Злиття Web3 та штучного інтелекту: створення інфраструктури наступного покоління Інтернету
Web3 як нова парадигма Інтернету, що є децентралізованою, відкритою та прозорою, має природну можливість для інтеграції з штучним інтелектом. У традиційній централізованій архітектурі обчислення та дані AI знаходяться під суворим контролем, стикаються з багатьма викликами, такими як обмеження обчислювальної потужності, витік конфіденційності, алгоритми «чорної скриньки» тощо. Однак Web3, що базується на розподілених технологіях, може надати нові імпульси для розвитку AI через мережі спільної обчислювальної потужності, відкриті ринки даних, обчислення конфіденційності тощо. Водночас AI також може надати Web3 багато можливостей, таких як оптимізація смарт-контрактів, алгоритми боротьби з шахрайством тощо, що сприятиме його екосистемній побудові. Таким чином, дослідження поєднання Web3 та AI є важливим для створення інфраструктури наступного покоління Інтернету, яка розкриває цінність даних і обчислювальної потужності.
Дані, що керують: міцна основа AI та Web3
Дані є основним рушієм розвитку ШІ. Моделям ШІ необхідно обробляти велику кількість якісних даних, щоб отримати глибоке розуміння та потужні можливості міркування. Дані не лише забезпечують навчальну основу для моделей машинного навчання, але й визначають їхню точність і надійність.
Традиційні централізовані моделі отримання та використання даних AI мають такі проблеми:
Витрати на отримання даних є високими, і малим та середнім підприємствам важко їх понести.
Ресурси даних монополізовані технологічними гігантами, що призводить до формування островів даних
Особисті дані піддаються ризику витоку та зловживання.
Web3 запропонував нову децентралізовану парадигму даних для вирішення цих проблем:
Користувачі можуть продавати непотрібні мережеві ресурси компаніям штучного інтелекту, децентралізовано збираючи мережеві дані для навчання моделей штучного інтелекту, надаючи реальні та високоякісні дані.
Використання моделі "позначення – це видобуток", що заохочує глобальних працівників брати участь в позначенні даних через токенізацію, об'єднуючи професійні знання з усього світу.
Блокчейн платформа для торгівлі даними забезпечує відкритий та прозорий торговий середовище для обох сторін попиту та пропозиції, стимулюючи інновації та обмін даними.
Незважаючи на це, отримання даних з реального світу все ще стикається з проблемами нерівної якості, складністю обробки, недосконалістю різноманітності та представництва. Синтетичні дані можуть стати зіркою майбутнього у сфері даних Web3. На основі технології генеративного ШІ та моделювання, синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням, що підвищує ефективність використання даних. У сферах автоматизованого водіння, фінансових ринкових торгів, розробки ігор синтетичні дані вже продемонстрували зрілий потенціал застосування.
Захист приватності: роль повної гомоморфної криптації у Web3
Ера даних, захист приватності став глобальною проблемою. Прийняття регуляцій, таких як GDPR ЄС, відображає суворе захист особистої приватності. Проте це також створює виклики: деякі чутливі дані не можуть бути повноцінно використані через ризики приватності, що обмежує потенціал та здатність до розумування AI моделей.
Повна гомоморфна криптографія ( FHE ) дозволяє виконувати обчислення безпосередньо над зашифрованими даними, не розшифровуючи їх, і результати обчислень збігаються з результатами тих же обчислень над відкритими даними. FHE забезпечує надійний захист для обчислень з конфіденційності AI, дозволяючи графічним процесорам виконувати навчання моделей та завдання інференції в середовищі, яке не торкається оригінальних даних. Це приносить величезні переваги компаніям AI, оскільки вони можуть безпечно відкривати API-сервіси, захищаючи комерційну таємницю.
Повна гомоморфна криптографія машинного навчання ( FHEML ) підтримує шифрування даних та моделей на всьому протязі циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. FHEML є доповненням до нульового знання машинного навчання ( ZKML ), де ZKML доводить правильне виконання машинного навчання, а FHEML підкреслює обчислення на зашифрованих даних для збереження конфіденційності даних.
Революція обчислювальної потужності: AI обчислення в децентралізованій мережі
Поточна обчислювальна складність систем ШІ подвоюється кожні 3 місяці, що призводить до різкого збільшення потреби в обчислювальних потужностях, що значно перевищує існуючу пропозицію обчислювальних ресурсів. Наприклад, для навчання моделі GPT-3 потрібні величезні обчислювальні потужності, що еквівалентно 355 рокам навчання на одному пристрої. Така нестача обчислювальних потужностей не лише обмежує прогрес технологій ШІ, але й робить просунуті моделі ШІ недоступними для більшості дослідників і розробників.
Водночас глобальна завантаженість GPU менш ніж 40%, а також уповільнення зростання продуктивності мікропроцесорів і нестача чіпів, спричинена факторами постачання та геополітики, посилюють проблеми з постачанням обчислювальних потужностей. Працівники в галузі ШІ опинилися в двозначній ситуації: або купувати апаратуру, або орендувати хмарні ресурси, їм терміново потрібен економічно ефективний спосіб надання обчислювальних послуг на вимогу.
Деякі децентралізовані мережі обчислювальної потужності на основі штучного інтелекту об'єднують безкоштовні GPU-ресурси з усього світу, забезпечуючи економічно вигідний ринок обчислювальної потужності для компаній з AI. Сторони, які потребують обчислювальної потужності, можуть публікувати завдання на мережі, смарт-контракти розподіляють завдання між майнерами, які надають обчислювальну потужність, майнери виконують завдання та подають результати, після перевірки отримують винагороду у вигляді балів. Ця схема підвищує ефективність використання ресурсів і допомагає вирішити проблеми з обчислювальною потужністю в таких сферах, як AI.
Крім загальної децентралізованої обчислювальної мережі, існують також спеціалізовані обчислювальні мережі, зосереджені на навчанні та інференції штучного інтелекту. Децентралізовані обчислювальні мережі пропонують справедливий і прозорий ринок обчислювальних потужностей, руйнуючи монополію, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальних потужностей. У екосистемі Web3 децентралізовані обчислювальні мережі відіграватимуть ключову роль, залучаючи більше інноваційних децентралізованих додатків до співпраці, щоб спільно сприяти розвитку та застосуванню технологій штучного інтелекту.
Розподілена фізична інфраструктурна мережа: Web3 надає можливості краєзнавчому штучному інтелекту
Граничний ШІ дозволяє обробку даних на місці їх виникнення, що забезпечує низьку затримку та обробку в реальному часі, при цьому захищаючи конфіденційність користувачів. Ця технологія вже застосовується в ключових сферах, таких як автономне водіння. У сфері Web3, розподілена мережа фізичної інфраструктури (DePIN) є більш звичним поняттям. Web3 підкреслює децентралізацію та суверенітет даних користувачів, DePIN може посилити захист конфіденційності користувачів, обробляючи дані локально, зменшуючи ризики витоку даних. Вроджена механіка токенів Web3 може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.
Наразі DePIN швидко розвивається в деяких еко-системах 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. Деякі відомі проекти DePIN вже досягли значного прогресу в цих екосистемах.
Початкова модель випуску: нова парадигма випуску AI моделей
Концепція випуску початкової моделі (IMO) полягає в токенізації AI моделей. У традиційній моделі, через відсутність механізму розподілу доходів, розробникам важко отримувати постійний дохід від подальшого використання моделей, особливо коли моделі інтегруються в інші продукти та послуги. Крім того, продуктивність та ефективність AI моделей часто не мають прозорості, що ускладнює потенційним інвесторам та користувачам оцінку їхньої справжньої цінності, обмежуючи ринкову визнаність моделей і комерційний потенціал.
IMO забезпечує новий спосіб фінансування та спільного використання вартості для відкритих AI моделей. Інвестори можуть купувати токени IMO, щоб ділитися прибутком, отриманим від моделей у майбутньому. Деякі проекти використовують специфічні стандарти блокчейну, поєднуючи AI оракули та технології машинного навчання на блокчейні, щоб забезпечити достовірність AI моделей та можливість токенохолдерів ділитися прибутком.
Модель IMO підвищує прозорість та довіру, заохочує відкриту співпрацю, адаптується до тенденцій криптографічного ринку та вносить імпульс у стійкий розвиток технологій ШІ. IMO наразі перебуває на початковій стадії спроб, але з підвищенням прийнятності ринку та розширенням сфери участі, її інноваційність та потенційна цінність заслуговують на очікування.
AI-агенти: нова ера взаємодії
AI-агенти можуть сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення визначених цілей. За підтримки великих мовних моделей AI-агенти можуть не лише розуміти природну мову, а й планувати рішення, виконувати складні завдання. Вони можуть виступати в ролі віртуальних помічників, навчаючись перевагам користувачів через взаємодію та надаючи персоналізовані рішення. Навіть без чітких інструкцій AI-агенти можуть самостійно вирішувати проблеми, підвищуючи ефективність та створюючи нову цінність.
Деякі відкриті платформи для створення додатків на базі ШІ пропонують повний та зручний набір інструментів для творчості, що дозволяє користувачам налаштовувати функції, зовнішній вигляд, голос роботів, а також підключати зовнішні бази знань, прагнучи створити справедливу та відкриту екосистему контенту на базі ШІ. Використовуючи технології генеративного ШІ, ці платформи наділяють особистостей можливостями стати супер-творцями. Деякі платформи навчили спеціалізовані великі мовні моделі, щоб зробити рольові ігри більш гуманними; технології клонування голосу можуть прискорити персоналізацію взаємодії з продуктами ШІ, значно знизивши витрати на синтез голосу. Використовуючи спеціально налаштовані штучні інтелекти з цих платформ, наразі їх можна застосовувати в багатьох сферах, таких як відеочат, вивчення мов, генерування зображень тощо.
На даний момент, інтеграція Web3 та штучного інтелекту більше зосереджена на дослідженнях на рівні інфраструктури, включаючи те, як отримувати якісні дані, захищати конфіденційність даних, як хостити моделі на блокчейні, як підвищити ефективне використання децентралізованих обчислювальних потужностей, а також як верифікувати великі мовні моделі та інші ключові питання. З поступовим вдосконаленням цих інфраструктур, ми маємо підстави вважати, що інтеграція Web3 та штучного інтелекту призведе до виникнення ряду інноваційних бізнес-моделей та послуг.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Web3 та AI: створення інфраструктури наступного покоління Інтернету
Злиття Web3 та штучного інтелекту: створення інфраструктури наступного покоління Інтернету
Web3 як нова парадигма Інтернету, що є децентралізованою, відкритою та прозорою, має природну можливість для інтеграції з штучним інтелектом. У традиційній централізованій архітектурі обчислення та дані AI знаходяться під суворим контролем, стикаються з багатьма викликами, такими як обмеження обчислювальної потужності, витік конфіденційності, алгоритми «чорної скриньки» тощо. Однак Web3, що базується на розподілених технологіях, може надати нові імпульси для розвитку AI через мережі спільної обчислювальної потужності, відкриті ринки даних, обчислення конфіденційності тощо. Водночас AI також може надати Web3 багато можливостей, таких як оптимізація смарт-контрактів, алгоритми боротьби з шахрайством тощо, що сприятиме його екосистемній побудові. Таким чином, дослідження поєднання Web3 та AI є важливим для створення інфраструктури наступного покоління Інтернету, яка розкриває цінність даних і обчислювальної потужності.
Дані, що керують: міцна основа AI та Web3
Дані є основним рушієм розвитку ШІ. Моделям ШІ необхідно обробляти велику кількість якісних даних, щоб отримати глибоке розуміння та потужні можливості міркування. Дані не лише забезпечують навчальну основу для моделей машинного навчання, але й визначають їхню точність і надійність.
Традиційні централізовані моделі отримання та використання даних AI мають такі проблеми:
Web3 запропонував нову децентралізовану парадигму даних для вирішення цих проблем:
Незважаючи на це, отримання даних з реального світу все ще стикається з проблемами нерівної якості, складністю обробки, недосконалістю різноманітності та представництва. Синтетичні дані можуть стати зіркою майбутнього у сфері даних Web3. На основі технології генеративного ШІ та моделювання, синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням, що підвищує ефективність використання даних. У сферах автоматизованого водіння, фінансових ринкових торгів, розробки ігор синтетичні дані вже продемонстрували зрілий потенціал застосування.
Захист приватності: роль повної гомоморфної криптації у Web3
Ера даних, захист приватності став глобальною проблемою. Прийняття регуляцій, таких як GDPR ЄС, відображає суворе захист особистої приватності. Проте це також створює виклики: деякі чутливі дані не можуть бути повноцінно використані через ризики приватності, що обмежує потенціал та здатність до розумування AI моделей.
Повна гомоморфна криптографія ( FHE ) дозволяє виконувати обчислення безпосередньо над зашифрованими даними, не розшифровуючи їх, і результати обчислень збігаються з результатами тих же обчислень над відкритими даними. FHE забезпечує надійний захист для обчислень з конфіденційності AI, дозволяючи графічним процесорам виконувати навчання моделей та завдання інференції в середовищі, яке не торкається оригінальних даних. Це приносить величезні переваги компаніям AI, оскільки вони можуть безпечно відкривати API-сервіси, захищаючи комерційну таємницю.
Повна гомоморфна криптографія машинного навчання ( FHEML ) підтримує шифрування даних та моделей на всьому протязі циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. FHEML є доповненням до нульового знання машинного навчання ( ZKML ), де ZKML доводить правильне виконання машинного навчання, а FHEML підкреслює обчислення на зашифрованих даних для збереження конфіденційності даних.
Революція обчислювальної потужності: AI обчислення в децентралізованій мережі
Поточна обчислювальна складність систем ШІ подвоюється кожні 3 місяці, що призводить до різкого збільшення потреби в обчислювальних потужностях, що значно перевищує існуючу пропозицію обчислювальних ресурсів. Наприклад, для навчання моделі GPT-3 потрібні величезні обчислювальні потужності, що еквівалентно 355 рокам навчання на одному пристрої. Така нестача обчислювальних потужностей не лише обмежує прогрес технологій ШІ, але й робить просунуті моделі ШІ недоступними для більшості дослідників і розробників.
Водночас глобальна завантаженість GPU менш ніж 40%, а також уповільнення зростання продуктивності мікропроцесорів і нестача чіпів, спричинена факторами постачання та геополітики, посилюють проблеми з постачанням обчислювальних потужностей. Працівники в галузі ШІ опинилися в двозначній ситуації: або купувати апаратуру, або орендувати хмарні ресурси, їм терміново потрібен економічно ефективний спосіб надання обчислювальних послуг на вимогу.
Деякі децентралізовані мережі обчислювальної потужності на основі штучного інтелекту об'єднують безкоштовні GPU-ресурси з усього світу, забезпечуючи економічно вигідний ринок обчислювальної потужності для компаній з AI. Сторони, які потребують обчислювальної потужності, можуть публікувати завдання на мережі, смарт-контракти розподіляють завдання між майнерами, які надають обчислювальну потужність, майнери виконують завдання та подають результати, після перевірки отримують винагороду у вигляді балів. Ця схема підвищує ефективність використання ресурсів і допомагає вирішити проблеми з обчислювальною потужністю в таких сферах, як AI.
Крім загальної децентралізованої обчислювальної мережі, існують також спеціалізовані обчислювальні мережі, зосереджені на навчанні та інференції штучного інтелекту. Децентралізовані обчислювальні мережі пропонують справедливий і прозорий ринок обчислювальних потужностей, руйнуючи монополію, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальних потужностей. У екосистемі Web3 децентралізовані обчислювальні мережі відіграватимуть ключову роль, залучаючи більше інноваційних децентралізованих додатків до співпраці, щоб спільно сприяти розвитку та застосуванню технологій штучного інтелекту.
Розподілена фізична інфраструктурна мережа: Web3 надає можливості краєзнавчому штучному інтелекту
Граничний ШІ дозволяє обробку даних на місці їх виникнення, що забезпечує низьку затримку та обробку в реальному часі, при цьому захищаючи конфіденційність користувачів. Ця технологія вже застосовується в ключових сферах, таких як автономне водіння. У сфері Web3, розподілена мережа фізичної інфраструктури (DePIN) є більш звичним поняттям. Web3 підкреслює децентралізацію та суверенітет даних користувачів, DePIN може посилити захист конфіденційності користувачів, обробляючи дані локально, зменшуючи ризики витоку даних. Вроджена механіка токенів Web3 може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.
Наразі DePIN швидко розвивається в деяких еко-системах 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. Деякі відомі проекти DePIN вже досягли значного прогресу в цих екосистемах.
Початкова модель випуску: нова парадигма випуску AI моделей
Концепція випуску початкової моделі (IMO) полягає в токенізації AI моделей. У традиційній моделі, через відсутність механізму розподілу доходів, розробникам важко отримувати постійний дохід від подальшого використання моделей, особливо коли моделі інтегруються в інші продукти та послуги. Крім того, продуктивність та ефективність AI моделей часто не мають прозорості, що ускладнює потенційним інвесторам та користувачам оцінку їхньої справжньої цінності, обмежуючи ринкову визнаність моделей і комерційний потенціал.
IMO забезпечує новий спосіб фінансування та спільного використання вартості для відкритих AI моделей. Інвестори можуть купувати токени IMO, щоб ділитися прибутком, отриманим від моделей у майбутньому. Деякі проекти використовують специфічні стандарти блокчейну, поєднуючи AI оракули та технології машинного навчання на блокчейні, щоб забезпечити достовірність AI моделей та можливість токенохолдерів ділитися прибутком.
Модель IMO підвищує прозорість та довіру, заохочує відкриту співпрацю, адаптується до тенденцій криптографічного ринку та вносить імпульс у стійкий розвиток технологій ШІ. IMO наразі перебуває на початковій стадії спроб, але з підвищенням прийнятності ринку та розширенням сфери участі, її інноваційність та потенційна цінність заслуговують на очікування.
AI-агенти: нова ера взаємодії
AI-агенти можуть сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення визначених цілей. За підтримки великих мовних моделей AI-агенти можуть не лише розуміти природну мову, а й планувати рішення, виконувати складні завдання. Вони можуть виступати в ролі віртуальних помічників, навчаючись перевагам користувачів через взаємодію та надаючи персоналізовані рішення. Навіть без чітких інструкцій AI-агенти можуть самостійно вирішувати проблеми, підвищуючи ефективність та створюючи нову цінність.
Деякі відкриті платформи для створення додатків на базі ШІ пропонують повний та зручний набір інструментів для творчості, що дозволяє користувачам налаштовувати функції, зовнішній вигляд, голос роботів, а також підключати зовнішні бази знань, прагнучи створити справедливу та відкриту екосистему контенту на базі ШІ. Використовуючи технології генеративного ШІ, ці платформи наділяють особистостей можливостями стати супер-творцями. Деякі платформи навчили спеціалізовані великі мовні моделі, щоб зробити рольові ігри більш гуманними; технології клонування голосу можуть прискорити персоналізацію взаємодії з продуктами ШІ, значно знизивши витрати на синтез голосу. Використовуючи спеціально налаштовані штучні інтелекти з цих платформ, наразі їх можна застосовувати в багатьох сферах, таких як відеочат, вивчення мов, генерування зображень тощо.
На даний момент, інтеграція Web3 та штучного інтелекту більше зосереджена на дослідженнях на рівні інфраструктури, включаючи те, як отримувати якісні дані, захищати конфіденційність даних, як хостити моделі на блокчейні, як підвищити ефективне використання децентралізованих обчислювальних потужностей, а також як верифікувати великі мовні моделі та інші ключові питання. З поступовим вдосконаленням цих інфраструктур, ми маємо підстави вважати, що інтеграція Web3 та штучного інтелекту призведе до виникнення ряду інноваційних бізнес-моделей та послуг.