Стан розвитку інтеграції AI та Web3: можливості та виклики

Один. Вступ: Розвиток AI+Web3

Останніми роками швидкий розвиток штучного інтелекту (AI) та технологій Web3 привернув широку увагу в усьому світі. Штучний інтелект як технологія, що імітує людський інтелект, досяг значних успіхів у таких сферах, як розпізнавання облич, обробка природної мови, машинне навчання тощо, що призвело до величезних змін і нововведень у різних галузях. У 2023 році обсяг ринку AI досяг 200 мільярдів доларів США, з’явилися такі видатні компанії, як OpenAI, Character.AI, Midjourney.

Водночас Web3, як нова мережна модель, змінює сприйняття і використання Інтернету. Web3 базується на децентралізованій блокчейн-технології, реалізуючи функції, такі як смарт-контракти, розподілене зберігання та децентралізована ідентифікація, що дозволяє здійснювати обмін і контроль даними, автономію користувачів та встановлення механізмів довіри. Головною ідеєю Web3 є звільнення даних з-під контролю централізованих установ, надання користувачам контролю над даними та правом на поділ їхньою вартістю. Наразі ринкова капіталізація індустрії Web3 досягає 25 трильйонів доларів, проекти, такі як Bitcoin, Ethereum, Solana, з'являються один за одним.

Комбінація AI та Web3 є сферою, яка викликає великий інтерес як у західних, так і у східних будівельників та інвесторів. Як добре інтегрувати обидві ці технології — питання, яке варте дослідження. У цій статті буде зосереджено увагу на поточному стані розвитку AI+Web3, проаналізовано ситуацію з проектами та детально обговорено обмеження та виклики, що стоять перед ними, щоб надати інвесторам та фахівцям галузі корисні рекомендації та insights.

Два, способи взаємодії AI та Web3

Розвиток AI і Web3 нагадує дві сторони терезів: AI підвищує продуктивність, тоді як Web3 приносить зміни у виробничі відносини. Спочатку ми проаналізуємо труднощі та можливості підвищення, з якими стикаються галузі AI та Web3, а потім обговоримо, як вони можуть допомогти вирішити ці труднощі.

2.1 Складнощі, з якими стикається індустрія штучного інтелекту

Ядром індустрії штучного інтелекту є три основні елементи: обчислювальна потужність, алгоритми та дані.

1. Обчислювальна потужність: відноситься до здатності виконувати великомасштабні обчислення та обробку. Завдання AI зазвичай потребують обробки великих обсягів даних і виконання складних обчислень, таких як навчання моделей глибоких нейронних мереж. Висока обчислювальна потужність може прискорити процес навчання та висновків моделі, підвищуючи продуктивність і ефективність системи AI. В останні роки, завдяки розвитку GPU та спеціалізованих AI-чіпів, підвищення обчислювальної потужності зіграло важливу роль у розвитку індустрії AI.

2. Алгоритм: це основна складова AI-системи, що використовується для вирішення задач і реалізації завдань за допомогою математичних та статистичних методів. Алгоритми AI можна поділити на традиційні алгоритми машинного навчання та алгоритми глибокого навчання, причому алгоритми глибокого навчання в останні роки досягли значних успіхів. Вибір і проектування алгоритму є надзвичайно важливими для продуктивності та ефективності AI-системи. Постійне вдосконалення та інновації в алгоритмах можуть поліпшити точність, надійність і узагальнюючі можливості AI-системи.

3. Дані: Основним завданням системи штучного інтелекту є виявлення патернів і закономірностей у даних шляхом навчання та тренування. Дані є основою для навчання та оптимізації моделей, завдяки великомасштабним вибіркам даних система штучного інтелекту може навчитися більш точним і розумним моделям. Багаті набори даних можуть надати більш повну та різноманітну інформацію, що дозволяє моделям краще узагальнювати на невідомих даних, допомагаючи системі штучного інтелекту краще розуміти та вирішувати проблеми реального світу.

Основні труднощі, з якими штучний інтелект стикається в цих трьох сферах, включають:

• Щодо обчислювальної потужності: отримання та управління масштабною обчислювальною потужністю є дорогим і складним, вартість, споживання енергії та обслуговування високопродуктивних обчислювальних пристроїв є проблемами. Для стартапів та індивідуальних розробників отримати достатню обчислювальну потужність може бути важко.

• З точки зору алгоритмів: алгоритми глибокого навчання потребують великої кількості даних і обчислювальних ресурсів, а також мають недостатню інтерпретованість і пояснюваність моделей. Робастність алгоритмів і здатність до узагальнення також є важливими питаннями, оскільки модель може показувати нестабільні результати на невідомих даних.

• Щодо даних: отримання якісних та різноманітних даних досі є викликом. Дані в певних сферах можуть бути важко доступні, наприклад, дані про охорону здоров'я. Якість, точність та розмітка даних також є проблемами, неповні або упереджені дані можуть призвести до помилкової поведінки моделей або упередження. Одночасно захист конфіденційності та безпеки даних також є важливими аспектами.

Крім того, проблеми з інтерпретованістю та прозорістю AI-моделей, а також неясність бізнес-моделів також змушують багатьох підприємців в галузі AI почуватися розгубленими.

2.2 Виклики, з якими стикається індустрія Web3

У сфері Web3 існує багато проблем, які потрібно вирішити, включаючи аналіз даних, досвід користувачів, безпеку смарт-контрактів та інші аспекти, які потребують покращення. AI, як інструмент підвищення продуктивності, також має багато потенційних можливостей у цих сферах:

• Аналіз даних та прогнозування: технології штучного інтелекту можуть допомогти платформам Web3 витягувати цінну інформацію з величезних обсягів даних, здійснювати більш точні прогнози та ухвалювати рішення, що має велике значення для оцінки ризиків у сфері DeFi, прогнозування ринку та управління активами.

• Користувацький досвід та персоналізовані послуги: ШІ може допомогти платформам Web3 забезпечити кращий користувацький досвід та персоналізовані послуги, аналізуючи дані користувачів для надання персоналізованих рекомендацій, індивідуальних послуг та інтелектуального взаємодії, підвищуючи залученість та задоволеність користувачів.

• Безпека та захист приватності: ШІ може використовуватися для виявлення та захисту від кібернападів, розпізнавання аномальної поведінки, забезпечуючи більш потужний захист. Одночасно, ШІ також може бути застосований для захисту приватності даних, захищаючи інформацію користувачів за допомогою шифрування та технологій обчислень з приватністю.

• Аудит смарт-контрактів: Технології ШІ можуть бути використані для автоматизації аудиту контрактів та виявлення вразливостей, підвищуючи безпеку та надійність контрактів.

Три, аналіз поточного стану проектів AI+Web3

Проект, що поєднує AI та Web3, в основному зосереджується на двох аспектах: використанні технології блокчейн для підвищення продуктивності AI-проектів та використанні технології AI для покращення Web3 проектів.

3.1 Web3 допомагає AI

3.1.1 Децентралізовані обчислення

З появою великих моделей, таких як ChatGPT, попит на обчислювальні потужності в галузі ШІ різко зріс. Однак нестача постачання GPU стала вузьким місцем для розвитку ШІ. Щоб вирішити цю проблему, деякі проекти Web3 намагаються надати децентралізовані обчислювальні послуги, включаючи Akash, Render, Gensyn тощо. Ці проекти заохочують глобальних користувачів надавати невикористані обчислювальні потужності GPU через токени, надаючи підтримку обчислювальних потужностей для клієнтів ШІ.

Сторона пропозиції в основному включає постачальників хмарних послуг, майнерів криптовалют та великі підприємства. Проекти децентралізованих обчислень умовно поділяються на два класи: один клас використовується для AI-інференції (, такі як Render, Akash ), інший клас використовується для навчання AI (, такі як io.net, Gensyn ).

В якості прикладу io.net, як децентралізованої мережі обчислювальної потужності, наразі кількість GPU перевищує 500 тисяч, і вона інтегрує обчислювальну потужність Render і Filecoin, постійно розвиваючи екосистемні проекти. Gensyn, в свою чергу, сприяє розподілу завдань машинного навчання та винагородам через смарт-контракти, реалізуючи навчання ШІ.

Однак, більшість проєктів вибирають AI-інференцію, а не навчання, головна причина полягає в різних вимогах до обчислювальної потужності та пропускної здатності. AI-навчання потребує величезних обсягів даних та високошвидкісної комунікаційної пропускної здатності, що ускладнює реалізацію. Натомість AI-інференція має менші вимоги до даних і пропускної здатності, що робить її більш ймовірною для реалізації.

3.1.2 Децентралізована алгоритмічна модель

Окрім обчислювальної потужності, деякі проекти намагаються створити децентралізований ринок послуг штучного інтелекту. Наприклад, Bittensor зв'язує кілька моделей ШІ, кожна з яких має свої знання та навички. Коли користувач ставить запитання, ринок обирає найбільш відповідну модель ШІ для надання відповіді.

В мережі Bittensor постачальники алгоритмічних моделей ( майнер ) вносять моделі машинного навчання в мережу та отримують токенну винагороду за свій внесок. Щоб забезпечити якість відповідей, Bittensor використовує унікальний механізм консенсусу, щоб забезпечити узгодженість мережі щодо найкращих відповідей.

Розвиток децентралізованої алгоритмічної моделі платформи може дозволити малим компаніям конкурувати з великими організаціями у використанні провідних AI-інструментів, що може мати значний потенційний вплив на різні галузі.

3.1.3 Децентралізоване збирання даних

Навчання моделей ШІ потребує великої кількості даних, але наразі більшість платформ Web2 забороняють збір даних для навчання ШІ або продають дані користувачів компаніям ШІ, не ділячись прибутком. Деякі проекти Web3 реалізують децентралізований збір даних за допомогою токенів, такі як PublicAI.

У PublicAI користувачі можуть брати участь як постачальники даних AI або перевіряючі дані. Постачальники даних знаходять цінний контент на соціальних платформах і діляться ним у центрі даних PublicAI; перевіряючі дані голосують за найбільш цінні дані для навчання AI. Користувачі отримують винагороду у вигляді токенів за ці два види внесків, що сприяє взаємовигідним відносинам між постачальниками даних і розробниками AI-індустрії.

3.1.4 ZK захист приватності користувачів в AI

Технологія нульових знань може забезпечити верифікацію інформації, захищаючи при цьому конфіденційність, що допомагає вирішити конфлікт між захистом конфіденційності даних і їх спільним використанням в ШІ. ZKML(Zero-Knowledge Machine Learning) за допомогою технології нульових знань дозволяє проводити навчання та інференцію моделей машинного навчання без витоку первинних даних.

Проекти, такі як BasedAI, досліджують безшовну інтеграцію FHE( повної гомоморфної криптографії) з LLM для збереження конфіденційності даних. Через нульові знання великої мовної моделі( ZK-LLM) приватність вбудовується в інфраструктуру розподіленої мережі, що забезпечує збереження конфіденційності даних користувачів протягом усього процесу роботи мережі.

3.2 Штучний інтелект сприяє Web3

3.2.1 Аналіз даних та прогнозування

Багато Web3 проектів почали інтегрувати AI сервіси або розробляти власні AI інструменти, щоб надавати користувачам послуги з аналізу даних та прогнозування, охоплюючи інвестиційні стратегії, аналіз в мережі, прогнозування цін і ринку тощо.

Наприклад, Pond використовує алгоритм AI для прогнозування майбутніх цінних альфа-токенів, надаючи користувачам та установам інвестиційні рекомендації. BullBear AI тренується на основі історичних даних користувачів, історії цін та тенденцій ринку, допомагаючи прогнозувати цінові коливання. Numerai як платформа для інвестиційних змагань дозволяє учасникам використовувати AI та великі мовні моделі для прогнозування фондового ринку. Платформи аналізу даних на блокчейні, такі як Arkham, також поєднують AI для надання послуг, сопоставляючи адреси блокчейну з реальними об'єктами, демонструючи ключові дані та аналіз.

3.2.2 Персоналізовані послуги

Проекти Web3 оптимізують користувацький досвід за рахунок інтеграції штучного інтелекту. Наприклад, платформа аналізу даних Dune випустила інструмент Wand, який використовує великі мовні моделі для написання SQL-запитів, що дозволяє користувачам, які не знають SQL, легко виконувати пошук. Медійна платформа Web3 Followin і енциклопедія Web3 IQ.wiki інтегрували ChatGPT для підсумовування контенту. Пошукова система на основі LLM Kaito прагне стати пошуковою платформою Web3. Такі проекти, як NFPrompt, знижують витрати на створення NFT для користувачів за рахунок штучного інтелекту.

3.2.3 AI-аудит смарт-контрактів

ШІ також відіграє важливу роль в аудиті смарт-контрактів, оскільки може більш ефективно та точно виявляти вразливості в коді. Наприклад, 0x0.ai пропонує аудитора смарт-контрактів на основі штучного інтелекту, який використовує передові алгоритми для аналізу смарт-контрактів і виявлення потенційних вразливостей або ризиків безпеці. Аудитори використовують технології машинного навчання для виявлення шаблонів та аномалій у коді, позначаючи потенційні проблеми для подальшого розгляду.

Чотири, обмеження та виклики проектів AI+Web3

4.1 Реальні перешкоди в децентралізованих обчисленнях

Децентралізовані продукти обчислювальної потужності стикаються з деякими реальними проблемами:

1. Продуктивність та стабільність: через залежність від вузлів, розподілених по всьому світу, мережеве з'єднання може мати затримки та нестабільність, продуктивність може бути гіршою, ніж у централізованих обчислювальних продуктів.

2. Відповідність ресурсів: доступність залежить від ступеня відповідності попиту та пропозиції, що може призвести до нестачі ресурсів або неможливості задовольнити потреби користувачів.

3. Технічна складність: користувачам може знадобитися знати про розподілені мережі, смарт-контракти та криптовалютні платежі, що робить використання дорожчим.

4. Важко проводити навчання великих моделей: навчання великих моделей потребує надзвичайної стабільності та можливості паралельної роботи з кількома картами, в даний час децентралізовані обчислювальні потужності важко реалізувати. Основні причини включають:

   • Потужність одного графічного процесора: для навчання великих моделей потрібна потужна потужність одного графічного процесора.
   • Паралельне використання декількох карт: потрібно залучити тисячі GPU для паралельного навчання, що вимагає дуже високих вимог до комунікації між картами.
   • Програмна екосистема: необхідно адаптувати програмне середовище до апаратного забезпечення, такого як система CUDA від NVIDIA.