Злиття та розвиток AI та Web3: поточний стан, виклики та перспективи
I. Вступ: Огляд розвитку AI+Web3
В останні роки швидкий розвиток штучного інтелекту (AI) та технологій Web3 викликав широкий інтерес у всьому світі. Штучний інтелект досяг значних успіхів у таких сферах, як розпізнавання облич, обробка природної мови, машинне навчання, що призвело до величезних змін та інновацій у різних галузях. У 2023 році обсяг ринку штучного інтелекту досяг 200 мільярдів доларів, з'явившись такі видатні компанії, як OpenAI, Character.AI, Midjourney.
Водночас Web3 як нова мережна модель змінює уявлення людей про Інтернет та способи його використання. Web3 базується на технології децентралізованого блокчейну, через смарт-контракти, розподілене зберігання та децентралізовану автентифікацію реалізуючи обмін даними та контроль, автономію користувачів і механізми довіри. Основна концепція Web3 полягає у звільненні даних з центральних установ, надаючи користувачам контроль над даними та право на їхню вартість. Наразі ринкова вартість індустрії Web3 досягла 250 трильйонів доларів, проекти як Bitcoin, Ethereum, Solana постійно з'являються.
Комбінація AI та Web3 є спільною сферою інтересу розробників та інвесторів з Сходу та Заходу, питання того, як добре інтегрувати обидва, є темою, яку варто дослідити. У цій статті буде акцентовано увагу на теперішньому стані розвитку AI+Web3, обговорено потенційну цінність та вплив цієї інтеграції. Спочатку ми представимо основні поняття AI та Web3, а потім обговоримо їх взаємозв'язок. Далі буде проаналізовано поточний стан проектів AI+Web3 та докладно розглянуто обмеження та виклики, з якими вони стикаються. Сподіваємось, це надасть інвесторам та професіоналам цінні рекомендації та нові ідеї.
Два, способи взаємодії AI та Web3
Розвиток AI та Web3 схожий на дві сторони терезів: AI підвищує продуктивність, а Web3 трансформує виробничі відносини. Які іскри можуть виникнути в результаті їхнього зіткнення? Спочатку ми проаналізуємо труднощі та можливості кожної зі сторін, а потім обговоримо, як вони можуть допомогти одна одній вирішити ці труднощі.
2.1 Виклики, з якими стикається AI-індустрія
Щоб дослідити труднощі в індустрії ШІ, спочатку потрібно зрозуміти три основні елементи ШІ: обчислювальна потужність, алгоритми та дані.
Обчислювальна потужність: відноситься до здатності проводити великомасштабні обчислення та обробку. Завдання ШІ зазвичай вимагають обробки величезних обсягів даних і складних обчислень, таких як навчання моделей глибоких нейронних мереж. Висока обчислювальна потужність може прискорити навчання і висновки моделей, підвищуючи продуктивність і ефективність систем ШІ. В останні роки розвиток GPU та спеціалізованих чіпів для ШІ значно сприяв прогресу в індустрії ШІ. Постачальники GPU, такі як Nvidia, займають велику частину ринку, отримуючи високі прибутки.
Алгоритми: Основний компонент AI-системи, що включає традиційні алгоритми машинного навчання та алгоритми глибокого навчання. Вибір і проектування алгоритмів є критично важливими для продуктивності AI-системи. Постійне вдосконалення та інновації в алгоритмах можуть підвищити точність, надійність та здатність до узагальнення системи.
Дані: Основним завданням AI-системи є виявлення патернів і закономірностей у даних шляхом навчання та тренування. Багаті набори даних можуть надати більш комплексну та різноманітну інформацію, що допомагає моделі краще узагальнювати на невідомих даних, краще розуміти та вирішувати проблеми реального світу.
Після розуміння ключових елементів ШІ, давайте розглянемо виклики, з якими стикається ШІ в цих трьох аспектах:
У сфері обчислювальної потужності завдання штучного інтелекту потребують величезних обчислювальних ресурсів для навчання моделей і інференції. Отримання та управління масштабною обчислювальною потужністю є дорогим і складним, особливо для стартапів і індивідуальних розробників.
У галузі алгоритмів, незважаючи на величезний успіх глибокого навчання, все ще існують виклики. Навчання глибоких нейронних мереж потребує величезних обсягів даних та обчислювальних ресурсів, а також деякі завдання мають недостатню інтерпретованість моделей. Робустність алгоритмів і здатність до узагальнення також є важливими проблемами, оскільки моделі можуть демонструвати нестабільні результати на невідомих даних.
Щодо даних, отримання високоякісних і різноманітних даних все ще є викликом. У певних сферах, таких як охорона здоров'я, чутливі дані важко отримати. Також існують проблеми з якістю, точністю та маркуванням даних; неповні або упереджені дані можуть призвести до помилкової поведінки або упередженості моделі. Одночасно, конфіденційність даних та забезпечення безпеки також є важливими аспектами.
Крім того, пояснюваність і прозорість AI-моделей також є питаннями, що турбують громадськість. Деякі застосування, такі як фінанси, медицина тощо, потребують зрозумілого та відстежуваного процесу прийняття рішень, тоді як існуючі моделі глибокого навчання, як правило, не мають прозорості.
Крім того, багато бізнес-моделей стартапів у сфері штучного інтелекту не є чіткими, що також вводить в оману багатьох підприємців у цій галузі.
2.2 Виклики, з якими стикається індустрія Web3
У сфері Web3 існує багато проблем, які потребують вирішення, незалежно від того, чи йдеться про аналіз даних, досвід користувачів, чи про вразливості в коді смарт-контрактів та питання безпеки — тут є значний простір для покращення. Штучний інтелект, як інструмент підвищення продуктивності, має багато потенційних можливостей для використання в цих сферах.
По-перше, покращення можливостей аналізу даних і прогнозування: використання технології ШІ в аналізі даних та прогнозуванні справляє величезний вплив на індустрію Web3. Завдяки інтелектуальному аналізу та видобутку даних за допомогою алгоритмів ШІ, платформи Web3 можуть вилучати цінну інформацію з величезних обсягів даних, робити більш точні прогнози та приймати рішення. Це має велике значення для оцінки ризиків, прогнозування ринку та управління активами в сфері децентралізованих фінансів (DeFi).
По-друге, ШІ може покращити користувацький досвід та персоналізовані послуги: застосування технологій ШІ дозволяє платформам Web3 надавати кращий користувацький досвід і персоналізовані послуги. Аналізуючи дані користувачів та моделюючи їх, можна надавати персоналізовані рекомендації, індивідуалізовані послуги та інтелектуальний досвід взаємодії, підвищуючи залученість користувачів та їх задоволеність, сприяючи розвитку екосистеми Web3.
З точки зору безпеки та захисту конфіденційності, застосування ШІ має глибокий вплив на індустрію Web3. Технології ШІ можуть використовуватися для виявлення та захисту від кібератак, виявлення аномальної поведінки, забезпечуючи потужнішу безпеку. Крім того, ШІ також може бути використано для захисту конфіденційності даних, за допомогою технологій шифрування даних та обчислень з обмеженим доступом, захищаючи особисту інформацію користувачів. У сфері аудиту смарт-контрактів технології ШІ можуть бути використані для автоматизації аудиту контрактів та виявлення вразливостей, підвищуючи безпеку та надійність контрактів.
Можна побачити, що штучний інтелект може брати участь у багатьох аспектах і надавати підтримку в подоланні труднощів та потенційних можливостей для покращення, з якими стикається індустрія Web3.
Три, Аналіз стану проектів AI+Web3
Проекти, що поєднують AI та Web3, мають два основні напрямки: використання технології блокчейн для підвищення ефективності AI-проектів, а також використання технології AI для вдосконалення проектів Web3.
Навколо цих двох аспектів виникла велика кількість проєктів, які досліджують цей шлях, включаючи Io.net, Gensyn, Ritual та інші. Далі ми проаналізуємо стан і розвиток різних підсекторами, де AI підтримує Web3 і Web3 підтримує AI.
3.1 Web3 сприяє AI
3.1.1 Децентралізована обчислювальна потужність
OpenAI в кінці 2022 року запустила ChatGPT, що спричинило сплеск інтересу до ШІ. Через 5 днів після запуску кількість користувачів досягла 1 мільйона, а за 2 місяці місячна активність користувачів досягла 100 мільйонів. До листопада 2023 року кількість активних користувачів на тиждень досягла 100 мільйонів. Виникнення ChatGPT призвело до швидкого розвитку сфери ШІ з нішевої галузі в добре помітну індустрію.
Згідно з доповіддю Trendforce, ChatGPT потребує 30000 графічних процесорів NVIDIA A100 для роботи, в майбутньому GPT-5 вимагатиме ще більшої кількості обчислювальних потужностей. Це також призвело до того, що компанії з виробництва штучного інтелекту почали гонку озброєнь, і лише ті, хто має достатню обчислювальну потужність, можуть зберегти перевагу у війні штучного інтелекту, тому виникла нестача графічних процесорів.
Перед зростанням штучного інтелекту основними клієнтами провайдера графічних процесорів NVIDIA були три великі постачальники хмарних послуг: AWS, Azure та GCP. З появою штучного інтелекту з'явилося безліч нових покупців, включаючи великі технологічні компанії, такі як Meta, Oracle, а також інші платформи даних і стартапи в сфері штучного інтелекту, які також приєдналися до війни за накопичення графічних процесорів для навчання моделей штучного інтелекту.
Як зазначив Semi Analysis минулого року, "багаті на GPU та бідні на GPU", лише кілька компаній володіють більш ніж 20 000 GPU A100/H100, а члени команди можуть використовувати від 100 до 1000 GPU для проектів. Ці компанії або є постачальниками хмарних послуг, або самостійно створюють LLM, включаючи OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral тощо.
Однак більшість компаній є "бідними на GPU" і можуть лише боротися на значно меншій кількості GPU. Ця ситуація не обмежується стартапами, деякі відомі AI-компанії, такі як Hugging Face, Databricks, Together і навіть Snowflake, мають менше ніж 20K A100/H100. Ці компанії мають фахівців світового рівня, але обмежені кількістю доступних GPU, що ставить їх у невигідне становище в конкуренції в AI.
Цей дефіцит не обмежується лише "бідними на GPU", навіть наприкінці 2023 року, лідер у сфері ШІ OpenAI змушений був закрити платну реєстрацію на кілька тижнів через недостатню кількість GPU, одночасно закуповуючи більше постачань GPU.
Як видно, швидкий розвиток штучного інтелекту призвів до серйозного розриву між попитом і пропозицією на графічні процесори, проблема нестачі стає все більш актуальною.
Щоб вирішити цю проблему, деякі Web3 проекти почали намагатися поєднати особливості Web3 технологій, щоб надавати децентралізовані обчислювальні послуги, включаючи Akash, Render, Gensyn та інші. Спільною рисою таких проектів є стимулювання широкої аудиторії користувачів шляхом токенів для надання вільних GPU обчислювальних потужностей, ставши постачальниками обчислювальної потужності для клієнтів AI.
Постачальницька сторона зображення в основному поділяється на три категорії: постачальники хмарних послуг, майнери криптовалют та підприємства.
Хмарні провайдери включають великі постачальники хмарних послуг (, такі як AWS, Azure, GCP ), а також постачальники GPU-хмар (, такі як Coreweave, Lambda, Crusoe тощо ), користувачі можуть перепродавати невикористану обчислювальну потужність провайдерів хмарних послуг, щоб отримувати дохід. Криптомайнери, в міру переходу Ethereum з PoW на PoS, також стали важливим потенційним постачанням невикористаної обчислювальної потужності GPU. Крім того, такі великі компанії, як Tesla, Meta, які купують велику кількість GPU через стратегічне розташування, також можуть використовувати невикористану обчислювальну потужність GPU як постачання.
В даний час гравці на ринку діляться на два типи: один тип використовує децентралізовану обчислювальну потужність для AI-інференції, інший - для навчання AI. Перший тип, наприклад, Render(, хоча зосереджується на рендерингу, може також використовуватися для надання AI-обчислювальної потужності), Akash, Aethir тощо; другий тип, як io.net(, підтримує як інференцію, так і навчання), Gensyn. Основна різниця між ними полягає в різних вимогах до обчислювальної потужності.
Спочатку поговоримо про проекти AI-інференції, які залучають користувачів до надання обчислювальної потужності через токенізацію. Потім ці обчислювальні мережеві послуги надаються стороні попиту, що дозволяє здійснювати збіг попиту та пропозиції з безкоштовної обчислювальної потужності. Ядро таких проектів полягає в залученні постачальників через механізм стимулювання токенами, а потім залученні користувачів для використання, що реалізує холодний запуск проекту та основний механізм роботи, а також подальше розширення та розвиток. У цьому циклі сторона пропозиції отримує більше і більш цінних винагород у токенах, а сторона попиту отримує дешевші та більш вигідні послуги. Цінність токенів проекту та кількість учасників з обох сторін попиту та пропозиції зростає разом, і з підвищенням ціни токенів залучаються більше учасників та спекулянтів, що формує захоплення вартості.
Інший тип полягає в використанні децентралізованих обчислювальних потужностей для навчання ШІ, таких як Gensyn, io.net(. Як навчання, так і інференс ШІ підтримують ). Логіка роботи таких проектів не має суттєвих відмінностей від проектів інференсу ШІ; вони все ще залучають постачальників потужностей через токенізовані стимули для забезпечення обчислювальних ресурсів для використання з боку споживачів.
io.net як децентралізована мережа обчислювальної потужності, наразі має понад 500 тисяч GPU, демонструє видатні результати, вже інтегрувала обчислювальну потужність Render і Filecoin, постійно розвиває екосистемні проекти.
Gensyn сприяє розподілу завдань машинного навчання та винагородам через смарт-контракти, реалізуючи AI-навчання. Вартість навчання машинного навчання Gensyn становить приблизно 0,4 долара за годину, що значно нижче, ніж вартість більше 2 доларів на AWS та GCP.
Система Gensyn включає чотири учасники: подавач, виконавець, перевіряючий та скаржник.
Подавець: Користувачі вимог є споживачами завдань, які надають завдання, що підлягають обробці, і оплачують завдання для навчання ШІ.
Виконавець: виконує завдання з навчання моделі, генерує підтвердження виконання завдання для перевірки валідатором
Верифікатор: поєднує недетермінований процес навчання з детермінованими лінійними обчисленнями, порівнює докази виконавця з очікуваним порогом
Скаржник: перевіряє роботу валідаторів, ставить під сумнів виявлені проблеми та отримує винагороду
Gensyn сподівається стати надмасштабним, економічно ефективним обчислювальним протоколом для глобальних моделей глибокого навчання.
Але, якщо подивитися на цю сферу, чому більшість проектів обирають децентралізовані обчислення для виконання AI-інференції, а не навчання?
Тут допомагаємо друзям, які не розуміють різницю між навчанням ШІ та висновками:
Навчання ШІ: якщо порівняти штучний інтелект із учнем, навчання буде схоже на надання ШІ великої кількості знань, прикладів (, тобто даних ), з яких ШІ навчається. Оскільки суть навчання потребує розуміння та запам'ятовування великої кількості інформації, цей процес потребує значних обчислювальних потужностей і часу.
ШІ
Переглянути оригінал
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
Аналіз інтеграції ШІ та Web3: стан, виклики та перспективи розвитку
Злиття та розвиток AI та Web3: поточний стан, виклики та перспективи
I. Вступ: Огляд розвитку AI+Web3
В останні роки швидкий розвиток штучного інтелекту (AI) та технологій Web3 викликав широкий інтерес у всьому світі. Штучний інтелект досяг значних успіхів у таких сферах, як розпізнавання облич, обробка природної мови, машинне навчання, що призвело до величезних змін та інновацій у різних галузях. У 2023 році обсяг ринку штучного інтелекту досяг 200 мільярдів доларів, з'явившись такі видатні компанії, як OpenAI, Character.AI, Midjourney.
Водночас Web3 як нова мережна модель змінює уявлення людей про Інтернет та способи його використання. Web3 базується на технології децентралізованого блокчейну, через смарт-контракти, розподілене зберігання та децентралізовану автентифікацію реалізуючи обмін даними та контроль, автономію користувачів і механізми довіри. Основна концепція Web3 полягає у звільненні даних з центральних установ, надаючи користувачам контроль над даними та право на їхню вартість. Наразі ринкова вартість індустрії Web3 досягла 250 трильйонів доларів, проекти як Bitcoin, Ethereum, Solana постійно з'являються.
Комбінація AI та Web3 є спільною сферою інтересу розробників та інвесторів з Сходу та Заходу, питання того, як добре інтегрувати обидва, є темою, яку варто дослідити. У цій статті буде акцентовано увагу на теперішньому стані розвитку AI+Web3, обговорено потенційну цінність та вплив цієї інтеграції. Спочатку ми представимо основні поняття AI та Web3, а потім обговоримо їх взаємозв'язок. Далі буде проаналізовано поточний стан проектів AI+Web3 та докладно розглянуто обмеження та виклики, з якими вони стикаються. Сподіваємось, це надасть інвесторам та професіоналам цінні рекомендації та нові ідеї.
Два, способи взаємодії AI та Web3
Розвиток AI та Web3 схожий на дві сторони терезів: AI підвищує продуктивність, а Web3 трансформує виробничі відносини. Які іскри можуть виникнути в результаті їхнього зіткнення? Спочатку ми проаналізуємо труднощі та можливості кожної зі сторін, а потім обговоримо, як вони можуть допомогти одна одній вирішити ці труднощі.
2.1 Виклики, з якими стикається AI-індустрія
Щоб дослідити труднощі в індустрії ШІ, спочатку потрібно зрозуміти три основні елементи ШІ: обчислювальна потужність, алгоритми та дані.
Обчислювальна потужність: відноситься до здатності проводити великомасштабні обчислення та обробку. Завдання ШІ зазвичай вимагають обробки величезних обсягів даних і складних обчислень, таких як навчання моделей глибоких нейронних мереж. Висока обчислювальна потужність може прискорити навчання і висновки моделей, підвищуючи продуктивність і ефективність систем ШІ. В останні роки розвиток GPU та спеціалізованих чіпів для ШІ значно сприяв прогресу в індустрії ШІ. Постачальники GPU, такі як Nvidia, займають велику частину ринку, отримуючи високі прибутки.
Алгоритми: Основний компонент AI-системи, що включає традиційні алгоритми машинного навчання та алгоритми глибокого навчання. Вибір і проектування алгоритмів є критично важливими для продуктивності AI-системи. Постійне вдосконалення та інновації в алгоритмах можуть підвищити точність, надійність та здатність до узагальнення системи.
Дані: Основним завданням AI-системи є виявлення патернів і закономірностей у даних шляхом навчання та тренування. Багаті набори даних можуть надати більш комплексну та різноманітну інформацію, що допомагає моделі краще узагальнювати на невідомих даних, краще розуміти та вирішувати проблеми реального світу.
Після розуміння ключових елементів ШІ, давайте розглянемо виклики, з якими стикається ШІ в цих трьох аспектах:
У сфері обчислювальної потужності завдання штучного інтелекту потребують величезних обчислювальних ресурсів для навчання моделей і інференції. Отримання та управління масштабною обчислювальною потужністю є дорогим і складним, особливо для стартапів і індивідуальних розробників.
У галузі алгоритмів, незважаючи на величезний успіх глибокого навчання, все ще існують виклики. Навчання глибоких нейронних мереж потребує величезних обсягів даних та обчислювальних ресурсів, а також деякі завдання мають недостатню інтерпретованість моделей. Робустність алгоритмів і здатність до узагальнення також є важливими проблемами, оскільки моделі можуть демонструвати нестабільні результати на невідомих даних.
Щодо даних, отримання високоякісних і різноманітних даних все ще є викликом. У певних сферах, таких як охорона здоров'я, чутливі дані важко отримати. Також існують проблеми з якістю, точністю та маркуванням даних; неповні або упереджені дані можуть призвести до помилкової поведінки або упередженості моделі. Одночасно, конфіденційність даних та забезпечення безпеки також є важливими аспектами.
Крім того, пояснюваність і прозорість AI-моделей також є питаннями, що турбують громадськість. Деякі застосування, такі як фінанси, медицина тощо, потребують зрозумілого та відстежуваного процесу прийняття рішень, тоді як існуючі моделі глибокого навчання, як правило, не мають прозорості.
Крім того, багато бізнес-моделей стартапів у сфері штучного інтелекту не є чіткими, що також вводить в оману багатьох підприємців у цій галузі.
2.2 Виклики, з якими стикається індустрія Web3
У сфері Web3 існує багато проблем, які потребують вирішення, незалежно від того, чи йдеться про аналіз даних, досвід користувачів, чи про вразливості в коді смарт-контрактів та питання безпеки — тут є значний простір для покращення. Штучний інтелект, як інструмент підвищення продуктивності, має багато потенційних можливостей для використання в цих сферах.
По-перше, покращення можливостей аналізу даних і прогнозування: використання технології ШІ в аналізі даних та прогнозуванні справляє величезний вплив на індустрію Web3. Завдяки інтелектуальному аналізу та видобутку даних за допомогою алгоритмів ШІ, платформи Web3 можуть вилучати цінну інформацію з величезних обсягів даних, робити більш точні прогнози та приймати рішення. Це має велике значення для оцінки ризиків, прогнозування ринку та управління активами в сфері децентралізованих фінансів (DeFi).
По-друге, ШІ може покращити користувацький досвід та персоналізовані послуги: застосування технологій ШІ дозволяє платформам Web3 надавати кращий користувацький досвід і персоналізовані послуги. Аналізуючи дані користувачів та моделюючи їх, можна надавати персоналізовані рекомендації, індивідуалізовані послуги та інтелектуальний досвід взаємодії, підвищуючи залученість користувачів та їх задоволеність, сприяючи розвитку екосистеми Web3.
З точки зору безпеки та захисту конфіденційності, застосування ШІ має глибокий вплив на індустрію Web3. Технології ШІ можуть використовуватися для виявлення та захисту від кібератак, виявлення аномальної поведінки, забезпечуючи потужнішу безпеку. Крім того, ШІ також може бути використано для захисту конфіденційності даних, за допомогою технологій шифрування даних та обчислень з обмеженим доступом, захищаючи особисту інформацію користувачів. У сфері аудиту смарт-контрактів технології ШІ можуть бути використані для автоматизації аудиту контрактів та виявлення вразливостей, підвищуючи безпеку та надійність контрактів.
Можна побачити, що штучний інтелект може брати участь у багатьох аспектах і надавати підтримку в подоланні труднощів та потенційних можливостей для покращення, з якими стикається індустрія Web3.
Три, Аналіз стану проектів AI+Web3
Проекти, що поєднують AI та Web3, мають два основні напрямки: використання технології блокчейн для підвищення ефективності AI-проектів, а також використання технології AI для вдосконалення проектів Web3.
Навколо цих двох аспектів виникла велика кількість проєктів, які досліджують цей шлях, включаючи Io.net, Gensyn, Ritual та інші. Далі ми проаналізуємо стан і розвиток різних підсекторами, де AI підтримує Web3 і Web3 підтримує AI.
3.1 Web3 сприяє AI
3.1.1 Децентралізована обчислювальна потужність
OpenAI в кінці 2022 року запустила ChatGPT, що спричинило сплеск інтересу до ШІ. Через 5 днів після запуску кількість користувачів досягла 1 мільйона, а за 2 місяці місячна активність користувачів досягла 100 мільйонів. До листопада 2023 року кількість активних користувачів на тиждень досягла 100 мільйонів. Виникнення ChatGPT призвело до швидкого розвитку сфери ШІ з нішевої галузі в добре помітну індустрію.
Згідно з доповіддю Trendforce, ChatGPT потребує 30000 графічних процесорів NVIDIA A100 для роботи, в майбутньому GPT-5 вимагатиме ще більшої кількості обчислювальних потужностей. Це також призвело до того, що компанії з виробництва штучного інтелекту почали гонку озброєнь, і лише ті, хто має достатню обчислювальну потужність, можуть зберегти перевагу у війні штучного інтелекту, тому виникла нестача графічних процесорів.
Перед зростанням штучного інтелекту основними клієнтами провайдера графічних процесорів NVIDIA були три великі постачальники хмарних послуг: AWS, Azure та GCP. З появою штучного інтелекту з'явилося безліч нових покупців, включаючи великі технологічні компанії, такі як Meta, Oracle, а також інші платформи даних і стартапи в сфері штучного інтелекту, які також приєдналися до війни за накопичення графічних процесорів для навчання моделей штучного інтелекту.
Як зазначив Semi Analysis минулого року, "багаті на GPU та бідні на GPU", лише кілька компаній володіють більш ніж 20 000 GPU A100/H100, а члени команди можуть використовувати від 100 до 1000 GPU для проектів. Ці компанії або є постачальниками хмарних послуг, або самостійно створюють LLM, включаючи OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral тощо.
Однак більшість компаній є "бідними на GPU" і можуть лише боротися на значно меншій кількості GPU. Ця ситуація не обмежується стартапами, деякі відомі AI-компанії, такі як Hugging Face, Databricks, Together і навіть Snowflake, мають менше ніж 20K A100/H100. Ці компанії мають фахівців світового рівня, але обмежені кількістю доступних GPU, що ставить їх у невигідне становище в конкуренції в AI.
Цей дефіцит не обмежується лише "бідними на GPU", навіть наприкінці 2023 року, лідер у сфері ШІ OpenAI змушений був закрити платну реєстрацію на кілька тижнів через недостатню кількість GPU, одночасно закуповуючи більше постачань GPU.
Як видно, швидкий розвиток штучного інтелекту призвів до серйозного розриву між попитом і пропозицією на графічні процесори, проблема нестачі стає все більш актуальною.
Щоб вирішити цю проблему, деякі Web3 проекти почали намагатися поєднати особливості Web3 технологій, щоб надавати децентралізовані обчислювальні послуги, включаючи Akash, Render, Gensyn та інші. Спільною рисою таких проектів є стимулювання широкої аудиторії користувачів шляхом токенів для надання вільних GPU обчислювальних потужностей, ставши постачальниками обчислювальної потужності для клієнтів AI.
Постачальницька сторона зображення в основному поділяється на три категорії: постачальники хмарних послуг, майнери криптовалют та підприємства.
Хмарні провайдери включають великі постачальники хмарних послуг (, такі як AWS, Azure, GCP ), а також постачальники GPU-хмар (, такі як Coreweave, Lambda, Crusoe тощо ), користувачі можуть перепродавати невикористану обчислювальну потужність провайдерів хмарних послуг, щоб отримувати дохід. Криптомайнери, в міру переходу Ethereum з PoW на PoS, також стали важливим потенційним постачанням невикористаної обчислювальної потужності GPU. Крім того, такі великі компанії, як Tesla, Meta, які купують велику кількість GPU через стратегічне розташування, також можуть використовувати невикористану обчислювальну потужність GPU як постачання.
В даний час гравці на ринку діляться на два типи: один тип використовує децентралізовану обчислювальну потужність для AI-інференції, інший - для навчання AI. Перший тип, наприклад, Render(, хоча зосереджується на рендерингу, може також використовуватися для надання AI-обчислювальної потужності), Akash, Aethir тощо; другий тип, як io.net(, підтримує як інференцію, так і навчання), Gensyn. Основна різниця між ними полягає в різних вимогах до обчислювальної потужності.
Спочатку поговоримо про проекти AI-інференції, які залучають користувачів до надання обчислювальної потужності через токенізацію. Потім ці обчислювальні мережеві послуги надаються стороні попиту, що дозволяє здійснювати збіг попиту та пропозиції з безкоштовної обчислювальної потужності. Ядро таких проектів полягає в залученні постачальників через механізм стимулювання токенами, а потім залученні користувачів для використання, що реалізує холодний запуск проекту та основний механізм роботи, а також подальше розширення та розвиток. У цьому циклі сторона пропозиції отримує більше і більш цінних винагород у токенах, а сторона попиту отримує дешевші та більш вигідні послуги. Цінність токенів проекту та кількість учасників з обох сторін попиту та пропозиції зростає разом, і з підвищенням ціни токенів залучаються більше учасників та спекулянтів, що формує захоплення вартості.
Інший тип полягає в використанні децентралізованих обчислювальних потужностей для навчання ШІ, таких як Gensyn, io.net(. Як навчання, так і інференс ШІ підтримують ). Логіка роботи таких проектів не має суттєвих відмінностей від проектів інференсу ШІ; вони все ще залучають постачальників потужностей через токенізовані стимули для забезпечення обчислювальних ресурсів для використання з боку споживачів.
io.net як децентралізована мережа обчислювальної потужності, наразі має понад 500 тисяч GPU, демонструє видатні результати, вже інтегрувала обчислювальну потужність Render і Filecoin, постійно розвиває екосистемні проекти.
Gensyn сприяє розподілу завдань машинного навчання та винагородам через смарт-контракти, реалізуючи AI-навчання. Вартість навчання машинного навчання Gensyn становить приблизно 0,4 долара за годину, що значно нижче, ніж вартість більше 2 доларів на AWS та GCP.
Система Gensyn включає чотири учасники: подавач, виконавець, перевіряючий та скаржник.
Gensyn сподівається стати надмасштабним, економічно ефективним обчислювальним протоколом для глобальних моделей глибокого навчання.
Але, якщо подивитися на цю сферу, чому більшість проектів обирають децентралізовані обчислення для виконання AI-інференції, а не навчання?
Тут допомагаємо друзям, які не розуміють різницю між навчанням ШІ та висновками:
Навчання ШІ: якщо порівняти штучний інтелект із учнем, навчання буде схоже на надання ШІ великої кількості знань, прикладів (, тобто даних ), з яких ШІ навчається. Оскільки суть навчання потребує розуміння та запам'ятовування великої кількості інформації, цей процес потребує значних обчислювальних потужностей і часу.
ШІ