Інтеграція Web3 та AI: побудова екосистеми наступного покоління Інтернету

Web3 як нова модель інтернету, що є децентралізованою, відкритою та прозорою, має природну точку поєднання з AI. У традиційній централізованій архітектурі обчислювальні та дані ресурси AI підлягають суворим обмеженням, стикаючись з багатьма викликами, такими як обмеження обчислювальної потужності, витік конфіденційності, непрозорість алгоритмів тощо. Web3 на основі розподілених технологій, через спільні обчислювальні мережі, відкриті ринки даних, обчислення конфіденційності тощо, надає новий імпульс для розвитку AI. Одночасно AI також може принести багато покращень для Web3, таких як оптимізація смарт-контрактів, алгоритми протидії шахрайству тощо, сприяючи розвитку його екосистеми. Тому дослідження поєднання Web3 та AI має велике значення для побудови інфраструктури наступного покоління інтернету, звільнення цінності даних та обчислювальної потужності.

Дані, що керують: надійна основа для AI та Web3

Дані є основною рушійною силою розвитку ШІ. Моделям ШІ потрібно обробляти величезні обсяги якісних даних, щоб отримати глибоке розуміння та потужні можливості міркування; дані не лише забезпечують основу для навчання моделей машинного навчання, але й визначають точність і надійність моделей.

Традиційні централізовані моделі отримання та використання даних AI мають такі основні проблеми:

• Вартість отримання даних є високою, і малим та середнім підприємствам важко це витримати.
• Дані ресурси монополізовані великими технологічними компаніями, що створює острови даних
• Особисті дані піддаються ризику витоку та зловживання.

Web3 пропонує нову децентралізовану парадигму даних для вирішення цих болючих місць:

• Користувачі можуть продавати невикористані мережеві ресурси AI-компаніям для децентралізованого збору мережевих даних, які після очищення і перетворення забезпечують справжні та високоякісні дані для навчання AI-моделей.
• Використання моделі "позначення - це заробіток", заохочуючи глобальних працівників брати участь у позначенні даних за допомогою токенів, об'єднуючи глобальні професійні знання та посилюючи аналітичні можливості даних.
• Платформа торгівлі даними на блокчейні забезпечує відкриту та прозору торгову середу для обох сторін попиту та пропозиції даних, стимулюючи інновації та обмін даними.

Незважаючи на це, отримання даних з реального світу все ще стикається з деякими проблемами, такими як нерівномірна якість даних, складність обробки, недостатня різноманітність і репрезентативність тощо. Синтетичні дані можуть стати яскравою перспективою у сфері даних Web3. Завдяки технології генеративного ШІ та моделювання, синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням до реальних даних, підвищуючи ефективність використання даних. У сферах автоматичного водіння, фінансових ринків, торгівлі, розробки ігор тощо синтетичні дані вже продемонстрували зрілий потенціал застосування.

Захист конфіденційності: роль FHE у Web3

У епоху, керовану даними, захист конфіденційності став глобальною проблемою. Деякі чутливі дані не можуть бути належним чином використані через ризики конфіденційності, що обмежує потенціал та можливості розуміння моделей ШІ.

Повна гомоморфна криптографія ( FHE ) дозволяє виконувати обчислювальні операції над зашифрованими даними без необхідності їх розшифровки, причому результати обчислень збігаються з результатами тих самих обчислень над відкритими даними. FHE забезпечує надійний захист для приватних обчислень штучного інтелекту, дозволяючи обчислювальній потужності GPU виконувати навчання моделей та завдання інференції в середовищі без доступу до вихідних даних. Це приносить величезні переваги компаніям у сфері штучного інтелекту, які можуть безпечно відкривати API-сервіси, захищаючи при цьому комерційну таємницю.

FHEML підтримує шифрування даних і моделей на всьому протязі циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризикам витоку даних. Цим способом FHEML посилює конфіденційність даних, надаючи безпечну обчислювальну платформу для AI-додатків.

FHEML є доповненням до ZKML, ZKML підтверджує правильне виконання машинного навчання, в той час як FHEML підкреслює обчислення над зашифрованими даними для підтримки конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах

Поточна обчислювальна складність систем штучного інтелекту подвоюється кожні 3 місяці, що призводить до різкого збільшення попиту на обчислювальну потужність, що значно перевищує наявні постачання обчислювальних ресурсів. Наприклад, для навчання певної великої мовної моделі потрібна величезна обчислювальна потужність, що відповідає 355 рокам навчання на одному пристрої. Така нестача обчислювальної потужності не лише обмежує прогрес технологій штучного інтелекту, але й робить ці високорозвинені моделі штучного інтелекту важкодоступними для більшості дослідників і розробників.

Водночас глобальне використання GPU становить менше 40%, а уповільнення підвищення продуктивності мікропроцесорів, разом із дефіцитом чіпів через фактори ланцюга постачань та геополітики, ще більше ускладнює питання забезпечення обчислювальної потужності. Працівники в сфері AI опинилися в складній ситуації: або купувати апаратне забезпечення, або орендувати ресурси в хмарі, їм терміново потрібен економічно ефективний спосіб обчислювальних послуг за запитом.

Деякі децентралізовані мережі обчислювальної потужності на основі штучного інтелекту, об'єднуючи вільні ресурси GPU з усього світу, пропонують AI-компаніям економічно вигідний і легкодоступний ринок обчислювальної потужності. Замовники обчислювальної потужності можуть публікувати обчислювальні завдання в мережі, смарт-контракти розподіляють завдання між майнінговими вузлами, які надають обчислювальну потужність; майнери виконують завдання та подають результати, після верифікації отримуючи нагороду у вигляді балів. Ця схема підвищує ефективність використання ресурсів і допомагає вирішити проблему обчислювальної потужності в таких сферах, як AI.

Окрім загальної децентралізованої мережі обчислювальних потужностей, є також деякі платформи, що спеціалізуються на навчанні ШІ, а також спеціалізовані мережі обчислювальних потужностей для інференції ШІ.

Децентралізована мережа обчислювальної потужності забезпечує справедливий і прозорий ринок обчислювальної потужності, руйнуючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі web3 децентралізована мережа обчислювальної потужності буде відігравати ключову роль, залучаючи більше інноваційних dapp для спільного просування розвитку та застосування технологій ШІ.

DePIN: Web3 надає можливості Edge AI

Edge AI дозволяє обробляти дані на місці їх виникнення, забезпечуючи низьку затримку та обробку в реальному часі, при цьому захищаючи конфіденційність користувачів. Технології Edge AI вже застосовуються в ключових сферах, таких як автономне водіння.

У сфері Web3 ми маємо більш знайоме ім'я - DePIN. Web3 підкреслює децентралізацію та суверенітет даних користувачів, а DePIN, обробляючи дані локально, може посилити захист конфіденційності користувачів і зменшити ризик витоку даних; рідна для Web3 токеноміка може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.

Наразі DePIN швидко розвивається в деяких екосистемах публічних блокчейнів, ставши однією з переважних платформ для розгортання проектів. Висока пропускна здатність, низькі комісії за транзакції та технологічні інновації забезпечують потужну підтримку проектам DePIN. Наразі ринкова капіталізація проектів DePIN на цьому публічному блокчейні перевищила 10 мільярдів доларів, а деякі відомі проекти вже досягли значного прогресу.

IMO：AI-модель випустила нову парадигму

Концепцію IMO вперше запропоновано в рамках певного протоколу, що передбачає токенізацію AI-моделей.

У традиційній моделі, через відсутність механізму розподілу прибутків, як тільки модель ШІ розроблена і виведена на ринок, розробникам часто важко отримати постійний дохід від подальшого використання моделі, особливо коли модель інтегрується в інші продукти та послуги, оригінальним творцям важко відстежувати використання, не кажучи вже про отримання прибутку. Крім того, продуктивність та ефективність моделей ШІ часто не мають прозорості, що ускладнює потенційним інвесторам та користувачам оцінку їхньої справжньої вартості, обмежуючи визнання моделей на ринку та їх комерційний потенціал.

IMO надає новий спосіб фінансової підтримки та розподілу вартості для відкритих AI моделей, інвестори можуть купувати токени IMO, щоб ділитися доходами, які модель отримує в подальшому. Один протокол використовує два стандарти ERC, поєднуючи AI оракул та технологію OPML, щоб забезпечити справжність AI моделі та можливість власників токенів ділитися доходами.

Модель IMO підвищила прозорість і довіру, заохочуючи відкриту співпрацю, адаптувалася до тенденцій крипторинку та надала імпульс сталому розвитку технологій штучного інтелекту. IMO наразі перебуває на початковій стадії випробувань, але з підвищенням прийнятності на ринку та розширенням участі її інноваційність та потенційна цінність заслуговують на нашу увагу.

AI Агент: нова ера взаємодії

AI-агент може сприймати навколишнє середовище, самостійно мислити та вживати відповідних заходів для досягнення визначених цілей. Підтримувані великими мовними моделями, AI-агенти не лише розуміють природну мову, але й можуть планувати рішення, виконувати складні завдання. Вони можуть виступати як віртуальні помічники, навчаючись у процесі взаємодії з користувачами їх вподобанням і надаючи персоналізовані рішення. Навіть без чітких інструкцій, AI-агент також може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.

Деякі відкриті платформи, що підтримують нативний AI, пропонують всебічний та зручний набір інструментів для створення, які дозволяють користувачам налаштовувати функції, зовнішній вигляд, голос роботів, а також підключати зовнішні бази знань, прагнучи створити справедливу та відкриту екосистему контенту на основі AI, використовуючи технології генеративного AI, надаючи можливість особам стати супер-креаторами. Ці платформи навчили спеціалізовані великі мовні моделі, що робить рольову гру більш людяною; технологія клонування голосу може прискорити персоналізовану взаємодію з продуктами AI, значно знижуючи витрати на синтез голосу, а клонування голосу можна здійснити всього за 1 хвилину. Використовуючи AI Agent, налаштованих на цих платформах, наразі можна застосовувати в багатьох сферах, таких як відеочати, вивчення мов, генерація зображень та ін.

У злитті Web3 та ШІ наразі більше уваги приділяється дослідженню інфраструктурного рівня, зокрема, як отримати якісні дані, захистити конфіденційність даних, як розмістити моделі на ланцюгу, як підвищити ефективність використання децентралізованих обчислювальних потужностей, як перевірити великі мовні моделі та інші ключові питання. З поступовим удосконаленням цих інфраструктур у нас є підстави вірити, що злиття Web3 та ШІ призведе до появи ряду інноваційних бізнес-моделей та послуг.