Dalam beberapa tahun terakhir, perkembangan pesat teknologi kecerdasan buatan (AI) dan Web3 telah menarik perhatian luas di seluruh dunia. AI sebagai teknologi yang mensimulasikan kecerdasan manusia telah mencapai terobosan signifikan di bidang pengenalan wajah, pemrosesan bahasa alami, pembelajaran mesin, dan lain-lain, membawa perubahan besar dan inovasi di berbagai industri. Pada tahun 2023, ukuran pasar industri AI mencapai 200 miliar dolar AS, melahirkan perusahaan-perusahaan unggulan seperti OpenAI, Character.AI, Midjourney, dan lain-lain.
Sementara itu, Web3 sebagai model jaringan yang muncul sedang mengubah cara orang memahami dan menggunakan internet. Web3 didasarkan pada teknologi blockchain yang terdesentralisasi, melalui kontrak pintar, penyimpanan terdistribusi, dan fungsi autentikasi terdesentralisasi, mewujudkan berbagi dan pengendalian data, otonomi pengguna, dan pembentukan mekanisme kepercayaan. Ide inti dari Web3 adalah membebaskan data dari tangan lembaga terpusat, memberi pengguna kontrol atas data dan hak berbagi nilai. Saat ini, nilai pasar industri Web3 mencapai 25 triliun dolar AS, proyek-proyek seperti Bitcoin, Ethereum, Solana, dan lainnya bermunculan.
Kombinasi AI dan Web3 adalah bidang yang sangat diperhatikan oleh builder dan investor dari Timur dan Barat, bagaimana mengintegrasikan keduanya dengan baik adalah masalah yang layak untuk dieksplorasi. Artikel ini akan fokus pada keadaan perkembangan AI+Web3, menganalisis situasi proyek saat ini, dan secara mendalam membahas keterbatasan serta tantangan yang dihadapi, memberikan referensi dan wawasan untuk investor dan praktisi industri.
Dua, Cara AI berinteraksi dengan Web3
Perkembangan AI dan Web3 bagaikan dua sisi neraca, AI meningkatkan produktivitas, sementara Web3 membawa perubahan dalam hubungan produksi. Selanjutnya, kita akan menganalisis tantangan dan ruang peningkatan yang dihadapi oleh industri AI dan Web3 masing-masing, lalu mengeksplorasi bagaimana keduanya dapat saling membantu mengatasi tantangan tersebut.
2.1 Tantangan yang Dihadapi oleh Industri AI
Inti dari industri AI tidak terlepas dari tiga elemen: daya komputasi, algoritma, dan data.
Daya komputasi: mengacu pada kemampuan untuk melakukan perhitungan dan pemrosesan dalam skala besar. Tugas AI biasanya memerlukan pemrosesan data dalam jumlah besar dan melakukan perhitungan yang kompleks, seperti melatih model jaringan saraf dalam. Kemampuan komputasi yang tinggi dapat mempercepat proses pelatihan dan inferensi model, meningkatkan kinerja dan efisiensi sistem AI. Dalam beberapa tahun terakhir, dengan perkembangan GPU dan chip AI khusus, peningkatan daya komputasi telah berperan penting dalam mendorong perkembangan industri AI.
Algoritma: adalah komponen inti dari sistem AI, digunakan untuk menyelesaikan masalah dan melaksanakan tugas dengan metode matematis dan statistik. Algoritma AI dapat dibagi menjadi algoritma pembelajaran mesin tradisional dan algoritma pembelajaran mendalam, di mana algoritma pembelajaran mendalam telah mencapai terobosan signifikan dalam beberapa tahun terakhir. Pemilihan dan desain algoritma sangat penting untuk kinerja dan efektivitas sistem AI. Algoritma yang terus diperbaiki dan diinnovasikan dapat meningkatkan akurasi, ketahanan, dan kemampuan generalisasi sistem AI.
Data: Tugas inti dari sistem AI adalah untuk mengekstrak pola dan aturan dari data melalui pembelajaran dan pelatihan. Data adalah dasar untuk melatih dan mengoptimalkan model, melalui sampel data yang besar, sistem AI dapat belajar model yang lebih akurat dan lebih cerdas. Kumpulan data yang kaya dapat memberikan informasi yang lebih komprehensif dan beragam, memungkinkan model untuk lebih baik dalam menggeneralisasi ke data yang belum pernah dilihat sebelumnya, membantu sistem AI untuk lebih memahami dan menyelesaikan masalah di dunia nyata.
AI menghadapi tantangan utama dalam tiga aspek ini:
Dalam hal daya komputasi: Mendapatkan dan mengelola daya komputasi skala besar itu mahal dan kompleks, biaya, konsumsi energi, dan pemeliharaan perangkat komputasi berkinerja tinggi adalah masalah. Bagi startup dan pengembang individu, mendapatkan daya komputasi yang cukup bisa jadi sulit.
Dalam hal algoritma: Algoritma pembelajaran mendalam memerlukan banyak data dan sumber daya komputasi, serta kurangnya interpretabilitas dan keterjelasan model. Ketahanan dan kemampuan generalisasi algoritma juga merupakan masalah penting, dan kinerja model pada data yang belum pernah dilihat mungkin tidak stabil.
Aspek data: Mengakses data yang berkualitas tinggi dan beragam masih merupakan tantangan. Data di beberapa bidang mungkin sulit diperoleh, seperti data kesehatan. Kualitas data, akurasi, dan pelabelan juga menjadi masalah, data yang tidak lengkap atau bias dapat menyebabkan perilaku model yang salah atau bias. Sementara itu, melindungi privasi dan keamanan data juga merupakan faktor penting yang perlu dipertimbangkan.
Selain itu, masalah seperti interpretabilitas dan transparansi model AI, serta ketidakjelasan model bisnis, juga membuat banyak pengusaha AI merasa bingung.
2.2 Tantangan yang Dihadapi oleh Industri Web3
Industri Web3 saat ini juga menghadapi banyak tantangan yang perlu diatasi, termasuk analisis data, pengalaman pengguna, keamanan kontrak pintar, dan lainnya yang masih memiliki ruang untuk peningkatan. AI sebagai alat untuk meningkatkan produktivitas, juga memiliki banyak potensi untuk berkontribusi di bidang-bidang ini:
Analisis dan Prediksi Data: Teknologi AI dapat membantu platform Web3 untuk mengekstrak informasi berharga dari data dalam jumlah besar, melakukan prediksi dan pengambilan keputusan yang lebih akurat, yang memiliki signifikansi penting dalam penilaian risiko, prediksi pasar, dan manajemen aset di bidang DeFi.
Pengalaman pengguna dan layanan yang dipersonalisasi: AI dapat membantu platform Web3 memberikan pengalaman pengguna yang lebih baik dan layanan yang dipersonalisasi, dengan menganalisis data pengguna untuk memberikan rekomendasi yang dipersonalisasi, layanan yang disesuaikan, dan pengalaman interaksi yang cerdas, sehingga meningkatkan keterlibatan dan kepuasan pengguna.
Keamanan dan perlindungan privasi: AI dapat digunakan untuk mendeteksi dan mempertahankan terhadap serangan siber, mengenali perilaku yang tidak biasa, dan memberikan perlindungan keamanan yang lebih kuat. Pada saat yang sama, AI juga dapat diterapkan dalam perlindungan privasi data, dengan melindungi informasi pengguna melalui teknik enkripsi dan komputasi privasi.
Audit kontrak pintar: Teknologi AI dapat digunakan untuk mengotomatiskan audit kontrak dan deteksi kerentanan, meningkatkan keamanan dan keandalan kontrak.
Tiga, Analisis Status Proyek AI+Web3
Proyek yang menggabungkan AI dan Web3 terutama berfokus pada dua aspek: memanfaatkan teknologi blockchain untuk meningkatkan kinerja proyek AI, serta menggunakan teknologi AI untuk mendukung peningkatan proyek Web3.
3.1 Web3 Mendukung AI
3.1.1 Kekuatan Komputasi Terdesentralisasi
Dengan munculnya model besar seperti ChatGPT, permintaan terhadap daya komputasi di bidang AI meningkat pesat. Namun, kekurangan pasokan GPU menjadi kendala dalam pengembangan AI. Untuk mengatasi masalah ini, beberapa proyek Web3 mencoba menawarkan layanan daya komputasi terdesentralisasi, termasuk Akash, Render, Gensyn, dan lainnya. Proyek-proyek ini mendorong pengguna di seluruh dunia untuk menyediakan daya komputasi GPU yang tidak terpakai melalui insentif token, untuk memberikan dukungan daya komputasi kepada klien AI.
Sisi pasokan terutama mencakup penyedia layanan cloud, penambang cryptocurrency, dan perusahaan besar. Proyek kekuatan komputasi terdesentralisasi secara umum dibagi menjadi dua kategori: satu digunakan untuk inferensi AI ( seperti Render, Akash ), dan yang lainnya digunakan untuk pelatihan AI ( seperti io.net, Gensyn ).
Mengambil io.net sebagai contoh, sebagai jaringan kekuatan komputasi terdesentralisasi, saat ini jumlah GPU melebihi 500.000, dan mengintegrasikan kekuatan komputasi Render dan Filecoin, terus mengembangkan proyek ekosistem. Gensyn memfasilitasi penugasan tugas pembelajaran mesin dan penghargaan melalui kontrak pintar, untuk mewujudkan pelatihan AI.
Namun, sebagian besar proyek memilih untuk melakukan inferensi AI daripada pelatihan, alasan utamanya adalah perbedaan dalam kebutuhan daya komputasi dan bandwidth. Pelatihan AI memerlukan jumlah data yang sangat besar dan bandwidth komunikasi yang tinggi, sehingga sulit untuk diimplementasikan. Sementara itu, inferensi AI memiliki kebutuhan data dan bandwidth yang lebih kecil, sehingga lebih mungkin untuk diimplementasikan.
3.1.2 Model Algoritma Terdesentralisasi
Selain daya komputasi, beberapa proyek mencoba membangun pasar layanan algoritma AI terdesentralisasi. Contohnya Bittensor, yang menghubungkan beberapa model AI, di mana setiap model memiliki pengetahuan dan keterampilan yang menjadi keahliannya. Ketika pengguna mengajukan pertanyaan, pasar akan memilih model AI yang paling sesuai untuk memberikan jawaban.
Dalam jaringan Bittensor, penyedia model algoritma ( penambang ) menyumbangkan model pembelajaran mesin ke jaringan dan menerima imbalan token sebagai hasil kontribusi. Untuk memastikan kualitas jawaban, Bittensor menggunakan mekanisme konsensus unik untuk memastikan jaringan mencapai kesepakatan tentang jawaban terbaik.
Perkembangan platform model algoritma terdesentralisasi dapat memungkinkan perusahaan kecil untuk bersaing dengan organisasi besar dalam penggunaan alat AI terkemuka, yang dapat memiliki dampak signifikan di berbagai industri.
3.1.3 Pengumpulan Data Terdesentralisasi
Pelatihan model AI memerlukan data dalam jumlah besar, tetapi saat ini sebagian besar platform Web2 melarang pengumpulan data untuk pelatihan AI, atau menjual data pengguna kepada perusahaan AI tanpa berbagi keuntungan. Beberapa proyek Web3 menggunakan cara insentif token untuk mewujudkan pengumpulan data yang terdesentralisasi, seperti PublicAI.
Di PublicAI, pengguna dapat berpartisipasi sebagai penyedia data AI atau validator data. Penyedia data menemukan konten yang berharga di platform media sosial dan membagikannya ke pusat data PublicAI; validator data kemudian memilih data yang paling berharga untuk dilibatkan dalam pelatihan AI. Pengguna mendapatkan insentif token melalui kedua jenis kontribusi ini, mendorong hubungan saling menguntungkan antara kontributor data dan pengembangan industri AI.
3.1.4 ZK melindungi privasi pengguna dalam AI
Teknologi bukti nol-pengetahuan dapat mewujudkan verifikasi informasi sambil melindungi privasi, membantu menyelesaikan konflik antara perlindungan privasi data dan berbagi data dalam AI. ZKML(Zero-Knowledge Machine Learning) memungkinkan pelatihan dan inferensi model pembelajaran mesin dilakukan tanpa mengungkapkan data asli dengan menggunakan teknologi bukti nol-pengetahuan.
Proyek seperti BasedAI sedang menjelajahi integrasi mulus FHE( enkripsi homomorfik penuh) dengan LLM untuk menjaga kerahasiaan data. Melalui model bahasa besar dengan pengetahuan nol( ZK-LLM), privasi disematkan dalam infrastruktur jaringan terdistribusi, memastikan data pengguna tetap pribadi selama seluruh proses operasi jaringan.
3.2 AI Mendukung Web3
3.2.1 Analisis dan Prediksi Data
Banyak proyek Web3 mulai mengintegrasikan layanan AI atau mengembangkan alat AI sendiri, untuk memberikan analisis data dan layanan prediksi kepada pengguna, mencakup strategi investasi, analisis on-chain, prediksi harga, dan pasar.
Misalnya, Pond memprediksi alpha token bernilai di masa depan melalui algoritma gambar AI, memberikan saran investasi untuk pengguna dan institusi. BullBear AI dilatih berdasarkan data historis pengguna, sejarah garis harga, dan tren pasar untuk membantu memprediksi pergerakan harga. Numerai sebagai platform kompetisi investasi, peserta memanfaatkan AI dan model bahasa besar untuk memprediksi pasar saham. Platform analisis data on-chain seperti Arkham juga menggabungkan AI untuk memberikan layanan, mencocokkan alamat blockchain dengan entitas dunia nyata, serta menampilkan data dan analisis kunci.
3.2.2 Layanan Personalisasi
Proyek Web3 mengoptimalkan pengalaman pengguna melalui integrasi AI. Misalnya, platform analisis data Dune meluncurkan alat Wand, yang memanfaatkan model bahasa besar untuk menulis kueri SQL, sehingga pengguna yang tidak mengerti SQL dapat dengan mudah melakukan pencarian. Platform media Web3 Followin dan ensiklopedia Web3 IQ.wiki mengintegrasikan ChatGPT untuk merangkum konten. Mesin pencari berbasis LLM Kaito berusaha menjadi platform pencarian Web3. Proyek seperti NFPrompt mengurangi biaya penciptaan NFT pengguna melalui AI.
3.2.3 AI Audit Kontrak Pintar
AI juga memainkan peran penting dalam audit kontrak pintar, dapat lebih efisien dan akurat dalam mengidentifikasi kerentanan kode. Misalnya, 0x0.ai menyediakan auditor kontrak pintar berbasis kecerdasan buatan, menggunakan algoritma canggih untuk menganalisis kontrak pintar dan mengidentifikasi potensi kerentanan atau risiko keamanan. Auditor menggunakan teknologi pembelajaran mesin untuk mengidentifikasi pola dan anomali dalam kode, menandai masalah potensial untuk ditinjau lebih lanjut.
Empat, Keterbatasan dan Tantangan dari Proyek AI+Web3
4.1 Hambatan nyata dalam kekuatan komputasi terdesentralisasi
Produk daya komputasi terdesentralisasi menghadapi beberapa masalah nyata:
Kinerja dan stabilitas: Karena bergantung pada node yang tersebar di seluruh dunia, koneksi jaringan mungkin mengalami keterlambatan dan ketidakstabilan, kinerjanya mungkin lebih buruk dibandingkan dengan produk komputasi terpusat.
Pencocokan sumber daya: Ketersediaan dipengaruhi oleh tingkat pencocokan penawaran dan permintaan, yang dapat menyebabkan kekurangan sumber daya atau ketidakmampuan untuk memenuhi kebutuhan pengguna.
Kompleksitas Teknologi: Pengguna mungkin perlu memahami pengetahuan tentang jaringan terdistribusi, kontrak pintar, dan pembayaran cryptocurrency, sehingga biaya penggunaan menjadi lebih tinggi.
Sulit untuk melakukan pelatihan model besar: Pelatihan model besar memerlukan stabilitas yang sangat tinggi dan kemampuan paralel multi-kartu, saat ini kekuatan komputasi terdesentralisasi sulit untuk dicapai. Alasan utamanya meliputi:
Kekuatan kartu tunggal: Pelatihan model besar membutuhkan kekuatan kartu tunggal yang kuat.
Multi-GPU Paralel: Memerlukan penggerakan GPU tingkat ribuan untuk pelatihan paralel, dengan persyaratan komunikasi antar GPU yang sangat tinggi.
Ekosistem perangkat lunak: lingkungan perangkat lunak yang perlu disesuaikan dengan perangkat keras, seperti sistem CUDA dari NVIDIA.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
5 Suka
Hadiah
5
3
Bagikan
Komentar
0/400
down_only_larry
· 19jam yang lalu
masukkan posisi atau terbawa suasana
Lihat AsliBalas0
AirdropChaser
· 19jam yang lalu
Mengikuti tren pasti rugi, lakukan sebaliknya untuk mendapatkan keuntungan.
Status pengembangan integrasi AI dan Web3: peluang dan tantangan berdampingan
Satu, Pendahuluan: Perkembangan AI+Web3
Dalam beberapa tahun terakhir, perkembangan pesat teknologi kecerdasan buatan (AI) dan Web3 telah menarik perhatian luas di seluruh dunia. AI sebagai teknologi yang mensimulasikan kecerdasan manusia telah mencapai terobosan signifikan di bidang pengenalan wajah, pemrosesan bahasa alami, pembelajaran mesin, dan lain-lain, membawa perubahan besar dan inovasi di berbagai industri. Pada tahun 2023, ukuran pasar industri AI mencapai 200 miliar dolar AS, melahirkan perusahaan-perusahaan unggulan seperti OpenAI, Character.AI, Midjourney, dan lain-lain.
Sementara itu, Web3 sebagai model jaringan yang muncul sedang mengubah cara orang memahami dan menggunakan internet. Web3 didasarkan pada teknologi blockchain yang terdesentralisasi, melalui kontrak pintar, penyimpanan terdistribusi, dan fungsi autentikasi terdesentralisasi, mewujudkan berbagi dan pengendalian data, otonomi pengguna, dan pembentukan mekanisme kepercayaan. Ide inti dari Web3 adalah membebaskan data dari tangan lembaga terpusat, memberi pengguna kontrol atas data dan hak berbagi nilai. Saat ini, nilai pasar industri Web3 mencapai 25 triliun dolar AS, proyek-proyek seperti Bitcoin, Ethereum, Solana, dan lainnya bermunculan.
Kombinasi AI dan Web3 adalah bidang yang sangat diperhatikan oleh builder dan investor dari Timur dan Barat, bagaimana mengintegrasikan keduanya dengan baik adalah masalah yang layak untuk dieksplorasi. Artikel ini akan fokus pada keadaan perkembangan AI+Web3, menganalisis situasi proyek saat ini, dan secara mendalam membahas keterbatasan serta tantangan yang dihadapi, memberikan referensi dan wawasan untuk investor dan praktisi industri.
Dua, Cara AI berinteraksi dengan Web3
Perkembangan AI dan Web3 bagaikan dua sisi neraca, AI meningkatkan produktivitas, sementara Web3 membawa perubahan dalam hubungan produksi. Selanjutnya, kita akan menganalisis tantangan dan ruang peningkatan yang dihadapi oleh industri AI dan Web3 masing-masing, lalu mengeksplorasi bagaimana keduanya dapat saling membantu mengatasi tantangan tersebut.
2.1 Tantangan yang Dihadapi oleh Industri AI
Inti dari industri AI tidak terlepas dari tiga elemen: daya komputasi, algoritma, dan data.
Daya komputasi: mengacu pada kemampuan untuk melakukan perhitungan dan pemrosesan dalam skala besar. Tugas AI biasanya memerlukan pemrosesan data dalam jumlah besar dan melakukan perhitungan yang kompleks, seperti melatih model jaringan saraf dalam. Kemampuan komputasi yang tinggi dapat mempercepat proses pelatihan dan inferensi model, meningkatkan kinerja dan efisiensi sistem AI. Dalam beberapa tahun terakhir, dengan perkembangan GPU dan chip AI khusus, peningkatan daya komputasi telah berperan penting dalam mendorong perkembangan industri AI.
Algoritma: adalah komponen inti dari sistem AI, digunakan untuk menyelesaikan masalah dan melaksanakan tugas dengan metode matematis dan statistik. Algoritma AI dapat dibagi menjadi algoritma pembelajaran mesin tradisional dan algoritma pembelajaran mendalam, di mana algoritma pembelajaran mendalam telah mencapai terobosan signifikan dalam beberapa tahun terakhir. Pemilihan dan desain algoritma sangat penting untuk kinerja dan efektivitas sistem AI. Algoritma yang terus diperbaiki dan diinnovasikan dapat meningkatkan akurasi, ketahanan, dan kemampuan generalisasi sistem AI.
Data: Tugas inti dari sistem AI adalah untuk mengekstrak pola dan aturan dari data melalui pembelajaran dan pelatihan. Data adalah dasar untuk melatih dan mengoptimalkan model, melalui sampel data yang besar, sistem AI dapat belajar model yang lebih akurat dan lebih cerdas. Kumpulan data yang kaya dapat memberikan informasi yang lebih komprehensif dan beragam, memungkinkan model untuk lebih baik dalam menggeneralisasi ke data yang belum pernah dilihat sebelumnya, membantu sistem AI untuk lebih memahami dan menyelesaikan masalah di dunia nyata.
AI menghadapi tantangan utama dalam tiga aspek ini:
Dalam hal daya komputasi: Mendapatkan dan mengelola daya komputasi skala besar itu mahal dan kompleks, biaya, konsumsi energi, dan pemeliharaan perangkat komputasi berkinerja tinggi adalah masalah. Bagi startup dan pengembang individu, mendapatkan daya komputasi yang cukup bisa jadi sulit.
Dalam hal algoritma: Algoritma pembelajaran mendalam memerlukan banyak data dan sumber daya komputasi, serta kurangnya interpretabilitas dan keterjelasan model. Ketahanan dan kemampuan generalisasi algoritma juga merupakan masalah penting, dan kinerja model pada data yang belum pernah dilihat mungkin tidak stabil.
Aspek data: Mengakses data yang berkualitas tinggi dan beragam masih merupakan tantangan. Data di beberapa bidang mungkin sulit diperoleh, seperti data kesehatan. Kualitas data, akurasi, dan pelabelan juga menjadi masalah, data yang tidak lengkap atau bias dapat menyebabkan perilaku model yang salah atau bias. Sementara itu, melindungi privasi dan keamanan data juga merupakan faktor penting yang perlu dipertimbangkan.
Selain itu, masalah seperti interpretabilitas dan transparansi model AI, serta ketidakjelasan model bisnis, juga membuat banyak pengusaha AI merasa bingung.
2.2 Tantangan yang Dihadapi oleh Industri Web3
Industri Web3 saat ini juga menghadapi banyak tantangan yang perlu diatasi, termasuk analisis data, pengalaman pengguna, keamanan kontrak pintar, dan lainnya yang masih memiliki ruang untuk peningkatan. AI sebagai alat untuk meningkatkan produktivitas, juga memiliki banyak potensi untuk berkontribusi di bidang-bidang ini:
Analisis dan Prediksi Data: Teknologi AI dapat membantu platform Web3 untuk mengekstrak informasi berharga dari data dalam jumlah besar, melakukan prediksi dan pengambilan keputusan yang lebih akurat, yang memiliki signifikansi penting dalam penilaian risiko, prediksi pasar, dan manajemen aset di bidang DeFi.
Pengalaman pengguna dan layanan yang dipersonalisasi: AI dapat membantu platform Web3 memberikan pengalaman pengguna yang lebih baik dan layanan yang dipersonalisasi, dengan menganalisis data pengguna untuk memberikan rekomendasi yang dipersonalisasi, layanan yang disesuaikan, dan pengalaman interaksi yang cerdas, sehingga meningkatkan keterlibatan dan kepuasan pengguna.
Keamanan dan perlindungan privasi: AI dapat digunakan untuk mendeteksi dan mempertahankan terhadap serangan siber, mengenali perilaku yang tidak biasa, dan memberikan perlindungan keamanan yang lebih kuat. Pada saat yang sama, AI juga dapat diterapkan dalam perlindungan privasi data, dengan melindungi informasi pengguna melalui teknik enkripsi dan komputasi privasi.
Audit kontrak pintar: Teknologi AI dapat digunakan untuk mengotomatiskan audit kontrak dan deteksi kerentanan, meningkatkan keamanan dan keandalan kontrak.
Tiga, Analisis Status Proyek AI+Web3
Proyek yang menggabungkan AI dan Web3 terutama berfokus pada dua aspek: memanfaatkan teknologi blockchain untuk meningkatkan kinerja proyek AI, serta menggunakan teknologi AI untuk mendukung peningkatan proyek Web3.
3.1 Web3 Mendukung AI
3.1.1 Kekuatan Komputasi Terdesentralisasi
Dengan munculnya model besar seperti ChatGPT, permintaan terhadap daya komputasi di bidang AI meningkat pesat. Namun, kekurangan pasokan GPU menjadi kendala dalam pengembangan AI. Untuk mengatasi masalah ini, beberapa proyek Web3 mencoba menawarkan layanan daya komputasi terdesentralisasi, termasuk Akash, Render, Gensyn, dan lainnya. Proyek-proyek ini mendorong pengguna di seluruh dunia untuk menyediakan daya komputasi GPU yang tidak terpakai melalui insentif token, untuk memberikan dukungan daya komputasi kepada klien AI.
Sisi pasokan terutama mencakup penyedia layanan cloud, penambang cryptocurrency, dan perusahaan besar. Proyek kekuatan komputasi terdesentralisasi secara umum dibagi menjadi dua kategori: satu digunakan untuk inferensi AI ( seperti Render, Akash ), dan yang lainnya digunakan untuk pelatihan AI ( seperti io.net, Gensyn ).
Mengambil io.net sebagai contoh, sebagai jaringan kekuatan komputasi terdesentralisasi, saat ini jumlah GPU melebihi 500.000, dan mengintegrasikan kekuatan komputasi Render dan Filecoin, terus mengembangkan proyek ekosistem. Gensyn memfasilitasi penugasan tugas pembelajaran mesin dan penghargaan melalui kontrak pintar, untuk mewujudkan pelatihan AI.
Namun, sebagian besar proyek memilih untuk melakukan inferensi AI daripada pelatihan, alasan utamanya adalah perbedaan dalam kebutuhan daya komputasi dan bandwidth. Pelatihan AI memerlukan jumlah data yang sangat besar dan bandwidth komunikasi yang tinggi, sehingga sulit untuk diimplementasikan. Sementara itu, inferensi AI memiliki kebutuhan data dan bandwidth yang lebih kecil, sehingga lebih mungkin untuk diimplementasikan.
3.1.2 Model Algoritma Terdesentralisasi
Selain daya komputasi, beberapa proyek mencoba membangun pasar layanan algoritma AI terdesentralisasi. Contohnya Bittensor, yang menghubungkan beberapa model AI, di mana setiap model memiliki pengetahuan dan keterampilan yang menjadi keahliannya. Ketika pengguna mengajukan pertanyaan, pasar akan memilih model AI yang paling sesuai untuk memberikan jawaban.
Dalam jaringan Bittensor, penyedia model algoritma ( penambang ) menyumbangkan model pembelajaran mesin ke jaringan dan menerima imbalan token sebagai hasil kontribusi. Untuk memastikan kualitas jawaban, Bittensor menggunakan mekanisme konsensus unik untuk memastikan jaringan mencapai kesepakatan tentang jawaban terbaik.
Perkembangan platform model algoritma terdesentralisasi dapat memungkinkan perusahaan kecil untuk bersaing dengan organisasi besar dalam penggunaan alat AI terkemuka, yang dapat memiliki dampak signifikan di berbagai industri.
3.1.3 Pengumpulan Data Terdesentralisasi
Pelatihan model AI memerlukan data dalam jumlah besar, tetapi saat ini sebagian besar platform Web2 melarang pengumpulan data untuk pelatihan AI, atau menjual data pengguna kepada perusahaan AI tanpa berbagi keuntungan. Beberapa proyek Web3 menggunakan cara insentif token untuk mewujudkan pengumpulan data yang terdesentralisasi, seperti PublicAI.
Di PublicAI, pengguna dapat berpartisipasi sebagai penyedia data AI atau validator data. Penyedia data menemukan konten yang berharga di platform media sosial dan membagikannya ke pusat data PublicAI; validator data kemudian memilih data yang paling berharga untuk dilibatkan dalam pelatihan AI. Pengguna mendapatkan insentif token melalui kedua jenis kontribusi ini, mendorong hubungan saling menguntungkan antara kontributor data dan pengembangan industri AI.
3.1.4 ZK melindungi privasi pengguna dalam AI
Teknologi bukti nol-pengetahuan dapat mewujudkan verifikasi informasi sambil melindungi privasi, membantu menyelesaikan konflik antara perlindungan privasi data dan berbagi data dalam AI. ZKML(Zero-Knowledge Machine Learning) memungkinkan pelatihan dan inferensi model pembelajaran mesin dilakukan tanpa mengungkapkan data asli dengan menggunakan teknologi bukti nol-pengetahuan.
Proyek seperti BasedAI sedang menjelajahi integrasi mulus FHE( enkripsi homomorfik penuh) dengan LLM untuk menjaga kerahasiaan data. Melalui model bahasa besar dengan pengetahuan nol( ZK-LLM), privasi disematkan dalam infrastruktur jaringan terdistribusi, memastikan data pengguna tetap pribadi selama seluruh proses operasi jaringan.
3.2 AI Mendukung Web3
3.2.1 Analisis dan Prediksi Data
Banyak proyek Web3 mulai mengintegrasikan layanan AI atau mengembangkan alat AI sendiri, untuk memberikan analisis data dan layanan prediksi kepada pengguna, mencakup strategi investasi, analisis on-chain, prediksi harga, dan pasar.
Misalnya, Pond memprediksi alpha token bernilai di masa depan melalui algoritma gambar AI, memberikan saran investasi untuk pengguna dan institusi. BullBear AI dilatih berdasarkan data historis pengguna, sejarah garis harga, dan tren pasar untuk membantu memprediksi pergerakan harga. Numerai sebagai platform kompetisi investasi, peserta memanfaatkan AI dan model bahasa besar untuk memprediksi pasar saham. Platform analisis data on-chain seperti Arkham juga menggabungkan AI untuk memberikan layanan, mencocokkan alamat blockchain dengan entitas dunia nyata, serta menampilkan data dan analisis kunci.
3.2.2 Layanan Personalisasi
Proyek Web3 mengoptimalkan pengalaman pengguna melalui integrasi AI. Misalnya, platform analisis data Dune meluncurkan alat Wand, yang memanfaatkan model bahasa besar untuk menulis kueri SQL, sehingga pengguna yang tidak mengerti SQL dapat dengan mudah melakukan pencarian. Platform media Web3 Followin dan ensiklopedia Web3 IQ.wiki mengintegrasikan ChatGPT untuk merangkum konten. Mesin pencari berbasis LLM Kaito berusaha menjadi platform pencarian Web3. Proyek seperti NFPrompt mengurangi biaya penciptaan NFT pengguna melalui AI.
3.2.3 AI Audit Kontrak Pintar
AI juga memainkan peran penting dalam audit kontrak pintar, dapat lebih efisien dan akurat dalam mengidentifikasi kerentanan kode. Misalnya, 0x0.ai menyediakan auditor kontrak pintar berbasis kecerdasan buatan, menggunakan algoritma canggih untuk menganalisis kontrak pintar dan mengidentifikasi potensi kerentanan atau risiko keamanan. Auditor menggunakan teknologi pembelajaran mesin untuk mengidentifikasi pola dan anomali dalam kode, menandai masalah potensial untuk ditinjau lebih lanjut.
Empat, Keterbatasan dan Tantangan dari Proyek AI+Web3
4.1 Hambatan nyata dalam kekuatan komputasi terdesentralisasi
Produk daya komputasi terdesentralisasi menghadapi beberapa masalah nyata:
Kinerja dan stabilitas: Karena bergantung pada node yang tersebar di seluruh dunia, koneksi jaringan mungkin mengalami keterlambatan dan ketidakstabilan, kinerjanya mungkin lebih buruk dibandingkan dengan produk komputasi terpusat.
Pencocokan sumber daya: Ketersediaan dipengaruhi oleh tingkat pencocokan penawaran dan permintaan, yang dapat menyebabkan kekurangan sumber daya atau ketidakmampuan untuk memenuhi kebutuhan pengguna.
Kompleksitas Teknologi: Pengguna mungkin perlu memahami pengetahuan tentang jaringan terdistribusi, kontrak pintar, dan pembayaran cryptocurrency, sehingga biaya penggunaan menjadi lebih tinggi.
Sulit untuk melakukan pelatihan model besar: Pelatihan model besar memerlukan stabilitas yang sangat tinggi dan kemampuan paralel multi-kartu, saat ini kekuatan komputasi terdesentralisasi sulit untuk dicapai. Alasan utamanya meliputi: