Об'єднання Web3 та AI: створення інфраструктури нового покоління Інтернету

Web3, як нова парадигма децентралізованого, відкритого та прозорого Інтернету, має природні можливості для інтеграції з ШІ. Традиційний централізований архітектурний підхід до ШІ стикається з викликами, такими як обмеження обчислювальної потужності, витік конфіденційності, непрозорість алгоритмів, тоді як Web3 на основі розподілених технологій може надати нову енергію ШІ через спільні обчислювальні мережі, відкриті ринки даних, обчислення конфіденційності тощо. Водночас ШІ також може надати Web3 безліч можливостей, таких як оптимізація смарт-контрактів і антифальсифікаційні алгоритми. Дослідження поєднання цих двох має важливе значення для побудови інфраструктури наступного покоління Інтернету, звільнення цінності даних і обчислювальної потужності.

Дані, що керують: основа AI та Web3

Дані є основною рушійною силою розвитку ШІ. Моделям ШІ потрібні великі обсяги високоякісних даних для досягнення глибокого розуміння та потужних здібностей до міркування; дані не лише забезпечують навчальну базу для моделей машинного навчання, але й визначають точність і надійність моделей.

Традиційні централізовані моделі отримання та використання даних AI мають кілька основних проблем:

• Вартість отримання даних висока, і малим та середнім підприємствам важко це витримати.
• Ресурси даних монополізовані великими технологічними компаніями, що призводить до утворення ізольованих даних.
• Персональні дані піддаються ризику витоку та зловживання

Децентралізована модель даних Web3 може вирішити ці проблеми:

• Користувачі можуть продавати невикористані мережеві ресурси компаніям штучного інтелекту, децентралізовано збираючи мережеві дані, очищуючи та перетворюючи їх, щоб надати справжні, високоякісні дані для навчання моделей ШІ.
• Використання моделі "label to earn" для стимулювання глобальних працівників до участі в маркуванні даних через токени, об'єднуючи світові експертні знання та підвищуючи можливості аналізу даних.
• Платформа для торгівлі даними на основі блокчейн забезпечує відкриту та прозору торгову середу для обох сторін попиту та пропозиції даних, стимулюючи інновації та обмін даними.

Проте, отримання даних з реального світу також має деякі проблеми, такі як нерівна якість даних, складність обробки, недостатня різноманітність та репрезентативність тощо. Синтетичні дані можуть стати зіркою майбутнього в сфері даних Web3. На основі технології генеративного ШІ та моделювання, синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням для підвищення ефективності використання даних. У таких сферах, як автоматичне водіння, фінансові ринкові торги, розробка ігор, синтетичні дані вже продемонстрували зрілі потенційні застосування.

Захист приватності: застосування FHE у Web3

У епоху даних захист приватності став глобальною темою для обговорення, а прийняття деяких регуляцій відображає сувору охорону особистої інформації. Проте це також створює виклики: частина чутливих даних не може бути повністю використана через ризики, пов'язані з приватністю, що обмежує потенціал і здатність до міркування AI моделей.

FHE — це повна гомоморфна криптографія, яка дозволяє виконувати обчислювальні операції на зашифрованих даних без необхідності їх розшифровки, причому результати обчислень збігаються з результатами обчислень на відкритих даних.

FHE забезпечує надійний захист для обчислень конфіденційності AI, дозволяючи потужностям GPU виконувати навчання моделей та завдання інферування в умовах, які не передбачають доступу до вихідних даних. Це надає великих переваг компаніям AI, оскільки вони можуть безпечно відкривати API-сервіси, захищаючи при цьому комерційну таємницю.

FHEML підтримує шифрування даних та моделей протягом всього циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризикам витоку даних. Цей підхід посилює конфіденційність даних і забезпечує безпечну обчислювальну структуру для AI-додатків.

FHEML є доповненням до ZKML, де ZKML доводить правильність виконання машинного навчання, а FHEML підкреслює обчислення над зашифрованими даними для збереження конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах

Сучасні системи штучного інтелекту подвоюють свою обчислювальну складність кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальні ресурси, які значно перевищують наявну пропозицію. Наприклад, для тренування деяких відомих AI-моделей потрібні величезні обчислювальні потужності, що відповідає 355 рокам навчання на одному пристрої. Така нестача обчислювальної потужності обмежує прогрес технологій штучного інтелекту і робить високорівневі AI-моделі недоступними для більшості дослідників і розробників.

В той же час глобальне використання GPU не перевищує 40%, а уповільнення зростання продуктивності мікропроцесорів, а також нестача чіпів, викликана факторами постачання та геополітики, ще більше ускладнює проблему постачання обчислювальної потужності. Працівники в галузі ШІ опинилися в двозначному становищі: або купувати обладнання, або орендувати хмарні ресурси, їм терміново потрібен економічно ефективний спосіб отримання обчислювальних послуг за запитом.

Деякі децентралізовані мережі обчислювальної потужності AI, агрегуючи невикористані ресурси GPU з усього світу, надають економічно вигідний ринок обчислювальної потужності для компаній AI. Сторони, які потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, смарт-контракти розподіляють завдання між майнерами, які надають обчислювальну потужність; майнери виконують завдання та подають результати, а після перевірки отримують винагороду. Ця схема підвищує ефективність використання ресурсів і сприяє вирішенню проблеми обмеження обчислювальної потужності в таких сферах, як AI.

Окрім загальної децентралізованої мережі обчислювальної потужності, існують також платформи, які спеціалізуються на навчанні ШІ, а також спеціалізовані мережі обчислювальної потужності для інференції ШІ.

Децентралізована мережа обчислювальної потужності забезпечує справедливий і прозорий ринок обчислювальної потужності, руйнуючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі web3 децентралізована мережа обчислювальної потужності відіграватиме ключову роль, залучаючи більше інноваційних dapp для спільного сприяння розвитку та застосуванню технології штучного інтелекту.

DePIN: Web3 надає можливості Edge AI

Уявіть собі, що ваш телефон, розумні годинники та навіть розумні пристрої в домі можуть працювати з ШІ — ось у чому полягає привабливість Edge AI. Це дозволяє обробляти дані на місці їх виникнення, забезпечуючи низьку затримку, миттєву обробку та захистуючи конфіденційність користувача. Технології Edge AI вже застосовуються в таких ключових сферах, як автономне водіння.

У сфері Web3 ми маємо більш знайоме ім'я — DePIN. Web3 підкреслює децентралізацію та суверенітет даних користувачів, DePIN може покращити захист конфіденційності користувачів і знизити ризик витоку даних завдяки локальній обробці даних; рідна для Web3 механіка токенів може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.

Наразі DePIN швидко розвивається в екосистемі певного публічного блокчейну, ставши однією з найбільш обраних платформ для розгортання проєктів. Високий TPS, низькі транзакційні витрати та технологічні інновації цього публічного блокчейну надають потужну підтримку проєктам DePIN. На даний момент ринкова капіталізація проєктів DePIN на цьому публічному блокчейні перевищує 10 мільярдів доларів, а деякі відомі проєкти вже досягли значного прогресу.

IMO: Випуск нової парадигми AI-моделей

Концепція IMO була вперше запропонована певним протоколом, що передбачає токенізацію AI-моделей.

У традиційній моделі, через відсутність механізму розподілу прибутку, розробники AI моделей часто стикаються з труднощами у отриманні постійного доходу від подальшого використання моделей, особливо коли моделі інтегруються в інші продукти та послуги, початковим творцям важко відстежувати використання, не кажучи вже про отримання доходу. Крім того, продуктивність і ефективність AI моделей часто не є прозорими, що ускладнює потенційним інвесторам і користувачам оцінку їхньої справжньої вартості, що обмежує визнання моделей на ринку та їх комерційний потенціал.

IMO забезпечує новий спосіб фінансування та спільного використання вартості для відкритих AI моделей, інвестори можуть купувати токени IMO, щоб ділитися доходами, які виникають від моделей у майбутньому. Один з протоколів використовує два стандарти ERC, поєднуючи AI оракули та технологію OPML для забезпечення достовірності AI моделей та можливості токеномістців ділитися доходами.

Модель IMO підвищує прозорість та довіру, заохочує відкриту співпрацю, адаптується до тенденцій крипторинку та надає імпульс стійкому розвитку технологій штучного інтелекту. IMO наразі перебуває на початковій стадії спроб, але з підвищенням прийнятності на ринку та розширенням масштабу участі, її інноваційність та потенційна цінність заслуговують на очікування.

AI Agent: Нова ера інтерактивного досвіду

AI Agent може сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення визначених цілей. Підтримувані великими мовними моделями, AI Agent не лише розуміє природну мову, але й може планувати рішення, виконувати складні завдання. Вони можуть виступати як віртуальні помічники, навчаючись уподобанням користувачів через взаємодію та надаючи персоналізовані рішення. Навіть без чітких інструкцій, AI Agent може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.

Деяка платформа для нативних AI-додатків пропонує всебічний та зручний набір інструментів для створення, що дозволяє користувачам налаштовувати функції роботів, зовнішній вигляд, голос, а також підключати зовнішні бази знань. Вона прагне створити справедливу та відкриту екосистему AI-контенту, використовуючи технології генеративного AI, щоб надати можливості особистостям стати супер-креаторами. Ця платформа навчила спеціалізовану велику мовну модель, що робить рольову гру більш гуманною; технологія клонування голосу може прискорити персоналізовану взаємодію AI-продуктів, знижуючи вартість синтезу голосу на 99%, а клонування голосу може бути реалізоване всього за 1 хвилину. Використовуючи налаштований AI-агент цієї платформи, наразі його можна застосувати в багатьох сферах, таких як відеочати, вивчення мов, генерація зображень та ін.

У фузії Web3 та AI на сьогоднішній день більше уваги приділяється дослідженню інфраструктурного рівня: як отримати високоякісні дані, захистити конфіденційність даних, як розміщувати моделі на блокчейні, як підвищити ефективність використання децентралізованих обчислювальних потужностей, як перевіряти великі мовні моделі та інші ключові питання. Оскільки ця інфраструктура поступово вдосконалюється, ми маємо підстави вірити, що фузія Web3 та AI призведе до виникнення ряду інноваційних бізнес-моделей та послуг.