共同呵护资源，让地球永续盈利

tafangyouxijiarutesedexiaochuwanfa，zengjialeyouxidequweixingyijianguajizidongshengji，gezhongzhinengdeAIjiaohutiyanshengqunidedaduoshushoudongcaozuo，fangbianwubi。kongzhicaiseqiuzaiguidaoshangtupozhangai，butongyansedeqiuzhinengjizhongxiangtongyansedeqiu。qianqigeidewujiangdouhenyiban，xuyaonihouqishuarenwuhuozheshihuodonghuode。hailianggexinghuadejiaosezaoxingForesight Ventures: 去(qu)中(zhong)心(xin)化(hua)AI Marketplace的(de)最(zui)佳(jia)嘗(chang)試(shi)作(zuo)者(zhe): Ian@Foresight Ventures TL;DR

壹(yi)個(ge)成(cheng)功(gong)的去中心化AI marketplace需(xu)要(yao)將(jiang)AI和(he)Web3的優(you)勢(shi)緊(jin)密(mi)結(jie)合(he)，利(li)用(yong)分(fen)布(bu)式(shi)、資(zi)產(chan)確(que)權(quan)、收(shou)益(yi)分配(pei)和去中心化算(suan)力(li)的附(fu)加(jia)值(zhi)，降(jiang)低(di)AI應(ying)用的門(men)檻(kan)，鼓(gu)勵(li)開(kai)發(fa)者上(shang)傳(chuan)和分享(xiang)模(mo)型(xing)，同(tong)時(shi)保(bao)護(hu)用戶(hu)的數(shu)據(ju)私(si)有(you)权，構(gou)建(jian)一个开发者友(you)好(hao)，且(qie)滿(man)足(zu)用户需求(qiu)的AI资源(yuan)交(jiao)易(yi)、共(gong)享平(ping)臺(tai)。

基(ji)於(yu)数据的AI marketplace有更(geng)大(da)的潛(qian)力。死(si)磕(ke)模型的marketplace需要大量(liang)高(gao)質(zhi)量模型的支(zhi)撐(cheng)，但(dan)早(zao)期(qi)平台缺(que)乏(fa)用户基数和优质资源，使(shi)得(de)优秀(xiu)模型提(ti)供(gong)者的激(ji)励不(bu)足，難(nan)以(yi)吸(xi)引(yin)优质模型；而(er)基于数据的marketplace通(tong)過(guo)去中心化，分布式地(di)采(cai)集(ji)、激励層(ceng)設(she)計(ji)和数据所(suo)有权的保證(zheng)，可(ke)以積(ji)累(lei)大量有價(jia)值的数据和资源，尤(you)其(qi)是(shi)私域(yu)数据。然(ran)而，数据市(shi)場(chang)也(ye)需要解(jie)決(jue)数据隱(yin)私保护的挑(tiao)戰(zhan)，解决方(fang)案(an)包(bao)括(kuo)设计更靈(ling)活(huo)的策(ce)略(lve)，允(yun)許(xu)用户自(zi)定(ding)義(yi)隐私級(ji)別(bie)的设置(zhi)。

去中心化AI marketplace的成功依(yi)賴(lai)于用户资源的累积和強(qiang)大的網(wang)絡(luo)效(xiao)应，用户和开发者可以從(cong)市场中獲(huo)得的价值超(chao)过他(ta)們(men)在(zai)市场之(zhi)外(wai)能(neng)夠(gou)得到(dao)的价值。在市场的早期，重(zhong)點(dian)在于积累优质模型以吸引並(bing)保留(liu)用户，然後(hou)在建立(li)起(qi)优质模型庫(ku)和数据壁(bi)壘(lei)后，轉(zhuan)向(xiang)吸引和留住(zhu)更多(duo)的終(zhong)端(duan)用户。并且，优秀的AI marketplace需要找(zhao)到各(ge)方利益的平衡(heng)点，并妥(tuo)善(shan)處(chu)理(li)数据所有权、模型质量、用户隐私、算力、激励算法(fa)等(deng)因(yin)素(su)。

一、Web3的AI Marketplace 1.1 web3領(ling)域的AI賽(sai)道(dao)回(hui)顧(gu)

首(shou)先(xian)回顾一下(xia)之前(qian)我(wo)提到的AI和crypto结合的兩(liang)種(zhong)大方向，ZKML和去中心化算力网络??

ZKML

ZKML讓(rang)AI模型transparent + verifiable，也就(jiu)是說(shuo)保证模型架(jia)构、模型參(can)数和权重、模型輸(shu)入(ru)這(zhe)三(san)个因素在全(quan)网可以被(bei)驗(yan)证。ZKML的意(yi)义在于不犧(xi)牲(sheng)去中心化和trustless的基礎(chu)上，為(wei)web3世(shi)界(jie)創(chuang)造(zao)下一階(jie)段(duan)的价值，提供承(cheng)接(jie)更廣(guang)泛(fan)应用和创造更大可能性(xing)的能力。

Foresight Ventures: AI + Web3 = ？

算力网络

算力资源會(hui)是下一个十(shi)年(nian)的大战场，未(wei)來(lai)對(dui)于高性能计算基础设施(shi)的投(tou)资将会指(zhi)数级上升(sheng)。去中心化算力的应用场景(jing)分为模型推(tui)理和模型訓(xun)練(lian)两个方向，在AI大模型训练上的需求是最大的，但是也面(mian)臨(lin)最大的挑战和技(ji)術(shu)瓶(ping)頸(jing)。包括需要復(fu)雜(za)的数据同步(bu)和网络优化問(wen)題(ti)等。在模型推理上更有機(ji)会落(luo)地，可以預(yu)測(ce)未来的增(zeng)量空(kong)間(jian)也足够大。

1.2 什(shen)麽(me)是AI Marketplace？

AI marketplace并不是一个很(hen)新(xin)的概(gai)念(nian)，Hugging Face可以说是最成功的AI marketplace（除(chu)了(le)沒(mei)有交易和定价机制(zhi)）。在NLP领域，Hugging Face提供了一个極(ji)为重要且活躍(yue)的社(she)區(qu)平台，开发者和用户可以共享和使用各种预训练模型。

从Hugging Face的成功可以看(kan)出(chu)，一个AI marketplace需要具(ju)備(bei)：

a. 模型资源

Hugging Face提供了大量的预训练模型，这些(xie)模型涵(han)蓋(gai)了各种NLP任(ren)務(wu)。这种资源豐(feng)富(fu)性吸引了大量的用户，因此(ci)，这是形(xing)成一个活跃的社区、积累用户的基础。

b. 开源精(jing)神(shen) + 传播(bo)分享

Hugging Face鼓励开发者上传并分享自己(ji)的模型。这种开放(fang)分享的精神增强了社区的活力，并使得最新的研(yan)究(jiu)成果(guo)能够快(kuai)速(su)地被广大用户所利用。这就是在积累优秀开发者和模型的基础上，加快了研究成果被验证并推广的效率(lv)。

c. 开发者友好 + 易用

Hugging Face提供易用的API和文(wen)檔(dang)，使得开发者可以快速地理解和使用其提供的模型。这降低了使用门槛，提升用户體(ti)验，吸引了更多开发者。

雖(sui)然Hugging Face并没有交易机制，但它(ta)仍(reng)然为AI模型的分享和使用提供了一个重要的平台。因此也可以看出，AI marketplace有机会成为整(zheng)个行(xing)業(ye)的寶(bao)貴(gui)资源。

去中心化的AI marketplace in short：

基于以上要素，去中心化的AI marketplace基于区塊(kuai)鏈(lian)技术的基础，让用户对自己的数据、模型资产擁(yong)有所有权。Web3所帶(dai)来的价值也体現(xian)在激励和交易机制，用户可以自由(you)地挑選(xuan)或(huo)者通过系(xi)統(tong)match到合適(shi)的模型，同时也可以上架自己训练的模型获取(qu)收益。

用户对自己的AI资产拥有所有权，并且AI marketplace本(ben)身(shen)并没有对数据和模型的掌(zhang)控(kong)权。相(xiang)反(fan)，市场的发展(zhan)是依赖于用户基数以及(ji)隨(sui)之而来的模型和数据的积累。这种积累是一个長(chang)期的过程(cheng)，但是也是逐(zhu)漸(jian)建立产品(pin)壁垒的过程，支撑市场发展的是用户数以及用户上传的模型和数据的数量/质量。

1.3 为什么關(guan)註(zhu)Web3的AI Marketplace？

1.3.1 和算力应用的大方向契(qi)合

由于通信(xin)壓(ya)力等原(yuan)因，去中心化算力在训练base模型上落地可能比(bi)較(jiao)困(kun)难，但是在finetune上的压力会小(xiao)很多，因此有机会成为中心化算力网络落地的最佳场景之一。

一点背(bei)景知(zhi)識(shi)：为什么微(wei)調(tiao)阶段更容(rong)易落地

Foresight Ventures: 理性看待(dai)去中心化算力网络

AI模型的训练分为pretraining和fine-tuning。预训练涉(she)及大量的数据和大量的计算，具体可以参考(kao)我上面一篇(pian)文章(zhang)的分析(xi)。微调基于base模型，使用特(te)定任务的数据，来调整模型参数，使模型对特定任务有更好的性能，模型微调阶段需要的计算资源比预训练阶段小很多，主(zhu)要有以下两个原因：

数据量：在预训练阶段，模型需要在大規(gui)模的数据集上進(jin)行训练以學(xue)習(xi)通用的語(yu)言(yan)表(biao)示(shi)。例(li)如(ru)，BERT模型的预训练就是在包含(han)数十億(yi)个詞(ci)匯(hui)的Wikipedia和BookCorpus上进行的。而在微调阶段，模型通常(chang)只(zhi)需要在特定任务的小规模数据集上进行训练。例如，用于情(qing)感(gan)分析任务的微调数据集可能只有幾(ji)千(qian)到几萬(wan)條(tiao)評(ping)論(lun)。 训练步数：预训练阶段通常需要数百(bai)万甚(shen)至(zhi)数十亿的训练步驟(zhou)，而微调阶段通常只需要几千到几万步。这是因为预训练阶段需要学习语言的基本结构和语义，而微调阶段僅(jin)需要调整模型的一部(bu)分参数来适应特定任务。

舉(ju)个例子(zi)，以GPT3为例，预训练阶段使用了45TB的文本数据进行训练，而微调阶段則(ze)只需要～5GB的数据。预训练阶段的训练时间需要几周(zhou)到几个月(yue)，而微调阶段则只需要几个小时到几天(tian)。

1.3.2 AI和crypto交叉(cha)的起点

判(pan)斷(duan)一个web3項(xiang)目(mu)是否(fou)合理，其中很重要的一点是，是不是为了crypto而crypto，项目是否最大化利用了web3的带来的价值，web3的加成是不是带来了差(cha)異(yi)化。很顯(xian)然，web3为这种AI marketplace带来的無(wu)法替(ti)代(dai)确权、收益分配和算力的附加值

我認(ren)为一个优秀的Web3 AI marketplace可以把(ba)AI和crypto紧密结合。最完(wan)美(mei)的结合不是AI市场能給(gei)web3带去什么应用或是infra，而是web3能为AI市场提供什么。那(na)么很显然，例如每(mei)个用户都(dou)可以拥有自己的AI模型和数据的所有权（比如把AI模型和数据都封(feng)裝(zhuang)为NFT），也可以把它们當(dang)作商(shang)品进行交易，这很好地利用了web3可以发揮(hui)的价值。不仅激励了AI开发者和数据提供者，也使得AI的应用變(bian)得更加广泛。如果一个模型足够好用，所有者有更强的動(dong)力上传给别人(ren)分享。

同时，去中心化AI marketplace可能引入一些全新的商业模式，比如模型、数据的售(shou)賣(mai)和租(zu)賃(lin)，任务眾(zhong)包等。

1.3.3 降低AI应用门槛

每个人应該(gai)并且会有能力训练自己的人工(gong)智(zhi)能模型，这就需要一个门槛足够低的平台提供资源的支持(chi)，包括base模型、工具、数据、算力等。

1.3.4 需求和供给

大模型虽然推理能力强大，但并非(fei)万能的。往(wang)往針(zhen)对特定任务和场景进行微调会達(da)到更好的效果，并且具备更强的實(shi)用性。因此，从需求端看，用户需要有一个AI模型市场来获取不同场景下好用的模型；对于开发者，需要一个能提供极大资源便(bian)利的平台来开发模型，并且通过自己的專(zhuan)业知识获得收益。

二(er)、基于模型 v.s. 基于数据2.1 模型市场

模式

以tooling为卖点，作为链路(lu)的第(di)一環(huan)，项目需要在早期吸引足够多的模型开发者来部署(shu)优质的模型，从而为市场建立供给。

这种模式下，吸引开发者的点主要是方便好用的infra和tooling，数据是看开发者自己的能力也是为什么有些在某(mou)个领域有經(jing)验的人可以创造价值的点，这个领域的数据需要开发者自己收集并且微调出performance更好的模型。

思(si)考

最近(jin)看到很多关于AI marketplace和web3的结合的项目，但我想(xiang)的是：创造一个去中心化AI模型市场是不是一个偽(wei)命(ming)题？

首先我们需要思考一个问题，web3能提供的价值是什么？

如果仅仅是token的激励，或者是模型的歸(gui)屬(shu)权敘(xu)事(shi)，那是遠(yuan)远不够的。实際(ji)一点看，平台上高质量的模型是整个产品的核(he)心，而优秀的模型通常意味(wei)著(zhe)极高的经濟(ji)价值。从模型提供者的角(jiao)度(du)看，他们需要足够的动力来将自己优质的模型部署到AI marketplace，但token和归属权带来的激励是否能达到他们对模型价值的预期？对于一个早期缺乏用户基数的平台来说，显然是远远达不到的。没有极其优秀的模型，整个商业模式就不会成立。所以问题就变成了如何(he)在早期缺乏终端用户的情況(kuang)下，让模型提供者获得足够的收益。

2.2 数据市场

模式

以去中心化的数据采集为基础，通过激励层的设计和数据所有权的叙事onboard更多数据提供者，以及为数据打(da)標(biao)簽(qian)的用户。在crypto的加持下，平台是有机会在一定时间內(nei)积累大量有价值的数据的，特别是目前缺少(shao)的私域数据。

让我最興(xing)奮(fen)的一点是，这种自下而上的发展模式更像(xiang)是一种众籌(chou)的玩(wan)法。再(zai)有经验的人也不可能拥有一个领域完备的数据，而web3能提供的价值之一就是无许可和去中心化地数据采集。这个模式不仅能够集中各个领域的专业知识和数据，而且還(hai)能够为更大的用户群(qun)体提供AI服(fu)务。相比單(dan)一用户自己的数据，这些众筹的数据是从大量真(zhen)实用户的实际场景中采集的，因此会比单一来源收集的数据更能反映(ying)现实世界的复杂性和多樣(yang)性，这可以极大地增强模型的泛化能力和魯(lu)棒(bang)性，使AI模型能在多种不同的环境(jing)中发挥高性能。

举个例子，可能一个人在營(ying)養(yang)学上有很丰富的经验，也积累了很多数据，但光(guang)靠(kao)个人的数据是远远不够训练出一个优秀的模型的。在用户分享数据的同时，也可以很好地觸(chu)达并利用平台上相同领域全网其他用户貢(gong)獻(xian)的有价值的数据，以此达到更好的微调效果。

思考

从这个角度看，做(zuo)一个去中心化的数据市场也可能是一个不錯(cuo)的尝试。数据作为一个门槛更低、生(sheng)产链路更短(duan)，provider密度更广的“商品”，能更好地利用web3所能提供的价值。激励算法和数据确权的机制能为用户上传数据提供动力。在目前的模式下，数据更像是一次(ci)性的商品，即(ji)使用一次后就几乎(hu)没有价值。在去中心化的AI模型市场中，用户的数据可以被反复使用并获取利益，数据的价值会得到更长期的实现。

以数据为切(qie)入点去积累用户似(si)乎是一个不错的选擇(ze)，大模型的核心和壁垒之一就是优质和多維(wei)度的数据，在onboard了大量数据提供者之后，这些人有机会进一步转化成终端用户或者模型提供者。以此为基础的AI marketplace确实能为优秀的模型提供底(di)层价值，从训练模型的角度给算法工程師(shi)在平台上贡献模型的动力。

这种动力是从0到1的改(gai)变，现在大公(gong)司(si)由于拥有海(hai)量数据，他们可以训练出更精确的模型，这使得小型公司和个人开发者难以與(yu)之競(jing)爭(zheng)。縱(zong)使用户拥有某个领域非常有价值的数据，这一小部分数据没有更大集合上的数据的配合也是很难发挥价值的。然而在去中心化的市场中，所有人都有机会获取并使用数据，而这些专家(jia)是带着有价值的增量数据加入平台的，因此，平台的数据质量和数量也进一步得到了提升，这使得所有人都有可能训练出优秀的模型，甚至推动AI的创新。

数据本身确实也很适合成为这种AI marketplace的竞争壁垒。首先，优秀的激励层和安(an)全的隐私保障(zhang)可以让更多散(san)户参与到整个protocol当中贡献数据。并且，随着用户数量的增加，数据的质量和数量也会不断提高。这会产生社区和网络效应，使得市场能提供的价值更大，维度更广，那么对新增用户的吸引力也会更大，这就是为市场建立壁垒的过程。

所以根(gen)本上，要做好一个数据驅(qu)动的AI marketplace，最重要的是以下4点：

激励层：设计能够有效激励用户提供高质量数据的算法，并且需要平衡激励的强度和市场的可持續(xu)性。 隐私：保护数据隐私并确保数据的使用效率。 用户：在早期将用户快速积累并收集更多有价值的数据。 数据质量：数据来自各种不同的来源，需要设计有效的质量控制机制。

为什么模型的provider在这个场景下没有被我列(lie)为关鍵(jian)因素？

主要原因还是基于以上四(si)点，有优秀的model provider加入是順(shun)理成章的。

2.3 数据市场的价值和挑战

私域数据

私域数据的价值在于它有特定领域内獨(du)特且难以获得的信息(xi)，这种信息对于AI模型的微调尤其重要。使用私域数据可以创建出更为精準(zhun)和个性化的模型，这种模型在特定场景的表现会超过使用公共数据集训练的模型。

现在基础模型的构建过程可以获取到大量公共数据，因此，web3数据市场的发力点不在这些数据上。训练中如何获取并加入私域数据是目前的一个瓶颈，通过将私域数据与公共数据集相结合，可以增加模型对多样化问题和用户需求的适应能力和模型的准确度。

举例来说以醫(yi)療(liao)健(jian)康(kang)场景为例，使用私域数据的AI模型在预测准确度上通常能提高10%～30%。参考Stanford的research，使用私域医疗数据的deep learning model在肺(fei)癌(ai)预测上的准确率超过了使用公共数据的模型15%

数据隐私

隐私会不会成为制約(yue)AI + Web3的瓶颈？从现在的发展看，AI在web3的落地方向已(yi)经逐渐明(ming)确，但是似乎每一个应用都繞(rao)不开隐私的話(hua)题，去中心化算力无论是在模型训练还是模型推理上都需要保证数据和模型的隐私；zkml能成立的一个条件(jian)也是保证模型不会被惡(e)意節(jie)点濫(lan)用。

AI marketplace建立在确保用户掌控自己的数据的基础上，因此，虽然通过一种去中心化、分布式的方式采集了用户数据，但是所有节点在收集、处理、存(cun)儲(chu)、使用等阶段都不应该直(zhi)接access原始(shi)数据。目前的加密手(shou)段在使用上都面临瓶颈，以全同態(tai)加密为例：

计算复杂性：FHE比传统的加密方式更复杂，这使得在全同态加密下进行AI模型训练的運(yun)算的计算开銷(xiao)大幅(fu)度增加，使得模型训练变得效率极低，甚至不可行。因此，对于需要大量计算资源的任务，如深(shen)度学习模型训练，全同态加密不是理想的选择。 计算誤(wu)差：在FHE的计算过程中，误差会随着计算的进行逐渐累积，最终对计算结果产生影(ying)，会影響(xiang)AI模型的performance。

隐私也分级别，不需要过分焦(jiao)慮(lv)

不同類(lei)型的数据存在不同程度的隐私需求。只有例如医疗記(ji)錄(lu)、金(jin)融(rong)信息、敏(min)感个人信息等需要高级别的隐私保护。

因此，在去中心化AI marketplace的討(tao)论中需要考虑到数据的多样性，最重要的是平衡。为了最大化用户的参与度和平台的资源丰富度，设计一种更灵活的策略，允许用户自定义隐私级别的设置是很必(bi)要的，并不是所有数据都需要最高级别的隐私。

三、关于去中心化AI Marketplace的反思3.1 用户对资产有支配权，用户撤(che)出会不会導(dao)致(zhi)平台崩(beng)塌(ta)？

去中心化AI marketplace的优势在于用户对资源的所有权，用户确实可以随时撤出自己的资源，但是一旦(dan)用户和资源（模型、数据）累积到一定程度，我认为平台不会被影响。当然这也意味着项目初(chu)期会耗(hao)費(fei)大量资金穩(wen)固(gu)用户及资源，对一个初创團(tuan)隊(dui)会非常艱(jian)难。

社区共识

去中心化AI marketplace一旦形成强大的网络效应，会有更多的用户和开发者产生黏(nian)性。并且因为用户数量的增加会导致数据和模型的质量和数量的增加，使市场更加成熟(shu)。不同利益驱动的用户从市场中获得的价值也就越(yue)大。盡(jin)管(guan)少量用户可能会选择離(li)开，但这种情况下新用户的增速理论上并不会放緩(huan)，市场还是能繼(ji)续发展并提供更大价值。

激励机制

激励层如果设计合理，随着加入人数的增加和各种资源的累积，各方获得的利益也会相应上升。去中心化AI marketplace不仅提供一个让用户能够交易数据和模型的平台，还可能提供一种让用户能够从自己的数据和模型中获利的机制。比如用户通过出售自己的数据或者通过让其他人使用自己的模型来获得報(bao)酬(chou)。

对于模型开发者来说：在其他平台部署可能没有足够多的数据支撑finetune一个performance更好的模型；

对于数据提供者来说：另(ling)一个平台可能没有这么完善的数据基础，用户单独一小块数据也无法发挥价值并获得足够的使用量和收益；

小结

虽然在去中心化的AI marketplace中，项目方只扮(ban)演(yan)一个撮(cuo)合和提供平台的角色(se)，但是真正(zheng)的壁垒在于用户数量的累积所带来的数据和模型的累积。用户确实有撤出市场的自由，但是一个成熟的AI Marketplace往往会使他们从市场中得到的价值超过他们在市场之外能够得到的价值，那其实用户就没有动力撤出市场。

不过如果大部分用户或者一部分高质量模型/数据提供者选择撤出，那么市场可能会受(shou)到影响。这也符(fu)合在各种经济系统中存在用户进入和退(tui)出的动态变化和调节。

3.2 先有雞(ji)还是先有蛋(dan)

从以上两种路徑(jing)看，很难说最终会有那一条跑(pao)出来，但显然基于数据的AI marketplace更加make sense，并且天花(hua)板(ban)远高于第一种。最大的区别就在于，基于数据的市场是在不断充(chong)实壁垒，积累用户的过程也是积累数据的过程，最终web3賦(fu)予(yu)的价值就是让一个巨(ju)大的去中心化数据库更加充实，这是一个正向的循(xun)环。同时，从本质上看这种平台不需要留存数据，而是提供一个贡献数据的市场更加輕(qing)量。最终来看，这就是一个大型的数据集市，这种壁垒是很难替代的。

从供给和需求的角度上看，一个AI marketplace需要同时具备两点：

大量的优秀的模型 终端用户

从某种角度看，这两个条件似乎是互(hu)相依赖的，一方面，平台需要有足够多的用户为模型和数据的提供者提供使用的动力，只有积累的足够多的用户，激励层才(cai)能发挥最大的价值，数据的飛(fei)輪(lun)也才能转起来，这样才会有更多的model provider来部署模型。另一方面看，足够多的终端用户一定是奔(ben)着好用的模型来的，用户对于平台的选择极大程度上是对平台模型质量和能力的选择。因此，在没有积累一定数量优秀模型的前提下，这种需求是不存在的，路由算法做的再先进，没有好的模型路由也是空談(tan)。这就好比apple store的前提是apple

因此，一种比较好的发展思路是：

初期策略

积累优质模型，在初始阶段最值得关注的是建立一个优质的模型库。原因在于，无论终端用户有多少，没有高质量的模型供他们选择和使用，平台就没有吸引力，用户也不会有粘(zhan)性和留存。通过聚(ju)焦于建立优质的模型库，平台可以确保早期的用户能够找到他们需要的模型，从而建立品牌(pai)聲(sheng)譽(yu)和用户信任，逐步建立起社区和网络效应。

擴(kuo)展策略

吸引终端用户，在建立了优质模型库之后转向吸引和留住更多的终端用户。大量的用户将为模型开发者提供足够的动力和利益，使他们持续提供和改进模型。此外，大量的用户也将生成大量的数据，进一步提升模型的训练和优化。

小结

什么才是AI marketplace的最佳尝试？一句(ju)话说就是平台能提供足够多的优质模型，并且能高效地为用户匹(pi)配合适的模型解决问题。这句话解决两个矛(mao)盾(dun)，首先，平台能为开发者（包括模型开发者和使用者）提供足够的价值，让平台上拥有足够多的优质模型；其次，这些“商品”能为用户提供高效地解决方案，从而积累更多用户，为各方利益提供保障。

去中心化的AI Marketplace，是一个AI + web3容易落地的方向，但是一个项目必須(xu)想清(qing)楚(chu)这种平台能提供的真正的价值是什么，以及如何在早期onboard大量用户。其中，关键在于找到一个各方利益的平衡点，同时处理好数据所有权、模型质量、用户隐私、算力、激励算法等多个要素，最终成为一个数据、模型和算力的共享和交易平台。返(fan)回搜(sou)狐(hu)，查(zha)看更多

責(ze)任編(bian)輯(ji)：