而 Web3 的用武之地恰恰是做数据追踪以及由此衍生的激励功效。长期看，AI 势必需要 web3 的助力，但需要厘清 web3 只能解决 AI 的有限问题。

比如，传统大规模的数据训练、算法持续优化、计算机视觉、语音识别技术、游戏 AI 等核心领域主要推动力还得靠大规模集中算力和芯片、算法等软硬件适配优化等，诸如深度学习卷积神经网络、强化学习、类脑计算模型等拓展 AI 能力边界的方向，短期都没有 web3 立足的可能性；

但却加速了 AI 和 web3 的融合。因为生成式 AI 是一种更偏向应用端的 AI 普惠技术。理想情况下，基础大模型一般会由大公司利用集中算力搞定并采取开源政策，对其上层的应用市场进行驱动。整体 AI 市场会逐渐长尾化，模型微调和推理的重要性被凸显。

然而，一旦掌握核心算力和模型资源的公司改变开源政策对整体 AI 市场都会产生直接影响，为避免此种危机产生，一种更依赖分布式算力架构和分布式推理协作架构的 infra 就会成为必须。

比如：在模型训练时，区块链可以为数据源创建唯一标识，做数据去重提高训练效率；在算力不足时，区块链可以利用 Tokenomics 激励机制构建分布式的 AI 算力网络；在参数微调环节，区块链可以记录模型的不同版本，追踪模型演变历程同时做精细化控制；

在模型推理环节，可以应用 ZK、TEE 等技术构建去中心化的推理网络，增进模型间的通信互信；在边缘计算和 DePIN 集成环节，web3 可以帮助构建去中心化的边缘 AI 网络，带动 AI+DePIN 物联网的结合。

一方面，主流 web2 世界的注意力尚在 AI 展现功效层面而对 AI 幕后协作框架并没有太多倚重，存在和 web3 脱节的问题；另一方面，web3 在 AI 结合领域也还停留在分布式算力网络、分布式推理架构网络、分布式 Tokenomics 应用网络、分布式 AI Agent 工具协作网络等基础 infra 的构建阶段，并没有得到 web2 主流刚需群体的充分验证和应用。

总之，一句话，AI+Web3 方向大势所趋没错，但实际落地发展并没那么快，可能要持续一个周期甚至跨周期才能看到显著进展，需要多一点耐心。

交流群（备注公司及岗位）