AI+Web3: Вежі та площі

Основні моменти

1. Проекти Web3 з концепцією ШІ стали об'єктами залучення капіталу на первинному та вторинному ринках.

2. Можливості Web3 в індустрії ШІ в основному проявляються в: використанні розподілених стимулів для координації довгого хвоста потенційних постачальників ( через дані, зберігання та обчислення ); одночасно створюючи децентралізований ринок для відкритих моделей і агентів ШІ.

3. Штучний інтелект у Web3 індустрії головним чином застосовується в ланцюгових фінансах ( крипто-платежах, торгівлі, аналізі даних ) та допоміжній розробці.

4. Цінність AI + Web3 полягає в їхньому взаємодоповненні: Web3 має надію впоратися з централізацією AI, а AI має надію допомогти Web3 подолати обмеження шарів.

Вступ

Останні два роки розвиток ШІ прискорився, хвиля генеративного ШІ, викликана ChatGPT, не лише відкрила новий світ, але й викликала хвилю в сфері Web3.

Під впливом концепції ШІ, ринок криптовалют помітно відновив фінансування. За статистикою, лише в першій половині 2024 року 64 проекти Web3+AI завершили фінансування, серед яких Zyber365 отримав найбільше фінансування в розмірі 100 мільйонів доларів на етапі A.

Вторинний ринок став більш активним, дані Coingecko показують, що загальна капіталізація AI-сектора досягла 48,5 мільярдів доларів, а обсяг торгів за 24 години наблизився до 8,6 мільярдів доларів; прогрес у основних AI-технологіях приніс позитивні новини, наприклад, після випуску Sora компанією OpenAI, середнє зростання сектору AI склало 151%; ефект AI також вплинув на популярні криптовалютні сегменти Memes, перший концепт AI Agent MemeCoin — GOAT швидко став популярним, його оцінка досягла 1,4 мільярда доларів, що спричинило бум AI Memes.

Дослідження та теми, пов'язані з AI+Web3, продовжують набирати популярність, від AI+Depin до AI Memecoin, а потім до поточних AI Agent і AI DAO, нові наративи з'являються один за одним.

Це поєднання, наповнене гарячими грошима, трендами та уявленнями про майбутнє, неминуче сприймається як шлюб, укладений під впливом капіталу, і нам важко судити, чи це свято спекулянтів, чи вибух перед світанком.

Ключовим є те, чи можуть обидві сторони отримати вигоду від моделі один одного? У цій статті буде розглянуто, як Web3 може відігравати роль на різних етапах технології AI, а також які нові можливості AI може принести для Web3.

! AI+Web3: Вежі та Плази

Один. Можливості Web3 у стеку AI

Перед обговоренням цієї теми нам потрібно зрозуміти технологічний стек великих моделей ШІ:

Простими словами, "великі моделі" схожі на людський мозок, на початковому етапі, як немовля, їм потрібно спостерігати та поглинати величезну кількість інформації, щоб зрозуміти світ, це етап "збирання" даних; оскільки комп'ютери позбавлені людських багатосенсорних сприйнять, перед навчанням потрібно перетворити ненадану інформацію через "попередню обробку" у формат, зрозумілий комп'ютеру.

Після введення даних ШІ через "навчання" створює моделі з розумінням та прогностичними можливостями, подібно до того, як немовля поступово розуміє і вивчає навколишній світ. Параметри моделі подібні до мовних здібностей немовляти, які постійно коригуються. Коли навчальний матеріал розподіляється по предметах або під час спілкування з людьми отримується зворотний зв'язок для корекції, відбувається етап "доладжування".

Діти, коли виростають і починають говорити, можуть розуміти та висловлювати свої думки в нових діалогах, подібно до "висновку" великих моделей ШІ, здатних робити прогнозний аналіз нових текстових введень. Немовлята використовують мову для вираження почуттів, опису об'єктів та вирішення проблем, подібно до того, як великі моделі ШІ, завершивши навчання, застосовуються на етапі висновку для виконання різноманітних специфічних завдань, таких як класифікація зображень, розпізнавання мови тощо.

AI Агент є більш наближеним до наступної форми великої моделі — здатної самостійно виконувати завдання, що переслідують складні цілі, має можливості мислення, пам'яті, планування та здатна використовувати інструменти для взаємодії з світом.

Щодо болючих точок AI-стеків, Web3 наразі на початковій стадії формування багаторівневої взаємопов'язаної екосистеми, яка охоплює всі етапи процесу моделювання AI.

! AI+Web3: Вежі та Квадрати

1. Базовий рівень: обчислювальна потужність та дані Airbnb

Потужність обчислень

Одним з основних витрат AI є обчислювальна потужність та енергія, необхідні для навчання та виведення моделей.

Наприклад, Meta's LLAMA3 потребує 16000 NVIDIA H100GPU протягом 30 днів для завершення навчання. Вартість версії 80 ГБ становить від 30 до 40 тисяч доларів, що потребує інвестицій у апаратуру від 400 до 700 мільйонів доларів (GPU+мережеві чіпи ), щомісячне споживання електроенергії становить 1,6 мільярда кіловат-годин, витрати на енергію близько 20 мільйонів доларів.

Щодо тиску на обчислювальну потужність AI, DePin( децентралізована мережа фізичної інфраструктури ) є однією з перших областей перетворення Web3 з AI. DePin Ninja перерахував понад 1400 проектів, такі як io.net, Aethir, Akash, Render Network тощо, що представляють обмін обчислювальною потужністю GPU.

Основна логіка полягає в тому, що платформа дозволяє власникам невикористовуваних GPU-ресурсів вносити обчислювальну потужність в децентралізований спосіб без дозволу, через онлайн-ринок для покупців і продавців, подібний до Uber/Airbnb, що підвищує використання GPU; користувачі отримують доступ до недорогих і ефективних обчислювальних ресурсів; в той же час механізм стейкінгу забезпечує покарання за порушення контролю якості або переривання мережі.

Особливості:

• Збір бездіяльних GPU: постачання в основному надходить від малих і середніх дата-центрів, надлишкових обчислювальних потужностей крипто-майнінгових ферм, а також обладнання для PoS-майнінгу, такого як майнери FileCoin/ETH. Проекти, такі як exolab, прагнуть використовувати локальні пристрої, такі як MacBook, iPhone, iPad, для створення обчислювальної мережі для виконання великих моделей.

• Орієнтація на довгий хвіст ринку обчислювальної потужності AI: Технічний бік більше підходить для етапів висновку. Тренування залежить від надвеликих кластерів GPU, тоді як для висновку вимоги до GPU нижчі, наприклад, Aethir зосереджується на рендерингу з низькою затримкою та AI-висновках. Сторона попиту з боку малих споживачів обчислювальних потужностей не буде окремо тренувати великі моделі, основна увага буде приділена оптимізації та доопрацюванню провідних моделей, що підходить для розподілених вільних обчислювальних потужностей.

• Децентралізоване володіння: технологія блокчейн забезпечує збереження контролю за ресурсами у власників, дозволяє гнучко коригувати та отримувати прибуток.

Дані

Дані є основою ШІ. Без даних обчислення не мають жодної користі, якість даних визначає якість виходу моделі. Для навчання моделей ШІ дані визначають мовні можливості, розуміння, цінності та гуманізацію. На сьогодні основні труднощі з попитом на дані для ШІ такі:

• Голод даних: для навчання AI-моделей потрібні величезні обсяги даних. Кількість параметрів GPT-4 досягає трильйонів.

• Якість даних: Поєднання ШІ з різними галузями висуває нові вимоги до своєчасності, різноманітності, професійності даних, а також до нових джерел даних, таких як емоції в соціальних мережах.

• Приватність і відповідність: підприємства в різних країнах поступово обмежують збори даних.

• Високі витрати на обробку: велика кількість даних, складна обробка. Більше 30% витрат на дослідження і розробки в AI-компаніях витрачається на збір і обробку даних.

Web3 рішення:

1.Збір даних: Безкоштовне збирання даних з реального світу вичерпується, витрати на дані для компаній штучного інтелекту зростають щороку, але не компенсують справжніх учасників. Візія Web3 полягає в тому, щоб дозволити внесеним користувачам брати участь у створенні вартості, стимулюючи через розподілену мережу отримання більш приватних та цінних даних за низькою вартістю.

• Grass: децентралізований мережевий шар даних, користувачі запускають вузли, вносять свій внесок у ширину каналу та отримують токенну винагороду за захоплення реальних даних.

• Vana: Введення концепції пулу ліквідності даних (DLP), користувачі можуть завантажувати приватні дані та обирати надання дозволу третім особам на їх використання.

• PublicAI: Користувачі використовують #AI或#Web3 мітку на X та @PublicAI для збору даних.

2. Передобробка даних: Обробка даних AI потребує очищення та перетворення в придатний формат, що включає стандартизацію, фільтрацію, обробку відсутніх значень та інші повторювані завдання. Цей людський етап призвів до виникнення галузі фахівців з маркування даних, з підвищенням вимог підвищується і поріг входження, що підходить для децентралізованих механізмів винагороди Web3.

• Grass та OpenLayer розглядають можливість додавання етапу позначення даних.

• Synesis提出 "Train2earn" концепцію, акцентуючи увагу на якості даних, користувачі надають марковані дані за що отримують винагороду.

• Sapien перетворює завдання на ігри, користувачі закладають бали, щоб заробити більше балів.

3. Безпека конфіденційності даних: конфіденційність даних стосується обробки чутливих даних, захисту даних від несанкціонованого доступу, знищення та крадіжки. Переваги технологій конфіденційності Web3 проявляються в: (1) навчанні чутливих даних; (2) співпраці з даними: кілька власників даних беруть участь у навчанні ШІ без необхідності ділитися оригінальними даними.

Основні технології конфіденційності:

• Достовірне виконуване середовище(TEE), таке як Super Protocol.

• Повна гомоморфна криптографія ( FHE ), такі як BasedAI, Fhenix.io, Inco Network.

• Технологія нульових знань ( zk ), така як Reclaim Protocol, використовує zkTLS для створення нульових доказів трафіку HTTPS, безпечно імпортуючи дані з зовнішніх веб-сайтів.

На даний момент ми на ранній стадії, основна проблема полягає у високих витратах на обчислення:

• EZKL потребує 80 хвилин для генерації 1M-nanoGPT моделі доказу.

• Витрати zkML в 1000 разів вищі, ніж чисті обчислення.

4. Зберігання даних: необхідно зберігати дані в ланцюзі та згенеровану LLM. Доступність даних (DA) є основною проблемою, до оновлення Danksharding в Ethereum пропускна спроможність складала 0,08 МБ, тоді як для навчання та інференсу AI моделей зазвичай потрібно 50-100 ГБ на секунду.

• 0g.AI є централізованим рішенням для зберігання, розробленим для потреб AI, з характеристиками: висока продуктивність і масштабованість, підтримує швидке завантаження та завантаження великих наборів даних через шардінг та кодування з виправленням помилок, швидкість передачі наближається до 5 ГБ за секунду.

2. Проміжне програмне забезпечення: навчання та виведення моделей

Децентралізований ринок відкритих моделей

Суперечки щодо відкритих моделей ШІ тривають. Відкритість приносить колективні інновації, це перевага, але як підвищити мотивацію розробників без прибуткової моделі? Лі Яньхун колись стверджував, що "відкриті моделі будуть все більш застарілими".

Web3 пропонує можливість децентралізованого відкритого ринку моделей: токенізація моделей, команда зберігає частину токенів, частина майбутнього доходу спрямовується до тримачів токенів.

• Bittensor створює відкриту модель P2P ринку, що складається з кількох "підмереж", де постачальники ресурсів змагаються за досягнення цілей підмереж, а підмережі взаємодіють для навчання, щоб досягти більшої потужності інтелекту. Нагороди розподіляються через голосування спільноти, відповідно до результатів у підмережах.

• ORA впроваджує концепцію первинного випуску моделі (IMO), токенізуючи AI моделі, які можна купувати, продавати та розробляти через децентралізовану мережу.

• Sentient децентралізована платформа AGI, яка стимулює співпрацю для створення масштабованих AI-моделей та винагороджує учасників.

• Spectral Nova зосереджується на створенні додатків з використанням AI та ML моделей.

Перевірне міркування

Щодо проблеми "чорного ящика" AI-інференції, стандартним рішенням Web3 є повторне виконання операцій кількома валідаторами для порівняння результатів, але дефіцит високопродуктивних графічних процесорів призводить до високих витрат.

Більш перспективним варіантом є виконання ZK-доказів для обчислення AI-інференції поза ланцюгом і перевірка обчислень AI-моделі на ланцюзі. Необхідно зашифрувати докази завершення поза ланцюгом (, якщо набір даних не був змінений ), одночасно забезпечуючи конфіденційність даних.

Основні переваги:

• Масштабованість: ZK-докази можуть швидко підтверджувати велику кількість обчислень поза ланцюгом. Навіть якщо кількість транзакцій зростає, один ZK-доказ може перевірити всі транзакції.

• Захист конфіденційності: деталі даних та AI-моделей залишаються конфіденційними, при цьому всі сторони можуть перевірити, що вони не були зламані.

• Не потрібно довіряти: не потрібно покладатися на централізовані сторони для перевірки обчислень.

• Інтеграція Web2: Web2 по суті є інтеграцією поза ланцюгом, перевірка висновків може допомогти перенести набори даних та обчислення штучного інтелекту на ланцюг, підвищуючи рівень прийняття Web3.

Поточні технології перевіряємого висновку Web3:

• zkML: поєднує нульове знання та машинне навчання, забезпечуючи конфіденційність моделей даних, дозволяючи верифіковані обчислення без розкриття основних атрибутів. Modulus Labs випустила ZK-протокол, створений на основі AI, щоб перевірити, чи правильно постачальник AI виконує алгоритми, наразі основними клієнтами є DApp на блокчейні.

• opML: Використовуючи принцип оптимістичного агрегування, підвищити ефективність масштабованості ML-обчислень шляхом перевірки часу виникнення суперечок. Досить перевірити невелику частину результатів "перевіряючого", але встановити високу економічну вартість покарання для підвищення вартості шахрайства та зменшення надмірних обчислень.

• TeeML: Використання надійного середовища виконання для безпечного виконання ML обчислень, захисту моделей даних від несанкціонованого доступу та зміни.

3.Рівень застосунків: AI Agent

Основна увага розвитку ШІ перемістилася з можливостей моделей на AI Agent. OpenAI, Anthropic, Microsoft та інші активно розробляють AI Agent, намагаючись подолати період технологічної платформи LLM.

OpenAI визначає AI агент як: систему, що керується LLM як мозком, має здатність до самостійного розуміння, сприйняття, планування, пам'яті та використання інструментів, здатну автоматизовано виконувати складні завдання. AI перетворюється з інструменту, що використовується, на суб'єкт, що може використовувати інструменти, стаючи ідеальним інтелектуальним помічником.

Web3 може принести Agent:

Децентралізований

Децентралізовані характеристики Web3 роблять системи агентів більш децентралізованими і автономними, встановлюючи механізми стимулювання та покарання для делегованих учасників через PoS, DPoS та інші механізми, що сприяє демократизації системи агентів. GaiaNet, Theoriq, HajimeAI вже намагалися це реалізувати.

Холодний запуск

Розробка та ітерація AI-агентів потребує значних фінансових вкладень, Web3 може допомогти потенційним проектам отримати раннє фінансування для холодного старту.

• Virtual Protocol випустила платформу для створення токенів fun.virtuals з AI Agent, де користувачі можуть одним натисканням кнопки розгорнути AI Agent для 100% справедливого випуску токенів.

• Spectral запропонував концепцію випуску активів AI Agent на блокчейні: шляхом IAO(Initial Agent Offering) випускати токени, AI Agent безпосередньо отримує інвестиційні кошти, стає членом управління DAO, надаючи інвесторам можливість брати участь у розвитку проекту та ділитися прибутком.

Два, як штучний інтелект надає можливості Web3

Вплив штучного інтелекту на проекти Web3 є значним, оптимізуючи операції в ланцюзі (, такі як виконання смарт-контрактів, ліквідність.