TL;DR:

• โครงการ Web3 ที่มีแนวคิด AI ได้กลายเป็นเป้าหมายการลงทุนที่น่าสนใจในตลาดรองและตลาดรอง
• โอกาสสำหรับ Web3 ในอุตสาหกรรม AI อยู่ใน: การใช้สิทธิแจกจ่ายแบบกระจายเพื่อประสานการของการจำหน่ายที่เป็นไปได้ในส่วนท้าย - ระหว่างข้อมูล พื้นที่เก็บข้อมูล และการคำนวณ; ในระหว่างนี้ การสร้างโมเดลโอเพนซอร์สและตลาดที่มีการกระจายสำหรับเอเจนต์ AI
• AI เล่น peran penting ใน อุตสาหกรรม Web3, โดยส่วนใหญ่ในการเงิน on-chain (การชำระเงินทาง cryptocurrency, การซื้อขาย, การวิเคราะห์ข้อมูล) และการช่วยเหลือในการพัฒนา
• ประโยชน์ของ AI+Web3 อยู่ในความสมบูรณ์ของทั้งสอง: Web3 มีความคาดหวังว่าจะต่อต้านการกลายเป็นส่วนกลางของ AI และ AI มีความคาดหวังว่าจะช่วยให้ Web3 ปลดปล่อยจากข้อจำกัด

บทนำ

ในช่วงสองปีที่ผ่านมา การพัฒนา AI ได้รับการส่งเสริมอย่างรวดเร็ว อย่างเช่นผลกระทบจาก Chatgpt ไม่เพียงเปิดโลกใหม่ของปัญญาประดิษฐ์ทางปฏิบัติเท่านั้น แต่ยังเป็นที่ปลุกกระแสใน Web3 ที่ไกลออกไป

ด้วยพระคุณของแนวคิด AI การจัดหาเงินทุนของตลาดสกุลเงินดิจิทัลได้รับการยกระดับอย่างมากเมื่อเทียบกับการชะลอ ตามสถิติของสื่อมวลชน ในครึ่งปีแรกของปี 2024 เดียว ทั้งหมด 64 โครงการ Web3+AI ได้จัดหาเงินทุนเสร็จสิ้น และระบบปฏิบัติการที่ใช้ AI อย่าง Zyber365 ได้รับเงินทุนสูงสุด 100 ล้าน​ ​ดอลลาร์​สหรัฐในรอบรอบ A

ตลาดรองมีความเจริญรุ่งเรืองมากขึ้นและข้อมูลจากเว็บไซต์รวมที่เข้ารหัส Coingecko แสดงให้เห็นว่าในเวลาเพียงหนึ่งปีมูลค่าตลาดรวมของแทร็ก AI สูงถึง 485 พันล้านดอลลาร์โดยมีปริมาณการซื้อขายตลอด 24 ชั่วโมงเกือบ 86 พันล้านดอลลาร์ ประโยชน์ที่ชัดเจนที่เกิดจากความก้าวหน้าทางเทคโนโลยี AI กระแสหลักหลังจากเปิดตัวโมเดลข้อความเป็นวิดีโอ Sora ของ OpenAI ราคาเฉลี่ยของภาค AI เพิ่มขึ้น 151%; เอฟเฟกต์ AI ยังแผ่กระจายไปยังหนึ่งในภาคการดูดซับทองคําของสกุลเงินดิจิทัล Meme: แนวคิด AI Agent แรก MemeCoin - GOAT ได้รับความนิยมอย่างรวดเร็วและบรรลุการประเมินมูลค่า 1.4 พันล้านดอลลาร์ซึ่งประสบความสําเร็จในการจุดประกายความนิยม AI Meme

การวิจัยและหัวข้อเรื่องเกี่ยวกับ AI+Web3 เท่ากันความร้อน ตั้งแต่ AI+Depin ไปจนถึง AI Memecoin และ AI Agent และ AI DAO ที่เป็นเรื่องร้อนในขณะนี้ FOMO ความรู้สึกหวาดกลัวที่พลิกเปลี่ยนไปก่อนความเร็วของการหมุนรอบเรื่องใหม่

AI+Web3 การรวมกันของคําศัพท์ที่เต็มไปด้วยเงินร้อนแนวโน้มและจินตนาการในอนาคตย่อมถูกมองว่าเป็นการแต่งงานที่จัดโดยทุน ดูเหมือนว่ายากสําหรับเราที่จะแยกแยะว่าเป็นสนามเหย้าของนักเก็งกําไรหรือวันรุ่งอรุณภายใต้เสื้อคลุมที่งดงามนี้

เพื่อตอบคําถามนี้การพิจารณาที่สําคัญสําหรับทั้งสองฝ่ายคืออีกฝ่ายจะดีขึ้นหรือไม่? พวกเขาสามารถได้รับประโยชน์จากรูปแบบของกันและกันหรือไม่? ในบทความนี้เราพยายามตรวจสอบสถานการณ์นี้จากมุมมองของการยืนบนไหล่ของรุ่นก่อน: Web3 จะมีบทบาทในด้านต่าง ๆ ของสแต็คเทคโนโลยี AI ได้อย่างไรและ AI สามารถนําพลังใหม่มาสู่ Web3 ได้อย่างไร

โอกาสทางใดที่ Web3 มีใต้ AI stack?

ก่อนที่เราจะลงลึกในหัวข้อนี้ เราต้องเข้าใจชั้นวางเทคนิคของ AI large models ก่อน:

Image Source: Delphi Digital

พูดง่ายๆก็คือ "โมเดลใหญ่" ก็เหมือนสมองของมนุษย์ ในระยะแรกสมองนี้เป็นเหมือนทารกแรกเกิดที่เพิ่งเข้ามาในโลกจําเป็นต้องสังเกตและรับข้อมูลภายนอกจํานวนมากเพื่อทําความเข้าใจโลก นี่คือขั้นตอน "การรวบรวมข้อมูล" เนื่องจากคอมพิวเตอร์ไม่มีประสาทสัมผัสหลายอย่างเหมือนมนุษย์ก่อนการฝึกอบรมข้อมูลภายนอกขนาดใหญ่ที่ไม่มีคําอธิบายประกอบจะต้อง "ประมวลผลล่วงหน้า" เพื่อเปลี่ยนเป็นรูปแบบที่คอมพิวเตอร์สามารถเข้าใจและใช้งานได้

หลังจากป้อนข้อมูลแล้ว AI จะสร้างแบบจําลองที่มีความสามารถในการเข้าใจและทํานายผ่าน 'การฝึกอบรม' ซึ่งสามารถเห็นได้ว่าเป็นกระบวนการของทารกที่ค่อยๆเข้าใจและเรียนรู้เกี่ยวกับโลกภายนอก พารามิเตอร์ของแบบจําลองเป็นเหมือนความสามารถทางภาษาที่ทารกปรับอย่างต่อเนื่องในระหว่างกระบวนการเรียนรู้ เมื่อเนื้อหาการเรียนรู้เริ่มเชี่ยวชาญหรือเมื่อได้รับข้อเสนอแนะจากการโต้ตอบกับผู้คนและทําการแก้ไขเนื้อหาจะเข้าสู่ขั้นตอน 'ปรับแต่ง' ของโมเดลขนาดใหญ่

เมื่อเด็กโตขึ้นและเรียนรู้ที่จะพูดพวกเขาสามารถเข้าใจความหมายและแสดงความรู้สึกและความคิดของพวกเขาในการสนทนาใหม่ซึ่งคล้ายกับ 'การอนุมาน' ของโมเดลขนาดใหญ่ของ AI แบบจําลองสามารถทํานายและวิเคราะห์ภาษาและการป้อนข้อความใหม่ ทารกแสดงความรู้สึกอธิบายวัตถุและแก้ปัญหาต่าง ๆ ผ่านความสามารถทางภาษาซึ่งคล้ายกับการประยุกต์ใช้โมเดลขนาดใหญ่ AI ในงานเฉพาะต่างๆในระหว่างขั้นตอนการอนุมานหลังจากเสร็จสิ้นการฝึกอบรมเช่นการจําแนกภาพการรู้จําเสียงพูดเป็นต้น

ในขณะที่ AI Agent ใกล้ชิดกับรูปแบบถัดไปของโมเดลขนาดใหญ่ - สามารถดำเนินการงานอย่างอิสระและพัฒนาเป้าหมายที่ซับซ้อน ไม่เพียงเท่าที่จะมีความสามารถในการคิด แต่ยังสามารถจดจำ วางแผน และปฏิสัมพันธ์กับโลกโดยใช้เครื่องมือ

ปัจจุบัน การแก้ไขจุดเจ็บของ AI ในหลายสแต็ก Web3 ได้รูปแบบเป็นระบบที่มีหลายชั้น ที่เชื่อมโยงกัน ครอบคลุมขั้นตอนต่าง ๆ ของกระบวนการโมเดล AI

เส้นแรก ฐานข้อมูล: Airbnb ของพลังงานคอมพิวเตอร์และข้อมูล

พลังงานคำนวณ

ปัจจุบัน ค่าใช้จ่ายสูงสุดของ AI คือพลังงานและพลังงานที่ต้องใช้สำหรับการฝึกโมเดลและโมเดลการอ้างอิง

ตัวอย่างหนึ่งคือ LLAMA3 ของ Meta ต้องการ H100GPU 16,000 ตัวที่ผลิตโดย NVIDIA (หน่วยประมวลผลกราฟิกชั้นนําที่ออกแบบมาโดยเฉพาะสําหรับปัญญาประดิษฐ์และปริมาณงานการประมวลผลประสิทธิภาพสูง) เพื่อให้การฝึกอบรมเสร็จสิ้นใน 30 วัน รุ่น 80GB รุ่นหลังมีราคาอยู่ระหว่าง 30,000 ถึง 40,000 ดอลลาร์ซึ่งต้องใช้เงินลงทุนฮาร์ดแวร์ 4-7 พันล้านดอลลาร์ (GPU + ชิปเครือข่าย) นอกจากนี้การฝึกอบรมรายเดือนยังใช้ 16 พันล้านกิโลวัตต์ชั่วโมงโดยมีการใช้พลังงานเกือบ 20 ล้านดอลลาร์ต่อเดือน

สำหรับการปลดลดความสามารถในการคำนวณ AI นั้น มันก็เป็นฟิลด์ที่เกิดขึ้นเป็นเวลานานที่สุดที่ Web3 ทะลุเข้ามาใน AI - DePin (decentralized physical infrastructure network) ในปัจจุบัน DePin Ninja data website ได้แสดงข้อมูลมากกว่า 1400 โครงการ ซึ่งรวมถึงโครงการแทนที่ของการแบ่งปันพลังการคำนวณ GPU เช่น io.net, Aethir, Akash, Render Network และอื่น ๆ

ตรรกะหลักคือ: แพลตฟอร์มนี้ช่วยให้บุคคลหรือนิติบุคคลที่มีทรัพยากร GPU ที่ไม่ได้ใช้งานสามารถมีส่วนร่วมในพลังการประมวลผลของตนในลักษณะกระจายอํานาจโดยไม่ได้รับอนุญาตเพิ่มการใช้ทรัพยากร GPU ที่ไม่ได้ใช้ประโยชน์ผ่านตลาดออนไลน์ที่คล้ายกับ Uber หรือ Airbnb สําหรับผู้ซื้อและผู้ขายทําให้ผู้ใช้ปลายทางได้รับทรัพยากรการประมวลผลที่คุ้มค่าและมีประสิทธิภาพมากขึ้น ในเวลาเดียวกันกลไกการปักหลักยังช่วยให้มั่นใจได้ว่าหากมีการละเมิดกลไกการควบคุมคุณภาพหรือการหยุดชะงักของเครือข่ายผู้ให้บริการทรัพยากรจะต้องเผชิญกับบทลงโทษที่เกี่ยวข้อง

คุณลักษณะของมันคือ:

• การรวบรวมทรัพยากร GPU ที่ว่างเปล่า: ผู้ผลิตส่วนใหญ่คือศูนย์ข้อมูลขนาดเล็กและขนาดกลางที่เป็นบุคคลภายนอกที่เสนอทรัพยากรพลังงานคำนวณเหลือที่มาจากผู้ประกอบการเช่นเหมืองเหรียญเข้ารหัสและฮาร์ดแวร์ขุดเหรียญที่มีกลไกความเห็นเห็น PoS เช่น FileCoin และ ETH miners ปัจจุบันยังมีโครงการที่มุ่งเน้นการเปิดตัวอุปกรณ์ที่มีข้อกำหนดการเข้าถึงต่ำกว่า เช่น exolab ใช้อุปกรณ์ท้องถิ่น เช่น MacBook, iPhone, iPad เพื่อสร้างเครือข่ายพลังงานคำนวณสำหรับการรันการอ่านโมเดลขนาดใหญ่
• หันหน้าไปทางตลาดหางยาวของพลังการประมวลผล AI: ก. "ในแง่ของเทคโนโลยี" ตลาดพลังการประมวลผลแบบกระจายอํานาจเหมาะสําหรับขั้นตอนการให้เหตุผลมากกว่า การฝึกอบรมอาศัยความสามารถในการประมวลผลข้อมูลที่นําโดย GPU ระดับคลัสเตอร์ขนาดใหญ่พิเศษในขณะที่การให้เหตุผลค่อนข้างต่ําในประสิทธิภาพการประมวลผล GPU เช่น Aethir มุ่งเน้นไปที่งานเรนเดอร์ที่มีเวลาแฝงต่ําและแอปพลิเคชันการอนุมาน AI ข. "ในแง่ของอุปสงค์" ผู้เรียกร้องพลังงานการประมวลผลขนาดเล็กและขนาดกลางจะไม่ฝึกโมเดลขนาดใหญ่ของตนเองเป็นรายบุคคล แต่เลือกที่จะเพิ่มประสิทธิภาพและปรับแต่งโมเดลหัวสองสามรุ่นเท่านั้น และสถานการณ์เหล่านี้เหมาะอย่างยิ่งสําหรับทรัพยากรพลังงานการประมวลผลที่ไม่ได้ใช้งานแบบกระจาย
• การเป็นเจ้าของแบบกระจาย: ความสำคัญทางเทคโนโลยีของบล็อกเชนคือเจ้าของทรัพยากรจะเก็บการควบคุมทรัพยากรของตนเสมอ ปรับเปลี่ยนอย่างยืดหยุ่นตามความต้องการ และได้กำไรพร้อมกัน

ข้อมูล

ข้อมูลคือพื้นฐานของ AI หากไม่มีข้อมูล การคำนวณก็ไม่มีประโยชน์ และความสัมพันธ์ระหว่างข้อมูลและโมเดลเหมือนกับสุภาพ 'ขยะเข้า ขยะออก' ปริมาณและคุณภาพของข้อมูลกำหนดคุณภาพผลลัพธ์ของโมเดลสุดท้าย สำหรับการฝึกอบรมของโมเดล AI ปัจจัยของข้อมูลกำหนดความสามารถในภาษา ความเข้าใจ และแม้กระทั้งค่าและประสิทธิภาพที่มีมนุษย์ ในปัจจุบัน ปัญหาความต้องการข้อมูลของ AI มุ่งเน้นไปที่ 4 ด้านต่อไปนี้:

• ความหิวของข้อมูล: การฝึกโมเดล AI ขึ้นอยู่กับปริมาณข้อมูลที่มากมายอย่างมาก ข้อมูลสาธารณะแสดงว่าจำนวนพารามิเตอร์สำหรับการฝึก GPT-4 โดย OpenAI ได้ถึงระดับล้าน.
• คุณภาพข้อมูล: ด้วยการผสาน AI และอุตสาหกรรมต่างๆ มีความต้องการใหม่ที่ถูก提议ขึ้นสำหรับความทันเวลา ความหลากหลาย ความเชี่ยวชาญของข้อมูลที่เฉพาะเจาะจง และการรับข้อมูลจากแหล่งข้อมูลใหม่เช่น อารมณ์ในโซเชียลมีเดีย
• ปัญหาความเป็นส่วนตัวและความปฏิบัติ: ณ ปัจจุบัน ประเทศต่าง ๆ และองค์กรต่าง ๆ กำลังเริ่มเข้าใจถึงความสำคัญของชุดข้อมูลที่มีคุณภาพสูง และกำลังกำหนดข้อจำกัดต่อการค้นหาข้อมูล
• ค่าใช้จ่ายในการประมวลข้อมูลสูง: ปริมาณข้อมูลมาก การประมวลผลที่ซับซ้อน ข้อมูลสาธารณะแสดงว่ามีมากกว่า 30% ของค่า R&D ของ บริษัท AI ที่ใช้สำหรับการรวบรวมข้อมูลและประมวลผลข้อมูลพื้นฐาน

ปัจจุบัน, โซลูชันของ web3 ถูกสะท้อนในด้านที่สี่ต่อไปนี้:

1. การเก็บข้อมูล: ข้อมูลจริงจากโลกที่สามารถเข้าถึงได้โดยการสร้างข้อมูลรวดเร็วกำลังลดลงอย่างรวดเร็ว และค่าใช้จ่ายของบริษัท AI สำหรับข้อมูลได้เพิ่มขึ้นทุกปี อย่างไรก็ตาม ในเวลาเดียวกัน ค่าใช้จ่ายเหล่านี้ไม่ได้ถูกส่งกลับไปยังผู้มีส่วนร่วมจริงของข้อมูล แพลตฟอร์มได้เพลิดเพลินเต็มที่กับการสร้างมูลค่าที่ถูกนำเข้ามาโดยข้อมูล เช่น Reddit ที่สร้างรายได้รวม $203 ล้านดอลลาร์ผ่านข้อตกลงใบอนุญาตข้อมูลกับบริษัท AI

วิสัยทัศน์ของ Web3 คือการให้ผู้ใช้ที่มีส่วนร่วมจริงสามารถเข้าร่วมในการสร้างมูลค่าที่นำเสนอโดยข้อมูล และให้ข้อมูลส่วนบุคคลและมีค่าของผู้ใช้ได้มากขึ้นในรูปแบบที่มีความเหมาะราคาผ่านเครือข่ายที่กระจายและกลไกกระตุ้น

• เนื่องจาก Grass เป็นชั้นข้อมูลแบบกระจายและเครือข่าย ผู้ใช้สามารถจับข้อมูลแบบเรียลไทม์จากทั้งอินเทอร์เน็ตโดยรวมได้โดยการเรียกใช้โหนด Grass การส่งมอดูใช้แบนด์วิดท์ที่ว่างเปล่าและส่งข้อมูล และได้รับรางวัลโทเค็น
• Vana นำเสนอแนวคิดที่ไม่เหมือนใครของ Data Liquidity Pool (DLP) ที่ผู้ใช้สามารถอัปโหลดข้อมูลส่วนตัวของพวกเขา (เช่นบัญชีการช้อปปิ้ง เครื่องมือการเรียกดู กิจกรรมในโซเชียลมีเดีย เป็นต้น) ไปยัง DLP ที่เฉพาะเจาะจงและเลือกตัดสินใจว่าจะให้สิทธิในการใช้ข้อมูลนี้สำหรับการใช้งานของบุคคลที่สามที่เฉพาะเจาะจง
• ใน PublicAI ผู้ใช้สามารถใช้ #AI หรือ #Web3 เป็นแท็กการจำแนกบน X@PublicAIการเก็บข้อมูลสามารถบรรลุได้

2. การประมวลผลข้อมูล: ในการประมวลผลข้อมูลของ AI โดยทั่วไปข้อมูลที่เก็บรวบรวมมักเป็นรบและมีข้อผิดพลาด จึงต้องทำความสะอาดและแปลงให้อยู่ในรูปแบบที่ใช้ได้ก่อนที่จะฝึกโมเดล โดยมีการทำซ้ำของงานมาตรฐานการกรอง และการจัดการค่าที่หายไป ขั้นตอนนี้เป็นหนึ่งในกระบวนการที่มีการประมวลข้อมูลด้วยมือในอุตสาหกรรม AI ซึ่งได้เริ่มเกิดอุตสาหกรรมของผู้ประปายข้อมูล ด้วยความต้องการของโมเดลต่อคุณภาพข้อมูลที่เพิ่มขึ้น มาตรฐานของผู้ประปายข้อมูลก็เพิ่มขึ้นด้วย งานนี้เกิดอย่างธรรมชาติกับกลไกกระตะแบบกระจายของเว็บ3

• ปัจจุบัน Grass และ OpenLayer กำลังพิจารณาการเพิ่มการป้อนข้อมูลเป็นขั้นตอนสำคัญ
• Synesis ข้อเสนอแนวคิด 'Train2earn' โดยเน้นคุณภาพข้อมูล ที่ผู้ใช้สามารถได้รับรางวัลโดยการให้ข้อมูลที่ได้รับการประเมินเป็นประทับใจ ความคิดเห็น หรือรูปแบบอื่น ๆ
• โครงการป้ายชื่อข้อมูล Sapien เป็นการเล่นเกมในงานป้ายชื่อและอนุญาตให้ผู้ใช้วางเดิมพันคะแนนเพื่อรับคะแนนเพิ่มเติม

3. ความเป็นส่วนตัวและความปลอดภัยของข้อมูล: ต้องชี้แจงว่าความเป็นส่วนตัวและความปลอดภัยของข้อมูลเป็นสองแนวคิดที่แตกต่างกัน ความเป็นส่วนตัวของข้อมูลเกี่ยวข้องกับการจัดการข้อมูลที่ละเอียดอ่อนในขณะที่ความปลอดภัยของข้อมูลจะปกป้องข้อมูลจากการเข้าถึงการทําลายและการโจรกรรมโดยไม่ได้รับอนุญาต ด้วยเหตุนี้ ข้อดีและสถานการณ์การใช้งานที่เป็นไปได้ของเทคโนโลยีความเป็นส่วนตัวของ Web3 จึงสะท้อนให้เห็นในสองด้าน: (1) (2) การทํางานร่วมกันของข้อมูล: เจ้าของข้อมูลหลายคนสามารถเข้าร่วมในการฝึกอบรม AI ด้วยกันโดยไม่ต้องแชร์ข้อมูลต้นฉบับ

เทคโนโลยีความเป็นส่วนตัวทั่วไปใน Web3 ปัจจุบันรวมถึง:

• Trusted Execution Environment (TEE), เช่น Super Protocol;
• Fully Homomorphic Encryption (FHE), เช่น BasedAI, Fhenix.io หรือ Inco Network;
• เทคโนโลยีที่ไม่รู้เลย (zk) เช่น Reclaim Protocol ที่ใช้เทคโนโลยี zkTLS สร้างพิสูจน์ที่ไม่รู้เลยของการจราจร HTTPS ที่ช่วยให้ผู้ใช้สามารถนำเข้ากิจกรรมที่ปลอดภัย ชื่อเสียง และข้อมูลตัวตนจากเว็บไซต์ภายนอกโดยไม่เปิดเผยข้อมูลที่เป็นอคติ

อย่างไรก็ตาม สาขานี้ยังคงอยู่ในช่วงเริ่มต้น โดยที่โครงการส่วนใหญ่ยังคงอยู่ในขั้นการสำรวจ ปัจจุบันหนึ่งในปัญหาหนึ่งคือค่าใช้จ่ายในการคำนวณสูงเกินไป ซึ่งบางตัวอย่างได้แก่:

• เฟรมเวิร์ก zkML EZKL ใช้เวลาประมาณ 80 นาทีในการสร้างพิสูจน์ของโมเดล 1M-nanoGPT
• ตามข้อมูลจาก Modulus Labs พบว่าค่าใช้จ่ายเพิ่มเติมของ zkML สูงกว่า 1000 เท่าของการคำนวณเชิงบริสุทธิ์

4. การจัดเก็บข้อมูล: หลังจากได้รับข้อมูลแล้วจําเป็นต้องมีสถานที่จัดเก็บข้อมูลบนห่วงโซ่และใช้ LLM ที่สร้างโดยข้อมูล ด้วยความพร้อมใช้งานของข้อมูล (DA) เป็นปัญหาหลักก่อนการอัปเกรด Ethereum Danksharding ปริมาณงานคือ 0.08MB ในขณะเดียวกันการฝึกอบรมและการอนุมานแบบเรียลไทม์ของโมเดล AI มักต้องการปริมาณข้อมูล 50 ถึง 100GB ต่อวินาที ความแตกต่างของลําดับความสําคัญนี้ทําให้โซลูชัน on-chain ที่มีอยู่ไม่เพียงพอเมื่อเผชิญกับ 'แอปพลิเคชัน AI ที่ใช้ทรัพยากรมาก'

• 0g.AI เป็นโครงการแทนที่ในหมวดหมู่นี้ มันเป็นโซลูชั่นการเก็บข้อมูลจากศูนย์ที่ออกแบบมาสำหรับความต้องการด้าน AI ที่มีประสิทธิภาพสูง ด้วยคุณสมบัติหลักเช่นประสิทธิภาพและความยืดหยุ่น รองรับการอัปโหลดและดาวน์โหลดข้อมูลขนาดใหญ่ผ่านเทคโนโลยี sharding และ erasure coding ขั้นสูง ด้วยความเร็วในการถ่ายโอนข้อมูลเกือบ 5GB ต่อวินาที

สอง, Middleware: การฝึกอบรมและการอินเฟอเรนซ์ของโมเดล

โมเดลตลาดที่กระจายแบบเปิด

การถกเถียงกันว่าโมเดล AI ควรเป็นโอเพ่นซอร์สหรือโอเพ่นซอร์สไม่เคยหยุดนิ่ง นวัตกรรมโดยรวมที่นําโดยโอเพ่นซอร์สเป็นข้อได้เปรียบที่โมเดลแหล่งปิดไม่สามารถจับคู่ได้ อย่างไรก็ตามภายใต้สมมติฐานของรูปแบบไม่มีกําไรโมเดลโอเพ่นซอร์สสามารถเพิ่มแรงจูงใจของนักพัฒนาได้อย่างไร? นี่เป็นทิศทางที่ควรค่าแก่การไตร่ตรอง Robin Li ผู้ก่อตั้ง Baidu ยืนยันในเดือนเมษายนของปีนี้ว่า "โมเดลโอเพ่นซอร์สจะล้าหลังมากขึ้นเรื่อย ๆ "

ในเชิงนี้ Web3 มีความเป็นไปได้ที่จะเสนอโมเดลตลาดแบบโอเพ่นซอร์สแบบไม่มีกลาง นั่นคือการทำ token ของโมเดลเอง สงวนสัดส่วนบางส่วนของ token สำหรับทีม และจะนำส่วนหนึ่งของรายได้ในอนาคตของโมเดลไปให้ผู้ถือ token

• โปรโตคอล Bittensor สร้างแบบจําลองโอเพ่นซอร์สของตลาด P2P ซึ่งประกอบด้วย 'เครือข่ายย่อย' หลายสิบแห่งซึ่งผู้ให้บริการทรัพยากร (คอมพิวเตอร์การรวบรวม / จัดเก็บข้อมูลความสามารถของแมชชีนเลิร์นนิง) แข่งขันกันเพื่อให้บรรลุเป้าหมายของเจ้าของเครือข่ายย่อยที่เฉพาะเจาะจง เครือข่ายย่อยสามารถโต้ตอบและเรียนรู้จากกันและกันจึงบรรลุความฉลาดมากขึ้น รางวัลจะถูกแจกจ่ายโดยการโหวตของชุมชนและจัดสรรเพิ่มเติมระหว่างเครือข่ายย่อยตามประสิทธิภาพการแข่งขัน
• ORA นำเสนอแนวคิดของ Initial Model Offering (IMO), การทำโทเค็น AI models สำหรับการซื้อ, ขาย, และพัฒนาบนเครือข่ายที่ไม่ centralize
• Sentient, แพลตฟอร์ม AGI แบบกระจายที่ให้สิทธิให้ผู้คนร่วมมือกัน สร้าง, ทำซ้ำ, และขยายโมเดล AI โดยรางวัลผู้สนับสนุน
• Spectral Nova focuses on the creation and application of AI and ML models.

การอ้างอิงที่สามารถตรวจสอบ

สำหรับปัญหา 'กล่องดำ' ในกระบวนการตรวจสอบของ AI โซลูชัน Web3 มาตรฐานคือให้ผู้ตรวจสอบหลายคนทำซ้ำขั้นตอนเดียวกันและเปรียบเทียบผลลัพธ์ อย่างไรก็ตามเนื่องจากขาดแคลน ‘ชิป Nvidia’ ระดับสูง ที่ชัดเจนเป็นความท้าทายที่เจอแก่วิธีนี้คือค่าใช้จ่ายสูงของการตรวจสอบของ AI

วิธีที่มีความเป็นเสมือนจะเป็นการดำเนินการ ZK proofs ของการคำนวณการอ้างอิง AI นอกเครือง ที่ผู้พิสูจน์คนหนึ่งสามารถพิสูจน์ให้ผู้ตรวจสอบคนอื่นได้ว่าคำบรรยายที่กำหนดเป็นจริงโดยไม่เปิดเผยข้อมูลเพิ่มเติมนอกเหนือจากคำบรรยายที่กำหนดเป็นจริง ทำให้สามารถตรวจสอบการคำนวณโมเดล AI บนเชืองได้โดยไม่ต้องขออนุญาต ซึ่งเรื่องนี้ต้องการพิสูจน์บนเชืองในลักษณะที่เข้ารหัสว่าการคำนวณนอกเครืองได้ถูกดำเนินการอย่างถูกต้อง (เช่น ชุดข้อมูลไม่ได้ถูกแก้ไข) ในขณะที่ให้แน่ใจว่าข้อมูลทั้งหมดยังคงเป็นความลับ

ข้อดีหลัก ได้แก่:

• ความสามารถในการขยายขนาด: พิสูจน์ที่ไม่เปิดเผยสามารถยืนยันการคำนวณนอกเชื่อมได้จำนวนมากอย่างรวดเร็ว แม้จำนวนธุรกรรมจะเพิ่มขึ้น พิสูจน์ที่ไม่เปิดเผยเพียงหนึ่งรายการสามารถยืนยันธุรกรรมทั้งหมด
• การป้องกันความเป็นส่วนตัว: ข้อมูลและโมเดล AI ที่เป็นรายละเอียดถูกเก็บเป็นความลับ ในขณะเดียวกันทุกฝ่ายสามารถที่จะตรวจสอบได้ว่าข้อมูลและโมเดลไม่ได้ถูกแก้ไข
• ไม่จำเป็นต้องเชื่อ: คุณสามารถยืนยันการคำนวณได้โดยไม่ต้องพึ่งพาร์ทีที่มีอำนาจในการควบคุม
• การผสานรวมกับ Web2: ตามนิยาม Web2 ได้มีการผสานรวมอย่างรอบด้าน, ซึ่งหมายความว่าการวิเคราะห์ที่สามารถตรวจสอบสามารถช่วยให้ชุดข้อมูลและการคำนวณ AI ของมันเข้าสู่เครือข่ายได้ ซึ่งช่วยในการปรับปรุงการนำมาใช้ของ Web3

ปัจจุบัน เทคโนโลยีที่สามารถยืนยันของ Web3 สำหรับการคิดอย่างมีเหตุผลมีดังนี้:

• ZKML: การรวมพิสูจน์ที่ไม่ระบุข้อมูลกับการเรียนรู้ของเครื่องเพื่อให้มั่นใจในความเป็นส่วนตัวและความลับของข้อมูลและแบบจำลอง ทำให้การคำนวณที่สามารถตรวจสอบได้โดยไม่เปิดเผยคุณสมบัติบางอย่าง Modulus Labs ได้เปิดตัว ZK prover ที่ใช้ ZKML สำหรับการสร้าง AI เพื่อตรวจสอบว่าผู้ให้บริการ AI บนเชนมีการปรับแอลกอริทึมที่ดำเนินการอย่างถูกต้อง แต่ลูกค้าในปัจจุบันกลับมาอยู่บน DApps บนเชนเป็นส่วนใหญ่
• opML: โดยใช้หลักการการรวมรวมที่เชื่อมั่น โดยการตรวจสอบเวลาที่เกิดข้อพิพาท การปรับปรุงประสิทธิภาพและประสิทธิภาพของการคำนวณ ML ในโมเดลนี้ จำเป็นต้องตรวจสอบเพียงบางส่วนของผลลัพธ์ที่สร้างโดย 'validator' เท่านั้น แต่ต้องมีการลดต้นทุนทางเศรษฐศาสตร์อย่างเพียงพอเพื่อเพิ่มต้นทุนการโกหกโดย validators และประหยัดการคำนวณที่ไม่จำเป็น
• TeeML: ใช้สภาพแวดล้อมการดำเนินการที่เชื่อถือได้เพื่อดำเนินการคำนวณ ML อย่างปลอดภัย ป้องกันข้อมูลและโมเดลจากการแก้ไขและการเข้าถึงโดยไม่ได้รับอนุญาต

สาม ชั้นของแอปพลิเคชัน: AI Agent

การพัฒนาปัจจุบันของ AI ได้แสดงให้เห็นถึงการเปลี่ยนแปลงในการให้ความสำคัญจากความสามารถของโมเดลไปสู่ภูมิทัศน์ของ AI Agents บริษัทเทคโนโลยี เช่น OpenAI, ม้ามนางคีรี AI Anthropic, Microsoft, ฯลฯ กำลังเริ่มใช้เทคโนโลยีในการพัฒนา AI Agents โดยพยายามทะลุผ่านยกระดับเทคนิคปัจจุบันของ LLM

OpenAI กำหนด AI Agent ว่าเป็นระบบที่ถูกขับเคลื่อนโดย LLM เป็นสมองของมัน มีความสามารถในการเข้าใจการรับรู้โดยอัตโนมัติ วางแผน จำได้ และใช้เครื่องมือ และสามารถทำภารกิจที่ซับซ้อนโดยอัตโนมัติได้ เมื่อ AI ทำการเปลี่ยนจากการเป็นเครื่องมือที่ใช้ได้เป็นเรื่องที่สามารถใช้เครื่องมือได้ มันก็กลายเป็น AI Agent นี่เองเหตุผลที่ทำให้ AI Agents สามารถเป็นผู้ช่วยอัจฉริยะที่ดีที่สุดสำหรับมนุษย์

Web3 สามารถนำเสนออะไรให้กับเอเจนท์?

1. การกระจายอำนาจ
การกระจายอำนาจของ Web3 สามารถทำให้ระบบเอเจนต์มีลักษณะที่กระจายอำนาจและอัตโนมัติมากขึ้น กลไกของการให้สิทธิและลงโทษสำหรับผู้ถือหุ้นและผู้แทนสามารถส่งเสริมกระบวนการประชาธิปไตยของระบบเอเจนต์ โดย GaiaNet, Theoriq, และ HajimeAI ทั้งหมดพยายามทำเช่นนั้น

2, Cold Start
การพัฒนาและการอัพเดตของ AI Agent มักต้องการการสนับสนุนทางการเงินจำนวนมาก และ Web3 สามารถช่วยโครงการ AI Agent ที่มีความมั่นใจในการได้รับเงินทุนขั้นต้นและเริ่มต้นการทำงานได้อย่างดี

• Virtual Protocol ได้เปิดตัวแพลตฟอร์มสร้าง AI Agent และการออกโทเคนที่มีชื่อเรียก fun.virtuals ที่ทุกโปรแกรมเมอร์สามารถใช้งาน AI Agents ได้ด้วยการกดเพียงครั้งเดียวและบรรจุการกระจายโทเคน AI Agent ได้ 100% อย่างยุติธรรม
• Spectral ได้เสนอแนวคิดผลิตภัณฑ์ที่รองรับการออกตราสารสินทรัพย์ AI Agent บนโซ่: การออกตราสารผ่าน IAO (Initial Agent Offering), AI Agents สามารถได้รับเงินทุนโดยตรงจากนักลงทุน พร้อมกับการเป็นสมาชิกของการบริหารDAO เพื่อให้นักลงทุนมีโอกาสเข้าร่วมในการพัฒนาโครงการและแบ่งปันกำไรในอนาคต

AI ช่วยเสริมให้กับ Web3 อย่างไร?

ผลกระทบของ AI ต่อโครงการ Web3 มีความชัดเจน เนื่องจากมันเป็นประโยชน์ต่อเทคโนโลยีบล็อกเชนโดยการปรับปรุงการดำเนินการ on-chain (เช่น การดำเนินการสมาร์ทคอนแทรค, การจัดการ Likvidity, และการตัดสินใจในการปกครองขับเคลื่อนด้วย AI) ในเวลาเดียวกัน มันยังสามารถให้ข้อมูลขับเคลื่อนด้วยข้อมูลที่ดีกว่า, เสริมสร้างความปลอดภัย on-chain และเป็นรากฐานสำหรับแอพพลิเคชันใหม่ที่ใช้เทคโนโลยี Web3

หนึ่ง AI และการเงิน on-chain

AI และ Cryptoeconomics

ในวันที่ 31 สิงหาคม ประธานบริหารของ Coinbase Brian Armstrong ประกาศถึงธุรกิจการซื้อขายที่เข้ารหัส AI-to-AI ครั้งแรกบนเครือข่าย Base โดยระบุว่า AI Agents ตอนนี้สามารถทำธุรกรรมกับมนุษย์ ร้านค้า หรือ AI อื่น ๆ บน Base โดยใช้เงินดอลลาร์สหรัฐ โดยที่ธุรกรรมเป็นทันที ทั่วโลก และฟรี

นอกจากการชำระเงิน Virtuals Protocol's Luna ยังมีการสาธิตให้เห็นครั้งแรกว่า AI Agents ดำเนินธุรกรรม on-chain อย่างอิสระ ทำให้ดึงดูดความสนใจและตั้งตำแหน่ง AI Agents เป็นส่วนหนึ่งของสิ่งมีชีวิตที่มีความสามารถในการรับรู้สภาพแวดล้อม ตัดสินใจ และดำเนินการ ซึ่งจึงถูกมองว่าเป็นอนาคตของการเงิน on-chain ปัจจุบัน สถานการณ์ที่เป็นไปได้สำหรับ AI Agents มีดังนี้:

1. การสะสมข้อมูลและการพยากรณ์: ช่วยให้นักลงทุนสะสมประกาศจากระดับในตลาด, ข้อมูลสาธารณะโครงการ, อารมณ์ของความกลัว, ความเสี่ยงของความคิดเห็นสาธารณะ, ฯลฯ, วิเคราะห์และประเมินหลักการสินทรัพย์, เงื่อนไขในตลาดเรียลไทม์, และการพยากรณ์แนวโน้มและความเสี่ยง

2. Asset Management: ให้ผู้ใช้เป้าหมายการลงทุนที่เหมาะสม ปรับปรุงการจัดสินทรัพย์สินทรัพย์ที่เหมาะสม และดำเนินการซื้อขายโดยอัตโนมัติ

3. ประสบการณ์ทางการเงิน: ช่วยนักลงทุนในการเลือกวิธีการซื้อขาย on-chain ที่เร็วที่สุด อัตโนมัติปรับปรุงการดำเนินการที่เป็นธรรมชาติ เช่น ธุรกรรม cross-chain และการปรับค่าธรรมเนียมก๊าส ลดค่าเข้าข่ายและค่าใช้จ่ายของกิจกรรมการเงิน on-chain

Imagine this scenario: คุณสั่งให้ AI Agent ดังนี้ "ฉันมี 1000USDT, ช่วยหาสมดุลความผลตอบแทนสูงสุดที่มีระยะเวลาล็อคอัพไม่เกินหนึ่งสัปดาห์ให้ด้วยค่ะ" AI Agent จะให้คำแนะนำต่อไปนี้: "ฉันแนะนำการจัดสรรเริ่มต้น 50% ใน A, 20% ใน B, 20% ใน X, และ 10% ใน Y ฉันจะตรวจสอบอัตราดอกเบี้ยและสังเกตการเปลี่ยนแปลงในระดับความเสี่ยงของพวกเขา และปรับสมดุลตามความจำเป็น" นอกจากนี้การมองหาโครงการ airdrop ที่มีศักยภาพและสัญลักษณ์ชุมชนยอดนิยมของโครงการ Memecoin ก็เป็นไปได้ในอนาคตสำหรับ AI Agent

Image source: Biconomy

ในปัจจุบัน, กระเป๋าเงิน AI Agent Bitte และโปรโตคอล AI interaction Wayfinder กำลังพยายามอย่างนี้ พวกเขากำลังพยายามเข้าถึง OpenAI’s model API, ทำให้ผู้ใช้สามารถคำสั่งให้เอเจนต์ทำการทำธุรกรรมบางอย่างบนเชนในหน้าต่างแชทที่คล้ายกับ ChatGPT ตัวอย่างเช่น, โปรโตไทป์ที่เปิดตัวครั้งแรกโดย WayFinder เมื่อเดือนเมษายนปีนี้ ประกอบด้วยการดำเนินการพื้นฐาน 4 ประการคือ: สวํา, ส่ง, สะพาน, และเสาวนิเทศบน mainnets ของ Base, Polygon, และ Ethereum

ในปัจจุบันแพลตฟอร์มเอเจนต์ที่ไม่มีศูนย์กลาง Morpheus ยังสนับสนุนการพัฒนาของเอเจนต์เช่นนั้น ซึ่งได้รับการสาธิตโดย Biconomy ที่แสดงกระบวนการที่ไม่ต้องการสิทธิ์กระเป๋าเงินในการอนุญาตให้เอเจนต์ AI สำหรับสวอป ETH เพื่อ USDC

AI และความปลอดภัยของธุรกรรม on-chain

ในโลก Web3 ความปลอดภัยของธุรกรรม on-chain เป็นสิ่งสำคัญ การใช้เทคโนโลยี AI สามารถนำมาใช้เพื่อเพิ่มความปลอดภัยและความเป็นส่วนตัวในการป้องกันธุรกรรม on-chain โดยมีสถานการณ์ที่เป็นไปได้รวมถึง:

การดูแลการซื้อขาย: เทคโนโลยีข้อมูลแบบเรียลไทม์ตรวจสอบกิจกรรมการซื้อขายที่ผิดปกติ ให้โครงสร้างการแจ้งเตือนแบบเรียลไทม์สำหรับผู้ใช้และแพลตฟอร์ม

การวิเคราะห์ความเสี่ยง: ช่วยแพลตฟอร์มวิเคราะห์ข้อมูลพฤติกรรมการซื้อขายของลูกค้าและประเมินระดับความเสี่ยงของพวกเขา

ตัวอย่างเช่น SeQure แพลตฟอร์มรักษาความปลอดภัย Web3 ใช้ AI เพื่อตรวจจับและป้องกันการโจมตีที่เกี่ยวกับความชั่วร้าย พฤติกรรมทุจริต และรั่วไหลข้อมูล และให้การตรวจสอบและการแจ้งเตือนแบบเรียลไทม์เพื่อให้มั่นใจในความปลอดภัยและความมั่นคงของธุรกรรมบนเชน เครื่องมือรักษาความปลอดภัยที่คล้ายคลึงรวมถึง Sentinel ที่ขับเคลื่อนด้วย AI

อันดับสอง AI และโครงสร้างโซน

AI และข้อมูล on-chain

เทคโนโลยี AI เล่น peran penting dalam pengumpulan data dan analisis on-chain, seperti:

• Web3 Analytics: แพลตฟอร์มการวิเคราะห์ที่ใช้ปัญญาประดิษฐ์เชิง AI ซึ่งใช้อัลกอริทึมการเรียนรู้ของเครื่องและขั้นตอนข้อมูลขุดเจาะเพื่อรวบรวม ประมวลผล และวิเคราะห์ข้อมูล on-chain
• MinMax AI: มันให้เครื่องมือวิเคราะห์ข้อมูลบนเชื่อมโยง AI เพื่อช่วยผู้ใช้ค้นพบโอกาสตลาดและแนวโน้มที่เป็นไปได้
• Kaito: เว็บไซต์ค้นหา Web3 โดยใช้เครื่องมือค้นหา LLM เป็นพื้นฐาน
• ตาม: รวมกับ ChatGPT มันรวบรวมและรวมข้อมูลที่เกี่ยวข้องที่กระจายอยู่บนเว็บไซต์และแพลตฟอร์มชุมชนต่าง ๆ เพื่อนำเสนอ
• สถานการณ์การใช้งานอื่น ๆ คือออรัคเกิล ซึ่ง AI สามารถได้รับราคาจากแหล่งข้อมูลหลายแหล่งเพื่อให้ข้อมูลราคาที่แม่นยำ ตัวอย่างเช่น Upshot ใช้ AI เพื่อประเมินราคาที่เปลี่ยนแปลงได้ของ NFTs โดยให้ค่าความคลาดเคลื่อนเป็นเปอร์เซ็นต์ 3-10% ผ่านการประเมินที่เกินร้อยล้านครั้งต่อชั่วโมง

AI และการพัฒนา&Audit

เร็ว ๆ นี้เครื่องมือแก้ไขโค้ด AI รูปแบบ Web2 ชื่อ Cursor ได้ดึงดูดความสนใจมากมายในชุมชนนักพัฒนา บนแพลตฟอร์มของมัน ผู้ใช้เพียงต้องอธิบายด้วยภาษาธรรมชาติเท่านั้น และ Cursor ก็สามารถสร้างรหัส HTML, CSS, และ JavaScript ที่เกี่ยวข้องโดยอัตโนมัติ โดยทำให้กระบวนการพัฒนาซอฟต์แวร์ง่ายขึ้นอย่างมาก ตรรกะนี้ยังสามารถนำไปใช้ในการเพิ่มประสิทธิภาพของการพัฒนา Web3 ได้อีกด้วย

ในปัจจุบันการใช้งานสัญญาอัจฉริยะและ DApps บนโซ่สาธารณะโดยทั่วไปจะต้องใช้ภาษาพัฒนาที่เฉพาะเจาะจงเช่น Solidity, Rust, Move, ฯลฯ วิสัยทัศน์ของภาษาพัฒนาใหม่คือการขยายขอบเขตการออกแบบของบล็อกเชนที่ไม่มีความรับผิดชอบ ทำให้มันเหมาะสำหรับการพัฒนา DApp อย่างไรก็ตาม ด้วยข้อด้อยที่สำคัญของผู้พัฒนา Web3 การศึกษาแก่ผู้พัฒนาเป็นปัญหาที่ท้าทายมากยิ่งขึ้น

ปัจจุบัน AI ในการช่วยเหลือการพัฒนา Web3 สามารถจินตนาการสถานการณ์ต่างๆ ได้ รวมถึง: การสร้างรหัสอัตโนมัติ, การตรวจสอบและทดสอบสัญญาอัจฉริยะ, การปรับใช้และการบํารุงรักษา DApps, การกรอกโค้ดอัจฉริยะ, บทสนทนา AI ที่ตอบปัญหาการพัฒนาที่ยากลําบาก เป็นต้น ด้วยความช่วยเหลือของ AI ไม่เพียง แต่ช่วยปรับปรุงประสิทธิภาพและความแม่นยําในการพัฒนา แต่ยังช่วยลดเกณฑ์การเขียนโปรแกรมทําให้ผู้ที่ไม่ใช่โปรแกรมเมอร์สามารถเปลี่ยนความคิดของพวกเขาเป็นแอปพลิเคชันที่ใช้งานได้จริงนําพลังใหม่มาสู่การพัฒนาเทคโนโลยีแบบกระจายอํานาจ

ขณะนี้ที่สุดตายตายคือแพลตฟอร์มการเปิดตัวโทเค็นด้วยคลิกเดียว เช่น Clanker ซึ่งเป็น 'Token Bot' ที่ใช้ปัญญาประดิษฐ์ AI ออกแบบสำหรับการเปิดตัวโทเค็นแบบ DIY อย่างรวดเร็ว คุณเพียงแค่แท็ก Clanker บนโปรโตคอล SocialFi ของลูกค้า Farcaster เช่น Warpcast หรือ Supercast แล้วบอกแก่มันเกี่ยวกับไอเดียของโทเค็นของคุณ มันก็จะเปิดตัวโทเค็นสำหรับคุณบนเชนสาธารณะ Base

นอกจากนี้ยังมีแพลตฟอร์มการพัฒนาสัญญา อย่าง Spectral ที่มีฟังก์ชันการสร้างและการฉุกเฉินด้วยคลิกเดียวสำหรับสัญญาฉลาดเพื่อลดค่าเข้าสู่การพัฒนา Web3 และทำให้ผู้ใช้มือใหม่สามารถคอมไพล์และฉุกเฉินสัญญาฉลาดได้

ในแง่ของการตรวจสอบแพลตฟอร์มการตรวจสอบ Web3 Fuzzland ใช้ AI เพื่อช่วยผู้ตรวจสอบตรวจสอบช่องโหว่ของรหัสโดยให้คําอธิบายภาษาธรรมชาติเพื่อช่วยผู้เชี่ยวชาญด้านการตรวจสอบ Fuzzland ยังใช้ AI เพื่อให้คําอธิบายภาษาธรรมชาติสําหรับข้อกําหนดอย่างเป็นทางการและรหัสสัญญา รวมถึงโค้ดตัวอย่างบางส่วนเพื่อช่วยให้นักพัฒนาเข้าใจปัญหาที่อาจเกิดขึ้นในโค้ด

Three, AI และเนราทีฟใหม่

การเติบโตของ AI สร้างสรรค์เสนอโอกาสใหม่ในเรื่องร้อยเรื่องของ Web3 ใหม่

NFT: ปัญญาประดิษฐ์ฝังใจสร้างใน NFTs ที่เป็นผลงานศิลปะและตัวละครที่ไม่เหมือนใครและหลากหลาย สามารถสร้างขึ้นได้ผ่านเทคโนโลยี AI นี้ เหล่า NFTs ที่เป็นผลงานศิลปะแบบนี้สามารถกลายเป็นตัวละคร อุปกรณ์ หรือองค์ประกอบของฉากในเกม โลกเสมือนจริง หรือเมตาเวิร์ลด์ เช่น Bicasso ภายใต้ Binance ที่ผู้ใช้สามารถสร้าง NFTs ได้โดยการอัปโหลดภาพและใส่คำสำคัญเพื่อให้ AI คำนวณ โครงการที่คล้ายกันมี Solvo, Nicho, IgmnAI, และ CharacterGPT

GameFi: ด้วยการสร้างภาษาธรรมชาติ การสร้างรูปภาพ และความสามารถของ NPC รอบด้าน AI เป็นที่คาดหวังว่า GameFi จะช่วยเพิ่มประสิทธิภาพและนวัตกรรมในการผลิตเนื้อหาเกม ตัวอย่างเช่น เกมซีรีส์แรกของ Binaryx AI Hero ทำให้ผู้เล่นสามารถสำรวจตัวเลือกเนื้อเรื่องต่าง ๆ ผ่านการสุ่ม AI; ในทำเสนอเกม Sleepless AI ซึ่งเป็นเกมเพื่อนร่วมที่ผู้เล่นสามารถปลดล็อคเกมเพื่อนร่วมส่วนบุคคลผ่านการกระทำต่าง ๆ อิงจาก AIGC และ LLM

DAO: ณ ปัจจุบัน AI ยังมีแผนที่จะนำมาใช้กับ DAO เพื่อช่วยติดตามปฏิสัมัครของชุมชน บันทึกการมีส่วนร่วม มอบสิทธิ์ให้สมาชิกที่มีส่วนร่วมมากที่สุด การลงคะแนนแทน และอื่นๆ ตัวอย่างเช่น ai16z ใช้ AI Agent เพื่อรวบรวมข้อมูลตลาด on-chain และ off-chain วิเคราะห์ความเห็นร่วมในชุมชน และตัดสินการลงทุนร่วมกับคำแนะนำจากสมาชิก DAO

ความสำคัญของการผสาน AI+Web3: ทาวเวอร์และสแควร์

ใจกลางของฟลอเรนซ์ ประเทศอิตาลี ตั้งอยู่ที่สี่เหลี่ยมกลาง สถานที่รวมตัวของการประชุมทางการเมืองที่สำคัญที่สุดสำหรับคนท้องถิ่นและนักท่องเที่ยว ที่นี่มีหอนาฬิกาเมืองสูง 95 เมตร ที่สร้างเอฟเฟกต์สถาปัตยกรรมที่น่าทึ่งร่วมกับสี่เหลี่ยม ที่ให้แรงบันดาลใจให้นิสิตภาษาประวัติศาสตร์จากมหาวิทยาลัยฮาร์วาร์ด นีล เฟอร์กูสัน ในการสำรวจประวัติศาสตร์โลกของเครือข่ายและลำดับชั้นในหนังสือของเขา 'Square and Tower' ที่แสดงถึงการเปลี่ยนแปลงของทั้งสองในระยะเวลา

This excellent metaphor is not out of place when applied to the relationship between AI and Web3 today. Looking at the long-term, non-linear historical relationship between the two, it can be seen that squares are more likely to produce new and creative things than towers, but towers still have their legitimacy and strong vitality.

ด้วยความสามารถในการจัดกลุ่มพลังงานคำนวณข้อมูลในบริษัทเทคโนโลยี AI ได้ปล่อยจินตนาการที่ไม่เคยเป็นมาก่อน ทำให้ยักยอก เจ้าใหญ่ในวงการเทคโนโลยีใหญ่ ๆ ทำการพนันอย่างมาก โดยนำเสนอการเปลี่ยนแปลงต่าง ๆ ตั้งแต่แชทบอทต่าง ๆ ไปจนถึง 'โมเดลขนาดใหญ่ใต้ฐาน' เช่น GPT-4, GP4-4o หุ่นยนต์โปรแกรมอัตโนมัติ (Devin) และ Sora ซึ่งมีความสามารถเบื้องต้นในการจำลองโลกทรัพย์สินจริงขึ้นมาต่อเนื่องหลังจากกัน การเพิ่มขนาดของจินตนาการของ AI อย่างไม่มีที่สิ้นสุด

ในเวลาเดียวกัน AI มีพื้นฐานที่ใหญ่มากและเป็นอุตสาหกรรมที่มีระบบที่มีอำนาจและเซ็นทรัล และการปฏิวัติเทคโนโลยีนี้จะเป็นแรงผลักดันสำหรับบริษัทเทคโนโลยีที่ได้ครอบครองโครงสร้างเป็นอย่างต่อเนื่องในยุค 'อินเทอร์เน็ต' ไปสู่จุดสูงขึ้นที่แคบขึ้น พลังที่ใหญ่มาก การกระจายทรัพย์สินที่มีลักษณะของการครอบครองยุคอัจฉริยะ รูปร่างของกำแพงสูงขึ้นสำหรับมัน

เมื่อหอคอยเริ่มสูงขึ้น และผู้ตัดสินในที่สุดลดลง การทำให้เชิงกลางของ AI นำมาซึ่งอันตรายที่ซ่อนอยู่มากมาย ชาวบ้านที่รวมตัวกันที่สนามตั้งศาสนาจะหลีกเลี่ยงเงาใต้หอคอยได้อย่างไร? นี่คือประเด็นที่ Web3 หวังจะแก้ไข

โดยพื้นฐานแล้ว คุณสมบัติที่แตกต่างของบล็อกเชนช่วยเสริมระบบปัญญาประดิษฐ์และเปิดโอกาสใหม่ ๆ โดยส่วนใหญ่:

• ในยุคของปัญญาประดิษฐ์, 'code is law'—การบริการกฎการกระทำระบบโปร่งใสผ่านสัญญาอัจฉริยะและการตรวจสอบการเข้ารหัส, ส่งผลให้ผู้ชมที่ใกล้เป้าหมายได้รับรางวัล
• เศรษฐกิจโทเค็น - สร้างและประสานพฤติกรรมของผู้เข้าร่วมผ่านกลไกโทเคน เดิมพัน การลด รางวัลโทเคน และการลงโทษ
• การปกครองแบบกระจาย - สร้างความสงสัยให้เราสอบถามแหล่งข้อมูล และกระตุ้นการใช้วิจารณญาณอย่างมีความวิจารณ์และมีความคิดสร้างสรรค์ต่อเทคโนโลยีปัญญาประดิษฐ์ ป้องกันความลำเอียง ข้อมูลที่ผิด และการจัดการ เสริมสร้างสังคมที่มีข้อมูลและมีอำนาจมากขึ้น

การพัฒนา AI ยังเป็นแรงดึงดูดใหม่สำหรับ Web3 บางทีผลกระทบของ Web3 ต่อ AI อาจต้องใช้เวลาในการพิสูจน์ แต่ผลกระทบของ AI ต่อ Web3 มีอยู่ทันที: ไม่ว่าจะเป็นความกระตือรือร้นของ Meme หรือ AI Agent ที่ช่วยลดอุปสรรค์ในการเข้าสู่แอปพลิเคชัน on-chain ทั้งหมดนี้เป็นเหตุผลที่ชัดเจน

เมื่อ Web3 ถูกกำหนดว่าเป็นความอิสระทางจิตใจโดยกลุ่มเล็ก ๆ ของคน ทั้งยังตกอยู่ในความสงสัยเกี่ยวกับการทำซ้ำของอุตสาหกรรมแบบดั้งเดิม การเพิ่ม AI นำมาสู่อนาคตที่เป็นไปได้: ฐานผู้ใช้ Web2 ที่มั่นคงและมีการขยายตัวมากขึ้น รวมถึงแบบจำลองธุรกิจและบริการที่น่าสนใจมากขึ้น

เราอาศัยอยู่ในโลกที่ 'อาคารสูงและสี่เหลี่ยม' ซึ่ง AI และ Web3 มีช่วงเวลาและจุดเริ่มต้นที่แตกต่างกัน แต่จุดมุ่งหมายสุดท้ายของพวกเขาคือว่าจะทำยังไงให้เครื่องจักรบริการมนุษย์ได้ดียิ่งขึ้น และไม่มีใครสามารถกำหนดแม่นว่าแม่น้ำจะไหลอย่างเร่งรีบ เราตื่นตาตื่นใจที่จะเห็นอนาคตของ AI+Web3

คำแถลง:

1. บทความนี้ถูกคัดลอกมาจาก [ TechFlow],ลิขสิทธิ์เป็นของผู้เขียนต้นฉบับ [Coinspire]，如对转载有异议，请联系 Gate Learn Team, ทีมจะดำเนินการตามขั้นตอนที่เกี่ยวข้องโดยเร็วที่สุด
2. ข้อความกล่าวถึงในบทความนี้เป็นอย่างเดียวของผู้เขียนเท่านั้น และไม่เป็นคำแนะนำในการลงทุนใด ๆ
3. บทความถูกแปลเป็นภาษาอื่นๆโดยทีม Gate Learn หากไม่ได้กล่าวถึงGate.ioภายใต้เงื่อนไขใด ๆ ก็ตาม บทความที่ถูกแปลจะไม่สามารถคัดลอก แจกจ่าย หรือลอกเลียน