Nos últimos anos, o rápido desenvolvimento da inteligência artificial (AI) e das tecnologias Web3 chamou a atenção global. A IA, como uma tecnologia que simula a inteligência humana, fez grandes avanços em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo enormes transformações e inovações para diversos setores. Em 2023, o mercado da indústria de IA alcançou um tamanho de 200 bilhões de dólares, surgindo empresas de destaque como OpenAI, Character.AI e Midjourney.
Ao mesmo tempo, o Web3, como um novo modelo de rede, está mudando a percepção e a forma como as pessoas usam a Internet. O Web3 é baseado em tecnologias de blockchain descentralizadas e, através de contratos inteligentes, armazenamento distribuído e autenticação descentralizada, realiza o compartilhamento e controle de dados, a autonomia do usuário e a construção de mecanismos de confiança. A ideia central do Web3 é libertar os dados das instituições centralizadas, conferindo aos usuários o controle e o direito de compartilhar o valor dos dados. Atualmente, o valor de mercado da indústria Web3 atinge 25 trilhões de dólares, com projetos como Bitcoin, Ethereum e Solana surgindo a cada momento.
A combinação de IA e Web3 é uma área de grande interesse tanto para construtores quanto para investidores do Oriente e do Ocidente. Como integrar bem os dois é uma questão que merece exploração. Este artigo irá focar no estado atual do desenvolvimento de IA + Web3, analisar a situação dos projetos atuais e discutir em profundidade as limitações e desafios enfrentados, oferecendo referências e insights para investidores e profissionais da indústria.
Dois, a forma como a IA interage com a Web3
O desenvolvimento da IA e do Web3 é como os dois lados de uma balança; a IA aumenta a produtividade, enquanto o Web3 traz uma transformação nas relações de produção. A seguir, analisaremos as dificuldades e oportunidades de melhoria que cada uma das indústrias de IA e Web3 enfrenta, e depois discutiremos como cada uma pode ajudar a resolver essas dificuldades.
2.1 As dificuldades enfrentadas pela indústria de IA
O núcleo da indústria de IA não pode prescindir de três elementos: poder computacional, algoritmos e dados.
Potência de cálculo: refere-se à capacidade de realizar cálculos e processamentos em grande escala. As tarefas de IA geralmente exigem o processamento de grandes quantidades de dados e a realização de cálculos complexos, como o treinamento de modelos de redes neurais profundas. Uma potência de cálculo elevada pode acelerar o treinamento e o processo de inferência do modelo, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, com o desenvolvimento de GPUs e chips de IA dedicados, o aumento da potência de cálculo desempenhou um papel importante no impulso do desenvolvimento da indústria de IA.
Algoritmo: é uma parte central do sistema de IA, utilizado para resolver problemas e realizar tarefas através de métodos matemáticos e estatísticos. Os algoritmos de IA podem ser divididos em algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo, sendo que os algoritmos de aprendizado profundo tiveram grandes avanços nos últimos anos. A escolha e design do algoritmo são cruciais para o desempenho e eficácia do sistema de IA. Algoritmos que são constantemente melhorados e inovados podem aumentar a precisão, robustez e capacidade de generalização do sistema de IA.
Dados: A tarefa principal dos sistemas de IA é extrair padrões e regras dos dados através de aprendizado e treinamento. Os dados são a base para treinar e otimizar modelos, e através de grandes amostras de dados, os sistemas de IA podem aprender modelos mais precisos e inteligentes. Conjuntos de dados ricos podem fornecer informações mais abrangentes e diversificadas, permitindo que os modelos se generalizem melhor para dados não vistos, ajudando os sistemas de IA a entender e resolver melhor os problemas do mundo real.
As principais dificuldades que a IA enfrenta nestas três áreas incluem:
Em termos de poder de computação: obter e gerenciar grande escala de poder computacional é caro e complexo, os custos, o consumo de energia e a manutenção de dispositivos de computação de alto desempenho são problemas. Para startups e desenvolvedores individuais, pode ser difícil obter poder computacional suficiente.
Na área de algoritmos: os algoritmos de aprendizagem profunda precisam de grandes quantidades de dados e recursos computacionais, e a interpretabilidade e explicabilidade dos modelos são insuficientes. A robustez e a capacidade de generalização dos algoritmos também são questões importantes, pois os modelos podem ter um desempenho instável em dados não vistos.
Aspectos dos dados: obter dados de alta qualidade e diversificados continua a ser um desafio. Dados de certos setores podem ser difíceis de obter, como os dados de saúde. A qualidade, precisão e rotulagem dos dados também são problemas, dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errados do modelo. Ao mesmo tempo, proteger a privacidade e a segurança dos dados também é um fator importante a considerar.
Além disso, a interpretabilidade e a transparência dos modelos de IA, bem como a falta de clareza nos modelos de negócios, deixam muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
A indústria Web3 enfrenta atualmente muitos desafios que precisam ser resolvidos, incluindo análise de dados, experiência do usuário e segurança de contratos inteligentes, todos com espaço para melhorias. A IA, como uma ferramenta para aumentar a produtividade, também tem muito potencial para desempenhar um papel nesses aspectos:
Análise e previsão de dados: A tecnologia de IA pode ajudar as plataformas Web3 a extrair informações valiosas de grandes volumes de dados, permitindo previsões e decisões mais precisas, o que é de grande importância para a avaliação de riscos, previsão de mercado e gestão de ativos no campo do DeFi.
Experiência do usuário e serviços personalizados: a IA pode ajudar as plataformas Web3 a oferecer uma melhor experiência ao usuário e serviços personalizados, analisando dados de usuários para fornecer recomendações personalizadas, serviços sob medida e experiências de interação inteligente, aumentando o envolvimento e a satisfação dos usuários.
Segurança e proteção da privacidade: A IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anômalos e fornecer uma proteção de segurança mais robusta. Ao mesmo tempo, a IA também pode ser aplicada na proteção da privacidade dos dados, protegendo as informações dos usuários através de técnicas como criptografia e computação em privacidade.
Auditoria de contratos inteligentes: A tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a deteção de vulnerabilidades, aumentando a segurança e a fiabilidade dos contratos.
Três, Análise do Estado Atual dos Projetos AI+Web3
Os projetos que combinam AI e Web3 abordam principalmente de duas maneiras: utilizando a tecnologia blockchain para melhorar o desempenho dos projetos de AI, e utilizando a tecnologia AI para servir à melhoria dos projetos Web3.
3.1 Web3 ajuda a IA
3.1.1 Poder de Computação Descentralizado
Com o surgimento de grandes modelos como o ChatGPT, a demanda por poder computacional na área de IA disparou. No entanto, a escassez de fornecimento de GPUs tornou-se um gargalo para o desenvolvimento da IA. Para resolver esse problema, alguns projetos Web3 tentam oferecer serviços de computação descentralizados, incluindo Akash, Render e Gensyn. Esses projetos incentivam globalmente os usuários a fornecer capacidade computacional de GPU ociosa através de tokens, oferecendo suporte de poder computacional para clientes de IA.
O lado da oferta inclui principalmente provedores de serviços em nuvem, mineradores de criptomoedas e grandes empresas. Os projetos de poder computacional descentralizado podem ser divididos em duas categorias: uma para inferência de IA ( como Render, Akash ), e outra para treinamento de IA ( como io.net, Gensyn ).
Tomando io.net como exemplo, como uma rede de computação descentralizada, atualmente existem mais de 500 mil GPUs, integrando a capacidade de Render e Filecoin, desenvolvendo continuamente projetos ecológicos. Gensyn, por sua vez, promove a alocação de tarefas de aprendizado de máquina e recompensas através de contratos inteligentes, realizando treinamento de IA.
No entanto, a maioria dos projetos opta por realizar inferência de IA em vez de treino, sendo a principal razão a diferença nas exigências de poder computacional e largura de banda. O treino de IA requer uma enorme quantidade de dados e largura de banda de comunicação de alta velocidade, o que torna a implementação difícil. Por outro lado, a inferência de IA exige menos dados e largura de banda, tornando a implementação mais viável.
3.1.2 Modelo de Algoritmo Descentralizado
Além da capacidade de computação, alguns projetos tentam estabelecer um mercado de serviços de algoritmos de IA descentralizados. Tomemos o Bittensor como exemplo, que conecta vários modelos de IA, cada um com seu próprio conhecimento e habilidades. Quando um usuário faz uma pergunta, o mercado seleciona o modelo de IA mais adequado para fornecer a resposta.
Na rede Bittensor, os provedores de modelos de algoritmo ( mineradores ) contribuem com modelos de aprendizagem de máquina para a rede e recebem recompensas em tokens pela contribuição. Para garantir a qualidade das respostas, a Bittensor utiliza um mecanismo de consenso único para garantir que a rede chegue a um consenso sobre a melhor resposta.
O desenvolvimento de plataformas de modelos de algoritmos descentralizados pode permitir que pequenas empresas concorram com grandes organizações na utilização das melhores ferramentas de IA, tendo um impacto potencialmente significativo em vários setores.
3.1.3 Coleta de Dados Descentralizada
O treinamento de modelos de IA requer uma grande quantidade de dados, mas atualmente a maioria das plataformas Web2 proíbe a coleta de dados para treinamento de IA ou vende dados de usuários para empresas de IA sem compartilhar os lucros. Alguns projetos Web3 realizam a coleta de dados descentralizada através de incentivos em tokens, como o PublicAI.
No PublicAI, os usuários podem participar como fornecedores de dados de IA ou validadores de dados. Os fornecedores de dados encontram conteúdos valiosos nas plataformas sociais e os compartilham no centro de dados do PublicAI; os validadores de dados votam nos dados mais valiosos para o treinamento de IA. Os usuários obtêm incentivos em tokens através dessas duas contribuições, promovendo uma relação de ganho mútuo entre os contribuidores de dados e o desenvolvimento da indústria de IA.
3.1.4 ZK proteção da privacidade do usuário na IA
A tecnologia de prova de conhecimento zero pode realizar a verificação de informações enquanto protege a privacidade, ajudando a resolver o conflito entre a proteção da privacidade dos dados e o compartilhamento de dados em IA. ZKML(Zero-Knowledge Machine Learning), através da tecnologia de prova de conhecimento zero, permite o treinamento e a inferência de modelos de aprendizado de máquina sem divulgar os dados originais.
Projetos como o BasedAI estão explorando a integração perfeita da criptografia homomórfica totalmente homomórfica FHE( com LLM, a fim de manter a confidencialidade dos dados. Através de modelos de linguagem de grande escala com conhecimento zero ZK-LLM), a privacidade é incorporada na infraestrutura de rede distribuída, garantindo que os dados dos usuários permaneçam privados durante todo o processo de funcionamento da rede.
(# 3.2 A IA impulsiona o Web3
3.2.1 Análise e Previsão de Dados
Muitos projetos Web3 começaram a integrar serviços de IA ou ferramentas de IA desenvolvidas internamente, oferecendo aos usuários serviços de análise de dados e previsões, abrangendo estratégias de investimento, análises em cadeia, previsões de preços e de mercado.
Por exemplo, o Pond usa algoritmos de imagem de IA para prever futuros tokens alpha valiosos, fornecendo recomendações de investimento para usuários e instituições. O BullBear AI é treinado com dados históricos dos usuários, histórico de preços e tendências de mercado para ajudar a prever movimentos de preços. O Numerai, como uma plataforma de competição de investimentos, permite que os participantes usem IA e modelos de linguagem grande para prever o mercado de ações. Plataformas de análise de dados on-chain como Arkham também combinam IA para oferecer serviços, ligando endereços de blockchain a entidades do mundo real e exibindo dados e análises chave.
3.2.2 Serviços Personalizados
Os projetos Web3 estão a otimizar a experiência do utilizador através da integração de IA. Por exemplo, a plataforma de análise de dados Dune lançou a ferramenta Wand, que utiliza modelos de linguagem de grande escala para escrever consultas SQL, permitindo que utilizadores que não conhecem SQL possam pesquisar facilmente. A plataforma de mídia Web3 Followin e a enciclopédia Web3 IQ.wiki integraram o ChatGPT para resumo de conteúdo. O motor de busca baseado em LLM, Kaito, está empenhado em tornar-se uma plataforma de busca Web3. Projetos como o NFPrompt estão a reduzir os custos de criação de NFTs para os utilizadores através da IA.
3.2.3 Auditoria de Contratos Inteligentes de IA
A IA também desempenha um papel importante na auditoria de contratos inteligentes, podendo identificar vulnerabilidades no código de forma mais eficiente e precisa. Por exemplo, 0x0.ai oferece um auditor de contratos inteligentes baseado em inteligência artificial, que utiliza algoritmos avançados para analisar contratos inteligentes e identificar potenciais vulnerabilidades ou riscos de segurança. Os auditores utilizam técnicas de aprendizado de máquina para identificar padrões e anomalias no código, marcando problemas potenciais para revisão adicional.
![Novos conhecimentos丨Análise profunda: Que tipo de faíscas podem surgir da colisão entre AI e Web3?])https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp###
( Quatro, limitações e desafios atuais dos projetos AI+Web3
)# 4.1 Obstáculos reais existentes na computação descentralizada
Os produtos de poder de computação descentralizados enfrentam alguns problemas reais:
Desempenho e estabilidade: devido à dependência de nós distribuídos globalmente, a conexão de rede pode apresentar atrasos e instabilidade, e o desempenho pode ser inferior ao de produtos de computação centralizada.
Correspondência de recursos: a disponibilidade é afetada pelo grau de correspondência entre oferta e procura, o que pode resultar em escassez de recursos ou na incapacidade de satisfazer as necessidades dos usuários.
Complexidade técnica: Os utilizadores podem precisar de entender conhecimentos como redes distribuídas, contratos inteligentes e pagamentos em criptomoeda, o que implica custos mais elevados.
Difícil realizar o treinamento de grandes modelos: O treinamento de grandes modelos requer uma estabilidade extremamente alta e capacidade de paralelização em várias placas, atualmente a computação descentralizada é difícil de realizar. As principais razões incluem:
Potência de uma única placa: O treinamento de grandes modelos exige uma poderosa potência de uma única placa.
Múltiplas placas em paralelo: é necessário utilizar GPUs de nível milhar para treinamento em paralelo, com exigências muito altas para a comunicação entre múltiplas placas.
Ecossistema de software: ambiente de software que precisa de se adaptar ao hardware, como o sistema CUDA da NVIDIA.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
5 gostos
Recompensa
5
3
Partilhar
Comentar
0/400
down_only_larry
· 23h atrás
entrar numa posição ou deixar-se levar
Ver originalResponder0
AirdropChaser
· 23h atrás
Seguir a tendência só traz perdas, é ao contrário que se ganha.
Estado atual da integração da IA com o Web3: oportunidades e desafios coexistem
Introdução: O desenvolvimento de AI+Web3
Nos últimos anos, o rápido desenvolvimento da inteligência artificial (AI) e das tecnologias Web3 chamou a atenção global. A IA, como uma tecnologia que simula a inteligência humana, fez grandes avanços em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo enormes transformações e inovações para diversos setores. Em 2023, o mercado da indústria de IA alcançou um tamanho de 200 bilhões de dólares, surgindo empresas de destaque como OpenAI, Character.AI e Midjourney.
Ao mesmo tempo, o Web3, como um novo modelo de rede, está mudando a percepção e a forma como as pessoas usam a Internet. O Web3 é baseado em tecnologias de blockchain descentralizadas e, através de contratos inteligentes, armazenamento distribuído e autenticação descentralizada, realiza o compartilhamento e controle de dados, a autonomia do usuário e a construção de mecanismos de confiança. A ideia central do Web3 é libertar os dados das instituições centralizadas, conferindo aos usuários o controle e o direito de compartilhar o valor dos dados. Atualmente, o valor de mercado da indústria Web3 atinge 25 trilhões de dólares, com projetos como Bitcoin, Ethereum e Solana surgindo a cada momento.
A combinação de IA e Web3 é uma área de grande interesse tanto para construtores quanto para investidores do Oriente e do Ocidente. Como integrar bem os dois é uma questão que merece exploração. Este artigo irá focar no estado atual do desenvolvimento de IA + Web3, analisar a situação dos projetos atuais e discutir em profundidade as limitações e desafios enfrentados, oferecendo referências e insights para investidores e profissionais da indústria.
Dois, a forma como a IA interage com a Web3
O desenvolvimento da IA e do Web3 é como os dois lados de uma balança; a IA aumenta a produtividade, enquanto o Web3 traz uma transformação nas relações de produção. A seguir, analisaremos as dificuldades e oportunidades de melhoria que cada uma das indústrias de IA e Web3 enfrenta, e depois discutiremos como cada uma pode ajudar a resolver essas dificuldades.
2.1 As dificuldades enfrentadas pela indústria de IA
O núcleo da indústria de IA não pode prescindir de três elementos: poder computacional, algoritmos e dados.
Potência de cálculo: refere-se à capacidade de realizar cálculos e processamentos em grande escala. As tarefas de IA geralmente exigem o processamento de grandes quantidades de dados e a realização de cálculos complexos, como o treinamento de modelos de redes neurais profundas. Uma potência de cálculo elevada pode acelerar o treinamento e o processo de inferência do modelo, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, com o desenvolvimento de GPUs e chips de IA dedicados, o aumento da potência de cálculo desempenhou um papel importante no impulso do desenvolvimento da indústria de IA.
Algoritmo: é uma parte central do sistema de IA, utilizado para resolver problemas e realizar tarefas através de métodos matemáticos e estatísticos. Os algoritmos de IA podem ser divididos em algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo, sendo que os algoritmos de aprendizado profundo tiveram grandes avanços nos últimos anos. A escolha e design do algoritmo são cruciais para o desempenho e eficácia do sistema de IA. Algoritmos que são constantemente melhorados e inovados podem aumentar a precisão, robustez e capacidade de generalização do sistema de IA.
Dados: A tarefa principal dos sistemas de IA é extrair padrões e regras dos dados através de aprendizado e treinamento. Os dados são a base para treinar e otimizar modelos, e através de grandes amostras de dados, os sistemas de IA podem aprender modelos mais precisos e inteligentes. Conjuntos de dados ricos podem fornecer informações mais abrangentes e diversificadas, permitindo que os modelos se generalizem melhor para dados não vistos, ajudando os sistemas de IA a entender e resolver melhor os problemas do mundo real.
As principais dificuldades que a IA enfrenta nestas três áreas incluem:
Em termos de poder de computação: obter e gerenciar grande escala de poder computacional é caro e complexo, os custos, o consumo de energia e a manutenção de dispositivos de computação de alto desempenho são problemas. Para startups e desenvolvedores individuais, pode ser difícil obter poder computacional suficiente.
Na área de algoritmos: os algoritmos de aprendizagem profunda precisam de grandes quantidades de dados e recursos computacionais, e a interpretabilidade e explicabilidade dos modelos são insuficientes. A robustez e a capacidade de generalização dos algoritmos também são questões importantes, pois os modelos podem ter um desempenho instável em dados não vistos.
Aspectos dos dados: obter dados de alta qualidade e diversificados continua a ser um desafio. Dados de certos setores podem ser difíceis de obter, como os dados de saúde. A qualidade, precisão e rotulagem dos dados também são problemas, dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errados do modelo. Ao mesmo tempo, proteger a privacidade e a segurança dos dados também é um fator importante a considerar.
Além disso, a interpretabilidade e a transparência dos modelos de IA, bem como a falta de clareza nos modelos de negócios, deixam muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
A indústria Web3 enfrenta atualmente muitos desafios que precisam ser resolvidos, incluindo análise de dados, experiência do usuário e segurança de contratos inteligentes, todos com espaço para melhorias. A IA, como uma ferramenta para aumentar a produtividade, também tem muito potencial para desempenhar um papel nesses aspectos:
Análise e previsão de dados: A tecnologia de IA pode ajudar as plataformas Web3 a extrair informações valiosas de grandes volumes de dados, permitindo previsões e decisões mais precisas, o que é de grande importância para a avaliação de riscos, previsão de mercado e gestão de ativos no campo do DeFi.
Experiência do usuário e serviços personalizados: a IA pode ajudar as plataformas Web3 a oferecer uma melhor experiência ao usuário e serviços personalizados, analisando dados de usuários para fornecer recomendações personalizadas, serviços sob medida e experiências de interação inteligente, aumentando o envolvimento e a satisfação dos usuários.
Segurança e proteção da privacidade: A IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anômalos e fornecer uma proteção de segurança mais robusta. Ao mesmo tempo, a IA também pode ser aplicada na proteção da privacidade dos dados, protegendo as informações dos usuários através de técnicas como criptografia e computação em privacidade.
Auditoria de contratos inteligentes: A tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a deteção de vulnerabilidades, aumentando a segurança e a fiabilidade dos contratos.
Três, Análise do Estado Atual dos Projetos AI+Web3
Os projetos que combinam AI e Web3 abordam principalmente de duas maneiras: utilizando a tecnologia blockchain para melhorar o desempenho dos projetos de AI, e utilizando a tecnologia AI para servir à melhoria dos projetos Web3.
3.1 Web3 ajuda a IA
3.1.1 Poder de Computação Descentralizado
Com o surgimento de grandes modelos como o ChatGPT, a demanda por poder computacional na área de IA disparou. No entanto, a escassez de fornecimento de GPUs tornou-se um gargalo para o desenvolvimento da IA. Para resolver esse problema, alguns projetos Web3 tentam oferecer serviços de computação descentralizados, incluindo Akash, Render e Gensyn. Esses projetos incentivam globalmente os usuários a fornecer capacidade computacional de GPU ociosa através de tokens, oferecendo suporte de poder computacional para clientes de IA.
O lado da oferta inclui principalmente provedores de serviços em nuvem, mineradores de criptomoedas e grandes empresas. Os projetos de poder computacional descentralizado podem ser divididos em duas categorias: uma para inferência de IA ( como Render, Akash ), e outra para treinamento de IA ( como io.net, Gensyn ).
Tomando io.net como exemplo, como uma rede de computação descentralizada, atualmente existem mais de 500 mil GPUs, integrando a capacidade de Render e Filecoin, desenvolvendo continuamente projetos ecológicos. Gensyn, por sua vez, promove a alocação de tarefas de aprendizado de máquina e recompensas através de contratos inteligentes, realizando treinamento de IA.
No entanto, a maioria dos projetos opta por realizar inferência de IA em vez de treino, sendo a principal razão a diferença nas exigências de poder computacional e largura de banda. O treino de IA requer uma enorme quantidade de dados e largura de banda de comunicação de alta velocidade, o que torna a implementação difícil. Por outro lado, a inferência de IA exige menos dados e largura de banda, tornando a implementação mais viável.
3.1.2 Modelo de Algoritmo Descentralizado
Além da capacidade de computação, alguns projetos tentam estabelecer um mercado de serviços de algoritmos de IA descentralizados. Tomemos o Bittensor como exemplo, que conecta vários modelos de IA, cada um com seu próprio conhecimento e habilidades. Quando um usuário faz uma pergunta, o mercado seleciona o modelo de IA mais adequado para fornecer a resposta.
Na rede Bittensor, os provedores de modelos de algoritmo ( mineradores ) contribuem com modelos de aprendizagem de máquina para a rede e recebem recompensas em tokens pela contribuição. Para garantir a qualidade das respostas, a Bittensor utiliza um mecanismo de consenso único para garantir que a rede chegue a um consenso sobre a melhor resposta.
O desenvolvimento de plataformas de modelos de algoritmos descentralizados pode permitir que pequenas empresas concorram com grandes organizações na utilização das melhores ferramentas de IA, tendo um impacto potencialmente significativo em vários setores.
3.1.3 Coleta de Dados Descentralizada
O treinamento de modelos de IA requer uma grande quantidade de dados, mas atualmente a maioria das plataformas Web2 proíbe a coleta de dados para treinamento de IA ou vende dados de usuários para empresas de IA sem compartilhar os lucros. Alguns projetos Web3 realizam a coleta de dados descentralizada através de incentivos em tokens, como o PublicAI.
No PublicAI, os usuários podem participar como fornecedores de dados de IA ou validadores de dados. Os fornecedores de dados encontram conteúdos valiosos nas plataformas sociais e os compartilham no centro de dados do PublicAI; os validadores de dados votam nos dados mais valiosos para o treinamento de IA. Os usuários obtêm incentivos em tokens através dessas duas contribuições, promovendo uma relação de ganho mútuo entre os contribuidores de dados e o desenvolvimento da indústria de IA.
3.1.4 ZK proteção da privacidade do usuário na IA
A tecnologia de prova de conhecimento zero pode realizar a verificação de informações enquanto protege a privacidade, ajudando a resolver o conflito entre a proteção da privacidade dos dados e o compartilhamento de dados em IA. ZKML(Zero-Knowledge Machine Learning), através da tecnologia de prova de conhecimento zero, permite o treinamento e a inferência de modelos de aprendizado de máquina sem divulgar os dados originais.
Projetos como o BasedAI estão explorando a integração perfeita da criptografia homomórfica totalmente homomórfica FHE( com LLM, a fim de manter a confidencialidade dos dados. Através de modelos de linguagem de grande escala com conhecimento zero ZK-LLM), a privacidade é incorporada na infraestrutura de rede distribuída, garantindo que os dados dos usuários permaneçam privados durante todo o processo de funcionamento da rede.
(# 3.2 A IA impulsiona o Web3
3.2.1 Análise e Previsão de Dados
Muitos projetos Web3 começaram a integrar serviços de IA ou ferramentas de IA desenvolvidas internamente, oferecendo aos usuários serviços de análise de dados e previsões, abrangendo estratégias de investimento, análises em cadeia, previsões de preços e de mercado.
Por exemplo, o Pond usa algoritmos de imagem de IA para prever futuros tokens alpha valiosos, fornecendo recomendações de investimento para usuários e instituições. O BullBear AI é treinado com dados históricos dos usuários, histórico de preços e tendências de mercado para ajudar a prever movimentos de preços. O Numerai, como uma plataforma de competição de investimentos, permite que os participantes usem IA e modelos de linguagem grande para prever o mercado de ações. Plataformas de análise de dados on-chain como Arkham também combinam IA para oferecer serviços, ligando endereços de blockchain a entidades do mundo real e exibindo dados e análises chave.
3.2.2 Serviços Personalizados
Os projetos Web3 estão a otimizar a experiência do utilizador através da integração de IA. Por exemplo, a plataforma de análise de dados Dune lançou a ferramenta Wand, que utiliza modelos de linguagem de grande escala para escrever consultas SQL, permitindo que utilizadores que não conhecem SQL possam pesquisar facilmente. A plataforma de mídia Web3 Followin e a enciclopédia Web3 IQ.wiki integraram o ChatGPT para resumo de conteúdo. O motor de busca baseado em LLM, Kaito, está empenhado em tornar-se uma plataforma de busca Web3. Projetos como o NFPrompt estão a reduzir os custos de criação de NFTs para os utilizadores através da IA.
3.2.3 Auditoria de Contratos Inteligentes de IA
A IA também desempenha um papel importante na auditoria de contratos inteligentes, podendo identificar vulnerabilidades no código de forma mais eficiente e precisa. Por exemplo, 0x0.ai oferece um auditor de contratos inteligentes baseado em inteligência artificial, que utiliza algoritmos avançados para analisar contratos inteligentes e identificar potenciais vulnerabilidades ou riscos de segurança. Os auditores utilizam técnicas de aprendizado de máquina para identificar padrões e anomalias no código, marcando problemas potenciais para revisão adicional.
![Novos conhecimentos丨Análise profunda: Que tipo de faíscas podem surgir da colisão entre AI e Web3?])https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp###
( Quatro, limitações e desafios atuais dos projetos AI+Web3
)# 4.1 Obstáculos reais existentes na computação descentralizada
Os produtos de poder de computação descentralizados enfrentam alguns problemas reais:
Desempenho e estabilidade: devido à dependência de nós distribuídos globalmente, a conexão de rede pode apresentar atrasos e instabilidade, e o desempenho pode ser inferior ao de produtos de computação centralizada.
Correspondência de recursos: a disponibilidade é afetada pelo grau de correspondência entre oferta e procura, o que pode resultar em escassez de recursos ou na incapacidade de satisfazer as necessidades dos usuários.
Complexidade técnica: Os utilizadores podem precisar de entender conhecimentos como redes distribuídas, contratos inteligentes e pagamentos em criptomoeda, o que implica custos mais elevados.
Difícil realizar o treinamento de grandes modelos: O treinamento de grandes modelos requer uma estabilidade extremamente alta e capacidade de paralelização em várias placas, atualmente a computação descentralizada é difícil de realizar. As principais razões incluem: