0. 先把問題擺正｜AI x Web3 不是把兩個流行詞疊在一起
這場 AI x Web3 School 的題目是「AI 在 Web3 的應用」。標題看起來像是在談一組新場景，但真正有價值的切角，是講者一開始丟出的張力：AI 與 Web3 在系統性格上其實很不一樣。
原影片：AI x Web3 School - AI 下鄉計劃｜AI 在 Web3 的應用
AI，尤其是現在最常被使用的大模型服務，通常高度中心化。模型、算力、資料、API、付款、帳號與服務規則，集中在少數公司和雲端平台手上。使用者能不能用、怎麼用、能不能付費、會不會被限制，往往不只取決於技術，也取決於地區、政策、平台風控與商業規則。
Web3 則從另一個方向出發。它不是只關於發幣、買幣或交易，而是試著把狀態、節點、驗證、資產與激勵放進一套更開放、可檢查、可共同參與的網路。這不代表 Web3 天然更好，也不代表所有東西都該上鏈；但它提供了一種和中心化 AI 服務不同的組織方式。
所以 AI x Web3 的問題，不應該只問「能不能做一個 AI 幣」或「能不能讓聊天機器人幫我操作錢包」。更好的問法是：
AI 哪些部分過度依賴中心化平台？Web3 能不能補上算力、市場、身份、支付或驗證能力？
Web3 哪些部分對使用者太難？AI 能不能幫使用者理解合約、規劃操作、整理風險、降低開發門檻？
講者把這件事講成雙向關係。第一個方向，是 Web3 賦能 AI；第二個方向，是 AI 賦能 Web3。這個框架比「AI + 區塊鏈」的口號更實用，因為它把討論拉回工程問題：誰提供能力、誰驗證結果、誰承擔風險、誰保有控制權。
1. Web3 如何補 AI｜中心化服務的限制，會變成新市場的起點
講者先從 AI 的中心化問題談起。現在的主流 AI 服務很方便，但它的入口集中在少數平台。使用者遇到的限制可能很具體：帳號註冊、付款方式、地區政策、公司規範、模型可用性、API 價格、封號風險，甚至是某些文化或法規造成的服務差異。
這些限制不一定都是惡意。有些是合規要求，有些是商業策略，有些是基礎設施成本。但從使用者角度看，結果很明確：當 AI 成為越來越重要的生產力工具，對單一平台的依賴就會變成系統風險。
Web3 能補的第一件事，是提供另一種市場結構。與其由一家公司獨占模型與算力，不如讓不同節點、個人、小團隊或算力叢集都能提供推論服務。使用者不一定直接知道背後是哪一台機器，但網路可以負責路由、評價、支付與結算。
這個想法不是把大模型本體硬塞進區塊鏈。真正上鏈的通常不是每一次推論，也不是龐大的模型權重，而是市場規則、身份、支付、激勵、供需關係與可驗證紀錄。模型和算力仍然在鏈下運行，但供應者不必只是一家公司。
這個方向最像講者提到的去中心化 AI 網路：節點不再只靠質押代幣或驗證區塊參與，而是靠提供實際 AI 能力參與。你可以把它想成一個由多個模型服務、API 端點、GPU 節點和評價機制組成的市場。
這裡的重點不是「去中心化」三個字本身，而是它重新分配了控制權。使用者少一點被單一平台鎖住，供應者多一種參與 AI 基礎設施的方式，網路也多一套用激勵與紀錄協調服務品質的可能。
2. 去中心化 AI 算力市場｜節點提供的不只是區塊，也可以是推論能力
如果把這套想法拆成工程流程，大概會是這樣：
使用者提出請求。網關或協議層把請求分發給可用節點。節點可能是個人電腦、小型 GPU 叢集、雲端機器或專門的模型服務。節點完成推論後回傳結果，市場再根據品質、速度、可用性或任務類型進行評價與支付。
這和傳統區塊鏈節點有相似處，也有差異。相似的是，它都需要網路參與者、激勵機制、可驗證紀錄與某種形式的信任最小化。差異是，AI 推論不像區塊驗證那樣容易得到單一正確答案。模型輸出本來就可能有多種合理結果，品質評估也更複雜。
因此，去中心化 AI 網路真正難的地方，不只是「把 API 分散出去」。更難的是如何評價節點能力、如何防止低品質輸出、如何讓使用者知道結果可信度、如何處理資料隱私，以及如何讓市場價格反映服務品質。
這也是為什麼 AI x Web3 不能只停在敘事層。只說「算力去中心化」很容易，真的做起來會碰到很多細節：模型版本如何標記？節點是否真的執行了任務？結果是否可重現？資料是否外洩？延遲能不能被接受？支付如何結算？惡意節點怎麼被懲罰？
講者沒有把它說成已有標準答案，而是把它定位為探索中的方向。這個態度是對的。AI 基礎設施正在快速變化，Web3 能提供的也不是魔法，而是一組市場與協調工具。能不能成立，要看它能否解決比中心化服務更痛的問題。
3. AI 如何補 Web3｜最大價值不是代操，而是降低理解成本
另一個方向，是 AI 反過來改善 Web3。
Web3 對一般使用者不友善，原因不是單一 UI 難看，而是概念密度太高。錢包、助記詞、私鑰、簽名、Gas、Nonce、Approve、合約呼叫、跨鏈、RPC、交易確認、區塊瀏覽器，這些東西對老手來說是日常，對新手來說像一整套陌生語言。
AI 最直接能做的，是把這些陌生語言翻譯成可理解的操作。比如解釋一筆交易在做什麼、幫使用者讀合約方法、整理某個 DeFi 操作的風險、把鏈上資料轉成自然語言、把開發文件變成可執行的任務清單。
對開發者來說，AI 的價值更明顯。它可以協助讀合約、整理函式、生成測試、比較協議、解釋錯誤訊息、快速建立前端互動範例。這能大幅降低入門成本，尤其對剛接觸智能合約或鏈上資料的工程師來說，AI 是很好的陪跑工具。
但這裡有一條不能模糊的線：AI 可以幫你理解與草擬，不等於可以替你承擔簽名與資產風險。
Web3 的錯誤常常比一般應用更難挽回。一般網站按錯按鈕，可能改資料庫、退貨、人工客服；鏈上交易一旦簽出並被確認，資產和授權可能已經移動。這讓 AI Agent 的設計不能只追求順滑，而必須把權限邊界做清楚。
4. Agent 錢包邊界｜能自動化的是流程，不該放手的是控制權
AI Agent 接錢包，是這波 AI x Web3 最容易被想像、也最容易出事的場景。
理想狀態下，使用者只要說「幫我把這些資產整理一下」、「幫我查這個合約可不可信」、「幫我把這筆交易的風險講清楚」，Agent 就能讀資料、拆步驟、比較選項、提出建議。這會讓 Web3 使用門檻大幅下降。
但如果 Agent 直接掌握私鑰、直接替使用者簽名、直接幫使用者授權合約，那風險就完全不同。模型可能誤判，prompt 可能被注入，外部資料可能被污染，工具調用可能出錯，使用者也可能沒有真的理解自己授權了什麼。
比較合理的設計，是把 Agent 權限分層：
第一層是讀取。Agent 可以查鏈上資料、讀合約 ABI、讀交易紀錄、整理風險，這層風險相對低。
第二層是草擬。Agent 可以建立交易草案、生成互動步驟、標出需要簽名的欄位，但不直接送出。
第三層才是執行。只要涉及簽名、授權、資產移動或不可逆交易，就應該回到錢包確認、人類審核、限制額度與可撤銷權限。
這個分層比「Agent 能不能操作錢包」更重要。真正的產品問題不是能不能串 API，而是如何讓使用者知道 Agent 正在做什麼、為什麼需要簽名、最壞情況是什麼、能不能取消、能不能限制額度、出了錯能不能追蹤。
換句話說，AI Agent 在 Web3 裡的核心不是自動化，而是可控的自動化。
5. 開發者路徑｜不要只學合約，也不要只依賴 AI
問答段裡，講者多次回到學習路徑。對想進入 Web3 的開發者來說，最容易誤會的是「Web3 開發等於寫合約」。
合約很重要，但產品不只合約。大量 Web3 產品仍然需要 Web2 工程能力：前端、後端、資料索引、錢包連接、風控、監控、後台、使用者體驗、社群與運營。甚至很多時候，合約只是一小段核心邏輯，真正讓產品跑起來的是外圍系統。
AI 可以幫初學者快速補知識，但不應該取代基本理解。你可以讓 AI 解釋某段 Solidity、整理某個協議、生成測試案例、比較不同交易流程；但你仍然要知道私鑰不能交出去、Approve 代表授權、合約部署後不容易改、測試網和主網風險不同、鏈上資料和前端狀態不是同一件事。
講者給出的方向很務實：不要只在概念裡學，也不要一直焦慮自己追不上新名詞。找一個具體場景，用 AI 幫你拆解，用 Web3 的工具去驗證，最好透過黑客松、實習、組隊專案或開源任務，把知識放進真實產品裡。
這也是 AI x Web3 現階段最值得做的事。不是急著宣稱下一個大敘事，而是找到那些原本太難、太碎、太不透明的 Web3 流程，讓 AI 幫它變得更可理解；同時找到那些過度中心化、過度依賴平台的 AI 能力，讓 Web3 提供新的協調與市場機制。
結語｜AI x Web3 的核心是「能力」與「控制權」的重新分配
這場分享最值得留下的，不是某一個專案名，也不是某一個流行詞，而是一個判斷框架：
當 Web3 賦能 AI 時，問題是中心化能力能否被拆成開放市場，讓算力、模型服務、身份、支付與驗證由更多參與者共同提供。
當 AI 賦能 Web3 時，問題是複雜操作能否被翻譯成可理解、可審核、可控的流程，讓使用者和開發者更容易進入鏈上世界。
兩者交會處最重要的東西，是控制權。Web3 不該因為接上 AI，就把私鑰、簽名與資產控制權交給黑盒 Agent；AI 也不該因為接上 Web3，就假裝所有推論都能被鏈上魔法解決。
真正有價值的 AI x Web3 產品，會同時尊重兩件事：AI 擅長理解、規劃與生成；Web3 擅長驗證、結算與保留控制權。把這兩件事接好，才是這條路線真正值得期待的地方。