À primeira vista, AI x Web3 parece ser tecnologias independentes, cada uma baseada em princípios fundamentalmente diferentes e servindo a diferentes funcionalidades. No entanto, uma análise mais aprofundada revelará que essas duas tecnologias têm a oportunidade de equilibrar as compensações uma da outra, e suas vantagens únicas podem se complementar e elevar uma à outra. Balaji Srinivasan, no SuperAI Conference, explicou de forma brilhante esse conceito de capacidade complementar, despertando um interesse detalhado sobre como essas tecnologias interagem umas com as outras.
Token adota uma abordagem ascendente, emergindo do esforço descentralizado dos punks anônimos da Descentralização, evoluindo constantemente ao longo de dez longos anos através da colaboração de entidades independentes em todo o mundo. Em contraste, a inteligência artificial é desenvolvida por cima para baixo, liderada por poucos gigantes da tecnologia. Essas empresas determinam o ritmo e a dinâmica da indústria, e a barreira de entrada é mais determinada pela intensidade de recursos do que pela complexidade técnica.
Estas duas tecnologias têm essencialmente naturezas diferentes. Em essência, TOKEN é um sistema determinístico que produz resultados imutáveis, como a previsibilidade de uma função de hash ou a prova de conhecimento zero. Isso contrasta fortemente com a probabilidade e a imprevisibilidade geral da inteligência artificial.
Da mesma forma, a tecnologia de encriptação destaca-se na verificação, garantindo a autenticidade e segurança das transações, estabelecendo processos e sistemas sem confiança, enquanto a inteligência artificial se concentra na geração e criação de conteúdo digital rico. No entanto, ao criar conteúdo digital rico, garantir a origem do conteúdo e prevenir a usurpação de identidade torna-se um desafio.
Felizmente, o TOKEN oferece um conceito oposto digitalmente rico - a escassez digital. Ele fornece ferramentas relativamente maduras que podem ser aplicadas à tecnologia de inteligência artificial para garantir a confiabilidade das fontes de conteúdo e evitar problemas de roubo de identidade.
Uma das vantagens significativas do TOKEN é a sua capacidade de atrair uma grande quantidade de hardware e capital para entrar na rede de coordenação para atender a objetivos específicos. Esta capacidade é particularmente benéfica para a inteligência artificial que consome muita capacidade de cálculo. Mobilizar recursos subutilizados para fornecer capacidade de cálculo mais barata pode significativamente aumentar a eficiência da inteligência artificial.
Ao comparar essas duas grandes tecnologias, não só podemos apreciar suas respectivas contribuições, mas também ver como elas estão criando juntas um novo caminho para a tecnologia e a economia. Cada tecnologia pode complementar a outra, criando um futuro mais integrado e inovador. Neste post, pretendemos explorar o emergente mapa da indústria AI x Web3, destacando especialmente algumas novas áreas verticais nesses pontos de interseção tecnológica.
Origem: IOSG Ventures
2.1 Rede de cálculo
O gráfico setorial primeiro introduz as redes de computação, que tentam resolver o problema do fornecimento limitado de GPUs e tentam reduzir os custos de cálculo de Gota de maneiras diferentes. Vale a pena seguir os seguintes pontos-chave:
Interoperabilidade não unificada de GPU: Este é um esforço muito ambicioso, com alto risco técnico e incerteza, mas se for bem-sucedido, poderá criar resultados de grande escala e impacto, tornando todos os recursos computacionais intercambiáveis. Essencialmente, a ideia é construir compiladores e outras premissas para que qualquer recurso de hardware possa ser inserido no lado da oferta, enquanto no lado da demanda, a não unificação de todos os hardwares será completamente abstraída, permitindo que suas solicitações computacionais sejam roteadas para qualquer recurso na rede. Se essa visão for bem-sucedida, diminuirá a atual dependência dos desenvolvedores de IA no software CUDA da Gota. Embora o risco técnico seja alto, muitos especialistas têm dúvidas consideráveis sobre a viabilidade desse método.
Agregação de GPU de alto desempenho: integração das GPUs mais populares do mundo numa rede distribuída e sem permissões, sem se preocupar com a interoperabilidade não uniforme dos recursos da GPU.
Agregação de GPU de consumo de produtos: refere-se à agregação de algumas GPUs de baixo desempenho que podem estar disponíveis em dispositivos de consumo, sendo estes recursos subutilizados pelo lado do fornecedor. É voltado para aqueles dispostos a sacrificar desempenho e velocidade para obter um processo de treinamento mais barato e mais longo.
2.2 Treinamento e Inferência
A rede de computação é usada principalmente para duas funções principais: treinamento e inferência. A demanda por essas redes vem de projetos Web 2.0 e Web 3.0. No campo do Web 3.0, projetos como o Bittensor usam recursos de computação para ajuste fino do modelo. Em relação à inferência, os projetos Web 3.0 enfatizam a verificabilidade do processo. Esse foco impulsionou a verificação da inferência como uma área de mercado vertical, e os projetos estão explorando como integrar a inferência de IA em contratos inteligentes, mantendo ao mesmo tempo o princípio de descentralização.
2.3 Plataforma de Agente Inteligente
A seguir está a plataforma de agente inteligente, o mapa geral dos problemas centrais que as empresas iniciantes neste tipo de categoria precisam resolver:
Interoperabilidade e capacidade de descoberta e comunicação entre agentes: os agentes são capazes de se descobrir e se comunicar uns com os outros.
Capacidade de construção e gestão de clusters de proxy: os proxies podem formar clusters e gerir outros proxies.
Propriedade e mercado de agentes de IA: fornecer propriedade e mercado para agentes de IA.
Estas características destacam a importância de sistemas flexíveis e modulares, que podem ser integrados perfeitamente em várias aplicações de blockchain e inteligência artificial. Os agentes de IA têm o potencial de mudar completamente a forma como interagimos com a internet, e acreditamos que os agentes utilizarão a infraestrutura para apoiar as suas operações. Imaginamos que os agentes de IA dependerão da infraestrutura em várias áreas:
Usar a recolha distribuída para aceder a dados em tempo real na web
Usar canais DeFi para pagamentos entre agentes
A necessidade de depósitos econômicos não só serve para punir comportamentos inadequados, mas também pode aumentar a descoberta do agente (ou seja, usar o depósito como sinal econômico durante a descoberta).
Usar o Consenso para determinar quais eventos devem levar a reduções
Padrões de interoperabilidade abertos e estrutura de agente para apoiar a construção de coletivos componíveis
Avaliar o desempenho passado com base no histórico de dados imutáveis e selecionar coletivamente o conjunto apropriado de agentes em tempo real.
Origem: IOSG Ventures
2.4Camada de dados
Na fusão AI x Web3, os dados são uma parte essencial. Os dados são ativos estratégicos na competição de AI e, juntamente com os recursos de computação, formam recursos críticos. No entanto, essa categoria muitas vezes é ignorada porque a maior parte da atenção da indústria está concentrada na camada de computação. Na verdade, o processo de obtenção de dados oferece muitas direções interessantes de valor, principalmente incluindo duas direções de alto nível a seguir:
Acessar dados públicos da internet
Aceder aos dados protegidos
Acesso a dados públicos da Internet: esta direção visa construir uma rede de web crawlers distribuída que pode rastrear toda a Internet em poucos dias, obtendo conjuntos de dados massivos ou acessando dados muito específicos da Internet em tempo real. No entanto, para rastrear grandes conjuntos de dados na Internet, são necessários altos requisitos de rede, pelo menos algumas centenas de Nó para iniciar trabalhos significativos. Felizmente, o Grass, uma rede distribuída de web crawlers Nó, já tem mais de 2 milhões de Nó compartilhando ativamente largura de banda da Internet na rede, com o objetivo de rastrear toda a Internet. Isso mostra o enorme potencial de incentivos econômicos na atração de recursos valiosos.
Embora a Grass ofereça um ambiente de competição justa em termos de dados públicos, ainda existem desafios no aproveitamento de dados potenciais - ou seja, o problema do acesso a conjuntos de dados proprietários. Especificamente, ainda há uma grande quantidade de dados que são mantidos de forma privada devido à sua natureza sensível. Muitas startups estão usando ferramentas criptográficas que permitem que os desenvolvedores de IA construam e ajustem modelos de linguagem de grande escala usando a estrutura básica de conjuntos de dados proprietários, mantendo as informações sensíveis em sigilo.
As tecnologias como o aprendizado federado, a privacidade diferencial, o ambiente de execução confiável, a computação totalmente homomórfica e a computação multiparte oferecem diferentes níveis de proteção e equilíbrio de privacidade. O artigo de pesquisa do Bagel () resume uma excelente visão geral dessas tecnologias. Essas tecnologias não apenas protegem a privacidade dos dados no processo de aprendizado de máquina, mas também podem fornecer soluções abrangentes de inteligência artificial com proteção total de privacidade no nível de computação.
2.5 Fonte de Dados e Modelos
A tecnologia de origem de dados e modelos tem como objetivo estabelecer um processo que possa garantir aos usuários que eles estão interagindo com os modelos e dados esperados. Além disso, essas tecnologias oferecem garantias de autenticidade e origem. Tomemos a tecnologia de marca d'água como exemplo, a marca d'água é uma das tecnologias de origem de modelos, que incorpora diretamente uma assinatura no algoritmo de aprendizado de máquina, mais especificamente, incorpora diretamente nos pesos do modelo, dessa forma, é possível verificar se o raciocínio é proveniente do modelo esperado durante a recuperação.
2.6 Aplicação
Em termos de aplicação, as possibilidades de design são infinitas. Na paisagem da indústria acima, listamos alguns casos de desenvolvimento especialmente aguardados com a aplicação da tecnologia de IA no campo da Web 3.0. Como esses casos de uso são amplamente autodescritivos, não faremos comentários adicionais aqui. No entanto, é digno de nota que a interseção entre a IA e a Web 3.0 pode redesenhar verticalmente os campos, pois essas novas práticas oferecem aos desenvolvedores uma maior liberdade para criar novos casos de uso e otimizar os existentes.
Resumo
A fusão da IA com a Web3 traz perspectivas inovadoras e cheias de potencial. Ao aproveitar as vantagens únicas de cada tecnologia, podemos resolver diversos desafios e abrir novos caminhos tecnológicos. Ao explorar essa indústria emergente, a interação entre a IA e a Web3 pode impulsionar o progresso, remodelando nossa experiência digital futura e nossa forma de interagir na rede.
A fusão da escassez e da abundância de números, a mobilização de recursos subutilizados para alcançar eficiência computacional, e o estabelecimento da prática de dados seguros e de proteção da privacidade definirão a próxima era da evolução tecnológica.
No entanto, devemos reconhecer que esta indústria ainda está em seus estágios iniciais e o atual mapa da indústria pode ficar desatualizado em pouco tempo. O ritmo rápido de inovação significa que as soluções de ponta de hoje podem ser rapidamente substituídas por novas descobertas. No entanto, os conceitos fundamentais discutidos, como redes de computação, plataformas de agente e protocolo de dados, destacam o enorme potencial da integração da inteligência artificial com a Web 3.0.
O conteúdo é apenas para referência, não uma solicitação ou oferta. Nenhum aconselhamento fiscal, de investimento ou jurídico é fornecido. Consulte a isenção de responsabilidade para obter mais informações sobre riscos.
IOSG: O cenário da fusão AI e Web3 em imagens
À primeira vista, AI x Web3 parece ser tecnologias independentes, cada uma baseada em princípios fundamentalmente diferentes e servindo a diferentes funcionalidades. No entanto, uma análise mais aprofundada revelará que essas duas tecnologias têm a oportunidade de equilibrar as compensações uma da outra, e suas vantagens únicas podem se complementar e elevar uma à outra. Balaji Srinivasan, no SuperAI Conference, explicou de forma brilhante esse conceito de capacidade complementar, despertando um interesse detalhado sobre como essas tecnologias interagem umas com as outras.
Token adota uma abordagem ascendente, emergindo do esforço descentralizado dos punks anônimos da Descentralização, evoluindo constantemente ao longo de dez longos anos através da colaboração de entidades independentes em todo o mundo. Em contraste, a inteligência artificial é desenvolvida por cima para baixo, liderada por poucos gigantes da tecnologia. Essas empresas determinam o ritmo e a dinâmica da indústria, e a barreira de entrada é mais determinada pela intensidade de recursos do que pela complexidade técnica.
Estas duas tecnologias têm essencialmente naturezas diferentes. Em essência, TOKEN é um sistema determinístico que produz resultados imutáveis, como a previsibilidade de uma função de hash ou a prova de conhecimento zero. Isso contrasta fortemente com a probabilidade e a imprevisibilidade geral da inteligência artificial.
Da mesma forma, a tecnologia de encriptação destaca-se na verificação, garantindo a autenticidade e segurança das transações, estabelecendo processos e sistemas sem confiança, enquanto a inteligência artificial se concentra na geração e criação de conteúdo digital rico. No entanto, ao criar conteúdo digital rico, garantir a origem do conteúdo e prevenir a usurpação de identidade torna-se um desafio.
Felizmente, o TOKEN oferece um conceito oposto digitalmente rico - a escassez digital. Ele fornece ferramentas relativamente maduras que podem ser aplicadas à tecnologia de inteligência artificial para garantir a confiabilidade das fontes de conteúdo e evitar problemas de roubo de identidade.
Uma das vantagens significativas do TOKEN é a sua capacidade de atrair uma grande quantidade de hardware e capital para entrar na rede de coordenação para atender a objetivos específicos. Esta capacidade é particularmente benéfica para a inteligência artificial que consome muita capacidade de cálculo. Mobilizar recursos subutilizados para fornecer capacidade de cálculo mais barata pode significativamente aumentar a eficiência da inteligência artificial.
Ao comparar essas duas grandes tecnologias, não só podemos apreciar suas respectivas contribuições, mas também ver como elas estão criando juntas um novo caminho para a tecnologia e a economia. Cada tecnologia pode complementar a outra, criando um futuro mais integrado e inovador. Neste post, pretendemos explorar o emergente mapa da indústria AI x Web3, destacando especialmente algumas novas áreas verticais nesses pontos de interseção tecnológica.
Origem: IOSG Ventures
2.1 Rede de cálculo
O gráfico setorial primeiro introduz as redes de computação, que tentam resolver o problema do fornecimento limitado de GPUs e tentam reduzir os custos de cálculo de Gota de maneiras diferentes. Vale a pena seguir os seguintes pontos-chave:
2.2 Treinamento e Inferência
A rede de computação é usada principalmente para duas funções principais: treinamento e inferência. A demanda por essas redes vem de projetos Web 2.0 e Web 3.0. No campo do Web 3.0, projetos como o Bittensor usam recursos de computação para ajuste fino do modelo. Em relação à inferência, os projetos Web 3.0 enfatizam a verificabilidade do processo. Esse foco impulsionou a verificação da inferência como uma área de mercado vertical, e os projetos estão explorando como integrar a inferência de IA em contratos inteligentes, mantendo ao mesmo tempo o princípio de descentralização.
2.3 Plataforma de Agente Inteligente
A seguir está a plataforma de agente inteligente, o mapa geral dos problemas centrais que as empresas iniciantes neste tipo de categoria precisam resolver:
Estas características destacam a importância de sistemas flexíveis e modulares, que podem ser integrados perfeitamente em várias aplicações de blockchain e inteligência artificial. Os agentes de IA têm o potencial de mudar completamente a forma como interagimos com a internet, e acreditamos que os agentes utilizarão a infraestrutura para apoiar as suas operações. Imaginamos que os agentes de IA dependerão da infraestrutura em várias áreas:
Origem: IOSG Ventures
2.4Camada de dados
Na fusão AI x Web3, os dados são uma parte essencial. Os dados são ativos estratégicos na competição de AI e, juntamente com os recursos de computação, formam recursos críticos. No entanto, essa categoria muitas vezes é ignorada porque a maior parte da atenção da indústria está concentrada na camada de computação. Na verdade, o processo de obtenção de dados oferece muitas direções interessantes de valor, principalmente incluindo duas direções de alto nível a seguir:
Acesso a dados públicos da Internet: esta direção visa construir uma rede de web crawlers distribuída que pode rastrear toda a Internet em poucos dias, obtendo conjuntos de dados massivos ou acessando dados muito específicos da Internet em tempo real. No entanto, para rastrear grandes conjuntos de dados na Internet, são necessários altos requisitos de rede, pelo menos algumas centenas de Nó para iniciar trabalhos significativos. Felizmente, o Grass, uma rede distribuída de web crawlers Nó, já tem mais de 2 milhões de Nó compartilhando ativamente largura de banda da Internet na rede, com o objetivo de rastrear toda a Internet. Isso mostra o enorme potencial de incentivos econômicos na atração de recursos valiosos.
Embora a Grass ofereça um ambiente de competição justa em termos de dados públicos, ainda existem desafios no aproveitamento de dados potenciais - ou seja, o problema do acesso a conjuntos de dados proprietários. Especificamente, ainda há uma grande quantidade de dados que são mantidos de forma privada devido à sua natureza sensível. Muitas startups estão usando ferramentas criptográficas que permitem que os desenvolvedores de IA construam e ajustem modelos de linguagem de grande escala usando a estrutura básica de conjuntos de dados proprietários, mantendo as informações sensíveis em sigilo.
As tecnologias como o aprendizado federado, a privacidade diferencial, o ambiente de execução confiável, a computação totalmente homomórfica e a computação multiparte oferecem diferentes níveis de proteção e equilíbrio de privacidade. O artigo de pesquisa do Bagel () resume uma excelente visão geral dessas tecnologias. Essas tecnologias não apenas protegem a privacidade dos dados no processo de aprendizado de máquina, mas também podem fornecer soluções abrangentes de inteligência artificial com proteção total de privacidade no nível de computação.
2.5 Fonte de Dados e Modelos
A tecnologia de origem de dados e modelos tem como objetivo estabelecer um processo que possa garantir aos usuários que eles estão interagindo com os modelos e dados esperados. Além disso, essas tecnologias oferecem garantias de autenticidade e origem. Tomemos a tecnologia de marca d'água como exemplo, a marca d'água é uma das tecnologias de origem de modelos, que incorpora diretamente uma assinatura no algoritmo de aprendizado de máquina, mais especificamente, incorpora diretamente nos pesos do modelo, dessa forma, é possível verificar se o raciocínio é proveniente do modelo esperado durante a recuperação.
2.6 Aplicação
Em termos de aplicação, as possibilidades de design são infinitas. Na paisagem da indústria acima, listamos alguns casos de desenvolvimento especialmente aguardados com a aplicação da tecnologia de IA no campo da Web 3.0. Como esses casos de uso são amplamente autodescritivos, não faremos comentários adicionais aqui. No entanto, é digno de nota que a interseção entre a IA e a Web 3.0 pode redesenhar verticalmente os campos, pois essas novas práticas oferecem aos desenvolvedores uma maior liberdade para criar novos casos de uso e otimizar os existentes.
Resumo
A fusão da IA com a Web3 traz perspectivas inovadoras e cheias de potencial. Ao aproveitar as vantagens únicas de cada tecnologia, podemos resolver diversos desafios e abrir novos caminhos tecnológicos. Ao explorar essa indústria emergente, a interação entre a IA e a Web3 pode impulsionar o progresso, remodelando nossa experiência digital futura e nossa forma de interagir na rede.
A fusão da escassez e da abundância de números, a mobilização de recursos subutilizados para alcançar eficiência computacional, e o estabelecimento da prática de dados seguros e de proteção da privacidade definirão a próxima era da evolução tecnológica.
No entanto, devemos reconhecer que esta indústria ainda está em seus estágios iniciais e o atual mapa da indústria pode ficar desatualizado em pouco tempo. O ritmo rápido de inovação significa que as soluções de ponta de hoje podem ser rapidamente substituídas por novas descobertas. No entanto, os conceitos fundamentais discutidos, como redes de computação, plataformas de agente e protocolo de dados, destacam o enorme potencial da integração da inteligência artificial com a Web 3.0.