A colisão entre IA e Web3: desenvolvimento futuro e desafios
I. Introdução: Estado atual do desenvolvimento de AI+Web3
Nos últimos anos, o rápido desenvolvimento da inteligência artificial (AI) e das tecnologias Web3 chamou a atenção global. A IA fez grandes avanços em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo enormes transformações e inovações para diversos setores. Em 2023, o mercado da indústria de IA atingiu um tamanho de 200 bilhões de dólares, com gigantes da indústria e jogadores excepcionais como OpenAI, Character.AI e Midjourney surgindo, liderando a onda da IA.
Ao mesmo tempo, o Web3, como um novo modelo de rede emergente, está mudando a percepção e a maneira como as pessoas usam a internet. O Web3 é baseado em tecnologia de blockchain descentralizada e, através de contratos inteligentes, armazenamento distribuído e funcionalidades de autenticação descentralizada, realiza o compartilhamento e controle de dados, a auto-governança dos usuários e a criação de mecanismos de confiança. A ideia central do Web3 é libertar os dados das autoridades centralizadas, conferindo aos usuários o controle sobre os dados e o direito de compartilhar seu valor. Atualmente, o valor de mercado da indústria Web3 atinge 25 trilhões, com projetos como Bitcoin, Ethereum, Solana e aplicativos como Uniswap e Stepn surgindo continuamente, atraindo cada vez mais pessoas para a indústria Web3.
A combinação de IA e Web3 é uma área de grande interesse tanto para desenvolvedores quanto para investidores do Oriente e do Ocidente. Como integrar bem os dois é uma questão que vale a pena explorar. Este artigo irá focar no estado atual do desenvolvimento de IA+Web3, analisar as limitações e desafios que os projetos atuais enfrentam, fornecendo referências e insights para investidores e profissionais.
Dois, formas de interação entre AI e Web3
O desenvolvimento da IA e do Web3 é como os dois lados de uma balança; a IA traz um aumento na produtividade, enquanto o Web3 traz uma transformação nas relações de produção. Que tipo de faíscas podem surgir desse encontro entre IA e Web3? A seguir, vamos primeiro analisar os desafios e as áreas de melhoria que cada setor enfrenta, e depois discutir como podem ajudar a resolver esses desafios.
2.1 Dificuldades enfrentadas pela indústria de IA
Para explorar os desafios enfrentados pela indústria de IA, primeiro vamos olhar para a essência da indústria de IA. O núcleo da indústria de IA é indissociável de três elementos: poder de computação, algoritmos e dados.
Poder de cálculo: refere-se à capacidade de realizar cálculos e processamentos em larga escala. As tarefas de IA normalmente exigem o processamento de grandes volumes de dados e a realização de cálculos complexos, como o treinamento de modelos de redes neurais profundas. Um poder de cálculo intenso pode acelerar o processo de treinamento e inferência do modelo, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, com o desenvolvimento de GPUs e chips de IA dedicados ( como o TPU ), o aumento do poder de cálculo desempenhou um papel importante no impulso do desenvolvimento da indústria de IA.
Algoritmo: é uma parte central dos sistemas de IA, utilizado para resolver problemas e realizar tarefas através de métodos matemáticos e estatísticos. Os algoritmos de IA podem ser divididos em algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo, sendo que os algoritmos de aprendizado profundo tiveram avanços significativos nos últimos anos. A escolha e o design do algoritmo são cruciais para o desempenho e a eficácia do sistema de IA. Algoritmos em constante aprimoramento e inovação podem aumentar a precisão, robustez e capacidade de generalização do sistema de IA.
Dados: A principal tarefa dos sistemas de IA é extrair padrões e regularidades dos dados por meio de aprendizado e treinamento. Os dados são a base para treinar e otimizar modelos; através de amostras de dados em grande escala, os sistemas de IA podem aprender a criar modelos mais precisos e inteligentes. Conjuntos de dados ricos podem fornecer informações mais abrangentes e diversificadas, permitindo que os modelos generalizem melhor para dados não vistos, ajudando os sistemas de IA a entender e resolver melhor os problemas do mundo real.
Após entender os três elementos centrais da IA, vamos ver os dilemas e desafios que a IA enfrenta nessas três áreas:
Em termos de poder de computação, as tarefas de IA geralmente requerem uma grande quantidade de recursos computacionais para treinamento e inferência de modelos, especialmente para modelos de aprendizado profundo. Adquirir e gerenciar poder de computação em larga escala é um desafio caro e complexo. Os custos, o consumo de energia e a manutenção dos dispositivos de computação de alto desempenho são problemas. Especialmente para startups e desenvolvedores individuais, obter poder de computação suficiente pode ser difícil.
Em termos de algoritmos, embora os algoritmos de aprendizado profundo tenham alcançado um grande sucesso em muitos campos, ainda existem algumas dificuldades e desafios. Por exemplo, treinar redes neurais profundas requer grandes quantidades de dados e recursos computacionais, e para certas tarefas, a interpretabilidade e explicabilidade do modelo podem ser insuficientes. Além disso, a robustez e a capacidade de generalização dos algoritmos também são questões importantes, e o desempenho do modelo em dados não vistos pode ser instável. Entre os muitos algoritmos, como encontrar o melhor algoritmo que ofereça o melhor serviço é um processo que precisa ser explorado continuamente.
Em termos de dados, os dados são o motor da IA, mas a obtenção de dados de alta qualidade e diversificados continua a ser um desafio. Em alguns domínios, os dados podem ser difíceis de obter, como os dados de saúde sensíveis na área da saúde. Além disso, a qualidade, precisão e rotulagem dos dados também são questões, dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errôneos nos modelos. Ao mesmo tempo, proteger a privacidade e a segurança dos dados também é uma consideração importante.
Além disso, existem questões como a interpretabilidade e a transparência, e a característica de caixa-preta dos modelos de IA é uma preocupação pública. Para certas aplicações, como finanças, saúde e justiça, o processo de decisão do modelo precisa ser interpretável e rastreável, enquanto os modelos de aprendizado profundo existentes muitas vezes carecem de transparência. Explicar o processo de decisão do modelo e fornecer explicações confiáveis ainda é um desafio.
Além disso, muitos modelos de negócios de projetos de IA não são claros o suficiente, o que também deixa muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
Na indústria Web3, atualmente existem muitos desafios diferentes que precisam ser resolvidos, sejam eles relacionados à análise de dados do Web3, à fraca experiência do usuário dos produtos Web3, ou às questões de vulnerabilidades de código de contratos inteligentes e ataques de hackers, todos com muito espaço para melhorias. E a IA, como uma ferramenta para aumentar a produtividade, também tem muito potencial para ser explorada nessas áreas.
Primeiro, a melhoria na capacidade de análise e previsão de dados: a aplicação de tecnologias de IA na análise e previsão de dados teve um grande impacto na indústria Web3. Através da análise inteligente e da mineração de dados com algoritmos de IA, as plataformas Web3 podem extrair informações valiosas de um grande volume de dados e fazer previsões e decisões mais precisas. Isso é de grande importância para a avaliação de riscos, previsões de mercado e gestão de ativos no campo das finanças descentralizadas (DeFi).
Além disso, também é possível melhorar a experiência do usuário e os serviços personalizados: a aplicação da tecnologia de IA permite que as plataformas Web3 ofereçam uma melhor experiência ao usuário e serviços personalizados. Através da análise e modelagem dos dados dos usuários, as plataformas Web3 podem fornecer recomendações personalizadas, serviços personalizados e uma experiência de interação inteligente. Isso ajuda a aumentar o envolvimento e a satisfação dos usuários, promovendo o desenvolvimento do ecossistema Web3, como muitos protocolos Web3 que integram ferramentas de IA como o ChatGPT para melhor atender os usuários.
Na segurança e na proteção da privacidade, a aplicação da IA tem um profundo impacto na indústria do Web3. A tecnologia de IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anômalos e fornecer garantias de segurança mais robustas. Ao mesmo tempo, a IA também pode ser aplicada na proteção da privacidade dos dados, através de técnicas como criptografia de dados e computação de privacidade, protegendo as informações pessoais dos usuários nas plataformas Web3. Na auditoria de contratos inteligentes, devido à possibilidade de haver vulnerabilidades e riscos de segurança durante a redação e auditoria dos contratos, a tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a detecção de vulnerabilidades, aumentando a segurança e a confiabilidade dos contratos.
Pode-se ver que, em relação aos desafios enfrentados pela indústria Web3 e o potencial espaço para melhorias, a IA pode participar e ajudar em muitos aspectos.
Três, Análise do Estado Atual dos Projetos AI+Web3
Os projetos que combinam IA e Web3 abordam principalmente duas grandes áreas: utilizar a tecnologia blockchain para melhorar o desempenho dos projetos de IA e usar a tecnologia de IA para beneficiar a melhoria dos projetos de Web3.
Em torno de dois aspectos, emergiram uma grande quantidade de projetos explorando este caminho, incluindo Io.net, Gensyn, Ritual e diversos outros projetos. A seguir, este artigo irá analisar o estado atual e a situação de desenvolvimento das diferentes sub-trilhas de AI apoiando o web3 e Web3 apoiando a AI.
3.1 Web3 impulsiona AI
3.1.1 Poder de cálculo descentralizado
Após o lançamento do ChatGPT por uma plataforma no final de 2022, a onda de IA foi desencadeada, com o número de usuários atingindo 1 milhão em 5 dias após o lançamento, enquanto outra plataforma anterior levou cerca de dois meses e meio para atingir 1 milhão de downloads. Depois, o crescimento do ChatGPT foi extremamente rápido, com o número de usuários ativos mensais atingindo 100 milhões em 2 meses, e até novembro de 2023, o número de usuários ativos semanais atingiu 100 milhões. Com o surgimento do ChatGPT, o campo da IA também rapidamente explodiu de uma pista de nicho para se tornar uma indústria de grande atenção.
De acordo com um determinado relatório, o ChatGPT precisa de 30.000 GPUs de uma determinada marca para funcionar, e o futuro GPT-5 exigirá uma quantidade ainda maior de poder computacional. Isso também deu início a uma corrida armamentista entre as várias empresas de IA; apenas aquelas que dominarem uma quantidade suficiente de capacidade de processamento poderão garantir poder e vantagens suficientes na batalha da IA, resultando assim na escassez de GPUs.
Antes da ascensão da IA, os clientes dos maiores fornecedores de GPU estavam concentrados em três grandes serviços de nuvem. Com o surgimento da inteligência artificial, surgiram muitos novos compradores, incluindo grandes empresas de tecnologia, bem como outras plataformas de dados e startups de IA, todas se juntando à guerra para acumular GPUs para treinar modelos de IA. Algumas grandes empresas de tecnologia aumentaram significativamente a quantidade de compras de modelos de IA personalizados e pesquisas internas. Algumas empresas de modelos básicos e plataformas de dados também compraram mais GPUs para ajudar os clientes a oferecer serviços de inteligência artificial.
Como mencionado em uma certa análise do ano passado sobre "ricos em GPU e pobres em GPU", poucas empresas possuem mais de 20.000 GPUs de alta gama, e os membros da equipe podem usar de 100 a 1000 GPUs para os projetos. Essas empresas são ou provedores de nuvem ou constroem seus próprios LLMs, incluindo algumas grandes empresas de IA.
No entanto, a maioria das empresas é pobre em GPUs, lutando apenas com um número muito menor de GPUs, gastando muito tempo e energia em tarefas mais difíceis de impulsionar o desenvolvimento do ecossistema. E essa situação não se limita a startups. Algumas das empresas de inteligência artificial mais conhecidas têm menos de 20K GPUs de alta gama. Essas empresas têm talentos técnicos de classe mundial, mas estão limitadas pela quantidade de GPUs disponíveis, ficando em desvantagem em relação a grandes empresas na competição por inteligência artificial.
Esta escassez não se limita apenas aos "pobres de GPU"; mesmo até o final de 2023, os líderes na corrida da IA, devido à falta de GPUs suficientes, foram obrigados a fechar as inscrições pagas por semanas, enquanto procuravam adquirir mais suprimentos de GPUs.
Pode-se ver que, com o rápido desenvolvimento da IA, há uma grave desajuste entre a demanda e a oferta de GPUs, e a questão da oferta não atender à demanda é iminente.
Para resolver este problema, alguns projetos Web3 começaram a tentar combinar as características técnicas do Web3, oferecendo serviços de potência de computação descentralizados, incluindo Akash, Render, Gensyn, entre outros. A característica comum desses projetos é que, através de tokens, incentivam um grande número de usuários a fornecer potência de GPU ociosa, tornando-se o lado da oferta de potência de computação para apoiar clientes de IA.
O retrato do lado da oferta pode ser principalmente dividido em três aspectos: provedores de serviços em nuvem, mineradores de criptomoedas e empresas.
Os provedores de serviços em nuvem incluem grandes provedores de serviços em nuvem e provedores de serviços em nuvem GPU. Os usuários podem revender a capacidade ociosa de computação dos provedores de serviços em nuvem para obter receita. Com a transição de uma certa blockchain de PoW para PoS, a capacidade ociosa de GPU dos mineradores de criptomoedas também se tornou um importante potencial do lado da oferta. Além disso, algumas grandes empresas, devido ao planejamento estratégico, adquiriram uma grande quantidade de GPUs e também podem usar a capacidade ociosa de GPU como lado da oferta.
Atualmente, os jogadores na pista podem ser divididos em duas categorias: uma categoria utiliza a computação descentralizada para inferência de IA, enquanto a outra utiliza a computação descentralizada para treinamento de IA. A primeira categoria, como Render(, embora focada em renderização, também pode ser usada como fornecedora de poder de computação para IA), Akash, Aethir, entre outros; a segunda categoria, como io.net(, pode suportar tanto inferência quanto treinamento), Gensyn. A maior diferença entre as duas é a exigência de poder de computação.
Vamos começar a falar sobre os projetos de raciocínio de IA mencionados anteriormente. Esses projetos atraem os usuários a participar da oferta de poder de computação através de incentivos em tokens, e depois fornecem serviços de rede de poder de computação para o lado da demanda, alcançando assim a correspondência entre a oferta e a demanda de poder de computação ocioso.
O ponto mais importante é que, através do mecanismo de incentivo com tokens, o projeto primeiro atrai fornecedores e depois usuários, alcançando assim o arranque frio do projeto e o mecanismo de operação central, permitindo que ele avance.
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
20 Curtidas
Recompensa
20
6
Compartilhar
Comentário
0/400
MindsetExpander
· 07-26 02:51
Web3 é compreensível, muitos friends na internet me pedem para explicar as oportunidades de investimento em Web3, mas eu geralmente forneço uma análise aprofundada, em vez de uma simples recomendação.
Ver originalResponder0
MEVictim
· 07-25 22:40
Não é apenas uma nova moda, qual é o sentido disso?
Ver originalResponder0
TokenBeginner'sGuide
· 07-23 03:51
Pequeno lembrete: a partir dos dados do mercado, o atual setor de IA já alcançou uma escala de 200 mil milhões de dólares, recomenda-se que os novatos avaliem os riscos com cautela e não persigam o preço de forma cega.
Ver originalResponder0
Blockwatcher9000
· 07-23 03:50
Não exagere, é tudo conceito para fazer as pessoas de parvas.
Ver originalResponder0
StealthDeployer
· 07-23 03:41
Quando é que vamos ver a versão web3 do midjourney?
Ver originalResponder0
MetaverseLandlord
· 07-23 03:40
Outra onda de novidades, fazer as pessoas de parvas, não é?
Um novo capítulo da fusão entre IA e Web3: Estado de desenvolvimento, desafios e oportunidades
A colisão entre IA e Web3: desenvolvimento futuro e desafios
I. Introdução: Estado atual do desenvolvimento de AI+Web3
Nos últimos anos, o rápido desenvolvimento da inteligência artificial (AI) e das tecnologias Web3 chamou a atenção global. A IA fez grandes avanços em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo enormes transformações e inovações para diversos setores. Em 2023, o mercado da indústria de IA atingiu um tamanho de 200 bilhões de dólares, com gigantes da indústria e jogadores excepcionais como OpenAI, Character.AI e Midjourney surgindo, liderando a onda da IA.
Ao mesmo tempo, o Web3, como um novo modelo de rede emergente, está mudando a percepção e a maneira como as pessoas usam a internet. O Web3 é baseado em tecnologia de blockchain descentralizada e, através de contratos inteligentes, armazenamento distribuído e funcionalidades de autenticação descentralizada, realiza o compartilhamento e controle de dados, a auto-governança dos usuários e a criação de mecanismos de confiança. A ideia central do Web3 é libertar os dados das autoridades centralizadas, conferindo aos usuários o controle sobre os dados e o direito de compartilhar seu valor. Atualmente, o valor de mercado da indústria Web3 atinge 25 trilhões, com projetos como Bitcoin, Ethereum, Solana e aplicativos como Uniswap e Stepn surgindo continuamente, atraindo cada vez mais pessoas para a indústria Web3.
A combinação de IA e Web3 é uma área de grande interesse tanto para desenvolvedores quanto para investidores do Oriente e do Ocidente. Como integrar bem os dois é uma questão que vale a pena explorar. Este artigo irá focar no estado atual do desenvolvimento de IA+Web3, analisar as limitações e desafios que os projetos atuais enfrentam, fornecendo referências e insights para investidores e profissionais.
Dois, formas de interação entre AI e Web3
O desenvolvimento da IA e do Web3 é como os dois lados de uma balança; a IA traz um aumento na produtividade, enquanto o Web3 traz uma transformação nas relações de produção. Que tipo de faíscas podem surgir desse encontro entre IA e Web3? A seguir, vamos primeiro analisar os desafios e as áreas de melhoria que cada setor enfrenta, e depois discutir como podem ajudar a resolver esses desafios.
2.1 Dificuldades enfrentadas pela indústria de IA
Para explorar os desafios enfrentados pela indústria de IA, primeiro vamos olhar para a essência da indústria de IA. O núcleo da indústria de IA é indissociável de três elementos: poder de computação, algoritmos e dados.
Poder de cálculo: refere-se à capacidade de realizar cálculos e processamentos em larga escala. As tarefas de IA normalmente exigem o processamento de grandes volumes de dados e a realização de cálculos complexos, como o treinamento de modelos de redes neurais profundas. Um poder de cálculo intenso pode acelerar o processo de treinamento e inferência do modelo, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, com o desenvolvimento de GPUs e chips de IA dedicados ( como o TPU ), o aumento do poder de cálculo desempenhou um papel importante no impulso do desenvolvimento da indústria de IA.
Algoritmo: é uma parte central dos sistemas de IA, utilizado para resolver problemas e realizar tarefas através de métodos matemáticos e estatísticos. Os algoritmos de IA podem ser divididos em algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo, sendo que os algoritmos de aprendizado profundo tiveram avanços significativos nos últimos anos. A escolha e o design do algoritmo são cruciais para o desempenho e a eficácia do sistema de IA. Algoritmos em constante aprimoramento e inovação podem aumentar a precisão, robustez e capacidade de generalização do sistema de IA.
Dados: A principal tarefa dos sistemas de IA é extrair padrões e regularidades dos dados por meio de aprendizado e treinamento. Os dados são a base para treinar e otimizar modelos; através de amostras de dados em grande escala, os sistemas de IA podem aprender a criar modelos mais precisos e inteligentes. Conjuntos de dados ricos podem fornecer informações mais abrangentes e diversificadas, permitindo que os modelos generalizem melhor para dados não vistos, ajudando os sistemas de IA a entender e resolver melhor os problemas do mundo real.
Após entender os três elementos centrais da IA, vamos ver os dilemas e desafios que a IA enfrenta nessas três áreas:
Em termos de poder de computação, as tarefas de IA geralmente requerem uma grande quantidade de recursos computacionais para treinamento e inferência de modelos, especialmente para modelos de aprendizado profundo. Adquirir e gerenciar poder de computação em larga escala é um desafio caro e complexo. Os custos, o consumo de energia e a manutenção dos dispositivos de computação de alto desempenho são problemas. Especialmente para startups e desenvolvedores individuais, obter poder de computação suficiente pode ser difícil.
Em termos de algoritmos, embora os algoritmos de aprendizado profundo tenham alcançado um grande sucesso em muitos campos, ainda existem algumas dificuldades e desafios. Por exemplo, treinar redes neurais profundas requer grandes quantidades de dados e recursos computacionais, e para certas tarefas, a interpretabilidade e explicabilidade do modelo podem ser insuficientes. Além disso, a robustez e a capacidade de generalização dos algoritmos também são questões importantes, e o desempenho do modelo em dados não vistos pode ser instável. Entre os muitos algoritmos, como encontrar o melhor algoritmo que ofereça o melhor serviço é um processo que precisa ser explorado continuamente.
Em termos de dados, os dados são o motor da IA, mas a obtenção de dados de alta qualidade e diversificados continua a ser um desafio. Em alguns domínios, os dados podem ser difíceis de obter, como os dados de saúde sensíveis na área da saúde. Além disso, a qualidade, precisão e rotulagem dos dados também são questões, dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errôneos nos modelos. Ao mesmo tempo, proteger a privacidade e a segurança dos dados também é uma consideração importante.
Além disso, existem questões como a interpretabilidade e a transparência, e a característica de caixa-preta dos modelos de IA é uma preocupação pública. Para certas aplicações, como finanças, saúde e justiça, o processo de decisão do modelo precisa ser interpretável e rastreável, enquanto os modelos de aprendizado profundo existentes muitas vezes carecem de transparência. Explicar o processo de decisão do modelo e fornecer explicações confiáveis ainda é um desafio.
Além disso, muitos modelos de negócios de projetos de IA não são claros o suficiente, o que também deixa muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
Na indústria Web3, atualmente existem muitos desafios diferentes que precisam ser resolvidos, sejam eles relacionados à análise de dados do Web3, à fraca experiência do usuário dos produtos Web3, ou às questões de vulnerabilidades de código de contratos inteligentes e ataques de hackers, todos com muito espaço para melhorias. E a IA, como uma ferramenta para aumentar a produtividade, também tem muito potencial para ser explorada nessas áreas.
Primeiro, a melhoria na capacidade de análise e previsão de dados: a aplicação de tecnologias de IA na análise e previsão de dados teve um grande impacto na indústria Web3. Através da análise inteligente e da mineração de dados com algoritmos de IA, as plataformas Web3 podem extrair informações valiosas de um grande volume de dados e fazer previsões e decisões mais precisas. Isso é de grande importância para a avaliação de riscos, previsões de mercado e gestão de ativos no campo das finanças descentralizadas (DeFi).
Além disso, também é possível melhorar a experiência do usuário e os serviços personalizados: a aplicação da tecnologia de IA permite que as plataformas Web3 ofereçam uma melhor experiência ao usuário e serviços personalizados. Através da análise e modelagem dos dados dos usuários, as plataformas Web3 podem fornecer recomendações personalizadas, serviços personalizados e uma experiência de interação inteligente. Isso ajuda a aumentar o envolvimento e a satisfação dos usuários, promovendo o desenvolvimento do ecossistema Web3, como muitos protocolos Web3 que integram ferramentas de IA como o ChatGPT para melhor atender os usuários.
Na segurança e na proteção da privacidade, a aplicação da IA tem um profundo impacto na indústria do Web3. A tecnologia de IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anômalos e fornecer garantias de segurança mais robustas. Ao mesmo tempo, a IA também pode ser aplicada na proteção da privacidade dos dados, através de técnicas como criptografia de dados e computação de privacidade, protegendo as informações pessoais dos usuários nas plataformas Web3. Na auditoria de contratos inteligentes, devido à possibilidade de haver vulnerabilidades e riscos de segurança durante a redação e auditoria dos contratos, a tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a detecção de vulnerabilidades, aumentando a segurança e a confiabilidade dos contratos.
Pode-se ver que, em relação aos desafios enfrentados pela indústria Web3 e o potencial espaço para melhorias, a IA pode participar e ajudar em muitos aspectos.
Três, Análise do Estado Atual dos Projetos AI+Web3
Os projetos que combinam IA e Web3 abordam principalmente duas grandes áreas: utilizar a tecnologia blockchain para melhorar o desempenho dos projetos de IA e usar a tecnologia de IA para beneficiar a melhoria dos projetos de Web3.
Em torno de dois aspectos, emergiram uma grande quantidade de projetos explorando este caminho, incluindo Io.net, Gensyn, Ritual e diversos outros projetos. A seguir, este artigo irá analisar o estado atual e a situação de desenvolvimento das diferentes sub-trilhas de AI apoiando o web3 e Web3 apoiando a AI.
3.1 Web3 impulsiona AI
3.1.1 Poder de cálculo descentralizado
Após o lançamento do ChatGPT por uma plataforma no final de 2022, a onda de IA foi desencadeada, com o número de usuários atingindo 1 milhão em 5 dias após o lançamento, enquanto outra plataforma anterior levou cerca de dois meses e meio para atingir 1 milhão de downloads. Depois, o crescimento do ChatGPT foi extremamente rápido, com o número de usuários ativos mensais atingindo 100 milhões em 2 meses, e até novembro de 2023, o número de usuários ativos semanais atingiu 100 milhões. Com o surgimento do ChatGPT, o campo da IA também rapidamente explodiu de uma pista de nicho para se tornar uma indústria de grande atenção.
De acordo com um determinado relatório, o ChatGPT precisa de 30.000 GPUs de uma determinada marca para funcionar, e o futuro GPT-5 exigirá uma quantidade ainda maior de poder computacional. Isso também deu início a uma corrida armamentista entre as várias empresas de IA; apenas aquelas que dominarem uma quantidade suficiente de capacidade de processamento poderão garantir poder e vantagens suficientes na batalha da IA, resultando assim na escassez de GPUs.
Antes da ascensão da IA, os clientes dos maiores fornecedores de GPU estavam concentrados em três grandes serviços de nuvem. Com o surgimento da inteligência artificial, surgiram muitos novos compradores, incluindo grandes empresas de tecnologia, bem como outras plataformas de dados e startups de IA, todas se juntando à guerra para acumular GPUs para treinar modelos de IA. Algumas grandes empresas de tecnologia aumentaram significativamente a quantidade de compras de modelos de IA personalizados e pesquisas internas. Algumas empresas de modelos básicos e plataformas de dados também compraram mais GPUs para ajudar os clientes a oferecer serviços de inteligência artificial.
Como mencionado em uma certa análise do ano passado sobre "ricos em GPU e pobres em GPU", poucas empresas possuem mais de 20.000 GPUs de alta gama, e os membros da equipe podem usar de 100 a 1000 GPUs para os projetos. Essas empresas são ou provedores de nuvem ou constroem seus próprios LLMs, incluindo algumas grandes empresas de IA.
No entanto, a maioria das empresas é pobre em GPUs, lutando apenas com um número muito menor de GPUs, gastando muito tempo e energia em tarefas mais difíceis de impulsionar o desenvolvimento do ecossistema. E essa situação não se limita a startups. Algumas das empresas de inteligência artificial mais conhecidas têm menos de 20K GPUs de alta gama. Essas empresas têm talentos técnicos de classe mundial, mas estão limitadas pela quantidade de GPUs disponíveis, ficando em desvantagem em relação a grandes empresas na competição por inteligência artificial.
Esta escassez não se limita apenas aos "pobres de GPU"; mesmo até o final de 2023, os líderes na corrida da IA, devido à falta de GPUs suficientes, foram obrigados a fechar as inscrições pagas por semanas, enquanto procuravam adquirir mais suprimentos de GPUs.
Pode-se ver que, com o rápido desenvolvimento da IA, há uma grave desajuste entre a demanda e a oferta de GPUs, e a questão da oferta não atender à demanda é iminente.
Para resolver este problema, alguns projetos Web3 começaram a tentar combinar as características técnicas do Web3, oferecendo serviços de potência de computação descentralizados, incluindo Akash, Render, Gensyn, entre outros. A característica comum desses projetos é que, através de tokens, incentivam um grande número de usuários a fornecer potência de GPU ociosa, tornando-se o lado da oferta de potência de computação para apoiar clientes de IA.
O retrato do lado da oferta pode ser principalmente dividido em três aspectos: provedores de serviços em nuvem, mineradores de criptomoedas e empresas.
Os provedores de serviços em nuvem incluem grandes provedores de serviços em nuvem e provedores de serviços em nuvem GPU. Os usuários podem revender a capacidade ociosa de computação dos provedores de serviços em nuvem para obter receita. Com a transição de uma certa blockchain de PoW para PoS, a capacidade ociosa de GPU dos mineradores de criptomoedas também se tornou um importante potencial do lado da oferta. Além disso, algumas grandes empresas, devido ao planejamento estratégico, adquiriram uma grande quantidade de GPUs e também podem usar a capacidade ociosa de GPU como lado da oferta.
Atualmente, os jogadores na pista podem ser divididos em duas categorias: uma categoria utiliza a computação descentralizada para inferência de IA, enquanto a outra utiliza a computação descentralizada para treinamento de IA. A primeira categoria, como Render(, embora focada em renderização, também pode ser usada como fornecedora de poder de computação para IA), Akash, Aethir, entre outros; a segunda categoria, como io.net(, pode suportar tanto inferência quanto treinamento), Gensyn. A maior diferença entre as duas é a exigência de poder de computação.
Vamos começar a falar sobre os projetos de raciocínio de IA mencionados anteriormente. Esses projetos atraem os usuários a participar da oferta de poder de computação através de incentivos em tokens, e depois fornecem serviços de rede de poder de computação para o lado da demanda, alcançando assim a correspondência entre a oferta e a demanda de poder de computação ocioso.
O ponto mais importante é que, através do mecanismo de incentivo com tokens, o projeto primeiro atrai fornecedores e depois usuários, alcançando assim o arranque frio do projeto e o mecanismo de operação central, permitindo que ele avance.