Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.
Peluang Web3 di industri AI terletak pada: menggunakan insentif terdistribusi untuk mengoordinasikan pasokan potensial dalam ekor panjang------melintasi data, penyimpanan, dan komputasi; sementara itu, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.
AI di industri Web3 terutama digunakan untuk keuangan on-chain (pembayaran kripto, perdagangan, analisis data) serta membantu pengembangan.
Kegunaan AI+Web3 terletak pada saling melengkapi keduanya: Web3 diharapkan dapat melawan konsentrasi AI, dan AI diharapkan dapat membantu Web3 untuk meluas.
Pendahuluan
Dalam dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepat, sayap kupu-kupu yang dipicu oleh Chatgpt tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga mengguncang arus di pihak Web3.
Dengan dukungan konsep AI, pemulihan pendanaan di pasar kripto yang melambat terlihat jelas. Media mencatat, hanya dalam setengah tahun pertama 2024, ada 64 proyek Web3+AI yang telah menyelesaikan pendanaan, dengan sistem operasi berbasis kecerdasan buatan Zyber365 mencapai jumlah pendanaan tertinggi sebesar 100 juta dolar AS pada putaran A.
Pasar sekunder semakin makmur, data dari sebuah situs agregator kripto menunjukkan bahwa dalam waktu singkat lebih dari satu tahun, total kapitalisasi pasar jalur AI telah mencapai 48,5 miliar dolar, dengan volume perdagangan dalam 24 jam mendekati 8,6 miliar dolar; kemajuan teknologi AI arus utama membawa keuntungan yang jelas, setelah peluncuran model teks ke video Sora dari OpenAI, harga rata-rata sektor AI meningkat sebesar 151%; efek AI juga menjalar ke salah satu sektor pengumpul dana kripto yaitu Meme: konsep MemeCoin AI Agent pertama------GOAT dengan cepat menjadi terkenal dan meraih valuasi 1,4 miliar dolar, berhasil memicu tren AI Meme.
Penelitian dan topik tentang AI+Web3 juga sangat hangat, dari AI+Depin ke AI Memecoin hingga saat ini AI Agent dan AI DAO, emosi FOMO jelas tidak bisa mengikuti kecepatan rotasi narasi baru.
AI+Web3, kombinasi istilah yang dipenuhi uang panas, peluang, dan fantasi masa depan, tak pelak dipandang sebagai pernikahan yang diatur oleh modal. Kita tampaknya sulit membedakan di balik jubah megah ini, apakah ini benar-benar arena para spekulan, atau malam sebelum terjadinya ledakan fajar?
Untuk menjawab pertanyaan ini, sebuah pemikiran yang penting bagi kedua belah pihak adalah, apakah keberadaan satu sama lain akan membuat keadaan lebih baik? Apakah dapat mendapatkan manfaat dari pola satu sama lain? Dalam artikel ini, kami juga berusaha untuk melihat pola ini dari sudut pandang para pendahulu: bagaimana Web3 dapat berperan di setiap aspek tumpukan teknologi AI, dan apa yang dapat diberikan AI untuk memberikan kehidupan baru bagi Web3?
Bagian.1 Apa peluang Web3 di bawah tumpukan AI?
Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi model AI besar:
Dengan bahasa yang lebih sederhana untuk menggambarkan seluruh proses: "Model Besar" seperti otak manusia. Pada tahap awal, otak ini milik bayi yang baru lahir, yang perlu mengamati dan menyerap informasi luar yang melimpah untuk memahami dunia ini, inilah tahap "Pengumpulan" data; karena komputer tidak memiliki indra seperti penglihatan dan pendengaran manusia, sebelum pelatihan, informasi luar yang berskala besar dan tidak terlabel perlu diproses melalui "Pra-pemrosesan" untuk diubah menjadi format informasi yang dapat dipahami dan digunakan oleh komputer.
Setelah memasukkan data, AI membangun model yang memiliki kemampuan pemahaman dan prediksi melalui "pelatihan", yang dapat dianggap sebagai proses di mana bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model seperti kemampuan bahasa yang terus disesuaikan selama proses belajar bayi. Ketika konten yang dipelajari mulai dibagi menjadi subjek, atau ketika berkomunikasi dengan orang lain mendapatkan umpan balik dan melakukan perbaikan, maka masuk ke tahap "penyesuaian halus" dari model besar.
Ketika anak-anak mulai tumbuh dan belajar berbicara, mereka dapat memahami arti dalam percakapan baru dan mengekspresikan perasaan dan pemikiran mereka. Tahap ini mirip dengan "penalaran" dalam model AI besar, di mana model dapat memprediksi dan menganalisis input bahasa dan teks yang baru. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan berbahasa, yang juga mirip dengan model AI besar yang diterapkan pada berbagai tugas spesifik setelah selesai dilatih dan digunakan, seperti klasifikasi gambar, pengenalan suara, dan lain-lain.
AI Agent semakin mendekati bentuk berikutnya dari model besar------mampu melaksanakan tugas secara mandiri dan mengejar tujuan yang kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan mampu menggunakan alat untuk berinteraksi dengan dunia.
Saat ini, terkait dengan titik sakit AI di berbagai tumpukan, Web3 saat ini telah membentuk ekosistem yang saling terhubung dan multi-lapis, mencakup berbagai tahap proses model AI.
Satu, Lapisan Dasar: Daya Komputasi dan Data Airbnb
Kekuatan Komputasi
Saat ini, salah satu biaya tertinggi AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan menjalankan model.
Salah satu contohnya adalah, LLAMA3 milik Meta memerlukan 16.000 H100GPU yang diproduksi oleh NVIDIA (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi berkinerja tinggi.) untuk menyelesaikan pelatihan dalam waktu 30 hari. Harga per unit versi 80GB berkisar antara 30.000 hingga 40.000 dolar AS, yang memerlukan investasi perangkat keras komputasi sebesar 400-700 juta dolar AS (GPU + chip jaringan), sementara pelatihan bulanan memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar AS per bulan.
Untuk dekompresi kekuatan AI, ini adalah salah satu bidang pertama di mana Web3 berinteraksi dengan AI------DePin (Jaringan Infrastruktur Fisik Terdesentralisasi) saat ini, sebuah situs data telah mencantumkan lebih dari 1400 proyek, di mana proyek-proyek yang mewakili berbagi kekuatan GPU termasuk io.net, Aethir, Akash, Render Network, dan lain-lain.
Logika utamanya adalah: platform memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk menyumbangkan kemampuan komputasi mereka secara terdesentralisasi tanpa izin, melalui pasar online pembeli dan penjual yang mirip dengan Uber atau Airbnb, meningkatkan pemanfaatan sumber daya GPU yang kurang dimanfaatkan, sehingga pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dan biaya rendah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran terhadap mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapatkan hukuman yang sesuai.
Ciri-cirinya adalah:
Mengumpulkan sumber daya GPU yang tidak terpakai: Pemasok utama adalah pusat data independen kecil dan menengah pihak ketiga, serta operator sumber daya hashing yang berlebih dari tambang kripto, dengan mekanisme konsensus untuk perangkat keras penambangan PoS, seperti mesin tambang FileCoin dan ETH. Saat ini juga ada proyek yang bertujuan untuk memulai perangkat dengan ambang batas lebih rendah, seperti exolab yang memanfaatkan MacBook, iPhone, iPad, dan perangkat lokal lainnya untuk membangun jaringan daya komputasi untuk inferensi model besar.
Menghadapi pasar ekor panjang dari kekuatan AI:
a. "Dari sisi teknis", pasar komputasi terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan lebih bergantung pada kemampuan pemrosesan data yang dihadirkan oleh GPU dengan skala kluster yang sangat besar, sedangkan inferensi memiliki kebutuhan kinerja komputasi GPU yang relatif lebih rendah, seperti Aethir yang fokus pada pekerjaan rendering dengan latensi rendah dan aplikasi inferensi AI.
b. "Dari sisi permintaan" pihak dengan kekuatan komputasi kecil tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan menyetel model-model besar yang sedikit, dan semua skenario ini secara alami cocok untuk sumber daya komputasi terdistribusi yang tidak terpakai.
Kepemilikan terdesentralisasi: Makna teknis blockchain adalah bahwa pemilik sumber daya selalu mempertahankan kontrol atas sumber daya tersebut, menyesuaikan secara fleksibel sesuai permintaan, sambil mendapatkan keuntungan.
Data
Data adalah fondasi AI. Tanpa data, perhitungan seperti daun terapung yang tidak berguna, dan hubungan antara data dan model seperti pepatah "Garbage in, Garbage out", jumlah data dan kualitas input menentukan kualitas output akhir dari model. Dalam pelatihan model AI saat ini, data menentukan kemampuan bahasa model, kemampuan pemahaman, bahkan pandangan nilai dan penampilan kemanusiaan. Saat ini, tantangan permintaan data AI terutama terfokus pada empat aspek berikut:
Ketergantungan Data: Pelatihan model AI bergantung pada input data yang besar. Data publik menunjukkan bahwa OpenAI melatih GPT-4 dengan jumlah parameter mencapai tingkat triliunan.
Kualitas data: Seiring dengan penggabungan AI dengan berbagai industri, ketepatan waktu data, keberagaman data, profesionalisme data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga menimbulkan tuntutan baru terhadap kualitasnya.
Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya kumpulan data berkualitas, dan sedang membatasi pengambilan kumpulan data.
Biaya pemrosesan data yang tinggi: Jumlah data besar, proses pemrosesan yang rumit. Data publik menunjukkan bahwa lebih dari 30% biaya R&D perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.
Saat ini, solusi web3 tercermin dalam empat aspek berikut:
Pengumpulan data: Data dunia nyata yang dapat diambil secara gratis semakin menipis dengan cepat, dan pengeluaran perusahaan AI untuk data meningkat setiap tahun. Namun, sekaligus, pengeluaran ini tidak memberikan imbalan kepada kontributor data yang sebenarnya, platform sepenuhnya menikmati penciptaan nilai yang dihasilkan oleh data, seperti platform media sosial tertentu yang menghasilkan total pendapatan 203 juta dolar AS melalui perjanjian lisensi data dengan perusahaan AI.
Visi Web3 adalah memungkinkan pengguna yang benar-benar berkontribusi untuk ikut serta dalam penciptaan nilai yang dihasilkan oleh data, serta mendapatkan data yang lebih pribadi dan bernilai dengan biaya rendah melalui jaringan terdistribusi dan mekanisme insentif.
Grass adalah lapisan dan jaringan data terdesentralisasi, pengguna dapat menjalankan node Grass, menyumbangkan bandwidth yang tidak terpakai dan lalu lintas relay untuk menangkap data waktu nyata dari seluruh internet, dan mendapatkan hadiah token;
Vana memperkenalkan konsep kolam likuiditas data yang unik (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan menjelajah, aktivitas media sosial, dll.) ke DLP tertentu dan dengan fleksibel memilih apakah akan memberikan izin kepada pihak ketiga tertentu untuk menggunakan data tersebut;
Di PublicAI, pengguna dapat menggunakan #AI 或#Web3 sebagai label kategori di X dan @PublicAI untuk melakukan pengumpulan data.
Prabaca Data: Dalam proses pengolahan data AI, karena data yang dikumpulkan biasanya berisik dan mengandung kesalahan, data tersebut harus dibersihkan dan diubah menjadi format yang dapat digunakan sebelum melatih model, yang melibatkan standar, penyaringan, dan pemrosesan nilai yang hilang. Tahap ini adalah salah satu dari sedikit langkah manual dalam industri AI, yang telah melahirkan industri pelabelan data. Seiring dengan meningkatnya tuntutan model terhadap kualitas data, ambang batas untuk pelabelan data juga meningkat, dan tugas ini secara alami cocok dengan mekanisme insentif terdesentralisasi Web3.
Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk bergabung dalam tahap penting ini yaitu penandaan data.
Synesis mengajukan konsep "Train2earn", menekankan kualitas data, pengguna dapat memperoleh imbalan dengan menyediakan data yang terannotasi, komentar, atau bentuk masukan lainnya.
Proyek penandaan data Sapien menggamifikasi tugas penandaan dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.
Privasi dan Keamanan Data: Yang perlu diperjelas adalah bahwa privasi data dan keamanan adalah dua konsep yang berbeda. Privasi data berkaitan dengan pengolahan data sensitif, sedangkan keamanan data melindungi informasi data dari akses, penghancuran, dan pencurian yang tidak sah. Dengan demikian, keunggulan teknologi privasi Web3 dan potensi aplikasi terwujud dalam dua aspek: (1) Pelatihan data sensitif; (2) Kolaborasi data: Beberapa pemilik data dapat berpartisipasi bersama dalam pelatihan AI tanpa harus membagikan data asli mereka.
Teknologi privasi yang saat ini umum digunakan di Web3 meliputi:
Lingkungan Eksekusi Terpercaya ( TEE ), seperti Protokol Super;
Enkripsi Homomorfik Penuh (FHE), seperti BasedAI, Fhenix.io, atau Inco Network;
Teknologi zero-knowledge (zk), seperti Protokol Reclaim yang menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor data aktivitas, reputasi, dan identitas dari situs web eksternal dengan aman, tanpa mengungkapkan informasi sensitif.
Namun, saat ini bidang ini masih berada pada tahap awal, sebagian besar proyek masih dalam tahap eksplorasi, dan salah satu kendala saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah:
kerangka zkML
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
Integrasi AI dan Web3: Pasar Terbuka dan Co-Creation Nilai
AI+Web3: Menara dan Lapangan
TL;DR
Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.
Peluang Web3 di industri AI terletak pada: menggunakan insentif terdistribusi untuk mengoordinasikan pasokan potensial dalam ekor panjang------melintasi data, penyimpanan, dan komputasi; sementara itu, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.
AI di industri Web3 terutama digunakan untuk keuangan on-chain (pembayaran kripto, perdagangan, analisis data) serta membantu pengembangan.
Kegunaan AI+Web3 terletak pada saling melengkapi keduanya: Web3 diharapkan dapat melawan konsentrasi AI, dan AI diharapkan dapat membantu Web3 untuk meluas.
Pendahuluan
Dalam dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepat, sayap kupu-kupu yang dipicu oleh Chatgpt tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga mengguncang arus di pihak Web3.
Dengan dukungan konsep AI, pemulihan pendanaan di pasar kripto yang melambat terlihat jelas. Media mencatat, hanya dalam setengah tahun pertama 2024, ada 64 proyek Web3+AI yang telah menyelesaikan pendanaan, dengan sistem operasi berbasis kecerdasan buatan Zyber365 mencapai jumlah pendanaan tertinggi sebesar 100 juta dolar AS pada putaran A.
Pasar sekunder semakin makmur, data dari sebuah situs agregator kripto menunjukkan bahwa dalam waktu singkat lebih dari satu tahun, total kapitalisasi pasar jalur AI telah mencapai 48,5 miliar dolar, dengan volume perdagangan dalam 24 jam mendekati 8,6 miliar dolar; kemajuan teknologi AI arus utama membawa keuntungan yang jelas, setelah peluncuran model teks ke video Sora dari OpenAI, harga rata-rata sektor AI meningkat sebesar 151%; efek AI juga menjalar ke salah satu sektor pengumpul dana kripto yaitu Meme: konsep MemeCoin AI Agent pertama------GOAT dengan cepat menjadi terkenal dan meraih valuasi 1,4 miliar dolar, berhasil memicu tren AI Meme.
Penelitian dan topik tentang AI+Web3 juga sangat hangat, dari AI+Depin ke AI Memecoin hingga saat ini AI Agent dan AI DAO, emosi FOMO jelas tidak bisa mengikuti kecepatan rotasi narasi baru.
AI+Web3, kombinasi istilah yang dipenuhi uang panas, peluang, dan fantasi masa depan, tak pelak dipandang sebagai pernikahan yang diatur oleh modal. Kita tampaknya sulit membedakan di balik jubah megah ini, apakah ini benar-benar arena para spekulan, atau malam sebelum terjadinya ledakan fajar?
Untuk menjawab pertanyaan ini, sebuah pemikiran yang penting bagi kedua belah pihak adalah, apakah keberadaan satu sama lain akan membuat keadaan lebih baik? Apakah dapat mendapatkan manfaat dari pola satu sama lain? Dalam artikel ini, kami juga berusaha untuk melihat pola ini dari sudut pandang para pendahulu: bagaimana Web3 dapat berperan di setiap aspek tumpukan teknologi AI, dan apa yang dapat diberikan AI untuk memberikan kehidupan baru bagi Web3?
Bagian.1 Apa peluang Web3 di bawah tumpukan AI?
Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi model AI besar:
Dengan bahasa yang lebih sederhana untuk menggambarkan seluruh proses: "Model Besar" seperti otak manusia. Pada tahap awal, otak ini milik bayi yang baru lahir, yang perlu mengamati dan menyerap informasi luar yang melimpah untuk memahami dunia ini, inilah tahap "Pengumpulan" data; karena komputer tidak memiliki indra seperti penglihatan dan pendengaran manusia, sebelum pelatihan, informasi luar yang berskala besar dan tidak terlabel perlu diproses melalui "Pra-pemrosesan" untuk diubah menjadi format informasi yang dapat dipahami dan digunakan oleh komputer.
Setelah memasukkan data, AI membangun model yang memiliki kemampuan pemahaman dan prediksi melalui "pelatihan", yang dapat dianggap sebagai proses di mana bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model seperti kemampuan bahasa yang terus disesuaikan selama proses belajar bayi. Ketika konten yang dipelajari mulai dibagi menjadi subjek, atau ketika berkomunikasi dengan orang lain mendapatkan umpan balik dan melakukan perbaikan, maka masuk ke tahap "penyesuaian halus" dari model besar.
Ketika anak-anak mulai tumbuh dan belajar berbicara, mereka dapat memahami arti dalam percakapan baru dan mengekspresikan perasaan dan pemikiran mereka. Tahap ini mirip dengan "penalaran" dalam model AI besar, di mana model dapat memprediksi dan menganalisis input bahasa dan teks yang baru. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan berbahasa, yang juga mirip dengan model AI besar yang diterapkan pada berbagai tugas spesifik setelah selesai dilatih dan digunakan, seperti klasifikasi gambar, pengenalan suara, dan lain-lain.
AI Agent semakin mendekati bentuk berikutnya dari model besar------mampu melaksanakan tugas secara mandiri dan mengejar tujuan yang kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan mampu menggunakan alat untuk berinteraksi dengan dunia.
Saat ini, terkait dengan titik sakit AI di berbagai tumpukan, Web3 saat ini telah membentuk ekosistem yang saling terhubung dan multi-lapis, mencakup berbagai tahap proses model AI.
Satu, Lapisan Dasar: Daya Komputasi dan Data Airbnb
Kekuatan Komputasi
Saat ini, salah satu biaya tertinggi AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan menjalankan model.
Salah satu contohnya adalah, LLAMA3 milik Meta memerlukan 16.000 H100GPU yang diproduksi oleh NVIDIA (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi berkinerja tinggi.) untuk menyelesaikan pelatihan dalam waktu 30 hari. Harga per unit versi 80GB berkisar antara 30.000 hingga 40.000 dolar AS, yang memerlukan investasi perangkat keras komputasi sebesar 400-700 juta dolar AS (GPU + chip jaringan), sementara pelatihan bulanan memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar AS per bulan.
Untuk dekompresi kekuatan AI, ini adalah salah satu bidang pertama di mana Web3 berinteraksi dengan AI------DePin (Jaringan Infrastruktur Fisik Terdesentralisasi) saat ini, sebuah situs data telah mencantumkan lebih dari 1400 proyek, di mana proyek-proyek yang mewakili berbagi kekuatan GPU termasuk io.net, Aethir, Akash, Render Network, dan lain-lain.
Logika utamanya adalah: platform memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk menyumbangkan kemampuan komputasi mereka secara terdesentralisasi tanpa izin, melalui pasar online pembeli dan penjual yang mirip dengan Uber atau Airbnb, meningkatkan pemanfaatan sumber daya GPU yang kurang dimanfaatkan, sehingga pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dan biaya rendah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran terhadap mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapatkan hukuman yang sesuai.
Ciri-cirinya adalah:
Mengumpulkan sumber daya GPU yang tidak terpakai: Pemasok utama adalah pusat data independen kecil dan menengah pihak ketiga, serta operator sumber daya hashing yang berlebih dari tambang kripto, dengan mekanisme konsensus untuk perangkat keras penambangan PoS, seperti mesin tambang FileCoin dan ETH. Saat ini juga ada proyek yang bertujuan untuk memulai perangkat dengan ambang batas lebih rendah, seperti exolab yang memanfaatkan MacBook, iPhone, iPad, dan perangkat lokal lainnya untuk membangun jaringan daya komputasi untuk inferensi model besar.
Menghadapi pasar ekor panjang dari kekuatan AI:
a. "Dari sisi teknis", pasar komputasi terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan lebih bergantung pada kemampuan pemrosesan data yang dihadirkan oleh GPU dengan skala kluster yang sangat besar, sedangkan inferensi memiliki kebutuhan kinerja komputasi GPU yang relatif lebih rendah, seperti Aethir yang fokus pada pekerjaan rendering dengan latensi rendah dan aplikasi inferensi AI.
b. "Dari sisi permintaan" pihak dengan kekuatan komputasi kecil tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan menyetel model-model besar yang sedikit, dan semua skenario ini secara alami cocok untuk sumber daya komputasi terdistribusi yang tidak terpakai.
Data
Data adalah fondasi AI. Tanpa data, perhitungan seperti daun terapung yang tidak berguna, dan hubungan antara data dan model seperti pepatah "Garbage in, Garbage out", jumlah data dan kualitas input menentukan kualitas output akhir dari model. Dalam pelatihan model AI saat ini, data menentukan kemampuan bahasa model, kemampuan pemahaman, bahkan pandangan nilai dan penampilan kemanusiaan. Saat ini, tantangan permintaan data AI terutama terfokus pada empat aspek berikut:
Ketergantungan Data: Pelatihan model AI bergantung pada input data yang besar. Data publik menunjukkan bahwa OpenAI melatih GPT-4 dengan jumlah parameter mencapai tingkat triliunan.
Kualitas data: Seiring dengan penggabungan AI dengan berbagai industri, ketepatan waktu data, keberagaman data, profesionalisme data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga menimbulkan tuntutan baru terhadap kualitasnya.
Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya kumpulan data berkualitas, dan sedang membatasi pengambilan kumpulan data.
Biaya pemrosesan data yang tinggi: Jumlah data besar, proses pemrosesan yang rumit. Data publik menunjukkan bahwa lebih dari 30% biaya R&D perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.
Saat ini, solusi web3 tercermin dalam empat aspek berikut:
Visi Web3 adalah memungkinkan pengguna yang benar-benar berkontribusi untuk ikut serta dalam penciptaan nilai yang dihasilkan oleh data, serta mendapatkan data yang lebih pribadi dan bernilai dengan biaya rendah melalui jaringan terdistribusi dan mekanisme insentif.
Grass adalah lapisan dan jaringan data terdesentralisasi, pengguna dapat menjalankan node Grass, menyumbangkan bandwidth yang tidak terpakai dan lalu lintas relay untuk menangkap data waktu nyata dari seluruh internet, dan mendapatkan hadiah token;
Vana memperkenalkan konsep kolam likuiditas data yang unik (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan menjelajah, aktivitas media sosial, dll.) ke DLP tertentu dan dengan fleksibel memilih apakah akan memberikan izin kepada pihak ketiga tertentu untuk menggunakan data tersebut;
Di PublicAI, pengguna dapat menggunakan #AI 或#Web3 sebagai label kategori di X dan @PublicAI untuk melakukan pengumpulan data.
Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk bergabung dalam tahap penting ini yaitu penandaan data.
Synesis mengajukan konsep "Train2earn", menekankan kualitas data, pengguna dapat memperoleh imbalan dengan menyediakan data yang terannotasi, komentar, atau bentuk masukan lainnya.
Proyek penandaan data Sapien menggamifikasi tugas penandaan dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.
Teknologi privasi yang saat ini umum digunakan di Web3 meliputi:
Lingkungan Eksekusi Terpercaya ( TEE ), seperti Protokol Super;
Enkripsi Homomorfik Penuh (FHE), seperti BasedAI, Fhenix.io, atau Inco Network;
Teknologi zero-knowledge (zk), seperti Protokol Reclaim yang menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor data aktivitas, reputasi, dan identitas dari situs web eksternal dengan aman, tanpa mengungkapkan informasi sensitif.
Namun, saat ini bidang ini masih berada pada tahap awal, sebagian besar proyek masih dalam tahap eksplorasi, dan salah satu kendala saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah: