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 da IA manifestam-se em: o uso de incentivos distribuídos para coordenar o potencial de fornecimento 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 no setor Web3 encontra seu principal uso nas finanças em cadeia (pagamentos em criptomoeda, negociações, análise de dados) e no suporte ao desenvolvimento.

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

Introdução

Nos últimos dois anos, o desenvolvimento da IA acelerou como se tivesse sido pressionado um botão de velocidade. Este efeito borboleta desencadeado pelo Chatgpt não apenas abriu um novo mundo de inteligência artificial generativa, mas também gerou um grande movimento no Web3 do outro lado.

Com o suporte do conceito de IA, o impulso no financiamento do mercado de criptomoedas, que está em desaceleração, é evidente. Estatísticas mostram que, apenas no primeiro semestre de 2024, 64 projetos Web3+IA concluíram financiamentos, sendo que o sistema operativo 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 agregação de criptomoedas mostram que, em pouco mais de um ano, o valor total de mercado do setor de IA já alcançou 48,5 bilhões de dólares, com um volume de negociação de 8,6 bilhões de dólares em 24 horas; os avanços nas tecnologias de IA trazem benefícios claros, após o lançamento do modelo de texto para vídeo Sora da OpenAI, o preço médio do setor de IA subiu 151%; o efeito da IA também se estendeu a um dos setores de captação de recursos em criptomoedas, os Memes: o primeiro MemeCoin com o conceito de Agente de IA - GOAT - rapidamente se tornou popular e alcançou uma avaliação de 1,4 bilhão de dólares, iniciando com sucesso a febre dos Memes de IA.

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

AI+Web3, esta combinação de termos repleta de dinheiro fácil, oportunidades e fantasias futuras, não pode deixar de ser vista como um casamento arranjado pelo capital, e parece difícil distinguir sob este manto luxuoso, se é realmente o palco dos especuladores ou se é a véspera da explosão da aurora?

Para responder a esta questão, uma reflexão crucial para ambas as partes é: ficará melhor com o outro? É possível beneficiar-se do modelo do outro? Neste artigo, também tentamos, de forma a estar sobre os ombros dos antecessores, examinar este padrão: como o Web3 pode desempenhar um papel em todos os aspectos da pilha de tecnologia 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 tópico, precisamos entender a pilha tecnológica dos grandes modelos de IA:

Expressar todo o processo em termos mais simples: "grande modelo" é como o cérebro humano, na fase inicial, este cérebro pertence a um bebê que acabou de chegar ao mundo, precisando observar e absorver uma enorme quantidade de informações do ambiente para entender este mundo, esta é a fase de "coleta" de dados; uma vez que 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 informação que os computadores possam entender e utilizar.

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

As crianças, ao crescerem e aprenderem a falar, começam a compreender o significado nas novas conversas e a expressar os seus sentimentos e pensamentos. Esta fase é semelhante ao "raciocínio" dos grandes modelos de IA, onde o modelo consegue prever e analisar novas entradas de linguagem e texto. Os bebês expressam sentimentos, descrevem objetos e resolvem diversos problemas através da capacidade linguística, o que também é semelhante à aplicação em tarefas específicas, como classificação de imagens e reconhecimento de voz, dos grandes modelos de IA após serem treinados e colocados em uso durante a fase de raciocínio.

O AI Agent aproxima-se da próxima forma dos grandes modelos - capaz de executar tarefas de forma independente e perseguir objetivos complexos, não apenas possuindo capacidade de raciocínio, mas também sendo capaz de lembrar, planejar e interagir com o mundo usando ferramentas.

Atualmente, em resposta às dificuldades do AI em várias camadas, o Web3 formou preliminarmente um ecossistema multi-camadas e interconectado, que abrange todas as fases do processo dos modelos de AI.

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

Poder de cálculo

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

Um exemplo é que o LLAMA3 da Meta precisa de 16.000 H100GPU produzidos pela NVIDIA (que é uma unidade de processamento gráfico de topo projetada para cargas de trabalho de inteligência artificial e computação de alto desempenho). O treinamento leva 30 dias para ser concluído. 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. Além disso, o treinamento mensal consome 1,6 mil milhões de quilowatts-hora, com despesas de energia próximas a 20 milhões de dólares por mês.

A descompressão da capacidade computacional de IA é precisamente uma das primeiras áreas de interseção entre o Web3 e a IA - DePin (Rede de Infraestrutura Física Descentralizada). Atualmente, sites de estatísticas de dados já listaram mais de 1400 projetos, entre os quais os projetos representativos de compartilhamento de capacidade GPU incluem io.net, Aethir, Akash, Render Network, entre outros.

A sua lógica principal reside em: a plataforma permite que indivíduos ou entidades com recursos de GPU ociosos contribuam com sua capacidade de computação de forma descentralizada e sem necessidade de autorização, através de um mercado online de compradores e vendedores semelhante ao Uber ou Airbnb, aumentando a utilização de recursos de GPU que não estão sendo plenamente aproveitados, e os usuários finais, assim, obtêm recursos de computação eficientes a um custo mais baixo; ao mesmo tempo, o mecanismo de staking também garante que, caso ocorram violações do mecanismo de controle de qualidade ou interrupções na rede, os provedores de recursos enfrentem as devidas penalizações.

As suas características são:

• Agregar recursos GPU ociosos: os fornecedores são principalmente centros de dados independentes de pequeno e médio porte de terceiros, recursos de capacidade excedente de operadores de mineradoras de criptomoedas, e hardware de mineração com mecanismo de consenso PoS, como mineradoras de FileCoin e ETH. Atualmente, também existem projetos dedicados a iniciar equipamentos com barreiras de entrada mais baixas, como o exolab, que utiliza dispositivos locais como MacBook, iPhone, iPad, entre outros, para estabelecer uma rede de capacidade para inferência de grandes modelos.

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

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

b. Do ponto de vista da demanda, os pequenos e médios consumidores de poder computacional não treinarão seus próprios grandes modelos de forma isolada, mas apenas escolherão otimizar e ajustar em torno de alguns poucos grandes modelos, e esses cenários são naturalmente adequados para recursos de computação ociosos distribuídos.

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

Dados

Os dados são a base da IA. Sem dados, o cálculo é tão inútil quanto uma erva daninha à deriva, e a relação entre dados e modelos é como diz o ditado "Lixo entra, lixo sai". A quantidade de dados e a qualidade da entrada determinam a qualidade da saída do modelo final. No que diz respeito ao 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, os desafios da demanda por dados na IA concentram-se nas seguintes quatro áreas:

• Fome de dados: O treinamento de modelos de IA depende de uma grande quantidade de dados de entrada. Dados públicos mostram que a OpenAI treinou o GPT-4 com um número de parâmetros que alcançou a ordem de trilhões.

• Qualidade dos dados: Com a integração da IA em várias indústrias, a atualidade dos dados, a diversidade dos dados, a especialização dos dados verticais e a incorporação de novas fontes de dados, como a emoção nas redes sociais, também impõem novas exigências à sua qualidade.

• Questões de privacidade e conformidade: Atualmente, vários países e empresas estão começando a perceber a importância de conjuntos de dados de qualidade e estão impondo restrições à coleta 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 nos seguintes quatro aspectos:

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. No entanto, esses gastos não retornam para os verdadeiros contribuidores dos dados, enquanto as plataformas se beneficiam inteiramente da criação de valor que os dados proporcionam, como o Reddit, que gerou uma receita total de 203 milhões de dólares através de acordos de licenciamento de dados com empresas de IA.

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

• Grass é uma camada de dados e rede descentralizada, onde os usuários podem executar nós Grass, contribuindo com largura de banda ociosa e tráfego de retransmissão para capturar dados em tempo real da internet inteira e receber recompensas em tokens;

• Vana introduziu um conceito único de piscina de liquidez de dados (DLP), onde os usuários podem carregar seus dados privados (como registros de compras, hábitos de navegação, atividades em redes sociais, etc.) para um DLP específico e escolher flexivelmente se autorizam ou não o uso desses dados por terceiros específicos;

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

2. Pré-processamento de dados: No processo de processamento de dados da IA, devido aos dados coletados geralmente serem ruidosos e conterem erros, eles devem ser limpos e convertidos para um formato utilizável antes de treinar o modelo, envolvendo tarefas repetidas de normalização, filtragem e tratamento de valores ausentes. Esta fase é um dos poucos momentos manuais na indústria de IA, tendo gerado a profissão de anotadores de dados, e à medida que o modelo exige maior qualidade dos dados, o nível de exigência dos anotadores de dados também aumenta, e esta tarefa é naturalmente adequada para o mecanismo de incentivo descentralizado do Web3.

• Atualmente, a Grass e a OpenLayer estão considerando adicionar a anotação de dados a esta fase crítica.

• Synesis apresentou o conceito de "Train2earn", enfatizando a qualidade dos dados, onde os usuários podem receber recompensas por fornecer dados rotulados, anotações 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 de dados: é necessário esclarecer que privacidade de dados e segurança de dados são dois conceitos diferentes. A privacidade de dados envolve o tratamento de dados sensíveis, enquanto a segurança de dados protege as informações contra acesso, destruição e roubo não autorizados. Assim, as vantagens das tecnologias de privacidade Web3 e seus potenciais cenários de aplicação se manifestam em dois aspectos: (1) treinamento de dados sensíveis; (2) colaboração de dados: múltiplos proprietários de dados podem participar juntos do treinamento de IA, sem precisar 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 totalmente (FHE), por exemplo, BasedAI, Fhenix.io ou Inco Network;

• Tecnologias de conhecimento zero (zk), como o Protocolo Reclaim que utiliza a tecnologia zkTLS, geram provas de conhecimento zero 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, este campo ainda está em uma fase inicial, a maioria dos projetos ainda está em exploração, e um dos dilemas atuais é que os custos de computação são muito altos, alguns exemplos são:

• O framework zkML EZKL leva cerca de 80 minutos