Teil eins

Auf den ersten Blick scheinen KI und Web3 eigenständige Technologien zu sein, die jeweils auf grundlegend unterschiedlichen Prinzipien beruhen und unterschiedliche Funktionen erfüllen. Eine genauere Untersuchung zeigt jedoch, dass diese beiden Technologien das Potenzial haben, die Kompromisse des jeweils anderen auszugleichen, wobei sich ihre einzigartigen Stärken gegenseitig ergänzen und verbessern. Balaji Srinivasan hat dieses Konzept der komplementären Fähigkeiten auf der Superai-Konferenz eloquent formuliert und damit einen detaillierten Vergleich der Interaktion dieser Technologien angeregt.

Tokens sind aus einem Bottom-up-Ansatz entstanden, der durch die dezentralen Bemühungen anonymer Netzwerk-Enthusiasten aufgestiegen ist und sich im Laufe eines Jahrzehnts durch die gemeinsamen Anstrengungen zahlreicher unabhängiger Unternehmen weltweit entwickelt hat. Im Gegensatz dazu wurde künstliche Intelligenz durch einen Top-down-Ansatz entwickelt, der von einigen wenigen Technologie-Giganten dominiert wird, die das Tempo und die Dynamik der Branche vorgeben. Die Eintrittsbarrieren in die KI werden eher durch Ressourcenintensität als durch technische Komplexität bestimmt.

Diese beiden Technologien haben auch grundlegend unterschiedliche Natur. Tokens sind deterministische Systeme, die unveränderliche Ergebnisse produzieren, wie zum Beispiel die Vorhersagbarkeit von Hash-Funktionen oder Zero-Knowledge-Beweisen. Dies steht im scharfen Kontrast zur probabilistischen und oft unvorhersehbaren Natur von KI.

Ebenso brilliert die kryptografische Technologie bei der Validierung, um die Authentizität und Sicherheit von Transaktionen zu gewährleisten und vertrauenswürdige Prozesse und Systeme zu etablieren, während sich die künstliche Intelligenz auf die Generierung und Erstellung von reichhaltigem digitalen Inhalt konzentriert. Allerdings stellen die Sicherung der Herkunft von Inhalten und die Verhinderung von Identitätsdiebstahl Herausforderungen bei der Erstellung digitaler Inhalte dar.

Glücklicherweise bieten Tokens einen Gegenpol zur digitalen Fülle - digitale Knappheit. Sie bieten relativ ausgereifte Tools, die auf KI-Technologien angewendet werden können, um die Herkunft von Inhalten sicherzustellen und Identitätsdiebstahlprobleme zu lösen.

Ein bemerkenswerter Vorteil von Tokens besteht in ihrer Fähigkeit, erhebliche Hardware und Kapital in koordinierte Netzwerke zu ziehen, um spezifische Ziele zu erreichen. Diese Fähigkeit ist besonders vorteilhaft für KI, die große Mengen an Rechenleistung verbraucht. Die Mobilisierung unterausgelasteter Ressourcen zur Bereitstellung von kostengünstigerer Rechenleistung kann die Effizienz von KI erheblich verbessern.

Indem wir diese beiden Technologien vergleichen, schätzen wir nicht nur ihre individuellen Beiträge, sondern sehen auch, wie sie gemeinsam neue Wege in Technologie und Wirtschaft ebnen können. Jede Technologie kann die Schwächen der anderen angehen und eine integriertere und innovativere Zukunft schaffen. Dieser Blog-Beitrag zielt darauf ab, die aufkommende AI x Web3-Industrielandschaft zu erkunden und sich auf einige neue Bereiche an der Schnittstelle dieser Technologien zu konzentrieren.

Quelle: iosg Ventures

Teil zwei

2.1 Computing-Netzwerk

• In der Branchenlandschaft werden zunächst Computernetzwerke vorgestellt, die darauf abzielen, das Problem der begrenzten GPU-Versorgung zu lösen und verschiedene Möglichkeiten zur Senkung der Rechenkosten zu erkunden. Zu den bemerkenswerten Aspekten gehören:
• Uneinheitliche GPU-Interoperabilität: Dieser ehrgeizige Versuch birgt hohe technische Risiken und Unsicherheiten, aber wenn er erfolgreich ist, könnte er erhebliche Ausmaße und Auswirkungen haben, indem er alle Computerressourcen austauschbar macht. Die Idee ist, Compiler und andere Voraussetzungen zu entwickeln, die es ermöglichen, jede Hardware-Ressource auf der Angebotsseite zu nutzen, während die Uneinheitlichkeit der Hardware auf der Nachfrageseite abstrahiert wird. Dies würde es ermöglichen, Rechenanfragen an jede Ressource innerhalb des Netzwerks weiterzuleiten und die Abhängigkeit von CUDA-Software zu verringern, die derzeit unter KI-Entwicklern vorherrschend ist. Trotz des potenziellen Nutzens sind viele Experten sehr skeptisch, was die Umsetzbarkeit dieses Ansatzes angeht.
• Hochleistungs-GPU-Aggregation: Dieser Ansatz konzentriert sich auf die Integration der beliebtesten GPUs weltweit in ein verteiltes, erlaubnisloses Netzwerk, ohne Bedenken hinsichtlich Interoperabilitätsproblemen zwischen nicht einheitlichen GPU-Ressourcen.
• Waren Consumer-Grade-GPU-Aggregation: Dabei werden geringer leistungsfähige GPUs in Consumer-Geräten aggregiert, die auf der Angebotsseite zu den am meisten unterausgelasteten Ressourcen gehören. Es richtet sich an diejenigen, die bereit sind, Leistung und Geschwindigkeit für billigere und längere Schulungsprozesse zu opfern.

2.2 Schulung und Inferenz

Computing-Netzwerke werden hauptsächlich für zwei Hauptfunktionen verwendet: Training und Inferenz. Die Nachfrage nach diesen Netzwerken kommt sowohl von Web 2.0- als auch von Web 3.0-Projekten. Im Bereich Web 3.0 nutzen Projekte wie Bittensor Computing-Ressourcen zur Modellfeinabstimmung. Bei der Inferenz legen Web 3.0-Projekte den Schwerpunkt auf die Überprüfbarkeit des Prozesses. Dieser Fokus hat zur Entstehung der verifizierbaren Inferenz als Marktsektor geführt, wobei Projekte untersuchen, wie künstliche Intelligenz in Smart Contracts integriert werden kann, während die Dezentralisierungsprinzipien erhalten bleiben.

2.3 intelligente Agentenplattform

• Als nächstes kommt die intelligente Agentenplattform, die die Kernprobleme skizziert, mit denen Startups in dieser Kategorie umgehen müssen:
• Agenteninteroperabilität und Entdeckungs- und Kommunikationsfähigkeiten: Agenten können sich gegenseitig entdecken und miteinander kommunizieren.
• Fähigkeiten zum Aufbau und zur Verwaltung von Agentenclustern: Agenten können Cluster bilden und andere Agenten verwalten.
• AI-Agenten-Besitz und Markt: Bereitstellung von Besitz und Markt für AI-Agenten.
• Diese Funktionen betonen die Bedeutung von flexiblen und modularen Systemen, die nahtlos in verschiedene Blockchain- und KI-Anwendungen integriert werden können. KI-Agenten haben das Potenzial, zu revolutionieren, wie wir mit dem Internet interagieren, und wir glauben, dass Agenten Infrastruktur nutzen werden, um ihre Operationen zu unterstützen. Wir stellen uns vor, dass KI-Agenten die Infrastruktur auf folgende Weise nutzen werden:
• Zugriff auf Echtzeit-Webdaten mithilfe eines verteilten Crawling-Netzwerks
• Durchführung von zwischenagentischen Zahlungen über DeFi-Kanäle
• Wirtschaftliche Einlagen werden nicht nur zur Bestrafung von Fehlverhalten benötigt, sondern auch zur Verbesserung der Entdeckbarkeit von Agenten (d.h. Verwendung von Einlagen als wirtschaftliche Signale während des Entdeckungsprozesses)
• Verwendung von Konsens, um zu entscheiden, welche Ereignisse zu Strafen führen sollen
• Offene Interoperabilitätsstandards und Agentenframeworks zur Unterstützung des Aufbaus komponierbarer Kollektive
• Vergangenheitsleistung auf der Grundlage einer unveränderlichen Datenhistorie bewerten und geeignete Agentenkollektive in Echtzeit auswählen

Quelle: iosg Ventures

2.4 Datenebene

Bei der Integration von KI und Web3 ist Daten ein Kernbestandteil. Daten sind ein strategischer Vermögenswert im KI-Wettbewerb und stellen neben Rechenressourcen Schlüsselressourcen dar. Diese Kategorie wird jedoch oft übersehen, da die meiste Aufmerksamkeit der Branche auf der Rechenebene liegt. In Wirklichkeit bieten Primitive viele interessante Wertrichtungen im Prozess der Datenbeschaffung, hauptsächlich in den folgenden beiden übergeordneten Richtungen:

Zugriff auf öffentliche Internetdaten

Zugriff auf geschützte Daten

Zugriff auf öffentliche Internetdaten: Diese Richtung zielt darauf ab, ein verteiltes Crawler-Netzwerk aufzubauen, das das gesamte Internet innerhalb weniger Tage durchsuchen kann, um massive Datensätze zu erwerben oder sehr spezifische Internetdaten in Echtzeit abzurufen. Um jedoch große Datensätze im Internet zu durchsuchen, ist die Netzwerknachfrage sehr hoch und es sind mindestens einige hundert Knoten erforderlich, um sinnvolle Arbeit zu leisten. Glücklicherweise verfügt Grass, ein verteiltes Crawler-Knoten-Netzwerk, bereits über mehr als 2 Millionen Knoten, die aktiv Internetbandbreite mit dem Netzwerk teilen und das gesamte Internet durchsuchen wollen. Dies zeigt das große Potenzial wirtschaftlicher Anreize bei der Anziehung wertvoller Ressourcen.

Obwohl Gras eine faire Wettbewerbsumgebung für öffentliche Daten bietet, bleibt die Herausforderung der Nutzung von potenziellen Daten – insbesondere der Zugang zu proprietären Datensätzen – bestehen. Speziell werden immer noch große Datenmengen aufgrund ihrer sensiblen Natur in einer datenschutzgeschützten Weise gespeichert. Viele Start-ups nutzen kryptografische Tools, die es KI-Entwicklern ermöglichen, die grundlegende Datenstruktur proprietärer Datensätze zu nutzen, um große Sprachmodelle aufzubauen und zu optimieren, während sie sensible Informationen privat halten.

Technologien wie Federated Learning, Differential Privacy, vertrauenswürdige Ausführungsumgebungen, vollständig homomorphe Verschlüsselung und Mehrparteienberechnung bieten unterschiedliche Stufen des Datenschutzes und Kompromisse. Die Forschungsarbeit von Bagel fasst einen hervorragenden Überblick über diese Technologien zusammen. Diese Technologien schützen nicht nur den Datenschutz während des maschinellen Lernprozesses, sondern erzielen auch umfassende datenschutzgeschützte KI-Lösungen auf der Computing-Ebene.

2.5 Daten- und Modellquellen

Daten- und Modellherkunftstechnologien zielen darauf ab, Prozesse zu etablieren, die den Benutzern versichern, dass sie mit den beabsichtigten Modellen und Daten interagieren. Darüber hinaus bieten diese Technologien Garantien für Authentizität und Provenienz. Zum Beispiel bettet Watermarking, eine Art Modellherkunftstechnologie, Signaturen direkt in Algorithmen des maschinellen Lernens ein, genauer gesagt in die Modellgewichte, so dass während des Abrufs überprüft werden kann, ob die Inferenz aus dem beabsichtigten Modell stammt.

2.6 Anwendung

In Bezug auf Anwendungen sind die Gestaltungsmöglichkeiten grenzenlos. In der oben genannten Branchenlandschaft haben wir einige besonders erwartete Entwicklungsfälle aufgelistet, in denen KI-Technologie im Bereich Web 3.0 angewendet wird. Da diese Anwendungsfälle größtenteils selbsterklärend sind, werden wir nicht weiter darauf eingehen. Es ist jedoch erwähnenswert, dass die Schnittstelle von KI und Web 3.0 das Potenzial hat, viele Bereiche innerhalb des Feldes neu zu gestalten, da diese neuen Elemente Entwicklern mehr Freiheit bieten, innovative Anwendungsfälle zu erstellen und bestehende zu optimieren.

Teil drei

Zusammenfassung

Die Integration von KI und Web3 bringt eine Landschaft voller Innovation und Potenzial mit sich. Indem wir die einzigartigen Vorteile jeder Technologie nutzen, können wir verschiedene Herausforderungen angehen und neue technologische Wege eröffnen. Während wir diese aufstrebende Branche erkunden, kann die Synergie zwischen KI und Web3 den Fortschritt vorantreiben, unsere zukünftigen digitalen Erfahrungen neu gestalten und die Art und Weise, wie wir online interagieren, verändern.

Die Verschmelzung von digitaler Knappheit und digitaler Überfluss, die Mobilisierung ungenutzter Ressourcen zur Erreichung von Recheneffizienz und die Etablierung sicherer, datenschutzfreundlicher Datenpraktiken werden das Zeitalter der technologischen Evolution der nächsten Generation definieren.

Wir müssen jedoch erkennen, dass diese Branche noch in den Kinderschuhen steckt und die aktuelle Landschaft schnell veraltet sein kann. Das schnelle Tempo der Innovation bedeutet, dass die heutigen modernsten Lösungen bald durch neue Durchbrüche ersetzt werden könnten. Dennoch verdeutlichen die diskutierten grundlegenden Konzepte - wie Rechnernetze, Agentenplattformen und Datenprotokolle - die enormen Möglichkeiten der Integration von KI mit Web3.

Verzichtserklärung:

1. Dieser Artikel stammt aus [ 深潮TechFlow], das Urheberrecht liegt beim Originalautor [ iosg Ventures], wenn Sie Einwände gegen den Nachdruck haben, wenden Sie sich bitte an die Gate lernenTeam, und das Team wird es so schnell wie möglich gemäß den relevanten Verfahren bearbeiten.

2. Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten und Meinungen stellen nur die persönlichen Ansichten des Autors dar und stellen keine Anlageberatung dar.

3. andere Sprachversionen des Artikels werden vom Gate Learn-Team übersetzt und nicht erwähntGate.io, der übersetzte Artikel darf nicht reproduziert, verteilt oder plagiiert werden.