当AI在web3世界迅猛发展时，要区分真正的创新和叙事泡沫就更加困难了。ETHDenver大会期间，我们邀请了11个最主流的AI项目，本文将为你简要概述各项目愿景、实现方法和应用场景，我们一起来看这些AI项目是如何撼动当前世界的。
1、Grass
为什么：数据是所有AI训练的基础，但筛选gatekeeper（看门人）的方式使高质量训练数据的获取变得很难。确实可以从公共网络中抓取大量数据，但主要网站通常会屏蔽商业数据中心。
是什么：Grass是一个数据提供协议，使数据可访问，促进AI基础设施的公平。
怎么做：用户安装一个Chrome web extension（网络扩展程序），并利用其多余的计算和带宽来扫描互联网搜索人工智能数据。Grass运营着一个由近100万个全球网络抓取节点组成的网络。使用这个网络，Grass每天清理擦除超1TB的数据，然后生成结构化数据集。
用在哪：Grass节点目前在全球190个国家都有运营。
2、Story Protocol
为什么：AI remixing再创作是非法的，也是不可避免的。人工智能发展的主要障碍是缺乏盈利能力，不能为IP和内容创作者带来归属和来源保障。
是什么：可组合的链上IP层允许创作者自主设置参与规则。为全局IP作品增加可辨性和流动性。
怎么做：创作者可以购买许可式NFT，将其静态IP转换为可编程IP。可编程IP是一个任何程序都可以读写的层，由Nouns和Verbs组成。Nouns包括数据结构、IP相关元数据、使用ERC6551；Verbs包括模块，IP资产的一系列功能，如许可、衍生作品的收入流和全局访问。只要衍生品盈利，收益就会自动回流。
用在哪：Story Protocol可用于授权许可租赁、衍生品以及区域、渠道、有效期、可撤销性、可转让性、归属等定制。
3、Space and Time
为什么：随着LLM的发展，大公司可以对数据集和参数进行修改或篡改；重要的是要对未篡改的数据集进行加密证明，确保在LLM训练期间使用相同的数据集。此外，Space and Time一直在探索受版权保护的数据的清除方式，从可验证的向量数据库中提取数据，并在推理过程中注入提示。
是什么：Space and Time是一个索引器和ZK证明器，它根据索引数据证明SQL查询或向量搜索。
怎么做：LLM提供商可以将自己的链上/链下训练数据集加载到Space and Time，在那里数据被见证并使用加密承诺进行阈值签名，随后用于证明数据集确实被用于训练。那之后，律师或审计员/审查员可以确保数据集在训练后没有被篡改。Space and Time开发了GPU加速器“Blitzar”，它已在单个GPU上实现以14秒的验证时间完成200万行表查询。
用在哪：Space and Time允许用户使用纯文本创建查询，几秒后OpenAI从向量搜索数据库中检索上下文，并写入可由证明器执行的准确的Space and Time SQL，证明者将于4秒内返回证明。
4、Bittensor
为什么：OpenAI的目标是垄断人工智能的控制权。
是什么：Bittensor是一个去中心化的开源AI平台。
怎么做：Bittensor网络有32个子网。这些子网始于模型，但现在已经扩展到存储、计算、抓取、跟踪和不同的人工智能领域。TAO代币激励子网建设者不断完善模型或项目，验证者对子网的结果进行排名，排名将改变TAO的分布，最后一名将被踢出网络。这一机制保证了模型竞争产出最佳输出数据，而对集体价值最大的工作将获得奖励。
用在哪：强大的应用程序纷纷出现，如进行去中心化存储的FileTAO，致力于OpenAI推理的Cortex TAO，做LLM微调的Nous Research，以及支持去中心化的文本视频转换的Fractal Research。
5、Sentient
为什么：AGI建设是危险的，面临着“人类灭绝威胁”和资本主义框架风险，所以他们天生需要加密平台；而加密平台则需要原生的杀手级应用。
是什么：Sentient是一个主权激励驱动的人工智能开发平台。
用在哪：Sentient使用众包方法，支持社区协调和贡献训练模型以降低成本，使用开放协议控制推理，实现模型之间的可组合性，并将价值流回网络参与者。聚合web2和web3力量，并利用代币，Sentient将在很大程度上激励开发人员进行无需信任的AGI的建设。
6、Modulus labs
为什么：当AGI的未来势不可挡时，我们需要证明人工智能的结果是可问责的，是安全的，这个结果是由一个经过认证的模型生成的，而不是被操纵的，不依赖于可信中央权威机构的善行。
是什么：Modulus构建了一个专门的AI ZK证明器“Remainder”，以非常小的成本为dApp提供AI功能。
怎么做：与不可验证的AI输出相比，使用现代ZK证明系统是没有意义的，因为其开销约为10,000到100,000倍。Modulus为AI推理构建了一个自定义证明器，开销仅为180倍。
用在哪：Upshot是一个值得注意的实现，但Upshot复杂的评估模式只能在链下进行，也就引起了信任问题。然而，Upshot可以每小时都向Modulus发送有价值的AI评估，而Modulus可以为AI计算生成“正确性证明”，将证明汇总并发送到以太坊进行最终验证。
7、Ora
为什么：人工智能模型不能在链上运行，数千台计算机将执行一个推理。链上验证结果是可行的，但随着模型变得越来越大，ZKML的成本呈指数增长，因此需要一个呈线性增长的成本—OPML。
是什么：Ora是一个链上AI oracle，使用OPML用于任何规模的AI模型。
怎么做：使用Oracle将计算委托给链下节点。用户通过提示和命名模型从智能合约发起交易。OAO合约将交易委托给OPML节点执行推理，生成欺诈证明并将verifie（验证器）提交给ORO。验证结果返回给交易发起者。但OPML仍然需要ZKP的协助来实现输入/输出隐私保护和即时的最终确定性。此外，ORA的ZK oracle可以为OPML生成存储证明，因此在重用OPML时不需要重复执行OPML。
用在哪：现在使用ORA，我们可以在以太坊主网上使用Stable Diffusion和7B-LLaMA这样的大模型。ORA可以支持AI管理的DAO和AIGC NFT(如EIP7007)，赋予模型所有权。
8、Ritual
为什么：当人工智能基础设施越来越集中、需许可并受到越来越多严格监管时，就会出现新的审查和操纵。但加密技术提供了隐私和计算完整性、协调和激励以及默认无需许可基础设施相关原语。
是什么：Ritual作为加密和AI融合的自然汇聚点，包含一个去中心化Oracle网络和主权链（带有自定义VM和协处理器）。
怎么做：Oracle网络“Infernet”使EVM链上的任何一个智能合约都可以将链上工作流连接到链下ML推理，最终协处理器实现在VM级别上的AI本地操作，同时保持与其他数据可用性（DA）、永久存储、Prover网络、GPU网络和推理引擎的可组合性。Ritual网络上的节点不仅运行和服务模型操作，还运行共识和执行客户端。
用在哪：“Frenrug”使用推理SDK构建一个不确定的LLM，指导用户在friend.tech上购买和出售密钥。对于DeFi借贷协议，他们可以训练模型来参数化和泛化所有协议。对于支持加密的AI来说， MyShell将是首个模型创造者经济示例。
9、Olas
为什么：自主智能体（Autonomous Agents，AA）是能够感知某些信息并执行操作的强大实体。但是web2自主智能体的潜力受到严重限制：它们不能做KYC验证，用户不能拥有所有权，平台审查风险，以及有限的可组合性。
是什么：Olas是一个面向共有自主智能体的去中心化协议。
怎么做：在Olas的世界里，智能体是在链下的，而注册和管理是在链上的。智能体被安排进行自主服务（“去中心化自治代理”）。智能体运营者控制一个智能体和一个共识工具。每个智能体运行一个有限状态机（FSM），该FSM在服务智能体间的临时区块链上复制。服务智能体在采取链上行动之前先在链下达成共识。该网络对所有利益相关者提供OLAS代币激励：资本提供者，代码提供者（开发人员），智能体运营者（利益相关者）和服务所有者（企业家）。
