新加坡 Hack Seasons 的見解：演講者分享人工智慧如何加速 Web3 技術開發

十月初， 黑客季節會議 在新加坡舉行，匯集頂尖專業人士，探討人工智慧的最新趨勢， Web3、區塊鏈和加密貨幣。當天最引人注目的專題討論會之一是“人工智慧：邏輯與智慧層” Web3 需求？ ”，重點探討了人工智慧驅動的分析如何增強鏈上活動，從而創建更快、更智能、更具適應性的生態系統。本次討論由 伊戈爾·萊西奧 首席執行官 AIFlow , featured 傑出人物包括 卡特 ，CTO 層板1 ; 巷道漚麻 ，研究主管 近地基 ; 陳狄龍 ，創始人兼首席執行官 共同 和 亞倫·拉米雷斯 ，人工智慧軟體工程師 反面 .

討論開始於對 Web2 和 Web3 發展速度不同，引發了一個問題：目前是什麼阻礙了 Web3 達到與 Web2 相同的步伐。

小組成員一致認為 Web3 比 Web2 進展慢，但他強調，這並不一定是缺點——在很多方面，它反而是一個特點。與 Web2 不同的是， Web3 優先考慮安全性和最終性。 Web3 需要仔細實施護欄，以確保維護去中心化，並且對不透明系統（例如黑盒大型語言模型）的依賴不會帶來新的風險。 Web3 開發人員必須解決 Web2 甚至不會遇到的獨特挑戰。

該小組進一步強調，人類系統 Web3 這與技術系統高度相似。在中心化的 Web2 應用程式中，開發人員可以依賴中心化資料庫或預言機來實現高吞吐量、快速交易和擴展性——但這是以中心化為代價的。相比之下，在 Web3 雖然速度較慢且成本較高，但它提供了不變性和其他核心的去中心化特性。這種較慢的速度也延伸到了社交層面，儘管會減緩發展速度，但去中心化的治理流程和社群驅動的決策有助於實現更好的長期成果。專家小組指出，人工智慧代理可以透過自動化重複性任務或支援治理來幫助緩解部分低效率問題，從而有效地加速去中心化流程的某些方面。

另一個觀點是，加密貨幣領域的創新通常對最終用戶來說是看不見的。共識協議和社會治理層等機制在幕後運作，就像開源人工智慧社群的發展一樣，其進展可能比最新的前沿研究落後數月。

一個反覆出現的主題是安全性。與 Web2 不同，Web2 的速度往往優先於安全性， Web3其主要關注點是安全性和可靠性，這自然會減慢產品發布週期。小組成員建議 Web3 團隊可以策略性地利用人工智慧工具來簡化開發並加速發布，同時又不影響安全性，從而將分散化的優勢與更有效率的生產結合。

平衡去中心化和人工智慧：隱私、透明度和多智能體系統 Web3

談話轉向了權力下放的話題，這是 Web3以及它如何與通常代表集中式智慧的人工智慧交叉。小組成員探討如何在利用人工智慧技術的同時保持智慧去中心化的策略。

人工智慧模型中的隱私仍然是一個挑戰，尤其是在系統遠端操作的情況下。實際上，對於許多應用程序，大多數開發人員優先考慮效能而非隱私。設備上的人工智慧提供了一種在有限用例中保存用戶資料的方法，但智慧型手機等設備只能運行規模有限的模型，從而導致效能、功能和隱私之間難以取捨。專家小組指出，大眾通常優先考慮便利性而非隱私，選擇可能利用用戶資料的平台，例如 WhatsApp 和 TikTok。然而，規模較小、針對性較強的工具（例如入門應用程式）可以從本地人工智慧框架中受益，這些框架可以將技術數據轉化為用戶友好的、基於意圖的互動。儘管存在這些解決方案，但人工智慧模型在很大程度上仍然是不透明的黑盒子，需要更透明的替代方案。

演講嘉賓強調了開放且可驗證的模型訓練的重要性，包括確保AI流程和設備端推理過程可信的加密證明。他們坦言，兩年前他們對公眾對隱私和可驗證性的關注過於樂觀。如今，雖然大眾對此的認知仍然有限，但一些細分市場已將隱私放在首位，這在一個潛在的萬億美元市場中蘊藏著巨大的機會。

除了隱私之外，小組成員還討論了當前人工智慧模型的局限性，並指出即使是像 ChatGPT 相同的查詢可能會產生不一致的輸出。使用者體驗、多智能體系統和決策流程是需要改進的關鍵領域。在信任方面，專家小組強調，企業需要確保人工智慧智能體使用數據的透明度。

展望未來，討論表明，依賴單一的人工智慧提供者存在風險。建議採用包括開源模型在內的多家供應商的多元化方案。一些新興公司正在開發不儲存用戶資料並利用開源模型的人工智慧產品，這有可能在未來五年內加劇競爭，並催生出更去中心化、更注重隱私的人工智慧解決方案。

在討論結束時，小組成員回顧了使用者體驗 (UX) 的演變歷程，並指出了向基於聊天的介面的明顯轉變。他們強調，下一波消費電子浪潮將 DeFi 將會受到類似經驗的影響 ChatGPT，用戶可以在幾分之一秒內存取資訊。他們進一步強調，這種變革需要重新思考營運方式，以全面擁抱這種全新、精簡的使用者體驗，尤其是在大多數互動都發生在行動裝置的情況下。

專家小組指出，使用者越來越習慣期望即時回應，因此速度和準確性都至關重要。同時，他們強調了使用者素養的重要性，指出人們仍然需要了解大型語言模型 (LLM) 的工作原理及其局限性，並且輸出結果應始終經過驗證。