AI+Web3: Torres e Praças

TL;DR

1. Projetos Web3 com conceito de IA tornam-se alvos de captação de recursos nos mercados primário e secundário.

2. As oportunidades do Web3 na indústria de IA manifestam-se em: usar incentivos distribuídos para coordenar o potencial de oferta na cauda longa ------ entre dados, armazenamento e computação; ao mesmo tempo, estabelecer um modelo de código aberto e um mercado descentralizado para Agentes de IA.

3. A IA no setor Web3 tem como principais áreas de aplicação a finança em cadeia (pagamentos cripto, negociações, análise de dados) e o auxílio ao desenvolvimento.

4. A utilidade do AI+Web3 reside na complementaridade entre os dois: espera-se que o Web3 combata a centralização do AI, e o AI tem o potencial de ajudar o Web3 a expandir-se.

Introdução

Nos últimos dois anos, o desenvolvimento da IA parece ter sido acelerado, e esta onda provocada pelas asas de borboleta do Chatgpt não apenas abriu um novo mundo de inteligência artificial generativa, mas também gerou um fluxo no Web3 do outro lado.

Com o apoio do conceito de IA, o aumento do financiamento no mercado de criptomoedas, que está em desaceleração, é notável. Segundo a mídia, apenas no primeiro semestre de 2024, 64 projetos Web3+IA conseguiram financiamento, com o sistema operacional baseado em inteligência artificial Zyber365 alcançando um montante máximo de financiamento de 100 milhões de dólares na rodada A.

O mercado secundário está mais próspero, dados de um site de agregação de criptomoedas mostram que, em pouco mais de um ano, o valor total de mercado da categoria de IA já alcançou 48,5 bilhões de dólares, com um volume de negociação de 24 horas próximo a 8,6 bilhões de dólares; os benefícios trazidos pelos avanços nas tecnologias de IA são evidentes, após o lançamento do modelo de texto para vídeo Sora da OpenAI, o preço médio do setor de IA subiu 151%; o efeito da IA também se espalhou para um dos setores de captação de criptomoedas, Meme: o primeiro conceito de MemeCoin de Agente de IA ------ GOAT rapidamente se tornou popular e alcançou uma avaliação de 1,4 bilhões de dólares, gerando um intenso fervor em torno de AI Meme.

A pesquisa e os tópicos sobre AI+Web3 também estão em alta, desde AI+Depin até AI Memecoin e, atualmente, AI Agent e AI DAO, a emoção do FOMO já não consegue acompanhar a velocidade da rotação das novas narrativas.

AI+Web3, esta combinação de termos cheia de dinheiro fácil, oportunidades e fantasias futuras, não pode deixar de ser vista como um casamento arranjado mediado pelo capital, parece que é difícil distinguir sob este manto deslumbrante, se é o terreno dos especuladores ou a véspera da explosão do amanhecer?

Para responder a esta questão, uma reflexão crucial para ambas as partes é: será que a relação vai melhorar com a outra parte? Será que é possível beneficiar-se dos padrões da outra parte? Neste artigo, também tentamos, a partir da experiência de outros, examinar este cenário: como o Web3 pode desempenhar um papel em todos os aspectos da pilha de tecnologia de IA, e o que a IA pode trazer de novo para o Web3?

Parte.1 Quais são as oportunidades do Web3 sob a pilha de IA?

Antes de abordar este tópico, precisamos entender a pilha de tecnologia dos grandes modelos de IA:

Expresse todo o processo em uma linguagem mais acessível: o "grande modelo" é como o cérebro humano. Na fase inicial, esse cérebro pertence a um bebê que acabou de chegar ao mundo, precisando observar e absorver uma enorme quantidade de informações do ambiente para entender este mundo, que é a fase de "coleta" de dados. Como os computadores não possuem os sentidos humanos, como visão e audição, antes do treinamento, as grandes quantidades de informações não rotuladas do ambiente precisam ser convertidas através de "pré-processamento" em um formato de informação que o computador possa compreender e utilizar.

Após a entrada de dados, a IA constrói um modelo com capacidade de compreensão e previsão através do "treinamento", o que pode ser visto como o processo em que um bebê gradualmente entende e aprende sobre o mundo exterior. Os parâmetros do modelo são como as habilidades linguísticas que o bebê ajusta continuamente durante o processo de aprendizado. Quando o conteúdo aprendido começa a ser dividido em disciplinas, ou quando há interação com outras pessoas e feedback que leva a correções, entra-se na fase de "ajuste fino" do grande modelo.

As crianças, ao crescerem e aprenderem a falar, podem compreender o significado nas novas conversas e expressar seus sentimentos e pensamentos. Esta fase é semelhante à "razão" dos grandes modelos de IA, onde o modelo é capaz de prever e analisar novas entradas de linguagem e texto. Os bebês expressam sentimentos, descrevem objetos e resolvem vários problemas através da capacidade linguística, o que também é semelhante à aplicação dos grandes modelos de IA na fase de raciocínio após serem treinados e colocados em uso em várias tarefas específicas, como classificação de imagens, reconhecimento de fala, entre outros.

O Agente AI aproxima-se da próxima forma dos grandes modelos ------ capaz de executar tarefas de forma independente e perseguir objetivos complexos, não só possui capacidade de pensamento, mas também é capaz de memorizar, planejar e interagir com o mundo utilizando ferramentas.

Atualmente, em resposta aos pontos críticos da IA em várias camadas, o Web3 está a formar, de forma preliminar, um ecossistema multilayer e interconectado, que abrange todas as fases do processo dos modelos de IA.

Uma, Camada Básica: Airbnb de Poder de Cálculo e Dados

Poder de cálculo

Atualmente, um dos maiores custos da IA é a potência computacional e a energia necessárias para treinar e inferir modelos.

Um exemplo é que o LLAMA3 da Meta requer 16.000 H100 GPUs produzidas pela NVIDIA (que é uma unidade de processamento gráfico de topo projetada para cargas de trabalho de inteligência artificial e computação de alto desempenho). O preço unitário da versão de 80 GB varia entre 30.000 e 40.000 dólares, o que requer um investimento em hardware de computação de 400 a 700 milhões de dólares (GPU + chip de rede), ao mesmo tempo que o treinamento mensal consome 1,6 bilhões de kilowatt-hora, com despesas de energia de quase 20 milhões de dólares por mês.

A descompressão do poder computacional de IA é, sem dúvida, uma das primeiras áreas de interseção entre Web3 e IA ------ DePin (Rede de Infraestrutura Física Descentralizada). Atualmente, um site de dados já listou mais de 1400 projetos, entre os quais os projetos representativos de compartilhamento de poder computacional de GPU incluem io.net, Aethir, Akash, Render Network, entre outros.

A sua lógica principal reside em: a plataforma permite que indivíduos ou entidades que possuem recursos GPU ociosos contribuam com sua capacidade de computação de forma descentralizada e sem necessidade de autorização, através de um mercado online para compradores e vendedores semelhante ao Uber ou Airbnb, aumentando a utilização de recursos GPU que não estão sendo plenamente aproveitados, e os usuários finais assim obtêm recursos de computação eficientes a um custo mais baixo; ao mesmo tempo, o mecanismo de staking também garante que, se ocorrerem violações do mecanismo de controle de qualidade ou interrupções na rede, os provedores de recursos enfrentarão penalidades correspondentes.

As suas características são:

• Reunir recursos de GPU ociosos: os fornecedores são principalmente operadores de centros de dados independentes de pequeno e médio porte, como mineradoras de criptomoedas, com recursos de computação excedentes, e hardware de mineração com mecanismo de consenso PoS, como máquinas de mineração de FileCoin e ETH. Atualmente, também há projetos dedicados a iniciar dispositivos com barreiras de entrada mais baixas, como o exolab, que utiliza MacBook, iPhone, iPad e outros dispositivos locais para estabelecer uma rede de computação para a execução de inferências de grandes modelos.

• Enfrentando o mercado de cauda longa da capacidade de cálculo de IA:

a. Do ponto de vista técnico, o mercado de poder computacional descentralizado é mais adequado para etapas de inferência. O treinamento depende mais da capacidade de processamento de dados proporcionada por grandes clusters de GPU, enquanto a inferência requer um desempenho computacional de GPU relativamente mais baixo, como a Aethir que se concentra em trabalhos de renderização de baixa latência e aplicações de inferência de IA.

b. "Do lado da demanda", os pequenos e médios consumidores de poder computacional não treinarão seus próprios grandes modelos individualmente, mas apenas escolherão otimizar e ajustar finamente em torno de alguns poucos grandes modelos principais, e esses cenários são naturalmente adequados para recursos de computação ociosos distribuídos.

• Propriedade descentralizada: o significado técnico da blockchain é que os proprietários de recursos mantêm sempre o controle sobre os seus recursos, ajustando-os de forma flexível de acordo com a demanda, ao mesmo tempo em que obtêm lucros.

Dados

Os dados são a base da IA. Sem dados, a computação é tão inútil quanto um pedaço de palha flutuante, e a relação entre dados e modelos é como o ditado "Garbage in, Garbage out"; a quantidade de dados e a qualidade da entrada determinam a qualidade da saída do modelo final. No treinamento atual dos modelos de IA, os dados determinam a capacidade linguística, a capacidade de compreensão, e até mesmo os valores e a expressão humanizada do modelo. Atualmente, a crise de demanda de dados da IA foca principalmente em quatro áreas:

• Fome de dados: O treinamento de modelos de IA depende de uma grande quantidade de dados de entrada. Dados públicos mostram que a quantidade de parâmetros usada para treinar o GPT-4 da OpenAI atingiu níveis na casa dos trilhões.

• Qualidade dos dados: À medida que a IA se combina com várias indústrias, a atualidade dos dados, a diversidade dos dados, a especialização dos dados setoriais e a integração de novas fontes de dados, como a emoção das redes sociais, também impuseram novos requisitos à sua qualidade.

• Questões de privacidade e conformidade: Atualmente, vários países e empresas estão começando a notar a importância de conjuntos de dados de alta qualidade e estão impondo restrições à coleta de conjuntos de dados.

• Custos elevados de processamento de dados: grandes volumes de dados e processos complexos de tratamento. Informações públicas mostram que mais de 30% dos custos de P&D de empresas de IA são destinados à coleta e ao processamento de dados básicos.

Atualmente, as soluções web3 estão refletidas nos seguintes quatro aspectos:

1. Coleta de dados: A oferta de dados reais coletados gratuitamente está rapidamente se esgotando, e os gastos das empresas de IA com dados estão aumentando ano após ano. Mas, ao mesmo tempo, esses gastos não estão retornando aos verdadeiros contribuidores de dados, e as plataformas desfrutam completamente da criação de valor trazida pelos dados, como uma determinada plataforma social que gerou uma receita total de 203 milhões de dólares ao assinar um acordo de licença de dados com uma empresa de IA.

Permitir que os usuários que realmente contribuem também participem na criação de valor trazido pelos dados, bem como obter dados mais privados e valiosos de forma de baixo custo através de uma rede distribuída e mecanismos de incentivo, é a visão do Web3.

• O Grass é uma camada de dados e rede descentralizada, onde os usuários podem executar nós do Grass, contribuindo com largura de banda ociosa e tráfego de retransmissão para capturar dados em tempo real de toda a internet e receber recompensas em tokens;

• Vana introduziu um conceito único de pool de liquidez de dados (DLP), onde os usuários podem enviar seus dados privados (como registros de compras, hábitos de navegação, atividades em redes sociais, etc.) para um DLP específico e escolher flexivelmente se desejam autorizar o uso desses dados por terceiros específicos;

• No PublicAI, os usuários podem usar #AI 或#Web3 como etiqueta de categoria em X e @PublicAI para realizar a coleta de dados.

2. Pré-processamento de dados: No processo de tratamento de dados da IA, os dados coletados costumam ser ruidosos e conter erros, portanto, devem ser limpos e convertidos em um formato utilizável antes de treinar o modelo, envolvendo tarefas repetitivas de padronização, filtragem e tratamento de valores ausentes. Esta fase é um dos poucos momentos manuais na indústria de IA, tendo originado a profissão de rotulador de dados. Com o aumento das exigências de qualidade dos dados pelos modelos, o nível de entrada para rotuladores de dados também aumentou, e essa tarefa é naturalmente adequada para o mecanismo de incentivo descentralizado do Web3.

• Atualmente, a Grass e a OpenLayer estão considerando a inclusão da rotulagem de dados nesta etapa crucial.

• A Synesis propôs o conceito de "Train2earn", enfatizando a qualidade dos dados, onde os usuários podem ganhar recompensas ao fornecer dados anotados, comentários ou outras formas de entrada.

• O projeto de anotação de dados Sapien gamifica as tarefas de marcação e permite que os usuários façam staking de pontos para ganhar mais pontos.

3、Privacidade e segurança de dados: É importante esclarecer que privacidade e segurança de dados são dois conceitos diferentes. A privacidade de dados envolve o tratamento de dados sensíveis, enquanto a segurança de dados protege as informações contra acesso, destruição e roubo não autorizados. Assim, as vantagens das tecnologias de privacidade do Web3 e os potenciais cenários de aplicação se manifestam em duas áreas: (1) Treinamento de dados sensíveis; (2) Colaboração de dados: vários proprietários de dados podem participar juntos do treinamento de IA, sem precisar compartilhar seus dados originais.

As tecnologias de privacidade mais comuns no Web3 atualmente incluem:

• Ambiente de Execução Confiável ( TEE ), como o Super Protocol;

• Criptografia homomórfica totalmente (FHE), como BasedAI, Fhenix.io ou Inco Network;

• Tecnologia de conhecimento zero (zk), como o Protocolo Reclaim que utiliza a tecnologia zkTLS, gera provas de conhecimento zero para o tráfego HTTPS, permitindo que os usuários importem de forma segura atividades, reputação e dados de identidade de sites externos, sem expor informações sensíveis.

No entanto, atualmente este campo ainda está em fase inicial, a maioria dos projetos ainda está em exploração, e um dos dilemas atuais é o alto custo computacional, alguns exemplos são:

• zkML framework