Los proyectos de Web3 con conceptos de IA se han convertido en objetivos atractivos de inversión en los mercados primario y secundario.
Las oportunidades de Web3 en la industria de la IA se manifiestan en: utilizar incentivos distribuidos para coordinar el suministro potencial en la larga cola, abarcando datos, almacenamiento y computación; al mismo tiempo, establecer un modelo de código abierto y un mercado descentralizado de Agentes de IA.
La IA en la industria Web3 se utiliza principalmente en finanzas en la cadena (pagos en criptomonedas, transacciones, análisis de datos) y en asistencia al desarrollo.
La utilidad de AI+Web3 se manifiesta en la complementariedad de ambos: Web3 promete combatir la centralización de la IA, y la IA promete ayudar a Web3 a superar sus límites.
Introducción
En los últimos dos años, el desarrollo de la IA ha sido como si se hubiera pulsado el botón de aceleración; esta mariposa agitada por Chatgpt no solo ha abierto un nuevo mundo de inteligencia artificial generativa, sino que también ha generado un fuerte impulso en el otro lado, en Web3.
Con el respaldo del concepto de IA, el impulso de financiamiento en el mercado de criptomonedas, que se ha desacelerado, es notable. Los medios de comunicación han contabilizado que, solo en la primera mitad de 2024, un total de 64 proyectos de Web3+IA han completado financiamiento, y el sistema operativo basado en inteligencia artificial Zyber365 logró un monto máximo de financiamiento de 100 millones de dólares en la ronda A.
El mercado secundario es aún más próspero. Según los datos del sitio de agregación de criptomonedas Coingecko, en poco más de un año, la capitalización total del sector de IA ha alcanzado los 48.5 mil millones de dólares, con un volumen de transacciones en 24 horas cercano a los 8.6 mil millones de dólares; los beneficios evidentes derivados de los avances en tecnología de IA son claros, después del lanzamiento del modelo de texto a video Sora de OpenAI, el precio promedio del sector de IA ha aumentado un 151%; el efecto de la IA también se ha extendido a uno de los segmentos que atraen capital en criptomonedas, Meme: el primer MemeCoin con el concepto de Agente de IA—GOAT—se ha vuelto rápidamente popular y ha alcanzado una valoración de 1.4 mil millones de dólares, desatando con éxito la fiebre de los Memes de IA.
La investigación y los temas sobre AI+Web3 también están en plena efervescencia, desde AI+Depin hasta AI Memecoin y actualmente AI Agent y AI DAO, el sentimiento de FOMO ya no puede seguir el ritmo de la rotación de nuevas narrativas.
AI+Web3, esta combinación de términos llena de dinero fácil, oportunidades y fantasías futuras, no puede evitar ser vista como un matrimonio arreglado por el capital; parece que es difícil distinguir si debajo de esta lujosa vestimenta, en realidad es el terreno de los especuladores o la víspera de una explosión al amanecer.
Para responder a esta pregunta, una reflexión clave para ambas partes es: ¿será mejor con el otro? ¿Se puede beneficiar de los modelos del otro? En este artículo, también intentamos examinar este patrón desde la perspectiva de los predecesores: ¿cómo puede Web3 desempeñar un papel en cada uno de los eslabones de la pila tecnológica de IA, y qué nueva vitalidad puede aportar la IA a Web3?
¿Qué oportunidades hay para Web3 bajo la pila de IA?
Antes de abordar este tema, necesitamos entender la pila tecnológica de los modelos de IA a gran escala:
Fuente de la imagen: Delphi Digital
Expresado en un lenguaje más sencillo, todo el proceso es el siguiente: el "gran modelo" es como el cerebro humano. En las primeras etapas, este cerebro pertenece a un bebé que acaba de llegar al mundo, que necesita observar e incorporar una gran cantidad de información del entorno para entender este mundo; esta es la fase de "recolección" de datos. Dado que las computadoras no poseen los sentidos humanos de la vista y el oído, antes del entrenamiento, la gran cantidad de información no etiquetada del exterior necesita ser transformada a través de la "preprocesamiento" en un formato de información que la computadora pueda entender y utilizar.
Después de ingresar los datos, la IA construyó un modelo con capacidad de comprensión y predicción a través del «entrenamiento», que se puede ver como el proceso en el que un bebé gradualmente entiende y aprende sobre el mundo exterior. Los parámetros del modelo son como la habilidad lingüística que el bebé ajusta continuamente durante su proceso de aprendizaje. Cuando el contenido de aprendizaje comienza a especializarse, o cuando se comunica con personas y recibe retroalimentación y correcciones, entra en la etapa de «ajuste fino» del gran modelo.
Los niños, al crecer y aprender a hablar, pueden entender el significado y expresar sus sentimientos e ideas en nuevas conversaciones. Esta etapa es similar a la "razonamiento" de los grandes modelos de IA, donde el modelo puede predecir y analizar nuevas entradas de lenguaje y texto. Los bebés expresan sus sentimientos, describen objetos y resuelven diversos problemas a través de su capacidad lingüística, lo que también es similar a cómo los grandes modelos de IA se aplican en la etapa de razonamiento en diversas tareas específicas, como la clasificación de imágenes, el reconocimiento de voz, etc.
El Agente de IA se acerca más a la próxima forma de los grandes modelos: capaz de ejecutar tareas de manera independiente y perseguir objetivos complejos, no solo posee la capacidad de pensar, sino que también puede recordar, planificar y utilizar herramientas para interactuar con el mundo.
Actualmente, en respuesta a los puntos críticos de la IA en varias pilas, Web3 ha comenzado a formar un ecosistema de múltiples capas e interconectado, que abarca todas las etapas del flujo de modelos de IA.
Uno, Capa básica: Airbnb de poder de cálculo y datos
poder de cálculo
Actualmente, uno de los costos más altos de la IA es la potencia de cálculo y la energía necesarias para entrenar y razonar modelos.
Por ejemplo, el LLAMA3 de Meta requiere 16.000 H100GPU producidos por NVIDIA, una unidad de procesamiento gráfico de primera línea diseñada para cargas de trabajo de IA y computación de alto rendimiento. 30 días para completar la formación. La versión de 80 GB de este último cuesta entre 30.000 y 40.000 dólares por unidad, lo que requiere entre 4 y 700 millones de dólares en inversión en hardware informático (GPU + chip de red), mientras que consume 1.600 millones de kWh de formación al mes y casi 20 millones de dólares al mes en gasto energético.
La descarga de la potencia de cálculo de IA es precisamente el primer campo donde Web3 se cruza con la IA: DePin (Red de Infraestructura Física Descentralizada). Actualmente, el sitio de datos DePin Ninja ya ha exhibido más de 1400 proyectos, entre los cuales los proyectos representativos de compartir la potencia de cálculo de GPU incluyen io.net, Aethir, Akash, Render Network, entre otros.
Su lógica principal radica en que la plataforma permite a individuos o entidades con recursos de GPU inactivos contribuir con su capacidad de cálculo de manera descentralizada y sin necesidad de permisos. A través de un mercado en línea para compradores y vendedores similar a Uber o Airbnb, se mejora la utilización de recursos de GPU que no se están usando adecuadamente, y los usuarios finales obtienen así recursos de cálculo eficientes a un costo más bajo. Al mismo tiempo, el mecanismo de staking también asegura que, si se produce una violación del mecanismo de control de calidad o una interrupción de la red, los proveedores de recursos enfrenten las sanciones correspondientes.
Sus características son:
Reunir recursos GPU ociosos: los proveedores son principalmente operadores de centros de datos independientes y de pequeña y mediana escala, como las granjas de criptomonedas que tienen recursos de potencia de cálculo excedentes, y el hardware de minería con mecanismo de consenso PoS, como las máquinas de minería de FileCoin y ETH. Actualmente, también hay proyectos que se dedican a iniciar dispositivos con umbrales de entrada más bajos, como exolab, que utiliza MacBook, iPhone, iPad y otros dispositivos locales para establecer una red de potencia de cálculo para la inferencia de grandes modelos.
Frente al mercado de cola larga de la potencia de cómputo de la IA: a. Desde el punto de vista técnico, el mercado de la computación descentralizada es más adecuado para la etapa de inferencia. El entrenamiento depende más de la potencia de procesamiento de datos que aportan las GPU a escala de clúster ultragrande, mientras que la inferencia tiene un rendimiento relativamente bajo para la computación de GPU, como el enfoque de Aethir en trabajos de renderizado de baja latencia y aplicaciones de inferencia de IA. b. "Por el lado de la demanda", los pequeños y medianos demandantes de potencia informática no entrenarán solo sus propios modelos grandes, sino que solo optarán por optimizar y ajustar en torno a unos pocos modelos grandes líderes, y estos escenarios son naturalmente adecuados para recursos informáticos inactivos distribuidos.
Propiedad descentralizada: el significado técnico de la blockchain radica en que los propietarios de recursos siempre retienen el control sobre sus recursos, ajustándose de manera flexible según la demanda, al mismo tiempo que obtienen beneficios.
Datos
Los datos son la base de la IA. Sin datos, el cálculo es tan inútil como una hoja flotante, y la relación entre los datos y el modelo es como dice el refrán: "Basura entra, basura sale". La cantidad de datos y la calidad de la entrada determinan la calidad de salida del modelo final. En el entrenamiento de los modelos de IA actuales, los datos determinan la capacidad lingüística del modelo, su capacidad de comprensión, e incluso sus valores y su expresión humanizada. Actualmente, las dificultades de demanda de datos de la IA se centran principalmente en los siguientes cuatro aspectos:
La sed de datos: el entrenamiento de modelos de IA depende de una gran cantidad de datos de entrada. Los documentos públicos muestran que OpenAI ha entrenado GPT-4 con un número de parámetros que alcanza el nivel de billones.
Calidad de los datos: A medida que la IA se combina con diversas industrias, la temporalidad de los datos, la diversidad de los datos, la especialización de los datos verticales y la incorporación de nuevas fuentes de datos, como las emociones de las redes sociales, han planteado nuevas exigencias sobre su calidad.
Problemas de privacidad y cumplimiento: Actualmente, varios países y empresas están comenzando a notar la importancia de los conjuntos de datos de alta calidad, y están imponiendo restricciones a la recopilación de conjuntos de datos.
Altos costos de procesamiento de datos: grandes volúmenes de datos y procesos complejos. La información pública muestra que más del 30% de los costos de investigación y desarrollo de las empresas de IA se destinan a la recopilación y procesamiento de datos básicos.
Actualmente, las soluciones de web3 se manifiestan en los siguientes cuatro aspectos:
Recolección de datos: La disponibilidad de datos del mundo real que se pueden extraer de forma gratuita se está agotando rápidamente, y los gastos de las empresas de IA por datos están aumentando año tras año. Sin embargo, al mismo tiempo, este gasto no ha beneficiado a los verdaderos contribuyentes de datos, ya que las plataformas disfrutan por completo de la creación de valor que aportan los datos, como Reddit, que generó un ingreso total de 203 millones de dólares mediante acuerdos de autorización de datos con empresas de IA.
Permitir que los usuarios que realmente contribuyen participen también en la creación de valor que aporta los datos, así como obtener datos más privados y valiosos de los usuarios a un costo bajo a través de una red distribuida y mecanismos de incentivos, es la visión de Web3.
Grass es una capa de datos y red descentralizada, donde los usuarios pueden ejecutar nodos de Grass, contribuir con ancho de banda ocioso y tráfico de retransmisión para capturar datos en tiempo real de toda la internet y obtener recompensas en forma de tokens;
Vana ha introducido un concepto único de piscina de liquidez de datos (DLP), donde los usuarios pueden subir sus datos privados (como registros de compras, hábitos de navegación, actividades en redes sociales, etc.) a un DLP específico y elegir de manera flexible si autorizan a terceros específicos a utilizar esos datos;
En PublicAI, los usuarios pueden usar #AI 或#Web3 como etiqueta de clasificación en X y @PublicAI para realizar la recopilación de datos.
Preprocesamiento de datos: En el proceso de tratamiento de datos de la IA, debido a que los datos recopilados suelen ser ruidosos y contener errores, deben limpiarse y transformarse en un formato utilizable antes de entrenar el modelo, lo que implica tareas repetitivas de normalización, filtrado y manejo de valores faltantes. Esta etapa es una de las pocas etapas manuales en la industria de la IA, y ha dado lugar a la industria de los etiquetadores de datos. A medida que las exigencias de calidad de los datos por parte de los modelos aumentan, también se eleva el umbral para los etiquetadores de datos, y esta tarea se adapta naturalmente al mecanismo de incentivos descentralizados de Web3.
Actualmente, Grass y OpenLayer están considerando unirse a esta etapa clave de la anotación de datos.
Synesis propuso el concepto de "Train2earn", enfatizando la calidad de los datos. Los usuarios pueden obtener recompensas al proporcionar datos etiquetados, anotaciones u otras formas de entrada.
El proyecto de etiquetado de datos Sapien gamifica las tareas de etiquetado y permite a los usuarios apostar puntos para ganar más puntos.
Privacidad y seguridad de los datos: Cabe aclarar que la privacidad y la seguridad de los datos son dos conceptos diferentes. La privacidad de los datos implica el manejo de datos confidenciales, y la seguridad de los datos protege los datos del acceso no autorizado, la destrucción y el robo. Como resultado, las ventajas y los posibles escenarios de aplicación de la tecnología de privacidad Web3 se reflejan en dos aspectos: (1) entrenamiento de datos sensibles; (2) Colaboración de datos: Varios propietarios de datos pueden trabajar juntos para participar en el entrenamiento de IA sin compartir sus datos sin procesar.
Las tecnologías de privacidad más comunes en Web3 incluyen:
Entorno de ejecución confiable (TEE), como Super Protocol;
Cifrado completamente homomórfico (FHE), por ejemplo, BasedAI, Fhenix.io o Inco Network;
La tecnología de conocimiento cero (zk), como el Protocolo Reclaim que utiliza la tecnología zkTLS, genera pruebas de conocimiento cero del tráfico HTTPS, lo que permite a los usuarios importar de manera segura actividades, reputación y datos de identidad de sitios web externos sin exponer información sensible.
Sin embargo, actualmente este campo todavía se encuentra en una etapa temprana, la mayoría de los proyectos aún están en exploración, y un dilema actual es que el costo de computación es demasiado alto, algunos ejemplos son:
El marco zkML EZKL necesita aproximadamente 80 minutos para generar una prueba de un modelo 1M-nanoGPT.
Según los datos de Modulus Labs, el costo de zkML es más de 1000 veces mayor que el de la computación pura.
Almacenamiento de datos: Una vez que se tienen los datos, también se necesita un lugar para almacenar los datos en la cadena y el LLM generado a partir de esos datos. Con la disponibilidad de datos (DA) como el problema central, antes de la actualización de Danksharding de Ethereum, su capacidad era de 0.08MB. Al mismo tiempo, el entrenamiento de modelos de IA y la inferencia en tiempo real suelen requerir un rendimiento de datos de 50 a 100GB por segundo. Esta disparidad en el orden de magnitud hace que las soluciones existentes en la cadena sean insuficientes frente a "aplicaciones de IA que consumen muchos recursos".
0g.AI es un proyecto representativo de esta categoría. Es una solución de almacenamiento centralizado diseñada para satisfacer las altas demandas de rendimiento de la IA, cuyas características clave incluyen: alto rendimiento y escalabilidad, mediante técnicas de fragmentación avanzada (Sharding) y codificación de borrado (Erasure Coding), que permiten la carga y descarga rápida de grandes conjuntos de datos, con una velocidad de transferencia de datos cercana a 5 GB por segundo.
II. Middleware: Entrenamiento e inferencia del modelo
Mercado descentralizado de modelos de código abierto
El debate sobre si los modelos de IA deben ser de código cerrado o abierto nunca ha desaparecido. La innovación colectiva que trae el código abierto es una ventaja incomparable con la de los modelos de código cerrado; sin embargo, ¿cómo pueden los modelos de código abierto aumentar la motivación de los desarrolladores sin un modelo de negocio rentable? Es una dirección que vale la pena reflexionar. El fundador de Baidu, Li Yanhong, afirmó en abril de este año que "los modelos de código abierto quedarán cada vez más atrás."
A esto, Web3 propone la posibilidad de un mercado de modelos descentralizado y de código abierto, es decir, tokenizar el modelo en sí, reservar un porcentaje de tokens para el equipo y dirigir parte de los ingresos futuros del modelo hacia los poseedores de tokens.
Como el protocolo Bittensor establece un mercado P2P de modelos de código abierto, compuesto por decenas de "subredes", donde los proveedores de recursos (cómputo, recolección / almacenamiento de datos, talento en aprendizaje automático) compiten entre sí para satisfacer los objetivos de los propietarios de subredes específicos. Las diferentes subredes pueden interactuar y aprender unas de otras, logrando así una inteligencia más poderosa. Las recompensas son distribuidas por votación de la comunidad y se distribuyen aún más en cada subred según el rendimiento competitivo.
ORA ha introducido el concepto de emisión de modelos iniciales (IMO), tokenizando modelos de IA, que se pueden comprar, vender y desarrollar a través de una red descentralizada.
Sentient, una plataforma AGI descentralizada, incentiva a las personas a colaborar, construir, replicar y expandir modelos de IA, y recompensa a los contribuyentes.
Spectral Nova, enfocado en la creación y aplicación de modelos de IA y ML.
razonamiento verificable
Para el problema de "caja negra" en el proceso de razonamiento de la IA, la solución estándar de Web3 es hacer que varios validadores repitan la misma operación y comparen los resultados, pero debido a la escasez actual de "chips Nvidia" de alta gama, el desafío evidente que enfrenta este enfoque es el alto costo de razonamiento de la IA.
Una solución más prometedora es ejecutar pruebas ZK para el cálculo de inferencia de IA fuera de la cadena "prueba de conocimiento cero, un protocolo criptográfico en el que una parte, el probador, puede demostrar a otra parte, el verificador, que una afirmación dada es verdadera sin revelar ninguna información adicional más allá de que la afirmación es verdadera", validando de manera no permisiva los cálculos del modelo de IA en la cadena. Esto requiere probar criptográficamente en la cadena que el cálculo fuera de la cadena se ha completado correctamente (por ejemplo, que el conjunto de datos no ha sido alterado), al mismo tiempo que se garantiza la confidencialidad de todos los datos.
Las principales ventajas incluyen:
Escalabilidad: las pruebas de conocimiento cero pueden confirmar rápidamente una gran cantidad de cálculos fuera de la cadena. Incluso si aumenta el número de transacciones, una sola prueba de conocimiento cero puede validar todas las transacciones.
Protección de la privacidad: los detalles de los datos y los modelos de IA se mantienen en privado, mientras que las partes pueden verificar que los datos y los modelos no han sido alterados.
Sin necesidad de confianza: se puede verificar el cálculo sin depender de partes centralizadas.
Integración Web2: por definición, Web2 es una integración fuera de la cadena, lo que significa que el razonamiento verificable puede ayudar a llevar sus conjuntos de datos y cálculos de IA a la cadena. Esto ayuda a aumentar la tasa de adopción de Web3.
Las tecnologías verificables actuales para la inferencia verificable en Web3 son las siguientes:
zkML: combina pruebas de conocimiento cero con aprendizaje automático para garantizar la privacidad y confidencialidad de los datos y modelos, permitiendo cálculos verificables sin revelar ciertos atributos subyacentes. Por ejemplo, Modulus Labs ha lanzado un probador ZK basado en ZKML para verificar de manera efectiva si los proveedores de IA manipulan correctamente la ejecución de algoritmos en la cadena, aunque actualmente los clientes son principalmente aplicaciones DApp en la cadena.
opML: Utilizando el principio de agregación optimista, mejora la escalabilidad y eficiencia del cálculo de ML al verificar el momento en que ocurre una disputa. En este modelo, solo es necesario verificar una pequeña parte de los resultados generados por el "validador", pero se establece el costo económico de reducción lo suficientemente alto para aumentar el costo de hacer trampa del validador y así ahorrar cálculos redundantes.
TeeML: Ejecuta cálculos de ML de forma segura utilizando entornos de ejecución confiables, protegiendo los datos y modelos contra la manipulación y el acceso no autorizado.
Tres, Capa de Aplicación: Agente de IA
El desarrollo actual de la IA ya muestra un cambio en el enfoque de desarrollo desde la capacidad del modelo hacia el panorama de los Agentes de IA. Empresas tecnológicas como OpenAI, la startup de grandes modelos de IA Anthropic y Microsoft están pivotando hacia el desarrollo de Agentes de IA, intentando romper con el actual período de plataforma tecnológica de LLM.
La definición de OpenAI para un Agente de IA es: un sistema impulsado por LLM como cerebro, que tiene la capacidad de comprender y percibir de manera autónoma, planificar, recordar y utilizar herramientas, y que puede ejecutar automáticamente tareas complejas. Cuando la IA pasa de ser una herramienta utilizada a convertirse en un sujeto que puede usar herramientas, se convierte en un Agente de IA. Esta es también la razón por la cual un Agente de IA puede convertirse en el asistente inteligente ideal para los humanos.
¿Y qué puede traer Web3 para los agentes?
Descentralizado
Las características de descentralización de Web3 pueden hacer que los sistemas de agentes sean más dispersos y autónomos. A través de mecanismos como PoS y DPoS, se pueden establecer incentivos y sanciones para los stakers y delegadores, lo que puede promover la democratización de los sistemas de agentes. GaiaNet, Theoriq y HajimeAI han hecho intentos en este sentido.
Arranque en frío
El desarrollo y la iteración de agentes de IA a menudo requieren un gran apoyo financiero, y Web3 puede ayudar a los proyectos de agentes de IA con potencial a obtener financiación temprana y un arranque en frío.
Virtual Protocol ha lanzado la plataforma de creación e emisión de tokens AI Agent fun.virtuals, donde cualquier usuario puede implementar un AI Agent con un solo clic y lograr una emisión 100% justa de tokens AI Agent.
Spectral ha propuesto un concepto de producto que apoya la emisión de activos de Agentes de IA en la cadena: mediante IAO (Initial Agent Offering) se emiten tokens, los Agentes de IA pueden obtener fondos directamente de los inversores, al mismo tiempo que se convierten en miembros de la gobernanza DAO, brindando a los inversores la oportunidad de participar en el desarrollo del proyecto y compartir los beneficios futuros.
¿Cómo la IA potencia el Web3?
El impacto de la IA en los proyectos de Web3 es evidente, ya que optimiza las operaciones en cadena (como la ejecución de contratos inteligentes, la optimización de liquidez y las decisiones de gobernanza impulsadas por IA), beneficiando así la tecnología blockchain. Al mismo tiempo, puede proporcionar mejores conocimientos basados en datos, mejorar la seguridad en cadena y sentar las bases para nuevas aplicaciones basadas en Web3.
Uno, IA y finanzas en la cadena
IA y economía criptográfica
El 31 de agosto, el CEO de Coinbase, Brian Armstrong, anunció la primera transacción de criptomonedas de IA a IA en la red Base, y dijo que AI Agent ahora puede usar USD on Base para realizar transacciones con humanos, comerciantes u otra IA, y estas transacciones son instantáneas, globales y gratuitas.
Además de los pagos, el Luna de Virtuals Protocol también ha demostrado por primera vez cómo el Agente de IA puede ejecutar de forma autónoma transacciones en la cadena, lo que ha suscitado interés, convirtiendo al Agente de IA en una entidad inteligente capaz de percibir el entorno, tomar decisiones y ejecutar acciones, siendo considerado el futuro de las finanzas en la cadena. Actualmente, los escenarios potenciales del Agente de IA se reflejan en los siguientes puntos:
Recopilación de información y predicción: Ayudar a los inversores a recopilar anuncios de intercambios, información pública de proyectos, sentimientos de pánico, riesgos de opinión pública, etc., analizar y evaluar en tiempo real los fundamentos de los activos, la situación del mercado, predecir tendencias y riesgos.
Gestión de activos: proporcionar a los usuarios objetivos de inversión adecuados, optimizar la cartera de activos y ejecutar transacciones automáticamente.
Experiencia financiera: ayuda a los inversores a elegir la forma de transacción en cadena más rápida, automatizando las operaciones manuales como el cruce de cadenas y el ajuste de tarifas de gas, reduciendo así el umbral y el costo de las actividades financieras en cadena.
Imagina un escenario en el que le das las siguientes instrucciones a un Agente de IA: "Tengo 1000USDT, por favor ayúdame a encontrar la combinación con el mayor rendimiento, con un tiempo de bloqueo de no más de una semana". El Agente de IA te proporcionará la siguiente recomendación: "Se sugiere una asignación inicial del 50% en A, 20% en B, 20% en X, 10% en Y. Monitorearé las tasas de interés y observaré los cambios en el nivel de riesgo, y reequilibraré cuando sea necesario". Además, buscar proyectos de airdrop con potencial, así como proyectos de Memecoin que muestren signos de comunidades populares, son cosas que el Agente de IA podría llevar a cabo en el futuro.
Fuente de la imagen: Biconomy
Actualmente, las billeteras AI Agent Bitte y el protocolo de interacción AI Wayfinder están intentando esto, ambos intentan conectarse a la API del modelo de OpenAI, permitiendo a los usuarios interactuar a través de una interfaz de chat similar a ChatGPT, donde pueden ordenar al agente que realice varias operaciones en la cadena, como el primer prototipo de WayFinder lanzado en abril de este año, que mostró las cuatro operaciones básicas de swap, send, bridge y stake en las principales redes de Base, Polygon y Ethereum.
Actualmente, la plataforma descentralizada Morpheus también admite el desarrollo de este tipo de agentes, como Biconomy, que también demostró una operación en la que un agente de IA puede intercambiar ETH por USDC sin necesidad de autorización completa de la billetera.
AI y seguridad en transacciones en cadena
En el mundo Web3, la seguridad de las transacciones en la cadena es crucial. La tecnología de IA puede utilizarse para mejorar la seguridad y la protección de la privacidad de las transacciones en la cadena, los escenarios potenciales incluyen:
Monitoreo de transacciones: supervisión técnica de datos en tiempo real de actividades de transacciones anómalas, infraestructura de alertas en tiempo real para usuarios y plataformas.
Análisis de riesgos: ayuda a la plataforma a analizar los datos del comportamiento de transacciones de los clientes y evaluar su nivel de riesgo.
Por ejemplo, la plataforma de seguridad Web3 SeQure utiliza IA para detectar y prevenir ataques maliciosos, fraudes y filtraciones de datos, y ofrece monitoreo en tiempo real y mecanismos de alerta para garantizar la seguridad y estabilidad de las transacciones en la cadena. Herramientas de seguridad similares incluyen Sentinel impulsado por IA.
Dos, IA e infraestructura en la cadena
IA y datos en cadena
La tecnología de IA desempeña un papel importante en la recopilación y análisis de datos en cadena, como:
Web3 Analytics: es una plataforma de análisis basada en IA que utiliza algoritmos de aprendizaje automático y minería de datos para recopilar, procesar y analizar datos en la cadena.
MinMax AI: Proporciona herramientas de análisis de datos en cadena basadas en IA, que ayudan a los usuarios a descubrir oportunidades y tendencias potenciales en el mercado.
Kaito: Plataforma de búsqueda Web3 basada en un motor de búsqueda LLM.
Integrado con ChatGPT, recopila y presenta información relevante dispersa en diferentes sitios web y plataformas comunitarias.
Otro escenario de aplicación son los oráculos, donde la IA puede obtener precios de múltiples fuentes para proporcionar datos de precios precisos. Por ejemplo, Upshot utiliza IA para abordar la volatilidad de los precios de los NFT, proporcionando precios de NFT con un margen de error porcentual del 3-10% a través de más de mil millones de evaluaciones por hora.
IA y desarrollo&auditoría
Recientemente, un editor de código AI de Web2, Cursor, ha llamado la atención en el círculo de desarrolladores. En su plataforma, los usuarios solo necesitan describir en lenguaje natural, y Cursor puede generar automáticamente el correspondiente código HTML, CSS y JavaScript, simplificando en gran medida el proceso de desarrollo de software. Esta lógica también es aplicable para mejorar la eficiencia del desarrollo de Web3.
Actualmente, al implementar contratos inteligentes y DApps en una cadena de bloques pública, generalmente se debe seguir lenguajes de desarrollo específicos como Solidity, Rust, Move, etc. La visión de nuevos lenguajes de desarrollo es expandir el espacio de diseño de la blockchain descentralizada, haciéndola más adecuada para el desarrollo de DApps, pero dado que hay una gran escasez de desarrolladores en Web3, la educación de los desarrolladores siempre ha sido un problema más complicado.
Actualmente, la IA en la asistencia al desarrollo de Web3 puede imaginarse en escenarios como: generación automática de código, verificación y prueba de contratos inteligentes, despliegue y mantenimiento de DApps, autocompletado de código inteligente, respuestas a preguntas difíciles de desarrollo mediante diálogo con IA, etc. Con la asistencia de la IA, no solo se ayuda a mejorar la eficiencia y precisión del desarrollo, sino que también se reduce la barrera de entrada a la programación, permitiendo que personas no programadoras puedan convertir sus ideas en aplicaciones reales, aportando nueva vitalidad al desarrollo de tecnologías descentralizadas.
Actualmente, lo que más llama la atención es la plataforma de tokens de un solo clic, como Clanker, un "Token Bot" impulsado por IA, diseñado específicamente para el despliegue rápido de tokens DIY. Solo necesitas etiquetar a Clanker en el cliente SocialFi Farcaster, como Warpcast o Supercast, y decirle tu idea de token, y él iniciará el token para ti en la cadena pública Base.
También hay plataformas de desarrollo de contratos, como Spectral, que ofrecen funciones de generación y despliegue de contratos inteligentes con un solo clic, para reducir la barrera de entrada al desarrollo de Web3, permitiendo que incluso los usuarios novatos puedan compilar y desplegar contratos inteligentes.
En el ámbito de las auditorías, la plataforma de auditoría Web3 Fuzzland utiliza inteligencia artificial para ayudar a los auditores a detectar vulnerabilidades en el código, proporcionando explicaciones en lenguaje natural para respaldar la experiencia en auditoría. Fuzzland también utiliza IA para ofrecer explicaciones en lenguaje natural de las especificaciones formales y del código de contratos, así como algunos ejemplos de código, para ayudar a los desarrolladores a comprender los problemas potenciales en el código.
Tres, la nueva narrativa de AI y Web3
El auge de la IA generativa ha traído nuevas posibilidades para la nueva narrativa de Web3.
NFT: La IA ha inyectado creatividad en los NFT generativos, permitiendo a través de la tecnología de IA generar diversas y únicas obras de arte y personajes. Estos NFT generativos pueden convertirse en personajes, objetos o elementos de escenas en juegos, mundos virtuales o el metaverso, como Bicasso de Binance, donde los usuarios pueden subir imágenes y entrar palabras clave para generar NFT mediante computación de IA. Proyectos similares incluyen Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: En torno a la generación de lenguaje natural por IA, la generación de imágenes y las capacidades de NPC inteligentes, GameFi promete mejorar la eficiencia y la innovación en la producción de contenido de juegos. Por ejemplo, AI Hero, el primer juego en cadena de Binaryx, permite a los jugadores explorar aleatoriamente diferentes opciones de trama a través de la IA; de manera similar, también existe el juego de compañeros virtuales Sleepless AI, que se basa en AIGC y LLM, donde los jugadores pueden desbloquear estilos de juego personalizados a través de diferentes interacciones.
DAO: Actualmente, se ha imaginado que la IA también se aplique en las DAO, ayudando a rastrear la interacción de la comunidad, registrar contribuciones, recompensar a los miembros con más contribuciones, realizar votaciones en代理, etc. Por ejemplo, ai16z utiliza un Agente de IA para recopilar información del mercado tanto en la cadena como fuera de ella, analizar el consenso de la comunidad y tomar decisiones de inversión basadas en las sugerencias de los miembros de la DAO.
Significado de la combinación de AI+Web3: torres y plazas
En el corazón de la ciudad de Florencia, Italia, se encuentra el lugar político más importante de la localidad y un punto de encuentro para ciudadanos y turistas: la Plaza Central. Aquí se erige una torre del ayuntamiento de 95 metros de altura, que complementa la comparación visual vertical y horizontal con la plaza, creando un efecto estético dramático. El profesor de historia de la Universidad de Harvard, Niall Ferguson, se inspiró en esto y en su libro "Plazas y Torres" relacionó la historia mundial de las redes y las jerarquías, que se desarrollan y retroceden a lo largo del tiempo.
Esta magnífica metáfora también se aplica perfectamente a la relación actual entre la IA y Web3. A partir de la larga y no lineal historia de la relación entre ambos, podemos ver que la plaza es más propensa a generar cosas nuevas y creativas, pero la torre aún tiene su legitimidad y una gran vitalidad.
Bajo la capacidad de las empresas tecnológicas de agrupar datos de energía y poder de computación, la IA ha estallado con una imaginación sin precedentes. Las grandes empresas tecnológicas están invirtiendo grandes sumas y entrando en el juego, desde diferentes chatbots hasta las versiones iterativas de «modelos base» como GPT-4 y GP4-4o, surgen robots de programación automática (Devin) y Sora, que tiene una capacidad inicial para simular el mundo físico real, entre otros, la imaginación de la IA se ha ampliado indefinidamente.
Al mismo tiempo, la IA es esencialmente una industria escalable y centralizada, y esta revolución tecnológica llevará a las empresas tecnológicas que ya habían comenzado a dominar estructuralmente en la "era de Internet" hacia un pico aún más estrecho. La enorme energía eléctrica, el flujo de efectivo monopolizado y los grandes conjuntos de datos necesarios para dominar la era de la inteligencia han creado barreras más altas para ellas.
A medida que la torre se eleva, los decisores detrás de escena se contraen más, la centralización de la IA trae muchos peligros, ¿cómo pueden las multitudes reunidas en la plaza evitar la sombra de la torre? Este es precisamente el problema que Web3 espera resolver.
En esencia, las propiedades inherentes de la blockchain mejoran los sistemas de inteligencia artificial y traen nuevas posibilidades, principalmente:
La era de la inteligencia artificial de "el código es la ley" - implementar reglas de ejecución automática de sistemas transparentes a través de contratos inteligentes y verificación criptográfica, entregando recompensas a aquellos que están más cerca de los objetivos.
Economía de tokens: crear y coordinar el comportamiento de los participantes a través de mecanismos de tokens, staking, reducciones, recompensas y castigos de tokens.
Gobernanza descentralizada: nos lleva a cuestionar la fuente de la información y fomenta un enfoque más crítico e informado hacia la tecnología de inteligencia artificial, previniendo sesgos, desinformación y manipulación, y en última instancia, cultivando una sociedad más informada y empoderada.
El desarrollo de la IA también ha traído nueva vitalidad a Web3. Quizás el impacto de Web3 en la IA necesite la prueba del tiempo, pero el impacto de la IA en Web3 es inmediato: esto se puede ver tanto en la locura de los memes como en cómo los agentes de IA ayudan a las aplicaciones en la cadena a reducir la barrera de entrada.
Cuando Web3 se define como un pequeño grupo de personas disfrutándose a sí mismas y atrapadas en las críticas por la copia de industrias tradicionales, la inclusión de la IA trae un futuro previsible: una base de usuarios de Web2 más estable y a gran escala, así como modelos de negocio y servicios más innovadores.
Vivimos en un mundo donde coexisten "torres y plazas". Aunque la IA y Web3 tienen diferentes líneas de tiempo y puntos de partida, su objetivo final es cómo hacer que las máquinas sirvan mejor a la humanidad. Nadie puede definir un río que fluye sin cesar. Esperamos ver el futuro de AI+Web3.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
IA + Web3: Torres y plazas
Escrito por: Coinspire
TL;DR：
Los proyectos de Web3 con conceptos de IA se han convertido en objetivos atractivos de inversión en los mercados primario y secundario.
Las oportunidades de Web3 en la industria de la IA se manifiestan en: utilizar incentivos distribuidos para coordinar el suministro potencial en la larga cola, abarcando datos, almacenamiento y computación; al mismo tiempo, establecer un modelo de código abierto y un mercado descentralizado de Agentes de IA.
La IA en la industria Web3 se utiliza principalmente en finanzas en la cadena (pagos en criptomonedas, transacciones, análisis de datos) y en asistencia al desarrollo.
La utilidad de AI+Web3 se manifiesta en la complementariedad de ambos: Web3 promete combatir la centralización de la IA, y la IA promete ayudar a Web3 a superar sus límites.
Introducción
En los últimos dos años, el desarrollo de la IA ha sido como si se hubiera pulsado el botón de aceleración; esta mariposa agitada por Chatgpt no solo ha abierto un nuevo mundo de inteligencia artificial generativa, sino que también ha generado un fuerte impulso en el otro lado, en Web3.
Con el respaldo del concepto de IA, el impulso de financiamiento en el mercado de criptomonedas, que se ha desacelerado, es notable. Los medios de comunicación han contabilizado que, solo en la primera mitad de 2024, un total de 64 proyectos de Web3+IA han completado financiamiento, y el sistema operativo basado en inteligencia artificial Zyber365 logró un monto máximo de financiamiento de 100 millones de dólares en la ronda A.
El mercado secundario es aún más próspero. Según los datos del sitio de agregación de criptomonedas Coingecko, en poco más de un año, la capitalización total del sector de IA ha alcanzado los 48.5 mil millones de dólares, con un volumen de transacciones en 24 horas cercano a los 8.6 mil millones de dólares; los beneficios evidentes derivados de los avances en tecnología de IA son claros, después del lanzamiento del modelo de texto a video Sora de OpenAI, el precio promedio del sector de IA ha aumentado un 151%; el efecto de la IA también se ha extendido a uno de los segmentos que atraen capital en criptomonedas, Meme: el primer MemeCoin con el concepto de Agente de IA—GOAT—se ha vuelto rápidamente popular y ha alcanzado una valoración de 1.4 mil millones de dólares, desatando con éxito la fiebre de los Memes de IA.
La investigación y los temas sobre AI+Web3 también están en plena efervescencia, desde AI+Depin hasta AI Memecoin y actualmente AI Agent y AI DAO, el sentimiento de FOMO ya no puede seguir el ritmo de la rotación de nuevas narrativas.
AI+Web3, esta combinación de términos llena de dinero fácil, oportunidades y fantasías futuras, no puede evitar ser vista como un matrimonio arreglado por el capital; parece que es difícil distinguir si debajo de esta lujosa vestimenta, en realidad es el terreno de los especuladores o la víspera de una explosión al amanecer.
Para responder a esta pregunta, una reflexión clave para ambas partes es: ¿será mejor con el otro? ¿Se puede beneficiar de los modelos del otro? En este artículo, también intentamos examinar este patrón desde la perspectiva de los predecesores: ¿cómo puede Web3 desempeñar un papel en cada uno de los eslabones de la pila tecnológica de IA, y qué nueva vitalidad puede aportar la IA a Web3?
¿Qué oportunidades hay para Web3 bajo la pila de IA?
Antes de abordar este tema, necesitamos entender la pila tecnológica de los modelos de IA a gran escala:
Fuente de la imagen: Delphi Digital
Expresado en un lenguaje más sencillo, todo el proceso es el siguiente: el "gran modelo" es como el cerebro humano. En las primeras etapas, este cerebro pertenece a un bebé que acaba de llegar al mundo, que necesita observar e incorporar una gran cantidad de información del entorno para entender este mundo; esta es la fase de "recolección" de datos. Dado que las computadoras no poseen los sentidos humanos de la vista y el oído, antes del entrenamiento, la gran cantidad de información no etiquetada del exterior necesita ser transformada a través de la "preprocesamiento" en un formato de información que la computadora pueda entender y utilizar.
Después de ingresar los datos, la IA construyó un modelo con capacidad de comprensión y predicción a través del «entrenamiento», que se puede ver como el proceso en el que un bebé gradualmente entiende y aprende sobre el mundo exterior. Los parámetros del modelo son como la habilidad lingüística que el bebé ajusta continuamente durante su proceso de aprendizaje. Cuando el contenido de aprendizaje comienza a especializarse, o cuando se comunica con personas y recibe retroalimentación y correcciones, entra en la etapa de «ajuste fino» del gran modelo.
Los niños, al crecer y aprender a hablar, pueden entender el significado y expresar sus sentimientos e ideas en nuevas conversaciones. Esta etapa es similar a la "razonamiento" de los grandes modelos de IA, donde el modelo puede predecir y analizar nuevas entradas de lenguaje y texto. Los bebés expresan sus sentimientos, describen objetos y resuelven diversos problemas a través de su capacidad lingüística, lo que también es similar a cómo los grandes modelos de IA se aplican en la etapa de razonamiento en diversas tareas específicas, como la clasificación de imágenes, el reconocimiento de voz, etc.
El Agente de IA se acerca más a la próxima forma de los grandes modelos: capaz de ejecutar tareas de manera independiente y perseguir objetivos complejos, no solo posee la capacidad de pensar, sino que también puede recordar, planificar y utilizar herramientas para interactuar con el mundo.
Actualmente, en respuesta a los puntos críticos de la IA en varias pilas, Web3 ha comenzado a formar un ecosistema de múltiples capas e interconectado, que abarca todas las etapas del flujo de modelos de IA.
Uno, Capa básica: Airbnb de poder de cálculo y datos
poder de cálculo
Actualmente, uno de los costos más altos de la IA es la potencia de cálculo y la energía necesarias para entrenar y razonar modelos.
Por ejemplo, el LLAMA3 de Meta requiere 16.000 H100GPU producidos por NVIDIA, una unidad de procesamiento gráfico de primera línea diseñada para cargas de trabajo de IA y computación de alto rendimiento. 30 días para completar la formación. La versión de 80 GB de este último cuesta entre 30.000 y 40.000 dólares por unidad, lo que requiere entre 4 y 700 millones de dólares en inversión en hardware informático (GPU + chip de red), mientras que consume 1.600 millones de kWh de formación al mes y casi 20 millones de dólares al mes en gasto energético.
La descarga de la potencia de cálculo de IA es precisamente el primer campo donde Web3 se cruza con la IA: DePin (Red de Infraestructura Física Descentralizada). Actualmente, el sitio de datos DePin Ninja ya ha exhibido más de 1400 proyectos, entre los cuales los proyectos representativos de compartir la potencia de cálculo de GPU incluyen io.net, Aethir, Akash, Render Network, entre otros.
Su lógica principal radica en que la plataforma permite a individuos o entidades con recursos de GPU inactivos contribuir con su capacidad de cálculo de manera descentralizada y sin necesidad de permisos. A través de un mercado en línea para compradores y vendedores similar a Uber o Airbnb, se mejora la utilización de recursos de GPU que no se están usando adecuadamente, y los usuarios finales obtienen así recursos de cálculo eficientes a un costo más bajo. Al mismo tiempo, el mecanismo de staking también asegura que, si se produce una violación del mecanismo de control de calidad o una interrupción de la red, los proveedores de recursos enfrenten las sanciones correspondientes.
Sus características son:
Reunir recursos GPU ociosos: los proveedores son principalmente operadores de centros de datos independientes y de pequeña y mediana escala, como las granjas de criptomonedas que tienen recursos de potencia de cálculo excedentes, y el hardware de minería con mecanismo de consenso PoS, como las máquinas de minería de FileCoin y ETH. Actualmente, también hay proyectos que se dedican a iniciar dispositivos con umbrales de entrada más bajos, como exolab, que utiliza MacBook, iPhone, iPad y otros dispositivos locales para establecer una red de potencia de cálculo para la inferencia de grandes modelos.
Frente al mercado de cola larga de la potencia de cómputo de la IA: a. Desde el punto de vista técnico, el mercado de la computación descentralizada es más adecuado para la etapa de inferencia. El entrenamiento depende más de la potencia de procesamiento de datos que aportan las GPU a escala de clúster ultragrande, mientras que la inferencia tiene un rendimiento relativamente bajo para la computación de GPU, como el enfoque de Aethir en trabajos de renderizado de baja latencia y aplicaciones de inferencia de IA. b. "Por el lado de la demanda", los pequeños y medianos demandantes de potencia informática no entrenarán solo sus propios modelos grandes, sino que solo optarán por optimizar y ajustar en torno a unos pocos modelos grandes líderes, y estos escenarios son naturalmente adecuados para recursos informáticos inactivos distribuidos.
Propiedad descentralizada: el significado técnico de la blockchain radica en que los propietarios de recursos siempre retienen el control sobre sus recursos, ajustándose de manera flexible según la demanda, al mismo tiempo que obtienen beneficios.
Datos
Los datos son la base de la IA. Sin datos, el cálculo es tan inútil como una hoja flotante, y la relación entre los datos y el modelo es como dice el refrán: "Basura entra, basura sale". La cantidad de datos y la calidad de la entrada determinan la calidad de salida del modelo final. En el entrenamiento de los modelos de IA actuales, los datos determinan la capacidad lingüística del modelo, su capacidad de comprensión, e incluso sus valores y su expresión humanizada. Actualmente, las dificultades de demanda de datos de la IA se centran principalmente en los siguientes cuatro aspectos:
La sed de datos: el entrenamiento de modelos de IA depende de una gran cantidad de datos de entrada. Los documentos públicos muestran que OpenAI ha entrenado GPT-4 con un número de parámetros que alcanza el nivel de billones.
Calidad de los datos: A medida que la IA se combina con diversas industrias, la temporalidad de los datos, la diversidad de los datos, la especialización de los datos verticales y la incorporación de nuevas fuentes de datos, como las emociones de las redes sociales, han planteado nuevas exigencias sobre su calidad.
Problemas de privacidad y cumplimiento: Actualmente, varios países y empresas están comenzando a notar la importancia de los conjuntos de datos de alta calidad, y están imponiendo restricciones a la recopilación de conjuntos de datos.
Altos costos de procesamiento de datos: grandes volúmenes de datos y procesos complejos. La información pública muestra que más del 30% de los costos de investigación y desarrollo de las empresas de IA se destinan a la recopilación y procesamiento de datos básicos.
Actualmente, las soluciones de web3 se manifiestan en los siguientes cuatro aspectos:
Permitir que los usuarios que realmente contribuyen participen también en la creación de valor que aporta los datos, así como obtener datos más privados y valiosos de los usuarios a un costo bajo a través de una red distribuida y mecanismos de incentivos, es la visión de Web3.
Grass es una capa de datos y red descentralizada, donde los usuarios pueden ejecutar nodos de Grass, contribuir con ancho de banda ocioso y tráfico de retransmisión para capturar datos en tiempo real de toda la internet y obtener recompensas en forma de tokens;
Vana ha introducido un concepto único de piscina de liquidez de datos (DLP), donde los usuarios pueden subir sus datos privados (como registros de compras, hábitos de navegación, actividades en redes sociales, etc.) a un DLP específico y elegir de manera flexible si autorizan a terceros específicos a utilizar esos datos;
En PublicAI, los usuarios pueden usar #AI 或#Web3 como etiqueta de clasificación en X y @PublicAI para realizar la recopilación de datos.
Actualmente, Grass y OpenLayer están considerando unirse a esta etapa clave de la anotación de datos.
Synesis propuso el concepto de "Train2earn", enfatizando la calidad de los datos. Los usuarios pueden obtener recompensas al proporcionar datos etiquetados, anotaciones u otras formas de entrada.
El proyecto de etiquetado de datos Sapien gamifica las tareas de etiquetado y permite a los usuarios apostar puntos para ganar más puntos.
Las tecnologías de privacidad más comunes en Web3 incluyen:
Entorno de ejecución confiable (TEE), como Super Protocol;
Cifrado completamente homomórfico (FHE), por ejemplo, BasedAI, Fhenix.io o Inco Network;
La tecnología de conocimiento cero (zk), como el Protocolo Reclaim que utiliza la tecnología zkTLS, genera pruebas de conocimiento cero del tráfico HTTPS, lo que permite a los usuarios importar de manera segura actividades, reputación y datos de identidad de sitios web externos sin exponer información sensible.
Sin embargo, actualmente este campo todavía se encuentra en una etapa temprana, la mayoría de los proyectos aún están en exploración, y un dilema actual es que el costo de computación es demasiado alto, algunos ejemplos son:
El marco zkML EZKL necesita aproximadamente 80 minutos para generar una prueba de un modelo 1M-nanoGPT.
Según los datos de Modulus Labs, el costo de zkML es más de 1000 veces mayor que el de la computación pura.
0g.AI es un proyecto representativo de esta categoría. Es una solución de almacenamiento centralizado diseñada para satisfacer las altas demandas de rendimiento de la IA, cuyas características clave incluyen: alto rendimiento y escalabilidad, mediante técnicas de fragmentación avanzada (Sharding) y codificación de borrado (Erasure Coding), que permiten la carga y descarga rápida de grandes conjuntos de datos, con una velocidad de transferencia de datos cercana a 5 GB por segundo.
II. Middleware: Entrenamiento e inferencia del modelo
Mercado descentralizado de modelos de código abierto
El debate sobre si los modelos de IA deben ser de código cerrado o abierto nunca ha desaparecido. La innovación colectiva que trae el código abierto es una ventaja incomparable con la de los modelos de código cerrado; sin embargo, ¿cómo pueden los modelos de código abierto aumentar la motivación de los desarrolladores sin un modelo de negocio rentable? Es una dirección que vale la pena reflexionar. El fundador de Baidu, Li Yanhong, afirmó en abril de este año que "los modelos de código abierto quedarán cada vez más atrás."
A esto, Web3 propone la posibilidad de un mercado de modelos descentralizado y de código abierto, es decir, tokenizar el modelo en sí, reservar un porcentaje de tokens para el equipo y dirigir parte de los ingresos futuros del modelo hacia los poseedores de tokens.
Como el protocolo Bittensor establece un mercado P2P de modelos de código abierto, compuesto por decenas de "subredes", donde los proveedores de recursos (cómputo, recolección / almacenamiento de datos, talento en aprendizaje automático) compiten entre sí para satisfacer los objetivos de los propietarios de subredes específicos. Las diferentes subredes pueden interactuar y aprender unas de otras, logrando así una inteligencia más poderosa. Las recompensas son distribuidas por votación de la comunidad y se distribuyen aún más en cada subred según el rendimiento competitivo.
ORA ha introducido el concepto de emisión de modelos iniciales (IMO), tokenizando modelos de IA, que se pueden comprar, vender y desarrollar a través de una red descentralizada.
Sentient, una plataforma AGI descentralizada, incentiva a las personas a colaborar, construir, replicar y expandir modelos de IA, y recompensa a los contribuyentes.
Spectral Nova, enfocado en la creación y aplicación de modelos de IA y ML.
razonamiento verificable
Para el problema de "caja negra" en el proceso de razonamiento de la IA, la solución estándar de Web3 es hacer que varios validadores repitan la misma operación y comparen los resultados, pero debido a la escasez actual de "chips Nvidia" de alta gama, el desafío evidente que enfrenta este enfoque es el alto costo de razonamiento de la IA.
Una solución más prometedora es ejecutar pruebas ZK para el cálculo de inferencia de IA fuera de la cadena "prueba de conocimiento cero, un protocolo criptográfico en el que una parte, el probador, puede demostrar a otra parte, el verificador, que una afirmación dada es verdadera sin revelar ninguna información adicional más allá de que la afirmación es verdadera", validando de manera no permisiva los cálculos del modelo de IA en la cadena. Esto requiere probar criptográficamente en la cadena que el cálculo fuera de la cadena se ha completado correctamente (por ejemplo, que el conjunto de datos no ha sido alterado), al mismo tiempo que se garantiza la confidencialidad de todos los datos.
Las principales ventajas incluyen:
Escalabilidad: las pruebas de conocimiento cero pueden confirmar rápidamente una gran cantidad de cálculos fuera de la cadena. Incluso si aumenta el número de transacciones, una sola prueba de conocimiento cero puede validar todas las transacciones.
Protección de la privacidad: los detalles de los datos y los modelos de IA se mantienen en privado, mientras que las partes pueden verificar que los datos y los modelos no han sido alterados.
Sin necesidad de confianza: se puede verificar el cálculo sin depender de partes centralizadas.
Integración Web2: por definición, Web2 es una integración fuera de la cadena, lo que significa que el razonamiento verificable puede ayudar a llevar sus conjuntos de datos y cálculos de IA a la cadena. Esto ayuda a aumentar la tasa de adopción de Web3.
Las tecnologías verificables actuales para la inferencia verificable en Web3 son las siguientes:
zkML: combina pruebas de conocimiento cero con aprendizaje automático para garantizar la privacidad y confidencialidad de los datos y modelos, permitiendo cálculos verificables sin revelar ciertos atributos subyacentes. Por ejemplo, Modulus Labs ha lanzado un probador ZK basado en ZKML para verificar de manera efectiva si los proveedores de IA manipulan correctamente la ejecución de algoritmos en la cadena, aunque actualmente los clientes son principalmente aplicaciones DApp en la cadena.
opML: Utilizando el principio de agregación optimista, mejora la escalabilidad y eficiencia del cálculo de ML al verificar el momento en que ocurre una disputa. En este modelo, solo es necesario verificar una pequeña parte de los resultados generados por el "validador", pero se establece el costo económico de reducción lo suficientemente alto para aumentar el costo de hacer trampa del validador y así ahorrar cálculos redundantes.
TeeML: Ejecuta cálculos de ML de forma segura utilizando entornos de ejecución confiables, protegiendo los datos y modelos contra la manipulación y el acceso no autorizado.
Tres, Capa de Aplicación: Agente de IA
El desarrollo actual de la IA ya muestra un cambio en el enfoque de desarrollo desde la capacidad del modelo hacia el panorama de los Agentes de IA. Empresas tecnológicas como OpenAI, la startup de grandes modelos de IA Anthropic y Microsoft están pivotando hacia el desarrollo de Agentes de IA, intentando romper con el actual período de plataforma tecnológica de LLM.
La definición de OpenAI para un Agente de IA es: un sistema impulsado por LLM como cerebro, que tiene la capacidad de comprender y percibir de manera autónoma, planificar, recordar y utilizar herramientas, y que puede ejecutar automáticamente tareas complejas. Cuando la IA pasa de ser una herramienta utilizada a convertirse en un sujeto que puede usar herramientas, se convierte en un Agente de IA. Esta es también la razón por la cual un Agente de IA puede convertirse en el asistente inteligente ideal para los humanos.
¿Y qué puede traer Web3 para los agentes?
Las características de descentralización de Web3 pueden hacer que los sistemas de agentes sean más dispersos y autónomos. A través de mecanismos como PoS y DPoS, se pueden establecer incentivos y sanciones para los stakers y delegadores, lo que puede promover la democratización de los sistemas de agentes. GaiaNet, Theoriq y HajimeAI han hecho intentos en este sentido.
El desarrollo y la iteración de agentes de IA a menudo requieren un gran apoyo financiero, y Web3 puede ayudar a los proyectos de agentes de IA con potencial a obtener financiación temprana y un arranque en frío.
Virtual Protocol ha lanzado la plataforma de creación e emisión de tokens AI Agent fun.virtuals, donde cualquier usuario puede implementar un AI Agent con un solo clic y lograr una emisión 100% justa de tokens AI Agent.
Spectral ha propuesto un concepto de producto que apoya la emisión de activos de Agentes de IA en la cadena: mediante IAO (Initial Agent Offering) se emiten tokens, los Agentes de IA pueden obtener fondos directamente de los inversores, al mismo tiempo que se convierten en miembros de la gobernanza DAO, brindando a los inversores la oportunidad de participar en el desarrollo del proyecto y compartir los beneficios futuros.
¿Cómo la IA potencia el Web3?
El impacto de la IA en los proyectos de Web3 es evidente, ya que optimiza las operaciones en cadena (como la ejecución de contratos inteligentes, la optimización de liquidez y las decisiones de gobernanza impulsadas por IA), beneficiando así la tecnología blockchain. Al mismo tiempo, puede proporcionar mejores conocimientos basados en datos, mejorar la seguridad en cadena y sentar las bases para nuevas aplicaciones basadas en Web3.
Uno, IA y finanzas en la cadena
IA y economía criptográfica
El 31 de agosto, el CEO de Coinbase, Brian Armstrong, anunció la primera transacción de criptomonedas de IA a IA en la red Base, y dijo que AI Agent ahora puede usar USD on Base para realizar transacciones con humanos, comerciantes u otra IA, y estas transacciones son instantáneas, globales y gratuitas.
Además de los pagos, el Luna de Virtuals Protocol también ha demostrado por primera vez cómo el Agente de IA puede ejecutar de forma autónoma transacciones en la cadena, lo que ha suscitado interés, convirtiendo al Agente de IA en una entidad inteligente capaz de percibir el entorno, tomar decisiones y ejecutar acciones, siendo considerado el futuro de las finanzas en la cadena. Actualmente, los escenarios potenciales del Agente de IA se reflejan en los siguientes puntos:
Recopilación de información y predicción: Ayudar a los inversores a recopilar anuncios de intercambios, información pública de proyectos, sentimientos de pánico, riesgos de opinión pública, etc., analizar y evaluar en tiempo real los fundamentos de los activos, la situación del mercado, predecir tendencias y riesgos.
Gestión de activos: proporcionar a los usuarios objetivos de inversión adecuados, optimizar la cartera de activos y ejecutar transacciones automáticamente.
Experiencia financiera: ayuda a los inversores a elegir la forma de transacción en cadena más rápida, automatizando las operaciones manuales como el cruce de cadenas y el ajuste de tarifas de gas, reduciendo así el umbral y el costo de las actividades financieras en cadena.
Imagina un escenario en el que le das las siguientes instrucciones a un Agente de IA: "Tengo 1000USDT, por favor ayúdame a encontrar la combinación con el mayor rendimiento, con un tiempo de bloqueo de no más de una semana". El Agente de IA te proporcionará la siguiente recomendación: "Se sugiere una asignación inicial del 50% en A, 20% en B, 20% en X, 10% en Y. Monitorearé las tasas de interés y observaré los cambios en el nivel de riesgo, y reequilibraré cuando sea necesario". Además, buscar proyectos de airdrop con potencial, así como proyectos de Memecoin que muestren signos de comunidades populares, son cosas que el Agente de IA podría llevar a cabo en el futuro.
Fuente de la imagen: Biconomy
Actualmente, las billeteras AI Agent Bitte y el protocolo de interacción AI Wayfinder están intentando esto, ambos intentan conectarse a la API del modelo de OpenAI, permitiendo a los usuarios interactuar a través de una interfaz de chat similar a ChatGPT, donde pueden ordenar al agente que realice varias operaciones en la cadena, como el primer prototipo de WayFinder lanzado en abril de este año, que mostró las cuatro operaciones básicas de swap, send, bridge y stake en las principales redes de Base, Polygon y Ethereum.
Actualmente, la plataforma descentralizada Morpheus también admite el desarrollo de este tipo de agentes, como Biconomy, que también demostró una operación en la que un agente de IA puede intercambiar ETH por USDC sin necesidad de autorización completa de la billetera.
AI y seguridad en transacciones en cadena
En el mundo Web3, la seguridad de las transacciones en la cadena es crucial. La tecnología de IA puede utilizarse para mejorar la seguridad y la protección de la privacidad de las transacciones en la cadena, los escenarios potenciales incluyen:
Monitoreo de transacciones: supervisión técnica de datos en tiempo real de actividades de transacciones anómalas, infraestructura de alertas en tiempo real para usuarios y plataformas.
Análisis de riesgos: ayuda a la plataforma a analizar los datos del comportamiento de transacciones de los clientes y evaluar su nivel de riesgo.
Por ejemplo, la plataforma de seguridad Web3 SeQure utiliza IA para detectar y prevenir ataques maliciosos, fraudes y filtraciones de datos, y ofrece monitoreo en tiempo real y mecanismos de alerta para garantizar la seguridad y estabilidad de las transacciones en la cadena. Herramientas de seguridad similares incluyen Sentinel impulsado por IA.
Dos, IA e infraestructura en la cadena
IA y datos en cadena
La tecnología de IA desempeña un papel importante en la recopilación y análisis de datos en cadena, como:
Web3 Analytics: es una plataforma de análisis basada en IA que utiliza algoritmos de aprendizaje automático y minería de datos para recopilar, procesar y analizar datos en la cadena.
MinMax AI: Proporciona herramientas de análisis de datos en cadena basadas en IA, que ayudan a los usuarios a descubrir oportunidades y tendencias potenciales en el mercado.
Kaito: Plataforma de búsqueda Web3 basada en un motor de búsqueda LLM.
Integrado con ChatGPT, recopila y presenta información relevante dispersa en diferentes sitios web y plataformas comunitarias.
Otro escenario de aplicación son los oráculos, donde la IA puede obtener precios de múltiples fuentes para proporcionar datos de precios precisos. Por ejemplo, Upshot utiliza IA para abordar la volatilidad de los precios de los NFT, proporcionando precios de NFT con un margen de error porcentual del 3-10% a través de más de mil millones de evaluaciones por hora.
IA y desarrollo&auditoría
Recientemente, un editor de código AI de Web2, Cursor, ha llamado la atención en el círculo de desarrolladores. En su plataforma, los usuarios solo necesitan describir en lenguaje natural, y Cursor puede generar automáticamente el correspondiente código HTML, CSS y JavaScript, simplificando en gran medida el proceso de desarrollo de software. Esta lógica también es aplicable para mejorar la eficiencia del desarrollo de Web3.
Actualmente, al implementar contratos inteligentes y DApps en una cadena de bloques pública, generalmente se debe seguir lenguajes de desarrollo específicos como Solidity, Rust, Move, etc. La visión de nuevos lenguajes de desarrollo es expandir el espacio de diseño de la blockchain descentralizada, haciéndola más adecuada para el desarrollo de DApps, pero dado que hay una gran escasez de desarrolladores en Web3, la educación de los desarrolladores siempre ha sido un problema más complicado.
Actualmente, la IA en la asistencia al desarrollo de Web3 puede imaginarse en escenarios como: generación automática de código, verificación y prueba de contratos inteligentes, despliegue y mantenimiento de DApps, autocompletado de código inteligente, respuestas a preguntas difíciles de desarrollo mediante diálogo con IA, etc. Con la asistencia de la IA, no solo se ayuda a mejorar la eficiencia y precisión del desarrollo, sino que también se reduce la barrera de entrada a la programación, permitiendo que personas no programadoras puedan convertir sus ideas en aplicaciones reales, aportando nueva vitalidad al desarrollo de tecnologías descentralizadas.
Actualmente, lo que más llama la atención es la plataforma de tokens de un solo clic, como Clanker, un "Token Bot" impulsado por IA, diseñado específicamente para el despliegue rápido de tokens DIY. Solo necesitas etiquetar a Clanker en el cliente SocialFi Farcaster, como Warpcast o Supercast, y decirle tu idea de token, y él iniciará el token para ti en la cadena pública Base.
También hay plataformas de desarrollo de contratos, como Spectral, que ofrecen funciones de generación y despliegue de contratos inteligentes con un solo clic, para reducir la barrera de entrada al desarrollo de Web3, permitiendo que incluso los usuarios novatos puedan compilar y desplegar contratos inteligentes.
En el ámbito de las auditorías, la plataforma de auditoría Web3 Fuzzland utiliza inteligencia artificial para ayudar a los auditores a detectar vulnerabilidades en el código, proporcionando explicaciones en lenguaje natural para respaldar la experiencia en auditoría. Fuzzland también utiliza IA para ofrecer explicaciones en lenguaje natural de las especificaciones formales y del código de contratos, así como algunos ejemplos de código, para ayudar a los desarrolladores a comprender los problemas potenciales en el código.
Tres, la nueva narrativa de AI y Web3
El auge de la IA generativa ha traído nuevas posibilidades para la nueva narrativa de Web3.
NFT: La IA ha inyectado creatividad en los NFT generativos, permitiendo a través de la tecnología de IA generar diversas y únicas obras de arte y personajes. Estos NFT generativos pueden convertirse en personajes, objetos o elementos de escenas en juegos, mundos virtuales o el metaverso, como Bicasso de Binance, donde los usuarios pueden subir imágenes y entrar palabras clave para generar NFT mediante computación de IA. Proyectos similares incluyen Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: En torno a la generación de lenguaje natural por IA, la generación de imágenes y las capacidades de NPC inteligentes, GameFi promete mejorar la eficiencia y la innovación en la producción de contenido de juegos. Por ejemplo, AI Hero, el primer juego en cadena de Binaryx, permite a los jugadores explorar aleatoriamente diferentes opciones de trama a través de la IA; de manera similar, también existe el juego de compañeros virtuales Sleepless AI, que se basa en AIGC y LLM, donde los jugadores pueden desbloquear estilos de juego personalizados a través de diferentes interacciones.
DAO: Actualmente, se ha imaginado que la IA también se aplique en las DAO, ayudando a rastrear la interacción de la comunidad, registrar contribuciones, recompensar a los miembros con más contribuciones, realizar votaciones en代理, etc. Por ejemplo, ai16z utiliza un Agente de IA para recopilar información del mercado tanto en la cadena como fuera de ella, analizar el consenso de la comunidad y tomar decisiones de inversión basadas en las sugerencias de los miembros de la DAO.
Significado de la combinación de AI+Web3: torres y plazas
En el corazón de la ciudad de Florencia, Italia, se encuentra el lugar político más importante de la localidad y un punto de encuentro para ciudadanos y turistas: la Plaza Central. Aquí se erige una torre del ayuntamiento de 95 metros de altura, que complementa la comparación visual vertical y horizontal con la plaza, creando un efecto estético dramático. El profesor de historia de la Universidad de Harvard, Niall Ferguson, se inspiró en esto y en su libro "Plazas y Torres" relacionó la historia mundial de las redes y las jerarquías, que se desarrollan y retroceden a lo largo del tiempo.
Esta magnífica metáfora también se aplica perfectamente a la relación actual entre la IA y Web3. A partir de la larga y no lineal historia de la relación entre ambos, podemos ver que la plaza es más propensa a generar cosas nuevas y creativas, pero la torre aún tiene su legitimidad y una gran vitalidad.
Bajo la capacidad de las empresas tecnológicas de agrupar datos de energía y poder de computación, la IA ha estallado con una imaginación sin precedentes. Las grandes empresas tecnológicas están invirtiendo grandes sumas y entrando en el juego, desde diferentes chatbots hasta las versiones iterativas de «modelos base» como GPT-4 y GP4-4o, surgen robots de programación automática (Devin) y Sora, que tiene una capacidad inicial para simular el mundo físico real, entre otros, la imaginación de la IA se ha ampliado indefinidamente.
Al mismo tiempo, la IA es esencialmente una industria escalable y centralizada, y esta revolución tecnológica llevará a las empresas tecnológicas que ya habían comenzado a dominar estructuralmente en la "era de Internet" hacia un pico aún más estrecho. La enorme energía eléctrica, el flujo de efectivo monopolizado y los grandes conjuntos de datos necesarios para dominar la era de la inteligencia han creado barreras más altas para ellas.
A medida que la torre se eleva, los decisores detrás de escena se contraen más, la centralización de la IA trae muchos peligros, ¿cómo pueden las multitudes reunidas en la plaza evitar la sombra de la torre? Este es precisamente el problema que Web3 espera resolver.
En esencia, las propiedades inherentes de la blockchain mejoran los sistemas de inteligencia artificial y traen nuevas posibilidades, principalmente:
La era de la inteligencia artificial de "el código es la ley" - implementar reglas de ejecución automática de sistemas transparentes a través de contratos inteligentes y verificación criptográfica, entregando recompensas a aquellos que están más cerca de los objetivos.
Economía de tokens: crear y coordinar el comportamiento de los participantes a través de mecanismos de tokens, staking, reducciones, recompensas y castigos de tokens.
Gobernanza descentralizada: nos lleva a cuestionar la fuente de la información y fomenta un enfoque más crítico e informado hacia la tecnología de inteligencia artificial, previniendo sesgos, desinformación y manipulación, y en última instancia, cultivando una sociedad más informada y empoderada.
El desarrollo de la IA también ha traído nueva vitalidad a Web3. Quizás el impacto de Web3 en la IA necesite la prueba del tiempo, pero el impacto de la IA en Web3 es inmediato: esto se puede ver tanto en la locura de los memes como en cómo los agentes de IA ayudan a las aplicaciones en la cadena a reducir la barrera de entrada.
Cuando Web3 se define como un pequeño grupo de personas disfrutándose a sí mismas y atrapadas en las críticas por la copia de industrias tradicionales, la inclusión de la IA trae un futuro previsible: una base de usuarios de Web2 más estable y a gran escala, así como modelos de negocio y servicios más innovadores.
Vivimos en un mundo donde coexisten "torres y plazas". Aunque la IA y Web3 tienen diferentes líneas de tiempo y puntos de partida, su objetivo final es cómo hacer que las máquinas sirvan mejor a la humanidad. Nadie puede definir un río que fluye sin cesar. Esperamos ver el futuro de AI+Web3.