Протягом останніх двох років швидкість розвитку ШІ помітно зросла. Хвиля генеративного штучного інтелекту, викликана ChatGPT, не тільки відкрила двері до нового світу, але й викликала хвилі в сфері Web3.
Під впливом концепції ШІ активність фінансування на крипторинку помітно зросла. За статистикою, лише в першій половині 2024 року 64 проекти Web3+AI завершили фінансування, серед яких операційна система на основі штучного інтелекту Zyber365 встановила рекорд у 100 мільйонів доларів у раунді A.
Вторинний ринок став більш активним, дані з криптоагрегаторів показують, що всього за трохи більше року загальна капіталізація AI-сектора досягла 48,5 мільярдів доларів, а обсяг торгів за 24 години наблизився до 8,6 мільярдів доларів. Прогрес у провідних AI-технологіях приніс очевидні переваги: після випуску моделі OpenAI Sora для перетворення тексту в відео середня ціна в секторі AI зросла на 151%. Ефект AI також поширився на сектор криптовалют, що залучає інвестиції; перша концепція AI Agent - мемкоін GOAT швидко стала популярною та отримала оцінку в 1,4 мільярда доларів, розпочавши бум AI Meme.
Дослідження та обговорення AI+Web3 також набирає обертів, від AI+Depin до AI Memecoin, а потім до поточних AI Agent та AI DAO, нові концепції з’являються одна за одною.
Комбінація AI+Web3, що переповнена гарячими грошима, тобто спекуляціями та уявленнями про майбутнє, неминуче сприймається як шлюб, укладений капіталом. Нам важко розрізнити під цим розкішним зовнішнім виглядом, чи це свято спекулянтів, чи завісу нової ери.
Щоб відповісти на це питання, ключовим є розуміння того, чи можуть обидві сторони взаємно сприяти одна одній. У цій статті спробуємо розглянути цю структуру: як Web3 може грати роль на різних етапах технологічного стеку AI, а також які нові можливості AI може принести для Web3?
Перш ніж почати обговорення, нам потрібно ознайомитися з технологічним стеком великих моделей штучного інтелекту:
Великі моделі штучного інтелекту можна порівняти з людським мозком, на початковому етапі, як немовля, вони потребують поглинання величезної кількості зовнішньої інформації для розуміння світу, це етап "збирання" даних. Оскільки комп'ютери не мають людських сенсорів, перед навчанням необхідно "попередньо обробити" неназвану інформацію, перетворивши її у придатний формат.
Після введення даних AI створює модель з розумінням і прогнозуванням через "навчання", подібно до процесу, в якому немовля вчиться розуміти навколишній світ. Коли навчальний матеріал розділений на теми або отримується зворотній зв'язок через спілкування та корекцію, відбувається етап "доладжування".
Діти, коли виростуть, можуть розуміти та висловлювати свої думки під час розмови, подібно до "етапу міркування" великих AI моделей, здатних робити прогнозування та аналізувати нові дані. AI виражає свої почуття, описує речі та вирішує проблеми за допомогою мовних навичок, подібно до того, як великі моделі застосовуються для конкретних завдань, таких як класифікація зображень або розпізнавання мови після навчання.
AI Агент наближається до наступної форми великої моделі - здатний самостійно виконувати завдання та переслідувати складні цілі, не лише має здатність до мислення, а й може запам'ятовувати, планувати, а також використовувати інструменти для взаємодії з світом.
Наразі, щодо болючих точок у всіх стеків AI, Web3 початково сформував багатошарову, взаємопов'язану екосистему, що охоплює всі етапи процесу моделей AI.
Один. Базовий рівень: обчислювальна потужність та дані Airbnb
Обчислювальна потужність
На сьогодні основною вартістю штучного інтелекту є обчислювальні потужності та енергія, необхідні для навчання та виведення моделей.
Наприклад, для навчання LLAMA3 від Meta потрібно 16000 графічних процесорів NVIDIA H100 на 30 днів. Вартість одного H100 80GB складає 30-40 тисяч доларів, що потребує інвестицій у обладнання в розмірі 400-700 мільйонів доларів, а для щомісячного навчання необхідно споживати 1,6 мільярда кіловат-годин, витрати на енергію складають майже 20 мільйонів доларів.
Щоб зменшити тиск на обчислювальні потужності AI, децентралізована фізична інфраструктурна мережа DePin( стала однією з перших областей перетворення Web3 з AI. Веб-сайт даних DePin Ninja вже перелічив понад 1400 проєктів, серед яких проєкти, що представляють спільний доступ до GPU, включають io.net, Aethir, Akash, Render Network та ін.
Основна логіка полягає в тому, що платформа дозволяє власникам незайнятих ресурсів GPU вносити обчислювальну потужність децентралізованим способом, підвищуючи використання ресурсів через онлайн-ринок, подібний до Uber або Airbnb, а кінцеві користувачі отримують більш дешеві та ефективні обчислювальні ресурси; в той же час механізм стейкінгу забезпечує покарання для порушників.
Особливості включають:
Збір невикористаних ресурсів GPU: в основному з надлишкової обчислювальної потужності від малих і середніх дата-центрів, криптомайданчиків тощо, а також апаратного забезпечення для видобутку в механізмі консенсусу PoS. Деякі проекти, такі як exolab, також використовують локальні пристрої, такі як MacBook, iPhone тощо, для створення мережі обчислювальної потужності для інференції.
Орієнтація на довгий хвіст ринку обчислювальної потужності ШІ:
a. Технічна сторона: більше підходить для інференції. Тренування залежить від надвеликих кластерів GPU, тоді як для інференції вимоги до продуктивності GPU є нижчими.
b. Сторона попиту: замовники з малими та середніми обчислювальними потужностями здебільшого зосереджені на оптимізації та доопрацюванні великих моделей, що природно підходить для розподілених бездіяльних обчислювальних потужностей.
Децентралізована власність: технологія блокчейн забезпечує збереження контролю за ресурсами для їх власників, гнучке регулювання та отримання прибутку.
Дані
Дані є основою ШІ. Без даних обчислення не мають сенсу, якість даних визначає якість виходу моделі. Для навчання сучасних моделей ШІ дані визначають мовні можливості, здатність до розуміння, цінності та гуманізацію. Наразі труднощі в потребах даних для ШІ в основному виявляються в:
Голод даних: Моделі штучного інтелекту залежать від величезних обсягів даних. OpenAI навчала GPT-4 з обсягом параметрів на рівні трильйонів.
Якість даних: з розвитком ШІ та інтеграцією в різні галузі зростають вимоги до своєчасності, різноманітності, професіоналізму даних та нових джерел даних, таких як емоції в соціальних мережах.
Конфіденційність та відповідність: країни та компанії поступово обмежують збори даних.
Високі витрати на обробку даних: велика кількість даних, складна обробка. AI компанії витрачають понад 30% витрат на дослідження та розробки на збори та обробку базових даних.
Рішення Web3 в основному проявляються в:
Збір даних: залучити справжніх внесків до створення вартості, отримувати більш приватні та цінні дані з низькими витратами через розподілену мережу та механізми винагороди.
Трава: децентралізований рівень даних та мережа, користувачі запускають вузли, вносять внесок у пропускну здатність, захоплюють реальні дані та отримують винагороду.
Vana: Введення концепції пулу ліквідності даних )DLP(, користувачі можуть завантажувати приватні дані та гнучко надавати третім особам право на їх використання.
PublicAI: Користувачі можуть використовувати )Web3 мітку на X і @PublicAI для збору даних.
Попередня обробка даних: В AI-індустрії є небагато ручних етапів, що підходять для децентралізованих механізмів стимулювання Web3.
Grass та OpenLayer розглядають можливість додавання етапу маркування даних.
Synesis пропонує концепцію "Train2earn", яка нагороджує за надання високоякісних розмічених даних.
Sapien гейміфікує завдання, користувачі ставлять бали, щоб заробити більше балів.
Приватність даних та безпека: переваги технологій приватності Web3 проявляються у навчанні чутливих даних та співпраці з кількома сторонами.
Основні технології конфіденційності включають:
Достовірне виконуване середовище#AI或#TEE(, як Super Protocol
Повна гомоморфна криптографія )FHE(, такі як BasedAI, Fhenix.io, Inco Network
Технологія нульових знань)zk(, така як Reclaim Protocol, що використовує технологію zkTLS.
Зараз все ще на ранній стадії, стикається з такими викликами, як висока вартість обчислень.
Зберігання даних: вирішення проблеми зберігання AI даних на ланцюзі та генерації LLM.
0g.AI: Централізоване рішення для зберігання, розроблене для високопродуктивних потреб штучного інтелекту, підтримує швидке завантаження та вивантаження великих наборів даних, швидкість передачі наближається до 5 ГБ/сек.
)# Два, посередник: навчання та висновок моделі
Відкриті моделі децентралізованого ринку
Web3 пропонує можливість децентралізованого відкритого ринку моделей, зберігаючи частину токенів для команди через токенізацію, перенаправляючи частину майбутніх доходів моделей на власників токенів.
Bittensor: створення відкритого ринку моделей P2P, що складається з кількох "підмереж", в яких постачальники ресурсів взаємно змагаються за досягнення цілей підмереж.
ORA: введення концепції випуску початкової моделі ###IMO(, токенізація AI моделей.
Sentient: децентралізована платформа AGI, що стимулює співпрацю у створенні AI моделей та винагороджує внесок.
Spectral Nova: зосереджено на створенні та застосуванні моделей ШІ та МЛ.
Перевірене міркування
Щодо проблеми "чорної скриньки" у AI-інференції, стандартне рішення Web3 полягає в порівнянні результатів повторних операцій багатьох валідаторів, але стикається з викликом високих витрат.
Більш перспективним рішенням є виконання ZK-доказів для офф-лан AI виводу, з подальшою верифікацією обчислень на ланцюзі. Основні переваги:
Масштабованість: швидке підтвердження великої кількості позамежних обчислень.
Захист конфіденційності: захист даних та деталей моделі.
Не потрібно довіряти: не потрібно покладатися на централізовану сторону для підтвердження обчислень.
Інтеграція Web2: сприяє підвищенню рівня прийняття Web3.
Актуальні перевіряються технології включають:
zkML: поєднання нульових знань та машинного навчання, наприклад, AI-програматор, випущений Modulus Labs на базі ZKML.
opML: Використання принципу оптимістичного підсумовування для підвищення ефективності обчислень ML.
TeeML: Використання надійного середовища виконання для безпечного виконання ML обчислень.
)# Три. Рівень застосування: AI Agent
Актуальний акцент розвитку ШІ перемістився з можливостей моделей на AI Agent. OpenAI визначає AI Agent як: систему, що керується LLM, має здатність до автономного розуміння, сприйняття, планування, пам'яті та використання інструментів, здатну автоматично виконувати складні завдання.
Web3 може принести Agent:
Децентралізований
Характеристики Web3 роблять систему Agent більш децентралізованою та автономною, через механізми PoS, DPoS тощо встановлюються стимули та механізми покарання для сприяння демократизації, такі як GaiaNet, Theoriq, HajimeAI.
Холодний запуск
Web3 допомагає проекту потенційного AI Agent отримати раннє фінансування.
Virtual Protocol запустив платформу для створення AI Agent та випуску токенів fun.virtuals.
Spectral запропонував концепцію IAO###Initial Agent Offering( для підтримки випуску активів AI Agent на блокчейні.
) Частина 2 Як ШІ надає можливості Web3?
Вплив ШІ на проекти Web3 є значним, оптимізуючи операції на ланцюгу ###, такі як виконання смарт-контрактів, оптимізацію ліквідності, прийняття рішень на основі ШІ (, що приносить користь блокчейну, забезпечуючи дані для прийняття рішень, підвищуючи безпеку на ланцюгу та закладаючи основу для нових застосувань Web3.
! [AI+Web3: Вежі та Квадрати])https://img-cdn.gateio.im/webp-social/moments-b11096083013a66b04deba27ffb64663.webp(
)# Один. Штучний інтелект та фінанси на блокчейні
Штучний інтелект і криптоекономіка
Генеральний директор Coinbase оголосив про першу транзакцію AI-до-AI в мережі Base, AI Agent може використовувати USD для торгівлі з людьми, підприємствами або іншими AI.
Протокол Virtuals показав, як AI агент самостійно виконує транзакції в блокчейні, AI агент розглядається як майбутнє блокчейн-фінансів. Потенційні сценарії включають:
Збір інформації та прогнозування: збір оголошень біржі, інформації про проекти, ризиків громадської думки тощо, аналіз та оцінка основних показників активів, ринкової ситуації, прогнозування тенденцій і ризиків.
Управління активами: надання інвестиційних об'єктів, оптимізація портфеля активів, автоматичне виконання торгів.
Фінансовий досвід: вибір найшвидшого способу транзакцій в ланцюзі, автоматизація міжланцюгових операцій, коригування газових зборів тощо, зниження бар'єрів та витрат на фінансову діяльність в ланцюзі.
В даний час гаманці AI Agent, такі як Bitte, та протокол взаємодії AI Wayfinder намагаються інтегрувати API моделі OpenAI, дозволяючи користувачам через чат-інтерфейс давати команди Agent для виконання операцій в блокчейні. Децентралізована платформа Agent Morpheus підтримує розробку таких Agent, а Biconomy продемонструвала, що AI Agent може виконувати операції свопу без повного доступу до гаманця.
Штучний інтелект та безпека транзакцій на блокчейні
Технології штучного інтелекту можуть підвищити безпеку та захист конфіденційності транзакцій у блокчейні, потенційні сценарії включають:
Моніторинг угод: реальний моніторинг аномальної діяльності, надання сповіщень.
Аналіз ризиків: аналізувати торгову поведінку клієнтів, оцінювати ризики.
Web3 безпечна платформа SeQure використовує ШІ для виявлення та запобігання атакам, шахрайству та витоку даних, надаючи моніторинг в реальному часі та сповіщення. Подібні інструменти включають AI-powered Sentinel.
Два, Штучний інтелект та інфраструктура на блокчейні
Штучний інтелект та дані на ланцюзі
Технології штучного інтелекту відіграють важливу роль у зборі та аналізі даних на блокчейні, наприклад:
Web3 Analytics: аналітична платформа на основі ШІ, яка використовує алгоритми машинного навчання та обробки даних для аналізу даних на блокчейні.
MinMax AI: надає інструменти аналізу даних на основі AI для виявлення можливостей та тенденцій на ринку.
Kaito: веб3 пошукова платформа на базі LLM.
Followin: інтеграція ChatGPT, об'єднання інформації з різних платформ.
Штучний інтелект також може бути використаний в оракулах, таких як Upshot, який використовує ШІ для надання точних даних про ціноутворення NFT.
ШІ та розробка&аудит
Штучний інтелект може підвищити ефективність розробки Web3, знизивши бар'єри для програмування. Потенційні сценарії включають: автоматизоване генерування коду, перевірку та тестування смарт-контрактів, розгортання та обслуговування DApp, інтелектуальне доповнення коду, вирішення питань розробки тощо.
На даний момент існують платформи для запуску токенів одним натисканням, такі як Clanker, а також платформи для розробки контрактів, такі як Spectral, які надають функцію автоматичного створення та розгортання смарт-контрактів.
В сфері аудиту платформа Web3 аудиту Fuzzland використовує штучний інтелект для допомоги в перевірці вразливостей коду, надаючи пояснення природною мовою.
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.
15 лайків
Нагородити
15
4
Поділіться
Прокоментувати
0/400
ProposalDetective
· 15год тому
Мати гроші означає мати можливість робити все, що завгодно.
Переглянути оригіналвідповісти на0
SelfCustodyIssues
· 20год тому
Сліпе спекулювання на ai рано чи пізно призведе до втрат.
Переглянути оригіналвідповісти на0
BTCBeliefStation
· 20год тому
Користуючись популярністю зони AI, розпочали атаку.
Переглянути оригіналвідповісти на0
GasWaster
· 20год тому
ех, ще один ai памп... ставлю, що комісії за газ будуть шалені, коли всі влетять у фомо
Інтеграція AI та Web3: аналіз можливостей на всьому ланцюзі – від інфраструктури до застосунків
AI+Web3: Вежі та площі
Вступ
Протягом останніх двох років швидкість розвитку ШІ помітно зросла. Хвиля генеративного штучного інтелекту, викликана ChatGPT, не тільки відкрила двері до нового світу, але й викликала хвилі в сфері Web3.
Під впливом концепції ШІ активність фінансування на крипторинку помітно зросла. За статистикою, лише в першій половині 2024 року 64 проекти Web3+AI завершили фінансування, серед яких операційна система на основі штучного інтелекту Zyber365 встановила рекорд у 100 мільйонів доларів у раунді A.
Вторинний ринок став більш активним, дані з криптоагрегаторів показують, що всього за трохи більше року загальна капіталізація AI-сектора досягла 48,5 мільярдів доларів, а обсяг торгів за 24 години наблизився до 8,6 мільярдів доларів. Прогрес у провідних AI-технологіях приніс очевидні переваги: після випуску моделі OpenAI Sora для перетворення тексту в відео середня ціна в секторі AI зросла на 151%. Ефект AI також поширився на сектор криптовалют, що залучає інвестиції; перша концепція AI Agent - мемкоін GOAT швидко стала популярною та отримала оцінку в 1,4 мільярда доларів, розпочавши бум AI Meme.
Дослідження та обговорення AI+Web3 також набирає обертів, від AI+Depin до AI Memecoin, а потім до поточних AI Agent та AI DAO, нові концепції з’являються одна за одною.
Комбінація AI+Web3, що переповнена гарячими грошима, тобто спекуляціями та уявленнями про майбутнє, неминуче сприймається як шлюб, укладений капіталом. Нам важко розрізнити під цим розкішним зовнішнім виглядом, чи це свято спекулянтів, чи завісу нової ери.
Щоб відповісти на це питання, ключовим є розуміння того, чи можуть обидві сторони взаємно сприяти одна одній. У цій статті спробуємо розглянути цю структуру: як Web3 може грати роль на різних етапах технологічного стеку AI, а також які нові можливості AI може принести для Web3?
! AI+Web3: Вежі та Плази
Ч.1 Які можливості є у Web3 під AI-стеком?
Перш ніж почати обговорення, нам потрібно ознайомитися з технологічним стеком великих моделей штучного інтелекту:
Великі моделі штучного інтелекту можна порівняти з людським мозком, на початковому етапі, як немовля, вони потребують поглинання величезної кількості зовнішньої інформації для розуміння світу, це етап "збирання" даних. Оскільки комп'ютери не мають людських сенсорів, перед навчанням необхідно "попередньо обробити" неназвану інформацію, перетворивши її у придатний формат.
Після введення даних AI створює модель з розумінням і прогнозуванням через "навчання", подібно до процесу, в якому немовля вчиться розуміти навколишній світ. Коли навчальний матеріал розділений на теми або отримується зворотній зв'язок через спілкування та корекцію, відбувається етап "доладжування".
Діти, коли виростуть, можуть розуміти та висловлювати свої думки під час розмови, подібно до "етапу міркування" великих AI моделей, здатних робити прогнозування та аналізувати нові дані. AI виражає свої почуття, описує речі та вирішує проблеми за допомогою мовних навичок, подібно до того, як великі моделі застосовуються для конкретних завдань, таких як класифікація зображень або розпізнавання мови після навчання.
AI Агент наближається до наступної форми великої моделі - здатний самостійно виконувати завдання та переслідувати складні цілі, не лише має здатність до мислення, а й може запам'ятовувати, планувати, а також використовувати інструменти для взаємодії з світом.
Наразі, щодо болючих точок у всіх стеків AI, Web3 початково сформував багатошарову, взаємопов'язану екосистему, що охоплює всі етапи процесу моделей AI.
! AI+Web3: Вежі та Квадрати
Один. Базовий рівень: обчислювальна потужність та дані Airbnb
Обчислювальна потужність
На сьогодні основною вартістю штучного інтелекту є обчислювальні потужності та енергія, необхідні для навчання та виведення моделей.
Наприклад, для навчання LLAMA3 від Meta потрібно 16000 графічних процесорів NVIDIA H100 на 30 днів. Вартість одного H100 80GB складає 30-40 тисяч доларів, що потребує інвестицій у обладнання в розмірі 400-700 мільйонів доларів, а для щомісячного навчання необхідно споживати 1,6 мільярда кіловат-годин, витрати на енергію складають майже 20 мільйонів доларів.
Щоб зменшити тиск на обчислювальні потужності AI, децентралізована фізична інфраструктурна мережа DePin( стала однією з перших областей перетворення Web3 з AI. Веб-сайт даних DePin Ninja вже перелічив понад 1400 проєктів, серед яких проєкти, що представляють спільний доступ до GPU, включають io.net, Aethir, Akash, Render Network та ін.
Основна логіка полягає в тому, що платформа дозволяє власникам незайнятих ресурсів GPU вносити обчислювальну потужність децентралізованим способом, підвищуючи використання ресурсів через онлайн-ринок, подібний до Uber або Airbnb, а кінцеві користувачі отримують більш дешеві та ефективні обчислювальні ресурси; в той же час механізм стейкінгу забезпечує покарання для порушників.
Особливості включають:
Збір невикористаних ресурсів GPU: в основному з надлишкової обчислювальної потужності від малих і середніх дата-центрів, криптомайданчиків тощо, а також апаратного забезпечення для видобутку в механізмі консенсусу PoS. Деякі проекти, такі як exolab, також використовують локальні пристрої, такі як MacBook, iPhone тощо, для створення мережі обчислювальної потужності для інференції.
Орієнтація на довгий хвіст ринку обчислювальної потужності ШІ: a. Технічна сторона: більше підходить для інференції. Тренування залежить від надвеликих кластерів GPU, тоді як для інференції вимоги до продуктивності GPU є нижчими. b. Сторона попиту: замовники з малими та середніми обчислювальними потужностями здебільшого зосереджені на оптимізації та доопрацюванні великих моделей, що природно підходить для розподілених бездіяльних обчислювальних потужностей.
Децентралізована власність: технологія блокчейн забезпечує збереження контролю за ресурсами для їх власників, гнучке регулювання та отримання прибутку.
Дані
Дані є основою ШІ. Без даних обчислення не мають сенсу, якість даних визначає якість виходу моделі. Для навчання сучасних моделей ШІ дані визначають мовні можливості, здатність до розуміння, цінності та гуманізацію. Наразі труднощі в потребах даних для ШІ в основному виявляються в:
Голод даних: Моделі штучного інтелекту залежать від величезних обсягів даних. OpenAI навчала GPT-4 з обсягом параметрів на рівні трильйонів.
Якість даних: з розвитком ШІ та інтеграцією в різні галузі зростають вимоги до своєчасності, різноманітності, професіоналізму даних та нових джерел даних, таких як емоції в соціальних мережах.
Конфіденційність та відповідність: країни та компанії поступово обмежують збори даних.
Високі витрати на обробку даних: велика кількість даних, складна обробка. AI компанії витрачають понад 30% витрат на дослідження та розробки на збори та обробку базових даних.
Рішення Web3 в основному проявляються в:
Збір даних: залучити справжніх внесків до створення вартості, отримувати більш приватні та цінні дані з низькими витратами через розподілену мережу та механізми винагороди.
Попередня обробка даних: В AI-індустрії є небагато ручних етапів, що підходять для децентралізованих механізмів стимулювання Web3.
Приватність даних та безпека: переваги технологій приватності Web3 проявляються у навчанні чутливих даних та співпраці з кількома сторонами.
Основні технології конфіденційності включають:
Зараз все ще на ранній стадії, стикається з такими викликами, як висока вартість обчислень.
Зберігання даних: вирішення проблеми зберігання AI даних на ланцюзі та генерації LLM.
)# Два, посередник: навчання та висновок моделі
Відкриті моделі децентралізованого ринку
Web3 пропонує можливість децентралізованого відкритого ринку моделей, зберігаючи частину токенів для команди через токенізацію, перенаправляючи частину майбутніх доходів моделей на власників токенів.
Перевірене міркування
Щодо проблеми "чорної скриньки" у AI-інференції, стандартне рішення Web3 полягає в порівнянні результатів повторних операцій багатьох валідаторів, але стикається з викликом високих витрат.
Більш перспективним рішенням є виконання ZK-доказів для офф-лан AI виводу, з подальшою верифікацією обчислень на ланцюзі. Основні переваги:
Актуальні перевіряються технології включають:
)# Три. Рівень застосування: AI Agent
Актуальний акцент розвитку ШІ перемістився з можливостей моделей на AI Agent. OpenAI визначає AI Agent як: систему, що керується LLM, має здатність до автономного розуміння, сприйняття, планування, пам'яті та використання інструментів, здатну автоматично виконувати складні завдання.
Web3 може принести Agent:
Децентралізований
Характеристики Web3 роблять систему Agent більш децентралізованою та автономною, через механізми PoS, DPoS тощо встановлюються стимули та механізми покарання для сприяння демократизації, такі як GaiaNet, Theoriq, HajimeAI.
Холодний запуск
Web3 допомагає проекту потенційного AI Agent отримати раннє фінансування.
) Частина 2 Як ШІ надає можливості Web3?
Вплив ШІ на проекти Web3 є значним, оптимізуючи операції на ланцюгу ###, такі як виконання смарт-контрактів, оптимізацію ліквідності, прийняття рішень на основі ШІ (, що приносить користь блокчейну, забезпечуючи дані для прийняття рішень, підвищуючи безпеку на ланцюгу та закладаючи основу для нових застосувань Web3.
! [AI+Web3: Вежі та Квадрати])https://img-cdn.gateio.im/webp-social/moments-b11096083013a66b04deba27ffb64663.webp(
)# Один. Штучний інтелект та фінанси на блокчейні
Штучний інтелект і криптоекономіка
Генеральний директор Coinbase оголосив про першу транзакцію AI-до-AI в мережі Base, AI Agent може використовувати USD для торгівлі з людьми, підприємствами або іншими AI.
Протокол Virtuals показав, як AI агент самостійно виконує транзакції в блокчейні, AI агент розглядається як майбутнє блокчейн-фінансів. Потенційні сценарії включають:
Збір інформації та прогнозування: збір оголошень біржі, інформації про проекти, ризиків громадської думки тощо, аналіз та оцінка основних показників активів, ринкової ситуації, прогнозування тенденцій і ризиків.
Управління активами: надання інвестиційних об'єктів, оптимізація портфеля активів, автоматичне виконання торгів.
Фінансовий досвід: вибір найшвидшого способу транзакцій в ланцюзі, автоматизація міжланцюгових операцій, коригування газових зборів тощо, зниження бар'єрів та витрат на фінансову діяльність в ланцюзі.
В даний час гаманці AI Agent, такі як Bitte, та протокол взаємодії AI Wayfinder намагаються інтегрувати API моделі OpenAI, дозволяючи користувачам через чат-інтерфейс давати команди Agent для виконання операцій в блокчейні. Децентралізована платформа Agent Morpheus підтримує розробку таких Agent, а Biconomy продемонструвала, що AI Agent може виконувати операції свопу без повного доступу до гаманця.
Штучний інтелект та безпека транзакцій на блокчейні
Технології штучного інтелекту можуть підвищити безпеку та захист конфіденційності транзакцій у блокчейні, потенційні сценарії включають:
Web3 безпечна платформа SeQure використовує ШІ для виявлення та запобігання атакам, шахрайству та витоку даних, надаючи моніторинг в реальному часі та сповіщення. Подібні інструменти включають AI-powered Sentinel.
Два, Штучний інтелект та інфраструктура на блокчейні
Штучний інтелект та дані на ланцюзі
Технології штучного інтелекту відіграють важливу роль у зборі та аналізі даних на блокчейні, наприклад:
Штучний інтелект також може бути використаний в оракулах, таких як Upshot, який використовує ШІ для надання точних даних про ціноутворення NFT.
ШІ та розробка&аудит
Штучний інтелект може підвищити ефективність розробки Web3, знизивши бар'єри для програмування. Потенційні сценарії включають: автоматизоване генерування коду, перевірку та тестування смарт-контрактів, розгортання та обслуговування DApp, інтелектуальне доповнення коду, вирішення питань розробки тощо.
На даний момент існують платформи для запуску токенів одним натисканням, такі як Clanker, а також платформи для розробки контрактів, такі як Spectral, які надають функцію автоматичного створення та розгортання смарт-контрактів.
В сфері аудиту платформа Web3 аудиту Fuzzland використовує штучний інтелект для допомоги в перевірці вразливостей коду, надаючи пояснення природною мовою.
Три, ШІ та