Стан розвитку AI+Web3: аналіз проектів, обмеження та перспективи на майбутнє

Один. Вступ: Розвиток AI+Web3

Останніми роками стрімкий розвиток штучного інтелекту (AI) і технологій Web3 привернув широку увагу по всьому світу. Штучний інтелект досяг значних успіхів у таких сферах, як розпізнавання облич, обробка природної мови, машинне навчання, що принесло величезні зміни і нововведення в різні галузі. У 2023 році ринок штучного інтелекту досягнув обсягу 200 мільярдів доларів, а компанії такі як OpenAI, Character.AI, Midjourney стали лідерами штучного інтелекту.

Водночас Web3 як новий мережевий формат змінює сприйняття та використання Інтернету. Web3 базується на децентралізованій технології блокчейн і реалізує функції, такі як смарт-контракти, розподілене зберігання та децентралізована автентифікація, що забезпечує спільний доступ до даних з контролем, автономію користувачів та створення механізмів довіри. Основна ідея Web3 полягає в тому, щоб звільнити дані з рук централізованих установ, надаючи користувачам контроль над даними та право на поділ цінності. Наразі ринкова капіталізація сектору Web3 становить 25 трильйонів, проекти такі як Bitcoin, Ethereum, Solana залучають все більше людей.

Поєднання штучного інтелекту та Web3 є важливою сферою уваги на Сході та Заході, і варто дослідити, як їх добре інтегрувати. У цій статті буде зосереджено увагу на сучасному стані розвитку AI+Web3, проаналізовано поточні проекти та обмеження й виклики, з якими вони стикаються, щоб надати інвесторам та професіоналам галузі корисну інформацію та інсайти.

Два, способи взаємодії AI та Web3

Розвиток ШІ та Web3 схожий на дві сторони терезів: ШІ приносить підвищення продуктивності, а Web3 призводить до зміни виробничих відносин. Далі ми проаналізуємо труднощі та можливості для зростання обох галузей, а також розглянемо, як вони можуть допомогти одна одній у вирішенні цих труднощів.

2.1 Виклики, з якими стикається AI-індустрія

Основою індустрії штучного інтелекту є три основні елементи: обчислювальна потужність, алгоритми та дані.

1. Потужність обчислень вказує на здатність виконувати масштабні обчислення та обробку. Завдання AI потребують обробки великих обсягів даних та складних розрахунків, наприклад, навчання моделей глибоких нейронних мереж. Висока потужність обчислень може прискорити навчання моделей та висновки, підвищуючи продуктивність і ефективність системи AI. В останні роки розвиток GPU та спеціалізованих чіпів AI значно сприяв прогресу в галузі AI.

2. Алгоритми є основою системи ШІ, включаючи традиційні алгоритми машинного навчання та алгоритми глибокого навчання. Вибір та проектування алгоритмів є вирішальними для продуктивності системи ШІ. Постійне вдосконалення та інновації в алгоритмах можуть підвищити точність, надійність і здатність до узагальнення системи.

3. Дані є основою для навчання та оптимізації моделей. Завдяки великомасштабним вибіркам даних, AI-системи можуть навчатися більш точним і розумним моделям. Багаті набори даних надають всебічну, різноманітну інформацію, що допомагає моделям краще узагальнювати та вирішувати реальні проблеми.

Штучний інтелект стикається з багатьма викликами в цих трьох аспектах:

У плані обчислювальної потужності отримання та управління великомасштабною обчислювальною потужністю є дорогим і складним, особливо для стартапів і окремих розробників.

У сфері алгоритмів глибоке навчання потребує великої кількості даних та обчислювальних ресурсів, інтерпретованість моделі та здатність до узагальнення все ще потребують поліпшення.

У сфері даних отримання високоякісних і різноманітних даних залишається проблемою, у деяких областях дані важко отримати. Якість даних, точність та захист конфіденційності також є важливими факторами.

Крім того, необхідно терміново вирішити проблеми інтерпретованості та прозорості моделей ШІ, а також неясності бізнес-моделей.

2.2 Виклики, з якими стикається індустрія Web3

У Web3-індустрії є можливості для покращення в таких сферах, як аналіз даних, досвід користувачів, безпека смарт-контрактів. Штучний інтелект, як інструмент підвищення продуктивності, має багато потенційних застосувань у цих сферах:

1. Аналіз даних та прогностичні можливості: ШІ може витягувати цінну інформацію з величезних обсягів даних, робити більш точні прогнози та приймати рішення, що має велике значення для оцінки ризиків і управління активами в таких сферах, як DeFi.

2. Користувацький досвід та персоналізовані послуги: ШІ може аналізувати дані користувачів, пропонувати персоналізовані рекомендації та індивідуальні послуги, підвищуючи залученість та задоволеність користувачів.

3. Безпека та захист конфіденційності: Штучний інтелект може бути використаний для виявлення кібератак, ідентифікації аномальної поведінки, забезпечуючи більш потужний рівень безпеки. Одночасно його можна застосовувати для захисту персональних даних, охороняючи особисту інформацію користувачів.

4. Аудит смарт-контрактів: ШІ може використовуватися для автоматизації аудиту контрактів та виявлення вразливостей, підвищуючи безпеку та надійність контрактів.

Очевидно, що ШІ може допомогти вирішити труднощі, з якими стикається індустрія Web3, сприяючи розвитку галузі.

Три, аналіз стану проектів AI+Web3

Проекти AI+Web3 в основному підходять з двох сторін: використання технології блокчейн для покращення роботи проектів AI та використання технології AI для обслуговування проектів Web3. Наразі з'явилися такі проекти, як Io.net, Gensyn, Ritual та інші, нижче ми розглянемо ситуацію та розвиток в різних підсекторних напрямках.

3.1 Web3 підтримує AI

3.1.1 Децентралізовані обчислення

З появою великих моделей, таких як ChatGPT, попит на обчислювальні потужності з боку штучного інтелекту різко зріс, що призвело до нестачі GPU. Децентралізовані проекти обчислювальної потужності, такі як Akash, Render, Gensyn та інші, залучають користувачів, які надають вільні GPU-потужності, шляхом токенізації, щоб забезпечити підтримку обчислювальної потужності для клієнтів AI.

Сторона пропозиції в основному складається з постачальників хмарних послуг, криптовалютних майнерів та великих підприємств. Проект залучає постачальників за допомогою токенів, а потім надає послуги мережі обчислювальної потужності стороні попиту, здійснюючи підбір попиту та пропозиції на безкоштовну обчислювальну потужність.

Децентралізовані проекти обчислювальної потужності в основному поділяються на дві категорії: одна призначена для AI-інференції (, такі як Render, Akash ), інша - для AI-тренувань (, такі як io.net, Gensyn ). io.net, як представник, наразі має понад 500 тисяч GPU і демонструє видатні результати в децентралізованих проектах обчислювальної потужності.

3.1.2 Децентралізована алгоритмічна модель

Децентралізовані алгоритмічні моделі, такі як Bittensor, прагнуть створити відкриту, прозору екосистему, де моделі штучного інтелекту можуть безпечно, децентралізовано навчатися, ділитися та використовуватися.

У Bittensor постачальники алгоритмічних моделей вносять моделі машинного навчання в мережу та отримують токенні винагороди. Мережа використовує унікальний механізм консенсусу для забезпечення найкращих відповідей. Токен TAO використовується для стимулювання майнерів до внесення алгоритмічних моделей, в той час як користувачі повинні витрачати токени для запитів і виконання завдань.

3.1.3 Децентралізоване збирання даних

Щоб вирішити проблему постачання даних для навчання ШІ, деякі проекти поєднують Web3 з токенними заохоченнями для реалізації децентралізованого збору даних. Наприклад, PublicAI дозволяє користувачам брати участь як постачальникам даних і перевіряючим, отримуючи токенні винагороди.

Інші, такі як Ocean, що збирає дані користувачів через токенізацію даних, Hivemapper, що збирає картографічні дані, Dimo, що збирає дані автомобілів тощо, ці централізовані проекти збору даних також можуть стати потенційним постачальником для навчання ШІ.

3.1.4 ZK захист користувацької конфіденційності в AI

Технологія доказів з нульовим знанням може допомогти вирішити конфлікт між захистом приватності та обміном даними в штучному інтелекті. ZKML(Zero-Knowledge Machine Learning) дозволяє проводити навчання та інференцію моделей машинного навчання без розкриття вихідних даних.

BasedAI пропонує інтеграцію повністю гомоморфного шифрування (FHE) з великими мовними моделями (LLM), використовуючи моделі великих мов з нульовими знаннями (ZK-LLM) для захисту конфіденційності даних користувачів.

Крім того, проекти, такі як Cortex, підтримують виконання AI-програм в ланцюзі, використовуючи GPU для запуску AI-моделей в ланцюзі, що забезпечує децентралізоване, незмінне та прозоре AI-висновлення.

3.2 AI сприяє Web3

3.2.1 Аналіз даних та прогнозування

Багато Web3 проектів інтегрують AI сервіси для надання користувачам аналізу даних та прогнозування. Наприклад, Pond використовує AI графові алгоритми для прогнозування цінних токенів, BullBear AI прогнозує цінові тенденції. Numerai проводить конкурси з прогнозування акцій за допомогою AI, Arkham поєднує AI для аналізу даних в блокчейні.

3.2.2 Персоналізовані послуги

Проекти Web3 оптимізують користувацький досвід через інтеграцію AI. Наприклад, Dune запустила інструмент Wand, який використовує великі мовні моделі для написання SQL-запитів; Followin та IQ.wiki інтегрували ChatGPT для підсумовування контенту; NFPrompt дозволяє користувачам генерувати NFT за допомогою AI.

3.2.3 AI аудит смарт-контрактів

Штучний інтелект може більш ефективно та точно перевіряти код смарт-контрактів, виявляючи вразливості. Наприклад, 0x0.ai пропонує AI аудитора смарт-контрактів, який використовує технології машинного навчання для виявлення потенційних проблем у коді.

Крім того, є проекти, такі як PAAL, що допомагають створювати персоналізованих AI-ботів, а Hera використовує AI для надання найкращих торгових шляхів тощо; AI в основному виступає як інструмент для сприяння розвитку Web3.

Чотири, обмеження та виклики проектів AI+Web3

4.1 Реальні перешкоди в decentralizovanih obчисленнях

Децентралізовані проекти обчислювальної потужності стикаються з деякими реальними проблемами:

1. Продуктивність та стабільність: мережеве з'єднання між розподіленими вузлами може бути затриманим та нестабільним.

2. Доступність: вплив на забезпечення ресурсами може призвести до недостатності ресурсів або неможливості задовольнити попит.

3. Складність: користувачеві потрібно розуміти знання про розподілену мережу, смарт-контракти тощо, вартість використання досить висока.

4. Складно проводити навчання великих моделей: навчання великих моделей вимагає високої стабільності та середовища з багатьма картами, децентралізовані обчислювальні потужності не можуть задовольнити ці вимоги.

5. Обмеження фізичної відстані: NVLink від NVIDIA обмежує фізичну відстань між відеокартами, ускладнюючи формування кластерів для навчання великих моделей.

Наразі децентралізовані обчислення переважно використовуються для AI-інференції або навчання малих і середніх моделей у специфічних сценаріях. У майбутньому вони можуть відігравати роль у таких сферах, як краєва обробка.

4.2 Поєднання AI+Web3 є досить грубим, не досягнувши 1+1>2

На даний момент поєднання AI та Web3 все ще є поверхневим:

1. Більшість проектів лише просто використовують ШІ для підвищення ефективності, їм не вистачає природної інтеграції та інноваційних рішень.

2. Деякі команди надмірно просувають концепцію ШІ, фактичне застосування обмежене.

У майбутньому потрібно більш глибоке дослідження, щоб створити рідні та значущі рішення в таких сферах, як фінанси, DAO, ринкові прогнози.

4.3 Токеноміка стає буфером у наративі AI-проектів

Багато проектів AI+Web3 використовують токеноміку для сприяння залученню користувачів, але ключовим є те, чи дійсно вони вирішують реальні потреби, а не просто ведуть оповідь або прагнуть короткострокової вартості.

Наразі більшість проєктів ще не досягли практичного етапу, потребують більше надійних і креативних команд, які справді задовольняють реальні потреби.

П'ять, висновок

Проекти AI+Web3 вже продемонстрували численні приклади застосування. AI забезпечує Web3 можливостями розумного аналізу, прогнозування, аудиту тощо, підвищуючи досвід користувачів. Web3, в свою чергу, надає AI децентралізовані обчислювальні потужності, платформи для обміну даними та алгоритмами, сприяючи розвитку AI.

Хоча проекти AI+Web3 наразі все ще на ранній стадії та стикаються з численними викликами, вони також приносять переваги, такі як зменшення залежності від централізації, підвищення прозорості тощо. У майбутньому глибока інтеграція AI та Web3 відкриє безмежні можливості для технологічних інновацій та економічного розвитку, з можливістю створення більш розумної, відкритої та справедливої економічної соціальної системи.