บทนำ

ในช่วงปีที่ผ่านมาการถือกําเนิดของโมเดล AI เชิงกําเนิดขนาดใหญ่เช่น ChatGPT ได้ขับเคลื่อน AI นอกเหนือจากเครื่องมืออัตโนมัติขั้นพื้นฐานไปสู่ระบบการตัดสินใจและการคาดการณ์ที่ซับซ้อนซึ่งสร้างตัวเองเป็นกําลังสําคัญในการขับเคลื่อนความก้าวหน้าทางสังคม วิวัฒนาการนี้นําไปสู่การเพิ่มขึ้นของผลิตภัณฑ์และแอปพลิเคชัน AI โดย ChatGPT ได้แนะนําผลิตภัณฑ์ที่โดดเด่นเช่น GPTs และ Sora NVIDIA ซึ่งเป็นผู้เล่นหลักในโครงสร้างพื้นฐาน AI มีประสิทธิภาพเหนือกว่าความคาดหวังอย่างต่อเนื่องโดยธุรกิจศูนย์ข้อมูลมีรายได้มากกว่า 83% ในไตรมาสที่สี่ของปีงบประมาณ 2024 ซึ่งนับเป็นการเติบโตที่โดดเด่นถึง 409% โดยเฉพาะอย่างยิ่ง 40% ของรายได้นี้มาจากสถานการณ์การอนุมานแบบจําลองขนาดใหญ่ ซึ่งเน้นย้ําถึงความต้องการที่เพิ่มขึ้นสําหรับโครงสร้างพื้นฐานด้านพลังงานการประมวลผลที่แข็งแกร่ง

ในปัจจุบัน AI ได้รับความสนใจมากจากวงจรทุนในยุโรปและอเมริกาในขณะที่ตลาด Web3 กำลังประสบความสำเร็จอย่างตื่นตัวในตลาดตุลาการ การรวมตัวของ AI และ Web3 แทนความต่อเนื่องของแนวโน้มทางเทคนิคที่สองที่ตามหาอย่างหนัก การเกิดขึ้นเร็ว ๆ นี้ของโครงการที่เน้นไปที่หัวข้อนี้ย้ำถึงความสนใจของตลาดและความคาดหวังสูงสุดสำหรับการรวมตัวนี้

เมื่อไม่สนใจการตลาดและการเกิดภาวะฟองสบู่ราคา สถานะปัจจุบันของการพัฒนาในอุตสาหกรรม AI+Web คืออย่างไร? มีสถานการณ์การใช้งานที่ชัดเจนหรือไม่? มองไปข้างหน้า สามารถสร้างมูลค่าได้หรือไม่ สร้างเรื่องราว และเป็นผู้กำหนดเองในอุตสาหกรรม? วิวัฒนาการของอุตสาหกรรม AI+Web3 จะเปลี่ยนแปลงไปในรูปแบบนิเวศวิธีอย่างไร และมีทิศทางที่มีความเป็นไปได้อย่างไรบ้าง?

Future3 Campus จะสำรวจหัวข้อเหล่านี้ผ่านชุดของบทความ โดยการวิเคราะห์ทุกรายละเอียดของโซนอุตสาหกรรม AI+Web3 บทความเรื่องแรกนี้จะให้ภาพรวมของภูมิทัศน์อุตสาหกรรมและกรอบร่างเรื่องราวของ AI+Web3

กระบวนการผลิตงาน AI

ในทางประการ การผสาน AI+Web3 มีอยู่ในมิติสองมิติหลัก ๆ คือ บทบาทของ Web3 ในการเป็นตัวนำทางการพัฒนา AI และอย่างที่สำคัญคือการผสานแอปพลิเคชัน Web3 กับเทคโนโลยี AI ในปัจจุบัน โฉมหน้าหลักกำลังวางไว้ที่การมอบอำนาจให้ AI ผ่านเทคโนโลยีและแนวคิดของ Web3 ทั่วๆ ไปทั่วๆ ไปที่โครงการต่าง ๆ ดังนั้น การวิเคราะห์สามารถลึกเข้าไปในการผสาน AI กับ Web3 ที่รวมถึงการฝึกโมเดลไปจนถึงการผลิต LLM การเริ่มต้นของ LLM ทำให้เกิดความแตกต่างบางอย่างจากระบบการเรียนรู้ของเครื่องที่เป็นแบบดั้งเดิม แต่กระบวนการผลิต AI ที่เรียบง่ายโดยทั่วไปรวมถึงขั้นตอนต่อไปนี้:

1 การเก็บข้อมูล

ข้อมูลเป็นฐานหลักตลอดวงชีวิตการฝึกอบรมโมเดล AI ทำให้จำเป็นต้องใช้ชุดข้อมูลคุณภาพสูงสำหรับการวิเคราะห์ข้อมูลสำรวจ (EDA) เพื่อสร้างชุดข้อมูล ตาราง และการแสดงผลที่สามารถทำซ้ำได้ แก้ไขได้ และแบ่งปัน

2 การเตรียมข้อมูลและวิศวกรรมคุณลักษณะ / การวิศวกรรมคำใบ้

หลังจากที่ได้รับข้อมูล การเตรียมข้อมูลก่อนการประมวลผลเป็นเรื่องสำคัญ ซึ่งเกี่ยวข้องกับการพัฒนาคุณลักษณะใน machine learning และการพัฒนา prompt ในโมเดลขนาดใหญ่ นี้เป็นการแบ่งแยก การรวมกลุ่ม และการลบข้อมูลซ้ำเพื่อระบุลักษณะที่ซับซ้อนพร้อมกับการพัฒนา prompt สำหรับคำค้นหาโครงสร้างใน LLM อย่างต่อเนื่อง อย่างไรก็ตาม การให้ความมั่นใจในการเก็บข้อมูลและแชร์คุณลักษณะ/prompt ที่เชื่อถือได้เป็นสิ่งจำเป็น

3 การฝึกอบรมและปรับแต่งโมเดล

การใช้โมเดลไลบรารีที่หลากหลายเพื่อฝึกโมเดล AI เพื่อเสริมประสิทธิภาพ ประสิทธิภาพ และความแม่นยำผ่านการทำซ้ำและการปรับปรุงต่อเนื่อง มีข้อสังเกตได้ว่าใน LLM การปรับโมเดลต่อเนื่องทำได้ผ่านการเรียนรู้การเสริมระบบด้วยคำติชมจากมนุษย์ (RLHF)

4 การทบทวนและการบริหาร

ใช้แพลตฟอร์ม MLOps/LLMOps เพื่อปรับปรุงกระบวนการพัฒนาโมเดลที่ครอบคลุมการค้นพบโมเดล การติดตาม การแบ่งปัน และการร่วมมือ ซึ่งทำให้มั่นใจในคุณภาพและความโปร่งใสของโมเดลในขณะที่ยึดมาตรฐานทางจริยธรรมและการปฏิบัติ

5 โมเดลการเหตุผล

การนำโมเดล AI ที่ได้รับการฝึกฝนในการทำนายข้อมูลใหม่ที่ไม่เคยเห็นมาโดยใช้พารามิเตอร์ที่เรียนรู้ในการประมวลผลข้อมูลนำเข้าและสร้างผลการทำนาย เช่น การทำนายการจำแนกหรือการทำนายการถดถอย

6 การปรับติดตั้งและตรวจสอบโมเดล

หลังจากทำการตรวจสอบประสิทธิภาพตามเกณฑ์มาตรฐาน การนำรูปแบบไปใช้ในการปฏิบัติในโลกจริงและการสร้างการตรวจสอบและการบำรุงรักษาอย่างต่อเนื่องเพื่อเพิ่มประสิทธิภาพให้สูงสุดในสภาพแวดล้อมที่เปลี่ยนแปลง

ตลอดขั้นตอนนี้มีโอกาสมากมายสำหรับการรวมเทคโนโลยี Web3 อย่างน่าสนใจ ในปัจจุบัน ความท้าทายในการพัฒนา AI เช่น ความโปร่งใสของโมเดล ความลำบากและการใช้งานที่มีจริยธรรมได้รับความสนใจอย่างแพร่หลาย ในบริบทนี้การผสมผสานเทคโนโลยี Web3 กับโซลูชันทางรหัสเช่น ZK สามารถเสริมสร้างความเชื่อในระบบ AI ได้ นอกจากนี้ ความต้องการสูงขึ้นสำหรับการใช้งาน AI ย้ำความจำเป็นของโครงสร้างที่มีต้นทุนต่ำและเปิดเผย และเครือข่ายข้อมูล เครือข่ายแบ่งและโมเดลกระตุ้นของ Web3 สามารถส่งเสริมเสริมเครือข่ายและชุมชน AI โอเพนซอร์สได้มากขึ้น

AI+Web3 ของทิศทางอุตสาหกรรมและตรรกะเรื่องราว

โดยการรวมกระบวนการผลิต AI ตามที่กล่าวไว้ด้านบนกับการรวม AI กับ Web3 และการสำรวจโครงการ AI+Web3 ที่เป็นที่โด่งดังในตลาดปัจจุบัน เราได้กำหนดแนวทางของอุตสาหกรรม AI+Web3 ไว้ โซนนี้สามารถแบ่งเป็นสามชั้น: ชั้นพื้นฐาน, ชั้นกลาง, และชั้นประยุกต์

1. ชั้นพื้นฐาน

เลเยอร์โครงสร้างพื้นฐานเป็นรากฐานที่สำคัญของโครงสร้างพื้นฐานการคำนวณและการเก็บข้อมูลที่สำคัญสำหรับการดำเนินการ AI ทั้งหมดและกระบวนการผลิต มันทำให้การคำนวณที่จำเป็นสำหรับการฝึกโมเดล AI การอ่านค่าคาดการณ์และการจัดเก็บข้อมูลตลอดรอบชีวิต

การขยายตัวอย่างรวดเร็วของการประยุกต์ใช้ AI ได้กระตุ้นความต้องการในโครงสร้างพื้นฐานอย่างมาก โดยเฉพาะความสามารถในการคำนวณที่มีประสิทธิภาพสูง ดังนั้น การให้บริการในด้านประสิทธิภาพการทำงานที่ดีขึ้น ความมีประสิทธิภาพทางต้นทุน และโครงสร้างพื้นฐานที่ทนทานในการคำนวณและเก็บข้อมูล มีแนวโน้มที่จะเกิดขึ้นเป็นแนวโน้มสำคัญในช่วงต้นของการพัฒนา AI ซึ่งมีความสำคัญมากกว่า 50% ของค่าของโซ่อุตสาหกรรม

เทคโนโลยี Web3 มีศักยภาพที่จะสร้างเครือข่ายทรัพยากรคอมพิวเตอร์และพื้นที่จัดเก็บแบบไม่มีจุดกำหนด โดยใช้ทรัพยากรที่ไม่ได้ใช้งานและกระจายอยู่เพื่อลดต้นทุนโครงสร้างอย่างมีนัยสำคัญและใช้สอดคล้องกับความต้องการของแอปพลิเคชัน AI ในแบบสเปกตรัมที่กว้างขวาง ดังนั้น โครงสร้าง AI แบบไม่มีจุดกำหนดเป็นเรื่องที่ได้รับความนิยม

โครงการที่มีชื่อเสียงในโดเมนนี้รวมถึง Render Network ที่เน้นบริการเรนเดอร์ และ Akash และ Gensyn ที่ให้บริการคลาวด์และเครือข่ายฮาร์ดแวร์คอมพิวเตอร์แบบกระจายและในกลุ่มภาคเก็บข้อมูล โครงการที่โดดเด่นอย่าง Filecoin และ Arweave ได้เสนอบริการเกี่ยวกับการเก็บข้อมูลและคอมพิวเตอร์ที่อยู่ในประเภทสำหรับฟิลด์ AI ได้เร็จแล้ว

1. ชั้นกลาง:

ชั้นกลางเกี่ยวข้องกับการใช้เทคโนโลยี Web3 เพื่อแก้ปัญหาปัจจุบันและเสริมกระบวนการในการผลิต AI ส่วนสำคัญรวมถึง:

1) ขั้นตอนการเก็บข้อมูล: ใช้ตัวบ่งชี้ข้อมูลที่ไม่ centralize เพื่อสร้างเครือข่าย/แพลตฟอร์มการซื้อขายข้อมูลเปิดเผย ปกป้องความเป็นส่วนตัวของผู้ใช้และความสมบูรณ์ของข้อมูลผ่านความมั่นคงของรหัสวิเคราะห์และคุณสมบัติบล็อกเชน วิธีการนี้สร้างสติมูลค่าสำหรับผู้ใช้ให้แบ่งปันข้อมูลคุณภาพสูง, ขยายแหล่งข้อมูล และเพิ่มประสิทธิภาพในการเก็บข้อมูล โครงการที่โดดเด่นในขอบเขตนี้รวมถึง Worldcoin และ Aspecta สำหรับ AI identity, Ocean Protocol สำหรับการซื้อขายข้อมูล และ Grass สำหรับเครือข่ายข้อมูลที่มีค่าความสนใจต่ำ

2) ขั้นตอนการก่อตั้งข้อมูลก่อนประมวลผล: สร้างแพลตฟอร์มการประทับระบบ AI แบบกระจัดกระจายในการปะบอกข้อมูลและประมวลผลข้อมูล โดยใช้สิ่งส่งเสริมทางเศรษฐกิจเพื่อสร้างแรงจูงให้แบบจำลองการสะสางข้อมูลเพื่อเพิ่มประสิทธิภาพและประหยัดต้นทุน ส่วนที่สำคัญของโครงการได้แก่ AI ของสาธารณะ

3) การยืนยันแบบจำลองและขั้นตอนการอ่าน: การที่เผด็จการของข้อมูลและกระบวนการของโมเดลใน AI, เทคโนโลยี Web3 เช่น ZK และการเข้ารหัสโฮโมมอร์ฟิกสามารถรวมเข้าด้วยกันเพื่อยืนยันเหตุผลของโมเดล โดยรักษาความแม่นยำของโมเดลในขณะที่ปกป้องความเป็นส่วนตัวของข้อมูลนำเข้า สถานการณ์การใช้งานทั่วไปคือ ZKML โครงการแทนที่รวมเทคโนโลยี Web3 ในขั้นตอนการยืนยันและการอ่านของโมเดลรวมถึง Bittensor, Privasea, และ Modulus

โครงการในชั้นกลาง โดยทั่วไปจะมุ่งเน้นที่เครื่องมือสำหรับนักพัฒนา โดยให้บริการเสริมสำหรับนักพัฒนาและผู้มีส่วนได้ส่วนเสียในโครงการ ความต้องการของตลาดและการนำไปใช้งานทางธุรกิจของ AI ยังคงเป็นระยะเริ่มต้นของการพัฒนา

3 ชั้นแอปพลิเคชัน

ในระดับแอปพลิเคชัน โฟกัสเปลี่ยนไปที่การใช้เทคโนโลยี AI ภายในบริบทของ Web3 การบูรณาการของแอปพลิเคชัน Web3 กับเทคโนโลยี AI มีเป้าหมายที่จะเสริมประสิทธิภาพและยกระดับประสบการณ์ผลิตภัณฑ์ เทคโนโลยี AI เช่น การสร้างเนื้อหา การวิเคราะห์ และการพยากรณ์ พบการใช้งานหลากหลายในเกม การเชื่อมต่อสังคม การวิเคราะห์ข้อมูล และการพยากรณ์ทางการเงิน ปัจจุบัน แอปพลิเคชัน AI+Web3 สามารถจำแนกเป็น 3 ประเภทหลัก

1) AIGC ประเภท: การใช้เทคโนโลยี AI ที่มีความสามารถในการสร้างข้อความ ภาพ วิดีโอ อวาตาร์ และเนื้อหาอื่น ๆ ผ่านการสนทนาแบบโต้ตอบ ฟังก์ชัน AI นี้สามารถนำเสนอในรูปแบบเอเจนต์ AI แบบสแตนด์อโลนหรือผสานเข้ากับผลิตภัณฑ์ได้อย่างไม่มีรอยต่อ โครงการที่น่าสนใจในหมวดหมู่นี้รวมถึง NFPrompt และ SleeplessAI.

2) ประเภทการวิเคราะห์ AI: ทีมโครงการใช้ข้อมูลที่เป็นเอกสิทธิ์ ฐานความรู้ และความสามารถในการวิเคราะห์เพื่อฝึกโมเดล AI ในแนวตั้งสำหรับงานวิเคราะห์การตัดสินใจ และงานทำนาย โมเดล AI เหล่านี้เสนอเป็นผลิตภัณฑ์แก่ผู้ใช้ ให้สิทธิ์ในการเข้าถึงความสามารถในการวิเคราะห์ AI สำหรับงานเช่น การวิเคราะห์ข้อมูล การติดตามข้อมูล การตรวจสอบโค้ด การทำนายทางการเงิน และอื่น ๆ โครงการที่เป็นตัวแทนรวมถึง Kaito และ Dune

3) AI Agent Hub: ซึ่งทำหน้าที่เป็นศูนย์กลางสำหรับ AI Agents ต่าง ๆ หมวดหมู่นี้โดยทั่วไปช่วยให้ผู้ใช้สามารถสร้าง AI agents ที่กำหนดเองได้โดยไม่ต้องเขียนโค้ด คล้ายกับ GPTs โครงการที่น่าสังเกตในขอบเขตนี้รวมถึง My Shell และ Fetch.ai

ในขณะที่ยังไม่มีโครงการที่โดดเด่นในชั้นชั้นการใช้งานอย่างเด็ดขาด แต่มันมีศักยภาพในการเติบโตอย่างมีนัยสำคัญในระยะยาว ความสำเร็จในโลกของ AI+Web3 applications ขึ้นอยู่ไม่เพียงอย่างเดียวกับนวัตกรรมทางเทคโนโลยี แต่อยู่ที่การสะสมความสามารถของผลิตภัณฑ์และความเชี่ยวชาญทางเทคนิค โดยเฉพาะในโดเมนของ AI ผลิตภัณฑ์ที่มอบประสบการณ์ที่ยอดเยี่ยมแก่ผู้ใช้ จะได้รับข้อได้เปรียบในสถานการณ์ที่กำลังเปลี่ยนแปลงนี้

**Disclaimer:

1. บทความนี้ถูกพิมพ์ซ้ำจาก [ marsbit], ชื่อเรื่องต้นฉบับคือเส้นทางการพัฒนาอนาคตของ AI+Web3 (1): ภูมิทัศน์อุตสาหกรรมและตรรกะนิเวศ”, สิทธิ์ในการคัดลอกเป็นของผู้เขียนต้นฉบับ [Wanxiang Blockchain], if you have any objection to the reprint, please contact Gate Learn Teamทีมจะดำเนินการให้เร็วที่สุดตามขั้นตอนที่เกี่ยวข้อง

2. คำประกาศ: มุมมองและความคิดเห็นที่แสดงในบทความนี้ แสดงถึงมุมมองส่วนบุคคลของผู้เขียนเท่านั้น และไม่เป็นที่สนับสนุนใด ๆ ในการลงทุน

3. รุ่นอื่น ๆ ของบทความถูกแปลโดยทีม Gate Learn ซึ่งไม่ได้กล่าวถึงGate.io, บทความที่แปลอาจไม่สำเนา, กระจายหรือลอกเลียน