Dare un senso al fiorente ecosistema di intelligenza artificiale di Web3

In poco più di un anno dal debutto di ChatGPT, l'intelligenza artificiale generativa è probabilmente diventata la narrazione globale più influente oggi. Il successo iniziale di OpenAI ha spinto un'impennata di interesse degli investitori per i modelli linguistici di grandi dimensioni (LLM) e le applicazioni di intelligenza artificiale, attirando 25 miliardi di dollari di finanziamenti nel 2023 ((in aumento di 5 volte rispetto all'anno precedente!), alla ricerca di un'opportunità di mercato potenzialmente multimiliardaria.

Stai leggendo Cripto lunghe e corte, la nostra newsletter settimanale con approfondimenti, notizie e analisi per gli investitori professionali.Iscriviti quiper riceverlo nella tua casella di posta ogni mercoledì.

Come hoscritto in precedenza, le tecnologie AI e Cripto si completano bene a vicenda, quindi non sorprende vedere un crescente ecosistema AI emergere all'interno di Web3. Nonostante tutta l'attenzione, ho notato molta confusione su cosa fanno questi protocolli, cosa è hype vs. reale e come si adattano tutti insieme. Questo report delineerà la supply chain di Web3 AI, definirà ogni livello nello stack tecnologico ed esplorerà i vari scenari competitivi. Alla fine dovresti avere una comprensione di base di come funziona l'ecosistema e cosa cercare in seguito.

Stack tecnologico AI di Web3

Livello infrastrutturale

L'intelligenza artificiale generativa è alimentata da LLM, che funzionano su GPU ad alte prestazioni. Gli LLM hanno tre carichi di lavoro principali: formazione (creazione del modello), messa a punto (specializzazione di settore/argomento) e inferenza (esecuzione del modello). Ho segmentato questo livello in GPU per uso generale, GPU specifiche per ML e aggregatori GPU, che sono caratterizzati dalle loro diverse capacità di carico di lavoro e casi d'uso. Questi marketplace P2P sono incentivati dalle criptovalute per garantire una decentralizzazione sicura, ma è importante notare che l'elaborazione GPU effettiva avviene off-chain.

• GPU per uso generale:Mercati (decentralizzati) incentivati dalle criptovalute per la potenza di elaborazione GPU che può essere utilizzata per qualsiasi tipo di applicazione. Data la sua natura generica, la risorsa di elaborazione è più adatta solo per l'inferenza del modello (il carico di lavoro LLM più utilizzato). I primi leader di categoria includono Akash e Render, ma, con l'emergere di molti nuovi entranti, non è chiaro come si svolgerà la differenziazione del protocollo. Sebbene l'elaborazione sia tecnicamente una commodity, la domanda di Web3 per l'elaborazione senza autorizzazione e specifica per GPU dovrebbe continuare a crescere in modo esponenziale nel prossimo decennio e oltre, man mano che integriamo di più l'IA nella nostra vita quotidiana. I principali differenziatori a lungo termine saranno la distribuzione e gli effetti di rete.
• GPU specifica per ML:Questi marketplace sono più specifici per le applicazioni di machine learning (ML) e possono quindi essere utilizzati per l'addestramento di modelli, la messa a punto e l'inferenza. A differenza dei marketplace generici, questi protocolli possono differenziarsi meglio attraverso la sovrapposizione di software specifici per ML, ma anche la distribuzione e gli effetti di rete saranno fondamentali. Bittensor ha un vantaggio iniziale, ma molti progetti saranno lanciati presto.
• Aggregatori GPU:Questi marketplace aggregano la fornitura di GPU dalle due categorie precedenti, astraggono l'orchestrazione di rete e la sovrapposizione con software specifico per ML. Sono come i VAR (rivenditori a valore aggiunto) Web2 e possono essere considerati distributori di prodotti. Questi protocolli offrono soluzioni GPU più complete in grado di eseguire training di modelli, messa a punto e inferenza.Io.netè il primo protocollo ad emergere nella categoria, ma mi aspetto che emergano altri concorrenti data la necessità di una distribuzione GPU più consolidata.

Livello di middleware

Il livello precedente consente l'accesso senza autorizzazione alle GPU, ma è necessario un middleware per connettere questa risorsa di elaborazione a smart contract on-chain in modo da minimizzare la fiducia (ad esempio, per l'uso da parte di applicazioni Web3). Entrano le zero-knowledge proof (ZKP), un metodo crittografico tramite il quale ONE parte (dimostratore) può dimostrare a un'altra parte (verificatore) che una determinata affermazione è vera, evitando al contempo di trasmettere al verificatore qualsiasi informazione che vada oltre il fatto della verità dell'affermazione. Nel nostro caso, l'"affermazione" è l'output LLM dato un input specifico.

• Verifica dell'inferenza a conoscenza zero (ZK):Mercati decentralizzati per i verificatori ZKP per fare offerte sull'opportunità di verificare (a pagamento) che gli output di inferenza siano prodotti accuratamente dall'LLM desiderato (mantenendo privati ​​i dati e i parametri del modello). Sebbene la Tecnologie ZK abbia fatto molta strada, ZK per l'apprendimento automatico (zkML) è ancora agli inizi e deve diventare più economico e veloce per essere pratico. Quando lo farà, ha il potenziale per aprire drasticamente lo spazio di progettazione Web3 e AI, consentendo ai contratti intelligenti di accedere agli LLM in modo decentralizzato. Sebbene sia ancora agli inizi, =nil;, Giza e RISC Zero guidano l'attività degli sviluppatori su GitHub. Protocolli come Blockless sono ben posizionati indipendentemente dal fornitore ZKP che WIN poiché agiscono come livelli di aggregazione e astrazione (distribuzione ZKP).
• Strumenti per sviluppatori e hub applicativi:Oltre agli ZKP, gli sviluppatori Web3 necessitano di strumenti, kit di sviluppo software (SDK) e servizi per creare in modo efficiente applicazioni come gli agenti AI(entità software che eseguono operazioni per conto di un utente o di un altro programma con un certo grado di autonomia, utilizzando la rappresentazione degli obiettivi dell'utente)e strategie di trading automatizzate basate sull'intelligenza artificiale. Molti di questi protocolli fungono anche da hub applicativi, dove gli utenti possono accedere direttamente alle applicazioni finite che sono state create sulle loro piattaforme (distribuzione delle applicazioni). I primi leader includono Bittensor, che attualmente ospita 32 diverse "subnet" (applicazioni AI) eFetch.ai, che offre una piattaforma completa per lo sviluppo di agenti di intelligenza artificiale di livello aziendale.

Livello applicativo

E infine, in cima alla pila tecnologica, abbiamo applicazioni di interfaccia utente che sfruttano la potenza di elaborazione AI senza autorizzazione di Web3 (abilitata dai due livelli precedenti) per completare attività specifiche per una varietà di casi d'uso. Questa parte del mercato è ancora nascente e si basa ancora su infrastrutture centralizzate, ma i primi esempi includono auditing di contratti intelligenti, chatbot specifici per blockchain, giochi metaverse, generazione di immagini e piattaforme di trading e gestione del rischio. Man mano che l'infrastruttura sottostante continua ad avanzare e gli ZKP maturano, emergeranno applicazioni AI di nuova generazione con funzionalità difficili da immaginare oggi. Non è chiaro se i primi entranti saranno in grado di KEEP il passo o se nuovi leader emergeranno nel 2024 e oltre.

Prospettive degli investitori:Sebbene io sia ottimista sull'intero stack tecnologico dell'IA, credo che i protocolli infrastrutturali e middleware siano investimenti migliori oggi, data l'incertezza su come la funzionalità dell'IA evolverà nel tempo. In qualunque modo si evolva, le applicazioni Web3 AI richiederanno senza dubbio un'enorme potenza GPU, Tecnologie ZKP e strumenti e servizi per sviluppatori (ad esempio infrastruttura e middleware).

Dichiarazione informativa:M31 Capital detiene posizioni in diversi token menzionati in questo articolo.