OSG Ventures: Mengungkap narasi baru untuk infra dari tumpukan teknologi AI x Web3

2024-04-02 03:07:18

Sumber asli: IOSG Ventures

Kata Pengantar

Pesatnya perkembangan model bahasa besar (LLM) baru-baru ini telah memicu minat untuk menggunakan kecerdasan buatan (AI) untuk mentransformasikan berbagai industri. Industri blockchain juga tidak kebal, dengan munculnya narasi AI x Crypto yang membawanya menjadi sorotan. Artikel ini membahas tiga cara utama untuk menggabungkan AI dan kriptografi, dan mengeksplorasi peluang unik teknologi blockchain untuk memecahkan masalah industri AI.

Tiga pendekatan AIxCrypto meliputi:

Mengintegrasikan AI ke dalam produk yang sudah ada: Perusahaan seperti Dune menggunakan AI untuk menyempurnakan produk mereka, seperti memperkenalkan kopilot SQL untuk membantu pengguna menulis kueri yang kompleks.
Membangun infrastruktur AI untuk ekosistem kripto: Startup seperti Ritual dan Autonolas fokus pada pengembangan infrastruktur berbasis AI yang disesuaikan dengan kebutuhan ekosistem kripto.
Menggunakan blockchain untuk memecahkan masalah industri AI: Proyek seperti Gensyn, EZKL dan io.net sedang mengeksplorasi bagaimana teknologi blockchain dapat memecahkan tantangan yang dihadapi industri AI, seperti privasi data, keamanan dan transparansi.

Hal unik dari AI x Crypto adalah teknologi blockchain diharapkan dapat menyelesaikan permasalahan yang melekat pada industri AI. Persimpangan unik ini membuka kemungkinan baru untuk solusi inovatif yang bermanfaat bagi komunitas AI dan blockchain.

Dalam mempelajari ruang AI x Crypto, kami bertujuan untuk mengidentifikasi dan menampilkan aplikasi teknologi blockchain yang paling menjanjikan dalam memecahkan tantangan industri AI. Dengan bermitra dengan pakar industri AI dan pembuat kripto, kami berkomitmen untuk mempromosikan pengembangan solusi mutakhir yang memanfaatkan kekuatan kedua teknologi tersebut.

1. Tinjauan Industri

Bidang AI x Crypto dapat dibagi menjadi dua kategori: infrastruktur dan aplikasi. Meskipun beberapa infrastruktur yang ada terus mendukung kasus penggunaan AI, pemain baru meluncurkan arsitektur asli AI yang sepenuhnya baru di pasar.

1. 1 Jaringan Komputasi

Di bidang AIxCrypto, jaringan komputasi memainkan peran penting dalam menyediakan infrastruktur yang dibutuhkan untuk aplikasi AI. Jaringan ini dapat dibagi menjadi dua jenis berdasarkan tugas yang didukungnya: jaringan komputasi tujuan umum dan jaringan komputasi khusus.

1.1.1 Jaringan Komputasi Umum

Jaringan komputasi umum seperti IO.net dan Akash menawarkan pengguna kesempatan untuk mengakses mesin melalui SSH dan menyediakan antarmuka baris perintah (CLI) yang memungkinkan pengguna membangun aplikasi mereka sendiri. Jaringan ini mirip dengan server pribadi virtual (VPS), yang menyediakan lingkungan komputasi personal di cloud.

IO.net didasarkan pada ekosistem Solana dan berfokus pada penyewaan GPU dan cluster komputasi, sementara Akash, berdasarkan ekosistem Cosmos, terutama menyediakan server cloud CPU dan berbagai templat aplikasi.

Pandangan IOSG Ventures:

Dibandingkan dengan pasar cloud Web2 yang matang, jaringan komputasi masih dalam tahap awal. Jaringan komputasi Web3 tidak memenuhi blok bangunan “Lego” Web2, seperti fungsi tanpa server, VPS, dan proyek cloud database berdasarkan penyedia cloud utama seperti AWS, Azure, dan Google Cloud.

Keuntungan jaringan komputasi meliputi:

Teknologi Blockchain dapat memanfaatkan sumber daya komputasi dan komputer pribadi yang tidak terpakai untuk membuat jaringan lebih berkelanjutan.
Desain peer-to-peer (P2P) memungkinkan individu memonetisasi sumber daya komputasi yang tidak terpakai dan menyediakan komputasi berbiaya lebih rendah, sehingga berpotensi mengurangi biaya sebesar 75%-90%.

Namun, sulit bagi jaringan komputasi untuk diproduksi secara aktual dan menggantikan layanan cloud Web2 karena tantangan berikut:

Penetapan harga tentu saja merupakan keunggulan utama jaringan komputasi umum, namun masih sulit untuk bersaing dengan perusahaan cloud Web2 yang sudah matang dalam hal fungsionalitas, keamanan, dan stabilitas.
Gaya peer-to-peer mungkin membatasi kemampuan jaringan ini untuk menghasilkan produk yang matang dan kuat dengan cepat. Sifat desentralisasi akan meningkatkan biaya pengembangan dan pemeliharaan.

1.1.2 Jaringan Komputasi Pribadi

Jaringan komputasi pribadi menambahkan lapisan ekstra ke jaringan komputasi tujuan umum, memungkinkan pengguna untuk menyebarkan aplikasi tertentu melalui file konfigurasi. Jaringan ini dirancang untuk memenuhi kasus penggunaan tertentu, seperti rendering 3D atau inferensi dan pelatihan AI.

Render adalah jaringan komputasi profesional yang berfokus pada rendering 3D. Di bidang AI, pemain baru seperti Bittensor, Hyperbolic, Ritual, dan Fetch.ai fokus pada inferensi AI, sementara Flock dan Gensyn fokus pada pelatihan AI.

![OSG Ventures: Mengungkap narasi baru infra dari AI

Pandangan IOSG Ventures:

Keuntungan dari jaringan komputasi khusus:

Fitur desentralisasi dan kripto memecahkan masalah umum sentralisasi dan transparansi di industri AI.
Jaringan komputasi tanpa izin dan skema verifikasi memastikan validitas proses inferensi dan pelatihan.
Teknologi yang menjaga privasi, seperti pembelajaran gabungan yang diterapkan oleh Flock, memungkinkan individu menyumbangkan data ke pelatihan model sambil menjaga data mereka tetap lokal dan pribadi.
Dengan mendukung integrasi kontrak pintar dengan aplikasi blockchain hilir, penalaran AI dapat digunakan langsung di blockchain.

Sumber: IOSG Ventures

Meskipun jaringan komputasi pelatihan dan inferensi AI khusus masih dalam tahap awal, kami mengantisipasi bahwa aplikasi AI Web3 akan memprioritaskan penggunaan infrastruktur AI Web3. Tren ini sudah terlihat dalam kolaborasi seperti Story Protocol dan kemitraan Ritual dengan MyShell untuk memperkenalkan model AI sebagai kekayaan intelektual.

Meskipun aplikasi-aplikasi mematikan yang dibangun di atas infrastruktur AI x Web3 yang sedang berkembang ini belum muncul, potensi pertumbuhannya sangat besar. Seiring dengan semakin matangnya ekosistem, kami berharap dapat melihat lebih banyak aplikasi inovatif yang memanfaatkan kemampuan unik jaringan komputasi AI yang terdesentralisasi.

2.Data

Data memainkan peran penting dalam model AI, dan data terlibat dalam semua tahap pengembangan model AI, termasuk pengumpulan data, penyimpanan kumpulan data pelatihan, dan penyimpanan model.

2.1 Penyimpanan Data

Penyimpanan model AI yang terdesentralisasi sangat penting untuk menyediakan API inferensi dengan cara yang terdesentralisasi. Node inferensi harus dapat mengambil model ini dari mana saja dan kapan saja. Dengan model AI yang berpotensi mencapai ukuran ratusan gigabyte, diperlukan jaringan penyimpanan terdesentralisasi yang kuat. Pemimpin dalam penyimpanan terdesentralisasi, seperti Filecoin dan Arweave, mungkin dapat menyediakan fungsi ini.

Pandangan IOSG Ventures:

Ada peluang besar di bidang ini.

Jaringan penyimpanan data terdesentralisasi yang dioptimalkan untuk model AI, menyediakan fungsi seperti kontrol versi, penyimpanan berbagai kuantifikasi model presisi rendah, dan pengunduhan cepat model besar.
Basis data vektor terdesentralisasi, karena sering kali digabungkan dengan model, memberikan jawaban yang lebih akurat dengan memasukkan pengetahuan penting yang relevan dengan pertanyaan. Database SQL yang ada juga dapat ditambahkan dengan dukungan pencarian vektor.

2.2 Pengumpulan dan pelabelan data

Mengumpulkan data berkualitas tinggi sangat penting untuk pelatihan AI. Proyek berbasis blockchain seperti Grass menggunakan crowdsourcing untuk mengumpulkan data untuk pelatihan AI, memanfaatkan jaringan pribadi. Dengan insentif dan mekanisme yang tepat, pelatih AI dapat memperoleh data berkualitas tinggi dengan biaya lebih rendah. Proyek seperti Tai-da dan Saipen fokus pada pelabelan data.

Pandangan IOSG Ventures:

Beberapa pengamatan kami terhadap pasar ini:

Sebagian besar proyek pelabelan data terinspirasi oleh GameFi, menarik pengguna dengan konsep “tag untuk mendapatkan” dan pengembang dengan janji menurunkan biaya untuk data berlabel berkualitas tinggi.
Saat ini tidak ada pemimpin yang jelas dalam bidang ini, dan Scale AI mendominasi pasar pelabelan data Web2.

2.3 Data blockchain

Saat melatih model AI khusus untuk blockchain, pengembang memerlukan data blockchain berkualitas tinggi yang ingin mereka gunakan secara langsung dalam proses pelatihan mereka. Spice AI dan Space and Time menyediakan data blockchain berkualitas tinggi dengan SDK, memungkinkan pengembang dengan mudah mengintegrasikan data ke dalam saluran data pelatihan mereka.

Pandangan IOSG Ventures:

Seiring dengan meningkatnya permintaan akan model AI terkait blockchain, permintaan akan data blockchain berkualitas tinggi akan meningkat. Namun, sebagian besar alat analisis data saat ini hanya menyediakan kemampuan untuk mengekspor data dalam format CSV, yang tidak ideal untuk tujuan pelatihan AI.

Untuk memfasilitasi pengembangan model AI khusus blockchain, sangat penting untuk meningkatkan pengalaman pengembang dengan menyediakan lebih banyak kemampuan operasi pembelajaran mesin (MLOP) terkait blockchain. Fitur-fitur ini akan memungkinkan pengembang untuk mengintegrasikan data blockchain secara langsung ke dalam jalur pelatihan AI berbasis Python mereka.

##3.ZKML

Penyedia AI terpusat menghadapi masalah kepercayaan karena insentif untuk menggunakan model yang tidak terlalu rumit guna mengurangi biaya komputasi. Misalnya, ada saat-saat di tahun lalu ketika pengguna menganggap ChatGPT berkinerja buruk. Hal ini kemudian dikaitkan dengan pembaruan OpenAI yang bertujuan untuk meningkatkan kinerja model.

Selain itu, pembuat konten telah menyampaikan permasalahan hak cipta kepada perusahaan AI. Sulit bagi perusahaan-perusahaan ini untuk membuktikan bahwa data spesifik tidak disertakan dalam proses pelatihan mereka.

Pembelajaran mesin tanpa pengetahuan (ZKML) adalah pendekatan inovatif yang memecahkan masalah kepercayaan yang terkait dengan penyedia kecerdasan buatan terpusat. Dengan memanfaatkan bukti tanpa pengetahuan, ZKML memungkinkan pengembang membuktikan kebenaran proses pelatihan dan inferensi AI mereka tanpa mengungkapkan data sensitif atau detail model.

3.1 Pelatihan

Pengembang dapat melakukan tugas pelatihan di mesin virtual tanpa pengetahuan (ZKVM), seperti yang disediakan oleh Risc Zero. Proses ini menghasilkan bukti yang memverifikasi bahwa pelatihan telah dilakukan dengan benar dan hanya data resmi yang digunakan. Sertifikasi ini berfungsi sebagai bukti bahwa pengembang mematuhi spesifikasi pelatihan dan izin penggunaan data yang sesuai.

Pandangan IOSG Ventures:

ZKML memberikan solusi unik untuk membuktikan penggunaan data resmi dalam pelatihan model, yang seringkali sulit dicapai mengingat sifat model AI yang tidak dapat diterima. *Teknologi ini masih dalam tahap awal. Overhead komputasi sangat besar. Komunitas secara aktif mengeksplorasi lebih banyak kasus penggunaan untuk pelatihan ZK.

3.2 Penalaran

ZKML memerlukan waktu yang jauh lebih lama untuk menyimpulkan dibandingkan dengan versi pelatihannya. Sudah ada beberapa perusahaan terkenal yang bermunculan di bidang ini, masing-masing dengan pendekatan unik untuk membuat inferensi pembelajaran mesin tidak dapat dipercaya dan transparan.

Giza berfokus pada pembangunan platform Operasi Pembelajaran Mesin (MLOP) yang komprehensif dan membangun komunitas yang dinamis di sekitarnya. Tujuan mereka adalah menyediakan alat dan sumber daya kepada pengembang untuk mengintegrasikan ZKML ke dalam alur kerja inferensi.

EZKL, di sisi lain, mengutamakan pengalaman pengembangan dengan menciptakan kerangka ZKML yang ramah pengguna dan memberikan kinerja yang baik. Solusi mereka dirancang untuk menyederhanakan proses penerapan inferensi ZKML dan membuatnya mudah diakses oleh lebih banyak pengembang.

Modulus Labs mengambil pendekatan berbeda, mengembangkan sistem pembuktiannya sendiri. Tujuan utamanya adalah untuk secara signifikan mengurangi overhead komputasi yang terkait dengan inferensi ZKML. Dengan mengurangi overhead sebanyak 10 kali lipat, Modulus Labs berupaya menjadikan inferensi ZKML lebih praktis dan efisien untuk aplikasi dunia nyata.

Pandangan IOSG Ventures:

ZKML sangat berguna dalam skenario GameFi dan DeFi di mana ketidakpercayaan sangat penting.
Overhead komputasi yang diperkenalkan oleh ZKML menyulitkan menjalankan model AI besar secara efisien.
Industri masih mencari pionir DeFi dan GameFi untuk banyak menggunakan ZKML dalam produk mereka untuk mendemonstrasikan skenario penerapan praktisnya.

4. Jaringan proxy + aplikasi lain

4.1 Jaringan proksi

Jaringan agen terdiri dari sejumlah agen kecerdasan buatan yang dilengkapi dengan alat dan pengetahuan untuk melakukan tugas tertentu, seperti membantu transaksi on-chain. Agen-agen ini dapat berkolaborasi satu sama lain untuk mencapai tujuan yang lebih kompleks. Beberapa perusahaan ternama sedang aktif mengembangkan agen dan jaringan agen mirip chatbot.

Sleepless, Siya, Myshell, characterX, dan Delysium adalah pemain penting yang membangun agen chatbot. Autonolas dan ChainML sedang membangun jaringan proxy untuk kasus penggunaan yang lebih kuat.

Pandangan IOSG Ventures:

Agen sangat penting untuk aplikasi dunia nyata. Mereka dapat melakukan tugas-tugas tertentu lebih baik daripada kecerdasan buatan pada umumnya. Blockchain menawarkan beberapa peluang unik bagi agen kecerdasan buatan.

Memiliki mekanisme insentif: Blockchain menyediakan mekanisme insentif melalui teknologi seperti non-fungible token (NFT). Dengan struktur kepemilikan dan insentif yang jelas, kreator diberi insentif untuk mengembangkan agen on-chain yang lebih menarik dan inovatif.
Komposabilitas kontrak pintar: Kontrak pintar di blockchain sangat dapat disusun dan beroperasi seperti balok Lego. API terbuka yang disediakan oleh kontrak pintar memungkinkan agen melakukan tugas kompleks yang sulit dicapai dalam sistem keuangan tradisional. Komposabilitas ini memungkinkan agen untuk berinteraksi dan memanfaatkan fungsionalitas berbagai aplikasi terdesentralisasi (dApps).
Keterbukaan yang melekat: Dengan membangun proxy di blockchain, mereka mewarisi keterbukaan dan transparansi yang melekat pada jaringan ini. Hal ini menciptakan peluang yang signifikan untuk keterpaduan antara agen-agen yang berbeda, memungkinkan mereka untuk bekerja sama dan menggabungkan kemampuan mereka untuk menyelesaikan tugas-tugas yang lebih kompleks.

4.2 Aplikasi lainnya

Selain kategori utama yang dibahas sebelumnya, ada beberapa aplikasi AI menarik yang mendapat perhatian di ruang Web3, meskipun aplikasi tersebut mungkin tidak cukup besar untuk membentuk kategori terpisah. Aplikasi ini menjangkau berbagai bidang dan menunjukkan keragaman dan potensi kecerdasan buatan dalam ekosistem blockchain.

Pembuatan gambar: ImgnAI
Realisasi gambar cepat: NF
Pembuatan gambar AI yang dilatih komunitas: Botto
Chatbots: Kaito, Supersight, Galaxy, Kn n3, QA Luar Biasa, Qna3
Keuangan: Nomor AI
Dompet: Fajar_dompet
Permainan: TCG Paralel
Pendidikan: Ketagihan
Keamanan: Forta
MELAKUKAN：Worldcoin
Alat Pembuat: Plai Lab

5. Promosikan AIxCrypto ke pengguna Web2 untuk adopsi massal

AI x Crypto unik karena memecahkan masalah tersulit dalam kecerdasan buatan. Terlepas dari kesenjangan antara produk AIxCrypto saat ini dan produk AI Web2 serta kurangnya daya tariknya bagi pengguna Web2, AIxCrypto masih memiliki beberapa fitur unik yang hanya dapat disediakan oleh AIxCrypto.

5.1 Sumber daya komputasi hemat biaya:

Keuntungan utama AIxCrypto adalah penyediaan sumber daya komputasi yang hemat biaya. Seiring dengan meningkatnya permintaan LLM dan semakin banyak pengembang di pasar, ketersediaan dan harga GPU menjadi lebih menantang. Harga GPU telah meningkat secara signifikan, dan terdapat kekurangan.

Jaringan komputasi terdesentralisasi seperti proyek DePIN dapat membantu mengatasi masalah ini dengan memanfaatkan daya komputasi yang menganggur, GPU di pusat data kecil, dan perangkat komputasi pribadi. Meskipun daya komputasi yang terdesentralisasi mungkin tidak sestabil layanan cloud terpusat, jaringan ini menyediakan peralatan komputasi yang hemat biaya di berbagai wilayah. Pendekatan desentralisasi ini meminimalkan latensi edge, memastikan infrastruktur yang lebih terdistribusi dan tangguh.

Dengan memanfaatkan kekuatan jaringan komputasi terdesentralisasi, AIxCrypto dapat menyediakan sumber daya komputasi yang terjangkau dan dapat diakses oleh pengguna Web2. Keunggulan biaya ini menarik bagi pengguna Web2 untuk mengadopsi solusi AIxCrypto, terutama karena permintaan komputasi AI terus meningkat.

5.2 Memberikan kepemilikan kepada pencipta:

Manfaat penting lainnya dari AI x Crypto adalah perlindungan hak kepemilikan pencipta. Di bidang kecerdasan buatan saat ini, beberapa agen dapat dengan mudah ditiru. Agen-agen ini dapat dengan mudah direplikasi hanya dengan menulis perintah serupa. Selain itu, proxy di penyimpanan GPT sering kali dimiliki oleh perusahaan terpusat dan bukan milik kreator, sehingga membatasi kendali kreator atas karya mereka dan kemampuan mereka untuk melakukan monetisasi secara efektif.

AI x Crypto memecahkan masalah ini dengan memanfaatkan teknologi NFT matang yang ada di mana-mana di bidang kripto. Dengan mewakili agensi sebagai NFT, pencipta benar-benar dapat memiliki kreasi mereka dan menerima pendapatan nyata darinya. Setiap kali pengguna berinteraksi dengan agen, pembuat konten dapat memperoleh insentif, sehingga memastikan imbalan yang adil atas upaya mereka. Konsep kepemilikan berbasis NFT tidak hanya berlaku untuk agen, tetapi juga dapat digunakan untuk melindungi aset penting lainnya di bidang kecerdasan buatan, seperti basis pengetahuan dan tip.

5.3 Melindungi privasi dan membangun kembali kepercayaan:

Pengguna dan pembuat konten memiliki kekhawatiran privasi terhadap perusahaan AI terpusat. Pengguna khawatir data mereka akan disalahgunakan untuk melatih model masa depan, sementara pembuat konten khawatir karya mereka akan digunakan tanpa atribusi atau kompensasi yang sesuai. Selain itu, perusahaan AI terpusat mungkin mengorbankan kualitas layanan untuk mengurangi biaya infrastruktur.

Masalah-masalah ini sulit dipecahkan dengan teknologi Web2, dan AIxCrypto memanfaatkan solusi Web3 yang canggih. Pelatihan dan inferensi tanpa pengetahuan memberikan transparansi dengan membuktikan data yang digunakan dan memastikan model yang benar diterapkan. Teknologi seperti Trusted Execution Environment (TEE), pembelajaran gabungan, dan enkripsi homomorfik sepenuhnya (FHE) memungkinkan pelatihan dan inferensi AI yang aman dan menjaga privasi.

Dengan memprioritaskan privasi dan transparansi, AIxCrypto memungkinkan perusahaan AI mendapatkan kembali kepercayaan publik dan menyediakan layanan AI yang menghormati hak pengguna, membedakannya dari solusi Web2 tradisional.

5.3 Melindungi privasi dan membangun kembali kepercayaan:

Pengguna dan pencipta memiliki kekhawatiran privasi terhadap perusahaan AI terpusat. Pengguna khawatir data mereka akan disalahgunakan untuk melatih model masa depan, sementara pembuat konten khawatir karya mereka akan digunakan tanpa atribusi atau kompensasi yang sesuai. Selain itu, perusahaan AI terpusat mungkin mengorbankan kualitas layanan untuk mengurangi biaya infrastruktur.

5.4 Melacak sumber konten

Seiring dengan semakin canggihnya konten yang dihasilkan oleh AI, semakin sulit untuk membedakan antara teks, gambar, atau video yang dibuat oleh manusia dan yang dibuat oleh AI. Untuk mencegah penyalahgunaan konten yang dihasilkan AI, masyarakat memerlukan cara yang andal untuk menentukan sumber konten.

Blockchain unggul dalam melacak asal konten, seperti yang berhasil dilakukannya dalam manajemen rantai pasokan dan NFT. Dalam industri rantai pasokan, blockchain melacak seluruh siklus hidup suatu produk, dan pengguna dapat mengidentifikasi produsen dan tonggak penting. Demikian pula, blockchain melacak pencipta dan mencegah pembajakan dalam kasus NFT, yang sangat rentan terhadap pembajakan karena sifat publiknya. Terlepas dari kerentanan ini, pemanfaatan blockchain dapat meminimalkan kerugian akibat NFT palsu karena pengguna dapat dengan mudah membedakan token asli dan palsu.

Dengan menerapkan teknologi blockchain untuk melacak asal-usul konten yang dihasilkan AI, AIxCrypto memberi pengguna kemampuan untuk memverifikasi apakah pembuat konten adalah AI atau manusia, sehingga mengurangi potensi penyalahgunaan dan meningkatkan kepercayaan terhadap keaslian konten.

5.5 Mengembangkan model menggunakan mata uang kripto

Merancang dan melatih model, terutama model berukuran besar, merupakan proses yang mahal dan memakan waktu. Ada juga ketidakpastian seputar model baru ini, dan pengembang tidak dapat memprediksi kinerjanya.

Cryptocurrency menyediakan cara yang ramah pengembang untuk mengumpulkan data pra-pelatihan, mengumpulkan umpan balik pembelajaran penguatan, dan melakukan penggalangan dana dari pihak-pihak yang berkepentingan. Prosesnya mirip dengan siklus hidup proyek mata uang kripto pada umumnya: menggalang dana melalui investasi swasta atau landasan peluncuran, dan melepaskan token ke kontributor aktif pada saat peluncuran.

Model dapat mengambil pendekatan serupa, mengumpulkan dana untuk pelatihan dengan menjual token dan mengirimkan token ke kontributor data dan masukan. Dengan model ekonomi token yang dirancang dengan baik, alur kerja ini membantu pengembang individu melatih model baru dengan lebih mudah dibandingkan sebelumnya.

6. Tantangan Tokennomics

Proyek AI x Crypto mulai menargetkan pengembang Web2 sebagai pelanggan potensial karena enkripsi memiliki proposisi nilai yang unik dan ukuran pasar industri kecerdasan buatan Web2 cukup besar. Namun, token dapat menjadi hambatan bagi pengembang Web2 yang tidak terbiasa dengan token dan enggan terlibat dengan sistem berbasis token.

Untuk melayani pengembang Web2, mengurangi atau menghapus kegunaan token dapat menyebabkan kebingungan bagi para penggemar Web3, karena hal itu dapat mengubah pendirian fundamental proyek AI x Crypto. Saat berupaya mengintegrasikan token berharga ke dalam platform AI SaaS, menemukan keseimbangan antara menarik pengembang Web2 dan mempertahankan kegunaan token adalah tugas yang menantang.

Untuk menjembatani kesenjangan antara model bisnis Web2 dan Web3 sambil mempertahankan nilai token, ada beberapa pendekatan potensial yang dapat dipertimbangkan:

Memanfaatkan token dalam jaringan infrastruktur terdistribusi proyek. Menerapkan mekanisme staking, reward, dan punishment untuk melindungi jaringan yang mendasarinya.
Gunakan token sebagai metode pembayaran dan berikan akses untuk pengguna Web2
Menerapkan tata kelola berbasis token
Bagikan keuntungan dengan pemegang token
Gunakan hasil untuk membeli kembali atau menghancurkan token
Layanan yang disediakan untuk proyek, menawarkan diskon dan fitur tambahan kepada pemegang token

Dengan hati-hati merancang model ekonomi token yang selaras dengan kepentingan Web2 dan Web3, proyek AI x Crypto berhasil menarik pengembang Web2 sambil mempertahankan nilai dan kegunaan tokennya.

7. Skenario AI x Crypto favorit kami

Skenario AI x Crypto favorit kami memanfaatkan kekuatan kolaborasi pengguna untuk menyelesaikan tugas di bidang kecerdasan buatan dengan bantuan teknologi blockchain. Beberapa contoh spesifiknya meliputi:

Kontribusi data kolektif untuk pelatihan, penyelarasan, dan benchmarking AI (seperti Chatbot Arena)
Berkolaborasi untuk membangun basis pengetahuan bersama yang besar yang dapat digunakan oleh berbagai agen (misalnya Sahara)
Gunakan sumber daya pribadi untuk menangkap data jaringan (misalnya, Rumput)

Dengan memanfaatkan upaya kolektif pengguna berdasarkan insentif dan koordinasi blockchain, model ini menunjukkan potensi pendekatan terdesentralisasi dan berbasis komunitas terhadap pengembangan dan penerapan AI.

Kesimpulannya

Kita berada pada tahap awal AI dan Web3, dan integrasi AI dan blockchain masih dalam tahap awal dibandingkan dengan industri lain. Di antara 50 produk AI Generasi teratas, tidak ada produk yang terkait dengan Web3. Alat LLM teratas terkait dengan pembuatan dan pengeditan konten, terutama untuk penjualan, rapat, dan catatan/basis pengetahuan. Mengingat penelitian ekstensif, dokumentasi, penjualan, dan upaya komunitas di ekosistem Web3, terdapat potensi besar untuk pengembangan alat LLM khusus.

Saat ini, para pengembang fokus membangun infrastruktur untuk menghadirkan model AI yang canggih ke dalam rantai pasokan, meskipun kami belum mencapainya. Saat kami terus mengembangkan infrastruktur ini, kami juga menjajaki skenario pengguna terbaik untuk melakukan inferensi AI on-chain dengan cara yang aman dan tidak dapat dipercaya, yang memberikan peluang unik di ruang blockchain. Industri lain dapat langsung menggunakan infrastruktur LLM yang ada untuk inferensi dan penyesuaian. Hanya industri blockchain yang memerlukan infrastruktur AI aslinya sendiri.

Dalam waktu dekat, kami berharap teknologi blockchain dapat memanfaatkan keunggulan peer-to-peer untuk memecahkan masalah paling menantang dalam industri kecerdasan buatan, menjadikan model AI lebih terjangkau, mudah diakses, dan menguntungkan bagi semua orang. Kami juga memperkirakan ruang kripto akan mengikuti narasi industri AI, meskipun dengan sedikit penundaan. Selama setahun terakhir, kami telah melihat pengembang menggabungkan model Crypto, proxy, dan LLM. Dalam beberapa bulan mendatang, kita mungkin melihat lebih banyak model multi-modal, pembuatan video teks, dan generasi 3D berdampak pada ruang kripto.

Seluruh industri AI dan Web3 belum mendapat perhatian yang cukup saat ini. Kami sangat menantikan momen ledakan AI di Web3, aplikasi mematikan dari CryptoxAI.

Lihat Asli

Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.