Слияние Web3 и ИИ: создание инфраструктуры следующего поколения интернета
Web3 как новая интернет-парадигма, децентрализованная, открытая и прозрачная, имеет естественную возможность интеграции с ИИ. В традиционной централизованной архитектуре вычисления ИИ и ресурсы данных находятся под строгим контролем, сталкиваясь с такими проблемами, как узкие места в вычислительной мощности, утечка конфиденциальности, черные ящики алгоритмов и многими другими вызовами. В то время как Web3, основанный на распределенных технологиях, через совместные сети вычислительной мощности, открытые рынки данных и вычисления с учетом конфиденциальности, вносит новый импульс в развитие ИИ. В то же время ИИ может предоставить Web3 множество возможностей, таких как оптимизация смарт-контрактов и алгоритмы противодействия мошенничеству, способствуя его экосистемному развитию. Таким образом, исследование сочетания Web3 и ИИ имеет решающее значение для создания инфраструктуры следующего поколения интернета и раскрытия ценности данных и вычислительной мощности.
Данные как основа: надежная база AI и Web3
Данные являются основной движущей силой развития ИИ, как топливо для двигателя. Моделям ИИ необходимо перерабатывать большое количество качественных данных, чтобы получить глубокое понимание и мощные способности к рассуждению. Данные не только предоставляют базу для обучения машинам, но и определяют точность и надежность моделей.
Традиционная централизованная модель получения и использования данных ИИ имеет несколько основных проблем:
Высокие затраты на получение данных, малым и средним предприятиям трудно их понести
Ресурсы данных монополизированы технологическими гигантами, что приводит к образованию изолированных данных.
Личные данные подвержены риску утечки и злоупотребления.
Web3 может решить проблемы традиционных моделей с помощью новой децентрализованной парадигмы данных:
Пользователи могут продавать неиспользуемую сеть компаниям ИИ, децентрализованно собирая сетевые данные, которые после очистки и преобразования предоставляют реальные и качественные данные для обучения моделей ИИ.
Используя модель "label to earn", мы стимулируем работников по всему миру участвовать в аннотировании данных с помощью токенов, объединяя мировые экспертные знания и усиливая аналитические возможности данных.
Платформа торговли данными на блокчейне предоставляет открытое и прозрачное торговое окружение для обеих сторон спроса и предложения данных, стимулируя инновации и обмен данными.
Тем не менее, получение данных из реального мира также сталкивается с некоторыми проблемами, такими как непостоянное качество данных, высокая сложность обработки, недостаточная разнообразие и представительность и т.д. Синтетические данные могут стать звездой будущего веб-3. На основе технологий генеративного ИИ и моделирования синтетические данные могут имитировать свойства реальных данных, служа эффективным дополнением к ним и повышая эффективность использования данных. В таких областях, как автономное вождение, финансовые рыночные сделки, разработка игр и т.д., синтетические данные уже продемонстрировали свой зрелый потенциал применения.
Защита конфиденциальности: Роль FHE в Web3
В эпоху, управляемую данными, защита конфиденциальности стала глобальным центром внимания, и принятие таких нормативных актов, как Общий регламент о защите данных (GDPR) в Европейском Союзе, отражает строгую защиту личной конфиденциальности. Тем не менее, это также создает проблемы: некоторые чувствительные данные не могут быть в полной мере использованы из-за рисков конфиденциальности, что, безусловно, ограничивает потенциал и способности к рассуждению моделей ИИ.
FHE — это полностью однородное шифрование, которое позволяет выполнять вычисления непосредственно на зашифрованных данных без необходимости их расшифровки, и результаты вычислений совпадают с результатами тех же вычислений на открытых данных.
FHE обеспечивает надежную защиту для AI-приватных вычислений, позволяя вычислительной мощности GPU выполнять задачи обучения и вывода моделей в среде, не касаясь исходных данных. Это дает огромные преимущества AI-компаниям. Они могут безопасно открывать API-сервисы, защищая коммерческие тайны.
FHEML поддерживает шифрование данных и моделей на протяжении всего жизненного цикла машинного обучения, обеспечивая безопасность конфиденциальной информации и предотвращая риски утечки данных. Таким образом, FHEML усиливает защиту данных, предоставляя безопасную вычислительную среду для приложений ИИ.
FHEML является дополнением к ZKML, ZKML доказывает правильность выполнения машинного обучения, в то время как FHEML подчеркивает необходимость выполнения вычислений над зашифрованными данными для обеспечения конфиденциальности данных.
Революция вычислительной мощности: AI вычисления в децентрализованных сетях
Текущая вычислительная сложность AI-систем удваивается каждые 3 месяца, что приводит к резкому росту спроса на вычислительные мощности, значительно превышающему предложение существующих вычислительных ресурсов. Например, для обучения одной крупной языковой модели требуется огромная вычислительная мощность, что эквивалентно 355 годам обучения на одном устройстве. Такой дефицит вычислительных мощностей не только ограничивает прогресс технологий AI, но и делает высококлассные AI-модели недоступными для большинства исследователей и разработчиков.
В то же время мировая загрузка GPU составляет менее 40%, в сочетании с замедлением повышения производительности микропроцессоров и нехваткой чипов, вызванной факторами цепочки поставок и геополитики, что усугубляет проблему поставок вычислительной мощности. Работники в сфере ИИ оказались в затруднительном положении: им нужно либо приобретать оборудование, либо арендовать облачные ресурсы, и им срочно нужен экономически эффективный способ предоставления вычислительных услуг по запросу.
В настоящее время существует несколько проектов децентрализованных AI вычислительных сетей, которые, объединяя неиспользуемые ресурсы GPU по всему миру, предоставляют AI-компаниям экономичный и легкий доступ к вычислительному рынку. Стороны, нуждающиеся в вычислительной мощности, могут размещать вычислительные задачи в сети, а смарт-контракты распределяют задачи среди майнеров, которые предоставляют вычислительную мощность. Майнеры выполняют задачи и отправляют результаты, а после проверки получают вознаграждение в виде баллов. Такая схема повышает эффективность использования ресурсов и помогает решить проблему узких мест в вычислительной мощности в таких областях, как AI.
Помимо универсальных децентрализованных вычислительных сетей, есть несколько платформ, сосредоточенных на обучении ИИ, а также специализированные вычислительные сети, ориентированные на вывод ИИ.
Децентрализованная сеть вычислительной мощности предоставляет честный и прозрачный рынок вычислительной мощности, разрывает монополию, снижает порог для приложений и повышает эффективность использования вычислительной мощности. В экосистеме web3 децентрализованная сеть вычислительной мощности будет играть ключевую роль, привлекая больше инновационных dapp и совместно способствуя развитию и применению технологий ИИ.
DePIN: Web3 позволяет Edge AI
Представьте себе, что ваш мобильный телефон, умные часы и даже умные устройства в вашем доме обладают способностью запускать ИИ — в этом и заключается魅力 Edge AI. Он позволяет вычислениям происходить на месте возникновения данных, обеспечивая низкую задержку, обработку в реальном времени и одновременно защищая конфиденциальность пользователей. Технология Edge AI уже применяется в таких ключевых областях, как автономное вождение.
В области Web3 у нас есть более знакомое название — DePIN. Web3 подчеркивает децентрализацию и суверенитет пользовательских данных, DePIN, обрабатывая данные локально, может усилить защиту конфиденциальности пользователей и снизить риск утечки данных; родная токеномика Web3 может стимулировать узлы DePIN предоставлять вычислительные ресурсы, создавая устойчивую экосистему.
В настоящее время DePIN стремительно развивается в экосистеме одной из публичных блокчейнов, став одной из предпочитаемых платформ для развертывания проектов. Высокая пропускная способность этой блокчейна, низкие транзакционные издержки и технологические инновации предоставляют мощную поддержку проектам DePIN. В настоящее время рыночная капитализация проектов DePIN на этой блокчейне превышает 10 миллиардов долларов, и некоторые известные проекты уже достигли значительных успехов.
IMO: Новый парадигм выпуска AI моделей
Концепция IMO была впервые предложена в рамках определенного протокола, который токенизирует модели ИИ.
В традиционной модели, из-за отсутствия механизма распределения прибыли, как только AI-модель разрабатывается и выходит на рынок, разработчикам часто трудно получать постоянный доход от последующего использования модели, особенно когда модель интегрируется в другие продукты и услуги. Оригинальным создателям бывает трудно отслеживать использование, не говоря уже о получении прибыли. Кроме того, производительность и эффективность AI-моделей часто не прозрачны, что затрудняет потенциальным инвесторам и пользователям оценку их истинной ценности, ограничивая признание модели на рынке и ее коммерческий потенциал.
IMO предоставляет совершенно новый способ финансирования и распределения ценности для открытых AI-моделей; инвесторы могут покупать токены IMO и делиться доходами, которые будут генерироваться моделью в дальнейшем. Некоторый протокол использует два стандарта ERC, сочетая AI-оракулы (Onchain AI Oracle) и технологию OPML для обеспечения подлинности AI-модели и возможности держателей токенов делиться доходами.
Модель IMO повысила прозрачность и доверие, способствуя открытому сотрудничеству, адаптируясь к тенденциям крипторынка и внося стимул в устойчивое развитие технологий ИИ. IMO сейчас находится на стадии начальных испытаний, но с увеличением приемлемости на рынке и расширением круга участников, её новаторство и потенциальная ценность того стоят, чтобы на них обратить внимание.
AI Агент: Новый Этап Взаимодействия
AI-агенты могут воспринимать окружающую среду, самостоятельно мыслить и предпринимать соответствующие действия для достижения поставленных целей. При поддержке больших языковых моделей AI-агенты не только понимают естественный язык, но и планируют решения, выполняют сложные задачи. Они могут выступать в роли виртуальных помощников, обучаясь предпочтениям пользователей через взаимодействие и предоставляя персонализированные решения. Даже без четких указаний AI-агенты могут самостоятельно решать проблемы, повышая эффективность и создавая новую ценность.
Некоторые проекты разрабатывают открытую платформу для нативных приложений ИИ, предлагающую полный и удобный набор инструментов для создания, поддерживающую пользователям настройку функций, внешнего вида, звука роботов, а также подключение внешних баз знаний. Они стремятся создать справедливую и открытую экосистему контента ИИ, используя технологии генеративного ИИ, позволяя отдельным лицам стать суперсоздателями. Эти проекты обучили специальные модели глубокого обучения, чтобы сделать ролевые игры более человечными; технологии клонирования голоса могут ускорить персонализированное взаимодействие AI-продуктов, значительно снизив затраты на синтез речи, позволяя клонирование голоса всего за 1 минуту. Используя этих настраиваемых AI-агентов, в настоящее время можно применять в видео-чате, изучении языков, генерации изображений и других областях.
В融合 Web3 и AI на данный момент больше внимания уделяется исследованию инфраструктурного слоя, таким ключевым вопросам, как получение качественных данных, защита конфиденциальности данных, хранение моделей на блокчейне, эффективное использование децентрализованных вычислительных мощностей, проверка больших языковых моделей и так далее. С постепенным совершенствованием этой инфраструктуры у нас есть основания полагать, что融合 Web3 и AI приведет к возникновению ряда инновационных бизнес-моделей и услуг.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
15 Лайков
Награда
15
6
Репост
Поделиться
комментарий
0/400
CryptoTarotReader
· 21ч назад
Снова снова снова炒概念了
Посмотреть ОригиналОтветить0
LiquidationWatcher
· 21ч назад
Ух ты, большие идут!
Посмотреть ОригиналОтветить0
gas_fee_therapy
· 21ч назад
Серьезные сомнения в том, что web3 создан для поддержки ИИ.
Посмотреть ОригиналОтветить0
ShibaMillionairen't
· 21ч назад
все-таки BTC Эфир более стабилен
Посмотреть ОригиналОтветить0
ParanoiaKing
· 22ч назад
Деньги — это твердая правда, действительно приятно.
Web3 и AI: создание Децентрализация умственной интернет-инфраструктуры
Слияние Web3 и ИИ: создание инфраструктуры следующего поколения интернета
Web3 как новая интернет-парадигма, децентрализованная, открытая и прозрачная, имеет естественную возможность интеграции с ИИ. В традиционной централизованной архитектуре вычисления ИИ и ресурсы данных находятся под строгим контролем, сталкиваясь с такими проблемами, как узкие места в вычислительной мощности, утечка конфиденциальности, черные ящики алгоритмов и многими другими вызовами. В то время как Web3, основанный на распределенных технологиях, через совместные сети вычислительной мощности, открытые рынки данных и вычисления с учетом конфиденциальности, вносит новый импульс в развитие ИИ. В то же время ИИ может предоставить Web3 множество возможностей, таких как оптимизация смарт-контрактов и алгоритмы противодействия мошенничеству, способствуя его экосистемному развитию. Таким образом, исследование сочетания Web3 и ИИ имеет решающее значение для создания инфраструктуры следующего поколения интернета и раскрытия ценности данных и вычислительной мощности.
Данные как основа: надежная база AI и Web3
Данные являются основной движущей силой развития ИИ, как топливо для двигателя. Моделям ИИ необходимо перерабатывать большое количество качественных данных, чтобы получить глубокое понимание и мощные способности к рассуждению. Данные не только предоставляют базу для обучения машинам, но и определяют точность и надежность моделей.
Традиционная централизованная модель получения и использования данных ИИ имеет несколько основных проблем:
Web3 может решить проблемы традиционных моделей с помощью новой децентрализованной парадигмы данных:
Тем не менее, получение данных из реального мира также сталкивается с некоторыми проблемами, такими как непостоянное качество данных, высокая сложность обработки, недостаточная разнообразие и представительность и т.д. Синтетические данные могут стать звездой будущего веб-3. На основе технологий генеративного ИИ и моделирования синтетические данные могут имитировать свойства реальных данных, служа эффективным дополнением к ним и повышая эффективность использования данных. В таких областях, как автономное вождение, финансовые рыночные сделки, разработка игр и т.д., синтетические данные уже продемонстрировали свой зрелый потенциал применения.
Защита конфиденциальности: Роль FHE в Web3
В эпоху, управляемую данными, защита конфиденциальности стала глобальным центром внимания, и принятие таких нормативных актов, как Общий регламент о защите данных (GDPR) в Европейском Союзе, отражает строгую защиту личной конфиденциальности. Тем не менее, это также создает проблемы: некоторые чувствительные данные не могут быть в полной мере использованы из-за рисков конфиденциальности, что, безусловно, ограничивает потенциал и способности к рассуждению моделей ИИ.
FHE — это полностью однородное шифрование, которое позволяет выполнять вычисления непосредственно на зашифрованных данных без необходимости их расшифровки, и результаты вычислений совпадают с результатами тех же вычислений на открытых данных.
FHE обеспечивает надежную защиту для AI-приватных вычислений, позволяя вычислительной мощности GPU выполнять задачи обучения и вывода моделей в среде, не касаясь исходных данных. Это дает огромные преимущества AI-компаниям. Они могут безопасно открывать API-сервисы, защищая коммерческие тайны.
FHEML поддерживает шифрование данных и моделей на протяжении всего жизненного цикла машинного обучения, обеспечивая безопасность конфиденциальной информации и предотвращая риски утечки данных. Таким образом, FHEML усиливает защиту данных, предоставляя безопасную вычислительную среду для приложений ИИ.
FHEML является дополнением к ZKML, ZKML доказывает правильность выполнения машинного обучения, в то время как FHEML подчеркивает необходимость выполнения вычислений над зашифрованными данными для обеспечения конфиденциальности данных.
Революция вычислительной мощности: AI вычисления в децентрализованных сетях
Текущая вычислительная сложность AI-систем удваивается каждые 3 месяца, что приводит к резкому росту спроса на вычислительные мощности, значительно превышающему предложение существующих вычислительных ресурсов. Например, для обучения одной крупной языковой модели требуется огромная вычислительная мощность, что эквивалентно 355 годам обучения на одном устройстве. Такой дефицит вычислительных мощностей не только ограничивает прогресс технологий AI, но и делает высококлассные AI-модели недоступными для большинства исследователей и разработчиков.
В то же время мировая загрузка GPU составляет менее 40%, в сочетании с замедлением повышения производительности микропроцессоров и нехваткой чипов, вызванной факторами цепочки поставок и геополитики, что усугубляет проблему поставок вычислительной мощности. Работники в сфере ИИ оказались в затруднительном положении: им нужно либо приобретать оборудование, либо арендовать облачные ресурсы, и им срочно нужен экономически эффективный способ предоставления вычислительных услуг по запросу.
В настоящее время существует несколько проектов децентрализованных AI вычислительных сетей, которые, объединяя неиспользуемые ресурсы GPU по всему миру, предоставляют AI-компаниям экономичный и легкий доступ к вычислительному рынку. Стороны, нуждающиеся в вычислительной мощности, могут размещать вычислительные задачи в сети, а смарт-контракты распределяют задачи среди майнеров, которые предоставляют вычислительную мощность. Майнеры выполняют задачи и отправляют результаты, а после проверки получают вознаграждение в виде баллов. Такая схема повышает эффективность использования ресурсов и помогает решить проблему узких мест в вычислительной мощности в таких областях, как AI.
Помимо универсальных децентрализованных вычислительных сетей, есть несколько платформ, сосредоточенных на обучении ИИ, а также специализированные вычислительные сети, ориентированные на вывод ИИ.
Децентрализованная сеть вычислительной мощности предоставляет честный и прозрачный рынок вычислительной мощности, разрывает монополию, снижает порог для приложений и повышает эффективность использования вычислительной мощности. В экосистеме web3 децентрализованная сеть вычислительной мощности будет играть ключевую роль, привлекая больше инновационных dapp и совместно способствуя развитию и применению технологий ИИ.
DePIN: Web3 позволяет Edge AI
Представьте себе, что ваш мобильный телефон, умные часы и даже умные устройства в вашем доме обладают способностью запускать ИИ — в этом и заключается魅力 Edge AI. Он позволяет вычислениям происходить на месте возникновения данных, обеспечивая низкую задержку, обработку в реальном времени и одновременно защищая конфиденциальность пользователей. Технология Edge AI уже применяется в таких ключевых областях, как автономное вождение.
В области Web3 у нас есть более знакомое название — DePIN. Web3 подчеркивает децентрализацию и суверенитет пользовательских данных, DePIN, обрабатывая данные локально, может усилить защиту конфиденциальности пользователей и снизить риск утечки данных; родная токеномика Web3 может стимулировать узлы DePIN предоставлять вычислительные ресурсы, создавая устойчивую экосистему.
В настоящее время DePIN стремительно развивается в экосистеме одной из публичных блокчейнов, став одной из предпочитаемых платформ для развертывания проектов. Высокая пропускная способность этой блокчейна, низкие транзакционные издержки и технологические инновации предоставляют мощную поддержку проектам DePIN. В настоящее время рыночная капитализация проектов DePIN на этой блокчейне превышает 10 миллиардов долларов, и некоторые известные проекты уже достигли значительных успехов.
IMO: Новый парадигм выпуска AI моделей
Концепция IMO была впервые предложена в рамках определенного протокола, который токенизирует модели ИИ.
В традиционной модели, из-за отсутствия механизма распределения прибыли, как только AI-модель разрабатывается и выходит на рынок, разработчикам часто трудно получать постоянный доход от последующего использования модели, особенно когда модель интегрируется в другие продукты и услуги. Оригинальным создателям бывает трудно отслеживать использование, не говоря уже о получении прибыли. Кроме того, производительность и эффективность AI-моделей часто не прозрачны, что затрудняет потенциальным инвесторам и пользователям оценку их истинной ценности, ограничивая признание модели на рынке и ее коммерческий потенциал.
IMO предоставляет совершенно новый способ финансирования и распределения ценности для открытых AI-моделей; инвесторы могут покупать токены IMO и делиться доходами, которые будут генерироваться моделью в дальнейшем. Некоторый протокол использует два стандарта ERC, сочетая AI-оракулы (Onchain AI Oracle) и технологию OPML для обеспечения подлинности AI-модели и возможности держателей токенов делиться доходами.
Модель IMO повысила прозрачность и доверие, способствуя открытому сотрудничеству, адаптируясь к тенденциям крипторынка и внося стимул в устойчивое развитие технологий ИИ. IMO сейчас находится на стадии начальных испытаний, но с увеличением приемлемости на рынке и расширением круга участников, её новаторство и потенциальная ценность того стоят, чтобы на них обратить внимание.
AI Агент: Новый Этап Взаимодействия
AI-агенты могут воспринимать окружающую среду, самостоятельно мыслить и предпринимать соответствующие действия для достижения поставленных целей. При поддержке больших языковых моделей AI-агенты не только понимают естественный язык, но и планируют решения, выполняют сложные задачи. Они могут выступать в роли виртуальных помощников, обучаясь предпочтениям пользователей через взаимодействие и предоставляя персонализированные решения. Даже без четких указаний AI-агенты могут самостоятельно решать проблемы, повышая эффективность и создавая новую ценность.
Некоторые проекты разрабатывают открытую платформу для нативных приложений ИИ, предлагающую полный и удобный набор инструментов для создания, поддерживающую пользователям настройку функций, внешнего вида, звука роботов, а также подключение внешних баз знаний. Они стремятся создать справедливую и открытую экосистему контента ИИ, используя технологии генеративного ИИ, позволяя отдельным лицам стать суперсоздателями. Эти проекты обучили специальные модели глубокого обучения, чтобы сделать ролевые игры более человечными; технологии клонирования голоса могут ускорить персонализированное взаимодействие AI-продуктов, значительно снизив затраты на синтез речи, позволяя клонирование голоса всего за 1 минуту. Используя этих настраиваемых AI-агентов, в настоящее время можно применять в видео-чате, изучении языков, генерации изображений и других областях.
В融合 Web3 и AI на данный момент больше внимания уделяется исследованию инфраструктурного слоя, таким ключевым вопросам, как получение качественных данных, защита конфиденциальности данных, хранение моделей на блокчейне, эффективное использование децентрализованных вычислительных мощностей, проверка больших языковых моделей и так далее. С постепенным совершенствованием этой инфраструктуры у нас есть основания полагать, что融合 Web3 и AI приведет к возникновению ряда инновационных бизнес-моделей и услуг.