часть один

на первый взгляд, искусственный интеллект (AI) и web3 кажутся независимыми технологиями, каждая из которых основана на фундаментально разных принципах и выполняет отдельные функции. Однако более глубокое исследование показывает, что эти две технологии имеют потенциал для сбалансирования компромиссов друг друга, при этом их уникальные сильные стороны дополняют и усиливают друг друга. Баладжи Сринивасан ясно сформулировал эту идею о дополняющих возможностях на конференции SuperAI, вызвав подробное сравнение того, как эти технологии взаимодействуют.

Токены возникли в результате восходящего подхода, возникшего из децентрализованных усилий анонимных сетевых энтузиастов и развивавшегося в течение десятилетия благодаря совместным усилиям многочисленных независимых организаций по всему миру. В отличие от этого, искусственный интеллект был разработан с помощью нисходящего подхода, в котором доминируют несколько технологических гигантов, которые задают темп и динамику отрасли. Барьеры для входа в ИИ в большей степени определяются ресурсоемкостью, а не технической сложностью.

эти две технологии также имеют фундаментально различную природу. токены - это детерминированные системы, производящие неизменные результаты, такие как предсказуемость хэш-функций или доказательства с нулевым разглашением. это резко контрастирует с вероятностной и часто непредсказуемой природой искусственного интеллекта.

Аналогично, криптографическая технология превосходит валидацию, обеспечивая подлинность и безопасность транзакций и устанавливая процессы и системы без доверия, в то время как искусственный интеллект фокусируется на генерации, создании богатого цифрового контента. Однако обеспечение происхождения контента и предотвращение кражи личности создают проблемы при создании цифрового контента.

к счастью, токены предоставляют контраргумент к цифровому изобилию - цифровому дефициту. они предлагают относительно зрелые инструменты, которые могут быть применены к технологиям искусственного интеллекта для обеспечения происхождения контента и решения проблем кражи личности.

значительное преимущество токенов в их способности привлекать значительные аппаратные и финансовые ресурсы в координированные сети для достижения конкретных целей. эта способность особенно полезна для искусственного интеллекта, который потребляет большие объемы вычислительной мощности. мобилизация недостаточно используемых ресурсов для предоставления более доступной вычислительной мощности может значительно повысить эффективность искусственного интеллекта.

сравнивая эти две технологии, мы не только оцениваем их индивидуальный вклад, но и видим, как они вместе могут проложить новые пути в технологии и экономике. каждая технология может решать недостатки другой, создавая более интегрированное и инновационное будущее. эта статья на блоге призвана исследовать появляющуюся индустрию ai x web3, фокусируясь на некоторых новых вертикалях на пересечении этих технологий.

source: iosg ventures

часть два

2.1 вычислительная сеть

• в ландшафте отрасли в первую очередь представлены вычислительные сети, нацеленные на решение проблемы ограниченного предложения gpu и исследование различных способов снижения затрат на вычисления. Примечательные аспекты включают:
• неоднородная меж-GPU совместимость: этот амбициозный проект связан с высокими техническими рисками и неопределенностями, но если он пройдет успешно, то может создать значительный масштаб и влияние, сделав все вычислительные ресурсы взаимозаменяемыми. Идея заключается в разработке компиляторов и других предварительных условий, которые позволяют использовать любой аппаратный ресурс на стороне предложения, абстрагируя неоднородность аппаратного обеспечения на стороне спроса. Это позволило бы маршрутизировать вычислительные запросы на любой ресурс в сети, потенциально уменьшая зависимость от программного обеспечения CUDA, которое в настоящее время доминирует среди разработчиков искусственного интеллекта. Несмотря на потенциальные преимущества, многие эксперты высоко скептически относятся к возможности реализации этого подхода.
• агрегация высокопроизводительных графических процессоров: этот подход сосредоточен на интеграции наиболее популярных гпу в мире в распределенную, разрешенную сеть без проблем совместимости между неоднородными ресурсами гпу.
• агрегация графических процессоров потребительского класса: включает в себя объединение низкопроизводительных графических процессоров, доступных в потребительских устройствах, которые являются одними из наиболее недоиспользуемых ресурсов со стороны поставки. Это предназначено для тех, кто готов пожертвовать производительностью и скоростью в пользу более дешевого и длительного процесса обучения.

2.2 обучение и вывод

вычислительные сети в основном используются для двух основных функций: обучение и вывод. спрос на эти сети исходит как из проектов веб 2.0, так и из проектов веб 3.0. в пространстве веб 3.0 проекты, такие как bittensor, используют вычислительные ресурсы для тонкой настройки модели. для вывода проекты веб 3.0 акцентируют внимание на верифицируемости процесса. это внимание привело к появлению верифицируемого вывода как рыночной вертикали, где проекты исследуют, как интегрировать вывод искусственного интеллекта в смарт-контракты, сохраняя принципы децентрализации.

2.3 платформа интеллектуального агента

• далее идет интеллектуальная платформа агента, которая определяет основные проблемы, которые стартапы в этой категории должны решить:
• взаимодействие агентов и возможности их обнаружения и коммуникации: агенты могут обнаруживать и общаться друг с другом.
• возможности создания и управления кластером агентов: агенты могут формировать кластеры и управлять другими агентами.
• собственность и рынок искусственного интеллекта: обеспечение собственности и рынка для искусственного интеллекта.
• эти функции подчеркивают важность гибких и модульных систем, которые могут быть легко интегрированы в различные блокчейн и искусственного интеллекта приложения. агенты искусственного интеллекта имеют потенциал изменить нашу взаимодействие с интернетом, и мы считаем, что агенты будут использовать инфраструктуру для поддержки своей деятельности. мы представляем, что агенты искусственного интеллекта будут полагаться на инфраструктуру следующим образом:
• доступ к данным веб-страниц в режиме реального времени с использованием распределенной сети обхода
• проведение межагентских платежей с использованием каналов defi
• требуя экономические депозиты не только для наказания недобросовестного поведения, но и для улучшения обнаружения агентов (т.е. использование депозитов в качестве экономических сигналов в процессе обнаружения)
• использование консенсуса для определения событий, которые должны привести к снижению
• открытые стандарты взаимодействия и агентские фреймворки для поддержки создания композиционных коллективов
• оценка прошлой производительности на основе неизменной истории данных и выбор подходящих коллективов агентов в режиме реального времени

источник: iosg ventures

2.4 уровень данных

в интеграции искусственного интеллекта и web3 данные являются основным компонентом. данные являются стратегическим активом в соревновании в области искусственного интеллекта и составляют ключевые ресурсы наряду с вычислительными ресурсами. однако данная категория часто остается незамеченной, поскольку большое внимание отрасли сосредоточено на вычислительном уровне. на самом деле, примитивы предоставляют множество интересных направлений в процессе сбора данных, в основном включая следующие два высокоуровневых направления:

доступ к данным общедоступного интернета

доступ к защищенным данным

доступ к общедоступным данным Интернета: эта направленность нацелена на создание распределенной сети веб-пауков, которая может обходить весь Интернет за несколько дней, получая массивные наборы данных или получая доступ к очень конкретным данным Интернета в режиме реального времени. Однако для обхода больших наборов данных в Интернете, требуется очень высокий сетевой спрос, требующий как минимум нескольких сотен узлов для начала какой-либо значимой работы. К счастью, Grass, распределенная сеть узлов-пауков, уже имеет более 2 миллионов активно обменивающихся интернет-полосой пропускания сети узлов, стремящихся обойти весь Интернет. Это демонстрирует большой потенциал экономических стимулов для привлечения ценных ресурсов.

Несмотря на то, что Grass обеспечивает справедливую конкурентную среду для общедоступных данных, проблема использования потенциальных данных, в частности, доступа к проприетарным наборам данных, остается. В частности, большой объем данных по-прежнему хранится с защитой конфиденциальности из-за их конфиденциального характера. Многие стартапы используют криптографические инструменты, которые позволяют разработчикам ИИ использовать базовую структуру данных проприетарных наборов данных для создания и точной настройки больших языковых моделей, сохраняя при этом конфиденциальность конфиденциальной информации.

технологии, такие как федеративное обучение, дифференциальная конфиденциальность, надежные среды выполнения, полностью гомоморфное шифрование и многосторонние вычисления, обеспечивают различные уровни защиты конфиденциальности и компромиссы. исследовательская статья bagel содержит прекрасный обзор этих технологий. Эти технологии не только защищают конфиденциальность данных в процессе машинного обучения, но также достигают комплексных решений по защите конфиденциальности на уровне вычислений.

2.5 источники данных и моделей

Технологии происхождения данных и моделей направлены на создание процессов, которые обеспечивают пользователям уверенность в том, что они взаимодействуют с предназначенными моделями и данными. Более того, эти технологии обеспечивают гарантии подлинности и происхождения. Например, технология происхождения модели водяного знака непосредственно встраивает подписи в алгоритмы машинного обучения, конкретнее, в веса модели, так что при извлечении можно проверить, происходит ли вывод из предназначенной модели.

2.6 приложение

в плане приложений возможности дизайна бесконечны. в вышеуказанном отраслевом ландшафте мы перечислили некоторые особенно ожидаемые случаи развития, поскольку технология искусственного интеллекта применяется в сфере веб 3.0. поскольку эти случаи использования в основном самоочевидны, мы не будем комментировать их дальше. однако стоит отметить, что пересечение искусственного интеллекта и веб 3.0 имеет потенциал изменить многие вертикали в этой сфере, поскольку эти новые примитивы предлагают разработчикам большую свободу для создания инновационных случаев использования и оптимизации существующих.

часть три

сводка

интеграция искусственного интеллекта и web3 приводит к пейзажу, полному инноваций и потенциала. С помощью использования уникальных преимуществ каждой технологии мы можем решать различные задачи и открывать новые технологические пути. По мере исследования этой новой отрасли, синергия между искусственным интеллектом и web3 может стимулировать прогресс, переформатировать наши будущие цифровые впечатления и изменить нашу интеракцию в онлайн-среде.

сочетание цифровой нехватки и цифрового изобилия, мобилизация недостаточно используемых ресурсов для достижения вычислительной эффективности и установление безопасных и защищающих конфиденциальность практик обработки данных определит эру эволюции следующего поколения технологий.

однако мы должны признать, что эта отрасль все еще находится в начальной стадии своего развития, и текущая ситуация может быстро устареть. быстрый темп инноваций означает, что современные передовые решения могут скоро быть заменены новыми прорывами. тем не менее, основные обсуждаемые концепции, такие как вычислительные сети, платформы агентов и протоколы данных, подчеркивают огромные возможности интеграции искусственного интеллекта с web3.

отказ от ответственности：

1. эта статья воспроизведена из [深潮TechFlow], авторское право принадлежит оригинальному автору [iosg ventures], если у вас есть какие-либо возражения против перепечатки, пожалуйста, свяжитесь с Gate learnкоманда, и команда обработает это как можно скорее в соответствии с соответствующими процедурами.

2. disclaimer: мнения и взгляды, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционными советами.

3. другие языковые версии статьи переводятся командой Gate learn и не упоминаются в Gate.io, переведенная статья не может быть воспроизведена, распространена или скопирована.