九思札记 · 探索区块链 · AI

AI 的瓶颈正在从"算力"转向"数据和数据主权"。去中心化AI（Decentralized AI）试图将分布式网络的经济激励和密码学承诺引入AI产业的三元价值——算力、数据和模型。

11.2.1 AI 产业链的三重瓶颈

传统 AI 训练是封闭且集中的：

瓶颈	当前状态	去中心化方案
算力	寡头（AWS/GCP/Azure）	IP 级撮合 + Token 激励（Gensyn, Akash）
数据	中心化平台垄断	链上尊严经济（Data DAO, Ocean Protocol）
模型	API 黑盒	模型权重的 DAG (Bittensor)

算力去中心化：从 PoW 到 AI 训练

区块链 PoW 的算力已经被证明可以被大规模调度。问题在于 AI 训练是非确定性的——相同的输入在 GPU 上运行两次可能产生浮点差异。而区块链要求可验证执行。

解决方案：

确定性引擎：使用 torch.compile + 固定 seed 保证可复现性
链下执行 + 链下验证：在链外完成训练，通过 zkML（11.4 节）或 TEE 证明模型权重的正确性
经济博弈：高成本的中审（Spot-checking）随机审计

数据市场：用属权质押换数据

typescript

/**
 * 数据质押市场的智能合约逻辑
 * 数据提供者质押通证以证明真实性
 * 数据消费方面费并接收经确权的数据
 */
interface DataAsset {
  id: string;
  contentHash: string;      // H(data) 
  owner: string;
  price: bigint;
  accessPolicy: "buy" | "subscribe" | "compute-only"; // 仅计算而不泄露原始数据
}

interface DataMarket {
  listings: Map<string, DataAsset>;

  listData(asset: DataAsset): void {
    // 要求 owner 提交内容 Hash 而非原始数据
    // 避免所有者质量控制：假设必须拥有正确数据才能匹配 Hash
    this.listings.set(asset.id, asset);
  }

  accessData(
    buyer: string,
    dataId: string,
    payment: bigint,
    computeOnly: boolean,
  ): { commitment: string; redirectURL: string } {
    const asset = this.listings.get(dataId);
    if (asset.price > payment) throw new Error("Insufficient payment");
    // 只返回承诺（commitment）和离线转移路径
    // 真实数据不经过链上——避免 gas 和数据泄露
    return {
      commitment: `H( ${dataId}:$ {buyer}:${Date.now()})`,
      redirectURL: `ipfs://${asset.contentHash}`,
    };
  }
}

// 数据市场核心不等式：
// 只有同时拥有正确原始数据 && 匹配 contentHash 的人，才能生成有效的 listing
// contentHash 是对数据的承诺
const sampleData: DataAsset = {
  id: "medical-imagery-0429",
  contentHash: "QmX2a...3f9", // IPFS 哈希
  owner: "0x1234...",
  price: 1000000000000000000n, // 1 ETH
  accessPolicy: "compute-only",
};

11.2.2 Bittensor：激励导向的智能市场

Bittensor 是"链上 AI 市场"的最激进尝试。其设计哲学很简单：

如果模型能回答一个问题，其回答的"价值"就可以被量化，并通过链上通证激励最优质模型。

核心架构

graph TB
    subgraph Validators[验证者网络 T: 128个]
        V1[验证者 1] --> |"查询 + 评分"| M1
        V2[验证者 2] --> |"查询 + 评分"| M2
    end
    
    subgraph Miners[矿工/模型网络 N: >10K个]
        M1[子网 1]<br/>文本生成
        M2[子网 2]<br/>图像理解
        M3[子网 3]<br/>代码生成
    end
    
    V1 --> |"产出 Incentive"| TAO[TAO 通证分发]
    V2 --> TAO
    
    TAO --> M1
    TAO --> M2
    TAO --> M3
    
    style TAO fill:#c8e6c9
    style Validators fill:#bbdefb
    style Miners fill:#ffcc80

分发公式

每个验证者为矿工产出相似度评分 $R_{ij}$ （基于真实任务上的回答质量）。总激励权重：

I_i = \frac{\exp(\sum_j R_{ij} \cdot S_j)}{\sum_k \exp(\sum_j R_{kj} \cdot S_j)} \cdot \tau

其中 $S_j$ 是验证者质押的 TAO 数量（"拥有更多 stake 的验证者声音更大"）， $\tau$ 是区块奖励。

这创造了一个模型间的竞争市场：最优质模型获得更多激励，微调差的模型被淘汰。但核心问题仍然存在——评分质量本身受验证者主观偏见和共谋攻击的影响。

11.2.3 去中心化训练的可验证性挑战

训练类型	验证难度	当前方案
监督学习	中等	检查点哈希 + 损失曲线
RLHF	高	随机审计基础模型 + 比较
DPO	低-中	偏好数据可验证
联邦学习	中等	安全聚合 + TEE 证明
SGD 基础训练	很高	开放研究：zkML 证明前向传播，无法证明后向传播

核心数学问题：可验证后向传播

\frac{\partial \mathcal{L}}{\partial w} = \frac{\partial \mathcal{L}}{\partial y} \cdot \frac{\partial y}{\partial w}

要证明"我正确地执行了梯度下降"，需要验证：

前向传播： $y = f(x; w)$ — 可验证（zkML）
反向传播： $\nabla_w \mathcal{L}$ — 极难：非线性激活导致高阶导数的电路深度过大

flowchart LR
    A[输入训练数据] --> B[前向传播<br/>可验证]
    B --> C[损失计算]
    C --> D[反向传播<br/>~不可验证]
    D --> E[权重更新]
    
    F[随机审计] --> |"抽查训练数据子集"| B
    F --> |"验证者重跑部分步骤"| D
    
    style D fill:#ffebee
    style B fill:#e8f5e9

> ← 上一节：11.1 AI × 区块链 | 前往 → 11.3 联邦学习与区块链 |*

本页目录