Pada tahun 2022, OpenAI meluncurkan model GPT-3.5-driven ChatGPT, yang memulai gelombang narasi AI. Meskipun ChatGPT umumnya berkinerja baik dalam menangani pertanyaan, namun terbatas dalam menangani pengetahuan domain khusus atau data real-time. Misalnya, kesulitan dalam memberikan informasi detail dan dapat diandalkan tentang transaksi token Vitalik Buterin selama 18 bulan terakhir. Untuk mengatasi hal ini, tim pengembangan inti The Graph, Semiotic Labs, menggabungkan tumpukan perangkat lunak indeksasi The Graph dengan OpenAI untuk meluncurkan Agentcproyek, menawarkan analisis tren pasar cryptocurrency dan layanan kueri data transaksi.

Saat menanyakan Agentc tentang transaksi token Vitalik Buterin selama 18 bulan terakhir, ia memberikan jawaban yang lebih komprehensif. Namun, ambisi AI The Graph tidak berhenti di situ. White paper-nya berjudul "…"Grafik sebagai Infrastruktur AI“menggariskan tujuannya bukan untuk meluncurkan aplikasi tertentu tetapi untuk memanfaatkan protokol indeks data terdesentralisasi untuk menyediakan pengembang dengan alat untuk membangun aplikasi AI Web3-native. Untuk mendukung tujuan ini, Semiotic Labs juga akan mengunggah kode sumber Agentc ke open-source, memungkinkan pengembang untuk membuat aplikasi AI dApps yang serupa dengan Agentc, seperti agen analisis tren pasar NFT dan asisten perdagangan DeFi.

Peta Jalan Kecerdasan Buatan Terdesentralisasi The Graph

Diluncurkan pada Juli 2018, The Graph adalah protokol terdesentralisasi untuk mengindeks dan meminta data blockchain. Pengembang dapat menggunakan API terbuka untuk membuat dan mendeploy indeks data yang disebut subgraf, memungkinkan aplikasi untuk mengambil data on-chain. Hingga saat ini, The Graph mendukung lebih dari 50 rantai, menyelenggarakan lebih dari 75.000 proyek, dan telah memproses lebih dari 1,26 triliun permintaan.

Kemampuan The Graph untuk menangani data yang sangat besar didukung oleh tim intinya, termasuk Edge & Node, Streamingfast, Semiotic, The Guild, GraphOps, Messari, dan Pinax. Streamingfast menyediakan teknologi arsitektur cross-chain untuk aliran data blockchain, sementara Semiotic AI fokus pada integrasi AI dan kriptografi ke dalam The Graph. The Guild, GraphOps, Messari, dan Pinax mengkhususkan diri dalam bidang pengembangan GraphQL, layanan indeksasi, pengembangan subgraph, dan solusi aliran data.

Strategi AI The Graph tidak baru. Maret lalu, Blog The Graph diterbitkan sebuah artikel yang menguraikan potensi aplikasi AI menggunakan kemampuan pengindeksan datanya. Pada bulan Desember, The Graph meluncurkan "Era Baru“roadmap, yang mencakup rencana untuk menambahkan kueri yang dibantu model bahasa besar (LLM). White paper terbaru lebih memperjelas roadmap AI-nya, memperkenalkan dua layanan AI: Layanan Inferensi dan Agen, yang memungkinkan pengembang mengintegrasikan fungsi AI langsung ke frontend aplikasi, dengan dukungan dari The Graph.

Layanan Inferensi: Mendukung Berbagai Model AI Open-Source

Pada layanan inferensi tradisional, model membuat prediksi pada data masukan menggunakan sumber daya cloud terpusat. Misalnya, ChatGPT melakukan inferensi dan mengembalikan jawaban. Namun, pendekatan terpusat ini meningkatkan biaya dan menimbulkan risiko sensorship. The Graph bertujuan untuk mengatasi hal ini dengan menciptakan pasar hosting model terdesentralisasi, memberikan fleksibilitas lebih bagi pengembang dApp dalam implementasi dan hosting model AI.

White paper memberikan contoh penggunaan The Graph untuk membuat aplikasi yang membantu pengguna Farcaster memahami apakah postingan mereka akan menerima banyak suka. Pertama, layanan data subgrafik dari The Graph mengindeks komentar dan suka pada postingan Farcaster. Selanjutnya, jaringan saraf dilatih untuk memprediksi apakah komentar Farcaster baru akan disukai, dan jaringan saraf tersebut diterapkan dalam layanan inferensi The Graph. Hasil dari dApp tersebut dapat membantu pengguna dalam membuat postingan yang lebih mungkin mendapatkan suka.

Pendekatan ini memungkinkan pengembang dengan mudah memanfaatkan infrastruktur The Graph, menyimpan model yang telah dilatih sebelumnya di jaringan, dan mengintegrasikannya ke dalam aplikasi melalui API, memungkinkan pengguna untuk langsung mengalami fungsionalitas ini saat menggunakan dApps.

Untuk memberikan lebih banyak pilihan dan fleksibilitas bagi pengembang, Layanan Inferensi The Graph mendukung sebagian besar model yang sudah populer. Menurut white paper, “Pada fase MVP, Layanan Inferensi The Graph akan mendukung sejumlah model AI open-source populer, termasuk Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok, dan Whisper.” Di masa depan, model terbuka yang sudah teruji dengan baik dan diindeks dapat diterapkan di Layanan Inferensi The Graph. Selain itu, untuk mengurangi kompleksitas teknis dalam penerapan model AI, The Graph menawarkan antarmuka yang ramah pengguna yang menyederhanakan proses tersebut, memungkinkan pengembang untuk mengunggah dan mengelola model AI mereka tanpa harus khawatir tentang pemeliharaan infrastruktur.

Untuk meningkatkan kinerja model dalam aplikasi tertentul, The Graph juga mendukung penyetelan halus model pada dataset tertentu. Namun, penyetelan halus umumnya tidak dilakukan pada The Graph itu sendiri. Pengembang perlu menyesuaikan model secara eksternal dan kemudian mendeploy model-model ini menggunakan layanan inferensi The Graph. Untuk mendorong pengembang membuat model-model yang disesuaikan dengan baik menjadi publik, The Graph sedang mengembangkan mekanisme insentif, seperti distribusi yang adil dari biaya query antara pencipta model dan indexer.

Untuk memastikan keandalan hasil inferensi AI, The Graph menawarkan beberapa metode verifikasi, termasuk otoritas tepercaya, konsensus M-of-N, bukti kecurangan interaktif, dan zk-SNARKs. Setiap metode memiliki kelebihan dan kekurangan masing-masing. Otoritas tepercaya bergantung pada entitas tepercaya; konsensus M-of-N membutuhkan beberapa pengindeks untuk divalidasi, meningkatkan kesulitan dalam melakukan kecurangan sambil juga meningkatkan biaya komputasi dan koordinasi; bukti kecurangan interaktif menawarkan keamanan yang kuat tetapi tidak cocok untuk aplikasi yang memerlukan respons cepat; zk-SNARKs secara teknis kompleks dan kurang cocok untuk model besar.

The Graph percaya bahwa pengembang dan pengguna harus dapat memilih tingkat keamanan yang sesuai berdasarkan kebutuhan mereka. Oleh karena itu, The Graph berencana untuk mendukung berbagai metode verifikasi dalam layanan inferensinya untuk menyesuaikan berbagai persyaratan keamanan dan skenario aplikasi. Sebagai contoh, transaksi keuangan atau logika bisnis yang kritis mungkin memerlukan metode verifikasi keamanan yang lebih tinggi, seperti zk-SNARKs atau konsensus M-of-N, sementara aplikasi yang berisiko lebih rendah atau berorientasi pada hiburan dapat memilih metode yang lebih hemat biaya dan langsung, seperti otoritas terpercaya atau bukti kecurangan interaktif. Selain itu, The Graph berencana untuk menjelajahi teknologi peningkatan privasi untuk mengatasi isu privasi model dan pengguna.

Layanan Agen: Membantu Pengembang dalam Membangun Aplikasi Otonom yang Didorong AI

Sementara Layanan Inferensi terutama berfokus pada menjalankan model AI yang sudah dilatih untuk inferensi, Layanan Agen lebih kompleks, memerlukan beberapa komponen untuk bekerja sama agar Agen dapat melakukan serangkaian tugas kompleks dan otomatis. Layanan Agen Graph bertujuan untuk mengintegrasikan pembangunan, hosting, dan eksekusi Agen di dalam Graph, dengan dukungan yang diberikan oleh jaringan indexer.

Secara khusus, The Graph akan menyediakan jaringan terdesentralisasi untuk mendukung konstruksi dan hosting Agen. Begitu seorang Agen dideploy di jaringan The Graph, indexer akan menawarkan dukungan eksekusi yang diperlukan, termasuk pengindeksan data dan merespons peristiwa di rantai dan permintaan interaksi lainnya.

Seperti yang disebutkan sebelumnya, tim pengembangan inti The Graph, Semiotic Labs, telah meluncurkan eksperimen Awal Agen.Agentc, yang menggabungkan tumpukan perangkat lunak pengindeksan The Graph dengan OpenAI. Fungsi utamanya adalah untuk mengubah input bahasa alami menjadi kueri SQL, memungkinkan pengguna untuk meminta data real-time di blockchain dan menyajikan hasilnya dalam format yang mudah dipahami. Secara sederhana, Agentc berfokus pada penyediaan analisis tren pasar mata uang kripto yang nyaman dan kueri data transaksi kepada pengguna, dengan semua data yang bersumber dari Uniswap V2, Uniswap V3, Uniswap X, dan fork mereka di Ethereum, dan harga diperbarui setiap jam.

Selain itu, The Graph mencatat bahwa model-model LLM yang digunakan memiliki tingkat akurasi hanya 63,41%, yang menunjukkan potensi adanya tanggapan yang salah. Untuk mengatasi masalah ini, The Graph sedang mengembangkan jenis model bahasa besar baru yang disebut KGLLM (Knowledge Graph-enabled Large Language Models). KGLLM menggunakan data grafik pengetahuan terstruktur yang disediakan oleh Geo, yang signifikan mengurangi kemungkinan terjadinya informasi yang salah. Setiap pernyataan dalam sistem Geo didukung oleh timestamp on-chain dan validasi voting. Setelah mengintegrasikan grafik pengetahuan Geo, Agen dapat diterapkan pada berbagai skenario, termasuk regulasi medis, perkembangan politik, analisis pasar, dll., meningkatkan keberagaman dan akurasi layanan Agen. Misalnya, KGLLM dapat menggunakan data politik untuk memberikan saran perubahan kebijakan kepada organisasi otonom terdesentralisasi (DAO) dan memastikan bahwa mereka didasarkan pada informasi terkini dan akurat.

Keuntungan KGLLM meliputi:

• Penggunaan Data Terstruktur:KGLLM menggunakan basis pengetahuan eksternal yang terstruktur, dengan informasi yang dimodelkan dalam bentuk grafik dalam knowledge graph, sehingga hubungan antara data dapat dengan mudah terlihat dan mudah dipahami serta dikueri.
• Pemrosesan Data Relasional:KGLLM sangat cocok untuk mengelola data relasional, seperti memahami hubungan antara orang dan peristiwa. Ia menggunakan algoritma penelusuran grafik untuk mencari informasi yang relevan dengan melompat melalui beberapa node di dalam grafik pengetahuan (mirip dengan bergerak di peta). Metode ini membantu KGLLM menemukan informasi yang paling relevan untuk menjawab pertanyaan.
• Pengambilan dan Generasi Informasi yang Efisien:Dengan menggunakan algoritma penelusuran graf, KGLLM mengekstraksi hubungan dan mengubahnya menjadi instruksi dalam bahasa alami yang dapat dipahami oleh model. Instruksi yang jelas ini memungkinkan KGLLM menghasilkan tanggapan yang lebih akurat dan relevan.

Tampilan

Sebagai “Google dari Web3,” The Graph mengatasi kekurangan data saat ini dalam layanan AI dan menyederhanakan proses pengembangan bagi pengembang melalui layanan AI-nya. Dengan pengembangan dan adopsi lebih banyak aplikasi AI, pengalaman pengguna diharapkan akan semakin membaik. Di masa depan, tim pengembangan The Graph akan terus menjelajahi kemungkinan integrasi AI dengan Web3. Selain itu, tim lain dalam ekosistemnya, seperti Playgrounds Analytics dan DappLooker, juga merancang solusi terkait layanan Agen.

Disclaimer:

1. Artikel ini dicetak ulang dari [Penelitian ChainFeeds], Semua hak cipta milik penulis asli [LindaBell]. Jika ada keberatan terhadap cetak ulang ini, silakan hubungi Gate Belajar tim, dan mereka akan segera menanganinya.
2. Penyangkalan Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.