TL;DR
1. Proyek Web3 dengan konsep AI telah menjadi magnet emas di pasar primer dan sekunder.
2. Peluang Web3 dalam industri AI tercermin dalam: menggunakan insentif terdistribusi untuk mengoordinasikan potensi pasokan dalam jangka panjang - di seluruh data, penyimpanan, dan komputasi pada saat yang sama, membangun model sumber terbuka dan pasar yang terdesentralisasi; Agen AI.
3. AI terutama digunakan dalam industri Web3 untuk keuangan on-chain (pembayaran terenkripsi, transaksi, analisis data) dan pengembangan tambahan.
4. Efektivitas AI+Web3 tercermin dalam keduanya yang saling melengkapi: Web3 diharapkan dapat melawan sentralisasi AI, dan AI diharapkan dapat membantu Web3 keluar dari lingkaran tersebut.
Pendahuluan
Dalam dua tahun terakhir, perkembangan AI seakan dipercepat. Pergeseran yang dipicu oleh Chatgpt ini tidak hanya membuka dunia baru bagi AI generatif, tetapi juga menggerakkan arus di sisi Web3.
Dengan dukungan dari konsep AI, pendanaan di pasar kripto yang melambat terlihat jelas membaik. Media melaporkan bahwa hanya dalam paruh pertama tahun 2024, ada 64 proyek Web3+AI yang berhasil mendapatkan pendanaan, sementara sistem operasi berbasis AI Zyber 365 mencapai pendanaan tertinggi sebesar 100 juta dolar AS pada putaran A.
Pasar sekunder semakin berkembang, situs agregator kripto Coingecko menunjukkan bahwa dalam waktu kurang dari satu tahun, total nilai pasar AI telah mencapai 48,5 miliar dolar AS, dengan volume perdagangan dalam 24 jam mendekati 8,6 miliar dolar AS; kemajuan teknologi AI yang utama membawa keuntungan yang jelas, setelah peluncuran model teks ke video Sora oleh OpenAI, harga rata-rata di sektor AI meningkat sebesar 151%; efek AI juga meluas ke sektor kripto, salah satu sektor yang menarik perhatian adalah Meme: MemeCoin pertama dengan konsep AI Agent - GOAT dengan cepat menjadi terkenal dan meraih valuasi 1,4 miliar dolar AS, berhasil membangkitkan tren Meme AI.
Penelitian dan topik mengenai AI+Web3 juga sedang hangat dibicarakan, dari AI+Depin hingga AI Memecoin, hingga saat ini AI Agent dan AI DAO, perasaan FOMO jelas tidak bisa mengikuti kecepatan rotasi narasi baru.
AI+Web3, kombinasi istilah yang dipenuhi uang panas, tren, dan fantasi masa depan, tidak jarang dianggap sebagai pernikahan yang diatur oleh modal, tampaknya sulit bagi kita untuk membedakan di balik jubah megah ini, apakah itu adalah arena para spekulan, atau malam menjelang fajar.
Untuk menjawab pertanyaan ini, sebuah pemikiran yang krusial bagi kedua pihak adalah, apakah kehadiran satu sama lain membuatnya lebih baik? Apakah mereka dapat memperoleh manfaat dari pola satu sama lain? Dalam artikel ini, kami juga mencoba untuk berdiri di atas bahu para pendahulu untuk meninjau pola ini: Bagaimana Web3 dapat berfungsi di setiap tahap tumpukan teknologi AI, dan apa yang dapat dibawa AI kepada Web3?
Bagian 1: Apa peluang Web3 di bawah tumpukan AI?
Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi dari model besar AI:
Sumber gambar: Delphi Digital
Dalam bahasa yang lebih sederhana, seluruh prosesnya dapat diungkapkan: "model besar" seperti otak manusia, pada tahap awal, otak ini milik bayi yang baru lahir, perlu mengamati dan menyerap informasi besar dari sekitarnya untuk memahami dunia, inilah yang disebut sebagai tahap "pengumpulan" data; karena komputer tidak memiliki indra manusia seperti penglihatan dan pendengaran, sebelum pelatihan, informasi besar yang tidak terlabel dari lingkungan perlu diubah menjadi format informasi yang dapat dipahami dan digunakan oleh komputer melalui "pra-pemrosesan".
Setelah memasukkan data, AI membangun model dengan kemampuan pemahaman dan prediksi melalui "pelatihan", yang dapat dipandang sebagai proses bayi dalam memahami dan belajar dari lingkungan. Parameter model seperti kemampuan bahasa bayi yang terus disesuaikan selama proses belajar. Ketika materi pembelajaran mulai terdistribusi, atau mendapatkan umpan balik dari interaksi dengan orang lain dan melakukan koreksi, maka masuk ke tahap "fine-tuning" model besar.
Ketika anak-anak tumbuh belajar berbicara, mereka dapat memahami makna dan mengekspresikan perasaan serta pemikiran mereka dalam percakapan baru. Tahap ini mirip dengan "inferensi" model besar AI, di mana model dapat memprediksi dan menganalisis masukan bahasa dan teks yang baru. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan bahasa, ini juga mirip dengan model besar AI yang diterapkan pada berbagai tugas tertentu setelah selesai dilatih, seperti klasifikasi gambar, pengenalan suara, dan lain-lain.
Sementara itu, AI Agent mendekati bentuk baru dari model besar - yang mampu secara mandiri menjalankan tugas dan mengejar tujuan kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga memori, perencanaan, dan kemampuan untuk menggunakan alat untuk berinteraksi dengan dunia.
Saat ini, untuk menangani masalah di setiap tumpukan AI, Web3 telah membentuk ekosistem multi-lapis yang saling terhubung, mencakup setiap tahap proses model AI.
Satu, Lapisan dasar: Daya komputasi dan data Airbnb
▼ Daya komputasi
Saat ini, salah satu biaya tertinggi AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan melakukan inferensi.
Contoh yang relevan adalah, Meta's LLAMA 3 membutuhkan 16,000 GPU H100 yang diproduksi oleh NVIDIA (yang merupakan unit pemrosesan grafis teratas yang dirancang khusus untuk AI dan beban kerja komputasi tinggi). Diperlukan 30 hari untuk menyelesaikan pelatihan. Harga masing-masing versi 80GB berkisar antara 30,000 hingga 40,000 dolar AS, yang memerlukan investasi perangkat keras komputasi (GPU+chip jaringan) antara 400 hingga 700 juta dolar AS, sementara pelatihan bulanan membutuhkan konsumsi energi sebesar 1.6 miliar kilowatt jam, dengan pengeluaran energi bulanan hampir 20 juta dolar AS.
Dari sisi pengurangan beban komputasi AI, Web3 juga merupakan salah satu bidang pertama yang berinteraksi dengan AI - DePin (jaringan infrastruktur fisik terdesentralisasi). Saat ini, situs data DePin Ninja telah mencantumkan lebih dari 1400 proyek, termasuk proyek berbagi daya GPU seperti io.net, Aethir, Akash, Render Network, dan sebagainya.
Logika utamanya adalah: platform memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk menyumbangkan kemampuan komputasi mereka secara terdesentralisasi tanpa izin, melalui pasar online untuk pembeli dan penjual seperti Uber atau Airbnb, meningkatkan pemanfaatan sumber daya GPU yang tidak terpakai, sehingga pengguna akhir dapat memperoleh sumber daya komputasi yang efisien dan lebih murah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapatkan sanksi yang sesuai.
Karakteristiknya adalah:
Mengumpulkan sumber daya GPU yang tidak terpakai: Pihak penyedia terutama terdiri dari pusat data independen kecil dan menengah, kelebihan daya komputasi dari operator tambang kripto, dengan mekanisme konsensus PoS untuk perangkat keras penambangan, seperti FileCoin dan mesin tambang ETH. Saat ini, ada juga proyek yang berusaha untuk memulai perangkat dengan ambang batas yang lebih rendah, seperti exolab yang memanfaatkan MacBook, iPhone, iPad, dan perangkat lokal lainnya untuk membangun jaringan daya komputasi untuk menjalankan inferensi model besar.
Menghadapi pasar panjang daya komputasi AI:
a. 'Dari sisi teknologi', pasar daya komputasi terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan sangat bergantung pada kemampuan pemrosesan data yang dibawa oleh GPU dalam skala besar, sementara inferensi membutuhkan daya komputasi GPU yang relatif lebih rendah, seperti Aethir yang fokus pada aplikasi rendering latensi rendah dan inferensi AI.
b. 'Dari sisi permintaan' pihak yang membutuhkan daya komputasi menengah tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan fine-tune di sekitar beberapa model besar terkemuka, dan skenario ini secara alami cocok dengan sumber daya komputasi yang tidak terpakai secara terdistribusi.
Kepemilikan terdesentralisasi: Makna teknis blockchain adalah pemilik sumber daya selalu mempertahankan hak kontrol atas sumber daya, dapat menyesuaikan dengan fleksibilitas berdasarkan permintaan, sekaligus memperoleh keuntungan.
▼ Data
Data adalah fondasi AI. Tanpa data, penghitungan ibarat dedaunan yang mengapung tanpa tujuan, sedangkan hubungan antara data dan model seperti pepatah "Garbage in, Garbage out", jumlah data dan kualitas input menentukan kualitas output akhir dari model. Untuk pelatihan model AI saat ini, data menentukan kemampuan bahasa, pemahaman, bahkan pandangan dan ekspresi kemanusiaan model. Saat ini, tantangan permintaan data AI terutama terfokus pada empat aspek berikut:
Kekurangan data: Pelatihan model AI bergantung pada masukan data yang besar. Data publik menunjukkan bahwa jumlah parameter yang dilatih OpenAI pada GPT-4 mencapai triliunan.
Kualitas data: Seiring dengan integrasi AI ke dalam berbagai industri, ketepatan waktu data, keragaman data, spesialisasi data vertikal, serta pengambilan sumber data baru seperti emosi media sosial juga meningkatkan tuntutan terhadap kualitasnya.
Isu privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan mulai menyadari pentingnya dataset yang berkualitas dan membatasi pengambilan dataset.
Biaya pemrosesan data yang tinggi: Jumlah data yang besar, proses yang kompleks. Data publik menunjukkan bahwa lebih dari 30% biaya R&D perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.
Saat ini, solusi web3 terwujud dalam empat aspek berikut:
1. Pengumpulan data: Kemampuan untuk menyediakan data dunia nyata yang ditangkap secara gratis sedang cepat berkurang, pengeluaran perusahaan AI untuk membeli data meningkat setiap tahun. Tetapi di sisi lain, pengeluaran ini tidak menguntungkan para kontributor data yang sebenarnya, platform sepenuhnya menikmati penciptaan nilai yang dihasilkan oleh data, seperti Reddit yang menghasilkan total pendapatan 203 juta dolar AS melalui perjanjian lisensi data dengan perusahaan AI. Melibatkan pengguna yang benar-benar memberikan kontribusi dalam penciptaan nilai dari data, serta memperoleh data yang lebih pribadi dan bernilai dengan biaya rendah melalui jaringan terdistribusi dan mekanisme insentif, adalah visi Web3.
Seperti Grass, sebuah lapisan data dan jaringan terdesentralisasi, pengguna dapat menjalankan node Grass, menyumbangkan bandwidth yang tidak terpakai dan lalu lintas relai untuk menangkap data real-time dari seluruh internet, dan memperoleh imbalan token;
Vana memperkenalkan konsep unik likuiditas data (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan browsing, aktivitas media sosial, dll.) ke DLP tertentu, dan dengan fleksibel memilih apakah akan memberikan izin penggunaan data tersebut kepada pihak ketiga tertentu;
Di PublicAI, pengguna dapat menggunakan #AI atau #Web3 sebagai label kategorisasi di X dan @PublicAI untuk melakukan pengumpulan data.
2. Pra-pemrosesan data: Dalam proses pemrosesan data AI, karena data yang dikumpulkan sering kali bising dan mengandung kesalahan, data tersebut harus dibersihkan dan diubah menjadi format yang dapat digunakan sebelum pelatihan model, melibatkan tugas berulang seperti normalisasi, penyaringan, dan penanganan nilai yang hilang. Tahap ini adalah salah satu dari sedikit tahap manual dalam industri AI, dan telah menghasilkan industri pelabelan data. Seiring dengan meningkatnya permintaan model terhadap kualitas data, ambang batas bagi pelabel data juga meningkat, dan tugas ini secara alami cocok dengan mekanisme insentif terdesentralisasi Web3.
Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk bergabung dalam tahap penting pelabelan data.
Synesis mengusulkan konsep "Train 2 earn", menekankan kualitas data, di mana pengguna dapat memperoleh imbalan dengan memberikan data pelabelan, anotasi, atau bentuk masukan lainnya.
Proyek pelabelan data Sapien menggamifikasi tugas pelabelan, dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.
3. Privasi dan keamanan data: Yang perlu diperjelas adalah bahwa privasi dan keamanan data adalah dua konsep yang berbeda. Privasi data melibatkan penanganan data sensitif, sementara keamanan data melindungi informasi dari akses tidak sah, kerusakan, dan pencurian. Dengan demikian, keunggulan teknologi privasi Web3 dan potensi aplikasi dapat dilihat dari dua aspek: (1) pelatihan data sensitif; (2) kolaborasi data: Beberapa pemilik data dapat berpartisipasi dalam pelatihan AI tanpa harus membagikan data asli mereka.
Teknologi privasi yang relatif umum dalam Web3 saat ini meliputi:
Lingkungan Eksekusi Tepercaya (TEE), seperti Super Protocol;
Enkripsi homomorfik sepenuhnya (FHE), seperti BasedAI, Fhenix.io, atau Inco Network;
Teknologi nol-pengetahuan (zk), seperti Reclaim Protocol menggunakan teknologi zkTLS untuk menghasilkan bukti nol-pengetahuan dari lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor aktivitas, reputasi, dan data identitas dari situs web eksternal dengan aman tanpa mengungkapkan informasi sensitif.
Namun, saat ini bidang ini masih berada di tahap awal, sebagian besar proyek masih dalam tahap eksplorasi, sementara salah satu tantangan saat ini adalah biaya komputasi yang tinggi, beberapa contoh adalah:
Kerangka zkML EZKL memerlukan sekitar 80 menit untuk menghasilkan bukti dari model 1M-nanoGPT.
Menurut data Modulus Labs, biaya zkML lebih dari seribu kali lipat dari perhitungan murni.
4. Penyimpanan data: Setelah memiliki data, diperlukan tempat untuk menyimpan data di blockchain, serta LLM yang dihasilkan dari data tersebut. Dengan masalah ketersediaan data (DA) sebagai isu utama, sebelum peningkatan Danksharding di Ethereum, throughput-nya adalah 0,08 MB. Sementara itu, pelatihan model AI dan inferensi waktu nyata biasanya memerlukan throughput data antara 50 hingga 100 GB per detik. Perbedaan skala ini membuat solusi di blockchain yang ada kesulitan menghadapi "aplikasi AI yang memerlukan sumber daya besar".
0g.AI adalah proyek perwakilan dalam kategori ini. Ini adalah solusi penyimpanan terpusat yang dirancang untuk kebutuhan performa tinggi AI, dengan fitur kunci termasuk: performa tinggi dan skalabilitas, mendukung pengunggahan dan pengunduhan dataset besar dengan cepat melalui teknik sharding canggih dan pengkodean penghapusan, dengan kecepatan transfer data mendekati 5 GB per detik.
Dua, Middleware: Pelatihan model dan inferensi
▼ Pasar model open-source terdesentralisasi
Perdebatan tentang apakah model AI harus bersifat tertutup atau terbuka tidak pernah berhenti. Inovasi kolektif yang dihasilkan oleh sumber terbuka adalah keunggulan yang tidak dapat ditandingi oleh model tertutup. Namun, dalam konteks tidak adanya model bisnis yang menguntungkan, bagaimana model terbuka dapat meningkatkan daya dorong bagi pengembang? Ini adalah arah yang patut direnungkan, pendiri Baidu Li Yanhong pernah menyatakan pada bulan April tahun ini, "model terbuka akan semakin tertinggal."
Terkait hal ini, Web3 mengusulkan kemungkinan pasar model open-source terdesentralisasi, yaitu memtokenisasi model itu sendiri, menyisakan sebagian proporsi token untuk tim, dan mengalirkan sebagian dari pendapatan masa depan model tersebut kepada pemegang token.
Seperti protokol Bittensor yang membangun pasar P2P untuk model open-source, terdiri dari puluhan "subnet", di mana penyedia sumber daya (komputasi, pengumpulan/data penyimpanan, bakat pembelajaran mesin) bersaing satu sama lain untuk memenuhi tujuan pemilik subnet tertentu, masing-masing subnet dapat berinteraksi dan saling belajar untuk mencapai kecerdasan yang lebih kuat. Hadiah dibagikan oleh komunitas melalui pemungutan suara dan dibagikan lebih lanjut berdasarkan kinerja kompetisi di masing-masing subnet.
ORA memperkenalkan konsep Initial Model Offering (IMO), yang memtokenisasi model AI, dan dapat dibeli, dijual, dan dikembangkan melalui jaringan terdesentralisasi.
Sentient, sebuah platform AGI terdesentralisasi, mendorong kolaborasi kontribusi orang untuk membangun, menggandakan dan memperluas model AI, serta memberikan penghargaan kepada para kontributor.
Spectral Nova, fokus pada pembuatan dan aplikasi model AI dan ML.
▼ Inferensi yang dapat diverifikasi
Untuk mengatasi tantangan "kotak hitam" dalam proses inferensi AI, solusi Web3 standar adalah meminta beberapa validator untuk mengulangi operasi yang sama dan membandingkan hasilnya. Namun, karena saat ini kekurangan "chip Nvidia" kelas atas, pendekatan ini menghadapi tantangan yang jelas yaitu biaya inferensi AI yang tinggi.
Solusi yang lebih menjanjikan adalah melakukan ZK proof (Zero-Knowledge Proof), yang merupakan protokol kriptografi di mana satu pihak (prover) dapat membuktikan kepada pihak lain (verifier) bahwa pernyataan tertentu adalah benar tanpa mengungkapkan informasi tambahan apapun. Hal ini diperlukan untuk memverifikasi perhitungan model AI di blockchain tanpa izin. Ini memerlukan pembuktian secara terenkripsi di blockchain bahwa perhitungan off-chain telah selesai dengan benar (misalnya, dataset tidak dirusak), sekaligus memastikan semua data tetap rahasia.
Keuntungan utama meliputi:
Skalabilitas: Pembuktian nol-pengetahuan dapat dengan cepat mengkonfirmasi sejumlah besar perhitungan off-chain. Bahkan ketika jumlah transaksi meningkat, satu pembuktian nol-pengetahuan dapat memverifikasi semua transaksi.
Perlindungan privasi: Data dan rincian model AI tetap rahasia, sementara semua pihak dapat memverifikasi bahwa data dan model tidak dirusak.
Tanpa perlu kepercayaan: Konfirmasi perhitungan tanpa bergantung pada pihak terpusat.
Integrasi Web2: Secara definisi, Web2 adalah integrasi off-chain, yang berarti inferensi yang dapat diverifikasi dapat membantu membawa dataset dan perhitungan AI ke blockchain. Ini membantu meningkatkan adopsi Web3.
Saat ini, solusi Web3 untuk inferensi yang dapat diverifikasi adalah sebagai berikut:
zkML: Menggabungkan pembuktian nol-pengetahuan dengan pembelajaran mesin untuk memastikan privasi dan kerahasiaan data serta model, memungkinkan perhitungan yang dapat diverifikasi tanpa mengungkapkan atribut dasar tertentu, seperti Modulus Labs yang merilis pembuktian zk untuk AI yang dibangun dengan ZKML, untuk memeriksa secara efektif apakah penyedia AI memanipulasi algoritma untuk dijalankan dengan benar di blockchain, meskipun saat ini pelanggan utamanya adalah DApp di blockchain.
opML: Menggunakan prinsip ringkasan optimis, meningkatkan kemampuan dan efisiensi perhitungan ML dengan memverifikasi waktu terjadinya sengketa. Dalam model ini, hanya perlu memverifikasi sebagian kecil dari hasil yang dihasilkan oleh "validator", namun menetapkan biaya yang cukup tinggi untuk mengurangi biaya dan meningkatkan biaya kecurangan bagi validator, sehingga menghemat perhitungan berlebih.
TeeML: Menggunakan lingkungan eksekusi tepercaya untuk melaksanakan perhitungan ML dengan aman, melindungi data dan model dari pemalsuan dan akses tidak sah.
Tiga, Lapisan aplikasi: AI Agent
Perkembangan AI saat ini menunjukkan bahwa fokus pengembangan beralih dari kemampuan model ke AI Agent. OpenAI, unicorn model besar AI Anthropic, Microsoft, dan perusahaan teknologi lainnya beralih ke pengembangan AI Agent, berusaha untuk memecahkan stagnasi teknologi LLM saat ini.
Definisi AI Agent oleh OpenAI adalah: dipimpin oleh LLM sebagai otak, memiliki kemampuan pemahaman mandiri, perencanaan, memori, dan penggunaan alat, dapat secara otomatis mengeksekusi dan menyelesaikan tugas yang kompleks. Ketika AI beralih dari alat yang digunakan menjadi subjek yang dapat menggunakan alat, maka ia menjadi AI Agent. Inilah yang membuat AI Agent bisa menjadi asisten cerdas paling ideal bagi manusia.
Lalu, apa yang bisa dibawa Web3 untuk Agent?
1. Desentralisasi
Karakteristik desentralisasi Web3 memungkinkan sistem Agent lebih terdesentralisasi dan otonom, dengan membangun mekanisme insentif dan hukuman untuk staker dan delegator melalui mekanisme seperti PoS, DPoS, dapat mendorong demokratisasi sistem Agent, GaiaNet, Theoriq, HajimeAI telah melakukan percobaan.
2. Cold start
Pengembangan dan iterasi AI Agent sering kali memerlukan dukungan dana yang besar, dan Web3 dapat membantu proyek AI Agent yang berpotensi untuk mendapatkan pendanaan awal dan cold start.
Virtual Protocol meluncurkan platform pembuatan AI Agent dan penerbitan token fun.virtuals, di mana pengguna dapat menyebarkan AI Agent dengan sekali klik, dan melakukan penerbitan token AI Agent secara adil 100%.
Spectral mengusulkan produk yang mendukung penerbitan aset AI Agent di blockchain: melalui IAO (Initial Agent Offering) untuk menerbitkan token, AI Agent dapat langsung mendapatkan dana dari investor, sekaligus menjadi anggota tata kelola DAO, memberikan kesempatan bagi investor untuk berpartisipasi dalam pengembangan proyek dan berbagi keuntungan di masa depan.
Bagian 2: Bagaimana AI memberdayakan Web3?
Dampak AI pada proyek Web3 sangat jelas, dengan mengoptimalkan operasi di blockchain (seperti pelaksanaan kontrak pintar, optimasi likuiditas, dan pengambilan keputusan yang didorong oleh AI), teknologi blockchain mendapat manfaat, sambil menyediakan wawasan berbasis data yang lebih baik, meningkatkan keamanan di blockchain, dan meletakkan dasar bagi aplikasi baru berbasis Web3.
Satu, AI dan keuangan di blockchain
▼ AI dan ekonomi kripto
Pada 31 Agustus, CEO Coinbase Brian Armstrong mengumumkan bahwa transaksi kripto pertama AI terhadap AI sudah terlaksana di jaringan Base, dan menyatakan bahwa AI Agent kini dapat menggunakan USD untuk bertransaksi dengan manusia, pedagang, atau AI lainnya, transaksi ini bersifat instan, global, dan gratis.
Selain pembayaran, Luna dari Virtuals Protocol juga pertama kali mendemonstrasikan bagaimana AI Agent dapat secara mandiri menjalankan transaksi di blockchain, menarik perhatian dan menjadikan AI Agent sebagai entitas cerdas yang mampu merasakan lingkungan, membuat keputusan, dan melaksanakan tindakan, dianggap sebagai masa depan keuangan di blockchain. Saat ini, potensi skenario AI Agent terletak di beberapa poin berikut:
1. Pengumpulan informasi dan prediksi: Membantu investor mengumpulkan informasi pengumuman bursa, informasi publik proyek, emosi panik, risiko opini publik, dll., serta menganalisis dan mengevaluasi fundamental aset dan kondisi pasar secara real-time, serta memprediksi tren dan risiko.
2. Manajemen aset: Memberikan pilihan investasi yang tepat kepada pengguna, mengoptimalkan portofolio aset, dan secara otomatis mengeksekusi transaksi.
3. Pengalaman keuangan: Membantu investor memilih metode transaksi di blockchain yang tercepat, mengotomatiskan operasional lintas rantai, menyesuaikan biaya gas, dan mengurangi biaya serta ambang batas aktivitas keuangan di blockchain.
Bayangkan skenario di mana Anda memberi instruksi kepada AI Agent: "Saya memiliki 1000 USDT, tolong bantu saya menemukan kombinasi dengan imbal hasil tertinggi, dengan waktu penguncian tidak lebih dari satu minggu", AI Agent akan memberikan saran berikut: "Disarankan alokasi awal adalah 50% di A, 20% di B, 20% di X, 10% di Y. Saya akan memantau tingkat bunga dan mengamati perubahan tingkat risiko, dan akan menyeimbangkan kembali jika diperlukan." Selain itu, mencari proyek airdrop yang berpotensi, serta proyek Memecoin yang menunjukkan tanda komunitas yang populer, adalah hal-hal yang mungkin dilakukan AI Agent di masa depan.
Sumber gambar: Biconomy
Saat ini, dompet AI Agent Bitte, dan protokol interaksi AI Wayfinder sedang mencoba hal serupa, keduanya berusaha mengakses API model OpenAI, memungkinkan pengguna untuk berinteraksi dalam antarmuka jendela obrolan yang mirip dengan ChatGPT, memerintahkan Agent untuk menyelesaikan berbagai operasi di blockchain, seperti WayFinder yang merilis prototype pertamanya pada bulan April tahun ini di jaringan utama Base, Polygon, dan Ethereum, menunjukkan empat operasi dasar yaitu swap, send, bridge, dan stake.
Saat ini, platform Agent terdesentralisasi Morpheus juga mendukung pengembangan jenis Agent ini, seperti Biconomy yang juga menunjukkan segmen tanpa otorisasi penuh dari hak akses dompet, AI Agent dapat menukar ETH menjadi USDC.
▼ AI dan keamanan transaksi di blockchain
Di dunia Web3, keamanan transaksi di blockchain sangat penting. Teknologi AI dapat digunakan untuk meningkatkan keamanan dan perlindungan privasi transaksi di blockchain, potensi skenario termasuk:
Pemantauan transaksi: Teknologi data real-time memantau aktivitas transaksi yang anomali, mengarah pada infrastruktur peringatan real-time untuk pengguna dan platform.
Analisis risiko: Membantu platform menganalisis data perilaku transaksi pelanggan, menilai tingkat risikonya.
Misalnya, platform keamanan Web3 SeQure menggunakan AI untuk mendeteksi dan mencegah serangan jahat, penipuan, dan kebocoran data, serta menyediakan pemantauan dan mekanisme peringatan secara real-time untuk memastikan keamanan dan stabilitas transaksi di blockchain. Alat keamanan serupa termasuk AI-powered Sentinel.
Dua, AI dan infrastruktur di blockchain
▼ AI dan data di blockchain
Teknologi AI memainkan peran penting dalam pengumpulan dan analisis data di blockchain, seperti:
Web3 Analytics: Adalah platform analisis berbasis AI yang memanfaatkan algoritma machine learning dan data mining untuk mengumpulkan, memproses, dan menganalisis data di blockchain.
MinMax AI: Menyediakan alat analisis data di blockchain berbasis AI, membantu pengguna menemukan peluang dan tren pasar yang potensial.
Kaito：Platform pencarian Web3 berbasis LLM.
Followin：Mengintegrasikan ChatGPT, mengumpulkan dan mengintegrasikan informasi relevan dari berbagai situs web dan platform komunitas.
Satu lagi skenario aplikasi adalah oracle, AI dapat mendapatkan harga dari berbagai sumber untuk menyediakan data harga yang akurat. Misalnya, Upshot menggunakan AI untuk mengatasi fluktuasi harga NFT, dengan lebih dari satu miliar evaluasi setiap jam, menawarkan kesalahan persentase 3-10% pada harga NFT.
▼ AI dan audit pengembangan
Baru-baru ini, editor kode AI Web2 bernama Cursor menarik perhatian di kalangan pengembang, di platformnya, pengguna hanya perlu menjelaskan dalam bahasa alami, Cursor dapat secara otomatis menghasilkan kode HTML, CSS, dan JavaScript yang relevan, yang secara signifikan menyederhanakan proses pengembangan perangkat lunak. Logika ini juga cocok untuk meningkatkan efisiensi pengembangan Web3.
Saat ini, dalam penerapan kontrak pintar dan DApp di blockchain publik, biasanya harus mengikuti bahasa pengembangan khusus seperti Solidity, Rust, Move, dll. Visi bahasa pemrograman baru ini adalah untuk memperluas ruang desain blockchain terdesentralisasi, membuatnya lebih cocok untuk pengembangan DApp, tetapi dengan kekurangan pengembang Web3 yang cukup besar, pendidikan pengembang tetap menjadi tantangan yang lebih menyakitkan.
Saat ini, AI dalam membantu pengembangan Web3, skenario yang bisa dibayangkan termasuk: otomatisasi pembuatan kode, verifikasi dan pengujian kontrak pintar, penyebaran dan pemeliharaan DApp, penyelesaian kode pintar, serta AI memberikan jawaban untuk masalah pengembangan yang kompleks, dll. Dengan bantuan AI, tidak hanya membantu meningkatkan efisiensi dan akurasi pengembangan, tetapi juga menurunkan ambang batas pemrograman, memungkinkan non-programmer untuk mengubah ide mereka menjadi aplikasi nyata, membawa vitalitas baru bagi perkembangan teknologi terdesentralisasi.
Saat ini, yang paling menarik perhatian adalah platform peluncuran token dengan sekali klik, seperti Clanker, sebuah "Token Bot" yang didorong oleh AI, dirancang khusus untuk peluncuran token DIY yang cepat. Anda hanya perlu menandai Clanker di klien protokol SocialFi seperti Warpcast atau Supercast, memberi tahu tentang ide token Anda, dan ia akan meluncurkan token untuk Anda di blockchain Base.
Ada juga platform pengembangan kontrak, seperti Spectral yang menyediakan fungsi pembuatan dan penerapan kontrak pintar dengan sekali klik, untuk menurunkan ambang batas pengembangan Web3, sehingga bahkan pengguna pemula pun dapat melakukan kompilasi dan penerapan kontrak pintar.
Dalam hal audit, platform audit Web3 Fuzzland menggunakan AI untuk membantu auditor memeriksa kerentanan kode, memberikan penjelasan dalam bahasa alami untuk mendukung pengetahuan profesional audit. Fuzzland juga memanfaatkan AI untuk memberikan penjelasan dalam bahasa alami terhadap spesifikasi formal dan kode kontrak, serta beberapa contoh kode untuk membantu pengembang memahami masalah potensial dalam kode.
Tiga, AI dan narasi baru Web3
Kebangkitan AI generatif membawa kemungkinan baru untuk narasi baru Web3.
NFT: AI memberikan kreativitas pada NFT generatif, dengan teknologi AI dapat menghasilkan berbagai karya seni dan karakter yang unik dan beragam. NFT generatif ini dapat menjadi karakter, item, atau elemen adegan dalam game, dunia virtual, atau metaverse, seperti Bicasso di bawah Binance, di mana pengguna dapat menghasilkan NFT dengan mengunggah gambar dan memasukkan kata kunci untuk pemrosesan AI. Proyek serupa termasuk Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: Mengelilingi AI dalam generasi bahasa alami, generasi gambar, dan kemampuan NPC cerdas, GameFi diharapkan dapat meningkatkan efisiensi dan inovasi dalam produksi konten game. Seperti AI Hero, game blockchain pertama dari Binaryx, di mana pemain dapat menjelajahi pilihan cerita yang berbeda secara acak melalui AI; juga ada game pasangan virtual Sleepless AI, yang berdasarkan AIGC dan LLM, di mana pemain dapat membuka gaya permainan yang dipersonalisasi melalui interaksi yang berbeda.
DAO: Saat ini, AI juga dibayangkan untuk diterapkan pada DAO, membantu melacak interaksi komunitas, mendokumentasikan kontribusi, memberi penghargaan kepada anggota dengan kontribusi terbanyak, serta mewakili suara dalam pemungutan suara, dll. Seperti ai16z yang menggunakan AI Agent untuk mengumpulkan informasi pasar di blockchain dan off-chain, menganalisis konsensus komunitas, serta menggabungkan masukan dari anggota DAO untuk pengambilan keputusan investasi.
Bagian 3: Makna penggabungan AI+Web3: Menara dan Alun-Alun
Di jantung kota Florence, Italia, terdapat tempat kegiatan politik terpenting dan tempat berkumpulnya warga serta wisatawan - Piazza Centrale, di mana berdiri menara balai kota setinggi 95 meter, kontras visual antara menara dan alun-alun menciptakan efek estetika yang dramatis. Profesor sejarah di Harvard, Neil Ferguson terinspirasi dari sini dan dalam buku (Piazza dan Menara) mengaitkan dengan sejarah dunia jaringan dan hierarki, di mana keduanya muncul dan tenggelam dalam aliran waktu.
Metafora brilian ini juga tidak asing ketika diterapkan pada hubungan antara AI dan Web3 saat ini. Dari sejarah hubungan jangka panjang dan non-linier antara keduanya, dapat dilihat bahwa alun-alun lebih mudah menghasilkan hal-hal baru yang lebih kreatif dibandingkan menara, tetapi menara tetap memiliki legitimasi dan kekuatan hidup yang besar.
Dalam kemampuan perusahaan teknologi untuk mengumpulkan energi, daya, dan data, AI meledak dengan imajinasi yang belum pernah terjadi sebelumnya. Perusahaan teknologi besar berinvestasi besar-besaran dan berlomba-lomba masuk, dari berbagai chatbot hingga iterasi model dasar GPT-4, GP 4-4 o, dan sebagainya, robot pemrograman otomatis (Devin) dan Sora yang memiliki kemampuan simulasi dunia fisik yang nyata muncul, imajinasi AI diperluas tanpa batas.
Sementara itu, AI pada dasarnya adalah industri yang terpusat dan terukur. Revolusi teknologi ini mendorong perusahaan teknologi yang telah menguasai kekuasaan struktural di "era internet" ke puncak yang lebih sempit. Daya listrik yang besar, aliran kas yang terpusat, dan kumpulan data besar yang diperlukan untuk mendominasi era kecerdasan telah menciptakan penghalang yang lebih tinggi.
Ketika menara semakin tinggi, pengambil keputusan di balik layar semakin menyusut, sentralisasi AI membawa banyak risiko. Bagaimana massa yang berkumpul di alun-alun dapat menghindari bayangan di bawah menara? Inilah yang diharapkan Web3 untuk dipecahkan.
Secara esensial, atribut inheren blockchain memperkuat sistem kecerdasan buatan dan membawa kemungkinan baru, yang terutama adalah:
Di era kecerdasan buatan, "kode adalah hukum" - melalui kontrak pintar dan verifikasi kriptografi untuk secara otomatis menjalankan aturan sistem transparan, memberikan imbalan kepada kelompok yang lebih dekat dengan tujuan.
Ekonomi token - menciptakan dan mengoordinasikan perilaku peserta melalui mekanisme token, staking, pengurangan, penghargaan dan hukuman.
Tata kelola terdesentralisasi - mendorong kita untuk mempertanyakan sumber informasi, dan mendorong pendekatan yang lebih kritis dan cerdas terhadap teknologi kecerdasan buatan, untuk mencegah bias, informasi yang salah, dan manipulasi, akhirnya membina masyarakat yang lebih terinformasi dan berdaya.
Perkembangan AI juga membawa vitalitas baru bagi Web3, mungkin pengaruh Web3 pada AI memerlukan waktu untuk dibuktikan, tetapi pengaruh AI pada Web3 sangat jelas: baik itu dalam perayaan Meme, maupun AI Agent yang membantu aplikasi di blockchain menurunkan hambatan pengguna.
Ketika Web3 didefinisikan sebagai perayaan pribadi sekelompok orang, dan terjebak dalam keraguan tentang reproduksi industri tradisional, kehadiran AI membawa masa depan yang dapat diprediksi: kelompok pengguna Web2 yang lebih stabil dan lebih besar, model bisnis dan layanan yang lebih inovatif.
Kita hidup di dunia di mana "menara dan alun-alun" coexist. Meskipun AI dan Web3 memiliki garis waktu dan titik awal yang berbeda, tujuan akhir keduanya adalah bagaimana mesin dapat lebih baik melayani manusia. Tak seorang pun dapat mendefinisikan sungai yang mengalir, kita menantikan masa depan AI+Web3.
*Semua konten di platform Coinspire hanya untuk referensi, tidak merupakan tawaran atau saran untuk strategi investasi. Setiap keputusan pribadi yang dibuat berdasarkan konten artikel ini sepenuhnya menjadi tanggung jawab investor, Coinspire tidak bertanggung jawab atas hasil apapun yang timbul dari keputusan tersebut. Investasi memiliki risiko, keputusan harus dilakukan dengan hati-hati.