Perpaduan Web3 dan AI: Membangun Infrastruktur Internet Generasi Berikutnya

Web3 sebagai paradigma internet baru, memiliki karakteristik desentralisasi, keterbukaan, dan transparansi, serta memiliki peluang integrasi yang alami dengan AI. Dalam arsitektur terpusat tradisional, komputasi dan sumber daya data AI terbatasi secara ketat, menghadapi berbagai tantangan seperti batasan daya komputasi, kebocoran privasi, dan kotak hitam algoritma. Web3 yang berbasis teknologi terdistribusi, melalui jaringan daya komputasi bersama, pasar data terbuka, dan komputasi privasi, memberikan dorongan baru bagi perkembangan AI. Sementara itu, AI juga dapat membawa banyak peningkatan untuk Web3, seperti optimasi kontrak pintar dan algoritma anti-kecurangan, mendorong pengembangan ekosistemnya. Oleh karena itu, menjelajahi kombinasi Web3 dan AI sangat penting untuk membangun infrastruktur internet masa depan dan melepaskan nilai data serta daya komputasi.

Data yang Didorong: Dasar AI dan Web3

Data adalah pendorong utama perkembangan AI. Model AI perlu mencerna sejumlah besar data berkualitas tinggi untuk mendapatkan pemahaman mendalam dan kemampuan penalaran yang kuat. Data tidak hanya menyediakan dasar pelatihan bagi model pembelajaran mesin, tetapi juga menentukan akurasi dan keandalan model.

Model pengambilan dan pemanfaatan data AI terpusat tradisional memiliki masalah berikut:

• Biaya pengambilan data yang tinggi, perusahaan kecil dan menengah sulit untuk menanggungnya
• Sumber daya data didominasi oleh perusahaan teknologi besar, membentuk pulau data.
• Risiko bocornya dan penyalahgunaan privasi data pribadi

Web3 menyediakan paradigma data terdesentralisasi baru untuk mengatasi masalah ini:

• Pengguna dapat menjual sumber daya jaringan yang tidak terpakai kepada perusahaan AI, untuk menangkap data jaringan secara terdesentralisasi, setelah dibersihkan dan diubah menjadi data berkualitas tinggi yang nyata untuk pelatihan model AI.
• Mengadopsi model "label to earn", mendorong pekerja global untuk berpartisipasi dalam pelabelan data melalui insentif token, mengumpulkan pengetahuan profesional global, dan meningkatkan kemampuan analisis data.
• Platform perdagangan data blockchain menyediakan lingkungan perdagangan yang terbuka dan transparan untuk kedua belah pihak yang membutuhkan data, mendorong inovasi dan berbagi data.

Meskipun demikian, pengambilan data dunia nyata masih menghadapi masalah seperti kualitas yang bervariasi, kesulitan dalam pemrosesan, serta kurangnya keragaman dan representasi. Data sintetis mungkin menjadi bintang masa depan di bidang data Web3. Berdasarkan teknologi AI generatif dan simulasi, data sintetis dapat mensimulasikan atribut data nyata, sebagai pelengkap yang efektif untuk meningkatkan efisiensi penggunaan data. Dalam bidang seperti mobil otonom, perdagangan pasar keuangan, dan pengembangan game, data sintetis telah menunjukkan potensi aplikasi yang matang.

Perlindungan Privasi: Aplikasi FHE dalam Web3

Di era yang dipenuhi data, perlindungan privasi menjadi fokus perhatian global. Penerapan regulasi seperti Peraturan Perlindungan Data Umum Uni Eropa (GDPR) mencerminkan perlindungan ketat terhadap privasi individu. Namun, ini juga membawa tantangan: beberapa data sensitif tidak dapat dimanfaatkan secara maksimal karena risiko privasi, yang membatasi potensi dan kemampuan penalaran model AI.

FHE (Fully Homomorphic Encryption) memungkinkan perhitungan langsung pada data terenkripsi tanpa perlu mendekripsi untuk mendapatkan hasil yang sama dengan perhitungan data plaintext. FHE memberikan perlindungan yang kuat untuk komputasi privasi AI, memungkinkan kekuatan komputasi GPU untuk melakukan pelatihan model dan inferensi dalam lingkungan tanpa kontak dengan data asli. Ini memberikan keuntungan besar bagi perusahaan AI, yang dapat membuka layanan API secara aman sambil melindungi rahasia dagang.

FHEML mendukung pengolahan data dan model secara terenkripsi sepanjang siklus belajar mesin, memastikan informasi sensitif aman, dan mencegah risiko kebocoran data. Dengan cara ini, FHEML memperkuat privasi data dan menyediakan kerangka komputasi aman untuk aplikasi AI.

FHEML adalah pelengkap dari ZKML. ZKML membuktikan pelaksanaan mesin pembelajaran yang benar, sementara FHEML lebih fokus pada perhitungan data terenkripsi untuk menjaga privasi data.

Revolusi Kekuatan: Komputasi AI dalam Jaringan Terdesentralisasi

Saat ini, kompleksitas perhitungan sistem AI berlipat ganda setiap 3 bulan, menyebabkan lonjakan permintaan daya komputasi yang jauh melebihi pasokan sumber daya komputasi yang ada. Misalnya, pelatihan model GPT-3 dari OpenAI membutuhkan daya komputasi yang besar, setara dengan waktu pelatihan 355 tahun untuk satu perangkat. Kekurangan daya komputasi ini tidak hanya membatasi kemajuan teknologi AI, tetapi juga membuat model AI tingkat lanjut sulit dijangkau oleh sebagian besar peneliti dan pengembang.

Sementara itu, pemanfaatan GPU global kurang dari 40%, ditambah dengan pelambatan peningkatan kinerja mikroprosesor, serta kekurangan chip yang disebabkan oleh faktor rantai pasokan dan geopolitik, membuat masalah pasokan daya komputasi semakin parah. Para profesional AI menghadapi dilema: entah membeli perangkat keras sendiri, atau menyewa sumber daya cloud, mereka sangat membutuhkan cara layanan komputasi yang sesuai permintaan dan ekonomis.

Sebuah jaringan komputasi AI terdesentralisasi mengumpulkan sumber daya GPU yang tidak terpakai di seluruh dunia untuk menyediakan pasar komputasi yang ekonomis dan mudah digunakan bagi perusahaan AI. Pihak yang membutuhkan dapat memposting tugas komputasi di jaringan, kontrak pintar akan mendistribusikan tugas kepada node penambang yang menyumbangkan daya komputasi, penambang melaksanakan tugas dan mengirimkan hasilnya, setelah diverifikasi, mereka mendapatkan imbalan. Solusi ini meningkatkan efisiensi pemanfaatan sumber daya dan membantu menyelesaikan masalah kekurangan daya komputasi di bidang AI dan lainnya.

Selain jaringan komputasi terdesentralisasi umum, ada juga jaringan komputasi khusus yang fokus pada pelatihan dan inferensi AI. Jaringan komputasi terdesentralisasi ini menyediakan pasar komputasi yang adil dan transparan, memecahkan monopoli, menurunkan ambang aplikasi, dan meningkatkan efisiensi pemanfaatan komputasi. Dalam ekosistem Web3, jaringan komputasi terdesentralisasi akan memainkan peran kunci, menarik lebih banyak aplikasi terdesentralisasi inovatif untuk bergabung, bersama-sama mendorong perkembangan dan penerapan teknologi AI.

DePIN: Web3 Memberdayakan Edge AI

Edge AI memungkinkan komputasi dilakukan di sumber data, mencapai latensi rendah, pemrosesan waktu nyata, sambil melindungi privasi pengguna. Teknologi Edge AI telah diterapkan di bidang kunci seperti mengemudi otonom.

Dalam bidang Web3, DePIN (Jaringan Infrastruktur Fisik Terdesentralisasi) memiliki kesamaan dengan konsep Edge AI. Web3 menekankan desentralisasi dan kedaulatan data pengguna, DePIN meningkatkan perlindungan privasi pengguna dengan memproses data secara lokal, mengurangi risiko kebocoran data. Mekanisme ekonomi token asli Web3 dapat mendorong node DePIN untuk menyediakan sumber daya komputasi, membangun ekosistem yang berkelanjutan.

Saat ini, DePIN berkembang pesat dalam ekosistem salah satu blockchain publik, menjadi salah satu platform pilihan untuk penempatan proyek. Kemampuan pemrosesan transaksi yang tinggi, biaya transaksi yang rendah, dan inovasi teknologi dari blockchain publik ini memberikan dukungan yang kuat untuk proyek DePIN. Saat ini, nilai pasar proyek DePIN di blockchain publik tersebut telah melebihi 10 miliar USD, dan beberapa proyek terkenal telah mencapai kemajuan signifikan.

IMO：AI model merilis paradigma baru

Konsep IMO (Initial Model Offering) pertama kali diusulkan oleh suatu protokol, yang men-tokenisasi model AI.

Dalam model tradisional, pengembang model AI sulit untuk mendapatkan keuntungan berkelanjutan dari penggunaan model tersebut di masa mendatang, terutama ketika model tersebut diintegrasikan ke dalam produk dan layanan lain. Pada saat yang sama, kinerja dan efektivitas model AI sering kali kurang transparan, membuat calon investor dan pengguna sulit untuk menilai nilai sebenarnya, yang membatasi pengakuan pasar dan potensi komersial model tersebut.

IMO menyediakan cara baru untuk mendukung pendanaan dan berbagi nilai untuk model AI sumber terbuka. Investor dapat membeli token IMO dan berbagi keuntungan yang dihasilkan oleh model di masa depan. Sebuah protokol menggunakan standar teknis tertentu, menggabungkan oracle AI dan teknologi pembelajaran mesin di blockchain, untuk memastikan keaslian model AI dan memungkinkan pemegang token untuk berbagi keuntungan.

Model IMO meningkatkan transparansi dan kepercayaan, mendorong kolaborasi sumber terbuka, beradaptasi dengan tren pasar kripto, dan memberikan dorongan untuk pengembangan berkelanjutan teknologi AI. IMO saat ini berada dalam tahap percobaan awal, tetapi seiring dengan peningkatan penerimaan pasar dan perluasan jangkauan partisipasi, inovasi dan nilai potensialnya patut diantisipasi.

AI Agent: Era Baru Pengalaman Interaksi

Agen AI dapat merasakan lingkungan, berpikir secara independen, dan mengambil tindakan yang sesuai untuk mencapai tujuan yang telah ditetapkan. Didukung oleh model bahasa besar, Agen AI tidak hanya dapat memahami bahasa alami, tetapi juga merencanakan keputusan dan melaksanakan tugas-tugas kompleks. Mereka dapat berfungsi sebagai asisten virtual, belajar preferensi melalui interaksi dengan pengguna, dan menyediakan solusi yang dipersonalisasi. Tanpa instruksi yang jelas, Agen AI juga dapat menyelesaikan masalah secara mandiri, meningkatkan efisiensi, dan menciptakan nilai baru.

Sebuah platform aplikasi AI native menyediakan kumpulan alat kreatif yang komprehensif dan mudah digunakan, mendukung pengguna untuk mengonfigurasi fungsi robot, penampilan, suara, serta menghubungkan ke basis pengetahuan eksternal, berkomitmen untuk membangun ekosistem konten AI yang adil dan terbuka, memanfaatkan teknologi AI generatif untuk memberdayakan individu menjadi pencipta super. Platform ini melatih model bahasa besar yang khusus, membuat peran permainan lebih manusiawi; teknologi kloning suara dapat mempercepat interaksi personalisasi produk AI, mengurangi biaya sintesis suara hingga 99%, kloning suara hanya memerlukan 1 menit untuk dicapai. Menggunakan AI Agent yang disesuaikan di platform ini, saat ini dapat diterapkan di berbagai bidang seperti obrolan video, pembelajaran bahasa, dan pembangkitan gambar.

Integrasi Web3 dan AI saat ini lebih banyak terfokus pada eksplorasi di tingkat infrastruktur, termasuk bagaimana cara mendapatkan data berkualitas tinggi, melindungi privasi data, bagaimana menghosting model di blockchain, bagaimana meningkatkan penggunaan efisien dari kekuatan komputasi terdesentralisasi, serta bagaimana memverifikasi model bahasa besar dan masalah kunci lainnya. Seiring dengan semakin sempurnanya infrastruktur ini, integrasi Web3 dan AI diharapkan dapat melahirkan serangkaian model bisnis dan layanan inovatif.