Состояние развития AI+Web3: анализ проектов, ограничения и перспективы на будущее

Введение: Развитие AI+Web3

В последние годы быстрое развитие технологий искусственного интеллекта (AI) и Web3 привлекло широкое внимание во всем мире. Искусственный интеллект достиг значительных успехов в таких областях, как распознавание лиц, обработка естественного языка, машинное обучение, что принесло огромные изменения и инновации в различные отрасли. В 2023 году рынок искусственного интеллекта достиг 200 миллиардов долларов, такие компании, как OpenAI, Character.AI, Midjourney, возглавили бум искусственного интеллекта.

В то же время Web3 как новая модель сети меняет восприятие и способ использования Интернета людьми. Web3 основан на децентрализованной технологии блокчейна и реализует функции обмена данными и контроля, самоуправления пользователей и создания механизмов доверия через смарт-контракты, распределенное хранилище и децентрализованную аутентификацию. Основная концепция Web3 заключается в том, чтобы освободить данные из рук централизованных учреждений, предоставив пользователям контроль над данными и право на участие в распределении ценностей. В настоящее время рыночная капитализация индустрии Web3 составляет 25 триллионов, а проекты такие как Bitcoin, Ethereum, Solana привлекают всё больше людей.

Сочетание ИИ и Web3 является важной областью интереса как на Востоке, так и на Западе, и стоит исследовать, как их можно эффективно интегрировать. В данной статье будет подробно рассмотрено текущее состояние развития AI+Web3, проанализированы существующие проекты, а также их ограничения и вызовы, чтобы предоставить инвесторам и профессионалам отрасли рекомендации и инсайты.

Два, способы взаимодействия ИИ и Web3

Развитие ИИ и Web3 похоже на две стороны весов: ИИ приносит повышение производительности, а Web3 приводит к изменению производственных отношений. Далее проанализируем проблемы и возможности для улучшения, с которыми сталкиваются две отрасли, и обсудим, как они могут помочь друг другу решить эти проблемы.

2.1 Проблемы, с которыми сталкивается индустрия ИИ

Ключевые элементы индустрии ИИ неразрывно связаны с тремя аспектами: вычислительная мощность, алгоритмы и данные.

1. Вычислительная мощность относится к способности выполнять масштабные вычисления и обработки. Задачи ИИ требуют обработки больших объемов данных и сложных вычислений, таких как обучение моделей глубоких нейронных сетей. Высокая вычислительная мощность может ускорить обучение моделей и вывод, повысив производительность и эффективность систем ИИ. В последние годы развитие графических процессоров и специализированных ИИ-чипов значительно способствовало прогрессу в ИИ-индустрии.

2. Алгоритмы являются основой AI-системы, включая традиционные алгоритмы машинного обучения и алгоритмы глубокого обучения. Выбор и проектирование алгоритмов имеют решающее значение для производительности AI-системы. Постоянное улучшение и инновации в алгоритмах могут повысить точность, надежность и обобщающую способность системы.

3. Данные являются основой для обучения и оптимизации моделей. С помощью масштабных выборок данных AI-системы могут обучаться более точным и умным моделям. Богатые наборы данных предоставляют всестороннюю и разнообразную информацию, что помогает моделям лучше обобщать и решать реальные проблемы.

Искусственный интеллект сталкивается с множеством проблем в этих трех областях:

С точки зрения вычислительной мощности, получение и управление масштабной вычислительной мощностью дорого и сложно, особенно для стартапов и индивидуальных разработчиков.

В области алгоритмов глубокое обучение требует больших объемов данных и вычислительных ресурсов, интерпретируемость моделей и способность к обобщению все еще требуют улучшения.

С точки зрения данных, получение высококачественных и разнообразных данных по-прежнему является проблемой, в некоторых областях данные трудно получить. Качество данных, точность и защита конфиденциальности также являются важными факторами.

Кроме того, необходимо решить такие проблемы, как объяснимость и прозрачность AI-моделей, а также неясность бизнес-моделей.

2.2 Проблемы, с которыми сталкивается индустрия Web3

В отрасли Web3 существует потенциал для улучшения в таких областях, как анализ данных, пользовательский опыт и безопасность смарт-контрактов. Искусственный интеллект, как инструмент повышения производительности, имеет множество потенциальных применений в этих областях:

1. Способности к анализу данных и прогнозированию: ИИ может извлекать ценную информацию из огромных объемов данных, осуществлять более точные прогнозы и принимать решения, что имеет огромное значение для оценки рисков и управления активами в таких областях, как DeFi.

2. Пользовательский опыт и персонализированные услуги: ИИ может анализировать данные пользователей, предоставлять персонализированные рекомендации и настраиваемые услуги, повышая вовлеченность и удовлетворенность пользователей.

3. Безопасность и защита конфиденциальности: ИИ может использоваться для обнаружения сетевых атак, идентификации аномального поведения и предоставления более надежной защиты. Также может применяться для защиты конфиденциальности данных, защищая личную информацию пользователей.

4. Аудит смарт-контрактов: ИИ может быть использован для автоматизации аудита контрактов и обнаружения уязвимостей, повышая безопасность и надежность контрактов.

Очевидно, что ИИ может помочь решить проблемы, с которыми сталкивается индустрия Web3, и способствовать её развитию.

Три. Анализ текущего состояния проектов AI+Web3

Проекты AI+Web3 в основном ориентированы на два направления: использование технологий блокчейна для повышения производительности AI-проектов и использование технологий AI для обслуживания проектов Web3. В настоящее время появляются различные проекты, такие как Io.net, Gensyn, Ritual и другие, ниже мы проанализируем текущее состояние и развитие в различных подкатегориях.

3.1 Web3 помогает ИИ

3.1.1 Децентрализованная вычислительная мощность

С появлением крупных моделей, таких как ChatGPT, резко возрос спрос на вычислительную мощность для ИИ, что привело к нехватке GPU. Децентрализованные проекты вычислительной мощности, такие как Akash, Render, Gensyn и другие, привлекают пользователей предоставлять неиспользуемую вычислительную мощность GPU через токеновые стимулы, чтобы обеспечить поддержку вычислительной мощности для клиентов ИИ.

Сторона предложения в основном включает в себя облачных провайдеров, майнеров криптовалют и крупные предприятия. Проект привлекает поставщиков с помощью токенов, а затем предоставляет услуги сети вычислительной мощности стороне спроса, реализуя соответствие между спросом и предложением на неиспользуемую вычислительную мощность.

Децентрализованные вычислительные проекты в основном делятся на два типа: один тип используется для AI-инференса (, такие как Render, Akash ), другой тип используется для AI-обучения (, такие как io.net, Gensyn ). io.net как представитель в настоящее время имеет более 500 000 GPU и демонстрирует выдающиеся результаты в децентрализованных вычислительных проектах.

3.1.2 Децентрализованная алгоритмическая модель

Проект децентрализованной алгоритмической модели, такой как Bittensor, стремится создать открытое и прозрачное экосистему, позволяющую AI моделям безопасно, децентрализованно обучаться, делиться и использоваться.

В Bittensor поставщики алгоритмических моделей вносят вклад в сеть с помощью моделей машинного обучения и получают токены в качестве вознаграждения. Сеть использует уникальный механизм консенсуса для обеспечения наилучшего ответа. Токен TAO используется для стимуляции майнеров вносить алгоритмические модели, в то время как пользователи должны тратить токены для того, чтобы задавать вопросы и выполнять задачи.

3.1.3 Децентрализованный сбор данных

Чтобы решить проблему поставки данных для обучения ИИ, некоторые проекты сочетают Web3 и реализуют децентрализованный сбор данных через токенизированные стимулы. Например, PublicAI позволяет пользователям участвовать в качестве поставщиков и проверяющих данных и получать токеновые вознаграждения.

Другие проекты, такие как Ocean, которые собирают пользовательские данные через токенизацию данных, Hivemapper, который собирает картографические данные, Dimo, который собирает данные о автомобилях и т.д., могут стать потенциальной стороной предложения для обучения ИИ.

3.1.4 Защита конфиденциальности пользователей в AI с помощью ZK

Технология доказательства нулевого знания может помочь решить конфликт между защитой конфиденциальности и обменом данными в ИИ. ZKML(Zero-Knowledge Machine Learning) позволяет обучать и проводить выводы моделей машинного обучения без раскрытия исходных данных.

BasedAI предложила интеграцию полного гомоморфного шифрования (FHE) с большими языковыми моделями (LLM), используя модели больших языков с нулевым знанием (ZK-LLM) для защиты конфиденциальности данных пользователей.

Кроме того, такие проекты, как Cortex, поддерживают выполнение AI-программ в сети, используя GPU для запуска AI-моделей на блокчейне, что позволяет достичь децентрализованного, неизменного и прозрачного AI-вывода.

3.2 Искусственный интеллект способствует Web3

3.2.1 Анализ данных и прогнозирование

Многие проекты Web3 интегрируют AI-сервисы для предоставления пользователям анализа данных и прогнозирования. Например, Pond использует алгоритмы графов AI для прогнозирования ценных токенов, BullBear AI предсказывает ценовые тенденции. Numerai проводит соревнования по прогнозированию фондового рынка с помощью AI, Arkham сочетает AI для анализа данных на блокчейне.

3.2.2 Персонализированные услуги

Проекты Web3 оптимизируют пользовательский опыт за счет интеграции ИИ. Например, Dune выпустила инструмент Wand, который использует большие языковые модели для написания SQL-запросов; Followin и IQ.wiki интегрировали ChatGPT для суммирования контента; NFPrompt позволяет пользователям генерировать NFT с помощью ИИ.

3.2.3 AI аудит смарт-контрактов

Искусственный интеллект может более эффективно и точно проверять код смарт-контрактов и выявлять уязвимости. Например, 0x0.ai предлагает аудиторы смарт-контрактов на основе искусственного интеллекта, использующие технологии машинного обучения для выявления потенциальных проблем в коде.

Кроме того, существует PAAL, который помогает создать персонализированный AI Bot, а Hera использует AI для предоставления лучших торговых путей и других проектов, AI в основном выступает в качестве инструмента для содействия развитию Web3.

Четыре, ограничения и текущие вызовы проектов AI+Web3

4.1 Реальные препятствия в области децентрализованных вычислительных мощностей

Децентрализованные вычислительные проекты сталкиваются с рядом реальных проблем:

1. Производительность и стабильность: между распределенными узлами может существовать задержка и нестабильность сетевого соединения.

2. Доступность: может быть недостаток ресурсов или невозможность удовлетворить спрос из-за влияния соответствия спроса и предложения.

3. Сложность: пользователю необходимо понимать распределенные сети, смарт-контракты и другие знания, что делает затраты на использование довольно высокими.

4. Трудности в обучении больших моделей: обучение больших моделей требует высокой стабильности и многократного параллельного использования ресурсов, а децентрализованные вычислительные мощности трудно удовлетворяют этим требованиям.

5. Ограничение физического расстояния: NVLink от NVIDIA ограничивает физическое расстояние между видеокартами, что затрудняет распределение вычислительной мощности для создания кластеров для обучения больших моделей.

В настоящее время децентрализованные вычислительные мощности в основном применяются для ИИ-вывода или обучения малых и средних моделей в определенных сценариях. В будущем они могут сыграть роль в таких областях, как периферийные вычисления.

4.2 Сочетание AI+Web3 довольно грубое, не достигло 1+1>2

В настоящее время сочетание ИИ и Web3 все еще довольно поверхностное:

1. Большинство проектов просто используют ИИ для повышения эффективности, им не хватает глубокой интеграции и инновационных решений.

2. Некоторые команды чрезмерно рекламируют концепцию ИИ, реальное применение ограничено.

В будущем необходимо более глубокое исследование для создания оригинальных и значимых решений в таких областях, как финансы, DAO, прогнозные рынки и т.д.

4.3 Токеномика как буфер для нарратива AI проектов

Многие проекты AI+Web3 используют токеномику для стимулирования участия пользователей, но ключевым моментом является то, решают ли они реальные потребности, а не просто повествуют или стремятся к краткосрочной ценности.

В настоящее время большинство проектов еще не достигли практической стадии и нуждаются в более серьезных и продуманных командах, которые действительно смогут удовлетворить реальные потребности.

Пять, итог

Проекты AI+Web3 уже продемонстрировали множество примеров применения. AI предоставляет Web3 возможности для интеллектуального анализа, прогнозирования, аудита и т.д., улучшая пользовательский опыт. Web3, в свою очередь, предоставляет AI децентрализованные вычислительные мощности, платформу для обмена данными и алгоритмами, способствуя развитию AI.

Хотя проекты AI+Web3 все еще находятся на ранней стадии и сталкиваются со многими вызовами, они также приносят преимущества, такие как снижение зависимости от централизованных систем и повышение прозрачности. В будущем глубокая интеграция AI и Web3 откроет бесконечные возможности для технологических инноваций и экономического развития, с надеждой на создание более умной, открытой и справедливой экономической и социальной системы.