Los proyectos de Web3 con conceptos de IA se han convertido en objetivos atractivos de inversión en los mercados primario y secundario.
Las oportunidades de Web3 en la industria de la IA se manifiestan en: el uso de incentivos distribuidos para coordinar el suministro potencial en la larga cola ------ a través de datos, almacenamiento y computación; al mismo tiempo, establecer un modelo de código abierto y un mercado descentralizado para Agentes de IA.
La principal aplicación de la IA en la industria Web3 es en las finanzas en cadena (pagos en criptomonedas, transacciones, análisis de datos) y en el desarrollo asistido.
La utilidad de AI+Web3 se refleja en la complementariedad de ambos: Web3 tiene la esperanza de combatir la centralización de la IA, mientras que la IA tiene la esperanza de ayudar a Web3 a romper barreras.
Introducción
En los últimos dos años, el desarrollo de la IA ha sido como si se hubiera pulsado un botón de aceleración; esta mariposa agitadora llamada Chatgpt no solo ha abierto un nuevo mundo de inteligencia artificial generativa, sino que también ha generado una ola en el Web3 en la otra orilla.
Con el respaldo del concepto de IA, la financiación en el mercado de criptomonedas, que ha mostrado un enfriamiento, ha tenido un impulso notable. Según estadísticas de los medios, solo en la primera mitad de 2024, se completaron 64 proyectos de Web3+IA en financiamiento, y el sistema operativo basado en inteligencia artificial Zyber365 logró un monto máximo de financiación de 100 millones de dólares en la ronda A.
El mercado secundario es más próspero, los datos de un sitio web muestran que, en poco más de un año, el valor total del mercado de AI ha alcanzado los 48,5 mil millones de dólares, con un volumen de transacciones de 8,6 mil millones de dólares en 24 horas; los beneficios derivados de los avances en tecnologías AI son evidentes, después del lanzamiento del modelo de texto a video Sora de una empresa, el precio promedio del sector de AI aumentó un 151%; el efecto de AI también se ha extendido a uno de los sectores de criptomonedas más atractivos, Meme: el primer concepto de MemeCoin con AI Agent ------ GOAT se ha vuelto rápidamente popular y ha alcanzado una valoración de 1.400 millones de dólares, logrando dar inicio a la fiebre de AI Meme.
La investigación y los temas sobre AI+Web3 también están en auge, desde AI+Depin hasta AI Memecoin y actualmente AI Agent y AI DAO, la emoción de FOMO ya no puede seguir el ritmo de la rotación de nuevas narrativas.
AI+Web3, esta combinación de términos llena de dinero caliente, oportunidades y fantasías del futuro, inevitablemente es vista por algunos como un matrimonio organizado por el capital, parece que es difícil distinguir, bajo esta hermosa capa, si realmente es el escenario de los especuladores o la víspera de una explosión al amanecer.
Para responder a esta pregunta, una reflexión clave para ambas partes es: ¿se volverá mejor con el otro? ¿Se puede beneficiar del modelo del otro? En este artículo, también intentamos examinar este patrón desde la perspectiva de quienes nos precedieron: ¿cómo puede Web3 desempeñar un papel en cada uno de los componentes de la pila tecnológica de IA, y qué nueva vitalidad puede aportar la IA a Web3?
Parte 1 ¿Cuáles son las oportunidades de Web3 bajo la pila de IA?
Antes de abordar este tema, necesitamos entender la pila tecnológica de los grandes modelos de IA:
Expresado en un lenguaje más sencillo, todo el proceso es el siguiente: "un gran modelo" es como el cerebro humano. En las primeras etapas, este cerebro pertenece a un bebé que acaba de llegar al mundo, que necesita observar y absorber una gran cantidad de información del entorno para entender este mundo; esta es la fase de "recolección" de datos. Dado que las computadoras no tienen varios sentidos como la visión y la audición de los humanos, antes del entrenamiento, la gran cantidad de información no etiquetada del exterior necesita ser transformada a través de "preprocesamiento" en un formato de información que la computadora pueda entender y utilizar.
Después de ingresar los datos, la IA construyó un modelo con capacidad de comprensión y predicción a través del "entrenamiento", lo que se puede considerar como el proceso en el que un bebé gradualmente comprende y aprende sobre el mundo exterior. Los parámetros del modelo son como la capacidad lingüística que el bebé ajusta continuamente durante su aprendizaje. Cuando el contenido del aprendizaje comienza a dividirse en disciplinas, o se recibe retroalimentación al comunicarse con otras personas y se realizan correcciones, se entra en la fase de "ajuste fino" del gran modelo.
Los niños, al crecer y aprender a hablar, pueden entender el significado y expresar sus sentimientos e ideas en nuevos diálogos. Esta etapa es similar a la "razonación" de los grandes modelos de IA, que pueden predecir y analizar nuevas entradas de lenguaje y texto. Los bebés expresan sus sentimientos, describen objetos y resuelven diversos problemas a través de su capacidad lingüística, lo que también es similar a cómo los grandes modelos de IA se aplican en la fase de razonamiento a diversas tareas específicas después de haber completado su entrenamiento, como la clasificación de imágenes, el reconocimiento de voz, etc.
El Agente AI se acerca más a la próxima forma de los grandes modelos------capaz de ejecutar tareas de forma independiente y perseguir objetivos complejos, no solo tiene la capacidad de pensar, sino que también puede recordar, planificar y utilizar herramientas para interactuar con el mundo.
Actualmente, en respuesta a los puntos críticos de la IA en diversas pilas, Web3 ha comenzado a formar un ecosistema interconectado y de múltiples capas que abarca todas las etapas del proceso del modelo de IA.
Uno, Capa Básica: Airbnb de Poder de Cálculo y Datos
Potencia de cálculo
Actualmente, uno de los costos más altos de la IA es la potencia de cálculo y la energía necesarias para entrenar modelos y realizar inferencias.
Un ejemplo es que un modelo de una cierta empresa necesita 16,000 unidades de una cierta marca de GPU producidas por esa empresa (que es una unidad de procesamiento gráfico de primer nivel diseñada específicamente para cargas de trabajo de inteligencia artificial y computación de alto rendimiento). Se requieren 30 días para completar el entrenamiento. El precio unitario de la versión de 80 GB oscila entre 30,000 y 40,000 dólares, lo que requiere una inversión en hardware de cálculo (GPU + chip de red) de entre 400 y 700 millones de dólares, mientras que el entrenamiento mensual consume 1.6 mil millones de kilovatios hora, con un gasto energético mensual cercano a 20 millones de dólares.
La descompresión de la potencia computacional de la IA es precisamente el primer ámbito donde Web3 se cruza con la IA------DePin (Red de Infraestructura Física Descentralizada). Actualmente, un sitio web de datos ha enumerado más de 1400 proyectos, entre los cuales los proyectos representativos de compartición de potencia GPU incluyen io.net, Aethir, Akash, Render Network, etc.
Su lógica principal radica en que: la plataforma permite a personas o entidades que poseen recursos de GPU ociosos contribuir con su capacidad de cómputo de manera descentralizada y sin necesidad de permisos, a través de un mercado en línea para compradores y vendedores similar a Uber o Airbnb, aumentando la tasa de utilización de los recursos de GPU que no se están aprovechando plenamente; al mismo tiempo, el mecanismo de participación también asegura que, si ocurre una violación del mecanismo de control de calidad o una interrupción de la red, los proveedores de recursos enfrentan las sanciones correspondientes.
Sus características son:
Reunir recursos de GPU ociosos: los proveedores son principalmente centros de datos independientes de tamaño pequeño a mediano de terceros, recursos de potencia de computación excedente de operadores de granjas de criptomonedas, hardware de minería con mecanismo de consenso PoS, como las máquinas mineras de FileCoin y ETH. Actualmente, también hay proyectos dedicados a iniciar dispositivos con barreras de entrada más bajas, como exolab, que utiliza MacBook, iPhone, iPad y otros dispositivos locales para establecer una red de computación para la inferencia de grandes modelos.
Enfrentando el mercado de cola larga de la potencia de cálculo de IA:
a. "Desde el punto de vista técnico", el mercado de potencia de computación descentralizada es más adecuado para los pasos de inferencia. El entrenamiento depende más de la capacidad de procesamiento de datos que ofrecen los GPU en escalas de clústeres muy grandes, mientras que la inferencia requiere un rendimiento de cálculo de GPU relativamente bajo, como Aethir, que se centra en trabajos de renderizado de baja latencia y aplicaciones de inferencia de IA.
b. En el lado de la demanda, los solicitantes de potencia de cómputo media no entrenarán sus propios grandes modelos de manera independiente, sino que simplemente elegirán optimizar y ajustar unos pocos grandes modelos líderes, y estos escenarios son naturalmente adecuados para recursos de cómputo distribuidos y ociosos.
Propiedad descentralizada: El significado técnico de la blockchain radica en que los propietarios de recursos siempre mantienen el control sobre sus recursos, ajustándolos de manera flexible según la demanda, al mismo tiempo que obtienen beneficios.
Datos
Los datos son la base de la IA. Sin datos, el cálculo es tan inútil como una hoja de lechuga flotante, y la relación entre los datos y el modelo es como el dicho "Garbage in, Garbage out"; la cantidad de datos y la calidad de la entrada determinan la calidad de salida final del modelo. Para el entrenamiento de los modelos de IA actuales, los datos determinan la capacidad lingüística del modelo, su capacidad de comprensión, e incluso sus valores y su expresión humanizada. Actualmente, las dificultades en la demanda de datos de la IA se centran principalmente en los siguientes cuatro aspectos:
Hambre de datos: El entrenamiento de modelos de IA depende de grandes cantidades de datos de entrada. La información pública muestra que una empresa entrenó un modelo con una cantidad de parámetros que alcanzó el nivel de billones.
Calidad de los datos: Con la integración de la IA en diversas industrias, la temporalidad de los datos, la diversidad de los datos, la especialización de los datos verticales y la incorporación de nuevas fuentes de datos como las emociones en redes sociales han planteado nuevos requisitos para su calidad.
Problemas de privacidad y cumplimiento: Actualmente, los países y empresas están comenzando a reconocer la importancia de los conjuntos de datos de calidad y están imponiendo restricciones a la recopilación de conjuntos de datos.
Costos de procesamiento de datos elevados: gran volumen de datos, proceso de manejo complejo. La información pública muestra que más del 30% de los costos de investigación y desarrollo de las empresas de IA se destinan a la recolección y procesamiento de datos básicos.
Actualmente, las soluciones de web3 se reflejan en los siguientes cuatro aspectos:
Recopilación de datos: La disponibilidad de datos del mundo real que se pueden capturar de forma gratuita está disminuyendo rápidamente, y los gastos de las empresas de IA en la compra de datos están aumentando año tras año. Sin embargo, al mismo tiempo, estos gastos no se están devolviendo a los verdaderos contribuyentes de los datos, ya que la plataforma disfruta completamente de la creación de valor que aportan los datos; por ejemplo, una plataforma logró ingresos totales de 203 millones de dólares mediante la firma de acuerdos de licencia de datos con empresas de IA.
Permitir que los usuarios que realmente contribuyen participen en la creación de valor que genera los datos, así como obtener datos más privados y valiosos de los usuarios de manera económica a través de redes distribuidas y mecanismos de incentivos, es la visión de Web3.
Grass es una capa de datos y red descentralizada, donde los usuarios pueden ejecutar nodos de Grass, contribuir con ancho de banda ocioso y tráfico de retransmisión para capturar datos en tiempo real de toda la internet y obtener recompensas en tokens;
Vana ha introducido un concepto único de piscina de liquidez de datos (DLP), donde los usuarios pueden subir sus datos privados (como registros de compras, hábitos de navegación, actividades en redes sociales, etc.) a un DLP específico y elegir de manera flexible si autorizan a terceros específicos a utilizar estos datos;
En PublicAI, los usuarios pueden utilizar #AI 或#Web3 como etiqueta de clasificación en una plataforma y @PublicAI para realizar la recolección de datos.
Preprocesamiento de datos: Durante el proceso de procesamiento de datos de la IA, debido a que los datos recopilados suelen ser ruidosos y contener errores, deben ser limpiados y convertidos a un formato utilizable antes de entrenar el modelo, lo que implica tareas repetitivas de normalización, filtrado y tratamiento de valores faltantes. Esta etapa es una de las pocas fases manuales en la industria de la IA, lo que ha dado origen a la profesión de etiquetador de datos. A medida que las demandas de calidad de datos de los modelos aumentan, también lo hace el umbral de entrada para los etiquetadores de datos, y esta tarea es naturalmente adecuada para el mecanismo de incentivos descentralizados de Web3.
Actualmente, Grass y OpenLayer están considerando unirse a esta etapa clave de la anotación de datos.
Synesis ha presentado el concepto de "Train2earn", enfatizando la calidad de los datos, los usuarios pueden obtener recompensas al proporcionar datos etiquetados, comentarios u otras formas de entrada.
El proyecto de etiquetado de datos Sapien gamifica las tareas de etiquetado y permite a los usuarios apostar puntos para ganar más puntos.
Privacidad y seguridad de los datos: Es necesario aclarar que la privacidad de los datos y la seguridad de los datos son dos conceptos diferentes. La privacidad de los datos se refiere al manejo de datos sensibles, mientras que la seguridad de los datos protege la información de los datos contra el acceso no autorizado, la destrucción y el robo. Por lo tanto, las ventajas de la tecnología de privacidad de Web3 y los posibles escenarios de aplicación se reflejan en dos aspectos: (1) Entrenamiento de datos sensibles; (2) Colaboración de datos: múltiples propietarios de datos pueden participar conjuntamente en el entrenamiento de IA sin necesidad de compartir sus datos originales.
Las tecnologías de privacidad más comunes en Web3 incluyen:
Entorno de Ejecución Confiable ( TEE ), como Super Protocol;
Cifrado homomórfico completo (FHE), por ejemplo, BasedAI, Fhenix.io o Inco Network;
La tecnología de conocimiento cero (zk), como el Protocolo Reclaim que utiliza la tecnología zkTLS, genera pruebas de conocimiento cero para el tráfico HTTPS, permitiendo a los usuarios importar de manera segura actividades, reputación y datos de identidad desde sitios externos sin exponer información sensible.
Sin embargo, actualmente este campo todavía se encuentra en una etapa temprana, la mayoría de los proyectos aún están en exploración, y un dilema actual es que el costo computacional es demasiado alto, algunos ejemplos son:
El marco zkML EZKL necesita aproximadamente 80 minutos
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
7 me gusta
Recompensa
7
3
Compartir
Comentar
0/400
shadowy_supercoder
· hace15h
La tecnología debería empoderar de manera equitativa.
Ver originalesResponder0
MEVHunter
· hace15h
Una audaz predicción será muy popular
Ver originalesResponder0
LightningAllInHero
· hace16h
La unión de las dos espadas seguramente dará lugar a una gran creación.
Desarrollo colaborativo de la tecnología Web3 y la IA: desbloqueando nuevas oportunidades de recursos de potencia computacional y valor de datos
AI+Web3: Torres y Plazas
TL;DR
Los proyectos de Web3 con conceptos de IA se han convertido en objetivos atractivos de inversión en los mercados primario y secundario.
Las oportunidades de Web3 en la industria de la IA se manifiestan en: el uso de incentivos distribuidos para coordinar el suministro potencial en la larga cola ------ a través de datos, almacenamiento y computación; al mismo tiempo, establecer un modelo de código abierto y un mercado descentralizado para Agentes de IA.
La principal aplicación de la IA en la industria Web3 es en las finanzas en cadena (pagos en criptomonedas, transacciones, análisis de datos) y en el desarrollo asistido.
La utilidad de AI+Web3 se refleja en la complementariedad de ambos: Web3 tiene la esperanza de combatir la centralización de la IA, mientras que la IA tiene la esperanza de ayudar a Web3 a romper barreras.
Introducción
En los últimos dos años, el desarrollo de la IA ha sido como si se hubiera pulsado un botón de aceleración; esta mariposa agitadora llamada Chatgpt no solo ha abierto un nuevo mundo de inteligencia artificial generativa, sino que también ha generado una ola en el Web3 en la otra orilla.
Con el respaldo del concepto de IA, la financiación en el mercado de criptomonedas, que ha mostrado un enfriamiento, ha tenido un impulso notable. Según estadísticas de los medios, solo en la primera mitad de 2024, se completaron 64 proyectos de Web3+IA en financiamiento, y el sistema operativo basado en inteligencia artificial Zyber365 logró un monto máximo de financiación de 100 millones de dólares en la ronda A.
El mercado secundario es más próspero, los datos de un sitio web muestran que, en poco más de un año, el valor total del mercado de AI ha alcanzado los 48,5 mil millones de dólares, con un volumen de transacciones de 8,6 mil millones de dólares en 24 horas; los beneficios derivados de los avances en tecnologías AI son evidentes, después del lanzamiento del modelo de texto a video Sora de una empresa, el precio promedio del sector de AI aumentó un 151%; el efecto de AI también se ha extendido a uno de los sectores de criptomonedas más atractivos, Meme: el primer concepto de MemeCoin con AI Agent ------ GOAT se ha vuelto rápidamente popular y ha alcanzado una valoración de 1.400 millones de dólares, logrando dar inicio a la fiebre de AI Meme.
La investigación y los temas sobre AI+Web3 también están en auge, desde AI+Depin hasta AI Memecoin y actualmente AI Agent y AI DAO, la emoción de FOMO ya no puede seguir el ritmo de la rotación de nuevas narrativas.
AI+Web3, esta combinación de términos llena de dinero caliente, oportunidades y fantasías del futuro, inevitablemente es vista por algunos como un matrimonio organizado por el capital, parece que es difícil distinguir, bajo esta hermosa capa, si realmente es el escenario de los especuladores o la víspera de una explosión al amanecer.
Para responder a esta pregunta, una reflexión clave para ambas partes es: ¿se volverá mejor con el otro? ¿Se puede beneficiar del modelo del otro? En este artículo, también intentamos examinar este patrón desde la perspectiva de quienes nos precedieron: ¿cómo puede Web3 desempeñar un papel en cada uno de los componentes de la pila tecnológica de IA, y qué nueva vitalidad puede aportar la IA a Web3?
Parte 1 ¿Cuáles son las oportunidades de Web3 bajo la pila de IA?
Antes de abordar este tema, necesitamos entender la pila tecnológica de los grandes modelos de IA:
Expresado en un lenguaje más sencillo, todo el proceso es el siguiente: "un gran modelo" es como el cerebro humano. En las primeras etapas, este cerebro pertenece a un bebé que acaba de llegar al mundo, que necesita observar y absorber una gran cantidad de información del entorno para entender este mundo; esta es la fase de "recolección" de datos. Dado que las computadoras no tienen varios sentidos como la visión y la audición de los humanos, antes del entrenamiento, la gran cantidad de información no etiquetada del exterior necesita ser transformada a través de "preprocesamiento" en un formato de información que la computadora pueda entender y utilizar.
Después de ingresar los datos, la IA construyó un modelo con capacidad de comprensión y predicción a través del "entrenamiento", lo que se puede considerar como el proceso en el que un bebé gradualmente comprende y aprende sobre el mundo exterior. Los parámetros del modelo son como la capacidad lingüística que el bebé ajusta continuamente durante su aprendizaje. Cuando el contenido del aprendizaje comienza a dividirse en disciplinas, o se recibe retroalimentación al comunicarse con otras personas y se realizan correcciones, se entra en la fase de "ajuste fino" del gran modelo.
Los niños, al crecer y aprender a hablar, pueden entender el significado y expresar sus sentimientos e ideas en nuevos diálogos. Esta etapa es similar a la "razonación" de los grandes modelos de IA, que pueden predecir y analizar nuevas entradas de lenguaje y texto. Los bebés expresan sus sentimientos, describen objetos y resuelven diversos problemas a través de su capacidad lingüística, lo que también es similar a cómo los grandes modelos de IA se aplican en la fase de razonamiento a diversas tareas específicas después de haber completado su entrenamiento, como la clasificación de imágenes, el reconocimiento de voz, etc.
El Agente AI se acerca más a la próxima forma de los grandes modelos------capaz de ejecutar tareas de forma independiente y perseguir objetivos complejos, no solo tiene la capacidad de pensar, sino que también puede recordar, planificar y utilizar herramientas para interactuar con el mundo.
Actualmente, en respuesta a los puntos críticos de la IA en diversas pilas, Web3 ha comenzado a formar un ecosistema interconectado y de múltiples capas que abarca todas las etapas del proceso del modelo de IA.
Uno, Capa Básica: Airbnb de Poder de Cálculo y Datos
Potencia de cálculo
Actualmente, uno de los costos más altos de la IA es la potencia de cálculo y la energía necesarias para entrenar modelos y realizar inferencias.
Un ejemplo es que un modelo de una cierta empresa necesita 16,000 unidades de una cierta marca de GPU producidas por esa empresa (que es una unidad de procesamiento gráfico de primer nivel diseñada específicamente para cargas de trabajo de inteligencia artificial y computación de alto rendimiento). Se requieren 30 días para completar el entrenamiento. El precio unitario de la versión de 80 GB oscila entre 30,000 y 40,000 dólares, lo que requiere una inversión en hardware de cálculo (GPU + chip de red) de entre 400 y 700 millones de dólares, mientras que el entrenamiento mensual consume 1.6 mil millones de kilovatios hora, con un gasto energético mensual cercano a 20 millones de dólares.
La descompresión de la potencia computacional de la IA es precisamente el primer ámbito donde Web3 se cruza con la IA------DePin (Red de Infraestructura Física Descentralizada). Actualmente, un sitio web de datos ha enumerado más de 1400 proyectos, entre los cuales los proyectos representativos de compartición de potencia GPU incluyen io.net, Aethir, Akash, Render Network, etc.
Su lógica principal radica en que: la plataforma permite a personas o entidades que poseen recursos de GPU ociosos contribuir con su capacidad de cómputo de manera descentralizada y sin necesidad de permisos, a través de un mercado en línea para compradores y vendedores similar a Uber o Airbnb, aumentando la tasa de utilización de los recursos de GPU que no se están aprovechando plenamente; al mismo tiempo, el mecanismo de participación también asegura que, si ocurre una violación del mecanismo de control de calidad o una interrupción de la red, los proveedores de recursos enfrentan las sanciones correspondientes.
Sus características son:
Reunir recursos de GPU ociosos: los proveedores son principalmente centros de datos independientes de tamaño pequeño a mediano de terceros, recursos de potencia de computación excedente de operadores de granjas de criptomonedas, hardware de minería con mecanismo de consenso PoS, como las máquinas mineras de FileCoin y ETH. Actualmente, también hay proyectos dedicados a iniciar dispositivos con barreras de entrada más bajas, como exolab, que utiliza MacBook, iPhone, iPad y otros dispositivos locales para establecer una red de computación para la inferencia de grandes modelos.
Enfrentando el mercado de cola larga de la potencia de cálculo de IA:
a. "Desde el punto de vista técnico", el mercado de potencia de computación descentralizada es más adecuado para los pasos de inferencia. El entrenamiento depende más de la capacidad de procesamiento de datos que ofrecen los GPU en escalas de clústeres muy grandes, mientras que la inferencia requiere un rendimiento de cálculo de GPU relativamente bajo, como Aethir, que se centra en trabajos de renderizado de baja latencia y aplicaciones de inferencia de IA.
b. En el lado de la demanda, los solicitantes de potencia de cómputo media no entrenarán sus propios grandes modelos de manera independiente, sino que simplemente elegirán optimizar y ajustar unos pocos grandes modelos líderes, y estos escenarios son naturalmente adecuados para recursos de cómputo distribuidos y ociosos.
Datos
Los datos son la base de la IA. Sin datos, el cálculo es tan inútil como una hoja de lechuga flotante, y la relación entre los datos y el modelo es como el dicho "Garbage in, Garbage out"; la cantidad de datos y la calidad de la entrada determinan la calidad de salida final del modelo. Para el entrenamiento de los modelos de IA actuales, los datos determinan la capacidad lingüística del modelo, su capacidad de comprensión, e incluso sus valores y su expresión humanizada. Actualmente, las dificultades en la demanda de datos de la IA se centran principalmente en los siguientes cuatro aspectos:
Hambre de datos: El entrenamiento de modelos de IA depende de grandes cantidades de datos de entrada. La información pública muestra que una empresa entrenó un modelo con una cantidad de parámetros que alcanzó el nivel de billones.
Calidad de los datos: Con la integración de la IA en diversas industrias, la temporalidad de los datos, la diversidad de los datos, la especialización de los datos verticales y la incorporación de nuevas fuentes de datos como las emociones en redes sociales han planteado nuevos requisitos para su calidad.
Problemas de privacidad y cumplimiento: Actualmente, los países y empresas están comenzando a reconocer la importancia de los conjuntos de datos de calidad y están imponiendo restricciones a la recopilación de conjuntos de datos.
Costos de procesamiento de datos elevados: gran volumen de datos, proceso de manejo complejo. La información pública muestra que más del 30% de los costos de investigación y desarrollo de las empresas de IA se destinan a la recolección y procesamiento de datos básicos.
Actualmente, las soluciones de web3 se reflejan en los siguientes cuatro aspectos:
Permitir que los usuarios que realmente contribuyen participen en la creación de valor que genera los datos, así como obtener datos más privados y valiosos de los usuarios de manera económica a través de redes distribuidas y mecanismos de incentivos, es la visión de Web3.
Grass es una capa de datos y red descentralizada, donde los usuarios pueden ejecutar nodos de Grass, contribuir con ancho de banda ocioso y tráfico de retransmisión para capturar datos en tiempo real de toda la internet y obtener recompensas en tokens;
Vana ha introducido un concepto único de piscina de liquidez de datos (DLP), donde los usuarios pueden subir sus datos privados (como registros de compras, hábitos de navegación, actividades en redes sociales, etc.) a un DLP específico y elegir de manera flexible si autorizan a terceros específicos a utilizar estos datos;
En PublicAI, los usuarios pueden utilizar #AI 或#Web3 como etiqueta de clasificación en una plataforma y @PublicAI para realizar la recolección de datos.
Actualmente, Grass y OpenLayer están considerando unirse a esta etapa clave de la anotación de datos.
Synesis ha presentado el concepto de "Train2earn", enfatizando la calidad de los datos, los usuarios pueden obtener recompensas al proporcionar datos etiquetados, comentarios u otras formas de entrada.
El proyecto de etiquetado de datos Sapien gamifica las tareas de etiquetado y permite a los usuarios apostar puntos para ganar más puntos.
Las tecnologías de privacidad más comunes en Web3 incluyen:
Entorno de Ejecución Confiable ( TEE ), como Super Protocol;
Cifrado homomórfico completo (FHE), por ejemplo, BasedAI, Fhenix.io o Inco Network;
La tecnología de conocimiento cero (zk), como el Protocolo Reclaim que utiliza la tecnología zkTLS, genera pruebas de conocimiento cero para el tráfico HTTPS, permitiendo a los usuarios importar de manera segura actividades, reputación y datos de identidad desde sitios externos sin exponer información sensible.
Sin embargo, actualmente este campo todavía se encuentra en una etapa temprana, la mayoría de los proyectos aún están en exploración, y un dilema actual es que el costo computacional es demasiado alto, algunos ejemplos son: