TL;DR
1. Projekty Web3 založené na AI přitahují investice na primárních a sekundárních trzích.
2. Příležitosti Web3 v odvětví AI se projevují v: použití distribuovaných podnětů k koordinaci potenciální nabídky v dlouhém ocasu - přes data, úložiště a výpočetní výkon; současně zakládání decentralizovaného trhu otevřeného modelu a AI Agentů.
3. Hlavní oblasti aplikace AI v průmyslu Web3 zahrnují financování na blockchainu (kryptoměnové platby, obchodování, analýzu dat) a podpůrný vývoj.
4. Užitečnost AI+Web3 spočívá v jejich vzájemné komplementaritě: Web3 má potenciál protičinit centralizaci AI, AI má potenciál pomoci Web3 překonat bariéry.
Úvod
V posledních dvou letech se vývoj AI zdá, jako by byl stisknut zrychlovací tlačítko, tento motýlí efekt vyvolaný ChatGPT otevřel nejen nový svět generativní AI, ale také vyvolal vlnu na břehu Web3.
Podporováno konceptem AI, znatelně se zlepšilo financování v pomalu se rozvíjejícím kryptoměnovém trhu. Média uvádějí, že pouze v první polovině roku 2024 dokončilo celkem 64 projektů Web3+AI financování, přičemž operační systém založený na umělé inteligenci Zyber 365 dosáhl maximálního financování 100 milionů dolarů v první řadě.
Sekundární trhy jsou stále prosperující, data kryptoměnového agregátoru Coingecko ukazují, že během pouhého více než jednoho roku dosáhl celkový tržní objem AI sektoru 48,5 miliardy dolarů a 24 hodinový obchodní objem se blíží 8,6 miliardy dolarů; výrazný pozitivní vliv přinesly pokroky v hlavních AI technologiích, průměrná cena AI segmentu vzrostla o 151 % po vydání modelu OpenAI pro text na video Sora; efekt AI se také odráží v jednom z atraktivních segmentů kryptoměnového trhu Meme: první meme coin s konceptem AI Agenta - GOAT, rychle se stal populárním a dosáhl ocenění 1,4 miliardy dolarů, úspěšně vyvolal AI Meme boom.
Studie a témata ohledně AI+Web3 jsou také populární, od AI+Depin přes AI Memecoin až po aktuální AI Agenty a AI DAO, FOMO nálada již nestačí držet krok s rychlostí rotace nového narativu.
AI+Web3, toto spojení termínů, které je plné peněz, módních trendů a futuristických vizí, není překvapivé, že je považováno za svatbu zajištěnou kapitálem, zdá se, že je obtížné rozlišit, zda je to aréna spekulantů nebo svítání na prahu exploze.
Abychom na tuto otázku odpověděli, klíčovým zamyšlením pro obě strany je, zda by se situace zlepšila, pokud by existovalo to druhé? Může těžit z modelu toho druhého? V tomto článku se také snažíme zkoumat tento obraz z perspektivy předchozích příspěvků: Jak může Web3 fungovat v každé části technologického stacku AI a co nového může AI přinést Web3?
Část 1: Jaké příležitosti má Web3 pod AI stackem?
Před zahájením tohoto tématu je třeba pochopit technický stack velkých modelů AI:
Zdroj obrázku: Delphi Digital
Celý proces lze vyjádřit jednodušeji: "Velký model" je jako lidský mozek, v rané fázi tento mozek patří dítěti, které právě přišlo na svět a potřebuje pozorovat a absorbovat masivní množství informací z okolí, aby porozumělo tomuto světu, což je fáze "sběru" dat; protože počítače nemají lidské smysly jako zrak a sluch, je před tréninkem nutné transformovat rozsáhlé nespecifikované informace z okolí do formátu, který počítač může pochopit a použít.
Po zadání dat AI vytvořila model se schopností porozumění a predikce prostřednictvím "trénování", což lze považovat za proces, kdy se dítě postupně učí a chápe okolní svět, přičemž parametry modelu jsou podobné jazykovým schopnostem dítěte, které se během procesu učení neustále vyvíjejí. Jakmile se učební obsah začne specializovat, nebo když se obdrží zpětná vazba při interakci s lidmi a provedou se opravy, vstupujeme do fáze "jemného ladění" velkého modelu.
Jakmile dítě postupně roste a učí se mluvit, může v nových konverzacích chápat význam a vyjadřovat své pocity a myšlenky, což je fáze podobná "inference" velkých modelů AI, kdy model může predikovat a analyzovat nové vstupy jazyka a textu. Děti vyjadřují pocity, popisují objekty a řeší různé problémy prostřednictvím jazykových schopností, což je také podobné aplikaci velkých modelů AI po dokončení tréninku v různých konkrétních úlohách, například klasifikace obrazů, rozpoznávání hlasu a další.
AI Agent se také blíží další formě velkých modelů - schopnosti samostatně provádět úkoly a usilovat o složité cíle, nejen že má schopnost myslet, ale také si pamatovat, plánovat a interagovat s nástroji a světem.
V současnosti, na základě bolestivých bodů AI v různých vrstvách, Web3 již vytvořil počáteční víceúrovňový, vzájemně propojený ekosystém, který pokrývá všechny fáze procesu AI modelu.
1. Základní vrstva: Airbnb pro výpočetní sílu a data
▼ Výpočetní síla
V současnosti jsou jedním z nejvyšších nákladů AI náklady na výpočetní výkon a energii potřebnou pro trénink a inference modelu.
Příkladem je, že Meta LLAMA 3 potřebuje 16 000 H100 GPU vyráběných společností NVIDIA (což je špičkový grafický procesor navržený pro zátěž umělé inteligence a vysoký výkon). K dokončení tréninku potřebuje 30 dní. Cena 80GB verze se pohybuje mezi 30 000 a 40 000 dolary, což vyžaduje investici do výpočetního hardwaru (GPU + síťové čipy) ve výši 400-700 milionů dolarů, zatímco měsíční trénink vyžaduje spotřebu 1,6 miliardy kilowatthodin, měsíční náklady na energii činí téměř 20 milionů dolarů.
Odlehčení výpočetní síly AI je také prvním oblastí, kde se Web3 začalo propojovat s AI - DePin (decentralizovaná fyzická infrastruktura). V současnosti webová stránka DePin Ninja již zobrazuje více než 1400 projektů, z nichž zástupci projektů sdílení GPU zahrnují io.net, Aethir, Akash, Render Network a další.
Jeho hlavní logika spočívá v tom, že platforma umožňuje jednotlivcům nebo subjektům s nevyužitými GPU zdroji přispívat svou výpočetní silou decentralizovaným způsobem bez povolení, prostřednictvím online trhu pro kupující a prodávající podobně jako Uber nebo Airbnb zvyšuje využití nevyužitých GPU zdrojů, přičemž koncoví uživatelé tak získávají efektivní výpočetní zdroje za nižší náklady; zároveň mechanismus stakingu zaručuje, že pokud dojde k porušení mechanismu kontroly kvality nebo přeruší síť, poskytovatelé zdrojů mají odpovídající trest.
Jeho charakteristiky zahrnují:
Sběr nevyužitých GPU zdrojů: Hlavní dodavatelé tvoří třetí strany, jako jsou nezávislá středně velká datová centra a operátoři kryptoměnových farem, jejichž přebytečná výpočetní síla a hardwarové zařízení pro těžbu jako FileCoin a ETH. V současnosti existují také projekty zaměřené na spuštění zařízení s nižšími překážkami, jako exolab, které využívá MacBook, iPhone, iPad a další místní zařízení k vytvoření výpočetní sítě pro inference velkých modelů.
Při pohledu na dlouhý trh výpočetní síly AI:
a. Z technického hlediska je decentralizovaný trh výpočetní síly lépe uzpůsoben pro inference. Trénink silně závisí na výpočetní kapacitě, kterou nabízí rozsáhlé GPU shluky, zatímco inference vyžaduje relativně nižší výpočetní výkon GPU, jako například Aethir se zaměřuje na nízkou latenci v renderování a aplikacích inference AI.
b. Určité střední výpočetní požadavky nebudou trénovat své velké modely samostatně, ale pouze se zaměří na optimalizaci a jemné ladění kolem několika hlavních velkých modelů, a tyto scénáře jsou přirozeně vhodné pro distribuované nevyužité výpočetní zdroje.
Decentralizované vlastnictví: Technologický význam blockchainu spočívá v tom, že vlastníci zdrojů si vždy uchovávají kontrolu nad svými zdroji, flexibilně se přizpůsobují podle poptávky a zároveň získávají zisky.
▼ Data
Data jsou základem AI. Bez dat by byl výpočet zcela bezcenný, a vztah mezi daty a modelem je podobný přísloví "Garbage in, Garbage out"; množství dat a kvalita vstupu určují kvalitu výstupu konečného modelu. Pro současný trénink modelu AI data určují jazykové schopnosti modelu, schopnost porozumění, dokonce i hodnoty a lidské chování. V současnosti se potíže s poptávkou po datech AI soustředí na následující čtyři oblasti:
Hlad po datech: Trénink AI modelu závisí na velkém množství vstupních dat. Veřejně dostupné informace ukazují, že OpenAI trénuje parametry GPT-4 na úrovni trilionů.
Kvalita dat: Jak se AI spojuje s různými průmysly, nové požadavky na kvalitu dat zahrnují časovou relevanci, různorodost dat, specializaci vertikálních dat a schopnost přijímat nové zdroje dat, jako jsou emoce na sociálních médiích.
Otázky související s ochranou soukromí a dodržováním předpisů: V současnosti si různé země a podniky postupně uvědomují důležitost kvalitních datových sad a začínají omezovat shromažďování dat.
Vysoké náklady na zpracování dat: Velké objemy dat a složitý proces zpracování. Veřejně dostupné informace ukazují, že více než 30 % výdajů AI společností je určeno na shromažďování a zpracování základních dat.
V současnosti se řešení Web3 projevují v následujících čtyřech oblastech:
1. Shromažďování dat: Schopnost bezplatně poskytovat skutečná data z reálného světa rychle vyčerpává, výdaje AI společnosti na data každý rok rostou. Avšak tyto výdaje nevrací skutečným přispěvatelům dat, platformy plně využívají hodnotu, kterou data přinášejí, například Reddit realizoval příjmy ve výši 203 milionů dolarů prostřednictvím smluv o povolení dat s AI společnostmi. Cílem Web3 je zapojit skutečné přispěvatele do vytváření hodnoty z dat a prostřednictvím distribuovaných sítí s motivačními mechanismy získat více soukromá a cennější data od uživatelů s nízkými náklady.
Grass je decentralizovaná datová vrstva a síť, kde uživatelé mohou provozovat uzly Grass a přispívat nevyužitou šířkou pásma a reléovým tokem pro zachycení reálných dat z celého internetu a získávat tokenové odměny.
Vana zavádí unikátní koncept datového likviditního bazénu (DLP), kde uživatelé mohou nahrávat svá soukromá data (například nákupní historie, prohlížecí zvyky, aktivity na sociálních médiích) do určitého DLP a flexibilně si vybírat, zda tato data povolit k použití určitým třetím stranám.
Na PublicAI mohou uživatelé na X používat #AI nebo #Web3 jako klasifikační štítky a @PublicAI k provedení shromažďování dat.
2. Předzpracování dat: Během zpracování dat AI musí být shromážděná data, která jsou obvykle hlučná a obsahují chyby, před tréninkem modelu vyčištěna a převedena do použitelného formátu, což zahrnuje úkoly jako standardizace, filtrování a zpracování chybějících hodnot. Tato fáze je jednou z mála lidských intervencí v průmyslu AI, a uživatelé přicházejí s tímto odvětvím, přičemž se zvyšují požadavky na kvalitu dat a zároveň se zvyšují požadavky na prahové hodnoty práce.
V současnosti Grass a OpenLayer zvažují zapojení do klíčového procesu označování dat.
Synesis zavedl koncept "Train 2 earn", který klade důraz na kvalitu dat, uživatelé mohou získat odměny za poskytování označených dat, anotací nebo jiných forem vstupu.
Projekt označování dat Sapien hru gamifikuje a umožňuje uživatelům stakovat body za účelem získání více bodů.
3. Ochrana soukromí a bezpečnost dat: Je třeba objasnit, že ochrana soukromí a bezpečnost jsou dva odlišné koncepty. Ochrana soukromí dat se týká zpracování citlivých dat, zatímco bezpečnost dat chrání data před neoprávněným přístupem, poškozením a krádeží. Tím pádem výhody technologií ochrany soukromí Web3 a potenciální aplikační scénáře se projevují ve dvou aspektech: (1) trénink citlivých dat; (2) spolupráce na datech: více vlastníků dat se může podílet na trénování AI, aniž by museli sdílet svá původní data.
Současné technologie ochrany soukromí v Web3 zahrnují:
Důvěryhodné výpočetní prostředí (TEE), jako je Super Protocol;
Kompletní homomorfní šifrování (FHE), jako je BasedAI, Fhenix.io nebo Inco Network;
Technologie nulových znalostí (zk), například protokol Reclaim používá technologii zkTLS k vygenerování důkazů nulových znalostí o HTTPS provozu, což uživatelům umožňuje bezpečně importovat aktivity, pověst a identifikační data z externích webů, aniž by odhalili citlivé informace.
Avšak v současnosti se tato oblast nachází v rané fázi, většina projektů stále zkoumá, přičemž jedna z potíží je příliš vysoká cena výpočtů, některé příklady zahrnují:
Rámec zkML EZKL potřebuje přibližně 80 minut k vygenerování důkazu pro model 1M-nanoGPT.
Podle údajů Modulus Labs jsou náklady na zkML více než 1000krát vyšší než čistě výpočetní náklady.
4. Ukládání dat: Jakmile jsou data k dispozici, je zapotřebí místo pro jejich ukládání na blockchainu a také pro LLM generované daty. Se zaměřením na dostupnost dat (DA) před upgradem Ethereum Danksharding byla jeho propustnost 0,08 MB. Mezitím trénink modelů AI a real-time inference obvykle vyžaduje propustnost dat od 50 do 100 GB za sekundu. Tento rozdíl v množství činí stávající řešení na blockchainu nedostatečnými při čelení "náročným aplikacím AI".
0g.AI je reprezentativním projektem této kategorie. Je to centralizované úložné řešení navržené pro vysoké výpočetní požadavky AI, jehož klíčové vlastnosti zahrnují vysoký výkon a škálovatelnost, podporující rychlé nahrávání a stahování velkých datových sad prostřednictvím pokročilého shardingu a kódování ztrát.
Druhá část: Middleware: Trénink a inference modelu
▼ Decentralizovaný trh otevřených modelů
Diskuse o tom, zda by měly být AI modely uzavřeny nebo otevřeny, nikdy neutichla. Kolektivní inovace přinášená otevřením nemůže být srovnávána s uzavřenými modely, avšak bez žádného ziskového modelu, jak by mohl otevřený model zvýšit motivaci vývojářů? To je otázka, kterou je třeba zvážit, zakladatel Baidu Li Yanhong letos v dubnu prohlásil, že "otevřené modely budou stále více zaostávat."
Web3 navrhuje možnost decentralizovaného trhu s otevřenými modely, což znamená tokenizaci modelu samotného, uchování určitého podílu tokenů pro tým a směřování části budoucích příjmů z tohoto modelu k držitelům tokenů.
Například protokol Bittensor vytváří otevřený model P2P trhu složený z desítek "subnetů", kde zdrojoví poskytovatelé (výpočet, shromažďování/úložiště dat, odborníci na strojové učení) soutěží, aby splnili cíle konkrétního vlastníka subnetu, přičemž jednotlivé subnety mohou interagovat a vzájemně se učit pro dosažení silnější inteligence. Odměny jsou distribuovány prostřednictvím hlasování komunity a dále rozdělovány na jednotlivé subnety na základě výkonnosti v soutěži.
ORA přivedla koncept počátečního vydání modelu (IMO), který tokenizuje AI modely, které mohou být nakupovány, prodávány a vyvíjeny prostřednictvím decentralizované sítě.
Sentient, decentralizovaná platforma AGI, motivuje lidi k spolupráci, budování, replikaci a rozšiřování AI modelů a odměňuje přispěvatele.
Spectral Nova, zaměřená na vytváření a aplikaci AI a ML modelů.
▼ Ověřitelné inference
Problém "černé skříňky" v procesu inference AI, standardní řešení Web3 spočívá v tom, že více validátorů opakuje stejné operace a porovnává výsledky, ale v současnosti čelí výrazným výzvám kvůli nedostatku vysoce výkonných "Nvidia čipů", což znamená, že náklady na inference AI jsou vysoké.
Nadějnějším řešením je provádění ZK důkazů pro výpočty AI podél řetězce "zero-knowledge proof, což je kryptografický protokol, ve kterém může jedna strana, prokazatel, dokázat jiné straně, validátorovi, že dané tvrzení je pravdivé, aniž by odhalil jakékoli další informace kromě toho, že dané tvrzení je pravdivé", což umožňuje ověřenou validaci výpočtů modelu AI na blockchainu bez povolení. To vyžaduje, aby byl na blockchainu kryptograficky prokázán, že byl správně dokončen výpočet mimo řetězec (například, že datový soubor nebyl pozměněn), přičemž je zajištěno, že všechna data zůstávají důvěrná.
Hlavní výhody zahrnují:
Škálovatelnost: Nulové znalostní důkazy mohou rychle potvrdit velké množství výpočtů mimo řetězec. I když se počet transakcí zvyšuje, jednotlivé nulové znalostní důkazy mohou ověřit všechny transakce.
Ochrana soukromí: Detaily dat a AI modelů zůstávají soukromé, zatímco strany mohou ověřit, že data a modely nebyly poškozeny.
Není třeba důvěry: Ověření výpočtu není závislé na centralizovaných stranách.
Integrační Web2: Z definice je Web2 integrovaný mimo řetězec, což znamená, že ověřitelné inference mohou pomoci přenést jejich datové sady a výpočty AI na blockchain. To pomáhá zvýšit přijetí Web3.
V současnosti Web3 cílí na ověřitelné technologie pro ověřitelné inference, jak ukazuje následující čtyři aspekty:
zkML: Kombinace nulových znalostí a strojového učení za účelem zajištění soukromí a důvěrnosti dat a modelů, umožňující ověřitelné výpočty bez odhalení některých základních atributů, jako je ZK prover pro AI, který vyvinul Modulus Labs, aby efektivně zkontroloval, zda AI poskytovatelé manipulují s algoritmem na blockchainu.
opML: Využití principu optimálního shrnutí ke zvýšení škálovatelnosti a efektivity ML výpočtů, v tomto modelu stačí ověřit pouze malou část výsledků generovaných "ověřovatelem", přičemž se nastaví dostatečně vysoké ekonomické náklady na podvod, aby se snížily redundantní výpočty.
TeeML: Bezpečné provádění ML výpočtů pomocí důvěryhodného výpočetního prostředí, aby se chránila data a modely před manipulací a neoprávněným přístupem.
Třetí část: Aplikační vrstva: AI Agent
Současný vývoj AI jasně ukazuje, že zaměření se přesouvá od schopnosti modelu k AI Agentům. OpenAI, AI velkomodeloví unicorni jako Anthropic, a technologické společnosti jako Microsoft se všichni obracejí k vývoji AI Agentů, v pokusu prolomit současné technologické období LLM.
Definice AI Agenta od OpenAI je: poháněný LLM jako mozek, má schopnost autonomně chápat, vnímat, plánovat, pamatovat si a používat nástroje, a může automatizovat provádění složitých úkolů. Když se AI stává subjektem, který může používat nástroje namísto pouhého použití jako nástroje, stává se AI Agentem. To je důvod, proč AI Agent může být ideálním inteligentním asistentem pro lidstvo.
A co může Web3 přinést agentům?
1. Decentralizace
Decentralizované vlastnosti Web3 mohou umožnit agentnímu systému být více rozptýleným a autonomním, a prostřednictvím mechanismů jako PoS, DPoS atd. mohou být vytvořeny motivační a sankční mechanismy zaměřené na staker a delegáty, což může podpořit demokratizaci agentního systému, GaiaNet, Theoriq, HajimeAI již vyzkoušeli.
2. Studený start
Vývoj a iterace AI Agentů obvykle vyžaduje značnou finanční podporu, přičemž Web3 může pomoci perspektivním projektům AI Agentů získat počáteční financování a studené spuštění.
Virtual Protocol spustil platformu pro vytváření AI Agentů a vydávání tokenů fun.virtuals, kde každý uživatel může jedním kliknutím nasadit AI Agenta a dosáhnout 100% spravedlivého vydání tokenů AI Agenta.
Spectral navrhl produktový koncept podporující vydávání aktiv AI Agentů na blockchainu: vydání tokenů prostřednictvím IAO (Initial Agent Offering), AI Agent může přímo získat financování od investorů a stát se členem DAO správy, čímž investorům poskytne příležitost účastnit se rozvoje projektu a sdílet budoucí zisky.
Část 2: Jak AI posiluje Web3?
Dopad AI na projekty Web3 je zřejmý, přináší výhody blockchainové technologie prostřednictvím optimalizace operací na blockchainu (například provádění inteligentních smluv, optimalizace likvidity a rozhodování založeného na umělé inteligenci) a zároveň poskytuje lepší datově řízené poznatky, zvyšuje bezpečnost na blockchainu a zakládá nové aplikace založené na Web3.
1. AI a financování na blockchainu
▼ AI a kryptoměnová ekonomika
31. srpna, generální ředitel Coinbase Brian Armstrong oznámil, že na síti Base provedl první kryptoměnovou transakci AI s AI a uvedl, že AI Agent nyní může provádět transakce USD s lidmi, obchodníky nebo jinými AI na Base, které jsou okamžité, globální a bez poplatků.
Kromě plateb také Luna od Virtuals Protocol poprvé demonstruje, jak AI Agent může samočinně provádět transakce na blockchainu, což způsobilo, že AI Agent je považován za inteligentní entitu schopnou vnímat prostředí, provádět rozhodnutí a vykonávat akce, což představuje budoucnost financování na blockchainu, potenciální scénáře pro AI Agenta zahrnují následující body:
1. Shromažďování informací a predikce: Pomoc investorům shromažďovat oznámení od burz, veřejné informace o projektech, panické nálady, rizika veřejného mínění atd., analyzovat a hodnotit základní aktivum a tržní situaci v reálném čase, predikovat trendy a rizika.
2. Správa aktiv: Poskytování uživatelům vhodných investičních cílů, optimalizace portfolií, automatizace obchodování.
3. Finanční zkušenost: Pomoc investorům vybrat nejrychlejší metody obchodování na blockchainu, automatizovat přesuny mezi blockchainy, upravit manuální operace jako poplatky za plyn a snížit překážky a náklady na finanční aktivity na blockchainu.
Představte si scénář, kde AI Agent dostane následující pokyn: "Mám 1000 USDT, prosím, najdi mi kombinaci s nejvyšším výnosem, zámek nesmí být delší než jeden týden", AI Agent poskytne následující doporučení: "Doporučuji počáteční rozdělení 50 % na A, 20 % na B, 20 % na X, 10 % na Y. Budu sledovat úrokové sazby a pozorovat změny v úrovni rizika a v případě potřeby přehodnotím." Kromě toho, hledání potenciálních airdrop projektů a projektů Memecoin s populárními komunitními znaky jsou také možné úkoly, které by AI Agent mohl vykonávat.
Zdroj obrázku: Biconomy
V současnosti se pokusy o AI Agenta provádějí prostřednictvím peněženky Bitte a interakčního protokolu Wayfinder, obě se snaží připojit k API modelu OpenAI, aby uživatelé mohli provádět různé operace na blockchainu prostřednictvím rozhraní chatu podobného ChatGPT. Například prototyp WayFinder, který byl letos v dubnu vydán, demonstruje na hlavních veřejných blockchainových sítích Base, Polygon a Ethereum čtyři základní operace: swap, send, bridge a stake.
V současnosti podporuje decentralizovaná platforma Agent Morpheus také vývoj takových Agentů, přičemž Biconomy také demonstruje úkon, kdy AI Agent může zaměnit ETH za USDC bez autorizace úplných peněžních oprávnění.
▼ AI a bezpečnost transakcí na blockchainu
Na světě Web3 je bezpečnost transakcí na blockchainu zásadní. Technologie AI může být použita ke zvýšení bezpečnosti a ochrany soukromí transakcí na blockchainu, potenciální scénáře zahrnují:
Monitorování transakcí: technologie pro monitorování podivných transakčních aktivit v reálném čase, s real-time upozorňovacím systémem pro uživatele a platformy.
Analýza rizik: Pomoc platformě analyzovat data o obchodním chování zákazníků a hodnotit jejich úroveň rizika.
Například bezpečnostní platforma Web3 SeQure využívá AI k detekci a prevenci útoků, podvodů a úniků dat, a poskytuje mechanismy pro monitorování a alarmy v reálném čase, aby zajistila bezpečnost a stabilitu transakcí na blockchainu. Podobné bezpečnostní nástroje zahrnují AI-powered Sentinel.
Druhá část: AI a infrastruktura na blockchainu
▼ AI a data na blockchainu
Technologie AI hraje důležitou roli v shromažďování a analýze dat na blockchainu, například:
Web3 Analytics: Je to analytická platforma založená na AI, která využívá algoritmy strojového učení a datového dolování k shromažďování, zpracování a analýze dat na blockchainu.
MinMax AI: Nabízí nástroje pro analýzu dat na blockchainu založené na AI, které pomáhají uživatelům objevovat potenciální tržní příležitosti a trendy.
Kaito: Web3 vyhledávací platforma založená na LLM.
Followin: Integruje ChatGPT a shromažďuje a integruje relevantní informace rozptýlené na různých webových a komunitních platformách.
Dalším aplikačním scénářem je oracle, kde AI může získat ceny z různých zdrojů a poskytovat přesná cenová data. Například Upshot používá AI k analýze turbulentních cen NFT a poskytuje ceny NFT s procentuální chybou 3-10 % prostřednictvím více než miliardy hodnocení za hodinu.
▼ AI a audit vývoje
Nedávno byla platforma AI pro úpravu kódu Cursor v komunitě vývojářů velmi pozorována, kde uživatelé pouze popisují přirozeným jazykem a Cursor automaticky generuje odpovídající HTML, CSS a JavaScript kód, což značně zjednodušuje proces vývoje softwaru, tento princip se také hodí k zlepšení efektivity vývoje Web3.
V současnosti je nasazení inteligentních smluv a DApp na veřejných blockchainech obvykle spojeno s dodržováním specializovaných programovacích jazyků, jako jsou Solidity, Rust, Move atd. Vize nových programovacích jazyků spočívá v rozšíření designového prostoru pro decentralizované blockchainy, aby byly lépe přizpůsobeny vývoji DApp, ale v kontextu významného nedostatku vývojářů Web3 je vzdělávání vývojářů stále bolestivým problémem.
V současnosti AI v podpůrném vývoji Web3 může zahrnovat: automatizované generování kódu, ověřování a testování inteligentních smluv, nasazení a údržbu DApp, inteligentní automatické doplňování kódu, AI konverzace pro řešení složitých otázkách vývoje atd. Díky pomoci AI se nejen zvyšuje efektivita a přesnost vývoje, ale také se snižují překážky programování, což umožňuje i neprogramátorům převést své nápady na praktické aplikace a přináší novou energii pro rozvoj decentralizovaných technologií.
V současnosti nejvíce přitahuje pozornost platforma pro spouštění tokenů jedním kliknutím, jako je Clanker, AI poháněný "Token Bot" navržený pro rychlé nasazení tokenů DIY. Stačí označit Clanker na klientovi SocialFi protokolu Farcaster, jako je Warpcast nebo Supercast, a říct mu svůj nápad na token, a on pro vás token spustí na veřejném blockchainu Base.
Existují také platformy pro vývoj smluv, jako je Spectral, které nabízejí funkce pro generování a nasazení inteligentních smluv jedním kliknutím, aby snížily prahovou hodnotu pro vývoj Web3, i nováčci mohou dosáhnout kompilace a nasazení inteligentních smluv.
V oblasti auditu platforma Web3 Fuzzland používá AI k pomoci auditorům při kontrole kódových chyb, poskytování vysvětlení v přirozeném jazyce k podpoře odbornosti auditu. Fuzzland také využívá AI ke poskytování přirozených jazykových vysvětlení pro formální specifikace a kód smluv, jakož i příklady kódu, aby pomohla vývojářům pochopit potenciální problémy v kódu.
Třetí, AI a nová narativní struktura Web3
Vzestup generativní AI přináší zcela nové možnosti pro nový narativ Web3.
NFT: AI přináší kreativitu do generativních NFT, prostřednictvím AI technologií lze generovat různé jedinečné a různorodé umělecké díla a postavy, tyto generativní NFT mohou být postavami, předměty nebo prvky scén v hrách, virtuálních světech nebo metaverzu, jako je Bicasso od Binance, kde uživatelé mohou nahrát obrázek a zadat klíčová slova pro generování NFT prostřednictvím AI, mezi podobné projekty patří Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: Očekává se, že kolem AI generace přirozeného jazyka, generace obrázků a schopností inteligentních NPC, GameFi zvýší efektivitu a inovaci v produkci herního obsahu. Například první blockchainová hra AI Hero od Binaryx umožňuje hráčům náhodně prozkoumávat různé příběhové možnosti prostřednictvím AI; podobně existuje hra s virtuálním partnerem Sleepless AI, která na základě AIGC a LLM umožňuje hráčům odemykat personalizované herní mechanismy prostřednictvím různých interakcí.
DAO: V současnosti se AI také plánuje využít v DAO, aby pomohla sledovat interakci v komunitě, zaznamenávat příspěvky, odměňovat nejnáročnější členy, zástupce hlasování atd. Například ai16z využívá AI Agenta k shromáždění tržních informací na blockchainu a mimo něj, analyzuje konsensus komunity a provádí investiční rozhodnutí na základě návrhů členů DAO.
Část 3: Význam spojení AI a Web3: Věž a náměstí
V srdci Florencie v Itálii se nachází nejvýznamnější místo pro politické aktivity a shromáždění občanů a turistů - centrální náměstí, kde stojí 95 metrů vysoká radniční věž, která spolu s náměstím vytváří dramatický estetický efekt díky vertikálnímu a horizontálnímu vizuálnímu kontrastu. Profesor historie na Harvardu Neil Ferguson byl tímto inspirován a v knize (Náměstí a Věž) spojil světovou historii sítí a hierarchií, které se v čase vynořují a zanikají.
Tato skvělá metafora se dnes vztahuje na vztah AI a Web3. Z dlouhodobé a nonlinear historie obou můžeme vidět, že náměstí je kreativnější a více generující novinky než věž, ale věž stále má svou legitimitu a silnou životnost.
V prostředí, kde technologické společnosti shromažďují energetické a výpočetní zdroje, AI projevuje bezprecedentní představivost, technologické velkomoci investují značné prostředky do různých chatbotů a iterativních verzí "základních velkých modelů" jako GPT-4, GP 4-4 o, automatizovaných programovacích robotů (Devin) a Sora, která má počáteční schopnosti simulovat skutečný fyzický svět, AI představivost je tak exponenciálně rozšířena.
Zároveň je AI v podstatě průmyslem scale-up a centralizace, tento technologický přechod přivedl technologické společnosti, které postupně získávaly strukturální dominanci již v "internetovém věku", na ještě užší vrchol. Obrovské elektrické, monopolní cash flow a obrovské datové soubory potřebné pro dominaci v inteligentní éře vytvářejí vyšší bariéry.
Jak se věž stává vyšší, rozhodovatelé na pozadí se stávají stále více uzavřenými, centralizace AI přináší řadu rizik, jak se může dav shromážděný na náměstí vyhnout stínu pod věží? To je otázka, kterou se Web3 snaží vyřešit.
Z podstaty blockchainové inherentní vlastnosti posilují systémy umělé inteligence a přinášejí nové možnosti, zejména:
V éře umělé inteligence „kód je zákon“ - transparentní systém automaticky vykonává pravidla prostřednictvím inteligentních smluv a šifrování, a předává odměny těm, kteří se blíží cíli.
Tokenová ekonomika - vytváření a koordinace chování účastníků prostřednictvím mechanismu tokenů, stakingu, snižování, odměn a trestů.
Decentralizovaná správa - podněcování k tomu, abychom zpochybňovali zdroje informací a podněcovali kritický a prozíravý přístup k technologiím umělé inteligence, abychom zabránili zaujatosti, dezinformaci a manipulaci, a nakonec pěstovali informovanější a zmocněnou společnost.
Vývoj AI přinesl také nové impulsy pro Web3, možná bude potřeba času, aby se projevily vlivy Web3 na AI, ale dopady AI na Web3 jsou zřejmé: to lze vidět jak v oslavě meme, tak ve snižování překážek pro použití aplikací na blockchainu s pomocí AI Agentů.
Když je Web3 definováno jako malá skupina lidí se sebeuspokojením a upadá do kritiky replikace tradičního průmyslu, příchod AI přináší předvídatelnou budoucnost: stabilnější a větší uživatelskou základnu Web2, inovativnější obchodní modely a služby.
Žijeme ve světě, kde koexistují „věže a náměstí“, AI a Web3, přestože mají odlišné časové linie a výchozí body, jejich cílem je, jak lépe sloužit lidstvu, nikdo nedokáže definovat řeku, která teče, těšíme se na budoucnost AI+Web3.
*Všechny informace na platformě Coinspire jsou pouze pro referenci a nepředstavují žádnou nabídku nebo doporučení jakékoli investiční strategie. Jakákoli osobní rozhodnutí učiněná na základě obsahu tohoto článku nesou odpovědnost investoři, Coinspire nenese odpovědnost za jakékoli zisky nebo ztráty vzniklé tímto způsobem. Investice jsou rizikové, rozhodování vyžaduje opatrnost.