Fusion et développement de l'IA et du Web3 : état des lieux, défis et perspectives
I. Introduction : Aperçu du développement de l'IA + Web3
Ces dernières années, les avancées rapides de l'intelligence artificielle (AI) et des technologies Web3 ont suscité un intérêt mondial considérable. L'IA a réalisé des percées majeures dans des domaines tels que la reconnaissance faciale, le traitement du langage naturel et l'apprentissage automatique, apportant d'énormes transformations et innovations dans tous les secteurs. En 2023, la taille du marché de l'industrie de l'IA a atteint 200 milliards de dollars, avec l'émergence d'excellentes entreprises telles qu'OpenAI, Character.AI et Midjourney.
En même temps, Web3, en tant que nouveau modèle de réseau, change la perception et l'utilisation d'Internet par les gens. Web3 est basé sur la technologie de blockchain décentralisée et, grâce à des fonctions telles que les contrats intelligents, le stockage distribué et l'authentification décentralisée, il permet le partage et le contrôle des données, l'autonomie des utilisateurs et l'établissement de mécanismes de confiance. Le concept central de Web3 est de libérer les données des institutions centralisées, en donnant aux utilisateurs le contrôle et le droit de partager la valeur de leurs données. Actuellement, la capitalisation du marché de l'industrie Web3 a atteint 25 billions de dollars, avec des projets tels que Bitcoin, Ethereum, Solana, etc. qui surgissent sans cesse.
La combinaison de l'IA et du Web3 est un domaine d'intérêt commun pour les développeurs et investisseurs d'Orient et d'Occident. Comment bien intégrer les deux est une question qui mérite d'être explorée. Cet article se concentrera sur l'état actuel du développement de l'IA+Web3, en examinant la valeur et l'impact potentiel de cette fusion. Nous commencerons par introduire les concepts de base de l'IA et du Web3, puis nous examinerons leur relation mutuelle. Ensuite, nous analyserons l'état actuel des projets IA+Web3 et discuterons en profondeur des limitations et des défis auxquels ils sont confrontés. Nous espérons fournir aux investisseurs et aux praticiens des références et des perspectives précieuses.
Deux, les moyens d'interaction entre l'IA et le Web3
Le développement de l'IA et du Web3 est comme les deux extrémités d'une balance, l'IA améliore la productivité, le Web3 transforme les relations de production. Alors, quelles étincelles peuvent jaillir de cette collision ? Analysons d'abord les difficultés et les espaces d'amélioration auxquels chacun fait face, puis discutons de la manière dont ils peuvent s'entraider pour résoudre ces difficultés.
Les défis auxquels l'industrie de l'IA est confrontée
Pour explorer les défis de l'industrie de l'IA, il faut d'abord comprendre les trois éléments clés de l'IA : la puissance de calcul, les algorithmes et les données.
Puissance de calcul : fait référence à la capacité de réaliser des calculs et des traitements à grande échelle. Les tâches d'IA nécessitent généralement de traiter d'énormes quantités de données et des calculs complexes, comme l'entraînement de modèles de réseaux de neurones profonds. Une puissance de calcul élevée peut accélérer l'entraînement et l'inférence des modèles, améliorant ainsi les performances et l'efficacité des systèmes d'IA. Ces dernières années, le développement des GPU et des puces IA dédiées a considérablement propulsé les progrès de l'industrie de l'IA. Les fournisseurs de GPU comme Nvidia détiennent une part de marché importante et réalisent des bénéfices élevés.
Algorithmes : une composante essentielle des systèmes d'IA, comprenant des algorithmes d'apprentissage automatique traditionnels et des algorithmes d'apprentissage profond. Le choix et la conception des algorithmes sont cruciaux pour la performance des systèmes d'IA. Des algorithmes en constante amélioration et innovation peuvent améliorer la précision, la robustesse et la capacité de généralisation du système.
Données : La tâche principale des systèmes d'IA est d'extraire des motifs et des règles à partir des données par l'apprentissage et l'entraînement. Des ensembles de données riches peuvent fournir des informations plus complètes et variées, aidant ainsi le modèle à mieux se généraliser à des données jamais vues auparavant et à mieux comprendre et résoudre des problèmes du monde réel.
Après avoir compris les éléments clés de l'IA, examinons les défis rencontrés par l'IA dans ces trois domaines :
En ce qui concerne la puissance de calcul, les tâches d'IA nécessitent d'importantes ressources de calcul pour l'entraînement et l'inférence des modèles. Acquérir et gérer une puissance de calcul à grande échelle est coûteux et complexe, en particulier pour les start-ups et les développeurs individuels.
En ce qui concerne les algorithmes, bien que l'apprentissage profond ait connu un grand succès, il existe encore des défis. L'entraînement des réseaux de neurones profonds nécessite d'énormes quantités de données et de ressources de calcul, et l'interprétabilité des modèles pour certaines tâches est insuffisante. La robustesse des algorithmes et leur capacité de généralisation sont également des problèmes importants, car les performances des modèles peuvent être instables sur des données non vues.
En ce qui concerne les données, l'obtention de données de haute qualité et diversifiées reste un défi. Dans certains domaines, comme les données sensibles en médecine, il est difficile de les obtenir. La qualité des données, leur précision et leur annotation posent également problème ; des données incomplètes ou biaisées peuvent entraîner des comportements erronés ou des biais dans les modèles. Parallèlement, la protection de la vie privée et de la sécurité des données est également une considération importante.
De plus, l'interprétabilité et la transparence des modèles d'IA sont également des questions qui préoccupent le public. Certaines applications, comme la finance et la santé, nécessitent des processus de décision explicables et traçables, tandis que les modèles d'apprentissage profond existants manquent souvent de transparence.
En plus de cela, de nombreux projets de startups en IA ont des modèles économiques peu clairs, ce qui rend également de nombreux entrepreneurs en IA perplexes.
Les défis auxquels l'industrie Web3 est confrontée
L'industrie du Web3 présente également de nombreux défis à résoudre, que ce soit en matière d'analyse de données, d'expérience utilisateur, ou encore de vulnérabilités dans le code des contrats intelligents et de problèmes de sécurité, il y a un grand potentiel d'amélioration. L'IA, en tant qu'outil d'augmentation de la productivité, a beaucoup de potentiel dans ces domaines.
Tout d'abord, l'amélioration des capacités d'analyse et de prévision des données : l'application de la technologie AI dans l'analyse et la prévision des données a un impact énorme sur l'industrie Web3. Grâce à l'analyse intelligente et à l'exploration des algorithmes AI, les plateformes Web3 peuvent extraire des informations précieuses à partir de données massives, permettant des prévisions et des décisions plus précises. Cela revêt une importance particulière pour l'évaluation des risques, les prévisions de marché et la gestion d'actifs dans le domaine de la finance décentralisée ( DeFi ).
Deuxièmement, l'IA peut améliorer l'expérience utilisateur et les services personnalisés : l'application des technologies de l'IA permet aux plateformes Web3 d'offrir une meilleure expérience utilisateur et des services personnalisés. En analysant les données des utilisateurs et en modélisant, il est possible de fournir des recommandations personnalisées, des services sur mesure et une expérience d'interaction intelligente, augmentant ainsi l'engagement et la satisfaction des utilisateurs, et favorisant le développement de l'écosystème Web3.
En matière de sécurité et de protection de la vie privée, l'application de l'IA a également un impact profond sur l'industrie Web3. Les technologies de l'IA peuvent être utilisées pour détecter et défendre contre les cyberattaques, identifier les comportements anormaux et offrir une protection de sécurité plus robuste. Parallèlement, l'IA peut également être appliquée à la protection de la vie privée des données, en protégeant les informations personnelles des utilisateurs grâce à des techniques de cryptage des données et de calcul de la vie privée. Dans le domaine de l'audit des contrats intelligents, les technologies de l'IA peuvent être utilisées pour automatiser l'audit des contrats et la détection des vulnérabilités, améliorant ainsi la sécurité et la fiabilité des contrats.
On peut voir que, pour les défis auxquels l'industrie Web3 est confrontée et les opportunités d'amélioration potentielles, l'IA peut participer et apporter son aide dans de nombreux domaines.
Trois, Analyse de l'état actuel des projets AI+Web3
Les projets combinant l'IA et le Web3 s'attaquent principalement à deux aspects : utiliser la technologie blockchain pour améliorer les performances des projets d'IA, et utiliser la technologie IA pour servir l'amélioration des projets Web3.
Autour de ces deux aspects, une multitude de projets émergent pour explorer cette voie, y compris Io.net, Gensyn, Ritual, etc. Nous allons ensuite analyser l'état et le développement des différentes sous-catégories de l'IA au service du Web3 et du Web3 au service de l'IA.
3.1 Web3 permet à l'IA
3.1.1 Puissance de calcul décentralisée
OpenAI a déclenché une frénésie pour l'IA à la fin de 2022 avec le lancement de ChatGPT, atteignant 1 million d'utilisateurs 5 jours après son lancement, et 100 millions d'utilisateurs actifs mensuels en 2 mois. En novembre 2023, le nombre d'utilisateurs actifs hebdomadaires a atteint 100 millions. L'émergence de ChatGPT a fait passer le domaine de l'IA d'une niche à un secteur très médiatisé.
Selon le rapport de Trendforce, ChatGPT a besoin de 30 000 GPU NVIDIA A100 pour fonctionner, et à l'avenir, GPT-5 nécessitera un ordre de magnitude de calcul encore plus élevé. Cela a également entraîné une course aux armements parmi les entreprises d'IA, car seules celles qui disposent d'une puissance de calcul suffisante peuvent maintenir un avantage dans la guerre de l'IA, ce qui a conduit à une pénurie de GPU.
Avant l'essor de l'IA, les clients du plus grand fournisseur de GPU, Nvidia, étaient concentrés sur les trois grands fournisseurs de services cloud : AWS, Azure et GCP. Avec l'essor de l'IA, de nombreux nouveaux acheteurs sont apparus, y compris des grandes entreprises technologiques comme Meta et Oracle, ainsi que d'autres plateformes de données et des start-ups en IA, qui se sont toutes engagées dans la guerre pour amasser des GPU afin d'entraîner des modèles d'IA.
Comme l'a mentionné Semi Analysis l'année dernière, "les riches en GPU et les pauvres en GPU", quelques rares entreprises possèdent plus de 20 000 GPU A100/H100, et les membres de l'équipe peuvent utiliser entre 100 et 1 000 GPU pour des projets. Ces entreprises sont soit des fournisseurs de cloud soit des créateurs de LLM, y compris OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, etc.
Cependant, la plupart des entreprises sont des "pauvres en GPU" et ne peuvent lutter que sur un nombre beaucoup plus réduit de GPU. Cette situation n'est pas limitée aux start-ups, certaines entreprises d'IA bien connues comme Hugging Face, Databricks, Together et même Snowflake ont moins de 20K A100/H100. Ces entreprises disposent de talents techniques de classe mondiale, mais sont limitées par la quantité de GPU disponibles, se retrouvant ainsi en position défavorable dans la course à l'IA.
Cette pénurie n'est pas limitée aux "pauvres en GPU" ; même à la fin de 2023, le leader de l'IA OpenAI a dû fermer les inscriptions payantes pendant plusieurs semaines en raison de l'incapacité d'obtenir suffisamment de GPU, tout en cherchant à acquérir davantage de fournitures de GPU.
Il est évident que la demande et l'offre de GPU due au développement rapide de l'IA présentent un grave déséquilibre, rendant le problème de l'insuffisance imminente.
Pour résoudre ce problème, certains projets Web3 ont commencé à essayer de combiner les caractéristiques de la technologie Web3 pour offrir des services de puissance de calcul décentralisés, y compris Akash, Render, Gensyn, etc. Ces projets ont en commun d'inciter les utilisateurs à fournir de la puissance de calcul GPU idle par le biais de tokens, devenant ainsi le côté de l'offre de puissance de calcul, afin de fournir un soutien en puissance de calcul aux clients d'IA.
Le profil de l'offre se divise principalement en trois catégories : fournisseurs de services cloud, mineurs de cryptomonnaies, entreprises.
Les fournisseurs de services cloud comprennent de grands fournisseurs de services cloud ( comme AWS, Azure, GCP ) ainsi que des fournisseurs de services cloud GPU ( tels que Coreweave, Lambda, Crusoe, etc. ), les utilisateurs peuvent revendre la puissance de calcul inutilisée des fournisseurs de services cloud pour générer des revenus. Les mineurs de crypto-monnaies, avec le passage d'Ethereum de PoW à PoS, la puissance de calcul GPU inutilisée est également devenue un côté d'approvisionnement potentiel important. De plus, des grandes entreprises comme Tesla et Meta, qui achètent de grandes quantités de GPU pour des raisons stratégiques, peuvent également utiliser la puissance de calcul GPU inutilisée comme un côté d'approvisionnement.
Actuellement, les acteurs de la piste se divisent en deux catégories : l'une utilise la puissance de calcul décentralisée pour l'inférence AI, l'autre pour l'entraînement AI. La première, comme Render(, se concentre sur le rendu, mais peut également être utilisée pour fournir de la puissance de calcul AI), Akash, Aethir, etc. ; la deuxième, comme io.net(, soutient à la fois l'inférence et l'entraînement), Gensyn, la principale différence entre les deux réside dans les exigences en matière de puissance de calcul.
Parlons d'abord des projets de raisonnement AI. Ce type de projet attire les utilisateurs à participer à la fourniture de puissance de calcul grâce à des incitations par des jetons, puis fournit des services de réseau de puissance de calcul à la demande, réalisant ainsi un appariement de l'offre et de la demande de puissance de calcul inutilisée. Le cœur de ces projets réside dans le mécanisme d'incitation par des jetons pour attirer les fournisseurs, puis attirer les utilisateurs, réalisant le démarrage à froid du projet et le mécanisme de fonctionnement central, afin d'élargir et de se développer davantage. Dans ce cycle, le côté de l'offre reçoit plus de récompenses en jetons de valeur, tandis que le côté de la demande bénéficie de services à un meilleur rapport qualité-prix. La valeur des jetons du projet et la croissance des participants des deux côtés de l'offre et de la demande restent en phase, avec une augmentation des prix des jetons attirant davantage de participants et de spéculateurs, formant ainsi une capture de valeur.
Une autre catégorie consiste à utiliser la puissance de calcul décentralisée pour l'entraînement de l'IA, comme Gensyn, io.net(. L'entraînement et l'inférence de l'IA sont tous deux pris en charge par ). La logique de fonctionnement de ces projets n'est pas fondamentalement différente de celle des projets d'inférence d'IA ; ils attirent toujours l'offre à travers des incitations en jetons pour fournir la puissance de calcul, utilisée par la demande.
io.net en tant que réseau de puissance de calcul décentralisé, compte actuellement plus de 500 000 GPU, affichant d'excellentes performances, a intégré la puissance de calcul de Render et Filecoin, et développe continuellement des projets écologiques.
Gensyn facilite l'attribution et la récompense des tâches d'apprentissage automatique par le biais de contrats intelligents, permettant ainsi l'entraînement de l'IA. Le coût de l'entraînement en apprentissage automatique de Gensyn est d'environ 0,4 dollar par heure, bien inférieur au coût de plus de 2 dollars d'AWS et de GCP.
Le système Gensyn comprend quatre parties prenantes : le soumissionnaire, l'exécutant, le vérificateur et le dénonciateur.
Soumetteur : L'utilisateur de la demande est le consommateur de la tâche, fournissant les tâches à calculer et payant pour les tâches d'entraînement de l'IA.
Exécutant : Exécute la tâche d'entraînement du modèle et génère une preuve d'achèvement de la tâche à vérifier par le validateur.
Validateur : Lier le processus d'entraînement non déterministe à un calcul linéaire déterministe, comparer la preuve d'exécution avec le seuil attendu.
Rapporteur : vérifier le travail des validateurs, soulever des doutes en cas de problème pour obtenir des gains.
Gensyn espère devenir un protocole de calcul à grande échelle et économique pour les modèles d'apprentissage en profondeur à l'échelle mondiale.
Mais en regardant cette piste, pourquoi la plupart des projets choisissent-ils de faire de l'inférence AI avec des capacités de calcul décentralisées plutôt que de l'entraînement ?
Voici une introduction pour aider les amis qui ne comprennent pas la différence entre l'entraînement et l'inférence de l'IA :
Entraînement IA : Si l'on compare l'intelligence artificielle à un élève, l'entraînement est similaire à fournir à l'IA une grande quantité de connaissances, d'exemples ( c'est-à-dire des données ), que l'IA apprend. Étant donné que la nature de l'apprentissage nécessite de comprendre et de mémoriser une grande quantité d'informations, ce processus nécessite une grande puissance de calcul et du temps.
IA
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
15 J'aime
Récompense
15
5
Reposter
Partager
Commentaire
0/400
MechanicalMartel
· Il y a 1h
C'est incroyable, la valorisation est si élevée.
Voir l'originalRépondre0
SmartContractPhobia
· 08-10 10:26
Trop de fioritures, tout est une question de capital.
Voir l'originalRépondre0
SadMoneyMeow
· 08-10 10:17
Le portefeuille va encore être vidé, ah.
Voir l'originalRépondre0
ApeEscapeArtist
· 08-10 10:14
C'est un vieux sujet, n'est-ce pas ? Y a-t-il quelque chose de révolutionnaire ?
Voir l'originalRépondre0
LiquidatedDreams
· 08-10 10:08
Regardez qui a fait faillite encore une fois, hein ?
Fusion de l'IA et du Web3 : analyse de l'état actuel, des défis et des perspectives de développement
Fusion et développement de l'IA et du Web3 : état des lieux, défis et perspectives
I. Introduction : Aperçu du développement de l'IA + Web3
Ces dernières années, les avancées rapides de l'intelligence artificielle (AI) et des technologies Web3 ont suscité un intérêt mondial considérable. L'IA a réalisé des percées majeures dans des domaines tels que la reconnaissance faciale, le traitement du langage naturel et l'apprentissage automatique, apportant d'énormes transformations et innovations dans tous les secteurs. En 2023, la taille du marché de l'industrie de l'IA a atteint 200 milliards de dollars, avec l'émergence d'excellentes entreprises telles qu'OpenAI, Character.AI et Midjourney.
En même temps, Web3, en tant que nouveau modèle de réseau, change la perception et l'utilisation d'Internet par les gens. Web3 est basé sur la technologie de blockchain décentralisée et, grâce à des fonctions telles que les contrats intelligents, le stockage distribué et l'authentification décentralisée, il permet le partage et le contrôle des données, l'autonomie des utilisateurs et l'établissement de mécanismes de confiance. Le concept central de Web3 est de libérer les données des institutions centralisées, en donnant aux utilisateurs le contrôle et le droit de partager la valeur de leurs données. Actuellement, la capitalisation du marché de l'industrie Web3 a atteint 25 billions de dollars, avec des projets tels que Bitcoin, Ethereum, Solana, etc. qui surgissent sans cesse.
La combinaison de l'IA et du Web3 est un domaine d'intérêt commun pour les développeurs et investisseurs d'Orient et d'Occident. Comment bien intégrer les deux est une question qui mérite d'être explorée. Cet article se concentrera sur l'état actuel du développement de l'IA+Web3, en examinant la valeur et l'impact potentiel de cette fusion. Nous commencerons par introduire les concepts de base de l'IA et du Web3, puis nous examinerons leur relation mutuelle. Ensuite, nous analyserons l'état actuel des projets IA+Web3 et discuterons en profondeur des limitations et des défis auxquels ils sont confrontés. Nous espérons fournir aux investisseurs et aux praticiens des références et des perspectives précieuses.
Deux, les moyens d'interaction entre l'IA et le Web3
Le développement de l'IA et du Web3 est comme les deux extrémités d'une balance, l'IA améliore la productivité, le Web3 transforme les relations de production. Alors, quelles étincelles peuvent jaillir de cette collision ? Analysons d'abord les difficultés et les espaces d'amélioration auxquels chacun fait face, puis discutons de la manière dont ils peuvent s'entraider pour résoudre ces difficultés.
Les défis auxquels l'industrie de l'IA est confrontée
Pour explorer les défis de l'industrie de l'IA, il faut d'abord comprendre les trois éléments clés de l'IA : la puissance de calcul, les algorithmes et les données.
Puissance de calcul : fait référence à la capacité de réaliser des calculs et des traitements à grande échelle. Les tâches d'IA nécessitent généralement de traiter d'énormes quantités de données et des calculs complexes, comme l'entraînement de modèles de réseaux de neurones profonds. Une puissance de calcul élevée peut accélérer l'entraînement et l'inférence des modèles, améliorant ainsi les performances et l'efficacité des systèmes d'IA. Ces dernières années, le développement des GPU et des puces IA dédiées a considérablement propulsé les progrès de l'industrie de l'IA. Les fournisseurs de GPU comme Nvidia détiennent une part de marché importante et réalisent des bénéfices élevés.
Algorithmes : une composante essentielle des systèmes d'IA, comprenant des algorithmes d'apprentissage automatique traditionnels et des algorithmes d'apprentissage profond. Le choix et la conception des algorithmes sont cruciaux pour la performance des systèmes d'IA. Des algorithmes en constante amélioration et innovation peuvent améliorer la précision, la robustesse et la capacité de généralisation du système.
Données : La tâche principale des systèmes d'IA est d'extraire des motifs et des règles à partir des données par l'apprentissage et l'entraînement. Des ensembles de données riches peuvent fournir des informations plus complètes et variées, aidant ainsi le modèle à mieux se généraliser à des données jamais vues auparavant et à mieux comprendre et résoudre des problèmes du monde réel.
Après avoir compris les éléments clés de l'IA, examinons les défis rencontrés par l'IA dans ces trois domaines :
En ce qui concerne la puissance de calcul, les tâches d'IA nécessitent d'importantes ressources de calcul pour l'entraînement et l'inférence des modèles. Acquérir et gérer une puissance de calcul à grande échelle est coûteux et complexe, en particulier pour les start-ups et les développeurs individuels.
En ce qui concerne les algorithmes, bien que l'apprentissage profond ait connu un grand succès, il existe encore des défis. L'entraînement des réseaux de neurones profonds nécessite d'énormes quantités de données et de ressources de calcul, et l'interprétabilité des modèles pour certaines tâches est insuffisante. La robustesse des algorithmes et leur capacité de généralisation sont également des problèmes importants, car les performances des modèles peuvent être instables sur des données non vues.
En ce qui concerne les données, l'obtention de données de haute qualité et diversifiées reste un défi. Dans certains domaines, comme les données sensibles en médecine, il est difficile de les obtenir. La qualité des données, leur précision et leur annotation posent également problème ; des données incomplètes ou biaisées peuvent entraîner des comportements erronés ou des biais dans les modèles. Parallèlement, la protection de la vie privée et de la sécurité des données est également une considération importante.
De plus, l'interprétabilité et la transparence des modèles d'IA sont également des questions qui préoccupent le public. Certaines applications, comme la finance et la santé, nécessitent des processus de décision explicables et traçables, tandis que les modèles d'apprentissage profond existants manquent souvent de transparence.
En plus de cela, de nombreux projets de startups en IA ont des modèles économiques peu clairs, ce qui rend également de nombreux entrepreneurs en IA perplexes.
Les défis auxquels l'industrie Web3 est confrontée
L'industrie du Web3 présente également de nombreux défis à résoudre, que ce soit en matière d'analyse de données, d'expérience utilisateur, ou encore de vulnérabilités dans le code des contrats intelligents et de problèmes de sécurité, il y a un grand potentiel d'amélioration. L'IA, en tant qu'outil d'augmentation de la productivité, a beaucoup de potentiel dans ces domaines.
Tout d'abord, l'amélioration des capacités d'analyse et de prévision des données : l'application de la technologie AI dans l'analyse et la prévision des données a un impact énorme sur l'industrie Web3. Grâce à l'analyse intelligente et à l'exploration des algorithmes AI, les plateformes Web3 peuvent extraire des informations précieuses à partir de données massives, permettant des prévisions et des décisions plus précises. Cela revêt une importance particulière pour l'évaluation des risques, les prévisions de marché et la gestion d'actifs dans le domaine de la finance décentralisée ( DeFi ).
Deuxièmement, l'IA peut améliorer l'expérience utilisateur et les services personnalisés : l'application des technologies de l'IA permet aux plateformes Web3 d'offrir une meilleure expérience utilisateur et des services personnalisés. En analysant les données des utilisateurs et en modélisant, il est possible de fournir des recommandations personnalisées, des services sur mesure et une expérience d'interaction intelligente, augmentant ainsi l'engagement et la satisfaction des utilisateurs, et favorisant le développement de l'écosystème Web3.
En matière de sécurité et de protection de la vie privée, l'application de l'IA a également un impact profond sur l'industrie Web3. Les technologies de l'IA peuvent être utilisées pour détecter et défendre contre les cyberattaques, identifier les comportements anormaux et offrir une protection de sécurité plus robuste. Parallèlement, l'IA peut également être appliquée à la protection de la vie privée des données, en protégeant les informations personnelles des utilisateurs grâce à des techniques de cryptage des données et de calcul de la vie privée. Dans le domaine de l'audit des contrats intelligents, les technologies de l'IA peuvent être utilisées pour automatiser l'audit des contrats et la détection des vulnérabilités, améliorant ainsi la sécurité et la fiabilité des contrats.
On peut voir que, pour les défis auxquels l'industrie Web3 est confrontée et les opportunités d'amélioration potentielles, l'IA peut participer et apporter son aide dans de nombreux domaines.
Trois, Analyse de l'état actuel des projets AI+Web3
Les projets combinant l'IA et le Web3 s'attaquent principalement à deux aspects : utiliser la technologie blockchain pour améliorer les performances des projets d'IA, et utiliser la technologie IA pour servir l'amélioration des projets Web3.
Autour de ces deux aspects, une multitude de projets émergent pour explorer cette voie, y compris Io.net, Gensyn, Ritual, etc. Nous allons ensuite analyser l'état et le développement des différentes sous-catégories de l'IA au service du Web3 et du Web3 au service de l'IA.
3.1 Web3 permet à l'IA
3.1.1 Puissance de calcul décentralisée
OpenAI a déclenché une frénésie pour l'IA à la fin de 2022 avec le lancement de ChatGPT, atteignant 1 million d'utilisateurs 5 jours après son lancement, et 100 millions d'utilisateurs actifs mensuels en 2 mois. En novembre 2023, le nombre d'utilisateurs actifs hebdomadaires a atteint 100 millions. L'émergence de ChatGPT a fait passer le domaine de l'IA d'une niche à un secteur très médiatisé.
Selon le rapport de Trendforce, ChatGPT a besoin de 30 000 GPU NVIDIA A100 pour fonctionner, et à l'avenir, GPT-5 nécessitera un ordre de magnitude de calcul encore plus élevé. Cela a également entraîné une course aux armements parmi les entreprises d'IA, car seules celles qui disposent d'une puissance de calcul suffisante peuvent maintenir un avantage dans la guerre de l'IA, ce qui a conduit à une pénurie de GPU.
Avant l'essor de l'IA, les clients du plus grand fournisseur de GPU, Nvidia, étaient concentrés sur les trois grands fournisseurs de services cloud : AWS, Azure et GCP. Avec l'essor de l'IA, de nombreux nouveaux acheteurs sont apparus, y compris des grandes entreprises technologiques comme Meta et Oracle, ainsi que d'autres plateformes de données et des start-ups en IA, qui se sont toutes engagées dans la guerre pour amasser des GPU afin d'entraîner des modèles d'IA.
Comme l'a mentionné Semi Analysis l'année dernière, "les riches en GPU et les pauvres en GPU", quelques rares entreprises possèdent plus de 20 000 GPU A100/H100, et les membres de l'équipe peuvent utiliser entre 100 et 1 000 GPU pour des projets. Ces entreprises sont soit des fournisseurs de cloud soit des créateurs de LLM, y compris OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, etc.
Cependant, la plupart des entreprises sont des "pauvres en GPU" et ne peuvent lutter que sur un nombre beaucoup plus réduit de GPU. Cette situation n'est pas limitée aux start-ups, certaines entreprises d'IA bien connues comme Hugging Face, Databricks, Together et même Snowflake ont moins de 20K A100/H100. Ces entreprises disposent de talents techniques de classe mondiale, mais sont limitées par la quantité de GPU disponibles, se retrouvant ainsi en position défavorable dans la course à l'IA.
Cette pénurie n'est pas limitée aux "pauvres en GPU" ; même à la fin de 2023, le leader de l'IA OpenAI a dû fermer les inscriptions payantes pendant plusieurs semaines en raison de l'incapacité d'obtenir suffisamment de GPU, tout en cherchant à acquérir davantage de fournitures de GPU.
Il est évident que la demande et l'offre de GPU due au développement rapide de l'IA présentent un grave déséquilibre, rendant le problème de l'insuffisance imminente.
Pour résoudre ce problème, certains projets Web3 ont commencé à essayer de combiner les caractéristiques de la technologie Web3 pour offrir des services de puissance de calcul décentralisés, y compris Akash, Render, Gensyn, etc. Ces projets ont en commun d'inciter les utilisateurs à fournir de la puissance de calcul GPU idle par le biais de tokens, devenant ainsi le côté de l'offre de puissance de calcul, afin de fournir un soutien en puissance de calcul aux clients d'IA.
Le profil de l'offre se divise principalement en trois catégories : fournisseurs de services cloud, mineurs de cryptomonnaies, entreprises.
Les fournisseurs de services cloud comprennent de grands fournisseurs de services cloud ( comme AWS, Azure, GCP ) ainsi que des fournisseurs de services cloud GPU ( tels que Coreweave, Lambda, Crusoe, etc. ), les utilisateurs peuvent revendre la puissance de calcul inutilisée des fournisseurs de services cloud pour générer des revenus. Les mineurs de crypto-monnaies, avec le passage d'Ethereum de PoW à PoS, la puissance de calcul GPU inutilisée est également devenue un côté d'approvisionnement potentiel important. De plus, des grandes entreprises comme Tesla et Meta, qui achètent de grandes quantités de GPU pour des raisons stratégiques, peuvent également utiliser la puissance de calcul GPU inutilisée comme un côté d'approvisionnement.
Actuellement, les acteurs de la piste se divisent en deux catégories : l'une utilise la puissance de calcul décentralisée pour l'inférence AI, l'autre pour l'entraînement AI. La première, comme Render(, se concentre sur le rendu, mais peut également être utilisée pour fournir de la puissance de calcul AI), Akash, Aethir, etc. ; la deuxième, comme io.net(, soutient à la fois l'inférence et l'entraînement), Gensyn, la principale différence entre les deux réside dans les exigences en matière de puissance de calcul.
Parlons d'abord des projets de raisonnement AI. Ce type de projet attire les utilisateurs à participer à la fourniture de puissance de calcul grâce à des incitations par des jetons, puis fournit des services de réseau de puissance de calcul à la demande, réalisant ainsi un appariement de l'offre et de la demande de puissance de calcul inutilisée. Le cœur de ces projets réside dans le mécanisme d'incitation par des jetons pour attirer les fournisseurs, puis attirer les utilisateurs, réalisant le démarrage à froid du projet et le mécanisme de fonctionnement central, afin d'élargir et de se développer davantage. Dans ce cycle, le côté de l'offre reçoit plus de récompenses en jetons de valeur, tandis que le côté de la demande bénéficie de services à un meilleur rapport qualité-prix. La valeur des jetons du projet et la croissance des participants des deux côtés de l'offre et de la demande restent en phase, avec une augmentation des prix des jetons attirant davantage de participants et de spéculateurs, formant ainsi une capture de valeur.
Une autre catégorie consiste à utiliser la puissance de calcul décentralisée pour l'entraînement de l'IA, comme Gensyn, io.net(. L'entraînement et l'inférence de l'IA sont tous deux pris en charge par ). La logique de fonctionnement de ces projets n'est pas fondamentalement différente de celle des projets d'inférence d'IA ; ils attirent toujours l'offre à travers des incitations en jetons pour fournir la puissance de calcul, utilisée par la demande.
io.net en tant que réseau de puissance de calcul décentralisé, compte actuellement plus de 500 000 GPU, affichant d'excellentes performances, a intégré la puissance de calcul de Render et Filecoin, et développe continuellement des projets écologiques.
Gensyn facilite l'attribution et la récompense des tâches d'apprentissage automatique par le biais de contrats intelligents, permettant ainsi l'entraînement de l'IA. Le coût de l'entraînement en apprentissage automatique de Gensyn est d'environ 0,4 dollar par heure, bien inférieur au coût de plus de 2 dollars d'AWS et de GCP.
Le système Gensyn comprend quatre parties prenantes : le soumissionnaire, l'exécutant, le vérificateur et le dénonciateur.
Gensyn espère devenir un protocole de calcul à grande échelle et économique pour les modèles d'apprentissage en profondeur à l'échelle mondiale.
Mais en regardant cette piste, pourquoi la plupart des projets choisissent-ils de faire de l'inférence AI avec des capacités de calcul décentralisées plutôt que de l'entraînement ?
Voici une introduction pour aider les amis qui ne comprennent pas la différence entre l'entraînement et l'inférence de l'IA :
Entraînement IA : Si l'on compare l'intelligence artificielle à un élève, l'entraînement est similaire à fournir à l'IA une grande quantité de connaissances, d'exemples ( c'est-à-dire des données ), que l'IA apprend. Étant donné que la nature de l'apprentissage nécessite de comprendre et de mémoriser une grande quantité d'informations, ce processus nécessite une grande puissance de calcul et du temps.
IA