La fusión y el desarrollo de la IA y Web3: estado actual, desafíos y perspectivas
I. Introducción: Panorama del desarrollo de AI + Web3
En los últimos años, los rápidos avances de la inteligencia artificial (AI) y la tecnología Web3 han generado una amplia atención a nivel global. La IA ha logrado importantes avances en áreas como el reconocimiento facial, el procesamiento del lenguaje natural y el aprendizaje automático, trayendo enormes transformaciones e innovaciones a diversas industrias. En 2023, el tamaño del mercado de la industria de la IA alcanzó los 200 mil millones de dólares, surgiendo 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 verificación de identidad 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 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 ha alcanzado los 25 billones de dólares, con proyectos como Bitcoin, Ethereum y Solana surgiendo constantemente.
La combinación de la IA y Web3 es un campo de interés común para desarrolladores e inversores de Oriente y Occidente; cómo integrar ambos de manera efectiva es una cuestión que vale la pena explorar. Este artículo se centrará en analizar el estado actual del desarrollo de IA+Web3, y discutirá el valor y el impacto potencial que trae esta fusión. Primero, presentaremos los conceptos básicos de la IA y Web3, y luego exploraremos la relación entre ellos. A continuación, analizaremos el estado actual de los proyectos de IA+Web3 y discutiremos en profundidad las limitaciones y desafíos que enfrentan. Esperamos poder ofrecer a inversores y profesionales referencias e insights valiosos.
Dos, formas de interacción entre 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 transforma las relaciones de producción. ¿Qué chispa pueden generar ambos? Primero, analicemos las dificultades y áreas de mejora que enfrenta cada uno, y luego exploremos cómo pueden ayudarse mutuamente a resolver estos problemas.
2.1 Dificultades enfrentadas por la industria de la IA
Para explorar las dificultades de la industria de la IA, primero debemos entender los tres elementos centrales de la IA: capacidad de cálculo, algoritmos y datos.
Potencia de cálculo: se refiere a la capacidad para llevar a cabo cálculos y procesos a gran escala. Las tareas de IA suelen requerir el procesamiento de grandes volúmenes de datos y cálculos complejos, como el entrenamiento de modelos de redes neuronales profundas. Una alta capacidad de cálculo puede acelerar el entrenamiento y la inferencia de modelos, mejorando el rendimiento y la eficiencia de los sistemas de IA. En los últimos años, el desarrollo de GPU y chips de IA dedicados ha impulsado enormemente el progreso de la industria de la IA. Proveedores de GPU como Nvidia ocupan una gran parte del mercado, obteniendo altos beneficios.
Algoritmo: La parte central del sistema de IA, que incluye algoritmos de aprendizaje automático tradicionales y algoritmos de aprendizaje profundo. La elección y el diseño del algoritmo son cruciales para el rendimiento del sistema de IA. Algoritmos que se mejoran e innovan constantemente pueden aumentar la precisión, robustez y capacidad de generalización del sistema.
Datos: La tarea principal de un sistema de IA es extraer patrones y reglas de los datos a través del aprendizaje y el entrenamiento. Un conjunto de datos rico puede proporcionar información más completa y diversa, ayudando al modelo a generalizar mejor a datos no vistos y a entender y resolver mejor los problemas del mundo real.
Después de entender los elementos centrales de la IA, veamos los desafíos que enfrenta la IA en estos tres aspectos:
En términos de poder de cómputo, las tareas de IA requieren una gran cantidad de recursos de cálculo para el entrenamiento y la inferencia de modelos. Obtener y gestionar un gran poder de cómputo es costoso y complejo, especialmente para startups y desarrolladores individuales.
En cuanto a los algoritmos, aunque el aprendizaje profundo ha logrado un gran éxito, aún existen desafíos. El entrenamiento de redes neuronales profundas requiere grandes cantidades de datos y recursos de computación, y la interpretabilidad de los modelos en ciertas tareas es insuficiente. La robustez y la capacidad de generalización de los algoritmos también son problemas importantes, ya que el rendimiento del modelo puede ser inestable en datos no vistos.
En términos de datos, obtener datos de alta calidad y diversos sigue siendo un desafío. En ciertos campos, como el de la salud, es difícil obtener datos sensibles. También existen problemas con la calidad, precisión y etiquetado de los datos; los datos incompletos o sesgados pueden llevar a un comportamiento erróneo o sesgo en los modelos. Al mismo tiempo, la privacidad de los datos y la protección de la seguridad son consideraciones importantes.
Además, la interpretabilidad y transparencia de los modelos de IA son cuestiones que preocupan al público. Algunas aplicaciones, como las financieras y médicas, requieren procesos de decisión que sean explicables y rastreables, mientras que los modelos de aprendizaje profundo existentes a menudo carecen de transparencia.
Además, muchos modelos de negocio de proyectos de startups de IA no son claros, lo que también deja a muchos emprendedores de IA confundidos.
2.2 Dilemas enfrentados por la industria Web3
La industria de Web3 también enfrenta muchos desafíos que necesitan ser resueltos, ya sea en análisis de datos, experiencia del usuario, o en vulnerabilidades y problemas de seguridad en el código de contratos inteligentes, hay un gran espacio para mejorar. La IA, como herramienta para aumentar la productividad, tiene mucho potencial para desempeñar un papel en estas áreas.
Primero, la mejora en las capacidades de análisis de datos y predicción: La aplicación de la tecnología AI en el análisis y la predicción de datos ha tenido un gran impacto en la industria de Web3. A través del análisis inteligente y la minería de datos de algoritmos de AI, las plataformas Web3 pueden extraer información valiosa de grandes volúmenes de datos, realizando predicciones y decisiones más precisas. Esto tiene una importancia significativa en la evaluación de riesgos, la predicción del mercado y la gestión de activos en el ámbito de las finanzas descentralizadas (DeFi).
En segundo lugar, la IA puede mejorar la experiencia del usuario y los servicios personalizados: La aplicación de la tecnología de IA permite a las plataformas Web3 ofrecer una mejor experiencia del usuario y servicios personalizados. A través del análisis de datos de los usuarios y la modelización, se pueden proporcionar recomendaciones personalizadas, servicios a medida y experiencias interactivas inteligentes, aumentando la participación y satisfacción del usuario, y fomentando el desarrollo del ecosistema Web3.
En términos de seguridad y protección de la privacidad, la aplicación de la IA también tiene un profundo impacto en la industria de Web3. La tecnología de IA se puede utilizar para detectar y defenderse de ataques cibernéticos, identificar comportamientos anómalos y proporcionar una protección de seguridad más robusta. Al mismo tiempo, la IA también se puede aplicar a la protección de la privacidad de los datos, mediante el uso de técnicas como la encriptación de datos y la computación privada, para proteger la información personal de los usuarios. En el ámbito de la auditoría de contratos inteligentes, la tecnología de IA se puede utilizar para la automatización de auditorías de contratos y la detección de vulnerabilidades, mejorando la seguridad y la fiabilidad de los contratos.
Se puede ver que, en cuanto a los desafíos que enfrenta la industria Web3 y el potencial espacio de mejora, la IA puede participar y brindar apoyo en muchos aspectos.
Tres, Análisis del estado actual de los proyectos AI+Web3
Los proyectos que combinan IA y Web3 abordan principalmente desde dos aspectos: utilizar la tecnología blockchain para mejorar el rendimiento de los proyectos de IA y utilizar la tecnología de IA para servir a la mejora de los proyectos de Web3.
Alrededor de estos dos aspectos, ha surgido una gran cantidad de proyectos que exploran este camino, incluyendo Io.net, Gensyn, Ritual, entre otros. A continuación, analizaremos la situación y el desarrollo de las diferentes subcategorías de AI apoyando a Web3 y Web3 apoyando a AI.
3.1 Web3 impulsa la IA
3.1.1 Poder de cómputo descentralizado
OpenAI desató la fiebre de la IA tras el lanzamiento de ChatGPT a finales de 2022, alcanzando un millón de usuarios cinco días después y llegando a 100 millones de usuarios activos mensuales en dos meses. Para noviembre de 2023, el número de usuarios activos semanales alcanzó los 100 millones. La llegada de ChatGPT hizo que el campo de la IA pasara de ser un nicho a convertirse en una industria de gran interés.
Según un informe de Trendforce, ChatGPT necesita 30,000 GPU NVIDIA A100 para funcionar, y se espera que el futuro GPT-5 requiera órdenes de magnitud más de computación. Esto ha llevado a las empresas de IA a iniciar una carrera armamentista; solo al dominar suficientes capacidades de cálculo se puede mantener una ventaja en la guerra de IA, lo que ha llevado a una escasez de GPU.
Antes del auge de la IA, los principales clientes de NVIDIA, el mayor proveedor de GPU, se concentraban en los tres grandes proveedores de servicios en la nube: AWS, Azure y GCP. Con el surgimiento de la IA, han aparecido una gran cantidad de nuevos compradores, incluyendo a grandes empresas tecnológicas como Meta y Oracle, así como otras plataformas de datos y startups de IA, que se han unido a la guerra por acumular GPUs para entrenar modelos de IA.
Como mencionó Semi Analysis el año pasado, "ricos en GPU y pobres en GPU", unas pocas empresas poseen más de 20,000 GPU A100/H100, y los miembros del equipo pueden utilizar de 100 a 1,000 GPU para proyectos. Estas empresas son o proveedores de la nube o han construido su propio LLM, incluyendo OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, entre otros.
Sin embargo, la mayoría de las empresas son pobres en GPU y solo pueden luchar con una cantidad mucho menor de GPUs. Esta situación no se limita a las empresas emergentes; algunas compañías de IA bien conocidas como Hugging Face, Databricks, Together e incluso Snowflake tienen menos de 20K A100/H100. Estas empresas cuentan con talento técnico de clase mundial, pero están limitadas por la cantidad de suministro de GPUs, lo que las coloca en desventaja en la competencia de IA.
Esta escasez no se limita a los "pobres en GPU"; incluso a finales de 2023, el líder en IA OpenAI tuvo que cerrar las inscripciones pagadas durante varias semanas debido a la falta de suficientes GPU, mientras adquiría más suministro de GPU.
Como se puede ver, la demanda de GPU debido al rápido desarrollo de la IA y la oferta presentan una grave discrepancia, el problema de la insuficiencia de suministro es inminente.
Para abordar este problema, algunos proyectos de Web3 han comenzado a intentar combinar las características de la tecnología Web3 y ofrecer servicios de potencia informática descentralizada, incluyendo Akash, Render, Gensyn, entre otros. La característica común de estos proyectos es incentivar a un amplio número de usuarios a proporcionar potencia gráfica GPU ociosa mediante tokens, convirtiéndose en el lado de oferta de potencia informática y brindando apoyo de potencia a los clientes de IA.
El perfil del lado de la oferta se divide principalmente en tres categorías: proveedores de servicios en la nube, mineros de criptomonedas y empresas.
Los proveedores de servicios en la nube incluyen grandes proveedores de servicios en la nube ( como AWS, Azure, GCP ), así como proveedores de servicios en la nube GPU ( como Coreweave, Lambda, Crusoe, etc. ), los usuarios pueden revender la potencia de cálculo inactiva de los proveedores de servicios en la nube para obtener ingresos. Los mineros de criptomonedas, a medida que Ethereum pasa de PoW a PoS, la potencia de cálculo GPU inactiva también se convierte en un importante potencial del lado de la oferta. Además, grandes empresas como Tesla y Meta, que han comprado grandes cantidades de GPU debido a su estrategia, también pueden utilizar la potencia de cálculo GPU inactiva como oferta.
Actualmente, los jugadores en el campo se dividen en dos categorías: una utiliza el poder de cálculo descentralizado para la inferencia de IA, y la otra se utiliza para el entrenamiento de IA. La primera, como Render(, aunque se centra en el renderizado, también puede ser utilizada como proveedor de poder de cálculo para IA), Akash, Aethir, entre otros; la segunda, como io.net(, apoya tanto la inferencia como el entrenamiento), Gensyn. La principal diferencia entre ambas radica en los diferentes requerimientos de poder de cálculo.
Hablemos primero de los proyectos de inferencia de IA. Estos proyectos atraen a los usuarios a participar en la provisión de poder de cómputo mediante incentivos en forma de tokens, y luego ofrecen los servicios de la red de poder de cómputo a la demanda, logrando así la coincidencia entre la oferta y la demanda de poder de cómputo ocioso. El núcleo de este tipo de proyectos es atraer a los proveedores a través de un mecanismo de incentivos con tokens, y luego atraer a los usuarios para su uso, logrando así el arranque en frío del proyecto y el mecanismo de operación central, lo que permite una expansión y desarrollo adicional. En este ciclo, la oferta tiene más recompensas en tokens valiosos, mientras que la demanda obtiene servicios a un costo más bajo y de mejor relación calidad-precio. El valor del token del proyecto y el crecimiento de los participantes de ambas partes de la oferta y la demanda se mantienen alineados, y con el aumento del precio del token, se atrae a más participantes y especuladores, formando así la captura de valor.
Otra categoría es el uso de poder de cómputo descentralizado para el entrenamiento de IA, como Gensyn, io.net(. Tanto el entrenamiento como la inferencia de IA son compatibles con ). La lógica operativa de este tipo de proyectos no tiene una gran diferencia esencial con la de los proyectos de inferencia de IA, ya que aún atraen la participación del lado de la oferta mediante incentivos en tokens para proporcionar poder de cómputo, que es utilizado por el lado de la demanda.
io.net como una red de potencia de computación descentralizada, actualmente tiene más de 500,000 GPU, con un rendimiento destacado, ha integrado la potencia de Render y Filecoin, y sigue desarrollando proyectos ecológicos.
Gensyn facilita la asignación y recompensa de tareas de aprendizaje automático a través de contratos inteligentes, logrando entrenar IA. El costo del trabajo de entrenamiento de aprendizaje automático de Gensyn es de aproximadamente 0.4 dólares por hora, muy por debajo de los costos de más de 2 dólares de AWS y GCP.
El sistema Gensyn incluye cuatro participantes: el presentador, el ejecutor, el validador y el denunciante.
Remitente: El usuario de requisitos es el consumidor de tareas, proporciona las tareas que serán calculadas, paga por las tareas de entrenamiento de IA.
Ejecutores: Ejecutar tareas de entrenamiento de modelos, generar pruebas de tarea completadas para que los verificadores las revisen.
Validadores: relacionan el proceso de entrenamiento no determinista con cálculos lineales deterministas, comparando las pruebas de los ejecutores con los umbrales esperados.
Denunciante: supervisar el trabajo de los validadores y plantear dudas para obtener beneficios cuando se detecten problemas.
Gensyn espera convertirse en un protocolo de cálculo a gran escala y económico para modelos de aprendizaje profundo a nivel mundial.
Pero al mirar este campo, ¿por qué la mayoría de los proyectos eligen utilizar poder de cómputo descentralizado para la inferencia de IA en lugar de para el entrenamiento?
Aquí se presenta a los amigos que no entienden la capacitación y el razonamiento de la IA las diferencias entre ambos:
Entrenamiento de IA: Si comparamos la inteligencia artificial con un estudiante, el entrenamiento es similar a proporcionar a la IA una gran cantidad de conocimientos, ejemplos ( es decir, datos ), de los cuales la IA aprende. Dado que la esencia del aprendizaje requiere entender y recordar una gran cantidad de información, este proceso necesita una gran capacidad de cálculo y tiempo.
IA
Ver originales
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
15 me gusta
Recompensa
15
5
Republicar
Compartir
Comentar
0/400
MechanicalMartel
· hace17h
Es absurdo que la valoración sea tan alta.
Ver originalesResponder0
SmartContractPhobia
· 08-10 10:26
Demasiado ostentoso, detrás de todo hay capital.
Ver originalesResponder0
SadMoneyMeow
· 08-10 10:17
La billetera va a estar vacía de nuevo, ay.
Ver originalesResponder0
ApeEscapeArtist
· 08-10 10:14
Esto ya es un tema recurrente, ¿no? ¿Hay alguna innovación?
Fusión de IA y Web3: análisis del estado actual, desafíos y perspectivas de desarrollo
La fusión y el desarrollo de la IA y Web3: estado actual, desafíos y perspectivas
I. Introducción: Panorama del desarrollo de AI + Web3
En los últimos años, los rápidos avances de la inteligencia artificial (AI) y la tecnología Web3 han generado una amplia atención a nivel global. La IA ha logrado importantes avances en áreas como el reconocimiento facial, el procesamiento del lenguaje natural y el aprendizaje automático, trayendo enormes transformaciones e innovaciones a diversas industrias. En 2023, el tamaño del mercado de la industria de la IA alcanzó los 200 mil millones de dólares, surgiendo 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 verificación de identidad 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 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 ha alcanzado los 25 billones de dólares, con proyectos como Bitcoin, Ethereum y Solana surgiendo constantemente.
La combinación de la IA y Web3 es un campo de interés común para desarrolladores e inversores de Oriente y Occidente; cómo integrar ambos de manera efectiva es una cuestión que vale la pena explorar. Este artículo se centrará en analizar el estado actual del desarrollo de IA+Web3, y discutirá el valor y el impacto potencial que trae esta fusión. Primero, presentaremos los conceptos básicos de la IA y Web3, y luego exploraremos la relación entre ellos. A continuación, analizaremos el estado actual de los proyectos de IA+Web3 y discutiremos en profundidad las limitaciones y desafíos que enfrentan. Esperamos poder ofrecer a inversores y profesionales referencias e insights valiosos.
Dos, formas de interacción entre 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 transforma las relaciones de producción. ¿Qué chispa pueden generar ambos? Primero, analicemos las dificultades y áreas de mejora que enfrenta cada uno, y luego exploremos cómo pueden ayudarse mutuamente a resolver estos problemas.
2.1 Dificultades enfrentadas por la industria de la IA
Para explorar las dificultades de la industria de la IA, primero debemos entender los tres elementos centrales de la IA: capacidad de cálculo, algoritmos y datos.
Potencia de cálculo: se refiere a la capacidad para llevar a cabo cálculos y procesos a gran escala. Las tareas de IA suelen requerir el procesamiento de grandes volúmenes de datos y cálculos complejos, como el entrenamiento de modelos de redes neuronales profundas. Una alta capacidad de cálculo puede acelerar el entrenamiento y la inferencia de modelos, mejorando el rendimiento y la eficiencia de los sistemas de IA. En los últimos años, el desarrollo de GPU y chips de IA dedicados ha impulsado enormemente el progreso de la industria de la IA. Proveedores de GPU como Nvidia ocupan una gran parte del mercado, obteniendo altos beneficios.
Algoritmo: La parte central del sistema de IA, que incluye algoritmos de aprendizaje automático tradicionales y algoritmos de aprendizaje profundo. La elección y el diseño del algoritmo son cruciales para el rendimiento del sistema de IA. Algoritmos que se mejoran e innovan constantemente pueden aumentar la precisión, robustez y capacidad de generalización del sistema.
Datos: La tarea principal de un sistema de IA es extraer patrones y reglas de los datos a través del aprendizaje y el entrenamiento. Un conjunto de datos rico puede proporcionar información más completa y diversa, ayudando al modelo a generalizar mejor a datos no vistos y a entender y resolver mejor los problemas del mundo real.
Después de entender los elementos centrales de la IA, veamos los desafíos que enfrenta la IA en estos tres aspectos:
En términos de poder de cómputo, las tareas de IA requieren una gran cantidad de recursos de cálculo para el entrenamiento y la inferencia de modelos. Obtener y gestionar un gran poder de cómputo es costoso y complejo, especialmente para startups y desarrolladores individuales.
En cuanto a los algoritmos, aunque el aprendizaje profundo ha logrado un gran éxito, aún existen desafíos. El entrenamiento de redes neuronales profundas requiere grandes cantidades de datos y recursos de computación, y la interpretabilidad de los modelos en ciertas tareas es insuficiente. La robustez y la capacidad de generalización de los algoritmos también son problemas importantes, ya que el rendimiento del modelo puede ser inestable en datos no vistos.
En términos de datos, obtener datos de alta calidad y diversos sigue siendo un desafío. En ciertos campos, como el de la salud, es difícil obtener datos sensibles. También existen problemas con la calidad, precisión y etiquetado de los datos; los datos incompletos o sesgados pueden llevar a un comportamiento erróneo o sesgo en los modelos. Al mismo tiempo, la privacidad de los datos y la protección de la seguridad son consideraciones importantes.
Además, la interpretabilidad y transparencia de los modelos de IA son cuestiones que preocupan al público. Algunas aplicaciones, como las financieras y médicas, requieren procesos de decisión que sean explicables y rastreables, mientras que los modelos de aprendizaje profundo existentes a menudo carecen de transparencia.
Además, muchos modelos de negocio de proyectos de startups de IA no son claros, lo que también deja a muchos emprendedores de IA confundidos.
2.2 Dilemas enfrentados por la industria Web3
La industria de Web3 también enfrenta muchos desafíos que necesitan ser resueltos, ya sea en análisis de datos, experiencia del usuario, o en vulnerabilidades y problemas de seguridad en el código de contratos inteligentes, hay un gran espacio para mejorar. La IA, como herramienta para aumentar la productividad, tiene mucho potencial para desempeñar un papel en estas áreas.
Primero, la mejora en las capacidades de análisis de datos y predicción: La aplicación de la tecnología AI en el análisis y la predicción de datos ha tenido un gran impacto en la industria de Web3. A través del análisis inteligente y la minería de datos de algoritmos de AI, las plataformas Web3 pueden extraer información valiosa de grandes volúmenes de datos, realizando predicciones y decisiones más precisas. Esto tiene una importancia significativa en la evaluación de riesgos, la predicción del mercado y la gestión de activos en el ámbito de las finanzas descentralizadas (DeFi).
En segundo lugar, la IA puede mejorar la experiencia del usuario y los servicios personalizados: La aplicación de la tecnología de IA permite a las plataformas Web3 ofrecer una mejor experiencia del usuario y servicios personalizados. A través del análisis de datos de los usuarios y la modelización, se pueden proporcionar recomendaciones personalizadas, servicios a medida y experiencias interactivas inteligentes, aumentando la participación y satisfacción del usuario, y fomentando el desarrollo del ecosistema Web3.
En términos de seguridad y protección de la privacidad, la aplicación de la IA también tiene un profundo impacto en la industria de Web3. La tecnología de IA se puede utilizar para detectar y defenderse de ataques cibernéticos, identificar comportamientos anómalos y proporcionar una protección de seguridad más robusta. Al mismo tiempo, la IA también se puede aplicar a la protección de la privacidad de los datos, mediante el uso de técnicas como la encriptación de datos y la computación privada, para proteger la información personal de los usuarios. En el ámbito de la auditoría de contratos inteligentes, la tecnología de IA se puede utilizar para la automatización de auditorías de contratos y la detección de vulnerabilidades, mejorando la seguridad y la fiabilidad de los contratos.
Se puede ver que, en cuanto a los desafíos que enfrenta la industria Web3 y el potencial espacio de mejora, la IA puede participar y brindar apoyo en muchos aspectos.
Tres, Análisis del estado actual de los proyectos AI+Web3
Los proyectos que combinan IA y Web3 abordan principalmente desde dos aspectos: utilizar la tecnología blockchain para mejorar el rendimiento de los proyectos de IA y utilizar la tecnología de IA para servir a la mejora de los proyectos de Web3.
Alrededor de estos dos aspectos, ha surgido una gran cantidad de proyectos que exploran este camino, incluyendo Io.net, Gensyn, Ritual, entre otros. A continuación, analizaremos la situación y el desarrollo de las diferentes subcategorías de AI apoyando a Web3 y Web3 apoyando a AI.
3.1 Web3 impulsa la IA
3.1.1 Poder de cómputo descentralizado
OpenAI desató la fiebre de la IA tras el lanzamiento de ChatGPT a finales de 2022, alcanzando un millón de usuarios cinco días después y llegando a 100 millones de usuarios activos mensuales en dos meses. Para noviembre de 2023, el número de usuarios activos semanales alcanzó los 100 millones. La llegada de ChatGPT hizo que el campo de la IA pasara de ser un nicho a convertirse en una industria de gran interés.
Según un informe de Trendforce, ChatGPT necesita 30,000 GPU NVIDIA A100 para funcionar, y se espera que el futuro GPT-5 requiera órdenes de magnitud más de computación. Esto ha llevado a las empresas de IA a iniciar una carrera armamentista; solo al dominar suficientes capacidades de cálculo se puede mantener una ventaja en la guerra de IA, lo que ha llevado a una escasez de GPU.
Antes del auge de la IA, los principales clientes de NVIDIA, el mayor proveedor de GPU, se concentraban en los tres grandes proveedores de servicios en la nube: AWS, Azure y GCP. Con el surgimiento de la IA, han aparecido una gran cantidad de nuevos compradores, incluyendo a grandes empresas tecnológicas como Meta y Oracle, así como otras plataformas de datos y startups de IA, que se han unido a la guerra por acumular GPUs para entrenar modelos de IA.
Como mencionó Semi Analysis el año pasado, "ricos en GPU y pobres en GPU", unas pocas empresas poseen más de 20,000 GPU A100/H100, y los miembros del equipo pueden utilizar de 100 a 1,000 GPU para proyectos. Estas empresas son o proveedores de la nube o han construido su propio LLM, incluyendo OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, entre otros.
Sin embargo, la mayoría de las empresas son pobres en GPU y solo pueden luchar con una cantidad mucho menor de GPUs. Esta situación no se limita a las empresas emergentes; algunas compañías de IA bien conocidas como Hugging Face, Databricks, Together e incluso Snowflake tienen menos de 20K A100/H100. Estas empresas cuentan con talento técnico de clase mundial, pero están limitadas por la cantidad de suministro de GPUs, lo que las coloca en desventaja en la competencia de IA.
Esta escasez no se limita a los "pobres en GPU"; incluso a finales de 2023, el líder en IA OpenAI tuvo que cerrar las inscripciones pagadas durante varias semanas debido a la falta de suficientes GPU, mientras adquiría más suministro de GPU.
Como se puede ver, la demanda de GPU debido al rápido desarrollo de la IA y la oferta presentan una grave discrepancia, el problema de la insuficiencia de suministro es inminente.
Para abordar este problema, algunos proyectos de Web3 han comenzado a intentar combinar las características de la tecnología Web3 y ofrecer servicios de potencia informática descentralizada, incluyendo Akash, Render, Gensyn, entre otros. La característica común de estos proyectos es incentivar a un amplio número de usuarios a proporcionar potencia gráfica GPU ociosa mediante tokens, convirtiéndose en el lado de oferta de potencia informática y brindando apoyo de potencia a los clientes de IA.
El perfil del lado de la oferta se divide principalmente en tres categorías: proveedores de servicios en la nube, mineros de criptomonedas y empresas.
Los proveedores de servicios en la nube incluyen grandes proveedores de servicios en la nube ( como AWS, Azure, GCP ), así como proveedores de servicios en la nube GPU ( como Coreweave, Lambda, Crusoe, etc. ), los usuarios pueden revender la potencia de cálculo inactiva de los proveedores de servicios en la nube para obtener ingresos. Los mineros de criptomonedas, a medida que Ethereum pasa de PoW a PoS, la potencia de cálculo GPU inactiva también se convierte en un importante potencial del lado de la oferta. Además, grandes empresas como Tesla y Meta, que han comprado grandes cantidades de GPU debido a su estrategia, también pueden utilizar la potencia de cálculo GPU inactiva como oferta.
Actualmente, los jugadores en el campo se dividen en dos categorías: una utiliza el poder de cálculo descentralizado para la inferencia de IA, y la otra se utiliza para el entrenamiento de IA. La primera, como Render(, aunque se centra en el renderizado, también puede ser utilizada como proveedor de poder de cálculo para IA), Akash, Aethir, entre otros; la segunda, como io.net(, apoya tanto la inferencia como el entrenamiento), Gensyn. La principal diferencia entre ambas radica en los diferentes requerimientos de poder de cálculo.
Hablemos primero de los proyectos de inferencia de IA. Estos proyectos atraen a los usuarios a participar en la provisión de poder de cómputo mediante incentivos en forma de tokens, y luego ofrecen los servicios de la red de poder de cómputo a la demanda, logrando así la coincidencia entre la oferta y la demanda de poder de cómputo ocioso. El núcleo de este tipo de proyectos es atraer a los proveedores a través de un mecanismo de incentivos con tokens, y luego atraer a los usuarios para su uso, logrando así el arranque en frío del proyecto y el mecanismo de operación central, lo que permite una expansión y desarrollo adicional. En este ciclo, la oferta tiene más recompensas en tokens valiosos, mientras que la demanda obtiene servicios a un costo más bajo y de mejor relación calidad-precio. El valor del token del proyecto y el crecimiento de los participantes de ambas partes de la oferta y la demanda se mantienen alineados, y con el aumento del precio del token, se atrae a más participantes y especuladores, formando así la captura de valor.
Otra categoría es el uso de poder de cómputo descentralizado para el entrenamiento de IA, como Gensyn, io.net(. Tanto el entrenamiento como la inferencia de IA son compatibles con ). La lógica operativa de este tipo de proyectos no tiene una gran diferencia esencial con la de los proyectos de inferencia de IA, ya que aún atraen la participación del lado de la oferta mediante incentivos en tokens para proporcionar poder de cómputo, que es utilizado por el lado de la demanda.
io.net como una red de potencia de computación descentralizada, actualmente tiene más de 500,000 GPU, con un rendimiento destacado, ha integrado la potencia de Render y Filecoin, y sigue desarrollando proyectos ecológicos.
Gensyn facilita la asignación y recompensa de tareas de aprendizaje automático a través de contratos inteligentes, logrando entrenar IA. El costo del trabajo de entrenamiento de aprendizaje automático de Gensyn es de aproximadamente 0.4 dólares por hora, muy por debajo de los costos de más de 2 dólares de AWS y GCP.
El sistema Gensyn incluye cuatro participantes: el presentador, el ejecutor, el validador y el denunciante.
Gensyn espera convertirse en un protocolo de cálculo a gran escala y económico para modelos de aprendizaje profundo a nivel mundial.
Pero al mirar este campo, ¿por qué la mayoría de los proyectos eligen utilizar poder de cómputo descentralizado para la inferencia de IA en lugar de para el entrenamiento?
Aquí se presenta a los amigos que no entienden la capacitación y el razonamiento de la IA las diferencias entre ambos:
Entrenamiento de IA: Si comparamos la inteligencia artificial con un estudiante, el entrenamiento es similar a proporcionar a la IA una gran cantidad de conocimientos, ejemplos ( es decir, datos ), de los cuales la IA aprende. Dado que la esencia del aprendizaje requiere entender y recordar una gran cantidad de información, este proceso necesita una gran capacidad de cálculo y tiempo.
IA