На первый взгляд, AI x Web3 кажутся независимыми технологиями, каждая из которых основана на совершенно разных принципах и обслуживает разные функции. Однако более глубокое изучение покажет, что у этих двух технологий есть возможность сбалансировать друг друга, их уникальные преимущества могут дополнять друг друга и повышать общую эффективность. Баладжи Сринивасан ярко изложил концепцию этой взаимодополняющей способности на конференции SuperAI, вдохновив на более детальное сравнение того, как эти технологии взаимодействуют.
Token развивается методом снизу вверх, возникнув из усилий анонимных сетевых панков по децентрализации, и за десять лет постепенно преобразуется благодаря совместным усилиям независимых субъектов по всему миру. В отличие от этого, искусственный интеллект разрабатывается методом сверху вниз и контролируется несколькими технологическими гигантами. Эти компании определяют темп и динамику отрасли, а порог входа определяется интенсивностью ресурсов, а не сложностью технологий.
Эти две технологии имеют совершенно разную сущность. По своей природе токен - это система, обеспечивающая неизменные результаты, такие как хэш-функция или предсказуемость Доказательства с нулевым разглашением. Это является ярким противоположностью вероятностной и обычно непредсказуемой природе искусственного интеллекта.
То же самое, технология шифрования проявляет себя в области проверки, обеспечивая подлинность и безопасность сделок, а также создавая процессы и системы без доверия, в то время как искусственный интеллект фокусируется на создании богатого цифрового контента. Однако в процессе создания цифрового контента появляется вызов в обеспечении его источника и предотвращении кражи личности.
К счастью, TOKEN предоставляет богатые цифровые концепции противоположностей - цифровую редкость. Он предоставляет относительно зрелые инструменты, которые могут быть продвинуты в технологии искусственного интеллекта, чтобы гарантировать надежность источника контента и избежать проблем с кражей личности.
Одним из значительных преимуществ Token является его способность привлекать большое количество оборудования и капитала в координирующую сеть для обслуживания определенных целей. Эта способность особенно выгодна для искусственного интеллекта, который потребляет большое количество вычислительных ресурсов. Мобилизация недостаточно использованных ресурсов для предоставления более дешевой вычислительной мощности может значительно повысить эффективность искусственного интеллекта.
Путем сравнения этих двух технологий мы не только можем оценить их вклад, но и увидеть, как они вместе открывают новые пути в технологии и экономике. Каждая технология может компенсировать недостатки другой и создать более интегрированное и инновационное будущее. В этой статье мы собираемся исследовать новую индустриальную карту AI x Web3, с фокусом на некоторых новых вертикальных областях на пересечении этих технологий.
Источник: IOSG Ventures
2.1 Расчетная сеть
Первым делом в индустриальной картине были представлены вычислительные сети, которые пытаются решить проблему ограниченного предложения GPU и пытаются снизить стоимость вычислений с помощью разных способов. Особое внимание следует уделять следующим аспектам: Падение и следовать.
Нестандартная совместимость GPU: это очень амбициозная попытка, с высокими техническими рисками и неопределенностью, но если она пройдет успешно, это может привести к созданию значительных результатов в масштабе и влиянии, что сделает все вычислительные ресурсы взаимозаменяемыми. В основном, идея заключается в построении компилятора и других предпосылок, чтобы на стороне предложения можно было вставить любые аппаратные ресурсы, а на стороне спроса неоднородность всех аппаратных средств будет полностью абстрагирована, так что ваш запрос на вычисления может быть направлен на любой ресурс в сети. Если эта идея реализуется, это позволит снизить зависимость разработчиков искусственного интеллекта от программного обеспечения CUDA, которое в настоящее время полностью доминирует. Несмотря на высокий технический риск, многие эксперты относятся к этому подходу с большим сомнением в его осуществимости.
Агрегация высокопроизводительных GPU: интеграция самых популярных в мире видеокарт в распределенную и нелицензируемую сеть без необходимости беспокоиться о проблемах взаимодействия между неоднородными ресурсами GPU.
Агрегация потребительских GPU: направлена на агрегацию графических процессоров с низкой производительностью, которые могут быть доступны в потребительских устройствах. Эти GPU представляют собой ресурсы, которые наиболее недостаточно используются поставщиками. Она удовлетворяет тех, кто готов пожертвовать производительностью и скоростью в пользу более дешевого и длительного процесса обучения.
2.2 Обучение и вывод
Вычислительные сети используются преимущественно для двух основных функций: обучения и вывода. Потребность в таких сетях возникает из проектов Web 2.0 и Web 3.0. В области Web 3.0 проекты, такие как Bittensor, используют вычислительные ресурсы для настройки моделей. В области вывода Web 3.0 проекты подчеркивают проверяемость процесса. Это акцентирует внимание на рынке верифицируемого вывода как вертикальном сегменте рынка, где проекты исследуют, как интегрировать вывод ИИ в смарт-контракты, сохраняя принцип децентрализации.
2.3 Интеллектуальная платформа агентов
Далее идет платформа интеллектуального агента, в которой обзор охватывает основные проблемы, с которыми сталкиваются стартапы в этой категории:
Взаимодействие, обнаружение и коммуникационные возможности агентов: агенты могут обнаруживать друг друга и обмениваться информацией.
Способность построения и управления агентскими кластерами: агенты могут формировать кластеры и управлять другими агентами.
Собственность и рынок AI-агентов: предоставление собственности и рынка для AI-агентов.
Эти функции подчеркивают важность гибкой и модульной системы, которая может быть интегрирована в различные блокчейны и приложения искусственного интеллекта. AI-агент может полностью изменить наш способ взаимодействия с Интернетом, и мы верим, что агент будет использовать инфраструктуру для поддержки своей работы. Мы предполагаем, что AI-агент будет зависеть от инфраструктуры в следующих аспектах:
Используйте распределенный захват сетевого доступа для получения данных в режиме реального времени
Использование каналов DeFi для платежей между агентами
Необходимость в экономическом депозите не только для наказания в случае неправильного поведения, но также может повысить обнаружимость агента (то есть использовать депозит в качестве экономического сигнала в процессе обнаружения)
С помощью Соглашение решается, какие события должны привести к сокращению
Открытые стандарты взаимодействия и агентские фреймворки для поддержки создания комбинируемых коллективов
Оценить прошлую производительность на основе неизменной истории данных и в реальном времени выбрать подходящее агентское сообщество
Источник: IOSG Ventures
2.4 Уровень данных
В слиянии AI x Web3 данные являются ключевой составляющей. Данные представляют собой стратегический актив в конкуренции в сфере искусственного интеллекта и являются ключевым ресурсом вместе с вычислительными ресурсами. Однако этот тип активов часто игнорируется, поскольку основное внимание отрасли сосредоточено на вычислительном уровне. Фактически, в процессе получения данных источник данных предоставляет множество интересных направлений добавленной стоимости, в основном включая следующие два высокоуровневых направления:
Доступ к общедоступным данным в Интернете
Доступ к защищенным данным
Доступ к общедоступным данным Интернета: Это направление направлено на создание распределенной сети веб-сканеров, которая может произвести обход всего Интернета за несколько дней, получить огромные объемы данных или получать доступ к очень конкретным данным Интернета в режиме реального времени. Однако для получения большого объема данных с Интернета требуется высокая сетевая пропускная способность, по крайней мере, несколько сотен узлов, чтобы начать какую-то значимую работу. К счастью, Grass, распределенная сеть веб-сканеров, уже имеет более двух миллионов активных узлов, которые активно используют пропускную способность Интернета для обмена данными в сети с целью обхода всего Интернета. Это показывает огромный потенциал экономического стимулирования в привлечении ценных ресурсов.
Хотя Grass обеспечивает справедливую конкурентную среду в области общедоступных данных, все же существует проблема использования потенциальных данных - доступ к собственным наборам данных. Конкретно, по-прежнему существует большое количество данных, которые сохраняются в защищенной форме из-за их чувствительной природы. Многие стартапы используют некоторые криптографические инструменты, чтобы разработчики ИИ могли использовать базовую структуру данных собственных наборов данных для создания и настройки крупных языковых моделей, при этом сохраняя конфиденциальность конфиденциальной информации.
Федеральное обучение, дифференциальная конфиденциальность, доверенное исполнение, гомоморфное и многостороннее вычисление и другие технологии предоставляют различные уровни защиты конфиденциальности и компромиссов. В статье Bagel () был сделан обзор этих технологий. Эти технологии не только обеспечивают защиту конфиденциальности данных в процессе машинного обучения, но также позволяют реализовать полную конфиденциальность на уровне вычислений в решениях искусственного интеллекта.
2.5 Источники данных и модели
Технологии источника данных и моделей направлены на создание процесса, который гарантирует пользователям, что они взаимодействуют с ожидаемой моделью и данными. Кроме того, эти технологии обеспечивают подлинность и гарантию источника. Например, водяной знак является одной из технологий источника моделей, который непосредственно встраивает подпись в Алгоритм машинного обучения, более конкретно - в веса модели, чтобы можно было проверить, происходит ли рассуждение от ожидаемой модели.
2.6 Приложения
В плане применения возможности безграничны. В нашей обзорной статье мы перечислили некоторые интересные примеры развития веб-3.0, связанные с применением искусственного интеллекта. Поскольку эти примеры самоописывающиеся, мы не будем давать дополнительных комментариев. Однако стоит отметить, что пересечение искусственного интеллекта и веб-3.0 может переформатировать вертикальные области, поскольку эти новые примитивы предоставляют разработчикам большую свободу для создания инновационных и оптимизации существующих примеров использования.
Обзор
Слияние искусственного интеллекта и Веб3 предлагает инновационные и перспективные возможности. Используя уникальные преимущества каждой технологии, мы можем решать различные задачи и открывать новые технологические пути. При исследовании этой новой отрасли сотрудничество между искусственным интеллектом и Веб3 может стимулировать прогресс и переформатировать наши будущие цифровые эмоции и взаимодействие в сети.
Сочетание ограниченности и обилия цифровых ресурсов, мобилизация недостаточно использованных ресурсов для достижения вычислительной эффективности, а также создание данных, обеспечивающих безопасность и конфиденциальность, определит эру развития следующего поколения технологий.
Однако мы должны понимать, что отрасль все еще находится в начальной стадии, и текущая отраслевая карта может устареть в ближайшее время из-за быстрого темпа инноваций. Базовые концепции, такие как вычислительные сети, агентские платформы и Протокол данных, обсуждаемые здесь, подчеркивают огромные возможности слияния искусственного интеллекта с Web 3.0.
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
IOSG：иллюстрированная интеграция AI и Web3
На первый взгляд, AI x Web3 кажутся независимыми технологиями, каждая из которых основана на совершенно разных принципах и обслуживает разные функции. Однако более глубокое изучение покажет, что у этих двух технологий есть возможность сбалансировать друг друга, их уникальные преимущества могут дополнять друг друга и повышать общую эффективность. Баладжи Сринивасан ярко изложил концепцию этой взаимодополняющей способности на конференции SuperAI, вдохновив на более детальное сравнение того, как эти технологии взаимодействуют.
Token развивается методом снизу вверх, возникнув из усилий анонимных сетевых панков по децентрализации, и за десять лет постепенно преобразуется благодаря совместным усилиям независимых субъектов по всему миру. В отличие от этого, искусственный интеллект разрабатывается методом сверху вниз и контролируется несколькими технологическими гигантами. Эти компании определяют темп и динамику отрасли, а порог входа определяется интенсивностью ресурсов, а не сложностью технологий.
Эти две технологии имеют совершенно разную сущность. По своей природе токен - это система, обеспечивающая неизменные результаты, такие как хэш-функция или предсказуемость Доказательства с нулевым разглашением. Это является ярким противоположностью вероятностной и обычно непредсказуемой природе искусственного интеллекта.
То же самое, технология шифрования проявляет себя в области проверки, обеспечивая подлинность и безопасность сделок, а также создавая процессы и системы без доверия, в то время как искусственный интеллект фокусируется на создании богатого цифрового контента. Однако в процессе создания цифрового контента появляется вызов в обеспечении его источника и предотвращении кражи личности.
К счастью, TOKEN предоставляет богатые цифровые концепции противоположностей - цифровую редкость. Он предоставляет относительно зрелые инструменты, которые могут быть продвинуты в технологии искусственного интеллекта, чтобы гарантировать надежность источника контента и избежать проблем с кражей личности.
Одним из значительных преимуществ Token является его способность привлекать большое количество оборудования и капитала в координирующую сеть для обслуживания определенных целей. Эта способность особенно выгодна для искусственного интеллекта, который потребляет большое количество вычислительных ресурсов. Мобилизация недостаточно использованных ресурсов для предоставления более дешевой вычислительной мощности может значительно повысить эффективность искусственного интеллекта.
Путем сравнения этих двух технологий мы не только можем оценить их вклад, но и увидеть, как они вместе открывают новые пути в технологии и экономике. Каждая технология может компенсировать недостатки другой и создать более интегрированное и инновационное будущее. В этой статье мы собираемся исследовать новую индустриальную карту AI x Web3, с фокусом на некоторых новых вертикальных областях на пересечении этих технологий.
Источник: IOSG Ventures
2.1 Расчетная сеть
Первым делом в индустриальной картине были представлены вычислительные сети, которые пытаются решить проблему ограниченного предложения GPU и пытаются снизить стоимость вычислений с помощью разных способов. Особое внимание следует уделять следующим аспектам: Падение и следовать.
2.2 Обучение и вывод
Вычислительные сети используются преимущественно для двух основных функций: обучения и вывода. Потребность в таких сетях возникает из проектов Web 2.0 и Web 3.0. В области Web 3.0 проекты, такие как Bittensor, используют вычислительные ресурсы для настройки моделей. В области вывода Web 3.0 проекты подчеркивают проверяемость процесса. Это акцентирует внимание на рынке верифицируемого вывода как вертикальном сегменте рынка, где проекты исследуют, как интегрировать вывод ИИ в смарт-контракты, сохраняя принцип децентрализации.
2.3 Интеллектуальная платформа агентов
Далее идет платформа интеллектуального агента, в которой обзор охватывает основные проблемы, с которыми сталкиваются стартапы в этой категории:
Эти функции подчеркивают важность гибкой и модульной системы, которая может быть интегрирована в различные блокчейны и приложения искусственного интеллекта. AI-агент может полностью изменить наш способ взаимодействия с Интернетом, и мы верим, что агент будет использовать инфраструктуру для поддержки своей работы. Мы предполагаем, что AI-агент будет зависеть от инфраструктуры в следующих аспектах:
Источник: IOSG Ventures
2.4 Уровень данных
В слиянии AI x Web3 данные являются ключевой составляющей. Данные представляют собой стратегический актив в конкуренции в сфере искусственного интеллекта и являются ключевым ресурсом вместе с вычислительными ресурсами. Однако этот тип активов часто игнорируется, поскольку основное внимание отрасли сосредоточено на вычислительном уровне. Фактически, в процессе получения данных источник данных предоставляет множество интересных направлений добавленной стоимости, в основном включая следующие два высокоуровневых направления:
Доступ к общедоступным данным Интернета: Это направление направлено на создание распределенной сети веб-сканеров, которая может произвести обход всего Интернета за несколько дней, получить огромные объемы данных или получать доступ к очень конкретным данным Интернета в режиме реального времени. Однако для получения большого объема данных с Интернета требуется высокая сетевая пропускная способность, по крайней мере, несколько сотен узлов, чтобы начать какую-то значимую работу. К счастью, Grass, распределенная сеть веб-сканеров, уже имеет более двух миллионов активных узлов, которые активно используют пропускную способность Интернета для обмена данными в сети с целью обхода всего Интернета. Это показывает огромный потенциал экономического стимулирования в привлечении ценных ресурсов.
Хотя Grass обеспечивает справедливую конкурентную среду в области общедоступных данных, все же существует проблема использования потенциальных данных - доступ к собственным наборам данных. Конкретно, по-прежнему существует большое количество данных, которые сохраняются в защищенной форме из-за их чувствительной природы. Многие стартапы используют некоторые криптографические инструменты, чтобы разработчики ИИ могли использовать базовую структуру данных собственных наборов данных для создания и настройки крупных языковых моделей, при этом сохраняя конфиденциальность конфиденциальной информации.
Федеральное обучение, дифференциальная конфиденциальность, доверенное исполнение, гомоморфное и многостороннее вычисление и другие технологии предоставляют различные уровни защиты конфиденциальности и компромиссов. В статье Bagel () был сделан обзор этих технологий. Эти технологии не только обеспечивают защиту конфиденциальности данных в процессе машинного обучения, но также позволяют реализовать полную конфиденциальность на уровне вычислений в решениях искусственного интеллекта.
2.5 Источники данных и модели
Технологии источника данных и моделей направлены на создание процесса, который гарантирует пользователям, что они взаимодействуют с ожидаемой моделью и данными. Кроме того, эти технологии обеспечивают подлинность и гарантию источника. Например, водяной знак является одной из технологий источника моделей, который непосредственно встраивает подпись в Алгоритм машинного обучения, более конкретно - в веса модели, чтобы можно было проверить, происходит ли рассуждение от ожидаемой модели.
2.6 Приложения
В плане применения возможности безграничны. В нашей обзорной статье мы перечислили некоторые интересные примеры развития веб-3.0, связанные с применением искусственного интеллекта. Поскольку эти примеры самоописывающиеся, мы не будем давать дополнительных комментариев. Однако стоит отметить, что пересечение искусственного интеллекта и веб-3.0 может переформатировать вертикальные области, поскольку эти новые примитивы предоставляют разработчикам большую свободу для создания инновационных и оптимизации существующих примеров использования.
Обзор
Слияние искусственного интеллекта и Веб3 предлагает инновационные и перспективные возможности. Используя уникальные преимущества каждой технологии, мы можем решать различные задачи и открывать новые технологические пути. При исследовании этой новой отрасли сотрудничество между искусственным интеллектом и Веб3 может стимулировать прогресс и переформатировать наши будущие цифровые эмоции и взаимодействие в сети.
Сочетание ограниченности и обилия цифровых ресурсов, мобилизация недостаточно использованных ресурсов для достижения вычислительной эффективности, а также создание данных, обеспечивающих безопасность и конфиденциальность, определит эру развития следующего поколения технологий.
Однако мы должны понимать, что отрасль все еще находится в начальной стадии, и текущая отраслевая карта может устареть в ближайшее время из-за быстрого темпа инноваций. Базовые концепции, такие как вычислительные сети, агентские платформы и Протокол данных, обсуждаемые здесь, подчеркивают огромные возможности слияния искусственного интеллекта с Web 3.0.