在不久的将来（6个月到1年），加密货币和人工智能的集成将由人工智能应用程序主导，这些应用程序可以提高开发者的效率、智能合约的可审查性和安全性以及用户的可使用性。这些集成并非特定于加密货币，而是增强了链上开发者和用户的体验。
正如高性能GPU严重短缺一样，去中心化计算产品正在发展人工智能定制的GPU产品，这为其采用提供了有力支持。
用户体验和监管仍然是去中心化计算客户的障碍。然而，最近OpenAI的发展以及美国正在进行的监管审查突显了无需许可、抗审查、去中心化人工智能网络的价值主张。
链上人工智能整合，特别是能够使用人工智能模型的智能合约，需要改进zkML技术和其他验证链下计算的计算方法。缺乏全面的工具和开发人才以及高昂的成本是采用的障碍。
人工智能代理非常适合加密货币，用户（或代理本身）可以创建钱包以与其他服务、代理或个人进行交易。这在传统金融渠道下目前不可能实现。为了更广泛的采用，需要与非加密产品进行额外的集成。
人工智能（ArtificialIntelligence）是利用计算和机器模仿人类的推理和问题解决能力。
神经网络（NeuralNetworks）是一种用于AI模型的训练方法。它们通过一系列算法层处理输入数据，不断优化直到产生所需的输出。神经网络由具有可修改权重的方程组成，可以修改权重以改变输出。它们可能需要大量的数据和计算来进行训练，以确保其输出准确。这是开发AI模型最常见的方式之一（例如，ChatGPT使用基于Transformer的神经网络过程）。
训练（Training）是神经网络和其他AI模型开发的过程。它需要大量的数据来训练模型，以正确地解释输入并产生准确的输出。在训练过程中，模型方程的权重将不断修改，直到产生令人满意的输出为止。训练成本可能非常昂贵。例如，ChatGPT使用数以万计的GPU来处理其数据。资源较少的团队通常依赖于像亚马逊网络服务（AmazonWebServices）、Azure和谷歌云服务（GoogleCloudProviders）等专用计算提供商。
推理（Inference）是实际使用AI模型获取输出或结果的过程（例如，使用ChatGPT撰写本报告大纲）。推理在训练过程中和最终产品中都会用到。由于计算成本的原因，即使在训练完成后，它们的运行成本也可能很高，但计算密集度低于训练。
零知识证明（ZeroKnowledgeProofs，ZKP）允许在不透露基础信息的情况下验证声明。这在加密货币中有两个主要用途： 1隐私和2扩展性。对于隐私，这使用户能够进行交易而不泄露像钱包中有多少ETH这样的敏感信息。对于扩展性，它使得可以更快地在链上证明链下计算，而无需重新执行计算。这使得区块链和应用程序可以在链下运行计算，然后在链上进行验证。
人工智能+加密货币全景图
在人工智能和加密货币交汇的项目仍在开发所需的基础设施，以支持大规模的链上人工智能交互。
去中心化计算市场正在兴起，以提供大量的物理硬件，主要是 GPU，用于训练和推理人工智能模型。这些双边市场连接了出租和寻求租用计算资源的人，促进了价值的转移和计算的验证。在去中心化计算中，正在出现几个子类别，提供了额外的功能。除了双边市场之外，本报告还将研究专门为可验证训练和微调输出的机器学习训练提供方，以及致力于连接计算和模型生成以实现人工通用智能的项目，也经常被称为智能激励网络。
zkML是希望以经济有效且及时的方式在链上提供可验证模型输出的一个重点领域。这些项目主要使应用程序能够处理链下繁重的计算请求，然后在链上发布可验证的输出，证明链下工作是完整且准确的。zkML在当前实例中既昂贵又耗时，但越来越多地被用作解决方案。这在zkML提供方和想要利用AI模型的DeFi/游戏之间的集成数量不断增加中显而易见。
充足的计算资源供应以及能够在链上验证计算的能力为链上人工智能代理打开了大门。代理是经过训练的模型，能够代表用户执行请求。代理提供了极大的机会来显著增强链上体验，使用户能够通过与聊天机器人交谈来执行复杂的交易。然而，就目前而言，代理项目仍集中于开发基础设施和工具，以便轻松快速地部署。
人工智能需要大量的计算资源，无论是用于训练模型还是进行推理。在过去的十年里，随着模型变得越来越复杂，计算需求呈指数级增长。例如，OpenAI发现，在2012年至2018年间，其模型的计算需求从每两年翻倍增长到每三个半月翻倍增长。这导致了对GPU的需求激增，一些加密货币矿工甚至利用他们的GPU提供云计算服务。随着获取计算资源的竞争加剧和成本上涨，一些项目正在利用加密货币提供去中心化计算解决方案。它们以有竞争力的价格提供按需计算，以便团队可以负担得起训练和运行模型。在某些情况下，这种权衡可能是性能和安全性。
像Nvidia生产的最先进的GPU等高端硬件需求很高。在9月份，Tether收购了德国比特币矿工NorthernData的股份，据报道支付了4.2亿美元，以收购1万个H 100GPU（用于AI训练的最先进的GPU之一）。获得最佳硬件的等待时间至少为六个月，在许多情况下更长。更糟糕的是，公司通常需要签订长期合同，购买他们甚至可能不会使用的计算资源。这可能导致存在计算资源，但市场上却不可用的情况。去中心化计算系统有助于解决这些市场效率低下的问题，创建了一个二级市场，使计算资源的所有者能够随时以竞争价格出租他们的多余资源，释放新的供应。
除了竞争性定价和易获取性外，去中心化计算的关键价值是抗审查性。前沿的人工智能发展越来越被拥有无与伦比算力和数据获取权限的大型科技公司所主导。2023年AI指数报告年度报告中首次突出的关键主题之一是，行业正在超越学术界，在AI模型的开发方面，将控制权集中在少数科技领导者手中。这引发了对他们能否在制定支撑AI模型的规范和价值观方面产生过大影响的担忧，尤其是在这些科技公司推动监管措施以限制他们无法控制的AI开发之后。
近年来出现了几种去中心化计算模型，每种模型都有自己的重点和取舍。
类似Akash、io.net、iExec、Cudos等项目是去中心化计算应用，除了数据和通用计算解决方案外，还提供或将很快提供专门用于AI训练和推理的特定计算资源。
Akash目前是唯一完全开源的「超级云」平台。它是一个使用CosmosSDK的 PoS 网络。Akash的原生代币AKT用于保护网络、作为支付形式，并激励参与。Akash于2020年推出了首个主网，重点是提供一个无需许可的云计算市场，最初提供存储和CPU租赁服务。在2023年6月，Akash推出了一个新的测试网，专注于GPU， 9月推出了GPU主网，使用户能够租用GPU进行AI训练和推理。
以上就是Galaxy：全景解读Crypto+AI赛道的全部内容，望能这篇Galaxy：全景解读Crypto+AI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。