На перший погляд, штучний інтелект x Web3, здається, є технологіями, що працюють незалежно одна від одної, кожна ґрунтується на принципах, які зовсім різняться, і призначені для різних функцій. Однак глибоке вивчення показує, що ці дві технології мають можливість збалансувати взаємні компроміси, унікальні переваги однієї можуть доповнювати переваги іншої, підвищуючи їх взаємне значення. Balaji Srinivasan на конференції SuperAI доречно розглянув це поняття взаємодії, викликавши детальне порівняння того, як ці технології можуть взаємодіяти.
Token виник як результат Децентралізація зусиль анонімної мережі панків і протягом десятиліть постійно еволюціонував завдяки спільним зусиллям незалежних сутностей з усього світу. На відміну від цього, штучний інтелект розробляється зверху донизу, керований кількома технологічними гігантами. Ці компанії визначають темп і динаміку галузі, а вхідні бар'єри визначаються інтенсивністю використання ресурсів, а не складністю технології.
Ці дві технології мають абсолютно різну сутність. Основною принциповою відмінністю є те, що TOKEN - це детермінована система, що генерує незмінний результат, такий як хеш-функція або передбачуваність Доказ із нульовим розголошенням. Це різко контрастує зі стохастичністю та загальною непередбачуваністю штучного інтелекту.
Також, технологія шифрування відзначається в перевірці, забезпечуючи автентичність та безпеку транзакцій, а також створюючи довірені процеси та системи. З іншого боку, штучний інтелект зосереджений на створенні багатого цифрового контенту. Однак, у процесі створення цифрового багатства виникають виклики щодо походження контенту та запобігання крадіжки ідентичності.
Щасливо, Token надає числовий протилежний концепт - цифрову рідкість. Вона надає відносно витончені інструменти, які можуть бути застосовані до технології штучного інтелекту, щоб забезпечити надійність джерела контенту та уникнути проблем з крадіжкою особистої інформації.
Однією з помітних переваг токена є його здатність привернути велику кількість апаратного забезпечення та капіталу до координаційної мережі для обслуговування конкретних цілей. Ця здатність особливо корисна для штучного інтелекту, який вимагає великої обчислювальної потужності. Мобілізація недостатньо використовуваних ресурсів для надання більш доступної обчислювальної потужності може значно підвищити ефективність штучного інтелекту.
Шляхом порівняння цих двох технологій ми не тільки можемо оцінити їх внесок, але й побачити, як вони разом створюють нові шляхи у технологіях та економіці. Кожна технологія може компенсувати недоліки іншої, створюючи більш інтегроване та інноваційне майбутнє. У цій статті ми маємо на меті дослідити нову індустріальну карту AI x Web3, зосереджуючись на деяких нових вертикальних галузях на перетині цих технологій.
Джерело: IOSG Ventures
2.1 Обчислювальна мережа
Спочатку в індустріальній карті описані обчислювальні мережі, які намагаються вирішити проблему обмеженого постачання GPU та спробують знизити витрати на обчислення в різних способах. Особливу увагу слід звернути на наступне:
Неоднорідна взаємодія між GPU: Це дуже амбітна спроба, з високими технічними ризиками та невизначеністю, але якщо вона успішна, можливо створити значні результати, що зроблять всі обчислювальні ресурси взаємозамінними. У суті, ця ідея полягає в побудові компілятора та інших передумов, що дозволяють на постачальній стороні вставити будь-які апаратні ресурси, тоді як на стороні попиту неоднорідність апаратури буде повністю абстрагована, тому ваші обчислювальні запити можуть маршрутизуватися до будь-яких ресурсів в мережі. Якщо це бачення стане реальністю, це буде Падіння поточної залежності розробників AI від програмного забезпечення CUDA, яке повністю домінує. Незважаючи на високий технічний ризик, багато експертів ставляться до цього підходу з великим сумнівом.
Поєднання високопродуктивних графічних процесорів: інтеграція найпопулярніших графічних процесорів у світі в розподілену безліцензійну мережу, без необхідності турбуватися про проблеми взаємодії неоднорідних ресурсів графічних процесорів.
Об'єднання споживчих GPU: спрямоване на об'єднання деяких GPU з низькою продуктивністю, але можливих для використання в споживчих пристроях. Ці GPU є недостатньо використовуваними ресурсами постачальника. Воно задовольняє тих, хто готовий пожертвувати продуктивністю та швидкістю, щоб отримати більш дешевий та тривалий процес навчання.
2.2 Тренування та інференція
Обчислювальні мережі використовуються головним чином для двох основних функцій: навчання та розуміння. Потреба у цих мережах виникає з проектів Web 2.0 та Web 3.0. У сфері Web 3.0 проекти, такі як Bittensor, використовують обчислювальні ресурси для налаштування моделей. Що стосується розуміння, проекти Web 3.0 наголошують на перевірці процесу. Це призвело до появи верифікованих розуміння як вертикального ринку, де проекти досліджують, як інтегрувати розуміння Штучний Інтелект у смарт-контракти, зберігаючи принцип децентралізації.
2.3 Розумна платформа для агентів
Далі йде платформа інтелектуальних агентів, яка узагальнює проблеми, які потрібно вирішити стартапам у цій категорії.
Взаємодія та виявлення та комунікаційні можливості агентів: агенти можуть взаємодіяти та спілкуватися один з одним.
Здатність створювати та керувати кластерами проксі: проксі може створювати кластери та керувати іншими проксі.
Власність та ринок AI агентів: надає власність та ринок для AI агентів.
Ці особливості підкреслюють важливість гнучких та модульних систем, які можуть безшовно інтегруватися в різноманітні застосування блокчейн та штучного інтелекту. AI-агенти мають потенціал повністю змінити наш спосіб спілкування з Інтернетом, і ми віримо, що агенти будуть використовувати інфраструктуру для підтримки своєї діяльності. Ми уявляємо, що AI-агенти будуть залежати від інфраструктури в наступних аспектах:
Використовуючи розподілене збирання даних у реальному часі
Використання каналів DeFi для міжбанківських платежів
Потрібний економічний депозит не лише для покарання за неправомірну поведінку, а й для підвищення виявності агента (тобто використання депозиту як економічного сигналу під час виявлення)
Використовуючи Консенсус, вирішується, які події повинні призвести до зменшення
Відкриті стандарти взаємодії та рамки проксі, щоб підтримати побудову комбінованих колективів
Оцінюйте минулі досягнення на основі незмінної історії даних та в режимі реального часу вибирайте відповідну колективну агенту
Джерело: IOSG Ventures
2.4 Рівень даних
У поєднанні AI x Web3 дані є ключовою складовою. Для AI дані - стратегічний актив у конкурентній боротьбі, разом з обчислювальними ресурсами вони утворюють ключові ресурси. Однак цей тип часто ігнорується, оскільки більшість уваги індустрії приділяється обчислювальному рівню. Фактично, під час процесу отримання даних первинні дані надають багато цікавих напрямів цінності, переважно включається дві високорівневі напрямки:
Доступ до даних громадського Інтернету
Доступ до захищених даних
Доступ до даних глобальної мережі: ця галузь спрямована на побудову розподіленої мережі веб-павуків, яка може за кілька днів витягти всю глобальну мережу, отримати величезний набір даних або негайно отримати доступ до дуже конкретних даних в Інтернеті. Однак для вилучення великого набору даних з Інтернету потребується велике мережеве навантаження, щонайменше кілька сотень Нода, щоб розпочати якусь значущу роботу. На щастя, Grass, розподілена мережа веб-павуків, вже має понад 2 мільйони активних Нод, які діляться мережевою пропускною здатністю з метою вилучення всієї глобальної мережі. Це свідчить про великий потенціал економічного стимулювання у привабленні цінних ресурсів.
Незважаючи на те, що Grass забезпечує справедливе конкурентне середовище для громадських даних, все ще існують проблеми з доступом до власних наборів даних. Конкретно, багато даних все ще зберігаються з використанням захисних механізмів приватності через їх чутливий характер. Багато стартапів використовують криптографічні інструменти, щоб розробники ШІ могли будувати та налаштовувати великі мовні моделі на основі основної структури власних наборів даних, зберігаючи при цьому конфіденційну інформацію.
Федеративне навчання, диференційна конфіденційність, оточення довіри, повністю гомоморфне та багатостороннє обчислення надають різні рівні захисту конфіденційності та компромісів. Дослідження Bagel () узагальнює ці чудові огляди цих технологій. Ці технології не лише захищають конфіденційність даних під час процесу машинного навчання, але й можуть забезпечити повноцінний захист конфіденційності на рівні обчислень у штучний інтелект.
**2.5 Джерела даних та моделі
Технологія джерела даних та моделей призначена для створення процесу, який може гарантувати користувачам, що вони взаємодіють з очікуваною моделлю та даними. Крім того, ці технології забезпечують автентичність та походження. Наприклад, водяний знак - одна з технологій джерела моделей, яка безпосередньо вбудовує підпис в алгоритм машинного навчання, більш конкретно - безпосередньо вбудовується в ваги моделі, що дозволяє перевірити, чи виведення вияву відбувається з очікуваної моделі.
2.6 Застосування
У сфері застосування можливості безмежні. У вищезазначеній галузевій карті ми навели деякі випадки розвитку, які особливо захоплюють через використання технології штучного інтелекту в галузі Web 3.0. Оскільки ці сценарії використання є самопідтверджуючими, ми не надаємо додаткових коментарів. Проте варто зауважити, що зустріч штучного інтелекту та Web 3.0 може перетворити вертикальні галузі сфери за допомогою нових примітивів, що надає розробникам більше свободи для інноваційних та оптимізованих сценаріїв використання.
Заключення
Поєднання AI та Web3 призводить до інноваційних та потенційно перспективних перспектив. Завдяки використанню унікальних переваг кожної технології ми можемо вирішувати різноманітні виклики та відкривати нові технологічні шляхи. При дослідженні цієї нової галузі співпраця між AI та Web3 може сприяти прогресу, перетворюючи наше майбутнє цифрове досвід та наші способи взаємодії в мережі.
Поєднання цифрової рідкісності та багатства, мобілізація недостатньо використовуваних ресурсів для досягнення обчислювальної ефективності, а також встановлення практики забезпечення безпеки та конфіденційності даних визначать еру еволюції наступного покоління технологій.
Проте ми повинні усвідомити, що ця галузь все ще знаходиться на початковому етапі, і сучасна картина галузі може швидко застаріти. Швидкий темп інновацій означає, що сьогоднішні передові рішення можуть швидко бути замінені новими проривами. Тим не менш, обговорювані основні концепції, такі як обчислювальні мережі, посередницькі платформи та протоколи даних, підкреслюють величезний потенціал поєднання штучного інтелекту та Web 3.0.
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
IOSG: Ілюстрована об'єднання штучного інтелекту та Web3
На перший погляд, штучний інтелект x Web3, здається, є технологіями, що працюють незалежно одна від одної, кожна ґрунтується на принципах, які зовсім різняться, і призначені для різних функцій. Однак глибоке вивчення показує, що ці дві технології мають можливість збалансувати взаємні компроміси, унікальні переваги однієї можуть доповнювати переваги іншої, підвищуючи їх взаємне значення. Balaji Srinivasan на конференції SuperAI доречно розглянув це поняття взаємодії, викликавши детальне порівняння того, як ці технології можуть взаємодіяти.
Token виник як результат Децентралізація зусиль анонімної мережі панків і протягом десятиліть постійно еволюціонував завдяки спільним зусиллям незалежних сутностей з усього світу. На відміну від цього, штучний інтелект розробляється зверху донизу, керований кількома технологічними гігантами. Ці компанії визначають темп і динаміку галузі, а вхідні бар'єри визначаються інтенсивністю використання ресурсів, а не складністю технології.
Ці дві технології мають абсолютно різну сутність. Основною принциповою відмінністю є те, що TOKEN - це детермінована система, що генерує незмінний результат, такий як хеш-функція або передбачуваність Доказ із нульовим розголошенням. Це різко контрастує зі стохастичністю та загальною непередбачуваністю штучного інтелекту.
Також, технологія шифрування відзначається в перевірці, забезпечуючи автентичність та безпеку транзакцій, а також створюючи довірені процеси та системи. З іншого боку, штучний інтелект зосереджений на створенні багатого цифрового контенту. Однак, у процесі створення цифрового багатства виникають виклики щодо походження контенту та запобігання крадіжки ідентичності.
Щасливо, Token надає числовий протилежний концепт - цифрову рідкість. Вона надає відносно витончені інструменти, які можуть бути застосовані до технології штучного інтелекту, щоб забезпечити надійність джерела контенту та уникнути проблем з крадіжкою особистої інформації.
Однією з помітних переваг токена є його здатність привернути велику кількість апаратного забезпечення та капіталу до координаційної мережі для обслуговування конкретних цілей. Ця здатність особливо корисна для штучного інтелекту, який вимагає великої обчислювальної потужності. Мобілізація недостатньо використовуваних ресурсів для надання більш доступної обчислювальної потужності може значно підвищити ефективність штучного інтелекту.
Шляхом порівняння цих двох технологій ми не тільки можемо оцінити їх внесок, але й побачити, як вони разом створюють нові шляхи у технологіях та економіці. Кожна технологія може компенсувати недоліки іншої, створюючи більш інтегроване та інноваційне майбутнє. У цій статті ми маємо на меті дослідити нову індустріальну карту AI x Web3, зосереджуючись на деяких нових вертикальних галузях на перетині цих технологій.
Джерело: IOSG Ventures
2.1 Обчислювальна мережа
Спочатку в індустріальній карті описані обчислювальні мережі, які намагаються вирішити проблему обмеженого постачання GPU та спробують знизити витрати на обчислення в різних способах. Особливу увагу слід звернути на наступне:
2.2 Тренування та інференція
Обчислювальні мережі використовуються головним чином для двох основних функцій: навчання та розуміння. Потреба у цих мережах виникає з проектів Web 2.0 та Web 3.0. У сфері Web 3.0 проекти, такі як Bittensor, використовують обчислювальні ресурси для налаштування моделей. Що стосується розуміння, проекти Web 3.0 наголошують на перевірці процесу. Це призвело до появи верифікованих розуміння як вертикального ринку, де проекти досліджують, як інтегрувати розуміння Штучний Інтелект у смарт-контракти, зберігаючи принцип децентралізації.
2.3 Розумна платформа для агентів
Далі йде платформа інтелектуальних агентів, яка узагальнює проблеми, які потрібно вирішити стартапам у цій категорії.
Ці особливості підкреслюють важливість гнучких та модульних систем, які можуть безшовно інтегруватися в різноманітні застосування блокчейн та штучного інтелекту. AI-агенти мають потенціал повністю змінити наш спосіб спілкування з Інтернетом, і ми віримо, що агенти будуть використовувати інфраструктуру для підтримки своєї діяльності. Ми уявляємо, що AI-агенти будуть залежати від інфраструктури в наступних аспектах:
Джерело: IOSG Ventures
2.4 Рівень даних
У поєднанні AI x Web3 дані є ключовою складовою. Для AI дані - стратегічний актив у конкурентній боротьбі, разом з обчислювальними ресурсами вони утворюють ключові ресурси. Однак цей тип часто ігнорується, оскільки більшість уваги індустрії приділяється обчислювальному рівню. Фактично, під час процесу отримання даних первинні дані надають багато цікавих напрямів цінності, переважно включається дві високорівневі напрямки:
Доступ до даних глобальної мережі: ця галузь спрямована на побудову розподіленої мережі веб-павуків, яка може за кілька днів витягти всю глобальну мережу, отримати величезний набір даних або негайно отримати доступ до дуже конкретних даних в Інтернеті. Однак для вилучення великого набору даних з Інтернету потребується велике мережеве навантаження, щонайменше кілька сотень Нода, щоб розпочати якусь значущу роботу. На щастя, Grass, розподілена мережа веб-павуків, вже має понад 2 мільйони активних Нод, які діляться мережевою пропускною здатністю з метою вилучення всієї глобальної мережі. Це свідчить про великий потенціал економічного стимулювання у привабленні цінних ресурсів.
Незважаючи на те, що Grass забезпечує справедливе конкурентне середовище для громадських даних, все ще існують проблеми з доступом до власних наборів даних. Конкретно, багато даних все ще зберігаються з використанням захисних механізмів приватності через їх чутливий характер. Багато стартапів використовують криптографічні інструменти, щоб розробники ШІ могли будувати та налаштовувати великі мовні моделі на основі основної структури власних наборів даних, зберігаючи при цьому конфіденційну інформацію.
Федеративне навчання, диференційна конфіденційність, оточення довіри, повністю гомоморфне та багатостороннє обчислення надають різні рівні захисту конфіденційності та компромісів. Дослідження Bagel () узагальнює ці чудові огляди цих технологій. Ці технології не лише захищають конфіденційність даних під час процесу машинного навчання, але й можуть забезпечити повноцінний захист конфіденційності на рівні обчислень у штучний інтелект.
**2.5 Джерела даних та моделі
Технологія джерела даних та моделей призначена для створення процесу, який може гарантувати користувачам, що вони взаємодіють з очікуваною моделлю та даними. Крім того, ці технології забезпечують автентичність та походження. Наприклад, водяний знак - одна з технологій джерела моделей, яка безпосередньо вбудовує підпис в алгоритм машинного навчання, більш конкретно - безпосередньо вбудовується в ваги моделі, що дозволяє перевірити, чи виведення вияву відбувається з очікуваної моделі.
2.6 Застосування
У сфері застосування можливості безмежні. У вищезазначеній галузевій карті ми навели деякі випадки розвитку, які особливо захоплюють через використання технології штучного інтелекту в галузі Web 3.0. Оскільки ці сценарії використання є самопідтверджуючими, ми не надаємо додаткових коментарів. Проте варто зауважити, що зустріч штучного інтелекту та Web 3.0 може перетворити вертикальні галузі сфери за допомогою нових примітивів, що надає розробникам більше свободи для інноваційних та оптимізованих сценаріїв використання.
Заключення
Поєднання AI та Web3 призводить до інноваційних та потенційно перспективних перспектив. Завдяки використанню унікальних переваг кожної технології ми можемо вирішувати різноманітні виклики та відкривати нові технологічні шляхи. При дослідженні цієї нової галузі співпраця між AI та Web3 може сприяти прогресу, перетворюючи наше майбутнє цифрове досвід та наші способи взаємодії в мережі.
Поєднання цифрової рідкісності та багатства, мобілізація недостатньо використовуваних ресурсів для досягнення обчислювальної ефективності, а також встановлення практики забезпечення безпеки та конфіденційності даних визначать еру еволюції наступного покоління технологій.
Проте ми повинні усвідомити, що ця галузь все ще знаходиться на початковому етапі, і сучасна картина галузі може швидко застаріти. Швидкий темп інновацій означає, що сьогоднішні передові рішення можуть швидко бути замінені новими проривами. Тим не менш, обговорювані основні концепції, такі як обчислювальні мережі, посередницькі платформи та протоколи даних, підкреслюють величезний потенціал поєднання штучного інтелекту та Web 3.0.