保了计算结果的真实性和可靠性，这对于所有区块链上的计算都是必不可少的。为开发人员提供多种验证选项，使其能够根据具体的使用场景来调整安全级别与成本之间的平衡，这是构建可靠 Web3.0 生态系统的关键。

这三个原则共同构成了一个坚实的基础，支持着 Web3.0 中 AI 技术的发展。它们不仅有助于建立一个更加开放、灵活和技术先进的环境，同时也为用户提供了更高的透明度和控制力。随着这些原则在实践中不断得到应用和完善，我们有理由相信，未来的 Web3.0 将会更加智能、高效且值得信赖。

声明：本网站所有相关资料如有侵权请联系站长删除，资料仅供用户学习及研究之用，不构成任何投资建议！