Передмова

За останній рік поява великих генеративних моделей штучного інтелекту, таких як ChatGPT, вивела штучний інтелект за межі базових інструментів автоматизації до складних систем прийняття рішень і прогнозування, зарекомендувавши себе як ключову силу, що сприяє суспільному прогресу. Ця еволюція призвела до сплеску продуктів і додатків штучного інтелекту, коли ChatGPT представив такі відомі продукти, як GPT і Sora. NVIDIA, ключовий гравець в інфраструктурі штучного інтелекту, незмінно перевершує очікування: у четвертому кварталі 2024 фінансового року її бізнес центрів обробки даних забезпечив понад 83% доходу, що ознаменувало значне зростання на 409%. Примітно, що 40% цього доходу було пов'язано зі сценаріями висновування великих моделей, що підкреслює зростаючий попит на надійну інфраструктуру обчислювальної потужності.

На сьогоднішній день штучний інтелект здобув значну увагу від європейських та американських капіталістичних колах, тоді як ринок Web3 переживає відродження в биковому ринку. Злиття штучного інтелекту та Web3 представляє собою перетин двох дуже популярних технічних тенденцій. Недавнє появу проектів, спрямованих на цю тему, підкреслює великий інтерес ринку та високі очікування щодо цього злиття.

Залишивши осторону шумиху та цінові бульбашки, який зараз стан розвитку галузі штучного інтелекту + вебу? Чи існують конкретні сценарії застосування? Прогнозуючи в майбутнє, чи можемо ми генерувати цінність, встановлювати наратив та формувати галузь? Яким буде розвиток галузі штучного інтелекту + вебу3 у плані екологічних моделей, і які потенційні напрями випереду?

Future3 Campus розгляне ці теми через серію статей, розбираючи кожен аспект ланцюжка промисловості AI+Web3. Цей вступний матеріал надасть огляд ландшафту промисловості та наративної структури AI+Web3.

Процес виробництва робіт штучного інтелекту

У суті інтеграція AI + Web3 розгортається у двох ключових вимірах. По-перше, роль Web3 у розвитку штучного інтелекту, а по-друге, поєднання додатків Web3 з технологією штучного інтелекту. Наразі головний акцент робиться на нарощуванні потужностей штучного інтелекту за допомогою технології та концепцій Web3 в різних проектах. Таким чином, аналіз може заглибитися в інтеграцію штучного інтелекту з Web3, охоплюючи від навчання моделей до виробництва. Поява LLM вносить деякі відмінності від традиційних процесів машинного навчання, проте спрощений процес виробництва штучного інтелекту зазвичай охоплює наступні етапи:

1 збір даних

Дані служать куточним каменем протягом життєвого циклу навчання моделі штучного інтелекту, що потребує високоякісних наборів даних для дослідницького аналізу даних (EDA) для створення відтворюваних, редагованих та спільно використовуваних наборів даних, таблиць та візуалізацій.

2 Передобробка даних та інженерія ознак/підказка

Після отримання даних передобробка є надзвичайно важливою, включаючи інженерію ознак в машинному навчанні та швидку інженерію великих моделей. Це передбачає ітеративну класифікацію, агрегацію та видалення дублікатів для ідентифікації складних ознак, нарівні з ітеративним розробленням запитів для структурованих запитів в LLM. Більше того, забезпечення надійного зберігання та обміну ознаками / запитами є невід'ємним.

3 Навчання та налаштування моделі

Використання різноманітної бібліотеки моделей для навчання AI моделей, покращення продуктивності, ефективності та точності за допомогою постійних ітерацій та коригувань. Зокрема, у LLM постійне налаштування моделі досягається за допомогою підсиленого навчання зворотним зв'язком від людини (RLHF).

4 Перегляд моделі та управління

Використання платформи MLOps/LLMOps для оптимізації процесів розробки моделей, що охоплюють виявлення, відстеження, обмін і співпрацю. Це забезпечує якість та прозорість моделі, дотримуючись етичних та стандартів відповідності.

5 Модель міркувань

Розгортання навчених моделей штучного інтелекту для здійснення прогнозів на нових, невидимих даних шляхом використання вивчених параметрів для обробки вхідних даних та генерації прогностичних результатів, таких як класифікація або регресійні прогнози.

6 Модель впровадження та моніторингу

Після перевірки продуктивності відповідно до встановлених стандартів, розгортання моделі в реальні застосування та впровадження постійного моніторингу та технічного обслуговування для підтримки оптимальної продуктивності в умовах постійно змінюючихся середовищ.

Протягом цього процесу існує безліч можливостей для інтеграції технологій Web3. На сьогоднішній день виклики в розвитку штучного інтелекту, такі як прозорість моделі, упередженість та етичне застосування, здобули широку увагу. У цьому контексті поєднання технології Web3 з криптографічними рішеннями, такими як ZK, може підвищити довіру до систем штучного інтелекту. Крім того, зростаючий попит на застосунки штучного інтелекту підкреслює потребу в ефективних за вартістю та відкритих інфраструктурах та мережах даних. Розподілена мережа та моделі стимулювання Web3 можуть сприяти більш відкритим мережам та спільнотам штучного інтелекту з відкритим кодом.

Штучний інтелект + веб3 промисловий ландшафт та наративна логіка

Інтегруючи процес виробництва штучного інтелекту, описаний вище, з інтеграцією ШІ з Web3 та розглядаючи поширені проекти ШІ+Web3 на поточному ринку, ми виокремили ландшафт галузі ШІ+Web3. Цей ланцюжок галузі може бути розділений на три рівні: інфраструктурний рівень, середній рівень і рівень застосування.

1. Інфраструктурний шар

Інфраструктурний рівень в основному охоплює обчислювальну та зберігальну інфраструктуру, необхідну для всього робочого процесу та виробничого процесу ШІ. Він сприяє обчислювальній потужності, необхідній для навчання моделей ШІ, виведення та зберігання даних протягом усього життєвого циклу.

Швидке зростання застосувань штучного інтелекту спричинило вибух попиту на інфраструктуру, зокрема на високопродуктивні обчислювальні можливості. Таким чином, передбачається, що надання покращеної продуктивності, вартісно-ефективності та надійної інфраструктури обчислювання та зберігання стане ключовим трендом на ранніх етапах розвитку штучного інтелекту, захопивши понад 50% вартості ланцюга промисловості.

Технологія Web3 має потенціал створити децентралізовану мережу обчислювальних та сховищних ресурсів, використовуючи прострочені та розсіяні ресурси для суттєвого зменшення витрат на інфраструктуру та задоволення широкого спектру вимог застосування штучного інтелекту. В результаті децентралізована інфраструктура штучного інтелекту стоїть як визначальна наративна лінія.

Важливі проекти в цій галузі включають Render Network, що акцентує на послугах рендерингу, та Akash та Gensyn, які пропонують децентралізовані хмарні послуги та обчислювальні апаратні мережі. У секторі зберігання видатні проекти, такі як Filecoin та Arweave, нещодавно внесли внесок у сферу зберігання та обчислювальні послуги, спеціально розроблені для сфери штучного інтелекту.

1. Середній Шар:

Середній рівень в основному передбачає використання технологій Web3 для вирішення поточних проблем та покращення процесів у виробництві штучного інтелекту. Ключові аспекти включають:

1) Етап збору даних: Використання децентралізованої ідентичності даних для створення відкритої мережі/торгової платформи даних, яка забезпечує конфіденційність користувачів та цілісність даних за допомогою криптографії та функцій блокчейну. Цей підхід стимулює користувачів ділитися високоякісними даними, розширюючи джерела даних та покращуючи ефективність збору даних. Відомі проекти в цій галузі включають Worldcoin та Aspecta для ідентифікації штучного інтелекту, Ocean Protocol для торгівлі даними та Grass для мережі даних з низьким порогом участі.

2) Етап попередньої обробки даних: створення розподіленої платформи для анотування та обробки даних штучного інтелекту, використання економічних стимулів для сприяння моделям масового участі для ефективної та вигідної попередньої обробки даних, що користується подальшим навчанням моделі. Представницькі проекти включають у себе Public AI.

3) Підтвердження моделі та етап інференції: Вирішення викликів непрозорих даних та модельних процесів в штучному інтелекті, технології Веб3, такі як ZK та гомоморфне шифрування, можуть бути інтегровані для підтвердження мислення моделі, забезпечуючи точність моделей та захищаючи конфіденційність вхідних даних. Типовий сценарій застосування - ZKML. Представницькі проекти, які поєднують технологію Веб3 на етапах підтвердження моделі та інференції, включають Bittensor, Privasea та Modulus.

Проекти середнього рівня часто надають перевагу інструментам розробника, пропонуючи додаткові послуги розробникам та учасникам проекту. Ринковий попит та комерційна реалізація штучного інтелекту все ще розвиваються на ранніх етапах розвитку.

3 Прикладний рівень

На рівні застосування увага зміщується на використання технології штучного інтелекту в контекстах Web3. Інтеграція веб-застосунків з технологією штучного інтелекту спрямована на підвищення ефективності та покращення досвіду користувачів. Функціональні можливості штучного інтелекту, такі як генерація контенту, аналіз та прогнозування, знаходять різноманітні застосування в галузі ігор, соціальних мереж, аналізу даних та фінансового прогнозування. На сьогоднішній день застосунки AI+Web3 можна класифікувати на три основних типи:

1) Тип AIGC: Використання технології штучного інтелекту для створення тексту, зображень, відео, аватар та іншого контенту за допомогою інтерактивного діалогу. Ця функціональність штучного інтелекту може бути представлена як самостійний агент штучного інтелекту або безперервно інтегрована в продукти. Відомі проекти в цій категорії включають NFPrompt та SleeplessAI.

2) AI Категорія аналізу: Команди проекту використовують власні дані, бази знань та аналітичні можливості для навчання вертикальних моделей штучного інтелекту для аналізу, прийняття рішень та прогнозування завдань. Ці моделі штучного інтелекту пропонуються користувачам у вигляді продуктів, надаючи доступ до можливостей аналізу штучного інтелекту для завдань, таких як аналіз даних, відстеження інформації, перевірка коду, фінансове прогнозування та інше. Представницькі проекти включають Kaito та Dune.

3) AI Agent Hub: Являючись центром для різних AI-агентів, ця категорія зазвичай дозволяє користувачам створювати налаштовані AI-агенти без кодування, подібно до GPTs. До помітних проєктів на цій площині відносяться My Shell та Fetch.ai.

Хоча поки немає видатних проектів у верхньому рівні додатків, вони мають значний потенціал для зростання у довгостроковій перспективі. Успіх у сфері застосування штучного інтелекту + Web3 залежить не лише від технологічних інновацій, але й від накопичення продуктових можливостей та технічної експертизи. Особливо в області штучного інтелекту продукти, які пропонують вищий рівень користувацького досвіду, здобудуть конкурентну перевагу в цьому змінюючомуся ландшафті.

**Disclaimer:

1. Ця стаття перепублікована з [Gatemarsbit], оригінальний заголовок - " Майбутній шлях розвитку AI+Web3 (1): Промисловий ландшафт та наративна логіка”, авторське право належить оригінальному автору [GateWanxiang Blockchain], якщо у вас є які-небудь зауваження щодо перепублікації, будь ласка, зв'яжіться Gate Learn Team, команда якнайшвидше вирішить це відповідно до відповідних процедур.

2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, представляють лише особисті погляди автора і не становлять жодної інвестиційної поради.

3. Інші мовні версії статті перекладені командою Gate Learn, не згадано вGate.io, перекладений матеріал не може бути відтворений, поширений або використаний у плагіаті.