From bcbeb7ce5e7f2043b3761d09befee55d71b6cf23 Mon Sep 17 00:00:00 2001
From: GuangchaoYi <1241354012@qq.com>
Date: Fri, 22 May 2026 01:01:40 +0800
Subject: [PATCH] Expand notes on AI and Web3 integration

Added extensive notes on AI and Web3 integration, covering decentralized AI model service networks, subnet mechanisms, on-chain incentive systems, and AI tools for blockchain data analysis.
---
 notes/yiguangchao.md | 111 +++++++++++++++++++++++++++++++++++++++++++
 1 file changed, 111 insertions(+)

diff --git a/notes/yiguangchao.md b/notes/yiguangchao.md
index 25c944315..bf6f6d881 100644
--- a/notes/yiguangchao.md
+++ b/notes/yiguangchao.md
@@ -15,6 +15,117 @@ AI x Web3 School
 ## Notes
 
 <!-- Content_START -->
+# 2026-05-21
+<!-- DAILY_CHECKIN_2026-05-21_START -->
+AI 与 Web3 结合方向学习笔记
+一、去中心化 AI 模型服务网络
+
+本次内容首先介绍了一类将 AI 模型服务与区块链激励机制结合 的项目模式。其核心思路是：不同个人或组织可以在本地部署 AI 模型，并通过网络向外提供服务。当用户通过 API 或网关提出问题后，系统会将请求分配给对应节点，由节点调用本地模型完成回答。节点根据服务质量获得评分，并进一步获得链上代币奖励。
+
+这类项目并不要求所有模型推理过程都上链。实际的问题处理、模型调用和结果返回主要发生在链下，链上主要记录的是节点的评分、验证结果和激励分配情况。这样既能减少链上计算压力，也能通过区块链保证激励机制的透明性。
+
+二、子网机制与任务分工
+
+该类网络通常会将不同类型的 AI 能力划分为多个“子网”。每个子网对应一种具体方向或技能，例如：
+
+图像生成子网；
+代码生成子网；
+文本问答子网；
+数据分析子网；
+其他特定 AI 服务子网。
+
+每个子网内部都有多个节点参与服务。节点可以根据自身硬件条件和模型能力自由加入，并不强制限制必须部署某一种模型。只要节点能够在本地运行模型并提供有效结果，就可以参与该子网的任务处理。
+
+当用户通过 API 发起请求时，网关会根据请求类型将任务分发到对应子网，再由子网中的节点完成推理和响应。也就是说，用户看到的是统一的服务入口，但背后实际是由多个分布式节点共同支撑。
+
+三、验证者与链上激励机制
+
+该模式中，真正上链的重点不是每一次具体推理过程，而是节点服务质量的评价结果。系统中会设置专门的验证者节点，对不同子网中的服务节点进行持续评估。
+
+验证者会根据节点提供的回答质量、稳定性、可用性等指标进行打分。节点得分越高，后续能够获得的代币奖励也越多。因此，该机制鼓励节点不断优化模型能力、提升硬件算力和服务质量。
+
+这种设计将“模型能力”转化为一种可评价、可激励的网络贡献。只要节点能够提供足够好的模型服务，就有机会从网络中获得收益。
+
+四、该模式的优势与局限
+
+这种去中心化 AI 网络的优势在于，它能够让不同组织和个人共同参与 AI 服务建设，避免算力和模型能力完全集中在少数中心化平台手中。同时，通过代币激励，可以吸引更多节点加入，形成开放的 AI 服务生态。
+
+但它也存在明显局限：
+
+第一，分布式节点的响应速度通常不如中心化平台稳定。由于节点硬件、网络环境和模型部署情况不同，服务速度可能存在差异。
+
+第二，不同节点使用的模型和调优方式不同，因此返回结果的质量也可能不一致。相比中心化 AI 服务，用户体验可能更不稳定。
+
+第三，节点质量评价依赖验证者机制，如果评价标准不够完善，可能影响激励分配的公平性。
+
+因此，目前这类项目虽然具备较高的创新价值，也受到市场关注，但在实际使用体验上仍有提升空间。
+
+五、AI 链上数据分析工具
+
+除了去中心化 AI 模型服务外，另一个重要方向是 AI 链上数据分析工具。
+
+区块链浏览器中包含大量交易哈希、地址、合约交互、资金流动等信息。对于普通用户来说，这些数据阅读门槛较高。如果没有开发经验，很难直接理解某个地址、交易或资金流向背后的含义。
+
+因此，一类新的产品方向是将链上浏览器、交易记录和钱包行为数据交给 AI 进行分析，再以更直观的方式呈现给用户。AI 可以帮助用户理解链上行为，例如：
+
+某个钱包地址的交易习惯；
+某个地址是否与高风险地址发生过交互；
+某个代币在交易所中的流入和流出情况；
+中心化交易所与去中心化交易所的资金变化；
+某类钱包地址可能属于个人、机构、交易所或项目方。
+
+这种工具可以降低用户理解链上数据的门槛，使区块链数据从“难读的技术信息”变成“可理解的行为分析结果”。
+
+六、地址画像与安全风控
+
+AI 链上分析工具还可以用于钱包地址画像和风险识别。由于区块链地址本身具有匿名性，用户通常只能看到一串地址，而不知道其背后的主体是谁。
+
+通过分析地址之间的转账关系、交易频率、交互对象和资金流向，AI 可以尝试对地址进行归类。例如判断某个地址可能属于交易所、项目方、机器人账户、套利地址、高风险地址或普通用户地址。
+
+这一方向在安全风控中具有应用价值。例如，用户在进行链上转账或授权操作前，AI 可以帮助判断目标地址是否安全，是否存在诈骗、钓鱼、黑名单关联或异常资金流动情况。
+
+目前市面上已有一些类似产品和插件，但整体体验还不够成熟。如果未来能够将 AI 链上分析与钱包操作结合起来，用户就可以通过自然语言与 AI Agent 交互，让它帮助自己完成链上操作，并同时判断交易风险。这类产品如果体验足够好，可能会成为 AI + Web3 领域的重要爆款方向。
+
+七、交易所与 DeFi 风控应用
+
+AI 链上分析还可以用于交易所和 DeFi 场景的风控。通过持续监控链上地址、资金流动、异常交易和合约交互行为，AI 可以帮助交易所或 DeFi 协议识别潜在风险。
+
+例如：
+
+监控异常大额转账；
+识别可疑地址集群；
+判断资金是否流入高风险协议；
+分析代币流入流出情况；
+辅助交易所进行合规和风控管理。
+
+不过，这一方向涉及交易所监管、合规、安全策略等复杂问题，技术门槛和业务门槛都较高，与普通开发者的早期实践距离相对较远。
+
+八、学习与项目实践建议
+
+AI 与区块链并不是完全割裂的两个方向，二者存在较多结合空间。当前 Web3 行业也在积极探索 AI 应用场景，尤其是在去中心化模型服务、链上数据分析、钱包安全、AI Agent 操作链上资产等方面。
+
+对于学习者而言，与其单纯学习概念，不如围绕一个明确产品目标展开实践。例如可以尝试设计：
+
+AI 链上数据分析助手；
+钱包地址风险检测工具；
+面向普通用户的自然语言链上查询工具；
+AI Agent 钱包操作助手；
+DeFi 风险监控系统；
+去中心化 AI 服务调用平台。
+
+有明确项目目标后，再去学习 AI、区块链、智能合约、钱包交互、链上数据解析等知识，效率会更高，也更容易形成可展示的作品。后续参加黑客松或进行 AI + Web3 项目开发时，也可以围绕这些方向展开。
+
+九、总结
+
+本次内容主要围绕 AI 与 Web3 的结合方式 展开，重点介绍了两类方向。
+
+第一类是去中心化 AI 模型服务网络。它通过子网划分不同 AI 能力，让各类节点部署本地模型提供服务，再由验证者对节点质量进行评分，并通过链上代币激励优秀节点。
+
+第二类是 AI 链上数据分析工具。它通过 AI 分析区块链浏览器、钱包地址、交易记录和资金流向，帮助用户更直观地理解链上行为，并进一步服务于钱包安全、交易风控和 DeFi 监管等场景。
+
+总体来看，AI + Web3 仍处于发展阶段，很多产品体验还不够成熟，但方向具有较大潜力。未来如果能够将 AI Agent、钱包操作、链上安全分析和去中心化激励机制结合起来，可能会出现更具实用价值的新型应用。
+<!-- DAILY_CHECKIN_2026-05-21_END -->
+
 # 2026-05-20
 <!-- DAILY_CHECKIN_2026-05-20_START -->
 \## 一、普通人其实并不在意 Web3、隐私、去中心化