Saat ini, tahap komputasi dan pelatihan dalam industri AI terutama didominasi oleh raksasa Web2 yang terpusat. Perusahaan-perusahaan ini menduduki posisi dominan berkat kekuatan modal yang kuat, perangkat keras canggih, dan sumber daya data yang besar. Meskipun keadaan ini mungkin akan terus ada saat mengembangkan model pembelajaran mesin (ML) umum yang paling kuat, untuk model-model menengah atau yang disesuaikan, jaringan Web3 mungkin secara bertahap menjadi sumber daya komputasi yang lebih ekonomis dan mudah diakses.
Demikian pula, ketika permintaan inferensi melebihi kemampuan perangkat tepi individu, beberapa konsumen mungkin memilih jaringan Web3 untuk mendapatkan keluaran yang lebih beragam dan kurang diawasi. Alih-alih mencoba sepenuhnya menggulingkan seluruh tumpukan teknologi AI, para pelaku Web3 seharusnya lebih fokus pada skenario-skenario tersegmentasi ini dan memanfaatkan sepenuhnya keunggulan unik mereka dalam hal ketahanan terhadap sensor, transparansi, dan verifikasi sosial.
Sumber daya perangkat keras yang dibutuhkan untuk melatih model dasar generasi berikutnya (seperti GPT atau BERT) langka dan mahal, dan permintaan untuk chip berkinerja terbaik akan terus melebihi pasokan. Kelangkaan sumber daya ini menyebabkan perangkat keras terpusat pada sejumlah perusahaan teratas yang memiliki dana cukup, perusahaan-perusahaan ini menggunakan perangkat keras tersebut untuk melatih dan mengkomersialkan model dasar yang paling optimal dalam hal kinerja dan kompleksitas.
Namun, laju pembaruan perangkat keras sangat cepat. Jadi, bagaimana perangkat keras menengah atau berkinerja rendah yang sudah usang akan dimanfaatkan?
Perangkat keras ini kemungkinan besar akan digunakan untuk melatih model yang lebih sederhana atau lebih terfokus. Dengan mencocokkan berbagai kategori model dengan perangkat keras yang berbeda kinerjanya, alokasi sumber daya yang optimal dapat dicapai. Dalam skenario ini, protokol Web3 dapat memainkan peran kunci dengan mengoordinasikan akses ke sumber daya komputasi yang beragam dan berbiaya rendah. Misalnya, konsumen dapat menggunakan model menengah sederhana yang dilatih berdasarkan dataset pribadi, dan hanya memilih model kelas atas yang dilatih dan dihosting oleh perusahaan terpusat saat menangani tugas yang lebih kompleks, sambil memastikan identitas pengguna disembunyikan dan data yang diproses dienkripsi.
Selain masalah efisiensi, kekhawatiran tentang bias dan potensi sensor dalam model terpusat juga semakin meningkat. Lingkungan Web3 terkenal dengan transparansi dan verifikasinya, dapat memberikan dukungan pelatihan untuk model-model yang diabaikan atau dianggap terlalu sensitif oleh Web2. Meskipun model-model ini mungkin tidak memiliki daya saing dalam hal kinerja dan inovasi, mereka tetap memiliki nilai penting bagi beberapa kelompok dalam masyarakat. Oleh karena itu, protokol Web3 dapat membuka pasar yang unik dalam bidang ini dengan menyediakan layanan pelatihan model yang lebih terbuka, terpercaya, dan tahan sensor.
Pada awalnya, kedua pendekatan terpusat dan desentralisasi dapat coexist, masing-masing melayani berbagai kasus penggunaan. Namun, dengan peningkatan pengalaman pengembang dan kompatibilitas platform di Web3, serta efek jaringan dari AI sumber terbuka yang semakin terlihat, Web3 mungkin akhirnya bersaing di bidang inti perusahaan terpusat. Terutama ketika konsumen semakin menyadari keterbatasan model terpusat, keunggulan Web3 akan semakin menonjol.
Selain pelatihan model menengah atau bidang tertentu, para pelaku Web3 juga memiliki keuntungan dalam menyediakan solusi inferensi yang lebih transparan dan fleksibel. Layanan inferensi terdesentralisasi dapat membawa berbagai manfaat, seperti waktu henti nol, kombinasi modular model, evaluasi kinerja model yang terbuka, serta keluaran yang lebih beragam dan tanpa sensor. Layanan ini juga dapat secara efektif menghindari masalah 'kunci vendor' yang dihadapi konsumen karena bergantung pada beberapa penyedia terpusat. Seperti halnya pelatihan model, keunggulan kompetitif dari lapisan inferensi terdesentralisasi tidak terletak pada kemampuan komputasi itu sendiri, tetapi pada kemampuannya untuk menyelesaikan beberapa masalah yang telah ada lama, seperti transparansi parameter penyesuaian sumber tertutup, kurangnya verifikasi, dan biaya yang tinggi.
Dan Olshansky mengusulkan sebuah ide yang menjanjikan, yaitu melalui jaringan routing inferensi AI POKT, untuk menciptakan lebih banyak peluang bagi peneliti dan insinyur AI, memungkinkan mereka untuk menerapkan hasil penelitian mereka dan mendapatkan pendapatan tambahan melalui model pembelajaran mesin (ML) atau kecerdasan buatan (AI) yang disesuaikan. Yang lebih penting, jaringan ini dapat memfasilitasi persaingan yang lebih adil di pasar layanan inferensi dengan mengintegrasikan hasil inferensi dari berbagai sumber (termasuk penyedia terdesentralisasi dan terpusat).
Meskipun prediksi optimis menunjukkan bahwa seluruh tumpukan teknologi AI mungkin sepenuhnya berpindah ke blockchain di masa depan, saat ini, tujuan ini masih menghadapi tantangan besar dari konsentrasi data dan sumber daya komputasi, karena sumber daya ini memberikan keuntungan kompetitif yang signifikan kepada raksasa yang ada. Namun, jaringan koordinasi dan komputasi terdesentralisasi menunjukkan nilai unik dalam menyediakan layanan AI yang lebih personal, ekonomis, kompetisi yang lebih terbuka, dan tahan sensor. Dengan fokus pada pasar tersegmentasi yang paling penting bagi nilai-nilai ini, Web3 dapat membangun tembok persaingannya sendiri, memastikan bahwa teknologi paling berpengaruh di era ini dapat ber-evolusi secara bersama-sama di berbagai arah, sehingga menguntungkan pemangku kepentingan yang lebih luas, bukan hanya dikuasai oleh beberapa raksasa tradisional.
Akhirnya, saya ingin mengucapkan terima kasih khusus kepada seluruh anggota tim Placeholder Investment, serta Kyle Samani dari Multicoin Capital, Anand Iyer dari Canonical VC, Keccak Wong dari Nectar AI, Alpin Yukseloglu dari Osmosis Labs, dan Cameron Dennis dari NEAR Foundation, yang telah memberikan tinjauan dan umpan balik berharga selama penulisan artikel ini.

#AI