Переслать оригинальное название:'Metrics Ventures研报 | 从V神文章出发,Crypto×AI有哪些值得关注的细分赛道?'

1 Введение: Четыре способа сочетания Крипто с ИИ

Децентрализация - это согласованность, поддерживаемая блокчейн, обеспечение безопасности - это основной принцип, а открытость - ключевое основание с криптографической точки зрения, чтобы сделать поведение на цепи обладающим вышеупомянутыми характеристиками. Этот подход был применим в нескольких волнах революций в области блокчейна за последние несколько лет. Однако, когда в дело вступает искусственный интеллект, ситуация претерпевает некоторые изменения.

Представьте, что вы проектируете архитектуру блокчейна или приложений с использованием искусственного интеллекта. В этом случае модель должна быть открытым исходным кодом, но это позволит обнаружить ее уязвимость в области адверсариального машинного обучения. С другой стороны, закрытый исходный код приведет к потере децентрализации. Поэтому необходимо рассмотреть, каким образом и в какой степени должна быть выполнена интеграция при внедрении искусственного интеллекта в текущий блокчейн или приложения.

Источник: УНИВЕРСИТЕТ ETHEREUM

В статье ‘Когда сталкиваются гиганты: исследование слияния Крипто x ИИиз@uethВ УНИВЕРСИТЕТЕ ЭФИРИЯ, обозначены различия в основных характеристиках между искусственным интеллектом и блокчейном. Как показано на приведенной выше фигуре, характеристики искусственного интеллекта:

• Централизация
• Низкая прозрачность
• Потребление энергии
• Монополия
• Слабые монетизационные характеристики

Указанные выше характеристики полностью противоположны в блокчейне по сравнению с искусственным интеллектом. Это и есть основной аргумент статьи Виталика. Если объединить искусственный интеллект и блокчейн, то приложения, рожденные из этого, должны делать компромиссы в отношении владения данными, прозрачности, возможностей монетизации, энергозатрат и т. д. Кроме того, необходимо рассмотреть, какую инфраструктуру необходимо создать для обеспечения эффективной интеграции обоих.

Следуя вышеперечисленным критериям и собственным мыслям, Виталик классифицирует приложения, образованные в результате комбинации искусственного интеллекта и блокчейна, на четыре основных типа:

• ИИ как игрок в игре
• ИИ как интерфейс к игре
• ИИ как правила игры
• ИИ как цель игры

Из них первые три в основном представляют три способа внедрения искусственного интеллекта в мир Крипто, представляя три уровня глубины от поверхностного к глубокому. По мнению автора, эта классификация представляет собой степень влияния искусственного интеллекта на принятие человеческих решений и, таким образом, вводит разные уровни системного риска для всего мира Крипто:

• Искусственный интеллект в качестве участника в приложениях: Сам искусственный интеллект не влияет на человеческие решения и поведение, поэтому он не представляет угрозы для реального человеческого мира. Поэтому в настоящее время он обладает наивысшей степенью практичности.
• Искусственный интеллект в качестве интерфейса для приложений: Искусственный интеллект предоставляет вспомогательную информацию или инструменты для принятия решений и поведения человека, что улучшает опыт пользователя и разработчика и снижает барьеры. Однако неправильная информация или операции могут привести к некоторым рискам в реальном мире.
• Искусственный интеллект как правила приложений: Искусственный интеллект полностью заменяет людей в принятии решений и операциях. Поэтому злонамеренное поведение или сбои искусственного интеллекта прямо приведут к хаосу в реальном мире. В настоящее время как в Web2, так и в Web3 невозможно доверять искусственному интеллекту в замене людей в принятии решений.

Наконец, четвёртая категория проектов нацелена на использование характеристик Крипто для создания лучшего искусственного интеллекта. Как уже упоминалось ранее, централизация, низкая прозрачность, энергопотребление, монополистические тенденции и слабые денежные атрибуты могут естественным образом быть смягчены через свойства Крипто. Хотя многие люди скептически относятся к вопросу о том, может ли Крипто оказать влияние на развитие искусственного интеллекта, самым увлекательным повествованием о Крипто всегда была его способность влиять на реальный мир через децентрализацию. Этот трек также стал наиболее интенсивно обсуждаемой частью трека искусственного интеллекта из-за его великой цели.

2 ИИ как участник

В механизмах, где участвует искусственный интеллект, конечным источником стимулов часто являются протоколы, введенные людьми. Прежде чем искусственный интеллект станет интерфейсом или даже правилом, мы обычно должны оценить производительность различных искусственных интеллектов, позволяя им участвовать в механизме и в конечном итоге получать вознаграждение или наказание через онлайн-механизм.

Когда искусственный интеллект действует как участник, по сравнению с тем, чтобы быть интерфейсом или правилом, риски для пользователей и всей системы, как правило, незначительны. Это можно рассматривать как необходимый этап перед тем, как искусственный интеллект глубоко влияет на решения и поведение пользователей. Поэтому затраты и компромиссы, необходимые для слияния искусственного интеллекта и блокчейна на этом уровне, относительно невелики. Это также категория продуктов, в которых Виталик считает, что в настоящее время есть высокая степень практичности.

В терминах широты и реализации многие текущие приложения искусственного интеллекта попадают в эту категорию, такие как торговые боты и чат-боты, усиленные искусственным интеллектом. На текущем уровне реализации все еще сложно сделать искусственный интеллект интерфейсом или даже правилом. Пользователи сравнивают и постепенно оптимизируют разные боты, и пользователи криптовалюты еще не развили привычку использовать приложения искусственного интеллекта. В статье Виталика также классифицируются автономные агенты в эту категорию.

Однако, в более узком смысле и с точки зрения долгосрочного видения, мы склонны делать более детальные различия для приложений и агентов искусственного интеллекта. Поэтому в эту категорию включаются такие представительные подкатегории, как:

2.1 AI Игры

В некоторой степени игры с ИИ действительно могут быть классифицированы в эту категорию. Игроки взаимодействуют с ИИ и тренируют своих персонажей ИИ, чтобы они лучше соответствовали их личным предпочтениям, таким как более тесное соответствие индивидуальным вкусам или становление более конкурентоспособными в рамках механики игры. Игры служат переходным этапом для ИИ перед его появлением в реальном мире. Они также представляют собой трек с относительно низкими рисками внедрения и являются самыми понятными для обычных пользователей. Эмблематическими проектами в этой категории являются AI Arena, Echelon Prime и Altered State Machine.

• AI Arena: Игра в битву игрок против игрока (PVP), в которой игроки могут тренировать и развивать своих персонажей в игре, используя искусственный интеллект. Цель игры - позволить обычным пользователям взаимодействовать с ИИ, понимать и испытывать его через игры, а также предоставить инженерам ИИ различные алгоритмы ИИ для увеличения их дохода. Каждый персонаж в игре работает на алгоритмах искусственного интеллекта, с ядром, содержащим архитектуру и параметры модели ИИ, хранящиеся на IPFS. Параметры в новом NFT генерируются случайным образом, что означает, что персонаж будет совершать случайные действия. Пользователям необходимо улучшать стратегические способности своего персонажа через обучение имитацией (IL). Каждый раз, когда пользователь тренирует персонажа и сохраняет прогресс, параметры обновляются на IPFS.
  

• Altered State Machine: .ASM - это не игра с искусственным интеллектом, а протокол для проверки прав и торговли для искусственного интеллекта. Он позиционируется как протокол метавселенной искусственного интеллекта и в настоящее время интегрируется с несколькими играми, включая FIFA, вводя искусственных интеллектов в игры и метавселенную. ASM использует NFT для проверки и торговли искусственными интеллектами, при этом каждый агент состоит из трех частей: Мозг (внутренние характеристики агента), Память (хранение обученных стратегий поведения агента и обучение модели, связанное с Мозгом) и Форма (внешний вид персонажа и т. д.). ASM имеет модуль Gym, включая децентрализованного поставщика облачных вычислений GPU, чтобы обеспечить вычислительную поддержку для агентов. Проекты, в настоящее время построенные на ASM, включают AIFA (футбольная игра с искусственным интеллектом), Мухаммед Али (боксерская игра с искусственным интеллектом), AI League (уличная футбольная игра в партнерстве с FIFA), Raicers (гоночная игра с искусственным интеллектом) и FLUF World’s Thingies (генеративные NFT). \n
  

• Parallel Colony (PRIME): Echelon Prime разрабатывает игру Parallel Colony, основанную на ИИ LLM (Large Language Models). Игроки могут взаимодействовать со своими ИИ-аватарами и влиять на них, причем аватары действуют автономно на основе своих воспоминаний и жизненных траекторий. Colony в настоящее время является одной из самых ожидаемых игр с использованием искусственного интеллекта, и недавно была выпущена официальная белая книга. Кроме того, объявление о миграции на Solana вызвало еще одну волну восторга и увеличило стоимость PRIME.

2.2 Прогноз рынка/конкурса

Предсказательная способность является основой для ИИ для принятия будущих решений и поведения. Перед использованием моделей ИИ для практических прогнозов соревнования по прогнозированию сравнивают производительность моделей ИИ на более высоком уровне. Предоставляя стимулы в виде токенов для ученых-данных/моделей ИИ, этот подход имеет положительные последствия для развития всего поля Крипто×ИИ. Он непрерывно способствует развитию более эффективных и высокопроизводительных моделей и приложений, подходящих для крипто мира. Прежде чем ИИ глубоко повлияет на принятие решений и поведение, это создает продукты более высокого качества и безопасные. Как заявил Виталик, рынки предсказаний являются мощным первичным элементом, который можно расширить на многие другие типы проблем. Иконические проекты в этом направлении включают Numerai и Ocean Protocol.

• Numerai: Numerai - это долгосрочное соревнование в области науки о данных, где ученые по данным обучают модели машинного обучения для прогнозирования фондовых рынков на основе предоставленных Numerai исторических рыночных данных. Затем они ставят свои модели и токены NMR на турниры, причем хорошо себя показывающие модели получают вознаграждение в виде токенов NMR, а токены, поставленные на плохо себя показывающие модели, сжигаются. На 7 марта 2024 года было поставлено 6 433 модели, и протокол предоставил общую сумму вознаграждений в размере $75 760 979 ученым по данным. Numerai стимулирует глобальное сотрудничество среди ученых по данным для создания нового типа хедж-фонда. Выпущенные средства включают Numerai One и Numerai Supreme. Путь Numerai включает в себя соревнования по прогнозированию рынка→модели прогнозирования через краудсорсинг→создание новых хедж-фондов на основе моделей, созданных через краудсорсинг.
• Ocean Protocol: Ocean Predictor фокусируется на прогнозах, начиная с прогнозов трендов криптовалют, сделанных сообществом. Игроки могут выбрать запуск бота Predictor или бота Trader. Бот Predictor использует модели искусственного интеллекта для прогнозирования цены криптовалют (например, BTC/USDT) на следующей временной точке (например, через пять минут) и ставит определенное количество токенов $OCEAN. Протокол рассчитывает глобальный прогноз на основе суммы ставки. Трейдеры покупают результаты прогнозов и могут торговать на их основе. При высокой точности прогноза трейдеры могут извлечь из этого прибыль. Предсказатели, сделавшие неправильные прогнозы, будут наказаны, в то время как те, кто сделал верные прогнозы, получат часть токенов, поставленных в качестве ставки, а также комиссии за покупку от трейдеров в качестве вознаграждения. 2 марта Ocean Predictor объявил о своем последнем направлении, Модели Мирового-Мира (WWM), которая начинает исследование прогнозов для реальных сценариев, таких как погода и энергия.
  

3 ИИ как интерфейс

ИИ может помочь пользователям понять, что происходит в мире крипты, используя простой и понятный язык, выступая в роли наставника для пользователей и предоставляя предупреждения о потенциальных рисках для снижения барьеров входа и пользовательских рисков в крипто, тем самым улучшая пользовательский опыт. Функциональность продуктов, которую можно реализовать, разнообразна, такая как предупреждения о рисках во время взаимодействия с кошельком, торговля с использованием ИИ, чат-боты на ИИ, способные отвечать на общие вопросы пользователей о крипте и многое другое. Аудитория для этих услуг расширяется и включает не только обычных пользователей, но также разработчиков, аналитиков и практически все другие группы, делая их потенциальными получателями услуг ИИ.

Давайте повторим общие черты этих проектов: они еще не заменили людей в принятии определенных решений и поведенческих моделей, но используют модели искусственного интеллекта для предоставления информации и инструментов, помогающих принимать решения и вести себя. На этом уровне риски злоупотребления искусственным интеллектом начинают проявляться в системе - предоставление некорректной информации для вмешательства в человеческое суждение. Этот аспект был тщательно проанализирован в статье Виталика.

Под эту категорию можно отнести множество разнообразных проектов, включая чат-ботов на основе ИИ, аудиты умных контрактов на основе ИИ, генерацию кода на основе ИИ, торговых ботов на основе ИИ и другие. Можно сказать, что подавляющее большинство приложений ИИ в настоящее время находятся на этом базовом уровне. Представительными проектами являются:

• Паал: PaaL в настоящее время является ведущим проектом в области чат-ботов с искусственным интеллектом, и его можно рассматривать как ChatGPT, обученный знаниям, связанным с криптовалютой. Интегрированный с такими платформами, как Telegram (TG) и Discord, PaaL предоставляет пользователям такие функции, как анализ данных токенов, основы токенов и анализ экономики токенов, а также генерация текста в изображение и другие функции. PaaL Bot может быть интегрирован в групповые чаты для автоматического реагирования на определенную информацию. PaaL также поддерживает настраиваемых персональных ботов, позволяя пользователям создавать собственную базу знаний ИИ и пользовательских ботов, предоставляя наборы данных. PaaL продвигается в сторону торговых ботов с искусственным интеллектом и 29 февраля анонсировала свой терминал для криптоисследований и торговли PaalX с поддержкой искусственного интеллекта. Согласно введению, он может выполнять аудит смарт-контрактов с искусственным интеллектом, интегрировать и торговать новостями на основе Twitter, а также обеспечивать поддержку криптоисследований и торговли. Искусственный интеллект-помощник может снизить порог входа для пользователей.

ChainGPT: ChainGPT полагается на искусственный интеллект для разработки ряда криптоинструментов, таких как чат-бот, генератор NFT, сбор новостей, генерация и аудит смарт контрактов, помощник транзакций, рынок Prompt и ИИ кросс-цепочечного обмена. Однако в настоящее время основное внимание ChainGPT сосредоточено на инкубации проектов и площадке запуска, и были завершены IDO для 24 проектов и 4 бесплатных розыгрыша.

• Arkham: Ultra - это специализированный искусственный интеллект Arkham, разработанный для сопоставления адресов с реальными сущностями с использованием алгоритмов, тем самым повышая прозрачность в индустрии криптовалют. Ultra объединяет on-chain и off-chain данные, предоставленные пользователями и собранные самим собой, и выводит их в расширяемую базу данных, которая в конечном итоге представляется в виде диаграммы. Однако документация Arkham не содержит подробных обсуждений системы Ultra. Arkham недавно привлек внимание благодаря личным инвестициям Сэма Альтмана, основателя OpenAI, и за последние 30 дней увеличил свою стоимость в пять раз.
• GraphLinq:GraphLinq - это автоматизированное решение для управления рабочим процессом, разработанное для обеспечения возможности развертывания и управления различными типами функций автоматизации без программирования. Например, пользователи могут отправлять цену биткоина с Coingecko в TG Bot каждые 5 минут. Решение GraphLinq визуализирует процессы автоматизации с использованием графиков, позволяя пользователям создавать задачи автоматизации, перетаскивая узлы и используя движок GraphLinq для их выполнения. Хотя для этого не требуется программирование, процесс создания графика все же имеет определенную кривую обучения для обычных пользователей, включая выбор подходящего шаблона и выбор и соединение подходящих логических блоков из сотен вариантов. Для решения этой проблемы GraphLinq внедряет искусственный интеллект, чтобы пользователи могли создавать и управлять задачами автоматизации с помощью разговорного искусственного интеллекта и естественного языка, тем самым упрощая процесс для пользователей, которые могут быть не знакомы с техническими аспектами.
• 0x0.ai:Бизнесы, связанные с искусственным интеллектом 0x0, включают три аспекта: аудит интеллектуальных контрактов AI, обнаружение мошенничества AI и центр разработчиков AI. Из них обнаружение мошенничества AI направлено на выявление подозрительных действий, таких как чрезмерные налоги или отток ликвидности, чтобы предотвратить обман пользователей. Центр разработчиков AI использует техники машинного обучения для создания интеллектуальных контрактов, обеспечивая развертывание контрактов без кода. Однако на данный момент был предварительно запущен только аудит интеллектуальных контрактов AI, в то время как другие две функции еще не были полностью разработаны.
• Zignaly: Zignaly был основан в 2018 году с целью предоставить индивидуальным инвесторам возможность выбирать фондовых менеджеров для управления своими криптовалютными активами, аналогично логике копирования сделок. Zignaly использует технологии машинного обучения и искусственного интеллекта для создания системы оценки фондовых менеджеров. Первый запущенный продукт называется Z-Score. Однако, как продукт искусственного интеллекта, он все еще относительно базов в своей текущей форме.
  

4 AI Как правила игры

Это самая захватывающая часть — делегирование принятия решений и поведения человека искусственному интеллекту. Ваш искусственный интеллект будет непосредственно контролировать ваш кошелек, принимая торговые решения и действия от вашего имени. В этой категории автор считает, что ее можно разделить преимущественно на три уровня: приложения искусственного интеллекта (особенно те, которые имеют видение автономного принятия решений, такие как торговые боты с искусственным интеллектом, боты доходности DeFi с искусственным интеллектом), протоколы автономных агентов и zkML/opML.

Приложения искусственного интеллекта - это инструменты для принятия конкретных решений в определенной области. Они накапливают знания и данные из различных секторов и полагаются на модели искусственного интеллекта, адаптированные к конкретным проблемам, для принятия решений. Следует отметить, что в этой статье приложения искусственного интеллекта классифицируются как интерфейсы и правила. В плане видения развития приложения искусственного интеллекта должны стать независимыми агентами, принимающими решения, но на данный момент ни эффективность моделей искусственного интеллекта, ни безопасность интегрированного искусственного интеллекта не могут удовлетворить этот требования. Даже в качестве интерфейсов они в некоторой степени вынуждены. Приложения искусственного интеллекта все еще находятся в очень ранней стадии, с представленными ранее конкретными проектами.

Автономные агенты, упомянутые Виталиком, классифицируются в первой категории (ИИ как участники), но в этой статье они категоризируются в третью категорию на основе их долгосрочного видения. Автономные агенты используют большое количество данных и алгоритмов для моделирования мыслительных процессов человека и принятия решений, выполняя различные задачи и взаимодействия. Эта статья в основном фокусируется на инфраструктуре агентов, такой как слои коммуникации и сетевые слои, которые определяют принадлежность агентов, устанавливают их идентичность, стандарты коммуникации и методы, соединяют несколько приложений агентов и позволяют им сотрудничать в принятии решений и поведении.

zkML/opML: Обеспечьте, чтобы выходы, предоставленные через правильные процессы моделирования, были достоверными с помощью криптографических или экономических методов. Проблемы безопасности фатальны при внедрении ИИ в смарт-контракты. Смарт-контракты полагаются на входные данные для генерации выходных данных и автоматизации ряда функций. Если ИИ предоставляет ошибочные входные данные, это приведет к значительным системным рискам для всей системы Крипто. Поэтому zkML/opML и ряд потенциальных решений являются основой для того, чтобы ИИ мог действовать независимо и принимать решения.

Наконец, все вместе составляют три основных уровня искусственного интеллекта в качестве правил операторов: zkml/opml в качестве инфраструктуры низшего уровня, обеспечивающей безопасность протокола; Протоколы агентов создают экосистему агентов, позволяя совместное принятие решений и поведение; Приложения искусственного интеллекта, также конкретные агенты искусственного интеллекта, будут непрерывно улучшать свои возможности в конкретных областях и фактически принимать решения и действовать.

4.1 Автономный агент

Применение ИИ-агентов в криптомире естественно. От смарт-контрактов до TG-ботов и агентов искусственного интеллекта — криптопространство движется в сторону более высокой автоматизации и более низких пользовательских барьеров. В то время как смарт-контракты выполняют функции автоматически с помощью неизменяемого кода, они по-прежнему полагаются на внешние триггеры для активации и не могут работать автономно или непрерывно. TG-боты снижают барьеры для пользователей, позволяя пользователям взаимодействовать с блокчейном с помощью естественного языка, но они могут выполнять только простые и конкретные задачи и не могут достигать транзакций, ориентированных на пользователя. Тем не менее, ИИ-агенты обладают определенной степенью способности к самостоятельному принятию решений. Они понимают естественный язык и автономно комбинируют других агентов и инструменты блокчейна для достижения поставленных пользователем целей.

Искусственные интеллект агенты посвящены значительному улучшению пользовательского опыта криптопродуктов, в то время как технология блокчейн может дополнительно улучшить децентрализацию, прозрачность и безопасность операций искусственного интеллекта агента. Конкретная помощь включает:

• Поощряя разработчиков токенами для предоставления большего количества агентов.
• Аутентификация NFT для облегчения агентских действий по сбору комиссий и транзакций.
• Предоставление механизмов идентификации и регистрации агентов на цепочке.
• Предоставляя неизменные журналы действий агента для своевременного отслеживания и ответственности за их действия.

Основные проекты этого трека следующие:

• Autonolas: Autonolas поддерживает владение активами и композицию для агентов и связанных компонентов через протоколы on-chain, позволяя находить и повторно использовать кодовые компоненты, агентов и услуги on-chain, стимулируя разработчиков экономической компенсацией. Разработчики регистрируют свой код on-chain и получают NFT, представляющие владение кодом после создания полных агентов или компонентов. Владельцы услуг сотрудничают с несколькими агентами, чтобы создать услугу и зарегистрировать ее on-chain, привлекая операторов агентов для выполнения услуги, к которой пользователи получают доступ, оплачивая ее использование.
• Fetch.ai: Fetch.ai имеет сильный фон команды и опыт разработки в области искусственного интеллекта, в настоящее время фокусируясь на треке искусственного интеллекта. Протокол состоит из четырех ключевых слоев: искусственный интеллект, Agentverse, искусственный интеллект, и Fetch Network. Искусственный интеллект является ядром системы, в то время как другие предоставляют структуры и инструменты для помощи в создании служб агентов. Agentverse - это платформа программного обеспечения как услуга, в основном используемая для создания и регистрации искусственных интеллектуальных агентов. Целью искусственного интеллекта является интерпретация естественных языковых вводов пользователей и перевод их в действенные задачи, выбирая наиболее подходящего зарегистрированного искусственного интеллектуального агента из Agentverse для выполнения задачи. Fetch Network - это блокчейн-слои протокола, где искусственные интеллектуальные агенты должны зарегистрироваться в цепочном контракте Almanac для сотрудничества с другими агентами. Следует отметить, что Autonolas в настоящее время фокусируется на создании агентов в крипто-мире и переносе операций агентов в автономном режиме на блокчейн, в то время как сфера деятельности Fetch.ai включает веб-мир Web2, такие как бронирование путешествий и прогнозы погоды.
• Delysium: Delysium перешел от игр к протоколу агента искусственного интеллекта, в основном состоящему из двух уровней: коммуникационного и блокчейна. Коммуникационный уровень служит основой Delysium, обеспечивая безопасную и масштабируемую инфраструктуру для эффективного взаимодействия между агентами ИИ. Уровень блокчейна проверяет личность агента и записывает поведение агента в неизменном виде через смарт-контракты. В частности, коммуникационный уровень устанавливает унифицированный протокол связи между агентами, облегчая бесперебойную коммуникацию с использованием стандартизированных систем обмена сообщениями. Кроме того, он устанавливает протоколы обнаружения служб и API, позволяя пользователям и другим агентам быстро обнаруживать доступные агенты и подключаться к ним. Уровень блокчейна состоит в основном из двух частей: идентификатора агента и смарт-контракта Chronicle. Идентификатор агента гарантирует, что только легитимные агенты могут получить доступ к сети, в то время как Chronicle служит неизменяемым хранилищем журналов для всех важных решений и действий, предпринятых агентами, обеспечивая надежную прослеживаемость поведения агентов.
• Машина измененного состояния: Машина измененного состояния устанавливает стандарты владения активами и транзакций для агентов через NFT. Хотя ASM в настоящее время в основном интегрируется с играми, его базовые спецификации также имеют потенциал для расширения в другие области агентов.
• Morpheous: Morpheous строит сеть экосистемы искусственного интеллекта, нацеленную на соединение кодеров, поставщиков компьютеров, строителей сообществ и предоставщиков капитала, которые, соответственно, предоставляют искусственный интеллект, вычислительную мощность, поддерживающую работу агента, фронт-энд и инструменты разработки, а также финансирование. MOR примет модель Fair Launch для стимулирования майнеров, предоставляющих вычислительную мощность, стейкеров stETH, участников разработки агента или смарт-контракта и участников развития сообщества.

4.2 zkML/opML

Доказательство нулевого разглашения в настоящее время имеет два основных направления применения:

• Доказательство правильных вычислений по более низкой стоимости on-chain (ZK-Rollup и ZKP cross-chain bridges используют эту особенность ZK);
• Защита конфиденциальности: Нет необходимости знать детали вычислений, но можно доказать, что вычисления были выполнены правильно.

Аналогично, применение ZKP в машинном обучении также можно разделить на две категории:

• Проверка умозаключения: то есть, с помощью ZK-доказательства доказать на цепи за более низкую стоимость, что процесс плотного вычисления вывода модели ИИ, выполненный за пределами цепи, был выполнен правильно.
• Защита конфиденциальности: можно разделить на две категории. Одна из них - защита конфиденциальности данных, которая включает использование частных данных для вывода общедоступных моделей, что может быть достигнуто с помощью ZKML для защиты конфиденциальности данных. Другая - защита конфиденциальности модели, направленная на скрытие конкретной информации, такой как вес модели, и вычисление и вывод результатов из общедоступных входных данных.

Автор считает, что в настоящее время наиболее важным аспектом для крипто является проверка вывода, и здесь мы более подробно описываем сценарии проверки вывода. Начиная с того, что ИИ является участником, а заканчивая тем, что ИИ является правилами мира, мы надеемся интегрировать ИИ в процессы on-chain. Однако высокая вычислительная стоимость вывода модели ИИ мешает прямому выполнению on-chain. Перенос этого процесса off-chain означает, что мы должны терпеть проблемы доверия, вызванные этим черным ящиком - не подделал ли оператор модели ИИ мой ввод? Использовали ли они указанную мной модель для вывода? Преобразуя модели ML в ZK-схемы, мы можем достичь: (1) On-chain storage of smaller models, storing small zkML models in smart contracts directly addresses the opacity issue; (2) Completing inference off-chain while generating ZK proofs, using on-chain execution of ZK proofs to verify the correctness of the inference process. Инфраструктура будет включать два контракта - основной контракт (который использует модель ML для вывода результатов) и контракт верификации ZK-Proof.

zkML находится на очень ранней стадии и сталкивается с техническими проблемами при преобразовании моделей ML в ZK-схемы, а также с высокими вычислительными и криптографическими накладными расходами. По аналогии с путем развития Rollup, opML служит еще одним решением с экономической точки зрения. opML использует предположение AnyTrust Arbitrum, что означает, что каждое утверждение имеет как минимум один честный узел, обеспечивая, что податель заявки или по крайней мере один верификатор является честным. Однако OPML может служить только альтернативой для верификации вывода и не может обеспечить защиту конфиденциальности.

Текущие проекты строят инфраструктуру для zkML и изучают её применение. Установление приложений также важно, потому что оно должно четко продемонстрировать пользователям крипто значимую роль zkML и доказать, что окончательная стоимость может превысить огромные затраты. В этих проектах некоторые сосредотачиваются на развитии ZK-технологий, связанных с машинным обучением (например, Modulus Labs), в то время как другие фокусируются на более общем построении ZK-инфраструктуры. Связанные проекты включают:

• Modulus использует zkML для применения искусственного интеллекта к процессам вывода в цепочке. 27 февраля Modulus запустил доказательство zkML Remainder, достигнув улучшения эффективности в 180 раз по сравнению с традиционным искусственным интеллектом на эквивалентном оборудовании. Кроме того, Modulus сотрудничает с несколькими проектами для изучения практических применений zkML. Например, они сотрудничают с Upshot для сбора сложных рыночных данных, оценки цен на NFT с использованием искусственного интеллекта с ZK-доказательствами и передачи цен на блокчейн. Они также сотрудничают с AI Arena, чтобы доказать, что Аватар в бою и обученный игрок - это одно и то же существо.
• Risc Zero помещает модели в цепочку, и запуская модели машинного обучения в ZKVM RISC Zero, они могут доказать, что точные вычисления, включенные в модель, выполняются правильно.
• Ингоньяма разрабатывает специализированное оборудование для ZK технологий, что может снизить порог вхождения в область технологий ZK. zkML также может использоваться в процессе обучения модели.

5 ИИ Как Цель

Если предыдущие три категории уделяют больше внимания тому, как ИИ делает Крипто мощнее, то «ИИ как цель» подчеркивает помощь Крипто ИИ, а именно, как использовать Крипто для создания лучших моделей и продуктов ИИ. Это может включать в себя несколько критериев оценки, таких как большая эффективность, точность и децентрализация. ИИ включает в себя три основных элемента: данные, вычислительную мощность и алгоритмы, и в каждом измерении Крипто стремится обеспечить более эффективную поддержку для ИИ:

• Данные: Данные служат основой для обучения моделей, а децентрализованные протоколы данных стимулируют физических лиц или предприятия предоставлять больше частных данных, используя криптографию для защиты конфиденциальности данных и предотвращения утечки чувствительной личной информации.
• Вычислительная мощность: Децентрализованный трек вычислительной мощности в настоящее время является самым горячим треком искусственного интеллекта. Протоколы облегчают сопоставление спроса и предложения на рынке, способствуя сопряжению долготелевой вычислительной мощности с предприятиями искусственного интеллекта для обучения и вывода моделей.
• Алгоритмы: укрепление алгоритмов в криптографии является наиболее важным аспектом достижения децентрализованного искусственного интеллекта, описанного в статье Виталика Бутерина «ИИ как цель». Создание децентрализованного и надежного искусственного интеллекта, вопросы такие как атаки на машинное обучение могут быть решены. Однако, этот подход может столкнуться с существенными препятствиями, такими как высокие криптографические затраты. Кроме того, «использование криптографических стимулов для поощрения создания лучшего искусственного интеллекта» может быть достигнуто без полного погружения в криптографию.

Монополизация данных и вычислительной мощности крупными технологическими компаниями привела к монополии на процесс обучения модели, где модели с закрытым исходным кодом становятся ключевыми источниками прибыли для этих корпораций. С инфраструктурной точки зрения Крипто стимулирует децентрализованное предложение данных и вычислительной мощности с помощью экономических средств. Кроме того, он обеспечивает конфиденциальность данных во время процесса с использованием криптографических методов. Это служит основой для облегчения децентрализованного обучения модели, направленного на достижение более прозрачной и децентрализованной экосистемы искусственного интеллекта.

5.1 Децентрализованный Протокол Данных

Протоколы децентрализованных данных в первую очередь функционируют через краудсорсинг данных, стимулируя пользователей предоставлять наборы данных или услуги по работе с данными (например, разметку данных) для предприятий, использующих их для обучения моделей. Они также создают рынки данных для облегчения сопоставления спроса и предложения. Некоторые протоколы также исследуют стимулирование пользователей через протоколы DePIN для получения данных о просмотре или использования устройств/пропускной способности пользователей для сканирования веб-данных.

• Ocean Protocol: Токенизирует собственность на данных и позволяет пользователям создавать NFT для данных/алгоритмов без кодирования на платформе Ocean Protocol, одновременно создавая соответствующие дататокены для контроля доступа к данным NFT. Ocean Protocol обеспечивает конфиденциальность данных через Compute To Data (C2D), где пользователи могут получать только результаты на основе данных/алгоритмов, без полной загрузки. Основанный в 2017 году как рынок данных, Ocean Protocol естественным образом воспользовался волной искусственного интеллекта в текущем тренде.
• Synesis One: Этот проект - платформа Train2Earn на Solana, где пользователи зарабатывают $SNS, предоставляя данные на естественном языке и размечая их. Пользователи поддерживают майнинг, предоставляя данные, которые после проверки хранятся и размещаются on-chain, а затем используются компаниями по искусственному интеллекту для обучения и вывода. Майнеры делятся на три категории: Архитекторы/Строители/Валидаторы. Архитекторы создают новые задачи с данными, Строители предоставляют текстовые данные для конкретных задач, а Валидаторы проверяют наборы данных, предоставленные Строителями. Завершенные наборы данных хранятся в IPFS, а их источники, вместе с IPFS-адресами, хранятся во внешней базе данных для использования компаниями по искусственному интеллекту (в данный момент Mind AI).

Grass: Децентрализованный уровень данных, названный как ИИ, по сути, функционирует как децентрализованный сетевой рынок сканирования, получая данные для целей обучения моделей ИИ. Интернет-сайты служат важными источниками обучающих данных для ИИ, причем многие сайты, такие как Twitter, Google и Reddit, имеют значительную ценность. Однако эти сайты постоянно накладывают ограничения на сканирование данных. Grass использует неиспользуемую пропускную способность в отдельных сетях для смягчения влияния блокировки данных, используя различные IP-адреса для сканирования данных с общедоступных веб-сайтов. Он проводит начальную очистку данных и служит источником данных для усилий по обучению моделей ИИ. В настоящее время находящийся в фазе бета-тестирования, Grass позволяет пользователям зарабатывать баллы, предоставляя пропускную способность, которую можно обменять на потенциальные воздушные капли.

Протокол AIT: Протокол AIT - это децентрализованный протокол разметки данных, разработанный для предоставления разработчикам высококачественных наборов данных для обучения моделей. Web3 позволяет глобальным трудовым ресурсам быстро получать доступ к сети и зарабатывать поощрения за разметку данных. Данные ученые AIT предварительно размечают данные, которые затем дополнительно обрабатываются пользователями. После прохождения проверки качества учеными по данным, проверенные данные предоставляются разработчикам для использования.

Помимо упомянутых протоколов обеспечения данных и протоколов разметки данных, бывшая децентрализованная инфраструктура хранения, такая как Filecoin, Arweave и другие, также будут способствовать более децентрализованному предложению данных.

5.2 Децентрализованная вычислительная мощность

В эпоху искусственного интеллекта важность вычислительной мощности очевидна. Не только акции NVIDIA стремительно выросли, но и в мире криптовалют децентрализованная вычислительная мощность можно назвать самым горячим направлением в области искусственного интеллекта — из топ-200 проектов по капитализации рынка 5 проектов (Render/Akash/AIOZ Network/Golem/Nosana) сосредотачиваются на децентрализованной вычислительной мощности и за последние несколько месяцев заметно выросли. Многие проекты в низком диапазоне капитализации также видят появление платформ децентрализованной вычислительной мощности. Хотя они только начинают свой путь, они быстро наращивают обороты, особенно волной энтузиазма от конференции NVIDIA.

Исходя из характеристик трека, базовая логика проектов в этом направлении весьма однородна — использование символических стимулов для поощрения отдельных лиц или предприятий с простаивающими вычислительными ресурсами к предоставлению ресурсов, тем самым значительно снижая затраты на использование и создавая рынок спроса и предложения на вычислительные мощности. В настоящее время основными источниками вычислительной мощности являются центры обработки данных, майнеры (особенно после перехода Ethereum на PoS), вычислительные мощности потребительского уровня и коллаборации с другими проектами. Несмотря на гомогенизацию, это трасса, на которой ведущие проекты имеют высокие рвы. Основными конкурентными преимуществами проектов являются: вычислительные мощности, цены лизинга вычислительных мощностей, коэффициенты использования вычислительных мощностей и другие технические преимущества. Ведущими проектами в этом направлении являются Akash, Render, io.net и Gensyn.

Согласно конкретным бизнес-направлениям, проекты можно грубо разделить на две категории: вывод модели ИИ и обучение модели ИИ. Поскольку требования к вычислительной мощности и пропускной способности для обучения модели ИИ намного выше, чем для вывода, а рынок вывода моделей быстро расширяется, предсказуемый доход будет значительно выше, чем при обучении модели в будущем. Поэтому в настоящее время подавляющее большинство проектов сосредоточены на направлении вывода (Akash, Render, io.net), с Gensyn, сосредоточившись на обучении. Среди них Акаш и Рендер изначально не были разработаны для вычислений в области искусственного интеллекта. Акаш изначально использовался для общих вычислений, в то время как Рендер в основном использовался для рендеринга видео и изображений. io.net специально разработан для вычислений в области искусственного интеллекта, но после того, как искусственный интеллект повысил уровень вычислительного спроса, все эти проекты стали развиваться в направлении искусственного интеллекта.

Важнейшими двумя конкурентными показателями по-прежнему являются сторона предложения (вычислительные мощности) и сторона спроса (использование вычислительных мощностей). Akash имеет 282 графических процессора и более 20 000 процессоров, с более чем 160 000 завершенных договоров аренды, а коэффициент использования сети графических процессоров составляет 50-70%, что является хорошим показателем в этом направлении. io.net имеет 40 272 графических процессора и 5 958 центральных процессоров, а также 4 318 графических процессоров и 159 процессоров Render, а также лицензию на использование 1 024 графических процессоров Filecoin, включая около 200 H100 и тысячи A100. io.net привлекает вычислительные мощности с чрезвычайно высокими ожиданиями от аирдропа, а данные GPU быстро растут, что требует переоценки его способности привлекать ресурсы после листинга токена. Render и Gensyn не раскрывают конкретных данных. Кроме того, многие проекты повышают свою конкурентоспособность как со стороны спроса, так и со стороны предложения за счет сотрудничества в рамках экосистемы. Например, io.net использует вычислительные мощности Render и Filecoin для увеличения собственных запасов ресурсов, а Render создала программу Computing Client Program (RNP-004), позволяющую пользователям косвенно получать доступ к вычислительным ресурсам Render через вычислительные клиенты, такие как io.net, Nosana, FedMl и Beam, быстро переходя от области рендеринга к вычислениям искусственного интеллекта.

Кроме того, верификация децентрализованных вычислений остается вызовом — как доказать, что работники с вычислительными ресурсами правильно выполняют вычислительные задачи. Gensyn пытается установить такой уровень верификации, обеспечивая правильность вычислений с помощью вероятностных доказательств обучения, протоколов точной позиционировки на основе графов и стимулов. Валидаторы и репортеры совместно проверяют вычисления в Gensyn, поэтому, помимо обеспечения вычислительной поддержки для децентрализованного обучения, его установленный механизм верификации также имеет уникальную ценность. Протокол вычислений Fluence, расположенный на Solana, также улучшает валидацию вычислительных задач. Разработчики могут проверить, работают ли их приложения ожидаемым образом и правильно ли выполняются вычисления, изучая доказательства, предоставленные он-чейн провайдерами. Однако практическая необходимость все еще отдает предпочтение осуществимости перед надежностью. Вычислительные платформы должны сначала иметь достаточную вычислительную мощность, чтобы быть конкурентоспособными. Конечно, для отличных протоколов верификации есть возможность получать вычислительные ресурсы из других платформ, служа валидационными и протокольными слоями, играющими уникальную роль.

5.3 Децентрализованная модель

Описанный Виталиком конечный сценарий, изображенный на диаграмме ниже, все еще очень далек. В настоящее время мы не можем достичь доверенного черного ящика ИИ, созданного с использованием блокчейна и технологий шифрования, чтобы решить проблему атакующего машинного обучения. Шифрование всего процесса ИИ от обучающих данных до выходов запросов несет значительные затраты. Однако в настоящее время существуют проекты, пытающиеся поощрить создание лучших моделей ИИ. Они сначала устраняют изолированные состояния между различными моделями, создавая среду, в которой модели могут учиться друг у друга, сотрудничать и участвовать в здоровой конкуренции. Bittensor является одним из наиболее репрезентативных проектов в этом отношении.

Bittensor: Bittensor облегчает интеграцию различных моделей искусственного интеллекта, но важно отметить, что сам Bittensor не занимается обучением моделей; скорее, он в основном предоставляет услуги вывода искусственного интеллекта. Его 32 подсети фокусируются на различных направлениях обслуживания, таких как извлечение данных, генерация текста, Text2Image и т. д. При выполнении задач модели искусственного интеллекта, принадлежащие различным направлениям, могут сотрудничать друг с другом. Система стимулирования стимулирует конкуренцию между подсетями и внутри подсетей. В настоящее время вознаграждения распределяются по тарифу 1 TAO за блок, что составляет приблизительно 7200 токенов TAO в день. 64 валидатора в SN0 (Корневая сеть) определяюткоэффициент распределениясреди различных подсетей, основываясь на производительности подсети. Валидаторы подсети, с другой стороны, определяют коэффициент распределения среди различных майнеров на основе оценки их работы. В результате более эффективные сервисы и модели получают больше стимулов, способствуя общему улучшению качества вывода системы.

6 Заключение: это MEME просто хайп или технологическая революция?

От действий Сэма Альтмана, стимулирующих взлетные цены ARKM и WLD, до конференции Nvidia, способствующей ряду участвующих проектов, многие корректируют свои инвестиционные идеи в области искусственного интеллекта. Что преимущественно движет отрасль искусственного интеллекта: спекуляции на мемы или технологическая революция?

Помимо нескольких тем, связанных с знаменитостями (таких как ARKM и WLD), общее поле искусственного интеллекта в сфере криптовалют кажется скорее "мемом, двигаемым технологическим повествованием".

С одной стороны, общие спекуляции в области крипто-ИИ, несомненно, тесно связаны с прогрессом ИИ Web2. Внешняя шумиха, возглавляемая такими организациями, как OpenAI, послужит катализатором для области крипто-ИИ. С другой стороны, история сферы искусственного интеллекта по-прежнему вращается вокруг технологических нарративов. Тем не менее, очень важно сделать акцент на «технологическом нарративе», а не только на самой технологии. Это подчеркивает важность выбора конкретных направлений в сфере ИИ и внимания к основам проекта. Необходимо найти нарративные направления со спекулятивной ценностью, а также проекты с долгосрочной конкурентоспособностью и рвами.

Рассматривая четыре потенциальные комбинации, предложенные Виталиком, мы видим баланс между художественным очарованием и выполнимостью. В первой и второй категориях, представленных приложениями искусственного интеллекта, мы наблюдаем много оберток GPT. Хотя эти продукты быстро разворачиваются, они также обладают высокой степенью бизнес-однородности. Преимущество первого игрока, экосистемы, пользовательская база и доход становятся историями, рассказываемыми в контексте однородной конкуренции. Третья и четвертая категории представляют собой великие повествования, объединяющие искусственный интеллект с криптовалютой, такие как сети сотрудничества Agent on-chain, zkML и децентрализованное переформатирование искусственного интеллекта. Они все еще находятся на ранних стадиях, и проекты с технологическими инновациями быстро привлекут средства, даже если они находятся только на ранних стадиях реализации.

Оговорка:

1. Эта статья перепечатана из [Метрики Венчурс]. Перевести оригинальный заголовок‘Metrics Ventures研报 | 从V神文章出发，Crypto×AI有哪些值得关注的细分赛道？’.Все авторские права принадлежат оригинальному автору [@charlotte0211z，@BlazingKevin_，Metrics Ventures]. Если у вас есть возражения по поводу этого повторного издания, пожалуйста, свяжитесь Gate Learnкоманда, и они быстро справятся с этим.
2. Отказ от ответственности: Взгляды и мнения, выраженные в этой статье, являются исключительно мнением автора и не являются инвестиционной рекомендацией.
3. Переводы статьи на другие языки выполняются командой Gate Learn. Если не указано иное, копирование, распространение или плагиат переведенных статей запрещены.