AI+Web3: Вежі та площі

Коротко кажучи

1. Проекти Web3 з концепцією ШІ стають об'єктами залучення фінансів на первинному та вторинному ринках.

2. Можливості Web3 в галузі штучного інтелекту проявляються у: використанні розподілених стимулів для координації потенційних постачальників в довгому хвості ------ через дані, зберігання та обчислення; одночасно, створенні відкритої моделі та децентралізованого ринку AI Agent.

3. Основні сфери застосування штучного інтелекту в індустрії Web3 - це фінанси на основі блокчейн (криптоплатежі, торгівля, аналіз даних) та допомога в розробці.

4. Ефективність AI+Web3 проявляється в їхній взаємодоповнюваності: Web3 має надію протистояти централізації AI, а AI має надію допомогти Web3 вийти за межі.

Вступ

Останні два роки розвиток ШІ ніби натиснули на кнопку прискорення, цей порив метелика, спричинений Chatgpt, не тільки відкрив новий світ генеративного штучного інтелекту, але й викликав хвилю в Web3 по той бік.

Під впливом концепції ШІ, фінансування в крипто-ринку, що сповільнився, помітно підвищилося. Згідно з даними ЗМІ, лише в першій половині 2024 року 64 проекти Web3+AI завершили фінансування, а операційна система на базі штучного інтелекту Zyber365 досягла максимальної суми фінансування в 100 мільйонів доларів на раунді А.

Вторинний ринок стає більш процвітаючим, дані криптоагрегатора Coingecko показують, що за короткий період більше року загальна капіталізація сектору AI досягла 48,5 мільярда доларів, а добовий обсяг торгів наблизився до 8,6 мільярда доларів; очевидні позитивні результати, пов'язані з прогресом у основних технологіях AI, після випуску текстово-відеальної моделі Sora однією компанією середня ціна в секторі AI зросла на 151%; ефект AI також поширився на один з секторів криптовалют, що залучають капітал, Meme: перший концепт AI Agent у вигляді MemeCoin------GOAT швидко став популярним і досяг оціночної вартості в 1,4 мільярда доларів, успішно запустивши бум AI Meme.

Дослідження та теми, пов'язані з AI+Web3, також на піку популярності, від AI+Depin до AI Memecoin, а потім до нинішніх AI Agent та AI DAO, емоції FOMO вже не встигають за швидкістю зміни нових наративів.

AI+Web3, ця комбінація термінів, що переповнена гарячими грошима, можливостями та майбутніми фантазіями, неминуче сприймається як шлюб, укладений капіталом, і нам, здається, важко розрізнити, під цією розкішною накидкою, чи це справжня арена спекулянтів, чи це переддень вибуху світанку?

Щоб відповісти на це питання, важливим міркуванням для обох сторін є те, чи стане їм краще разом? Чи можуть вони отримати вигоду з моделей один одного? У цій статті ми також намагаємося спостерігати за цим форматом, спираючись на досягнення попередників: яким чином Web3 може відігравати роль на всіх етапах стеку технологій AI, і що нового AI може принести Web3?

! AI+Web3: Вежі та Плази

Частина 1 Які можливості є у Web3 під стеком AI?

Перед тим, як розпочати цю тему, нам потрібно зрозуміти технологічний стек великих моделей ШІ:

Використовуючи більш зрозумілу мову, щоб описати весь процес: «велика модель» схожа на людський мозок, на ранніх стадіях цей мозок належить немовляті, яке щойно з'явилося на світ, і потребує спостереження та споживання величезної кількості інформації з навколишнього світу, щоб зрозуміти цей світ, що є етапом «збирання» даних; оскільки комп'ютери не мають людських зорових, слухових та інших відчуттів, на етапі навчання великі обсяги неструктурованої інформації з навколишнього світу потрібно перетворити за допомогою «попередньої обробки» у формат інформації, зрозумілий і придатний для комп'ютера.

Після введення даних штучний інтелект за допомогою «тренування» створює модель, яка має здатність розуміти та прогнозувати, що можна вважати процесом, подібним до того, як немовля поступово розуміє та вивчає навколишній світ. Параметри моделі подібні до мовних навичок, які постійно коригуються в процесі навчання немовляти. Коли зміст навчання починає розділятися на предмети, або коли спілкування з людьми приносить зворотний зв'язок і корекцію, відбувається етап «донастройки» великої моделі.

Діти, які поступово ростуть і навчаються говорити, можуть розуміти значення та висловлювати свої почуття та думки в нових розмовах; цей етап схожий на "інференцію" у великих моделях ШІ, де модель здатна передбачати та аналізувати нові мовні та текстові введення. Діти через мовні здібності виражають почуття, описують об'єкти та вирішують різноманітні проблеми, що також нагадує про те, як великі моделі ШІ застосовують свої навички в етапі інференції для виконання різних специфічних завдань, таких як класифікація зображень, розпізнавання мови тощо.

А AI Agent більш наближений до наступної форми великої моделі ------ здатного самостійно виконувати завдання та переслідувати складні цілі, має не лише здатність до мислення, а й здатний до пам'яті, планування та взаємодії з світом за допомогою інструментів.

Наразі, у відповідь на болючі проблеми штучного інтелекту на різних рівнях, Web3 наразі початково сформував багаторівневу, взаємопов'язану екосистему, що охоплює всі етапи процесу моделей штучного інтелекту.

! AI+Web3: Вежі та Квадрати

Один. Базовий рівень: обчислювальна потужність та дані Airbnb

▎потужність

Наразі однією з найбільших витрат AI є обчислювальні потужності та енергія, необхідні для навчання та виведення моделей.

Прикладом є те, що для навчання LLAMA3 певної компанії потрібно 16000 H100GPU, вироблених цією компанією (це топова графічна обробна одиниця, спеціально розроблена для штучного інтелекту та високопродуктивних обчислювальних навантажень). Завершення навчання займе 30 днів. Ціна на 80GB версію коливається від 30000 до 40000 доларів, що потребує інвестицій в обчислювальне обладнання (GPU+мережеві чіпи) в розмірі 4-7 мільярдів доларів, при цьому щомісячні витрати на навчання становлять 1,6 мільярда кіловат-годин, а витрати на енергію щомісяця становлять близько 20 мільйонів доларів.

Розвантаження обчислювальної потужності AI є однією з перших областей перетворення Web3 і AI ------ DePin (децентралізована мережа фізичної інфраструктури). Наразі на сайті даних DePin Ninja представлено понад 1400 проектів, серед яких проекти, що представляють обмін GPU потужністю, включають io.net, Aethir, Akash, Render Network та ін.

Основна логіка полягає в тому, що платформа дозволяє особам або організаціям, які мають вільні ресурси GPU, вносити свій обчислювальний потенціал децентралізованим способом без необхідності отримання дозволу, створюючи онлайн-ринок покупців і продавців, подібний до платформи таксі або житла, що підвищує рівень використання недоексплуатованих ресурсів GPU. Кінцеві користувачі, отже, отримують більш ефективні обчислювальні ресурси за нижчою ціною; водночас механізм стейкінгу також забезпечує, що у разі порушення механізму контролю якості або переривання мережі постачальники ресурсів підлягають відповідним санкціям.

Його характеристики полягають у:

• Збір вільних ресурсів GPU: Постачальники в основному складаються з незалежних малих і середніх дата-центрів, операторів надлишкових обчислювальних ресурсів крипто-майнінгу тощо, з надлишковими обчислювальними ресурсами, а механізм консенсусу - PoS, таких як обладнання для майнінгу FileCoin та ETH. Наразі також є проекти, що прагнуть запустити обладнання з нижчим порогом входу, такі як exolab, що використовує MacBook, iPhone, iPad та інші локальні пристрої для створення мережі обчислювальної потужності для інференції великих моделей.

• Перед обличчям довгого хвоста ринку обчислювальної потужності ШІ:

a. «З технічної точки зору» децентралізований ринок обчислень більше підходить для етапів висновку. Тренування більше залежить від обробної потужності даних, яку забезпечують надвеликими кластерами GPU, тоді як для висновку вимоги до обчислювальної потужності GPU відносно нижчі, як, наприклад, Aethir, що спеціалізується на рендерингу з низькою затримкою та AI-додатках для висновку.

b. "З точки зору попиту" невеликі споживачі обчислювальної потужності не будуть самостійно навчати свої великі моделі, а просто виберуть оптимізацію та доопрацювання навколо кількох провідних великих моделей, і ці сценарії природно підходять для розподілених невикористаних обчислювальних ресурсів.

• Децентралізована власність: технічне значення блокчейну полягає в тому, що власники ресурсів завжди зберігають контроль над своїми ресурсами, гнучко коригуючи їх відповідно до потреб, одночасно отримуючи прибуток.

▎Дані

Дані є основою ШІ. Якщо немає даних, обчислення стає безглуздим, а зв'язок між даними та моделлю нагадує прислів'я "Сміття на вході, сміття на виході". Кількість даних і якість введення визначають якість виходу фінальної моделі. Для навчання сучасних моделей ШІ дані визначають мовні здібності моделі, здатність до розуміння, а також цінності та гуманістичні прояви. Наразі основні проблеми з потребами даних для ШІ зосереджені на чотирьох аспектах:

• Голод даних: тренування AI моделей залежить від великої кількості вхідних даних. Відкриті дані показують, що певна компанія тренувала GPT-4 з обсягом параметрів до трильйонів.

• Якість даних: з розвитком штучного інтелекту та інтеграцією в різні галузі, актуальність даних, різноманітність даних, спеціалізація галузевих даних, а також нові джерела даних, такі як емоції в соціальних мережах, висувають нові вимоги до їх якості.

• Проблеми конфіденційності та відповідності: в даний час різні країни та компанії поступово звертають увагу на важливість якісних наборів даних і вводять обмеження на збори наборів даних.

• Високі витрати на обробку даних: велика кількість даних, складний процес обробки. Відкриті дані показують, що понад 30% витрат на дослідження та розробки в AI компаніях йдуть на базовий збір і обробку даних.

Наразі рішення web3 проявляються в чотирьох аспектах:

1. Збір даних: можливість безкоштовно надавати зібрані реальні дані швидко виснажується, витрати компаній ШІ на дані зростають з року в рік. Але водночас ці витрати не повертаються до справжніх постачальників даних, платформи повністю насолоджуються створенням вартості, яке приносить дані, наприклад, одна соціальна платформа отримала в загальному 203 мільйони доларів США завдяки укладенню угод про ліцензування даних з компаніями ШІ.

Дати змогу справжнім учасникам внести свій вклад у створення цінності з даних, а також отримати більш приватні та цінні дані від користувачів за допомогою дистрибутивної мережі та механізмів стимулювання з низькими витратами — це бачення Web3.

• Grass є децентралізованим рівнем даних та мережею, де користувачі можуть запускати вузли Grass, вносити свій вільний пропускну здатність і реле трафіку для збору реальних даних з усього Інтернету та отримувати винагороди у вигляді токенів;

• Vana впровадила унікальну концепцію пулу ліквідності даних (DLP), де користувачі можуть завантажувати свої приватні дані (такі як історія покупок, звички перегляду, активність у соціальних мережах тощо) до певного DLP та гнучко обирати, чи надавати ці дані на використання конкретним третім особам;

• У PublicAI користувачі можуть використовувати #AI 或#Web3 як категорійний ярлик у певній соціальній мережі та @PublicAI для збору даних.

2. Передобробка даних: під час обробки даних AI, оскільки зібрані дані зазвичай є зашумленими та містять помилки, їх необхідно очистити та перетворити у придатний формат перед навчанням моделі, що включає стандартизацію, фільтрацію та обробку пропущених значень. Ця стадія є однією з небагатьох ручних етапів в індустрії AI, що призвела до появи професії аналітиків даних; з підвищенням вимог моделі до якості даних, вимоги до аналітиків даних також зростають, а це завдання природно підходить для децентралізованої системи стимулів Web3.

• Наразі Grass та OpenLayer обидва розглядають можливість додавання цього ключового етапу - маркування даних.

• Synesis запропонував концепцію «Train2earn», підкреслюючи якість даних, користувачі можуть отримувати винагороди за надання маркованих даних, коментарів або інших форм внеску.

• Проект позначення даних Sapien ігровизує завдання позначення та дозволяє користувачам ставити бали, щоб заробити більше балів.

3. Приватність даних та безпека: важливо зрозуміти, що приватність даних і безпека - це два різні поняття. Приватність даних стосується обробки чутливих даних, а безпека даних захищає інформацію від несанкціонованого доступу, знищення та крадіжки. Таким чином, переваги технологій приватності Web3 та потенційні області застосування проявляються в двох аспектах: (1) навчання на чутливих даних; (2) співпраця з даними: кілька власників даних можуть спільно брати участь у навчанні ШІ, не ділячись своїми оригінальними даними.

Серед поширених технологій конфіденційності в Web3 на сьогодні є:

• Достовірне виконавче середовище ( TEE ), наприклад, Super Protocol;

• Повна гомоморфна криптографія (FHE), наприклад, BasedAI, Fhenix.io або Inco Network;

• Технології нульового знання (zk), такі як Reclaim Protocol, використовують технологію zkTLS для генерації доказів нульового знання для HTTPS-трафіку, що дозволяє користувачам безпечно імпортувати активність, репутацію та ідентифікаційні дані з зовнішніх сайтів, не розкриваючи чутливу інформацію.

Однак наразі ця сфера все ще знаходиться на ранній стадії, більшість проектів все ще в процесі дослідження, а поточна проблема полягає в витратах на обчислення.