Los proyectos Web3 con concepto de IA se han convertido en objetivos atractivos en los mercados primario y secundario.
Las oportunidades de Web3 en la industria de la IA se manifiestan principalmente en: utilizar incentivos distribuidos para coordinar el suministro potencial de cola larga ( a través de datos, almacenamiento y computación ); al mismo tiempo, establecer un mercado descentralizado para modelos de código abierto y agentes de IA.
La IA se aplica principalmente en la industria Web3 en finanzas en cadena ( pagos criptográficos, transacciones, análisis de datos ) y asistencia en el desarrollo.
El valor de AI+Web3 radica en la complementariedad de ambos: Web3 espera hacer frente a la centralización de la IA, mientras que la IA espera ayudar a Web3 a superar las limitaciones de las capas.
Introducción
En los últimos dos años, el desarrollo de la IA ha mostrado una tendencia acelerada, la ola de IA generativa provocada por ChatGPT no solo ha abierto un nuevo mundo, sino que también ha provocado un auge en el ámbito de Web3.
Con el respaldo del concepto de IA, el financiamiento en el mercado de criptomonedas ha mostrado una clara recuperación. Según las estadísticas, solo en la primera mitad de 2024, 64 proyectos de Web3+IA han completado financiamiento, siendo Zyber365 el que obtuvo la mayor financiación de 100 millones de dólares en la ronda A.
El mercado secundario está más activo. Según los datos de Coingecko, la capitalización total del sector de IA ha alcanzado los 48,5 mil millones de dólares, con un volumen de transacciones de cerca de 8,6 mil millones de dólares en 24 horas; los avances en las tecnologías de IA han traído buenas noticias, como el lanzamiento de Sora por OpenAI, que llevó a un aumento promedio del 151% en el sector de IA; el efecto de la IA también ha afectado a los sectores populares de criptomonedas, como Meme, donde el primer MemeCoin con el concepto de AI Agent, GOAT, se ha vuelto muy popular, alcanzando una valoración de 1,4 mil millones de dólares, provocando una ola de memes de IA.
La investigación y los temas relacionados con AI+Web3 continúan en aumento, desde AI+Depin hasta AI Memecoin y los actuales AI Agent y AI DAO, surgen constantemente nuevas narrativas.
Esta combinación llena de dinero caliente, tendencias y visiones futuras, inevitablemente se considera como un matrimonio concertado impulsado por el capital, es difícil juzgar si es la celebración de los especuladores o la explosión antes del amanecer.
La clave es si ambas partes pueden beneficiarse del modelo del otro. Este artículo explorará cómo Web3 puede desempeñar un papel en cada etapa de la tecnología de IA y qué nuevas oportunidades puede traer la IA a Web3.
Una, oportunidades de Web3 bajo la pila de IA
Antes de discutir este tema, necesitamos entender la pila tecnológica de los grandes modelos de IA:
En términos simples, un "gran modelo" es similar al cerebro humano, en sus primeras etapas necesita observar y absorber una gran cantidad de información para entender el mundo, esta es la fase de "recolección" de datos; debido a que las computadoras carecen de los múltiples sentidos humanos, antes del entrenamiento es necesario convertir la información no etiquetada a un formato comprensible para la computadora a través de "preprocesamiento".
Después de ingresar los datos, la IA construye un modelo con capacidad de comprensión y predicción a través del "entrenamiento", similar al proceso en el que un bebé comprende y aprende gradualmente sobre el mundo exterior. Los parámetros del modelo son como la capacidad lingüística que el bebé ajusta continuamente. Cuando el contenido de aprendizaje se especializa o se obtiene retroalimentación al comunicarse con otros, se entra en la etapa de "ajuste fino".
Cuando los niños crecen y aprenden a hablar, pueden entender y expresar ideas en nuevos diálogos, similar al "razonamiento" de un gran modelo de IA, y pueden realizar análisis predictivos sobre la entrada de texto en nuevos idiomas. Los bebés utilizan el lenguaje para expresar sentimientos, describir objetos y resolver problemas, similar a cómo un gran modelo de IA se aplica en la fase de razonamiento a diversas tareas específicas, como la clasificación de imágenes y el reconocimiento de voz.
El Agente AI se acerca más a la próxima forma de los grandes modelos: capaz de ejecutar tareas de forma independiente, perseguir objetivos complejos, poseer capacidades de pensamiento, memoria y planificación, y poder interactuar con el mundo utilizando herramientas.
En respuesta a los puntos críticos de las pilas de IA, Web3 ha comenzado a formar un ecosistema interconectado de múltiples niveles que abarca todas las etapas del proceso del modelo de IA.
1. Capa básica: Airbnb de poder de cálculo y datos
Poder de cómputo
Uno de los principales costos de la IA es la potencia de cálculo y la energía necesarias para entrenar y razonar modelos.
Por ejemplo, el LLAMA3 de Meta necesita 16,000 GPU NVIDIA H100 durante 30 días para completar el entrenamiento. La versión de 80 GB cuesta entre 30,000 y 40,000 dólares, lo que requiere una inversión en hardware de entre 400 y 700 millones de dólares ( GPU + chip de red ), el consumo de electricidad mensual para el entrenamiento es de 1.6 mil millones de kilovatios-hora, con un gasto energético cercano a los 20 millones de dólares.
En respuesta a la presión de la capacidad de cálculo de AI, la red de infraestructura física descentralizada DePin( es uno de los primeros campos donde Web3 se cruza con AI. DePin Ninja ha enumerado más de 1400 proyectos, y el intercambio de capacidad de GPU incluye representantes como io.net, Aethir, Akash, Render Network, entre otros.
La lógica principal es: la plataforma permite a los propietarios de recursos GPU inactivos contribuir con su poder de cómputo de manera descentralizada y sin permisos, a través de un mercado en línea tipo Uber/Airbnb para compradores y vendedores, aumentando la utilización de GPU, y los usuarios obtienen recursos de computación eficientes y de bajo costo; al mismo tiempo, un mecanismo de garantía asegura que se castigará a quienes violen el control de calidad o interrumpan la red.
Características:
Reunir GPUs ociosas: el suministro proviene principalmente de centros de datos pequeños y medianos, granjas de criptominería y exceso de potencia de cálculo, así como hardware de minería PoS como máquinas mineras de FileCoin/ETH. Proyectos como exolab se dedican a establecer una red de potencia de cálculo para ejecutar inferencias de grandes modelos utilizando dispositivos locales como MacBook, iPhone, iPad.
Orientado al mercado de potencia de cálculo de IA de cola larga:
El lado técnico es más adecuado para los pasos de inferencia. El entrenamiento depende de grandes clústeres de GPU, mientras que la inferencia tiene requisitos de GPU más bajos, como Aethir que se centra en la renderización de baja latencia y la inferencia de IA.
Los demandantes de baja potencia en el lado de la demanda no entrenarán modelos grandes de forma independiente, sino que se centrarán en la optimización y el ajuste fino de los modelos principales, lo que es adecuado para la potencia de cálculo distribuida ociosa.
Propiedad descentralizada: La tecnología blockchain asegura que los propietarios de recursos mantengan el control, ajusten de manera flexible y obtengan beneficios.
Datos
Los datos son la base de la IA. Sin datos, el cálculo es completamente inútil, la calidad de los datos determina la calidad de salida del modelo. En el entrenamiento de modelos de IA, los datos determinan la capacidad lingüística, la capacidad de comprensión, los valores y la humanización. Actualmente, las principales dificultades en la demanda de datos para IA son:
Sed de datos: El entrenamiento de modelos de IA requiere una gran cantidad de datos. La cantidad de parámetros de GPT-4 alcanza niveles de billones.
Calidad de los datos: La combinación de AI con diversas industrias plantea nuevas exigencias sobre la actualidad, diversidad, profesionalidad de los datos y fuentes de datos emergentes como las emociones en redes sociales.
Cumplimiento de la privacidad: las empresas de diferentes países están restringiendo gradualmente la recopilación de conjuntos de datos.
Alto costo de procesamiento: gran volumen de datos, procesamiento complejo. Las empresas de IA gastan más del 30% de sus costos de I+D en la recolección y procesamiento de datos.
Soluciones Web3:
Recolección de datos: La captura gratuita de datos del mundo real se está agotando, los gastos en datos de las empresas de IA aumentan año tras año, pero no benefician a los verdaderos contribuyentes. La visión de Web3 es permitir que los usuarios contribuyentes participen en la creación de valor, incentivando la obtención de datos más privados y valiosos a bajo costo a través de redes distribuidas.
Grass: red descentralizada de capa de datos, los usuarios que ejecutan nodos contribuyen con ancho de banda para capturar datos en tiempo real y obtener recompensas en tokens.
Vana: Introducción del concepto de piscina de liquidez de datos )DLP(, los usuarios pueden subir datos privados y elegir autorizar a terceros a utilizarlos.
PublicAI: Los usuarios utilizan la etiqueta )Web3 en X y @PublicAI para realizar la recopilación de datos.
Preprocesamiento de datos: El procesamiento de datos de IA necesita limpiar y convertir a un formato utilizable, involucrando tareas repetitivas como normalización, filtrado y manejo de valores faltantes. Este proceso manual ha dado lugar a la industria de etiquetadores de datos, cuya barrera de entrada aumenta con los requisitos, siendo adecuada para mecanismos de incentivos descentralizados en Web3.
Grass y OpenLayer están considerando añadir una etapa de anotación de datos.
Synesis presenta el concepto "Train2earn", enfatizando la calidad de los datos, los usuarios que proporcionan datos etiquetados reciben recompensas.
Sapien gamifica las tareas de marcado, los usuarios apuestan puntos para ganar más puntos.
Seguridad de la privacidad de los datos: La privacidad de los datos implica el procesamiento de datos sensibles y la protección de la información de los datos contra el acceso no autorizado, la destrucción y el robo. Las ventajas de la tecnología de privacidad de Web3 se reflejan en: #AI或#1( entrenamiento de datos sensibles; )2( colaboración de datos: múltiples propietarios de datos participan juntos en el entrenamiento de IA sin necesidad de compartir datos originales.
Principales tecnologías de privacidad:
Entorno de Ejecución Confiable ) TEE (, como Super Protocol.
Tecnología de cero conocimiento ) zk (, como Reclaim Protocol utiliza zkTLS para generar pruebas de cero conocimiento del tráfico HTTPS, importando de manera segura datos de sitios web externos.
Actualmente estamos en una etapa temprana, y la principal dificultad es el alto costo de computación:
EZKL necesita 80 minutos para generar la prueba del modelo 1M-nanoGPT.
zkML tiene un costo más de 1000 veces superior al de la computación pura.
Almacenamiento de datos: se requiere almacenar datos y LLM generados en la cadena. La disponibilidad de datos )DA( es el problema central, antes de la actualización de Danksharding de Ethereum, el rendimiento era de 0.08 MB, mientras que el entrenamiento e inferencia de modelos de IA generalmente requieren de 50 a 100 GB por segundo.
0g.AI es una solución de almacenamiento centralizado diseñada para las necesidades de IA, con características: alta escalabilidad de rendimiento, soporta la carga y descarga rápida de grandes conjuntos de datos a través de particionado y código de borrado, con una velocidad de transmisión cercana a 5GB por segundo.
)# 2.Middleware: Entrenamiento y razonamiento del modelo
Mercado descentralizado de modelos de código abierto
La controversia sobre el código abierto de los modelos de IA continúa. El código abierto trae la ventaja de la innovación colectiva, pero ¿cómo aumentar la motivación de los desarrolladores sin un modelo de negocio rentable? Li Yanhong ha afirmado que "los modelos de código abierto se quedarán cada vez más atrás".
Web3 propone la posibilidad de un mercado de modelos descentralizados y de código abierto: la tokenización de modelos, el equipo retiene una parte de los tokens y dirige parte de los ingresos futuros a los poseedores de tokens.
Bittensor establece un mercado P2P de modelos de código abierto, compuesto por múltiples "subredes", donde los proveedores de recursos compiten para cumplir con los objetivos de la subred, y las subredes interactúan y aprenden para lograr una inteligencia más poderosa. Las recompensas se distribuyen mediante votación de la comunidad, basándose en el rendimiento en la subred.
ORA introduce el concepto de emisión del modelo inicial ###IMO(, tokenizando modelos de IA que se pueden comprar, vender y desarrollar a través de una red descentralizada.
Sentient plataforma AGI descentralizada, incentiva la colaboración para construir modelos de IA replicables y recompensa a los contribuyentes.
Spectral Nova se centra en la creación de aplicaciones de modelos de IA y ML.
Razonamiento verificable
Para el problema de "caja negra" de la inferencia de IA, la solución estándar de Web3 es comparar los resultados de operaciones repetidas de múltiples validadores, pero la escasez de GPU de alta gama ha llevado a costos elevados.
Una solución más prometedora es ejecutar pruebas ZK para el cálculo de inferencia de IA fuera de la cadena y verificar el cálculo del modelo de IA en la cadena. Es necesario cifrar en la cadena la prueba de que el cálculo fuera de la cadena se completó correctamente ), siempre que el conjunto de datos no haya sido alterado (, al mismo tiempo que se asegura la confidencialidad de los datos.
Principales ventajas:
Escalabilidad: Las pruebas ZK pueden confirmar rápidamente una gran cantidad de cálculos fuera de la cadena. Incluso con un aumento en las transacciones, una sola prueba ZK puede verificar todas las transacciones.
Protección de la privacidad: los datos y los detalles del modelo de IA se mantienen confidenciales, mientras que las partes pueden verificar que no han sido alterados.
Sin necesidad de confianza: no es necesario depender de una entidad centralizada para verificar los cálculos.
Integración Web2: La esencia de Web2 es la integración fuera de la cadena, la inferencia verificable puede ayudar a llevar conjuntos de datos y cálculos de IA a la cadena, aumentando la tasa de adopción de Web3.
Tecnología de inferencia verificable Web3 actual:
zkML: combina pruebas de conocimiento cero y aprendizaje automático, asegurando la privacidad del modelo de datos, permitiendo cálculos verificables sin revelar atributos subyacentes. Modulus Labs ha lanzado un probador ZK construido con IA basado en ZKML, que verifica si los proveedores de IA ejecutan correctamente los algoritmos, siendo actualmente sus principales clientes las DApp en la cadena.
opML: Utilizando el principio de resumen optimista, se mejora la eficiencia de escalabilidad del cálculo de ML al verificar el tiempo de ocurrencia de disputas. Solo es necesario verificar una pequeña parte de los resultados de los "verificadores", pero se establece un alto costo económico de penalización para aumentar el costo del fraude y ahorrar cálculos redundantes.
TeeML: utiliza un entorno de ejecución confiable para ejecutar cálculos de ML de forma segura, protegiendo los modelos de datos contra la manipulación y el acceso no autorizado.
)# 3. Capa de Aplicación: Agente de IA
El enfoque del desarrollo de la IA se ha trasladado de las capacidades del modelo a los Agentes de IA. OpenAI, Anthropic, Microsoft, entre otros, están desarrollando Agentes de IA, tratando de superar la fase de plataforma tecnológica de LLM.
OpenAI define un Agente de IA como: un sistema impulsado por un LLM que tiene la capacidad de comprensión, percepción, planificación, memoria y uso de herramientas, capaz de ejecutar automáticamente tareas complejas. La IA pasa de ser una herramienta utilizada a ser un sujeto que puede usar herramientas, convirtiéndose en un asistente inteligente ideal.
Web3 puede traer a los Agentes:
Descentralizado
Las características descentralizadas de Web3 hacen que el sistema Agent sea más autónomo y distribuido, estableciendo mecanismos de incentivos y penalizaciones para los validadores a través de mecanismos como PoS y DPoS, promoviendo la democratización del sistema Agent. GaiaNet, Theoriq y HajimeAI han realizado intentos.
Arranque en frío
El desarrollo e iteración de agentes de IA requiere una gran cantidad de fondos, Web3 puede ayudar a proyectos con potencial a obtener financiamiento inicial para el arranque.
Virtual Protocol lanza la plataforma de emisión de tokens fun.virtuals con AI Agent, donde los usuarios pueden desplegar AI Agent con un solo clic para lograr la emisión 100% justa de tokens.
Spectral propone la idea de emitir productos de activos de agentes de IA en la cadena: a través de IAO###Initial Agent Offering( se emiten tokens, el agente de IA obtiene directamente fondos de inversión, se convierte en miembro de la gobernanza DAO y ofrece a los inversores la oportunidad de participar en el desarrollo del proyecto y compartir los beneficios.
) Dos, ¿Cómo empodera la IA a Web3?
La IA tiene un impacto significativo en los proyectos de Web3, optimizando las operaciones en cadena ### como la ejecución de contratos inteligentes y la liquidez.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
19 me gusta
Recompensa
19
7
Republicar
Compartir
Comentar
0/400
WhaleMinion
· hace17h
Ah, otra vez. Hablando claro, no es más que tomar a la gente por tonta.
Ver originalesResponder0
MEVHunterX
· 08-08 07:45
Romper las limitaciones de las capas es un poco difícil, caída.
Ver originalesResponder0
HodlKumamon
· 08-08 07:45
Según los datos, esta ola de "Cuento de dos ciudades" tiene una tasa de retorno del 73.5%, ¡y el oso ya ha comenzado la Autoinversión!
Ver originalesResponder0
MemeCoinSavant
· 08-08 07:32
no voy a mentir familia... hice una regresión estadística sobre este hype de ai+web3 (n=420) y se ve estadísticamente degen af
Ver originalesResponder0
GasFeeVictim
· 08-08 07:31
tontos van a hacer una revolución!
Ver originalesResponder0
staking_gramps
· 08-08 07:30
tomar a la gente por tonta durante un año, ¿qué más no se puede entender?
Ver originalesResponder0
LongTermDreamer
· 08-08 07:25
El dinero se ha perdido por completo, ¿qué se puede ver de la inteligencia artificial? Regresaré a verlo dentro de tres años, esta vez realmente siento que es diferente.
La fusión de la IA y Web3: innovaciones y oportunidades desde la infraestructura hasta la Capa de aplicación
AI+Web3: Torres y Plazas
puntos clave
Los proyectos Web3 con concepto de IA se han convertido en objetivos atractivos en los mercados primario y secundario.
Las oportunidades de Web3 en la industria de la IA se manifiestan principalmente en: utilizar incentivos distribuidos para coordinar el suministro potencial de cola larga ( a través de datos, almacenamiento y computación ); al mismo tiempo, establecer un mercado descentralizado para modelos de código abierto y agentes de IA.
La IA se aplica principalmente en la industria Web3 en finanzas en cadena ( pagos criptográficos, transacciones, análisis de datos ) y asistencia en el desarrollo.
El valor de AI+Web3 radica en la complementariedad de ambos: Web3 espera hacer frente a la centralización de la IA, mientras que la IA espera ayudar a Web3 a superar las limitaciones de las capas.
Introducción
En los últimos dos años, el desarrollo de la IA ha mostrado una tendencia acelerada, la ola de IA generativa provocada por ChatGPT no solo ha abierto un nuevo mundo, sino que también ha provocado un auge en el ámbito de Web3.
Con el respaldo del concepto de IA, el financiamiento en el mercado de criptomonedas ha mostrado una clara recuperación. Según las estadísticas, solo en la primera mitad de 2024, 64 proyectos de Web3+IA han completado financiamiento, siendo Zyber365 el que obtuvo la mayor financiación de 100 millones de dólares en la ronda A.
El mercado secundario está más activo. Según los datos de Coingecko, la capitalización total del sector de IA ha alcanzado los 48,5 mil millones de dólares, con un volumen de transacciones de cerca de 8,6 mil millones de dólares en 24 horas; los avances en las tecnologías de IA han traído buenas noticias, como el lanzamiento de Sora por OpenAI, que llevó a un aumento promedio del 151% en el sector de IA; el efecto de la IA también ha afectado a los sectores populares de criptomonedas, como Meme, donde el primer MemeCoin con el concepto de AI Agent, GOAT, se ha vuelto muy popular, alcanzando una valoración de 1,4 mil millones de dólares, provocando una ola de memes de IA.
La investigación y los temas relacionados con AI+Web3 continúan en aumento, desde AI+Depin hasta AI Memecoin y los actuales AI Agent y AI DAO, surgen constantemente nuevas narrativas.
Esta combinación llena de dinero caliente, tendencias y visiones futuras, inevitablemente se considera como un matrimonio concertado impulsado por el capital, es difícil juzgar si es la celebración de los especuladores o la explosión antes del amanecer.
La clave es si ambas partes pueden beneficiarse del modelo del otro. Este artículo explorará cómo Web3 puede desempeñar un papel en cada etapa de la tecnología de IA y qué nuevas oportunidades puede traer la IA a Web3.
Una, oportunidades de Web3 bajo la pila de IA
Antes de discutir este tema, necesitamos entender la pila tecnológica de los grandes modelos de IA:
En términos simples, un "gran modelo" es similar al cerebro humano, en sus primeras etapas necesita observar y absorber una gran cantidad de información para entender el mundo, esta es la fase de "recolección" de datos; debido a que las computadoras carecen de los múltiples sentidos humanos, antes del entrenamiento es necesario convertir la información no etiquetada a un formato comprensible para la computadora a través de "preprocesamiento".
Después de ingresar los datos, la IA construye un modelo con capacidad de comprensión y predicción a través del "entrenamiento", similar al proceso en el que un bebé comprende y aprende gradualmente sobre el mundo exterior. Los parámetros del modelo son como la capacidad lingüística que el bebé ajusta continuamente. Cuando el contenido de aprendizaje se especializa o se obtiene retroalimentación al comunicarse con otros, se entra en la etapa de "ajuste fino".
Cuando los niños crecen y aprenden a hablar, pueden entender y expresar ideas en nuevos diálogos, similar al "razonamiento" de un gran modelo de IA, y pueden realizar análisis predictivos sobre la entrada de texto en nuevos idiomas. Los bebés utilizan el lenguaje para expresar sentimientos, describir objetos y resolver problemas, similar a cómo un gran modelo de IA se aplica en la fase de razonamiento a diversas tareas específicas, como la clasificación de imágenes y el reconocimiento de voz.
El Agente AI se acerca más a la próxima forma de los grandes modelos: capaz de ejecutar tareas de forma independiente, perseguir objetivos complejos, poseer capacidades de pensamiento, memoria y planificación, y poder interactuar con el mundo utilizando herramientas.
En respuesta a los puntos críticos de las pilas de IA, Web3 ha comenzado a formar un ecosistema interconectado de múltiples niveles que abarca todas las etapas del proceso del modelo de IA.
1. Capa básica: Airbnb de poder de cálculo y datos
Poder de cómputo
Uno de los principales costos de la IA es la potencia de cálculo y la energía necesarias para entrenar y razonar modelos.
Por ejemplo, el LLAMA3 de Meta necesita 16,000 GPU NVIDIA H100 durante 30 días para completar el entrenamiento. La versión de 80 GB cuesta entre 30,000 y 40,000 dólares, lo que requiere una inversión en hardware de entre 400 y 700 millones de dólares ( GPU + chip de red ), el consumo de electricidad mensual para el entrenamiento es de 1.6 mil millones de kilovatios-hora, con un gasto energético cercano a los 20 millones de dólares.
En respuesta a la presión de la capacidad de cálculo de AI, la red de infraestructura física descentralizada DePin( es uno de los primeros campos donde Web3 se cruza con AI. DePin Ninja ha enumerado más de 1400 proyectos, y el intercambio de capacidad de GPU incluye representantes como io.net, Aethir, Akash, Render Network, entre otros.
La lógica principal es: la plataforma permite a los propietarios de recursos GPU inactivos contribuir con su poder de cómputo de manera descentralizada y sin permisos, a través de un mercado en línea tipo Uber/Airbnb para compradores y vendedores, aumentando la utilización de GPU, y los usuarios obtienen recursos de computación eficientes y de bajo costo; al mismo tiempo, un mecanismo de garantía asegura que se castigará a quienes violen el control de calidad o interrumpan la red.
Características:
Reunir GPUs ociosas: el suministro proviene principalmente de centros de datos pequeños y medianos, granjas de criptominería y exceso de potencia de cálculo, así como hardware de minería PoS como máquinas mineras de FileCoin/ETH. Proyectos como exolab se dedican a establecer una red de potencia de cálculo para ejecutar inferencias de grandes modelos utilizando dispositivos locales como MacBook, iPhone, iPad.
Orientado al mercado de potencia de cálculo de IA de cola larga: El lado técnico es más adecuado para los pasos de inferencia. El entrenamiento depende de grandes clústeres de GPU, mientras que la inferencia tiene requisitos de GPU más bajos, como Aethir que se centra en la renderización de baja latencia y la inferencia de IA. Los demandantes de baja potencia en el lado de la demanda no entrenarán modelos grandes de forma independiente, sino que se centrarán en la optimización y el ajuste fino de los modelos principales, lo que es adecuado para la potencia de cálculo distribuida ociosa.
Propiedad descentralizada: La tecnología blockchain asegura que los propietarios de recursos mantengan el control, ajusten de manera flexible y obtengan beneficios.
Datos
Los datos son la base de la IA. Sin datos, el cálculo es completamente inútil, la calidad de los datos determina la calidad de salida del modelo. En el entrenamiento de modelos de IA, los datos determinan la capacidad lingüística, la capacidad de comprensión, los valores y la humanización. Actualmente, las principales dificultades en la demanda de datos para IA son:
Sed de datos: El entrenamiento de modelos de IA requiere una gran cantidad de datos. La cantidad de parámetros de GPT-4 alcanza niveles de billones.
Calidad de los datos: La combinación de AI con diversas industrias plantea nuevas exigencias sobre la actualidad, diversidad, profesionalidad de los datos y fuentes de datos emergentes como las emociones en redes sociales.
Cumplimiento de la privacidad: las empresas de diferentes países están restringiendo gradualmente la recopilación de conjuntos de datos.
Alto costo de procesamiento: gran volumen de datos, procesamiento complejo. Las empresas de IA gastan más del 30% de sus costos de I+D en la recolección y procesamiento de datos.
Soluciones Web3:
Grass: red descentralizada de capa de datos, los usuarios que ejecutan nodos contribuyen con ancho de banda para capturar datos en tiempo real y obtener recompensas en tokens.
Vana: Introducción del concepto de piscina de liquidez de datos )DLP(, los usuarios pueden subir datos privados y elegir autorizar a terceros a utilizarlos.
PublicAI: Los usuarios utilizan la etiqueta )Web3 en X y @PublicAI para realizar la recopilación de datos.
Grass y OpenLayer están considerando añadir una etapa de anotación de datos.
Synesis presenta el concepto "Train2earn", enfatizando la calidad de los datos, los usuarios que proporcionan datos etiquetados reciben recompensas.
Sapien gamifica las tareas de marcado, los usuarios apuestan puntos para ganar más puntos.
Principales tecnologías de privacidad:
Entorno de Ejecución Confiable ) TEE (, como Super Protocol.
Cifrado totalmente homomórfico ) FHE (, como BasedAI, Fhenix.io, Inco Network.
Tecnología de cero conocimiento ) zk (, como Reclaim Protocol utiliza zkTLS para generar pruebas de cero conocimiento del tráfico HTTPS, importando de manera segura datos de sitios web externos.
Actualmente estamos en una etapa temprana, y la principal dificultad es el alto costo de computación:
EZKL necesita 80 minutos para generar la prueba del modelo 1M-nanoGPT.
zkML tiene un costo más de 1000 veces superior al de la computación pura.
)# 2.Middleware: Entrenamiento y razonamiento del modelo
Mercado descentralizado de modelos de código abierto
La controversia sobre el código abierto de los modelos de IA continúa. El código abierto trae la ventaja de la innovación colectiva, pero ¿cómo aumentar la motivación de los desarrolladores sin un modelo de negocio rentable? Li Yanhong ha afirmado que "los modelos de código abierto se quedarán cada vez más atrás".
Web3 propone la posibilidad de un mercado de modelos descentralizados y de código abierto: la tokenización de modelos, el equipo retiene una parte de los tokens y dirige parte de los ingresos futuros a los poseedores de tokens.
Bittensor establece un mercado P2P de modelos de código abierto, compuesto por múltiples "subredes", donde los proveedores de recursos compiten para cumplir con los objetivos de la subred, y las subredes interactúan y aprenden para lograr una inteligencia más poderosa. Las recompensas se distribuyen mediante votación de la comunidad, basándose en el rendimiento en la subred.
ORA introduce el concepto de emisión del modelo inicial ###IMO(, tokenizando modelos de IA que se pueden comprar, vender y desarrollar a través de una red descentralizada.
Sentient plataforma AGI descentralizada, incentiva la colaboración para construir modelos de IA replicables y recompensa a los contribuyentes.
Spectral Nova se centra en la creación de aplicaciones de modelos de IA y ML.
Razonamiento verificable
Para el problema de "caja negra" de la inferencia de IA, la solución estándar de Web3 es comparar los resultados de operaciones repetidas de múltiples validadores, pero la escasez de GPU de alta gama ha llevado a costos elevados.
Una solución más prometedora es ejecutar pruebas ZK para el cálculo de inferencia de IA fuera de la cadena y verificar el cálculo del modelo de IA en la cadena. Es necesario cifrar en la cadena la prueba de que el cálculo fuera de la cadena se completó correctamente ), siempre que el conjunto de datos no haya sido alterado (, al mismo tiempo que se asegura la confidencialidad de los datos.
Principales ventajas:
Escalabilidad: Las pruebas ZK pueden confirmar rápidamente una gran cantidad de cálculos fuera de la cadena. Incluso con un aumento en las transacciones, una sola prueba ZK puede verificar todas las transacciones.
Protección de la privacidad: los datos y los detalles del modelo de IA se mantienen confidenciales, mientras que las partes pueden verificar que no han sido alterados.
Sin necesidad de confianza: no es necesario depender de una entidad centralizada para verificar los cálculos.
Integración Web2: La esencia de Web2 es la integración fuera de la cadena, la inferencia verificable puede ayudar a llevar conjuntos de datos y cálculos de IA a la cadena, aumentando la tasa de adopción de Web3.
Tecnología de inferencia verificable Web3 actual:
zkML: combina pruebas de conocimiento cero y aprendizaje automático, asegurando la privacidad del modelo de datos, permitiendo cálculos verificables sin revelar atributos subyacentes. Modulus Labs ha lanzado un probador ZK construido con IA basado en ZKML, que verifica si los proveedores de IA ejecutan correctamente los algoritmos, siendo actualmente sus principales clientes las DApp en la cadena.
opML: Utilizando el principio de resumen optimista, se mejora la eficiencia de escalabilidad del cálculo de ML al verificar el tiempo de ocurrencia de disputas. Solo es necesario verificar una pequeña parte de los resultados de los "verificadores", pero se establece un alto costo económico de penalización para aumentar el costo del fraude y ahorrar cálculos redundantes.
TeeML: utiliza un entorno de ejecución confiable para ejecutar cálculos de ML de forma segura, protegiendo los modelos de datos contra la manipulación y el acceso no autorizado.
)# 3. Capa de Aplicación: Agente de IA
El enfoque del desarrollo de la IA se ha trasladado de las capacidades del modelo a los Agentes de IA. OpenAI, Anthropic, Microsoft, entre otros, están desarrollando Agentes de IA, tratando de superar la fase de plataforma tecnológica de LLM.
OpenAI define un Agente de IA como: un sistema impulsado por un LLM que tiene la capacidad de comprensión, percepción, planificación, memoria y uso de herramientas, capaz de ejecutar automáticamente tareas complejas. La IA pasa de ser una herramienta utilizada a ser un sujeto que puede usar herramientas, convirtiéndose en un asistente inteligente ideal.
Web3 puede traer a los Agentes:
Descentralizado
Las características descentralizadas de Web3 hacen que el sistema Agent sea más autónomo y distribuido, estableciendo mecanismos de incentivos y penalizaciones para los validadores a través de mecanismos como PoS y DPoS, promoviendo la democratización del sistema Agent. GaiaNet, Theoriq y HajimeAI han realizado intentos.
Arranque en frío
El desarrollo e iteración de agentes de IA requiere una gran cantidad de fondos, Web3 puede ayudar a proyectos con potencial a obtener financiamiento inicial para el arranque.
Virtual Protocol lanza la plataforma de emisión de tokens fun.virtuals con AI Agent, donde los usuarios pueden desplegar AI Agent con un solo clic para lograr la emisión 100% justa de tokens.
Spectral propone la idea de emitir productos de activos de agentes de IA en la cadena: a través de IAO###Initial Agent Offering( se emiten tokens, el agente de IA obtiene directamente fondos de inversión, se convierte en miembro de la gobernanza DAO y ofrece a los inversores la oportunidad de participar en el desarrollo del proyecto y compartir los beneficios.
) Dos, ¿Cómo empodera la IA a Web3?
La IA tiene un impacto significativo en los proyectos de Web3, optimizando las operaciones en cadena ### como la ejecución de contratos inteligentes y la liquidez.