Dalam dua tahun terakhir, kecepatan perkembangan AI telah meningkat secara signifikan. Gelombang kecerdasan buatan generatif yang dipicu oleh ChatGPT tidak hanya membuka pintu ke dunia baru, tetapi juga menimbulkan riak di bidang Web3.
Di bawah dorongan konsep AI, aktivitas pendanaan di pasar kripto menunjukkan pemulihan yang jelas. Menurut statistik, hanya dalam paruh pertama tahun 2024, terdapat 64 proyek Web3+AI yang berhasil melakukan pendanaan, di mana sistem operasi berbasis kecerdasan buatan Zyber365 mencetak rekor tertinggi 100 juta dolar AS dalam pendanaan putaran A.
Pasar sekunder menjadi lebih aktif, data dari situs agregator kripto menunjukkan bahwa dalam waktu hanya sedikit lebih dari satu tahun, total nilai pasar untuk jalur AI telah mencapai 48,5 miliar dolar AS, dengan volume perdagangan dalam 24 jam mendekati 8,6 miliar dolar AS. Kemajuan teknologi AI utama membawa keuntungan yang jelas, setelah peluncuran model teks ke video Sora dari OpenAI, harga rata-rata sektor AI meningkat sebesar 151%. Efek AI juga menyebar ke sektor pengumpulan dana cryptocurrency, MemeCoin pertama dengan konsep AI Agent - GOAT dengan cepat menjadi populer dan mendapatkan valuasi 1,4 miliar dolar AS, memicu gelombang Meme AI.
Penelitian dan diskusi tentang AI+Web3 juga sangat hangat, dari AI+Depin hingga AI Memecoin, hingga saat ini AI Agent dan AI DAO, konsep-konsep baru bermunculan tanpa henti.
Kombinasi AI+Web3 yang dipenuhi dengan uang panas, peluang, dan imajinasi masa depan ini, tidak dapat dihindari dianggap sebagai pernikahan yang dipadukan oleh modal. Kita sulit membedakan di balik penampilan yang megah ini, apakah itu pesta spekulan, atau awal dari era baru.
Untuk menjawab pertanyaan ini, kuncinya terletak pada pemikiran apakah kedua belah pihak dapat saling memajukan. Artikel ini berusaha untuk mengkaji pola ini: bagaimana Web3 dapat berfungsi di berbagai aspek tumpukan teknologi AI, dan apa peluang baru yang dapat diberikan AI kepada Web3?
Bagian 1 Apa peluang Web3 di bawah tumpukan AI?
Sebelum membahas lebih lanjut, kita perlu memahami tumpukan teknologi model besar AI:
Model AI besar dapat disamakan dengan otak manusia, pada tahap awal seperti bayi yang perlu menyerap informasi eksternal yang besar untuk memahami dunia, ini adalah tahap "pengumpulan" data. Karena komputer tidak memiliki indera manusia, sebelum pelatihan perlu "pra-pemrosesan" untuk mengubah informasi yang tidak terlabel menjadi format yang dapat digunakan.
Setelah memasukkan data, AI membangun model yang memiliki kemampuan pemahaman dan prediksi melalui "pelatihan", mirip dengan proses belajar bayi untuk memahami lingkungan. Ketika konten pembelajaran dibagi menjadi disiplin ilmu atau mendapatkan umpan balik melalui komunikasi dan diperbaiki, tahap "penyempurnaan" dimulai.
Anak-anak yang tumbuh dewasa dapat memahami dan mengekspresikan pikiran dalam dialog, mirip dengan tahap "penalaran" model AI besar, dapat memprediksi dan menganalisis masukan baru. AI mengekspresikan perasaan, mendeskripsikan hal-hal, dan memecahkan masalah melalui kemampuan bahasa, mirip dengan model besar yang diterapkan setelah pelatihan dalam tugas-tugas spesifik seperti klasifikasi gambar, pengenalan suara, dan lain-lain.
AI Agent lebih mendekati bentuk berikutnya dari model besar - dapat melakukan tugas secara mandiri dan mengejar tujuan kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan menggunakan alat untuk berinteraksi dengan dunia.
Saat ini, untuk mengatasi titik sakit dari berbagai tumpukan AI, Web3 secara awal telah membentuk ekosistem yang berlapis-lapis dan saling terkait, mencakup berbagai tahap dalam proses model AI.
Satu, Lapisan Dasar: Airbnb Daya Komputasi dan Data
Kekuatan Komputasi
Saat ini, salah satu biaya utama AI adalah daya komputasi dan energi yang diperlukan untuk melatih dan menyimpulkan model.
Misalnya, LLAMA3 milik Meta membutuhkan 16.000 NVIDIA H100 GPU selama 30 hari untuk menyelesaikan pelatihan. Versi H100 80GB memiliki harga per unit sebesar 30.000-40.000 dolar AS, yang memerlukan investasi perangkat keras sebesar 400-700 juta dolar AS, dan pelatihan bulanan juga memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar AS.
Untuk mengurangi tekanan pada kekuatan komputasi AI, DePin( jaringan infrastruktur fisik terdesentralisasi) menjadi salah satu bidang pertama yang berinteraksi dengan AI di Web3. Situs data DePin Ninja telah mencantumkan lebih dari 1400 proyek, di mana proyek perwakilan berbagi kekuatan GPU termasuk io.net, Aethir, Akash, Render Network, dan lainnya.
Logika utamanya adalah: platform memungkinkan pemilik sumber daya GPU yang tidak terpakai untuk menyumbangkan kekuatan komputasi secara terdesentralisasi, meningkatkan pemanfaatan sumber daya melalui pasar online yang mirip dengan Uber atau Airbnb, di mana pengguna akhir mendapatkan sumber daya komputasi yang efisien dengan biaya lebih rendah; sementara mekanisme staking memastikan bahwa pelanggar dijatuhi sanksi.
Ciri-ciri termasuk:
Mengumpulkan sumber daya GPU yang tidak terpakai: terutama berasal dari kelebihan daya komputasi dari pusat data kecil dan menengah, tambang kripto, serta perangkat keras penambangan mekanisme konsensus PoS. Beberapa proyek seperti exolab juga memanfaatkan perangkat lokal seperti MacBook, iPhone, dan lain-lain untuk membangun jaringan daya komputasi inferensi.
Menghadapi pasar panjang daya komputasi AI:
a. Sisi teknis: lebih cocok untuk langkah inferensi. Pelatihan bergantung pada kluster GPU berskala besar, sementara inferensi memiliki tuntutan kinerja GPU yang lebih rendah.
b. Sisi permintaan: Pihak peminta dengan kekuatan komputasi kecil dan menengah lebih banyak berfokus pada optimasi dan fine-tuning model besar, yang secara alami cocok untuk kekuatan komputasi terdistribusi yang tidak terpakai.
Kepemilikan terdesentralisasi: Teknologi blockchain memastikan pemilik sumber daya mempertahankan kontrol, dapat menyesuaikan dengan fleksibel, dan mendapatkan keuntungan.
Data
Data adalah fondasi AI. Tanpa data, perhitungan tidak ada artinya, kualitas data menentukan kualitas output model. Untuk pelatihan model AI saat ini, data menentukan kemampuan bahasa, kemampuan pemahaman, nilai-nilai, dan kinerja yang bersifat manusiawi. Saat ini, tantangan kebutuhan data AI terutama terletak pada:
Ketergantungan data: Pelatihan model AI bergantung pada input data dalam jumlah besar. OpenAI melatih parameter GPT-4 mencapai tingkat triliun.
Kualitas data: Seiring dengan penggabungan AI dengan berbagai industri, permintaan terhadap ketepatan waktu, keragaman, profesionalisme data, serta sumber data baru seperti emosi media sosial meningkat.
Privasi dan Kepatuhan: Negara-negara dan perusahaan semakin membatasi pengambilan data dari kumpulan data.
Biaya pengolahan data tinggi: volume data besar, pengolahan kompleks. Perusahaan AI menghabiskan lebih dari 30% biaya penelitian dan pengembangan untuk pengumpulan dan pengolahan data dasar.
Solusi Web3 terutama tercermin dalam:
Pengumpulan data: Mengajak kontributor yang sebenarnya untuk terlibat dalam penciptaan nilai, mendapatkan data yang lebih pribadi dan lebih berharga dengan biaya rendah melalui jaringan terdistribusi dan mekanisme insentif.
Grass: Lapisan data dan jaringan terdesentralisasi, pengguna menjalankan node untuk berkontribusi bandwidth menangkap data waktu nyata dan mendapatkan hadiah.
Vana: Memperkenalkan konsep kolam likuiditas data (DLP), pengguna dapat mengunggah data pribadi dan memberikan izin penggunaan kepada pihak ketiga secara fleksibel.
PublicAI: Pengguna dapat menggunakan #AI或# Web3 tag di X dan @PublicAI untuk melakukan pengumpulan data.
Pra-pemrosesan data: Beberapa tahap manual dalam industri AI, cocok untuk mekanisme insentif desentralisasi Web3.
Grass dan OpenLayer mempertimbangkan untuk menambahkan tahap penandaan data.
Synesis mengusulkan konsep "Train2earn", yang memberikan imbalan untuk menyediakan data anotasi berkualitas tinggi.
Sapien akan membuat tugas penandaan menjadi permainan, pengguna mempertaruhkan poin untuk mendapatkan lebih banyak poin.
Privasi dan Keamanan Data: Keunggulan teknologi privasi Web3 terletak pada pelatihan data sensitif dan kolaborasi data multi pihak.
Teknologi privasi utama termasuk:
Lingkungan Eksekusi Tepercaya(TEE), seperti Protokol Super
Enkripsi Homomorfik Penuh (FHE), seperti BasedAI, Fhenix.io, Inco Network
Teknologi zero-knowledge ( zk), seperti Protokol Reclaim yang menggunakan teknologi zkTLS
Saat ini masih berada di tahap awal, menghadapi tantangan seperti biaya komputasi yang tinggi.
Penyimpanan data: menyelesaikan masalah penyimpanan data AI di blockchain dan menghasilkan LLM.
0g.AI: Solusi penyimpanan terpusat yang dirancang untuk kebutuhan kinerja tinggi AI, mendukung pengunggahan dan pengunduhan cepat dataset besar, dengan kecepatan transfer mendekati 5GB/detik.
Dua, Middleware: Pelatihan dan Inferensi Model
Pasar terdesentralisasi model sumber terbuka
Web3 mengusulkan kemungkinan pasar model sumber terbuka yang terdesentralisasi, dengan menahan sebagian token untuk tim melalui tokenisasi, mengarahkan aliran pendapatan masa depan dari model ke pemegang token.
Bittensor: Membangun pasar P2P untuk model sumber terbuka, terdiri dari beberapa "sub-jaringan", di mana penyedia sumber daya bersaing satu sama lain untuk memenuhi tujuan sub-jaringan.
ORA: Memperkenalkan konsep penerbitan model awal (IMO), melakukan tokenisasi model AI.
Sentient: Platform AGI terdesentralisasi, mendorong kolaborasi untuk membangun model AI dan memberikan imbalan kepada kontributor.
Spectral Nova: Memfokuskan pada pembuatan dan penerapan model AI dan ML.
Penalaran yang Dapat Diverifikasi
Untuk masalah "black box" dalam inferensi AI, solusi standar Web3 adalah membandingkan hasil operasi berulang oleh banyak validator, tetapi menghadapi tantangan biaya yang tinggi.
Solusi yang lebih menjanjikan adalah melakukan pembuktian ZK untuk perhitungan inferensi AI off-chain, dan memverifikasi perhitungan di on-chain. Keuntungan utama:
Skalabilitas: Konfirmasi cepat untuk sejumlah besar perhitungan off-chain.
Perlindungan privasi: Melindungi data dan rincian model.
Tanpa perlu percaya: tidak perlu bergantung pada pihak terpusat untuk mengonfirmasi perhitungan.
Integrasi Web2: membantu meningkatkan tingkat adopsi Web3.
Teknologi yang dapat diverifikasi saat ini termasuk:
zkML: menggabungkan bukti nol-pengetahuan dan pembelajaran mesin, seperti AI prover yang dirilis oleh Modulus Labs berbasis ZKML.
opML: Meningkatkan efisiensi perhitungan ML dengan menggunakan prinsip agregasi optimis.
TeeML: Menggunakan lingkungan eksekusi terpercaya untuk menjalankan perhitungan ML dengan aman.
Tiga, Lapisan Aplikasi: AI Agent
Fokus pengembangan AI saat ini beralih dari kemampuan model ke AI Agent. OpenAI mendefinisikan AI Agent sebagai: sistem yang didorong oleh LLM, memiliki kemampuan pemahaman dan persepsi mandiri, perencanaan, memori, dan penggunaan alat, yang dapat secara otomatis melaksanakan tugas kompleks.
Web3 dapat membawa untuk Agen:
Desentralisasi
Karakteristik Web3 membuat sistem Agent lebih terdesentralisasi dan otonom, dengan membangun mekanisme insentif dan hukuman melalui mekanisme seperti PoS, DPoS untuk mempromosikan demokratisasi, seperti GaiaNet, Theoriq, HajimeAI.
Cold Start
Web3 membantu proyek AI Agent potensial mendapatkan pendanaan awal.
Virtual Protocol meluncurkan platform penciptaan AI Agent dan penerbitan token fun.virtuals.
Spectral mengusulkan konsep IAO(Initial Agent Offering) yang mendukung penerbitan aset AI Agent di on-chain.
Bagian.2 Bagaimana AI Memberdayakan Web3?
AI memiliki dampak signifikan pada proyek Web3, dengan mengoptimalkan operasi on-chain ( seperti pelaksanaan kontrak pintar, optimasi likuiditas, dan pengambilan keputusan berbasis AI ) yang menguntungkan blockchain, menyediakan wawasan berbasis data, meningkatkan keamanan on-chain, dan meletakkan dasar bagi aplikasi Web3 baru.
Satu, AI dan Keuangan di Blockchain
AI dan Ekonomi Kripto
CEO Coinbase mengumumkan transaksi crypto AI ke AI pertama di jaringan Base, AI Agent dapat melakukan transaksi menggunakan USD dengan manusia, pedagang, atau AI lainnya.
Virtuals Protocol Luna menunjukkan AI Agent yang secara mandiri melakukan transaksi di blockchain, AI Agent dianggap sebagai masa depan keuangan di blockchain. Skenario potensial termasuk:
Pengumpulan Informasi dan Prediksi: Mengumpulkan pengumuman bursa, informasi proyek, risiko opini publik, dll., menganalisis dan mengevaluasi fundamental aset, kondisi pasar, memprediksi tren dan risiko.
Manajemen Aset: Menyediakan objek investasi, mengoptimalkan portofolio aset, melaksanakan transaksi secara otomatis.
Pengalaman Finansial: Pilih cara transaksi on-chain tercepat, otomatisasi lintas rantai, penyesuaian biaya gas, dll., untuk mengurangi hambatan dan biaya aktivitas keuangan on-chain.
Saat ini, dompet AI Agent Bitte, protokol interaksi AI Wayfinder, dan lainnya mencoba mengintegrasikan API model OpenAI, memungkinkan pengguna untuk memerintahkan Agent melakukan operasi di blockchain melalui antarmuka obrolan. Platform Agent terdesentralisasi Morpheus mendukung pengembangan Agent semacam ini, Biconomy mendemonstrasikan bahwa AI Agent dapat melakukan operasi swap tanpa memerlukan izin lengkap dari dompet.
AI dan Keamanan Transaksi di Blockchain
Teknologi AI dapat meningkatkan keamanan dan perlindungan privasi transaksi on-chain, dengan skenario potensial termasuk:
Pemantauan transaksi: Memantau aktivitas abnormal secara real-time, menyediakan peringatan.
SeQure, platform keamanan Web3, memanfaatkan AI untuk mendeteksi dan mencegah serangan, penipuan, dan kebocoran data, serta menyediakan pemantauan dan peringatan secara real-time. Alat serupa adalah Sentinel yang didukung AI.
Dua, AI dan infrastruktur dasar di blockchain
AI dan Data di Blockchain
Teknologi AI memainkan peran penting dalam analisis pengumpulan data di blockchain, seperti:
Web3 Analytics: Platform analisis berbasis AI, menggunakan algoritme pembelajaran mesin dan penambangan data untuk menganalisis data di blockchain.
MinMax AI: menyediakan alat analisis data on-chain berbasis AI, menemukan peluang dan tren pasar.
Kaito: Platform pencarian Web3 berbasis LLM.
Mengikuti: Integrasi ChatGPT, menggabungkan informasi dari berbagai platform.
AI juga dapat digunakan untuk oracle, seperti Upshot yang menggunakan AI untuk memberikan data penetapan harga NFT yang akurat.
AI dan Pengembangan&Audit
AI dapat meningkatkan efisiensi pengembangan Web3 dan mengurangi ambang batas pemrograman. Skenario potensial termasuk: otomatisasi pembuatan kode, verifikasi dan pengujian kontrak pintar, pemeliharaan dan penerapan DApp, pelengkapan kode cerdas, menjawab pertanyaan pengembangan, dan lain-lain.
Saat ini ada platform token yang dapat diluncurkan dengan satu klik seperti Clanker, serta platform pengembangan kontrak seperti Spectral yang menawarkan fungsi pembuatan dan penyebaran kontrak cerdas dengan satu klik.
Dalam hal audit, platform audit Web3 Fuzzland menggunakan AI untuk membantu memeriksa kerentanan kode dan menyediakan penjelasan dalam bahasa alami.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
14 Suka
Hadiah
14
4
Bagikan
Komentar
0/400
ProposalDetective
· 11jam yang lalu
Uang bisa membuat orang berbuat sesuka hati.
Lihat AsliBalas0
SelfCustodyIssues
· 15jam yang lalu
Bermain AI secara buta akan menghabiskan semua uang.
Lihat AsliBalas0
BTCBeliefStation
· 15jam yang lalu
Memanfaatkan panasnya zona AI, saya mulai menyerang.
Lihat AsliBalas0
GasWaster
· 16jam yang lalu
ugh lagi satu pump ai... yakin biaya gasnya akan gila ketika semua orang fomo masuk
AI dan Web3 Kedalaman: Analisis Peluang Rantai Penuh dari Infrastruktur ke Aplikasi
AI+Web3: Menara dan Lapangan
Pendahuluan
Dalam dua tahun terakhir, kecepatan perkembangan AI telah meningkat secara signifikan. Gelombang kecerdasan buatan generatif yang dipicu oleh ChatGPT tidak hanya membuka pintu ke dunia baru, tetapi juga menimbulkan riak di bidang Web3.
Di bawah dorongan konsep AI, aktivitas pendanaan di pasar kripto menunjukkan pemulihan yang jelas. Menurut statistik, hanya dalam paruh pertama tahun 2024, terdapat 64 proyek Web3+AI yang berhasil melakukan pendanaan, di mana sistem operasi berbasis kecerdasan buatan Zyber365 mencetak rekor tertinggi 100 juta dolar AS dalam pendanaan putaran A.
Pasar sekunder menjadi lebih aktif, data dari situs agregator kripto menunjukkan bahwa dalam waktu hanya sedikit lebih dari satu tahun, total nilai pasar untuk jalur AI telah mencapai 48,5 miliar dolar AS, dengan volume perdagangan dalam 24 jam mendekati 8,6 miliar dolar AS. Kemajuan teknologi AI utama membawa keuntungan yang jelas, setelah peluncuran model teks ke video Sora dari OpenAI, harga rata-rata sektor AI meningkat sebesar 151%. Efek AI juga menyebar ke sektor pengumpulan dana cryptocurrency, MemeCoin pertama dengan konsep AI Agent - GOAT dengan cepat menjadi populer dan mendapatkan valuasi 1,4 miliar dolar AS, memicu gelombang Meme AI.
Penelitian dan diskusi tentang AI+Web3 juga sangat hangat, dari AI+Depin hingga AI Memecoin, hingga saat ini AI Agent dan AI DAO, konsep-konsep baru bermunculan tanpa henti.
Kombinasi AI+Web3 yang dipenuhi dengan uang panas, peluang, dan imajinasi masa depan ini, tidak dapat dihindari dianggap sebagai pernikahan yang dipadukan oleh modal. Kita sulit membedakan di balik penampilan yang megah ini, apakah itu pesta spekulan, atau awal dari era baru.
Untuk menjawab pertanyaan ini, kuncinya terletak pada pemikiran apakah kedua belah pihak dapat saling memajukan. Artikel ini berusaha untuk mengkaji pola ini: bagaimana Web3 dapat berfungsi di berbagai aspek tumpukan teknologi AI, dan apa peluang baru yang dapat diberikan AI kepada Web3?
Bagian 1 Apa peluang Web3 di bawah tumpukan AI?
Sebelum membahas lebih lanjut, kita perlu memahami tumpukan teknologi model besar AI:
Model AI besar dapat disamakan dengan otak manusia, pada tahap awal seperti bayi yang perlu menyerap informasi eksternal yang besar untuk memahami dunia, ini adalah tahap "pengumpulan" data. Karena komputer tidak memiliki indera manusia, sebelum pelatihan perlu "pra-pemrosesan" untuk mengubah informasi yang tidak terlabel menjadi format yang dapat digunakan.
Setelah memasukkan data, AI membangun model yang memiliki kemampuan pemahaman dan prediksi melalui "pelatihan", mirip dengan proses belajar bayi untuk memahami lingkungan. Ketika konten pembelajaran dibagi menjadi disiplin ilmu atau mendapatkan umpan balik melalui komunikasi dan diperbaiki, tahap "penyempurnaan" dimulai.
Anak-anak yang tumbuh dewasa dapat memahami dan mengekspresikan pikiran dalam dialog, mirip dengan tahap "penalaran" model AI besar, dapat memprediksi dan menganalisis masukan baru. AI mengekspresikan perasaan, mendeskripsikan hal-hal, dan memecahkan masalah melalui kemampuan bahasa, mirip dengan model besar yang diterapkan setelah pelatihan dalam tugas-tugas spesifik seperti klasifikasi gambar, pengenalan suara, dan lain-lain.
AI Agent lebih mendekati bentuk berikutnya dari model besar - dapat melakukan tugas secara mandiri dan mengejar tujuan kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan menggunakan alat untuk berinteraksi dengan dunia.
Saat ini, untuk mengatasi titik sakit dari berbagai tumpukan AI, Web3 secara awal telah membentuk ekosistem yang berlapis-lapis dan saling terkait, mencakup berbagai tahap dalam proses model AI.
Satu, Lapisan Dasar: Airbnb Daya Komputasi dan Data
Kekuatan Komputasi
Saat ini, salah satu biaya utama AI adalah daya komputasi dan energi yang diperlukan untuk melatih dan menyimpulkan model.
Misalnya, LLAMA3 milik Meta membutuhkan 16.000 NVIDIA H100 GPU selama 30 hari untuk menyelesaikan pelatihan. Versi H100 80GB memiliki harga per unit sebesar 30.000-40.000 dolar AS, yang memerlukan investasi perangkat keras sebesar 400-700 juta dolar AS, dan pelatihan bulanan juga memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar AS.
Untuk mengurangi tekanan pada kekuatan komputasi AI, DePin( jaringan infrastruktur fisik terdesentralisasi) menjadi salah satu bidang pertama yang berinteraksi dengan AI di Web3. Situs data DePin Ninja telah mencantumkan lebih dari 1400 proyek, di mana proyek perwakilan berbagi kekuatan GPU termasuk io.net, Aethir, Akash, Render Network, dan lainnya.
Logika utamanya adalah: platform memungkinkan pemilik sumber daya GPU yang tidak terpakai untuk menyumbangkan kekuatan komputasi secara terdesentralisasi, meningkatkan pemanfaatan sumber daya melalui pasar online yang mirip dengan Uber atau Airbnb, di mana pengguna akhir mendapatkan sumber daya komputasi yang efisien dengan biaya lebih rendah; sementara mekanisme staking memastikan bahwa pelanggar dijatuhi sanksi.
Ciri-ciri termasuk:
Mengumpulkan sumber daya GPU yang tidak terpakai: terutama berasal dari kelebihan daya komputasi dari pusat data kecil dan menengah, tambang kripto, serta perangkat keras penambangan mekanisme konsensus PoS. Beberapa proyek seperti exolab juga memanfaatkan perangkat lokal seperti MacBook, iPhone, dan lain-lain untuk membangun jaringan daya komputasi inferensi.
Menghadapi pasar panjang daya komputasi AI: a. Sisi teknis: lebih cocok untuk langkah inferensi. Pelatihan bergantung pada kluster GPU berskala besar, sementara inferensi memiliki tuntutan kinerja GPU yang lebih rendah. b. Sisi permintaan: Pihak peminta dengan kekuatan komputasi kecil dan menengah lebih banyak berfokus pada optimasi dan fine-tuning model besar, yang secara alami cocok untuk kekuatan komputasi terdistribusi yang tidak terpakai.
Kepemilikan terdesentralisasi: Teknologi blockchain memastikan pemilik sumber daya mempertahankan kontrol, dapat menyesuaikan dengan fleksibel, dan mendapatkan keuntungan.
Data
Data adalah fondasi AI. Tanpa data, perhitungan tidak ada artinya, kualitas data menentukan kualitas output model. Untuk pelatihan model AI saat ini, data menentukan kemampuan bahasa, kemampuan pemahaman, nilai-nilai, dan kinerja yang bersifat manusiawi. Saat ini, tantangan kebutuhan data AI terutama terletak pada:
Ketergantungan data: Pelatihan model AI bergantung pada input data dalam jumlah besar. OpenAI melatih parameter GPT-4 mencapai tingkat triliun.
Kualitas data: Seiring dengan penggabungan AI dengan berbagai industri, permintaan terhadap ketepatan waktu, keragaman, profesionalisme data, serta sumber data baru seperti emosi media sosial meningkat.
Privasi dan Kepatuhan: Negara-negara dan perusahaan semakin membatasi pengambilan data dari kumpulan data.
Biaya pengolahan data tinggi: volume data besar, pengolahan kompleks. Perusahaan AI menghabiskan lebih dari 30% biaya penelitian dan pengembangan untuk pengumpulan dan pengolahan data dasar.
Solusi Web3 terutama tercermin dalam:
Pengumpulan data: Mengajak kontributor yang sebenarnya untuk terlibat dalam penciptaan nilai, mendapatkan data yang lebih pribadi dan lebih berharga dengan biaya rendah melalui jaringan terdistribusi dan mekanisme insentif.
Pra-pemrosesan data: Beberapa tahap manual dalam industri AI, cocok untuk mekanisme insentif desentralisasi Web3.
Privasi dan Keamanan Data: Keunggulan teknologi privasi Web3 terletak pada pelatihan data sensitif dan kolaborasi data multi pihak.
Teknologi privasi utama termasuk:
Saat ini masih berada di tahap awal, menghadapi tantangan seperti biaya komputasi yang tinggi.
Penyimpanan data: menyelesaikan masalah penyimpanan data AI di blockchain dan menghasilkan LLM.
Dua, Middleware: Pelatihan dan Inferensi Model
Pasar terdesentralisasi model sumber terbuka
Web3 mengusulkan kemungkinan pasar model sumber terbuka yang terdesentralisasi, dengan menahan sebagian token untuk tim melalui tokenisasi, mengarahkan aliran pendapatan masa depan dari model ke pemegang token.
Penalaran yang Dapat Diverifikasi
Untuk masalah "black box" dalam inferensi AI, solusi standar Web3 adalah membandingkan hasil operasi berulang oleh banyak validator, tetapi menghadapi tantangan biaya yang tinggi.
Solusi yang lebih menjanjikan adalah melakukan pembuktian ZK untuk perhitungan inferensi AI off-chain, dan memverifikasi perhitungan di on-chain. Keuntungan utama:
Teknologi yang dapat diverifikasi saat ini termasuk:
Tiga, Lapisan Aplikasi: AI Agent
Fokus pengembangan AI saat ini beralih dari kemampuan model ke AI Agent. OpenAI mendefinisikan AI Agent sebagai: sistem yang didorong oleh LLM, memiliki kemampuan pemahaman dan persepsi mandiri, perencanaan, memori, dan penggunaan alat, yang dapat secara otomatis melaksanakan tugas kompleks.
Web3 dapat membawa untuk Agen:
Desentralisasi
Karakteristik Web3 membuat sistem Agent lebih terdesentralisasi dan otonom, dengan membangun mekanisme insentif dan hukuman melalui mekanisme seperti PoS, DPoS untuk mempromosikan demokratisasi, seperti GaiaNet, Theoriq, HajimeAI.
Cold Start
Web3 membantu proyek AI Agent potensial mendapatkan pendanaan awal.
Bagian.2 Bagaimana AI Memberdayakan Web3?
AI memiliki dampak signifikan pada proyek Web3, dengan mengoptimalkan operasi on-chain ( seperti pelaksanaan kontrak pintar, optimasi likuiditas, dan pengambilan keputusan berbasis AI ) yang menguntungkan blockchain, menyediakan wawasan berbasis data, meningkatkan keamanan on-chain, dan meletakkan dasar bagi aplikasi Web3 baru.
Satu, AI dan Keuangan di Blockchain
AI dan Ekonomi Kripto
CEO Coinbase mengumumkan transaksi crypto AI ke AI pertama di jaringan Base, AI Agent dapat melakukan transaksi menggunakan USD dengan manusia, pedagang, atau AI lainnya.
Virtuals Protocol Luna menunjukkan AI Agent yang secara mandiri melakukan transaksi di blockchain, AI Agent dianggap sebagai masa depan keuangan di blockchain. Skenario potensial termasuk:
Pengumpulan Informasi dan Prediksi: Mengumpulkan pengumuman bursa, informasi proyek, risiko opini publik, dll., menganalisis dan mengevaluasi fundamental aset, kondisi pasar, memprediksi tren dan risiko.
Manajemen Aset: Menyediakan objek investasi, mengoptimalkan portofolio aset, melaksanakan transaksi secara otomatis.
Pengalaman Finansial: Pilih cara transaksi on-chain tercepat, otomatisasi lintas rantai, penyesuaian biaya gas, dll., untuk mengurangi hambatan dan biaya aktivitas keuangan on-chain.
Saat ini, dompet AI Agent Bitte, protokol interaksi AI Wayfinder, dan lainnya mencoba mengintegrasikan API model OpenAI, memungkinkan pengguna untuk memerintahkan Agent melakukan operasi di blockchain melalui antarmuka obrolan. Platform Agent terdesentralisasi Morpheus mendukung pengembangan Agent semacam ini, Biconomy mendemonstrasikan bahwa AI Agent dapat melakukan operasi swap tanpa memerlukan izin lengkap dari dompet.
AI dan Keamanan Transaksi di Blockchain
Teknologi AI dapat meningkatkan keamanan dan perlindungan privasi transaksi on-chain, dengan skenario potensial termasuk:
SeQure, platform keamanan Web3, memanfaatkan AI untuk mendeteksi dan mencegah serangan, penipuan, dan kebocoran data, serta menyediakan pemantauan dan peringatan secara real-time. Alat serupa adalah Sentinel yang didukung AI.
Dua, AI dan infrastruktur dasar di blockchain
AI dan Data di Blockchain
Teknologi AI memainkan peran penting dalam analisis pengumpulan data di blockchain, seperti:
AI juga dapat digunakan untuk oracle, seperti Upshot yang menggunakan AI untuk memberikan data penetapan harga NFT yang akurat.
AI dan Pengembangan&Audit
AI dapat meningkatkan efisiensi pengembangan Web3 dan mengurangi ambang batas pemrograman. Skenario potensial termasuk: otomatisasi pembuatan kode, verifikasi dan pengujian kontrak pintar, pemeliharaan dan penerapan DApp, pelengkapan kode cerdas, menjawab pertanyaan pengembangan, dan lain-lain.
Saat ini ada platform token yang dapat diluncurkan dengan satu klik seperti Clanker, serta platform pengembangan kontrak seperti Spectral yang menawarkan fungsi pembuatan dan penyebaran kontrak cerdas dengan satu klik.
Dalam hal audit, platform audit Web3 Fuzzland menggunakan AI untuk membantu memeriksa kerentanan kode dan menyediakan penjelasan dalam bahasa alami.
Tiga, AI dan