parte um

À primeira vista, IA e 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 trade-offs uma da outra, com seus pontos fortes únicos se complementando e aprimorando um ao outro. Balaji Srinivasan articulou eloquentemente esse conceito de capacidades complementares na conferência SuperAI, provocando uma comparação detalhada de como essas tecnologias interagem.

tokens surgiram de uma abordagem ascendente, surgindo dos esforços descentralizados de entusiastas da rede anônimos e evoluindo ao longo de uma década por meio dos esforços colaborativos de inúmeras 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.

essas duas tecnologias também têm naturezas fundamentalmente diferentes. 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 ia.

similarmente, 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 o roubo de identidade representam desafios na criação de conteúdo digital.

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

uma vantagem notável dos tokens é sua capacidade de atrair hardware e capital substanciais para redes coordenadas para atender a metas específicas. 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 inteligência artificial.

Ao comparar essas duas tecnologias, não apenas apreciamos suas contribuições individuais, mas também vemos como elas podem, juntas, pavimentar novos caminhos em tecnologia e economia. Cada tecnologia pode resolver as deficiências da outra, criando um futuro mais integrado e inovador. Esta postagem de blog visa explorar o cenário emergente da indústria AI x Web3, com foco em algumas novas verticais na interseção dessas tecnologias.

origem: iosg ventures

parte dois

2.1 rede de computação

• O cenário da indústria introduz primeiro redes de computação que visam resolver o problema de fornecimento limitado de GPU e explorar várias maneiras de reduzir os custos de computação. Aspectos notáveis incluem:
• Interoperabilidade não uniforme da GPU: Esta tentativa ambiciosa envolve altos riscos técnicos e incertezas, mas, se bem-sucedida, pode criar escala e impacto significativos, tornando todos os recursos de computação intercambiáveis. A ideia é desenvolver compiladores e outros pré-requisitos que permitam que qualquer recurso de hardware seja usado no lado da oferta, enquanto abstrai a não uniformidade do hardware no 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 benefícios potenciais, muitos especialistas são altamente céticos sobre a viabilidade dessa abordagem.
• agregação de GPU de alto desempenho: esta abordagem concentra-se na integração das GPUs mais populares globalmente em uma rede distribuída e sem permissão, sem preocupações com problemas de interoperabilidade entre recursos de GPU não uniformes.
• Agregação de GPU de nível de consumidor de mercadoria: 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 o desempenho e a velocidade por processos de treinamento mais baratos e longos.

2.2 treinamento e inferência

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

2.3 plataforma de agente inteligente

• em seguida é a plataforma de agente inteligente, que descreve os principais problemas que as startups desta categoria precisam abordar:
• interoperabilidade de agentes e capacidades de descoberta e comunicação: os agentes podem descobrir e se comunicar entre si.
• capacidades de construção e gerenciamento de cluster de agentes: os agentes podem formar clusters e gerenciar outros agentes.
• propriedade e mercado do agente de IA: fornecendo propriedade e mercado para agentes de IA.
• esses recursos enfatizam a importância de sistemas flexíveis e modulares que podem ser integrados perfeitamente em várias aplicações de blockchain e IA. Agentes de IA têm o potencial de revolucionar como interagimos com a internet, e acreditamos que os agentes utilizarão a infraestrutura para apoiar suas operações. Nós imaginamos agentes de IA dependendo da infraestrutura das seguintes maneiras:
• acessando dados da web em tempo real usando uma rede de rastreamento distribuída
• realizando pagamentos entre agentes usando canais defi
• exigindo depósitos econômicos não apenas para penalizar má conduta, mas também para aprimorar a descoberta do agente (ou seja, usando depósitos como sinais econômicos durante o processo de descoberta)
• usando consenso para decidir quais eventos devem levar a um corte
• normas abertas de interoperabilidade e estruturas de agente para apoiar a construção de coletivos componíveis
• avaliando o desempenho passado com base no histórico de dados imutáveis ​​e selecionando coletivos de agentes adequados em tempo real

fonte: iosg ventures

camada de dados 2.4

na integração de ai e web3, os dados são um componente central. os dados são um ativo estratégico na competição de ai, constituindo recursos-chave ao lado dos recursos de computação. no entanto, essa categoria muitas vezes é 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 da internet

acessando dados protegidos

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

Embora o GRASS forneça um ambiente competitivo justo para dados públicos, o desafio de utilizar dados potenciais — especificamente, acesso a conjuntos de dados proprietários — permanece. Especificamente, uma grande quantidade de dados ainda é armazenada de forma protegida pela privacidade devido à sua natureza sensível. Muitas startups estão usando ferramentas criptográficas que permitem que os desenvolvedores de IA utilizem a estrutura de dados fundamental de conjuntos de dados proprietários para criar e ajustar grandes modelos de linguagem, mantendo informações confidenciais privadas.

tecnologias como aprendizado federado, privacidade diferencial, ambientes de execução confiáveis, criptografia totalmente homomórfica e computação multipartidária oferecem diferentes níveis de proteção de privacidade e compensações. O artigo de pesquisa do 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 inteligência artificial 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 usuários que eles estão interagindo com os modelos e dados pretendidos. Além disso, essas tecnologias fornecem garantias de autenticidade e proveniência. Por exemplo, a marca d'água, um tipo de tecnologia de proveniência de modelos, incorpora assinaturas diretamente nos algoritmos de aprendizado de máquina, mais especificamente nos pesos do modelo, para que, durante a recuperação, seja possível verificar se a inferência se originou do modelo pretendido.

2.6 aplicativo

Em termos de aplicações, as possibilidades de design são ilimitadas. No cenário da indústria acima, listamos alguns casos de desenvolvimento particularmente esperados à medida que a tecnologia de IA é aplicada no campo da Web 3.0. Como esses casos de uso são, em sua maioria, autoexplicativos, não comentaremos mais. No entanto, vale a pena notar que a interseção de IA e Web 3.0 tem o potencial de remodelar muitas verticais dentro do campo, pois essas novas primitivas oferecem aos desenvolvedores mais liberdade para criar casos de uso inovadores e otimizar os existentes.

terceira parte

resumo

a integração de ai e 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 essa indústria emergente, a sinergia entre ai e web3 pode impulsionar o progresso, remodelar nossas futuras experiências digitais e transformar 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 seguras de dados que protegem a privacidade definirão a era da evolução tecnológica de próxima geração.

no entanto, devemos reconhecer que esta indústria ainda está em sua infância, e o cenário atual pode rapidamente tornar-se desatualizado. o ritmo acelerado da inovação significa que as soluções de ponta de hoje podem em breve ser substituídas por novos avanços. no entanto, os conceitos fundamentais discutidos, como redes computacionais, plataformas de agentes e protocolos de dados, destacam as imensas possibilidades de integrar ai com web3.

Disclaimer:

1. este artigo é reproduzido de [ TechFlow Gate], o direito autoral pertence ao autor original [iosg ventures], se você tiver alguma objeção à reprodução, por favor, entre em contato com o Gate aprenderequipe e a equipe lidará com isso o mais rapidamente possível de acordo com os procedimentos relevantes.

2. Disclaimer: Os pontos de vista e opiniões expressos neste artigo representam apenas os pontos de vista pessoais do autor e não constituem qualquer conselho de investimento.

3. outras versões de 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.