Napsal: IOG Ventures
1
Na první pohled se AI x Web3 jeví jako nezávislé technologie, z nichž každá je založena na zásadně odlišných principech a slouží jiným funkcím. Ponořte se však hlouběji a zjistíte, že pro obě technologie existují příležitosti, jak vyvážit vzájemné kompromisy a že jejich jedinečné přednosti se mohou vzájemně doplňovat a vylepšovat. Balaji Srinivasan brilantně formuloval tento koncept doplňkových schopností na konferenci SuperAI a inspiroval k podrobnému srovnání toho, jak tyto technologie interagují.
Při přístupu zdola nahoru se Token vynořil z decentralizačního úsilí anonymních kyberpunkerů a vyvíjel se více než deset let díky společnému úsilí mnoha nezávislých subjektů po celém světě. Místo toho je umělá inteligence vyvíjena přístupem shora dolů, kterému dominuje hrstka technologických gigantů. Tyto společnosti udávají tempo a dynamiku odvětví, přičemž bariéry vstupu jsou určeny spíše náročností zdrojů než technologickou složitostí.
Tyto dvě technologie jsou také zcela odlišné povahy. Tokeny jsou v podstatě deterministické systémy, které produkují neměnné výsledky, jako je předvídatelnost hašovací funkce nebo důkaz nulových znalostí. To kontrastuje s pravděpodobnostní a často nepředvídatelnou povahou umělé inteligence.
Stejně tak kryptografie vyniká v ověřování, zajišťuje autenticitu a bezpečnost transakcí a zavádí důvěryhodné procesy a systémy, zatímco AI se zaměřuje na generování a vytváření bohatého digitálního obsahu. V procesu vytváření digitální hojnosti se však zajištění provenience obsahu a zabránění krádeži identity stává výzvou.
Naštěstí tokeny nabízejí opačný koncept digitální hojnosti – digitální nedostatek. Poskytuje relativně vyspělé nástroje, které lze rozšířit na technologii umělé inteligence, aby byla zajištěna spolehlivost zdrojů obsahu a aby se zabránilo problémům s krádeží identity.
Významnou výhodou tokenů je jejich schopnost přilákat velké množství hardwaru a kapitálu do koordinovaných sítí, aby sloužily konkrétním cílům. Tato schopnost je výhodná zejména pro umělou inteligenci, která spotřebovává velké množství výpočetního výkonu. Mobilizace nedostatečně využívaných zdrojů k poskytování levnějšího výpočetního výkonu může výrazně zlepšit efektivitu umělé inteligence.
Porovnáním těchto dvou technologií můžeme nejen ocenit jejich individuální přínos, ale také vidět, jak mohou společně vytvářet nové cesty pro technologii a ekonomiku. Každá technologie může doplňovat nedostatky té druhé a vytvářet integrovanější a inovativní budoucnost. V tomto blogovém příspěvku se snažíme prozkoumat vznikající průmyslovou oblast AI x Web3 a upozornit na některé vznikající vertikály na průsečíku těchto technologií.
Zdroj: IOSG Ventures
2
2.1 Výpočetní síť
Mapa odvětví začíná úvodem do výpočetních sítí, které se pokoušejí vyřešit problém omezené nabídky GPU a pokoušejí se různými způsoby snížit náklady na výpočetní techniku. Stojí za to se zaměřit na následující položky:
Nesjednocená interoperabilita GPU: Jedná se o velmi ambiciózní úsilí s vysokými technickými riziky a nejistotami, ale pokud bude úspěšné, bude mít potenciál vytvořit výsledky obrovského rozsahu a dopadu, díky čemuž budou všechny výpočetní zdroje interoperabilní. V zásadě jde o sestavení kompilátoru a dalších předpokladů tak, aby na straně nabídky bylo možné zapojit jakýkoli hardwarový prostředek, zatímco na straně poptávky bude nejednotnost veškerého hardwaru zcela odstraněna, takže vaše požadavky na výpočetní techniku mohou být směrovány. do sítě jakýkoli zdroj v . Pokud tato vize uspěje, sníží se současná závislost na softwaru CUDA, kterému zcela dominují vývojáři AI. Navzdory vysokým technickým rizikům je mnoho odborníků velmi skeptických k proveditelnosti tohoto přístupu.
Vysoce výkonná agregace GPU: Konsolidujte nejpopulárnější GPU na světě do distribuované sítě bez oprávnění, aniž byste se museli starat o problémy s interoperabilitou mezi nesjednocenými GPU prostředky.
Komoditní spotřebitelská agregace GPU: Poukazuje na agregaci řady GPU s nižším výkonem, které mohou být dostupné v spotřebitelských zařízeních a jsou nejvíce nevyužitými zdroji na straně nabídky. Vychází vstříc těm, kteří jsou ochotni obětovat výkon a rychlost pro levnější a delší trénink.
2.2 Školení a vyvozování
Výpočetní sítě se primárně používají pro dvě hlavní funkce: trénování a vyvozování. Potřeba těchto sítí pochází z projektů Web 2.0 a Web 3.0. Ve světě Web 3.0 využívají projekty jako Bittensor výpočetní zdroje pro jemné ladění modelu. Pokud jde o uvažování, projekty Web 3.0 kladou důraz na ověřitelnost procesů. Toto zaměření vedlo ke vzniku ověřitelného uvažování jako tržní vertikály s projekty zkoumajícími, jak integrovat uvažování AI do chytrých kontraktů při zachování principů decentralizace.
2.3 Platforma inteligentního agenta
Další jsou platformy inteligentních agentů a graf nastiňuje hlavní problémy, které musí startupy v této kategorii vyřešit:
Interoperabilita agentů a schopnosti zjišťování a komunikace: Agenti jsou schopni se navzájem objevovat a komunikovat.
Možnosti konstrukce a správy clusteru agentů: Agenti mohou vytvářet clustery a spravovat další agenty.
Vlastnictví a trh pro agenty AI: Poskytněte vlastnictví a trh pro agenty AI.
Tyto vlastnosti zdůrazňují důležitost flexibilních a modulárních systémů, které lze bez problémů integrovat do různých aplikací blockchainu a umělé inteligence. Agenti umělé inteligence mají potenciál způsobit revoluci v tom, jak interagujeme s internetem, a věříme, že agenti využijí infrastrukturu k podpoře svých operací. Agenti umělé inteligence, kteří se spoléhají na infrastrukturu, si představujeme následujícími způsoby:
Získejte přístup k webovým datům v reálném čase pomocí distribuované škrabací sítě
Použití kanálů DeFi pro platby mezi agenty
Vyžadování finanční zálohy není určeno pouze k potrestání nevhodného chování, když k němu dojde, ale také ke zvýšení zjistitelnosti agenta (tj. využití zálohy jako finančního signálu během procesu zjišťování)
Použijte konsensus k rozhodnutí, které události by měly vést ke škrtům
Otevřené standardy interoperability a rámce agentur pro podporu vytváření sestavitelných kolektivů
Vyhodnoťte minulý výkon na základě neměnné historie dat a vyberte vhodné skupiny agentů v reálném čase
Zdroj: IOSG Ventures
2.4 Datová vrstva
Ve spojení AI x Web3 jsou data klíčovou součástí. Data jsou strategickým aktivem v soutěži AI a spolu s výpočetními zdroji představují kritický zdroj. Tato kategorie je však často přehlížena, protože většina pozornosti tohoto odvětví se soustředí na úroveň výpočetní techniky. Ve skutečnosti primitiva poskytují mnoho zajímavých hodnotových směrů v procesu získávání dat, včetně následujících dvou směrů na vysoké úrovni:
Přístup k veřejným internetovým datům
Přístup k chráněným datům
Přístup k veřejným internetovým datům: Tento směr si klade za cíl vybudovat distribuované prolézací sítě, které dokážou procházet celý internet během několika dní, získávat masivní datové sady nebo přistupovat k velmi specifickým internetovým datům v reálném čase. Pro procházení velkých souborů dat na internetu jsou však požadavky na síť velmi vysoké a k zahájení nějaké smysluplné práce je potřeba alespoň několik stovek uzlů. Naštěstí Grass, síť distribuovaných prolézacích uzlů, má již více než 2 miliony uzlů, které aktivně sdílejí internetovou šířku pásma se sítí s cílem procházet celý internet. To ukazuje obrovský potenciál finančních pobídek k přilákání cenných zdrojů.
Zatímco Grass vyrovnává podmínky, pokud jde o veřejná data, stále existují problémy s využitím základních dat – jmenovitě přístup k proprietárním datovým sadám. Konkrétně stále existuje velké množství dat, která jsou kvůli své citlivé povaze uchovávána způsobem zachovávajícím soukromí. Mnoho startupů využívá kryptografické nástroje, které umožňují vývojářům umělé inteligence vytvářet a dolaďovat velké jazykové modely pomocí základních datových struktur proprietárních datových sad a zároveň uchovávat citlivé informace v soukromí.
Technologie jako federované učení, diferenciální soukromí, důvěryhodná prováděcí prostředí, plně homomorfní a vícestranné výpočty poskytují různé úrovně ochrany soukromí a kompromisů. Bagelův výzkumný článek (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) shrnuje vynikající přehled těchto technik. Tyto technologie nejen chrání soukromí dat během procesu strojového učení, ale také umožňují komplexní řešení AI na úrovni výpočetní techniky, která chrání soukromí.
2.5 Zdroje dat a modelů
Techniky původu dat a modelů mají za cíl vytvořit procesy, které mohou uživatele ujistit, že interagují se zamýšlenými modely a daty. Tyto technologie navíc poskytují záruky pravosti a provenience. Vezmeme-li jako příklad technologii vodoznaku, vodoznak je jednou z technologií zdroje modelu, která vkládá podpis přímo do algoritmu strojového učení, přesněji do vah modelu, takže lze během vyhledávání ověřit, zda odvození pochází z očekávaného modelu. .
2.6 Aplikace
Co se týče aplikací, možnosti designu jsou nekonečné. Na mapě odvětví výše jsme uvedli některé zvláště vzrušující případy vývoje s aplikací technologie AI v oblasti Web 3.0. Vzhledem k tomu, že tyto případy použití se většinou popisují samy, nedáváme zde žádné další komentáře. Stojí však za zmínku, že průnik AI a Web 3.0 má potenciál přetvořit mnoho vertikál domény, protože tato nová primitiva poskytují vývojářům větší svobodu vytvářet inovativní případy použití a optimalizovat ty stávající.
Shrnout
Konvergence AI x Web3 přináší příslib plný inovací a potenciálu. Využitím jedinečných silných stránek každé technologie můžeme řešit různé výzvy a vytvářet nové technologické cesty. Při zkoumání tohoto rozvíjejícího se odvětví může synergie mezi AI x Web3 řídit pokrok, který přetváří naše budoucí digitální zážitky a způsob interakce na webu.
Konvergence digitálního nedostatku a digitálního nadbytku, mobilizace nedostatečně využívaných zdrojů k dosažení výpočetní efektivity a zavedení bezpečných datových postupů zachovávajících soukromí budou definovat další éru technologického vývoje.
Musíme však uznat, že toto odvětví je stále v plenkách a současné průmyslové prostředí se může v krátké době stát zastaralým. Rychlé tempo inovací znamená, že dnešní špičková řešení mohou být brzy nahrazena novými průlomy. Nicméně prozkoumané základní koncepty – jako jsou výpočetní sítě, platformy agentů a datové protokoly – zdůrazňují obrovské možnosti konvergence AI a Webu 3.0.