TL;DR

Nous avons mené une analyse approfondie de 67 projets Crypto+AI, en les catégorisant d'un point de vue GenAI. Notre classification couvre:

1. GPU DePIN
2. Calcul décentralisé (formation + inférence)
3. Vérification (ZKML + OPML)
4. Crypto LLM
5. Données (Général + IA-Spécifique)
6. Applications AI Creator
7. Applications grand public d'IA
8. Normes en matière d'IA (Jetons + Agents)
9. Économie de l'IA

Pourquoi écrivons-nous ceci?

Le récit Crypto+AI a jusqu'à présent capté beaucoup d'attention. De nombreux rapports sur Crypto+AI émergent, mais ils ne couvrent soit qu'une partie de l'histoire de l'IA, soit interprètent l'IA uniquement du point de vue de Crypto.

Cet article examinera le sujet d'un point de vue IA, explorant comment Crypto soutient l'IA et comment l'IA peut bénéficier à Crypto, afin de mieux comprendre le paysage actuel de l'industrie Crypto+IA.

Partie I : Décoder le paysage de GenAI

Explorons l'ensemble du paysage GenAI en commençant par les produits d'IA que nous utilisons tous les jours. Ces produits se composent généralement de deux composants principaux : un LLM et une UI. Pour le grand modèle, il existe deux processus clés : la création de modèle et l'utilisation de modèle, communément appelés Entraînement et Inférence. En ce qui concerne l'interface utilisateur, elle se présente sous différentes formes, y compris basées sur la conversation comme GPT, basées sur la vision comme LumaAI, et bien d'autres qui intègrent des API d'inférence dans les interfaces de produit existantes.

Calculer

En allant plus loin, le calcul est fondamental à la fois pour l’entraînement et l’inférence, en s’appuyant fortement sur le calcul GPU sous-jacent. Bien que les connexions physiques des GPU puissent différer entre l’apprentissage et l’inférence, les GPU constituent le composant fondamental de l’infrastructure des produits d’IA. Au-dessus de cela, nous avons l’orchestration de clusters GPU, connus sous le nom de Clouds. Ceux-ci peuvent être divisés en nuages polyvalents traditionnels et Nuages verticauxavec Vertical Clouds étant plus axé sur l'IA et optimisé pour les scénarios informatiques en IA.

Stockage

En ce qui concerne le stockage, le stockage des données AI peut être divisé en solutions de stockage traditionnelles comme AWS S3 et Azure Blob Storage, et un stockage spécifique optimisé pour les ensembles de données AI. Ces solutions de stockage spécialisées, comme le Filestore de Google Cloud, sont conçues pour améliorer les vitesses d'accès aux données dans des scénarios spécifiques.

Formation

En poursuivant avec l'infrastructure IA, il est crucial de distinguer entre la Formation et l'Inférence, car ils diffèrent significativement. Et au-delà de l'informatique générale, les deux impliquent de nombreuses logiques métier spécifiques à l'IA.

Pour la formation, l'infrastructure peut généralement être divisée en[2] :

1. Plateformes: Elles sont spécifiquement conçues pour former et aider les développeurs d'IA à former efficacement de grands modèles de langage, avec des solutions d'accélération logicielle supplémentaires, telles que MosaicML.
2. Fournisseurs de modèles de base : Cette catégorie comprend des plateformes comme Hugging Face, qui proposent des modèles de base que les utilisateurs peuvent ensuite entraîner ou affiner.
3. Cadres : Enfin, il existe divers cadres de formation fondamentaux construits à partir de zéro, tels que PyTorch et TensorFlow.

Inférence

Pour l'inférence, le paysage peut généralement être divisé en:

1. Optimiseurs : Ils se spécialisent dans la réalisation d'une série d'optimisations spécifiquement pour l'inférence et des cas d'utilisation particuliers, tels que le support du traitement parallèle ou les améliorations algorithmiques pour la génération de médias. Un exemple comprendfal.ai, qui a optimisé l'inférence pour les processus texte-image, améliorant la vitesse des diffusions de 50% par rapport aux approches générales.
2. Plateformes de déploiement : celles-ci fournissent des services cloud d'inférence de modèles généraux, tels qu'Amazon SageMaker, facilitant le déploiement et la mise à l'échelle des modèles d'IA dans différents environnements.

Application

Alors qu'il existe d'innombrables applications d'IA, elles peuvent être largement catégorisées en fonction des groupes d'utilisateurs en deux types principaux : créateur et consommateur[3].

1. Consommateur AI : En commençant par le consommateur AI, ce groupe utilise principalement des produits AI et est prêt à payer pour la valeur que ces produits apportent. Un exemple typique de cette catégorie est ChatGPT.
2. Créateur d'IA : D'autre part, les applications pour les créateurs d'IA concernent davantage l'invitation d'IA créateurs sur leurs plateformes pour créer des agents, partager des connaissances, puis partager les profits avec eux, le marché GPT étant l'un des exemples les plus célèbres.

Ces deux catégories englobent presque toutes les applications d'IA. Bien que des classifications plus détaillées existent, cet article se concentrera sur ces catégories plus larges.

Partie II: Comment Crypto aide l'IA

Avant de répondre à cette question, résumons les principaux avantages de Crypto que l'IA pourrait exploiter : Monétisation, Inclusivité, Transparence, Propriété des données, Réduction des coûts, et plus encore.

Un résumé de haut niveau des intersections crypto+IA du blog vitalik.eth

Ces synergies clés[4] principalement aider le paysage actuel par :

1. Monétisation : Grâce à des mécanismes Crypto uniques tels que la tokenisation, la monétisation et l'incitation, des innovations perturbatrices peuvent être réalisées dans les applications créatrices d'IA, garantissant que l'économie de l'IA est ouverte et équitable.
2. Inclusivité : la crypto permet de participer sans avoir besoin d'autorisation, en brisant les diverses contraintes imposées par les entreprises d'IA fermées et centralisées qui dominent le marché aujourd'hui. Cela permet à l'IA d'atteindre une véritable ouverture et liberté.
3. Transparence : Crypto peut rendre l'IA entièrement open-source en utilisant les technologies ZKML/OPML pour mettre l'ensemble du processus d'entraînement et d'inférence des LLMs on-chain, garantissant l'ouverture et la permission de l'IA.
4. Propriété des données : En permettant aux transactions on-chain d'établir la propriété des données pour les comptes (utilisateurs), permettant ainsi aux utilisateurs de véritablement posséder leurs données d'IA. Cela est particulièrement bénéfique au niveau de l'application, aidant les utilisateurs à sécuriser efficacement leurs droits sur les données d'IA.
5. Réduction des coûts : En incitant avec des jetons, la valeur future de la puissance de calcul peut être encaissée, réduisant ainsi considérablement le coût actuel des GPU. Cette approche réduit considérablement le coût de l'IA au niveau computationnel.

Partie III: Exploration du paysage Crypto+AI

Appliquer les avantages de la Crypto aux différentes catégories du paysage de l'IA crée une nouvelle perspective du paysage de l'IA à travers le prisme de la Crypto.

Couche LLM

1. GPU DePIN

Nous continuons à définir le plan AI+Crypto basé sur le paysage de l'IA. En commençant par les LLMs et en commençant au niveau fondamental avec les GPU, un récit de longue date dans Crypto a été la réduction des coûts.

Grâce à l'incitation par blockchain, nous pouvons réduire significativement les coûts en récompensant les fournisseurs de GPU. Cette approche est actuellement connue sous le nom de GPU DePIN. Alors que les GPU sont utilisés non seulement en IA mais aussi dans les jeux, la RA et d'autres scénarios, le domaine général du GPU DePIN couvre ces domaines.

Ceux qui se concentrent sur la piste de l'IA incluent AethiretRéseau Aioz, tandis que ceux dédiés au rendu visuel incluent io.net, réseau de rendu, et d'autres.

2. Calcul décentralisé

L'informatique décentralisée est un récit qui existe depuis les débuts de la blockchain et qui s'est considérablement développé au fil du temps. Cependant, en raison de la complexité des tâches informatiques (par rapport au stockage décentralisé), il nécessite souvent de limiter les scénarios informatiques.

L'IA, en tant que dernier scénario informatique, a naturellement donné naissance à une série de projets informatiques décentralisés. Par rapport au GPU DePIN, ces plateformes informatiques décentralisées offrent non seulement une réduction des coûts, mais répondent également à des scénarios informatiques plus spécifiques : Formation et Inférence. Elles s'orchestrent sur des réseaux étendus pour améliorer considérablement la scalabilité[5].

Échelle et efficacité des coûts par gensyn.ai

Par exemple, les plateformes axées sur la formation incluent AI Arena, Gensyn, DIN, et Flock.io; ceux qui se concentrent sur l'inférence comprennent Eh bien, Rituel, et Justu.ai; et ceux qui gèrent les deux aspects incluent Bittensor, 0G, Sentient, Akash, Phala, AnkretOasis.

3. Vérification

La vérification est une catégorie unique au sein de Crypto+AI, principalement parce qu'elle garantit que l'ensemble du processus de calcul d'IA, que ce soit la Formation ou l'Inférence, peut être vérifié sur la chaîne.

Il est crucial de maintenir une décentralisation et une transparence complètes des processus. De plus, des technologies comme ZKML protègent également la confidentialité et la sécurité des données, permettant aux utilisateurs de posséder à 100% leurs données personnelles.

En fonction de l'algorithme et du processus de vérification, cela peut être divisé en ZKML et OPML. ZKML utilise la technologie de connaissance nulle (ZK) pour convertir la formation / inférence de l'IA en circuits ZK, rendant le processus vérifiable on-chain, comme on peut le voir avec des plateformes comme EZKL, Modulus Labs, ConcisetGiza. D’autre part, OPML utilise des oracles off-chain pour soumettre des preuves à la blockchain, comme le démontre MaintenantetSpectral.

4. Modèle de base Crypto

Contrairement aux LLM généraux comme ChatGPT ou Claude, les modèles de base Crypto sont retravaillés avec des données crypto étendues, ce qui dote ces modèles de base d'une base de connaissances spécialisée en cryptomonnaie.

Ces modèles de base peuvent fournir de puissantes capacités d'IA aux applications natives de la cryptographie telles que DeFi, NFT et GamingFi. Actuellement, des exemples de tels modèles de base incluent ÉtangetChainbase.

5. Données

Les données sont un élément critique dans le domaine de l'IA. Dans la formation en IA, les ensembles de données jouent un rôle crucial, et pendant l'inférence, les vastes quantités de demandes et de bases de connaissances des utilisateurs exigent également un stockage substantiel.

La décentralisation du stockage des données permet non seulement de réduire considérablement les coûts de stockage, mais surtout d'assurer la traçabilité et les droits de propriété des données.

Les solutions de stockage décentralisé traditionnelles comme Filecoin, Arweave, et Storjpeut stocker de grandes quantités de données IA à très faible coût.

Pendant ce temps, de nouvelles solutions de stockage de données spécifiques à l'IA sont optimisées pour les caractéristiques uniques des données d'IA. Par exemple, Espace et TempsetOpenDBoptimiser le prétraitement des données et les requêtes, tandis que Masa, Herbe, Nuklai, et Protocole KIPse concentrer sur la monétisation des données IA.Réseau Bagelse concentre sur la confidentialité des données des utilisateurs.

Ces solutions exploitent les avantages uniques de la Crypto pour innover dans des domaines de gestion des données au sein du domaine de l'IA qui ont jusqu'ici reçu moins d'attention.

Couche d'Application

1. Créateur

Dans la couche d'application Crypto+AI, les applications créatives sont particulièrement remarquables. Étant donné la capacité intrinsèque de la Crypto à la monétisation, il est naturel d'inciter les créateurs d'IA à suivre.

Pour les créateurs d'IA, l'accent se divise entre les utilisateurs à faible/no code et les développeurs. Les utilisateurs à faible/no code, tels que les créateurs de bots, utilisent ces plateformes pour créer des bots et les monétiser via des tokens/NFT. Ils peuvent rapidement lever des fonds via une ICO ou un NFT Mint, puis récompenser les détenteurs à long terme de tokens par le biais d'une propriété partagée, telle que le partage des revenus. Cela ouvre complètement leurs produits d'IA à la co-propriété communautaire, complétant ainsi leur Cycle de vie de l'économie de l'IA[6].

De plus, en tant que plates-formes créatrices d'IA Crypto, elles répondent aux défis du financement précoce à moyen terme et de la rentabilité à long terme pour les créateurs d'IA. Cela est fait en tirant parti de l'avantage unique de la tokenisation inhérente à Crypto, et en offrant des services à une fraction dutaux de prisetypique de Web2 - démontrant les avantages de coût opérationnel de 0 apportés par la décentralisation de Crypto[7].

Dans ce secteur, des plateformes comme MagnetAI, Olas, Myshell, Fetch.ai, Protocole virtuel, et Spectralcibler les utilisateurs à faible ou sans code en fournissant des plateformes de création d'agents. Pour les développeurs de modèles d'IA,MagnetAIetOraoffrir des plateformes de développement de modèles. De plus, pour d'autres catégories telles que les créateurs d'IA+Social, il existe des plateformes comme Protocole d'histoireetOffreurCréateurqui répondent spécifiquement à leurs besoins, tout en SaharaIAse concentre sur la monétisation des bases de connaissances.

2. Consommateur

Consumer refers to using AI to directly serve crypto users. Currently, there are fewer projects in this track, but those that exist are irreplaceable and unique, such as WorldcoinetChainGPT.

3. Standard

Les normes sont une piste distinctive au sein de Crypto , caractérisée par le développement de blockchains, protocoles indépendants ou améliorations pour créer des blockchains d'application IA, ou en permettant aux infrastructures existantes, telles qu'Ethereum, de prendre en charge les applications d'IA.

Ces normes permettent aux applications AI d'incarner les avantages Crypto tels que la transparence et la décentralisation, offrant un soutien fondamental à la fois aux produits des créateurs et aux consommateurs.

Les exemples incluentMaintenant, qui étend ERC-20 pour offrir un partage des revenus, et 7007.ai, qui étend ERC-721 pour tokeniser les actifs d'inférence de modèle. De plus, des plateformes comme Talus, Theoriq, Alethea, et Morpheuscréent des machines virtuelles on-chain pour fournir des environnements d'exécution aux agents d'IA, tandis que Sentientoffre des normes complètes pour les applications intelligentes d'IA.

4. Économie de l'IA

L'économie de l'IA est une innovation significative dans le domaine de la Crypto+IA, mettant l'accent sur l'utilisation de la tokenisation, la monétisation et l'incitation de la Crypto pour démocratiser l'IA.

Cycle de vie de l'économie de l'IA par MagnetAI

Il met en lumière l'économie du partage de l'IA, la copropriété communautaire et le partage des droits de propriété. Ces innovations stimulent considérablement la prospérité et le développement ultérieurs de l'IA.

Parmi eux, TheoriqetFetch.aise concentrer sur la monétisation de l'agent; Olasmet l'accent sur la tokenisation; Réseau de l’esprit offre des avantages de reprise ; et MagnetAIintègre la tokenisation, la monétisation et l'incitation dans une plateforme cohérente unique.

Dernière partie : Conclusion

L'IA et la Crypto sont des partenaires naturels. La Crypto aide à rendre l'IA plus ouverte, transparente et irremplaçablement favorable à sa prospérité future.

L'IA, à son tour, élargit les frontières de la Crypto, attirant de plus en plus d'utilisateurs et d'attention. En tant que récit universel pour toute l'humanité, l'IA introduit également un récit d'adoption massive dans le monde de la Crypto qui est sans précédent.

Avertissement：

1. Cet article est repris de [Gate.io]MagnetAI]. Tous les droits d'auteur appartiennent à l'auteur original [MagnetAI]. If there are objections to this reprint, please contact the Gate Learnéquipe, et ils s'en occuperont rapidement.
2. Clause de non-responsabilité : Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent pas des conseils en investissement.
3. Les traductions de l'article dans d'autres langues sont réalisées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdite.