Análisis en profundidad: ¿Qué tipo de chispas pueden colisionar AI y Web3?

Introducción: El desarrollo de AI+Web3

En los últimos años, el rápido desarrollo de la inteligencia artificial (IA) y las tecnologías Web3 ha atraído una atención generalizada en todo el mundo.Como tecnología que simula e imita la inteligencia humana, la IA ha realizado grandes avances en los campos de reconocimiento facial, procesamiento del lenguaje natural, aprendizaje automático, etc.El rápido desarrollo de la tecnología de IA ha traído enormes cambios e innovaciones a todos los ámbitos de la vida.

El tamaño del mercado de la industria de la IA alcanzó los US $ 200 mil millones en 2023. Giants de la industria y jugadores sobresalientes como OpenAi, personaje. AI, MidJourney han surgido como hongos después de una lluvia, liderando la locura de IA.

Al mismo tiempo, Web3, como modelo de red emergente, está cambiando gradualmente nuestra comprensión y uso de Internet.Basado en la tecnología de blockchain descentralizada, Web3 realiza el intercambio de datos y la capacidad de control, la autonomía del usuario y los mecanismos de confianza a través de funciones como contratos inteligentes, almacenamiento distribuido y autenticación descentralizada.El concepto central de Web3 es liberar datos de organizaciones autorizadas centralizadas y brindar a los usuarios el derecho de controlar los datos y compartir el valor de los datos.

Actualmente, el valor de mercado de la industria Web3 ha alcanzado los 25 billones. Únete a la industria Web3.

Es fácil descubrir que la combinación de AI y Web3 es un área que se preocupa tanto por los constructores como los VC en el este y el oeste.

Este artículo se centrará en el estado de desarrollo actual de AI+Web3 y explorará el valor potencial y el impacto de esta integración.Primero presentaremos los conceptos y características básicas de AI y Web3, y luego exploraremos su relación.Luego analizaremos el estado actual de los proyectos AI+Web3 y discutiremos en profundidad las limitaciones y desafíos que enfrentan.A través de dicha investigación, esperamos proporcionar una valiosa referencia e información a los inversores y profesionales en las industrias relacionadas.

Cómo interactúa la IA con Web3

El desarrollo de AI y Web3 es como ambos lados del equilibrio.Entonces, ¿qué tipo de chispas pueden colisionar AI y Web3?A continuación, analizaremos las dificultades y el espacio de mejora que enfrentan las industrias AI y Web3, y luego discutiremos cómo mutuamente pueden ayudar a resolver estas dificultades.

1. Dilema y espacio potencial de mejora para la industria de la IA

2. Dilema y espacio potencial de mejora para la industria Web3

2.1 Dilema que enfrenta la industria de la IA

Si desea explorar las dificultades que enfrenta la industria de la IA, veamos primero la esencia de la industria de la IA.El núcleo de la industria de IA es inseparable de tres elementos: potencia informática, algoritmos y datos.

1. En primer lugar, la alimentación informática: La potencia informática se refiere a la capacidad de realizar cálculos y procesamiento 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.La potencia informática de alta intensidad puede acelerar los procesos de capacitación e inferencia de modelos y mejorar el rendimiento y la eficiencia de los sistemas de IA.En los últimos años, con el desarrollo de tecnologías de hardware, como los procesadores gráficos (GPU) y los chips de IA dedicados (como las TPU), la mejora de la potencia informática ha jugado un papel importante en la promoción del desarrollo de la industria de la IA.Nvidia, que ha elevado las acciones en los últimos años, ha ocupado una gran participación de mercado como proveedor de GPU y obtuvo altas ganancias.

2. ¿Qué es un algoritmo?: Los algoritmos son los componentes centrales de los sistemas de IA, y son métodos matemáticos y estadísticos utilizados para resolver problemas e implementar tareas.Los algoritmos de IA se pueden dividir en algoritmos tradicionales de aprendizaje automático y algoritmos de aprendizaje profundo, entre los cuales los algoritmos de aprendizaje profundo han realizado grandes avances en los últimos años.La selección y el diseño de algoritmos son cruciales para el rendimiento y la efectividad de los sistemas de IA.Los algoritmos innovadores y mejorados continuamente pueden mejorar la precisión, la robustez y las capacidades de generalización de los sistemas de IA.Los diferentes algoritmos tendrán diferentes efectos, por lo que mejorar el algoritmo también es crucial para el efecto de completar las tareas.

3. Por qué los datos son importantes: La tarea central de los sistemas AI es extraer patrones y reglas en los datos a través del aprendizaje y la capacitación.

   Los datos son la base para la capacitación y la optimización de modelos.Los conjuntos de datos ricos pueden proporcionar información más completa y diversa, lo que permite que los modelos se generalicen mejor para los datos invisibles, ayudando a los sistemas de IA a comprender y resolver mejor los problemas del mundo real.

Después de comprender los tres elementos centrales de la IA, echemos un vistazo a las dificultades y desafíos que la IA encuentra en estos tres aspectos. razonamiento, especialmente para los modelos de aprendizaje profundo.Sin embargo, adquirir y administrar la potencia informática a gran escala es un desafío costoso y complejo.El costo, el consumo de energía y el mantenimiento de los equipos informáticos de alto rendimiento son todos los problemas.Especialmente para nuevas empresas y desarrolladores individuales, obtener suficiente energía informática puede ser difícil.

En términos de algoritmos, aunque los algoritmos de aprendizaje profundo han logrado un gran éxito en muchas áreas, todavía hay algunos dilemas y desafíos.Por ejemplo, la capacitación de redes neuronales profundas requiere una gran cantidad de datos y recursos informáticos, y para algunas tareas, el modelo explicativo e interpretable puede ser insuficiente.Además, la capacidad de robustez y generalización del algoritmo también es un tema importante, y el rendimiento del modelo en datos invisibles puede ser inestable.Entre los muchos algoritmos, cómo encontrar el mejor algoritmo para proporcionar los mejores servicios es un proceso que requiere una exploración continua.

En términos de datos, los datos son la fuerza impulsora de la IA, pero obtener datos de alta calidad y diversos sigue siendo un desafío.Los datos en algunas áreas pueden ser difíciles de obtener, como datos de salud confidenciales en el campo médico.Además, la calidad, la precisión y el etiquetado de los datos también son problemas, y los datos incompletos o sesgados pueden conducir a un comportamiento o sesgo incorrectos en el modelo.Al mismo tiempo, proteger la privacidad y la seguridad de los datos también es una consideración importante.

Además, hay problemas como la interpretabilidad y la transparencia, y las características de la caja negra del modelo AI son una preocupación pública.Para algunas aplicaciones, como las finanzas, la atención médica y la justicia, el proceso de toma de decisiones del modelo debe 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, el modelo de negocio de muchos proyectos de emprendimiento de proyectos de IA no es muy claro, lo que también hace que muchos empresarios de IA se sientan confundidos.

2.2 Dilema que enfrenta la industria Web3

En la industria de Web3, actualmente hay muchas dificultades en diferentes aspectos que deben resolverse, ya sea el análisis de datos de Web3, la pobre experiencia del usuario de los productos Web3 o los problemas de las vulnerabilidades del código de contrato inteligente y los ataques de los piratas informáticos, muchos de sala de mejora.Como herramienta para mejorar la productividad, la IA también tiene mucho espacio potencial para el desarrollo en estos aspectos.

En primer lugar, la mejora del análisis de datos y las capacidades de predicción: la aplicación de la tecnología de IA en el análisis y la predicción de datos ha traído un gran impacto a la industria Web3.A través del análisis inteligente y la minería de algoritmos de IA, la plataforma Web3 puede extraer información valiosa de datos masivos y tomar predicciones y decisiones más precisas.Esto es de gran importancia para la evaluación de riesgos, el pronóstico del mercado y la gestión de activos en el campo de las finanzas descentralizadas (DEFI).

Además, también se pueden lograr mejoras en la experiencia del usuario y los servicios personalizados: la aplicación de la tecnología AI permite a la plataforma Web3 proporcionar una mejor experiencia del usuario y servicios personalizados.A través del análisis y modelado de datos de usuario, la plataforma Web3 puede proporcionar a los usuarios recomendaciones personalizadas, servicios personalizados y experiencia interactiva inteligente.Esto ayuda a mejorar la participación y la satisfacción del usuario y promueve el desarrollo del ecosistema Web3.

En términos de seguridad y protección de la privacidad, la aplicación de IA también tiene un profundo impacto en la industria Web3.La tecnología de IA puede usarse para detectar y defenderse de los ataques cibernéticos, identificar comportamientos anormales y proporcionar una seguridad más fuerte.Al mismo tiempo, la IA también se puede utilizar para la protección de la privacidad de datos, y a través de tecnologías como el cifrado de datos y la computación de privacidad, puede proteger la información personal de los usuarios en la plataforma Web3.En términos de auditoría de contratos inteligentes, debido a las posibles vulnerabilidades y riesgos de seguridad en la escritura y auditoría de contratos inteligentes, la tecnología de IA puede usarse para automatizar auditorías de contratos y detección de vulnerabilidades para mejorar la seguridad y la confiabilidad de los contratos.

Se puede ver que la IA puede participar y brindar asistencia en muchos aspectos en las dificultades y el espacio potencial de mejora que enfrenta la industria Web3.

Análisis del estado actual de los proyectos AI+Web3

Los proyectos que combinan IA y Web3 comienzan principalmente a partir de dos aspectos principales, usan la tecnología blockchain para mejorar el rendimiento de los proyectos de IA y usar la tecnología de IA para servir a la mejora de los proyectos Web3.

Han surgido una gran cantidad de proyectos para explorar esta ruta, incluidos varios proyectos como IO.NET, Gensyn, Ritual, etc. A continuación, este artículo utilizará la IA para ayudar a Web3 y Web3 para ayudar a la IA de diferentes subcompeticiones. La situación y el desarrollo actuales.

3.1 Web3 ayuda a AI

3.1.1 potencia informática descentralizada

Desde que Operai lanzó ChatGPT a fines de 2022, ha activado una ola de IA.Después de eso, ChatGPT hizo grandes esfuerzos muy rápidamente, con el número de usuarios activos mensuales que alcanzan los 100 millones en dos meses.Con el advenimiento de ChatGPT, el campo de IA también ha explotado rápidamente de una pista de nicho a una industria muy vista.

Según el informe de Trendforce, ChatGPT requiere 30,000 GPU A100 NVIDIA para funcionar, y el GPT-5 requerirá más órdenes de cálculos de magnitud en el futuro.Esto también abrió una carrera armamentista entre varias compañías de IA.

Antes del surgimiento de la IA, NVIDIA, el mayor proveedor de GPU, tenía a sus clientes centrados en tres principales servicios en la nube: AWS, Azure y GCP.Con el surgimiento de la inteligencia artificial, surgió una gran cantidad de nuevos compradores, incluidas las grandes compañías de tecnología Meta, Oracle y otras plataformas de datos y nuevas empresas de IA, todas unidas a la guerra para acaparar las GPU para capacitar a los modelos de IA.Las grandes empresas tecnológicas como Meta y Tesla han aumentado las compras de modelos de IA personalizados e investigación interna.Las compañías básicas de modelos como las plataformas antrópicas y de datos como Snowflake y Databricks también han comprado más GPU para ayudar a los clientes a proporcionar servicios de IA.

Como lo mencionó Semi Analysis el año pasado, «GPU Rich y GPU Pobre», algunas compañías tienen más de 20,000 GPU A100/H100, y los miembros del equipo pueden usar de 100 a 1,000 GPU para proyectos.Estas compañías son proveedores de nubes o LLM a sí mismos, incluidos OpenAI, Google, Meta, Antropía, Inflexión, Tesla, Oracle, Mistral, etc.

Sin embargo, la mayoría de las empresas son pobres de GPU y solo pueden luchar con un número mucho menor de GPU y pasar mucho tiempo y energía en cosas que son más difíciles de impulsar el desarrollo del ecosistema.Y esta situación no se limita a las nuevas empresas.Algunas de las compañías de IA más conocidas: la cara abrazada, los Databricks (Mosaicml), juntas e incluso Snowflake tienen menos de 20k en número de A100/H100.Estas compañías tienen talentos técnicos de clase mundial, pero están limitadas por el suministro de GPU, y están en desventaja en comparación con las grandes empresas en la competencia en inteligencia artificial.

Esta escasez no se limita a la «GPU pobre». Suministros de GPU.

Se puede ver que con el rápido desarrollo de la IA, existe un desajuste grave entre la demanda y los lados de suministro de las GPU, y el problema de la escasez de oferta es inminente.

Para resolver este problema, algunas fiestas de proyectos Web3 han comenzado a tratar de proporcionar servicios de energía informática descentralizados basados ​​en las características técnicas de Web3, incluidos Akash, Render, Gensyn, etc.Lo común de este tipo de proyecto es que los tokens se utilizan para incentivar a los usuarios a proporcionar energía informática de GPU inactiva, convirtiéndose en el lado de suministro de la potencia informática para proporcionar a los clientes de IA la energía informática.

El retrato del lado de la oferta se puede dividir principalmente en tres aspectos: proveedores de servicios en la nube, mineros de criptomonedas y empresas.

Los proveedores de servicios en la nube incluyen grandes proveedores de servicios en la nube (como AWS, Azure, GCP) y proveedores de servicios en la nube de GPU (como CoreWeave, Lambda, Crusoe, etc.), y los usuarios pueden revender la potencia informática de los proveedores de servicios en la nube inactivo para obtener ingresos .Los mineros criptográficos como Ethereum cambia de POW a POS, la potencia informática de GPU inactiva también se ha convertido en un importante lado de suministro potencial.Además, grandes empresas como Tesla y Meta que han comprado una gran cantidad de GPU debido a su diseño estratégico también pueden usar energía informática de GPU inactiva como lado de la oferta.

Actualmente, los jugadores en la pista se dividen aproximadamente en dos categorías: una es usar el poder informático descentralizado para el razonamiento de IA, y el otro es utilizar la potencia informática descentralizada para el entrenamiento de IA.El primero es como Render (aunque se centra en la renderización, pero también se puede usar como un poder informático de IA), Akash, Aethir, etc.; , Gensyn, la mayor diferencia entre los dos es la computación.

Primero hablemos sobre el antiguo proyecto de razonamiento de IA. fuerza.La introducción y el análisis de tales proyectos se mencionaron en nuestro informe de investigación sobre Depin antes de Ryze Labs.Bienvenido a comprobarlo.

El punto más básico es que a través del mecanismo de incentivos de token, el proyecto primero atrae a los proveedores y luego atrae a los usuarios a usar, realizando así el mecanismo de operación de inicio en frío y operación del núcleo del proyecto, lo que puede expandirse y desarrollarse aún más.Bajo este ciclo, el lado de la oferta tiene más y más valiosos rendimientos de token, y el lado de la demanda tiene servicios más baratos y más rentables. Los precios atraen a más participantes y especuladores para participar y formar una captura de valor.

Otro tipo es el uso de potencia informática descentralizada para el entrenamiento de IA, como Gensyn, IO.NET (el entrenamiento de IA y el razonamiento de IA pueden soportarlo).De hecho, no hay mucha diferencia esencial entre la lógica de operación de este tipo de proyecto y el proyecto de razonamiento de IA todavía atrae la participación del lado de la oferta a través de incentivos de token para proporcionar energía informática para su uso por el lado de la demanda.

Entre ellos, IO.NET es una red de alimentación informática descentralizada, con actualmente más de 500,000 GPU, que es sobresaliente en proyectos de energía informática descentralizados, también ha integrado el poder informático de Render y Filecoin y ha comenzado a desarrollarse continuamente. Proyecto ecológico.

Además, Gensyn se da cuenta de la capacitación de IA a través de contratos inteligentes que pueden promover la asignación de tareas y las recompensas para el aprendizaje automático.Como se muestra en la figura a continuación, el trabajo de entrenamiento de aprendizaje automático de Gensyn cuesta alrededor de $ 0.4 por hora, que es mucho más bajo que el costo de AWS y GCP por más de $ 2.

El sistema de Gensyn incluye cuatro participantes: remitente, ejecutor, verificador y denunciante.

• Enviado por: El usuario es el consumidor de la tarea, proporciona las tareas que se calcularán y pagan tareas de capacitación de IA

• Ejecutor: el albacea realiza la tarea entrenada por el modelo y genera una prueba de completar la tarea de verificación por parte del verificador.

• Verificador: vinculando el proceso de entrenamiento no determinista con el cálculo lineal determinista, comparando la prueba del albacea con el umbral esperado.

• Denunciante: consulte el trabajo del validador y plantee preguntas para obtener ganancias cuando se descubra.

Se puede ver que Gensyn espera convertirse en un protocolo de computación súper grande a escala y rentable para modelos globales de aprendizaje profundo.Pero mirando esta pista, ¿por qué la mayoría de los proyectos eligen el poder informático descentralizado para el razonamiento de IA en lugar de la capacitación?

Aquí también ayudamos a amigos que no entienden el entrenamiento y el razonamiento de la IA a introducir las diferencias entre los dos:

• Entrenamiento de IA: Si comparamos la inteligencia artificial con un estudiante, entonces la capacitación es similar a proporcionar inteligencia artificial con mucho conocimiento, y los ejemplos también pueden entenderse como datos que a menudo lo llamamos, y la inteligencia artificial aprende de estos ejemplos de conocimiento.Dado que la naturaleza del aprendizaje requiere comprensión y memoria de una gran cantidad de información, este proceso requiere mucha potencia y tiempo informático.

• Razonamiento de IA: Entonces, ¿qué es el razonamiento?Se puede entender como el uso del conocimiento aprendido para resolver problemas o tomar exámenes. .

Se puede ver que los requisitos de potencia informática de los dos son bastante diferentes.

Además, Ritual espera combinar redes distribuidas con creadores de modelos para mantener la descentralización y la seguridad.Su primer producto, Internet, permite que los contratos inteligentes en Blockchain accedan a los modelos de IA fuera de la cadena, lo que permite que dichos contratos accedan a IA de una manera que mantenga la verificación, la descentralización y la privacidad.

El coordinador de Internet es responsable de administrar el comportamiento de los nodos en la red y responder a las solicitudes de computación emitidas por los consumidores.Cuando un usuario use Internet, la inferencia, la prueba y otros trabajos se colocarán fuera de la cadena, los resultados de la salida se devolverán al coordinador y finalmente pasarán a los consumidores en la cadena a través del contrato.

Además de las redes de energía informática descentralizadas, también hay redes descentralizadas de ancho de banda como el césped para mejorar la velocidad y la eficiencia de la transmisión de datos.En general, la aparición de redes de alimentación informática descentralizadas ha proporcionado una nueva posibilidad para el lado de la fuente de alimentación informática de la IA, empujando a AI a avanzar en una dirección adicional.

3.1.2 Modelo de algoritmo descentralizado

Como se menciona en el Capítulo 2, los tres elementos centrales de la IA son la potencia informática, los algoritmos y los datos.Dado que la potencia informática puede formar una red de suministro a través de la descentralización, ¿puede el algoritmo tener ideas similares para formar una red de suministro de modelos de algoritmo?

Antes de analizar el proyecto de pista, primero entendamos la importancia del modelo de algoritmo descentralizado.

En esencia, una red de algoritmo descentralizada es una mercado de servicios de algoritmo de IA descentralizado que vincula muchos modelos de IA diferentes. Para responder preguntas para proporcionar respuestas.Chat-GPT es un modelo de IA desarrollado por OpenAI, que puede comprender y producir textos similares a los humanos.

En pocas palabras, ChatGPT es como un estudiante con habilidades fuertes para ayudar a resolver diferentes tipos de problemas, mientras que una red de algoritmo descentralizada es como una escuela con muchos estudiantes para ayudar a resolver problemas. , Las escuelas que pueden reclutar estudiantes de todo el mundo tienen un gran potencial.

Actualmente, en el campo de los modelos de algoritmos descentralizados, también hay algunos proyectos en sus intentos y exploraciones, el proyecto representativo Bittensor se utilizará como un caso para ayudar a todos a comprender el desarrollo de este campo subdividido.

En Bittensor, el lado de la oferta del modelo algorítmico (o mineros) contribuye con sus modelos de aprendizaje automático a la red.Estos modelos pueden analizar datos y proporcionar información.Los proveedores de modelos recibirán token de criptomonedas Tao como recompensa por sus contribuciones.

Para garantizar la calidad de las respuestas a las preguntas, Bittensor utiliza un mecanismo de consenso único para garantizar que la red acepte las mejores respuestas.Múltiples mineros modelo proporcionan respuestas cuando se les pide.El validador en la red comienza a funcionar, determina la mejor respuesta y la envía al usuario.

El token Tao de Bittensor desempeña principalmente dos roles en todo el proceso. Tareas completas de red.

Dado que Bittensor está descentralizado, cualquier persona con acceso a Internet puede unirse a la red, tanto como un usuario que hace preguntas como como un minero que proporciona respuestas.Esto permite que más personas usen una poderosa inteligencia artificial.

En resumen, tomar redes como Bittensor como ejemplo, el campo descentralizado del modelado algorítmico tiene el potencial de crear una situación más abierta y transparente en la que los modelos de inteligencia artificial se pueden capacitar, compartir y utilizar de una manera segura y descentralizada.Además, existen redes de modelos algorítmicos descentralizados como Basei que intentan cosas similares.

A medida que evolucionan las plataformas de modelos algorítmicos descentralizados, permitirán a las pequeñas empresas competir con grandes organizaciones en el uso de herramientas de IA principales, con un impacto potencialmente significativo en diversas industrias.

3.1.3 Recopilación de datos descentralizados

Para la capacitación de los modelos de IA, una gran cantidad de suministro de datos es esencial.Sin embargo, la mayoría de las empresas de Web2 todavía toman los datos de los usuarios por ejemplo.Se ha convertido en un gran obstáculo para el desarrollo de la industria de la IA.

Sin embargo, por otro lado, algunas plataformas Web2 venden datos de usuarios a las compañías de IA sin compartir ninguna ganancia para los usuarios.Reddit, por ejemplo, llegó a un acuerdo de $ 60 millones con Google para permitir que Google Train AI modelos en sus publicaciones.Esto lleva a los derechos de recopilación de datos ocupados por las partes de Big Capital y Big Data, lo que lleva al desarrollo intensivo de súper capital de la industria.

Ante esta situación actual, algunos proyectos combinan Web3 con incentivos de token para lograr la recopilación de datos descentralizados.Tomar publicai como ejemplo, en los usuarios de Públicai pueden participar como dos tipos de roles:

• Una categoría es el proveedor de datos de IA. .

• Otra categoría son los validadores de datos, donde los usuarios pueden iniciar sesión en el Centro de datos de Públicai y seleccionar los datos más valiosos para la capacitación de IA para votar.

A cambio, los usuarios pueden obtener incentivos de token a través de estos dos tipos de contribuciones, promoviendo así una relación beneficiosa entre los contribuyentes de datos y el desarrollo de la industria de inteligencia artificial.

Además de los proyectos como Publicai que se especializan en la recopilación de datos para la capacitación de IA, muchos proyectos también están recopilando datos descentralizados a través de incentivos de token, por ejemplo, Ocean recopila datos de usuarios a través de la tokenización de datos para servir a la IA. DIMO recopila los datos del automóvil del usuario, WIHI recopila datos meteorológicos, etc. Estos proyectos que recopilan datos a través de la descentralización también son el lado de la oferta de capacitación potencial de IA, por lo que, desde el punto de vista, también se puede incluir en el paradigma de Web3 para ayudar a la IA. .

3.1.4 ZK protege la privacidad del usuario en AI

Además de las ventajas de la descentralización, Blockchain Technology trae otra cosa muy importante, que es la prueba de conocimiento cero.A través de la tecnología de conocimiento cero, la privacidad puede protegerse al verificar la información.

En el aprendizaje automático tradicional, los datos generalmente deben almacenarse y procesarse centralmente, lo que puede conducir al riesgo de infracciones de privacidad de datos.Por otro lado, los métodos que protegen la privacidad de los datos, como el cifrado de datos o la desidentificación de datos, pueden limitar la precisión y el rendimiento de los modelos de aprendizaje automático.

La tecnología a prueba de conocimiento cero puede ayudar a enfrentar este dilema y resolver el conflicto entre la protección de la privacidad y el intercambio de datos.

ZKML (aprendizaje automático de conocimiento cero) permite la capacitación e inferencia de los modelos de aprendizaje automático sin revelar datos sin procesar mediante el uso de la tecnología de prueba de conocimiento cero.La prueba de conocimiento cero permite que las características de los datos y los resultados del modelo sean correctos sin revelar el contenido de datos real.

El objetivo central de ZKML es lograr un equilibrio entre la protección de la privacidad y el intercambio de datos.Se puede aplicar a varios escenarios, como el análisis de datos médicos y de salud, el análisis de datos financieros y la cooperación interorganizacional.Al usar ZKML, los individuos pueden proteger la privacidad de sus datos confidenciales mientras comparten datos con otros para obtener información y oportunidades más amplias para colaborar sin preocuparse por el riesgo de violaciones de la privacidad de datos.

El campo todavía está en sus primeras etapas y la mayoría de los proyectos aún se están explorando.Incorporar la privacidad en el corazón de su infraestructura de red distribuida utilizando el modelo de lenguaje grande de conocimiento cero (ZK-LLM) para garantizar que los datos del usuario permanezcan privados en toda la operación de red.

Aquí explicamos brevemente qué es el cifrado homomórfico completo (FHE).El cifrado totalmente homomórfico es una tecnología de cifrado que puede calcular los datos en un estado encriptado sin descifrado.Esto significa que varias operaciones matemáticas (como la adición, la multiplicación, etc.) realizadas en los datos encriptados usando FHE se pueden realizar mientras mantienen los datos encriptados y obtienen los resultados obtenidos al realizar las mismas operaciones en los datos originales no cifrados. de datos de usuario.

Además, además de las cuatro categorías anteriores, en términos de soporte de IA de Web3, también hay proyectos blockchain como Cortex que admiten la ejecución de los programas de IA en la cadena.Actualmente, la ejecución de programas de aprendizaje automático en blockchains tradicionales enfrenta un desafío, donde las máquinas virtuales son extremadamente ineficientes cuando se ejecutan cualquier modelo de aprendizaje automático no complejo.Por lo tanto, la mayoría de la gente piensa que es imposible ejecutar inteligencia artificial en blockchains.Cortex Virtual Machine (CVM) utiliza GPU para ejecutar programas AI en la cadena y es compatible con EVM.En otras palabras, la cadena de la corteza puede ejecutar todos los Dapps de Ethereum e incorporar el aprendizaje automático de IA en estos DAPPS sobre esta base.Esto permite el funcionamiento de los modelos de aprendizaje automático de una manera descentralizada, inmutable y transparente, ya que el consenso de la red valida cada paso del razonamiento de IA.

3.2 AI ayuda a Web3

En la colisión entre AI y Web3, además de la ayuda de Web3 a la IA, la ayuda de IA con la industria de Web3 también es digna de atención.La contribución central de la inteligencia artificial radica en la mejora de la productividad, por lo que hay muchos intentos en los contratos inteligentes de auditoría de IA, análisis y predicción de datos, servicios personalizados, seguridad y protección de la privacidad.

3.2.1 Análisis y pronóstico de datos

En la actualidad, muchos proyectos de Web3 han comenzado a integrar los servicios de IA existentes (como CHATGPT) o desarrollar sus propios servicios para proporcionar servicios de análisis de datos y servicios de predicción a los usuarios de Web3.Cubre una amplia gama, que incluye proporcionar estrategias de inversión a través de algoritmos de inteligencia artificial, herramientas de IA de análisis de análisis en cadena, precios y pronósticos del mercado, etc.

Por ejemplo, Pond utiliza el algoritmo de AI Graph para predecir valiosos tokens alfa en el futuro, proporcionando asesoramiento de asistencia de inversión a los usuarios e instituciones; Soporte para predecir las tendencias de precios, ayudar a los usuarios a obtener ganancias y ganancias.

También hay plataformas de competencia de inversión como Numerai.Numerai calcula cómo funcionan estas predicciones durante el próximo mes, y los concursantes pueden apostar por la RMN en el modelo y ganar dinero según el rendimiento del modelo.

Además, las plataformas de análisis de datos en cadena como Arkham también combinan IA para los servicios.Arkham vincula las direcciones blockchain a entidades como intercambios, fondos y ballenas gigantes, y presenta a los usuarios datos y análisis clave de estas entidades para proporcionar a los usuarios ventajas de toma de decisiones.Parte de su combinación con IA es que Arkham Ultra usa algoritmos para que coincida con las direcciones con entidades del mundo real, desarrolladas por los contribuyentes de Arkham Core con el apoyo de Palantir y los fundadores de OpenAI durante tres años.

3.2.2 Servicio personalizado

En los proyectos de Web2, AI tiene muchos escenarios de aplicaciones en los campos de búsqueda y recomendación, atendiendo las necesidades personalizadas de los usuarios.Lo mismo es cierto en los proyectos de Web3.

Por ejemplo, Dune, una plataforma de análisis de datos bien conocida, lanzó recientemente la herramienta Wand para escribir consultas SQL con la ayuda de modelos de idiomas grandes.A través de la función de creación de la varita, los usuarios pueden generar automáticamente consultas SQL basadas en problemas de lenguaje natural, para que los usuarios que no entiendan SQL también pueden buscar muy fácilmente.

Además, algunas plataformas de contenido Web3 también han comenzado a integrar el chatgpt para el resumen de contenido. Área La fuente principal de todos los conocimientos objetivos y de alta calidad relacionados con la tecnología blockchain y las criptomonedas hace que Blockchain sea más fácil de descubrir y adquirir a escala global, y proporciona a los usuarios información en los que pueden confiar. Kaito, un motor de búsqueda basado en LLM, se compromete a convertirse en una plataforma de búsqueda Web3 y cambiar la forma en que Web3 obtiene información.

En términos de creación, también hay proyectos como NFPROMPT que reducen los costos de creación de usuarios.NFPROMPT permite a los usuarios generar NFT más fácilmente a través de AI, reduciendo así los costos creativos del usuario y proporcionando muchos servicios personalizados en términos de creación.

3.2.3 Auditoría de IA Contrato inteligente

En el campo Web3, la auditoría de contratos inteligentes también es una tarea muy importante.

Como Vitalik se mencionó una vez, uno de los mayores desafíos que enfrenta el espacio de criptomonedas son los errores en nuestro código.Y una posibilidad esperada es que la inteligencia artificial (IA) pueda simplificar significativamente el uso de herramientas de verificación formales para demostrar que un conjunto de códigos que satisfacen atributos específicos.Si podemos hacer esto, es posible que tengamos EVMS SEK sin errores (como las máquinas virtuales de Ethereum).Cuanto más reduzca la cantidad de errores, más seguridad aumentará el espacio y la IA es muy útil para lograr esto.

Por ejemplo, el proyecto 0x0.AI proporciona un auditor de contrato inteligente de inteligencia artificial, una herramienta que utiliza algoritmos avanzados para analizar contratos inteligentes e identificar posibles vulnerabilidades o problemas que pueden conducir a fraude u otros riesgos de seguridad.Los auditores utilizan técnicas de aprendizaje automático para identificar patrones y excepciones en el código, marcando posibles problemas para una revisión adicional.

Además de las tres categorías anteriores, también hay algunos casos nativos que usan AI para ayudar al campo Web3. La agregación de Dex múltiple Hera, que utiliza la IA para proporcionar la mayor gama de tokens y las mejores rutas comerciales entre cualquier par de tokens en general.

Limitaciones y desafíos de los proyectos AI+Web3

4.1 Los obstáculos reales en la potencia informática descentralizada

Entre los proyectos actuales que ayudan a la IA, una gran parte de los proyectos que admiten Web3 se centran en el poder informático descentralizado. También hay algunos problemas prácticos que deben resolverse:

En comparación con los proveedores de servicios de energía informática centralizados, los productos de potencia informática descentralizados generalmente dependen de nodos y participantes distribuidos en todo el mundo para proporcionar recursos informáticos.Debido a que las conexiones de red entre estos nodos pueden tener latencia e inestabilidad, el rendimiento y la estabilidad pueden ser peores que el producto de potencia informática centralizada.

Además, la disponibilidad de productos de potencia informática descentralizados se ve afectada por el grado de coincidencia entre la oferta y la demanda.Si no hay suficientes proveedores o la demanda es demasiado alta, puede conducir a recursos insuficientes o incapacidad para satisfacer las necesidades de los usuarios.

Finalmente, los productos de energía informática descentralizados generalmente implican más detalles técnicos y complejidad que los productos de alimentación informática centralizada.Los usuarios pueden necesitar comprender y manejar el conocimiento sobre redes distribuidas, contratos inteligentes y pagos de criptomonedas, y el costo de la comprensión y el uso del usuario será más alto.

Después de una discusión en profundidad con una gran cantidad de proyectos de energía informática descentralizados, descubrí que la potencia informática descentralizada actual solo puede limitarse al razonamiento de IA en lugar de la capacitación de IA.

A continuación, usaré cuatro pequeñas preguntas para ayudarlo a comprender las razones detrás de esto:

1. ¿Por qué la mayoría de los proyectos de energía informática descentralizados eligen hacer un razonamiento de IA en lugar de la capacitación de IA?

2. ¿Dónde es impresionante Nvidia?¿Cuál es la razón por la cual el entrenamiento de energía informática descentralizada es difícil?

3. ¿Cómo será el final de la alimentación informática descentralizada (Render, Akash, Io.net, etc.)?

4. ¿Cómo será el final del algoritmo descentralizado (Bittensor)?

A continuación, despegemos la capa de capullo por capa:

1) Mirando esta pista, la mayoría de los proyectos de energía informática descentralizados eligen hacer razonamiento de IA en lugar de capacitar.El núcleo son los diferentes requisitos para la alimentación y el ancho de banda..

Para ayudar a todos a comprender mejor, comparemos AI con un estudiante:

Capacitación de IA: si comparamos la inteligencia artificial con un estudiante, entonces la capacitación es similar a proporcionar inteligencia artificial con muchos conocimientos, y los ejemplos también pueden entenderse como datos que a menudo llamamos, y la inteligencia artificial aprende de estos ejemplos de conocimiento.Dado que la naturaleza del aprendizaje requiere comprensión y memoria de una gran cantidad de información, este proceso requiere mucha potencia y tiempo informático.

Razonamiento de IA: Entonces, ¿qué es el razonamiento?Se puede entender como el uso del conocimiento aprendido para resolver problemas o tomar exámenes. .

Es fácil encontrar que la diferencia en la dificultad entre los dos es esencialmente que la capacitación de IA de modelo grande requiere una gran cantidad de datos y el ancho de banda requerido para la comunicación de datos de alta velocidad, por lo que actualmente es extremadamente difícil implementar la potencia informática descentralizada como capacitación .Sin embargo, la necesidad de datos y la inferencia de ancho de banda es mucho menor, y la posibilidad de implementación es mayor.

Para los modelos grandes, lo más importante es la estabilidad.Por otro lado, es posible el requisito de potencia informática relativamente bajo, como la inferencia de IA mencionada anteriormente, o la capacitación de modelos verticales pequeños y medianos para algunos escenarios específicos, lo cual es posible en la descentralización. en la red de alimentación informática que puede satisfacer estas necesidades de alimentación informática relativamente grandes.

2) Entonces, ¿dónde están los datos y el punto de mermelada de ancho de banda?¿Por qué es difícil lograr la capacitación descentralizada?

Esto implica dos elementos clave de entrenamiento de modelo grande: la potencia informática de una sola tarjeta y varias tarjetas están conectadas en paralelo.

Poder informático de una sola tarjeta: en la actualidad, todos los centros que requieren capacitación de grandes modelos, lo llamamos centros de supercomputación.Para facilitar la comprensión de todos, podemos usar el cuerpo humano como metáfora.Si la potencia informática de una sola celda (GPU) es muy fuerte, la potencia informática general (número X de una sola celda) también puede ser muy fuerte.

Conexión paralela de tarjetas múltiples: el entrenamiento de un modelo grande es a menudo de 100 mil millones de GB.Por lo tanto, necesitamos movilizar estas decenas de miles de cartas para el entrenamiento. En parte, el entrenamiento en diferentes tarjetas gráficas puede requerir resultados de B al entrenar A, por lo que múltiples tarjetas están involucradas en paralelo.

¿Por qué NVIDIA es tan poderoso y su valor de mercado ha despegado, pero es difícil para AMD y Huawei y Horizon dominar?El núcleo no es la potencia informática de una sola tarjeta, sino dos aspectos: entorno de software CUDA y comunicación múltiple de NVLink.

Por un lado, es muy importante si hay un ecosistema de software que puede adaptarse al hardware, como el sistema CUDA de NVIDIA es difícil, al igual que construir un nuevo idioma, y ​​el costo de reemplazo es muy alto.

Por otro lado, es una comunicación múltiple.Debido a la existencia de NVLink, no hay forma de conectar las tarjetas NVIDIA y AMD; distribuido en todo el mundo.

El primer punto explica por qué AMD, Huawei y Horizon en China son actualmente difíciles de alcanzar;

3) ¿Cómo será el final de la potencia informática descentralizada?

La potencia informática descentralizada es actualmente difícil de entrenar modelos grandes.Sus requisitos para la conexión paralela de múltiples tarjetas son muy altos, y el ancho de banda está limitado por la distancia física.NVIDIA utiliza NVLink para realizar una comunicación múltiple.

Pero, por otro lado, la demanda de potencia informática relativamente baja es posible, como la inferencia de IA o el entrenamiento de modelos verticales pequeños y medianos en algunos escenarios específicos, que es posible en las redes de energía informática descentralizadas. Grandes proveedores de servicios de nodos, tienen el potencial de satisfacer estas necesidades de potencia informática relativamente grandes.Además de escenarios de informática de borde como la representación, también es relativamente fácil de implementar.

4) ¿Cómo será el final del modelo de algoritmo descentralizado?

El final del modelo de algoritmo descentralizado depende del final de la futura IA. No es necesario unir a un modelo grande para el producto de la capa de aplicación, pero coopera con múltiples modelos grandes.

4.2 La combinación de AI+Web3 es relativamente áspera, y 1+1> 2 no se logra

Actualmente, entre los proyectos que combinan Web3 con IA, especialmente en términos de IA para ayudar a los proyectos Web3, la mayoría de los proyectos aún usan IA en la superficie y no reflejan realmente la integración profunda entre la IA y la criptomoneda.Este tipo de aplicación de superficie se refleja principalmente en los siguientes dos aspectos:

• En primer lugar, ya sea que esté utilizando AI para el análisis de datos y la predicción, utilizando IA en los escenarios de recomendación y búsqueda, o realizando auditorías de código, no hay mucha diferencia con la combinación de proyectos Web2 e IA.Estos proyectos simplemente usan IA para mejorar la eficiencia y analizar, sin demostrar la convergencia nativa y las soluciones innovadoras entre la IA y las criptomonedas.

• En segundo lugar, muchos equipos de Web3 se combinan con AI más para utilizar puramente el concepto de IA a nivel de marketing.Acaban de utilizar la tecnología de IA en áreas muy limitadas, y luego comenzaron a promover la tendencia de la IA, creando una ilusión de que los proyectos están muy cerca de la IA.Sin embargo, todavía hay muchas brechas en estos proyectos en términos de innovación real.

Aunque todavía existen estas limitaciones en los proyectos actuales de Web3 y AI, debemos darnos cuenta de que esta es solo una etapa temprana de desarrollo.En el futuro, podemos esperar una investigación y una innovación más profundas para lograr una integración más estrecha entre la IA y la criptomonedas y crear soluciones más nativas y significativas en áreas como finanzas, organizaciones autónomas descentralizadas, mercados de pronóstico y plan NFT.

4.3 La economía de tokens se convierte en un amortiguador para la narrativa del proyecto AI

Como el problema del modelo de negocio de los proyectos de IA mencionados al principio, a medida que más y más modelos grandes han comenzado a abrir gradualmente de código, una gran cantidad de proyectos AI+Web3 a menudo son difíciles de desarrollar y recaudar fondos en Web2, por lo que elegimos superponer La narración de la Web3.

Pero la verdadera clave es si la integración de la economía de token realmente puede ayudar a los proyectos de IA a resolver las necesidades reales, o si es simplemente narrativa o valor a corto plazo, en realidad debe ser cuestionada.

En la actualidad, la mayoría de los proyectos AI+Web3 están lejos de llegar a la etapa práctica.

Resumir

En la actualidad, muchos casos y aplicaciones han surgido en proyectos AI+Web3.En primer lugar, la tecnología AI puede proporcionar a Web3 escenarios de aplicaciones más eficientes e inteligentes.A través de las capacidades de análisis y predicción de AI, los usuarios de Web3 pueden tener mejores herramientas en la toma de decisiones de inversión y otros escenarios;Al mismo tiempo, la tecnología de IA también puede proporcionar recomendaciones y servicios personalizados más precisos e inteligentes para aplicaciones descentralizadas para mejorar la experiencia del usuario.

Al mismo tiempo, la descentralización y programabilidad de Web3 también brindan nuevas oportunidades para el desarrollo de la tecnología de IA.A través de los incentivos de token, los proyectos de energía informática descentralizados proporcionan nuevas soluciones al dilema del suministro insuficiente de la potencia informática de IA y los mecanismos de almacenamiento distribuidos también proporcionan una gama más amplia de compartir y capacitación de algoritmos de IA.Los mecanismos de autonomía y confianza del usuario de Web3 también han traído nuevas posibilidades al desarrollo de la IA.

Aunque el proyecto actual de Crossover AI+Web3 todavía está en sus primeras etapas y hay muchas dificultades de enfrentar, también aporta muchas ventajas.Por ejemplo, los productos de potencia informática descentralizados tienen algunas deficiencias, pero reducen su dependencia de las instituciones centralizadas, proporcionan una mayor transparencia y auditabilidad, y permiten una participación e innovación más amplia.Los productos de potencia informática descentralizados pueden ser una opción valiosa para casos de uso específicos y necesidades del usuario; cobertura de datos y promover la diversidad e inclusión de datos, etc.En la práctica, estas ventajas y desventajas deben sopesarse y administrarse y se toman medidas técnicas para superar los desafíos para garantizar que los proyectos de recopilación de datos descentralizados tengan un impacto positivo en el desarrollo de la IA.

En general, la integración de AI+Web3 proporciona posibilidades ilimitadas para futuras innovación tecnológica y desarrollo económico.Al combinar el análisis inteligente y las capacidades de toma de decisiones de la IA con la descentralización y la autonomía del usuario de Web3, creemos que en el futuro, podemos construir un sistema económico e incluso más inteligente, más abierto y más justo e incluso social.