ChatGPT Anniversary Post-Anniversary Talk: Hambatan AI Generatif dan Peluang Web3

Penulis: @chenyangjamie, @GryphsisAcademy

TL; DR:

1. Aplikasi komersial AI generatif menggemparkan dunia pada tahun 2022, tetapi ketika kebaruan memudar, beberapa masalah saat ini dengan AI generatif menjadi jelas. Bidang Web3 yang matang, dengan sifat blockchain yang sepenuhnya transparan, dapat diverifikasi, dan terdesentralisasi, memberikan ide-ide baru untuk memecahkan masalah AI generatif.
2. AI Generatif adalah teknologi baru dalam beberapa tahun terakhir, yang didasarkan pada kerangka kerja jaringan saraf pembelajaran mendalam, dan model penyebaran untuk pembuatan gambar dan model bahasa besar untuk ChatGPT telah menunjukkan potensi besar untuk komersialisasi.
3. Arsitektur implementasi AI generatif di Web3 mencakup infrastruktur, model, aplikasi, dan data, di antaranya bagian data sangat penting ketika dikombinasikan dengan Web3, dan memiliki ruang besar untuk pengembangan, terutama model data on-chain, proyek proxy AI, dan aplikasi vertikal, yang berpotensi menjadi arah pengembangan utama di masa depan.
4. Saat ini, proyek-proyek populer di jalur AI di Web3 di pasar telah menunjukkan karakteristik fundamental yang tidak mencukupi dan kemampuan menangkap nilai token yang lemah, dan mereka terutama menantikan panas baru atau pembaruan ekonomi token di masa depan.
5. AI Generatif memiliki potensi besar di ruang Web3, dan ada banyak narasi baru yang dinanti-nantikan di masa depan.

1. Mengapa AI generatif dan Web3 saling membutuhkan?

2022 dapat disebut tahun ketika AI generatif (Kecerdasan Buatan) menggemparkan dunia, sebelumnya AI generatif hanya terbatas pada alat bantu pekerja profesional, dan setelah kemunculan berturut-turut Dalle-2, Difusi Stabil, Citran, dan Midjourney, Konten yang Dihasilkan AI (singkatan). Sebagai aplikasi teknologi terbaru, AIGC telah menghasilkan gelombang besar konten trendi di media sosial. Dan ChatGPT, yang dirilis tak lama setelah itu, adalah bom, mendorong tren ini ke puncaknya. Sebagai alat AI pertama yang dapat menjawab hampir semua pertanyaan dengan input perintah teks sederhana (mis., ), ChatGPT telah lama menjadi asisten kerja sehari-hari bagi banyak orang. Untuk pertama kalinya, orang dapat merasakan “kecerdasan” kecerdasan buatan, karena dapat menangani berbagai tugas sehari-hari seperti penulisan dokumen, bantuan pekerjaan rumah, asisten email, revisi esai, dan bahkan bimbingan emosional, dan Internet dengan antusias meneliti berbagai misteri yang digunakan untuk mengoptimalkan hasil yang dihasilkan oleh ChatGPT. Menurut sebuah laporan oleh tim makro Goldman Sachs, AI generatif dapat menjadi pendorong pertumbuhan produktivitas tenaga kerja di Amerika Serikat, mendorong pertumbuhan PDB global sebesar 7% (atau hampir $ 7 triliun) dan meningkatkan pertumbuhan produktivitas sebesar 1,5 poin persentase dalam 10 tahun pengembangan AI generatif.

** **

Bidang Web3 juga merasakan angin musim semi AIGC, dan sektor AI telah meningkat secara keseluruhan pada Januari 2023

Sumber:

Namun, setelah kebaruan awal memudar, lalu lintas global ChatGPT menurun untuk pertama kalinya sejak dirilis pada Juni 2023 (Sumber: SimilarWeb), dan inilah saatnya untuk memikirkan kembali apa arti AI generatif dan apa keterbatasannya. Dari situasi saat ini, dilema yang dihadapi oleh AI generatif termasuk (tetapi tidak terbatas pada): pertama, media sosial penuh dengan konten AIGC yang tidak berlisensi dan tidak dapat dilacak, kedua, biaya pemeliharaan ChatGPT yang tinggi telah memaksa OpenAI untuk memilih untuk mengurangi kualitas generasi untuk mengurangi biaya dan meningkatkan efisiensi, dan akhirnya, bahkan model terbesar di dunia masih bias dalam beberapa aspek hasil yang dihasilkan.

** **

Lalu lintas desktop dan seluler global ChatGPT

Sumber: Similarweb

Pada saat yang sama, Web3, yang secara bertahap semakin matang, dengan karakteristiknya yang terdesentralisasi, sepenuhnya transparan, dan dapat diverifikasi, memberikan solusi baru untuk dilema AI generatif saat ini:

1. Transparansi dan keterlacakan penuh Web3 dapat mengatasi tantangan hak cipta dan privasi data yang ditimbulkan oleh AI generatif. Kedua fitur Web3 ini memungkinkan sumber dan keaslian konten diverifikasi secara efektif, secara signifikan meningkatkan biaya konten palsu atau melanggar yang dihasilkan AI, seperti remix pendek yang membingungkan hak cipta atau video pertukaran wajah DeepFake yang melanggar privasi orang lain. Selain itu, penerapan smart contract dalam manajemen konten diharapkan dapat menyelesaikan masalah hak cipta dan memastikan bahwa pembuat konten bisa mendapatkan kompensasi yang lebih adil atas konten yang mereka buat.

** **

DeepFake Video: Ini bukan Morgan Freeman

Sumber: Youtube

2. Desentralisasi Web3 dapat mengurangi risiko sentralisasi daya komputasi AI. ** AI Generatif membutuhkan sumber daya komputasi yang sangat besar, dengan perkiraan biaya setidaknya $ 2 juta untuk melatih ChatGPT berbasis GPT-3 dan sekitar $ 47.000 per hari untuk listrik, jumlah yang meningkat secara eksponensial seiring perkembangan teknologi dan skala. Sumber daya komputasi masih sangat terkonsentrasi di tangan perusahaan besar, yang mengarah pada biaya R&D, pemeliharaan, dan operasi yang signifikan, serta risiko sentralisasi, sehingga sulit bagi perusahaan kecil untuk bersaing. Sementara pelatihan model besar mungkin masih perlu dilakukan di lingkungan terpusat dalam jangka pendek, karena pelatihan model besar membutuhkan banyak sumber daya komputasi, di Web3, teknologi blockchain membuat inferensi model terdistribusi, tata kelola pemungutan suara komunitas, dan tokenisasi model menjadi mungkin, antara lain. Dengan menggunakan pertukaran terdesentralisasi yang ada sebagai kasus dewasa, kita dapat merancang sistem inferensi model besar AI terdesentralisasi berbasis komunitas, di mana kepemilikan model besar adalah milik komunitas dan diatur oleh komunitas.

Bahkan dengan H100 terbaru untuk melatih GPT-3, biaya per FLOPs masih tinggi

Sumber: substake.com

3. Manfaatkan fitur Web3 untuk mengoptimalkan keragaman kumpulan data AI dan interpretabilitas model AI. Metode pengumpulan data tradisional pada dasarnya didasarkan pada kumpulan data publik atau pembuat model itu sendiri, dan data yang dikumpulkan seringkali dibatasi oleh geografi dan budaya. Hal ini dapat menyebabkan konten yang dihasilkan oleh program AIGC dan jawaban yang dihasilkan oleh ChatGPT dengan bias subjektif dari kelompok etnis tertentu, seperti mengubah warna kulit dari tugas target. Dan dengan model insentif token Web3, kami dapat mengoptimalkan cara kami mengumpulkan data, mengumpulkan, dan menimbang data dari seluruh penjuru dunia. Pada saat yang sama, transparansi penuh dan keterlacakan Web3 dapat lebih meningkatkan interpretabilitas model dan mendorong output dari beragam latar belakang untuk memperkaya model.

AI yang dirancang untuk meningkatkan resolusi akan mengubah Obama menjadi orang kulit putih

Sumber: Twitter

4. **Anda dapat menggunakan data on-chain Web3 yang sangat besar untuk melatih model AI yang unik. ** Desain model AI saat ini dan metode pelatihan sering didasarkan pada konstruksi struktur data target (teks, ucapan, gambar, atau video). Arah pengembangan masa depan yang unik untuk kombinasi Web3 dan AI adalah merujuk pada metode konstruksi dan pelatihan model besar bahasa alami, dan menggunakan struktur data unik dari data on-chain Web3 untuk membuat model besar data on-chain. Ini memberi pengguna perspektif unik yang tidak dapat dijangkau oleh analitik data lain (pelacakan uang pintar, tren pendanaan proyek, dll.), Dan AI memiliki keuntungan karena dapat memproses data dalam jumlah besar secara bersamaan dibandingkan dengan analisis on-chain manual.

Analisis on-chain otomatis, pemantauan informasi on-chain dapat memperoleh informasi tangan pertama

Sumber: nansen.ai

5. AI Generatif memiliki potensi untuk menjadi kekuatan yang kuat dalam menurunkan penghalang masuk bagi orang-orang untuk berpartisipasi dalam dunia Web3. **Model partisipasi arus utama proyek Web3 saat ini mengharuskan peserta untuk memiliki pemahaman yang cukup tentang berbagai konsep on-chain yang kompleks dan logika operasi dompet, yang sangat meningkatkan biaya pembelajaran dan risiko kesalahan operasi bagi pengguna, sementara aplikasi serupa di Web2 telah menerapkan prinsip “prinsip orang malas” dari desain produk selama bertahun-tahun, sehingga pengguna dapat dengan mudah dan bebas risiko memulai. AI generatif diharapkan dapat mendukung proyek-proyek yang berpusat pada niat yang dapat secara dramatis meningkatkan pengalaman pengguna produk Web3 dengan bertindak sebagai “asisten pintar” antara pengguna dan protokol di Web3.

6. Web3 juga telah menciptakan permintaan besar untuk konten, dan AI generatif telah menjadi sarana utama untuk memenuhi permintaan itu. AI generatif dapat membuat sejumlah besar artikel, gambar, audio, dan konten video untuk Web3, mendorong pengembangan aplikasi terdesentralisasi, dari pasar NFT hingga dokumen untuk kontrak pintar, yang semuanya dapat memperoleh manfaat dari beragam konten yang dihasilkan AI.

Sementara AI generatif dan Web3 memiliki tantangan mereka sendiri, kebutuhan bersama dan solusi kolaboratif mereka diharapkan akan membentuk masa depan dunia digital. Kolaborasi ini akan meningkatkan kualitas dan kredibilitas pembuatan konten, mendorong pengembangan lebih lanjut dari ekosistem digital sambil memberikan pengalaman digital yang lebih berharga kepada pengguna. Evolusi bersama AI generatif dan Web3 akan menciptakan babak baru yang menarik di era digital.

Kedua, ringkasan teknis AI generatif

2.1 Latar Belakang Teknis AI Generatif

Sejak konsep AI diperkenalkan pada tahun 50-an abad ke-20, ada beberapa pasang surut, dan setiap inovasi teknologi utama membawa gelombang baru, dan kali ini AI generatif tidak terkecuali. Sebagai konsep baru yang muncul yang baru diusulkan dalam 10 tahun terakhir, AI generatif telah menonjol dari banyak sub-arah penelitian AI karena kinerja teknologi dan produk terbaru yang mempesona, dan telah menarik perhatian dunia dalam semalam. Sebelum kita melangkah lebih jauh ke arsitektur teknis AI generatif, pertama-tama kita perlu menjelaskan arti spesifik dari AI generatif yang dibahas dalam artikel ini, dan meninjau secara singkat komponen teknis inti dari AI generatif, yang telah meledak baru-baru ini.

AI generatif adalah jenis AI yang dapat digunakan untuk membuat konten dan ide baru, termasuk percakapan, cerita, gambar, video, dan musik, dan merupakan model yang dibangun di atas kerangka kerja jaringan saraf berdasarkan pembelajaran mendalam, dilatih dengan sejumlah besar data, dan dikemas dengan sejumlah besar parameter. Produk AI generatif yang baru-baru ini menjadi perhatian orang dapat dengan mudah dibagi menjadi dua kategori: satu adalah produk generasi gambar (video) dengan input teks atau gaya, dan yang lainnya adalah produk ChatGPT dengan input teks. Kedua jenis produk ini memiliki teknologi inti yang sama, yaitu model bahasa pra-terlatih (LLM) berdasarkan arsitektur Transformer. Atas dasar ini, jenis produk sebelumnya menambahkan model difusi yang menggabungkan input teks untuk menghasilkan gambar atau video berkualitas tinggi, dan jenis produk yang terakhir menambahkan pembelajaran penguatan dari umpan balik manusia (** RLHF **) untuk mencapai tingkat logis hasil output yang mendekati manusia.

2.2 Arsitektur Teknis AI Generatif Saat Ini:

Banyak artikel terbaik di masa lalu telah membahas pentingnya AI generatif untuk arsitektur teknis yang ada dari perspektif yang berbeda, seperti artikel ini dari A16z, “Siapa yang Memiliki Platform AI Generatif?”, Yang secara komprehensif merangkum arsitektur teknis AI generatif saat ini:

** **

Arsitektur teknis utama AI generatif

Sumber: Siapa yang memiliki platform AI generatif?

Dalam artikel penelitian ini, arsitektur AI generatif Web2 saat ini dibagi menjadi tiga tingkatan: infrastruktur (daya komputasi), model, dan aplikasi, dan memberikan pandangan tentang perkembangan saat ini dari ketiga tingkat ini.

Untuk infrastruktur, meskipun logika pembangunan infrastruktur di Web2 masih menjadi andalan, masih sangat sedikit proyek infrastruktur yang benar-benar menggabungkan Web3 dan AI. Pada saat yang sama, infrastruktur juga merupakan bagian yang menangkap nilai paling besar pada tahap ini, dan oligarki teknologi Web2 telah membuat keuntungan besar dengan “menjual sekop” dalam tahap eksplorasi AI saat ini berdasarkan dekade budidaya mendalam mereka di bidang penyimpanan dan komputasi.

Untuk model, mereka seharusnya menjadi pencipta dan pemilik AI yang sebenarnya, tetapi pada tahap ini, ada sangat sedikit model bisnis yang dapat mendukung penulis model untuk mendapatkan nilai bisnis yang sesuai.

Untuk aplikasi, beberapa vertikal telah mengumpulkan pendapatan lebih dari ratusan juta dolar, tetapi biaya pemeliharaan yang tinggi dan retensi pengguna yang rendah tidak cukup untuk mendukung model bisnis jangka panjang.

2.3 Contoh aplikasi AI dan Web3 generatif

2.3.1 Menerapkan AI untuk Menganalisis Data Besar Web3

**Data adalah jantung dari membangun hambatan teknis di masa depan pengembangan AI. Untuk memahami mengapa ini penting, mari kita lihat studi tentang sumber performa model besar. Studi ini menunjukkan bahwa model AI besar menunjukkan kemampuan unik untuk muncul: dengan meningkatkan ukuran model, akurasi model akan tiba-tiba meledak ketika ambang batas tertentu terlampaui. Seperti yang ditunjukkan pada gambar di bawah ini, setiap grafik mewakili tugas pelatihan, dan setiap baris memenuhi kinerja (akurasi) model besar. Eksperimen pada model besar yang berbeda telah mencapai kesimpulan yang sama: setelah ukuran model melebihi ambang batas tertentu, kinerja pada tugas yang berbeda menunjukkan pertumbuhan terobosan.

Hubungan antara ukuran model dan performa model

Sumber: Emergent Analogical Reasoning in Large Language Models

Sederhananya, perubahan kuantitatif dalam skala model menyebabkan perubahan kualitatif dalam kinerja model. **Ukuran model terkait dengan jumlah parameter model, waktu pelatihan, dan kualitas data pelatihan. Pada tahap ini, dalam hal jumlah parameter model (perusahaan besar memiliki tim R&D teratas yang bertanggung jawab untuk desain) dan waktu pelatihan (perangkat keras komputasi dibeli oleh NVIDIA) tidak dapat menutup celah, jika Anda ingin membangun produk yang memimpin persaingan, salah satu caranya adalah menemukan titik nyeri permintaan terbaik di bidang subdivisi untuk membuat aplikasi pembunuh, tetapi ini membutuhkan pemahaman yang mendalam tentang bidang target dan wawasan yang sangat baik, sedangkan cara lain lebih praktis dan layak, yaitu mengumpulkan data yang lebih banyak dan lebih komprehensif daripada pesaing. **

Ini juga menemukan titik masuk yang baik untuk model AI generatif untuk memasuki ruang Web3. Model besar AI yang ada atau model dasar dilatih berdasarkan sejumlah besar data di berbagai bidang, dan keunikan data on-chain di Web3 menjadikan model data on-chain jalur yang layak untuk dinantikan. Saat ini ada dua logika produk untuk hierarki data di Web3: yang pertama adalah memberikan insentif bagi penyedia data untuk melindungi privasi dan kepemilikan pemilik data sambil mendorong pengguna untuk berbagi hak untuk menggunakan data satu sama lain. Ocean Protocol menyediakan cara yang bagus untuk berbagi data. Yang kedua adalah mengintegrasikan data dan aplikasi oleh tim proyek untuk menyediakan layanan kepada pengguna untuk tugas tertentu. **Misalnya, Trusta Lab mengumpulkan dan menganalisis data on-chain pengguna, dan dapat menyediakan layanan seperti analisis akun penyihir dan analisis risiko aset on-chain melalui sistem penilaian skor MEDIA yang unik.

2.3.2 Aplikasi Proxy AI untuk Web3

**Aplikasi Agen AI on-chain yang disebutkan di atas juga menjadi pusat perhatian - dengan bantuan model bahasa besar, aplikasi ini memberi pengguna layanan on-chain yang dapat diukur dengan premis untuk memastikan privasi pengguna. **Menurut posting blog dari Lilian Weng, Kepala Penelitian AI di OpenAI, Agen AI dapat dibagi menjadi empat komponen, yaitu Agen = LLM + Perencanaan + Memori + Penggunaan alat. Sebagai inti dari agen AI, LLM bertanggung jawab untuk berinteraksi dengan dunia luar, mempelajari sejumlah besar data dan mengekspresikannya secara logis dalam bahasa alami. Bagian Perencanaan + Memori mirip dengan konsep tindakan, kebijakan, dan penghargaan dalam melatih teknik pembelajaran penguatan AlphaGo. Tujuan tugas dibongkar menjadi setiap target kecil, dan solusi yang dioptimalkan dari tujuan tugas dipelajari langkah demi langkah dari hasil dan umpan balik dari beberapa pelatihan berulang, dan informasi yang diperoleh disimpan dalam berbagai jenis memori untuk fungsi yang berbeda. Adapun penggunaan alat, ini mengacu pada penggunaan alat seperti memanggil alat modular, mengambil informasi Internet, menghubungkan ke sumber informasi kepemilikan atau API, dll., Dan perlu dicatat bahwa sebagian besar informasi ini akan sulit diubah setelah pra-pelatihan.

Diagram global Agen AI

Sumber: Agen Otonom Bertenaga LLM

Dikombinasikan dengan logika implementasi spesifik AI Agent, kita dapat dengan berani membayangkan bahwa kombinasi Web3 + AI Agent akan menghadirkan imajinasi tanpa batas, seperti:

1. Mode Agen AI dapat ditambahkan ke aplikasi perdagangan saat ini, yang dapat memberi pelanggan antarmuka interaktif tingkat bahasa alami, termasuk tetapi tidak terbatas pada prediksi harga, strategi transaksi, strategi stop loss, penyesuaian leverage yang dinamis, penyalinan cerdas KOL, pinjaman, dll.
2. Saat menjalankan strategi kuantitatif, strategi tersebut dapat diuraikan lebih lanjut menjadi ** setiap sub-tugas dan diserahkan kepada agen AI yang berbeda untuk implementasi **, dan setiap agen AI bekerja sama satu sama lain, yang tidak hanya dapat meningkatkan keamanan perlindungan privasi, tetapi juga memantau secara real time untuk mencegah rekanan mengeksploitasi kerentanan untuk membalikkan robot.
3. Sejumlah besar NPC dalam game berantai juga sangat cocok untuk Agen AI, dan sekarang ada proyek untuk menerapkan GPT untuk menghasilkan konten dialog karakter game secara dinamis, dan di masa depan, diharapkan tidak terbatas pada teks preset, tetapi akan ditingkatkan ke interaksi NPC game real-time (atau bahkan manusia digital) yang lebih realistis, yang dapat mewujudkan interaksi diri tanpa melibatkan intervensi pemain. “Kota Virtual” Universitas Stanford adalah contoh yang bagus untuk ini.

Meskipun pusat proyek Web3 + AI Agent saat ini masih terkonsentrasi di pasar primer atau di sisi infrastruktur AI, dan masih belum ada aplikasi pembunuh To C, diyakini bahwa proyek Web3 + AI yang mengubah permainan di masa depan layak untuk dinantikan dengan menggabungkan berbagai karakteristik blockchain, seperti tata kelola on-chain terdistribusi, inferensi bukti tanpa pengetahuan, distribusi model, peningkatan interpretabilitas, dll.

2.3.3 Potensi aplikasi vertikal Web3 + AI

A. Aplikasi di bidang pendidikan

Kombinasi Web3 dan AI telah mengantarkan revolusi dalam pendidikan, di mana ruang kelas realitas virtual generatif adalah inovasi yang menarik. Dengan menanamkan teknologi AI ke dalam platform pembelajaran online, siswa bisa mendapatkan pengalaman belajar yang dipersonalisasi yang menghasilkan konten pendidikan yang disesuaikan berdasarkan riwayat dan minat belajar mereka. Pendekatan personal ini diharapkan dapat meningkatkan motivasi dan efektivitas siswa dalam belajar, mendekatkan pendidikan dengan kebutuhan individu.

Siswa berpartisipasi dalam kelas realitas virtual melalui perangkat VR imersif

Sumber: V-SENSE Team

Selain itu, insentif kredit model token juga merupakan praktik inovatif di bidang pendidikan. Melalui teknologi blockchain, kredit dan prestasi siswa dapat dikodekan menjadi token untuk membentuk sistem kredit digital. Insentif tersebut mendorong siswa untuk berpartisipasi aktif dalam kegiatan pembelajaran, menciptakan lingkungan belajar yang lebih partisipatif dan memotivasi.

** Pada saat yang sama, terinspirasi oleh proyek SocialFi yang baru-baru ini populer FriendTech, logika penetapan harga kunci serupa yang terikat pada ID juga dapat digunakan untuk membangun sistem evaluasi rekan **, yang juga membawa lebih banyak elemen sosial ke pendidikan. Dengan bantuan keabadian blockchain, evaluasi di antara siswa lebih adil dan transparan. Mekanisme evaluasi timbal balik ini tidak hanya membantu menumbuhkan kerja tim dan keterampilan sosial siswa, tetapi juga memberikan penilaian kinerja siswa yang lebih komprehensif dan multi-sudut, memperkenalkan metode evaluasi yang lebih beragam dan komprehensif ke sistem pendidikan.

B. Aplikasi medis

Dalam perawatan kesehatan, kombinasi Web3 dan AI mendorong pengembangan pembelajaran federasi dan inferensi terdistribusi. Dengan menggabungkan komputasi terdistribusi dan pembelajaran mesin, profesional perawatan kesehatan dapat berbagi data dalam skala besar untuk pembelajaran kelompok yang lebih dalam dan lebih komprehensif. Pendekatan kecerdasan kolektif ini dapat mempercepat pengembangan diagnosis penyakit dan pilihan pengobatan, dan memajukan bidang kedokteran.

Perlindungan privasi adalah masalah utama yang tidak dapat diabaikan dalam aplikasi medis. Melalui desentralisasi Web3 dan keabadian blockchain, data medis pasien dapat disimpan dan dikirim dengan lebih aman. Kontrak pintar dapat mencapai kontrol yang tepat dan manajemen izin data medis, memastikan bahwa hanya personel yang berwenang yang dapat mengakses informasi sensitif pasien, sehingga menjaga privasi data medis.

C. Aplikasi di bidang asuransi

Di sektor asuransi, integrasi Web3 dan AI diharapkan dapat menghadirkan solusi yang lebih efisien dan cerdas untuk bisnis tradisional. Misalnya, dalam asuransi mobil dan rumah, penggunaan teknologi visi komputer memungkinkan perusahaan asuransi untuk lebih efisien menilai nilai dan tingkat risiko properti melalui analisis gambar dan penilaian. Ini memberi perusahaan asuransi strategi penetapan harga yang lebih halus dan personal, dan meningkatkan tingkat manajemen risiko di industri asuransi.

Gunakan teknologi AI untuk penilaian klaim

Sumber: Tractable Inc

Pada saat yang sama, penyelesaian klaim otomatis on-chain juga merupakan inovasi dalam industri asuransi. Berdasarkan kontrak cerdas dan teknologi blockchain, proses klaim dapat lebih transparan dan efisien, mengurangi kemungkinan prosedur rumit dan intervensi manusia. Ini tidak hanya meningkatkan kecepatan penyelesaian klaim, tetapi juga mengurangi biaya operasional, menghasilkan pengalaman yang lebih baik bagi perusahaan asuransi dan pelanggan.

Penyesuaian premi dinamis adalah praktik inovatif lainnya, melalui analisis data real-time dan algoritma pembelajaran mesin, perusahaan asuransi dapat menyesuaikan premi dengan lebih akurat dan tepat waktu, serta mempersonalisasi harga sesuai dengan profil risiko aktual tertanggung. Ini tidak hanya membuat premi lebih adil, tetapi juga memberi insentif kepada orang-orang yang diasuransikan untuk mengadopsi perilaku yang lebih sehat dan lebih aman, mempromosikan manajemen risiko dan langkah-langkah pencegahan bagi masyarakat secara keseluruhan.

D. Aplikasi di bidang hak cipta

Di bidang hak cipta, kombinasi Web3 dan AI telah membawa paradigma baru pada pembuatan konten digital, proposal kurasi, dan pengembangan kode. Melalui kontrak cerdas dan penyimpanan terdesentralisasi, informasi hak cipta untuk konten digital dapat lebih terlindungi, dan pencipta karya dapat lebih mudah melacak dan mengelola kekayaan intelektual mereka. Pada saat yang sama, melalui teknologi blockchain, catatan kreatif yang transparan dan anti-rusak dapat dibuat, menyediakan sarana yang lebih andal untuk keterlacakan dan otentikasi karya.

Inovasi model kerja juga merupakan perubahan penting di bidang hak cipta. Kolaborasi kerja dengan insentif token mendorong pencipta, perencana, dan pengembang untuk berpartisipasi dalam proyek dengan menggabungkan kontribusi kerja dengan insentif token. Ini tidak hanya mempromosikan kolaborasi antara tim kreatif, tetapi juga memberi peserta kesempatan untuk mendapatkan manfaat langsung dari keberhasilan proyek, yang mengarah ke pekerjaan yang lebih hebat.

Di sisi lain, penerapan token sebagai bukti hak cipta membentuk kembali model distribusi manfaat. Melalui mekanisme dividen yang secara otomatis dijalankan oleh kontrak pintar, setiap peserta dalam pekerjaan dapat memperoleh bagi hasil yang sesuai secara real time ketika pekerjaan digunakan, dijual atau ditransfer. Model dividen terdesentralisasi ini secara efektif memecahkan masalah opacity dan lag dalam model hak cipta tradisional, dan menyediakan mekanisme distribusi manfaat yang lebih adil dan lebih efisien bagi para pencipta.

E. Aplikasi metaverse

Di bidang metaverse, integrasi Web3 dan AI memberikan kemungkinan baru untuk membuat konten game rantai berisi AIGC berbiaya rendah. Lingkungan virtual dan karakter yang dihasilkan oleh algoritma AI dapat memperkaya konten game berantai, memberi pengguna pengalaman game yang lebih hidup dan beragam, serta mengurangi tenaga kerja dan biaya waktu dalam proses produksi.

Produksi manusia digital adalah inovasi dalam aplikasi metaverse. Dikombinasikan dengan generasi penampilan hingga rambut dan konstruksi pemikiran berdasarkan model bahasa besar, manusia digital yang dihasilkan dapat memainkan berbagai peran dalam metaverse, berinteraksi dengan pengguna, dan bahkan berpartisipasi dalam kembar digital skenario dunia nyata. Ini memberikan pengalaman yang lebih realistis dan mendalam untuk pengembangan realitas virtual, dan mempromosikan aplikasi luas teknologi manusia virtual digital dalam hiburan, pendidikan, dan bidang lainnya.

** Secara otomatis menghasilkan konten iklan sesuai dengan potret pengguna on-chain ** Ini adalah aplikasi kreatif periklanan cerdas di bidang metaverse. Dengan menganalisis perilaku dan preferensi pengguna di metaverse, algoritme AI dapat menghasilkan konten iklan yang lebih dipersonalisasi dan menarik, meningkatkan rasio klik-tayang dan keterlibatan pengguna untuk iklan. Metode pembuatan iklan ini tidak hanya lebih sesuai dengan minat pengguna, tetapi juga memberi pengiklan cara yang lebih efisien untuk berpromosi.

NFT interaktif generatif adalah teknologi yang menarik di ruang metaverse. Dengan menggabungkan NFT dengan desain generatif, pengguna dapat berpartisipasi dalam pembuatan karya seni NFT mereka sendiri di metaverse, memberikannya interaktivitas dan keunikan. Ini membuka kemungkinan baru untuk penciptaan dan perdagangan aset digital, mendorong perkembangan seni digital dan ekonomi virtual di metaverse.

III. Target Terkait Web3

Di sini penulis telah memilih lima proyek, Render Network dan Akash Network sebagai pemimpin veteran infrastruktur AI umum dan jalur AI, Bittensor sebagai proyek populer dalam kategori model, Alethea.ai sebagai proyek aplikasi kuat AI generatif, Fetch.ai sebagai proyek tengara di bidang agensi AI, untuk melihat sekilas status proyek AI generatif saat ini di bidang Web3.

3.1 Render Jaringan ($RNDR)

Render Network didirikan pada tahun 2017 oleh Jules Urbach, pendiri perusahaan induknya, OTOY. Bisnis inti OTOY adalah rendering grafis di cloud, dan telah mengerjakan proyek film dan televisi pemenang Oscar, dengan pendiri Google dan Mozilla sebagai penasihat, dan telah mengerjakan beberapa proyek dengan Apple. Tujuan dari Render Network, yang membentang dari OTOY ke bidang Web3, adalah untuk menggunakan sifat terdistribusi dari teknologi blockchain untuk menghubungkan rendering skala kecil dan permintaan AI dan sumber daya ke platform terdesentralisasi, sehingga menghemat bengkel kecil biaya penyewaan sumber daya komputasi terpusat yang mahal (seperti AWS, MS Azure dan Alibaba Cloud), dan juga menyediakan penghasilan bagi mereka yang memiliki sumber daya komputasi menganggur.

Karena Render adalah perusahaan OTOY yang secara independen mengembangkan perender berkinerja tinggi Octane Render, ditambah dengan logika bisnis yang pasti, itu dianggap sebagai proyek Web3 dengan kebutuhan dan fundamentalnya sendiri di awal peluncurannya. Selama periode ketika AI generatif sangat populer, permintaan untuk verifikasi terdistribusi dan tugas inferensi terdistribusi sangat cocok untuk arsitektur teknis Render, dan itu dianggap sebagai salah satu arah pengembangan yang menjanjikan di masa depan. Pada saat yang sama, Render telah menduduki posisi terdepan dalam jalur AI di bidang Web3 selama bertahun-tahun dalam beberapa tahun terakhir, dan telah memperoleh tingkat sifat meme tertentu.

Pada Februari 2023, Render Network mengumumkan pembaruan yang akan datang untuk tingkatan harga baru dan mekanisme stabilisasi harga $RNDR yang dipilih komunitas (namun, belum dikonfirmasi kapan akan ditayangkan), dan pada saat yang sama mengumumkan bahwa proyek akan ditransfer dari Polygon ke Solana (bersama dengan peningkatan token $RNDR menjadi token $RENDER berdasarkan standar Solana SPL, yang telah selesai pada November 2023).

Sistem penilaian harga baru yang dirilis oleh Render Network membagi layanan on-chain menjadi tiga tingkatan, dari tinggi ke rendah, sesuai dengan titik harga dan kualitas layanan rendering yang berbeda, yang dapat dipilih oleh permintaan rendering.

Tiga tingkatan tingkat harga baru Render Network

Mekanisme stabilisasi harga $ RNDR, yang dipilih oleh komunitas, telah diubah dari pembelian kembali tidak teratur sebelumnya menjadi penggunaan model “Burn-and-Mint Equilibrium (BME)”, membuat posisi $ RNDR sebagai token pembayaran stabilitas harga daripada memegang aset untuk waktu yang lama lebih jelas. Proses bisnis spesifik dalam Zaman BME ditunjukkan dalam diagram berikut:

1. Pembuatan Produk. “Pembuat produk” di Render, yaitu penyedia sumber daya rendering, yang mengemas sumber daya rendering idle ke dalam produk (node) dan menunggu untuk digunakan di jaringan.
2. “Membeli Produk”. Pelanggan dengan kebutuhan rendering akan langsung membakar token sebagai pembayaran untuk layanan jika mereka memiliki token $ RNDR, dan jika tidak, mereka akan terlebih dahulu membeli token $ RNDR dengan mata uang fiat di DEX. Harga yang dibayarkan untuk layanan ini dicatat secara publik secara on-chain.
3. Mint token “Mint Token”. Menurut aturan yang telah ditetapkan, token baru dialokasikan.

Catatan: Render Network mengumpulkan 5% dari biaya yang dibayarkan oleh pembeli produk dari setiap transaksi untuk pengoperasian proyek.

Zaman Kesetimbangan Burn-and-Mint

Kredit untuk Petar Atanasovski

Sumber: Medium

Menurut aturan yang telah ditetapkan, di setiap zaman yang dijalankan oleh BME, sejumlah token baru yang telah ditetapkan akan dicetak (jumlah yang telah ditetapkan akan berkurang secara bertahap seiring waktu). Token yang baru dicetak akan didistribusikan ke tiga pihak:

1. Pembuat Produk. Pencipta produk memperoleh dengan dua cara:

2. Hadiah untuk menyelesaikan misi. Sangat mudah untuk memahami bahwa setiap node produk dihargai sesuai dengan jumlah tugas rendering yang diselesaikan.

3. Hadiah Online. Hadiah akan diberikan sesuai dengan pasar siaga online dari setiap node produk, dan lebih banyak pekerjaan online akan didorong untuk membatasi sumber daya.

4. Pembeli Produk. Mirip dengan rabat produk mal, pembeli bisa mendapatkan hingga 100% dari rabat token $ RNDR untuk mendorong penggunaan Jaringan Render yang berkelanjutan di masa depan.

5. Penyedia likuiditas DEX (Decentralized Exchange). Penyedia likuiditas di DEX koperasi dapat diberi imbalan sesuai dengan jumlah $ RNDR yang dipertaruhkan dengan memastikan bahwa mereka dapat membeli jumlah $ RNDR yang cukup dengan harga yang wajar ketika mereka perlu membakar $ RNDR.

** **

Sumber: coingecko.com

Dari tren harga $RNDR pada tahun lalu, dapat dilihat bahwa sebagai proyek terkemuka jalur AI di Web3 selama bertahun-tahun, $RNDR telah memakan dividen dari gelombang ledakan AI yang didorong oleh ChatGPT pada akhir 2022 dan awal 2023, dan pada saat yang sama, dengan dirilisnya mekanisme token baru, harga $RNDR telah mencapai titik tertinggi pada paruh pertama tahun 2023. Setelah paruh kedua tahun ini menyamping, harga $RNDR telah mencapai titik tertinggi dalam beberapa tahun terakhir dengan pemulihan AI yang dibawa oleh konferensi pers baru OpenAI, migrasi Render Network ke Solana, dan implementasi mekanisme token baru yang akan segera terjadi. Karena perubahan mendasar sebesar $ RNDR minimal, bagi investor, investasi masa depan sebesar $ RNDR perlu lebih bijaksana dalam manajemen posisi dan manajemen risiko.

Jumlah node Render Network per bulan

** **

Render Network Jumlah adegan yang dirender per bulan

Sumber: Dune.com

Pada saat yang sama, seperti yang Anda lihat dari dasbor Dune, jumlah total pekerjaan rendering telah meningkat sejak awal tahun 2023, tetapi jumlah node rendering tidak meningkat. Dikombinasikan dengan ledakan AI generatif pada akhir tahun 2022, masuk akal untuk menyimpulkan bahwa tugas rendering tambahan semuanya adalah tugas terkait AI generatif. Saat ini, sulit untuk mengatakan apakah bagian dari permintaan ini adalah permintaan jangka panjang, dan perlu ditindaklanjuti untuk mengamati.

3.2 Jaringan Akash ($AKT)

Akash Network adalah platform komputasi awan terdesentralisasi yang bertujuan untuk menyediakan pengembang dan perusahaan dengan solusi komputasi awan yang lebih fleksibel, efisien, dan hemat biaya. Platform “super cloud” yang dibangun oleh proyek ini dibangun di atas teknologi blockchain terdistribusi, yang memanfaatkan sifat blockchain yang terdesentralisasi untuk menyediakan pengguna dengan infrastruktur cloud terdesentralisasi yang dapat menyebarkan dan menjalankan aplikasi dalam skala global, termasuk beragam sumber daya komputasi termasuk CPU, GPU, dan penyimpanan.

Pendiri Akash Network, Greg Osuri dan Adam Bozanich, adalah pengusaha serial yang telah bekerja bersama selama bertahun-tahun, masing-masing dengan pengalaman proyek bertahun-tahun, setelah ikut mendirikan proyek Overclock Labs, yang masih merupakan peserta inti di Akash Network. Tim pendiri memiliki visi yang jelas tentang misi utama Akash Network, yaitu mengurangi biaya komputasi awan, meningkatkan ketersediaan, dan meningkatkan kontrol pengguna atas sumber daya komputasi. Melalui penawaran terbuka, yang memberi insentif kepada penyedia sumber daya untuk membuka sumber daya komputasi idle di jaringan mereka, Akash Network memungkinkan penggunaan sumber daya yang lebih efisien, sehingga memberikan harga yang lebih kompetitif bagi permintaan sumber daya.

Akash Network memulai program pembaruan Akash Network Economics 2.0 pada Januari 2023, dengan tujuan mengatasi banyak kekurangan ekonomi token saat ini, termasuk:

1. Harga pasar token $AKT berfluktuasi, menyebabkan harga kontrak jangka panjang tidak sesuai dengan nilainya
2. Insentif untuk penyedia sumber daya tidak cukup untuk melepaskan sejumlah besar daya komputasi di tangan mereka
3. Insentif masyarakat yang tidak mencukupi merugikan pengembangan jangka panjang proyek Akash
4. Penangkapan nilai token $AKT yang tidak memadai berisiko mempengaruhi stabilitas proyek

Menurut informasi yang disediakan di situs web resmi, solusi yang diusulkan oleh rencana Akash Network Economics 2.0 termasuk pengenalan pembayaran stablecoin, penambahan pesanan pembuat dan biaya makan telur untuk meningkatkan pendapatan protokol, peningkatan insentif untuk penyedia sumber daya dan peningkatan jumlah insentif komunitas, dll., Di antaranya fungsi pembayaran stablecoin dan fungsi biaya pengambil pembuat telah diluncurkan dan diimplementasikan.

Sebagai token asli Akash Network, $AKT memiliki berbagai kegunaan dalam protokol, termasuk verifikasi staking (keamanan), insentif, tata kelola jaringan, dan pembayaran biaya transaksi. Menurut data yang disediakan di situs web resmi, total pasokan $AKT adalah 388 juta, dan pada November 2023, 229 juta telah dibuka sejauh ini, terhitung sekitar 59%. Token pendiri yang didistribusikan pada peluncuran proyek telah sepenuhnya dibuka pada Maret 2023 dan akan memasuki sirkulasi pasar sekunder. Rasio distribusi token genesis adalah sebagai berikut:

Khususnya, dalam hal penangkapan nilai, satu fitur yang $ AKT usulkan untuk diterapkan yang belum diterapkan tetapi disebutkan dalam whitepaper adalah bahwa Akash berencana untuk membebankan “biaya biaya” untuk setiap sewa yang berhasil. Selanjutnya, ia mengirimkan biaya ini ke Take Income Pool sehingga dapat didistribusikan kepada pemegang. Program ini memberikan biaya 10% untuk transaksi $ AKT dan biaya 20% untuk transaksi menggunakan cryptocurrency lainnya. Selain itu, Akash juga berencana untuk memberi penghargaan kepada pemegang yang mengunci kepemilikan $ AKT mereka untuk jangka waktu yang lebih lama. Akibatnya, investor yang memegang untuk jangka waktu yang lebih lama akan memenuhi syarat untuk imbalan yang lebih murah hati. Jika proyek ini berhasil diluncurkan di masa depan, itu pasti akan menjadi kekuatan pendorong utama untuk harga mata uang, dan juga akan membantu memperkirakan nilai proyek dengan lebih baik.

** **

Sumber: coingecko.com

Seperti dapat dilihat dari tren harga yang ditunjukkan pada coingecko.com, harga $AKT juga mengantarkan kenaikan masing-masing pada pertengahan Agustus dan akhir November 2023, tetapi masih belum sebagus peningkatan periode yang sama dari proyek lain di jalur AI, yang mungkin terkait dengan kecenderungan sentimen modal saat ini. Secara keseluruhan, proyek Akash, sebagai salah satu dari beberapa proyek berkualitas tinggi di jalur AI, memiliki fundamental yang lebih baik daripada sebagian besar pesaing di jalur AI. Dengan perkembangan industri AI dan intensifikasi sumber daya komputasi awan, diyakini bahwa Akash Network akan dapat melonjak di gelombang AI berikutnya di masa depan.

3.3 Bittensor ($TAO)

Jika pembaca terbiasa dengan arsitektur teknis $ BTC, akan sangat mudah untuk memahami desain Bittensor. Bahkan, ketika merancang Bittensor, penulisnya meminjam banyak karakteristik veteran crypto $ BTC, termasuk: total 21 juta token, pengurangan separuh produksi setiap empat tahun, mekanisme konsensus yang melibatkan PoW, dan sebagainya. Secara khusus, mari kita bayangkan proses produksi BTC awal, dan kemudian ganti proses “penambangan” untuk menghitung angka acak yang tidak dapat menciptakan nilai nyata dengan pelatihan dan validasi model AI, dan memberi insentif kepada penambang untuk bekerja berdasarkan kinerja dan keandalan model AI, yang merupakan ringkasan sederhana dari arsitektur proyek Bittensor ($ TAO).

Proyek Bittensor pertama kali didirikan pada tahun 2019 oleh dua peneliti AI, Jacob Steeves dan Ala Shaabana, dan kerangka kerja utamanya didasarkan pada isi kertas putih yang ditulis oleh penulis misterius, Yuma Rao. Singkatnya, ia merancang protokol open-source tanpa izin dan membangun arsitektur jaringan yang terdiri dari banyak subnet yang dihubungkan oleh subnet berbeda yang bertanggung jawab untuk tugas yang berbeda (terjemahan mesin, pengenalan dan pembuatan gambar, model bahasa besar, dll.), Dan penyelesaian tugas yang sangat baik akan diberi insentif, sementara memungkinkan subnet untuk berinteraksi dan belajar dari satu sama lain.

Melihat kembali model AI besar yang saat ini ada di pasaran, tanpa kecuali, semuanya berasal dari sejumlah besar sumber daya komputasi dan data yang diinvestasikan oleh raksasa teknologi. Meskipun benar bahwa produk AI yang dilatih dengan cara ini berkinerja mengesankan, mereka juga datang dengan risiko tinggi konsentrasi menjadi jahat. Infrastruktur Bittensor dirancang untuk memungkinkan jaringan ahli berkomunikasi untuk berkomunikasi dan belajar dari satu sama lain, yang meletakkan dasar untuk pelatihan desentralisasi model besar. Visi jangka panjang Bittensor adalah untuk bersaing dengan model sumber tertutup raksasa seperti OpenAI, Meta, Google, dll., Untuk mencapai kinerja inferensi yang cocok sambil mempertahankan sifat model yang terdesentralisasi.

Inti teknis dari jaringan Bittensor berasal dari mekanisme konsensus Yuma Rao yang dirancang secara unik, juga dikenal sebagai konsensus Yuma, yang merupakan mekanisme konsensus yang mencampur PoW dan PoS. Peserta utama di sisi penawaran dibagi menjadi “server” (yaitu, penambang) dan “validator”, dan peserta di sisi permintaan adalah “klien” (yaitu, pelanggan) yang menggunakan model dalam jaringan. Penambang bertanggung jawab untuk menyediakan model yang telah dilatih sebelumnya untuk tugas subnet saat ini, dan insentif yang diterima bergantung pada kualitas model yang disediakan, sementara validator bertanggung jawab untuk memverifikasi kinerja model dan bertindak sebagai perantara sebelum penambang dan pelanggan. Proses spesifiknya adalah sebagai berikut:

** **

1. Klien mengirimkan persyaratan untuk menggunakan model dalam subnet dan data yang perlu dihitung ke validator
2. Validator mengalokasikan data ke setiap penambang di bawah subnet
3. Penambang mengembalikan hasil setelah inferensi model menggunakan model mereka sendiri dan data yang diterima
4. Validator mengurutkan hasil inferensi yang diterima sesuai dengan kualitasnya, dan hasil penyortiran disimpan pada rantai
5. Hasil inferensi optimal dikembalikan ke pengguna, penambang diurutkan sesuai dengan urutan, dan validator diberi imbalan sesuai dengan beban kerja

Perlu dicatat bahwa di sebagian besar subnet, Bittensor sendiri tidak melatih model apa pun, dan perannya lebih seperti menghubungkan penyedia model dan peminta model, dan atas dasar ini, ia lebih lanjut menggunakan interaksi antara model kecil untuk meningkatkan kinerja dalam tugas yang berbeda. Saat ini, ada 30 subnet yang telah online (atau telah online), sesuai dengan model tugas yang berbeda.

Sebagai token asli Bittensor, $TAO memainkan peran penting dalam ekosistem dengan membuat subnet, mendaftar di subnet, membayar layanan, mempertaruhkan validator, dan banyak lagi. Pada saat yang sama, karena praktik proyek Bittensor untuk menghormati semangat BTC, $ TAO memilih awal yang adil, yaitu, semua token akan dihasilkan dengan berkontribusi pada jaringan. Saat ini, output harian $ TAO adalah sekitar 7200, yang dibagi rata antara penambang dan validator. Sejak peluncuran proyek, sekitar 26,3% dari jumlah total 21 juta telah dihasilkan, di mana 87,21% token telah digunakan untuk staking dan verifikasi. Pada saat yang sama, proyek ini dirancang untuk mengurangi separuh produksi (sama dengan BTC) setiap 4 tahun, yang terbaru akan terjadi pada 20 September 2025, yang juga akan menjadi pendorong besar kenaikan harga.

Sumber: taostats.io

** **

Dari tren harga, kita dapat melihat bahwa harga $TAO telah mengalami kenaikan tajam sejak akhir Oktober 2023, dan berspekulasi bahwa kekuatan pendorong utama adalah babak baru ledakan AI yang dibawa oleh konferensi pers OpenAI, yang telah membuat sektor modal berputar ke sektor AI. Pada saat yang sama, $TAO Sebagai proyek yang muncul di jalur Web3 + AI, kualitas proyeknya yang sangat baik dan visi proyek jangka panjang juga merupakan alasan utama untuk menarik dana. Namun, kita harus mengakui bahwa, seperti proyek AI lainnya, meskipun kombinasi Web3 + AI memiliki potensi besar, penerapannya dalam bisnis yang sebenarnya tidak cukup untuk mendukung proyek menguntungkan jangka panjang.

3.4 Alethea.ai($ALI)

Didirikan pada tahun 2020, Alethea.ai adalah proyek yang didedikasikan untuk membawa kepemilikan terdesentralisasi dan tata kelola terdesentralisasi ke konten generatif menggunakan teknologi blockchain. Para pendiri Alethea.ai percaya bahwa AI generatif akan menempatkan kita di era di mana konten generatif mengarah pada redundansi informasi, di mana sejumlah besar konten elektronik hanya disalin dan ditempel atau dihasilkan dengan satu klik, dan orang-orang yang menciptakan nilai di tempat pertama tidak akan dapat memperoleh manfaat darinya. Dengan menghubungkan primitif on-chain (seperti NFT) dengan AI generatif, kepemilikan AI generatif dan kontennya dapat dipastikan, dan tata kelola komunitas dapat dilakukan atas dasar ini.

Didorong oleh filosofi ini, Alethea.ai awal memperkenalkan standar NFT baru, iNFT, yang memanfaatkan Intelligence Pod untuk membuat animasi AI tertanam, sintesis ucapan, dan bahkan AI generatif ke dalam gambar. Selain itu, Alethea.ai bermitra dengan seniman untuk membuat karya seni mereka menjadi iNFT, yang terjual $478,000 di Sotheby’s.

Suntikkan jiwa ke dalam NFT

Sumber: Alethea.ai

Kemudian Alethea.ai meluncurkan Protokol AI, yang memungkinkan pengembang dan pembuat AI generatif untuk berkreasi dengan standar iNFT tanpa izin. Pada saat yang sama, untuk membuat sampel untuk proyek lain dengan Protokol AI-nya sendiri, Alethea.ai juga meminjam teori model besar GPT untuk meluncurkan CharacterGPT, alat untuk membuat NFT interaktif. Selain itu, Alethea.ai juga baru-baru ini merilis Open Fusion, yang memungkinkan NFT ERC-721 apa pun di pasaran digabungkan dengan Intelligence dan dirilis ke AI Protocol.

Token asli Alethea.ai adalah $ALI, dan kegunaan utamanya empat kali lipat:

1. Kunci sejumlah $ALI untuk membuat iNFT
2. Semakin terkunci, semakin tinggi level Intelligence Pod
3. Pemegang $ALI berpartisipasi dalam tata kelola komunitas
4. $ALI dapat digunakan sebagai kredensial untuk berpartisipasi dalam interaksi antara iNFT (belum ada kasus penggunaan dunia nyata)

Sumber: coingecko.com

Seperti yang dapat dilihat dari kasus penggunaan $ALI, penangkapan nilai saat ini dari token ini masih pada tingkat naratif, dan kesimpulan ini juga dapat dikonfirmasi dari perubahan harga mata uang dalam setahun: $ALI telah menuai dividen dari ledakan AI generatif yang dipimpin oleh ChatGPT sejak Desember 2022. Pada saat yang sama, pada bulan Juni tahun ini, ketika Alethea.ai mengumumkan peluncuran fitur Open Fusion terbarunya, itu juga membawa gelombang pertumbuhan. Selain itu, harga $ALI telah mengalami tren penurunan, dan bahkan ledakan AI pada akhir 2023 telah gagal mendorong harga naik ke tingkat rata-rata proyek di jalur yang sama.

Selain token asli, mari kita lihat kinerja proyek NFT, iNFT Alethea.ai (termasuk koleksi yang dirilis secara resmi) di pasar NFT.

Penjualan harian Intelligence Pods di Opensea

** **

Penjualan harian Revenants Collection di Opensea

Sumber: Dune.com

Dari statistik dasbor Dune, kita dapat melihat bahwa Intelligence Pod, yang dijual ke pihak ketiga, dan koleksi Revenants, yang dirilis oleh pihak pertama Alethea.ai, secara bertahap menghilang setelah beberapa waktu setelah rilis awal. Alasan utama untuk ini, menurut penulis, seharusnya setelah kebaruan awal memudar, tidak ada nilai aktual atau popularitas komunitas untuk mempertahankan pengguna.

3,5 Fetch.ai($FET)

Fetch.ai adalah proyek yang didedikasikan untuk mempromosikan konvergensi kecerdasan buatan dan teknologi blockchain. Tujuan perusahaan adalah untuk membangun ekonomi cerdas yang terdesentralisasi yang menggerakkan aktivitas ekonomi antara agen cerdas melalui kombinasi pembelajaran mesin, blockchain, dan teknologi buku besar terdistribusi.

Fetch.ai didirikan pada tahun 2019 oleh para ilmuwan dari Inggris, Humayun Sheikh, Toby Simpson, dan Thomas Hain. Ketiga pendiri berasal dari berbagai latar belakang, termasuk Humayun Sheikh sebagai investor awal di Deepmind, Toby Simpson sebagai eksekutif di beberapa perusahaan, dan Thomas Hain sebagai profesor kecerdasan buatan di University of Sheffield. Fetch.ai Latar belakang mendalam tim pendiri telah membawa sumber daya industri yang kaya ke perusahaan, meliputi perusahaan IT tradisional, proyek bintang blockchain, proyek medis dan superkomputer, dan bidang lainnya.

Misi Fetch.ai adalah membangun platform web terdesentralisasi yang terdiri dari agen ekonomi otonom dan aplikasi AI, memungkinkan pengembang untuk menyelesaikan tugas target yang telah ditetapkan dengan membuat agen otonom. Teknologi inti dari platform ini adalah arsitektur tiga tingkat yang unik:

• Underlying: Jaringan kontrak pintar yang mendasari berdasarkan PoS-uD (yaitu, mekanisme konsensus proof-of-stake tanpa izin) yang mendukung kolaborasi antar-penambang dan pelatihan pembelajaran mesin dasar dan inferensi
• Lapisan tengah: OEF (Open Economic Framework) menyediakan ruang bersama bagi AEA untuk berinteraksi satu sama lain, memungkinkan AEA untuk berinteraksi dengan protokol yang mendasarinya, dan juga mendukung AEA untuk mencari, menemukan, dan berdagang satu sama lain
• Atas: AEA (Autonomous Economic Agent), yang merupakan komponen inti dari Fetch.ai. Setiap AEA adalah perangkat lunak agen pintar yang memungkinkan fungsi yang berbeda melalui berbagai modul keterampilan untuk menyelesaikan tugas yang telah ditentukan sebelumnya atas nama pengguna. Alih-alih berjalan langsung di blockchain, perangkat lunak agen berinteraksi dengan blockchain dan kontrak pintar melalui lapisan perantara OEF. Perangkat lunak agen cerdas semacam ini dapat berupa perangkat lunak murni, atau dapat diikat ke perangkat keras yang sebenarnya, seperti ponsel, komputer, mobil, dll. Secara resmi, kit pengembangan berbasis Python, kerangka AEA, tersedia, yang dapat disusun, memungkinkan pengembang untuk membangun perangkat lunak agen cerdas mereka sendiri dengannya.

Membangun arsitektur ini, Fetch.ai juga telah meluncurkan beberapa produk dan layanan tindak lanjut, seperti Co-Learn (model pembelajaran mesin bersama antar agen) dan Metaverse (layanan hosting cloud agen pintar) untuk memungkinkan pengguna mengembangkan agen pintar mereka sendiri di platformnya.

Dalam hal token, $FET, sebagai token asli Fetch.ai, mencakup peran reguler membayar gas, mempertaruhkan verifikasi, dan membeli layanan dalam jaringan. Lebih dari 90% token telah dibuka sejauh ini sebesar $FET, yang didistribusikan sebagai berikut:

Sejak peluncuran proyek, Fetch.ai telah menerima beberapa putaran pendanaan dalam bentuk kepemilikan token terdilusi, terakhir pada 29 Maret 2023, ketika Fetch.ai menerima pendanaan $30 juta dari DWF Lab. Karena token $FET tidak menangkap nilai proyek dalam hal pendapatan, kekuatan pendorong kenaikan harga terutama dari pembaruan proyek dan sentimen pasar terhadap jalur AI. Terlihat harga Fetch.ai melonjak lebih dari 100% di awal tahun 2023 dan di akhir tahun 2023.

Sumber: coingecko.com

Dibandingkan dengan cara lain untuk proyek blockchain untuk berkembang dan mendapatkan perhatian, jalur pengembangan Fetch.ai lebih seperti proyek startup AI di Web2.0, dengan fokus pada memoles tingkat teknis, membuat nama untuk dirinya sendiri dan menemukan poin keuntungan melalui pembiayaan berkelanjutan dan kerja sama yang luas. Pendekatan ini menyisakan banyak ruang untuk aplikasi masa depan untuk dikembangkan berdasarkan Fetch.ai, tetapi model pengembangan juga membuatnya kurang menarik bagi proyek blockchain lain untuk mengaktifkan ekosistem (salah satu pendiri Fetch.ai secara pribadi mendirikan proyek DEX berbasis Fetch.ai Mettalex DEX, yang akhirnya gagal). Sebagai proyek berorientasi infrastruktur, sulit untuk meningkatkan nilai intrinsik proyek Fetch.ai karena layu ekologi.

Keempat, AI generatif memiliki masa depan yang menjanjikan

CEO Nvidia Jensen Huang menyebut rilis model generatif sebagai momen “iPhone” AI, dan sumber daya yang langka untuk memproduksi AI pada tahap ini adalah infrastruktur yang berpusat pada chip komputasi berkinerja tinggi. Sebagai sub-track AI yang mengunci dana terbanyak di Web3, proyek infrastruktur AI selalu menjadi fokus investasi dan penelitian jangka panjang investor. Dapat diperkirakan bahwa dengan peningkatan bertahap peralatan daya komputasi oleh raksasa chip, peningkatan bertahap daya komputasi AI, dan pembukaan kemampuan AI, dapat diperkirakan bahwa lebih banyak proyek infrastruktur AI di bidang yang terbagi di Web3 akan muncul di masa depan, dan bahkan dapat diharapkan bahwa chip yang dirancang dan diproduksi khusus untuk pelatihan AI di Web3 akan keluar di masa depan. **

Meskipun pengembangan produk AI generatif ToC masih dalam tahap percobaan, beberapa produk kelas industri ToB-nya telah menunjukkan potensi besar. Salah satunya adalah teknologi “digital twin” yang memigrasikan skenario dunia nyata ke ranah digital, dikombinasikan dengan platform komputasi ilmiah digital twin yang dirilis NVIDIA untuk visi metaverse, mengingat masih ada sejumlah besar nilai data di industri yang belum dirilis, AI generatif akan menjadi bantuan penting bagi digital twin dalam skenario industri. Bergerak lebih jauh ke bidang Web3, termasuk metaverse, pembuatan konten digital, aset dunia nyata, dll., Akan dipengaruhi oleh teknologi kembar digital bertenaga AI.

Pengembangan perangkat keras interaktif baru juga merupakan tautan yang tidak dapat diabaikan. Secara historis, setiap inovasi perangkat keras di dunia komputer telah membawa perubahan seismik dan peluang pengembangan baru, seperti mouse komputer yang biasa saat ini, atau iPhone 4 dengan layar kapasitif multi-touch. Apple Vision Pro, yang telah diumumkan akan diluncurkan pada kuartal pertama tahun 2024, telah menarik banyak perhatian di seluruh dunia dengan demonya yang menakjubkan, yang seharusnya membawa perubahan dan peluang tak terduga ke berbagai industri ketika benar-benar diluncurkan. Dengan keunggulan produksi konten yang cepat, penyebaran yang cepat, dan jangkauan yang luas, bidang hiburan sering kali menjadi yang pertama mendapat manfaat setelah setiap pembaruan teknologi perangkat keras. Tentu saja, ini juga mencakup berbagai trek hiburan visual seperti metaverse, game berantai, dan NFT di Web3, yang layak mendapat perhatian dan penelitian jangka panjang pembaca di masa depan.

Dalam jangka panjang, pengembangan AI generatif adalah proses perubahan kuantitatif yang mengarah pada perubahan kualitatif. Inti dari ChatGPT adalah solusi dari masalah penalaran Q&A, yaitu masalah yang telah banyak ditonton dan dipelajari di dunia akademis sejak lama. Setelah iterasi data dan model jangka panjang, akhirnya mencapai tingkat GPT-4, yang membuat kagum dunia. Hal yang sama berlaku untuk aplikasi AI di Web3, yang masih dalam tahap memperkenalkan model dari Web2 ke Web3, dan model yang dikembangkan sepenuhnya berdasarkan data Web3 belum muncul. Di masa depan, pihak proyek yang berpandangan jauh ke depan dan banyak sumber daya perlu diinvestasikan dalam penelitian masalah praktis di Web3, sehingga aplikasi pembunuh tingkat ChatGPT Web3 sendiri dapat secara bertahap semakin dekat.

Pada tahap ini, ada banyak arah yang perlu ditelusuri di bawah latar belakang teknis AI generatif, salah satunya adalah teknologi Chain-of-Thought yang bergantung pada implementasi logika. Sederhananya, melalui rantai teknologi pemikiran, model bahasa besar telah mampu membuat lompatan kualitatif dalam penalaran multi-langkah. Namun, penggunaan rantai pemikiran belum terpecahkan, atau sampai batas tertentu, telah menyebabkan masalah kemampuan penalaran yang tidak memadai dari model besar dalam logika yang kompleks. Pembaca yang tertarik pada aspek ini harus membaca makalah penulis asli rantai pemikiran.

Keberhasilan ChatGPT telah menyebabkan munculnya berbagai rantai GPT populer di Web3, tetapi kombinasi GPT dan kontrak pintar yang sederhana dan kasar tidak dapat benar-benar menyelesaikan kebutuhan pengguna. Sudah sekitar setahun sejak rilis ChatGPT, dan dalam jangka panjang, itu hanya jentikan jari, dan produk masa depan juga harus dimulai dari kebutuhan nyata pengguna Web3 itu sendiri, dan dengan teknologi Web3 yang semakin matang, saya percaya bahwa penerapan AI generatif di Web3 memiliki kemungkinan tak terbatas yang patut dinantikan.

Referensi

Google Cloud Tech - Pengantar AI Generatif

AWS - Apa itu AI Generatif

Ekonomi Model Bahasa Besar

Segera setelah Model Difusi dipaksakan, GAN menjadi usang???

Mengilustrasikan Pembelajaran Penguatan dari Umpan Balik Manusia (RLHF)

AI Generatif dan Web3

Siapa yang memiliki platform AI generatif?

Apple Vision Pro Bulan Purnama Memikirkan Kembali: XR, RNDR, dan Masa Depan Komputasi Spasial

Bagaimana AI dicetak sebagai NFT?

Penalaran Analogis yang Muncul dalam Model Bahasa Besar

Akash Network Token (AKT) Genesis Membuka Kunci Jadwal dan Perkiraan Pasokan