Ces dernières années, avec la sortie successive des produits de la série GPT, l'intelligence artificielle transforme diverses industries. Nous avons été témoins de diverses applications d'IA entrant dans notre travail et notre vie quotidienne, améliorant l'efficacité du travail, changeant les habitudes de vie et réduisant les coûts d'exploitation des entreprises. Nous devons admettre que l'IA devient le point de départ de la prochaine révolution technologique.

Le cœur de la révolution technologique de l'IA réside dans une puissance de calcul suffisante, des modèles algorithmiques et une vaste quantité de données d'entraînement. Actuellement, la puissance de calcul GPU haute performance est rare et coûteuse, les algorithmes ont tendance à être homogénéisés, et il existe des problèmes de conformité des données et de protection de la vie privée pour les données d'entraînement des modèles. La technologie blockchain possède des caractéristiques telles que la décentralisation et le stockage distribué, qui peuvent être efficacement appliquées dans le développement, le déploiement et l'exploitation de modèles IA.

Utiliser les caractéristiques de la blockchain pour résoudre le problème de puissance de calcul de l'IA.

Pour le processus de développement de l'IA, face à des problèmes tels que la pénurie de puissance de calcul GPU et les coûts d'utilisation élevés, certains projets blockchain tentent de les résoudre grâce à des solutions basées sur la blockchain.

Render Network est une plateforme de rendu distribué haute performance qui comble le fossé entre la demande de puissance de calcul GPU et les fournisseurs de ressources GPU inutilisées en utilisant le logiciel otoy de pointe de l'industrie. Cette configuration permet aux ressources GPU inutilisées d'être fournies à des domaines de calcul très demandés tels que l'intelligence artificielle et la réalité virtuelle à un coût inférieur.

Dans cet écosystème, les fournisseurs de GPU inactifs connectent leurs appareils au Réseau Render pour accomplir diverses tâches de rendu, tandis que les demandeurs compensent les fournisseurs de GPU avec des récompenses en jetons. Cette approche décentralisée maximise l'efficacité de l'utilisation des ressources, crée de la valeur pour les participants et réduit les coûts de développement et opérationnels de l'intelligence artificielle. En décembre de l'année dernière, Render a réalisé un bond technologique significatif en migrant son infrastructure de la chaîne Ethereum vers Solana à haut TPS, exploitant les performances élevées de Solana et une plus grande scalabilité pour améliorer les capacités de Render, y compris le streaming en temps réel et la compression d'état.

Image rendue sur le réseau Render

Akash est une plateforme informatique décentralisée qui agrège des ressources réseau telles que des CPU, GPU, stockage, bande passante, adresses IP dédiées inutilisées à l'échelle mondiale et les loue à des entreprises et des particuliers ayant besoin d'une puissance de calcul élevée pour des tâches telles que l'intelligence artificielle. Cela leur permet de tirer pleinement parti de ces ressources et de fournir des services de location de GPU. Les utilisateurs qui fournissent des ressources de location de GPU reçoivent des jetons AKT, tandis que les demandeurs ont accès à une puissance de calcul à faible coût. Le jeton de plateforme AKT est non seulement utilisé pour régler les paiements des ressources réseau louées, mais sert également d'incitation à encourager les validateurs à participer à la gouvernance de l'écosystème et à la maintenance de la sécurité du réseau. La plateforme prélève des frais de transaction pour régler les paiements des ressources réseau, permettant à tous les participants de l'écosystème de la plateforme de générer des revenus et de soutenir la viabilité à long terme de la plateforme et la croissance continue de son modèle économique.

Le graphique statistique en temps réel des ressources réseau d'Akash Network

Livepeer est une plateforme de réseau d'infrastructure vidéo pour les médias en streaming en direct et à la demande. Les utilisateurs peuvent rejoindre le réseau en exécutant le logiciel de la plateforme et utiliser le GPU, la bande passante et d'autres ressources de leur ordinateur pour le transcodage et la distribution de vidéos. Cette approche améliore la fiabilité des flux vidéo et réduit les coûts associés tels que le transcodage et la distribution jusqu'à 50 fois. De plus, le projet Livepeer introduit des tâches de calcul vidéo AI dans le réseau Livepeer, en utilisant son réseau GPU exploité par des orchestrateurs pour générer des vidéos AI de haute qualité, réduisant ainsi le coût de création de contenu vidéo.

De la description des projets de blockchain ci-dessus, il est évident que la blockchain peut exploiter ses caractéristiques décentralisées et distribuées pour utiliser efficacement les ressources réseau inutilisées afin de résoudre la pénurie actuelle de puissance de calcul en IA et les coûts élevés. Une fois que ce modèle sera validé et reconnu dans davantage de scénarios réels et par des startups en IA à l'avenir, il atténuera considérablement le problème de puissance de calcul.

L'intégration de l'IA avec les données de la blockchain.

Les données sont la base des modèles d'IA, et les données utilisées pour entraîner les modèles déterminent les différences entre les divers modèles d'IA. Par rapport à d'autres sources de données, les données de la blockchain sont de meilleure qualité et transparentes, ce qui permet d'identifier les utilisateurs sur la blockchain.

Arkham est une plateforme qui récompense les utilisateurs pour la fourniture de données on-chain et des analyses d'intelligence en utilisant la technologie de l'IA. Son moteur d'intelligence artificielle propriétaire, ULTRA, peut étiqueter les adresses on-chain avec des utilisateurs du monde réel, permettant de relier des adresses on-chain anonymes décentralisées à des individus du monde réel. En obtenant une grande quantité de données étiquetées pour les adresses on-chain anonymes grâce à des modèles d'IA, les utilisateurs peuvent découvrir des informations sur les transactions on-chain des entités via Arkham. Il est bien connu que le plus grand défi dans l'investigation des crimes liés aux cryptomonnaies est d'identifier les transferts de fonds via des adresses anonymes. Les autorités de réglementation peuvent suivre et enquêter sur des activités criminelles telles que le blanchiment d'argent et la fraude grâce aux données étiquetées fournies par Arkham.

Carte de visualisation des données on-chain de la plateforme Arkham

De plus, Arkham propose également une fonction de trading d'informations d'intelligence on-chain. La fonction d'inter-échange d'Arkham permet l'échange entre les adresses on-chain et les informations du monde réel hors chaîne. Les utilisateurs peuvent collecter des informations d'intelligence on-chain via des récompenses de primes sur la plateforme, et des informations précieuses on-chain peuvent également être mises aux enchères sur la plateforme. Pour une analyse détaillée des produits spécifiques, vous pouvez consulter l'article “Arkham peut-il devenir un outil puissant pour la régulation on-chain ?précédemment écrit.

Le moteur d'intelligence artificielle ULTRA d'Arkham a reçu le soutien de Palantir, une entreprise d'analyse de données massives et de services de renseignement qui fournit des services d'intelligence artificielle au gouvernement américain, ainsi que des fondateurs d'OpenAI, lors de son développement. Grâce à un tel soutien et à l'accès à une puissante source de données d'entraînement de modèles d'IA, Arkham possède la bibliothèque d'étiquetage de données la plus robuste de l'industrie.

Face aux coûts élevés de stockage de grandes quantités de données pour l'entraînement des modèles d'IA, des projets de stockage blockchain comme Arweave, Filecoin et Storj ont fourni des solutions. Que ce soit le paiement unique d'Arweave pour un stockage permanent ou le modèle de paiement à l'utilisation efficace de Filecoin, ces solutions réduisent considérablement les coûts de stockage des données. De plus, le stockage décentralisé peut atténuer le risque de perte de données due aux catastrophes naturelles par rapport aux méthodes de stockage traditionnelles.

L'utilisation de ChatGPT peut améliorer l'efficacité au travail, mais l'optimisation du modèle pour améliorer la précision des conversations IA nécessite de grandes quantités de données utilisateur pour l'entraînement et le peaufinage. Par conséquent, il existe un risque de fuite de données sensibles et de confidentialité des données personnelles. Zama est une entreprise de cryptographie open-source qui construit des solutions de chiffrement entièrement homomorphique de pointe (FHE) pour la blockchain et l'intelligence artificielle. Zama Concrete ML peut gérer en toute sécurité des données sensibles, permettre la collaboration des données entre différentes institutions tout en maintenant la confidentialité, améliorer l'efficacité et la sécurité des données. Il chiffre des données privées telles que les dossiers médicaux personnels pendant l'entraînement, garantissant que chaque utilisateur ne peut voir que le résultat final et non les données sensibles d'autres personnes.

L'intégration des agents d'IA avec les projets de Blockchain.

OpenAI définit un agent d'IA comme un système piloté par un grand modèle de langage (LLM) qui possède la capacité de comprendre, percevoir, planifier, se souvenir et utiliser des outils de manière autonome, lui permettant d'automatiser l'exécution de tâches complexes. Avec les sorties successives des modèles GPT d'OpenAI, il y a de plus en plus d'applications d'agents d'IA mises en œuvre.

Fetch.ai est un réseau blockchain d'auto-apprentissage facilitant principalement les activités économiques entre des agents IA autonomes. Fetch.ai se compose de quatre parties : les agents IA, l'Agentverse, le moteur IA et le réseau Fetch. Les utilisateurs peuvent créer, développer et déployer leurs propres agents IA en utilisant les cas d'utilisation des agents IA fournis par la plateforme sur l'Agentverse. Ils peuvent également promouvoir leurs agents IA auprès d'autres utilisateurs sur la plateforme. DeltaV est l'interface de chat basée sur l'IA dans Fetch.ai. Les utilisateurs saisissent des demandes via cette interface, et le moteur IA lit l'entrée de l'utilisateur, la convertit en tâches réalisables et sélectionne l'agent IA le plus adapté dans l'Agentverse pour exécuter la tâche. Actuellement, la société allemande Bosch collabore avec Fetch.ai pour rechercher l'intégration de la technologie des agents IA avec la mobilité et les applications domotiques, ouvrant conjointement la porte à l'ère Web3 de l'économie de l'Internet des objets.

La composition de l'écosystème Fetch.ai

En outre, l'application AI Agent QnA3.AI introduit les robots de questions-réponses et d'analyse technique de l'industrie de la cryptographie, ainsi que les capacités de trading d'actifs dans le monde Web3. Grâce à QnA3 Bot, les utilisateurs peuvent collecter, analyser et exécuter des transactions réelles lorsqu'ils échangent des actifs cryptographiques. Le comportement est réalisé grâce aux fonctions du produit de « Question et Réponse », « Analyse Technique » et « Trading en Temps Réel », ce qui minimise l'interférence des émotions subjectives des utilisateurs dans leurs décisions de trading.

Risques juridiques possibles

1. Risques d'exportation de données

Dans l'introduction ci-dessus, il est mentionné que certains projets de stockage décentralisé abordent le problème du stockage de données pour la formation de modèles d'IA à moindre coût. Cela abaisse la barrière pour les particuliers et les startups dédiés à l'entrepreneuriat en IA. Cependant, cette approche de stockage décentralisé peut présenter des risques de sortie de données de la juridiction.

Le Bureau national de l'information sur l'Internet a publié les "Directives pour l'évaluation de la sécurité de l'exportation de données (première édition)", qui précise clairement que le comportement d'exportation de données comprend :

(1) Transférer et stocker les données collectées et générées lors des opérations nationales vers des sites à l'étranger par les processeurs de données;

(2) Stocker les données collectées et générées par les processeurs de données domestiques, et permettre aux institutions, organisations ou individus à l'étranger de consulter, récupérer, télécharger et exporter les données;

(3) Autres comportements d'exportation de données réglementés par le Bureau national de l'information sur l'Internet.

Alors, quelle est la définition de «exportation» ? L'article 89 de la loi sur l'administration de la sortie et de l'entrée de la République populaire de Chine précise clairement que «exportation» fait référence au voyage depuis la Chine continentale vers d'autres pays ou régions, au voyage depuis la Chine continentale vers la Région administrative spéciale de Hong Kong ou la Région administrative spéciale de Macao, et au voyage depuis la Chine continentale vers Taïwan. Par conséquent, on peut voir que la détermination de l'existence d'une exportation est basée sur la juridiction.

Pour les projets de stockage décentralisé, les utilisateurs stockent des données dans des réseaux distribués décentralisés tels que l'IPFS. Les fichiers stockés dans le réseau sont divisés en plusieurs petits morceaux de données, cryptés et stockés dans divers nœuds, avec des nœuds de stockage répartis dans le monde entier. Imaginez si une startup d'IA nationale devait stocker les données pour l'entraînement de modèles d'IA sur des nœuds de tels projets décentralisés, il y aurait en effet un risque d'exportation de données.

2. Risque de fuite de données sensibles concernant la vie privée

Dans les applications d'agent IA comme QnA3.AI, les utilisateurs dialoguent avec l'IA pour obtenir des informations commerciales sur les actifs cryptés et exécuter des transactions. Le dialogue personnel de questions-réponses généré par ces interactions pose un risque d'exposition des données privées s'il est utilisé par le projet pour l'entraînement et l'optimisation du modèle. Une telle fuite de données de transaction, si exploitée par des acteurs malveillants, pourrait entraîner des échecs d'investissement et potentiellement des pertes plus importantes.

Avertissement：

1. Cet article est repris de [ web3caff] Tous les droits d'auteur appartiennent à l'auteur original [Chris Chuyan]. Si des objections existent à cette réimpression, veuillez contacter le Gate Learnéquipe, et ils s'en occuperont rapidement.
2. Clause de non-responsabilité : Les points de vue et opinions exprimés dans cet article sont uniquement ceux de l'auteur et ne constituent aucun conseil en investissement.
3. Les traductions de l'article dans d'autres langues sont effectuées par l'équipe Gate Learn. Sauf mention contraire, la copie, la distribution ou le plagiat des articles traduits est interdite.