Ang Web3-AI space ay ONE sa pinakamainit sa Crypto, pinagsasama ang mahusay na pangako at makabuluhang hype. Halos parang erehe na ituro ang bilang ng mga proyekto sa Web3-AI na may multi-bilyong dolyar na market cap ngunit walang praktikal na mga kaso ng paggamit, na hinimok lamang ng mga proxy na salaysay mula sa tradisyonal na AI market. Samantala, ang agwat sa mga kakayahan ng AI sa pagitan ng Web2 at Web3 ay patuloy na lumalawak nang nakababahala. Gayunpaman, ang Web3-AI ay hindi lahat ng hype. Itinatampok ng mga kamakailang pag-unlad sa generative AI market ang value proposition ng mas desentralisadong mga diskarte.

Isinasaalang-alang ang lahat ng mga salik na ito, makikita natin ang ating sarili sa isang overhyped at overfunded na merkado na hindi nakakonekta sa estado ng generative AI industry, ngunit may kakayahang mag-unlock ng napakalaking halaga para sa susunod na wave ng generative AI. Ang pagkalito ay naiintindihan. Kung tayo ay umatras mula sa hype at pag-aralan ang Web3-AI space sa pamamagitan ng lens ng kasalukuyang mga kinakailangan, malinaw na mga lugar na lalabas kung saan ang Web3 ay maaaring maghatid ng malaking halaga. Ngunit nangangailangan ito ng pagputol sa isang siksik na larangan ng pagbaluktot ng katotohanan.

Bilang Crypto natives, malamang na nakikita natin ang halaga ng desentralisasyon sa lahat ng bagay. Gayunpaman, ang AI ay umunlad bilang isang lalong sentralisadong puwersa sa mga tuntunin ng data at pag-compute, kaya ang halaga ng proposisyon ng desentralisadong AI ay kailangang magsimula sa pamamagitan ng pagkontra sa natural na puwersa ng sentralisasyon.

Pagdating sa AI, dumarami ang hindi pagkakatugma sa pagitan ng halaga na nakikita naming ginagawa sa Web3 at ng mga pangangailangan ng AI market. Ang nakababahalang katotohanan ay ang agwat sa pagitan ng Web2 at Web3 AI ay lumalawak sa halip na lumiliit, na pangunahing hinihimok ng tatlong pangunahing salik:

Limitadong AI Research Talent

Ang bilang ng mga AI researcher na nagtatrabaho sa Web3 ay nasa mababang single-digit. Ito ay halos hindi nakapagpapatibay para sa mga nagsasabing ang Web3 ay ang hinaharap ng AI.

Pinilit na Imprastraktura

T pa namin napapagana ang mga web app na gumana nang maayos sa mga backend ng Web3, kaya ang pag-iisip tungkol sa AI ay isang kahabaan, sa madaling salita. Ang imprastraktura ng Web3 ay nagpapataw ng mga computational constraints na hindi praktikal para sa lifecycle ng generative AI solutions.

Mga Limitadong Modelo, Data, at Computational Resources

Umaasa ang Generative AI sa tatlong bagay: mga modelo, data at compute. Wala sa mga malalaking modelo ng hangganan ang nilagyan upang tumakbo sa mga imprastraktura ng Web3; walang pundasyon para sa malalaking dataset ng pagsasanay; at mayroong napakalaking agwat sa kalidad sa pagitan ng mga kumpol ng Web3 GPU at ng mga kinakailangan para sa paunang pagsasanay at pag-fine-tuning ng mga modelo ng pundasyon.

Ang mahirap na katotohanan ay ang Web3 ay gumagawa ng isang "poor man's" na bersyon ng AI, mahalagang sinusubukang itugma ang mga kakayahan ng Web2 AI ngunit lumilikha ng mas mababang mga bersyon. Ang katotohanang ito ay lubos na kabaligtaran sa napakalaking halaga ng proposisyon ng desentralisasyon sa ilang lugar ng AI.

Upang maiwasang gawing abstract thesis ang pagsusuring ito, sumisid tayo sa iba't ibang desentralisadong mga trend ng AI at suriin ang mga ito kumpara sa kanilang potensyal sa AI market.

Read More: Jesus Rodriguez - Pagpopondo sa Open-Source Generative AI Gamit ang Crypto

Ang realidad na pagbaluktot sa Web3-AI ay humantong sa paunang alon ng pagbabago at pagpopondo upang tumuon sa mga proyekto na ang mga panukala ng halaga ay tila hindi nakakonekta sa mga katotohanan ng merkado ng AI. Kasabay nito, may iba pang mga umuusbong na lugar sa Web3-AI na mayroong napakalaking potensyal.

Desentralisadong GPU Infrastructure para sa Pagsasanay at Fine-Tuning

Sa nakalipas na ilang taon, nakita namin ang isang pagsabog ng mga desentralisadong imprastraktura ng GPU na may pangakong i-demokratize ang pretraining at fine-tuning ng mga modelo ng pundasyon. Ang ideya ay upang paganahin ang isang alternatibo sa monopolisasyon ng GPU na itinatag ng mga kasalukuyang AI lab. Ang katotohanan ay ang pretraining at fine-tuning ng malalaking foundation model ay nangangailangan ng malalaking GPU cluster na may napakabilis na mga bus ng komunikasyon na nagkokonekta sa kanila. Ang isang pretraining cycle ng isang 50B-100B na modelo ng pundasyon sa isang desentralisadong imprastraktura ng AI ay maaaring tumagal ng higit sa isang taon, kung ito ay gagana sa lahat.

ZK-AI Frameworks

Ang ideya ng pagsasama-sama ng zero-knowledge (zk) computations at AI ay nagdulot ng mga kawili-wiling konsepto upang paganahin ang mga mekanismo ng Privacy sa mga modelo ng pundasyon. Dahil sa katanyagan ng imprastraktura ng zk sa Web3, nangangako ang ilang frameworks na i-embed ang zk computation sa mga foundation model. Bagama't kaakit-akit sa teorya, ang mga modelo ng zk-AI ay mabilis na nahaharap sa hamon ng pagiging napakamahal mula sa isang computational na pananaw kapag inilapat sa malalaking modelo. Bukod pa rito, lilimitahan ng zk ang mga aspeto tulad ng interpretability, na ONE sa mga pinaka-promising na lugar sa generative AI.

Proof-of-Inference

Ang Crypto ay tungkol sa mga cryptographic na patunay, at kung minsan ang mga ito ay nakakabit sa mga bagay na T nangangailangan ng mga ito. Sa espasyo ng Web3-AI, nakikita namin ang mga halimbawa ng mga framework na naglalabas ng mga cryptographic na patunay ng mga partikular na output ng modelo. Ang mga hamon sa mga sitwasyong ito ay hindi teknolohikal ngunit nauugnay sa merkado. Karaniwan, ang proof-of-inference ay medyo isang solusyon na naghahanap ng problema at walang anumang tunay na kaso ng paggamit ngayon.

Mga Ahente na may Wallets

Ang mga ahenteng daloy ng trabaho ay ONE sa mga pinakakawili-wiling uso sa generative AI at may malaking potensyal para sa Crypto. Sa pamamagitan ng mga ahente, tinutukoy namin ang mga programang AI na hindi lamang basta-basta makakasagot sa mga tanong batay sa mga input, ngunit nagsasagawa rin ng mga aksyon laban sa isang partikular na kapaligiran. Bagama't ang karamihan sa mga autonomous na ahente ay nilikha para sa mga nakahiwalay na kaso ng paggamit, nakikita natin ang mabilis na paglitaw ng mga multi-agent na kapaligiran at pakikipagtulungan.

Ito ay isang lugar kung saan maaaring i-unlock ng Crypto ang napakalaking halaga. Halimbawa, isipin ang isang senaryo kung saan ang isang ahente ay kailangang kumuha ng iba pang mga ahente upang makumpleto ang isang gawain o magtaya ng ilang halaga upang matiyak ang kalidad ng mga output nito. Ang pagbibigay ng mga ahente ng pinansiyal na primitive sa anyo ng mga Crypto rails ay nagbubukas ng maraming kaso ng paggamit para sa ahenteng pakikipagtulungan.

Crypto Funding para sa AI

ONE sa mga pinakakilalang sikreto sa generative AI ay ang open-source AI space ay sumasailalim sa napakalaking funding crunch. Karamihan sa mga open-source AI lab ay T na kayang magtrabaho sa malalaking modelo at sa halip ay tumutuon sa iba pang mga lugar na T nangangailangan ng napakalaking halaga ng compute access at data. Ang Crypto ay napakahusay sa pagbuo ng kapital na may mga mekanismo tulad ng mga airdrop, mga insentibo o kahit na mga puntos. Ang konsepto ng Crypto funding rails para sa open-source generative AI ay ONE sa mga pinaka-promising na lugar sa intersection ng dalawang trend na ito.

Mga Modelong Maliit na Pundasyon

Noong nakaraang taon, binuo ng Microsoft ang terminong small language model (SLM) pagkatapos ilabas ang Phi model nito, na, na may mas mababa sa 2B na mga parameter, ay nagawang malampasan ang mas malalaking LLM sa mga gawain sa computer science at matematika. Ang mga maliliit na modelo ng pundasyon - isipin ang mga 1B-5B na parameter - ay isang pangunahing kinakailangan para sa posibilidad ng desentralisadong AI at i-unlock ang mga magagandang sitwasyon para sa on-device na AI. Ang pag-desentralisa ng mga multi-hundred-billion-parameter na mga modelo ay halos imposible ngayon at mananatiling ganoon sa ilang sandali. Gayunpaman, ang mga maliliit na modelo ng pundasyon ay dapat na gumana sa marami sa mga imprastraktura ng Web3 ngayon. Ang pagtulak sa agenda ng SLM ay mahalaga para sa pagbuo ng tunay na halaga sa Web3 at AI.

Sintetikong Pagbuo ng Data

Ang kakulangan ng data ay ONE sa mga pinakamalaking hamon sa pinakabagong henerasyon ng mga modelo ng pundasyon. Bilang resulta, dumarami ang antas ng pananaliksik na nakatuon sa mga synthetic na mekanismo ng pagbuo ng data gamit ang mga modelo ng pundasyon na maaaring umakma sa mga real-world na dataset. Ang mekanika ng mga Crypto network at mga insentibo ng token ay perpektong makakapag-coordinate ng malaking bilang ng mga partido upang magtulungan sa paglikha ng mga bagong sintetikong dataset.

Mayroong ilang iba pang kawili-wiling mga uso sa Web3-AI na may malaking potensyal. Ang mga proof-of-Human na output ay nagiging mas nauugnay dahil sa mga hamon sa nilalamang binuo ng AI. Ang pagsusuri at benchmarking ay isang segment ng AI kung saan ang tiwala at transparency na mga kakayahan ng Web3 ay maaaring lumiwanag. Ang human-centric fine-tuning, tulad ng reinforcement learning na may Human feedback (RLHF), ay isa ring kawili-wiling senaryo para sa mga Web3 network. Ang iba pang mga sitwasyon ay malamang na lumabas habang ang generative AI ay patuloy na nagbabago at ang mga kakayahan sa Web3-AI ay tumanda.

Ang pangangailangan para sa higit pang mga desentralisadong kakayahan ng AI ay tunay na totoo. Bagama't ang industriya ng Web3 ay maaaring wala pa sa posisyon upang karibal ang halaga na nilikha ng mga modelo ng AI mega, maaari nitong i-unlock ang tunay na halaga para sa generative AI space. Ang pinakamalaking hamon para sa ebolusyon ng Web3-AI ay maaaring pagtagumpayan ang sarili nitong larangan ng pagbaluktot ng katotohanan. Maraming halaga sa Web3-AI; kailangan lang nating tumuon sa pagbuo ng mga totoong bagay.

Tandaan: Ang mga pananaw na ipinahayag sa column na ito ay sa may-akda at hindi kinakailangang sumasalamin sa mga pananaw ng CoinDesk, Inc. o sa mga may-ari at kaakibat nito.