Інтеграція Web3 та AI: створення нової генерації інфраструктури Інтернету

Web3 як нова парадигма децентралізованого, відкритого та прозорого Інтернету має природну можливість інтеграції з AI. У традиційній централізованій архітектурі обчислення AI та ресурси даних суворо контролюються, стикаючись з багатьма викликами, такими як обмеження обчислювальної потужності, витік конфіденційної інформації, алгоритми «чорного ящика» та інші. Web3, базуючись на розподілених технологіях, через спільну мережу обчислювальної потужності, відкриті ринки даних, обчислення конфіденційності та інші способи надає новий імпульс розвитку AI. Водночас AI може надати Web3 багато можливостей, таких як оптимізація смарт-контрактів, алгоритми протидії шахрайству тощо, сприяючи його екосистемному розвитку. Дослідження поєднання Web3 та AI є надзвичайно важливим для побудови інфраструктури наступного покоління Інтернету та реалізації цінності даних і обчислювальної потужності.

Дані, які визначають: міцний фундамент AI та Web3

Дані є основним двигуном розвитку штучного інтелекту, так само як паливо для двигуна. Моделям ШІ необхідно обробляти великі обсяги якісних даних, щоб отримати глибоке розуміння та потужні здібності до міркування. Дані не лише забезпечують базу для навчання машинних моделей, але й визначають точність і надійність моделей.

Традиційні централізовані моделі отримання та використання даних штучного інтелекту мають такі основні проблеми:

• Витрати на отримання даних є високими, і малим та середнім підприємствам важко їх нести
• Ресурси даних монополізовані технологічними гігантами, формуючи острови даних
• Особисті дані підлягають ризику витоку та зловживання.

Web3 вирішує болючі точки традиційних моделей новою децентралізованою парадигмою даних:

• Користувачі можуть продавати невикористані мережі компаніям штучного інтелекту, децентралізовано збираючи мережеві дані для надання реальних, високоякісних даних для навчання моделей ШІ.
• Використання моделі "label to earn" для залучення глобальних працівників до позначення даних через токенне стимулювання, об'єднання глобальних професійних знань, підвищення можливостей аналізу даних
• Платформа торгівлі даними на блокчейні забезпечує відкриту та прозору торговельну середу для обох сторін попиту та пропозиції даних, стимулюючи інновації та обмін даними.

Однак, отримання реальних даних стикається з проблемами неоднорідності якості, складності обробки, недостатньої різноманітності та представницькості. Синтетичні дані можуть стати зіркою майбутнього у секторі даних Web3. На основі технологій генеративного штучного інтелекту та моделювання, синтетичні дані можуть імітувати властивості реальних даних, служачи ефективним доповненням, підвищуючи ефективність використання даних. У таких сферах, як автономне водіння, фінансові ринкові торги, розробка ігор, синтетичні дані вже продемонстрували зрілий потенціал застосування.

Захист конфіденційності: Роль FHE у Web3

У епоху даних захист приватності став глобальною темою, що викликає занепокоєння. Загальний регламент про захист даних ЄС (GDPR) та інші нормативні акти відображають суворе дотримання особистої приватності. Однак це також приносить виклики: частина чутливих даних не може бути належним чином використана через ризики для приватності, що обмежує потенціал і здатності моделі ШІ.

FHE (повна гомоморфна криптографія) дозволяє виконувати обчислювальні операції безпосередньо на зашифрованих даних, не вимагаючи їх розшифровки, і результати обчислень збігаються з результатами обчислень над відкритими даними. FHE забезпечує надійний захист для приватних обчислень AI, дозволяючи потужностям GPU виконувати навчання моделей і завдання висновку в середовищі, де не торкаються до оригінальних даних. Це надає величезні переваги компаніям AI, оскільки вони можуть безпечно відкривати API-сервіси, захищаючи комерційну таємницю.

FHEML підтримує шифрування даних і моделей протягом усього циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. FHEML посилює конфіденційність даних, надаючи безпечну обчислювальну структуру для AI-додатків. FHEML є доповненням до ZKML, де ZKML підтверджує правильність виконання машинного навчання, а FHEML підкреслює обчислення над зашифрованими даними для підтримки конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах

Поточна складність обчислень AI-систем подвоюється кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальні потужності, що значно перевищує наявні ресурси. Наприклад, для навчання моделі GPT-3 потрібні величезні обчислювальні потужності, що еквівалентно 355 рокам навчання на одному пристрої. Цей дефіцит обчислювальної потужності не лише стримує прогрес технологій AI, але й робить розвинені моделі AI недоступними для більшості дослідників і розробників.

В той же час глобальне використання GPU становить менше 40%, а також уповільнення зростання продуктивності мікропроцесорів і фактори, пов'язані з ланцюгами постачання та геополітикою, призвели до дефіциту чіпів, що ускладнює проблему постачання обчислювальної потужності. Працівники в сфері ШІ опинилися перед вибором: або купувати апаратуру, або орендувати хмарні ресурси, терміново потребуючи економічно ефективного способу надання обчислювальних послуг за запитом.

Деяка децентралізована мережа обчислювальної потужності AI, агрегуючи безкоштовні ресурси GPU по всьому світу, пропонує економічно доступний ринок обчислювальної потужності для AI-компаній. Сторони, які потребують обчислювальну потужність, можуть розміщувати обчислювальні завдання в мережі, смарт-контракти розподіляють завдання між майнінговими вузлами, які надають обчислювальну потужність, майнери виконують завдання та подають результати, які перевіряються, після чого вони отримують бонуси у вигляді балів. Ця схема підвищує ефективність використання ресурсів і допомагає вирішити проблему обчислювальної потужності в таких сферах, як AI.

Окрім загальної децентралізованої обчислювальної мережі, існують також спеціалізовані обчислювальні мережі, які зосереджені на навчанні та інференції ШІ. Децентралізовані обчислювальні мережі забезпечують справедливий та прозорий ринок обчислювальної потужності, розриваючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі web3 децентралізовані обчислювальні мережі відіграватимуть ключову роль, залучаючи більше інноваційних dapp, щоб спільно просувати розвиток та застосування технології ШІ.

DePIN: Web3 надає можливості Edge AI

Уявіть собі, що ваш телефон, смарт-годинник або навіть розумні пристрої у вашому домі мають можливість запускати ШІ — ось у чому привабливість Edge AI. Це дозволяє обробляти дані на місці їх виникнення, забезпечуючи низьку затримку, обробку в реальному часі та одночасно захищаючи конфіденційність користувачів. Технологія Edge AI вже застосовується в таких ключових сферах, як автономне водіння.

У сфері Web3 у нас є більш знайоме ім'я — DePIN. Web3 підкреслює децентралізацію та суверенітет даних користувачів, DePIN підвищує захист конфіденційності користувачів через локальну обробку даних, зменшуючи ризик витоку даних; нативний механізм токенів Web3 може стимулювати вузли DePIN надавати обчислювальні ресурси для створення стійкої екосистеми.

Наразі DePIN швидко розвивається в екосистемі певного публічного блокчейну, ставши однією з вибраних платформ для розгортання проектів. Висока TPS, низькі транзакційні витрати та технологічні інновації цього публічного блокчейну надають потужну підтримку проектам DePIN. Наразі ринкова капіталізація проектів DePIN на цьому публічному блокчейні перевищує 10 мільярдів доларів США, а кілька відомих проектів вже досягли значного прогресу.

IMO: Публікація нової парадигми AI моделей

Концепцію IMO вперше запропоновано певним протоколом, що полягає в токенізації AI-моделей.

У традиційній моделі, через відсутність механізму розподілу прибутку, розробникам AI-моделей важко отримувати постійний дохід від подальшого використання, особливо коли модель інтегрується в інші продукти та послуги, оригінальним творцям важко відстежувати використання, ще важче отримувати прибуток. Крім того, продуктивність та ефективність AI-моделей часто не мають прозорості, потенційні інвестори та користувачі важко оцінюють їх справжню цінність, що обмежує визнання моделі на ринку та комерційний потенціал.

IMO надає нову фінансову підтримку та спосіб розподілу цінності для відкритих AI моделей, інвестори можуть купувати токени IMO, щоб ділитися прибутком, отриманим від моделей у подальшому. Один протокол використовує два стандарти ERC, поєднуючи AI оракули та технологію OPML для забезпечення достовірності AI моделей та можливості власників токенів ділитися прибутком.

Модель IMO підвищує прозорість і довіру, заохочує відкриту співпрацю, адаптується до тенденцій криптовалютного ринку та надає новий імпульс сталому розвитку технології ШІ. IMO наразі перебуває на початковій стадії спроб, але з підвищенням прийнятності на ринку та розширенням участі її інноваційність та потенційна цінність заслуговують на очікування.

AI Agent: Нова епоха інтерактивного досвіду

AI агент може сприймати середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення визначених цілей. За підтримки великих мовних моделей AI агент не лише розуміє природну мову, а й може планувати рішення, виконувати складні завдання. Вони можуть виступати в ролі віртуальних помічників, навчаючись перевагам користувачів через взаємодію, пропонуючи персоналізовані рішення. Навіть без чітких інструкцій AI агент може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.

Платформа для AI-додатків надає всебічний та зручний набір інструментів для створення, що дозволяє користувачам налаштовувати функції, зовнішній вигляд, голоси роботів, а також підключати зовнішні бази знань. Вона прагне створити справедливу та відкриту екосистему AI-контенту, використовуючи технології генеративного AI, щоб надати можливості особистостям стати супер-творцями. Ця платформа навчила спеціалізовану велику мовну модель, що робить рольову гру більш людяною; технологія клонування голосу може прискорити персоналізовану взаємодію AI-продуктів, знизивши витрати на синтез голосу на 99%, а клонування голосу займає лише 1 хвилину. Використовуючи AI Agent, налаштованого на цій платформі, наразі можна застосовувати в багатьох сферах, таких як відеочати, вивчення мов, генерація зображень тощо.

У сфері інтеграції Web3 та AI наразі більше йдеться про дослідження інфраструктурного рівня, як отримати високоякісні дані, захистити конфіденційність даних, як розмістити моделі на блокчейні, як підвищити ефективне використання децентралізованих обчислювальних потужностей, як перевірити великі мовні моделі та інші ключові питання. З поступовим вдосконаленням цих інфраструктур у нас є підстави вірити, що інтеграція Web3 та AI народить цілу низку інноваційних бізнес-моделей та послуг.