AI та Web3: побудова інфраструктури нового покоління Інтернету

Як нова парадигма Інтернету, що є децентралізованою, відкритою та прозорою, Web3 має природні можливості для інтеграції з AI. У традиційній централізованій архітектурі обчислення AI та ресурси даних підлягають суворому контролю, а також стикаються з такими викликами, як обмеження обчислювальної потужності, витік конфіденційності та «чорні ящики» алгоритмів. Web3, заснований на дистрибутивних технологіях, через спільні обчислювальні мережі, відкриті ринки даних та обчислення конфіденційності, надає новий імпульс для розвитку AI. Одночасно AI може надати багато підтримки для Web3, такої як оптимізація смарт-контрактів та алгоритми протидії шахрайству, сприяючи його екологічному розвитку. Тому дослідження поєднання Web3 та AI має важливе значення для створення інфраструктури наступного покоління Інтернету, розкриття цінності даних та обчислювальної потужності.

Дані, що керують: міцна основа AI та Web3

Дані є основним двигуном розвитку ШІ. Моделям ШІ потрібно обробляти величезну кількість високоякісних даних, щоб отримати глибоке розуміння та потужні здібності до міркування. Дані не лише забезпечують навчальну основу для моделей машинного навчання, але й визначають точність і надійність моделей.

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

• Витрати на отримання даних високі, малим і середнім підприємствам важко їх нести
• Ресурси даних монополізуються великими технологічними компаніями, що утворює ізольовані дані
• Особисті дані піддаються ризику витоку та зловживання

Web3 вирішує болючі моменти традиційних моделей через нову децентралізовану парадигму даних:

• Користувачі можуть продавати невикористані мережеві ресурси AI-компаніям для децентралізованого збору мережевих даних, очищених і перетворених для забезпечення реальних, високоякісних даних для навчання AI-моделей.
• Використовуючи модель "label to earn", залучайте глобальних працівників до маркування даних за допомогою токенів, об'єднуючи глобальні професійні знання та посилюючи можливості аналізу даних.
• Блокчейн платформа для торгівлі даними забезпечує відкритий і прозорий торговий середовище для обох сторін попиту та пропозиції даних, сприяючи інноваціям і обміну даними.

Однак, отримання даних з реального світу все ще стикається з деякими проблемами, такими як нерівність якості даних, велика складність обробки, недостатня різноманітність і репрезентативність. Синтетичні дані можуть стати зіркою майбутнього в галузі даних Web3. На основі технології генеративного ШІ та моделювання синтетичні дані можуть імітувати властивості реальних даних, служачи ефективним доповненням для підвищення ефективності використання даних. У таких сферах, як автономне водіння, торгівля на фінансових ринках та розробка ігор, синтетичні дані вже продемонстрували зрілий потенціал застосування.

Захист приватності: застосування FHE у Web3

У епоху, керовану даними, захист приватності став глобальною проблемою. Прийняття відповідних нормативних актів відображає суворий захист особистої приватності. Проте це також створює виклики: деякі чутливі дані не можуть бути повністю використані через ризики приватності, що обмежує потенціал і здатність до висновків моделей ШІ.

Повна гомоморфна криптографія (FHE) дозволяє виконувати обчислювальні операції на зашифрованих даних без необхідності розшифровування даних, і результати обчислень збігаються з результатами обчислень над відкритими даними. FHE забезпечує надійний захист для приватних обчислень AI, дозволяючи графічним процесорам виконувати навчання моделей і завдання інференції в середовищі, де немає доступу до вихідних даних. Це приносить величезні переваги компаніям, що займаються AI, оскільки вони можуть безпечно відкривати API-сервіси, захищаючи комерційну таємницю.

FHEML підтримує шифрування даних і моделей на всьому циклі машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризикам витоку даних. FHEML посилює конфіденційність даних, надаючи безпечну обчислювальну платформу для AI-додатків. FHEML є доповненням до ZKML, де ZKML підтверджує правильне виконання машинного навчання, а FHEML підкреслює обчислення над зашифрованими даними для збереження конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах

Поточна складність обчислень системи ШІ подвоюється кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальні потужності, що значно перевищує наявні ресурси. Наприклад, для навчання відомої моделі ШІ потрібні величезні обчислювальні потужності, що еквівалентно 355 рокам навчання на одному пристрої. Нестача обчислювальних ресурсів обмежує прогрес технологій ШІ та ускладнює доступ до просунутих моделей ШІ для більшості дослідників та розробників.

Водночас, глобальне використання GPU становить менше 40%, а також уповільнення підвищення продуктивності мікропроцесорів, а також фактори, пов'язані з ланцюгами постачання та геополітикою, призвели до дефіциту чіпів, що ще більше ускладнює проблему постачання обчислювальної потужності. Працівники в галузі штучного інтелекту стикаються з дилемою: або купувати апаратуру, або орендувати хмарні ресурси, їм терміново потрібні економічно ефективні обчислювальні послуги за запитом.

Деякі децентралізовані мережі обчислювальної потужності AI агрегують глобальні вільні ресурси GPU, щоб забезпечити економічно доступний ринок обчислювальної потужності для компаній AI. Сторони, що потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, смарт-контракт розподіляє завдання між вузлами, які вносять обчислювальну потужність, вузли виконують завдання та подають результати, які перевіряються, після чого отримують винагороду. Цей підхід підвищує ефективність використання ресурсів і допомагає вирішити проблему вузьких місць обчислювальної потужності в таких сферах, як AI.

Окрім загальної децентралізованої обчислювальної мережі, існують спеціалізовані обчислювальні мережі, зосереджені на навчанні та висновках ІІ. Децентралізовані обчислювальні мережі забезпечують справедливий та прозорий ринок обчислювальних потужностей, розривають монополію, знижують пороги входження для застосувань, підвищують ефективність використання обчислювальних потужностей. У екосистемі Web3 децентралізовані обчислювальні мережі відіграватимуть ключову роль, залучаючи більше інноваційних застосувань, щоб спільно сприяти розвитку та впровадженню технологій ІІ.

DePIN: Web3 надає можливості Edge AI

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

У сфері Web3 DePIN (децентралізовані фізичні інфраструктурні мережі) має спільні риси з Edge AI. Web3 підкреслює децентралізацію та суверенітет даних користувачів, DePIN покращує захист приватності користувачів шляхом локальної обробки даних, зменшуючи ризики витоку даних. Нативний токеномічний механізм Web3 може стимулювати вузли DePIN надання обчислювальних ресурсів, створюючи сталу екосистему.

Наразі DePIN швидко розвивається в деяких екосистемах публічних блокчейнів, ставши однією з обраних платформ для розгортання проектів. Висока TPS, низькі торгові витрати та технологічні інновації надають потужну підтримку проектам DePIN. Деякі відомі проекти DePIN вже досягли значного прогресу.

IMO：Випуск нової парадигми AI моделей

Концепція IMO (первинне моделювання випуску) передбачає токенізацію AI-моделей. У традиційній моделі розробникам AI-моделей 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 вартості, обмежуючи визнання моделей на ринку та їх комерційний потенціал.

IMO надає нові можливості фінансування та розподілу вартості для відкритих AI моделей. Інвестори можуть купувати токени IMO, щоб ділитися доходами, які модель генерує в подальшому. Деякі протоколи використовують специфічні технологічні стандарти, поєднуючи AI оракул та технологію OPML, щоб забезпечити достовірність AI моделей та можливість для тримачів токенів ділитися доходом.

Модель IMO підвищує прозорість і довіру, заохочує співпрацю з відкритим кодом, адаптується до трендів крипторинку та надає імпульс для сталого розвитку технологій штучного інтелекту. IMO наразі перебуває на початковій стадії тестування, але з підвищенням прийнятності на ринку та розширенням сфери участі її інноваційність і потенційна цінність заслуговують на очікування.

AI Agent: Нова ера інтерактивного досвіду

AI агент може сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення встановлених цілей. Під підтримкою великих мовних моделей, AI агент не лише розуміє природну мову, але й може планувати рішення, виконувати складні завдання. Вони можуть виступати як віртуальні помічники, навчаючись у процесі взаємодії з користувачами їх уподобанням, пропонуючи індивідуальні рішення. Навіть без чітких інструкцій, AI агент може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.

Деякі платформи для створення додатків на основі штучного інтелекту пропонують всебічний і зручний набір інструментів для створення, що дозволяє користувачам налаштовувати функції, зовнішній вигляд, голос роботів, а також підключати зовнішні бази знань, прагнучи створити справедливу та відкриту екосистему контенту на основі штучного інтелекту. Використовуючи технології генеративного штучного інтелекту, ці платформи надають можливість особам стати супер-креаторами. Ці платформи можуть навчати спеціалізовані великі мовні моделі, що робить рольові ігри більш людяними; технологія клонування голосу може прискорити персоналізацію взаємодії продуктів штучного інтелекту та значно знизити витрати на синтез голосу. Використовуючи ці платформи, налаштовані AI Agent, можуть бути застосовані в різних сферах, таких як відео-чат, вивчення мов, створення зображень тощо.

У сфері інтеграції Web3 та AI наразі більше уваги приділяється дослідженням на рівні інфраструктури, таким як отримання якісних даних, захист конфіденційності даних, хостинг моделей на блокчейні, ефективне використання децентралізованих обчислень, перевірка великих мовних моделей та інші ключові питання. З поступовим вдосконаленням цієї інфраструктури інтеграція Web3 та AI має потенціал для створення ряду інноваційних бізнес-моделей та послуг.