ที่มา: IOSG Ventures

คำนำ

การพัฒนาอย่างรวดเร็วของโมเดลภาษาขนาดใหญ่ (LLM) เมื่อเร็วๆ นี้ ได้จุดประกายความสนใจในการใช้ปัญญาประดิษฐ์ (AI) เพื่อเปลี่ยนแปลงอุตสาหกรรมต่างๆ อุตสาหกรรมบล็อคเชนไม่ได้รับการยกเว้น ด้วยการเกิดขึ้นของการบรรยายเรื่อง AI x Crypto ทำให้มันกลายเป็นที่สนใจ บทความนี้สำรวจสามวิธีหลักในการผสาน AI และการเข้ารหัส และสำรวจโอกาสพิเศษของเทคโนโลยีบล็อกเชนในการแก้ปัญหาอุตสาหกรรม AI

แนวทางสามประการของ AIxCrypto ได้แก่:

• การบูรณาการ AI เข้ากับผลิตภัณฑ์ที่มีอยู่: บริษัทอย่าง Dune กำลังใช้ AI เพื่อปรับปรุงผลิตภัณฑ์ของตน เช่น การแนะนำ SQL copilot เพื่อช่วยให้ผู้ใช้เขียนคำสั่งที่ซับซ้อน

• การสร้างโครงสร้างพื้นฐาน AI สำหรับระบบนิเวศสกุลเงินดิจิทัล: สตาร์ทอัพ เช่น Ritual และ Autonolas มุ่งเน้นไปที่การพัฒนาโครงสร้างพื้นฐานที่ขับเคลื่อนด้วย AI ซึ่งปรับให้เหมาะกับความต้องการของระบบนิเวศสกุลเงินดิจิทัล

• การใช้บล็อกเชนเพื่อแก้ไขปัญหาอุตสาหกรรม AI: โครงการต่างๆ เช่น Gensyn, EZKL และ io.net กำลังสำรวจว่าเทคโนโลยีบล็อกเชนสามารถแก้ปัญหาความท้าทายที่อุตสาหกรรม AI เผชิญ เช่น ความเป็นส่วนตัวของข้อมูล ความปลอดภัย และความโปร่งใสได้อย่างไร

สิ่งพิเศษเกี่ยวกับ AI x Crypto คือเทคโนโลยีบล็อคเชนได้รับการคาดหวังให้แก้ปัญหาโดยธรรมชาติของอุตสาหกรรม AI ทางแยกที่มีเอกลักษณ์นี้เปิดโอกาสใหม่ๆ สำหรับโซลูชันที่เป็นนวัตกรรมที่เป็นประโยชน์ต่อชุมชน AI และบล็อกเชน

ในการเจาะลึกเข้าไปในพื้นที่ AI x Crypto เรามุ่งมั่นที่จะระบุและนำเสนอแอปพลิเคชันที่มีแนวโน้มมากที่สุดของเทคโนโลยีบล็อกเชนในการแก้ปัญหาความท้าทายในอุตสาหกรรม AI ด้วยการร่วมมือกับผู้เชี่ยวชาญในอุตสาหกรรม AI และผู้สร้าง crypto เรามุ่งมั่นที่จะส่งเสริมการพัฒนาโซลูชันล้ำสมัยที่ใช้ประโยชน์จากจุดแข็งของเทคโนโลยีทั้งสอง

1. ภาพรวมอุตสาหกรรม

ฟิลด์ AI x Crypto สามารถแบ่งออกเป็นสองประเภท: โครงสร้างพื้นฐานและแอปพลิเคชัน ในขณะที่โครงสร้างพื้นฐานที่มีอยู่บางส่วนยังคงรองรับกรณีการใช้งาน AI ผู้เล่นรายใหม่กำลังเปิดตัวสถาปัตยกรรม AI-native ใหม่ทั้งหมดในตลาด

1. 1 เครือข่ายคอมพิวเตอร์

ในด้าน AIxCrypto เครือข่ายคอมพิวเตอร์มีบทบาทสำคัญในการจัดหาโครงสร้างพื้นฐานที่จำเป็นสำหรับแอปพลิเคชัน AI เครือข่ายเหล่านี้สามารถแบ่งออกเป็นสองประเภทตามงานที่รองรับ: เครือข่ายคอมพิวเตอร์เอนกประสงค์และเครือข่ายคอมพิวเตอร์เฉพาะทาง

1.1.1 เครือข่ายคอมพิวเตอร์ทั่วไป

เครือข่ายคอมพิวเตอร์ทั่วไป เช่น IO.net และ Akash เปิดโอกาสให้ผู้ใช้เข้าถึงเครื่องผ่าน SSH และจัดเตรียมอินเทอร์เฟซบรรทัดคำสั่ง (CLI) ที่ช่วยให้ผู้ใช้สามารถสร้างแอปพลิเคชันของตนเองได้ เครือข่ายเหล่านี้คล้ายกับเซิร์ฟเวอร์ส่วนตัวเสมือน (VPS) ซึ่งให้สภาพแวดล้อมการประมวลผลส่วนบุคคลในระบบคลาวด์

IO.net ขึ้นอยู่กับระบบนิเวศของ Solana และมุ่งเน้นไปที่การเช่า GPU และคลัสเตอร์การประมวลผล ในขณะที่ Akash ซึ่งอิงตามระบบนิเวศของ Cosmos ส่วนใหญ่จะให้บริการเซิร์ฟเวอร์คลาวด์ของ CPU และเทมเพลตแอปพลิเคชันต่างๆ

มุมมองของ IOSG Ventures:

เมื่อเปรียบเทียบกับตลาดคลาวด์ Web2 ที่เติบโตเต็มที่แล้ว เครือข่ายคอมพิวเตอร์ยังอยู่ในช่วงเริ่มต้น เครือข่ายคอมพิวเตอร์ Web3 ขาดโครงสร้าง Lego ของ Web2 เช่น ฟังก์ชันไร้เซิร์ฟเวอร์, VPS และโครงการฐานข้อมูลบนคลาวด์ที่อิงจากผู้ให้บริการคลาวด์รายใหญ่ เช่น AWS, Azure และ Google Cloud

ข้อดีของเครือข่ายคอมพิวเตอร์ได้แก่:

• เทคโนโลยีบล็อคเชนสามารถควบคุมทรัพยากรคอมพิวเตอร์และคอมพิวเตอร์ส่วนบุคคลที่ไม่ได้ใช้เพื่อทำให้เครือข่ายมีความยั่งยืนมากขึ้น

• การออกแบบแบบเพียร์ทูเพียร์ (P2P) ช่วยให้แต่ละบุคคลสามารถสร้างรายได้จากทรัพยากรการประมวลผลที่ไม่ได้ใช้ และมอบการประมวลผลที่มีต้นทุนต่ำลง ซึ่งอาจช่วยลดต้นทุนได้ 75% -90%

อย่างไรก็ตาม เป็นเรื่องยากสำหรับเครือข่ายคอมพิวเตอร์ที่จะนำไปใช้จริงและแทนที่บริการคลาวด์ของ Web2 เนื่องจากความท้าทายดังต่อไปนี้:

• ราคาเป็นข้อได้เปรียบที่สำคัญของเครือข่ายคอมพิวเตอร์ทั่วไปอย่างแน่นอน แต่ก็ยังเป็นเรื่องท้าทายที่จะแข่งขันกับบริษัทคลาวด์ Web2 ที่เติบโตเต็มที่ในแง่ของฟังก์ชันการทำงาน ความปลอดภัย และความเสถียร

• รูปแบบเพียร์ทูเพียร์อาจจำกัดความสามารถของเครือข่ายเหล่านี้ในการส่งมอบผลิตภัณฑ์ที่สมบูรณ์และมีประสิทธิภาพได้อย่างรวดเร็ว ลักษณะการกระจายอำนาจจะเพิ่มต้นทุนการพัฒนาและการบำรุงรักษา

1.1.2 เครือข่ายคอมพิวเตอร์เฉพาะ

เครือข่ายคอมพิวเตอร์ส่วนตัวเพิ่มชั้นพิเศษให้กับเครือข่ายคอมพิวเตอร์อเนกประสงค์ ช่วยให้ผู้ใช้สามารถปรับใช้แอปพลิเคชันเฉพาะผ่านไฟล์การกำหนดค่า เครือข่ายเหล่านี้ได้รับการออกแบบมาเพื่อตอบสนองกรณีการใช้งานเฉพาะ เช่น การเรนเดอร์ 3D หรือการอนุมานและการฝึกอบรม AI

Render คือเครือข่ายคอมพิวเตอร์ระดับมืออาชีพที่เน้นไปที่การเรนเดอร์ 3D ในด้าน AI ผู้เล่นใหม่เช่น Bittensor, Hyperbolic, Ritual และ fetch.ai มุ่งเน้นไปที่การอนุมาน AI ในขณะที่ Flock และ Gensyn มุ่งเน้นไปที่การฝึกอบรม AI เป็นหลัก

มุมมองของ IOSG Ventures:

ข้อดีของเครือข่ายคอมพิวเตอร์เฉพาะ:

• คุณสมบัติการกระจายอำนาจและการเข้ารหัสช่วยแก้ปัญหาการรวมศูนย์และความโปร่งใสที่แพร่หลายในอุตสาหกรรม AI

• เครือข่ายคอมพิวเตอร์และแผนการตรวจสอบที่ไม่ได้รับอนุญาตช่วยให้มั่นใจถึงประสิทธิผลของกระบวนการอนุมานและการฝึกอบรม

• เทคโนโลยีการรักษาความเป็นส่วนตัว เช่น การเรียนรู้แบบสหพันธรัฐที่ Flock ใช้งาน ช่วยให้แต่ละบุคคลสามารถสนับสนุนข้อมูลเพื่อสร้างแบบจำลองการฝึกอบรม ในขณะเดียวกันก็เก็บข้อมูลของตนไว้ในท้องถิ่นและเป็นส่วนตัว

• ด้วยการสนับสนุนการบูรณาการสัญญาอัจฉริยะกับแอปพลิเคชันบล็อกเชนดาวน์สตรีม ทำให้สามารถใช้เหตุผลของ AI บนบล็อกเชนได้โดยตรง

Source: IOSG Ventures

แม้ว่าเครือข่ายการประมวลผลการอนุมาน AI และการฝึกอบรมโดยเฉพาะยังอยู่ในช่วงเริ่มต้น แต่เราคาดว่าแอปพลิเคชัน Web3 AI จะจัดลำดับความสำคัญในการใช้โครงสร้างพื้นฐาน Web3 AI แนวโน้มนี้ชัดเจนอยู่แล้วในความร่วมมือ เช่น Story Protocol และความร่วมมือของ Ritual กับ MyShell เพื่อแนะนำโมเดล AI เป็นทรัพย์สินทางปัญญา

แม้ว่าแอปพลิเคชันนักฆ่าที่สร้างขึ้นบนโครงสร้างพื้นฐาน AI x Web3 ที่เกิดขึ้นใหม่เหล่านี้ยังไม่เกิดขึ้น แต่ศักยภาพในการเติบโตก็มีมาก เมื่อระบบนิเวศเติบโตเต็มที่ เราคาดหวังว่าจะได้เห็นแอปพลิเคชันที่เป็นนวัตกรรมมากขึ้น ซึ่งใช้ประโยชน์จากความสามารถเฉพาะตัวของเครือข่ายคอมพิวเตอร์ AI แบบกระจายอำนาจ

2. ข้อมูล

ข้อมูลมีบทบาทสำคัญในโมเดล AI และข้อมูลมีส่วนร่วมในทุกขั้นตอนของการพัฒนาโมเดล AI รวมถึงการรวบรวมข้อมูล การจัดเก็บชุดข้อมูลการฝึกอบรม และพื้นที่จัดเก็บโมเดล

2.1 การจัดเก็บข้อมูล

พื้นที่จัดเก็บแบบกระจายอำนาจของโมเดล AI มีความสำคัญอย่างยิ่งต่อการจัดหา API การอนุมานในลักษณะแบบกระจายอำนาจ โหนดอนุมานควรจะสามารถดึงข้อมูลโมเดลเหล่านี้ได้จากทุกที่ทุกเวลา เนื่องจากโมเดล AI อาจมีขนาดถึงหลายร้อยกิกะไบต์ จึงจำเป็นต้องมีเครือข่ายการจัดเก็บข้อมูลแบบกระจายอำนาจที่มีประสิทธิภาพ ผู้นำในด้านการจัดเก็บแบบกระจายอำนาจ เช่น Filecoin และ Arweave อาจสามารถมอบฟังก์ชันการทำงานนี้ได้

มุมมองของ IOSG Ventures:

มีโอกาสมากมายในพื้นที่นี้

• เครือข่ายการจัดเก็บข้อมูลแบบกระจายอำนาจที่ปรับให้เหมาะสมสำหรับโมเดล AI ให้การควบคุมเวอร์ชัน การจัดเก็บจำนวนโมเดลที่มีความแม่นยำต่ำต่างๆ และการดาวน์โหลดโมเดลขนาดใหญ่อย่างรวดเร็ว

• ฐานข้อมูลเวกเตอร์แบบกระจายอำนาจ มักจะรวมเข้ากับแบบจำลอง จึงสามารถให้คำตอบที่แม่นยำยิ่งขึ้นโดยการแทรกความรู้ที่จำเป็นที่เกี่ยวข้องกับคำถาม ฐานข้อมูล SQL ที่มีอยู่ยังสามารถเพิ่มได้ด้วยการสนับสนุนการค้นหาเวกเตอร์

2.2 การรวบรวมและการติดฉลากข้อมูล

การรวบรวมข้อมูลคุณภาพสูงถือเป็นสิ่งสำคัญสำหรับการฝึกอบรม AI โครงการที่ใช้บล็อกเชน เช่น Grass ใช้การระดมทุนจากมวลชนเพื่อรวบรวมข้อมูลสำหรับการฝึกอบรม AI โดยใช้ประโยชน์จากเครือข่ายส่วนบุคคล ด้วยแรงจูงใจและกลไกที่เหมาะสม ผู้ฝึกสอน AI สามารถรับข้อมูลคุณภาพสูงด้วยต้นทุนที่ต่ำกว่า โครงการต่างๆ เช่น Tai-da และ Saipen มุ่งเน้นไปที่การติดฉลากข้อมูล

มุมมองของ IOSG Ventures:

ข้อสังเกตบางส่วนของเราในตลาดนี้:

• โปรเจ็กต์การติดป้ายกำกับข้อมูลส่วนใหญ่ได้รับแรงบันดาลใจจาก GameFi ซึ่งดึงดูดผู้ใช้ด้วยแนวคิด แท็กเพื่อรับ และนักพัฒนาพร้อมคำสัญญาว่าจะลดต้นทุนสำหรับข้อมูลที่มีป้ายกำกับคุณภาพสูง

• ขณะนี้ยังไม่มีผู้นำที่ชัดเจนในด้านนี้ และ Scale AI ครองตลาดการติดป้ายกำกับข้อมูล Web2

2.3 ข้อมูลบล็อคเชน

เมื่อฝึกอบรมโมเดล AI สำหรับบล็อกเชนโดยเฉพาะ นักพัฒนาจำเป็นต้องมีข้อมูลบล็อกเชนคุณภาพสูงที่ต้องการใช้โดยตรงในกระบวนการฝึกอบรม Spice AI และ Space and Time มอบข้อมูลบล็อกเชนคุณภาพสูงด้วย SDK ช่วยให้นักพัฒนาสามารถรวมข้อมูลเข้ากับไปป์ไลน์ข้อมูลการฝึกอบรมได้อย่างง่ายดาย

มุมมองของ IOSG Ventures:

เมื่อความต้องการโมเดล AI ที่เกี่ยวข้องกับบล็อกเชนเพิ่มมากขึ้น ความต้องการข้อมูลบล็อกเชนคุณภาพสูงก็จะเพิ่มขึ้น อย่างไรก็ตาม เครื่องมือวิเคราะห์ข้อมูลส่วนใหญ่ในปัจจุบันมีความสามารถในการส่งออกข้อมูลในรูปแบบ CSV เท่านั้น ซึ่งไม่เหมาะสำหรับการฝึกอบรม AI

เพื่ออำนวยความสะดวกในการพัฒนาโมเดล AI เฉพาะบล็อกเชน สิ่งสำคัญคือต้องปรับปรุงประสบการณ์ของนักพัฒนาด้วยการมอบความสามารถในการดำเนินการเรียนรู้ของเครื่อง (MLOP) ที่เกี่ยวข้องกับบล็อกเชนให้มากขึ้น คุณสมบัติเหล่านี้ควรช่วยให้นักพัฒนาสามารถรวมข้อมูลบล็อกเชนเข้ากับไปป์ไลน์การฝึกอบรม AI ที่ใช้ Python ได้อย่างราบรื่นโดยตรง

3. ZKML

ผู้ให้บริการ AI แบบรวมศูนย์เผชิญกับปัญหาความน่าเชื่อถือเนื่องจากมีแรงจูงใจให้ใช้แบบจำลองที่ซับซ้อนน้อยกว่าเพื่อลดต้นทุนการคำนวณ ตัวอย่างเช่น มีหลายครั้งในปีที่แล้วที่ผู้ใช้คิดว่า ChatGPT มีประสิทธิภาพต่ำกว่าปกติ ซึ่งต่อมามีสาเหตุมาจากการอัปเดต OpenAI ที่มีวัตถุประสงค์เพื่อปรับปรุงประสิทธิภาพของโมเดล

นอกจากนี้ ผู้สร้างเนื้อหายังได้แจ้งข้อกังวลด้านลิขสิทธิ์กับบริษัท AI เป็นเรื่องยากสำหรับบริษัทเหล่านี้ในการพิสูจน์ว่าข้อมูลเฉพาะไม่รวมอยู่ในกระบวนการฝึกอบรม

การเรียนรู้ของเครื่องแบบ Zero-Knowledge (ZKML) เป็นแนวทางเชิงนวัตกรรมที่ช่วยแก้ปัญหาความน่าเชื่อถือที่เกี่ยวข้องกับผู้ให้บริการปัญญาประดิษฐ์แบบรวมศูนย์ ด้วยการใช้ประโยชน์จากการพิสูจน์ความรู้แบบศูนย์ ZKML ช่วยให้นักพัฒนาสามารถพิสูจน์ความถูกต้องของการฝึกอบรม AI และกระบวนการอนุมานโดยไม่ต้องเปิดเผยข้อมูลที่ละเอียดอ่อนหรือรายละเอียดของโมเดล

3.1 การฝึกอบรม

นักพัฒนาสามารถดำเนินการฝึกอบรมในเครื่องเสมือนแบบศูนย์ความรู้ (ZKVM) เช่นเครื่องที่ Risc Zero มอบให้ กระบวนการนี้สร้างหลักฐานที่ยืนยันว่าการฝึกอบรมดำเนินไปอย่างถูกต้อง และใช้เฉพาะข้อมูลที่ได้รับอนุญาตเท่านั้น การรับรองนี้ทำหน้าที่เป็นหลักฐานว่านักพัฒนาซอฟต์แวร์ปฏิบัติตามข้อกำหนดการฝึกอบรมที่เหมาะสมและสิทธิ์การใช้ข้อมูล

มุมมองของ IOSG Ventures:

• ZKML มอบโซลูชันที่เป็นเอกลักษณ์สำหรับการพิสูจน์การใช้ข้อมูลที่ได้รับอนุญาตในการฝึกโมเดล ซึ่งมักจะทำได้ยากเมื่อพิจารณาจากลักษณะกล่องดำของโมเดล AI

• เทคโนโลยีนี้ยังอยู่ในช่วงเริ่มต้น ค่าใช้จ่ายในการคำนวณมีมาก ชุมชนกำลังสำรวจกรณีการใช้งานเพิ่มเติมสำหรับการฝึกอบรม ZK อย่างจริงจัง

3.2 การใช้เหตุผล

ZKML ใช้เวลาในการอนุมานนานกว่าเวอร์ชันการฝึกอบรมอย่างมาก มีบริษัทที่มีชื่อเสียงหลายแห่งเกิดขึ้นในพื้นที่นี้ โดยแต่ละบริษัทมีแนวทางเฉพาะในการทำให้การอนุมานของแมชชีนเลิร์นนิงไม่น่าเชื่อถือและโปร่งใส

Giza มุ่งเน้นไปที่การสร้างแพลตฟอร์ม Machine Learning Operations (MLOP) ที่ครอบคลุม และสร้างชุมชนที่มีชีวิตชีวาโดยรอบ เป้าหมายของพวกเขาคือการมอบเครื่องมือและทรัพยากรแก่นักพัฒนาเพื่อรวม ZKML เข้ากับเวิร์กโฟลว์การอนุมาน

ในทางกลับกัน EZKL ให้ความสำคัญกับประสบการณ์การพัฒนาโดยการสร้างเฟรมเวิร์ก ZKML ที่ใช้งานง่ายซึ่งให้ประสิทธิภาพที่ดี โซลูชันของพวกเขาได้รับการออกแบบมาเพื่อลดความซับซ้อนของกระบวนการปรับใช้การอนุมาน ZKML และทำให้นักพัฒนาจำนวนมากขึ้นเข้าถึงได้ง่าย

Modulus Labs ใช้แนวทางที่แตกต่างออกไปในการพัฒนาระบบการพิสูจน์ของตนเอง เป้าหมายหลักของพวกเขาคือการลดค่าใช้จ่ายในการคำนวณที่เกี่ยวข้องกับการอนุมาน ZKML ลงอย่างมาก ด้วยการลดค่าใช้จ่ายลง 10 เท่า Modulus Labs พยายามที่จะทำให้การอนุมาน ZKML ใช้งานได้จริงและมีประสิทธิภาพมากขึ้นสำหรับการใช้งานในโลกแห่งความเป็นจริง

มุมมองของ IOSG Ventures:

• ZKML มีประโยชน์อย่างยิ่งในสถานการณ์ GameFi และ DeFi ที่ความไม่ไว้วางใจถือเป็นสิ่งสำคัญ

• ค่าใช้จ่ายในการคำนวณที่ ZKML นำมาใช้ทำให้การรันโมเดล AI ขนาดใหญ่อย่างมีประสิทธิภาพเป็นเรื่องยาก

• อุตสาหกรรมยังคงมองหาผู้บุกเบิก DeFi และ GameFi เพื่อใช้ ZKML อย่างหนักในผลิตภัณฑ์ของตน เพื่อสาธิตสถานการณ์การใช้งานจริง

4. เครือข่ายพร็อกซี + แอปพลิเคชันอื่นๆ

4.1 เครือข่ายพร็อกซี

เครือข่ายตัวแทนประกอบด้วยตัวแทนปัญญาประดิษฐ์จำนวนมากที่มีเครื่องมือและความรู้เพื่อดำเนินงานเฉพาะ เช่น การช่วยเหลือในการทำธุรกรรมออนไลน์ ตัวแทนเหล่านี้สามารถทำงานร่วมกันเพื่อบรรลุเป้าหมายที่ซับซ้อนมากขึ้น บริษัทที่มีชื่อเสียงหลายแห่งกำลังพัฒนาตัวแทนและเครือข่ายตัวแทนที่มีลักษณะคล้ายแชทบอทอย่างจริงจัง

Sleepless, Siya, Myshell, characterX และ Delysium เป็นผู้เล่นสำคัญที่กำลังสร้างตัวแทนแชทบอท Autonolas และ ChainML กำลังสร้างเครือข่ายพร็อกซีเพื่อกรณีการใช้งานที่มีประสิทธิภาพยิ่งขึ้น

มุมมองของ IOSG Ventures:

เจ้าหน้าที่มีความสำคัญอย่างยิ่งต่อการใช้งานในโลกแห่งความเป็นจริง พวกเขาสามารถทำงานเฉพาะเจาะจงได้ดีกว่าปัญญาประดิษฐ์ทั่วไป Blockchain เสนอโอกาสพิเศษมากมายสำหรับตัวแทนปัญญาประดิษฐ์

• มีแรงจูงใจ: Blockchain มอบสิ่งจูงใจผ่านเทคโนโลยี เช่น โทเค็นที่ไม่สามารถเข้ากันได้ (NFT) ด้วยโครงสร้างการเป็นเจ้าของและแรงจูงใจที่ชัดเจน ผู้สร้างจึงได้รับแรงจูงใจในการพัฒนาตัวแทนออนไลน์ที่น่าสนใจและสร้างสรรค์มากขึ้น

• ความสามารถในการประกอบกันของสัญญาอัจฉริยะ: สัญญาอัจฉริยะบนบล็อกเชนนั้นสามารถประกอบได้สูงและทำงานเหมือนกับบล็อกเลโก้ API แบบเปิดที่จัดทำโดยสัญญาอัจฉริยะช่วยให้ตัวแทนสามารถดำเนินงานที่ซับซ้อนซึ่งยากต่อการบรรลุในระบบการเงินแบบดั้งเดิม ความสามารถในการประกอบนี้ช่วยให้ตัวแทนสามารถโต้ตอบและใช้ประโยชน์จากฟังก์ชันการทำงานของแอปพลิเคชันกระจายอำนาจ (dApps) ที่หลากหลาย

• ความเปิดกว้างโดยธรรมชาติ: ด้วยการสร้างพร็อกซีบนบล็อกเชน พวกเขาสืบทอดความเปิดกว้างและความโปร่งใสโดยธรรมชาติของเครือข่ายเหล่านี้ สิ่งนี้สร้างโอกาสที่สำคัญสำหรับความสามารถในการประกอบระหว่างตัวแทนต่างๆ ช่วยให้พวกเขาสามารถร่วมมือและรวมความสามารถของตนเพื่อแก้ไขงานที่ซับซ้อนมากขึ้น

4.2 การใช้งานอื่นๆ

นอกเหนือจากหมวดหมู่หลักๆ ที่กล่าวถึงก่อนหน้านี้แล้ว ยังมีแอปพลิเคชั่น AI ที่น่าสนใจอีกหลายตัวที่ได้รับความสนใจในพื้นที่ Web3 แม้ว่าพวกมันอาจไม่ใหญ่พอที่จะสร้างหมวดหมู่แยกกันก็ตาม แอปพลิเคชันเหล่านี้ครอบคลุมหลากหลายสาขาและแสดงให้เห็นถึงความหลากหลายและศักยภาพของปัญญาประดิษฐ์ในระบบนิเวศบล็อกเชน

• การสร้างภาพ: ImgnAI

• การสร้างรายได้พร้อมท์รูปภาพ:NFPrompt

• การสร้างภาพ AI ที่ผ่านการฝึกอบรมโดยชุมชน: Botto

• แชทบอท: Kaito, Supersight, Galaxy, Kn n3, Awesome QA, Qna3

• การเงิน : ตัวเลข AI

• กระเป๋าเงิน: Dawn_wallet

• เกม: Parallel TCG

• การศึกษา: ติดยาเสพติด

• ความปลอดภัย: ฟอร์ต้า

• DID：Worldcoin

• เครื่องมือสำหรับครีเอเตอร์: Plai Lab

5. ส่งเสริม AIxCrypto ให้กับผู้ใช้ Web2 เพื่อการนำไปใช้งานจำนวนมาก

AI x Crypto มีเอกลักษณ์เฉพาะตัวเนื่องจากสามารถแก้ปัญหาที่ยากที่สุดในปัญญาประดิษฐ์ได้ แม้จะมีช่องว่างระหว่างผลิตภัณฑ์ AIxCrypto ปัจจุบันและผลิตภัณฑ์ Web2 AI และขาดความน่าดึงดูดใจสำหรับผู้ใช้ Web2 แต่ AIxCrypto ยังคงมีคุณสมบัติพิเศษบางอย่างที่ AIxCrypto เท่านั้นที่สามารถให้ได้

5.1 ทรัพยากรการประมวลผลที่คุ้มค่า:

ข้อได้เปรียบที่สำคัญของ AIxCrypto คือการจัดหาทรัพยากรการประมวลผลที่คุ้มค่า เนื่องจากความต้องการ LLM เพิ่มขึ้นและมีนักพัฒนามากขึ้นในตลาด ความพร้อมใช้งานของ GPU และราคาจึงมีความท้าทายมากขึ้น ราคา GPU เพิ่มขึ้นอย่างมากและมีการขาดแคลน

เครือข่ายคอมพิวเตอร์แบบกระจายอำนาจ เช่น โครงการ DePIN สามารถช่วยบรรเทาปัญหานี้ได้โดยการใช้ประโยชน์จากพลังการประมวลผลที่ไม่ได้ใช้งาน, GPU ในศูนย์ข้อมูลขนาดเล็ก และอุปกรณ์คอมพิวเตอร์ส่วนบุคคล แม้ว่าพลังการประมวลผลแบบกระจายอำนาจอาจไม่เสถียรเท่ากับบริการคลาวด์แบบรวมศูนย์ แต่เครือข่ายเหล่านี้ก็มีอุปกรณ์คอมพิวเตอร์ที่คุ้มต้นทุนในหลากหลายภูมิภาค วิธีการกระจายอำนาจนี้ช่วยลดเวลาแฝงของขอบ ทำให้มั่นใจได้ถึงโครงสร้างพื้นฐานที่มีการกระจายและยืดหยุ่นมากขึ้น

ด้วยการใช้ประโยชน์จากพลังของเครือข่ายการคำนวณแบบกระจายอำนาจ AIxCrypto สามารถมอบทรัพยากรการประมวลผลที่เข้าถึงได้และราคาไม่แพงแก่ผู้ใช้ Web2 ความได้เปรียบด้านต้นทุนนี้น่าสนใจสำหรับผู้ใช้ Web2 ที่จะปรับใช้โซลูชัน AIxCrypto โดยเฉพาะอย่างยิ่งเมื่อความต้องการการประมวลผล AI ยังคงเติบโตอย่างต่อเนื่อง

5.2 ให้สิทธิ์การเป็นเจ้าของแก่ผู้สร้าง:

ประโยชน์ที่สำคัญอีกประการหนึ่งของ AI x Crypto คือการปกป้องสิทธิ์ในกรรมสิทธิ์ของผู้สร้าง ในสาขาปัญญาประดิษฐ์ปัจจุบัน เอเจนต์บางตัวสามารถคัดลอกได้ง่าย เอเจนต์เหล่านี้สามารถจำลองแบบได้อย่างง่ายดายเพียงเขียนพร้อมท์ที่คล้ายกัน นอกจากนี้ พร็อกซีในร้านค้า GPT มักเป็นของบริษัทส่วนกลางมากกว่าผู้สร้าง ซึ่งจำกัดการควบคุมของผู้สร้างต่อผลงานของตนและความสามารถในการสร้างรายได้อย่างมีประสิทธิภาพ

AI x Crypto แก้ปัญหานี้โดยใช้ประโยชน์จากเทคโนโลยี NFT ที่เป็นผู้ใหญ่ซึ่งแพร่หลายในสาขา crypto ด้วยการเป็นตัวแทนของเอเจนซี่ในฐานะ NFT ผู้สร้างสามารถเป็นเจ้าของผลงานของตนได้อย่างแท้จริงและได้รับรายได้จริงจากผลงานเหล่านั้น ทุกครั้งที่ผู้ใช้โต้ตอบกับตัวแทน ผู้สร้างจะได้รับสิ่งจูงใจ เพื่อให้มั่นใจว่าจะได้รับผลตอบแทนที่ยุติธรรมสำหรับความพยายามของพวกเขา แนวคิดของการเป็นเจ้าของแบบ NFT ไม่เพียงแต่ใช้กับตัวแทนเท่านั้น แต่ยังสามารถใช้เพื่อปกป้องทรัพย์สินที่สำคัญอื่นๆ ในสาขาปัญญาประดิษฐ์ เช่น ฐานความรู้และเคล็ดลับ

5.3 ปกป้องความเป็นส่วนตัวและสร้างความไว้วางใจใหม่:

ผู้ใช้และผู้สร้างมีข้อกังวลเกี่ยวกับความเป็นส่วนตัวเกี่ยวกับบริษัท AI แบบรวมศูนย์ ผู้ใช้กังวลว่าข้อมูลของตนจะถูกนำไปใช้ในทางที่ผิดเพื่อฝึกโมเดลในอนาคต ในขณะที่ผู้สร้างกังวลว่างานของตนจะถูกนำไปใช้โดยไม่มีการระบุแหล่งที่มาหรือค่าตอบแทนที่เหมาะสม นอกจากนี้ บริษัท AI ที่รวมศูนย์อาจเสียสละคุณภาพการบริการเพื่อลดต้นทุนโครงสร้างพื้นฐาน

ปัญหาเหล่านี้แก้ไขได้ยากด้วยเทคโนโลยี Web2 และ AIxCrypto ใช้ประโยชน์จากโซลูชัน Web3 ขั้นสูง การฝึกอบรมและการอนุมานแบบไม่มีความรู้ให้ความโปร่งใสโดยการพิสูจน์ข้อมูลที่ใช้และรับรองว่ามีการใช้แบบจำลองที่ถูกต้อง เทคโนโลยีต่างๆ เช่น Trusted Execution Environment (TEE) การเรียนรู้แบบสหพันธรัฐ และการเข้ารหัสโฮโมมอร์ฟิกเต็มรูปแบบ (FHE) ช่วยให้การฝึกอบรมและการอนุมาน AI ที่ปลอดภัยและรักษาความเป็นส่วนตัว

ด้วยการจัดลำดับความสำคัญของความเป็นส่วนตัวและความโปร่งใส AIxCrypto ช่วยให้บริษัท AI ได้รับความไว้วางใจจากสาธารณะ และให้บริการ AI ที่เคารพสิทธิ์ของผู้ใช้ ทำให้พวกเขาแตกต่างจากโซลูชัน Web2 แบบดั้งเดิม

5.3 ปกป้องความเป็นส่วนตัวและสร้างความไว้วางใจใหม่:

ผู้ใช้และผู้สร้างมีข้อกังวลเกี่ยวกับความเป็นส่วนตัวเกี่ยวกับบริษัท AI แบบรวมศูนย์ ผู้ใช้กังวลว่าข้อมูลของตนจะถูกนำไปใช้ในทางที่ผิดเพื่อฝึกโมเดลในอนาคต ในขณะที่ผู้สร้างกังวลว่างานของตนจะถูกนำไปใช้โดยไม่มีการระบุแหล่งที่มาหรือค่าตอบแทนที่เหมาะสม นอกจากนี้ บริษัท AI ที่รวมศูนย์อาจเสียสละคุณภาพการบริการเพื่อลดต้นทุนโครงสร้างพื้นฐาน

ปัญหาเหล่านี้แก้ไขได้ยากด้วยเทคโนโลยี Web2 และ AIxCrypto ใช้ประโยชน์จากโซลูชัน Web3 ขั้นสูง การฝึกอบรมและการอนุมานแบบไม่มีความรู้ให้ความโปร่งใสโดยการพิสูจน์ข้อมูลที่ใช้และรับรองว่ามีการใช้แบบจำลองที่ถูกต้อง เทคโนโลยีต่างๆ เช่น Trusted Execution Environment (TEE) การเรียนรู้แบบสหพันธรัฐ และการเข้ารหัสโฮโมมอร์ฟิกเต็มรูปแบบ (FHE) ช่วยให้การฝึกอบรมและการอนุมาน AI ที่ปลอดภัยและรักษาความเป็นส่วนตัว

ด้วยการจัดลำดับความสำคัญของความเป็นส่วนตัวและความโปร่งใส AIxCrypto ช่วยให้บริษัท AI ได้รับความไว้วางใจจากสาธารณะ และให้บริการ AI ที่เคารพสิทธิ์ของผู้ใช้ ทำให้พวกเขาแตกต่างจากโซลูชัน Web2 แบบดั้งเดิม

5.4 การติดตามแหล่งที่มาของเนื้อหา

เนื่องจากเนื้อหาที่สร้างโดย AI มีความซับซ้อนมากขึ้นเรื่อยๆ การแยกความแตกต่างระหว่างข้อความ รูปภาพ หรือวิดีโอที่เขียนโดยมนุษย์และที่ AI สร้างขึ้นจึงทำได้ยากขึ้น เพื่อป้องกันการนำเนื้อหาที่สร้างโดย AI ไปใช้ในทางที่ผิด ผู้คนจำเป็นต้องมีวิธีที่เชื่อถือได้ในการระบุแหล่งที่มาของเนื้อหา

Blockchain เป็นเลิศในการติดตามแหล่งที่มาของเนื้อหา เช่นเดียวกับที่ประสบความสำเร็จในการจัดการห่วงโซ่อุปทานและ NFT ในอุตสาหกรรมห่วงโซ่อุปทาน บล็อกเชนจะติดตามวงจรชีวิตทั้งหมดของผลิตภัณฑ์ และผู้ใช้สามารถระบุผู้ผลิตและเหตุการณ์สำคัญที่สำคัญได้ ในทำนองเดียวกัน blockchain ติดตามผู้สร้างและป้องกันการละเมิดลิขสิทธิ์ในกรณีของ NFT ซึ่งมีความเสี่ยงอย่างยิ่งต่อการละเมิดลิขสิทธิ์เนื่องจากลักษณะสาธารณะ แม้จะมีช่องโหว่นี้ การใช้บล็อคเชนสามารถลดการสูญเสียจาก NFT ปลอมได้ เนื่องจากผู้ใช้สามารถแยกความแตกต่างระหว่างโทเค็นจริงและโทเค็นปลอมได้อย่างง่ายดาย

ด้วยการใช้เทคโนโลยีบล็อกเชนเพื่อติดตามต้นกำเนิดของเนื้อหาที่สร้างโดย AI AIxCrypto ช่วยให้ผู้ใช้สามารถตรวจสอบว่าผู้สร้างเนื้อหาเป็น AI หรือมนุษย์ ซึ่งจะช่วยลดโอกาสที่จะเกิดการละเมิดและเพิ่มความไว้วางใจในความถูกต้องของเนื้อหา

5.5 การพัฒนาโมเดลด้วยสกุลเงินดิจิทัล

การออกแบบและฝึกอบรมโมเดล โดยเฉพาะโมเดลขนาดใหญ่ เป็นกระบวนการที่มีราคาแพงและใช้เวลานาน โมเดลใหม่นี้ยังมีความไม่แน่นอน และนักพัฒนาก็ไม่สามารถคาดเดาประสิทธิภาพของโมเดลได้

สกุลเงินดิจิทัลมอบวิธีที่เป็นมิตรกับนักพัฒนาในการรวบรวมข้อมูลก่อนการฝึกอบรม รวบรวมคำติชมการเรียนรู้เสริม และดำเนินการระดมทุนจากผู้มีส่วนได้เสีย กระบวนการนี้คล้ายกับวงจรชีวิตของโครงการสกุลเงินดิจิทัลทั่วไป: ระดมทุนผ่านการลงทุนภาคเอกชนหรือ Launch Pad และปล่อยโทเค็นให้กับผู้ร่วมให้ข้อมูลที่ใช้งานอยู่เมื่อเปิดตัว

โมเดลสามารถใช้แนวทางที่คล้ายกัน โดยระดมทุนสำหรับการฝึกอบรมโดยการขายโทเค็นและโทเค็นการแจกอากาศให้กับผู้ให้ข้อมูลและข้อเสนอแนะ ด้วยโมเดลทางเศรษฐกิจโทเค็นที่ออกแบบมาอย่างดี ขั้นตอนการทำงานนี้ช่วยให้นักพัฒนาแต่ละรายฝึกฝนโมเดลใหม่ได้ง่ายกว่าที่เคย

6. ความท้าทายของโทเคนโนมิกส์

โครงการ AI x Crypto เริ่มตั้งเป้าไปที่นักพัฒนา Web2 ในฐานะลูกค้าที่มีศักยภาพ เนื่องจากการเข้ารหัสมีคุณค่าที่เป็นเอกลักษณ์ และขนาดตลาดของอุตสาหกรรมปัญญาประดิษฐ์ Web2 นั้นมีความสำคัญ อย่างไรก็ตาม โทเค็นอาจเป็นอุปสรรคสำหรับนักพัฒนา Web2 ที่ไม่คุ้นเคยกับโทเค็นและไม่เต็มใจที่จะเกี่ยวข้องกับระบบที่ใช้โทเค็น

เพื่อรองรับนักพัฒนา Web2 การลดหรือลบยูทิลิตี้โทเค็นอาจทำให้เกิดความสับสนสำหรับผู้ที่ชื่นชอบ Web3 เนื่องจากอาจเปลี่ยนจุดยืนพื้นฐานของโครงการ AI x Crypto เมื่อทำงานเพื่อรวมโทเค็นอันมีค่าเข้ากับแพลตฟอร์ม AI SaaS การค้นหาสมดุลระหว่างการดึงดูดนักพัฒนา Web2 และการรักษายูทิลิตี้ของโทเค็นถือเป็นงานที่ท้าทาย

เพื่อลดช่องว่างระหว่างโมเดลธุรกิจ Web2 และ Web3 ในขณะที่ยังคงรักษามูลค่าโทเค็น จึงมีแนวทางที่เป็นไปได้หลายประการที่สามารถพิจารณาได้:

• ใช้ประโยชน์จากโทเค็นภายในเครือข่ายโครงสร้างพื้นฐานแบบกระจายของโครงการ ใช้กลไกการปักหลัก ให้รางวัล และลงโทษเพื่อปกป้องเครือข่ายพื้นฐาน

• ใช้โทเค็นเป็นวิธีการชำระเงินและให้สิทธิ์การเข้าถึงแก่ผู้ใช้ Web2

• ใช้การกำกับดูแลตามโทเค็น

• แบ่งปันผลกำไรกับผู้ถือโทเค็น

• ใช้เงินเพื่อซื้อคืนหรือเผาโทเค็น

• บริการที่มอบให้กับโครงการ มอบส่วนลดและคุณสมบัติพิเศษให้กับผู้ถือโทเค็น

ด้วยการออกแบบแบบจำลองทางเศรษฐกิจโทเค็นอย่างระมัดระวังซึ่งสอดคล้องกับความสนใจของ Web2 และ Web3 โครงการ AI x Crypto สามารถดึงดูดนักพัฒนา Web2 ได้สำเร็จในขณะที่ยังคงรักษามูลค่าและประโยชน์ของโทเค็นไว้

7. สถานการณ์ AI x Crypto ที่เราชื่นชอบ

สถานการณ์ AI x Crypto ที่เราชื่นชอบใช้ประโยชน์จากการทำงานร่วมกันของผู้ใช้เพื่อทำงานด้านปัญญาประดิษฐ์ให้สำเร็จด้วยความช่วยเหลือของเทคโนโลยีบล็อกเชน ตัวอย่างเฉพาะบางส่วนได้แก่:

1. การสนับสนุนข้อมูลที่รวบรวมสำหรับการฝึกอบรม AI การจัดตำแหน่งและการเปรียบเทียบ (เช่น Chatbot Arena)

2. ร่วมมือกันสร้างฐานความรู้ร่วมกันขนาดใหญ่ที่ตัวแทนต่างๆ นำไปใช้ได้ (เช่น ซาฮารา)

3. ใช้ทรัพยากรส่วนบุคคลเพื่อเก็บข้อมูลเครือข่าย (เช่น Grass)

โมเดลเหล่านี้แสดงให้เห็นถึงศักยภาพของแนวทางการกระจายอำนาจที่ขับเคลื่อนโดยชุมชนในการพัฒนาและปรับใช้ AI ด้วยการใช้ประโยชน์จากความพยายามร่วมกันของผู้ใช้ตามสิ่งจูงใจและการประสานงานบล็อกเชน

สรุปแล้ว

เราอยู่ในรุ่งอรุณของ AI และ Web3 และการบูรณาการ AI และบล็อกเชนยังอยู่ในช่วงเริ่มต้นเมื่อเทียบกับอุตสาหกรรมอื่นๆ ในบรรดาผลิตภัณฑ์ Gen AI 50 อันดับแรก ไม่มีผลิตภัณฑ์ที่เกี่ยวข้องกับ Web3 เครื่องมือ LLM อันดับต้นๆ เกี่ยวข้องกับการสร้างและแก้ไขเนื้อหา โดยหลักๆ แล้วใช้เพื่อการขาย การประชุม และบันทึก/ฐานความรู้ เมื่อพิจารณาจากการวิจัย เอกสาร การขาย และความพยายามของชุมชนในระบบนิเวศของ Web3 อย่างกว้างขวาง มีศักยภาพอย่างมากในการพัฒนาเครื่องมือ LLM แบบกำหนดเอง

ปัจจุบัน นักพัฒนากำลังมุ่งเน้นไปที่การสร้างโครงสร้างพื้นฐานเพื่อนำโมเดล AI ขั้นสูงมาสู่ห่วงโซ่ แม้ว่าเราจะยังไม่ได้อยู่ที่นั่นก็ตาม ขณะที่เราพัฒนาโครงสร้างพื้นฐานนี้ต่อไป เรายังสำรวจสถานการณ์ผู้ใช้ที่ดีที่สุดสำหรับการดำเนินการอนุมาน AI แบบออนไลน์ในลักษณะที่ปลอดภัยและไร้ความน่าเชื่อถือ ซึ่งมอบโอกาสพิเศษในพื้นที่บล็อกเชน อุตสาหกรรมอื่นๆ สามารถใช้โครงสร้างพื้นฐาน LLM ที่มีอยู่โดยตรงสำหรับการอนุมานและการปรับแต่งอย่างละเอียด มีเพียงอุตสาหกรรมบล็อกเชนเท่านั้นที่ต้องการโครงสร้างพื้นฐาน AI ดั้งเดิมของตัวเอง

ในอนาคตอันใกล้นี้ เราคาดหวังว่าเทคโนโลยีบล็อกเชนจะใช้ประโยชน์จากข้อได้เปรียบแบบเพียร์ทูเพียร์เพื่อแก้ไขปัญหาที่ท้าทายที่สุดในอุตสาหกรรมปัญญาประดิษฐ์ ทำให้โมเดล AI มีราคาไม่แพง เข้าถึงได้ และทำกำไรสำหรับทุกคน นอกจากนี้เรายังคาดหวังว่าพื้นที่ crypto จะเป็นไปตามการเล่าเรื่องของอุตสาหกรรม AI แม้ว่าจะมีความล่าช้าเล็กน้อยก็ตาม ในปีที่ผ่านมา เราได้เห็นนักพัฒนารวมโมเดล Crypto, พร็อกซี และ LLM เข้าด้วยกัน ในอีกไม่กี่เดือนข้างหน้า เราอาจเห็นโมเดลหลายรูปแบบ การสร้างวิดีโอข้อความ และการสร้าง 3 มิติเพิ่มเติมส่งผลกระทบต่อพื้นที่ crypto

อุตสาหกรรม AI และ Web3 ทั้งหมดยังไม่ได้รับความสนใจเพียงพอในปัจจุบัน เรากำลังรอคอยช่วงเวลาแห่งการระเบิดของ AI ใน Web3 ซึ่งเป็นแอปพลิเคชันสุดยอดของ CryptoxAI