AI+Web3: Torres e Praças

TL;DR

1. Projetos Web3 com conceito de IA tornaram-se alvos de captação de recursos nos mercados primário e secundário.

2. As oportunidades do Web3 na indústria de IA manifestam-se na: utilização de incentivos distribuídos para coordenar o potencial de oferta na cauda longa — atravessando dados, armazenamento e computação; ao mesmo tempo, estabelecendo modelos de código aberto e um mercado descentralizado para Agentes de IA.

3. A IA é utilizada principalmente na indústria Web3 para finanças on-chain ( pagamentos em criptomoeda, transações, análise de dados ) e assistência no desenvolvimento.

4. A utilidade do AI+Web3 reside na complementaridade de ambos: o Web3 promete combater a centralização da IA, enquanto a IA promete ajudar o Web3 a expandir seus limites.

Introdução

Nos últimos dois anos, o desenvolvimento da IA parece ter sido acelerado, e o efeito borboleta provocado pelo Chatgpt não só abriu um novo mundo de inteligência artificial generativa, mas também gerou um movimento no campo do Web3.

Com o suporte do conceito de IA, o financiamento no mercado de criptomoedas, que está a desacelerar, mostrou um aumento evidente. Segundo estatísticas, apenas no primeiro semestre de 2024, 64 projetos Web3+IA conseguiram financiamento, sendo que o sistema operativo baseado em inteligência artificial Zyber365 alcançou um montante máximo de financiamento de 100 milhões de dólares na ronda A.

O mercado secundário está mais próspero. O site de agregação de criptomoedas Coingecko mostra que, em pouco mais de um ano, o valor total de mercado da área de IA atingiu 48,5 bilhões de dólares, com um volume de negócios de quase 8,6 bilhões de dólares em 24 horas; os benefícios trazidos pelo avanço das principais tecnologias de IA são evidentes, após o lançamento do modelo Sora de conversão de texto em vídeo da OpenAI, o preço médio do setor de IA subiu 151%; o efeito da IA também se estendeu a um dos setores de atração de criptomoedas, Meme: o primeiro conceito de MemeCoin com Agent de IA - GOAT rapidamente se tornou popular e alcançou uma avaliação de 1,4 bilhão de dólares, gerando um grande entusiasmo por Memes de IA.

A pesquisa e os tópicos sobre AI+Web3 também estão em alta, desde AI+Depin a AI Memecoin, até os atuais AI Agent e AI DAO, a emoção de FOMO já não consegue acompanhar a velocidade das novas narrativas.

AI+Web3, esta combinação de termos repleta de dinheiro fácil, oportunidades e fantasias futuras, não pode deixar de ser vista como um casamento arranjado pelos capitais; parece-nos difícil distinguir se, sob esta magnífica capa, é realmente o campo dos especuladores ou a véspera da explosão do amanhecer?

Para responder a esta questão, uma reflexão crucial para ambas as partes é: será que com a outra parte as coisas podem melhorar? Será que é possível beneficiar-se dos padrões da outra parte? Neste artigo, também tentamos olhar para este cenário a partir dos ombros de gigantes: como o Web3 pode desempenhar um papel em cada etapa da pilha de tecnologia de IA, e o que a IA pode trazer de novo ao Web3?

Parte 1 Quais são as oportunidades do Web3 sob a pilha de IA?

Antes de abordar este tópico, precisamos entender a pilha tecnológica dos grandes modelos de IA:

Expresse todo o processo em uma linguagem mais simples: "O grande modelo" é como o cérebro humano; nas fases iniciais, esse cérebro pertence a um bebê que acabou de chegar ao mundo, precisando observar e absorver uma enorme quantidade de informações do ambiente para entender este mundo, essa é a fase de "coleta" de dados; como os computadores não possuem os múltiplos sentidos humanos de visão e audição, antes do treinamento, as grandes quantidades de informações não rotuladas do ambiente precisam ser convertidas através do "pré-processamento" em um formato que o computador possa entender e utilizar.

Após a entrada de dados, a IA constrói um modelo com capacidade de compreensão e previsão através do "treinamento", o que pode ser visto como o processo em que um bebê gradualmente entende e aprende sobre o mundo exterior. Os parâmetros do modelo são como as habilidades linguísticas de um bebê que se ajustam continuamente durante o processo de aprendizagem. Quando o conteúdo aprendido começa a ser especializado, ou quando há interação com pessoas que fornecem feedback e correções, entra-se na fase de "ajuste fino" do grande modelo.

As crianças, ao crescerem e aprenderem a falar, conseguem entender o significado em novas conversas e expressar seus sentimentos e pensamentos. Esta fase é semelhante ao "raciocínio" dos grandes modelos de IA, onde o modelo pode prever e analisar novas entradas de linguagem e texto. Os bebês expressam sentimentos, descrevem objetos e resolvem vários problemas através da habilidade linguística, o que também é semelhante à aplicação dos grandes modelos de IA na fase de raciocínio em diversas tarefas específicas, como classificação de imagens, reconhecimento de voz, entre outros.

O AI Agent está mais próximo da próxima forma dos grandes modelos - capaz de executar tarefas de forma independente e perseguir objetivos complexos, não só possui capacidade de pensamento, mas também pode lembrar, planejar e interagir com o mundo usando ferramentas.

Atualmente, em resposta às dores de AI em várias pilhas, o Web3 está formando, de forma preliminar, um ecossistema multilayer interconectado que abrange todas as fases do processo de modelos de AI.

Uma, camada básica: Airbnb de poder computacional e dados

Poder de Cálculo

Atualmente, um dos maiores custos da IA é a computação e a energia necessárias para treinar modelos e inferir modelos.

Um exemplo é que o LLAMA3 da Meta precisa de 16.000 H100 GPUs produzidas pela NVIDIA(, que é uma unidade de processamento gráfico de ponta projetada para cargas de trabalho de inteligência artificial e computação de alto desempenho, e leva 30 dias para completar o treinamento. O preço unitário da versão de 80 GB varia entre 30.000 a 40.000 dólares, o que requer um investimento em hardware de computação de 400 a 700 milhões de dólares) GPU + chip de rede(, ao mesmo tempo, o treinamento mensal consome 1,6 bilhões de quilowatts-hora, com despesas de energia chegando a quase 20 milhões de dólares por mês.

A descompressão do poder computacional da IA é também uma das primeiras áreas de intersecção entre o Web3 e a IA - DePin) rede de infraestrutura física descentralizada( atualmente, o site de dados DePin Ninja já apresenta mais de 1400 projetos, entre os quais os projetos representativos de compartilhamento de poder computacional GPU incluem io.net, Aethir, Akash, Render Network, entre outros.

A sua lógica principal baseia-se em: a plataforma permite que indivíduos ou entidades com recursos de GPU ociosos contribuam com a sua capacidade de computação de forma descentralizada e sem necessidade de autorização, através de um mercado online de compradores e vendedores semelhante ao Uber ou Airbnb, aumentando a utilização de recursos de GPU que não estão completamente aproveitados, permitindo que os utilizadores finais também obtenham recursos de computação eficientes a um custo mais baixo; ao mesmo tempo, o mecanismo de staking assegura que, se ocorrerem violações do mecanismo de controlo de qualidade ou interrupções na rede, os fornecedores de recursos sofrerão as respetivas penalizações.

As suas características são:

• Agregar recursos de GPU ociosos: os fornecedores são principalmente operadores de centros de dados independentes de médio e pequeno porte, fazendas de criptomoedas e outros, que possuem recursos de poder computacional excedentes, com mecanismos de consenso para hardware de mineração PoS, como mineradores de FileCoin e ETH. Atualmente, também existem projetos dedicados a iniciar dispositivos com barreiras de entrada mais baixas, como o exolab, que utiliza MacBook, iPhone, iPad e outros dispositivos locais para estabelecer uma rede de computação para a inferência de grandes modelos.

• Enfrentando o mercado de cauda longa do poder computacional de IA:

a. "Em termos técnicos", o mercado de poder de computação descentralizado é mais adequado para o passo de inferência. O treinamento depende mais da capacidade de processamento de dados proporcionada por grandes clusters de GPUs, enquanto a inferência requer um desempenho de computação em GPU relativamente baixo, como Aethir que se concentra em trabalhos de renderização de baixa latência e aplicações de inferência de IA.

b. No que diz respeito à "demanda do lado da procura", os pequenos e médios consumidores de poder computacional não treinarão individualmente os seus próprios grandes modelos, mas apenas escolherão otimizar e ajustar em torno de alguns grandes modelos de topo, e esses cenários são naturalmente adequados para recursos de computação distribuída ociosos.

• Propriedade descentralizada: O significado técnico da blockchain reside no fato de que os proprietários de recursos mantêm sempre o controle sobre seus recursos, ajustando-se com flexibilidade às demandas e, ao mesmo tempo, obtendo lucro.

)# Dados

Os dados são a base da IA. Sem dados, o cálculo é tão inútil quanto um juncos flutuantes, e a relação entre dados e modelos é como o ditado "Garbage in, Garbage out". A quantidade de dados e a qualidade da entrada determinam a qualidade da saída final do modelo. No treinamento dos atuais modelos de IA, os dados determinam a capacidade linguística, a capacidade de compreensão, e até mesmo as visões de mundo e a expressão humanizada do modelo. Atualmente, a crise de demanda por dados da IA concentra-se principalmente em quatro aspectos:

• Fome de dados: o treinamento de modelos de IA depende de uma grande quantidade de dados de entrada. Dados públicos mostram que a OpenAI treinou o GPT-4 com um número de parâmetros na ordem dos trilhões.

• Qualidade dos dados: à medida que a IA se combina com várias indústrias, a atualidade dos dados, a diversidade dos dados, a especialização dos dados verticais e a integração de novas fontes de dados, como as emoções nas redes sociais, também impõem novas exigências à sua qualidade.

• Questões de privacidade e conformidade: atualmente, vários países e empresas estão gradualmente a tomar consciência da importância de conjuntos de dados de qualidade e estão a impor restrições à coleta de conjuntos de dados.

• Custo elevado de processamento de dados: grande volume de dados, processo de tratamento complexo. Dados públicos mostram que mais de 30% dos custos de P&D das empresas de IA são direcionados para coleta e processamento de dados básicos.

Atualmente, as soluções web3 manifestam-se nas seguintes quatro áreas:

1. Coleta de dados: A capacidade de fornecer dados do mundo real capturados gratuitamente está rapidamente se esgotando, e os gastos das empresas de IA com dados aumentam a cada ano. Mas, ao mesmo tempo, esses gastos não estão sendo revertidos para os verdadeiros contribuintes dos dados, enquanto as plataformas desfrutam inteiramente da criação de valor que os dados proporcionam.

Permitir que os usuários que realmente contribuem também participem da criação de valor trazido pelos dados, além de obter dados mais privados e valiosos de maneira de baixo custo através de uma rede distribuída e mecanismos de incentivo, é a visão do Web3.

• Grass é uma camada de dados e rede descentralizada, onde os usuários podem executar nós Grass, contribuindo com largura de banda ociosa e retransmitindo tráfego para capturar dados em tempo real de toda a Internet, e receber recompensas em tokens;

• A Vana introduziu um conceito único de pool de liquidez de dados ###DLP(, onde os usuários podem fazer upload de seus dados pessoais ), como registros de compras, hábitos de navegação, atividades em redes sociais, etc. ( para um DLP específico, e escolher de forma flexível se autorizam ou não o uso desses dados por terceiros específicos;

• No PublicAI, os utilizadores podem usar )Web3 como etiqueta de classificação em X e @PublicAI para realizar a coleta de dados.

2. Pré-processamento de dados: No processo de tratamento de dados da IA, uma vez que os dados coletados costumam ser ruidosos e conter erros, eles devem ser limpos e convertidos para um formato utilizável antes de treinar o modelo, envolvendo tarefas repetitivas de normalização, filtragem e tratamento de valores ausentes. Esta fase é uma das poucas etapas manuais na indústria da IA, dando origem à profissão de etiquetador de dados. À medida que a exigência de qualidade dos dados pelos modelos aumenta, o nível de entrada para etiquetadores de dados também se eleva, e essa tarefa é naturalmente adequada para o mecanismo de incentivo descentralizado do Web3.

• Atualmente, a Grass e a OpenLayer estão considerando a adição da rotulagem de dados a esta etapa crucial.

• A Synesis apresentou o conceito de "Train2earn", enfatizando a qualidade dos dados, onde os usuários podem receber recompensas ao fornecer dados rotulados, comentários ou outras formas de entrada.

• O projeto de anotação de dados Sapien transforma as tarefas de marcação em um jogo, permitindo que os usuários apostem pontos para ganhar mais pontos.

3. Privacidade e segurança de dados: é importante esclarecer que privacidade e segurança de dados são dois conceitos diferentes. A privacidade de dados envolve o tratamento de dados sensíveis, enquanto a segurança de dados protege as informações contra acesso, destruição e roubo não autorizados. Assim, as vantagens da tecnologia de privacidade Web3 e os potenciais cenários de aplicação se manifestam em dois aspectos: #AI或#1( treinamento de dados sensíveis; )2( colaboração de dados: múltiplos proprietários de dados podem participar juntos do treinamento de IA, sem a necessidade de compartilhar seus dados originais.

As tecnologias de privacidade mais comuns no Web3 atualmente incluem:

• Ambiente de Execução Confiável ) TEE (, como o Super Protocol;

• Criptografia homomórfica completa ) FHE (, por exemplo, BasedAI, Fhenix.io ou Inco Network;

• Tecnologia de conhecimento zero ) zk (, como o Protocolo Reclaim que utiliza tecnologia zkTLS, gera provas de conhecimento zero para tráfego HTTPS, permitindo que os usuários importem de forma segura atividades, reputação e dados de identidade de sites externos, sem expor informações sensíveis.

No entanto, atualmente este campo ainda está em fase inicial, a maior parte dos projetos ainda está em exploração, um dos dilemas atuais é o custo computacional muito alto, alguns exemplos são:

• O framework zkML EZKL leva cerca de 80 minutos para gerar uma prova de um modelo 1M-nanoGPT.

• De acordo com os dados da Modulus Labs, os custos do zkML são mais de 1000 vezes superiores aos da computação pura.

4. Armazenamento de dados: Depois de ter os dados, é necessário um lugar para armazenar os dados na cadeia, bem como o LLM gerado a partir desses dados. Com a disponibilidade de dados )DA( como questão central, antes da atualização Danksharding do Ethereum, sua taxa de transferência era de 0,08 MB. Ao mesmo tempo, o treinamento de modelos de IA e a inferência em tempo real geralmente requerem uma taxa de transferência de dados de 50 a 100 GB por segundo. Essa diferença de magnitude torna as soluções existentes na cadeia incapazes de lidar com "aplicações de IA intensivas em recursos".

• 0g.AI é o projeto representativo desta categoria. É um projeto direcionado a