Collision entre l'IA et le Web3 : Développement futur et défis
I. Introduction : État actuel du développement de l'IA + Web3
Ces dernières années, le développement rapide de l'intelligence artificielle ( AI ) et des technologies Web3 a suscité une large attention à l'échelle mondiale. L'IA a réalisé d'importantes avancées dans des domaines tels que la reconnaissance faciale, le traitement du langage naturel et l'apprentissage automatique, apportant d'énormes transformations et innovations dans divers secteurs. En 2023, la taille du marché de l'industrie de l'IA a atteint 200 milliards de dollars, avec l'émergence de géants de l'industrie et de joueurs excellents tels qu'OpenAI, Character.AI, Midjourney, qui mènent la tendance de l'IA.
En même temps, Web3, en tant que nouveau modèle de réseau, change la perception et l'utilisation d'Internet par les gens. Web3 est basé sur la technologie blockchain décentralisée et permet, grâce à des contrats intelligents, un stockage distribué et une validation d'identité décentralisée, le partage de données contrôlé, l'autonomie des utilisateurs et l'établissement de mécanismes de confiance. L'idée centrale de Web3 est de libérer les données des mains des autorités centralisées, en donnant aux utilisateurs le contrôle et le droit de partage de valeur sur les données. Actuellement, la capitalisation du marché de l'industrie Web3 atteint 25 000 milliards, avec des projets tels que Bitcoin, Ethereum, Solana, ainsi que des applications comme Uniswap et Stepn qui émergent continuellement, attirant de plus en plus de personnes à rejoindre l'industrie Web3.
La combinaison de l'IA et du Web3 est un domaine qui attire beaucoup l'attention des développeurs et des investisseurs tant à l'est qu'à l'ouest. Comment bien fusionner les deux est une question qui mérite d'être explorée. Cet article se concentrera sur l'état actuel du développement de l'IA+Web3, analysera les limitations et les défis auxquels les projets actuels sont confrontés, et fournira des références et des perspectives aux investisseurs et aux praticiens.
Deux, les modes d'interaction entre l'IA et le Web3
Le développement de l'IA et du Web3 est comme les deux côtés d'une balance, l'IA apporte une augmentation de la productivité, tandis que le Web3 induit une transformation des relations de production. Quelles étincelles l'IA et le Web3 peuvent-ils créer ensemble ? Nous allons d'abord analyser les difficultés et les possibilités d'amélioration que chaque secteur rencontre, puis nous explorerons comment ils peuvent s'aider mutuellement à résoudre ces problèmes.
2.1 Les défis auxquels est confronté le secteur de l'IA
Pour explorer les défis auxquels l'industrie de l'IA est confrontée, nous devons d'abord examiner la nature de l'industrie de l'IA. Le cœur de l'industrie de l'IA repose sur trois éléments : la puissance de calcul, les algorithmes et les données.
Puissance de calcul : désigne la capacité à effectuer des calculs et des traitements à grande échelle. Les tâches d'IA nécessitent généralement le traitement d'énormes volumes de données et des calculs complexes, tels que l'entraînement de modèles de réseaux de neurones profonds. Une puissance de calcul élevée peut accélérer le processus d'entraînement et d'inférence des modèles, améliorant ainsi la performance et l'efficacité des systèmes d'IA. Ces dernières années, avec le développement des GPU et des puces AI dédiées ( comme les TPU ), l'augmentation de la puissance de calcul a joué un rôle important dans le développement de l'industrie de l'IA.
Algorithme : c'est une composante essentielle des systèmes d'IA, utilisée pour résoudre des problèmes et réaliser des tâches par des méthodes mathématiques et statistiques. Les algorithmes d'IA peuvent être divisés en algorithmes d'apprentissage automatique traditionnels et en algorithmes d'apprentissage profond, ces derniers ayant réalisé des percées significatives ces dernières années. Le choix et la conception de l'algorithme sont cruciaux pour la performance et l'efficacité du système d'IA. L'amélioration et l'innovation continues des algorithmes peuvent augmenter la précision, la robustesse et la capacité de généralisation des systèmes d'IA.
Données : La tâche principale des systèmes d'IA est d'extraire des modèles et des régularités à partir des données par l'apprentissage et l'entraînement. Les données constituent la base de l'entraînement et de l'optimisation des modèles. Grâce à des échantillons de données à grande échelle, les systèmes d'IA peuvent apprendre des modèles plus précis et plus intelligents. Des ensembles de données riches peuvent fournir des informations plus complètes et diversifiées, permettant aux modèles de mieux se généraliser à des données non vues, aidant ainsi les systèmes d'IA à mieux comprendre et résoudre les problèmes du monde réel.
Après avoir compris les trois éléments clés de l'IA, examinons les difficultés et les défis auxquels l'IA est confrontée dans ces trois domaines :
En ce qui concerne la puissance de calcul, les tâches d'IA nécessitent généralement une grande quantité de ressources de calcul pour l'entraînement et l'inférence des modèles, en particulier pour les modèles d'apprentissage profond. Acquérir et gérer une puissance de calcul à grande échelle est un défi coûteux et complexe. Le coût, la consommation d'énergie et la maintenance des équipements de calcul haute performance sont tous des problèmes. Cela peut être particulièrement difficile pour les startups et les développeurs individuels d'obtenir une puissance de calcul suffisante.
En ce qui concerne les algorithmes, bien que les algorithmes d'apprentissage profond aient connu un grand succès dans de nombreux domaines, il existe encore certaines difficultés et défis. Par exemple, l'entraînement des réseaux de neurones profonds nécessite une grande quantité de données et de ressources de calcul, et pour certaines tâches, l'interprétabilité et la lisibilité des modèles peuvent être insuffisantes. De plus, la robustesse et la capacité de généralisation des algorithmes sont également des problèmes importants, les performances des modèles sur des données non vues pouvant être instables. Parmi de nombreux algorithmes, trouver le meilleur algorithme pour fournir le meilleur service est un processus qui nécessite une exploration continue.
En ce qui concerne les données, celles-ci sont le moteur de l'IA, mais obtenir des données de haute qualité et diversifiées reste un défi. Certaines données dans certains domaines peuvent être difficiles à obtenir, comme les données de santé sensibles dans le domaine médical. De plus, la qualité, l'exactitude et l'annotation des données posent également problème; des données incomplètes ou biaisées peuvent entraîner des comportements erronés ou des biais dans les modèles. Parallèlement, la protection de la vie privée et de la sécurité des données est également un facteur important à prendre en compte.
De plus, il existe des problèmes tels que l'interprétabilité et la transparence, et la nature de boîte noire des modèles d'IA est une préoccupation pour le public. Pour certaines applications, telles que la finance, la santé et la justice, le processus décisionnel des modèles doit être explicable et traçable, tandis que les modèles d'apprentissage profond existants manquent souvent de transparence. Expliquer le processus décisionnel des modèles et fournir des explications fiables reste un défi.
En outre, de nombreux modèles commerciaux des projets d'IA ne sont pas suffisamment clairs, ce qui laisse de nombreux entrepreneurs en IA dans le flou.
Les défis auxquels l'industrie Web3 est confrontée
Dans l'industrie du Web3, il existe actuellement de nombreux défis à relever, que ce soit en matière d'analyse de données Web3, d'une expérience utilisateur médiocre des produits Web3, ou encore des problèmes de vulnérabilités dans le code des contrats intelligents et des attaques de hackers, il y a beaucoup de place pour des améliorations. Et l'IA, en tant qu'outil d'augmentation de la productivité, a également beaucoup de potentiel à exploiter dans ces domaines.
Tout d'abord, l'amélioration des capacités d'analyse et de prévision des données : l'application de la technologie AI dans l'analyse de données et les prévisions a eu un impact énorme sur l'industrie Web3. Grâce à l'analyse intelligente et à l'exploration des données par des algorithmes AI, les plateformes Web3 peuvent extraire des informations précieuses d'un volume massif de données et effectuer des prévisions et des décisions plus précises. Cela revêt une importance particulière dans le domaine de la finance décentralisée (DeFi) pour l'évaluation des risques, les prévisions de marché et la gestion d'actifs.
De plus, il est également possible d'améliorer l'expérience utilisateur et les services personnalisés : l'application des technologies AI permet aux plateformes Web3 d'offrir une meilleure expérience utilisateur et des services personnalisés. Grâce à l'analyse et à la modélisation des données des utilisateurs, les plateformes Web3 peuvent fournir des recommandations personnalisées, des services sur mesure ainsi qu'une expérience d'interaction intelligente. Cela contribue à augmenter l'engagement et la satisfaction des utilisateurs, favorisant ainsi le développement de l'écosystème Web3, par exemple, de nombreux protocoles Web3 intègrent des outils AI comme ChatGPT pour mieux servir les utilisateurs.
L'application de l'IA a également un impact profond sur l'industrie Web3 en matière de sécurité et de protection de la vie privée. Les technologies de l'IA peuvent être utilisées pour détecter et défendre contre les cyberattaques, identifier les comportements anormaux et fournir une sécurité renforcée. En même temps, l'IA peut également être appliquée à la protection de la vie privée des données, en protégeant les informations personnelles des utilisateurs sur les plateformes Web3 grâce à des techniques telles que le cryptage des données et le calcul de la vie privée. En ce qui concerne l'audit des contrats intelligents, étant donné qu'il peut y avoir des vulnérabilités et des risques de sécurité lors de la rédaction et de l'audit des contrats intelligents, les technologies de l'IA peuvent être utilisées pour automatiser l'audit des contrats et la détection des vulnérabilités, améliorant ainsi la sécurité et la fiabilité des contrats.
On peut voir que, pour les défis auxquels l'industrie Web3 est confrontée et les opportunités d'amélioration potentielles, l'IA peut participer et apporter son aide à bien des égards.
Trois, Analyse de l'état actuel des projets AI+Web3
Les projets combinant l'IA et le Web3 abordent principalement deux grands aspects : utiliser la technologie blockchain pour améliorer les performances des projets d'IA, et utiliser la technologie IA pour servir l'amélioration des projets Web3.
Autour de deux aspects, une multitude de projets ont émergé pour explorer cette voie, y compris divers projets tels que Io.net, Gensyn, Ritual, etc. Dans les sections suivantes, cet article analysera l'état et l'évolution des différents sous-domaines où l'IA soutient le web3 et le web3 soutient l'IA.
3.1 Web3 soutient l'IA
3.1.1 Puissance de calcul décentralisée
Depuis le lancement de ChatGPT sur une certaine plateforme à la fin de 2022, une frénésie autour de l'IA a été déclenchée. En seulement 5 jours après son lancement, le nombre d'utilisateurs a atteint 1 million, tandis qu'une autre plateforme avait mis environ deux mois et demi pour atteindre 1 million de téléchargements. Par la suite, ChatGPT a connu une croissance très rapide, atteignant 100 millions d'utilisateurs actifs mensuels en 2 mois, et d'ici novembre 2023, le nombre d'utilisateurs actifs hebdomadaires a atteint 100 millions. Avec l'avènement de ChatGPT, le domaine de l'IA a également rapidement évolué d'un secteur de niche à une industrie très suivie.
Selon un rapport, ChatGPT a besoin de 30 000 GPU d'une certaine marque pour fonctionner, tandis que le futur GPT-5 nécessitera un ordre de grandeur de calcul encore plus élevé. Cela a également déclenché une course aux armements entre les entreprises d'IA, car seules celles qui maîtrisent suffisamment de puissance de calcul peuvent s'assurer d'avoir suffisamment de dynamisme et d'avantages dans la guerre de l'IA, ce qui a également conduit à une pénurie de GPU.
Avant l'essor de l'IA, les clients du plus grand fournisseur de GPU étaient concentrés dans trois grands services cloud. Avec l'essor de l'intelligence artificielle, un grand nombre de nouveaux acheteurs sont apparus, y compris de grandes entreprises technologiques ainsi que d'autres plateformes de données et des start-ups en IA, qui se sont toutes engagées dans la guerre pour accumuler des GPU afin de former des modèles d'intelligence artificielle. Certaines grandes entreprises technologiques ont considérablement augmenté leurs achats de modèles AI personnalisés et de recherche interne. Certaines entreprises de modèles fondamentaux ainsi que des plateformes de données ont également acheté davantage de GPU pour aider leurs clients à fournir des services d'intelligence artificielle.
Comme mentionné dans une analyse l'année dernière sur les "riches en GPU et les pauvres en GPU", quelques rares entreprises possèdent plus de 20 000 GPU haut de gamme, et les membres des équipes peuvent utiliser entre 100 et 1000 GPU pour leurs projets. Ces entreprises sont soit des fournisseurs de cloud, soit des LLM qu'elles ont construites elles-mêmes, y compris certaines grandes entreprises d'IA.
Cependant, la plupart des entreprises sont des "pauvres en GPU" et ne peuvent lutter que sur un nombre beaucoup plus limité de GPU, passant beaucoup de temps et d'énergie à faire des choses qui sont difficiles à faire avancer dans le développement de l'écosystème. Et cette situation n'est pas limitée aux startups. Certaines des entreprises d'intelligence artificielle les plus connues n'ont même pas plus de 20K GPU haut de gamme. Ces entreprises disposent de talents techniques de classe mondiale, mais sont limitées par la quantité de GPU disponible, ce qui les place en désavantage par rapport aux grandes entreprises dans la compétition en intelligence artificielle.
Cette pénurie n'est pas limitée aux "pauvres en GPU", même à la fin de l'année 2023, les leaders du secteur de l'IA, en raison d'un manque de GPU suffisant, ont dû fermer leurs inscriptions payantes pendant plusieurs semaines, tout en achetant davantage de GPU.
On peut voir qu'avec le développement rapide de l'IA, il y a un grave déséquilibre entre la demande et l'offre de GPU, et le problème de l'offre ne répond pas à la demande est urgent.
Pour résoudre ce problème, certains projets Web3 ont commencé à essayer de combiner les caractéristiques techniques de Web3 pour offrir des services de calcul décentralisés, y compris Akash, Render, Gensyn, etc. Ces projets ont en commun d'inciter un grand nombre d'utilisateurs à fournir des ressources GPU inutilisées à travers des jetons, devenant ainsi le côté de l'offre de calcul pour soutenir les clients AI.
Le profil de l'offre peut être principalement divisé en trois aspects : les fournisseurs de services cloud, les mineurs de cryptomonnaies et les entreprises.
Les fournisseurs de services cloud incluent à la fois de grands fournisseurs de services cloud et des fournisseurs de services cloud GPU. Les utilisateurs peuvent revendre la puissance de calcul inutilisée des fournisseurs de services cloud pour générer des revenus. Les mineurs de cryptomonnaies, avec le passage d'une certaine blockchain de PoW à PoS, voient également la puissance de calcul GPU inutilisée devenir une source d'approvisionnement potentielle importante. De plus, certaines grandes entreprises, en raison de leur stratégie, ont acheté une grande quantité de GPU et peuvent également utiliser la puissance de calcul GPU inutilisée comme source d'approvisionnement.
Les joueurs sur la piste se divisent en deux catégories : d'une part, ceux qui utilisent la puissance de calcul décentralisée pour l'inférence AI, et d'autre part, ceux qui l'utilisent pour l'entraînement AI. Le premier groupe, comme Render(, bien qu'il soit axé sur le rendu, peut également être utilisé comme fournisseur de puissance de calcul AI), Akash, Aethir, etc. ; le second groupe, comme io.net(, peut supporter à la fois l'inférence et l'entraînement), Gensyn. La plus grande différence entre les deux réside dans les exigences de puissance de calcul.
Commençons par parler des projets de raisonnement AI, qui attirent les utilisateurs à participer à la fourniture de puissance de calcul grâce à des incitations par des jetons, puis fournissent des services de réseau de puissance de calcul du côté de la demande, réalisant ainsi une mise en relation de l'offre et de la demande de puissance de calcul inutilisée.
Le point le plus crucial réside dans le mécanisme d'incitation par les jetons. Le projet attire d'abord les fournisseurs, puis il attire les utilisateurs à l'utiliser, ce qui permet de réaliser le démarrage à froid du projet et son mécanisme de fonctionnement central.
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
20 J'aime
Récompense
20
6
Partager
Commentaire
0/400
MindsetExpander
· 07-26 02:51
Comprendre bien Web3, beaucoup de amis sur Internet me demandent des opportunités d'investissement dans Web3, mais je fournis généralement des analyses approfondies, plutôt que de simples recommandations.
Voir l'originalRépondre0
MEVictim
· 07-25 22:40
Ce n'est rien d'autre qu'une nouvelle tendance, quel est l'intérêt ?
Voir l'originalRépondre0
TokenBeginner'sGuide
· 07-23 03:51
Petit rappel : D'après les données du marché, le secteur de l'IA a atteint une taille de 200 milliards de dollars. Il est conseillé aux débutants d'évaluer les risques avec prudence et de ne pas chasser le prix aveuglément.
Voir l'originalRépondre0
Blockwatcher9000
· 07-23 03:50
Ne racontez pas d'histoires, c'est juste un concept pour se faire prendre pour des cons.
Voir l'originalRépondre0
StealthDeployer
· 07-23 03:41
Quand pourra-t-on voir la version web3 de midjourney ?
Voir l'originalRépondre0
MetaverseLandlord
· 07-23 03:40
Encore une vague de tendances, Se faire prendre pour des cons.
Un nouveau chapitre de la fusion de l'IA et du Web3 : état du développement, défis et opportunités
Collision entre l'IA et le Web3 : Développement futur et défis
I. Introduction : État actuel du développement de l'IA + Web3
Ces dernières années, le développement rapide de l'intelligence artificielle ( AI ) et des technologies Web3 a suscité une large attention à l'échelle mondiale. L'IA a réalisé d'importantes avancées dans des domaines tels que la reconnaissance faciale, le traitement du langage naturel et l'apprentissage automatique, apportant d'énormes transformations et innovations dans divers secteurs. En 2023, la taille du marché de l'industrie de l'IA a atteint 200 milliards de dollars, avec l'émergence de géants de l'industrie et de joueurs excellents tels qu'OpenAI, Character.AI, Midjourney, qui mènent la tendance de l'IA.
En même temps, Web3, en tant que nouveau modèle de réseau, change la perception et l'utilisation d'Internet par les gens. Web3 est basé sur la technologie blockchain décentralisée et permet, grâce à des contrats intelligents, un stockage distribué et une validation d'identité décentralisée, le partage de données contrôlé, l'autonomie des utilisateurs et l'établissement de mécanismes de confiance. L'idée centrale de Web3 est de libérer les données des mains des autorités centralisées, en donnant aux utilisateurs le contrôle et le droit de partage de valeur sur les données. Actuellement, la capitalisation du marché de l'industrie Web3 atteint 25 000 milliards, avec des projets tels que Bitcoin, Ethereum, Solana, ainsi que des applications comme Uniswap et Stepn qui émergent continuellement, attirant de plus en plus de personnes à rejoindre l'industrie Web3.
La combinaison de l'IA et du Web3 est un domaine qui attire beaucoup l'attention des développeurs et des investisseurs tant à l'est qu'à l'ouest. Comment bien fusionner les deux est une question qui mérite d'être explorée. Cet article se concentrera sur l'état actuel du développement de l'IA+Web3, analysera les limitations et les défis auxquels les projets actuels sont confrontés, et fournira des références et des perspectives aux investisseurs et aux praticiens.
Deux, les modes d'interaction entre l'IA et le Web3
Le développement de l'IA et du Web3 est comme les deux côtés d'une balance, l'IA apporte une augmentation de la productivité, tandis que le Web3 induit une transformation des relations de production. Quelles étincelles l'IA et le Web3 peuvent-ils créer ensemble ? Nous allons d'abord analyser les difficultés et les possibilités d'amélioration que chaque secteur rencontre, puis nous explorerons comment ils peuvent s'aider mutuellement à résoudre ces problèmes.
2.1 Les défis auxquels est confronté le secteur de l'IA
Pour explorer les défis auxquels l'industrie de l'IA est confrontée, nous devons d'abord examiner la nature de l'industrie de l'IA. Le cœur de l'industrie de l'IA repose sur trois éléments : la puissance de calcul, les algorithmes et les données.
Puissance de calcul : désigne la capacité à effectuer des calculs et des traitements à grande échelle. Les tâches d'IA nécessitent généralement le traitement d'énormes volumes de données et des calculs complexes, tels que l'entraînement de modèles de réseaux de neurones profonds. Une puissance de calcul élevée peut accélérer le processus d'entraînement et d'inférence des modèles, améliorant ainsi la performance et l'efficacité des systèmes d'IA. Ces dernières années, avec le développement des GPU et des puces AI dédiées ( comme les TPU ), l'augmentation de la puissance de calcul a joué un rôle important dans le développement de l'industrie de l'IA.
Algorithme : c'est une composante essentielle des systèmes d'IA, utilisée pour résoudre des problèmes et réaliser des tâches par des méthodes mathématiques et statistiques. Les algorithmes d'IA peuvent être divisés en algorithmes d'apprentissage automatique traditionnels et en algorithmes d'apprentissage profond, ces derniers ayant réalisé des percées significatives ces dernières années. Le choix et la conception de l'algorithme sont cruciaux pour la performance et l'efficacité du système d'IA. L'amélioration et l'innovation continues des algorithmes peuvent augmenter la précision, la robustesse et la capacité de généralisation des systèmes d'IA.
Données : La tâche principale des systèmes d'IA est d'extraire des modèles et des régularités à partir des données par l'apprentissage et l'entraînement. Les données constituent la base de l'entraînement et de l'optimisation des modèles. Grâce à des échantillons de données à grande échelle, les systèmes d'IA peuvent apprendre des modèles plus précis et plus intelligents. Des ensembles de données riches peuvent fournir des informations plus complètes et diversifiées, permettant aux modèles de mieux se généraliser à des données non vues, aidant ainsi les systèmes d'IA à mieux comprendre et résoudre les problèmes du monde réel.
Après avoir compris les trois éléments clés de l'IA, examinons les difficultés et les défis auxquels l'IA est confrontée dans ces trois domaines :
En ce qui concerne la puissance de calcul, les tâches d'IA nécessitent généralement une grande quantité de ressources de calcul pour l'entraînement et l'inférence des modèles, en particulier pour les modèles d'apprentissage profond. Acquérir et gérer une puissance de calcul à grande échelle est un défi coûteux et complexe. Le coût, la consommation d'énergie et la maintenance des équipements de calcul haute performance sont tous des problèmes. Cela peut être particulièrement difficile pour les startups et les développeurs individuels d'obtenir une puissance de calcul suffisante.
En ce qui concerne les algorithmes, bien que les algorithmes d'apprentissage profond aient connu un grand succès dans de nombreux domaines, il existe encore certaines difficultés et défis. Par exemple, l'entraînement des réseaux de neurones profonds nécessite une grande quantité de données et de ressources de calcul, et pour certaines tâches, l'interprétabilité et la lisibilité des modèles peuvent être insuffisantes. De plus, la robustesse et la capacité de généralisation des algorithmes sont également des problèmes importants, les performances des modèles sur des données non vues pouvant être instables. Parmi de nombreux algorithmes, trouver le meilleur algorithme pour fournir le meilleur service est un processus qui nécessite une exploration continue.
En ce qui concerne les données, celles-ci sont le moteur de l'IA, mais obtenir des données de haute qualité et diversifiées reste un défi. Certaines données dans certains domaines peuvent être difficiles à obtenir, comme les données de santé sensibles dans le domaine médical. De plus, la qualité, l'exactitude et l'annotation des données posent également problème; des données incomplètes ou biaisées peuvent entraîner des comportements erronés ou des biais dans les modèles. Parallèlement, la protection de la vie privée et de la sécurité des données est également un facteur important à prendre en compte.
De plus, il existe des problèmes tels que l'interprétabilité et la transparence, et la nature de boîte noire des modèles d'IA est une préoccupation pour le public. Pour certaines applications, telles que la finance, la santé et la justice, le processus décisionnel des modèles doit être explicable et traçable, tandis que les modèles d'apprentissage profond existants manquent souvent de transparence. Expliquer le processus décisionnel des modèles et fournir des explications fiables reste un défi.
En outre, de nombreux modèles commerciaux des projets d'IA ne sont pas suffisamment clairs, ce qui laisse de nombreux entrepreneurs en IA dans le flou.
Les défis auxquels l'industrie Web3 est confrontée
Dans l'industrie du Web3, il existe actuellement de nombreux défis à relever, que ce soit en matière d'analyse de données Web3, d'une expérience utilisateur médiocre des produits Web3, ou encore des problèmes de vulnérabilités dans le code des contrats intelligents et des attaques de hackers, il y a beaucoup de place pour des améliorations. Et l'IA, en tant qu'outil d'augmentation de la productivité, a également beaucoup de potentiel à exploiter dans ces domaines.
Tout d'abord, l'amélioration des capacités d'analyse et de prévision des données : l'application de la technologie AI dans l'analyse de données et les prévisions a eu un impact énorme sur l'industrie Web3. Grâce à l'analyse intelligente et à l'exploration des données par des algorithmes AI, les plateformes Web3 peuvent extraire des informations précieuses d'un volume massif de données et effectuer des prévisions et des décisions plus précises. Cela revêt une importance particulière dans le domaine de la finance décentralisée (DeFi) pour l'évaluation des risques, les prévisions de marché et la gestion d'actifs.
De plus, il est également possible d'améliorer l'expérience utilisateur et les services personnalisés : l'application des technologies AI permet aux plateformes Web3 d'offrir une meilleure expérience utilisateur et des services personnalisés. Grâce à l'analyse et à la modélisation des données des utilisateurs, les plateformes Web3 peuvent fournir des recommandations personnalisées, des services sur mesure ainsi qu'une expérience d'interaction intelligente. Cela contribue à augmenter l'engagement et la satisfaction des utilisateurs, favorisant ainsi le développement de l'écosystème Web3, par exemple, de nombreux protocoles Web3 intègrent des outils AI comme ChatGPT pour mieux servir les utilisateurs.
L'application de l'IA a également un impact profond sur l'industrie Web3 en matière de sécurité et de protection de la vie privée. Les technologies de l'IA peuvent être utilisées pour détecter et défendre contre les cyberattaques, identifier les comportements anormaux et fournir une sécurité renforcée. En même temps, l'IA peut également être appliquée à la protection de la vie privée des données, en protégeant les informations personnelles des utilisateurs sur les plateformes Web3 grâce à des techniques telles que le cryptage des données et le calcul de la vie privée. En ce qui concerne l'audit des contrats intelligents, étant donné qu'il peut y avoir des vulnérabilités et des risques de sécurité lors de la rédaction et de l'audit des contrats intelligents, les technologies de l'IA peuvent être utilisées pour automatiser l'audit des contrats et la détection des vulnérabilités, améliorant ainsi la sécurité et la fiabilité des contrats.
On peut voir que, pour les défis auxquels l'industrie Web3 est confrontée et les opportunités d'amélioration potentielles, l'IA peut participer et apporter son aide à bien des égards.
Trois, Analyse de l'état actuel des projets AI+Web3
Les projets combinant l'IA et le Web3 abordent principalement deux grands aspects : utiliser la technologie blockchain pour améliorer les performances des projets d'IA, et utiliser la technologie IA pour servir l'amélioration des projets Web3.
Autour de deux aspects, une multitude de projets ont émergé pour explorer cette voie, y compris divers projets tels que Io.net, Gensyn, Ritual, etc. Dans les sections suivantes, cet article analysera l'état et l'évolution des différents sous-domaines où l'IA soutient le web3 et le web3 soutient l'IA.
3.1 Web3 soutient l'IA
3.1.1 Puissance de calcul décentralisée
Depuis le lancement de ChatGPT sur une certaine plateforme à la fin de 2022, une frénésie autour de l'IA a été déclenchée. En seulement 5 jours après son lancement, le nombre d'utilisateurs a atteint 1 million, tandis qu'une autre plateforme avait mis environ deux mois et demi pour atteindre 1 million de téléchargements. Par la suite, ChatGPT a connu une croissance très rapide, atteignant 100 millions d'utilisateurs actifs mensuels en 2 mois, et d'ici novembre 2023, le nombre d'utilisateurs actifs hebdomadaires a atteint 100 millions. Avec l'avènement de ChatGPT, le domaine de l'IA a également rapidement évolué d'un secteur de niche à une industrie très suivie.
Selon un rapport, ChatGPT a besoin de 30 000 GPU d'une certaine marque pour fonctionner, tandis que le futur GPT-5 nécessitera un ordre de grandeur de calcul encore plus élevé. Cela a également déclenché une course aux armements entre les entreprises d'IA, car seules celles qui maîtrisent suffisamment de puissance de calcul peuvent s'assurer d'avoir suffisamment de dynamisme et d'avantages dans la guerre de l'IA, ce qui a également conduit à une pénurie de GPU.
Avant l'essor de l'IA, les clients du plus grand fournisseur de GPU étaient concentrés dans trois grands services cloud. Avec l'essor de l'intelligence artificielle, un grand nombre de nouveaux acheteurs sont apparus, y compris de grandes entreprises technologiques ainsi que d'autres plateformes de données et des start-ups en IA, qui se sont toutes engagées dans la guerre pour accumuler des GPU afin de former des modèles d'intelligence artificielle. Certaines grandes entreprises technologiques ont considérablement augmenté leurs achats de modèles AI personnalisés et de recherche interne. Certaines entreprises de modèles fondamentaux ainsi que des plateformes de données ont également acheté davantage de GPU pour aider leurs clients à fournir des services d'intelligence artificielle.
Comme mentionné dans une analyse l'année dernière sur les "riches en GPU et les pauvres en GPU", quelques rares entreprises possèdent plus de 20 000 GPU haut de gamme, et les membres des équipes peuvent utiliser entre 100 et 1000 GPU pour leurs projets. Ces entreprises sont soit des fournisseurs de cloud, soit des LLM qu'elles ont construites elles-mêmes, y compris certaines grandes entreprises d'IA.
Cependant, la plupart des entreprises sont des "pauvres en GPU" et ne peuvent lutter que sur un nombre beaucoup plus limité de GPU, passant beaucoup de temps et d'énergie à faire des choses qui sont difficiles à faire avancer dans le développement de l'écosystème. Et cette situation n'est pas limitée aux startups. Certaines des entreprises d'intelligence artificielle les plus connues n'ont même pas plus de 20K GPU haut de gamme. Ces entreprises disposent de talents techniques de classe mondiale, mais sont limitées par la quantité de GPU disponible, ce qui les place en désavantage par rapport aux grandes entreprises dans la compétition en intelligence artificielle.
Cette pénurie n'est pas limitée aux "pauvres en GPU", même à la fin de l'année 2023, les leaders du secteur de l'IA, en raison d'un manque de GPU suffisant, ont dû fermer leurs inscriptions payantes pendant plusieurs semaines, tout en achetant davantage de GPU.
On peut voir qu'avec le développement rapide de l'IA, il y a un grave déséquilibre entre la demande et l'offre de GPU, et le problème de l'offre ne répond pas à la demande est urgent.
Pour résoudre ce problème, certains projets Web3 ont commencé à essayer de combiner les caractéristiques techniques de Web3 pour offrir des services de calcul décentralisés, y compris Akash, Render, Gensyn, etc. Ces projets ont en commun d'inciter un grand nombre d'utilisateurs à fournir des ressources GPU inutilisées à travers des jetons, devenant ainsi le côté de l'offre de calcul pour soutenir les clients AI.
Le profil de l'offre peut être principalement divisé en trois aspects : les fournisseurs de services cloud, les mineurs de cryptomonnaies et les entreprises.
Les fournisseurs de services cloud incluent à la fois de grands fournisseurs de services cloud et des fournisseurs de services cloud GPU. Les utilisateurs peuvent revendre la puissance de calcul inutilisée des fournisseurs de services cloud pour générer des revenus. Les mineurs de cryptomonnaies, avec le passage d'une certaine blockchain de PoW à PoS, voient également la puissance de calcul GPU inutilisée devenir une source d'approvisionnement potentielle importante. De plus, certaines grandes entreprises, en raison de leur stratégie, ont acheté une grande quantité de GPU et peuvent également utiliser la puissance de calcul GPU inutilisée comme source d'approvisionnement.
Les joueurs sur la piste se divisent en deux catégories : d'une part, ceux qui utilisent la puissance de calcul décentralisée pour l'inférence AI, et d'autre part, ceux qui l'utilisent pour l'entraînement AI. Le premier groupe, comme Render(, bien qu'il soit axé sur le rendu, peut également être utilisé comme fournisseur de puissance de calcul AI), Akash, Aethir, etc. ; le second groupe, comme io.net(, peut supporter à la fois l'inférence et l'entraînement), Gensyn. La plus grande différence entre les deux réside dans les exigences de puissance de calcul.
Commençons par parler des projets de raisonnement AI, qui attirent les utilisateurs à participer à la fourniture de puissance de calcul grâce à des incitations par des jetons, puis fournissent des services de réseau de puissance de calcul du côté de la demande, réalisant ainsi une mise en relation de l'offre et de la demande de puissance de calcul inutilisée.
Le point le plus crucial réside dans le mécanisme d'incitation par les jetons. Le projet attire d'abord les fournisseurs, puis il attire les utilisateurs à l'utiliser, ce qui permet de réaliser le démarrage à froid du projet et son mécanisme de fonctionnement central.