AI+Web3: Torres e Praças

TL;DR

1. Projetos Web3 com conceito de IA tornam-se alvos de captação de recursos nos mercados primário e secundário.

2. As oportunidades do Web3 na indústria de IA manifestam-se em: utilizar incentivos distribuídos para coordenar o potencial de oferta na cauda longa------através de dados, armazenamento e computação; ao mesmo tempo, estabelecer um modelo de código aberto e um mercado descentralizado para Agentes de IA.

3. A IA na indústria Web3 é principalmente utilizada em finanças on-chain (pagamentos em criptomoedas, transações, análise de dados) e no suporte ao desenvolvimento.

4. A utilidade do AI+Web3 reside na complementaridade entre os dois: o Web3 promete combater a centralização da IA, enquanto a IA promete ajudar o Web3 a expandir seu alcance.

Introdução

Nos últimos dois anos, o desenvolvimento da IA parece ter sido acelerado, e esta onda provocada pela asa de borboleta do Chatgpt não apenas abriu um novo mundo de inteligência artificial generativa, mas também criou uma forte corrente no Web3 do outro lado.

Com o apoio do conceito de IA, o impulso no financiamento do mercado de criptomoedas, que está em desaceleração, é evidente. Segundo estatísticas da mídia, apenas no primeiro semestre de 2024, houve 64 projetos Web3+IA que concluíram financiamento, sendo que o sistema operacional baseado em inteligência artificial Zyber365 alcançou um montante máximo de financiamento de 100 milhões de dólares na rodada A.

O mercado secundário está mais próspero, dados de um site de agregação de criptomoedas mostram que, em pouco mais de um ano, o valor total de mercado da área de IA atingiu 48,5 bilhões de dólares, com um volume de negociação de 8,6 bilhões de dólares nas últimas 24 horas; os benefícios trazidos pelos avanços nas principais tecnologias de IA são evidentes, após o lançamento do modelo Sora de texto para vídeo de uma empresa, o preço médio do setor de IA subiu 151%; o efeito da IA também se espalhou para um dos setores de captação de criptomoedas, Meme: a primeira MemeCoin com o conceito de AI Agent ------ GOAT rapidamente se tornou popular e alcançou uma avaliação de 1,4 bilhão de dólares, gerando um grande entusiasmo pelo AI Meme.

A pesquisa e os tópicos sobre AI+Web3 também estão em alta, desde AI+Depin até AI Memecoin, passando pelos atuais AI Agent e AI DAO, a emoção do FOMO já não consegue acompanhar a velocidade da rotação das novas narrativas.

AI+Web3, esta combinação de termos cheia de dinheiro fácil, oportunidades e fantasias futuras, é inevitavelmente vista por alguns como um casamento arranjado mediado pelo capital. Parece-nos difícil discernir, sob este manto glamoroso, se realmente se trata do campo de atuação dos especuladores ou se é a véspera de uma explosão ao amanhecer?

Para responder a esta questão, uma reflexão crucial para ambas as partes é: a outra parte tornaria as coisas melhores? É possível beneficiar-se do modelo da outra parte? Neste artigo, também tentamos examinar este cenário a partir da perspectiva de quem nos precedeu: como o Web3 pode desempenhar um papel em todos os aspectos da pilha tecnológica de IA, e o que a IA pode trazer de novo ao Web3?

Parte.1 Quais são as oportunidades do Web3 sob a pilha de IA?

Antes de abordar este tema, precisamos entender a pilha tecnológica dos grandes modelos de IA:

Usando uma linguagem mais acessível para descrever todo o processo: o "grande modelo" é como o cérebro humano. Nas fases iniciais, esse cérebro pertence a um bebê recém-nascido, que precisa observar e absorver uma enorme quantidade de informações do mundo ao seu redor para entender este mundo. Esta é a fase de "coleta" de dados; como os computadores não possuem a visão, audição e outros sentidos humanos, antes do treinamento, as grandes quantidades de informações não rotuladas do exterior precisam ser convertidas através de "pré-processamento" em um formato de informações que os computadores possam entender e utilizar.

Após a introdução de dados, a IA construiu um modelo com capacidade de compreensão e previsão através do "treinamento", que pode ser visto como o processo em que um bebê gradualmente entende e aprende sobre o mundo exterior. Os parâmetros do modelo são como as habilidades linguísticas que o bebê ajusta constantemente durante o processo de aprendizagem. Quando o conteúdo aprendido começa a ser especializado ou quando se comunica com outras pessoas e recebe feedback e correções, entra na fase de "ajuste fino" do grande modelo.

As crianças, ao crescerem e aprenderem a falar, podem entender o significado e expressar seus sentimentos e pensamentos em novas conversas. Essa fase é semelhante ao "raciocínio" de um grande modelo de IA, onde o modelo consegue prever e analisar novas entradas de linguagem e texto. Os bebês expressam sentimentos, descrevem objetos e resolvem vários problemas através da capacidade linguística, o que também é semelhante à aplicação de grandes modelos de IA em uma fase de raciocínio, após serem treinados e colocados em uso em várias tarefas específicas, como classificação de imagens, reconhecimento de voz, entre outros.

E o AI Agent aproxima-se da próxima forma do grande modelo ------ capaz de executar tarefas de forma independente e perseguir objetivos complexos, não apenas com capacidade de pensamento, mas também com memória, planejamento e capacidade de usar ferramentas para interagir com o mundo.

Atualmente, em resposta às dificuldades que a IA enfrenta em várias pilhas, o Web3 formou, até agora, um ecossistema multilayer interconectado, que abrange todas as fases do processo de modelos de IA.

Uma, Camada Básica: Airbnb de Poder de Cálculo e Dados

Poder de Computação

Atualmente, um dos maiores custos da IA é a potência de cálculo e a energia necessárias para treinar modelos e inferir modelos.

Um exemplo é que a LLAMA3 de uma certa empresa precisa de 16.000 H100GPU produzidos por um fabricante (que é uma unidade de processamento gráfico de ponta projetada para cargas de trabalho de inteligência artificial e computação de alto desempenho). O preço unitário da versão de 80 GB varia entre 30.000 e 40.000 dólares, o que requer um investimento em hardware de computação (GPU + chip de rede) de 400 a 700 milhões de dólares, enquanto o treinamento mensal consome 1,6 bilhões de quilowatt-horas, com despesas de energia de quase 20 milhões de dólares por mês.

Para a descompressão da capacidade de computação de IA, é precisamente na interseção mais precoce entre Web3 e IA ------ DePin (Rede de Infraestrutura Física Descentralizada). Atualmente, um site de dados já listou mais de 1400 projetos, sendo que os projetos representativos de compartilhamento de capacidade de GPU incluem io.net, Aethir, Akash, Render Network, entre outros.

A sua lógica principal reside em: a plataforma permite que indivíduos ou entidades que possuem recursos de GPU ociosos contribuam com sua capacidade de computação de forma descentralizada e sem permissão. Por meio de um mercado online semelhante a plataformas de transporte ou de aluguel de curto prazo, aumenta-se a utilização de recursos de GPU que não estão sendo plenamente aproveitados, permitindo que os usuários finais também obtenham recursos de computação eficientes a um custo mais baixo; ao mesmo tempo, o mecanismo de staking garante que, se houver violações do mecanismo de controle de qualidade ou interrupções na rede, os provedores de recursos enfrentem as devidas penalidades.

As suas características são:

• Reunir recursos de GPU ociosos: os fornecedores são principalmente operadores de centros de dados independentes de pequeno e médio porte, como criptomineras, que possuem recursos de computação em excesso, e hardware de mineração com mecanismo de consenso PoS, como certas redes de armazenamento e máquinas mineradoras de certas blockchains populares. Atualmente, também existem projetos que se dedicam a iniciar equipamentos com barreiras de entrada mais baixas, como o exolab que utiliza laptops, smartphones, tablets e outros dispositivos locais de uma determinada marca para estabelecer uma rede de computação para a inferência de grandes modelos.

• Enfrentando o mercado de cauda longa da capacidade computacional de IA:

a. "Do ponto de vista técnico", o mercado de poder de computação descentralizado é mais adequado para o passo de inferência. O treinamento depende mais da capacidade de processamento de dados proporcionada pela escala de GPUs de super grandes clusters, enquanto a inferência requer um desempenho de computação de GPU relativamente mais baixo, como o Aethir, que se concentra em trabalhos de renderização de baixa latência e aplicações de inferência de IA.

b. No que diz respeito à demanda, as pequenas e médias empresas que requerem poder computacional não treinarão seus próprios grandes modelos de forma independente, mas apenas optarão por otimizar e ajustar finamente em torno de alguns poucos grandes modelos. Esses cenários são naturalmente adequados para recursos computacionais distribuídos e ociosos.

• Propriedade descentralizada: O significado técnico da blockchain é que os proprietários de recursos mantêm sempre o controle sobre os seus recursos, ajustando-se de forma flexível às necessidades, ao mesmo tempo que obtêm lucros.

Dados

Os dados são a base da IA. Sem dados, a computação é tão inútil quanto uma erva daninha flutuando. A relação entre dados e modelos é como o ditado "Garbage in, Garbage out"; a quantidade de dados e a qualidade da entrada determinam a qualidade da saída do modelo final. Para o treinamento dos modelos de IA atuais, os dados determinam a capacidade linguística, a capacidade de compreensão, e até mesmo os valores e a humanização do modelo. Atualmente, a crise de demanda por dados na IA foca principalmente em quatro aspectos:

• Fome de dados: O treinamento de modelos de IA depende de uma grande quantidade de dados de entrada. Dados públicos mostram que uma determinada empresa treinou o GPT-4 com uma quantidade de parâmetros que chegou à casa dos trilhões.

• Qualidade dos dados: Com a integração da IA com vários setores, a atualidade dos dados, a diversidade dos dados, a especialização dos dados verticais e a incorporação de novas fontes de dados, como as emoções das redes sociais, impõem novas exigências à sua qualidade.

• Questões de privacidade e conformidade: atualmente, vários países e empresas estão gradualmente a reconhecer a importância de conjuntos de dados de qualidade e estão a restringir a extração de conjuntos de dados.

• Custo elevado de processamento de dados: grande volume de dados, processo de tratamento complexo. Dados públicos mostram que mais de 30% dos custos de P&D das empresas de IA são destinados à coleta e tratamento de dados básicos.

Atualmente, as soluções web3 estão refletidas nas seguintes quatro áreas:

1. Coleta de dados: a disponibilidade de dados do mundo real coletados gratuitamente está rapidamente se esgotando, e os gastos das empresas de IA com dados aumentam ano após ano. Mas, ao mesmo tempo, esses gastos não estão retornando aos verdadeiros contribuidores de dados, enquanto as plataformas desfrutam inteiramente da criação de valor trazida pelos dados, como uma certa plataforma de redes sociais que gerou uma receita total de 203 milhões de dólares por meio de um acordo de licenciamento de dados com uma empresa de IA.

Permitir que os utilizadores que realmente contribuem participem igualmente na criação de valor trazida pelos dados, e obter dados mais privados e valiosos dos utilizadores de forma de baixo custo através de uma rede distribuída e mecanismos de incentivo, é a visão do Web3.

• Grass é uma camada de dados e rede descentralizada, onde os usuários podem contribuir com largura de banda ociosa e tráfego de retransmissão executando nós Grass para capturar dados em tempo real de toda a Internet e receber recompensas em tokens;

• Vana introduziu um conceito único de Pool de Liquidez de Dados (DLP), onde os usuários podem fazer upload de seus dados privados (como registros de compras, hábitos de navegação, atividades em redes sociais, etc.) para um DLP específico e escolher flexivelmente se desejam autorizar o uso desses dados por terceiros específicos;

• No PublicAI, os usuários podem usar #AI 或#Web3 como etiqueta de categoria em uma plataforma social e @PublicAI para realizar a coleta de dados.

2. Pré-processamento de dados: No processo de tratamento de dados da IA, como os dados coletados geralmente são ruidosos e contêm erros, eles precisam ser limpos e convertidos para um formato utilizável antes de treinar o modelo, envolvendo tarefas repetitivas de normalização, filtragem e tratamento de valores ausentes. Esta fase é uma das poucas etapas manuais na indústria de IA, tendo gerado a profissão de anotador de dados. À medida que as exigências de qualidade dos dados aumentam para os modelos, o nível de entrada para anotadores de dados também se eleva, e essa tarefa é naturalmente adequada para o mecanismo de incentivo descentralizado do Web3.

• Atualmente, Grass e OpenLayer estão considerando a adição da rotulagem de dados a esta etapa crucial.

• A Synesis propôs o conceito de "Train2earn", enfatizando a qualidade dos dados, permitindo que os usuários recebam recompensas por fornecer dados anotados, comentários ou outras formas de contribuição.

• O projeto de anotação de dados Sapien gamifica as tarefas de marcação e permite que os usuários façam staking de pontos para ganhar mais pontos.

3. Privacidade e segurança dos dados: É importante esclarecer que privacidade e segurança dos dados são dois conceitos diferentes. A privacidade dos dados diz respeito ao tratamento de dados sensíveis, enquanto a segurança dos dados protege as informações contra acesso, destruição e roubo não autorizados. Assim, as vantagens das tecnologias de privacidade do Web3 e os potenciais cenários de aplicação manifestam-se em dois aspectos: (1) Treinamento de dados sensíveis; (2) Colaboração de dados: Vários proprietários de dados podem participar conjuntamente do treinamento de IA, sem a necessidade de compartilhar seus dados originais.

As tecnologias de privacidade mais comuns no Web3 atualmente incluem:

• Ambiente de Execução Confiável ( TEE ), como o Super Protocol;

• Criptografia homomórfica completa (FHE), como BasedAI, Fhenix.io ou Inco Network;

• Tecnologias de zero conhecimento (zk), como o Protocolo Reclaim que utiliza a tecnologia zkTLS, geram provas de zero conhecimento para o tráfego HTTPS, permitindo que os usuários importem de forma segura atividades, reputação e dados de identidade de sites externos, sem expor informações sensíveis.

No entanto, o campo ainda está em uma fase inicial, a maioria dos projetos ainda está em exploração, um dos dilemas atuais é que os custos de computação são muito altos, alguns exemplos são: