來源：PermaDAO

AO是為鏈上AI設計的異步通信網絡，通過與Arweave的結合，實現高性能鏈下計算和永久數據存儲。文章介紹了在AO上運行AI進程的步驟，盡管目前僅支持小型模型，但未來將支持更復雜的計算能力，AI在鏈上的發(fā)展前景廣闊。什么是AO上的AI？

AO天生就是為鏈上AI設計的

2023年被稱為AI的元年，各種大模型以及AI的應用層出不窮。Web3的世界中，AI的發(fā)展也是關鍵的一環(huán)。但是一直以來，“Blockchain不可能三角”讓Blockchain的計算一直處于昂貴、擁堵的狀態(tài)，阻礙了AI在Web3上的發(fā)展。但是現在這種情況在AO上已經得到了初步改善，并且展現了無限的潛力。

AO被設計為一個消息驅動的異步通信網絡。基于存儲共識范式（SCP），AO運行在Arweave之上，實現了與Arweave的無縫集成。在這種創(chuàng)新的范式中，存儲（共識）與計算被有效地分離，使得鏈下計算和鏈上共識成為可能。

高性能計算：智能合約的計算在鏈下執(zhí)行，不再受制于鏈上的區(qū)塊共識過程，從而大大擴展了計算性能。不同Node上的各個進程可以獨立地執(zhí)行并行計算和本地驗證，而無需像傳統(tǒng)的EVM架構中那樣等待所有Node完成重復計算和全局一致性驗證。Arweave為AO提供了所有指令、中間狀態(tài)和計算結果的永久存儲，作為AO的數據可用層和共識層。因此，高性能計算（包括使用GPU進行運算）都成為了可能。

永存的數據：這是Arweave一直以來所致力于做的事情。我們知道AI的訓練中很關鍵的一個環(huán)節(jié)就是訓練數據的收集，而這正好是Arweave的強項。至少200年時間的數據永存，讓AO+Arweave的生態(tài)中擁有了豐富的數據集。

此外，AO和Arweave的創(chuàng)始人Sam在今年6月的一次發(fā)布會上演示了第一個基于aos-llama的AI進程。為了保證性能，并沒有使用之前一直使用的Lua，而是使用了C編譯的wasm。

使用的模型是huggingface上開源的llama2?？梢栽贏rweave上下載模型，是一個約2.2GB的模型文件。

Llamaland

LlamaLand是一款前沿的大型多人在線（MMO）游戲，它以AI技術為核心，構建于先進的AO平臺之上。也是在AO+Arweave生態(tài)上的首個AI應用。其中最主要的特征就是llamacoin的發(fā)行，是100%AI控制的，也就是用戶跟Llamaking祈愿，得到Llamaking賞賜的llamacoin。另外，地圖中的LlamaJoker、Llamaoracle也都是基于AI進程完成的NPC。

運行AI進程需要耗費少量的wAR。通過arconnect轉成功以后，會在進程中看到Action=Credit-Notice的一條消息。執(zhí)行一次AI需要消耗wAR，但是消耗的并不多，作為demo之用的話，向進程轉0.001wAR即可。

注意：wAR可以通過AOX跨鏈橋獲取，跨鏈需要3~30分鐘。

可以通過以下命令查看當前進程中wAR的余額。下面是我執(zhí)行了5次左右還剩下的wAR。消耗的數量跟token的長度以及當前運行一次大模型的實時價格有關系。另外，如果當前請求處于擁堵狀態(tài)，那么也會需要一個額外的費用。（在文章最后，我會根據代碼詳細解析下費用計算，感興趣的小伙伴可以看看）

注意：這里小數點為12位，也就是說999999673表示的是0.000999999673個wAR。

3.安裝/更新APM

APM全稱為aopackagemanagement，構建AI進程的話，需要通過APM安裝對應的包。執(zhí)行上述命令，出現對應的提示，就是安裝/更新APM成功了。

4.安裝LlamaHerder

執(zhí)行完成以后，在進程內會有一個Llama對象，可以通過輸入Llama進行訪問，那么 LlamaHerder就是安裝成功了。

注意：這里如果運行的進程中沒有足夠的wAR則Llama.run方法是無法執(zhí)行的，會出現TransferError。需要按照第一步充值wAR。

5.HelloLlama

接下來我們做一個簡單的交互。問一下AI進程“生命的意義是什么？”，限定了最多生成20個token。然后把結果放到OUTPUTS中。AI進程的執(zhí)行需要幾分鐘的時間，如果有AI任務排隊的話，則需要等待更久。

如下面代碼中的返回，AI回復“生命的意義是一個深刻而哲學的問題，一直吸引著人類。”

更多

在鏈上實現AI的能力，在之前是無法想象的東西。現在已經可以在AO上，基于AI實現了完成度較高的應用，其前景讓人期待，也給與了大家無限的想象空間。

但是就目前而言，局限也是比較明顯的。目前只能支持2GB左右的“小語言模型”，尚不能利用GPU進行運算等。不過值得慶幸的是，AO的架構設計中也都對這些短板有著對應解決方案。例如，編譯一個可以利用GPU的wasm虛擬機。

期待在不久的將來，AI可以在AO的鏈上，開放出更加絢爛的花朵。

附錄

前面留下的一個坑，一起看下LlamaAI的費用計算。

下面是初始化好以后的Llama對象，分別對重要的對象給出一個我的理解。

M.herder:存儲了LlamaHerder服務的標識符或地址。

M.token:用于支付AI服務的token。

M.feeBase:基礎費用，用于計算總費用的基礎值。

M.feeToken:每個token對應的費用，用于根據請求中的token數量計算額外費用。

M.lastMultiplier:上一次交易費用的乘數因子，可能用于調整當前費用。

M.queueLength:當前請求隊列的長度，影響費用計算。

M.feeBump:費用增長因子，默認設置為1.005，意味著每次增加0.5%。

M.feeBase初始值為0。

通過M.getPrices函數向LlamaHerder請求最新價格信息。

其中M.feeBase、feeToken、M.lastMultiplier、M.queueLength都是向M.herder請求，并接收到Info-Response消息后，實時變動的。確保了總是保持最新的價格相關的字段值。

計算費用的具體步驟：

根據M.feeBase加上feeToken與token數量的乘積，得到一個初始的費用。

在初始費用的基礎上，再乘以M.lastMultiplier。

最后，如果存在請求排隊的情況，會再乘以M.feeBump，也就是1.005得到最后的費用。

引用鏈接

1.Arweave上的模型地址：

https://arweave.net/ISrbGzQot05rs_HKC08O_SmkipYQnqgB1yC3mjZZeEo

2.aosllama源碼：

https://github.com/samcamwilliams/aos-llama

3.AOX跨鏈橋：

https://aox.arweave.dev/