Поєднання ШІ та Web3: побудова інфраструктури наступного покоління Інтернету
Web3 як нова парадигма Інтернету, що характеризується децентралізацією, відкритістю та прозорістю, має природні точки дотику з AI. У традиційній централізованій архітектурі AI стикається з багатьма викликами, такими як обмеження обчислювальної потужності, витоки конфіденційності та непрозорість алгоритмів. Натомість Web3, що базується на розподілених технологіях, може надати нові можливості для розвитку AI через спільні мережі обчислювальної потужності, відкриті ринки даних та обчислення з конфіденційністю. Водночас AI може принести багато переваг для екосистеми Web3, таких як оптимізація смарт-контрактів та вдосконалення механізмів боротьби з шахрайством. Тому дослідження співпраці між Web3 та AI є важливим для створення інфраструктури майбутнього Інтернету та повного використання цінності даних і обчислювальної потужності.
Дані як основа: AI та Web3
Дані є ключем до прогресу ШІ, як паливо для двигуна. Моделям ШІ потрібно перетравлювати величезну кількість високоякісних даних, щоб отримати глибокі інсайти та потужні能力 міркування. Дані є не лише основою навчання моделей машинного навчання, але й визначають точність і надійність моделей.
Традиційні централізовані моделі отримання та використання даних ШІ мають такі основні проблеми:
Вартість отримання даних висока, і малим та середнім підприємствам важко її витримати
Дані ресурси монополізовані великими технологічними компаніями, що призводить до утворення ізольованих даних.
Особисті дані піддаються ризику витоку та зловживання
Web3 пропонує нову децентралізовану парадигму даних, яка має на меті вирішити ці проблеми:
Користувачі можуть продавати невикористані мережеві ресурси компаніям ШІ, реалізуючи децентралізований збір даних
Використання моделі "заробіток через маркування", що стимулює глобальних працівників брати участь у маркуванні даних за допомогою токенів
Платформа торгівлі даними на основі блокчейн забезпечує відкритий та прозорий торговий середовище для обох сторін попиту та пропозиції даних.
Проте, у реальному світі існують певні проблеми з отриманням даних, такі як нерівномірна якість даних, складність обробки, недостатня різноманітність та репрезентативність тощо. Синтетичні дані можуть стати важливим напрямком у сфері даних Web3 у майбутньому. Ґрунтуючись на технологіях генеративного штучного інтелекту та моделюванні, синтетичні дані можуть імітувати характеристики реальних даних, слугуючи ефективним доповненням, підвищуючи ефективність використання даних. У таких сферах, як автономне водіння, фінансові ринкові угоди, розробка ігор тощо, синтетичні дані вже продемонстрували зрілі перспективи застосування.
Захист конфіденційності: застосування FHE у Web3
В епоху, керовану даними, захист приватності став глобальною темою для обговорення. Введення таких регуляцій, як Загальний регламент захисту даних (GDPR) ЄС, відображає суворий захист особистої приватності. Однак це також викликало труднощі: частина чутливих даних не може бути повною мірою використана через ризики приватності, що обмежує потенціал і здатність AI моделей до міркування.
Повна гомоморфна криптографія (FHE) дозволяє виконувати обчислення на зашифрованих даних без необхідності їх розшифровки, при цьому результати обчислень збігаються з результатами обчислень над відкритими даними. FHE забезпечує потужний захист для приватних обчислень AI, дозволяючи обчислювальним потужностям GPU виконувати навчання моделей та завдання інференції без доступу до вихідних даних. Це приносить величезні переваги компаніям AI, які можуть забезпечити безпечний доступ до API послуг, захищаючи при цьому комерційну таємницю.
FHEML підтримує шифрування даних та моделей протягом усього циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. Таким чином, FHEML посилює захист конфіденційності даних, надаючи безпечну обчислювальну платформу для AI-додатків.
FHEML є доповненням до ZKML, де ZKML доводить правильність виконання машинного навчання, а FHEML зосереджується на обчисленнях з зашифрованими даними для підтримки конфіденційності даних.
Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах
Поточна обчислювальна складність AI-систем подвоюється кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальні потужності, що значно перевищує наявні ресурси. Наприклад, для навчання певної відомої AI-моделі потрібна величезна обчислювальна потужність, що дорівнює 355 рокам навчання на одному пристрої. Така нестача обчислювальних потужностей не лише обмежує прогрес у технології AI, але й ускладнює доступ до розвинутих AI-моделей для більшості дослідників і розробників.
Одночасно, глобальна завантаженість GPU становить менше 40%, а також уповільнення зростання продуктивності мікропроцесорів, а також нестача чіпів через проблеми з ланцюгами постачання та геополітичні фактори ускладнюють проблему постачання обчислювальних потужностей. Професіонали у сфері ШІ стикаються з дилемою: або купувати апаратуру, або орендувати хмарні ресурси, їм терміново потрібен економічний та ефективний спосіб отримання обчислювальних послуг за запитом.
Децентралізована мережа обчислювальної потужності AI шляхом агрегації глобально доступних невикористаних ресурсів GPU забезпечує AI-компанії економічним і зручним доступом до ринку обчислювальної потужності. Сторони, що потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, смарт-контракт розподіляє завдання між вузлами, які надають обчислювальну потужність, вузли виконують завдання та подають результати, які перевіряються, після чого отримують винагороду. Ця схема підвищує ефективність використання ресурсів і сприяє вирішенню проблеми обчислювальної потужності в таких сферах, як AI.
Окрім загальної децентралізованої мережі обчислювальних потужностей, існують спеціалізовані платформи обчислювальної потужності, орієнтовані на навчання та інференцію ШІ. Децентралізовані мережі обчислювальної потужності забезпечують справедливий і прозорий ринок обчислювальної потужності, розриваючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі Web3 децентралізовані мережі обчислювальної потужності відіграватимуть ключову роль, залучаючи більше інноваційних застосувань, які разом сприятимуть розвитку та впровадженню технологій ШІ.
DePIN: Web3 надає можливості для крайового AI
Граничний штучний інтелект дозволяє проводити обчислення на джерелі даних, досягаючи низької затримки та обробки в реальному часі, при цьому захищаючи конфіденційність користувачів. Цю технологію вже застосовують у ключових сферах, таких як автономне водіння.
У сфері Web3 більш знайомою нам назвою є DePIN. Web3 підкреслює децентралізацію та суверенітет користувацьких даних, DePIN підвищує захист конфіденційності користувачів через обробку даних локально, зменшуючи ризик витоку даних; рідна для Web3 токеноміка може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.
В даний час DePIN швидко розвивається в деяких екосистемах публічних блокчейнів, стаючи одним з популярних виборів для розгортання проектів. Висока продуктивність, низькі комісії за транзакції та технологічні інновації цих публічних блокчейнів надають потужну підтримку проектам DePIN. Капіталізація ринку деяких проектів DePIN на публічних блокчейнах вже перевищила 10 мільярдів доларів США, а деякі відомі проекти досягли значного прогресу.
IMO：AI-моделі випускають нову парадигму
Концепція IMO була вперше запропонована певним протоколом, який токенізує моделі ШІ.
У традиційній моделі розробникам AI-моделей важко отримувати стійкий дохід від подальшого використання моделей, особливо коли моделі інтегруються в інші продукти та послуги. Крім того, продуктивність і ефективність AI-моделей часто відрізняються від прозорості, що обмежує їхнє визнання на ринку та комерційний потенціал.
IMO надає нову форму фінансової підтримки та розподілу вартості для відкритих AI моделей, інвестори можуть купувати токени IMO та ділитися подальшими доходами від моделей. Один з протоколів використовує специфічні технічні стандарти, поєднуючи on-chain AI оракули та технологію OPML для забезпечення автентичності AI моделей та розподілу доходів серед тримачів токенів.
Модель IMO підвищує прозорість і довіру, сприяє відкритій співпраці, адаптується до тенденцій крипторинку та стимулює сталий розвиток технологій штучного інтелекту. Хоча IMO наразі перебуває на стадії первинних спроб, з підвищенням прийнятності на ринку та розширенням кола учасників її інноваційність і потенційна цінність викликають очікування.
AI Агент: нова ера взаємодії
AI агент може сприймати навколишнє середовище, самостійно мислити та вжити відповідних дій для досягнення цілей. Завдяки підтримці великих мовних моделей, AI агент не тільки може розуміти природну мову, але й планувати рішення, виконувати складні завдання. Вони можуть слугувати віртуальними помічниками, вивчаючи уподобання через взаємодію з користувачами, надаючи персоналізовані рішення. Навіть без чітких вказівок, AI агент також може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.
Деяка платформа для нативних AI-додатків пропонує всебічний і простий у використанні набір інструментів для створення, що дозволяє користувачам налаштовувати функції роботів, зовнішній вигляд, голос та підключати зовнішні бази знань. Вона прагне створити справедливу та відкриту екосистему контенту AI, використовуючи технології генеративного AI, щоб надати можливість особам стати супер-креаторами. Ця платформа навчила спеціалізовану велику мовну модель, що робить рольову гру більш людяною; технологія клонування голосу може прискорити персоналізовану взаємодію AI-продуктів, зменшуючи витрати на синтез голосу на 99%, а клонування голосу займає лише 1 хвилину. Використовуючи AI Agent, налаштованого на цій платформі, наразі його можна застосовувати в багатьох сферах, таких як відеочат, вивчення мов, генерація зображень тощо.
У сфері інтеграції Web3 та AI наразі більше уваги приділяється дослідженням інфраструктурного рівня, таким як отримання високоякісних даних, захист конфіденційності даних, хостинг моделей на блокчейні, підвищення ефективності використання децентралізованих обчислювальних потужностей, верифікація великих мовних моделей тощо. З поступовим вдосконаленням цієї інфраструктури інтеграція Web3 та AI має можливість дати поштовх до появи низки інноваційних бізнес-моделей та послуг.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
AI та Web3 інтеграція: створення нового парадигми децентралізованого інтелектуального інтернету
Поєднання ШІ та Web3: побудова інфраструктури наступного покоління Інтернету
Web3 як нова парадигма Інтернету, що характеризується децентралізацією, відкритістю та прозорістю, має природні точки дотику з AI. У традиційній централізованій архітектурі AI стикається з багатьма викликами, такими як обмеження обчислювальної потужності, витоки конфіденційності та непрозорість алгоритмів. Натомість Web3, що базується на розподілених технологіях, може надати нові можливості для розвитку AI через спільні мережі обчислювальної потужності, відкриті ринки даних та обчислення з конфіденційністю. Водночас AI може принести багато переваг для екосистеми Web3, таких як оптимізація смарт-контрактів та вдосконалення механізмів боротьби з шахрайством. Тому дослідження співпраці між Web3 та AI є важливим для створення інфраструктури майбутнього Інтернету та повного використання цінності даних і обчислювальної потужності.
Дані як основа: AI та Web3
Дані є ключем до прогресу ШІ, як паливо для двигуна. Моделям ШІ потрібно перетравлювати величезну кількість високоякісних даних, щоб отримати глибокі інсайти та потужні能力 міркування. Дані є не лише основою навчання моделей машинного навчання, але й визначають точність і надійність моделей.
Традиційні централізовані моделі отримання та використання даних ШІ мають такі основні проблеми:
Web3 пропонує нову децентралізовану парадигму даних, яка має на меті вирішити ці проблеми:
Проте, у реальному світі існують певні проблеми з отриманням даних, такі як нерівномірна якість даних, складність обробки, недостатня різноманітність та репрезентативність тощо. Синтетичні дані можуть стати важливим напрямком у сфері даних Web3 у майбутньому. Ґрунтуючись на технологіях генеративного штучного інтелекту та моделюванні, синтетичні дані можуть імітувати характеристики реальних даних, слугуючи ефективним доповненням, підвищуючи ефективність використання даних. У таких сферах, як автономне водіння, фінансові ринкові угоди, розробка ігор тощо, синтетичні дані вже продемонстрували зрілі перспективи застосування.
Захист конфіденційності: застосування FHE у Web3
В епоху, керовану даними, захист приватності став глобальною темою для обговорення. Введення таких регуляцій, як Загальний регламент захисту даних (GDPR) ЄС, відображає суворий захист особистої приватності. Однак це також викликало труднощі: частина чутливих даних не може бути повною мірою використана через ризики приватності, що обмежує потенціал і здатність AI моделей до міркування.
Повна гомоморфна криптографія (FHE) дозволяє виконувати обчислення на зашифрованих даних без необхідності їх розшифровки, при цьому результати обчислень збігаються з результатами обчислень над відкритими даними. FHE забезпечує потужний захист для приватних обчислень AI, дозволяючи обчислювальним потужностям GPU виконувати навчання моделей та завдання інференції без доступу до вихідних даних. Це приносить величезні переваги компаніям AI, які можуть забезпечити безпечний доступ до API послуг, захищаючи при цьому комерційну таємницю.
FHEML підтримує шифрування даних та моделей протягом усього циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. Таким чином, FHEML посилює захист конфіденційності даних, надаючи безпечну обчислювальну платформу для AI-додатків.
FHEML є доповненням до ZKML, де ZKML доводить правильність виконання машинного навчання, а FHEML зосереджується на обчисленнях з зашифрованими даними для підтримки конфіденційності даних.
Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах
Поточна обчислювальна складність AI-систем подвоюється кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальні потужності, що значно перевищує наявні ресурси. Наприклад, для навчання певної відомої AI-моделі потрібна величезна обчислювальна потужність, що дорівнює 355 рокам навчання на одному пристрої. Така нестача обчислювальних потужностей не лише обмежує прогрес у технології AI, але й ускладнює доступ до розвинутих AI-моделей для більшості дослідників і розробників.
Одночасно, глобальна завантаженість GPU становить менше 40%, а також уповільнення зростання продуктивності мікропроцесорів, а також нестача чіпів через проблеми з ланцюгами постачання та геополітичні фактори ускладнюють проблему постачання обчислювальних потужностей. Професіонали у сфері ШІ стикаються з дилемою: або купувати апаратуру, або орендувати хмарні ресурси, їм терміново потрібен економічний та ефективний спосіб отримання обчислювальних послуг за запитом.
Децентралізована мережа обчислювальної потужності AI шляхом агрегації глобально доступних невикористаних ресурсів GPU забезпечує AI-компанії економічним і зручним доступом до ринку обчислювальної потужності. Сторони, що потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, смарт-контракт розподіляє завдання між вузлами, які надають обчислювальну потужність, вузли виконують завдання та подають результати, які перевіряються, після чого отримують винагороду. Ця схема підвищує ефективність використання ресурсів і сприяє вирішенню проблеми обчислювальної потужності в таких сферах, як AI.
Окрім загальної децентралізованої мережі обчислювальних потужностей, існують спеціалізовані платформи обчислювальної потужності, орієнтовані на навчання та інференцію ШІ. Децентралізовані мережі обчислювальної потужності забезпечують справедливий і прозорий ринок обчислювальної потужності, розриваючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі Web3 децентралізовані мережі обчислювальної потужності відіграватимуть ключову роль, залучаючи більше інноваційних застосувань, які разом сприятимуть розвитку та впровадженню технологій ШІ.
DePIN: Web3 надає можливості для крайового AI
Граничний штучний інтелект дозволяє проводити обчислення на джерелі даних, досягаючи низької затримки та обробки в реальному часі, при цьому захищаючи конфіденційність користувачів. Цю технологію вже застосовують у ключових сферах, таких як автономне водіння.
У сфері Web3 більш знайомою нам назвою є DePIN. Web3 підкреслює децентралізацію та суверенітет користувацьких даних, DePIN підвищує захист конфіденційності користувачів через обробку даних локально, зменшуючи ризик витоку даних; рідна для Web3 токеноміка може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.
В даний час DePIN швидко розвивається в деяких екосистемах публічних блокчейнів, стаючи одним з популярних виборів для розгортання проектів. Висока продуктивність, низькі комісії за транзакції та технологічні інновації цих публічних блокчейнів надають потужну підтримку проектам DePIN. Капіталізація ринку деяких проектів DePIN на публічних блокчейнах вже перевищила 10 мільярдів доларів США, а деякі відомі проекти досягли значного прогресу.
IMO：AI-моделі випускають нову парадигму
Концепція IMO була вперше запропонована певним протоколом, який токенізує моделі ШІ.
У традиційній моделі розробникам AI-моделей важко отримувати стійкий дохід від подальшого використання моделей, особливо коли моделі інтегруються в інші продукти та послуги. Крім того, продуктивність і ефективність AI-моделей часто відрізняються від прозорості, що обмежує їхнє визнання на ринку та комерційний потенціал.
IMO надає нову форму фінансової підтримки та розподілу вартості для відкритих AI моделей, інвестори можуть купувати токени IMO та ділитися подальшими доходами від моделей. Один з протоколів використовує специфічні технічні стандарти, поєднуючи on-chain AI оракули та технологію OPML для забезпечення автентичності AI моделей та розподілу доходів серед тримачів токенів.
Модель IMO підвищує прозорість і довіру, сприяє відкритій співпраці, адаптується до тенденцій крипторинку та стимулює сталий розвиток технологій штучного інтелекту. Хоча IMO наразі перебуває на стадії первинних спроб, з підвищенням прийнятності на ринку та розширенням кола учасників її інноваційність і потенційна цінність викликають очікування.
AI Агент: нова ера взаємодії
AI агент може сприймати навколишнє середовище, самостійно мислити та вжити відповідних дій для досягнення цілей. Завдяки підтримці великих мовних моделей, AI агент не тільки може розуміти природну мову, але й планувати рішення, виконувати складні завдання. Вони можуть слугувати віртуальними помічниками, вивчаючи уподобання через взаємодію з користувачами, надаючи персоналізовані рішення. Навіть без чітких вказівок, AI агент також може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.
Деяка платформа для нативних AI-додатків пропонує всебічний і простий у використанні набір інструментів для створення, що дозволяє користувачам налаштовувати функції роботів, зовнішній вигляд, голос та підключати зовнішні бази знань. Вона прагне створити справедливу та відкриту екосистему контенту AI, використовуючи технології генеративного AI, щоб надати можливість особам стати супер-креаторами. Ця платформа навчила спеціалізовану велику мовну модель, що робить рольову гру більш людяною; технологія клонування голосу може прискорити персоналізовану взаємодію AI-продуктів, зменшуючи витрати на синтез голосу на 99%, а клонування голосу займає лише 1 хвилину. Використовуючи AI Agent, налаштованого на цій платформі, наразі його можна застосовувати в багатьох сферах, таких як відеочат, вивчення мов, генерація зображень тощо.
У сфері інтеграції Web3 та AI наразі більше уваги приділяється дослідженням інфраструктурного рівня, таким як отримання високоякісних даних, захист конфіденційності даних, хостинг моделей на блокчейні, підвищення ефективності використання децентралізованих обчислювальних потужностей, верифікація великих мовних моделей тощо. З поступовим вдосконаленням цієї інфраструктури інтеграція Web3 та AI має можливість дати поштовх до появи низки інноваційних бізнес-моделей та послуг.