parte um

à primeira vista, a inteligência artificial e a web3 parecem ser tecnologias independentes, cada uma baseada em princípios fundamentalmente diferentes e servindo funções distintas. no entanto, uma exploração mais profunda revela que essas duas tecnologias têm o potencial de equilibrar os compromissos uma da outra, com suas forças únicas complementando e aprimorando uma à outra. balaji srinivasan articulou eloquentemente este conceito de capacidades complementares na conferência superai, desencadeando uma comparação detalhada de como essas tecnologias interagem.

tokens emergiram de uma abordagem ascendente, surgindo dos esforços descentralizados de entusiastas de redes anônimas e evoluindo ao longo de uma década por meio dos esforços colaborativos de várias entidades independentes em todo o mundo. Em contraste, a inteligência artificial foi desenvolvida por meio de uma abordagem descendente, dominada por algumas gigantes da tecnologia que ditam o ritmo e a dinâmica da indústria. As barreiras de entrada na IA são mais determinadas pela intensidade de recursos do que pela complexidade técnica.

estas duas tecnologias também têm naturezas fundamentalmente diferentes. os tokens são sistemas determinísticos que produzem resultados imutáveis, como a previsibilidade das funções de hash ou provas de conhecimento zero. isso contrasta fortemente com a natureza probabilística e muitas vezes imprevisível da inteligência artificial.

Da mesma forma, a tecnologia criptográfica se destaca na validação, garantindo a autenticidade e segurança das transações e estabelecendo processos e sistemas sem confiança, enquanto a IA se concentra na geração, criando conteúdo digital rico. No entanto, garantir a procedência do conteúdo e prevenir roubo de identidade representam desafios na criação de conteúdo digital.

felizmente, os tokens proporcionam um contraponto à abundância digital - escassez digital. eles oferecem ferramentas relativamente maduras que podem ser aplicadas às tecnologias de IA para garantir a proveniência do conteúdo e abordar questões de roubo de identidade.

uma vantagem notável dos tokens é a capacidade de atrair hardware e capital substanciais em redes coordenadas para atender a objetivos específicos. essa capacidade é particularmente benéfica para a inteligência artificial, que consome grandes quantidades de energia computacional. mobilizar recursos subutilizados para fornecer energia computacional mais acessível pode melhorar significativamente a eficiência da IA.

ao compararmos essas duas tecnologias, não só apreciamos suas contribuições individuais, mas também vemos como elas podem juntas pavimentar novos caminhos na tecnologia e na economia. Cada tecnologia pode abordar as deficiências da outra, criando um futuro mais integrado e inovador. Esta postagem no blog tem como objetivo explorar a paisagem da indústria emergente de IA x Web3, focando em algumas novas verticais na interseção dessas tecnologias.

origem: iosg ventures

parte dois

2.1 rede informática

• o panorama da indústria primeiro introduz redes de computação que visam resolver o problema da oferta limitada de gpu e explorar várias formas de reduzir os custos de computação. Aspectos notáveis incluem:
• Interoperabilidade não uniforme das GPU: esta tentativa ambiciosa envolve elevados riscos técnicos e incertezas, mas, se for bem-sucedida, poderá criar uma escala e um impacto significativos, tornando todos os recursos de computação permutáveis. A ideia é desenvolver compiladores e outros pré-requisitos que permitam que qualquer recurso de hardware seja usado do lado da oferta, enquanto abstrai a não uniformidade do hardware do lado da demanda. Isso permitiria que as solicitações de computação fossem roteadas para qualquer recurso dentro da rede, potencialmente reduzindo a dependência do software CUDA, que atualmente é dominante entre os desenvolvedores de IA. Apesar dos potenciais benefícios, muitos especialistas são altamente céticos sobre a viabilidade desta abordagem.
• agregação de GPU de alto desempenho: esta abordagem concentra-se na integração das GPUs mais populares globalmente numa rede distribuída, sem preocupações com problemas de interoperabilidade entre recursos de GPU não uniformes.
• agregação de GPU de consumo de commodities: isso envolve a agregação de GPUs de baixo desempenho disponíveis em dispositivos de consumo, que estão entre os recursos mais subutilizados no lado da oferta. Ele atende àqueles que estão dispostos a sacrificar desempenho e velocidade por processos de treinamento mais baratos e longos.

2.2 Formação e inferência

As redes de computação são usadas principalmente para duas funções principais: treinamento e inferência. A demanda por essas redes vem de projetos Web 2.0 e Web 3.0. No espaço Web 3.0, projetos como o Bittensor utilizam recursos de computação para ajuste fino de modelos. Para inferência, os projetos Web 3.0 enfatizam a verificabilidade do processo. Esse foco levou ao surgimento da inferência verificável como uma vertical de mercado, com projetos explorando como integrar a inferência de IA em contratos inteligentes, mantendo os princípios de descentralização.

2.3 plataforma de agente inteligente

• a seguir está a plataforma de agente inteligente, que descreve os principais problemas que as startups desta categoria precisam abordar:
• Interoperabilidade do agente e recursos de descoberta e comunicação: os agentes podem descobrir e se comunicar uns com os outros.
• capacidades de construção e gestão de cluster de agentes: os agentes podem formar clusters e gerir outros agentes.
• Propriedade e mercado de agentes de IA: fornecendo propriedade e mercado para agentes de IA.
• Esses recursos enfatizam a importância de sistemas flexíveis e modulares que podem ser perfeitamente integrados em várias aplicações de blockchain e IA. Os agentes de IA têm o potencial de revolucionar a forma como interagimos com a Internet, e acreditamos que os agentes utilizarão a infraestrutura para apoiar suas operações. Imaginamos que os agentes de IA dependam da infraestrutura das seguintes maneiras:
• acessando dados da web em tempo real usando uma rede de rastreamento distribuída
• realizar pagamentos entre agentes usando canais defi
• exigindo depósitos econômicos não apenas para penalizar condutas inadequadas, mas também para melhorar a descoberta do agente (ou seja, usando depósitos como sinais econômicos durante o processo de descoberta)
• usar consenso para decidir quais eventos devem levar a redução
• padrões de interoperabilidade abertos e estruturas de agentes para apoiar a construção de coletivos composáveis
• avaliar o desempenho passado com base no histórico de dados imutáveis e selecionar coletivos de agentes adequados em tempo real

origem: iosg ventures

Camada de dados 2.4

na integração da IA e web3, os dados são um componente essencial. Os dados são um ativo estratégico na competição de IA, constituindo recursos-chave juntamente com recursos de computação. No entanto, esta categoria é frequentemente negligenciada, pois a maioria da atenção da indústria está focada na camada de computação. Na realidade, os primitivos fornecem muitas direções de valor interessantes no processo de aquisição de dados, principalmente incluindo as seguintes duas direções de alto nível:

acessando dados públicos na internet

acessar dados protegidos

acessar dados públicos da internet: esta direção tem como objetivo construir uma rede de rastreadores distribuídos que pode rastrear a internet inteira em poucos dias, adquirindo conjuntos de dados maciços ou acessando dados muito específicos da internet em tempo real. no entanto, para rastrear grandes conjuntos de dados na internet, a demanda da rede é muito alta, exigindo pelo menos algumas centenas de nós para começar algum trabalho significativo. felizmente, o grass, uma rede de nós de rastreadores distribuídos, já tem mais de 2 milhões de nós compartilhando ativamente a largura de banda da internet com a rede, com o objetivo de rastrear a internet inteira. isso demonstra o grande potencial de incentivos econômicos para atrair recursos valiosos.

embora a grama forneça um ambiente competitivo justo para os dados públicos, o desafio de utilizar dados potenciais - especificamente, o acesso a conjuntos de dados proprietários - continua. Especificamente, uma grande quantidade de dados ainda é armazenada de maneira protegida por privacidade devido à sua natureza sensível. Muitas startups estão usando ferramentas criptográficas que permitem aos desenvolvedores de IA utilizar a estrutura de dados fundamental de conjuntos de dados proprietários para construir e ajustar modelos de linguagem grandes, mantendo as informações sensíveis em sigilo.

Tecnologias como aprendizagem federada, privacidade diferencial, ambientes de execução confiáveis, criptografia totalmente homomórfica e computação de várias partes fornecem diferentes níveis de proteção de privacidade e compensações. O artigo de pesquisa de Bagel resume uma excelente visão geral dessas tecnologias. Essas tecnologias não apenas protegem a privacidade dos dados durante o processo de aprendizado de máquina, mas também alcançam soluções abrangentes de IA protegidas por privacidade na camada de computação.

2.5 fontes de dados e modelos

As tecnologias de proveniência de dados e modelos têm como objetivo estabelecer processos que garantam aos utilizadores que estão a interagir com os modelos e dados pretendidos. Além disso, estas tecnologias fornecem garantias de autenticidade e proveniência. Por exemplo, a marca de água, um tipo de tecnologia de proveniência de modelos, incorpora assinaturas diretamente nos algoritmos de aprendizagem automática, mais especificamente nos pesos do modelo, para que durante a recuperação seja possível verificar se a inferência tem origem no modelo pretendido.

2.6 aplicação

em termos de aplicações, as possibilidades de design são ilimitadas. no cenário da indústria acima, listamos alguns casos de desenvolvimento particularmente antecipados à medida que a tecnologia ai é aplicada no campo da web 3.0. uma vez que esses casos de uso são em sua maioria autoexplicativos, não faremos mais comentários. no entanto, vale ressaltar que a interseção entre a inteligência artificial e a web 3.0 tem o potencial de remodelar muitos setores dentro do campo, uma vez que esses novos elementos oferecem aos desenvolvedores mais liberdade para criar casos de uso inovadores e otimizar os existentes.

parte três

resumo

a integração da ai e do web3 traz uma paisagem cheia de inovação e potencial. ao aproveitar as vantagens únicas de cada tecnologia, podemos enfrentar vários desafios e abrir novos caminhos tecnológicos. à medida que exploramos esta indústria emergente, a sinergia entre ai e web3 pode impulsionar o progresso, remodelar nossas futuras experiências digitais e transformar a forma como interagimos online.

a fusão da escassez digital e da abundância digital, a mobilização de recursos subutilizados para alcançar eficiência computacional e o estabelecimento de práticas de dados seguras e de proteção da privacidade definirão a era da evolução tecnológica da próxima geração.

no entanto, devemos reconhecer que esta indústria ainda está nos seus primórdios e o panorama atual pode rapidamente tornar-se obsoleto. o ritmo rápido da inovação significa que as soluções de ponta de hoje podem em breve ser substituídas por novos avanços. no entanto, os conceitos fundamentais discutidos - tais como redes computacionais, plataformas de agentes e protocolos de dados - destacam as imensas possibilidades de integração da ai com a web3.

aviso legal:

1. este artigo é reproduzido a partir de [深潮TechFlow], o direito autoral pertence ao autor original [iosg ventures], se tiver alguma objeção à reimpressão, contacte o Gate aprenderequipa, e a equipa tratará dela o mais rápido possível de acordo com os procedimentos relevantes.

2. aviso legal: as visões e opiniões expressas neste artigo representam apenas as visões pessoais do autor e não constituem qualquer conselho de investimento.

3. outras versões em outros idiomas do artigo são traduzidas pela equipe de aprendizado da Gate e não são mencionadas emGate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.