À primeira vista, AI x Web3 parecem ser tecnologias independentes, cada uma baseada em princípios fundamentalmente diferentes e servindo funções diferentes. No entanto, se aprofundarmos mais, descobriremos que existem oportunidades para ambas as tecnologias equilibrarem as vantagens e desvantagens uma da outra e que os seus pontos fortes únicos podem complementar-se e melhorar-se mutuamente. Balaji Srinivasan articulou de forma brilhante este conceito de capacidades complementares na conferência SuperAI, inspirando uma comparação detalhada de como estas tecnologias interagem.

Adotando uma abordagem ascendente, o Token surgiu dos esforços de descentralização de cyberpunks anônimos e evoluiu ao longo de mais de uma década através dos esforços colaborativos de inúmeras entidades independentes em todo o mundo. Em vez disso, a IA é desenvolvida através de uma abordagem de cima para baixo, dominada por um punhado de gigantes da tecnologia. Estas empresas definem o ritmo e a dinâmica da indústria, com barreiras à entrada determinadas mais pela intensidade de recursos do que pela complexidade tecnológica.

As duas tecnologias também são de natureza completamente diferente. Em essência, os tokens são sistemas determinísticos que produzem resultados imutáveis, como a previsibilidade de uma função hash ou a prova de conhecimento zero. Isto contrasta com a natureza probabilística e muitas vezes imprevisível da inteligência artificial.

Da mesma forma, a criptografia é excelente na verificação, garantindo a autenticidade e segurança das transações e estabelecendo processos e sistemas confiáveis, enquanto a IA se concentra na geração, criando conteúdo digital rico. No entanto, no processo de criação de abundância digital, garantir a proveniência do conteúdo e prevenir o roubo de identidade torna-se um desafio.

Felizmente, os tokens fornecem o conceito oposto de abundância digital – escassez digital. Fornece ferramentas relativamente maduras que podem ser estendidas à tecnologia de inteligência artificial para garantir a confiabilidade das fontes de conteúdo e evitar problemas de roubo de identidade.

Uma vantagem significativa dos tokens é a sua capacidade de atrair grandes quantidades de hardware e capital para redes coordenadas para servir objetivos específicos. Esta capacidade é particularmente benéfica para inteligência artificial que consome grandes quantidades de poder computacional. A mobilização de recursos subutilizados para fornecer poder computacional mais barato pode melhorar significativamente a eficiência da inteligência artificial.

Ao comparar estas duas tecnologias, podemos não só apreciar as suas contribuições individuais, mas também ver como, em conjunto, podem criar novos caminhos para a tecnologia e a economia. Cada tecnologia pode complementar as deficiências da outra, criando um futuro mais integrado e inovador. Nesta postagem do blog, pretendemos explorar o cenário emergente da indústria AI x Web3, destacando alguns setores verticais emergentes na interseção dessas tecnologias.

Fonte: IOSG Ventures

2.1 Rede de computação

O mapa da indústria apresenta primeiro redes de computação que tentam resolver o problema do fornecimento restrito de GPU e tentam reduzir os custos de computação de diferentes maneiras. Vale a pena focar nos seguintes itens:

  • Interoperabilidade de GPU não unificada: Este é um empreendimento muito ambicioso com elevados riscos técnicos e incertezas, mas se for bem sucedido, tem o potencial de criar resultados de enorme escala e impacto, tornando todos os recursos computacionais interoperáveis. Essencialmente, a ideia é construir o compilador e outros pré-requisitos para que do lado da oferta qualquer recurso de hardware possa ser conectado, enquanto do lado da demanda a não uniformidade de todo o hardware será completamente abstraída para que suas solicitações de computação possam ser roteadas. para a rede qualquer recurso em . Se esta visão for bem-sucedida, reduzirá a atual dependência do software CUDA, que é completamente dominado por desenvolvedores de IA. Apesar dos elevados riscos técnicos, muitos especialistas são altamente céticos quanto à viabilidade desta abordagem.

  • Agregação de GPU de alto desempenho: consolide as GPUs mais populares do mundo em uma rede distribuída e sem permissão, sem se preocupar com problemas de interoperabilidade entre recursos de GPU não uniformes.

  • Agregação de GPUs de consumo de commodities: aponta para a agregação de algumas GPUs de baixo desempenho que podem estar disponíveis em dispositivos de consumo. Essas GPUs são os recursos mais subutilizados no lado da oferta. Ele atende àqueles que estão dispostos a sacrificar o desempenho e a velocidade por uma sessão de treinamento mais barata e mais longa.

2.2 Treinamento e inferência

As redes computacionais são usadas principalmente para duas funções principais: treinamento e inferência. A necessidade dessas redes vem dos projetos Web 2.0 e Web 3.0. No mundo da Web 3.0, projetos como o Bittensor aproveitam recursos computacionais para ajuste fino de modelos. Em termos de raciocínio, os projetos da Web 3.0 enfatizam a verificabilidade dos processos. Este foco deu origem a um raciocínio verificável como uma vertical de mercado, com projetos que exploram como integrar o raciocínio da IA ​​em contratos inteligentes, mantendo ao mesmo tempo os princípios da descentralização.

2.3 Plataforma de agente inteligente

A seguir estão as plataformas de agentes inteligentes, e o gráfico descreve os principais problemas que as startups nesta categoria precisam resolver:

  • Interoperabilidade dos agentes e capacidades de descoberta e comunicação: os agentes são capazes de descobrir e comunicar-se entre si.

  • Capacidades de construção e gerenciamento de cluster de agentes: Os agentes podem formar clusters e gerenciar outros agentes.

  • Propriedade e mercado para agentes de IA: Fornece propriedade e mercado para agentes de IA.

Estas características enfatizam a importância de sistemas flexíveis e modulares que podem ser perfeitamente integrados numa variedade de aplicações de blockchain e de inteligência artificial. Os agentes de IA têm o potencial de revolucionar a forma como interagimos com a Internet e acreditamos que os agentes aproveitarão a infraestrutura para apoiar as suas operações. Imaginamos agentes de IA contando com infraestrutura das seguintes maneiras:

  • Acesse dados da web em tempo real usando uma rede de raspagem distribuída

  • Usando canais DeFi para pagamentos entre agentes

  • Exigir um depósito financeiro não visa apenas punir o mau comportamento quando ele ocorre, mas também aumentar a capacidade de descoberta do agente (ou seja, utilizar o depósito como um sinal financeiro durante a descoberta)

  • Usar o consenso para decidir quais eventos devem resultar em cortes

  • Padrões abertos de interoperabilidade e estruturas de agência para apoiar a construção de coletivos combináveis

  • Avalie o desempenho passado com base no histórico de dados imutáveis ​​e selecione coletivos de agentes apropriados em tempo real

Fonte: IOSG Ventures

2.4 Camada de dados

Na integração AI x Web3, os dados são um componente central. Os dados são um ativo estratégico na competição de IA e, juntamente com os recursos computacionais, constituem um recurso fundamental. No entanto, esta categoria é muitas vezes ignorada porque a maior parte da atenção da indústria está focada no nível da computação. Na verdade, as primitivas fornecem muitas direções de valores interessantes no processo de aquisição de dados, incluindo principalmente as duas direções de alto nível a seguir:

  • Acesse dados públicos da Internet

  • Acesse dados protegidos

Acessar dados públicos da Internet: esta direção visa construir redes distribuídas de rastreadores que possam rastrear toda a Internet em questão de dias, obter conjuntos de dados massivos ou acessar dados muito específicos da Internet em tempo real. No entanto, para rastrear grandes conjuntos de dados na Internet, os requisitos de rede são muito elevados e são necessárias pelo menos algumas centenas de nós para iniciar algum trabalho significativo. Felizmente, Grass, uma rede distribuída de nós rastreadores, já tem mais de 2 milhões de nós compartilhando ativamente a largura de banda da Internet com a rede, com o objetivo de rastrear toda a Internet. Isto mostra o enorme potencial dos incentivos financeiros para atrair recursos valiosos.

Embora a Grass nivele o campo de atuação quando se trata de dados públicos, ainda existem desafios no aproveitamento dos dados subjacentes – nomeadamente o acesso a conjuntos de dados proprietários. Especificamente, ainda existe uma grande quantidade de dados que são mantidos de forma a preservar a privacidade devido à sua natureza sensível. Muitas startups estão aproveitando ferramentas criptográficas que permitem aos desenvolvedores de IA construir e ajustar grandes modelos de linguagem usando as estruturas de dados subjacentes de conjuntos de dados proprietários, mantendo a privacidade de informações confidenciais.

Tecnologias como aprendizagem federada, privacidade diferencial, ambientes de execução confiáveis, computação totalmente homomórfica e multipartidária fornecem diferentes níveis de proteção de privacidade e compensações. O artigo de pesquisa de Bagel (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) resume uma excelente visão geral dessas técnicas. Estas tecnologias não só protegem a privacidade dos dados durante o processo de aprendizagem automática, mas também permitem soluções abrangentes de IA que preservam a privacidade ao nível da computação.

2.5 Fontes de dados e modelos

As técnicas de proveniência de dados e modelos visam estabelecer processos que possam garantir aos usuários que eles estão interagindo com os modelos e dados pretendidos. Além disso, essas tecnologias oferecem garantias de autenticidade e procedência. Tomando a tecnologia de marca d'água como exemplo, a marca d'água é uma das tecnologias de origem do modelo, que incorpora a assinatura diretamente no algoritmo de aprendizado de máquina, mais especificamente nos pesos do modelo, para que possa ser verificado durante a recuperação se a inferência vem do modelo esperado .

2.6 Aplicação

Em termos de aplicações, as possibilidades de design são infinitas. No mapa da indústria acima, listamos alguns casos de desenvolvimento que são particularmente interessantes com a aplicação da tecnologia de IA no campo da Web 3.0. Como esses casos de uso são em sua maioria autodescritivos, não fazemos comentários adicionais aqui. No entanto, vale a pena notar que a intersecção da IA ​​e da Web 3.0 tem o potencial de remodelar muitas verticais do campo, uma vez que estas novas primitivas proporcionam aos programadores mais liberdade para criar casos de utilização inovadores e optimizar os casos de utilização existentes.

Resumir

A convergência AI x Web3 traz uma promessa cheia de inovação e potencial. Ao aproveitar os pontos fortes exclusivos de cada tecnologia, podemos resolver uma variedade de desafios e criar novos caminhos tecnológicos. À medida que exploramos esta indústria emergente, a sinergia entre IA x Web3 pode impulsionar um progresso que remodelará as nossas futuras experiências digitais e a forma como interagimos na web.

A convergência da escassez digital e da abundância digital, a mobilização de recursos subutilizados para alcançar a eficiência computacional e o estabelecimento de práticas de dados seguras e que preservam a privacidade definirão a próxima era da evolução tecnológica.

No entanto, temos de reconhecer que esta indústria ainda está na sua infância e o actual panorama industrial pode tornar-se obsoleto num curto período de tempo. O ritmo acelerado da inovação significa que as soluções de ponta atuais poderão em breve ser substituídas por novos avanços. No entanto, os conceitos fundamentais discutidos – como redes de computação, plataformas de agentes e protocolos de dados – destacam as vastas possibilidades de integração da inteligência artificial com a Web 3.0.