Perpaduan Web3 dan AI: Menjelajahi Enam Bidang Kunci Internet Masa Depan

Web3 sebagai paradigma internet baru yang terdesentralisasi, terbuka, dan transparan, memiliki potensi integrasi alami dengan AI. Dalam arsitektur terpusat tradisional, komputasi AI dan sumber daya data dibatasi secara ketat, menghadapi berbagai tantangan seperti batasan daya komputasi, kebocoran privasi, dan ketidaktransparanan algoritma. Sementara itu, Web3 yang berbasis teknologi terdistribusi dapat memberikan dorongan baru bagi perkembangan AI melalui berbagi jaringan daya komputasi, pasar data terbuka, dan komputasi privasi. Pada saat yang sama, AI juga dapat memberikan banyak manfaat bagi Web3, seperti mengoptimalkan kontrak pintar, mengembangkan algoritma anti-penipuan, dan mempromosikan pembangunan ekosistemnya. Oleh karena itu, menjelajahi kombinasi Web3 dan AI sangat penting untuk membangun infrastruktur internet generasi berikutnya dan melepaskan nilai data dan daya komputasi.

Data Driven: Dasar yang Kuat untuk AI dan Web3

Data adalah kekuatan pendorong utama dalam pengembangan AI. Model AI perlu mencerna sejumlah besar data berkualitas tinggi untuk mendapatkan pemahaman yang mendalam dan kemampuan penalaran yang kuat. Data tidak hanya menyediakan dasar pelatihan bagi model pembelajaran mesin, tetapi juga menentukan akurasi dan keandalan model.

Model pengambilan dan pemanfaatan data AI terpusat tradisional memiliki masalah utama berikut:

• Biaya pengambilan data yang tinggi, sulit bagi usaha kecil dan menengah untuk ditanggung
• Sumber data didominasi oleh raksasa teknologi, membentuk pulau data.
• Risiko kebocoran dan penyalahgunaan privasi data pribadi

Web3 dapat menyelesaikan titik nyeri dari model tradisional dengan paradigma data terdesentralisasi yang baru:

• Pengguna dapat menjual sumber daya jaringan yang tidak terpakai kepada perusahaan AI, secara terdesentralisasi mengumpulkan data jaringan, setelah dibersihkan dan diubah, untuk menyediakan data yang nyata dan berkualitas tinggi untuk pelatihan model AI.
• Mengadopsi model "label to earn", melalui insentif token untuk mendorong pekerja global berpartisipasi dalam penandaan data, mengumpulkan pengetahuan profesional global, dan meningkatkan kemampuan analisis data.
• Platform perdagangan data blockchain menyediakan lingkungan perdagangan yang transparan dan terbuka bagi kedua belah pihak penawaran dan permintaan data, mendorong inovasi dan berbagi data.

Namun, pengambilan data di dunia nyata masih menghadapi beberapa masalah, seperti kualitas data yang bervariasi, kesulitan pengolahan, kurangnya keragaman dan representativitas, dan sebagainya. Data sintetik mungkin menjadi sorotan di bidang data Web3 di masa depan. Berdasarkan teknologi AI generatif dan simulasi, data sintetik dapat mensimulasikan atribut data nyata, sebagai pelengkap yang efektif, meningkatkan efisiensi penggunaan data. Di bidang kendaraan otonom, perdagangan pasar keuangan, pengembangan game, dan sebagainya, data sintetik telah menunjukkan potensi aplikasi yang matang.

Perlindungan Privasi: Peran FHE dalam Web3

Di era data-driven, perlindungan privasi telah menjadi fokus perhatian global, dan peraturan seperti General Data Protection Regulation (GDPR) Uni Eropa mencerminkan perlindungan ketat terhadap privasi individu. Namun, ini juga membawa tantangan: beberapa data sensitif tidak dapat dimanfaatkan sepenuhnya karena risiko privasi, membatasi potensi dan kemampuan inferensi model AI.

FHE (enkripsi homomorfik penuh) memungkinkan operasi perhitungan dilakukan langsung pada data yang terenkripsi tanpa perlu mendekripsi data, dan hasil perhitungan konsisten dengan hasil perhitungan yang dilakukan pada data dalam bentuk teks biasa. FHE memberikan perlindungan yang kuat untuk komputasi privasi AI, memungkinkan kekuatan komputasi GPU untuk melakukan pelatihan dan tugas inferensi model dalam lingkungan yang tidak menyentuh data asli. Ini memberikan keuntungan besar bagi perusahaan AI, memungkinkan mereka untuk membuka layanan API dengan aman sambil melindungi rahasia dagang.

FHEML mendukung pemrosesan data dan model yang terenkripsi sepanjang siklus pembelajaran mesin, memastikan keamanan informasi sensitif dan mencegah risiko kebocoran data. FHEML memperkuat privasi data, menyediakan kerangka komputasi yang aman untuk aplikasi AI. FHEML melengkapi ZKML, di mana ZKML membuktikan pelaksanaan pembelajaran mesin yang benar, sementara FHEML menekankan perhitungan pada data yang terenkripsi untuk menjaga privasi data.

Revolusi Kekuatan: Komputasi AI dalam Jaringan Terdesentralisasi

Kompleksitas komputasi sistem AI saat ini berlipat ganda setiap 3 bulan, menyebabkan lonjakan permintaan daya komputasi yang jauh melampaui pasokan sumber daya komputasi yang ada. Misalnya, pelatihan model bahasa besar membutuhkan daya komputasi yang sangat besar, setara dengan waktu pelatihan 355 tahun untuk satu perangkat. Kekurangan daya komputasi semacam ini tidak hanya membatasi kemajuan teknologi AI, tetapi juga membuat model AI tingkat lanjut tidak terjangkau bagi sebagian besar peneliti dan pengembang.

Sementara itu, penggunaan GPU global kurang dari 40%, ditambah dengan perlambatan peningkatan kinerja mikroprosesor, serta kekurangan chip yang disebabkan oleh faktor rantai pasokan dan geopolitik, membuat masalah pasokan komputasi semakin serius. Para profesional AI terjebak dalam dilema: membeli perangkat keras sendiri atau menyewa sumber daya cloud, mereka sangat membutuhkan cara layanan komputasi yang sesuai permintaan dan ekonomis.

Jaringan komputasi AI terdesentralisasi mengumpulkan sumber daya GPU yang tidak terpakai di seluruh dunia untuk menyediakan pasar komputasi yang ekonomis dan mudah diakses bagi perusahaan AI. Pihak yang membutuhkan komputasi dapat memposting tugas perhitungan di jaringan, kontrak pintar akan mengalokasikan tugas tersebut kepada node penambang yang berkontribusi pada komputasi, penambang akan melaksanakan tugas dan mengirimkan hasilnya, setelah diverifikasi mereka akan mendapatkan imbalan poin. Solusi ini meningkatkan efisiensi pemanfaatan sumber daya dan membantu mengatasi masalah kekurangan komputasi di bidang seperti AI.

Selain jaringan komputasi terdesentralisasi yang umum, ada juga jaringan komputasi khusus yang fokus pada pelatihan dan inferensi AI. Jaringan komputasi terdesentralisasi menyediakan pasar komputasi yang adil dan transparan, memecahkan monopoli, menurunkan ambang aplikasi, dan meningkatkan efisiensi pemanfaatan komputasi. Dalam ekosistem Web3, jaringan komputasi terdesentralisasi akan memainkan peran kunci, menarik lebih banyak dapp inovatif untuk bergabung, dan bersama-sama mendorong perkembangan dan penerapan teknologi AI.

DePIN: Web3 Memberdayakan Edge AI

Edge AI memungkinkan perhitungan terjadi di sumber data, mencapai latensi rendah dan pemrosesan waktu nyata, sambil melindungi privasi pengguna. Teknologi Edge AI telah diterapkan di bidang-bidang kunci seperti mobil otonom. Di bidang Web3, kita memiliki nama yang lebih akrab—DePIN. Web3 menekankan desentralisasi dan kedaulatan data pengguna, DePIN melalui pemrosesan data secara lokal, meningkatkan perlindungan privasi pengguna, dan mengurangi risiko kebocoran data; mekanisme ekonomi Token asli Web3 dapat mendorong node DePIN untuk menyediakan sumber daya komputasi, membangun ekosistem yang berkelanjutan.

Saat ini, DePIN berkembang pesat dalam ekosistem suatu blockchain publik, menjadi salah satu platform pilihan untuk penyebaran proyek. TPS tinggi, biaya transaksi rendah, dan inovasi teknologi dari blockchain publik ini memberikan dukungan kuat bagi proyek DePIN. Saat ini, nilai pasar proyek DePIN di blockchain publik ini telah melebihi 10 miliar USD, dengan beberapa proyek terkenal mencapai kemajuan yang signifikan.

IMO：AI模型发布新范式

Konsep IMO akan men-tokenisasi model AI. Dalam model tradisional, karena kurangnya mekanisme berbagi pendapatan, pengembang model AI sulit untuk mendapatkan pendapatan berkelanjutan dari penggunaan model selanjutnya, terutama ketika model tersebut diintegrasikan ke dalam produk dan layanan lain. Selain itu, kinerja dan efektivitas model AI sering kali kurang transparan, membuat investor dan pengguna potensial sulit untuk mengevaluasi nilai sebenarnya, yang membatasi pengakuan pasar dan potensi komersial model.

IMO menyediakan dukungan pendanaan dan cara berbagi nilai yang baru untuk model AI sumber terbuka. Investor dapat membeli token IMO untuk berbagi keuntungan yang dihasilkan oleh model di masa depan. Protokol tertentu menggunakan standar ERC tertentu, menggabungkan oracle AI dan teknologi OPML untuk memastikan keaslian model AI dan bahwa pemegang token dapat berbagi keuntungan.

Model IMO meningkatkan transparansi dan kepercayaan, mendorong kolaborasi sumber terbuka, beradaptasi dengan tren pasar kripto, dan memberikan dorongan untuk pengembangan berkelanjutan teknologi AI. IMO saat ini berada dalam tahap percobaan awal, tetapi seiring dengan peningkatan penerimaan pasar dan perluasan partisipasi, inovasi dan nilai potensialnya patut ditunggu.

AI Agent: Era Baru Pengalaman Interaktif

Agen AI dapat merasakan lingkungan, berpikir secara independen, dan mengambil tindakan yang sesuai untuk mencapai tujuan yang ditetapkan. Dengan dukungan model bahasa besar, Agen AI tidak hanya dapat memahami bahasa alami, tetapi juga merencanakan keputusan dan melaksanakan tugas-tugas kompleks. Mereka dapat bertindak sebagai asisten virtual, belajar dari interaksi dengan pengguna tentang preferensi mereka, dan memberikan solusi yang dipersonalisasi. Tanpa instruksi yang jelas, Agen AI juga dapat secara mandiri menyelesaikan masalah, meningkatkan efisiensi, dan menciptakan nilai baru.

Sebuah platform aplikasi AI native menawarkan serangkaian alat kreasi yang komprehensif dan mudah digunakan, mendukung pengguna dalam mengonfigurasi fungsi, tampilan, suara robot, serta menghubungkan ke basis pengetahuan eksternal, berkomitmen untuk membangun ekosistem konten AI yang adil dan terbuka, memanfaatkan teknologi AI generatif untuk memberdayakan individu menjadi pencipta super. Platform ini telah melatih model bahasa besar khusus untuk membuat peran yang lebih manusiawi; teknologi kloning suara mereka dapat mempercepat interaksi produk AI yang dipersonalisasi, mengurangi biaya sintesis suara hingga 99%, dan kloning suara hanya membutuhkan waktu 1 menit untuk dilakukan. Dengan AI Agent yang disesuaikan di platform ini, kini dapat diterapkan dalam berbagai bidang seperti obrolan video, pembelajaran bahasa, dan generasi gambar.

Dalam penggabungan Web3 dan AI, saat ini lebih banyak eksplorasi pada lapisan infrastruktur, seperti bagaimana mendapatkan data berkualitas tinggi, melindungi privasi data, bagaimana meng-host model di blockchain, bagaimana meningkatkan penggunaan daya komputasi terdesentralisasi yang efisien, dan bagaimana memverifikasi model bahasa besar, serta masalah kunci lainnya. Seiring perbaikan bertahap infrastruktur ini, kita memiliki alasan untuk percaya bahwa penggabungan Web3 dan AI akan melahirkan serangkaian model bisnis dan layanan inovatif.