Pendahuluan

Selama setahun terakhir, kedatangan model AI generatif besar seperti ChatGPT telah mendorong AI melampaui alat otomatisasi dasar menjadi sistem pengambilan keputusan dan prediktif yang canggih, menjadikannya sebagai kekuatan penting yang mendorong kemajuan sosial. Evolusi ini telah menyebabkan lonjakan produk dan aplikasi AI, dengan ChatGPT memperkenalkan produk terkemuka seperti GPTs dan Sora. NVIDIA, pemain kunci dalam infrastruktur AI, secara konsisten melampaui ekspektasi, dengan bisnis pusat datanya menyumbang lebih dari 83% dari pendapatan pada kuartal keempat tahun fiskal 2024, menandai pertumbuhan yang luar biasa sebesar 409%. Perlu dicatat, 40% dari pendapatan ini dikaitkan dengan skenario inferensi model besar, menegaskan permintaan yang meningkat untuk infrastruktur daya komputasi yang tangguh.

Saat ini, kecerdasan buatan (AI) telah menarik perhatian signifikan dari lingkaran modal Eropa dan Amerika, sementara pasar Web3 mengalami kebangkitan dalam pasar bullish. Konvergensi AI dan Web3 mewakili perpotongan dua tren teknis yang sangat dicari. Kemunculan baru-baru ini dari proyek-proyek yang berpusat di sekitar tema ini menegaskan minat pasar dan harapan tinggi untuk konvergensi ini.

Menyisihkan kehebohan dan gelembung harga, bagaimana keadaan perkembangan saat ini di industri AI+Web? Apakah ada skenario aplikasi yang nyata? Ke depan, dapatkah kita menghasilkan nilai, membentuk narasi, dan membentuk sebuah industri? Bagaimana industri AI+Web3 akan berkembang dalam hal pola ekologis, dan arah potensial apa yang ada di depan?

Future3 Campus akan menggali topik-topik ini melalui serangkaian artikel, membedah setiap sisi rantai industri AI+Web3. Bagian perdana ini akan memberikan gambaran umum tentang lanskap industri dan kerangka naratif AI+Web3.

Proses produksi karya AI

Pada dasarnya, integrasi AI+Web3 terbentang dalam dua dimensi kunci. Pertama, peran Web3 dalam memajukan pengembangan AI, dan kedua, penyatuan aplikasi Web3 dengan teknologi AI. Saat ini, fokus utama terletak pada pemberdayaan AI melalui teknologi dan konsep Web3 di berbagai proyek. Dengan demikian, analisis dapat menyelami integrasi AI dengan Web3, mulai dari pelatihan model hingga produksi. Kemunculan LLM memperkenalkan beberapa variasi dari proses pembelajaran mesin tradisional, namun proses produksi AI yang tersistematisasi umumnya meliputi tahap-tahap berikut:

1 pengumpulan data

Data berfungsi sebagai batu penjuru sepanjang siklus pelatihan model AI, membutuhkan dataset berkualitas tinggi untuk analisis data eksploratif (EDA) guna membentuk set data, tabel, dan visualisasi yang dapat direproduksi, disunting, dan dibagikan.

2 Pra-pemrosesan data dan rekayasa fitur/rekayasa petunjuk

Setelah akuisisi data, pra-pemrosesan sangat penting, melibatkan rekayasa fitur dalam pembelajaran mesin dan rekayasa cepat dalam model besar. Ini melibatkan klasifikasi, agregasi, dan deduplikasi secara iteratif untuk mengidentifikasi fitur-fitur rumit, bersamaan dengan pengembangan iteratif prompt untuk kueri terstruktur dalam LLM. Selain itu, memastikan penyimpanan yang handal dan berbagi fitur/prompt adalah penting.

Pelatihan dan penyetelan model 3

Memanfaatkan perpustakaan model yang beragam untuk melatih model AI, meningkatkan kinerja, efisiensi, dan akurasi melalui iterasi dan penyesuaian berkelanjutan. Terutama, dalam LLM, penyetelan model yang berkelanjutan dicapai melalui pembelajaran penguatan umpan balik manusia (RLHF).

4 Tinjauan model dan tata kelola

Memanfaatkan platform MLOps/LLMOps untuk mengoptimalkan proses pengembangan model yang mencakup penemuan model, pelacakan, berbagi, dan kolaborasi. Hal ini memastikan kualitas dan transparansi model sambil mematuhi standar etis dan kepatuhan.

5 Model penalaran

Mengimplementasikan model AI yang telah dilatih untuk melakukan prediksi pada data baru yang belum perlihatkan dengan menggunakan parameter-parameter yang telah dipelajari untuk memproses data masukan dan menghasilkan hasil prediksi seperti prediksi klasifikasi atau regresi.

6 Penyebaran model dan pemantauan

Setelah validasi kinerja terhadap standar yang ditetapkan, mendeploy model ke aplikasi dunia nyata dan menerapkan pemantauan dan pemeliharaan berkelanjutan untuk menjaga kinerja optimal di tengah lingkungan yang terus berubah.

Sepanjang proses ini, terdapat banyak kesempatan untuk mengintegrasikan teknologi Web3. Saat ini, tantangan dalam pengembangan kecerdasan buatan seperti transparansi model, bias, dan aplikasi etis telah menarik perhatian luas. Dalam konteks ini, perpaduan teknologi Web3 dengan solusi kriptografi seperti ZK dapat meningkatkan kepercayaan dalam sistem kecerdasan buatan. Selain itu, meningkatnya permintaan untuk aplikasi kecerdasan buatan menegaskan perlunya infrastruktur dan jaringan data yang hemat biaya dan terbuka. Jaringan terdistribusi dan model insentif Web3 dapat mendorong jaringan dan komunitas kecerdasan buatan sumber terbuka lebih banyak.

AI+Web3 lanskap industri dan logika naratif

Dengan mengintegrasikan proses produksi AI yang diuraikan di atas dengan integrasi AI dengan Web3 dan memeriksa proyek AI+Web3 yang dominan di pasar saat ini, kami telah menguraikan lanskap industri AI+Web3. Rantai industri ini dapat dibagi menjadi tiga lapisan: lapisan infrastruktur, lapisan tengah, dan lapisan aplikasi.

1. Lapisan Infrastruktur

Lapisan infrastruktur utamanya mencakup infrastruktur komputasi dan penyimpanan yang penting untuk seluruh alur kerja dan proses produksi kecerdasan buatan. Ini memfasilitasi kekuatan komputasi yang diperlukan untuk pelatihan model kecerdasan buatan, inferensi, dan penyimpanan data sepanjang siklus hidup.

Ekspansi cepat aplikasi AI telah mendorong lonjakan permintaan akan infrastruktur, terutama kemampuan komputasi berkinerja tinggi. Oleh karena itu, penyediaan kinerja yang ditingkatkan, efisiensi biaya, dan infrastruktur komputasi dan penyimpanan yang tangguh diantisipasi akan muncul sebagai tren penting dalam tahap awal pengembangan AI, menangkap lebih dari 50% nilai rantai industri.

Teknologi Web3 memiliki potensi untuk membentuk jaringan sumber daya komputasi dan penyimpanan terdesentralisasi, dengan memanfaatkan sumber daya yang tidak terpakai dan tersebar untuk secara signifikan mengurangi biaya infrastruktur dan memenuhi berbagai kebutuhan aplikasi kecerdasan buatan. Akibatnya, infrastruktur kecerdasan buatan terdesentralisasi menjadi narasi yang mendominasi.

Proyek-proyek terkemuka di domain ini termasuk Jaringan Render, berfokus pada layanan rendering, dan Akash dan Gensyn menawarkan layanan cloud terdesentralisasi dan jaringan perangkat keras komputasi. Di sektor penyimpanan, proyek-proyek terkemuka seperti Filecoin dan Arweave baru-baru ini memperkenalkan layanan penyimpanan dan komputasi yang disesuaikan untuk bidang kecerdasan buatan.

1. Lapisan Tengah:

Lapisan tengah terutama melibatkan pemanfaatan teknologi Web3 untuk mengatasi tantangan saat ini dan meningkatkan proses dalam produksi kecerdasan buatan. Aspek kunci termasuk:

1) Tahap Akuisisi Data: Memanfaatkan identitas data terdesentralisasi untuk membentuk jaringan data/ platform perdagangan terbuka, menjaga privasi pengguna dan integritas data melalui fitur kriptografi dan blockchain. Pendekatan ini memberikan insentif kepada pengguna untuk berbagi data berkualitas tinggi, memperluas sumber data dan meningkatkan efisiensi akuisisi data. Proyek menonjol dalam ranah ini termasuk Worldcoin dan Aspecta untuk identitas AI, Ocean Protocol untuk perdagangan data, dan Grass untuk jaringan data dengan ambang partisipasi rendah.

2) Tahap Pra-pemrosesan Data: Membangun platform pengolahan data AI terdistribusi, menggunakan insentif ekonomi untuk mendorong model crowdsourcing untuk pra-pemrosesan data yang efisien dan hemat biaya, memberikan manfaat bagi pelatihan model selanjutnya. Proyek representatif termasuk Public AI.

Tahap Verifikasi Model dan Inferensi: Mengatasi tantangan data dan proses model yang tidak transparan dalam AI, teknologi Web3 seperti ZK dan enkripsi homomorfik dapat diintegrasikan untuk memverifikasi penalaran model, memastikan akurasi model sambil menjaga privasi data masukan. Skenario aplikasi khas adalah ZKML. Proyek-proyek representatif yang menggabungkan teknologi Web3 dalam tahap verifikasi model dan inferensi termasuk Bittensor, Privasea, dan Modulus.

Proyek-proyek di lapisan tengah seringkali memprioritaskan alat pengembang, menawarkan layanan tambahan kepada pengembang dan pemangku kepentingan proyek. Permintaan pasar dan implementasi komersial AI masih berkembang dalam tahap awal pengembangan.

3 lapisan aplikasi

Pada tingkat aplikasi, fokus beralih ke pemanfaatan teknologi AI dalam konteks Web3. Integrasi aplikasi Web3 dengan teknologi AI bertujuan untuk meningkatkan efisiensi dan meningkatkan pengalaman produk. Fungsi AI seperti generasi konten, analisis, dan prediksi menemukan aplikasi yang beragam dalam gaming, jejaring sosial, analisis data, dan ramalan keuangan. Saat ini, aplikasi AI+Web3 dapat dikategorikan ke dalam tiga tipe utama:

1) Jenis AIGC: Memanfaatkan teknologi generatif AI untuk memungkinkan pengguna membuat teks, gambar, video, avatar, dan konten lainnya melalui dialog interaktif. Fungsionalitas AI ini dapat disajikan sebagai agen AI mandiri atau terintegrasi dengan lancar ke dalam produk. Proyek-proyek terkemuka dalam kategori ini termasuk NFPrompt dan SleeplessAI.

2) Kategori Analisis Kecerdasan Buatan: Tim proyek memanfaatkan data properti, basis pengetahuan, dan kemampuan analitis untuk melatih model AI vertikal untuk tugas analisis, pengambilan keputusan, dan prediksi. Model-model AI ini ditawarkan sebagai produk kepada pengguna, memberikan akses ke kemampuan analisis AI untuk tugas seperti analisis data, pelacakan informasi, audit kode, proyeksi keuangan, dan lainnya. Proyek-proyek representatif termasuk Kaito dan Dune.

3) AI Agent Hub: Berfungsi sebagai pusat untuk berbagai agen AI, kategori ini biasanya memungkinkan pengguna untuk membuat agen AI yang disesuaikan tanpa coding, mirip dengan GPTs. Proyek-proyek yang mencolok di ranah ini termasuk My Shell dan Fetch.ai.

Meskipun belum ada proyek unggulan di lapisan aplikasi, namun memiliki potensi pertumbuhan yang signifikan dalam jangka panjang. Keberhasilan di ranah aplikasi AI+Web3 tidak semata-mata bergantung pada inovasi teknologi tetapi juga pada akumulasi kemampuan produk dan keahlian teknis. Terutama di domain AI, produk yang menawarkan pengalaman pengguna yang superior akan mendapatkan keunggulan kompetitif di lanskap yang terus berubah ini.

**Disclaimer:

1. Artikel ini dicetak ulang dari [marsbit], judul asli adalah “Jalur pengembangan masa depan AI+Web3 (1): Lanskap industri dan logika naratif”, hak cipta dimiliki oleh penulis asli [“Blockchain WanxiangJika Anda memiliki keberatan terhadap pembaruan, harap hubungiTim Belajar Gate, tim akan menanganinya secepat mungkin sesuai dengan prosedur yang relevan.

2. Penyangkalan: Pandangan dan opini yang terdapat dalam artikel ini hanya mewakili pandangan pribadi penulis dan tidak merupakan saran investasi apa pun.

3. Versi bahasa lain dari artikel diterjemahkan oleh tim Gate Learn, tidak disebutkan dalam Gate.io, artikel yang diterjemahkan mungkin tidak boleh direproduksi, didistribusikan, atau diplagiatkan.