- Tema
55641 Popularidad
20455 Popularidad
63152 Popularidad
30352 Popularidad
3957 Popularidad
98244 Popularidad
28332 Popularidad
27458 Popularidad
6530 Popularidad
17635 Popularidad
- Anclado
55641 Popularidad
20455 Popularidad
63152 Popularidad
30352 Popularidad
3957 Popularidad
98244 Popularidad
28332 Popularidad
27458 Popularidad
6530 Popularidad
17635 Popularidad
Estado actual de la fusión del AI y Web3: oportunidades y desafíos coexistentes
Introducción: Desarrollo de AI+Web3
En los últimos años, el rápido desarrollo de la inteligencia artificial (AI) y la tecnología Web3 ha atraído una amplia atención a nivel mundial. La IA, como una tecnología que simula la inteligencia humana, ha logrado importantes avances en áreas como el reconocimiento facial, el procesamiento del lenguaje natural y el aprendizaje automático, trayendo enormes cambios e innovaciones a diversas industrias. En 2023, el tamaño del mercado de la industria de la IA alcanzó los 200 mil millones de dólares, dando lugar a empresas destacadas como OpenAI, Character.AI y Midjourney.
Al mismo tiempo, Web3 como un nuevo modelo de red está cambiando la percepción y el uso de Internet por parte de las personas. Web3 se basa en la tecnología de blockchain descentralizada, y a través de funciones como contratos inteligentes, almacenamiento distribuido y autenticación descentralizada, logra el intercambio y control de datos, la autonomía del usuario y el establecimiento de mecanismos de confianza. La idea central de Web3 es liberar los datos de las manos de las instituciones centralizadas, otorgando a los usuarios el control sobre sus datos y el derecho a compartir su valor. Actualmente, el valor de mercado de la industria Web3 alcanza los 25 billones de dólares, y proyectos como Bitcoin, Ethereum, Solana, entre otros, están surgiendo constantemente.
La combinación de la IA y Web3 es un área de gran interés tanto para los constructores como para los inversores de Oriente y Occidente. Cómo fusionar bien ambos es un asunto que vale la pena explorar. Este artículo se centrará en el estado actual del desarrollo de IA+Web3, analizará la situación de los proyectos actuales y discutirá en profundidad las limitaciones y desafíos que enfrentan, proporcionando referencias e información útil para inversores y profesionales de la industria.
Dos, formas de interacción entre la IA y Web3
El desarrollo de la IA y Web3 es como los dos lados de una balanza; la IA mejora la productividad, mientras que Web3 trae cambios en las relaciones de producción. A continuación, analizaremos las dificultades y el espacio de mejora que enfrenta cada industria de IA y Web3, y luego exploraremos cómo pueden ayudarse mutuamente a resolver estas dificultades.
2.1 Las dificultades que enfrenta la industria de la IA
El núcleo de la industria de la IA no puede separarse de tres elementos: potencia de cálculo, algoritmos y datos.
Potencia de cálculo: se refiere a la capacidad para realizar cálculos y procesamientos a gran escala. Las tareas de IA suelen requerir manejar grandes cantidades de datos y realizar cálculos complejos, como el entrenamiento de modelos de redes neuronales profundas. Una alta capacidad de cálculo puede acelerar el proceso de entrenamiento e inferencia del modelo, mejorando el rendimiento y la eficiencia de los sistemas de IA. En los últimos años, con el desarrollo de GPU y chips de IA dedicados, el aumento de la potencia de cálculo ha desempeñado un papel importante en el impulso del desarrollo de la industria de la IA.
Algoritmo: es una parte fundamental del sistema de IA, utilizado para resolver problemas y realizar tareas mediante métodos matemáticos y estadísticos. Los algoritmos de IA se pueden dividir en algoritmos de aprendizaje automático tradicionales y algoritmos de aprendizaje profundo, siendo estos últimos los que han logrado avances significativos en los últimos años. La selección y diseño del algoritmo son cruciales para el rendimiento y la efectividad del sistema de IA. Algoritmos que se mejoran e innovan constantemente pueden aumentar la precisión, robustez y capacidad de generalización del sistema de IA.
Datos: La tarea principal de los sistemas de IA es extraer patrones y regularidades de los datos mediante el aprendizaje y el entrenamiento. Los datos son la base para entrenar y optimizar modelos; a través de muestras de datos a gran escala, los sistemas de IA pueden aprender modelos más precisos e inteligentes. Conjuntos de datos ricos pueden proporcionar información más completa y diversa, lo que permite que los modelos generalicen mejor a datos no vistos, ayudando a los sistemas de IA a entender y resolver mejor los problemas del mundo real.
Las principales dificultades que enfrenta la IA en estos tres aspectos incluyen:
En términos de potencia de cálculo: obtener y gestionar una gran potencia de cálculo es caro y complejo; el costo, el consumo de energía y el mantenimiento de los dispositivos de computación de alto rendimiento son problemas. Para las startups y los desarrolladores individuales, puede ser difícil obtener suficiente potencia de cálculo.
En términos de algoritmos: los algoritmos de aprendizaje profundo requieren grandes cantidades de datos y recursos de cálculo, y su interpretabilidad y explicabilidad son insuficientes. La robustez de los algoritmos y su capacidad de generalización también son problemas importantes, ya que el rendimiento del modelo en datos no vistos puede ser inestable.
En términos de datos: obtener datos de alta calidad y diversos sigue siendo un desafío. Los datos en ciertos campos pueden ser difíciles de obtener, como los datos de salud. La calidad, precisión y etiquetado de los datos también son problemas, ya que los datos incompletos o sesgados pueden llevar a comportamientos o sesgos erróneos en los modelos. Al mismo tiempo, proteger la privacidad y la seguridad de los datos también es un factor importante a considerar.
Además, la falta de explicabilidad y transparencia de los modelos de IA, así como la falta de claridad en los modelos de negocio, han dejado a muchos emprendedores de IA confundidos.
2.2 Los desafíos que enfrenta la industria Web3
La industria Web3 enfrenta actualmente muchas dificultades que necesitan ser resueltas, incluyendo el análisis de datos, la experiencia del usuario y la seguridad de los contratos inteligentes, donde hay espacio para mejoras. La IA, como herramienta para aumentar la productividad, también tiene mucho potencial en estos aspectos.
Análisis de datos y predicción: La tecnología de IA puede ayudar a las plataformas Web3 a extraer información valiosa de grandes volúmenes de datos, realizar predicciones y decisiones más precisas, lo cual es de gran importancia para la evaluación de riesgos, la predicción de mercados y la gestión de activos en el ámbito de DeFi.
Experiencia del usuario y servicios personalizados: la IA puede ayudar a las plataformas Web3 a ofrecer una mejor experiencia del usuario y servicios personalizados, analizando los datos de los usuarios para proporcionar recomendaciones personalizadas, servicios a medida y experiencias de interacción inteligente, aumentando la participación y satisfacción del usuario.
Seguridad y protección de la privacidad: La IA se puede utilizar para detectar y defenderse contra ataques cibernéticos, identificar comportamientos anómalos y proporcionar una mayor seguridad. Al mismo tiempo, la IA también se puede aplicar a la protección de la privacidad de los datos, protegiendo la información del usuario mediante técnicas como el cifrado y el cálculo de privacidad.
Auditoría de contratos inteligentes: La tecnología AI se puede utilizar para automatizar la auditoría de contratos y la detección de vulnerabilidades, mejorando la seguridad y la fiabilidad de los contratos.
Análisis del estado actual de los proyectos AI+Web3
Los proyectos que combinan AI y Web3 abordan principalmente dos aspectos: mejorar el rendimiento de los proyectos de AI mediante la tecnología blockchain, y utilizar la tecnología AI para servir a la mejora de los proyectos de Web3.
3.1 Web3 impulsa la IA
3.1.1 Potencia de cálculo descentralizada
Con la aparición de grandes modelos como ChatGPT, la demanda de potencia de cálculo en el campo de la IA ha aumentado drásticamente. Sin embargo, la escasez de suministro de GPU se ha convertido en un cuello de botella que limita el desarrollo de la IA. Para resolver este problema, algunos proyectos de Web3 están intentando ofrecer servicios de poder de cálculo descentralizados, incluyendo Akash, Render, Gensyn, entre otros. Estos proyectos incentivan a los usuarios globales a proporcionar potencia de cálculo de GPU ociosa a través de tokens, brindando apoyo de cálculo a los clientes de IA.
El lado de la oferta incluye principalmente proveedores de servicios en la nube, mineros de criptomonedas y grandes empresas. Los proyectos de computación descentralizada se dividen aproximadamente en dos categorías: una para inferencia de IA ( como Render, Akash ), y otra para entrenamiento de IA ( como io.net, Gensyn ).
Tomando como ejemplo io.net, como una red de potencia informática descentralizada, actualmente hay más de 500,000 GPU, y se ha integrado la potencia de Render y Filecoin, desarrollando continuamente proyectos ecológicos. Gensyn, por su parte, facilita la asignación de tareas de aprendizaje automático y recompensas a través de contratos inteligentes, logrando el entrenamiento de IA.
Sin embargo, la mayoría de los proyectos eligen realizar inferencia de IA en lugar de entrenamiento, siendo la principal razón las diferentes exigencias de potencia de cálculo y ancho de banda. El entrenamiento de IA requiere una gran cantidad de datos y un ancho de banda de comunicación de alta velocidad, lo que dificulta su implementación. Por otro lado, la inferencia de IA tiene menores requisitos de datos y ancho de banda, lo que hace que su implementación sea más posible.
3.1.2 Modelo de Algoritmo Descentralizado
Además de la potencia de cálculo, algunos proyectos intentan establecer un mercado de servicios de algoritmos de IA descentralizados. Tomemos como ejemplo Bittensor, que conecta varios modelos de IA, cada uno con su propio conocimiento y habilidades especializadas. Cuando un usuario hace una pregunta, el mercado selecciona el modelo de IA más adecuado para proporcionar una respuesta.
En la red Bittensor, los proveedores de modelos algorítmicos ( y los mineros ) contribuyen con modelos de aprendizaje automático a la red y reciben recompensas en forma de tokens por su contribución. Para garantizar la calidad de las respuestas, Bittensor utiliza un mecanismo de consenso único para asegurar que la red llegue a un acuerdo sobre la mejor respuesta.
El desarrollo de plataformas de modelos algorítmicos descentralizados podría permitir a las pequeñas empresas competir con grandes organizaciones en el uso de herramientas de IA de vanguardia, lo que tendría un impacto potencialmente significativo en diversas industrias.
3.1.3 Recolección de datos descentralizada
El entrenamiento de modelos de IA requiere grandes cantidades de datos, pero actualmente la mayoría de las plataformas Web2 prohíben la recolección de datos para el entrenamiento de IA, o venden los datos de los usuarios a empresas de IA sin compartir las ganancias. Algunos proyectos de Web3 logran la recolección de datos descentralizada a través de incentivos con tokens, como PublicAI.
En PublicAI, los usuarios pueden participar como proveedores de datos de IA o validadores de datos. Los proveedores de datos encuentran contenido valioso en plataformas sociales y lo comparten con el centro de datos de PublicAI; los validadores de datos votan por los datos más valiosos para el entrenamiento de la IA. Los usuarios obtienen incentivos en tokens a través de estas dos contribuciones, promoviendo una relación de beneficio mutuo entre los contribuidores de datos y el desarrollo de la industria de IA.
3.1.4 Protección de la privacidad del usuario en AI ZK
La tecnología de prueba de cero conocimiento puede lograr la verificación de información mientras protege la privacidad, ayudando a resolver el conflicto entre la protección de la privacidad de los datos y el intercambio de datos en la IA. ZKML(Zero-Knowledge Machine Learning), a través de la tecnología de prueba de cero conocimiento, permite el entrenamiento y la inferencia de modelos de aprendizaje automático sin revelar los datos originales.
Los proyectos como BasedAI están explorando la integración sin problemas de la Encriptación Homomórfica Total FHE( con LLM para mantener la confidencialidad de los datos. A través de modelos de lenguaje de gran tamaño con conocimiento cero ZK-LLM), se incrusta la privacidad en la infraestructura de red distribuida, asegurando que los datos del usuario permanezcan privados a lo largo del funcionamiento de la red.
(# 3.2 La IA impulsa Web3
3.2.1 Análisis y Predicción de Datos
Muchos proyectos de Web3 han comenzado a integrar servicios de IA o herramientas de IA desarrolladas internamente, ofreciendo a los usuarios servicios de análisis de datos y predicción, abarcando áreas como estrategias de inversión, análisis en cadena, pronósticos de precios y mercados.
Por ejemplo, Pond utiliza algoritmos de gráficos de IA para predecir futuros tokens alpha valiosos, ofreciendo recomendaciones de inversión a usuarios e instituciones. BullBear AI se entrena utilizando datos históricos de los usuarios, la historia de las líneas de precios y las tendencias del mercado para ayudar a predecir la tendencia de precios. Numerai, como plataforma de competencia de inversión, permite a los participantes utilizar IA y modelos de lenguaje grandes para predecir el mercado de valores. Plataformas de análisis de datos en cadena como Arkham también combinan IA para ofrecer servicios, emparejando direcciones de blockchain con entidades del mundo real y mostrando datos y análisis clave.
3.2.2 Servicios Personalizados
Los proyectos de Web3 optimizan la experiencia del usuario mediante la integración de IA. Por ejemplo, la plataforma de análisis de datos Dune lanzó la herramienta Wand, que utiliza modelos de lenguaje de gran tamaño para redactar consultas SQL, permitiendo que los usuarios que no conocen SQL puedan buscar fácilmente. La plataforma de medios Web3 Followin y la enciclopedia Web3 IQ.wiki integran ChatGPT para resumir contenido. El motor de búsqueda Kaito, basado en LLM, se esfuerza por convertirse en una plataforma de búsqueda Web3. Proyectos como NFPrompt reducen el costo de creación de NFT para los usuarios mediante IA.
3.2.3 Auditoría de contratos inteligentes de IA
La IA también desempeña un papel importante en la auditoría de contratos inteligentes, pudiendo identificar vulnerabilidades en el código de manera más eficiente y precisa. Por ejemplo, 0x0.ai ofrece un auditor de contratos inteligentes basado en inteligencia artificial, que utiliza algoritmos avanzados para analizar contratos inteligentes e identificar vulnerabilidades o riesgos de seguridad potenciales. Los auditores utilizan técnicas de aprendizaje automático para identificar patrones y anomalías en el código, marcando problemas potenciales para su revisión posterior.
![Nuevas Conocimientos丨Análisis en Profundidad: ¿Qué tipo de chispa pueden generar la IA y Web3?])https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp###
( Cuarta, limitaciones y desafíos actuales de los proyectos AI+Web3
)# 4.1 Obstáculos reales en el ámbito de la computación descentralizada
Los productos de potencia de cálculo descentralizada enfrentan algunos problemas reales:
Rendimiento y estabilidad: Debido a la dependencia de nodos distribuidos en todo el mundo, puede haber retrasos e inestabilidad en la conexión de red, y el rendimiento puede ser inferior al de los productos de potencia centralizada.
Coincidencia de recursos: La disponibilidad se ve afectada por el grado de coincidencia entre la oferta y la demanda, lo que puede llevar a una escasez de recursos o a no poder satisfacer las necesidades de los usuarios.
Complejidad técnica: Los usuarios pueden necesitar comprender conocimientos sobre redes distribuidas, contratos inteligentes y pagos en criptomonedas, lo que implica un costo de uso relativamente alto.
Dificultad para realizar el entrenamiento de grandes modelos: El entrenamiento de grandes modelos requiere una estabilidad extremadamente alta y capacidad de paralelismo en múltiples tarjetas, y actualmente la potencia de cálculo descentralizada es difícil de lograr. Las principales razones incluyen: