Взаємодія Web3 та AI: переформатування даних, конфіденційності та Обчислювальної потужності

Web3 як нова парадигма інтернету, що є децентралізованою, відкритою та прозорою, має природний шанс інтеграції з AI. У традиційній централізованій архітектурі обчислення AI та ресурси даних підлягають суворому контролю, і існує безліч викликів, таких як обчислювальна потужність, витік конфіденційності, чорні ящики алгоритмів тощо. Web3, що базується на розподілених технологіях, може надати новий імпульс для розвитку AI через мережі спільної обчислювальної потужності, відкриті ринки даних, обчислення конфіденційності тощо. Водночас AI також може надати багато можливостей для Web3, таких як оптимізація смартконтрактів, алгоритми протидії шахрайству тощо, сприяючи його екосистемному розвитку. Тому дослідження поєднання Web3 та AI є надзвичайно важливим для побудови інфраструктури наступного покоління інтернету, а також для вивільнення вартості даних і обчислювальної потужності.

Дані, що керують: міцна основа AI та Web3

Дані є основним двигуном розвитку штучного інтелекту, як паливо для двигуна. Моделі штучного інтелекту потребують обробки великої кількості якісних даних, щоб отримати глибоке розуміння та потужні здібності до міркування. Дані не лише забезпечують тренувальну основу для моделей машинного навчання, а й визначають точність та надійність моделей.

У традиційній централізованій моделі отримання та використання даних штучного інтелекту існує кілька основних проблем:

• Вартість отримання даних висока, малим та середнім підприємствам важко її витримати.
• Ресурси даних монополізовані технологічними гігантами, що створює ізольованість даних
• Особисті дані піддаються ризику витоку та зловживання.

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

• За допомогою Децентралізації збирати дані з мережі, очищати та перетворювати їх, щоб надати реальні, високоякісні дані для навчання AI моделей
• Використання моделі "label to earn" для стимулювання глобальних працівників брати участь у маркуванні даних за допомогою токенів, об'єднуючи глобальні професійні знання та підвищуючи аналітичні можливості даних.
• Блокчейн платформа для торгівлі даними забезпечує відкриту та прозору торговельну середу для сторін постачання та попиту на дані, що сприяє інноваціям та обміну даними.

Попри це, отримання даних з реального світу також має певні проблеми, такі як нерівномірна якість даних, велика складність обробки, недостатня різноманітність та репрезентативність тощо. Синтетичні дані можуть стати зіркою майбутнього в секторі даних Web3. На основі технології генеративного ШІ та моделювання, синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням до реальних даних та підвищуючи ефективність використання даних. У таких галузях, 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, коли домінує дані, захист приватності став об'єктом глобальної уваги, а прийняття таких нормативних актів, як Загальний регламент захисту даних Європейського Союзу (GDPR), відображає сувору охорону особистої приватності. Проте це також ставить перед викликами: деякі чутливі дані не можуть бути повноцінно використані через ризики приватності, що, безсумнівно, обмежує потенціал та здатність до міркування моделей ШІ.

FHE, або гомоморфне шифрування, дозволяє виконувати обчислювальні операції над зашифрованими даними без необхідності їх розшифровки, причому результати обчислень відповідають результатам тих же обчислень над відкритими даними.

FHE забезпечує надійний захист для приватних обчислень AI, дозволяючи обчислювальній потужності GPU виконувати навчання моделей та завдання виведення в середовищі без доступу до вихідних даних. Це надає величезні переваги компаніям AI. Вони можуть безпечно відкривати API-сервіси, захищаючи комерційну таємницю.

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

FHEML є доповненням до ZKML, ZKML доводить правильність виконання машинного навчання, а FHEML підкреслює обчислення над зашифрованими даними для підтримки конфіденційності даних.

Обчислювальна потужність революція: Децентралізація мережі AI розрахунків

Актуальна обчислювальна складність систем штучного інтелекту подвоюється кожні 3 місяці, що призводить до різкого зростання попиту на обчислювальну потужність, що значно перевищує постачання наявних обчислювальних ресурсів. Наприклад, для навчання певної відомої моделі штучного інтелекту потрібна величезна обчислювальна потужність, що еквівалентно 355 рокам навчання на одному пристрої. Такий дефіцит обчислювальної потужності не тільки обмежує прогрес технології штучного інтелекту, але й робить ці складні моделі недосяжними для більшості дослідників і розробників.

Одночасно, глобальне використання GPU становить менше 40%, а також уповільнення підвищення продуктивності мікропроцесорів і дефіцит чіпів, викликаний факторами ланцюга постачання та геополітики, ще більше ускладнюють проблему постачання обчислювальної потужності. Працівники у сфері штучного інтелекту опинилися в двозначній ситуації: або купувати апаратне забезпечення, або орендувати хмарні ресурси, їм терміново потрібен економічно ефективний сервіс обчислень на вимогу.

Деякі децентралізовані мережі обчислювальної потужності AI, агрегуючи вільні ресурси GPU з усього світу, надають AI-компаніям економічний та легкодоступний ринок обчислювальної потужності. Сторони, що потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, смартконтракти розподіляють завдання між майнерами, які надають обчислювальну потужність; майнери виконують завдання і подають результати, після перевірки отримують бали у вигляді винагороди. Це рішення підвищує ефективність використання ресурсів і допомагає вирішити проблему вузьких місць обчислювальної потужності в таких сферах, як AI.

Окрім загальної децентралізованої обчислювальної потужності мережі, є також кілька платформ, що спеціалізуються на навчанні ШІ, а також спеціалізовані обчислювальні мережі для інференції ШІ.

Децентралізована обчислювальна потужність мережі забезпечує справедливий і прозорий ринок обчислювальної потужності, руйнуючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі web3 децентралізована обчислювальна потужність мережі буде відігравати ключову роль, залучаючи більше інноваційних dapp до участі, спільно сприяючи розвитку та застосуванню технологій ШІ.

DePIN: Web3 надає можливості Edge AI

Уявіть собі, що ваш телефон, смарт-годинник і навіть смарт-пристрої у вашому домі мають можливість запускати ШІ — ось у чому привабливість Edge AI. Це дозволяє обробці даних відбуватися на місці їх виникнення, забезпечуючи низьку затримку, обробку в реальному часі та захистуючи приватність користувачів. Технології Edge AI вже застосовуються в ключових сферах, таких як автономне водіння.

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 токеноміка Web3 може стимулювати вузли DePIN надавати обчислювальні ресурси, створюючи стійку екосистему.

Наразі DePIN швидко розвивається в деяких екосистемах публічних блокчейнів, стаючи однією з основних платформ для розгортання проектів. Висока TPS, низькі транзакційні витрати та технологічні інновації цих публічних блокчейнів забезпечують потужну підтримку проектам DePIN. Наразі деякі проекти DePIN на публічних блокчейнах перевищили ринкову капіталізацію в 10 мільярдів доларів США, і кілька відомих проектів досягли значного прогресу.

IMO：AI моделі публікація нової парадигми

Концепція IMO була вперше запропонована певним протоколом, що дозволяє токенізувати AI-моделі.

У традиційній моделі, через відсутність механізму розподілу прибутку, як тільки AI модель була розроблена та виведена на ринок, розробникам часто важко отримувати постійний прибуток від подальшого використання моделі, особливо коли модель інтегрується в інші продукти та послуги, оригінальним творцям важко відстежувати використання, не кажучи вже про отримання прибутку. Крім того, продуктивність і ефективність AI моделі часто не є прозорими, що ускладнює потенційним інвесторам і користувачам оцінити її реальну вартість, обмежуючи визнання моделі на ринку та комерційний потенціал.

IMO надає новий спосіб фінансової підтримки та розподілу вартості для відкритих AI-моделей, інвестори можуть купувати токени IMO та ділитися доходами, які генеруються моделлю в подальшому. Деякі протоколи використовують специфічні ERC-стандарти, поєднуючи AI-оракулів та технологію OPML для забезпечення достовірності AI-моделей та можливості для власників токенів ділитися доходами.

Модель IMO підвищила прозорість і довіру, сприяла відкритій співпраці, адаптувалася до тенденцій крипторинку та надала імпульс стійкому розвитку технологій ШІ. IMO наразі ще перебуває на початковому етапі, але з підвищенням рівня прийняття на ринку та розширенням участі, його інноваційність та потенційна цінність заслуговують на нашу увагу.

AI Agent：Нова ера взаємодії

AI Agent може сприймати навколишнє середовище, проводити незалежне мислення та вживати відповідних заходів для досягнення визначених цілей. За підтримки великих мовних моделей, AI Agent не лише розуміє природну мову, але й може планувати рішення, виконувати складні завдання. Вони можуть виступати в ролі віртуальних помічників, навчаючись у користувачів їхніх уподобань через взаємодію та надаючи персоналізовані рішення. Навіть без чітких інструкцій, AI Agent може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.

Деякі відкриті платформи AI-програм забезпечують повний і зручний набір інструментів для створення, підтримуючи користувачів у налаштуванні функцій, вигляду, голосу роботів, а також підключенні до зовнішніх баз знань, прагнучи створити справедливу і відкриту екосистему AI-контенту. Використовуючи технології генеративного AI, вони надають можливість особам стати супер-креаторами. Ці платформи навчали спеціалізовані великі мовні моделі, що робить рольову гру більш людяною; технологія клонування голосу може прискорити персоналізовану взаємодію AI-продуктів, значно знизивши витрати на синтез голосу, клонування голосу займає лише 1 хвилину. Використовуючи цих платформ, налаштовані AI-агенти наразі можуть бути застосовані в таких сферах, як відеочат, вивчення мов, створення зображень тощо.

У融合 Web3 та AI, в даний час більше уваги приділяється дослідженню рівня інфраструктури, як отримати високоякісні дані, захистити конфіденційність даних, як на ланцюзі зберігати моделі, як підвищити ефективність використання децентралізованої обчислювальної потужності, як перевірити великі мовні моделі та інші ключові питання. З поступовим вдосконаленням цієї інфраструктури, ми маємо підстави вважати, що інтеграція Web3 та AI стане основою для ряду інноваційних бізнес-моделей та послуг.