AI+Web3: Menara dan Lapangan

TL;DR

1. Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.

2. Peluang Web3 di industri AI terwujud dalam: menggunakan insentif terdistribusi untuk mengoordinasikan pasokan potensial di ekor panjang------melintasi data, penyimpanan, dan komputasi; sementara itu, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.

3. AI di industri Web3 terutama digunakan untuk keuangan on-chain (pembayaran kripto, perdagangan, analisis data) dan pengembangan bantuan.

4. Kegunaan AI+Web3 terletak pada saling melengkapi keduanya: Web3 diharapkan dapat melawan sentralisasi AI, sementara AI diharapkan dapat membantu Web3 untuk menjangkau lebih luas.

Pendahuluan

Dalam dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepatan, sayap kupu-kupu yang dipicu oleh Chatgpt tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga menggerakkan arus di Web3 di sisi lainnya.

Dengan dukungan konsep AI, ada peningkatan yang jelas dalam pendanaan pasar kripto yang melambat. Media mencatat, hanya dalam enam bulan pertama 2024, ada 64 proyek Web3+AI yang berhasil mendapatkan pendanaan, dan sistem operasi berbasis kecerdasan buatan Zyber365 berhasil mencapai jumlah pendanaan tertinggi sebesar 100 juta dolar dalam putaran A.

Pasar sekunder semakin makmur, data dari sebuah situs agregator kripto menunjukkan bahwa dalam waktu singkat lebih dari satu tahun, total kapitalisasi pasar di sektor AI telah mencapai 48,5 miliar dolar, dengan volume perdagangan 24 jam mendekati 8,6 miliar dolar; kemajuan teknologi AI utama membawa keuntungan yang jelas, setelah peluncuran model OpenAI Sora untuk mengubah teks menjadi video, harga rata-rata di sektor AI naik 151%; efek AI juga menjalar ke salah satu sektor pengumpulan dana cryptocurrency, Meme: konsep MemeCoin AI Agent pertama------GOAT dengan cepat menjadi terkenal dan meraih valuasi 1,4 miliar dolar, berhasil memicu tren Meme AI.

Penelitian dan topik tentang AI+Web3 juga sedang ramai, dari AI+Depin hingga AI Memecoin, dan sekarang AI Agent serta AI DAO, perasaan FOMO jelas tidak bisa mengikuti kecepatan rotasi narasi baru.

AI+Web3, kombinasi istilah yang penuh dengan uang panas, peluang, dan fantasi masa depan ini, tidak dapat dihindari dipandang sebagai sebuah pernikahan yang diatur oleh modal. Kita sepertinya sulit membedakan di balik jubah megah ini, apakah ini adalah arena para spekulan, atau malam sebelum meledaknya fajar?

Untuk menjawab pertanyaan ini, sebuah pemikiran yang kunci bagi kedua belah pihak adalah, apakah keberadaan satu pihak akan membuat yang lain menjadi lebih baik? Apakah ada manfaat yang bisa diambil dari pola pihak lain? Dalam artikel ini, kami juga mencoba untuk melihat pola ini dari sudut pandang para pendahulu: bagaimana Web3 dapat berperan dalam setiap tahap tumpukan teknologi AI, dan apa yang bisa diberikan AI untuk menghidupkan kembali Web3?

Bagian.1 Apa peluang Web3 di bawah tumpukan AI?

Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi model besar AI:

Dengan bahasa yang lebih sederhana untuk menggambarkan seluruh proses: "Model besar" seperti otak manusia, di tahap awal, otak ini milik bayi yang baru lahir, yang perlu mengamati dan menyerap informasi luar yang sangat banyak untuk memahami dunia ini, inilah tahap "pengumpulan" data; karena komputer tidak memiliki penglihatan, pendengaran, dan berbagai indera manusia lainnya, sebelum pelatihan, informasi luar yang tidak terlabel dalam skala besar perlu diubah melalui "pra-pemrosesan" menjadi format informasi yang dapat dipahami dan digunakan oleh komputer.

Setelah memasukkan data, AI melalui "pelatihan" membangun model yang memiliki kemampuan untuk memahami dan memprediksi, yang dapat dianggap sebagai proses di mana bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model seperti kemampuan bahasa bayi yang terus disesuaikan selama proses belajar. Ketika konten yang dipelajari mulai dibagi menjadi disiplin ilmu, atau mendapatkan umpan balik dari interaksi dengan orang lain dan melakukan perbaikan, maka masuk ke tahap "penyesuaian halus" dari model besar.

Setelah anak-anak tumbuh dewasa dan belajar berbicara, mereka dapat memahami arti dalam percakapan baru dan mengekspresikan perasaan serta pikiran mereka. Tahap ini mirip dengan "penalaran" dari model AI besar, di mana model dapat memprediksi dan menganalisis input bahasa dan teks yang baru. Bayi mengekspresikan perasaan, menggambarkan objek, dan menyelesaikan berbagai masalah melalui kemampuan bahasa, yang juga mirip dengan penerapan model AI besar setelah selesai dilatih dan digunakan dalam fase penalaran untuk berbagai tugas tertentu, seperti klasifikasi gambar, pengenalan suara, dan lainnya.

AI Agent semakin mendekati bentuk berikutnya dari model besar------mampu menjalankan tugas secara independen dan mengejar tujuan yang kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan dapat menggunakan alat untuk berinteraksi dengan dunia.

Saat ini, terkait dengan titik-titik nyeri AI di berbagai tumpukan, Web3 saat ini telah membentuk ekosistem multi-lapis yang saling terhubung, mencakup semua tahap proses model AI.

Satu, Lapisan Dasar: Kekuatan Komputasi dan Data Airbnb

Kekuatan komputasi

Saat ini, salah satu biaya tertinggi dari AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan melakukan inferensi.

Salah satu contohnya adalah, LLAMA3 dari Meta memerlukan 16.000 H100GPU yang diproduksi oleh NVIDIA (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi berkinerja tinggi.) untuk menyelesaikan pelatihan dalam 30 hari. Harga satuan versi 80GB berkisar antara 30.000 hingga 40.000 dolar AS, yang memerlukan investasi perangkat keras komputasi antara 400-700 juta dolar AS (GPU + chip jaringan), sementara pelatihan bulanan menghabiskan 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar AS per bulan.

Untuk pelepasan kekuatan AI, ini adalah salah satu bidang pertama di mana Web3 berinteraksi dengan AI------DePin (Jaringan Infrastruktur Fisik Terdesentralisasi) saat ini, sebuah situs data DePin telah menampilkan lebih dari 1400 proyek, di mana proyek berbagi kekuatan GPU yang mewakili termasuk io.net, Aethir, Akash, Render Network, dan lain-lain.

Logika utamanya adalah: platform ini memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk menyumbangkan kemampuan komputasi mereka secara terdesentralisasi tanpa izin, melalui pasar online antara pembeli dan penjual yang mirip dengan Uber atau Airbnb, meningkatkan pemanfaatan sumber daya GPU yang tidak sepenuhnya digunakan, sehingga pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dengan biaya lebih rendah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapatkan hukuman yang sesuai.

Ciri-cirinya adalah:

• Mengumpulkan sumber daya GPU yang tidak terpakai: Pemasok utama adalah pusat data kecil dan menengah independen pihak ketiga, serta operator sumber daya komputasi yang berlebih dari tambang cryptocurrency, dan perangkat keras penambangan dengan mekanisme konsensus PoS, seperti mesin tambang FileCoin dan ETH. Saat ini juga ada proyek yang berusaha untuk memulai perangkat dengan ambang yang lebih rendah, seperti exolab yang memanfaatkan MacBook, iPhone, iPad, dan perangkat lokal lainnya untuk membangun jaringan komputasi untuk inferensi model besar.

• Menghadapi pasar ekor panjang dari kekuatan AI:

a. "Dari sisi teknis, pasar daya komputasi terdesentralisasi lebih cocok untuk langkah-langkah inferensi. Pelatihan lebih bergantung pada kemampuan pemrosesan data yang dibawa oleh GPU skala besar, sementara inferensi memiliki kebutuhan kinerja komputasi GPU yang relatif lebih rendah, seperti Aethir yang fokus pada pekerjaan rendering dengan latensi rendah dan aplikasi inferensi AI.

b. "Dari sisi permintaan" pihak dengan kekuatan komputasi kecil dan menengah tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan menyetel model besar yang sedikit tersebut, dan skenario-skenario ini secara alami cocok untuk sumber daya komputasi terdistribusi yang tidak terpakai.

• Kepemilikan terdesentralisasi: Makna teknis blockchain terletak pada fakta bahwa pemilik sumber daya selalu mempertahankan kontrol atas sumber daya tersebut, dapat menyesuaikan secara fleksibel sesuai kebutuhan, sambil mendapatkan keuntungan.

Data

Data adalah fondasi AI. Tanpa data, perhitungan seperti daun terapung yang tidak ada gunanya, dan hubungan antara data dan model seperti pepatah "Garbage in, Garbage out", jumlah data dan kualitas input menentukan kualitas output model akhir. Untuk pelatihan model AI saat ini, data menentukan kemampuan bahasa model, kemampuan pemahaman, bahkan pandangan nilai dan perilaku kemanusiaan. Saat ini, tantangan kebutuhan data AI terutama terfokus pada empat aspek berikut:

• Ketergantungan Data: Pelatihan model AI bergantung pada input data yang besar. Data publik menunjukkan bahwa OpenAI melatih GPT-4 dengan jumlah parameter mencapai triliunan.

• Kualitas data: Dengan penggabungan AI dengan berbagai industri, ketepatan waktu data, keragaman data, spesialisasi data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga telah menuntut kualitas yang baru.

• Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya kumpulan data berkualitas tinggi, dan sedang membatasi pengambilan kumpulan data.

• Biaya pemrosesan data yang tinggi: Volume data besar, proses pemrosesan yang kompleks. Data publik menunjukkan bahwa lebih dari 30% biaya penelitian dan pengembangan perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.

Saat ini, solusi web3 tercermin dalam empat aspek berikut:

1. Pengumpulan data: Data dunia nyata yang dapat diambil secara gratis semakin cepat habis, pengeluaran perusahaan AI untuk data meningkat dari tahun ke tahun. Namun, di sisi lain, pengeluaran ini tidak kembali kepada kontributor data yang sebenarnya, platform sepenuhnya menikmati penciptaan nilai yang dihasilkan dari data, seperti Reddit yang menghasilkan total pendapatan sebesar 203 juta dolar AS melalui perjanjian lisensi data dengan perusahaan AI.

Visi Web3 adalah memungkinkan pengguna yang benar-benar berkontribusi untuk turut serta dalam penciptaan nilai yang dihasilkan oleh data, serta memperoleh data yang lebih pribadi dan bernilai dengan biaya rendah melalui jaringan terdesentralisasi dan mekanisme insentif.

• Grass adalah lapisan data dan jaringan terdesentralisasi, pengguna dapat menjalankan node Grass, menyumbangkan bandwidth yang tidak terpakai dan lalu lintas relai untuk menangkap data waktu nyata dari seluruh internet, dan mendapatkan hadiah token;

• Vana memperkenalkan konsep kolam likuiditas data yang unik (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan browsing, aktivitas media sosial, dll.) ke DLP tertentu, dan dengan fleksibel memilih apakah akan memberikan izin kepada pihak ketiga tertentu untuk menggunakan data tersebut;

• Di PublicAI, pengguna dapat menggunakan #AI 或#Web3 sebagai label kategori di X dan @PublicAI untuk mengumpulkan data.

2. Pra-pemrosesan Data: Dalam proses pengolahan data AI, karena data yang dikumpulkan biasanya berisik dan mengandung kesalahan, data tersebut harus dibersihkan dan dikonversi ke format yang dapat digunakan sebelum melatih model, melibatkan tugas berulang seperti normalisasi, penyaringan, dan penanganan nilai yang hilang. Tahap ini adalah salah satu dari sedikit langkah manual di industri AI, sehingga telah melahirkan industri pelabelan data. Seiring dengan meningkatnya tuntutan model terhadap kualitas data, ambang batas untuk pelabelan data juga meningkat, dan tugas ini secara alami cocok dengan mekanisme insentif terdesentralisasi Web3.

• Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk bergabung dalam tahap penting penandaan data ini.

• Synesis mengajukan konsep "Train2earn", menekankan kualitas data, pengguna dapat mendapatkan imbalan dengan memberikan data berlabel, komentar, atau bentuk masukan lainnya.

• Proyek pelabelan data Sapien membuat tugas pelabelan menjadi permainan, dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.

3. Privasi dan Keamanan Data: Yang perlu diperjelas adalah bahwa privasi data dan keamanan adalah dua konsep yang berbeda. Privasi data berkaitan dengan pengolahan data sensitif, sementara keamanan data melindungi informasi dari akses, perusakan, dan pencurian yang tidak sah. Dengan demikian, keunggulan teknologi privasi Web3 dan potensi aplikasinya tercermin dalam dua aspek: (1) Pelatihan data sensitif; (2) Kolaborasi data: Beberapa pemilik data dapat berpartisipasi bersama dalam pelatihan AI tanpa harus membagikan data asli mereka.

Teknologi privasi yang umum di Web3 saat ini meliputi:

• Lingkungan Eksekusi Tepercaya(TEE), seperti Protokol Super;

• Enkripsi Homomorfik Lengkap (FHE), seperti BasedAI, Fhenix.io, atau Inco Network;

• Teknologi zero-knowledge (zk), seperti Reclaim Protocol yang menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor data aktivitas, reputasi, dan identitas dari situs web eksternal dengan aman tanpa mengungkapkan informasi sensitif.

Namun, saat ini bidang ini masih berada dalam tahap awal, sebagian besar proyek masih dalam tahap eksplorasi, salah satu tantangan saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah:

• zkML box