État actuel de l'intégration de l'IA et du Web3 : opportunités et défis coexistants

Introduction : Le développement de l'IA + Web3

Ces dernières années, le développement rapide de l'intelligence artificielle (AI) et des technologies Web3 a suscité un large intérêt à l'échelle mondiale. L'IA, en tant que technologie simulant l'intelligence humaine, a réalisé des percées majeures dans des domaines tels que la reconnaissance faciale, le traitement du langage naturel et l'apprentissage automatique, apportant de grandes transformations et innovations dans divers secteurs. En 2023, la taille du marché de l'IA a atteint 200 milliards de dollars, donnant naissance à d'excellentes entreprises telles qu'OpenAI, Character.AI et Midjourney.

En même temps, le Web3, en tant que nouveau modèle de réseau, est en train de changer la perception et l'utilisation d'Internet par les gens. Le Web3 est basé sur la technologie blockchain décentralisée et, grâce à des fonctions telles que les contrats intelligents, le stockage distribué et l'authentification décentralisée, il permet le partage et le contrôle des données, l'autonomie des utilisateurs et l'établissement de mécanismes de confiance. Le principe fondamental du Web3 est de libérer les données des mains des institutions centralisées, en donnant aux utilisateurs le contrôle sur leurs données et le droit de partager leur valeur. Actuellement, la capitalisation du marché du secteur Web3 atteint 25 billions de dollars, avec des projets tels que Bitcoin, Ethereum, Solana qui émergent sans cesse.

La combinaison de l'IA et du Web3 est un domaine d'intérêt majeur pour les builders et les investisseurs des deux côtés de l'Atlantique. Comment bien intégrer les deux est une question qui mérite d'être explorée. Cet article se concentre sur l'état actuel du développement de l'IA + Web3, analyse la situation des projets actuels et discute en profondeur des limitations et des défis rencontrés, offrant ainsi des références et des perspectives aux investisseurs et aux professionnels du secteur.

Deux, les façons dont l'IA interagit avec Web3

Le développement de l'IA et du Web3 est comme les deux côtés d'une balance, l'IA améliore la productivité, tandis que le Web3 apporte une transformation des relations de production. Nous allons d'abord analyser les difficultés et les marges d'amélioration que chaque secteur, l'IA et le Web3, rencontre, puis explorer comment ils peuvent s'aider mutuellement à résoudre ces problèmes.

2.1 Les défis auxquels l'industrie de l'IA est confrontée

Les trois éléments clés de l'industrie de l'IA sont l'infrastructure de calcul, les algorithmes et les données.

1. Puissance de calcul : désigne la capacité à effectuer des calculs et traitements à grande échelle. Les tâches d'IA nécessitent généralement de traiter d'importantes quantités de données et d'effectuer des calculs complexes, comme l'entraînement de modèles de réseaux neuronaux profonds. Une puissance de calcul élevée peut accélérer le processus d'entraînement et d'inférence du modèle, améliorant ainsi les performances et l'efficacité des systèmes d'IA. Ces dernières années, avec le développement des GPU et des puces AI spécialisées, l'augmentation de la puissance de calcul a joué un rôle important dans le développement de l'industrie de l'IA.

2. Algorithme : c'est une composante essentielle des systèmes d'IA, utilisée pour résoudre des problèmes et réaliser des tâches à l'aide de méthodes mathématiques et statistiques. Les algorithmes d'IA peuvent être divisés en algorithmes d'apprentissage automatique traditionnels et en algorithmes d'apprentissage profond, ce dernier ayant réalisé des percées majeures ces dernières années. Le choix et la conception des algorithmes sont cruciaux pour la performance et l'efficacité des systèmes d'IA. Des algorithmes en constante amélioration et innovation peuvent augmenter la précision, la robustesse et la capacité de généralisation des systèmes d'IA.

3. Données : La tâche principale des systèmes d'IA est d'extraire des modèles et des règles à partir des données en apprenant et en s'entraînant. Les données constituent la base de l'entraînement et de l'optimisation des modèles. Grâce à des échantillons de données à grande échelle, les systèmes d'IA peuvent apprendre à créer des modèles plus précis et plus intelligents. Des ensembles de données riches peuvent fournir des informations plus complètes et diversifiées, permettant aux modèles de mieux généraliser sur des données non vues, aidant ainsi les systèmes d'IA à mieux comprendre et résoudre les problèmes du monde réel.

Les principaux défis auxquels l'IA est confrontée dans ces trois domaines comprennent :

• En termes de puissance de calcul : obtenir et gérer une puissance de calcul à grande échelle est coûteux et complexe. Le coût, la consommation d'énergie et l'entretien des équipements de calcul haute performance sont tous des problèmes. Pour les startups et les développeurs individuels, il peut être difficile d'obtenir une puissance de calcul suffisante.

• En ce qui concerne les algorithmes : les algorithmes d'apprentissage profond nécessitent une grande quantité de données et de ressources de calcul, et leur interprétabilité et explicabilité sont insuffisantes. La robustesse et la capacité de généralisation des algorithmes sont également des problèmes importants, et les performances des modèles sur des données non vues peuvent être instables.

• En ce qui concerne les données : obtenir des données de haute qualité et diversifiées reste un défi. Certaines données dans des domaines spécifiques peuvent être difficiles à obtenir, comme les données de santé. La qualité, l'exactitude et l'annotation des données sont également des problèmes, des données incomplètes ou biaisées pouvant entraîner un comportement ou un biais erroné du modèle. Parallèlement, la protection de la vie privée et de la sécurité des données est également un facteur important à considérer.

De plus, l'interprétabilité et la transparence des modèles d'IA, ainsi que l'incertitude des modèles commerciaux, plongent de nombreux entrepreneurs en IA dans la confusion.

2.2 Les défis auxquels l'industrie Web3 est confrontée

L'industrie Web3 rencontre actuellement de nombreux défis à résoudre, notamment dans les domaines de l'analyse de données, de l'expérience utilisateur et de la sécurité des contrats intelligents, où il y a également une marge d'amélioration. L'IA, en tant qu'outil d'augmentation de la productivité, a également beaucoup d'espace potentiel pour jouer un rôle dans ces domaines.

• Analyse et prévision des données : La technologie AI peut aider les plateformes Web3 à extraire des informations précieuses d'un volume massif de données, permettant des prévisions et des décisions plus précises, ce qui est d'une grande importance pour l'évaluation des risques, les prévisions de marché et la gestion des actifs dans le domaine DeFi.

• Expérience utilisateur et services personnalisés : L'IA peut aider les plateformes Web3 à offrir une meilleure expérience utilisateur et des services personnalisés, en analysant les données des utilisateurs pour fournir des recommandations personnalisées, des services sur mesure et une expérience d'interaction intelligente, augmentant ainsi l'engagement et la satisfaction des utilisateurs.

• Sécurité et protection de la vie privée : L'IA peut être utilisée pour détecter et défendre contre les cyberattaques, identifier des comportements anormaux et fournir une protection de sécurité renforcée. En même temps, l'IA peut également être appliquée à la protection de la vie privée des données, protégeant les informations des utilisateurs grâce à des technologies telles que le cryptage et le calcul de la confidentialité.

• Audit de contrat intelligent : La technologie AI peut être utilisée pour automatiser l'audit des contrats et la détection des vulnérabilités, améliorant ainsi la sécurité et la fiabilité des contrats.

Trois, Analyse de l'état actuel des projets AI+Web3

Les projets combinant l'IA et le Web3 abordent principalement deux aspects : utiliser la technologie blockchain pour améliorer les performances des projets d'IA, et utiliser la technologie IA pour servir à l'amélioration des projets Web3.

3.1 Web3 aide l'IA

3.1.1 Puissance de calcul décentralisée

Avec l'émergence de grands modèles comme ChatGPT, la demande en puissance de calcul dans le domaine de l'IA a explosé. Cependant, la pénurie de GPU est devenue un goulot d'étranglement pour le développement de l'IA. Pour résoudre ce problème, certains projets Web3 tentent de fournir des services de puissance de calcul décentralisés, y compris Akash, Render, Gensyn, etc. Ces projets incitent les utilisateurs du monde entier à fournir leur puissance de calcul GPU inutilisée grâce à des tokens, afin de soutenir les clients en IA.

L'offre côté comprend principalement les fournisseurs de services cloud, les mineurs de cryptomonnaies et les grandes entreprises. Les projets de puissance de calcul décentralisée se divisent en deux catégories : l'une pour l'inférence AI ( comme Render, Akash ), et l'autre pour l'entraînement AI ( comme io.net, Gensyn ).

Prenons io.net comme exemple, en tant que réseau de puissance de calcul décentralisé, il y a actuellement plus de 500 000 GPU, intégrant la puissance de Render et de Filecoin, tout en développant continuellement des projets écologiques. Gensyn, quant à lui, facilite la répartition des tâches d'apprentissage automatique et des récompenses grâce à des contrats intelligents, réalisant ainsi l'entraînement de l'IA.

Cependant, la plupart des projets choisissent de faire de l'inférence AI plutôt que de l'entraînement, principalement en raison des exigences différentes en matière de puissance de calcul et de bande passante. L'entraînement AI nécessite une grande quantité de données et une bande passante de communication à haute vitesse, ce qui rend sa mise en œuvre difficile. En revanche, l'inférence AI nécessite moins de données et de bande passante, ce qui rend sa mise en œuvre plus réalisable.

3.1.2 Modèle d'algorithme décentralisé

Outre la puissance de calcul, certains projets tentent de créer un marché de services d'algorithmes d'IA décentralisés. Prenons l'exemple de Bittensor, qui relie plusieurs modèles d'IA, chacun ayant ses propres connaissances et compétences. Lorsque les utilisateurs posent des questions, le marché choisit le modèle d'IA le plus approprié pour fournir des réponses.

Dans le réseau Bittensor, les fournisseurs de modèles algorithmiques ( et les mineurs ) contribuent des modèles d'apprentissage automatique au réseau et reçoivent des récompenses en jetons pour leur contribution. Pour garantir la qualité des réponses, Bittensor utilise un mécanisme de consensus unique pour s'assurer que le réseau parvient à un accord sur la meilleure réponse.

Le développement de la plateforme de modèles d'algorithmes décentralisés pourrait permettre aux petites entreprises de rivaliser avec les grandes organisations dans l'utilisation des meilleurs outils d'IA, ayant un impact potentiel majeur sur divers secteurs.

3.1.3 Collecte de données décentralisée

La formation des modèles d'IA nécessite une grande quantité de données, mais la plupart des plateformes Web2 interdisent actuellement la collecte de données pour l'entraînement de l'IA ou vendent les données des utilisateurs à des entreprises d'IA sans partager les bénéfices. Certains projets Web3 réalisent une collecte de données décentralisée grâce à des incitations par des tokens, comme PublicAI.

Dans PublicAI, les utilisateurs peuvent participer en tant que fournisseurs de données AI ou validateurs de données. Les fournisseurs de données trouvent du contenu précieux sur les plateformes sociales et le partagent avec le centre de données PublicAI ; les validateurs de données votent pour les données les plus précieuses pour l'entraînement de l'IA. Les utilisateurs obtiennent des incitations en jetons grâce à ces deux types de contributions, favorisant ainsi une relation gagnant-gagnant entre les contributeurs de données et le développement de l'industrie de l'IA.

3.1.4 Protection de la vie privée des utilisateurs dans l'IA ZK

La technologie de preuve à divulgation nulle de connaissance peut permettre la validation des informations tout en protégeant la vie privée, contribuant ainsi à résoudre le conflit entre la protection de la vie privée des données et le partage des données dans l'IA. ZKML(Zero-Knowledge Machine Learning) permet, grâce à la technologie de preuve à divulgation nulle de connaissance, d'entraîner et d'inférer des modèles d'apprentissage automatique sans divulguer les données brutes.

Des projets comme BasedAI explorent l'intégration transparente de l'encryption homomorphe entièrement homomorphe FHE( avec LLM pour maintenir la confidentialité des données. Grâce à des modèles de langage de grande taille à connaissance nulle ) ZK-LLM(, la vie privée est intégrée dans l'infrastructure réseau distribuée, garantissant que les données des utilisateurs restent privées tout au long du fonctionnement du réseau.

![Nouveaux venus de la science丨Analyse approfondie : Quelle étincelle peut jaillir de la rencontre entre l'IA et le Web3 ?])https://img-cdn.gateio.im/webp-social/moments-8bda459009fffde5316e2118f4a0e9fa.webp(

)# 3.2 L'IA au service du Web3

3.2.1 Analyse des données et prévisions

De nombreux projets Web3 commencent à intégrer des services d'IA ou à développer des outils d'IA en interne, afin de fournir aux utilisateurs des services d'analyse de données et de prévisions, couvrant des domaines tels que les stratégies d'investissement, l'analyse on-chain, les prévisions de prix et de marché.

Par exemple, Pond utilise des algorithmes de graphes IA pour prédire des tokens alpha précieux à l'avenir, offrant des conseils d'investissement aux utilisateurs et aux institutions. BullBear AI s'entraîne en fonction des données historiques des utilisateurs, des historiques de prix et des tendances du marché pour aider à prédire l'évolution des prix. Numerai, en tant que plateforme de concours d'investissement, permet aux participants d'utiliser l'IA et des modèles de langage à grande échelle pour prédire le marché boursier. Des plateformes d'analyse de données blockchain comme Arkham combinent également l'IA pour fournir des services, en associant des adresses blockchain à des entités du monde réel, affichant des données et des analyses clés.

3.2.2 Services personnalisés

Les projets Web3 optimisent l'expérience utilisateur grâce à l'intégration de l'IA. Par exemple, la plateforme d'analyse de données Dune a lancé l'outil Wand, qui utilise de grands modèles de langage pour rédiger des requêtes SQL, permettant ainsi aux utilisateurs ne connaissant pas SQL de rechercher facilement. La plateforme médiatique Web3 Followin et l'encyclopédie Web3 IQ.wiki intègrent ChatGPT pour résumer le contenu. Le moteur de recherche basé sur LLM Kaito vise à devenir une plateforme de recherche Web3. Des projets comme NFPrompt réduisent le coût de création de NFT pour les utilisateurs grâce à l'IA.

3.2.3 Audit AI des contrats intelligents

L'IA joue également un rôle important dans l'audit des contrats intelligents, permettant d'identifier les vulnérabilités du code de manière plus efficace et précise. Par exemple, 0x0.ai propose un auditeur de contrats intelligents basé sur l'intelligence artificielle, utilisant des algorithmes avancés pour analyser les contrats intelligents et identifier les vulnérabilités ou les risques de sécurité potentiels. Les auditeurs utilisent des techniques d'apprentissage automatique pour identifier des motifs et des anomalies dans le code, marquant les problèmes potentiels pour un examen plus approfondi.

![Nouveaux venus : Analyse approfondie : Quelle étincelle peut jaillir de la rencontre entre l'IA et le Web3 ?]###https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp(

) Quatre, les limitations et défis actuels des projets AI+Web3

4.1 Obstacles réels dans le domaine de la puissance de calcul décentralisée

Les produits de puissance de calcul décentralisés font face à certains problèmes réels :

1. Performance et stabilité : En raison de la dépendance aux nœuds répartis dans le monde, la connexion réseau peut souffrir de latence et d'instabilité, la performance peut être inférieure à celle des produits de puissance centralisés.

2. Appariement des ressources : la disponibilité est affectée par le degré d'appariement entre l'offre et la demande, ce qui peut entraîner une insuffisance de ressources ou une incapacité à satisfaire les besoins des utilisateurs.

3. Complexité technique : les utilisateurs peuvent avoir besoin de comprendre des notions telles que les réseaux distribués, les contrats intelligents et les paiements en cryptomonnaie, ce qui entraîne des coûts d'utilisation plus élevés.

4. Difficile de réaliser un entraînement de grand modèle : L'entraînement de grands modèles nécessite une stabilité extrêmement élevée et une capacité de parallélisation multi-cartes, ce qui est actuellement difficile à réaliser avec la puissance de calcul décentralisée. Les principales raisons incluent :

   • Puissance de calcul d'une seule carte : L'entraînement de grands modèles nécessite une puissance de calcul d'une seule carte très puissante.
   • Multi-GPU en parallèle : nécessite de mobiliser des GPU de niveau 10 000 pour un entraînement parallèle, avec des exigences de communication très élevées pour plusieurs GPU.
   • Écosystème logiciel : environnement logiciel adapté au matériel, comme le système CUDA de NVIDIA.