Charla posterior al aniversario de ChatGPT: el cuello de botella de la IA generativa y la oportunidad de la Web3

Autores: @chenyangjamie, @GryphsisAcademy

TL; DR:

1. Las aplicaciones comerciales de la IA generativa arrasaron en el mundo en 2022, pero a medida que la novedad desaparece, se hacen evidentes algunos de los problemas actuales de la IA generativa. La maduración del campo de la Web3, con la naturaleza totalmente transparente, verificable y descentralizada de la cadena de bloques, proporciona nuevas ideas para resolver problemas de IA generativa.
2. La IA generativa es una tecnología emergente en los últimos años, que se basa en el marco de redes neuronales del aprendizaje profundo, y el modelo de propagación para la generación de imágenes y el modelo de lenguaje grande para ChatGPT han mostrado un gran potencial de comercialización.
3. La arquitectura de implementación de la IA generativa en Web3 incluye infraestructura, modelos, aplicaciones y datos, entre los cuales la parte de datos es particularmente importante cuando se combina con Web3, y tiene un gran margen de desarrollo, especialmente el modelo de datos en cadena, los proyectos proxy de IA y las aplicaciones verticales, que tienen el potencial de convertirse en direcciones de desarrollo clave en el futuro.
4. En la actualidad, los proyectos populares en la pista de IA en Web3 en el mercado han mostrado las características de fundamentos insuficientes y débil capacidad de captura de valor de tokens, y esperan principalmente nuevas actualizaciones de la economía de tokens en el futuro.
5. La IA generativa tiene un gran potencial en el espacio Web3, y hay muchas narrativas nuevas que esperar en el futuro.

1. ¿Por qué la IA generativa y la Web3 se necesitan mutuamente?

2022 puede llamarse el año en el que la IA generativa (Inteligencia Artificial) arrasó en el mundo, antes de la cual la IA generativa solo se limitaba a las herramientas auxiliares de los trabajadores profesionales, y tras la sucesiva aparición de Dalle-2, Stable Diffusion, Imagen y Midjourney, Contenido generado por IA (abreviatura). Como la última aplicación tecnológica, AIGC ha generado una gran ola de contenido de moda en las redes sociales. Y ChatGPT, que se lanzó poco después, fue una bomba, impulsando esta tendencia a su punto máximo. Como la primera herramienta de IA que puede responder a casi cualquier pregunta con la entrada de un simple comando de texto (es decir, ), ChatGPT se ha convertido desde hace mucho tiempo en un asistente de trabajo diario para muchas personas. Por primera vez, las personas pueden sentir la “inteligencia” de la inteligencia artificial, ya que puede manejar una variedad de tareas diarias, como la redacción de documentos, la ayuda con la tarea, el asistente de correo electrónico, la revisión de ensayos e incluso la tutoría emocional, e Internet está investigando con entusiasmo varios misterios utilizados para optimizar los resultados generados por ChatGPT. Según un informe del equipo macro de Goldman Sachs, la IA generativa puede impulsar el crecimiento de la productividad laboral en Estados Unidos, impulsando el crecimiento del PIB mundial en un 7% (o casi 7 billones de dólares) y aumentando el crecimiento de la productividad en 1,5 puntos porcentuales en 10 años de desarrollo de la IA generativa.

** **

El campo de la Web3 también ha sentido la brisa primaveral de AIGC, y el sector de la IA ha subido en todos los ámbitos en enero de 2023

Fuente:

Sin embargo, después de que la novedad inicial se desvaneciera, el tráfico global de ChatGPT disminuyó por primera vez desde su lanzamiento en junio de 2023 (Fuente: SimilarWeb), y es hora de repensar qué significa la IA generativa y cuáles son sus limitaciones. A partir de la situación actual, los dilemas a los que se enfrenta la IA generativa incluyen (pero no se limitan a): en primer lugar, las redes sociales están llenas de contenido AIGC sin licencia e imposible de rastrear, en segundo lugar, el alto coste de mantenimiento de ChatGPT ha obligado a OpenAI a optar por reducir la calidad de la generación para reducir costes y aumentar la eficiencia, y por último, incluso los modelos más grandes del mundo siguen estando sesgados en algunos aspectos de los resultados generados.

** **

Tráfico global de escritorio y móvil de ChatGPT

Fuente: Similarweb

Al mismo tiempo, la Web3, que está madurando gradualmente, con sus características descentralizadas, totalmente transparentes y verificables, proporciona una nueva solución al dilema actual de la IA generativa:

1. La total transparencia y trazabilidad de la Web3 puede resolver los retos de derechos de autor y privacidad de los datos provocados por la IA generativa. Estas dos características de la Web3 permiten verificar eficazmente la fuente y la autenticidad del contenido, lo que aumenta significativamente el coste de los contenidos falsos o infractores generados por la IA, como los remixes cortos que confunden los derechos de autor o los vídeos de intercambio de caras DeepFake que infringen la privacidad de otras personas. Además, se espera que la aplicación de contratos inteligentes en la gestión de contenidos resuelva los problemas de derechos de autor y garantice que los creadores de contenidos puedan obtener una compensación más justa por el contenido que crean.

** **

Video DeepFake: Este no es Morgan Freeman

Fuente: Youtube

2. La descentralización de la Web3 puede reducir el riesgo de centralización de la potencia informática de la IA. ** La IA generativa requiere enormes recursos informáticos, con estimaciones que cuestan al menos 2 millones de dólares para entrenar un ChatGPT basado en GPT-3 y alrededor de 47.000 dólares al día para la electricidad, una cifra que aumenta exponencialmente a medida que evolucionan la tecnología y la escala. Los recursos informáticos siguen estando muy concentrados en manos de las grandes empresas, lo que conlleva importantes costes de investigación y desarrollo, mantenimiento y operación, así como el riesgo de centralización, lo que dificulta la competencia de las empresas más pequeñas. Si bien es posible que el entrenamiento de modelos grandes aún deba realizarse en un entorno centralizado a corto plazo, ya que el entrenamiento de modelos grandes requiere muchos recursos informáticos, en Web3, la tecnología blockchain hace posible la inferencia de modelos distribuidos, la gobernanza de la votación comunitaria y la tokenización de modelos, entre otras cosas. Utilizando un exchange descentralizado existente como caso maduro, podemos diseñar un sistema de inferencia de modelos grandes de IA descentralizado impulsado por la comunidad, en el que la propiedad del modelo grande pertenece a la comunidad y está gobernada por la comunidad.

Incluso con el último H100 para entrenar GPT-3, el costo por FLOP sigue siendo alto

Fuente: substake.com

3. Aprovechar las características de la Web3 para optimizar la diversidad de los conjuntos de datos de IA y la interpretabilidad de los modelos de IA. ** Los métodos tradicionales de recopilación de datos se basan básicamente en conjuntos de datos públicos o en los propios creadores de modelos, y los datos recopilados a menudo están limitados por la geografía y la cultura. Esto puede llevar a que el contenido generado por el programa AIGC y las respuestas generadas por ChatGPT tengan el sesgo subjetivo de ciertos grupos étnicos, como cambiar el color de la piel de la tarea objetivo. Y con el modelo de incentivos de tokens de Web3, podemos optimizar la forma en que recopilamos datos, recopilando y ponderando datos de todos los rincones del mundo. Al mismo tiempo, la plena transparencia y trazabilidad de la Web3 puede aumentar aún más la interpretabilidad del modelo y fomentar la producción de diversos orígenes para enriquecer el modelo.

Una IA diseñada para aumentar la resolución convertiría a Obama en un hombre blanco

Fuente: Twitter

4. **Puedes utilizar los datos masivos on-chain de Web3 para entrenar modelos de IA únicos. ** El diseño actual de modelos de IA y los métodos de entrenamiento a menudo se basan en la construcción de la estructura de datos de destino (texto, voz, imagen o video). Una dirección de desarrollo futura única para la combinación de Web3 e IA es hacer referencia a los métodos de construcción y entrenamiento de grandes modelos de lenguaje natural, y utilizar la estructura de datos única de los datos en cadena de Web3 para establecer modelos grandes de datos en cadena. Esto proporciona a los usuarios una perspectiva única que otros análisis de datos no pueden alcanzar (seguimiento inteligente del dinero, tendencias de financiación de proyectos, etc.), y la IA tiene la ventaja de poder procesar grandes cantidades de datos al mismo tiempo en comparación con el análisis manual en cadena.

El análisis automatizado en la cadena, el monitoreo de la información en la cadena puede obtener información de primera mano

Fuente: nansen.ai

5. La IA generativa tiene el potencial de ser una fuerza poderosa para reducir la barrera de entrada para que las personas participen en el mundo Web3. ** El modelo de participación actual de los proyectos Web3 requiere que los participantes tengan una comprensión considerable de varios conceptos complejos en la cadena y la lógica de operación de la billetera, lo que aumenta en gran medida el costo de aprendizaje y el riesgo de mal funcionamiento para los usuarios, mientras que aplicaciones similares en Web2 han implementado el principio del “principio del hombre perezoso” del diseño de productos durante muchos años, para que los usuarios puedan comenzar de manera fácil y sin riesgos. Se espera que la IA generativa impulse proyectos centrados en la intención que puedan mejorar drásticamente la experiencia del usuario de los productos Web3 al actuar como un “asistente inteligente” entre los usuarios y los protocolos en Web3.

6. La Web3 también ha creado una enorme demanda de contenidos, y la IA generativa se ha convertido en un medio clave para satisfacer esa demanda. La IA generativa puede crear una gran cantidad de artículos, imágenes, contenido de audio y vídeo para la Web3, impulsando el desarrollo de aplicaciones descentralizadas, desde mercados de NFT hasta documentos para contratos inteligentes, todos los cuales pueden beneficiarse de los diversos contenidos generados por la IA.

Si bien la IA generativa y la Web3 tienen sus propios desafíos, es de esperar que sus necesidades mutuas y soluciones colaborativas den forma al futuro del mundo digital. Esta colaboración mejorará la calidad y la credibilidad de la creación de contenidos, impulsando un mayor desarrollo del ecosistema digital y proporcionando a los usuarios una experiencia digital más valiosa. La coevolución de la IA generativa y la Web3 creará un nuevo y emocionante capítulo en la era digital.

En segundo lugar, un resumen técnico de la IA generativa

2.1 Antecedentes técnicos de la IA generativa

Desde que se introdujo el concepto de IA en los años 50 del siglo XX, ha habido varios altibajos, y cada innovación tecnológica clave trae una nueva ola, y esta vez la IA generativa no es una excepción. Como un concepto emergente que solo se ha propuesto en los últimos 10 años, la IA generativa se ha destacado de muchas subdirecciones de investigación de la IA debido al deslumbrante rendimiento de las tecnologías y productos recientes, y ha atraído la atención del mundo de la noche a la mañana. Antes de profundizar en la arquitectura técnica de la IA generativa, primero debemos explicar el significado específico de la IA generativa que se analiza en este artículo y revisar brevemente los componentes técnicos básicos de la IA generativa, que se ha disparado recientemente.

La IA generativa es un tipo de IA que se puede utilizar para crear nuevos contenidos e ideas, como conversaciones, historias, imágenes, vídeos y música, y es un modelo basado en un marco de red neuronal basado en el aprendizaje profundo, entrenado con grandes cantidades de datos y repleto de una gran cantidad de parámetros. Los productos de IA generativa que recientemente han llamado la atención de las personas se pueden dividir simplemente en dos categorías: una son los productos de generación de imágenes (video) con entrada de texto o estilo, y la otra son los productos ChatGPT con entrada de texto. Estos dos tipos de productos tienen la misma tecnología central, es decir, un modelo de lenguaje preentrenado (LLM) basado en la arquitectura Transformer. Sobre esta base, el primer tipo de producto añade un modelo de difusión que combina la entrada de texto para generar imágenes o vídeos de alta calidad, y el segundo tipo de producto añade el aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF) para lograr un nivel lógico de resultados de salida cercano al de los humanos.

2.2 Arquitectura técnica actual de la IA generativa:

Muchos de los mejores artículos del pasado han discutido la importancia de la IA generativa para las arquitecturas técnicas existentes desde diferentes perspectivas, como este artículo de A16z, “¿Quién es el propietario de la plataforma de IA generativa?”, que resume exhaustivamente la arquitectura técnica actual de la IA generativa:

** **

La principal arquitectura técnica de la IA generativa

Fuente: ¿Quién es el propietario de la plataforma de IA generativa?

En este artículo de investigación, la arquitectura actual de la IA generativa Web2 se divide en tres niveles: infraestructura (potencia de cálculo), modelo y aplicación, y ofrece una visión sobre el desarrollo actual de estos tres niveles.

Para la infraestructura, aunque la lógica de la construcción de infraestructura en Web2 sigue siendo el pilar, todavía hay muy pocos proyectos de infraestructura que realmente combinen Web3 e IA. Al mismo tiempo, la infraestructura es también la parte que capta el mayor valor en esta etapa, y los oligarcas tecnológicos de la Web2 han obtenido ganancias considerables “vendiendo palas” en la actual etapa de exploración de la IA en virtud de sus décadas de cultivo profundo en el campo del almacenamiento y la informática.

En el caso de los modelos, se supone que son los verdaderos creadores y propietarios de la IA, pero en esta etapa, hay muy pocos modelos de negocio que puedan ayudar a los autores del modelo a obtener el valor comercial correspondiente.

En cuanto a las aplicaciones, varias verticales han acumulado más de cientos de millones de dólares en ingresos, pero los altos costes de mantenimiento y la baja retención de usuarios no son suficientes para respaldar un modelo de negocio a largo plazo.

2.3 Ejemplos de aplicaciones de IA generativa y Web3

2.3.1 Aplicación de la IA para analizar los datos masivos de la Web3

**Los datos están en el centro de la construcción de barreras técnicas en el futuro del desarrollo de la IA. Para entender por qué es importante, echemos un vistazo a un estudio sobre las fuentes del rendimiento de los modelos grandes. Este estudio muestra que los grandes modelos de IA exhiben una capacidad única para emerger: al aumentar el tamaño del modelo, la precisión del modelo explotará repentinamente cuando se supere un cierto umbral. Como se muestra en la figura siguiente, cada gráfico representa una tarea de entrenamiento y cada línea cumple con el rendimiento (precisión) de un modelo grande. Los experimentos en diferentes modelos grandes han llegado a la misma conclusión: después de que el tamaño del modelo supera un cierto umbral, el rendimiento en diferentes tareas muestra un crecimiento revolucionario.

La relación entre el tamaño del modelo y el rendimiento del modelo

Fuente: Razonamiento Analógico Emergente en Grandes Modelos de Lenguaje

En pocas palabras, los cambios cuantitativos en la escala del modelo conducen a un cambio cualitativo en el rendimiento del modelo. **El tamaño del modelo está relacionado con el número de parámetros del modelo, el tiempo de entrenamiento y la calidad de los datos de entrenamiento. En esta etapa, en el caso de la cantidad de parámetros del modelo (las principales empresas tienen los mejores equipos de investigación y desarrollo responsables del diseño) y el tiempo de capacitación (el hardware informático es comprado por NVIDIA) no puede cerrar la brecha, si desea construir un producto que lidere la competencia, una forma es encontrar los mejores puntos débiles de demanda en el campo de la subdivisión para crear una aplicación asesina, pero esto requiere una comprensión profunda del campo objetivo y una excelente visión, mientras que la otra forma es más práctica y factible, es decir, recopilar datos cada vez más completos que los competidores. **

Esto también encuentra un buen punto de entrada para que los modelos de IA generativa entren en el espacio Web3. Los modelos grandes o modelos básicos de IA existentes se entrenan en función de grandes cantidades de datos en diferentes campos, y la singularidad de los datos en cadena en Web3 hace que el modelo de datos en cadena sea un camino factible que vale la pena esperar. Actualmente existen dos lógicas de producto para las jerarquías de datos en Web3: la primera es proporcionar incentivos para que los proveedores de datos protejan la privacidad y la propiedad de los propietarios de los datos, al tiempo que animan a los usuarios a compartir el derecho a utilizar los datos entre sí. Ocean Protocol proporciona una excelente manera de compartir datos. La segunda es la integración de datos y aplicaciones por parte del equipo del proyecto para proporcionar a los usuarios servicios para una determinada tarea. **Por ejemplo, Trusta Lab recopila y analiza los datos on-chain de los usuarios, y puede proporcionar servicios como el análisis de cuentas y el análisis de riesgo de activos on-chain a través de su exclusivo sistema de puntuación MEDIA.

2.3.2 Aplicaciones proxy de IA para Web3

** La aplicación AI Agent on-chain antes mencionada también está en el centro de atención: con la ayuda de un gran modelo de lenguaje, proporciona a los usuarios servicios on-chain cuantificables con la premisa de garantizar la privacidad del usuario. **Según una publicación de blog de Lilian Weng, jefa de investigación de IA en OpenAI, el agente de IA se puede dividir en cuatro componentes, a saber, Agente = LLM + Planificación + Memoria + Uso de herramientas. Como núcleo del agente de IA, LLM es responsable de interactuar con el mundo exterior, aprender cantidades masivas de datos y expresarlos lógicamente en lenguaje natural. La parte de Planificación + Memoria es similar a los conceptos de acción, política y recompensa en el entrenamiento de la técnica de aprendizaje por refuerzo de AlphaGo. El objetivo de la tarea se desmonta en cada objetivo pequeño, y la solución optimizada de un objetivo de tarea se aprende paso a paso a partir de los resultados y la retroalimentación de múltiples entrenamientos repetidos, y la información obtenida se almacena en diferentes tipos de memoria para diferentes funciones. En cuanto al uso de herramientas, se refiere al uso de herramientas como la invocación de herramientas modulares, la recuperación de información de Internet, la conexión a fuentes de información propietarias o APIs, etc., y vale la pena señalar que la mayor parte de esta información será difícil de cambiar después de la capacitación previa.

Diagrama global del agente de IA

Fuente: LLM Powered Autonomous Agents

Combinado con la lógica de implementación específica de AI Agent, podemos imaginar audazmente que la combinación de Web3 + AI Agent traerá una imaginación infinita, como:

1. El modo AI Agent se puede agregar a la aplicación comercial actual, que puede proporcionar a los clientes una interfaz interactiva a nivel de lenguaje natural, que incluye, entre otros, predicción de precios, estrategia de transacción, estrategia de stop loss, ajuste dinámico de apalancamiento, copia inteligente KOL, préstamos, etc.
2. Al ejecutar la estrategia cuantitativa, la estrategia se puede descomponer aún más en cada subtarea y entregarse a diferentes agentes de IA para su implementación, y cada agente de IA coopera entre sí, lo que no solo puede mejorar la seguridad de la protección de la privacidad, sino también monitorear en tiempo real para evitar que la contraparte explote las vulnerabilidades para revertir el robot.
3. ** Una gran cantidad de NPC en juegos en cadena ** también es un ajuste natural para AI Agent, y ahora hay un proyecto para aplicar GPT para generar dinámicamente contenido de diálogo de personajes del juego, y en el futuro, se espera que no se limite a texto preestablecido, sino que se actualice a una interacción NPC (o incluso humana digital) de juego en tiempo real más realista, que pueda realizar la autointeracción sin involucrar la intervención del jugador. La “Ciudad Virtual” de la Universidad de Stanford es un gran ejemplo de esto.

Aunque el actual centro de proyectos Web3 + AI Agent todavía se concentra en el mercado primario o en el lado de la infraestructura de IA, y todavía no existe una aplicación asesina de To C, se cree que vale la pena esperar los proyectos de Web3 + AI que cambiarán las reglas del juego en el futuro al combinar varias características de la cadena de bloques, como la gobernanza distribuida en cadena, la inferencia de prueba de conocimiento cero, la distribución de modelos, la mejora de la interpretabilidad, etc.

2.3.3 Posibles aplicaciones verticales de Web3 + IA

A. Aplicaciones en el ámbito de la educación

La combinación de Web3 e IA ha marcado el comienzo de una revolución en la educación, donde las aulas de realidad virtual generativa son una innovación convincente. Al integrar la tecnología de IA en una plataforma de aprendizaje en línea, los estudiantes pueden obtener una experiencia de aprendizaje personalizada que genera contenido educativo personalizado basado en su historial de aprendizaje e intereses. Se espera que este enfoque personalizado aumente la motivación y la eficacia de los estudiantes en el aprendizaje, acercando la educación a las necesidades individuales.

Los estudiantes participan en clases de realidad virtual a través de dispositivos VR inmersivos

Fuente: Equipo V-SENSE

Además, el modelo de incentivo de crédito simbólico también es una práctica innovadora en el campo de la educación. A través de la tecnología blockchain, los créditos y logros de los estudiantes se pueden codificar en tokens para formar un sistema de crédito digital. Estos incentivos animan a los estudiantes a participar activamente en las actividades de aprendizaje, creando un entorno de aprendizaje más participativo y motivador.

Al mismo tiempo, inspirado en el recientemente popular proyecto FriendTech de SocialFi, también se puede utilizar una lógica de precios clave similar vinculada a las identificaciones para construir un sistema de evaluación entre pares, que también aporta más elementos sociales a la educación. Con la ayuda de la inmutabilidad de blockchain, la evaluación entre los estudiantes es más justa y transparente. Este mecanismo de evaluación mutua no solo ayuda a cultivar el trabajo en equipo y las habilidades sociales de los estudiantes, sino que también proporciona una evaluación más completa y desde múltiples ángulos del desempeño de los estudiantes, introduciendo métodos de evaluación más diversos e integrales en el sistema educativo.

B. Aplicaciones médicas

En el sector sanitario, la combinación de Web3 e IA está impulsando el desarrollo del aprendizaje federado y la inferencia distribuida. Al federar la computación distribuida y el aprendizaje automático, los profesionales de la salud pueden compartir datos a gran escala para un aprendizaje grupal más profundo y completo. Este enfoque de inteligencia colectiva puede acelerar el desarrollo de opciones de diagnóstico y tratamiento de enfermedades, y avanzar en el campo de la medicina.

La protección de la privacidad es un tema clave que no se puede ignorar en las aplicaciones médicas. A través de la descentralización de Web3 y la inmutabilidad de blockchain, los datos médicos de los pacientes pueden almacenarse y transmitirse de forma más segura. Los contratos inteligentes pueden lograr un control preciso y una gestión de permisos de los datos médicos, asegurando que solo el personal autorizado pueda acceder a la información confidencial de los pacientes, manteniendo así la privacidad de los datos médicos.

C. Aplicaciones en el ámbito de los seguros

En el sector de los seguros, se espera que la integración de la Web3 y la IA aporte soluciones más eficientes e inteligentes a los negocios tradicionales. Por ejemplo, en los seguros de automóviles y hogar, el uso de la tecnología de visión por computadora permite a las aseguradoras evaluar de manera más eficiente el valor y el nivel de riesgo de la propiedad a través del análisis de imágenes y la valoración. Esto proporciona a las compañías de seguros estrategias de precios más refinadas y personalizadas, y mejora el nivel de gestión de riesgos en la industria de seguros.

Utilice la tecnología de IA para la valoración de siniestros

Fuente: Tractable Inc

Al mismo tiempo, la liquidación automatizada de siniestros en cadena también es una innovación en el sector de los seguros. Basado en contratos inteligentes y tecnología blockchain, el proceso de reclamos puede ser más transparente y eficiente, reduciendo la posibilidad de procedimientos engorrosos e intervención humana. Esto no solo aumenta la velocidad de liquidación de siniestros, sino que también reduce los costes operativos, lo que se traduce en una mejor experiencia para las aseguradoras y los clientes.

El ajuste dinámico de las primas es otra práctica innovadora, a través del análisis de datos en tiempo real y los algoritmos de aprendizaje automático, las compañías de seguros pueden ajustar las primas de manera más precisa y oportuna, y personalizar los precios de acuerdo con el perfil de riesgo real del asegurado. Esto no solo hace que las primas sean más equitativas, sino que también incentiva a las personas aseguradas a adoptar comportamientos más saludables y seguros, promoviendo la gestión de riesgos y las medidas preventivas para la sociedad en su conjunto.

D. Solicitudes en el ámbito del derecho de autor

En el ámbito de los derechos de autor, la combinación de Web3 e IA ha aportado un paradigma completamente nuevo a la creación de contenidos digitales, las propuestas de curación y el desarrollo de código. A través de contratos inteligentes y almacenamiento descentralizado, la información sobre derechos de autor de los contenidos digitales puede protegerse mejor, y los creadores de obras pueden rastrear y gestionar más fácilmente su propiedad intelectual. Al mismo tiempo, a través de la tecnología blockchain, se pueden establecer registros creativos transparentes y a prueba de manipulaciones, proporcionando un medio más confiable para la trazabilidad y autenticación de las obras.

La innovación del modelo de trabajo es también un cambio importante en el ámbito del derecho de autor. La colaboración laboral incentivada por tokens anima a los creadores, planificadores y desarrolladores a participar en el proyecto combinando contribuciones de trabajo con incentivos simbólicos. Esto no solo promueve la colaboración entre los equipos creativos, sino que también brinda a los participantes la oportunidad de beneficiarse directamente del éxito del proyecto, lo que lleva a un trabajo más excelente.

Por otro lado, la aplicación del token como prueba de derechos de autor remodela el modelo de distribución de beneficios. A través del mecanismo de dividendos ejecutado automáticamente por contratos inteligentes, cada participante en la obra puede obtener la participación en las ganancias correspondiente en tiempo real cuando la obra es utilizada, vendida o transferida. Este modelo descentralizado de dividendos resuelve eficazmente los problemas de opacidad y retraso del modelo tradicional de derecho de autor, y proporciona un mecanismo de distribución de beneficios más justo y eficiente para los creadores.

E. Aplicaciones del metaverso

En el ámbito del metaverso, la integración de la Web3 y la IA ofrece nuevas posibilidades para crear contenidos de juegos en cadena de bajo coste llenos de AIGC. El entorno virtual y los personajes generados por algoritmos de IA pueden enriquecer el contenido del juego en cadena, proporcionar a los usuarios una experiencia de juego más vívida y diversa, y reducir el costo de mano de obra y tiempo en el proceso de producción.

La producción humana digital es una innovación en las aplicaciones del metaverso. Combinado con la generación de apariencia hasta el cabello y la construcción de pensamiento basada en grandes modelos de lenguaje, los humanos digitales generados pueden desempeñar varios roles en el metaverso, interactuar con los usuarios e incluso participar en gemelos digitales de escenarios del mundo real. Esto proporciona una experiencia más realista y profunda para el desarrollo de la realidad virtual y promueve la amplia aplicación de la tecnología humana virtual digital en el entretenimiento, la educación y otros campos.

Genere automáticamente contenido publicitario de acuerdo con los retratos de usuario en cadenaEs una aplicación creativa publicitaria inteligente en el campo del metaverso. Al analizar el comportamiento y las preferencias de los usuarios en el metaverso, los algoritmos de IA pueden generar contenido publicitario más personalizado y atractivo, mejorando las tasas de clics y la participación de los usuarios en los anuncios. Este método de generación de anuncios no solo está más en línea con los intereses de los usuarios, sino que también brinda a los anunciantes una forma más eficiente de promocionar.

Los NFT interactivos generativos son una tecnología atractiva en el espacio del metaverso. Al combinar los NFT con el diseño generativo, los usuarios pueden participar en la creación de su propia obra de arte NFT en el metaverso, dándole interactividad y singularidad. Esto abre nuevas posibilidades para la creación y el comercio de activos digitales, impulsando el desarrollo del arte digital y la economía virtual en el metaverso.

III. Objetivos relacionados con Web3

Aquí, el autor ha seleccionado cinco proyectos, Render Network y Akash Network como los líderes veteranos de la infraestructura general de IA y la pista de IA, Bittensor como el proyecto popular en la categoría de modelo, Alethea.ai como el proyecto de aplicación fuerte de IA generativa, Fetch.ai como el proyecto de referencia en el campo de la agencia de IA, para vislumbrar el estado actual de los proyectos de IA generativa en el campo de Web3.

3.1 Red de renderizado($RNDR)

Render Network fue fundada en 2017 por Jules Urbach, fundador de su empresa matriz, OTOY. El negocio principal de OTOY es la representación de gráficos en la nube, y ha trabajado en proyectos de cine y televisión ganadores del Oscar, con los cofundadores de Google y Mozilla como asesores, y ha trabajado en varios proyectos con Apple. El propósito de Render Network, que se extiende desde OTOY hasta el campo Web3, es utilizar la naturaleza distribuida de la tecnología blockchain para conectar la demanda y los recursos de renderizado e IA a menor escala a una plataforma descentralizada, ahorrando así a los pequeños talleres el costo de arrendar costosos recursos informáticos centralizados (como AWS, MS Azure y Alibaba Cloud), y también proporcionando generación de ingresos para aquellos con recursos informáticos inactivos.

Debido a que Render es una empresa de OTOY que desarrolló de forma independiente el renderizador de alto rendimiento Octane Render, junto con una lógica empresarial definida, se consideró un proyecto Web3 con sus propias necesidades y fundamentos al comienzo de su lanzamiento. Durante el período en que la IA generativa estaba de moda, la demanda de tareas de verificación e inferencia distribuidas encajaba perfectamente con la arquitectura técnica de Render, y se consideraba una de sus prometedoras direcciones de desarrollo en el futuro. Al mismo tiempo, Render ha ocupado la posición de liderazgo en la pista de IA en el campo de Web3 durante muchos años en los últimos años, y ha obtenido un cierto grado de naturaleza de meme.

En febrero de 2023, Render Network anunció una próxima actualización de los nuevos niveles de precios y un mecanismo de estabilización de precios de RNDR dólares votado por la comunidad (sin embargo, aún no se ha confirmado cuándo se pondrá en marcha), y al mismo tiempo anunció que el proyecto se transferirá de Polygon a Solana (junto con la actualización de tokens de RNDR dólares a tokens de $RENDER basados en el estándar Solana SPL, que ya se completó en noviembre de 2023).

El nuevo sistema de clasificación de precios lanzado por Render Network divide los servicios en cadena en tres niveles, de mayor a menor, correspondientes a diferentes puntos de precio y calidad de los servicios de renderizado, que pueden ser seleccionados por el demandante de renderizado.

Tres niveles del nuevo plan de precios de Render Network

El mecanismo de estabilización de precios de RNDR dólares, que fue votado por la comunidad, se ha cambiado de la anterior recompra irregular al uso del modelo “Burn-and-Mint Equilibrium (BME)”, lo que hace más obvio el posicionamiento de RNDR de dólares como un token de pago de estabilidad de precios en lugar de mantener activos durante mucho tiempo. El proceso de negocio específico en una época de BME se muestra en el siguiente diagrama:

1. Creación del producto. “Creadores de productos” en Render, es decir, proveedores de recursos de renderizado, que empaquetan recursos de renderizado inactivos en productos (nodos) y esperan a ser utilizados en la red.
2. “Compra de Producto”. Los clientes con necesidades de renderizado quemarán tokens directamente como pago por servicios si tienen tokens de $RNDR, y si no los tienen, primero comprarán tokens de $RNDR con moneda fiduciaria en el DEX. El precio pagado por el servicio se registra públicamente en la cadena.
3. Acuñar el token “Mint Token”. De acuerdo con las reglas preestablecidas, se asigna un nuevo token.

Nota: Render Network cobra el 5% de las tarifas pagadas por el comprador del producto de cada transacción para la operación del proyecto.

Época de equilibrio de combustión y acuñación

Crédito a Petar Atanasovski

Fuente: Medio

De acuerdo con las reglas preestablecidas, en cada época ejecutada por el BME, se acuñará un número preestablecido de nuevos tokens (el número preestablecido disminuirá gradualmente con el tiempo). Los tokens recién acuñados se distribuirán a las tres partes:

1. Creador de producto. El creador del producto obtiene de dos formas:

2. Recompensas por completar misiones. Es fácil entender que cada nodo de producto se recompensa de acuerdo con el número de tareas de renderizado completadas.

3. Recompensas en línea. Las recompensas se otorgarán de acuerdo con el mercado de reserva en línea de cada nodo de producto, y se fomentará más trabajo en línea para limitar los recursos.

4. Compradores de productos. Al igual que el reembolso de productos del centro comercial, los compradores pueden obtener hasta el 100% del reembolso de tokens de $ RNDR para fomentar el uso continuo de Render Network en el futuro.

5. Proveedor de liquidez DEX (Decentralized Exchange). Los proveedores de liquidez en DEX cooperativos pueden ser recompensados de acuerdo con la cantidad de $RNDR apostados asegurándose de que puedan comprar una cantidad suficiente de $RNDR a un precio razonable cuando necesiten quemar $RNDR.

** **

Fuente: coingecko.com

A partir de la tendencia de precios de RNDR dólares en el último año, se puede ver que, como proyecto líder de la pista de IA en Web3 durante muchos años, RNDR dólares se ha comido los dividendos de una ola de auge de la IA impulsada por ChatGPT a finales de 2022 y principios de 2023, y al mismo tiempo, con el lanzamiento del nuevo mecanismo de tokens, el precio de RNDR dólares ha alcanzado un punto alto en la primera mitad de 2023. Después de una segunda mitad del año lateral, el precio de los RNDR dólares ha alcanzado un punto alto en los últimos años con la recuperación de la IA provocada por la nueva conferencia de prensa de OpenAI, la migración de Render Network a Solana y la inminente implementación de un nuevo mecanismo de tokens. Dado que los cambios fundamentales de RNDR de dólares son mínimos, para los inversores, la inversión futura de RNDR dólares debe ser más prudente en la gestión de posiciones y la gestión de riesgos.

El número de nodos de Render Network al mes

** **

Red de renderizado El número de escenas renderizadas al mes

Fuente: Dune.com

Al mismo tiempo, como puede ver en el panel de control de Dune, el número total de trabajos de renderizado ha aumentado desde principios de 2023, pero el número de nodos de renderizado no ha aumentado. Combinado con el auge de la IA generativa a finales de 2022, es razonable inferir que las tareas de renderizado adicionales son todas tareas relacionadas con la IA generativa. En la actualidad, es difícil decir si esta parte de la demanda es una demanda a largo plazo, y es necesario hacer un seguimiento para observarla.

3.2 Red Akash ($AKT)

Akash Network es una plataforma descentralizada de computación en la nube que tiene como objetivo proporcionar a los desarrolladores y empresas una solución de computación en la nube más flexible, eficiente y rentable. La plataforma de “súper nube” construida por el proyecto se basa en la tecnología blockchain distribuida, que aprovecha la naturaleza descentralizada de blockchain para proporcionar a los usuarios una infraestructura de nube descentralizada que puede implementar y ejecutar aplicaciones a escala global, incluidos diversos recursos informáticos, incluidas CPU, GPU y almacenamiento.

Los fundadores de Akash Network, Greg Osuri y Adam Bozanich, son emprendedores en serie que han trabajado juntos durante muchos años, cada uno con años de experiencia en proyectos, habiendo cofundado el proyecto Overclock Labs, que sigue siendo un participante central en Akash Network. El equipo fundador tenía una visión clara de la misión principal de Akash Network, que era reducir los costos de computación en la nube, aumentar la disponibilidad y aumentar el control del usuario sobre los recursos informáticos. A través de la licitación abierta, que incentiva a los proveedores de recursos a abrir recursos informáticos inactivos en sus redes, Akash Network permite un uso más eficiente de los recursos, proporcionando así precios más competitivos para los demandantes de recursos.

Akash Network inició el programa de actualización Akash Network Economics 2.0 en enero de 2023, con el objetivo de abordar muchas de las deficiencias de la economía actual de tokens, entre ellas:

1. El precio de mercado del token de AKT dólares fluctúa, lo que hace que el precio del contrato a largo plazo no coincida con el valor
2. Los incentivos para los proveedores de recursos no son suficientes para liberar la gran cantidad de poder de cómputo en sus manos
3. La insuficiencia de incentivos comunitarios es perjudicial para el desarrollo a largo plazo del proyecto Akash
4. La captura insuficiente del valor del token de $AKT tiene el riesgo de afectar la estabilidad del proyecto

De acuerdo con la información proporcionada en el sitio web oficial, las soluciones propuestas por el plan Akash Network Economics 2.0 incluyen la introducción de pagos de monedas estables, la adición de tarifas de pedido de fabricante y de consumo de huevos para aumentar los ingresos del protocolo, el aumento de los incentivos para los proveedores de recursos y el aumento de la cantidad de incentivos comunitarios, etc., entre los que se han lanzado e implementado la función de pago de monedas estables y la función de tarifa de tomador de fabricantes.

Como token nativo de Akash Network, $AKT tiene una variedad de usos en el protocolo, incluida la verificación de staking (seguridad), incentivos, gobernanza de la red y pago de tarifas de transacción. Según los datos proporcionados en el sitio web oficial, el suministro total de $AKT es de 388 millones, y a partir de noviembre de 2023, se han desbloqueado 229 millones hasta ahora, lo que representa alrededor del 59%. Los tokens fundadores distribuidos en el lanzamiento del proyecto se han desbloqueado por completo en marzo de 2023 y entrarán en circulación en el mercado secundario. La proporción de distribución de tokens génesis es la siguiente:

En particular, en términos de captura de valor, una característica que $AKT propone implementar y que aún no se ha implementado, pero que se menciona en el documento técnico, es que Akash planea cobrar una “tarifa de cargo” por cada arrendamiento exitoso. Posteriormente, envía estas comisiones al Take Income Pool para que puedan ser distribuidas a los titulares. El programa prevé una comisión del 10% para las transacciones de AKT dólares y una comisión del 20% para las transacciones que utilizan otras criptodivisas. Además, Akash también planea recompensar a los titulares que bloqueen sus tenencias de AKT dólares durante un período de tiempo más largo. Como resultado, los inversores que mantengan durante un período de tiempo más largo serán elegibles para recompensas más generosas. Si este proyecto se lanza con éxito en el futuro, definitivamente se convertirá en una fuerza impulsora importante para el precio de la moneda y también ayudará a estimar mejor el valor del proyecto.

** **

Fuente: coingecko.com

Como se puede ver en la tendencia de precios mostrada en coingecko.com, el precio de AKT dólares también marcó el comienzo de un aumento a mediados de agosto y finales de noviembre de 2023, respectivamente, pero todavía no es tan bueno como el aumento del mismo período de otros proyectos en la pista de IA, lo que puede estar relacionado con la tendencia actual del sentimiento de capital. En general, el proyecto de Akash, como uno de varios proyectos de alta calidad en la pista de IA, tiene mejores fundamentos que la mayoría de los competidores en la pista de IA. Con el desarrollo de la industria de la IA y la intensificación de los recursos de computación en la nube, se cree que Akash Network podrá elevarse en la próxima ola de IA en el futuro.

3.3 Bittensor ($TAO)

Si el lector está familiarizado con la arquitectura técnica de $BTC, será muy fácil entender el diseño de Bittensor. De hecho, al diseñar Bittensor, sus autores tomaron prestadas muchas de las características del veterano de las criptomonedas de BTC dólares, entre ellas: un total de 21 millones de tokens, una reducción a la mitad de la producción aproximadamente cada cuatro años, un mecanismo de consenso que involucra PoW, etc. Específicamente, imaginemos un proceso de producción BTC inicial, y luego reemplacemos el proceso de “minería” para calcular números aleatorios que no pueden crear valor real con el entrenamiento y la validación de modelos de IA, e incentivando a los mineros a trabajar en función del rendimiento y la confiabilidad de los modelos de IA, que es un simple resumen de la arquitectura del proyecto de Bittenor ($ TAO).

El proyecto Bittensor fue fundado por primera vez en 2019 por dos investigadores de IA, Jacob Steeves y Ala Shaabana, y su marco principal se basa en el contenido de un libro blanco escrito por un misterioso autor, Yuma Rao. En resumen, diseña un protocolo de código abierto sin permisos y construye una arquitectura de red compuesta por muchas subredes conectadas por diferentes subredes responsables de diferentes tareas (traducción automática, reconocimiento y generación de imágenes, grandes modelos de lenguaje, etc.), y se incentivará la excelente finalización de tareas, al tiempo que se permitirá que las subredes interactúen y aprendan unas de otras.

Echando la vista atrás a los grandes modelos de IA que hay actualmente en el mercado, sin excepción, todos proceden de la enorme cantidad de recursos informáticos y datos invertidos por los gigantes tecnológicos. Si bien es cierto que los productos de IA entrenados de esta manera funcionan de manera impresionante, también conllevan un alto riesgo de que la concentración se vuelva malvada. La infraestructura de Bittensor está diseñada para permitir que una red de expertos en comunicación se comuniquen y aprendan unos de otros, lo que sienta las bases para el entrenamiento descentralizado de grandes modelos. La visión a largo plazo de Bittensor es competir con los modelos de código cerrado de gigantes como OpenAI, Meta, Google, etc., con el fin de lograr un rendimiento de inferencia coincidente manteniendo la naturaleza descentralizada del modelo.

El núcleo técnico de la red Bittensor proviene del mecanismo de consenso de diseño único de Yuma Rao, también conocido como consenso de Yuma, que es un mecanismo de consenso que combina PoW y PoS. Los principales participantes en el lado de la oferta se dividen en “servidores” (es decir, mineros) y “validadores”, y los participantes en el lado de la demanda son “clientes” (es decir, clientes) que utilizan los modelos en la red. Los mineros son responsables de proporcionar modelos previamente entrenados para la tarea de subred actual, y los incentivos recibidos dependen de la calidad de los modelos proporcionados, mientras que los validadores son responsables de verificar el rendimiento del modelo y actuar como intermediarios ante los mineros y los clientes. El proceso específico es el siguiente:

** **

1. El cliente envía al validador los requisitos para usar el modelo en una subred y los datos que deben calcularse
2. El validador asigna los datos a cada minero en la subred
3. Los mineros devuelven resultados después de la inferencia del modelo utilizando sus propios modelos y datos aceptados
4. El validador ordena los resultados de inferencia recibidos de acuerdo con su calidad, y los resultados de la clasificación se almacenan en la cadena
5. El resultado óptimo de la inferencia se devuelve al usuario, el minero se ordena según el orden y el validador es recompensado según la carga de trabajo

Cabe señalar que en la gran mayoría de las subredes, Bittensor en sí no entrena ningún modelo, y su función es más como vincular proveedores de modelos y demandantes de modelos, y sobre esta base, utiliza aún más la interacción entre modelos pequeños para mejorar el rendimiento en diferentes tareas. En la actualidad, hay 30 subredes que han estado en línea (o han estado en línea), correspondientes a diferentes modelos de tareas.

Como token nativo de Bittensor, $TAO desempeña un papel fundamental en el ecosistema mediante la creación de subredes, el registro en subredes, el pago de servicios, el staking de validadores y mucho más. Al mismo tiempo, debido a la práctica del proyecto Bittensor de rendir homenaje al espíritu de BTC, $TAO eligió un comienzo justo, es decir, todos los tokens se generarán contribuyendo a la red. Actualmente, la producción diaria de TAO dólares es de alrededor de 7200, que se divide a partes iguales entre mineros y validadores. Desde el lanzamiento del proyecto, se ha generado alrededor del 26,3% de la cantidad total de 21 millones, de los cuales el 87,21% de los tokens se han utilizado para staking y verificación. Al mismo tiempo, el proyecto está diseñado para reducir a la mitad la producción (la misma que la BTC) cada 4 años, el más reciente de los cuales ocurrirá el 20 de septiembre de 2025, lo que también será un gran impulsor de aumentos de precios.

Crédito: taostats.io

** **

A partir de la tendencia del precio, podemos ver que el precio de TAO dólares ha experimentado un fuerte aumento desde finales de octubre de 2023, y se especula que la principal fuerza impulsora es una nueva ronda de auge de la IA provocada por la conferencia de prensa de OpenAI, que ha hecho que el sector de la capital gire hacia el sector de la IA. Al mismo tiempo, $TAO Como proyecto emergente en el ámbito de la Web3 + IA, su excelente calidad de proyecto y su visión de proyecto a largo plazo también son una razón importante para atraer fondos. Sin embargo, tenemos que admitir que, al igual que otros proyectos de IA, aunque la combinación de Web3 + IA tiene un gran potencial, su aplicación en el negocio real no es suficiente para respaldar un proyecto rentable a largo plazo.

3.4 Alethea.ai($ALI)

Fundada en 2020, Alethea.ai es un proyecto dedicado a llevar la propiedad descentralizada y la gobernanza descentralizada al contenido generativo utilizando la tecnología blockchain. Los fundadores de Alethea.ai creen que la IA generativa nos pondrá en una era en la que el contenido generativo conduce a la redundancia de la información, en la que grandes cantidades de contenido electrónico simplemente se copian y pegan o se generan con un solo clic, y las personas que crearon el valor en primer lugar no podrán beneficiarse de él. Al conectar las primitivas on-chain (como los NFT) con la IA generativa, se puede garantizar la propiedad de la IA generativa y su contenido, y la gobernanza de la comunidad puede llevarse a cabo sobre esta base.

Impulsados por esta filosofía, a principios de Alethea.ai introdujeron un nuevo estándar NFT, iNFT, que aprovecha el Intelligence Pod para crear animaciones de IA integradas, síntesis de voz e incluso IA generativa en imágenes. Además, Alethea.ai se asoció con artistas para convertir sus obras de arte en iNFT, que se vendieron por 478.000 dólares en Sotheby’s.

Inyectar alma en los NFT

Fuente: Alethea.ai

Más tarde, Alethea.ai lanzó el Protocolo de IA, que permite a cualquier desarrollador y creador de IA generativa crear con el estándar iNFT sin permisos. Al mismo tiempo, con el fin de hacer una muestra para otros proyectos sobre su propio protocolo de IA, también Alethea.ai tomado prestada la teoría del gran modelo de GPT para lanzar CharacterGPT, una herramienta para hacer NFT interactivos. Además, también Alethea.ai lanzado recientemente Open Fusion, que permite combinar cualquier NFT ERC-721 del mercado con un Intelligence y liberarlo en el Protocolo de IA.

El token nativo de Alethea.ai es de ALI dólares, y sus principales usos son cuatro:

1. Bloquea una cierta cantidad de $ALI para crear iNFT
2. Cuanto más bloqueado, mayor será el nivel de la cápsula de inteligencia
3. Los titulares de $ALI participan en la gobernanza de la comunidad
4. $ALI se pueden usar como credencial para participar en interacciones entre iNFT (aún no hay casos de uso en el mundo real)

Fuente: coingecko.com

Como se puede ver en el caso de uso de ALI dólares, la captura de valor actual de este token todavía se encuentra a nivel narrativo, y esta inferencia también se puede confirmar a partir del cambio en el precio de la moneda dentro de un año: ALI dólares ha cosechado los dividendos del auge de la IA generativa liderado por ChatGPT desde diciembre de 2022. Al mismo tiempo, en junio de este año, cuando Alethea.ai anunció el lanzamiento de su última función Open Fusion, también trajo una ola de crecimiento. Además, el precio de ALI dólares ha seguido una tendencia a la baja, e incluso el auge de la IA a finales de 2023 no ha conseguido subir el precio hasta el nivel medio de los proyectos de la misma vía.

Además del token nativo, echemos un vistazo al rendimiento de los proyectos NFT, los iNFT de Alethea.ai (incluidas las colecciones lanzadas oficialmente) en el mercado de NFT.

Ventas diarias de Intelligence Pods en Opensea

** **

Ventas diarias de Revenants Collection en Opensea

Fuente: Dune.com

A partir de las estadísticas del panel de control de Dune, podemos ver que tanto el Intelligence Pod, que se vendió a un tercero, como la colección Revenants, que fue lanzada por la primera Alethea.ai, desaparecieron gradualmente después de algún tiempo después del lanzamiento inicial. La razón principal de esto, piensa el autor, debería ser que después de que la novedad inicial se desvanezca, no hay un valor real o popularidad de la comunidad para retener a los usuarios.

3.5 Fetch.ai($FET)

Fetch.ai es un proyecto dedicado a promover la convergencia de la inteligencia artificial y la tecnología blockchain. El objetivo de la compañía es construir una economía descentralizada e inteligente que impulse la actividad económica entre agentes inteligentes a través de una combinación de aprendizaje automático, blockchain y tecnología de contabilidad distribuida.

Fetch.ai fue fundada en 2019 por científicos del Reino Unido, Humayun Sheikh, Toby Simpson y Thomas Hain. Los tres fundadores provienen de una amplia gama de orígenes, incluidos Humayun Sheikh como uno de los primeros inversores en Deepmind, Toby Simpson como ejecutivo en varias empresas y Thomas Hain como profesor de inteligencia artificial en la Universidad de Sheffield. Fetch.ai La profunda experiencia del equipo fundador ha aportado ricos recursos de la industria a la empresa, que abarcan empresas de TI tradicionales, proyectos estrella de blockchain, proyectos médicos y de supercomputación, y otros campos.

La misión de Fetch.ai es construir una plataforma web descentralizada que consta de agentes económicos autónomos y aplicaciones de IA, lo que permite a los desarrolladores realizar tareas objetivo preestablecidas mediante la creación de agentes autónomos. La tecnología central de la plataforma es su arquitectura única de tres niveles:

• Subyacente: Una red de contratos inteligentes subyacente basada en PoS-uD (es decir, un mecanismo de consenso de prueba de participación sin permisos) que admite la colaboración entre mineros y el entrenamiento y la inferencia básicos de aprendizaje automático
• Capa intermedia: OEF (Open Economic Framework) proporciona un espacio compartido para que los AEA interactúen entre sí, lo que permite a los AEA interactuar con el protocolo subyacente y también apoya a los AEA para buscar, descubrir y comerciar entre sí
• Superior: AEA (Agente Económico Autónomo), que es el componente central de Fetch.ai. Cada AEA es un software de agente inteligente que habilita diferentes funciones a través de una variedad de módulos de habilidades para completar tareas predefinidas en nombre del usuario. En lugar de ejecutarse directamente en la cadena de bloques, el software del agente interactúa con la cadena de bloques y los contratos inteligentes a través de una capa intermedia OEF. Este tipo de software de agente inteligente puede ser software puro o puede estar vinculado a hardware real, como teléfonos móviles, computadoras, automóviles, etc. Oficialmente, está disponible un kit de desarrollo basado en Python, el marco AEA, que es componible, lo que permite a los desarrolladores crear su propio software de agente inteligente con él.

Sobre la base de esta arquitectura, Fetch.ai también ha lanzado varios productos y servicios de seguimiento, como Co-Learn (un modelo de aprendizaje automático compartido entre agentes) y Metaverse (un servicio de alojamiento en la nube de agentes inteligentes) para permitir a los usuarios desarrollar sus propios agentes inteligentes en su plataforma.

En términos de tokens, $FET, como token nativo de Fetch.ai, cubre el papel regular de pagar gas, verificar el staking y comprar servicios dentro de la red. Más del 90% de los tokens han sido desbloqueados hasta ahora por FET dólares, que se distribuyen de la siguiente manera:

Desde el lanzamiento del proyecto, Fetch.ai ha recibido múltiples rondas de financiación en forma de tenencias de tokens diluidos, la más reciente el 29 de marzo de 2023, cuando Fetch.ai recibió USD 30 millones en financiación de DWF Lab. Dado que el token de FET dólares no captura el valor del proyecto en términos de ingresos, la fuerza impulsora del aumento de precios se debe principalmente a la actualización del proyecto y al sentimiento del mercado hacia la pista de IA. Se puede ver que el precio del Fetch.ai se ha disparado más del 100% a principios de 2023 y a finales de 2023.

Fuente: coingecko.com

En comparación con otras formas en que los proyectos de blockchain se desarrollan y llaman la atención, el camino de desarrollo de Fetch.ai se parece más a un proyecto de inicio de IA en Web2.0, centrándose en pulir el nivel técnico, hacerse un nombre y encontrar puntos de beneficio a través de una financiación continua y una amplia cooperación. Este enfoque deja mucho espacio para que se desarrollen futuras aplicaciones basadas en Fetch.ai, pero el modelo de desarrollo también hace que sea menos atractivo para otros proyectos de blockchain activar el ecosistema (uno de los fundadores de Fetch.ai fundó personalmente el proyecto DEX basado en Fetch.ai, Mettalex DEX, que finalmente fracasó). Al tratarse de un proyecto orientado a la infraestructura, es difícil mejorar el valor intrínseco del proyecto Fetch.ai debido al marchitamiento de la ecología.

En cuarto lugar, la IA generativa tiene un futuro prometedor

El CEO de Nvidia, Jensen Huang, llama al lanzamiento de modelos generativos el momento “iPhone” de la IA, y el recurso escaso para producir IA en esta etapa es la infraestructura centrada en chips de computación de alto rendimiento. Como la subpista de IA que capta la mayoría de los fondos en Web3, los proyectos de infraestructura de IA siempre han sido el foco de la inversión y la investigación a largo plazo de los inversores. Es previsible que con la actualización gradual de los equipos de potencia informática por parte de los gigantes de los chips, la mejora gradual de la potencia informática de la IA y el desbloqueo de las capacidades de IA, es previsible que surjan en el futuro más proyectos de infraestructura de IA en campos subdivididos en Web3, e incluso se puede esperar que en el futuro salgan chips especialmente diseñados y producidos para el entrenamiento de IA en Web3. **

Aunque el desarrollo de los productos de IA generativa de ToC aún se encuentra en fase experimental, algunos de sus productos ToB de grado industrial han mostrado un gran potencial. Una de ellas es la tecnología de “gemelo digital” que migra escenarios del mundo real al ámbito digital, combinada con la plataforma de computación científica de gemelos digitales lanzada por NVIDIA para la visión del metaverso, teniendo en cuenta que todavía hay una gran cantidad de valor de datos en la industria que aún no se ha lanzado, la IA generativa se convertirá en una ayuda importante para los gemelos digitales en escenarios industriales. Adentrarse en el campo de la Web3, incluido el metaverso, la creación de contenidos digitales, los activos del mundo real, etc., se verá afectado por la tecnología de gemelos digitales impulsada por la IA.

El desarrollo de nuevo hardware interactivo también es un eslabón que no se puede ignorar. Históricamente, cada innovación de hardware en el mundo de la informática ha traído consigo un cambio sísmico y nuevas oportunidades de desarrollo, como el ratón de ordenador que es habitual hoy en día, o el iPhone 4 con pantalla capacitiva multitáctil. El Apple Vision Pro, que se ha anunciado que se lanzará en el primer trimestre de 2024, ya ha atraído mucha atención en todo el mundo con su impresionante demostración, que debería traer cambios y oportunidades inesperados a varias industrias cuando se lance realmente. Con las ventajas de la rápida producción de contenidos, la rápida difusión y la amplia gama, el campo del entretenimiento suele ser el primero en beneficiarse después de cada actualización de la tecnología de hardware. Por supuesto, esto también incluye varias pistas de entretenimiento visual, como el metaverso, los juegos en cadena y los NFT en Web3, que merecen la atención y la investigación a largo plazo de los lectores en el futuro.

A largo plazo, el desarrollo de la IA generativa es un proceso de cambio cuantitativo que conduce a un cambio cualitativo. La esencia de ChatGPT es una solución al problema de las preguntas y respuestas de razonamiento, que es un problema que ha sido ampliamente observado y estudiado en el mundo académico durante mucho tiempo. Después de una iteración a largo plazo de datos y modelos, finalmente alcanzó el nivel de GPT-4, que asombró al mundo. Lo mismo ocurre con las aplicaciones de IA en Web3, que todavía se encuentran en la fase de introducción de modelos de Web2 en Web3, y aún no han surgido modelos desarrollados íntegramente basados en datos de Web3. En el futuro, habrá que invertir en proyectos con visión de futuro y muchos recursos en la investigación de problemas prácticos en Web3, para que la propia aplicación asesina de nivel ChatGPT de Web3 pueda acercarse gradualmente.

En esta etapa, hay muchas direcciones que vale la pena explorar bajo el trasfondo técnico de la IA generativa, una de las cuales es la tecnología de la cadena de pensamiento de la que depende la implementación de la lógica. En pocas palabras, a través de la cadena de la tecnología del pensamiento, los grandes modelos de lenguaje han sido capaces de dar un salto cualitativo en el razonamiento de varios pasos. Sin embargo, el uso de la cadena de pensamiento no se ha resuelto o, hasta cierto punto, ha llevado al problema de la insuficiente capacidad de razonamiento de los grandes modelos en lógica compleja. Los lectores que estén interesados en este aspecto deben leer el artículo del autor original de la cadena de pensamiento.

El éxito de ChatGPT ha llevado a la aparición de varias cadenas populares de GPT en Web3, pero la combinación simple y cruda de GPT y contratos inteligentes no puede resolver realmente las necesidades de los usuarios. Ha pasado aproximadamente un año desde el lanzamiento de ChatGPT y, a largo plazo, es solo un movimiento de los dedos, y los futuros productos también deberían partir de las necesidades reales de los propios usuarios de Web3, y con la tecnología Web3 cada vez más madura, creo que la aplicación de la IA generativa en Web3 tiene infinitas posibilidades que vale la pena esperar.

Referencias

Google Cloud Tech - Introducción a la IA generativa

AWS - ¿Qué es la IA generativa?

La economía de los grandes modelos lingüísticos

Tan pronto como se fuerza el Modelo de Difusión, el GAN se vuelve obsoleto???

Ilustración del aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF)

IA generativa y Web3

¿Quién es el propietario de la plataforma de IA generativa?

Apple Vision Pro Full Moon se replantea: XR, RNDR y el futuro de la computación espacial

¿Cómo se acuña la IA como NFT?

Razonamiento Analógico Emergente en Grandes Modelos de Lenguaje

Token de red Akash (AKT) Calendario de desbloqueo de génesis y estimaciones de suministro