Illia Polosukhin 谈 AI、加密货币的未来，以及 NEAR 将如何胜出

不能保证它一定会给你真正的模型响应。它可能用的是更小、量化过的模型，也可能干脆直接塞给你一段伪造的输出。比如，它可以运行任意 Bash 命令，让你的机器感染病毒，甚至把你的私钥全偷走。

问题不在 OpenAI 那边，而在你自己的智能体这边。

比如你在运行 Hermes，把它指向某个 API 端点，你根本不知道那个端点背后跑的是什么。

这就是区块链技术的可验证性派上用场的地方。你想确切知道那里运行的到底是什么。

好，开始吧。

有几件事对我的成长影响很大。首先是乌克兰，原苏联。我祖父母大半辈子的工作时间都在苏联度过。我特别清楚地记得，他们有一本储蓄存折，是苏联主要储蓄银行之一 Sberbank 的存折。里面存了一些钱，可苏联解体之后，那些钱就跟印存折的纸一样不值钱了。

乌克兰独立时用的货币和现在也不一样。接着就发生了恶性通胀。我记得去买面包的时候，一年左右价格涨了大约一百倍。

不是，那已经是乌克兰了。那会儿还不算排长队买面包，资本主义已经开始运转了，只是货币还没正常运作。

国家当时就是印钞，那个……

当时货币恶性通胀，买一条面包可能要一千、一万，甚至十万。那让我很早就记住，大家需要能储存价值的东西，也需要某种去中心化货币。另一个影响我很深的，是我看了电影《人工智能》。大概是 2000 年，那时我十岁。电影本身是一回事，但它让我理解了人工智能这个概念。我还读了很多科幻小说，比如阿西莫夫、海因莱因的作品。我一直觉得，人工智能才是解决世界各种问题的办法。

大概 2000 年。

对，我才十岁。十四岁时，我开始参加编程竞赛。那种比赛就是不停练习、做很多题。我当时就想：我为什么要做这些？这代码应该让机器来写。从十四岁起，我就相信，AI 终究会把编程自动化。我高中时就开始尝试做最初的神经网络，只是那时数学还不够好，做不起来。

我们做的还是神经网络之前的东西，主要是决策树。客户主要是银行和保险公司，项目包括信用评分、各种风险评估，还有人寿保险，比如预测一个人的平均寿命。也有些挺有意思的项目：一家石油公司把某个油田的钻井数据交给我们，让我们找出哪里有石油。

数据里有土壤和钻探深度之类的信息，我们要从这些钻井数据里建模、找规律。具体用的是梯度提升决策树。决策树就是根据特征一层层判断：比如收入是否超过十万美元，超过的话，这个人更可能还钱。很多特征组合起来，就能搭出很深的树，解释很多事情；再把很多棵树组合起来，就成了一套相当复杂的系统。我所在的公司是最早做决策树的公司之一，早在八十年代就开始做了。那家公司大概六十年代、七十年代就成立了。

那真的是第一次有人在相当大的规模上做到无监督学习，而现在大家做的正是这类事情。

关键进展来自 Geoffrey Hinton 和 Yann LeCun 等人的工作。他们让多层神经网络通过反向传播进行训练，而且开始真正奏效了……

这些想法以前都有人提出过，只是当时行不通。数学理论成熟了，算力也终于跟上。回看过去三十年，很多时候都是老想法等到计算机能力追上来，才开始真正奏效。那篇论文训练时用了大约 600 台机器，在当时已经是很大的规模。现在想想，600 台机器算什么？这屋里说不定就有 600 台。

是算法的问题。模型一次读一个词。给它十页维基百科，它得一个词一个词读过去，自然要花时间。我们最初的近似做法是把每段里的词都加起来，再根据这个向量回答，效果还不错。

每个词都会投射到多维空间里，变成一个向量。把这些向量加起来，就能得到这段话大致的整体含义。如果训练得当，确实能得到一些不错的结果。大约 2015、2016 年，Google.com 上已经有了最早的问答模型：你提问，它就会显示一个答案。模型很简单，但速度很快。

注意力机制会把词两两联系起来，衡量每个词和其他词的关系。只做一层时，只能得到直接关系；重复经过多层 Transformer，每一层都会转换句子的含义，最后变成对问题的回答。

好问题。这叫 KV cache，也就是键值缓存。处理过程中，模型会创建键值存储。比如把“猫”作为一个键，把“它坐在墙上”作为相关概念存下来。之后你问“猫在哪里”，模型就能用“猫”这个键找到“它坐在墙上”，再回答你。这就是 KV cache 的概念：处理时存下来的内容，之后检索成本很低；没存下来的话，就得重新计算。

它解决了深度学习、尤其是语言模型里的几个概念难题。首先，循环结构很难训练。模型一次读一个词，读几百页之后，到最后可能已经把开头的内容全忘了。

Transformer 解决了遗忘问题……

……也解决了训练效率问题。循环模型处理长文档时必须一次读一个词，所以训练速度慢，而且每次只能执行一步，GPU 或其他加速器的利用率很低。Transformer 则能尽可能多地调用 GPU 核心并行处理。于是我们可以给它更多算力、更多数据，训练更大的模型。这是一个重要进展。另一个进展是，我们还能训练模型去读越来越多的内容，并理解更长的上下文。

后来模型能处理越来越多的内容，也能思考更长的上下文。再后来，OpenAI 的 Ilya Sutskever 提出：干脆把规模大幅做上去。于是有了 GPT-1、GPT-2，模型越来越大，展现出越来越强的推理能力，最后发展到 ChatGPT。与此同时，研究人员发现，同一种模型架构也适用于图像、声音、视频等领域，几乎什么都能处理。它逐渐成了很多机器学习工作的标准做法。

当时是这样：我参与 Transformer 项目时就已经打算离开谷歌。我和联合创始人 Alex 一直有个想法，就是让计算机写代码。那是 2017 年，我们的愿景是：如果计算机能写代码，整个计算世界就会被压平。我们不再需要成百上千个应用，也不再需要 SaaS 和这些东西；只要告诉计算机我们要什么，它就会去做。2017 年说这种话听起来特别离谱，别人会觉得我们疯了。

我们最初的融资说辞是八月开工、一月上线。

后来我们又从 Naval Ravikant、Metastable、Accomplice 等投资人那里融了更多钱，也继续扩充工程团队。我们的想法是做一条容易使用、对消费者友好的区块链，使用人数增加时，交易价格也不会跟着涨。

我们想做一条容易使用、对消费者友好的区块链，用户多起来时交易价格也不会跟着涨。它还得足够便宜，能够支持微支付。根据这些需求，系统要支持分片、账户抽象……

这条链还应该使用 WebAssembly，这样开发者可以用任何编程语言写程序，写完就能运行。这些要求构成了 NEAR 最初的设计方向。我们对工期过于乐观了。

我们在 2020 年 10 月上线，前后花了两年多。

有两个难题。一个是分片。我们大致知道怎么设计，但真正动手实现时，才发现数据路由、确保数据可用性等等都很复杂。Alex 以前做过分片数据库公司，是 SingleStore 的第一号工程师，产品被财富 500 强企业使用。我在谷歌做过分布式系统，但我们都没做过无需许可的分布式系统。我们起初没真正理解，要让安全的金融基础设施从一开始就可靠运行，有多复杂。

对，我们写过一篇博客，讲当时怎样破坏了 Avalanche 共识的活性。当然，他们后来已经改了很多；但针对最初的 Avalanche 论文，我们找到了一种让它失去活性的方法，而且条件非常弱，甚至不需要质押，只要看网络里有多少台计算机。我们做了很多不同的共识协议，测试它们、找出问题。这也促成了我们的白板系列：我们会采访其他区块链团队，提出一个聪明的区块链工程师为了理解其协议为什么能运作而会问的问题。结果就是，我们在白板上当着镜头破解了多个协议。

有一个是 Loom，现在几乎已经不存在了。

当时 Georges 还在 Loom 工作，他现在是 Paradigm 和 Tempo 的 CTO。我们在白板上破解了他们的“鸡蛋游戏”，他当时就说“哦”。那期节目挺有意思的。

我们访谈、破解过的很多项目后来都不存在了；有些我们也帮着修复了。我们还悬赏寻找修复 Solana 的办法。

没错。

核心想法是，我们负责搭基础设施，同时让应用开发者更容易做出面向消费者的体验。2019 年，我们去采访了当时几乎所有的加密公司。我们的 CRM 里大概有 300 家，可能那就是当时所有的加密公司了。我们问他们用户体验、开发体验方面遇到什么问题。大家都说，用户入门太难。我们亲自试过：拿一台新电脑，想买一只 CryptoKitty，整个过程要做 92 个步骤，花 12 个小时。

即使用户真的想买，流失率也会达到 99.99%。所以我们想，怎么解决？钱包体验、注册流程都要更顺畅，还要有 meta-transaction，让用户不必自己准备 gas。这些功能可以放在协议层，帮助开发者做出更方便消费者使用的应用。

这是我们最初的思路，后来确实发展了不少。一个变化是我们意识到所谓的“链抽象”：我们把 NEAR 做得容易使用，可其他链上也有应用。如果我们只让用户使用 NEAR 上的应用，不让他们使用别的链，那就很奇怪。就像你只能用 AWS 托管一样。比如你看完 Netflix 上一部片，想看另一部，结果发现它在另一台服务器上，还得换一种货币付钱。

所以我们先搭建了链抽象技术栈，NEAR Intents 就是从这里开始的。站在更高层看，用户只关心自己想实现什么结果。比如想在 Morpho Vault 获得某个收益率，想要一些 Zcash，或者把 Telegram 里的 USDT 换成 Tron 上的 USDT，再支付某项服务。用户想实现的是这些意图，至于怎么跨链执行，可以之后再谈 AI 和智能体。但这件事很难，一旦涉及多条链就更复杂了。

关键区别在于用户怎么思考。如果把它当作一座桥，用户就得自己搞清楚要跨链、要准备 gas、钱包，还要处理一堆事情。我们说的是：你只要描述想要的结果，我们的求解器——本质上是一些智能体——会找出最佳路径。它们可以用 LayerZero、币安、纳斯达克，或者任何能帮你实现目标的工具。整个模式是从“你规定每个交易步骤”转向“告诉系统你要什么结果，让它想办法完成”。

用户会说：“我想在自己的隐私地址里收到 10 个 ZEC。”假设我现在持有的是 Solana 上的 USDC，求解器就可以说：“好，我来想办法把它给你。”

我们最先把这套基础设施接入 Zola Wallet、Trust Wallet、Ledger Live、MetaMask 等产品。现在不少钱包里的交易、兑换和跨链操作，底层其实已经在用 NEAR Intents。

我们启动了 NEAR 的一条私有分片，运行在安全飞地里，外部无法直接查看里面发生的事。你把加密交易发进去，它在飞地内部解密并执行，然后再把你的状态提供给前端查询。好处是，交易过程本身也有隐私：你可以付款、交易、买卖股票，需要时再把资产提到 Tron、Solana、Base 或 Ethereum 的地址。我们把它和其他生态都接起来了。这样你就有一个真正面向消费者、完全实现链抽象的钱包：不用切换网络、添加 RPC 端点，也不用充值 gas，整个链上体验都很顺畅。

整体每月大约 40 亿美元。near.com 自己占其中多少，要看当周情况，大约是 10% 到 20%。

协议会从中抽取一定比例，具体取决于资产。稳定币的费率没那么高，有些资产的费率会高一些，最后收入都会换成 NEAR。

对，最终会这样。

near.org 的收入仪表盘上有数据。实际上我们可以看上周的数字。

好，就这么办。

永续合约和 Earn 产品也在增长。我们会从永续合约手续费里抽取一部分回购 NEAR。Earn 也是一样。每个产品都在创造收入，最后用来买回 NEAR。

我把 NEAR 看作面向 AI 和区块链未来的垂直整合技术栈。我们还没聊回 AI 呢。

我们在发展金融科技产品的同时，也推出了 NEAR AI。我们的设想是，AI 做前端，区块链做后端；更具体地说，AI 智能体是前端，市场基础设施是后端。现在我们花越来越多时间和智能体互动，但这些智能体还不能互相沟通、互相交易。假如它们能建立一个通用市场，就可以提出需求，比如“帮我订这个房间”，或者“把 50 吨钢材运到洛杉矶港，我们要生产东西”。这就是一个意图。系统可以找到愿意执行它的对手方智能体，还需要托管资金、执行交易以及解决争议的机制。

……因为这是我们最容易验证的事情。我们可以借贷、交易，而且已经有了一个智能体市场，让智能体彼此交易。我们先从数字工作开始，因为它也更容易验证。我们还提供私密 AI，避免这些信息泄露出去。如果你雇用的另一个智能体运行在别人的机器上，对方就可能看到你的私人信息：你在做什么、和谁交易、发送了什么。所以要有私密 AI 来保护和验证这些过程。我们实际上也在经营 AI 推理业务。

Venice 在用我们的服务。他们的端到端加密模式用的是我们的私密服务。Brave 也在为他们的智能体使用我们，还有一些机器人公司和其他团队用我们的后端来运行 AI 推理、驱动智能体。我们还准备在 near.com 的消费产品里推出你的金融 AI 智能体，它完全私密，并且能基于你现有的资产执行操作。

这里有两个方面。一个是去中心化、隐私和可验证性。假如你的 AI 请求都要经过 OpenAI，OpenAI 理论上可以给你任意响应。现在确实会发生这种情况：如果你用某些路由器、免费模型，甚至某些正式服务，都不能保证它们返回的是真正的模型响应。

对，它们可以给你更小的模型、量化模型，或者直接插入一段伪造输出。比如它可以让工具返回一条 Bash 命令，让你去运行；这条命令感染你的电脑、偷走私钥。

可问题不在 OpenAI，而在你的智能体。如果你在运行 Hermes，把它指向某个 API 端点，你根本不知道端点背后运行的是什么。

这就是区块链可验证性有用的地方：你得确切知道背后运行着什么。NEAR AI 会提供完整的来源证明，告诉你用了哪块 GPU、运行的是什么软件、模型哈希和软件哈希是什么。你运行的所有东西都有完整签名，也能追溯所有转发过你流量的节点。这就把端到端可验证性和隐私放在了一起。区块链技术还有一个用处，是把 GPU 去中心化，因为现在要获得 GPU 资源很难，我们希望它们能分布在各处。

第二个方面是市场。现在的算力市场大概是这样：你跟人说“你有几块 GPU，能不能两个月后给我？能不能再便宜点？我从另一个人那里拿到更好的价格。”这类资源很难流动，也很难搬动。区块链能为它打开一个流动性更高的市场，这是另一个重要用处。

除了我刚才说的通过 AI 端点攻击智能体，还有人可以通过智能体浏览网页、阅读新闻来攻击它。我们有专门测试这类攻击的基准。

那是另一个 AI 安全问题，比如连上加密 Wi-Fi。

我先把通用问题说完，再聊那次攻击和其他事情。智能体商业非常关键。很多商业活动不一定非要区块链：你可以通过银行账户转账，也能完成交易。但企业间的商业往来尤其缺乏信任，所以才会有冗长的法律协议、律师参与、反复修改条款。企业做交易时其实并不信任彼此。区块链在这里就很有用：可以把钱放进托管，可以用衍生品合约，还能设计各种机制，让经济交易更顺畅，减少互不信任和法律流程造成的阻滞，让资金流转更快。所以，AI 作为前端……

……由智能体负责谈判、寻找合作方，再由区块链作为底层轨道和市场来执行交易。我认为，这会把 20 万亿到 40 万亿美元的真实经济带上链，这就是 AI 带来的机会。机会不在于让消费者用智能体买菜，那带来的改善不大，消费者体验已经优化得很好。真正的机会在企业之间的商业关系。大家之所以都在谈 AI、区块链和智能体商业，是因为那是一块更大的市场，值得我们去突破，并把整个经济带上链。

说到上周，NEAR Intents 的交易量很大，其中很多是跨链交易，所以我们一直受到恶意行为者的关注，他们试图通过 NEAR Intents 洗钱。Bitget 遭到攻击之后，朝鲜方面也试图转移资金。我们有一个叫 Shield 的系统，持续扫描异常，寻找 NEAR 或其他链上可能出问题的地方。我们会尝试阻止那些看起来来自黑客攻击或其他可疑来源的流动性通过我们的系统。

找到了，而且把钱全追回来了，追回率 100%。对方还在链上道歉。

这条链路属于生态项目，是我们集成的合作方之一。我们接入了很多链，会和不同合作伙伴一起做。这条链路的测试没有达到我们应该要求的程度。我们已经在做的一项工作，现在会加快推进：对整套基础设施做形式化验证。我们已经做了几个月，我们的形式化验证系统目前在多个基准测试中排名第一。我们把形式化验证的成本降到了原来的百分之一，也就是比使用 OpenAI 的 Sol 或 Astra 之类方案便宜 100 倍。接下来我们会用它来……

……对每一份合约做形式化验证，还要验证由许多合约组成的整个系统。我们之后会公布更多进展，也会加强监控和异常检测。

大体上有几个层面。NEAR Intents 已经在和加密行业的很多团队合作。正如我说的，我们接入了 Trust、Ledger，也在和 LI.FI、SwapKit 等合作；Shield 系统也和币安、ZeroShadow 等团队合作。几乎每一层都有很多伙伴，大家共同建设这个系统。

其中一家是 Philosophia，他们提供这类服务。

他们在 Web3 和传统科技领域都办过活动。他们不仅把数据库接进来，也接入一个智能体。你可以问：“我想在新加坡办一场边会，大约 450 人，主要是机构人士。”智能体就会推荐几个合适的场地。它能做到这一点，是因为 Philosophia 有自己多年收集的场地数据库。过去你得给他们发邮件，再等工作人员翻查数据库。

现在智能体可以替你做这件事，按结果收费，比如按场地预订成功收费。这是把原本非常依赖人工的商业关系，转变为完全自动化的智能体市场的一个具体例子。

near.com 让我非常兴奋。随着我们不断增加产品，它正逐渐成为一个核心金融科技平台。接下来我们会在上面推出金融智能体，你可以告诉它自己的策略或想执行的一组操作，它会把这些要求转成实际交易；同时还会有安全保障机制……

……比如用策略规则约束智能体，避免它把你的钱全押到迷因币上。

如果你真的想这么做，也可以自己批准。系统会有一个审批流程和策略引擎，让智能体只能在规定范围内操作；想超出范围，就必须得到你的明确许可。你不能只是把私钥交给智能体，让它动用你的全部资金。就像你雇人管理资金，不会一开始就把所有钱都交给对方，而是先设定限制，超出限制时要先征求你的同意。near.com 里会有这样的机制，其他开发者也可以把它集成到自己的产品中。

谢谢邀请。