A primera vista, AI x Web3 parece ser tecnologías independientes, cada una basada en principios fundamentalmente diferentes y sirviendo a funciones diferentes. Sin embargo, una exploración más profunda revelará que estas dos tecnologías tienen la oportunidad de equilibrar sus compromisos, sus ventajas únicas pueden complementarse mutuamente y mejorar juntas. Balaji Srinivasan, en la conferencia SuperAI, brillantemente expuso este concepto de capacidad complementaria, estimulando una comparación detallada de cómo interactúan estas tecnologías.
El TOKEN surge de los esfuerzos de la descentralización de la comunidad de punk anónimo, y evoluciona constantemente a lo largo de diez largos años de colaboración entre entidades independientes de todo el mundo. Por otro lado, la inteligencia artificial se desarrolla de arriba hacia abajo, liderada por unos pocos gigantes tecnológicos. Estas empresas determinan el ritmo y la dinámica de la industria, y la barrera de entrada es más larga determinada por la intensidad de recursos en lugar de la complejidad técnica.
Estas dos tecnologías también tienen una naturaleza completamente diferente. En esencia, TOKEN es un sistema determinista que produce resultados inmutables, como la función hash o la Prueba de conocimiento cero, que contrasta fuertemente con la probabilidad y la imprevisibilidad típicas de la inteligencia artificial.
同样，la tecnología de encriptación muestra un excelente rendimiento en la verificación, asegurando la autenticidad y seguridad de las transacciones, y estableciendo procesos y sistemas sin confianza, mientras que la inteligencia artificial se centra en la generación y creación de contenido digital enriquecido. Sin embargo, en el proceso de creación de contenido digital enriquecido, garantizar la procedencia y prevenir el robo de identidad se convierte en un desafío.
Afortunadamente, el TOKEN proporciona un rico concepto opuesto digital: la escasez digital. Proporciona herramientas relativamente maduras que se pueden aplicar a la tecnología de inteligencia artificial para garantizar la fiabilidad de las fuentes de contenido y evitar problemas de suplantación de identidad.
Una de las ventajas destacadas de TOKEN es su capacidad para atraer una gran cantidad de hardware y capital hacia la red de coordinación para servir a objetivos específicos. Esta capacidad es especialmente beneficiosa para la inteligencia artificial que requiere una gran cantidad de potencia de cálculo. Movilizar recursos subutilizados para proporcionar una capacidad de cálculo más económica puede mejorar significativamente la eficiencia de la inteligencia artificial.
Al comparar estas dos grandes tecnologías, no solo podemos apreciar sus respectivas contribuciones, sino también ver cómo juntas están abriendo un nuevo camino tecnológico y económico. Cada tecnología puede compensar las deficiencias de la otra, creando un futuro más integrado e innovador. En esta entrada de blog, nuestro objetivo es explorar el emergente panorama industrial de AI x Web3, centrándonos en algunos campos verticales emergentes en estos puntos de intersección tecnológica.
Fuente: IOSG Ventures
2.1 Calcular la red
El mapa de la industria primero presenta las redes informáticas, que intentan resolver el problema de suministro limitado de GPU y tratan de Soltar los costos de cálculo de diferentes maneras. Vale la pena seguir de cerca lo siguiente:
Interoperabilidad no uniforme de GPU: Este es un intento muy ambicioso, con altos riesgos técnicos e incertidumbre, pero si tiene éxito, podría crear resultados de gran escala e impacto, haciendo que todos los recursos de computación sean intercambiables. En esencia, la idea es construir compiladores y otros requisitos previos para que se puedan insertar cualquier recurso de hardware en el lado de suministro, mientras que en el lado de la demanda, la falta de uniformidad de todos los hardware se abstrae por completo, de modo que sus solicitudes de cálculo se puedan dirigir a cualquier recurso en la red. Si esta visión tiene éxito, soltará la dependencia actual de los desarrolladores de IA en el software CUDA de NVIDIA. Aunque el riesgo técnico es alto, muchos expertos tienen serias dudas sobre la viabilidad de este enfoque.
Agregación de GPU de alto rendimiento: integrar las GPU más populares del mundo en una red distribuida y sin permisos, sin preocuparse por problemas de interoperabilidad no uniforme entre recursos de GPU.
Agregación de GPU de consumo de productos: se refiere a la agregación de GPU de menor rendimiento pero potencialmente disponibles en dispositivos de consumo. Estas GPU son recursos subutilizados por el lado del suministro. Satisface a aquellos que están dispuestos a sacrificar rendimiento y velocidad para obtener un proceso de entrenamiento más barato y más prolongado.
2.2 Entrenamiento e Inferencia
Las redes de computación se utilizan principalmente para dos funciones principales: entrenamiento e inferencia. La demanda de estas redes proviene de proyectos de Web 2.0 y Web 3.0. En el campo de Web 3.0, proyectos como Bittensor utilizan recursos de computación para el ajuste fino de modelos. En cuanto a la inferencia, los proyectos de Web 3.0 enfatizan la verificabilidad del proceso. Este enfoque ha generado la verificación de la inferencia como un área vertical del mercado, donde los proyectos están explorando cómo integrar la inferencia de IA en contratos inteligentes, manteniendo al mismo tiempo el principio de descentralización.
2.3 Plataforma de agente inteligente
A continuación se encuentra la plataforma de agentes inteligentes, el gráfico general muestra los problemas fundamentales que las empresas emergentes en esta categoría deben resolver:
Interoperabilidad y capacidad de descubrimiento y comunicación de agentes: los agentes pueden descubrirse y comunicarse entre sí.
Capacidad de construcción y gestión de clústeres de proxy: el proxy puede construir clústeres y gestionar otros proxies.
Propiedad y mercado de agentes de inteligencia artificial: Proporcionar propiedad y mercado para agentes de inteligencia artificial.
Estas características destacan la importancia de sistemas flexibles y modulares, que pueden integrarse perfectamente en una variedad de aplicaciones de blockchain e inteligencia artificial. Los agentes de IA tienen el potencial de cambiar por completo la forma en que interactuamos con Internet, creemos que los agentes aprovecharán la infraestructura para respaldar sus operaciones. Visualizamos que los agentes de IA dependen de la infraestructura en los siguientes aspectos:
Utilizar la captura distribuida para acceder a los datos de la red en tiempo real
Utilizar canales DeFi para pagos de intermediarios
La necesidad de un depósito económico no solo es para castigar comportamientos inapropiados, sino también para aumentar la visibilidad del agente (es decir, utilizar el depósito como una señal económica durante el proceso de detección).
Usar Consenso para decidir qué eventos deben llevar a reducciones
Estándares de interoperabilidad abiertos y marcos de intermediación para respaldar la construcción de conjuntos componibles
Evaluar el rendimiento pasado según el historial de datos inmutables y seleccionar en tiempo real el conjunto adecuado de agentes.
Fuente: IOSG Ventures
2.4 Capa de datos
En la fusión de AI x Web3, los datos son una parte fundamental. Los datos son un activo estratégico en la competencia de AI y junto con los recursos informáticos, forman recursos clave. Sin embargo, esta categoría a menudo se pasa por alto porque la mayoría de la atención de la industria se centra en el nivel computacional. De hecho, el lenguaje original ofrece varias direcciones de valor interesantes durante el proceso de adquisición de datos, principalmente en estas dos direcciones de alto nivel:
Acceder a datos públicos de Internet
Acceso a datos protegidos
Acceso a datos de Internet público: Esta área tiene como objetivo construir una red de arañas distribuidas que pueda rastrear toda la Internet en unos pocos días para obtener conjuntos de datos masivos o acceder en tiempo real a datos muy específicos de Internet. Sin embargo, para rastrear grandes conjuntos de datos en Internet, se requiere una alta demanda de red y al menos cientos de Nodos para comenzar a realizar un trabajo significativo. Afortunadamente, Grass, una red de arañas distribuidas Nodo, ya cuenta con más de 2 millones de Nodos compartiendo activamente el ancho de banda de Internet, con el objetivo de rastrear toda la Internet. Esto demuestra el enorme potencial de los incentivos económicos para atraer recursos valiosos.
Aunque Grass proporciona un entorno de competencia justa en términos de datos públicos, todavía existen desafíos para aprovechar los datos potenciales, es decir, el problema de acceso a los conjuntos de datos exclusivos. Específicamente, todavía hay una gran cantidad de datos que se conservan de manera privada debido a su naturaleza confidencial. Muchas startups están utilizando herramientas criptográficas para permitir que los desarrolladores de IA construyan y ajusten modelos de lenguaje a gran escala utilizando la estructura de datos básica de los conjuntos de datos exclusivos, al tiempo que mantienen la información confidencial privada.
El aprendizaje federado, la privacidad diferencial, el entorno de ejecución confiable, la computación totalmente homomórfica y multipartita proporcionan diferentes niveles de protección de la privacidad y equilibrio. El artículo de investigación de Bagel () resume estas excelentes tecnologías. Estas tecnologías no solo protegen la privacidad de los datos en el proceso de aprendizaje automático, sino que también pueden lograr soluciones de IA con protección de la privacidad integral a nivel computacional.
2.5 Origen de datos y modelos
La tecnología de origen de datos y modelos tiene como objetivo establecer un proceso que pueda garantizar a los usuarios que están interactuando con los modelos y datos esperados. Además, estas tecnologías también brindan garantías de autenticidad y origen. Tomemos como ejemplo la tecnología de marca de agua, que es una de las tecnologías de origen de modelos. La marca de agua incrusta una firma directamente en el Algoritmo de aprendizaje automático, más específicamente, se incrusta directamente en los pesos del modelo, de modo que se pueda verificar si el razonamiento recuperado proviene del modelo esperado.
2.6 Aplicación
En términos de aplicaciones, las posibilidades de diseño son infinitas. En el mapa de la industria anterior, hemos enumerado algunos casos de desarrollo especialmente emocionantes en el campo de la Web 3.0 con la aplicación de tecnologías de inteligencia artificial. Como estos casos de uso son en gran medida autoexplicativos, no haremos comentarios adicionales sobre ellos aquí. Sin embargo, es importante tener en cuenta que la intersección de la IA y la Web 3.0 podría remodelar muchos campos y áreas verticales, ya que estos nuevos lenguajes de programación ofrecen a los desarrolladores una mayor libertad para crear casos de uso innovadores y optimizar los casos de uso actuales.
Resumen
La fusión de AI x Web3 ha traído perspectivas llenas de innovación y potencial. Al aprovechar las ventajas únicas de cada tecnología, podemos abordar diversos desafíos y abrir nuevos caminos tecnológicos. Al explorar esta industria emergente, la interacción colaborativa entre AI x Web3 puede impulsar el progreso y remodelar nuestra experiencia digital futura y nuestra forma de interactuar en la red.
La fusión de la escasez y la abundancia de datos, la movilización de recursos insuficientemente utilizados para lograr eficiencia informática, y el establecimiento de prácticas de datos seguras y de protección de la privacidad definirán la próxima era de evolución tecnológica.
Sin embargo, debemos reconocer que esta industria todavía está en sus inicios, y es posible que el panorama actual de la industria se vuelva obsoleto en poco tiempo. El ritmo rápido de innovación significa que las soluciones punteras de hoy podrían ser rápidamente reemplazadas por nuevos avances. A pesar de esto, los conceptos fundamentales discutidos, como las redes informáticas, las plataformas de agentes y el protocolo de datos, destacan las enormes posibilidades de fusión de la inteligencia artificial y la Web 3.0.
El contenido es solo de referencia, no una solicitud u oferta. No se proporciona asesoramiento fiscal, legal ni de inversión. Consulte el Descargo de responsabilidad para obtener más información sobre los riesgos.
IOSG: La escena de la fusión de AI y Web3 explicada gráficamente
A primera vista, AI x Web3 parece ser tecnologías independientes, cada una basada en principios fundamentalmente diferentes y sirviendo a funciones diferentes. Sin embargo, una exploración más profunda revelará que estas dos tecnologías tienen la oportunidad de equilibrar sus compromisos, sus ventajas únicas pueden complementarse mutuamente y mejorar juntas. Balaji Srinivasan, en la conferencia SuperAI, brillantemente expuso este concepto de capacidad complementaria, estimulando una comparación detallada de cómo interactúan estas tecnologías.
El TOKEN surge de los esfuerzos de la descentralización de la comunidad de punk anónimo, y evoluciona constantemente a lo largo de diez largos años de colaboración entre entidades independientes de todo el mundo. Por otro lado, la inteligencia artificial se desarrolla de arriba hacia abajo, liderada por unos pocos gigantes tecnológicos. Estas empresas determinan el ritmo y la dinámica de la industria, y la barrera de entrada es más larga determinada por la intensidad de recursos en lugar de la complejidad técnica.
Estas dos tecnologías también tienen una naturaleza completamente diferente. En esencia, TOKEN es un sistema determinista que produce resultados inmutables, como la función hash o la Prueba de conocimiento cero, que contrasta fuertemente con la probabilidad y la imprevisibilidad típicas de la inteligencia artificial.
同样，la tecnología de encriptación muestra un excelente rendimiento en la verificación, asegurando la autenticidad y seguridad de las transacciones, y estableciendo procesos y sistemas sin confianza, mientras que la inteligencia artificial se centra en la generación y creación de contenido digital enriquecido. Sin embargo, en el proceso de creación de contenido digital enriquecido, garantizar la procedencia y prevenir el robo de identidad se convierte en un desafío.
Afortunadamente, el TOKEN proporciona un rico concepto opuesto digital: la escasez digital. Proporciona herramientas relativamente maduras que se pueden aplicar a la tecnología de inteligencia artificial para garantizar la fiabilidad de las fuentes de contenido y evitar problemas de suplantación de identidad.
Una de las ventajas destacadas de TOKEN es su capacidad para atraer una gran cantidad de hardware y capital hacia la red de coordinación para servir a objetivos específicos. Esta capacidad es especialmente beneficiosa para la inteligencia artificial que requiere una gran cantidad de potencia de cálculo. Movilizar recursos subutilizados para proporcionar una capacidad de cálculo más económica puede mejorar significativamente la eficiencia de la inteligencia artificial.
Al comparar estas dos grandes tecnologías, no solo podemos apreciar sus respectivas contribuciones, sino también ver cómo juntas están abriendo un nuevo camino tecnológico y económico. Cada tecnología puede compensar las deficiencias de la otra, creando un futuro más integrado e innovador. En esta entrada de blog, nuestro objetivo es explorar el emergente panorama industrial de AI x Web3, centrándonos en algunos campos verticales emergentes en estos puntos de intersección tecnológica.
Fuente: IOSG Ventures
2.1 Calcular la red
El mapa de la industria primero presenta las redes informáticas, que intentan resolver el problema de suministro limitado de GPU y tratan de Soltar los costos de cálculo de diferentes maneras. Vale la pena seguir de cerca lo siguiente:
2.2 Entrenamiento e Inferencia
Las redes de computación se utilizan principalmente para dos funciones principales: entrenamiento e inferencia. La demanda de estas redes proviene de proyectos de Web 2.0 y Web 3.0. En el campo de Web 3.0, proyectos como Bittensor utilizan recursos de computación para el ajuste fino de modelos. En cuanto a la inferencia, los proyectos de Web 3.0 enfatizan la verificabilidad del proceso. Este enfoque ha generado la verificación de la inferencia como un área vertical del mercado, donde los proyectos están explorando cómo integrar la inferencia de IA en contratos inteligentes, manteniendo al mismo tiempo el principio de descentralización.
2.3 Plataforma de agente inteligente
A continuación se encuentra la plataforma de agentes inteligentes, el gráfico general muestra los problemas fundamentales que las empresas emergentes en esta categoría deben resolver:
Estas características destacan la importancia de sistemas flexibles y modulares, que pueden integrarse perfectamente en una variedad de aplicaciones de blockchain e inteligencia artificial. Los agentes de IA tienen el potencial de cambiar por completo la forma en que interactuamos con Internet, creemos que los agentes aprovecharán la infraestructura para respaldar sus operaciones. Visualizamos que los agentes de IA dependen de la infraestructura en los siguientes aspectos:
Fuente: IOSG Ventures
2.4 Capa de datos
En la fusión de AI x Web3, los datos son una parte fundamental. Los datos son un activo estratégico en la competencia de AI y junto con los recursos informáticos, forman recursos clave. Sin embargo, esta categoría a menudo se pasa por alto porque la mayoría de la atención de la industria se centra en el nivel computacional. De hecho, el lenguaje original ofrece varias direcciones de valor interesantes durante el proceso de adquisición de datos, principalmente en estas dos direcciones de alto nivel:
Acceso a datos de Internet público: Esta área tiene como objetivo construir una red de arañas distribuidas que pueda rastrear toda la Internet en unos pocos días para obtener conjuntos de datos masivos o acceder en tiempo real a datos muy específicos de Internet. Sin embargo, para rastrear grandes conjuntos de datos en Internet, se requiere una alta demanda de red y al menos cientos de Nodos para comenzar a realizar un trabajo significativo. Afortunadamente, Grass, una red de arañas distribuidas Nodo, ya cuenta con más de 2 millones de Nodos compartiendo activamente el ancho de banda de Internet, con el objetivo de rastrear toda la Internet. Esto demuestra el enorme potencial de los incentivos económicos para atraer recursos valiosos.
Aunque Grass proporciona un entorno de competencia justa en términos de datos públicos, todavía existen desafíos para aprovechar los datos potenciales, es decir, el problema de acceso a los conjuntos de datos exclusivos. Específicamente, todavía hay una gran cantidad de datos que se conservan de manera privada debido a su naturaleza confidencial. Muchas startups están utilizando herramientas criptográficas para permitir que los desarrolladores de IA construyan y ajusten modelos de lenguaje a gran escala utilizando la estructura de datos básica de los conjuntos de datos exclusivos, al tiempo que mantienen la información confidencial privada.
El aprendizaje federado, la privacidad diferencial, el entorno de ejecución confiable, la computación totalmente homomórfica y multipartita proporcionan diferentes niveles de protección de la privacidad y equilibrio. El artículo de investigación de Bagel () resume estas excelentes tecnologías. Estas tecnologías no solo protegen la privacidad de los datos en el proceso de aprendizaje automático, sino que también pueden lograr soluciones de IA con protección de la privacidad integral a nivel computacional.
2.5 Origen de datos y modelos
La tecnología de origen de datos y modelos tiene como objetivo establecer un proceso que pueda garantizar a los usuarios que están interactuando con los modelos y datos esperados. Además, estas tecnologías también brindan garantías de autenticidad y origen. Tomemos como ejemplo la tecnología de marca de agua, que es una de las tecnologías de origen de modelos. La marca de agua incrusta una firma directamente en el Algoritmo de aprendizaje automático, más específicamente, se incrusta directamente en los pesos del modelo, de modo que se pueda verificar si el razonamiento recuperado proviene del modelo esperado.
2.6 Aplicación
En términos de aplicaciones, las posibilidades de diseño son infinitas. En el mapa de la industria anterior, hemos enumerado algunos casos de desarrollo especialmente emocionantes en el campo de la Web 3.0 con la aplicación de tecnologías de inteligencia artificial. Como estos casos de uso son en gran medida autoexplicativos, no haremos comentarios adicionales sobre ellos aquí. Sin embargo, es importante tener en cuenta que la intersección de la IA y la Web 3.0 podría remodelar muchos campos y áreas verticales, ya que estos nuevos lenguajes de programación ofrecen a los desarrolladores una mayor libertad para crear casos de uso innovadores y optimizar los casos de uso actuales.
Resumen
La fusión de AI x Web3 ha traído perspectivas llenas de innovación y potencial. Al aprovechar las ventajas únicas de cada tecnología, podemos abordar diversos desafíos y abrir nuevos caminos tecnológicos. Al explorar esta industria emergente, la interacción colaborativa entre AI x Web3 puede impulsar el progreso y remodelar nuestra experiencia digital futura y nuestra forma de interactuar en la red.
La fusión de la escasez y la abundancia de datos, la movilización de recursos insuficientemente utilizados para lograr eficiencia informática, y el establecimiento de prácticas de datos seguras y de protección de la privacidad definirán la próxima era de evolución tecnológica.
Sin embargo, debemos reconocer que esta industria todavía está en sus inicios, y es posible que el panorama actual de la industria se vuelva obsoleto en poco tiempo. El ritmo rápido de innovación significa que las soluciones punteras de hoy podrían ser rápidamente reemplazadas por nuevos avances. A pesar de esto, los conceptos fundamentales discutidos, como las redes informáticas, las plataformas de agentes y el protocolo de datos, destacan las enormes posibilidades de fusión de la inteligencia artificial y la Web 3.0.