Благодарим вас за ценный вклад и отзывы от Женьяна из Upshot, Фрэн из Giza, Эшли из Neuronets, Мэтта из Valence и Дилана из Pond. Целью данного исследования является раскрытие важнейших областей искусственного интеллекта, которые актуальны для разработчиков в этой области, и изучение потенциальных растущих возможностей конвергенции технологий Web3 и искусственного интеллекта. ТЛ;ДР Текущие достижения в области децентрализованных приложений (DApps), ориентированных на искусственный интеллект, выделяют несколько инструментальных инструментов и концепций: обширный и быстрый рост ИИ в сочетании с огромным потенциалом его применения делает его значительно более популярным сектором, чем когда-то был майнинг биткойнов. В основе этого роста лежит потребность в разнообразных моделях графических процессоров и их стратегическом географическом распределении. Децентрализованный доступ к OpenAI, сеть графических процессоров: Хотя эти сети имеют схожую инфраструктуру, их фокусные точки расходятся. Сети вывода предназначены в первую очередь для опытных разработчиков при развертывании моделей, без необходимости использования высокопроизводительных графических процессоров для моделей, не относящихся к LLM. И наоборот, агентские сети, которые в большей степени ориентированы на LLM, требуют от разработчиков сосредоточиться на оперативном проектировании и интеграции различных агентов, что неизменно требует использования передовых графических процессоров. Сети умозаключений и агентов. Эти проекты продолжают развиваться, предлагая новые функции и обещают расширенные функциональные возможности для будущих приложений. Проекты инфраструктуры искусственного интеллекта. многие из них все еще находятся на этапе тестовой сети, сталкиваются с проблемами стабильности, сложными настройками и ограниченными функциями, но при этом требуется время для установления своих учетных данных безопасности и конфиденциальности. Крипто-родные проекты: если предположить, что AI DApps окажут существенное влияние на рынок, некоторые области остаются недостаточно изученными, включая мониторинг, инфраструктуру, связанную с RAG, собственные модели Web3, децентрализованные агенты с криптографическими API и данными, а также сети оценки. Неизведанные области: Инфраструктурные проекты все чаще направлены на предоставление комплексных универсальных решений для разработчиков AI DApp. Тенденции вертикальной интеграции. будущее, скорее всего, будет сочетать в себе интерфейсные выводы и внутрисетевые вычисления, балансируя соображения стоимости с проверяемостью. Прогнозы гибридного будущего: Введение в Web3 x AI Слияние Web3 и искусственного интеллекта вызывает огромный интерес к сфере криптографии, поскольку разработчики тщательно изучают инфраструктуру искусственного интеллекта, адаптированную для криптографической сферы. Цель состоит в том, чтобы наполнить смарт-контракты сложными интеллектуальными функциями, требующими пристального внимания к обработке данных, точности моделей, вычислительным потребностям, сложностям развертывания и интеграции блокчейна. Ранние решения, разработанные пионерами Web3, включают в себя: Расширенные сети графических процессоров Выделенные криптографические данные и маркировка данных сообщества Моделирование, обученное сообществом Поддающиеся проверке выводы и процессы обучения ИИ Комплексные агентские магазины Несмотря на растущую инфраструктуру, фактическое применение ИИ в децентрализованных приложениях остается ограниченным. Обычные учебные пособия лишь поверхностно касаются поверхности, часто иллюстрируя базовые взаимодействия API OpenAI во внешних средах без полного использования уникальных возможностей блокчейна по децентрализации и проверяемости. По мере развития ситуации мы ожидаем значительных изменений, поскольку в ближайшие месяцы многие крипто-инфраструктуры искусственного интеллекта перейдут из тестовых сетей в полноценный рабочий статус. В этом динамичном контексте наше исследование углубится в арсенал инструментов, доступных в крипто-инфраструктуре искусственного интеллекта, подготавливая разработчиков к неизбежным достижениям, подобным революционным моментам GPT-3.5 в сфере криптографии. RedPill: расширение возможностей децентрализованного искусственного интеллекта Использование надежных моделей OpenAI, таких как GPT-4-vision, GPT-4-turbo и GPT-4o, предлагает убедительные преимущества для тех, кто стремится разрабатывать передовые приложения AI DApp. Эти мощные инструменты предоставляют базовые возможности, необходимые для разработки передовых приложений и решений в растущей среде AI x Web3. Интеграция OpenAI в децентрализованные приложения (dApps) — горячая тема среди разработчиков, которые могут вызывать API OpenAI из оракулов или интерфейсов. RedPill находится в авангарде этой интеграции, поскольку он демократизирует доступ к ведущим моделям искусственного интеллекта, предлагая агрегированный сервис API. Этот сервис объединяет различные элементы API OpenAI и представляет их под одной крышей, обеспечивая такие преимущества, как повышенная доступность, лучшая скорость и комплексный глобальный доступ без ограничений, обычно налагаемых OpenAI. Неизбежные проблемы, с которыми часто сталкиваются разработчики криптовалют, такие как ограниченное количество токенов в минуту (TPM) или ограниченный доступ к модели из-за географических границ, могут привести к серьезным препятствиям. RedPill решает эти проблемы, перенаправляя запросы разработчиков отдельным участникам в их сети, эффективно обходя любые прямые ограничения со стороны OpenAI. В таблице ниже показаны резкие различия в возможностях и стоимости между RedPill и OpenAI: РедПилл ОпенАИ ТРМ Безлимитный 30–450 тысяч для большинства пользователей Цена 5 долларов США за 10 миллионов запросов плюс стимулирующие токены 5 долларов США за 10 миллионов запросов RPM (запросов в минуту) Безлимитный 500–5 тысяч для большинства пользователей Сеть графического процессора Помимо использования API OpenAI, разработчики могут размещать и запускать свои модели в децентрализованных сетях графических процессоров. Популярные платформы, такие как , Aethir и Akash, позволяют разработчикам создавать кластеры графических процессоров и управлять ими, что позволяет им развертывать наиболее эффективные модели — будь то собственные или с открытым исходным кодом. io.net Эти децентрализованные сети графических процессоров используют вычислительную мощность отдельных участников или небольших центров обработки данных, что обеспечивает разнообразие характеристик машин, большее количество серверов и снижение затрат. Эта уникальная структура помогает разработчикам проводить амбициозные эксперименты с искусственным интеллектом в рамках разумного бюджета. Однако децентрализованный характер может привести к ограничению функций, надежности безотказной работы и конфиденциальности данных, как показано в следующем сравнении: Сеть графического процессора Централизованный поставщик графических процессоров SLA (время безотказной работы) Переменная 99,99%+ SDK для интеграции и автоматизации Ограниченное Доступный Услуги хранения Ограниченное Комплексное (стратегии резервного копирования, файлов, объектов, блочного хранения и восстановления) Службы баз данных Ограниченное Широко доступный Управление идентификацией и доступом Ограниченное Доступный Брандмауэр Ограниченное Доступный Услуги мониторинга/управления/оповещения Ограниченное Доступный Соответствие GDPR, CCPA (конфиденциальность данных) Ограниченное Частичное соответствие Недавний всплеск интереса к сетям графических процессоров затмевает даже увлечение майнингом биткойнов. Этому явлению способствуют несколько ключевых факторов: . В отличие от майнинга биткойнов, который в первую очередь привлекал спекулянтов, сети графических процессоров привлекают более широкую и более лояльную базу разработчиков ИИ. Разнообразная аудитория . Для приложений искусственного интеллекта требуются различные характеристики графического процессора в зависимости от сложности задач, что делает децентрализованные сети выгодными из-за их близости к конечным пользователям и проблем с низкой задержкой. Гибкие требования к оборудованию : эти сети извлекают выгоду из инноваций в технологии блокчейна, виртуализации и вычислительных кластеров, повышая их эффективность и масштабируемость. Передовые технологии : рентабельность инвестиций в вычисления с использованием искусственного интеллекта на базе графического процессора может быть значительно выше по сравнению с конкурентным и ограниченным характером майнинга биткойнов. Более высокий потенциал доходности . Крупные горнодобывающие компании диверсифицируют свою деятельность, включая модели графических процессоров, ориентированные на искусственный интеллект, чтобы оставаться актуальными и выходить на растущий рынок. Внедрение в отрасли Поскольку среда для искусственного интеллекта и децентрализованных вычислений продолжает развиваться, такие инструменты, как RedPill и децентрализованные сети графических процессоров, радикально меняют способы преодоления разработчиками традиционных барьеров и открытия новых возможностей в разработке искусственного интеллекта. : предлагает простой пользовательский интерфейс, особенно подходящий для разработчиков Web2. Если вы проявляете гибкость в отношении соглашений об уровне обслуживания (SLA), может стать бюджетным вариантом. Рекомендация io.net io.net Сеть вывода Сеть вывода формирует основу крипто-инфраструктуры искусственного интеллекта, предназначенной для поддержки моделей искусственного интеллекта при обработке данных и принятии интеллектуальных прогнозов или решений. В будущем он готов обрабатывать миллиарды операций вывода ИИ. Многие уровни блокчейна (уровень 1 или уровень 2) уже предоставляют разработчикам возможность вызывать операции вывода ИИ непосредственно в цепочке. В число лидеров на этом рынке входят такие платформы, как Ritual, Vanna и . Fetch.ai Эти сети различаются в зависимости от нескольких факторов, включая производительность (задержка, время вычислений), поддерживаемые модели, проверяемость и цену (затраты на потребление и логические выводы), а также общий опыт разработчиков. Цель В идеальном сценарии разработчики должны иметь возможность беспрепятственно интегрировать настраиваемые возможности вывода ИИ в любое приложение с комплексной поддержкой различных доказательств и минимальными усилиями по интеграции. Сеть вывода предоставляет все необходимые разработчикам элементы инфраструктуры, такие как генерация и проверка доказательств по требованию, вычисление вывода, ретрансляция вывода, конечные точки Web2 и Web3, развертывание модели в один клик, мониторинг, межсетевое взаимодействие, синхронизация интеграции и запланированное выполнение. Благодаря этим возможностям разработчики могут легко интегрировать логические выводы в свои проекты блокчейнов. Например, при разработке торговых ботов децентрализованного финансирования (DeFi) модели машинного обучения могут использоваться для определения возможностей покупки и продажи торговых пар и реализации стратегий на базовой DEX. В идеале вся инфраструктура должна размещаться в облаке, что позволит разработчикам загружать и хранить свои модели стратегий в популярных форматах, таких как Torch. Сеть вывода будет обрабатывать как хранение, так и обслуживание моделей для запросов Web2 и Web3. После завершения развертывания модели разработчики могут инициировать вывод модели через запросы API Web3 или напрямую через смарт-контракты. Сеть вывода постоянно запускает торговые стратегии и передает результаты в базовые смарт-контракты. Если вы управляете значительными общественными фондами, может потребоваться доказательство точности выводов. Получив результаты вывода, смарт-контракты автоматически совершают сделки на основе этих результатов. Асинхронизация против синхронизации Хотя асинхронное выполнение теоретически может обеспечить более высокую производительность, оно может усложнить работу разработчика. В асинхронной модели разработчики первоначально отправляют свою работу в сеть вывода через смарт-контракты. После завершения задания смарт-контракт сети возвращает результат. Это делит программирование на два этапа: вызов вывода и обработка его результатов. Такое разделение может привести к сложностям, особенно при использовании вложенных вызовов вывода или обширной логической обработки. Более того, асинхронные модели могут быть сложно интегрировать с существующими смарт-контрактами, требуя дополнительного кодирования, обширной обработки ошибок и дополнительных зависимостей. Синхронизацию обычно проще реализовать разработчикам, но она создает проблемы, связанные с задержкой и дизайном блокчейна. Например, при работе с быстро меняющимися входными данными, такими как время блока или рыночные цены, данные могут устареть к моменту завершения обработки. Этот сценарий может привести к откату выполнения смарт-контракта, особенно при выполнении таких операций, как обмен на основе устаревших цен. Valence решает эти проблемы, сосредоточив внимание на инфраструктуре искусственного интеллекта, которая работает асинхронно. Реальность В нынешних условиях большинство новых сетей вывода, таких как Ritual Network, все еще проходят этапы тестирования и предлагают ограниченную функциональность, согласно их общедоступной документации. Вместо предоставления облачной инфраструктуры для вычислений ИИ в цепочке они поддерживают структуру для самостоятельного размещения вычислений ИИ и последующей передачи результатов в блокчейн. Вот типичная архитектура, используемая для запуска AIGC NFT: Модель диффузии генерирует NFT и загружает его в Arweave. Затем сеть вывода получает адрес Arweave и приступает к чеканке NFT в цепочке. Эта модель требует от разработчиков самостоятельного развертывания и размещения большей части инфраструктуры, включая управление ритуальными узлами с настраиваемой логикой обслуживания, стабильными узлами распространения и смарт-контрактами NFT. : существующие сети вывода сложны для интеграции и развертывания пользовательских моделей. Поскольку многие из них на данном этапе не предлагают возможности проверки, развертывание ИИ во внешнем интерфейсе может оказаться более простым вариантом для разработчиков. Для тех, кому требуется проверяемость, многообещающую альтернативу предлагает поставщик машинного обучения с нулевым разглашением, Giza. Рекомендация Агентская сеть Сети агентов упрощают настройку агентов для пользователей. Эти сети состоят из автономных объектов или смарт-контрактов, способных выполнять задачи и автоматически взаимодействовать друг с другом и с блокчейном. В настоящее время они больше сосредоточены на больших языковых моделях (LLM), таких как чат-боты GPT, разработанные специально для понимания Ethereum. Однако в настоящее время возможности этих чат-ботов ограничены, что не позволяет разработчикам создавать на их основе сложные приложения. В будущем агентские сети готовы расширить свои возможности, предоставив агентам расширенные инструменты, включая внешний доступ к API и функции выполнения. Разработчики смогут организовывать рабочие процессы, подключая несколько специализированных агентов, например тех, которые занимаются разработкой протоколов, разработкой Solidity, проверками безопасности кода и развертыванием контрактов, используя подсказки и контексты для облегчения сотрудничества. Примеры агентских сетей включают , Myshell и Theoriq. Flock.ai : поскольку текущие технологии агентов все еще развиваются и обладают ограниченными функциональными возможностями, разработчики могут найти в пространстве Web2 более зрелые инструменты оркестрации, такие как Langchain или Llammaindex, более эффективными для своих нужд. Рекомендация Разница между агентской сетью и сетью вывода Хотя и агентские сети, и сети вывода служат для расширения возможностей и взаимодействия в блокчейне, их основные функции и операционная направленность сильно различаются. Агентские сети ориентированы на автоматизацию взаимодействия и расширение возможностей смарт-контрактов с помощью автономных агентов. Напротив, сети вывода в первую очередь занимаются интеграцией и управлением анализом данных на основе ИИ в блокчейне. Каждый из них служит уникальной цели, адаптированной к различным аспектам интеграции блокчейна и искусственного интеллекта. Сети агентов в первую очередь ориентированы на большие языковые модели (LLM) и предоставляют инструменты оркестрации, такие как Langchain, для облегчения интеграции этих агентов. Для разработчиков это означает, что им не нужно разрабатывать собственные модели машинного обучения с нуля. Вместо этого сложность разработки и развертывания модели абстрагируется сетью вывода, позволяя им просто подключать агентов, используя соответствующие инструменты и контексты. В большинстве случаев конечные пользователи взаимодействуют напрямую с этими агентами, что упрощает работу пользователя. И наоборот, сеть вывода образует операционную основу агентской сети, предоставляя разработчикам доступ на более низком уровне. В отличие от агентских сетей, сети вывода не используются конечными пользователями напрямую. Разработчики должны развернуть свои модели, которые не ограничиваются LLM, и они могут получить доступ к этим моделям через точки оффчейн или ончейн. Интересно, что в некоторых случаях агентские сети и сети вывода начинают сходиться, при этом появляются вертикально интегрированные продукты, предлагающие как агентские функции, так и функции вывода. Эта интеграция логична, поскольку обе функции используют одинаковую основу инфраструктуры. Сравнение выводов и агентских сетей: Сеть вывода Агентская сеть Целевые клиенты Разработчики Конечные пользователи/разработчики Поддерживаемые модели LLM, Нейронные сети, Традиционные модели ML В первую очередь LLM Инфраструктура Поддерживает разнообразные модели В первую очередь поддерживает популярные программы LLM. Настраиваемость Широкая адаптивность модели Настраивается с помощью подсказок и инструментов Популярные проекты Ритуал, Валентность Флок, Мишелл, Теорик, Олас Пространство для новых гениальных инноваций По мере того, как мы углубляемся в процесс разработки моделей, в полях web3 открываются многочисленные возможности: . Преобразование данных блокчейна в наборы данных, готовые к машинному обучению, имеет решающее значение. Такие проекты, как Giza, добиваются успехов, предоставляя высококачественные наборы данных, связанные с DeFi. Однако создание наборов данных на основе графов, которые более точно представляют взаимодействия блокчейнов, по-прежнему является областью, нуждающейся в развитии. Наборы данных . Для больших моделей крайне важны эффективное хранение, распространение и управление версиями. К новаторам в этой области относятся Filecoin, AR и 0g. Хранение моделей . Децентрализованное и поддающееся проверке обучение моделям остается проблемой. Такие компании, как Gensyn, Bittensor и Flock, добились значительных успехов. Обучение моделям : необходима эффективная инфраструктура для мониторинга использования моделей вне цепочки и в сети, помогая разработчикам выявлять и устранять проблемы или предвзятости в своих моделях. Мониторинг : благодаря генерации, дополненной Retriever, увеличивается потребность в частном, эффективном хранилище и вычислениях. Firstbatch и Bagel являются примерами проектов, удовлетворяющих эти потребности. Инфраструктура RAG . Специализированные модели необходимы для конкретных случаев использования Web3, таких как обнаружение мошенничества или прогнозирование цен. Например, Pond разрабатывает нейронные сети на графах, ориентированные на блокчейн (GNN). Выделенные модели Web3 : Распространение агентов требует надежных механизмов оценки. Такие платформы, как Neuronets, играют решающую роль в предоставлении таких услуг. Сети оценки : Традиционное доказательство доли (PoS) может не подойти для задач, ориентированных на искусственный интеллект, из-за их сложности. Bittensor, например, разработал консенсусную модель, которая вознаграждает узлы за предоставление ценной информации об искусственном интеллекте. Консенсус Перспективы на будущее Тенденция к очевидна: сети стремятся предоставлять комплексные, многофункциональные решения машинного обучения на одном вычислительном уровне. Этот подход обещает оптимизированное комплексное решение для разработчиков Web3 ML, способствующее интеграции технологий искусственного интеллекта и блокчейна. вертикальной интеграции Ончейн-вывод, хотя и обеспечивает исключительную проверяемость и бесшовную интеграцию с серверными системами, такими как смарт-контракты, остается дорогостоящим и медленным. Мы, вероятно, увидим смесь, в которой некоторые задачи вывода выполняются вне сети, на внешнем интерфейсе, для повышения эффективности, в то время как критические, ориентированные на принятие решений задачи вывода будут по-прежнему выполняться в сети. Эта парадигма уже применяется на мобильных устройствах. Используя возможности мобильных устройств, модели меньшего размера запускаются локально для быстрого реагирования, а более сложные вычисления выгружаются в облако с использованием более крупных языковых моделей (LLM). Я предвижу гибридный подход в будущем.
