ผู้เขียนต้นฉบับ: IOSG Ventures

ขอขอบคุณสำหรับการตอบรับจาก Zhenyang@Upshot, Fran@Giza, Ashely@Nuronets, Matt@Valence, Dylan@Pond

การวิจัยนี้มีจุดมุ่งหมายเพื่อสำรวจว่าด้านใดของปัญญาประดิษฐ์ที่สำคัญที่สุดสำหรับนักพัฒนา และอาจเป็นโอกาสต่อไปที่จะระเบิดในสาขา Web3 และปัญญาประดิษฐ์

ก่อนที่จะแบ่งปันมุมมองการวิจัยใหม่ๆ ก่อนอื่น เรารู้สึกยินดีเป็นอย่างยิ่งที่ได้มีส่วนร่วมในการระดมทุนรอบแรกของ RedPill มูลค่ารวม 5 ล้านเหรียญสหรัฐ เรายังรู้สึกตื่นเต้นมากและตั้งตารอที่จะเติบโตไปพร้อมกับ RedPill ในอนาคต!

TL;ดร

เนื่องจากการรวมกันของ Web3 และ AI กลายเป็นประเด็นร้อนในโลกของสกุลเงินดิจิทัล การสร้างโครงสร้างพื้นฐานของ AI ในโลกของสกุลเงินดิจิทัลจึงมีความเจริญรุ่งเรือง อย่างไรก็ตาม มีแอปพลิเคชันไม่มากนักที่ใช้ AI จริงหรือสร้างสำหรับ AI และปัญหาของการทำให้เป็นเนื้อเดียวกัน ของโครงสร้างพื้นฐาน AI ก็ค่อยๆ เกิดขึ้น การมีส่วนร่วมล่าสุดของเราในการจัดหาเงินทุนรอบแรกของ RedPill ได้จุดประกายความเข้าใจที่ลึกซึ้งยิ่งขึ้น

• เครื่องมือหลักสำหรับการสร้าง AI Dapp ได้แก่ การเข้าถึง OpenAI แบบกระจายอำนาจ เครือข่าย GPU เครือข่ายการอนุมาน และเครือข่ายตัวแทน

• เหตุผลที่เครือข่าย GPU ได้รับความนิยมมากกว่าในช่วง "ช่วงการขุด Bitcoin" ก็เนื่องมาจาก: ตลาด AI มีขนาดใหญ่ขึ้นเติบโตอย่างรวดเร็วและมั่นคง AI รองรับแอปพลิเคชันนับล้านทุกวัน AI ต้องการโมเดล GPU และที่ตั้งเซิร์ฟเวอร์ที่หลากหลาย เทคโนโลยีมีความเป็นผู้ใหญ่มากขึ้นกว่าเดิมและมุ่งเป้าไปที่ฐานลูกค้าที่กว้างขึ้น

• เครือข่ายอนุมานและเครือข่ายเอเจนต์มีโครงสร้างพื้นฐานคล้ายกันแต่มีจุดสนใจต่างกัน เครือข่ายอนุมานมีไว้สำหรับนักพัฒนาที่มีประสบการณ์เป็นหลักในการปรับใช้โมเดลของตนเอง และการรันโมเดลที่ไม่ใช่ LLM ไม่จำเป็นต้องใช้ GPU เครือข่ายตัวแทนให้ความสำคัญกับ LLM มากกว่า นักพัฒนาไม่จำเป็นต้องนำโมเดลของตนเองมาด้วย แต่มุ่งเน้นไปที่วิศวกรรมที่รวดเร็วและวิธีเชื่อมต่อกับตัวแทนต่างๆ เครือข่ายพร็อกซีต้องการ GPU ประสิทธิภาพสูงเสมอ

• คำมั่นสัญญาของโครงการโครงสร้างพื้นฐาน AI นั้นยิ่งใหญ่ และฟีเจอร์ใหม่ ๆ ยังคงเปิดตัวอยู่

• โปรเจ็กต์การเข้ารหัสดั้งเดิมส่วนใหญ่ยังอยู่ในช่วงทดสอบเครือข่าย โดยมีความเสถียรต่ำ การกำหนดค่าที่ซับซ้อน และฟังก์ชันที่จำกัด ยังคงต้องใช้เวลาในการพิสูจน์ความปลอดภัยและความเป็นส่วนตัว

• สมมติว่า AI Dapp กลายเป็นเทรนด์สำคัญ แต่ก็ยังมีพื้นที่ที่ยังไม่ได้ใช้อีกมากมาย เช่น การตรวจสอบ โครงสร้างพื้นฐานที่เกี่ยวข้องกับ RAG โมเดลเนทิฟ Web3 เอเจนต์แบบกระจายอำนาจพร้อม API และข้อมูลเนทิฟที่เข้ารหัสในตัว เครือข่ายการประเมินผล ฯลฯ

• การบูรณาการในแนวดิ่งถือเป็นแนวโน้มที่สำคัญ โครงการโครงสร้างพื้นฐานพยายามที่จะให้บริการแบบครบวงจรเพื่อทำให้การทำงานของนักพัฒนา AI Dapp ง่ายขึ้น

• อนาคตจะเป็นไฮบริด การอนุมานบางส่วนเสร็จสิ้นที่ส่วนหน้าและส่วนหนึ่งได้รับการคำนวณแบบออนไลน์ ซึ่งช่วยให้พิจารณาต้นทุนและความสามารถในการตรวจสอบได้

ที่มา: IOSG

การแนะนำ

• การรวมกันของ Web3 และ AI เป็นหนึ่งในหัวข้อที่ได้รับความนิยมมากที่สุดในด้านการเข้ารหัสในปัจจุบัน นักพัฒนาที่มีความสามารถกำลังสร้างโครงสร้างพื้นฐาน AI สำหรับโลก crypto โดยทำงานเพื่อนำข้อมูลอัจฉริยะมาสู่สัญญาอัจฉริยะ การสร้าง AI dApp นั้นเป็นงานที่ซับซ้อนอย่างยิ่ง และนักพัฒนาจำเป็นต้องจัดการกับข้อมูล แบบจำลอง พลังการประมวลผล การดำเนินงาน การใช้งาน และการบูรณาการกับบล็อกเชน เพื่อตอบสนองต่อความต้องการเหล่านี้ ผู้ก่อตั้ง Web3 ได้พัฒนาโซลูชันเบื้องต้นมากมาย เช่น เครือข่าย GPU คำอธิบายประกอบข้อมูลชุมชน โมเดลที่ได้รับการฝึกอบรมจากชุมชน การอนุมานและการฝึกอบรม AI ที่ตรวจสอบได้ และร้านค้าตัวแทน

• ท่ามกลางโครงสร้างพื้นฐานที่เฟื่องฟูนี้ มีแอปพลิเคชันไม่มากนักที่ใช้ประโยชน์จาก AI จริงหรือสร้างขึ้นสำหรับ AI เมื่อนักพัฒนามองหาบทช่วยสอนการพัฒนา AI dApp พวกเขาพบว่ามีบทช่วยสอนไม่มากนักที่เกี่ยวข้องกับโครงสร้างพื้นฐาน AI ที่เข้ารหัสแบบเนทีฟ บทช่วยสอนส่วนใหญ่เกี่ยวข้องกับการเรียก OpenAI API ที่ส่วนหน้าเท่านั้น

ที่มา: IOSG Ventures

• แอปพลิเคชันในปัจจุบันล้มเหลวในการใช้ประโยชน์จากความสามารถในการกระจายอำนาจและตรวจสอบได้ของบล็อคเชนอย่างเต็มที่ แต่สิ่งนี้จะมีการเปลี่ยนแปลงในไม่ช้า ขณะนี้โครงสร้างพื้นฐานปัญญาประดิษฐ์ส่วนใหญ่ที่เน้นไปที่ฟิลด์การเข้ารหัสได้เปิดตัวเครือข่ายทดสอบแล้ว และวางแผนที่จะเปิดใช้งานอย่างเป็นทางการในอีก 6 เดือนข้างหน้า

• การศึกษาครั้งนี้จะให้รายละเอียดเกี่ยวกับเครื่องมือหลักที่มีอยู่ในโครงสร้างพื้นฐานปัญญาประดิษฐ์ในพื้นที่ crypto มาเตรียมพร้อมสำหรับช่วงเวลา GPT-3.5 ของโลก crypto กันเถอะ!

1. RedPill: ให้การอนุญาตแบบกระจายอำนาจสำหรับ OpenAI

RedPill ที่เราเข้าร่วมตามที่กล่าวไว้ข้างต้นเป็นจุดเริ่มต้นที่ดี

OpenAI มีโมเดลอันทรงพลังระดับโลกหลายรุ่น เช่น GPT-4-vision, GPT-4-turbo และ GPT-4 o ซึ่งเป็นตัวเลือกแรกสำหรับการสร้าง Dapps ปัญญาประดิษฐ์ขั้นสูง

นักพัฒนาสามารถเรียกใช้ OpenAI API ผ่าน oracles หรืออินเทอร์เฟซส่วนหน้าเพื่อรวมเข้ากับ dApps

RedPill ผสานรวม OpenAI API จากนักพัฒนาต่างๆ ไว้ภายใต้อินเทอร์เฟซเดียวเพื่อให้บริการปัญญาประดิษฐ์ที่รวดเร็ว ราคาไม่แพง และตรวจสอบได้แก่ผู้ใช้ทั่วโลก ดังนั้นจึงเป็นประชาธิปไตยในการเข้าถึงทรัพยากรโมเดลปัญญาประดิษฐ์ชั้นนำ อัลกอริธึมการกำหนดเส้นทางของ RedPill ส่งคำขอของนักพัฒนาไปยังผู้มีส่วนร่วมเพียงคนเดียว คำขอ API จะดำเนินการผ่านเครือข่ายการกระจาย ดังนั้นจึงข้ามข้อจำกัดที่เป็นไปได้จาก OpenAI และแก้ไขปัญหาทั่วไปที่นักพัฒนา crypto ต้องเผชิญ เช่น:

• จำกัด TPM (โทเค็นต่อนาที): บัญชีใหม่มีการใช้โทเค็นอย่างจำกัด และไม่สามารถตอบสนองความต้องการของ dApps ที่ได้รับความนิยมและขึ้นอยู่กับ AI

• ข้อจำกัดในการเข้าถึง: บางรุ่นมีข้อจำกัดในบัญชีใหม่หรือการเข้าถึงบางประเทศ

การใช้โค้ดคำขอเดียวกันแต่เปลี่ยนชื่อโฮสต์ นักพัฒนาสามารถเข้าถึงโมเดล OpenAI ได้ด้วยต้นทุนที่ต่ำ พร้อมความสามารถในการปรับขนาดสูงและไม่มีข้อจำกัด

2. เครือข่าย GPU

นอกจากการใช้ API ของ OpenAI แล้ว นักพัฒนาจำนวนมากยังเลือกที่จะโฮสต์โมเดลของตนเองที่บ้านอีกด้วย พวกเขาสามารถพึ่งพาเครือข่าย GPU แบบกระจายอำนาจ เช่น io.net, Aethir, Akash และเครือข่ายยอดนิยมอื่นๆ เพื่อสร้างคลัสเตอร์ GPU และปรับใช้และรันโมเดลภายในหรือโอเพ่นซอร์สอันทรงพลังต่างๆ

เครือข่าย GPU แบบกระจายอำนาจดังกล่าวสามารถใช้พลังการประมวลผลของบุคคลหรือศูนย์ข้อมูลขนาดเล็กเพื่อให้การกำหนดค่าที่ยืดหยุ่น ตัวเลือกตำแหน่งเซิร์ฟเวอร์ที่มากขึ้น และค่าใช้จ่ายที่ลดลง ช่วยให้นักพัฒนาสามารถดำเนินงานที่เกี่ยวข้องกับ AI ได้อย่างง่ายดายภายในการทดสอบงบประมาณที่จำกัด อย่างไรก็ตาม เนื่องจากลักษณะการกระจายอำนาจ เครือข่าย GPU ดังกล่าวยังคงมีข้อจำกัดบางประการในแง่ของฟังก์ชันการทำงาน การใช้งาน และความเป็นส่วนตัวของข้อมูล

ความต้องการ GPU เพิ่มขึ้นอย่างรวดเร็วในช่วงไม่กี่เดือนที่ผ่านมา ซึ่งแซงหน้าการเติบโตอย่างรวดเร็วของการขุด Bitcoin ก่อนหน้านี้ สาเหตุของพฤติกรรมนี้ได้แก่:

• จำนวนลูกค้าเป้าหมายเพิ่มขึ้น และตอนนี้เครือข่าย GPU ให้บริการแก่นักพัฒนา AI ซึ่งไม่เพียงแต่มีจำนวนมาก แต่ยังภักดีมากขึ้น และไม่ได้รับผลกระทบจากความผันผวนของราคาสกุลเงินดิจิทัล

• เมื่อเปรียบเทียบกับอุปกรณ์เฉพาะด้านการขุด GPU แบบกระจายอำนาจจะมีรุ่นและข้อมูลจำเพาะมากกว่า ซึ่งสามารถตอบสนองความต้องการได้ดีกว่า โดยเฉพาะอย่างยิ่ง การประมวลผลโมเดลขนาดใหญ่ต้องใช้ VRAM ที่สูงกว่า ในขณะที่งานเล็กๆ จะมีตัวเลือก GPU ที่เหมาะสมมากกว่า ในขณะเดียวกัน GPU แบบกระจายอำนาจสามารถให้บริการผู้ใช้ในระยะใกล้และลดเวลาแฝงได้

• เมื่อเทคโนโลยีเติบโตเต็มที่มากขึ้น เครือข่าย GPU อาศัยบล็อกเชนความเร็วสูง เช่น การตั้งถิ่นฐานของ Solana เทคโนโลยีการจำลองเสมือนของ Docker และคลัสเตอร์คอมพิวเตอร์ Ray

• ในแง่ของผลตอบแทนการลงทุน ตลาด AI กำลังขยายตัว โดยมีโอกาสมากมายในการพัฒนาแอปพลิเคชันและโมเดลใหม่ ผลตอบแทนที่คาดหวังสำหรับรุ่น H 100 คือ 60-70% ในขณะที่การขุด Bitcoin นั้นซับซ้อนกว่า ผู้ชนะ รับหมดและผลิตจำนวนจำกัด

• บริษัทขุด Bitcoin เช่น Iris Energy, Core Scientific และ Bitdeer ยังได้เริ่มสนับสนุนเครือข่าย GPU ให้บริการ AI และซื้อ GPU ที่ออกแบบมาสำหรับ AI เช่น H 100 อย่างจริงจัง

คำแนะนำ: สำหรับนักพัฒนา Web2 ที่ไม่ให้ความสำคัญกับ SLA มากนัก io.net มอบประสบการณ์ที่เรียบง่ายและใช้งานง่าย และเป็นตัวเลือกที่คุ้มค่า

3. เครือข่ายการอนุมาน

นี่คือแกนหลักของโครงสร้างพื้นฐาน AI ที่เน้นการเข้ารหัส โดยจะรองรับการดำเนินการอนุมาน AI นับพันล้านรายการในอนาคต AI เลเยอร์ 1 หรือเลเยอร์ 2 จำนวนมากช่วยให้นักพัฒนาสามารถเรียกใช้การอนุมาน AI ได้แบบเนทีฟบนห่วงโซ่ ผู้นำตลาด ได้แก่ Ritual, Valence และ Fetch.ai

เครือข่ายเหล่านี้มีความแตกต่างกันดังต่อไปนี้:

• ประสิทธิภาพ (เวลาแฝง เวลาในการคำนวณ)

• รุ่นที่รองรับ

• การตรวจสอบความถูกต้อง

• ราคา (ต้นทุนการบริโภคออนไลน์ ต้นทุนการให้เหตุผล)

• ประสบการณ์การพัฒนา

3.1 วัตถุประสงค์

สถานการณ์ในอุดมคติคือนักพัฒนาสามารถเข้าถึงบริการการอนุมาน AI ที่ปรับแต่งเองได้อย่างง่ายดายจากทุกที่ ผ่านการพิสูจน์ทุกรูปแบบ โดยแทบไม่มีอุปสรรคใด ๆ ในกระบวนการบูรณาการ

เครือข่ายการอนุมานให้การสนับสนุนพื้นฐานทั้งหมดที่นักพัฒนาต้องการ รวมถึงการสร้างและการตรวจสอบการพิสูจน์ตามความต้องการ การดำเนินการคำนวณการอนุมาน การถ่ายทอดและการตรวจสอบข้อมูลการอนุมาน การจัดหาอินเทอร์เฟซ Web2 และ Web3 การปรับใช้โมเดลด้วยคลิกเดียว การตรวจสอบระบบ การดำเนินการข้ามสายโซ่ การรวมการซิงโครไนซ์และฟังก์ชันการดำเนินการตามกำหนดเวลา

ที่มา: IOSG Ventures

ด้วยฟีเจอร์เหล่านี้ นักพัฒนาสามารถรวมบริการอนุมานเข้ากับสัญญาอัจฉริยะที่มีอยู่ได้อย่างราบรื่น ตัวอย่างเช่น เมื่อสร้างหุ่นยนต์ซื้อขาย DeFi หุ่นยนต์เหล่านี้จะใช้โมเดลการเรียนรู้ของเครื่องเพื่อค้นหาโอกาสในการซื้อและขายสำหรับคู่การซื้อขายที่เฉพาะเจาะจง และดำเนินกลยุทธ์การซื้อขายที่สอดคล้องกันบนแพลตฟอร์มการซื้อขายพื้นฐาน

ในโลกที่สมบูรณ์แบบ โครงสร้างพื้นฐานทั้งหมดจะโฮสต์บนคลาวด์ นักพัฒนาเพียงอัปโหลดโมเดลกลยุทธ์การซื้อขายของตนในรูปแบบทั่วไป เช่น คบเพลิง และเครือข่ายการอนุมานจัดเก็บและให้บริการโมเดลสำหรับการสืบค้น Web2 และ Web3

หลังจากขั้นตอนการปรับใช้โมเดลทั้งหมดเสร็จสิ้นแล้ว นักพัฒนาสามารถเรียกการอนุมานโมเดลได้โดยตรงผ่าน Web3 API หรือสัญญาอัจฉริยะ เครือข่ายอนุมานจะดำเนินการตามกลยุทธ์การซื้อขายเหล่านี้อย่างต่อเนื่อง และป้อนผลลัพธ์กลับไปยังสัญญาอัจฉริยะที่เกี่ยวข้อง หากนักพัฒนาจัดการกองทุนชุมชนจำนวนมาก ก็จำเป็นต้องตรวจสอบผลการอนุมานด้วย เมื่อได้รับผลการอนุมานแล้ว สัญญาอัจฉริยะจะดำเนินการธุรกรรมตามผลลัพธ์เหล่านี้

ที่มา: IOSG Ventures

3.1.1 แบบอะซิงโครนัสและซิงโครนัส

ตามทฤษฎีแล้ว การดำเนินการอนุมานแบบอะซิงโครนัสสามารถนำไปสู่ประสิทธิภาพที่ดีขึ้น อย่างไรก็ตาม วิธีการนี้อาจไม่สะดวกในแง่ของประสบการณ์การพัฒนา

เมื่อใช้วิธีการอะซิงโครนัส นักพัฒนาจำเป็นต้องส่งงานไปยังสัญญาอัจฉริยะของเครือข่ายการอนุมานก่อน เมื่องานการอนุมานเสร็จสิ้น สัญญาอัจฉริยะของเครือข่ายอนุมานจะส่งกลับผลลัพธ์ ในโมเดลการเขียนโปรแกรมนี้ ตรรกะถูกแบ่งออกเป็นสองส่วน: การเรียกการอนุมาน และการประมวลผลผลลัพธ์การอนุมาน

ที่มา: IOSG Ventures

สถานการณ์จะแย่ลงหากนักพัฒนามีการเรียกใช้การอนุมานแบบซ้อนและมีตรรกะการควบคุมจำนวนมาก

ที่มา: IOSG Ventures

โมเดลการเขียนโปรแกรมแบบอะซิงโครนัสทำให้ยากต่อการผสานรวมกับสัญญาอัจฉริยะที่มีอยู่ สิ่งนี้ต้องการให้นักพัฒนาเขียนโค้ดเพิ่มเติมจำนวนมาก จัดการกับข้อผิดพลาด และจัดการการขึ้นต่อกัน

ในทางตรงกันข้าม การเขียนโปรแกรมแบบซิงโครนัสนั้นใช้งานง่ายกว่าสำหรับนักพัฒนา แต่ก็ทำให้เกิดปัญหาในด้านเวลาตอบสนองและการออกแบบบล็อกเชน ตัวอย่างเช่น หากข้อมูลอินพุตมีการเปลี่ยนแปลงข้อมูลอย่างรวดเร็ว เช่น เวลาบล็อกหรือราคา ข้อมูลจะไม่ใหม่อีกต่อไปหลังจากการอนุมานเสร็จสิ้น ซึ่งอาจทำให้การดำเนินการของสัญญาอัจฉริยะถูกย้อนกลับในบางสถานการณ์ ลองจินตนาการว่าคุณกำลังซื้อขายในราคาที่ล้าสมัย

ที่มา: IOSG Ventures

โครงสร้างพื้นฐาน AI ส่วนใหญ่ใช้การประมวลผลแบบอะซิงโครนัส แต่ Valence กำลังพยายามแก้ไขปัญหาเหล่านี้

3.2 ความเป็นจริง

ในความเป็นจริง เครือข่ายอนุมานใหม่จำนวนมากยังอยู่ในขั้นตอนการทดสอบ เช่น เครือข่าย Ritual ตามเอกสารสาธารณะ ปัจจุบันเครือข่ายเหล่านี้มีฟังก์ชันการทำงานที่จำกัด (ฟังก์ชันต่างๆ เช่น การตรวจสอบและการรับรอง ยังไม่ออนไลน์) ขณะนี้พวกเขาไม่ได้จัดเตรียมโครงสร้างพื้นฐานระบบคลาวด์เพื่อรองรับการคำนวณ AI แบบออนไลน์ แต่ให้กรอบการทำงานสำหรับการคำนวณ AI แบบโฮสต์ด้วยตนเองและส่งผลลัพธ์แบบออนไลน์แทน

นี่คือสถาปัตยกรรมที่ใช้ AIGC NFT โมเดลการแพร่กระจายจะสร้าง NFT และอัปโหลดไปยัง Arweave เครือข่ายอนุมานจะใช้ที่อยู่ Arweave นี้เพื่อสร้าง NFT on-chain

ที่มา: IOSG Ventures

กระบวนการนี้ซับซ้อนมากและนักพัฒนาจำเป็นต้องปรับใช้และบำรุงรักษาโครงสร้างพื้นฐานส่วนใหญ่ด้วยตนเอง เช่น โหนด Ritual โหนด Stable Diffusion และสัญญาอัจฉริยะ NFT ที่มาพร้อมกับตรรกะบริการที่ปรับแต่งเอง

คำแนะนำ: เครือข่ายการอนุมานในปัจจุบันค่อนข้างซับซ้อนในการบูรณาการและปรับใช้โมเดลที่กำหนดเอง และในขั้นตอนนี้เครือข่ายส่วนใหญ่ยังไม่รองรับความสามารถในการตรวจสอบ การใช้เทคโนโลยี AI ในส่วนหน้าจะช่วยให้นักพัฒนามีทางเลือกที่ค่อนข้างง่าย หากคุณต้องการฟังก์ชันการตรวจสอบความถูกต้องจริงๆ Giza ผู้ให้บริการ ZKML คือตัวเลือกที่ดี

4. เครือข่ายพร็อกซี

เครือข่ายพร็อกซีช่วยให้ผู้ใช้ปรับแต่งพร็อกซีของตนได้อย่างง่ายดาย เครือข่ายดังกล่าวประกอบด้วยเอนทิตีหรือสัญญาอัจฉริยะที่สามารถดำเนินงาน สื่อสารระหว่างกัน และโต้ตอบกับเครือข่ายบล็อกเชนได้โดยอัตโนมัติ ทั้งหมดนี้โดยไม่ต้องมีการแทรกแซงจากมนุษย์โดยตรง โดยมุ่งเน้นที่เทคโนโลยี LLM เป็นหลัก ตัวอย่างเช่น สามารถให้แชทบอท GPT ที่มีความรู้เชิงลึกเกี่ยวกับ Ethereum เครื่องมือปัจจุบันสำหรับแชทบอทประเภทนี้ค่อนข้างจำกัด และนักพัฒนายังไม่สามารถพัฒนาแอปพลิเคชันที่ซับซ้อนตามเครื่องมือเหล่านั้นได้

ที่มา: IOSG Ventures

แต่ในอนาคต เครือข่ายตัวแทนจะจัดหาเครื่องมือเพิ่มเติมให้ตัวแทนใช้ ไม่ใช่แค่ความรู้ แต่ยังรวมถึงความสามารถในการเรียกใช้ API ภายนอก ปฏิบัติงานเฉพาะ ฯลฯ นักพัฒนาจะสามารถเชื่อมต่อตัวแทนหลายรายเข้าด้วยกันเพื่อสร้างเวิร์กโฟลว์ ตัวอย่างเช่น การเขียนสัญญาอัจฉริยะ Solidity เกี่ยวข้องกับเอเจนต์พิเศษหลายตัว รวมถึงเอเจนต์การออกแบบโปรโตคอล เอเจนต์การพัฒนา Solidity เอเจนต์ตรวจสอบความปลอดภัยของโค้ด และเอเจนต์การปรับใช้ Solidity

ที่มา: IOSG Ventures

เราประสานงานความร่วมมือของตัวแทนเหล่านี้ผ่านการใช้การแจ้งเตือนและสถานการณ์

ตัวอย่างของเครือข่ายพร็อกซี ได้แก่ Flock.ai, Myshell, Theoriq

แนะนำ: พร็อกซีส่วนใหญ่ในปัจจุบันมีฟังก์ชันการทำงานค่อนข้างจำกัด สำหรับกรณีการใช้งานเฉพาะ Web2 proxies สามารถให้บริการได้ดีขึ้นและมีเครื่องมือการประสานที่สมบูรณ์ เช่น Langchain และ Llamaindex

5. ความแตกต่างระหว่างเครือข่ายตัวแทนและเครือข่ายการอนุมาน

เครือข่ายตัวแทนมุ่งเน้นไปที่ LLM มากขึ้น โดยมีเครื่องมือเช่น Langchain เพื่อรวมตัวแทนหลายราย โดยทั่วไปแล้ว นักพัฒนาไม่จำเป็นต้องพัฒนาโมเดลการเรียนรู้ของเครื่องด้วยตนเอง และเครือข่ายตัวแทนได้ทำให้กระบวนการพัฒนาโมเดลและการปรับใช้ง่ายขึ้น พวกเขาเพียงแค่ต้องเชื่อมโยงตัวแทนและเครื่องมือที่จำเป็นเข้าด้วยกัน ในกรณีส่วนใหญ่ ผู้ใช้จะใช้พรอกซีเหล่านี้โดยตรง

เครือข่ายอนุมานคือการสนับสนุนโครงสร้างพื้นฐานของเครือข่ายตัวแทน ให้สิทธิ์การเข้าถึงระดับล่างแก่นักพัฒนา ภายใต้สถานการณ์ปกติ ผู้ใช้จะไม่ใช้เครือข่ายการอนุมานโดยตรง นักพัฒนาจำเป็นต้องปรับใช้โมเดลของตนเอง ซึ่งไม่จำกัดเพียง LLM และสามารถใช้งานได้ผ่านจุดเข้าใช้งานแบบออฟไลน์หรือแบบออนไลน์

เครือข่ายตัวแทนและเครือข่ายการอนุมานไม่ใช่ผลิตภัณฑ์อิสระโดยสมบูรณ์ เรากำลังเริ่มเห็นผลิตภัณฑ์บูรณาการในแนวตั้งแล้ว มีความสามารถทั้งเอเจนต์และการอนุมาน เนื่องจากทั้งสองฟังก์ชันอาศัยโครงสร้างพื้นฐานที่คล้ายคลึงกัน

6. ดินแดนแห่งโอกาสใหม่

นอกเหนือจากการอนุมานแบบจำลอง การฝึกอบรม และเครือข่ายตัวแทนแล้ว ยังมีพื้นที่ใหม่ๆ มากมายที่ควรค่าแก่การสำรวจในสาขา web3:

• ชุดข้อมูล: จะเปลี่ยนข้อมูล blockchain ให้เป็นชุดข้อมูลที่ใช้งานได้สำหรับการเรียนรู้ของเครื่องได้อย่างไร สิ่งที่นักพัฒนาแมชชีนเลิร์นนิงต้องการคือข้อมูลเฉพาะเจาะจงมากขึ้น ตัวอย่างเช่น Giza จัดเตรียมชุดข้อมูล DeFi คุณภาพสูงสำหรับการฝึกอบรมการเรียนรู้ของเครื่องโดยเฉพาะ ข้อมูลในอุดมคติควรเป็นมากกว่าข้อมูลแบบตารางธรรมดา และรวมถึงข้อมูลกราฟิกที่สามารถอธิบายปฏิสัมพันธ์ในโลกบล็อกเชนได้ ปัจจุบันเรายังไม่เพียงพอในเรื่องนี้ ขณะนี้บางโครงการกำลังแก้ไขปัญหานี้ด้วยการให้รางวัลแก่บุคคลสำหรับการสร้างชุดข้อมูลใหม่ เช่น Bagel และ Sahara ซึ่งสัญญาว่าจะปกป้องความเป็นส่วนตัวของข้อมูลส่วนบุคคล

• การจัดเก็บโมเดล: บางโมเดลมีขนาดใหญ่ วิธีจัดเก็บ แจกจ่าย และควบคุมเวอร์ชันเหล่านี้ถือเป็นกุญแจสำคัญ ซึ่งเกี่ยวข้องกับประสิทธิภาพและต้นทุนของการเรียนรู้ของเครื่องแบบออนไลน์ ในพื้นที่นี้ โครงการบุกเบิกเช่น Filecoin, AR และ 0g มีความคืบหน้าไปแล้ว

• การฝึกโมเดล: การฝึกโมเดลแบบกระจายและทดสอบได้เป็นปัญหาที่ยาก Gensyn, Bittensor, Flock และ Allora มีความก้าวหน้าครั้งสำคัญ

• การตรวจสอบ: เนื่องจากการอนุมานโมเดลเกิดขึ้นทั้งในและนอกเครือข่าย เราจึงจำเป็นต้องมีโครงสร้างพื้นฐานใหม่เพื่อช่วยให้นักพัฒนา web3 ติดตามการใช้งานโมเดลและค้นพบปัญหาและการเบี่ยงเบนที่อาจเกิดขึ้นได้ทันท่วงที ด้วยเครื่องมือตรวจสอบที่เหมาะสม นักพัฒนาแมชชีนเลิร์นนิง web3 สามารถปรับได้อย่างทันท่วงทีและปรับความแม่นยำของโมเดลได้อย่างต่อเนื่อง

• โครงสร้างพื้นฐาน RAG: RAG แบบกระจายต้องการสภาพแวดล้อมโครงสร้างพื้นฐานใหม่ ซึ่งมีข้อกำหนดที่สูงขึ้นสำหรับการจัดเก็บ การคำนวณแบบฝัง และฐานข้อมูลเวกเตอร์ ในขณะเดียวกันก็รับประกันความเป็นส่วนตัวและความปลอดภัยของข้อมูล สิ่งนี้แตกต่างอย่างมากจากโครงสร้างพื้นฐาน Web3 AI ในปัจจุบัน ซึ่งส่วนใหญ่ต้องอาศัยบุคคลที่สามเพื่อทำให้ RAG เสร็จสมบูรณ์ เช่น Firstbatch และ Bagel

• โมเดลที่ปรับแต่งสำหรับ Web3: ไม่ใช่ทุกรุ่นที่เหมาะกับสถานการณ์ Web3 ในกรณีส่วนใหญ่ แบบจำลองจำเป็นต้องได้รับการฝึกอบรมใหม่เพื่อปรับให้เข้ากับการใช้งานเฉพาะ เช่น การคาดการณ์ราคาและคำแนะนำ ในขณะที่โครงสร้างพื้นฐาน AI เจริญรุ่งเรือง เราคาดว่าโมเดลเนทิฟ web3 จะเพิ่มขึ้นเพื่อรองรับแอปพลิเคชัน AI ในอนาคต ตัวอย่างเช่น Pond กำลังพัฒนาบล็อกเชน GNN สำหรับสถานการณ์ต่างๆ เช่น การคาดการณ์ราคา การแนะนำ การตรวจจับการฉ้อโกง และการป้องกันการฟอกเงิน

• ประเมินเครือข่าย: การประเมินเจ้าหน้าที่โดยไม่มีคำติชมจากมนุษย์ไม่ใช่เรื่องง่าย เมื่อเครื่องมือสร้างตัวแทนได้รับความนิยมมากขึ้น ตัวแทนจำนวนนับไม่ถ้วนก็จะปรากฏในตลาด สิ่งนี้ต้องการระบบที่แสดงให้เห็นถึงความสามารถของเอเจนต์เหล่านี้ และช่วยให้ผู้ใช้พิจารณาว่าเอเจนต์ใดทำงานได้ดีที่สุดในสถานการณ์เฉพาะ ตัวอย่างเช่น Neuronets เป็นผู้เล่นในพื้นที่นี้

• กลไกฉันทามติ: สำหรับงาน AI นั้น PoS ไม่ใช่ตัวเลือกที่ดีที่สุดเสมอไป ความซับซ้อนในการคำนวณ ความยากลำบากในการตรวจสอบความถูกต้อง และการขาดความแน่นอนคือความท้าทายหลักที่ PoS เผชิญอยู่ Bittensor สร้างกลไกฉันทามติอัจฉริยะใหม่ที่ให้รางวัลแก่โหนดในเครือข่ายที่สนับสนุนโมเดลการเรียนรู้ของเครื่องและเอาต์พุต

7. แนวโน้มในอนาคต

ขณะนี้เรากำลังสังเกตเห็นแนวโน้มที่เพิ่มขึ้นของการบูรณาการในแนวดิ่ง ด้วยการสร้างเลเยอร์การประมวลผลขั้นพื้นฐาน เครือข่ายสามารถให้การสนับสนุนงานการเรียนรู้ของเครื่องที่หลากหลาย รวมถึงการฝึกอบรม การอนุมาน และบริการเครือข่ายตัวแทน โมเดลนี้มีจุดมุ่งหมายเพื่อมอบโซลูชันแบบครบวงจรสำหรับนักพัฒนาแมชชีนเลิร์นนิง Web3

ปัจจุบัน การอนุมานแบบออนไลน์แม้ว่าจะมีค่าใช้จ่ายสูงและช้า แต่ก็มีการตรวจสอบที่ยอดเยี่ยมและการผสานรวมที่ราบรื่นกับระบบแบ็กเอนด์ เช่น สัญญาอัจฉริยะ ฉันคิดว่าอนาคตจะเป็นแอพพลิเคชั่นแบบไฮบริด ส่วนหนึ่งของการประมวลผลการให้เหตุผลจะดำเนินการในส่วนหน้าหรือนอกเครือข่าย ในขณะที่การให้เหตุผลในการตัดสินใจที่สำคัญเหล่านั้นจะเสร็จสิ้นทางออนไลน์ โมเดลนี้มีการใช้งานบนอุปกรณ์เคลื่อนที่แล้ว ด้วยการใช้ประโยชน์จากลักษณะของอุปกรณ์เคลื่อนที่ ทำให้สามารถเรียกใช้โมเดลขนาดเล็กภายในเครื่องได้อย่างรวดเร็ว และย้ายงานที่ซับซ้อนมากขึ้นไปยังระบบคลาวด์เพื่อใช้ประโยชน์จากการประมวลผล LLM ที่ใหญ่กว่า