В свете нынешнего ажиотажа на рынке и обильного финансирования важно признать, что мы находимся в раздутой отрасли, которая может неточно отражать истинное состояние генеративного ИИ. Это естественно чувствовать себя в замешательстве. Однако, если отойти от шумихи и изучить ландшафт Web3-ИИ на основе текущих потребностей, становится очевидным, где Web3 может принести значительную пользу следующему этапу генеративного ИИ. Пройти сквозь эту густую завесу дезинформации может быть непросто.

Искажение реальности Web3-AI

Как люди, глубоко вовлеченные в криптовалюты, мы твердо верим в важность децентрализации в различных аспектах. Однако искусственный интеллект (ИИ) становится все более централизованным, когда дело касается обработки данных и вычислительной мощности. Чтобы обосновать необходимость децентрализации ИИ, мы должны сначала устранить эту естественную тенденцию к централизации.

В сфере искусственного интеллекта (ИИ) растет несоответствие между воспринимаемой ценностью, которую мы получаем от ИИ в Web3, и реальными потребностями индустрии ИИ. Проблема заключается в том, что пропасть между приложениями ИИ в Web2 и Web3 расширяется, а не сужается, в первую очередь по трем основным причинам:

Ограниченный талант в области исследований ИИ

В настоящее время в области Web3 занято скромное количество специалистов по искусственному интеллекту, вероятно, менее десяти. Эта цифра, возможно, не внушает большого доверия тем, кто выступает за Web3 как следующий важный рубеж в области искусственного интеллекта.

Ограниченная инфраструктура

В настоящее время сложно обеспечить бесперебойную работу веб-приложений с серверной частью Web3. Поэтому рассмотрение приложений ИИ в этом контексте кажется в лучшем случае преждевременным. Вычислительные ограничения, налагаемые инфраструктурой Web3, оказываются слишком жесткими для разработки и внедрения генеративных решений искусственного интеллекта в течение длительного периода.

Ограниченные модели, данные и вычислительные ресурсы

Как аналитик, я заметил, что генеративный ИИ зависит от трех основных элементов: моделей, данных и вычислительных ресурсов. Однако ни одна из передовых моделей в настоящее время не может работать в инфраструктурах Web3. Кроме того, в этой области не хватает существенных наборов обучающих данных, которые можно было бы использовать в этой области. Более того, существует значительная разница в качестве между кластерами графических процессоров Web3 и кластерами, необходимыми для предварительного обучения и точной настройки базовых моделей.

Как криптоинвестор и наблюдатель за технологическим ландшафтом, я пришел к выводу о сложной истине: Web3 пытается разработать «экономическую альтернативу» искусственному интеллекту, стремясь воспроизвести возможности искусственного интеллекта Web2, но терпит неудачу. Тем не менее, эта реальность резко контрастирует со значительным ценностным предложением, которое децентрализация привносит в различные аспекты ИИ.

Как исследователь, изучающий сферу децентрализованного искусственного интеллекта (DAI), я хотел бы отвлечься от теоретических дискуссий и углубиться в конкретные тенденции в этой области. Оценивая каждую тенденцию на основе ее рыночного потенциала, мы можем получить более четкое представление о том, куда движется DAI.

В сфере Web3-AI иллюзорный эффект повлиял на первую волну инвестиций и разработок проектов, которые кажутся оторванными от подлинных потребностей индустрии искусственного интеллекта. В то же время в Web3-AI есть растущие отрасли, которые могут похвастаться значительными перспективами.

Некоторые преувеличенные тенденции Web3-AI

Децентрализованная инфраструктура графических процессоров для обучения и тонкой настройки

За последние несколько лет произошло значительное увеличение количества децентрализованных инфраструктур графических процессоров, призванных дать большему количеству людей возможность предварительно обучать и точно настраивать базовые модели. Это движение задумано как ответ на доминирование существующих лабораторий искусственного интеллекта в доступе к мощным графическим процессорам. Однако важно помнить, что для обучения больших базовых моделей требуются массивные кластеры графических процессоров с молниеносными каналами связи между ними. Один цикл предварительного обучения для модели 50B-100B в децентрализованной установке ИИ может занять больше года или даже не удастся выполнить успешно.

ZK-AI Framework

Идея интеграции вычислений с нулевым разглашением (zk) и искусственного интеллекта (ИИ) породила интригующие концепции реализации функций конфиденциальности в базовых моделях. С растущим значением инфраструктуры zk в Web3 некоторые предложения направлены на включение вычислений zk в базовые модели. Однако модели zk-AI сталкиваются с серьезной проблемой с точки зрения доступности, поскольку они могут быть дорогостоящими в вычислительном отношении при применении к большим моделям. Более того, интеграция zk может ограничить интерпретируемость — ключевой аспект генеративного ИИ.

Доказательство вывода

В сфере криптовалют основное внимание уделяется криптографическим проверкам. Иногда эти проверки излишне связаны с элементами, которые в них не нуждаются. В секторе Web3-AI мы сталкиваемся со случаями, когда платформы генерируют криптографические доказательства для конкретных результатов модели. Однако эти ситуации представляют собой скорее трудности рыночного характера, чем технические. По сути, «доказательство вывода» — это потенциальное решение для поиска применимого варианта использования, которое остается в значительной степени неэффективным на современном рынке.

Некоторые потенциальные тенденции Web3-AI

Агенты с кошельками

В сфере генеративного искусственного интеллекта агентные рабочие процессы представляют собой интригующую разработку, имеющую существенные последствия для криптовалют. Агенты здесь относятся к продвинутым системам искусственного интеллекта, которые выходят за рамки простого предоставления ответов на основе входных данных; они также могут активно участвовать в выполнении задач в конкретной среде. Большинство автономных агентов были разработаны для особых случаев использования. Однако быстрое развитие технологий приводит к появлению мультиагентных настроек и совместной работы.

В этой области криптовалюты могут принести значительную прибыль. Рассмотрим ситуацию, когда посреднику приходится привлекать других посредников для завершения работы или обещать стоимость в качестве гарантии качества своих результатов. Оснащение этих посредников финансовой инфраструктурой, основанной на криптовалюте, открывает многочисленные возможности для сотрудничества.

Криптовалютное финансирование для искусственного интеллекта

Как исследователь в области генеративного искусственного интеллекта, я заметил, что в сообществе искусственного интеллекта с открытым исходным кодом наблюдается значительный дефицит финансирования. Большинство лабораторий больше не могут поддерживать крупномасштабные проекты из-за финансовых ограничений. Тем не менее, мир криптовалют предлагает интригующее решение с его эффективными методами формирования капитала с помощью таких механизмов, как airdrop, стимулы и баллы. Эта концепция использования путей финансирования криптовалюты для генеративного искусственного интеллекта с открытым исходным кодом является многообещающей областью, где эти две тенденции пересекаются.

Модели небольших фундаментов

В прошлом году Microsoft представила концепцию малых языковых моделей (SLM) после запуска своей модели Phi, которая имела менее 2 миллиардов параметров, но превосходила возможности более крупных языковых моделей в информатике и математических задачах. Значение SLM с диапазоном параметров от 1 до 5 миллиардов заключается в их потенциале способствовать реализации децентрализованного ИИ и расширять возможности ИИ на устройствах. Учитывая текущие технологические ограничения, практически невозможно децентрализовать модели с несколькими сотнями миллиардов параметров. Однако SLM хорошо подходят для работы в различных инфраструктурах Web3, открывая путь к существенному увеличению стоимости с помощью Web3 и искусственного интеллекта.

Создание синтетических данных

Я, как аналитик, осознаю, что нехватка данных представляет собой серьезную проблему для моделей фундаментов последнего поколения. В ответ растет интерес к разработке методов генерации синтетических данных с использованием этих моделей в дополнение к реальным данным. Использование механики криптосетей и стимулирования токенов потенциально может объединить огромное количество участников для создания новых синтетических наборов данных.

Другие актуальные тенденции Web3-AI

В сфере Web3-AI стоит изучить несколько интригующих тенденций, выходящих за рамки результатов, связанных с доказательством человеческой деятельности. Актуальность проверенных человеком результатов возрастает в ответ на проблемы, связанные с контентом, создаваемым искусственным интеллектом. Доверие и прозрачность — важнейшие элементы, которые технологии Web3 могут привнести в сегмент оценки и сравнительного анализа ИИ. Кроме того, методы тонкой настройки, ориентированные на человека, такие как обучение с подкреплением с обратной связью от человека (RLHF), предлагают интригующий сценарий для сетей Web3. Поскольку генеративный ИИ продолжает развиваться и развиваться, обязательно появятся новые приложения Web3-AI.

Значимость расширения возможностей ИИ с помощью более децентрализованного подхода неоспорима. Хотя индустрия Web3, возможно, и не достигла той денежной стоимости, которую производят крупные модели искусственного интеллекта, она обладает огромным потенциалом для сектора генеративного искусственного интеллекта. Однако основным препятствием на пути развития Web3-AI может стать преодоление собственного «поля искажения реальности». Web3-AI имеет огромную ценность; нам просто нужно сконцентрироваться на создании реальных приложений.

Как человек с обширным опытом работы в криптовалютной индустрии и глубоким пониманием связанных с этим сложностей, я хочу пояснить, что точки зрения, выраженные в этой статье, являются моими собственными. Они не отражают точку зрения CoinDesk или каких-либо дочерних организаций.