Наратив «AI + Web3» – це справжній технологічний синтез чи інший концептуальний пакет? Ця стаття написана на основі статті, написаної TinTinLand під кураторством та автором Foresight News. (Синопсис: Чи зможе трек штучного інтелекту уникнути клейма хайпу?) Перелік трьох проєктів AI Agent, які охоплюють криптовалюти) (Довідкове доповнення: Новини Grayscale: Перший квартал 2025 року є найоптимістичнішим щодо цих 20 основних криптовалют, зосереджуючись на DeFi, AI Agents та екології Solana) У 2025 році популярність наративу «AI + Web3» все ще не зменшується. Згідно з останнім звітом Grayscale, опублікованим у травні 2025 року, загальна ринкова капіталізація треку AI Crypto досягла 21 мільярда доларів, що майже вп'ятеро більше, ніж 4,5 мільярда доларів у першому кварталі 2023 року. За цією хвилею стоїть реальне зближення технологій, чи це ще одна концепція упаковки? З макроточки зору, традиційна екосистема штучного інтелекту виявляє все більше структурних проблем: високий поріг навчання моделі, негарантована конфіденційність даних, висока монополія обчислювальної потужності, процес міркувань «чорного ящика» та незбалансований механізм стимулювання...... Ці больові точки значною мірою узгоджуються з власними перевагами Web3: децентралізація, механізм відкритого ринку, можливість перевірки в мережі, суверенітет даних користувачів тощо. Поєднання AI + Web3 – це не просто суперпозиція двох гарячих слів, а структурна взаємодоповнюваність технологій. Давайте почнемо з основних больових точок, з якими стикається штучний інтелект, глибоко розберемо ті проєкти Web3, які насправді вирішують проблеми, і подивимося на цінність і напрямок треку AI Crypto. Поріг доступу до послуг штучного інтелекту занадто високий і дорогий Поточні послуги штучного інтелекту зазвичай дорогі та складні для отримання навчальних ресурсів, що є надзвичайно високим для малих та середніх підприємств та індивідуальних розробників. Крім того, ці послуги часто є технічно складними та вимагають професійної підготовки для початку роботи. Ринок послуг штучного інтелекту висококонцентрований, користувачам не вистачає різноманітного вибору, вартість дзвінків непрозора, бюджети важко передбачити, і навіть вони стикаються з проблемою монополії обчислювальних потужностей. Рішення Web3 полягає в тому, щоб зруйнувати бар'єри платформи за допомогою децентралізації, побудувати відкритий ринок графічних процесорів і змоделювати мережу послуг, підтримати гнучке планування незадіяних ресурсів і мотивувати більше учасників вносити обчислювальну потужність і моделі за допомогою планування завдань у ланцюжку та прозорих економічних механізмів, знижуючи загальні витрати та покращуючи доступність послуг. Render Network: зосереджується на децентралізованому рендерингу графічних процесорів, також підтримує висновок і навчання штучного інтелекту, а також використовує модель «плати за використання», щоб допомогти розробникам отримати доступ до генерації зображень і послуг штучного інтелекту за низькою ціною. Генсин: Створіть децентралізовану навчальну мережу глибокого навчання, використовуйте механізм підтвердження обчислень для перевірки результатів навчання та просувайте навчання зі штучним інтелектом від централізації платформи до відкритої співпраці. Akash Network: децентралізована платформа хмарних обчислень, заснована на технології блокчейн, розробники можуть орендувати ресурси графічного процесора на вимогу для розгортання та виконання додатків штучного інтелекту, що є «децентралізованою версією хмарних обчислень». 0G Labs: Децентралізований AI власний рівень-1, який значно знижує вартість і складність виконання моделей штучного інтелекту в ланцюжку за допомогою інноваційної архітектури зберігання та розділення обчислень. Відсутність стимулів для постачальників даних Високоякісні дані є основним паливом моделей штучного інтелекту, але за традиційною моделлю авторам даних важко отримати винагороду. Непрозорий і повторюваний характер джерел даних і відсутність зворотного зв'язку про те, як вони використовуються, роблять екологію даних неефективною протягом тривалого часу. Web3 надає нове рішення для формалізації: чіткий замкнутий цикл співпраці та стимулів між постачальниками даних, розробниками моделей та користувачами за допомогою криптографічних підписів, підтвердження прав у мережі та складених економічних механізмів. Репрезентативний проект OpenLedger: Інноваційно запропонована концепція «Payable AI», яка поєднує в собі внесок даних, виклик моделі та економічні стимули для сприяння формуванню мережі економіки даних для спільної роботи в ланцюжку штучного інтелекту. Bittensor: Повна система заохочень з винагородами TAO, механізмом консенсусу Yuma, стимулами точності підмережі, співпрацею знань і т.д. в якості ядра, безпосередньо пов'язує внесок даних з результатами реалізації моделі і підвищує загальний внесок в цінність. Grass: мережа передачі даних зі штучним інтелектом збирає дані про поведінку користувачів у веб-переглядачі за допомогою плагінів, сприяє навчанню пошукових систем у ланцюжку та винагороджує користувачів відповідно до якості даних, створюючи механізм обміну даними, керований спільнотою. Чорний ящик моделі, висновок ШІ не може бути перевірений Процес висновків поточних основних моделей штучного інтелекту є дуже чорним ящиком, і користувачі не можуть перевірити правильність і достовірність результатів, особливо в галузях з високим ризиком, таких як фінанси та медична допомога. Крім того, моделі можуть бути піддані несанкціонованому втручанню, отруєнню та іншим атакам, що ускладнює відстеження або аудит. З цією метою проєкт Web3 намагається впровадити доказ із нульовим розголошенням (ZK), повністю гомоморфне шифрування (FHE) і довірене середовище виконання (TEE), щоб зробити процес висновування моделі перевіреним і перевіреним, а також покращити інтерпретацію та фундамент довіри систем штучного інтелекту. Репрезентативний проект Sentient: Інноваційна технологія відбитків пальців моделі гарантує можливість відстеження поведінки під час дзвінків, підвищуючи прозорість і здатність до захисту від несанкціонованого доступу під час використання моделі. Modulus Labs: Використання технології ZK для криптографічної верифікації процесу висновування моделі та реалізації нової нормалізації «довіреного штучного інтелекту». Гіза: Використання криптографії з нульовим розголошенням для обчислення висновків машинного навчання в ланцюжку, тим самим підвищуючи прозорість і довіру до розгортання моделі штучного інтелекту. Ризики конфіденційності та безпеки Процес навчання ШІ часто включає велику кількість конфіденційних даних і стикається з такими ризиками, як витік конфіденційності, зловживання моделлю або атака, а також відсутність прозорості прийняття рішень. У той же час право власності на дані та моделі визначено нечітко, що ще більше посилює ризики безпеки. Завдяки незмінності блокчейна, криптографічних обчислювальних технологій (таких як ZK, FHE), довіреного середовища виконання та інших засобів, гарантується безпека та керованість даними та моделями системи штучного інтелекту у всьому процесі навчання, зберігання та виклику. Phala Network: забезпечує підтримку довіреного середовища виконання (TEE) для інкапсуляції критично важливих обчислень у безпечне обладнання для запобігання витоку даних і крадіжці моделі. ZAMA: Зосередьтеся на технології повністю гомоморфного шифрування (FHE), щоб навчання моделі та висновок могли виконуватися в зашифрованому стані, що дозволяє «обчислювати без чіткого тексту». Mind Network: створіть децентралізовану платформу обміну даними та висновків зі штучним інтелектом, яка підтримує захист конфіденційності, а також реалізуйте обмін безпекою даних та обчислення конфіденційності за допомогою технології зовнішнього шифрування (гомоморфне шифрування, доказ із нульовим розголошенням тощо). Вана: Програма для генерації ідентичності зі штучним інтелектом, призначена для повернення користувачам права власності та контролю над їхніми даними, забезпечуючи їх конфіденційність та безпеку. Спори щодо авторських прав та інтелектуальної власності AI Model Сучасні дослідження моделей штучного інтелекту передбачають широке використання матеріалів в Інтернеті, але часто несанкціоноване використання контенту, захищеного авторським правом, призводить до частих судових суперечок. Водночас не зрозуміла власність авторських прав на контент, створений штучним інтелектом, а також відсутній прозорий механізм розподілу прав та інтересів між оригінальними творцями, розробниками моделей та користувачами. Нерідкі випадки, коли моделі зловмисно копіюють або незаконно привласнюють, а захистити права інтелектуальної власності складно. Web3 зберігає час встановлення моделі, джерело навчальних даних, інформацію про авторів тощо через механізм підтвердження прав у ланцюжку, а також використовує такі інструменти, як NFT і смарт-контракти, щоб визначити авторські права на модель або контент. Протокол історії:...
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
Інвестиційний бум чи міхур? Яка ще цінність у напрямку AI + Web3?
Наратив «AI + Web3» – це справжній технологічний синтез чи інший концептуальний пакет? Ця стаття написана на основі статті, написаної TinTinLand під кураторством та автором Foresight News. (Синопсис: Чи зможе трек штучного інтелекту уникнути клейма хайпу?) Перелік трьох проєктів AI Agent, які охоплюють криптовалюти) (Довідкове доповнення: Новини Grayscale: Перший квартал 2025 року є найоптимістичнішим щодо цих 20 основних криптовалют, зосереджуючись на DeFi, AI Agents та екології Solana) У 2025 році популярність наративу «AI + Web3» все ще не зменшується. Згідно з останнім звітом Grayscale, опублікованим у травні 2025 року, загальна ринкова капіталізація треку AI Crypto досягла 21 мільярда доларів, що майже вп'ятеро більше, ніж 4,5 мільярда доларів у першому кварталі 2023 року. За цією хвилею стоїть реальне зближення технологій, чи це ще одна концепція упаковки? З макроточки зору, традиційна екосистема штучного інтелекту виявляє все більше структурних проблем: високий поріг навчання моделі, негарантована конфіденційність даних, висока монополія обчислювальної потужності, процес міркувань «чорного ящика» та незбалансований механізм стимулювання...... Ці больові точки значною мірою узгоджуються з власними перевагами Web3: децентралізація, механізм відкритого ринку, можливість перевірки в мережі, суверенітет даних користувачів тощо. Поєднання AI + Web3 – це не просто суперпозиція двох гарячих слів, а структурна взаємодоповнюваність технологій. Давайте почнемо з основних больових точок, з якими стикається штучний інтелект, глибоко розберемо ті проєкти Web3, які насправді вирішують проблеми, і подивимося на цінність і напрямок треку AI Crypto. Поріг доступу до послуг штучного інтелекту занадто високий і дорогий Поточні послуги штучного інтелекту зазвичай дорогі та складні для отримання навчальних ресурсів, що є надзвичайно високим для малих та середніх підприємств та індивідуальних розробників. Крім того, ці послуги часто є технічно складними та вимагають професійної підготовки для початку роботи. Ринок послуг штучного інтелекту висококонцентрований, користувачам не вистачає різноманітного вибору, вартість дзвінків непрозора, бюджети важко передбачити, і навіть вони стикаються з проблемою монополії обчислювальних потужностей. Рішення Web3 полягає в тому, щоб зруйнувати бар'єри платформи за допомогою децентралізації, побудувати відкритий ринок графічних процесорів і змоделювати мережу послуг, підтримати гнучке планування незадіяних ресурсів і мотивувати більше учасників вносити обчислювальну потужність і моделі за допомогою планування завдань у ланцюжку та прозорих економічних механізмів, знижуючи загальні витрати та покращуючи доступність послуг. Render Network: зосереджується на децентралізованому рендерингу графічних процесорів, також підтримує висновок і навчання штучного інтелекту, а також використовує модель «плати за використання», щоб допомогти розробникам отримати доступ до генерації зображень і послуг штучного інтелекту за низькою ціною. Генсин: Створіть децентралізовану навчальну мережу глибокого навчання, використовуйте механізм підтвердження обчислень для перевірки результатів навчання та просувайте навчання зі штучним інтелектом від централізації платформи до відкритої співпраці. Akash Network: децентралізована платформа хмарних обчислень, заснована на технології блокчейн, розробники можуть орендувати ресурси графічного процесора на вимогу для розгортання та виконання додатків штучного інтелекту, що є «децентралізованою версією хмарних обчислень». 0G Labs: Децентралізований AI власний рівень-1, який значно знижує вартість і складність виконання моделей штучного інтелекту в ланцюжку за допомогою інноваційної архітектури зберігання та розділення обчислень. Відсутність стимулів для постачальників даних Високоякісні дані є основним паливом моделей штучного інтелекту, але за традиційною моделлю авторам даних важко отримати винагороду. Непрозорий і повторюваний характер джерел даних і відсутність зворотного зв'язку про те, як вони використовуються, роблять екологію даних неефективною протягом тривалого часу. Web3 надає нове рішення для формалізації: чіткий замкнутий цикл співпраці та стимулів між постачальниками даних, розробниками моделей та користувачами за допомогою криптографічних підписів, підтвердження прав у мережі та складених економічних механізмів. Репрезентативний проект OpenLedger: Інноваційно запропонована концепція «Payable AI», яка поєднує в собі внесок даних, виклик моделі та економічні стимули для сприяння формуванню мережі економіки даних для спільної роботи в ланцюжку штучного інтелекту. Bittensor: Повна система заохочень з винагородами TAO, механізмом консенсусу Yuma, стимулами точності підмережі, співпрацею знань і т.д. в якості ядра, безпосередньо пов'язує внесок даних з результатами реалізації моделі і підвищує загальний внесок в цінність. Grass: мережа передачі даних зі штучним інтелектом збирає дані про поведінку користувачів у веб-переглядачі за допомогою плагінів, сприяє навчанню пошукових систем у ланцюжку та винагороджує користувачів відповідно до якості даних, створюючи механізм обміну даними, керований спільнотою. Чорний ящик моделі, висновок ШІ не може бути перевірений Процес висновків поточних основних моделей штучного інтелекту є дуже чорним ящиком, і користувачі не можуть перевірити правильність і достовірність результатів, особливо в галузях з високим ризиком, таких як фінанси та медична допомога. Крім того, моделі можуть бути піддані несанкціонованому втручанню, отруєнню та іншим атакам, що ускладнює відстеження або аудит. З цією метою проєкт Web3 намагається впровадити доказ із нульовим розголошенням (ZK), повністю гомоморфне шифрування (FHE) і довірене середовище виконання (TEE), щоб зробити процес висновування моделі перевіреним і перевіреним, а також покращити інтерпретацію та фундамент довіри систем штучного інтелекту. Репрезентативний проект Sentient: Інноваційна технологія відбитків пальців моделі гарантує можливість відстеження поведінки під час дзвінків, підвищуючи прозорість і здатність до захисту від несанкціонованого доступу під час використання моделі. Modulus Labs: Використання технології ZK для криптографічної верифікації процесу висновування моделі та реалізації нової нормалізації «довіреного штучного інтелекту». Гіза: Використання криптографії з нульовим розголошенням для обчислення висновків машинного навчання в ланцюжку, тим самим підвищуючи прозорість і довіру до розгортання моделі штучного інтелекту. Ризики конфіденційності та безпеки Процес навчання ШІ часто включає велику кількість конфіденційних даних і стикається з такими ризиками, як витік конфіденційності, зловживання моделлю або атака, а також відсутність прозорості прийняття рішень. У той же час право власності на дані та моделі визначено нечітко, що ще більше посилює ризики безпеки. Завдяки незмінності блокчейна, криптографічних обчислювальних технологій (таких як ZK, FHE), довіреного середовища виконання та інших засобів, гарантується безпека та керованість даними та моделями системи штучного інтелекту у всьому процесі навчання, зберігання та виклику. Phala Network: забезпечує підтримку довіреного середовища виконання (TEE) для інкапсуляції критично важливих обчислень у безпечне обладнання для запобігання витоку даних і крадіжці моделі. ZAMA: Зосередьтеся на технології повністю гомоморфного шифрування (FHE), щоб навчання моделі та висновок могли виконуватися в зашифрованому стані, що дозволяє «обчислювати без чіткого тексту». Mind Network: створіть децентралізовану платформу обміну даними та висновків зі штучним інтелектом, яка підтримує захист конфіденційності, а також реалізуйте обмін безпекою даних та обчислення конфіденційності за допомогою технології зовнішнього шифрування (гомоморфне шифрування, доказ із нульовим розголошенням тощо). Вана: Програма для генерації ідентичності зі штучним інтелектом, призначена для повернення користувачам права власності та контролю над їхніми даними, забезпечуючи їх конфіденційність та безпеку. Спори щодо авторських прав та інтелектуальної власності AI Model Сучасні дослідження моделей штучного інтелекту передбачають широке використання матеріалів в Інтернеті, але часто несанкціоноване використання контенту, захищеного авторським правом, призводить до частих судових суперечок. Водночас не зрозуміла власність авторських прав на контент, створений штучним інтелектом, а також відсутній прозорий механізм розподілу прав та інтересів між оригінальними творцями, розробниками моделей та користувачами. Нерідкі випадки, коли моделі зловмисно копіюють або незаконно привласнюють, а захистити права інтелектуальної власності складно. Web3 зберігає час встановлення моделі, джерело навчальних даних, інформацію про авторів тощо через механізм підтвердження прав у ланцюжку, а також використовує такі інструменти, як NFT і смарт-контракти, щоб визначити авторські права на модель або контент. Протокол історії:...