Pemikiran dan eksplorasi terbaru dari trek AI + Crypto

Penulis: Ian@Foresight Ventures

Tl; DR

Setelah berbulan-bulan mempelajari bidang di mana AI dan Crypto Assets digabungkan, pemahaman tentang arah ini lebih dalam. Artikel ini membuat analisis komparatif dari pandangan awal dan arah trek saat ini, dan mereka yang akrab dengan trek dapat mulai dari bagian kedua. **

• DesentralisasiComputing Power Network: Dihadapkan dengan tantangan permintaan pasar, tujuan akhir dari Desentralisasi adalah untuk menurunkan biaya. Atribut komunitas dan token Web3 membawa nilai yang tidak dapat diabaikan, tetapi masih merupakan nilai tambah untuk jalur Daya Komputasi itu sendiri, daripada perubahan subversif, dan fokusnya adalah menemukan cara untuk menggabungkan dengan kebutuhan pengguna, daripada secara membabi buta menggunakan jaringan Daya Komputasi Desentralisasi sebagai suplemen untuk kurangnya Daya Komputasi terpusat.
• AI Marketplace: Membahas gagasan pasar AI finansial tautan lengkap di mana nilai dan nilai vital yang dibawa oleh komunitas dan token dibahas. Pasar semacam itu tidak hanya berfokus pada Daya Komputasi dan data yang mendasarinya, tetapi juga pada model itu sendiri dan aplikasi terkait. Finansialisasi model adalah elemen inti dari pasar AI, di satu sisi, ini menarik pengguna untuk berpartisipasi langsung dalam proses penciptaan nilai model AI, dan di sisi lain, ini menciptakan permintaan untuk Daya Komputasi dan data yang mendasarinya.
• Onchain AI, ZKML menghadapi tantangan ganda permintaan dan penawaran, sementara OPML memberikan solusi yang lebih seimbang antara biaya dan efisiensi. Meskipun OPML merupakan inovasi teknologi, namun tidak serta merta menyelesaikan tantangan mendasar yang dihadapi oleh AI on-chain, yaitu tidak adanya permintaan.
• Lapisan aplikasi, sebagian besar proyek aplikasi AI web3 terlalu naif, aplikasi AI lebih masuk akal untuk meningkatkan pengalaman pengguna dan meningkatkan efisiensi pengembangan, atau sebagai bagian penting dari pasar AI.

Pertama, ulasan trek AI

Dalam beberapa bulan terakhir, saya telah melakukan penelitian mendalam tentang topik AI + crypto, dan setelah beberapa bulan presipitasi, saya senang bahwa saya telah memperoleh wawasan tentang arah beberapa trek pada tahap yang relatif awal, tetapi saya juga dapat melihat bahwa ada beberapa pendapat yang tampaknya tidak akurat sekarang.

**Artikel ini hanya tentang opini, bukan intro,**Ini akan mencakup beberapa arah umum AI di web3 dan menunjukkan pandangan dan analisis saya tentang trek sebelum dan sekarang. Perspektif yang berbeda mungkin memiliki inspirasi yang berbeda, yang dapat dilihat secara dialektis.

Pertama-tama mari kita tinjau arah utama AI + crypto yang ditetapkan pada paruh pertama tahun ini:

1.1 Daya Komputasi Terdistribusi

Dalam “A Rational Look at DecentralizationComputing Power Network”, berdasarkan logika bahwa Computing Power akan menjadi sumber daya paling berharga di masa depan, nilai yang dapat diberikan crypto kepada jaringan Computing Power dianalisis.

Meskipun Decentralization Distributed Computing Power Network memiliki permintaan terbesar untuk pelatihan model besar AI, ia juga menghadapi tantangan terbesar dan hambatan teknis. Ini termasuk kebutuhan untuk sinkronisasi data yang kompleks dan masalah optimasi jaringan. Selain itu, privasi dan keamanan data juga menjadi kendala penting. Meskipun ada beberapa teknologi yang ada yang dapat memberikan solusi awal, mereka masih tidak berlaku dalam tugas pelatihan terdistribusi skala besar karena overhead komputasi dan komunikasi yang sangat besar. Jelas, Jaringan Daya Komputasi Terdistribusi Desentralisasi memiliki lebih banyak peluang untuk mendarat dalam inferensi model, dan ruang tambahan yang dapat memprediksi masa depan juga cukup besar. Namun, ia juga menghadapi tantangan seperti keterlambatan komunikasi, privasi data, dan keamanan model. Dibandingkan dengan pelatihan model, inferensi memiliki kompleksitas komputasi dan interaktivitas data yang lebih rendah, dan lebih cocok untuk dilakukan di lingkungan terdistribusi.

1.2 Pasar AI Desentralisasi

Dalam “Upaya Terbaik untuk Desentralisasi AI Marketplace”, disebutkan bahwa pasar AI Desentralisasi yang sukses perlu menggabungkan keunggulan AI dan Web3 dengan cermat, menggunakan nilai tambah distribusi, Konfirmasi Ekuitas aset, distribusi pendapatan, dan DesentralisasiDaya Komputasi untuk menjatuhkan ambang batas aplikasi AI, mendorong pengembang untuk mengunggah dan berbagi model, dan melindungi hak privasi data pengguna, sehingga dapat membangun platform perdagangan dan berbagi sumber daya AI yang ramah pengembang yang memenuhi kebutuhan pengguna.

Idenya pada saat itu (dan mungkin tidak sepenuhnya akurat sekarang) adalah bahwa pasar AI berbasis data memiliki lebih banyak potensi. Pasar model mati membutuhkan dukungan dari sejumlah besar model berkualitas tinggi, tetapi platform awal tidak memiliki basis pengguna dan sumber daya berkualitas tinggi, yang membuatnya sulit untuk menarik model berkualitas tinggi karena insentif yang tidak memadai untuk penyedia model yang sangat baik; sementara pasar berbasis data dapat mengumpulkan sejumlah besar data dan sumber daya berharga, terutama data domain pribadi, melalui desentralisasi, pengumpulan terdistribusi, desain lapisan insentif dan jaminan kepemilikan data.

Keberhasilan pasar AI desentralisasi bergantung pada akumulasi sumber daya pengguna dan efek jaringan yang kuat, di mana pengguna dan pengembang bisa mendapatkan nilai lebih dari pasar daripada yang bisa mereka dapatkan di luar pasar. Pada hari-hari awal pasar, fokusnya adalah mengumpulkan model berkualitas tinggi untuk menarik dan mempertahankan pengguna, dan kemudian beralih ke menarik dan mempertahankan lebih banyak pengguna akhir setelah membangun perpustakaan model berkualitas tinggi dan hambatan data.

1.3 ZKML

Sebelum topik ZKML dibahas secara luas, nilai AI on-chain dibahas dalam “AI + Web3 = ?”.

Tanpa mengorbankan Desentralisasi dan ketidakpercayaan, AI onchain memiliki kesempatan untuk memimpin dunia web3 ke “tingkat berikutnya”. Web3 saat ini seperti tahap awal Web2, dan belum mengambil kemampuan untuk mengambil adopsi yang lebih luas atau menciptakan nilai yang lebih besar. onchain AI dirancang untuk memberikan solusi yang transparan dan tidak dapat dipercaya.

1.4 Aplikasi AI

Dalam “AI + Crypto Mulai Berbicara tentang Web3 Women’s Game-HIM”, dikombinasikan dengan proyek portofolio “HIM”, nilai model besar dalam aplikasi web3 dianalisis. Selain inti keras dari infrastruktur ke algoritma, pengembangan LLM tanpa kepercayaan pada rantai, arah lain adalah untuk mencairkan dampak kotak hitam dalam proses inferensi dalam produk, dan menemukan skenario yang cocok untuk menerapkan kemampuan inferensi yang kuat dari model besar.

Kedua, analisis trek AI saat ini

2.1 Jaringan Daya Komputasi: Ada banyak ruang untuk imajinasi tetapi ambang batas yang tinggi

Logika besar jaringan Computing Power tetap sama, tetapi masih menghadapi tantangan permintaan pasar, siapa yang membutuhkan solusi dengan efisiensi dan stabilitas yang lebih rendah? Oleh karena itu, saya pikir poin-poin berikut perlu diketahui:

Untuk apa Desentralisasi?

Jika Anda bertanya kepada pendiri jaringan DecentralizationComputing Power sekarang, dia akan memberi tahu Anda bahwa jaringan Computing Power kami dapat meningkatkan keamanan dan ketahanan terhadap serangan, meningkatkan transparansi dan kepercayaan, mengoptimalkan penggunaan sumber daya, privasi data dan kontrol pengguna yang lebih baik, menolak sensor dan gangguan…

Ini adalah akal sehat, dan proyek web3 apa pun dapat terlibat dalam penyensoran, tanpa kepercayaan, privasi, dll., Tetapi poin saya adalah bahwa tidak ada yang penting. Komputasi Desentralisasi Jaringan daya pada dasarnya tidak menyelesaikan masalah privasi, dan ada banyak kontradiksi seperti keamanan. Oleh karena itu: tujuan akhir dari jaringan Computing Power Desentralisasi harus untuk biaya yang lebih rendah. Semakin tinggi tingkat Desentralisasi, semakin rendah biaya penggunaan Daya Komputasi.

Jadi, pada dasarnya, “menggunakan Computing Power idle” lebih merupakan narasi jangka panjang, dan apakah jaringan DecentralizationComputing Power dapat dibuat sangat tergantung pada apakah ia telah menemukan poin-poin berikut:

Nilai disediakan oleh Web3

Desain token yang cerdas dan mekanisme insentif / hukuman yang diakibatkannya jelas merupakan nilai tambah yang kuat yang disediakan oleh komunitas desentralisasi. Dibandingkan dengan Internet tradisional, token tidak hanya berfungsi sebagai media pertukaran, tetapi juga melengkapi kontrak pintar untuk memungkinkan protokol mencapai mekanisme insentif dan tata kelola yang lebih kompleks. Pada saat yang sama, keterbukaan dan transparansi transaksi, penurunan biaya, dan peningkatan efisiensi semuanya mendapat manfaat dari nilai yang dibawa oleh crypto. Nilai unik ini memberikan lebih banyak fleksibilitas dan ruang bagi inovasi untuk memotivasi kontributor.

Tetapi pada saat yang sama, saya juga berharap bahwa “kecocokan” yang tampaknya masuk akal ini dapat dilihat secara rasional, untuk jaringan DecentralizationComputing Power, nilai yang dibawa oleh teknologi Web3 dan Blockchain hanyalah “nilai tambah” dari perspektif lain, daripada subversi mendasar, dan tidak dapat mengubah mode kerja dasar dari seluruh jaringan dan menerobos kemacetan teknis saat ini.

Singkatnya, nilai web3 ini adalah untuk meningkatkan daya tarik Jaringan Desentralisasi, tetapi tidak akan sepenuhnya mengubah struktur inti atau model operasinya, dan jika Jaringan Desentralisasi benar-benar menempati tempat dalam gelombang AI, nilai web3 saja masih jauh dari cukup. Oleh karena itu, seperti yang disebutkan kemudian, teknologi yang tepat memecahkan masalah yang tepat, dan gameplay dari jaringan DecentralizationComputing Power sama sekali tidak hanya untuk memecahkan masalah kekurangan AI Computing Power, tetapi untuk memberikan jalur yang sudah lama tidak aktif ini cara baru bermain dan berpikir.

Ini mungkin seperti penambangan pow atau penambangan penyimpanan, memonetisasi daya komputasi sebagai aset. Dalam model ini, penyedia Daya Komputasi dapat memperoleh Token sebagai remunerasi dengan menyumbangkan sumber daya komputasi mereka sendiri. Daya tariknya adalah menyediakan cara untuk secara langsung mengubah sumber daya komputasi menjadi keuntungan ekonomi, sehingga memberi insentif kepada lebih banyak peserta untuk bergabung dengan jaringan. Ini juga dapat didasarkan pada web3 untuk menciptakan pasar yang mengkonsumsi daya komputasi, dan membuka titik permintaan yang dapat menerima daya komputasi yang tidak stabil dan lebih lambat dengan membiayai hulu daya komputasi (seperti model).

Ingin memahami bagaimana menggabungkan dengan kebutuhan pengguna yang sebenarnya, setelah semua, kebutuhan pengguna dan peserta tidak selalu hanya efisien Daya Komputasi, “dapat menghasilkan uang” selalu menjadi salah satu motivasi yang paling meyakinkan.

** Daya saing inti dari jaringan DecentralizationComputing Power adalah harga **

Jika kita harus membahas DecentralizationComputing Power dari segi nilai aktual, maka ruang imajinasi terbesar yang dibawa oleh web3 adalah biaya Computing Power yang berpeluang untuk dikompresi lebih lanjut.

Semakin tinggi Desentralisasi Computing PowerNode, semakin rendah harga per unit Computing Power. Ini dapat disimpulkan dari arah berikut:

1. Pengenalan token, pembayaran ke penyedia NodeComputing Power dari uang tunai ke Token asli protokol, yang secara fundamental menurunkan biaya operasi;
2. Akses tanpa izin dan efek komunitas yang kuat dari web3 secara langsung berkontribusi pada pengoptimalan biaya yang didorong pasar, lebih banyak pengguna individu dan usaha kecil dapat menggunakan sumber daya perangkat keras yang ada untuk bergabung dengan jaringan, pasokan daya komputasi meningkat, dan harga pasokan daya komputasi di pasar menurun. Di bawah model otonomi dan manajemen masyarakat.
3. Pasar Daya Komputasi terbuka yang dibuat oleh protokol akan menjatuhkan permainan harga penyedia Daya Komputasi, sehingga semakin mengurangi biaya.

Kasus: ChainML

Sederhananya: ChainML adalah Platform Desentralisasi yang menyediakan Daya Komputasi untuk inferensi dan penyempurnaan. Dalam jangka pendek, chainml akan mengimplementasikan Open Source AI proxy framework Council, yang akan membawa pertumbuhan permintaan ke Jaringan Komputasi Desentralisasi melalui upaya Council (chatbot yang dapat diintegrasikan ke dalam berbagai aplikasi). Dalam jangka panjang, chainml akan menjadi platform AI + web3 lengkap (yang akan dianalisis secara rinci nanti), termasuk pasar model dan pasar Daya Komputasi.

Saya pikir perencanaan jalur teknis ChainML sangat masuk akal, dan mereka berpikir sangat jernih tentang masalah yang disebutkan sebelumnya, tujuan DesentralisasiDaya Komputasi tidak boleh menyediakan catu Daya Komputasi yang cukup untuk industri AI setara dengan Daya Komputasi terpusat, tetapi untuk secara bertahap menurunkan biaya untuk memungkinkan permintaan yang tepat untuk menerima sumber Daya Komputasi berkualitas lebih rendah ini. Oleh karena itu, dari Computing Power DecentralizationComputing PowerNode perspektif jalur produk, harus dimulai dari cara terpusat, menjalankan tautan produk pada tahap awal, dan mulai mengumpulkan pelanggan melalui kemampuan BD yang kuat, memperluas dan mendasarkan pasar, dan kemudian secara bertahap membubarkan penyedia Daya Komputasi terpusat ke perusahaan kecil dengan biaya lebih tinggi, dan akhirnya meluncurkan Computing PowerNode dalam skala besar. Ini adalah ide chainml membagi dan menaklukkan.

Dari perspektif tata letak sisi permintaan, ChainML telah membangun MVP protokol infrastruktur terpusat, dan konsep desainnya portabel. Kami telah menjalankan sistem dengan pelanggan sejak Februari tahun ini dan telah menggunakannya dalam produksi sejak April tahun ini. Saat ini berjalan di Google Cloud, tetapi berdasarkan Kubernetes dan teknologi Open Source lainnya, mudah untuk port ke lingkungan lain (AWS, Azure, Coreweave, dll.). Desentralisasi protokol akan mengikuti, desentralisasi ke niche cloud, dan akhirnya Penambang yang menyediakan daya komputasi.

2.2 Pasar AI: Lebih Banyak Ruang untuk Imajinasi

Sektor ini disebut AI markerplace, yang agak membatasi ruang imajinasi. Sebenarnya, “pasar AI” dengan ruang imajinasi nyata harus menjadi platform perantara yang membiayai seluruh tautan model, yang mencakup dari Daya Komputasi dan data yang mendasarinya hingga model itu sendiri dan aplikasi terkait. Seperti disebutkan sebelumnyaDesentralisasiDaya Komputasi, kontradiksi utama pada tahap awal adalah bagaimana menciptakan permintaan, dan pasar loop tertutup yang membiayai seluruh tautan AI memiliki peluang untuk melahirkan permintaan semacam ini.

Sesuatu seperti ini:**

Pasar AI yang didukung oleh web3 didasarkan pada daya komputasi dan data, menarik pengembang untuk membangun atau menyempurnakan model melalui data yang lebih berharga, dan kemudian mengembangkan aplikasi berbasis model yang sesuai, yang menciptakan permintaan daya komputasi saat mengembangkan dan menggunakan aplikasi dan model ini. Di bawah insentif Token dan komunitas, tugas pengumpulan data real-time berdasarkan karunia atau insentif yang dinormalisasi untuk menyumbangkan data memiliki kesempatan untuk memperluas dan memperluas keunggulan unik dari lapisan data di pasar ini. Pada saat yang sama, popularitas aplikasi juga mengembalikan data yang lebih berharga ke lapisan data.

Comunity

Selain nilai yang dibawa oleh token yang disebutkan sebelumnya, komunitas tidak diragukan lagi merupakan salah satu keuntungan terbesar yang dibawa oleh web3 dan merupakan kekuatan pendorong inti untuk pengembangan platform. Misalnya, pencapaian keragaman data adalah keuntungan dari platform tersebut, yang penting untuk membangun model AI yang akurat dan tidak bias, dan juga merupakan hambatan dalam arah data saat ini.

Saya pikir inti dari keseluruhan platform adalah model, dan kami menyadari sejak awal bahwa keberhasilan pasar AI bergantung pada keberadaan model berkualitas tinggi, dan insentif apa yang dimiliki pengembang untuk menyediakan model pada platform desentralisasi? Tetapi kami juga tampaknya lupa memikirkan masalah, infrastruktur ejaan tidak sesulit platform tradisional, komunitas pengembang ejaan tidak sematang platform tradisional, dan reputasi ejaan tidak memiliki keunggulan penggerak pertama dari platform tradisional, jadi dibandingkan dengan basis pengguna yang besar dan infrastruktur yang matang dari platform AI tradisional, proyek web3 hanya dapat menyalip di sudut.

Jawabannya mungkin terletak pada ** finansialisasi model AI **

• Model dapat diperlakukan sebagai komoditas, dan memperlakukan model AI sebagai aset yang dapat diinvestasikan bisa menjadi inovasi yang menarik di pasar Web3 dan Desentralisasi. Pasar ini memungkinkan pengguna untuk berpartisipasi langsung dan mendapat manfaat dari proses penciptaan nilai model AI. Mekanisme ini juga mendorong pengejaran model dan kontribusi berkualitas lebih tinggi kepada masyarakat, karena manfaat pengguna terkait langsung dengan kinerja dan penerapan model;
• Pengguna dapat berinvestasi dengan mempertaruhkan model, dan mekanisme bagi hasil diperkenalkan untuk memotivasi pengguna untuk memilih dan mendukung model potensial di satu sisi, memberikan insentif ekonomi bagi pengembang model untuk membuat model yang lebih baik. Di sisi lain, kriteria paling intuitif bagi staker untuk menilai model (terutama untuk model generasi gambar) adalah melakukan beberapa pengukuran, yang memberikan permintaan untuk Daya Komputasi Desentralisasi platform, yang mungkin juga merupakan salah satu jalan keluar dari yang disebutkan sebelumnya “siapa yang ingin menggunakan Daya Komputasi yang kurang efisien dan lebih tidak stabil?”

2.3 Onchain AI: OPML menyalip di tikungan?

ZKML: Permintaan dan penawaran kedua ujung guntur

Yang pasti AI on-chain harus menjadi arah yang penuh imajinasi dan layak untuk diteliti secara mendalam. Terobosan dalam AI on-chain dapat membawa nilai yang belum pernah terjadi sebelumnya ke web3. Tetapi pada saat yang sama, ambang akademik ZKML yang sangat tinggi dan persyaratan untuk infrastruktur yang mendasarinya memang tidak cocok untuk sebagian besar startup. Sebagian besar proyek tidak perlu menggabungkan dukungan LLM yang tidak dapat dipercaya untuk mencapai terobosan dalam nilai mereka sendiri.

Namun, tidak semua model AI perlu dipindahkan secara on-chain untuk menggunakan ZK agar tidak dapat dipercaya, sama seperti kebanyakan orang tidak peduli tentang bagaimana chatbot menyimpulkan tentang kueri dan memberikan hasil, dan mereka tidak peduli apakah difusi stabil yang digunakan adalah versi tertentu dari arsitektur model atau pengaturan parameter tertentu. Dalam sebagian besar skenario, sebagian besar pengguna fokus pada apakah model dapat memberikan output yang memuaskan, daripada apakah proses inferensi tidak dapat dipercaya atau transparan.

Jika pembuktian tidak membawa overhead seratus kali lipat atau biaya inferensi yang lebih tinggi, mungkin ZKML masih memiliki kekuatan untuk bertarung, tetapi dalam menghadapi biaya inferensi on-chain yang tinggi dan biaya yang lebih tinggi, setiap peminta memiliki alasan untuk mempertanyakan perlunya Onchain AI.

Dari sisi permintaan

Yang dipedulikan pengguna adalah apakah hasil yang diberikan oleh model masuk akal, selama hasilnya masuk akal, kepercayaan yang dibawa oleh ZKML dapat dikatakan tidak berharga.

• Jika bot perdagangan berbasis jaringan saraf membawa pengembalian seratus kali lipat kepada pengguna setiap siklus, siapa yang akan mempertanyakan apakah Algoritma terpusat atau dapat diverifikasi?
• Demikian pula, jika bot perdagangan mulai kehilangan uang kepada pengguna, maka tim proyek harus lebih memikirkan cara meningkatkan kemampuan model daripada menghabiskan energi dan modal untuk membuat model dapat diverifikasi. Ini adalah kontradiksi dalam persyaratan ZKML, dengan kata lain, verifikasi model tidak secara mendasar menyelesaikan keraguan orang tentang AI dalam banyak skenario, yang merupakan sedikit kontradiksi.

Dari sisi penawaran

Ada jalan panjang untuk mengembangkan model pembuktian yang cukup untuk mendukung model oracle besar, dan menilai dari upaya proyek kepala saat ini, hampir tidak mungkin untuk melihat hari ketika model besar akan diletakkan di rantai.

Mengacu pada artikel kami sebelumnya tentang ZKML, dari sudut pandang teknis, tujuan ZKML adalah untuk mengubah jaringan saraf menjadi sirkuit ZK, dan kesulitannya adalah:

1. Sirkuit ZK tidak mendukung angka floating-point;
2. Jaringan saraf skala besar sulit untuk diubah.

Dari kemajuan saat ini:

1. Perpustakaan ZKML terbaru mendukung beberapa ZK jaringan saraf sederhana, yang dikatakan mampu merantai model regresi linier dasar. Tetapi ada sangat sedikit demo yang ada.
2. Secara teoritis, maksimum ** dapat mendukung parameter ~ 100M, tetapi hanya ada dalam teori. **

Kemajuan pengembangan ZKML belum memenuhi harapan, dilihat dari kemajuan lab modulus proyek track head saat ini dan proof-of-proving yang dirilis oleh EZKL, beberapa model sederhana dapat diubah menjadi sirkuit ZK untuk melakukan model on-chain atau bukti inferensi pada rantai. Tapi ini jauh dari nilai ZKML tidak acara dekat, dan kemacetan teknologi tampaknya tidak memiliki motivasi inti untuk menerobos, trek dengan kurangnya permintaan yang serius pada dasarnya tidak dapat memperoleh perhatian dari komunitas akademik, yang berarti bahwa lebih sulit untuk membuat poc yang sangat baik untuk menarik / memenuhi permintaan yang tersisa, yang mungkin juga merupakan spiral kematian yang membunuh ZKML.

OPML: Transisi atau Endgame?

Perbedaan antara OPML dan ZKML adalah bahwa ZKML membuktikan proses inferensi lengkap, sementara OPML mengeksekusi kembali bagian dari proses inferensi ketika inferensi ditantang. Jelas, masalah terbesar yang dipecahkan OPML adalah biaya tinggi / overhead, yang merupakan optimasi yang sangat pragmatis.

Sebagai pelopor OPML, tim HyperOracle memberikan arsitektur dan proses perkembangan opML satu fase hingga multi-fase dalam “opML is All You Need: Run a 13B ML Model in Ethereum”:

• Membangun mesin virtual untuk eksekusi off-chain dan validasi on-chain, memastikan kesetaraan antara VM offline dan VM yang diimplementasikan dalam kontrak pintar on-chain.
• Untuk memastikan efisiensi inferensi model AI di VM, pustaka DNN ringan yang dirancang khusus (tidak bergantung pada kerangka kerja pembelajaran mesin populer seperti Tensorflow atau PyTorch) diimplementasikan, dan tim juga menyediakan skrip yang dapat mengonversi model Tensorflow dan PyTorch menjadi pustaka ringan ini.
• Kompilasi kode inferensi model AI ke dalam instruksi program VM melalui kompilasi silang.
• Gambar VM dikelola melalui pohon Merkle. Hanya akar Merkle, yang mewakili status VM, yang akan diunggah ke Kontrak Cerdas on-chain.

Namun, jelas bahwa kelemahan utama dalam desain ini adalah bahwa semua perhitungan harus dilakukan dalam mesin virtual, yang mencegah penggunaan akselerasi GPU / TPU dan pemrosesan paralel, membatasi efisiensi. Oleh karena itu pengenalan opML multi-fase.

• Hanya pada tahap akhir, perhitungan dilakukan di VM.
• Dalam fase lain, perhitungan transisi keadaan terjadi di lingkungan asli, yang mengambil keuntungan dari kemampuan misalnya CPU, GPU, TPU, dan mendukung pemrosesan paralel. Ini mengurangi ketergantungan pada VM dan secara signifikan meningkatkan performa eksekusi ke tingkat yang sebanding dengan lingkungan asli.

Referensi:

MARI KITA MENJADI NYATA

Ada pandangan bahwa OPML adalah transisi sebelum realisasi ZKML penuh, tetapi lebih realistis untuk mengatakan bahwa lebih baik menganggapnya sebagai semacam Onchain AI berdasarkan struktur biaya dan ekspektasi pendaratan trade-off, mungkin hari realisasi penuh ZKML tidak akan pernah datang, setidaknya saya pesimis tentang ini, maka hype Onchain AI pada akhirnya harus menghadapi pendaratan dan biaya yang paling realistis, maka OPML mungkin Onchain Praktik terbaik AI, seperti ekologi OP dan ZK, tidak pernah menjadi hubungan pengganti.

Meskipun, jangan lupa, kekurangan dari persyaratan sebelumnya masih ada, pengoptimalan berbasis biaya dan efisiensi OPML tidak secara mendasar menyelesaikan masalah “karena pengguna lebih peduli tentang rasionalitas hasil, mengapa memindahkan AI ke rantai untuk membuat tanpa kepercayaan”, transparansi, kepemilikan, dan Tanpa kepercayaan, buff ini benar-benar penuh dengan lonceng dan peluit, tetapi apakah pengguna benar-benar peduli? Sebaliknya, perwujudan nilai harus dalam kemampuan penalaran model.

Saya pikir optimalisasi biaya semacam ini secara teknis merupakan upaya yang inovatif dan solid, tetapi ini lebih merupakan lingkaran lumpuh dalam hal nilai; **

Mungkin jalur AI Onchain itu sendiri memegang palu untuk menemukan paku, tetapi ini juga benar, pengembangan industri awal adalah untuk terus mengeksplorasi kombinasi inovatif dari teknologi lintas domain, dan menemukan titik yang paling cocok dalam menjalankan terus menerus.

2.4 Lapisan Aplikasi: 99% monster jahitan

Saya harus mengatakan bahwa upaya AI pada lapisan aplikasi web3 memang maju, seolah-olah semua orang fomo, tetapi 99% integrasi masih tetap dalam integrasi, dan tidak perlu memetakan betapa berharganya proyek itu sendiri dengan kemampuan penalaran gpt.

Dari lapisan aplikasi, kira-kira ada dua jalan keluar:

Tingkatkan pengalaman pengguna dan efisiensi pengembangan dengan bantuan kemampuan AI: Dalam hal ini, AI tidak akan menjadi sorotan inti, tetapi lebih sering sebagai pekerja di belakang layar, atau bahkan acuh tak acuh terhadap pengguna. Kombinasi crypto ingin menjadi sangat Satoshi, memahami titik high fit, poin yang paling berharga, adalah menggunakan AI sebagai alat nilai produksi di satu sisi, meningkatkan efisiensi dan kualitas, di sisi lain, melalui kemampuan penalaran AI untuk meningkatkan pengalaman bermain pengguna, AI dan crypto memang membawa nilai yang sangat penting, tetapi pada dasarnya masih menggunakan sarana instrumentalisasi teknologi, keuntungan nyata dan inti dari proyek ini masih kemampuan tim untuk mengembangkan game

Dikombinasikan dengan pasar AI, ini telah menjadi bagian penting dari seluruh ekosistem bagi pengguna.

Tiga, akhirnya…

Jika memang ada sesuatu yang perlu ditekankan atau diringkas: AI masih merupakan salah satu trek yang paling penting dan paling menjanjikan di web3, logika umum ini tidak akan berubah;

Tapi menurut saya yang paling penting adalah gameplay AI marketplace, pada dasarnya platform atau infra design ini sejalan dengan kebutuhan value creation dan untuk memenuhi kepentingan semua pihak, secara makroskopis, selain model atau Computing Power itu sendiri untuk menciptakan cara unik menangkap nilai web3 yang cukup menarik, pada saat yang sama, ini juga memungkinkan pengguna untuk berpartisipasi langsung dalam gelombang AI dengan cara yang unik.

Mungkin dalam tiga bulan saya akan membatalkan ide saya saat ini lagi, jadi:

Di atas hanya pendapat saya di trek ini sangat nyata, dan itu benar-benar bukan merupakan saran investasi!

Referensi

“opML adalah Yang Anda Butuhkan: Jalankan Model ML 13B di Ethereum”: __Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y