У короткому вигляді:

• Проекти Web3 на основі концепції штучного інтелекту стали привабливими об'єктами інвестування на первинному та вторинному ринках.
• Можливості Web3 в галузі штучного інтелекту полягають в: використанні розподілених стимулів для координації потенційного попиту в довгому хвості - в області даних, зберігання та обчислень; тим часом, створення моделі з відкритим вихідним кодом та децентралізованого ринку для AI-агентів.
• Штучний інтелект відіграє ключову роль у галузі Web3, головним чином у фінансах на ланцюжку (криптовалютні платежі, торгівля, аналіз даних) та допомозі в розробці.
• Корисність AI+Web3 полягає в доповненні двох: Web3 очікується протистояти централізації штучного інтелекту, а штучний інтелект має допомогти Web3 звільнитися від обмежень.

Вступ

Протягом останніх двох років розвиток штучного інтелекту прискорився, як ефект бабочки, ініційований Chatgpt, що не лише відкрив новий світ генеративного штучного інтелекту, але й спровокував тенденцію в далекому Web3.

З благословенням концепції штучного інтелекту фінансування ринку криптовалют значно зросло порівняно з сповільненням. За даними ЗМІ, лише в першій половині 2024 року загалом 64 проекти Web3+AI завершили фінансування, а операційна система Zyber365 на основі штучного інтелекту здобула найвищу суму фінансування в раунді серії А у розмірі 100 мільйонів доларів США.

Другинний ринок більш процвітаючий, і дані з шифрованого агрегаційного сайту Coingecko показують, що протягом тривалості трохи більше року загальна ринкова вартість треку штучного інтелекту сягнула 485 мільярдів доларів з США, з обсягом торгів під час 24 годин наблизився до 86 мільярдів доларів; очевидні переваги, які принесла основна інноваційна технологія штучного інтелекту, після випуску моделі перетворення тексту в відео Sora від OpenAI, середня ціна сектору штучного інтелекту зросла на 151%; ефект штучного інтелекту також випромінював на один з секторів криптовалюти, який поглинає багато золота: перший концепт MemeCoin з агентом штучного інтелекту - GOAT - швидко став популярним і досяг оцінки в 1.4 мільярда доларів США, успішно розпалюючи хвилю Meme з штучним інтелектом.

Дослідження та теми про штучний інтелект + Web3 є однаково популярними. Від штучного інтелекту + Depin до штучного інтелекту Memecoin та до поточного штучного інтелекту Агента та штучного інтелекту DAO, емоція FOMO вже відстала від швидкості нового обороту наративу.

Штучний інтелект + Web3, ця комбінація термінів, наповнена гарячими грошима, трендами та майбутніми фантазіями, неодмінно розглядається як шлюб, укладений капіталом. Здається, нам важко відрізнити, чи це дійсно є домашньою підгрунтям для спекулянтів, чи це світанок під цим чудовим покривалом.

Для відповіді на це питання ключовим є обговорення для обох сторін, чи стане інший краще? Чи можуть вони скористатися зі своїх патернів? У цій статті ми також намагаємося розглянути цю ситуацію з погляду стоячи на плечах попередників: Як Web3 може відігравати роль у різних аспектах стеку технологій штучного інтелекту, і яку нову життєвість може принести штучний інтелект Web3?

Які можливості має Web3 в стеку штучного інтелекту?

Перш ніж ми заглибимося в цю тему, нам потрібно зрозуміти технічний стек великих моделей AI:

Джерело зображення: Delphi Digital

У простіших термінах, «велика модель» схожа на людський мозок. На ранніх етапах цей мозок подібний до новонародженої дитини, яка тільки що з'явилася у світ, потребує спостереження і прийняття величезних обсягів зовнішньої інформації для розуміння світу. Це етап «збору» даних; оскільки комп'ютери не мають кількох почуттів, як люди, перед тренуванням потрібно «перед обробкою» величезну неанотовану зовнішню інформацію, щоб перетворити її в формат, який комп'ютери можуть зрозуміти і використовувати.

Після введення даних ШІ створює модель, яка має здатність розуміти та передбачати через 'тренування', яке можна розглядати як процес того, як малюк поступово розуміє та вчиться про зовнішній світ. Параметри моделі схожі на мовні здібності, які малюк постійно коригує під час процесу навчання. Коли навчальний контент починає спеціалізуватися або коли він отримує зворотний зв'язок від спілкування з людьми та вносить корективи, він потрапляє в стадію 'файн-тюнінгу' великих моделей.

Під час того, як діти зростають і вчаться говорити, вони можуть розуміти значення та виражати свої почуття й думки в нових розмовах, що схоже на 'виведення' великих моделей штучного інтелекту. Модель може передбачати та аналізувати нові мовні та текстові введення. Малюки виражають свої почуття, описують об'єкти та вирішують різноманітні проблеми завдяки мовним здібностям, що також схоже на застосування великих моделей штучного інтелекту в різних конкретних завданнях під час стадії виведення після завершення навчання, таких як класифікація зображень, розпізнавання мови тощо.

У той час як AI Agent наближається до наступної форми великих моделей - здатності самостійно виконувати завдання та переслідувати складні цілі, володіючи не лише здатністю мислити, але й здатністю запам'ятовувати, планувати та взаємодіяти зі світом, використовуючи інструменти.

Нині, вирішуючи болісні питання штабелів штучного інтелекту, Web3 початково сформував багаторівневу, взаємопов'язану екосистему, що охоплює різні етапи процесів моделей штучного інтелекту.

Спочатку, Базовий рівень: Airbnb обчислювальної потужності та даних

Обчислювальна потужність

Наразі однією з найвищих витрат на штучний інтелект є потужність обчислень та енергія, необхідна для навчання моделей та інференційних моделей.

Одним із прикладів є те, що LLAMA3 від Meta вимагає 16 000 графічних процесорів H100 виробництва NVIDIA (топовий графічний процесор, розроблений спеціально для штучного інтелекту та високопродуктивних обчислювальних навантажень), щоб завершити навчання за 30 днів. Версія останнього на 80 ГБ коштує від $30 000 до $40 000, що вимагає інвестицій в апаратне забезпечення в розмірі $4-7 млрд (GPU + мережеві чіпи). Крім того, щомісячні тренування споживають 16 мільярдів кіловат-годин, а витрати енергії становлять майже 20 мільйонів доларів на місяць.

Для розпакування обчислювальної потужності штучного інтелекту це також найраніший напрямок, де Web3 перетинається з AI - DePin (децентралізована фізична інфраструктурна мережа). Наразі веб-сайт даних DePin Ninja відображає понад 1400 проектів, включаючи представницькі проекти спільного використання обчислювальної потужності GPU, такі як io.net, Aethir, Akash, Render Network тощо.

Основна логіка полягає в тому, що платформа дозволяє фізичним особам або суб'єктам з вільними обчислювальними ресурсами внести свою обчислювальну потужність у децентралізований спосіб без дозволу, збільшуючи використання невикористаних обчислювальних ресурсів GPU через онлайн-ринок, схожий на Uber або Airbnb для покупців та продавців, що дозволяє кінцевим користувачам отримувати більш вигідні та ефективні обчислювальні ресурси; у той ж час механізм стейкінгу також забезпечує, що у випадку порушень механізмів контролю якості або перерв у мережі постачальники ресурсів стикаються з відповідними покараннями.

Його функції:

• Пулінг вільних ресурсів GPU: Постачальники в основному є незалежні сторонні невеликі та середні центри обробки даних, надлишкові обчислювальні ресурси від операторів, таких як криптовалютні міни, та гірниче обладнання з механізмами згоди PoS, такі як FileCoin та майнери ETH. Зараз також є проекти, присвячені запуску пристроїв з меншими бар'єрами входу, таких як exolab, що використовує місцеві пристрої, такі як MacBook, iPhone, iPad, для створення мережі обчислювальної потужності для запуску великомасштабних інференційних моделей.
• Зіткнувшись з довгостроковим ринком обчислювальних потужностей штучного інтелекту: а. «З точки зору технології», ринок децентралізованих обчислювальних потужностей більше підходить для кроків міркування. Навчання більше покладається на можливості обробки даних, принесені надвеликим графічним процесором кластерного масштабу, тоді як продуктивність обчислень GPU відносно низька, наприклад, Aethir зосереджується на роботі рендерингу з низькою затримкою та програмах висновків штучного інтелекту. b. «З точки зору попиту», малі та середні вимоги, що вимагають обчислювальної потужності, не будуть індивідуально тренувати свої власні великі моделі, а вирішать оптимізувати та точно налаштувати кілька головних моделей, і ці сценарії, природно, підходять для розподілених непрацюючих обчислювальних ресурсів.
• Децентралізована власність: Технологічне значення блокчейну полягає в тому, що власники ресурсів завжди зберігають контроль над своїми ресурсами, гнучко адаптуються до попиту та отримують прибуток одночасно.

Дані

Дані - це основа ШШ. Без даних обчислення є безплідними, і відношення між даними та моделями схоже на прислів'я 'Сміття на виході'. Кількість та якість даних визначають якість виводу остаточної моделі. Для навчання поточних моделей ШШ дані визначають мовні здібності, здатність до розуміння, навіть цінності та гуманізовану продуктивність моделі. Наразі проблема попиту на дані ШШ головним чином зосереджується на наступних чотирьох аспектах:

• Жадібність до даних: навчання моделі штучного інтелекту сильно залежить від великої кількості вхідних даних. Загальнодоступна інформація показує, що кількість параметрів для навчання GPT-4 від OpenAI досягла рівня трильйонів.
• Якість даних: З поєднанням штучного інтелекту та різних галузей нові вимоги були запропоновані для своєчасності, різноманітності, професіоналізму галузевих даних та прийому нових джерел даних, таких як настрій у соціальних медіа.
• Проблеми конфіденційності та відповідності: В даний час різні країни та підприємства поступово усвідомлюють важливість високоякісних наборів даних та накладають обмеження на перегляд даних.
• Високі витрати на обробку даних: великі обсяги даних, складна обробка. Загальна інформація показує, що понад 30% витрат компаній зі штучним інтелектом використовується на базовий збір та обробку даних.

Наразі рішення web3 відображається в наступних чотирьох аспектах:

1. Збір даних: Вільно доступні реальні дані для парсингу швидко вичерпуються, а витрати компаній зі штучним інтелектом на дані зростають з року в рік. Однак ці витрати не повертаються реальним постачальникам даних; платформи повністю користувалися створеною значною вартістю за допомогою даних, наприклад, Reddit заробив загалом $203 млн від ліцензійних угод з компаніями зі штучним інтелектом.

Візія Web3 полягає в тому, щоб дозволити користувачам, які дійсно сприяють, також брати участь у створенні вартості, яку приносить дані, та отримувати більше особистих та цінних даних користувачів в ефективний спосіб через розподілені мережі та стимулюючі механізми.

• Оскільки Grass є децентралізованим шаром даних та мережею, користувачі можуть захоплювати дані в реальному часі з усього Інтернету, запускаючи вузли Grass, надаючи вільну пропускну здатність та ретранслюючи трафік, і отримувати винагороду у вигляді токенів;
• Vana запроваджує унікальну концепцію Басейну ліквідності даних (DLP), де користувачі можуть завантажувати свої приватні дані (такі як записи про покупки, звички перегляду, активності в соціальних мережах тощо) до конкретного DLP та вибирати, чи авторизувати ці дані для конкретного використання третьої сторони;
• У PublicAI користувачі можуть використовувати #AI або #Web3 як теги класифікації на X@PublicAIЗбір даних можливий.

2. Підготовка даних: Під час обробки даних штучного інтелекту, оскільки зібрані дані зазвичай містять шуми та помилки, їх необхідно очистити та перетворити в придатний формат перед тренуванням моделі, включаючи повторювані завдання стандартизації, фільтрації та обробки відсутніх значень. Ця стадія є одним із небагатьох ручних процесів у галузі штучного інтелекту, що породила галузь анотаторів даних. Оскільки вимоги моделі до якості даних зростають, поріг для анотаторів даних також підвищується. Це завдання природно підходить для децентралізованого інцентивного механізму Web3.

• На даний момент як Grass, так і OpenLayer розглядають можливість додавання анотації даних як ключового кроку.
• Synesis запропонувала концепцію 'Train2earn', підкреслюючи якість даних, де користувачі можуть бути винагороджені за надання анотованих даних, коментарів або інші форми внеску.
• Проект з маркування даних Sapien групує завдання маркування та дозволяє користувачам ставити бали, щоб заробити більше балів.

3. Захист даних та конфіденційність: Потрібно уточнити, що захист даних та конфіденційність - це два різних поняття. Конфіденційність даних включає у себе обробку чутливої інформації, тоді як захист даних захищає інформацію від несанкціонованого доступу, знищення та крадіжки. В результаті переваги та потенційні сценарії застосування технологій приватності Web3 відображаються у двох аспектах: (1) навчання чутливих даних; (2) співпраця щодо даних: кілька власників даних можуть брати участь у тренуванні штучного інтелекту разом, не ділиться своїми вихідними даними.

Загальні технології конфіденційності в Web3 на сьогодні включають:

• Довірена середовище виконання (TEE), таке як Super Protocol;
• Повністю гомоморфне шифрування (FHE), таке як BasedAI, Fhenix.io або Inco Network;
• Технологія нульового знання (zk), така як Протокол повернення, що використовує технологію zkTLS, генерує докази нульового знання трафіку HTTPS, що дозволяє користувачам безпечно імпортувати дані про активність, репутацію та ідентичність з зовнішніх веб-сайтів, не розголошуючи чутливу інформацію.

Проте галузь все ще знаходиться на початкових етапах, і більшість проєктів все ще знаходяться в стадії досліджень. Наразі однією з проблем є те, що витрати на обчислення занадто високі, що ілюструється наступними прикладами:

• Фреймворк zkML EZKL займає приблизно 80 хвилин для генерації доказу моделі 1M-nanoGPT.
• За даними Modulus Labs, накладні витрати zkML вищі за чисті обчислення більше, ніж в 1000 разів.

4. Зберігання даних: Після отримання даних необхідно мати місце для зберігання даних на ланцюзі та використання LLM, що згенерований даними. З доступністю даних (DA) як основною проблемою, до оновлення Ethereum Danksharding, пропускна здатність становила 0,08 МБ. У той же час навчання та реальний час виведення AI-моделей зазвичай вимагають пропускної здатності даних від 50 до 100 ГБ на секунду. Ця різниця порядку величин робить існуючі рішення на ланцюзі недостатніми при стиканні з 'ресурсоємними додатками штучного інтелекту'.

• 0g.AI - представницький проект у цій категорії. Це централізоване сховище, розроблене для високопродуктивних вимог штучного інтелекту, з основними функціями, включаючи високу продуктивність та масштабованість, підтримку швидкого завантаження та скачування обсягових наборів даних через передові технології розділення та кодування знищення, зі швидкістю передачі даних, що наближається до 5 Гбіт на секунду.

Два, Програмне забезпечення: Навчання та виведення моделі

Децентралізований ринок на моделі відкритого коду

Дискусія про те, чи повинні моделі штучного інтелекту бути відкритими або закритими, ніколи не припинялася. Колективна інновація, яку приносить відкрите джерело, є перевагою, яку закриті моделі не можуть зрівнятися. Однак при відсутності прибуткової моделі, як відкриті моделі можуть підвищити мотивацію розробників? Це напрямок, над яким варто задуматися. Засновник Baidu, Робін Лі, заявив у квітні цього року: «Моделі відкритого джерела будуть відставати все більше та більше».

У цьому відношенні Web3 пропонує можливість децентралізованого відкритого ринкового моделювання, а саме токенізацію самої моделі, резервування певної частки токенів для команди та направлення частини майбутніх доходів моделі на власників токенів.

• Протокол Bittensor встановлює відкриту модель ринку P2P, що складається з десятків «підмереж», де постачальники ресурсів (обчислення, збір/зберігання даних, таланти машинного навчання) конкурують між собою, щоб виконати цілі конкретних власників підмереж. Підмережі можуть взаємодіяти та навчатися одна від одної, тим самим досягаючи більшої інтелектуальності. Винагороди розподіляються шляхом голосування спільноти та подальшої розподілу серед підмереж на основі конкурентоспроможності.
• ORA вводить концепцію Ініціативної Модельної Пропозиції (ІМП), токенізація моделей ШІ для покупки, продажу та розвитку на децентралізованих мережах.
• Sentient, децентралізована платформа AGI, стимулює людей співпрацювати, будувати, реплікувати та розширювати моделі штучного інтелекту, винагороджуючи співробітників.
• Спектральна Нова фокусується на створенні та застосуванні моделей штучного інтелекту та машинного навчання.

Перевірне виведення

Для дилеми 'чорної скриньки' у процесі мислення штучного інтелекту стандартним рішенням у мережі Web3 є наявність кількох перевіряючих, які повторюють ту саму операцію та порівнюють результати. Однак через поточний дефіцит високопродуктивних 'чіпів Nvidia' очевидним викликом для цього підходу є високі витрати на мислення штучного інтелекту.

Більш перспективним рішенням є здійснення ZK-доказів обчислень інференції штучного інтелекту поза ланцюжком, де один доводчик може довести іншому перевіряючому, що певне твердження є правдивим, не розкриваючи жодної додаткової інформації, окрім того, що твердження є правдивим, що дозволяє бездозвільну перевірку обчислень моделі штучного інтелекту на ланцюжку. Це потребує доведення на ланцюжку в зашифрованому вигляді того, що поза ланцюжком були правильно завершені обчислення (наприклад, набір даних не був підмінений), забезпечуючи при цьому конфіденційність усіх даних.

Основні переваги включають:

• Масштабованість: Докази з нульовим рівнем знань можуть швидко підтвердити велику кількість обчислень поза ланцюжком. Навіть при збільшенні кількості транзакцій одне доказ з нульовим рівнем знань може підтвердити всі транзакції.
• Захист конфіденційності: Детальна інформація про дані та моделі ШІ зберігається конфіденційно, тоді як всі сторони можуть перевірити, що дані та моделі не були підмінені.
• Не потрібно довіряти: Ви можете підтвердити розрахунок без покладання на централізовані сторони.
• Інтеграція Web2: За визначенням, Web2 інтегрований поза ланцюжком, що означає, що перевірка обґрунтування може допомогти привести його набори даних та обчислення штучного інтелекту на ланцюжок. Це допомагає покращити ухвалення Web3.

Наразі технологія перевірки Web3 для перевірки міркувань така:

• ZKML: Поєднання нульового доказу знань з машинним навчанням для забезпечення конфіденційності даних та моделей, що дозволяє перевірку обчислень без розкриття певних внутрішніх властивостей. Компанія Modulus Labs випустила ZK-перевіряючий пристрій на основі ZKML для побудови штучного інтелекту, щоб ефективно перевіряти, чи правильно виконують алгоритми провайдери ШІ на ланцюжку, проте наразі клієнти переважно зосереджені на ланцюжках DApps.
• opML: Використовуючи оптимістичний принцип агрегації, перевіряючи час виникнення суперечок, покращуючи масштабованість та ефективність обчислень ML, у цій моделі потрібно перевірити лише невелику частину результатів, що генеруються валідатором, проте зниження економічних витрат встановлено настільки високо, щоб збільшити вартість обману валідаторів та зекономити зайві обчислення.
• TeeML: Використовуйте довірене середовище виконання для безпечного виконання обчислень з машинним навчанням, захищаючи дані та моделі від втручання та несанкціонованого доступу.

Три, Рівень додатків: AI Агент

Поточний розвиток штучного інтелекту вже показав зміну акценту з можливостей моделі на ландшафт штучних інтелектуальних агентів. Технологічні компанії, такі як OpenAI, штучний інтелект Anthropic, Microsoft і т.д., переходять до розробки штучних інтелектуальних агентів, намагаючись прорватися через поточний технічний плато LLM.

OpenAI визначає AI Агента як систему, яка працює на LLM як своєму мозку, має здатність автономно розуміти сприйняття, планувати, пам'ятати та використовувати інструменти, і може автоматично виконувати складні завдання. Коли штучний інтелект переходить від бути інструментом, що використовується, до суб'єкта, який може використовувати інструменти, він стає AI Агентом. Це також причина, чому AI Агенти можуть стати найбільш ідеальними розумними помічниками для людей.

Що може принести Web3 для Agent?

1. Децентралізація
Децентралізація Web3 може зробити систему Агента більш децентралізованою та автономною. Механізми стимулювання та покарання для стейкерів та делегатів можуть сприяти демократизації системи Агента, причому GaiaNet, Theoriq та HajimeAI намагаються це зробити.

2, Cold Start
Розвиток та ітерація AI Agent часто потребують великої фінансової підтримки, а Web3 може допомогти перспективним проектам AI Agent отримати фінансування на початковому етапі та холодний старт.

• Virtual Protocol запускає платформу створення та випуску токенів для штучного інтелекту AI Agent на fun.virtuals, де будь-який користувач може розгортати AI Agent з одним кліком і досягати 100% чесного розподілу токенів AI Agent.
• Spectral запропонував концепцію продукту, яка підтримує емісію активів AI Agent на ланцюгу: випуск токенів через IAO (Перший Пропозиція Агента), AI Агенти можуть безпосередньо отримувати кошти від інвесторів, стаючи членом управління DAO, надаючи інвесторам можливість брати участь у розвитку проекту та ділитися майбутніми прибутками.

Як штучний інтелект надає силу Web3?

Вплив штучного інтелекту на проекти Web3 очевидний, оскільки він сприяє технології блокчейну, оптимізуючи операції на ланцюжку (такі як виконання смарт-контрактів, оптимізацію ліквідності та ухвалення рішень на основі штучного інтелекту). В той же час він також може надавати кращі інсайти на основі даних, підвищувати безпеку на ланцюжку та закласти фундамент для нових застосунків на основі Web3.

Один, штучний і ланцюжкова фінансова система

Штучний інтелект та криптоекономіка

31 серпня генеральний директор Coinbase Браян Армстронг оголосив першу зашифровану трансакцію AI-to-AI в мережі Base, заявивши, що AI-агенти тепер можуть здійснювати трансакції з людьми, продавцями або іншими AI на Base за допомогою USD, причому трансакції є миттєвими, глобальними та безкоштовними.

Крім платежів, Luna протоколу Virtuals вперше продемонструвала, як AI Агенти автономно виконують транзакції on-chain, привертаючи увагу та позиціонуючи AI Агентів як розумні сутності, здатні сприймати оточення, приймати рішення та діяти, тому їх бачать як майбутнє on-chain фінансів. Наразі потенційні сценарії для AI Агентів наступні:

1. Збір і прогнозування інформації: Допомога інвесторам збирати оголошення біржі, громадську інформацію про проекти, панічні емоції, ризики громадської думки тощо, аналізувати та оцінювати фундаментальні активи, ринкові умови в реальному часі та прогнозувати тенденції та ризики.

2. Управління активами: надавати користувачам відповідні об'єкти інвестування, оптимізувати розподіл активів та автоматично виконувати угоди.

3. Фінансовий досвід: Допомагати інвесторам обирати найшвидший метод торгівлі on-chain, автоматизувати ручні операції, такі як cross-chain транзакції та налаштування газових винагород, знижувати поріг та витрати на on-chain фінансові діяльності.

Уявіть такий сценарій: ви наказуєте AI Agent наступне: «У мене є 1000USDT, будь ласка, допоможіть мені знайти найвищу доходну комбінацію з блокуванням на тиждень». AI Agent надасть наступну пораду: «Я раджу початкову алокацію 50% в A, 20% в B, 20% в X та 10% в Y. Я буду контролювати процентні ставки і спостерігати за змінами у рівнях їхнього ризику та перебалансувати за необхідності». Додатково, пошук потенційних проектів з аірдропами та популярні знаки спільноти проектів Memecoin - це всі можливі майбутні дії для AI Agent.

Джерело зображення: Biconomy

Зараз гаманці AI Agent Bitte та протокол взаємодії AI Wayfinder роблять такі спроби. Вони всі намагаються отримати доступ до моделі API від OpenAI, що дозволяє користувачам командувати агентами виконувати різні операції on-chain у вікні чату, схожому на інтерфейс ChatGPT. Наприклад, перший прототип, випущений WayFinder у квітні цього року, продемонстрував чотири базові операції: обмін, відправлення, міст, та участь на основних мережах Base, Polygon та Ethereum.

Наразі децентралізована платформа агента Morpheus також підтримує розвиток таких агентів, як показано Biconomy, демонструючи процес, де не потрібні дозволи гаманця для авторизації штучного інтелекту агента на обмін ETH на USDC.

Штучний і безпека транзакцій на ланцюжку

У світі Web3 безпека транзакцій на ланцюжку є важливою. Технологія штучного інтелекту може бути використана для підвищення безпеки та захисту конфіденційності транзакцій на ланцюжку, з потенційними сценаріями, включаючи:

Моніторинг торгівлі: Технологія обробки даних в реальному часі відстежує аномальні торгові дії, забезпечуючи інфраструктуру миттєвого сповіщення для користувачів та платформ.

Аналіз ризиків: Допоможіть платформі проаналізувати дані про поведінку торгів клієнтів та оцінити їх рівень ризику.

Наприклад, веб-платформа з безпеки Web3 SeQure використовує штучний інтелект для виявлення та запобігання зловмисних атак, шахрайської поведінки та витоку даних, надаючи моніторинг в реальному часі та механізми попередження для забезпечення безпеки та стабільності транзакцій у ланцюжку. Схожі засоби безпеки включають системи з штучним інтелектом, такі як Sentinel.

Друге, штучний інтелект та інфраструктура on-chain

Штучний і ланцюжкові дані

Технологія штучного інтелекту відіграє важливу роль у зборі та аналізі даних на ланцюжку, таких як Gate:

• Web3 Аналітика: платформа аналітики на основі штучного інтелекту, яка використовує алгоритми машинного навчання та відстежування даних для збору, обробки та аналізу даних on-chain.
• MinMax AI: Воно надає інструменти аналізу даних на ланцюгу блоків на основі штучного інтелекту, щоб допомогти користувачам виявляти потенційні ринкові можливості та тенденції.
• Kaito: Веб3 пошукова платформа на основі пошукового двигуна LLM.
• Після: Інтегровано з ChatGPT, збирає та інтегрує відповідну інформацію, розсипану по різних веб-сайтах та спільнотних платформах, для презентації.
• Іншим сценарієм застосування є оракул, штучний інтелект може отримувати ціни з різних джерел для надання точних даних про ціни. Наприклад, Upshot використовує штучний інтелект для оцінки змінливих цін на NFT, надаючи процентну похибку від 3 до 10% за допомогою понад ста мільйонів оцінок на годину.

Штучний інтелект та Розвиток та Аудит

Нещодавно у спільноті розробників велику увагу привернув веб-редактор штучного інтелекту Web2, Cursor. На його платформі користувачам потрібно лише описати природною мовою, і Cursor може автоматично генерувати відповідний HTML, CSS та JavaScript-код, що значно спрощує процес розробки програмного забезпечення. Ця логіка також застосовується до підвищення ефективності розробки Web3.

На даний момент розгортання розумних контрактів та DApps на публічних ланцюгах зазвичай вимагає використання ексклюзивних мов програмування, таких як Solidity, Rust, Move і т. д. Мета нових мов програмування полягає в розширенні простору проектування децентралізованих блокчейнів, зробивши його більш придатним для розробки DApp. Однак, з урахуванням значного дефіциту розробників Web3, навчання розробників завжди було більш складним питанням.

Наразі штучний інтелект у сприянні розвитку Web3 може бути уявлено у таких сценаріях, як автоматичне створення коду, верифікація та тестування смарт-контрактів, розгортання та підтримка DApps, інтелектуальне завершення коду, відповідь на складні питання розробки в діалозі з ШІ та інше. За допомогою ШІ він не лише допомагає покращити ефективність та точність розробки, але й знижує поріг програмування, дозволяючи непрограмістам перетворювати свої ідеї на практичні застосування, надаючи нове життя розвитку децентралізованої технології.

Наразі найбільш привертає увагу платформа для запуску токенів з одним кліком, така як Clanker, робот ‘Token Bot’, який працює на основі штучного інтелекту і призначений для швидкого розгортання токенів. Вам лише потрібно позначити Clanker на клієнтах протоколу SocialFi, таких як Warpcast або Supercast, розповісти йому свою ідею токену, і він запустить токен для вас на громадському ланцюжку Base.

Існують також платформи розробки контрактів, такі як Spectral, які надають функції генерації та розгортання у один клік для смарт-контрактів, щоб знизити поріг розвитку Web3, дозволяючи навіть новачкам компілювати та розгортати смарт-контракти.

У сфері аудитування платформа аудитування Web3 Fuzzland використовує штучний інтелект для допомоги аудиторам перевіряти вразливості коду, надаючи пояснення природньою мовою, щоб допомогти професіоналам з аудитування. Fuzzland також використовує штучний інтелект для надання пояснень природною мовою для формальних специфікацій та коду контракту, а також деякого зразкового коду для допомоги розробникам зрозуміти потенційні проблеми в коді.

Три, штучний інтелект та Веб3 Нова наратив

Зростання генеративного штучного інтелекту вносить нові можливості в нову наративу Web3.

NFT: AI впроваджує творчість у генеративні NFT. За допомогою технології штучного інтелекту можна генерувати різноманітні унікальні та різнородні художні твори та персонажі. Ці генеративні NFT можуть стати персонажами, реквізитом або елементами сцени в іграх, віртуальних світах або метавсвітах, таких як Bicasso в рамках Binance, де користувачі можуть генерувати NFT, завантажуючи зображення та вводячи ключові слова для обчислення штучного інтелекту. Схожі проекти включають Solvo, Nicho, IgmnAI та CharacterGPT.

GameFi: З використанням природного генерації мови, генерації зображень та інтелектуальних можливостей NPC навколо штучного інтелекту, очікується, що GameFi покращить ефективність та інновації в виробництві ігрового контенту. Наприклад, перша ланцюгова гра Binaryx AI Hero дозволяє гравцям досліджувати різні варіанти сюжету за допомогою випадковості штучного інтелекту; так само, є віртуальна гра-компаньйон Sleepless AI, де гравці можуть розблокувати персоналізовану геймплей через різні взаємодії на основі AIGC та LLM.

DAO: На даний момент також передбачається, що штучний інтелект буде застосовуватися до DAO, допомагаючи відстежувати взаємодії у спільноті, реєструвати внески, винагорожувати найактивніших учасників, делегувати голосування та інше. Наприклад, ai16z використовує AI Agent для збору інформації про ринок як на ланцюжку, так і поза ним, аналізує консенсус спільноти та приймає інвестиційні рішення в поєднанні з пропозиціями учасників DAO.

Значення інтеграції штучного інтелекту + Web3: Вежа і Площа

У самому серці Флоренції, Італія, розташована центральна площа, найважливіше політичне зібрання для місцевих мешканців і туристів. Тут стоїть вежа ратуші заввишки 95 метрів, створюючи драматичний естетичний ефект з площею, надихаючи професора історії Гарвардського університету Ніла Фергюсона вивчити світову історію мереж та ієрархій у його книзі «Площа та Вежа», показуючи приплив та відплив цих двох через час.

Цей чудовий метафора не втрачає своєї актуальності, коли застосовується до взаємин між штучним інтелектом та Web3 сьогодні. Придивившись до довгострокових, не лінійних історичних відносин між ними, можна побачити, що квадрати більш схильні до створення нових та креативних речей, ніж вежі, але вежі все ще мають свою легітимність та сильну життєздатність.

Здатність кластеризувати енергетичну обчислювальну потужність даних у технологічних компаніях дозволила штучній інтелекту розкрити неймовірну уяву, що призвело до того, що головні технологічні гіганти зробили великі ставки, вводячи різні ітерації, від різних чат-ботів до 'основних великих моделей' таких як GPT-4, GP4-4o. Автоматичний програмний робот (Девін) та Сора, з попередніми здатностями моделювання реального фізичного світу, почали з'являтися один за одним, нескінченно посилюючи уяву штучного інтелекту.

У той же час, штучний інтелект суттєво є великомасштабною та централізованою галуззю, і ця технологічна революція тисне на технологічні компанії, які поступово здобули структурне перевагу в «інтернет-ера», до більш вузької верхньої точки. Величезна сила, монополістичний грошовий потік та величезні набори даних, необхідні для панування в інтелектуальному віці, формують вищі бар'єри для нього.

Поки вежа росте вище, а прийомники рішень за кадром зменшуються, централізація штучного інтелекту приносить багато прихованих небезпек. Як маси, що зібралися на площі, можуть уникнути тіней під вежею? Це проблема, яку намагається вирішити Web3.

Фактично, властивості блокчейну покращують системи штучного інтелекту та відкривають нові можливості, головним чином:

• У епоці штучного інтелекту 'код - це закон' - досягнення прозорих правил автоматичного виконання системи через розумні контракти та перевірку шифрування, що дозволяє нагороджувати аудиторію, що наближається до цілі.
• Економіка токенів - створення та координація поведінки учасників за допомогою токенів, стейкінгу, редукції, винагород за токени та штрафів.
• Децентралізоване управління - спонукає нас питати про джерела інформації та заохочує більш критичний і проникливий підхід до технології штучного інтелекту, запобігаючи упередженості, дезінформації та маніпуляції, в кінцевому підсилюючи більш проінформоване та уповноважене суспільство.

Розвиток штучного інтелекту також приніс нову жвавість у Web3, можливо, вплив Web3 на штучний інтелект потребує часу для доведення, але вплив штучного інтелекту на Web3 негайний: чи то божевільна хвиля Meme, чи штучний інтелект Agent, який допомагає знизити поріг входження для додатків on-chain, це все очевидно.

Коли Web3 визначається як самовдоволенням невеликої групи людей, а також у пастці сумнівів щодо реплікації традиційних галузей, додавання штучного інтелекту приводить до передбачуваного майбутнього: більш стабільної та масштабованої бази користувачів Web2, більш інноваційних бізнес-моделей та сервісів.

Ми живемо у світі, де 'вежі та площі' існують поруч, хоча штучний інтелект та Web3 мають різні графіки та стартові точки, їхня кінцева мета - це як зробити машини краще обслуговувати людство, і ніхто не може визначити поспішну річку. Ми чекаємо на майбутнє штучного інтелекту та Web3.

Заява:

1. Ця стаття взята з [ TechFlow], авторські права належать оригінальному автору [Coinspire]，якщо у вас є запитання щодо реклами, будь ласка, зв'яжіться Gate Learn Team, команда обробить його якомога швидше відповідно до відповідних процедур.
2. Увага: Погляди та думки, висловлені в цій статті, належать виключно автору і не є жодною інвестиційною порадою.
3. Стаття перекладена на інші мови командою Gate Learn, якщо не зазначеноGate.ioПід жодні обставини перекладені статті не можуть бути скопійовані, розповсюджені або взяті з чужого джерела.