La fusión de la IA y Web3: estado actual, desafíos y perspectivas futuras

I. Introducción: El desarrollo de AI+Web3

En los últimos años, el rápido desarrollo de la inteligencia artificial (IA) y la tecnología Web3 ha llamado la atención a nivel mundial. La IA, como una tecnología que simula e imita la inteligencia humana, ha logrado importantes avances en campos como el reconocimiento facial, el procesamiento del lenguaje natural y el aprendizaje automático, trayendo grandes transformaciones e innovaciones a diversas industrias.

El tamaño del mercado de la industria de la IA alcanzó los 200 mil millones de dólares en 2023, con gigantes de la industria como OpenAI, Character.AI y Midjourney y excelentes jugadores que han surgido como champiñones, liderando la fiebre de la IA.

Al mismo tiempo, Web3, como un nuevo modelo de red, está cambiando gradualmente nuestra percepción y forma de uso de Internet. Web3 se basa en la tecnología blockchain descentralizada y, a través de funciones como contratos inteligentes, almacenamiento distribuido y verificación de identidad descentralizada, logra el intercambio y control de datos, la autonomía del usuario y el establecimiento de mecanismos de confianza. La idea central de Web3 es liberar los datos de las autoridades centralizadas, otorgando a los usuarios el control sobre sus datos y el derecho a compartir el valor de esos datos.

Actualmente, la capitalización de mercado de la industria Web3 ha alcanzado los 25 billones, ya sea Bitcoin, Ethereum, Solana o jugadores en la capa de aplicaciones como Uniswap, Stepn, entre otros, nuevas narrativas y escenarios están surgiendo constantemente, atrayendo a cada vez más personas a unirse a la industria Web3.

La combinación de la IA y Web3 es un área de gran interés tanto para los constructores como para los VC de Oriente y Occidente; cómo fusionar ambos de manera efectiva es una cuestión que merece ser explorada.

Este artículo se centrará en el estado actual del desarrollo de AI+Web3, explorando el valor y el impacto potencial que trae esta fusión. Primero, presentaremos los conceptos básicos y características de AI y Web3, y luego analizaremos la relación entre ellos. A continuación, analizaremos el estado actual de los proyectos de AI+Web3 y discutiremos en profundidad las limitaciones y desafíos que enfrentan. A través de esta investigación, esperamos poder proporcionar una referencia y una visión valiosas para los inversores y los profesionales de la industria relacionada.

Dos, la forma en que la IA interactúa con Web3

El desarrollo de la IA y Web3 es como los dos lados de una balanza; la IA trae mejoras en la productividad, mientras que Web3 trae una transformación en las relaciones de producción. ¿Qué tipo de chispas pueden surgir de la colisión entre la IA y Web3? A continuación, analizaremos las dificultades y oportunidades de mejora que enfrenta cada industria, y luego exploraremos cómo se ayudan mutuamente a resolver estas dificultades.

2.1 Dificultades que enfrenta la industria de la IA

Para explorar las dificultades que enfrenta la industria de la IA, primero echemos un vistazo a la esencia de la industria de la IA. El núcleo de la industria de la IA no puede separarse de tres elementos: potencia de cálculo, algoritmos y datos.

1. Potencia de cálculo: La potencia de cálculo se refiere a la capacidad de realizar cálculos y procesamientos a gran escala. Las tareas de IA a menudo requieren procesar grandes cantidades de datos y realizar cálculos complejos, como el entrenamiento de modelos de redes neuronales profundas. Una alta capacidad de cálculo puede acelerar el proceso de entrenamiento e inferencia del modelo, mejorando el rendimiento y la eficiencia del sistema de IA. En los últimos años, con el desarrollo de la tecnología de hardware, como las unidades de procesamiento gráfico (GPU) y los chips de IA dedicados (como TPU), el aumento de la potencia de cálculo ha desempeñado un papel importante en el desarrollo de la industria de IA. En los últimos años, Nvidia, que ha visto un aumento en el valor de sus acciones, ha ocupado una gran parte del mercado como proveedor de GPU, obteniendo altos beneficios.

2. Algoritmos: Los algoritmos son la parte central de los sistemas de IA, son métodos matemáticos y estadísticos utilizados para resolver problemas y llevar a cabo tareas. Los algoritmos de IA se pueden dividir en algoritmos de aprendizaje automático tradicionales y algoritmos de aprendizaje profundo, siendo estos últimos los que han logrado avances significativos en los últimos años. La elección y el diseño de los algoritmos son cruciales para el rendimiento y la efectividad del sistema de IA. Los algoritmos que se mejoran e innovan continuamente pueden aumentar la precisión, robustez y capacidad de generalización del sistema de IA. Diferentes algoritmos tendrán diferentes efectos, por lo que la mejora de los algoritmos también es fundamental para el éxito de la tarea.

3. Datos: La tarea principal de un sistema de IA es extraer patrones y regularidades de los datos mediante el aprendizaje y el entrenamiento. Los datos son la base para entrenar y optimizar modelos; a través de grandes muestras de datos, el sistema de IA puede aprender modelos más precisos e inteligentes. Un conjunto de datos rico puede proporcionar información más completa y diversa, lo que permite que el modelo se generalice mejor a datos no vistos, ayudando al sistema de IA a comprender y resolver mejor los problemas del mundo real.

Después de entender los tres elementos centrales de la IA actual, veamos las dificultades y desafíos que enfrenta la IA en estos tres aspectos:

1. En términos de potencia de cálculo: Las tareas de IA generalmente requieren una gran cantidad de recursos computacionales para el entrenamiento y la inferencia del modelo, especialmente para los modelos de aprendizaje profundo. Sin embargo, obtener y gestionar una potencia de cálculo a gran escala es un desafío costoso y complejo. El costo, el consumo de energía y el mantenimiento de los dispositivos de computación de alto rendimiento son problemas. Especialmente para las startups y los desarrolladores individuales, obtener suficiente potencia de cálculo puede ser difícil.

2. En el aspecto de los algoritmos: Aunque los algoritmos de aprendizaje profundo han logrado un gran éxito en muchos campos, aún existen algunas dificultades y desafíos. Por ejemplo, entrenar redes neuronales profundas requiere grandes cantidades de datos y recursos computacionales, y para ciertas tareas, la interpretabilidad y la explicabilidad del modelo pueden ser insuficientes. Además, la robustez y la capacidad de generalización de los algoritmos también son un problema importante, ya que el rendimiento del modelo en datos no vistos puede ser inestable. Entre los numerosos algoritmos, encontrar el mejor algoritmo que ofrezca el mejor servicio es un proceso que requiere exploración continua.

3. Aspectos de datos: Los datos son el motor de la IA, pero obtener datos de alta calidad y diversos sigue siendo un desafío. Algunos tipos de datos pueden ser difíciles de obtener, como los datos de salud sensibles en el ámbito médico. Además, la calidad, precisión y etiquetado de los datos también son problemas; los datos incompletos o sesgados pueden llevar a comportamientos erróneos o sesgos en los modelos. Al mismo tiempo, proteger la privacidad y la seguridad de los datos también es un factor importante a considerar.

Además, existen problemas como la interpretabilidad y la transparencia, y la naturaleza de caja negra de los modelos de IA es una preocupación pública. Para ciertas aplicaciones, como las finanzas, la salud y la justicia, el proceso de toma de decisiones del modelo necesita ser interpretable y rastreable, mientras que los modelos de aprendizaje profundo existentes a menudo carecen de transparencia. Explicar el proceso de toma de decisiones del modelo y proporcionar explicaciones confiables sigue siendo un desafío.

Además, muchos modelos de negocio de los proyectos de IA no son muy claros, lo que también ha dejado a muchos emprendedores de IA confundidos.

2.2 Dificultades que enfrenta la industria Web3

En la industria de Web3, actualmente existen muchos desafíos diferentes que necesitan ser resueltos, ya sea en el análisis de datos de Web3, en la pobre experiencia del usuario de los productos de Web3, o en los problemas de vulnerabilidades en el código de los contratos inteligentes y ataques de hackers, hay mucho espacio para mejorar. Y la IA, como herramienta para aumentar la productividad, también tiene mucho potencial en estos aspectos.

Primero, hay una mejora en la capacidad de análisis y predicción de datos: la aplicación de la tecnología de IA en el análisis de datos y la predicción ha tenido un gran impacto en la industria Web3. A través del análisis inteligente y la minería de datos de los algoritmos de IA, las plataformas Web3 pueden extraer información valiosa de grandes volúmenes de datos y realizar predicciones y decisiones más precisas. Esto es de gran importancia para la evaluación de riesgos, la predicción del mercado y la gestión de activos en el ámbito de las finanzas descentralizadas (DeFi).

Además, también se puede lograr una mejora en la experiencia del usuario y los servicios personalizados: la aplicación de la tecnología AI permite que las plataformas Web3 ofrezcan una mejor experiencia al usuario y servicios personalizados. A través del análisis y modelado de datos de los usuarios, las plataformas Web3 pueden brindar recomendaciones personalizadas, servicios a medida y una experiencia de interacción inteligente. Esto ayuda a aumentar la participación y satisfacción del usuario, promoviendo el desarrollo del ecosistema Web3, por ejemplo, muchos protocolos Web3 integran herramientas de AI como ChatGPT para servir mejor a los usuarios.

En términos de seguridad y protección de la privacidad, la aplicación de la IA también tiene un profundo impacto en la industria de Web3. La tecnología de IA puede ser utilizada para detectar y defenderse de ataques cibernéticos, identificar comportamientos anómalos y proporcionar una protección de seguridad más robusta. Al mismo tiempo, la IA también puede aplicarse a la protección de la privacidad de los datos, utilizando tecnologías como el cifrado de datos y la computación privada para proteger la información personal de los usuarios en las plataformas de Web3. En cuanto a la auditoría de contratos inteligentes, dado que puede haber vulnerabilidades y riesgos de seguridad en el proceso de redacción y auditoría de contratos inteligentes, la tecnología de IA puede ser utilizada para automatizar la auditoría de contratos y la detección de vulnerabilidades, mejorando así la seguridad y fiabilidad de los contratos.

Se puede ver que, en cuanto a las dificultades que enfrenta la industria Web3 y el potencial de mejora, la IA puede participar y brindar apoyo en muchos aspectos.

Tres, análisis del estado actual de los proyectos AI+Web3

Los proyectos que combinan IA y Web3 abordan principalmente dos grandes aspectos: utilizar la tecnología blockchain para mejorar el rendimiento de los proyectos de IA, y utilizar la tecnología de IA para servir a la mejora de los proyectos de Web3.

Alrededor de dos aspectos, ha surgido una gran cantidad de proyectos explorando en este camino, incluyendo Io.net, Gensyn, Ritual y diversos otros proyectos. A continuación, este artículo analizará el estado y la situación de desarrollo en diferentes subdisciplinas de la IA apoyando a web3 y web3 apoyando a la IA.

3.1 Web3 impulsa la IA

3.1.1 Poder de cálculo descentralizado

Desde que OpenAI lanzó ChatGPT a finales de 2022, se desató una ola de entusiasmo por la IA. En solo 5 días, el número de usuarios alcanzó 1 millón, mientras que Instagram tardó aproximadamente dos meses y medio en llegar a 1 millón de descargas. Después, el crecimiento de ChatGPT fue también muy rápido, alcanzando 100 millones de usuarios activos mensuales en 2 meses, y para noviembre de 2023, el número de usuarios activos semanales alcanzó los 100 millones. Con la llegada de ChatGPT, el campo de la IA también pasó rápidamente de ser un nicho a convertirse en una industria de gran interés.

Según el informe de Trendforce, ChatGPT necesita 30,000 GPU NVIDIA A100 para funcionar, y se espera que el futuro GPT-5 requiera órdenes de magnitud más de computación. Esto ha llevado a una carrera armamentista entre las diferentes empresas de IA; solo quienes posean suficiente capacidad de cálculo podrán asegurarse de tener la potencia y ventaja necesarias en la guerra de IA, lo que ha resultado en una escasez de GPU.

Antes de la llegada de la IA, los principales clientes del proveedor de GPU más grande, NVIDIA, se concentraban en tres grandes servicios en la nube: AWS, Azure y GCP. Con el auge de la inteligencia artificial, han surgido muchos nuevos compradores, incluidas grandes empresas tecnológicas como Meta, Oracle y otras plataformas de datos y startups de IA, que se han unido a la guerra por acumular GPUs para entrenar modelos de inteligencia artificial. Empresas tecnológicas grandes como Meta y Tesla han aumentado considerablemente la cantidad de compras de modelos de IA personalizados e investigaciones internas. Empresas de modelos fundamentales como Anthropic, así como plataformas de datos como Snowflake y Databricks, también han comprado más GPUs para ayudar a los clientes a ofrecer servicios de inteligencia artificial.

Como mencionó Semi Analysis el año pasado, "ricos en GPU y pobres en GPU", unas pocas empresas poseen más de 20,000 GPUs A100/H100, y los miembros del equipo pueden utilizar entre 100 y 1,000 GPUs para proyectos. Estas empresas son o proveedores de nube o han construido sus propios LLM, incluyendo OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, entre otros.

Sin embargo, la mayoría de las empresas son "pobres en GPU", luchando solo con un número mucho menor de GPUs, gastando una gran cantidad de tiempo y esfuerzo en tareas que son difíciles de impulsar para el desarrollo del ecosistema. Y esta situación no se limita a las empresas emergentes. Algunas de las compañías de inteligencia artificial más conocidas --Hugging Face, Databricks (MosaicML), Together e incluso Snowflake tienen menos de 20K A100/H100. Estas empresas cuentan con talento técnico de clase mundial, pero están limitadas por la cantidad de GPUs disponibles, lo que las pone en desventaja en la competencia por la inteligencia artificial en comparación con las grandes empresas.

Esta escasez no se limita a los "pobres en GPU", incluso a finales de 2023, el líder en el sector de IA, OpenAI, tuvo que cerrar las inscripciones de pago durante semanas debido a la falta de suficientes GPU, mientras compraba más suministro de GPU.

Se puede ver que, junto con el rápido desarrollo de la IA, ha surgido una grave desajuste entre la demanda y la oferta de GPU, y el problema de la escasez es inminente.

Para abordar este problema, algunos proyectos de Web3 han comenzado a intentar combinar las características tecnológicas de Web3 y ofrecer servicios de computación descentralizados, incluyendo Akash, Render, Gensyn, entre otros. La característica común de este tipo de proyectos es que, a través de tokens, se incentiva a una amplia gama de usuarios a proporcionar potencia de GPU ociosa, convirtiéndose en el lado de oferta de la computación, para.