La colisión de la IA y Web3: desarrollo futuro y desafíos
I. Introducción: Estado actual del desarrollo de AI+Web3
En los últimos años, el rápido desarrollo de la inteligencia artificial (AI) y la tecnología Web3 ha atraído una amplia atención a nivel mundial. La IA ha logrado importantes avances en campos como el reconocimiento facial, el procesamiento del lenguaje natural y el aprendizaje automático, trayendo grandes transformaciones e innovaciones a diversas industrias. En 2023, el tamaño del mercado de la industria de la IA alcanzó los 200 mil millones de dólares, y gigantes de la industria y jugadores destacados como OpenAI, Character.AI y Midjourney han surgido, liderando la ola de la IA.
Al mismo tiempo, Web3, como un nuevo modelo de red emergente, está cambiando la forma en que las personas perciben y utilizan Internet. Web3 se basa en la tecnología de blockchain descentralizada y, a través de funciones como contratos inteligentes, almacenamiento distribuido y verificación de identidad descentralizada, logra el intercambio de datos y su control, la autonomía del usuario y el establecimiento de mecanismos de confianza. La idea central de Web3 es liberar los datos del control de autoridades centralizadas, otorgando a los usuarios el control sobre sus datos y el derecho a compartir su valor. Actualmente, el valor de mercado de la industria de Web3 alcanza los 25 billones, con proyectos como Bitcoin, Ethereum, Solana y aplicaciones como Uniswap, Stepn que emergen continuamente, atrayendo a un número cada vez mayor de personas a la industria de Web3.
La combinación de la IA y Web3 es un área de gran interés tanto para desarrolladores como para inversores de Oriente y Occidente. Cómo integrar ambos de manera efectiva es una cuestión que merece ser explorada. Este artículo se centrará en el estado actual del desarrollo de AI + Web3, analizará las limitaciones y desafíos que enfrentan los proyectos actuales, y proporcionará referencias e ideas para inversores y profesionales.
Dos, formas de interacción entre IA y Web3
El desarrollo de la IA y Web3 es como los dos lados de una balanza, la IA trae mejoras en la productividad, mientras que Web3 introduce transformaciones en las relaciones laborales. ¿Qué tipo de chispa puede surgir de la colisión entre la IA y Web3? A continuación, analizaremos las dificultades y oportunidades de mejora que enfrenta cada industria, y luego discutiremos cómo pueden ayudarse mutuamente a resolver estas dificultades.
2.1 Dificultades enfrentadas por la industria de la IA
Para explorar las dificultades que enfrenta la industria de la IA, primero debemos observar la esencia de la industria de la IA. El núcleo de la industria de la IA se basa en tres elementos: potencia de cálculo, algoritmos y datos.
Potencia de cálculo: se refiere a la capacidad para realizar cálculos y procesamientos a gran escala. Las tareas de IA suelen requerir el procesamiento de grandes volúmenes de datos y la realización de cálculos complejos, como el entrenamiento de modelos de redes neuronales profundas. Una alta intensidad de potencia de cálculo puede acelerar el proceso de entrenamiento e inferencia de modelos, mejorando el rendimiento y la eficiencia de los sistemas de IA. En los últimos años, con el desarrollo de GPU y chips de IA dedicados ( como TPU), la mejora de la potencia de cálculo ha tenido un papel importante en el impulso del desarrollo de la industria de la IA.
Algoritmo: es una parte central de los sistemas de IA, utilizado para resolver problemas y realizar tareas mediante métodos matemáticos y estadísticos. Los algoritmos de IA se pueden dividir en algoritmos de aprendizaje automático tradicionales y algoritmos de aprendizaje profundo, siendo estos últimos los que han logrado avances significativos en los últimos años. La selección y diseño del algoritmo son fundamentales para el rendimiento y la efectividad del sistema de IA. Algoritmos en constante mejora e innovación pueden aumentar la precisión, robustez y capacidad de generalización del sistema de IA.
Datos: La tarea principal de los sistemas de IA es extraer patrones y regularidades de los datos a través del aprendizaje y el entrenamiento. Los datos son la base para entrenar y optimizar modelos; mediante grandes muestras de datos, los sistemas de IA pueden aprender modelos más precisos e inteligentes. Conjuntos de datos ricos pueden proporcionar información más completa y diversa, permitiendo que los modelos se generalicen mejor a datos no vistos, ayudando a los sistemas de IA a comprender y resolver mejor los problemas del mundo real.
Después de entender los tres elementos clave de la IA, veamos las dificultades y desafíos que enfrenta la IA en estos tres aspectos:
En términos de potencia de cálculo, las tareas de IA suelen requerir una gran cantidad de recursos computacionales para el entrenamiento y la inferencia de modelos, especialmente en el caso de modelos de aprendizaje profundo. Obtener y gestionar una potencia de cálculo a gran escala es un desafío caro y complejo. El costo, el consumo de energía y el mantenimiento de los dispositivos de computación de alto rendimiento son problemas. Especialmente para las startups y los desarrolladores individuales, obtener suficiente potencia de cálculo puede ser complicado.
En términos de algoritmos, a pesar de que los algoritmos de aprendizaje profundo han tenido un gran éxito en muchos campos, todavía existen algunas dificultades y desafíos. Por ejemplo, entrenar redes neuronales profundas requiere grandes cantidades de datos y recursos computacionales, y para ciertas tareas, la interpretabilidad y explicabilidad del modelo pueden ser insuficientes. Además, la robustez y la capacidad de generalización del algoritmo son problemas importantes, ya que el rendimiento del modelo en datos no vistos puede ser inestable. En medio de numerosos algoritmos, encontrar el mejor algoritmo que ofrezca el mejor servicio es un proceso que requiere exploración continua.
En términos de datos, los datos son el motor de la IA, pero obtener datos de alta calidad y diversos sigue siendo un desafío. Algunos datos en ciertos campos pueden ser difíciles de obtener, como los datos de salud sensibles en el campo médico. Además, la calidad, precisión y etiquetado de los datos también son problemas; los datos incompletos o sesgados pueden llevar a comportamientos o sesgos erróneos en los modelos. Al mismo tiempo, proteger la privacidad y seguridad de los datos también es un factor importante a considerar.
Además, existen problemas como la interpretabilidad y la transparencia; la característica de caja negra de los modelos de IA es una preocupación pública. Para ciertas aplicaciones, como las finanzas, la medicina y la justicia, el proceso de toma de decisiones del modelo necesita ser interpretable y rastreable, mientras que los modelos de aprendizaje profundo existentes a menudo carecen de transparencia. Explicar el proceso de toma de decisiones del modelo y proporcionar explicaciones confiables sigue siendo un desafío.
Además, muchos modelos de negocio de proyectos de IA son poco claros, lo que también deja a muchos emprendedores de IA confundidos.
2.2 Dilemas que enfrenta la industria Web3
En el ámbito de la industria Web3, actualmente existen muchas dificultades diferentes que necesitan ser resueltas, ya sea en el análisis de datos de Web3, en la mala experiencia del usuario de los productos Web3, o en los problemas de vulnerabilidades en el código de contratos inteligentes y ataques de hackers, hay mucho espacio para mejorar. Y la IA, como herramienta para aumentar la productividad, también tiene mucho potencial para desempeñarse en estos aspectos.
Primero, la mejora en la capacidad de análisis y predicción de datos: La aplicación de la tecnología AI en el análisis y la predicción de datos ha tenido un gran impacto en la industria Web3. A través del análisis inteligente y la minería de datos con algoritmos de AI, las plataformas Web3 pueden extraer información valiosa de grandes volúmenes de datos y realizar predicciones y decisiones más precisas. Esto tiene una importancia significativa en áreas como la evaluación de riesgos, la predicción del mercado y la gestión de activos en el ámbito de las finanzas descentralizadas (DeFi).
Además, también se pueden lograr mejoras en la experiencia del usuario y en los servicios personalizados: la aplicación de la tecnología AI permite que las plataformas Web3 ofrezcan una mejor experiencia de usuario y servicios personalizados. A través del análisis y modelado de los datos de los usuarios, las plataformas Web3 pueden proporcionar recomendaciones personalizadas, servicios a medida y experiencias de interacción inteligentes. Esto ayuda a aumentar la participación y satisfacción de los usuarios, fomentando el desarrollo del ecosistema Web3, por ejemplo, muchos protocolos Web3 integran herramientas de AI como ChatGPT para servir mejor a los usuarios.
En términos de seguridad y protección de la privacidad, la aplicación de la IA también tiene un profundo impacto en la industria Web3. La tecnología de IA se puede utilizar para detectar y defenderse contra ataques cibernéticos, identificar comportamientos anómalos y proporcionar una protección de seguridad más robusta. Al mismo tiempo, la IA también se puede aplicar a la protección de la privacidad de los datos, mediante técnicas como la encriptación de datos y el cálculo de privacidad, para proteger la información personal de los usuarios en las plataformas Web3. En el ámbito de la auditoría de contratos inteligentes, debido a que puede haber vulnerabilidades y riesgos de seguridad en el proceso de redacción y auditoría de contratos, la tecnología de IA se puede utilizar para automatizar la auditoría de contratos y la detección de vulnerabilidades, mejorando así la seguridad y fiabilidad de los contratos.
Se puede ver que, en cuanto a las dificultades y el potencial de mejora que enfrenta la industria Web3, la IA puede participar y ayudar en muchos aspectos.
Tres, análisis del estado actual de los proyectos AI+Web3
Los proyectos que combinan IA y Web3 abordan principalmente desde dos grandes aspectos: utilizan la tecnología blockchain para mejorar el rendimiento de los proyectos de IA y utilizan la tecnología de IA para servir a la mejora de los proyectos de Web3.
En torno a dos aspectos, ha surgido una gran cantidad de proyectos explorando en este camino, incluidos Io.net, Gensyn, Ritual y una variedad de otros proyectos. A continuación, este artículo analizará la situación y el desarrollo de las diferentes subcategorías de AI impulsando web3 y Web3 impulsando AI.
3.1 Web3 impulsando la IA
3.1.1 Potencia de cálculo descentralizada
Desde que una plataforma lanzó ChatGPT a finales de 2022, se desató una ola de entusiasmo por la IA. En solo 5 días, el número de usuarios alcanzó 1 millón, mientras que otra plataforma había tardado aproximadamente dos meses y medio en alcanzar esa cifra de descargas. Posteriormente, ChatGPT también creció de manera muy rápida, alcanzando 100 millones de usuarios activos mensuales en 2 meses, y para noviembre de 2023, el número de usuarios activos semanales llegó a 100 millones. Con el lanzamiento de ChatGPT, el campo de la IA también pasó rápidamente de ser un nicho a convertirse en una industria de gran atención.
Según un informe, ChatGPT necesita 30,000 GPU de una cierta marca para funcionar, y el futuro GPT-5 requerirá órdenes de magnitud más de cómputo. Esto también ha dado inicio a una carrera armamentista entre las diferentes empresas de IA; solo al tener suficiente potencia de cálculo se puede asegurar tener la fuerza y ventaja necesarias en la guerra de la IA, lo que ha llevado a la aparición de una escasez de GPU.
Antes del auge de la IA, los clientes de los mayores proveedores de GPU se concentraban en tres grandes servicios en la nube. Con el surgimiento de la inteligencia artificial, han aparecido numerosos compradores nuevos, incluidas grandes compañías tecnológicas y otras plataformas de datos y startups de IA, que se han unido a la guerra por acumular GPUs para entrenar modelos de inteligencia artificial. Algunas grandes empresas tecnológicas han incrementado significativamente la cantidad de compras de modelos de IA personalizados y de investigación interna. Algunas empresas de modelos fundamentales y plataformas de datos también han comprado más GPUs para ayudar a los clientes a ofrecer servicios de inteligencia artificial.
Como se mencionó en un análisis del año pasado, "ricos en GPU y pobres en GPU", unas pocas compañías poseen más de 20,000 GPUs de alta gama, y los miembros del equipo pueden usar entre 100 y 1,000 GPUs para los proyectos. Estas compañías son o bien proveedores de nube o han construido sus propios LLM, incluyendo algunas grandes empresas de IA.
Sin embargo, la mayoría de las empresas son pobres en GPU, y solo pueden luchar con un número mucho menor de GPU, gastando una gran cantidad de tiempo y esfuerzo en hacer cosas que son más difíciles de promover el desarrollo del ecosistema. Además, esta situación no se limita a las empresas emergentes. Algunas de las empresas de inteligencia artificial más conocidas tienen menos de 20K en GPU de alta gama. Estas empresas cuentan con talento técnico de clase mundial, pero se ven limitadas por la cantidad de suministro de GPU, lo que las coloca en desventaja en la competencia de inteligencia artificial en comparación con las grandes empresas.
Esta escasez no se limita a los "pobres de GPU", incluso a finales de 2023, los líderes en el campo de la IA se vieron obligados a cerrar el registro de pago durante semanas debido a la falta de suficientes GPU, mientras compraban más suministro de GPU.
Se puede ver que, junto con el rápido desarrollo de la IA, ha surgido una grave descoordinación entre la demanda y la oferta de GPU, y el problema de la escasez es inminente.
Para resolver este problema, algunos proyectos de Web3 han comenzado a intentar combinar las características tecnológicas de Web3 para ofrecer servicios de potencia de cálculo descentralizados, incluyendo Akash, Render, Gensyn, entre otros. Lo que estos proyectos tienen en común es que utilizan tokens para incentivar a los usuarios a proporcionar potencia de cálculo de GPU ociosa, convirtiéndose en el lado de suministro de potencia de cálculo para apoyar a los clientes de IA.
El retrato del lado de la oferta se puede dividir principalmente en tres aspectos: proveedores de servicios en la nube, mineros de criptomonedas y empresas.
Los proveedores de servicios en la nube incluyen grandes proveedores de servicios en la nube y proveedores de servicios en la nube GPU. Los usuarios pueden revender la potencia de cálculo ociosa de los proveedores de servicios en la nube para obtener ingresos. Los mineros de criptomonedas, a medida que una cierta cadena pública pasa de PoW a PoS, la potencia de cálculo GPU ociosa también se convierte en un importante potencial del lado de la oferta. Además, algunas grandes empresas han comprado una gran cantidad de GPU por razones estratégicas, y también pueden utilizar la potencia de cálculo GPU ociosa como parte del lado de la oferta.
Los jugadores en la pista se dividen aproximadamente en dos categorías: una utiliza la potencia de cálculo descentralizada para la inferencia de IA, y la otra utiliza la potencia de cálculo descentralizada para el entrenamiento de IA. El primero, como Render(, aunque se centra en el renderizado, también puede utilizarse para proporcionar potencia de IA), como Akash, Aethir, etc.; el segundo, como io.net(, puede soportar tanto la inferencia como el entrenamiento), Gensyn. La mayor diferencia entre los dos radica en los diferentes requisitos de potencia de cálculo.
Primero hablemos de los proyectos de inferencia de IA mencionados anteriormente. Este tipo de proyectos atrae a los usuarios a participar en la provisión de poder de cálculo a través de incentivos de tokens, y luego ofrece servicios de red de poder de cálculo a la demanda, logrando así la coincidencia de la oferta y la demanda de poder de cálculo ocioso.
El punto más crítico radica en el mecanismo de incentivos a través de tokens: el proyecto primero atrae a los proveedores y luego atrae a los usuarios para su uso, logrando así el arranque en frío del proyecto y el mecanismo operativo central, lo que permite avanzar.
Ver originales
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.
20 me gusta
Recompensa
20
6
Compartir
Comentar
0/400
MindsetExpander
· 07-26 02:51
Web3 se entiende bien, muchos fren en toda la red me piden que explique las oportunidades de inversión en Web3, pero generalmente ofrezco un análisis profundo, en lugar de una simple recomendación.
Ver originalesResponder0
MEVictim
· 07-25 22:40
¿No es solo una exageración de un nuevo concepto? ¿Qué sentido tiene?
Ver originalesResponder0
TokenBeginner'sGuide
· 07-23 03:51
Pequeño recordatorio: Desde los datos del mercado, el campo de la IA ha alcanzado un tamaño de 200 mil millones de dólares, se recomienda a los novatos evaluar los riesgos con cautela y no perseguir el precio ciegamente.
Ver originalesResponder0
Blockwatcher9000
· 07-23 03:50
Deja de hablar, todo es tomar a la gente por tonta.
Ver originalesResponder0
StealthDeployer
· 07-23 03:41
¿Cuándo podremos ver la versión web3 de midjourney?
Un nuevo capítulo en la fusión de la IA y Web3: estado de desarrollo, desafíos y oportunidades
La colisión de la IA y Web3: desarrollo futuro y desafíos
I. Introducción: Estado actual del desarrollo de AI+Web3
En los últimos años, el rápido desarrollo de la inteligencia artificial (AI) y la tecnología Web3 ha atraído una amplia atención a nivel mundial. La IA ha logrado importantes avances en campos como el reconocimiento facial, el procesamiento del lenguaje natural y el aprendizaje automático, trayendo grandes transformaciones e innovaciones a diversas industrias. En 2023, el tamaño del mercado de la industria de la IA alcanzó los 200 mil millones de dólares, y gigantes de la industria y jugadores destacados como OpenAI, Character.AI y Midjourney han surgido, liderando la ola de la IA.
Al mismo tiempo, Web3, como un nuevo modelo de red emergente, está cambiando la forma en que las personas perciben y utilizan Internet. Web3 se basa en la tecnología de blockchain descentralizada y, a través de funciones como contratos inteligentes, almacenamiento distribuido y verificación de identidad descentralizada, logra el intercambio de datos y su control, la autonomía del usuario y el establecimiento de mecanismos de confianza. La idea central de Web3 es liberar los datos del control de autoridades centralizadas, otorgando a los usuarios el control sobre sus datos y el derecho a compartir su valor. Actualmente, el valor de mercado de la industria de Web3 alcanza los 25 billones, con proyectos como Bitcoin, Ethereum, Solana y aplicaciones como Uniswap, Stepn que emergen continuamente, atrayendo a un número cada vez mayor de personas a la industria de Web3.
La combinación de la IA y Web3 es un área de gran interés tanto para desarrolladores como para inversores de Oriente y Occidente. Cómo integrar ambos de manera efectiva es una cuestión que merece ser explorada. Este artículo se centrará en el estado actual del desarrollo de AI + Web3, analizará las limitaciones y desafíos que enfrentan los proyectos actuales, y proporcionará referencias e ideas para inversores y profesionales.
Dos, formas de interacción entre IA y Web3
El desarrollo de la IA y Web3 es como los dos lados de una balanza, la IA trae mejoras en la productividad, mientras que Web3 introduce transformaciones en las relaciones laborales. ¿Qué tipo de chispa puede surgir de la colisión entre la IA y Web3? A continuación, analizaremos las dificultades y oportunidades de mejora que enfrenta cada industria, y luego discutiremos cómo pueden ayudarse mutuamente a resolver estas dificultades.
2.1 Dificultades enfrentadas por la industria de la IA
Para explorar las dificultades que enfrenta la industria de la IA, primero debemos observar la esencia de la industria de la IA. El núcleo de la industria de la IA se basa en tres elementos: potencia de cálculo, algoritmos y datos.
Potencia de cálculo: se refiere a la capacidad para realizar cálculos y procesamientos a gran escala. Las tareas de IA suelen requerir el procesamiento de grandes volúmenes de datos y la realización de cálculos complejos, como el entrenamiento de modelos de redes neuronales profundas. Una alta intensidad de potencia de cálculo puede acelerar el proceso de entrenamiento e inferencia de modelos, mejorando el rendimiento y la eficiencia de los sistemas de IA. En los últimos años, con el desarrollo de GPU y chips de IA dedicados ( como TPU), la mejora de la potencia de cálculo ha tenido un papel importante en el impulso del desarrollo de la industria de la IA.
Algoritmo: es una parte central de los sistemas de IA, utilizado para resolver problemas y realizar tareas mediante métodos matemáticos y estadísticos. Los algoritmos de IA se pueden dividir en algoritmos de aprendizaje automático tradicionales y algoritmos de aprendizaje profundo, siendo estos últimos los que han logrado avances significativos en los últimos años. La selección y diseño del algoritmo son fundamentales para el rendimiento y la efectividad del sistema de IA. Algoritmos en constante mejora e innovación pueden aumentar la precisión, robustez y capacidad de generalización del sistema de IA.
Datos: La tarea principal de los sistemas de IA es extraer patrones y regularidades de los datos a través del aprendizaje y el entrenamiento. Los datos son la base para entrenar y optimizar modelos; mediante grandes muestras de datos, los sistemas de IA pueden aprender modelos más precisos e inteligentes. Conjuntos de datos ricos pueden proporcionar información más completa y diversa, permitiendo que los modelos se generalicen mejor a datos no vistos, ayudando a los sistemas de IA a comprender y resolver mejor los problemas del mundo real.
Después de entender los tres elementos clave de la IA, veamos las dificultades y desafíos que enfrenta la IA en estos tres aspectos:
En términos de potencia de cálculo, las tareas de IA suelen requerir una gran cantidad de recursos computacionales para el entrenamiento y la inferencia de modelos, especialmente en el caso de modelos de aprendizaje profundo. Obtener y gestionar una potencia de cálculo a gran escala es un desafío caro y complejo. El costo, el consumo de energía y el mantenimiento de los dispositivos de computación de alto rendimiento son problemas. Especialmente para las startups y los desarrolladores individuales, obtener suficiente potencia de cálculo puede ser complicado.
En términos de algoritmos, a pesar de que los algoritmos de aprendizaje profundo han tenido un gran éxito en muchos campos, todavía existen algunas dificultades y desafíos. Por ejemplo, entrenar redes neuronales profundas requiere grandes cantidades de datos y recursos computacionales, y para ciertas tareas, la interpretabilidad y explicabilidad del modelo pueden ser insuficientes. Además, la robustez y la capacidad de generalización del algoritmo son problemas importantes, ya que el rendimiento del modelo en datos no vistos puede ser inestable. En medio de numerosos algoritmos, encontrar el mejor algoritmo que ofrezca el mejor servicio es un proceso que requiere exploración continua.
En términos de datos, los datos son el motor de la IA, pero obtener datos de alta calidad y diversos sigue siendo un desafío. Algunos datos en ciertos campos pueden ser difíciles de obtener, como los datos de salud sensibles en el campo médico. Además, la calidad, precisión y etiquetado de los datos también son problemas; los datos incompletos o sesgados pueden llevar a comportamientos o sesgos erróneos en los modelos. Al mismo tiempo, proteger la privacidad y seguridad de los datos también es un factor importante a considerar.
Además, existen problemas como la interpretabilidad y la transparencia; la característica de caja negra de los modelos de IA es una preocupación pública. Para ciertas aplicaciones, como las finanzas, la medicina y la justicia, el proceso de toma de decisiones del modelo necesita ser interpretable y rastreable, mientras que los modelos de aprendizaje profundo existentes a menudo carecen de transparencia. Explicar el proceso de toma de decisiones del modelo y proporcionar explicaciones confiables sigue siendo un desafío.
Además, muchos modelos de negocio de proyectos de IA son poco claros, lo que también deja a muchos emprendedores de IA confundidos.
2.2 Dilemas que enfrenta la industria Web3
En el ámbito de la industria Web3, actualmente existen muchas dificultades diferentes que necesitan ser resueltas, ya sea en el análisis de datos de Web3, en la mala experiencia del usuario de los productos Web3, o en los problemas de vulnerabilidades en el código de contratos inteligentes y ataques de hackers, hay mucho espacio para mejorar. Y la IA, como herramienta para aumentar la productividad, también tiene mucho potencial para desempeñarse en estos aspectos.
Primero, la mejora en la capacidad de análisis y predicción de datos: La aplicación de la tecnología AI en el análisis y la predicción de datos ha tenido un gran impacto en la industria Web3. A través del análisis inteligente y la minería de datos con algoritmos de AI, las plataformas Web3 pueden extraer información valiosa de grandes volúmenes de datos y realizar predicciones y decisiones más precisas. Esto tiene una importancia significativa en áreas como la evaluación de riesgos, la predicción del mercado y la gestión de activos en el ámbito de las finanzas descentralizadas (DeFi).
Además, también se pueden lograr mejoras en la experiencia del usuario y en los servicios personalizados: la aplicación de la tecnología AI permite que las plataformas Web3 ofrezcan una mejor experiencia de usuario y servicios personalizados. A través del análisis y modelado de los datos de los usuarios, las plataformas Web3 pueden proporcionar recomendaciones personalizadas, servicios a medida y experiencias de interacción inteligentes. Esto ayuda a aumentar la participación y satisfacción de los usuarios, fomentando el desarrollo del ecosistema Web3, por ejemplo, muchos protocolos Web3 integran herramientas de AI como ChatGPT para servir mejor a los usuarios.
En términos de seguridad y protección de la privacidad, la aplicación de la IA también tiene un profundo impacto en la industria Web3. La tecnología de IA se puede utilizar para detectar y defenderse contra ataques cibernéticos, identificar comportamientos anómalos y proporcionar una protección de seguridad más robusta. Al mismo tiempo, la IA también se puede aplicar a la protección de la privacidad de los datos, mediante técnicas como la encriptación de datos y el cálculo de privacidad, para proteger la información personal de los usuarios en las plataformas Web3. En el ámbito de la auditoría de contratos inteligentes, debido a que puede haber vulnerabilidades y riesgos de seguridad en el proceso de redacción y auditoría de contratos, la tecnología de IA se puede utilizar para automatizar la auditoría de contratos y la detección de vulnerabilidades, mejorando así la seguridad y fiabilidad de los contratos.
Se puede ver que, en cuanto a las dificultades y el potencial de mejora que enfrenta la industria Web3, la IA puede participar y ayudar en muchos aspectos.
Tres, análisis del estado actual de los proyectos AI+Web3
Los proyectos que combinan IA y Web3 abordan principalmente desde dos grandes aspectos: utilizan la tecnología blockchain para mejorar el rendimiento de los proyectos de IA y utilizan la tecnología de IA para servir a la mejora de los proyectos de Web3.
En torno a dos aspectos, ha surgido una gran cantidad de proyectos explorando en este camino, incluidos Io.net, Gensyn, Ritual y una variedad de otros proyectos. A continuación, este artículo analizará la situación y el desarrollo de las diferentes subcategorías de AI impulsando web3 y Web3 impulsando AI.
3.1 Web3 impulsando la IA
3.1.1 Potencia de cálculo descentralizada
Desde que una plataforma lanzó ChatGPT a finales de 2022, se desató una ola de entusiasmo por la IA. En solo 5 días, el número de usuarios alcanzó 1 millón, mientras que otra plataforma había tardado aproximadamente dos meses y medio en alcanzar esa cifra de descargas. Posteriormente, ChatGPT también creció de manera muy rápida, alcanzando 100 millones de usuarios activos mensuales en 2 meses, y para noviembre de 2023, el número de usuarios activos semanales llegó a 100 millones. Con el lanzamiento de ChatGPT, el campo de la IA también pasó rápidamente de ser un nicho a convertirse en una industria de gran atención.
Según un informe, ChatGPT necesita 30,000 GPU de una cierta marca para funcionar, y el futuro GPT-5 requerirá órdenes de magnitud más de cómputo. Esto también ha dado inicio a una carrera armamentista entre las diferentes empresas de IA; solo al tener suficiente potencia de cálculo se puede asegurar tener la fuerza y ventaja necesarias en la guerra de la IA, lo que ha llevado a la aparición de una escasez de GPU.
Antes del auge de la IA, los clientes de los mayores proveedores de GPU se concentraban en tres grandes servicios en la nube. Con el surgimiento de la inteligencia artificial, han aparecido numerosos compradores nuevos, incluidas grandes compañías tecnológicas y otras plataformas de datos y startups de IA, que se han unido a la guerra por acumular GPUs para entrenar modelos de inteligencia artificial. Algunas grandes empresas tecnológicas han incrementado significativamente la cantidad de compras de modelos de IA personalizados y de investigación interna. Algunas empresas de modelos fundamentales y plataformas de datos también han comprado más GPUs para ayudar a los clientes a ofrecer servicios de inteligencia artificial.
Como se mencionó en un análisis del año pasado, "ricos en GPU y pobres en GPU", unas pocas compañías poseen más de 20,000 GPUs de alta gama, y los miembros del equipo pueden usar entre 100 y 1,000 GPUs para los proyectos. Estas compañías son o bien proveedores de nube o han construido sus propios LLM, incluyendo algunas grandes empresas de IA.
Sin embargo, la mayoría de las empresas son pobres en GPU, y solo pueden luchar con un número mucho menor de GPU, gastando una gran cantidad de tiempo y esfuerzo en hacer cosas que son más difíciles de promover el desarrollo del ecosistema. Además, esta situación no se limita a las empresas emergentes. Algunas de las empresas de inteligencia artificial más conocidas tienen menos de 20K en GPU de alta gama. Estas empresas cuentan con talento técnico de clase mundial, pero se ven limitadas por la cantidad de suministro de GPU, lo que las coloca en desventaja en la competencia de inteligencia artificial en comparación con las grandes empresas.
Esta escasez no se limita a los "pobres de GPU", incluso a finales de 2023, los líderes en el campo de la IA se vieron obligados a cerrar el registro de pago durante semanas debido a la falta de suficientes GPU, mientras compraban más suministro de GPU.
Se puede ver que, junto con el rápido desarrollo de la IA, ha surgido una grave descoordinación entre la demanda y la oferta de GPU, y el problema de la escasez es inminente.
Para resolver este problema, algunos proyectos de Web3 han comenzado a intentar combinar las características tecnológicas de Web3 para ofrecer servicios de potencia de cálculo descentralizados, incluyendo Akash, Render, Gensyn, entre otros. Lo que estos proyectos tienen en común es que utilizan tokens para incentivar a los usuarios a proporcionar potencia de cálculo de GPU ociosa, convirtiéndose en el lado de suministro de potencia de cálculo para apoyar a los clientes de IA.
El retrato del lado de la oferta se puede dividir principalmente en tres aspectos: proveedores de servicios en la nube, mineros de criptomonedas y empresas.
Los proveedores de servicios en la nube incluyen grandes proveedores de servicios en la nube y proveedores de servicios en la nube GPU. Los usuarios pueden revender la potencia de cálculo ociosa de los proveedores de servicios en la nube para obtener ingresos. Los mineros de criptomonedas, a medida que una cierta cadena pública pasa de PoW a PoS, la potencia de cálculo GPU ociosa también se convierte en un importante potencial del lado de la oferta. Además, algunas grandes empresas han comprado una gran cantidad de GPU por razones estratégicas, y también pueden utilizar la potencia de cálculo GPU ociosa como parte del lado de la oferta.
Los jugadores en la pista se dividen aproximadamente en dos categorías: una utiliza la potencia de cálculo descentralizada para la inferencia de IA, y la otra utiliza la potencia de cálculo descentralizada para el entrenamiento de IA. El primero, como Render(, aunque se centra en el renderizado, también puede utilizarse para proporcionar potencia de IA), como Akash, Aethir, etc.; el segundo, como io.net(, puede soportar tanto la inferencia como el entrenamiento), Gensyn. La mayor diferencia entre los dos radica en los diferentes requisitos de potencia de cálculo.
Primero hablemos de los proyectos de inferencia de IA mencionados anteriormente. Este tipo de proyectos atrae a los usuarios a participar en la provisión de poder de cálculo a través de incentivos de tokens, y luego ofrece servicios de red de poder de cálculo a la demanda, logrando así la coincidencia de la oferta y la demanda de poder de cálculo ocioso.
El punto más crítico radica en el mecanismo de incentivos a través de tokens: el proyecto primero atrae a los proveedores y luego atrae a los usuarios para su uso, logrando así el arranque en frío del proyecto y el mecanismo operativo central, lo que permite avanzar.