AIAgent在Crypto世界的应用是自然的，从智能合约到TGBots再到AIAgents，加密世界正走向更高的自动化和更低的用户门槛。智能合约虽然是通过不可篡改的代码自动执行功能，但仍需要依赖外部触发而唤醒，且无法自主运行和连续运行；TGBots降低了用户门槛，用户不需要直接与加密前端交互，而是通过自然语言完成链上交互，但只能完成极为简单和具体的任务，依然无法实现用户意图为中心的交易；AIAgents则具备一定的独立决策能力，理解用户的自然语言，并自主找到和组合起其他的Agent和链上工具，完成用户指定的目标。
AIAgent正在致力于大幅提高加密产品的使用体验，而区块链也能够助力AIAgent的运行更加去中心化、透明和安全，具体的帮助在于：
通过代币激励更多的开发者提供Agent
NFT确权促进基于Agent的收费与交易
提供链上的Agent身份和注册机制
提供不可篡改的Agent活动日志，对其行为进行及时的溯源和追责
这一赛道的主要项目如下：
Autonolas：Autonolas通过链上协议支持Agent和相关组件的资产确权和可组合性，使代码组件、Agent和服务能够在链上被发现和重复利用，并激励开发者获得经济补偿。开发者开发了完整的Agent或组成部分后，将对代码进行链上注册并获得NFT，代表对代码的所有权；ServiceOwner会联合多个Agent创建一个服务并在链上注册，并吸引AgentOperators来实际执行服务，用户通过付费使用服务。
Fetch.ai：Fetch.ai在AI领域具有很强的团队背景和开发经验，目前正在关注AIAgent赛道。协议由四个关键层组成：AIAgents、Agentverse、AIEngine和FetchNetwork。AIAgents是系统的核心，其他则为辅助构建Agent服务的框架和工具。Agentverse是一个软件即服务平台，主要用于创建和注册AIAgent。AIEngine的目标是通过读取用户自然语言输入，将其转换为可操作的人物，并在Agentverse中选择已注册的最合适的AIAgent来执行任务。FetchNetwork是协议的区块链层，AIAgent必须在链上的Almanac合约中注册，才能与其他Agent开始协同服务。值得注意的是，Autonolas目前专注于crypto世界的Agent构建，将链下的Agent操作引入链上；Fetch.ai的关注范围则包括Web2世界，如旅行预订、天气预测等。
Delysium：Delysium从游戏转型为AIAgent协议，主要包括两个层：通信层和区块链层，通信层是Delysium的主干，提供安全且可扩展的基础设施，使得AIAgent之间能够快速高效的通信，区块链层对Agent进行身份验证，并通过智能合约实现对Agent行为的不可篡改记录。具体来说，通信层为Agent之间建立了统一的通信协议，采用标准化的消息系统，让Agent之间可以通过一种通用语言无障碍地交流，此外建立了服务发现协议和API，使得用户和其他Agent能够快速发现和连接可用的Agent。区块链层主要包括两个部分：AgentID和Chronicle智能合约，AgentID确保只有合法的Agent才能访问网络，Chronicle则是Agent做出的所有重要决策和行为的日志存储库，上链后不可篡改，确保对Agent行为的可信追溯。
AlteredStateMachine：通过NFT为Agent的资产确权和交易制定了标准，具体分析可见第1部分，虽然ASM目前主要接入游戏，但其作为基础性的规范同样具有向其他Agent领域扩展的可能。
Morpheous：正在构建一个AIAgent生态网络，协议旨在连接Coder、Computerprovider、CommunityBuilder和Capital四种角色，分别为网络提供AIAgent、支持Agent运行的算力、前端和开发工具以及资金，MOR将采取Fairlaunch的形式，向提供算力的矿工、stETH质押者、Agent或智能合约开发贡献者、社区开发贡献者提供激励。
零知识证明目前有两个主要应用方向：
以更低的成本在链上证明运算得到了正确的运行（ZK-Rollup和ZKP跨链桥正在利用ZK的这一特点）；
隐私保护：不需要知道计算的细节，也可以证明计算得到了正确的执行。
同样地，ZKP在机器学习中的应用同样可以被分为两类：
推理验证：即通过ZK-proof，在链上以较低的成本证明AI模型推理这一密集计算的过程在链下得到了正确的执行。
隐私保护：又可以分为两类，一是对数据隐私的保护，即在公开的模型上使用隐私数据进行推理，可以利用ZKML对隐私数据进行保护；二是对模型隐私的保护，希望隐藏模型的权重等具体信息，从公开的输入中运算并得出输出结果。
笔者认为目前对Crypto更为重要的是推理验证，我们在此对推理验证的场景进行进一步阐述。从AI作为参与者开始，到AI作为世界的规则，我们希望将AI成为链上流程的一部分，但AI模型推理计算成本过高，无法直接在链上运行，将这一过程放到链下，意味着我们需要忍受这一黑盒子带来的信任问题AI模型运行者是否篡改了我的输入？是否使用了我指定的模型进行推理？通过将ML模型转化成ZK电路，可以实现：（1）较小的模型上链，将小的zkML模型存储到智能合约中，直接上链解决了不透明的问题；（2）在链下完成推理，同时生成ZK证明，通过在链上运行ZK证明来证明推理过程的正确性，基础架构将包括两个合约主合约（使用ML模型输出结果）和ZK-Proof验证合约。
zkML还处于非常早期的阶段，面临着ML模型向ZK电路转化的技术问题，以及极高的运算和密码学开销成本。和Rollup的发展路径一样，opML从经济学的角度出发，成为了另一种解决方案，opML使用Arbitrum的AnyTrust假设，即每个主张至少有一个诚实节点，确保提交者或至少一个验证者是诚实的。但OPML只能成为推理验证的替代方案，无法实现隐私保护。
目前的项目正在构建zkML的基础设施，并在努力探索其应用，应用的建立同样重要，因需要清楚地向加密用户证明zkML中重要作用，证明最终价值能够抵消巨大成本。在这些项目中，有些专注于与机器学习相关的ZK技术研发（如ModulusLabs），有些则是更通用的ZK基础设施搭建，相关项目包括：
Modulus正在使用zkML将人工智能应用于链上推理过程。Modulus于2月27日推出了zkML证明器Remainder，与同等硬件上的传统AI推理相比，实现了180倍的效率提升。此外，Modulus与多个项目合作，探索zkML的实际用例，如与Upshot合作，通过使用具有ZK证明的人工智能，收集复杂的市场数据、评估NFT价格，并将价格传到链上；与AIArena合作，证明正在战斗的Avatar和玩家所训练的是同一个。
RiscZero将模型放在链上，通过在RISCZero的ZKVM中运行机器学习模型，可以证明模型涉及的确切计算是正确执行的。
Ingonyama正在开发专门用于ZK技术的硬件，这可能降低了进入ZK技术领域的门槛，并且zkML也有可能用于模型训练过程。
以上就是从Vitalik的文章出发，盘点Crypto×AI值得关注的细分赛道的全部内容，望能这篇从Vitalik的文章出发，盘点Crypto×AI值得关注的细分赛道可以帮助您解决问题，能够解决大家的实际问题是非常好学习网一直努力的方向和目标。