Інтеграція Web3 та ШІ: побудова екосистеми майбутнього Інтернету

Web3 як нова модель інтернету, що є децентралізованою, відкритою та прозорою, має природну сумісність із технологією штучного інтелекту. У традиційній централізованій архітектурі обчислювальні та дані ресурси ШІ зазнають суворих обмежень, стикаючись з багатьма викликами, такими як обмеження обчислювальної потужності, проблеми конфіденційності, непрозорість алгоритмів тощо. Однак Web3, що базується на розподілених технологіях, може забезпечити нові можливості для розвитку ШІ через мережі спільної обчислювальної потужності, відкриту торгівлю даними, обчислення конфіденційності тощо. Водночас ШІ може принести багато вигод для Web3, такі як оптимізація смарт-контрактів, механізми протидії шахрайству тощо, сприяючи його екосистемному будівництву. Отже, вивчення поєднання Web3 та ШІ є важливим для створення інфраструктури наступного покоління Інтернету, а також для реалізації цінності даних і обчислювальної потужності.

Дані, що керують: основа AI та Web3

Дані є основним двигуном розвитку ШІ, подібно до пального для двигуна. Моделі ШІ потребують перетворення величезних обсягів якісних даних, щоб отримати глибоке розуміння та потужні здібності до міркування. Дані не лише забезпечують навчальну основу для моделей машинного навчання, але й визначають точність і надійність моделей.

Традиційні централізовані моделі збору та використання даних ШІ мають такі основні проблеми:

• Вартість отримання даних висока, малим та середнім підприємствам важко її нести
• Ресурси даних монополізовані великими технологічними компаніями, що призводить до утворення островів даних.
• Особисті дані піддаються ризику витоку та зловживання.

Web3 може вирішити проблеми традиційних моделей за допомогою нової децентралізованої парадигми даних:

• Користувачі можуть продавати невикористані мережеві ресурси AI-компаніям, децентралізовано збираючи мережеві дані, які після очищення та перетворення використовуються для навчання AI-моделей, надаючи реальні та високоякісні дані.
• Використання моделі "мітка — заробіток", через токенізацію заохочуючи глобальних працівників брати участь у позначенні даних, об'єднуючи світовий професійний досвід, підвищуючи аналітичні можливості даних.
• Платформа торгівлі даними на основі блокчейну забезпечує відкриту та прозору торгову середу для обох сторін попиту та пропозиції даних, стимулюючи інновації та обмін даними.

Однак, у реальному світі також існує ряд проблем з отриманням даних, таких як нерівномірна якість даних, велика складність обробки, недостатня різноманітність та представницькість тощо. Синтетичні дані можуть стати майбутньою родзинкою у сфері даних Web3. Завдяки технології генеративного ШІ та моделювання, синтетичні дані можуть імітувати характеристики реальних даних, виступаючи як ефективне доповнення, що підвищує ефективність використання даних. У сферах автоматичного водіння, фінансових交易, розробки ігор тощо, синтетичні дані вже демонструють зрілі перспективи застосування.

Захист приватності: застосування повної гомоморфної криптографії в Web3

В епоху даних захист приватності став глобальною проблемою, вихід регламентів, таких як GDPR ЄС, відображає суворі вимоги до захисту особистої інформації. Проте це також створює виклики: деякі чутливі дані не можуть бути повноцінно використані через ризики для приватності, що обмежує потенціал та здатність до розумування моделей штучного інтелекту.

Повна гомоморфна криптографія ( FHE ) дозволяє виконувати обчислення на зашифрованих даних без необхідності їх розшифровування, і результат обчислень збігається з результатом обчислень над відкритими даними. FHE забезпечує надійний захист для AI-приватних обчислень, дозволяючи GPU обробляти дані для навчання моделей і висновків без контакту з оригінальними даними. Це приносить величезні переваги AI-компаніям, дозволяючи безпечно відкривати API-сервіси, захищаючи при цьому комерційну таємницю.

FHEML підтримує шифрування даних і моделей на всьому циклі машинного навчання, забезпечуючи безпеку чутливої інформації та запобігаючи ризикам витоку даних. Цим способом FHEML зміцнює конфіденційність даних, надаючи безпечну обчислювальну структуру для AI-додатків.

FHEML є доповненням до ZKML, де ZKML підтверджує правильність виконання машинного навчання, а FHEML підкреслює обробку зашифрованих даних для забезпечення конфіденційності даних.

Революція обчислювальних потужностей: AI-обчислення в децентралізованих мережах

Поточна складність обчислень AI-систем подвоюється кожні 3 місяці, що призводить до стрімкого зростання попиту на обчислювальні потужності, що значно перевищує наявні ресурси. Наприклад, для навчання великої мовної моделі потрібно величезна обчислювальна потужність, що еквівалентно 355 рокам навчання на одному пристрої. Цей дефіцит обчислювальних потужностей не лише обмежує прогрес у технологіях AI, але й робить високорівневі AI-моделі недоступними для більшості дослідників і розробників.

Водночас, глобальна завантаженість GPU становить менше 40%, а також уповільнення підвищення продуктивності мікропроцесорів та нестача чіпів через проблеми з постачанням і геополітичні фактори ускладнюють проблему забезпечення обчислювальної потужності. Професіонали в галузі ШІ стикаються з дилемою: або купувати апаратуру, або орендувати хмарні ресурси, їм терміново потрібен економічний та ефективний спосіб надання обчислювальних послуг за запитом.

Децентралізована мережа обчислювальної потужності AI агрегує безкоштовні ресурси GPU по всьому світу, надаючи AI-компаніям економічно доступний ринок обчислювальної потужності. Сторони, які потребують обчислювальної потужності, можуть публікувати обчислювальні завдання в мережі, смарт-контракт розподіляє завдання між вузлами, що надають обчислювальну потужність, вузли виконують завдання та подають результати, які після перевірки отримують винагороду. Ця схема підвищує ефективність використання ресурсів і допомагає вирішити проблеми з обчислювальною потужністю в таких сферах, як AI.

Окрім загальної децентралізованої мережі обчислювальних потужностей, є також спеціалізовані платформи обчислювальних потужностей, що зосереджені на навчанні та інференції ШІ. Ці децентралізовані мережі обчислювальних потужностей пропонують чесний і прозорий ринок обчислювальних потужностей, розриваючи монополії, знижуючи бар'єри для входу та підвищуючи ефективність використання обчислювальних потужностей. У екосистемі Web3 децентралізовані мережі обчислювальних потужностей відіграватимуть ключову роль, залучаючи більше інноваційних децентралізованих застосунків, щоб разом сприяти розвитку та впровадженню технологій ШІ.

Пристрої Інтернету речей: Web3 надає можливості прикордонному ШІ

Уявіть собі, що ваш смартфон, розумний годинник або навіть розумні пристрої у вашому домі мають здатність виконувати AI — саме в цьому і полягає привабливість краєвого AI. Це дозволяє обробці даних відбуватися на місці їх виникнення, забезпечуючи низьку затримку, миттєву обробку та захист конфіденційності користувачів. Технології краєвого AI вже застосовуються в таких ключових сферах, як автономне водіння.

У сфері Web3 ми називаємо це децентралізованою фізичною інфраструктурною мережею. Web3 підкреслює децентралізацію та суверенітет даних користувачів; така мережа підвищує захист конфіденційності користувачів, зменшуючи ризик витоку даних, обробляючи дані локально. Вроджений механізм токеноміки Web3 може стимулювати вузли надавати обчислювальні ресурси, створюючи стійку екосистему.

В даний час такі мережі швидко розвиваються в екосистемі певного високопродуктивного публічного блокчейна, ставши однією з основних платформ для впровадження проектів. Висока пропускна здатність цього публічного блокчейна, низькі комісії за транзакції та технологічні інновації надають потужну підтримку відповідним проектам. На даний момент ринкова капіталізація таких проектів на цьому публічному блокчейні вже перевищила 10 мільярдів доларів, а кілька відомих проектів досягли значного прогресу.

Початкова модель випуску: нова парадигма випуску AI-моделей

Початкова модель випуску ( IMO ) концепцію вперше запропоновано певним протоколом, що дозволяє токенізувати AI моделі.

У традиційній моделі, через відсутність механізму поділу доходів, розробникам AI-моделей важко отримувати постійний дохід від подальшого використання моделей, особливо коли моделі інтегруються в інші продукти та послуги, оригінальним творцям важко відстежувати використання та отримувати доходи. Крім того, продуктивність і ефективність AI-моделей часто не прозорі, потенційні інвестори та користувачі важко оцінюють їхню справжню вартість, що обмежує визнання моделей на ринку та їх комерційний потенціал.

IMO надає нову фінансову підтримку та способи розподілу вартості для відкритих AI моделей, інвестори можуть купувати токени IMO, щоб ділитися прибутком, отриманим від подальших моделей. Один з протоколів використовує специфічний стандарт ERC, поєднуючи AI-оракул та технології машинного навчання на блокчейні, щоб забезпечити достовірність AI моделей та можливість токенодержателів отримувати прибуток.

Модель IMO підвищує прозорість і довіру, заохочує відкриту співпрацю, адаптується до тенденцій крипторинку, надає імпульс сталому розвитку технологій штучного інтелекту. IMO наразі знаходиться на початковій стадії випробувань, але з підвищенням прийнятності на ринку та розширенням кола учасників її інноваційність і потенційна цінність заслуговують на очікування.

AI-інтелект: нова ера взаємодії

AI-інтелект може сприймати навколишнє середовище, здійснювати незалежне мислення та вживати відповідних заходів для досягнення визначених цілей. Завдяки підтримці великих мовних моделей, AI-інтелект не лише може розуміти природну мову, але й планувати рішення та виконувати складні завдання. Вони можуть виступати в ролі віртуальних асистентів, навчаючись уподобанням через взаємодію з користувачами, пропонуючи персоналізовані рішення. Навіть без чітких інструкцій AI-інтелект може самостійно вирішувати проблеми, підвищуючи ефективність і створюючи нову цінність.

Деяка відкрита платформа для додатків на базі штучного інтелекту пропонує всеосяжний та зручний набір інструментів для створення, підтримує можливість налаштування функцій, зовнішнього вигляду та голосу роботів, а також підключення до зовнішніх баз знань, прагнучи створити справедливу та відкриту екосистему контенту штучного інтелекту, використовуючи технології генеративного штучного інтелекту, надаючи можливість людям стати супер-креаторами. Ця платформа навчила спеціалізовані великі мовні моделі, що робить рольові ігри більш людяними; технологія клонування голосу може прискорити персоналізацію інтеракцій AI-продуктів, знизивши витрати на синтез голосу на 99%, а клонування голосу займає лише 1 хвилину. Використовуючи налаштовані AI-агенти цієї платформи, наразі їх можна застосовувати в таких сферах, як відеочат, вивчення мов, генерація зображень тощо.

У сфері інтеграції Web3 та AI наразі більше йдеться про дослідження інфраструктурного рівня, як отримати якісні дані, захистити конфіденційність даних, як на блокчейні зберігати моделі, як підвищити ефективність використання децентралізованих обчислювальних потужностей, як перевіряти великі мовні моделі та інші ключові питання. З поступовим удосконаленням цієї інфраструктури, у нас є підстави вірити, що інтеграція Web3 та AI стане основою для виникнення ряду інноваційних бізнес-моделей та послуг.