Слияние AI и Web3: создание инфраструктуры нового поколения интернета

Как новая парадигма интернета, основанная на децентрализации, открытости и прозрачности, Web3 имеет естественные возможности для интеграции с ИИ. В традиционной централизованной архитектуре вычисления ИИ и ресурсы данных сталкиваются с жестким контролем, а также с такими проблемами, как узкие места в вычислительной мощности, утечки конфиденциальной информации и черные ящики алгоритмов. В то же время Web3, основываясь на распределенных технологиях, через совместные сети вычислительной мощности, открытые рынки данных и вычисления с учетом конфиденциальности, вносит новый импульс в развитие ИИ. Кроме того, ИИ может предоставить множество поддержек для Web3, таких как оптимизация смарт-контрактов и алгоритмы противодействия мошенничеству, способствуя строительству его экосистемы. Таким образом, исследование сочетания Web3 и ИИ имеет важное значение для создания инфраструктуры следующего поколения интернета и раскрытия ценности данных и вычислительной мощности.

Данные как основа: надежный фундамент AI и Web3

Данные являются ключевым двигателем развития ИИ. Модели ИИ нуждаются в обработке огромного объема качественных данных, чтобы получить глубокое понимание и мощные способности к рассуждению; данные не только обеспечивают базу для обучения моделей машинного обучения, но также определяют точность и надежность моделей.

Традиционные централизованные модели получения и использования данных AI имеют следующие основные проблемы:

• Высокие затраты на получение данных, малым и средним компаниям трудно их нести
• Ресурсы данных монополизированы крупными технологическими компаниями, образуя изолированные данные
• Личные данные подвержены рискам утечки и злоупотребления.

Web3 решает проблемы традиционных моделей с помощью новой децентрализованной парадигмы данных:

• Пользователи могут продавать неиспользуемые сетевые ресурсы AI-компаниям для децентрализованного сбора данных из сети, которые после очистки и преобразования будут предоставлены для обучения AI-моделей качественными, реальными данными.
• Используя модель "label to earn", привлекая глобальных работников к аннотации данных с помощью токенов, собирая мировую экспертизу и усиливая возможности анализа данных.
• Платформа торговли данными на блокчейне предоставляет открыенную и прозрачную среду для торговли обеим сторонам спроса и предложения данных, способствуя инновациям и обмену данными.

Однако, получение данных из реального мира по-прежнему сталкивается с некоторыми проблемами, такими как неравномерное качество данных, сложность обработки, недостаток разнообразия и представительности и т.д. Синтетические данные могут стать звездой будущего в области данных Web3. На основе генеративных технологий ИИ и моделирования синтетические данные могут имитировать свойства реальных данных, служа эффективным дополнением для повышения эффективности использования данных. В таких областях, как автономное вождение, торговля на финансовых рынках и разработка игр, синтетические данные уже продемонстрировали зрелый потенциал применения.

Защита конфиденциальности: Применение FHE в Web3

В эпоху данных защита конфиденциальности стала объектом глобального внимания. Принятие соответствующих регуляций отражает строгую защиту личной конфиденциальности. Однако это также создает вызовы: некоторые чувствительные данные не могут быть в полной мере использованы из-за рисков конфиденциальности, что ограничивает потенциал и способности моделирования ИИ.

Полностью однородное шифрование (FHE) позволяет выполнять вычислительные операции непосредственно над зашифрованными данными без необходимости их расшифровки, при этом результаты вычислений совпадают с результатами вычислений над открытыми данными. FHE обеспечивает надежную защиту для приватных вычислений ИИ, позволяя вычислительным мощностям GPU выполнять обучение моделей и задачи вывода без доступа к исходным данным. Это приносит значительные преимущества компаниям в области ИИ, позволяя безопасно открывать API-сервисы при защите коммерческих тайн.

FHEML поддерживает шифрование данных и моделей на протяжении всего цикла машинного обучения, гарантируя безопасность чувствительной информации и предотвращая риски утечки данных. FHEML усиливает конфиденциальность данных и предоставляет безопасную вычислительную структуру для AI-приложений. FHEML является дополнением к ZKML, который доказывает правильность выполнения машинного обучения, в то время как FHEML подчеркивает необходимость вычислений с зашифрованными данными для поддержания конфиденциальности данных.

Революция вычислительной мощности: AI-вычисления в децентрализованных сетях

Текущая вычислительная сложность AI-систем удваивается каждые 3 месяца, что приводит к резкому росту потребности в вычислительных ресурсах, значительно превышающей существующие поставки вычислительных ресурсов. Например, для обучения одной известной модели AI требуется огромная вычислительная мощность, эквивалентная 355 годам обучения на одном устройстве. Недостаток вычислительных ресурсов не только ограничивает прогресс технологий AI, но и делает высокоуровневые модели AI недоступными для большинства исследователей и разработчиков.

В то же время мировая загрузка GPU составляет менее 40%, а также замедление повышения производительности микропроцессоров, а также факторы, связанные с цепочками поставок и геополитикой, приводят к нехватке чипов, что усугубляет проблему поставок вычислительных мощностей. Специалисты в области ИИ сталкиваются с дилеммой: либо покупать собственное оборудование, либо арендовать облачные ресурсы, им крайне необходимы экономичные и гибкие вычислительные услуги по запросу.

Некоторые децентрализованные сети вычислительной мощности AI агрегируют глобальные неиспользуемые ресурсы GPU, предоставляя AI-компаниям экономически доступный рынок вычислительной мощности. Стороны, нуждающиеся в вычислительной мощности, могут публиковать вычислительные задачи в сети, смарт-контракты распределяют задачи между узлами, которые предоставляют вычислительную мощность, узлы выполняют задачи и отправляют результаты, которые после проверки получают вознаграждение. Эта схема повышает эффективность использования ресурсов и помогает решить проблемы с узкими местами в вычислительной мощности в таких областях, как AI.

Помимо универсальных децентрализованных вычислительных сетей, существуют специализированные вычислительные сети, сосредоточенные на обучении и выводе ИИ. Децентрализованные вычислительные сети предоставляют справедливый и прозрачный рынок вычислительных мощностей, разрушают монополию, снижают барьеры для приложений и повышают эффективность использования вычислительных мощностей. В экосистеме Web3 децентрализованные вычислительные сети сыграют ключевую роль, привлекая больше инновационных приложений для совместного продвижения развития и применения технологий ИИ.

DePIN: Web3 наделяет Edge AI возможностями

Edge AI позволяет выполнять вычисления на источнике данных, обеспечивая низкую задержку и обработку в реальном времени, одновременно защищая конфиденциальность пользователей. Технология Edge AI уже применяется в таких ключевых областях, как автономное вождение.

В области Web3 DePIN (децентрализованная сеть физической инфраструктуры) имеет сходство с Edge AI. Web3 подчеркивает децентрализацию и суверенитет пользовательских данных, а DePIN усиливает защиту конфиденциальности пользователей, обрабатывая данные локально и снижая риск утечки данных. Внедренный в Web3 механизм токеномики может стимулировать узлы DePIN предоставлять вычислительные ресурсы, создавая устойчивую экосистему.

В настоящее время DePIN быстро развивается в некоторых экосистемах публичных блокчейнов, становясь одной из предпочтительных платформ для развертывания проектов. Высокая TPS, низкие транзакционные издержки и технологические инновации обеспечивают мощную поддержку проектам DePIN. Некоторые известные проекты DePIN уже достигли значительного прогресса.

IMO: Новый парадигма выпуска AI моделей

Концепция IMO (Начальная Модельная Выпуск) токенизирует AI модели. В традиционной модели разработчикам AI моделей сложно получать постоянный доход от последующего использования моделей, особенно когда модели интегрируются в другие продукты и услуги. Кроме того, производительность и эффективность AI моделей часто не прозрачны, что затрудняет потенциальным инвесторам и пользователям оценку их истинной стоимости, что ограничивает рыночное признание и коммерческий потенциал моделей.

IMO предоставляет новый способ финансирования и распределения ценностей для открытых AI моделей. Инвесторы могут приобретать токены IMO, чтобы делиться доходами, полученными от модели в будущем. Некоторые протоколы используют определенные технологические стандарты в сочетании с AI оракулом и технологией OPML, чтобы обеспечить подлинность AI моделей и возможность держателей токенов делиться доходами.

Модель IMO повышает прозрачность и доверие, поощряет сотрудничество с открытым исходным кодом, адаптируется к тенденциям крипторынка и вносит вклад в устойчивое развитие технологий ИИ. IMO в настоящее время находится на стадии начальных попыток, но с увеличением уровня принятия на рынке и расширением масштаба участия его инновационность и потенциальная ценность вызывают ожидания.

AI-агент: новая эра интерактивного опыта

AI-агент может воспринимать окружающую среду, проводить независимое мышление и предпринимать соответствующие действия для достижения поставленных целей. При поддержке больших языковых моделей AI-агенты не только могут понимать естественный язык, но и планировать решения, выполнять сложные задачи. Они могут функционировать как виртуальные помощники, обучаясь предпочтениям пользователей через взаимодействие и предлагая персонализированные решения. Даже без четких указаний AI-агенты могут самостоятельно решать проблемы, повышать эффективность и создавать новую ценность.

Некоторые платформы с нативными приложениями ИИ предлагают полный и удобный набор инструментов для создания, позволяя пользователям настраивать функции роботов, внешний вид, голос и подключение к внешним базам знаний, стремясь создать справедливую и открытую экосистему контента ИИ, используя технологии генеративного ИИ, наделяя людей возможностями стать супер создателями. Эти платформы могут обучать специализированные большие языковые модели, чтобы сделать ролевые игры более человечными; технологии клонирования голоса могут ускорить персонализированное взаимодействие с продуктами ИИ и значительно снизить стоимость синтеза речи. Используемые на этих платформах настраиваемые агенты ИИ в настоящее время могут применяться в различных областях, таких как видеочат, изучение языков, генерация изображений и др.

В области интеграции Web3 и ИИ в настоящее время больше внимания уделяется исследованию инфраструктурного уровня, таким как получение качественных данных, защита конфиденциальности данных, управление моделями на цепочке, эффективное использование децентрализованных вычислительных мощностей, валидация крупных языковых моделей и другим ключевым вопросам. По мере постепенного совершенствования этой инфраструктуры интеграция Web3 и ИИ, вероятно, приведет к возникновению ряда инновационных бизнес-моделей и услуг.