Bentrokan AI dan Web3: Perkembangan dan Tantangan di Masa Depan
I. Pendahuluan: Status Perkembangan AI+Web3
Dalam beberapa tahun terakhir, perkembangan pesat teknologi kecerdasan buatan (AI) dan Web3 telah menarik perhatian luas di seluruh dunia. AI telah mencapai terobosan signifikan di bidang pengenalan wajah, pemrosesan bahasa alami, pembelajaran mesin, dan lain-lain, membawa perubahan dan inovasi besar bagi berbagai industri. Pada tahun 2023, ukuran pasar industri AI mencapai 200 miliar dolar AS, dengan raksasa industri dan pemain unggulan seperti OpenAI, Character.AI, Midjourney muncul untuk memimpin gelombang kecerdasan buatan.
Sementara itu, Web3 sebagai model jaringan yang muncul, sedang mengubah cara orang memahami dan menggunakan internet. Web3 didasarkan pada teknologi blockchain yang terdesentralisasi, melalui fungsi kontrak pintar, penyimpanan terdistribusi, dan verifikasi identitas terdesentralisasi, mewujudkan berbagi data yang dapat dikendalikan, otonomi pengguna, dan pembentukan mekanisme kepercayaan. Ide inti Web3 adalah membebaskan data dari tangan lembaga otoritas terpusat, memberikan pengguna kendali atas data dan hak untuk berbagi nilai. Saat ini, nilai pasar industri Web3 mencapai 25 triliun, proyek seperti Bitcoin, Ethereum, Solana, serta lapisan aplikasi seperti Uniswap, Stepn terus bermunculan, menarik semakin banyak orang untuk bergabung dengan industri Web3.
Kombinasi AI dan Web3 adalah bidang yang sangat diperhatikan oleh pengembang dan investor dari timur dan barat, bagaimana mengintegrasikan keduanya dengan baik adalah masalah yang layak untuk dieksplorasi. Artikel ini akan fokus pada perkembangan terkini AI+Web3, menganalisis keterbatasan dan tantangan yang dihadapi proyek saat ini, serta memberikan referensi dan wawasan bagi investor dan praktisi.
Dua, Cara AI Berinteraksi dengan Web3
Perkembangan AI dan Web3 seperti dua sisi neraca, AI membawa peningkatan produktivitas, Web3 membawa perubahan dalam hubungan produksi. Lalu, percikan apa yang bisa dihasilkan dari pertemuan AI dan Web3? Selanjutnya, kita akan menganalisis tantangan dan ruang peningkatan yang dihadapi masing-masing industri AI dan Web3, kemudian kita akan membahas bagaimana keduanya dapat saling membantu mengatasi tantangan tersebut.
2.1 Tantangan yang Dihadapi oleh Industri AI
Untuk menyelidiki tantangan yang dihadapi industri AI, kita pertama-tama harus melihat esensi dari industri AI. Inti dari industri AI tidak terlepas dari tiga elemen: daya komputasi, algoritma, dan data.
Daya komputasi: mengacu pada kemampuan untuk melakukan perhitungan dan pemrosesan dalam skala besar. Tugas AI biasanya memerlukan pemrosesan data dalam jumlah besar dan melakukan perhitungan kompleks, seperti melatih model jaringan saraf dalam. Kemampuan komputasi yang tinggi dapat mempercepat proses pelatihan dan inferensi model, meningkatkan kinerja dan efisiensi sistem AI. Dalam beberapa tahun terakhir, dengan perkembangan GPU dan chip AI khusus ( seperti TPU ), peningkatan daya komputasi telah berperan penting dalam mendorong perkembangan industri AI.
Algoritma: adalah bagian inti dari sistem AI, digunakan untuk metode matematika dan statistik dalam memecahkan masalah dan melaksanakan tugas. Algoritma AI dapat dibagi menjadi algoritma pembelajaran mesin tradisional dan algoritma pembelajaran mendalam, di mana algoritma pembelajaran mendalam telah mencapai terobosan besar dalam beberapa tahun terakhir. Pemilihan dan desain algoritma sangat penting untuk kinerja dan efektivitas sistem AI. Algoritma yang terus diperbaiki dan diinnovatikan dapat meningkatkan akurasi, ketahanan, dan kemampuan generalisasi sistem AI.
Data: Tugas inti dari sistem AI adalah untuk mengekstrak pola dan aturan dari data melalui pembelajaran dan pelatihan. Data adalah dasar untuk melatih dan mengoptimalkan model, melalui sampel data yang besar, sistem AI dapat mempelajari model yang lebih akurat dan lebih cerdas. Kumpulan data yang kaya dapat menyediakan informasi yang lebih komprehensif dan beragam, memungkinkan model untuk lebih baik dalam menggeneralisasi ke data yang belum pernah dilihat, membantu sistem AI untuk lebih baik memahami dan memecahkan masalah di dunia nyata.
Setelah memahami tiga elemen inti AI, mari kita lihat kesulitan dan tantangan yang dihadapi AI di ketiga bidang ini:
Dalam hal komputasi, tugas AI biasanya memerlukan sumber daya komputasi yang besar untuk pelatihan dan inferensi model, terutama untuk model pembelajaran mendalam. Mendapatkan dan mengelola daya komputasi skala besar adalah tantangan yang mahal dan kompleks. Biaya, konsumsi energi, dan pemeliharaan perangkat komputasi berkinerja tinggi adalah masalah. Terutama bagi perusahaan rintisan dan pengembang individu, mendapatkan daya komputasi yang cukup mungkin sulit.
Dalam hal algoritma, meskipun algoritma pembelajaran mendalam telah mencapai kesuksesan besar di banyak bidang, masih ada beberapa kesulitan dan tantangan. Misalnya, pelatihan jaringan saraf dalam membutuhkan banyak data dan sumber daya komputasi, dan untuk beberapa tugas, interpretabilitas dan keterjelasan model mungkin tidak cukup. Selain itu, ketahanan dan kemampuan generalisasi algoritma juga merupakan masalah penting, di mana kinerja model pada data yang tidak terlihat mungkin tidak stabil. Di antara banyak algoritma, bagaimana menemukan algoritma terbaik untuk memberikan layanan terbaik adalah proses yang perlu terus dieksplorasi.
Dalam hal data, data adalah pendorong AI, tetapi mendapatkan data yang berkualitas tinggi dan beragam masih menjadi tantangan. Beberapa bidang data mungkin sulit diperoleh, seperti data kesehatan sensitif di bidang medis. Selain itu, kualitas, akurasi, dan pelabelan data juga menjadi masalah, data yang tidak lengkap atau bias dapat menyebabkan perilaku atau penyimpangan model yang salah. Pada saat yang sama, melindungi privasi dan keamanan data juga merupakan faktor penting yang perlu dipertimbangkan.
Selain itu, ada juga masalah seperti interpretabilitas dan transparansi, sifat kotak hitam dari model AI menjadi perhatian publik. Untuk beberapa aplikasi, seperti keuangan, kesehatan, dan peradilan, proses pengambilan keputusan model perlu dapat diinterpretasikan dan dilacak, sementara model pembelajaran mendalam yang ada sering kali kekurangan transparansi. Menjelaskan proses pengambilan keputusan model dan memberikan penjelasan yang dapat dipercaya masih menjadi tantangan.
Selain itu, banyak model bisnis dari proyek AI yang tidak cukup jelas, yang juga membuat banyak pengusaha AI merasa bingung.
2.2 Tantangan yang Dihadapi oleh Industri Web3
Dalam industri Web3, saat ini ada banyak tantangan yang berbeda yang perlu diatasi, baik itu terkait analisis data Web3, pengalaman pengguna yang buruk pada produk Web3, maupun masalah kerentanan kode kontrak pintar dan serangan peretas, semuanya memiliki ruang untuk perbaikan. Sementara itu, AI sebagai alat untuk meningkatkan produktivitas, juga memiliki banyak potensi untuk berperan dalam aspek-aspek ini.
Pertama, ada peningkatan dalam kemampuan analisis dan prediksi data: Aplikasi teknologi AI dalam analisis data dan prediksi telah membawa dampak besar bagi industri Web3. Melalui analisis cerdas dan penggalian data menggunakan algoritma AI, platform Web3 dapat mengekstrak informasi berharga dari data yang sangat besar dan melakukan prediksi serta pengambilan keputusan yang lebih akurat. Ini sangat penting untuk penilaian risiko, prediksi pasar, dan manajemen aset dalam bidang keuangan terdesentralisasi (DeFi).
Selain itu, juga dapat meningkatkan pengalaman pengguna dan layanan yang dipersonalisasi: penerapan teknologi AI memungkinkan platform Web3 untuk menawarkan pengalaman pengguna dan layanan yang lebih baik. Melalui analisis dan pemodelan data pengguna, platform Web3 dapat memberikan rekomendasi yang dipersonalisasi, layanan yang disesuaikan, serta pengalaman interaksi yang cerdas. Ini membantu meningkatkan keterlibatan dan kepuasan pengguna, serta mendorong perkembangan ekosistem Web3, misalnya banyak protokol Web3 yang mengintegrasikan alat AI seperti ChatGPT untuk melayani pengguna dengan lebih baik.
Dalam hal keamanan dan perlindungan privasi, penerapan AI juga memiliki dampak yang mendalam pada industri Web3. Teknologi AI dapat digunakan untuk mendeteksi dan mencegah serangan siber, mengidentifikasi perilaku yang tidak biasa, dan memberikan jaminan keamanan yang lebih kuat. Selain itu, AI juga dapat diterapkan dalam perlindungan privasi data, melalui enkripsi data dan teknologi komputasi privasi, untuk melindungi informasi pribadi pengguna di platform Web3. Dalam audit kontrak pintar, karena mungkin terdapat celah dan risiko keamanan selama proses penulisan dan audit kontrak pintar, teknologi AI dapat digunakan untuk mengotomatiskan audit kontrak dan deteksi celah, meningkatkan keamanan dan keandalan kontrak.
Dapat dilihat bahwa, untuk tantangan yang dihadapi industri Web3 dan potensi ruang peningkatan, AI dapat berpartisipasi dan memberikan dukungan dalam banyak aspek.
Tiga, Analisis Status Proyek AI+Web3
Proyek yang menggabungkan AI dan Web3 terutama berfokus pada dua aspek besar, yaitu memanfaatkan teknologi blockchain untuk meningkatkan kinerja proyek AI, serta memanfaatkan teknologi AI untuk mendukung peningkatan proyek Web3.
Dalam dua aspek ini, muncul banyak proyek yang mengeksplorasi jalan ini, termasuk berbagai proyek seperti Io.net, Gensyn, Ritual, dan sebagainya. Selanjutnya, artikel ini akan menganalisis keadaan dan perkembangan dari berbagai sub-lapangan yang berbeda antara AI yang mendukung web3 dan Web3 yang mendukung AI.
3.1 Web3 mendukung AI
3.1.1 Kekuatan komputasi terdesentralisasi
Setelah suatu platform meluncurkan ChatGPT pada akhir 2022, itu memicu gelombang AI, dalam 5 hari setelah diluncurkan, jumlah pengguna mencapai 1 juta, sementara platform lain sebelumnya membutuhkan waktu sekitar dua setengah bulan untuk mencapai 1 juta unduhan. Setelah itu, ChatGPT juga berkembang dengan sangat cepat, dalam waktu 2 bulan jumlah pengguna aktif bulanan mencapai 100 juta, dan pada November 2023, jumlah pengguna aktif mingguan mencapai 100 juta. Bersamaan dengan peluncuran ChatGPT, bidang AI juga dengan cepat meledak dari jalur kecil menjadi industri yang mendapat perhatian besar.
Menurut laporan tertentu, ChatGPT memerlukan 30.000 GPU dari merek tertentu untuk beroperasi, sementara GPT-5 di masa depan akan memerlukan jumlah komputasi yang lebih besar. Ini juga telah memicu perlombaan senjata di antara berbagai perusahaan AI, hanya dengan menguasai cukup banyak daya komputasi, mereka dapat memastikan memiliki cukup kekuatan dan keuntungan dalam perang AI, dan oleh karena itu muncul fenomena kekurangan GPU.
Sebelum kebangkitan AI, pelanggan dari penyedia GPU terbesar terkonsentrasi pada tiga layanan cloud utama. Dengan munculnya kecerdasan buatan, muncul banyak pembeli baru, termasuk perusahaan teknologi besar serta platform data dan perusahaan rintisan AI lainnya, yang semuanya bergabung dalam perang untuk mengumpulkan GPU guna melatih model kecerdasan buatan. Beberapa perusahaan teknologi besar secara signifikan meningkatkan jumlah pembelian model AI kustom dan penelitian internal. Beberapa perusahaan model dasar serta platform data juga membeli lebih banyak GPU untuk membantu pelanggan menyediakan layanan kecerdasan buatan.
Seperti yang disebutkan dalam analisis tertentu tahun lalu "orang kaya GPU dan orang miskin GPU", hanya beberapa perusahaan yang memiliki lebih dari 20.000 GPU kelas atas, dan anggota tim dapat menggunakan 100 hingga 1.000 GPU untuk proyek. Perusahaan-perusahaan ini adalah penyedia cloud atau membangun LLM mereka sendiri, termasuk beberapa perusahaan AI besar.
Namun, sebagian besar perusahaan adalah "kaya GPU", hanya dapat berjuang dengan jumlah GPU yang jauh lebih sedikit, menghabiskan banyak waktu dan energi untuk melakukan hal-hal yang sulit dalam mendorong perkembangan ekosistem. Selain itu, situasi ini tidak terbatas pada perusahaan pemula. Beberapa perusahaan kecerdasan buatan paling terkenal memiliki jumlah GPU kelas atas kurang dari 20K. Perusahaan-perusahaan ini memiliki talenta teknis kelas dunia, tetapi terbatas oleh jumlah pasokan GPU, dan dibandingkan dengan perusahaan besar, mereka berada dalam posisi yang kurang menguntungkan dalam kompetisi kecerdasan buatan.
Kekurangan ini tidak terbatas pada "orang-orang yang kekurangan GPU", bahkan pada akhir 2023, pemimpin di jalur AI harus menutup pendaftaran berbayar selama beberapa minggu karena tidak dapat memperoleh cukup GPU, sambil membeli lebih banyak pasokan GPU.
Dapat dilihat, seiring dengan perkembangan AI yang pesat, muncul ketidakcocokan serius antara sisi permintaan dan sisi penawaran GPU, masalah kekurangan pasokan menjadi sangat mendesak.
Untuk mengatasi masalah ini, beberapa proyek Web3 mulai mencoba menggabungkan karakteristik teknologi Web3, menyediakan layanan komputasi terdesentralisasi, termasuk Akash, Render, Gensyn, dan lain-lain. Kesamaan proyek-proyek ini terletak pada pemanfaatan token untuk mendorong banyak pengguna dalam menyediakan daya GPU yang tidak terpakai, menjadi sisi pasokan daya komputasi, untuk memberikan dukungan daya komputasi bagi pelanggan AI.
Gambaran sisi pasokan dapat dibagi menjadi tiga aspek utama: penyedia layanan cloud, penambang cryptocurrency, dan perusahaan.
Penyedia layanan cloud termasuk penyedia layanan cloud besar serta penyedia layanan cloud GPU, pengguna dapat menjual kembali daya komputasi dari penyedia layanan cloud yang tidak terpakai untuk mendapatkan pendapatan. Penambang kripto seiring dengan peralihan suatu blockchain dari PoW ke PoS, daya komputasi GPU yang tidak terpakai juga menjadi sisi penawaran yang penting. Selain itu, beberapa perusahaan besar yang membeli banyak GPU karena strategi pengaturan juga dapat menggunakan daya komputasi GPU yang tidak terpakai sebagai sisi penawaran.
Pemain di jalur saat ini secara kasar dibagi menjadi dua kategori, satu adalah yang menggunakan kekuatan komputasi terdesentralisasi untuk inferensi AI, dan yang lainnya adalah yang menggunakan kekuatan komputasi terdesentralisasi untuk pelatihan AI. Yang pertama seperti Render( meskipun fokus pada rendering, tetapi juga dapat digunakan sebagai penyedia kekuatan komputasi AI), Akash, Aethir, dan lain-lain; yang terakhir seperti io.net( inferensi dan pelatihan keduanya dapat didukung), Gensyn, perbedaan terbesar di antara keduanya adalah kebutuhan kekuatan komputasi yang berbeda.
Mari kita bicarakan proyek AI inference yang pertama, proyek-proyek ini menarik pengguna untuk berpartisipasi dalam penyediaan daya komputasi melalui insentif token, dan kemudian menyediakan layanan jaringan daya komputasi kepada sisi permintaan, sehingga menciptakan kecocokan antara suplai dan permintaan daya komputasi yang tidak terpakai.
Poin terpenting adalah melalui mekanisme insentif token, proyek ini terlebih dahulu menarik penyedia, kemudian menarik pengguna untuk menggunakannya, sehingga mencapai pemula dingin proyek dan mekanisme operasi inti, sehingga dapat maju.
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
20 Suka
Hadiah
20
6
Bagikan
Komentar
0/400
MindsetExpander
· 07-26 02:51
Web3 yang dimengerti dengan baik, banyak fren di seluruh jaringan yang meminta saya untuk menjelaskan peluang investasi Web3, tetapi saya umumnya akan memberikan analisis mendalam, bukan sekadar rekomendasi.
Lihat AsliBalas0
MEVictim
· 07-25 22:40
Bukankah itu hanya mengangkat konsep baru? Apa artinya?
Lihat AsliBalas0
TokenBeginner'sGuide
· 07-23 03:51
Pengingat ramah: Dari data pasar, saat ini bidang AI telah mencapai skala 2000 miliar, disarankan bagi Pemula untuk mempertimbangkan risiko dengan hati-hati, jangan sekali-kali mengejar harga secara membabi buta.
Lihat AsliBalas0
Blockwatcher9000
· 07-23 03:50
Jangan berbicara lagi, semuanya adalah konsep Dianggap Bodoh.
Lihat AsliBalas0
StealthDeployer
· 07-23 03:41
Kapan kita bisa melihat versi web3 dari midjourney?
Babak baru integrasi AI dan Web3: status perkembangan, tantangan, dan peluang
Bentrokan AI dan Web3: Perkembangan dan Tantangan di Masa Depan
I. Pendahuluan: Status Perkembangan AI+Web3
Dalam beberapa tahun terakhir, perkembangan pesat teknologi kecerdasan buatan (AI) dan Web3 telah menarik perhatian luas di seluruh dunia. AI telah mencapai terobosan signifikan di bidang pengenalan wajah, pemrosesan bahasa alami, pembelajaran mesin, dan lain-lain, membawa perubahan dan inovasi besar bagi berbagai industri. Pada tahun 2023, ukuran pasar industri AI mencapai 200 miliar dolar AS, dengan raksasa industri dan pemain unggulan seperti OpenAI, Character.AI, Midjourney muncul untuk memimpin gelombang kecerdasan buatan.
Sementara itu, Web3 sebagai model jaringan yang muncul, sedang mengubah cara orang memahami dan menggunakan internet. Web3 didasarkan pada teknologi blockchain yang terdesentralisasi, melalui fungsi kontrak pintar, penyimpanan terdistribusi, dan verifikasi identitas terdesentralisasi, mewujudkan berbagi data yang dapat dikendalikan, otonomi pengguna, dan pembentukan mekanisme kepercayaan. Ide inti Web3 adalah membebaskan data dari tangan lembaga otoritas terpusat, memberikan pengguna kendali atas data dan hak untuk berbagi nilai. Saat ini, nilai pasar industri Web3 mencapai 25 triliun, proyek seperti Bitcoin, Ethereum, Solana, serta lapisan aplikasi seperti Uniswap, Stepn terus bermunculan, menarik semakin banyak orang untuk bergabung dengan industri Web3.
Kombinasi AI dan Web3 adalah bidang yang sangat diperhatikan oleh pengembang dan investor dari timur dan barat, bagaimana mengintegrasikan keduanya dengan baik adalah masalah yang layak untuk dieksplorasi. Artikel ini akan fokus pada perkembangan terkini AI+Web3, menganalisis keterbatasan dan tantangan yang dihadapi proyek saat ini, serta memberikan referensi dan wawasan bagi investor dan praktisi.
Dua, Cara AI Berinteraksi dengan Web3
Perkembangan AI dan Web3 seperti dua sisi neraca, AI membawa peningkatan produktivitas, Web3 membawa perubahan dalam hubungan produksi. Lalu, percikan apa yang bisa dihasilkan dari pertemuan AI dan Web3? Selanjutnya, kita akan menganalisis tantangan dan ruang peningkatan yang dihadapi masing-masing industri AI dan Web3, kemudian kita akan membahas bagaimana keduanya dapat saling membantu mengatasi tantangan tersebut.
2.1 Tantangan yang Dihadapi oleh Industri AI
Untuk menyelidiki tantangan yang dihadapi industri AI, kita pertama-tama harus melihat esensi dari industri AI. Inti dari industri AI tidak terlepas dari tiga elemen: daya komputasi, algoritma, dan data.
Daya komputasi: mengacu pada kemampuan untuk melakukan perhitungan dan pemrosesan dalam skala besar. Tugas AI biasanya memerlukan pemrosesan data dalam jumlah besar dan melakukan perhitungan kompleks, seperti melatih model jaringan saraf dalam. Kemampuan komputasi yang tinggi dapat mempercepat proses pelatihan dan inferensi model, meningkatkan kinerja dan efisiensi sistem AI. Dalam beberapa tahun terakhir, dengan perkembangan GPU dan chip AI khusus ( seperti TPU ), peningkatan daya komputasi telah berperan penting dalam mendorong perkembangan industri AI.
Algoritma: adalah bagian inti dari sistem AI, digunakan untuk metode matematika dan statistik dalam memecahkan masalah dan melaksanakan tugas. Algoritma AI dapat dibagi menjadi algoritma pembelajaran mesin tradisional dan algoritma pembelajaran mendalam, di mana algoritma pembelajaran mendalam telah mencapai terobosan besar dalam beberapa tahun terakhir. Pemilihan dan desain algoritma sangat penting untuk kinerja dan efektivitas sistem AI. Algoritma yang terus diperbaiki dan diinnovatikan dapat meningkatkan akurasi, ketahanan, dan kemampuan generalisasi sistem AI.
Data: Tugas inti dari sistem AI adalah untuk mengekstrak pola dan aturan dari data melalui pembelajaran dan pelatihan. Data adalah dasar untuk melatih dan mengoptimalkan model, melalui sampel data yang besar, sistem AI dapat mempelajari model yang lebih akurat dan lebih cerdas. Kumpulan data yang kaya dapat menyediakan informasi yang lebih komprehensif dan beragam, memungkinkan model untuk lebih baik dalam menggeneralisasi ke data yang belum pernah dilihat, membantu sistem AI untuk lebih baik memahami dan memecahkan masalah di dunia nyata.
Setelah memahami tiga elemen inti AI, mari kita lihat kesulitan dan tantangan yang dihadapi AI di ketiga bidang ini:
Dalam hal komputasi, tugas AI biasanya memerlukan sumber daya komputasi yang besar untuk pelatihan dan inferensi model, terutama untuk model pembelajaran mendalam. Mendapatkan dan mengelola daya komputasi skala besar adalah tantangan yang mahal dan kompleks. Biaya, konsumsi energi, dan pemeliharaan perangkat komputasi berkinerja tinggi adalah masalah. Terutama bagi perusahaan rintisan dan pengembang individu, mendapatkan daya komputasi yang cukup mungkin sulit.
Dalam hal algoritma, meskipun algoritma pembelajaran mendalam telah mencapai kesuksesan besar di banyak bidang, masih ada beberapa kesulitan dan tantangan. Misalnya, pelatihan jaringan saraf dalam membutuhkan banyak data dan sumber daya komputasi, dan untuk beberapa tugas, interpretabilitas dan keterjelasan model mungkin tidak cukup. Selain itu, ketahanan dan kemampuan generalisasi algoritma juga merupakan masalah penting, di mana kinerja model pada data yang tidak terlihat mungkin tidak stabil. Di antara banyak algoritma, bagaimana menemukan algoritma terbaik untuk memberikan layanan terbaik adalah proses yang perlu terus dieksplorasi.
Dalam hal data, data adalah pendorong AI, tetapi mendapatkan data yang berkualitas tinggi dan beragam masih menjadi tantangan. Beberapa bidang data mungkin sulit diperoleh, seperti data kesehatan sensitif di bidang medis. Selain itu, kualitas, akurasi, dan pelabelan data juga menjadi masalah, data yang tidak lengkap atau bias dapat menyebabkan perilaku atau penyimpangan model yang salah. Pada saat yang sama, melindungi privasi dan keamanan data juga merupakan faktor penting yang perlu dipertimbangkan.
Selain itu, ada juga masalah seperti interpretabilitas dan transparansi, sifat kotak hitam dari model AI menjadi perhatian publik. Untuk beberapa aplikasi, seperti keuangan, kesehatan, dan peradilan, proses pengambilan keputusan model perlu dapat diinterpretasikan dan dilacak, sementara model pembelajaran mendalam yang ada sering kali kekurangan transparansi. Menjelaskan proses pengambilan keputusan model dan memberikan penjelasan yang dapat dipercaya masih menjadi tantangan.
Selain itu, banyak model bisnis dari proyek AI yang tidak cukup jelas, yang juga membuat banyak pengusaha AI merasa bingung.
2.2 Tantangan yang Dihadapi oleh Industri Web3
Dalam industri Web3, saat ini ada banyak tantangan yang berbeda yang perlu diatasi, baik itu terkait analisis data Web3, pengalaman pengguna yang buruk pada produk Web3, maupun masalah kerentanan kode kontrak pintar dan serangan peretas, semuanya memiliki ruang untuk perbaikan. Sementara itu, AI sebagai alat untuk meningkatkan produktivitas, juga memiliki banyak potensi untuk berperan dalam aspek-aspek ini.
Pertama, ada peningkatan dalam kemampuan analisis dan prediksi data: Aplikasi teknologi AI dalam analisis data dan prediksi telah membawa dampak besar bagi industri Web3. Melalui analisis cerdas dan penggalian data menggunakan algoritma AI, platform Web3 dapat mengekstrak informasi berharga dari data yang sangat besar dan melakukan prediksi serta pengambilan keputusan yang lebih akurat. Ini sangat penting untuk penilaian risiko, prediksi pasar, dan manajemen aset dalam bidang keuangan terdesentralisasi (DeFi).
Selain itu, juga dapat meningkatkan pengalaman pengguna dan layanan yang dipersonalisasi: penerapan teknologi AI memungkinkan platform Web3 untuk menawarkan pengalaman pengguna dan layanan yang lebih baik. Melalui analisis dan pemodelan data pengguna, platform Web3 dapat memberikan rekomendasi yang dipersonalisasi, layanan yang disesuaikan, serta pengalaman interaksi yang cerdas. Ini membantu meningkatkan keterlibatan dan kepuasan pengguna, serta mendorong perkembangan ekosistem Web3, misalnya banyak protokol Web3 yang mengintegrasikan alat AI seperti ChatGPT untuk melayani pengguna dengan lebih baik.
Dalam hal keamanan dan perlindungan privasi, penerapan AI juga memiliki dampak yang mendalam pada industri Web3. Teknologi AI dapat digunakan untuk mendeteksi dan mencegah serangan siber, mengidentifikasi perilaku yang tidak biasa, dan memberikan jaminan keamanan yang lebih kuat. Selain itu, AI juga dapat diterapkan dalam perlindungan privasi data, melalui enkripsi data dan teknologi komputasi privasi, untuk melindungi informasi pribadi pengguna di platform Web3. Dalam audit kontrak pintar, karena mungkin terdapat celah dan risiko keamanan selama proses penulisan dan audit kontrak pintar, teknologi AI dapat digunakan untuk mengotomatiskan audit kontrak dan deteksi celah, meningkatkan keamanan dan keandalan kontrak.
Dapat dilihat bahwa, untuk tantangan yang dihadapi industri Web3 dan potensi ruang peningkatan, AI dapat berpartisipasi dan memberikan dukungan dalam banyak aspek.
Tiga, Analisis Status Proyek AI+Web3
Proyek yang menggabungkan AI dan Web3 terutama berfokus pada dua aspek besar, yaitu memanfaatkan teknologi blockchain untuk meningkatkan kinerja proyek AI, serta memanfaatkan teknologi AI untuk mendukung peningkatan proyek Web3.
Dalam dua aspek ini, muncul banyak proyek yang mengeksplorasi jalan ini, termasuk berbagai proyek seperti Io.net, Gensyn, Ritual, dan sebagainya. Selanjutnya, artikel ini akan menganalisis keadaan dan perkembangan dari berbagai sub-lapangan yang berbeda antara AI yang mendukung web3 dan Web3 yang mendukung AI.
3.1 Web3 mendukung AI
3.1.1 Kekuatan komputasi terdesentralisasi
Setelah suatu platform meluncurkan ChatGPT pada akhir 2022, itu memicu gelombang AI, dalam 5 hari setelah diluncurkan, jumlah pengguna mencapai 1 juta, sementara platform lain sebelumnya membutuhkan waktu sekitar dua setengah bulan untuk mencapai 1 juta unduhan. Setelah itu, ChatGPT juga berkembang dengan sangat cepat, dalam waktu 2 bulan jumlah pengguna aktif bulanan mencapai 100 juta, dan pada November 2023, jumlah pengguna aktif mingguan mencapai 100 juta. Bersamaan dengan peluncuran ChatGPT, bidang AI juga dengan cepat meledak dari jalur kecil menjadi industri yang mendapat perhatian besar.
Menurut laporan tertentu, ChatGPT memerlukan 30.000 GPU dari merek tertentu untuk beroperasi, sementara GPT-5 di masa depan akan memerlukan jumlah komputasi yang lebih besar. Ini juga telah memicu perlombaan senjata di antara berbagai perusahaan AI, hanya dengan menguasai cukup banyak daya komputasi, mereka dapat memastikan memiliki cukup kekuatan dan keuntungan dalam perang AI, dan oleh karena itu muncul fenomena kekurangan GPU.
Sebelum kebangkitan AI, pelanggan dari penyedia GPU terbesar terkonsentrasi pada tiga layanan cloud utama. Dengan munculnya kecerdasan buatan, muncul banyak pembeli baru, termasuk perusahaan teknologi besar serta platform data dan perusahaan rintisan AI lainnya, yang semuanya bergabung dalam perang untuk mengumpulkan GPU guna melatih model kecerdasan buatan. Beberapa perusahaan teknologi besar secara signifikan meningkatkan jumlah pembelian model AI kustom dan penelitian internal. Beberapa perusahaan model dasar serta platform data juga membeli lebih banyak GPU untuk membantu pelanggan menyediakan layanan kecerdasan buatan.
Seperti yang disebutkan dalam analisis tertentu tahun lalu "orang kaya GPU dan orang miskin GPU", hanya beberapa perusahaan yang memiliki lebih dari 20.000 GPU kelas atas, dan anggota tim dapat menggunakan 100 hingga 1.000 GPU untuk proyek. Perusahaan-perusahaan ini adalah penyedia cloud atau membangun LLM mereka sendiri, termasuk beberapa perusahaan AI besar.
Namun, sebagian besar perusahaan adalah "kaya GPU", hanya dapat berjuang dengan jumlah GPU yang jauh lebih sedikit, menghabiskan banyak waktu dan energi untuk melakukan hal-hal yang sulit dalam mendorong perkembangan ekosistem. Selain itu, situasi ini tidak terbatas pada perusahaan pemula. Beberapa perusahaan kecerdasan buatan paling terkenal memiliki jumlah GPU kelas atas kurang dari 20K. Perusahaan-perusahaan ini memiliki talenta teknis kelas dunia, tetapi terbatas oleh jumlah pasokan GPU, dan dibandingkan dengan perusahaan besar, mereka berada dalam posisi yang kurang menguntungkan dalam kompetisi kecerdasan buatan.
Kekurangan ini tidak terbatas pada "orang-orang yang kekurangan GPU", bahkan pada akhir 2023, pemimpin di jalur AI harus menutup pendaftaran berbayar selama beberapa minggu karena tidak dapat memperoleh cukup GPU, sambil membeli lebih banyak pasokan GPU.
Dapat dilihat, seiring dengan perkembangan AI yang pesat, muncul ketidakcocokan serius antara sisi permintaan dan sisi penawaran GPU, masalah kekurangan pasokan menjadi sangat mendesak.
Untuk mengatasi masalah ini, beberapa proyek Web3 mulai mencoba menggabungkan karakteristik teknologi Web3, menyediakan layanan komputasi terdesentralisasi, termasuk Akash, Render, Gensyn, dan lain-lain. Kesamaan proyek-proyek ini terletak pada pemanfaatan token untuk mendorong banyak pengguna dalam menyediakan daya GPU yang tidak terpakai, menjadi sisi pasokan daya komputasi, untuk memberikan dukungan daya komputasi bagi pelanggan AI.
Gambaran sisi pasokan dapat dibagi menjadi tiga aspek utama: penyedia layanan cloud, penambang cryptocurrency, dan perusahaan.
Penyedia layanan cloud termasuk penyedia layanan cloud besar serta penyedia layanan cloud GPU, pengguna dapat menjual kembali daya komputasi dari penyedia layanan cloud yang tidak terpakai untuk mendapatkan pendapatan. Penambang kripto seiring dengan peralihan suatu blockchain dari PoW ke PoS, daya komputasi GPU yang tidak terpakai juga menjadi sisi penawaran yang penting. Selain itu, beberapa perusahaan besar yang membeli banyak GPU karena strategi pengaturan juga dapat menggunakan daya komputasi GPU yang tidak terpakai sebagai sisi penawaran.
Pemain di jalur saat ini secara kasar dibagi menjadi dua kategori, satu adalah yang menggunakan kekuatan komputasi terdesentralisasi untuk inferensi AI, dan yang lainnya adalah yang menggunakan kekuatan komputasi terdesentralisasi untuk pelatihan AI. Yang pertama seperti Render( meskipun fokus pada rendering, tetapi juga dapat digunakan sebagai penyedia kekuatan komputasi AI), Akash, Aethir, dan lain-lain; yang terakhir seperti io.net( inferensi dan pelatihan keduanya dapat didukung), Gensyn, perbedaan terbesar di antara keduanya adalah kebutuhan kekuatan komputasi yang berbeda.
Mari kita bicarakan proyek AI inference yang pertama, proyek-proyek ini menarik pengguna untuk berpartisipasi dalam penyediaan daya komputasi melalui insentif token, dan kemudian menyediakan layanan jaringan daya komputasi kepada sisi permintaan, sehingga menciptakan kecocokan antara suplai dan permintaan daya komputasi yang tidak terpakai.
Poin terpenting adalah melalui mekanisme insentif token, proyek ini terlebih dahulu menarik penyedia, kemudian menarik pengguna untuk menggunakannya, sehingga mencapai pemula dingin proyek dan mekanisme operasi inti, sehingga dapat maju.