AI+Web3: Menara dan Lapangan

TL;DR

1. Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.

2. Peluang Web3 dalam industri AI terwujud dalam: menggunakan insentif terdistribusi untuk mengoordinasikan potensi pasokan dalam long tail------melalui data, penyimpanan, dan komputasi; pada saat yang sama, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.

3. AI di industri Web3 terutama digunakan dalam keuangan on-chain (pembayaran kripto, perdagangan, analisis data) serta untuk membantu pengembangan.

4. Kegunaan AI+Web3 tercermin dari saling melengkapi keduanya: Web3 diharapkan dapat melawan konsentrasi AI, dan AI diharapkan dapat membantu Web3 untuk keluar dari lingkaran.

Pendahuluan

Dalam dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepat, sayap kupu-kupu yang dipicu oleh Chatgpt tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga mengangkat arus besar di Web3 di sisi lain.

Dengan dukungan konsep AI, pemulihan pendanaan di pasar kripto yang melambat terlihat jelas. Media mencatat, hanya dalam paruh pertama tahun 2024, terdapat 64 proyek Web3+AI yang telah menyelesaikan pendanaan, dan sistem operasi berbasis kecerdasan buatan Zyber365 berhasil mencapai jumlah pendanaan tertinggi sebesar 100 juta USD pada putaran A.

Pasar sekunder semakin berkembang pesat, data dari situs agregator kripto menunjukkan bahwa dalam waktu lebih dari satu tahun, total kapitalisasi pasar jalur AI telah mencapai 48,5 miliar dolar, dengan volume perdagangan 24 jam mendekati 8,6 miliar dolar; kemajuan teknologi AI yang utama membawa keuntungan yang jelas, setelah rilis model Sora dari suatu perusahaan untuk mengubah teks menjadi video, harga rata-rata di sektor AI meningkat sebesar 151%; efek AI juga merambah ke salah satu sektor yang menarik dana kripto yaitu Meme: MemeCoin konsep AI Agent pertama------GOAT dengan cepat menjadi terkenal dan meraih valuasi 1,4 miliar dolar, berhasil memicu tren AI Meme.

Tentang penelitian dan topik AI+Web3 juga sedang hangat, dari AI+Depin hingga AI Memecoin, kemudian ke AI Agent dan AI DAO saat ini, emosi FOMO jelas sudah tidak bisa mengikuti kecepatan perputaran narasi baru.

AI+Web3, kombinasi istilah yang penuh dengan uang panas, peluang, dan fantasi masa depan, tak pelak lagi dianggap sebagai pernikahan yang diatur oleh modal. Kita tampaknya sulit membedakan di balik jubah yang megah ini, sebenarnya adalah arena para spekulan, atau malam sebelum ledakan fajar?

Untuk menjawab pertanyaan ini, satu pemikiran yang krusial bagi kedua belah pihak adalah, apakah dengan adanya pihak lain akan menjadi lebih baik? Apakah bisa mendapatkan manfaat dari pola pihak lain? Dalam artikel ini, kami juga berusaha untuk berdiri di atas bahu para pendahulu untuk memeriksa pola ini: Bagaimana Web3 dapat berperan di berbagai lapisan tumpukan teknologi AI, dan apa yang dapat diberikan AI untuk memberikan kehidupan baru bagi Web3?

Bagian 1 Apa peluang Web3 di bawah tumpukan AI?

Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi dari model AI besar:

Dengan bahasa yang lebih sederhana untuk menjelaskan keseluruhan proses: "Model besar" seperti otak manusia, pada tahap awal, otak ini milik bayi yang baru lahir, perlu mengamati dan menyerap informasi besar dari dunia di sekitarnya untuk memahami dunia ini, inilah tahap "pengumpulan" data; karena komputer tidak memiliki penglihatan, pendengaran, dan banyak indra lainnya seperti manusia, sebelum pelatihan, informasi luar yang tidak terlabel dalam skala besar perlu diubah melalui "pra-pemrosesan" menjadi format informasi yang dapat dimengerti dan digunakan oleh komputer.

Setelah memasukkan data, AI membangun model yang memiliki kemampuan pemahaman dan prediksi melalui "pelatihan", yang dapat dianggap sebagai proses bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model seperti kemampuan bahasa bayi yang terus disesuaikan selama proses pembelajaran. Ketika konten yang dipelajari mulai terpisah menjadi subjek-subjek tertentu, atau ketika berkomunikasi dengan orang lain menerima umpan balik dan melakukan perbaikan, maka memasuki tahap "penyesuaian halus" dari model besar.

Anak-anak secara bertahap tumbuh dan setelah mereka belajar berbicara, mereka dapat memahami arti dalam percakapan baru dan mengekspresikan perasaan serta pikiran mereka. Tahap ini mirip dengan "penalaran" pada model AI besar, di mana model dapat melakukan prediksi dan analisis terhadap input bahasa dan teks yang baru. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan bahasa, yang juga mirip dengan model AI besar yang diterapkan dalam berbagai tugas spesifik pada tahap penalaran setelah selesai dilatih dan digunakan, seperti klasifikasi gambar, pengenalan suara, dan lain-lain.

AI Agent semakin mendekati bentuk berikutnya dari model besar------mampu menjalankan tugas secara mandiri dan mengejar tujuan yang kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan mampu menggunakan alat untuk berinteraksi dengan dunia.

Saat ini, terkait dengan titik sakit AI di berbagai tumpukan, Web3 saat ini telah membentuk ekosistem yang saling terhubung dan multi-level, yang mencakup berbagai tahap proses model AI.

Satu, Lapisan Dasar: Kekuatan Komputasi dan Data Airbnb

Kekuatan komputasi

Saat ini, salah satu biaya tertinggi dari AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan melakukan inferensi.

Salah satu contohnya adalah, LLAMA3 dari suatu perusahaan membutuhkan 16.000 H100GPU yang diproduksi oleh perusahaan tersebut (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi kinerja tinggi.) untuk menyelesaikan pelatihan dalam 30 hari. Harga per unit versi 80GB berkisar antara 30.000 hingga 40.000 dolar, yang membutuhkan investasi perangkat keras komputasi sebesar 400-700 juta dolar (GPU + chip jaringan), sementara pelatihan bulanan memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar per bulan.

Untuk dekompresi daya komputasi AI, ini adalah salah satu bidang pertama di mana Web3 berinteraksi dengan AI------DePin (Jaringan Infrastruktur Fisik Terdesentralisasi) saat ini, sebuah situs data telah mencantumkan lebih dari 1400 proyek, di mana proyek representatif berbagi daya GPU termasuk beberapa proyek.

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 yang mirip dengan pembeli dan penjual dari perusahaan tertentu, sehingga meningkatkan pemanfaatan sumber daya GPU yang belum dimanfaatkan dengan baik. Pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dengan biaya yang lebih rendah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran terhadap mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapatkan hukuman yang sesuai.

Ciri-cirinya adalah:

• Mengumpulkan sumber daya GPU yang tidak terpakai: Pihak penyedia utamanya adalah pusat data kecil dan menengah independen pihak ketiga, sumber daya kelebihan dari operator tambang kripto, dan perangkat keras penambangan dengan mekanisme konsensus PoS, seperti beberapa mesin tambang dari proyek tertentu. Saat ini juga ada proyek yang bertujuan untuk memulai perangkat dengan ambang batas yang lebih rendah, seperti beberapa proyek yang menggunakan perangkat tertentu untuk membangun jaringan kekuatan komputasi untuk menjalankan inferensi model besar.

• Menghadapi pasar jangka panjang dari daya komputasi AI:

a. "Dari sisi teknologi" pasar kekuatan terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan lebih bergantung pada kemampuan pengolahan data yang dihasilkan oleh GPU dengan skala kluster yang sangat besar, sementara inferensi memiliki kebutuhan kinerja komputasi GPU yang relatif lebih rendah, seperti beberapa proyek yang fokus pada pekerjaan rendering dengan latensi rendah dan aplikasi inferensi AI.

b. "Dari sisi permintaan" pihak dengan daya komputasi kecil tidak akan melatih model besar mereka sendiri secara terpisah, melainkan hanya memilih untuk melakukan optimasi dan penyesuaian di sekitar beberapa model besar terkemuka, dan semua skenario ini secara alami cocok untuk sumber daya komputasi terdistribusi yang tidak terpakai.

• Kepemilikan terdesentralisasi: Arti teknologi blockchain adalah bahwa pemilik sumber daya selalu mempertahankan kendali atas sumber daya mereka, dapat menyesuaikan dengan fleksibel berdasarkan permintaan, sambil mendapatkan keuntungan.

Data

Data adalah fondasi AI. Tanpa data, perhitungan seperti layang-layang yang tidak berguna, dan hubungan antara data dan model seperti pepatah "Garbage in, Garbage out", jumlah data dan kualitas input menentukan kualitas output model akhir. Untuk pelatihan model AI saat ini, data menentukan kemampuan bahasa model, kemampuan pemahaman, bahkan pandangan nilai dan penampilan kemanusiaan. Saat ini, tantangan kebutuhan data AI terutama terfokus pada empat aspek berikut:

• Ketergantungan Data: Pelatihan model AI bergantung pada input data yang besar. Data publik menunjukkan bahwa suatu perusahaan melatih parameter model tertentu yang mencapai tingkat triliunan.

• Kualitas data: Seiring dengan penggabungan AI dengan berbagai industri, ketepatan waktu data, keragaman data, spesialisasi data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga mengajukan tuntutan baru terhadap kualitasnya.

• Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya dataset berkualitas, dan sedang membatasi pengambilan dataset.

• Biaya pemrosesan data yang tinggi: Volume data besar, proses pemrosesan yang kompleks. Data publik menunjukkan bahwa lebih dari 30% biaya penelitian dan pengembangan perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.

Saat ini, solusi web3 tercermin dalam empat aspek berikut:

1. Pengumpulan data: Kemampuan untuk secara gratis menyediakan data dunia nyata yang diambil dengan cepat habis, pengeluaran perusahaan AI untuk data meningkat setiap tahun. Namun, di sisi lain, pengeluaran ini tidak memberikan imbalan kepada kontributor data yang sebenarnya, platform sepenuhnya menikmati nilai yang dihasilkan dari data, seperti suatu platform yang mencapai pendapatan total 203 juta dolar AS melalui perjanjian otorisasi data dengan perusahaan AI.

Visi Web3 adalah untuk memungkinkan pengguna yang benar-benar berkontribusi juga berpartisipasi dalam penciptaan nilai yang dihasilkan oleh data, serta mendapatkan data yang lebih pribadi dan lebih berharga dengan biaya rendah melalui jaringan terdistribusi dan mekanisme insentif.

• Suatu proyek adalah lapisan data dan jaringan terdesentralisasi, di mana pengguna dapat menjalankan node, menyumbangkan bandwidth yang tidak terpakai dan lalu lintas relay untuk menangkap data waktu nyata dari seluruh internet, dan mendapatkan hadiah token;

• Sebuah proyek memperkenalkan konsep kolam likuiditas data yang unik (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti catatan belanja, kebiasaan menjelajah, aktivitas media sosial, dll.) ke DLP tertentu dan dengan fleksibel memilih apakah akan memberikan izin penggunaan data tersebut kepada pihak ketiga tertentu;

• Dalam suatu proyek, pengguna dapat menggunakan beberapa tag di suatu platform dan @akun tertentu untuk melakukan pengumpulan data.

2. Pra-pemrosesan Data: Dalam proses pengolahan data AI, karena data yang dikumpulkan biasanya bising dan mengandung kesalahan, data tersebut harus dibersihkan dan diubah menjadi format yang dapat digunakan sebelum melatih model, yang melibatkan tugas berulang seperti standardisasi, penyaringan, dan penanganan nilai yang hilang. Tahap ini adalah salah satu dari sedikit langkah manual di industri AI, yang telah melahirkan industri penandaan data. Seiring dengan meningkatnya tuntutan model terhadap kualitas data, ambang batas untuk penandaan data juga meningkat, dan tugas ini secara alami cocok dengan mekanisme insentif terdesentralisasi Web3.

• Saat ini, beberapa proyek sedang mempertimbangkan untuk menambahkan penandaan data sebagai tahap kunci.

• Sebuah proyek mengusulkan konsep "Train2earn", menekankan kualitas data, pengguna dapat memperoleh imbalan dengan memberikan data yang diberi label, komentar, atau bentuk input lainnya.

• Proyek penandaan data tertentu akan memgamifikasi tugas penandaan dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.

3. Privasi dan Keamanan Data: Yang perlu diperjelas adalah bahwa privasi data dan keamanan adalah dua konsep yang berbeda. Privasi data berkaitan dengan pengolahan data sensitif, sementara keamanan data melindungi informasi data dari akses, kerusakan, dan pencurian yang tidak sah. Dengan demikian, keunggulan teknologi privasi Web3 dan potensi aplikasi terlihat dalam dua aspek: (1) Pelatihan data sensitif; (2) Kolaborasi data: Beberapa pemilik data dapat berpartisipasi bersama dalam pelatihan AI tanpa perlu berbagi data asli mereka.

Teknologi privasi yang cukup umum di Web3 saat ini meliputi:

• Lingkungan Eksekusi Terpercaya ( TEE ), seperti proyek tertentu;

• Enkripsi Homomorfik Penuh (FHE), misalnya beberapa proyek;

• Teknologi zero-knowledge (zk), seperti proyek tertentu yang menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, yang memungkinkan pengguna mengimpor kegiatan, reputasi, dan data identitas secara aman dari situs web eksternal tanpa mengekspos informasi sensitif.

Namun, saat ini bidang ini masih berada di tahap awal, sebagian besar proyek masih dalam eksplorasi, dan salah satu dilema saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah:

• Kerangka tertentu memerlukan waktu sekitar 80 menit untuk menghasilkan bukti model 1M-nanoGPT.

• Menurut data dari sebuah perusahaan, biaya zkML lebih dari 1000 kali lipat dibandingkan dengan perhitungan murni.

4. Penyimpanan Data: Setelah memiliki data, perlu ada satu tempat