Etter å ha gjort status over flere populære prosjekter i Crypto+AI-sporet den siste måneden, er det funnet at det er tre betydelige trendendringer, med korte introduksjoner og kommentarer til prosjektene: 1) Den tekniske veien til prosjektet er mer pragmatisk, og det begynner å fokusere på ytelsesdata i stedet for ren konseptinnpakning; 2) Vertikale underinndelingsscenarier har blitt fokus for ekspansjon, og generalisert AI har gitt plass til spesialisert AI; 3) Kapital legger mer vekt på verifisering av forretningsmodeller, og prosjekter med kontantstrøm er åpenbart mer favorisert; Vedlagt: Prosjektintroduksjon, høydepunktanalyse, personlige kommentarer: 1、 @yupp_ai Prosjektintroduksjon: En desentralisert AI-modellevalueringsplattform, som fullførte en seed-runde på 33 millioner dollar i juni, ledet av a16z og deltatt av Jeff Dean. Fremhev analyse: Bruk fordelene med menneskelig subjektiv vurdering på evalueringsmanglene ved AI. Gjennom kunstig crowdsourcing for å score 500+ store modeller, kan tilbakemeldinger fra brukere utbetales (1000 poeng = 1 USD), noe som har tiltrukket selskaper som OpenAI til å kjøpe data og ha reell kontantstrøm. Personlig kommentar: Et prosjekt med en tydeligere forretningsmodell er ikke en ren kontantforbrennende modell. Anti-sveipealgoritmen er imidlertid en stor utfordring, og anti-Sybil-angrepsalgoritmen må kontinuerlig optimaliseres. Men å dømme ut fra omfanget av finansiering på 33 millioner amerikanske dollar, legger kapital åpenbart mer vekt på prosjekter med realiserbar verifisering. 2、 @Gradient_HQ Prosjektkort introduksjon: Desentralisert AI-datanettverk, som fullførte en seed-runde på 10 millioner dollar i juni, ledet av Pantera Capital og Multicoin Capital. Høydepunktanalyse: Ved å stole på Sentry Nodes-nettleserplugin-modulen, er det allerede en viss markedskonsensus innen Solana DePIN, teammedlemmer fra Helium, etc., den nylig lanserte Lattica-dataoverføringsprotokollen og Parallakse-inferensmotoren, som har gjort betydelige undersøkelser innen edge computing og dataverifiserbarhet, som kan redusere ventetiden med 40 % og støtte heterogen enhetstilgang. Personlig kommentar: Retningen er veldig riktig, bare fast i den "synkende" trenden med AI-lokalisering. Men for å håndtere komplekse oppgaver mer effektivt enn sentraliserte plattformer, er stabiliteten til kantnoder fortsatt et problem. Edge computing er imidlertid et nytt krav til web2AI-involusjon, og det er også fordelen med web3AIs distribuerte rammeverk. 3、 @PublicAI_ Prosjektintroduksjon: En desentralisert AI-datainfrastrukturplattform som oppmuntrer globale brukere til å bidra med data på flere felt (medisinsk, autonom kjøring, tale, etc.) gjennom tokens, med en kumulativ inntekt på mer enn 14 millioner amerikanske dollar og et nettverk av databidragsytere på millionnivå. Fremhev analyse: Den tekniske integrasjonen av ZK-verifisering og BFT-konsensusalgoritme sikrer datakvalitet, og Amazon Nitro Enclaves personverndatabehandlingsteknologi brukes også for å oppfylle samsvarskrav. Det som er mer interessant er lanseringen av HeadCap-hjernebølgeanskaffelsesenheten, som kan betraktes som en utvidelse fra programvare til maskinvare. Den økonomiske modellen er også godt utformet, brukere kan tjene $16 + 500 000 poeng for 10 timer med talekommentarer, og kostnadene for bedriftsabonnementsdatatjenester kan reduseres med 45 %. Personlige kommentarer: Jeg føler at den største verdien av dette prosjektet er å møte de reelle behovene til AI-datamerknader, spesielt innen felt som medisinsk behandling og autonom kjøring, som har ekstremt høye krav til datakvalitet og samsvar. Feilraten på 20 % er imidlertid fortsatt litt høyere enn 10 % på tradisjonelle plattformer, og svingninger i datakvaliteten er et problem som må løses kontinuerlig. Retningen til hjerne-datamaskin-grensesnittet er ganske fantasifull, men det er ikke lett å utføre. 4、 @sparkchainai Prosjektkort introduksjon: Solanas distribuerte datakraftnettverk på kjeden fullførte en finansieringsrunde på 10.8 millioner dollar i juni, ledet av OakStone Ventures. Høydepunktanalyse: Dynamisk sharding-teknologi samler ledige GPU-ressurser og støtter store modellslutninger som Llama3-405B, som er 40 % lavere enn AWS. Utformingen av tokeniserte datatransaksjoner er ganske interessant, og gjør hashrate-bidragsytere direkte til interessenter, og motiverer flere mennesker til å delta i nettverket. Personlig kommentar: Den typiske modellen for «aggregering av ledige ressurser» gir logisk mening. Imidlertid er feilraten på 15 % krysskjedeverifisering faktisk litt høy, og den tekniske stabiliteten må poleres. Men i 3D-gjengivelse, som ikke krever sanntidsytelse, er det fordeler, og nøkkelen er om feilraten kan reduseres, ellers uansett hvor god forretningsmodellen er, vil den bli dratt ned av tekniske problemer. 5、 @olaxbt_terminal Prosjektkort introduksjon: En AI-drevet høyfrekvent handelsplattform for kryptovaluta som fullførte en seed-runde på 3,38 millioner dollar i juni, ledet av @ambergroup_io. Fremhev analyse: MCP-teknologi kan dynamisk optimalisere transaksjonsbaner, redusere glidning og øke den målte effektiviteten med 30 %. Å imøtekomme den #AgentFi trenden kan betraktes som å finne et inngangspunkt i det relativt tomme segmentet av DeFi kvantitativ handel, som kan betraktes som å fylle markedets etterspørsel. Personlig kommentar: Retningen er fin, DeFi trenger smartere handelsverktøy. Høyfrekvent handel krever imidlertid ekstremt høy ventetid og nøyaktighet, og sanntidssynergien mellom AI-prediksjon og utførelse på kjeden må verifiseres. I tillegg er MEV-angrep en stor risiko, og tekniske beskyttelsestiltak må holde tritt. Merk: For flere nye prosjekter i AI+Crypto-sporet, kan du legge dem til i kommentarfeltet, og jeg vil screene prosjekter med investeringsforskningsverdi for å følge opp og dele, takk.