เมื่อ Jen-Hsun Huang พูดที่ WGS ในดูไบเขาเสนอคําว่า "sovereign AI" ดังนั้น AI อธิปไตยใดที่สามารถตอบสนองความสนใจและความต้องการของชุมชน Crypto ได้? บางทีมันอาจจะต้องสร้างขึ้นในรูปแบบของ Web3 + AI Vitalik อธิบายการทํางานร่วมกันระหว่าง AI และ Crypto ในบทความ "สัญญาและความท้าทายของแอปพลิเคชัน crypto + AI": การกระจายอํานาจของ Crypto สามารถสร้างสมดุลระหว่างการรวมศูนย์ของ AI AI มีความทึบแสงและ Crypto นํามาซึ่งความโปร่งใส AI ต้องการข้อมูลและ Blockchain อํานวยความสะดวกในการจัดเก็บและติดตามข้อมูล การทํางานร่วมกันแบบนี้ทํางานผ่านภูมิทัศน์อุตสาหกรรมทั้งหมดของ Web3+AI

โครงการ Web3 + AI ของส่วนใหญ่ใช้เทคโนโลยีบล็อกเชนเพื่อแก้ไขปัญหาในโครงการพื้นฐานในอุตสาหกรรม AI และมีโครงการบางส่วนที่ใช้ AI เพื่อแก้ไขปัญหาบางประการในแอปพลิเคชัน Web3 ภูมิทัศน์ของอุตสาหกรรม Web3 + AI สามารถบรรยายโดยรวมได้ดังนี้:

การผลิตและการทำงานของ AI โดยประมาณคือดังนี้:

ในลิงก์เหล่านี้ การผสมผสานระหว่าง Web3 และ AI มีการแสดงอยู่ในสี่ด้านหลัก:：

1. ชั้นความสามารถในการคำนวณ: การทำให้เป็นโทเคนของความสามารถในการคำนวณ

ในช่วงสองปีที่ผ่านมาพลังการประมวลผลที่ใช้ในการฝึกโมเดล AI ขนาดใหญ่ได้เพิ่มขึ้นอย่างทวีคูณเพิ่มขึ้นเป็นสองเท่าในทุกไตรมาสและเติบโตในอัตราที่สูงกว่ากฎของมัวร์ สถานการณ์นี้นําไปสู่ความไม่สมดุลในระยะยาวในอุปสงค์และอุปทานของพลังการประมวลผล AI และราคาของฮาร์ดแวร์เช่น GPU ได้เพิ่มขึ้นอย่างรวดเร็วจึงเพิ่มต้นทุนของพลังการประมวลผล แต่ในขณะเดียวกันก็มีฮาร์ดแวร์พลังงานการประมวลผลระดับกลางถึงระดับล่างที่ไม่ได้ใช้งานจํานวนมากในตลาด อาจเป็นไปได้ว่าพลังการประมวลผลเดียวของส่วนนี้ของฮาร์ดแวร์ระดับกลางถึงระดับล่างไม่สามารถตอบสนองความต้องการประสิทธิภาพสูงได้

อย่างไรก็ตาม หากมีเครือข่ายพลังงานคำนวณแบบกระจายที่สร้างขึ้นผ่าน Web3 และสร้างเครือข่ายทรัพยากรคำนวณแบบกระจายผ่านการเช่าและแบ่งปันพลังงานคำนวณ ก็ยังสามารถตอบสนองความต้องการของแอปพลิเคชัน AI ได้อย่างไดี ด้วยการใช้พลังงานคำนวณว่างเปล่าที่กระจาย ค่าใช้จ่ายของพลังงานคำนวณ AI สามารถลดลงอย่างมีนัย การแยกชั้นของพลังงานคำนวณประกอบด้วย:

• General การคำนวณพลวัตกระจาย (เช่น Arkash, Io.net, เป็นต้น);
• การคำนวณพลังงานแบบกระจายสำหรับการฝึก AI (เช่น Gensyn, Flock.io, ฯลฯ);
• Decentralized computing power for AI reasoning (such as Fetch.ai, Hyperbolic, etc.);
• การคำนวณพลังงานแบบกระจายสำหรับการเรนเดอร์ 3 มิติ (เช่นเครือข่ายเรนเดอร์ เป็นต้น)

ความได้เปรียบหลักของการทำทรานด์คอมพิวเตอร์ของ Web3+AI ตั้งอยู่ในโครงการทำทรานด์คอมพิวเตอร์แบบกระจาย ร่วมกับสิทธิ์และสิทธิพิเศษของโทเค็น การขยายขนาดเครือข่ายได้ง่ายและมีต้นทุนทรัพยากรคอมพิวเตอร์ต่ำและมีคุณภาพสูงซึ่งสามารถทำให้การใช้ทรัพยากรคอมพิวเตอร์ระดับกลางถึงต่ำเป็นไปได้

2. ชั้นข้อมูล: การทุนข้อมูล

ข้อมูลคือน้ํามันและเลือดของ AI โดยไม่ต้องพึ่งพา Web3 มีเพียง บริษัท ยักษ์ใหญ่เท่านั้นที่สามารถเข้าถึงข้อมูลผู้ใช้จํานวนมากทําให้สตาร์ทอัพขนาดเล็กได้รับข้อมูลที่กว้างขวางได้ยาก ยิ่งไปกว่านั้นคุณค่าของข้อมูลผู้ใช้ในอุตสาหกรรม AI มักจะไม่ไหลกลับไปยังผู้ใช้เอง ผ่าน Web3 + AI การรวบรวมข้อมูลคําอธิบายประกอบและกระบวนการจัดเก็บข้อมูลแบบกระจายสามารถทําให้คุ้มค่าโปร่งใสและเป็นประโยชน์ต่อผู้ใช้มากขึ้น การรวบรวมข้อมูลคุณภาพสูงเป็นข้อกําหนดเบื้องต้นสําหรับการฝึกอบรมโมเดล AI ด้วย Web3 เครือข่ายแบบกระจายสามารถใช้ประโยชน์พร้อมกับกลไกจูงใจโทเค็นที่เหมาะสมเพื่อรวบรวมข้อมูลที่รวบรวมด้วยต้นทุนที่ต่ํากว่าในขณะที่ได้รับข้อมูลที่มีคุณภาพสูงและแพร่หลาย ขึ้นอยู่กับวัตถุประสงค์ของโครงการโครงการที่เกี่ยวข้องกับข้อมูลส่วนใหญ่อยู่ในหมวดหมู่ต่อไปนี้:

• โครงการเก็บข้อมูล (เช่น Grass, ฯลฯ);
• โครงการการซื้อขายข้อมูล (เช่น Ocean Protocol ฯลฯ);
• โครงการป้ายชี้ข้อมูล (เช่น Taida, Alaya, ฯลฯ)
• โครงการที่มีแหล่งข้อมูลบล็อกเชน (เช่น Spice AI, Space and time, ฯลฯ);
• โครงการเก็บข้อมูลแบบกระจาย (เช่น Filecoin, Arweave, เป็นต้น)

โครงการ Web3+AI ที่ใช้ข้อมูลเป็นพื้นฐานยากกว่าในกระบวนการออกแบบโมเดลเศรษฐศาสตร์โทเค็น เนื่องจากข้อมูลยากต่อการมาตรฐานกว่าพลังการคำนวณ

3. ชั้น Platform: การทำให้เป็นโทเค็นของทรัพย์สินมูลค่าของแพลตฟอร์ม

โครงการแพลตฟอร์มส่วนใหญ่มีแนวโน้มที่จะเปรียบเทียบกับ Hugging Face โดยมีการรวมทรัพยากรอุตสาหกรรม AI ต่างๆเป็นแกนหลัก การสร้างแพลตฟอร์มที่รวบรวมการเชื่อมโยงระหว่างข้อมูลพลังการประมวลผลแบบจําลองนักพัฒนา AI บล็อกเชนและทรัพยากรและบทบาทอื่น ๆ โดยมีแพลตฟอร์มเป็นศูนย์กลางอํานวยความสะดวกในการแก้ปัญหาความต้องการต่างๆได้สะดวกยิ่งขึ้น ตัวอย่างเช่น Giza มุ่งเน้นไปที่การสร้างแพลตฟอร์มการดําเนินงาน zkML ที่ครอบคลุมโดยมีเป้าหมายเพื่อให้การอนุมานของการเรียนรู้ของเครื่องเชื่อถือได้และโปร่งใส ความทึบของข้อมูลและแบบจําลองเป็นปัญหาที่แพร่หลายใน AI ในปัจจุบันและเป็นเพียงเรื่องของเวลาก่อนที่อุตสาหกรรมจะเรียกร้องให้มีการตรวจสอบการอนุมานแบบจําลองผ่าน Web3 โดยใช้เทคโนโลยีการเข้ารหัสเช่น ZK และ FHE เพื่อให้แน่ใจว่าการดําเนินการถูกต้อง นอกจากนี้ยังมีเลเยอร์เช่น Focus AI เช่น Nuroblocks และ Janction ซึ่งเชื่อมต่อพลังการประมวลผลข้อมูลโมเดลนักพัฒนา AI และทรัพยากรโหนดต่างๆ ด้วยการบรรจุส่วนประกอบสากลและ SDK ช่วยให้แอปพลิเคชัน Web3 + AI บรรลุการพัฒนาอย่างรวดเร็ว นอกจากนี้ยังมีประเภทแพลตฟอร์มเช่น Agent Network ซึ่งสามารถสร้าง AI Agents สําหรับสถานการณ์แอปพลิเคชันต่างๆเช่น Olas และ ChainML โครงการ Web3 + AI ที่ใช้แพลตฟอร์มเป็นหลักจับมูลค่าแพลตฟอร์มผ่านโทเค็นจูงใจผู้เข้าร่วมทั้งหมดในการก่อสร้างแพลตฟอร์ม วิธีการนี้มีประโยชน์อย่างยิ่งสําหรับสตาร์ทอัพที่จะเติบโตจาก 0 เป็น 1 ลดความยากลําบากในการค้นหาพันธมิตรเช่นพลังการประมวลผลข้อมูลชุมชนนักพัฒนา AI และโหนด

4. ชั้นแอพลิเคชัน: การทำให้เป็นโทเค็นของสินทรัพย์มูลค่า AI

โครงการโครงสร้างพื้นฐานก่อนหน้านี้ส่วนใหญ่มุ่งเน้นไปที่การใช้เทคโนโลยีบล็อกเชนเพื่อจัดการกับการก่อสร้างโครงการโครงสร้างพื้นฐานในอุตสาหกรรม AI ในทางกลับกันโครงการเลเยอร์แอปพลิเคชันส่วนใหญ่ใช้ AI เพื่อแก้ปัญหาที่มีอยู่ในแอปพลิเคชัน Web3 ตัวอย่างเช่น Vitalik กล่าวถึงสองทิศทางในบทความที่ฉันพบว่ามีความหมาย ประการแรก AI ในฐานะผู้เข้าร่วมใน Web3 ตัวอย่างเช่นใน Web3 Games AI สามารถทําหน้าที่เป็นผู้เล่นเข้าใจกฎของเกมได้อย่างรวดเร็วและทํางานเกมให้สําเร็จอย่างมีประสิทธิภาพ ใน DEX AI มีส่วนร่วมในการซื้อขายเก็งกําไรมาหลายปีแล้ว ในตลาดการคาดการณ์ตัวแทน AI สามารถวิเคราะห์ความสามารถในการคาดการณ์โดยการยอมรับข้อมูลฐานความรู้และข้อมูลจํานวนมหาศาลอย่างกว้างขวาง จากนั้นพวกเขาจะถูกผลิตและเสนอให้กับผู้ใช้ สิ่งนี้ช่วยให้ผู้ใช้คาดการณ์เกี่ยวกับเหตุการณ์เฉพาะเช่นการแข่งขันกีฬาหรือการเลือกตั้งประธานาธิบดีผ่านการอนุมานแบบจําลอง ประการที่สองการสร้าง AI ส่วนตัวแบบกระจายอํานาจที่ปรับขนาดได้ ผู้ใช้หลายคนกังวลเกี่ยวกับปัญหากล่องดําและอคติที่อาจเกิดขึ้นในระบบ AI หรือกลัวว่า dApps บางตัวอาจใช้ประโยชน์จากเทคโนโลยี AI เพื่อหลอกลวงผู้ใช้เพื่อผลกําไร โดยพื้นฐานแล้วสิ่งนี้เกิดจากผู้ใช้ขาดอํานาจการกํากับดูแลและการกํากับดูแลเกี่ยวกับการฝึกอบรมแบบจําลอง AI และกระบวนการอนุมาน อย่างไรก็ตาม การสร้าง Web3 AI ที่ชุมชนได้กระจายสิทธิ์การกํากับดูแลผ่าน AI ซึ่งคล้ายกับโครงการ Web3 อาจได้รับการยอมรับมากกว่า ณ ตอนนี้ยังไม่มีโครงการที่โดดเด่นในเลเยอร์แอปพลิเคชัน Web3 + AI ที่ยากต่อการก้าวข้าม

สรุป

Web3 + AI ยังอยู่ในช่วงเริ่มแรก และวงการมีความแตกแยกเกี่ยวกับโอกาสในการพัฒนาในสาขานี้ เราจะสังเกตความก้าวหน้าในสาขานี้ต่อไป เราหวังว่าการผสมผสานระหว่าง Web3 และ AI สามารถสร้างผลิตภัณฑ์ที่มีค่ามากกว่า AI ในรูปแบบที่มีการควบคุมโดยศูนย์กลาง โดยให้ AI ได้รับการกำจัดป้ายกำกับ “การควบคุมโดยยักษ์” และ “การครอบครอง” และ “การสร้างนโยบายร่วมกัน AI” ในลักษณะที่มีพื้นฐานของชุมชนมากขึ้น บางทีในกระบวนการการมีส่วนร่วมและการปกครองอย่างใกล้ชิด มนุษย์จะมีความ “นับถือ” มากขึ้น และน้อยลงในการ “กลัว” ของ AI

คำอธิบาย:

1. บทความนี้ชื่อเรื่องต้นฉบับว่า “Web3 + AI: ปัญหาความเป็นเจ้าของในชุมชนของปัญญาประดิษฐ์” ที่ถูกคัดลอกมาจาก [ IOBC Capital]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [0xCousin]. If you have any objection to the reprint, please contact the Gate Learnทีม ทีมจะดำเนินการให้เร็วที่สุด

2. คำประกาศ: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงมุมมองส่วนบุคคลของผู้เขียนเท่านั้น และไม่เป็นที่ปรึกษาด้านการลงทุนใด ๆ

3. การแปลบทความเป็นภาษาอื่น ๆ โดยทีม Gate Learn ถูกดำเนินการ นอกจากนี้ถ้าไม่ได้กล่าวไว้ การคัดลอก การแจกจ่าย หรือการลอกเลียนบทความที่ถูกแปลนั้นถูกห้าม