Singkatnya;

Kami melakukan analisis mendalam terhadap 67 proyek Kripto+AI, mengkategorikan mereka dari perspektif GenAI. Klasifikasi kami mencakup:

1. GPU DePIN
2. Komputasi Terdesentralisasi (Pelatihan + Inferensi)
3. Verifikasi (ZKML + OPML)
4. Kripto LLM
5. Data (Umum + Khusus Kecerdasan Buatan)
6. Aplikasi Pembuat AI
7. Aplikasi Konsumen AI
8. Standar AI (Token + Agen)
9. Ekonomi AI

Mengapa kami menulis ini?

Naratif Kripto+AI telah menarik banyak perhatian sejauh ini. Banyak laporan tentang Kripto+AI muncul, tetapi mereka hanya mencakup sebagian cerita AI atau menginterpretasikan AI semata-mata dari sudut pandang Kripto.

Artikel ini akan melihat topik dari perspektif AI, mengeksplorasi bagaimana Kripto mendukung AI dan bagaimana AI dapat memberikan manfaat bagi Kripto, untuk lebih memahami lanskap industri Kripto+AI saat ini.

Bagian I: Mendekripsi Lanskap GenAI

Mari kita menjelajahi seluruh lanskap GenAI dimulai dari produk AI yang kita gunakan setiap hari. Produk-produk ini biasanya terdiri dari dua komponen utama: LLM dan UI. Untuk model besar, ada dua proses kunci: penciptaan model dan pemanfaatan model, yang biasa dikenal sebagai Pelatihan dan Inferensi. Adapun UI, itu hadir dalam berbagai bentuk, termasuk berbasis percakapan seperti GPT, berbasis visual seperti LumaAI, dan banyak lainnya yang mengintegrasikan API inferensi ke dalam antarmuka produk yang ada.

Menghitung

Lebih dalam lagi, komputasi adalah hal mendasar baik untuk pelatihan maupun inferensi, sangat bergantung pada komputasi GPU yang mendasar. Meskipun koneksi fisik GPU mungkin berbeda antara pelatihan dan inferensi, GPU berfungsi sebagai komponen infrastruktur dasar di produk AI. Di atas ini, kita memiliki orkestrasi klaster GPU, yang dikenal sebagai Awan. Ini dapat dibagi menjadi Awan Versatile Tradisional danAwan Vertikal[1], dengan Vertical Clouds lebih berfokus pada AI dan dioptimalkan untuk skenario komputasi AI.

Penyimpanan

Mengenai penyimpanan, penyimpanan data AI dapat dibagi menjadi solusi penyimpanan tradisional seperti AWS S3 dan Azure Blob Storage, dan penyimpanan khusus yang dioptimalkan untuk kumpulan data AI. Solusi penyimpanan khusus ini, seperti Filestore dari Google Cloud, dirancang untuk meningkatkan kecepatan akses data dalam skenario tertentu.

Pelatihan

Melanjutkan dengan infrastruktur AI, penting untuk membedakan antara Pelatihan dan Inferensi, karena keduanya berbeda secara signifikan. Dan di luar komputasi umum, keduanya melibatkan banyak logika bisnis khusus AI.

Untuk pelatihan, infrastruktur umumnya dapat dibagi menjadi[2]:

1. Platform: Ini dirancang khusus untuk melatih dan membantu pengembang AI dalam melatih model bahasa besar secara efektif, dengan solusi percepatan perangkat lunak tambahan, seperti MosaicML.
2. Penyedia Model Dasar: Kategori ini mencakup platform seperti Hugging Face, yang menawarkan model dasar yang pengguna dapat latih atau sesuaikan lebih lanjut.
3. Kerangka Kerja: Terakhir, ada berbagai kerangka kerja pelatihan dasar yang dibangun dari awal, seperti PyTorch dan TensorFlow.

Inferensi

Untuk Inferensi, lanskap secara umum dapat dibagi menjadi:

1. Optimizer: Ini mengkhususkan diri dalam melakukan serangkaian optimasi khusus untuk inferensi dan kasus penggunaan tertentu, seperti mendukung pemrosesan paralel atau peningkatan algoritma untuk pembuatan media. Contoh termasuk fal.ai, yang telah dioptimalkan untuk inferensi pada proses teks ke gambar, meningkatkan kecepatan diffusi sebesar 50% dibanding pendekatan umum.
2. Platform Penyedia: Ini menyediakan layanan awan inferensi model umum, seperti Amazon SageMaker, memfasilitasi implementasi dan penskalaan model AI di berbagai lingkungan.

Aplikasi

Sementara ada banyak aplikasi AI, mereka dapat secara umum dikategorikan berdasarkan kelompok pengguna menjadi dua jenis utama: pencipta dan konsumen[3].

1. Konsumen AI: Dimulai dengan konsumen AI, kelompok ini pada dasarnya menggunakan produk AI dan bersedia membayar untuk nilai yang dibawa oleh produk-produk ini. Contoh khas dari kategori ini adalah ChatGPT.
2. Pencipta AI: Di sisi lain, aplikasi untuk Pencipta AI lebih tentang mengundang pencipta AI ke platform mereka untuk membuat agen, berbagi pengetahuan, dan kemudian berbagi keuntungan dengan mereka, dengan pasar GPT menjadi salah satu contoh yang paling terkenal.

Kedua kategori ini mencakup hampir semua aplikasi AI. Meskipun klasifikasi yang lebih rinci ada, artikel ini akan fokus pada kategori yang lebih luas ini.

Bagian II: Bagaimana Kripto membantu AI

Sebelum menjawab pertanyaan ini, mari kita ringkas keuntungan utama Kripto yang bisa dimanfaatkan oleh AI: Monetisasi, Inklusivitas, Transparansi, Kepemilikan data, Pengurangan biaya, dan lainnya.

Ringkasan tingkat tinggi dari pertemuan kripto+AI dari blog vitalik.eth

Ini sinergi kunci[4] membantu lanskap saat ini dengan:

1. Monetisasi: Melalui mekanisme Kripto unik seperti tokenisasi, monetisasi, dan insentivasi, inovasi-inovasi gangguan dapat dilakukan dalam aplikasi pencipta AI, memastikan bahwa ekonomi AI terbuka dan adil.
2. Inklusivitas: Kripto memungkinkan partisipasi tanpa perlu izin, merusak berbagai kendala yang diberlakukan oleh perusahaan AI tertutup dan terpusat yang mendominasi pasar saat ini. Hal ini memungkinkan AI mencapai keterbukaan dan kebebasan yang sesungguhnya.
3. Transparansi: Kripto dapat membuat AI sepenuhnya open-source dengan memanfaatkan teknologi ZKML/OPML untuk menempatkan seluruh proses pelatihan dan inferensi LLMs on-chain, memastikan keterbukaan dan tanpa izin dari AI.
4. Kepemilikan data: Dengan mengaktifkan transaksi on-chain untuk menetapkan kepemilikan data bagi akun (pengguna), sehingga memungkinkan pengguna benar-benar memiliki data AI mereka. Hal ini sangat bermanfaat di lapisan aplikasi, membantu pengguna secara efektif mengamankan hak-hak data AI mereka.
5. Pengurangan biaya: Dengan memberikan insentif berupa token, nilai masa depan daya komputasi dapat diuangkan, yang secara signifikan mengurangi biaya saat ini dari GPU. Pendekatan ini sangat mengurangi biaya AI pada tingkat komputasi.

Bagian III: Menjelajahi Pemandangan Kripto+AI

Menerapkan keuntungan Kripto ke berbagai kategori dalam lanskap AI menciptakan perspektif baru dari lanskap AI melalui lensa Kripto.

LLM Layer

1. GPU DePIN

Kami terus menguraikan blueprint AI+Kripto berdasarkan Lanskap AI. Dimulai dengan LLMs dan dimulai pada level foundational dengan GPU, narasi yang sudah lama ada di Kripto adalah Pengurangan Biaya.

Melalui insentif blockchain, kita dapat mengurangi biaya secara signifikan dengan memberikan imbalan kepada penyedia GPU. Narasi ini saat ini dikenal sebagai GPU DePIN. Sementara GPU digunakan tidak hanya dalam AI tetapi juga dalam gaming, AR, dan skenario lainnya, lintasan GPU DePIN umumnya mencakup area-area ini.

Mereka yang berfokus pada jalur AI termasuk Aethirdanjaringan Aioz, sementara yang didedikasikan untuk rendering visual termasuk io.net, jaringan render, dan yang lainnya.

2. Komputasi Terdesentralisasi

Komputasi terdesentralisasi adalah narasi yang telah ada sejak awal blockchain dan telah berkembang secara signifikan dari waktu ke waktu. Namun, karena kompleksitas tugas komputasi (dibandingkan dengan penyimpanan terdesentralisasi), seringkali memerlukan pembatasan skenario komputasi.

AI, sebagai skenario komputasi terbaru, secara alami telah menimbulkan serangkaian proyek komputasi terdesentralisasi. Dibandingkan dengan GPU DePIN, platform komputasi terdesentralisasi ini tidak hanya menawarkan pengurangan biaya tetapi juga melayani skenario komputasi yang lebih spesifik: Pelatihan dan Inferensi. Mereka mengatur jaringan di seluruh wilayah untuk secara signifikan meningkatkan skalabilitas.

Skala dan efisiensi biaya oleh gensyn.ai

Sebagai contoh, platform yang berfokus pada Pelatihan termasuk Arena AI, Gensyn, DIN, dan Flock.iomereka yang fokus pada Inferensi mencakup Jadi, Ritual, dan Justu.ai; dan mereka yang menangani kedua aspek tersebut termasuk Bittensor, 0G, Sentient, Akash, Phala, AnkrdanOasis.

3. Verifikasi

Verifikasi adalah kategori unik dalam Kripto+AI, terutama karena itu memastikan bahwa seluruh proses komputasi AI, baik Pelatihan maupun Inferensi, dapat diverifikasi di rantai.

Hal ini sangat penting untuk mempertahankan desentralisasi dan transparansi proses secara keseluruhan. Selain itu, teknologi seperti ZKML juga melindungi privasi dan keamanan data, memungkinkan pengguna memiliki 100% kepemilikan atas data pribadi mereka.

Bergantung pada algoritma dan proses verifikasi, ini dapat dibagi menjadi ZKML dan OPML. ZKML menggunakan teknologi zero-knowledge (ZK) untuk mengonversi Pelatihan/Inferensi AI menjadi rangkaian ZK, sehingga prosesnya dapat diverifikasi di rantai, seperti yang terlihat dengan platform-platform seperti EZKL, Modulus Labs, RingkasdanGizaDi sisi lain, OPML menggunakan orakel di luar rantai untuk mengirimkan bukti ke blockchain, seperti yang ditunjukkan oleh NowdanSpektral.

4. Model Dasar Kripto

Tidak seperti LLM umum seperti ChatGPT atau Claude, Model Dasar Kripto dilatih ulang dengan data kripto yang luas, memberikan model dasar ini dengan basis pengetahuan khusus dalam cryptocurrency.

Model dasar ini dapat memberikan kemampuan AI yang kuat untuk aplikasi kripto asli seperti DeFi, NFT, dan GamingFi. Saat ini, contoh dari model dasar tersebut termasuk KolamdanChainbase.

5. Data

Data adalah komponen penting dalam bidang Kecerdasan Buatan. Dalam Pelatihan Kecerdasan Buatan, kumpulan data memainkan peran penting, dan selama Inferensi, jumlah besar prompt dan basis pengetahuan dari pengguna juga menuntut penyimpanan yang substansial.

Pendekatan desentralisasi penyimpanan data tidak hanya mengurangi biaya penyimpanan secara signifikan tetapi, yang lebih penting, memastikan jejak dan hak kepemilikan data.

Solusi penyimpanan terdesentralisasi tradisional seperti Filecoin, Arweave, dan Storjdapat menyimpan volume data AI besar dengan biaya sangat rendah.

Sementara itu, solusi penyimpanan data khusus AI yang lebih baru dioptimalkan untuk karakteristik unik data AI. Sebagai contoh, Ruang dan WaktudanOpenDBmengoptimalkan pra-pemrosesan data dan kueri, sambil Time, Rumput, Nuklai, dan Protokol KIPberfokus pada memonetisasi data AI.Jaringan Bagelberkonsentrasi pada privasi data pengguna.

Solusi-solusi ini memanfaatkan keunggulan unik Kripto untuk berinovasi di bidang manajemen data dalam ranah AI yang sebelumnya kurang mendapat perhatian.

Lapisan Aplikasi

1. Pembuat

Di lapisan aplikasi Crypto+AI, aplikasi pencipta sangat mencolok. Mengingat kapabilitas inheren Crypto untuk monetisasi, memberikan insentif kepada Pencipta AI secara alami mengikuti.

Bagi Para Pembuat AI, fokusnya terbagi antara pengguna kode rendah/tidak ada dan pengembang. Pengguna kode rendah/tidak ada, seperti pembuat bot, menggunakan platform-platform ini untuk membuat bot dan memonetisasi mereka melalui token/NFT. Mereka dapat dengan cepat mengumpulkan dana melalui ICO atau NFT Mint, dan kemudian memberi imbalan kepada pemegang token jangka panjang melalui kepemilikan bersama, seperti pembagian pendapatan. Hal ini membuka sepenuhnya produk AI mereka melalui kepemilikan bersama komunitas, sehingga melengkapiSiklus Ekonomi AI[6].

Selain itu, sebagai platform pencipta Kripto AI, mereka mengatasi tantangan pendanaan awal hingga menengah dan laba jangka panjang bagi para pencipta AI. Hal ini dilakukan dengan memanfaatkan keuntungan unik dari tokenisasi yang melekat dalam Kripto, dan menawarkan layanan dengan sebagian kecil dari tarif pengambilankhas dari Web2—menunjukkan manfaat biaya operasional 0 yang dibawa oleh desentralisasi Kripto[7].

Di sektor ini, platform-platform seperti MagnetAI, Olas, Myshell, Fetch.ai, Protokol Virtual, dan Spektralmelayani pengguna low/no-code dengan menyediakan platform pembuat agen. Bagi pengembang model AI,MagnetAIdanNowmenawarkan platform pengembang model. Selain itu, untuk kategori lain seperti pencipta AI+Social, ada platform seperti Protokol CeritadanPenawaranPembuatyang khusus disesuaikan dengan kebutuhan mereka, sementara SaharaAIberfokus pada memonetisasi basis pengetahuan.

2. Konsumen

Konsumen merujuk pada penggunaan AI untuk langsung melayani pengguna kripto. Saat ini, ada lebih sedikit proyek dalam jalur ini, tetapi yang ada tidak dapat digantikan dan unik, seperti WorldcoindanChainGPT.

3. Standar

Standar merupakan jalur yang khas dalam Kripto, yang ditandai dengan pengembangan blockchain independen, protokol, atau perbaikan untuk menciptakan blockchain AI dApp, atau dengan memungkinkan infrastruktur yang ada, seperti Ethereum, untuk mendukung aplikasi AI.

Standar ini memungkinkan AI dApps untuk mewujudkan keunggulan Kripto seperti transparansi dan desentralisasi, memberikan dukungan mendasar bagi produk pencipta dan konsumen.

Contohnya termasuk Now, yang memperluas ERC-20 untuk menawarkan pembagian pendapatan, dan 7007.ai, yang memperluas ERC-721 untuk membuat token aset inferensi model. Selain itu, platform-platform seperti Talus, Theoriq, Alethea, dan Morpheussedang menciptakan VM on-chain untuk menyediakan lingkungan eksekusi bagi AI Agents, sementara Sentientmenawarkan standar komprehensif untuk AI dApps.

4. Ekonomi AI

Ekonomi AI adalah inovasi penting dalam domain Kripto+AI, yang menekankan penggunaan tokenisasi, moneterisasi, dan insentivasi Kripto untuk mendemokrasikan AI.

Siklus Ekonomi AI oleh MagnetAI

Ini menyoroti ekonomi berbagi kecerdasan buatan, kepemilikan bersama komunitas, dan berbagi hak kepemilikan. Inovasi-inovasi ini secara substansial mendorong kemakmuran dan pengembangan AI lebih lanjut.

Di antaranya, TheoriqdanFetch.aiberfokus pada monetisasi agen;Waves menekankan tokenisasi; Jaringan Pikiranmenawarkan manfaat restaking; dan MagnetAImengintegrasikan tokenisasi, monetisasi, dan insentivasi ke dalam platform yang padu.

Bagian Terakhir: Kesimpulan

AI dan Kripto adalah mitra alami. Kripto membantu membuat AI lebih terbuka, transparan, dan tidak tergantikan dalam mendukung kemakmuran lebih lanjut.

AI, pada gilirannya, memperluas batas-batas Kripto, menarik lebih banyak pengguna dan perhatian. Sebagai narasi universal untuk seluruh umat manusia, AI juga memperkenalkan narasi adopsi massal ke dunia Kripto yang belum pernah terjadi sebelumnya.

Penafian：

1. Artikel ini dicetak ulang dari [ MagnetAI]. Semua hak cipta milik penulis asli [MagnetAI]. Jika ada keberatan terhadap cetak ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penolakan Tanggung Jawab Kewajiban: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan saran investasi.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.