Transférer le titre original：'Rapport de recherche Metrics Ventures | À partir de l'article de V, quels sont les sous-secteurs de Crypto×AI qui méritent d'être suivis ?'

1 Introduction: Quatre façons de combiner Crypto avec l'IA

La décentralisation est le consensus maintenu par la blockchain, garantissant que la sécurité est le principe fondamental, et l'ouverture est la pierre angulaire d'un point de vue cryptographique pour conférer aux comportements sur chaîne les caractéristiques susmentionnées. Cette approche a été applicable dans plusieurs tours de révolutions blockchain au cours des dernières années. Cependant, lorsque l'intelligence artificielle s'implique, la situation subit quelques changements.

Imaginez concevoir l'architecture de la blockchain ou des applications à travers l'intelligence artificielle. Dans ce cas, le modèle doit être open source, mais le faire exposera sa vulnérabilité dans l'apprentissage machine adversaire. En revanche, ne pas être open source entraînerait une perte de décentralisation. Par conséquent, il est nécessaire de considérer de quelle manière et dans quelle mesure l'intégration devrait être réalisée lors de l'introduction de l'intelligence artificielle dans la blockchain ou les applications actuelles.

Source: DE UNIVERSITÉ D'ETHEREUM

Dans l'article ‘Quand les géants se rencontrent: Exploration de la convergence de Crypto x AIde@ueth">DE UNIVERSITÉ D'ETHEREUM, les différences dans les caractéristiques fondamentales entre l'intelligence artificielle et la blockchain sont expliquées. Comme le montre la figure ci-dessus, les caractéristiques de l'intelligence artificielle sont :

• Centralisation
• Faible Transparence
• Consommation d'énergie
• Monopole
• Attributs de monétisation faibles

Les caractéristiques mentionnées ci-dessus sont complètement opposées dans la blockchain par rapport à l'intelligence artificielle. C'est le véritable argument de l'article de Vitalik. Si l'intelligence artificielle et la blockchain sont combinées, alors les applications qui en découlent doivent faire des compromis en termes de propriété des données, de transparence, de capacités de monétisation, de coûts énergétiques, etc. De plus, il convient également de considérer quelle infrastructure doit être créée pour garantir l'intégration efficace des deux.

Suivant les critères ci-dessus et ses propres réflexions, Vitalik catégorise les applications formées par la combinaison d'intelligence artificielle et de blockchain en quatre types principaux:

• IA comme joueur dans un jeu
• L'IA comme interface du jeu
• IA comme les règles du jeu
• IA comme objectif du jeu

Parmi eux, les trois premiers représentent principalement trois façons dont l'IA est introduite dans le monde de la Crypto, représentant trois niveaux de profondeur de superficiel à profond. Selon la compréhension de l'auteur, cette classification représente l'ampleur de l'influence de l'IA sur la prise de décision humaine, et introduit ainsi différents niveaux de risque systémique dans l'ensemble du monde de la Crypto :

• L'intelligence artificielle en tant que participant aux applications : l'intelligence artificielle elle-même n'influence pas les décisions et comportements humains, elle ne présente donc pas de risques pour le monde réel. Par conséquent, elle a actuellement le plus haut degré de praticité.
• L'intelligence artificielle comme interface pour les applications : L'intelligence artificielle fournit des informations auxiliaires ou des outils pour la prise de décision et le comportement humains, ce qui améliore l'expérience des utilisateurs et des développeurs et abaisse les barrières. Cependant, des informations ou opérations incorrectes peuvent introduire certains risques dans le monde réel.
• L'intelligence artificielle en tant que règles d'applications : L'intelligence artificielle remplace entièrement les humains dans la prise de décisions et les opérations. Par conséquent, un comportement malveillant ou des défaillances de l'intelligence artificielle entraîneront directement le chaos dans le monde réel. Actuellement, tant dans Web2 que dans Web3, il n'est pas possible de faire confiance à l'intelligence artificielle pour remplacer les humains dans la prise de décisions.

Enfin, la quatrième catégorie de projets vise à exploiter les caractéristiques de Crypto pour créer une meilleure intelligence artificielle. Comme mentionné précédemment, la centralisation, la faible transparence, la consommation d'énergie, les tendances monopolistiques et les attributs monétaires faibles peuvent naturellement être atténués par les propriétés de Crypto. Bien que de nombreuses personnes soient sceptiques quant à savoir si Crypto peut avoir un impact sur le développement de l'intelligence artificielle, le récit le plus fascinant de Crypto a toujours été sa capacité à influencer le monde réel grâce à la décentralisation. Cette piste est également devenue la partie la plus intensément spéculée de la piste de l'IA en raison de sa grande vision.

2 AI En tant que participant

Dans les mécanismes où l'IA participe, la source ultime des incitations provient souvent des protocoles entrés par les humains. Avant que l'IA ne devienne une interface ou même une règle, nous devons généralement évaluer les performances de différentes IA, permettant à l'IA de participer à un mécanisme et finalement recevoir des récompenses ou des pénalités grâce à un mécanisme on-chain.

Lorsque l'IA agit en tant que participant, par rapport à être une interface ou une règle, les risques pour les utilisateurs et l'ensemble du système sont généralement négligeables. Cela peut être considéré comme une étape nécessaire avant que l'IA n'influence profondément les décisions et le comportement des utilisateurs. Par conséquent, le coût et les compromis nécessaires pour la fusion de l'intelligence artificielle et de la blockchain à ce niveau sont relativement faibles. Il s'agit également d'une catégorie de produits que Vitalik estime actuellement avoir un degré élevé de praticité.

En termes de portée et de mise en œuvre, de nombreuses applications IA actuelles entrent dans cette catégorie, telles que les robots de trading et les chatbots alimentés par l'IA. Le niveau actuel de mise en œuvre rend toujours difficile pour l'IA de servir d'interface, voire de règle. Les utilisateurs comparent et optimisent progressivement différents robots, et les utilisateurs de crypto n'ont pas encore développé l'habitude d'utiliser des applications IA. Dans l'article de Vitalik, les agents autonomes sont également classés dans cette catégorie.

Cependant, dans un sens plus étroit et d'un point de vue à long terme, nous avons tendance à faire des distinctions plus détaillées pour les applications d'IA ou les agents d'IA. Par conséquent, dans cette catégorie, les sous-catégories représentatives comprennent :

2.1 Jeux d'IA

Dans une certaine mesure, les jeux d'IA peuvent en effet être classés dans cette catégorie. Les joueurs interagissent avec l'IA et entraînent leurs personnages d'IA pour mieux correspondre à leurs préférences personnelles, telles que s'aligner plus étroitement avec les goûts individuels ou devenir plus compétitifs dans les mécanismes du jeu. Les jeux servent de phase de transition pour l'IA avant qu'elle n'entre dans le monde réel. Ils représentent également une piste avec des risques de mise en œuvre relativement faibles et sont les plus faciles à comprendre pour les utilisateurs ordinaires. Les projets emblématiques de cette catégorie comprennent AI Arena, Echelon Prime et Altered State Machine.

• AI Arena: Un jeu de combat joueur contre joueur (PVP) où les joueurs peuvent entraîner et faire évoluer leurs personnages en utilisant l'IA. Le jeu vise à permettre à un plus grand nombre d'utilisateurs ordinaires d'interagir avec l'IA, de la comprendre et de l'expérimenter à travers les jeux, tout en fournissant aux ingénieurs en IA divers algorithmes d'IA pour augmenter leurs revenus. Chaque personnage du jeu est alimenté par des NFT activés par l'IA, le Noyau contenant l'architecture et les paramètres du modèle d'IA stockés sur IPFS. Les paramètres d'un nouveau NFT sont générés de manière aléatoire, ce qui signifie qu'il effectuera des actions aléatoires. Les utilisateurs doivent améliorer les capacités stratégiques de leur personnage grâce à l'apprentissage par imitation (IL). Chaque fois qu'un utilisateur entraîne un personnage et enregistre les progrès, les paramètres sont mis à jour sur IPFS.
  

• Altered State Machine: .ASM n'est pas un jeu d'IA mais un protocole de vérification des droits et de négociation pour les agents d'IA. Il est positionné comme un protocole d'IA métavers et est actuellement en train d'intégrer plusieurs jeux, y compris FIFA, en introduisant des agents d'IA dans les jeux et le métavers. ASM utilise des NFT pour vérifier et négocier des agents d'IA, chaque agent étant composé de trois parties : le Cerveau (les caractéristiques intrinsèques de l'agent), les Mémoires (stockant les stratégies de comportement apprises par l'agent et la formation du modèle, liées au Cerveau) et la Forme (apparence du personnage, etc.). ASM dispose d'un module Gym, comprenant un fournisseur décentralisé de cloud GPU, pour fournir un support computationnel aux agents. Les projets actuellement construits sur ASM comprennent AIFA (jeu de football AI), Muhammed Ali (jeu de boxe AI), AI League (jeu de foot de rue en partenariat avec FIFA), Raicers (jeu de course piloté par l'IA) et FLUF World's Thingies (NFTs génératifs). \n
  

• Colonie Parallèle (PRIME) : Echelon Prime développe Colonie Parallèle, un jeu basé sur les modèles de langage AI LLM (Large Language Models). Les joueurs peuvent interagir avec leurs avatars AI et les influencer, les avatars agissant de manière autonome en fonction de leurs souvenirs et trajectoires de vie. Colony est actuellement l'un des jeux AI les plus attendus, et le livre blanc officiel a récemment été publié. De plus, l'annonce de la migration vers Solana a suscité une nouvelle vague d'excitation et a accru la valeur de PRIME.

2.2 Prédiction de marché/concours

La capacité prédictive est le fondement de l'IA pour prendre des décisions et des comportements futurs. Avant que les modèles d'IA ne soient utilisés pour des prédictions pratiques, les compétitions de prédictions comparent les performances des modèles d'IA à un niveau supérieur. En offrant des incitations sous forme de jetons aux data scientists/modèles d'IA, cette approche a des implications positives pour le développement de l'ensemble du domaine Crypto×IA. Cela favorise continuellement le développement de modèles et d'applications plus efficaces et performants adaptés au monde de la crypto. Avant que l'IA n'influence profondément la prise de décisions et le comportement, cela crée des produits de qualité supérieure et plus sûrs. Comme l'a déclaré Vitalik, les marchés de prédictions sont une primitive puissante qui peut être étendue à de nombreux autres types de problèmes. Les projets emblématiques de cette catégorie incluent Numerai et Ocean Protocol.

• Numerai: Numerai est une compétition de science des données de longue date où les data scientists entraînent des modèles d'apprentissage automatique pour prédire les marchés boursiers en se basant sur des données historiques fournies par Numerai. Ils misent ensuite leurs modèles et tokens NMR dans des tournois, les modèles performants recevant des récompenses en tokens NMR, tandis que les tokens misés sur les modèles peu performants sont brûlés. Au 7 mars 2024, 6 433 modèles ont été misés, et le protocole a distribué un total de 75 760 979 $ de récompenses aux data scientists. Numerai encourage la collaboration mondiale entre data scientists pour construire un nouveau type de fonds spéculatif. Les fonds lancés jusqu'à présent incluent Numerai One et Numerai Supreme. Le chemin de Numerai implique des compétitions de prédiction de marché → des modèles de prédiction crowdsourcés → la création de nouveaux fonds spéculatifs basés sur des modèles crowdsourcés.
• Ocean Protocol : Ocean Predictor se concentre sur les prévisions, en commençant par des prévisions crowdsourcées sur les tendances des crypto-monnaies. Les joueurs peuvent choisir d'exécuter le bot Predictoor ou le bot Trader. Le bot Predictor utilise des modèles d'IA pour prédire le prix des crypto-monnaies (par exemple, BTC/USDT) au prochain point temporel (par exemple, cinq minutes plus tard) et mise un certain montant de jetons $OCEAN. Le protocole calcule une prédiction globale basée sur le montant misé. Les traders achètent les résultats des prédictions et peuvent trader en fonction d'eux. Lorsque la précision des prévisions est élevée, les traders peuvent en profiter. Les prévisionnistes qui font des prévisions incorrectes seront pénalisés, tandis que ceux qui font des prévisions correctes recevront une partie des jetons misés ainsi que les frais d'achat des traders en récompense. Le 2 mars, Ocean Predictoor a annoncé sa dernière direction, le Modèle World-World (WWM), qui commence à explorer les prévisions pour des scénarios du monde réel tels que la météo et l'énergie.
  

3 AI Comme Interface

L'IA peut aider les utilisateurs à comprendre ce qui se passe dans le monde de la crypto à l'aide d'un langage simple et facile à comprendre, agissant comme un mentor pour les utilisateurs et fournissant des alertes pour réduire les risques potentiels afin de réduire les barrières à l'entrée et les risques des utilisateurs dans le Crypto, améliorant ainsi l'expérience utilisateur. Les fonctionnalités des produits qui peuvent être réalisées sont diverses, telles que des alertes de risque lors des interactions avec le portefeuille, des transactions intentionnelles pilotées par l'IA, des chatbots IA capables de répondre aux questions courantes des utilisateurs sur la crypto, et plus encore. Le public de ces services s'élargit, comprenant non seulement les utilisateurs ordinaires, mais aussi les développeurs, les analystes et presque tous les autres groupes, ce qui en fait des bénéficiaires potentiels des services d'IA.

Rappelons les similitudes de ces projets : ils n'ont pas encore remplacé les humains dans l'exécution de certaines décisions et comportements, mais utilisent des modèles d'IA pour fournir des informations et des outils pour aider à la prise de décisions et aux comportements humains. À ce niveau, les risques de malveillance de l'IA commencent à être exposés dans le système - fournir des informations incorrectes pour interférer avec le jugement humain. Cet aspect a été largement analysé dans l'article de Vitalik.

Il existe de nombreux projets variés qui peuvent être classés dans cette catégorie, notamment des chatbots IA, des audits de contrats intelligents IA, la génération de code IA, des robots de trading IA, et plus encore. On peut dire que la grande majorité des applications IA se situent actuellement à ce niveau de base. Les projets représentatifs incluent :

• Paal : PaaL est actuellement le projet leader dans les chatbots IA et peut être considéré comme un ChatGPT formé sur des connaissances liées à la crypto. Intégré à des plateformes telles que Telegram (TG) et Discord, PaaL offre aux utilisateurs des fonctionnalités telles que l'analyse des données des jetons, les fondamentaux des jetons et l'analyse économique des jetons, ainsi que la génération de texte en image et d'autres fonctionnalités. Le Bot PaaL peut être intégré dans des discussions de groupe pour répondre automatiquement à certaines informations. PaaL prend également en charge des bots personnels personnalisés, permettant aux utilisateurs de créer leur propre base de connaissances en IA et des bots personnalisés en nourrissant des ensembles de données. PaaL avance vers les Bots de Trading IA et, le 29 février, a annoncé son terminal de recherche & trading crypto assisté par IA, PaalX. Selon l'introduction, il peut effectuer des audits de contrats intelligents IA, intégrer et négocier des nouvelles basées sur Twitter, et fournir un support pour la recherche et le trading de crypto. L'assistant IA peut abaisser la barrière à l'entrée pour les utilisateurs.

ChainGPT: ChainGPT s'appuie sur l'intelligence artificielle pour développer une série d'outils crypto, tels que chatbot, générateur NFT, collecteur de nouvelles, génération et audit de contrats intelligents, assistant de transaction, marché de Prompt et échange AI cross-chain. Cependant, l'accent actuel de ChainGPT est mis sur l'incubation de projets et le Launchpad, et il a terminé des IDOs pour 24 projets et 4 Free Giveaways.

• Arkham: Ultra est le moteur d'IA dédié d'Arkham conçu pour faire correspondre les adresses avec des entités du monde réel à l'aide d'algorithmes, augmentant ainsi la transparence dans l'industrie de la cryptographie. Ultra fusionne les données on-chain et off-chain fournies par les utilisateurs et collectées par lui-même, et les restitue dans une base de données extensible, qui est finalement présentée sous forme de graphique. Cependant, la documentation d'Arkham ne fournit pas de discussions détaillées sur le système Ultra. Arkham a récemment attiré l'attention en raison de l'investissement personnel de Sam Altman, le fondateur d'OpenAI, et a connu une augmentation de valeur cinq fois supérieure au cours des 30 derniers jours.
• GraphLinq:GraphLinq est une solution de gestion des flux de travail automatisée conçue pour permettre aux utilisateurs de déployer et de gérer différents types de fonctions d'automatisation sans programmation. Par exemple, les utilisateurs peuvent envoyer le prix du Bitcoin de Coingecko à un bot TG toutes les 5 minutes. La solution de GraphLinq visualise les processus d'automatisation à l'aide de graphiques, permettant aux utilisateurs de créer des tâches d'automatisation en faisant glisser des nœuds et en utilisant le moteur GraphLinq pour les exécuter. Bien qu'aucun codage ne soit requis, le processus de création d'un graphique présente tout de même une certaine courbe d'apprentissage pour les utilisateurs ordinaires, notamment en sélectionnant le modèle approprié et en choisissant et connectant des blocs logiques adaptés parmi des centaines d'options. Pour remédier à cela, GraphLinq introduit l'IA pour permettre aux utilisateurs de construire et de gérer des tâches d'automatisation en utilisant une intelligence artificielle conversationnelle et un langage naturel, simplifiant ainsi le processus pour les utilisateurs qui ne sont peut-être pas familiers avec les aspects techniques.
• 0x0.ai:Les activités liées à l'IA de 0x0 comprennent principalement trois aspects : l'audit intelligent des contrats, la détection anti-Rug basée sur l'IA et le centre de développement d'IA. Parmi eux, la détection anti-Rug basée sur l'IA vise à détecter les comportements suspects tels que des taxes excessives ou une perte de liquidité pour empêcher les utilisateurs d'être trompés. Le centre de développement d'IA utilise des techniques d'apprentissage automatique pour générer des contrats intelligents, permettant le déploiement sans code de contrats. Cependant, seul l'audit intelligent des contrats a été lancé de manière préliminaire, tandis que les deux autres fonctionnalités n'ont pas encore été pleinement développées.
• Zignaly : Zignaly a été fondé en 2018 dans le but de permettre aux investisseurs individuels de choisir des gestionnaires de fonds pour gérer leurs actifs de crypto-monnaie, similaire à la logique du copy-trading. Zignaly utilise des technologies d'apprentissage automatique et d'intelligence artificielle pour établir un système d'évaluation des gestionnaires de fonds. Le premier produit lancé s'appelle Z-Score. Cependant, en tant que produit d'intelligence artificielle, il reste relativement basique dans sa forme actuelle.
  

4 AI Comme Les Règles Du Jeu

C'est la partie la plus excitante - permettre à l'IA de remplacer la prise de décision et le comportement humains. Votre IA contrôlera directement votre portefeuille, prenant des décisions commerciales et des actions en votre nom. Dans cette catégorie, l'auteur pense qu'elle peut principalement être divisée en trois niveaux : applications d'IA (en particulier celles avec la vision de la prise de décision autonome, telles que les robots commerciaux automatisés d'IA, les robots de rendement DeFi d'IA), protocoles d'agent autonome, et zkML/opML.

Les applications d'IA sont des outils pour prendre des décisions spécifiques dans un domaine particulier. Elles accumulent des connaissances et des données de différents secteurs et s'appuient sur des modèles d'IA adaptés à des problèmes spécifiques pour la prise de décision. Il convient de noter que les applications d'IA sont classées à la fois en interfaces et en règles dans cet article. En termes de vision du développement, les applications d'IA devraient devenir des agents de prise de décision indépendants, mais actuellement, ni l'efficacité des modèles d'IA ni la sécurité de l'IA intégrée ne peuvent répondre à cette exigence. Même en tant qu'interfaces, elles sont quelque peu forcées. Les applications d'IA en sont encore à un stade très précoce, avec des projets spécifiques introduits plus tôt.

Les Agents autonomes, mentionnés par Vitalik, sont classés dans la première catégorie (IA en tant que participants), mais cet article les catégorise dans la troisième catégorie en fonction de leur vision à long terme. Les Agents autonomes utilisent une grande quantité de données et d'algorithmes pour simuler la pensée humaine et les processus de prise de décision, exécutant diverses tâches et interactions. Cet article se concentre principalement sur l'infrastructure des Agents, tels que les couches de communication et les couches réseau, qui définissent la propriété des Agents, établissent leur identité, les normes de communication et les méthodes, connectent plusieurs applications d'Agent et leur permettent de collaborer sur la prise de décisions et le comportement.

zkML/opML: Assurez-vous que les sorties fournies par des processus de raisonnement de modèle corrects sont crédibles grâce à des méthodes cryptographiques ou économiques. Les problèmes de sécurité sont fatals lors de l'introduction de l'IA dans les contrats intelligents. Les contrats intelligents reposent sur des entrées pour générer des sorties et automatiser une série de fonctions. Si l'IA fournit des entrées erronées, elle introduira des risques systémiques importants dans l'ensemble du système Crypto. Par conséquent, zkML/opML et une série de solutions potentielles sont la base permettant à l'IA d'agir de manière indépendante et de prendre des décisions.

Enfin, les trois ensemble constituent les trois niveaux de base de l'IA en tant qu'opérateurs de règles : zkml/opml en tant qu'infrastructure de niveau le plus bas garantissant la sécurité du protocole ; Les protocoles de l'Agent établissent l'écosystème de l'Agent, permettant la prise de décisions et le comportement collaboratifs ; Les applications d'IA, également des Agents d'IA spécifiques, amélioreront continuellement leurs capacités dans des domaines spécifiques et prendront réellement des décisions et agiront.

4.1 Agent Autonome

L'application d'agents d'IA dans le monde cryptographique est naturelle. Des contrats intelligents aux bots TG en passant par les agents d'IA, l'espace cryptographique se dirige vers une automatisation plus poussée et des barrières utilisateur plus faibles. Alors que les contrats intelligents exécutent des fonctions automatiquement grâce à un code immuable, ils dépendent toujours de déclencheurs externes pour s'activer et ne peuvent pas fonctionner de manière autonome ou continue. Les bots TG réduisent les barrières utilisateur en permettant aux utilisateurs d'interagir avec la blockchain à travers un langage naturel, mais ils ne peuvent effectuer que des tâches simples et spécifiques et ne peuvent pas réaliser des transactions centrées sur l'utilisateur. Les agents d'IA, cependant, possèdent un certain degré de capacité de prise de décision indépendante. Ils comprennent le langage naturel et combinent de manière autonome d'autres agents et outils blockchain pour accomplir des objectifs spécifiés par l'utilisateur.

Les agents d'IA sont dédiés à améliorer significativement l'expérience utilisateur des produits de cryptographie, tandis que la technologie de la blockchain peut améliorer davantage la décentralisation, la transparence et la sécurité des opérations des agents d'IA. L'assistance spécifique comprend :

• En incitant les développeurs avec des jetons à fournir plus d'agents.
• Authentification NFT pour faciliter les activités d'agent basées sur les frais et les transactions.
• Fournir des mécanismes d'identité et d'enregistrement d'agent sur la chaîne.
• Offrant des journaux d'activité d'agent immuables pour retracer rapidement et rendre compte de leurs actions.

Les principaux projets de cette piste sont les suivants :

• Autonolas: Autonolas prend en charge la propriété des actifs et la composition pour les agents et les composants associés grâce à des protocoles on-chain, permettant aux composants de code, aux agents et aux services d'être découverts et réutilisés on-chain, tout en incitant les développeurs avec une compensation économique. Les développeurs enregistrent leur code on-chain et reçoivent des NFT représentant la propriété du code après avoir développé des agents ou des composants complets. Les propriétaires de services collaborent avec de multiples agents pour créer un service et l'enregistrent on-chain, attirant les opérateurs d'agents pour exécuter le service, que les utilisateurs peuvent accéder en payant pour son utilisation.
• Fetch.ai: Fetch.ai a une solide équipe de fond et une expérience de développement dans le domaine de l'IA, se concentrant actuellement sur la piste des agents IA. Le protocole se compose de quatre couches clés : les agents IA, Agentverse, le moteur IA et le réseau Fetch. Les agents IA forment le cœur du système, tandis que les autres fournissent des cadres et des outils pour aider à construire des services d'agents. Agentverse est une plateforme logicielle en tant que service principalement utilisée pour créer et enregistrer des agents IA. Le moteur IA vise à interpréter les entrées de langage naturel de l'utilisateur et à les traduire en tâches à accomplir, en sélectionnant l'agent IA enregistré le plus adapté d'Agentverse pour exécuter la tâche. Fetch Network est la couche blockchain du protocole, où les agents IA doivent s'inscrire dans le contrat Almanach on-chain pour collaborer avec d'autres agents. Il convient de noter qu'Autonolas se concentre actuellement sur la construction d'agents dans le monde de la crypto et transfère les opérations d'agents hors ligne sur la blockchain, tandis que le champ d'action de Fetch.ai inclut le monde Web2, comme les réservations de voyage et les prévisions météorologiques.
• Delysium: Delysium a transitionné du jeu à un protocole d'agent d'IA, comprenant principalement deux couches : la couche de communication et la couche blockchain. La couche de communication sert de colonne vertébrale à Delysium, fournissant une infrastructure sécurisée et évolutive pour une communication efficace entre les agents d'IA. La couche blockchain vérifie les identités des agents et enregistre de manière immuable le comportement des agents à travers des contrats intelligents. Plus précisément, la couche de communication établit un protocole de communication unifié entre les agents, facilitant une communication transparente à l'aide de systèmes de messagerie normalisés. De plus, elle établit des protocoles de découverte de services et des API, permettant aux utilisateurs et à d'autres agents de découvrir rapidement et de se connecter à des agents disponibles. La couche blockchain se compose principalement de deux parties : l'ID d'agent et le contrat intelligent de la Chronique. L'ID d'agent garantit que seuls les agents légitimes peuvent accéder au réseau, tandis que la Chronique sert de référentiel de journal immuable pour toutes les décisions et actions significatives prises par les agents, assurant une traçabilité fiable du comportement des agents.
• Machine à états modifiée : La machine à états modifiée établit des normes pour la propriété d'actifs et les transactions pour les agents via des NFT. Bien que l'ASM s'intègre principalement aux jeux actuellement, ses spécifications fondamentales ont également le potentiel de s'étendre à d'autres domaines d'agents.
• Morpheous: Morpheous construit un réseau d'écosystème d'agents IA, visant à connecter des codeurs, des fournisseurs d'ordinateurs, des constructeurs de communauté et des fournisseurs de capitaux, qui fournissent respectivement des agents IA, de la puissance de calcul soutenant les opérations des agents, des outils de développement et de front-end, et du financement. MOR adoptera un modèle de lancement équitable pour inciter les mineurs fournissant de la puissance de calcul, les détenteurs de stETH, les contributeurs au développement d'agents ou de contrats intelligents, et les contributeurs au développement de la communauté.

4.2 zkML/opML

La preuve de zéro connaissance a actuellement deux directions d'application principales :

• Preuve de calcul correct à moindre coût sur la chaîne (les ponts inter-chaînes ZK-Rollup et ZKP exploitent cette fonctionnalité de ZK);
• Protection de la vie privée : Pas besoin de connaître les détails du calcul, mais il peut être prouvé que le calcul a été exécuté correctement.

De même, l'application de ZKP en apprentissage automatique peut également être divisée en deux catégories :

• Vérification de l'inférence : C'est-à-dire, à travers la preuve de ZK, prouver on-chain à moindre coût que le processus de calcul dense de l'inférence du modèle d'IA exécuté correctement off-chain.
• Protection de la vie privée : Peut être divisée en deux catégories. L'une est la protection de la vie privée des données, qui implique l'utilisation de données privées pour l'inférence sur des modèles publics, ce qui peut être réalisé en utilisant ZKML pour protéger la vie privée des données. L'autre est la protection de la vie privée du modèle, visant à dissimuler des informations spécifiques telles que les poids du modèle, et à calculer et dériver des résultats de sortie à partir d'entrées publiques.

L'auteur estime actuellement que l'aspect le plus important pour la crypto est la vérification des inférences, et nous approfondissons davantage les scénarios de vérification des inférences. En partant de l'IA en tant que participant à l'IA en tant que règles du monde, nous espérons intégrer l'IA dans les processus on-chain. Cependant, le coût computationnel élevé de l'inférence des modèles d'IA empêche une exécution directe on-chain. Déplacer ce processus off-chain signifie que nous devons tolérer les problèmes de confiance posés par cette boîte noire - l'opérateur du modèle d'IA a-t-il manipulé mes données d'entrée ? Ont-ils utilisé le modèle que j'ai spécifié pour l'inférence ? En convertissant les modèles ML en circuits ZK, nous pouvons réaliser : (1) Le stockage on-chain de modèles plus petits, stocker de petits modèles zkML dans des contrats intelligents adresse directement le problème d'opacité ; (2) Réaliser l'inférence off-chain tout en générant des preuves ZK, en utilisant l'exécution on-chain des preuves ZK pour vérifier la justesse du processus d'inférence. L'infrastructure comprendra deux contrats - le contrat principal (qui utilise le modèle ML pour produire des résultats) et le contrat de vérification de preuve ZK.

zkML en est encore à un stade très précoce et rencontre des défis techniques pour convertir les modèles ML en circuits ZK, ainsi que des coûts élevés en termes de calcul et de surcharge cryptographique. Tout comme le développement de Rollup, opML sert d'autre solution d'un point de vue économique. opML utilise l'hypothèse AnyTrust d'Arbitrum, signifiant que chaque affirmation a au moins un nœud honnête, garantissant que le soumetteur ou au moins un vérificateur est honnête. Cependant, OPML ne peut servir que comme une alternative pour la vérification de l'inférence et ne peut pas garantir la protection de la confidentialité.

Les projets actuels construisent l'infrastructure pour zkML et explorent ses applications. L'établissement des applications est tout aussi important car il doit clairement démontrer aux utilisateurs de crypto la place importante de zkML et prouver que la valeur ultime peut compenser les coûts énormes. Dans ces projets, certains se concentrent sur le développement de la technologie ZK liée à l'apprentissage automatique (comme Modulus Labs), tandis que d'autres se concentrent sur la construction d'une infrastructure ZK plus générale. Les projets connexes incluent:

• Modulus utilise zkML pour appliquer l'intelligence artificielle aux processus d'inférence on-chain. Le 27 février, Modulus a lancé le prouveur zkML Remainder, réalisant une amélioration de l'efficacité de 180x par rapport à l'inférence AI traditionnelle sur un matériel équivalent. De plus, Modulus collabore avec plusieurs projets pour explorer des cas d'utilisation pratiques de zkML. Par exemple, ils collaborent avec Upshot pour collecter des données de marché complexes, évaluer les prix des NFT en utilisant l'IA avec des preuves ZK, et transmettre les prix sur la blockchain. Ils collaborent également avec AI Arena pour prouver que l'Avatar en combat et le joueur entraîné sont la même entité.
• Risc Zero place des modèles on-chain, et en exécutant des modèles d'apprentissage machine dans le ZKVM de Risc Zero, ils peuvent prouver que les calculs exacts impliqués dans le modèle sont exécutés correctement.
• Ingonyama développe du matériel spécialisé pour la technologie ZK, ce qui pourrait abaisser la barrière à l'entrée dans le domaine de la technologie ZK. zkML pourrait également être utilisé dans le processus de formation du modèle.

5 AI Comme Objectif

Si les trois catégories précédentes mettent davantage l'accent sur la manière dont l'IA renforce Crypto, alors « l'IA comme objectif » met l'accent sur l'assistance de Crypto à l'IA, à savoir comment utiliser Crypto pour créer de meilleurs modèles et produits d'IA. Cela peut inclure plusieurs critères d'évaluation tels qu'une plus grande efficacité, précision et décentralisation. L'IA comprend trois éléments principaux : les données, la puissance de calcul et les algorithmes, et dans chaque dimension, Crypto s'efforce de fournir un soutien plus efficace à l'IA :

• Les données : Les données servent de base à la formation des modèles, et les protocoles de données décentralisés incitent les individus ou les entreprises à fournir davantage de données privées tout en utilisant la cryptographie pour protéger la confidentialité des données et prévenir la fuite d'informations personnelles sensibles.
• Puissance de calcul : La piste de puissance de calcul décentralisée est actuellement la piste d'IA la plus chaude. Les protocoles facilitent la mise en correspondance de l'offre et de la demande sur le marché, favorisant l'association de la puissance de calcul de longue traîne avec les entreprises d'IA pour la formation et l'inférence de modèles.
• Algorithmes : L'autonomisation des algorithmes par la crypto est l'aspect le plus crucial pour atteindre l'IA décentralisée, comme décrit dans l'article de Vitalik Buterin "L'IA comme objectif". En créant une IA en boîte noire décentralisée et digne de confiance, des problèmes tels que l'apprentissage machine adversaire peuvent être abordés. Cependant, cette approche peut rencontrer des obstacles significatifs tels que des coûts cryptographiques élevés. De plus, "utiliser des incitations cryptographiques pour encourager la création d'une meilleure IA" peut être réalisé sans se plonger complètement dans le terrier du cryptage.

La monopolisation des données et de la puissance de calcul par de grandes entreprises technologiques a conduit à un monopole sur le processus de formation de modèles, où les modèles à code source fermé deviennent des moteurs de profit clés pour ces entreprises. D'un point de vue infrastructural, Crypto incite à l'approvisionnement décentralisé de données et de puissance de calcul par des moyens économiques. De plus, il garantit la confidentialité des données pendant le processus grâce à des méthodes cryptographiques. Cela sert de base pour faciliter la formation décentralisée de modèles, visant à réaliser un écosystème d'IA plus transparent et décentralisé.

5.1 Protocole de données décentralisé

Les protocoles de données décentralisées fonctionnent principalement par le recours à la foule pour les données, incitant les utilisateurs à fournir des ensembles de données ou des services de données (comme l'étiquetage de données) pour que les entreprises les utilisent dans la formation de modèles. Ils établissent également des places de marché de données pour faciliter la mise en relation entre l'offre et la demande. Certains protocoles explorent également l'incitation des utilisateurs par le biais de protocoles DePIN pour acquérir des données de navigation ou utiliser les appareils / la bande passante des utilisateurs pour le scraping de données web.

• Ocean Protocol : Tokenise la propriété des données et permet aux utilisateurs de créer des NFT pour les données/algorithmes de manière sans code sur Ocean Protocol, créant simultanément des datatokens correspondants pour contrôler l'accès aux NFT de données. Ocean Protocol garantit la confidentialité des données grâce à Compute To Data (C2D), où les utilisateurs ne peuvent obtenir que des résultats de sortie basés sur les données/algorithmes, sans téléchargements complets. Fondé en 2017 en tant que marché de données, Ocean Protocol a naturellement sauté dans le train en marche de l'IA dans cette tendance actuelle.
• Synesis One: Ce projet est la plateforme Train2Earn sur Solana, où les utilisateurs gagnent des récompenses $SNS en fournissant des données de langage naturel et des étiquetages de données. Les utilisateurs soutiennent l'extraction en fournissant des données, qui sont stockées et placées on-chain après vérification, puis utilisées par des entreprises d'IA pour l'entraînement et l'inférence. Les mineurs sont divisés en trois catégories : Architectes/Constructeurs/Validateurs. Les Architectes créent de nouvelles tâches de données, les Constructeurs fournissent des données textuelles pour des tâches spécifiques, et les Validateurs vérifient les ensembles de données fournis par les Constructeurs. Les ensembles de données terminés sont stockés dans IPFS et leurs sources, ainsi que les adresses IPFS, sont stockés dans une base de données hors chaîne pour que les entreprises d'IA (actuellement Mind AI) les utilisent.

Grass : Le niveau de données décentralisé, appelé IA, fonctionne essentiellement comme un marché de raclage de réseau décentralisé, obtenant des données à des fins de formation de modèles d'IA. Les sites Internet servent de sources vitales de données d'entraînement pour l'IA, de nombreux sites tels que Twitter, Google et Reddit ayant une valeur significative. Cependant, ces sites imposent continuellement des restrictions sur le raclage de données. Grass tire parti de la bande passante inutilisée au sein des réseaux individuels pour atténuer l'impact du blocage des données en employant différentes adresses IP pour racler des données à partir de sites Web publics. Il effectue un nettoyage initial des données et sert de source de données pour les efforts de formation de modèles d'IA. Actuellement en phase de test bêta, Grass permet aux utilisateurs de gagner des points en fournissant de la bande passante, qui peuvent être échangés contre des largages potentiels.

Protocole AIT : Le protocole AIT est un protocole de marquage de données décentralisé conçu pour fournir aux développeurs des ensembles de données de haute qualité pour l'entraînement de modèles. Web3 permet aux forces de travail mondiales d'accéder rapidement au réseau et de gagner des incitations grâce au marquage de données. Les data scientists d'AIT pré-étiquettent les données, qui sont ensuite traitées par les utilisateurs. Après avoir été soumises à des contrôles de qualité par les data scientists, les données validées sont fournies aux développeurs pour utilisation.

En plus des protocoles mentionnés ci-dessus de fourniture de données et d'étiquetage de données, d'anciennes infrastructures de stockage décentralisées telles que Filecoin, Arweave et d'autres contribueront également à une offre de données plus décentralisée.

5.2 Puissance de calcul décentralisée

À l'ère de l'IA, l'importance de la puissance informatique est évidente. Non seulement le cours de l'action de NVIDIA a grimpé en flèche, mais dans le monde de la crypto, la puissance informatique décentralisée peut être considérée comme la direction de niche la plus chaude dans la piste de l'IA - sur les 200 meilleurs projets d'IA en termes de capitalisation boursière, 5 projets (Render/Akash/AIOZ Network/Golem/Nosana) se concentrent sur la puissance informatique décentralisée, et ont connu une croissance significative au cours des derniers mois. De nombreux projets dans la fourchette de faible capitalisation boursière ont également vu émerger des plateformes de puissance informatique décentralisée. Bien qu'ils en soient encore aux balbutiements, ils ont rapidement gagné du terrain, notamment avec la vague d'enthousiasme de la conférence NVIDIA.

De par les caractéristiques de la voie, la logique de base des projets dans cette direction est très homogène - utilisant des incitations token pour encourager les individus ou les entreprises disposant de ressources informatiques inutilisées à fournir des ressources, réduisant ainsi considérablement les coûts d'utilisation et établissant un marché de l'offre et de la demande pour la puissance de calcul. Actuellement, les principales sources de puissance de calcul proviennent des centres de données, des mineurs (surtout après la transition d'Ethereum vers le PoS), de la puissance de calcul de niveau consommateur et des collaborations avec d'autres projets. Bien qu'homogène, il s'agit d'une voie où les projets leaders ont de grands fossés. Les principaux avantages concurrentiels des projets proviennent de: ressources de puissance de calcul, prix de location de la puissance de calcul, taux d'utilisation de la puissance de calcul et autres avantages techniques. Les principaux projets de cette voie comprennent Akash, Render, io.net et Gensyn.

Selon des orientations commerciales spécifiques, les projets peuvent être grossièrement divisés en deux catégories : l'inférence de modèles d'IA et l'entraînement de modèles d'IA. Étant donné que les exigences en puissance de calcul et en bande passante pour l'entraînement de modèles d'IA sont bien plus élevées que pour l'inférence, et que le marché de l'inférence de modèles est en expansion rapide, les revenus prévisibles seront nettement plus élevés que pour l'entraînement de modèles à l'avenir. Par conséquent, actuellement, la grande majorité des projets se concentrent sur l'inférence (Akash, Render, io.net) with Gensyn focusing on training. Parmi eux, Akash et Render n'ont pas été initialement développés pour le calcul IA. Akash était initialement utilisé pour le calcul général, tandis que Render était principalement utilisé pour le rendu vidéo et image. io.net est spécifiquement conçu pour le calcul IA, mais après que l'IA ait augmenté le niveau de la demande en calcul, ces projets ont tous tendu à se développer dans la direction de l'IA.

Les deux indicateurs concurrentiels les plus importants restent ceux de l’offre (puissance de calcul, ressources) et de la demande (utilisation de la puissance de calcul). Akash dispose de 282 GPU et de plus de 20 000 CPU, avec plus de 160 000 baux conclus, et un taux d’utilisation du réseau GPU de 50 à 70 %, ce qui est un bon chiffre dans ce domaine. io.net dispose de 40 272 GPU et 5 958 CPU, ainsi que des 4 318 GPU et 159 CPU de Render, et de la licence d’utilisation de 1 024 GPU de Filecoin, dont environ 200 H100 et des milliers d’A100. io.net attire des ressources de puissance de calcul avec des attentes extrêmement élevées en matière d’airdrop, et les données GPU augmentent rapidement, ce qui nécessite une réévaluation de sa capacité à attirer des ressources après la cotation du jeton. Render et Gensyn n’ont pas divulgué de données spécifiques. De plus, de nombreux projets améliorent leur compétitivité, tant du côté de l’offre que de la demande, grâce à des collaborations au sein de l’écosystème. Par exemple, io.net utilise la puissance de calcul de Render et Filecoin pour améliorer ses propres réserves de ressources, et Render a mis en place le Computing Client Program (RNP-004), permettant aux utilisateurs d’accéder indirectement aux ressources de puissance de calcul de Render via des clients de calcul tels que io.net, Nosana, FedMl et Beam, passant ainsi rapidement du domaine du rendu au calcul de l'intelligence artificielle.

De plus, la vérification de l’informatique décentralisée reste un défi : comment prouver que les travailleurs disposant de ressources de calcul exécutent correctement les tâches informatiques. Gensyn tente d’établir une telle couche de vérification, en garantissant l’exactitude des calculs grâce à des preuves d’apprentissage probabilistes, des protocoles de positionnement précis basés sur des graphes et des incitations. Les validateurs et les rapporteurs inspectent conjointement les calculs dans Gensyn, de sorte qu’en plus de fournir un support informatique pour l’entraînement décentralisé, son mécanisme de vérification établi a également une valeur unique. Le protocole de calcul Fluence, situé sur Solana, améliore également la validation des tâches informatiques. Les développeurs peuvent vérifier si leurs applications s’exécutent comme prévu et si les calculs sont correctement exécutés en examinant les preuves fournies par les fournisseurs on-chain. Cependant, le besoin pratique donne toujours la priorité à la faisabilité plutôt qu’à la fiabilité. Les plates-formes informatiques doivent d’abord disposer d’une puissance de calcul suffisante pour être compétitives. Bien sûr, pour d’excellents protocoles de vérification, il est possible d’accéder à des ressources de calcul provenant d’autres plates-formes, servant de couches de validation et de protocole pour jouer un rôle unique.

5.3 Modèle Décentralisé

Le scénario ultime décrit par Vitalik, tel qu'illustré dans le diagramme ci-dessous, est encore très lointain. Actuellement, nous ne pouvons pas parvenir à une IA en boîte noire de confiance créée grâce aux technologies de blockchain et de cryptage pour traiter l'apprentissage automatique adversarial. Chiffrer l'ensemble du processus d'IA, des données d'entraînement aux sorties de requête, entraîne des coûts importants. Cependant, il existe actuellement des projets visant à inciter à la création de meilleurs modèles d'IA. Ils comblent d'abord les états fermés entre différents modèles, créant un environnement où les modèles peuvent apprendre les uns des autres, collaborer et s'engager dans une compétition saine. Bittensor est l'un des projets les plus représentatifs à cet égard.

Bittensor : Bittensor facilite l'intégration de différents modèles d'IA, mais il est important de noter que Bittensor lui-même ne participe pas à la formation de modèles ; il fournit principalement des services d'inférence d'IA. Ses 32 sous-réseaux se concentrent sur différentes directions de services, telles que l'extraction de données, la génération de texte, Text2Image, etc. Lors de l'accomplissement d'une tâche, les modèles d'IA appartenant à différentes directions peuvent collaborer les uns avec les autres. Les mécanismes d'incitation stimulent la compétition entre les sous-réseaux et au sein des sous-réseaux. Actuellement, les récompenses sont distribuées à un taux de 1 TAO par bloc, totalisant environ 7200 jetons TAO par jour. Les 64 validateurs de SN0 (Réseau Racine) déterminent le taux de distributionde ces récompenses parmi les différents sous-réseaux en fonction des performances du sous-réseau. Les validateurs de sous-réseau, quant à eux, déterminent le ratio de distribution parmi les différents mineurs en fonction de leur évaluation du travail. En conséquence, les services et modèles performants reçoivent plus d'incitations, favorisant ainsi une amélioration globale de la qualité de l'inférence du système.

6 Conclusion: MEME est-il juste un engouement ou une révolution technologique ?

Des mouvements de Sam Altman qui ont fait grimper en flèche les prix de ARKM et WLD à la conférence Nvidia stimulant une série de projets participants, de nombreux investisseurs ajustent leurs idées d'investissement dans le domaine de l'IA. Le domaine de l'IA est-il principalement alimenté par la spéculation mémétique ou la révolution technologique ?

Mis à part quelques thèmes de célébrités (comme ARKM et WLD), le domaine de l'IA dans la crypto semble plus être un "mème entraîné par un récit technologique."

D'une part, la spéculation globale dans le domaine de l'IA Crypto est sans aucun doute étroitement liée aux progrès de l'IA Web2. L'engouement externe mené par des entités comme OpenAI servira de catalyseur pour le domaine de l'IA Crypto. D'autre part, l'histoire du domaine de l'IA tourne toujours autour de récits technologiques. Cependant, il est crucial de mettre l'accent sur le “ récit technologique ” plutôt que simplement sur la technologie elle-même. Cela souligne l'importance de choisir des directions spécifiques dans le domaine de l'IA et de prêter attention aux fondamentaux des projets. Il est nécessaire de trouver des directions narratives ayant une valeur spéculative ainsi que des projets avec une compétitivité et des fossés à long terme.

En examinant les quatre combinaisons potentielles proposées par Vitalik, nous voyons un équilibre entre le charme narratif et la faisabilité. Dans les premières et deuxièmes catégories, représentées par des applications d'IA, nous observons de nombreux wrappers GPT. Bien que ces produits soient déployés rapidement, ils présentent également un degré élevé d'homogénéité commerciale. L'avantage du premier arrivé, les écosystèmes, la base d'utilisateurs et les revenus deviennent les histoires racontées dans le contexte d'une concurrence homogène. Les troisième et quatrième catégories représentent de grands récits combinant l'IA avec la crypto, tels que les réseaux de collaboration Agent on-chain, zkML et le remodelage décentralisé de l'IA. Ils en sont encore aux premiers stades, et les projets dotés d'innovation technologique attireront rapidement des fonds, même s'ils en sont encore aux premiers stades de mise en œuvre.

Avertissement：

1. Cet article est repris de [ Metrics Ventures]. Transférer le titre original 'Rapport de recherche Metrics Ventures | Quelles sont les pistes de course à suivre dans le domaine de la Crypto×AI à partir de l'article de V神？'. Tous les droits d'auteur appartiennent à l'auteur original [@charlotte0211z，@BlazingKevin_，Metrics Ventures]. Si vous avez des objections à cette réimpression, veuillez contacter le Gate Learnl'équipe s'en chargera 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 aucun conseil en investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdit.