Інтеграція Web3 та AI: побудова нової інфраструктури Інтернету

Web3 як нова децентралізована, відкрита та прозора парадигма Інтернету має природні можливості для інтеграції з ШІ. У традиційній централізованій архітектурі обчислення ШІ та ресурси даних перебувають під строгим контролем, що створює численні виклики, такі як обмеження обчислювальної потужності, витоки конфіденційності, алгоритмічні "чорні ящики" тощо. Однак Web3, заснований на розподілених технологіях, може дати новий імпульс розвитку ШІ через спільні мережі обчислювальної потужності, відкриті ринки даних, обчислення конфіденційності тощо. Водночас ШІ також може надати багато можливостей для Web3, таких як оптимізація смарт-контрактів, алгоритми протидії шахрайству тощо, що сприятиме його екосистемі. Таким чином, дослідження поєднання Web3 та ШІ є надзвичайно важливим для побудови інфраструктури наступного покоління Інтернету та вивільнення цінності даних та обчислювальної потужності.

Дані як основа: міцний фундамент AI та Web3

Дані є основною рушійною силою розвитку ШІ, як паливо для двигуна. Моделі ШІ потребують обробки великої кількості якісних даних, щоб отримати глибоке розуміння та потужні аналітичні здібності. Дані не тільки забезпечують навчальну основу для моделей машинного навчання, але й визначають точність та надійність моделей.

Традиційні централізовані моделі збору та використання даних штучного інтелекту мають такі основні проблеми:

• Витрати на отримання даних є високими, і середні та малі підприємства не можуть їх витримати.
• Ресурси даних монополізуються технологічними гігантами, що формує ізольовані дані
• Особисті дані піддаються ризику витоку та зловживання

Web3 може вирішити болі традиційних моделей за допомогою нової децентралізованої парадигми даних:

• Користувачі можуть продавати невикористані мережі AI-компаніям, децентралізовано збираючи мережеві дані, щоб забезпечити справжні, високоякісні дані для навчання AI-моделей.
• Використовуючи модель "label to earn", за допомогою токенів стимулювати глобальних працівників брати участь у маркуванні даних, об'єднуючи глобальні експертизи.
• Блокчейн-платформа для торгівлі даними забезпечує відкриту та прозору торгову середу для обох сторін попиту та пропозиції даних, заохочуючи інновації і обмін даними.

Проте, отримання даних з реального світу також має деякі проблеми, такі як нерівна якість даних, велика складність обробки, недостатня різноманітність та представницькість тощо. Синтетичні дані можуть стати яскравою перспективою у майбутньому веб3-даних. На основі технологій генеративного ШІ та моделювання, синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням до реальних даних, підвищуючи ефективність використання даних. У таких сферах, як автономне водіння, фінансові ринки, торгівля, розробка ігор тощо, синтетичні дані вже продемонстрували свій зрілий потенціал застосування.

Захист конфіденційності: роль FHE в Web3

У епоху даних захист приватності став глобальною темою уваги. Прийняття таких регуляцій, як Загальний регламент захисту даних (GDPR) ЄС, відображає сувору охорону особистої інформації. Однак це також призводить до викликів: деякі чутливі дані не можуть бути повноцінно використані через ризики для приватності, що безсумнівно обмежує потенціал та здатність моделей ШІ до висновків.

FHE—це повна гомоморфна криптографія, що дозволяє виконувати обчислення безпосередньо на зашифрованих даних без потреби їх розшифровки, причому результати обчислення збігаються з результатами, отриманими при виконанні тих самих обчислень на відкритих даних.

FHE забезпечує надійний захист для приватних обчислень AI, дозволяючи обчислювальній потужності GPU виконувати навчання моделей та завдання інференції в середовищі, не торкаючись вихідних даних. Це надає величезні переваги компаніям AI. Вони можуть безпечно відкривати API-сервіси, захищаючи при цьому комерційну таємницю.

FHEML підтримує шифрування даних і моделей протягом всього циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. Таким чином, FHEML зміцнює конфіденційність даних, надаючи безпечну обчислювальну структуру для AI-додатків.

FHEML є доповненням до ZKML, де ZKML доводить правильність виконання машинного навчання, а FHEML підкреслює виконання обчислень над зашифрованими даними для підтримки конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах

Поточна обчислювальна складність AI-систем подвоюється кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальні ресурси, що значно перевищує постачання наявних обчислювальних ресурсів. Наприклад, для навчання моделі GPT-3 потрібні величезні обчислювальні потужності, еквівалентні 355 рокам навчання на одному пристрої. Така нестача обчислювальних потужностей не лише обмежує прогрес у технологіях AI, але й робить ці складні AI-моделі недоступними для більшості дослідників і розробників.

Водночас, світове використання GPU становить менше 40%, а також уповільнення підвищення продуктивності мікропроцесорів, а також нестача чіпів через фактори постачання та геополітики ускладнюють проблему постачання обчислювальної потужності. Працівники в сфері ШІ опинилися в двозначному становищі: або купувати апаратне забезпечення, або орендувати хмарні ресурси, їм терміново потрібен економічний і зручний спосіб обчислювальних послуг за запитом.

Деякі децентралізовані мережі обчислювальної потужності AI, агрегуючи вільні GPU-ресурси з усього світу, надають AI-компаніям економічний і доступний ринок обчислювальної потужності. Сторони, які потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, смарт-контракти розподіляють завдання серед майнерських вузлів, які надають обчислювальну потужність, майнери виконують завдання та подають результати, після перевірки отримують бали винагороди. Це рішення підвищує ефективність використання ресурсів і допомагає вирішити проблему обмеження обчислювальної потужності в таких сферах, як AI.

Окрім загальної децентралізованої обчислювальної мережі, є також деякі платформи, які спеціалізуються на навчанні ШІ, а також деякі спеціалізовані обчислювальні мережі для інференції ШІ.

Децентралізована обчислювальна мережа забезпечує справедливий і прозорий ринок обчислювальної потужності, руйнуючи монополії, знижуючи поріг доступу та підвищуючи ефективність використання обчислювальної потужності. У екосистемі web3 децентралізована обчислювальна мережа відіграватиме ключову роль, залучаючи більше інноваційних dapp, щоб спільно сприяти розвитку та застосуванню технологій ШІ.

DePIN: Web3 надає можливості Edge AI

Уявіть собі, що ваш телефон, смарт-годинник або навіть розумні пристрої у вашому домі мають можливість запускати ШІ — ось в чому полягає привабливість Edge AI. Це дозволяє обробці даних відбуватися на місці їх виникнення, забезпечуючи низьку затримку, обробку в реальному часі, одночасно захищаючи конфіденційність користувачів. Технології Edge AI вже застосовуються в ключових сферах, таких як автономне водіння.

У сфері Web3 ми маємо більш звичну назву — DePIN. Web3 підкреслює децентралізацію та суверенітет даних користувачів, DePIN, обробляючи дані локально, може посилити захист приватності користувачів та зменшити ризик витоку даних; рідна економічна механіка токенів Web3 може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи сталу екосистему.

Наразі DePIN швидко розвивається в деяких екосистемах громадських ланцюгів, ставши однією з переважних платформ для розгортання проектів. Висока пропускна здатність (TPS), низькі комісії за транзакції та технологічні інновації забезпечують потужну підтримку проектів DePIN. Деякі відомі проекти DePIN вже досягли значного прогресу.

IMO: Випуск нової парадигми моделей AI

Концепція IMO була вперше запропонована деякими протоколами, щоб токенізувати моделі ШІ.

У традиційній моделі, через відсутність механізму поділу доходів, як тільки модель ШІ розроблена і виведена на ринок, розробникам часто важко отримати постійний дохід від подальшого використання моделі, особливо коли модель інтегрована в інші продукти та послуги. Первинним творцям важко відстежувати використання, не кажучи вже про отримання доходу. Крім того, продуктивність і ефективність моделі ШІ часто не є прозорими, що ускладнює потенційним інвесторам та користувачам оцінку її справжньої вартості, обмежуючи визнання моделі на ринку та її комерційний потенціал.

IMO надає новий спосіб фінансування та розподілу вартості для відкритих AI моделей, інвестори можуть купувати токени IMO та ділитися доходами, які генеруються моделлю в подальшому. Деякі протоколи використовують нові стандарти ERC, поєднуючи AI оракули та технологію OPML, щоб забезпечити достовірність AI моделей та можливість володільців токенів ділитися доходами.

Модель IMO підвищує прозорість і довіру, заохочує відкриту співпрацю, адаптується до тенденцій крипто-ринку та надає імпульс стійкому розвитку технологій ШІ. IMO наразі ще перебуває на початковій стадії проби, але з підвищенням рівня прийняття на ринку та розширенням сфери участі її інноваційність і потенційна цінність заслуговують на нашу увагу.

AI Agent: нова ера взаємодії

AI Agent може сприймати навколишнє середовище, здійснювати незалежне мислення та вжити відповідних заходів для досягнення визначеної мети. Підтримуваний великими мовними моделями, AI Agent не лише може розуміти природну мову, а й планувати рішення, виконувати складні завдання. Вони можуть виступати в ролі віртуальних помічників, вивчаючи вподобання користувача через взаємодію та надаючи персоналізовані рішення. Навіть без чітких інструкцій, AI Agent також може самостійно вирішувати проблеми, підвищувати ефективність, створювати нову цінність.

Деякі платформи пропонують всебічний та зручний набір інструментів для створення, що дозволяє користувачам налаштовувати функції, зовнішній вигляд, голос роботів та підключати зовнішні бази знань, прагнучи створити справедливу та відкриту екосистему контенту на основі штучного інтелекту, використовуючи технології генеративного ШІ, надаючи можливість особам стати супер-творцями. Деякі платформи навчали спеціалізовані великі мовні моделі, що робить рольові ігри більш людяними; технологія клонування голосу може прискорити персоналізацію взаємодії ШІ-продуктів, значно зменшуючи витрати на синтез голосу, клонування голосу займає лише 1 хвилину. Завдяки налаштованому AI Agent, наразі це можна застосовувати в різних сферах, таких як відеочат, вивчення мов, генерація зображень тощо.

У злитті Web3 та AI наразі більше уваги приділяється дослідженню інфраструктурного рівня, зокрема, як отримати високоякісні дані, захистити конфіденційність даних, як розмістити моделі на блокчейні, як підвищити ефективність використання децентралізованих обчислень, як перевіряти великі мовні моделі та інші ключові питання. З поступовим удосконаленням цієї інфраструктури ми маємо підстави вірити, що злиття Web3 та AI призведе до виникнення ряду інноваційних бізнес-моделей та послуг.