Pasar AI terdesentralisasi yang sukses perlu menggabungkan secara erat keunggulan AI dan Web3, memanfaatkan nilai tambah terdistribusi, konfirmasi hak aset, distribusi pendapatan, dan daya komputasi terdesentralisasi, menurunkan ambang aplikasi AI, dan mendorong pengembang untuk mengunggah dan Bagikan model sambil melindungi hak privasi data pengguna, dan bangun platform perdagangan dan berbagi sumber daya AI yang ramah pengembang yang memenuhi kebutuhan pengguna.
Pasar AI berbasis data memiliki potensi lebih besar. Pasar model mati membutuhkan dukungan dari sejumlah besar model berkualitas tinggi, tetapi kurangnya basis pengguna dan sumber daya berkualitas tinggi pada platform awal menyulitkan penyedia model yang sangat baik untuk menarik model berkualitas tinggi; sementara pasar berbasis data terdesentralisasi dan terdistribusi Pengumpulan, desain lapisan insentif, dan jaminan kepemilikan data dapat mengakumulasi sejumlah besar data dan sumber daya yang berharga, terutama data domain pribadi. Namun, pasar data juga perlu mengatasi tantangan perlindungan privasi data, dan solusinya termasuk merancang kebijakan yang lebih fleksibel yang memungkinkan pengguna menyesuaikan pengaturan tingkat privasi.
Keberhasilan pasar AI terdesentralisasi bergantung pada akumulasi sumber daya pengguna dan efek jaringan yang kuat. Pengguna dan pengembang bisa mendapatkan lebih banyak nilai dari pasar daripada yang bisa mereka dapatkan di luar pasar. Pada hari-hari awal pasar, fokusnya adalah mengumpulkan model berkualitas tinggi untuk menarik dan mempertahankan pengguna, dan kemudian setelah membangun perpustakaan model dan hambatan data berkualitas tinggi, ternyata menarik dan mempertahankan lebih banyak pengguna akhir. Selain itu, pasar AI yang unggul perlu menemukan keseimbangan antara kepentingan semua pihak, dan menangani faktor-faktor seperti kepemilikan data, kualitas model, privasi pengguna, daya komputasi, dan algoritme insentif dengan tepat.
1. Pasar AI Web3
1.1 Ulasan trek AI di bidang web3
Pertama, tinjau dua arah umum kombinasi AI dan crypto yang saya sebutkan sebelumnya, ZKML dan jaringan daya komputasi terdesentralisasi👇
ZKML
ZKML menjadikan model AI transparan + dapat diverifikasi, yang berarti memastikan bahwa tiga faktor arsitektur model, parameter dan bobot model, serta input model dapat diverifikasi di seluruh jaringan. Signifikansi ZKML adalah untuk menciptakan nilai tahap selanjutnya bagi dunia web3 tanpa mengorbankan desentralisasi dan tanpa kepercayaan, dan untuk memberikan kemampuan untuk menjalankan aplikasi yang lebih luas dan menciptakan kemungkinan yang lebih besar.
Usaha Foresight: AI + Web3 = ？
** Jaringan daya komputasi **
Sumber daya komputasi akan menjadi medan perang utama dalam dekade berikutnya, dan investasi masa depan dalam infrastruktur komputasi berkinerja tinggi akan meningkat secara eksponensial. Skenario penerapan daya komputasi terdesentralisasi dibagi menjadi dua arah: penalaran model dan pelatihan model Permintaan untuk pelatihan model besar AI adalah yang terbesar, tetapi juga menghadapi tantangan terbesar dan hambatan teknis. Termasuk kebutuhan akan sinkronisasi data yang kompleks dan masalah optimalisasi jaringan. Ada lebih banyak peluang untuk mengimplementasikan penalaran model, dan ruang inkremental masa depan yang dapat diprediksi juga cukup besar.
**1.2 Apa itu AI Marketplace? **
Pasar AI bukanlah konsep yang sangat baru, dan Hugging Face bisa dibilang merupakan pasar AI yang paling sukses (kecuali tidak adanya transaksi dan mekanisme penetapan harga). Di bidang NLP, Hugging Face menyediakan platform komunitas yang sangat penting dan aktif di mana pengembang dan pengguna dapat berbagi dan menggunakan berbagai model terlatih.
Dari kesuksesan Hugging Face, terlihat bahwa pasar AI perlu memiliki:
a. Sumber daya model
Hugging Face menyediakan sejumlah besar model terlatih yang mencakup berbagai tugas NLP. Kekayaan sumber daya ini telah menarik banyak pengguna, oleh karena itu menjadi dasar untuk membentuk komunitas yang aktif dan mengakumulasi pengguna.
b. Semangat sumber terbuka + sebarkan dan bagikan
Hugging Face mendorong pengembang untuk mengunggah dan membagikan model mereka. Semangat keterbukaan dan berbagi ini meningkatkan vitalitas komunitas dan memungkinkan hasil penelitian terbaru cepat dimanfaatkan oleh banyak pengguna. Ini didasarkan pada akumulasi pengembang dan model yang unggul, mempercepat efisiensi hasil penelitian yang diverifikasi dan dipromosikan.
c. Ramah pengembang + mudah digunakan
Hugging Face menyediakan API dan dokumentasi yang mudah digunakan, memungkinkan pengembang untuk dengan cepat memahami dan menggunakan model yang disediakannya. Ini menurunkan ambang batas penggunaan, meningkatkan pengalaman pengguna, dan menarik lebih banyak pengembang.
Meskipun Hugging Face tidak memiliki mekanisme transaksi, namun tetap menyediakan platform penting untuk berbagi dan menggunakan model AI. Oleh karena itu, terlihat juga bahwa pasar AI memiliki peluang untuk menjadi sumber daya yang berharga bagi seluruh industri.
Singkatnya pasar AI terdesentralisasi:
Berdasarkan elemen di atas, pasar AI terdesentralisasi didasarkan pada teknologi blockchain, yang memungkinkan pengguna memiliki kepemilikan atas data dan aset model mereka sendiri. Nilai yang dibawa oleh Web3 juga tercermin dalam mekanisme insentif dan transaksi.Pengguna dapat dengan bebas memilih atau mencocokkan model yang sesuai melalui sistem, dan pada saat yang sama, mereka juga dapat menempatkan model terlatih mereka sendiri di rak untuk mendapatkan keuntungan.
Pengguna memiliki kepemilikan atas aset AI mereka sendiri, dan pasar AI itu sendiri tidak memiliki kendali atas data dan model. Sebaliknya, pengembangan pasar bergantung pada basis pengguna dan akumulasi model dan data yang diakibatkannya. Akumulasi ini merupakan proses jangka panjang, tetapi juga merupakan proses pembentukan hambatan produk secara bertahap.Pengembangan pasar didukung oleh jumlah pengguna dan kuantitas/kualitas model dan data yang diunggah oleh pengguna.
**1.3 Mengapa memperhatikan AI Marketplace Web3? **
1.3.1 Kompatibel dengan arah umum aplikasi daya komputasi
Karena tekanan komunikasi dan alasan lain, mungkin sulit untuk mengimplementasikan daya komputasi terdesentralisasi pada model basis pelatihan, tetapi tekanan pada finetune akan jauh lebih kecil, sehingga berpeluang menjadi salah satu skenario terbaik untuk penerapan sentralisasi. jaringan daya komputasi.
Sedikit pengetahuan latar belakang: mengapa tahap fine-tuning lebih mudah dilakukan
Foresight Ventures: Pandangan Rasional tentang Jaringan Daya Komputasi Terdesentralisasi
Pelatihan model AI dibagi menjadi prapelatihan dan penyempurnaan. Pra-pelatihan melibatkan sejumlah besar data dan sejumlah besar perhitungan.Untuk detailnya, silakan lihat analisis di artikel saya di atas. Penyempurnaan didasarkan pada model dasar, menggunakan data khusus tugas untuk menyesuaikan parameter model sehingga model memiliki kinerja yang lebih baik untuk tugas tertentu Sumber daya komputasi yang diperlukan dalam tahap penyempurnaan model jauh lebih kecil daripada yang ada di tahap pra tahap pelatihan Ada dua alasan utama:
Volume data: Pada fase pra-pelatihan, model perlu dilatih pada kumpulan data berskala besar untuk mempelajari representasi bahasa umum. Misalnya, pra-pelatihan model BERT dilakukan di Wikipedia dan BookCorpus yang berisi miliaran kata. Pada tahap penyempurnaan, model biasanya hanya perlu dilatih pada kumpulan data skala kecil untuk tugas tertentu. Misalnya, kumpulan data yang disesuaikan untuk tugas analisis sentimen mungkin hanya memiliki beberapa ribu hingga puluhan ribu ulasan.
Jumlah langkah pelatihan: Tahap pra-pelatihan biasanya membutuhkan jutaan bahkan milyaran langkah pelatihan, sedangkan tahap fine-tuning biasanya hanya membutuhkan ribuan hingga puluhan ribu langkah. Ini karena tahap pra-pelatihan perlu mempelajari struktur dasar dan semantik bahasa, sedangkan tahap penyempurnaan hanya perlu menyesuaikan sebagian parameter model untuk beradaptasi dengan tugas tertentu.
Misalnya, mengambil GPT3 sebagai contoh, fase pra-pelatihan menggunakan 45 TB data teks untuk pelatihan, sedangkan fase penyempurnaan hanya membutuhkan ~5 GB data. Waktu pelatihan untuk fase pra-pelatihan memakan waktu berminggu-minggu hingga berbulan-bulan, sedangkan fase fine-tuning hanya membutuhkan waktu berjam-jam hingga berhari-hari.
1.3.2 Titik awal persimpangan AI dan crypto
Untuk menilai apakah proyek web3 masuk akal, salah satu poin terpenting adalah apakah itu crypto untuk crypto, apakah proyek tersebut memaksimalkan nilai yang dibawa oleh web3, dan apakah penambahan web3 membawa diferensiasi. Jelas, nilai tambah yang dibawa web3 ke pasar AI ini tidak dapat menggantikan konfirmasi hak, distribusi pendapatan, dan daya komputasi
Saya pikir pasar AI Web3 yang luar biasa dapat mengintegrasikan AI dan crypto dengan erat. Kombinasi yang paling sempurna bukanlah apa yang dapat dibawa oleh aplikasi atau infra pasar AI ke web3, tetapi apa yang dapat diberikan web3 ke pasar AI. Jelas, misalnya, setiap pengguna dapat memiliki model dan data AI mereka sendiri (seperti mengenkapsulasi model dan data AI sebagai NFT), dan mereka juga dapat memperdagangkannya sebagai komoditas, yang memanfaatkan web3 dengan baik. nilai. Ini tidak hanya memotivasi pengembang AI dan penyedia data, tetapi juga membuat aplikasi AI lebih luas. Jika sebuah model cukup bagus, pemilik memiliki insentif yang lebih kuat untuk mengunggahnya ke orang lain untuk dibagikan.
Pada saat yang sama, pasar AI terdesentralisasi dapat memperkenalkan beberapa model bisnis baru, seperti model, penjualan dan penyewaan data, crowdsourcing tugas, dll.
1.3.3 Turunkan ambang aplikasi AI
Setiap orang harus dan akan dapat melatih model kecerdasan buatan mereka sendiri, yang membutuhkan platform dengan ambang batas yang cukup rendah untuk memberikan dukungan sumber daya, termasuk model dasar, alat, data, daya komputasi, dll.
1.3.4 Permintaan dan Penawaran
Meskipun model besar memiliki kemampuan penalaran yang kuat, mereka tidak mahakuasa. Seringkali, penyempurnaan untuk tugas dan skenario tertentu akan mencapai hasil yang lebih baik dan memiliki kepraktisan yang lebih kuat. Oleh karena itu, dari sisi permintaan, pengguna membutuhkan pasar model AI untuk mendapatkan model yang berguna dalam skenario yang berbeda; bagi pengembang, mereka membutuhkan platform yang dapat memberikan kemudahan sumber daya yang besar untuk mengembangkan model, dan mendapatkan keuntungan melalui pengetahuan profesional mereka sendiri.
Kedua, berbasis model vs berbasis data
** Pasar model 2.1**
model
Dengan perkakas sebagai titik penjualan, sebagai tautan pertama dari tautan, proyek perlu menarik cukup banyak pengembang model pada tahap awal untuk menerapkan model berkualitas tinggi, sehingga dapat menetapkan pasokan untuk pasar.
Dalam mode ini, poin utama yang menarik pengembang adalah infra dan perkakas yang nyaman dan mudah digunakan. Data tergantung pada kemampuan pengembang itu sendiri dan mengapa beberapa orang yang berpengalaman di bidang tertentu dapat menciptakan nilai. Data di bidang ini diperlukan Pengembang mengumpulkan dan menyempurnakan model dengan kinerja yang lebih baik.
memikirkan
Baru-baru ini, saya telah melihat banyak proyek tentang kombinasi pasar AI dan web3, tetapi yang saya pikirkan adalah: Apakah membuat pasar model AI yang terdesentralisasi merupakan proposisi yang salah?
Pertama-tama, kita perlu memikirkan sebuah pertanyaan, nilai apa yang bisa diberikan web3?
Jauh dari cukup jika hanya insentif token, atau narasi kepemilikan model. Dari sudut pandang praktis, model berkualitas tinggi pada platform adalah inti dari keseluruhan produk, dan model yang bagus biasanya berarti nilai ekonomi yang sangat tinggi. Dari perspektif penyedia model, mereka membutuhkan motivasi yang cukup untuk menerapkan model berkualitas tinggi mereka ke pasar AI, tetapi dapatkah insentif yang dibawa oleh token dan kepemilikan memenuhi harapan mereka untuk nilai model? Untuk platform yang tidak memiliki basis pengguna di masa-masa awal, itu jelas jauh dari jangkauan. Tanpa model yang sangat bagus, seluruh model bisnis tidak akan terbentuk. Jadi pertanyaannya menjadi bagaimana menghasilkan pendapatan yang cukup untuk penyedia model tanpa adanya pengguna akhir di tahap awal.
2.2 Pasar Data
model
Berdasarkan pengumpulan data terdesentralisasi, melalui desain lapisan insentif dan narasi kepemilikan data di lebih banyak penyedia data, serta pengguna yang melabeli data. Dengan restu crypto, platform tersebut memiliki peluang untuk mengakumulasi sejumlah besar data berharga dalam jangka waktu tertentu, terutama data domain pribadi yang saat ini kurang.
Yang paling menggairahkan saya adalah model pengembangan dari bawah ke atas ini lebih seperti permainan crowdfunding. Tidak peduli seberapa berpengalaman orang, tidak mungkin memiliki data lengkap dalam suatu bidang, dan salah satu nilai yang dapat diberikan web3 adalah pengumpulan data tanpa izin dan terdesentralisasi. Model ini tidak hanya dapat memusatkan keahlian dan data di berbagai bidang, tetapi juga memberikan layanan AI kepada kelompok pengguna yang lebih besar. Dibandingkan dengan data milik satu pengguna, data crowdfunding ini dikumpulkan dari sejumlah besar skenario aktual pengguna nyata, sehingga dapat mencerminkan kompleksitas dan keragaman dunia nyata dengan lebih baik daripada data yang dikumpulkan dari satu sumber, yang dapat sangat meningkatkan The kemampuan generalisasi dan ketahanan model memungkinkan model AI bekerja dengan baik di berbagai lingkungan.
Misalnya, seseorang mungkin memiliki banyak pengalaman dalam nutrisi dan telah mengumpulkan banyak data, tetapi data pribadi saja tidak cukup untuk melatih model yang hebat. Sementara pengguna berbagi data, mereka juga dapat mengakses dan memanfaatkan data berharga yang dikontribusikan oleh pengguna lain di bidang yang sama dan di seluruh jaringan pada platform, untuk mencapai efek penyempurnaan yang lebih baik.
memikirkan
Dari perspektif ini, mungkin juga merupakan upaya yang baik untuk membangun pasar data yang terdesentralisasi. Sebagai "komoditas" dengan ambang batas yang lebih rendah, tautan produksi yang lebih pendek, dan kepadatan penyedia yang lebih luas, data dapat memanfaatkan nilai yang dapat diberikan web3 dengan lebih baik. Algoritma insentif dan mekanisme konfirmasi data dapat memberikan motivasi bagi pengguna untuk mengunggah data. Di bawah model saat ini, data lebih seperti komoditas satu kali, artinya memiliki nilai kecil setelah digunakan satu kali. Di pasar model AI terdesentralisasi, data pengguna dapat digunakan berulang kali dan bermanfaat, dan nilai data akan terwujud dalam jangka waktu yang lebih lama.
Tampaknya menjadi pilihan yang baik untuk menggunakan data sebagai titik masuk untuk mengakumulasi pengguna. Salah satu inti dan hambatan dari model besar adalah data berkualitas tinggi dan multidimensi. Setelah sejumlah besar penyedia data bergabung, orang-orang ini memiliki kesempatan untuk lebih jauh berubah menjadi pengguna akhir atau penyedia model. Pasar AI berdasarkan ini memang dapat memberikan nilai dasar untuk model yang sangat baik, dan memberikan motivasi kepada para insinyur algoritme untuk menyumbangkan model pada platform dari perspektif model pelatihan.
Dinamika ini adalah perubahan dari 0 ke 1. Sekarang perusahaan besar memiliki data dalam jumlah besar, mereka dapat melatih model yang lebih akurat, yang mempersulit perusahaan kecil dan pengembang individu untuk bersaing. Bahkan jika seorang pengguna memiliki data yang sangat berharga dalam bidang tertentu, sulit bagi sebagian kecil data ini untuk menjadi berharga tanpa kerja sama data pada kumpulan yang lebih besar. Namun, di pasar yang terdesentralisasi, setiap orang memiliki kesempatan untuk mendapatkan dan menggunakan data, dan para ahli ini bergabung dengan platform dengan data inkremental yang berharga.Oleh karena itu, kualitas dan kuantitas data platform semakin ditingkatkan, yang memungkinkan untuk semua orang untuk melatih model yang luar biasa dan bahkan mempromosikan inovasi AI.
Data sendiri memang sangat cocok untuk menjadi penghalang persaingan di pasar AI semacam ini. Pertama-tama, lapisan insentif yang sangat baik dan jaminan privasi yang aman memungkinkan lebih banyak investor ritel untuk berpartisipasi dalam keseluruhan protokol dan menyumbangkan data. Dan, seiring bertambahnya jumlah pengguna, kualitas dan kuantitas data juga meningkat. Ini akan menghasilkan efek komunitas dan jaringan, membuat pasar dapat memberikan nilai yang lebih besar dan dimensi yang lebih luas, sehingga akan lebih menarik bagi pengguna baru.Inilah proses membangun hambatan bagi pasar.
Jadi pada dasarnya, untuk membuat pasar AI berbasis data, yang terpenting adalah 4 poin berikut:
Lapisan insentif: Merancang algoritme yang dapat secara efektif memotivasi pengguna untuk menyediakan data berkualitas tinggi, dan perlu menyeimbangkan kekuatan insentif dan keberlanjutan pasar.
Privasi: Lindungi privasi data dan pastikan penggunaan data secara efisien.
Pengguna: Kumpulkan pengguna dengan cepat dan kumpulkan lebih banyak data berharga di tahap awal.
Kualitas data: Data berasal dari berbagai sumber, dan mekanisme kontrol kualitas yang efektif perlu dirancang.
**Mengapa penyedia model tidak terdaftar sebagai faktor kunci oleh saya dalam skenario ini? **
Alasan utama didasarkan pada empat poin di atas, dan masuk akal untuk bergabung dengan penyedia model yang sangat baik.
2.3 Nilai dan tantangan pasar data
Data Domain Pribadi
Nilai data domain pribadi terletak pada informasinya yang unik dan sulit diperoleh di domain tertentu, yang sangat penting untuk menyempurnakan model AI. Menggunakan data domain pribadi dapat membuat model yang lebih akurat dan dipersonalisasi yang mengungguli model yang dilatih pada kumpulan data publik dalam skenario tertentu.
Sekarang proses konstruksi model dasar dapat memperoleh data publik dalam jumlah besar, oleh karena itu fokus pasar data web3 bukan pada data ini. Cara mendapatkan dan menambahkan data domain pribadi selama pelatihan saat ini menjadi hambatan. Dengan menggabungkan data domain pribadi dengan kumpulan data publik, kemampuan beradaptasi model terhadap beragam masalah dan kebutuhan pengguna serta keakuratan model dapat ditingkatkan.
Misalnya, mengambil skenario medis dan kesehatan sebagai contoh, model AI yang menggunakan data domain pribadi biasanya dapat meningkatkan akurasi prediksi sebesar 10% hingga 30%. Mengacu pada penelitian Stanford, model deep learning menggunakan data medis domain pribadi 15% lebih akurat dalam memprediksi kanker paru dibandingkan model yang menggunakan data publik.
Privasi data
Akankah privasi menjadi hambatan yang membatasi AI + Web3? Dilihat dari perkembangan saat ini, arah pendaratan AI di web3 secara bertahap menjadi jelas, tetapi tampaknya setiap aplikasi tidak dapat menghindari topik privasi. Daya komputasi terdesentralisasi perlu memastikan integritas data dan model baik dalam pelatihan model maupun penalaran model .Privasi: syarat untuk menetapkan zkml adalah untuk memastikan bahwa model tidak akan disalahgunakan oleh node berbahaya.
Pasar AI dibangun atas dasar memastikan bahwa pengguna mengontrol data mereka sendiri, oleh karena itu, meskipun data pengguna dikumpulkan secara terdesentralisasi dan terdistribusi, semua node tidak boleh secara langsung mengumpulkan, memproses, menyimpan, menggunakan, dll. mengakses mentah data. Metode enkripsi saat ini menghadapi hambatan dalam penggunaan, mengambil enkripsi homomorfik penuh sebagai contoh:
Kompleksitas komputasi: FHE lebih kompleks daripada metode enkripsi tradisional, yang sangat meningkatkan overhead komputasi pelatihan model AI di bawah enkripsi homomorfik penuh, membuat pelatihan model menjadi sangat tidak efisien, bahkan Tidak layak. Oleh karena itu, enkripsi homomorfik penuh tidak ideal untuk tugas yang membutuhkan banyak sumber daya komputasi, seperti pelatihan model pembelajaran mendalam.
Kesalahan kalkulasi: Selama proses kalkulasi FHE, eror akan terakumulasi secara bertahap seiring berjalannya kalkulasi, yang pada akhirnya akan memengaruhi hasil kalkulasi dan memengaruhi performa model AI.
Privasi juga dibagi menjadi beberapa level, tidak perlu terlalu khawatir
Jenis data yang berbeda memiliki tingkat persyaratan privasi yang berbeda. Hanya, misalnya, rekam medis, informasi keuangan, informasi pribadi yang sensitif, dll. memerlukan perlindungan privasi tingkat tinggi.
Oleh karena itu, keragaman data perlu diperhatikan dalam pembahasan pasar AI terdesentralisasi, yang terpenting adalah keseimbangan. Untuk memaksimalkan partisipasi pengguna dan kekayaan sumber daya platform, perlu dirancang strategi yang lebih fleksibel yang memungkinkan pengguna menyesuaikan pengaturan tingkat privasi, tidak semua data memerlukan tingkat privasi tertinggi.
3. Refleksi pada AI Marketplace terdesentralisasi
**3.1 Pengguna memiliki hak untuk mengontrol aset, apakah penarikan pengguna akan menyebabkan runtuhnya platform? **
Keuntungan dari pasar AI terdesentralisasi terletak pada kepemilikan sumber daya pengguna. Pengguna memang dapat menarik sumber dayanya kapan saja, tetapi begitu pengguna dan sumber daya (model, data) terakumulasi hingga batas tertentu, menurut saya platform tidak akan terpengaruh* * . Tentu saja, ini juga berarti banyak uang akan dihabiskan untuk menstabilkan pengguna dan sumber daya pada tahap awal proyek, yang akan sangat sulit bagi tim pemula.
Konsensus Komunitas
Setelah pasar AI terdesentralisasi membentuk efek jaringan yang kuat, lebih banyak pengguna dan pengembang akan menjadi lengket. Dan karena peningkatan jumlah pengguna mengarah pada peningkatan kualitas dan kuantitas data dan model, membuat pasar semakin matang. Pengguna didorong oleh kepentingan yang berbeda mendapatkan nilai lebih dari pasar. Meskipun sejumlah kecil pengguna dapat memilih untuk pergi, tingkat pertumbuhan pengguna baru dalam hal ini secara teoritis tidak akan melambat, dan pasar dapat terus berkembang dan memberikan nilai yang lebih besar.
Insentif
Jika lapisan insentif dirancang dengan baik, seiring bertambahnya jumlah peserta dan berbagai sumber daya yang terkumpul, keuntungan yang diperoleh semua pihak akan meningkat. Pasar AI terdesentralisasi tidak hanya menyediakan platform bagi pengguna untuk memperdagangkan data dan model, tetapi juga menyediakan mekanisme bagi pengguna untuk mendapatkan keuntungan dari data dan model mereka sendiri. Misalnya, pengguna dibayar dengan menjual data mereka sendiri atau dengan membiarkan orang lain menggunakan model mereka sendiri.
Untuk developer model: Men-deploy di platform lain mungkin tidak memiliki cukup data untuk mendukung penyempurnaan model dengan performa yang lebih baik;
Untuk penyedia data: Platform lain mungkin tidak memiliki fondasi data yang lengkap, dan sebagian kecil data untuk pengguna saja tidak dapat memberikan nilai dan memperoleh penggunaan dan manfaat yang memadai;
ringkasan
Meskipun di pasar AI terdesentralisasi, pihak proyek hanya berperan mencocokkan dan menyediakan platform, penghalang sebenarnya terletak pada akumulasi data dan model yang dibawa oleh akumulasi jumlah pengguna***. Pengguna memang memiliki kebebasan untuk menarik diri dari pasar, tetapi AI Marketplace yang matang seringkali membuat mereka mendapatkan lebih banyak nilai dari pasar daripada yang bisa mereka dapatkan di luar pasar, sehingga pengguna tidak memiliki insentif untuk menarik diri dari pasar.
Namun, jika sebagian besar pengguna atau beberapa model/penyedia data berkualitas tinggi memilih untuk mundur, pasar mungkin akan terpengaruh. Hal ini juga sejalan dengan adanya dinamika perubahan dan penyesuaian keluar masuknya pengguna di berbagai sistem ekonomi.
3.2 Mana yang lebih dulu, ayam atau telur
Menilai dari dua jalur di atas, sulit untuk mengatakan mana yang pada akhirnya akan keluar, tetapi jelas bahwa pasar AI berbasis data lebih masuk akal, dan plafonnya jauh lebih tinggi daripada yang pertama. Perbedaan terbesar adalah bahwa pasar berbasis data terus-menerus memperkaya hambatan, dan proses mengumpulkan pengguna juga merupakan proses mengumpulkan data.Pada akhirnya, nilai yang diberikan oleh web3 adalah untuk memperkaya basis data terdesentralisasi yang sangat besar.Ini positif siklus. . Pada saat yang sama, pada dasarnya platform semacam ini tidak perlu menyimpan data, tetapi memberikan pasar yang lebih ringan untuk kontribusi data. Pada akhirnya, ini adalah data mart yang besar, dan penghalang semacam ini sulit untuk diganti.
Dari perspektif penawaran dan permintaan, pasar AI perlu memiliki dua poin sekaligus:
Banyak model bagus
PENGGUNA AKHIR
Dari sudut pandang tertentu, kedua kondisi ini tampaknya saling bergantung. Di satu sisi, platform perlu memiliki cukup pengguna untuk memberikan motivasi bagi penyedia model dan data. Hanya jika ada cukup banyak pengguna yang terakumulasi, lapisan insentif dapat dimainkan peran Untuk nilai terbesar, roda gila data juga dapat diputar, sehingga lebih banyak penyedia model dapat menerapkan model. Di sisi lain, pengguna akhir yang cukup harus datang untuk mendapatkan model yang berguna, dan pilihan platform pengguna sebagian besar merupakan pilihan kualitas dan kemampuan model platform. Oleh karena itu, tanpa mengumpulkan sejumlah model yang sangat baik, permintaan ini tidak ada.Tidak peduli seberapa canggih algoritma perutean, perutean tanpa model yang baik adalah omong kosong. Ini seperti premis toko apel adalah apel itu
Oleh karena itu, ide pengembangan yang lebih baik adalah:
Strategi Awal
**Kumpulkan model berkualitas tinggi, **Hal yang paling penting di tahap awal adalah membangun pustaka model berkualitas tinggi. Alasannya adalah tidak peduli berapa banyak pengguna akhir, tanpa model berkualitas tinggi untuk mereka pilih dan gunakan, platform tidak akan menarik, dan pengguna tidak akan memiliki kelekatan dan retensi. Dengan berfokus pada membangun perpustakaan model berkualitas tinggi, platform ini dapat memastikan bahwa pengguna awal dapat menemukan model yang mereka butuhkan, sehingga membangun reputasi merek dan kepercayaan pengguna, dan secara bertahap membangun efek komunitas dan jaringan.
Kebijakan Ekspansi
Menarik pengguna akhir, Setelah membangun pustaka model berkualitas tinggi, giliran untuk menarik dan mempertahankan lebih banyak pengguna akhir. Jumlah pengguna yang banyak akan memberikan motivasi dan minat yang cukup bagi pengembang model untuk terus menyediakan dan menyempurnakan model. Selain itu, sejumlah besar pengguna juga akan menghasilkan data dalam jumlah besar, yang selanjutnya akan meningkatkan pelatihan dan optimalisasi model.
ringkasan
Apa upaya terbaik di pasar AI? *** Singkatnya, platform dapat menyediakan model berkualitas tinggi yang cukup, dan dapat secara efisien mencocokkan pengguna dengan model yang sesuai untuk menyelesaikan masalah ***. Kalimat ini memecahkan dua kontradiksi. Pertama, platform dapat memberikan nilai yang cukup bagi pengembang (termasuk pengembang model dan pengguna), sehingga ada cukup model berkualitas tinggi di platform; kedua, "komoditas" ini dapat memberi pengguna solusi lokal yang efisien , sehingga mengumpulkan lebih banyak pengguna dan memberikan perlindungan untuk kepentingan semua pihak.
AI Marketplace yang terdesentralisasi adalah arah yang mudah bagi AI + web3 untuk mendarat, tetapi sebuah proyek harus mencari tahu apa nilai sebenarnya yang dapat diberikan platform ini dan bagaimana cara mengaktifkan sejumlah besar pengguna pada tahap awal. Diantaranya, kuncinya adalah menemukan titik keseimbangan kepentingan semua pihak, dan pada saat yang sama menangani berbagai elemen seperti kepemilikan data, kualitas model, privasi pengguna, daya komputasi, dan algoritma insentif, dan akhirnya menjadi sharing dan platform perdagangan untuk data, model, dan daya komputasi.
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Foresight Ventures: Upaya Terbaik di Pasar AI Terdesentralisasi
TL;DR
1. Pasar AI Web3
1.1 Ulasan trek AI di bidang web3
Pertama, tinjau dua arah umum kombinasi AI dan crypto yang saya sebutkan sebelumnya, ZKML dan jaringan daya komputasi terdesentralisasi👇
ZKML
ZKML menjadikan model AI transparan + dapat diverifikasi, yang berarti memastikan bahwa tiga faktor arsitektur model, parameter dan bobot model, serta input model dapat diverifikasi di seluruh jaringan. Signifikansi ZKML adalah untuk menciptakan nilai tahap selanjutnya bagi dunia web3 tanpa mengorbankan desentralisasi dan tanpa kepercayaan, dan untuk memberikan kemampuan untuk menjalankan aplikasi yang lebih luas dan menciptakan kemungkinan yang lebih besar.
Usaha Foresight: AI + Web3 = ？
** Jaringan daya komputasi **
Sumber daya komputasi akan menjadi medan perang utama dalam dekade berikutnya, dan investasi masa depan dalam infrastruktur komputasi berkinerja tinggi akan meningkat secara eksponensial. Skenario penerapan daya komputasi terdesentralisasi dibagi menjadi dua arah: penalaran model dan pelatihan model Permintaan untuk pelatihan model besar AI adalah yang terbesar, tetapi juga menghadapi tantangan terbesar dan hambatan teknis. Termasuk kebutuhan akan sinkronisasi data yang kompleks dan masalah optimalisasi jaringan. Ada lebih banyak peluang untuk mengimplementasikan penalaran model, dan ruang inkremental masa depan yang dapat diprediksi juga cukup besar.
**1.2 Apa itu AI Marketplace? **
Pasar AI bukanlah konsep yang sangat baru, dan Hugging Face bisa dibilang merupakan pasar AI yang paling sukses (kecuali tidak adanya transaksi dan mekanisme penetapan harga). Di bidang NLP, Hugging Face menyediakan platform komunitas yang sangat penting dan aktif di mana pengembang dan pengguna dapat berbagi dan menggunakan berbagai model terlatih.
a. Sumber daya model
Hugging Face menyediakan sejumlah besar model terlatih yang mencakup berbagai tugas NLP. Kekayaan sumber daya ini telah menarik banyak pengguna, oleh karena itu menjadi dasar untuk membentuk komunitas yang aktif dan mengakumulasi pengguna.
b. Semangat sumber terbuka + sebarkan dan bagikan
Hugging Face mendorong pengembang untuk mengunggah dan membagikan model mereka. Semangat keterbukaan dan berbagi ini meningkatkan vitalitas komunitas dan memungkinkan hasil penelitian terbaru cepat dimanfaatkan oleh banyak pengguna. Ini didasarkan pada akumulasi pengembang dan model yang unggul, mempercepat efisiensi hasil penelitian yang diverifikasi dan dipromosikan.
c. Ramah pengembang + mudah digunakan
Hugging Face menyediakan API dan dokumentasi yang mudah digunakan, memungkinkan pengembang untuk dengan cepat memahami dan menggunakan model yang disediakannya. Ini menurunkan ambang batas penggunaan, meningkatkan pengalaman pengguna, dan menarik lebih banyak pengembang.
Meskipun Hugging Face tidak memiliki mekanisme transaksi, namun tetap menyediakan platform penting untuk berbagi dan menggunakan model AI. Oleh karena itu, terlihat juga bahwa pasar AI memiliki peluang untuk menjadi sumber daya yang berharga bagi seluruh industri.
Singkatnya pasar AI terdesentralisasi:
Berdasarkan elemen di atas, pasar AI terdesentralisasi didasarkan pada teknologi blockchain, yang memungkinkan pengguna memiliki kepemilikan atas data dan aset model mereka sendiri. Nilai yang dibawa oleh Web3 juga tercermin dalam mekanisme insentif dan transaksi.Pengguna dapat dengan bebas memilih atau mencocokkan model yang sesuai melalui sistem, dan pada saat yang sama, mereka juga dapat menempatkan model terlatih mereka sendiri di rak untuk mendapatkan keuntungan.
Pengguna memiliki kepemilikan atas aset AI mereka sendiri, dan pasar AI itu sendiri tidak memiliki kendali atas data dan model. Sebaliknya, pengembangan pasar bergantung pada basis pengguna dan akumulasi model dan data yang diakibatkannya. Akumulasi ini merupakan proses jangka panjang, tetapi juga merupakan proses pembentukan hambatan produk secara bertahap.Pengembangan pasar didukung oleh jumlah pengguna dan kuantitas/kualitas model dan data yang diunggah oleh pengguna.
**1.3 Mengapa memperhatikan AI Marketplace Web3? **
1.3.1 Kompatibel dengan arah umum aplikasi daya komputasi
Karena tekanan komunikasi dan alasan lain, mungkin sulit untuk mengimplementasikan daya komputasi terdesentralisasi pada model basis pelatihan, tetapi tekanan pada finetune akan jauh lebih kecil, sehingga berpeluang menjadi salah satu skenario terbaik untuk penerapan sentralisasi. jaringan daya komputasi.
Sedikit pengetahuan latar belakang: mengapa tahap fine-tuning lebih mudah dilakukan
Foresight Ventures: Pandangan Rasional tentang Jaringan Daya Komputasi Terdesentralisasi
Pelatihan model AI dibagi menjadi prapelatihan dan penyempurnaan. Pra-pelatihan melibatkan sejumlah besar data dan sejumlah besar perhitungan.Untuk detailnya, silakan lihat analisis di artikel saya di atas. Penyempurnaan didasarkan pada model dasar, menggunakan data khusus tugas untuk menyesuaikan parameter model sehingga model memiliki kinerja yang lebih baik untuk tugas tertentu Sumber daya komputasi yang diperlukan dalam tahap penyempurnaan model jauh lebih kecil daripada yang ada di tahap pra tahap pelatihan Ada dua alasan utama:
Misalnya, mengambil GPT3 sebagai contoh, fase pra-pelatihan menggunakan 45 TB data teks untuk pelatihan, sedangkan fase penyempurnaan hanya membutuhkan ~5 GB data. Waktu pelatihan untuk fase pra-pelatihan memakan waktu berminggu-minggu hingga berbulan-bulan, sedangkan fase fine-tuning hanya membutuhkan waktu berjam-jam hingga berhari-hari.
1.3.2 Titik awal persimpangan AI dan crypto
Untuk menilai apakah proyek web3 masuk akal, salah satu poin terpenting adalah apakah itu crypto untuk crypto, apakah proyek tersebut memaksimalkan nilai yang dibawa oleh web3, dan apakah penambahan web3 membawa diferensiasi. Jelas, nilai tambah yang dibawa web3 ke pasar AI ini tidak dapat menggantikan konfirmasi hak, distribusi pendapatan, dan daya komputasi
Saya pikir pasar AI Web3 yang luar biasa dapat mengintegrasikan AI dan crypto dengan erat. Kombinasi yang paling sempurna bukanlah apa yang dapat dibawa oleh aplikasi atau infra pasar AI ke web3, tetapi apa yang dapat diberikan web3 ke pasar AI. Jelas, misalnya, setiap pengguna dapat memiliki model dan data AI mereka sendiri (seperti mengenkapsulasi model dan data AI sebagai NFT), dan mereka juga dapat memperdagangkannya sebagai komoditas, yang memanfaatkan web3 dengan baik. nilai. Ini tidak hanya memotivasi pengembang AI dan penyedia data, tetapi juga membuat aplikasi AI lebih luas. Jika sebuah model cukup bagus, pemilik memiliki insentif yang lebih kuat untuk mengunggahnya ke orang lain untuk dibagikan.
Pada saat yang sama, pasar AI terdesentralisasi dapat memperkenalkan beberapa model bisnis baru, seperti model, penjualan dan penyewaan data, crowdsourcing tugas, dll.
1.3.3 Turunkan ambang aplikasi AI
Setiap orang harus dan akan dapat melatih model kecerdasan buatan mereka sendiri, yang membutuhkan platform dengan ambang batas yang cukup rendah untuk memberikan dukungan sumber daya, termasuk model dasar, alat, data, daya komputasi, dll.
1.3.4 Permintaan dan Penawaran
Meskipun model besar memiliki kemampuan penalaran yang kuat, mereka tidak mahakuasa. Seringkali, penyempurnaan untuk tugas dan skenario tertentu akan mencapai hasil yang lebih baik dan memiliki kepraktisan yang lebih kuat. Oleh karena itu, dari sisi permintaan, pengguna membutuhkan pasar model AI untuk mendapatkan model yang berguna dalam skenario yang berbeda; bagi pengembang, mereka membutuhkan platform yang dapat memberikan kemudahan sumber daya yang besar untuk mengembangkan model, dan mendapatkan keuntungan melalui pengetahuan profesional mereka sendiri.
Kedua, berbasis model vs berbasis data
** Pasar model 2.1**
model
Dengan perkakas sebagai titik penjualan, sebagai tautan pertama dari tautan, proyek perlu menarik cukup banyak pengembang model pada tahap awal untuk menerapkan model berkualitas tinggi, sehingga dapat menetapkan pasokan untuk pasar.
Dalam mode ini, poin utama yang menarik pengembang adalah infra dan perkakas yang nyaman dan mudah digunakan. Data tergantung pada kemampuan pengembang itu sendiri dan mengapa beberapa orang yang berpengalaman di bidang tertentu dapat menciptakan nilai. Data di bidang ini diperlukan Pengembang mengumpulkan dan menyempurnakan model dengan kinerja yang lebih baik.
memikirkan
Baru-baru ini, saya telah melihat banyak proyek tentang kombinasi pasar AI dan web3, tetapi yang saya pikirkan adalah: Apakah membuat pasar model AI yang terdesentralisasi merupakan proposisi yang salah?
Pertama-tama, kita perlu memikirkan sebuah pertanyaan, nilai apa yang bisa diberikan web3?
Jauh dari cukup jika hanya insentif token, atau narasi kepemilikan model. Dari sudut pandang praktis, model berkualitas tinggi pada platform adalah inti dari keseluruhan produk, dan model yang bagus biasanya berarti nilai ekonomi yang sangat tinggi. Dari perspektif penyedia model, mereka membutuhkan motivasi yang cukup untuk menerapkan model berkualitas tinggi mereka ke pasar AI, tetapi dapatkah insentif yang dibawa oleh token dan kepemilikan memenuhi harapan mereka untuk nilai model? Untuk platform yang tidak memiliki basis pengguna di masa-masa awal, itu jelas jauh dari jangkauan. Tanpa model yang sangat bagus, seluruh model bisnis tidak akan terbentuk. Jadi pertanyaannya menjadi bagaimana menghasilkan pendapatan yang cukup untuk penyedia model tanpa adanya pengguna akhir di tahap awal.
2.2 Pasar Data
Berdasarkan pengumpulan data terdesentralisasi, melalui desain lapisan insentif dan narasi kepemilikan data di lebih banyak penyedia data, serta pengguna yang melabeli data. Dengan restu crypto, platform tersebut memiliki peluang untuk mengakumulasi sejumlah besar data berharga dalam jangka waktu tertentu, terutama data domain pribadi yang saat ini kurang.
Yang paling menggairahkan saya adalah model pengembangan dari bawah ke atas ini lebih seperti permainan crowdfunding. Tidak peduli seberapa berpengalaman orang, tidak mungkin memiliki data lengkap dalam suatu bidang, dan salah satu nilai yang dapat diberikan web3 adalah pengumpulan data tanpa izin dan terdesentralisasi. Model ini tidak hanya dapat memusatkan keahlian dan data di berbagai bidang, tetapi juga memberikan layanan AI kepada kelompok pengguna yang lebih besar. Dibandingkan dengan data milik satu pengguna, data crowdfunding ini dikumpulkan dari sejumlah besar skenario aktual pengguna nyata, sehingga dapat mencerminkan kompleksitas dan keragaman dunia nyata dengan lebih baik daripada data yang dikumpulkan dari satu sumber, yang dapat sangat meningkatkan The kemampuan generalisasi dan ketahanan model memungkinkan model AI bekerja dengan baik di berbagai lingkungan.
Misalnya, seseorang mungkin memiliki banyak pengalaman dalam nutrisi dan telah mengumpulkan banyak data, tetapi data pribadi saja tidak cukup untuk melatih model yang hebat. Sementara pengguna berbagi data, mereka juga dapat mengakses dan memanfaatkan data berharga yang dikontribusikan oleh pengguna lain di bidang yang sama dan di seluruh jaringan pada platform, untuk mencapai efek penyempurnaan yang lebih baik.
memikirkan
Dari perspektif ini, mungkin juga merupakan upaya yang baik untuk membangun pasar data yang terdesentralisasi. Sebagai "komoditas" dengan ambang batas yang lebih rendah, tautan produksi yang lebih pendek, dan kepadatan penyedia yang lebih luas, data dapat memanfaatkan nilai yang dapat diberikan web3 dengan lebih baik. Algoritma insentif dan mekanisme konfirmasi data dapat memberikan motivasi bagi pengguna untuk mengunggah data. Di bawah model saat ini, data lebih seperti komoditas satu kali, artinya memiliki nilai kecil setelah digunakan satu kali. Di pasar model AI terdesentralisasi, data pengguna dapat digunakan berulang kali dan bermanfaat, dan nilai data akan terwujud dalam jangka waktu yang lebih lama.
Tampaknya menjadi pilihan yang baik untuk menggunakan data sebagai titik masuk untuk mengakumulasi pengguna. Salah satu inti dan hambatan dari model besar adalah data berkualitas tinggi dan multidimensi. Setelah sejumlah besar penyedia data bergabung, orang-orang ini memiliki kesempatan untuk lebih jauh berubah menjadi pengguna akhir atau penyedia model. Pasar AI berdasarkan ini memang dapat memberikan nilai dasar untuk model yang sangat baik, dan memberikan motivasi kepada para insinyur algoritme untuk menyumbangkan model pada platform dari perspektif model pelatihan.
Dinamika ini adalah perubahan dari 0 ke 1. Sekarang perusahaan besar memiliki data dalam jumlah besar, mereka dapat melatih model yang lebih akurat, yang mempersulit perusahaan kecil dan pengembang individu untuk bersaing. Bahkan jika seorang pengguna memiliki data yang sangat berharga dalam bidang tertentu, sulit bagi sebagian kecil data ini untuk menjadi berharga tanpa kerja sama data pada kumpulan yang lebih besar. Namun, di pasar yang terdesentralisasi, setiap orang memiliki kesempatan untuk mendapatkan dan menggunakan data, dan para ahli ini bergabung dengan platform dengan data inkremental yang berharga.Oleh karena itu, kualitas dan kuantitas data platform semakin ditingkatkan, yang memungkinkan untuk semua orang untuk melatih model yang luar biasa dan bahkan mempromosikan inovasi AI.
Data sendiri memang sangat cocok untuk menjadi penghalang persaingan di pasar AI semacam ini. Pertama-tama, lapisan insentif yang sangat baik dan jaminan privasi yang aman memungkinkan lebih banyak investor ritel untuk berpartisipasi dalam keseluruhan protokol dan menyumbangkan data. Dan, seiring bertambahnya jumlah pengguna, kualitas dan kuantitas data juga meningkat. Ini akan menghasilkan efek komunitas dan jaringan, membuat pasar dapat memberikan nilai yang lebih besar dan dimensi yang lebih luas, sehingga akan lebih menarik bagi pengguna baru.Inilah proses membangun hambatan bagi pasar.
Jadi pada dasarnya, untuk membuat pasar AI berbasis data, yang terpenting adalah 4 poin berikut:
**Mengapa penyedia model tidak terdaftar sebagai faktor kunci oleh saya dalam skenario ini? **
Alasan utama didasarkan pada empat poin di atas, dan masuk akal untuk bergabung dengan penyedia model yang sangat baik.
2.3 Nilai dan tantangan pasar data
Data Domain Pribadi
Nilai data domain pribadi terletak pada informasinya yang unik dan sulit diperoleh di domain tertentu, yang sangat penting untuk menyempurnakan model AI. Menggunakan data domain pribadi dapat membuat model yang lebih akurat dan dipersonalisasi yang mengungguli model yang dilatih pada kumpulan data publik dalam skenario tertentu.
Sekarang proses konstruksi model dasar dapat memperoleh data publik dalam jumlah besar, oleh karena itu fokus pasar data web3 bukan pada data ini. Cara mendapatkan dan menambahkan data domain pribadi selama pelatihan saat ini menjadi hambatan. Dengan menggabungkan data domain pribadi dengan kumpulan data publik, kemampuan beradaptasi model terhadap beragam masalah dan kebutuhan pengguna serta keakuratan model dapat ditingkatkan.
Misalnya, mengambil skenario medis dan kesehatan sebagai contoh, model AI yang menggunakan data domain pribadi biasanya dapat meningkatkan akurasi prediksi sebesar 10% hingga 30%. Mengacu pada penelitian Stanford, model deep learning menggunakan data medis domain pribadi 15% lebih akurat dalam memprediksi kanker paru dibandingkan model yang menggunakan data publik.
Privasi data
Akankah privasi menjadi hambatan yang membatasi AI + Web3? Dilihat dari perkembangan saat ini, arah pendaratan AI di web3 secara bertahap menjadi jelas, tetapi tampaknya setiap aplikasi tidak dapat menghindari topik privasi. Daya komputasi terdesentralisasi perlu memastikan integritas data dan model baik dalam pelatihan model maupun penalaran model .Privasi: syarat untuk menetapkan zkml adalah untuk memastikan bahwa model tidak akan disalahgunakan oleh node berbahaya.
Pasar AI dibangun atas dasar memastikan bahwa pengguna mengontrol data mereka sendiri, oleh karena itu, meskipun data pengguna dikumpulkan secara terdesentralisasi dan terdistribusi, semua node tidak boleh secara langsung mengumpulkan, memproses, menyimpan, menggunakan, dll. mengakses mentah data. Metode enkripsi saat ini menghadapi hambatan dalam penggunaan, mengambil enkripsi homomorfik penuh sebagai contoh:
Privasi juga dibagi menjadi beberapa level, tidak perlu terlalu khawatir
Jenis data yang berbeda memiliki tingkat persyaratan privasi yang berbeda. Hanya, misalnya, rekam medis, informasi keuangan, informasi pribadi yang sensitif, dll. memerlukan perlindungan privasi tingkat tinggi.
Oleh karena itu, keragaman data perlu diperhatikan dalam pembahasan pasar AI terdesentralisasi, yang terpenting adalah keseimbangan. Untuk memaksimalkan partisipasi pengguna dan kekayaan sumber daya platform, perlu dirancang strategi yang lebih fleksibel yang memungkinkan pengguna menyesuaikan pengaturan tingkat privasi, tidak semua data memerlukan tingkat privasi tertinggi.
3. Refleksi pada AI Marketplace terdesentralisasi
**3.1 Pengguna memiliki hak untuk mengontrol aset, apakah penarikan pengguna akan menyebabkan runtuhnya platform? **
Keuntungan dari pasar AI terdesentralisasi terletak pada kepemilikan sumber daya pengguna. Pengguna memang dapat menarik sumber dayanya kapan saja, tetapi begitu pengguna dan sumber daya (model, data) terakumulasi hingga batas tertentu, menurut saya platform tidak akan terpengaruh* * . Tentu saja, ini juga berarti banyak uang akan dihabiskan untuk menstabilkan pengguna dan sumber daya pada tahap awal proyek, yang akan sangat sulit bagi tim pemula.
Konsensus Komunitas
Setelah pasar AI terdesentralisasi membentuk efek jaringan yang kuat, lebih banyak pengguna dan pengembang akan menjadi lengket. Dan karena peningkatan jumlah pengguna mengarah pada peningkatan kualitas dan kuantitas data dan model, membuat pasar semakin matang. Pengguna didorong oleh kepentingan yang berbeda mendapatkan nilai lebih dari pasar. Meskipun sejumlah kecil pengguna dapat memilih untuk pergi, tingkat pertumbuhan pengguna baru dalam hal ini secara teoritis tidak akan melambat, dan pasar dapat terus berkembang dan memberikan nilai yang lebih besar.
Insentif
Jika lapisan insentif dirancang dengan baik, seiring bertambahnya jumlah peserta dan berbagai sumber daya yang terkumpul, keuntungan yang diperoleh semua pihak akan meningkat. Pasar AI terdesentralisasi tidak hanya menyediakan platform bagi pengguna untuk memperdagangkan data dan model, tetapi juga menyediakan mekanisme bagi pengguna untuk mendapatkan keuntungan dari data dan model mereka sendiri. Misalnya, pengguna dibayar dengan menjual data mereka sendiri atau dengan membiarkan orang lain menggunakan model mereka sendiri.
Untuk developer model: Men-deploy di platform lain mungkin tidak memiliki cukup data untuk mendukung penyempurnaan model dengan performa yang lebih baik;
Untuk penyedia data: Platform lain mungkin tidak memiliki fondasi data yang lengkap, dan sebagian kecil data untuk pengguna saja tidak dapat memberikan nilai dan memperoleh penggunaan dan manfaat yang memadai;
ringkasan
Meskipun di pasar AI terdesentralisasi, pihak proyek hanya berperan mencocokkan dan menyediakan platform, penghalang sebenarnya terletak pada akumulasi data dan model yang dibawa oleh akumulasi jumlah pengguna***. Pengguna memang memiliki kebebasan untuk menarik diri dari pasar, tetapi AI Marketplace yang matang seringkali membuat mereka mendapatkan lebih banyak nilai dari pasar daripada yang bisa mereka dapatkan di luar pasar, sehingga pengguna tidak memiliki insentif untuk menarik diri dari pasar.
Namun, jika sebagian besar pengguna atau beberapa model/penyedia data berkualitas tinggi memilih untuk mundur, pasar mungkin akan terpengaruh. Hal ini juga sejalan dengan adanya dinamika perubahan dan penyesuaian keluar masuknya pengguna di berbagai sistem ekonomi.
3.2 Mana yang lebih dulu, ayam atau telur
Menilai dari dua jalur di atas, sulit untuk mengatakan mana yang pada akhirnya akan keluar, tetapi jelas bahwa pasar AI berbasis data lebih masuk akal, dan plafonnya jauh lebih tinggi daripada yang pertama. Perbedaan terbesar adalah bahwa pasar berbasis data terus-menerus memperkaya hambatan, dan proses mengumpulkan pengguna juga merupakan proses mengumpulkan data.Pada akhirnya, nilai yang diberikan oleh web3 adalah untuk memperkaya basis data terdesentralisasi yang sangat besar.Ini positif siklus. . Pada saat yang sama, pada dasarnya platform semacam ini tidak perlu menyimpan data, tetapi memberikan pasar yang lebih ringan untuk kontribusi data. Pada akhirnya, ini adalah data mart yang besar, dan penghalang semacam ini sulit untuk diganti.
Dari perspektif penawaran dan permintaan, pasar AI perlu memiliki dua poin sekaligus:
Dari sudut pandang tertentu, kedua kondisi ini tampaknya saling bergantung. Di satu sisi, platform perlu memiliki cukup pengguna untuk memberikan motivasi bagi penyedia model dan data. Hanya jika ada cukup banyak pengguna yang terakumulasi, lapisan insentif dapat dimainkan peran Untuk nilai terbesar, roda gila data juga dapat diputar, sehingga lebih banyak penyedia model dapat menerapkan model. Di sisi lain, pengguna akhir yang cukup harus datang untuk mendapatkan model yang berguna, dan pilihan platform pengguna sebagian besar merupakan pilihan kualitas dan kemampuan model platform. Oleh karena itu, tanpa mengumpulkan sejumlah model yang sangat baik, permintaan ini tidak ada.Tidak peduli seberapa canggih algoritma perutean, perutean tanpa model yang baik adalah omong kosong. Ini seperti premis toko apel adalah apel itu
Oleh karena itu, ide pengembangan yang lebih baik adalah:
Strategi Awal
Kebijakan Ekspansi
ringkasan
Apa upaya terbaik di pasar AI? *** Singkatnya, platform dapat menyediakan model berkualitas tinggi yang cukup, dan dapat secara efisien mencocokkan pengguna dengan model yang sesuai untuk menyelesaikan masalah ***. Kalimat ini memecahkan dua kontradiksi. Pertama, platform dapat memberikan nilai yang cukup bagi pengembang (termasuk pengembang model dan pengguna), sehingga ada cukup model berkualitas tinggi di platform; kedua, "komoditas" ini dapat memberi pengguna solusi lokal yang efisien , sehingga mengumpulkan lebih banyak pengguna dan memberikan perlindungan untuk kepentingan semua pihak.
AI Marketplace yang terdesentralisasi adalah arah yang mudah bagi AI + web3 untuk mendarat, tetapi sebuah proyek harus mencari tahu apa nilai sebenarnya yang dapat diberikan platform ini dan bagaimana cara mengaktifkan sejumlah besar pengguna pada tahap awal. Diantaranya, kuncinya adalah menemukan titik keseimbangan kepentingan semua pihak, dan pada saat yang sama menangani berbagai elemen seperti kepemilikan data, kualitas model, privasi pengguna, daya komputasi, dan algoritma insentif, dan akhirnya menjadi sharing dan platform perdagangan untuk data, model, dan daya komputasi.