AIWeb3 爱Web3中文社区 (Hiring)

AIWeb3 is dedicated to advancing Web3 education and ecosystem growth, connecting global Chinese users with cutting-edge blockchain innovation.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

🤝 AIWeb3 × CoinW 👛

📢我们很高兴地宣布 AIWeb3 与 CoinW 达成合作伙伴关系！🚀

CoinW成立于2017年，已经发展成为全球领先的加密货币资产交易平台之一，为全球众多且多元化的用户提供服务。该平台提供智能交易服务，日交易量超过50亿美元，在CoinGecko的衍生品市场中一直稳居前四。

CoinW拥有超过2000万注册用户，致力于推动财富创造和区块链创新，不断通过创新来完善其产品生态系统。自2022年以来，CoinW通过国际体育赞助显著扩大了其全球品牌影响力，先后携手意大利足球传奇安德烈亚·皮尔洛，
并于 2026 年正式签约克罗地亚国家队队长卢卡·莫德里奇（ @lukamodric10 ）担任全球品牌代言人，借助世界级体育 IP 持续提升品牌全球知名度与国际影响力。

展望未来，CoinW 致力于在全球范围内推动金融普惠，继续引领加密货币领域，并加速区块链技术和数字资产在全球的普及。

🔥 这仅仅是个开始——更多合作、活动和社区奖励即将推出！

敬��关注，与我们共同成长👇
注册链接：https://t.co/AnXfFqIfcC

🪂世界杯期间，Coinw 为 AIweb3 社区带来了丰富的专属福利！
新用户最高可领取3000USDT奖励，更有Coinw精美周边，T-shirt、遮阳帽、品牌玩偶、CoinW 虚拟支付卡、Amazon 礼品卡等丰富礼品。

🏆 此外，还有机会赢取 卢卡·莫德里奇亲笔签名克罗地亚国家队球衣！

🎁欢迎大家一起参与世界杯活动，边看球、边互动、边赢取丰厚奖励！）

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

随着大模型训练与推理对算力需求的爆发式增长，传统的中心化云基础设施在面对全球规模的资源调度时，往往面临着资本密集型扩张导致的准入门槛高以及硬件供应高度集中等挑战。https://t.co/WHwzz15Vh2 所提到的 Incentive Dynamic Engine（IDE）并非简单的奖励机制叠加，而是试图从经济学底层逻辑去重构分布式算力的供给模型。这种动态激励引���的核心在于它建立了一个基于真实需求的反馈循环：通过将复杂的资源调度与链上透明的代币经济学相结合，让网络能够根据实时的计算需求波动自动调整激励权重。

从技术架构的角度来看，将"奖励逻辑"直接锚定在链上，实际上是利用 Web3 的共识机制来解决去中心化物理基础设施（DePIN）中的信任与调度难题。相比于传统云服务商通过封闭的协议和高昂的运维成本来维持垄断地位，基于 IDE 的模型能够更有效地激励全球范围内的闲置硬件进入网络。所谓的"Show Receipts"，在技术层面体现为链上排放数据与实时燃烧数据的可验证性。这意味着每一个算力单元的分配每一笔资源的消耗都在账本上清晰可查，从而确保了去中心化网络的公平性。

这种 AI 与 Web3 的深度融合，本质上是在构建一个透明且可持续的"计算公用事业"。当 AI 模型不再被局限在少数巨头的私有机房中，而是可以在基于共识机制具有高度自动激励的分布式网络上运行时，我们实际上是在为未来的通用人工智能提供一种更具韧性的底层基础设施。这种从单一算力分发到全链路经济模型重构的转变，是推动 AI 走向真正去中心化和开放生态的关键路径之一。

你认为在未来五年中，这类具备高度透明性和动态激励机制的去中心化算力网络，最有可能在 AI 的哪个具体环节（如大规模预训练边缘推理或是分布式微调）发挥出最大的变革作用？

[io.net @ionet]

The Incentive Dynamic Engine (IDE) changed the economics of AI compute.

https://t.co/WLXlHkv6f1 Explorer is how you know it's working.

On-chain emissions. Live burn data. Network activity in real time.

Decentralized infrastructure that shows receipts.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

(6/6) 至参与共治实体的关键技术路径。
随着模型复杂度的提升和对实时性要求的增加，您认为在当前的工程实践中，零知识证明（ZK）提供的数学安全性与TEE提供的硬件隔离性能，哪一个更可能成为支撑下一代大规模AI Agent落地的主流底层技术？

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

(2/6) 未被篡改的。在目前的集中式架构中，用户必须依赖于服务提供商的信用；而在Web3的愿景中，我们追求的是通过密码学证明或硬件隔离技术来构建信任。
这种技术的创新之处在于它为AI提供了必要的"护栏"。当智能体需要在去中心化网络中执行操作处理敏感数据

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

(5/6) omputation的算力市场，甚至是具备主权属性的AI身份体系。通过将Web3的透明性与AI的推理能力结合，我们正在构建一种能够容纳自动化逻辑且具备高度��定性的新互联网基座。这种基础设施的完善，是让AI从单纯的工具进化为能够在去中心化网络中独立运作甚

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

(1/6) 在探讨人工智能与Web3深度融合的底层逻辑时，"可验证计算"（Verifiable Compute）被视为连接这两个领域的关键技术基石。简单来说，当我们将AI模型引入去中心化环境或构建自主智能体（AI Agents）时，核心挑战在于如何确保复杂的推理过程是真实完整且

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

在探讨人工智能与Web3深度融合的底层逻辑时，"可验证计算"（Verifiable Compute）被视为连接这两个领域的关键技术基石。简单来说，当我们将AI模型引入去中心化环境或构建自主智能体（AI Agents）时，核心挑战在于如何确保复杂的推理过程是真实完整且未被篡改的。在目前的集中式架构中，用户必须依赖于服务提供商的信用；而在Web3的愿景中，我们追求的是通过密码学证明或硬件隔离技术来构建信任。

这种技术的创新之处在于它为AI提供了必要的"护栏"。当智能体需要在去中心化网络中执行操作处理敏感数据或参与自动化经济活动时，可验证计算层确保了模型输出的逻辑一致性。例如，利用零知识证明（ZK���或可信执行环境（TEE），我们可以确认计算结果确实是由特定的模型在特定参数下产生的，而无需暴露底层的私密数据或复杂的权重细节。这种从"信任机构"到"信任协议与数学证明"的范式转变，正是Web3能够为AI赋能的核心支撑点。

相比于单纯追求算力的扩张，建立可验证的计算基础设施是为了解决分布式环境下的治理问题。它让去中心化的底层架构能够支持更具野心的应用场景，比如跨链智能体协作基于Proof of Computation的算力市场，甚至是具备主权属性的AI身份体系。通过将Web3的透明性与AI的推理能力结合，我们正在构建一种能够容纳自动化逻辑且具备高度确定性的新互联网基座。这种基础设施的完善，是让AI从单纯的工具进化为能够在去中心化网络中独立运作甚至参与共治实体的关键技术路径。

随着模型复杂度的提升和对实时性要求的增加，您认为在当前的工程实践中，零知识证明（ZK）提供的数学安全性与TEE提供的硬件隔离性能，哪一个更可能成为支撑下一代大规模AI Agent落地的主流底层技术？

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

AI领域的快速增长与其背后的基础架构瓶颈形成了一种深刻的对比。当前的市场热度不仅是商业层面的爆发，更揭示了技术演进中的一个核心矛盾：当模型训练和推理所需的算力成为稀缺资源时，高度集中的基础设施会导致严重的门槛效应。如果只有少数巨头能够负担得起高性能GPU集群的成本，那么许多极具创新精神的独立开发者初创公司以及更广泛的社区贡献者就会被排除在技术迭代的最前���。这种算力的集中化不仅是一个经济问题，更是一个关于技术主权和创新公平性的逻辑挑战。

去中心化计算作为Web3与AI交叉的核心切入点，正是为了破解这一难题。通过将物理层面的硬件资源整合进分布式网络中，我们可以建立一个更具韧性且成本合理的算力池。相比于传统的集中式云服务提供商，基于DePIN等技术逻辑构建的去中心化计算网络能够利用全球闲置的GPU能力进行聚合。这种模式的核心价值在于打破单一实体的垄断地位，通过透明的共识机制和激励模型来确保资源的高效分配。对于开发者而言，这意味着他们可以在更具竞争力的成本下，去实验大模型推理训练复杂的智能体（AI Agents）或者部署定制化的微调模型。

在AI与Web3深度融合的过程中，这种基础设施的变革是至关重要的桥梁。Web3提供的分布式治理架构和经济激励机制，可以为稀缺资源--即算���，提供一种去中心化的分配方式。当我们将智能（AI）运行在去中心化的基础设施上时，我们不仅是在降低硬件成本，更是在构建一个更加公平的创新生态环境。这种协同效应能够让更多的Builder能够在不需要过度���赖少数大公司的情况下，去开发基于Agent的自动化经济体或其他前沿应用。

未来的AI基础设施不应成为少数机构的壁垒，而应当是整个开发者社区共享的公用事业。当我们将算力从中心化云端释放到分布式网络中时，我们实际上是在为智能时代的民主化铺平道路。你认为在构建面向大众的AI Agent生态时，去中心化的计算底座最核心的挑战在于技术的兼容性，还是更广泛的资源调度激励机制？

[io.net @ionet]

AI revenue hit $175B annualized run rate.

Demand is growing 3x faster than mobile or internet ever did.

But 3 hyperscalers control most of the compute. Pricing out the builders who need it most.

https://t.co/WLXlHkv6f1 is fixing that.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

随着端侧算力的不断进化，去中心化推理正从技术构想逐步走向工程实践。这一转变的核心驱动力不仅仅是硬件性能的线性增长，更深层次的变革在于计算架构与经济模型的创新结合。首先，消费级硬件性能的提升降低了单节点参与门槛，而核心的技术突破在于通过模型切分（Sharding）等技术手段，将复杂的推理任务拆解并分布到异构的网络中去执行。这种做法类似于分布式系统中的并行处理逻辑，使得我们不再必须依赖高度集中的大型数据中心，而是可以通过协作网络来支撑大规模模型的运行。从工程角度看，这实际上是在构建一种更具弹性的推理基础设施。

与此同时，为了解决去中心化网络中高昂的算力成本问题，引入类似融合挖矿（Merge Mining）的逻辑具有极高的战略意义。通过将AI推理任务与区块链网络的共识机制或其它验证过程在底层耦合，可以显著降低提供算力的节点方的运营成本。这种技术上的交汇点正体现了Web3对于基础设施的重构能力：利用去中心化网络提供的激励机制和协作协议，来解决人工智能领域面临的计算资源稀缺与昂贵的问题。当推理变得更便宜且分布在广泛的网格中时，AI模型将获得更高的隐私保护更强的抗审查性以及更低的部署门槛。这种由分布式基础设施支撑的智能体生态，正是构建下一代主权AI的关键路径之一。

在这种去中心化的演进过程中，我们如何平衡网络延迟带来的挑战与推理一致性的技术要求，是未来建设高性能去中心化计算网络的重点课题。

[Jake Brukhman @jbrukh]

This is now becoming more possible thanks to a few factors:

- Consumer hardware becoming more powerful

- A bunch of work done to shard models for inference across consumer hardware

- Tricks like crypto merge mining that will make decentralized inference cheaper

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

去中心化AI的真正核心在于如何打破当前由巨头垄断的算力与数据双重壁垒。此次关键成员加入Pluralis团队，其技术意义在于对模型全生命周期的深度布局。预训练阶段（Pre-training）是构建通用能力的基础，它极度依赖大规模GPU集群的高效协作和海量数据的吞吐，目前这种需求往往导致算力资源的高度集中；而Web3的分布式计算网络恰好可以通过去中心化的协议提供一种更��平更透明的算力供给路径。与之相呼应的是后训练（Post-training），这一阶段涉及模型的对齐微调以及特定场景下的能力强化，是让AI模型真正转化为可用工具的关键环节。如果仅有预训练的去中心化，我们可能只是在共享基础材料；而同时攻克预训练与后训练两个关键维度，意味着构建了一个完整的可扩展的去中心化智能基础设施。这种架构能够确保从底层算力到上层应用逻辑的每一个环节都可以在非对称权力结构中运行，从而让开发者能够在更开放更公平的环境中构建自主代理和定制化模型。这种技术融合不仅是技术的迭代，更是对AI治理权的重构，旨在建立一个不依赖单一实体控制的通用人工智能生态系统。在去中心化基础设施日益成熟的今天，我们如何平衡分布式计算中的数据隐私保护与预训练所需的规模效应？

[Jake Brukhman @jbrukh]

.@erfan_mhi joining @Pluralis is extremely bullish for scaling decentralized AI.

Major contributor to decentralized pretraining, and scaling post-training. Let's go.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

很多人往往容易将开源模型的兴起简单归结为成本竞争或定价策略的博弈，但从底层技术架构来看，开源模型真正带来的变革是人工智能全栈向模块化演进的必然产物。在高度模块化的生态中，基础模型API接口工具链以及推理引擎不再是一个��合在一起的单一整体，而是可以独立研发快速迭代和灵活组合的各个组件。这种解耦意味着开发者能够针对特定环节进行深度优化，例如专注于提升特定架构下的推理效率，或者通过独立的工具层来增强模型的交互能力。每一个层的独立进化都能显著降低系统的复杂性，���为快速创新提供更广阔的空间。

这一技术趋势与 Web3 领域的模块化逻辑有着极高的共鸣。正如 Web3 将共识执行和数据可用性拆分为不同的层级以提升可扩展性的逻辑一样，AI 领域通过将推理层从模型训练中剥离出来，实际上是在为更大规模的去中心化算力网络铺平道路。当推理成为一个独立的可优化的基础设施层时，它便更容易与分布式的计算资源对接，从而推动 AI 在更广阔的硬件生态中落地。这种架构上的转变不仅是技术路径的优化，更是通往分布式 AI 基础设施和主权 AI 愿景的重要一步。

在这一进程中，聚焦于推理层的创新具有极高的战略价值。因为推理往往是当前 AI 应用大规模走向生产环境时的核心瓶颈。当模型能够与高效的推理框架深度契合时，无论是在云端还是在边缘侧，技术的灵活性和可扩展性都会得到质的飞跃。这种从"全能型单体"向"组��化系统"的转变，正在重新定义开发者构建 AI 应用时的决策逻辑。

随着技术架构不断去耦合，你认为在未来高度模块化的 AI 体系中，哪一个环节最有可能通过与 Web3 的分布式基础设施结合产生最大的变革？

[Together AI @togethercompute]

Open models are not just a pricing story.

They are what happens when the AI stack becomes modular: models, APIs, harnesses, tools, and inference all improving independently.

Together AI is building the inference layer for that shift.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

BIS的这一警示实际上揭示了中心化货币体系与去中心化网络在"价值锚定"逻辑上的本质分歧。作为连接传统金融与Web3世界的关键桥梁，稳定币的核心功能在于提供一种具有可预测性的计价单位和支付媒介。当国际清算银行指出其在某些维度上并不符合传统意义上的货币定义时，实际上是在指涉当前大多数稳定币在法律地位透明度以及宏观审慎监管中的不确定性。从技术逻辑上看，这反映了去中心化金融基础设施在建立信任机制和合规锚点方面仍有巨大的进化空间。

深入探讨这一问题，我们需要区分"资产"与"货币"的差异。目前的稳定币大多依赖于中心化的储备机构或复杂的算法模型来维持价格稳定。然而，为了能够真正承载全球范围内的价值交换，尤其是跨越不同司法管辖区的跨境贸易，这些工具必须具备高度的透明性和抗审查性。在许多新兴市场中，由于当地金融基础设施相对薄弱，用户往往更倾向于���用稳定币作为避险工具和流动性来源。这就产生了一种矛盾：它在提供金融包容性的同时，也因为缺乏监管框架的保护而面临系统性风险。

若我们将视角转向AI与Web3的融合领域，这一讨论就变得更加具有前瞻意义。在未来由智能代理驱动的自主经济（Autonomous Economies）中，AI Agent将作为核心参与者进行自动化交易资源调度和协议交互。这些Agent的操作高度依赖于底层支付层的稳定性。如果支撑这种自动化的"货币"基础不稳固，那么基于这些资产运行的高级应用--如去中心化算力市场或跨链协作网络--就会面临信任崩溃的风险。

为了缓解BIS所提到的风险，技术上的创新点在于构建更强大的合规与监控层。通过引入智能合约预警机制实时审计协议以及利用机器学习模型来监测流动性异常和识别恶意套利行为，我们可以为去中心化支付系统建立起更高水平的安全护城���。AI不仅能够优化复杂算法的执行效率，还能作为一种"���动化监护官"，在高度复杂的跨链环境中确保交易的安全性与合规性，从而让Web3的基础设施更具韧性。

面对监管机构提出的挑战，我们应当思考：当未来的跨国经济活动由大量自动化的AI代理主导时，我们需要构建什么样的透明协议和技术标准，才能确保去中心化支付系统既能满足全球监管要求，又能在复杂的市场环境中保持自身的去中心化属性？

[The Block @TheBlockCo]

BIS says stablecoins fall short as money, warns of emerging-market risks in annual report https://t.co/Zwi2iEXhDe

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

在构建基于智能体（AI Agents）的复杂���用时，一个常被开发者低估但至关重要的工程环节是"沙箱环境（Sandboxing）"。当大语言模型需要调用外部工具执行生成的代码或操作复杂的API时，直接在生产环境中运行这些动态生成的指令会带来严重的安全性隐患。LangChain推出的Harbor正是为了解决这一痛点，它提供了一个隔离的执行环境来运行评估任务。这意味着开发者可以在不威胁宿主系统安全的前提下，让智能体在受控的"实验室"中去尝试不同的操作路径。

从技术架构的角度来看，沙箱机制是实现真正具有自主能力的Agent的关键基础设施。目前的挑战往往在于如何在高性能与高安全性之间寻找平衡。许多团队在���期开发阶段可能会采取简单的脚本运行方式，但在迈向生产环境时，必须考虑如何防止恶意代码或逻辑错误导致的系统崩溃。相比于从零开始构建复杂的容器化管理体系，像Harbor这样成熟的沙箱方案能够显著降低工程复杂度，让开发者能够更专注于智能体的决策逻辑和任务拆解，而不是纠结于底层的安全隔离细节。

这一技术趋势与Web3领域的底层理念有着深刻的契合点。在去中心化网络中，我们追求的是"无信任（Trustless）"的执行环境。当AI Agent开始深入参与到链上交互操作DeFi协议或管理分布式资源时，确保Agent所执行逻辑的安全性和确定性就成为了构建信任的基础。无论是通过TEE（可信执行环境）提供的硬件级隔离，还是利用ZK（零知识证明）来验证计算过程的正确性，其核心目标都是在复杂的系统中建立一道清晰可靠且不可篡改的边界。

当我们将AI Agent部���到去中心化基础设施上时，这种沙箱技术将演变为更高级的"可验证执行"。未来的智能体不再仅仅是能够生成代码的模型，而是能够在受保护的计算节点中安全透明地执行任务并产出可验证���果的实体。无论是为了保证本地AI环境的安全性，还是为了在公链上构建去中心化的Agent经济系统，这种对隔离环境的需求都是共同的基础设施需求。

对于正在构建跨领域应用的开发者来说，思考如何为你的智能体构建稳固的安全边界是决定产品能否走向大规模应用的关键一步。在你的架构设计中，你更倾向于依赖成熟的集成式沙箱方案来保障工具调用的安全性，还是打算结合分布式计算网络来实现更高维度的验证和去中心化信任？

[Harrison Chase @hwchase17]

harbor is a great way to run evals that require sandboxing: https://t.co/RSpx68u5oB

self hosted sandboxes coming soon

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

许多开发者在最初构建 AI 应用时，往往会模糊"单次模型调用"与"大规模部署智能体（Agent）"之间的本质区别。从技术层面来看，这两者之间存在着巨大的工程鸿沟。一次简单的模型调用通常是一个无状态的请求和响应过程，而一个能够真正运行的 Agent 则包含复杂的逻辑链条，包���循环决策工具调用上下文管理以及在多步推理过程中维持一致的状态。这意味着，当我们要从实验性的 Demo 走向生产环境时，核心挑战不再仅仅是提示词工程，而是底层基础设施的支撑能力。

这种转变要求我们深入思考推理架构（Inference Architecture）的重要性。为了支持大规模运行的 Agent，系统必须能够处理高并发请求优化长链条中的延迟并确保在复杂逻辑循环中的稳定性。这也是为什么开源推理技术如此关键的原因：通过对推理引擎的优化和高效的模型服务，开发者可以获得更高的灵活性和更精确的成本控制。这种从底层向上构建出的确定性，是让 AI 具备执行复杂任务能力的基石。

这一领域的演进与 Web3 的愿景高度契合。当我们将目光投向去中心化基础设施（DePIN）或分布式计算网络时，你会发现，为了实现真正具有主权且能够自主运行的智能体，它们必须建立在可信高效且成本合理的算力层之上。如果一个 Agent 要在去中心化环境中进行跨链交互执行自动化交易或参与复杂的协作任务，它对推理服务的稳定性要求就变得至关重要。将 AI 推理能力与 Web3 的去中心化特质结合，能够为智能体提供更强的抗审查性和可扩展性，从而构建出真正属于未来的自主经济体系。

从简单的 API 调用转向具备工程韧性的 Agent 架构，是开发者通往生产级产品的必经之路。深入研究开源推理技术和高性能计算基础设施，不仅是解决当前技术瓶颈的方法，更是连接 AI 与 Web3 领域的关键桥梁。在构建能够规模化运行的智能体系统时，你认为目前最大的工程挑战是模型本身的逻辑能力，还是底层算力分配与成本优化带来的复杂性？

[Together AI @togethercompute]

There's a big difference between a single model call and serving an agent at scale. @ZainHasan6 breaks down what actually changes.

Catch our team this Monday at 9 a.m. PST for their open-source inference workshop at @aiDotEngineer

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

在快速迭代的AI领域，真正的技术突破往往并不只发生在正式演讲的舞台上，而是源于高密度人才聚集产生的"走廊交流"（hallway track）。这种非正式的高频的思想碰撞是工程实践中的核心动力。所谓的技术浓度，意味着在一个特定的空间或社区中，开发者能够快速跳过基础概念的重复，直接进入到底层架构优化模型推理效率以及复杂系统集成等深层技术问题的讨论中。对于当下的AI工程师而言，这代表着从简单的提示词调用转向对全栈工程能力的追求，包括如何构建可扩展的Agent框架处理复杂的工具调用逻辑以及优化大规模模型推理的硬件适配。这种高密度的知识交换在Web3领域同���具有极高的价值。随着去中心化算力网络验证计算以及链上智能体等概念的深化融合，AI与Web3的交汇点正变得日益复杂，需要开发者深刻理解分布式共识逻辑与高性能并行计算之间的协同效应。当我们将这种高密度的交流带入到去中心化基础设施建设时，便能更好地推动诸如在可信执行环境（TEE）中部署模型利用模块化区块链优化AI数据流或构建具有自主决策能力的链上经济系统等前沿课题。我们鼓励每一位Builder不仅仅停留在工具的表面应用，而是深入进入这些高密度的技术社区，与同类志士共同探索算法逻辑与去中心化协议之间的融合点。在你的技术进阶路径中，你认为哪种层面的深度交流最能帮助你突破当前在AI或Web3领域的工程瓶颈？

[Sarah Chieng @MilksandMatcha]

The AI Engineer conference series has always been one of the most serendipitous meeting places famous for the 'hallway track'

@swyx curates an unimaginably high density of talent, exchange of ideas, and quality talks

I'll be around @aiDotEngineer on Tuesday and Wednesday. Would love to grab lunch, coffee or catch up :). I'll also be hanging around the @cerebras Token Billionaires lounge for folks who want to come by.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

当前AI领域的狂热不仅仅源于对模型能力的惊叹，更源于一场关于"数字主权"的深刻变革。正如原推中所指出的，当前的AI发展面临一个核心挑战：基础设施的高度集中化。从海量的训练数据庞大的算力集群到用户获取服务的入口，这些关键环节目前大多被极少数巨头垄断。这种现状不仅造成了创新门槛的提高，更导致了资源分配的不对等，使得小型开发者和初创机构在试图构建新应用时面临巨大的壁垒。

当我们讨论从中心化向���中心化���转变时，本质上是在寻找一种更公平更开放的技术路径来承载AI的增长。Web3技术的介入为这一转型提供了关键的底层逻辑。例如，通过去中心化物理基础设施网络（DePIN），我们可以将分散在各地的计算资源聚合在一起，从而打破单一机构对GPU算力的垄断；同时，利用区块链技术提供的可验证身份和数据溯源能力，可以构建更透明的数据生态，确保AI模型的训练过程更加公开且可信。

这种技术的融合并非简单的概念叠加，而是为了解决AI在走向大规模应用时的底层逻辑问题。当AI Agent能够在去中心化的网络中运行，并利用分布式的计算资源进行推理时，它们将不再受限于单一平台的权限门槛或特定的API限制，从而获得真正的独立性。从"租用他人的花园"转向"建立属于自己的领地"，正是AI与Web3融合的核心价值所在：通过分布式架构赋予模型和应用更高的韧性与自主权。

在这个过程中，技术的本质演进是从单一的算力竞争转向更广泛的底层基础设施公平竞争。随着去中心化技术不断成熟，我们将看到一个更加开放可扩展且由开发者真正驱动的智能计算网络逐渐成型。在这种新型架构下，每一个创新者都可以基于公有的基础设施构建独特的AI应用，从而在无需担心被大厂裁切访问权的情况下自由探索技术的边界。

在未来的去中心化算力模型中，你认为目前最大的技术瓶颈是分布式网络的延迟问题，还是如何确保大规模并行推理过程中的数据一致性？

[DrCAO (iprotein.nft) | AIWeb3 @cao_lab]

This sense of euphoria stems from a fundamental shift toward digital sovereignty. For too long, the advancement of artificial intelligence has been locked behind the gates of centralized giants who control the data, the compute power, and the access points. When we transition to open, permissionless, and private systems, we aren't just upgrading the technology; we are reclaiming the ability for individuals to interact with intelligence without surrendering their privacy or autonomy to a handful of gatekeepers.

Having spent years building within the Polkadot and Kusama ecosystems as an educator and community builder, I have seen firsthand how decentralized governance and infrastructure can empower people rather than limit them. My work with AIWeb3 and my current focus on developing a verifiable compute layer are driven by this exact same vision. We need a decentralized infrastructure that allows anyone to contribute resources and access high-level intelligence while maintaining ownership of their data.

The marriage of Web3's permissionless architecture with the transformative potential of AI is the next logical frontier. It moves us toward an era where the tools shaping our future are accessible, trustworthy, and open to everyone. We aren't just building a new way to run models; we are building a foundation for a decentralized economy where innovation isn't stifled by centralized gatekeepers but fueled by collective participation. The move toward a truly open AI ecosystem is how we ensure that the next generation of intelligence remains a public good, accessible and empowering for everyone involved.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

当前人工智能领域面临的核心挑战之一在于极高的算力成本以及基础设施的高度集中。为了训练能够支撑复杂推理的大规模模型，目前几乎所有的核心进展都依赖于少数几家科技巨头控制的高性能计算（HPC）集群和昂贵的专用硬件资源。这种高度集中的模式不仅带来了巨大的经济壁垒，更在一定程度上限制了模型的开放性与生态的多元化。去中心化 AI 训练网络的核心意义在于试图打破这一瓶颈，通过分布式架构将全球范围内的闲置算力整合到一个统一的协作框架中。

从技术层面上看，实现这一目标不仅是简单的硬件堆叠，更涉及一系列深层次的工程创新。在传统的集中式环境中，我们依赖于高度可信的内网环境来保证模型训练的一致性。而在去中心化的网络中，我们需要解决如何在不可信的环境下确保计算过程的正确性。这正是 Web3 技术能够与 AI 产生深度共鸣的切入点：Web3 可以提供去中心化的协调协议和验证机制（如基于密码学的证明或复杂的共识算法），从而在无需信任单一实体的条件下，让来自不同地理位置由不同所有者提供的计算资源能��协同完成大规模模型的迭代。

这种转变对于构建所谓的"主权 AI"至关重要。当训练算力不再被锁死在特定的云服务商手中时，开发者将拥有更多的选择权去决定模型运行的基础设施，从而推动更具创新性的开源项目在无需妥协的情况下成长。尽管目前仍然面临如跨网络延迟异构硬件兼容性以及大规模分布式同步等一系列复杂的工程挑战，但构建去中心化的算力底座是实现 AI 民主化的关键路径之一。它旨在将模型从单一的工业堡垒中释放出来，建立一个更加公平且具备高可用性的全球计算网格。

这种技术演进意味着我们正在进入一个"算力即服务"的新范式，其中 Web3 不仅是提供激励机制的手段，更是构建信任层确保去中心化环境下的数据完整性和计算透明度的核心基石。随着分布式系统技术的成熟，未来的 AI 基础设施可能会更像互联网最初的模样：由无数个节点共同支撑，而非依赖于极少数的核心枢纽。你认为在目前的硬件技术限制下，这种去中心化的架构最先能大规模落地的场景是针对特定领域的模型微调（Fine-tuning），还是能够支持更大规模的基础模型预训练？

[Jake Brukhman @jbrukh]

This will be achieved by decentralized AI training networks.

[AIWeb3 爱Web3中文社区 (Hiring) @aiweb3dao]

当 AI Agent 的演进从单一能力的"工具化"转向具备复杂协作能力的"组织化"时，我们正进入一个极具潜力的技术变革期。在讨论 AI Agent 在开放科学（Open Science）中的应用时，核心的工程挑战在于如何构建能够协同工作的多智能体系统。正如 EinsteinArena 所展示的多智能体数学发现过程，其背后的逻辑并非让单个模型去解决所有问题，而是通过赋予不同 Agent 不同的角色--例如专门负责推导专门负责校验或者专门提供跨领域知识支持--构建出一个可以自我迭代和反馈的协作网络。这种模式显著提升了处理高度抽象且复杂的科研任务时的容错率和逻辑严密性。

与此同时，DSGym 所涉及的数据科学评估环节也切中了当前 AI 开发中的关键痛点。在实际应用中，仅仅拥有强大的推理能力是不够的，我们更需要一套规范化可量化的评价体系来衡量智能体在处理复杂数据流执行实验设计以及自动化分析时的稳定性。这种对"评测"的深挖，实际上是在为 AI 走进专业领域建立一道技术门槛，确保 AI 的产出是可以被信任且符合科学逻辑的。

从宏观趋势来看，这一进程与 Web3 生态中的去中心化理念有着天然的契合点。当人工智能参与到全球性的基础科学研究时，我们需要透明可��证且不被单一实体控制的基础设施来支持这些 Agent 的协同运行。这正是"AI Web3"融合的核心价值所在：利用分布式���络提供计算资源和数据信任层，让 AI Agent 能够在去中心化的环境中进行大规模的合作创新。这种从"单点智能"到"协作型智能网格"的跨越，是通往通用人工智能（AGI）并解决现实世界复杂科学难题的关键路径之一。

当 AI Agent 开始在开放科学领域广泛协同时，你认为目前最核心的技术瓶颈是在于模型本身的推理能力上限，还是在于现有评估体系无法满足严谨科学研究对确定性的高要求？

[Together AI @togethercompute]

What happens when AI agents collaborate on open science?

At @aiDotEngineer World’s Fair, @james_y_zou will share work on EinsteinArena and DSGym, from multi-agent math discovery to better evaluation for data science agents.

Day 3, July 1. Expo Stage 3 SW.