Злиття AI та Web3: Аналіз стану та перспективи розвитку
Один. Вступ: Розвиток AI+Web3
В останні роки швидкий розвиток технологій штучного інтелекту (ШІ) та Web3 привернув широку увагу в усьому світі. ШІ, як технологія, що імітує і відтворює людський інтелект, досягла значних успіхів у таких сферах, як розпізнавання облич, обробка природної мови, машинне навчання тощо, що призвело до величезних змін і нововведень у різних галузях.
У 2023 році ринок штучного інтелекту досягне обсягу 200 мільярдів доларів США, а такі видатні компанії, як OpenAI, Character.AI, Midjourney, швидко виникають та очолюють хвилю AI. Тим часом Web3, як нова мережна модель, змінює сприйняття та використання Інтернету. Web3 базується на децентралізованій технології блокчейн і реалізує спільний контроль над даними, автономію користувачів і механізм довіри через такі функції, як смарт-контракти, розподілене зберігання та децентралізована ідентифікація.
На сьогоднішній день ринкова капіталізація індустрії Web3 досягла 25 трильйонів, проекти такі як Bitcoin, Ethereum, Solana та додаткова платформа Uniswap, Stepn постійно з'являються з новими наративами та сценаріями, що приваблює все більше людей приєднуватися до індустрії Web3. Поєднання AI та Web3 стало сферою, яка викликає великий інтерес серед розробників та інвесторів з обох боків, тому питання, як добре інтегрувати обидва, варте дослідження.
У цій статті ми зосередимося на нинішньому стані розвитку AI+Web3, проаналізуємо ситуацію з поточними проектами AI+Web3 та детально обговоримо обмеження та виклики, з якими вони стикаються. Завдяки такому дослідженню ми сподіваємося надати цінні посилання та інсайти для інвесторів і професіоналів у відповідних галузях.
Два, способи взаємодії AI та Web3
Розвиток AI та Web3 нагадує дві сторони терезів: AI приносить підвищення продуктивності, в той час як Web3 сприяє змінам у виробничих відносинах. Які іскри можуть виникнути від зіткнення AI та Web3? Спочатку ми проаналізуємо труднощі та можливості підвищення, з якими стикаються кожна з галузей, а потім обговоримо, як вони можуть допомогти вирішити ці труднощі.
2.1 Виклики, з якими стикається AI-індустрія
Ядром індустрії штучного інтелекту є три основні елементи: обчислювальна потужність, алгоритми та дані.
Обчислювальна потужність: AI-завдання зазвичай потребують обробки великих обсягів даних і проведення складних обчислень, наприклад, навчання моделей глибоких нейронних мереж. Висока обчислювальна потужність може прискорити процес навчання та виведення моделей, покращуючи продуктивність і ефективність AI-систем. Останніми роками, з розвитком апаратних технологій, таких як графічні процесори (GPU) та спеціалізовані AI-чіпи (такі як TPU), підвищення обчислювальної потужності відіграло важливу роль у розвитку AI-індустрії.
Алгоритми: основні компоненти системи ШІ, які є математичними та статистичними методами, що використовуються для вирішення проблем і виконання завдань. Алгоритми ШІ можна розділити на традиційні алгоритми машинного навчання та алгоритми глибокого навчання, причому алгоритми глибокого навчання досягли значних успіхів у останні роки. Вибір і проектування алгоритму є критично важливими для продуктивності та ефективності системи ШІ.
Дані: Основне завдання системи ШІ полягає в тому, щоб виявляти шаблони та закономірності в даних шляхом навчання та тренування. Дані є основою для навчання та оптимізації моделей, за допомогою великих обсягів зразків даних система ШІ може навчитися створювати більш точні та розумні моделі. Багаті набори даних можуть надати більш всебічну та різноманітну інформацію, що дозволяє моделям краще узагальнювати на невідомих даних.
Основні труднощі, з якими стикається галузь штучного інтелекту, включають:
Щодо обчислювальної потужності: отримання та управління великими обсягами обчислювальної потужності є дорогим і складним викликом. Вартість, споживання енергії та обслуговування високопродуктивних обчислювальних пристроїв є проблемами.
У сфері алгоритмів: навчання глибоких нейронних мереж потребує великої кількості даних та обчислювальних ресурсів, інтерпретація моделі та її зрозумілість можуть бути недостатніми. Робастність і здатність до узагальнення алгоритму також є важливою проблемою.
Щодо даних: отримання якісних та різноманітних даних все ще є викликом. Якість, точність та маркування даних також є проблемами, неповні або упереджені дані можуть призвести до помилкової поведінки або ухилень моделі.
Пояснюваність та прозорість: чорна коробка AI-моделей є питанням, що турбує суспільство. Для певних застосувань, таких як фінанси, медицина та юстиція, процес прийняття рішень моделей повинен бути зрозумілим і відстежуваним.
Бізнес-модель: багато стартапів у сфері ШІ мають неясні бізнес-моделі, що вводить в оману багатьох підприємців у цій галузі.
2.2 Виклики, з якими стикається індустрія Web3
У Web3-індустрії також існує багато різних аспектів труднощів, які потрібно вирішити, зокрема:
Аналіз даних Web3
Поганий досвід користувача в продуктах Web3
Проблеми з вразливостями коду смарт-контрактів та хакерськими атаками
Штучний інтелект як інструмент підвищення продуктивності має багато потенційних можливостей для розвитку в цих сферах:
Аналітичні та прогностичні можливості даних: технології штучного інтелекту можуть допомогти платформам Web3 витягувати цінну інформацію з величезних обсягів даних і здійснювати більш точні прогнози та рішення. Це має велике значення для оцінки ризиків, прогнозування ринку та управління активами в сфері децентралізованих фінансів (DeFi).
Досвід користувачів та індивідуалізовані послуги: технології штучного інтелекту можуть допомогти платформам Web3 забезпечити кращий досвід користувачів та індивідуалізовані послуги, підвищуючи залученість та задоволеність користувачів.
Безпека та захист конфіденційності: технології штучного інтелекту можуть використовуватися для виявлення та захисту від кібератак, ідентифікації аномальної поведінки та забезпечення більш потужних заходів безпеки. Крім того, ШІ може бути застосовано для захисту конфіденційності даних за допомогою технологій шифрування даних та обчислень з конфіденційністю, щоб захистити особисту інформацію користувачів на платформах Web3.
Аудит смарт-контрактів: технології штучного інтелекту можуть бути використані для автоматизації аудиту контрактів та виявлення вразливостей, що підвищує безпеку та надійність контрактів.
Три. Аналіз сучасного стану проектів AI+Web3
Проекти AI+Web3 в основному зосереджуються на двох великих аспектах: використанні технології блокчейн для підвищення продуктивності AI-проектів і використанні технології AI для покращення Web3-проектів.
3.1 Web3 сприяє AI
3.1.1 Децентралізовані обчислення
З розвитком ШІ зростає попит на GPU, виникає ситуація, коли пропозиція не відповідає попиту. Деякі проекти Web3 почали намагатися надати обчислювальні послуги через децентралізований спосіб, такі як Akash, Render, Gensyn тощо. Ці проекти стимулюють широку аудиторію токенами для надання незайнятої обчислювальної потужності GPU, ставши постачальниками обчислювальних ресурсів, щоб підтримати клієнтів ШІ.
Сторона пропозиції в основному включає постачальників хмарних послуг, майнерів криптовалют та великі підприємства. Наразі гравців на ринку можна умовно розділити на дві категорії: перша - це ті, хто використовує децентралізовану обчислювальну потужність для інференції AI, друга - це ті, хто використовує децентралізовану обчислювальну потужність для навчання AI.
Ядром децентралізованих обчислювальних проектів є залучення постачальників через механізм стимулювання токенами, а потім залучення користувачів для реалізації холодного запуску проекту та основного механізму роботи. У цьому циклі постачальники отримують більше цінних винагород у токенах, а з боку попиту з'являються більш дешеві та вигідні послуги.
3.1.2 Децентралізована алгоритмічна модель
Деякі проекти намагаються створити децентралізований ринок послуг алгоритмів ШІ, що з'єднує багато різних моделей ШІ. Коли користувач ставить запитання, ринок обирає найбільш підходящу модель ШІ для надання відповіді.
Наприклад, у Bittensor, постачальники алгоритмічних моделей (майнери) вносять свої моделі машинного навчання до мережі. Постачальники моделей отримують криптовалютні токени TAO як винагороду за свій внесок. Для забезпечення якості відповідей на запитання Bittensor використовує унікальний механізм консенсусу, щоб забезпечити узгодженість мережі щодо найкращих відповідей.
3.1.3 Децентралізований збір даних
Деякі проекти поєднують Web3 через стимулювання токенами для реалізації децентралізованого збору даних. Наприклад, PublicAI дозволяє користувачам ділитися цінним контентом у соціальних мережах і отримувати токенні винагороди. Цей підхід сприяє співпраці між contributors даних і розробниками штучного інтелекту.
3.1.4 ZK захист приватності користувачів в AI
Технологія нульового знання може допомогти вирішити конфлікт між захистом конфіденційності та обміном даними. ZKML (Zero-Knowledge Machine Learning) завдяки використанню технології нульового знання дозволяє проводити навчання та інференцію моделей машинного навчання без розкриття вихідних даних.
3.2 AI допомагає web3
3.2.1 Аналіз даних та прогнозування
Багато проектів Web3 починають інтегрувати існуючі AI-сервіси або розроблені власні AI-інструменти для надання користувачам послуг з аналізу даних та прогнозування. Ці послуги охоплюють інвестиційні стратегії, аналіз в блокчейні, прогнози цін та ринків та багато інших аспектів.
Наприклад, Pond використовує алгоритми AI для прогнозування майбутніх цінних альфа-токенів; BullBear AI тренується на основі історичних даних користувачів, історії цін та ринкових тенденцій, щоб надати точні прогнози цін; Numerai є платформою для інвестиційних змагань, де учасники прогнозують фондовий ринок на основі AI та великих мовних моделей.
3.2.2 Персоналізовані послуги
Деякі Web3 проекти оптимізують досвід користувачів за рахунок інтеграції ШІ. Наприклад, платформа аналітики даних Dune представила інструмент Wand для написання SQL-запитів за допомогою великих мовних моделей; Web3 медіа платформа Followin інтегрувала ChatGPT для підсумовування думок та останніх новин у певній галузі; Web3 енциклопедична платформа IQ.wiki інтегрувала GPT-4 для підсумовування статей у вікі.
3.2.3 AI-аудит смарт-контрактів
Деякі проекти використовують ШІ для аудиту коду смарт-контрактів, щоб більш ефективно та точно виявляти та знаходити вразливості в коді. Наприклад, проект 0x0.ai пропонує аудитор смарт-контрактів на основі штучного інтелекту, який використовує вдосконалені алгоритми для аналізу смарт-контрактів і виявлення потенційних вразливостей або проблем.
Чотири, обмеження та виклики проектів AI+Web3
4.1 Реальні перешкоди в децентралізованій обчислювальній потужності
Продукти децентралізованих обчислень стикаються з такими викликами:
Продукти з централізованими обчислювальними потужностями можуть мати кращу продуктивність і стабільність.
Доступність залежить від ступеня відповідності між пропозицією та попитом.
Користувачам потрібно більше знати про технічні деталі, оскільки витрати на використання досить високі.
Наразі основна обмеженість полягає в AI-інференції, а не в AI-навчанні.
Велике навчання ШІ потребує величезних обсягів даних та високошвидкісної зв'язку, наразі децентралізовані обчислення не можуть задовольнити ці вимоги. У порівнянні, AI-інференція має менші вимоги до даних та пропускної здатності, що робить її більш здійсненною.
4.2 Поєднання AI+Web3 є досить грубим, не реалізувавши 1+1>2
В даний час поєднання AI та Web3 в основному виражається в наступних двох аспектах:
Багато проектів просто використовують ШІ для підвищення ефективності та аналізу, не демонструючи рідне злиття ШІ та криптовалют, а також інноваційні рішення.
Деякі команди Web3 в основному використовують концепцію ШІ на рівні маркетингу, але в реальних інноваціях ще існують великі прогалини.
4.3 Токеноміка стала буфером для наративу AI-проектів
Оскільки все більше великих моделей починають поступово відкриватися, багато проектів AI + Web3 обирають поєднувати наратив Web3 та токенну економіку для стимулювання участі користувачів. Проте, чи справді інтеграція токенної економіки допомагає проектам AI вирішувати реальні потреби, чи це лише наратив або прагнення до короткострокової вартості, ще потрібно подальше спостереження та верифікація.
П'ять, висновок
Злиття AI та Web3 відкриває безмежні можливості для майбутніх технологічних інновацій та економічного розвитку. Технології AI можуть забезпечити Web3 більш ефективними та розумними сценаріями застосування, тоді як децентралізація та програмованість Web3 також надають нові можливості для розвитку технологій AI.
Хоча поточні проекти AI+Web3 все ще перебувають на ранній стадії та стикаються з безліччю викликів, вони також приносять певні переваги. Наприклад, проекти з децентралізованих обчислень та збору даних можуть знизити залежність від централізованих установ, забезпечити більшу прозорість та можливість аудиту, а також сприяти більш широкій участі та інноваціям.
В майбутньому ми очікуємо побачити більш глибокі дослідження та інновації для досягнення тіснішої інтеграції між AI та Web3, а також у фінансовій сфері, децентралізації.
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
9 лайків
Нагородити
9
4
Поділіться
Прокоментувати
0/400
ThatsNotARugPull
· 07-27 11:09
Смажили до двохсот мільярдів? Неймовірно
Переглянути оригіналвідповісти на0
ChainWatcher
· 07-27 11:03
Випускати на рейс не вчасно, а ще й хочуть інтегрувати ШІ.
Переглянути оригіналвідповісти на0
NeverVoteOnDAO
· 07-27 11:00
AI єдиний у світі? Прокиньтеся!
Переглянути оригіналвідповісти на0
SnapshotStriker
· 07-27 10:47
Знову користуються популярністю web3 та штучного інтелекту
Стан та виклики інтеграції AI та Web3: можливості та обмеження на перехресті нових технологій
Злиття AI та Web3: Аналіз стану та перспективи розвитку
Один. Вступ: Розвиток AI+Web3
В останні роки швидкий розвиток технологій штучного інтелекту (ШІ) та Web3 привернув широку увагу в усьому світі. ШІ, як технологія, що імітує і відтворює людський інтелект, досягла значних успіхів у таких сферах, як розпізнавання облич, обробка природної мови, машинне навчання тощо, що призвело до величезних змін і нововведень у різних галузях.
У 2023 році ринок штучного інтелекту досягне обсягу 200 мільярдів доларів США, а такі видатні компанії, як OpenAI, Character.AI, Midjourney, швидко виникають та очолюють хвилю AI. Тим часом Web3, як нова мережна модель, змінює сприйняття та використання Інтернету. Web3 базується на децентралізованій технології блокчейн і реалізує спільний контроль над даними, автономію користувачів і механізм довіри через такі функції, як смарт-контракти, розподілене зберігання та децентралізована ідентифікація.
На сьогоднішній день ринкова капіталізація індустрії Web3 досягла 25 трильйонів, проекти такі як Bitcoin, Ethereum, Solana та додаткова платформа Uniswap, Stepn постійно з'являються з новими наративами та сценаріями, що приваблює все більше людей приєднуватися до індустрії Web3. Поєднання AI та Web3 стало сферою, яка викликає великий інтерес серед розробників та інвесторів з обох боків, тому питання, як добре інтегрувати обидва, варте дослідження.
У цій статті ми зосередимося на нинішньому стані розвитку AI+Web3, проаналізуємо ситуацію з поточними проектами AI+Web3 та детально обговоримо обмеження та виклики, з якими вони стикаються. Завдяки такому дослідженню ми сподіваємося надати цінні посилання та інсайти для інвесторів і професіоналів у відповідних галузях.
Два, способи взаємодії AI та Web3
Розвиток AI та Web3 нагадує дві сторони терезів: AI приносить підвищення продуктивності, в той час як Web3 сприяє змінам у виробничих відносинах. Які іскри можуть виникнути від зіткнення AI та Web3? Спочатку ми проаналізуємо труднощі та можливості підвищення, з якими стикаються кожна з галузей, а потім обговоримо, як вони можуть допомогти вирішити ці труднощі.
2.1 Виклики, з якими стикається AI-індустрія
Ядром індустрії штучного інтелекту є три основні елементи: обчислювальна потужність, алгоритми та дані.
Обчислювальна потужність: AI-завдання зазвичай потребують обробки великих обсягів даних і проведення складних обчислень, наприклад, навчання моделей глибоких нейронних мереж. Висока обчислювальна потужність може прискорити процес навчання та виведення моделей, покращуючи продуктивність і ефективність AI-систем. Останніми роками, з розвитком апаратних технологій, таких як графічні процесори (GPU) та спеціалізовані AI-чіпи (такі як TPU), підвищення обчислювальної потужності відіграло важливу роль у розвитку AI-індустрії.
Алгоритми: основні компоненти системи ШІ, які є математичними та статистичними методами, що використовуються для вирішення проблем і виконання завдань. Алгоритми ШІ можна розділити на традиційні алгоритми машинного навчання та алгоритми глибокого навчання, причому алгоритми глибокого навчання досягли значних успіхів у останні роки. Вибір і проектування алгоритму є критично важливими для продуктивності та ефективності системи ШІ.
Дані: Основне завдання системи ШІ полягає в тому, щоб виявляти шаблони та закономірності в даних шляхом навчання та тренування. Дані є основою для навчання та оптимізації моделей, за допомогою великих обсягів зразків даних система ШІ може навчитися створювати більш точні та розумні моделі. Багаті набори даних можуть надати більш всебічну та різноманітну інформацію, що дозволяє моделям краще узагальнювати на невідомих даних.
Основні труднощі, з якими стикається галузь штучного інтелекту, включають:
Щодо обчислювальної потужності: отримання та управління великими обсягами обчислювальної потужності є дорогим і складним викликом. Вартість, споживання енергії та обслуговування високопродуктивних обчислювальних пристроїв є проблемами.
У сфері алгоритмів: навчання глибоких нейронних мереж потребує великої кількості даних та обчислювальних ресурсів, інтерпретація моделі та її зрозумілість можуть бути недостатніми. Робастність і здатність до узагальнення алгоритму також є важливою проблемою.
Щодо даних: отримання якісних та різноманітних даних все ще є викликом. Якість, точність та маркування даних також є проблемами, неповні або упереджені дані можуть призвести до помилкової поведінки або ухилень моделі.
Пояснюваність та прозорість: чорна коробка AI-моделей є питанням, що турбує суспільство. Для певних застосувань, таких як фінанси, медицина та юстиція, процес прийняття рішень моделей повинен бути зрозумілим і відстежуваним.
Бізнес-модель: багато стартапів у сфері ШІ мають неясні бізнес-моделі, що вводить в оману багатьох підприємців у цій галузі.
2.2 Виклики, з якими стикається індустрія Web3
У Web3-індустрії також існує багато різних аспектів труднощів, які потрібно вирішити, зокрема:
Штучний інтелект як інструмент підвищення продуктивності має багато потенційних можливостей для розвитку в цих сферах:
Аналітичні та прогностичні можливості даних: технології штучного інтелекту можуть допомогти платформам Web3 витягувати цінну інформацію з величезних обсягів даних і здійснювати більш точні прогнози та рішення. Це має велике значення для оцінки ризиків, прогнозування ринку та управління активами в сфері децентралізованих фінансів (DeFi).
Досвід користувачів та індивідуалізовані послуги: технології штучного інтелекту можуть допомогти платформам Web3 забезпечити кращий досвід користувачів та індивідуалізовані послуги, підвищуючи залученість та задоволеність користувачів.
Безпека та захист конфіденційності: технології штучного інтелекту можуть використовуватися для виявлення та захисту від кібератак, ідентифікації аномальної поведінки та забезпечення більш потужних заходів безпеки. Крім того, ШІ може бути застосовано для захисту конфіденційності даних за допомогою технологій шифрування даних та обчислень з конфіденційністю, щоб захистити особисту інформацію користувачів на платформах Web3.
Аудит смарт-контрактів: технології штучного інтелекту можуть бути використані для автоматизації аудиту контрактів та виявлення вразливостей, що підвищує безпеку та надійність контрактів.
Три. Аналіз сучасного стану проектів AI+Web3
Проекти AI+Web3 в основному зосереджуються на двох великих аспектах: використанні технології блокчейн для підвищення продуктивності AI-проектів і використанні технології AI для покращення Web3-проектів.
3.1 Web3 сприяє AI
3.1.1 Децентралізовані обчислення
З розвитком ШІ зростає попит на GPU, виникає ситуація, коли пропозиція не відповідає попиту. Деякі проекти Web3 почали намагатися надати обчислювальні послуги через децентралізований спосіб, такі як Akash, Render, Gensyn тощо. Ці проекти стимулюють широку аудиторію токенами для надання незайнятої обчислювальної потужності GPU, ставши постачальниками обчислювальних ресурсів, щоб підтримати клієнтів ШІ.
Сторона пропозиції в основному включає постачальників хмарних послуг, майнерів криптовалют та великі підприємства. Наразі гравців на ринку можна умовно розділити на дві категорії: перша - це ті, хто використовує децентралізовану обчислювальну потужність для інференції AI, друга - це ті, хто використовує децентралізовану обчислювальну потужність для навчання AI.
Ядром децентралізованих обчислювальних проектів є залучення постачальників через механізм стимулювання токенами, а потім залучення користувачів для реалізації холодного запуску проекту та основного механізму роботи. У цьому циклі постачальники отримують більше цінних винагород у токенах, а з боку попиту з'являються більш дешеві та вигідні послуги.
3.1.2 Децентралізована алгоритмічна модель
Деякі проекти намагаються створити децентралізований ринок послуг алгоритмів ШІ, що з'єднує багато різних моделей ШІ. Коли користувач ставить запитання, ринок обирає найбільш підходящу модель ШІ для надання відповіді.
Наприклад, у Bittensor, постачальники алгоритмічних моделей (майнери) вносять свої моделі машинного навчання до мережі. Постачальники моделей отримують криптовалютні токени TAO як винагороду за свій внесок. Для забезпечення якості відповідей на запитання Bittensor використовує унікальний механізм консенсусу, щоб забезпечити узгодженість мережі щодо найкращих відповідей.
3.1.3 Децентралізований збір даних
Деякі проекти поєднують Web3 через стимулювання токенами для реалізації децентралізованого збору даних. Наприклад, PublicAI дозволяє користувачам ділитися цінним контентом у соціальних мережах і отримувати токенні винагороди. Цей підхід сприяє співпраці між contributors даних і розробниками штучного інтелекту.
3.1.4 ZK захист приватності користувачів в AI
Технологія нульового знання може допомогти вирішити конфлікт між захистом конфіденційності та обміном даними. ZKML (Zero-Knowledge Machine Learning) завдяки використанню технології нульового знання дозволяє проводити навчання та інференцію моделей машинного навчання без розкриття вихідних даних.
3.2 AI допомагає web3
3.2.1 Аналіз даних та прогнозування
Багато проектів Web3 починають інтегрувати існуючі AI-сервіси або розроблені власні AI-інструменти для надання користувачам послуг з аналізу даних та прогнозування. Ці послуги охоплюють інвестиційні стратегії, аналіз в блокчейні, прогнози цін та ринків та багато інших аспектів.
Наприклад, Pond використовує алгоритми AI для прогнозування майбутніх цінних альфа-токенів; BullBear AI тренується на основі історичних даних користувачів, історії цін та ринкових тенденцій, щоб надати точні прогнози цін; Numerai є платформою для інвестиційних змагань, де учасники прогнозують фондовий ринок на основі AI та великих мовних моделей.
3.2.2 Персоналізовані послуги
Деякі Web3 проекти оптимізують досвід користувачів за рахунок інтеграції ШІ. Наприклад, платформа аналітики даних Dune представила інструмент Wand для написання SQL-запитів за допомогою великих мовних моделей; Web3 медіа платформа Followin інтегрувала ChatGPT для підсумовування думок та останніх новин у певній галузі; Web3 енциклопедична платформа IQ.wiki інтегрувала GPT-4 для підсумовування статей у вікі.
3.2.3 AI-аудит смарт-контрактів
Деякі проекти використовують ШІ для аудиту коду смарт-контрактів, щоб більш ефективно та точно виявляти та знаходити вразливості в коді. Наприклад, проект 0x0.ai пропонує аудитор смарт-контрактів на основі штучного інтелекту, який використовує вдосконалені алгоритми для аналізу смарт-контрактів і виявлення потенційних вразливостей або проблем.
Чотири, обмеження та виклики проектів AI+Web3
4.1 Реальні перешкоди в децентралізованій обчислювальній потужності
Продукти децентралізованих обчислень стикаються з такими викликами:
Велике навчання ШІ потребує величезних обсягів даних та високошвидкісної зв'язку, наразі децентралізовані обчислення не можуть задовольнити ці вимоги. У порівнянні, AI-інференція має менші вимоги до даних та пропускної здатності, що робить її більш здійсненною.
4.2 Поєднання AI+Web3 є досить грубим, не реалізувавши 1+1>2
В даний час поєднання AI та Web3 в основному виражається в наступних двох аспектах:
Багато проектів просто використовують ШІ для підвищення ефективності та аналізу, не демонструючи рідне злиття ШІ та криптовалют, а також інноваційні рішення.
Деякі команди Web3 в основному використовують концепцію ШІ на рівні маркетингу, але в реальних інноваціях ще існують великі прогалини.
4.3 Токеноміка стала буфером для наративу AI-проектів
Оскільки все більше великих моделей починають поступово відкриватися, багато проектів AI + Web3 обирають поєднувати наратив Web3 та токенну економіку для стимулювання участі користувачів. Проте, чи справді інтеграція токенної економіки допомагає проектам AI вирішувати реальні потреби, чи це лише наратив або прагнення до короткострокової вартості, ще потрібно подальше спостереження та верифікація.
П'ять, висновок
Злиття AI та Web3 відкриває безмежні можливості для майбутніх технологічних інновацій та економічного розвитку. Технології AI можуть забезпечити Web3 більш ефективними та розумними сценаріями застосування, тоді як децентралізація та програмованість Web3 також надають нові можливості для розвитку технологій AI.
Хоча поточні проекти AI+Web3 все ще перебувають на ранній стадії та стикаються з безліччю викликів, вони також приносять певні переваги. Наприклад, проекти з децентралізованих обчислень та збору даних можуть знизити залежність від централізованих установ, забезпечити більшу прозорість та можливість аудиту, а також сприяти більш широкій участі та інноваціям.
В майбутньому ми очікуємо побачити більш глибокі дослідження та інновації для досягнення тіснішої інтеграції між AI та Web3, а також у фінансовій сфері, децентралізації.