Les projets Web3 basés sur l'IA deviennent des cibles d'attraction de fonds sur les marchés primaire et secondaire.
Les opportunités de Web3 dans l'industrie de l'IA se manifestent principalement par : l'utilisation d'incitations distribuées pour coordonner l'offre potentielle de longue traîne ( à travers les données, le stockage et le calcul ) ; tout en établissant un marché décentralisé pour les modèles open source et les agents AI.
L'IA est principalement utilisée dans l'industrie Web3 pour la finance sur chaîne( les paiements cryptographiques, le trading, l'analyse des données) et le développement assisté.
La valeur de l'IA + Web3 réside dans leur complémentarité : Web3 devrait faire face à la centralisation de l'IA, tandis que l'IA devrait aider Web3 à dépasser les limites des cercles.
Introduction
Au cours des deux dernières années, le développement de l'IA a connu une accélération, et la vague de l'IA générative déclenchée par ChatGPT a non seulement ouvert un nouveau monde, mais a également suscité des vagues dans le domaine du Web3.
Sous l'influence du concept d'IA, le financement du marché des cryptomonnaies montre un net réchauffement. Selon les statistiques, rien qu'au premier semestre 2024, 64 projets Web3+IA ont terminé leur financement, dont Zyber365 a obtenu le financement le plus élevé de 100 millions de dollars lors de la ronde A.
Le marché secondaire est plus actif. Selon les données de Coingecko, la capitalisation totale du secteur de l'IA a atteint 48,5 milliards de dollars, avec un volume de transactions de près de 8,6 milliards de dollars sur 24 heures ; les avancées majeures des technologies IA apportent des nouvelles positives, comme après la publication de Sora par OpenAI, le secteur de l'IA a enregistré une hausse moyenne de 151 % ; l'effet IA a également touché le segment populaire des cryptomonnaies, les Memes, avec le premier concept de MemeCoin basé sur un Agent IA – GOAT – qui est rapidement devenu populaire, atteignant une valorisation de 1,4 milliard de dollars, déclenchant une frénésie autour des Memes de l'IA.
La recherche et les sujets liés à l'IA+Web3 continuent de gagner en popularité, passant de l'IA+Depin à l'IA Memecoin, et maintenant aux agents IA et à l'IA DAO, de nouveaux récits émergent sans cesse.
Cette combinaison remplie d'argent facile, de tendances et d'imaginaires futurs est inévitablement perçue comme un mariage arrangé par le capital, il est difficile de juger s'il s'agit d'une frénésie spéculative ou d'une explosion avant l'aube.
La clé est de savoir si les deux parties peuvent bénéficier du modèle de l'autre ? Cet article explorera comment le Web3 peut jouer un rôle à chaque étape de la technologie AI, ainsi que les nouvelles opportunités que l'AI peut apporter au Web3.
Une, les opportunités de Web3 sous la pile AI
Avant de discuter de ce sujet, nous devons comprendre la pile technologique des grands modèles d'IA :
En termes simples, un "grand modèle" est similaire au cerveau humain, ayant besoin au départ d'observer et d'absorber une énorme quantité d'informations pour comprendre le monde, ce qui constitue la phase de "collecte" des données ; comme les ordinateurs manquent de plusieurs sens humains, il est nécessaire de convertir les informations non annotées en un format compréhensible par l'ordinateur grâce à un "prétraitement" avant l'entraînement.
Après avoir saisi les données, l'IA construit un modèle capable de compréhension et de prédiction par le biais de "l'entraînement", semblable au processus par lequel un bébé comprend progressivement et apprend sur le monde extérieur, les paramètres du modèle étant comme les capacités linguistiques d'un bébé qui s'ajustent continuellement. Lorsque le contenu d'apprentissage est divisé par sujet ou qu'il reçoit des retours lors d'échanges avec des personnes, il entre dans la phase de "réglage fin".
Les enfants, une fois qu'ils ont appris à parler, peuvent comprendre et exprimer des idées dans de nouveaux dialogues, similaire au "raisonnement" des grands modèles d'IA, capables de réaliser des analyses prédictives sur de nouveaux textes linguistiques. Les bébés utilisent le langage pour exprimer des sentiments, décrire des objets et résoudre des problèmes, de la même manière que les grands modèles d'IA, une fois formés, s'appliquent à diverses tâches spécifiques durant la phase de raisonnement, telles que la classification d'images, la reconnaissance vocale, etc.
L'Agent AI est plus proche de la prochaine forme des grands modèles - capable d'exécuter des tâches de manière autonome pour atteindre des objectifs complexes, doté de capacités de pensée, de mémoire et de planification, et capable d'utiliser des outils pour interagir avec le monde.
Pour répondre aux points de douleur de chaque pile d'IA, Web3 a actuellement commencé à former un écosystème interconnecté à plusieurs niveaux couvrant toutes les étapes du processus des modèles d'IA.
1. Couche de base : Airbnb de puissance de calcul et de données
Puissance de calcul
L'un des principaux coûts de l'IA est la puissance de calcul et l'énergie nécessaires pour entraîner et inférer des modèles.
Par exemple, le LLAMA3 de Meta nécessite 16 000 GPU NVIDIA H100 pendant 30 jours pour compléter l'entraînement. Le prix unitaire de la version 80 Go est de 30 000 à 40 000 dollars, nécessitant un investissement en matériel de 400 à 700 millions de dollars ( GPU + puces réseau ), la consommation d'électricité mensuelle pour l'entraînement est de 1,6 milliard de kilowattheures, avec des dépenses énergétiques proches de 20 millions de dollars.
Face à la pression de la puissance de calcul de l'IA, le réseau d'infrastructure physique décentralisée DePin( est l'un des premiers domaines où le Web3 croise l'IA. DePin Ninja a répertorié plus de 1400 projets, le partage de puissance GPU est représenté par des noms tels que io.net, Aethir, Akash, Render Network, etc.
La logique principale est la suivante : la plateforme permet aux détenteurs de ressources GPU inactives de contribuer à la puissance de calcul de manière décentralisée et sans autorisation, via un marché en ligne de type Uber/Airbnb pour les acheteurs et les vendeurs, augmentant ainsi l'utilisation des GPU, les utilisateurs ayant accès à des ressources de calcul efficaces à faible coût ; en même temps, un mécanisme de mise en jeu garantit que toute violation du contrôle de qualité ou toute interruption du réseau sera punie.
Caractéristiques :
Rassembler les GPU inutilisés : l'approvisionnement provient principalement des centres de données de petite et moyenne taille, des fermes minières de cryptomonnaies et d'une puissance de calcul excédentaire, ainsi que du matériel de minage PoS tel que les machines de minage FileCoin/ETH. Des projets comme exolab s'efforcent d'utiliser des appareils locaux tels que MacBook, iPhone, iPad pour établir un réseau de puissance de calcul pour exécuter l'inférence de grands modèles.
Ciblant le marché de la puissance de calcul AI en queue longue:
Le côté technique est plus adapté aux étapes d'inférence. L'entraînement dépend d'un très grand cluster de GPU, tandis que l'inférence a des exigences GPU plus faibles, comme Aethir qui se concentre sur le rendu à faible latence et l'inférence AI.
Les demandeurs de puissance de calcul moyenne dans le secteur de la demande ne formeront pas de grands modèles de manière indépendante, mais se concentreront principalement sur l'optimisation et le réglage des principaux modèles, adaptés à la puissance de calcul distribuée inutilisée.
Propriété décentralisée : La technologie blockchain garantit que les propriétaires de ressources conservent le contrôle, ajustent de manière flexible et obtiennent des bénéfices.
Données
Les données sont la base de l'IA. Sans données, le calcul est inutile, et la qualité des données détermine la qualité des sorties du modèle. Pour l'entraînement des modèles d'IA, les données déterminent la capacité linguistique, la capacité de compréhension, les valeurs et l'expression humanisée. Actuellement, les principaux défis liés à la demande de données pour l'IA sont :
Soif de données : l'entraînement des modèles d'IA nécessite d'énormes quantités de données. Le nombre de paramètres de GPT-4 atteint le trillion.
Qualité des données : L'IA, en combinaison avec divers secteurs, impose de nouvelles exigences en matière de pertinence, de diversité, de spécialisation des données et de nouvelles sources de données telles que les émotions des médias sociaux.
Conformité à la vie privée : les entreprises de divers pays commencent à restreindre le scraping des ensembles de données.
Coûts de traitement élevés : grande quantité de données, traitement complexe. Plus de 30 % des coûts de R&D des entreprises d'IA sont consacrés à la collecte et au traitement des données.
Solutions Web3:
Collecte de données : La collecte gratuite de données du monde réel est en train de s'épuiser, les dépenses des entreprises d'IA augmentent chaque année, mais elles ne profitent pas aux véritables contributeurs. La vision Web3 est de permettre aux utilisateurs contributeurs de participer à la création de valeur, en incitant un réseau distribué à obtenir des données plus privées et à moindre coût.
Grass : Réseau de couche de données décentralisé, les utilisateurs exécutent des nœuds pour contribuer à la bande passante et capturer des données en temps réel pour obtenir des récompenses en tokens.
Vana : Introduire le concept de pool de liquidité de données )DLP(, les utilisateurs peuvent télécharger des données privées et choisir d'autoriser des tiers à les utiliser.
PublicAI : Les utilisateurs utilisent le tag Web3 ) sur X et @PublicAI pour réaliser la collecte de données.
Prétraitement des données : Le traitement des données par l'IA nécessite un nettoyage et une conversion en un format utilisable, impliquant des tâches répétitives telles que la normalisation, le filtrage et le traitement des valeurs manquantes. Ce volet manuel a donné naissance à l'industrie des annotateurs de données, avec une élévation des exigences et des seuils, adapté aux mécanismes d'incitation décentralisés de Web3.
Grass et OpenLayer envisagent d'ajouter une étape de marquage de données.
Synesis propose le concept "Train2earn", mettant l'accent sur la qualité des données, les utilisateurs fournissant des données annotées étant récompensés.
Sapien gamifie les tâches de marquage, les utilisateurs misent des points pour en gagner davantage.
Sécurité de la vie privée des données : La vie privée des données concerne le traitement des données sensibles, la protection des informations de sécurité des données contre l'accès non autorisé, la destruction et le vol. Les avantages des technologies de confidentialité Web3 se manifestent par : #AI或#1( entraînement des données sensibles ; )2( collaboration des données : plusieurs propriétaires de données participent ensemble à l'entraînement de l'IA sans partager les données brutes.
Technologies de confidentialité principales :
Environnement d'exécution fiable ) TEE (, comme Super Protocol.
Chiffrement homomorphe complet ) FHE (, comme BasedAI, Fhenix.io, Inco Network.
Technologie de preuve à connaissance nulle )zk(, comme le protocole Reclaim qui utilise zkTLS pour générer des preuves de connaissance nulle pour le trafic HTTPS, permettant une importation sécurisée de données provenant de sites externes.
Actuellement au stade précoce, le principal défi est le coût élevé du calcul :
EZKL nécessite 80 minutes pour générer la preuve du modèle 1M-nanoGPT.
Les coûts de zkML sont plus de 1000 fois supérieurs à ceux du calcul pur.
Stockage des données : nécessite un stockage des données sur la chaîne et des LLM générés. La disponibilité des données )DA( est un problème central, avant la mise à niveau Danksharding d'Ethereum, le débit était de 0,08 Mo, tandis que l'entraînement et l'inférence des modèles d'IA nécessitent généralement 50 à 100 Go par seconde.
0g.AI est une solution de stockage centralisée conçue pour les besoins en IA, avec des caractéristiques : évolutivité haute performance, prise en charge du téléchargement et de l'upload rapides de grands ensembles de données grâce au partitionnement et à la codage de correction d'erreurs, avec une vitesse de transfert proche de 5 Go par seconde.
)# 2. Middleware : entraînement et inférence des modèles
Marché décentralisé pour les modèles open source
La controverse sur l'open source des modèles d'IA se poursuit. L'open source apporte une innovation collective, ce qui est un atout, mais comment augmenter la motivation des développeurs sans un modèle de profit ? Li Yanhong a précédemment affirmé que "les modèles open source deviendront de plus en plus obsolètes".
Web3 propose la possibilité d'un marché de modèles décentralisés et open source : pour la tokenisation des modèles, l'équipe conserve une partie des jetons et dirige une partie des revenus futurs vers les détenteurs de jetons.
Bittensor établit un marché P2P de modèles open source, composé de plusieurs "sous-réseaux", où les fournisseurs de ressources rivalisent pour répondre aux objectifs des sous-réseaux, et les sous-réseaux interagissent et apprennent pour réaliser une intelligence plus puissante. Les récompenses sont distribuées par vote de la communauté, en fonction des performances dans le sous-réseau.
ORA introduit le concept d'émission de modèle initial ###IMO(, tokenisant les modèles d'IA, qui peuvent être achetés, vendus et développés via un réseau décentralisé.
Sentient plateforme AGI décentralisée, incitant à la collaboration pour construire des modèles d'IA reproductibles et récompensant les contributeurs.
Spectral Nova se concentre sur la création d'applications de modèles d'IA et d'AM.
Raisonnement vérifiable
Pour le problème de "boîte noire" de l'inférence AI, la solution standard Web3 consiste à répéter les opérations de plusieurs validateurs pour comparer les résultats, mais la pénurie de GPU haut de gamme entraîne des coûts élevés.
Une solution plus prometteuse consiste à exécuter une preuve ZK pour le calcul d'inférence AI hors chaîne, et à vérifier le calcul du modèle AI sur la chaîne. Il est nécessaire de chiffrer sur la chaîne la preuve que le calcul hors chaîne a été effectué correctement ) si l'ensemble de données n'a pas été altéré (, tout en garantissant la confidentialité des données.
Principaux avantages :
Scalabilité : Les preuves ZK peuvent confirmer rapidement un grand nombre de calculs hors chaîne. Même si le nombre de transactions augmente, une seule preuve ZK peut vérifier toutes les transactions.
Protection de la vie privée : les données et les détails du modèle d'IA sont confidentiels, tandis que les parties peuvent vérifier qu'ils n'ont pas été altérés.
Pas de confiance nécessaire : pas besoin de dépendre d'une entité centralisée pour valider les calculs.
Intégration Web2 : L'essence de Web2 est l'intégration hors chaîne, une inférence vérifiable peut aider à amener des ensembles de données et des calculs d'IA sur la chaîne, augmentant ainsi le taux d'adoption de Web3.
Technologie d'inférence vérifiable Web3 actuelle:
zkML : Combine la preuve à divulgation nulle et l'apprentissage automatique, garantissant la confidentialité des modèles de données et permettant des calculs vérifiables sans révéler les attributs sous-jacents. Modulus Labs a publié un prouveur ZK construit à partir de l'IA basé sur ZKML, vérifiant si les fournisseurs d'IA exécutent correctement les algorithmes, les clients étant principalement des DApp en chaîne.
opML : Utiliser le principe de résumé optimiste pour améliorer l'efficacité de l'évolutivité du calcul ML en vérifiant le moment où les litiges surviennent. Il suffit de vérifier une petite partie des résultats des "validateurs", mais en établissant des pénalités économiques élevées pour augmenter le coût de la fraude et économiser les calculs redondants.
TeeML : Exécution sécurisée des calculs ML dans un environnement d'exécution de confiance, protégeant le modèle de données contre la manipulation et l'accès non autorisé.
)# 3. Couche d'application : Agent IA
Le développement de l'IA se concentre désormais sur les agents IA plutôt que sur les capacités des modèles. OpenAI, Anthropic, Microsoft, etc. développent tous des agents IA, tentant de dépasser la phase de plateau de la technologie LLM.
OpenAI définit un agent IA comme un système doté d'un cerveau LLM, capable de compréhension autonome, de perception, de planification, de mémoire et d'utilisation d'outils, capable d'exécuter automatiquement des tâches complexes. L'IA passe d'un outil utilisé à un sujet capable d'utiliser des outils, devenant ainsi un assistant intelligent idéal.
Web3 peut apporter à l'Agent :
Décentralisé
Les caractéristiques décentralisées de Web3 rendent le système Agent plus autonome et dispersé, en établissant un mécanisme d'incitation et de punition pour les stakers et les délégataires via des mécanismes tels que PoS et DPoS, favorisant ainsi la démocratisation du système Agent. GaiaNet, Theoriq et HajimeAI ont tous fait des essais.
Démarrage à froid
Le développement itératif des agents IA nécessite des fonds importants, et le Web3 peut aider les projets à potentiel à obtenir un financement précoce pour un démarrage à froid.
Le protocole virtuel a lancé la plateforme d'émission de jetons fun.virtuals avec AI Agent, permettant aux utilisateurs de déployer un AI Agent en un clic pour garantir une émission de jetons 100% équitable.
Spectral propose un concept de produit d'actifs AI Agent émis sur chaîne : via l'IAO###Initial Agent Offering( pour émettre des jetons, l'AI Agent obtient directement des fonds d'investissement, devient membre de la gouvernance DAO, offrant aux investisseurs la possibilité de participer au développement du projet et de partager les bénéfices.
) Deux, comment l'IA habilite le Web3
L'IA a un impact significatif sur les projets Web3, en optimisant les opérations en chaîne ### telles que l'exécution de contrats intelligents et la liquidité.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
15 J'aime
Récompense
15
6
Partager
Commentaire
0/400
MEVHunterX
· Il y a 2h
Il est un peu difficile de briser les barrières, chute.
Voir l'originalRépondre0
HodlKumamon
· Il y a 2h
Selon les données, ce double récit a un taux de retour de 73,5 %. Le petit ours a déjà commencé l'Auto-Invest~
Voir l'originalRépondre0
MemeCoinSavant
· Il y a 2h
franchement fam... j'ai fait une régression statistique sur ce hype ai+web3 (n=420) et ça a l'air statistiquement dégen af
Voir l'originalRépondre0
GasFeeVictim
· Il y a 2h
Les pigeons doivent révolutionner!
Voir l'originalRépondre0
staking_gramps
· Il y a 2h
J'ai pris les gens pour des idiots pendant un an, qu'est-ce que je ne comprends pas encore ?
Voir l'originalRépondre0
LongTermDreamer
· Il y a 2h
L'argent a disparu, à quoi bon regarder l'IA ? Revenons dans trois ans, cette fois je sens vraiment que c'est différent.
Fusion de l'IA et du Web3 : innovations et opportunités de l'infrastructure à l'Application Layer
IA+Web3 : Tours et places
points
Les projets Web3 basés sur l'IA deviennent des cibles d'attraction de fonds sur les marchés primaire et secondaire.
Les opportunités de Web3 dans l'industrie de l'IA se manifestent principalement par : l'utilisation d'incitations distribuées pour coordonner l'offre potentielle de longue traîne ( à travers les données, le stockage et le calcul ) ; tout en établissant un marché décentralisé pour les modèles open source et les agents AI.
L'IA est principalement utilisée dans l'industrie Web3 pour la finance sur chaîne( les paiements cryptographiques, le trading, l'analyse des données) et le développement assisté.
La valeur de l'IA + Web3 réside dans leur complémentarité : Web3 devrait faire face à la centralisation de l'IA, tandis que l'IA devrait aider Web3 à dépasser les limites des cercles.
Introduction
Au cours des deux dernières années, le développement de l'IA a connu une accélération, et la vague de l'IA générative déclenchée par ChatGPT a non seulement ouvert un nouveau monde, mais a également suscité des vagues dans le domaine du Web3.
Sous l'influence du concept d'IA, le financement du marché des cryptomonnaies montre un net réchauffement. Selon les statistiques, rien qu'au premier semestre 2024, 64 projets Web3+IA ont terminé leur financement, dont Zyber365 a obtenu le financement le plus élevé de 100 millions de dollars lors de la ronde A.
Le marché secondaire est plus actif. Selon les données de Coingecko, la capitalisation totale du secteur de l'IA a atteint 48,5 milliards de dollars, avec un volume de transactions de près de 8,6 milliards de dollars sur 24 heures ; les avancées majeures des technologies IA apportent des nouvelles positives, comme après la publication de Sora par OpenAI, le secteur de l'IA a enregistré une hausse moyenne de 151 % ; l'effet IA a également touché le segment populaire des cryptomonnaies, les Memes, avec le premier concept de MemeCoin basé sur un Agent IA – GOAT – qui est rapidement devenu populaire, atteignant une valorisation de 1,4 milliard de dollars, déclenchant une frénésie autour des Memes de l'IA.
La recherche et les sujets liés à l'IA+Web3 continuent de gagner en popularité, passant de l'IA+Depin à l'IA Memecoin, et maintenant aux agents IA et à l'IA DAO, de nouveaux récits émergent sans cesse.
Cette combinaison remplie d'argent facile, de tendances et d'imaginaires futurs est inévitablement perçue comme un mariage arrangé par le capital, il est difficile de juger s'il s'agit d'une frénésie spéculative ou d'une explosion avant l'aube.
La clé est de savoir si les deux parties peuvent bénéficier du modèle de l'autre ? Cet article explorera comment le Web3 peut jouer un rôle à chaque étape de la technologie AI, ainsi que les nouvelles opportunités que l'AI peut apporter au Web3.
Une, les opportunités de Web3 sous la pile AI
Avant de discuter de ce sujet, nous devons comprendre la pile technologique des grands modèles d'IA :
En termes simples, un "grand modèle" est similaire au cerveau humain, ayant besoin au départ d'observer et d'absorber une énorme quantité d'informations pour comprendre le monde, ce qui constitue la phase de "collecte" des données ; comme les ordinateurs manquent de plusieurs sens humains, il est nécessaire de convertir les informations non annotées en un format compréhensible par l'ordinateur grâce à un "prétraitement" avant l'entraînement.
Après avoir saisi les données, l'IA construit un modèle capable de compréhension et de prédiction par le biais de "l'entraînement", semblable au processus par lequel un bébé comprend progressivement et apprend sur le monde extérieur, les paramètres du modèle étant comme les capacités linguistiques d'un bébé qui s'ajustent continuellement. Lorsque le contenu d'apprentissage est divisé par sujet ou qu'il reçoit des retours lors d'échanges avec des personnes, il entre dans la phase de "réglage fin".
Les enfants, une fois qu'ils ont appris à parler, peuvent comprendre et exprimer des idées dans de nouveaux dialogues, similaire au "raisonnement" des grands modèles d'IA, capables de réaliser des analyses prédictives sur de nouveaux textes linguistiques. Les bébés utilisent le langage pour exprimer des sentiments, décrire des objets et résoudre des problèmes, de la même manière que les grands modèles d'IA, une fois formés, s'appliquent à diverses tâches spécifiques durant la phase de raisonnement, telles que la classification d'images, la reconnaissance vocale, etc.
L'Agent AI est plus proche de la prochaine forme des grands modèles - capable d'exécuter des tâches de manière autonome pour atteindre des objectifs complexes, doté de capacités de pensée, de mémoire et de planification, et capable d'utiliser des outils pour interagir avec le monde.
Pour répondre aux points de douleur de chaque pile d'IA, Web3 a actuellement commencé à former un écosystème interconnecté à plusieurs niveaux couvrant toutes les étapes du processus des modèles d'IA.
1. Couche de base : Airbnb de puissance de calcul et de données
Puissance de calcul
L'un des principaux coûts de l'IA est la puissance de calcul et l'énergie nécessaires pour entraîner et inférer des modèles.
Par exemple, le LLAMA3 de Meta nécessite 16 000 GPU NVIDIA H100 pendant 30 jours pour compléter l'entraînement. Le prix unitaire de la version 80 Go est de 30 000 à 40 000 dollars, nécessitant un investissement en matériel de 400 à 700 millions de dollars ( GPU + puces réseau ), la consommation d'électricité mensuelle pour l'entraînement est de 1,6 milliard de kilowattheures, avec des dépenses énergétiques proches de 20 millions de dollars.
Face à la pression de la puissance de calcul de l'IA, le réseau d'infrastructure physique décentralisée DePin( est l'un des premiers domaines où le Web3 croise l'IA. DePin Ninja a répertorié plus de 1400 projets, le partage de puissance GPU est représenté par des noms tels que io.net, Aethir, Akash, Render Network, etc.
La logique principale est la suivante : la plateforme permet aux détenteurs de ressources GPU inactives de contribuer à la puissance de calcul de manière décentralisée et sans autorisation, via un marché en ligne de type Uber/Airbnb pour les acheteurs et les vendeurs, augmentant ainsi l'utilisation des GPU, les utilisateurs ayant accès à des ressources de calcul efficaces à faible coût ; en même temps, un mécanisme de mise en jeu garantit que toute violation du contrôle de qualité ou toute interruption du réseau sera punie.
Caractéristiques :
Rassembler les GPU inutilisés : l'approvisionnement provient principalement des centres de données de petite et moyenne taille, des fermes minières de cryptomonnaies et d'une puissance de calcul excédentaire, ainsi que du matériel de minage PoS tel que les machines de minage FileCoin/ETH. Des projets comme exolab s'efforcent d'utiliser des appareils locaux tels que MacBook, iPhone, iPad pour établir un réseau de puissance de calcul pour exécuter l'inférence de grands modèles.
Ciblant le marché de la puissance de calcul AI en queue longue: Le côté technique est plus adapté aux étapes d'inférence. L'entraînement dépend d'un très grand cluster de GPU, tandis que l'inférence a des exigences GPU plus faibles, comme Aethir qui se concentre sur le rendu à faible latence et l'inférence AI. Les demandeurs de puissance de calcul moyenne dans le secteur de la demande ne formeront pas de grands modèles de manière indépendante, mais se concentreront principalement sur l'optimisation et le réglage des principaux modèles, adaptés à la puissance de calcul distribuée inutilisée.
Propriété décentralisée : La technologie blockchain garantit que les propriétaires de ressources conservent le contrôle, ajustent de manière flexible et obtiennent des bénéfices.
Données
Les données sont la base de l'IA. Sans données, le calcul est inutile, et la qualité des données détermine la qualité des sorties du modèle. Pour l'entraînement des modèles d'IA, les données déterminent la capacité linguistique, la capacité de compréhension, les valeurs et l'expression humanisée. Actuellement, les principaux défis liés à la demande de données pour l'IA sont :
Soif de données : l'entraînement des modèles d'IA nécessite d'énormes quantités de données. Le nombre de paramètres de GPT-4 atteint le trillion.
Qualité des données : L'IA, en combinaison avec divers secteurs, impose de nouvelles exigences en matière de pertinence, de diversité, de spécialisation des données et de nouvelles sources de données telles que les émotions des médias sociaux.
Conformité à la vie privée : les entreprises de divers pays commencent à restreindre le scraping des ensembles de données.
Coûts de traitement élevés : grande quantité de données, traitement complexe. Plus de 30 % des coûts de R&D des entreprises d'IA sont consacrés à la collecte et au traitement des données.
Solutions Web3:
Grass : Réseau de couche de données décentralisé, les utilisateurs exécutent des nœuds pour contribuer à la bande passante et capturer des données en temps réel pour obtenir des récompenses en tokens.
Vana : Introduire le concept de pool de liquidité de données )DLP(, les utilisateurs peuvent télécharger des données privées et choisir d'autoriser des tiers à les utiliser.
PublicAI : Les utilisateurs utilisent le tag Web3 ) sur X et @PublicAI pour réaliser la collecte de données.
Grass et OpenLayer envisagent d'ajouter une étape de marquage de données.
Synesis propose le concept "Train2earn", mettant l'accent sur la qualité des données, les utilisateurs fournissant des données annotées étant récompensés.
Sapien gamifie les tâches de marquage, les utilisateurs misent des points pour en gagner davantage.
Technologies de confidentialité principales :
Environnement d'exécution fiable ) TEE (, comme Super Protocol.
Chiffrement homomorphe complet ) FHE (, comme BasedAI, Fhenix.io, Inco Network.
Technologie de preuve à connaissance nulle )zk(, comme le protocole Reclaim qui utilise zkTLS pour générer des preuves de connaissance nulle pour le trafic HTTPS, permettant une importation sécurisée de données provenant de sites externes.
Actuellement au stade précoce, le principal défi est le coût élevé du calcul :
EZKL nécessite 80 minutes pour générer la preuve du modèle 1M-nanoGPT.
Les coûts de zkML sont plus de 1000 fois supérieurs à ceux du calcul pur.
)# 2. Middleware : entraînement et inférence des modèles
Marché décentralisé pour les modèles open source
La controverse sur l'open source des modèles d'IA se poursuit. L'open source apporte une innovation collective, ce qui est un atout, mais comment augmenter la motivation des développeurs sans un modèle de profit ? Li Yanhong a précédemment affirmé que "les modèles open source deviendront de plus en plus obsolètes".
Web3 propose la possibilité d'un marché de modèles décentralisés et open source : pour la tokenisation des modèles, l'équipe conserve une partie des jetons et dirige une partie des revenus futurs vers les détenteurs de jetons.
Bittensor établit un marché P2P de modèles open source, composé de plusieurs "sous-réseaux", où les fournisseurs de ressources rivalisent pour répondre aux objectifs des sous-réseaux, et les sous-réseaux interagissent et apprennent pour réaliser une intelligence plus puissante. Les récompenses sont distribuées par vote de la communauté, en fonction des performances dans le sous-réseau.
ORA introduit le concept d'émission de modèle initial ###IMO(, tokenisant les modèles d'IA, qui peuvent être achetés, vendus et développés via un réseau décentralisé.
Sentient plateforme AGI décentralisée, incitant à la collaboration pour construire des modèles d'IA reproductibles et récompensant les contributeurs.
Spectral Nova se concentre sur la création d'applications de modèles d'IA et d'AM.
Raisonnement vérifiable
Pour le problème de "boîte noire" de l'inférence AI, la solution standard Web3 consiste à répéter les opérations de plusieurs validateurs pour comparer les résultats, mais la pénurie de GPU haut de gamme entraîne des coûts élevés.
Une solution plus prometteuse consiste à exécuter une preuve ZK pour le calcul d'inférence AI hors chaîne, et à vérifier le calcul du modèle AI sur la chaîne. Il est nécessaire de chiffrer sur la chaîne la preuve que le calcul hors chaîne a été effectué correctement ) si l'ensemble de données n'a pas été altéré (, tout en garantissant la confidentialité des données.
Principaux avantages :
Scalabilité : Les preuves ZK peuvent confirmer rapidement un grand nombre de calculs hors chaîne. Même si le nombre de transactions augmente, une seule preuve ZK peut vérifier toutes les transactions.
Protection de la vie privée : les données et les détails du modèle d'IA sont confidentiels, tandis que les parties peuvent vérifier qu'ils n'ont pas été altérés.
Pas de confiance nécessaire : pas besoin de dépendre d'une entité centralisée pour valider les calculs.
Intégration Web2 : L'essence de Web2 est l'intégration hors chaîne, une inférence vérifiable peut aider à amener des ensembles de données et des calculs d'IA sur la chaîne, augmentant ainsi le taux d'adoption de Web3.
Technologie d'inférence vérifiable Web3 actuelle:
zkML : Combine la preuve à divulgation nulle et l'apprentissage automatique, garantissant la confidentialité des modèles de données et permettant des calculs vérifiables sans révéler les attributs sous-jacents. Modulus Labs a publié un prouveur ZK construit à partir de l'IA basé sur ZKML, vérifiant si les fournisseurs d'IA exécutent correctement les algorithmes, les clients étant principalement des DApp en chaîne.
opML : Utiliser le principe de résumé optimiste pour améliorer l'efficacité de l'évolutivité du calcul ML en vérifiant le moment où les litiges surviennent. Il suffit de vérifier une petite partie des résultats des "validateurs", mais en établissant des pénalités économiques élevées pour augmenter le coût de la fraude et économiser les calculs redondants.
TeeML : Exécution sécurisée des calculs ML dans un environnement d'exécution de confiance, protégeant le modèle de données contre la manipulation et l'accès non autorisé.
)# 3. Couche d'application : Agent IA
Le développement de l'IA se concentre désormais sur les agents IA plutôt que sur les capacités des modèles. OpenAI, Anthropic, Microsoft, etc. développent tous des agents IA, tentant de dépasser la phase de plateau de la technologie LLM.
OpenAI définit un agent IA comme un système doté d'un cerveau LLM, capable de compréhension autonome, de perception, de planification, de mémoire et d'utilisation d'outils, capable d'exécuter automatiquement des tâches complexes. L'IA passe d'un outil utilisé à un sujet capable d'utiliser des outils, devenant ainsi un assistant intelligent idéal.
Web3 peut apporter à l'Agent :
Décentralisé
Les caractéristiques décentralisées de Web3 rendent le système Agent plus autonome et dispersé, en établissant un mécanisme d'incitation et de punition pour les stakers et les délégataires via des mécanismes tels que PoS et DPoS, favorisant ainsi la démocratisation du système Agent. GaiaNet, Theoriq et HajimeAI ont tous fait des essais.
Démarrage à froid
Le développement itératif des agents IA nécessite des fonds importants, et le Web3 peut aider les projets à potentiel à obtenir un financement précoce pour un démarrage à froid.
Le protocole virtuel a lancé la plateforme d'émission de jetons fun.virtuals avec AI Agent, permettant aux utilisateurs de déployer un AI Agent en un clic pour garantir une émission de jetons 100% équitable.
Spectral propose un concept de produit d'actifs AI Agent émis sur chaîne : via l'IAO###Initial Agent Offering( pour émettre des jetons, l'AI Agent obtient directement des fonds d'investissement, devient membre de la gouvernance DAO, offrant aux investisseurs la possibilité de participer au développement du projet et de partager les bénéfices.
) Deux, comment l'IA habilite le Web3
L'IA a un impact significatif sur les projets Web3, en optimisant les opérations en chaîne ### telles que l'exécution de contrats intelligents et la liquidité.