TL;DR

Realizamos un análisis profundo de 67 proyectos de Cripto+IA, categorizándolos desde una perspectiva de GenIA. Nuestra clasificación abarca:

1. GPU DePIN
2. Cómputo descentralizado (entrenamiento + inferencia)
3. Verificación (ZKML + OPML)
4. Cripto LLM
5. Datos (General + Específico de IA)
6. Aplicaciones de creación de IA
7. Aplicaciones de IA para consumidores
8. Normas de IA (Tokens + Agentes)
9. Economía de IA

¿Por qué estamos escribiendo esto?

La narrativa Cripto+IA ha captado mucha atención hasta ahora. Muchos informes sobre Cripto+IA están surgiendo, pero o bien cubren solo una parte de la historia de la IA o interpretan la IA únicamente desde la perspectiva de la Cripto.

Este artículo analizará el tema desde una perspectiva de IA, explorando cómo la Cripto apoya a la IA y cómo la IA puede beneficiar a la Cripto, para comprender mejor el panorama actual de la industria de Cripto+IA.

Parte I: Decodificando el panorama de GenAI

Vamos a explorar todo el panorama de GenAI comenzando por los productos de IA que usamos todos los días. Estos productos suelen constar de dos componentes principales: un LLM y una IU. Para el modelo grande, hay dos procesos clave: creación del modelo y utilización del modelo, comúnmente conocidos como Entrenamiento e Inferencia. En cuanto a la IU, se presenta en diversas formas, incluyendo conversaciones como GPT, basadas en visual como LumaAI, y muchas otras que integran APIs de inferencia en interfaces de productos existentes.

Calcular

Profundizando, la computación es fundamental tanto para el entrenamiento como para la inferencia, dependiendo en gran medida de la computación GPU subyacente. Si bien las conexiones físicas de las GPU pueden diferir entre el entrenamiento y la inferencia, las GPU sirven como componente de infraestructura fundamental en los productos de IA. Además de esto, tenemos la orquestación de clústeres de GPU, conocidos como Nubes. Estas se pueden dividir en Nubes Versátiles Tradicionales y Nubes Verticales[1], con Vertical Clouds centrándose más en IA y optimizado para escenarios de cómputo de IA.

Almacenamiento

En cuanto al almacenamiento, el almacenamiento de datos de IA se puede dividir en soluciones de almacenamiento tradicionales como AWS S3 y Azure Blob Storage, y almacenamiento específico optimizado para conjuntos de datos de IA. Estas soluciones de almacenamiento especializadas, como Filestore de Google Cloud, están diseñadas para mejorar las velocidades de acceso a los datos en escenarios específicos.

Entrenamiento

Continuando con la infraestructura de IA, es crucial distinguir entre Entrenamiento e Inferencia, ya que difieren significativamente. Y más allá de la computación general, ambos implican numerosas lógicas comerciales específicas de IA.

Para entrenamiento, la infraestructura generalmente se puede dividir en[2]:

1. Plataformas: Estas están diseñadas específicamente para entrenar y ayudar a los desarrolladores de IA en el entrenamiento efectivo de modelos de lenguaje grandes, con soluciones de aceleración de software adicionales, como MosaicML.
2. Proveedores de modelos base: Esta categoría incluye plataformas como Hugging Face, que ofrecen modelos base que los usuarios pueden entrenar o ajustar aún más.
3. Frameworks: Por último, existen varios marcos de formación fundamentales construidos desde cero, como PyTorch y TensorFlow.

Inferencia

Para Inferencia, el panorama generalmente se puede dividir en:

1. Optimizadores: Estos se especializan en realizar una serie de optimizaciones específicamente para la inferencia y casos de uso particulares, como el soporte para procesamiento paralelo o mejoras algorítmicas para la generación de medios. Un ejemplo incluye fal.ai, que ha optimizado la inferencia para procesos de texto a imagen, mejorando la velocidad de difusión en un 50% en comparación con enfoques generales.
2. Plataformas de implementación: Estas proporcionan servicios en la nube de inferencia de modelos generales, como Amazon SageMaker, facilitando la implementación y escalado de modelos de IA en diferentes entornos.

Aplicación

Si bien hay innumerables aplicaciones de IA, pueden clasificarse ampliamente en dos tipos principales según los grupos de usuarios: creador y consumidor[3].

1. Consumidor de IA: Comenzando con el consumidor de IA, este grupo utiliza principalmente productos de IA y está dispuesto a pagar por el valor que estos productos aportan. Un ejemplo típico de esta categoría es ChatGPT.
2. Creador de IA: Por otro lado, las aplicaciones para los Creadores de IA se centran más en invitar a creadores de IA a sus plataformas para crear agentes, compartir conocimientos y luego compartir ganancias con ellos, siendo el mercado GPT uno de los ejemplos más famosos.

Estas dos categorías engloban casi todas las aplicaciones de IA. Si bien existen clasificaciones más detalladas, este artículo se centrará en estas categorías más amplias.

Parte II: Cómo la Cripto ayuda a la IA

Antes de responder a esta pregunta, resumamos las principales ventajas de Cripto que la IA podría aprovechar: Monetización, Inclusión, Transparencia, Propiedad de datos, Reducción de costos y más.

Un resumen de alto nivel de las intersecciones de Cripto+IA del blog vitalik.eth

Estas sinergias clave[4] principalmente ayudar al panorama actual mediante:

1. Monetización: A través de mecanismos únicos de Cripto como la tokenización, la monetización y la incentivación, se pueden realizar innovaciones disruptivas en aplicaciones creadoras de IA, asegurando que la economía de la IA sea abierta y justa.
2. Inclusividad: La cripto permite la participación sin necesidad de permiso, rompiendo las diversas restricciones impuestas por las empresas de inteligencia artificial cerradas y centralizadas que dominan el mercado hoy en día. Esto permite que la inteligencia artificial logre una verdadera apertura y libertad.
3. Transparencia: La cripto puede hacer que la IA sea completamente de código abierto utilizando las tecnologías ZKML/OPML para poner todo el proceso de entrenamiento e inferencia de LLMs en la cadena, asegurando la apertura y permisividad de la IA.
4. Propiedad de los datos: Al habilitar transacciones en cadena para establecer la propiedad de los datos de las cuentas (usuarios), permitiendo así a los usuarios poseer realmente sus datos de IA. Esto es especialmente beneficioso en la capa de aplicación, ayudando a los usuarios a asegurar eficazmente sus derechos de datos de IA.
5. Reducción de costos: Al incentivar con tokens, el valor futuro del poder computacional puede ser convertido en efectivo, reduciendo significativamente el costo actual de las GPUs. Este enfoque reduce en gran medida el costo de la inteligencia artificial a nivel computacional.

Parte III: Explorando el panorama Cripto+AI

Aplicar las ventajas de Cripto a las diferentes categorías dentro del panorama de la IA crea una nueva perspectiva del panorama de la IA a través de la lente de Cripto.

Capa LLM

1. GPU DePIN

Continuamos delineando el plan AI+Cripto basado en el panorama de la AI. Comenzando con LLMs y comenzando a nivel fundamental con GPUs, una narrativa de larga data en Cripto ha sido la Reducción de Costos.

A través de la incentivación de la cadena de bloques, podemos reducir significativamente los costos recompensando a los proveedores de GPU. Esta narrativa es actualmente conocida como GPU DePIN. Si bien las GPU se utilizan no solo en inteligencia artificial, sino también en juegos, realidad aumentada y otros escenarios, la pista de GPU DePIN generalmente cubre estas áreas.

Aquellos centrados en la pista de IA incluyen Aethir y red de Aioz, mientras que aquellos dedicados a la representación visual incluyen io.net, red renderizada, y otros.

2. Cómputo Descentralizado

La computación descentralizada es una narrativa que ha existido desde el inicio de la cadena de bloques y ha evolucionado significativamente con el tiempo. Sin embargo, debido a la complejidad de las tareas de computación (en comparación con el almacenamiento descentralizado), a menudo requiere limitar los escenarios de computación.

La IA, como el último escenario informático, ha dado naturalmente lugar a una serie de proyectos de computación descentralizada. En comparación con GPU DePIN, estas plataformas de computación descentralizada no solo ofrecen reducción de costos, sino que también se adaptan a escenarios de computación más específicos: Entrenamiento e Inferencia. Orquestan sobre redes de área amplia para mejorar significativamente la escalabilidad[5].

Escalabilidad y eficiencia de costos por gensyn.ai

Por ejemplo, plataformas enfocadas en la formación incluyen AI Arena, Gensyn, DIN, y Flock.io; los que se centran en la Inferencia incluyen Allora, RitualyJustu.ai; y aquellos que manejan ambos aspectos incluyen Bittensor, 0G, Sentiente, Akash, Phala, Ankr y Oasis.

3. Verificación

La verificación es una categoría única dentro de Cripto+AI, principalmente porque garantiza que todo el proceso de computación de IA, ya sea Entrenamiento o Inferencia, pueda ser verificado en cadena.

Esto es crucial para mantener la completa descentralización y transparencia de los procesos. Además, tecnologías como ZKML también protegen la privacidad y seguridad de los datos, permitiendo a los usuarios tener el 100% de propiedad de sus datos personales.

Dependiendo del algoritmo y del proceso de verificación, esto se puede dividir en ZKML y OPML. ZKML utiliza la tecnología de conocimiento cero (ZK) para convertir el entrenamiento/inferencia de IA en circuitos ZK, lo que hace que el proceso sea verificable en cadena, como se ve en plataformas como EZKL, Modulus Labs, ConcisoyGiza. Por otro lado, OPML utiliza oráculos fuera de la cadena para enviar pruebas al blockchain, como se muestra por Ora y Espectral.

4. Modelo Base de Cripto

A diferencia de LLMs generales como ChatGPT o Claude, los Modelos Base de Cripto se vuelven a entrenar con datos cripto extensos, dotando a estos modelos base con una base de conocimientos especializada en criptomonedas.

Estos modelos base pueden proporcionar potentes capacidades de IA a aplicaciones nativas de cripto como DeFi, NFT y GamingFi. Actualmente, ejemplos de tales modelos base incluyen Estanque y Chainbase.

5. Datos

Los datos son un componente crítico en el campo de la IA. En el entrenamiento de IA, los conjuntos de datos desempeñan un papel crucial, y durante la inferencia, las grandes cantidades de indicaciones y base de conocimientos de los usuarios también demandan un almacenamiento sustancial.

La descentralización del almacenamiento de datos no solo reduce significativamente los costos de almacenamiento, sino que, lo que es más importante, garantiza la trazabilidad y los derechos de propiedad de los datos.

Soluciones de almacenamiento descentralizado tradicionales como Filecoin, Arweave, y Storjpuede almacenar grandes volúmenes de datos de IA a costos muy bajos.

Mientras tanto, las soluciones de almacenamiento de datos específicas de IA más nuevas están optimizadas para las características únicas de los datos de IA. Por ejemplo, Espacio y TiempoyOpenDBoptimizar el preprocesamiento de datos y las consultas, mientras Masa, Hierba, Nuklai, y Protocolo KIPenfóquese en monetizar datos de IA.Red de Bagelse centra en la privacidad de los datos del usuario.

Estas soluciones aprovechan las ventajas únicas de Cripto para innovar en áreas de gestión de datos dentro del campo de la IA que previamente han recibido menos atención.

Capa de Aplicación

1. Creador

En la capa de aplicación Crypto+AI, las aplicaciones creadoras son particularmente notables. Dada la capacidad inherente de la Cripto para la monetización, incentivar a los Creadores de IA sigue naturalmente.

Para los Creadores de IA, el enfoque se divide entre los usuarios de bajo/no código y los desarrolladores. Los usuarios de bajo/no código, como los creadores de bots, utilizan estas plataformas para crear bots y monetizarlos a través de tokens/NFTs. Pueden recaudar fondos rápidamente a través de ICO o NFT Mint, y luego recompensar a los poseedores de tokens a largo plazo a través de la propiedad compartida, como el reparto de ingresos. Esto abre completamente sus productos de IA a través de la copropiedad comunitaria, completando así la Ciclo de vida de la economía de inteligencia artificial[6].

Además, como plataformas creadoras de inteligencia artificial en Cripto, abordan los desafíos de financiamiento en las etapas iniciales a medias y de obtener ganancias a largo plazo para los creadores de IA. Esto se logra aprovechando la ventaja única de la tokenización inherente en Cripto, y ofreciendo servicios a una fracción del tasas de comisióntípico de Web2—demostrando los beneficios de costos operativos 0 traídos por la descentralización de Cripto[7].

En este sector, plataformas como MagnetAI, Waves, Myshell, Fetch.ai, Protocolo Virtual, y Espectralatender a los usuarios de bajo/no código proporcionando plataformas creadoras de agentes. Para los desarrolladores de modelos de IA,MagnetAIyNowofrecer modelos de desarrollo de plataformas. Además, para otras categorías como creadores de AI+Social, existen plataformas como Protocolo de HistoriayCreatorBidque se adaptan específicamente a sus necesidades, mientras SaharaAIse enfoca en monetizar bases de conocimientos.

2. Consumidor

Consumer se refiere a utilizar IA para servir directamente a los usuarios de cripto. Actualmente, hay menos proyectos en esta línea, pero los que existen son insustituibles y únicos, como Worldcoin y ChainGPT.

3. Estándar

Los estándares son una pista distintiva dentro de la Cripto , caracterizada por el desarrollo de blockchains independientes, protocolos o mejoras para crear blockchains de aplicaciones descentralizadas de IA, o habilitar infraestructuras existentes, como Ethereum, para admitir aplicaciones de IA.

Estos estándares permiten que las dApps de IA encarnen ventajas de Cripto como transparencia y descentralización, brindando un soporte fundamental tanto a los productos del creador como a los del consumidor.

Ejemplos incluyen Ora, que extiende ERC-20 para ofrecer reparto de ingresos, y 7007.ai, que extiende ERC-721 para tokenizar activos de inferencia de modelos. Además, plataformas como Talus, Theoriq, Alethea, y Morpheusestán creando VM en cadena para proporcionar entornos de ejecución para Agentes de IA, mientras Sentientofrece estándares completos para aplicaciones descentralizadas de IA.

4. Economía de la IA

La economía de la IA es una innovación significativa dentro del dominio de Cripto+IA, enfatizando el uso de la tokenización, monetización e incentivos de Cripto para democratizar la IA.

Ciclo de vida de la economía de IA por MagnetAI

Destaca la economía compartida de la IA, la copropiedad de la comunidad y el intercambio de derechos de propiedad. Estas innovaciones impulsan sustancialmente la prosperidad y el desarrollo adicionales de la IA.

Entre ellos, Theoriq y Fetch.aienfóquese en la monetización del agente; Wavesenfatiza la tokenización;Red de la Mente ofrece beneficios de replanteo; y MagnetAIintegra la tokenización, la monetización y la incentivación en una sola plataforma cohesiva.

Última parte: Conclusión

La IA y las criptomonedas son socios naturales. Las criptomonedas ayudan a que la IA sea más abierta, transparente y apoye irremplazablemente su prosperidad.

La inteligencia artificial, a su vez, amplía los límites de la Cripto, atrayendo a más usuarios y atención. Como narrativa universal para toda la humanidad, la inteligencia artificial también introduce una narrativa de adopción masiva en el mundo de la Cripto que es sin precedentes.

Descargo de responsabilidad：

1. Este artículo ha sido reimpreso de [Gate.io]MagnetAI]. Todos los derechos de autor pertenecen al autor original [MagnetAI]. Si hay objeciones a esta reimpresión, por favor contacte al Gate Aprenderequipo, y ellos lo manejarán rápidamente.
2. Descargo de responsabilidad: Las opiniones expresadas en este artículo son únicamente del autor y no constituyen ningún consejo de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.