AI+Web3: Башни и площади

ТЛ; ДОКТОР

1. Проекты Web3 с концепцией ИИ становятся объектами притяжения капиталов на первичном и вторичном рынках.

2. Возможности Web3 в индустрии ИИ проявляются в: использовании распределенных стимулов для координации потенциального предложения в длинном хвосте ------ через данные, хранение и вычисления; в то же время создание открытой модели и децентрализованного рынка AI-агентов.

3. Основные области применения ИИ в индустрии Web3 — это финансовые операции на блокчейне (криптоплатежи, сделки, анализ данных) и помощь в разработке.

4. Эффективность AI+Web3 проявляется в их взаимодополняемости: Web3 обещает противостоять централизации AI, а AI обещает помочь Web3 выйти за пределы.

! AI+Web3: Башни и площади

Введение

За последние два года развитие ИИ похоже на нажатие кнопки ускорения; это вызванное Chatgpt движение бабочки открыло не только новый мир генеративного искусственного интеллекта, но и создало мощные волны в Web3 на другом берегу.

С поддержкой концепции ИИ, очевидно, что финансирование в замедляющемся крипторынке значительно увеличилось. По данным СМИ, только в первой половине 2024 года было завершено финансирование 64 проектов Web3+AI, а операционная система на базе искусственного интеллекта Zyber365 в раунде A достигла максимального объема финансирования в 100 миллионов долларов.

Вторичный рынок стал более процветающим, данные с одного крипто-агрегаторного сайта показывают, что всего за чуть больше года общая рыночная капитализация в сегменте AI достигла 48,5 миллиарда долларов, а объем торгов за 24 часа близок к 8,6 миллиарда долларов; позитивное влияние прогресса основных AI технологий очевидно, после выпуска модели OpenAI Sora по преобразованию текста в видео средняя цена в секторе AI увеличилась на 151%; эффект AI также распространился на один из сегментов криптовалют, привлекающих капиталы, Meme: первая концепция AI Agent MemeCoin ------ GOAT быстро завоевала популярность и достигла оценки в 1,4 миллиарда долларов, успешно разжигая ажиотаж вокруг AI Meme.

Исследования и темы, касающиеся AI+Web3, также на пике популярности, от AI+Depin до AI Memecoin, а затем к текущим AI Agent и AI DAO, FOMO-эмоции уже не успевают за скоростью смены нового повествования.

AI+Web3, эта комбинация терминов, полная горячих денег, трендов и фантазий о будущем, неизбежно воспринимается как брак по расчету, организованный капиталом. Нам, похоже, трудно разобраться, под этой роскошной мантией на самом деле находится арена спекулянтов или предрассветное время взрыва?

Чтобы ответить на этот вопрос, ключевым размышлением для обеих сторон является: станет ли лучше с другой стороны? Можно ли извлечь выгоду из модели другой стороны? В этой статье мы также пытаемся взглянуть на эту картину, опираясь на плечи предшественников: как Web3 может сыграть роль на всех этапах стека технологий AI, и что AI может привнести в Web3 нового дыхания?

! AI+Web3: Башни и площади

Часть 1 Какие возможности для Web3 под стеком ИИ?

Перед тем как развивать эту тему, нам необходимо понять технологический стек больших моделей ИИ:

Говоря более простым языком, весь процесс можно описать так: «Большая модель» похожа на человеческий мозг. На раннем этапе этот мозг принадлежит новорожденному ребенку, который только что появился на свет и нуждается в наблюдении и поглощении огромного количества информации из окружающего мира для понимания этого мира. Это этап «сбора» данных. Поскольку компьютеры не обладают человеческими визуальными, слуховыми и другими сенсорными восприятиями, перед обучением большие объемы необработанной информации из внешней среды необходимо преобразовать через «предобработку» в формат информации, который может понять и использовать компьютер.

После ввода данных ИИ создает модель с пониманием и предсказательной способностью через «обучение», что можно рассматривать как процесс, при котором младенец постепенно понимает и изучает окружающий мир. Параметры модели подобны языковым навыкам, которые младенец постоянно корректирует в процессе обучения. Когда содержание обучения начинает разделяться на категории или происходит общение с людьми, получая обратную связь и корректируя, происходит этап «доработки» большой модели.

Дети постепенно растут и, научившись говорить, могут понимать смысл в новых разговорах и выражать свои чувства и мысли. Этот этап схож с «выводами» больших моделей ИИ, которые способны предсказывать и анализировать новые языковые и текстовые входные данные. Младенцы выражают чувства с помощью языковых навыков, описывают предметы и решают различные проблемы, что также похоже на то, как большие модели ИИ применяются на этапе вывода для выполнения различных конкретных задач, таких как классификация изображений, распознавание речи и т.д.

А ИИ-агент более близок к следующей форме большого модели ------ он способен самостоятельно выполнять задачи и стремиться к сложным целям, обладая не только способностью к мышлению, но и возможностью запоминать, планировать и взаимодействовать с миром, используя инструменты.

В настоящее время, в ответ на проблемы ИИ на различных уровнях, Web3 в настоящее время первоначально сформировало многоуровневую, взаимосвязанную экосистему, охватывающую все стадии процесса моделей ИИ.

Один. Базовый уровень: вычислительная мощность и данные Airbnb

Хешрейт

В настоящее время одной из самых высоких затрат на ИИ являются вычислительная мощность и энергия, необходимые для обучения и вывода моделей.

Один из примеров: для обучения модели LLAMA3 от Meta требуется 16000 графических процессоров H100, произведенных NVIDIA (это высококлассный графический процессор, специально разработанный для искусственного интеллекта и вычислений высокой производительности). Обучение занимает 30 дней. Цена за 80 ГБ версию составляет от 30000 до 40000 долларов, что требует инвестиций в вычислительное оборудование (ГПУ + сетевые чипы) в размере от 400 до 700 миллионов долларов. При этом на ежемесячное обучение требуется 1,6 миллиарда киловатт-часов, а расходы на энергоресурсы составляют почти 20 миллионов долларов в месяц.

Разгрузка вычислительных мощностей ИИ является одной из первых областей пересечения Web3 и ИИ ------ DePin (децентрализованная сеть физических инфраструктур). В настоящее время на одном из сайтов данных уже перечислено более 1400 проектов, среди которых проекты, представляющие совместное использование вычислительных мощностей GPU, включают io.net, Aethir, Akash, Render Network и другие.

Основная логика заключается в том, что платформа позволяет индивидуумам или организациям, обладающим неиспользуемыми GPU-ресурсами, в не требующем разрешения децентрализованном порядке вносить свой вычислительный потенциал. Это происходит через онлайн-рынок для покупателей и продавцов, аналогичный Uber или Airbnb, что повышает коэффициент использования не полностью задействованных GPU-ресурсов, а конечные пользователи, следовательно, получают более доступные и эффективные вычислительные ресурсы. В то же время механизм стейкинга также гарантирует, что если произойдет нарушение механизма контроля качества или прерывание сети, у поставщиков ресурсов будут соответствующие наказания.

Его особенности заключаются в том, что:

• Сбор неиспользуемых ресурсов GPU: поставщиками являются в основном независимые средние и малые дата-центры, операторы избыточных вычислительных ресурсов крипто-майнинговых ферм и т.д., а также оборудование для майнинга с механизмом консенсуса PoS, такое как майнеры FileCoin и ETH. В настоящее время также есть проекты, которые стремятся запустить оборудование с более низким порогом входа, например, exolab использует MacBook, iPhone, iPad и другие локальные устройства для создания вычислительной сети для инференса больших моделей.

• В условиях длинного хвоста рынка вычислительной мощности ИИ:

a. "С точки зрения технологии" децентрализованный рынок вычислительной мощности больше подходит для этапов вывода. Обучение в большей степени зависит от мощностей обработки данных, предоставляемых огромными кластерами GPU, в то время как для вывода требования к вычислительной производительности GPU относительно низкие, как, например, Aethir, который сосредоточен на рендеринге с низкой задержкой и приложениях AI для вывода.

b. С точки зрения спроса, небольшие и средние потребители вычислительных мощностей не будут отдельно обучать свои большие модели, а просто выберут оптимизацию и донастройку вокруг нескольких ведущих больших моделей, и эти сценарии естественно подходят для распределенных неиспользуемых вычислительных ресурсов.

• Децентрализованная собственность: Техническое значение блокчейна заключается в том, что владельцы ресурсов всегда сохраняют контроль над своими ресурсами, гибко регулируя их в зависимости от спроса и получая доход.

Данные

Данные являются основой ИИ. Без данных вычисления не имеют смысла, как лист плавающей растительности, а связь между данными и моделью напоминает пословицу "Мусор на входе, мусор на выходе". Количество данных и качество ввода определяют качество вывода конечной модели. Для обучения современных ИИ моделей данные определяют языковые способности модели, её способность понимать, а также её ценности и гуманистическое проявление. В настоящее время проблемы с потребностями в данных для ИИ в основном сосредоточены на следующих четырех аспектах:

• Жажда данных: обучение моделей ИИ зависит от большого объема данных. Публичные данные показывают, что параметр GPT-4, обученный OpenAI, достиг триллиона.

• Качество данных: с интеграцией ИИ в различные отрасли появляются новые требования к качеству данных, такие как актуальность данных, разнообразие данных, профессионализм предметных данных и включение новых источников данных, таких как эмоции в социальных медиа.

• Проблемы конфиденциальности и соблюдения норм: в настоящее время различные страны и компании постепенно осознают важность качественных наборов данных и вводят ограничения на их сбор.

• Высокая стоимость обработки данных: объем данных велик, процесс обработки сложен. Открытые данные показывают, что более 30% затрат на НИОКР в AI-компаниях идет на сбор и обработку базовых данных.

В настоящее время решения web3 проявляются в следующих четырех аспектах:

1. Сбор данных: возможность бесплатно предоставить собранные данные из реального мира стремительно исчерпывается, и расходы компаний ИИ на данные ежегодно растут. Однако в то же время эти расходы не возвращаются к настоящим вкладчикам данных, и платформы полностью наслаждаются созданием ценности на основе данных, как, например, одна социальная платформа получила доход в 203 миллиона долларов США благодаря подписанию соглашения о лицензировании данных с компаниями ИИ.

Позволить настоящим вкладчикам также участвовать в создании ценности, связанной с данными, а также получать более личные и более ценные данные от пользователей с низкими затратами через дистрибутивные сети и механизмы стимулирования — это видение Web3.

• Grass является децентрализованным слоем данных и сетью, пользователи могут запустить узлы Grass, чтобы внести свой вклад в неиспользуемую пропускную способность и релейный трафик для захвата实时数据 из всей сети интернет и получать вознаграждение в токенах;

• Vana ввела уникальную концепцию пула ликвидности данных (DLP), позволяя пользователям загружать свои личные данные (например, записи покупок, привычки просмотра, деятельность в социальных сетях и т. д.) в определенный DLP и гибко выбирать, будут ли эти данные разрешены для использования конкретным третьим лицам;

• В PublicAI пользователи могут использовать #AI 或#Web3 в качестве категории на X и @PublicAI для сбора данных.

2. Предобработка данных: в процессе обработки данных AI, поскольку собранные данные обычно шумные и содержат ошибки, их необходимо очистить и преобразовать в пригодный формат до обучения модели, что включает в себя стандартизацию, фильтрацию и обработку пропущенных значений. Этот этап является одним из немногих ручных процессов в индустрии AI, и уже возникла такая профессия, как специалист по аннотации данных. С повышением требований моделей к качеству данных, требования к специалистам по аннотации данных также возросли, и эта задача естественным образом подходит для децентрализованной механики стимулов Web3.

• В настоящее время Grass и OpenLayer рассматривают возможность включения этапа аннотирования данных.

• Synesis предложила концепцию «Train2earn», подчеркивая качество данных, пользователи могут получать вознаграждения за предоставление аннотированных данных, комментариев или других форм ввода.

• Проект по аннотации данных Sapien превращает задачи маркировки в игру и позволяет пользователям ставить свои баллы, чтобы зарабатывать больше баллов.

3. Конфиденциальность данных и безопасность: необходимо уточнить, что конфиденциальность данных и безопасность - это два разных понятия. Конфиденциальность данных касается обработки чувствительной информации, в то время как безопасность данных защищает информацию от несанкционированного доступа, разрушения и кражи. Таким образом, преимущества технологий конфиденциальности Web3 и потенциальные области применения проявляются в двух аспектах: (1) обучение на чувствительных данных; (2) сотрудничество данных: несколько владельцев данных могут совместно участвовать в обучении ИИ, не делясь своими исходными данными.

Текущие широко распространенные технологии конфиденциальности в Web3 включают:

• Доверенная среда выполнения(TEE), например, Super Protocol;

• Полная гомоморфная криптография (FHE), например, BasedAI, Fhenix.io или Inco Network;

• Технология нулевых знаний (zk), такая как Reclaim Protocol, использует технологию zkTLS для генерации доказательства нулевых знаний для HTTPS-трафика, позволяя пользователям безопасно импортировать данные о деятельности, репутации и идентичности с внешних сайтов, не раскрывая при этом конфиденциальную информацию.

Однако в настоящее время эта область все еще находится на ранней стадии, большинство проектов все еще находятся в стадии исследования, текущая проблема заключается в том, что вычислительные затраты слишком высоки, некоторые примеры:

• zkML фреймворк