Web3-проєкти з концепцією ШІ стали золотими цілями на первинному та вторинному ринках.
Можливості Web3 в індустрії ШІ проявляються в: використанні розподілених стимулів для координації потенційних постачань у довгому хвості — через дані, зберігання та обчислення; водночас, створенні відкритої моделі та децентралізованого ринку AI Agent.
AI в індустрії Web3 головним чином використовується в ланцюгових фінансах (криптоплатежі, торгівля, аналіз даних) та для підтримки розробки.
Ефективність AI+Web3 проявляється в їхній взаємодоповнюючості: Web3 має потенціал протистояти централізації AI, а AI має потенціал допомогти Web3 вийти за межі.
Вступ
Останні два роки розвиток ШІ ніби натиснув на кнопку прискорення, а ця метелика, що з'явилася завдяки Chatgpt, відкрила не тільки новий світ генеративного штучного інтелекту, але й викликала потужну хвилю в веб3.
За підтримки концепції ШІ, порівняно з уповільненням фінансування на крипторинку, спостерігається помітне підвищення. Згідно з даними ЗМІ, лише в першій половині 2024 року 64 проекти Web3+AI завершили фінансування, а операційна система на основі штучного інтелекту Zyber365 досягла найвищої суми фінансування в 100 мільйонів доларів у раунді A.
Другорядний ринок стає більш процвітаючим, дані криптоагрегатора Coingecko показують, що всього за трохи більше року загальна капіталізація AI сектора досягла 48,5 мільярдів доларів, а 24-годинний обсяг торгів наближається до 8,6 мільярдів доларів; очевидні позитивні наслідки прогресу в основних AI технологіях, після випуску текстово-відеальної моделі Sora від OpenAI середня ціна в AI сегменті зросла на 151%; ефект AI також поширився на одну з криптовалютних категорій залучення капіталу – Meme: перша концепція AI Agent MemeCoin — GOAT швидко здобула популярність і отримала оцінку в 1,4 мільярда доларів, успішно піднявши хвилю AI Meme.
Дослідження та теми, пов’язані з AI+Web3, також є надзвичайно актуальними: від AI+Depin до AI Memecoin, а потім до поточних AI Agent та AI DAO, емоція FOMO вже не встигає за швидкістю чергування нових наративів.
AI+Web3, це поєднання термінів, сповнене гарячих грошей, віянь та майбутніх ілюзій, неминуче сприймається як шлюб, влаштований капіталом, здається, нам важко зрозуміти, під цим розкішним одягом, чи є це полем спекулянтів, чи переддень вибуху світанку?
Щоб відповісти на це питання, важливим роздумом для обох сторін є те, чи стане краще у результаті взаємодії. Чи можна отримати вигоду від моделей іншої сторони? У цій статті ми також намагаємося подивитися на цю картину, спираючись на плечі попередників: як Web3 може відігравати роль на різних етапах технологічного стеку AI, і що нового AI може принести Web3?
Які можливості є в Web3 під стеками штучного інтелекту?
Перш ніж розглядати цю тему, нам потрібно зрозуміти технологічний стек великих моделей ШІ:
Джерело зображення: Delphi Digital
Використовуючи більш зрозумілу мову для опису всього процесу: «велика модель» схожа на людський мозок. На початковій стадії цей мозок належить тільки що народженій дитині, яка повинна спостерігати та споживати величезну кількість інформації з навколишнього світу, щоб зрозуміти цей світ — це стадія «збору» даних. Оскільки комп'ютери не мають людських сенсорних можливостей, таких як зір або слух, на етапі навчання велика кількість незмічених даних ззовні повинна пройти «попередню обробку», щоб перетворитися на інформаційний формат, зрозумілий і придатний для комп'ютера.
Після введення даних AI через «тренування» створив модель, здатну до розуміння та прогнозування, яка може розглядатися як процес, у якому немовля поступово розуміє та вивчає зовнішній світ. Параметри моделі подібні до мовних здібностей немовляти, які постійно коригуються в процесі навчання. Коли вивчений матеріал починає розділятися на дисципліни або розпочинається спілкування з людьми, що надає зворотний зв'язок і корекцію, це переходить до етапу «тонкої настройки» великої моделі.
Коли діти вчаться говорити, вони можуть розуміти значення та висловлювати свої почуття та думки в нових розмовах, подібно до «висновків» великих моделей штучного інтелекту, які здатні передбачати та аналізувати нові вхідні дані мови та тексту. Немовлята виражають почуття, описують об'єкти та вирішують різні проблеми за допомогою мовних навичок, що схоже на те, як великі моделі штучного інтелекту застосовуються до різних конкретних завдань на етапі висновків після того, як їх навчають і вводять у використання.
А AI Agent є більш близьким до наступної форми великої моделі — здатної самостійно виконувати завдання та переслідувати складні цілі, яка має не тільки здатність до мислення, але й пам'ять, планування, а також може використовувати інструменти для взаємодії зі світом.
Наразі, стосовно проблемних аспектів AI у різних стекових рішеннях, Web3 на даний момент попередньо сформував багаторівневу, взаємопов'язану екосистему, що охоплює всі етапи процесу моделювання AI.
Базовий рівень: Airbnb для обчислювальної потужності та даних
обчислювальна потужність
Наразі однією з найвищих витрат у сфері ШІ є обчислювальна потужність та енергія, необхідні для навчання моделей та їх інференції.
Наприклад, LLAMA3 від Meta вимагає 16 000 H100GPU виробництва NVIDIA, топового графічного процесора, призначеного для штучного інтелекту та високопродуктивних обчислювальних навантажень. 30 днів на проходження навчання. Версія останньої на 80 ГБ коштує від $30 000 до $40 000 за одиницю, що вимагає $4-$700 млн інвестицій у обчислювальне обладнання (GPU + мережевий чіп), при цьому споживаючи 1,6 млрд кВт·год навчання на місяць і майже $20 млн на місяць витрат на енергію.
Розвантаження AI обчислювальних потужностей є однією з перших областей перетворення Web3 з AI — DePin (децентралізовані фізичні інфраструктурні мережі). Наразі сайт даних DePin Ninja вже представив більше 1400 проектів, серед яких проекти, що представляють обмін GPU потужностями, включають io.net, Aethir, Akash, Render Network та інші.
Основна логіка полягає в тому, що платформа дозволяє особам або організаціям, які мають незайняті ресурси GPU, вносити свій обчислювальний потенціал децентралізованим способом без необхідності отримання дозволу. Завдяки онлайн-ринку, подібному до Uber або Airbnb, підвищується рівень використання незадіяних ресурсів GPU, а кінцеві користувачі отримують більш дешеві та ефективні обчислювальні ресурси. Водночас механізм стейкінгу також забезпечує те, що в разі порушення механізму контролю якості або перерви в мережі, постачальники ресурсів зазнають відповідних покарань.
Його особливість полягає в тому:
Збір бездіяльних ресурсів GPU: постачальники в основному є незалежними малими та середніми дата-центрами, операторами криптодобувних майданчиків та надлишковими обчислювальними ресурсами, а також обладнанням для видобутку з механізмом консенсусу PoS, таким як FileCoin та ETH майнери. Наразі існують проекти, що прагнуть запустити обладнання з нижчими бар'єрами входу, такі як exolab, який використовує локальні пристрої, такі як MacBook, iPhone, iPad для створення обчислювальної мережі для інференції великих моделей.
Зіткнувшись з довгостроковим ринком обчислювальних потужностей штучного інтелекту: a. З технічної точки зору, ринок децентралізованих обчислень більше підходить для етапу висновків. Навчання більше залежить від потужності обробки даних, принесеної надвеликими графічними процесорами кластерного масштабу, тоді як висновок має відносно низьку продуктивність для обчислень на GPU, наприклад, Aethir зосереджується на завданнях рендерингу з низькою затримкою та програмах висновків штучного інтелекту. b. «З боку попиту», малі та середні вимоги, що вимагають обчислювальної потужності, не будуть тренувати свої власні великі моделі самостійно, а вирішать оптимізувати та налаштувати лише кілька провідних великих моделей, і ці сценарії, природно, підходять для розподілених непрацюючих обчислювальних ресурсів.
Децентралізоване володіння: технологічне значення блокчейну полягає в тому, що власники ресурсів завжди зберігають контроль над своїми ресурсами, гнучко коригуючи їх відповідно до потреб, одночасно отримуючи прибуток.
дані
Дані – це основа штучного інтелекту. Без даних обчислення марні, як ряска, а співвідношення між даними та моделлю схоже на прислів'я «Сміття входить, сміття виходить», де кількість даних та якість вхідних даних визначають якість виходу кінцевої моделі. Для навчання сучасних моделей штучного інтелекту дані визначають мовні здібності моделі, здатність до розуміння і навіть значення, а також продуктивність людини. В даний час дилема попиту на дані штучного інтелекту в основному зосереджена на наступних чотирьох аспектах:
Голод даних: Навчання моделей ШІ потребує великої кількості даних. Відкриті дані показують, що OpenAI навчала GPT-4 з параметрами на трильйонному рівні.
Якість даних: з розвитком штучного інтелекту та інтеграцією його в різні галузі, терміновість даних, різноманітність даних, спеціалізація вертикальних даних та вплив нових джерел даних, таких як емоції в соціальних мережах, ставлять нові вимоги до їх якості.
Проблеми конфіденційності та відповідності: наразі різні країни та компанії поступово усвідомлюють важливість якісних наборів даних і вводять обмеження на збори даних.
Високі витрати на обробку даних: велика кількість даних, складний процес обробки. Відкриті дані показують, що понад 30% витрат на дослідження та розробки в AI компаніях витрачається на первинний збір та обробку даних.
Наразі рішення web3 проявляються в наступних чотирьох аспектах:
Збір даних: можливість безкоштовно отримувати реальні дані з реального світу швидко вичерпується, витрати компаній з розробки ШІ на дані зростають з року в рік. Але в той же час, ці витрати не повертаються до справжніх внесків постачальників даних, платформи повністю користуються створенням вартості, отриманим від даних, наприклад, Reddit отримав загалом 203 мільйони доларів доходу завдяки укладенню угод на ліцензування даних з компаніями ШІ.
Дати можливість справжнім внескам користувачів також брати участь у створенні цінності, яку приносить дані, а також отримувати більш приватні та цінні дані від користувачів за допомогою розподіленої мережі та механізмів стимулювання з низькими витратами — це бачення Web3.
Grass є децентралізованим рівнем даних і мережею, де користувачі можуть запустити вузли Grass, вносячи свій вільний пропускну здатність і релейний трафік для збору в реальному часі даних з усього Інтернету та отримувати токенні винагороди;
Vana впровадила унікальну концепцію пулу ліквідності даних (DLP), де користувачі можуть завантажувати свої приватні дані (такі як історія покупок, звички перегляду, активність у соціальних мережах тощо) у певний DLP та гнучко обирати, чи надавати ці дані для використання певним третім сторонам;
У PublicAI користувачі можуть використовувати #AI 或#Web3 як категорійний ярлик на X та @PublicAI для збору даних.
Попередня обробка даних: Під час процесу обробки даних штучним інтелектом, оскільки зібрані дані часто шумлять і містять помилки, їх необхідно очистити та перетворити у придатний для використання формат, перш ніж модель можна буде тренувати, що передбачає повторюване завдання нормалізації, фільтрації та обробки відсутніх значень. Цей етап є однією з небагатьох ручних ланок у галузі штучного інтелекту, і була виведена індустрія анотаторів даних, а з покращенням вимог моделі до якості даних зріс і поріг для анотаторів даних, і це завдання, природно, підходить для децентралізованого механізму стимулювання Web3.
На сьогодні Grass та OpenLayer обидва розглядають можливість включення маркування даних у цей ключовий етап.
Synesis запропонував концепцію «Train2earn», підкреслюючи якість даних, користувачі можуть отримувати винагороди за надання позначених даних, коментарів або інших форм внеску.
Проект маркування даних Sapien гейміфікує завдання маркування та дозволяє користувачам ставити бали, щоб заробити більше балів.
Конфіденційність даних та безпека: необхідно роз'яснити, що конфіденційність даних і безпека - це два різні поняття. Конфіденційність даних стосується обробки чутливих даних, тоді як безпека даних захищає інформацію від несанкціонованого доступу, знищення та крадіжки. Таким чином, переваги технологій конфіденційності Web3 та потенційні сфери застосування проявляються в двох аспектах: (1) навчання чутливих даних; (2) співпраця даних: кілька власників даних можуть спільно брати участь у навчанні ШІ, не ділячись своїми оригінальними даними.
Серед поширених технологій конфіденційності в Web3 на сьогодні є:
Довірене виконавче середовище (TEE), наприклад, Super Protocol;
Повна гомоморфна криптографія (FHE), наприклад, BasedAI, Fhenix.io або Inco Network;
Технології нульових знань (zk), такі як Reclaim Protocol, використовують технологію zkTLS для генерації доказів нульових знань трафіку HTTPS, що дозволяє користувачам безпечно імпортувати активність, репутацію та дані про особу з зовнішніх веб-сайтів, не розкриваючи чутливу інформацію.
Однак, наразі ця сфера все ще перебуває на ранній стадії, більшість проектів ще в процесі дослідження, поточна проблема полягає в тому, що витрати на обчислення занадто високі, деякі приклади:
Фреймворк zkML EZKL потребує приблизно 80 хвилин для генерації доказу моделі 1M-nanoGPT.
Згідно з даними Modulus Labs, витрати на zkML вищі, ніж на чисті обчислення, більш ніж у 1000 разів.
Зберігання даних: Після отримання даних також потрібне місце для зберігання даних на ланцюгу, а також LLM, створеного за допомогою цих даних. Основною проблемою є доступність даних (DA), до оновлення Danksharding в Ethereum її пропускна здатність становила 0,08 МБ. Тим часом навчання AI-моделей та реальний інференс зазвичай потребують пропускної здатності даних від 50 до 100 ГБ на секунду. Така різниця в порядку величини робить існуючі рішення на ланцюгу безсилими перед "ресурсомісткими AI-додатками".
0g.AI є представником цієї категорії проектів. Це централізоване сховище, розроблене для високопродуктивних потреб AI, з ключовими особливостями: висока продуктивність і масштабованість, підтримка швидкого завантаження та скачування великих об'ємів даних завдяки технологіям розширеного шардінгу (Sharding) та кодів корекції помилок (Erasure Coding), швидкість передачі даних близька до 5 ГБ на секунду.
Проміжне забезпечення: навчання та інференція моделей
Децентралізований ринок відкритих моделей
Дискусія щодо закритих чи відкритих AI-моделей ніколи не зникала. Відкритість приносить колективні інновації, які є незрівнянною перевагою закритих моделей, однак у відсутності прибуткової моделі, як відкриті моделі можуть підвищити мотивацію розробників? Це напрямок, який варто обміркувати, засновник Baidu Лі Яньхун у квітні цього року стверджував: «Відкриті моделі будуть дедалі більше відставати».
У зв'язку з цим Web3 пропонує можливість створення децентралізованого ринку моделей з відкритим вихідним кодом, тобто токенізацію самих моделей, зберігаючи певний відсоток токенів для команди та направляючи частину майбутніх доходів від моделі на користь держателів токенів.
Як протокол Bittensor створює відкритий P2P ринок моделей, що складається з десятків «підмереж», де постачальники ресурсів (обчислення, збір/зберігання даних, спеціалісти з машинного навчання) змагаються за досягнення цілей конкретного власника підмережі, різні підмережі можуть взаємодіяти та вчитися одна від одної, що дозволяє створювати більш потужний інтелект. Нагороди розподіляються шляхом голосування спільноти та додатково розподіляються в різних підмережах на основі конкурентних досягнень.
ORA вводить концепцію початкового випуску моделі (IMO), токенізуючи моделі штучного інтелекту, які можна купувати, продавати та розробляти через децентралізовану мережу.
Sentient, децентралізована платформа AGI, що заохочує людей до співпраці, створення, копіювання та розширення AI моделей, а також винагороджує внески.
Spectral Nova, фокусується на створенні та застосуванні AI та ML моделей.
Перевірне міркування
Стандартне рішення Web3 для проблеми «чорного ящика» висновків ШІ полягає в тому, щоб кілька валідаторів повторювали ту саму операцію та порівнювали результати, але через поточну нестачу високоякісних «чіпів Nvidia» очевидною проблемою цього підходу є висока вартість висновків ШІ.
Більш перспективним рішенням було б виконання ZK-доказів позаланцюгових обчислень висновків на основі штучного інтелекту «докази з нульовим розголошенням, криптографічний протокол, у якому сторона-організатор може довести іншій стороні-валідатору, що дане твердження є істинним, не розкриваючи жодної додаткової інформації, крім того, що твердження є істинним» для інклюзивної перевірки обчислень моделі ШІ без дозволу. Це передбачає криптографічне доведення в ланцюжку, що обчислення поза ланцюгом були виконані правильно (наприклад, набір даних не був підроблений), гарантуючи, що всі дані зберігаються в конфіденційності.
Основні переваги включають:
Масштабованість: нульові докази можуть швидко підтвердити велику кількість обчислень поза ланцюгом. Навіть якщо кількість транзакцій збільшується, один нульовий доказ може перевірити всі транзакції.
Захист конфіденційності: деталі даних і моделей ШІ залишаються приватними, в той же час сторони можуть перевірити, що дані та моделі не були порушені.
Не потрібно довіряти: підтвердження обчислень без необхідності покладатися на централізовані сторони.
Інтеграція з Web2: За визначенням, Web2 інтегрований поза мережею, що означає, що висновки, які можна перевірити, можуть допомогти перенести його набори даних і обчислення штучного інтелекту в ланцюжок. Це допомогло збільшити впровадження Web3.
Наразі технології, що забезпечують верифікацію у Web3 для верифікованого висновку, є такими:
zkML: поєднання доказів з нульовим розголошенням і машинного навчання для забезпечення конфіденційності даних і моделей, що дозволяє верифіковані обчислення без розкриття певних підлягаючих властивостей, таких як Modulus Labs, що на основі ZKML випустила ZK-програму для AI, щоб ефективно перевіряти, чи маніпулюють постачальники AI правильним виконанням алгоритмів на ланцюгу, хоча наразі клієнти в основному є DApp на ланцюгу.
opML: Використовуючи принцип оптимістичного зведення, шляхом перевірки часу виникнення суперечок, підвищує масштабованість і ефективність розрахунків ML. У цій моделі потрібно перевіряти лише невелику частину результатів, згенерованих "перевіряючим", але економічні витрати знижуються до достатньо високого рівня, щоб підвищити витрати на обман перевіряючих, що дозволяє заощадити на надмірних розрахунках.
TeeML: Використання довіреного середовища виконання для безпечного виконання ML обчислень, захисту даних і моделей від підробки та несанкціонованого доступу.
Третє, рівень застосування: AI Agent
Сучасний розвиток штучного інтелекту вже демонструє перехід акценту з можливостей моделей до агентів штучного інтелекту. Такі технологічні компанії, як OpenAI, стартап Anthropic з великими моделями штучного інтелекту, Microsoft та інші, активно переходять до розробки агентів штучного інтелекту, намагаючись подолати нинішній технологічний плато LLM.
Визначення AI Agent від OpenAI є таким: це система, що управляється LLM як мозком, яка має автономне розуміння, сприйняття, планування, пам'ять та здатність використовувати інструменти, здатна автоматизовано виконувати складні завдання. Коли AI перетворюється з інструмента, що використовується, на суб'єкт, що може використовувати інструменти, він стає AI Agent. Саме це є причиною, чому AI Agent може стати найідеальнішим інтелектуальним помічником для людини.
А що Web3 може принести агенту?
Децентралізація
Децентралізовані характеристики Web3 можуть зробити системи агентів більш розподіленими та автономними. За допомогою механізмів, таких як PoS та DPoS, можна встановити механізми винагороди та покарання для стейкерів та делегатів, що сприятиме демократизації системи агентів. GaiaNet, Theoriq та HajimeAI вже зробили спроби.
Холодний старт
Розробка та ітерація AI Agent часто потребують значної фінансової підтримки, а Web3 може допомогти перспективним проектам AI Agent отримати раннє фінансування та холодний старт.
Віртуальний Протокол запустив платформу для створення AI Agent та випуску токенів fun.virtuals, де будь-який користувач може одним натисканням кнопки розгорнути AI Agent та забезпечити 100% чесний випуск токенів AI Agent.
Spectral запропонував концепцію продукту, що підтримує випуск активів AI Agent на блокчейні: через IAO (Первинна пропозиція агентів) випускаються токени, AI Agent може безпосередньо отримувати фінансування від інвесторів, одночасно стаючи частиною управління DAO, надаючи інвесторам можливість брати участь у розвитку проекту та ділитися майбутніми прибутками.
Як ШІ надає можливість Web3?
Вплив штучного інтелекту на проекти Web3 очевидний: він приносить користь технології блокчейн шляхом оптимізації операцій на ланцюгу (таких як виконання смарт-контрактів, оптимізація ліквідності та управлінські рішення на основі штучного інтелекту). Одночасно він також може забезпечити кращі аналітичні дані, підвищити безпеку на ланцюгу та закласти основу для нових програм на базі Web3.
Одне. Штучний інтелект та фінанси на блокчейні
Штучний інтелект та криптоекономіка
31 серпня генеральний директор Coinbase Брайан Армстронг оголосив про першу криптографічну транзакцію AI для AI, здійснену в мережі Base, і зазначив, що AI Agent тепер може використовувати USD для торгівлі з людьми, торговцями або іншими AI на Base, ці транзакції є миттєвими, глобальними та безкоштовними.
Окрім оплати, Virtuals Protocol також вперше продемонстрував, як AI Agent може самостійно виконувати онлайнові транзакції, що викликало увагу, оскільки AI Agent вважається інтелектуальним суб'єктом, здатним сприймати навколишнє середовище, приймати рішення та виконувати дії, і розглядається як майбутнє онлайнових фінансів. Наразі потенційні сценарії AI Agent проявляються в наступних пунктах:
Збір інформації та прогнозування: допомога інвесторам у зборі оголошень біржі, публічної інформації про проекти, панічних настроїв, ризиків громадської думки та іншої інформації, оперативний аналіз та оцінка фундаментальних активів, ринкової ситуації, прогнозування тенденцій та ризиків.
Управління активами: надання користувачам відповідних інвестиційних об'єктів, оптимізація портфеля активів, автоматичне виконання угод.
Фінансовий досвід: допомагає інвесторам обрати найшвидший спосіб торгівлі на ланцюгу, автоматизує крос-ланцюгові операції, налаштовує витрати на газ та інші ручні операції, знижуючи бар'єри та витрати фінансової діяльності на ланцюгу.
Уявіть собі таку ситуацію: ви даєте AI Agent наступні вказівки: «У мене є 1000USDT, будь ласка, допоможіть мені знайти комбінацію з найвищою прибутковістю, з терміном блокування не більше одного тижня». AI Agent надасть вам такі рекомендації: «Рекомендую початковий розподіл: 50% на A, 20% на B, 20% на X, 10% на Y. Я буду моніторити процентні ставки та спостерігати за змінами їх рівня ризику, і при необхідності перерозподілю». Крім того, пошук перспективних проектів аеродропів, а також проектів Memecoin з ознаками популярних спільнот - це те, що AI Agent може реалізувати в майбутньому.
Джерело зображення: Biconomy
В даний час гаманець AI Agent Bitte і протокол взаємодії зі штучним інтелектом Wayfinder намагаються отримати доступ до модельного API OpenAI, дозволяючи користувачам командувати агентом виконувати різні операції в ланцюжку під інтерфейсом вікна чату, подібно до ChatGPT, таких як перший прототип WayFinder, випущений у квітні цього року, що показує обмін, Надсилайте, містіть і ставте на кіл.
Наразі децентралізована платформа Agent Morpheus також підтримує розробку таких Agent, як Biconomy, яка продемонструвала операцію, яка не потребує повного доступу до гаманця, де AI Agent може обміняти ETH на USDC.
Штучний інтелект і безпека транзакцій на блокчейні
У світі Web3 безпека транзакцій на ланцюгу є надзвичайно важливою. Технології штучного інтелекту можуть бути використані для підвищення безпеки транзакцій на ланцюгу та захисту конфіденційності, потенційні сценарії включають:
Моніторинг угод: технологічний моніторинг аномальної торговельної активності в реальному часі, інфраструктура сповіщень у реальному часі для користувачів та платформи.
Аналіз ризиків: допомога платформі в аналізі даних про торгову поведінку клієнтів, оцінка їх рівня ризику.
Наприклад, платформа безпеки Web3 SeQure використовує AI для виявлення та запобігання зловмисним атакам, шахрайству та витоку даних, а також надає механізми моніторингу в реальному часі та оповіщення, щоб забезпечити безпеку та стабільність транзакцій в мережі. Подібні інструменти безпеки також включають AI-powered Sentinel.
Друге, штучний інтелект та інфраструктура на блокчейні
Штучний інтелект та дані в ланцюзі
Технології ШІ відіграють важливу роль у зборі та аналізі даних на блокчейні, такі як:
Web3 Analytics: це аналітична платформа на базі AI, яка використовує алгоритми машинного навчання та обробки даних для збору, обробки та аналізу даних на блокчейні.
MinMax AI: Він надає інструменти аналізу даних на основі AI, які допомагають користувачам виявляти потенційні ринкові можливості та тенденції.
Kaito: веб3 пошукова платформа на основі LLM.
Слідуючи: інтегровано ChatGPT, щоб зібрати та інтегрувати відповідну інформацію, розсіяна на різних веб-сайтах і соціальних платформах.
Ще одна сфера використання - це оркестратори, які можуть використовувати AI для отримання цін з кількох джерел, щоб надати точні дані про ціни. Наприклад, Upshot використовує AI для нестабільних цін NFT, здійснюючи більше мільярда оцінок на годину, пропонуючи процентну похибку 3-10% для цін NFT.
AI та розробка&аудит
Нещодавно у колі розробників привернув увагу AI редактор коду Web2 під назвою Cursor. На його платформі користувачі можуть просто описати природною мовою, і Cursor автоматично генерує відповідний HTML, CSS та javaScript код, значно спрощуючи процес розробки програмного забезпечення. Ця логіка також підходить для підвищення ефективності розробки Web3.
В даний час, при розгортанні смарт-контрактів та DApp на публічних блокчейнах зазвичай потрібно дотримуватись спеціалізованих мов програмування, таких як Solidity, Rust, Move тощо. Мета нових мов програмування полягає в розширенні простору дизайну децентралізованих блокчейнів, щоб вони були більш придатними для розробки DApp, але за умов великого дефіциту розробників у Web3, освіта розробників залишається більш серйозною проблемою.
Наразі AI у допомозі розробці Web3 може уявити собі такі сценарії, як: автоматизоване генерування коду, перевірка та тестування смарт-контрактів, розгортання та обслуговування DApp, розумне доповнення коду, відповіді AI на питання розробки щодо складних проблем тощо. Завдяки допомозі AI не лише підвищується ефективність і точність розробки, але також знижуються бар'єри програмування, що дозволяє непрофесійним програмістам перетворювати свої ідеї на реальні застосунки, приносячи нову енергію у розвиток децентралізованих технологій.
Наразі найбільшу увагу привертають платформи для запуску токенів одним натисканням кнопки, такі як Clanker, AI-орієнтований «Token Bot», спеціально розроблений для швидкого DIY-розгортання токенів. Вам лише потрібно позначити Clanker у клієнті SocialFi протоколу Farcaster, наприклад, у Warpcast або Supercast, і розповісти йому про вашу ідею токена, і він запустить токен для вас на публічному ланцюгу Base.
Існують також платформи для розробки контрактів, такі як Spectral, які забезпечують генерацію та розгортання смарт-контрактів в один клік для зниження порогу розробки Web3, і навіть користувачі-початківці можуть реалізувати компіляцію та розгортання смарт-контрактів.
У сфері аудиту платформа Web3 для аудиту Fuzzland використовує штучний інтелект для допомоги аудиторам у перевірці кодових вразливостей, надаючи пояснення природною мовою для підтримки аудиторських знань. Fuzzland також використовує штучний інтелект для надання пояснень природною мовою щодо формальних специфікацій та кодів контрактів, а також деяких прикладів коду, щоб допомогти розробникам зрозуміти потенційні проблеми в коді.
Третє, новий наратив AI та Web3
Поява генеративного ШІ відкриває нові можливості для нових наративів Web3.
NFT: Штучний інтелект вніс креативність у генеративні NFT, завдяки технології ШІ можна створювати різноманітні унікальні витвори мистецтва та персонажів. Ці генеративні NFT можуть стати персонажами, предметами або елементами сцени в іграх, віртуальних світах або метасвіті, наприклад, Bicasso від Binance, де користувачі можуть завантажувати зображення та вводити ключові слова для генерації NFT через обчислення ШІ. Подібні проекти включають Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: Завдяки природному генерації мовлення на основі AI, генерації зображень та можливостям розумних NPC, GameFi має потенціал підвищити ефективність та інновації в виробництві ігрового контенту. Наприклад, перша блокчейн-гра AI Hero від Binaryx, де гравці можуть випадковим чином досліджувати різні сюжетні варіанти; аналогічно, існує гра віртуальних партнерів Sleepless AI, заснована на AIGC та LLM, де гравці можуть розблокувати персоналізований ігровий процес через різні взаємодії.
DAO: В даний час також передбачається, що ШІ буде застосовано в DAO для відстеження взаємодії в спільноті, запису внесків, винагороди членів з найбільшими внесками,代理 голосування тощо. Наприклад, ai16z використовує AI Agent для збору ринкової інформації як на ланцюгу, так і за його межами, аналізу консенсусу спільноти та прийняття інвестиційних рішень на основі пропозицій членів DAO.
Значення поєднання AI+Web3: Вежі та площі
У самому серці Флоренції, Італія, знаходиться найважливіше місце політичних активностей для місцевих жителів та туристів — Центральна площа. Тут височіє 95-метрова вежа міської ради, яка створює вражаючий естетичний ефект завдяки вертикальному та горизонтальному візуальному контрасту з площею. Професор історії Гарвардського університету Ніл Фергюсон отримав натхнення від цього, асоціюючи у своїй книзі "Площа та вежа" світову історію мереж та ієрархій, які впродовж часу підносяться та знижуються, змінюючи одне одного.
Ця чудова метафора зовсім не дивна у контексті стосунків між AI та Web3 сьогодні. З історії їхніх довгострокових, нелінійних відносин видно, що площа набагато більш здатна породжувати нові, креативні ідеї, ніж вежа, але вежа все ще має свою легітимність та потужне життя.
Завдяки здатності технологічних компаній до високої концентрації енергетичних обчислювальних даних, ШІ виявив небачену раніше уяву, великі технологічні компанії щедро інвестують і активно входять в гру, від різних чат-ботів до ітераційних версій «базових великих моделей» GPT-4, GP4-4o та інших, автоматизовані програмні роботи (Devin) та Sora, що мають початкові можливості для моделювання реального фізичного світу, стали реальністю тощо, уява ШІ була безмежно розширена.
Водночас, ШІ по суті є індустрією, що масштабується та централізується, і ця технологічна революція підштовхує технологічні компанії, які поступово здобули структурну домінуючу позицію ще в «епоху Інтернету», до ще більш вузької висоти. Великий обсяг електроенергії, монополізовані грошові потоки та величезні набори даних, необхідні для домінування в епоху інтелекту, формують для них вищі бар'єри.
Коли вежі стають все вищими, ухвалювачі рішень за лаштунками все більше звужуються, централізація ШІ приносить безліч ризиків, як же натовпу на площі уникнути тіней під вежами? Саме це і є питання, яке Web3 сподівається вирішити.
З точки зору сутності, вроджені властивості блокчейну посилюють системи штучного інтелекту та відкривають нові можливості, головним чином:
Епоха штучного інтелекту "код є законом" — реалізація прозорих систем автоматичного виконання правил через смарт-контракти та крипто-підтвердження, що передає винагороди тим, хто ближче до цілей.
Токенна економіка — створення та координація поведінки учасників через механізм токенів, стейкінг, зменшення, винагороди токенами та покарання.
Децентралізоване управління — спонукає нас ставити під сумнів джерела інформації та заохочує більш критичний і проникливий підхід до технологій штучного інтелекту, запобігаючи упередженості, дезінформації та маніпуляціям, зрештою виховуючи більш обізнане та наділене повноваженнями суспільство.
Розвиток ШІ також надав нову енергію Web3, можливо, вплив Web3 на ШІ потребує підтвердження часом, але вплив ШІ на Web3 є очевидним: це можна побачити як у бурхливому захопленні мемами, так і в тому, як AI Agent допомагає знизити пороги використання для застосувань на блокчейні.
Коли Web3 визначається як самопохвала невеликої групи людей і піддається сумнівам щодо відтворення традиційних галузей, додавання штучного інтелекту принесло йому передбачуване майбутнє: більш стабільну та більшу базу користувачів Web2, більше інноваційних бізнес-моделей та послуг.
Ми живемо у світі, де співіснують «вежі та площі». Хоча у AI та Web3 різні часові лінії та вихідні точки, їхня кінцева мета — як краще служити людині. Ніхто не може визначити стрімку річку, ми чекаємо на майбутнє AI+Web3.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
ШІ + Web3: Вежі та площі
Автор: Coinspire
ТЛ; ДОКТОР:
Web3-проєкти з концепцією ШІ стали золотими цілями на первинному та вторинному ринках.
Можливості Web3 в індустрії ШІ проявляються в: використанні розподілених стимулів для координації потенційних постачань у довгому хвості — через дані, зберігання та обчислення; водночас, створенні відкритої моделі та децентралізованого ринку AI Agent.
AI в індустрії Web3 головним чином використовується в ланцюгових фінансах (криптоплатежі, торгівля, аналіз даних) та для підтримки розробки.
Ефективність AI+Web3 проявляється в їхній взаємодоповнюючості: Web3 має потенціал протистояти централізації AI, а AI має потенціал допомогти Web3 вийти за межі.
Вступ
Останні два роки розвиток ШІ ніби натиснув на кнопку прискорення, а ця метелика, що з'явилася завдяки Chatgpt, відкрила не тільки новий світ генеративного штучного інтелекту, але й викликала потужну хвилю в веб3.
За підтримки концепції ШІ, порівняно з уповільненням фінансування на крипторинку, спостерігається помітне підвищення. Згідно з даними ЗМІ, лише в першій половині 2024 року 64 проекти Web3+AI завершили фінансування, а операційна система на основі штучного інтелекту Zyber365 досягла найвищої суми фінансування в 100 мільйонів доларів у раунді A.
Другорядний ринок стає більш процвітаючим, дані криптоагрегатора Coingecko показують, що всього за трохи більше року загальна капіталізація AI сектора досягла 48,5 мільярдів доларів, а 24-годинний обсяг торгів наближається до 8,6 мільярдів доларів; очевидні позитивні наслідки прогресу в основних AI технологіях, після випуску текстово-відеальної моделі Sora від OpenAI середня ціна в AI сегменті зросла на 151%; ефект AI також поширився на одну з криптовалютних категорій залучення капіталу – Meme: перша концепція AI Agent MemeCoin — GOAT швидко здобула популярність і отримала оцінку в 1,4 мільярда доларів, успішно піднявши хвилю AI Meme.
Дослідження та теми, пов’язані з AI+Web3, також є надзвичайно актуальними: від AI+Depin до AI Memecoin, а потім до поточних AI Agent та AI DAO, емоція FOMO вже не встигає за швидкістю чергування нових наративів.
AI+Web3, це поєднання термінів, сповнене гарячих грошей, віянь та майбутніх ілюзій, неминуче сприймається як шлюб, влаштований капіталом, здається, нам важко зрозуміти, під цим розкішним одягом, чи є це полем спекулянтів, чи переддень вибуху світанку?
Щоб відповісти на це питання, важливим роздумом для обох сторін є те, чи стане краще у результаті взаємодії. Чи можна отримати вигоду від моделей іншої сторони? У цій статті ми також намагаємося подивитися на цю картину, спираючись на плечі попередників: як Web3 може відігравати роль на різних етапах технологічного стеку AI, і що нового AI може принести Web3?
Які можливості є в Web3 під стеками штучного інтелекту?
Перш ніж розглядати цю тему, нам потрібно зрозуміти технологічний стек великих моделей ШІ:
Джерело зображення: Delphi Digital
Використовуючи більш зрозумілу мову для опису всього процесу: «велика модель» схожа на людський мозок. На початковій стадії цей мозок належить тільки що народженій дитині, яка повинна спостерігати та споживати величезну кількість інформації з навколишнього світу, щоб зрозуміти цей світ — це стадія «збору» даних. Оскільки комп'ютери не мають людських сенсорних можливостей, таких як зір або слух, на етапі навчання велика кількість незмічених даних ззовні повинна пройти «попередню обробку», щоб перетворитися на інформаційний формат, зрозумілий і придатний для комп'ютера.
Після введення даних AI через «тренування» створив модель, здатну до розуміння та прогнозування, яка може розглядатися як процес, у якому немовля поступово розуміє та вивчає зовнішній світ. Параметри моделі подібні до мовних здібностей немовляти, які постійно коригуються в процесі навчання. Коли вивчений матеріал починає розділятися на дисципліни або розпочинається спілкування з людьми, що надає зворотний зв'язок і корекцію, це переходить до етапу «тонкої настройки» великої моделі.
Коли діти вчаться говорити, вони можуть розуміти значення та висловлювати свої почуття та думки в нових розмовах, подібно до «висновків» великих моделей штучного інтелекту, які здатні передбачати та аналізувати нові вхідні дані мови та тексту. Немовлята виражають почуття, описують об'єкти та вирішують різні проблеми за допомогою мовних навичок, що схоже на те, як великі моделі штучного інтелекту застосовуються до різних конкретних завдань на етапі висновків після того, як їх навчають і вводять у використання.
А AI Agent є більш близьким до наступної форми великої моделі — здатної самостійно виконувати завдання та переслідувати складні цілі, яка має не тільки здатність до мислення, але й пам'ять, планування, а також може використовувати інструменти для взаємодії зі світом.
Наразі, стосовно проблемних аспектів AI у різних стекових рішеннях, Web3 на даний момент попередньо сформував багаторівневу, взаємопов'язану екосистему, що охоплює всі етапи процесу моделювання AI.
обчислювальна потужність
Наразі однією з найвищих витрат у сфері ШІ є обчислювальна потужність та енергія, необхідні для навчання моделей та їх інференції.
Наприклад, LLAMA3 від Meta вимагає 16 000 H100GPU виробництва NVIDIA, топового графічного процесора, призначеного для штучного інтелекту та високопродуктивних обчислювальних навантажень. 30 днів на проходження навчання. Версія останньої на 80 ГБ коштує від $30 000 до $40 000 за одиницю, що вимагає $4-$700 млн інвестицій у обчислювальне обладнання (GPU + мережевий чіп), при цьому споживаючи 1,6 млрд кВт·год навчання на місяць і майже $20 млн на місяць витрат на енергію.
Розвантаження AI обчислювальних потужностей є однією з перших областей перетворення Web3 з AI — DePin (децентралізовані фізичні інфраструктурні мережі). Наразі сайт даних DePin Ninja вже представив більше 1400 проектів, серед яких проекти, що представляють обмін GPU потужностями, включають io.net, Aethir, Akash, Render Network та інші.
Основна логіка полягає в тому, що платформа дозволяє особам або організаціям, які мають незайняті ресурси GPU, вносити свій обчислювальний потенціал децентралізованим способом без необхідності отримання дозволу. Завдяки онлайн-ринку, подібному до Uber або Airbnb, підвищується рівень використання незадіяних ресурсів GPU, а кінцеві користувачі отримують більш дешеві та ефективні обчислювальні ресурси. Водночас механізм стейкінгу також забезпечує те, що в разі порушення механізму контролю якості або перерви в мережі, постачальники ресурсів зазнають відповідних покарань.
Його особливість полягає в тому:
Збір бездіяльних ресурсів GPU: постачальники в основному є незалежними малими та середніми дата-центрами, операторами криптодобувних майданчиків та надлишковими обчислювальними ресурсами, а також обладнанням для видобутку з механізмом консенсусу PoS, таким як FileCoin та ETH майнери. Наразі існують проекти, що прагнуть запустити обладнання з нижчими бар'єрами входу, такі як exolab, який використовує локальні пристрої, такі як MacBook, iPhone, iPad для створення обчислювальної мережі для інференції великих моделей.
Зіткнувшись з довгостроковим ринком обчислювальних потужностей штучного інтелекту: a. З технічної точки зору, ринок децентралізованих обчислень більше підходить для етапу висновків. Навчання більше залежить від потужності обробки даних, принесеної надвеликими графічними процесорами кластерного масштабу, тоді як висновок має відносно низьку продуктивність для обчислень на GPU, наприклад, Aethir зосереджується на завданнях рендерингу з низькою затримкою та програмах висновків штучного інтелекту. b. «З боку попиту», малі та середні вимоги, що вимагають обчислювальної потужності, не будуть тренувати свої власні великі моделі самостійно, а вирішать оптимізувати та налаштувати лише кілька провідних великих моделей, і ці сценарії, природно, підходять для розподілених непрацюючих обчислювальних ресурсів.
Децентралізоване володіння: технологічне значення блокчейну полягає в тому, що власники ресурсів завжди зберігають контроль над своїми ресурсами, гнучко коригуючи їх відповідно до потреб, одночасно отримуючи прибуток.
дані
Дані – це основа штучного інтелекту. Без даних обчислення марні, як ряска, а співвідношення між даними та моделлю схоже на прислів'я «Сміття входить, сміття виходить», де кількість даних та якість вхідних даних визначають якість виходу кінцевої моделі. Для навчання сучасних моделей штучного інтелекту дані визначають мовні здібності моделі, здатність до розуміння і навіть значення, а також продуктивність людини. В даний час дилема попиту на дані штучного інтелекту в основному зосереджена на наступних чотирьох аспектах:
Голод даних: Навчання моделей ШІ потребує великої кількості даних. Відкриті дані показують, що OpenAI навчала GPT-4 з параметрами на трильйонному рівні.
Якість даних: з розвитком штучного інтелекту та інтеграцією його в різні галузі, терміновість даних, різноманітність даних, спеціалізація вертикальних даних та вплив нових джерел даних, таких як емоції в соціальних мережах, ставлять нові вимоги до їх якості.
Проблеми конфіденційності та відповідності: наразі різні країни та компанії поступово усвідомлюють важливість якісних наборів даних і вводять обмеження на збори даних.
Високі витрати на обробку даних: велика кількість даних, складний процес обробки. Відкриті дані показують, що понад 30% витрат на дослідження та розробки в AI компаніях витрачається на первинний збір та обробку даних.
Наразі рішення web3 проявляються в наступних чотирьох аспектах:
Дати можливість справжнім внескам користувачів також брати участь у створенні цінності, яку приносить дані, а також отримувати більш приватні та цінні дані від користувачів за допомогою розподіленої мережі та механізмів стимулювання з низькими витратами — це бачення Web3.
Grass є децентралізованим рівнем даних і мережею, де користувачі можуть запустити вузли Grass, вносячи свій вільний пропускну здатність і релейний трафік для збору в реальному часі даних з усього Інтернету та отримувати токенні винагороди;
Vana впровадила унікальну концепцію пулу ліквідності даних (DLP), де користувачі можуть завантажувати свої приватні дані (такі як історія покупок, звички перегляду, активність у соціальних мережах тощо) у певний DLP та гнучко обирати, чи надавати ці дані для використання певним третім сторонам;
У PublicAI користувачі можуть використовувати #AI 或#Web3 як категорійний ярлик на X та @PublicAI для збору даних.
На сьогодні Grass та OpenLayer обидва розглядають можливість включення маркування даних у цей ключовий етап.
Synesis запропонував концепцію «Train2earn», підкреслюючи якість даних, користувачі можуть отримувати винагороди за надання позначених даних, коментарів або інших форм внеску.
Проект маркування даних Sapien гейміфікує завдання маркування та дозволяє користувачам ставити бали, щоб заробити більше балів.
Серед поширених технологій конфіденційності в Web3 на сьогодні є:
Довірене виконавче середовище (TEE), наприклад, Super Protocol;
Повна гомоморфна криптографія (FHE), наприклад, BasedAI, Fhenix.io або Inco Network;
Технології нульових знань (zk), такі як Reclaim Protocol, використовують технологію zkTLS для генерації доказів нульових знань трафіку HTTPS, що дозволяє користувачам безпечно імпортувати активність, репутацію та дані про особу з зовнішніх веб-сайтів, не розкриваючи чутливу інформацію.
Однак, наразі ця сфера все ще перебуває на ранній стадії, більшість проектів ще в процесі дослідження, поточна проблема полягає в тому, що витрати на обчислення занадто високі, деякі приклади:
Фреймворк zkML EZKL потребує приблизно 80 хвилин для генерації доказу моделі 1M-nanoGPT.
Згідно з даними Modulus Labs, витрати на zkML вищі, ніж на чисті обчислення, більш ніж у 1000 разів.
0g.AI є представником цієї категорії проектів. Це централізоване сховище, розроблене для високопродуктивних потреб AI, з ключовими особливостями: висока продуктивність і масштабованість, підтримка швидкого завантаження та скачування великих об'ємів даних завдяки технологіям розширеного шардінгу (Sharding) та кодів корекції помилок (Erasure Coding), швидкість передачі даних близька до 5 ГБ на секунду.
Децентралізований ринок відкритих моделей
Дискусія щодо закритих чи відкритих AI-моделей ніколи не зникала. Відкритість приносить колективні інновації, які є незрівнянною перевагою закритих моделей, однак у відсутності прибуткової моделі, як відкриті моделі можуть підвищити мотивацію розробників? Це напрямок, який варто обміркувати, засновник Baidu Лі Яньхун у квітні цього року стверджував: «Відкриті моделі будуть дедалі більше відставати».
У зв'язку з цим Web3 пропонує можливість створення децентралізованого ринку моделей з відкритим вихідним кодом, тобто токенізацію самих моделей, зберігаючи певний відсоток токенів для команди та направляючи частину майбутніх доходів від моделі на користь держателів токенів.
Як протокол Bittensor створює відкритий P2P ринок моделей, що складається з десятків «підмереж», де постачальники ресурсів (обчислення, збір/зберігання даних, спеціалісти з машинного навчання) змагаються за досягнення цілей конкретного власника підмережі, різні підмережі можуть взаємодіяти та вчитися одна від одної, що дозволяє створювати більш потужний інтелект. Нагороди розподіляються шляхом голосування спільноти та додатково розподіляються в різних підмережах на основі конкурентних досягнень.
ORA вводить концепцію початкового випуску моделі (IMO), токенізуючи моделі штучного інтелекту, які можна купувати, продавати та розробляти через децентралізовану мережу.
Sentient, децентралізована платформа AGI, що заохочує людей до співпраці, створення, копіювання та розширення AI моделей, а також винагороджує внески.
Spectral Nova, фокусується на створенні та застосуванні AI та ML моделей.
Перевірне міркування
Стандартне рішення Web3 для проблеми «чорного ящика» висновків ШІ полягає в тому, щоб кілька валідаторів повторювали ту саму операцію та порівнювали результати, але через поточну нестачу високоякісних «чіпів Nvidia» очевидною проблемою цього підходу є висока вартість висновків ШІ.
Більш перспективним рішенням було б виконання ZK-доказів позаланцюгових обчислень висновків на основі штучного інтелекту «докази з нульовим розголошенням, криптографічний протокол, у якому сторона-організатор може довести іншій стороні-валідатору, що дане твердження є істинним, не розкриваючи жодної додаткової інформації, крім того, що твердження є істинним» для інклюзивної перевірки обчислень моделі ШІ без дозволу. Це передбачає криптографічне доведення в ланцюжку, що обчислення поза ланцюгом були виконані правильно (наприклад, набір даних не був підроблений), гарантуючи, що всі дані зберігаються в конфіденційності.
Основні переваги включають:
Масштабованість: нульові докази можуть швидко підтвердити велику кількість обчислень поза ланцюгом. Навіть якщо кількість транзакцій збільшується, один нульовий доказ може перевірити всі транзакції.
Захист конфіденційності: деталі даних і моделей ШІ залишаються приватними, в той же час сторони можуть перевірити, що дані та моделі не були порушені.
Не потрібно довіряти: підтвердження обчислень без необхідності покладатися на централізовані сторони.
Інтеграція з Web2: За визначенням, Web2 інтегрований поза мережею, що означає, що висновки, які можна перевірити, можуть допомогти перенести його набори даних і обчислення штучного інтелекту в ланцюжок. Це допомогло збільшити впровадження Web3.
Наразі технології, що забезпечують верифікацію у Web3 для верифікованого висновку, є такими:
zkML: поєднання доказів з нульовим розголошенням і машинного навчання для забезпечення конфіденційності даних і моделей, що дозволяє верифіковані обчислення без розкриття певних підлягаючих властивостей, таких як Modulus Labs, що на основі ZKML випустила ZK-програму для AI, щоб ефективно перевіряти, чи маніпулюють постачальники AI правильним виконанням алгоритмів на ланцюгу, хоча наразі клієнти в основному є DApp на ланцюгу.
opML: Використовуючи принцип оптимістичного зведення, шляхом перевірки часу виникнення суперечок, підвищує масштабованість і ефективність розрахунків ML. У цій моделі потрібно перевіряти лише невелику частину результатів, згенерованих "перевіряючим", але економічні витрати знижуються до достатньо високого рівня, щоб підвищити витрати на обман перевіряючих, що дозволяє заощадити на надмірних розрахунках.
TeeML: Використання довіреного середовища виконання для безпечного виконання ML обчислень, захисту даних і моделей від підробки та несанкціонованого доступу.
Третє, рівень застосування: AI Agent
Сучасний розвиток штучного інтелекту вже демонструє перехід акценту з можливостей моделей до агентів штучного інтелекту. Такі технологічні компанії, як OpenAI, стартап Anthropic з великими моделями штучного інтелекту, Microsoft та інші, активно переходять до розробки агентів штучного інтелекту, намагаючись подолати нинішній технологічний плато LLM.
Визначення AI Agent від OpenAI є таким: це система, що управляється LLM як мозком, яка має автономне розуміння, сприйняття, планування, пам'ять та здатність використовувати інструменти, здатна автоматизовано виконувати складні завдання. Коли AI перетворюється з інструмента, що використовується, на суб'єкт, що може використовувати інструменти, він стає AI Agent. Саме це є причиною, чому AI Agent може стати найідеальнішим інтелектуальним помічником для людини.
А що Web3 може принести агенту?
Децентралізовані характеристики Web3 можуть зробити системи агентів більш розподіленими та автономними. За допомогою механізмів, таких як PoS та DPoS, можна встановити механізми винагороди та покарання для стейкерів та делегатів, що сприятиме демократизації системи агентів. GaiaNet, Theoriq та HajimeAI вже зробили спроби.
Розробка та ітерація AI Agent часто потребують значної фінансової підтримки, а Web3 може допомогти перспективним проектам AI Agent отримати раннє фінансування та холодний старт.
Віртуальний Протокол запустив платформу для створення AI Agent та випуску токенів fun.virtuals, де будь-який користувач може одним натисканням кнопки розгорнути AI Agent та забезпечити 100% чесний випуск токенів AI Agent.
Spectral запропонував концепцію продукту, що підтримує випуск активів AI Agent на блокчейні: через IAO (Первинна пропозиція агентів) випускаються токени, AI Agent може безпосередньо отримувати фінансування від інвесторів, одночасно стаючи частиною управління DAO, надаючи інвесторам можливість брати участь у розвитку проекту та ділитися майбутніми прибутками.
Як ШІ надає можливість Web3?
Вплив штучного інтелекту на проекти Web3 очевидний: він приносить користь технології блокчейн шляхом оптимізації операцій на ланцюгу (таких як виконання смарт-контрактів, оптимізація ліквідності та управлінські рішення на основі штучного інтелекту). Одночасно він також може забезпечити кращі аналітичні дані, підвищити безпеку на ланцюгу та закласти основу для нових програм на базі Web3.
Одне. Штучний інтелект та фінанси на блокчейні
Штучний інтелект та криптоекономіка
31 серпня генеральний директор Coinbase Брайан Армстронг оголосив про першу криптографічну транзакцію AI для AI, здійснену в мережі Base, і зазначив, що AI Agent тепер може використовувати USD для торгівлі з людьми, торговцями або іншими AI на Base, ці транзакції є миттєвими, глобальними та безкоштовними.
Окрім оплати, Virtuals Protocol також вперше продемонстрував, як AI Agent може самостійно виконувати онлайнові транзакції, що викликало увагу, оскільки AI Agent вважається інтелектуальним суб'єктом, здатним сприймати навколишнє середовище, приймати рішення та виконувати дії, і розглядається як майбутнє онлайнових фінансів. Наразі потенційні сценарії AI Agent проявляються в наступних пунктах:
Збір інформації та прогнозування: допомога інвесторам у зборі оголошень біржі, публічної інформації про проекти, панічних настроїв, ризиків громадської думки та іншої інформації, оперативний аналіз та оцінка фундаментальних активів, ринкової ситуації, прогнозування тенденцій та ризиків.
Управління активами: надання користувачам відповідних інвестиційних об'єктів, оптимізація портфеля активів, автоматичне виконання угод.
Фінансовий досвід: допомагає інвесторам обрати найшвидший спосіб торгівлі на ланцюгу, автоматизує крос-ланцюгові операції, налаштовує витрати на газ та інші ручні операції, знижуючи бар'єри та витрати фінансової діяльності на ланцюгу.
Уявіть собі таку ситуацію: ви даєте AI Agent наступні вказівки: «У мене є 1000USDT, будь ласка, допоможіть мені знайти комбінацію з найвищою прибутковістю, з терміном блокування не більше одного тижня». AI Agent надасть вам такі рекомендації: «Рекомендую початковий розподіл: 50% на A, 20% на B, 20% на X, 10% на Y. Я буду моніторити процентні ставки та спостерігати за змінами їх рівня ризику, і при необхідності перерозподілю». Крім того, пошук перспективних проектів аеродропів, а також проектів Memecoin з ознаками популярних спільнот - це те, що AI Agent може реалізувати в майбутньому.
Джерело зображення: Biconomy
В даний час гаманець AI Agent Bitte і протокол взаємодії зі штучним інтелектом Wayfinder намагаються отримати доступ до модельного API OpenAI, дозволяючи користувачам командувати агентом виконувати різні операції в ланцюжку під інтерфейсом вікна чату, подібно до ChatGPT, таких як перший прототип WayFinder, випущений у квітні цього року, що показує обмін, Надсилайте, містіть і ставте на кіл.
Наразі децентралізована платформа Agent Morpheus також підтримує розробку таких Agent, як Biconomy, яка продемонструвала операцію, яка не потребує повного доступу до гаманця, де AI Agent може обміняти ETH на USDC.
Штучний інтелект і безпека транзакцій на блокчейні
У світі Web3 безпека транзакцій на ланцюгу є надзвичайно важливою. Технології штучного інтелекту можуть бути використані для підвищення безпеки транзакцій на ланцюгу та захисту конфіденційності, потенційні сценарії включають:
Моніторинг угод: технологічний моніторинг аномальної торговельної активності в реальному часі, інфраструктура сповіщень у реальному часі для користувачів та платформи.
Аналіз ризиків: допомога платформі в аналізі даних про торгову поведінку клієнтів, оцінка їх рівня ризику.
Наприклад, платформа безпеки Web3 SeQure використовує AI для виявлення та запобігання зловмисним атакам, шахрайству та витоку даних, а також надає механізми моніторингу в реальному часі та оповіщення, щоб забезпечити безпеку та стабільність транзакцій в мережі. Подібні інструменти безпеки також включають AI-powered Sentinel.
Друге, штучний інтелект та інфраструктура на блокчейні
Штучний інтелект та дані в ланцюзі
Технології ШІ відіграють важливу роль у зборі та аналізі даних на блокчейні, такі як:
Web3 Analytics: це аналітична платформа на базі AI, яка використовує алгоритми машинного навчання та обробки даних для збору, обробки та аналізу даних на блокчейні.
MinMax AI: Він надає інструменти аналізу даних на основі AI, які допомагають користувачам виявляти потенційні ринкові можливості та тенденції.
Kaito: веб3 пошукова платформа на основі LLM.
Слідуючи: інтегровано ChatGPT, щоб зібрати та інтегрувати відповідну інформацію, розсіяна на різних веб-сайтах і соціальних платформах.
Ще одна сфера використання - це оркестратори, які можуть використовувати AI для отримання цін з кількох джерел, щоб надати точні дані про ціни. Наприклад, Upshot використовує AI для нестабільних цін NFT, здійснюючи більше мільярда оцінок на годину, пропонуючи процентну похибку 3-10% для цін NFT.
AI та розробка&аудит
Нещодавно у колі розробників привернув увагу AI редактор коду Web2 під назвою Cursor. На його платформі користувачі можуть просто описати природною мовою, і Cursor автоматично генерує відповідний HTML, CSS та javaScript код, значно спрощуючи процес розробки програмного забезпечення. Ця логіка також підходить для підвищення ефективності розробки Web3.
В даний час, при розгортанні смарт-контрактів та DApp на публічних блокчейнах зазвичай потрібно дотримуватись спеціалізованих мов програмування, таких як Solidity, Rust, Move тощо. Мета нових мов програмування полягає в розширенні простору дизайну децентралізованих блокчейнів, щоб вони були більш придатними для розробки DApp, але за умов великого дефіциту розробників у Web3, освіта розробників залишається більш серйозною проблемою.
Наразі AI у допомозі розробці Web3 може уявити собі такі сценарії, як: автоматизоване генерування коду, перевірка та тестування смарт-контрактів, розгортання та обслуговування DApp, розумне доповнення коду, відповіді AI на питання розробки щодо складних проблем тощо. Завдяки допомозі AI не лише підвищується ефективність і точність розробки, але також знижуються бар'єри програмування, що дозволяє непрофесійним програмістам перетворювати свої ідеї на реальні застосунки, приносячи нову енергію у розвиток децентралізованих технологій.
Наразі найбільшу увагу привертають платформи для запуску токенів одним натисканням кнопки, такі як Clanker, AI-орієнтований «Token Bot», спеціально розроблений для швидкого DIY-розгортання токенів. Вам лише потрібно позначити Clanker у клієнті SocialFi протоколу Farcaster, наприклад, у Warpcast або Supercast, і розповісти йому про вашу ідею токена, і він запустить токен для вас на публічному ланцюгу Base.
Існують також платформи для розробки контрактів, такі як Spectral, які забезпечують генерацію та розгортання смарт-контрактів в один клік для зниження порогу розробки Web3, і навіть користувачі-початківці можуть реалізувати компіляцію та розгортання смарт-контрактів.
У сфері аудиту платформа Web3 для аудиту Fuzzland використовує штучний інтелект для допомоги аудиторам у перевірці кодових вразливостей, надаючи пояснення природною мовою для підтримки аудиторських знань. Fuzzland також використовує штучний інтелект для надання пояснень природною мовою щодо формальних специфікацій та кодів контрактів, а також деяких прикладів коду, щоб допомогти розробникам зрозуміти потенційні проблеми в коді.
Третє, новий наратив AI та Web3
Поява генеративного ШІ відкриває нові можливості для нових наративів Web3.
NFT: Штучний інтелект вніс креативність у генеративні NFT, завдяки технології ШІ можна створювати різноманітні унікальні витвори мистецтва та персонажів. Ці генеративні NFT можуть стати персонажами, предметами або елементами сцени в іграх, віртуальних світах або метасвіті, наприклад, Bicasso від Binance, де користувачі можуть завантажувати зображення та вводити ключові слова для генерації NFT через обчислення ШІ. Подібні проекти включають Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: Завдяки природному генерації мовлення на основі AI, генерації зображень та можливостям розумних NPC, GameFi має потенціал підвищити ефективність та інновації в виробництві ігрового контенту. Наприклад, перша блокчейн-гра AI Hero від Binaryx, де гравці можуть випадковим чином досліджувати різні сюжетні варіанти; аналогічно, існує гра віртуальних партнерів Sleepless AI, заснована на AIGC та LLM, де гравці можуть розблокувати персоналізований ігровий процес через різні взаємодії.
DAO: В даний час також передбачається, що ШІ буде застосовано в DAO для відстеження взаємодії в спільноті, запису внесків, винагороди членів з найбільшими внесками,代理 голосування тощо. Наприклад, ai16z використовує AI Agent для збору ринкової інформації як на ланцюгу, так і за його межами, аналізу консенсусу спільноти та прийняття інвестиційних рішень на основі пропозицій членів DAO.
Значення поєднання AI+Web3: Вежі та площі
У самому серці Флоренції, Італія, знаходиться найважливіше місце політичних активностей для місцевих жителів та туристів — Центральна площа. Тут височіє 95-метрова вежа міської ради, яка створює вражаючий естетичний ефект завдяки вертикальному та горизонтальному візуальному контрасту з площею. Професор історії Гарвардського університету Ніл Фергюсон отримав натхнення від цього, асоціюючи у своїй книзі "Площа та вежа" світову історію мереж та ієрархій, які впродовж часу підносяться та знижуються, змінюючи одне одного.
Ця чудова метафора зовсім не дивна у контексті стосунків між AI та Web3 сьогодні. З історії їхніх довгострокових, нелінійних відносин видно, що площа набагато більш здатна породжувати нові, креативні ідеї, ніж вежа, але вежа все ще має свою легітимність та потужне життя.
Завдяки здатності технологічних компаній до високої концентрації енергетичних обчислювальних даних, ШІ виявив небачену раніше уяву, великі технологічні компанії щедро інвестують і активно входять в гру, від різних чат-ботів до ітераційних версій «базових великих моделей» GPT-4, GP4-4o та інших, автоматизовані програмні роботи (Devin) та Sora, що мають початкові можливості для моделювання реального фізичного світу, стали реальністю тощо, уява ШІ була безмежно розширена.
Водночас, ШІ по суті є індустрією, що масштабується та централізується, і ця технологічна революція підштовхує технологічні компанії, які поступово здобули структурну домінуючу позицію ще в «епоху Інтернету», до ще більш вузької висоти. Великий обсяг електроенергії, монополізовані грошові потоки та величезні набори даних, необхідні для домінування в епоху інтелекту, формують для них вищі бар'єри.
Коли вежі стають все вищими, ухвалювачі рішень за лаштунками все більше звужуються, централізація ШІ приносить безліч ризиків, як же натовпу на площі уникнути тіней під вежами? Саме це і є питання, яке Web3 сподівається вирішити.
З точки зору сутності, вроджені властивості блокчейну посилюють системи штучного інтелекту та відкривають нові можливості, головним чином:
Епоха штучного інтелекту "код є законом" — реалізація прозорих систем автоматичного виконання правил через смарт-контракти та крипто-підтвердження, що передає винагороди тим, хто ближче до цілей.
Токенна економіка — створення та координація поведінки учасників через механізм токенів, стейкінг, зменшення, винагороди токенами та покарання.
Децентралізоване управління — спонукає нас ставити під сумнів джерела інформації та заохочує більш критичний і проникливий підхід до технологій штучного інтелекту, запобігаючи упередженості, дезінформації та маніпуляціям, зрештою виховуючи більш обізнане та наділене повноваженнями суспільство.
Розвиток ШІ також надав нову енергію Web3, можливо, вплив Web3 на ШІ потребує підтвердження часом, але вплив ШІ на Web3 є очевидним: це можна побачити як у бурхливому захопленні мемами, так і в тому, як AI Agent допомагає знизити пороги використання для застосувань на блокчейні.
Коли Web3 визначається як самопохвала невеликої групи людей і піддається сумнівам щодо відтворення традиційних галузей, додавання штучного інтелекту принесло йому передбачуване майбутнє: більш стабільну та більшу базу користувачів Web2, більше інноваційних бізнес-моделей та послуг.
Ми живемо у світі, де співіснують «вежі та площі». Хоча у AI та Web3 різні часові лінії та вихідні точки, їхня кінцева мета — як краще служити людині. Ніхто не може визначити стрімку річку, ми чекаємо на майбутнє AI+Web3.