Оригінальна назва: Crypto x AI: 10 категорій, які ми спостерігаємо у 2025 році. Оригінальний автор: @archetypevc, крипто Kol. Оригінальний переклад: zhouzhou, BlockBeats
Редакційна примітка: у цій статті обговорюються кілька інноваційних сфер, в яких поєднуються криптографія та AI в 2025 році, включаючи взаємодію між агентами, децентралізовані організації агентів, AI-орієнтовану розвагу, генерацію контенту, ринки даних, децентралізоване обчислення тощо. Стаття досліджує, як використання технологій блокчейн та AI може створювати нові можливості в різних галузях, сприяти захисту конфіденційності, розвитку AI-апаратного забезпечення та впровадженню децентралізованих технологій, при цьому слід звернути увагу на те, як інтелектуальні агенти можуть приносити новаторство в сферах торгівлі, мистецького створення тощо.
Нижче наведено оригінальний текст (для зручності читання оригінал був скорочений):
Взаємодія між агентами
Дефолтна прозорість і комбінованість блокчейну роблять його ідеальною платформою для взаємодії між агентами.
У цьому сценарії різні сутності розробляють агентів з різними цілями, які можуть безперешкодно взаємодіяти один з одним. Вже проведено багато експериментів щодо передачі коштів між агентами, спільного запуску токенів тощо.
Ми з нетерпінням чекаємо на те, як розшириться взаємодія між агентами, включаючи як створення нових сферах застосування, таких як нові соціальні простори, що керуються взаємодією агентів, так і підвищення ефективності через покращення існуючих бізнес-процесів (наприклад, сертифікація платформ, верифікація, мікроплатежі, інтеграція міжплатформених робочих процесів тощо), вирішення ряду поточних неприємних проблем.
—Денні, Кеті, Аадхарш, Дмитро
Децентралізовані організації агентів
Масштабна координація багатьох агентів є ще однією захоплюючою сферою дослідження.
Як системи багатьох агентів можуть співпрацювати для виконання завдань, вирішення проблем та управління системами та протоколами? У статті на початку 2024 року (обіцянки та виклики поєднання криптографії та штучного інтелекту) Віталік згадував, що можна використовувати AI-агентів для прогнозних ринків та арбітражу. Він фактично вважає, що в умовах масового застосування системи багатьох агентів мають значну здатність до виявлення «правди» та можуть реалізувати універсальні системи автономного управління. Ми з великим інтересом ставимося до можливостей систем багатьох агентів та постійного відкриття та експериментів у формі «колективного інтелекту».
Як продовження координації між агентами, координація між агентами та людьми також є цікавим простором для дизайну — особливо в тому, як організувати взаємодію спільноти навколо агентів, або як організувати людей для колективних дій через агентів. Ми сподіваємося побачити більше експериментів з агентами, що намагаються досягти масової координації людей. Це вимагатиме впровадження деяких механізмів верифікації, особливо у випадках, коли частина людської роботи виконується поза ланцюгом, але це також може призвести до деяких дуже незвичайних та цікавих спонтанних поведінок.
—Кеті, Дмитро, Еш
Мультимедійні розваги агентів
Концепція цифрових персонажів існує вже кілька десятиліть.
Хатун Міку (2007 рік) виступала в заповнених залах на 20,000 місць, а Lil Miquela (2016 рік) має понад 2 мільйони підписників в Instagram. Оновлені, менш відомі приклади включають AI віртуального ведучого Neuro-sama (2022 рік), у якого понад 600,000 підписників у Twitch, та корейський бойз-бенд PLAVE (2023 рік), який дебютував анонімно та за менш ніж два роки набрав понад 300 мільйонів переглядів на YouTube.
З розвитком інфраструктури AI та інтеграції блокчейну в платіжні системи, передачу цінності та відкриті платформи даних, ми з нетерпінням чекаємо на те, як ці агенти стануть більш автономними та можуть розблокувати нову категорію розваг у 2025 році.
—Кеті, Дмитро
Генерація/маркетинг контенту агентів
У вищезазначеному випадку агент сам є продуктом, а в іншій ситуації агент може доповнити існуючий продукт. У епоху економіки уваги підтримка безперервного потоку привабливого контенту є критично важливою для успіху будь-якої креативної діяльності, продукту, компанії тощо.
Генерація/контент агентів є потужним інструментом для команд, щоб забезпечити масштабовану, цілодобову лінію створення контенту. Обговорення того, що відрізняє мем-коіни від агентів, прискорило розвиток цієї концепції. Агенти забезпечують потужний засіб розподілу мем-коінів, навіть якщо ці мем-коіни наразі не є «агентними» (але можуть стати такими).
Ще один приклад — ігри стають дедалі більш динамічними, щоб підтримувати залучення користувачів. Один із класичних способів створення динаміки в іграх — це заохочення контенту, створеного користувачами; повністю згенерований контент (від внутрішньоігрових предметів до NPC і до повністю згенерованих рівнів) може бути наступним етапом цього розвитку. Нам цікаво, як агенти 2025 року розширять межі традиційних стратегій розподілу.
—Кеті
Наступне покоління мистецьких інструментів/платформ
У 2024 році ми запустили (У РОЗМОВІ З), це серія інтерв'ю з крипто-художниками з музики, візуального мистецтва, дизайну, кураторства тощо. Одне з ключових спостережень, які я зробив під час інтерв'ю цього року, полягає в тому, що багато художників, які цікавляться крипто, зазвичай також мають великий інтерес до передових технологій і прагнуть інтегрувати ці технології у свою художню практику, іншими словами, AR/VR об'єкти, мистецтво на основі коду та живе кодування тощо.
Особливо генеративне мистецтво має природний синергійний ефект з блокчейном, що робить його ще більш очевидним як потенційну базову платформу для AI-мистецтва. У традиційних платформах правильно представити ці мистецькі форми є надзвичайно складним. ArtBlocks пропонує перспективу того, як у майбутньому використовувати блокчейн для демонстрації, зберігання, монетизації та збереження цифрового мистецтва — покращуючи загальний досвід художників та глядачів. Окрім демонстрації, AI-інструменти навіть розширюють можливості звичайних людей для створення власного мистецтва. Як блокчейн розширить або підтримуватиме ці інструменти в 2025 році, буде дуже цікавою темою.
—Кеті
Ринок даних
З моменту, коли Клайв Хамбі висловив думку «дані — це нова нафта», минуло 20 років, і компанії вже вжили рішучих заходів для накопичення та монетизації даних користувачів. Користувачі поступово усвідомлюють, що їхні дані становлять основу цих мільярдних компаній, але вони майже не мають контролю над тим, як їхні дані використовуються, і не отримують частки доходів від них.
Швидкий розвиток потужних AI-моделей робить цю суперечність ще більш гострою: якщо вирішення експлуатації користувачів є частиною даних, які потрібно отримати, то ще одним важливим питанням є вирішення проблеми нестачі даних постачання, оскільки дедалі більші та потужніші моделі споживають легкодоступні родовища публічних інтернет-даних та потребують нових джерел даних.
Питання про те, як повернути контроль над даними від компаній назад до джерел даних (користувачів) за допомогою децентралізованої інфраструктури, є величезним простором для дизайну, що передбачає інноваційні рішення в кількох сферах. Найактуальніші питання включають: де зберігаються дані та як зберігати конфіденційність під час зберігання, передачі та обчислень; як об'єктивно оцінювати, фільтрувати та оцінювати якість даних; якими механізмами ми користуємося для атрибуції та монетизації (особливо коли цінність потрібно назад відстежити до джерела); яку систему координації або вилучення даних ми використовуємо в різноманітній екосистемі моделей.
Щодо вирішення проблеми вузьких місць у постачанні, це не лише про те, щоб повторити Scale AI за допомогою токенів, а й про те, щоб зрозуміти, у яких сферах ми можемо отримати переваги завдяки технологічному вітру в спину, і як будувати конкурентоспроможні рішення в контексті масштабу, якості або кращих механізмів стимулювання (та фільтрації), щоб створити більш цінні продуктові дані. Особливо, коли попит переважно походить від web2 AI, важливо звернути увагу на те, як поєднати механізми виконання смарт-контрактів з традиційними угодами про рівень обслуговування (SLA) та інструменти.
—Денні
Децентралізоване обчислення
Якщо дані є основним елементом розвитку та впровадження AI, то обчислювальна потужність є іншим. Протягом останніх кількох років традиційні великі дата-центри з унікальним доступом — включаючи контроль над місцем, енергією та апаратним забезпеченням — домінували на траєкторії глибокого навчання та AI, але з розвитком фізичних обмежень та відкритого коду ця структура починає викликати виклики.
Версія v1 обчислень у децентралізованому AI виглядає як копія GPU-хмар web2, без справжніх переваг у постачанні (як апаратного, так і дата-центрів), і без органічного попиту. У v2 ми починаємо бачити деякі чудові команди, що побудували повний технологічний стек на основі постачання гетерогенного високопродуктивного обчислення (HPC), з можливостями координації, маршрутизації, ціноутворення тощо, та поєднуючи деякі власні функції для залучення попиту та подолання маргінального стиснення, особливо на етапі інференсу. Команди також починають диференціюватися за різними випадками використання та стратегіями виходу на ринок (GTM), деякі зосереджуються на ефективній маршрутизації інференсу, інтегруючи компіляційні фреймворки на різноманітному апаратному забезпеченні, тоді як інші команди започатковують дистрибутивні фреймворки навчання моделей на побудованих ними обчислювальних мережах.
Ми навіть починаємо бачити появу ринку AI-Fi, який включає нові економічні примітиви, перетворюючи обчислення та GPU в активи прибутку або використовуючи ліквідність на ланцюзі для забезпечення ще одного джерела капіталу для отримання апаратного забезпечення для дата-центрів. Одним з основних питань тут є те, наскільки децентралізований AI (DeAI) розвиватиметься та впроваджуватиметься на децентралізованих обчислювальних шляхах, або, як у сфері зберігання, чи завжди буде розрив між ідеологічними та практичними потребами, що заважає реалізувати потенціал цієї ідеї.
—Денні
Стандарти обчислень
З механізмами стимулювання, пов'язаними з децентралізованими мережами високопродуктивного обчислення, одним із значних викликів при координації гетерогенних обчислювальних ресурсів є відсутність єдиного стандарту для обліку цих обчислювальних потужностей. AI-моделі унікально додають кілька складних факторів у простір виходу HPC, від варіантів моделей і квантування до регулювання рівнів випадковості через температуру моделі та гіперпараметри вибірки. Крім того, AI-апаратура може ввести більше складнощів через різноманітність архітектур GPU та різні версії CUDA. В результаті, це призводить до потреби в обліку моделей та обчислювальних ринків при крос-обчисленнях у гетерогенних розподілених системах.
Частково через відсутність стандартів, ми бачимо кілька випадків у сферах web2 та web3, де моделі та ринки обчислень не змогли точно оцінити якість та кількість своєї обчислювальної потужності. Це призводить до того, що користувачі змушені виконувати обчислення через запуск власних тестів на порівняння моделей та шляхом обмеження швидкості, що дозволяє перевірити реальну продуктивність цих AI-шарів.
Оскільки основний принцип криптографічної сфери — це верифікація, ми сподіваємося, що перетин криптографії та AI у 2025 році буде легшим для верифікації, ніж традиційний AI. Зокрема, важливо, щоб звичайні користувачі могли порівнювати різні аспекти даної моделі або кластеру, особливо ті характеристики, які визначають виходи, щоб провести аудит та тестування продуктивності системи.
—Аадхарш
Примітиви ймовірної конфіденційності
У статті (обіцянки та виклики поєднання криптографії та AI) Віталік згадував про унікальні виклики, які стоять перед криптографією та AI: «У криптографії відкритий код є єдиним способом, який справді робить речі безпечними, але в AI відкритість моделей (навіть їх навчальних даних) суттєво підвищує їх вразливість до атак з боку ворожих машинного навчання.»
Хоча конфіденційність не є новим напрямком дослідження в області блокчейну, ми вважаємо, що поширення AI продовжить прискорювати дослідження та застосування криптографічних примітивів конфіденційності. Цього року технології, що підвищують конфіденційність (такі як ZK, FHE, TEE та MPC), досягли значного прогресу, а сфери застосування включають приватний спільний статус для обчислень на зашифрованих даних тощо. Ми також бачимо, як централізовані AI-гіганти, такі як Nvidia та Apple, використовують власні TEE для спільного навчання та приватного AI-інференсу, підтримуючи узгодженість апаратного, програмного забезпечення та моделей між системами.
З огляду на це, ми будемо пильно стежити за тим, як зберігати конфіденційність випадкових переходів стану в гетерогенних системах, а також за тим, як вони можуть прискорити розвиток децентралізованих AI-додатків у реальному світі — від децентралізованого приватного інференсу до трубопроводів зберігання/доступу до зашифрованих даних, до повністю суверенного середовища виконання.
—Аадхарш
Наміри агентів та інтерфейс для наступного покоління користувацьких угод
Найбільш близьким сценарієм застосування для AI-агентів є використання їх для представлення наших автономних угод в ланцюзі. Безсумнівно, протягом останніх 12-16 місяців було багато невизначеності щодо того, що таке «наміри», «агентна поведінка», «агентні наміри», «вирішувачі», «агентні вирішувачі» тощо, а також що відрізняє їх від більш традиційної розробки «роботів» в останні роки.
Протягом наступних 12 місяців ми очікуємо побачити все більш складні мовні системи, що поєднуються з різними типами даних та архітектурами нейронних мереж, що сприятиме розвитку загального простору дизайну. Чи продовжать агенти використовувати ті ж самі системи для угод, які ми використовуємо сьогодні, чи розроблять вони власні незалежні інструменти/методи для торгівлі? Чи залишаться великі мовні моделі (LLMs) основним фоном цих систем торгівлі агентів, чи будуть вони замінені іншими системами? На рівні інтерфейсу, чи почнуть користувачі торгувати за допомогою природної мови? Чи реалізується в кінцевому рахунку класична теорія «гаманця як браузера»?
—Денні, Кеті, Аадхарш, Дмитро
«Посилання на оригінал»