Простір Web3-AI є ONE із найгарячіших у Крипто, поєднуючи великі перспективи та значний ажіотаж. Майже єретичним є вказувати на кількість проектів Web3-AI з багатомільярдною ринковою капіталізацією, але без практичних випадків використання, що керується суто проксі-наративами традиційного ринку штучного інтелекту. Тим часом розрив у можливостях ШІ між Web2 і Web3 продовжує тривожно збільшуватися. Однак Web3-AI – це не тільки ажіотаж. Останні події на ринку генеративного штучного інтелекту підкреслюють цінність більш децентралізованих підходів.

Враховуючи всі ці фактори, ми опиняємося на надто розкрученому та фінансованому ринку, який не пов’язаний із станом індустрії генеративного штучного інтелекту, але здатний розблокувати величезну цінність для наступної хвилі генеративного штучного інтелекту. Почуття розгубленості зрозуміло. Якщо ми відійдемо від ажіотажу та проаналізуємо простір Web3-AI через призму поточних вимог, з’являться чіткі області, де Web3 може принести значну цінність. Але для цього потрібно прорізати щільне поле спотворення реальності.

Спотворення реальності Web3-AI

Як вихідці з Крипто , ми схильні бачити цінність децентралізації в усьому. Однак штучний інтелект розвивався як дедалі більш централізована сила з точки зору даних і обчислень, тому цінність децентралізованого штучного інтелекту повинна починатися з протидії цій природній силі централізації.

Що стосується ШІ, то зростає невідповідність між цінністю, яку ми вважаємо створеною в Web3, і потребами ринку ШІ. Реальність, що викликає занепокоєння, полягає в тому, що розрив між штучним інтелектом Web2 і Web3 збільшується, а не скорочується, головним чином завдяки трьом ключовим факторам:

Обмежений дослідницький талант ШІ

Кількість дослідників штучного інтелекту, які працюють у Web3, є невеликою однозначною цифрою. Це навряд чи надихає тих, хто стверджує, що Web3 — це майбутнє ШІ.

Обмежена інфраструктура

Нам ще T вдалося змусити веб-програми належним чином працювати з серверними частинами Web3, тому думати про ШІ, м’яко кажучи, важко. Інфраструктура Web3 накладає обчислювальні обмеження, які є непрактичними для життєвого циклу генеративних рішень ШІ.

Обмежені моделі, дані та обчислювальні ресурси

Generative AI спирається на три речі: моделі, дані та обчислення. Жодна з великих передових моделей не обладнана для роботи в інфраструктурі Web3; немає основи для великих навчальних наборів даних; і існує величезна різниця в якості між кластерами GPU Web3 і кластерами, необхідними для попереднього навчання та тонкого налаштування основних моделей.

Складна реальність полягає в тому, що Web3 створював версію штучного інтелекту для «бідних», по суті намагаючись відповідати можливостям штучного інтелекту Web2, але створюючи нижчі версії. Ця реальність різко контрастує з надзвичайною цінністю децентралізації в кількох сферах ШІ.

Щоб не вважати цей аналіз абстрактною тезою, давайте зануримося в різні тенденції децентралізованого штучного інтелекту та оцінимо їх порівняно з їхнім ринковим потенціалом штучного інтелекту.

Читайте також: Хесус Родрігес - Фінансування генеративного ШІ з відкритим вихідним кодом за допомогою Крипто

Викривлення реальності в Web3-AI призвело до того, що початкова хвиля інновацій і фінансування зосередилася на проектах, цінні пропозиції яких здавалися не пов’язаними з реаліями ринку ШІ. Водночас у Web3-AI є й інші нові сфери, які мають величезний потенціал.

Деякі розкручені тенденції Web3-AI

Децентралізована інфраструктура GPU для навчання та тонкої настройки

За останні кілька років ми спостерігали вибух децентралізованих інфраструктур GPU з обіцянкою демократизації попереднього навчання та тонкого налаштування базових моделей. Ідея полягає в тому, щоб увімкнути альтернативу монополізації графічних процесорів, встановленій діючими лабораторіями ШІ. Реальність така, що попереднє навчання та тонке налаштування великих базових моделей потребує великих кластерів GPU з надшвидкісними комунікаційними шинами, що з’єднують їх. Цикл попереднього навчання базової моделі 50B-100B у децентралізованій інфраструктурі ШІ може тривати більше року, якщо він взагалі запрацює.

ZK-AI Frameworks

Ідея поєднання обчислень з нульовим знанням (zk) і штучного інтелекту породила цікаві концепції для включення механізмів Політика конфіденційності в основні моделі. Враховуючи популярність інфраструктури zk у Web3, кілька фреймворків обіцяють вбудувати обчислення zk у основні моделі. Незважаючи на теоретичну привабливість, моделі zk-AI швидко стикаються з проблемою надмірно дорогих з обчислювальної точки зору при застосуванні до великих моделей. Крім того, zk обмежить такі аспекти, як можливість інтерпретації, яка є ONE з найбільш перспективних областей у генеративному ШІ.

Доказ висновку

Крипто — це криптографічні докази, які іноді додаються до речей, яким вони T потрібні. У просторі Web3-AI ми бачимо приклади фреймворків, які видають криптографічні докази конкретних вихідних даних моделі. Проблеми, пов’язані з цими сценаріями, не технологічні, а пов’язані з ринком. По суті, підтвердження висновку – це свого роду рішення, яке шукає проблему, і сьогодні йому бракує реальних випадків використання.

Деякі високопотенційні тенденції Web3-AI

Агенти з гаманцями

Агентські робочі процеси є ONE з найцікавіших тенденцій у генеративному штучному інтелекті та мають значний потенціал для Крипто. Під агентами ми маємо на увазі програми штучного інтелекту, які можуть не тільки пасивно відповідати на запитання на основі вхідних даних, але й виконувати дії проти певного середовища. Хоча більшість автономних агентів створено для окремих випадків використання, ми спостерігаємо швидку появу багатоагентних середовищ і співпраці.

Це сфера, де Крипто може отримати величезну цінність. Наприклад, уявіть собі сценарій, коли агенту потрібно найняти інших агентів для виконання завдання або зробити певну ставку, щоб гарантувати якість його результатів. Надання агентам фінансових примітивів у формі Крипто рейок відкриває багато варіантів використання агентської співпраці.

Крипто для ШІ

ONE із найвідоміших секретів генеративного штучного інтелекту полягає в тому, що простір штучного інтелекту з відкритим кодом переживає величезну фінансову кризу. Більшість лабораторій штучного інтелекту з відкритим кодом більше T можуть дозволити собі працювати над великими моделями, а натомість зосереджуються на інших сферах, які T вимагають величезних обсягів доступу до комп’ютера та даних. Крипто є надзвичайно ефективним у формуванні капіталу за допомогою таких механізмів, як airdrops, стимули або навіть бали. Концепція рейок Крипто для генеративного штучного інтелекту з відкритим кодом є ONE із найперспективніших напрямків на перетині цих двох тенденцій.

Малі фундаментні моделі

Минулого року Microsoft ввела термін «маленька мовна модель» (SLM) після випуску своєї моделі Phi, яка з менш ніж 2B параметрами змогла перевершити набагато більші LLM у інформатиці та математичних завданнях. Невеликі базові моделі – наприклад, параметри 1B-5B – є ключовою вимогою для життєздатності децентралізованого штучного інтелекту та відкривають багатообіцяючі сценарії для штучного інтелекту на пристрої. Децентралізація моделей із кількома сотнями мільярдів параметрів сьогодні майже неможлива і залишатиметься такою деякий час. Однак невеликі базові моделі мають працювати на багатьох сучасних інфраструктурах Web3. Просування порядку денного SLM має важливе значення для створення реальної цінності за допомогою Web3 та AI.

Генерація синтетичних даних

Дефіцит даних є ONE з найбільших проблем цього останнього покоління базових моделей. Як наслідок, зростає рівень досліджень, зосереджених на механізмах генерації синтетичних даних з використанням основних моделей, які можуть доповнювати набори даних реального світу. Механіка Крипто і стимулювання токенів може ідеально координувати велику кількість сторін для співпраці у створенні нових синтетичних наборів даних.

Інші відповідні тенденції Web3-AI

Є кілька інших цікавих тенденцій Web3-AI зі значним потенціалом. Вихідні дані Proof-of-Human стають дедалі актуальнішими з огляду на проблеми з контентом, створеним штучним інтелектом. Оцінка та порівняльний аналіз — це сегмент штучного інтелекту, в якому довіра та прозорість Web3 можуть блищати. Тонка настройка, орієнтована на людину, така як навчання з підкріпленням із зворотним зв’язком Human (RLHF), також є цікавим сценарієм для мереж Web3. Ймовірно, з’являться й інші сценарії, оскільки генеративний штучний інтелект продовжує розвиватися та розвиваються можливості Web3-AI.

Потреба в більш децентралізованих можливостях ШІ цілком реальна. Хоча галузь Web3 ще не в змозі конкурувати з цінністю, створеною мегамоделями штучного інтелекту, вона може розкрити реальну цінність для генеративного простору штучного інтелекту. Найбільшим викликом для еволюції Web3-AI може бути подолання його власного поля спотворення реальності. У Web3-AI багато цінності; нам просто потрібно зосередитися на створенні реальних речей.

Примітка: погляди, висловлені в цій колонці, належать автору та не обов’язково відображають погляди CoinDesk, Inc. або її власників і афілійованих осіб.