AI+Web3: Menara dan Lapangan

TL;DR

1. Proyek Web3 dengan konsep AI menjadi sasaran pengumpulan dana di pasar primer dan sekunder.

2. Peluang Web3 di industri AI terletak pada: menggunakan insentif terdistribusi untuk mengoordinasikan potensi pasokan dalam ekor panjang------lintas data, penyimpanan, dan komputasi; sementara itu, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.

3. AI di industri Web3 terutama digunakan dalam keuangan on-chain (pembayaran kripto, perdagangan, analisis data) serta pengembangan bantuan.

4. Kegunaan AI+Web3 tercermin dalam saling melengkapi keduanya: Web3 diharapkan dapat melawan sentralisasi AI, dan AI diharapkan dapat membantu Web3 menembus batas.

Pendahuluan

Dalam dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepatannya, sayap kupu-kupu yang dipicu oleh Chatgpt tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga mengguncang arus di Web3 di sisi lain.

Dengan dukungan konsep AI, ada peningkatan yang jelas dalam pendanaan pasar kripto yang melambat. Media mencatat, hanya dalam setengah tahun pertama 2024, ada 64 proyek Web3+AI yang telah menyelesaikan pendanaan, dengan sistem operasi berbasis kecerdasan buatan Zyber365 mencapai jumlah pendanaan tertinggi sebesar 100 juta dolar AS pada putaran A.

Pasar sekunder semakin berkembang, data dari sebuah situs agregator kripto menunjukkan bahwa dalam waktu hanya lebih dari setahun, total kapitalisasi pasar di sektor AI telah mencapai 48,5 miliar USD, dengan volume perdagangan 24 jam mendekati 8,6 miliar USD; kemajuan teknologi AI yang utama membawa dampak positif yang jelas, setelah peluncuran model Sora teks ke video dari suatu perusahaan, harga rata-rata di sektor AI naik sebesar 151%; efek AI juga menjangkau salah satu sektor yang menarik perhatian dalam cryptocurrency, Meme: konsep MemeCoin AI Agent pertama------GOAT dengan cepat menjadi populer dan meraih valuasi 1,4 miliar USD, berhasil memicu tren Meme AI.

Tentang penelitian dan topik AI+Web3 juga sedang panas, dari AI+Depin ke AI Memecoin hingga saat ini AI Agent dan AI DAO, emosi FOMO sudah tidak bisa mengikuti kecepatan rotasi narasi baru.

AI+Web3, kombinasi istilah yang dipenuhi dengan uang panas, peluang, dan fantasi masa depan, tidak dapat dihindari dipandang sebagai pernikahan yang diatur oleh modal. Kita tampaknya sulit untuk membedakan di bawah jubah yang megah ini, apakah ini benar-benar merupakan arena para spekulan, atau malam sebelum terjadinya ledakan fajar?

Untuk menjawab pertanyaan ini, sebuah pemikiran yang penting bagi kedua belah pihak adalah, apakah ada keuntungan dengan keberadaan pihak lain? Apakah kita dapat mengambil manfaat dari pola pihak lain? Dalam artikel ini, kami juga berusaha untuk mengamati pola ini dengan berdiri di atas bahu para pendahulu: Bagaimana Web3 dapat berperan di setiap lapisan tumpukan teknologi AI, dan apa yang dapat AI bawa untuk memberikan kehidupan baru bagi Web3?

Bagian.1 Peluang Web3 di bawah tumpukan AI?

Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi model besar AI:

Gunakan bahasa yang lebih sederhana untuk menjelaskan seluruh proses: "Model besar" seperti otak manusia, pada tahap awal, otak ini milik bayi yang baru lahir, yang perlu mengamati dan menyerap informasi luar yang melimpah untuk memahami dunia ini, inilah tahap "pengumpulan" data; karena komputer tidak memiliki banyak indra seperti penglihatan dan pendengaran manusia, sebelum pelatihan, informasi luar yang tidak terlabel dalam skala besar perlu diubah melalui "pra-pemrosesan" menjadi format informasi yang dapat dipahami dan digunakan oleh komputer.

Setelah memasukkan data, AI melalui "pelatihan" membangun model yang memiliki kemampuan pemahaman dan prediksi, yang dapat dianggap sebagai proses di mana bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model mirip dengan kemampuan bahasa yang terus disesuaikan selama proses belajar bayi. Ketika konten yang dipelajari mulai dibagi menjadi subjek, atau ketika berkomunikasi dengan orang lain mendapatkan umpan balik dan melakukan perbaikan, maka masuk ke tahap "penyesuaian halus" dari model besar.

Ketika anak-anak tumbuh dan belajar berbicara, mereka dapat memahami makna dan mengekspresikan perasaan serta pikiran mereka dalam percakapan baru. Tahap ini mirip dengan "penalaran" pada model AI besar, di mana model dapat memprediksi dan menganalisis masukan bahasa dan teks baru. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan bahasa, yang juga mirip dengan bagaimana model AI besar digunakan dalam fase penalaran untuk berbagai tugas tertentu setelah selesai dilatih, seperti pengklasifikasian gambar, pengenalan suara, dan sebagainya.

AI Agent lebih mendekati bentuk berikutnya dari model besar------mampu menjalankan tugas secara mandiri dan mengejar tujuan yang kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan dapat menggunakan alat untuk berinteraksi dengan dunia.

Saat ini, terkait dengan titik nyeri AI di berbagai tumpukan, Web3 saat ini telah membentuk ekosistem multi-level yang saling terhubung, mencakup berbagai tahap proses model AI.

Satu, Lapisan Dasar: Airbnb untuk Kekuatan Penghitungan dan Data

Kekuatan komputasi

Saat ini, salah satu biaya tertinggi dari AI adalah daya komputasi dan energi yang dibutuhkan untuk melatih model dan melakukan inferensi.

Salah satu contohnya adalah, sebuah perusahaan LLAMA3 membutuhkan 16.000 H100GPU yang diproduksi oleh suatu produsen (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi berkinerja tinggi.) untuk menyelesaikan pelatihan dalam 30 hari. Harga satuan versi 80GB berkisar antara 30.000 hingga 40.000 dolar AS, yang memerlukan investasi perangkat keras komputasi sebesar 4-7 ratus juta dolar AS (GPU + chip jaringan), sementara pelatihan bulanan membutuhkan konsumsi 1,6 miliar kilowatt jam, pengeluaran energi hampir 20 juta dolar AS per bulan.

Untuk pelepasan kekuatan AI, ini adalah bidang pertama kali Web3 bersinggungan dengan AI------DePin (Jaringan Infrastruktur Fisik Terdesentralisasi) saat ini, sebuah situs data telah mencantumkan lebih dari 1400 proyek, di mana proyek unggulan berbagi kekuatan GPU termasuk io.net, Aethir, Akash, Render Network, dan lain-lain.

Logika utamanya adalah: platform memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk menyumbangkan kemampuan komputasi mereka secara terdesentralisasi tanpa izin, melalui pasar online antara pembeli dan penjual yang mirip dengan platform penyewaan mobil atau sewa jangka pendek, meningkatkan penggunaan sumber daya GPU yang belum dimanfaatkan dengan penuh. Pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dengan biaya yang lebih rendah; pada saat yang sama, mekanisme staking memastikan bahwa jika terjadi pelanggaran terhadap mekanisme pengendalian kualitas atau gangguan jaringan, penyedia sumber daya akan menerima hukuman yang sesuai.

Ciri-cirinya adalah:

• Mengumpulkan sumber daya GPU yang tidak terpakai: Pihak penyedia terutama adalah pusat data kecil dan menengah independen pihak ketiga, serta operator sumber daya daya komputasi yang berlebih dari tambang cryptocurrency, perangkat keras penambangan dengan mekanisme konsensus PoS, seperti jaringan penyimpanan tertentu dan mesin tambang dari blockchain publik yang dominan. Saat ini juga ada proyek yang berupaya untuk memulai perangkat dengan ambang batas yang lebih rendah, seperti exolab yang memanfaatkan laptop, ponsel, tablet, dan perangkat lokal lainnya untuk membangun jaringan daya komputasi untuk inferensi model besar.

• Menghadapi pasar tail panjang dari kemampuan AI:

a. "Dari sisi teknologi", pasar kekuatan terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan lebih bergantung pada kemampuan pemrosesan data yang dibawa oleh GPU skala besar, sedangkan inferensi memiliki kebutuhan kinerja GPU yang relatif lebih rendah, seperti Aethir yang fokus pada pekerjaan rendering dengan latensi rendah dan aplikasi inferensi AI.

b. "Dari sisi permintaan" pihak pemilik daya komputasi kecil tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan menyesuaikan di sekitar beberapa model besar teratas, dan semua skenario ini secara alami cocok untuk sumber daya komputasi menganggur yang terdistribusi.

• Kepemilikan terdesentralisasi: Makna teknis dari blockchain adalah pemilik sumber daya selalu mempertahankan kontrol atas sumber daya, dapat menyesuaikan dengan fleksibel sesuai permintaan, dan sekaligus mendapatkan keuntungan.

Data

Data adalah fondasi AI. Tanpa data, perhitungan seperti dedaunan apung yang tidak ada gunanya, dan hubungan antara data dan model seperti pepatah "Garbage in, Garbage out", jumlah data dan kualitas input menentukan kualitas output model akhir. Untuk pelatihan model AI saat ini, data menentukan kemampuan bahasa model, kemampuan pemahaman, bahkan pandangan nilai dan perilaku kemanusiaan. Saat ini, tantangan kebutuhan data AI terutama terfokus pada empat aspek berikut:

• Kecanduan data: Pelatihan model AI bergantung pada input data yang besar. Data publik menunjukkan bahwa suatu perusahaan melatih parameter GPT-4 hingga mencapai tingkat triliunan.

• Kualitas data: Seiring dengan penggabungan AI dengan berbagai industri, ketepatan waktu data, keragaman data, profesionalisme data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga mengajukan tuntutan baru terhadap kualitasnya.

• Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya kumpulan data berkualitas, dan sedang membatasi pengambilan kumpulan data.

• Biaya pemrosesan data yang tinggi: jumlah data yang besar, proses pemrosesan yang kompleks. Data publik menunjukkan bahwa lebih dari 30% biaya R&D perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.

Saat ini, solusi web3 terwujud dalam empat aspek berikut:

1. Pengumpulan data: Kemampuan untuk menyediakan data dunia nyata yang ditangkap secara gratis semakin menipis, pengeluaran perusahaan AI untuk data meningkat setiap tahunnya. Namun, pada saat yang sama, pengeluaran ini tidak kembali kepada para kontributor nyata dari data tersebut; platform sepenuhnya menikmati penciptaan nilai yang dihasilkan oleh data, seperti platform media sosial tertentu yang mencapai pendapatan total 203 juta dolar melalui kesepakatan lisensi data dengan perusahaan AI.

Memberikan kesempatan kepada pengguna yang benar-benar berkontribusi untuk ikut serta dalam penciptaan nilai yang dihasilkan oleh data, serta melalui jaringan terdistribusi dan mekanisme insentif, untuk mendapatkan data yang lebih pribadi dan lebih berharga dengan biaya rendah, adalah visi Web3.

• Grass adalah lapisan data dan jaringan terdesentralisasi, pengguna dapat menjalankan node Grass, menyumbangkan bandwidth yang tidak terpakai dan lalu lintas relay untuk menangkap data real-time di seluruh internet, dan mendapatkan imbalan token;

• Vana memperkenalkan konsep kolam likuiditas data (DLP) yang unik, di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan browsing, aktivitas media sosial, dll.) ke DLP tertentu, dan dengan fleksibel memilih apakah akan memberikan izin kepada pihak ketiga tertentu untuk menggunakan data tersebut;

• Di PublicAI, pengguna dapat menggunakan #AI 或#Web3 sebagai label kategori dan @PublicAI di suatu platform sosial untuk mengumpulkan data.

2. Pra-pemrosesan data: Dalam proses pengolahan data AI, karena data yang dikumpulkan biasanya bising dan mengandung kesalahan, data tersebut harus dibersihkan dan diubah menjadi format yang dapat digunakan sebelum melatih model, yang melibatkan tugas berulang seperti standarisasi, penyaringan, dan penanganan nilai yang hilang. Tahap ini adalah salah satu dari sedikit langkah manual di industri AI, yang telah melahirkan industri penandaan data. Seiring dengan meningkatnya tuntutan kualitas data oleh model, ambang batas bagi penandaan data juga meningkat, dan tugas ini secara alami cocok untuk mekanisme insentif terdesentralisasi Web3.

• Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk bergabung dalam tahap penting pelabelan data ini.

• Synesis mengusulkan konsep "Train2earn", menekankan kualitas data, pengguna dapat memperoleh imbalan dengan memberikan data berlabel, anotasi, atau bentuk input lainnya.

• Proyek penandaan data Sapien akan menggamifikasi tugas penandaan dan memungkinkan pengguna untuk mengunci poin untuk mendapatkan lebih banyak poin.

3. Privasi dan Keamanan Data: Yang perlu dijelaskan adalah bahwa privasi dan keamanan data adalah dua konsep yang berbeda. Privasi data berkaitan dengan pengolahan data sensitif, sedangkan keamanan data melindungi informasi data dari akses, perusakan, dan pencurian yang tidak sah. Dengan demikian, keunggulan teknologi privasi Web3 dan potensi aplikasi muncul dalam dua aspek: (1) pelatihan data sensitif; (2) kolaborasi data: beberapa pemilik data dapat berpartisipasi dalam pelatihan AI bersama tanpa perlu membagikan data asli mereka.

Teknologi privasi yang cukup umum di Web3 saat ini termasuk:

• Lingkungan Eksekusi Tepercaya(TEE), seperti Protokol Super;

• Enkripsi Homomorfik Penuh (FHE), seperti BasedAI, Fhenix.io atau Inco Network;

• Teknologi zero-knowledge (zk), seperti Protokol Reclaim menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor data kegiatan, reputasi, dan identitas dari situs web eksternal dengan aman tanpa mengungkapkan informasi sensitif.

Namun, saat ini bidang ini masih berada pada tahap awal, sebagian besar proyek masih dalam tahap eksplorasi. Salah satu dilema saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah: