Pada pandangan pertama, AI x Web3 tampaknya merupakan teknologi yang saling independen, masing-masing didasarkan pada prinsip yang sangat berbeda, dan melayani fungsi yang berbeda. Namun, pembahasan yang lebih mendalam akan mengungkapkan bahwa kedua teknologi ini memiliki peluang untuk seimbang dalam pengorbanan masing-masing, keunggulan unik mereka dapat saling melengkapi dan meningkatkan satu sama lain. Balaji Srinivasan secara tajam menjelaskan konsep kemampuan saling melengkapi ini di konferensi SuperAI, memicu perbandingan rinci tentang bagaimana teknologi ini saling berinteraksi.
TOKEN mengadopsi pendekatan dari bawah ke atas, muncul dari upaya Desentralisasi para punk anonim dalam waktu yang long, terus berkembang melalui kolaborasi entitas independen global long tahun. Sebaliknya, kecerdasan buatan dikembangkan melalui pendekatan dari atas ke bawah, dipimpin oleh sejumlah raksasa teknologi. Perusahaan-perusahaan ini menentukan langkah dan dinamika industri, dengan ambang masuk yang lebih long ditentukan oleh intensitas sumber daya bukan kompleksitas teknis.
Kedua teknologi ini memiliki sifat yang sangat berbeda secara mendasar. Pada dasarnya, Token adalah sistem yang deterministik, menghasilkan hasil yang tidak dapat diubah, seperti prediktabilitas fungsi hash atau Zero-Knowledge Proof. Hal ini berbeda secara mencolok dengan kecenderungan probabilistik dan ketidakdapatdiprediksian kecerdasan buatan.
Demikian juga, teknologi enkripsi telah menunjukkan kinerja yang luar biasa dalam hal verifikasi, memastikan keaslian dan keamanan transaksi, serta membangun proses dan sistem yang tidak memerlukan kepercayaan, sedangkan kecerdasan buatan berfokus pada menghasilkan dan menciptakan konten digital yang kaya. Namun, dalam proses menciptakan konten digital yang kaya, menjaga sumber daya konten dan mencegah pencurian identitas menjadi tantangan tersendiri.
Untungnya, TOKEN menyediakan konsep lawan digital yang kaya--kejarangan digital. Ia menyediakan alat yang cukup matang untuk dapat digunakan pada teknologi kecerdasan buatan untuk memastikan keandalan sumber konten dan menghindari masalah pencurian identitas.
Keuntungan signifikan dari Token adalah kemampuannya untuk menarik banyak perangkat keras dan modal ke dalam jaringan koordinasi yang dapat melayani target tertentu. Kemampuan ini sangat menguntungkan bagi kecerdasan buatan yang memerlukan banyak daya komputasi. Mobilisasi sumber daya yang belum digunakan sepenuhnya untuk menyediakan daya komputasi yang lebih murah dapat secara signifikan meningkatkan efisiensi kecerdasan buatan.
Dengan membandingkan kedua teknologi ini, kita tidak hanya dapat menghargai kontribusi masing-masing, tetapi juga melihat bagaimana keduanya bersama-sama membuka jalan baru dalam teknologi dan ekonomi. Setiap teknologi dapat melengkapi kekurangan teknologi lain, menciptakan masa depan yang lebih terintegrasi dan inovatif. Dalam artikel blog ini, kami bertujuan untuk menjelajahi peta industri AI x Web3 yang sedang berkembang, dengan fokus pada beberapa domain vertikal yang baru muncul di titik perpotongan teknologi ini.
Sumber: IOSG Ventures
2.1 Jaringan Komputasi
Peta industri pertama kali memperkenalkan jaringan komputasi yang mencoba mengatasi masalah pasokan GPU yang terbatas dan mencoba menurunkan biaya komputasi dengan cara yang berbeda. Yang perlu diperhatikan adalah beberapa hal berikut:
Non-Interoperability GPU yang Tidak Seragam: Ini adalah upaya yang sangat ambisius, dengan risiko teknis dan ketidakpastian yang sangat tinggi, tetapi jika berhasil, akan berpotensi menciptakan hasil yang besar dalam skala dan dampak, membuat semua sumber daya komputasi dapat saling dipertukarkan. Pada intinya, gagasan ini adalah untuk membangun kompiler dan persyaratan lainnya, sehingga di sisi pasokan, sumber daya keras apa pun dapat disisipkan, sementara di sisi permintaan, tidak ada keseragamanitas perangkat keras yang akan sepenuhnya diabstraksikan, sehingga permintaan perhitungan Anda dapat diarahkan ke sumber daya apa pun di jaringan. Jika visi ini berhasil, akan menurunkan ketergantungan AI developer pada perangkat lunak CUDA yang saat ini sepenuhnya didominasi oleh Drop. Meskipun risiko teknis sangat tinggi, banyak ahli sangat meragukan keberhasilan pendekatan ini.
Agregasi GPU berkinerja tinggi: Mengintegrasikan GPU paling populer di dunia ke dalam jaringan terdistribusi yang tidak berizin, tanpa perlu khawatir tentang masalah interoperabilitas sumber daya GPU yang tidak seragam.
Agregasi GPU konsumen: Mengacu pada penggabungan beberapa GPU dengan kinerja rendah tetapi mungkin tersedia di perangkat konsumen. GPU ini adalah sumber daya yang paling tidak dimanfaatkan oleh pihak penyedia. Ini memenuhi kebutuhan mereka yang bersedia mengorbankan kinerja dan kecepatan untuk mendapatkan pelatihan yang lebih murah dan lebih lama.
2.2 Pelatihan dan Inferensi
Jaringan komputasi terutama digunakan untuk dua fungsi utama: pelatihan dan inferensi. Permintaan untuk jaringan ini berasal dari proyek Web 2.0 dan Web 3.0. Di bidang Web 3.0, proyek-proyek seperti Bittensor memanfaatkan sumber daya komputasi untuk penyetelan model. Dalam hal inferensi, proyek-proyek Web 3.0 menekankan verifikasi proses. Fokus ini telah mendorong inferensi yang dapat diverifikasi sebagai sebuah domain vertikal pasar, di mana proyek-proyek sedang mengeksplorasi bagaimana mengintegrasikan inferensi AI ke dalam smart contract, sambil tetap mempertahankan prinsip Desentralisasi.
2.3 Platform Agen Pintar
Selanjutnya adalah platform agen pintar, peta konsep ini menggarisbawahi masalah inti yang perlu diatasi oleh perusahaan startup dalam kategori ini:
Interoperability and discovery and communication capabilities of agents: Agents can discover and communicate with each other.
Kemampuan membangun dan mengelola klaster agen: Agen dapat membentuk klaster dan mengelola agen lainnya.
Kepemilikan dan pasar AI Agent: Memberikan kepemilikan dan pasar untuk AI Agent.
Fitur-fitur ini menekankan pentingnya fleksibilitas dan modularitas sistem, yang dapat terintegrasi dengan lancar ke berbagai aplikasi blockchain dan kecerdasan buatan. Agen AI memiliki potensi untuk sepenuhnya mengubah cara interaksi kita dengan internet, kami percaya agen akan menggunakan infrastruktur untuk mendukung operasinya. Kami membayangkan bahwa agen AI akan bergantung pada infrastruktur dalam beberapa hal berikut:
Menggunakan akses jaringan yang didistribusikan untuk mengambil data jaringan real-time
Menggunakan saluran DeFi untuk pembayaran antar agen
Memerlukan deposit ekonomi tidak hanya untuk menghukum tindakan yang tidak semestinya, tetapi juga dapat meningkatkan keterlihatan agen (yaitu, menggunakan deposit sebagai sinyal ekonomi selama proses penemuan)
Menggunakan Konsensus untuk menentukan kejadian mana yang harus dikurangi
Standar interoperabilitas terbuka dan kerangka agen untuk mendukung pembangunan kolektif yang dapat dikombinasikan
Menilai kinerja masa lalu berdasarkan sejarah data yang tidak dapat diubah, dan memilih kolektif agen yang tepat secara real-time
Sumber: IOSG Ventures
2.4Lapisan Data
Dalam penggabungan AI x Web3, data adalah bagian inti. Data adalah aset strategis dalam persaingan AI, dan bersama dengan sumber daya komputasi, menjadi sumber daya kunci. Namun, kategori ini sering diabaikan karena sebagian besar perhatian industri terfokus pada tingkat komputasi. Sebenarnya, sumber data menyediakan banyak arah nilai yang menarik selama proses pengambilan data, terutama dua arah nilai tinggi berikut:
Mengakses data internet publik
Mengakses data yang dilindungi
Akses data Internet publik: Bidang ini bertujuan untuk membangun jaringan web crawler terdistribusi yang dapat mengambil seluruh Internet dalam beberapa hari, mengakses kumpulan data besar, atau mengakses data Internet yang sangat spesifik secara real-time. Namun, untuk mengambil kumpulan data besar dari Internet, kebutuhan jaringan sangat tinggi, setidaknya memerlukan beberapa ratus Node untuk memulai pekerjaan yang bermakna. Untungnya, Grass, sebuah jaringan Node web crawler terdistribusi, telah memiliki lebih dari 2 juta Node yang secara aktif berbagi bandwidth Internet dalam jaringan, dengan tujuan mengambil seluruh Internet. Ini menunjukkan potensi besar insentif ekonomi dalam menarik sumber daya berharga.
Meskipun Grass memberikan lingkungan kompetisi yang adil dalam hal data publik, masih ada tantangan dalam memanfaatkan data potensial - yaitu akses ke dataset eksklusif. Secara khusus, masih ada banyak data yang disimpan secara privasi karena sensitifitasnya. Banyak perusahaan startup yang menggunakan beberapa alat kriptografi untuk memungkinkan pengembang AI membangun dan menyesuaikan model bahasa besar menggunakan struktur data dasar dari dataset eksklusif, sambil tetap menjaga kerahasiaan informasi sensitif.
Teknologi seperti Federated Learning, Differentially Private, Trusted Execution Environment, Fully Homomorphic, dan Multiparty Computation menyediakan tingkat perlindungan privasi dan pertimbangan yang berbeda-beda. Makalah penelitian Bagel merangkum dengan baik ringkasan teknologi-teknologi ini. Teknologi-teknologi ini tidak hanya melindungi privasi data dalam proses pembelajaran mesin, tetapi juga dapat mewujudkan solusi AI dengan perlindungan privasi yang komprehensif di tingkat komputasi.
2.5 Data dan Sumber Model
Teknologi Sumber Data dan Model bertujuan untuk membangun proses yang dapat menjamin pengguna bahwa mereka berinteraksi dengan model dan data yang diharapkan. Selain itu, teknologi ini juga memberikan jaminan keaslian dan sumber. Sebagai contoh, teknologi watermarking adalah salah satu teknologi sumber model yang menyematkan tanda tangan langsung ke dalam Algoritme Pembelajaran Mesin, lebih tepatnya menyematkannya ke dalam bobot model, sehingga dapat memverifikasi apakah inferensi berasal dari model yang diharapkan saat melakukan pengambilan.
2.6 Aplikasi
Dalam hal aplikasi, kemungkinan desainnya adalah tak terbatas. Dalam bidang industri di atas, kami telah mencantumkan beberapa kasus pengembangan yang sangat diantisipasi dengan teknologi AI di ranah Web 3.0. Karena kasus penggunaan ini sangat deskriptif, kami tidak memberikan komentar tambahan di sini. Namun, perlu dicatat bahwa pertemuan antara AI dan Web 3.0 memiliki potensi untuk membentuk kembali berbagai long di domain, karena bahasa pemrograman baru ini memberikan lebih banyak kebebasan bagi pengembang untuk menciptakan kasus penggunaan inovatif dan mengoptimalkan kasus penggunaan yang ada.
Ringkasan
Gabungan AI x Web3 membawa prospek yang penuh inovasi dan potensi. Dengan memanfaatkan keunggulan unik setiap teknologi, kita dapat mengatasi berbagai tantangan dan membuka jalan baru dalam teknologi. Dalam menjelajahi industri yang sedang berkembang ini, sinergi antara AI x Web3 dapat mendorong kemajuan, mengubah pengalaman digital masa depan kita dan interaksi kita di dunia maya.
Fusi kelangkaan digital dengan kegiatan optimalisasi sumber daya yang belum sepenuhnya dimanfaatkan untuk mencapai efisiensi komputasi, serta pembentukan praktik data yang aman dan menjaga privasi, akan menentukan era evolusi teknologi generasi berikutnya.
Namun, kita harus menyadari bahwa industri ini masih dalam tahap awal, dan gambaran industri saat ini mungkin akan menjadi usang dalam waktu singkat. Kecepatan inovasi yang cepat berarti solusi inovatif terdepan hari ini mungkin segera digantikan oleh terobosan baru. Meskipun begitu, konsep dasar yang dibahas - seperti jaringan komputasi, platform agen, dan protokol data - menyoroti potensi besar penggabungan kecerdasan buatan dan Web 3.0.
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
IOSG: Pemandangan yang Menggabungkan AI dan Web3 dalam Ilustrasi
Pada pandangan pertama, AI x Web3 tampaknya merupakan teknologi yang saling independen, masing-masing didasarkan pada prinsip yang sangat berbeda, dan melayani fungsi yang berbeda. Namun, pembahasan yang lebih mendalam akan mengungkapkan bahwa kedua teknologi ini memiliki peluang untuk seimbang dalam pengorbanan masing-masing, keunggulan unik mereka dapat saling melengkapi dan meningkatkan satu sama lain. Balaji Srinivasan secara tajam menjelaskan konsep kemampuan saling melengkapi ini di konferensi SuperAI, memicu perbandingan rinci tentang bagaimana teknologi ini saling berinteraksi.
TOKEN mengadopsi pendekatan dari bawah ke atas, muncul dari upaya Desentralisasi para punk anonim dalam waktu yang long, terus berkembang melalui kolaborasi entitas independen global long tahun. Sebaliknya, kecerdasan buatan dikembangkan melalui pendekatan dari atas ke bawah, dipimpin oleh sejumlah raksasa teknologi. Perusahaan-perusahaan ini menentukan langkah dan dinamika industri, dengan ambang masuk yang lebih long ditentukan oleh intensitas sumber daya bukan kompleksitas teknis.
Kedua teknologi ini memiliki sifat yang sangat berbeda secara mendasar. Pada dasarnya, Token adalah sistem yang deterministik, menghasilkan hasil yang tidak dapat diubah, seperti prediktabilitas fungsi hash atau Zero-Knowledge Proof. Hal ini berbeda secara mencolok dengan kecenderungan probabilistik dan ketidakdapatdiprediksian kecerdasan buatan.
Demikian juga, teknologi enkripsi telah menunjukkan kinerja yang luar biasa dalam hal verifikasi, memastikan keaslian dan keamanan transaksi, serta membangun proses dan sistem yang tidak memerlukan kepercayaan, sedangkan kecerdasan buatan berfokus pada menghasilkan dan menciptakan konten digital yang kaya. Namun, dalam proses menciptakan konten digital yang kaya, menjaga sumber daya konten dan mencegah pencurian identitas menjadi tantangan tersendiri.
Untungnya, TOKEN menyediakan konsep lawan digital yang kaya--kejarangan digital. Ia menyediakan alat yang cukup matang untuk dapat digunakan pada teknologi kecerdasan buatan untuk memastikan keandalan sumber konten dan menghindari masalah pencurian identitas.
Keuntungan signifikan dari Token adalah kemampuannya untuk menarik banyak perangkat keras dan modal ke dalam jaringan koordinasi yang dapat melayani target tertentu. Kemampuan ini sangat menguntungkan bagi kecerdasan buatan yang memerlukan banyak daya komputasi. Mobilisasi sumber daya yang belum digunakan sepenuhnya untuk menyediakan daya komputasi yang lebih murah dapat secara signifikan meningkatkan efisiensi kecerdasan buatan.
Dengan membandingkan kedua teknologi ini, kita tidak hanya dapat menghargai kontribusi masing-masing, tetapi juga melihat bagaimana keduanya bersama-sama membuka jalan baru dalam teknologi dan ekonomi. Setiap teknologi dapat melengkapi kekurangan teknologi lain, menciptakan masa depan yang lebih terintegrasi dan inovatif. Dalam artikel blog ini, kami bertujuan untuk menjelajahi peta industri AI x Web3 yang sedang berkembang, dengan fokus pada beberapa domain vertikal yang baru muncul di titik perpotongan teknologi ini.
Sumber: IOSG Ventures
2.1 Jaringan Komputasi
Peta industri pertama kali memperkenalkan jaringan komputasi yang mencoba mengatasi masalah pasokan GPU yang terbatas dan mencoba menurunkan biaya komputasi dengan cara yang berbeda. Yang perlu diperhatikan adalah beberapa hal berikut:
2.2 Pelatihan dan Inferensi
Jaringan komputasi terutama digunakan untuk dua fungsi utama: pelatihan dan inferensi. Permintaan untuk jaringan ini berasal dari proyek Web 2.0 dan Web 3.0. Di bidang Web 3.0, proyek-proyek seperti Bittensor memanfaatkan sumber daya komputasi untuk penyetelan model. Dalam hal inferensi, proyek-proyek Web 3.0 menekankan verifikasi proses. Fokus ini telah mendorong inferensi yang dapat diverifikasi sebagai sebuah domain vertikal pasar, di mana proyek-proyek sedang mengeksplorasi bagaimana mengintegrasikan inferensi AI ke dalam smart contract, sambil tetap mempertahankan prinsip Desentralisasi.
2.3 Platform Agen Pintar
Selanjutnya adalah platform agen pintar, peta konsep ini menggarisbawahi masalah inti yang perlu diatasi oleh perusahaan startup dalam kategori ini:
Fitur-fitur ini menekankan pentingnya fleksibilitas dan modularitas sistem, yang dapat terintegrasi dengan lancar ke berbagai aplikasi blockchain dan kecerdasan buatan. Agen AI memiliki potensi untuk sepenuhnya mengubah cara interaksi kita dengan internet, kami percaya agen akan menggunakan infrastruktur untuk mendukung operasinya. Kami membayangkan bahwa agen AI akan bergantung pada infrastruktur dalam beberapa hal berikut:
Sumber: IOSG Ventures
2.4Lapisan Data
Dalam penggabungan AI x Web3, data adalah bagian inti. Data adalah aset strategis dalam persaingan AI, dan bersama dengan sumber daya komputasi, menjadi sumber daya kunci. Namun, kategori ini sering diabaikan karena sebagian besar perhatian industri terfokus pada tingkat komputasi. Sebenarnya, sumber data menyediakan banyak arah nilai yang menarik selama proses pengambilan data, terutama dua arah nilai tinggi berikut:
Akses data Internet publik: Bidang ini bertujuan untuk membangun jaringan web crawler terdistribusi yang dapat mengambil seluruh Internet dalam beberapa hari, mengakses kumpulan data besar, atau mengakses data Internet yang sangat spesifik secara real-time. Namun, untuk mengambil kumpulan data besar dari Internet, kebutuhan jaringan sangat tinggi, setidaknya memerlukan beberapa ratus Node untuk memulai pekerjaan yang bermakna. Untungnya, Grass, sebuah jaringan Node web crawler terdistribusi, telah memiliki lebih dari 2 juta Node yang secara aktif berbagi bandwidth Internet dalam jaringan, dengan tujuan mengambil seluruh Internet. Ini menunjukkan potensi besar insentif ekonomi dalam menarik sumber daya berharga.
Meskipun Grass memberikan lingkungan kompetisi yang adil dalam hal data publik, masih ada tantangan dalam memanfaatkan data potensial - yaitu akses ke dataset eksklusif. Secara khusus, masih ada banyak data yang disimpan secara privasi karena sensitifitasnya. Banyak perusahaan startup yang menggunakan beberapa alat kriptografi untuk memungkinkan pengembang AI membangun dan menyesuaikan model bahasa besar menggunakan struktur data dasar dari dataset eksklusif, sambil tetap menjaga kerahasiaan informasi sensitif.
Teknologi seperti Federated Learning, Differentially Private, Trusted Execution Environment, Fully Homomorphic, dan Multiparty Computation menyediakan tingkat perlindungan privasi dan pertimbangan yang berbeda-beda. Makalah penelitian Bagel merangkum dengan baik ringkasan teknologi-teknologi ini. Teknologi-teknologi ini tidak hanya melindungi privasi data dalam proses pembelajaran mesin, tetapi juga dapat mewujudkan solusi AI dengan perlindungan privasi yang komprehensif di tingkat komputasi.
2.5 Data dan Sumber Model
Teknologi Sumber Data dan Model bertujuan untuk membangun proses yang dapat menjamin pengguna bahwa mereka berinteraksi dengan model dan data yang diharapkan. Selain itu, teknologi ini juga memberikan jaminan keaslian dan sumber. Sebagai contoh, teknologi watermarking adalah salah satu teknologi sumber model yang menyematkan tanda tangan langsung ke dalam Algoritme Pembelajaran Mesin, lebih tepatnya menyematkannya ke dalam bobot model, sehingga dapat memverifikasi apakah inferensi berasal dari model yang diharapkan saat melakukan pengambilan.
2.6 Aplikasi
Dalam hal aplikasi, kemungkinan desainnya adalah tak terbatas. Dalam bidang industri di atas, kami telah mencantumkan beberapa kasus pengembangan yang sangat diantisipasi dengan teknologi AI di ranah Web 3.0. Karena kasus penggunaan ini sangat deskriptif, kami tidak memberikan komentar tambahan di sini. Namun, perlu dicatat bahwa pertemuan antara AI dan Web 3.0 memiliki potensi untuk membentuk kembali berbagai long di domain, karena bahasa pemrograman baru ini memberikan lebih banyak kebebasan bagi pengembang untuk menciptakan kasus penggunaan inovatif dan mengoptimalkan kasus penggunaan yang ada.
Ringkasan
Gabungan AI x Web3 membawa prospek yang penuh inovasi dan potensi. Dengan memanfaatkan keunggulan unik setiap teknologi, kita dapat mengatasi berbagai tantangan dan membuka jalan baru dalam teknologi. Dalam menjelajahi industri yang sedang berkembang ini, sinergi antara AI x Web3 dapat mendorong kemajuan, mengubah pengalaman digital masa depan kita dan interaksi kita di dunia maya.
Fusi kelangkaan digital dengan kegiatan optimalisasi sumber daya yang belum sepenuhnya dimanfaatkan untuk mencapai efisiensi komputasi, serta pembentukan praktik data yang aman dan menjaga privasi, akan menentukan era evolusi teknologi generasi berikutnya.
Namun, kita harus menyadari bahwa industri ini masih dalam tahap awal, dan gambaran industri saat ini mungkin akan menjadi usang dalam waktu singkat. Kecepatan inovasi yang cepat berarti solusi inovatif terdepan hari ini mungkin segera digantikan oleh terobosan baru. Meskipun begitu, konsep dasar yang dibahas - seperti jaringan komputasi, platform agen, dan protokol data - menyoroti potensi besar penggabungan kecerdasan buatan dan Web 3.0.