Penulis asli: IOSG Ventures

Sumber asli: IOSG Ventures

1

Sekilas, AI x Web3 tampak seperti teknologi independen, yang masing-masing didasarkan pada prinsip yang berbeda secara mendasar dan memiliki fungsi yang berbeda. Namun, gali lebih dalam dan Anda akan menemukan bahwa terdapat peluang bagi kedua teknologi untuk menyeimbangkan trade-off satu sama lain dan bahwa kekuatan unik keduanya dapat saling melengkapi dan meningkatkan. Balaji Srinivasan dengan cemerlang mengartikulasikan konsep kemampuan yang saling melengkapi ini pada konferensi SuperAI, sehingga menginspirasi perbandingan mendetail tentang bagaimana teknologi ini berinteraksi.

Dengan menggunakan pendekatan bottom-up, Token muncul dari upaya desentralisasi cyberpunk anonim dan telah berkembang selama satu dekade melalui upaya kolaboratif berbagai entitas independen di seluruh dunia. Sebaliknya, AI dikembangkan melalui pendekatan top-down, yang didominasi oleh segelintir raksasa teknologi. Perusahaan-perusahaan ini menentukan kecepatan dan dinamika industri, dimana hambatan masuk lebih ditentukan oleh intensitas sumber daya dibandingkan kompleksitas teknologi.

Kedua teknologi ini juga memiliki sifat yang sangat berbeda. Intinya, token adalah sistem deterministik yang menghasilkan hasil yang tidak dapat diubah, seperti fungsi hash yang dapat diprediksi atau bukti tanpa pengetahuan. Hal ini kontras dengan sifat kecerdasan buatan yang bersifat probabilistik dan seringkali tidak dapat diprediksi.

Demikian pula, kriptografi unggul dalam verifikasi, memastikan keaslian dan keamanan transaksi, serta membangun proses dan sistem yang tidak dapat dipercaya, sementara AI berfokus pada pembangkitan, menciptakan konten digital yang kaya. Namun, dalam proses menciptakan kelimpahan digital, memastikan asal konten dan mencegah pencurian identitas menjadi sebuah tantangan.

Untungnya, Token menawarkan konsep kebalikan dari kelimpahan digital – kelangkaan digital. Ini menyediakan alat yang relatif matang yang dapat diperluas ke teknologi kecerdasan buatan untuk memastikan keandalan sumber konten dan menghindari masalah pencurian identitas.

Keuntungan signifikan dari token adalah kemampuannya untuk menarik sejumlah besar perangkat keras dan modal ke dalam jaringan terkoordinasi untuk mencapai tujuan tertentu. Kemampuan ini sangat bermanfaat bagi kecerdasan buatan yang mengonsumsi daya komputasi dalam jumlah besar. Memobilisasi sumber daya yang kurang dimanfaatkan untuk menyediakan daya komputasi yang lebih murah dapat meningkatkan efisiensi kecerdasan buatan secara signifikan.

Dengan membandingkan kedua teknologi ini, kita tidak hanya dapat mengapresiasi kontribusi masing-masing teknologi, namun juga melihat bagaimana keduanya dapat menciptakan jalur baru bagi teknologi dan perekonomian. Masing-masing teknologi dapat melengkapi kekurangan teknologi lainnya, menciptakan masa depan yang lebih terintegrasi dan inovatif. Dalam postingan blog ini, kami bertujuan untuk mengeksplorasi lanskap industri AI x Web3 yang sedang berkembang, menyoroti beberapa sektor vertikal yang muncul di persimpangan teknologi-teknologi ini.

Sumber: IOSG Ventures

2

2.1 Jaringan komputasi

Peta industri dimulai dengan pengenalan jaringan komputasi yang berupaya memecahkan masalah terbatasnya pasokan GPU dan berupaya mengurangi biaya komputasi dengan berbagai cara. Hal-hal berikut ini patut difokuskan:

  • Interoperabilitas GPU yang tidak terpadu: Ini adalah upaya yang sangat ambisius dengan risiko dan ketidakpastian teknis yang tinggi, namun jika berhasil, hal ini akan berpotensi memberikan hasil dalam skala dan dampak yang sangat besar, membuat semua sumber daya komputasi dapat diubah. Pada dasarnya, idenya adalah untuk membangun kompiler dan prasyarat lainnya sehingga di sisi pasokan, sumber daya perangkat keras apa pun dapat dihubungkan, sementara di sisi permintaan, ketidakseragaman semua perangkat keras akan diabstraksikan sepenuhnya sehingga permintaan komputasi Anda dapat dirutekan. ke jaringan sumber daya apa pun di . Jika visi ini berhasil, ketergantungan terhadap perangkat lunak CUDA saat ini akan berkurang, yang sepenuhnya didominasi oleh pengembang AI. Meskipun risiko teknisnya tinggi, banyak ahli yang sangat skeptis terhadap kelayakan pendekatan ini.

  • Agregasi GPU berperforma tinggi: Menggabungkan GPU paling populer di dunia ke dalam jaringan terdistribusi dan tanpa izin tanpa mengkhawatirkan masalah interoperabilitas antara sumber daya GPU yang tidak terpadu.

  • Agregasi GPU konsumen komoditas: Mengagregasi beberapa GPU berperforma rendah yang mungkin tersedia di perangkat konsumen dan merupakan sumber daya yang paling kurang dimanfaatkan di sisi pasokan. Ini diperuntukkan bagi mereka yang rela mengorbankan performa dan kecepatan demi sesi latihan yang lebih murah dan lebih lama.

2.2 Pelatihan dan inferensi

Jaringan komputasi terutama digunakan untuk dua fungsi utama: pelatihan dan inferensi. Kebutuhan jaringan ini berasal dari proyek Web 2.0 dan Web 3.0. Di dunia Web 3.0, proyek seperti Bittensor memanfaatkan sumber daya komputasi untuk penyesuaian model. Dari segi penalaran, proyek Web 3.0 menekankan pada verifikasi proses. Fokus ini telah memunculkan penalaran yang dapat diverifikasi sebagai pasar vertikal, dengan proyek-proyek yang mengeksplorasi cara mengintegrasikan penalaran AI ke dalam kontrak pintar sambil mempertahankan prinsip-prinsip desentralisasi.

2.3 Platform agen cerdas

Berikutnya adalah platform agen cerdas, dan grafik tersebut menguraikan masalah inti yang perlu dipecahkan oleh startup dalam kategori ini:

  • Interoperabilitas agen serta kemampuan penemuan dan komunikasi: Agen dapat menemukan dan berkomunikasi satu sama lain.

  • Kemampuan konstruksi dan manajemen cluster agen: Agen dapat membentuk cluster dan mengelola agen lainnya.

  • Kepemilikan dan Pasar untuk Agen AI: Menyediakan kepemilikan dan pasar untuk agen AI.

Karakteristik ini menekankan pentingnya sistem fleksibel dan modular yang dapat diintegrasikan secara mulus ke dalam berbagai aplikasi blockchain dan kecerdasan buatan. Agen AI mempunyai potensi untuk merevolusi cara kita berinteraksi dengan internet, dan kami yakin agen akan memanfaatkan infrastruktur untuk mendukung operasi mereka. Kami membayangkan agen AI mengandalkan infrastruktur dengan cara berikut:

  • Akses data web real-time menggunakan jaringan scraping terdistribusi

  • Menggunakan saluran DeFi untuk pembayaran antar agen

  • Mewajibkan uang jaminan tidak hanya dimaksudkan untuk menghukum perilaku buruk yang terjadi, namun juga untuk meningkatkan kemampuan agen untuk dapat ditemukan (yaitu, menggunakan uang jaminan sebagai sinyal keuangan selama proses penemuan)

  • Gunakan konsensus untuk memutuskan peristiwa mana yang harus menghasilkan pemotongan

  • Standar interoperabilitas terbuka dan kerangka kerja lembaga untuk memungkinkan pembangunan kolektif yang dapat disusun

  • Evaluasi kinerja masa lalu berdasarkan riwayat data yang tidak dapat diubah dan pilih kolektif agen yang sesuai secara real-time

Sumber: IOSG Ventures

2.4 Lapisan data

Dalam perpaduan AI x Web3, data adalah komponen inti. Data merupakan aset strategis dalam persaingan AI dan, bersama dengan sumber daya komputasi, merupakan sumber daya yang sangat penting. Namun kategori ini sering diabaikan karena sebagian besar perhatian industri terfokus pada tingkat komputasi. Faktanya, primitif memberikan banyak arahan nilai yang menarik dalam proses akuisisi data, terutama mencakup dua arahan tingkat tinggi berikut:

  • Akses data internet publik

  • Akses data yang dilindungi

Mengakses data Internet publik: Arah ini bertujuan untuk membangun jaringan perayap terdistribusi yang dapat merayapi seluruh Internet dalam hitungan hari, memperoleh kumpulan data yang sangat besar, atau mengakses data Internet yang sangat spesifik secara real-time. Namun, untuk merayapi kumpulan data besar di Internet, persyaratan jaringan sangat tinggi, dan setidaknya diperlukan beberapa ratus node untuk memulai beberapa pekerjaan yang berarti. Untungnya, Grass, jaringan node perayap terdistribusi, telah memiliki lebih dari 2 juta node yang secara aktif berbagi bandwidth Internet ke jaringan tersebut, dengan tujuan merayapi seluruh Internet. Hal ini menunjukkan besarnya potensi insentif keuangan untuk menarik sumber daya yang berharga.

Meskipun Grass menyamakan kedudukan dalam hal data publik, masih terdapat tantangan dalam memanfaatkan data yang mendasarinya—yaitu, akses ke kumpulan data kepemilikan. Secara khusus, masih ada sejumlah besar data yang disimpan dengan cara yang menjaga privasi karena sifatnya yang sensitif. Banyak perusahaan rintisan yang memanfaatkan alat kriptografi yang memungkinkan pengembang AI membangun dan menyempurnakan model bahasa besar menggunakan struktur data yang mendasari kumpulan data kepemilikan sambil menjaga kerahasiaan informasi sensitif.

Teknologi seperti pembelajaran gabungan, privasi diferensial, lingkungan eksekusi tepercaya, komputasi yang sepenuhnya homomorfik dan multi-pihak memberikan tingkat perlindungan privasi dan trade-off yang berbeda. Artikel penelitian Bagel (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) merangkum gambaran yang sangat bagus tentang teknik-teknik ini. Teknologi ini tidak hanya melindungi privasi data selama proses pembelajaran mesin, namun juga memungkinkan solusi AI yang menjaga privasi secara komprehensif di tingkat komputasi.

2.5 Sumber data dan model

Teknik asal data dan model bertujuan untuk menetapkan proses yang dapat meyakinkan pengguna bahwa mereka berinteraksi dengan model dan data yang dimaksudkan. Selain itu, teknologi ini memberikan jaminan keaslian dan asal usulnya. Mengambil contoh teknologi watermarking, watermarking adalah salah satu teknologi sumber model, yang menyematkan tanda tangan langsung ke dalam algoritma pembelajaran mesin, lebih khusus lagi ke dalam bobot model, sehingga dapat diverifikasi pada saat pengambilan apakah inferensi berasal dari model yang diharapkan. .

2.6 Aplikasi

Dalam hal penerapan, kemungkinan desain tidak terbatas. Dalam peta industri di atas, kami telah mencantumkan beberapa kasus perkembangan menarik dengan penerapan teknologi AI di bidang Web 3.0. Karena sebagian besar kasus penggunaan ini menggambarkan dirinya sendiri, kami tidak memberikan komentar tambahan di sini. Namun, perlu dicatat bahwa perpaduan AI dan Web 3.0 berpotensi mengubah banyak vertikal domain, karena primitif baru ini memberi pengembang lebih banyak kebebasan untuk menciptakan kasus penggunaan inovatif dan mengoptimalkan kasus penggunaan yang sudah ada.

Meringkaskan

Konvergensi AI x Web3 menghadirkan janji penuh inovasi dan potensi. Dengan memanfaatkan kekuatan unik dari setiap teknologi, kita dapat memecahkan berbagai tantangan dan menciptakan jalur teknologi baru. Saat kita menjelajahi industri yang sedang berkembang ini, sinergi antara AI x Web3 dapat mendorong kemajuan yang mengubah pengalaman digital kita di masa depan dan cara kita berinteraksi di web.

Konvergensi antara kelangkaan digital dan kelimpahan digital, mobilisasi sumber daya yang kurang dimanfaatkan untuk mencapai efisiensi komputasi, dan penerapan praktik data yang aman dan menjaga privasi akan menentukan era evolusi teknologi berikutnya.

Namun, kita harus menyadari bahwa industri ini masih dalam tahap awal dan lanskap industri saat ini mungkin akan ketinggalan jaman dalam waktu singkat. Pesatnya laju inovasi berarti bahwa solusi-solusi mutakhir saat ini akan segera digantikan oleh terobosan-terobosan baru. Meskipun demikian, konsep dasar yang dieksplorasi—seperti jaringan komputasi, platform agen, dan protokol data—menyoroti kemungkinan besar konvergensi AI dan Web 3.0.