Web3 作為一種去中心化、開放、透明的全新互聯網範式, 與 AI 有著天然的融合契機。

譯文:The Exploratory Journey of AI and Web3 Convergence and Innovation

作者:BadBot

編譯: IOBC Capital

封面: Photo by Nat on Unsplash

Web3 作為一種去中心化、開放、透明的全新互聯網範式, 與 AI 有著天然的融合契機。在傳統的集中式架構下,AI 運算和資料資源受到嚴格控制, 且存在算力瓶頸、隱私洩露、演算法黑箱等諸多挑戰。而 Web3 基於分散式技術, 可以透過共享算力網路、開放資料市場、隱私運算等方式, 為 AI 的發展注入新的動力。同時,AI 也能為 Web3 帶來諸多賦能, 如智能合約優化、反作弊演算法等, 協助其生態建設。因此, 探索 Web3 和 AI 的結合,對於建立下一代互聯網基礎設施、釋放數據和算力價值至關重要。

數據驅動:AI 與 Web3 的堅實基礎

數據是驅動 AI 發展的核心動力,正如燃料之於引擎。 AI 模型需要消化大量高品質資料, 才能獲得深入理解和強大的推理能力,資料不僅為機器學習模型提供訓練基礎,還決定了模型的準確性和可靠性。

在傳統的中心化 AI 資料取得和利用模式中, 存在以下幾個主要問題:

  • 資料取得成本高昂,中小企業難以負擔;
  • 數據資源被科技巨頭所壟斷,形成了數據孤島;
  • 個人資料隱私面臨洩漏和濫用的風險

Web3 能夠以新的去中心化資料範式來解決傳統模式的痛點。

  • 透過 Grass,使用者可以出售閒置網路給 AI 公司,去中心化地抓取網路數據,經過清理和轉化,為 AI 模型訓練提供真實、高品質的數據;
  • Public AI 採用「label to earn」模式,透過代幣激勵全球工作者參與數據標註,匯聚全球的專業知識,增強數據的分析能力;
  • 區塊鏈資料交易平台如 Ocean Protocol、Streamr 等,為資料供需雙方提供了一個公開透明的交易環境,激勵資料的創新和分享。

儘管如此,真實世界的資料取得也存在一些問題,例如資料品質不一、處理難度高、多樣性和代表性不足等。合成數據可能是 Web3 數據賽道未來的明星。基於生成式 AI 技術和模擬,合成資料能夠模擬真實資料的屬性,作為真實資料的有效補充,提高資料使用效率。在自動駕駛、金融市場交易、遊戲開發等領域,合成數據已顯示出其成熟的應用潛力。

隱私權保護:FHE 在 Web3 中的作用

在資料驅動時代,隱私權保護已成為全球關注的焦點,歐盟的一般資料保護規範(GDPR)等法規的出台,反映了對個人隱私的嚴格守護。然而,這也帶來了挑戰:一些敏感資料因隱私風險而無法充分利用,這無疑限制了 AI 模型的潛能和推理能力。

FHE 即全同態加密,允許在加密資料上直接進行計算操作,而無需對資料進行解密,且計算結果與在明文資料上進行相同計算的結果一致。

FHE 為 AI 隱私計算提供了堅實的保護,使得 GPU 算力能夠在不觸及原始資料的環境中執行模型訓練和推理任務。這為 AI 公司帶來了巨大的優勢。它們可以在保護商業機密的同時,安全地開放 API 服務。

FHEML 支援在整個機器學習週期內對資料和模型進行加密處理,確保敏感資訊的安全性,防止資料外洩風險。透過這種方式,FHEML 強化了資料隱私,為 AI 應用提供了一個安全的計算框架。

FHEML 是 ZKML 的補充,ZKML 證明機器學習的正確執行,而 FHEML 則強調對加密資料進行計算以維護資料隱私。

算力革命:去中心化網路中的 AI 計算

目前 AI 系統的計算複雜度每 3 個月翻一番,導致算力需求激增,遠超現有運算資源的供應。例如,OpenAI 的 GPT-3 模型訓練需要巨大算力,相當於單一裝置上 355 年的訓練時間。這樣的算力短缺不僅限制了 AI 技術的進步,更讓那些高階的 AI 模式對大多數研究者和開發者來說變得遙不可及。

同時,全球 GPU 的使用率不到 40%,加之微處理器效能提升的放緩,以及供應鏈和地緣政治因素導致的晶片短缺,這些都讓算力供應問題變得更加嚴重。 AI 從業者陷入了兩難:要麼自購硬件,要麼租賃雲端資源,他們急需一種按需、經濟高效的運算服務方式。

IO.net 是一個基於 Solana 的去中心化 AI 算力網絡,透過聚合全球範圍內的閒置 GPU 資源,為 AI 公司提供了一個既經濟又易於訪問的算力市場。算力需求方可在網路上發布計算任務,智能合約將任務分配給貢獻算力的礦工節點,礦工執行任務並提交結果,經驗證後獲得積分獎勵。 IO.net 的方案提高資源利用效率,有助於解決 AI 等領域的算力瓶頸問題。

除了通用的去中心化算力網絡,還有像 Gensyn、Flock.io 這樣專注於 AI 訓練的平台,以及 Ritual、Fetch.ai 這樣專注於 AI 推理的專用算力網絡。

去中心化算力網路提供公平透明的算力市場,打破壟斷,降低了應用門檻,提高了算力的利用效率。在 web3 生態系中,去中心化算力網絡將發揮關鍵作用,吸引更多創新 dapp 的加入,共同推動 AI 技術的發展和應用。

DePIN:Web3 賦能 Edge AI

想像一下,你的手機、智慧手錶、甚至家中的智慧型設備,都具備了運行 AI 的能力——這就是 Edge AI 的魅力所在。它讓運算發生在資料產生的源頭,實現了低延遲、即時處理,同時保護了使用者的隱私,Edge AI 技術已應用於自動駕駛等關鍵領域。

在 Web3 領域,我們有個更熟悉的名字—DePIN。 Web3 強調去中心化和用戶數據的主權,DePIN 透過在本地處理數據,可以增強用戶隱私保護,減少數據洩露的風險;Web3
原生的 Token 經濟機制可激勵 DePIN 節點提供計算資源, 構建一個可持續的生態系統。

目前 DePIN 在 Solana 生态中发展迅速,成为项目部署的首选公链平台之一。Solana 的高 TPS、低交易费用以及技术创新为 DePIN 项目提供了强大支持。目前,Solana 上的 DePIN 项目市值超过 100 亿美元,知名项目如 Render Network 和 Helium Network 已取得显著进展。

IMO:AI 模型發布新範式

IMO 的概念由 Ora protocol 先提出,將 AI 模型代幣化。

在傳統模式下,由於收益分享機制缺失,一旦 AI 模型被開發出來並投入市場,開發者往往難以從模型的後續使用中獲得持續的收益,尤其是當模型被整合進其他產品和服務後,原始創造者很難追蹤使用情況,更不用說從中獲得收益了。而 AI 模型的性能和效果往往缺乏透明度,這讓潛在的投資者和使用者難以評估其真正價值,限制了模型的市場認可和商業潛力。

IMO 為開源 AI 模型提供了一種全新的資金支持和價值共享方式,投資者可以購買 IMO 代幣,分享模型後續產生的收益。 Ora Protocol 使用 ERC-7641 和 ERC-7007 兩個 ERC 標準,結合 AI 預言機(Onchain AI Oracle)和 OPML 技術來確保 AI 模型的真實性和代幣持有者能夠分享收益。

IMO 模式增強了透明度和信任,鼓勵開源協作,適應加密市場趨勢,並為 AI 技術的可持續發展注入了動力。 IMO 目前仍處於初期嘗試階段,但隨著市場接受度的提升和參與範圍的擴大,它的創新性和潛在價值值得我們期待。

AI Agent:互動體驗的新紀元

AI Agent 能夠感知環境,進行獨立思考,並採取相應的行動以實現既定目標。在大語言模型的支持下,AI Agent 不僅能理解自然語言,還能規劃決策,執行複雜的任務。它們可以作為虛擬助手,透過與用戶的互動學習其偏好,並提供個人化的解決方案。在沒有明確指示的情況下,AI Agent 也能自主解決問題,提高效率,創造新價值。

Myshell 是一個開放的 AI 原生應用平台,提供全面易用的創作工具集,支援使用者配置機器人功能、外觀、聲音以及連接外部知識庫等,致力於打造公平開放的 AI 內容生態系統,利用生成式 AI 技術,賦能個人成為超級創作者。 Myshell 訓練了專門的大語言模型,使角色扮演更人性化;語音克隆技術可以加速 AI 產品個性化交互,MyShell 把語音合成成本降低 99%,語音克隆僅需 1 分鐘即可實現。利用 Myshell 客製化的 AI Agent,目前可應用於視訊聊天、語言學習、影像生成等多領域。

在 Web3 與 AI 的融合上,目前更多的是對基礎設施層的探索,如何獲取高品質資料、保護資料隱私,如何在鏈上託管模型,如何提高去中心化算力的高效使用,如何驗證大語言模型等關鍵問題。隨著這些基礎設施的逐步完善,我們有理由相信,Web3 與 AI 的整合將孕育出一系列創新的商業模式和服務。

免責聲明:作為區塊鏈資訊平台,本站所發布文章僅代表作者及來賓個人觀點,與 Web3Caff 立場無關。文章內的資訊僅供參考,均不構成任何投資建議及要約,並請您遵守所在國家或地區的相關法律法規。