Слияние Web3 и ИИ: создание инфраструктуры нового поколения для Интернета

Web3 как новая децентрализованная, открытая и прозрачная парадигма интернета имеет естественные возможности для интеграции с ИИ. В традиционной централизованной архитектуре вычисления ИИ и ресурсы данных находятся под строгим контролем, что создает множество проблем, таких как узкие места в вычислительной мощности, утечка конфиденциальной информации и черный ящик алгоритмов. В то же время Web3, основанный на распределенных технологиях, может внести новый импульс в развитие ИИ за счет таких методов, как распределенная сеть вычислительной мощности, открытые рынки данных и вычисления с соблюдением конфиденциальности. Также ИИ может предоставить множество возможностей для Web3, таких как оптимизация смарт-контрактов и алгоритмы защиты от мошенничества, способствуя его экосистеме. Поэтому исследование сочетания Web3 и ИИ имеет решающее значение для построения инфраструктуры следующего поколения интернета и раскрытия ценности данных и вычислительных ресурсов.

Данные как основа: прочный фундамент AI и Web3

Данные являются основной движущей силой развития ИИ, как топливо для двигателя. Моделям ИИ необходимо перерабатывать большое количество высококачественных данных, чтобы получить глубокое понимание и мощные способности к рассуждению. Данные не только обеспечивают основу для обучения моделей машинного обучения, но и 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 предприятиям сложно их нести.
• Данные ресурсы монополизируются технологическими гигантами, формируя изолированные данные.
• Личная информация подвергается риску утечки и злоупотребления.

Web3 может решить проблемы традиционных моделей с помощью новой децентрализованной парадигмы данных:

• Пользователи могут продавать неиспользуемую сеть AI-компаниям, децентрализованно собирая сетевые данные для предоставления реальных и качественных данных для обучения моделей AI.
• Используя модель "label to earn", стимулируйте глобальных работников участвовать в аннотировании данных через токены, объединяя глобальные экспертизы.
• Платформа для торговли данными на блокчейне предоставляет открыенную и прозрачную торговую среду для сторон спроса и предложения данных, стимулируя инновации и совместное использование данных.

Тем не менее, в реальном мире существуют проблемы с получением данных, такие как неоднородное качество данных, высокая сложность обработки, недостаточная разнообразие и репрезентативность. Синтетические данные могут стать яркой точкой в будущем данных Web3. Основанные на генеративных AI-технологиях и моделировании, синтетические данные могут имитировать свойства реальных данных, эффективно дополняя их и повышая эффективность использования данных. В таких областях, как автономное вождение, торговля на финансовых рынках и разработка игр, синтетические данные уже показывают свой зрелый потенциал применения.

Защита конфиденциальности: Роль FHE в Web3

В эпоху, управляемую данными, защита конфиденциальности становится глобальным фокусом внимания. Принятие таких нормативных актов, как Общий регламент по защите данных (GDPR) ЕС, отражает строгую защиту личной информации. Однако это также приносит вызовы: некоторые чувствительные данные не могут быть полностью использованы из-за рисков конфиденциальности, что, безусловно, ограничивает потенциал и способности моделирования ИИ.

FHE, или полностью однородное шифрование, позволяет выполнять вычисления непосредственно на зашифрованных данных, не требуя их расшифровки, и при этом результаты вычислений совпадают с результатами, полученными при выполнении тех же вычислений на открытых данных.

FHE обеспечивает надежную защиту для вычислений в области конфиденциальности ИИ, позволяя вычислительной мощности GPU выполнять задачи обучения и вывода моделей в среде, не затрагивающей исходные данные. Это приносит огромные преимущества компаниям в области ИИ. Они могут безопасно открывать API-сервисы, защищая коммерческую тайну.

FHEML поддерживает шифрование данных и моделей на протяжении всего цикла машинного обучения, обеспечивая безопасность конфиденциальной информации и предотвращая риск утечки данных. Таким образом, FHEML усиливает конфиденциальность данных и предоставляет безопасную вычислительную среду для AI-приложений.

FHEML является дополнением к ZKML, ZKML подтверждает правильность выполнения машинного обучения, в то время как FHEML подчеркивает необходимость вычислений с зашифрованными данными для обеспечения конфиденциальности данных.

Революция вычислительной мощности: AI-вычисления в децентрализованных сетях

Текущая вычислительная сложность систем ИИ удваивается каждые 3 месяца, что приводит к резкому росту потребности в вычислительной мощности, значительно превышающей предложение существующих вычислительных ресурсов. Например, для обучения модели GPT-3 требуется огромная вычислительная мощность, что эквивалентно 355 годам обучения на одном устройстве. Такой дефицит вычислительной мощности не только ограничивает прогресс технологий ИИ, но и делает сложные модели ИИ недоступными для большинства исследователей и разработчиков.

В то же время, мировая загрузка GPU составляет менее 40%, а замедление повышения производительности микропроцессоров, а также нехватка чипов, вызванная факторами цепочки поставок и геополитики, усугубляют проблему поставок вычислительных мощностей. Профессионалы в области ИИ оказались в затруднительном положении: им нужно либо приобретать оборудование, либо арендовать облачные ресурсы, и им срочно требуется экономически эффективный способ предоставления вычислительных услуг по мере необходимости.

Некоторые децентрализованные сети вычислительной мощности AI, агрегируя неиспользуемые ресурсы GPU по всему миру, предоставляют AI-компаниям экономичный и доступный рынок вычислительной мощности. Стороны, нуждающиеся в вычислительных ресурсах, могут размещать вычислительные задачи в сети, смарт-контракты распределяют задачи среди майнеров, предоставляющих вычислительную мощность, майнеры выполняют задачи и отправляют результаты, которые после проверки вознаграждаются баллами. Это решение повышает эффективность использования ресурсов и помогает решить проблемы узких мест в вычислительной мощности в таких областях, как AI.

Кроме универсальных децентрализованных вычислительных сетей, есть платформы, ориентированные на обучение ИИ, а также специализированные вычислительные сети, сосредоточенные на вывода ИИ.

Децентрализованная вычислительная сеть предоставляет справедливый и прозрачный рынок вычислительных мощностей, разрушая монополию, снижая барьеры для приложений и повышая эффективность использования вычислительных мощностей. В экосистеме web3 децентрализованная вычислительная сеть сыграет ключевую роль, привлекая больше инновационных dapp для совместного продвижения развития и применения технологий ИИ.

DePIN: Web3 позволяет Edge AI

Представьте себе, что ваш мобильный телефон, умные часы и даже умные устройства в вашем доме обладают способностью запускать ИИ — вот в чем魅力 Edge AI. Он позволяет вычислениям происходить на месте генерации данных, достигая низкой задержки и обработки в реальном времени, одновременно обеспечивая защиту конфиденциальности пользователей. Технология Edge AI уже применяется в таких ключевых областях, как автономное вождение.

В области Web3 у нас есть более знакомое имя — DePIN. Web3 подчеркивает децентрализацию и суверенитет пользовательских данных, DePIN может усилить защиту конфиденциальности пользователей и снизить риск утечек данных, обрабатывая данные локально; экономика токенов, присущая Web3, может стимулировать узлы DePIN предоставлять вычислительные ресурсы, создавая устойчивую экосистему.

В настоящее время DePIN быстро развивается в некоторых экосистемах публичных блокчейнов и становится одной из предпочтительных платформ для развертывания проектов. Высокая TPS, низкие транзакционные сборы и технологические инновации предоставляют мощную поддержку проектам DePIN. Некоторые известные проекты DePIN добились значительных успехов.

IMO: Новый парадигма выпуска AI моделей

Концепция IMO была впервые предложена некоторыми протоколами, которые токенизируют модели ИИ.

В традиционной модели, из-за отсутствия механизма разделения прибыли, как только ИИ-модель разрабатывается и выходит на рынок, разработчики часто испытывают трудности с получением постоянного дохода от последующего использования модели, особенно когда модель интегрируется в другие продукты и услуги, оригинальным создателям трудно отслеживать ее использование, не говоря уже о получении дохода. Кроме того, производительность и эффективность ИИ-моделей часто не прозрачны, что затрудняет потенциальным инвесторам и пользователям оценить их истинную ценность, ограничивая рыночное признание и коммерческий потенциал модели.

IMO предоставляет новый способ финансирования и совместного использования ценности для открытых AI моделей, инвесторы могут приобретать токены IMO и делиться доходом, который будет получен от моделей в будущем. Некоторые протоколы используют новый стандарт ERC, объединяя AI оракулы и технологии OPML для обеспечения подлинности AI моделей и возможности держателей токенов делиться доходом.

Модель IMO усиливает прозрачность и доверие, способствует сотрудничеству с открытым исходным кодом, адаптируется к тенденциям криптовалютного рынка и способствует устойчивому развитию технологий ИИ. IMO в настоящее время находится на начальной стадии тестирования, но с увеличением уровня принятия на рынке и расширением круга участников её инновационность и потенциальная ценность заслуживают нашего ожидания.

AI Agent: Новый век интерактивного опыта

AI-агенты могут воспринимать окружающую среду, самостоятельно мыслить и предпринимать соответствующие действия для достижения поставленных целей. При поддержке больших языковых моделей AI-агенты не только понимают естественный язык, но и могут планировать решения, выполнять сложные задачи. Они могут работать в качестве виртуальных помощников, изучая предпочтения пользователей через взаимодействие и предлагая персонализированные решения. Даже без четких инструкций AI-агенты могут самостоятельно решать проблемы, повышать эффективность и создавать новую ценность.

Некоторые платформы предлагают полный и удобный набор инструментов для создания, поддерживающий пользователей в настройке функций, внешнего вида, звука роботов и подключении к внешним базам знаний, стремясь создать справедливую и открытую экосистему контента на основе ИИ, используя технологии генеративного ИИ, позволяя индивидуумам стать супер-творцами. Некоторые платформы обучили специализированные большие языковые модели, чтобы сделать ролевые игры более человечными; технологии клонирования голоса могут ускорить персонализированное взаимодействие ИИ-продуктов и значительно снизить затраты на синтез речи, клонирование голоса можно осуществить всего за 1 минуту. С помощью настраиваемого ИИ-агента в настоящее время можно применять в видеочатах, изучении языков, генерации изображений и других областях.

В融合 Web3 и AI на данный момент больше всего исследуются вопросы инфраструктурного уровня, такие как получение качественных данных, защита конфиденциальности данных, как разместить модели на блокчейне, как повысить эффективное использование децентрализованных вычислительных мощностей и как проверять большие языковые модели. С постепенным совершенствованием этой инфраструктуры у нас есть основания полагать, что интеграция Web3 и AI приведет к появлению ряда инновационных бизнес-моделей и услуг.