编者按：本文讨论了 2025 年加密与 AI 结合的多个创新领域，包括代理间互动、去中心化代理组织、AI 驱动的娱乐、生成内容营销、数据市场、去中心化计算等。文章探讨了如何利用区块链和 AI 技术在多个行业中创造新机会，推动隐私保护、AI 硬件发展以及去中心化技术的应用，同时要多关注智能代理如何在交易、艺术创作等领域带来突破。

以下为原文内容（为便于阅读理解，原内容有所整编）：

智能体间互动

区块链的默认透明性和可组合性使其成为智能体间互动的理想平台。

在这个场景中，不同实体为不同目的开发的智能体能够无缝地相互互动。已经有很多关于智能体相互发送资金、共同推出代币等方面的实验。

我们很期待看到智能体间互动如何扩展，既包括通过智能体互动驱动的全新社交场所等全新应用领域的创造，也包括通过改善现有的企业工作流程（例如平台认证、验证、微支付、跨平台工作流程集成等）来提升效率，解决当前的一些繁琐问题。

—Danny, Katie, Aadharsh, Dmitriy

去中心化智能体组织

大规模的多智能体协调是另一个同样令人兴奋的研究领域。

多智能体系统如何协同工作以完成任务、解决问题，并管理系统和协议？在 2024 年初的文章《加密与人工智能应用的承诺与挑战》中，Vitalik 提到可以利用 AI 智能体进行预测市场和裁决。他实际上认为，在大规模应用中，多智能体系统具有显著的「真理」发现能力，并且可以实现普遍的自治治理系统。我们对多智能体系统的能力以及「群体智能」形式的不断发现和实验充满兴趣。

作为智能体间协调的延伸，智能体与人类之间的协调也是一个有趣的设计空间——尤其是如何围绕智能体进行社区互动，或者如何通过智能体组织人类进行集体行动。我们希望看到更多关于以大规模人类协调为目标的智能体实验。这将需要配合一些验证机制，尤其是在某些人类工作是链外完成的情况下，但这也可能带来一些非常奇特且有趣的突发行为。

—Katie, Dmitriy, Ash

智能体多媒体娱乐

数字人物的概念已经存在了几十年。

初音未来（2007 年）曾在 20,000 座的场馆售罄，而 Lil Miquela（2016 年）在 Instagram 上的粉丝超过 200 万。更新的、较少为人知的例子包括 AI 虚拟主播 Neuro-sama（2022 年），她在 Twitch 上拥有超过 60 万订阅者，以及以匿名身份出道的韩国男团 PLAVE（2023 年），不到两年时间便在 YouTube 上获得超过 3 亿次观看。

随着 AI 基础设施的发展，以及区块链在支付、价值转移和开放数据平台中的集成，我们非常期待看到这些智能体如何变得更加自主，并有可能在 2025 年解锁一种新的主流娱乐类别。

—Katie, Dmitriy

生成 / 智能体内容营销

在前述案例中，智能体本身就是产品，而在另一个场景中，智能体则能补充现有产品。在注意力经济中，维持源源不断的有吸引力的内容流对于任何创意、产品、公司等的成功至关重要。

生成 / 智能体内容是团队确保可扩展、全天候内容创作管道的强大工具。围绕什么区分模因币和智能体的讨论加速了这一概念的发展。智能体为模因币提供了强有力的分发手段，即使这些模因币目前还不完全是「智能体」型（但可能会变成）。

另一个例子是，游戏越来越需要具备更大的动态性，以保持用户的参与度。创造游戏动态的经典方法之一是培养用户生成的内容；完全生成的内容（从游戏内物品到 NPC，再到完全生成的关卡）可能是这一演进的下一个阶段。我们对 2025 年智能体如何扩展传统分发策略的边界感到好奇。

—Katie

下一代艺术工具 / 平台

在 2024 年，我们推出了《IN CONVERSATION WITH》，这是一个与音乐、视觉艺术、设计、策展等领域的加密艺术家进行的访谈系列。今年的访谈中我得到的一个关键观察是，许多对加密感兴趣的艺术家通常对前沿技术也有浓厚兴趣，并且希望将这些技术融入到自己的艺术实践中，换句话说，AR/VR 物品、基于代码的艺术和现场编码等。

特别是生成艺术与区块链有着天然的协同效应，这使得它作为 AI 艺术的潜在基础平台变得更加明确。在传统平台中，正确展示这些艺术形式是极其困难的。ArtBlocks 为未来如何利用区块链展示、存储、货币化和保存数字艺术提供了一个前景——改善了艺术家和观众的整体体验。除了展示之外，AI 工具甚至扩展了普通人创作自己艺术的能力。2025 年区块链如何扩展或支持这些工具将是一个非常有趣的课题。

—Katie

数据市场

自从 Clive Humby 提出「数据是新石油」这一说法的 20 年里，各公司已经采取了强有力的措施来囤积和变现用户数据。用户渐渐意识到，他们的数据是这些数十亿美元公司建立的基础，但他们几乎没有控制自己数据被如何利用的权力，也没有分享到它带来的利润。

强大的 AI 模型的加速发展让这一矛盾变得更加尖锐，如果解决用户剥削是数据机会的一部分，那么另一个重要问题是解决数据供应短缺问题，因为越来越大且更强大的模型正在消耗公共互联网数据的易得油田，并需要新的数据来源。

关于如何利用去中心化基础设施将数据的控制权从公司转回给数据的来源（用户），这是一个庞大的设计空间，涉及多个领域的创新解决方案。最紧迫的问题包括：数据存储的位置以及如何在存储、传输和计算过程中保持隐私；如何客观地基准、过滤和评估数据质量；我们用什么机制进行归属和变现（特别是当价值需要在推理后回溯到源时）；在多样化的模型生态系统中，我们使用什么样的协调或数据检索系统。

关于解决供应瓶颈的问题，这不仅仅是通过代币复制 Scale AI，更重要的是理解在技术顺风的帮助下，我们在哪些方面可以获得优势，以及如何围绕规模、质量或更好的激励（和过滤）机制构建有竞争力的解决方案，从而产生更高价值的数据产品。尤其是当需求方大多来自 web2 AI 时，如何将智能合约强制执行的机制与传统的服务水平协议（SLA）和工具结合，是一个需要关注的重要领域。

—Danny

去中心化计算

如果数据是 AI 发展和部署的一个基础构件，那么计算力就是另一个。过去几年，拥有独特访问权的传统大型数据中心——包括对场地、能源和硬件的掌控——在深度学习和 AI 的轨迹中占据了主导地位，但随着物理限制和开源发展的推进，这一格局正开始受到挑战。

去中心化 AI 中的 v1 计算版本看起来像是 web2 GPU 云的复制品，没有真正的供应优势（无论是硬件还是数据中心），且缺乏有机需求。而在 v2 中，我们开始看到一些出色的团队构建了基于异构高性能计算（HPC）供应的完整技术栈，涉及协调、路由、定价等方面的能力，并结合一些专有功能以吸引需求并应对边际压缩，特别是在推理环节。团队们也开始在不同用例和市场推广策略（GTM）上出现分化，有些专注于将编译框架集成到多样化硬件上的高效推理路由，而其他团队则在他们构建的计算网络上开创了分布式模型训练框架。

我们甚至开始看到一个 AI-Fi 市场的出现，其中包含新的经济原语，将计算和 GPU 转变为收益资产，或利用链上流动性为数据中心提供获取硬件的另一资本来源。这里的一个主要问题是，去中心化 AI（DeAI）将在多大程度上在去中心化计算轨道上发展和部署，或者，像存储领域一样，意识形态和实际需求之间的差距是否始终无法弥合，从而无法充分发挥这一想法的潜力。

—Danny

计算核算标准

与去中心化高性能计算网络的激励机制相关，在协调异构计算资源时的一个重大挑战是缺乏一个统一的标准来核算这些计算力。AI 模型独特地增加了高性能计算（HPC）输出空间中的多个复杂因素，从模型变种和量化到通过模型的温度和采样超参数调整随机性水平。此外，AI 硬件通过 GPU 架构的多样性和不同版本的 CUDA 也可能引入更多复杂性。最终，这就导致了对于如何在异构分布式系统中交叉计算时核算模型和计算市场能力的需求。

部分由于缺乏标准，我们在 web2 和 web3 领域看到多个案例，模型和计算市场未能准确核算其计算能力的质量和数量。这导致用户不得不通过运行自己的对比模型基准测试并通过限速来执行计算市场的工作量证明，从而审计这些 AI 层的真实表现。

鉴于加密领域的核心原则是可验证性，我们希望 2025 年加密和 AI 的交集能比传统 AI 更容易验证。具体来说，重要的是，普通用户能够对给定模型或集群的各个方面进行对比，特别是那些定义输出的特征，以便审计和基准测试系统的性能。

—Aadharsh

概率隐私原语

在《加密与 AI 应用的承诺与挑战》一文中，Vitalik 提到了解决加密和 AI 之间的独特挑战：

「在加密学中，开源是唯一使事物真正安全的方式，但在 AI 中，模型（甚至其训练数据）的开放会大大增加其受到对抗性机器学习攻击的脆弱性。」

虽然隐私并非区块链领域的新研究方向，但我们相信，AI 的普及将继续加速隐私加密原语的研究和应用。今年，隐私增强技术（如 ZK、FHE、TEE 和 MPC）已取得重大进展，应用场景包括在加密数据上进行计算的私人共享状态等一般应用。同时，我们也看到像 Nvidia 和 Apple 这样的集中式 AI 巨头，利用专有的 TEE 进行联合学习和私有 AI 推理，保持硬件、固件和模型在系统间的一致性。

有鉴于此，我们将密切关注如何在异构系统上保持随机状态转移的隐私，以及它们如何加速现实世界去中心化 AI 应用的发展——从去中心化的私人推理到加密数据的存储 / 访问管道，再到完全主权的执行环境。

—Aadharsh

代理意图与下一代用户交易界面

AI 代理最接近的一个应用场景是将其用来代表我们在链上进行自主交易。不可否认，在过去的 12 到 16 个月里，对于什么是「意图」、「代理行为」、「代理意图」、「求解者」、「代理求解者」等，曾有许多模糊的表述，以及它们与近几年更传统的『机器人』开发的区别。

在接下来的 12 个月里，我们期待看到越来越复杂的语言系统与不同的数据类型和神经网络架构相结合，推动整体设计空间的发展。代理会继续使用我们今天使用的相同链上系统进行交易，还是会开发出自己独立的交易工具 / 方法？大语言模型（LLMs）是否会继续作为这些代理交易系统的后台，还是会由其他系统替代？在界面层，用户是否会开始使用自然语言进行交易？经典的「钱包作为浏览器」理论是否最终会实现？

—Danny, Katie, Aadharsh, Dmitriy