5 новых тенденций в области генеративного ИИ, к которым Web3 должен быть готов

«Создавайте решения, соответствующие направлению развития отрасли, а не ее текущему состоянию». Эта мантра десятилетиями подпитывала революционные инновации: Microsoft извлекла выгоду из микропроцессоров, Salesforce использовала облачные технологии, а Uber преуспел в мобильной революции.

Тот же принцип применим к ИИ — генеративный ИИ развивается так быстро, что создание сегодняшних возможностей рискует устареть. Исторически Web3 играл небольшую роль в этой эволюции ИИ. Но может ли он адаптироваться к последним тенденциям, меняющим отрасль?

2024 год стал поворотным для генеративного ИИ с новаторскими научными и инженерными достижениями. Это был также год, когда повествование о Web3-AI перешло от спекулятивной шумихи к проблескам реальной полезности. В то время как первая волна ИИ вращалась вокруг мегамоделей, длительных циклов обучения, огромных вычислительных кластеров и глубоких корпоративных карманов, что делало их в значительной степени недоступными для Web3, новые тенденции в 2024 году открывают двери для значимой интеграции Web3.

На фронте Web3-AI в 2024 году доминировали спекулятивные проекты, такие как основанные на мемах агентские платформы, которые отражали бычьи настроения рынка, но предлагали мало реальной пользы. По мере того, как эта шумиха угасает, появляется окно возможностей для переориентации на ощутимые варианты использования. Генеративный ландшафт ИИ 2025 года будет совершенно иным, с преобразующими сдвигами в исследованиях и Технологии. Многие из этих изменений могут катализировать принятие Web3, но только если отрасль будет строиться на будущее.

Давайте рассмотрим пять ключевых тенденций, формирующих ИИ, и потенциал, который они представляют для Web3.

1. Гонка рассуждений

Рассуждение стало следующим рубежом для больших языковых моделей (LLM). Недавние модели, такие как GPT-01, DeepSeek R1 и Gemini Flash, ставят возможности рассуждения в CORE своих достижений. Функционально рассуждение позволяет ИИ разбивать сложные задачи вывода на структурированные многошаговые процессы, часто используя методы цепочки мыслей (CoT). Так же, как следование инструкциям стало стандартом для LLM, рассуждение вскоре станет базовой возможностью для всех основных моделей.

Возможность Web3-AI

Рассуждения включают в себя сложные рабочие процессы, требующие прослеживаемости и прозрачности — область, где Web3 блистает. Представьте себе статью, сгенерированную ИИ, где каждый шаг рассуждения можно проверить в цепочке, обеспечивая неизменяемую запись его логической последовательности. В мире, где контент, сгенерированный ИИ, доминирует в цифровых взаимодействиях, этот уровень происхождения может стать фундаментальной потребностью. Web3 может предоставить децентрализованный, не требующий доверия уровень для проверки путей рассуждений ИИ, закрывая критический пробел в сегодняшней экосистеме ИИ.

2. Масштабирование обучения на основе синтетических данных

Ключевым фактором продвинутого рассуждения являются синтетические данные. Такие модели, как DeepSeek R1, используют промежуточные системы (например, R1-Zero) для генерации высококачественных наборов данных рассуждений, которые затем используются для тонкой настройки. Такой подход снижает зависимость от реальных наборов данных, ускоряя разработку модели и повышая ее надежность.

Возможность Web3-AI

Генерация синтетических данных — задача, которую можно распараллелить, идеально подходящая для децентрализованных сетей. Фреймворк Web3 может стимулировать узлы вносить вычислительную мощность в генерацию синтетических данных, получая вознаграждение на основе использования наборов данных. Это может способствовать децентрализованной экономике данных ИИ, в которой синтетические наборы данных питают как модели ИИ с открытым исходным кодом, так и проприетарные модели.

3. Переход к пост-обучающим рабочим процессам

Ранние модели ИИ полагались на огромные предварительные нагрузки, требующие тысяч графических процессоров. Однако такие модели, как GPT-01, сместили фокус на середину обучения и постобучение, обеспечивая более специализированные возможности, такие как расширенные рассуждения. Этот сдвиг кардинально меняет требования к вычислениям, снижая зависимость от централизованных кластеров.

Возможность Web3-AI

В то время как предварительное обучение требует централизованных ферм GPU, последующее обучение может быть распределено по децентрализованным сетям. Web3 может способствовать децентрализованному уточнению модели ИИ, позволяя Авторы делать ставки вычислительных ресурсов в обмен на управление или финансовые стимулы. Этот сдвиг демократизирует разработку ИИ, делая децентрализованные инфраструктуры обучения более жизнеспособными.

4. Рост популярности небольших дистиллированных моделей

Дистилляция, процесс, в котором большие модели используются для обучения меньших специализированных версий, пережил всплеск внедрения. Ведущие семейства ИИ, такие как Llama, Gemini, Gemma и DeepSeek, теперь включают дистиллированные варианты, оптимизированные для эффективности, что позволяет им работать на стандартном оборудовании.

Возможность Web3-AI

Дистиллированные модели достаточно компактны для работы на потребительских графических процессорах или даже центральных процессорах, что делает их идеальными для децентрализованных сетей вывода. Могут появиться рынки вывода ИИ на основе Web3, на которых узлы предоставляют вычислительную мощность для выполнения легких, дистиллированных моделей. Это децентрализует вывод ИИ, уменьшив зависимость от облачных провайдеров и открыв новые токенизированные структуры стимулирования для участников.

5. Потребность в прозрачных оценках ИИ

ONE из самых больших проблем в генеративном ИИ является оценка. Многие модели высшего уровня фактически запомнили существующие отраслевые бенчмарки, что делает их ненадежными для оценки производительности в реальном мире. Когда вы видите, что модель набирает чрезвычайно высокие баллы по заданному бенчмарку, это часто происходит потому, что этот бенчмарк был включен в обучающий корпус модели. Сегодня не существует надежных механизмов для проверки результатов оценки модели, что заставляет компании полагаться на самостоятельно сообщаемые цифры в технических статьях.

Возможности Web3-AI

Криптографические доказательства на основе блокчейна могли бы привнести радикальную прозрачность в оценки ИИ. Децентрализованные сети могли бы проверять производительность моделей по стандартизированным бенчмаркам, снижая зависимость от непроверяемых корпоративных заявлений. Кроме того, стимулы Web3 могли бы поощрять разработку новых стандартов оценки, поддерживаемых сообществом, выдвигая подотчетность ИИ на новые высоты.

Сможет ли Web3 адаптироваться к следующей волне ИИ?

Генеративный ИИ переживает смену парадигмы. Путь к общему искусственному интеллекту (AGI) больше не определяется исключительно монолитными моделями с длительными циклами обучения. Новые прорывы — такие как архитектуры, основанные на рассуждениях, инновации в области синтетических наборов данных, оптимизация после обучения и дистилляция моделей — децентрализуют рабочие процессы ИИ.

Web3 в значительной степени отсутствовал в первой волне генеративного ИИ, но эти новые тенденции открывают новые возможности, где децентрализованные архитектуры могут обеспечить реальную полезность. Сейчас решающий вопрос: сможет ли Web3 двигаться достаточно быстро, чтобы воспользоваться этим моментом и стать значимой силой в революции ИИ?