ส่วนที่หนึ่ง

โดยดูด้วยสายตาครั้งแรก ระบบประสาทประดิษฐ์และเว็บ 3 ดูเหมือนเป็นเทคโนโลยีที่แยกต่างกัน ที่มีพื้นฐานแตกต่างกันและบริการฟังก์ชันที่แตกต่างกัน อย่างไรก็ตาม การสำรวจอย่างลึกอย่างหนึ่งพบว่าเทคโนโลยีสองอย่างนี้มีศักยภาพที่จะสมดุลกันในเรื่องของการแลกเปลี่ยน ซึ่งจุดเด่นที่ไม่เหมือนกันของพวกเขาสามารถทำให้การแข่งขันของกันกลายเป็นสิ่งที่เสริมเติมและเพิ่มประสิทธิภาพให้กันและกัน บาลาจี ซรินีวาซันได้บรรยายแนวคิดเรื่องความสามารถในแง่มุมของการเสริมทางเลือกที่การประชุม superai ซึ่งกระตุ้นให้เกิดการเปรียบเทียบอย่างละเอียดเกี่ยวกับว่าเทคโนโลยีสองอย่างนี้มีปฏิกิริยากันอย่างไร

โทเค็นเกิดขึ้นจากการเข้าใจจากฐานล่างขึ้นอยู่กับความพยายามที่ไม่เป็นทางการของผู้สนับสนุนเครือข่ายที่ไม่ระบุชื่อและพัฒนาต่อเนื่องเป็นเวลาสิบปีผ่านความพยายามร่วมกันของหน่วยงานอิสระหลายแห่งทั่วโลก ในทางกลับกัน ปัญญาประดิษฐ์ได้รับการพัฒนาจากการมองหาทางเลือกสูงสุดโดยบริษัทเทคโนโลยีใหญ่ไม่กี่บริษัทที่กำหนดการและความเคลื่อนไหวของอุตสาหกรรม เข้าข่ายสู่การเข้าสู่ระบบในปัจจุบันด้วยความหนาแน่นทรัพยากรมากกว่าความซับซ้อนทางเทคนิค

เทคโนโลยีสองประการนี้ยังมีลักษณะที่แตกต่างกันอย่างมาก โทเคนเป็นระบบที่กำหนดได้ที่สร้างผลลัพธ์ที่ไม่เปลี่ยนแปลง เช่นความทรงจำของฟังก์ชันแฮชหรือพิสูจน์ศูนย์รู้ สิ่งนี้ต่างออกไปจากลักษณะของระบบประสิทธิภาพและไม่ค่อยทราบของปัจจัยลักษณะของปัจจัยที่ไม่แน่นอนของปัจจัยในปัจจัยในปัจจัยในปัจจัยในปัจจุบัน

ในทํานองเดียวกันเทคโนโลยีการเข้ารหัสมีความเป็นเลิศในการตรวจสอบความถูกต้องมั่นใจในความถูกต้องและความปลอดภัยของการทําธุรกรรมและสร้างกระบวนการและระบบที่ไม่น่าเชื่อถือในขณะที่ AI มุ่งเน้นไปที่การสร้างการสร้างเนื้อหาดิจิทัลที่หลากหลาย อย่างไรก็ตามการรับรองแหล่งที่มาของเนื้อหาและการป้องกันการโจรกรรมข้อมูลประจําตัวก่อให้เกิดความท้าทายในการสร้างเนื้อหาดิจิทัล

โชคดีที่โทเค็นเป็นจุดที่สวนทางกับความอุดมสมบูรณ์ทางดิจิทัลนั่นคือความขาดแคลนทางดิจิทัล พวกเขาเสนอเครื่องมือที่ค่อนข้างสมบูรณ์ซึ่งสามารถนําไปใช้กับเทคโนโลยี AI เพื่อให้แน่ใจว่ามีการระบุแหล่งที่มาของเนื้อหาและแก้ไขปัญหาการโจรกรรมข้อมูลประจําตัว

ข้อได้เปรียบที่โดดเด่นของโทเค็นคือความสามารถในการดึงดูดฮาร์ดแวร์และเงินทุนจํานวนมากเข้าสู่เครือข่ายที่ประสานงานกันเพื่อตอบสนองเป้าหมายเฉพาะ ความสามารถนี้มีประโยชน์อย่างยิ่งสําหรับ AI ซึ่งใช้พลังการประมวลผลจํานวนมาก การระดมทรัพยากรที่ไม่ได้ใช้ประโยชน์เพื่อให้พลังการประมวลผลราคาไม่แพงมากขึ้นสามารถเพิ่มประสิทธิภาพ AI ได้อย่างมาก

โดยการเปรียบเทียบทั้งสองเทคโนโลยีเหล่านี้ เราไม่เพียงแค่ยกย่องคุณลักษณะเฉพาะตัวแต่ยังเห็นได้อีกด้วยว่าพวกเขาสามารถเป็นต้นทางร่วมกันในเทคโนโลยีและเศรษฐกิจ ทั้งสองเทคโนโลยีสามารถแก้ไขข้อบกพร่องของอีกฝั่งได้ สร้างอนาคตที่ผสานการทำงานร่วมกันและนวัตกรรมมากขึ้น โพสต์บล็อกนี้มีวัตถุประสงค์เพื่อสำรวจวิธีการเติบโตของอุตสาหกรรม AI x Web3 ที่กำลังเกิดขึ้น โดยให้ความสนใจที่พื้นที่ใหม่ที่สุดที่ตัดกันของเทคโนโลยีเหล่านี้

source: iosg ventures

ส่วนที่สอง

2.1 การคำนวณเครือข่าย

• ภูมิทัศน์อุตสาหกรรมแนะนําเครือข่ายคอมพิวเตอร์ที่มีจุดมุ่งหมายเพื่อแก้ไขปัญหาการจัดหา GPU ที่ จํากัด และสํารวจวิธีต่างๆในการลดต้นทุนการประมวลผล ลักษณะเด่น ได้แก่ :
• การทํางานร่วมกันของ GPU ที่ไม่สม่ําเสมอ: ความพยายามที่ทะเยอทะยานนี้เกี่ยวข้องกับความเสี่ยงทางเทคนิคและความไม่แน่นอนสูง แต่หากประสบความสําเร็จอาจสร้างขนาดและผลกระทบที่สําคัญโดยทําให้ทรัพยากรการประมวลผลทั้งหมดสามารถใช้แทนกันได้ แนวคิดคือการพัฒนาคอมไพเลอร์และข้อกําหนดเบื้องต้นอื่น ๆ ที่อนุญาตให้ใช้ทรัพยากรฮาร์ดแวร์ใด ๆ ในด้านอุปทานในขณะที่นามธรรมความไม่สม่ําเสมอของฮาร์ดแวร์ในด้านอุปสงค์ สิ่งนี้จะช่วยให้คําขอคอมพิวเตอร์สามารถกําหนดเส้นทางไปยังทรัพยากรใด ๆ ภายในเครือข่ายซึ่งอาจลดการพึ่งพาซอฟต์แวร์ CUDA ซึ่งปัจจุบันมีความโดดเด่นในหมู่นักพัฒนา AI แม้จะมีประโยชน์ที่อาจเกิดขึ้น แต่ผู้เชี่ยวชาญหลายคนก็สงสัยอย่างมากเกี่ยวกับความเป็นไปได้ของแนวทางนี้
• การรวมรวม GPU ที่มีประสิทธิภาพสูง: วิธีการนี้เน้นการรวมกันของ GPU ที่ได้รับความนิยมทั่วโลกเข้ากับเครือข่ายที่ไม่มีการอนุญาต โดยไม่ต้องกังวลเรื่องปัญหาความสามารถในการทำงานร่วมกันระหว่างทรัพยากร GPU ที่แตกต่างกัน
• การรวม GPU ระดับผู้บริโภคสินค้าโภคภัณฑ์: สิ่งนี้เกี่ยวข้องกับการรวม GPU ที่มีประสิทธิภาพต่ํากว่าที่มีอยู่ในอุปกรณ์ของผู้บริโภคซึ่งเป็นหนึ่งในทรัพยากรที่ไม่ได้ใช้ประโยชน์มากที่สุดในด้านอุปทาน เหมาะสําหรับผู้ที่เต็มใจเสียสละประสิทธิภาพและความเร็วสําหรับกระบวนการฝึกอบรมที่ถูกกว่าและยาวนานขึ้น

2.2 การฝึกอบรมและการอนุมัติ

เครือข่ายคอมพิวเตอร์ส่วนใหญ่จะใช้สําหรับสองหน้าที่หลัก: การฝึกอบรมและการอนุมาน ความต้องการเครือข่ายเหล่านี้มาจากทั้งโครงการ Web 2.0 และ Web 3.0 ในพื้นที่เว็บ 3.0 โครงการเช่น Bittensor ใช้ทรัพยากรการประมวลผลสําหรับการปรับแต่งแบบจําลอง สําหรับการอนุมานโครงการ Web 3.0 เน้นการตรวจสอบความถูกต้องของกระบวนการ การมุ่งเน้นนี้นําไปสู่การเกิดขึ้นของการอนุมานที่ตรวจสอบได้ในฐานะแนวดิ่งของตลาดโดยมีโครงการที่สํารวจวิธีการรวมการอนุมาน AI เข้ากับสัญญาอัจฉริยะในขณะที่ยังคงรักษาหลักการกระจายอํานาจ

2.3 แพลตฟอร์มตัวแทนอัจฉริยะ

• ถัดไปคือแพลตฟอร์มเอเจนต์อัจฉริยะซึ่งอธิบายปัญหาหลักที่สตาร์ทอัพในหมวดนี้ต้องจัดการ:
• ความสามารถในการทํางานร่วมกันของเจ้าหน้าที่และความสามารถในการค้นพบและการสื่อสาร: เจ้าหน้าที่สามารถค้นพบและสื่อสารกันได้
• ความสามารถในการสร้างและจัดการกลุ่มตัวแทน: ตัวแทนสามารถรูปแบบกลุ่มและจัดการตัวแทนอื่น ๆ ได้
• การเป็นเจ้าของและตลาด AI agent: การ提供เจ้าของและตลาดสำหรับ AI agents
• คุณสมบัติเหล่านี้เน้นความสำคัญของระบบที่ยืดหยุ่นและมอดูลาร์ซึ่งสามารถผสานเข้ากับแอปพลิเคชันบล็อกเชนและปัญญาประดิษฐ์ได้อย่างราบรื่น ตัวแทนปัญญาประดิษฐ์มีศักยภาพในการเปลี่ยนแปลงวิธีการที่เราจะสื่อสารกับอินเทอร์เน็ต และเราเชื่อว่าตัวแทนจะใช้สถาปัตยกรรมเพื่อสนับสนุนการดำเนินงานของตัวเอง เรามองเห็นว่าตัวแทนปัญญาประดิษฐ์จะพึ่งพาสถาปัตยกรรมในลักษณะต่อไปนี้:
• การเข้าถึงข้อมูลเว็บแบบเรียลไทม์โดยใช้เครือข่ายการค้นข้อมูลแบบกระจาย
• ดำเนินการชำระเงินระหว่างตัวแทนโดยใช้ช่องทาง defi
• ต้องการเงินมัดจำไม่เพียงเพื่อลงโทษความผิด แต่ยังเพื่อเสริมความสามารถในการค้นพบเอเจนต์ (นั่นคือ การใช้เงินมัดจำเป็นสัญญาณเศรษฐกิจระหว่างขั้นตอนการค้นพบ)
• ใช้ความเห็นร่วมกันเพื่อตัดสินใจว่าเหตุการณ์ใดควรเป็นเหตุให้เสียสิทธิ์
• มาตรฐานการเชื่อมต่อแบบเปิดและเฟรมเวิร์กของตัวแทนเพื่อสนับสนุนการสร้างคอลเลกที่เป็นไปได้
• การประเมินประสิทธิภาพที่ผ่านมาตามประวัติข้อมูลที่ไม่เปลี่ยนแปลงและเลือกกลุ่มตัวแทนที่เหมาะสมแบบเรียลไทม์

source: iosg ventures

เลเยอร์ข้อมูล 2.4

ในการรวม AI และ Web3 ข้อมูลเป็นองค์ประกอบหลัก ข้อมูลเป็นสินทรัพย์เชิงกลยุทธ์ในการแข่งขัน AI ซึ่งประกอบขึ้นเป็นทรัพยากรหลักควบคู่ไปกับทรัพยากรการประมวลผล อย่างไรก็ตามหมวดหมู่นี้มักถูกมองข้ามเนื่องจากความสนใจในอุตสาหกรรมส่วนใหญ่มุ่งเน้นไปที่เลเยอร์การคํานวณ ในความเป็นจริงดึกดําบรรพ์ให้ทิศทางคุณค่าที่น่าสนใจมากมายในกระบวนการเก็บข้อมูลส่วนใหญ่รวมถึงทิศทางระดับสูงสองทิศทางต่อไปนี้:

เข้าถึงข้อมูลสาธารณะบนอินเทอร์เน็ต

การเข้าถึงข้อมูลที่มีการป้องกัน

การเข้าถึงข้อมูลอินเทอร์เน็ตสาธารณะ: ทิศทางนี้มีจุดมุ่งหมายเพื่อสร้างเครือข่ายโปรแกรมรวบรวมข้อมูลแบบกระจายที่สามารถรวบรวมข้อมูลอินเทอร์เน็ตทั้งหมดภายในไม่กี่วันรับชุดข้อมูลขนาดใหญ่หรือเข้าถึงข้อมูลอินเทอร์เน็ตที่เฉพาะเจาะจงมากแบบเรียลไทม์ อย่างไรก็ตามในการรวบรวมข้อมูลชุดข้อมูลขนาดใหญ่บนอินเทอร์เน็ตความต้องการเครือข่ายนั้นสูงมากซึ่งต้องใช้โหนดอย่างน้อยสองสามร้อยโหนดเพื่อเริ่มงานที่มีความหมาย โชคดีที่ Grass ซึ่งเป็นเครือข่ายโหนดรวบรวมข้อมูลแบบกระจายมีโหนดมากกว่า 2 ล้านโหนดที่แชร์แบนด์วิดท์อินเทอร์เน็ตกับเครือข่ายโดยมีเป้าหมายเพื่อรวบรวมข้อมูลอินเทอร์เน็ตทั้งหมด สิ่งนี้แสดงให้เห็นถึงศักยภาพที่ดีของแรงจูงใจทางเศรษฐกิจในการดึงดูดทรัพยากรที่มีค่า

แม้ว่าหญ้าจะให้สภาพแวดล้อมแข่งขันที่เป็นธรรมแล้วสำหรับข้อมูลสาธารณะ แต่ยังคงมีความท้าทายในการใช้ข้อมูลที่มีศักยภาพ - โดยเฉพาะการเข้าถึงชุดข้อมูลเอกสิทธิ์ ในทางเฉพาะ ยังคงมีจำนวนมากของข้อมูลที่จัดเก็บอยู่ในลักษณะที่คุ้มครองความเป็นส่วนตัวเนื่องจากลักษณะที่เป็นข้อมูลที่ไว้ใจได้ มีการเริ่มต้นการทำธุรกรรมข้อมูลที่ใช้เครื่องมือทางคริปโตที่ทำให้นักพัฒนา AI สามารถใช้โครงสร้างข้อมูลพื้นฐานของชุดข้อมูลเอกสิทธิ์ในการสร้างและปรับแต่งรุ่นภาษาใหญ่ให้เหมาะสมพร้อมทั้งการเก็บรักษาข้อมูลที่เป็นความลับ

เทคโนโลยีเช่นการเรียนรู้แบบรวมศูนย์ความเป็นส่วนตัวที่แตกต่างสภาพแวดล้อมการดําเนินการที่เชื่อถือได้การเข้ารหัสแบบ homomorphic อย่างสมบูรณ์และการคํานวณแบบหลายฝ่ายให้การปกป้องความเป็นส่วนตัวและการแลกเปลี่ยนในระดับที่แตกต่างกัน รายงานการวิจัยของเบเกิลสรุปภาพรวมที่ยอดเยี่ยมของเทคโนโลยีเหล่านี้ เทคโนโลยีเหล่านี้ไม่เพียงแต่ปกป้องความเป็นส่วนตัวของข้อมูลในระหว่างกระบวนการแมชชีนเลิร์นนิ่ง แต่ยังบรรลุโซลูชัน AI ที่ได้รับการปกป้องความเป็นส่วนตัวที่ครอบคลุมที่เลเยอร์การประมวลผล

2.5 แหล่งข้อมูลและแบบจำลอง

เทคโนโลยีข้อมูลและแบบจําลองมีจุดมุ่งหมายเพื่อสร้างกระบวนการที่รับรองว่าผู้ใช้มีปฏิสัมพันธ์กับโมเดลและข้อมูลที่ต้องการ นอกจากนี้เทคโนโลยีเหล่านี้ยังให้การรับประกันความถูกต้องและที่มา ตัวอย่างเช่นลายน้ําซึ่งเป็นเทคโนโลยีการพิสูจน์แบบจําลองประเภทหนึ่งฝังลายเซ็นลงในอัลกอริธึมแมชชีนเลิร์นนิ่งโดยตรงโดยเฉพาะอย่างยิ่งในน้ําหนักแบบจําลองเพื่อให้ในระหว่างการดึงข้อมูลสามารถตรวจสอบได้ว่าการอนุมานนั้นมาจากแบบจําลองที่ต้องการหรือไม่

2.6 แอปพลิเคชัน

ในเชิงประยุกต์มุมมอง โอกาสในการออกแบบเป็นไปได้ไม่มีข้อจำกัด ในภูมิทัศน์อุตสาหกรรมด้านบน เราได้ระบุบางกรณีที่พัฒนาที่คาดหวังมาก ที่เทคโนโลยี AI ถูกนำมาใช้ในฟิลด์เว็บ 3.0 ตั้งแต่กรณีการใช้เหล่านี้เป็นส่วนใหญ่เป็นอย่างชัดเจนเอง เราจึงจะไม่มีความคิดเห็นเพิ่มเติม อย่างไรก็ตามควรทราบว่าการตัดสินใจที่จะนำ AI และเว็บ 3.0 มารวมกันมีศักยภาพในการเปลี่ยนรูปแบบใหม่ให้กับดีดในฟิลด์หลายรูปแบบ เนื่องจากพื้นที่ใหม่เหล่านี้ให้นักพัฒนามีความอิสระมากขึ้นในการสร้างกรณีการใช้งานที่นวัตกรรมและปรับปรุงเคสที่มีอยู่

ส่วนที่สาม

สรุป

การผสมผสานระหว่าง ai และ web3 นำพาทิวทัศน์ที่เต็มไปด้วยนวัตกรรมและศักยภาพ โดยการใช้ประโยชน์จากข้อดีที่เป็นพิเศษของทุกเทคโนโลยี เราสามารถแก้ไขทั้งหลายปัญหาและเปิดทางเทคโนโลยีใหม่ ๆ ขึ้น เมื่อเราสำรวจอุตสาหกรรมที่กำลังเจริญขึ้นนี้ ความร่วมมือระหว่าง ai และ web3 สามารถขับเคลื่อนความคืบหน้า ทำให้เปลี่ยนรูปแบบประสบการณ์ดิจิทัลในอนาคตของเรา และเปลี่ยนแปลงวิธีการที่เราโต้ตอบออนไลน์

การผสมผสานระหว่างความขาดแคลนทางดิจิทัลและความอุดมสมบูรณ์ทางดิจิทัลการระดมทรัพยากรที่ไม่ได้ใช้ประโยชน์เพื่อให้บรรลุประสิทธิภาพการคํานวณและการจัดตั้งแนวทางปฏิบัติด้านข้อมูลที่ปลอดภัยและปกป้องความเป็นส่วนตัวจะเป็นตัวกําหนดยุคของวิวัฒนาการทางเทคโนโลยีรุ่นต่อไป

อย่างไรก็ตาม เราต้องรับรู้ว่าอุตสาหกรรมนี้ยังอยู่ในช่วงครบวัยแรก และทิศทางปัจจุบันอาจกลายเป็นล้าน ความเร็วในนวัตกรรมหมายความว่า โซลูชั่นของวันนี้ที่เป็นที่ทันสมัยอาจจะถูกแทนที่ไปเร็ว ๆ นี้โดยความก้าวหน้าใหม่ ๆ อย่างไรก็ตาม แนวคิดพื้นฐานที่ถูกพูดถึง เช่น เครือข่ายคำนวณ เพลตฟอร์มเอเจ้นต์ และโปรโตคอลข้อมูล ได้โดดเด่นขึ้น ในโอกาสมากมายของการรวมระบบปัญญาประดิษฐ์กับเว็บ3

disclaimer:

1. บทความนี้ทําซ้ําจาก [深潮 TechFlow], ลิขสิทธิ์เป็นของผู้เขียนต้นฉบับ [ที่iosg ventures] หากคุณมีการคัดค้านการพิมพ์ซ้ําโปรดติดต่อ เกตเรียนทีมของเราจะดำเนินการตามขั้นตอนที่เกี่ยวข้องโดยเร็วที่สุด

2. คำประชด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นมุมมองส่วนบุคคลของผู้เขียนเท่านั้นและไม่เป็นการให้คำแนะนำใดๆ เกี่ยวกับการลงทุนใดๆ

3. ภาษาอื่น ๆ ของบทความถูกแปลโดยทีม Gate learn และไม่ได้กล่าวถึงในGate.io, บทความที่ถูกแปลอาจไม่นำเสนอหรือกระจายเผยแพร่หรือลอกเลียน