Der Web3-AI-Bereich ist einer der heißesten in der Kryptowelt und verbindet großes Versprechen mit erheblichem Hype. Es erscheint fast ketzerisch, auf die Anzahl der Web3-AI-Projekte mit Marktkapitalisierungen von mehreren Milliarden Dollar, aber ohne praktische Anwendungsfälle hinzuweisen, die ausschließlich von Proxy-Erzählungen aus dem traditionellen KI-Markt getrieben werden. Unterdessen vergrößert sich die Lücke in den KI-Fähigkeiten zwischen Web2 und Web3 weiterhin alarmierend. Web3-AI ist jedoch nicht nur Hype. Jüngste Entwicklungen auf dem Markt für generative KI unterstreichen den Wert dezentralerer Ansätze.

Wenn wir all diese Faktoren berücksichtigen, befinden wir uns in einem überbewerteten und überfinanzierten Markt, der vom Stand der generativen KI-Branche abgekoppelt ist, aber dennoch enorme Werte für die nächste Welle der generativen KI freisetzen kann. Es ist verständlich, dass man sich verwirrt fühlt. Wenn wir uns vom Hype distanzieren und den Web3-AI-Bereich durch die Linse der aktuellen Anforderungen analysieren, tauchen klare Bereiche auf, in denen Web3 einen erheblichen Mehrwert liefern kann. Dazu muss man sich jedoch durch ein dichtes Realitätsverzerrungsfeld kämpfen.

Web3-AI Realitätsverzerrung

Als Krypto-Natives neigen wir dazu, den Wert der Dezentralisierung in allem zu sehen. Allerdings hat sich die KI in Bezug auf Daten und Berechnungen zu einer zunehmend zentralisierten Kraft entwickelt, sodass das Wertversprechen der dezentralen KI damit beginnen muss, dieser natürlichen Zentralisierungskraft entgegenzuwirken.

Wenn es um KI geht, besteht eine zunehmende Diskrepanz zwischen dem Wert, den wir in Web3 schaffen, und den Bedürfnissen des KI-Marktes. Die besorgniserregende Realität ist, dass die Kluft zwischen Web2- und Web3-KI eher größer als kleiner wird. Dies ist im Wesentlichen auf drei Schlüsselfaktoren zurückzuführen:

Begrenztes Talent in der KI-Forschung

Die Zahl der KI-Forscher, die im Web3 arbeiten, liegt im niedrigen einstelligen Bereich. Das ist kaum ermutigend für diejenigen, die behaupten, dass Web3 die Zukunft der KI ist.

Eingeschränkte Infrastruktur

Wir haben es noch nicht geschafft, Web-Apps dazu zu bringen, richtig mit Web3-Backends zu funktionieren, daher ist es, gelinde gesagt, weit hergeholt, über KI nachzudenken. Die Web3-Infrastruktur bringt Rechenleistungsbeschränkungen mit sich, die für den Lebenszyklus generativer KI-Lösungen unpraktisch sind.

Begrenzte Modelle, Daten und Rechenressourcen

Generative KI beruht auf drei Dingen: Modellen, Daten und Rechenleistung. Keines der großen Pioniermodelle ist für die Ausführung auf Web3-Infrastrukturen ausgelegt; es gibt keine Grundlage für große Trainingsdatensätze; und es besteht eine enorme Qualitätslücke zwischen Web3-GPU-Clustern und denen, die für das Vortraining und die Feinabstimmung grundlegender Modelle erforderlich sind.

Die harte Realität ist, dass Web3 eine „Arme-Leute“-Version der KI entwickelt hat, die im Wesentlichen versucht, die Fähigkeiten der Web2-KI zu erreichen, aber minderwertige Versionen erstellt. Diese Realität steht in krassem Gegensatz zu dem enormen Wertversprechen der Dezentralisierung in mehreren Bereichen der KI.

Damit diese Analyse nicht zu einer abstrakten These wird, wollen wir uns lieber mit verschiedenen dezentralen KI-Trends befassen und sie im Hinblick auf ihr KI-Marktpotenzial bewerten.

Weiterlesen: Jesus Rodriguez – Finanzierung von Open-Source-generativer KI mit Krypto

Die Realitätsverzerrung in Web3-AI hat dazu geführt, dass sich die erste Welle von Innovation und Finanzierung auf Projekte konzentrierte, deren Wertversprechen nichts mit den Realitäten des KI-Marktes zu tun zu haben scheinen. Gleichzeitig gibt es andere aufstrebende Bereiche in Web3-AI, die enormes Potenzial bergen.

Einige überbewertete Web3-AI-Trends

Dezentrale GPU-Infrastruktur für Training und Feinabstimmung

In den letzten Jahren haben wir eine Explosion dezentraler GPU-Infrastrukturen erlebt, die das Vortraining und die Feinabstimmung von Basismodellen demokratisieren sollen. Die Idee ist, eine Alternative zur GPU-Monopolisierung durch etablierte KI-Labore zu schaffen. Die Realität ist, dass das Vortraining und die Feinabstimmung großer Basismodelle große GPU-Cluster erfordern, die durch superschnelle Kommunikationsbusse verbunden sind. Ein Vortrainingszyklus eines 50- bis 100-B-Basismodells in einer dezentralen KI-Infrastruktur könnte über ein Jahr dauern, wenn er überhaupt funktioniert.

ZK-AI-Frameworks

Die Idee, Zero-Knowledge-Berechnungen (ZK) und KI zu kombinieren, hat interessante Konzepte hervorgebracht, um Datenschutzmechanismen in Basismodellen zu ermöglichen. Angesichts der Bedeutung der ZK-Infrastruktur in Web3 versprechen mehrere Frameworks, ZK-Berechnungen in Basismodelle einzubetten. Obwohl sie theoretisch attraktiv sind, stoßen ZK-KI-Modelle bei der Anwendung auf große Modelle schnell auf die Herausforderung, aus rechnerischer Sicht unerschwinglich teuer zu sein. Darüber hinaus wird ZK Aspekte wie die Interpretierbarkeit einschränken, die einer der vielversprechendsten Bereiche der generativen KI ist.

Beweis der Inferenz

Bei Krypto geht es um kryptografische Beweise, und manchmal werden diese an Dinge angehängt, die sie nicht brauchen. Im Web3-AI-Bereich sehen wir Beispiele für Frameworks, die kryptografische Beweise für bestimmte Modellausgaben ausstellen. Die Herausforderungen bei diesen Szenarien sind nicht technologischer, sondern marktbezogener Natur. Im Grunde ist der Proof-of-Inference so etwas wie eine Lösung, die nach einem Problem sucht, und es fehlen heute echte Anwendungsfälle.

Einige Web3-AI-Trends mit hohem Potenzial

Agenten mit Wallets

Agenten-Workflows sind einer der interessantesten Trends in der generativen KI und bergen erhebliches Potenzial für Krypto. Mit Agenten meinen wir KI-Programme, die nicht nur passiv Fragen auf der Grundlage von Eingaben beantworten, sondern auch Aktionen in einer bestimmten Umgebung ausführen können. Während die meisten autonomen Agenten für isolierte Anwendungsfälle erstellt werden, erleben wir die rasche Entstehung von Multi-Agenten-Umgebungen und Zusammenarbeit.

Dies ist ein Bereich, in dem Krypto enorme Werte freisetzen kann. Stellen Sie sich beispielsweise ein Szenario vor, in dem ein Agent andere Agenten einstellen muss, um eine Aufgabe zu erledigen, oder einen Wert einsetzen muss, um für die Qualität seiner Ergebnisse zu bürgen. Die Bereitstellung von Agenten mit finanziellen Primitiven in Form von Krypto-Rails erschließt viele Anwendungsfälle für die Zusammenarbeit von Agenten.

Krypto-Finanzierung für KI

Eines der bekanntesten Geheimnisse der generativen KI ist, dass der Open-Source-KI-Bereich unter einer enormen Finanzierungskrise leidet. Die meisten Open-Source-KI-Labore können es sich nicht mehr leisten, an großen Modellen zu arbeiten, und konzentrieren sich stattdessen auf andere Bereiche, die keine riesigen Mengen an Rechenzugriff und Daten erfordern. Krypto ist bei der Kapitalbildung mit Mechanismen wie Airdrops, Anreizen oder sogar Punkten äußerst effizient. Das Konzept der Krypto-Finanzierungsschienen für Open-Source-generative KI ist einer der vielversprechendsten Bereiche an der Schnittstelle dieser beiden Trends.

Kleine Fundamentmodelle

Letztes Jahr prägte Microsoft den Begriff „Small Language Model“ (SLM) nach der Veröffentlichung seines Phi-Modells, das mit weniger als 2 Milliarden Parametern in der Lage war, viel größere LLMs in Informatik- und Mathematikaufgaben zu übertreffen. Kleine Basismodelle – denken Sie an 1 bis 5 Milliarden Parameter – sind eine wichtige Voraussetzung für die Realisierbarkeit dezentraler KI und eröffnen vielversprechende Szenarien für geräteinterne KI. Die Dezentralisierung von Modellen mit mehreren hundert Milliarden Parametern ist heute nahezu unmöglich und wird es auch noch eine Weile bleiben. Kleine Basismodelle sollten jedoch auf vielen der heutigen Web3-Infrastrukturen lauffähig sein. Die Förderung der SLM-Agenda ist für die Schaffung echter Werte mit Web3 und KI von entscheidender Bedeutung.

Generierung synthetischer Daten

Datenknappheit ist eine der größten Herausforderungen bei dieser neuesten Generation von Basismodellen. Daher konzentriert sich die Forschung zunehmend auf Mechanismen zur Generierung synthetischer Daten unter Verwendung von Basismodellen, die reale Datensätze ergänzen können. Die Mechanismen von Kryptonetzwerken und Token-Anreizen können idealerweise eine große Anzahl von Parteien koordinieren, um bei der Erstellung neuer synthetischer Datensätze zusammenzuarbeiten.

Andere relevante Web3-AI-Trends

Es gibt mehrere andere interessante Web3-AI-Trends mit erheblichem Potenzial. Angesichts der Herausforderungen bei KI-generierten Inhalten wird der Proof-of-Human-Output immer relevanter. Evaluierung und Benchmarking sind ein KI-Segment, in dem die Vertrauens- und Transparenzfunktionen von Web3 glänzen können. Auch menschenzentrierte Feinabstimmung, wie z. B. Reinforcement Learning mit menschlichem Feedback (RLHF), ist ein interessantes Szenario für Web3-Netzwerke. Mit der Weiterentwicklung der generativen KI und der Weiterentwicklung der Web3-AI-Funktionen werden wahrscheinlich weitere Szenarien entstehen.

Der Bedarf an dezentraleren KI-Funktionen ist sehr real. Auch wenn die Web3-Branche möglicherweise noch nicht in der Lage ist, mit dem von den KI-Megamodellen geschaffenen Wert zu konkurrieren, kann sie echten Wert für den Bereich der generativen KI freisetzen. Die größte Herausforderung für die Entwicklung von Web3-KI könnte darin bestehen, ihr eigenes Realitätsverzerrungsfeld zu überwinden. Web3-KI bietet jede Menge Wert; wir müssen uns nur darauf konzentrieren, echte Dinge zu bauen.

Hinweis: Die in dieser Kolumne geäußerten Ansichten sind die des Autors und spiegeln nicht unbedingt die Ansichten von CoinDesk, Inc. oder seinen Eigentümern und verbundenen Unternehmen wider.