Інтеграція Web3 та AI: побудова інфраструктури наступного покоління Інтернету

Web3, як нова модель Інтернету, що базується на децентралізації, відкритості та прозорості, має природні можливості для інтеграції з AI. У традиційній централізованій архітектурі обчислювальні та дані ресурси AI контролюються суворо, стикаючись з численними викликами, такими як обмеження обчислювальної потужності, витік конфіденційної інформації, чорні ящики алгоритмів тощо. У той же час Web3, оснований на розподілених технологіях, може надати новий імпульс розвитку AI через спільні мережі обчислювальної потужності, відкриті ринки даних, обчислення конфіденційності та інші способи. Крім того, AI може надати Web3 безліч можливостей, таких як оптимізація смарт-контрактів, алгоритми боротьби з шахрайством тощо, що сприяє його екосистемному розвитку. Отже, дослідження поєднання Web3 та AI є вкрай важливим для побудови інфраструктури наступного покоління Інтернету та реалізації цінності даних і обчислювальної потужності.

Дані, що керують: міцна основа AI та Web3

Дані є основною рушійною силою розвитку ШІ, як паливо для двигуна. Моделям ШІ потрібно перетравлювати величезні обсяги якісних даних, щоб отримати глибоке розуміння та потужні здібності до міркування. Дані не тільки забезпечують навчальну базу для моделей машинного навчання, а й визначають точність і надійність моделей.

Традиційні моделі централізованого отримання та використання даних AI мають такі основні проблеми:

• Витрати на отримання даних високі, і малим та середнім підприємствам важко їх понести
• Ресурси даних монополізовані технологічними гігантами, що створює ізольовані дані.
• Особисті дані піддаються ризику витоку та зловживання.

Web3 може вирішити проблеми традиційних моделей за допомогою нової децентралізованої парадигми даних:

• Користувачі можуть продавати невикористовувану мережу AI-компаніям, децентралізовано збираючи мережеві дані, очищені та перетворені для навчання AI-моделей, забезпечуючи правдиві, високоякісні дані.
• Використання моделі "label to earn", за допомогою токенів стимулюючи глобальних працівників брати участь у маркуванні даних, об'єднуючи світові професійні знання та підвищуючи можливості аналізу даних.
• Блокчейн платформа для торгівлі даними забезпечує відкритий і прозорий торговий середовище для обох сторін попиту та пропозиції даних, стимулюючи інновації та обмін даними.

Не зважаючи на це, отримання даних з реального світу все ще стикається з деякими проблемами, такими як нерівна якість даних, великі труднощі в обробці, недостатня різноманітність та представництво. Синтетичні дані можуть стати зіркою майбутнього в секторі даних Web3. На основі генеративних технологій ШІ та моделювання синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням до реальних даних, підвищуючи ефективність використання даних. У таких сферах, як автономне водіння, торгівля на фінансових ринках, розробка ігор тощо, синтетичні дані вже продемонстрували зрілий потенціал застосування.

Захист конфіденційності: роль FHE у Web3

У епоху, коли дані стають основою, захист приватності став глобальною проблемою. Введення таких регламентів, як Загальний регламент про захист даних (GDPR) Європейського Союзу, відображає строгий захист особистої приватності. Однак це також приносить виклики: деякі чутливі дані не можуть бути використані в повному обсязі через ризики приватності, що, безумовно, обмежує потенціал та здатність моделі ШІ до розуміння.

FHE - це повна гомоморфна криптографія, яка дозволяє виконувати операції обчислень безпосередньо на зашифрованих даних без необхідності розшифровки даних, причому результати обчислень будуть ідентичні результатам, отриманим при виконанні тих же обчислень на відкритих даних.

FHE забезпечує надійний захист для приватних обчислень AI, дозволяючи обчислювальним потужностям GPU виконувати навчання моделей та завдання інференції в середовищі, яке не торкається до вихідних даних. Це приносить величезні переваги компаніям AI. Вони можуть безпечно відкривати API-сервіси, захищаючи комерційну таємницю.

FHEML підтримує шифрування даних і моделей на всьому протязі циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризикам витоку даних. Таким чином, FHEML зміцнює конфіденційність даних, забезпечуючи безпечну обчислювальну рамку для AI-додатків.

FHEML є доповненням до ZKML, ZKML доводить правильність виконання машинного навчання, тоді як FHEML підкреслює виконання обчислень над зашифрованими даними для підтримки конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення в децентралізованих мережах

Поточна обчислювальна складність систем штучного інтелекту подвоюється кожні 3 місяці, що призводить до різкого збільшення попиту на обчислювальну потужність, яка значно перевищує наявні ресурси. Наприклад, для навчання великої мовної моделі необхідна величезна обчислювальна потужність, що еквівалентно 355 рокам навчання на одному пристрої. Такий дефіцит обчислювальної потужності не лише обмежує прогрес технологій штучного інтелекту, а й робить ці висококласні моделі недоступними для більшості дослідників і розробників.

Водночас, глобальна завантаженість GPU становить менше 40%, а також сповільнення підвищення продуктивності мікропроцесорів, а також дефіцит чіпів, викликаний факторами ланцюга постачання та геополітики, ускладнюють проблему постачання обчислювальної потужності. Працівники AI опинилися у двозначній ситуації: або купувати обладнання, або орендувати хмарні ресурси, їм терміново потрібен економічно вигідний спосіб обчислювальних послуг на вимогу.

Децентралізована мережа обчислювальної потужності на базі штучного інтелекту об'єднує вільні ресурси GPU з усього світу, надаючи AI-компаніям економічний та зручний доступ до ринку обчислювальної потужності. Замовники обчислювальної потужності можуть публікувати обчислювальні завдання в мережі, смарт-контракти розподіляють завдання між майнерами, які надають обчислювальну потужність, майнери виконують завдання та подають результати, які після перевірки винагороджуються балами. Ця схема підвищує ефективність використання ресурсів та допомагає вирішувати проблеми з обчислювальною потужністю в таких сферах, як AI.

Окрім загальних децентралізованих мереж обчислювальної потужності, існують платформи, які зосереджені на навчанні ШІ, а також спеціалізовані мережі обчислювальної потужності для інференцій ШІ.

Децентралізована мережа обчислювальної потужності забезпечує справедливий і прозорий ринок обчислювальної потужності, руйнуючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі Web3 децентралізована мережа обчислювальної потужності відіграватиме ключову роль, привертаючи більше інноваційних dapp до участі, спільно сприяючи розвитку та застосуванню технологій ШІ.

DePIN: Web3 надає можливості Edge AI

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

У сфері Web3 у нас є більш знайоме ім'я — DePIN. Web3 підкреслює децентралізацію та суверенітет користувацьких даних, DePIN, обробляючи дані локально, може посилити захист конфіденційності користувачів і зменшити ризик витоку даних; рідна токеноміка Web3 може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи сталою екосистему.

Наразі DePIN швидко розвивається в екосистемі певного блокчейну, ставши одним з основних платформ для розгортання проектів. Високий TPS, низькі комісії за транзакції та технологічні інновації цієї платформи надають потужну підтримку проектам DePIN. Наразі ринкова капіталізація проектів DePIN на цьому блокчейні перевищує 10 мільярдів доларів США, а деякі відомі проекти вже досягли значного прогресу.

IMO：AI-моделі публікація нової парадигми

Концепція IMO була вперше запропонована певним протоколом, який токенізує AI-моделі.

У традиційній моделі, через відсутність механізму розподілу доходів, як тільки модель ШІ розроблена і введена на ринок, розробникам часто важко отримувати постійний дохід від подальшого використання моделі, особливо коли модель інтегрується в інші продукти та послуги, оригінальним творцям важко відстежувати використання, не кажучи вже про отримання доходу. Крім того, ефективність та результати моделі ШІ часто не є прозорими, що ускладнює потенційним інвесторам та користувачам оцінити її справжню цінність, обмежуючи визнання моделі на ринку та її комерційний потенціал.

IMO надає новий спосіб фінансової підтримки та розподілу вартості для відкритих AI моделей, інвестори можуть купувати токени IMO та ділитися доходами, які генеруються моделлю в подальшому. Деякий протокол використовує два стандарти ERC, поєднуючи AI оракули та технологію OPML для забезпечення достовірності AI моделі та можливості токенодержателів ділитися доходами.

Модель IMO підвищила прозорість і довіру, заохочуючи відкриту співпрацю, адаптуючись до тенденцій крипторинку та надаючи імпульс сталому розвитку технологій ШІ. IMO наразі ще перебуває на початковій стадії спроб, але з підвищенням прийнятності на ринку та розширенням кола учасників її інноваційність та потенційна цінність заслуговують на нашу увагу.

AI Агент: нова ера взаємодії

AI Агент може сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідні дії для досягнення поставлених цілей. За підтримки великих мовних моделей AI Агент не лише може розуміти природну мову, а й планувати рішення, виконувати складні завдання. Вони можуть виступати в ролі віртуальних помічників, навчаючись уподобанням користувачів через взаємодію та пропонуючи персоналізовані рішення. Навіть без чітких інструкцій AI Агент може самостійно розв'язувати проблеми, підвищуючи ефективність та створюючи нову цінність.

Деяка платформа для створення додатків на основі штучного інтелекту пропонує повний та зручний набір інструментів для творчості, підтримуючи користувачів у конфігурації функцій, зовнішнього вигляду, звуку роботів, а також у з'єднанні з зовнішніми базами знань. Вона прагне створити справедливу та відкриту екосистему AI-контенту, використовуючи технології генеративного штучного інтелекту, надаючи можливості особам стати супер-творцями. Ця платформа навчила спеціалізовану велику мовну модель, щоб рольова гра стала більш людяною; технологія клонування голосу може прискорити персоналізовану взаємодію AI-продуктів, знизивши витрати на синтез голосу на 99%, а клонування голосу може бути завершено всього за 1 хвилину. За допомогою цієї платформи настроюваний AI Agent наразі може бути застосований в багатьох сферах, таких як відеочат, вивчення мов, генерація зображень тощо.

У злитті Web3 та AI наразі більше йдеться про дослідження інфраструктурного рівня: як отримати якісні дані, захистити конфіденційність даних, як розмістити моделі на блокчейні, як підвищити ефективність використання децентралізованих обчислювальних потужностей, як перевірити великі мовні моделі та інші ключові питання. З поступовим удосконаленням цієї інфраструктури ми маємо підстави вважати, що злиття Web3 та AI призведе до виникнення низки інноваційних бізнес-моделей та послуг.