Web3-AI赛道全景报告：技术逻辑、场景应用及顶级项目深入解析

作者：Geekcartel

随着AI话题的持续升温，这一赛道受到的关注度也越来越高。Geekcartel对Web3-AI赛道的技术逻辑、应用场景、代表项目等进行了深入分析，为您呈现该领域的全方位概述和发展趋势。

1. Web3-AI：技术逻辑与新兴市场机会分析

1.1 Web3与AI的融合逻辑：如何 定义进入 Web-AI 轨道

过去的一年，AI叙事在Web3行业极度火爆，AI项目也如雨后春笋般涌现。 虽然涉及AI技术的项目较多，但部分项目只是在产品的部分环节运用AI，底层通证经济与AI产品无实质性联系，因此此类项目不属于本文Web3-AI项目的讨论范围。

本文主要关注利用区块链解决生产关系问题和利用AI解决生产力问题的项目，这些项目本身提供AI产品，利用Web3经济模型作为生产关系工具，两者相辅相成。 我们将此类项目归类为Web3-AI赛道，为了帮助读者更好的理解Web3-AI赛道，Geekcartel将介绍AI的发展历程和挑战，以及Web3与AI的结合如何完美解决问题并创造出新的应用场景。

1.2 人工智能发展历程与挑战：从数据收集到模型推理

人工智能技术是让计算机模拟、扩展和增强人类智能的技术。 它使计算机能够执行各种复杂的任务，从语言翻译、图像分类到人脸识别、自动驾驶等应用场景。人工智能正在改变我们的生活和工作方式。

开发AI模型的过程通常包括以下关键步骤：数据收集和数据预处理、模型选择和调整、模型训练和推理。 例如，要开发一个对猫和狗图像进行分类的模型，您需要：

• 数据收集和数据预处理： 收集包含猫和狗图像的数据集。您可以使用公共数据集或自己收集真实数据。然后为每张图片贴上类别标签（猫或狗），以确保标签准确。将图像转换为模型可以识别的格式，并将数据集分为训练集、验证集和测试集。

• 模型选择和调整： 选择合适的模型，例如卷积神经网络 (CNN)，它更适合图像分类任务。根据不同的需求调整模型参数或架构。一般来说，模型的网络层可以根据 AI 任务的复杂程度进行调整。在这个简单的分类示例中，较浅的网络层可能就足够了。

• 模型训练： 您可以使用GPU、TPU或者高性能计算集群来训练模型，训练时间受模型复杂度和算力影响。

• 模型推理： 模型训练文件通常称为模型权重。推理过程是指利用训练好的模型对新数据进行预测或分类的过程，在这个过程中可以用测试集或新数据来测试模型的分类效果，通常用准确率、召回率、F1-score等指标来评估模型的有效性。

如图所示，经过数据收集与数据预处理、模型选择与调优、训练之后，将训练好的模型在测试集上进行推理，得到猫和狗的预测值P（概率），即模型推断出是猫还是狗的概率。

训练好的AI模型可以进一步集成到各种应用程序中，以执行不同的任务。在这个例子中，用于猫和狗分类的AI模型可以集成到移动应用程序中，用户可以上传猫或狗的图片来获得分类结果。

然而，中心化的AI开发流程在以下场景存在一些问题：

• 用户隐私： 在中心化场景下，AI开发流程通常不透明，用户数据可能在不知情的情况下被窃取并用于AI训练。

• 数据源获取： 小团队或者个人在获取特定领域数据（比如医疗数据）时，可能会面临数据不开源的限制。

• 模型选择和调整： 对于小团队来说，获取领域专属模型资源比较困难，或者模型调优成本较高。

• 获取计算能力： 对于个人开发者和小团队来说，购买 GPU 和租用云计算能力的高成本可能是沉重的经济负担。

• AI资产收入： 数据标注者往往无法获得与其付出相匹配的收入，AI开发者的研究成果也难以与有需求的买家匹配。

中心化AI场景存在的挑战，可以通过与Web3结合来解决，Web3作为新型生产关系，与代表新型生产力的AI天然适配，从而推动技术与生产能力的同步进步。

1.3 Web3与AI的协同：角色转变与创新应用

Web3与AI的结合，可以增强用户主权，为用户提供开放的AI协作平台，将用户从Web2时代的AI使用者转变为参与者，打造人人都能拥有的AI。同时，Web3世界与AI技术的融合，也能碰撞出更多创新的应用场景和玩法。

基于Web3技术，人工智能的发展与应用将迎来一个全新的协作经济体系。 人们的数据隐私可以得到保障，数据众包模式推动人工智能模型的进步，众多开源人工智能资源可供用户使用，以较低的成本获得共享的算力。借助去中心化的协作众包机制和开放的人工智能市场，可以实现公平的收益分配制度，从而激励更多的人推动人工智能技术的进步。

在Web3场景中，AI能够对多个轨道产生积极影响。 例如，AI模型可以集成到智能合约中，在不同的应用场景中提高工作效率，例如市场分析、安全检测、社交聚类等功能。生成式AI不仅能让用户体验艺术家的角色，比如利用AI技术创造自己的NFT，还能在GameFi中创造出丰富多样的游戏场景和有趣的互动体验。丰富的基础设施提供了流畅的开发体验，无论是AI专家还是想进入AI领域的新手，都能在这个世界中找到合适的入口。

2. Web3-AI生态系统项目图谱及架构解读

我们主要研究了Web3-AI赛道的41个项目，并把这些项目分成了不同的层级，每层的划分逻辑如下图所示，包括基础设施层、中间层和应用层，每层又分为不同的板块。 下一章我们将对一些有代表性的项目进行深入分析。

基础设施层涵盖支撑AI全生命周期的计算资源和技术架构；中间层包括连接基础设施和应用的数据管理、模型开发和验证推理服务；应用层则侧重于直接面向用户的各种应用和解决方案。

基础设施层：

基础设施层是AI生命周期的基础，本文将算力、AI Chain、开发平台归类为基础设施层，正是这些基础设施的支撑才使得AI模型的训练和推理成为可能，并将强大而实用的AI应用呈现给用户。

• 去中心化计算网络： 可以为AI模型训练提供分布式算力，保证计算资源的高效、经济使用。部分项目提供去中心化的算力市场，用户可以低价租用算力或者分享算力获取收益，代表项目有IO.NET、Hyperbolic等。此外部分项目衍生出新的玩法，比如Compute Labs提出了通证化协议，用户可以通过购买代表GPU实体的NFT，以不同的方式参与算力租赁获取收益。

• AI链： 以区块链作为AI生命周期的底层基础，实现链上链下AI资源的无缝交互，促进行业生态的发展。链上去中心化的AI市场可以交易数据、模型、代理等AI资产，提供AI开发框架和配套开发工具，代表项目有Sahara AI。AI Chain也可以推动不同领域AI技术的进步，如Bittensor通过创新的子网激励机制推动不同AI类型的子网竞争。

• 开发平台： 一些项目提供了AI代理开发平台，也可以实现AI代理交易，例如Fetch.ai和ChainML。一站式工具可以帮助开发者更方便地创建、训练和部署AI模型，例如Nimble。这些基础设施推动了AI技术在Web3生态中的广泛应用。

中间层：

这一层涉及AI数据、模型、推理和验证，利用Web3技术可以实现更高的工作效率。

• 数据： 数据的质量和数量是影响模型训练效果的关键因素。在 Web3 世界中，通过众包数据、协同数据处理，可以优化资源利用率，降低数据成本。用户可以拥有数据自主权，在隐私保护的前提下出售自己的数据，避免数据被不良商家窃取并牟取高额利润。对于数据需求者来说，这些平台提供了广泛的选择和极低的成本。代表性项目如 Grass 利用用户带宽爬取 Web 数据，xData 通过用户友好的插件收集媒体信息并支持用户上传推文信息。

此外，一些平台允许领域专家或普通用户执行数据预处理任务，例如图像标注、数据分类等，这些任务可能需要金融、法律等专业知识。用户可以将自己的技能代币化，实现数据预处理的协作众包。代表性的AI市场如Sahara AI拥有不同领域的数据任务，可以覆盖多个领域的数据场景；而AIT Protocolt则通过人机协作对数据进行标注。

• 模型： 在上面提到的AI开发流程中，不同类型的需求需要搭配合适的模型。图像任务常见的模型有CNN、GAN，物体检测任务可以选择Yolo系列，文本任务常见的有RNN、Transformer等模型，当然也有一些特定或者通用的大模型。不同复杂度的任务需要的模型深度不同，有时还需要对模型进行调优。

有些项目支持用户提供不同类型的模型，或者通过众包的方式协同训练模型。例如Sentient通过模块化设计，允许用户将可信的模型数据放在存储层和分发层进行模型优化。Sahara AI提供的开发工具内置了先进的AI算法和计算框架，具备协同训练的能力。

• 推理与验证： 模型训练完成后会生成模型权重文件，可以直接用于分类、预测或其他特定任务，这个过程就叫做推理。推理过程通常伴随着验证机制，用来验证推理模型的来源是否正确，是否存在恶意行为等。Web3 推理通常可以集成到智能合约中，通过调用模型进行推理。常见的验证方式有 ZKML、OPML 和 TEE 技术。代表性项目如甲骨文链上 AI 预言机（OAO）就引入了 OPML 作为 AI 预言机的可验证层，甲骨文官网也提到了他们对 ZKML 以及 OPP/AI（ZKML 与 OPML 结合）的研究。

应用层：

这一层主要由面向用户的应用组成，将AI与Web3相结合，创造出更多有趣和创新的玩法。本文主要梳理了AIGC（AI生成内容）、AI代理、数据分析等领域的项目。

• 美国政府采购协会（AIGC）： AIGC 可以拓展到 Web3 中的 NFT、游戏等赛道，用户可以通过 prompts（用户给出的提示）直接生成文字、图片和音频，甚至可以根据游戏中的喜好生成定制化的玩法。NFPrompt 等 NFT 项目允许用户通过 AI 生成 NFT 并在市场上交易；Sleepless 等游戏允许用户通过对话塑造虚拟伴侣的个性，以符合自己的喜好；

• 人工智能代理： 是指能够自主执行任务和决策的人工智能系统。AI代理通常具备感知、推理、学习和行动的能力，可以在各种环境中执行复杂的任务。常见的AI代理有语言翻译、语言学习、图片转文字等。在Web3场景中，可以生成交易机器人、生成表情包、进行链上安全检测等。例如MyShell作为AI代理平台，提供包括教育学习、虚拟陪伴、交易代理等多种类型的代理，并提供用户友好的代理开发工具，无需代码即可构建自己的代理。

• 数据分析： 通过整合相关领域的AI技术与数据库，实现数据分析、判断、预测，在Web3中可以通过分析市场数据和智能货币趋势，辅助用户进行投资决策。 代币 预测也是 Web3 中独特的应用场景，代表性项目如 Ocean 等官方均设立了长期的 token 预测挑战赛，同时还会发布不同主题的数据分析任务鼓励用户参与。

3. Web3-AI赛道前沿项目全景分析

一些项目正在探索Web3与AI结合的可能性，GeekCartel将整理此赛道内的代表性项目，带领大家感受WEB3-AI的魅力，了解项目如何实现Web3与AI的融合，创造出新的商业模式和经济价值。

Sahara AI：致力于协作经济的人工智能区块链平台

Sahara AI在整个赛道都极具竞争力，致力于打造一个全方位的AI区块链平台，涵盖AI数据、模型、代理、算力等全方位的AI资源，底层架构保障平台的协作经济。 通过区块链技术和独特的隐私技术，在整个人工智能开发周期中确保人工智能资产的去中心化所有权和治理，实现公平的激励分配。 团队在AI和Web3方面有着深厚的背景，使得其能够将这两大领域完美结合，也获得了顶级投资人的青睐，在赛道上展现出了巨大的潜力。

Sahara AI 并不局限于 Web3，因为它打破了传统 AI 领域资源和机会分配不均的现状，通过去中心化，包括算力、模型、数据等关键 AI 要素不再被中心化的巨头垄断，每个人都有机会在这个生态中找到适合自己的位置获益，并受到启发发挥创造力、共同努力。

如图所示，用户可以利用Sahara AI提供的工具包贡献或创建自己的数据集、模型、AI智能体等资产，并将这些资产投放到AI市场中获利的同时，还能获得平台激励。消费者可以根据需求交易AI资产。同时，所有这些交易信息都将记录在Sahara Chain上。区块链技术和隐私保护措施确保了贡献的可追溯性、数据的安全性和奖励的公平性。

在 Sahara AI 的经济体系中，用户除了可以扮演上述开发者、知识提供者、消费者等角色外，还可以充当投资者，提供资金和资源（GPU、云服务器、RPC 节点等）支持 AI 资产的开发和部署，充当运营者维护网络的稳定性，充当验证者维护区块链的安全性和完整性。无论用户以何种方式参与 Sahara AI 平台，都将根据其贡献获得奖励和收益。

Sahara AI 区块链平台采用分层架构，链上和链下基础设施使用户和开发人员能够有效地为整个 AI 开发周期做出贡献并从中受益。Sahara AI 平台的架构分为四层：

应用层

应用层作为用户界面和主要交互点，提供原生内置的工具包和应用程序以增强用户体验。

功能组件：

• 撒哈拉身份证 — 确保对 AI 资产的安全访问并跟踪用户贡献；

• 撒哈拉金库 — 保护人工智能资产的隐私和安全免受未经授权的访问和潜在威胁；

• 撒哈拉特工 — 具有角色匹配（与用户行为相匹配的交互）、终身学习、多模态感知（能处理多种类型的数据）和多工具执行能力；

交互组件：

• 撒哈拉 工具成套工具 — 使技术和非技术用户能够创建和部署人工智能资产；

• 撒哈拉人工智能 市场地方 — 用于发布、货币化和交易 AI 资产，具有灵活的许可和多种货币化选项。

交易层

Sahara AI 的交易层使用 Sahara 区块链，该区块链配备了管理平台上的所有权、归属和 AI 相关交易的协议，在维护 AI 资产的主权和出处方面发挥着关键作用。 Sahara区块链集成创新的Sahara AI原生预编译（SAP）和Sahara区块链协议（SBP），支持整个AI生命周期的基础任务。

• SAP是区块链原生操作层面的内置函数，分别专注于AI的训练/推理过程。 SAP 帮助调用、记录和验证链下 AI 训练/推理过程，保证 Sahara AI 平台内部开发的 AI 模型的可信度和可靠性，同时保证所有 AI 推理的透明性、可验证性和可追溯性。同时通过 SAP 可以实现更快的执行速度、更低的计算开销和 gas 成本。

• SBP通过智能合约实现AI特定协议，确保AI资产和计算结果的处理透明可靠， 包括AI资产注册、许可（访问控制）、所有权、归属（贡献追踪）等功能。

数据层

Sahara AI 的数据层旨在优化整个 AI 生命周期的数据管理。它充当重要的接口，将执行层连接到不同的数据管理机制，并无缝集成链上和链下数据源。

• 数据组件： 包括链上数据和链下数据。链上数据包括人工智能资产的元数据、所有权、承诺和认证，而数据集、人工智能模型和补充信息则存储在链下。

• 数据管理： Sahara AI 的数据管理解决方案提供了一套安全措施，通过独特的加密解决方案确保数据在传输和静止时都受到保护。与 AI 授权的 SBP 合作实现严格的访问控制和可验证性，同时提供私有域存储，用户的敏感数据可实现增强的安全功能。

执行层

执行层是Sahara AI平台的链下AI基础设施，与交易层和数据层无缝交互，执行和管理与AI计算和功能相关的协议。 根据执行任务，它安全地从数据层提取数据并动态分配计算资源以获得最佳性能。复杂的AI操作通过一组专门设计的协议进行协调，这些协议旨在促进各种抽象之间的高效交互，底层基础设施旨在支持高性能AI计算。

• 基础设施： Sahara AI执行层基础设施旨在支撑高性能AI计算，具有快速高效、弹性高可用等特点，通过高效协同AI计算、自动扩容机制和容错设计，保证系统在高流量和故障情况下依然稳定可靠。

• 抽象： 核心抽象是构成Sahara AI平台上AI操作基础的基本组件，包括数据集、模型、计算资源等资源的抽象；高级抽象则构建在核心抽象之上，即Vaults和Agents背后的执行接口，可以实现更高级的功能。

• 协议： 抽象执行协议用于执行与Vault的交互、代理的交互与协调以及协同计算。协同计算协议可以实现多方参与的AI模型联合开发与部署，支持计算资源贡献与模型聚合。执行层还包括低计算成本技术模块（PEFT）、隐私保护计算模块、计算反欺诈模块。

Sahara AI 正在构建的人工智能区块链平台致力于实现完善的人工智能生态，但这一宏伟愿景在实现过程中必然会遇到诸多挑战，需要强大的技术和资源支撑，并不断优化迭代。 若能成功实现，其将成为支撑Web3-AI领域的中流砥柱，并有望成为Web2-AI从业者心中的理想园地。

团队信息：

Sahara AI 团队由一群优秀且富有创造力的成员组成，联合创始人 Sean Ren 是南加州大学教授，曾获三星年度 AI 研究员、MIT TR 35 under 35 创新者、福布斯 30 under 30 等荣誉；联合创始人 Tyler Zhou 毕业于加州大学伯克利分校，对 Web3 有深刻理解，带领着一支在 AI 和 Web3 领域拥有丰富经验的全球人才团队。

Sahara AI 自成立以来，团队已获得微软、亚马逊、MIT、Snapchat、Character AI 等顶级公司的数百万美元收入。目前，Sahara AI 正在服务 30 多家企业客户，在全球拥有超过 20 万名 AI 训练师。Sahara AI 的快速成长让越来越多的参与者能够从共享经济模式中做出贡献并获益。

融资信息：

截至今年 8 月，Sahara Labs 已成功融资 $43 万美元，最新一轮融资由 Pantera Capital、币安实验室和 Polychain Capital 共同领投，此外还获得了 Motherson Group、Anthropic、Nous Research、Midjourney 等 AI 领域先驱公司的支持。

Bittensor：子网竞争激励下的新玩法

Bittensor 本身并不是 AI 商品，也不生产或提供任何 AI 产品或服务。Bittensor 是一个经济体系，为 AI 商品生产者提供极具竞争力的激励结构，让生产者不断优化 AI 品质。作为 Web3-AI 的早期项目，Bittensor 自上线以来便受到市场广泛关注。据 CoinMarketCap 数据显示，截至 10 月 17 日，其市值已超过 US$4.26 亿美元，FDV（完全稀释估值）已超过 US$12 亿美元。

Bittensor 构建了一个由众多子网络组成的网络架构，AI商品生产者可以创建具有定制化激励机制和不同用例的子网络，不同子网络负责不同的任务，例如机器翻译、图像识别和生成、语言大模型等，例如子网络 5 可以创建类似 Midjourney 的 AI 图像，当出色的任务完成后，会获得 TAO（Bittensors token）的奖励。

激励机制是 Bittensor 的基本组成部分。 它们驱动子网矿工的行为，并控制子网验证者之间的共识。每个子网都有自己的激励机制，矿工负责执行任务，验证者对子网矿工的结果进行评分。

如图所示，通过示例演示了子网矿工和子网验证者之间的工作流程：

图中的3名子网矿工分别对应UID 37、42、27；4名子网验证者分别对应UID 10、32、93、74。

• 每个子网验证器都维护一个权重向量。向量的每个元素代表分配给子网矿工的权重，该权重是根据子网验证器对矿工任务完成情况的评估确定的。每个子网验证器根据权重向量对所有子网矿工进行排名，并独立运行，将其矿工排名权重向量传输到区块链。通常，每个子网验证器每 100-200 个区块向区块链传输一个更新的排名权重向量。

• 区块链（子张量）等待来自给定子网的所有子网验证者的最新排名权重向量到达区块链。然后，这些排名权重向量形成的排名权重矩阵将作为链上 Yuma 共识模块的输入。

• 链上 Yuma 共识使用该权重矩阵以及与该子网上的 UID 相关联的质押金额来计算奖励。

• Yuma共识计算TAO的共识分配，并将新铸造的奖励TAO分发到与UID关联的账户中。

子网验证者可以随时将其排名权重向量转移到区块链。但是，子网 Yuma 共识周期在每 360 个区块（即 4320 秒或 72 分钟，每个区块 12 秒）开始时使用最新的权重矩阵。如果子网验证者的排名权重向量在 360 个区块周期后到达，则该权重向量将在下一个 Yuma 共识周期开始时使用。TAO 奖励在每个周期结束时发放。

Yuma共识是Bittensor实现公平节点分配的核心算法，是一种融合了PoW和PoS元素的混合共识机制。 类似于拜占庭容错共识机制，如果网络中诚实验证者占多数，那么他们最终会就正确的决策达成共识。

根网络是一个特殊的子网络，即 Subnet 0。所有子网络质押量最多的 64 位子网络验证者默认为根网络中的验证者。根网络验证者会根据各子网络产出的质量进行评估和排序。64 位验证者的评估结果将被汇总，通过 Yuma 共识算法得出最终的发行结果。最终结果将用于将新发行的 TAO 分配给各子网络。

Bittensor的子网竞争模型虽然提高了AI产品的质量，但也面临一些挑战。 首先，子网所有者建立的激励机制决定了矿工的收益，并可能直接影响矿工的工作积极性。另一个问题是，验证者决定了每个子网的代币分配量，但缺乏明确的激励来选择有利于 Bittensor 长期生产力的子网。这种设计可能会导致验证者更喜欢与自己有关系的子网或提供额外利益的子网。为了解决这个问题，Opentensor 基金会的贡献者提出了 BIT 001：动态 TAO 解决方案，该方案建议通过市场机制来确定所有 TAO 质押者竞争的子网代币分配量。

团队信息：

联合创始人 Ala Shaabana 是滑铁卢大学的博士后，拥有计算机科学的学术背景；另一位联合创始人 Jacob Robert Steeves 毕业于加拿大西蒙弗雷泽大学，拥有近 10 年的机器学习研究经验，曾在谷歌担任软件工程师。

融资信息：

除了获得支持 Bittensor 的非营利组织 OpenTensor 基金会的资助外，Bittensor 还在其社区公告中宣布，知名 加密货币 VC Pantera、Collab Currency 成为 TAO 代币持有者，将为项目生态发展提供更多支持，其他主要投资者包括 Digital Currency Group、Polychain Capital、FirstMark Capital、GSR 等知名投资机构及做市商。

Talus：基于 Move 的链上 AI 代理生态系统

Talus Network 是基于 MoveVM 构建的 L1 区块链，专为 AI 代理而设计。这些 AI 代理可以根据预定义的目标做出决策并采取行动，实现顺畅的链间交互，并且可验证。 用户可以使用Talus提供的开发工具快速构建AI代理并将其集成到智能合约中。Talus还为AI模型、数据、算力等资源提供了一个开放的AI市场，用户可以以多种形式参与其中，并将自己的贡献和资产代币化。

Talus 的一大特点是其并行执行和安全执行能力。 随着资本进入 Move 生态及优质项目的拓展，Taluss 基于 Move 的安全执行和 AI 代理集成智能合约的双重亮点有望受到市场广泛关注。同时，Talus 支持的多链交互也能提升 AI 代理的效率，促进其他链上 AI 的繁荣。

据官方推特信息显示，Talus 近期推出了首个完全链上自主AI代理框架Nexus，这使得Talus在去中心化AI技术领域占据先发优势，为其在快速发展的区块链AI市场中提供重要竞争力。 Nexus 使开发人员能够在 Talus 网络上创建 AI 驱动的数字助理，确保反审查、透明度和可组合性。与中心化 AI 解决方案不同，通过 Nexus，消费者可以享受个性化的智能服务、安全地管理数字资产、自动化交互并增强日常数字体验。

作为首个链上代理开发者工具包，Nexus 为构建下一代消费级加密 AI 应用奠定了基础。Nexus 提供一系列工具、资源和标准，帮助开发者在 Talus 链上创建能够执行用户意图并相互通信的代理。其中，Nexus Python SDK 弥合了 AI 与区块链开发之间的鸿沟，让 AI 开发者无需学习智能合约编程即可轻松上手。Talus 提供用户友好的开发工具和一系列基础设施，有望成为开发者创新的理想平台。

如图5所示，Talus底层架构基于模块化设计，具备链下资源和多链交互的灵活性，基于Talus独特的设计，形成繁荣的链上智能代理生态。

该协议是Talus的核心，为共识、执行和互操作性提供了基础，在此基础上可以构建链上智能代理以利用链下资源和跨链功能。

• 原链节点： 基于 Cosmos SDK 和 CometBFT 的 PoS 区块链节点。Cosmos SDK 具有模块化设计，可扩展性强。CometBFT 基于拜占庭容错共识算法，具有高性能和低延迟。它提供强大的安全性和容错能力，在某些节点发生故障或恶意行为时仍能继续正常运行。

• Sui Move 和 MoveVM： 使用 Sui Move 作为智能合约语言，Move 语言的设计通过消除诸如重入攻击、缺少对象所有权的访问控制检查以及意外的算术溢出/下溢等关键漏洞，从本质上增强了安全性。Move VM 的架构支持高效的并行处理，使 Talus 能够通过同时处理多个交易进行扩展，而不会损失安全性或完整性。

IBC（区块链间通信协议）：

• 互操作性： IBC 促进不同区块链之间的无缝互操作性，使智能代理能够交互并利用多个链上的数据或资产。

• 跨链原子性： IBC 支持跨链原子交易，这对于维护智能代理执行的操作的一致性和可靠性至关重要，尤其是在金融应用程序或复杂的工作流程中。

• 通过分片实现可扩展性： IBC 通过分片间接支持可扩展性，使智能代理能够在多个区块链上运行。每个区块链都可以看作是处理部分交易的分片，从而减少任何单个链上的负载。这使智能代理能够以更分布式和可扩展的方式管理和执行任务。

• 可定制性和专业化： 借助 IBC，不同的区块链可以专注于特定功能或优化。例如，智能代理可以使用一条允许快速交易的链进行支付处理，使用另一条专门用于安全数据存储的链进行记录保存。

• 安全与隔离： IBC 保持链间的安全性和隔离性，这对于处理敏感操作或数据的智能代理非常有利。由于 IBC 确保链间通信和交易的安全验证，因此智能代理可以放心地在不同链之间运行，而不会影响安全性。

镜像对象：

为了在链上架构中表征链下世界，镜像对象主要用来验证和链接AI资源，比如：资源唯一性表示与证明、链下资源可交易性、所有权证明表示或所有权可验证性。

图像对象包括三种不同类型的图像对象：模型对象、数据对象和计算对象。

• 模型对象： 模型所有者可以通过专用的模型注册表将其 AI 模型带入生态系统，将链下模型带入链中。模型对象封装了模型的本质和功能，并在其之上直接构建所有权、管理和货币化框架。模型对象是一种灵活的资产，可以通过额外的微调过程进行增强，也可以通过广泛的训练完全重塑以满足特定需求。

• 数据对象： 数据（或数据集）对象是某人拥有的唯一数据集的数字表示。此对象可以创建、转让、授权或转换为开放数据源。

• 计算对象： 买方向物主提出计算任务，物主提供计算结果和相应证明，买方持有可用于解密承诺和验证结果的密钥。

AI堆栈：

Talus 提供 SDK 和集成组件，支持智能代理的开发及其与链下资源的交互。AI 堆栈还包括与 Oracle 的集成，确保智能代理能够使用链下数据做出决策和反应。

链上智能代理：

• Talus 提供了一种智能代理经济，它可以自主运行、做出决策、执行交易并与链上和链下资源进行交互。

• 智能代理具有自主性、社交能力、响应性和主动性。自主性使它们能够在没有人工干预的情况下运行，社交能力使它们能够与其他代理和人类互动，响应性使它们能够感知环境变化并及时做出反应（Talus 支持代理通过监听器响应链上和链下事件），主动性使它们能够根据目标、预测或预期的未来状态采取行动。

除了Talus提供的一系列智能代理的开发架构和基础设施之外，基于Talus构建的AI代理还支持多种类型的可验证的AI推理（opML，zkML等），以保证AI推理的透明性和可信性。 Talus 专为 AI 代理设计的一套设施，可以实现多链交互以及链上和链下资源之间的映射功能。

Talus推出的链上AI代理生态系统对于AI与区块链融合技术的发展具有重要意义，但目前实施难度较大。 Talus 基础设施使 AI 代理的开发具有灵活性和互操作性，但随着越来越多的 AI 代理在 Talus 链上运行，这些代理之间的互操作性和效率是否能满足用户需求仍有待验证。目前 Talus 还处于私人测试网阶段，正在不断开发和更新。期待 Talus 未来能推动链上 AI 代理生态系统的进一步发展。

团队信息：

Mike Hanono 是 Talus Network 的创始人兼首席执行官，拥有南加州大学工业与系统工程学士学位和应用数据科学硕士学位，曾就读于宾夕法尼亚大学沃顿商学院，在数据分析、软件开发和项目管理方面拥有丰富的经验。

融资信息：

今年2月，Talus完成首轮$3百万美元融资，由Polychain Capital领投，Dao 5、Hash 3、TRGC、WAGMI Ventures、Inception Capital等跟投，天使投资人主要来自Nvidia、IBM、Blue 7、Symbolic Capital和Render Network。

ORA：链上可验证人工智能的基石

ORA产品OAO（On-chain AI Oracle）是全球首个采用opML的AI预言机，能够将链下的AI推理结果带到链上。 这意味着智能合约可以与OAO交互，实现链上AI功能。此外，ORAs AI预言机可以与初始模型发行（IMO）无缝结合，提供全流程的链上AI服务。

甲骨文ORA无论在技术还是市场都具备先发优势，作为以太坊上去信任化的AI预言机，将对其广大用户群体产生深远影响，未来有望涌现出更多创新的AI应用场景。 开发者现在可以在智能合约中使用ORA提供的模型实现去中心化推理，并可以在以太坊、Arbitrum、Optimism、Base、Polygon、Linea、Manta等平台上构建可验证的AI dApp。ORA除了提供AI推理的验证服务外，还提供模型发行服务（IMO），推动开源模型的贡献。

ORA主要两款产品为：初始模型发行（IMO）与链上人工智能预言机（OAO），二者完美结合，实现链上人工智能模型的获取以及人工智能推理的验证。

• IMO通过将开源AI模型所有权通证化，激励长期开源贡献，通证持有者将获得模型上链使用产生的部分收益。ORA也为AI开发者提供资金，以激励社区和开源贡献者。

• OAO 将可验证的 AI 推理带到链上，ORA 引入 opML 作为 AI 预言机的验证层，与 OP Rollup 的工作流程类似，在挑战期间，验证者或任何网络参与者都可以查看结果，如果挑战成功，则错误的结果会更新到链上，挑战期过后，结果最终确定，不可更改。

要构建一个可验证、去中心化的预言机网络，保证区块链上计算结果的有效性至关重要。这个过程涉及一个证明系统，以确保计算的可靠性和真实性。

为此，ORA提供了三种证明体系框架：

• AI Oracles opML（目前 ORAs AI oracle 已经支持 opML）

• keras 2c ircoms zkML（成熟且高性能的 zkML 框架）

• zk+opML 结合了 zkML 的隐私性和 opML 的可扩展性，通过 opp/ai 实现未来的链上 AI 解决方案

opML：

opML（乐观机器学习）由 ORA 发明和开发，将机器学习与区块链技术相结合。通过利用与 Optimistic Rollups 类似的原理，opML 以去中心化的方式确保计算的有效性。该框架允许在链上验证 AI 计算，提高透明度并增强对机器学习推理的信任。

为了确保安全性和正确性，opML采用了以下欺诈保护机制：

• 结果提交：服务提供方（提交者）在链下进行机器学习计算，并将结果提交至区块链。

• 验证期：验证者（或挑战者）有一个预先定义的时间段（挑战期）来验证所提交结果的正确性。

• 争议解决：如果验证者发现结果不正确，他们会发起互动争议游戏。此争议游戏可有效确定发生错误的确切计算步骤。

• 链上验证：只有有争议的计算步骤通过防欺诈虚拟机（FPVM）在链上验证，最大限度地减少资源使用。

• 最终确定：如果在挑战期间没有提出争议，或者争议得到解决，则结果将在区块链上最终确定。

ORAs opML 允许在优化的环境中在链下执行计算，在发生争议时仅处理链上的最少数据。这避免了零知识机器学习 (zkML) 所需的昂贵证明生成，并降低了计算成本。这种方法能够处理传统链上方法难以实现的大规模计算。

keras 2c ircom（zkML）：

zkML 是一个利用零知识证明在链上验证机器学习推理结果的证明框架。由于其隐私性，可以在训练和推理过程中保护隐私数据和模型参数，从而解决隐私问题。由于 zkML 的实际计算是在链下完成的，链上只需要验证结果的有效性，从而减少了链上的计算负荷。

ORA 构建的 Keras 2C ircom 是第一个经过实战检验的高级 zkML 框架。根据以太坊基金会 ESP 资助提案 [FY 23 – 1290] 中领先的 zkML 框架的基准测试，Keras 2C ircom 及其底层 circomlib-ml 被证明比其他框架性能更好。

opp/ai (opML + zkML)：

甲骨文还提出了OPP/AI（Optimistic Privacy-Preserving AI on Blockchain），将注重隐私的零知识机器学习（zkML）与注重效率的乐观机器学习（opML）相结合，打造出专为链上AI量身定制的混合模型。通过对机器学习（ML）模型进行策略性划分，opp/ai平衡了计算效率与数据隐私，从而实现安全高效的链上AI服务。

opp/ai 根据隐私需求将 ML 模型划分为多个子模型：zkML 子模型用于处理具有敏感数据或专有算法的组件，并使用零知识证明执行，以确保数据和模型的机密性；opML 子模型用于处理优先考虑效率而不是隐私的组件，并使用 opML 的乐观方法执行，以实现最高效率。

综上所述，甲骨文ORA创新性地提出了opML、zkML、opp/ai（opML与zkML的结合）三种证明框架，多样化的证明框架增强了数据隐私性和计算效率，为区块链应用带来了更高的灵活性和安全性。

作为首个人工智能预言机，甲骨文预言机潜力巨大，想象空间广阔，已发布大量研究与成果，彰显其技术优势。 但AI模型的推理过程具有一定的复杂性和验证成本，链上AI的推理速度能否满足用户需求成为一个需要验证的问题。 经过时间的验证和用户体验的不断优化，这样的AI产品或许可以成为提升链上Dapps效率的绝佳工具。

团队信息：

联合创始人Kartin毕业于亚利桑那大学计算机科学专业，曾担任Tiktok的技术负责人、谷歌的软件工程师。

首席科学家 Cathie 拥有南加州大学计算机科学硕士学位和香港大学心理学和神经科学博士学位。她曾担任以太坊基金会的 zkML 研究员。

融资信息：

今年6月26日，ORA宣布完成2000万轮融资，投资者包括Polychain Capital、HF 0、Hashkey Capital、SevenX Ventures和Geekcartel。

Grass：人工智能模型的数据层

Grass 专注于将公共网络数据转化为 AI 数据集，其网络利用用户多余的带宽从互联网上抓取数据，且不会获取用户的个人隐私信息。 这类网络数据对于人工智能模型的开发和许多其他行业的运作都是必不可少的。用户可以运行节点并获得 Grass 积分。在 Grass 上运行节点就像注册和安装 Chrome 扩展程序一样简单。

Grass链接了AI需求方和数据提供者，创造了一个双赢的局面。它的优点是：简单的安装操作和未来的空投预期大大促进了用户的参与，这也为需求方提供了更多的数据来源。 用户作为数据提供方，无需进行复杂的设置和操作，数据抓取、清洗等操作可在用户无感知的情况下进行。另外对设备也无特殊要求，降低了用户参与的门槛，其邀请机制也有效促使更多用户快速加入。

由于 Grass 需要进行数据抓取操作，每分钟的 Web 请求数达到数千万次。这些都需要验证，这将需要比任何 L1 所能提供的更大的吞吐量。Grass 团队在 3 月份宣布将构建 Rollup 计划，以支持用户和构建者验证数据来源。该计划通过 ZK 处理器批量处理元数据进行验证，每个数据集元数据的证明将存储在 Solanas 结算层上并生成数据账本。

如图所示，客户端发出网页请求，这些请求经过验证器并最终路由到 Grass 节点，网站服务器响应网页请求，允许其数据被获取并返回。ZK 处理器的目的是帮助记录 Grass 网络上获取的数据集的来源。这意味着每次节点获取网络时，他们都可以获得奖励，而无需透露任何有关其身份的信息。收集的数据被记录在数据账本中后，通过图嵌入模型 (Edge Embedding) 进行清理和结构化，以供 AI 训练。

综上所述，Grass 允许用户贡献多余的带宽来捕获网络数据以赚取被动收入，同时保护个人隐私。这种设计不仅为用户带来了经济利益，也为 AI 公司提供了一种去中心化的方式来获取大量真实数据。

虽然Grass大大降低了用户参与的门槛，有利于提高用户参与度，但是项目方需要考虑真实用户的参与和羊毛党的涌入，可能会带来大量的垃圾信息，增加数据处理的负担。 因此项目方需要建立合理的激励机制，对数据进行定价，才能获得真正有价值的数据。这对项目方和用户来说都是重要的影响因素。如果用户对空投分配感到困惑或不公平，可能会对项目方产生不信任，从而影响项目的共识和发展。

团队信息：

创始人Dr. Andrej毕业于加拿大约克大学，获得计算与应用数学学位。首席技术官Chris Nguyen在数据处理方面有多年经验，其创立的数据公司获得过诸多荣誉，包括IBM Cloud Embedded Excellence Award、企业技术Top 30、福布斯Cloud 100 Rising Stars等。

融资信息：

Grass 是 Wynd Network 团队推出的首款产品，该公司于 2023 年 12 月完成由 Polychain Capital 和 Tribe Capital 领投的 $350 万美元种子轮融资，Bitscale、Big Brain、Advisors Anonymous、Typhon V、Mozaik 等跟投。此前，No Limit Holdings 领投 Pre-see 轮融资，总融资额为 $450 万美元。

今年9月，Grass完成A轮融资，由Hack VC领投，Polychain、Delphi Digital、Brevan Howard Digital、Lattice fund等跟投，融资金额未披露。

IO.NET：去中心化计算资源平台

IO.NET通过在Solana上构建去中心化的GPU网络，聚合全球闲置的网络计算资源，使AI工程师能够以更低的成本、更容易获取、更灵活地获取所需的GPU计算资源。 ML团队可以在分布式GPU网络上构建模型训练和推理服务工作流。

IO.NET不仅为拥有闲置算力的用户提供了收益，也大大减轻了小团队或者个人的算力负担，配合Solanas的高吞吐量和高效的执行效率，在GPU网络调度上有着先天的优势。

IO.NET自上线以来便受到众多顶级机构的关注与青睐，据CoinMarketCap数据显示，截至10月17日，其代币市值已超过US$2.2亿，FDV已超过US$1.4.7亿。

IO.NET 的核心技术之一是 IO-SDK，它基于 Ray 的专用分支。（Ray 是 OpenAI 使用的开源框架，可以将 AI 和 Python 应用程序（例如机器学习）扩展到集群以处理大量计算）。利用 Rays 的原生并行性，IO-SDK 可以并行化 Python 函数，还支持与 PyTorch 和 TensorFlow 等主流 ML 框架集成。其内存存储可实现任务之间的快速数据共享，从而消除序列化延迟。

产品组件：

• IO Cloud：专为按需部署和管理去中心化 GPU 集群而设计，与 IO-SDK 无缝集成，为扩展 AI 和 Python 应用提供全面的解决方案。它在提供计算能力的同时，简化了 GPU/CPU 资源的部署和管理。它通过防火墙、访问控制和模块化设计降低潜在风险，并隔离不同功能以提高安全性。

• IO Worker：用户可以通过这个Web应用程序界面管理他们的GPU节点操作，包括计算活动监控、温度和功耗跟踪、安装协助、安全措施和收入状况。

• IO Explorer：主要为用户提供GPU Cloud各方面的综合统计和可视化，让用户可以实时查看网络活动、关键统计数据、数据点和奖励交易。

• IO ID：用户可以查看个人账户状态，包括钱包地址活动、钱包余额、领取收益等。

• IO币：支持用户查看IO.NET的代币状态。

• BC 8.AI：这是一个由IO.NET提供支持的AI图像生成网站，用户可以在这里实现文本到图像的AI生成过程。

IO.NET利用来自加密货币矿工、Filecoin、Render等项目等的闲置算力，聚合了超过百万的GPU资源，让AI工程师或团队可以根据需求定制购买GPU计算服务，通过利用全球各地的闲置算力资源，为提供算力的用户提供收益通证化，不仅优化了资源利用率，还降低了高昂的算力成本，推动了AI和计算应用的广泛应用。

IO.NET作为去中心化算力平台，应该注重用户体验、算力资源丰富度以及资源调度与监控，这些都是在去中心化算力赛道取胜的重要筹码。但此前资源调度问题也曾引发争议，也有人质疑资源调度与用户订单不匹配。 虽然我们无法确认此事的真实性，但也提醒相关项目方要注意这些方面的优化，以及用户体验的提升，没有用户的支持，再精美的产品也只是花瓶而已。

团队信息：

创始人 Ahmad Shadid 曾是 WhalesTrader 的量化系统工程师，也是以太坊基金会的贡献者和导师。CTO Gaurav Sharma 曾担任亚马逊的高级开发工程师、eBay 的架构师，并在币安的工程部门工作。

融资信息：

2023年5月1日，公司正式宣布完成$千万级种子轮融资；

2024年3月5日，宣布完成$3000万美元A轮融资，由Hack VC领投，Multicoin Capital、6th Man Ventures、M 13、Delphi Digital、Solana Labs、Aptos Labs、Foresight Ventures、Longhash、SevenX、ArkStream、Animoca Brands、Continue Capital、MH Ventures、Sandbox Games等参投。

MyShell：连接消费者和创作者的AI代理平台

MyShell 是一个去中心化的 AI 消费者层，连接消费者、创作者和开源研究人员。 用户可以使用平台提供的AI代理，也可以在MyShells开发平台上构建自己的AI代理或应用程序。MyShell为用户提供了一个开放的市场，可以自由交易AI代理。在MyShells AIpp商店中，你可以看到各种各样的AI代理，包括虚拟同伴，交易助手以及AIGC类型的代理。

MyShell作为ChatGPT等各类AI聊天机器人的低门槛替代品，提供了丰富的AI功能平台，降低了用户使用AI模型和代理的门槛，使用户能够获得全面的AI体验。 例如，用户可能想用 Claude 进行文档整理、写作优化，同时用 Midjourney 生成高质量图片。通常这需要用户在不同平台注册多个账号，并为部分服务付费。MyShell 提供一站式服务，每天提供免费 AI 额度，用户无需重复注册和付费。

另外，部分AI产品存在区域限制，但在MyShell平台上，用户总体可以流畅使用各项AI服务，显著提升了用户体验。 MyShell的这些优势使其成为用户体验的理想选择，为用户提供便捷、高效、无缝的AI服务体验。

MyShell 生态系统建立在三个核心组件之上：

自主研发的AI模型： MyShell开发了多个开源AI模型，包括AIGC、大型语言模型等，用户可以直接使用；也可以在官方Github上找到更多开源模型。

开放AI开发平台： 用户可以轻松构建 AI 应用程序。MyShell 平台允许创作者利用不同的模型并集成外部 API。借助原生的开发工作流程和模块化工具包，创作者可以快速将他们的想法转化为功能齐全的 AI 应用程序，从而加速创新。

公平激励生态系统： MyShells的激励方式鼓励用户创作符合个人喜好的内容，创作者在使用自建应用时可以获得平台原生奖励，还可以获得消费者的资助。

在MyShells Workshop中可以看到其支持用户以三种模式构建AI机器人，无论是专业开发者还是普通用户都可以搭配出相应的模式。使用经典模式可以设置模型参数和指令，可以集成到社交媒体软件中；开发模式则需要用户上传自己的模型文件；使用ShellAgent模式，则可以以无代码的形式构建AI机器人。

MyShell将去中心化理念与AI技术相结合，致力于为消费者、创作者、研究者提供开放、灵活、公平的激励生态，通过自研AI模型、开放开发平台和多种激励方式，为用户提供丰富的工具和资源来实现自己的创造力和需求。

MyShell 已经集成了多种优质模型，团队也在持续开发众多 AI 模型以提升用户体验。不过，MyShell 在使用过程中仍面临一些挑战，例如部分用户反映部分模型对中文的支持有待提升。 不过通过查看 MyShell 代码仓库可以看到团队在不断更新优化，并积极听取社区的反馈，相信随着不断的改进，未来用户体验会更加美好。

团队信息：

联合创始人秦增一专注于语音算法研究，麻省理工学院博士学位，在清华大学攻读学士学位期间，发表过多篇顶级会议论文，在机器人、计算机视觉、强化学习等领域拥有专业经验。另一位联合创始人孙文森毕业于牛津大学计算机专业，在 AR+AI 领域拥有多年工作经验。

融资信息：

2023年10月获得$560万种子轮融资，由INCE Capital领投，Hashkey Capital、Folius Ventures、SevenX Ventures、OP Crypto等参与投资。

2024年3月，其在最新一轮Pre-A融资中获得$11百万美元融资。本轮融资由Dragonfly领投，Delphi Digital、Bankless Ventures、Maven 11 Capital、Nascent、Nomad、Foresight Ventures、Animoca Ventures、OKX Ventures和GSR等投资机构参与。此外，本轮融资还获得了Balaji Srinivasan、Illia Polosukhin、Casey K. Caruso、Santiago Santos等天使投资人的支持。

今年8月，币安实验室宣布通过第六季孵化计划对MyShell进行投资，具体金额未披露。

四、需要应对的挑战和考虑

尽管该领域仍处于起步阶段，但从业者应该考虑一些影响项目成功的重要因素。以下是一些需要考虑的方面：

AI资源供需平衡： 对于 Web3-AI 生态项目来说，实现 AI 资源供需平衡，吸引更多真正有需求、愿意贡献的人，极其重要。比如，有模型、数据、算力需求的用户，可能已经习惯在 Web2 平台上获取 AI 资源。同时，如何吸引 AI 资源提供者为 Web3-AI 生态做出贡献，如何吸引更多需求者获取资源，实现 AI 资源的合理匹配，也是行业面临的挑战之一。

数据挑战： 数据质量直接影响模型训练效果，如何在数据采集、数据预处理过程中保证数据质量，过滤掉羊毛用户带来的大量垃圾数据将是数据项目面临的重要挑战。项目方可以通过科学的数据质量管控方法提高数据的可信度，更透明地展示数据处理的效果，对数据需求者来说也将更有吸引力。

安全问题： 在 Web3 行业中，需要利用区块链和隐私技术实现 AI 资产的链上链下交互，防止恶意行为者影响 AI 资产质量，保障数据、模型等 AI 资源的安全。一些项目方已经提出了解决方案，但该领域仍在建设中。随着技术的不断完善，有望实现更高且经过验证的安全标准。

用户体验：

• Web2 用户通常习惯于传统的操作体验，而 Web3 项目通常伴随着复杂的智能合约、去中心化钱包等技术，对普通用户来说可能门槛较高。行业应该考虑如何进一步优化用户体验和教育设施，以吸引更多 Web2 用户进入 Web3-AI 生态。

• 对于 Web3 用户来说，建立有效的激励机制和持续运转的经济体系是促进用户长期留存和生态健康发展的关键。同时，要思考如何最大化利用 AI 技术提升 Web3 领域的效率，创新更多与 AI 结合的应用场景和玩法。这些都是影响生态健康发展的关键因素。

随着互联网+的发展趋势不断演变，我们见证了无数的创新与变革，目前很多领域都已经与AI结合，展望未来，AI+时代或将遍地开花，彻底改变我们的生活方式。 Web3与AI的结合意味着数据的所有权和控制权将回归到用户手中，让AI更加透明、可信。 这一融合趋势有望构建更加公平、开放的市场环境，推动各行各业效率提升和创新发展，期待行业建设者携手共创更优质的AI解决方案。

参考

https://ieeexplore.ieee.org/abstract/document/9451544

https://docs.ora.io/doc/oao-onchain-ai-oracle/introduction

https://saharalabs.ai/

https://saharalabs.ai/blog/sahara-ai-raise-43m

https://bittensor.com/

https://docs.bittensor.com/yuma-consensus

https://docs.bittensor.com/emissions#emission

https://twitter.com/myshell_ai

https://twitter.com/SubVortexTao

https://foresightnews.pro/article/detail/49752

https://www.ora.io/

https://docs.ora.io/doc/imo/introduction

https://github.com/ora-io/keras2c ircom

https://arxiv.org/abs/2401.17555

https://arxiv.org/abs/2402.15006

https://x.com/OraProtocol/status/1805981228329513260

https://x.com/getgrass_io

https://www.getgrass.io/blog/grass-the-first-ever-layer-2-data-rollup

https://wynd-network.gitbook.io/grass-docs/architecture/overview#edge-embedding-models

http://IO.NET

https://www.ray.io/

https://www.techflowpost.com/article/detail_17611.html

https://myshell.ai/

https://www.chaincatcher.com/article/2118663

致谢

这一新兴基础设施范式还有大量的研究和工作有待完成，还有很多领域没有在本文中涉及。如果你对相关研究课题感兴趣，请联系 Chloe。

非常感谢 Severus 和 JiaYi 对本文的深刻评论和反馈。最后，感谢 JiaYi 的猫咪爱心造型。

本文来源：Web3-AI赛道全景报告：技术逻辑、场景应用及头部项目深度解析

相关：下周必看｜两党副总统候选人将辩论；EIGEN解除转会限制（9.30-1

下周重点关注 9 月 30 日 芝商所计划于 9 月 30 日推出新的比特币期货产品——比特币星期五期货 ； Ethena：第二季空投领取将于 9 月 30 日开启 ； 10 月 1 日（1:00） 鲍威尔将在全国商业经济协会发表讲话 ；（8:00） 草根基金会：用户需在 10 月 1 日前连接 Solana 钱包才能接收空投 ；（13:00） EIGEN 转账限制将于 9 月 30 日取消，已承诺用户将有 7 天的提现期 ； 10 月 2 日（9:00） 民主党和共和党副总统候选人将于 10 月 2 日举行副总统辩论 ； 10 月 4 日（20:30） 美国将公布 9 月失业率和经季节性调整的非农就业数据 ；