ผู้เขียนต้นฉบับ: IOSG Ventures

1

เมื่อมองแวบแรก AI x Web3 ดูเหมือนจะเป็นเทคโนโลยีอิสระ ซึ่งแต่ละเทคโนโลยีมีพื้นฐานอยู่บนหลักการที่แตกต่างกันและให้บริการฟังก์ชันที่แตกต่างกัน อย่างไรก็ตาม เมื่อเจาะลึกลงไปอีกแล้วคุณจะพบว่ามีโอกาสสำหรับทั้งสองเทคโนโลยีในการสร้างสมดุลระหว่างข้อดีข้อเสียของกันและกัน และจุดแข็งที่เป็นเอกลักษณ์ของเทคโนโลยีทั้งสองสามารถเสริมและพัฒนาซึ่งกันและกันได้ Balaji Srinivasan อธิบายแนวคิดเกี่ยวกับความสามารถเสริมนี้ได้อย่างยอดเยี่ยมในการประชุม SuperAI โดยสร้างแรงบันดาลใจในการเปรียบเทียบโดยละเอียดว่าเทคโนโลยีเหล่านี้โต้ตอบกันอย่างไร

ด้วยแนวทางจากล่างขึ้นบน Token เกิดขึ้นจากความพยายามในการกระจายอำนาจของกลุ่มไซเบอร์พังก์ที่ไม่ระบุตัวตน และได้พัฒนามานานกว่าทศวรรษผ่านความพยายามในการทำงานร่วมกันขององค์กรอิสระหลายแห่งทั่วโลก แต่ AI ได้รับการพัฒนาผ่านแนวทางจากบนลงล่าง ซึ่งถูกครอบงำโดยยักษ์ใหญ่ด้านเทคโนโลยีจำนวนหนึ่ง บริษัทเหล่านี้กำหนดจังหวะและพลวัตของอุตสาหกรรม โดยมีอุปสรรคในการเข้าสู่ตลาดซึ่งพิจารณาจากความเข้มข้นของทรัพยากรมากกว่าความซับซ้อนทางเทคโนโลยี

เทคโนโลยีทั้งสองก็มีลักษณะที่แตกต่างไปจากเดิมอย่างสิ้นเชิง โดยพื้นฐานแล้ว โทเค็นเป็นระบบที่กำหนดซึ่งให้ผลลัพธ์ที่ไม่เปลี่ยนรูป เช่น ความสามารถในการคาดเดาของฟังก์ชันแฮช หรือการพิสูจน์ความรู้เป็นศูนย์ สิ่งนี้แตกต่างกับธรรมชาติของปัญญาประดิษฐ์ที่น่าจะเป็นไปได้และมักคาดเดาไม่ได้

ในทำนองเดียวกัน การเข้ารหัสมีความเป็นเลิศใน การตรวจสอบ รับรองความถูกต้องและความปลอดภัยของธุรกรรม และสร้างกระบวนการและระบบ ที่ไม่น่าเชื่อถือ ในขณะที่ AI มุ่งเน้นไปที่ การ สร้าง การสร้างเนื้อหาดิจิทัลที่หลากหลาย อย่างไรก็ตาม ในกระบวนการสร้างความอุดมสมบูรณ์ทางดิจิทัล การรับรองแหล่งที่มาของเนื้อหาและการป้องกันการโจรกรรมข้อมูลส่วนบุคคลกลายเป็นเรื่องท้าทาย

โชคดีที่โทเค็นนำเสนอแนวคิดที่ตรงกันข้ามกับความอุดมสมบูรณ์ทางดิจิทัล – ความขาดแคลนทางดิจิทัล มีเครื่องมือที่ค่อนข้างสมบูรณ์ซึ่งสามารถขยายไปสู่เทคโนโลยีปัญญาประดิษฐ์ได้เพื่อให้มั่นใจในความน่าเชื่อถือของแหล่งเนื้อหาและหลีกเลี่ยงปัญหาการขโมยข้อมูลประจำตัว

ข้อได้เปรียบที่สำคัญของโทเค็นคือความสามารถในการดึงดูดฮาร์ดแวร์และเงินทุนจำนวนมากเข้าสู่เครือข่ายที่มีการประสานงานเพื่อให้บรรลุเป้าหมายเฉพาะ ความสามารถนี้เป็นประโยชน์อย่างยิ่งสำหรับปัญญาประดิษฐ์ที่ใช้พลังงานการประมวลผลจำนวนมาก การระดมทรัพยากรที่ไม่ได้ใช้งานเพื่อให้พลังการประมวลผลที่ถูกกว่าสามารถปรับปรุงประสิทธิภาพของปัญญาประดิษฐ์ได้อย่างมาก

ด้วยการเปรียบเทียบเทคโนโลยีทั้งสองนี้ เราไม่เพียงแต่สามารถชื่นชมการมีส่วนร่วมของแต่ละคนเท่านั้น แต่ยังได้เห็นว่าพวกเขาร่วมกันสร้างเส้นทางใหม่สำหรับเทคโนโลยีและเศรษฐศาสตร์ได้อย่างไร แต่ละเทคโนโลยีสามารถเสริมข้อบกพร่องของอีกเทคโนโลยีหนึ่งได้ ทำให้เกิดอนาคตที่บูรณาการและเป็นนวัตกรรมมากขึ้น ในบล็อกโพสต์นี้ เรามุ่งหวังที่จะสำรวจภูมิทัศน์อุตสาหกรรม AI x Web3 ที่เกิดขึ้นใหม่ โดยเน้นที่แนวดิ่งที่เกิดขึ้นใหม่บางส่วนที่จุดบรรจบของเทคโนโลยีเหล่านี้

ที่มา: IOSG Ventures

2

2.1 เครือข่ายคอมพิวเตอร์

แผนที่อุตสาหกรรมเริ่มแรกแนะนำเครือข่ายคอมพิวเตอร์ที่พยายามแก้ไขปัญหาอุปทาน GPU ที่จำกัด และพยายามลดต้นทุนการประมวลผลในรูปแบบต่างๆ รายการต่อไปนี้ควรค่าแก่การเน้น:

• การทำงานร่วมกันของ GPU แบบไม่รวมเป็นหนึ่ง : นี่เป็นความพยายามที่ทะเยอทะยานอย่างมากโดยมีความเสี่ยงทางเทคนิคและความไม่แน่นอนสูง แต่หากประสบความสำเร็จ ก็จะมีศักยภาพในการสร้างผลลัพธ์ในขนาดมหาศาลและผลกระทบ ทำให้ทรัพยากรการประมวลผลทั้งหมดสามารถทำงานร่วมกันได้ โดยพื้นฐานแล้ว แนวคิดคือการสร้างคอมไพเลอร์และข้อกำหนดเบื้องต้นอื่นๆ เพื่อให้สามารถเสียบปลั๊กทรัพยากรฮาร์ดแวร์ใดๆ ในด้านการจัดหาได้ ในขณะที่ด้านอุปสงค์ ความไม่สม่ำเสมอของฮาร์ดแวร์ทั้งหมดจะถูกสรุปโดยสิ้นเชิงเพื่อให้สามารถกำหนดเส้นทางคำขอประมวลผลของคุณสามารถกำหนดเส้นทางได้ ไปยังเครือข่ายทรัพยากรใด ๆ ใน. หากวิสัยทัศน์นี้ประสบความสำเร็จ จะลดการพึ่งพาซอฟต์แวร์ CUDA ในปัจจุบัน ซึ่งถูกครอบงำโดยนักพัฒนา AI โดยสิ้นเชิง แม้จะมีความเสี่ยงทางเทคนิคสูง แต่ผู้เชี่ยวชาญหลายคนก็ยังไม่เชื่ออย่างมากถึงความเป็นไปได้ของแนวทางนี้

• การรวม GPU ประสิทธิภาพสูง : รวม GPU ที่ได้รับความนิยมมากที่สุดในโลกไว้ในเครือข่ายแบบกระจายและไม่ได้รับอนุญาตโดยไม่ต้องกังวลเกี่ยวกับปัญหาการทำงานร่วมกันระหว่างทรัพยากร GPU ที่ไม่สม่ำเสมอ

• การรวม GPU ระดับสินค้าโภคภัณฑ์ : ชี้ไปที่การรวม GPU ที่มีประสิทธิภาพต่ำกว่าบางตัวที่อาจมีในอุปกรณ์ของผู้บริโภค GPU เหล่านี้เป็นทรัพยากรที่มีการใช้งานน้อยเกินไปในด้านอุปทาน เหมาะสำหรับผู้ที่ยอมสละประสิทธิภาพและความเร็วเพื่อเซสชันการฝึกซ้อมที่ถูกกว่าและยาวนานกว่า

2.2 การฝึกอบรมและการอนุมาน

เครือข่ายคอมพิวเตอร์ใช้เพื่อหน้าที่หลักสองประการเป็นหลัก ได้แก่ การฝึกอบรมและการอนุมาน ความต้องการเครือข่ายเหล่านี้มาจากโครงการ Web 2.0 และ Web 3.0 ในโลกของ Web 3.0 โปรเจ็กต์อย่าง Bittensor ใช้ประโยชน์จากทรัพยากรคอมพิวเตอร์เพื่อการปรับแต่งโมเดลอย่างละเอียด ในแง่ของการให้เหตุผล โครงการ Web 3.0 เน้นการตรวจสอบความถูกต้องของกระบวนการ การมุ่งเน้นนี้ได้ก่อให้เกิดการให้เหตุผลที่ตรวจสอบได้เป็นแนวดิ่งของตลาด และโครงการต่างๆ กำลังสำรวจวิธีบูรณาการการใช้เหตุผลของ AI เข้ากับสัญญาอัจฉริยะ ในขณะที่ยังคงรักษาหลักการของการกระจายอำนาจ

2.3 แพลตฟอร์มตัวแทนอัจฉริยะ

ต่อไปคือ แพลตฟอร์มตัวแทนอัจฉริยะ และกราฟสรุปปัญหาหลักที่สตาร์ทอัพในหมวดหมู่นี้จำเป็นต้องแก้ไข:

• ความสามารถในการทำงานร่วมกันของเอเจนต์และความสามารถในการค้นพบและการสื่อสาร : เอเจนต์สามารถค้นพบและสื่อสารระหว่างกัน

• ความสามารถในการสร้างและการจัดการคลัสเตอร์เอเจนต์ : เอเจนต์สามารถสร้างคลัสเตอร์และจัดการเอเจนต์อื่นๆ ได้

• ความเป็นเจ้าของและการตลาดสำหรับตัวแทน AI : มอบความเป็นเจ้าของและการตลาดสำหรับตัวแทน AI

คุณลักษณะเหล่านี้เน้นย้ำถึงความสำคัญของระบบที่ยืดหยุ่นและเป็นโมดูลาร์ ซึ่งสามารถรวมเข้ากับแอปพลิเคชันบล็อกเชนและปัญญาประดิษฐ์ต่างๆ ได้อย่างราบรื่น ตัวแทน AI มีศักยภาพในการปฏิวัติวิธีที่เราโต้ตอบกับอินเทอร์เน็ต และเราเชื่อว่าตัวแทนจะใช้ประโยชน์จากโครงสร้างพื้นฐานเพื่อรองรับการดำเนินงานของพวกเขา เราจินตนาการถึงตัวแทน AI ที่ต้องอาศัยโครงสร้างพื้นฐานในลักษณะต่อไปนี้:

• เข้าถึงข้อมูลเว็บแบบเรียลไทม์โดยใช้เครือข่ายขูดแบบกระจาย

• การใช้ช่องทาง DeFi สำหรับการชำระเงินระหว่างตัวแทน

• การกำหนดให้มีเงินฝากทางการเงินไม่เพียงมีจุดประสงค์เพื่อลงโทษพฤติกรรมที่ไม่เหมาะสมเท่านั้น แต่ยังเพื่อเพิ่มความสามารถในการค้นพบของตัวแทนด้วย (เช่น การใช้เงินฝากเป็นสัญญาณทางการเงินในระหว่างกระบวนการค้นพบ)

• ใช้ ฉันทามติ ในการตัดสินใจว่าเหตุการณ์ใดควรส่งผลให้มีการตัดทอน

• มาตรฐาน การทำงานร่วมกัน แบบเปิดและกรอบการทำงานของหน่วยงานเพื่อสนับสนุนการสร้าง กลุ่มที่รวบรวมได้

• ประเมินประสิทธิภาพที่ผ่านมาตาม ประวัติข้อมูลที่ไม่เปลี่ยนรูป และเลือกกลุ่มตัวแทนที่เหมาะสมแบบเรียลไทม์

ที่มา: IOSG Ventures

2.4 ชั้นข้อมูล

ในการบรรจบกันของ AI x Web3 ข้อมูลถือเป็นองค์ประกอบหลัก ข้อมูลเป็นทรัพย์สินเชิงกลยุทธ์ในการแข่งขัน AI และเมื่อรวมกับทรัพยากรการประมวลผลแล้ว ข้อมูลดังกล่าวถือเป็นทรัพยากรสำคัญ อย่างไรก็ตาม หมวดหมู่นี้มักถูกมองข้าม เนื่องจากความสนใจของอุตสาหกรรมส่วนใหญ่มุ่งเน้นไปที่ระดับการประมวลผล ในความเป็นจริง พื้นฐานให้แนวทางคุณค่าที่น่าสนใจมากมายในกระบวนการรับข้อมูล โดยส่วนใหญ่รวมถึงแนวทางระดับสูงสองประการต่อไปนี้:

• เข้าถึง ข้อมูลอินเทอร์เน็ตสาธารณะ

• เข้าถึง ข้อมูลที่ได้รับการคุ้มครอง

เข้าถึงข้อมูลอินเทอร์เน็ตสาธารณะ: ทิศทางนี้มีจุดมุ่งหมายเพื่อสร้างเครือข่ายซอฟต์แวร์รวบรวมข้อมูลแบบกระจายที่สามารถรวบรวมข้อมูลอินเทอร์เน็ตทั้งหมดได้ในเวลาไม่กี่วัน รับชุดข้อมูลขนาดใหญ่ หรือเข้าถึงข้อมูลอินเทอร์เน็ตที่เฉพาะเจาะจงมากในแบบเรียลไทม์ อย่างไรก็ตาม ในการรวบรวมข้อมูลชุดข้อมูลขนาดใหญ่บนอินเทอร์เน็ต ความต้องการเครือข่ายนั้นสูงมาก และจำเป็นต้องมีโหนดอย่างน้อยสองสามร้อยโหนดเพื่อเริ่มงานที่มีความหมาย โชคดีที่ Grass ซึ่งเป็นเครือข่ายโหนดซอฟต์แวร์รวบรวมข้อมูลแบบกระจาย มีโหนดมากกว่า 2 ล้านโหนดที่ใช้งานแบนด์วิธอินเทอร์เน็ตร่วมกันกับเครือข่าย โดยมีเป้าหมายในการรวบรวมข้อมูลอินเทอร์เน็ตทั้งหมด นี่แสดงให้เห็นถึงศักยภาพมหาศาลของสิ่งจูงใจทางการเงินเพื่อดึงดูดทรัพยากรอันมีค่า

แม้ว่า Grass จะยกระดับสนามแข่งขันเมื่อพูดถึงข้อมูลสาธารณะ แต่ก็ยังมีความท้าทายในการใช้ประโยชน์จากข้อมูลพื้นฐาน กล่าวคือ การเข้าถึงชุดข้อมูลที่เป็นกรรมสิทธิ์ โดยเฉพาะอย่างยิ่ง ยังมีข้อมูลจำนวนมากที่ถูกเก็บไว้ในลักษณะการรักษาความเป็นส่วนตัวเนื่องจากลักษณะที่ละเอียดอ่อน สตาร์ทอัพจำนวนมากใช้ประโยชน์จากเครื่องมือเข้ารหัสที่ช่วยให้นักพัฒนา AI สามารถสร้างและปรับแต่งโมเดลภาษาขนาดใหญ่โดยใช้โครงสร้างข้อมูลพื้นฐานของชุดข้อมูลที่เป็นกรรมสิทธิ์ ในขณะเดียวกันก็รักษาข้อมูลที่ละเอียดอ่อนให้เป็นส่วนตัว

เทคโนโลยีต่างๆ เช่น การเรียนรู้แบบรวมศูนย์ ความเป็นส่วนตัวที่แตกต่าง สภาพแวดล้อมการดำเนินการที่เชื่อถือได้ การประมวลผลแบบโฮโมมอร์ฟิกอย่างสมบูรณ์และการประมวลผลแบบหลายฝ่าย ให้การปกป้องความเป็นส่วนตัวและการแลกเปลี่ยนในระดับที่แตกต่างกัน บทความวิจัยของ Bagel (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) สรุปภาพรวมที่ยอดเยี่ยมของเทคนิคเหล่านี้ เทคโนโลยีเหล่านี้ไม่เพียงแต่ปกป้องความเป็นส่วนตัวของข้อมูลในระหว่างกระบวนการเรียนรู้ของเครื่องเท่านั้น แต่ยังเปิดใช้งานโซลูชัน AI ที่รักษาความเป็นส่วนตัวอย่างครอบคลุมในระดับคอมพิวเตอร์อีกด้วย

2.5 แหล่งข้อมูลและแบบจำลอง

เทคนิคที่มาของข้อมูลและแบบจำลองมีจุดมุ่งหมายเพื่อสร้างกระบวนการที่สามารถรับประกันได้ว่าผู้ใช้กำลังโต้ตอบกับโมเดลและข้อมูลที่ต้องการ นอกจากนี้ เทคโนโลยีเหล่านี้ยังรับประกันความถูกต้องและแหล่งที่มาอีกด้วย ยกตัวอย่างเทคโนโลยีลายน้ำ ลายน้ำเป็นหนึ่งในเทคโนโลยีแหล่งที่มาของแบบจำลอง ซึ่งฝังลายเซ็นโดยตรงลงในอัลกอริธึมการเรียนรู้ของเครื่อง โดยเฉพาะเจาะจงมากขึ้นในน้ำหนักของแบบจำลอง เพื่อให้สามารถตรวจสอบได้ในระหว่างการดึงข้อมูลว่าการอนุมานมาจากแบบจำลองที่คาดหวังหรือไม่ .

2.6 การสมัคร

ในแง่ของการใช้งาน ความเป็นไปได้ในการออกแบบไม่มีที่สิ้นสุด ในแผนที่อุตสาหกรรมด้านบน เราได้ระบุกรณีการพัฒนาที่น่าตื่นเต้นเป็นพิเศษด้วยการประยุกต์ใช้เทคโนโลยี AI ในฟิลด์ Web 3.0 เนื่องจากกรณีการใช้งานเหล่านี้ส่วนใหญ่อธิบายตัวเองได้ เราจึงไม่ได้แสดงความคิดเห็นเพิ่มเติมที่นี่ อย่างไรก็ตาม เป็นที่น่าสังเกตว่าจุดตัดกันของ AI และ Web 3.0 มีศักยภาพในการเปลี่ยนแปลงแนวดิ่งหลายๆ ด้านในภาคสนาม เนื่องจากพื้นฐานใหม่เหล่านี้ช่วยให้นักพัฒนามีอิสระมากขึ้นในการสร้างกรณีการใช้งานเชิงนวัตกรรมและเพิ่มประสิทธิภาพกรณีการใช้งานที่มีอยู่

สรุป

การบรรจบกันของ AI x Web3 นำมาซึ่งคำมั่นสัญญาที่เต็มไปด้วยนวัตกรรมและศักยภาพ ด้วยการใช้ประโยชน์จากจุดแข็งที่เป็นเอกลักษณ์ของแต่ละเทคโนโลยี เราสามารถแก้ไขความท้าทายที่หลากหลายและสร้างเส้นทางเทคโนโลยีใหม่ได้ ขณะที่เราสำรวจอุตสาหกรรมเกิดใหม่นี้ การทำงานร่วมกันระหว่าง AI x Web3 สามารถขับเคลื่อนความก้าวหน้าที่จะกำหนดรูปแบบประสบการณ์ดิจิทัลในอนาคตของเรา และวิธีที่เราโต้ตอบบนเว็บ

การบรรจบกันของความขาดแคลนทางดิจิทัลและความอุดมสมบูรณ์ทางดิจิทัล การระดมทรัพยากรที่ไม่ได้ใช้ประโยชน์เพื่อให้บรรลุประสิทธิภาพในการคำนวณ และการสร้างแนวทางปฏิบัติด้านข้อมูลที่ปลอดภัยและรักษาความเป็นส่วนตัว จะกำหนดยุคต่อไปของวิวัฒนาการทางเทคโนโลยี

อย่างไรก็ตาม เราต้องรับรู้ว่าอุตสาหกรรมนี้ยังอยู่ในช่วงเริ่มต้นและภูมิทัศน์ของอุตสาหกรรมในปัจจุบันอาจล้าสมัยได้ในระยะเวลาอันสั้น การเปลี่ยนแปลงที่รวดเร็วของนวัตกรรมหมายความว่าโซลูชันที่ล้ำสมัยในปัจจุบันอาจถูกแทนที่ด้วยความก้าวหน้าใหม่ๆ ในไม่ช้า อย่างไรก็ตาม แนวคิดพื้นฐานที่ได้รับการสำรวจ เช่น เครือข่ายคอมพิวเตอร์ แพลตฟอร์มตัวแทน และโปรโตคอลข้อมูล เน้นย้ำถึงความเป็นไปได้มากมายในการบูรณาการปัญญาประดิษฐ์เข้ากับ Web 3.0