Ювілейна розмова ChatGPT після річниці: вузьке місце генеративного штучного інтелекту та можливості Web3

Автори: @chenyangjamie, @GryphsisAcademy

TL; ДОКТОР:

1. Комерційне застосування генеративного ШІ захопило світ у 2022 році, але в міру того, як новинка зникає, деякі з поточних проблем генеративного ШІ стають очевидними. Сфера Web3, що розвивається, з повністю прозорою, перевіреною та децентралізованою природою блокчейну, пропонує нові ідеї для вирішення проблем генеративного ШІ.
2. Генеративний ШІ – це нова технологія останніх років, яка базується на нейромережевій структурі глибокого навчання, а модель поширення для генерації зображень та велика мовна модель для ChatGPT показали великий потенціал для комерціалізації.
3. Архітектура впровадження генеративного ШІ у Web3 включає інфраструктуру, моделі, програми та дані, серед яких частина даних особливо важлива в поєднанні з Web3, і має величезний простір для розвитку, особливо модель даних у ланцюжку, проксі-проєкти ШІ та вертикальні програми, які мають потенціал стати ключовими напрямками розвитку в майбутньому.
4. Наразі популярні проєкти на треку штучного інтелекту у Web3 на ринку показали характеристики недостатніх фундаментальних показників та слабкої здатності до захоплення вартості токенів, і вони в основному з нетерпінням чекають на нове тепло або оновлення економіки токенів у майбутньому.
5. Генеративний ШІ має великий потенціал у просторі Web3, і є багато нових наративів, на які можна з нетерпінням чекати в майбутньому.

1. Чому генеративний ШІ та Web3 потрібні один одному?

2022 рік можна назвати роком, коли генеративний ШІ (Artificial Intelligence) захопив світ штурмом, до якого генеративний ШІ обмежувався лише допоміжними інструментами професійних працівників, а після послідовної появи Dalle-2, Stable Diffusion, Imagen та Midjourney — AI-Generated Content (абревіатура). Будучи новітнім технологічним додатком, AIGC згенерувала велику хвилю модного контенту в соціальних мережах. А ChatGPT, який був випущений невдовзі після цього, став бомбою, підштовхнувши цю тенденцію до піку. Як перший інструмент штучного інтелекту, який може відповісти практично на будь-яке запитання за допомогою простої текстової команди (тобто ), ChatGPT вже давно став щоденним помічником у роботі для багатьох людей. Вперше люди можуть відчути «інтелект» штучного інтелекту, оскільки він може справлятися з різноманітними повсякденними завданнями, такими як написання документів, допомога з домашнім завданням, помічник електронної пошти, перегляд есе та навіть емоційне репетиторство, а Інтернет з ентузіазмом досліджує різні таємниці, які використовуються для оптимізації результатів, згенерованих ChatGPT. Згідно зі звітом макрокоманди Goldman Sachs, генеративний ШІ може стати стимулом для зростання продуктивності праці в Сполучених Штатах, сприяючи зростанню світового ВВП на 7% (або майже 7 трильйонів доларів) і збільшенню зростання продуктивності на 1,5 відсоткових пункти протягом 10 років розробки генеративного ШІ.

** **

Сфера Web3 також відчула весняний вітерець AIGC, і сектор штучного інтелекту зріс у всіх напрямках у січні 2023 року

Джерело:

Однак після того, як початкова новинка згасла, глобальний трафік ChatGPT знизився вперше з моменту його випуску в червні 2023 року (Джерело: SimilarWeb), і настав час переосмислити, що означає генеративний ШІ та які його обмеження. З поточної ситуації дилеми, з якими стикається генеративний ШІ, включають (але не обмежуються ними): по-перше, соціальні мережі сповнені неліцензованого та невідстежуваного контенту AIGC, по-друге, висока вартість обслуговування ChatGPT змусила OpenAI вирішити знизити якість генерації, щоб зменшити витрати та підвищити ефективність, і, нарешті, навіть найбільші світові моделі все ще упереджені в деяких аспектах отриманих результатів.

** **

Глобальний десктопний та мобільний трафік ChatGPT

Джерело: Similarweb

У той же час Web3, який поступово дозріває, з його децентралізованими, повністю прозорими та перевіреними характеристиками, пропонує нове рішення поточної дилеми генеративного ШІ:

1. Повна прозорість і простежуваність Web3 може вирішити проблеми авторського права та конфіденційності даних, спричинені генеративним штучним інтелектом. Ці дві функції Web3 дозволяють ефективно перевіряти джерело та автентичність контенту, значно збільшуючи вартість згенерованого штучним інтелектом підробленого або правопорушного контенту, такого як короткі ремікси, які плутають авторські права, або відео DeepFake із заміною облич, які порушують конфіденційність інших людей. Крім того, очікується, що застосування смарт-контрактів в управлінні контентом вирішить проблеми з авторським правом і гарантує, що творці контенту зможуть отримувати більш справедливу винагороду за контент, який вони створюють.

** **

Відео DeepFake: Це не Морган Фрімен

Джерело: Youtube

2. Децентралізація Web3 може знизити ризик централізації обчислювальних потужностей штучного інтелекту. ** Генеративний штучний інтелект вимагає величезних обчислювальних ресурсів, за оцінками, навчання ChatGPT на основі GPT-3 коштує щонайменше 2 мільйони доларів США та близько 47 000 доларів США на день на електроенергію, і ця цифра зростає експоненціально в міру розвитку технологій та масштабів. Обчислювальні ресурси, як і раніше, значною мірою сконцентровані в руках великих компаній, що призводить до значних витрат на дослідження та розробки, технічне обслуговування та експлуатацію, а також до ризику централізації, що ускладнює конкуренцію меншим компаніям. Хоча навчання великих моделей все ще може відбуватися в централізованому середовищі в короткостроковій перспективі, оскільки навчання великих моделей вимагає багато обчислювальних ресурсів, у Web3 технологія блокчейн робить можливим висновування розподілених моделей, управління голосуванням спільноти та токенізацію моделей, серед іншого. Використовуючи існуючу децентралізовану біржу як зрілий приклад, ми можемо розробити керовану спільнотою децентралізовану систему висновків великої моделі штучного інтелекту, в якій право власності на велику модель належить спільноті та керується спільнотою.

Навіть з урахуванням останньої версії H100 для тренування GPT-3 вартість одного флопа все ще висока

Джерело: substake.com

3. Скористайтеся перевагами функцій Web3 для оптимізації різноманітності наборів даних ШІ та можливості інтерпретації моделей ШІ. ** Традиційні методи збору даних в основному базуються на публічних наборах даних або самих виробниках моделей, а зібрані дані часто обмежені географією та культурою. Це може призвести до контенту, згенерованого програмою AIGC, і відповідей, згенерованих ChatGPT із суб’єктивною упередженістю певних етнічних груп, наприклад, зміна кольору шкіри цільового завдання. А за допомогою моделі стимулювання токенів Web3 ми можемо оптимізувати спосіб збору даних, збору та зважування даних з усіх куточків світу. У той же час повна прозорість і простежуваність Web3 може ще більше підвищити інтерпретованість моделі та заохотити виведення різноманітних фонів для збагачення моделі.

Штучний інтелект, призначений для збільшення роздільної здатності, перетворить Обаму на білу людину

Джерело: Twitter

4. Ви можете використовувати масивні ончейн-дані Web3 для навчання унікальних моделей штучного інтелекту. ** Поточні методи проектування та навчання моделей штучного інтелекту часто ґрунтуються на побудові цільової структури даних (тексту, мови, зображення або відео). Унікальним майбутнім напрямком розвитку поєднання Web3 та штучного інтелекту є звернення до методів побудови та навчання великих моделей природною мовою та використання унікальної структури даних Web3 у ланцюжку даних для створення ** великих моделей даних у ланцюжку. Це надає користувачам унікальну перспективу, якої не може досягти інша аналітика даних (розумне відстеження грошей, тенденції фінансування проектів тощо), а перевага штучного інтелекту полягає в тому, що він може обробляти величезні обсяги даних одночасно порівняно з ручним ончейн-аналізом.

Автоматизований ончейн-аналіз, моніторинг інформації в ланцюжку дозволяє отримати інформацію з перших рук

Джерело: nansen.ai

5. Генеративний ШІ має потенціал стати потужною силою у зниженні бар’єру входу для участі людей у світі Web3. **Поточна основна модель участі проєктів Web3 вимагає від учасників значного розуміння різних складних ончейн-концепцій та логіки роботи гаманця, що значно збільшує вартість навчання та ризик неправильної роботи для користувачів, тоді як аналогічні програми у Web2 вже багато років реалізують принцип «принципу ледачої людини» в дизайні продукту, щоб користувачі могли легко та без ризику розпочати роботу. Очікується, що генеративний штучний інтелект підтримуватиме проєкти, орієнтовані на наміри, які можуть значно покращити користувацький досвід продуктів Web3, діючи як «розумний помічник» між користувачами та протоколами у Web3.

6. Web3 також створив величезний попит на контент, а генеративний штучний інтелект став ключовим засобом задоволення цього попиту. Генеративний штучний інтелект може створювати безліч статей, зображень, аудіо- та відеоконтенту для Web3, стимулюючи розробку децентралізованих додатків, від NFT-маркетплейсів до документів для смарт-контрактів, усі з яких можуть отримати вигоду від різноманітного контенту, створеного штучним інтелектом.

Хоча генеративний штучний інтелект і Web3 мають свої проблеми, їхні спільні потреби та спільні рішення, сподіваюся, сформують майбутнє цифрового світу. Ця співпраця підвищить якість і довіру до створення контенту, сприяючи подальшому розвитку цифрової екосистеми, одночасно надаючи користувачам більш цінний цифровий досвід. Спільна еволюція генеративного штучного інтелекту та Web3 створить нову захоплюючу главу в цифрову епоху.

По-друге, технічний огляд генеративного ШІ

2.1 Технічні передумови генеративного ШІ

З того часу, як концепція ШІ була представлена в 50-х роках 20 століття, було кілька злетів і падінь, і кожне ключове технологічне нововведення приносить нову хвилю, і цього разу генеративний ШІ не є винятком. Як нова концепція, яка була запропонована лише за останні 10 років, генеративний штучний інтелект виділився з багатьох дослідницьких піднапрямків штучного інтелекту завдяки сліпучій продуктивності новітніх технологій і продуктів і за одну ніч привернув увагу світу. Перш ніж ми перейдемо далі до технічної архітектури генеративного ШІ, нам потрібно спочатку пояснити конкретне значення генеративного ШІ, яке обговорюється в цій статті, і коротко розглянути основні технічні компоненти генеративного ШІ, який нещодавно вибухнув.

Генеративний ШІ — це тип штучного інтелекту, який можна використовувати для створення нового контенту та ідей, включаючи розмови, історії, зображення, відео та музику, і являє собою модель, побудовану на фреймворку нейронної мережі, засновану на глибокому навчанні, навчену з великими обсягами даних і наповнену величезною кількістю параметрів. Продукти генеративного штучного інтелекту, які нещодавно привернули увагу людей, можна просто розділити на дві категорії: одна – це продукти для генерації зображень (відео) з введенням тексту або стилю, а інша – продукти ChatGPT із введенням тексту. Ці два типи продуктів мають однакову основну технологію, тобто попередньо навчену мовну модель (LLM), засновану на архітектурі Transformer. Виходячи з цього, перший тип продукту додає дифузійну модель, яка поєднує введення тексту для створення високоякісних зображень або відео, а другий тип продукту додає навчання з підкріпленням на основі людських відгуків (RLHF) для досягнення логічного рівня вихідних результатів, близького до людського.

2.2 Поточна технічна архітектура генеративного ШІ:

Багато з найкращих статей у минулому обговорювали значення генеративного ШІ для існуючих технічних архітектур з різних точок зору, як, наприклад, ця стаття від A16z «Хто володіє платформою генеративного штучного інтелекту?», яка всебічно підсумовує поточну технічну архітектуру генеративного ШІ:

** **

Основна технічна архітектура генеративного ШІ

Джерело: Кому належить платформа генеративного штучного інтелекту?

У цій дослідницькій статті поточна архітектура генеративного ШІ Web2 поділяється на три рівні: інфраструктура (обчислювальна потужність), модель і додаток, і дає погляди на поточний розвиток цих трьох рівнів.

Для інфраструктури, хоча логіка побудови інфраструктури у Web2 все ще залишається основною, все ще дуже мало інфраструктурних проєктів, які справді поєднують Web3 та AI. У той же час інфраструктура також є тією частиною, яка привертає найбільшу цінність на цьому етапі, і технологічні олігархи Web2 досягли значних успіхів, «продаючи лопати» на поточному етапі дослідження штучного інтелекту завдяки своїм десятиліттям глибокого вдосконалення в галузі зберігання та обчислень.

Що стосується моделей, то вони мають бути реальними творцями та власниками ШІ, але на даному етапі дуже мало бізнес-моделей, які можуть підтримати авторів моделі в отриманні відповідної бізнес-цінності.

Для додатків кілька вертикалей акумулювали понад сотні мільйонів доларів доходу, але високих витрат на обслуговування та низького утримання користувачів недостатньо для підтримки довгострокової бізнес-моделі.

2.3 Приклади генеративних додатків ШІ та Web3

2.3.1 Застосування штучного інтелекту для аналізу масивних даних Web3

** Дані лежать в основі побудови технічних бар’єрів у майбутньому розвитку штучного інтелекту. Щоб зрозуміти, чому це важливо, давайте подивимося на дослідження джерел продуктивності великих моделей. Це дослідження показує, що великі моделі штучного інтелекту демонструють унікальну здатність з’являтися: збільшуючи розмір моделі, точність моделі раптово вибухне при перевищенні певного порогу. Як показано на малюнку нижче, кожен графік являє собою навчальну задачу, а кожна лінія відповідає продуктивності (точності) великої моделі. Експерименти на різних великих моделях прийшли до одного і того ж висновку: після того, як розмір моделі перевищить певний поріг, продуктивність по різних завданнях показує проривне зростання.

Взаємозв’язок між розміром моделі та її продуктивністю

Джерело: Емерджентні аналогічні міркування у великих мовних моделях

Простіше кажучи, кількісні зміни масштабу моделі призводять до якісної зміни продуктивності моделі. **Розмір моделі залежить від кількості параметрів моделі, часу навчання та якості навчальних даних. На цьому етапі, у випадку з кількістю параметрів моделі (у великих компаній є топові R&D-команди, відповідальні за дизайн) і часом навчання (обчислювальне обладнання купує NVIDIA) не може закрити прогалину, якщо ви хочете створити продукт, який лідирує в конкурентній боротьбі, одним із способів є пошук найкращих больових точок попиту в полі підрозділу для створення програми-вбивці, але це вимагає глибокого розуміння цільового поля та відмінного розуміння, тоді як інший спосіб є більш практичним і здійсненним, тобто збирати все більше і більше повних даних, ніж конкуренти. **

Це також є гарною точкою входу для генеративних моделей штучного інтелекту, щоб увійти в простір Web3. Існуючі великі моделі штучного інтелекту або базові моделі навчаються на основі величезних обсягів даних у різних галузях, а унікальність ончейн-даних у Web3 робить модель даних у ланцюжку можливим шляхом, на який варто з нетерпінням чекати. Наразі існує дві логіки продуктів для ієрархії даних у Web3: перша полягає в тому, щоб стимулювати постачальників даних захищати конфіденційність і право власності власників даних, одночасно заохочуючи користувачів ділитися правом на використання даних один з одним. Ocean Protocol надає чудовий спосіб обміну даними. Другий – інтегрувати дані та додатки командою проєкту для надання користувачам сервісів для виконання певного завдання. **Наприклад, Trusta Lab збирає та аналізує ончейн-дані користувачів і може надавати такі послуги, як аналіз облікових записів відьом та аналіз ризиків активів у мережі за допомогою своєї унікальної системи оцінки MEDIA.

2.3.2 Проксі-додатки зі штучним інтелектом для Web3

**Вищезгаданий ончейн-додаток AI Agent також знаходиться в центрі уваги - за допомогою великої мовної моделі він надає користувачам кількісні ончейн-послуги на основі забезпечення конфіденційності користувачів. **Згідно з повідомленням у блозі Ліліан Венг, керівника відділу досліджень штучного інтелекту в OpenAI, агента штучного інтелекту можна розділити на чотири компоненти, а саме агент = LLM + планування + пам’ять + використання інструменту. Як ядро агента штучного інтелекту, LLM відповідає за взаємодію із зовнішнім світом, вивчення величезних обсягів даних і логічне вираження їх природною мовою. Частина «Планування + Пам’ять» схожа на концепції дії, політики та винагороди в навчанні техніці навчання з підкріпленням AlphaGo. Мета завдання розбирається на кожну невелику мішень, а оптимізоване рішення завдання завдання вивчається крок за кроком за результатами та відгуками багаторазового повторного навчання, а отримана інформація зберігається в різних типах пам’яті для різних функцій. Що стосується використання інструментів, то це стосується використання таких інструментів, як виклик модульних інструментів, отримання інформації з Інтернету, підключення до власних джерел інформації або API тощо, і варто зазначити, що більшу частину цієї інформації буде важко змінити після попереднього навчання.

Глобальна діаграма AI Agent

Джерело: LLM Powered Autonomous Agents

У поєднанні зі специфічною логікою реалізації AI Agent ми можемо сміливо уявити, що комбінація Web3 + AI Agent принесе нескінченну уяву, наприклад:

1. Режим агента AI можна додати до поточної торгової програми, який може надати клієнтам інтерактивний інтерфейс на рівні природної мови, включаючи, але не обмежуючись, прогнозування ціни, стратегію транзакцій, стратегію стоп-лосс, динамічне налаштування кредитного плеча, інтелектуальне копіювання KOL, кредитування тощо.
2. При виконанні кількісної стратегії стратегія може бути додатково розкладена на кожне підзавдання і передана різним агентам ШІ для реалізації, при цьому кожен агент ШІ співпрацює один з одним, що може не тільки підвищити безпеку захисту конфіденційності, але й контролювати в режимі реального часу, щоб запобігти використанню контрагентом вразливостей для реверсування робота.
3. Велика кількість NPC у ланцюгових іграх також природно підходить для AI Agent, і зараз існує проєкт із застосування GPT для динамічної генерації діалогового контенту ігрових персонажів, і в майбутньому очікується, що він не обмежуватиметься попередньо встановленим текстом, а буде оновлено до більш реалістичної взаємодії ігрового NPC (або навіть цифрової людини) у реальному часі, яка може реалізувати самовзаємодію без втручання гравця. «Віртуальне місто» Стенфордського університету є чудовим прикладом цього.

Незважаючи на те, що поточний проектний центр Web3 + AI Agent все ще зосереджений на первинному ринку або на стороні інфраструктури штучного інтелекту, і все ще немає вбивчого застосування To C, вважається, що проекти Web3 + AI, які змінять правила гри в майбутньому, варті того, щоб їх з нетерпінням чекати, поєднуючи різні характеристики блокчейну, такі як розподілене управління в ланцюжку, висновок про доказ з нульовим розголошенням, розподіл моделі, покращення інтерпретації тощо.

2.3.3 Потенційні вертикальні застосування Web3 + AI

А. Застосування у сфері освіти

Поєднання Web3 та штучного інтелекту започаткувало революцію в освіті, де генеративні класи віртуальної реальності є переконливою інновацією. Вбудовуючи технологію штучного інтелекту в платформу онлайн-навчання, студенти можуть отримати персоналізований досвід навчання, який генерує індивідуальний освітній контент на основі їхньої історії навчання та інтересів. Очікується, що такий персоналізований підхід підвищить мотивацію та ефективність учнів у навчанні, наблизивши освіту до індивідуальних потреб.

Студенти беруть участь у заняттях віртуальної реальності за допомогою імерсивних VR пристроїв

Джерело: команда V-SENSE

Крім того, кредитне стимулювання за моделлю токенів також є інноваційною практикою у сфері освіти. За допомогою технології блокчейн кредити та досягнення студентів можуть бути закодовані в токени для формування цифрової кредитної системи. Такі стимули заохочують учнів до активної участі в навчальній діяльності, створюючи більш активне та мотивуюче навчальне середовище.

У той же час, натхненний нещодавно популярним SocialFi-проектом FriendTech, подібна ключова логіка ціноутворення, прив’язана до ідентифікаторів, також може бути використана для створення системи взаємного оцінювання, яка також привносить більше соціальних елементів в освіту. Завдяки незмінності блокчейну оцінювання серед учнів є більш справедливим і прозорим. Цей механізм взаємного оцінювання не тільки допомагає розвивати в учнів командну роботу та соціальні навички, але й забезпечує більш комплексну та багатоаспектну оцінку успішності учнів, вводячи в систему освіти більш різноманітні та комплексні методи оцінювання.

B. Застосування в медицині

У сфері охорони здоров’я поєднання Web3 та штучного інтелекту сприяє розвитку федеративного навчання та розподіленого логічного висновку. Об’єднавши розподілені обчислення та машинне навчання, медичні працівники можуть обмінюватися даними у великих масштабах для більш глибокого та всебічного групового навчання. Такий підхід колективного розуму може прискорити розробку варіантів діагностики та лікування захворювань, а також просунути галузь медицини.

Захист конфіденційності є ключовим питанням, яке не можна ігнорувати в медичних додатках. Завдяки децентралізації Web3 та незмінності блокчейну медичні дані пацієнтів можуть зберігатися та передаватися безпечніше. Смарт-контракти можуть досягти точного контролю та управління дозволами на медичні дані, гарантуючи, що лише уповноважений персонал може отримати доступ до конфіденційної інформації пацієнтів, тим самим зберігаючи конфіденційність медичних даних.

C. Застосування у сфері страхування

Очікується, що в страховому секторі інтеграція Web3 та штучного інтелекту принесе більш ефективні та інтелектуальні рішення для традиційного бізнесу. Наприклад, у страхуванні автомобілів та житла використання технології комп’ютерного зору дозволяє страховикам більш ефективно оцінювати вартість та рівень ризику майна за допомогою аналізу та оцінки зображень. Це надає страховим компаніям більш досконалі та персоналізовані стратегії ціноутворення, а також підвищує рівень управління ризиками в страховій галузі.

Використовуйте технологію штучного інтелекту для оцінки претензій

Джерело: Tractable Inc

У той же час автоматизоване врегулювання претензій у мережі також є інновацією в страховій галузі. Заснований на смарт-контрактах і технології блокчейн, процес розгляду претензій може бути більш прозорим і ефективним, зменшуючи можливість громіздких процедур і втручання людини. Це не тільки збільшує швидкість врегулювання збитків, але й знижує операційні витрати, що призводить до кращого досвіду для страховиків та клієнтів.

Динамічне коригування премій є ще однією інноваційною практикою, завдяки аналізу даних у режимі реального часу та алгоритмам машинного навчання страхові компанії можуть точніше та своєчасно коригувати премії, а також персоналізувати ціноутворення відповідно до фактичного профілю ризику страхувальника. Це не тільки робить страхові внески більш справедливими, але й стимулює застрахованих людей до більш здорової та безпечної поведінки, сприяючи управлінню ризиками та профілактичним заходам для суспільства в цілому.

D. Застосування у сфері авторського права

У сфері авторського права поєднання Web3 та штучного інтелекту принесло абсолютно нову парадигму у створення цифрового контенту, кураторських пропозицій та розробки коду. Завдяки смарт-контрактам і децентралізованому сховищу інформація про авторські права на цифровий контент може бути краще захищена, а творці творів можуть легше відстежувати та керувати своєю інтелектуальною власністю. У той же час за допомогою технології блокчейн можна створювати прозорі та захищені від несанкціонованого доступу творчі записи, забезпечуючи більш надійний засіб для відстеження та автентифікації робіт.

Новаторство робочої моделі також є важливою зміною у сфері авторського права. Робоча співпраця, стимульована токенами, заохочує творців, планувальників і розробників брати участь у проєкті, поєднуючи внесок у роботу з заохоченнями за допомогою токенів. Це не тільки сприяє співпраці між творчими командами, але й надає учасникам можливість безпосередньо отримати вигоду від успіху проекту, що призведе до більшої кількості чудових робіт.

З іншого боку, застосування токена як доказу авторського права змінює модель розподілу вигоди. Завдяки механізму дивідендів, який автоматично виконується смарт-контрактами, кожен учасник роботи може отримати відповідну частку прибутку в режимі реального часу при використанні, продажу або передачі роботи. Ця децентралізована модель дивідендів ефективно вирішує проблеми непрозорості та відставання в традиційній моделі авторського права, а також забезпечує більш справедливий та ефективний механізм розподілу вигод для творців.

E. Програми метавсесвіту

У сфері метавсесвіту інтеграція Web3 та штучного інтелекту відкриває нові можливості для створення недорогого контенту ланцюгових ігор, наповнених AIGC. Віртуальне середовище та персонажі, згенеровані алгоритмами штучного інтелекту, можуть збагатити вміст ланцюгової гри, надати користувачам більш яскравий та різноманітний ігровий досвід, а також зменшити витрати робочої сили та часу у виробничому процесі.

Цифрове виробництво людиною — це інновація в додатках метавсесвіту. У поєднанні з генерацією зовнішності аж до волосся та конструюванням мислення на основі великих мовних моделей, згенеровані цифрові люди можуть грати різні ролі в метавсесвіті, взаємодіяти з користувачами та навіть брати участь у цифрових двійниках реальних сценаріїв. Це забезпечує більш реалістичний і глибокий досвід для розвитку віртуальної реальності та сприяє широкому застосуванню цифрових технологій віртуальної людини в розважальній, освітній та інших сферах.

Автоматично генеруйте рекламний контент відповідно до портретів користувачів у мережіЦе інтелектуальна рекламна креативна програма у сфері метавсесвіту. Аналізуючи поведінку та вподобання користувачів у метавсесвіті, алгоритми штучного інтелекту можуть генерувати більш персоналізований і привабливий рекламний контент, покращуючи показники кліків і залучення користувачів до реклами. Такий спосіб генерації реклами не тільки більше відповідає інтересам користувачів, але і надає рекламодавцям більш ефективний спосіб просування.

Генеративні інтерактивні NFT є привабливою технологією у просторі метавсесвіту. Поєднуючи NFT із генеративним дизайном, користувачі можуть брати участь у створенні власних NFT-творів мистецтва у метавсесвіті, надаючи їм інтерактивності та унікальності. Це відкриває нові можливості для створення та торгівлі цифровими активами, стимулюючи розвиток цифрового мистецтва та віртуальної економіки у метавсесвіті.

III. Цілі, пов’язані з Web3

Тут автор обрав п’ять проєктів, Render Network та Akash Network як ветеранів-лідерів загальної інфраструктури штучного інтелекту та треку штучного інтелекту, Bittensor як популярний проєкт у категорії моделей, Alethea.ai як сильний прикладний проєкт генеративного ШІ, Fetch.ai як знаковий проєкт у сфері агентства штучного інтелекту, щоб отримати уявлення про поточний стан проєктів генеративного ШІ у сфері Web3.

3.1 Рендер мережі($RNDR)

Render Network була заснована у 2017 році Жюлем Урбахом, засновником материнської компанії OTOY. Основним бізнесом OTOY є візуалізація графіки в хмарі, і вона працювала над оскароносними кіно- і телевізійними проектами, а також співзасновниками Google і Mozilla в якості консультантів, а також працювала над кількома проектами з Apple. Мета Render Network, яка простягається від OTOY до сфери Web3, полягає в тому, щоб використовувати розподілену природу технології блокчейн для підключення менш масштабного рендерингу та попиту та ресурсів штучного інтелекту до децентралізованої платформи, тим самим заощаджуючи невеликим майстерням витрати на оренду дорогих централізованих обчислювальних ресурсів (таких як AWS, MS Azure та Alibaba Cloud), а також забезпечуючи отримання доходу для тих, хто має незадіяні обчислювальні ресурси.

Оскільки Render — це OTOY-компанія, яка самостійно розробила високопродуктивний рендерер Octane Render у поєднанні з певною бізнес-логікою, на початку запуску він вважався проєктом Web3 зі своїми потребами та основами. У період, коли генеративний штучний інтелект був у моді, попит на розподілену перевірку та розподілені завдання висновків ідеально підходив для технічної архітектури Render, і він вважався одним із перспективних напрямків розвитку в майбутньому. У той же час, останніми роками Render вже багато років займає лідируючі позиції в треку штучного інтелекту в галузі Web3 і набув певного ступеня мемної природи.

У лютому 2023 року Render Network оголосила про майбутнє оновлення нових рівнів ціноутворення та механізм стабілізації цін у розмірі RNDR доларів США, за який проголосувала спільнота (однак поки що не підтверджено, коли він запрацює), і водночас оголосила, що проєкт буде переведено з Polygon на Solana (разом із оновленням токенів вартістю RNDR доларів США до $RENDER токенів на основі стандарту Solana SPL, яке вже було завершено в листопаді 2023 року).

Нова система оцінювання ціноутворення, випущена Render Network, розділяє ончейн-послуги на три рівні, від високого до низького, що відповідають різним ціновим категоріям і якості надання послуг, які можуть бути обрані постачальником.

Три рівні нового рівня ціноутворення Render Network

Механізм стабілізації ціни в розмірі $RNDR, за який проголосувала спільнота, був змінений з попереднього нерегулярного викупу на використання моделі «Burn-and-Mint Equilibrium (BME)», що зробило більш очевидним позиціонування $RNDR як платіжного токена цінової стабільності, а не утримання активів протягом тривалого часу. Конкретний бізнес-процес в епоху БМІ показаний на наступній схемі:

1. Створення продукту. “Творці продукту” на Render, тобто постачальники ресурсів рендерингу, які пакують незадіяні ресурси рендерингу в продукти (ноди) і чекають на використання в мережі.
2. «Закупівля товару». Клієнти, які потребують рендерингу, безпосередньо спалюватимуть токени як оплату за послуги, якщо у них є токени на RNDR доларів, а якщо ні, то спочатку куплять токени вартістю RNDR доларів за фіатну валюту на DEX. Ціна, сплачена за послугу, публічно реєструється в мережі.
3. Викарбуйте токен “Mint Token”. За заздалегідь встановленими правилами виділяється новий токен.

Примітка: Render Network стягує 5% комісії, сплаченої покупцем продукту з кожної транзакції за роботу проекту.

Епоха рівноваги горіння та м’яти

Подяка Петару Атанасовскі

Джерело: Medium

Згідно з попередньо встановленими правилами, в кожну епоху, що виконується БМІ, буде карбуватися задана кількість нових токенів (задане число буде поступово зменшуватися з часом). Новоспечені токени будуть розподілені між трьома сторонами:

1. Творець продукту. Творець продукту отримує двома способами:

2. Нагороди за виконання місій. Легко зрозуміти, що кожен вузол продукту винагороджується відповідно до кількості виконаних завдань рендерингу.

3. Онлайн-винагороди. Винагороди будуть надаватися відповідно до онлайн-ринку очікування кожного продуктового вузла, і буде заохочуватися більше онлайн-роботи, щоб обмежити ресурси.

4. Покупці продукції. Подібно до знижки на продукт торгового центру, покупці можуть отримати до 100% знижки на токени в розмірі RNDR доларів США, щоб заохотити подальше використання мережі рендера в майбутньому.

5. Постачальник ліквідності DEX (децентралізована біржа). Постачальники ліквідності в кооперативних DEX можуть отримувати винагороду відповідно до суми RNDR доларів США у стейкінгу, гарантуючи, що вони можуть купити достатню суму RNDR доларів США за розумною ціною, коли їм потрібно спалити RNDR доларів США.

** **

Джерело: coingecko.com

З цінової тенденції в $RNDR за останній рік видно, що як провідний проєкт треку штучного інтелекту в Web3 протягом багатьох років, $RNDR з’їли дивіденди хвилі буму штучного інтелекту, викликаної ChatGPT наприкінці 2022 року та на початку 2023 року, і в той же час, з випуском нового механізму токенів, ціна $RNDR досягла найвищої точки в першій половині 2023 року. Після другої половини року ціна в RNDR доларів досягла найвищої точки за останні роки з відновленням штучного інтелекту, викликаним новою пресконференцією OpenAI, міграцією Render Network на Solana та неминучим впровадженням нового механізму токенів. Оскільки фундаментальні зміни $RNDR мінімальні, для інвесторів майбутні інвестиції в розмірі $RNDR повинні бути більш розсудливими в управлінні позиціями та управлінні ризиками.

Кількість вузлів Render Network на місяць

** **

Render Network Кількість сцен, що рендеряться за місяць

Джерело: Dune.com

Водночас, як видно з дашборду Dune, загальна кількість завдань рендерингу зросла з початку 2023 року, але кількість вузлів рендерингу не збільшилася. У поєднанні з бумом генеративного ШІ наприкінці 2022 року розумно зробити висновок, що додаткові завдання рендерингу пов’язані з генеративним ШІ. Наразі важко сказати, чи є ця частина попиту довгостроковою, і за нею потрібно стежити, щоб спостерігати.

3.2 Мережа Акаш (AKT доларів США)

Akash Network — це децентралізована платформа хмарних обчислень, яка має на меті надати розробникам і підприємствам більш гнучке, ефективне та економічно вигідне рішення для хмарних обчислень. «Суперхмарна» платформа, побудована проектом, побудована на розподіленій технології блокчейн, яка використовує децентралізовану природу блокчейну, щоб надати користувачам децентралізовану хмарну інфраструктуру, яка може розгортати та запускати програми в глобальному масштабі, включаючи різноманітні обчислювальні ресурси, включаючи центральні процесори, графічні процесори та сховище.

Засновники Akash Network, Грег Осурі та Адам Бозаніч, є серійними підприємцями, які працювали разом протягом багатьох років, кожен з яких має багаторічний досвід роботи над проектами, будучи співзасновниками проекту Overclock Labs, який досі є основним учасником Akash Network. Команда засновників мала чітке бачення основної місії Akash Network, яка полягала в зниженні витрат на хмарні обчислення, підвищенні доступності та посиленні контролю користувачів над обчислювальними ресурсами. Завдяки відкритим торгам, які стимулюють постачальників ресурсів відкривати незадіяні обчислювальні ресурси у своїх мережах, Akash Network дозволяє більш ефективно використовувати ресурси, тим самим забезпечуючи більш конкурентоспроможні ціни для вимогливих ресурсів.

У січні 2023 року Akash Network розпочала програму оновлення Akash Network Economics 2.0 з метою усунення багатьох недоліків поточної економіки токенів, зокрема:

1. Ринкова ціна токена $AKT коливається, через що ціна довгострокового контракту не відповідає вартості
2. Стимулів для постачальників ресурсів недостатньо, щоб вивільнити велику кількість обчислювальних потужностей у їхніх руках
3. Недостатнє стимулювання громади шкодить довгостроковому розвитку проекту Akash
4. Недостатнє захоплення вартості токена $AKT має ризик вплинути на стабільність проекту

Згідно з інформацією, представленою на офіційному сайті, рішення, запропоновані планом Akash Network Economics 2.0, включають впровадження платежів стейблкоїнами, додавання плати за замовлення мейкера та поїдання яєць для збільшення доходів протоколу, збільшення стимулів для постачальників ресурсів та збільшення кількості стимулів спільноти тощо, серед яких запущено та впроваджено функцію оплати стейблкоїнів та функцію комісії мейкера**.

Як нативний токен Akash Network, $AKT має різноманітне використання в протоколі, включаючи перевірку стейкінгу (безпеку), стимули, управління мережею та сплату комісій за транзакції. Згідно з даними, представленими на офіційному сайті, загальна пропозиція в розмірі AKT доларів становить 388 мільйонів, а станом на листопад 2023 року наразі розблоковано 229 мільйонів, що становить близько 59%. Засновницькі токени, розподілені під час запуску проєкту, були повністю розблоковані в березні 2023 року та надійдуть в обіг вторинного ринку. Коефіцієнт розподілу токенів genesis виглядає наступним чином:

Примітно, що з точки зору захоплення вартості, одна функція, яку пропонує реалізувати AKT доларів США, яка ще не була реалізована, але згадується в офіційному документі, полягає в тому, що Akash планує стягувати «плату за стягнення» за кожну успішну оренду. Згодом він надсилає ці комісії до пулу Take Income Pool, щоб їх можна було розподілити між власниками. Програма передбачає комісію в розмірі 10% за транзакції в розмірі AKT доларів США і 20% комісію за транзакції з використанням інших криптовалют. Крім того, Akash також планує винагороджувати власників, які блокують свої активи в розмірі AKT доларів на більш тривалий період часу. Як наслідок, інвестори, які утримують протягом більш тривалого періоду часу, матимуть право на більш щедрі винагороди. Якщо цей проект буде успішно запущений в майбутньому, він обов’язково стане основною рушійною силою ціни валюти, а також допоможе краще оцінити вартість проекту.

** **

Джерело: coingecko.com

Як видно з цінової тенденції, показаної на coingecko.com, ціна в AKT доларів також започаткувала зростання в середині серпня та наприкінці листопада 2023 року відповідно, але це все ще не так добре, як зростання за той самий період інших проєктів у треку штучного інтелекту, що може бути пов’язано з поточною тенденцією настроїв щодо капіталу. Загалом, проєкт Акаша, як один із кількох високоякісних проєктів у напрямку штучного інтелекту, має кращі основи, ніж більшість конкурентів у напрямку штучного інтелекту. Вважається, що з розвитком індустрії штучного інтелекту та інтенсифікацією ресурсів хмарних обчислень Akash Network зможе злетіти в наступній хвилі ШІ в майбутньому.

3.3 Bittensor ($TAO)

Якщо читач знайомий з технічною архітектурою $BTC, розібратися в дизайні Bittensor буде дуже просто. Насправді, при розробці Bittensor його автори запозичили багато характеристик криптоветерана вартістю $BTC, включаючи: в цілому 21 мільйон токенів, скорочення виробництва вдвічі приблизно кожні чотири роки, механізм консенсусу з використанням PoW і так далі. Зокрема, давайте уявімо початковий BTC виробничий процес, а потім замінимо процес «майнінгу» для обчислення випадкових чисел, які не можуть створити реальну цінність, навчанням і перевіркою моделей штучного інтелекту, а також стимулюванням майнерів до роботи, заснованої на продуктивності та надійності моделей штучного інтелекту, що є простим підсумком архітектури проекту Bittensor (TAO доларів США).

Проєкт Bittensor був вперше заснований у 2019 році двома дослідниками штучного інтелекту, Джейкобом Стівзом та Алою Шаабана, а його основна структура базується на змісті білої книги, написаної таємничим автором Юмою Рао. Таким чином, він розробляє інклюзивний протокол з відкритим вихідним кодом і будує мережеву архітектуру, що складається з безлічі підмереж, з’єднаних різними підмережами, відповідальними за різні завдання (машинний переклад, розпізнавання і генерація зображень, великі мовні моделі і т.д.), і відмінне виконання завдань буде стимулюватися, дозволяючи підмережам взаємодіяти і вчитися одна в одної.

Озираючись назад на великі моделі штучного інтелекту, які зараз є на ринку, всі без винятку вони походять від величезної кількості обчислювальних ресурсів і даних, інвестованих технологічними гігантами. Хоча це правда, що продукти штучного інтелекту, навчені таким чином, показують вражаючі результати, вони також пов’язані з високим ризиком того, що концентрація стане злом. Інфраструктура Bittensor призначена для того, щоб дозволити мережі експертів, що спілкуються, спілкуватися і вчитися один у одного, що закладає основу для децентралізованого навчання великих моделей. Довгострокове бачення Bittensor полягає в тому, щоб конкурувати з моделями із закритим вихідним кодом таких гігантів, як OpenAI, Meta, Google тощо, щоб досягти відповідної продуктивності висновків, зберігаючи при цьому децентралізований характер моделі.

Технічне ядро мережі Bittensor походить від унікально розробленого механізму консенсусу Yuma Rao, також відомого як консенсус Yuma, який є механізмом консенсусу, який поєднує PoW і PoS. Основні учасники на стороні пропозиції поділяються на «сервери» (тобто майнери) і «валідатори», а учасники на стороні попиту - це «клієнти» (тобто клієнти), які використовують моделі в мережі. Майнери несуть відповідальність за надання попередньо навчених моделей для поточного завдання підмережі, і отримані стимули залежать від якості наданих моделей, тоді як валідатори відповідають за перевірку продуктивності моделі та виступають посередниками перед майнерами та клієнтами. Специфіка процесу полягає в наступному:

** **

1. Клієнт надсилає валідатору вимоги до використання моделі в підмережі та дані, які необхідно обчислити
2. Валідатор виділяє дані кожному майнеру в підмережі
3. Майнери повертають результати після висновків моделі, використовуючи власні моделі та прийняті дані
4. Валідатор сортує отримані результати висновків за їх якістю, а результати сортування зберігаються в ланцюжку
5. Оптимальний результат висновків повертається користувачеві, майнер сортується відповідно до порядку, а валідатор винагороджується відповідно до робочого навантаження

Слід зазначити, що в переважній більшості підмереж сам Bittensor не тренує ніяких моделей, і його роль більше схожа на зв’язування постачальників моделей і вимогливих моделей, і на цій основі він в подальшому використовує взаємодію між малими моделями для підвищення продуктивності в різних завданнях. В даний час існує 30 підмереж, які були онлайн (або були онлайн), що відповідають різним моделям завдань.

Як нативний токен Bittensor, $TAO відіграє ключову роль в екосистемі, створюючи підмережі, реєструючись у підмережах, оплачуючи послуги, здійснюючи стейкінг валідаторів тощо. У той же час, у зв’язку з практикою проекту Bittensor віддавати данину духу BTC, $TAO вибрали чесний старт, тобто всі токени будуть генеруватися шляхом внеску в мережу. В даний час щоденний прибуток у розмірі TAO доларів становить близько 7200, який ділиться порівну між майнерами та валідаторами. З моменту запуску проєкту було згенеровано близько 26,3% від загальної суми в 21 мільйон, з яких 87,21% токенів було використано для стейкінгу та верифікації. При цьому проєкт розрахований на скорочення виробництва вдвічі (як і BTC) кожні 4 роки, останній з яких відбудеться 20 вересня 2025 року, що також стане великим драйвером зростання цін.

Джерело: taostats.io

** **

З цінового тренду ми бачимо, що ціна в TAO доларів зазнала різкого зростання з кінця жовтня 2023 року, і припускають, що головною рушійною силою є новий виток буму штучного інтелекту, викликаний пресконференцією OpenAI, яка змусила сектор капіталу перейти на сектор штучного інтелекту. У той же час, $TAO Як проєкт, що розвивається в треку Web3 + AI, його відмінна якість проєкту та довгострокове бачення проєкту також є основною причиною для залучення коштів. Однак ми повинні визнати, що, як і в інших проєктах штучного інтелекту, хоча комбінація Web3+ AI має великий потенціал, її застосування в реальному бізнесі недостатньо для підтримки довгострокового прибуткового проєкту.

3.4 Alethea.ai($ALI)

Заснований у 2020 році, Alethea.ai – це проєкт, присвячений забезпеченню децентралізованої власності та децентралізованого управління генеративним контентом за допомогою технології блокчейн. Засновники Alethea.ai вважають, що генеративний ШІ поставить нас в епоху, коли генеративний контент призводить до інформаційної надмірності, де великі обсяги електронного контенту просто копіюються та вставляються або генеруються одним клацанням миші, а люди, які створили цінність в першу чергу, не зможуть отримати від цього користь. З’єднавши ончейн-примітиви (наприклад, NFT) з генеративним ШІ, можна забезпечити право власності на генеративний ШІ та його контент, а також на цій основі можна здійснювати управління спільнотою.

Керуючись цією філософією, на початку Alethea.ai представили новий стандарт NFT iNFT, який використовує Intelligence Pod для створення вбудованої анімації штучного інтелекту, синтезу мови та навіть генеративного штучного інтелекту в зображеннях. Крім того, Alethea.ai співпрацювали з художниками, щоб перетворити їхні твори мистецтва на iNFT, які принесли 478 000 доларів США на аукціоні Sotheby’s.

Влийте душу в NFT

Джерело: Alethea.ai

Пізніше Alethea.ai запустили протокол AI Protocol, який дозволяє будь-якому розробнику та творцю генеративного ШІ творити за стандартом iNFT без дозволу. Водночас, щоб зробити зразок для інших проєктів на власному AI Protocol, Alethea.ai також запозичив теорію великої моделі GPT для запуску CharacterGPT — інструменту для створення інтерактивних NFT. Крім того, Alethea.ai також нещодавно випустили Open Fusion, який дозволяє будь-який ERC-721 NFT на ринку поєднувати з Intelligence і випускати на протоколі AI.

Нативний токен Alethea.ai становить $ALI, а його основні способи використання чотирикраті:

1. Заблокуйте певну суму від $ALI для створення iNFT
2. Чим більше заблоковано, тим вищий рівень Intelligence Pod
3. Власники ALI доларів США беруть участь в управлінні спільнотою
4. $ALI можна використовувати як облікові дані для участі у взаємодії між iNFT (реальних варіантів використання поки що немає)

Джерело: coingecko.com

Як видно з прикладу використання $ALI, поточне захоплення вартості цього токена все ще знаходиться на наративному рівні, і цей висновок також можна підтвердити зі зміни ціни валюти протягом року: $ALI пожинає дивіденди буму генеративного штучного інтелекту на чолі з ChatGPT з грудня 2022 року. У той же час, у червні цього року, коли Alethea.ai оголосила про запуск своєї останньої функції Open Fusion, вона також принесла хвилю зростання. Крім того, ціна в ALI доларів має тенденцію до зниження, і навіть бум штучного інтелекту наприкінці 2023 року не зміг підняти ціну до середнього рівня проєктів у тому ж напрямку.

Окрім нативного токена, давайте подивимося на продуктивність NFT-проєктів, iNFT Alethea.ai (включно з офіційно випущеними колекціями) на ринку NFT.

Щоденні продажі Intelligence Pods на Opensea

** **

Щоденні розпродажі колекції Revenants на Opensea

Джерело: Dune.com

Зі статистики інформаційної панелі Dune ми бачимо, що і Intelligence Pod, який був проданий третій стороні, і колекція Revenants, яка була випущена першою стороною Alethea.ai, поступово зникли через деякий час після першого випуску. Основна причина цього, на думку автора, повинна полягати в тому, що після того, як початкова новизна зникне, не буде фактичної цінності або популярності спільноти для утримання користувачів.

3.5 Fetch.ai($FET)

Fetch.ai – це проект, присвячений просуванню конвергенції штучного інтелекту та технології блокчейн. Мета компанії полягає в тому, щоб побудувати децентралізовану, інтелектуальну економіку, яка забезпечує економічну діяльність між інтелектуальними агентами за допомогою комбінації машинного навчання, блокчейну та технології розподіленого реєстру.

Fetch.ai була заснована у 2019 році вченими з Великої Британії Хумаюном Шейхом, Тобі Сімпсоном та Томасом Хейном. Троє засновників походять з широкого кола досвіду, включаючи Хумаюна Шейха як раннього інвестора Deepmind, Тобі Сімпсона як виконавчого директора кількох компаній і Томаса Хейна як професора штучного інтелекту в Університеті Шеффілда. Fetch.ai Глибокий досвід команди засновників приніс компанії багаті галузеві ресурси, що охоплюють традиційні ІТ-компанії, зіркові блокчейн-проекти, медичні та суперкомп’ютерні проекти та інші галузі.

Місія Fetch.ai полягає в тому, щоб створити децентралізовану веб-платформу, що складається з автономних економічних агентів і додатків штучного інтелекту, що дозволяє розробникам виконувати заздалегідь встановлені цільові завдання, створюючи автономних агентів. Основною технологією платформи є її унікальна трирівнева архітектура:

• Базовий: базова мережа смарт-контрактів, заснована на PoS-uD (тобто інклюзивному механізмі консенсусу proof-of-stake), яка підтримує співпрацю між майнерами та базове навчання машинному навчанню та висновки
• Середній рівень: OEF (Open Economic Framework) забезпечує спільний простір для взаємодії АЄА один з одним, дозволяючи АЄА взаємодіяти з базовим протоколом, а також підтримуючи АЄА для пошуку, відкриття та торгівлі один з одним
• Верхня: AEA (Autonomous Economic Agent), яка є основним компонентом Fetch.ai. Кожна AEA — це програмне забезпечення інтелектуального агента, яке дозволяє різним функціям за допомогою різноманітних модулів навичок виконувати заздалегідь визначені завдання від імені користувача. Замість того, щоб працювати безпосередньо на блокчейні, програмне забезпечення агента взаємодіє з блокчейном і смарт-контрактами через проміжний рівень OEF. Цей вид інтелектуального агентського програмного забезпечення може бути чистим програмним забезпеченням, або воно може бути пов’язане з реальним обладнанням, таким як мобільні телефони, комп’ютери, автомобілі тощо. Офіційно доступний набір для розробки на основі Python, фреймворк AEA, який можна компонувати, що дозволяє розробникам створювати власне програмне забезпечення інтелектуального агента з його допомогою.

Спираючись на цю архітектуру, Fetch.ai також запустила кілька подальших продуктів і послуг, таких як Co-Learn (спільна модель машинного навчання між агентами) і Metaverse (служба хмарного хостингу розумних агентів), щоб дозволити користувачам розробляти власні розумні агенти на її платформі.

З точки зору токенів, $FET, як нативний токен Fetch.ai, охоплює регулярну роль оплати газу, перевірки стейкінгу та купівлі послуг у мережі. На даний момент понад 90% токенів розблоковано на $FET, яка розподіляється наступним чином:

З моменту запуску проєкту Fetch.ai отримав кілька раундів фінансування у вигляді розбавлених токенів, востаннє 29 березня 2023 року, коли Fetch.ai отримав фінансування від DWF Lab у розмірі 30 мільйонів доларів. Оскільки токен $FET не відображає вартість проєкту з точки зору доходу, рушійною силою зростання ціни в основному є оновлення проєкту та настрої ринку щодо треку штучного інтелекту. Видно, що ціна Fetch.ai злетіла більш ніж на 100% на початку 2023 року та наприкінці 2023 року.

Джерело: coingecko.com

У порівнянні з іншими способами розвитку та привернення уваги блокчейн-проєктів, шлях розвитку Fetch.ai більше схожий на проєкт стартапу зі штучним інтелектом у Web2.0, зосереджений на шліфуванні технічного рівня, створенні власного імені та пошуку точок прибутку завдяки постійному фінансуванню та широкій співпраці. Такий підхід залишає багато простору для майбутніх додатків, які будуть розроблятися на основі Fetch.ai, але модель розробки також робить його менш привабливим для інших блокчейн-проектів для активації екосистеми (один із засновників Fetch.ai особисто заснував DEX-проект Mettalex DEX на базі Fetch.ai, який в підсумку провалився). Оскільки проект орієнтований на інфраструктуру, важко підвищити внутрішню цінність Fetch.ai проекту через відмирання екології.

По-четверте, генеративний ШІ має багатообіцяюче майбутнє

Генеральний директор Nvidia Дженсен Хуанг називає випуск генеративних моделей «iPhone» моментом ШІ, а дефіцитним ресурсом для виробництва ШІ на даному етапі є інфраструктура, зосереджена на високопродуктивних обчислювальних чіпах. Як підтрек штучного інтелекту, який фіксує найбільше коштів у Web3, інфраструктурні проєкти штучного інтелекту завжди були в центрі уваги довгострокових інвестицій та досліджень інвесторів. Можна передбачити, що з поступовою модернізацією обчислювального потужного обладнання чип-гігантами, поступовим покращенням обчислювальної потужності ШІ та розблокуванням можливостей ШІ, можна передбачити, що в майбутньому з’явиться більше проєктів інфраструктури ШІ в розділених галузях у Web3, і навіть можна очікувати, що в майбутньому з’являться чіпи, спеціально розроблені та виготовлені для навчання ШІ у Web3. **

Незважаючи на те, що розробка генеративних продуктів штучного інтелекту ToC все ще перебуває на експериментальній стадії, деякі з її продуктів промислового класу ToB показали великий потенціал. Однією з них є технологія «цифрового двійника», яка мігрує реальні сценарії в цифрову сферу, у поєднанні з платформою наукових обчислень цифрових двійників, випущеною NVIDIA для бачення метавсесвіту, враховуючи, що в галузі все ще існує величезна кількість цінності даних, яка ще не випущена, генеративний ШІ стане важливою підмогою для цифрових двійників у промислових сценаріях. На подальший рух у сферу Web3, включаючи метавсесвіт, створення цифрового контенту, реальні активи тощо, вплине технологія цифрових двійників на основі штучного інтелекту.

Розробка нового інтерактивного обладнання також є сполучною ланкою, яку не можна ігнорувати. Історично склалося так, що кожна апаратна інновація в комп’ютерному світі призводила до сейсмічних змін і нових можливостей розвитку, таких як комп’ютерна миша, яка сьогодні є звичайною справою, або iPhone 4 з мультисенсорним ємнісним екраном. Apple Vision Pro, запуск якого було оголошено в першому кварталі 2024 року, вже привернув багато уваги в усьому світі своєю приголомшливою демонстрацією, яка має принести несподівані зміни та можливості в різні галузі, коли вона буде фактично запущена. Завдяки таким перевагам, як швидке виробництво контенту, швидке розповсюдження та широкий асортимент, сфера розваг часто першою отримує вигоду після кожного оновлення апаратних технологій. Звичайно, це також включає різні візуальні розважальні треки, такі як метавсесвіт, ланцюгові ігри та NFT у Web3, які варті довгострокової уваги та досліджень читачів у майбутньому.

У довгостроковій перспективі розвиток генеративного ШІ – це процес кількісних змін, що ведуть до якісних змін. Суть ChatGPT полягає у вирішенні проблеми запитань і відповідей на міркування, що є проблемою, за якою давно спостерігають і вивчають в академічних колах. Після тривалої ітерації даних і моделей він нарешті досяг рівня GPT-4, який вразив світ. Те саме стосується додатків штучного інтелекту у Web3, які все ще перебувають на стадії впровадження моделей з Web2 у Web3, а моделі, розроблені повністю на основі даних Web3, ще не з’явилися. У майбутньому далекоглядні проєктні партії та багато ресурсів потрібно буде інвестувати в дослідження практичних проблем у Web3, щоб власний застосунок-вбивця рівня Web3 ChatGPT міг поступово наближатися.

На даному етапі існує безліч напрямків, які варто вивчити під технічним підґрунтям генеративного ШІ, одним з яких є технологія Chain-of-Thought, від якої залежить реалізація логіки. Простіше кажучи, завдяки ланцюжку мисленнєвих технологій великі мовні моделі змогли зробити якісний стрибок у багатоступінчастих міркуваннях. Однак використання ланцюжка думок не вирішено або в якійсь мірі призвело до проблеми недостатньої здатності міркувати великих моделей в складній логіці. Читачам, яких цікавить цей аспект, варто прочитати статтю автора ланцюжка думок.

Успіх ChatGPT призвів до появи різних популярних ланцюжків GPT у Web3, але проста та груба комбінація GPT та смарт-контрактів не може насправді вирішити потреби користувачів. Минуло близько року з моменту випуску ChatGPT, і в довгостроковій перспективі це лише помах пальців, і майбутні продукти також повинні відштовхуватися від реальних потреб самих користувачів Web3, а з дедалі зрілішою технологією Web3 я вважаю, що застосування генеративного ШІ у Web3 має безмежні можливості, на які варто з нетерпінням чекати.

Список літератури

Google Cloud Tech - Вступ до генеративного штучного інтелекту

AWS - Що таке генеративний штучний інтелект

Економіка великих мовних моделей

Як тільки дифузійна модель форсується, GAN застаріває???

Ілюстрація навчання з підкріпленням на основі людського зворотного зв’язку (RLHF)

Генеративний штучний інтелект та Web3

Кому належить платформа генеративного штучного інтелекту?

Apple Vision Pro Full Moon переосмислює: XR, RNDR та майбутнє просторових обчислень

Як карбується штучний інтелект як NFT?

Емерджентні аналогічні міркування у великих мовних моделях

Токен мережі Akash (AKT) Графік розблокування Genesis та оцінки поставок