Discussion post-anniversaire de ChatGPT : le goulot d’étranglement de l’IA générative et l’opportunité du Web3

Auteur(s) : @chenyangjamie, @GryphsisAcademy

TL ; DR:

1. Les applications commerciales de l’IA générative ont pris le monde d’assaut en 2022, mais à mesure que la nouveauté s’estompe, certains des problèmes actuels de l’IA générative deviennent apparents. Le domaine du Web3 en pleine maturité, avec la nature entièrement transparente, vérifiable et décentralisée de la blockchain, fournit de nouvelles idées pour résoudre les problèmes d’IA générative.
2. L’IA générative est une technologie émergente de ces dernières années, basée sur le cadre de réseau neuronal de l’apprentissage profond, et le modèle de propagation pour la génération d’images et le modèle de langage à grande échelle pour ChatGPT ont montré un grand potentiel de commercialisation.
3. L’architecture de mise en œuvre de l’IA générative dans le Web3 comprend l’infrastructure, les modèles, les applications et les données, parmi lesquels la partie données est particulièrement importante lorsqu’elle est combinée avec le Web3, et offre une énorme marge de développement, en particulier le modèle de données on-chain, les projets proxy d’IA et les applications verticales, qui ont le potentiel de devenir des directions de développement clés à l’avenir.
4. À l’heure actuelle, les projets populaires de la voie de l’IA dans le Web3 sur le marché ont montré les caractéristiques de fondamentaux insuffisants et de faible capacité de capture de la valeur des jetons, et ils attendent principalement avec impatience une nouvelle chaleur ou des mises à jour de l’économie des jetons à l’avenir.
5. L’IA générative a un grand potentiel dans l’espace Web3, et il y a beaucoup de nouveaux récits à attendre avec impatience à l’avenir.

1. Pourquoi l’IA générative et le Web3 ont-ils besoin l’un de l’autre ?

2022 peut être considérée comme l’année où l’IA générative (Intelligence Artificielle) a pris d’assaut le monde, avant laquelle l’IA générative n’était limitée qu’aux outils auxiliaires des travailleurs professionnels, et après l’émergence successive de Dalle-2, Stable Diffusion, Imagen et Midjourney, AI-Generated Content (abréviation). En tant qu’application technologique la plus récente, AIGC a généré une grande vague de contenu tendance sur les médias sociaux. Et ChatGPT, qui est sorti peu de temps après, a fait l’effet d’une bombe, poussant cette tendance à son apogée. En tant que premier outil d’IA capable de répondre à presque toutes les questions avec la saisie d’une simple commande textuelle (c’est-à-dire ), ChatGPT est depuis longtemps devenu un assistant de travail quotidien pour de nombreuses personnes. Pour la première fois, les gens peuvent ressentir « l’intelligence » de l’intelligence artificielle, car elle peut gérer une variété de tâches quotidiennes telles que la rédaction de documents, l’aide aux devoirs, l’assistant de messagerie, la révision de dissertations et même le tutorat émotionnel, et Internet recherche avec enthousiasme divers mystères utilisés pour optimiser les résultats générés par ChatGPT. Selon un rapport de l’équipe macroéconomique de Goldman Sachs, l’IA générative peut stimuler la croissance de la productivité du travail aux États-Unis, en augmentant la croissance du PIB mondial de 7 % (soit près de 7 000 milliards de dollars) et en augmentant la croissance de la productivité de 1,5 point de pourcentage dans les 10 ans suivant le développement de l’IA générative.

** **

Le domaine du Web3 a également ressenti la brise printanière de l’AIGC, et le secteur de l’IA a progressé dans tous les domaines en janvier 2023

Source:

Cependant, après que la nouveauté initiale se soit estompée, le trafic mondial de ChatGPT a diminué pour la première fois depuis sa sortie en juin 2023 (Source : SimilarWeb), et il est temps de repenser ce que signifie l’IA générative et quelles sont ses limites. D’après la situation actuelle, les dilemmes rencontrés par l’IA générative incluent (mais ne sont pas limités à) : premièrement, les médias sociaux sont pleins de contenu AIGC sans licence et intraçable, deuxièmement, le coût de maintenance élevé de ChatGPT a forcé OpenAI à choisir de réduire la qualité de la génération pour réduire les coûts et augmenter l’efficacité, et enfin, même les plus grands modèles du monde sont encore biaisés dans certains aspects des résultats générés.

** **

Trafic mondial de ChatGPT sur les ordinateurs de bureau et les appareils mobiles

Source: Similarweb

Dans le même temps, le Web3, qui mûrit progressivement, avec ses caractéristiques décentralisées, totalement transparentes et vérifiables, apporte une nouvelle solution au dilemme actuel de l’IA générative :

1. La transparence et la traçabilité totales du Web3 peuvent résoudre les problèmes de droit d’auteur et de confidentialité des données posés par l’IA générative. Ces deux caractéristiques du Web3 permettent de vérifier efficacement la source et l’authenticité du contenu, ce qui augmente considérablement le coût des contenus faux ou contrefaits générés par l’IA, tels que les courts remixes qui confondent les droits d’auteur ou les vidéos d’échange de visages DeepFake qui portent atteinte à la vie privée d’autres personnes. En outre, l’application de contrats intelligents dans la gestion de contenu devrait résoudre les problèmes de droit d’auteur et garantir que les créateurs de contenu puissent obtenir une rémunération plus équitable pour le contenu qu’ils créent.

** **

Vidéo DeepFake : Ce n’est pas Morgan Freeman

Source: Youtube

2. La décentralisation du Web3 peut réduire le risque de centralisation de la puissance de calcul de l’IA. L’IA générative nécessite d’énormes ressources informatiques, avec des estimations coûtant au moins 2 millions de dollars pour former un ChatGPT basé sur GPT-3 et environ 47 000 dollars par jour pour l’électricité, un chiffre qui augmente de manière exponentielle à mesure que la technologie et l’échelle évoluent. Les ressources informatiques sont encore fortement concentrées entre les mains des grandes entreprises, ce qui entraîne des coûts importants de R&D, de maintenance et d’exploitation, ainsi qu’un risque de centralisation, ce qui rend difficile la compétitivité des petites entreprises. Alors que l’entraînement de grands modèles peut encore avoir besoin d’avoir lieu dans un environnement centralisé à court terme, car l’entraînement de grands modèles nécessite beaucoup de ressources informatiques, dans le Web3, la technologie blockchain rend possible, entre autres, l’inférence de modèles distribués, la gouvernance du vote communautaire et la tokenisation des modèles. En utilisant un échange décentralisé existant comme cas mature, nous pouvons concevoir un système d’inférence de grand modèle d’IA décentralisé piloté par la communauté, dans lequel la propriété du grand modèle appartient à la communauté et est gouvernée par la communauté.

Même avec le dernier H100 à entraîner GPT-3, le coût par FLOPs est toujours élevé

Source : substake.com

3. Tirer parti des fonctionnalités du Web3 pour optimiser la diversité des jeux de données d’IA et l’interprétabilité des modèles d’IA. **Les méthodes traditionnelles de collecte de données sont essentiellement basées sur des ensembles de données publics ou sur les modélisateurs eux-mêmes, et les données collectées sont souvent limitées par la géographie et la culture. Cela peut conduire au contenu généré par le programme AIGC et aux réponses générées par ChatGPT avec le biais subjectif de certains groupes ethniques, comme le changement de couleur de peau de la tâche cible. Et avec le modèle d’incitation aux jetons du Web3, nous pouvons optimiser la façon dont nous collectons des données, en collectant et en pondérant des données provenant de tous les coins du monde. Dans le même temps, la transparence et la traçabilité totales du Web3 peuvent encore augmenter l’interprétabilité du modèle et encourager la production de divers horizons pour enrichir le modèle.

Une IA conçue pour augmenter la résolution transformerait Obama en un homme blanc

Source: Twitter

4. **Vous pouvez utiliser les données massives sur la chaîne du Web3 pour entraîner des modèles d’IA uniques. **Les méthodes actuelles de conception et d’apprentissage des modèles d’IA sont souvent basées sur la construction de la structure de données cible (texte, parole, image ou vidéo). Une orientation de développement future unique pour la combinaison du Web3 et de l’IA consiste à se référer aux méthodes de construction et d’entraînement des grands modèles en langage naturel, et à utiliser la structure de données unique des données Web3 on-chain pour établir des modèles de données on-chain volumineux. Cela offre aux utilisateurs une perspective unique que d’autres analyses de données ne peuvent pas atteindre (suivi de l’argent intelligent, tendances de financement de projets, etc.), et l’IA a l’avantage de pouvoir traiter d’énormes quantités de données simultanément par rapport à l’analyse manuelle on-chain.

L’analyse automatisée sur la chaîne, la surveillance des informations sur la chaîne permet d’obtenir des informations de première main

Source : nansen.ai

5. L’IA générative a le potentiel d’être une force puissante pour abaisser la barrière à l’entrée permettant aux gens de participer au monde du Web3. **Le modèle de participation actuel des projets Web3 exige que les participants aient une compréhension considérable de divers concepts complexes on-chain et de la logique de fonctionnement du portefeuille, ce qui augmente considérablement le coût d’apprentissage et le risque de mauvais fonctionnement pour les utilisateurs, tandis que des applications similaires dans le Web2 ont mis en œuvre le principe du « principe de l’homme paresseux » de la conception de produits depuis de nombreuses années, afin que les utilisateurs puissent commencer facilement et sans risque. On s’attend à ce que l’IA générative alimente des projets centrés sur l’intention qui peuvent améliorer considérablement l’expérience utilisateur des produits Web3 en agissant comme un « assistant intelligent » entre les utilisateurs et les protocoles du Web3.

6. Le Web3 a également créé une énorme demande de contenu, et l’IA générative est devenue un moyen clé de répondre à cette demande. L’IA générative peut créer une pléthore d’articles, d’images, de contenus audio et vidéo pour le Web3, ce qui favorise le développement d’applications décentralisées, des places de marché NFT aux documents pour les contrats intelligents, qui peuvent tous bénéficier d’un contenu diversifié généré par l’IA.

Bien que l’IA générative et le Web3 aient leurs propres défis, leurs besoins mutuels et leurs solutions collaboratives façonneront, espérons-le, l’avenir du monde numérique. Cette collaboration améliorera la qualité et la crédibilité de la création de contenu, ce qui favorisera le développement de l’écosystème numérique tout en offrant aux utilisateurs une expérience numérique plus précieuse. La co-évolution de l’IA générative et du Web3 créera un nouveau chapitre passionnant dans l’ère numérique.

Deuxièmement, un résumé technique de l’IA générative

2.1 Contexte technique de l’IA générative

Depuis l’introduction du concept d’IA dans les années 50 du 20e siècle, il y a eu plusieurs hauts et bas, et chaque innovation technologique clé apporte une nouvelle vague, et cette fois-ci, l’IA générative ne fait pas exception. En tant que concept émergent qui n’a été proposé qu’au cours des 10 dernières années, l’IA générative s’est démarquée de nombreuses sous-directions de recherche de l’IA en raison des performances éblouissantes des technologies et des produits récents, et a attiré l’attention du monde entier du jour au lendemain. Avant d’aller plus loin dans l’architecture technique de l’IA générative, nous devons d’abord expliquer la signification spécifique de l’IA générative discutée dans cet article, et passer brièvement en revue les composants techniques de base de l’IA générative, qui a explosé récemment.

L’IA générative est un type d’IA qui peut être utilisé pour créer de nouveaux contenus et idées, notamment des conversations, des histoires, des images, des vidéos et de la musique, et est un modèle construit sur un cadre de réseau neuronal basé sur l’apprentissage profond, entraîné avec de grandes quantités de données et doté d’un grand nombre de paramètres. Les produits d’IA générative qui ont récemment attiré l’attention des gens peuvent être simplement divisés en deux catégories : l’une est constituée de produits de génération d’images (vidéos) avec saisie de texte ou de style, et l’autre est constituée de produits ChatGPT avec saisie de texte. Ces deux types de produits ont la même technologie de base, c’est-à-dire un modèle de langage pré-entraîné (LLM) basé sur l’architecture Transformer. Sur cette base, le premier type de produit ajoute un modèle de diffusion qui combine la saisie de texte pour générer des images ou des vidéos de haute qualité, et le second type de produit ajoute l’apprentissage par renforcement à partir de la rétroaction humaine (RLHF) pour atteindre un niveau logique de résultats de sortie proche de celui des humains.

2.2 Architecture technique actuelle de l’IA générative :

Bon nombre des meilleurs articles du passé ont discuté de l’importance de l’IA générative pour les architectures techniques existantes sous différents angles, comme cet article d’A16z, « Who Owns the Generative AI Platform ? », qui résume de manière exhaustive l’architecture technique actuelle de l’IA générative :

** **

La principale architecture technique de l’IA générative

Source : À qui appartient la plateforme d’IA générative ?

Dans cet article de recherche, l’architecture actuelle de l’IA générative Web2 est divisée en trois niveaux : l’infrastructure (puissance de calcul), le modèle et l’application, et donne un point de vue sur le développement actuel de ces trois niveaux.

Pour les infrastructures, bien que la logique de construction d’infrastructures dans le Web2 soit toujours le pilier, il existe encore très peu de projets d’infrastructure qui combinent véritablement le Web3 et l’IA. Dans le même temps, l’infrastructure est également la partie qui capture le plus de valeur à ce stade, et les oligarques de la technologie Web2 ont réalisé des gains considérables en « vendant des pelles » dans la phase actuelle d’exploration de l’IA en vertu de leurs décennies de culture approfondie dans le domaine du stockage et de l’informatique.

Pour les modèles, ils sont censés être les véritables créateurs et propriétaires de l’IA, mais à ce stade, il existe très peu de modèles d’affaires qui peuvent aider les auteurs du modèle à obtenir la valeur commerciale correspondante.

Pour les applications, plusieurs secteurs verticaux ont accumulé plus de centaines de millions de dollars de revenus, mais les coûts de maintenance élevés et la faible rétention des utilisateurs ne suffisent pas à soutenir un modèle commercial à long terme.

2.3 Exemples d’applications d’IA générative et de Web3

2.3.1 Application de l’IA pour analyser les données massives du Web3

**Les données sont au cœur de la construction de barrières techniques dans l’avenir du développement de l’IA. Pour comprendre pourquoi c’est important, regardons une étude sur les sources de performance des grands modèles. Cette étude montre que les grands modèles d’IA présentent une capacité unique à émerger : en augmentant la taille du modèle, la précision du modèle va soudainement exploser lorsqu’un certain seuil est dépassé. Comme le montre la figure ci-dessous, chaque graphique représente une tâche d’apprentissage, et chaque ligne correspond aux performances (précision) d’un grand modèle. Des expériences sur différents grands modèles sont parvenues à la même conclusion : une fois que la taille du modèle dépasse un certain seuil, les performances sur différentes tâches montrent une croissance révolutionnaire.

La relation entre la taille du modèle et les performances du modèle

Source : Raisonnement analogique émergent dans les grands modèles de langage

Pour faire simple, les changements quantitatifs dans l’échelle du modèle conduisent à un changement qualitatif dans la performance du modèle. **La taille du modèle est liée au nombre de paramètres du modèle, à la durée d’apprentissage et à la qualité des données d’entraînement. À ce stade, dans le cas du nombre de paramètres du modèle (les grandes entreprises ont les meilleures équipes de R&D responsables de la conception) et du temps de formation (le matériel informatique est acheté par NVIDIA) ne peut pas combler l’écart, si vous voulez construire un produit qui domine la concurrence, une façon est de trouver les meilleurs points de douleur de la demande dans le domaine de la subdivision pour créer une application tueuse, mais cela nécessite une compréhension approfondie du domaine cible et une excellente perspicacité, tandis que l’autre méthode est plus pratique et réalisable, c’est-à-dire de collecter des données de plus en plus complètes que les concurrents. **

Cela constitue également un bon point d’entrée pour que les modèles d’IA générative entrent dans l’espace Web3. Les grands modèles d’IA existants ou les modèles de base sont entraînés sur la base d’énormes quantités de données dans différents domaines, et le caractère unique des données on-chain dans le Web3 fait du modèle de données on-chain une voie réalisable qui vaut la peine d’être envisagée. Il existe actuellement deux logiques de produits pour les hiérarchies de données dans le Web3 : la première consiste à inciter les fournisseurs de données à protéger la vie privée et la propriété des propriétaires de données tout en encourageant les utilisateurs à partager le droit d’utiliser les données entre eux. Ocean Protocol est un excellent moyen de partager des données. La seconde consiste à intégrer les données et les applications de l’équipe de projet afin de fournir aux utilisateurs des services pour une tâche donnée. **Par exemple, Trusta Lab collecte et analyse les données on-chain des utilisateurs, et peut fournir des services tels que l’analyse des comptes et l’analyse des risques liés aux actifs on-chain grâce à son système unique de notation des scores MEDIA.

2.3.2 Applications proxy IA pour le Web3

**L’application on-chain AI Agent susmentionnée est également sous les feux de la rampe - à l’aide d’un grand modèle de langage, elle fournit aux utilisateurs des services on-chain quantifiables sur le principe de garantir la confidentialité des utilisateurs. **Selon un article de blog de Lilian Weng, responsable de la recherche sur l’IA chez OpenAI, l’agent d’IA peut être divisé en quatre composants, à savoir Agent = LLM + Planification + Mémoire + Utilisation de l’outil. En tant que cœur de l’agent d’IA, le LLM est chargé d’interagir avec le monde extérieur, d’apprendre des quantités massives de données et de les exprimer logiquement en langage naturel. La partie Planification + Mémoire est similaire aux concepts d’action, de politique et de récompense dans l’entraînement de la technique d’apprentissage par renforcement d’AlphaGo. L’objectif de la tâche est désassemblé en chaque petite cible, et la solution optimisée d’un objectif de tâche est apprise étape par étape à partir des résultats et des commentaires de plusieurs entraînements répétés, et les informations obtenues sont stockées dans différents types de mémoire pour différentes fonctions. Quant à l’utilisation d’outils, il s’agit de l’utilisation d’outils tels que l’appel d’outils modulaires, la récupération d’informations Internet, la connexion à des sources d’information propriétaires ou à des API, etc., et il convient de noter que la plupart de ces informations seront difficiles à modifier après la pré-formation.

Diagramme global de l’agent IA

Source : Agents autonomes alimentés par LLM

Combiné à la logique de mise en œuvre spécifique d’AI Agent, nous pouvons audacieusement imaginer que la combinaison Web3 + AI Agent apportera une imagination infinie, telle que :

1. ** Le mode AI Agent peut être ajouté à l’application de trading actuelle **, qui peut fournir aux clients une interface interactive de niveau de langage naturel, y compris, mais sans s’y limiter, la prédiction des prix, la stratégie de transaction, la stratégie de stop loss, l’ajustement dynamique de l’effet de levier, la copie intelligente KOL, le prêt, etc.
2. Lors de l’exécution de la stratégie quantitative, la stratégie peut être décomposée en chaque sous-tâche et remise à différents agents d’IA pour mise en œuvre, et chaque agent d’IA coopère les uns avec les autres, ce qui peut non seulement améliorer la sécurité de la protection de la vie privée, mais également surveiller en temps réel pour empêcher la contrepartie d’exploiter les vulnérabilités pour inverser le robot.
3. Un grand nombre de PNJ dans les jeux en chaîne est également un choix naturel pour AI Agent, et il existe maintenant un projet visant à appliquer GPT pour générer dynamiquement le contenu des dialogues des personnages du jeu, et à l’avenir, on s’attend à ce qu’il ne soit pas limité à du texte prédéfini, mais qu’il soit mis à niveau vers une interaction plus réaliste avec les PNJ du jeu en temps réel (ou même avec un humain numérique), qui peut réaliser une auto-interaction sans impliquer l’intervention du joueur. La « ville virtuelle » de l’Université de Stanford en est un excellent exemple.

Bien que le centre de projet actuel Web3 + AI Agent soit toujours concentré sur le marché primaire ou du côté de l’infrastructure d’IA, et qu’il n’y ait toujours pas d’application tueuse de To C, on pense que les projets Web3 + IA qui changeront la donne à l’avenir valent la peine d’être attendus en combinant diverses caractéristiques de la blockchain, telles que la gouvernance distribuée sur la chaîne, l’inférence de preuve à divulgation nulle de connaissance, la distribution de modèles, l’amélioration de l’interprétabilité, etc.

2.3.3 Applications verticales potentielles du Web3 + IA

A. Applications dans le domaine de l’éducation

La combinaison du Web3 et de l’IA a inauguré une révolution dans l’éducation, où les salles de classe de réalité virtuelle générative sont une innovation convaincante. En intégrant la technologie de l’IA dans une plateforme d’apprentissage en ligne, les étudiants peuvent bénéficier d’une expérience d’apprentissage personnalisée qui génère un contenu éducatif personnalisé en fonction de leur historique d’apprentissage et de leurs intérêts. Cette approche personnalisée devrait accroître la motivation et l’efficacité des élèves dans l’apprentissage, en rapprochant l’éducation des besoins individuels.

Les étudiants participent à des cours de réalité virtuelle grâce à des dispositifs VR immersifs

Source : Équipe V-SENSE

En outre, l’incitation au crédit sur le modèle de jeton est également une pratique innovante dans le domaine de l’éducation. Grâce à la technologie blockchain, les crédits et les réalisations des étudiants peuvent être encodés en jetons pour former un système de crédit numérique. De telles mesures incitatives encouragent les élèves à participer activement aux activités d’apprentissage, créant ainsi un environnement d’apprentissage plus participatif et motivant.

Dans le même temps, inspiré par le récent projet FriendTech de SocialFi, une logique de tarification clé similaire liée aux pièces d’identité peut également être utilisée pour construire un système d’évaluation par les pairs, qui apporte également plus d’éléments sociaux à l’éducation. Avec l’aide de l’immuabilité de la blockchain, l’évaluation parmi les étudiants est plus juste et transparente. Ce mécanisme d’évaluation mutuelle permet non seulement de cultiver le travail d’équipe et les compétences sociales des élèves, mais aussi d’offrir une évaluation plus complète et multidimensionnelle des performances des élèves, en introduisant des méthodes d’évaluation plus diversifiées et plus complètes dans le système éducatif.

B. Applications médicales

Dans le domaine de la santé, la combinaison du Web3 et de l’IA favorise le développement de l’apprentissage fédéré et de l’inférence distribuée. En fédérant l’informatique distribuée et l’apprentissage automatique, les professionnels de la santé peuvent partager des données à grande échelle pour un apprentissage de groupe plus approfondi et plus complet. Cette approche d’intelligence collective peut accélérer le développement d’options de diagnostic et de traitement des maladies, et faire progresser le domaine de la médecine.

La protection de la vie privée est une question clé qui ne peut être ignorée dans les applications médicales. Grâce à la décentralisation du Web3 et à l’immuabilité de la blockchain, les données médicales des patients peuvent être stockées et transmises de manière plus sécurisée. Les contrats intelligents permettent un contrôle précis et une gestion des autorisations des données médicales, garantissant que seul le personnel autorisé peut accéder aux informations sensibles des patients, préservant ainsi la confidentialité des données médicales.

C. Applications dans le domaine de l’assurance

Dans le secteur de l’assurance, l’intégration du Web3 et de l’IA devrait apporter des solutions plus efficaces et intelligentes aux entreprises traditionnelles. Par exemple, dans le domaine de l’assurance automobile et habitation, l’utilisation de la technologie de vision par ordinateur permet aux assureurs d’évaluer plus efficacement la valeur et le niveau de risque des biens grâce à l’analyse et à l’évaluation d’images. Cela permet aux compagnies d’assurance de disposer de stratégies de tarification plus raffinées et personnalisées, et d’améliorer le niveau de gestion des risques dans le secteur de l’assurance.

Utiliser la technologie de l’IA pour l’évaluation des sinistres

Source : Tractable Inc (en anglais seulement)

Dans le même temps, le règlement automatisé des sinistres on-chain est également une innovation dans le secteur de l’assurance. Basé sur les contrats intelligents et la technologie blockchain, le processus de réclamation peut être plus transparent et plus efficace, réduisant ainsi la possibilité de procédures lourdes et d’intervention humaine. Cela permet non seulement d’accélérer le règlement des sinistres, mais aussi de réduire les coûts opérationnels, ce qui se traduit par une meilleure expérience pour les assureurs et les clients.

L’ajustement dynamique des primes est une autre pratique innovante, grâce à l’analyse des données en temps réel et aux algorithmes d’apprentissage automatique, les compagnies d’assurance sont en mesure d’ajuster les primes avec plus de précision et en temps opportun, et de personnaliser la tarification en fonction du profil de risque réel de l’assuré. Cela rend non seulement les primes plus équitables, mais incite également les assurés à adopter des comportements plus sains et plus sûrs, favorisant ainsi la gestion des risques et les mesures préventives pour l’ensemble de la société.

D. Applications dans le domaine du droit d’auteur

Dans le domaine du droit d’auteur, la combinaison du Web3 et de l’IA a apporté un tout nouveau paradigme à la création de contenu numérique, aux propositions de curation et au développement de code. Grâce aux contrats intelligents et au stockage décentralisé, les informations sur les droits d’auteur pour le contenu numérique peuvent être mieux protégées, et les créateurs d’œuvres peuvent plus facilement suivre et gérer leur propriété intellectuelle. Dans le même temps, grâce à la technologie blockchain, il est possible d’établir des registres créatifs transparents et infalsifiables, offrant ainsi un moyen plus fiable pour la traçabilité et l’authentification des œuvres.

L’innovation du modèle de travail est également un changement important dans le domaine du droit d’auteur. La collaboration au travail motivée par des jetons encourage les créateurs, les planificateurs et les développeurs à participer au projet en combinant des contributions professionnelles avec des incitations symboliques. Cela favorise non seulement la collaboration entre les équipes créatives, mais offre également aux participants la possibilité de bénéficier directement du succès du projet, ce qui conduit à un travail de qualité.

D’autre part, l’application du jeton comme preuve du droit d’auteur remodèle le modèle de distribution des bénéfices. Grâce au mécanisme de dividende automatiquement exécuté par des contrats intelligents, chaque participant à l’œuvre peut obtenir la part de profit correspondante en temps réel lorsque l’œuvre est utilisée, vendue ou transférée. Ce modèle de dividende décentralisé résout efficacement les problèmes d’opacité et de décalage dans le modèle traditionnel du droit d’auteur, et fournit un mécanisme de distribution des bénéfices plus équitable et plus efficace pour les créateurs.

E. Applications du métavers

Dans le domaine du métavers, l’intégration du Web3 et de l’IA offre de nouvelles possibilités pour créer du contenu de jeu en chaîne à faible coût rempli d’AIGC. L’environnement virtuel et les personnages générés par les algorithmes d’IA peuvent enrichir le contenu du jeu en chaîne, offrir aux utilisateurs une expérience de jeu plus vivante et plus diversifiée et réduire les coûts de main-d’œuvre et de temps dans le processus de production.

La production humaine numérique est une innovation dans les applications du métavers. Combinés à la génération d’apparence jusqu’aux cheveux et à la construction de la pensée basée sur de grands modèles de langage, les humains numériques générés peuvent jouer divers rôles dans le métavers, interagir avec les utilisateurs et même participer à des jumeaux numériques de scénarios du monde réel. Cela offre une expérience plus réaliste et plus profonde pour le développement de la réalité virtuelle et favorise l’application à grande échelle de la technologie humaine virtuelle numérique dans le divertissement, l’éducation et d’autres domaines.

Générez automatiquement du contenu publicitaire en fonction des portraits d’utilisateurs on-chainIl s’agit d’une application créative publicitaire intelligente dans le domaine du métavers. En analysant le comportement et les préférences des utilisateurs dans le métavers, les algorithmes d’IA peuvent générer un contenu publicitaire plus personnalisé et plus attrayant, améliorant ainsi les taux de clics et l’engagement des utilisateurs pour les publicités. Cette méthode de génération d’annonces est non seulement plus conforme aux intérêts des utilisateurs, mais offre également aux annonceurs un moyen plus efficace de faire de la promotion.

Les NFT interactifs génératifs sont une technologie incontournable dans l’espace du métavers. En combinant les NFT avec le design génératif, les utilisateurs peuvent participer à la création de leur propre œuvre d’art NFT dans le métavers, en lui donnant de l’interactivité et de l’unicité. Cela ouvre de nouvelles possibilités pour la création et le commerce d’actifs numériques, ce qui stimule le développement de l’art numérique et de l’économie virtuelle dans le métavers.

III. Cibles liées au Web3

Ici, l’auteur a sélectionné cinq projets, Render Network et Akash Network en tant que leaders vétérans de l’infrastructure générale de l’IA et de la piste IA, Bittensor en tant que projet populaire dans la catégorie modèle, Alethea.ai en tant que projet d’application solide de l’IA générative, Fetch.ai en tant que projet phare dans le domaine de l’agence d’IA, pour avoir un aperçu de l’état actuel des projets d’IA générative dans le domaine du Web3.

3.1 Réseau de rendu($RNDR)

Render Network a été fondée en 2017 par Jules Urbach, le fondateur de sa société mère, OTOY. L’activité principale d’OTOY est le rendu graphique sur le cloud, et elle a travaillé sur des projets cinématographiques et télévisuels primés aux Oscars, avec les cofondateurs de Google et de Mozilla comme conseillers, et a travaillé sur plusieurs projets avec Apple. L’objectif de Render Network, qui s’étend d’OTOY au domaine Web3, est d’utiliser la nature distribuée de la technologie blockchain pour connecter le rendu à plus petite échelle et la demande et les ressources d’IA à une plate-forme décentralisée, permettant ainsi aux petits ateliers d’économiser le coût de location de ressources informatiques centralisées coûteuses (telles qu’AWS, MS Azure et Alibaba Cloud), et de générer des revenus pour ceux qui disposent de ressources informatiques inutilisées.

Parce que Render est une société OTOY qui a développé indépendamment le moteur de rendu haute performance Octane Render, associé à une logique commerciale définie, il a été considéré comme un projet Web3 avec ses propres besoins et fondamentaux au début de son lancement. Au cours de la période où l’IA générative faisait fureur, la demande de tâches de vérification et d’inférence distribuées correspondait parfaitement à l’architecture technique de Render, et elle était considérée comme l’une de ses directions de développement prometteuses pour l’avenir. Dans le même temps, Render a occupé la position de leader dans la voie de l’IA dans le domaine du Web3 pendant de nombreuses années ces dernières années, et a dérivé un certain degré de nature mème.

En février 2023, Render Network a annoncé une mise à jour à venir des nouveaux niveaux de tarification et un mécanisme de stabilisation des prix de RNDR $ voté par la communauté (cependant, la date de sa mise en ligne n’a pas encore été confirmée), et a annoncé en même temps que le projet sera transféré de Polygon à Solana (ainsi que la mise à niveau des jetons de RNDR $ vers des jetons $RENDER basés sur la norme Solana SPL, qui a déjà été achevée en novembre 2023).

Le nouveau système de tarification publié par Render Network divise les services on-chain en trois niveaux, de haut en bas, correspondant à différents niveaux de prix et de qualité des services de rendu, qui peuvent être sélectionnés par le demandeur de rendu.

Trois niveaux du nouveau niveau tarifaire de Render Network

Le mécanisme de stabilisation des prix de RNDR $, qui a été voté par la communauté, a été modifié du précédent rachat irrégulier à l’utilisation du modèle « Burn-and-Mint Equilibrium (BME) », ce qui rend plus évident le positionnement de RNDR $ en tant que jeton de paiement pour la stabilité des prix plutôt que de détenir des actifs pendant une longue période. Le processus métier spécifique d’une époque BME est illustré dans le diagramme suivant :

1. Création de produits. Les « créateurs de produits » sur Render, c’est-à-dire les fournisseurs de ressources de rendu, qui empaquetent des ressources de rendu inactives dans des produits (nœuds) et attendent d’être utilisés sur le réseau.
2. « Achat d’un produit ». Les clients ayant des besoins de rendu brûleront directement des jetons en paiement de services s’ils ont des jetons de RNDR $, et s’ils n’en ont pas, ils achèteront d’abord des jetons de RNDR $ avec de la monnaie fiduciaire sur le DEX. Le prix payé pour le service est enregistré publiquement sur la chaîne.
3. Frappez le jeton « Mint Token ». Selon les règles prédéfinies, un nouveau jeton est alloué.

Remarque : Render Network perçoit 5 % des frais payés par l’acheteur du produit pour chaque transaction pour l’exploitation du projet.

L’époque de l’équilibre de la brûlure et de la menthe

Crédit : Petar Atanasovski

Source : Moyenne

Selon les règles prédéfinies, à chaque époque exécutée par le BME, un nombre prédéfini de nouveaux jetons sera frappé (le nombre prédéfini diminuera progressivement au fil du temps). Les jetons nouvellement créés seront distribués aux trois parties :

1. Créateur de produit. Le créateur du produit obtient de deux manières :

2. Récompenses pour avoir accompli des missions. Il est facile de comprendre que chaque nœud de produit est récompensé en fonction du nombre de tâches de rendu effectuées.

3. Récompenses en ligne. Les récompenses seront attribuées en fonction du marché de veille en ligne de chaque nœud de produit, et davantage de travail en ligne sera encouragé pour limiter les ressources.

4. Acheteurs de produits. À l’instar de la remise sur les produits des centres commerciaux, les acheteurs peuvent obtenir jusqu’à 100 % de la remise sur les jetons de RNDR $ pour encourager l’utilisation continue du réseau de rendu à l’avenir.

5. Fournisseur de liquidité DEX (Decentralized Exchange). Les fournisseurs de liquidités dans les DEX coopératifs peuvent être récompensés en fonction du montant de RNDR $ mis en jeu en s’assurant qu’ils peuvent acheter une quantité suffisante de RNDR $ à un prix raisonnable lorsqu’ils ont besoin de brûler RNDR $.

** **

Source : coingecko.com

D’après la tendance des prix de RNDR $ au cours de l’année écoulée, on peut voir qu’en tant que projet phare de la piste IA dans le Web3 depuis de nombreuses années, RNDR $ a mangé les dividendes d’une vague de boom de l’IA entraînée par ChatGPT fin 2022 et début 2023, et dans le même temps, avec la sortie du nouveau mécanisme de jeton, le prix de RNDR $ a atteint un point haut au premier semestre 2023. Après un second semestre en dents de scie, le prix du RNDR $ a atteint un sommet ces dernières années avec la reprise de l’IA provoquée par la nouvelle conférence de presse d’OpenAI, la migration de Render Network vers Solana et la mise en œuvre imminente d’un nouveau mécanisme de jeton. Étant donné que les changements fondamentaux de RNDR $ sont minimes, pour les investisseurs, l’investissement futur de RNDR $ doit être plus prudent dans la gestion des positions et la gestion des risques.

Le nombre de nœuds du réseau de rendu par mois

** **

Réseau de rendu Le nombre de scènes rendues par mois

Source : Dune.com

Dans le même temps, comme vous pouvez le voir sur le tableau de bord Dune, le nombre total de tâches de rendu a augmenté depuis le début de l’année 2023, mais le nombre de nœuds de rendu n’a pas augmenté. Si l’on ajoute à cela le boom de l’IA générative à la fin de l’année 2022, il est raisonnable d’en déduire que les tâches de rendu supplémentaires sont toutes des tâches liées à l’IA générative. À l’heure actuelle, il est difficile de dire si cette partie de la demande est une demande à long terme, et il faut la suivre pour l’observer.

3.2 Réseau Akash (AKT $)

Akash Network est une plate-forme de cloud computing décentralisée qui vise à fournir aux développeurs et aux entreprises une solution de cloud computing plus flexible, efficace et rentable. La plate-forme « super cloud » construite par le projet est construite sur la technologie blockchain distribuée, qui tire parti de la nature décentralisée de la blockchain pour fournir aux utilisateurs une infrastructure cloud décentralisée capable de déployer et d’exécuter des applications à l’échelle mondiale, y compris diverses ressources informatiques, notamment des CPU, des GPU et du stockage.

Les fondateurs d’Akash Network, Greg Osuri et Adam Bozanich, sont des entrepreneurs en série qui travaillent ensemble depuis de nombreuses années, chacun avec des années d’expérience dans le projet, ayant cofondé le projet Overclock Labs, qui est toujours un participant essentiel d’Akash Network. L’équipe fondatrice avait une vision claire de la mission principale d’Akash Network, qui était de réduire les coûts du cloud computing, d’augmenter la disponibilité et d’accroître le contrôle des utilisateurs sur les ressources informatiques. Grâce aux appels d’offres ouverts, qui incitent les fournisseurs de ressources à ouvrir les ressources informatiques inutilisées dans leurs réseaux, Akash Network permet une utilisation plus efficace des ressources, offrant ainsi des prix plus compétitifs aux demandeurs de ressources.

Akash Network a lancé le programme de mise à jour Akash Network Economics 2.0 en janvier 2023, dans le but de remédier à de nombreuses lacunes de l’économie actuelle des jetons, notamment :

1. Le prix du marché du jeton de AKT $ fluctue, ce qui fait que le prix du contrat à long terme ne correspond pas à la valeur
2. Les incitations pour les fournisseurs de ressources ne sont pas suffisantes pour libérer la grande quantité de puissance de calcul entre leurs mains
3. L’insuffisance des incitations communautaires est préjudiciable au développement à long terme du projet Akash
4. Une capture insuffisante de la valeur du jeton de AKT $ risque d’affecter la stabilité du projet

Selon les informations fournies sur le site officiel, les solutions proposées par le plan Akash Network Economics 2.0 comprennent l’introduction des paiements en stablecoins, l’ajout de frais de commande et de consommation d’œufs pour augmenter les revenus du protocole, l’augmentation des incitations pour les fournisseurs de ressources et l’augmentation du montant des incitations communautaires, etc., parmi lesquelles la fonction de paiement des stablecoins et la fonction de frais de prise de fabricant ont été lancées et mises en œuvre.

En tant que jeton natif d’Akash Network, AKT $ a une variété d’utilisations dans le protocole, notamment la vérification du jalonnement (sécurité), les incitations, la gouvernance du réseau et le paiement des frais de transaction. Selon les données fournies sur le site officiel, l’offre totale de AKT $ est de 388 millions de dollars, et en novembre 2023, 229 millions ont été débloqués jusqu’à présent, ce qui représente environ 59 %. Les tokens fondateurs distribués lors du lancement du projet ont été entièrement débloqués en mars 2023 et entreront dans la circulation sur le marché secondaire. Le ratio de distribution des tokens genesis est le suivant :

Notamment, en termes de capture de valeur, une caractéristique que $AKT propose de mettre en œuvre et qui n’a pas encore été mise en œuvre mais qui est mentionnée dans le livre blanc est qu’Akash prévoit de facturer des « frais de charge » pour chaque location réussie. Par la suite, il envoie ces frais au Take Income Pool afin qu’ils puissent être distribués aux détenteurs. Le programme prévoit des frais de 10 % pour les transactions de AKT $ et des frais de 20 % pour les transactions utilisant d’autres crypto-monnaies. En outre, Akash prévoit également de récompenser les détenteurs qui bloquent leurs avoirs de AKT $ pendant une période plus longue. Par conséquent, les investisseurs qui détiennent pendant une période plus longue seront admissibles à des récompenses plus généreuses. Si ce projet est lancé avec succès à l’avenir, il deviendra certainement un moteur majeur pour le prix de la devise, et il aidera également à mieux estimer la valeur du projet.

** **

Source : coingecko.com

Comme on peut le voir sur la tendance des prix montrée sur coingecko.com, le prix du AKT $ a également marqué le début d’une augmentation à la mi-août et à la fin novembre 2023, respectivement, mais il n’est toujours pas aussi bon que l’augmentation de la même période d’autres projets dans le domaine de l’IA, ce qui peut être lié à la tendance actuelle du sentiment des capitaux. Dans l’ensemble, le projet d’Akash, en tant que l’un des nombreux projets de haute qualité dans le domaine de l’IA, présente de meilleurs fondamentaux que la plupart des concurrents dans le domaine de l’IA. Avec le développement de l’industrie de l’IA et l’intensification des ressources de cloud computing, on pense qu’Akash Network sera en mesure de s’envoler dans la prochaine vague d’IA à l’avenir.

3.3 Bittensor (TAO $)

Si le lecteur est familier avec l’architecture technique de $BTC, il sera très facile de comprendre le design de Bittensor. En fait, lors de la conception de Bittensor, ses auteurs ont emprunté de nombreuses caractéristiques du vétéran de la crypto à BTC $, notamment : un total de 21 millions de jetons, une réduction de moitié de la production environ tous les quatre ans, un mécanisme de consensus impliquant PoW, etc. Plus précisément, imaginons un processus initial de production de BTC, puis remplaçons le processus de « minage » pour calculer des nombres aléatoires qui ne peuvent pas créer de valeur réelle par l’entraînement et la validation des modèles d’IA, et l’incitation des mineurs à travailler en fonction des performances et de la fiabilité des modèles d’IA, qui est un simple résumé de l’architecture du projet de Bittensor (TAO $).

Le projet Bittensor a été fondé pour la première fois en 2019 par deux chercheurs en IA, Jacob Steeves et Ala Shaabana, et son cadre principal est basé sur le contenu d’un livre blanc écrit par un auteur mystérieux, Yuma Rao. En résumé, il conçoit un protocole open-source sans permission et construit une architecture réseau composée de nombreux sous-réseaux connectés par différents sous-réseaux responsables de différentes tâches (traduction automatique, reconnaissance et génération d’images, grands modèles de langage, etc.), et une excellente réalisation des tâches sera encouragée, tout en permettant aux sous-réseaux d’interagir et d’apprendre les uns des autres.

Si l’on regarde les grands modèles d’IA actuellement sur le marché, sans exception, ils proviennent tous de l’énorme quantité de ressources informatiques et de données investies par les géants de la technologie. S’il est vrai que les produits d’IA entraînés de cette manière fonctionnent de manière impressionnante, ils présentent également un risque élevé que la concentration devienne maléfique. L’infrastructure Bittensor est conçue pour permettre à un réseau d’experts en communication de communiquer et d’apprendre les uns des autres, ce qui jette les bases d’une formation décentralisée de grands modèles. La vision à long terme de Bittensor est de rivaliser avec les modèles à source fermée de géants tels qu’OpenAI, Meta, Google, etc., afin d’obtenir des performances d’inférence correspondantes tout en conservant la nature décentralisée du modèle.

Le cœur technique du réseau Bittensor provient du mécanisme de consensus de conception unique de Yuma Rao, également connu sous le nom de consensus Yuma, qui est un mécanisme de consensus qui mélange PoW et PoS. Les principaux participants du côté de l’offre sont divisés en « serveurs » (c’est-à-dire les mineurs) et « validateurs », et les participants du côté de la demande sont les « clients » (c’est-à-dire les clients) qui utilisent les modèles du réseau. Les mineurs sont chargés de fournir des modèles pré-entraînés pour la tâche de sous-réseau en cours, et les incitations reçues dépendent de la qualité des modèles fournis, tandis que les validateurs sont chargés de vérifier les performances du modèle et d’agir en tant qu’intermédiaires auprès des mineurs et des clients. Le processus spécifique est le suivant :

** **

1. Le client envoie au validateur les exigences relatives à l’utilisation du modèle dans un sous-réseau et les données qui doivent être calculées
2. Le validateur alloue les données à chaque mineur sous le sous-réseau
3. Les mineurs renvoient des résultats après l’inférence du modèle en utilisant leurs propres modèles et les données acceptées
4. Le validateur trie les résultats d’inférence reçus en fonction de leur qualité, et les résultats de tri sont stockés sur la chaîne
5. Le résultat d’inférence optimal est renvoyé à l’utilisateur, le mineur est trié selon l’ordre et le validateur est récompensé en fonction de la charge de travail

Il convient de noter que dans la grande majorité des sous-réseaux, Bittensor lui-même n’entraîne aucun modèle, et son rôle consiste davantage à lier les fournisseurs de modèles et les demandeurs de modèles, et sur cette base, il utilise en outre l’interaction entre les petits modèles pour améliorer les performances dans différentes tâches. À l’heure actuelle, il existe 30 sous-réseaux qui ont été en ligne (ou qui l’ont été), correspondant à différents modèles de tâches.

En tant que jeton natif de Bittensor, TAO $ joue un rôle central dans l’écosystème en créant des sous-réseaux, en s’inscrivant dans des sous-réseaux, en payant pour des services, en jalonnant des validateurs, etc. Dans le même temps, en raison de la pratique du projet Bittensor de rendre hommage à l’esprit de BTC, TAO $ a choisi un départ équitable, c’est-à-dire que tous les jetons seront générés en contribuant au réseau. Actuellement, la production quotidienne de TAO $ est d’environ 7200, qui est divisée à parts égales entre les mineurs et les validateurs. Depuis le lancement du projet, environ 26,3 % du montant total de 21 millions ont été générés, dont 87,21 % des jetons ont été utilisés pour le jalonnement et la vérification. Dans le même temps, le projet est conçu pour réduire de moitié la production (la même que le BTC) tous les 4 ans, dont la plus récente aura lieu le 20 septembre 2025, ce qui sera également un grand moteur d’augmentation des prix.

Crédit : taostats.io

** **

D’après la tendance des prix, nous pouvons voir que le prix du TAO $ a connu une forte augmentation depuis la fin du mois d’octobre 2023, et on suppose que la principale force motrice est un nouveau boom de l’IA provoqué par la conférence de presse d’OpenAI, qui a fait tourner le secteur des capitaux vers le secteur de l’IA. Dans le même temps, $TAO En tant que projet émergent dans la voie Web3 + IA, son excellente qualité de projet et sa vision de projet à long terme sont également une raison majeure d’attirer des fonds. Cependant, nous devons admettre que, comme d’autres projets d’IA, bien que la combinaison Web3 + IA ait un grand potentiel, son application dans les entreprises réelles n’est pas suffisante pour soutenir un projet rentable à long terme.

3.4 Alethea.ai(ALI $)

Fondé en 2020, Alethea.ai est un projet dédié à l’apport d’une propriété décentralisée et d’une gouvernance décentralisée au contenu génératif à l’aide de la technologie blockchain. Les fondateurs de Alethea.ai pensent que l’IA générative nous placera dans une ère où le contenu génératif conduira à la redondance de l’information, où de grandes quantités de contenu électronique seront simplement copiées-collées ou générées en un seul clic, et où les personnes qui ont créé la valeur en premier lieu ne pourront pas en bénéficier. En connectant les primitives on-chain (telles que les NFT) à l’IA générative, la propriété de l’IA générative et de son contenu peut être assurée, et la gouvernance de la communauté peut être réalisée sur cette base.

Poussés par cette philosophie, Early Alethea.ai ont introduit une nouvelle norme NFT, iNFT, qui exploite l’Intelligence Pod pour créer des animations d’IA intégrées, la synthèse vocale et même l’IA générative dans les images. En outre, Alethea.ai s’est associé à des artistes pour transformer leurs œuvres en iNFT, qui ont rapporté 478 000 $ chez Sotheby’s.

Injecter de l’âme dans les NFT

Source : Alethea.ai

Plus tard, Alethea.ai a lancé le protocole AI, qui permet à tout développeur et créateur d’IA générative de créer avec la norme iNFT sans autorisation. Dans le même temps, afin de faire un échantillon pour d’autres projets sur son propre protocole d’IA, Alethea.ai a également emprunté la théorie du grand modèle de GPT pour lancer CharacterGPT, un outil permettant de créer des NFT interactifs. En outre, Alethea.ai également récemment publié Open Fusion, qui permet à n’importe quel NFT ERC-721 sur le marché d’être combiné avec une intelligence et publié sur le protocole AI.

Le jeton natif d’Alethea.ai est de ALI $, et ses principales utilisations sont quadruples :

1. Bloquez un certain montant de ALI $ pour créer des iNFT
2. Plus il est verrouillé, plus le niveau de l’Intelligence Pod est élevé
3. Les détenteurs de ALI $ participent à la gouvernance communautaire
4. ALI $ peuvent être utilisés comme informations d’identification pour participer aux interactions entre les iNFT (il n’y a pas encore de cas d’utilisation réels)

Source : coingecko.com

Comme on peut le voir dans le cas d’utilisation de ALI $, la capture de valeur actuelle de ce jeton est toujours au niveau narratif, et cette inférence peut également être confirmée par l’évolution du prix de la monnaie en un an : ALI $ a récolté les dividendes du boom de l’IA générative mené par ChatGPT depuis décembre 2022. Dans le même temps, en juin de cette année, lorsque Alethea.ai a annoncé le lancement de sa dernière fonctionnalité Open Fusion, elle a également apporté une vague de croissance. En plus de cela, le prix du ALI $ a suivi une tendance à la baisse, et même le boom de l’IA à la fin de 2023 n’a pas réussi à faire grimper le prix au niveau moyen des projets dans la même voie.

En plus du jeton natif, jetons un coup d’œil aux performances des projets NFT, les iNFT d’Alethea.ai (y compris les collections officiellement publiées) sur le marché des NFT.

Ventes quotidiennes d’Intelligence Pods sur Opensea

** **

Ventes quotidiennes de Revenants Collection sur Opensea

Source : Dune.com

D’après les statistiques du tableau de bord de Dune, nous pouvons voir que le module d’intelligence, qui a été vendu à un tiers, et la collection Revenants, qui a été publiée par le Alethea.ai premier parti, ont progressivement disparu après un certain temps après la sortie initiale. La raison principale à cela, pense l’auteur, devrait être qu’après que la nouveauté initiale se soit estompée, il n’y a pas de valeur réelle ou de popularité de la communauté pour retenir les utilisateurs.

3.5 Fetch.ai(FET $)

Fetch.ai est un projet dédié à la promotion de la convergence de l’intelligence artificielle et de la technologie blockchain. L’objectif de l’entreprise est de construire une économie décentralisée et intelligente qui alimente l’activité économique entre les agents intelligents grâce à une combinaison d’apprentissage automatique, de blockchain et de technologie de registre distribué.

Fetch.ai a été fondée en 2019 par des scientifiques du Royaume-Uni, Humayun Sheikh, Toby Simpson et Thomas Hain. Les trois fondateurs viennent d’horizons très divers, notamment Humayun Sheikh en tant qu’investisseur précoce dans Deepmind, Toby Simpson en tant que cadre dans plusieurs entreprises et Thomas Hain en tant que professeur d’intelligence artificielle à l’Université de Sheffield. Fetch.ai L’expérience approfondie de l’équipe fondatrice a apporté à l’entreprise de riches ressources industrielles, couvrant les entreprises informatiques traditionnelles, les projets phares de la blockchain, les projets médicaux et de supercalculateurs, et d’autres domaines.

La mission de Fetch.ai est de construire une plate-forme Web décentralisée composée d’agents économiques autonomes et d’applications d’IA, permettant aux développeurs d’accomplir des tâches cibles prédéfinies en créant des agents autonomes. La technologie de base de la plate-forme est son architecture unique à trois niveaux :

• Sous-jacent : Un réseau de contrats intelligents sous-jacent basé sur PoS-uD (c’est-à-dire un mécanisme de consensus de preuve d’enjeu sans autorisation) qui prend en charge la collaboration inter-mineurs et la formation et l’inférence de base en apprentissage automatique
• Couche intermédiaire : l’OEF (Open Economic Framework) fournit un espace partagé permettant aux AEA d’interagir les uns avec les autres, ce qui permet aux AEA d’interagir avec le protocole sous-jacent, et permet également aux AEA de rechercher, de découvrir et d’échanger les uns avec les autres
• En haut : AEA (Autonomous Economic Agent), qui est la composante centrale de Fetch.ai. Chaque AEA est un logiciel d’agent intelligent qui permet différentes fonctions grâce à une variété de modules de compétences pour effectuer des tâches prédéfinies au nom de l’utilisateur. Au lieu de s’exécuter directement sur la blockchain, le logiciel agent interagit avec la blockchain et les contrats intelligents par le biais d’une couche intermédiaire OEF. Ce type de logiciel d’agent intelligent peut être un logiciel pur, ou il peut être lié à du matériel réel, tel que des téléphones portables, des ordinateurs, des voitures, etc. Officiellement, un kit de développement basé sur Python, le framework AEA, est disponible, qui est composable, permettant aux développeurs de créer leur propre logiciel d’agent intelligent avec lui.

S’appuyant sur cette architecture, Fetch.ai a également lancé plusieurs produits et services de suivi, tels que Co-Learn (un modèle d’apprentissage automatique partagé entre les agents) et Metaverse (un service d’hébergement cloud d’agents intelligents) pour permettre aux utilisateurs de développer leurs propres agents intelligents sur sa plateforme.

En termes de jetons, FET $, en tant que jeton natif de Fetch.ai, couvre le rôle régulier du paiement du gaz, de la vérification du jalonnement et de l’achat de services au sein du réseau. Plus de 90 % des jetons ont été débloqués jusqu’à présent par FET $, qui se répartissent comme suit :

Depuis le lancement du projet, Fetch.ai a reçu plusieurs cycles de financement sous la forme de avoirs en tokens dilués, le plus récemment le 29 mars 2023, lorsque Fetch.ai a reçu un financement de 30 millions de dollars de DWF Lab. Étant donné que le jeton de FET $ ne capture pas la valeur du projet en termes de revenus, la force motrice de l’augmentation du prix provient principalement de la mise à jour du projet et du sentiment du marché à l’égard de la piste IA. On constate que le prix du Fetch.ai s’est envolé de plus de 100% au début de l’année 2023 et à la fin de l’année 2023.

Source : coingecko.com

Comparé à d’autres moyens pour les projets blockchain de se développer et d’attirer l’attention, le chemin de développement de Fetch.ai ressemble davantage à un projet de startup d’IA dans le Web2.0, se concentrant sur le polissage du niveau technique, se faisant un nom et trouvant des points de profit grâce à un financement continu et à une coopération étendue. Cette approche laisse beaucoup de place au développement de futures applications basées sur Fetch.ai, mais le modèle de développement le rend également moins attrayant pour d’autres projets de blockchain pour activer l’écosystème (l’un des fondateurs de Fetch.ai a personnellement fondé le projet DEX Mettalex DEX basé sur Fetch.ai, qui a finalement échoué). En tant que projet axé sur l’infrastructure, il est difficile d’améliorer la valeur intrinsèque du projet Fetch.ai en raison du dépérissement de l’écologie.

Quatrièmement, l’IA générative a un avenir prometteur

Le PDG de Nvidia, Jensen Huang, appelle la sortie de modèles génératifs le moment « iPhone » de l’IA, et la ressource rare pour produire de l’IA à ce stade est l’infrastructure centrée sur les puces de calcul haute performance. En tant que sous-filière de l’IA qui bloque le plus de fonds dans le Web3, les projets d’infrastructure d’IA ont toujours fait l’objet d’investissements et de recherches à long terme de la part des investisseurs. Il est prévisible qu’avec la mise à niveau progressive des équipements de puissance de calcul par les géants des puces, l’amélioration progressive de la puissance de calcul de l’IA et le déblocage des capacités de l’IA, il est prévisible que davantage de projets d’infrastructure d’IA dans des domaines subdivisés du Web3 verront le jour à l’avenir, et on peut même s’attendre à ce que des puces spécialement conçues et produites pour l’entraînement de l’IA dans le Web3 sortent à l’avenir. **

Bien que le développement des produits d’IA générative de ToC soit encore au stade expérimental, certains de ses produits de qualité industrielle ToB ont montré un grand potentiel. L’une d’entre elles est la technologie du « jumeau numérique » qui migre des scénarios du monde réel vers le domaine numérique, combinée à la plate-forme de calcul scientifique de jumeau numérique publiée par NVIDIA pour la vision du métavers, étant donné qu’il existe encore une énorme quantité de valeur de données dans l’industrie qui n’a pas encore été publiée, l’IA générative deviendra une aide importante pour les jumeaux numériques dans les scénarios industriels. Aller plus loin dans le domaine du Web3, y compris le métavers, la création de contenu numérique, les actifs du monde réel, etc., sera affecté par la technologie de jumeau numérique alimentée par l’IA.

Le développement de nouveaux matériels interactifs est également un maillon incontournable. Historiquement, chaque innovation matérielle dans le monde de l’informatique a entraîné un changement sismique et de nouvelles opportunités de développement, comme la souris d’ordinateur qui est monnaie courante aujourd’hui, ou l’iPhone 4 avec un écran capacitif multi-touch. L’Apple Vision Pro, dont le lancement a été annoncé au premier trimestre 2024, a déjà attiré beaucoup d’attention dans le monde entier avec sa démo époustouflante, qui devrait apporter des changements et des opportunités inattendus à diverses industries lorsqu’elle sera réellement lancée. Avec les avantages d’une production de contenu rapide, d’une diffusion rapide et d’une large gamme, le domaine du divertissement est souvent le premier à bénéficier de chaque mise à jour de la technologie matérielle. Bien sûr, cela inclut également diverses pistes de divertissement visuel telles que le métavers, les jeux en chaîne et les NFT dans le Web3, qui méritent l’attention et la recherche à long terme des lecteurs à l’avenir.

À long terme, le développement de l’IA générative est un processus de changement quantitatif menant à un changement qualitatif. L’essence de ChatGPT est une solution au problème du raisonnement des questions-réponses, qui est un problème qui a été largement observé et étudié dans le milieu universitaire pendant longtemps. Après une itération à long terme des données et des modèles, il a finalement atteint le niveau de GPT-4, ce qui a étonné le monde. Il en va de même pour les applications d’IA dans le Web3, qui en sont encore au stade de l’introduction de modèles du Web2 dans le Web3, et les modèles développés entièrement sur la base des données du Web3 n’ont pas encore émergé. À l’avenir, des groupes de projet clairvoyants et beaucoup de ressources devront être investis dans la recherche de problèmes pratiques dans le Web3, afin que l’application tueuse du niveau ChatGPT du Web3 puisse progressivement se rapprocher.

À ce stade, il existe de nombreuses directions qui méritent d’être explorées dans le contexte technique de l’IA générative, dont l’une est la technologie de la chaîne de pensée dont dépend la mise en œuvre de la logique. Pour le dire simplement, grâce à la technologie de la chaîne de pensée, les grands modèles de langage ont pu faire un saut qualitatif dans le raisonnement en plusieurs étapes. Cependant, l’utilisation de la chaîne de pensée n’a pas été résolue ou, dans une certaine mesure, elle a conduit au problème de la capacité de raisonnement insuffisante des grands modèles en logique complexe. Les lecteurs qui s’intéressent à cet aspect devraient lire l’article de l’auteur original de la chaîne de pensée.

Le succès de ChatGPT a conduit à l’émergence de diverses chaînes GPT populaires dans le Web3, mais la combinaison simple et grossière de GPT et de contrats intelligents ne peut pas vraiment résoudre les besoins des utilisateurs. Cela fait environ un an depuis la sortie de ChatGPT, et à long terme, ce n’est qu’un coup de doigt, et les futurs produits devraient également commencer par les besoins réels des utilisateurs du Web3 eux-mêmes, et avec la technologie Web3 de plus en plus mature, je pense que l’application de l’IA générative dans le Web3 a des possibilités infinies qui valent la peine d’être attendues avec impatience.

Références

Google Cloud Tech - Introduction à l’IA générative

AWS - Qu’est-ce que l’IA générative ?

L’économie des grands modèles de langage

Dès que le modèle de diffusion est forcé, le GAN devient obsolète ???

Illustration de l’apprentissage par renforcement à partir de la rétroaction humaine (RLHF)

L’IA générative et le Web3

À qui appartient la plateforme d’IA générative ?

Apple Vision Pro Full Moon repense : XR, RNDR et l’avenir de l’informatique spatiale

Comment l’IA est-elle frappée en tant que NFT ?

Raisonnement analogique émergent dans les grands modèles de langage

Akash Network Token (AKT) Genesis - Calendrier de déblocage et estimations de l’approvisionnement