Eingehende Analyse: Welche Art von Funken können AI und Web3 kollidieren?

Einführung: Die Entwicklung von AI+Web3

In den letzten Jahren hat die schnelle Entwicklung der künstlichen Intelligenz (KI) und Web3 Technologies weltweit weit verbreitete Aufmerksamkeit erregt.Als Technologie, die menschliche Intelligenz simuliert und nachahmt, hat KI wichtige Durchbrüche in den Bereichen Gesichtserkennung, natürliche Sprachverarbeitung, maschinelles Lernen usw. erzielt.Die schnelle Entwicklung der KI -Technologie hat enorme Veränderungen und Innovationen in alle Lebensberichte gebracht.

Die Marktgröße der KI -Branche erreichte 2023 200 Milliarden US -Dollar. Branchengiganten und herausragende Akteure wie Openai, Charakter.

Gleichzeitig ändert Web3 als aufstrebendes Netzwerkmodell allmählich unser Verständnis und die Nutzung des Internets.Basierend auf der dezentralen Blockchain -Technologie realisiert Web3 Datenaustausch und Steuerbarkeit, Benutzerautonomie und Vertrauensmechanismen durch Funktionen wie intelligente Verträge, verteilte Speicher und dezentrale Authentifizierung.Das Kernkonzept von Web3 besteht darin, Daten von zentralisierten maßgeblichen Organisationen zu befreien und den Benutzern das Recht zu geben, die Daten zu steuern und den Datenwert zu teilen.

Derzeit hat der Marktwert der Web3 -Branche 25 Billionen erreicht. Treten Sie der Web3 -Branche bei.

Es ist leicht zu erkennen, dass die Kombination von AI und Web3 ein Gebiet ist, über das sowohl Bauherren als auch VCs im Osten und im Westen sehr besorgt sind.

Dieser Artikel konzentriert sich auf den aktuellen Entwicklungsstatus von AI+Web3 und untersucht den potenziellen Wert und die Auswirkungen dieser Integration.Wir werden zuerst die grundlegenden Konzepte und Merkmale von AI und Web3 vorstellen und dann ihre Beziehung untersuchen.Wir werden dann den aktuellen Status von AI+Web3 -Projekten analysieren und die Einschränkungen und Herausforderungen, denen sie gegenüberstehen, eingehend diskutieren.Durch eine solche Forschung erwarten wir, dass Anleger und Praktiker in verwandten Branchen wertvolle Referenzen und Einblicke liefern.

Wie KI mit Web3 interagiert

Die Entwicklung von AI und Web3 ist wie beide Seiten des Gleichgewichts.Welche Funken können KI und Web3 kollidieren?Als nächstes werden wir die Schwierigkeiten und den Verbesserungsraum der KI und der Web3 -Industrie analysieren und dann diskutieren, wie einander dazu beitragen kann, diese Schwierigkeiten zu lösen.

1. Dilemma und potenzielle Verbesserungsraum für die KI -Industrie

2. Dilemma und potenzielle Verbesserungsfläche für die Web3 -Branche

2.1 Dilemma der KI -Industrie ausgesetzt

Wenn Sie die Schwierigkeiten der KI -Branche untersuchen möchten, schauen wir uns zunächst die Essenz der KI -Branche an.Der Kern der KI -Branche ist untrennbar mit drei Elementen verbunden: Rechenleistung, Algorithmen und Daten.

1. Zunächst berechnete Stromversorgung: Die Computerleistung bezieht sich auf die Fähigkeit, große Berechnungen und Verarbeitung durchzuführen.KI -Aufgaben erfordern häufig die Verarbeitung großer Datenmengen und die Durchführung komplexer Berechnungen, wie z. B. das Training von tiefen neuronalen Netzwerkmodellen.Hochintensive Computerleistung kann Modelltraining und Inferenzprozesse beschleunigen und die Leistung und Effizienz von AI-Systemen verbessern.In den letzten Jahren hat die Verbesserung der Rechenleistung eine wichtige Rolle bei der Förderung der Entwicklung der KI -Branche gespielt, da Hardware -Technologien wie Grafikprozessoren (GPUs) und dedizierte KI -Chips (wie TPUs) eine wichtige Rolle bei der Förderung der Entwicklung der KI -Branche gespielt haben.Nvidia, die in den letzten Jahren Aktien gestiegen hat, hat als GPU -Anbieter einen großen Marktanteil genommen und hohe Gewinne erzielt.

2. Was ist ein Algorithmus: Algorithmen sind die Kernkomponenten von AI -Systemen und sie sind mathematische und statistische Methoden, um Probleme zu lösen und Aufgaben zu implementieren.AI -Algorithmen können in traditionelle Algorithmen für maschinelles Lernen und Deep -Lern -Algorithmen unterteilt werden, unter denen Deep -Lern -Algorithmen in den letzten Jahren wichtige Durchbrüche erzielt haben.Die Auswahl und das Design von Algorithmen sind entscheidend für die Leistung und Wirksamkeit von AI -Systemen.Kontinuierlich verbesserte und innovative Algorithmen können die Genauigkeit, Robustheit und Verallgemeinerungsfähigkeiten von KI -Systemen verbessern.Unterschiedliche Algorithmen haben unterschiedliche Auswirkungen, sodass die Verbesserung des Algorithmus auch für den Effekt des Erledigens von Aufgaben von entscheidender Bedeutung ist.

3. Warum Daten wichtig sind: Die Kernaufgabe von AI -Systemen besteht darin, Muster und Regeln in Daten durch Lernen und Training zu extrahieren.

   Daten sind die Grundlage für das Training und die Optimierung von Modellen.Reiche Datensätze können umfassendere und vielfältigere Informationen liefern, sodass Modelle besser verallgemeinert werden können, um Daten zu verallgemeinern, wodurch KI-Systeme besser verstehen und reale Probleme lösen können.

Nach dem Verständnis der drei Kernelemente der KI sehen wir uns zunächst die Schwierigkeiten und Herausforderungen an, die KI in diesen drei Aspekten begegnet. Argumentation, insbesondere für Deep -Learning -Modelle.Das Erwerb und die Verwaltung großer Computerleistung ist jedoch eine teure und komplexe Herausforderung.Die Kosten, der Energieverbrauch und die Wartung von Hochleistungs-Computergeräten sind Probleme.Insbesondere für Startups und einzelne Entwickler kann es schwierig sein, genügend Rechenleistung zu erhalten.

In Bezug auf Algorithmen gibt es, obwohl Deep -Lern -Algorithmen in vielen Bereichen großen Erfolg erzielt haben, immer noch einige Dilemmata und Herausforderungen.Beispielsweise erfordert die Schulung von tiefen neuronalen Netzwerken eine große Menge an Daten- und Rechenressourcen, und für einige Aufgaben kann das erklärende und interpretierbare Modell nicht ausreichend sein.Darüber hinaus sind die Robustheit und Verallgemeinerungsfähigkeit des Algorithmus ebenfalls ein wichtiges Thema, und die Leistung des Modells für unsichtbare Daten kann instabil sein.Unter den vielen Algorithmen ist die Suche nach dem besten Algorithmus, um die besten Dienstleistungen bereitzustellen, ein Prozess, der eine kontinuierliche Erkundung erfordert.

In Bezug auf die Daten sind Daten die treibende Kraft der KI, aber die Erlangung von hohen und vielfältigen Daten bleibt eine Herausforderung.Daten in einigen Bereichen sind möglicherweise schwer zu erhalten, wie z. B. sensible Gesundheitsdaten im medizinischen Bereich.Darüber hinaus sind die Qualität, Genauigkeit und Kennzeichnung von Daten ebenfalls Probleme, und unvollständige oder voreingenommene Daten können zu einem falschen Verhalten oder einer Verzerrung des Modells führen.Gleichzeitig ist der Schutz von Datenschutz und Sicherheit von Daten auch eine wichtige Überlegung.

Darüber hinaus gibt es Probleme wie Interpretierbarkeit und Transparenz, und die Black -Box -Eigenschaften des KI -Modells sind ein öffentliches Problem.Für einige Anwendungen wie Finanzen, Gesundheitswesen und Gerechtigkeit muss der Entscheidungsprozess des Modells interpretierbar und zurückführbar sein, während vorhandene Deep-Learning-Modelle häufig keine Transparenz haben.Die Erklärung des Entscheidungsprozesses des Modells und die Bereitstellung vertrauenswürdiger Erklärungen bleibt eine Herausforderung.

Darüber hinaus ist das Geschäftsmodell vieler AI -Projektunternehmertum nicht sehr klar, was auch viele AI -Unternehmer verwirrt fühlen.

2.2 Dilemma der Web3 -Branche ausgesetzt

In der Web3 -Branche gibt es derzeit viele Schwierigkeiten in verschiedenen Aspekten, die gelöst werden müssen, unabhängig davon Verbesserungsraum.Als Instrument zur Verbesserung der Produktivität verfügt AI hat auch viel potenziellen Raum für die Entwicklung in diesen Aspekten.

Erstens hat die Verbesserung der Datenanalyse- und Vorhersagefunktionen: Die Anwendung der KI -Technologie in der Datenanalyse und -vorhersage hat die Web3 -Branche enorme Wirkung erzielt.Durch die intelligente Analyse und das Bergbau von AI -Algorithmen können die Web3 -Plattform wertvolle Informationen aus massiven Daten extrahieren und genauere Vorhersagen und Entscheidungen treffen.Dies ist von großer Bedeutung für die Risikobewertung, die Marktprognose und das Vermögensmanagement im Bereich der dezentralen Finanzierung (DEFI).

Darüber hinaus können Verbesserungen der Benutzererfahrung und personalisierten Dienste erreicht werden: Die Anwendung der AI -Technologie ermöglicht es der Web3 -Plattform, bessere Benutzererfahrung und personalisierte Dienste bereitzustellen.Durch die Analyse und Modellierung von Benutzerdaten kann die Web3 -Plattform Benutzern personalisierte Empfehlungen, kundenspezifische Dienste und intelligente interaktive Erfahrungen geben.Dies verbessert das Engagement und die Zufriedenheit der Benutzer und fördert die Entwicklung des Web3 -Ökosystems.

In Bezug auf Sicherheit und Datenschutzschutz hat die Anwendung von KI auch tiefgreifende Auswirkungen auf die Web3 -Branche.Die AI -Technologie kann verwendet werden, um Cyber ​​-Angriffe zu erkennen und zu verteidigen, abnormales Verhalten zu identifizieren und eine stärkere Sicherheit zu bieten.Gleichzeitig kann KI auch für den Schutz des Datenschutzes verwendet werden. Durch Technologien wie Datenverschlüsselung und Datenschutz Computing können die persönlichen Informationen der Benutzer auf der Web3 -Plattform schützen.In Bezug auf die Prüfung der Smart Contract -Prüfung kann die KI -Technologie aufgrund möglicher Schwachstellen und Sicherheitsrisiken beim Schreiben und Auditing von intelligenten Verträgen zur Automatisierung von Vertragsprüfungen und zur Erkennung von Anfälligkeit verwendet werden, um die Sicherheit und Zuverlässigkeit von Verträgen zu verbessern.

Es ist ersichtlich, dass KI teilnehmen und Unterstützung in vielen Aspekten in den Schwierigkeiten und den potenziellen Verbesserungsraum für die Web3 -Branche leisten kann.

Analyse des aktuellen Status von AI+Web3 -Projekten

Projekte, die KI und Web3 kombinieren, beginnen hauptsächlich aus zwei Hauptaspekten, verwenden die Blockchain -Technologie, um die Leistung von KI -Projekten zu verbessern und die AI -Technologie zu verbessern, um die Verbesserung von Web3 -Projekten zu verbessert.

Es ist eine große Anzahl von Projekten entstanden, um diesen Weg zu untersuchen, einschließlich verschiedener Projekte wie IO.net, Genyn, Ritual usw. Aktuelle Situation und Entwicklung.

3.1 Web3 hilft KI

3.1.1 dezentrale Rechenleistung

Seit OpenAI CHATGPT Ende 2022 startete, hat es fünf Tage nach dem Start eine Welle von KI ausgelöst, und die Anzahl der Benutzer erreichte 1 Million, während Instagram etwa zweieinhalb Monate lang 1 Million Downloads erzielte.Danach unternahm Chatgpt sehr schnell große Anstrengungen, wobei die Anzahl der aktiven Benutzer innerhalb von zwei Monaten 100 Millionen erreichte.Mit dem Aufkommen von ChatGPT ist das KI-Feld auch von einem Nischenspur zu einer hoch betretenen Branche schnell explodiert.

Laut dem Bericht von Trendforce benötigt ChatGPT 30.000 NVIDIA A100 GPUs, und der GPT-5 erfordert in Zukunft mehr Größenberechnungen.Dies eröffnete auch ein Wettrüsten zwischen verschiedenen KI -Unternehmen.

Vor dem Aufstieg der AI ließ sich Nvidia, der größte Anbieter von GPUs, seine Kunden auf drei wichtige Cloud -Dienste konzentrieren: AWS, Azure und GCP.Mit dem Aufstieg der künstlichen Intelligenz entstand eine große Anzahl neuer Käufer, darunter Big Tech Companies Meta, Oracle und andere Datenplattformen und KI -Startups, die sich dem Krieg anschließen, um GPUs zu horten, um KI -Modelle auszubilden.Große Technologieunternehmen wie Meta und Tesla haben den Einkauf von maßgeschneiderten KI -Modellen und interne Forschung erhöht.Basismodellunternehmen wie Anthropic- und Datenplattformen wie Snowflake und Databricks haben auch mehr GPUs gekauft, um Kunden bei der Bereitstellung von AI -Diensten zu helfen.

Wie von Semi Analysis im vergangenen Jahr erwähnt, haben „GPU Rich und GPU Poor“ einige Unternehmen mehr als 20.000 A100/H100 GPUs, und Teammitglieder können 100 bis 1.000 GPUs für Projekte verwenden.Diese Unternehmen sind entweder Cloud-Anbieter oder selbstgebaute LLMs, einschließlich OpenAI, Google, Meta, Anthropic, Beugung, Tesla, Oracle, Mistral usw.

Die meisten Unternehmen sind jedoch arm und können nur mit einer viel geringeren Anzahl von GPUs zu kämpfen. Sie verbringen viel Zeit und Energie für Dinge, die schwieriger sind, die Entwicklung des Ökosystems voranzutreiben.Und diese Situation beschränkt sich nicht auf Startups.Einige der bekanntesten KI -Unternehmen – Umarmung von Face, Databricks (Mosaicml), zusammen und sogar Schneeflocken haben weniger als 20.000 Anzahl von A100/H100.Diese Unternehmen haben erstklassige technische Talente, sind jedoch durch die Versorgung mit GPUs begrenzt und sind im Vergleich zu großen Unternehmen im Wettbewerb in künstlicher Intelligenz benachteiligt.

Dieser Mangel ist nicht auf die „GPU Armen“ beschränkt. GPU -Lieferungen.

Es ist zu erkennen, dass mit der schnellen Entwicklung von KI eine schwerwiegende Nichtübereinstimmung zwischen der Nachfrage und den Angebotsseiten von GPUs und dem Problem des Versorgungsmangels unmittelbar bevorsteht.

Um dieses Problem zu lösen, haben einige Web3 -Projektparteien begonnen, dezentrale Rechenleistung Services basierend auf den technischen Merkmalen von Web3 anzubieten, einschließlich Akash, Render, Gensyn usw.Was an dieser Art von Projekt üblich ist, ist, dass Token dazu verwendet werden, Benutzer dazu zu bringen, die Rechenleistung von Leerlauf -GPU -Rechenleistung bereitzustellen, und wird zur Versorgungsseite der Rechenleistung, um KI -Kunden Rechenleistung zu gewährleisten.

Das Angebotsseitenporträt kann hauptsächlich in drei Aspekte unterteilt werden: Cloud-Service-Anbieter, Kryptowährungsminen und Unternehmen.

Zu den Cloud -Dienstanbietern zählen große Cloud -Service -Anbieter (wie AWS, Azure, GCP) und GPU -Cloud -Dienstanbieter (wie CoreWeave, Lambda, Crusoe usw.), und Benutzer können die Computerleistung von Leerlauf -Cloud -Dienstanbietern weiterverkaufen, um Einnahmen zu erzielen .Krypto -Bergleute Als Ethereum wechselt von POW zu POS und ist ebenfalls zu einer wichtigen potenziellen Versorgungsseite geworden.Darüber hinaus können große Unternehmen wie Tesla und Meta, die aufgrund ihres strategischen Layouts eine große Anzahl von GPUs gekauft haben, auch die Idle -GPU -Rechenleistung als Versorgungsseite verwenden.

Derzeit sind die Spieler auf der Strecke grob in zwei Kategorien unterteilt: Eine besteht darin, eine dezentrale Rechenleistung für die KI -Argumentation zu verwenden, und das andere besteht darin, eine dezentrale Rechenleistung für das KI -Training zu verwenden.Ersteres ist wie das Render (obwohl es sich auf das Rendern konzentriert, kann aber auch als Bereitstellung von AI -Rechenleistung verwendet werden), Akash, Aethir usw.; Gensyn, der größte Unterschied zwischen den beiden, ist das Computer.

Sprechen wir zuerst über das frühere KI -Argumentationsprojekt. Leistung.Die Einführung und Analyse solcher Projekte wurde in unserem Forschungsbericht über Depin vor Ryze Labs erwähnt.Willkommen, um es auszuprobieren.

Der zentrale Punkt ist, dass das Projekt durch den Token -Incentive -Mechanismus zuerst Lieferanten anzieht und dann Benutzer zur Verwendung anzieht, wodurch der Kalt- und Kernbetriebsmechanismus des Projekts erkennt, der sich weiter ausdehnen und entwickeln kann.Im Rahmen dieses Zyklus hat die Angebotsseite immer wertvolle Token-Renditen, und die Nachfrageseite hat billigere und kostengünstigere Dienstleistungen. Die Preise ziehen mehr Teilnehmer und Spekulanten an, um teilzunehmen und eine Wertschöpfung zu bilden.

Ein anderer Typ ist die Verwendung von dezentraler Rechenleistung für AI -Training wie Genyn, IO.NET (AI -Training und KI -Argumentation kann es beide unterstützen).Tatsächlich gibt es keinen großen Unterschied zwischen der Betriebslogik dieser Art von Projekt und dem KI -Argumentationsprojekt.

Unter ihnen ist IO.NET ein dezentrales Computernetzwerk mit derzeit mehr als 500.000 GPUs, was in dezentralen Rechenleistungsprojekten hervorragend ist. Ökologisches Projekt.

Darüber hinaus erkennt Gensyn KI -Schulungen durch intelligente Verträge, mit denen die Aufgabenallokation und Belohnungen für maschinelles Lernen fördern können.Wie in der folgenden Abbildung gezeigt, kostet Gens maschinelles Lernen Trainingsarbeit etwa 0,4 USD pro Stunde, was viel niedriger ist als die Kosten von AWS und GCP für mehr als 2 USD.

Gensyns System umfasst vier Teilnehmer: Einreicher, Testamentsvollstrecker, Verifizierer und Whistleblower.

• Eingereicht von: Der Benutzer ist der Verbraucher der Aufgabe, bereitet die zu berechneten Aufgaben vor und zahlt für KI -Schulungsaufgaben

• Executor: Der Testamentsvollstrecker führt die vom Modell ausgebildete Aufgabe aus und erstellt einen Beweis für die Ausführung der Aufgabe zur Überprüfung durch den Verifizierer.

• Prüfer: Verknüpfung des nicht deterministischen Trainings mit der deterministischen linearen Berechnung und Vergleich des Beweiss des Testamentsvermittlers mit dem erwarteten Schwellenwert.

• Whistleblower: Überprüfen Sie die Arbeit des Validators und stellen Sie Fragen auf, um Gewinn zu erzielen, wenn er entdeckt wird.

Es ist ersichtlich, dass Genyn hofft, ein supergrotzes, kostengünstiges Computerprotokoll für globale Deep-Learning-Modelle zu werden.Warum wählen die meisten Projekte jedoch auf diesen Track eine dezentrale Rechenleistung für die KI -Argumentation statt zu trainieren?

Hier helfen wir auch Freunden, die das KI -Training und das Argumentieren nicht verstehen, die Unterschiede zwischen den beiden vorzustellen:

• KI -Training: Wenn wir künstliche Intelligenz mit einem Schüler vergleichen, ähnelt das Training der Bereitstellung künstlicher Intelligenz mit viel Wissen, und Beispiele können auch als Daten verstanden werden, die wir oft nennen, und künstliche Intelligenz lernt aus diesen Wissensbeispielen.Da die Art des Lernens Verständnis und Erinnerung über eine große Menge an Informationen erfordert, erfordert dieser Prozess viel Rechenleistung und Zeit.

• KI -Argumentation: Also, was ist Argumentation?Es kann so verstanden werden, dass das Wissen, das gelernt wurde, Probleme zu lösen oder Prüfungen abzulegen. .

Es ist zu erkennen, dass die Rechenleistung der beiden sehr unterschiedlich sind.

Darüber hinaus hofft Ritual, verteilte Netzwerke mit Modellschötern zu kombinieren, um die Dezentralisierung und Sicherheit aufrechtzuerhalten.Das erste Produkt, Internet, ermöglicht es intelligente Verträge auf der Blockchain, auf KI-Modelle außerhalb des Kettens zugreifen zu können, sodass solche Verträge auf KI zugreifen können, die Überprüfung, Dezentralisierung und Privatsphäre beibehält.

Der Koordinator des Internets ist dafür verantwortlich, das Verhalten von Knoten im Netzwerk zu verwalten und auf die von den Verbrauchern herausgegebenen Berechnungsanforderungen zu reagieren.Wenn ein Benutzer das Internet verwendet, werden Inferenz, Beweis und andere Arbeiten aus der Kette gelegt, die Ausgabeergebnisse werden an den Koordinator zurückgegeben und schließlich durch den Vertrag an die Verbraucher in der Kette weitergegeben.

Zusätzlich zu dezentralen Computernetzwerken gibt es auch dezentrale Bandbreitennetzwerke wie Gras, um die Geschwindigkeit und Effizienz der Datenübertragung zu verbessern.Im Allgemeinen hat die Entstehung dezentraler Computernetzwerke eine neue Möglichkeit für die Rechenleistungsseite der KI geliefert, die die KI dazu drängt, in eine weitere Richtung voranzukommen.

3.1.2 dezentrales Algorithmusmodell

Wie in Kapitel 2 erwähnt, sind die drei Kernelemente der KI Rechenleistung, Algorithmen und Daten.Kann der Algorithmus, da Computerleistung durch Dezentralisierung ein Versorgungsnetzwerk bilden kann, ähnliche Ideen, um ein Algorithmus -Modellversorgungsnetzwerk zu bilden?

Lassen Sie uns vor der Analyse des Track -Projekts zunächst die Bedeutung des dezentralen Algorithmusmodells verstehen.

Im Wesentlichen ist ein dezentrales Algorithmus -Netzwerk ein dezentraler KI -Algorithmus -Marktmarkt, der viele verschiedene KI -Modelle verbindet. Fragen zu beantworten, um Antworten zu geben.Chat-GPT ist ein von OpenAI entwickeltes KI-Modell, das Texte ähnlich dem Menschen verstehen und produzieren kann.

Einfach ausgedrückt ist Chatgpt wie ein Schüler mit starken Fähigkeiten, um verschiedene Arten von Problemen zu lösen, während ein dezentrales Algorithmus-Netzwerk wie eine Schule mit vielen Schülern ist, um Probleme zu lösen. Schulen, die Schüler aus der ganzen Welt rekrutieren können, haben ein großes Potenzial.

Derzeit gibt es im Bereich dezentraler Algorithmusmodelle auch einige Projekte in ihren Versuchen und Erkundungen.

In Bittensor trägt die Versorgungsseite des algorithmischen Modells (oder Bergleute) ihre Modelle für maschinelles Lernen zum Netzwerk bei.Diese Modelle können Daten analysieren und Erkenntnisse liefern.Modellanbieter erhalten Kryptowährungs -Token Tao als Belohnung für ihre Beiträge.

Um die Qualität der Antworten auf Fragen zu gewährleisten, verwendet Bittensor einen einzigartigen Konsensmechanismus, um sicherzustellen, dass das Netzwerk den besten Antworten zustimmt.Mehrere Modellminister geben Antworten, wenn sie gefragt werden.Der Validator im Netzwerk beginnt dann zu arbeiten, bestimmt die beste Antwort und sendet sie an den Benutzer zurück.

Bittensors Token Tao spielt einerseits hauptsächlich zwei Rollen im gesamten Prozess. Netzwerk vollständige Aufgaben.

Da Bittensor dezentralisiert ist, kann jeder mit Internetzugang dem Netzwerk beitreten, sowohl als Benutzer stellt als auch als Bergmann Antworten.Dies ermöglicht es mehr Menschen, kraftvolle künstliche Intelligenz zu verwenden.

Kurz gesagt, die Einnahme von Netzwerken wie Bittensor als Beispiel kann das dezentrale Feld der algorithmischen Modellierung das Potenzial haben, eine offenere und transparentere Situation zu schaffen, in der künstliche Intelligenzmodelle auf sichere und dezentrale Weise trainiert, geteilt und genutzt werden können.Darüber hinaus gibt es dezentrale algorithmische Modellnetzwerke wie basierte ähnliche Dinge.

Da sich dezentrale algorithmische Modellplattformen entwickeln, werden sie kleinen Unternehmen ermöglichen, mit großen Organisationen bei der Verwendung von Top -KI -Tools zu konkurrieren, wodurch sich möglicherweise erhebliche Auswirkungen auf verschiedene Branchen haben.

3.1.3 dezentrale Datenerfassung

Für die Schulung von KI -Modellen ist eine große Menge an Datenversorgung von wesentlicher Bedeutung.Die meisten Web2 -Unternehmen nehmen jedoch immer noch die Daten der Benutzer für sich selbst.Es ist ein großes Hindernis für die Entwicklung der KI -Industrie geworden.

Andererseits verkaufen einige Web2 -Plattformen Benutzerdaten an KI -Unternehmen, ohne Gewinne an Benutzer weiterzugeben.Reddit hat beispielsweise einen Deal mit Google in Höhe von 60 Millionen US -Dollar abgeschlossen, um Google -KI -Modelle auf seinen Beiträgen zu ermöglichen.Dies führt dazu, dass die Datenerfassungsrechte von Big Capital und Big Data Parties besetzt werden, was zur superkapitalintensiven Entwicklung der Branche führt.

Angesichts dieser aktuellen Situation kombinieren einige Projekte Web3 mit Token -Anreizen, um eine dezentrale Datenerfassung zu erreichen.In öffentlichem Niveau in öffentlichem Nutzern können Benutzer als zwei Arten von Rollen teilnehmen:

• Eine Kategorie ist der Anbieter von AI -Daten .

• Eine andere Kategorie sind Datenvalidatoren, bei denen sich Benutzer im Publicai -Rechenzentrum anmelden und die wertvollsten Daten für die KI -Schulung zur Abstimmung auswählen können.

Im Gegenzug können Benutzer über diese beiden Beiträge von Beiträgen Token-Anreize einholen, wodurch eine Win-Win-Beziehung zwischen Datenbeiträgen und der Entwicklung der künstlichen Intelligenzbranche fördert.

Zusätzlich zu Projekten wie Publicai, die sich auf das Sammeln von Daten für die KI -Schulung spezialisiert haben, sammeln viele Projekte auch dezentrale Daten durch Token -Anreize. DIMO sammelt die Autodaten des Benutzers, WIHI sammelt Wetterdaten usw. Diese Projekte, die Daten durch Dezentralisierung sammeln .

3.1.4 ZK schützt die Privatsphäre der Benutzer in AI

Zusätzlich zu den Vorteilen der Dezentralisierung bringt die Blockchain-Technologie eine weitere sehr wichtige Sache mit sich, null-kenner Beweis.Durch die Null-Wissen-Technologie kann die Privatsphäre bei der Überprüfung der Informationen geschützt werden.

Im herkömmlichen maschinellen Lernen müssen die Daten normalerweise zentral gespeichert und verarbeitet werden, was zu dem Risiko von Datenschutzverletzungen führen kann.Auf der anderen Seite können Methoden, die die Datenschutzdatenschutz wie die Datenverschlüsselung oder die Datenverdünnung schützen, die Genauigkeit und Leistung von Modellen für maschinelles Lernen einschränken.

Null-Wissen-Proof-Technologie kann dazu beitragen, sich diesem Dilemma zu stellen und den Konflikt zwischen Datenschutzschutz und Datenaustausch zu lösen.

ZKML (Zero-Knowledge Machine Learning) ermöglicht das Training und die Schlussfolgerung von maschinellen Lernmodellen, ohne Rohdaten mithilfe von Null-Knowledge-Proof-Technologie zu enthüllen.Null-Wissen-Proof ermöglicht es, die Merkmale von Daten und die Ergebnisse des Modells als korrekt erwiesen zu werden, ohne den tatsächlichen Dateninhalt anzugeben.

Das Kernziel von ZKML ist es, ein Gleichgewicht zwischen Datenschutzschutz und Datenaustausch zu erreichen.Es kann auf verschiedene Szenarien angewendet werden, wie z. B. medizinische und Gesundheitsdatenanalyse, Finanzdatenanalyse und quer-organisatorische Zusammenarbeit.Durch die Verwendung von ZKML können Einzelpersonen die Privatsphäre ihrer sensiblen Daten schützen und gleichzeitig Daten mit anderen für breitere Erkenntnisse und Möglichkeiten zur Zusammenarbeit teilen, ohne sich über das Risiko von Verstößen zwischen Datenschutz zu sorgen.

Das Feld befindet sich noch in den frühen Stadien und die meisten Projekte werden noch untersucht.Einbetten Sie die Privatsphäre in den Mittelpunkt seiner verteilten Netzwerkinfrastruktur unter Verwendung des Null-Wissens-Großsprachmodells (ZK-LLM), um sicherzustellen, dass Benutzerdaten während des gesamten Netzwerkbetriebs privat bleiben.

Hier erklären wir kurz, was die vollständige homomorphe Verschlüsselung (FHE) ist.Eine vollständig homomorphe Verschlüsselung ist eine Verschlüsselungstechnologie, die Daten in einem verschlüsselten Zustand ohne Entschlüsselung berechnen kann.Dies bedeutet, dass verschiedene mathematische Operationen (z. B. Addition, Multiplikation usw.), die mit FHE verschlüsselt sind, ausgeführt werden können, während die Daten verschlüsselt werden und die Ergebnisse erhalten, die die gleichen Operationen für die ursprünglichen nicht verkürzten Daten ausführen. von Benutzerdaten.

Zusätzlich zu den oben genannten vier Kategorien gibt es in Bezug auf die KI -Unterstützung von Web3 auch Blockchain -Projekte wie Cortex, die die Ausführung von KI -Programmen in der Kette unterstützen.Derzeit steht die Ausführung maschineller Lernprogramme auf herkömmlichen Blockchains vor einer Herausforderung, bei der virtuelle Maschinen bei der Ausführung eines maschinellen Lernmodells für nichtkomplexes maschinelles Lernen äußerst ineffizient sind.Daher halten die meisten Menschen für unmöglich, künstliche Intelligenz auf Blockchains zu führen.Cortex Virtual Machine (CVM) verwendet GPUs, um KI -Programme in der Kette auszuführen, und ist mit EVM kompatibel.Mit anderen Worten, die Kortexkette kann alle Ethereum -Dapps ausführen und AI -maschinelles Lernen auf dieser Grundlage in diese Dapps einbeziehen.Dies ermöglicht den Betrieb von maschinellen Lernmodellen auf dezentrale, unveränderliche und transparente Weise, da der Netzwerkkonsens jeden Schritt des KI -Arguments bestätigt.

3.2 AI hilft Web3

Bei der Kollision zwischen AI und Web3 ist auch die Hilfe von AI in der Web3 -Branche für die Hilfe von Web3 zu AI aufmerksam.Der Kernbeitrag der künstlichen Intelligenz liegt in der Verbesserung der Produktivität. Daher gibt es viele Versuche bei AI -Prüfungen intelligenten Verträgen, Datenanalysen und Vorhersagen, personalisierten Diensten, Sicherheit und Datenschutzschutz.

3.2.1 Datenanalyse und Prognose

Gegenwärtig haben viele Web3 -Projekte begonnen, vorhandene KI -Dienste (wie ChatGPT) zu integrieren oder ihre eigenen Dienste zu entwickeln, um Web3 -Benutzern Datenanalysen und Vorhersagedienste bereitzustellen.Es deckt ein breites Sortiment ab, einschließlich der Bereitstellung von Anlagestrategien durch AI-Algorithmen, KI-Tools für Kettenanalysen, Preis- und Marktprognosen usw.

Zum Beispiel verwendet Pond den AI -Graph -Algorithmus, um in Zukunft wertvolle Alpha -Token vorherzusagen und Benutzer und Institutionen in Anlagehilfe zu beraten. Support Vorhersage Preistrends, den Benutzern helfen, Gewinne und Gewinne zu erzielen.

Es gibt auch Investmentwettbewerbsplattformen wie Numera.Numerai berechnet, wie diese Vorhersagen im nächsten Monat abschneiden, und die Teilnehmer können auf NMR auf das Modell wetten und basierend auf der Leistung des Modells Geld verdienen.

Darüber hinaus kombinieren On-Chain-Datenanalyse-Plattformen wie Arkham auch die KI für Dienste.Arkham verlinkt Blockchain-Adressen mit Entitäten wie Börsen, Fonds und riesigen Walen und präsentiert den Benutzern wichtige Daten und Analysen dieser Unternehmen, um den Benutzern Entscheidungsvorteile zu bieten.Ein Teil seiner Kombination mit AI besteht darin, dass Arkham Ultra Algorithmen verwendet, um Adressen mit realen Unternehmen zu entsprechen, die von Arkham Core-Mitwirkenden mit Unterstützung von Palantir und den Gründern von OpenAI über drei Jahre entwickelt wurden.

3.2.2 Personalisierter Service

In Web2 -Projekten verfügt AI enthält viele Anwendungsszenarien in den Bereichen Such- und Empfehlung und bedient die personalisierten Bedürfnisse der Benutzer.Gleiches gilt für Web3 -Projekte.

Zum Beispiel hat Dune, eine bekannte Datenanalyse-Plattform, kürzlich das Zauberstab-Tool zum Schreiben von SQL-Abfragen mit Hilfe von Großsprachmodellen gestartet.Durch die Funktion „Zauberer erstellen“ können Benutzer automatisch SQL -Abfragen basierend auf natürlichen Sprachproblemen generieren, damit Benutzer, die SQL nicht verstehen, auch sehr einfach suchen können.

Darüber hinaus haben einige Web3 -Inhaltsplattformen begonnen, ChatGPT für die Zusammenfassung des Inhalts zu integrieren. Bereich Die Hauptquelle für alle objektiven und qualitativ hochwertigen Kenntnisse im Zusammenhang mit Blockchain-Technologie und Kryptowährungen erleichtert die Erkennung und Erwerben von Blockchain in globaler Ebene und bietet den Benutzern Informationen, denen sie vertrauen können. Kaito, eine auf LLM basierende Suchmaschine, setzt sich dafür ein, eine Web3 -Suchplattform zu werden und die Art und Weise zu ändern, wie Web3 Informationen erhält.

In Bezug auf die Erstellung gibt es auch Projekte wie NFPROMPT, die die Kosten für die Erstellung von Benutzern senken.Mit NFPROMPT können Benutzer NFTs leichter über KI generieren, wodurch die kreativen Kosten des Benutzers gesenkt und viele personalisierte Dienste in Bezug auf die Erstellung erbracht werden.

3.2.3 AI Audit Smart Contract

Im Bereich Web3 ist die Prüfung von Smart Contracts auch eine sehr wichtige Aufgabe.

Wie Vitalik einmal erwähnte, ist eine der größten Herausforderungen für den Kryptowährungsraum die Fehler in unserem Code.Und eine erwartete Möglichkeit besteht darin, dass künstliche Intelligenz (KI) die Verwendung formaler Verifizierungswerkzeuge erheblich vereinfachen kann, um zu beweisen, dass eine Reihe von Codes spezifische Attribute erfüllt.Wenn wir dies können, ist es möglich, dass wir fehlerfreie SEK-EVMs (wie virtuelle Maschinen von Ethereum) haben.Je mehr Sie die Anzahl der Fehler reduzieren, desto mehr Sicherheit wird der Raum zunehmen, und die KI ist sehr hilfreich, um dies zu erreichen.

Beispielsweise bietet das 0x0.AI -Projekt einen Smart Contract -Auditor für künstliche Intelligenz, ein Tool, das fortschrittliche Algorithmen verwendet, um intelligente Verträge zu analysieren und potenzielle Schwachstellen oder Probleme zu identifizieren, die zu Betrug oder anderen Sicherheitsrisiken führen können.Auditoren verwenden maschinelles Lerntechniken, um Muster und Ausnahmen im Code zu identifizieren und potenzielle Probleme für die weitere Überprüfung zu markieren.

Zusätzlich zu den oben genannten drei Kategorien gibt es einige native Fälle, die AI verwenden, um dem Feld Web3 zu helfen Die Multi-Chain-Dex-Aggregation Hera, die KI verwendet, um die breiteste Spektrum an Token und die besten Handelspfade zwischen jedem Token-Paar zu bieten.

Einschränkungen und Herausforderungen von AI+Web3 -Projekten

4.1 Die tatsächlichen Hindernisse bei der dezentralen Rechenleistung

Unter den aktuellen Projekten, die AI helfen, ist es ein großer Teil der Projekte, die Web3 unterstützen, auf dezentrale Rechenleistung. Es gibt auch einige praktische Probleme, die gelöst werden müssen:

Im Vergleich zu zentralisierten Rechenleistungspflichtanbietern beruhen dezentrale Rechenleistungsprodukte normalerweise auf Knoten und Teilnehmer, die weltweit verteilt sind, um Rechenressourcen bereitzustellen.Da die Netzwerkverbindungen zwischen diesen Knoten eine Latenz und Instabilität aufweisen können, können die Leistung und Stabilität schlechter sein als das zentralisierte Rechenleistungsprodukt.

Darüber hinaus wird die Verfügbarkeit dezentraler Rechenleistungsprodukte durch den Grad der Übereinstimmung zwischen Angebot und Nachfrage beeinflusst.Wenn nicht genügend Lieferanten vorhanden sind oder die Nachfrage zu hoch ist, kann dies zu unzureichenden Ressourcen oder Unfähigkeit führen, die Benutzerbedürfnisse zu erfüllen.

Schließlich beinhalten dezentrale Rechenleistungsprodukte in der Regel mehr technische Details und Komplexität als zentralisierte Rechenleistungsprodukte.Benutzer müssen möglicherweise Wissen über verteilte Netzwerke, intelligente Verträge und Kryptowährungszahlungen verstehen und bewältigen, und die Kosten für das Verständnis und die Verwendung von Benutzern werden höher.

Nach eingehender Diskussion mit einer großen Anzahl dezentraler Computerstromprojekte stellte ich fest, dass die aktuelle dezentrale Rechenleistung nur auf KI-Argumentation und nicht auf KI-Schulungen beschränkt sein kann.

Als nächstes werde ich vier kleine Fragen verwenden, um Ihnen zu helfen, die Gründe dafür zu verstehen:

1. Warum entscheiden sich die meisten dezentralen Rechenleistungsprojekte für KI -Argumente anstelle von AI -Training?

2. Wo ist Nvidia großartig?Was ist der Grund, warum dezentrales Computerleistungstraining schwierig ist?

3. Wie wird das Ende der dezentralen Rechenleistung (Renderung, Akash, IO.net usw.) aussehen?

4. Wie wird das Ende des dezentralen Algorithmus (Bittensor) aussehen?

Lassen Sie uns als nächstes die Kokonschicht für Schicht abziehen:

1) Wenn man diesen Track betrachtet, entscheiden sich die meisten dezentralen Computerstromprojekte für die KI -Argumentation anstelle des Trainings.Der Kern ist die unterschiedlichen Anforderungen an Rechenleistung und Bandbreite.

Um allen besser zu verstehen, vergleichen wir KI mit einem Schüler:

AI -Training: Wenn wir künstliche Intelligenz mit einem Schüler vergleichen, ähnelt das Training der Bereitstellung künstlicher Intelligenz mit viel Wissen, und Beispiele können auch als Daten verstanden werden, die wir oft nennen, und künstliche Intelligenz lernt anhand dieser Wissensbeispiele.Da die Art des Lernens Verständnis und Erinnerung über eine große Menge an Informationen erfordert, erfordert dieser Prozess viel Rechenleistung und Zeit.

AI -Argumentation: Was ist dann Argumentation?Es kann so verstanden werden, dass das Wissen, das gelernt wurde, Probleme zu lösen oder Prüfungen abzulegen. .

Es ist leicht festzustellen, dass der Unterschied in der Schwierigkeit zwischen beiden im Wesentlichen darin besteht .Die Notwendigkeit von Daten und Bandbreiteninferenz ist jedoch viel geringer und die Möglichkeit der Implementierung ist jedoch größer.

Für große Modelle ist das Wichtigste die Stabilität.Andererseits ist der relativ niedrige Rechenleistungserforderungsanforderungen möglich, wie z. Im Rechenleistung Netzwerk, das diese relativ großen Rechenleistungsergebnisse erfüllen kann.

2) Wo sind die Daten und die Bandbreite Jamspunkt?Warum ist das dezentrale Training schwer zu erreichen?

Dies beinhaltet zwei wichtige Elemente des großen Modelltrainings: Einzelkarten -Computerleistung und mehrere Karten werden parallel angeschlossen.

Single-Card-Computerleistung: Gegenwärtig nennen wir alle Zentren, die eine Schulung großer Modelle erfordern, es Supercomputing-Zentren.Um das Verständnis aller zu erleichtern, können wir den menschlichen Körper als Metapher verwenden.Wenn die Rechenleistung einer einzelnen Zelle (GPU) sehr stark ist, kann die Gesamtförderleistung (Einzelzelle X -Zahl) auch sehr stark sein.

Multi-Karten-Parallelverbindung: Das Training eines großen Modells beträgt häufig 100 Milliarden GB.Daher müssen wir diese Zehntausenden von Karten zum Training mobilisieren. Zum Teil kann das Training auf verschiedenen Grafikkarten bei der Schulung A Ergebnisse von B erfordern, sodass mehrere Karten parallel beteiligt sind.

Warum ist Nvidia so mächtig und sein Marktwert ist gestartet, aber es ist schwierig für AMD und häusliche Huawei und Horizont, aufzuholen.Der Kern ist nicht die Single-Card-Computerleistung selbst, sondern zwei Aspekte: CUDA-Softwareumgebung und NVLink-Mehrkartenkommunikation.

Einerseits ist es sehr wichtig, ob es ein Software -Ökosystem gibt, das sich an Hardware anpassen kann, wie das CUDA -System von NVIDIA.

Andererseits handelt es sich um eine Mehrkartenkommunikation.Aufgrund der Existenz von NVLink gibt es keine Möglichkeit, NVIDIA- und AMD -Karten zu verbinden. Auf der ganzen Welt verteilt.

Der erste Punkt erklärt, warum AMD, Huawei und Horizont in China derzeit schwierig sind.

3) Wie wird das Ende der dezentralen Rechenleistung aussehen?

Die dezentrale Rechenleistung ist derzeit schwierig, große Modelle zu trainieren.Die Anforderungen an die parallele Verbindung mehrerer Karten sind sehr hoch und die Bandbreite ist durch physische Entfernung begrenzt.NVIDIA verwendet NVLink, um die Mehrkartenkommunikation zu realisieren.

Andererseits ist die Nachfrage nach relativ geringer Rechenleistung möglich, wie z. Große Knoten -Dienstleister, sie haben das Potenzial, diesen relativ großen Rechenleistungbedürfnissen zu erfüllen.Neben Edge Computing -Szenarien wie Rendering ist es auch relativ einfach zu implementieren.

4) Wie sieht das Ende des dezentralen Algorithmusmodells aus?

Das Ende des dezentralen Algorithmusmodells hängt vom Ende der zukünftigen KI ab. Es ist nicht erforderlich, ein großes Modell für das Anwendungsschichtprodukt zu binden, aber in diesem Zusammenhang hat das Modell von Bittensor ein großes Potenzial.

4.2 Die Kombination von AI+Web3 ist relativ rau und 1+1> 2 wird nicht erreicht

Derzeit verwenden die meisten Projekte unter den Projekten, die Web3 mit KI kombinieren, insbesondere in Bezug auf KI, um Web3 -Projekten zu helfen, immer noch die KI auf der Oberfläche und spiegeln nicht wirklich die tiefe Integration zwischen KI und Kryptowährung wider.Diese Art der Oberflächenanwendung spiegelt sich hauptsächlich in den folgenden zwei Aspekten wider:

• Unabhängig davon, ob es KI für die Datenanalyse und -vorhersage, die Verwendung von KI in Empfehlung und Suchszenarien oder die Durchführung von Code -Audits verwendet, gibt es keinen großen Unterschied zu der Kombination von Web2 -Projekten und KI.Diese Projekte verwenden einfach KI, um die Effizienz zu verbessern und zu analysieren, ohne native Konvergenz und innovative Lösungen zwischen KI und Kryptowährungen zu demonstrieren.

• Zweitens verbinden sich viele Web3 -Teams mit KI mehr, um das Konzept der KI auf Marketingebene nur zu nutzen.Sie nutzten gerade die AI -Technologie in sehr begrenzten Bereichen und förderten dann den Trend der KI und schufen eine Illusion, dass Projekte sehr nahe an KI liegen.In diesen Projekten gibt es jedoch immer noch viele Lücken in Bezug auf echte Innovation.

Obwohl es in den aktuellen Web3- und KI -Projekten immer noch diese Einschränkungen gibt, sollten wir erkennen, dass dies nur eine frühe Entwicklungsphase ist.In Zukunft können wir eine detailliertere Forschung und Innovation erwarten, um eine genauere Integration zwischen KI und Kryptowährung zu erzielen und native und aussagekräftigere Lösungen in Bereichen wie Finanzen, dezentrale autonome Organisationen, Prognosemärkte und NFTs zu schaffen.

4.3 Token Economics wird zu einem Puffer für die KI -Projekterzählung

Da das Geschäftsmodellproblem von KI -Projekten zu Beginn erwähnt wird, ist eine große Anzahl von AI+Web3 -Projekten, die immer mehr große Modelle allmählich Open Source begonnen haben Die Erzählung von Web3.

Der eigentliche Schlüssel ist jedoch, ob die Integration der Token-Ökonomie AI-Projekte wirklich helfen kann, tatsächliche Bedürfnisse zu lösen oder ob es sich nur um narrative oder kurzfristige Wert handelt, es muss tatsächlich in Frage gestellt werden.

Derzeit sind die meisten AI+Web3-Projekte weit davon entfernt, die praktische Bühne zu erreichen.

Zusammenfassen

Derzeit sind in AI+Web3 -Projekten viele Fälle und Anwendungen aufgetreten.Zunächst kann die AI -Technologie Web3 effizientere und intelligentere Anwendungsszenarien zur Verfügung stellen.Durch die Datenanalyse- und Vorhersagefunktionen von AI können Web3-Benutzer bessere Tools für die Entscheidungsfindung in Anlage und andere Szenarien haben.Gleichzeitig kann die KI -Technologie auch genauere und intelligentere Empfehlungen und personalisierte Dienste für dezentrale Anwendungen zur Verbesserung der Benutzererfahrung liefern.

Gleichzeitig bieten die Dezentralisierung und Programmierbarkeit von Web3 auch neue Möglichkeiten für die Entwicklung der AI -Technologie.Durch Token -Anreize bieten dezentrale Rechenleistungsprojekte neue Lösungen für das Dilemma der unzureichenden Versorgung mit AI -Computerleistung.Die Benutzerautonomie und Vertrauensmechanismen von Web3 haben auch neue Möglichkeiten für die Entwicklung von KI gebracht.

Obwohl sich das aktuelle AI+Web3 -Crossover -Projekt noch in den frühen Phasen befindet und es viele Schwierigkeiten zu haben gibt, bringt es auch viele Vorteile mit sich.Zum Beispiel haben dezentrale Rechenleistungsprodukte einige Mängel, verringern jedoch ihre Abhängigkeit von zentralisierten Institutionen, bieten mehr Transparenz und Auditierbarkeit und ermöglichen eine breitere Teilnahme und Innovation.Dezentrale Rechenleistungsprodukte können eine wertvolle Option für bestimmte Anwendungsfälle und Benutzeranforderungen sein. Datenabdeckung und fördern Sie die Diversität und Inklusion der Daten usw.In der Praxis müssen diese Vor- und Nachteile abgewogen und verwaltet werden, und technische Maßnahmen werden durchgeführt, um die Herausforderungen zu bewältigen, um sicherzustellen, dass dezentrale Datenerfassungsprojekte positiv auf die Entwicklung von KI wirken.

Im Allgemeinen bietet die Integration von AI+Web3 unbegrenzte Möglichkeiten für zukünftige technologische Innovationen und wirtschaftliche Entwicklung.Durch die Kombination der intelligenten Analyse- und Entscheidungsfunktionen von KI mit der Dezentralisierung und Benutzerautonomie von Web3 glauben wir, dass wir in Zukunft ein intelligenteres, offeneres und faireres wirtschaftlicheres und sogar soziales System aufbauen können.