Les projets Web3 basés sur l'IA deviennent des cibles d'attraction de capitaux sur les marchés primaire et secondaire.
Les opportunités de Web3 dans l'industrie de l'IA se manifestent par : l'utilisation d'incitations distribuées pour coordonner les fournisseurs potentiels dans la longue traîne - à travers les données, le stockage et le calcul ; tout en établissant un modèle open source ainsi qu'un marché décentralisé pour les agents IA.
L'IA trouve principalement son utilité dans l'industrie Web3 dans la finance sur la chaîne (paiements cryptographiques, transactions, analyse de données) et le développement d'assistance.
L'utilité de l'IA et du Web3 réside dans leur complémentarité : le Web3 devrait contrer la centralisation de l'IA, tandis que l'IA devrait aider le Web3 à élargir son audience.
Introduction
Au cours des deux dernières années, le développement de l'IA a ressemblé à un accélérateur en marche, et ce battement d'ailes de papillon provoqué par Chatgpt a non seulement ouvert un nouveau monde de l'intelligence artificielle générative, mais a également suscité un mouvement dans le Web3 de l'autre côté.
Sous l'influence du concept d'IA, le financement du marché de la cryptographie, qui ralentit, montre une nette amélioration. Selon les statistiques des médias, rien qu'au premier semestre 2024, 64 projets Web3+IA ont terminé leur financement, le système d'exploitation basé sur l'intelligence artificielle Zyber365 ayant atteint un montant de financement maximum de 100 millions de dollars lors de sa première levée de fonds.
Le marché secondaire est plus prospère, les données du site d’agrégation de crypto-monnaies Coingecko montrant qu’en un peu plus d’un an, la capitalisation boursière totale de la piste de l’IA a atteint 48,5 milliards de dollars, avec un volume de transactions sur 24 heures de près de 8,6 milliards de dollars ; Après la sortie du modèle de conversion de texte en vidéo Sora d’OpenAI, le prix moyen du secteur de l’IA a augmenté de 151 % ; L’effet de l’IA s’est également répercuté sur l’un des secteurs absorbant l’or des crypto-monnaies : le premier concept d’agent d’IA de MemeCoin, GOAT, est rapidement devenu populaire et a remporté une valorisation de 1,4 milliard de dollars, déclenchant avec succès un engouement pour les mèmes d’IA.
La recherche et les sujets liés à AI+Web3 sont tout aussi brûlants, allant de AI+Depin à AI Memecoin, puis aux actuels AI Agent et AI DAO. L'émotion FOMO ne peut déjà plus suivre la vitesse de rotation des nouveaux récits.
AI+Web3, cette combinaison de termes remplie de capitaux chauds, de tendances et de fantasmes futurs, ne peut que être perçue comme un mariage arrangé par le capital. Il semble que nous avons du mal à discerner, sous cet habit somptueux, s'il s'agit d'un terrain de jeu pour les spéculateurs ou de la veille de l'aube d'une explosion.
Pour répondre à cette question, une réflexion clé pour les deux parties est : est-ce que l'autre va s'améliorer ? Peut-on bénéficier des modèles de l'autre ? Dans cet article, nous essayons également de nous appuyer sur les travaux des prédécesseurs pour examiner ce schéma : comment le Web3 peut-il jouer un rôle à chaque étape de la pile technologique de l'IA, et que peut l'IA apporter de nouveau au Web3 ?
Quelles sont les opportunités pour Web3 sous la pile AI ?
Avant d'aborder ce sujet, nous devons comprendre la pile technologique des grands modèles d'IA :
Source de l'image : Delphi Digital
Exprimons le tout en des termes plus simples : le « grand modèle » est comme le cerveau humain. À ses débuts, ce cerveau appartient à un bébé qui vient de naître et a besoin d'observer et d'absorber une énorme quantité d'informations provenant de son environnement pour comprendre le monde. C'est la phase de « collecte » des données. Étant donné que les ordinateurs ne possèdent pas les sens humains tels que la vue et l'ouïe, avant l'entraînement, les grandes quantités d'informations non annotées provenant de l'extérieur doivent être converties par « prétraitement » en un format d'information que l'ordinateur peut comprendre et utiliser.
Après avoir saisi les données, l'IA construit un modèle ayant des capacités de compréhension et de prédiction grâce à l'« entraînement », ce qui peut être considéré comme le processus par lequel un bébé comprend et apprend progressivement le monde extérieur. Les paramètres du modèle sont similaires aux capacités linguistiques d'un bébé qui s'ajustent continuellement au cours de son apprentissage. Lorsque le contenu de l'apprentissage commence à se spécialiser, ou lorsqu'il communique avec les gens et reçoit des retours pour corriger, il entre dans la phase de « réglage fin » du grand modèle.
Les enfants, en grandissant et en apprenant à parler, peuvent comprendre le sens et exprimer leurs sentiments et leurs pensées dans de nouvelles conversations. Cette étape est similaire au « raisonnement » des grands modèles d'IA, qui peuvent prédire et analyser de nouvelles entrées linguistiques et textuelles. Les bébés expriment leurs émotions, décrivent des objets et résolvent divers problèmes grâce à leurs capacités linguistiques, ce qui est également comparable à l'application des grands modèles d'IA dans la phase de raisonnement pour diverses tâches spécifiques après avoir été entraînés, comme la classification d'images, la reconnaissance vocale, etc.
L'Agent IA se rapproche davantage de la prochaine forme des grands modèles - capable d'exécuter des tâches de manière autonome et de poursuivre des objectifs complexes, non seulement doté de capacités de réflexion, mais aussi capable de mémoire, de planification et d'utiliser des outils pour interagir avec le monde.
Actuellement, en réponse aux points de douleur de l'IA à travers différentes piles, le Web3 a commencé à former un écosystème multicouche et interconnecté, couvrant toutes les étapes du processus des modèles d'IA.
Couche de base : Airbnb de la puissance de calcul et des données
puissance de calcul
Actuellement, l'un des coûts les plus élevés de l'IA est la puissance de calcul et l'énergie nécessaires pour entraîner et inférer des modèles.
Un exemple est que le LLAMA3 de Meta nécessite 16 000 H100 GPU produits par NVIDIA (qui est une unité de traitement graphique haut de gamme conçue pour les charges de travail d'intelligence artificielle et de calcul haute performance) pour compléter l'entraînement en 30 jours. Le prix unitaire de la version 80 Go se situe entre 30 000 et 40 000 dollars, ce qui nécessite un investissement en matériel informatique de 400 à 700 millions de dollars (GPU + puces réseau), tandis que l'entraînement mensuel consomme 1,6 milliard de kilowattheures, avec des dépenses énergétiques de près de 20 millions de dollars par mois.
La décompression de la puissance de calcul AI est précisément l'un des premiers domaines d'intersection entre Web3 et l'IA - DePin (réseau d'infrastructure physique décentralisé). Actuellement, le site de données DePin Ninja a répertorié plus de 1400 projets, parmi lesquels des projets représentatifs de partage de puissance de calcul GPU incluent io.net, Aethir, Akash, Render Network, etc.
Sa logique principale est la suivante : la plateforme permet aux individus ou entités disposant de ressources GPU inactives de contribuer à leur capacité de calcul de manière décentralisée et sans autorisation, en créant un marché en ligne pour les acheteurs et les vendeurs similaire à Uber ou Airbnb, augmentant ainsi le taux d'utilisation des ressources GPU sous-utilisées. Les utilisateurs finaux bénéficient également de ressources de calcul efficaces à moindre coût ; en même temps, le mécanisme de staking garantit que si des violations des mécanismes de contrôle de qualité ou des interruptions du réseau se produisent, les fournisseurs de ressources subissent des pénalités appropriées.
Ses caractéristiques résident dans :
Rassemblement des ressources GPU inutilisées : les fournisseurs sont principalement des centres de données indépendants de petite et moyenne taille, des opérateurs d'excédent de puissance de calcul tels que des mines de cryptomonnaie, ainsi que du matériel de minage utilisant un mécanisme de consensus PoS, comme les mineurs FileCoin et ETH. Actuellement, il existe également des projets visant à lancer des appareils à seuil d'entrée plus bas, comme exolab qui utilise des appareils locaux tels que MacBook, iPhone, iPad pour établir un réseau de puissance de calcul pour l'inférence de grands modèles.
Face au marché de la puissance de calcul AI en longue traîne : a. « Du point de vue technique » le marché de la puissance de calcul décentralisée est plus adapté aux étapes d'inférence. L'entraînement dépend davantage de la capacité de traitement des données offerte par les GPU à très grande échelle, tandis que l'inférence nécessite relativement peu de performances de calcul GPU, comme Aethir qui se concentre sur le rendu à faible latence et les applications d'inférence AI. b. « Du point de vue de la demande » les petites et moyennes entreprises n'entraîneront pas leur propre grand modèle, mais choisiront plutôt d'optimiser et de peaufiner autour de quelques grands modèles principaux, et ces scénarios sont naturellement adaptés aux ressources de puissance de calcul inutilisées en distribution.
Propriété décentralisée : la signification technologique de la blockchain réside dans le fait que les propriétaires de ressources conservent toujours le contrôle sur leurs ressources, ajustant de manière flexible en fonction des besoins, tout en réalisant des bénéfices.
Données
Les données sont la base de l'IA. Sans données, le calcul est aussi inutile qu'une feuille flottante, et la relation entre les données et le modèle est comme le dit le proverbe « Garbage in, Garbage out ». La quantité de données et la qualité des entrées déterminent la qualité de sortie du modèle final. Pour l'entraînement des modèles IA actuels, les données déterminent les capacités linguistiques, la compréhension, voire les valeurs et l'expression humanisée du modèle. Actuellement, les difficultés de demande de données pour l'IA se concentrent principalement sur les quatre aspects suivants :
Soif de données : l'entraînement des modèles d'IA dépend d'une grande quantité de données d'entrée. Les documents publics montrent que le modèle GPT-4 d'OpenAI a été entraîné avec un nombre de paramètres atteignant le billion.
Qualité des données : avec la combinaison de l'IA et des différents secteurs, la temporalité des données, la diversité des données, la spécificité des données sectorielles, ainsi que l'intégration de nouvelles sources de données comme les émotions sur les réseaux sociaux, posent de nouvelles exigences en matière de qualité.
Problèmes de confidentialité et de conformité : Les pays et les entreprises prennent progressivement conscience de l'importance des ensembles de données de qualité et commencent à imposer des restrictions sur le scraping des ensembles de données.
Coûts de traitement des données élevés : volume de données important, processus de traitement complexe. Les données publiques montrent que plus de 30 % des coûts de R&D des entreprises d'IA sont consacrés à la collecte et au traitement des données de base.
Actuellement, les solutions web3 se manifestent dans les quatre domaines suivants :
Collecte de données : la disponibilité des données du monde réel pouvant être collectées gratuitement s'épuise rapidement, et les dépenses des entreprises d'IA pour les données augmentent chaque année. Cependant, ces dépenses ne profitent pas vraiment aux véritables contributeurs de données, les plateformes profitant entièrement de la valeur créée par les données, comme Reddit qui a réalisé un revenu total de 203 millions de dollars grâce à des accords de licence de données signés avec des entreprises d'IA.
Permettre aux utilisateurs qui contribuent réellement de participer également à la création de valeur apportée par les données, ainsi qu'à l'acquisition de données plus privées et plus précieuses pour les utilisateurs de manière peu coûteuse grâce à un réseau distribué et à des mécanismes d'incitation, est la vision de Web3.
Grass est une couche de données et un réseau décentralisés, permettant aux utilisateurs de faire fonctionner des nœuds Grass, de contribuer à la bande passante inutilisée et aux flux de relais pour capturer des données en temps réel provenant de l'ensemble d'Internet, et de recevoir des récompenses en tokens.
Vana introduit un concept unique de pool de liquidité des données (DLP), où les utilisateurs peuvent télécharger leurs données privées (telles que l’historique des achats, les habitudes de navigation, l’activité sur les réseaux sociaux, etc.) dans une DLP spécifique, et choisir de manière flexible d’autoriser ou non ces données à des tiers spécifiques.
Dans PublicAI, les utilisateurs peuvent utiliser #AI 或#Web3 comme étiquette de catégorie sur X et @PublicAI pour collecter des données.
Prétraitement des données : Dans le processus de traitement des données par l'IA, les données collectées sont souvent bruyantes et contiennent des erreurs. Avant d'entraîner le modèle, elles doivent être nettoyées et converties en un format utilisable, ce qui implique des tâches répétitives de normalisation, de filtrage et de traitement des valeurs manquantes. Cette phase est l'un des rares moments où l'intervention humaine est requise dans l'industrie de l'IA, ayant donné naissance à la profession de spécialiste de l'annotation des données. Avec l'augmentation des exigences de qualité des données par les modèles, le seuil d'entrée pour les spécialistes de l'annotation des données a également augmenté, et cette tâche est naturellement adaptée au mécanisme d'incitation décentralisé de Web3.
Actuellement, Grass et OpenLayer envisagent tous deux d'intégrer cette étape clé de l'annotation des données.
Synesis a proposé le concept de « Train2earn », mettant l'accent sur la qualité des données. Les utilisateurs peuvent obtenir des récompenses en fournissant des données annotées, des commentaires ou d'autres formes d'entrée.
Le projet de balisage de données Sapien gamifie les tâches de marquage et permet aux utilisateurs de miser des points pour en gagner plus.
Confidentialité et sécurité des données : il est nécessaire de clarifier que la confidentialité des données et la sécurité des données sont deux concepts différents. La confidentialité des données concerne le traitement des données sensibles, tandis que la sécurité des données protège les informations des données contre un accès, une destruction et un vol non autorisés. Ainsi, les avantages des technologies de confidentialité Web3 et les scénarios d'application potentiels se manifestent de deux manières : (1) entraînement sur des données sensibles ; (2) collaboration sur les données : plusieurs propriétaires de données peuvent participer ensemble à l'entraînement de l'IA sans avoir à partager leurs données brutes.
Les technologies de confidentialité actuellement couramment utilisées dans le Web3 comprennent :
Environnement d'exécution de confiance (TEE), par exemple Super Protocol ;
Chiffrement totalement homomorphe (FHE), par exemple BasedAI, Fhenix.io ou Inco Network;
La technologie Zero-Knowledge (zk), comme le Reclaim Protocol utilisant la technologie zkTLS, génère des preuves Zero-Knowledge pour le trafic HTTPS, permettant aux utilisateurs d'importer en toute sécurité des activités, des réputations et des données d'identité depuis des sites externes sans révéler d'informations sensibles.
Cependant, le domaine est encore à un stade précoce, la plupart des projets sont encore en phase d'exploration, un des dilemmes actuels est que le coût de calcul est trop élevé, quelques exemples sont :
Le cadre zkML EZKL nécessite environ 80 minutes pour générer une preuve d'un modèle 1M-nanoGPT.
Selon les données de Modulus Labs, le coût de zkML est plus de 1000 fois supérieur à celui du calcul pur.
Stockage des données : Une fois les données obtenues, il faut également un endroit pour stocker ces données sur la chaîne, ainsi que le LLM généré à partir de ces données. En mettant l'accent sur la disponibilité des données (DA), avant la mise à niveau Danksharding d'Ethereum, son débit était de 0,08 Mo. En même temps, l'entraînement des modèles d'IA et l'inférence en temps réel nécessitent généralement un débit de données de 50 à 100 Go par seconde. Cet écart d'ordre de grandeur rend les solutions existantes sur la chaîne incapables de faire face aux "applications d'IA gourmandes en ressources."
0g.AI est un projet représentatif de cette catégorie. Il s'agit d'une solution de stockage centralisée conçue pour des exigences de haute performance en matière d'IA, dont les caractéristiques clés comprennent : haute performance et évolutivité, prise en charge du téléchargement et du téléchargement rapides de grands ensembles de données grâce à des technologies de sharding avancées et de codage d'effacement, avec une vitesse de transfert de données atteignant près de 5 Go par seconde.
II. Middleware : Entraînement et inférence du modèle
Marché décentralisé des modèles open source
Le débat sur le fait que les modèles d'IA soient ou non open source n'a jamais disparu. L'innovation collective apportée par l'open source est un avantage incomparable par rapport aux modèles fermés. Cependant, sans modèle de profit, comment un modèle open source peut-il augmenter la motivation des développeurs ? C'est une direction qui mérite réflexion. Le fondateur de Baidu, Li Yanhong, a affirmé en avril de cette année que « les modèles open source vont de plus en plus à la traîne. »
À cet égard, Web3 propose la possibilité d'un marché de modèles décentralisé et open source, c'est-à-dire de tokeniser le modèle lui-même, de conserver une certaine proportion de tokens pour l'équipe, et de diriger une partie des futurs flux de revenus du modèle vers les détenteurs de tokens.
Le protocole Bittensor établit un marché P2P de modèles open source, composé de dizaines de « sous-réseaux », où les fournisseurs de ressources (calcul, collecte / stockage de données, talents en apprentissage automatique) rivalisent pour répondre aux objectifs des propriétaires de sous-réseaux spécifiques. Les différents sous-réseaux peuvent interagir et apprendre les uns des autres, permettant ainsi de réaliser une intelligence plus puissante. Les récompenses sont distribuées par vote communautaire et sont réparties dans chaque sous-réseau en fonction des performances concurrentielles.
ORA a introduit le concept d'émission initiale de modèle (IMO), qui permet de tokeniser les modèles d'IA, pouvant être achetés, vendus et développés via un réseau décentralisé.
Sentient, une plateforme AGI décentralisée, incite les contributeurs à collaborer, construire, reproduire et étendre des modèles d'IA, tout en récompensant les contributeurs.
Spectral Nova, se concentre sur la création et l'application de modèles d'IA et de ML.
raisonnement vérifiable
Pour le problème de la « boîte noire » dans le processus de raisonnement de l'IA, la solution standard Web3 consiste à faire répéter la même opération par plusieurs validateurs et à comparer les résultats. Cependant, en raison de la pénurie actuelle de « puces Nvidia » haut de gamme, le défi évident auquel cette approche est confrontée est le coût élevé du raisonnement de l'IA.
Une solution plus prometteuse consiste à exécuter une preuve ZK « preuve à divulgation nulle de connaissance, un protocole cryptographique dans lequel un prouveur peut prouver à un vérificateur qu'une déclaration donnée est vraie sans révéler d'informations supplémentaires autres que le fait que la déclaration est vraie » pour le calcul d'inférence AI hors chaîne, permettant une vérification sans autorisation des calculs de modèles AI sur la chaîne. Cela nécessite de prouver de manière cryptographique sur la chaîne que le calcul hors chaîne a été correctement effectué (par exemple, que le jeu de données n'a pas été altéré), tout en garantissant la confidentialité de toutes les données.
Les principaux avantages incluent :
Scalabilité : les preuves à divulgation nulle de connaissance peuvent confirmer rapidement un grand nombre de calculs hors chaîne. Même si le nombre de transactions augmente, une seule preuve à divulgation nulle de connaissance peut valider toutes les transactions.
Protection de la vie privée : les détails des données et des modèles d'IA restent confidentiels, tandis que les parties peuvent vérifier que les données et les modèles n'ont pas été altérés.
Pas besoin de confiance : il n'est pas nécessaire de dépendre des parties centralisées pour confirmer les calculs.
Intégration Web2 : par définition, le Web2 est intégré hors chaîne, ce qui signifie que le raisonnement vérifiable peut aider à amener ses ensembles de données et calculs AI sur la chaîne. Cela contribue à améliorer le taux d'adoption du Web3.
Les technologies vérifiables pour le raisonnement vérifiable dans Web3 sont actuellement les suivantes :
zkML : combiner la preuve à divulgation nulle de connaissance et l'apprentissage automatique pour garantir la confidentialité et la sécurité des données et des modèles, permettant un calcul vérifiable sans divulguer certaines propriétés sous-jacentes, comme Modulus Labs qui a publié un prouveur ZK construit pour l'IA basé sur ZKML, afin de vérifier efficacement si les fournisseurs d'IA manipulent correctement l'exécution des algorithmes sur la chaîne, bien que les clients soient actuellement principalement des DApp sur la chaîne.
opML : En utilisant le principe de l'agrégation optimiste, ce modèle améliore l'évolutivité et l'efficacité du calcul ML en vérifiant le moment où les controverses surviennent. Dans ce modèle, il suffit de vérifier une petite partie des résultats générés par le « validateur », mais les coûts économiques réduits sont fixés suffisamment haut pour augmenter le coût de tricherie du validateur, ce qui permet d'économiser sur les calculs redondants.
TeeML : exécutez en toute sécurité des calculs ML dans un environnement d'exécution de confiance, protégeant les données et les modèles contre la manipulation et l'accès non autorisé.
Troisième, couche d'application : Agent IA
Le développement actuel de l'IA montre clairement que l'accent est passé des capacités des modèles à celui des agents IA. Des entreprises technologiques comme OpenAI, la licorne des grands modèles IA Anthropic et Microsoft se tournent toutes vers le développement d'agents IA, tentant de briser la période actuelle de plateau technologique des LLM.
La définition d'OpenAI pour un agent AI est : un système propulsé par un LLM comme cerveau, capable de compréhension autonome, de perception, de planification, de mémoire et d'utilisation d'outils, capable d'exécuter automatiquement des tâches complexes. Lorsque l'IA passe d'un outil utilisé à un sujet capable d'utiliser des outils, elle devient un agent AI. C'est aussi la raison pour laquelle un agent AI peut devenir l'assistant intelligent idéal pour l'humanité.
Et qu'est-ce que le Web3 peut apporter à l'Agent ?
Décentralisé
La décentralisation du Web3 peut rendre le système d’Agent plus décentralisé et autonome, et la mise en place de mécanismes d’incitation et de punition pour les stakers et les délégataires par le biais de PoS, DPoS et d’autres mécanismes peut favoriser la démocratisation du système d’Agent, ce que GaiaNet, Theoriq et HajimeAI ont essayé.
Démarrage à froid
Le développement et l'itération des agents IA nécessitent souvent un soutien financier important, et le Web3 peut aider les projets d'agents IA prometteurs à obtenir un financement précoce et à se lancer.
Virtual Protocol lance la plateforme de création et d'émission de jetons AI Agent fun.virtuals, permettant à tous les utilisateurs de déployer un AI Agent en un clic et d'assurer une émission de jetons AI Agent 100% équitable.
Spectral a proposé un concept de produit soutenant l'émission d'actifs AI Agent sur la chaîne : en émettant des jetons via l'IAO (Initial Agent Offering), l'AI Agent peut obtenir des fonds directement des investisseurs, tout en devenant membre de la gouvernance DAO, offrant aux investisseurs la possibilité de participer au développement du projet et de partager les bénéfices futurs.
Comment l'IA peut-elle habiliter le Web3 ?
L'impact de l'IA sur les projets Web3 est évident, car elle optimise les opérations sur la chaîne (comme l'exécution des contrats intelligents, l'optimisation de la liquidité et les décisions de gouvernance pilotées par l'IA) au profit de la technologie blockchain. Dans le même temps, elle peut également fournir de meilleures analyses basées sur les données, améliorer la sécurité sur la chaîne et poser les bases de nouvelles applications basées sur Web3.
Un, AI et la finance sur la chaîne
IA et économie cryptographique
Le 31 août, le PDG de Coinbase, Brian Armstrong, a annoncé la réalisation de la première transaction cryptographique AI contre AI sur le réseau Base, et a déclaré que les agents AI peuvent désormais utiliser des USD pour effectuer des transactions avec des humains, des commerçants ou d'autres AI sur Base, ces transactions étant instantanées, mondiales et gratuites.
En plus des paiements, Luna de Virtuals Protocol a également démontré pour la première fois comment l'Agent IA peut exécuter de manière autonome des transactions en chaîne, suscitant ainsi de l'intérêt, faisant de l'Agent IA une entité intelligente capable de percevoir son environnement, de prendre des décisions et d'exécuter des actions, considérée comme l'avenir de la finance en chaîne. Actuellement, les scénarios potentiels de l'Agent IA se manifestent dans les points suivants :
Collecte d'informations et prévisions : aider les investisseurs à collecter des annonces d'échanges, des informations publiques sur les projets, des émotions de panique, des risques d'opinion publique, etc., analyser et évaluer en temps réel les fondamentaux des actifs, la situation du marché, prédire les tendances et les risques.
Gestion d'actifs : fournir aux utilisateurs des cibles d'investissement appropriées, optimiser le portefeuille d'actifs et exécuter automatiquement les transactions.
Expérience financière : Aider les investisseurs à choisir le moyen de transaction en chaîne le plus rapide, automatiser les opérations manuelles telles que le transfert inter-chaînes et l'ajustement des frais de gaz, afin de réduire le seuil d'entrée et les coûts des activités financières en chaîne.
Imaginez un tel scénario, vous transmettez les instructions suivantes à l'Agent IA : « J'ai 1000 USDT, veuillez m'aider à trouver la combinaison la plus rentable, avec une période de verrouillage ne dépassant pas une semaine », l'Agent IA vous fournira les suggestions suivantes : « Je recommande une allocation initiale de 50 % dans A, 20 % dans B, 20 % dans X, 10 % dans Y. Je vais surveiller les taux d'intérêt et observer les variations du niveau de risque, et rééquilibrer si nécessaire. » De plus, rechercher des projets d'airdrop prometteurs, ainsi que des projets de Memecoin avec des signes de communauté populaire, sont toutes des choses que l'Agent IA pourrait réaliser par la suite.
Source de l'image : Biconomy
Actuellement, les portefeuilles AI Agent Bitte et le protocole d'interaction AI Wayfinder font ce type d'essai. Ils tentent tous deux de se connecter à l'API du modèle OpenAI, permettant aux utilisateurs d'interagir avec une interface de fenêtre de chat similaire à ChatGPT, et de donner des ordres à l'Agent pour effectuer diverses opérations sur la blockchain. Par exemple, le premier prototype de WayFinder publié en avril de cette année a démontré quatre opérations de base : swap, send, bridge et stake sur les réseaux principaux de trois blockchains : Base, Polygon et Ethereum.
Actuellement, la plateforme décentralisée Morpheus prend également en charge le développement de ce type d'Agent, tout comme Biconomy qui a démontré une opération où un Agent IA peut échanger de l'ETH contre de l'USDC sans avoir besoin d'une autorisation complète du portefeuille.
L'IA et la sécurité des transactions sur la chaîne
Dans le monde du Web3, la sécurité des transactions sur la chaîne est cruciale. La technologie AI peut être utilisée pour renforcer la sécurité et la protection de la vie privée des transactions sur la chaîne, avec des scénarios potentiels incluant :
Surveillance des transactions : surveillance des activités de trading anormales par des technologies de données en temps réel, infrastructure d'alerte en temps réel pour les utilisateurs et la plateforme.
Analyse des risques : aider la plateforme à analyser les données de comportement de trading des clients et à évaluer leur niveau de risque.
Par exemple, la plateforme de sécurité Web3 SeQure utilise l'IA pour détecter et prévenir les attaques malveillantes, les fraudes et les fuites de données, et offre un mécanisme de surveillance et d'alerte en temps réel, garantissant la sécurité et la stabilité des transactions sur la chaîne. Des outils de sécurité similaires incluent Sentinel alimenté par l'IA.
Deux, l'IA et les infrastructures de la chaîne.
IA et données en chaîne
La technologie AI joue un rôle important dans la collecte et l'analyse de données sur la chaîne, par exemple :
Web3 Analytics : est une plateforme d'analyse basée sur l'IA, utilisant des algorithmes d'apprentissage automatique et de fouille de données pour collecter, traiter et analyser les données en chaîne.
MinMax AI : Il propose des outils d'analyse de données on-chain basés sur l'IA, aidant les utilisateurs à découvrir des opportunités et des tendances de marché potentielles.
Kaito : plateforme de recherche Web3 basée sur un moteur de recherche LLM.
Suivi : intégré à ChatGPT, il collecte et présente les informations pertinentes dispersées sur différents sites et plateformes communautaires.
Un autre cas d'utilisation est l'oracle, l'IA peut obtenir des prix à partir de plusieurs sources pour fournir des données de prix précises. Par exemple, Upshot utilise l'IA pour évaluer les prix volatils des NFT, fournissant des prix NFT avec une marge d'erreur de 3 à 10 % grâce à des évaluations dépassant le milliard par heure.
AI et développement & audit
Récemment, un éditeur de code AI Web2 appelé Cursor a attiré l'attention dans le cercle des développeurs. Sur sa plateforme, les utilisateurs n'ont besoin que de décrire en langage naturel, et Cursor peut générer automatiquement le code HTML, CSS et JavaScript correspondant, simplifiant ainsi considérablement le processus de développement logiciel. Cette logique s'applique également à l'amélioration de l'efficacité du développement Web3.
Actuellement, le déploiement de contrats intelligents et d'applications décentralisées (DApp) sur une blockchain publique nécessite généralement de suivre des langages de développement spécifiques tels que Solidity, Rust, Move, etc. La vision des nouveaux langages de développement est d'élargir l'espace de conception des blockchains décentralisées, les rendant plus adaptées au développement de DApp, mais dans un contexte où il y a un grand manque de développeurs Web3, l'éducation des développeurs reste un problème plus épineux.
À l’heure actuelle, l’IA assiste le développement Web3, et les scénarios concevables incluent : la génération de code automatisée, la vérification et le test des contrats intelligents, le déploiement et la maintenance des DApp, la complétion intelligente du code, le dialogue de l’IA pour répondre à des problèmes de développement difficiles, etc., grâce à l’aide de l’IA, elle contribue non seulement à améliorer l’efficacité et la précision du développement, mais abaisse également le seuil de programmation, de sorte que les non-programmeurs peuvent également transformer leurs idées en applications pratiques, apportant une nouvelle vitalité au développement de la technologie décentralisée.
Actuellement, ce qui attire le plus l'attention est la plateforme de tokens à démarrage en un clic, comme Clanker, un « Bot Token » alimenté par l'IA, spécialement conçu pour le déploiement rapide de tokens en mode DIY. Il vous suffit de taguer Clanker sur un client du protocole SocialFi comme Warpcast ou Supercast, de lui faire part de votre idée de token, et il lancera le token pour vous sur la blockchain Base.
Il existe également des plateformes de développement de contrats, telles que Spectral, qui offrent des fonctionnalités de génération et de déploiement de contrats intelligents en un clic, afin de réduire la barrière à l'entrée du développement Web3, permettant même aux utilisateurs novices de compiler et de déployer des contrats intelligents.
En matière d'audit, la plateforme d'audit Web3 Fuzzland utilise l'IA pour aider les auditeurs à détecter les vulnérabilités dans le code, en fournissant des explications en langage naturel pour soutenir l'expertise en audit. Fuzzland utilise également l'IA pour fournir des explications en langage naturel des spécifications formelles et du code des contrats, ainsi que des exemples de code, afin d'aider les développeurs à comprendre les problèmes potentiels dans le code.
Trois, AI et le nouveau récit Web3
L'émergence de l'IA générative offre de nouvelles possibilités pour le nouveau récit de Web3.
NFT : L'IA a injecté de la créativité dans les NFT génératifs, permettant de créer divers artworks et personnages uniques grâce à la technologie IA. Ces NFT génératifs peuvent devenir des personnages, des objets ou des éléments de scène dans des jeux, des mondes virtuels ou le métavers, comme Bicasso, un projet de Binance, où les utilisateurs peuvent générer des NFT en téléchargeant des images et en entrant des mots-clés pour un calcul IA. Des projets similaires incluent Solvo, Nicho, IgmnAI et CharacterGPT.
GameFi : Avec la génération de langage naturel et d'images basée sur l'IA, et les capacités des NPC intelligents, GameFi devrait améliorer l'efficacité et l'innovation dans la production de contenu de jeu. Par exemple, le premier jeu blockchain de Binaryx, AI Hero, permet aux joueurs d'explorer au hasard différentes options de scénario grâce à l'IA ; de même, il existe le jeu de compagnon virtuel Sleepless AI, basé sur AIGC et LLM, où les joueurs peuvent débloquer des modes de jeu personnalisés par le biais d'interactions variées.
DAO : Actuellement, l'IA est également envisagée pour être appliquée aux DAO, afin d'aider à suivre les interactions communautaires, d'enregistrer les contributions, de récompenser les membres ayant le plus contribué, de voter par procuration, etc. Par exemple, ai16z utilise un agent IA pour collecter des informations sur le marché en ligne et hors ligne, analyser le consensus de la communauté, et prendre des décisions d'investissement en fonction des suggestions des membres du DAO.
Signification de la combinaison AI+Web3 : Tours et places
Au cœur de la ville de Florence en Italie se trouve le site politique le plus important de la région, ainsi qu'un lieu de rassemblement pour les habitants et les touristes : la Piazza della Signoria. Ici se dresse une tour de l'hôtel de ville de 95 mètres de haut, dont le contraste vertical et horizontal avec la place crée un effet esthétique dramatique. Le professeur d'histoire à l'université Harvard, Niall Ferguson, s'en est inspiré dans son livre "Les places et les tours", faisant le lien entre l'histoire mondiale des réseaux et des hiérarchies, qui fluctuent au fil du temps.
Cette métaphore brillante s'applique également sans aucun incongruité à la relation entre l'IA et le Web3 aujourd'hui. D'après l'histoire des relations non linéaires et à long terme entre les deux, on peut voir que les places sont plus propices à l'émergence de nouvelles choses et à la créativité, mais les tours ont toujours leur légitimité et une grande vitalité.
Sous la capacité des entreprises technologiques à concentrer des données énergétiques et de calcul, l'IA a explosé avec une créativité sans précédent, les grandes entreprises technologiques misant massivement et entrant en scène, des différents chatbots aux versions itérées des "grands modèles sous-jacents" comme GPT-4, GP4-4o, etc., l'arrivée de robots de programmation automatique (Devin) et de Sora, qui a une capacité préliminaire de simuler le monde physique réel, etc., l'imagination de l'IA est amplifiée sans limites.
En même temps, l'IA est essentiellement une industrie à grande échelle et centralisée. Cette révolution technologique pousse les entreprises technologiques qui maîtrisaient progressivement le pouvoir structurel à l'ère de l'Internet vers des sommets encore plus étroits. L'énorme pouvoir électrique, le flux de trésorerie monopolistique et les vastes ensembles de données nécessaires pour dominer l'ère intelligente créent des barrières encore plus élevées.
À mesure que la tour devient de plus en plus haute, les décideurs en coulisses se rétrécissent de plus en plus, la concentration de l'IA entraîne de nombreux dangers. Comment les foules rassemblées sur la place peuvent-elles éviter l'ombre sous la tour ? C'est précisément le problème que Web3 aspire à résoudre.
Essentiellement, les propriétés inhérentes de la blockchain renforcent les systèmes d'intelligence artificielle et ouvrent de nouvelles possibilités, principalement :
L'ère de l'intelligence artificielle : "le code est la loi" - la mise en œuvre de règles exécutées automatiquement par des systèmes transparents grâce à des contrats intelligents et à une vérification cryptographique, remettant les récompenses aux groupes les plus proches des objectifs.
Économie des tokens - Créer et coordonner le comportement des participants à travers des mécanismes de tokens, le staking, la réduction, les récompenses et les sanctions en tokens.
Gouvernance décentralisée - nous incite à remettre en question les sources d'information et encourage une approche plus critique et perspicace des technologies de l'intelligence artificielle, afin de prévenir les biais, la désinformation et la manipulation, et finalement de favoriser une société plus informée et habilitée.
Le développement de l'IA a également apporté une nouvelle vitalité à Web3. Peut-être que l'impact de Web3 sur l'IA nécessite une preuve dans le temps, mais l'impact de l'IA sur Web3 est immédiat : cela se voit à la fois dans la frénésie des mèmes et dans la façon dont les agents IA aident à réduire les barrières à l'utilisation des applications sur la chaîne.
Lorsque le Web3 est défini comme un plaisir égoïste pour un petit groupe de personnes, et se retrouve confronté aux critiques sur sa capacité à reproduire les industries traditionnelles, l'arrivée de l'IA apporte un avenir prévisible : une base d'utilisateurs Web2 plus stable et plus importante, ainsi que des modèles commerciaux et des services plus innovants.
Nous vivons dans un monde où coexistent des « tours et des places ». Bien que l'IA et le Web3 aient des lignes de temps et des points de départ différents, leur objectif final est de faire en sorte que les machines servent mieux l'humanité. Personne ne peut définir un fleuve en mouvement, nous attendons avec impatience de voir l'avenir de l'IA+Web3.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
IA + Web3 : Tours et places
Rédigé par : Coinspire
TL;DR :
Les projets Web3 basés sur l'IA deviennent des cibles d'attraction de capitaux sur les marchés primaire et secondaire.
Les opportunités de Web3 dans l'industrie de l'IA se manifestent par : l'utilisation d'incitations distribuées pour coordonner les fournisseurs potentiels dans la longue traîne - à travers les données, le stockage et le calcul ; tout en établissant un modèle open source ainsi qu'un marché décentralisé pour les agents IA.
L'IA trouve principalement son utilité dans l'industrie Web3 dans la finance sur la chaîne (paiements cryptographiques, transactions, analyse de données) et le développement d'assistance.
L'utilité de l'IA et du Web3 réside dans leur complémentarité : le Web3 devrait contrer la centralisation de l'IA, tandis que l'IA devrait aider le Web3 à élargir son audience.
Introduction
Au cours des deux dernières années, le développement de l'IA a ressemblé à un accélérateur en marche, et ce battement d'ailes de papillon provoqué par Chatgpt a non seulement ouvert un nouveau monde de l'intelligence artificielle générative, mais a également suscité un mouvement dans le Web3 de l'autre côté.
Sous l'influence du concept d'IA, le financement du marché de la cryptographie, qui ralentit, montre une nette amélioration. Selon les statistiques des médias, rien qu'au premier semestre 2024, 64 projets Web3+IA ont terminé leur financement, le système d'exploitation basé sur l'intelligence artificielle Zyber365 ayant atteint un montant de financement maximum de 100 millions de dollars lors de sa première levée de fonds.
Le marché secondaire est plus prospère, les données du site d’agrégation de crypto-monnaies Coingecko montrant qu’en un peu plus d’un an, la capitalisation boursière totale de la piste de l’IA a atteint 48,5 milliards de dollars, avec un volume de transactions sur 24 heures de près de 8,6 milliards de dollars ; Après la sortie du modèle de conversion de texte en vidéo Sora d’OpenAI, le prix moyen du secteur de l’IA a augmenté de 151 % ; L’effet de l’IA s’est également répercuté sur l’un des secteurs absorbant l’or des crypto-monnaies : le premier concept d’agent d’IA de MemeCoin, GOAT, est rapidement devenu populaire et a remporté une valorisation de 1,4 milliard de dollars, déclenchant avec succès un engouement pour les mèmes d’IA.
La recherche et les sujets liés à AI+Web3 sont tout aussi brûlants, allant de AI+Depin à AI Memecoin, puis aux actuels AI Agent et AI DAO. L'émotion FOMO ne peut déjà plus suivre la vitesse de rotation des nouveaux récits.
AI+Web3, cette combinaison de termes remplie de capitaux chauds, de tendances et de fantasmes futurs, ne peut que être perçue comme un mariage arrangé par le capital. Il semble que nous avons du mal à discerner, sous cet habit somptueux, s'il s'agit d'un terrain de jeu pour les spéculateurs ou de la veille de l'aube d'une explosion.
Pour répondre à cette question, une réflexion clé pour les deux parties est : est-ce que l'autre va s'améliorer ? Peut-on bénéficier des modèles de l'autre ? Dans cet article, nous essayons également de nous appuyer sur les travaux des prédécesseurs pour examiner ce schéma : comment le Web3 peut-il jouer un rôle à chaque étape de la pile technologique de l'IA, et que peut l'IA apporter de nouveau au Web3 ?
Quelles sont les opportunités pour Web3 sous la pile AI ?
Avant d'aborder ce sujet, nous devons comprendre la pile technologique des grands modèles d'IA :
Source de l'image : Delphi Digital
Exprimons le tout en des termes plus simples : le « grand modèle » est comme le cerveau humain. À ses débuts, ce cerveau appartient à un bébé qui vient de naître et a besoin d'observer et d'absorber une énorme quantité d'informations provenant de son environnement pour comprendre le monde. C'est la phase de « collecte » des données. Étant donné que les ordinateurs ne possèdent pas les sens humains tels que la vue et l'ouïe, avant l'entraînement, les grandes quantités d'informations non annotées provenant de l'extérieur doivent être converties par « prétraitement » en un format d'information que l'ordinateur peut comprendre et utiliser.
Après avoir saisi les données, l'IA construit un modèle ayant des capacités de compréhension et de prédiction grâce à l'« entraînement », ce qui peut être considéré comme le processus par lequel un bébé comprend et apprend progressivement le monde extérieur. Les paramètres du modèle sont similaires aux capacités linguistiques d'un bébé qui s'ajustent continuellement au cours de son apprentissage. Lorsque le contenu de l'apprentissage commence à se spécialiser, ou lorsqu'il communique avec les gens et reçoit des retours pour corriger, il entre dans la phase de « réglage fin » du grand modèle.
Les enfants, en grandissant et en apprenant à parler, peuvent comprendre le sens et exprimer leurs sentiments et leurs pensées dans de nouvelles conversations. Cette étape est similaire au « raisonnement » des grands modèles d'IA, qui peuvent prédire et analyser de nouvelles entrées linguistiques et textuelles. Les bébés expriment leurs émotions, décrivent des objets et résolvent divers problèmes grâce à leurs capacités linguistiques, ce qui est également comparable à l'application des grands modèles d'IA dans la phase de raisonnement pour diverses tâches spécifiques après avoir été entraînés, comme la classification d'images, la reconnaissance vocale, etc.
L'Agent IA se rapproche davantage de la prochaine forme des grands modèles - capable d'exécuter des tâches de manière autonome et de poursuivre des objectifs complexes, non seulement doté de capacités de réflexion, mais aussi capable de mémoire, de planification et d'utiliser des outils pour interagir avec le monde.
Actuellement, en réponse aux points de douleur de l'IA à travers différentes piles, le Web3 a commencé à former un écosystème multicouche et interconnecté, couvrant toutes les étapes du processus des modèles d'IA.
puissance de calcul
Actuellement, l'un des coûts les plus élevés de l'IA est la puissance de calcul et l'énergie nécessaires pour entraîner et inférer des modèles.
Un exemple est que le LLAMA3 de Meta nécessite 16 000 H100 GPU produits par NVIDIA (qui est une unité de traitement graphique haut de gamme conçue pour les charges de travail d'intelligence artificielle et de calcul haute performance) pour compléter l'entraînement en 30 jours. Le prix unitaire de la version 80 Go se situe entre 30 000 et 40 000 dollars, ce qui nécessite un investissement en matériel informatique de 400 à 700 millions de dollars (GPU + puces réseau), tandis que l'entraînement mensuel consomme 1,6 milliard de kilowattheures, avec des dépenses énergétiques de près de 20 millions de dollars par mois.
La décompression de la puissance de calcul AI est précisément l'un des premiers domaines d'intersection entre Web3 et l'IA - DePin (réseau d'infrastructure physique décentralisé). Actuellement, le site de données DePin Ninja a répertorié plus de 1400 projets, parmi lesquels des projets représentatifs de partage de puissance de calcul GPU incluent io.net, Aethir, Akash, Render Network, etc.
Sa logique principale est la suivante : la plateforme permet aux individus ou entités disposant de ressources GPU inactives de contribuer à leur capacité de calcul de manière décentralisée et sans autorisation, en créant un marché en ligne pour les acheteurs et les vendeurs similaire à Uber ou Airbnb, augmentant ainsi le taux d'utilisation des ressources GPU sous-utilisées. Les utilisateurs finaux bénéficient également de ressources de calcul efficaces à moindre coût ; en même temps, le mécanisme de staking garantit que si des violations des mécanismes de contrôle de qualité ou des interruptions du réseau se produisent, les fournisseurs de ressources subissent des pénalités appropriées.
Ses caractéristiques résident dans :
Rassemblement des ressources GPU inutilisées : les fournisseurs sont principalement des centres de données indépendants de petite et moyenne taille, des opérateurs d'excédent de puissance de calcul tels que des mines de cryptomonnaie, ainsi que du matériel de minage utilisant un mécanisme de consensus PoS, comme les mineurs FileCoin et ETH. Actuellement, il existe également des projets visant à lancer des appareils à seuil d'entrée plus bas, comme exolab qui utilise des appareils locaux tels que MacBook, iPhone, iPad pour établir un réseau de puissance de calcul pour l'inférence de grands modèles.
Face au marché de la puissance de calcul AI en longue traîne : a. « Du point de vue technique » le marché de la puissance de calcul décentralisée est plus adapté aux étapes d'inférence. L'entraînement dépend davantage de la capacité de traitement des données offerte par les GPU à très grande échelle, tandis que l'inférence nécessite relativement peu de performances de calcul GPU, comme Aethir qui se concentre sur le rendu à faible latence et les applications d'inférence AI. b. « Du point de vue de la demande » les petites et moyennes entreprises n'entraîneront pas leur propre grand modèle, mais choisiront plutôt d'optimiser et de peaufiner autour de quelques grands modèles principaux, et ces scénarios sont naturellement adaptés aux ressources de puissance de calcul inutilisées en distribution.
Propriété décentralisée : la signification technologique de la blockchain réside dans le fait que les propriétaires de ressources conservent toujours le contrôle sur leurs ressources, ajustant de manière flexible en fonction des besoins, tout en réalisant des bénéfices.
Données
Les données sont la base de l'IA. Sans données, le calcul est aussi inutile qu'une feuille flottante, et la relation entre les données et le modèle est comme le dit le proverbe « Garbage in, Garbage out ». La quantité de données et la qualité des entrées déterminent la qualité de sortie du modèle final. Pour l'entraînement des modèles IA actuels, les données déterminent les capacités linguistiques, la compréhension, voire les valeurs et l'expression humanisée du modèle. Actuellement, les difficultés de demande de données pour l'IA se concentrent principalement sur les quatre aspects suivants :
Soif de données : l'entraînement des modèles d'IA dépend d'une grande quantité de données d'entrée. Les documents publics montrent que le modèle GPT-4 d'OpenAI a été entraîné avec un nombre de paramètres atteignant le billion.
Qualité des données : avec la combinaison de l'IA et des différents secteurs, la temporalité des données, la diversité des données, la spécificité des données sectorielles, ainsi que l'intégration de nouvelles sources de données comme les émotions sur les réseaux sociaux, posent de nouvelles exigences en matière de qualité.
Problèmes de confidentialité et de conformité : Les pays et les entreprises prennent progressivement conscience de l'importance des ensembles de données de qualité et commencent à imposer des restrictions sur le scraping des ensembles de données.
Coûts de traitement des données élevés : volume de données important, processus de traitement complexe. Les données publiques montrent que plus de 30 % des coûts de R&D des entreprises d'IA sont consacrés à la collecte et au traitement des données de base.
Actuellement, les solutions web3 se manifestent dans les quatre domaines suivants :
Permettre aux utilisateurs qui contribuent réellement de participer également à la création de valeur apportée par les données, ainsi qu'à l'acquisition de données plus privées et plus précieuses pour les utilisateurs de manière peu coûteuse grâce à un réseau distribué et à des mécanismes d'incitation, est la vision de Web3.
Grass est une couche de données et un réseau décentralisés, permettant aux utilisateurs de faire fonctionner des nœuds Grass, de contribuer à la bande passante inutilisée et aux flux de relais pour capturer des données en temps réel provenant de l'ensemble d'Internet, et de recevoir des récompenses en tokens.
Vana introduit un concept unique de pool de liquidité des données (DLP), où les utilisateurs peuvent télécharger leurs données privées (telles que l’historique des achats, les habitudes de navigation, l’activité sur les réseaux sociaux, etc.) dans une DLP spécifique, et choisir de manière flexible d’autoriser ou non ces données à des tiers spécifiques.
Dans PublicAI, les utilisateurs peuvent utiliser #AI 或#Web3 comme étiquette de catégorie sur X et @PublicAI pour collecter des données.
Actuellement, Grass et OpenLayer envisagent tous deux d'intégrer cette étape clé de l'annotation des données.
Synesis a proposé le concept de « Train2earn », mettant l'accent sur la qualité des données. Les utilisateurs peuvent obtenir des récompenses en fournissant des données annotées, des commentaires ou d'autres formes d'entrée.
Le projet de balisage de données Sapien gamifie les tâches de marquage et permet aux utilisateurs de miser des points pour en gagner plus.
Les technologies de confidentialité actuellement couramment utilisées dans le Web3 comprennent :
Environnement d'exécution de confiance (TEE), par exemple Super Protocol ;
Chiffrement totalement homomorphe (FHE), par exemple BasedAI, Fhenix.io ou Inco Network;
La technologie Zero-Knowledge (zk), comme le Reclaim Protocol utilisant la technologie zkTLS, génère des preuves Zero-Knowledge pour le trafic HTTPS, permettant aux utilisateurs d'importer en toute sécurité des activités, des réputations et des données d'identité depuis des sites externes sans révéler d'informations sensibles.
Cependant, le domaine est encore à un stade précoce, la plupart des projets sont encore en phase d'exploration, un des dilemmes actuels est que le coût de calcul est trop élevé, quelques exemples sont :
Le cadre zkML EZKL nécessite environ 80 minutes pour générer une preuve d'un modèle 1M-nanoGPT.
Selon les données de Modulus Labs, le coût de zkML est plus de 1000 fois supérieur à celui du calcul pur.
0g.AI est un projet représentatif de cette catégorie. Il s'agit d'une solution de stockage centralisée conçue pour des exigences de haute performance en matière d'IA, dont les caractéristiques clés comprennent : haute performance et évolutivité, prise en charge du téléchargement et du téléchargement rapides de grands ensembles de données grâce à des technologies de sharding avancées et de codage d'effacement, avec une vitesse de transfert de données atteignant près de 5 Go par seconde.
II. Middleware : Entraînement et inférence du modèle
Marché décentralisé des modèles open source
Le débat sur le fait que les modèles d'IA soient ou non open source n'a jamais disparu. L'innovation collective apportée par l'open source est un avantage incomparable par rapport aux modèles fermés. Cependant, sans modèle de profit, comment un modèle open source peut-il augmenter la motivation des développeurs ? C'est une direction qui mérite réflexion. Le fondateur de Baidu, Li Yanhong, a affirmé en avril de cette année que « les modèles open source vont de plus en plus à la traîne. »
À cet égard, Web3 propose la possibilité d'un marché de modèles décentralisé et open source, c'est-à-dire de tokeniser le modèle lui-même, de conserver une certaine proportion de tokens pour l'équipe, et de diriger une partie des futurs flux de revenus du modèle vers les détenteurs de tokens.
Le protocole Bittensor établit un marché P2P de modèles open source, composé de dizaines de « sous-réseaux », où les fournisseurs de ressources (calcul, collecte / stockage de données, talents en apprentissage automatique) rivalisent pour répondre aux objectifs des propriétaires de sous-réseaux spécifiques. Les différents sous-réseaux peuvent interagir et apprendre les uns des autres, permettant ainsi de réaliser une intelligence plus puissante. Les récompenses sont distribuées par vote communautaire et sont réparties dans chaque sous-réseau en fonction des performances concurrentielles.
ORA a introduit le concept d'émission initiale de modèle (IMO), qui permet de tokeniser les modèles d'IA, pouvant être achetés, vendus et développés via un réseau décentralisé.
Sentient, une plateforme AGI décentralisée, incite les contributeurs à collaborer, construire, reproduire et étendre des modèles d'IA, tout en récompensant les contributeurs.
Spectral Nova, se concentre sur la création et l'application de modèles d'IA et de ML.
raisonnement vérifiable
Pour le problème de la « boîte noire » dans le processus de raisonnement de l'IA, la solution standard Web3 consiste à faire répéter la même opération par plusieurs validateurs et à comparer les résultats. Cependant, en raison de la pénurie actuelle de « puces Nvidia » haut de gamme, le défi évident auquel cette approche est confrontée est le coût élevé du raisonnement de l'IA.
Une solution plus prometteuse consiste à exécuter une preuve ZK « preuve à divulgation nulle de connaissance, un protocole cryptographique dans lequel un prouveur peut prouver à un vérificateur qu'une déclaration donnée est vraie sans révéler d'informations supplémentaires autres que le fait que la déclaration est vraie » pour le calcul d'inférence AI hors chaîne, permettant une vérification sans autorisation des calculs de modèles AI sur la chaîne. Cela nécessite de prouver de manière cryptographique sur la chaîne que le calcul hors chaîne a été correctement effectué (par exemple, que le jeu de données n'a pas été altéré), tout en garantissant la confidentialité de toutes les données.
Les principaux avantages incluent :
Scalabilité : les preuves à divulgation nulle de connaissance peuvent confirmer rapidement un grand nombre de calculs hors chaîne. Même si le nombre de transactions augmente, une seule preuve à divulgation nulle de connaissance peut valider toutes les transactions.
Protection de la vie privée : les détails des données et des modèles d'IA restent confidentiels, tandis que les parties peuvent vérifier que les données et les modèles n'ont pas été altérés.
Pas besoin de confiance : il n'est pas nécessaire de dépendre des parties centralisées pour confirmer les calculs.
Intégration Web2 : par définition, le Web2 est intégré hors chaîne, ce qui signifie que le raisonnement vérifiable peut aider à amener ses ensembles de données et calculs AI sur la chaîne. Cela contribue à améliorer le taux d'adoption du Web3.
Les technologies vérifiables pour le raisonnement vérifiable dans Web3 sont actuellement les suivantes :
zkML : combiner la preuve à divulgation nulle de connaissance et l'apprentissage automatique pour garantir la confidentialité et la sécurité des données et des modèles, permettant un calcul vérifiable sans divulguer certaines propriétés sous-jacentes, comme Modulus Labs qui a publié un prouveur ZK construit pour l'IA basé sur ZKML, afin de vérifier efficacement si les fournisseurs d'IA manipulent correctement l'exécution des algorithmes sur la chaîne, bien que les clients soient actuellement principalement des DApp sur la chaîne.
opML : En utilisant le principe de l'agrégation optimiste, ce modèle améliore l'évolutivité et l'efficacité du calcul ML en vérifiant le moment où les controverses surviennent. Dans ce modèle, il suffit de vérifier une petite partie des résultats générés par le « validateur », mais les coûts économiques réduits sont fixés suffisamment haut pour augmenter le coût de tricherie du validateur, ce qui permet d'économiser sur les calculs redondants.
TeeML : exécutez en toute sécurité des calculs ML dans un environnement d'exécution de confiance, protégeant les données et les modèles contre la manipulation et l'accès non autorisé.
Troisième, couche d'application : Agent IA
Le développement actuel de l'IA montre clairement que l'accent est passé des capacités des modèles à celui des agents IA. Des entreprises technologiques comme OpenAI, la licorne des grands modèles IA Anthropic et Microsoft se tournent toutes vers le développement d'agents IA, tentant de briser la période actuelle de plateau technologique des LLM.
La définition d'OpenAI pour un agent AI est : un système propulsé par un LLM comme cerveau, capable de compréhension autonome, de perception, de planification, de mémoire et d'utilisation d'outils, capable d'exécuter automatiquement des tâches complexes. Lorsque l'IA passe d'un outil utilisé à un sujet capable d'utiliser des outils, elle devient un agent AI. C'est aussi la raison pour laquelle un agent AI peut devenir l'assistant intelligent idéal pour l'humanité.
Et qu'est-ce que le Web3 peut apporter à l'Agent ?
La décentralisation du Web3 peut rendre le système d’Agent plus décentralisé et autonome, et la mise en place de mécanismes d’incitation et de punition pour les stakers et les délégataires par le biais de PoS, DPoS et d’autres mécanismes peut favoriser la démocratisation du système d’Agent, ce que GaiaNet, Theoriq et HajimeAI ont essayé.
Le développement et l'itération des agents IA nécessitent souvent un soutien financier important, et le Web3 peut aider les projets d'agents IA prometteurs à obtenir un financement précoce et à se lancer.
Virtual Protocol lance la plateforme de création et d'émission de jetons AI Agent fun.virtuals, permettant à tous les utilisateurs de déployer un AI Agent en un clic et d'assurer une émission de jetons AI Agent 100% équitable.
Spectral a proposé un concept de produit soutenant l'émission d'actifs AI Agent sur la chaîne : en émettant des jetons via l'IAO (Initial Agent Offering), l'AI Agent peut obtenir des fonds directement des investisseurs, tout en devenant membre de la gouvernance DAO, offrant aux investisseurs la possibilité de participer au développement du projet et de partager les bénéfices futurs.
Comment l'IA peut-elle habiliter le Web3 ?
L'impact de l'IA sur les projets Web3 est évident, car elle optimise les opérations sur la chaîne (comme l'exécution des contrats intelligents, l'optimisation de la liquidité et les décisions de gouvernance pilotées par l'IA) au profit de la technologie blockchain. Dans le même temps, elle peut également fournir de meilleures analyses basées sur les données, améliorer la sécurité sur la chaîne et poser les bases de nouvelles applications basées sur Web3.
Un, AI et la finance sur la chaîne
IA et économie cryptographique
Le 31 août, le PDG de Coinbase, Brian Armstrong, a annoncé la réalisation de la première transaction cryptographique AI contre AI sur le réseau Base, et a déclaré que les agents AI peuvent désormais utiliser des USD pour effectuer des transactions avec des humains, des commerçants ou d'autres AI sur Base, ces transactions étant instantanées, mondiales et gratuites.
En plus des paiements, Luna de Virtuals Protocol a également démontré pour la première fois comment l'Agent IA peut exécuter de manière autonome des transactions en chaîne, suscitant ainsi de l'intérêt, faisant de l'Agent IA une entité intelligente capable de percevoir son environnement, de prendre des décisions et d'exécuter des actions, considérée comme l'avenir de la finance en chaîne. Actuellement, les scénarios potentiels de l'Agent IA se manifestent dans les points suivants :
Collecte d'informations et prévisions : aider les investisseurs à collecter des annonces d'échanges, des informations publiques sur les projets, des émotions de panique, des risques d'opinion publique, etc., analyser et évaluer en temps réel les fondamentaux des actifs, la situation du marché, prédire les tendances et les risques.
Gestion d'actifs : fournir aux utilisateurs des cibles d'investissement appropriées, optimiser le portefeuille d'actifs et exécuter automatiquement les transactions.
Expérience financière : Aider les investisseurs à choisir le moyen de transaction en chaîne le plus rapide, automatiser les opérations manuelles telles que le transfert inter-chaînes et l'ajustement des frais de gaz, afin de réduire le seuil d'entrée et les coûts des activités financières en chaîne.
Imaginez un tel scénario, vous transmettez les instructions suivantes à l'Agent IA : « J'ai 1000 USDT, veuillez m'aider à trouver la combinaison la plus rentable, avec une période de verrouillage ne dépassant pas une semaine », l'Agent IA vous fournira les suggestions suivantes : « Je recommande une allocation initiale de 50 % dans A, 20 % dans B, 20 % dans X, 10 % dans Y. Je vais surveiller les taux d'intérêt et observer les variations du niveau de risque, et rééquilibrer si nécessaire. » De plus, rechercher des projets d'airdrop prometteurs, ainsi que des projets de Memecoin avec des signes de communauté populaire, sont toutes des choses que l'Agent IA pourrait réaliser par la suite.
Source de l'image : Biconomy
Actuellement, les portefeuilles AI Agent Bitte et le protocole d'interaction AI Wayfinder font ce type d'essai. Ils tentent tous deux de se connecter à l'API du modèle OpenAI, permettant aux utilisateurs d'interagir avec une interface de fenêtre de chat similaire à ChatGPT, et de donner des ordres à l'Agent pour effectuer diverses opérations sur la blockchain. Par exemple, le premier prototype de WayFinder publié en avril de cette année a démontré quatre opérations de base : swap, send, bridge et stake sur les réseaux principaux de trois blockchains : Base, Polygon et Ethereum.
Actuellement, la plateforme décentralisée Morpheus prend également en charge le développement de ce type d'Agent, tout comme Biconomy qui a démontré une opération où un Agent IA peut échanger de l'ETH contre de l'USDC sans avoir besoin d'une autorisation complète du portefeuille.
L'IA et la sécurité des transactions sur la chaîne
Dans le monde du Web3, la sécurité des transactions sur la chaîne est cruciale. La technologie AI peut être utilisée pour renforcer la sécurité et la protection de la vie privée des transactions sur la chaîne, avec des scénarios potentiels incluant :
Surveillance des transactions : surveillance des activités de trading anormales par des technologies de données en temps réel, infrastructure d'alerte en temps réel pour les utilisateurs et la plateforme.
Analyse des risques : aider la plateforme à analyser les données de comportement de trading des clients et à évaluer leur niveau de risque.
Par exemple, la plateforme de sécurité Web3 SeQure utilise l'IA pour détecter et prévenir les attaques malveillantes, les fraudes et les fuites de données, et offre un mécanisme de surveillance et d'alerte en temps réel, garantissant la sécurité et la stabilité des transactions sur la chaîne. Des outils de sécurité similaires incluent Sentinel alimenté par l'IA.
Deux, l'IA et les infrastructures de la chaîne.
IA et données en chaîne
La technologie AI joue un rôle important dans la collecte et l'analyse de données sur la chaîne, par exemple :
Web3 Analytics : est une plateforme d'analyse basée sur l'IA, utilisant des algorithmes d'apprentissage automatique et de fouille de données pour collecter, traiter et analyser les données en chaîne.
MinMax AI : Il propose des outils d'analyse de données on-chain basés sur l'IA, aidant les utilisateurs à découvrir des opportunités et des tendances de marché potentielles.
Kaito : plateforme de recherche Web3 basée sur un moteur de recherche LLM.
Suivi : intégré à ChatGPT, il collecte et présente les informations pertinentes dispersées sur différents sites et plateformes communautaires.
Un autre cas d'utilisation est l'oracle, l'IA peut obtenir des prix à partir de plusieurs sources pour fournir des données de prix précises. Par exemple, Upshot utilise l'IA pour évaluer les prix volatils des NFT, fournissant des prix NFT avec une marge d'erreur de 3 à 10 % grâce à des évaluations dépassant le milliard par heure.
AI et développement & audit
Récemment, un éditeur de code AI Web2 appelé Cursor a attiré l'attention dans le cercle des développeurs. Sur sa plateforme, les utilisateurs n'ont besoin que de décrire en langage naturel, et Cursor peut générer automatiquement le code HTML, CSS et JavaScript correspondant, simplifiant ainsi considérablement le processus de développement logiciel. Cette logique s'applique également à l'amélioration de l'efficacité du développement Web3.
Actuellement, le déploiement de contrats intelligents et d'applications décentralisées (DApp) sur une blockchain publique nécessite généralement de suivre des langages de développement spécifiques tels que Solidity, Rust, Move, etc. La vision des nouveaux langages de développement est d'élargir l'espace de conception des blockchains décentralisées, les rendant plus adaptées au développement de DApp, mais dans un contexte où il y a un grand manque de développeurs Web3, l'éducation des développeurs reste un problème plus épineux.
À l’heure actuelle, l’IA assiste le développement Web3, et les scénarios concevables incluent : la génération de code automatisée, la vérification et le test des contrats intelligents, le déploiement et la maintenance des DApp, la complétion intelligente du code, le dialogue de l’IA pour répondre à des problèmes de développement difficiles, etc., grâce à l’aide de l’IA, elle contribue non seulement à améliorer l’efficacité et la précision du développement, mais abaisse également le seuil de programmation, de sorte que les non-programmeurs peuvent également transformer leurs idées en applications pratiques, apportant une nouvelle vitalité au développement de la technologie décentralisée.
Actuellement, ce qui attire le plus l'attention est la plateforme de tokens à démarrage en un clic, comme Clanker, un « Bot Token » alimenté par l'IA, spécialement conçu pour le déploiement rapide de tokens en mode DIY. Il vous suffit de taguer Clanker sur un client du protocole SocialFi comme Warpcast ou Supercast, de lui faire part de votre idée de token, et il lancera le token pour vous sur la blockchain Base.
Il existe également des plateformes de développement de contrats, telles que Spectral, qui offrent des fonctionnalités de génération et de déploiement de contrats intelligents en un clic, afin de réduire la barrière à l'entrée du développement Web3, permettant même aux utilisateurs novices de compiler et de déployer des contrats intelligents.
En matière d'audit, la plateforme d'audit Web3 Fuzzland utilise l'IA pour aider les auditeurs à détecter les vulnérabilités dans le code, en fournissant des explications en langage naturel pour soutenir l'expertise en audit. Fuzzland utilise également l'IA pour fournir des explications en langage naturel des spécifications formelles et du code des contrats, ainsi que des exemples de code, afin d'aider les développeurs à comprendre les problèmes potentiels dans le code.
Trois, AI et le nouveau récit Web3
L'émergence de l'IA générative offre de nouvelles possibilités pour le nouveau récit de Web3.
NFT : L'IA a injecté de la créativité dans les NFT génératifs, permettant de créer divers artworks et personnages uniques grâce à la technologie IA. Ces NFT génératifs peuvent devenir des personnages, des objets ou des éléments de scène dans des jeux, des mondes virtuels ou le métavers, comme Bicasso, un projet de Binance, où les utilisateurs peuvent générer des NFT en téléchargeant des images et en entrant des mots-clés pour un calcul IA. Des projets similaires incluent Solvo, Nicho, IgmnAI et CharacterGPT.
GameFi : Avec la génération de langage naturel et d'images basée sur l'IA, et les capacités des NPC intelligents, GameFi devrait améliorer l'efficacité et l'innovation dans la production de contenu de jeu. Par exemple, le premier jeu blockchain de Binaryx, AI Hero, permet aux joueurs d'explorer au hasard différentes options de scénario grâce à l'IA ; de même, il existe le jeu de compagnon virtuel Sleepless AI, basé sur AIGC et LLM, où les joueurs peuvent débloquer des modes de jeu personnalisés par le biais d'interactions variées.
DAO : Actuellement, l'IA est également envisagée pour être appliquée aux DAO, afin d'aider à suivre les interactions communautaires, d'enregistrer les contributions, de récompenser les membres ayant le plus contribué, de voter par procuration, etc. Par exemple, ai16z utilise un agent IA pour collecter des informations sur le marché en ligne et hors ligne, analyser le consensus de la communauté, et prendre des décisions d'investissement en fonction des suggestions des membres du DAO.
Signification de la combinaison AI+Web3 : Tours et places
Au cœur de la ville de Florence en Italie se trouve le site politique le plus important de la région, ainsi qu'un lieu de rassemblement pour les habitants et les touristes : la Piazza della Signoria. Ici se dresse une tour de l'hôtel de ville de 95 mètres de haut, dont le contraste vertical et horizontal avec la place crée un effet esthétique dramatique. Le professeur d'histoire à l'université Harvard, Niall Ferguson, s'en est inspiré dans son livre "Les places et les tours", faisant le lien entre l'histoire mondiale des réseaux et des hiérarchies, qui fluctuent au fil du temps.
Cette métaphore brillante s'applique également sans aucun incongruité à la relation entre l'IA et le Web3 aujourd'hui. D'après l'histoire des relations non linéaires et à long terme entre les deux, on peut voir que les places sont plus propices à l'émergence de nouvelles choses et à la créativité, mais les tours ont toujours leur légitimité et une grande vitalité.
Sous la capacité des entreprises technologiques à concentrer des données énergétiques et de calcul, l'IA a explosé avec une créativité sans précédent, les grandes entreprises technologiques misant massivement et entrant en scène, des différents chatbots aux versions itérées des "grands modèles sous-jacents" comme GPT-4, GP4-4o, etc., l'arrivée de robots de programmation automatique (Devin) et de Sora, qui a une capacité préliminaire de simuler le monde physique réel, etc., l'imagination de l'IA est amplifiée sans limites.
En même temps, l'IA est essentiellement une industrie à grande échelle et centralisée. Cette révolution technologique pousse les entreprises technologiques qui maîtrisaient progressivement le pouvoir structurel à l'ère de l'Internet vers des sommets encore plus étroits. L'énorme pouvoir électrique, le flux de trésorerie monopolistique et les vastes ensembles de données nécessaires pour dominer l'ère intelligente créent des barrières encore plus élevées.
À mesure que la tour devient de plus en plus haute, les décideurs en coulisses se rétrécissent de plus en plus, la concentration de l'IA entraîne de nombreux dangers. Comment les foules rassemblées sur la place peuvent-elles éviter l'ombre sous la tour ? C'est précisément le problème que Web3 aspire à résoudre.
Essentiellement, les propriétés inhérentes de la blockchain renforcent les systèmes d'intelligence artificielle et ouvrent de nouvelles possibilités, principalement :
L'ère de l'intelligence artificielle : "le code est la loi" - la mise en œuvre de règles exécutées automatiquement par des systèmes transparents grâce à des contrats intelligents et à une vérification cryptographique, remettant les récompenses aux groupes les plus proches des objectifs.
Économie des tokens - Créer et coordonner le comportement des participants à travers des mécanismes de tokens, le staking, la réduction, les récompenses et les sanctions en tokens.
Gouvernance décentralisée - nous incite à remettre en question les sources d'information et encourage une approche plus critique et perspicace des technologies de l'intelligence artificielle, afin de prévenir les biais, la désinformation et la manipulation, et finalement de favoriser une société plus informée et habilitée.
Le développement de l'IA a également apporté une nouvelle vitalité à Web3. Peut-être que l'impact de Web3 sur l'IA nécessite une preuve dans le temps, mais l'impact de l'IA sur Web3 est immédiat : cela se voit à la fois dans la frénésie des mèmes et dans la façon dont les agents IA aident à réduire les barrières à l'utilisation des applications sur la chaîne.
Lorsque le Web3 est défini comme un plaisir égoïste pour un petit groupe de personnes, et se retrouve confronté aux critiques sur sa capacité à reproduire les industries traditionnelles, l'arrivée de l'IA apporte un avenir prévisible : une base d'utilisateurs Web2 plus stable et plus importante, ainsi que des modèles commerciaux et des services plus innovants.
Nous vivons dans un monde où coexistent des « tours et des places ». Bien que l'IA et le Web3 aient des lignes de temps et des points de départ différents, leur objectif final est de faire en sorte que les machines servent mieux l'humanité. Personne ne peut définir un fleuve en mouvement, nous attendons avec impatience de voir l'avenir de l'IA+Web3.