Skip to main content

为什么营销中的人工智能不等于在运行的人工智能

注意：本文档是英文原版的自动翻译。

为什么营销中的人工智能不等于在运行的人工智能

营销中的 AI 与在运行的 AI 之间的鸿沟，是 DecAIHub 所要解决的核心问题。数以百计的加密项目在其品牌宣传中使用诸如“AI-powered”“built with cutting-edge AI”或“our AI engine”之类的字眼——但当你去寻找可验证的工件时，许多项目并没有代码、没有模型、没有基准测试，也没有技术文档。本页解释为什么仅有营销语言不构成证据，如何识别最常见的夸大模式，以及如何借助 DecAIHub 项目卡片来辨别其中的差异。

简而言之： 任何人都可以在网站上写上“AI”。重要的是，在这一主张背后是否存在一个在运行的 AI component——以及是否有 Tier-1 证据支持它。

常见的营销模式

某些短语在加密项目网站上出现得如此频繁，以至于它们已成为有定位而无实质的可靠指标：

  • “AI-powered”或“powered by artificial intelligence”——作为修饰语使用，没有任何技术上下文。
  • “Our proprietary AI engine”——没有架构描述、没有模型名称、没有版本历史。
  • “Built with cutting-edge AI/ML”——没有说明是哪种 ML、用什么数据、产出什么。
  • 代币名称或代号中的“AI”——这个词出现在品牌中，却不出现在任何技术工件里。
  • “AI features coming soon”或“AI roadmap Q3”——只有意图而无实现。
  • “Trained on billions of data points”——没有数据集描述、没有方法论、没有可验证的来源。
  • “Advanced neural network”——没有架构类型、没有层数、没有训练细节、没有基准测试。

这些短语并不自动为假。但在没有支撑工件的情况下，它们携带零可验证的分量。关键的检验是：这些语言是否伴随着具体内容：一个有名字的模型架构、一个公开的数据集、一个链接的代码仓库，或一个可用的演示。

营销主张如何层层升级

营销中的 AI 主张往往遵循一个可预测的升级阶梯。理解这一模式有助于区分真实的沟通与定位：

阶段 典型主张 缺失了什么
名称层 代币名称或项目标题中的“AI” 对该 AI 做什么的任何描述
修饰语层 着陆页上的“AI-powered platform” 任何技术细节或架构
功能层 “Our AI analyzes market data in real time” 模型类型、数据来源、准确率、演示
架构层 “Built on a proprietary transformer model” 仓库、版本、基准、训练数据
证据层 “See our model card, benchmark results, and API docs” 无所缺失——这就是验证应有的样子

大多数引发 AI-washing 担忧的项目，都停留在名称层或修饰语层。处于证据层的项目几乎总是拥有可验证的 AI 组件。

为什么仅有营销不构成证据

在白皮书、着陆页或路演材料中写上“AI”不需要任何技术能力。没有任何行业标准能阻止一个没有 AI 的项目自称由 AI 驱动。没有任何监管机构会实时审计这些主张。这造就了一种环境：宣称拥有 AI 的成本接近于零，而构建真正 AI 的成本却相当可观。

其结果是一个可预测的落差：拥有大量 AI 品牌宣传的项目在 DecAIHub 中可能 ai_score = 0（未发现可验证的 AI），而那些几乎不做营销却有真实技术工作的项目得分 ai_score = 3。标签告诉你这个项目希望被如何看待。证据告诉你它实际上能拿出什么。

这种不对称并非加密领域所独有。在传统科技行业中，企业也经常因夸大 AI 能力而受到审视。让加密 AI 领域与众不同的，是额外的代币化这一层：一个项目的叙事会直接影响代币的认知，从而放大夸大技术主张的动机。

验证清单

在阅读项目卡片时，请在信任某个 AI 主张之前检查这些方面：

  1. AI component 字段 — 是否有一个具体、有描述性的取值（例如 inference engine for LLM routing、agent framework + SDK、GPU orchestration），还是写着 positioning only、none 或 unknown？
  2. ai_score — 得分为 0 意味着未发现在运行 AI 的 Tier-1 证据。得分为 3 意味着存在强有力、可验证的工件。
  3. 证据层级 — 是否有包含 AI 代码的公开仓库、带版本和日期的技术文档，或可用的演示？
  4. 具体性 — 该项目是否指明了一个具体的模型、架构、数据集或基准？含糊的措辞是一个警示信号。
  5. 时间线 — “AI”是否一直是项目的一部分，还是在发布后才被加入名称和定位，而没有相应的技术变更？
  6. 跨来源的一致性 — 白皮书、GitHub 仓库、官方文档和网站讲述的技术故事是否一致？来源之间的分歧往往表明营销已经超前于工程。

一个实用的做法：从 AI component 字段和 ai_score 入手。如果组件写着 positioning only 且得分为 0，那么余下的检查不太可能揭示出隐藏的实质。如果组件指明了一个具体功能且得分为 2 或更高，那么更深入的检查有助于你理解证据有多强。

参见如何判断一个项目是否真的有 AI和什么算作 AI 的证据，以获得详细的逐步说明。

DecAIHub 如何处理这一点：AI_0 与 AI_1 到 AI_4

DecAI Fit 指标使用细粒度的标志位将意图与证据分开：

  • AI_0 — 项目有关于 AI 意图的 Tier-1 声明（路线图、官方文档），但没有在运行的 AI 组件的证据。这是“仅营销”的基线。
  • AI_1 — 项目描述了 AI 究竟做什么（具体功能，而不只是一个流行词）。
  • AI_2 — 项目有 可用的演示或示例，其中 AI 组件产生可观察的输出。
  • AI_3 — 项目发布了带方法论的 指标、基准或质量评估。
  • AI_4 — 项目提供了 技术文档：架构、模型版本、数据管道描述。

停留在 AI_0 的项目声明了意图，却没有提供任何可验证的实质。AI_0 与 AI_1+ 之间的距离，恰恰就是营销中的 AI 与在运行的 AI 之间的鸿沟。

每个标志位都是二元的（0 或 1），并被独立评估。一个项目可以 AI_1 = 1 而 AI_3 = 0，意味着它描述了 AI 做什么，却没有发布质量指标。这些标志位构建的是一份画像，而非单一的分数——而这份画像精确地揭示了证据在哪里终止、营销从哪里开始。

现实中的鸿沟

这种模式在 DecAIHub 登记库中反复出现：

  • 大量 AI 营销，低 ai_score： 项目的网站、社交账号和路演材料都醒目地突出“AI”——但 AI component 字段写着 positioning only，且 ai_score 为 0。没有代码仓库、没有模型卡、没有基准、没有演示。
  • 极少营销，高 ai_score： 项目在其品牌中几乎不提 AI——但卡片列出了一个具体的 AI 组件、链接到包含模型代码的仓库、引用了已发布的基准，并记录了一个带版本的架构。其 ai_score 为 3。

第一个项目更喧闹。第二个项目更可验证。DecAIHub 衡量的是第二个维度。

一个相关的模式涉及那些前后不一致地使用 AI 术语的项目。网站可能提到“deep learning”，白皮书可能引用“machine learning algorithms”，而文档可能描述的是基于规则的逻辑。当术语在各份材料之间变化而缺乏清晰的技术主线时，这表明营销语言正被套用到非 AI 的功能上。

当重新品牌化预示着 AI-washing

加密 AI 领域中最易辨认的模式之一是发布后的 AI 重新品牌化：一个在发布时没有任何 AI 叙事的项目，在这一概念获得关注后，把“AI”加入其名称、代号或定位。这不是对项目的指控，但它是一个值得调查的强烈信号。

当一个项目重新品牌为 AI 时应当追问的关键问题：

  • 是否有相应的技术变更？ 如果项目把 AI 加入了名称，但在大约同一时间并没有出现新的代码、模型或技术文档，那么这种重新品牌化只是表面文章。
  • AI component 字段是否反映了这一变化？ 真正的 AI 转型会带来一个具体的 AI 组件描述。如果该字段仍然写着 positioning only，那么这次重新品牌化尚未被证实。
  • 是否有开发的时间线？ 真正的 AI 集成会留下痕迹：仓库提交、文档更新、模型版本变更。一次没有这些痕迹的重新品牌化是定位，而非工程。

与 AI-washing 的关联

当营销主张与可验证证据之间的鸿沟很宽时，DecAIHub 将其称为 AI-washing——在没有支撑工件的情况下，把一个项目呈现为由 AI 驱动。AI-washing 不是一个指控性的定论；它是一个可衡量的信号：大胆的 AI 主张与 positioning only 或 ai_score = 0 相伴出现。

AI-washing 在那些“AI”能为代币或叙事增添感知价值的类别中尤为常见，例如带有 AI 叙事的 meme 代币，或在发布后重新品牌为 AI 的项目。

仅凭这一概念不能证明什么

  • 大量营销并不能证明该项目没有 AI。一些营销强势的项目也拥有真实的、有文档记录的 AI 组件。
  • 低 ai_score 不是对项目的指控。它意味着截至验证日期，未发现在运行 AI 的 Tier-1 证据。参见为什么证据缺失不等于技术缺失。
  • 达到 AI_1+ 并不能证明 AI 是高质量的。它意味着存在可验证的工件，而不是说它们展示了卓越。
  • 高 ai_score 并不能证明该项目解决了一个真实问题。它证明的是 AI 工件有文档记录，而不是它们有用。

常见问题

AI-washing 在加密领域有多普遍？

AI-washing 在加密 AI 领域广泛存在。相当一部分在品牌或代币名称中包含“AI”的项目，在对照 Tier-1 证据标准评估时，并未显示出可验证的 AI 组件。DecAIHub 系统性地追踪这一点：任何 ai_score = 0 且 AI 定位醒目的项目，都会被标记为潜在的 AI-washing 案例。这种模式在叙事驱动关注的类别中尤为盛行，例如 meme 代币或采用 AI 品牌的新发布项目。

一个营销强势的项目仍可能拥有真实的 AI 吗？

可以。强势营销与真正的 AI 并非互斥。一些资金充裕的项目积极宣传其 AI 能力，同时也维护着公开仓库、已发布的基准和详尽的技术文档。检验的标准不是营销是否存在，而是它是否有可验证证据的支撑。用 DecAIHub 的术语来说，一个营销激进且 ai_score = 3 的项目已经通过了验证门槛，无论它为自己宣传得多么响亮。

检查 AI 主张是否真实的最快方法是什么？

从项目卡片上的两个字段入手：AI component 字段和 ai_score。如果 AI component 写着 positioning only 或 none 且 ai_score 为 0，那么无论其营销如何，该项目都没有经过验证的 AI。如果 AI component 指明了一个具体功能且 ai_score 为 2 或更高，则继续检查证据层级和链接的文档以了解其深度。

发布后重新品牌为 AI 是否表明 AI-washing？

不自动表明，但它是一个强烈的警示信号。合理的 AI 转型发生在项目真正集成 AI 技术之时——这会在代码仓库、文档和技术公告中留下痕迹。如果唯一的变化是一个新名称或更新的网站文案，而没有相应的技术工件，那么这种重新品牌化只是表面文章，并很可能在 DecAIHub 的框架中被认定为 AI-washing。

外部参考

另请参阅

No comments to display

Back to top