Предисловие

За последний год появление больших генеративных моделей искусственного интеллекта, таких как ChatGPT, вывело искусственный интеллект за пределы основных инструментов автоматизации к сложным системам принятия решений и прогностическим системам, утвердив себя как определяющая сила, стимулирующая общественное развитие. Это развитие привело к всплеску продуктов и приложений искусственного интеллекта, причем ChatGPT представил такие значимые продукты, как GPTs и Sora. Компания NVIDIA, ключевой участник в области инфраструктуры искусственного интеллекта, последовательно превзошла ожидания, причем ее бизнес-подразделение в области центров обработки данных в четвертом квартале финансового года 2024 года способствовало более 83% выручки, отметив заметный рост в 409%. Стоит отметить, что 40% этой выручки пришлось на сценарии вывода больших моделей, подчеркивая нарастающий спрос на надежную инфраструктуру вычислительной мощности.

В настоящее время искусственный интеллект привлек значительное внимание европейских и американских капиталов, в то время как рынок Web3 переживает восходящий тренд в бычьем рынке. Слияние искусственного интеллекта и Web3 представляет собой пересечение двух высоко востребованных технических тенденций. Недавнее появление проектов, сосредоточенных вокруг этой темы, подчеркивает острый интерес рынка и высокие ожидания от этого слияния.

Оставив в стороне шумиху и ценовые пузыри, в каком состоянии находится развитие в индустрии AI+Web? Есть ли конкретные сценарии применения? Впереди ли нас ждет создание ценности, установление повествования и формирование отрасли? Как индустрия AI+Web3 будет развиваться с точки зрения экологических моделей, и какие потенциальные направления лежат впереди?

Future3 Campus погрузится в эти темы через серию статей, разбирая каждый аспект цепочки индустрии AI+Web3. Эта первоначальная статья даст обзор текущего положения в индустрии и нарративную структуру AI+Web3.

Процесс производства работ по искусственному интеллекту

По сути, интеграция искусственного интеллекта и Web3 разворачивается в двух ключевых измерениях. Во-первых, роль Web3 в продвижении развития искусственного интеллекта, и во-вторых, слияние приложений Web3 с технологией искусственного интеллекта. В настоящее время основное внимание уделяется укреплению искусственного интеллекта с помощью технологии и концепций Web3 в различных проектах. Таким образом, анализ может углубиться в интеграцию искусственного интеллекта с Web3, охватывая процесс от обучения модели до производства. Появление LLM вносит некоторые изменения в традиционные процессы машинного обучения, но типичный упрощенный процесс производства искусственного интеллекта обычно включает следующие этапы:

1 сбор данных

Данные служат угловым камнем на протяжении жизненного цикла обучения модели ИИ, что требует качественных наборов данных для исследовательского анализа данных (EDA) для создания воспроизводимых, редактируемых и долгосрочных наборов данных, таблиц и визуализаций.

2 Предварительная обработка данных и инженерия признаков/подсказок

После получения данных предварительная обработка обязательна, включая инженерию признаков в машинном обучении и инженерию запросов в больших моделях. Это включает итеративную классификацию, агрегацию и удаление дубликатов для выявления сложных признаков, наряду с итеративным развитием запросов для структурированных запросов в LLM. Более того, обеспечение надежного хранения и обмена признаками/запросами является необходимым.

3 Обучение и настройка модели

Используя разнообразную библиотеку моделей для обучения моделей искусственного интеллекта, улучшая производительность, эффективность и точность за счет постоянной итерации и корректировки. Следует отметить, что в LLM непрерывная настройка модели достигается с помощью обратной связи от человека в усилении обучения (RLHF).

4 Обзор модели и управление

Использование платформы MLOps/LLMOps для оптимизации процессов разработки моделей, охватывающих обнаружение модели, отслеживание, обмен и сотрудничество. Это обеспечивает качество и прозрачность модели при соблюдении этических и стандартов соответствия.

5 Модельный вывод

Развертывание обученных моделей искусственного интеллекта для прогнозирования новых, неизвестных данных путем использования изученных параметров для обработки входных данных и генерации прогностических результатов, таких как классификационные или регрессионные прогнозы.

6 Модель развертывания и мониторинга

После проверки производительности по установленным стандартам развертывание модели в реальные приложения и введение непрерывного мониторинга и обслуживания для поддержания оптимальной производительности в изменяющихся средах.

На протяжении этого процесса существует множество возможностей для интеграции технологий Web3. В настоящее время вызовы в развитии искусственного интеллекта, такие как прозрачность модели, предвзятость и этическое применение, привлекли широкое внимание. В этом контексте объединение технологии Web3 с криптографическими решениями, такими как ZK, может усилить доверие к системам искусственного интеллекта. Более того, растущий спрос на приложения искусственного интеллекта подчеркивает необходимость экономичной и открытой инфраструктуры и сетей данных. Распределенная сеть и модели стимулирования Web3 могут способствовать созданию более открытых сетей и сообществ искусственного интеллекта с открытым исходным кодом.

Ландшафт и логика повествования AI+Web3 промышленности

Путем интеграции описанного выше процесса производства искусственного интеллекта с интеграцией искусственного интеллекта с Web3 и изучения распространенных проектов AI+Web3 на текущем рынке мы обрисовали ландшафт индустрии AI+Web3. Эта цепочка индустрии может быть разделена на три уровня: инфраструктурный уровень, средний уровень и уровень приложения.

1. Слой инфраструктуры

Инфраструктурный уровень в первую очередь охватывает вычислительные и хранилищеские инфраструктурные ресурсы, необходимые для всего рабочего процесса и процесса производства искусственного интеллекта. Он обеспечивает необходимую вычислительную мощность для обучения модели искусственного интеллекта, вывода и хранения данных на протяжении всего жизненного цикла.

Бурное расширение приложений искусственного интеллекта стимулировало всплеск спроса на инфраструктуру, особенно на высокопроизводительные вычислительные возможности. Таким образом, предоставление улучшенной производительности, экономичности и надежной вычислительной и хранилищной инфраструктуры предполагается, что станет ключевым трендом на ранних этапах развития искусственного интеллекта, захватив более 50% ценности отраслевой цепочки.

Технология Web3 имеет потенциал создать децентрализованную сеть вычислений и хранения, используя неиспользуемые и разрозненные ресурсы для существенного снижения инфраструктурных затрат и удовлетворения широкого спектра требований приложений искусственного интеллекта. Следовательно, децентрализованная инфраструктура искусственного интеллекта является превалирующим повествованием.

Важные проекты в этой области включают Render Network, сосредоточенную на услугах рендеринга, а также Akash и Gensyn, предлагающие децентрализованные облачные сервисы и вычислительные аппаратные сети. В секторе хранения выдающиеся проекты, такие как Filecoin и Arweave, недавно представили услуги хранения и вычислений, специально разработанные для области искусственного интеллекта.

1. Средний слой:

Средний слой в первую очередь включает в себя использование технологий Web3 для решения текущих проблем и улучшения процессов в производстве искусственного интеллекта. Ключевые аспекты включают в себя:

1) Этап сбора данных: Использование децентрализованного идентификатора данных для создания открытой сети данных/торговой платформы, обеспечивающей конфиденциальность пользователей и целостность данных с помощью криптографии и функций блокчейна. Такой подход стимулирует пользователей делиться высококачественными данными, расширяя источники данных и повышая эффективность сбора данных. Заметные проекты в этой области включают Worldcoin и Aspecta для идентификации ИИ, Ocean Protocol для торговли данными и Grass для сети данных с низким порогом участия.

2) Этап предварительной обработки данных: Создание распределенной платформы аннотации и обработки данных ИИ, использующей экономические стимулы для поощрения моделей краудсорсинга для эффективной и экономичной предварительной обработки данных, что благоприятствует последующему обучению модели. Представительные проекты включают в себя Public AI.

3) Этап верификации модели и вывода: Решение проблем непрозрачных данных и процессов модели в ИИ, технологии Web3, такие как ZK и гомоморфное шифрование, могут быть интегрированы для проверки логики модели, обеспечивая точность моделей и защищая конфиденциальность входных данных. Типичным сценарием применения является ZKML. Представительные проекты, объединяющие технологию Web3 на этапах верификации модели и вывода, включают Bittensor, Privasea и Modulus.

Проекты в среднем слое часто отдают предпочтение инструментам разработчика, предлагая дополнительные услуги разработчикам и заинтересованным сторонам проекта. Спрос на рынке и коммерческая реализация искусственного интеллекта все еще находятся в начальных стадиях развития.

3 Уровень приложений

На уровне приложений акцент смещается на использование технологии искусственного интеллекта в контексте Web3. Интеграция приложений Web3 с технологией искусственного интеллекта направлена на повышение эффективности и улучшение опыта использования продукта. Функциональности искусственного интеллекта, такие как генерация контента, анализ и прогнозирование, находят разнообразное применение в играх, социальных сетях, анализе данных и финансовом прогнозировании. В настоящее время приложения AI+Web3 можно классифицировать на три основных типа:

1) Тип AIGC: Использование технологии генерации искусственного интеллекта для возможности пользователя создавать текст, изображения, видео, аватары и другой контент через интерактивный диалог. Эта функциональность ИИ может быть представлена в виде автономного агента ИИ или интегрирована без проблем в продукты. Примечательные проекты в этой категории включают NFPrompt и SleeplessAI.

2) Категория анализа искусственного интеллекта: Команды проектов используют собственные данные, базы знаний и аналитические возможности для обучения вертикальных моделей искусственного интеллекта для анализа, принятия решений и выполнения прогностических задач. Эти модели искусственного интеллекта предлагаются пользователям в качестве продуктов, предоставляя доступ к возможностям анализа искусственного интеллекта для таких задач, как анализ данных, отслеживание информации, аудит кода, финансовое прогнозирование и многое другое. Представительные проекты включают Kaito и Dune.

3) Хаб искусственного интеллекта: Служащий в качестве центра для различных искусственного интеллекта агентов, эта категория обычно позволяет пользователям создавать настраиваемых искусственного интеллекта агентов без кодирования, аналогично GPTs. Заметные проекты в этой области включают My Shell и Fetch.ai.

Пока что на прикладном уровне нет ярких проектов, но у него есть значительный потенциал роста в долгосрочной перспективе. Успех в области приложений AI+Web3 зависит не только от технологических инноваций, но и от накопления продуктовых возможностей и технической экспертизы. Особенно в области искусственного интеллекта продукты, предлагающие превосходный пользовательский опыт, получат конкурентное преимущество в этом развивающемся ландшафте.

**Отказ от ответственности:

1. Этот статья перепечатана из [marsbit], исходное название “Будущий путь развития AI+Web3 (1): Промышленный ландшафт и нарративная логика”, авторские права принадлежат оригинальному автору [Блокчейн Wanxiang], если у вас есть возражения к перепечатке, пожалуйста, свяжитесь Команда Gate LearnКоманда обработает это как можно скорее в соответствии с соответствующими процедурами.

2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционными советами.

3. Другие языковые версии статьи переведены командой Gate Learn, не упомянутой в Gate.io, переведенная статья не может быть воспроизведена, распространена или использована в качестве источника.