2024 年 11 月 13 日，0G Labs 宣布完成由 Hack VC、Delphi Digital、OKX Ventures、Samsung Next、Animoca Brands 等机构和天使投资的 4000 万美元融资，这笔融资也使 0G Labs 团队再一次受到广泛关注。
0G Labs 团队推出的核心产品是其去中心化的 AI 操作系统，该系统试图通过提供去中心化存储、数据可用性验证和去中心化结算三个模块化的功能，来实现对于 AI 数据需求方面的处理，使得 AI 系统变得更加去中心化、透明化和高效化，并最终使构建者能够便捷地在链上部署 AI 应用。
那么，这套去中心化 AI 操作系统究竟如何运作？其核心架构是怎样设计的？在存储、数据可用性和结算三个模块中，它们如何与主网协同工作？此外，0G 系统又是如何设计节点的激励机制的？带着这些疑问，笔者将在本份研报中对 0G Labs 和它的 0G 操作系统进行深入的分析，以帮助你理解其设计原理和项目愿景。
作者：ShirleyLi，Web3Caff Research 研究员
封面：Logo by 0G Labs，Typography by Web3Caff Research
字数：全文共计 9700+ 字
目录
- 背景
- 0G Labs
- 0G 操作系统的关键组件
- 0G Storage
- 0G Storage 支持的数据类型
- PoRA 共识
- 0G Storage 的激励制度
- 0G Storage 与 Filecoin、Arweave 的区别？
- 0G DA
- DA 节点的选择及激励
- 0G DA 与 Celestia 和 EigenLayer
- 0G Compute Network
- 0G Chain
- 0G 共识网络
- 0G Token（ZG）
- 小结
- 0G Storage
- 0G 生态
- 供应侧
- 需求方
- 0G 的未来规划以及风险点
- 总结
- 参考文献
背景
随着 ChatGPT 等大语言模型的崛起，AI（Artificial Intelligence 人工智能）赛道迎来了爆发式的增长。然而，广义上的 AI 并不仅限于像 ChatGPT、文心一言这一类的生成式大预言模型，还包括有早年名声大噪的围棋机器人 AlphaGo，以及 MidJourney 这类图像生成工具，等等。不过，开发者们并不满足于此。他们所期待的 AI 是能够具备学习能力、主观感知、复杂决策和执行等能力的通用型 AI（AGI），它能够像人类一样思考和执行各种复杂任务。而这类 AI 如今也被称为 AI Agent。
然而，无论是 AI 还是 AI Agent 都是数据密集型的产品。从学习到推理，AI 的发展始终伴随着对于海量数据的存储、共享和验证需求。在传统开发模式中，数据通常存储在中心化的服务器中，以中心化的方式在被处理，但随着区块链技术的引入，去中心化解决方案也逐步渗入到 AI 赛道里，甚至于衍生出了 “DeAI”（Decentralized AI）这一兴新的概念。推荐阅读 Web3Caff Research 专项研报：《DeAI 赛道万字研报：AI 与 Web3 交叉点及细分领域正衍生哪些爆发可能性？全景式拆解其发展背景、市场现状、生态发展、利弊风险与未来挑战》
而在当前的 DeAI 基础设施中，0G Labs 团队正致力于打造一个特别的去中心化 AI 操作系统 0G。
0G Labs
在传统互联网中 ，操作系统（OS）是用于管理计算机硬件和软件的关键软件。人们目前已熟知的计算机操作系统有 Microsoft Windows、Linux、macOS 以及手机操作系统 iOS 和 Android。从用户的角度上来说，操作系统可以为其提供各项服务，从开发和设计人员的角度来说，操作系统是不同模块与单元之间的联系。总之，操作系统的存在对于计算机至关重要，它能够抽象地处理计算系统资源提供的各项基础职能，降低计算机的使用难度。[1]
同理，去中心化操作系统 0G 想要实现的也是对于硬件资源，如存储、计算和数据可用性管理上的优化，并使链上 AI 应用程序更易于被构建。在区块链技术的加持下，0G 操作系统强调了其操作系统的去中心化属性。这是因为中心化的 AI 应用会存在数据存储中心化、用户数据和信息被采集和滥用等问题，另外，中心化 AI 还存在数据来源不透明，提供数据的个人用户难以获得相应的激励等问题。为此，0G 操作系统选择使用去中心化的存储方式并提供完整的数据可用性，希望通过这种方式来降低数据泄露及被滥用的风险。
“0G” 的名字来源于 “Zero Gravity”（零重力）一词，代表了 0G Labs 团队希望达成的一种愿景。该团队希望在 0G 系统所呈现的状态下，交易和数据交换可以毫不费力地进行，而基础架构则以抽象化的形式存在：即开发人员可以进行定制化的开发，而最终用户对实现方式无感知。在这一愿景下，AI 应用将可以放在链上部署，大语言模型可以放在链上训练，AI Agent（即 AI 系统或者智能合约）可以放在链上运行，同时，一些关键的数据也可以被放在链上存储。而这些功能的实现将可以改变 AI 的开发和应用模式，使得 AI 系统变得更加去中心化、透明化和高效化。
