Ruang Web3-AI adalah salah satu yang terpanas di dunia kripto, menggabungkan janji besar dengan sensasi yang signifikan. Hampir terasa sesat untuk menunjukkan jumlah proyek Web3-AI dengan kapitalisasi pasar multi-miliar dolar tetapi tidak ada kasus penggunaan praktis, yang murni didorong oleh narasi proksi dari pasar AI tradisional. Sementara itu, kesenjangan kemampuan AI antara Web2 dan Web3 terus melebar secara mengkhawatirkan. Namun, Web3-AI tidak semuanya hype. Perkembangan terkini di pasar AI generatif menyoroti proposisi nilai dari pendekatan yang lebih terdesentralisasi.

Dengan mempertimbangkan semua faktor ini, kita mendapati diri kita berada dalam pasar yang terlalu dilebih-lebihkan dan memiliki pendanaan berlebih yang tidak terhubung dengan kondisi industri AI generatif, namun mampu memberikan nilai luar biasa bagi gelombang AI generatif berikutnya. Merasa bingung bisa dimaklumi. Jika kita mundur dari hype dan menganalisis ruang Web3-AI melalui lensa kebutuhan saat ini, akan muncul area yang jelas di mana Web3 dapat memberikan nilai besar. Namun hal ini memerlukan pemotongan bidang distorsi realitas yang padat.

Distorsi Realitas Web3-AI

Sebagai penduduk asli kripto, kita cenderung melihat nilai desentralisasi dalam segala hal. Namun, AI telah berkembang sebagai kekuatan yang semakin tersentralisasi dalam hal data dan komputasi, sehingga proposisi nilai AI yang terdesentralisasi harus dimulai dengan melawan kekuatan sentralisasi alami tersebut.

Terkait AI, terdapat ketidaksesuaian yang semakin besar antara nilai yang kami anggap tercipta di Web3 dan kebutuhan pasar AI. Kenyataan yang memprihatinkan adalah kesenjangan antara AI Web2 dan Web3 semakin melebar dan bukannya mengecil, hal ini secara mendasar didorong oleh tiga faktor utama:

Bakat Riset AI Terbatas

Jumlah peneliti AI yang bekerja di Web3 hanya satu digit. Hal ini tidak menggembirakan bagi mereka yang mengklaim bahwa Web3 adalah masa depan AI.

Infrastruktur yang Terkendali

Kami belum berhasil membuat aplikasi web berfungsi dengan baik dengan backend Web3, jadi memikirkan AI adalah hal yang sulit. Infrastruktur Web3 menerapkan batasan komputasi yang tidak praktis untuk siklus hidup solusi AI generatif.

Model, Data, dan Sumber Daya Komputasi yang Terbatas

AI generatif bergantung pada tiga hal: model, data, dan komputasi. Tak satu pun dari model frontier besar dilengkapi untuk berjalan pada infrastruktur Web3; tidak ada dasar untuk kumpulan data pelatihan yang besar; dan terdapat kesenjangan kualitas yang sangat besar antara cluster GPU Web3 dan cluster yang diperlukan untuk pra-pelatihan dan penyempurnaan model fondasi.

Kenyataan yang sulit adalah bahwa Web3 telah membangun AI versi “orang miskin”, yang pada dasarnya mencoba menyamai kemampuan AI Web2 tetapi menciptakan versi yang lebih rendah. Kenyataan ini sangat kontras dengan proposisi nilai desentralisasi yang luar biasa di beberapa bidang AI.

Untuk menghindari menjadikan analisis ini sebagai tesis abstrak, mari selami berbagai tren AI yang terdesentralisasi dan evaluasi tren tersebut berdasarkan potensi pasar AI-nya.

Baca selengkapnya: Jesus Rodriguez - Mendanai AI Generatif Sumber Terbuka dengan Kripto

Distorsi realitas di Web3-AI telah menyebabkan gelombang awal inovasi dan pendanaan berfokus pada proyek-proyek yang proposisi nilainya tampaknya tidak berhubungan dengan realitas pasar AI. Pada saat yang sama, terdapat area baru lainnya di Web3-AI yang memiliki potensi luar biasa.

Beberapa Tren Web3-AI yang Berlebihan

Infrastruktur GPU Terdesentralisasi untuk Pelatihan dan Penyempurnaan

Dalam beberapa tahun terakhir, kita telah melihat ledakan infrastruktur GPU yang terdesentralisasi dengan janji mendemokratisasi model dasar dan pra-pelatihan. Idenya adalah untuk memberikan alternatif terhadap monopoli GPU yang dilakukan oleh laboratorium AI yang ada saat ini. Kenyataannya adalah pra-pelatihan dan penyempurnaan model fondasi besar memerlukan cluster GPU besar dengan bus komunikasi super cepat yang menghubungkannya. Siklus pra-pelatihan model dasar 50B-100B dalam infrastruktur AI yang terdesentralisasi dapat memakan waktu lebih dari satu tahun, jika berhasil.

Kerangka ZK-AI

Ide untuk menggabungkan komputasi tanpa pengetahuan (zk) dan AI telah memicu konsep menarik untuk mengaktifkan mekanisme privasi dalam model dasar. Mengingat pentingnya infrastruktur zk di Web3, beberapa kerangka kerja menjanjikan untuk menanamkan komputasi zk dalam model dasar. Meskipun secara teoritis menarik, model zk-AI dengan cepat menghadapi tantangan karena harganya yang sangat mahal dari sudut pandang komputasi ketika diterapkan pada model besar. Selain itu, zk akan membatasi aspek seperti interpretabilitas, yang merupakan salah satu bidang paling menjanjikan dalam AI generatif.

Bukti-Inferensi

Kripto adalah tentang bukti kriptografi, dan terkadang ini melekat pada hal-hal yang tidak memerlukannya. Di ruang Web3-AI, kita melihat contoh kerangka kerja yang mengeluarkan bukti kriptografi dari keluaran model tertentu. Tantangan dalam skenario ini bukan disebabkan oleh teknologi, namun terkait dengan pasar. Pada dasarnya, bukti inferensi merupakan solusi untuk mencari masalah dan tidak memiliki kasus penggunaan nyata saat ini.

Beberapa Tren Web3-AI yang Berpotensi Tinggi

Agen dengan Dompet

Alur kerja agen adalah salah satu tren paling menarik dalam AI generatif dan memiliki potensi signifikan untuk kripto. Yang kami maksud dengan agen adalah program AI yang tidak hanya dapat menjawab pertanyaan secara pasif berdasarkan masukan, namun juga melakukan tindakan terhadap lingkungan tertentu. Meskipun sebagian besar agen otonom diciptakan untuk kasus penggunaan yang terisolasi, kami melihat munculnya lingkungan multi-agen dan kolaborasi dengan cepat.

Ini adalah area di mana kripto dapat membuka nilai yang luar biasa. Misalnya, bayangkan sebuah skenario di mana seorang agen perlu mempekerjakan agen lain untuk menyelesaikan suatu tugas atau mempertaruhkan sejumlah nilai untuk menjamin kualitas keluarannya. Menyediakan agen dengan keuangan primitif dalam bentuk rel kripto membuka banyak kasus penggunaan untuk kolaborasi agen.

Pendanaan Kripto untuk AI

Salah satu rahasia paling terkenal dalam AI generatif adalah bahwa ruang AI sumber terbuka sedang mengalami krisis pendanaan yang sangat besar. Sebagian besar laboratorium AI sumber terbuka tidak mampu lagi mengerjakan model berukuran besar dan malah berfokus pada area lain yang tidak memerlukan akses komputasi dan data dalam jumlah besar. Crypto sangat efisien dalam pembentukan modal dengan mekanisme seperti airdrop, insentif, atau bahkan poin. Konsep jalur pendanaan kripto untuk AI generatif sumber terbuka adalah salah satu area paling menjanjikan di persimpangan dua tren ini.

Model Fondasi Kecil

Tahun lalu, Microsoft menciptakan istilah model bahasa kecil (SLM) setelah merilis model Phi, yang, dengan parameter kurang dari 2B, mampu mengungguli LLM yang jauh lebih besar dalam tugas ilmu komputer dan matematika. Model fondasi kecil – misalnya parameter 1B-5B – merupakan persyaratan utama bagi kelangsungan AI yang terdesentralisasi dan membuka skenario yang menjanjikan untuk AI pada perangkat. Desentralisasi model multi-ratus miliar parameter hampir tidak mungkin dilakukan saat ini dan akan tetap demikian untuk sementara waktu. Namun, model pondasi kecil seharusnya dapat berjalan di banyak infrastruktur Web3 saat ini. Mendorong agenda SLM sangat penting untuk membangun nilai nyata dengan Web3 dan AI.

Pembuatan Data Sintetis

Kelangkaan data adalah salah satu tantangan terbesar dalam model fondasi generasi terbaru ini. Akibatnya, semakin banyak penelitian yang berfokus pada mekanisme pembuatan data sintetis menggunakan model dasar yang dapat melengkapi kumpulan data dunia nyata. Mekanisme jaringan kripto dan insentif token idealnya dapat mengoordinasikan sejumlah besar pihak untuk berkolaborasi dalam menciptakan kumpulan data sintetis baru.

Tren Web3-AI Relevan Lainnya

Ada beberapa tren Web3-AI menarik lainnya yang memiliki potensi signifikan. Keluaran Proof-of-Human menjadi semakin relevan mengingat tantangan konten yang dihasilkan AI. Evaluasi dan benchmarking adalah segmen AI di mana kepercayaan dan kemampuan transparansi Web3 dapat menonjol. Penyempurnaan yang berpusat pada manusia, seperti pembelajaran penguatan dengan umpan balik manusia (RLHF), juga merupakan skenario yang menarik untuk jaringan Web3. Skenario lain kemungkinan akan muncul seiring dengan terus berkembangnya AI generatif dan semakin matangnya kemampuan Web3-AI.

Kebutuhan akan kemampuan AI yang lebih terdesentralisasi sangatlah nyata. Meskipun industri Web3 mungkin belum mampu menyaingi nilai yang diciptakan oleh mega model AI, industri Web3 dapat membuka nilai nyata bagi ruang AI generatif. Tantangan terbesar bagi evolusi Web3-AI mungkin adalah mengatasi bidang distorsi realitasnya sendiri. Ada banyak manfaat di Web3-AI; kita hanya perlu fokus membangun hal-hal nyata.

Catatan: Pandangan yang diungkapkan dalam kolom ini adalah milik penulis dan tidak mencerminkan pandangan CoinDesk, Inc. atau pemilik dan afiliasinya.