AI+Web3: Menara dan Lapangan

TL;DR

1. Proyek Web3 dengan konsep AI menjadi target penggalangan dana di pasar primer dan sekunder.

2. Peluang Web3 di industri AI terletak pada: menggunakan insentif terdistribusi untuk mengoordinasikan pasokan potensial dalam ekor panjang------lintas data, penyimpanan, dan komputasi; pada saat yang sama, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.

3. AI di industri Web3 terutama digunakan dalam keuangan on-chain (pembayaran kripto, perdagangan, analisis data) serta mendukung pengembangan.

4. Kegunaan AI+Web3 terletak pada saling melengkapi antara keduanya: Web3 diharapkan dapat melawan sentralisasi AI, dan AI diharapkan dapat membantu Web3 untuk keluar dari lingkaran.

Pendahuluan

Dalam dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepatannya, sayap kupu-kupu yang dipicu oleh Chatgpt tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga memicu gelombang di sisi lain Web3.

Dengan dukungan konsep AI, pembiayaan di pasar kripto yang melambat menunjukkan peningkatan yang jelas. Media mencatat, hanya dalam paruh pertama tahun 2024, terdapat 64 proyek Web3+AI yang telah menyelesaikan pendanaan, di mana sistem operasi berbasis kecerdasan buatan Zyber365 mencapai jumlah pendanaan tertinggi sebesar 100 juta dolar AS pada putaran A.

Pasar sekunder semakin berkembang, data dari situs agregator kripto menunjukkan bahwa dalam waktu hanya lebih dari satu tahun, total kapitalisasi pasar untuk jalur AI telah mencapai 48,5 miliar dolar AS, dengan volume perdagangan 24 jam mendekati 8,6 miliar dolar AS; kemajuan teknologi AI utama membawa manfaat yang jelas, setelah peluncuran model teks ke video Sora oleh OpenAI, rata-rata harga di sektor AI meningkat sebesar 151%; efek AI juga menjalar ke salah satu sektor pengumpul dana kripto, Meme: MemeCoin dengan konsep AI Agent pertama------GOAT dengan cepat menjadi terkenal dan meraih valuasi 1,4 miliar dolar AS, berhasil memicu tren Meme AI.

Penelitian dan topik tentang AI+Web3 juga sangat hangat, dari AI+Depin hingga AI Memecoin, kemudian ke AI Agent dan AI DAO saat ini, perasaan FOMO jelas tidak dapat mengikuti kecepatan rotasi narasi baru.

AI+Web3, kombinasi istilah yang penuh dengan uang panas, peluang, dan fantasi masa depan ini, tidak dapat dihindari dianggap sebagai pernikahan yang diatur oleh modal, kita tampaknya sulit untuk membedakan di balik jubah megah ini, apakah ini benar-benar arena para spekulan, atau malam sebelum ledakan fajar?

Untuk menjawab pertanyaan ini, pemikiran yang krusial bagi kedua belah pihak adalah, apakah keberadaan satu sama lain akan membuat semuanya lebih baik? Apakah ada manfaat yang bisa diambil dari pola satu sama lain? Dalam artikel ini, kami juga berusaha untuk mengamati pola ini dengan berdiri di atas bahu para pendahulu: Bagaimana Web3 dapat berperan dalam setiap aspek tumpukan teknologi AI, dan apa yang dapat AI bawa ke Web3 sebagai kehidupan baru?

Bagian.1 Peluang apa yang ada di Web3 di bawah tumpukan AI?

Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi model AI besar:

Dengan bahasa yang lebih sederhana untuk menggambarkan keseluruhan proses: "Model besar" seperti otak manusia, pada tahap awal, otak ini milik bayi yang baru lahir, perlu mengamati dan menyerap informasi yang sangat banyak dari lingkungan sekitar untuk memahami dunia ini, inilah tahap "pengumpulan" data; karena komputer tidak memiliki penglihatan, pendengaran, dan berbagai indra manusia lainnya, sebelum pelatihan, informasi besar yang tidak terlabel dari luar perlu diubah melalui "pra-pemrosesan" menjadi format informasi yang dapat dipahami dan digunakan oleh komputer.

Setelah memasukkan data, AI membangun model yang memiliki kemampuan untuk memahami dan memprediksi melalui "pelatihan", yang dapat dianggap sebagai proses di mana bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model seperti kemampuan bahasa bayi yang terus disesuaikan selama proses belajar. Ketika konten yang dipelajari mulai dibagi menjadi disiplin ilmu, atau ketika berkomunikasi dengan orang lain mendapatkan umpan balik dan melakukan perbaikan, itu memasuki tahap "penyesuaian halus" dari model besar.

Anak-anak secara bertahap tumbuh dewasa dan setelah belajar berbicara, mereka dapat memahami makna dan mengekspresikan perasaan serta pemikiran mereka dalam percakapan baru. Tahap ini mirip dengan "penalaran" pada model AI besar, di mana model dapat memprediksi dan menganalisis bahasa dan teks baru yang dimasukkan. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan bahasa, yang juga mirip dengan aplikasi model AI besar dalam tahap penalaran setelah selesai dilatih untuk berbagai tugas tertentu, seperti klasifikasi gambar, pengenalan suara, dan lain-lain.

AI Agent semakin mendekati bentuk berikutnya dari model besar------ dapat secara independen melaksanakan tugas dan mengejar tujuan kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan dapat menggunakan alat untuk berinteraksi dengan dunia.

Saat ini, terkait dengan titik nyeri AI di berbagai tumpukan, Web3 saat ini telah membentuk ekosistem yang saling terhubung dan multi-lapis, yang mencakup setiap tahap proses model AI.

Satu, Lapisan Dasar: Kekuatan Komputasi dan Data Airbnb

▎Kekuatan Komputasi

Saat ini, salah satu biaya tertinggi AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan model inferensi.

Salah satu contohnya adalah, LLAMA3 dari Meta membutuhkan 16.000 H100GPU yang diproduksi oleh NVIDIA (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi berkinerja tinggi.) untuk menyelesaikan pelatihan dalam 30 hari. Harga per unit untuk versi 80GB berkisar antara 30.000 hingga 40.000 dolar AS, yang membutuhkan investasi perangkat keras komputasi sebesar 400-700 juta dolar AS (GPU + chip jaringan), sementara pelatihan bulanan memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar AS per bulan.

Untuk dekompresi kekuatan AI, ini adalah salah satu bidang awal di mana Web3 berinteraksi dengan AI------DePin (Jaringan Infrastruktur Fisik Terdesentralisasi). Saat ini, situs data telah memamerkan lebih dari 1400 proyek, di mana proyek perwakilan berbagi kekuatan GPU termasuk io.net, Aethir, Akash, Render Network, dan lain-lain.

Logika utamanya adalah: platform memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk berkontribusi dengan cara terdesentralisasi tanpa izin, melalui pasar online antara pembeli dan penjual yang mirip dengan Uber atau Airbnb, untuk meningkatkan penggunaan sumber daya GPU yang kurang dimanfaatkan, sehingga pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dengan biaya yang lebih rendah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapat hukuman yang sesuai.

Ciri-cirinya adalah:

• Mengumpulkan sumber daya GPU yang tidak terpakai: Pemasok utama adalah penyedia sumber daya komputasi yang berlebihan dari pusat data independen kecil dan menengah pihak ketiga, seperti pertambangan kripto, dengan mekanisme konsensus PoS, seperti mesin tambang FileCoin dan ETH. Saat ini juga ada proyek yang berusaha untuk memulai perangkat dengan ambang batas yang lebih rendah, seperti exolab yang memanfaatkan MacBook, iPhone, iPad, dan perangkat lokal lainnya untuk membangun jaringan komputasi untuk inferensi model besar.

• Menghadapi pasar ekor panjang dari kecerdasan buatan

a. "Dari segi teknologi", pasar kekuatan terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan lebih bergantung pada kemampuan pemrosesan data yang dibawa oleh skala kluster GPU yang sangat besar, sementara inferensi memiliki kinerja komputasi GPU yang relatif lebih rendah, seperti Aethir yang fokus pada pekerjaan rendering berlatensi rendah dan aplikasi inferensi AI.

b. Dari sisi permintaan, pihak dengan kekuatan komputasi menengah tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan melakukan fine-tuning di sekitar beberapa model besar teratas, dan skenario-skenario ini secara alami cocok untuk sumber daya komputasi terdistribusi yang tidak terpakai.

• Kepemilikan terdesentralisasi: Makna teknis dari blockchain adalah bahwa pemilik sumber daya selalu mempertahankan kendali atas sumber daya tersebut, menyesuaikan secara fleksibel berdasarkan permintaan, sambil mendapatkan keuntungan.

▎Data

Data adalah fondasi AI. Tanpa data, perhitungan seperti daun apung yang tidak berguna, dan hubungan antara data dan model seperti pepatah "Garbage in, Garbage out", jumlah data dan kualitas input menentukan kualitas output akhir model. Untuk pelatihan model AI saat ini, data menentukan kemampuan bahasa model, kemampuan pemahaman, bahkan pandangan nilai dan perilaku manusiawi. Saat ini, tantangan kebutuhan data AI terutama terfokus pada empat aspek berikut:

• Kecanduan Data: Pelatihan model AI bergantung pada input data dalam jumlah besar. Data publik menunjukkan bahwa OpenAI melatih GPT-4 dengan jumlah parameter mencapai triliunan.

• Kualitas data: Seiring dengan penggabungan AI dengan berbagai industri, ketepatan waktu data, keberagaman data, profesionalisme data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga mengajukan tuntutan baru terhadap kualitasnya.

• Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya kumpulan data berkualitas, dan sedang membatasi pengambilan kumpulan data.

• Biaya pemrosesan data yang tinggi: volume data besar, proses pengolahan yang kompleks. Data publik menunjukkan bahwa lebih dari 30% biaya penelitian dan pengembangan perusahaan AI digunakan untuk pengumpulan dan pengolahan data dasar.

Saat ini, solusi web3 tercermin dalam empat aspek berikut:

1. Pengumpulan Data: Kemampuan untuk menyediakan data dunia nyata yang diambil secara gratis semakin menipis, dan pengeluaran perusahaan AI untuk data meningkat setiap tahun. Namun, pengeluaran ini tidak kembali kepada para kontributor data yang sebenarnya, sementara platform sepenuhnya menikmati penciptaan nilai yang dihasilkan oleh data, seperti Reddit yang menghasilkan total pendapatan $203 juta melalui perjanjian lisensi data dengan perusahaan AI.

Memberikan kesempatan kepada pengguna yang benar-benar berkontribusi untuk turut serta dalam penciptaan nilai yang dihasilkan oleh data, serta memperoleh data yang lebih pribadi dan lebih bernilai dengan cara yang lebih murah melalui jaringan terdistribusi dan mekanisme insentif, adalah visi dari Web3.

• Grass adalah lapisan data dan jaringan terdesentralisasi, di mana pengguna dapat menjalankan node Grass, menyumbangkan bandwidth yang tidak terpakai dan lalu lintas relay untuk menangkap data waktu nyata dari seluruh internet, dan mendapatkan imbalan token;

• Vana memperkenalkan konsep kolam likuiditas data yang unik (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan browsing, aktivitas media sosial, dll) ke DLP tertentu, dan dengan fleksibel memilih apakah akan memberikan izin kepada pihak ketiga tertentu untuk menggunakan data ini;

• Di sebuah platform AI, pengguna dapat menggunakan #AI 或#Web3 sebagai label kategori di platform sosial dan @platform tersebut untuk mengumpulkan data.

2. Pra-pemrosesan data: Dalam proses pemrosesan data AI, karena data yang dikumpulkan biasanya berisik dan mengandung kesalahan, data tersebut harus dibersihkan dan diubah menjadi format yang dapat digunakan sebelum melatih model, melibatkan tugas berulang seperti standardisasi, penyaringan, dan penanganan nilai yang hilang. Tahap ini adalah salah satu dari sedikit tahap manual dalam industri AI, yang telah melahirkan industri pelabelan data. Seiring meningkatnya tuntutan kualitas data oleh model, ambang batas untuk pelabelan data juga meningkat, dan tugas ini secara alami cocok untuk mekanisme insentif terdesentralisasi Web3.

• Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk bergabung dalam tahap kunci data penandaan ini.

• Synesis mengusulkan konsep "Train2earn", menekankan kualitas data, pengguna dapat memperoleh imbalan dengan memberikan data yang diberi label, komentar, atau bentuk input lainnya.

• Proyek pelabelan data Sapien menggamifikasi tugas pelabelan dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.

3. Privasi dan Keamanan Data: Yang perlu dijelaskan adalah bahwa privasi data dan keamanan adalah dua konsep yang berbeda. Privasi data berkaitan dengan pengolahan data sensitif, sementara keamanan data melindungi informasi data dari akses, penghancuran, dan pencurian yang tidak sah. Dengan demikian, keunggulan teknologi privasi Web3 dan potensi aplikasi terletak pada dua aspek: (1) Pelatihan data sensitif; (2) Kolaborasi data: Beberapa pemilik data dapat berpartisipasi bersama dalam pelatihan AI tanpa harus membagikan data asli mereka.

Teknologi privasi yang cukup umum di Web3 saat ini meliputi:

• Lingkungan Eksekusi Terpercaya ( TEE ), seperti Protokol Super;

• Enkripsi Homomorfik Penuh (FHE), misalnya BasedAI, Fhenix.io, atau Inco Network;

• Teknologi zero-knowledge (zk), seperti Protokol Reclaim yang menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor data aktivitas, reputasi, dan identitas dari situs web eksternal dengan aman, tanpa mengungkapkan informasi sensitif.

Namun, saat ini bidang ini masih berada di tahap awal, sebagian besar proyek masih dalam tahap eksplorasi, salah satu masalah saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah:

• kerangka zkML E