Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.
Peluang Web3 di industri AI terletak pada: penggunaan insentif terdistribusi untuk mengoordinasikan pasokan potensial dalam long tail—meliputi data, penyimpanan, dan komputasi; sementara itu, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.
Penggunaan utama AI dalam industri Web3 adalah keuangan on-chain (pembayaran kripto, transaksi, analisis data) dan pengembangan yang dibantu.
Kegunaan AI+Web3 terletak pada saling melengkapi keduanya: Web3 diharapkan dapat melawan sentralisasi AI, sementara AI diharapkan dapat membantu Web3 melebarkan jangkauan.
Pendahuluan
Dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepatannya, sayap kupu-kupu yang dipicu oleh Chatgpt ini tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga mengguncang arus di Web3 di sisi lainnya.
Dengan dukungan konsep AI, terdapat peningkatan yang jelas dalam pendanaan pasar kripto yang melambat. Media mencatat, hanya dalam paruh pertama tahun 2024, terdapat 64 proyek Web3+AI yang telah menyelesaikan pendanaan, dengan sistem operasi berbasis kecerdasan buatan Zyber365 mencapai jumlah pendanaan tertinggi sebesar 100 juta dolar AS dalam putaran A.
Pasar sekunder semakin berkembang, data dari situs agregator kripto Coingecko menunjukkan bahwa dalam waktu lebih dari satu tahun, total kapitalisasi pasar jalur AI telah mencapai 48,5 miliar dolar AS, dengan volume perdagangan 24 jam mendekati 8,6 miliar dolar AS; kemajuan teknologi AI yang utama memberikan keuntungan yang jelas, setelah peluncuran model teks ke video Sora dari OpenAI, rata-rata harga di sektor AI meningkat sebesar 151%; efek AI juga menjalar ke salah satu sektor kripto yang menarik perhatian, Meme: konsep pertama dari MemeCoin yang merupakan AI Agent—GOAT dengan cepat menjadi populer dan meraih valuasi 1,4 miliar dolar AS, berhasil memicu tren AI Meme.
Tentang penelitian dan topik AI+Web3 juga sangat panas, dari AI+Depin hingga AI Memecoin hingga AI Agent dan AI DAO saat ini, perasaan FOMO sudah tidak dapat mengikuti kecepatan pergantian narasi baru.
AI+Web3, kombinasi istilah yang dipenuhi dengan uang panas, tren, dan fantasi masa depan, tak terhindarkan dilihat sebagai pernikahan yang diatur oleh modal. Kita tampaknya sulit untuk membedakan di balik jubah megah ini, apakah ini benar-benar arena para spekulan, atau malam sebelum terjadinya ledakan fajar?
Untuk menjawab pertanyaan ini, sebuah pemikiran yang krusial bagi kedua belah pihak adalah, apakah adanya pihak lain akan membuatnya menjadi lebih baik? Apakah bisa mendapatkan manfaat dari pola pihak lain? Dalam artikel ini, kami juga berusaha untuk melihat pola ini dengan berdiri di atas bahu para pendahulu: bagaimana Web3 dapat berperan di setiap aspek tumpukan teknologi AI, dan apa yang dapat diberikan AI kepada Web3 untuk membawa kehidupan baru?
Apa peluang Web3 di bawah tumpukan AI?
Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi dari model besar AI:
Sumber gambar: Delphi Digital
Dengan bahasa yang lebih sederhana untuk menggambarkan seluruh proses: "Model besar" seperti otak manusia, pada tahap awal, otak ini milik bayi yang baru lahir, yang perlu mengamati dan menyerap informasi besar dari lingkungan sekitarnya untuk memahami dunia ini, inilah tahap "pengumpulan" data; karena komputer tidak memiliki indra manusia seperti penglihatan dan pendengaran, sebelum pelatihan, informasi besar yang tidak terlabel dari dunia luar perlu diubah melalui "pra-pemrosesan" menjadi format informasi yang dapat dipahami dan digunakan oleh komputer.
Setelah memasukkan data, AI membangun model yang memiliki kemampuan pemahaman dan prediksi melalui "pelatihan", yang dapat dianggap sebagai proses di mana bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model mirip dengan kemampuan bahasa bayi yang terus disesuaikan selama proses pembelajaran. Ketika konten pembelajaran mulai terdiversifikasi, atau ketika berkomunikasi dengan orang lain mendapatkan umpan balik dan melakukan koreksi, maka masuk ke tahap "penyesuaian halus" model besar.
Anak-anak secara bertahap tumbuh dan setelah belajar berbicara, mereka dapat memahami makna dalam percakapan baru dan mengekspresikan perasaan serta pikiran mereka. Tahap ini mirip dengan "penalaran" model AI besar, di mana model dapat memprediksi dan menganalisis input bahasa dan teks yang baru. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan bahasa, yang juga mirip dengan penerapan fase penalaran model AI besar setelah selesai dilatih dan digunakan untuk berbagai tugas spesifik, seperti klasifikasi gambar, pengenalan suara, dan lainnya.
AI Agent lebih mendekati bentuk berikutnya dari model besar—kemampuan untuk menjalankan tugas secara mandiri dan mengejar tujuan yang kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan dapat menggunakan alat untuk berinteraksi dengan dunia.
Saat ini, terkait dengan titik nyeri AI di berbagai tumpukan, Web3 saat ini telah secara awal membentuk ekosistem berlapis yang saling terhubung, mencakup berbagai tahap proses model AI.
Satu, Lapisan Dasar: Airbnb dari Kekuatan Komputasi dan Data
kekuatan komputasi
Saat ini, salah satu biaya tertinggi AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan melakukan inferensi.
Salah satu contohnya adalah, LLAMA3 milik Meta memerlukan 16.000 H100 GPU yang diproduksi oleh NVIDIA (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi berkinerja tinggi) selama 30 hari untuk menyelesaikan pelatihan. Harga per unit versi 80GB berkisar antara 30.000 hingga 40.000 dolar, yang memerlukan investasi perangkat keras komputasi sebesar 400-700 juta dolar (GPU + chip jaringan), sementara pelatihan bulanan memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar per bulan.
Untuk pelepasan kekuatan AI, ini adalah bidang pertama kali Web3 berinteraksi dengan AI - DePin (Jaringan Infrastruktur Fisik Terdesentralisasi) saat ini, situs data DePin Ninja telah menampilkan lebih dari 1400 proyek, di mana proyek berbagi kekuatan GPU yang mewakili termasuk io.net, Aethir, Akash, Render Network, dan sebagainya.
Logika utamanya adalah: platform ini memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk menyumbangkan kemampuan komputasi mereka secara terdesentralisasi tanpa izin, melalui pasar online mirip dengan Uber atau Airbnb untuk pembeli dan penjual, meningkatkan pemanfaatan sumber daya GPU yang tidak terpakai. Pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dan lebih murah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapatkan hukuman yang sesuai.
Ciri-cirinya adalah:
Mengumpulkan sumber daya GPU yang tidak terpakai: Pemasok utama adalah pusat data kecil dan menengah independen pihak ketiga, serta operator tambang kripto dengan sumber daya komputasi yang berlebihan, perangkat keras penambangan dengan mekanisme konsensus PoS, seperti mesin FileCoin dan ETH. Saat ini, ada juga proyek yang berusaha untuk memulai perangkat dengan ambang batas yang lebih rendah, seperti exolab yang memanfaatkan MacBook, iPhone, iPad, dan perangkat lokal lainnya untuk membangun jaringan komputasi untuk inferensi model besar.
Menghadapi pasar ekor panjang dari kekuatan AI: a. "Dari sisi teknologi" pasar kekuatan terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan lebih bergantung pada kemampuan pemrosesan data yang dibawa oleh GPU skala kluster besar, sedangkan inferensi memiliki kinerja komputasi GPU yang relatif lebih rendah, seperti Aethir yang berfokus pada pekerjaan rendering latensi rendah dan aplikasi inferensi AI. b. "Dari sisi permintaan" pihak yang membutuhkan kekuatan menengah dan kecil tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan menyesuaikan di sekitar sejumlah kecil model besar terkemuka, dan semua skenario ini secara alami cocok untuk sumber daya kekuatan tidak terpakai yang terdistribusi.
Kepemilikan terdesentralisasi: Makna teknis dari blockchain adalah bahwa pemilik sumber daya selalu mempertahankan kontrol atas sumber daya tersebut, dapat menyesuaikan secara fleksibel sesuai permintaan, sambil mendapatkan keuntungan.
data
Data adalah dasar dari AI. Tanpa data, komputasi tidak berguna seperti duckweed, dan hubungan antara data dan model seperti pepatah "Sampah masuk, Sampah keluar", di mana kuantitas data dan kualitas input menentukan kualitas output model akhir. Untuk pelatihan model AI modern, data menentukan kemampuan bahasa model, kemampuan pemahaman, dan bahkan nilai, serta kinerja manusia. Saat ini, dilema permintaan data AI terutama berfokus pada empat aspek berikut:
Kekurangan data: Pelatihan model AI bergantung pada input data yang besar. Data publik menunjukkan bahwa jumlah parameter yang dilatih OpenAI untuk GPT-4 mencapai tingkat triliun.
Kualitas data: Dengan penggabungan AI dan berbagai industri, ketepatan waktu data, keragaman data, spesialisasi data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga mengajukan tuntutan baru terhadap kualitasnya.
Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya kumpulan data berkualitas, dan sedang membatasi pengambilan kumpulan data.
Biaya pemrosesan data yang tinggi: Jumlah data yang besar, proses pemrosesan yang kompleks. Data publik menunjukkan bahwa lebih dari 30% biaya penelitian dan pengembangan perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.
Saat ini, solusi web3 tercermin dalam empat aspek berikut:
Pengumpulan data: Kemampuan untuk menyediakan data dunia nyata yang diambil secara gratis semakin menipis, pengeluaran perusahaan AI untuk data meningkat setiap tahun. Namun, pada saat yang sama, pengeluaran ini tidak kembali kepada para kontributor data yang sebenarnya, platform sepenuhnya menikmati penciptaan nilai yang dihasilkan oleh data, seperti Reddit yang menghasilkan total pendapatan sebesar 203 juta dolar AS melalui perjanjian lisensi data dengan perusahaan AI.
Visi Web3 adalah memungkinkan pengguna yang benar-benar berkontribusi untuk ikut serta dalam penciptaan nilai yang dihasilkan oleh data, serta memperoleh data yang lebih pribadi dan bernilai dari pengguna dengan cara yang lebih murah melalui jaringan terdistribusi dan mekanisme insentif.
Misalnya, Grass adalah lapisan data dan jaringan terdesentralisasi, dan pengguna dapat menyumbangkan bandwidth menganggur dan menyampaikan lalu lintas dengan menjalankan node Grass untuk menangkap data real-time di Internet dan mendapatkan hadiah token.
Vana memperkenalkan konsep unik dari data liquidity pool (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan browsing, aktivitas media sosial, dll.) ke DLP tertentu dan dengan fleksibel memilih apakah akan memberikan izin kepada pihak ketiga tertentu untuk menggunakan data tersebut;
Di PublicAI, pengguna dapat menggunakan #AI 或#Web3 sebagai label kategori di X dan @PublicAI untuk melakukan pengumpulan data.
Pra-pemrosesan data: Dalam proses pengolahan data AI, karena data yang dikumpulkan biasanya bising dan mengandung kesalahan, data tersebut harus dibersihkan dan diubah menjadi format yang dapat digunakan sebelum melatih model, melibatkan tugas berulang seperti standardisasi, penyaringan, dan penanganan nilai yang hilang. Tahap ini adalah salah satu dari sedikit tahap manual di industri AI, yang telah melahirkan industri penandaan data. Seiring dengan meningkatnya tuntutan kualitas data oleh model, ambang batas bagi penandaan data juga meningkat, dan tugas ini secara alami cocok dengan mekanisme insentif terdesentralisasi Web3.
Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk menambahkan pengkategorian data sebagai langkah kunci.
Synesis mengusulkan konsep "Train2earn", menekankan kualitas data, pengguna dapat memperoleh imbalan dengan memberikan data yang diberi label, anotasi, atau bentuk masukan lainnya.
Proyek penandaan data Sapien menggamifikasi tugas penandaan dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.
Privasi dan Keamanan Data: Yang perlu dijelaskan adalah bahwa privasi data dan keamanan adalah dua konsep yang berbeda. Privasi data terkait dengan pengolahan data sensitif, sedangkan keamanan data melindungi informasi data dari akses, perusakan, dan pencurian yang tidak sah. Dengan demikian, keunggulan teknologi privasi Web3 dan potensi skenario aplikasinya terwujud dalam dua aspek: (1) Pelatihan data sensitif; (2) Kolaborasi data: Beberapa pemilik data dapat berpartisipasi dalam pelatihan AI secara bersama-sama tanpa harus membagikan data asli mereka.
Teknologi privasi yang umum digunakan dalam Web3 saat ini meliputi:
Lingkungan Eksekusi Tepercaya (TEE), seperti Protokol Super;
Enkripsi Homomorfik Penuh (FHE), misalnya BasedAI, Fhenix.io atau Inco Network;
Teknologi zero-knowledge (zk), seperti Protokol Reclaim yang menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor data aktivitas, reputasi, dan identitas dari situs web eksternal dengan aman tanpa mengekspos informasi sensitif.
Namun, saat ini bidang ini masih dalam tahap awal, sebagian besar proyek masih dalam eksplorasi, salah satu dilema saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah:
Kerangka zkML EZKL membutuhkan waktu sekitar 80 menit untuk menghasilkan bukti model 1M-nanoGPT.
Menurut data Modulus Labs, biaya zkML lebih dari 1000 kali lebih tinggi daripada perhitungan murni.
Penyimpanan Data: Setelah mendapatkan data, kita juga memerlukan tempat untuk menyimpan data di blockchain, serta LLM yang dihasilkan dari data tersebut. Dengan ketersediaan data (DA) sebagai masalah inti, sebelum peningkatan Danksharding di Ethereum, throughput-nya adalah 0,08MB. Sementara itu, pelatihan model AI dan inferensi waktu nyata biasanya memerlukan throughput data antara 50 hingga 100GB per detik. Selisih skala ini membuat solusi on-chain yang ada tidak mampu menghadapi "aplikasi AI yang padat sumber daya".
0g.AI adalah proyek perwakilan dalam kategori ini. Ini adalah solusi penyimpanan terpusat yang dirancang untuk kebutuhan kinerja tinggi AI, dengan fitur kunci termasuk: kinerja tinggi dan skalabilitas, mendukung unggahan dan unduhan dataset besar dengan cepat melalui teknologi sharding dan coding penghapusan, kecepatan transfer data mendekati 5GB per detik.
II. Middleware: Pelatihan dan Inferensi Model
Pasar desentralisasi model sumber terbuka
Perdebatan tentang apakah model AI harus bersifat tertutup atau terbuka tidak pernah surut. Inovasi kolektif yang dihadirkan oleh sumber terbuka adalah keunggulan yang tidak dapat ditandingi oleh model tertutup, namun dalam keadaan tanpa model profit, bagaimana model sumber terbuka dapat meningkatkan dorongan pengembang? Ini adalah arah yang patut dipikirkan. Pendiri Baidu, Li Yanhong, pernah menyatakan pada bulan April tahun ini, "Model sumber terbuka akan semakin tertinggal."
Terkait hal ini, Web3 mengusulkan kemungkinan pasar model sumber terbuka yang terdesentralisasi, yaitu melakukan tokenisasi pada model itu sendiri, mempertahankan proporsi tertentu dari token untuk tim, dan mengalirkan sebagian pendapatan masa depan dari model tersebut kepada pemegang token.
Misalnya, protokol Bittensor membangun model pasar P2P sumber terbuka yang terdiri dari lusinan "subnet" di mana penyedia sumber daya (komputasi, pengumpulan/penyimpanan data, bakat pembelajaran mesin) bersaing satu sama lain untuk memenuhi tujuan pemilik subnet tertentu, dan setiap subnet dapat berinteraksi dan belajar satu sama lain untuk mencapai kecerdasan yang lebih besar. Hadiah didistribusikan melalui pemungutan suara komunitas dan selanjutnya didistribusikan ke seluruh subnet berdasarkan kinerja kompetitif.
ORA memperkenalkan konsep (IMO) penerbitan model awal, tokenisasi model AI yang dapat dibeli, dijual, dan dikembangkan melalui jaringan terdesentralisasi.
Sentient, sebuah platform AGI terdesentralisasi, mendorong kolaborasi kontributor untuk membangun, menyalin, dan memperluas model AI, serta memberikan penghargaan kepada kontributor.
Spectral Nova, berfokus pada pembuatan dan penerapan model AI dan ML.
Inferences yang dapat diverifikasi
Solusi Web3 standar untuk masalah "kotak hitam" inferensi AI adalah meminta beberapa validator mengulangi operasi yang sama dan membandingkan hasilnya, tetapi karena kekurangan "chip Nvidia" kelas atas saat ini, tantangan yang jelas dari pendekatan ini adalah tingginya biaya inferensi AI.
Solusi yang lebih menjanjikan adalah melakukan pembuktian ZK untuk komputasi inferensi AI off-chain "zero-knowledge proof, sebuah protokol kriptografi di mana satu pihak, prover, dapat membuktikan kepada pihak lain, verifier, bahwa pernyataan tertentu adalah benar tanpa mengungkapkan informasi tambahan selain kebenaran pernyataan tersebut", untuk verifikasi yang tidak memerlukan izin terhadap komputasi model AI di on-chain. Ini memerlukan bukti secara kriptografis di on-chain bahwa komputasi off-chain telah diselesaikan dengan benar (misalnya, dataset tidak telah dimanipulasi), sambil memastikan semua data tetap rahasia.
Keuntungan utama termasuk:
Skalabilitas: Bukti nol-pengetahuan dapat dengan cepat mengonfirmasi banyak perhitungan off-chain. Bahkan ketika jumlah transaksi meningkat, satu bukti nol-pengetahuan dapat memverifikasi semua transaksi.
Perlindungan privasi: Detail data dan model AI tetap dirahasiakan, sementara pihak-pihak dapat memverifikasi bahwa data dan model tidak telah dirusak.
Tanpa kepercayaan: Konfirmasi perhitungan tanpa bergantung pada pihak terpusat.
Integrasi Web2: Secara definisi, Web2 adalah integrasi off-chain, yang berarti inferensi yang dapat diverifikasi dapat membantu membawa dataset dan komputasi AI-nya ke on-chain. Ini membantu meningkatkan tingkat adopsi Web3.
Saat ini, teknologi verifikasi untuk inferensi yang dapat diverifikasi dalam Web3 adalah sebagai berikut:
zkML: Menggabungkan bukti nol pengetahuan dengan pembelajaran mesin untuk memastikan privasi dan kerahasiaan data dan model, memungkinkan komputasi yang dapat diverifikasi tanpa mengungkapkan beberapa atribut dasar, seperti Modulus Labs yang berbasis ZKML telah merilis pembuktian ZK yang dibangun untuk AI, untuk memeriksa secara efektif apakah penyedia AI memanipulasi algoritma dengan benar di blockchain, namun saat ini pelanggan umumnya adalah DApp di blockchain.
opML: Dengan memanfaatkan prinsip penggabungan optimis, meningkatkan skalabilitas dan efisiensi perhitungan ML melalui verifikasi waktu terjadinya sengketa. Dalam model ini, hanya perlu memverifikasi sebagian kecil dari hasil yang dihasilkan oleh "validator", tetapi menetapkan biaya ekonomi pengurangan cukup tinggi untuk meningkatkan biaya kecurangan validator sehingga menghemat perhitungan redundan.
TeeML: Menjalankan perhitungan ML secara aman menggunakan lingkungan eksekusi tepercaya, melindungi data dan model dari manipulasi dan akses yang tidak sah.
Tiga, Lapisan Aplikasi: Agen AI
Perkembangan AI saat ini telah menunjukkan pergeseran fokus pengembangan dari kemampuan model menuju gambaran AI Agent. Perusahaan teknologi seperti OpenAI, unicorn model besar AI Anthropic, dan Microsoft semuanya beralih ke pengembangan AI Agent, berusaha untuk memecahkan masa platform teknologi LLM saat ini.
Definisi AI Agent menurut OpenAI adalah: sistem yang didorong oleh LLM sebagai otak, yang memiliki kemampuan untuk memahami dan mempersepsikan secara mandiri, merencanakan, mengingat, dan menggunakan alat, serta dapat secara otomatis melaksanakan tugas kompleks. Ketika AI bertransformasi dari alat yang digunakan menjadi subjek yang dapat menggunakan alat, maka ia menjadi AI Agent. Inilah sebabnya mengapa AI Agent dapat menjadi asisten cerdas paling ideal bagi manusia.
Apa yang dapat dibawa Web3 untuk Agent?
Desentralisasi
Karakteristik desentralisasi Web3 dapat membuat sistem Agent lebih terdistribusi dan otonom, melalui mekanisme seperti PoS, DPoS, dan lainnya untuk membangun mekanisme insentif dan hukuman bagi staker dan delegator, yang dapat mendorong demokratisasi sistem Agent, GaiaNet, Theoriq, dan HajimeAI semuanya telah mencoba.
Cold Start
Pengembangan dan iterasi AI Agent sering kali memerlukan dukungan dana yang besar, sementara Web3 dapat membantu proyek AI Agent yang berpotensi mendapatkan pendanaan awal dan memulai dengan baik.
Virtual Protocol meluncurkan platform pembuatan dan penerbitan token AI Agent fun.virtuals, di mana pengguna dapat dengan mudah mengdeploy AI Agent dengan satu klik, dan melakukan penerbitan token AI Agent secara 100% adil.
Spectral mengusulkan ide produk yang mendukung penerbitan aset AI Agent di blockchain: melalui IAO (Initial Agent Offering) menerbitkan token, AI Agent dapat langsung mendapatkan dana dari investor, sekaligus menjadi anggota tata kelola DAO, memberikan kesempatan kepada investor untuk berpartisipasi dalam pengembangan proyek dan berbagi keuntungan di masa depan.
Bagaimana AI memberdayakan Web3?
Dampak AI terhadap proyek Web3 sangat jelas, karena ia menguntungkan teknologi blockchain dengan mengoptimalkan operasi di blockchain (seperti eksekusi kontrak pintar, optimasi likuiditas, dan keputusan pemerintahan yang didorong oleh AI). Sementara itu, AI juga dapat memberikan wawasan berbasis data yang lebih baik, meningkatkan keamanan di blockchain, dan meletakkan dasar bagi aplikasi baru yang berbasis Web3.
Satu, AI dan Keuangan di Rantai
AI dan ekonomi kripto
Pada 31 Agustus, CEO Coinbase Brian Armstrong mengumumkan bahwa transaksi kripto pertama antara AI ke AI telah dilakukan di jaringan Base, dan menyatakan bahwa AI Agent sekarang dapat menggunakan USD di Base untuk bertransaksi dengan manusia, pedagang, atau AI lainnya, transaksi ini bersifat instan, global, dan gratis.
Selain pembayaran, Luna dari Virtuals Protocol juga pertama kali menunjukkan bagaimana AI Agent dapat secara mandiri melakukan transaksi on-chain dengan cara berikut, menarik perhatian dan menjadikan AI Agent sebagai entitas cerdas yang mampu merasakan lingkungan, mengambil keputusan, dan mengeksekusi tindakan, dipandang sebagai masa depan keuangan on-chain. Saat ini, potensi skenario AI Agent tercermin dalam beberapa poin berikut:
Pengumpulan informasi dan prediksi: Membantu investor mengumpulkan pengumuman bursa, informasi publik proyek, emosi panik, risiko opini publik, dan informasi lainnya, serta menganalisis dan menilai kondisi dasar aset dan pasar secara real-time, serta memprediksi tren dan risiko.
Manajemen Aset: Menyediakan objek investasi yang sesuai untuk pengguna, mengoptimalkan portofolio aset, dan mengeksekusi transaksi secara otomatis.
Pengalaman Keuangan: Membantu investor memilih cara perdagangan on-chain tercepat, mengotomatisasi operasi manual seperti lintas rantai, penyesuaian biaya gas, dan mengurangi ambang batas serta biaya aktivitas keuangan on-chain.
Bayangkan sebuah skenario di mana Anda memberikan instruksi kepada AI Agent: "Saya memiliki 1000USDT, tolong bantu saya menemukan kombinasi dengan hasil tertinggi, dengan waktu penguncian tidak lebih dari satu minggu," AI Agent akan memberikan saran sebagai berikut: "Disarankan pembagian awal adalah 50% di A, 20% di B, 20% di X, 10% di Y. Saya akan memantau suku bunga dan mengamati perubahan tingkat risikonya, dan akan menyeimbangkan kembali jika diperlukan." Selain itu, mencari proyek airdrop yang berpotensi, serta proyek Memecoin yang menunjukkan tanda-tanda komunitas yang populer, adalah hal-hal yang mungkin dilakukan oleh AI Agent setelahnya.
Sumber gambar: Biconomy
Saat ini, dompet AI Agent Bitte dan protokol interaksi AI Wayfinder sedang melakukan upaya seperti ini, keduanya mencoba untuk menghubungkan ke API model OpenAI, memungkinkan pengguna untuk melakukan operasi rantai yang berbeda melalui antarmuka jendela obrolan yang mirip dengan ChatGPT, seperti yang ditunjukkan oleh prototipe pertama WayFinder yang dirilis pada bulan April tahun ini di jaringan utama Base, Polygon, dan Ethereum, yang menampilkan empat operasi dasar: swap, send, bridge, dan stake.
Saat ini, platform Agent terdesentralisasi Morpheus juga mendukung pengembangan jenis Agent ini, seperti Biconomy yang juga telah mendemonstrasikan operasi di mana AI Agent dapat menukar ETH menjadi USDC tanpa perlu memberikan izin penuh atas dompet.
AI dan keamanan transaksi di blockchain
Dalam dunia Web3, keamanan transaksi on-chain sangat penting. Teknologi AI dapat digunakan untuk meningkatkan keamanan dan perlindungan privasi transaksi on-chain, dengan potensi skenario termasuk:
Pemantauan transaksi: Pemantauan aktivitas perdagangan abnormal secara real-time dengan teknologi data, infrastruktur peringatan real-time untuk pengguna dan platform.
Analisis risiko: Membantu platform menganalisis data perilaku transaksi pelanggan, menilai tingkat risikonya.
Misalnya, platform keamanan Web3 SeQure memanfaatkan AI untuk mendeteksi dan mencegah serangan jahat, penipuan, dan kebocoran data, serta menyediakan mekanisme pemantauan dan peringatan secara real-time, untuk memastikan keamanan dan stabilitas transaksi di blockchain. Alat keamanan serupa lainnya adalah Sentinel bertenaga AI.
II. AI dan Infrastruktur di atas Rantai
AI dan data on-chain
Teknologi AI memainkan peran penting dalam pengumpulan dan analisis data di blockchain, seperti:
Web3 Analytics: adalah platform analisis berbasis AI yang menggunakan algoritma pembelajaran mesin dan penambangan data untuk mengumpulkan, memproses, dan menganalisis data di blockchain.
MinMax AI: Ini menyediakan alat analisis data on-chain berbasis AI yang membantu pengguna menemukan peluang pasar dan tren yang potensial.
Kaito: Platform pencarian Web3 berbasis mesin pencari LLM.
Mengikuti: Mengintegrasikan ChatGPT untuk mengumpulkan dan menyajikan informasi relevan yang tersebar di berbagai situs web dan platform komunitas.
Skenario aplikasi lainnya adalah oracle, di mana AI dapat mengambil harga dari berbagai sumber untuk memberikan data harga yang akurat. Misalnya, Upshot menggunakan AI untuk harga NFT yang bergejolak, dengan melakukan lebih dari satu miliar penilaian per jam, dan menyediakan harga NFT dengan kesalahan persentase antara 3-10%.
AI dan Pengembangan&Audit
Belakangan ini, sebuah editor kode AI Web2 bernama Cursor telah menarik perhatian banyak orang di kalangan pengembang. Di platformnya, pengguna hanya perlu mendeskripsikan dengan bahasa alami, dan Cursor dapat secara otomatis menghasilkan kode HTML, CSS, dan JavaScript yang sesuai, yang secara signifikan menyederhanakan proses pengembangan perangkat lunak. Logika ini juga berlaku untuk meningkatkan efisiensi pengembangan Web3.
Saat ini, untuk menerapkan kontrak pintar dan DApp di blockchain publik, biasanya perlu mengikuti bahasa pemrograman khusus seperti Solidity, Rust, Move, dan lain-lain. Visi bahasa pemrograman baru adalah untuk memperluas ruang desain blockchain terdesentralisasi, menjadikannya lebih cocok untuk pengembangan DApp, tetapi di tengah kekurangan pengembang Web3 yang cukup besar, pendidikan pengembang tetap menjadi tantangan yang lebih menyakitkan.
Saat ini, AI dalam mendukung pengembangan Web3, skenario yang dapat dibayangkan meliputi: otomatisasi pembuatan kode, verifikasi dan pengujian kontrak pintar, penyebaran dan pemeliharaan DApp, penyelesaian kode cerdas, pengembangan solusi masalah melalui percakapan AI, dan sebagainya. Dengan bantuan AI, tidak hanya membantu meningkatkan efisiensi dan akurasi pengembangan, tetapi juga menurunkan batasan pemrograman, memungkinkan non-programmer untuk mengubah ide mereka menjadi aplikasi nyata, membawa vitalitas baru bagi perkembangan teknologi terdesentralisasi.
Saat ini, yang paling menarik perhatian adalah platform token satu klik, seperti Clanker, sebuah "Token Bot" yang didorong oleh AI, dirancang khusus untuk penyebaran token DIY yang cepat. Anda hanya perlu menandai Clanker di klien protokol SocialFi Farcaster seperti Warpcast atau Supercast, beri tahu dia tentang ide token Anda, dan dia akan memulai token untuk Anda di blockchain Base.
Ada juga platform pengembangan kontrak, seperti Spectral, yang menyediakan fungsi pembuatan dan penyebaran kontrak pintar dengan satu klik untuk menurunkan ambang pengembangan Web3, sehingga bahkan pengguna pemula pun dapat melakukan kompilasi dan penyebaran kontrak pintar.
Dalam hal audit, platform audit Web3 Fuzzland menggunakan AI untuk membantu auditor memeriksa kerentanan kode, serta memberikan penjelasan dalam bahasa alami untuk mendukung keahlian audit. Fuzzland juga memanfaatkan AI untuk memberikan penjelasan dalam bahasa alami tentang spesifikasi formal dan kode kontrak, serta beberapa contoh kode untuk membantu pengembang memahami masalah potensial dalam kode.
Tiga, Narasi Baru AI dan Web3
Kebangkitan AI generatif membawa kemungkinan baru bagi narasi baru Web3.
NFT: AI telah menyuntikkan kreativitas ke dalam NFT generatif, melalui teknologi AI yang dapat menghasilkan berbagai karya seni dan karakter yang unik dan beragam. NFT generatif ini dapat menjadi karakter, item, atau elemen adegan dalam permainan, dunia virtual, atau metaverse, seperti Bicasso yang dimiliki oleh Binance, di mana pengguna dapat mengunggah gambar dan memasukkan kata kunci untuk menghasilkan NFT setelah proses perhitungan AI. Proyek serupa lainnya termasuk Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: Dengan kemampuan generasi bahasa alami AI, generasi gambar, dan NPC cerdas, GameFi diharapkan dapat meningkatkan efisiensi dan inovasi dalam produksi konten permainan. Seperti AI Hero, permainan blockchain pertama di bawah Binaryx, pemain dapat menjelajahi berbagai pilihan alur cerita secara acak melalui AI; sama halnya dengan permainan pasangan virtual Sleepless AI, yang berbasis AIGC dan LLM, pemain dapat membuka gameplay yang dipersonalisasi melalui interaksi yang berbeda.
DAO: Saat ini, AI juga diperkirakan akan diterapkan dalam DAO untuk membantu melacak interaksi komunitas, mencatat kontribusi, memberikan penghargaan kepada anggota yang paling banyak berkontribusi, mewakili suara, dan lain-lain. Seperti ai16z yang memanfaatkan AI Agent untuk mengumpulkan informasi pasar secara on-chain dan off-chain, menganalisis konsensus komunitas, dan menggabungkan saran anggota DAO untuk mengambil keputusan investasi.
Makna kombinasi AI+Web3: Menara dan Lapangan
Di jantung kota Florence, Italia, terdapat tempat kegiatan politik terpenting di daerah tersebut dan pusat berkumpulnya warga serta wisatawan—Piazza della Signoria, di mana berdiri sebuah menara balai kota setinggi 95 meter. Menara tersebut dan kontras visual vertikal serta horizontal dengan piazza saling melengkapi, menciptakan efek estetika yang dramatis. Profesor sejarah dari Universitas Harvard, Niall Ferguson, terinspirasi oleh hal ini dan mengaitkannya dengan sejarah dunia jaringan dan hierarki dalam bukunya "The Square and the Tower", di mana keduanya mengalami pasang surut dalam aliran waktu.
Metafora yang luar biasa ini juga tidak asing ketika diterapkan pada hubungan antara AI dan Web3 saat ini. Dari sejarah hubungan jangka panjang dan non-linier antara keduanya, dapat dilihat bahwa alun-alun lebih mudah menghasilkan hal-hal baru yang lebih kreatif, tetapi menara tetap memiliki legitimasi dan daya hidup yang kuat.
Di bawah kemampuan perusahaan teknologi untuk mengelompokkan data daya energi secara tinggi, AI meledak dengan imajinasi yang belum pernah terjadi sebelumnya, perusahaan teknologi besar menginvestasikan banyak uang dan masuk ke dalam arena, dari berbagai chatbot hingga versi iterasi "model dasar besar" seperti GPT-4, GP4-4o yang muncul satu demi satu, robot pemrograman otomatis (Devin) dan Sora yang memiliki kemampuan awal untuk mensimulasikan dunia fisik nyata muncul, dan sebagainya, imajinasi AI diperluas tanpa batas.
Sementara itu, AI pada dasarnya adalah industri yang terpusat dan berskala besar, revolusi teknologi ini mendorong perusahaan teknologi yang sebelumnya secara bertahap menguasai kekuasaan struktural di "era internet" menuju puncak yang lebih sempit. Daya listrik yang besar, aliran kas yang dimonopoli, dan kumpulan data besar yang diperlukan untuk mendominasi era kecerdasan membentuk penghalang yang lebih tinggi bagi mereka.
Ketika menara semakin tinggi, para pembuat keputusan di balik layar semakin menyusut, konsentrasi AI membawa banyak risiko. Bagaimana orang-orang yang berkumpul di alun-alun bisa menghindari bayangan di bawah menara? Inilah masalah yang diharapkan dapat dipecahkan oleh Web3.
Pada dasarnya, sifat inheren dari blockchain memperkuat sistem kecerdasan buatan dan membawa kemungkinan baru, terutama:
Era kecerdasan buatan "kode adalah hukum" - menerapkan kontrak pintar dan verifikasi kripto untuk mewujudkan sistem transparan yang secara otomatis mengeksekusi aturan, dan memberikan penghargaan kepada kelompok yang lebih dekat dengan tujuan.
Ekonomi token - menciptakan dan mengoordinasikan perilaku peserta melalui mekanisme token, staking, pengurangan, hadiah token, dan hukuman.
Tata kelola terdesentralisasi — mendorong kita untuk mempertanyakan sumber informasi dan mendorong pendekatan yang lebih kritis dan berwawasan terhadap teknologi kecerdasan buatan, mencegah bias, informasi yang salah, dan manipulasi, akhirnya membina masyarakat yang lebih terinformasi dan berdaya.
Perkembangan AI juga membawa energi baru bagi Web3, mungkin pengaruh Web3 terhadap AI memerlukan pembuktian waktu, tetapi pengaruh AI terhadap Web3 terlihat dengan jelas: baik itu kegembiraan Meme maupun AI Agent yang membantu aplikasi di blockchain menurunkan hambatan penggunaan dapat dilihat.
Ketika Web3 didefinisikan sebagai kesenangan sekelompok kecil orang dan terjebak dalam keraguan terhadap replikasi industri tradisional, kehadiran AI membawa masa depan yang dapat diprediksi: kumpulan pengguna Web2 yang lebih stabil & lebih besar, serta model bisnis dan layanan yang lebih inovatif.
Kita hidup di dunia di mana "Menara dan Lapangan" coexist, meskipun AI dan Web3 memiliki garis waktu dan titik awal yang berbeda, tetapi tujuan akhirnya adalah bagaimana mesin dapat melayani manusia dengan lebih baik, tidak ada yang dapat mendefinisikan aliran sungai yang mengalir deras, kami berharap dapat melihat masa depan AI+Web3.
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
AI + Web3: Menara dan Alun-Alun
Penulis: Coinspire
TL;DR：
Proyek Web3 dengan konsep AI menjadi target pengumpulan dana di pasar primer dan sekunder.
Peluang Web3 di industri AI terletak pada: penggunaan insentif terdistribusi untuk mengoordinasikan pasokan potensial dalam long tail—meliputi data, penyimpanan, dan komputasi; sementara itu, membangun model sumber terbuka serta pasar terdesentralisasi untuk AI Agent.
Penggunaan utama AI dalam industri Web3 adalah keuangan on-chain (pembayaran kripto, transaksi, analisis data) dan pengembangan yang dibantu.
Kegunaan AI+Web3 terletak pada saling melengkapi keduanya: Web3 diharapkan dapat melawan sentralisasi AI, sementara AI diharapkan dapat membantu Web3 melebarkan jangkauan.
Pendahuluan
Dua tahun terakhir, perkembangan AI seolah-olah telah ditekan tombol percepatannya, sayap kupu-kupu yang dipicu oleh Chatgpt ini tidak hanya membuka dunia baru kecerdasan buatan generatif, tetapi juga mengguncang arus di Web3 di sisi lainnya.
Dengan dukungan konsep AI, terdapat peningkatan yang jelas dalam pendanaan pasar kripto yang melambat. Media mencatat, hanya dalam paruh pertama tahun 2024, terdapat 64 proyek Web3+AI yang telah menyelesaikan pendanaan, dengan sistem operasi berbasis kecerdasan buatan Zyber365 mencapai jumlah pendanaan tertinggi sebesar 100 juta dolar AS dalam putaran A.
Pasar sekunder semakin berkembang, data dari situs agregator kripto Coingecko menunjukkan bahwa dalam waktu lebih dari satu tahun, total kapitalisasi pasar jalur AI telah mencapai 48,5 miliar dolar AS, dengan volume perdagangan 24 jam mendekati 8,6 miliar dolar AS; kemajuan teknologi AI yang utama memberikan keuntungan yang jelas, setelah peluncuran model teks ke video Sora dari OpenAI, rata-rata harga di sektor AI meningkat sebesar 151%; efek AI juga menjalar ke salah satu sektor kripto yang menarik perhatian, Meme: konsep pertama dari MemeCoin yang merupakan AI Agent—GOAT dengan cepat menjadi populer dan meraih valuasi 1,4 miliar dolar AS, berhasil memicu tren AI Meme.
Tentang penelitian dan topik AI+Web3 juga sangat panas, dari AI+Depin hingga AI Memecoin hingga AI Agent dan AI DAO saat ini, perasaan FOMO sudah tidak dapat mengikuti kecepatan pergantian narasi baru.
AI+Web3, kombinasi istilah yang dipenuhi dengan uang panas, tren, dan fantasi masa depan, tak terhindarkan dilihat sebagai pernikahan yang diatur oleh modal. Kita tampaknya sulit untuk membedakan di balik jubah megah ini, apakah ini benar-benar arena para spekulan, atau malam sebelum terjadinya ledakan fajar?
Untuk menjawab pertanyaan ini, sebuah pemikiran yang krusial bagi kedua belah pihak adalah, apakah adanya pihak lain akan membuatnya menjadi lebih baik? Apakah bisa mendapatkan manfaat dari pola pihak lain? Dalam artikel ini, kami juga berusaha untuk melihat pola ini dengan berdiri di atas bahu para pendahulu: bagaimana Web3 dapat berperan di setiap aspek tumpukan teknologi AI, dan apa yang dapat diberikan AI kepada Web3 untuk membawa kehidupan baru?
Apa peluang Web3 di bawah tumpukan AI?
Sebelum membahas topik ini, kita perlu memahami tumpukan teknologi dari model besar AI:
Sumber gambar: Delphi Digital
Dengan bahasa yang lebih sederhana untuk menggambarkan seluruh proses: "Model besar" seperti otak manusia, pada tahap awal, otak ini milik bayi yang baru lahir, yang perlu mengamati dan menyerap informasi besar dari lingkungan sekitarnya untuk memahami dunia ini, inilah tahap "pengumpulan" data; karena komputer tidak memiliki indra manusia seperti penglihatan dan pendengaran, sebelum pelatihan, informasi besar yang tidak terlabel dari dunia luar perlu diubah melalui "pra-pemrosesan" menjadi format informasi yang dapat dipahami dan digunakan oleh komputer.
Setelah memasukkan data, AI membangun model yang memiliki kemampuan pemahaman dan prediksi melalui "pelatihan", yang dapat dianggap sebagai proses di mana bayi secara bertahap memahami dan belajar tentang dunia luar. Parameter model mirip dengan kemampuan bahasa bayi yang terus disesuaikan selama proses pembelajaran. Ketika konten pembelajaran mulai terdiversifikasi, atau ketika berkomunikasi dengan orang lain mendapatkan umpan balik dan melakukan koreksi, maka masuk ke tahap "penyesuaian halus" model besar.
Anak-anak secara bertahap tumbuh dan setelah belajar berbicara, mereka dapat memahami makna dalam percakapan baru dan mengekspresikan perasaan serta pikiran mereka. Tahap ini mirip dengan "penalaran" model AI besar, di mana model dapat memprediksi dan menganalisis input bahasa dan teks yang baru. Bayi mengekspresikan perasaan, mendeskripsikan objek, dan menyelesaikan berbagai masalah melalui kemampuan bahasa, yang juga mirip dengan penerapan fase penalaran model AI besar setelah selesai dilatih dan digunakan untuk berbagai tugas spesifik, seperti klasifikasi gambar, pengenalan suara, dan lainnya.
AI Agent lebih mendekati bentuk berikutnya dari model besar—kemampuan untuk menjalankan tugas secara mandiri dan mengejar tujuan yang kompleks, tidak hanya memiliki kemampuan berpikir, tetapi juga dapat mengingat, merencanakan, dan dapat menggunakan alat untuk berinteraksi dengan dunia.
Saat ini, terkait dengan titik nyeri AI di berbagai tumpukan, Web3 saat ini telah secara awal membentuk ekosistem berlapis yang saling terhubung, mencakup berbagai tahap proses model AI.
Satu, Lapisan Dasar: Airbnb dari Kekuatan Komputasi dan Data
kekuatan komputasi
Saat ini, salah satu biaya tertinggi AI adalah daya komputasi dan energi yang diperlukan untuk melatih model dan melakukan inferensi.
Salah satu contohnya adalah, LLAMA3 milik Meta memerlukan 16.000 H100 GPU yang diproduksi oleh NVIDIA (ini adalah unit pemrosesan grafis kelas atas yang dirancang khusus untuk beban kerja kecerdasan buatan dan komputasi berkinerja tinggi) selama 30 hari untuk menyelesaikan pelatihan. Harga per unit versi 80GB berkisar antara 30.000 hingga 40.000 dolar, yang memerlukan investasi perangkat keras komputasi sebesar 400-700 juta dolar (GPU + chip jaringan), sementara pelatihan bulanan memerlukan konsumsi 1,6 miliar kilowatt jam, dengan pengeluaran energi hampir 20 juta dolar per bulan.
Untuk pelepasan kekuatan AI, ini adalah bidang pertama kali Web3 berinteraksi dengan AI - DePin (Jaringan Infrastruktur Fisik Terdesentralisasi) saat ini, situs data DePin Ninja telah menampilkan lebih dari 1400 proyek, di mana proyek berbagi kekuatan GPU yang mewakili termasuk io.net, Aethir, Akash, Render Network, dan sebagainya.
Logika utamanya adalah: platform ini memungkinkan individu atau entitas yang memiliki sumber daya GPU yang tidak terpakai untuk menyumbangkan kemampuan komputasi mereka secara terdesentralisasi tanpa izin, melalui pasar online mirip dengan Uber atau Airbnb untuk pembeli dan penjual, meningkatkan pemanfaatan sumber daya GPU yang tidak terpakai. Pengguna akhir juga mendapatkan sumber daya komputasi yang efisien dan lebih murah; pada saat yang sama, mekanisme staking juga memastikan bahwa jika terjadi pelanggaran mekanisme kontrol kualitas atau gangguan jaringan, penyedia sumber daya akan mendapatkan hukuman yang sesuai.
Ciri-cirinya adalah:
Mengumpulkan sumber daya GPU yang tidak terpakai: Pemasok utama adalah pusat data kecil dan menengah independen pihak ketiga, serta operator tambang kripto dengan sumber daya komputasi yang berlebihan, perangkat keras penambangan dengan mekanisme konsensus PoS, seperti mesin FileCoin dan ETH. Saat ini, ada juga proyek yang berusaha untuk memulai perangkat dengan ambang batas yang lebih rendah, seperti exolab yang memanfaatkan MacBook, iPhone, iPad, dan perangkat lokal lainnya untuk membangun jaringan komputasi untuk inferensi model besar.
Menghadapi pasar ekor panjang dari kekuatan AI: a. "Dari sisi teknologi" pasar kekuatan terdesentralisasi lebih cocok untuk langkah inferensi. Pelatihan lebih bergantung pada kemampuan pemrosesan data yang dibawa oleh GPU skala kluster besar, sedangkan inferensi memiliki kinerja komputasi GPU yang relatif lebih rendah, seperti Aethir yang berfokus pada pekerjaan rendering latensi rendah dan aplikasi inferensi AI. b. "Dari sisi permintaan" pihak yang membutuhkan kekuatan menengah dan kecil tidak akan melatih model besar mereka sendiri secara terpisah, tetapi hanya memilih untuk mengoptimalkan dan menyesuaikan di sekitar sejumlah kecil model besar terkemuka, dan semua skenario ini secara alami cocok untuk sumber daya kekuatan tidak terpakai yang terdistribusi.
Kepemilikan terdesentralisasi: Makna teknis dari blockchain adalah bahwa pemilik sumber daya selalu mempertahankan kontrol atas sumber daya tersebut, dapat menyesuaikan secara fleksibel sesuai permintaan, sambil mendapatkan keuntungan.
data
Data adalah dasar dari AI. Tanpa data, komputasi tidak berguna seperti duckweed, dan hubungan antara data dan model seperti pepatah "Sampah masuk, Sampah keluar", di mana kuantitas data dan kualitas input menentukan kualitas output model akhir. Untuk pelatihan model AI modern, data menentukan kemampuan bahasa model, kemampuan pemahaman, dan bahkan nilai, serta kinerja manusia. Saat ini, dilema permintaan data AI terutama berfokus pada empat aspek berikut:
Kekurangan data: Pelatihan model AI bergantung pada input data yang besar. Data publik menunjukkan bahwa jumlah parameter yang dilatih OpenAI untuk GPT-4 mencapai tingkat triliun.
Kualitas data: Dengan penggabungan AI dan berbagai industri, ketepatan waktu data, keragaman data, spesialisasi data vertikal, dan pengambilan sumber data baru seperti emosi media sosial juga mengajukan tuntutan baru terhadap kualitasnya.
Masalah privasi dan kepatuhan: Saat ini, berbagai negara dan perusahaan semakin menyadari pentingnya kumpulan data berkualitas, dan sedang membatasi pengambilan kumpulan data.
Biaya pemrosesan data yang tinggi: Jumlah data yang besar, proses pemrosesan yang kompleks. Data publik menunjukkan bahwa lebih dari 30% biaya penelitian dan pengembangan perusahaan AI digunakan untuk pengumpulan dan pemrosesan data dasar.
Saat ini, solusi web3 tercermin dalam empat aspek berikut:
Visi Web3 adalah memungkinkan pengguna yang benar-benar berkontribusi untuk ikut serta dalam penciptaan nilai yang dihasilkan oleh data, serta memperoleh data yang lebih pribadi dan bernilai dari pengguna dengan cara yang lebih murah melalui jaringan terdistribusi dan mekanisme insentif.
Misalnya, Grass adalah lapisan data dan jaringan terdesentralisasi, dan pengguna dapat menyumbangkan bandwidth menganggur dan menyampaikan lalu lintas dengan menjalankan node Grass untuk menangkap data real-time di Internet dan mendapatkan hadiah token.
Vana memperkenalkan konsep unik dari data liquidity pool (DLP), di mana pengguna dapat mengunggah data pribadi mereka (seperti riwayat belanja, kebiasaan browsing, aktivitas media sosial, dll.) ke DLP tertentu dan dengan fleksibel memilih apakah akan memberikan izin kepada pihak ketiga tertentu untuk menggunakan data tersebut;
Di PublicAI, pengguna dapat menggunakan #AI 或#Web3 sebagai label kategori di X dan @PublicAI untuk melakukan pengumpulan data.
Saat ini, Grass dan OpenLayer sedang mempertimbangkan untuk menambahkan pengkategorian data sebagai langkah kunci.
Synesis mengusulkan konsep "Train2earn", menekankan kualitas data, pengguna dapat memperoleh imbalan dengan memberikan data yang diberi label, anotasi, atau bentuk masukan lainnya.
Proyek penandaan data Sapien menggamifikasi tugas penandaan dan memungkinkan pengguna untuk mempertaruhkan poin untuk mendapatkan lebih banyak poin.
Teknologi privasi yang umum digunakan dalam Web3 saat ini meliputi:
Lingkungan Eksekusi Tepercaya (TEE), seperti Protokol Super;
Enkripsi Homomorfik Penuh (FHE), misalnya BasedAI, Fhenix.io atau Inco Network;
Teknologi zero-knowledge (zk), seperti Protokol Reclaim yang menggunakan teknologi zkTLS, menghasilkan bukti zero-knowledge untuk lalu lintas HTTPS, memungkinkan pengguna untuk mengimpor data aktivitas, reputasi, dan identitas dari situs web eksternal dengan aman tanpa mengekspos informasi sensitif.
Namun, saat ini bidang ini masih dalam tahap awal, sebagian besar proyek masih dalam eksplorasi, salah satu dilema saat ini adalah biaya komputasi yang terlalu tinggi, beberapa contohnya adalah:
Kerangka zkML EZKL membutuhkan waktu sekitar 80 menit untuk menghasilkan bukti model 1M-nanoGPT.
Menurut data Modulus Labs, biaya zkML lebih dari 1000 kali lebih tinggi daripada perhitungan murni.
0g.AI adalah proyek perwakilan dalam kategori ini. Ini adalah solusi penyimpanan terpusat yang dirancang untuk kebutuhan kinerja tinggi AI, dengan fitur kunci termasuk: kinerja tinggi dan skalabilitas, mendukung unggahan dan unduhan dataset besar dengan cepat melalui teknologi sharding dan coding penghapusan, kecepatan transfer data mendekati 5GB per detik.
II. Middleware: Pelatihan dan Inferensi Model
Pasar desentralisasi model sumber terbuka
Perdebatan tentang apakah model AI harus bersifat tertutup atau terbuka tidak pernah surut. Inovasi kolektif yang dihadirkan oleh sumber terbuka adalah keunggulan yang tidak dapat ditandingi oleh model tertutup, namun dalam keadaan tanpa model profit, bagaimana model sumber terbuka dapat meningkatkan dorongan pengembang? Ini adalah arah yang patut dipikirkan. Pendiri Baidu, Li Yanhong, pernah menyatakan pada bulan April tahun ini, "Model sumber terbuka akan semakin tertinggal."
Terkait hal ini, Web3 mengusulkan kemungkinan pasar model sumber terbuka yang terdesentralisasi, yaitu melakukan tokenisasi pada model itu sendiri, mempertahankan proporsi tertentu dari token untuk tim, dan mengalirkan sebagian pendapatan masa depan dari model tersebut kepada pemegang token.
Misalnya, protokol Bittensor membangun model pasar P2P sumber terbuka yang terdiri dari lusinan "subnet" di mana penyedia sumber daya (komputasi, pengumpulan/penyimpanan data, bakat pembelajaran mesin) bersaing satu sama lain untuk memenuhi tujuan pemilik subnet tertentu, dan setiap subnet dapat berinteraksi dan belajar satu sama lain untuk mencapai kecerdasan yang lebih besar. Hadiah didistribusikan melalui pemungutan suara komunitas dan selanjutnya didistribusikan ke seluruh subnet berdasarkan kinerja kompetitif.
ORA memperkenalkan konsep (IMO) penerbitan model awal, tokenisasi model AI yang dapat dibeli, dijual, dan dikembangkan melalui jaringan terdesentralisasi.
Sentient, sebuah platform AGI terdesentralisasi, mendorong kolaborasi kontributor untuk membangun, menyalin, dan memperluas model AI, serta memberikan penghargaan kepada kontributor.
Spectral Nova, berfokus pada pembuatan dan penerapan model AI dan ML.
Inferences yang dapat diverifikasi
Solusi Web3 standar untuk masalah "kotak hitam" inferensi AI adalah meminta beberapa validator mengulangi operasi yang sama dan membandingkan hasilnya, tetapi karena kekurangan "chip Nvidia" kelas atas saat ini, tantangan yang jelas dari pendekatan ini adalah tingginya biaya inferensi AI.
Solusi yang lebih menjanjikan adalah melakukan pembuktian ZK untuk komputasi inferensi AI off-chain "zero-knowledge proof, sebuah protokol kriptografi di mana satu pihak, prover, dapat membuktikan kepada pihak lain, verifier, bahwa pernyataan tertentu adalah benar tanpa mengungkapkan informasi tambahan selain kebenaran pernyataan tersebut", untuk verifikasi yang tidak memerlukan izin terhadap komputasi model AI di on-chain. Ini memerlukan bukti secara kriptografis di on-chain bahwa komputasi off-chain telah diselesaikan dengan benar (misalnya, dataset tidak telah dimanipulasi), sambil memastikan semua data tetap rahasia.
Keuntungan utama termasuk:
Skalabilitas: Bukti nol-pengetahuan dapat dengan cepat mengonfirmasi banyak perhitungan off-chain. Bahkan ketika jumlah transaksi meningkat, satu bukti nol-pengetahuan dapat memverifikasi semua transaksi.
Perlindungan privasi: Detail data dan model AI tetap dirahasiakan, sementara pihak-pihak dapat memverifikasi bahwa data dan model tidak telah dirusak.
Tanpa kepercayaan: Konfirmasi perhitungan tanpa bergantung pada pihak terpusat.
Integrasi Web2: Secara definisi, Web2 adalah integrasi off-chain, yang berarti inferensi yang dapat diverifikasi dapat membantu membawa dataset dan komputasi AI-nya ke on-chain. Ini membantu meningkatkan tingkat adopsi Web3.
Saat ini, teknologi verifikasi untuk inferensi yang dapat diverifikasi dalam Web3 adalah sebagai berikut:
zkML: Menggabungkan bukti nol pengetahuan dengan pembelajaran mesin untuk memastikan privasi dan kerahasiaan data dan model, memungkinkan komputasi yang dapat diverifikasi tanpa mengungkapkan beberapa atribut dasar, seperti Modulus Labs yang berbasis ZKML telah merilis pembuktian ZK yang dibangun untuk AI, untuk memeriksa secara efektif apakah penyedia AI memanipulasi algoritma dengan benar di blockchain, namun saat ini pelanggan umumnya adalah DApp di blockchain.
opML: Dengan memanfaatkan prinsip penggabungan optimis, meningkatkan skalabilitas dan efisiensi perhitungan ML melalui verifikasi waktu terjadinya sengketa. Dalam model ini, hanya perlu memverifikasi sebagian kecil dari hasil yang dihasilkan oleh "validator", tetapi menetapkan biaya ekonomi pengurangan cukup tinggi untuk meningkatkan biaya kecurangan validator sehingga menghemat perhitungan redundan.
TeeML: Menjalankan perhitungan ML secara aman menggunakan lingkungan eksekusi tepercaya, melindungi data dan model dari manipulasi dan akses yang tidak sah.
Tiga, Lapisan Aplikasi: Agen AI
Perkembangan AI saat ini telah menunjukkan pergeseran fokus pengembangan dari kemampuan model menuju gambaran AI Agent. Perusahaan teknologi seperti OpenAI, unicorn model besar AI Anthropic, dan Microsoft semuanya beralih ke pengembangan AI Agent, berusaha untuk memecahkan masa platform teknologi LLM saat ini.
Definisi AI Agent menurut OpenAI adalah: sistem yang didorong oleh LLM sebagai otak, yang memiliki kemampuan untuk memahami dan mempersepsikan secara mandiri, merencanakan, mengingat, dan menggunakan alat, serta dapat secara otomatis melaksanakan tugas kompleks. Ketika AI bertransformasi dari alat yang digunakan menjadi subjek yang dapat menggunakan alat, maka ia menjadi AI Agent. Inilah sebabnya mengapa AI Agent dapat menjadi asisten cerdas paling ideal bagi manusia.
Apa yang dapat dibawa Web3 untuk Agent?
Karakteristik desentralisasi Web3 dapat membuat sistem Agent lebih terdistribusi dan otonom, melalui mekanisme seperti PoS, DPoS, dan lainnya untuk membangun mekanisme insentif dan hukuman bagi staker dan delegator, yang dapat mendorong demokratisasi sistem Agent, GaiaNet, Theoriq, dan HajimeAI semuanya telah mencoba.
Pengembangan dan iterasi AI Agent sering kali memerlukan dukungan dana yang besar, sementara Web3 dapat membantu proyek AI Agent yang berpotensi mendapatkan pendanaan awal dan memulai dengan baik.
Virtual Protocol meluncurkan platform pembuatan dan penerbitan token AI Agent fun.virtuals, di mana pengguna dapat dengan mudah mengdeploy AI Agent dengan satu klik, dan melakukan penerbitan token AI Agent secara 100% adil.
Spectral mengusulkan ide produk yang mendukung penerbitan aset AI Agent di blockchain: melalui IAO (Initial Agent Offering) menerbitkan token, AI Agent dapat langsung mendapatkan dana dari investor, sekaligus menjadi anggota tata kelola DAO, memberikan kesempatan kepada investor untuk berpartisipasi dalam pengembangan proyek dan berbagi keuntungan di masa depan.
Bagaimana AI memberdayakan Web3?
Dampak AI terhadap proyek Web3 sangat jelas, karena ia menguntungkan teknologi blockchain dengan mengoptimalkan operasi di blockchain (seperti eksekusi kontrak pintar, optimasi likuiditas, dan keputusan pemerintahan yang didorong oleh AI). Sementara itu, AI juga dapat memberikan wawasan berbasis data yang lebih baik, meningkatkan keamanan di blockchain, dan meletakkan dasar bagi aplikasi baru yang berbasis Web3.
Satu, AI dan Keuangan di Rantai
AI dan ekonomi kripto
Pada 31 Agustus, CEO Coinbase Brian Armstrong mengumumkan bahwa transaksi kripto pertama antara AI ke AI telah dilakukan di jaringan Base, dan menyatakan bahwa AI Agent sekarang dapat menggunakan USD di Base untuk bertransaksi dengan manusia, pedagang, atau AI lainnya, transaksi ini bersifat instan, global, dan gratis.
Selain pembayaran, Luna dari Virtuals Protocol juga pertama kali menunjukkan bagaimana AI Agent dapat secara mandiri melakukan transaksi on-chain dengan cara berikut, menarik perhatian dan menjadikan AI Agent sebagai entitas cerdas yang mampu merasakan lingkungan, mengambil keputusan, dan mengeksekusi tindakan, dipandang sebagai masa depan keuangan on-chain. Saat ini, potensi skenario AI Agent tercermin dalam beberapa poin berikut:
Pengumpulan informasi dan prediksi: Membantu investor mengumpulkan pengumuman bursa, informasi publik proyek, emosi panik, risiko opini publik, dan informasi lainnya, serta menganalisis dan menilai kondisi dasar aset dan pasar secara real-time, serta memprediksi tren dan risiko.
Manajemen Aset: Menyediakan objek investasi yang sesuai untuk pengguna, mengoptimalkan portofolio aset, dan mengeksekusi transaksi secara otomatis.
Pengalaman Keuangan: Membantu investor memilih cara perdagangan on-chain tercepat, mengotomatisasi operasi manual seperti lintas rantai, penyesuaian biaya gas, dan mengurangi ambang batas serta biaya aktivitas keuangan on-chain.
Bayangkan sebuah skenario di mana Anda memberikan instruksi kepada AI Agent: "Saya memiliki 1000USDT, tolong bantu saya menemukan kombinasi dengan hasil tertinggi, dengan waktu penguncian tidak lebih dari satu minggu," AI Agent akan memberikan saran sebagai berikut: "Disarankan pembagian awal adalah 50% di A, 20% di B, 20% di X, 10% di Y. Saya akan memantau suku bunga dan mengamati perubahan tingkat risikonya, dan akan menyeimbangkan kembali jika diperlukan." Selain itu, mencari proyek airdrop yang berpotensi, serta proyek Memecoin yang menunjukkan tanda-tanda komunitas yang populer, adalah hal-hal yang mungkin dilakukan oleh AI Agent setelahnya.
Sumber gambar: Biconomy
Saat ini, dompet AI Agent Bitte dan protokol interaksi AI Wayfinder sedang melakukan upaya seperti ini, keduanya mencoba untuk menghubungkan ke API model OpenAI, memungkinkan pengguna untuk melakukan operasi rantai yang berbeda melalui antarmuka jendela obrolan yang mirip dengan ChatGPT, seperti yang ditunjukkan oleh prototipe pertama WayFinder yang dirilis pada bulan April tahun ini di jaringan utama Base, Polygon, dan Ethereum, yang menampilkan empat operasi dasar: swap, send, bridge, dan stake.
Saat ini, platform Agent terdesentralisasi Morpheus juga mendukung pengembangan jenis Agent ini, seperti Biconomy yang juga telah mendemonstrasikan operasi di mana AI Agent dapat menukar ETH menjadi USDC tanpa perlu memberikan izin penuh atas dompet.
AI dan keamanan transaksi di blockchain
Dalam dunia Web3, keamanan transaksi on-chain sangat penting. Teknologi AI dapat digunakan untuk meningkatkan keamanan dan perlindungan privasi transaksi on-chain, dengan potensi skenario termasuk:
Pemantauan transaksi: Pemantauan aktivitas perdagangan abnormal secara real-time dengan teknologi data, infrastruktur peringatan real-time untuk pengguna dan platform.
Analisis risiko: Membantu platform menganalisis data perilaku transaksi pelanggan, menilai tingkat risikonya.
Misalnya, platform keamanan Web3 SeQure memanfaatkan AI untuk mendeteksi dan mencegah serangan jahat, penipuan, dan kebocoran data, serta menyediakan mekanisme pemantauan dan peringatan secara real-time, untuk memastikan keamanan dan stabilitas transaksi di blockchain. Alat keamanan serupa lainnya adalah Sentinel bertenaga AI.
II. AI dan Infrastruktur di atas Rantai
AI dan data on-chain
Teknologi AI memainkan peran penting dalam pengumpulan dan analisis data di blockchain, seperti:
Web3 Analytics: adalah platform analisis berbasis AI yang menggunakan algoritma pembelajaran mesin dan penambangan data untuk mengumpulkan, memproses, dan menganalisis data di blockchain.
MinMax AI: Ini menyediakan alat analisis data on-chain berbasis AI yang membantu pengguna menemukan peluang pasar dan tren yang potensial.
Kaito: Platform pencarian Web3 berbasis mesin pencari LLM.
Mengikuti: Mengintegrasikan ChatGPT untuk mengumpulkan dan menyajikan informasi relevan yang tersebar di berbagai situs web dan platform komunitas.
Skenario aplikasi lainnya adalah oracle, di mana AI dapat mengambil harga dari berbagai sumber untuk memberikan data harga yang akurat. Misalnya, Upshot menggunakan AI untuk harga NFT yang bergejolak, dengan melakukan lebih dari satu miliar penilaian per jam, dan menyediakan harga NFT dengan kesalahan persentase antara 3-10%.
AI dan Pengembangan&Audit
Belakangan ini, sebuah editor kode AI Web2 bernama Cursor telah menarik perhatian banyak orang di kalangan pengembang. Di platformnya, pengguna hanya perlu mendeskripsikan dengan bahasa alami, dan Cursor dapat secara otomatis menghasilkan kode HTML, CSS, dan JavaScript yang sesuai, yang secara signifikan menyederhanakan proses pengembangan perangkat lunak. Logika ini juga berlaku untuk meningkatkan efisiensi pengembangan Web3.
Saat ini, untuk menerapkan kontrak pintar dan DApp di blockchain publik, biasanya perlu mengikuti bahasa pemrograman khusus seperti Solidity, Rust, Move, dan lain-lain. Visi bahasa pemrograman baru adalah untuk memperluas ruang desain blockchain terdesentralisasi, menjadikannya lebih cocok untuk pengembangan DApp, tetapi di tengah kekurangan pengembang Web3 yang cukup besar, pendidikan pengembang tetap menjadi tantangan yang lebih menyakitkan.
Saat ini, AI dalam mendukung pengembangan Web3, skenario yang dapat dibayangkan meliputi: otomatisasi pembuatan kode, verifikasi dan pengujian kontrak pintar, penyebaran dan pemeliharaan DApp, penyelesaian kode cerdas, pengembangan solusi masalah melalui percakapan AI, dan sebagainya. Dengan bantuan AI, tidak hanya membantu meningkatkan efisiensi dan akurasi pengembangan, tetapi juga menurunkan batasan pemrograman, memungkinkan non-programmer untuk mengubah ide mereka menjadi aplikasi nyata, membawa vitalitas baru bagi perkembangan teknologi terdesentralisasi.
Saat ini, yang paling menarik perhatian adalah platform token satu klik, seperti Clanker, sebuah "Token Bot" yang didorong oleh AI, dirancang khusus untuk penyebaran token DIY yang cepat. Anda hanya perlu menandai Clanker di klien protokol SocialFi Farcaster seperti Warpcast atau Supercast, beri tahu dia tentang ide token Anda, dan dia akan memulai token untuk Anda di blockchain Base.
Ada juga platform pengembangan kontrak, seperti Spectral, yang menyediakan fungsi pembuatan dan penyebaran kontrak pintar dengan satu klik untuk menurunkan ambang pengembangan Web3, sehingga bahkan pengguna pemula pun dapat melakukan kompilasi dan penyebaran kontrak pintar.
Dalam hal audit, platform audit Web3 Fuzzland menggunakan AI untuk membantu auditor memeriksa kerentanan kode, serta memberikan penjelasan dalam bahasa alami untuk mendukung keahlian audit. Fuzzland juga memanfaatkan AI untuk memberikan penjelasan dalam bahasa alami tentang spesifikasi formal dan kode kontrak, serta beberapa contoh kode untuk membantu pengembang memahami masalah potensial dalam kode.
Tiga, Narasi Baru AI dan Web3
Kebangkitan AI generatif membawa kemungkinan baru bagi narasi baru Web3.
NFT: AI telah menyuntikkan kreativitas ke dalam NFT generatif, melalui teknologi AI yang dapat menghasilkan berbagai karya seni dan karakter yang unik dan beragam. NFT generatif ini dapat menjadi karakter, item, atau elemen adegan dalam permainan, dunia virtual, atau metaverse, seperti Bicasso yang dimiliki oleh Binance, di mana pengguna dapat mengunggah gambar dan memasukkan kata kunci untuk menghasilkan NFT setelah proses perhitungan AI. Proyek serupa lainnya termasuk Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: Dengan kemampuan generasi bahasa alami AI, generasi gambar, dan NPC cerdas, GameFi diharapkan dapat meningkatkan efisiensi dan inovasi dalam produksi konten permainan. Seperti AI Hero, permainan blockchain pertama di bawah Binaryx, pemain dapat menjelajahi berbagai pilihan alur cerita secara acak melalui AI; sama halnya dengan permainan pasangan virtual Sleepless AI, yang berbasis AIGC dan LLM, pemain dapat membuka gameplay yang dipersonalisasi melalui interaksi yang berbeda.
DAO: Saat ini, AI juga diperkirakan akan diterapkan dalam DAO untuk membantu melacak interaksi komunitas, mencatat kontribusi, memberikan penghargaan kepada anggota yang paling banyak berkontribusi, mewakili suara, dan lain-lain. Seperti ai16z yang memanfaatkan AI Agent untuk mengumpulkan informasi pasar secara on-chain dan off-chain, menganalisis konsensus komunitas, dan menggabungkan saran anggota DAO untuk mengambil keputusan investasi.
Makna kombinasi AI+Web3: Menara dan Lapangan
Di jantung kota Florence, Italia, terdapat tempat kegiatan politik terpenting di daerah tersebut dan pusat berkumpulnya warga serta wisatawan—Piazza della Signoria, di mana berdiri sebuah menara balai kota setinggi 95 meter. Menara tersebut dan kontras visual vertikal serta horizontal dengan piazza saling melengkapi, menciptakan efek estetika yang dramatis. Profesor sejarah dari Universitas Harvard, Niall Ferguson, terinspirasi oleh hal ini dan mengaitkannya dengan sejarah dunia jaringan dan hierarki dalam bukunya "The Square and the Tower", di mana keduanya mengalami pasang surut dalam aliran waktu.
Metafora yang luar biasa ini juga tidak asing ketika diterapkan pada hubungan antara AI dan Web3 saat ini. Dari sejarah hubungan jangka panjang dan non-linier antara keduanya, dapat dilihat bahwa alun-alun lebih mudah menghasilkan hal-hal baru yang lebih kreatif, tetapi menara tetap memiliki legitimasi dan daya hidup yang kuat.
Di bawah kemampuan perusahaan teknologi untuk mengelompokkan data daya energi secara tinggi, AI meledak dengan imajinasi yang belum pernah terjadi sebelumnya, perusahaan teknologi besar menginvestasikan banyak uang dan masuk ke dalam arena, dari berbagai chatbot hingga versi iterasi "model dasar besar" seperti GPT-4, GP4-4o yang muncul satu demi satu, robot pemrograman otomatis (Devin) dan Sora yang memiliki kemampuan awal untuk mensimulasikan dunia fisik nyata muncul, dan sebagainya, imajinasi AI diperluas tanpa batas.
Sementara itu, AI pada dasarnya adalah industri yang terpusat dan berskala besar, revolusi teknologi ini mendorong perusahaan teknologi yang sebelumnya secara bertahap menguasai kekuasaan struktural di "era internet" menuju puncak yang lebih sempit. Daya listrik yang besar, aliran kas yang dimonopoli, dan kumpulan data besar yang diperlukan untuk mendominasi era kecerdasan membentuk penghalang yang lebih tinggi bagi mereka.
Ketika menara semakin tinggi, para pembuat keputusan di balik layar semakin menyusut, konsentrasi AI membawa banyak risiko. Bagaimana orang-orang yang berkumpul di alun-alun bisa menghindari bayangan di bawah menara? Inilah masalah yang diharapkan dapat dipecahkan oleh Web3.
Pada dasarnya, sifat inheren dari blockchain memperkuat sistem kecerdasan buatan dan membawa kemungkinan baru, terutama:
Era kecerdasan buatan "kode adalah hukum" - menerapkan kontrak pintar dan verifikasi kripto untuk mewujudkan sistem transparan yang secara otomatis mengeksekusi aturan, dan memberikan penghargaan kepada kelompok yang lebih dekat dengan tujuan.
Ekonomi token - menciptakan dan mengoordinasikan perilaku peserta melalui mekanisme token, staking, pengurangan, hadiah token, dan hukuman.
Tata kelola terdesentralisasi — mendorong kita untuk mempertanyakan sumber informasi dan mendorong pendekatan yang lebih kritis dan berwawasan terhadap teknologi kecerdasan buatan, mencegah bias, informasi yang salah, dan manipulasi, akhirnya membina masyarakat yang lebih terinformasi dan berdaya.
Perkembangan AI juga membawa energi baru bagi Web3, mungkin pengaruh Web3 terhadap AI memerlukan pembuktian waktu, tetapi pengaruh AI terhadap Web3 terlihat dengan jelas: baik itu kegembiraan Meme maupun AI Agent yang membantu aplikasi di blockchain menurunkan hambatan penggunaan dapat dilihat.
Ketika Web3 didefinisikan sebagai kesenangan sekelompok kecil orang dan terjebak dalam keraguan terhadap replikasi industri tradisional, kehadiran AI membawa masa depan yang dapat diprediksi: kumpulan pengguna Web2 yang lebih stabil & lebih besar, serta model bisnis dan layanan yang lebih inovatif.
Kita hidup di dunia di mana "Menara dan Lapangan" coexist, meskipun AI dan Web3 memiliki garis waktu dan titik awal yang berbeda, tetapi tujuan akhirnya adalah bagaimana mesin dapat melayani manusia dengan lebih baik, tidak ada yang dapat mendefinisikan aliran sungai yang mengalir deras, kami berharap dapat melihat masa depan AI+Web3.