IOSG: Где будет следующая точка взрыва Web3+AI?

Автор: IOSG Ventures

Спасибо за отзывы от Zhenyang@Upshot, Fran@Giza, Ashely@Neuronets, Matt@Valence, Dylan@Pond.

Цель данного исследования - определить, какие области искусственного интеллекта наиболее важны для разработчиков, а также какие возможности могут стать следующими взрывными в сфере Web3 и искусственного интеллекта.

Перед тем как поделиться новыми исследовательскими точками зрения, мы сначала хотели бы выразить наше удовольствие по поводу нашего участия в первом раунде финансирования RedPill на общую сумму 5000000 долларов США, а также наше волнение и ожидание того, что впереди нас ждет совместный рост с RedPill!

Кратко

С появлением сочетания Web3 и искусственного интеллекта как важной темы в мире криптовалют, развивается инфраструктура искусственного интеллекта шифрования, однако реальное использование искусственного интеллекта или приложений, разработанных для искусственного интеллекта, не такое лонговое, как кажется, и становится всё более очевидной проблема однородности инфраструктуры искусственного интеллекта. Недавно мы участвовали в первом раунде финансирования проекта RedPill, что позволило нам получить более глубокое понимание.

• Основными инструментами для создания приложений AI Dapp являются Децентрализация OpenAI доступ, сеть GPU, сеть вывода и сеть агентов.
• Причина популярности сети GPU по сравнению с периодом майнинга BTC заключается в том, что: рынок искусственного интеллекта больше, и рост быстр и стабилен; искусственный интеллект ежедневно поддерживает миллионы приложений; для искусственного интеллекта требуются различные модели GPU и расположение серверов; технологии более зрелые, чем раньше; аудитория клиентов также более широка.
• Рекомендательные сети и агентские сети имеют схожую инфраструктуру, но разные акценты. Рекомендательные сети предназначены преимущественно для опытных разработчиков, чтобы развернуть свои собственные модели, и использование моделей, отличных от LLM, не обязательно требует наличия графического процессора. Агентские сети более сосредоточены на LLM, разработчикам не нужно иметь собственную модель, а вместо этого больше внимания уделяется фасилитации и объединению разных агентов. В агентских сетях всегда требуется высокопроизводительный графический процессор.
• Проекты по искусственному интеллекту в сфере инфраструктуры обещают огромные возможности и продолжают выпускать новые функции.
• Большинство проектов по шифрованию находятся в стадии Тестовая сеть, имеют плохую стабильность, сложную настройку, ограниченные функции и требуют времени для проверки их безопасности и конфиденциальности.
• Предположим, что AI Dapp станет основным трендом, также есть много неразработанных областей, таких как мониторинг, инфраструктура, связанная с RAG, нативная модель Web3, встроенный API для шифрования и агент Децентрализации данных, оценка сети и т. д.
• Вертикальная интеграция - это заметная тенденция. Инфраструктурные проекты стремятся предоставить все услуги на одной платформе, упрощая работу разработчиков AI Dapp.
• Будущее будет гибридным. Часть рассуждений будет происходить на фронтенде, а часть будет вычисляться в блокчейне, что позволит учесть факторы стоимости и проверяемости.

Источник: IOSG

Введение

• Сочетание Web3 и искусственного интеллекта - одна из самых обсуждаемых тем в области шифрования. Талантливые разработчики строят инфраструктуру искусственного интеллекта для шифрованного мира, стремясь внедрить его в смарт-контракты. Создание AI dApp - это очень сложная задача, для которой разработчикам необходимо управлять данными, моделями, вычислительной мощностью, операциями, развертыванием и интеграцией с блокчейном. Для удовлетворения этих потребностей основатель Web3 уже разработал несколько предварительных решений, таких как сеть GPU, обозначение данных сообщества, модели, обученные сообществом, а также подтверждаемое AI-выведение и обучение и агентский магазин.
• В этом процветающем инфраструктурном контексте фактическое использование искусственного интеллекта или приложений, построенных на искусственном интеллекте, не долгое. Разработчики, ища руководство по созданию AI dApp, обнаруживают, что такие руководства, связанные с инфраструктурой искусственного интеллекта, не долгие, и большинство руководств касаются только вызова OpenAI API на клиентской стороне.

Источник: IOSGVentures

• Текущее приложение не полностью использует возможности Децентрализация и проверки блокчейна, но это скоро изменится. В настоящее время большинство инфраструктур искусственного интеллекта, сконцентрированных на шифровании, уже запустили тестовые сети и планируют начать полноценную работу в течение следующих 6 месяцев.
• Это исследование подробно расскажет о основных инструментах, доступных в области искусственного интеллекта для шифрования. Давайте готовиться к моменту появления мирашифрование GPT-3.5!

1. RedPill: предоставляет Децентрализация авторизации для OpenAI

Упомянутый ранее RedPill, в который мы вложились, является хорошей точкой входа.

OpenAI имеет несколько мощных моделей мирового уровня, таких как GPT-4-vision, GPT-4-turbo и GPT-4o, что делает его предпочтительным выбором для создания передовых Dapp искусственного интеллекта.

Разработчики могут интегрировать его в dApp через Машина Oracle или вызывать API OpenAI через фронтенд-интерфейс.

RedPill объединяет API от различных разработчиков OpenAI в одном интерфейсе, обеспечивая быстрые, экономичные и верифицируемые услуги искусственного интеллекта для пользователей по всему миру, тем самым демократизируя ресурсы ведущих моделей искусственного интеллекта. Маршрутизация Алгоритма RedPill направит запросы разработчиков к отдельным участникам. Запросы API будут выполняться через их распределенную сеть, обходя возможные ограничения со стороны OpenAI, решая некоторые распространенные проблемы, с которыми сталкиваются разработчики в области шифрования, такие как:

• Ограничение TPM (Токенов в минуту): новый счет имеет ограниченное использование Токенов, что не может удовлетворить потребности популярного и зависящего от искусственного интеллекта dApp.
• Ограничение доступа: некоторые модели имеют ограничения на доступ для новых счетов или определенных стран.

Путем использования того же кода запроса, но с заменой имени хоста разработчики могут получить доступ к модели OpenAI недорого, с высокой масштабируемостью и без ограничений.

2. Сеть GPU

Помимо использования API от OpenAI, многие разработчики также выбирают самостоятельное размещение моделей у себя дома. Они могут использовать Децентрализация сети GPU, такие как io.net, Aethir, Akash и другие популярные сети, чтобы создать собственный кластер GPU и развернуть и запустить различные мощные внутренние или Открытый исходный код модели.

Такие сети GPU Децентрализация могут использовать вычислительную мощность отдельных лиц или небольших центров обработки данных, обеспечивая гибкую настройку, более длительный выбор места расположения сервера и более низкие затраты, что позволяет разработчикам легко проводить эксперименты, связанные с AI, в рамках ограниченного бюджета. Однако из-за Децентрализация природы такие сети GPU все еще имеют некоторые ограничения в функциональности, доступности и конфиденциальности данных.

В последние несколько месяцев спрос на GPU был огромным, превысив предыдущий бум майнинга BTC. Причины этого явления включают:

• Число целевых клиентов растет, сеть GPU теперь обслуживает разработчиков искусственного интеллекта, их количество не только огромно, но и более loyален, не подвержен влиянию цен на КриптовалютаКолебание.
• В сравнении с оборудованием для Майнинга, GPU для Децентрализация предлагает более длинные модели и спецификации, которые лучше соответствуют требованиям iez. Особенно для обработки больших моделей требуется более высокий объем VRAM, а для малых задач есть более подходящие варианты выбора GPU. В то же время, GPU для Децентрализация может обслуживать конечных пользователей на ближайшем расстоянии, что снижает задержку.
• Технология становится все более зрелой, сеть GPU зависит от высокоскоростной Блокчейн, такой как Solana Поселок, виртуализация Docker и вычислительный кластер Ray.
• В аспекте инвестиционной отдачи рынок искусственного интеллекта находится в стадии расширения, с возможностями разработки новых приложений и моделей, в то время как ожидаемая доходность модели H100 составляет 60-70%, в то время как майнинг BTC более сложен, и победитель забирает все, с ограниченным объемом производства.
• Компании по майнингу BTC, такие как Iris Energy, Core Scientific и Bitdeer, также начали поддерживать сеть GPU, предоставлять услуги искусственного интеллекта и активно приобретать специально разработанные для ИИ GPU, такие как H100.

Рекомендуется: Для разработчиков Web2, которым не так важно SLA, io.net предлагает простой и удобный опыт, является выгодным выбором по соотношению цены и качества.

3. Сеть рассуждений

Это является ядром внутренней инфраструктуры шифрования AI. В будущем оно будет поддерживать миллиарды операций вывода AI. Многие AI layer1 или layer2 предоставляют разработчикам способность встроенного вызова вывода AI в блокчейне. Лидеры рынка включают Ritual, Valence и Fetch.ai.

Эти сети отличаются в следующих аспектах:

1. Производительность (задержка, время вычислений)
2. Поддерживаемые модели
3. Проверяемость
4. Цена (стоимость в блокчейне, стоимость рассуждений)
5. Опыт разработки

3.1 Цель

Идеальная ситуация заключается в том, что разработчики могут легко получить доступ к настраиваемым службам вывода искусственного интеллекта в любом месте и через любые формы подтверждения, почти без каких-либо препятствий в процессе интеграции.

Инферентная сеть предоставляет разработчикам все необходимые базовые функции, включая генерацию по требованию и доказательство валидации, вычисление выводов, Реле и проверку данных выводов, предоставление интерфейсов для Web2 и Web3, развертывание моделей с одним нажатием кнопки, мониторинг системы, операции по кросс-чейн взаимодействию, синхронную интеграцию и плановое выполнение.

Источник: IOSGVentures

С помощью этих функций разработчики могут интегрировать сервис вывода вывода средств в свои смарт-контракты без проблем. Например, при создании торговых роботов для Decentralized Finance эти роботы используют модели машинного обучения для поиска времени покупки и продажи для определенных торговых пар и выполняют соответствующие торговые стратегии на базовой торговой платформе.

В идеальном состоянии все базовые структуры являются облачными. Разработчики просто загружают свои модели торговых стратегий в универсальном формате, таком как torch, после чего инференсная сеть сохранит и предоставит модели для запросов Web2 и Web3.

После завершения всех этапов развертывания моделей разработчики могут непосредственно вызывать вывод модели через веб-интерфейс API Web3 или смарт-контракты. Сеть вывода будет постоянно выполнять эти торговые стратегии и сообщать результаты основным смарт-контрактам. Если управляемый разработчиками объем сообщества большой, необходимо также предоставить проверку результатов вывода. Как только результаты вывода получены, смарт-контракты будут использовать их для совершения сделок.

Источник: IOSGVentures

3.1.1 Асинхронный и синхронный

В теории асинхронное выполнение операций рассуждения может привести к лучшей производительности; однако такой подход может вызвать неудобства в процессе разработки.

При использовании асинхронного режима разработчику необходимо сначала представить задачу в смарт-контракте инференции. После завершения задачи инференции смарт-контракт инференции вернет результат. В этом программном режиме логика разделена на вызов инференции и обработку результатов инференции.

Источник: IOSGVentures

Если у разработчика есть вложенные вызовы рассуждений и большое количество управляющей логики, ситуация станет еще хуже.

Источник: IOSGVentures

Асинхронная модель программирования делает его сложным для интеграции с существующими смарт-контрактами. Это требует от разработчиков написания большого количества дополнительного кода, обработки ошибок и управления зависимостями.

Относительно, синхронное программирование более интуитивно для разработчиков, но оно вносит проблемы во время отката и дизайне Блокчейна. Например, если входные данные представляют собой данные времени блока или быстро изменяющиеся цены, то после завершения рассуждений данные уже устарели, что может привести к необходимости отката выполнения смарт-контракта в определенных ситуациях. Представьте, что вы торгуете по устаревшей цене.

Источник: IOSGVentures

Большинство базовых инфраструктур ИИ использует асинхронную обработку, но Valence пытается решить эти проблемы.

3.2 Реальная ситуация

На самом деле многие новые сети вывода находятся на стадии тестирования, такие как сеть Ritual. Согласно их открытым документам, эти сети в настоящее время имеют ограниченные возможности (такие как проверка, подтверждение и т. д.) еще не введены в эксплуатацию. В настоящее время они не предоставляют облачной инфраструктуры для поддержки вычислений в блокчейне AI, а предлагают фреймворк для самостоятельного размещения вычислений AI и передачи результатов в блокчейн.

Это архитектура, работающая с NFT. Модель диффузии создает NFT и загружает их в Arweave. Рекуррентная сеть будет использовать этот адрес Arweave для майнинга этого NFT в блокчейне.

Источник: IOSGVentures

Этот процесс очень сложный, разработчики должны сами развертывать и поддерживать большую часть инфраструктуры, такую как узел Ritual с настраиваемой логикой обслуживания, узел Stable Diffusion и смарт-контракты для невзаимозаменяемых токенов.

Рекомендация: В настоящее время сети расследования довольно сложны в интеграции и развертывании пользовательских моделей, и на этой стадии большинство сетей еще не поддерживают функцию проверки. Применение технологии AI на фронтенде предоставит разработчикам относительно простой выбор. Если вам действительно нужна функция проверки, провайдер ZKML Giza - хороший выбор.

4. Прокси-сеть

Сеть агентов позволяет пользователям легко настраивать агентов. Такая сеть состоит из сущностей или смарт-контрактов, способных самостоятельно выполнять задачи, взаимодействовать друг с другом и взаимодействовать с сетью Блокчейн, все это происходит без прямого вмешательства человека. Она в основном ориентирована на технологию LLM. Например, она может предоставить чат-бот GPT, который более глубоко понимает Эфириум. У этого чат-бота в настоящее время есть ограниченные возможности, разработчики еще не могут создавать сложные приложения на его основе.

Источник: IOSGVentures

Но в будущем сеть агентов предоставит агентам более лонг инструменты, не только знания, но и способность вызывать внешние API, выполнять конкретные задачи и т. д. Разработчики смогут соединить лонг агентов для построения рабочего процесса. Например, написание смарт-контракта Solidity потребует лонг специализированных агентов, включая Протокол дизайна агентов, агенты по разработке Solidity, агенты по безопасности кода и агенты по развертыванию Solidity.

Источник: IOSGVentures

Мы согласовываем сотрудничество этих агентов, используя подсказки и сценарии.

Примеры некоторых прокси-сетей включают Flock.ai, Myshell, Theoriq.

Рекомендуем: Большинство современных прокси имеют относительно ограниченные возможности. Прокси-серверы Web2 лучше подходят для конкретных случаев использования и имеют зрелые инструменты оркестровки, такие как Langchain и Llamaindex.

Различия между агентской сетью и сетью рассуждений 5.

Сеть агентов сосредоточена на LLM и предоставляет инструменты, такие как Langchain, для интеграции целого ряда агентов. Обычно разработчикам не нужно разрабатывать модели машинного обучения самостоятельно, процесс разработки и развертывания модели уже упрощен в сети агентов. Им нужно только подключить необходимых агентов и инструменты. В большинстве случаев конечные пользователи будут напрямую использовать эти агенты.

Инференционная сеть является основной инфраструктурой для агентской сети поддержка. Она предоставляет разработчикам доступ на более низком уровне. В обычных условиях конечные пользователи не используют инференционную сеть напрямую. Разработчики должны развернуть свои собственные модели, которые могут быть использованы через вне блокчейна или в блокчейне.

Сеть агентов и сеть рассуждений не являются полностью независимыми продуктами. Мы уже начали видеть некоторые продукты вертикальной интеграции. Они предоставляют возможности агентирования и рассуждения одновременно, потому что эти две функции зависят от сходной инфраструктуры.

6. Новая земля возможностей

Помимо модельного вывода, обучения и агентских сетей, в области web3 также есть много новых областей для исследования: 01928374656574839201

• Набор данных: как преобразовать данные Блокчейна в наборы данных, доступные для машинного обучения? Разработчики машинного обучения нуждаются в более конкретных и специализированных данных. Например, Giza предоставляет некоторые высококачественные наборы данных о Децентрализованных финансах, специально предназначенные для обучения машинного обучения. Идеальные данные должны быть не только простыми табличными данными, но также должны содержать графические данные, описывающие взаимодействия в мире Блокчейна. В настоящее время у нас еще есть недостатки в этом отношении. Некоторые проекты решают эту проблему, поощряя людей создавать новые наборы данных, такие как Bagel и Sahara, обещающие защиту конфиденциальности персональных данных.
• Хранение моделей: некоторые модели имеют огромный объем, и ключевым вопросом является то, как их хранить, распространять и контролировать версии. Это важно для производительности и стоимости в машинном обучении в блокчейне. В этой области уже есть прогрессивные проекты, такие как FIL, AR и 0g.
• Обучение модели: распределенное и верифицируемое обучение модели - это сложная задача. Gensyn, Bittensor, Flock и Allora уже достигли значительного прогресса.
• Мониторинг: поскольку вывод модели происходит как в блокчейне, так и вне блокчейна, нам нужна новая инфраструктура, которая поможет разработчикам web3 отслеживать использование моделей, своевременно выявлять возможные проблемы и отклонения. С помощью подходящих инструментов мониторинга разработчики машинного обучения web3 могут оперативно корректировать и постоянно оптимизировать точность моделей.
• Базовая инфраструктура RAG: для распределенных систем RAG требуется новая инфраструктура, которая имеет высокие требования к хранению данных, встроенным вычислениям и векторным базам данных, при этом необходимо обеспечить конфиденциальность данных. Это существенно отличается от текущей инфраструктуры Web3 AI, которая в большинстве своем полагается на сторонние компании для выполнения RAG, такие как Firstbatch и Bagel.
• Модели, специально разработанные для Web3: не все модели подходят для сценариев использования в Web3. Во многих случаях необходимо провести повторное обучение моделей, чтобы они соответствовали конкретным приложениям, таким как прогнозирование цен, рекомендации и т. д. С развитием инфраструктуры искусственного интеллекта мы ожидаем появления более долгосрочных web3-локальных моделей для обслуживания приложений искусственного интеллекта. Например, Pond разрабатывает блокчейн GNN для использования в таких сценариях, как прогнозирование цен, рекомендации, обнаружение мошенничества и противодействие отмыванию денег.
• Оценка сети: оценка агентов в условиях отсутствия обратной связи от людей является непростой задачей. С распространением инструментов для создания агентов на рынке появится бесчисленное количество агентов. Поэтому необходима система, которая позволит показать способности этих агентов и помочь пользователям определить, какой агент в конкретной ситуации показывает лучшие результаты. Например, Neuronets - один из участников в этой области.
• Механизм консенсуса: для задач искусственного интеллекта PoS не всегда является оптимальным выбором. Сложность вычислений, трудности проверки и отсутствие детерминированности - основные вызовы, с которыми сталкивается PoS. Bittensor создал новый интеллектуальный Механизм консенсуса, который вознаграждает Узлы, вносящие вклад в модели машинного обучения и их результаты в сети.

7. Перспективы будущего

В настоящее время мы наблюдаем тенденцию к вертикальной интеграции. Путем построения основного вычислительного уровня сеть может поддерживать различные задачи машинного обучения, включая обучение, вывод и сервисы агентов. Эта модель призвана предоставить разработчикам машинного обучения Web3 всеобъемлющее единое решение.

В настоящее время, хотя проведение расследования в блокчейне дорого и медленно, оно обеспечивает отличную проверяемость и безупречную интеграцию с бэкэнд-системами (например, смарт-контрактами). Я считаю, что будущее принадлежит гибридным приложениям. Часть обработки расследования будет выполняться на фронтенде или вне блокчейна, в то время как ключевые и стратегические расследования будут завершаться в блокчейне. Эта модель уже применяется на мобильных устройствах. Используя особенности мобильных устройств, она может быстро выполнять небольшие модели локально и переносить более сложные задачи в облачную среду, используя более мощные вычисления.