目前的AI基本都是集中式AI，其实存在4个问题：

一是数据滥用与归属不清：大厂通过抓取公开数据（比如博客、论文）训练模型，数据提供者未获许可或补偿，引发隐私和伦理争议。

二是模型黑箱问题：大型语言模型（比如 GPT-4）的训练过程和数据来源不透明，导致输出不可靠（“幻觉”）和信任危机。

三是贡献者激励缺失：数据、模型和代理的创造者无法从 AI 生态的商业化中获益，阻碍了协作创新。

四是通用模型局限性：通用大模型在特定领域（比如金融、法律）精度不足，专用模型（SLM）需求日益增长。

简单说，就是数据被偷用、算法黑盒、普通人没有机会参与、通用模型在细分领域不够用。

因此，针对这些问题，AI结合Web3后可以拥有诸多新特性，也是很多项目正在尝试的方向，其中值得关注的一个项目是OpenLedger。 @OpenledgerHQ

OpenLedger 是一个 AI 区块链，可以将数据、模型和代理货币化。这条链是基于 OP Stack 构建的 Layer 2 网络，使用 EigenDA 进行数据可用性存储。

OpenLedger 提出了一个关键概念：“数据智能层”（Data Intelligence Layer）。

“数据智能层”是 OpenLedger 架构中的关键组成部分，定位为一个去中心化的中间层，连接数据提供者、模型开发者、AI 代理和 Web3 生态。

“数据智能层”可以类比为去中心化 AI 的“操作系统”，类似 AWS 在云计算中的角色。

它不仅管理数据和模型，还通过区块链的透明性和代币经济，赋予生态参与者（个人、企业、社区）协作和货币化的能力。

这种“层”的设计将 AI 从集中式孤岛转变为开放的协作网络，释放了数据和智能的流动性。

这里核心有4项关键技术：

1、归属证明（Proof of Attribution）

与传统的 Proof of Work 或 Proof of Stake 不同，Proof of Attribution 是一种专为 AI 生态设计的共识机制，强调“价值归属”而非算力竞争。

这不仅降低了能耗，还与 AI 的数据驱动特性高度契合。

2、Datanets

Datanets 的成功依赖于社区参与度和数据质量。OpenLedger 正引入动态定价和质量评估机制，以激励高价值数据贡献并过滤低质数据。

3、模型工厂（Model Factory）

模型工厂的 GUI 设计是对现有复杂微调框架（如命令行工具）的颠覆，类似于“AI 的 Canva”。

这可以吸引中小企业和独立开发者，扩大生态的多样性。

4、OpenLoRA

OpenLoRA 的技术实现涉及模型压缩或分布式计算优化，与现有区块链基础设施（如 EigenDA）无缝集成。

总的来说，OpenLedger 通过 Proof of Attribution、Datanets、模型工厂和 OpenLoRA 构建了一个独特的去中心化 AI 生态，其在专用模型、透明性和 Web3 整合方面的优势，使其在金融、法律等高精度领域具有竞争潜力。

OpenLedger 刚刚在香港结束了第一次中国行，接下来的安排分别是杭州、深圳、成都、上海，有兴趣的小伙伴可以现场与项目方交流，来线下还有机会拿到空投白名单！