Автор: IOSG Ventures
1
На первый взгляд AI x Web3 кажется независимыми технологиями, каждая из которых основана на принципиально разных принципах и выполняет разные функции. Однако если копнуть глубже, вы обнаружите, что у обеих технологий есть возможности сбалансировать компромиссы друг друга и что их уникальные сильные стороны могут дополнять и усиливать друг друга. Баладжи Сринивасан блестяще сформулировал эту концепцию дополнительных возможностей на конференции SuperAI, вдохновив на детальное сравнение того, как взаимодействуют эти технологии.
Приняв подход «снизу вверх», Token возник в результате усилий анонимных киберпанков по децентрализации и развивался более десяти лет благодаря совместным усилиям множества независимых организаций по всему миру. Вместо этого ИИ разрабатывается по принципу «сверху вниз», в котором доминирует горстка технологических гигантов. Эти компании задают темп и динамику отрасли, при этом барьеры для входа определяются скорее ресурсоемкостью, чем технологической сложностью.
Эти две технологии также имеют совершенно разную природу. По сути, токены — это детерминированные системы, которые дают неизменные результаты, такие как предсказуемость хеш-функции или доказательство с нулевым разглашением. Это контрастирует с вероятностной и зачастую непредсказуемой природой искусственного интеллекта.
Аналогично, криптография превосходно справляется с проверкой, обеспечивая подлинность и безопасность транзакций, а также создавая процессы и системы, не требующие доверия, в то время как ИИ фокусируется на генерации, создавая богатый цифровой контент. Однако в процессе создания цифрового изобилия обеспечение происхождения контента и предотвращение кражи личных данных становится проблемой.
К счастью, токены предлагают противоположную концепцию цифрового изобилия – цифровой дефицит. Он предоставляет относительно зрелые инструменты, которые можно расширить до технологии искусственного интеллекта, чтобы обеспечить надежность источников контента и избежать проблем с кражей личных данных.
Значительным преимуществом токенов является их способность привлекать большие объемы оборудования и капитала в скоординированные сети для достижения конкретных целей. Эта возможность особенно полезна для искусственного интеллекта, который потребляет большое количество вычислительной мощности. Мобилизация недостаточно используемых ресурсов для обеспечения более дешевой вычислительной мощности может значительно повысить эффективность искусственного интеллекта.
Сравнивая эти две технологии, мы можем не только оценить их индивидуальный вклад, но и увидеть, как вместе они могут создать новые пути развития технологий и экономики. Каждая технология может дополнять недостатки другой, создавая более интегрированное, инновационное будущее. В этом сообщении блога мы стремимся изучить развивающуюся отраслевую среду AI x Web3, выделив некоторые из новых вертикалей на стыке этих технологий.
Источник: IOSG Ventures.
2
2.1 Вычислительная сеть
Карта отрасли начинается со знакомства с вычислительными сетями, которые пытаются решить проблему ограниченного предложения графических процессоров и различными способами снизить затраты на вычисления. Стоит обратить внимание на следующие пункты:
Неунифицированная совместимость графических процессоров. Это очень амбициозная задача, сопряженная с высокими техническими рисками и неопределенностями, но в случае успеха она может привести к результатам огромного масштаба и воздействия, сделав все вычислительные ресурсы совместимыми. По сути, идея состоит в том, чтобы создать компилятор и другие необходимые компоненты таким образом, чтобы на стороне предложения можно было подключить любой аппаратный ресурс, а на стороне спроса неоднородность всего оборудования была бы полностью абстрагирована, чтобы можно было маршрутизировать ваши вычислительные запросы. в сеть любой ресурс в формате . Если эта концепция окажется успешной, это уменьшит текущую зависимость от программного обеспечения CUDA, в котором полностью доминируют разработчики ИИ. Несмотря на высокие технические риски, многие эксперты весьма скептически относятся к возможности такого подхода.
Высокопроизводительная агрегация графических процессоров. Консолидируйте самые популярные в мире графические процессоры в распределенную, закрытую сеть, не беспокоясь о проблемах совместимости между неунифицированными ресурсами графических процессоров.
Агрегация потребительских графических процессоров: указывает на объединение некоторых низкопроизводительных графических процессоров, которые могут быть доступны в потребительских устройствах и являются наиболее недоиспользуемыми ресурсами со стороны предложения. Он предназначен для тех, кто готов пожертвовать производительностью и скоростью ради более дешевой и продолжительной тренировки.
2.2 Обучение и вывод
Вычислительные сети в основном используются для двух основных функций: обучения и вывода. Потребность в этих сетях возникла из проектов Web 2.0 и Web 3.0. В мире Web 3.0 такие проекты, как Bittensor, используют вычислительные ресурсы для точной настройки модели. С точки зрения рассуждений, проекты Web 3.0 подчеркивают проверяемость процессов. Этот акцент привел к появлению поддающихся проверке рассуждений как рыночной вертикали, а проекты изучают, как интегрировать рассуждения ИИ в смарт-контракты, сохраняя при этом принципы децентрализации.
2.3 Интеллектуальная агентская платформа
Далее идут платформы интеллектуальных агентов, и на графике показаны основные проблемы, которые должны решить стартапы в этой категории:
Взаимодействие агентов, а также возможности обнаружения и связи. Агенты могут обнаруживать друг друга и взаимодействовать друг с другом.
Возможности создания и управления кластерами агентов. Агенты могут формировать кластеры и управлять другими агентами.
Право собственности и рынок для агентов ИИ: Обеспечьте право собственности и рынок для агентов ИИ.
Эти характеристики подчеркивают важность гибких и модульных систем, которые можно легко интегрировать в различные приложения блокчейна и искусственного интеллекта. Агенты ИИ могут революционизировать то, как мы взаимодействуем с Интернетом, и мы считаем, что агенты будут использовать инфраструктуру для поддержки своих операций. Мы предполагаем, что агенты ИИ будут полагаться на инфраструктуру следующим образом:
Доступ к веб-данным в реальном времени с помощью распределенной сети парсинга
Использование каналов DeFi для межагентских платежей
Требование финансового депозита предназначено не только для наказания за неправомерное поведение, когда оно происходит, но также для повышения открытости агента (т. е. использования депозита в качестве финансового сигнала во время обнаружения).
Используйте консенсус, чтобы решить, какие события должны привести к сокращениям
Открытые стандарты совместимости и структуры агентств, позволяющие создавать составные коллективы.
Оценивайте прошлую производительность на основе неизменяемой истории данных и выбирайте подходящие коллективы агентов в режиме реального времени.
Источник: IOSG Ventures.
2.4 Уровень данных
В слиянии AI x Web3 данные являются ключевым компонентом. Данные являются стратегическим активом в конкурентной борьбе с искусственным интеллектом и вместе с вычислительными ресурсами составляют важнейший ресурс. Однако эту категорию часто упускают из виду, поскольку большая часть внимания отрасли сосредоточена на уровне вычислений. Фактически, примитивы обеспечивают множество интересных направлений в процессе сбора данных, в основном включая следующие два направления высокого уровня:
Доступ к общедоступным данным в Интернете
Доступ к защищенным данным
Доступ к общедоступным данным Интернета. Это направление направлено на создание распределенных краулерных сетей, которые могут сканировать весь Интернет за считанные дни, получать огромные наборы данных или получать доступ к очень специфическим данным Интернета в режиме реального времени. Однако для сканирования больших наборов данных в Интернете требования к сети очень высоки, и для начала какой-либо значимой работы необходимо как минимум несколько сотен узлов. К счастью, Grass, сеть распределенных узлов сканирования, уже имеет более 2 миллионов узлов, активно разделяющих полосу пропускания Интернета с сетью с целью сканирования всего Интернета. Это показывает огромный потенциал финансовых стимулов для привлечения ценных ресурсов.
Хотя Грасс уравнивает правила игры, когда дело доходит до общедоступных данных, по-прежнему существуют проблемы с использованием базовых данных, а именно, с доступом к частным наборам данных. В частности, по-прежнему существует большой объем данных, которые хранятся с соблюдением конфиденциальности из-за их конфиденциального характера. Многие стартапы используют криптографические инструменты, которые позволяют разработчикам ИИ создавать и точно настраивать большие языковые модели, используя базовые структуры данных собственных наборов данных, сохраняя при этом конфиденциальность конфиденциальной информации.
Такие технологии, как федеративное обучение, дифференциальная конфиденциальность, доверенные среды выполнения, полностью гомоморфные и многосторонние вычисления, обеспечивают различные уровни защиты конфиденциальности и компромиссов. В исследовательской статье Бублика (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) дан отличный обзор этих методов. Эти технологии не только защищают конфиденциальность данных в процессе машинного обучения, но и позволяют использовать комплексные решения искусственного интеллекта, сохраняющие конфиденциальность, на вычислительном уровне.
2.5 Источники данных и моделей
Методы происхождения данных и моделей направлены на создание процессов, которые могут гарантировать пользователям, что они взаимодействуют с предполагаемыми моделями и данными. Кроме того, эти технологии обеспечивают гарантии подлинности и происхождения. Если взять в качестве примера технологию нанесения водяных знаков, то водяные знаки являются одной из технологий источника модели, которая встраивает подпись непосредственно в алгоритм машинного обучения, точнее, в веса модели, чтобы во время поиска можно было проверить, исходит ли вывод из ожидаемой модели. .
2.6 Применение
Что касается приложений, возможности дизайна безграничны. На приведенной выше карте отрасли мы перечислили некоторые примеры развития, которые особенно интересны при применении технологии искусственного интеллекта в области Web 3.0. Поскольку эти варианты использования в основном описывают сами себя, мы не делаем здесь дополнительных комментариев. Однако стоит отметить, что пересечение искусственного интеллекта и Web 3.0 потенциально может изменить многие вертикали предметной области, поскольку эти новые примитивы предоставляют разработчикам больше свободы для создания инновационных вариантов использования и оптимизации существующих.
Подведем итог
Конвергенция AI x Web3 обещает множество инноваций и потенциала. Используя уникальные преимущества каждой технологии, мы можем решить множество задач и создать новые технологические пути. По мере того, как мы исследуем эту развивающуюся отрасль, синергия AI x Web3 может способствовать прогрессу, который изменит наш будущий цифровой опыт и то, как мы взаимодействуем в Интернете.
Конвергенция цифрового дефицита и цифрового изобилия, мобилизация недостаточно используемых ресурсов для достижения вычислительной эффективности и создание безопасных, сохраняющих конфиденциальность методов обработки данных определят следующую эпоху технологической эволюции.
Однако мы должны признать, что эта отрасль все еще находится в зачаточном состоянии, и нынешняя отраслевая ситуация может устареть в течение короткого периода времени. Быстрый темп инноваций означает, что сегодняшние передовые решения вскоре могут быть заменены новыми прорывами. Тем не менее, изученные основополагающие концепции, такие как вычислительные сети, агентские платформы и протоколы данных, подчеркивают огромные возможности конвергенции искусственного интеллекта и Web 3.0.
