Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.
Peluang Web3 di industri AI terutama terletak pada: memanfaatkan insentif terdistribusi untuk mengoordinasikan pasokan potensial ekor panjang ( melintasi data, penyimpanan, dan komputasi ); sambil membangun pasar terdesentralisasi untuk model sumber terbuka dan AI Agent.
AI di industri Web3 terutama diterapkan dalam keuangan on-chain ( pembayaran kripto, perdagangan, analisis data ) dan pengembangan bantuan.
Nilai AI+Web3 terletak pada saling melengkapi keduanya: Web3 diharapkan dapat mengatasi sentralisasi AI, dan AI diharapkan dapat membantu Web3 mengatasi batasan lapisan.
Pendahuluan
Dalam dua tahun terakhir, perkembangan AI menunjukkan percepatan, gelombang AI generatif yang dipicu oleh ChatGPT tidak hanya membuka dunia baru, tetapi juga mengguncang bidang Web3.
Dengan dukungan konsep AI, pendanaan pasar kripto menunjukkan pemulihan yang jelas. Menurut statistik, hanya pada paruh pertama tahun 2024, 64 proyek Web3+AI telah berhasil mendapatkan pendanaan, di mana Zyber365 mendapatkan pendanaan tertinggi sebesar 100 juta dolar AS pada putaran A.
Pasar sekunder semakin aktif, data dari Coingecko menunjukkan bahwa total kapitalisasi pasar di jalur AI telah mencapai 48,5 miliar USD, dengan volume perdagangan dalam 24 jam hampir 8,6 miliar USD; kemajuan teknologi AI utama memberikan keuntungan, seperti setelah OpenAI merilis Sora, rata-rata kenaikan sektor AI mencapai 151%; efek AI juga menjangkau sektor cryptocurrency yang populer, Meme, dengan MemeCoin pertama yang berkonsep AI Agent—GOAT dengan cepat menjadi terkenal, dengan valuasi mencapai 1,4 miliar USD, memicu gelombang Meme AI.
Penelitian dan topik terkait AI+Web3 terus meningkat, mulai dari AI+Depin hingga AI Memecoin dan saat ini AI Agent serta AI DAO, narasi baru bermunculan.
Kombinasi yang dipenuhi dengan uang panas, tren, dan imajinasi masa depan ini, tidak dapat dihindari dianggap sebagai pernikahan yang dipaksakan oleh modal, kita sulit untuk menilai apakah ini adalah pesta spekulan, atau ledakan sebelum fajar.
Kunci dari hal ini adalah, apakah kedua belah pihak dapat memperoleh manfaat dari pola satu sama lain? Artikel ini akan membahas bagaimana Web3 dapat berperan dalam berbagai aspek teknologi AI, serta peluang baru apa yang dapat dibawa AI untuk Web3.
Satu, Peluang Web3 di bawah Tumpukan AI
Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi model AI besar:
Secara sederhana, "model besar" mirip dengan otak manusia, pada tahap awal seperti bayi yang perlu mengamati dan menyerap informasi dalam jumlah besar untuk memahami dunia, ini adalah tahap "pengumpulan" data; karena komputer kekurangan multisensori manusia, informasi yang tidak diberi label perlu diubah menjadi format yang dapat dipahami komputer melalui "pra-pemrosesan" sebelum pelatihan.
Setelah memasukkan data, AI membangun model dengan kemampuan pemahaman dan prediksi melalui "pelatihan", mirip dengan proses bayi yang secara bertahap memahami dan belajar tentang dunia luar, parameter model seperti kemampuan bahasa bayi yang terus disesuaikan. Ketika konten pembelajaran dibagi menjadi disiplin ilmu atau mendapatkan umpan balik dari interaksi dengan orang lain untuk memperbaiki, masuk ke tahap "penyesuaian halus".
Setelah anak-anak tumbuh dan mulai berbicara, mereka dapat memahami dan mengekspresikan pemikiran dalam percakapan baru, mirip dengan "penalaran" pada model AI besar, yang dapat melakukan analisis prediktif terhadap input teks dalam bahasa baru. Bayi menggunakan bahasa untuk mengekspresikan perasaan, mendeskripsikan objek, dan memecahkan masalah, mirip dengan bagaimana model AI besar diterapkan pada berbagai tugas spesifik selama fase penalaran setelah selesai dilatih, seperti klasifikasi gambar, pengenalan suara, dan lain-lain.
AI Agent lebih dekat dengan bentuk berikutnya dari model besar—dapat secara mandiri melaksanakan tugas untuk mengejar tujuan kompleks, memiliki kemampuan berpikir, mengingat, dan merencanakan, serta dapat menggunakan alat untuk berinteraksi dengan dunia.
Untuk mengatasi berbagai titik nyeri di tumpukan AI, Web3 saat ini telah membentuk ekosistem interkoneksi multi-level yang mencakup semua tahap proses model AI.
1. Lapisan dasar: Airbnb untuk daya komputasi dan data
Kekuatan komputasi
Salah satu biaya utama AI adalah daya komputasi dan energi yang diperlukan untuk pelatihan dan inferensi model.
Misalnya, LLAMA3 milik Meta memerlukan 16000 NVIDIA H100GPU selama 30 hari untuk menyelesaikan pelatihan. Versi 80GB memiliki harga satuan 30-40 ribu dolar AS, memerlukan investasi perangkat keras sebesar 400-700 juta dolar AS (GPU+chip jaringan ), dengan konsumsi listrik pelatihan bulanan sebesar 1,6 miliar kilowatt jam, dan pengeluaran energi mendekati 20 juta dolar AS.
Menanggapi tekanan daya komputasi AI, DePin( jaringan infrastruktur fisik terdesentralisasi) adalah salah satu bidang pertama yang bersinggungan antara Web3 dan AI. DePin Ninja telah mencantumkan lebih dari 1400 proyek, dengan berbagi daya GPU seperti io.net, Aethir, Akash, Render Network, dan lainnya.
Logika utamanya adalah: platform memungkinkan pemilik sumber daya GPU yang tidak terpakai untuk menyumbangkan daya komputasi secara terdesentralisasi tanpa izin, melalui pasar online seperti Uber/Airbnb antara pembeli dan penjual, meningkatkan pemanfaatan GPU, pengguna mendapatkan sumber daya komputasi yang efisien dan biaya rendah; sementara mekanisme staking memastikan bahwa pelanggaran kontrol kualitas atau gangguan jaringan akan dikenakan sanksi.
Ciri-ciri:
Mengumpulkan GPU yang tidak terpakai: Pasokan terutama berasal dari pusat data kecil dan menengah, kelebihan daya dari pertambangan kripto, perangkat keras penambangan PoS seperti mesin tambang FileCoin/ETH. Proyek seperti exolab bertujuan untuk memanfaatkan perangkat lokal seperti MacBook, iPhone, iPad untuk membangun jaringan komputasi untuk menjalankan inferensi model besar.
Menghadapi pasar tail panjang kekuatan komputasi AI:
Sisi teknis lebih cocok untuk langkah inferensi. Pelatihan bergantung pada kluster GPU besar, sedangkan inferensi memiliki persyaratan GPU yang lebih rendah, seperti Aethir yang fokus pada rendering latensi rendah dan inferensi AI.
Pihak permintaan dengan kekuatan komputasi kecil tidak akan melatih model besar secara terpisah, melainkan akan fokus pada pengoptimalan dan penyempurnaan model utama, yang cocok untuk kekuatan komputasi yang tidak terpakai secara terdistribusi.
Kepemilikan terdesentralisasi: Teknologi blockchain memastikan pemilik sumber daya mempertahankan kendali, menyesuaikan secara fleksibel, dan mendapatkan keuntungan.
Data
Data adalah dasar AI. Tanpa data, perhitungan tidak ada artinya, kualitas data menentukan kualitas output model. Untuk pelatihan model AI, data menentukan kemampuan berbahasa, kemampuan pemahaman, nilai-nilai, dan penampilan manusiawi. Saat ini, tantangan utama kebutuhan data AI adalah:
Ketidakpuasan Data: Pelatihan model AI memerlukan data dalam jumlah besar. Jumlah parameter GPT-4 mencapai triliunan.
Kualitas Data: AI yang berintegrasi dengan berbagai industri mengajukan tuntutan baru terhadap ketepatan waktu data, keragaman, profesionalisme, dan sumber data baru seperti emosi media sosial.
Kepatuhan privasi: Perusahaan di berbagai negara secara bertahap membatasi pengambilan data set.
Biaya pemrosesan tinggi: Volume data besar, pemrosesan kompleks. Lebih dari 30% biaya penelitian dan pengembangan perusahaan AI digunakan untuk pengumpulan dan pemrosesan data.
Solusi Web3:
1.Pengumpulan data: Pengambilan data dunia nyata secara gratis semakin menipis, pengeluaran data perusahaan AI meningkat setiap tahun, tetapi tidak memberikan imbalan kepada kontributor yang sebenarnya. Visi Web3 adalah untuk memungkinkan pengguna yang berkontribusi terlibat dalam penciptaan nilai, melalui insentif jaringan terdistribusi untuk mendapatkan data yang lebih pribadi dan berharga dengan biaya rendah.
Grass: jaringan lapisan data terdesentralisasi, pengguna menjalankan node untuk berkontribusi bandwidth menangkap data waktu nyata dan mendapatkan hadiah token.
Vana: Memperkenalkan konsep kolam likuiditas data (DLP), pengguna dapat mengunggah data pribadi dan memilih untuk memberikan izin kepada pihak ketiga untuk menggunakannya.
PublicAI: Pengguna menggunakan #AI或# label Web3 di X dan @PublicAI untuk mengumpulkan data.
Pra-pemrosesan Data: Pemrosesan data AI perlu dibersihkan dan diubah menjadi format yang dapat digunakan, melibatkan standarisasi, penyaringan, penanganan nilai yang hilang, dan tugas berulang lainnya. Tahap manual ini melahirkan industri pelabelan data, seiring meningkatnya permintaan, ambang batas meningkat, cocok untuk mekanisme insentif terdesentralisasi Web3.
Grass dan OpenLayer mempertimbangkan untuk menambahkan tahap penandaan data.
Synesis mengusulkan konsep "Train2earn", menekankan kualitas data, pengguna memberikan data berlabel untuk mendapatkan imbalan.
Sapien akan memgamifikasi tugas, pengguna mempertaruhkan poin untuk mendapatkan lebih banyak poin.
Keamanan Privasi Data: Privasi data melibatkan pemrosesan data sensitif, perlindungan informasi keamanan data dari akses, kerusakan, atau pencurian yang tidak sah. Keunggulan teknologi privasi Web3 terletak pada: (1) pelatihan data sensitif; (2) kolaborasi data: banyak pemilik data yang berpartisipasi bersama dalam pelatihan AI tanpa perlu berbagi data mentah.
Teknologi privasi utama:
Lingkungan Eksekusi Tepercaya(TEE), seperti Protokol Super.
Teknologi zero-knowledge ( zk ), seperti Reclaim Protocol yang menggunakan zkTLS untuk menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, mengamankan pengimporan data dari situs web eksternal.
Saat ini berada di tahap awal, tantangan utama adalah biaya komputasi yang tinggi:
EZKL memerlukan 80 menit untuk menghasilkan 1M-nanoGPT model bukti.
Biaya zkML lebih dari 1000 kali lebih tinggi daripada perhitungan murni.
Penyimpanan Data: Data dan LLM yang dihasilkan perlu disimpan di blockchain. Ketersediaan data (DA) adalah masalah inti, sebelum peningkatan Danksharding Ethereum, throughput adalah 0,08MB, sementara pelatihan inferensi model AI biasanya memerlukan 50-100GB per detik.
0g.AI adalah solusi penyimpanan terpusat yang dirancang untuk kebutuhan AI, dengan fitur: skalabilitas kinerja tinggi, mendukung pengunggahan dan pengunduhan cepat dataset besar melalui pemotongan dan kode penghapusan, kecepatan transmisi mendekati 5GB per detik.
2.Perangkat Lunak: Pelatihan dan Inferensi Model
Pasar terdesentralisasi model sumber terbuka
Kontroversi tentang model AI open source berlanjut. Open source membawa inovasi kolektif sebagai keuntungan, tetapi bagaimana cara meningkatkan motivasi pengembang tanpa model keuntungan? Li Yanhong pernah menyatakan "model open source akan semakin tertinggal."
Web3 mengusulkan kemungkinan pasar model sumber terbuka yang terdesentralisasi: untuk tokenisasi model, tim menyimpan sebagian token, dan mengalihkan sebagian pendapatan masa depan kepada pemegang token.
Bittensor membangun pasar P2P model sumber terbuka, terdiri dari beberapa "sub-jaringan", penyedia sumber daya bersaing untuk memenuhi tujuan sub-jaringan, dan setiap sub-jaringan belajar secara interaktif untuk mencapai kecerdasan yang lebih kuat. Hadiah didistribusikan melalui pemungutan suara komunitas, berdasarkan kinerja dalam sub-jaringan.
ORA memperkenalkan konsep penerbitan model awal (IMO), memtokenisasi model AI, yang dapat dibeli, dijual, dan dikembangkan melalui jaringan terdesentralisasi.
Sentient platform AGI terdesentralisasi, mendorong kolaborasi untuk membangun model AI yang dapat direplikasi dan memperluas serta menghargai kontributor.
Spectral Nova berfokus pada pembuatan aplikasi model AI dan ML.
Penalaran yang Dapat Diverifikasi
Untuk masalah "kotak hitam" inferensi AI, solusi standar Web3 adalah membandingkan hasil operasi berulang dengan banyak validator, tetapi kekurangan GPU kelas atas menyebabkan biaya yang tinggi.
Solusi yang lebih menjanjikan adalah melakukan bukti ZK pada komputasi inferensi AI off-chain, untuk memverifikasi komputasi model AI di on-chain. Harus ada bukti terenkripsi di on-chain bahwa komputasi off-chain telah selesai dengan benar ( jika dataset tidak dimanipulasi ), sambil memastikan kerahasiaan data.
Keuntungan utama:
Skalabilitas: Bukti ZK dapat dengan cepat mengonfirmasi sejumlah besar perhitungan off-chain. Bahkan ketika transaksi meningkat, satu bukti ZK dapat memverifikasi semua transaksi.
Perlindungan privasi: Rincian data dan model AI dirahasiakan, sementara semua pihak dapat memverifikasi bahwa tidak ada yang telah dirusak.
Tanpa kepercayaan: Tidak perlu bergantung pada pihak terpusat untuk memverifikasi perhitungan.
Integrasi Web2: Web2 pada dasarnya adalah integrasi off-chain, inferensi yang dapat diverifikasi dapat membantu membawa dataset dan komputasi AI ke on-chain, meningkatkan tingkat adopsi Web3.
Teknologi inferensi yang dapat diverifikasi Web3 saat ini:
zkML: Menggabungkan bukti nol-pengetahuan dan pembelajaran mesin, memastikan privasi model data, memungkinkan perhitungan yang dapat diverifikasi tanpa mengungkapkan atribut dasar. Modulus Labs meluncurkan ZK prover yang dibangun AI berdasarkan ZKML, memeriksa apakah penyedia AI menjalankan algoritme dengan benar, saat ini pelanggan utamanya adalah DApp di blockchain.
opML: Menggunakan prinsip agregasi optimis, meningkatkan efisiensi skalabilitas perhitungan ML dengan memverifikasi waktu terjadinya sengketa. Hanya perlu memverifikasi sebagian kecil hasil "validator", tetapi menetapkan hukuman biaya ekonomi yang tinggi untuk meningkatkan biaya kecurangan dan menghemat perhitungan redundan.
TeeML: menggunakan lingkungan eksekusi tepercaya untuk menjalankan perhitungan ML dengan aman, melindungi model data dari modifikasi dan akses tidak sah.
3. Lapisan Aplikasi: AI Agent
Fokus perkembangan AI beralih dari kemampuan model ke AI Agent. OpenAI, Anthropic, dan Microsoft semuanya mengembangkan AI Agent, berusaha untuk melampaui periode platform teknologi LLM.
OpenAI mendefinisikan AI Agent sebagai: sistem yang didorong oleh LLM sebagai otak, memiliki kemampuan pemahaman mandiri, persepsi, perencanaan, memori, dan penggunaan alat, serta dapat secara otomatis melaksanakan tugas kompleks. AI berubah dari alat yang digunakan menjadi subjek yang dapat menggunakan alat, menjadi asisten cerdas yang ideal.
Web3 dapat membawa bagi Agent:
Desentralisasi
Karakteristik desentralisasi Web3 membuat sistem Agent lebih terdesentralisasi dan otonom, dengan membangun mekanisme insentif dan hukuman untuk pemangku kepentingan dan delegator melalui mekanisme seperti PoS dan DPoS, yang mempromosikan demokratisasi sistem Agent. GaiaNet, Theoriq, dan HajimeAI semuanya telah melakukan percobaan.
Cold Start
Pengembangan dan iterasi AI Agent memerlukan banyak dana, Web3 dapat membantu proyek-proyek potensial mendapatkan pembiayaan awal untuk memulai.
Virtual Protocol meluncurkan platform penerbitan token AI Agent fun.virtuals, pengguna dapat mengimplementasikan AI Agent dengan satu klik, mencapai penerbitan token secara 100% adil.
Spectral mengusulkan konsep produk aset AI Agent yang diterbitkan di blockchain: melalui IAO(Initial Agent Offering) untuk menerbitkan token, AI Agent secara langsung mendapatkan dana investasi, menjadi anggota pemerintahan DAO, dan memberikan kesempatan kepada investor untuk berpartisipasi dalam pengembangan proyek dan berbagi keuntungan.
Dua, bagaimana AI memberdayakan Web3
AI memiliki dampak signifikan pada proyek Web3, dengan mengoptimalkan operasi on-chain ( seperti eksekusi kontrak pintar, likuiditas yang lebih baik.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
15 Suka
Hadiah
15
6
Posting ulang
Bagikan
Komentar
0/400
MEVHunterX
· 4jam yang lalu
Melampaui batasan lapisan agak sulit. Lihat turun.
Lihat AsliBalas0
HodlKumamon
· 4jam yang lalu
Melihat datanya, gelombang ini dari Double City memiliki tingkat pengembalian sebesar 73,5% loh, si Beruang sudah mulai Investasi Otomatis ya~
Lihat AsliBalas0
MemeCoinSavant
· 4jam yang lalu
ngl fam... saya melakukan regresi statistik pada hype ai+web3 (n=420) dan itu terlihat secara statistik degen af
Lihat AsliBalas0
GasFeeVictim
· 4jam yang lalu
Suckers akan melakukan revolusi!
Lihat AsliBalas0
staking_gramps
· 4jam yang lalu
play people for suckers selama setahun, masih ada yang tidak dimengerti
Lihat AsliBalas0
LongTermDreamer
· 4jam yang lalu
Uang sudah hilang, ngapain lagi melihat ai, lihat lagi setelah tiga tahun, kali ini benar-benar terasa berbeda.
Integrasi AI dan Web3: Inovasi dan Peluang dari Infrastruktur hingga Layer Aplikasi
AI+Web3: Menara dan Alun-Alun
Poin Utama
Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.
Peluang Web3 di industri AI terutama terletak pada: memanfaatkan insentif terdistribusi untuk mengoordinasikan pasokan potensial ekor panjang ( melintasi data, penyimpanan, dan komputasi ); sambil membangun pasar terdesentralisasi untuk model sumber terbuka dan AI Agent.
AI di industri Web3 terutama diterapkan dalam keuangan on-chain ( pembayaran kripto, perdagangan, analisis data ) dan pengembangan bantuan.
Nilai AI+Web3 terletak pada saling melengkapi keduanya: Web3 diharapkan dapat mengatasi sentralisasi AI, dan AI diharapkan dapat membantu Web3 mengatasi batasan lapisan.
Pendahuluan
Dalam dua tahun terakhir, perkembangan AI menunjukkan percepatan, gelombang AI generatif yang dipicu oleh ChatGPT tidak hanya membuka dunia baru, tetapi juga mengguncang bidang Web3.
Dengan dukungan konsep AI, pendanaan pasar kripto menunjukkan pemulihan yang jelas. Menurut statistik, hanya pada paruh pertama tahun 2024, 64 proyek Web3+AI telah berhasil mendapatkan pendanaan, di mana Zyber365 mendapatkan pendanaan tertinggi sebesar 100 juta dolar AS pada putaran A.
Pasar sekunder semakin aktif, data dari Coingecko menunjukkan bahwa total kapitalisasi pasar di jalur AI telah mencapai 48,5 miliar USD, dengan volume perdagangan dalam 24 jam hampir 8,6 miliar USD; kemajuan teknologi AI utama memberikan keuntungan, seperti setelah OpenAI merilis Sora, rata-rata kenaikan sektor AI mencapai 151%; efek AI juga menjangkau sektor cryptocurrency yang populer, Meme, dengan MemeCoin pertama yang berkonsep AI Agent—GOAT dengan cepat menjadi terkenal, dengan valuasi mencapai 1,4 miliar USD, memicu gelombang Meme AI.
Penelitian dan topik terkait AI+Web3 terus meningkat, mulai dari AI+Depin hingga AI Memecoin dan saat ini AI Agent serta AI DAO, narasi baru bermunculan.
Kombinasi yang dipenuhi dengan uang panas, tren, dan imajinasi masa depan ini, tidak dapat dihindari dianggap sebagai pernikahan yang dipaksakan oleh modal, kita sulit untuk menilai apakah ini adalah pesta spekulan, atau ledakan sebelum fajar.
Kunci dari hal ini adalah, apakah kedua belah pihak dapat memperoleh manfaat dari pola satu sama lain? Artikel ini akan membahas bagaimana Web3 dapat berperan dalam berbagai aspek teknologi AI, serta peluang baru apa yang dapat dibawa AI untuk Web3.
Satu, Peluang Web3 di bawah Tumpukan AI
Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi model AI besar:
Secara sederhana, "model besar" mirip dengan otak manusia, pada tahap awal seperti bayi yang perlu mengamati dan menyerap informasi dalam jumlah besar untuk memahami dunia, ini adalah tahap "pengumpulan" data; karena komputer kekurangan multisensori manusia, informasi yang tidak diberi label perlu diubah menjadi format yang dapat dipahami komputer melalui "pra-pemrosesan" sebelum pelatihan.
Setelah memasukkan data, AI membangun model dengan kemampuan pemahaman dan prediksi melalui "pelatihan", mirip dengan proses bayi yang secara bertahap memahami dan belajar tentang dunia luar, parameter model seperti kemampuan bahasa bayi yang terus disesuaikan. Ketika konten pembelajaran dibagi menjadi disiplin ilmu atau mendapatkan umpan balik dari interaksi dengan orang lain untuk memperbaiki, masuk ke tahap "penyesuaian halus".
Setelah anak-anak tumbuh dan mulai berbicara, mereka dapat memahami dan mengekspresikan pemikiran dalam percakapan baru, mirip dengan "penalaran" pada model AI besar, yang dapat melakukan analisis prediktif terhadap input teks dalam bahasa baru. Bayi menggunakan bahasa untuk mengekspresikan perasaan, mendeskripsikan objek, dan memecahkan masalah, mirip dengan bagaimana model AI besar diterapkan pada berbagai tugas spesifik selama fase penalaran setelah selesai dilatih, seperti klasifikasi gambar, pengenalan suara, dan lain-lain.
AI Agent lebih dekat dengan bentuk berikutnya dari model besar—dapat secara mandiri melaksanakan tugas untuk mengejar tujuan kompleks, memiliki kemampuan berpikir, mengingat, dan merencanakan, serta dapat menggunakan alat untuk berinteraksi dengan dunia.
Untuk mengatasi berbagai titik nyeri di tumpukan AI, Web3 saat ini telah membentuk ekosistem interkoneksi multi-level yang mencakup semua tahap proses model AI.
1. Lapisan dasar: Airbnb untuk daya komputasi dan data
Kekuatan komputasi
Salah satu biaya utama AI adalah daya komputasi dan energi yang diperlukan untuk pelatihan dan inferensi model.
Misalnya, LLAMA3 milik Meta memerlukan 16000 NVIDIA H100GPU selama 30 hari untuk menyelesaikan pelatihan. Versi 80GB memiliki harga satuan 30-40 ribu dolar AS, memerlukan investasi perangkat keras sebesar 400-700 juta dolar AS (GPU+chip jaringan ), dengan konsumsi listrik pelatihan bulanan sebesar 1,6 miliar kilowatt jam, dan pengeluaran energi mendekati 20 juta dolar AS.
Menanggapi tekanan daya komputasi AI, DePin( jaringan infrastruktur fisik terdesentralisasi) adalah salah satu bidang pertama yang bersinggungan antara Web3 dan AI. DePin Ninja telah mencantumkan lebih dari 1400 proyek, dengan berbagi daya GPU seperti io.net, Aethir, Akash, Render Network, dan lainnya.
Logika utamanya adalah: platform memungkinkan pemilik sumber daya GPU yang tidak terpakai untuk menyumbangkan daya komputasi secara terdesentralisasi tanpa izin, melalui pasar online seperti Uber/Airbnb antara pembeli dan penjual, meningkatkan pemanfaatan GPU, pengguna mendapatkan sumber daya komputasi yang efisien dan biaya rendah; sementara mekanisme staking memastikan bahwa pelanggaran kontrol kualitas atau gangguan jaringan akan dikenakan sanksi.
Ciri-ciri:
Mengumpulkan GPU yang tidak terpakai: Pasokan terutama berasal dari pusat data kecil dan menengah, kelebihan daya dari pertambangan kripto, perangkat keras penambangan PoS seperti mesin tambang FileCoin/ETH. Proyek seperti exolab bertujuan untuk memanfaatkan perangkat lokal seperti MacBook, iPhone, iPad untuk membangun jaringan komputasi untuk menjalankan inferensi model besar.
Menghadapi pasar tail panjang kekuatan komputasi AI: Sisi teknis lebih cocok untuk langkah inferensi. Pelatihan bergantung pada kluster GPU besar, sedangkan inferensi memiliki persyaratan GPU yang lebih rendah, seperti Aethir yang fokus pada rendering latensi rendah dan inferensi AI. Pihak permintaan dengan kekuatan komputasi kecil tidak akan melatih model besar secara terpisah, melainkan akan fokus pada pengoptimalan dan penyempurnaan model utama, yang cocok untuk kekuatan komputasi yang tidak terpakai secara terdistribusi.
Kepemilikan terdesentralisasi: Teknologi blockchain memastikan pemilik sumber daya mempertahankan kendali, menyesuaikan secara fleksibel, dan mendapatkan keuntungan.
Data
Data adalah dasar AI. Tanpa data, perhitungan tidak ada artinya, kualitas data menentukan kualitas output model. Untuk pelatihan model AI, data menentukan kemampuan berbahasa, kemampuan pemahaman, nilai-nilai, dan penampilan manusiawi. Saat ini, tantangan utama kebutuhan data AI adalah:
Ketidakpuasan Data: Pelatihan model AI memerlukan data dalam jumlah besar. Jumlah parameter GPT-4 mencapai triliunan.
Kualitas Data: AI yang berintegrasi dengan berbagai industri mengajukan tuntutan baru terhadap ketepatan waktu data, keragaman, profesionalisme, dan sumber data baru seperti emosi media sosial.
Kepatuhan privasi: Perusahaan di berbagai negara secara bertahap membatasi pengambilan data set.
Biaya pemrosesan tinggi: Volume data besar, pemrosesan kompleks. Lebih dari 30% biaya penelitian dan pengembangan perusahaan AI digunakan untuk pengumpulan dan pemrosesan data.
Solusi Web3:
1.Pengumpulan data: Pengambilan data dunia nyata secara gratis semakin menipis, pengeluaran data perusahaan AI meningkat setiap tahun, tetapi tidak memberikan imbalan kepada kontributor yang sebenarnya. Visi Web3 adalah untuk memungkinkan pengguna yang berkontribusi terlibat dalam penciptaan nilai, melalui insentif jaringan terdistribusi untuk mendapatkan data yang lebih pribadi dan berharga dengan biaya rendah.
Grass: jaringan lapisan data terdesentralisasi, pengguna menjalankan node untuk berkontribusi bandwidth menangkap data waktu nyata dan mendapatkan hadiah token.
Vana: Memperkenalkan konsep kolam likuiditas data (DLP), pengguna dapat mengunggah data pribadi dan memilih untuk memberikan izin kepada pihak ketiga untuk menggunakannya.
PublicAI: Pengguna menggunakan #AI或# label Web3 di X dan @PublicAI untuk mengumpulkan data.
Grass dan OpenLayer mempertimbangkan untuk menambahkan tahap penandaan data.
Synesis mengusulkan konsep "Train2earn", menekankan kualitas data, pengguna memberikan data berlabel untuk mendapatkan imbalan.
Sapien akan memgamifikasi tugas, pengguna mempertaruhkan poin untuk mendapatkan lebih banyak poin.
Teknologi privasi utama:
Lingkungan Eksekusi Tepercaya(TEE), seperti Protokol Super.
Enkripsi homomorfik sepenuhnya ( FHE ), seperti BasedAI, Fhenix.io, Inco Network.
Teknologi zero-knowledge ( zk ), seperti Reclaim Protocol yang menggunakan zkTLS untuk menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, mengamankan pengimporan data dari situs web eksternal.
Saat ini berada di tahap awal, tantangan utama adalah biaya komputasi yang tinggi:
EZKL memerlukan 80 menit untuk menghasilkan 1M-nanoGPT model bukti.
Biaya zkML lebih dari 1000 kali lebih tinggi daripada perhitungan murni.
2.Perangkat Lunak: Pelatihan dan Inferensi Model
Pasar terdesentralisasi model sumber terbuka
Kontroversi tentang model AI open source berlanjut. Open source membawa inovasi kolektif sebagai keuntungan, tetapi bagaimana cara meningkatkan motivasi pengembang tanpa model keuntungan? Li Yanhong pernah menyatakan "model open source akan semakin tertinggal."
Web3 mengusulkan kemungkinan pasar model sumber terbuka yang terdesentralisasi: untuk tokenisasi model, tim menyimpan sebagian token, dan mengalihkan sebagian pendapatan masa depan kepada pemegang token.
Bittensor membangun pasar P2P model sumber terbuka, terdiri dari beberapa "sub-jaringan", penyedia sumber daya bersaing untuk memenuhi tujuan sub-jaringan, dan setiap sub-jaringan belajar secara interaktif untuk mencapai kecerdasan yang lebih kuat. Hadiah didistribusikan melalui pemungutan suara komunitas, berdasarkan kinerja dalam sub-jaringan.
ORA memperkenalkan konsep penerbitan model awal (IMO), memtokenisasi model AI, yang dapat dibeli, dijual, dan dikembangkan melalui jaringan terdesentralisasi.
Sentient platform AGI terdesentralisasi, mendorong kolaborasi untuk membangun model AI yang dapat direplikasi dan memperluas serta menghargai kontributor.
Spectral Nova berfokus pada pembuatan aplikasi model AI dan ML.
Penalaran yang Dapat Diverifikasi
Untuk masalah "kotak hitam" inferensi AI, solusi standar Web3 adalah membandingkan hasil operasi berulang dengan banyak validator, tetapi kekurangan GPU kelas atas menyebabkan biaya yang tinggi.
Solusi yang lebih menjanjikan adalah melakukan bukti ZK pada komputasi inferensi AI off-chain, untuk memverifikasi komputasi model AI di on-chain. Harus ada bukti terenkripsi di on-chain bahwa komputasi off-chain telah selesai dengan benar ( jika dataset tidak dimanipulasi ), sambil memastikan kerahasiaan data.
Keuntungan utama:
Skalabilitas: Bukti ZK dapat dengan cepat mengonfirmasi sejumlah besar perhitungan off-chain. Bahkan ketika transaksi meningkat, satu bukti ZK dapat memverifikasi semua transaksi.
Perlindungan privasi: Rincian data dan model AI dirahasiakan, sementara semua pihak dapat memverifikasi bahwa tidak ada yang telah dirusak.
Tanpa kepercayaan: Tidak perlu bergantung pada pihak terpusat untuk memverifikasi perhitungan.
Integrasi Web2: Web2 pada dasarnya adalah integrasi off-chain, inferensi yang dapat diverifikasi dapat membantu membawa dataset dan komputasi AI ke on-chain, meningkatkan tingkat adopsi Web3.
Teknologi inferensi yang dapat diverifikasi Web3 saat ini:
zkML: Menggabungkan bukti nol-pengetahuan dan pembelajaran mesin, memastikan privasi model data, memungkinkan perhitungan yang dapat diverifikasi tanpa mengungkapkan atribut dasar. Modulus Labs meluncurkan ZK prover yang dibangun AI berdasarkan ZKML, memeriksa apakah penyedia AI menjalankan algoritme dengan benar, saat ini pelanggan utamanya adalah DApp di blockchain.
opML: Menggunakan prinsip agregasi optimis, meningkatkan efisiensi skalabilitas perhitungan ML dengan memverifikasi waktu terjadinya sengketa. Hanya perlu memverifikasi sebagian kecil hasil "validator", tetapi menetapkan hukuman biaya ekonomi yang tinggi untuk meningkatkan biaya kecurangan dan menghemat perhitungan redundan.
TeeML: menggunakan lingkungan eksekusi tepercaya untuk menjalankan perhitungan ML dengan aman, melindungi model data dari modifikasi dan akses tidak sah.
3. Lapisan Aplikasi: AI Agent
Fokus perkembangan AI beralih dari kemampuan model ke AI Agent. OpenAI, Anthropic, dan Microsoft semuanya mengembangkan AI Agent, berusaha untuk melampaui periode platform teknologi LLM.
OpenAI mendefinisikan AI Agent sebagai: sistem yang didorong oleh LLM sebagai otak, memiliki kemampuan pemahaman mandiri, persepsi, perencanaan, memori, dan penggunaan alat, serta dapat secara otomatis melaksanakan tugas kompleks. AI berubah dari alat yang digunakan menjadi subjek yang dapat menggunakan alat, menjadi asisten cerdas yang ideal.
Web3 dapat membawa bagi Agent:
Desentralisasi
Karakteristik desentralisasi Web3 membuat sistem Agent lebih terdesentralisasi dan otonom, dengan membangun mekanisme insentif dan hukuman untuk pemangku kepentingan dan delegator melalui mekanisme seperti PoS dan DPoS, yang mempromosikan demokratisasi sistem Agent. GaiaNet, Theoriq, dan HajimeAI semuanya telah melakukan percobaan.
Cold Start
Pengembangan dan iterasi AI Agent memerlukan banyak dana, Web3 dapat membantu proyek-proyek potensial mendapatkan pembiayaan awal untuk memulai.
Virtual Protocol meluncurkan platform penerbitan token AI Agent fun.virtuals, pengguna dapat mengimplementasikan AI Agent dengan satu klik, mencapai penerbitan token secara 100% adil.
Spectral mengusulkan konsep produk aset AI Agent yang diterbitkan di blockchain: melalui IAO(Initial Agent Offering) untuk menerbitkan token, AI Agent secara langsung mendapatkan dana investasi, menjadi anggota pemerintahan DAO, dan memberikan kesempatan kepada investor untuk berpartisipasi dalam pengembangan proyek dan berbagi keuntungan.
Dua, bagaimana AI memberdayakan Web3
AI memiliki dampak signifikan pada proyek Web3, dengan mengoptimalkan operasi on-chain ( seperti eksekusi kontrak pintar, likuiditas yang lebih baik.