Переслати оригінальний заголовок: ’Метричні венчури аналітичний звіт | Виходячи з статті В-годинника, які крипто×AI варто звернути увагу на окремі напрямки уваги?

1 Вступ: Чотири способи поєднання Крипто з ШІ

Децентралізація - це згода, збережена блокчейном, яка забезпечує безпеку - це основний принцип, а відкритість - ключовий фундамент з криптографічної точки зору, щоб зробити онлайн-поведінку володіти вищезазначені характеристики. Цей підхід був застосовний в кількох раундах революцій блокчейну в останні кілька років. Проте, коли залучається штучний інтелект, ситуація зазнає деяких змін.

Уявіть проектування архітектури блокчейну або додатків за допомогою штучного інтелекту. У цьому випадку модель повинна бути відкритим джерелом, але це призведе до виявлення її вразливості в умовах противника машинного навчання. Навпаки, не відкриття джерела призведе до втрати децентралізації. Тому необхідно розглянути, яким чином і в якій мірі слід здійснити інтеграцію при впровадженні штучного інтелекту в поточний блокчейн або додатки.

Джерело: УНІВЕРСИТЕТ ЕФІРІУ

У статті ‘Коли великанів зіткнуться: дослідження зближення Крипто x ШІз@ueth"УНІВЕРСИТЕТ ЕФІРЕУ, виокремлені відмінності в основних характеристиках між штучним інтелектом та блокчейном. Як показано на зазначеній вище фігурі, характеристики штучного інтелекту є:

• Централізація
• Низька прозорість
• Енергозатрати
• Монополія
• Слабкі монетизаційні характеристики

Вищезазначені характеристики цілком протилежні в блокчейн порівняно з штучним інтелектом. Це є справжнім аргументом статті Віталіка. Якщо поєднати штучний інтелект і блокчейн, то додатки, що виникнуть з нього, потребуватимуть зробити компроміси щодо власності даних, прозорості, можливостей монетизації, витрат енергії тощо. Крім того, потрібно врахувати, яку інфраструктуру потрібно створити для забезпечення ефективної інтеграції обох.

Дотримуючись вищезазначених критеріїв і власних думок, Віталік класифікує застосунки, сформовані за поєднанням штучного інтелекту та блокчейну, на чотири основних типи:

• Штучний інтелект як учасник гри
• Штучний інтелект як інтерфейс до гри
• Штучний інтелект, як правила гри
• ШІ як мета гри

Серед них перші три головним чином представляють три способи введення штучного інтелекту у світ Крипто, що відображає три рівні глибини від поверхневого до глибокого. Згідно з розумінням автора, ця класифікація відображає ступінь впливу ШІ на прийняття рішень людиною та введення різних рівнів системного ризику для всього світу Крипто:

• Штучний інтелект як учасник у застосуваннях: Штучний інтелект сам по собі не впливає на людські рішення та поведінку, тому він не створює ризики для реального людського світу. Тому він наразі має найвищий рівень практичності.
• Штучний інтелект як інтерфейс для додатків: Штучний інтелект надає додаткову інформацію або інструменти для прийняття рішень та поведінки людини, що покращує досвід користувача та розробника та знижує бар'єри. Однак неправильна інформація або операції можуть внести певні ризики в реальний світ.
• Штучний інтелект як правила застосування: Штучний інтелект повністю заміщує людей у прийнятті рішень та операціях. Тому зловмисна поведінка або невдачі штучного інтелекту безпосередньо призведуть до хаосу в реальному світі. Наразі як в Web2, так і в Web3 неможливо довіряти штучному інтелекту для заміни людей у процесі прийняття рішень.

Нарешті, четверта категорія проектів спрямована на використання характеристик Крипто для створення кращого штучного інтелекту. Як вже зазначалося раніше, централізація, низька прозорість, споживання енергії, монополістичні тенденції та слабкі грошові атрибути можуть природно бути пом'якшені за допомогою властивостей Крипто. Хоча багато людей сумніваються, чи може Крипто впливати на розвиток штучного інтелекту, найцікавішою історією Крипто завжди була його здатність впливати на реальний світ через децентралізацію. Цей напрям також став найбільш інтенсивно обговорюваною частиною треку ШІ через його велике бачення.

2 AI Як учасник

У механізмах, де бере участь штучний інтелект, остаточне джерело стимулів часто походить від протоколів, введених людьми. Перш ніж штучний інтелект стане інтерфейсом або навіть правилом, ми зазвичай повинні оцінити продуктивність різних штучних інтелектів, дозволяючи штучному інтелекту брати участь у механізмі, і в кінцевому підсумку отримувати винагороди чи покарання через on-chain механізм.

Коли штучний інтелект виступає у ролі учасника, порівняно з бути інтерфейсом чи правилом, ризики для користувачів та всієї системи загалом є зазвичай незначними. Це можна вважати необхідним етапом перед тим, як штучний інтелект глибоко вплине на рішення та поведінку користувачів. Тому витрати та компроміси, необхідні для поєднання штучного інтелекту та блокчейну на цьому рівні, є порівняно невеликими. Це також категорія продуктів, в яку Віталік вважає, що наразі вони мають високий рівень практичності.

За широтою та реалізацією багато сучасних застосувань штучного інтелекту входять до цієї категорії, такі як торгові боти та чат-боти на основі штучного інтелекту. Поточний рівень реалізації все ще ускладнює можливість штучному інтелекту служити як інтерфейс або навіть правило. Користувачі порівнюють та поступово оптимізують серед різних ботів, а користувачі криптовалют ще не сформували звичок використання застосувань штучного інтелекту. У статті Віталіка також зазначено, що Автономні Агенти також класифікуються до цієї категорії.

Однак, вужчому розумінні та з перспективи довгострокового бачення, ми схильні робити більш детальні відмінності для застосувань штучного інтелекту або агентів штучного інтелекту. Таким чином, в цій категорії представлені підкатегорії, включають:

2.1 Ігри з штучним інтелектом

До певної міри ігри з штучним інтелектом дійсно можуть бути класифіковані в цю категорію. Гравці взаємодіють з ШІ та навчають своїх персонажів ШІ, щоб краще відповідали їх особистим уподобанням, наприклад, ближче відповідали індивідуальним смакам або ставали більш конкурентоспроможними в механіці гри. Ігри служать перехідним етапом для ШІ перед тим, як воно увійде у реальний світ. Вони також представляють собою напрямок з відносно низькими ризиками впровадження і є найлегшими для звичайних користувачів у розумінні. Іконічні проекти в цій категорії включають AI Arena, Echelon Prime та Altered State Machine.

• AI Arena: файтинг «гравець проти гравця» (PVP), де гравці можуть тренувати та розвивати своїх ігрових персонажів за допомогою штучного інтелекту. Гра має на меті дозволити більш звичайним користувачам взаємодіяти з ШІ, розуміти та відчувати його за допомогою ігор, а також надавати інженерам штучного інтелекту різні алгоритми штучного інтелекту для збільшення їхнього доходу. Кожен ігровий персонаж працює на основі NFT із підтримкою штучного інтелекту, а ядро містить архітектуру та параметри моделі штучного інтелекту, що зберігаються в IPFS. Параметри в новому NFT генеруються випадковим чином, тобто він виконуватиме випадкові дії. Користувачам необхідно вдосконалювати стратегічні здібності свого персонажа за допомогою імітаційного навчання (IL). Щоразу, коли користувач тренує персонажа та зберігає прогрес, параметри оновлюються на IPFS. \
  

• Змінений автомат: . ASM — це не гра зі штучним інтелектом, а протокол для перевірки прав і торгівлі для агентів штучного інтелекту. Він позиціонується як протокол штучного інтелекту метавсесвіту і наразі інтегрується з кількома іграми, включаючи FIFA, впроваджуючи агентів штучного інтелекту в ігри та метавсесвіт. ASM використовує NFT для перевірки та торгівлі агентами штучного інтелекту, причому кожен агент складається з трьох частин: Мозок (внутрішні характеристики агента), Спогади (зберігання вивчених стратегій поведінки агента та навчання моделі, пов'язані з Мозком) та Форма (зовнішній вигляд персонажа тощо). ASM має модуль Gym, включаючи децентралізованого хмарного постачальника GPU, для забезпечення обчислювальної підтримки агентів. Проєкти, які зараз побудовані на ASM, включають AIFA (футбольна гра зі штучним інтелектом), Muhammed Ali (боксерська гра зі штучним інтелектом), AI League (вуличний футбол у партнерстві з FIFA), Raicers (гоночна гра на основі штучного інтелекту) та FLUF World's Thingies (генеративні NFT). \
  

• Паралельна Колонія (PRIME): Echelon Prime розробляє гру Паралельна Колонія, засновану на штучних інтелектуальних моделях великого обсягу мови (Large Language Models). Гравці можуть взаємодіяти зі своїми штучними інтелектуальними аватарами та впливати на них, при цьому аватари автономно діють на основі спогадів та траєкторій життя. Колонія на даний момент є однією з найочікуваніших ігор зі штучним інтелектом, і офіційний білий папір недавно був опублікований. Крім того, оголошення про міграцію до Solana спричинило ще одну хвилю збудження та збільшило вартість PRIME.

2.2 Прогноз ринку/конкурсу

Прогностична здатність є основою для штучного інтелекту для прийняття майбутніх рішень та поведінки. Перш ніж моделі штучного інтелекту використовуються для практичних прогнозів, конкурси прогнозів порівнюють продуктивність моделей штучного інтелекту на вищому рівні. Заохочуючи учасників у формі токенів для вчених-даних/моделей штучного інтелекту, цей підхід має позитивні наслідки для розвитку цілого Крипто×ШІ-світу. Це безперервно сприяє розвитку більш ефективних та високопродуктивних моделей та застосунків, відповідних для криптосвіту. До того, як штучний інтелект глибоко впливає на прийняття рішень та поведінку, це створює вищі якісні та безпечні продукти. Як зазначив Віталік, прогностичні ринки є потужним примітивом, який може бути розширений на багато інших типів проблем. Іконічні проекти в цьому напрямку включають Numerai та Ocean Protocol.

• Numerai: Numerai - це довгостроковий конкурс з науки про дані, де вчені з даних тренують моделі машинного навчання для прогнозування фондових ринків на основі історичних ринкових даних, які надає Numerai. Вони потім ставлять свої моделі та токени NMR на турніри, де добре працюючі моделі отримують винагороду в токенах NMR, тоді як токени, вкладені у погані моделі, згоряють. На 7 березня 2024 року було відкладено 6 433 моделі, і протокол надав загальну суму винагород у розмірі 75 760 979 доларів США для вчених з даних. Numerai стимулює глобальну співпрацю серед вчених з даних для створення нового типу хедж-фонду. Фонди, які були випущені до цього часу, включають Numerai One та Numerai Supreme. Шлях Numerai включає конкурси з прогнозування ринку→моделі прогнозування залучені від громади→створення нових хедж-фондів на основі моделей, залучених від громади.
• Ocean Protocol: Ocean Predictor фокусується на прогнозах, починаючи з краудсорсингових прогнозів криптовалютних тенденцій. Гравці можуть запустити бота Predictoor або бота Trader. Бот Predictor використовує моделі штучного інтелекту для прогнозування ціни криптовалют (наприклад, BTC/USDT) у наступний момент часу (наприклад, на п'ять хвилин вперед) і ставить на стейкінг певну кількість $OCEAN токенів. Протокол розраховує глобальний прогноз на основі суми стейкінгу. Трейдери купують результати прогнозів і можуть торгувати на їх основі. Коли точність прогнозу висока, трейдери можуть отримати з цього прибуток. Прогнози, які роблять неправильні прогнози, будуть покарані, тоді як ті, хто зробить правильні прогнози, отримають частину токенів у стейкінгу, а також комісію за покупку від трейдерів як винагороду. 2 березня Ocean Predictoor оголосив про свій останній напрямок, модель світу-світу (WWM), яка починає досліджувати прогнози для реальних сценаріїв, таких як погода та енергія.
  

3 AI Як Інтерфейс

Штучний інтелект може допомогти користувачам зрозуміти, що відбувається в криптосвіті, використовуючи просту та зрозумілу мову, діючи як наставник для користувачів та надаючи сповіщення про потенційні ризики для зменшення бар'єрів входу та ризиків для користувачів в криптосвіті, тим самим покращуючи користувацький досвід. Функціонал продуктів, який може бути реалізований, є різноманітним, таким як сповіщення про ризики під час взаємодії з гаманцем, торгівля за допомогою штучного інтелекту, чат-боти зі штучним інтелектом, які можуть відповідати на типові питання користувачів щодо криптовалют, та інше. Ці послуги адресовані не лише звичайним користувачам, але й розробникам, аналітикам та практично всім іншим групам, що робить їх потенційними споживачами послуг штучного інтелекту.

Давайте повторимо спільні риси цих проектів: вони ще не замінили людей у виконанні певних рішень та поведінки, але використовують моделі штучного інтелекту для надання інформації та інструментів для підтримки прийняття рішень та поведінки людини. На цьому рівні починають виявлятися ризи малітки штучного інтелекту в системі - надання невірної інформації для втручання у людський суд. Цей аспект був ретельно проаналізований у статті Віталіка.

Існує багато і різних проектів, які можна класифікувати за цією категорією, включаючи чат-боти штучного інтелекту, аудити розумних контрактів штучного інтелекту, генерацію коду штучного інтелекту, торгові боти штучного інтелекту та інше. Можна сказати, що переважна більшість застосувань штучного інтелекту наразі знаходиться на цьому базовому рівні. Представницькі проекти включають:

• Паал: PaaL наразі є провідним проєктом у сфері чат-ботів зі штучним інтелектом, і його можна розглядати як ChatGPT, навчений знанням, пов'язаним із криптовалютою. Інтегрований з такими платформами, як Telegram (TG) і Discord, PaaL надає користувачам такі функції, як аналіз даних токенів, основи токенів та аналіз економіки токенів, а також генерація тексту в зображення та інші функції. PaaL Bot можна інтегрувати в групові чати, щоб автоматично відповідати на певну інформацію. PaaL також підтримує індивідуальних персональних ботів, дозволяючи користувачам створювати власну базу знань зі штучним інтелектом і користувацьких ботів, надаючи набори даних. PaaL рухається до торгових ботів зі штучним інтелектом і 29 лютого оголосив про свій криптодослідницький і торговий термінал PaalX, який підтримує штучний інтелект. Згідно зі вступом, він може проводити аудит смарт-контрактів зі штучним інтелектом, інтегрувати та торгувати новинами на основі Twitter, а також надавати підтримку криптодослідженням і торгівлі. Помічник зі штучним інтелектом може знизити вхідний бар'єр для користувачів.

ChainGPT: ChainGPT базується на штучному інтелекті для розробки серії криптоінструментів, таких як чат-бот, генератор NFT, збір новин, генерація та аудит смарт-контрактів, помічник у проведенні транзакцій, ринок Prompt та штучний інтелект крос-ланцюгова біржа. Однак наразі у ChainGPT основний акцент приділяється інкубації проектів та Лончпаду, і він завершив IDO для 24 проектів та 4 безкоштовних розіграшів.

• Arkham: Ultra - це спеціалізований штучний інтелект Arkham, призначений для відповідності адрес реальним сутностям за допомогою алгоритмів, що збільшує прозорість у криптовалютній галузі. Ultra поєднує дані on-chain та off-chain, надані користувачами та зібрані самим собою, і виводить їх у розширювану базу даних, яка в кінцевому підсумку представлена у формі діаграми. Проте документація Arkham не надає докладних обговорень системи Ultra. Останнім часом Arkham привернув увагу завдяки особистим інвестиціям від Сема Альтмана, засновника OpenAI, і зазнав п'ятикратного зростання вартості за останні 30 днів.
• GraphLinq:GraphLinq — це автоматизоване рішення для керування робочими процесами, розроблене для того, щоб користувачі могли розгортати та керувати різними типами функцій автоматизації без програмування. Наприклад, користувачі можуть штовхати ціну Bitcoin з Coingecko на TG Bot кожні 5 хвилин. Рішення GraphLinq візуалізує процеси автоматизації за допомогою графіків, дозволяючи користувачам створювати завдання автоматизації, перетягуючи вузли та використовуючи движок GraphLinq для їх виконання. Незважаючи на те, що кодування не потрібне, процес створення графіка все ще має певну криву навчання для звичайних користувачів, включаючи вибір відповідного шаблону та вибір і підключення відповідних логічних блоків із сотень варіантів. Щоб вирішити цю проблему, GraphLinq впроваджує штучний інтелект, який дозволить користувачам створювати та керувати завданнями автоматизації за допомогою розмовного штучного інтелекту та природної мови, таким чином спрощуючи процес для користувачів, які можуть бути не знайомі з технічними аспектами.
• 0x0.ai:Бізнеси, пов'язані з штучним інтелектом 0x0, включають три аспекти: аудит штучних інтелектуальних контрактів, виявлення шахрайських схем з використанням штучного інтелекту та центр розробки штучного інтелекту. Серед них виявлення шахрайських схем з використанням штучного інтелекту спрямоване на виявлення підозрілих дій, таких як надмірні податки або видалення ліквідності для запобігання обману користувачів. Центр розробки штучного інтелекту використовує методи машинного навчання для створення розумних контрактів, що дозволяє безкодове розгортання контрактів. Однак лише аудит штучних інтелектуальних контрактів вже був попередньо запущений, тоді як інші дві функціональності ще не були повністю розроблені.
• Zignaly: Zignaly була заснована в 2018 році з метою надання можливості індивідуальним інвесторам обирати фондових менеджерів для управління своїми криптовалютними активами, аналогічно логіці копіювання угод. Zignaly використовує технології машинного навчання та штучного інтелекту для створення системи оцінки фондових менеджерів. Першим продуктом, який був запущений, є Z-Score. Проте, як продукт штучного інтелекту, він все ще досить базовий у своєму поточному вигляді.
  

4 ШШ Як Правила Гри

Це найцікавіша частина — дозволення штучній інтелекту замінити прийняття рішень і поведінку людини. Ваш штучний інтелект буде безпосередньо контролювати ваш гаманець, приймати торгові рішення та дії від вашого імені. У цій категорії автор вважає, що її можна головним чином розділити на три рівні: застосунки штучного інтелекту (особливо ті, які мають бачення автономного прийняття рішень, такі як боти для автоматичної торгівлі з використанням штучного інтелекту, боти для отримання доходу від DeFi з використанням штучного інтелекту), протоколи автономних агентів та zkML/opML.

Додатки штучного інтелекту - це інструменти для прийняття конкретних рішень в певній сфері. Вони накопичують знання та дані з різних секторів та спираються на індивідуальні моделі штучного інтелекту для вирішення конкретних проблем. Варто зауважити, що додатки штучного інтелекту класифікуються в цій статті як інтерфейси та правила. У планах розвитку додатків штучного інтелекту вони повинні стати самостійними агентами для прийняття рішень, але наразі ні ефективність моделей штучного інтелекту, ні безпека інтегрованого штучного інтелекту не можуть задовольнити ці вимоги. Навіть як інтерфейси, вони дещо примусові. Додатки штучного інтелекту все ще знаходяться на дуже ранньому етапі, з введенням конкретних проектів раніше.

Автономні агенти, згадані Віталіком, класифікуються в першій категорії (ШІ як учасники), але ця стаття класифікує їх в третю категорію на основі їхньої довгострокової візії. Автономні агенти використовують велику кількість даних та алгоритмів для імітації людського мислення та прийняття рішень, виконуючи різноманітні завдання та взаємодії. Ця стаття головним чином акцентує на інфраструктурі агентів, таких як шари комунікації та мережеві шари, які визначають власність агентів, встановлюють їхню ідентичність, стандарти комунікації та методи, з'єднані з декількома застосунками агентів, та дозволяють їм співпрацювати у виборі рішень та поведінці.

zkML/opML: Забезпечте, що виходи, надані через правильні процеси мислення моделі, є вірогідними за допомогою криптографічних або економічних методів. Проблеми безпеки є фатальними при введенні ШІ в розумні контракти. Розумні контракти покладаються на вхідні дані для генерації виходів та автоматизації серії функцій. Якщо ШІ надає помилкові вхідні дані, це введе значні системні ризики для всієї системи Крипто. Тому, zkML/opML та серія потенційних рішень є фундаментом для того, щоб дозволити ШІ діяти незалежно та приймати рішення.

Наостанок, всі разом складають три основні рівні штучного інтелекту як правило оператори: zkml/opml як найнижчий рівень інфраструктури, що забезпечує безпеку протоколу; Протоколи Агента створюють екосистему Агента, яка дозволяє колаборативне прийняття рішень та поведінку; Додатки штучного інтелекту, а також конкретні Агенти штучного інтелекту, будуть постійно покращувати свої можливості в конкретних галузях та фактично робити рішення та діяти.

4.1 Автономний агент

Застосування AI Agents у криптосвіті є природним. Від смарт-контрактів до TG-ботів і агентів штучного інтелекту, криптопростір рухається до вищої автоматизації та зниження бар'єрів для користувачів. Хоча смарт-контракти виконують функції автоматично за допомогою незмінного коду, вони все ще покладаються на зовнішні тригери для активації та не можуть працювати автономно чи безперервно. TG Bots зменшують бар'єри користувачів, дозволяючи користувачам взаємодіяти з блокчейном за допомогою природної мови, але вони можуть виконувати лише прості та конкретні завдання та не можуть досягати транзакцій, орієнтованих на користувача. Агенти штучного інтелекту, однак, володіють певним ступенем незалежного прийняття рішень. Вони розуміють природну мову та автономно поєднують інших агентів та інструменти блокчейну для досягнення цілей, визначених користувачем.

AI агенти приділяються значному покращенню користувацького досвіду криптопродуктів, тоді як технологія блокчейну може подальше підвищити децентралізацію, прозорість та безпеку операцій AI агентів. Специфічна допомога включає:

• Заохочуючи розробників токенами надавати більше агентів.
• NFT аутентифікація для полегшення оплати та транзакційних агентських операцій.
• Надання механізмів ідентифікації та реєстрації агента на ланцюжку.
• Надаючи необоротні журнали дій агента для своєчасного відстеження та обліку їх дій.

Основні проекти цього треку наведено нижче:

• Autonolas: Autonolas підтримує власність на активами та композицію для агентів та пов'язаних компонентів за допомогою протоколів on-chain, що дозволяє виявляти та повторно використовувати кодові компоненти, агентів та сервіси on-chain, стимулюючи розробників економічною компенсацією. Розробники реєструють свій код on-chain та отримують NFT, що представляють власність на код після розробки повних агентів або компонентів. Власники сервісів співпрацюють з кількома агентами для створення сервісу та реєструють його on-chain, привертаючи операторів агентів для виконання сервісу, який користувачі отримують, сплачуючи за його використання.
• Fetch.ai: Fetch.ai має потужну командну підготовку та досвід розробки в галузі штучного інтелекту, наразі зосереджуючись на треку агентів штучного інтелекту. Протокол складається з чотирьох ключових рівнів: агентів штучного інтелекту, Agentverse, AI Engine і Fetch Network. Агенти штучного інтелекту складають ядро системи, тоді як інші надають фреймворки та інструменти, які допомагають створювати агентські послуги. Agentverse — це платформа програмного забезпечення як послуги, яка в основному використовується для створення та реєстрації агентів штучного інтелекту. AI Engine має на меті інтерпретувати вхідні дані природною мовою користувача та перетворювати їх на практичні завдання, вибираючи найбільш підходящого зареєстрованого агента штучного інтелекту з Agentverse для виконання завдання. Fetch Network — це блокчейн-рівень протоколу, де агенти штучного інтелекту повинні зареєструватися в контракті на ончейн альманах, щоб співпрацювати з іншими агентами. Варто зазначити, що Autonolas наразі зосереджується на створенні агентів у криптосвіті та переносить офлайн-операції агентів на блокчейн, тоді як сфера діяльності Fetch.ai включає світ Web2, такий як бронювання подорожей та прогнози погоди.
• Delysium: Delysium перейшов від ігрового до протоколу агента штучного інтелекту, який в основному складається з двох рівнів: комунікаційного рівня та рівня блокчейну. Комунікаційний рівень служить основою Delysium, забезпечуючи безпечну та масштабовану інфраструктуру для ефективної комунікації між агентами штучного інтелекту. Рівень блокчейну перевіряє особи агентів і незмінно записує поведінку агентів за допомогою смарт-контрактів. Зокрема, комунікаційний рівень встановлює єдиний протокол зв'язку між агентами, полегшуючи безперебійну комунікацію за допомогою стандартизованих систем обміну повідомленнями. Крім того, він встановлює протоколи виявлення служб і API, дозволяючи користувачам та іншим агентам швидко знаходити доступних агентів і підключатися до них. Рівень блокчейну складається в основному з двох частин: Agent ID і смарт-контракту Chronicle. Agent ID гарантує, що тільки законні агенти можуть отримати доступ до мережі, в той час як Chronicle служить незмінним сховищем журналів для всіх важливих рішень і дій, прийнятих агентами, забезпечуючи надійне відстеження поведінки агента.
• Altered State Machine: Altered State Machine встановлює стандарти власності на активи та транзакції для агентів через NFT. Хоча ASM в основному інтегрується з іграми наразі, його базові специфікації також мають потенціал для розширення до інших доменів агентів.
• Morpheous: Morpheous будує мережу екосистеми штучного інтелекту, спрямовану на з'єднання кодерів, постачальників комп'ютерів, будівельників спільнот та капіталовкладень, які відповідно надають штучно-інтелектні агенти, обчислювальну потужність, що підтримує операції агента, фронтенд та інструменти розробки, а також фінансування. MOR прийме модель Fair Launch, щоб стимулювати майнерів, які надають обчислювальну потужність, стейкерів stETH, учасників розробки агента або смарт-контракту та учасників розвитку спільноти.

4.2 zkML/opML

Доказ нульового знання наразі має два основні напрямки застосування:

• Доказ вірного обчислення за нижчу вартість on-chain (ZK-Rollup та ZKP крос-ланцюжкові мости використовують цю функцію ZK);
• Захист конфіденційності: Не потрібно знати деталі обчислення, але можна довести, що обчислення виконано правильно.

Так само застосування ZKP в машинному навчанні також може бути розділено на дві категорії:

• Перевірка виведення: Це означає, що за допомогою ZK-доказу, доводиться на ланцюжку за менших витрат те, що процес щільних обчислень виконання виведення моделі ШІ правильно виконано позаланцюжково.
• Захист конфіденційності: Може бути розділений на дві категорії. Одна полягає в захисті конфіденційності даних, що включає використання приватних даних для інференції на загальнодоступних моделях, що може бути досягнуто за допомогою ZKML для захисту конфіденційності даних. Інша - це захист конфіденційності моделі, спрямований на приховування конкретної інформації, такої як ваги моделі, обчислення та отримання вихідних результатів з публічних вхідних даних.

Автор вважає, що наразі найважливішим аспектом для криптовалют є верифікація висновків, і тут ми детальніше розглянемо сценарії перевірки висновків. Починаючи від штучного інтелекту як учасника і закінчуючи штучним інтелектом як правилами світу, ми сподіваємося інтегрувати ШІ в ончейн-процеси. Однак висока обчислювальна вартість висновування моделі штучного інтелекту перешкоджає прямому виконанню в ланцюжку. Перенесення цього процесу в офчейн означає, що ми повинні терпіти проблеми з довірою, спричинені цією чорною скринькою — чи не втрутився оператор моделі штучного інтелекту в мої дані? Чи використовували вони вказану мною модель для висновків? Перетворюючи моделі машинного навчання в схеми ZK, ми можемо досягти: (1) Ончейн-сховище менших моделей, зберігання невеликих моделей zkML у смарт-контрактах безпосередньо вирішує проблему непрозорості; (2) Завершення висновків поза ланцюгом під час генерації доказів ZK, використання ончейн-виконання доказів ZK для перевірки правильності процесу виведення. Інфраструктура включатиме два контракти — основний контракт (який використовує модель машинного навчання для виведення результатів) та контракт на перевірку ZK-Proof.

zkML все ще знаходиться на початкових етапах і стикається з технічними викликами у перетворенні моделей ML у ZK-схеми, а також високими обчислювальними та криптографічними витратами. Схоже на шлях розвитку Rollup, opML служить ще одним рішенням з економічної точки зору. opML використовує припущення AnyTrust від Arbitrum, що означає, що кожне твердження має принаймні один чесний вузол, що гарантує, що подавець або принаймні один перевіряючий є чесним. Однак OPML може служити лише альтернативою для верифікації виведення та не може забезпечити захист конфіденційності.

Поточні проекти будують інфраструктуру для zkML та досліджують її застосування. Створення додатків не менш важливе, оскільки воно має наочно продемонструвати криптокористувачам значну роль zkML і довести, що кінцева цінність може переважити величезні витрати. У цих проектах одні зосереджуються на розробці технологій ZK, пов'язаних з машинним навчанням (наприклад, Modulus Labs), тоді як інші зосереджуються на більш загальній побудові інфраструктури ZK. До суміжних проектів належать:

• Modulus використовує zkML для застосування штучного інтелекту до процесів виведення на ланцюжку. 27 лютого Modulus запустив доведення zkML Remainder, досягнувши покращення ефективності в 180 разів порівняно з традиційним виведенням штучного інтелекту на еквівалентному обладнанні. Крім того, Modulus співпрацює з декількома проектами для дослідження практичних випадків використання zkML. Наприклад, вони співпрацюють з Upshot для збору складних ринкових даних, оцінки цін на NFT за допомогою штучного інтелекту з використанням ZK-доказів та передачі цін на блокчейн. Вони також співпрацюють з AI Arena, щоб довести, що Аватар у бою та тренований гравець - це одна й та ж сутність.
• Risc Zero поміщає моделі на ланцюжок, і запускаючи моделі машинного навчання в ZKVM RISC Zero, вони можуть довести, що точні обчислення, включені в модель, виконуються правильно.
• Ingonyama розробляє спеціалізований апаратний засіб для ZK технології, що може знизити бар'єр для входу в галузь ZK технологій. zkML також може бути використаний у процесі навчання моделі.

5 AI Як мета

Якщо попередні три категорії більше зосереджені на тому, як штучний інтелект надає Крипто силу, то «ШІ як мета» підкреслює допомогу Крипто ШІ, а саме, як використовувати Крипто для створення кращих моделей та продуктів ШІ. Це може включати кілька критеріїв оцінки, таких як більша ефективність, точність та децентралізація. ШІ складається з трьох основних елементів: даних, обчислювальної потужності та алгоритмів, і в кожному з них Крипто намагається надати більш ефективну підтримку ШІ:

• Дані: Дані служать основою для тренування моделей, а децентралізовані протоколи обробки даних надихають фізичних осіб або підприємства надавати більше приватних даних, використовуючи криптографію для захисту конфіденційності даних та запобігання витоку чутливої особистої інформації.
• Сила обчислень: Децентралізований трек сили обчислень наразі є найгарячішим треком штучного інтелекту. Протоколи сприяють відповідності пропозиції та попиту на ринку, сприяючи поєднанню довгого хвоста сили обчислень з підприємствами штучного інтелекту для навчання та висновків моделей.
• Алгоритми: Крипто зміцнення алгоритмів є найважливішим аспектом досягнення децентралізованого ШІ, як описано в статті Віталіка Бутеріна «ШІ як мета». Шляхом створення децентралізованої та надійної ШІ в чорній скриньці можна вирішити проблеми, такі як атака машинного навчання. Однак цей підхід може зіткнутися зі значними перешкодами, такими як високі криптографічні витрати. Крім того, «використання криптографічних стимулів для поощрення створення кращої ШІ» може бути досягнуто без повного поглиблення в теорію криптографії.

Монополізація даних та обчислювальної потужності великими технологічними компаніями призвела до монополії на процес навчання моделей, де закриті моделі стають ключовими драйверами прибутку для цих корпорацій. З інфраструктурної точки зору Крипто стимулює децентралізоване постачання даних та обчислювальної потужності за допомогою економічних засобів. Крім того, воно забезпечує конфіденційність даних під час процесу за допомогою криптографічних методів. Це служить фундаментом для сприяння децентралізованому навчанню моделей, спрямованому на досягнення більш прозорої та децентралізованої екосистеми штучного інтелекту.

5.1 Протокол децентралізованих даних

Децентралізовані протоколи обробки даних в основному працюють за допомогою залучення даних від користувачів, що стимулює користувачів надавати набори даних або послуги з обробки даних (наприклад, маркування даних) для підприємств, які використовують їх для навчання моделей. Вони також створюють ринки даних для сприяння збігу між пропозицією та попитом. Деякі протоколи також досліджують стимулювання користувачів через протоколи DePIN для отримання даних перегляду або використання користувачів пристроїв / пропускної здатності для збору веб-даних.

• Протокол Ocean: Токенізує власність на дані та дозволяє користувачам створювати NFT для даних / алгоритмів без кодування на протоколі Ocean, одночасно створюючи відповідні токени даних для контролю доступу до даних NFT. Протокол Ocean забезпечує конфіденційність даних за допомогою Compute To Data (C2D), де користувачі можуть отримувати лише результати виведення на основі даних / алгоритмів, без повного завантаження. Заснований у 2017 році як ринок даних, протокол Ocean природно приєднався до хвилі штучного інтелекту в цьому поточному тренді.
• Synesis One: Цей проект - платформа Train2Earn на Solana, де користувачі заробляють винагороди у $SNS, надаючи дані природною мовою та маркування даних. Користувачі підтримують видобуток, надаючи дані, які зберігаються та розміщуються на ланцюжку після верифікації, після чого використовуються компаніями з штучним інтелектом для навчання та висновків. Шахтарі поділяються на три категорії: Архітектори / Будівельники / Валідатори. Архітектори створюють нові завдання з даними, Будівельники надають текстові дані для конкретних завдань, а Валідатори перевіряють набори даних, надані Будівельниками. Завершені набори даних зберігаються в IPFS, а їх джерела, разом із адресами IPFS, зберігаються в позаланцюжковій базі даних для використання компаніями з штучним інтелектом (наразі Mind AI).

Grass: Децентралізований рівень даних, який отримав назву ШІ, по суті, функціонує як децентралізований ринок мережевого парсингу, отримуючи дані для цілей навчання моделі штучного інтелекту. Інтернет-сайти служать життєво важливими джерелами навчальних даних для штучного інтелекту, причому багато сайтів, таких як Twitter, Google і Reddit, мають значну цінність. Однак ці веб-сайти постійно накладають обмеження на збирання даних. Grass використовує невикористану пропускну здатність в окремих мережах, щоб пом'якшити вплив блокування даних, використовуючи різні IP-адреси для вилучення даних із загальнодоступних веб-сайтів. Він проводить первинне очищення даних і служить джерелом даних для навчання моделей штучного інтелекту. В даний час на стадії бета-тестування Grass дозволяє користувачам заробляти бали, надаючи пропускну здатність, яку можна обміняти на потенційні аірдропи.

Протокол AIT: Протокол AIT є децентралізованим протоколом маркування даних, призначеним для надання розробникам високоякісних наборів даних для навчання моделей. Web3 дозволяє глобальним робочим силам швидко отримати доступ до мережі та заробляти стимули через маркування даних. Дані вчених компанії AIT попередньо маркуються, після чого їх подальшу обробку здійснюють користувачі. Після проходження якісних перевірок вченими компанії AIT підтверджені дані надаються розробникам для використання.

Крім вищезазначених протоколів забезпечення даних та протоколів маркування даних, колишня децентралізована інфраструктура зберігання, така як Filecoin, Arweave та інші, також сприятиме більш децентралізованому постачанню даних.

5.2 Децентралізована обчислювальна потужність

У епоці штучного інтелекту важливість обчислювальної потужності очевидна. Не лише зріс курс акцій NVIDIA, але в криптосвіті можна сказати, що децентралізована обчислювальна потужність - найгарячіше напрямок у сфері ШІ—з 200 найбільших проектів зі штучного інтелекту за капіталізацією 5 проектів (Render/Akash/AIOZ Network/Golem/Nosana) фокусуються на децентралізованій обчислювальній потужності і пережили значний ріст протягом останніх кількох місяців. Багато проектів у низькому діапазоні ринкової капіталізації також побачили появу платформ децентралізованої обчислювальної потужності. Хоча вони тільки почали, вони швидко набирають оберти, особливо під хвилею ентузіазму від конференції NVIDIA.

Судячи з характеристик треку, основна логіка проектів у цьому напрямку дуже однорідна — використання токен-стимулів для заохочення окремих осіб або підприємств із незадіяними обчислювальними ресурсами надавати ресурси, тим самим значно знижуючи витрати на використання та створюючи ринок попиту-пропозиції обчислювальних потужностей. В даний час основними джерелами обчислювальної потужності є центри обробки даних, майнери (особливо після переходу Ethereum на PoS), обчислювальні потужності споживчого рівня та співпраця з іншими проектами. Незважаючи на гомогенізацію, це траса, де провідні проекти мають високі рови. Основними конкурентними перевагами проектів є: обчислювальні енергетичні ресурси, ціни на оренду обчислювальних потужностей, коефіцієнти використання обчислювальних потужностей та інші технічні переваги. Провідні проєкти цього треку включають Akash, Render, io.net та Gensyn.

Згідно з конкретними бізнес-орієнтирами, проекти можна приблизно поділити на дві категорії: виведення моделі штучного інтелекту та навчання моделі штучного інтелекту. Оскільки вимоги до обчислювальної потужності та пропускної здатності для навчання моделі штучного інтелекту набагато вищі, ніж для виведення, а ринок виведення моделі стрімко розширюється, передбачуваний дохід у майбутньому значно перевищить дохід від навчання моделі. Тому, наразі, переважна більшість проектів фокусується на напрямку виведення (Akash, Render, io.net), з увагою на навчання. Серед них Акаш та Рендер спочатку не розроблялися для обчислень штучного інтелекту. Акаш спочатку використовувався для загальних обчислень, тоді як Рендер в основному використовувався для відео та обробки зображень. io.net спеціально розроблений для обчислень штучного інтелекту, але після того, як штучний інтелект підвищив рівень вимог до обчислення, всі ці проекти почали розвиватися в напрямку штучного інтелекту.

Найважливішими двома конкурентними показниками, як і раніше, є сторона пропозиції (обчислювальні потужні ресурси) і сторона попиту (використання обчислювальних потужностей). Akash має 282 графічні процесори та понад 20 000 процесорів, понад 160 000 завершених договорів оренди та коефіцієнт використання мережі GPU становить 50-70%, що є хорошим показником у цьому напрямку. io.net має 40 272 графічні процесори та 5 958 процесорів, а також 4 318 графічних процесорів і 159 центральних процесорів Render, а також ліцензію на використання 1 024 графічних процесорів Filecoin, включаючи близько 200 H100 і тисячі A100. io.net залучає обчислювальні ресурси з надзвичайно високими очікуваннями щодо аірдропу, а дані GPU швидко зростають, що вимагає переоцінки його здатності залучати ресурси після лістингу токена. Render і Gensyn не розголошують конкретних даних. Крім того, багато проєктів підвищують свою конкурентоспроможність як з боку попиту, так і з боку пропозиції завдяки співпраці екосистем. Наприклад, io.net використовує обчислювальні потужності Render і Filecoin для збільшення власних запасів ресурсів, а Render створила програму Computing Client Program (RNP-004), що дозволяє користувачам опосередковано отримувати доступ до ресурсів обчислювальної потужності Render через обчислювальні клієнти, такі як io.net, Nosana, FedMl, та Beam, швидко переходять з області рендерингу до обчислення штучного інтелекту.

Крім того, проблемою залишається перевірка децентралізованих обчислень — як довести, що працівники, які мають обчислювальні ресурси, коректно виконують обчислювальні завдання. Генсин намагається створити такий рівень верифікації, забезпечуючи правильність обчислень за допомогою імовірнісних доказів навчання, протоколів точного позиціонування на основі графів і стимулів. Валідатори та репортери спільно перевіряють обчислення в Gensyn, тому, окрім забезпечення обчислювальної підтримки децентралізованого навчання, його встановлений механізм верифікації також має унікальну цінність. Обчислювальний протокол Fluence, розташований на Solana, також покращує перевірку обчислювальних завдань. Розробники можуть перевірити, чи їхні програми працюють належним чином і чи правильно виконуються обчислення, вивчивши докази, надані постачальниками в мережі. Однак практична потреба все ще віддає пріоритет здійсненності, а не надійності. Обчислювальні платформи спочатку повинні мати достатню обчислювальну потужність, щоб бути конкурентоспроможними. Звичайно, для чудових протоколів верифікації є можливість доступу до обчислювальних ресурсів з інших платформ, які служать рівнями валідації та протоколів, які відіграють унікальну роль.

5.3 Децентралізована модель

Описаний Віталіком останній сценарій, як зображено на діаграмі нижче, досі дуже далекий. Наразі ми не здатні досягти довіреної AI у вигляді чорного ящика, створеної за допомогою технологій блокчейну та шифрування для вирішення проблем машинного навчання, що зазнало атак. Шифрування всього процесу AI від даних навчання до вихідних запитів призводить до значних витрат. Однак наразі існують проекти, що намагаються стимулювати створення кращих моделей AI. Спочатку вони зв'язують закриті стани між різними моделями, створюючи ландшафт, де моделі можуть вчитися одна від одної, співпрацювати та залучатися до здорової конкуренції. Bittensor є одним з найбільш репрезентативних проектів у цьому відношенні.

Bittensor: Bittensor сприяє інтеграції різних моделей штучного інтелекту, але важливо зауважити, що сам Bittensor не займається тренуванням моделей; він в основному надає послуги штучного інтелекту. Його 32 підмережі спрямовані на різні напрямки обслуговування, такі як отримання даних, генерація тексту, Text2Image тощо. При виконанні завдання моделі штучного інтелекту, що належать до різних напрямків, можуть співпрацювати одна з одною. Стимулюючі механізми стимулюють конкуренцію між підмережами та всередині підмереж. Наразі винагороди розподіляються зі швидкістю 1 TAO на блок, загалом приблизно 7200 токенів TAO на день. 64 валідатори в SN0 (Root Network) визначають співвідношення розподілуці нагороди серед різних підмереж на основі продуктивності підмережі. Валідатори підмереж, з іншого боку, визначають співвідношення розподілу серед різних рударів на основі їхньої робочої оцінки. У результаті кращі обслуговуючі сервіси та моделі отримують більше стимулів, що сприяє загальному покращенню якості системного висновку.

6 Висновок: Чи МЕМ Це Просто Хайп Або Технологічна Революція?

Від ходів Сема Альтмана, що підштовхували до небесних цін ARKM та WLD, до конференції Nvidia, що підтримала ряд участвуючих проектів, багато людей коригують свої ідеї щодо інвестицій в галузі штучного інтелекту. Чи переважно галузь штучного інтелекту підпирається меметичними спекуляціями чи технологічною революцією?

Окрім кількох тем про знаменитостей (таких як ARKM та WLD), загалом сфера штучного інтелекту в криптовалюті схожа більше на "мем, що приводиться технологічною наративом."

З одного боку, загальні спекуляції у сфері криптоштучного інтелекту, безсумнівно, тісно пов'язані з прогресом Web2 AI. Зовнішній ажіотаж, очолюваний такими організаціями, як OpenAI, послужить каталізатором для сфери криптоштучного інтелекту. З іншого боку, історія галузі штучного інтелекту все ще обертається навколо технологічних наративів. Однак дуже важливо наголошувати на «технологічному наративі», а не лише на самій технології. Це підкреслює важливість вибору конкретних напрямків у сфері штучного інтелекту та уваги до основ проєктів. Необхідно знайти наративні напрямки зі спекулятивною цінністю, а також проекти з довгостроковою конкуренцією та ровами.

Розглядаючи чотири потенційні комбінації, запропоновані Віталіком, ми бачимо баланс між наративним шармом та реалізовністю. У першій та другій категоріях, які представлені додатками ШІ, ми спостерігаємо багато обгорток GPT. Хоча ці продукти швидко розгортаються, вони також проявляють високий рівень бізнес-гомогенності. Перевага першого руху, екосистеми, користувацька база та дохід стають оповіданнями в контексті гомогенної конкуренції. Третя та четверта категорії представляють великі наративи, що поєднують ШІ з криптовалютою, такі як Агенти мережі співпраці on-chain, zkML та децентралізоване перетворення ШІ. Це все ще на початкових етапах, і проекти з технологічними інноваціями швидко привертають кошти, навіть якщо вони тільки на початкових етапах впровадження.

Disclaimer：

1. Ця стаття перепечатана з [ Метричні венчурні фонди]. Переслати оригінальний заголовок 'Metrics Ventures звіт досліджень | Які підсегменти в сферах Крипто × ШІ заслуговують на увагу, виходячи з статті Великого?'. Усі авторські права належать оригінальному автору@charlotte0211z，@BlazingKevin_，Metrics Ventures]. Якщо є заперечення щодо цього перевидання, будь ласка, зв'яжіться з Gate Learnкоманда, і вони оперативно з ним впораються.
2. Відповідальність за відмову: Погляди та думки, висловлені в цій статті, є виключно думкою автора і не становлять жодних інвестиційних порад.
3. Переклади статей на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіатування перекладених статей заборонено.