Інтеграція Web3 та AI: побудова інфраструктури наступного покоління Інтернету

Web3 як нова парадигма Інтернету, що є децентралізованою, відкритою та прозорою, має природну можливість інтеграції з AI. У традиційній централізованій архітектурі обчислення AI та ресурси даних суворо контролюються, і існує безліч викликів, таких як обмеження обчислювальної потужності, витік конфіденційності, чорні ящики алгоритмів тощо. Однак Web3, спираючись на технології дистрибуції, може надати новий імпульс розвитку AI через такі способи, як спільні мережі обчислювальної потужності, відкриті ринки даних, обчислення конфіденційності тощо. Водночас AI може надати безліч можливостей для Web3, таких як оптимізація смарт-контрактів, алгоритми протидії шахрайству тощо, допомагаючи у будівництві його екосистеми. Отже, дослідження комбінації Web3 та AI є вкрай важливим для створення інфраструктури наступного покоління Інтернету та вивільнення 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 перетравити велику кількість якісних даних, щоб отримати глибоке розуміння та потужні здібності до міркування. Дані не лише забезпечують навчальну основу для моделей машинного навчання, але й визначають точність та надійність моделей.

У традиційній централізованій моделі отримання та використання даних AI існують такі основні проблеми:

• Вартість отримання даних висока, і малим та середнім підприємствам важко це витримати
• Ресурси даних монополізовані технологічними гігантами, що призвело до виникнення ізольованих даних.
• Персональні дані піддаються ризику витоку та зловживання.

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

• Користувачі можуть продавати непотрібну мережу компаніям ШІ, децентралізовано збирати мережеві дані, очищувати та перетворювати їх, щоб забезпечити реальні, високоякісні дані для навчання моделей ШІ.
• Використання моделі "label to earn", за допомогою токенів заохочуються глобальні працівники до участі в розмітці даних, збираючи світовий професійний досвід, підвищуючи аналітичні можливості даних.
• Платформа для торгівлі даними на основі блокчейн забезпечує відкритий і прозорий торговий простір для обох сторін попиту та пропозиції даних, стимулюючи інновації та обмін даними.

Попри це, отримання даних з реального світу також має деякі проблеми, такі як нерівномірна якість даних, складність обробки, недостатня різноманітність та репрезентативність тощо. Синтетичні дані можуть стати зіркою майбутнього в галузі даних Web3. На основі генеративних технологій штучного інтелекту 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 свій зрілий потенціал застосування.

Захист конфіденційності: Роль FHE у Web3

У епоху, керовану даними, захист приватності став глобальною темою, що викликає занепокоєння. Прийняття регламенту ЄС про загальний захист даних (GDPR) та інших норм відображає сувору охорону особистої приватності. Однак це також створює виклики: деякі чутливі дані не можуть бути в достатній мірі використані через ризики для приватності, що безсумнівно обмежує потенціал і здатність до міркувань моделей ШІ.

FHE — це повна гомоморфна криптографія, яка дозволяє виконувати обчислювальні операції прямо на зашифрованих даних без необхідності їх розшифровки, причому результати обчислень збігаються з результатами тих же обчислень, виконаних на відкритих даних.

FHE забезпечує надійний захист для приватних обчислень AI, що дозволяє потужності GPU виконувати навчання моделей та завдання інференції без доступу до вихідних даних. Це приносить величезні переваги компаніям AI. Вони можуть безпечно відкривати API-сервіси, захищаючи комерційну таємницю.

FHEML підтримує шифрування даних та моделей протягом всього циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризикам витоку даних. Цим способом FHEML зміцнює конфіденційність даних, надаючи безпечну обчислювальну платформу для AI-додатків.

FHEML є доповненням до ZKML, ZKML доводить правильність виконання машинного навчання, тоді як FHEML акцентує увагу на обчисленнях 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 зростання попиту на обчислювальні ресурси, які значно перевищують наявну пропозицію. Наприклад, для тренування великої мовної моделі відомої AI-компанії потрібна величезна обчислювальна потужність, що еквівалентно 355 рокам навчання на одному пристрої. Така нестача обчислювальної потужності не лише обмежує прогрес технологій ШІ, але й робить ці складні моделі недоступними для більшості дослідників і розробників.

В той же час, глобальне використання GPU становить менше 40%, разом із уповільненням підвищення продуктивності мікропроцесорів, а також нестачею чипів через фактори постачання та геополітики, що робить проблему постачання обчислювальних потужностей ще більш серйозною. Працівники AI опинилися в двозначній ситуації: або купувати апаратуру, або орендувати хмарні ресурси. Їм терміново потрібен економічно ефективний спосіб отримання обчислювальних послуг на вимогу.

Деяка децентралізована мережа обчислювальної потужності AI шляхом агрегування незайнятих GPU-ресурсів з усього світу пропонує AI-компаніям економічний і легкий доступ до ринку обчислювальної потужності. Сторони, що мають потребу в обчислювальній потужності, можуть публікувати обчислювальні завдання в мережі, смарт-контракт розподіляє завдання між майнінговими вузлами, які надають обчислювальну потужність. Майнери виконують завдання та подають результати, які перевіряються, після чого вони отримують винагороду у вигляді балів. Ця схема підвищує ефективність використання ресурсів і допомагає вирішити проблему вузького місця в обчислювальній потужності в таких сферах, як AI.

Окрім загальної децентралізованої мережі обчислювальних потужностей, є також деякі платформи, які спеціалізуються на навчанні ШІ, а також спеціалізовані мережі обчислювальних потужностей для інференції ШІ.

Децентралізована обчислювальна мережа забезпечує справедливий та прозорий ринок обчислювальної потужності, руйнуючи монополії, знижуючи бар'єри для входу в застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі web3 децентралізована обчислювальна мережа відіграватиме ключову роль, залучаючи більше інноваційних dapp до участі, спільно сприяючи розвитку та застосуванню технологій штучного інтелекту.

DePIN: Web3 надає можливості Edge AI

Уявіть собі, що ваш телефон, смарт-годинник та навіть розумні пристрої у вашому домі мають можливість запускати штучний інтелект — ось у чому привабливість Edge AI. Він дозволяє обробку даних відбуватися на місці їх виникнення, забезпечуючи низьку затримку та обробку в режимі реального часу, одночасно захищаючи конфіденційність користувачів; технологія Edge AI вже використовується в критично важливих сферах, таких як автопілот.

У сфері Web3 у нас є більш знайоме ім'я — DePIN. Web3 підкреслює децентралізацію та суверенітет даних користувачів, DePIN може посилити захист конфіденційності користувачів, обробляючи дані локально, зменшуючи ризик витоку даних; рідна токен-економіка Web3 може стимулювати вузли DePIN надавали обчислювальні ресурси, створюючи стійку екосистему.

Наразі DePIN швидко розвивається в екосистемі певного публічного блокчейну, ставши одним з найпопулярніших платформ для розгортання проектів. Висока TPS, низькі транзакційні витрати та технічні інновації цього публічного блокчейну забезпечують потужну підтримку для проектів DePIN. Наразі ринкова капіталізація проектів DePIN на цьому публічному блокчейні перевищує 10 мільярдів доларів, а кілька відомих проектів досягли значного прогресу.

IMO: Новий парадигма випуску AI моделей

Концепція IMO була вперше запропонована певним протоколом, що передбачає токенізацію AI моделей.

У традиційній моделі, через відсутність механізму розподілу доходів, як тільки модель ШІ буде розроблена та виведена на ринок, розробникам зазвичай важко отримати постійний дохід від подальшого використання моделі, особливо коли модель інтегрується в інші продукти та послуги. Первинним творцям важко відстежувати використання, не кажучи вже про отримання доходу. Крім того, продуктивність і ефективність модель ШІ часто не має прозорості, що ускладнює потенційним інвесторам і користувачам оцінку її справжньої вартості, що обмежує визнання моделі на ринку та її комерційний потенціал.

IMO надає новий спосіб фінансування та розподілу вартості для відкритих AI-моделей. Інвестори можуть купувати токени IMO, щоб ділитися прибутком, отриманим від моделей у майбутньому. Один з протоколів використовує два стандарти ERC, поєднуючи AI-оракули та технологію OPML, щоб забезпечити достовірність AI-моделей та можливість токенодержателів ділитися прибутком.

Модель IMO підвищує прозорість і довіру, заохочує відкриту співпрацю, адаптується до тенденцій криптовалютного ринку та надає імпульс сталому розвитку технологій ШІ. IMO наразі перебуває на початковому етапі випробувань, але з підвищенням прийнятності на ринку та розширенням участі її інноваційність і потенційна цінність заслуговують на нашу увагу.

AI Agent: нова ера взаємодії

AI Agent може сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення визначених цілей. За підтримки великих мовних моделей AI Agent не лише розуміє природну мову, але також може планувати рішення та виконувати складні завдання. Вони можуть виступати як віртуальні помічники, навчаючись перевагам користувачів через взаємодію та надаючи персоналізовані рішення. Навіть без чітких інструкцій AI Agent може самостійно вирішувати проблеми, підвищуючи ефективність та створюючи нову цінність.

Деяка платформа для нативних AI-додатків пропонує всебічний і зручний набір інструментів для створення, що дозволяє користувачам налаштовувати функції роботів, зовнішній вигляд, голос, а також підключати зовнішні бази знань, прагнучи створити справедливу та відкриту екосистему AI-контенту, використовуючи технології генеративного AI, наділяючи особистостей можливістю стати супер-креаторами. Ця платформа навчила спеціалізовану велику мовну модель, що робить рольову гру більш людяною; технологія клонування голосу може прискорити персоналізовану взаємодію AI-продуктів, знижуючи вартість синтезу голосу на 99%, клонування голосу займає лише 1 хвилину. Використовуючи AI Agent, налаштованого на цій платформі, наразі можна застосовувати в багатьох сферах, таких як відеочат, вивчення мов, генерація зображень та ін.

У сфері інтеграції Web3 та AI в даний час більше уваги приділяється дослідженню інфраструктурного рівня: як отримати високоякісні дані, захистити конфіденційність даних, як розміщувати моделі в блокчейні, як підвищити ефективність використання децентралізованих обчислень, як перевіряти великі мовні моделі та інші ключові питання. З поступовим удосконаленням цієї інфраструктури ми маємо підстави вважати, що інтеграція Web3 та AI призведе до виникнення нових інноваційних бізнес-моделей та послуг.