Primera parte

a primera vista, la inteligencia artificial y web3 parecen ser tecnologías independientes, cada una basada en principios fundamentalmente diferentes y sirviendo funciones distintas. sin embargo, una exploración más profunda revela que estas dos tecnologías tienen el potencial de equilibrar las compensaciones mutuas, con sus fortalezas únicas complementándose y mejorándose mutuamente. balaji srinivasan articuló con elocuencia este concepto de capacidades complementarias en la conferencia superai, provocando una comparación detallada de cómo interactúan estas tecnologías.

Los tokens surgieron de un enfoque ascendente, surgiendo de los esfuerzos descentralizados de los entusiastas de la red anónimos y evolucionando durante más de una década a través de los esfuerzos colaborativos de numerosas entidades independientes en todo el mundo. En contraste, la inteligencia artificial se ha desarrollado a través de un enfoque descendente, dominado por unos pocos gigantes tecnológicos que establecen el ritmo y la dinámica de la industria. Las barreras de entrada en la inteligencia artificial están más determinadas por la intensidad de los recursos que por la complejidad técnica.

estas dos tecnologías también tienen naturalezas fundamentalmente diferentes. Los tokens son sistemas deterministas que producen resultados inmutables, como la previsibilidad de las funciones hash o las pruebas de conocimiento cero. Esto contrasta fuertemente con la naturaleza probabilística y a menudo impredecible de la inteligencia artificial.

de manera similar, la tecnología criptográfica se destaca en la validación, garantizando la autenticidad y seguridad de las transacciones y estableciendo procesos y sistemas sin confianza, mientras que la inteligencia artificial se enfoca en la generación, creando contenido digital rico. Sin embargo, garantizar la procedencia del contenido y prevenir el robo de identidad plantea desafíos en la creación de contenido digital.

Afortunadamente, los tokens proporcionan un contrapunto a la abundancia digital: la escasez digital. Ofrecen herramientas relativamente maduras que se pueden aplicar a las tecnologías de IA para garantizar la procedencia del contenido y abordar problemas de robo de identidad.

una ventaja notable de los tokens es su capacidad para atraer hardware y capital sustanciales a redes coordinadas para cumplir objetivos específicos. esta capacidad es particularmente beneficiosa para la inteligencia artificial, que consume grandes cantidades de energía informática. movilizar recursos subutilizados para proporcionar energía informática más asequible puede mejorar significativamente la eficiencia de la inteligencia artificial.

al comparar estas dos tecnologías, no solo apreciamos sus contribuciones individuales sino que también vemos cómo juntas pueden allanar nuevos caminos en la tecnología y la economía. cada tecnología puede abordar las deficiencias de la otra, creando un futuro más integrado e innovador. esta publicación de blog tiene como objetivo explorar el emergente paisaje de la industria de ai x web3, centrandose en nuevas verticales en la intersección de estas tecnologías.

fuente: iosg ventures

parte dos

2.1 red informática

• el panorama de la industria primero presenta redes informáticas que tienen como objetivo abordar el problema de suministro limitado de gpu y explorar diversas formas de reducir los costos de computación. Los aspectos destacados incluyen:
• la interoperabilidad no uniforme de gpu: este intento ambicioso implica altos riesgos técnicos e incertidumbres, pero si tiene éxito, podría crear una escala e impacto significativos al hacer que todos los recursos informáticos sean intercambiables. la idea es desarrollar compiladores y otros requisitos previos que permitan utilizar cualquier recurso de hardware en el lado de suministro, al tiempo que abstraen la no uniformidad del hardware en el lado de la demanda. esto permitiría dirigir las solicitudes de cómputo a cualquier recurso dentro de la red, reduciendo potencialmente la dependencia del software cuda, que actualmente es dominante entre los desarrolladores de inteligencia artificial. a pesar de los posibles beneficios, muchos expertos dudan mucho sobre la viabilidad de este enfoque.
• agregación de GPU de alto rendimiento: este enfoque se centra en integrar las GPU más populares a nivel mundial en una red distribuida y sin permisos, sin preocupaciones por problemas de interoperabilidad entre recursos de GPU no uniformes.
• agregación de gpu de consumo de productos básicos: esto implica la agregación de gpus de menor rendimiento disponibles en dispositivos de consumo, que son uno de los recursos más subutilizados en el lado de la oferta. Atiende a aquellos que están dispuestos a sacrificar el rendimiento y la velocidad por procesos de entrenamiento más baratos y más largos.

2.2 Entrenamiento e inferencia

Las redes informáticas se utilizan principalmente para dos funciones principales: entrenamiento e inferencia. La demanda de estas redes proviene tanto de proyectos Web 2.0 como Web 3.0. En el espacio de la Web 3.0, proyectos como Bittensor utilizan recursos informáticos para el ajuste fino del modelo. Para la inferencia, los proyectos de la Web 3.0 enfatizan la verificabilidad del proceso. Este enfoque ha llevado a la aparición de la inferencia verificable como una vertical de mercado, con proyectos que exploran cómo integrar la inferencia de IA en los contratos inteligentes manteniendo los principios de descentralización.

2.3 plataforma de agente inteligente

• A continuación se encuentra la plataforma Intelligent Agent, que describe los problemas centrales que las startups de esta categoría deben abordar:
• interoperabilidad del agente y capacidades de descubrimiento y comunicación: los agentes pueden descubrirse y comunicarse entre sí.
• capacidades de construcción y gestión de clústeres de agentes: los agentes pueden formar clústeres y gestionar otros agentes.
• propiedad y mercado de agentes de IA: proporcionando propiedad y mercado para agentes de IA.
• estas características enfatizan la importancia de sistemas flexibles y modulares que se pueden integrar de forma transparente en varias aplicaciones de blockchain e IA. Los agentes de IA tienen el potencial de revolucionar la forma en que interactuamos con Internet, y creemos que los agentes utilizarán la infraestructura para respaldar sus operaciones. Visualizamos que los agentes de IA dependan de la infraestructura de las siguientes formas:
• Acceso a datos web en tiempo real mediante una red de rastreo distribuida
• realizar pagos interagentes utilizando canales defi
• requiriendo depósitos económicos no solo para sancionar conductas indebidas, sino también para mejorar la capacidad de descubrimiento del agente (es decir, utilizando los depósitos como señales económicas durante el proceso de descubrimiento)
• usando el consenso para decidir qué eventos deben llevar a la reducción
• estándares de interoperabilidad abierta y marcos de agentes para apoyar la construcción de colectivos componibles
• evaluando el rendimiento pasado basado en el historial de datos inmutable y seleccionando colectivos de agentes adecuados en tiempo real

fuente: iosg ventures

Capa de datos 2.4

en la integración de IA y web3, los datos son un componente fundamental. Los datos son un activo estratégico en la competencia de IA, constituyendo recursos clave junto con los recursos informáticos. Sin embargo, esta categoría a menudo se pasa por alto, ya que la atención de la industria se centra en su mayoría en la capa informática. En realidad, los primitivos proporcionan muchas direcciones de valor interesantes en el proceso de adquisición de datos, principalmente incluyendo las siguientes dos direcciones de alto nivel:

accediendo a datos públicos de internet

accediendo a datos protegidos

acceder a datos públicos en internet: esta dirección tiene como objetivo construir una red de rastreadores distribuida que pueda explorar toda la internet en unos pocos días, adquiriendo grandes conjuntos de datos o accediendo a datos específicos de internet en tiempo real. Sin embargo, para explorar grandes conjuntos de datos en la red, la demanda es muy alta, requiriendo al menos unos pocos cientos de nodos para comenzar algún trabajo significativo. Afortunadamente, Grass, una red de nodos de rastreo distribuidos, ya tiene más de 2 millones de nodos compartiendo activamente el ancho de banda de internet con la red, con el objetivo de rastrear toda la internet. Esto demuestra el gran potencial de los incentivos económicos para atraer recursos valiosos.

Aunque GRASS proporciona un entorno competitivo justo para los datos públicos, el desafío de utilizar datos potenciales, específicamente, el acceso a conjuntos de datos propietarios, persiste. En concreto, una gran cantidad de datos se siguen almacenando de forma protegida por la privacidad debido a su naturaleza sensible. Muchas empresas emergentes están utilizando herramientas criptográficas que permiten a los desarrolladores de IA utilizar la estructura de datos fundamental de conjuntos de datos patentados para crear y ajustar grandes modelos de lenguaje mientras mantienen la privacidad de la información confidencial.

tecnologías como el aprendizaje federado, la privacidad diferencial, los entornos de ejecución confiables, el cifrado totalmente homomórfico y la computación multiparte brindan diferentes niveles de protección de la privacidad y compensaciones. El documento de investigación de Bagel resume una excelente visión general de estas tecnologías. Estas tecnologías no solo protegen la privacidad de los datos durante el proceso de aprendizaje automático, sino que también logran soluciones de IA completas y protegidas en la capa de computación.

2.5 fuentes de datos y modelos

Las tecnologías de procedencia de datos y modelos tienen como objetivo establecer procesos que aseguren a los usuarios que están interactuando con los modelos y datos previstos. Además, estas tecnologías proporcionan garantías de autenticidad y procedencia. Por ejemplo, el marcaje de agua, un tipo de tecnología de procedencia de modelos, incrusta firmas directamente en los algoritmos de aprendizaje automático, más específicamente en los pesos del modelo, para que durante la recuperación se pueda verificar si la inferencia proviene del modelo previsto.

2.6 aplicación

en términos de aplicaciones, las posibilidades de diseño son ilimitadas. en el panorama de la industria anterior, hemos enumerado algunos casos de desarrollo particularmente anticipados a medida que la tecnología de inteligencia artificial se aplica en el campo de la web 3.0. Dado que estos casos de uso son en su mayoría autoexplicativos, no haremos más comentarios. Sin embargo, cabe señalar que la intersección de la inteligencia artificial y la web 3.0 tiene el potencial de remodelar muchos verticales dentro del campo, ya que estos nuevos primitivos ofrecen a los desarrolladores más libertad para crear casos de uso innovadores y optimizar los existentes.

TERCERA PARTE

resumen

la integración de IA y Web3 trae un paisaje lleno de innovación y potencial. Al aprovechar las ventajas únicas de cada tecnología, podemos abordar diversos desafíos y abrir nuevos caminos tecnológicos. A medida que exploramos esta industria emergente, la sinergia entre IA y Web3 puede impulsar el progreso, remodelar nuestras futuras experiencias digitales y transformar cómo interactuamos en línea.

la fusión de la escasez digital y la abundancia digital, la movilización de recursos subutilizados para lograr eficiencia computacional y el establecimiento de prácticas de datos seguras y que protegen la privacidad definirán la era de la evolución tecnológica de próxima generación.

sin embargo, debemos reconocer que esta industria todavía está en pañales y el panorama actual podría quedar rápidamente desactualizado. el ritmo rápido de la innovación significa que las soluciones de vanguardia de hoy podrían ser pronto reemplazadas por nuevos avances. no obstante, los conceptos fundamentales discutidos, como redes computacionales, plataformas de agentes y protocolos de datos, resaltan las inmensas posibilidades de integrar la inteligencia artificial con la web3.

disclaimer：

1. este artículo se reproduce de [ 深潮TechFlow], los derechos de autor pertenecen al autor original [iosg ventures], si tiene alguna objeción a la reproducción, póngase en contacto con el Gate aprendeel equipo, y el equipo lo manejará lo antes posible de acuerdo con los procedimientos relevantes.

2. descargo de responsabilidad: las opiniones expresadas en este artículo representan solo las opiniones personales del autor y no constituyen ningún consejo de inversión.

3. las otras versiones en otros idiomas del artículo son traducidas por el equipo de aprendizaje de Gate y no se mencionan enGate.io, el artículo traducido no puede ser reproducido, distribuido o plagiado.