Інтеграція Web3 та ШІ: побудова інфраструктури наступного покоління Інтернету

Web3 як нова інтернет-парадигма має децентралізовані, відкриті та прозорі характеристики, що створює природні можливості для інтеграції з AI. У традиційній централізованій архітектурі обчислювальні та дані ресурси AI підлягають суворим обмеженням, стикаючись з багатьма викликами, такими як обмеження обчислювальної потужності, витік конфіденційності та алгоритми «чорної скриньки». Web3 на основі розподілених технологій, через мережі спільної обчислювальної потужності, відкриті ринки даних та обчислення з приватності, забезпечує нові можливості для розвитку AI. Водночас AI також може принести багато покращень для Web3, таких як оптимізація смарт-контрактів та алгоритми протидії шахрайству, сприяючи розвитку його екосистеми. Тому дослідження поєднання Web3 та AI є надзвичайно важливим для побудови інфраструктури майбутнього інтернету, вивільнення цінності даних та обчислювальної потужності.

Дані на основі: AI та Web3

Дані є основним двигуном розвитку ШІ. Моделі ШІ потребують перетворення величезних обсягів високоякісних даних, щоб отримати глибоке розуміння та потужні здібності до міркування. Дані не лише надають навчальну основу для моделей машинного навчання, але й визначають точність та надійність моделей.

Традиційні централізовані моделі збору та використання даних AI мають такі проблеми:

• Вартість отримання даних є високою, і малим та середнім підприємствам важко це витримати
• Ресурси даних монополізуються великими технологічними компаніями, утворюючи острови даних
• Особисті дані піддаються ризику витоку та зловживання.

Web3 пропонує нову децентралізовану парадигму даних для вирішення цих проблем:

• Користувачі можуть продавати невикористані мережеві ресурси компаніям ШІ для централізованого збору мережевих даних, які після очищення і перетворення надають реальні, високоякісні дані для навчання моделей ШІ.
• Використання моделі "label to earn", яка заохочує глобальних працівників брати участь у розмітці даних за допомогою токенів, об'єднуючи світовий професійний досвід та посилюючи можливості аналізу даних.
• Платформа торгівлі даними на основі блокчейн забезпечує відкриту і прозору торгову середу для обох сторін попиту та пропозиції даних, сприяючи інноваціям та обміну даними.

Незважаючи на це, отримання даних з реального світу все ще стикається з проблемами різної якості, складності обробки, недостатньої різноманітності та репрезентативності. Синтетичні дані можуть стати зіркою майбутнього в галузі даних Web3. На основі технологій генеративного ШІ та моделювання синтетичні дані можуть імітувати властивості реальних даних, слугуючи ефективним доповненням для підвищення ефективності використання даних. У таких сферах, як автономне водіння, торгівля на фінансових ринках та розробка ігор, синтетичні дані вже продемонстрували зрілі потенційні застосування.

Захист конфіденційності: застосування FHE у Web3

У епоху, керовану даними, захист конфіденційності став глобальною темою. Впровадження таких нормативних актів, як Загальний регламент захисту даних ЄС (GDPR), відображає суворий захист особистої конфіденційності. Однак це також приносить виклики: частина чутливих даних не може бути належним чином використана через ризики конфіденційності, що обмежує потенціал і здатність до міркування AI-моделей.

FHE (гомоморфне шифрування) дозволяє виконувати обчислення безпосередньо на зашифрованих даних, не розкриваючи їх, щоб отримати такі ж результати, як і при обчисленнях з відкритими даними. FHE забезпечує надійний захист для приватних обчислень AI, що дозволяє потужностям GPU виконувати навчання моделей та інференцію в середовищі, яке не контактує з оригінальними даними. Це приносить величезну перевагу компаніям AI, дозволяючи безпечно відкривати API-сервіси, захищаючи комерційну таємницю.

FHEML підтримує шифрування даних та моделей протягом усього циклу машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризику витоку даних. Завдяки цьому FHEML зміцнює конфіденційність даних і надає безпечну обчислювальну структуру для AI-додатків.

FHEML є доповненням до ZKML. ZKML підтверджує правильність виконання машинного навчання, тоді як FHEML зосереджується на обчисленнях з зашифрованими даними для підтримки конфіденційності даних.

Революція обчислювальної потужності: AI-обчислення у децентралізованих мережах

Сучасна система штучного інтелекту має складність обчислень, яка подвоюється кожні 3 місяці, що призводить до різкого зростання потреби в обчислювальних потужностях, що значно перевищує постачання існуючих обчислювальних ресурсів. Наприклад, для навчання моделі GPT-3 від OpenAI потрібні величезні обчислювальні потужності, що еквівалентно 355 рокам навчання на одному пристрої. Цей дефіцит обчислювальних потужностей не лише обмежує прогрес технологій штучного інтелекту, але й робить передові моделі штучного інтелекту недоступними для більшості дослідників та розробників.

Одночасно світова завантаженість GPU становить менше 40%, а також уповільнення підвищення продуктивності мікропроцесорів та нестача чіпів, спричинена факторами постачання та геополітики, ще більше ускладнює проблему постачання обчислювальної потужності. Працівники в сфері штучного інтелекту стикаються з труднощами: або купують апаратне забезпечення, або орендують хмарні ресурси, і їм терміново потрібен економічний і ефективний спосіб надання обчислювальних послуг за запитом.

Деяка децентралізована мережа обчислювальної потужності на основі штучного інтелекту об'єднує глобальні вільні ресурси GPU, щоб надати AI-компаніям економічно зручний ринок обчислювальної потужності. Сторона, що потребує, може розміщувати обчислювальні завдання в мережі, смарт-контракт розподіляє завдання між майнінговими вузлами, які вносять обчислювальну потужність, майнери виконують завдання та подають результати, які після перевірки отримують винагороду. Така схема підвищує ефективність використання ресурсів і допомагає вирішити проблему дефіциту обчислювальної потужності в таких сферах, як штучний інтелект.

Окрім загальної децентралізованої обчислювальної мережі, існують також спеціалізовані обчислювальні мережі, що зосереджені на навчанні та інференції ІІ. Ці децентралізовані обчислювальні мережі забезпечують справедливий і прозорий ринок обчислювальної потужності, руйнуючи монополії, знижуючи бар'єри для застосування та підвищуючи ефективність використання обчислювальної потужності. У екосистемі Web3 децентралізовані обчислювальні мережі відіграватимуть ключову роль, залучаючи більше інноваційних децентралізованих застосунків для спільного сприяння розвитку та застосуванню ІІ технологій.

DePIN: Web3 надає можливості Edge AI

Edge AI дозволяє обробляти дані на місці їх виникнення, забезпечуючи низьку затримку та реальний час обробки, при цьому захищаючи конфіденційність користувачів. Технології Edge AI вже застосовуються в ключових сферах, таких як автономне водіння.

У сфері Web3 DePIN (децентралізована мережа фізичної інфраструктури) схожий на концепцію Edge AI. Web3 підкреслює децентралізацію та суверенітет користувачів над даними, а DePIN, обробляючи дані локально, підвищує захист конфіденційності користувачів та зменшує ризик витоку даних. Вроджена економічна механіка токенів Web3 може стимулювати вузли DePIN надання обчислювальних ресурсів для створення стійкої екосистеми.

Наразі DePIN швидко розвивається в екосистемі певного публічного блокчейну, стаючи однією з головних платформ для розгортання проектів. Висока швидкість обробки транзакцій, низькі комісії за транзакції та технологічні інновації цього публічного блокчейну забезпечують потужну підтримку для проектів DePIN. Наразі ринкова вартість проектів DePIN на цьому публічному блокчейні перевищує 10 мільярдів доларів США, багато відомих проектів досягли значних успіхів.

IMO: Нові парадигми випуску AI моделей

Концепція IMO (початкове випуск моделі) була вперше запропонована певним протоколом, що дозволяє токенізувати AI моделі.

У традиційній моделі розробники AI-моделей важко отримують постійний дохід від подальшого використання моделей, особливо коли моделі інтегруються в інші продукти та послуги. Одночасно продуктивність і ефективність AI-моделей часто не є прозорими, що ускладнює потенційним інвесторам і користувачам оцінку їхньої справжньої вартості, обмежуючи ринкове визнання та комерційний потенціал моделей.

IMO надає нову фінансову підтримку та спосіб розподілу вартості для відкритих AI моделей. Інвестори можуть купувати токени IMO, щоб ділитися прибутком, отриманим від моделей у майбутньому. Певний протокол використовує специфічні технологічні стандарти, поєднуючи AI оракули та технології машинного навчання на блокчейні, щоб забезпечити достовірність AI моделей та можливість отримувати прибуток для тримачів токенів.

Модель IMO підвищує прозорість і довіру, заохочує відкриту співпрацю, адаптується до тенденцій крипторинку та надає імпульс сталому розвитку технологій штучного інтелекту. IMO наразі перебуває на початковій стадії випробувань, але з підвищенням прийнятності на ринку та розширенням участі її інноваційність і потенційна цінність заслуговують на очікування.

AI Агент: нова ера інтерактивного досвіду

AI Agent може сприймати середовище, здійснювати незалежне мислення та вживати відповідних дій для досягнення визначених цілей. Підтримуваний великими мовними моделями, AI Agent не лише розуміє природну мову, але й може планувати рішення, виконувати складні завдання. Вони можуть діяти як віртуальні помічники, навчаючись уподобанням через взаємодію з користувачами, пропонуючи персоналізовані рішення. Навіть без чітких інструкцій, AI Agent може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.

Деяка платформа для нативних додатків на основі ШІ пропонує повний набір зручних інструментів для створення, що дозволяє користувачам налаштовувати функції, зовнішній вигляд, голос роботів, а також підключати зовнішні бази знань, прагнучи створити справедливу та відкриту екосистему контенту на основі ШІ, використовуючи технології генеративного ШІ для надання можливостей особам стати супер-творцями. Ця платформа навчила спеціальну велику мовну модель, що робить рольову гру більш гуманною; технологія клонування голосу може пришвидшити персоналізовану взаємодію продуктів ШІ, знижуючи вартість синтезу голосу на 99%, а клонування голосу займає лише 1 хвилину. Використовуючи налаштованого AI Agent з цієї платформи, наразі можна застосовувати в різних сферах, таких як відеочат, вивчення мов, генерація зображень тощо.

Актуальне злиття Web3 та AI більше зосереджене на дослідженнях на рівні інфраструктури, включаючи питання отримання якісних даних, захисту конфіденційності даних, розміщення моделей на ланцюгу, підвищення ефективного використання децентралізованих обчислювальних потужностей та перевірки великих мовних моделей. З поступовим вдосконаленням цієї інфраструктури, злиття Web3 та AI обіцяє дати народження низці інноваційних бізнес-моделей та послуг.