自 2023 年 Chatgpt「横空出世」并在在短短两个月内达到 1 亿用户的里程碑以来，人工智能领域成为了投资机构非常青睐的赛道。而在加密领域，分布式系统、密码学等技术与人工智能的结合也对资本具有极大的吸引力。2023 年一年，Web3 行业中 AI 赛道的融资金额为 2.98 亿美元，超过了 NFT 赛道。

资料来源：Rootdata，Binance 研究院，截至 2023 年 12 月 31 日

相关阅读：《Binance Research：AI+Crypto 最新数据和发展》

2023 年 11 月，去中心化 AI 计算平台 Ritual 宣布完成 2500 万美元融资，Archetype 领投，Accomplice 和 Robot Ventures 等参投。据悉，Ritual 旨在创建一个激励网络，为分布式计算设备提供动力，以支持人工智能的各方面应用。该资金将用于构建网络基础设施、扩大团队，并发展 Ritual 生态系统。

「人工智能在一小群强大公司之间的整合对技术的未来构成了重大威胁。我们创立 Ritual 是为了结束生态系统对少数人的依赖，开放对这一关键基础设施的访问，并确保构建更好的人工智能的未来。Ritual 是生态系统所需的去中心化网络。」Ritual 联合创始人 Niraj Pant 在一份声明中表示。

强大的融资阵容和团队背景

值得注意的是，Ritual 的融资阵容很强大。参投方 Robot Ventures 出手胜率颇高，在其参与的投资中，不乏每轮牛市的明星项目，如 Optimsim、Compound、Lido、Eigenlayer 等。Hypersphere Ventures 也是 Worldcoin 和 Sei network 的参投方。在公开的信息中，还可以看到诸如前 Coinbase 首席技术官 Balaji Srinivasan 等著名天使投资人的参与。

Ritual 的顾问团队也「星光熠熠」，包括 NEAR Protocol 联合创始人兼 Transformers 联合创始人 Illia Polosukhin（「Attention is All You Need」）、EigenLayer 创始人兼合伙人 Sreeram Kannan 等。1 月 10 日，BitMEX 联创 Arthur Hayes 宣布已加入 Ritual 担任顾问。

Ritual 团队在加密领域已有多年的工作经历。创始人是 Niraj Pant 和 Akilesh Potti，Niraj Pant 拥有伊利诺伊大学香槟分校的计算机科学学士学位，在创立 Ritual 之前，Niraj 是 Polychain Capital 的普通合伙人，还担任过 CoinDCX 的董事会成员、红杉资本大使以及 Source Networks 的联合创始人兼首席技术官。Akilesh Potti 毕业于康奈尔大学，也曾是 Polychain 的合伙人。

此外，Ritual 的创始成员、MEV 独立研究员 Anish Agnihotr，也曾作为研究员在 Paradigm 工作。

Ritual 尚未发币，将在之后的几周里开源其 AI 工作流程和基础设施。

Ritual 是什么？

Ritual

Ritual 将分布式节点网络汇集在一起，可以访问计算和模型创建者，并使所有创建者能够在这些节点上托管他们的模型。然后，用户可以使用一个通用 API 访问该网络上的任何模型（无论是 LLM 还是经典的 ML 模型），并且该网络具有额外的加密基础设施，可以保证计算完整性和隐私。

Ritual 的构件如下：

Ritual Superchain ：一套主权模块化执行层，每个层都包含专门的状态预编译（SPC），适合不同类别的任意计算，主要围绕人工智能模型，从经典模型到基础模型 GMP 层促进现有区块链和 Ritual Superchain 之间的互操作，Ritual Superchain 充当所有区块链的 AI 协处理器。Ritual 的 AI VM 不仅包含 SPC，还包含促进优化执行的基础层基础设施，包括推理引擎二进制文件和矢量数据库。

Node Set：Ritual Superchain 由节点类别组成，每个节点包含不同的功能和资源需求。Ritual 节点包括规范的完整节点和验证器节点，以及 Ritual 特定节点（包括证明节点、模型缓存节点和隐私节点）。Ritual 证明和隐私节点可以根据用户所需的保证和人工智能模型的复杂性利用各种机制，从证明方面的 ZK 到 Optimsim，以及隐私方面的 FHE 到 MPC。

关于有状态预编译 (SPCs)：有状态预编译是具有状态访问权限的预编译。Ritual 需要高度优化的操作，能够有效地计算各种 AI 模型的特定功能。一些 SPC 可以作为其他 SPC（即微调和推理）的组合来实现。一些 SPC 可以充分利用各种类型的并行性（即嵌入），而其他 SPC 则通过构造顺序进行。

通用消息传递 (GMP)：Ritual 使任何链上的应用程序都可以通过紧凑的双向通用消息传递传输来利用超级链的执行功能。

Portals ：Portals 是 Ritual 的一项独特功能，允许在利用 Ritual 超级链之前通过本机智能合约对源链进行急切的数据评估。Portals 针对 AI 模型输入的静态分析进行优化，将计算本地化到源链，最大限度地减少通过网络发送的数据。

Infernet

Infernet 是 Ritual 将发布的协议和实用程序套件中的第一个构建块，Infernet 节点 v0.1.0 是一个轻量级的链外客户端，用于 Infernet 服务计算工作负载。

Infernet 使任何人都可以在 Ritual 之上无缝构建，并无需许可即可访问 Ritual 的模型和计算提供商网络。Infernet 通过为智能合约提供强大的接口来访问人工智能模型进行推理，从而将人工智能带入当今的链上应用程序。

Ritual 希望将 Infernet 发展为模块化的执行层套件，与生态系统中的其他基础层基础设施互操作，从而成为 web3 领域人工智能的关键点，从而允许任何链上的每个协议和应用程序都可以使用 Ritual 人工智能协处理器。使用给定的模型和功能，智能合约可以请求 Infernet 计算一些输出和证明。

可以通过 Frenrug 来理解 Infernet 的工作流，这是 Ritual Infernet SDK 推出的一个可交互的实验性实例。

Frenrug 是 friend.tech 聊天室中的一个机器人，任何 Frenrug 的 Key 持有者都可以向 Frenrug 聊天室发送消息。在消息中，用户可以尝试说服 Frenrug 购买其他用户的 Key，Frenrug 代理通过不同 Infernet 节点运行的多个 LLMs 传递用户消息。最初由 Ritual 运行所有 Infernet 节点，之后会由社区中的人员参与运行节点。

每个节点都会在链上响应 LLM 生成的投票，决定 Frenrug 是否应该采取行动。由于 LLMs 是不确定的，因此每个 LLM 可能会产生不同的响应，即使它是完全相同的模型。

当足够多的节点响应时，聚合请求将完全在链上启动。链下 Infernet 节点接收此请求，并通过监督分类器将各种 LLM 投票聚合到单个操作中，并在链上转发相应的有效性证明。随后，Frenrug 代理合约执行此操作（购买密钥、出售密钥或无操作），Frenrug 密钥持有者在 Frenrug 聊天室中看到回复，其中包含每个 LLM 代理的投票和最终输出。

AI 与 Crypto 的「双向奔赴」

融合密码学和人工智能的最佳原理和技术，Ritual 旨在创建一个能够开放且无需许可地创建、分发和改进人工智能模型的系统。Ritual 将人工智能无缝集成到任何链上的应用程序或协议中，使用户能够使用加密方案对模型进行微调、货币化和推理。Niraj Pant 提出了 Ritual 的五个关键重点领域：创建激励网络；将分布式计算设备连接起来，为托管、共享、推理和精细化提供支持；调整用于访问模型的 API 层人工智能模型；保证计算完整性的证明层；抵制审查制度、保护隐私。

Niraj Pant 表示，目前 AI 工具的芯片、计算能力和模型掌握在少数公司手中，对技术的未来发展构成威胁。几个核心问题是：

缺乏强大的 SLA：现有平台不提供有关计算完整性（即该模型是否正确运行）、隐私（模型的输入和输出）和审查阻力（限制对模型、应用程序和地理位置的审查）的任何保证；

许可和集中式 API：现有基础设施由少数集中式公司托管，限制了开发人员和用户构建本机集成；

高计算成本和有限的硬件访问：开发人员采购人工智能硬件变得越来越困难，硬件提供商向开发人员收取高额佣金；

寡头垄断和结构失调：组织要么被激励保持其模型闭源，从而抑制创新和集中权力，要么将其模型开源，因为他们认识到缺乏适当的基础设施来奖励他们的贡献。此外，用户在当今人工智能的治理和所有权方面几乎没有发言权。

利用密码学、博弈论和机制设计方面的创新可以解决这些问题。Ritual 的目标是打破对这些公司的依赖，开放关键基础设施的访问，确保更好地构建人工智能。

而 AI 技术也能为加密领域带来新的发展动力。从基础层基础设施到应用程序，人工智能模型可用于封装复杂的逻辑，并启用以前仅通过智能合约无法实现的新应用程序。例如，我们想象这样一个世界：用户可以使用自然语言生成交易并与合约交互，或者代理根据实时市场条件自动管理贷款协议的风险参数。有大量令人着迷的用例，而正缺少能够弥合访问模型和在链上利用它们之间差距的基础设施。

而 Ritual 立足于这个交叉点的前沿，正在为上述两个问题建立一个统一的解决方案。

Tags：

转载：感谢您对网站平台的认可，以及对我们原创作品以及文章的青睐，非常欢迎各位朋友分享到个人站长或者朋友圈，但转载请说明文章出处“来源演示站”。