частина один

на перший погляд, штучний інтелект та web3 здаються незалежними технологіями, кожна з яких базується на фундаментально різних принципах та виконує різні функції. проте, глибоке дослідження показує, що ці дві технології мають потенціал збалансувати компроміси одна одної, з їх унікальними сильними сторонами, які доповнюють і покращують одна одну. баладжі срінівасан чітко сформулював цю концепцію взаємодопомоги на конференції superai, спонукаючи до детального порівняння того, як ці технології взаємодіють.

токени виникли внаслідок підходу знизу вгору, виростаючи з децентралізованих зусиль анонімних прихильників мережі і розвиваючись протягом десятиліть завдяки спільним зусиллям численних незалежних суб'єктів по всьому світу. У порівнянні штучний інтелект був розроблений через топ-даун-підхід, що домінує кількома великими технологічними гігантами, які встановлюють темп і динаміку галузі. Бар'єри для входу в штучний інтелект визначаються більше ресурсною інтенсивністю, ніж технічною складністю.

Ці дві технології також мають фундаментально різну природу. Токени є детермінованими системами, які виробляють незмінні результати, такі як передбачуваність хеш-функцій або докази знання нуля. Це суперечить ймовірнісній і часто непередбачуваній природі штучного інтелекту.

Аналогічно, криптографічна технологія відмінно справляється з перевіркою, забезпечуючи автентичність та безпеку транзакцій і встановлюючи процеси та системи без довіри, тоді як штучний інтелект фокусується на генерації і створенні багатого цифрового контенту. Однак забезпечення походження контенту та запобігання крадіжки ідентичності становлять виклики при створенні цифрового контенту.

на щастя, токени надають контрпункт цифровому достатку - цифровій дефіцитності. вони пропонують відносно зрілі інструменти, які можуть бути застосовані до технологій штучного інтелекту для забезпечення авторства контенту та вирішення проблем крадіжки ідентичності.

значною перевагою токенів є їх здатність привертати значні апаратні та капітальні ресурси у координовані мережі для досягнення конкретних цілей. Ця можливість особливо корисна для штучного інтелекту, який вимагає великих обсягів обчислювальної потужності. Мобілізація невикористаних ресурсів для забезпечення більш доступної обчислювальної потужності може значно підвищити ефективність штучного інтелекту.

порівнюючи ці дві технології, ми не тільки оцінюємо їхні індивідуальні внески, але й бачимо, як вони разом можуть прокладати нові шляхи в технології та економіці. Кожна технологія може вирішувати недоліки іншої, створюючи більш інтегроване та інноваційне майбутнє. Цей допис у блозі має на меті дослідити нову ландшафтну сферу ai x web3, зосереджуючись на деяких нових вертикалях на перетині цих технологій.

джерело: iosg ventures

частина два

2.1 обчислювальна мережа

• ландшафт промисловості спочатку вводить обчислювальні мережі, які мають на меті вирішити проблему обмеженого постачання графічних процесорів та дослідити різні способи зниження витрат на обчислення. Варто звернути увагу на наступні аспекти:
• Нерівномірна сумісність графічних процесорів: Ця амбітна спроба пов'язана з високими технічними ризиками та невизначеностями, але в разі успіху вона може створити значний масштаб і вплив, зробивши всі обчислювальні ресурси взаємозамінними. Ідея полягає в тому, щоб розробити компілятори та інші передумови, які дозволяють використовувати будь-який апаратний ресурс на стороні пропозиції, абстрагуючи при цьому неоднорідність апаратного забезпечення на стороні попиту. Це дозволить спрямовувати обчислювальні запити на будь-який ресурс у мережі, потенційно зменшуючи залежність від програмного забезпечення CUDA, яке зараз домінує серед розробників ШІ. Незважаючи на потенційні переваги, багато експертів дуже скептично ставляться до доцільності такого підходу.
• агрегація високопродуктивних графічних процесорів: цей підхід спрямований на інтеграцію найпопулярніших графічних процесорів у всьому світі в розподілену, бездозвільну мережу, без обмежень у взаємодії між неоднорідними ресурсами графічних процесорів.
• агрегація комерційних відеокарт низького рівня: це передбачає агрегування відеокарт низької продуктивності, які є одними з найменш використовуваних ресурсів з постачального боку. Це призначено для тих, хто готовий пожертвувати продуктивністю та швидкістю в обмін на більш дешевий і тривалий процес навчання.

2.2 навчання та інференція

Обчислювальні мережі в основному використовуються для двох основних функцій: навчання та інференції. Попит на ці мережі походить як з веб-проектів 2.0, так і з веб-проектів 3.0. У просторі веб-проектів 3.0, проекти, такі як bittensor, використовують обчислювальні ресурси для налаштування моделі. Щодо інференції, проекти веб 3.0 підкреслюють перевірку процесу. Ця увага призвела до появи перевірної інференції як ринкової вертикалі, із проектами, що досліджують, як інтегрувати інференцію штучного інтелекту в смарт-контракти, зберігаючи принципи децентралізації.

2.3 платформа інтелектуального агента

• наступне - це платформа інтелектуального агента, яка визначає основні проблеми, які потрібно вирішити стартапам у цій категорії:
• здатність агентів до взаємодії та виявлення та комунікаційні здатності: агенти можуть виявляти одне одного та спілкуватися між собою.
• Можливості створення та управління кластерами агентів: агенти можуть формувати кластери та керувати іншими агентами.
• власність і ринок штучного інтелекту: надання власності та ринку для агентів штучного інтелекту.
• ці функції підкреслюють важливість гнучких та модульних систем, які можуть бути безперешкодно інтегровані в різноманітні блокчейн та штучного інтелекту додатки. Штучні інтелекту агенти мають потенціал революціонізувати спосіб, яким ми взаємодіємо з інтернетом, і ми вважаємо, що агенти будуть використовувати інфраструктуру для підтримки своєї діяльності. Ми уявляємо, що штучні інтелекту агенти будуть покладатися на інфраструктуру таким чином:
• отримання даних реального часу в Інтернеті за допомогою розподіленої мережі краулінгу
• Проведення міжагентських платежів з використанням DeFi-каналів
• вимагаючи економічні депозити не тільки для покарання порушень, але й для покращення виявленості агента (тобто використовуючи депозити як економічні сигнали під час процесу виявлення)
• використання консенсусу для прийняття рішення про те, які події повинні призвести до скорочення
• відкриті стандарти взаємодії та фреймворки агентів для підтримки створення складних колективів
• оцінка минулої продуктивності на основі неизмінних даних і вибір відповідних агентських колективів в реальному часі

джерело: iosg ventures

2.4 шар даних

В інтеграції штучного інтелекту та Web3 дані є ключовим компонентом. Дані є стратегічним активом у конкуренції штучного інтелекту, складаючи ключові ресурси поряд з обчислювальними ресурсами. Однак цю категорію часто не беруть до уваги, оскільки основна увага галузі зосереджена на обчислювальному рівні. Насправді примітиви надають багато цікавих ціннісних напрямків у процесі збору даних, в основному включаючи наступні два високорівневих напрямки:

отримання доступу до відкритих даних Інтернету

доступ до захищених даних

Доступ до загальнодоступних інтернет-даних: Цей напрямок спрямований на створення розподіленої мережі сканерів, яка може сканувати весь Інтернет протягом кількох днів, отримуючи величезні набори даних або отримуючи доступ до дуже конкретних інтернет-даних у режимі реального часу. Однак для сканування великих наборів даних в Інтернеті попит на мережу дуже високий, що вимагає принаймні кількох сотень вузлів, щоб розпочати якусь значущу роботу. На щастя, Grass, мережа розподілених вузлів пошукових роботів, вже налічує понад 2 мільйони вузлів, які активно діляться пропускною здатністю Інтернету з мережею, прагнучи просканувати весь Інтернет. Це свідчить про великий потенціал економічних стимулів у залученні цінних ресурсів.

Незважаючи на те, що Grass забезпечує справедливе конкурентне середовище для публічних даних, проблема використання потенційних даних, зокрема, доступу до власних наборів даних, залишається. Зокрема, велика кількість даних все ще зберігається в захищений від конфіденційності спосіб через їх конфіденційний характер. Багато стартапів використовують криптографічні інструменти, які дозволяють розробникам штучного інтелекту використовувати базову структуру даних із власних наборів даних для створення та точного налаштування великих мовних моделей, зберігаючи при цьому конфіденційну інформацію.

технології, такі як федеративне навчання, диференційна конфіденційність, надійні середовища виконання, повністю гомоморфне шифрування та багатосторонні обчислення, надають різні рівні захисту конфіденційності та компроміси. дослідницька стаття bagel узагальнює відмінний огляд цих технологій. Ці технології не тільки захищають конфіденційність даних під час процесу навчання машин, але й досягають комплексних рішень з захистом конфіденційності на рівні обчислень.

2.5 Джерела даних і моделей

Технології походження даних та моделей спрямовані на встановлення процесів, які забезпечують користувачів, що вони взаємодіють з наміченими моделями та даними. Крім того, ці технології надають гарантії автентичності та походження. Наприклад, технологія водяного знаку, яка є типом технології походження моделей, вбирає підписи безпосередньо в алгоритми машинного навчання, а саме в ваги моделей, так що під час витягування можна перевірити, чи походить висновок з наміченої моделі.

2.6 програма

щодо застосувань, можливості дизайну безмежні. у вищезазначеному індустріальному ландшафті ми перерахували деякі особливо очікувані випадки розвитку, коли технологія штучного інтелекту застосовується у сфері веб 3.0. оскільки ці випадки використання в основному зрозумілі самі по собі, ми не будемо докладніше коментувати. проте варто зазначити, що перетин штучного інтелекту і веб 3.0 має потенціал перетворити багато вертикалей у цій галузі, оскільки ці нові примітиви пропонують розробникам більшу свободу для створення інноваційних випадків використання та оптимізації існуючих.

частина третя

зведення

Інтеграція штучного інтелекту та Web3 відкриває ландшафт, сповнений інновацій та потенціалу. Використовуючи унікальні переваги кожної технології, ми можемо вирішувати різні проблеми та відкривати нові технологічні шляхи. У міру того, як ми досліджуємо цю галузь, що розвивається, синергія між штучним інтелектом і Web3 може сприяти прогресу, змінити наш майбутній цифровий досвід і змінити те, як ми взаємодіємо в Інтернеті.

злиття цифрової рідкісності і цифрового достатку, мобілізація невикористаних ресурсів для досягнення обчислювальної ефективності та створення безпечних, захищених від персональних даних практик будуть визначати епоху еволюції наступного покоління технологій.

однак, ми повинні визнати, що ця галузь все ще знаходиться на початковому етапі, і сучасна ландшафт може швидко застаріти. стрімкий темп інновацій означає, що сучасні передові рішення можуть незабаром бути замінені новими проривами. тим не менш, обговорювані фундаментальні концепції, такі як обчислювальні мережі, платформи агентів та протоколи даних, підкреслюють величезні можливості інтеграції штучного інтелекту з web3.

Застереження:

1. ця стаття відтворена з [ Gate深潮TechFlow], авторське право належить оригінальному автору [iosg венчурів], якщо у вас є будь-які зауваження стосовно репринту, будь ласка, зв'яжіться з Gate навчатисякоманда, і команда займеться цим якомога швидше згідно з відповідними процедурами.

2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, відображають лише особисті погляди автора та не є будь-якою інвестиційною порадою.

3. інші мовні версії статті перекладаються командою Gate Learn і не згадуються вGate.io, перекладена стаття не може бути відтворена, поширена або плагіатована.