Проекты Web3 с концепцией ИИ становятся целями для привлечения средств на первичном и вторичном рынках.
Возможности Web3 в AI индустрии в основном проявляются в: использовании распределенной стимуляции для координации долгих хвостов потенциального предложения ( через данные, хранение и вычисления ); одновременно создавая децентрализованный рынок открытых моделей и AI-агентов.
ИИ в индустрии Web3 в основном применяется в цепочечном финансировании ( криптовых платежах, торговле, анализе данных ) и в помощи разработке.
Ценность AI+Web3 заключается в их взаимодополняемости: Web3, как ожидается, сможет справиться с централизацией AI, а AI сможет помочь Web3 преодолеть ограничения кругов.
Введение
За последние два года развитие ИИ ускорилось, волна генеративного ИИ, вызванная ChatGPT, не только открыла новый мир, но и вызвала волну в области Web3.
Под влиянием концепции ИИ рынок криптовалют заметно оживился. По статистике, только в первом полугодии 2024 года 64 проекта Web3+AI завершили финансирование, среди которых Zyber365 привлекла наибольшее финансирование в размере 100 миллионов долларов в раунде A.
Вторичный рынок стал более активным. Данные Coingecko показывают, что общая капитализация сектора ИИ достигла 48,5 миллиарда долларов, а объем торгов за 24 часа составил почти 8,6 миллиарда долларов; прогресс в основных технологиях ИИ приносит выгоды, например, после выпуска Sora от OpenAI, средний рост сектора ИИ составил 151%; эффект ИИ также затронул популярные сектора криптовалют, такие как Meme, первый концепт MemeCoin с ИИ агентом — GOAT быстро стал популярным, его оценка достигла 1,4 миллиарда долларов, вызвав бум AI Meme.
Исследования и темы, связанные с AI+Web3, продолжают набирать популярность, от AI+Depin до AI Memecoin, а затем к текущим AI Agent и AI DAO, новые нарративы возникают один за другим.
Эта комбинация, полная горячих денег, трендов и будущих представлений, неизбежно воспринимается как навязанное бракосочетание, движимое капиталом, нам трудно судить, является ли это празднованием спекулянтов или взрывом перед рассветом.
Ключевым моментом является то, могут ли обе стороны извлечь выгоду из модели друг друга? В статье будет рассмотрено, как Web3 может играть роль на различных этапах технологий ИИ и какие новые возможности ИИ может принести для Web3.
Перед тем как обсудить эту тему, нам необходимо понять технологический стек больших моделей ИИ:
Проще говоря, "большая модель" похожа на человеческий мозг, на начальном этапе, как младенец, ей необходимо наблюдать и поглощать огромные объемы информации, чтобы понять мир, это этап "сбора" данных; поскольку компьютеры лишены человеческих многосенсорных способностей, перед обучением необходимо преобразовать неразмеченную информацию в формат, понятный компьютеру, с помощью "предварительной обработки".
После ввода данных ИИ строит модель с пониманием и предсказательной способностью через "обучение", аналогично тому, как младенец постепенно понимает и изучает окружающий мир. Параметры модели аналогичны языковым способностям младенца, которые постоянно корректируются. Когда учебный материал разделяется на предметы или происходит общение с людьми для получения обратной связи и исправления, начинается этап "тонкой настройки".
Когда дети вырастают и начинают говорить, они могут понимать и выражать свои мысли в новых диалогах, что похоже на "вывод" в больших моделях ИИ, которые могут производить прогнозный анализ нового языкового текстового ввода. Младенцы используют язык для выражения чувств, описания объектов и решения проблем, что похоже на применение больших моделей ИИ на этапе вывода для выполнения различных специфических задач после их обучения, таких как классификация изображений, распознавание речи и т.д.
AI-агент ближе к следующей форме больших моделей — он способен самостоятельно выполнять задачи, преследовать сложные цели, обладает способностями к мышлению, памяти, планированию и может использовать инструменты для взаимодействия с миром.
В ответ на проблемы в области AI, Web3 в настоящее время первоначально сформировал многоуровневую взаимосвязанную экосистему, охватывающую все этапы процесса AI-моделей.
1. Базовый уровень: Airbnb для вычислительной мощности и данных
Мощность
Одним из основных затрат AI является вычислительная мощность и энергия, необходимые для обучения и вывода моделей.
Например, для завершения обучения Meta's LLAMA3 требуется 16000 NVIDIA H100 GPU на 30 дней. Стоимость версии на 80 ГБ составляет 30-40 тысяч долларов, необходимые инвестиции в оборудование составляют от 400 до 700 миллионов долларов ( GPU + сетевые чипы ), ежемесячное потребление электроэнергии составляет 1,6 миллиарда киловатт-часов, расходы на энергию почти 20 миллионов долларов.
В ответ на давление со стороны вычислительных мощностей ИИ, DePin( децентрализованная сеть физической инфраструктуры ) является одной из первых областей пересечения Web3 и ИИ. DePin Ninja перечислил более 1400 проектов, таких как io.net, Aethir, Akash, Render Network, которые представляют собой совместное использование GPU вычислительных мощностей.
Основная логика заключается в следующем: платформа позволяет владельцам неиспользуемых GPU ресурсов вносить вычислительную мощность в децентрализованной форме без разрешений, создавая онлайн-рынок для покупателей и продавцов, подобный Uber/Airbnb, что повышает коэффициент использования GPU и предоставляет пользователям доступ к высокоэффективным вычислительным ресурсам по низкой цене; в то же время механизм стейкинга гарантирует, что за нарушение контроля качества или за прерывание сети предусмотрены штрафы.
Особенности:
Сбор неиспользуемых GPU: поставки в основном поступают от малых и средних дата-центров, избыточной мощности криптомайнинговых ферм и оборудования для PoS-майнинга, такого как майнеры FileCoin/ETH. Проекты, такие как exolab, стремятся использовать локальные устройства, такие как MacBook, iPhone, iPad, для создания сети вычислительных мощностей для выполнения больших моделей.
Ориентирован на долгосрочный рынок вычислительной мощности ИИ:
Техническая сторона больше подходит для этапов вывода. Обучение зависит от огромных кластеров GPU, а требования к GPU для вывода ниже, как Aethir, который сосредоточен на рендеринге с низкой задержкой и ИИ-выводе.
Сторона спроса, состоящая из маломощных потребителей вычислительных ресурсов, не будет отдельно обучать большие модели, а будет в основном сосредоточена на оптимизации и дообучении ведущих моделей, что подходит для распределенных неиспользуемых вычислительных мощностей.
Децентрализованная собственность: Технология блокчейн обеспечивает сохранение контроля за ресурсами у собственников, позволяет гибко настраивать и получать доход.
Данные
Данные являются основой ИИ. Без данных вычисления бесполезны, качество данных определяет качество вывода модели. Для обучения ИИ моделей данные определяют языковые способности, способности к пониманию, ценности и гуманизацию. В настоящее время основные проблемы с необходимостью данных для ИИ заключаются в:
Жажда данных: для обучения моделей ИИ требуется огромное количество данных. Параметры GPT-4 достигают триллионов.
Качество данных: Искусственный интеллект, сочетаясь с различными отраслями, выдвигает новые требования к актуальности, разнообразию, профессионализму данных, а также к новым источникам данных, таким как эмоции в социальных сетях.
Приватность и соответствие: компании в разных странах постепенно ограничивают сбор данных.
Высокие затраты на обработку: большой объем данных, сложная обработка. Более 30% затрат на НИОКР в AI-компаниях идут на сбор и обработку данных.
Web3 решения:
Сбор данных: бесплатный сбор реальных данных истощается, расходы AI-компаний на данные растут с каждым годом, но не возвращаются настоящим вкладчикам. Видение Web3 заключается в том, чтобы позволить пользователям-участникам участвовать в создании ценности, используя распределенные сети для поощрения низкозатратного получения более частных и ценных данных.
Grass: децентрализованная сеть уровней данных, пользователи запускают узлы, вносят вклад в пропускную способность и получают токены в качестве вознаграждения за захват реальных данных.
Vana: Введение концепции пула ликвидности данных (DLP), пользователи могут загружать частные данные и выбирать, чтобы третьи стороны могли их использовать.
PublicAI: Пользователи используют #AI或# Web3 метку на X и @PublicAI для сбора данных.
Предобработка данных: Обработка данных с помощью ИИ требует очистки и преобразования в пригодный формат, включая стандартизацию, фильтрацию, обработку пропущенных значений и другие повторяющиеся задачи. Этот ручной этап привел к возникновению отрасли аннотаторов данных, с повышением требований и ростом барьеров, что подходит для децентрализованного механизма вознаграждения Web3.
Grass и OpenLayer рассматривают возможность добавления этапа аннотации данных.
Synesis представил концепцию "Train2earn", подчеркивая качество данных, пользователи получают вознаграждение за предоставление аннотированных данных.
Sapien превращает задачу маркировки в игру, пользователи ставят баллы, чтобы зарабатывать больше баллов.
Безопасность конфиденциальности данных: конфиденциальность данных включает в себя обработку чувствительных данных, защиту информации о безопасности данных от несанкционированного доступа, уничтожения и кражи. Преимущества технологий конфиденциальности Web3 проявляются в: (1) обучение чувствительных данных; (2) сотрудничество по данным: несколько владельцев данных совместно участвуют в обучении ИИ, не передавая исходные данные.
Основные технологии конфиденциальности:
Доверенная исполняемая среда ( TEE ), такая как Super Protocol.
Полностью гомоморфное шифрование ( FHE ), такие как BasedAI, Fhenix.io, Inco Network.
Технология нулевых знаний (zk), такая как Reclaim Protocol, использует zkTLS для генерации доказательства нулевых знаний для HTTPS-трафика, безопасно импортируя данные с внешних сайтов.
В настоящее время мы находимся на ранней стадии, основная проблема заключается в высокой стоимости вычислений:
EZKL требуется 80 минут для создания 1M-nanoGPT модели.
zkML расходы в 1000 раз выше, чем чистые вычисления.
Хранение данных: необходимо хранить данные на цепочке и сгенерированные LLM. Доступность данных (DA) является ключевой проблемой, до обновления Ethereum Danksharding пропускная способность составила 0.08MB, в то время как обучение и вывод AI модели обычно требуют от 50 до 100GB в секунду.
0g.AI - это централизованное решение для хранения, разработанное для удовлетворения потребностей в ИИ, с характеристиками: высокая производительность и масштабируемость, поддержка быстрой загрузки и скачивания больших объемов данных через шардирование и кодирование с исправлением ошибок, скорость передачи близка к 5 ГБ в секунду.
2. Посредник: Обучение и вывод модели
Децентрализованный рынок открытых моделей
Споры о открытых моделях ИИ продолжаются. Открытость приносит коллективные инновации как преимущество, но как повысить мотивацию разработчиков без модели получения прибыли? Ли Яньхун когда-то утверждал, что "открытые модели будут все больше отставать".
Web3 предлагает возможность децентрализованного открытого рынка моделей: токенизация моделей, команда оставляет часть токенов, часть будущих доходов направляется к держателям токенов.
Bittensor создает открытый рынок моделей P2P, состоящий из нескольких "подсетей", где поставщики ресурсов конкурируют для достижения целей подсетей, а подсети взаимодействуют для обучения, чтобы достичь более мощного интеллекта. Награды распределяются путем голосования сообщества на основе производительности в подсетях.
ORA вводит концепцию начального выпуска модели (IMO), токенизируя модели ИИ, которые можно покупать, продавать и разрабатывать через децентрализованную сеть.
Sentient децентрализованная платформа AGI, которая поощряет сотрудничество в создании реплицируемых и расширяемых AI моделей и вознаграждает участников.
Spectral Nova фокусируется на создании приложений с использованием моделей ИИ и МЛ.
Проверяемое рассуждение
Для решения проблемы "черного ящика" ИИ-инференса стандартным решением Web3 является многократное выполнение операций с несколькими валидаторами для сравнения результатов, однако нехватка высокопроизводительных графических процессоров приводит к высоким затратам.
Более перспективным решением является выполнение ZK-доказательства для оффлейн AI-вычислений, с последующей проверкой вычислений AI-модели на блокчейне. Необходимо зашифровать доказательства на блокчейне о том, что оффлейн вычисления выполнены корректно (, если набор данных не был изменен ), при этом обеспечивая конфиденциальность данных.
Основные преимущества:
Масштабируемость: ZK-доказательства могут быстро подтверждать большое количество вычислений вне цепи. Даже если количество транзакций увеличивается, одно ZK-доказательство может подтвердить все транзакции.
Защита конфиденциальности: данные и детали моделей ИИ остаются конфиденциальными, при этом все стороны могут проверить, что они не были повреждены.
Не требуется доверия: не нужно полагаться на централизованные стороны для проверки вычислений.
Интеграция Web2: Web2 по сути представляет собой оффлайн-интеграцию, проверяемое логическое обоснование может помочь перенести наборы данных и вычисления ИИ на блокчейн, увеличивая уровень принятия Web3.
Текущие технологии верифицируемого вывода Web3:
zkML: сочетает в себе нулевое знание и машинное обучение, обеспечивая конфиденциальность моделей данных и позволяя проводить верифицируемые вычисления без раскрытия основных свойств. Modulus Labs выпустила ZK-протоколы на основе ZKML, чтобы проверить, правильно ли поставщики ИИ выполняют алгоритмы, в настоящее время основными клиентами являются DApp на блокчейне.
opML: Используя принцип оптимистичного агрегирования, повышает эффективность масштабируемости вычислений ML путем верификации времени возникновения споров. Необходимо проверить лишь небольшую часть результатов "валидаторов", но установить высокую экономическую стоимость наказания для увеличения стоимости мошенничества и сокращения избыточных вычислений.
TeeML: Использование доверенной среды выполнения для безопасного выполнения ML вычислений, защита моделей данных от несанкционированного доступа и модификации.
3.Прикладной уровень: ИИ-агент
Основное внимание в развитии ИИ смещается с возможностей моделей на ИИ-агентов. OpenAI, Anthropic, Microsoft и другие активно разрабатывают ИИ-агентов, пытаясь преодолеть стадию технологической платформы LLM.
OpenAI определяет AI Agent как систему, управляемую LLM, обладающую способностью к самостоятельному пониманию, восприятию, планированию, памяти и использованию инструментов, которая может автоматически выполнять сложные задачи. AI превращается из инструмента, который используется, в субъект, который может использовать инструменты, становясь идеальным интеллектуальным помощником.
Web3 может принести для агента:
Децентрализованный
Децентрализованные характеристики Web3 делают системы агентов более распределенными и автономными. Механизмы, такие как PoS и DPoS, устанавливают стимулы и механизмы наказания для делегатов и ставщиков, способствуя демократии в системах агентов. GaiaNet, Theoriq и HajimeAI все пробуют это.
Холодный старт
Разработка и итерация AI-агента требуют значительных финансовых вложений, Web3 может помочь перспективным проектам получить раннее финансирование для холодного старта.
Virtual Protocol запустил платформу выпуска токенов AI Agent fun.virtuals, где пользователи могут развернуть AI Agent одним нажатием кнопки для 100% справедливого выпуска токенов.
Spectral предлагает концепцию поддержки выпуска активов AI Agent на блокчейне: выпуск токенов через IAO(Initial Agent Offering), AI Agent получает инвестиционные средства напрямую, становится членом управления DAO, предоставляя инвесторам возможность участвовать в развитии проекта и делиться доходами.
Два, как ИИ наделяет Web3 возможностями
Влияние ИИ на проекты Web3 значительно, оптимизируя операции в цепочке (, такие как выполнение смарт-контрактов и ликвидность.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
15 Лайков
Награда
15
6
Репост
Поделиться
комментарий
0/400
MEVHunterX
· 4ч назад
Пробить ограничения слоев немного сложно, падение
Посмотреть ОригиналОтветить0
HodlKumamon
· 4ч назад
Судя по данным, эта волна "Двойного города" имеет доходность 73,5%! Медведь уже начал Авто инвестирование~
Посмотреть ОригиналОтветить0
MemeCoinSavant
· 4ч назад
честно говоря, семья... я провел статистическую регрессию на этом хайпе ai+web3 (n=420), и это выглядит статистически крайне рискованно.
Посмотреть ОригиналОтветить0
GasFeeVictim
· 4ч назад
неудачники要革命啦
Посмотреть ОригиналОтветить0
staking_gramps
· 4ч назад
разыгрывайте людей как лохов уже год, еще что-то непонятно?
Посмотреть ОригиналОтветить0
LongTermDreamer
· 4ч назад
Деньги все потеряны, что еще смотреть на ai, вернусь через три года, на этот раз действительно чувствую, что все по-другому.
Слияние ИИ и Web3: инновации и возможности от инфраструктуры до уровня применения
AI+Web3: Башни и площади
Основные моменты
Проекты Web3 с концепцией ИИ становятся целями для привлечения средств на первичном и вторичном рынках.
Возможности Web3 в AI индустрии в основном проявляются в: использовании распределенной стимуляции для координации долгих хвостов потенциального предложения ( через данные, хранение и вычисления ); одновременно создавая децентрализованный рынок открытых моделей и AI-агентов.
ИИ в индустрии Web3 в основном применяется в цепочечном финансировании ( криптовых платежах, торговле, анализе данных ) и в помощи разработке.
Ценность AI+Web3 заключается в их взаимодополняемости: Web3, как ожидается, сможет справиться с централизацией AI, а AI сможет помочь Web3 преодолеть ограничения кругов.
Введение
За последние два года развитие ИИ ускорилось, волна генеративного ИИ, вызванная ChatGPT, не только открыла новый мир, но и вызвала волну в области Web3.
Под влиянием концепции ИИ рынок криптовалют заметно оживился. По статистике, только в первом полугодии 2024 года 64 проекта Web3+AI завершили финансирование, среди которых Zyber365 привлекла наибольшее финансирование в размере 100 миллионов долларов в раунде A.
Вторичный рынок стал более активным. Данные Coingecko показывают, что общая капитализация сектора ИИ достигла 48,5 миллиарда долларов, а объем торгов за 24 часа составил почти 8,6 миллиарда долларов; прогресс в основных технологиях ИИ приносит выгоды, например, после выпуска Sora от OpenAI, средний рост сектора ИИ составил 151%; эффект ИИ также затронул популярные сектора криптовалют, такие как Meme, первый концепт MemeCoin с ИИ агентом — GOAT быстро стал популярным, его оценка достигла 1,4 миллиарда долларов, вызвав бум AI Meme.
Исследования и темы, связанные с AI+Web3, продолжают набирать популярность, от AI+Depin до AI Memecoin, а затем к текущим AI Agent и AI DAO, новые нарративы возникают один за другим.
Эта комбинация, полная горячих денег, трендов и будущих представлений, неизбежно воспринимается как навязанное бракосочетание, движимое капиталом, нам трудно судить, является ли это празднованием спекулянтов или взрывом перед рассветом.
Ключевым моментом является то, могут ли обе стороны извлечь выгоду из модели друг друга? В статье будет рассмотрено, как Web3 может играть роль на различных этапах технологий ИИ и какие новые возможности ИИ может принести для Web3.
! AI+Web3: Башни и площади
Один. Возможности Web3 в рамках AI-стека
Перед тем как обсудить эту тему, нам необходимо понять технологический стек больших моделей ИИ:
Проще говоря, "большая модель" похожа на человеческий мозг, на начальном этапе, как младенец, ей необходимо наблюдать и поглощать огромные объемы информации, чтобы понять мир, это этап "сбора" данных; поскольку компьютеры лишены человеческих многосенсорных способностей, перед обучением необходимо преобразовать неразмеченную информацию в формат, понятный компьютеру, с помощью "предварительной обработки".
После ввода данных ИИ строит модель с пониманием и предсказательной способностью через "обучение", аналогично тому, как младенец постепенно понимает и изучает окружающий мир. Параметры модели аналогичны языковым способностям младенца, которые постоянно корректируются. Когда учебный материал разделяется на предметы или происходит общение с людьми для получения обратной связи и исправления, начинается этап "тонкой настройки".
Когда дети вырастают и начинают говорить, они могут понимать и выражать свои мысли в новых диалогах, что похоже на "вывод" в больших моделях ИИ, которые могут производить прогнозный анализ нового языкового текстового ввода. Младенцы используют язык для выражения чувств, описания объектов и решения проблем, что похоже на применение больших моделей ИИ на этапе вывода для выполнения различных специфических задач после их обучения, таких как классификация изображений, распознавание речи и т.д.
AI-агент ближе к следующей форме больших моделей — он способен самостоятельно выполнять задачи, преследовать сложные цели, обладает способностями к мышлению, памяти, планированию и может использовать инструменты для взаимодействия с миром.
В ответ на проблемы в области AI, Web3 в настоящее время первоначально сформировал многоуровневую взаимосвязанную экосистему, охватывающую все этапы процесса AI-моделей.
! AI+Web3: Башни и площади
1. Базовый уровень: Airbnb для вычислительной мощности и данных
Мощность
Одним из основных затрат AI является вычислительная мощность и энергия, необходимые для обучения и вывода моделей.
Например, для завершения обучения Meta's LLAMA3 требуется 16000 NVIDIA H100 GPU на 30 дней. Стоимость версии на 80 ГБ составляет 30-40 тысяч долларов, необходимые инвестиции в оборудование составляют от 400 до 700 миллионов долларов ( GPU + сетевые чипы ), ежемесячное потребление электроэнергии составляет 1,6 миллиарда киловатт-часов, расходы на энергию почти 20 миллионов долларов.
В ответ на давление со стороны вычислительных мощностей ИИ, DePin( децентрализованная сеть физической инфраструктуры ) является одной из первых областей пересечения Web3 и ИИ. DePin Ninja перечислил более 1400 проектов, таких как io.net, Aethir, Akash, Render Network, которые представляют собой совместное использование GPU вычислительных мощностей.
Основная логика заключается в следующем: платформа позволяет владельцам неиспользуемых GPU ресурсов вносить вычислительную мощность в децентрализованной форме без разрешений, создавая онлайн-рынок для покупателей и продавцов, подобный Uber/Airbnb, что повышает коэффициент использования GPU и предоставляет пользователям доступ к высокоэффективным вычислительным ресурсам по низкой цене; в то же время механизм стейкинга гарантирует, что за нарушение контроля качества или за прерывание сети предусмотрены штрафы.
Особенности:
Сбор неиспользуемых GPU: поставки в основном поступают от малых и средних дата-центров, избыточной мощности криптомайнинговых ферм и оборудования для PoS-майнинга, такого как майнеры FileCoin/ETH. Проекты, такие как exolab, стремятся использовать локальные устройства, такие как MacBook, iPhone, iPad, для создания сети вычислительных мощностей для выполнения больших моделей.
Ориентирован на долгосрочный рынок вычислительной мощности ИИ: Техническая сторона больше подходит для этапов вывода. Обучение зависит от огромных кластеров GPU, а требования к GPU для вывода ниже, как Aethir, который сосредоточен на рендеринге с низкой задержкой и ИИ-выводе. Сторона спроса, состоящая из маломощных потребителей вычислительных ресурсов, не будет отдельно обучать большие модели, а будет в основном сосредоточена на оптимизации и дообучении ведущих моделей, что подходит для распределенных неиспользуемых вычислительных мощностей.
Децентрализованная собственность: Технология блокчейн обеспечивает сохранение контроля за ресурсами у собственников, позволяет гибко настраивать и получать доход.
Данные
Данные являются основой ИИ. Без данных вычисления бесполезны, качество данных определяет качество вывода модели. Для обучения ИИ моделей данные определяют языковые способности, способности к пониманию, ценности и гуманизацию. В настоящее время основные проблемы с необходимостью данных для ИИ заключаются в:
Жажда данных: для обучения моделей ИИ требуется огромное количество данных. Параметры GPT-4 достигают триллионов.
Качество данных: Искусственный интеллект, сочетаясь с различными отраслями, выдвигает новые требования к актуальности, разнообразию, профессионализму данных, а также к новым источникам данных, таким как эмоции в социальных сетях.
Приватность и соответствие: компании в разных странах постепенно ограничивают сбор данных.
Высокие затраты на обработку: большой объем данных, сложная обработка. Более 30% затрат на НИОКР в AI-компаниях идут на сбор и обработку данных.
Web3 решения:
Grass: децентрализованная сеть уровней данных, пользователи запускают узлы, вносят вклад в пропускную способность и получают токены в качестве вознаграждения за захват реальных данных.
Vana: Введение концепции пула ликвидности данных (DLP), пользователи могут загружать частные данные и выбирать, чтобы третьи стороны могли их использовать.
PublicAI: Пользователи используют #AI或# Web3 метку на X и @PublicAI для сбора данных.
Grass и OpenLayer рассматривают возможность добавления этапа аннотации данных.
Synesis представил концепцию "Train2earn", подчеркивая качество данных, пользователи получают вознаграждение за предоставление аннотированных данных.
Sapien превращает задачу маркировки в игру, пользователи ставят баллы, чтобы зарабатывать больше баллов.
Основные технологии конфиденциальности:
Доверенная исполняемая среда ( TEE ), такая как Super Protocol.
Полностью гомоморфное шифрование ( FHE ), такие как BasedAI, Fhenix.io, Inco Network.
Технология нулевых знаний (zk), такая как Reclaim Protocol, использует zkTLS для генерации доказательства нулевых знаний для HTTPS-трафика, безопасно импортируя данные с внешних сайтов.
В настоящее время мы находимся на ранней стадии, основная проблема заключается в высокой стоимости вычислений:
EZKL требуется 80 минут для создания 1M-nanoGPT модели.
zkML расходы в 1000 раз выше, чем чистые вычисления.
2. Посредник: Обучение и вывод модели
Децентрализованный рынок открытых моделей
Споры о открытых моделях ИИ продолжаются. Открытость приносит коллективные инновации как преимущество, но как повысить мотивацию разработчиков без модели получения прибыли? Ли Яньхун когда-то утверждал, что "открытые модели будут все больше отставать".
Web3 предлагает возможность децентрализованного открытого рынка моделей: токенизация моделей, команда оставляет часть токенов, часть будущих доходов направляется к держателям токенов.
Bittensor создает открытый рынок моделей P2P, состоящий из нескольких "подсетей", где поставщики ресурсов конкурируют для достижения целей подсетей, а подсети взаимодействуют для обучения, чтобы достичь более мощного интеллекта. Награды распределяются путем голосования сообщества на основе производительности в подсетях.
ORA вводит концепцию начального выпуска модели (IMO), токенизируя модели ИИ, которые можно покупать, продавать и разрабатывать через децентрализованную сеть.
Sentient децентрализованная платформа AGI, которая поощряет сотрудничество в создании реплицируемых и расширяемых AI моделей и вознаграждает участников.
Spectral Nova фокусируется на создании приложений с использованием моделей ИИ и МЛ.
Проверяемое рассуждение
Для решения проблемы "черного ящика" ИИ-инференса стандартным решением Web3 является многократное выполнение операций с несколькими валидаторами для сравнения результатов, однако нехватка высокопроизводительных графических процессоров приводит к высоким затратам.
Более перспективным решением является выполнение ZK-доказательства для оффлейн AI-вычислений, с последующей проверкой вычислений AI-модели на блокчейне. Необходимо зашифровать доказательства на блокчейне о том, что оффлейн вычисления выполнены корректно (, если набор данных не был изменен ), при этом обеспечивая конфиденциальность данных.
Основные преимущества:
Масштабируемость: ZK-доказательства могут быстро подтверждать большое количество вычислений вне цепи. Даже если количество транзакций увеличивается, одно ZK-доказательство может подтвердить все транзакции.
Защита конфиденциальности: данные и детали моделей ИИ остаются конфиденциальными, при этом все стороны могут проверить, что они не были повреждены.
Не требуется доверия: не нужно полагаться на централизованные стороны для проверки вычислений.
Интеграция Web2: Web2 по сути представляет собой оффлайн-интеграцию, проверяемое логическое обоснование может помочь перенести наборы данных и вычисления ИИ на блокчейн, увеличивая уровень принятия Web3.
Текущие технологии верифицируемого вывода Web3:
zkML: сочетает в себе нулевое знание и машинное обучение, обеспечивая конфиденциальность моделей данных и позволяя проводить верифицируемые вычисления без раскрытия основных свойств. Modulus Labs выпустила ZK-протоколы на основе ZKML, чтобы проверить, правильно ли поставщики ИИ выполняют алгоритмы, в настоящее время основными клиентами являются DApp на блокчейне.
opML: Используя принцип оптимистичного агрегирования, повышает эффективность масштабируемости вычислений ML путем верификации времени возникновения споров. Необходимо проверить лишь небольшую часть результатов "валидаторов", но установить высокую экономическую стоимость наказания для увеличения стоимости мошенничества и сокращения избыточных вычислений.
TeeML: Использование доверенной среды выполнения для безопасного выполнения ML вычислений, защита моделей данных от несанкционированного доступа и модификации.
3.Прикладной уровень: ИИ-агент
Основное внимание в развитии ИИ смещается с возможностей моделей на ИИ-агентов. OpenAI, Anthropic, Microsoft и другие активно разрабатывают ИИ-агентов, пытаясь преодолеть стадию технологической платформы LLM.
OpenAI определяет AI Agent как систему, управляемую LLM, обладающую способностью к самостоятельному пониманию, восприятию, планированию, памяти и использованию инструментов, которая может автоматически выполнять сложные задачи. AI превращается из инструмента, который используется, в субъект, который может использовать инструменты, становясь идеальным интеллектуальным помощником.
Web3 может принести для агента:
Децентрализованный
Децентрализованные характеристики Web3 делают системы агентов более распределенными и автономными. Механизмы, такие как PoS и DPoS, устанавливают стимулы и механизмы наказания для делегатов и ставщиков, способствуя демократии в системах агентов. GaiaNet, Theoriq и HajimeAI все пробуют это.
Холодный старт
Разработка и итерация AI-агента требуют значительных финансовых вложений, Web3 может помочь перспективным проектам получить раннее финансирование для холодного старта.
Virtual Protocol запустил платформу выпуска токенов AI Agent fun.virtuals, где пользователи могут развернуть AI Agent одним нажатием кнопки для 100% справедливого выпуска токенов.
Spectral предлагает концепцию поддержки выпуска активов AI Agent на блокчейне: выпуск токенов через IAO(Initial Agent Offering), AI Agent получает инвестиционные средства напрямую, становится членом управления DAO, предоставляя инвесторам возможность участвовать в развитии проекта и делиться доходами.
Два, как ИИ наделяет Web3 возможностями
Влияние ИИ на проекты Web3 значительно, оптимизируя операции в цепочке (, такие как выполнение смарт-контрактов и ликвидность.