Стикання AI та Web3: Майбутній розвиток та виклики

I. Вступ: Стан розвитку AI+Web3

Останніми роками швидкий розвиток штучного інтелекту (AI) та технологій Web3 викликав широкий інтерес у всьому світі. Штучний інтелект досяг значних успіхів у таких сферах, як розпізнавання облич, обробка природної мови, машинне навчання, що призвело до величезних змін та інновацій у всіх галузях. У 2023 році обсяг ринку штучного інтелекту досяг 200 мільярдів доларів США, а такі гіганти галузі, як OpenAI, Character.AI, Midjourney та інші відмінні гравці, активно з’являються, ведучи бум штучного інтелекту.

Водночас Web3, як нова мережна модель, змінює уявлення людей про Інтернет і способи його використання. Web3 базується на децентралізованій технології блокчейн і реалізує спільний доступ до даних та контроль, автономію користувачів та механізми довіри через смарт-контракти, розподілене зберігання та децентралізовану верифікацію особи. Основна ідея Web3 полягає в тому, щоб звільнити дані з рук централізованих уповноважених органів, надаючи користувачам контроль над даними та право на розподіл вартості. Наразі ринкова капіталізація індустрії Web3 досягає 25 трильйонів, проекти Bitcoin, Ethereum, Solana та додатки, такі як Uniswap, Stepn, постійно з'являються, залучаючи все більше людей до індустрії Web3.

Поєднання штучного інтелекту та Web3 є сферою, яка викликає великий інтерес як у західних, так і у східних розробників та інвесторів. Як добре інтегрувати ці два елементи є питанням, яке варто дослідити. У цій статті буде приділено основну увагу розвитку AI+Web3, проаналізовано обмеження та виклики, з якими стикаються поточні проекти, щоб надати інвесторам та фахівцям посилання та прозорість.

Два, способи взаємодії AI та Web3

Розвиток AI та Web3 є як дві сторони терезів: AI приносить підвищення продуктивності, а Web3 - трансформацію виробничих відносин. Які іскри можуть виникнути при зіткненні AI та Web3? Спочатку ми проаналізуємо труднощі та можливості для покращення, з якими стикаються кожна з галузей, а потім обговоримо, як вони можуть допомогти в розв'язанні цих труднощів.

2.1 Виклики, з якими стикається AI-індустрія

Щоб дослідити труднощі, з якими стикається індустрія ШІ, спершу розглянемо сутність індустрії ШІ. Ядром індустрії ШІ є три основні елементи: обчислювальна потужність, алгоритми та дані.

1. Обчислювальна потужність: означає здатність виконувати великомасштабні обчислення та обробку. Завдання AI зазвичай потребують обробки великої кількості даних і виконання складних обчислень, таких як навчання моделей глибоких нейронних мереж. Висока інтенсивність обчислювальної потужності може прискорити процес навчання та висновків моделей, покращуючи продуктивність і ефективність систем AI. В останні роки, з розвитком GPU та спеціалізованих AI чіпів (, таких як TPU ), підвищення обчислювальної потужності відіграє важливу роль у розвитку індустрії AI.

2. Алгоритми: є основною складовою частиною систем штучного інтелекту, використовуються для вирішення проблем та виконання завдань математичними та статистичними методами. Алгоритми ШІ можна розділити на традиційні алгоритми машинного навчання та алгоритми глибокого навчання, серед яких алгоритми глибокого навчання за останні роки досягли значних проривів. Вибір та проектування алгоритму є надзвичайно важливими для продуктивності та ефективності системи ШІ. Постійне вдосконалення та інновації в алгоритмах можуть підвищити точність, надійність та узагальнюючу здатність системи ШІ.

3. Дані: Основне завдання AI-системи полягає в тому, щоб через навчання і тренування витягувати патерни та закономірності з даних. Дані є основою для навчання та оптимізації моделей, завдяки великомасштабним вибіркам даних AI-система може навчитися більш точним і розумним моделям. Багаті набори даних можуть надати більш повну та різноманітну інформацію, що дозволяє моделям краще узагальнювати на невідомих даних, допомагаючи AI-системі краще розуміти та вирішувати проблеми реального світу.

Зрозумівши три основні елементи AI, давайте подивимося на труднощі та виклики, з якими стикається AI в цих трьох аспектах:

У сфері обчислювальної потужності AI-завдання зазвичай вимагають великої кількості обчислювальних ресурсів для навчання та висновків моделей, особливо для моделей глибокого навчання. Отримання та управління масштабною обчислювальною потужністю є дорогим та складним викликом. Витрати, енергоспоживання та обслуговування високопродуктивних обчислювальних пристроїв є проблемами. Особливо для стартапів та індивідуальних розробників отримати достатню обчислювальну потужність може бути складно.

У галузі алгоритмів, незважаючи на величезний успіх алгоритмів глибокого навчання в багатьох сферах, все ще існують певні труднощі та виклики. Наприклад, навчання глибоких нейронних мереж вимагає великої кількості даних та обчислювальних ресурсів, і для деяких завдань інтерпретованість і зрозумілість моделі можуть бути недостатніми. Крім того, надійність алгоритму та здатність до узагальнення також є важливими питаннями, оскільки продуктивність моделі на невідомих даних може бути нестабільною. Серед безлічі алгоритмів, пошук найкращого алгоритму для надання найкращих послуг є процесом, що потребує постійного дослідження.

У сфері даних дані є рушійною силою ШІ, але отримання якісних і різноманітних даних все ще є викликом. Дані в деяких сферах можуть бути важкодоступними, наприклад, чутливі медичні дані в галузі охорони здоров'я. Крім того, якість, точність та маркування даних також є проблемами; неповні або упереджені дані можуть призвести до неправильного поводження або упередження моделей. Водночас захист конфіденційності та безпеки даних також є важливими факторами.

Крім того, існують такі проблеми, як пояснювальність і прозорість, чорна скринька моделей ШІ є предметом занепокоєння громадськості. Для деяких застосувань, таких як фінанси, медицина та правосуддя, процес прийняття рішень моделі потребує пояснення та можливості відстеження, тоді як існуючі моделі глибокого навчання часто не мають прозорості. Пояснення процесу прийняття рішень моделі та надання надійних пояснень залишаються викликом.

Крім того, багато бізнес-моделей стартапів у сфері штучного інтелекту недостатньо чіткі, що також викликає плутанину у багатьох підприємців у цій галузі.

2.2 Виклики, з якими стикається індустрія Web3

У сфері Web3 наразі існує багато різних труднощів, які потрібно вирішити, незалежно від аналізу даних Web3, поганого користувацького досвіду продуктів Web3 або проблем з вразливістю коду смарт-контрактів та атаками хакерів, є багато можливостей для покращення. А ІІ як інструмент підвищення продуктивності має багато потенційних можливостей для реалізації в цих сферах.

По-перше, підвищення можливостей аналізу даних та прогнозування: застосування технології штучного інтелекту в аналізі даних та прогнозуванні справило величезний вплив на галузь Web3. Завдяки розумному аналізу та видобутку даних за допомогою алгоритмів штучного інтелекту, платформи Web3 можуть витягувати цінну інформацію з величезних обсягів даних та здійснювати більш точні прогнози та приймати рішення. Це має важливе значення для оцінки ризиків, прогнозування ринку та управління активами в області децентралізованих фінансів (DeFi).

Крім того, можна покращити користувацький досвід і персоналізовані послуги: застосування технологій ШІ дозволяє платформам Web3 надавати кращий користувацький досвід і персоналізовані послуги. Завдяки аналізу та моделюванню даних користувачів платформи Web3 можуть пропонувати персоналізовані рекомендації, індивідуалізовані послуги та інтелектуальний інтерактивний досвід. Це сприяє підвищенню залученості та задоволеності користувачів, а також розвитку екосистеми Web3, наприклад, багато протоколів Web3 інтегрують ChatGPT та інші інструменти ШІ для кращого обслуговування користувачів.

У сфері безпеки та захисту приватності застосування ШІ також має глибокий вплив на індустрію Web3. Технології ШІ можуть використовуватися для виявлення та захисту від кібератак, ідентифікації аномальної поведінки та надання більш потужних гарантій безпеки. Одночасно ШІ також може бути застосований для захисту приватності даних, використовуючи такі технології, як шифрування даних та обчислення з конфіденційністю, для захисту особистої інформації користувачів на платформах Web3. У сфері аудиту смарт-контрактів, оскільки під час написання та аудиту смарт-контрактів можуть виникати вразливості та загрози безпеці, технології ШІ можуть використовуватися для автоматизації аудиту контрактів та виявлення вразливостей, підвищуючи безпеку та надійність контрактів.

Можна побачити, що в багатьох аспектах ШІ може брати участь і надавати підтримку у вирішенні проблем, з якими стикається індустрія Web3, а також у потенційних можливостях для покращення.

Три, аналіз стану проектів AI+Web3

Проекти, що поєднують AI та Web3, насамперед базуються на двох великих аспектах: використання технології блокчейн для покращення роботи AI-проектів та використання технології AI для підвищення Web3-проектів.

Навколо двох аспектів виникла велика кількість проектів, які досліджують цей шлях, включаючи Io.net, Gensyn, Ritual та інші різноманітні проекти. Далі у статті буде проаналізовано стан та розвиток різних підсекторів, де AI сприяє web3 і Web3 сприяє AI.

3.1 Web3 сприяє AI

3.1.1 Децентралізовані обчислення

Після запуску ChatGPT на певній платформі наприкінці 2022 року, спалахнула хвиля захоплення штучним інтелектом; кількість користувачів досягла 1 мільйона всього за 5 днів після запуску, тоді як на іншій платформі для досягнення 1 мільйона завантажень знадобилося близько двох з половиною місяців. Після цього ChatGPT також швидко набрав обертів: за 2 місяці щомісячна кількість активних користувачів досягла 100 мільйонів, а до листопада 2023 року щотижнева кількість активних користувачів досягла 100 мільйонів. Разом зі створенням ChatGPT, сфера штучного інтелекту швидко перетворилася з нішевої галузі на галузь, що привертає значну увагу.

Згідно з певним звітом, ChatGPT потребує 30000 певних брендових GPU для роботи, а майбутній GPT-5 потребуватиме ще більшої кількості обчислень. Це також запустило гонку озброєнь між різними AI-компаніями: лише ті, хто володіє достатньою потужністю обчислень, можуть забезпечити собі достатній імпульс та перевагу в битві AI, що призвело до нестачі GPU.

Перед виникненням штучного інтелекту клієнти найбільшого постачальника GPU були зосереджені на трьох основних хмарних сервісах. На фоні зростання штучного інтелекту з'явилося безліч нових покупців, включаючи великі технологічні компанії, а також інші платформи даних і стартапи в галузі штучного інтелекту, які приєдналися до війни за накопичення GPU для навчання моделей штучного інтелекту. Деякі великі технологічні компанії значно збільшили обсяги закупівлі для створення кастомізованих AI моделей та внутрішніх досліджень. Деякі компанії, що розробляють базові моделі, а також платформи даних також закупили більше GPU, щоб допомогти клієнтам надавати послуги штучного інтелекту.

Як згадувалося в одному з аналізів минулого року, "багаті на GPU та бідні на GPU", лише кілька компаній володіють понад 20 тисячами висококласних GPU, а члени команди можуть використовувати від 100 до 1000 GPU для проекту. Ці компанії або є хмарними провайдерами, або створюють власні LLM, включаючи деякі великі AI компанії та ін.

Однак більшість компаній є «бідними на GPU», змушені боротися на значно меншій кількості GPU, витрачаючи багато часу та зусиль на важкі для просування справи розвитку екосистеми. І ця ситуація не обмежується тільки стартапами. Кількість висококласних GPU в деяких найбільш відомих компаніях штучного інтелекту становить менше 20K. Ці компанії мають світового рівня технічні таланти, проте обмежені кількістю постачання GPU, що ставить їх у невигідне становище в змаганнях з великими компаніями в сфері штучного інтелекту.

Ця нестача не обмежується лише "бідними на GPU", навіть наприкінці 2023 року, лідер у сфері ШІ змушений був закрити платну реєстрацію на кілька тижнів через недостатню кількість GPU, одночасно закуповуючи більше постачань GPU.

Можна побачити, що разом із швидким розвитком ШІ виникає серйозний дисбаланс між попитом і пропозицією на GPU, проблема дефіциту стає нагальною.

Щоб вирішити цю проблему, деякі проекти Web3 почали намагатися поєднати технічні характеристики Web3, пропонуючи децентралізовані обчислювальні послуги, включаючи Akash, Render, Gensyn тощо. Спільною рисою таких проектів є те, що вони стимулюють широке коло користувачів надавати невикористовувану GPU обчислювальну потужність за допомогою токенів, стаючи постачальниками обчислювальної потужності для підтримки клієнтів AI.

Профіль пропозицій можна поділити на три основні аспекти: постачальники хмарних послуг, криптовалютні майнери, підприємства.

Постачальники хмарних послуг включають велику хмарну компанію, а також постачальників GPU-хмарних послуг. Користувачі можуть перепродавати незайняті обчислювальні потужності постачальників хмарних послуг для отримання доходу. Криптошахтарі, коли певний блокчейн переходить з PoW на PoS, незайняті обчислювальні потужності GPU також стають важливим потенційним постачанням. Крім того, деякі великі компанії, через стратегічне планування, придбали велику кількість GPU і можуть використовувати незайняті обчислювальні потужності GPU як постачання.

Гравці на даному ринку в основному поділяються на дві категорії: перша – це ті, хто використовує децентралізовану обчислювальну потужність для інференції AI, а друга – це ті, хто використовує децентралізовану обчислювальну потужність для навчання AI. Перші, такі як Render(, хоча й зосереджені на рендерингу, також можуть використовуватися для надання обчислювальної потужності AI), Akash, Aethir тощо; другі, такі як io.net(, можуть підтримувати як інференцію, так і навчання), Gensyn. Найбільша різниця між цими двома категоріями полягає в різних вимогах до обчислювальної потужності.

Спочатку поговоримо про проекти AI-інференції, які залучають користувачів до надання обчислювальної потужності за допомогою токенних стимулів, а потім надають послуги обчислювальної мережі стороні попиту, таким чином реалізуючи узгодження попиту та пропозиції на невикористану обчислювальну потужність.

Найважливіший момент полягає в тому, щоб залучити постачальників через механізм стимулювання токенів, потім залучити користувачів до використання, що дозволяє реалізувати холодний старт проекту та механізм його основної роботи.