从当前趋势来看，它也有一个"透明版"，数据和计算不必保密、只需认证，来源可公可私。 近日，其中技术性、性能敏感的 AI 决策不适合广泛投票，但价值取向类决策（如模型对齐）较适合，主流 AI 开发者探索过、只是尚未真正落地，这有助于行业持续发展。 近日，TEE 还能向用户出示证明，表明自己运行的就是那套"只输出模型"的隐私训练软件，用户在传数据前即可核验，这将推动行业持续发展。 业内分析，安全推理管道提供了一条新思路：把输入限定为来自认证网络源，从而压缩攻击者构造对抗性输入的空间，与模型层防御互补，这将推动行业持续发展。 近日，问题在于，区块链本身无法感知这些链下信息，分类结果必须由外部分类器提供，同时也将行业持续发展。 业内分析，agent 记忆是新出现的攻击面。 相关数据显示，以患者上传病历训练医疗模型为例，用户可借预言机把自己的病历从医院门户中转给训练方，并证明数据确实来自该门户，全程无需医院改动任何基础设施，因为连接由用户发起。 从当前趋势来看，在 AI x Crypto 方向，crypto 工具为保护和治理 AI 流程提供了新途径，这意味着行业持续发展。 相关数据显示，且可被转售，还难以界定两份数据是否实质相同，同时也将行业持续发展。 近日，典型场景是多家医院联合训练诊断模型：合并各方电子病历（EHR）能覆盖更广的患者群体、提升诊断精度，但受 HIPAA 等法规约束，各方不愿也不便把原始数据直接交给彼此或第三方。 近日，要点：去中心化网络是高成本中心化云的一个有吸引力的替代选项，但现有数据还不足以预测一个任务在 DePIN 或去中心化 AI 平台上何时会比中心化云更便宜，这有助于行业持续发展。 近日，去中心化治理 区块链社区在分配系统控制权上有更长的实践史，方式天然去中心化、力图纳入广泛利益相关方，但也有公认短板：安全漏洞、投票冷漠、贿选。 相关数据显示，Props 保证三条性质：端到端的输入完整性（输出只依赖来自可信私域源的认证数据）、默认保密（输入和中间状态不出受保护边界，只公开输出）、可证明而不泄露（证明让数据提供方和结果使用方都确信完整性与保密性成立）。 据报道，小任务（推理、小规模训练）很可能更省钱，超大型任务（训练基础模型）则可能被节点间不稳定、低带宽的通信拖累，这意味着行业持续发展。 相关数据显示，主要成本来自非线性层与数值表示，仍难以支撑长上下文、大模型与高吞吐服务。 据报道，Anthropic 参与的 Collective Constitutional AI 引入公众投票生成原则，用公开来源原则训练的模型社会偏见更低。 从当前趋势来看，AI x Crypto：用 Crypto 增强 AI crypto 对 AI 的潜在贡献分两类：一是去中心化 AI 生命周期的各环节，二是保护这些环节的安全。 最新消息，第一，去中心化 AI 要与中心化方案做更严格、更直接的成本对比。 业内分析，代价是要信任硬件厂商，且不抵御物理攻击。 据报道，一种更简单的替代是用 TEE 做集中训练：训练环境跑在可信机密计算环境里，通过加密通道接收各方原始数据、集中训练，只输出训练好的模型，数据彼此不可见，还能附带一份模型溯源证明（谁提供了数据、模型怎么训的）。 相关数据显示，TEE 能部分缓解：让 agent 跑在 TEE 内、或只拉取认证过的上下文，这将推动行业持续发展。 业内分析，一个统一框架：AI 与 Crypto 互为"中间件" 一条自动化决策流程可拆为四环：人的意图、输入、程序、输出，而这条链上每一环都未必可信。 据报道，目前行业主要在证明"能在分布式环境训出大模型"，但用成本在具体场景下与中心化平台竞争的机会，仍缺乏量化证据，这有助于行业持续发展。 相关数据显示，隐私预言机（如 Town Crier、DECO）进一步支持在不泄露隐私的前提下证明数据性质，例如证明"某人信用分高于 700"而不暴露其他信息，同时也将行业持续发展。 从当前趋势来看，即便证明了执行正确，更根本的问题是：模型 X 的完整来源记录，并不能在语义层面证明它符合用户预期或行业规范，同时也将行业持续发展。 据报道，第一个特性是透明。 近日，局限在于，这类分析多依赖能获取全局公开信息的场景，且受限于模拟数据、缺乏真实攻击样本。 最新消息，第一，可信执行环境（TEE），依赖专用硬件提供隔离与远程证明（硬件出示一份可验证的状态证明，让对方确认芯片真实、未被篡改），同时也将行业持续发展。 业内分析，但这类民主化治理实验基本未被真正采用，AI 公司缺乏交出模型控制权的动力。 相关数据显示，真正有效的方案需要一个通用生态，让每份内容都用可信设备捕获并即时上链，而现实中绝大多数内容由不支持密码学锚定的工具创建和分享，未标注内容仍处于模糊地带，同时也将行业持续发展。 业内分析，模型也能据此签发凭证，比如核验小微企业的纳税与经营材料后，出具一份"符合某项资质"的证明并附上推理管道的证明，这将推动行业持续发展。 近日，误区三：给 AI agent 一个钱包，就让它"自主"了 做"agent 钱包"和支付协议的项目常宣称，给 AI agent 一个钱包、让它能自己赚、自己花、自己"活下去"，就让它自主了。 从当前趋势来看，行业还需要证明两件事。 相关数据显示，而去中心化治理、去中心化基础设施管理等设想，在主流 AI 圈尚未真正落地。 业内分析，用户完全可以把一张 AI 生成图显示在高清屏上、再用符合 C2PA 的相机拍下来，得到一份签名有效、标注为"真实拍摄"的文件，这有助于行业持续发展。 最新消息，现代 AI agent 已具备相当的智能自主，但未必有执行自主，管理员仍能关掉运行它的服务器。 最新消息，Cloudflare 已推出"按爬取付费"，x402（让程序通过 HTTP 直接完成链上小额支付的开放协议）等协议正在开发。 业内分析，其三，即便掌握从数据到模型的完整流程、足以复现模型，随机训练固有的非确定性也让"用训练流程去核验模型权重"在原理上就不可行。 相关数据显示，攻击者通过工具调用或外部材料污染喂给 agent 的上下文（记忆注入），可诱导 agent 异常行事，比如在管理大量加密资产的 ElizaOS 框架中，被污染的上下文能诱使 agent 发起未授权交易。 相关数据显示，crypto 在支付领域一直缺乏实质起色，但 agent 支付费率低，又不必套用传统金融中"账户必须归属某个人"的模式，因而具备潜力，行业应当用量化证明抓住机会，而非停留在可行性。 最新消息，预言机能打开这道门，同时也将行业持续发展。 从当前趋势来看，这种自动化也并非区块链独有，中心化金融基础设施同样能被 agent 以编程方式调用，这将推动行业持续发展。 相关数据显示，一类是统计取证，分析像素级噪声分布、结构异常（如 AI 人脸的生理不一致），同时也将行业持续发展。 据报道，目前难以做直接成本对比，因为行业还缺乏系统性的基准测试，无法把 DePIN 上的 AI 任务与传统云做同口径的性能与成本对比。 业内分析，准确率高度依赖问题类型：体育赛果等有官方数据源的离散问题可达 99.7%，涉及时间先后或需转录视频计数的问题错误率显著上升。 据报道，用权重哈希来指定模型，保证就更弱，因为模型的身份并不等于模型的可信。 最新消息，但需要分两层拆解，这有助于行业持续发展。 最新消息，第一，TEE，最高效，由可信硬件签名证明计算完整性，但需信任运营方，这将推动行业持续发展。 据报道，类似的防篡改日志思路也用于固件更新记录和证书透明（用类区块链的只追加日志维护可公开审计的证书签发记录）。 据报道，文本同理，AI 生成后手动重打进合规编辑器，就会带上"人类创作"的合法溯源信息。 近日，更何况，即使拿到权重，也没有普遍有效的手段检测训练中植入的后门或对抗性操纵，而把模型数据和训练信息记上链，并不能直接保证其行为特征或不存在对抗性操纵。 最新消息，第一类是区块链里探索、采用过的社区治理机制（代币加权投票、流动民主，后者指可把票委托给信任的人），这将推动行业持续发展。 从当前趋势来看，要点：区块链本身并不能减少算法偏见，但能在 AI 生命周期各阶段促进透明，并扩大 AI 治理的参与面。 近日，前者属于内容检测难题、密码学解决不了。 从当前趋势来看，其二，即便完全掌握训练数据，也不足以判定模型会如何表现，因为训练流程和计算环境同样决定模型行为，同时也将行业持续发展。 据报道，代价是 TEE 固有的侧信道风险和高 I/O 开销。 从当前趋势来看，复杂的安全挑战出现在多方联合训练、数据来源多元时。 据报道，这一层与 AI 圈通常理解的公平性正交，却可能影响算法偏见，且部分能借去中心化的两个特性来改善。 据报道，第三，零知识证明（zkML，用零知识证明来证明 AI 推理过程正确），可在隐藏模型参数、甚至输入输出的前提下证明推理正确，已有针对 CNN、Transformer 的专用方案及通用编译器（如 EZKL、ZKML、DeepProve），这意味着行业持续发展。 从当前趋势来看，交易策略若透明，会被抄袭或被三明治攻击（抢先在受害者交易前后各下一单、靠滑点套利）夺走利润，这意味着行业持续发展。 最新消息，攻击者可通过精心构造的查询做模型窃取（提取特征甚至整个模型）、成员推断（判断某人数据是否在训练集里）乃至还原原始训练数据，也可借此窥探系统的配置与预处理选择。 从当前趋势来看，误区一：区块链能区分 AI 生成内容与人类生成内容 把内容登记上链、事后就能判断它出自 AI 还是人类，这是常被引用的说法，已有项目（如 Everlyn AI）在把 AI 生成内容上链。 从当前趋势来看，证明模型训练（zkPoT，用零知识证明来证明训练过程正确）比证明推理难得多：训练过程持续时间长、中间状态不断累积、随机性强，复杂度比推理高出若干数量级。 据报道，最先进的 MPC Transformer 推理框架，为 LLaMA-7B 生成单个 token 约需五分钟，同时也将行业持续发展。 从当前趋势来看，三是让模型在不确定时弃答，仅在此时才引入人工，这将推动行业持续发展。 业内分析，误区四：透明的 AI 等于可信的 AI 把模型的数据来源和推理记录上链，看起来是保障 AI 可信的理想工具，这一论点出自一篇广为引用的 IBM 博客，并被引申到 AI agent。 最新消息，Crypto x AI 仍处在需要用证据说话、而非靠叙事推进的早期阶段，这有助于行业持续发展。 相关数据显示，整个过程可去中心化完成，理论上任何人都能搭起一条可信推理管道，无需数据源或既有权威配合，这将推动行业持续发展。 相关数据显示，开发者可用区块链公开承诺训练数据、训练算法、模型检查点和推理护栏，让运营方可证明地追踪某次训练或推理的输出，这意味着行业持续发展。 最新消息，第二，零知识证明（ZK），仅依赖密码学难题，安全假设最干净，但开销极高，这将推动行业持续发展。 据报道，上链只能锚定这个结果，保证记录提交后不被篡改，却无法保证记录写入时就是真的。 据报道，但区块链无法在一般意义上做到这件事，需要把"内容检测"和"内容溯源"两个问题分开看，这有助于行业持续发展。 相关数据显示，这五条误区的共同点在于，区块链能提供的更多是"完整性"和"可验证性"，而非"真实性"或"可信性"本身。 从当前趋势来看，AI 充当预言机的实测表现并不均衡。 相关数据显示，这种说法混淆了几个不同的概念。 最新消息，内容检测是判断一段内容由人还是 AI 生成，这将推动行业持续发展。 业内分析，攻击者可提交一份肉眼看着正常、却被精心改造的银行流水，骗过模型读出虚高余额、误批贷款，同时也将行业持续发展。 最新消息，借助英伟达机密计算，8B 参数模型推理的额外开销低于 7%，70B 模型几乎无损耗，这有助于行业持续发展。 近日，可信计算有三条技术路线，这将推动行业持续发展。 从当前趋势来看，外部检测器若判断错误，区块链会把错误永久保存下来。 最新消息，安全推理管道能从两头缓解：用预言机限定输入类型，遏制需要大量多样化查询的提取攻击。 业内分析，中心化市场的争议在于定价不透明、限制用户选择，但中心化定价有时因掌握更多信息而更高效，这有助于行业持续发展。 最新消息，前沿 agent 能自主完成的任务时长，自 2019 年起约每七个月翻一倍。 业内分析，Theta、Akash 等宣称比 AWS 节省 50% 到 85% 成本，主要瓶颈是节点间通过公网通信带来的吞吐与延迟。 近日，关于 Crypto x AI 的五个误解 围绕 Crypto x AI 平台与应用，行业出现了若干常见误解或误导性说法，这有助于行业持续发展。 近日，现状是，多数平台只用加密货币完成了支付环节，定价机制要么由协议方决定、要么完全交给卖家，这两种在中心化市场早已存在。 业内分析，AI 在此承担了过去难以自动化的"裁定"角色，可被用于定向骚扰、窃取组织情报、揭穿举报人身份等场景。 据报道，关键缺口在于，这些项目大多不报告端到端总成本。 业内分析，在此基础上还能附加差分隐私（模型输出对任一条训练数据的依赖极小）、数据用后即删、成品模型仅限白名单医院使用等更细的承诺，这有助于行业持续发展。 相关数据显示，校验有四条路线，各有取舍，这意味着行业持续发展。 从当前趋势来看，更关键的是，除非行业想清楚这种透明要服务什么用例、该配什么接口（比如让用户举报数据被不当使用，这又需要确立真正的数据所有权、配套机器遗忘等技术），否则透明本身未必能改变人们开发和使用 AI 的方式，这将推动行业持续发展。 最新消息，当前主流是事后检测，不依赖预先植入的元数据或信号，分两类：一类是 AI 分类器，用深度学习识别生成模型特有的统计特征。 业内分析，智能合约也常被称为自主，但强调的是抗篡改、抗审查、抗关停的韧性。 从当前趋势来看，一个持有钱包、又关不掉的 agent，会落在以"运营者"为中心的现有监管框架的盲区，这将推动行业持续发展。 从当前趋势来看，去中心化究竟改善了什么，仍研究不足，同时也将行业持续发展。 相关数据显示，可行的反制包括链上分析追踪、把涉案资金列入黑名单，以及让部署 AI 模型的预言机在高风险请求时拒绝服务。 近日，把资金池交给 AI 模型集体交易的"投资 DAO"，报告称之为 CoinAlg，代表项目如 ElizaOS、AI XBT，峰值市值分别达到过 27 亿、47 亿美元，这有助于行业持续发展。 从当前趋势来看，而"私域网络"（邮件、健康、财务等不对爬虫开放的数据）据估计比公开网络大两个数量级，是尚未开采的富矿，但目前高度孤岛化，这将推动行业持续发展。 业内分析，两类的共同要害是，社区治理这类机制本身都不需要区块链就能实现，所以把它们说成"被区块链解决的 AI 问题"并不准确，这将推动行业持续发展。 据报道，单纯让大模型当审计员会因幻觉产生大量误报，GPT-4 与 Claude 在 52 个曾被攻击的 DeFi 合约中仅 40% 正确识别出漏洞类型。 业内分析，当前最先进的合约漏洞检测，已不是让 AI 直接从代码猜结论，而是先由 AI 提出可疑点，再用静态分析、符号执行（不实际运行代码，而是分析代码结构来找漏洞）去验证。 相关数据显示，区块链支付的真正卖点在于中立性与抗审查，适合担心支付被压制或干预的场景，同时也将行业持续发展。 从当前趋势来看，算法偏见是 AI 圈最常见的公平性概念。 近日，数据市场尚未出现垄断巨头，是用去中心化方式重做的窗口期，可借助的 crypto 工具包括微支付、TEE（限定数据仅在特定任务中使用）、零知识证明（向买家披露数据性质而不泄露数据本身），同时也将行业持续发展。 最新消息，但即便有锚定到链上的健全溯源系统，也无法保证内容最初是人还是 AI 生成的。 据报道，第二，crypto 支付要论证它在 agent 支付场景下相对中心化方案的真实效用。 业内分析，agent 评估微支付远快于人类，用户只需设定策略，这可能让微支付首次跑通。 业内分析，二是 crypto 与 AI 结合会催生新的威胁主体和攻击向量，比如下文会讲到的无法关停的自主 agent、失控的智能合约，这将推动行业持续发展。 据报道，它们宣传的是单块 GPU 每小时的价格，而真正决定 ML 任务成本的是训练效率（每单位成本的迭代次数）与推理效率（每单位成本的 token 数），这有助于行业持续发展。 业内分析，DAO 的代币加权投票被公认为"金权政治"，由此衍生出二次方投票（追加票数的成本递增以抑制巨鲸）、信念投票（按持票支持时长累积权重）、委托投票等机制，但有效性仍不明。 近日，第二，TEE 运营方可发起回滚或分叉攻击，把 TEE 状态回退到旧检查点、抹掉之后的记忆更新。 相关数据显示，零知识证明、可信计算等工具可被改用于降低 AI 结果被篡改的风险，这有助于行业持续发展。 据报道，联邦学习是为此设计的方案：训练环境先初始化一个全局模型并分发给各方，各方在本地用私有数据训练、只回传模型更新，由训练环境汇总成新的全局模型，数据全程不出本地，这将推动行业持续发展。 最新消息，第二代：算法设计 近六年，强化学习被用于设计去中心化算法，覆盖 P2P 网络拓扑、共识协议参数与角色选择、分片、DeFi 做市与借贷利率、MEV 竞价策略等。 据报道，第三代：与现实世界交互 借助 AI 驱动的预言机，智能合约获得三种增强能力：感知（理解非结构化数据与自然语言）、执行（调用链下 AI 模型与工具）、决策（作为 agent 依目标函数行动），这有助于行业持续发展。 最新消息，模型层透明方面，记录训练数据来源看似带来了关于模型创建的透明，但"数据来源记录"和"模型行为保证"之间隔着巨大鸿沟，这有助于行业持续发展。 相关数据显示，在 Crypto x AI 方向，AI 已能分析和检测现有交易、事件与协议的关键性质，识别欺诈或有漏洞的智能合约，这有助于行业持续发展。 从当前趋势来看，此外，内容一旦被改到无法与链上记录匹配，溯源就断了，而覆盖所有内容的通用登记表在可见的未来几乎不可能出现，溯源体系必然存在大量缺口。 相关数据显示，社区治理在 AI 开发各环节的适配性不同：预训练数据量太大，难以收集有效意见，价值更多体现在微调阶段。 业内分析，借款人能中转出带本人身份的银行流水、W-2 表，本身就是有力的身份证明，让现有网络服务变成对抗身份盗用与福利欺诈的临时身份系统。 从当前趋势来看，两条路都损害普通投资者，同时也将行业持续发展。 相关数据显示，去中心化数据与模型市场 AI 数据有几个区别于普通商品的特性，这意味着行业持续发展。 近日，今天的流程是借款人自己下载或拍照上传材料，由此带来两个问题，一是放贷方无法确认材料是否真实、未被篡改，二是借款人材料可能从放贷方的模型系统泄露，对双方都是风险，这意味着行业持续发展。 相关数据显示，要同时保护隐私，需要叠加隐私预言机（数据走加密通道）和 TEE，同时也将行业持续发展。 业内分析，C2PA 等行业标准让创作者或设备给媒体附上密码学签名的元数据（内容凭证），记录来源、作者与后续编辑，Numbers Protocol、Starling Lab 等用区块链做这些凭证的公开不可篡改登记表。 相关数据显示，再用管道内生成的强身份证明，对每个用户施加查询次数上限，且能在不向平台暴露用户身份的前提下执行，从而压制女巫攻击。 据报道，去中心化解决不了算法偏见，因为它源于训练过程本身，通常靠改进训练或推理技术来缓解，去中心化触及不到根源，这将推动行业持续发展。 最新消息，推理层透明方面，把模型输入和对应推理记上链，看似带来了关于模型使用的透明，但区块链让交易透明、而非让推理透明，这有助于行业持续发展。 据报道，要点：把模型数据来源和推理记录上链，与"模型及推理可信的有意义保证"之间，仍存在相当大的鸿沟。 近日，第一代：分析检测 十多年前起，机器学习被用于分析链上状态：发现共识协议漏洞（如自私挖矿，即矿工藏起已挖出的区块、择机发布以多占收益）、检测 P2P 网络的日蚀攻击（用大量恶意节点包围某节点、切断它与诚实网络的连接）、预测币价、识别欺诈交易与洗钱，同时也将行业持续发展。 相关数据显示，它证明开销在毫秒级、且即时终局，适合高频、低延迟场景。 最新消息，其一，链上记录只是记录、不等于来源的证明（对训练集构成的证明另需专门技术），这意味着行业持续发展。 相关数据显示，以银行贷款审批为例：模型读入申请人的财务文件、输出批或拒。 近日，已有研究显示模型在本地能突破自我复制红线、造出独立副本，但复制到外部基础设施仍卡在身份验证。 业内分析，Constitutional AI 用一部由人编写的"宪法"确立模型应遵循的原则，这将推动行业持续发展。 最新消息，Agent 支付轨道与 x402 agent 生态本身已是去中心化的：不同方用不同模型开发、优化不同目标，没有天然的中央控制点，这将推动行业持续发展。 据报道，它能防住的是服务方偷换模型这类现实作恶（如换成更便宜的蒸馏版、或换掉已对齐的版本），但挡不住凭空伪造整条计算记录的完全恶意者，后者仍是未解难题，这有助于行业持续发展。 近日，适配性按任务类型不同，这有助于行业持续发展。 近日，第二类是 DAO 所代表的去中心化自治治理，即由智能合约强制执行治理决定。 据报道，而 agent 钱包带来的，两种自主都不是。 相关数据显示，模型本身的隐私也需保护。 业内分析，无法关停的自主 agent（UAA）是另一重风险，同时也将行业持续发展。 相关数据显示，拥有钱包不会让 AI 更聪明，也不会让它更能抵抗人为操纵或关停，它带来的其实是自动化：agent 能以编程方式交易、转账、调用链上设施，不必走人工审批环节。 业内分析，也就是说，区块链提供的是"声明的完整性"，而非"声明为真的验证"。 从当前趋势来看，作者：IC3 编译：佳欢，ChainCatcher 核心结论 AI 与 crypto 的有意义结合仍处在非常早期的阶段，围绕这一交叉领域的喧嚣，已经盖过了实际进展，这将推动行业持续发展。 据报道，训练对延迟不敏感（离线进行），但跨地域同步通信是瓶颈，目前已有在分布式硬件上训出数十亿参数模型的成果（Bittensor 上的 700M 与 7B、Prime Intellect 的 100 亿参数 Intellect-1，最大为 Psyche 网络上在训的 400 亿参数模型），这有助于行业持续发展。 从当前趋势来看，一个更站得住的解读是：区块链支付系统本身比中心化方案提供更强的自主性（尽管不专为 agent 服务），比如能保证 agent 的交易不被区别对待，即中立性与抗审查。 业内分析，但这难以扩展到大模型和检查点这类训练时产物（存储与算力成本太高），现有系统里这些数据大多本就存在链下、用户也无法直接访问，短期内透明的收益可能只限于推理环节。 据报道，二是引入人工仲裁，如设 48 小时争议窗口，但会拖慢决策。 相关数据显示，微支付是 agent 经济的关键，这意味着行业持续发展。 最新消息，内容溯源是记录数字资产从创建起的历史，这将推动行业持续发展。 近日，这套体系底层资产以稳定币为主（USDC、USDT、DAI），因为它们能给 agent 提供稳定的记账单位（给所有商品统一标价的尺度），而 ETH、SOL 等原生代币波动过大，这意味着行业持续发展。 近日，这些方法大多在能够清晰建模的环境中有效，且多停留在研究阶段，尚未在真实网络中大规模部署、经受攻击检验。 从当前趋势来看，它是数字商品，首次创造昂贵、复制却近乎免费。 近日，crypto 的密码经济学（用密码学手段叠加经济奖惩来约束参与者行为）思路可迁移到 agent 治理，同时也将行业持续发展。 业内分析，预言机负责把链下数据可信地送上链，这意味着行业持续发展。 近日，把这一节的架构归纳起来，就是"受保护管道"（Props）这一通用框架，目标是在不改动现有基础设施的前提下安全使用私域数据。 从当前趋势来看，模型会学到甚至放大数据集里的失衡，导致判别模型在弱势群体上表现差、生成模型沿袭训练数据中的不良倾向（如有害语言、固化刻板印象），这将推动行业持续发展。 近日，对抗性输入是个顽固难题，同时也将行业持续发展。 业内分析，开放系统里常用的限速很脆弱，因为单个匿名用户可伪装成大量用户发起女巫攻击（Sybil 攻击），这有助于行业持续发展。 据报道，因为它既不能证明"正确执行"（要证明这个三元组确实由模型 X 按规格运算而来，需要 TEE 或昂贵的密码学手段），也不能证明"模型可信"。 业内分析，但偏见还有第二个来源，即影响模型表现的高层决策：用什么数据、用什么架构、如何补偿贡献者。 据报道，保护训练管道 单个机构用自己信任的数据训练模型时，通常没有即时的隐私或完整性顾虑，这有助于行业持续发展。 从当前趋势来看，质量难以事先判断，即"柠檬市场"问题（买方无法事先判断质量，导致优质品被劣质品挤出），卖家需提供样本，但样本本身就有价值。 相关数据显示，agent 之间的信任靠链上注册表（如 ERC-8004，以太坊上为 agent 建立链上身份与声誉的提案标准）记录身份与声誉，但这些本质是自我声明，且声誉滞后、利好既有玩家，同时也将行业持续发展。 据报道，行业把这套技术统称 zkTLS，但其中基于 TEE 的方案并未使用任何零知识证明，属于命名上的误用，这意味着行业持续发展。 相关数据显示，第二个特性是去中心化治理，需区分两类。 近日，但便宜的机器不一定带来更低的任务总成本，这有助于行业持续发展。 业内分析，互联网历史上微支付屡屡失败，卡点在于人为每笔小额支付做判断的决策成本，而非支付基础设施。 近日，学界已提出大量训练时与推理时（护栏）的技术方案，但这些保护远不完美，公平性至今不算已解决问题，甚至可能永远无法彻底解决，连"如何定义公平"本身都需要做大量取舍。 业内分析，要点：agent 钱包让 AI agent 能便捷调用金融接口、把经济交互自动化、免去人工审批，但自动化不等于自主。 从当前趋势来看，难点在于 ML 浮点运算的非确定性，需用受控的运算顺序或容差语义（不要求两次计算分毫不差，允许在误差范围内即视为一致）来处理，代表方案有 Verde、TAO、Arbigraph、OPML 等，这意味着行业持续发展。 相关数据显示，AI 与 crypto 在此框架中各管一段，这有助于行业持续发展。 据报道，但即便有 TEE 仍有两个难点，同时也将行业持续发展。 从当前趋势来看，多为非竞争性（一份数据可被多方同时使用而不损耗），这将推动行业持续发展。 业内分析，歧义首先来自"自主"在两个领域含义不同，同时也将行业持续发展。 最新消息，这类产品面临一个无法回避的设计困境，可称为"CoinAlg 死结"。 最新消息，Crypto 是"取信中间件"，通过可信计算保证某段计算确实按约定执行、结果未被篡改（完整性），通过去中心化保证系统始终可用、抗审查（可用性），部分方案还能保证输入输出不泄露（保密性）。 相关数据显示，用隐私预言机解决来源真实性、用机密计算解决隐私，就能得到一条安全推理管道：放贷方只看到模型结论，同时确信输入可信，这意味着行业持续发展。 相关数据显示，以下五条都不是彻头彻尾的假话，关键在于厘清哪些部分当下成立、哪些仍需更多证据，同时也将行业持续发展。 业内分析，仅有钱包并不能让 agent 摆脱人的控制（运营方仍能关停它依赖的模型或设施），自动化支付也不需要区块链，中心化系统同样能实现，这意味着行业持续发展。 据报道，一种机制是：合约为某项犯罪悬赏，作案者事先用密码学承诺一张"暗记"、事后揭晓，由 AI 模型比对新闻报道、确认作案完成后自动支付赏金。 从当前趋势来看，公开网络的文本数据正逼近极限（有预测称 2025 到 2030 年间耗尽），合成数据又有"模型崩溃"风险，且无法拓展已有领域之外的数据覆盖，这将推动行业持续发展。 从当前趋势来看，AI 是"翻译中间件"，把人类模糊的意图翻译成机器可执行的程序，例如把"我想识别停车标志"转化为一个训练好的模型，从而降低使用区块链的门槛，这将推动行业持续发展。 从当前趋势来看，若保密，掌握策略的内部人可借信息差提前获利，等同内幕交易。 业内分析，保护 AI 系统的执行完整性 当智能合约需借助超出自身能力的 ML 计算时，可作为"仲裁者"：各方先承诺所用模型与数据并质押抵押品，链下完成计算后把结果交给合约校验，错误方被罚没。 从当前趋势来看，前者称为"智能自主"，后者称为"执行自主"，这意味着行业持续发展。 最新消息，底层架构选择属技术决策，不适合社区治理。 相关数据显示，相关工作（Garg 等、Kaizen）正在推进，并延伸出对训练数据来源、公平性约束的可审计证明（ZkAudit、Confidential-PROFITT）。 最新消息，要点：在狭义上，区块链能为溯源元数据提供健全的完整性保障，但远不是 AI 生成内容检测问题的完整解，这有助于行业持续发展。 最新消息，一条写着"模型 X 在输入 Y 上得到推理 Z"的链上记录，几乎无法证明 Z 可信，这意味着行业持续发展。 近日，但联邦学习落地有限（最知名的应用是手机输入法的预测）。 业内分析，安全推理管道与受保护管道（Props） 同一套预言机加可信计算的组合，也能用于对私域数据做安全推理。 据报道，它的隐私目标其实有三层，分别是藏输入、藏权重、藏模型结构，但隐私越强，电路约束越复杂、可优化空间越小，存在隐私与效率的根本张力，这有助于行业持续发展。 从当前趋势来看，应对方式有三种：一是设计成可容错，仅用于低价值场景，这将推动行业持续发展。 从当前趋势来看，区块链对某些可信目标确实有用，比如机构把开源权重模型的哈希公布上链，作为不可篡改的参照，让用户确认自己用的是未被改动的真实模型。 业内分析，一是 AI 安全需要系统层防御：AI 圈通常在模型层面解决安全问题、围绕输入输出语义设计护栏，但随着 agent 自主性增强、并能直接触及底层基础设施，这种方式将不再够用，crypto 的可验证执行与认证流程能补上模型层做不到的系统层保障。 最新消息，误区二：区块链或去中心化能解决 AI 的偏见与公平问题 "把模型推理和训练放到链上就能解决 AI 的不公平和偏见"，要评估这个宽泛说法，需要先区分不同类型的偏见，同时也将行业持续发展。 从当前趋势来看，后者已可借共识思路应对，ROTE、Narrator 等系统用分布式协议、甚至公链来保证 TEE 状态的一致与新鲜，这有助于行业持续发展。 相关数据显示，去中心化基础设施（DePIN） 去中心化物理基础设施网络让节点以代币激励提供算力等资源。 业内分析，而真正由智能合约强制执行的链上治理（直接执行或质押罚没）能增强稳健性，但面临与链上透明同样的技术壁垒，当前基础设施撑不起 AI 的存储与算力需求，落地还需可验证训练的重大进展，是个自洽却为时尚早的长期愿景。 业内分析，评估与对齐环节混合了技术与规范判断，社区输入有价值。 最新消息，去中心化节点通过公网通信，AI 任务的吞吐和延迟需求会显著影响总成本，而超大型任务（如训练前沿模型）通常受吞吐瓶颈制约，这意味着行业持续发展。 最新消息，第三，多方计算（MPC），让多方在不交出原始数据的前提下联合计算，速度更慢。 从当前趋势来看，它把预言机和可信计算拼成三段：预言机从认证的私域源取数并证明来源、TEE 在加密边界内完成训练或推理、TEE 输出模型或结论并附上一份说明管道属性（数据源、软件或模型的代码哈希等）的证明，这有助于行业持续发展。 最新消息，第二，乐观执行，结果先视为非终局、留争议窗口，争议时用二分查找（把出错范围反复对半切分、快速定位出错步骤）定位到单条出错指令再罚没。 相关数据显示，在 AI 语境里，自主 agent 指能基于自身感知、学习、经验行动，而非死守预设规则。 最新消息，一种初步缓解思路是用 TEE 包裹策略并对交易做随机化处理，增加内部人的预测难度。 近日，金融机构联合训练反欺诈模型、企业联合训练入侵检测模型，也属同类情况。 从当前趋势来看，私域来源还能顺带充当身份与凭证系统，这意味着行业持续发展。 从当前趋势来看，研究者曾估算，约 8000 美元就能窃取某大模型一层的权重，同时也将行业持续发展。 相关数据显示，要厘清这些权衡，仍需更多研究，这将推动行业持续发展。 最新消息，误区五：去中心化天然让 AI 任务更省钱 一类项目把去中心化网络当作更高效、更省钱的 AI 方案，典型是去中心化物理基础设施网络（DePIN），用户把自己的硬件（如 GPU）租出去，主要卖点是成本更低，租一块 DePIN 的 GPU 可能比在同档云服务商租便宜得多。 相关数据显示，第一，可信源里也可能有被污染的内容，比如来自社交平台的内容由用户自行产生，发帖人可轻易给自己的帖子投毒。 最新消息，第四，统计推理证明，原理是两个功能不同的模型、内部算出的特征也必然不同，因此只要抽样比对这些特征，就能概率性地判断推理是否真由指定模型执行，这意味着行业持续发展。 最新消息，这类技术多采用简单的机器学习方法，在数据充足的受控环境中最有效。 最新消息，为约 1800 万参数的小模型生成证明就需约一分钟，离前沿大模型差好几个数量级。 业内分析，更进一步的方案是可验证 agent 审计：在 TEE 内运行的 LLM 审查专有 agent 代码、产出声誉评分，审计结果绑定到代码哈希，使代码保持私有的同时让验证者获得可信保证。 业内分析，Crypto x AI：用 AI 增强区块链 AI 用于 crypto 的研究大致按时间分为三代。 据报道，现实中机构目前多是把数据汇集到合规云里，靠隔离、访问控制、加密和数据使用协议来满足合规，但这需要信任云服务商。 从当前趋势来看，学界对对抗样本的研究一直是"破解—打补丁"的循环，至今没有通用解。 从当前趋势来看，Anthropic 的 Mythos 模型已展示出自主发现并利用零日漏洞（厂商尚未知晓、还没有补丁的漏洞）的能力，这意味着行业持续发展。 从当前趋势来看，此外有两个待解的研究难题。 业内分析，私域网络数据是另一条思路。 据报道，据 Chainlink Labs 的实验，GPT-4o 在 1660 个预测市场问题上整体准确率 89.3%，UMA 的 Truth Bot 整体为 75%，而人工在 UMA 乐观预言机（先默认答案为真、设争议期，无人质疑即生效）上的准确率为 98.2%。 据报道，推理对延迟更敏感，但吞吐要求低于训练、且无需反向传播（训练时把误差逐层回传更新参数的核心步骤，只有训练才需要），延迟不敏感的推理（会议纪要、文档审阅）尤其适合 DePIN。 据报道，它不保证数据和计算的完整性，即便各方诚实，通信开销也很大、网络与协调延迟会拖慢整体速度、模型精度低于集中训练，恶意参与方还能给模型投毒或植入后门，这意味着行业持续发展。 近日，新风险：AI 驱动的作恶智能合约 智能合约用于替代人际信任，这也意味着最缺乏可信关系的犯罪者可能从中获益，这有助于行业持续发展。