Originální název: Crypto x AI: 10 kategorií, které sledujeme v roce 2025 Originální autor: @archetypevc, kryptoměnový Kol Originální překlad: zhouzhou, BlockBeats
Poznámka redaktora: Tento článek diskutuje o několika inovativních oblastech kombinace kryptografie a AI v roce 2025, včetně interakce mezi agenty, decentralizovaných agenturních organizací, AI poháněné zábavy, generovaného obsahu marketingu, datových trhů, decentralizovaného výpočtu atd. Článek zkoumá, jak využít technologie blockchain a AI k vytváření nových příležitostí v různých odvětvích, podnítit ochranu soukromí, rozvoj AI hardwaru a aplikaci decentralizovaných technologií, přičemž se zaměřuje na to, jak inteligentní agenti přinášejí průlom v oblastech obchodování, umělecké tvorby a další.
Níže je uveden originální obsah (pro usnadnění čtení byl originál částečně přepracován):
Interakce mezi agenty
Výchozí transparentnost a kombinovatelnost blockchainu činí z něj ideální platformu pro interakci mezi agenty.
V této situaci mohou různé subjekty vyvinout agenty pro různé účely, kteří mohou bezproblémově interagovat. Již bylo provedeno mnoho experimentů týkajících se zasílání peněz mezi agenty, společného vydávání tokenů atd.
Těšíme se na to, jak se interakce mezi agenty rozšíří, včetně vytváření nových aplikací jako jsou nové sociální prostory poháněné interakcí mezi agenty, stejně jako zlepšení efektivity prostřednictvím zlepšení stávajících podnikových pracovních postupů (například platformní certifikace, verifikace, mikroplatby, integrace pracovních postupů napříč platformami atd.) a řešení některých aktuálních frustrujících problémů.
—Danny, Katie, Aadharsh, Dmitriy
Decentralizované agenturní organizace
Masivní koordinace více agentů je další vzrušující výzkumnou oblastí.
Jak mohou víceagentní systémy spolupracovat, aby splnily úkoly, vyřešily problémy a spravovaly systémy a protokoly? V článku z počátku roku 2024 (Sliby a výzvy kombinace kryptografie a umělé inteligence) Vitalik zmínil, že lze využít AI agenty pro predikční trhy a rozhodování. Ve skutečnosti věří, že ve velkém měřítku mají víceagentní systémy významnou schopnost „objevování pravdy“ a mohou realizovat univerzální autonomní vládní systémy. Jsme velmi zvědaví na schopnosti víceagentních systémů a neustálé objevování a experimentování v podobě „kolektivní inteligence“.
Jako rozšíření koordinace mezi agenty je také koordinace mezi agenty a lidmi zajímavým designovým prostorem - zejména jak organizovat komunitní interakce kolem agentů nebo jak prostřednictvím agentů organizovat lidi k kolektivnímu jednání. Doufáme, že uvidíme více experimentů agentů zaměřených na masovou koordinaci lidí. To bude vyžadovat některé verifikační mechanismy, zejména v případech, kdy je část lidské práce vykonávána mimo řetězec, ale může to také přinést některé velmi zvláštní a zajímavé nečekané chování.
—Katie, Dmitriy, Ash
Multimediální zábava agentů
Koncept digitálních postav existuje již desítky let.
Hatsune Miku (2007) vyprodala arénu s kapacitou 20 000 míst, zatímco Lil Miquela (2016) má na Instagramu více než 2 miliony fanoušků. Novější a méně známé příklady zahrnují AI virtuálního streamera Neuro-sama (2022), který má na Twitchi více než 600 000 odběratelů, a jihokorejskou chlapeckou skupinu PLAVE (2023), která debutovala anonymně a za méně než dva roky získala více než 300 milionů zhlédnutí na YouTube.
S rozvojem AI infrastruktury a integrací blockchainu do plateb, převodu hodnoty a otevřených datových platforem se velmi těšíme na to, jak se tito agenti stanou autonomnějšími a jak mohou v roce 2025 odemknout novou mainstreamovou kategorii zábavy.
—Katie, Dmitriy
Generování/marketing obsahu agentů
V uvedeném případě je agent sám o sobě produktem, zatímco v jiném scénáři může agent doplnit stávající produkty. V ekonomice pozornosti je pro úspěch jakéhokoli kreativního projektu, produktu, společnosti atd. zásadní udržovat neustálý a atraktivní tok obsahu.
Generování/obsah agentů je silným nástrojem pro týmy, které zajišťují škálovatelný a celodenní proces tvorby obsahu. Diskuse o tom, co odlišuje meme tokeny od agentů, urychlila vývoj tohoto konceptu. Agenti poskytují silné distribuční prostředky pro meme tokeny, i když tyto meme tokeny v současnosti nejsou zcela „agentní“ (ale mohou se jimi stát).
Dalším příkladem je, že hry čím dál více potřebují větší dynamiku, aby udržely uživatelskou angažovanost. Jednou z klasických metod vytváření herní dynamiky je podpora obsahu generovaného uživateli; zcela generovaný obsah (od herních předmětů po NPC a kompletně generované úrovně) by mohl být dalším stupněm tohoto vývoje. Zajímá nás, jak agenti v roce 2025 rozšíří hranice tradičních distribučních strategií.
—Katie
Nástroje/platformy nové generace
V roce 2024 jsme spustili (V ROZHOVORU S), což je série rozhovorů s kryptografickými umělci v oblastech jako je hudba, vizuální umění, design, kurátorství atd. Klíčovým pozorováním, které jsem získal během letošních rozhovorů, je, že mnoho umělců, kteří se zajímají o kryptografii, má obvykle také silný zájem o špičkové technologie a chtějí tyto technologie integrovat do své umělecké praxe, jinými slovy, AR/VR objekty, umění založené na kódu a živé kódování atd.
Zvláště generativní umění má přirozenou synergii s blockchainem, což činí jeho potenciální základní platformu pro AI umění ještě jasnější. Na tradičních platformách je velmi obtížné správně prezentovat tyto umělecké formy. ArtBlocks poskytuje výhled na to, jak využít blockchain pro zobrazování, ukládání, monetizaci a uchovávání digitálního umění - zlepšující celkový zážitek umělců a diváků. Kromě zobrazení AI nástroje dokonce rozšiřují schopnost obyčejných lidí vytvářet vlastní umění. Jak blockchain v roce 2025 rozšíří nebo podpoří tyto nástroje, bude velmi zajímavé téma.
—Katie
Datový trh
Od doby, kdy Clive Humby řekl, že „data jsou nová ropa“, uplynulo 20 let a společnosti přijaly silná opatření k hromadění a monetizaci uživatelských dat. Uživatelé si postupně uvědomují, že jejich data jsou základem těchto miliardových společností, ale téměř nemají moc kontrolovat, jak jsou jejich data využívána, ani nesdílí zisky, které z toho plynou.
Rychlý rozvoj silných AI modelů činí tento rozpor ještě ostřejším, pokud je řešení vykořisťování uživatelů součástí příležitosti k datům, pak je dalším důležitým problémem řešení nedostatku dodávek dat, protože stále větší a silnější modely spotřebovávají snadno dostupné ložiska veřejných internetových dat a potřebují nové zdroje dat.
Toto je obrovský designový prostor, který se zabývá tím, jak vrátit kontrolu nad daty od společností zpět k jejich zdrojům (uživatelům) pomocí decentralizované infrastruktury. Nejurgentnější otázky zahrnují: místo pro ukládání dat a jak udržovat soukromí během ukládání, přenosu a výpočtu; jak objektivně benchmarkovat, filtrovat a hodnotit kvalitu dat; jakými mechanismy provádíme připsání a monetizaci (zejména když je třeba zpětně sledovat hodnotu k zdroji po inference); jaký typ koordinace nebo systému vyhledávání dat používáme v diverzifikovaném modelovém ekosystému.
Pokud jde o řešení dodavatelských úzkých míst, nejde pouze o replikaci Scale AI pomocí tokenů, ale také o pochopení, v jakých oblastech můžeme díky technickým výhodám získat výhodu a jak budovat konkurenční řešení kolem měřítka, kvality nebo lepších incentivních (a filtračních) mechanismů k vytváření hodnotnějších datových produktů. Zvláště když většina poptávky pochází z web2 AI, je důležité, jak zkombinovat mechanismy vynucování chytrých kontraktů s tradičními dohodami o úrovni služeb (SLA) a nástroji.
—Danny
Decentralizovaný výpočet
Pokud jsou data základním stavebním prvkem vývoje a nasazení AI, pak je výpočetní výkon dalším. V posledních letech dominovaly tradiční velké datové centra s unikátním přístupem - včetně kontroly nad prostorem, energií a hardwarem - na trajektorii hlubokého učení a AI, ale s fyzickými omezeními a pokrokem otevřeného zdroje se tento obraz začíná měnit.
Verze v1 výpočetního modelu v decentralizované AI vypadá jako kopie web2 GPU cloudu, bez skutečných výhod dodávky (ať už hardwarových nebo datových center) a bez organické poptávky. Ve verzi v2 začínáme vidět některé vynikající týmy, které budují kompletní technologický stack založený na heterogenním vysoce výkonném výpočetním (HPC) dodávce, zahrnující schopnosti v oblasti koordinace, směrování, oceňování atd., a kombinující některé proprietární funkce k přitahování poptávky a vyrovnání se s marginálním stlačením, zejména v části inference. Týmy také začínají diverzifikovat v různých případech použití a strategiích trhu (GTM), některé se zaměřují na efektivní směrování inference integrované do různých hardwarových rámců, zatímco jiné týmy zavádějí distribuované modelové tréninkové rámce na svých budovaných výpočetních sítích.
Dokonce jsme začali vidět vznik trhu AI-Fi, který zahrnuje nové ekonomické protokoly, které transformují výpočetní a GPU na výnosová aktiva, nebo využívají on-chain likviditu jako další kapitálový zdroj pro získání hardwaru pro datová centra. Hlavním problémem zde je, do jaké míry se decentralizovaná AI (DeAI) vyvine a nasadí na decentralizovaných výpočetních tratích, nebo zda rozdíl mezi ideologií a praktickými potřebami, jako je tomu v oblasti ukládání, zůstane trvale nevyřešen a tím pádem nedojde k plnému využití potenciálu této myšlenky.
—Danny
Standardy pro výpočetní hodnocení
Ve vztahu k pobídkovým mechanismům decentralizované sítě vysoce výkonného výpočtu je zásadním problémem při koordinaci heterogenních výpočetních zdrojů nedostatek jednotného standardu pro hodnocení těchto výpočetních kapacit. AI modely unikátně zvyšují složité faktory v prostoru výstupu vysoce výkonného výpočtu (HPC), od variant modelů a kvantizace až po úpravy teploty modelu a hyperparametrů vzorkování, které ovlivňují úroveň náhodnosti. Navíc může rozmanitost architektur GPU a různé verze CUDA přinést další složitost. Nakonec to vedlo k potřebě hodnotit schopnosti modelu a trhu s výpočetními kapacitami při křížovém výpočtu v heterogenních distribuovaných systémech.
Částečně kvůli nedostatku standardů jsme v oblastech web2 a web3 viděli řadu případů, kdy modely a trhy s výpočetními kapacitami nedokázaly přesně vyhodnotit kvalitu a množství svých výpočetních schopností. To vedlo k tomu, že uživatelé museli provádět vlastní srovnávací benchmarky a vykonávat práci trhu s výpočetními kapacitami prostřednictvím omezování, aby mohli auditovat skutečný výkon těchto AI vrstev.
Vzhledem k tomu, že základní principy kryptografie zahrnují ověřitelnost, doufáme, že křižovatka kryptografie a AI v roce 2025 bude snadněji ověřitelná než tradiční AI. Konkrétně je důležité, aby běžní uživatelé mohli porovnávat různé aspekty daného modelu nebo shluku, zejména ty, které definují výstupy, aby mohli auditovat a benchmarkovat výkon systému.
—Aadharsh
Pravděpodobnostní soukromí protokolu
Ve článku (Sliby a výzvy kombinace kryptografie a AI) Vitalik zmínil unikátní výzvy k řešení mezi kryptografií a AI: „V kryptografii je open-source jediný způsob, jak skutečně zabezpečit věci, ale v AI otevřenost modelu (dokonce i jeho tréninkových dat) značně zvyšuje jeho zranitelnost vůči útokům na protiváhu strojového učení.“
I když soukromí není v oblasti blockchainu novým výzkumným směrem, věříme, že popularita AI bude i nadále urychlovat výzkum a aplikaci šifrovacích protokolů pro soukromí. Tento rok dosáhly technologie zvyšující soukromí (jako ZK, FHE, TEE a MPC) významného pokroku, přičemž aplikace zahrnují privátní sdílené stavy pro výpočty na šifrovaných datech. Současně vidíme, jak centralizovaní AI giganti jako Nvidia a Apple využívají proprietární TEE pro federované učení a soukromé AI inference, aby udrželi konzistenci hardwaru, firmwaru a modelů mezi systémy.
S ohledem na to budeme bedlivě sledovat, jak udržovat soukromí náhodných stavových přechodů v heterogenních systémech a jak urychlit rozvoj aplikací decentralizované AI v reálném světě - od decentralizované soukromé inference po úložiště/přístupové kanály šifrovaných dat, až po plně suverénní výkonné prostředí.
—Aadharsh
Agentní úmysl a uživatelské obchodní rozhraní nové generace
Nejbližší aplikací AI agentů je použití k autonomnímu obchodování za nás na řetězci. Nelze popřít, že v posledních 12 až 16 měsících bylo mnoho nejasných vyjádření o tom, co znamená „úmysl“, „agentní chování“, „agentní úmysl“, „hledač“, „agent hledač“ atd., a jak se liší od tradičního vývoje ‚robotů‘ v posledních letech.
V následujících 12 měsících očekáváme, že se stále složitější jazykové systémy spojí s různými typy dat a architekturami neuronových sítí, což podnítí rozvoj celkového designového prostoru. Budou agenti pokračovat v používání stejných on-chain systémů pro transakce, které používáme dnes, nebo vyvinou své vlastní nezávislé obchodní nástroje/metody? Budou velké jazykové modely (LLMs) i nadále fungovat jako zázemí těchto systémů obchodování agentů, nebo je nahradí jiné systémy? Na uživatelské úrovni začnou lidé používat přirozený jazyk pro obchodování? Bude nakonec klasická teorie „peněženka jako prohlížeč“ realizována?
—Danny, Katie, Aadharsh, Dmitriy
„Odkaz na originál“