Злиття Web3 та AI: побудова інфраструктури наступного покоління інтернету

Web3, як нова парадигма інтернету, що є децентралізованою, відкритою та прозорою, має природні можливості для інтеграції з AI. У традиційній централізованій архітектурі обчислення AI та ресурси даних підлягають суворому контролю, стикаючись із такими викликами, як обмеження обчислювальної потужності, витік конфіденційності, алгоритми чорної скриньки тощо. Водночас Web3, заснований на розподілених технологіях, шляхом спільних обчислювальних мереж, відкритих ринків даних, обчислень з урахуванням конфіденційності тощо, вносить новий імпульс у розвиток AI. Крім того, AI також може надати багато можливостей для Web3, таких як оптимізація смарт-контрактів, алгоритми боротьби з шахрайством тощо, що сприяє його екосистемному розвитку. Отже, дослідження поєднання Web3 та AI є надзвичайно важливим для побудови інфраструктури наступного покоління інтернету, а також для реалізації цінності даних та обчислювальної потужності.

Дані, що керують: міцна основа AI та Web3

Дані є основним рушієм розвитку ШІ, як паливо для двигуна. Моделі ШІ потребують обробки великої кількості якісних даних, щоб отримати глибоке розуміння та потужні можливості для міркування. Дані не лише забезпечують навчальну основу для моделей машинного навчання, а й визначають точність та надійність моделей.

У традиційних централізованих моделях отримання та використання даних штучного інтелекту існує кілька основних проблем:

• Вартість отримання даних висока, і малим та середнім підприємствам важко це витримати
• Ресурси даних монополізовані технологічними гігантами, що призводить до утворення островів даних
• Особисті дані піддаються ризику витоку та зловживання.

Web3 може вирішити проблеми традиційних моделей за допомогою нової децентралізованої парадигми даних:

• Користувачі можуть продавати невикористовувану мережу компаніям ШІ, децентралізовано збираючи мережеві дані, очищуючи та перетворюючи їх, щоб забезпечити реальні та високоякісні дані для навчання моделей ШІ.
• Використовуючи модель "label to earn", заохочуючи глобальних працівників брати участь у позначенні даних за допомогою токенів, об'єднуючи глобальні експертні знання, підвищуючи аналітичні можливості даних.
• Блокчейн платформа для торгівлі даними забезпечує відкритий і прозорий торговий середовище для обох сторін попиту та пропозиції даних, стимулюючи інновації та обмін даними.

Незважаючи на це, отримання даних з реального світу також має деякі проблеми, такі як нерівна якість даних, велика складність обробки, недостатня різноманітність та представництво тощо. Синтетичні дані можуть стати зіркою майбутнього в сфері даних Web3. На основі технологій генеративного ШІ та моделювання, синтетичні дані можуть імітувати властивості реальних даних, діючи як ефективне доповнення до реальних даних, підвищуючи ефективність використання даних. У таких сферах, як автономне водіння, фінансові ринкові торги, розробка ігор тощо, синтетичні дані вже продемонстрували свій зрілий потенціал для застосування.

Захист приватності: роль FHE у Web3

Ера даних, захист особистих даних став глобальною проблемою, прийняття таких регламентів, як Загальний регламент захисту даних (GDPR) ЄС, відображає сувору охорону особистої приватності. Проте, це також викликає виклики: деякі чутливі дані не можуть бути повноцінно використані через ризики, пов'язані з приватністю, що безсумнівно обмежує потенціал і здатність міркування моделей ШІ.

FHE, або повна гомоморфна криптографія, дозволяє виконувати обчислювальні операції над зашифрованими даними без необхідності їх розшифровування, причому результати обчислень збігаються з результатами, отриманими при виконанні тих же обчислень над відкритими даними.

FHE забезпечує надійний захист для приватних обчислень AI, що дозволяє обчислювальній потужності GPU виконувати навчання моделей та завдання висновку в середовищі, яке не торкається вихідних даних. Це приносить величезні переваги компаніям AI. Вони можуть безпечно відкривати API-сервіси, захищаючи при цьому комерційну таємницю.

FHEML підтримує шифрування даних і моделей на всьому протязі циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. Таким чином, FHEML зміцнює конфіденційність даних, надаючи безпечну обчислювальну рамку для AI-додатків.

FHEML є доповненням до ZKML, де ZKML підтверджує правильність виконання машинного навчання, а FHEML підкреслює виконання обчислень над зашифрованими даними для підтримки конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах

Поточна обчислювальна складність AI-систем подвоюється кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальні потужності, що значно перевищує наявні ресурси. Наприклад, навчання великої мовної моделі потребує величезних обчислювальних потужностей, що еквівалентно 355 рокам навчання на одному пристрої. Такий брак потужностей не лише обмежує прогрес технологій AI, але й робить ці висококласні AI моделі недоступними для більшості дослідників і розробників.

В той же час, глобальна використання GPU становить менше 40%, а також уповільнення підвищення продуктивності мікропроцесорів, а також нестача чіпів, викликана факторами ланцюга постачання та геополітики, робить проблему постачання обчислювальної потужності ще більш серйозною. Працівники AI опинилися в двозначній ситуації: або купувати апаратне забезпечення, або орендувати хмарні ресурси, їм терміново потрібен економічно ефективний спосіб надання обчислювальних послуг за запитом.

Вже існує кілька проектів децентралізованих AI обчислювальних мереж, які, агрегуючи вільні ресурси GPU з усього світу, пропонують AI компаніям економічний та легкодоступний ринок обчислювальної потужності. Сторони, які потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, а смарт-контракти розподіляють завдання між майнерами, які надають обчислювальну потужність. Майнер виконує завдання та подає результати, які перевіряються, після чого отримує бали як винагороду. Ця схема підвищує ефективність використання ресурсів і допомагає вирішити проблему вузьких місць у обчислювальній потужності в таких областях, як AI.

Окрім загальної децентралізованої обчислювальної мережі, існують також платформи, що спеціалізуються на навчанні штучного інтелекту, а також спеціалізовані обчислювальні мережі для інференції штучного інтелекту.

Децентралізована мережа обчислювальної потужності забезпечує справедливий і прозорий ринок обчислювальної потужності, розриває монополії, знижує поріг входження для застосувань та підвищує ефективність використання обчислювальної потужності. У екосистемі web3 децентралізована мережа обчислювальної потужності відіграватиме ключову роль, залучаючи більше інноваційних dapp для спільного сприяння розвитку та застосуванню технологій штучного інтелекту.

DePIN: Web3 надає можливості Edge AI

Уявіть собі, що ваш мобільний телефон, смарт-годинник або навіть розумні пристрої у вашому домі мають можливість запускати штучний інтелект — ось у чому полягає привабливість Edge AI. Це дозволяє обробці даних відбуватися на місці їх виникнення, забезпечуючи низьку затримку та обробку в реальному часі, при цьому захищаючи конфіденційність користувача. Технології Edge AI вже застосовуються в таких ключових сферах, як автономне водіння.

У сфері Web3 у нас є більш знайоме ім'я — DePIN. Web3 підкреслює децентралізацію та суверенітет користувацьких даних, DePIN може підвищити захист конфіденційності користувачів, обробляючи дані локально, зменшуючи ризик витоку даних; рідна економічна механіка токенів Web3 може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.

Наразі DePIN швидко розвивається в певному екосистемі публічної блокчейн-мережі, ставши однією з основних платформ для розгортання проектів. Високий TPS, низькі комісії за транзакції та технологічні інновації цієї публічної блокчейн-мережі забезпечують потужну підтримку для проектів DePIN. Наразі ринкова капіталізація проектів DePIN на цій публічній блокчейн-мережі перевищує 10 мільярдів доларів, а деякі відомі проекти вже досягли значного прогресу.

IMO: Новий парадигм випуску AI моделей

Концепція IMO була вперше запропонована певним протоколом, який токенізує моделі штучного інтелекту.

У традиційній моделі, через відсутність механізму розподілу доходів, як тільки AI-модель розробляється та виводиться на ринок, розробникам часто важко отримувати постійний прибуток від подальшого використання моделі, особливо коли модель інтегрується в інші продукти та послуги, оригінальним творцям важко відслідковувати використання, не кажучи вже про отримання доходу. Крім того, продуктивність та ефективність AI-моделей часто не є прозорими, що ускладнює потенційним інвесторам та користувачам оцінку їхньої справжньої цінності, що обмежує визнання моделі на ринку та її комерційний потенціал.

IMO надає новий спосіб фінансування та розподілу вартості для відкритих AI моделей; інвестори можуть купувати токени IMO, щоб ділитися прибутками, які генеруються моделлю в подальшому. Один протокол використовує два стандарти ERC, поєднуючи AI оракул (Onchain AI Oracle) та технологію OPML, щоб забезпечити автентичність AI моделей та можливість власників токенів ділитися прибутком.

Модель IMO підвищила прозорість і довіру, заохочуючи співпрацю з відкритим вихідним кодом, адаптуючись до тенденцій криптовалютного ринку та надаючи імпульс сталому розвитку технологій штучного інтелекту. IMO наразі перебуває на початковій стадії спроб, але з підвищенням прийнятності на ринку та розширенням кола учасників її інноваційність та потенційна цінність заслуговують на очікування.

AI Агента: нова ера взаємодії

AI Агент може сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення визначених цілей. За підтримки великих мовних моделей, AI Агент не лише розуміє природну мову, але й може планувати рішення та виконувати складні завдання. Вони можуть виступати в ролі віртуальних помічників, навчаючись перевагам користувачів через взаємодію та пропонуючи персоналізовані рішення. Навіть без чітких інструкцій, AI Агент може самостійно вирішувати проблеми, підвищувати ефективність та створювати нову цінність.

Деякі проекти розробляють відкриті платформи для додатків на основі штучного інтелекту, які пропонують всебічний і простий у використанні набір інструментів для створення, підтримуючи користувачів у налаштуванні функцій, зовнішнього вигляду, голосу роботів та підключенні до зовнішніх баз знань, прагнучи створити справедливу і відкриту екосистему контенту на базі штучного інтелекту, використовуючи технології генеративного штучного інтелекту, надаючи можливість особам стати супер-творцями. Ці проекти тренують спеціалізовані великомовні моделі, щоб рольова гра була більш гуманізованою; технологія клонування голосу може прискорити персоналізований взаємодію продуктів штучного інтелекту, значно знизивши витрати на синтез голосу, що дозволяє досягти клонування голосу всього за 1 хвилину. Використовуючи ці налаштовані AI-агенти, їх можна застосовувати в різних сферах, таких як відеочати, вивчення мов, генерація зображень тощо.

У злитті Web3 та AI наразі більше йдеться про дослідження інфраструктурного рівня, як отримати якісні дані, захистити конфіденційність даних, як розміщувати моделі в ланцюзі, як підвищити ефективне використання децентралізованої обчислювальної потужності, як перевіряти великі мовні моделі та інші ключові питання. З поступовим вдосконаленням цих інфраструктур у нас є підстави вірити, що злиття Web3 та AI призведе до виникнення ряду інноваційних бізнес-моделей і послуг.