TL;DR:

• KI-Konzept Web3-Projekte sind zu attraktiven Investitionszielen auf den Primär- und Sekundärmärkten geworden.
• Die Möglichkeiten für Web3 in der KI-Branche liegen darin, verteilte Anreize zur Koordination des potenziellen Angebots im Long Tail zu nutzen - über Daten, Speicherung und Berechnung hinweg; gleichzeitig ein Open-Source-Modell und einen dezentralen Markt für KI-Agenten zu etablieren.
• Künstliche Intelligenz spielt eine Schlüsselrolle in der Web3-Industrie, hauptsächlich in der On-Chain-Finanzierung (Kryptowährungszahlungen, Handel, Datenanalyse) und Entwicklungshilfe.
• Die Nützlichkeit von AI+Web3 liegt in der Ergänzung der beiden: Web3 soll der Zentralisierung von AI entgegenwirken, und AI soll Web3 helfen, sich aus der Begrenzung zu befreien.

Einführung

In den letzten zwei Jahren hat sich die Entwicklung von KI beschleunigt, wie ein Schmetterlingseffekt, der durch Chatgpt ausgelöst wurde, der nicht nur eine neue Welt der generativen künstlichen Intelligenz eröffnet, sondern auch einen Trend im fernen Web3 auslöst.

Mit dem Segen des KI-Konzepts wurde die Finanzierung des Kryptowährungsmarktes im Vergleich zur Verlangsamung erheblich gesteigert. Laut Medienstatistiken haben im ersten Halbjahr 2024 insgesamt 64 Web3+AI-Projekte die Finanzierung abgeschlossen, und das KI-basierte Betriebssystem Zyber365 erzielte im Rahmen der Serie A die höchste Finanzierungssumme von 100 Millionen US-Dollar.

Der Sekundärmarkt ist vielversprechender, und Daten der verschlüsselten Aggregationswebsite Coingecko zeigen, dass der Gesamtmarktwert der KI-Spur in etwas mehr als einem Jahr 485 Milliarden US-Dollar erreicht hat, mit einem Handelsvolumen von fast 86 Milliarden US-Dollar in 24 Stunden; die offensichtlichen Vorteile des Mainstream-KI-Technologiefortschritts, nach der Veröffentlichung des Sora-Text-zu-Video-Modells von OpenAI stieg der durchschnittliche Preis des KI-Sektors um 151%; der KI-Effekt strahlte auch auf einen der kryptowährungsgoldabsorbierenden Sektoren Meme aus: das erste KI-Agentenkonzept MemeCoin - GOAT wurde schnell beliebt und erreichte eine Bewertung von 1,4 Milliarden US-Dollar, was erfolgreich die KI-Meme-Hysterie auslöste.

Die Forschung und Themen rund um KI+Web3 sind gleichermaßen heiß. Von KI+Depin über KI Memecoin bis hin zum aktuellen KI-Agenten und KI-DAO ist das FOMO-Gefühl bereits hinter der Geschwindigkeit der neuen narrativen Rotation zurückgefallen.

AI+Web3, diese Kombination von Begriffen, die voll von heißem Geld, Trends und zukünftigen Fantasien sind, wird zwangsläufig als eine von Kapital arrangierte Ehe angesehen. Es scheint schwierig für uns zu sein, zu unterscheiden, ob es das Spielfeld der Spekulanten oder der Morgen vor dem Morgengrauen unter diesem prächtigen Gewand ist.

Um diese Frage zu beantworten, ist für beide Parteien eine wichtige Überlegung, ob die andere besser wird? Können sie von den Mustern des anderen profitieren? In diesem Artikel versuchen wir auch, diese Situation aus der Perspektive zu untersuchen, auf den Schultern der Vorgänger zu stehen: Wie kann Web3 eine Rolle in verschiedenen Aspekten des KI-Technologiestapels spielen und welche neue Vitalität kann KI Web3 bringen?

Welche Möglichkeiten bietet Web3 unter dem AI-Stack?

Bevor wir uns mit diesem Thema befassen, müssen wir den technischen Stack großer KI-Modelle verstehen:

Bildquelle: Delphi Digital

In einfacheren Worten ist das „große Modell“ wie das menschliche Gehirn. In den frühen Stadien ist dieses Gehirn wie ein neugeborenes Baby, das gerade in die Welt gekommen ist und große Mengen externer Informationen beobachten und aufnehmen muss, um die Welt zu verstehen. Dies ist die „Sammlungs“-Phase von Daten; da Computer nicht über mehrere Sinne wie Menschen verfügen, muss vor dem Training die umfangreiche nicht annotierte externe Information „vorverarbeitet“ werden, um in ein Format transformiert zu werden, das Computer verstehen und verwenden können.

Nach Eingabe von Daten konstruiert KI ein Modell, das die Fähigkeit besitzt, durch 'Training' zu verstehen und vorherzusagen, was als der Prozess angesehen werden kann, in dem ein Baby allmählich die äußere Welt versteht und lernt. Die Parameter des Modells sind wie die Sprachfähigkeit, die ein Baby kontinuierlich während des Lernprozesses anpasst. Wenn der Lerninhalt zu spezialisieren beginnt oder wenn es Rückmeldungen von der Interaktion mit Menschen erhält und Korrekturen vornimmt, tritt es in die 'Feinabstimmung' großer Modelle ein.

Wenn Kinder aufwachsen und sprechen lernen, können sie Bedeutungen verstehen und ihre Gefühle und Gedanken in neuen Gesprächen ausdrücken, was ähnlich ist wie die 'Inferenz' großer KI-Modelle. Das Modell kann neue Sprache und Texteingaben vorhersagen und analysieren. Babys drücken ihre Gefühle aus, beschreiben Objekte und lösen verschiedene Probleme durch sprachliche Fähigkeiten, was auch ähnlich ist wie die Anwendung großer KI-Modelle in verschiedenen spezifischen Aufgaben während der Inferenzphase nach Abschluss des Trainings, wie z.B. Bildklassifizierung, Spracherkennung, etc.

Während der KI-Agent der nächsten Form großer Modelle näher kommt - in der Lage ist, Aufgaben eigenständig auszuführen und komplexe Ziele zu verfolgen, nicht nur über Denkfähigkeiten verfügt, sondern auch in der Lage ist, zu memorieren, zu planen und mit der Welt unter Verwendung von Werkzeugen zu interagieren.

Derzeit werden die Schmerzpunkte der KI in verschiedenen Stapeln angegangen. Web3 hat zunächst ein mehrschichtiges, miteinander verbundenes Ökosystem gebildet, das verschiedene Phasen der KI-Modellprozesse abdeckt.

Erstens Basisschicht: Airbnb der Rechenleistung und Daten

Rechenleistung

Aktuell gehört einer der höchsten Kosten von KI zur Rechenleistung und Energie, die für das Training von Modellen und Inferenzmodellen benötigt wird.

Ein Beispiel ist, dass Meta's LLAMA3 16.000 H100GPUs von NVIDIA (eine Top-Grafikprozessoreinheit, die speziell für künstliche Intelligenz und High-Performance-Computing-Workloads entwickelt wurde) benötigt, um das Training in 30 Tagen abzuschließen. Die 80-GB-Version letzterer wird zwischen $30.000 und $40.000 gehandelt und erfordert eine Hardwareinvestition von $4-7 Milliarden (GPU + Netzwerkchips). Darüber hinaus verbraucht das monatliche Training 16 Milliarden Kilowattstunden und verursacht Energiekosten von fast $20 Millionen pro Monat.

Für die Entkomprimierung der KI-Rechenleistung handelt es sich auch um das früheste Feld, in dem sich Web3 mit KI überschneidet - DePin (dezentrales physisches Infrastrukturnetzwerk). Derzeit hat die DePin Ninja-Datenwebsite mehr als 1400 Projekte angezeigt, darunter GPU-Rechenleistungsrepräsentationsprojekte wie io.net, Aethir, Akash, Render Network und so weiter.

Die Hauptlogik lautet: Die Plattform ermöglicht es Einzelpersonen oder Unternehmen mit ungenutzten GPU-Ressourcen, ihre Rechenleistung dezentral ohne Genehmigung beizusteuern, indem sie die Nutzung unterausgelasteter GPU-Ressourcen über einen Online-Marktplatz erhöht, der Käufern und Verkäufern ähnelt, wie bei Uber oder Airbnb, wodurch Endbenutzer kostengünstigere und effizientere Rechenressourcen erhalten; gleichzeitig gewährleistet der Staking-Mechanismus auch, dass Ressourcenanbieter bei Verstößen gegen Qualitätskontrollmechanismen oder Netzwerkunterbrechungen entsprechende Strafen erhalten.

Seine Funktionen sind:

• Pooling ungenutzter GPU-Ressourcen: Die Lieferanten sind hauptsächlich unabhängige Drittanbieter von kleinen und mittelgroßen Rechenzentren, überschüssige Rechenleistungsressourcen von Betreibern wie verschlüsselten Minen und Mining-Hardware mit PoS-Konsensmechanismen, wie z.B. FileCoin- und ETH-Minern. Derzeit gibt es auch Projekte, die sich darauf spezialisiert haben, Geräte mit niedrigeren Einstiegshürden auf den Markt zu bringen, wie z.B. Exolab, das lokale Geräte wie MacBook, iPhone, iPad nutzt, um ein Rechenleistungsnetzwerk zur Ausführung von groß angelegten Modellinferenzen aufzubauen.
• Vor dem Long-Tail-Markt der KI-Computing-Leistung: a. „In technologischer Hinsicht“ ist der dezentralisierte Computing-Leistungsmarkt eher für Schritte des Denkens geeignet. Das Training basiert mehr auf der Datenverarbeitungsfähigkeit, die durch den supergroßen Cluster-Maßstab GPU bereitgestellt wird, während das Denken relativ gering in der GPU-Computing-Performance ist, wie z.B. Aethir, das sich auf Rendering-Arbeiten mit geringer Latenz und KI-Inferenzanwendungen konzentriert. b. „In Bezug auf die Nachfrage“ werden kleine und mittelständische Computing-Leistungsanbieter ihre eigenen großen Modelle nicht individuell trainieren, sondern nur die Optimierung und Feinabstimmung um einige Hauptmodelle herum wählen, und diese Szenarien sind natürlich für verteilte ungenutzte Computing-Leistungsressourcen geeignet.
• Dezentraler Besitz: Die technologische Bedeutung von Blockchain besteht darin, dass Ressourcenbesitzer immer die Kontrolle über ihre Ressourcen behalten, diese flexibel an die Nachfrage anpassen und gleichzeitig profitieren.

Daten

Daten sind die Grundlage von KI. Ohne Daten ist die Berechnung nutzlos, und die Beziehung zwischen Daten und Modellen ist wie das Sprichwort 'Müll rein, Müll raus'. Die Menge und Qualität der Daten bestimmen die Ausgabequalität des endgültigen Modells. Für das Training aktueller KI-Modelle bestimmen Daten die Sprachfähigkeit, das Verständnisvermögen und sogar die Werte und die humanisierte Leistung des Modells. Derzeit konzentriert sich das Datenbedarfsdilemma von KI hauptsächlich auf die folgenden vier Aspekte:

• Datenhunger: Das Training von KI-Modellen ist stark von großen Mengen an Eingabedaten abhängig. Öffentliche Informationen zeigen, dass die Anzahl der Parameter für das Training von GPT-4 durch OpenAI die Billionen-Marke erreicht hat.
• Datenqualität: Durch die Kombination von KI und verschiedenen Branchen wurden neue Anforderungen an die Aktualität, Vielfalt, Professionalität branchenspezifischer Daten und die Erfassung aufkommender Datenquellen wie Stimmungen in sozialen Medien gestellt.
• Datenschutz- und Compliance-Probleme: Derzeit erkennen verschiedene Länder und Unternehmen allmählich die Bedeutung von hochwertigen Datensätzen und verhängen Beschränkungen für das Durchsuchen von Daten.
• Hohe Datenverarbeitungskosten: große Datenmengen, komplexe Verarbeitung. Öffentliche Informationen zeigen, dass über 30% der AI-Unternehmen für Forschung und Entwicklung für grundlegende Datensammlung und -verarbeitung verwendet werden.

Derzeit spiegelt sich die Lösung von Web3 in den folgenden vier Aspekten wider:

1. Datensammlung: Die frei verfügbaren realen Daten zum Scraping werden schnell knapp, und die Ausgaben von KI-Unternehmen für Daten steigen von Jahr zu Jahr. Diese Ausgaben wurden jedoch bisher nicht an die tatsächlichen Datenbeiträger zurückgegeben; Plattformen haben vollständig von der durch die Daten geschaffenen Wertschöpfung profitiert, wie zum Beispiel Reddit, das insgesamt 203 Millionen US-Dollar durch Datenlizenzvereinbarungen mit KI-Unternehmen generiert hat.

Die Vision von Web3 besteht darin, Benutzern zu ermöglichen, die wirklich einen Beitrag leisten, auch an der Wertschöpfung durch Daten teilzuhaben und Benutzern auf kostengünstige Weise mehr persönliche und wertvolle Daten durch verteilte Netzwerke und Anreizmechanismen zu erhalten.

• Da Grass eine dezentrale Datenebene und ein Netzwerk ist, können Benutzer Echtzeitdaten aus dem gesamten Internet erfassen, indem sie Grass-Knoten ausführen, ungenutzte Bandbreite bereitstellen und den Datenverkehr weiterleiten, um Token-Belohnungen zu erhalten;
• Vana führt ein einzigartiges Konzept des Data Liquidity Pool (DLP) ein, bei dem Benutzer ihre privaten Daten (wie Einkaufsprotokolle, Surfverhalten, soziale Medienaktivitäten usw.) in einem spezifischen DLP hochladen können und selektiv wählen können, ob sie diese Daten für spezifische Drittanbieter autorisieren möchten;
• In PublicAI können Benutzer #AI oder #Web3 als Klassifizierungsmarkierungen auf X verwenden@PublicAIDie Datensammlung kann erreicht werden.

2. Datenverarbeitung: Bei der Datenverarbeitung von KI ist es erforderlich, die gesammelten Daten aufgrund von Störungen und Fehlern zu bereinigen und in ein verwendbares Format umzuwandeln, bevor das Modell trainiert wird. Dies umfasst repetitive Aufgaben wie Standardisierung, Filterung und Umgang mit fehlenden Werten. Diese Phase ist einer der wenigen manuellen Prozesse in der KI-Branche, die die Branche der Datenanotatoren hervorgebracht hat. Mit steigenden Anforderungen des Modells an die Datenqualität steigt auch die Schwelle für Datenanotatoren. Diese Aufgabe eignet sich natürlich für den dezentralen Anreizmechanismus von Web3.

• Derzeit erwägen Grass und OpenLayer beide, die Datenannotation als wichtigen Schritt hinzuzufügen.
• Synesis schlug das Konzept von 'Train2earn' vor, das die Datenqualität betont, wobei Benutzer belohnt werden können, indem sie annotierte Daten, Kommentare oder andere Formen von Eingaben bereitstellen.
• Das Datenbeschriftungsprojekt Sapien gamifiziert die Beschriftungsaufgaben und ermöglicht es den Benutzern, Punkte zu setzen, um mehr Punkte zu verdienen.

3. Datenschutz und Sicherheit: Es muss klargestellt werden, dass Datenschutz und Sicherheit zwei verschiedene Konzepte sind. Datenschutz betrifft den Umgang mit sensiblen Daten, während Datensicherheit Informationen vor unbefugtem Zugriff, Zerstörung und Diebstahl schützt. Als Ergebnis spiegeln sich die Vorteile und potenziellen Anwendungsszenarien von Web3-Privatsphäretechnologien in zwei Aspekten wider: (1) Schulung sensibler Daten; (2) Datenkollaboration: Mehrere Datenbesitzer können gemeinsam an der KI-Schulung teilnehmen, ohne ihre Originaldaten zu teilen.

Gängige Datenschutztechnologien in Web3 umfassen derzeit:

• Vertrauenswürdige Ausführungsumgebung (TEE), wie Super Protocol;
• Vollständig homomorphe Verschlüsselung (FHE), wie BasedAI, Fhenix.io oder Inco Network;
• Zero-Knowledge-Technologie (zk), wie zum Beispiel das Reclaim-Protokoll, das die zkTLS-Technologie verwendet, generiert Zero-Knowledge-Beweise des HTTPS-Verkehrs, die es Benutzern ermöglichen, Aktivitäts-, Reputations- und Identitätsdaten von externen Websites sicher zu importieren, ohne sensible Informationen preiszugeben.

Jedoch befindet sich das Feld noch in seinen Anfängen, mit den meisten Projekten noch in der Erforschung. Aktuell besteht eines der Dilemmas darin, dass die Rechenkosten zu hoch sind, wobei einige Beispiele sind:

• Das zkML-Framework EZKL benötigt etwa 80 Minuten, um einen Beweis für ein 1M-NanoGPT-Modell zu generieren.
• Laut den Daten von Modulus Labs ist der Overhead von zkML mehr als 1000 Mal höher als reine Berechnung.

4. Datenspeicherung: Nach dem Erhalt der Daten ist es notwendig, einen Ort zum Speichern der Daten in der Kette zu haben und die von den Daten generierten LLM zu verwenden. Bei der Datenverfügbarkeit (DA) als Kernproblem betrug die Durchsatzrate vor dem Ethereum Danksharding-Upgrade 0,08 MB. Gleichzeitig erfordern das Training und die Echtzeit-Inferenz von KI-Modellen in der Regel eine Daten-Durchsatzrate von 50 bis 100 GB pro Sekunde. Dieser Größenordnungsunterschied macht vorhandene On-Chain-Lösungen unzureichend, wenn es um 'ressourcenintensive KI-Anwendungen' geht.

• 0g.AI ist ein repräsentatives Projekt in dieser Kategorie. Es handelt sich um eine zentralisierte Speicherlösung, die für High-Performance-KI-Anforderungen konzipiert ist, mit Schlüsselfunktionen wie hoher Leistung und Skalierbarkeit, Unterstützung schneller Uploads und Downloads von groß angelegten Datensätzen durch fortschrittliche Sharding- und Erasure-Coding-Technologien, wobei Datenübertragungsgeschwindigkeiten von bis zu 5 GB pro Sekunde erreicht werden.

Zwei, Middleware: Training und Inferenz des Modells

Open-Source-Modell dezentraler Markt

Die Debatte darüber, ob KI-Modelle open source oder closed source sein sollten, hat nie aufgehört. Die kollektive Innovation, die durch open source entsteht, ist ein Vorteil, den geschlossene Modelle nicht erreichen können. Wie können open source-Modelle jedoch unter der Voraussetzung eines Non-Profit-Modells die Motivation der Entwickler steigern? Dies ist eine Richtung, über die es sich lohnt, nachzudenken. Der Gründer von Baidu, Robin Li, behauptete im April dieses Jahres: „Open-Source-Modelle werden immer mehr zurückfallen.“

In diesem Zusammenhang schlägt Web3 die Möglichkeit eines dezentralen Open-Source-Modellmarktes vor, nämlich die Tokenisierung des Modells selbst, die Reservierung eines bestimmten Anteils an Tokens für das Team und die Weiterleitung eines Teils des zukünftigen Einkommens des Modells an Token-Inhaber.

• Das Bittensor-Protokoll etabliert ein Open-Source-Modell eines P2P-Marktes, bestehend aus Dutzenden von 'Subnetzen', in denen Ressourcenanbieter (Rechenleistung, Datensammlung/-speicherung, maschinelles Lernen) miteinander konkurrieren, um die Ziele spezifischer Subnetzbesitzer zu erreichen. Die Subnetze können miteinander interagieren und voneinander lernen, um so eine größere Intelligenz zu erreichen. Belohnungen werden durch Community-Abstimmung verteilt und basierend auf der Wettbewerbsleistung unter den Subnetzen weiter zugeteilt.
• ORA introduces the concept of Initial Model Offering (IMO), tokenizing AI models for purchase, sale, and development on decentralized networks.
• Sentient, eine dezentralisierte AGI-Plattform, motiviert Menschen zur Zusammenarbeit, zum Aufbau, zur Replikation und Erweiterung von KI-Modellen und belohnt Beitragende.
• Spectral Nova konzentriert sich auf die Erstellung und Anwendung von KI- und ML-Modellen.

Überprüfbare Inferenz

Für das 'Black-Box'-Dilemma im Argumentationsprozess von KI besteht die Standard-Web3-Lösung darin, dass mehrere Validatoren dieselbe Operation wiederholen und die Ergebnisse vergleichen. Aufgrund des aktuellen Mangels an hochwertigen 'Nvidia-Chips' ist die offensichtliche Herausforderung, der sich dieser Ansatz gegenübersieht, die hohe Kosten der KI-Argumentation.

Eine vielversprechendere Lösung besteht darin, ZK-Beweise für Off-Chain-KI-Inferenzberechnungen durchzuführen, bei denen ein Beweiser einem anderen Verifizierer nachweisen kann, dass eine gegebene Aussage wahr ist, ohne zusätzliche Informationen preiszugeben, außer dass die Aussage wahr ist, was eine verlustfreie Verifizierung von KI-Modellberechnungen On-Chain ermöglicht. Dies erfordert den Nachweis On-Chain auf verschlüsselte Weise, dass Off-Chain-Berechnungen korrekt abgeschlossen wurden (z.B. dass der Datensatz nicht manipuliert wurde), während sichergestellt wird, dass alle Daten vertraulich bleiben.

Die Hauptvorteile sind:

• Skalierbarkeit: Nullwissensbeweise können eine große Anzahl an Off-Chain-Berechnungen schnell bestätigen. Selbst wenn die Anzahl der Transaktionen zunimmt, kann ein einziger Nullwissensbeweis alle Transaktionen überprüfen.
• Datenschutz: Detaillierte Informationen zu Daten und KI-Modellen werden vertraulich behandelt, während alle Beteiligten überprüfen können, ob die Daten und Modelle nicht manipuliert wurden.
• Kein Vertrauen nötig: Sie können die Berechnung bestätigen, ohne sich auf zentrale Parteien verlassen zu müssen.
• Web2-Integration: Nach Definition ist Web2 off-chain integriert, was bedeutet, dass überprüfbare Argumentation dazu beitragen kann, seine Datensätze und KI-Berechnungen auf die Kette zu bringen. Dies trägt zur Verbesserung der Akzeptanz von Web3 bei.

Derzeit lautet die überprüfbare Technologie für nachvollziehbare Argumentation von Web3 wie folgt:

• ZKML: Kombiniert Zero-Knowledge-Beweis mit maschinellem Lernen, um die Privatsphäre und Vertraulichkeit von Daten und Modellen zu gewährleisten, wodurch überprüfbare Berechnungen ohne Offenlegung bestimmter zugrunde liegender Eigenschaften ermöglicht werden. Modulus Labs hat einen ZK-Beweiser auf Basis von ZKML veröffentlicht, um KI aufzubauen, um effektiv zu überprüfen, ob KI-Anbieter in der Kette Algorithmen korrekt ausgeführt manipulieren, aber derzeit sind die Kunden hauptsächlich On-Chain-DApps.
• opML: Unter Verwendung des optimistischen Aggregationsprinzips, durch Überprüfung der Zeit des Streitfalls, Verbesserung der Skalierbarkeit und Effizienz von ML-Berechnungen, muss in diesem Modell nur ein kleiner Teil der Ergebnisse, die vom 'Validator' erzeugt werden, überprüft werden, aber die wirtschaftliche Kostenreduktion ist hoch genug eingestellt, um die Betrugskosten der Validatoren zu erhöhen und überflüssige Berechnungen zu sparen.
• TeeML: Verwenden Sie vertrauenswürdige Ausführungsumgebungen, um ML-Berechnungen sicher auszuführen und Daten sowie Modelle vor Manipulation und unbefugtem Zugriff zu schützen.

Drei, Anwendungsschicht: KI-Agent

Die aktuelle Entwicklung der KI hat bereits gezeigt, dass der Fokus von Modellfähigkeiten auf die Landschaft der KI-Agenten verschoben wird. Technologieunternehmen wie OpenAI, das KI-Einhorn Anthropic, Microsoft usw., wenden sich der Entwicklung von KI-Agenten zu, um zu versuchen, den aktuellen technischen Stillstand von LLM zu überwinden.

OpenAI definiert KI-Agent als ein System, das von LLM als sein Gehirn gesteuert wird, die Fähigkeit hat, autonom Wahrnehmung zu verstehen, zu planen, sich zu erinnern und Werkzeuge zu benutzen, und komplexe Aufgaben automatisch abschließen kann. Wenn KI von einem Werkzeug, das verwendet wird, zu einem Subjekt, das Werkzeuge verwenden kann, übergeht, wird sie zu einem KI-Agenten. Das ist auch der Grund, warum KI-Agenten die idealsten intelligenten Assistenten für Menschen werden können.

Was kann Web3 Agent bringen?

1. Dezentralisierung
Die Dezentralisierung von Web3 kann das Agentensystem noch dezentralisierter und autonomer machen. Anreiz- und Strafmechanismen für Staker und Delegierte können die Demokratisierung des Agentensystems fördern, wobei GaiaNet, Theoriq und HajimeAI alle versuchen, dies zu tun.

2, Kaltstart
Die Entwicklung und Iteration von KI-Agenten erfordern oft eine große Menge finanzieller Unterstützung, und Web3 kann vielversprechenden KI-Agenten-Projekten helfen, Frühphasenfinanzierung und einen Kaltstart zu erhalten.

• Virtual Protocol startet die AI-Agenten-Erstellungs- und Token-Ausgabplattform fun.virtuals, auf der jeder Benutzer mit einem einzigen Klick AI-Agenten bereitstellen und eine zu 100 % faire Verteilung von AI-Agenten-Token erreichen kann.
• Spectral hat ein Produktkonzept vorgeschlagen, das die Ausgabe von KI-Agentenvermögenswerten auf der Chain unterstützt: Die Ausgabe von Token durch IAO (Initial Agent Offering), KI-Agenten können direkt Mittel von Investoren erhalten und gleichzeitig ein Mitglied der DAO-Governance werden, um den Investoren die Möglichkeit zu bieten, an der Projektentwicklung teilzunehmen und zukünftige Gewinne zu teilen.

Wie befähigt KI Web3?

Die Auswirkungen von KI auf Web3-Projekte sind offensichtlich, da sie die Blockchain-Technologie durch die Optimierung von On-Chain-Operationen (wie die Ausführung von Smart Contracts, die Liquiditätsoptimierung und KI-gesteuerte Governance-Entscheidungen) unterstützt. Gleichzeitig kann sie auch bessere datengesteuerte Einblicke bieten, die Sicherheit der On-Chain verbessern und die Grundlage für neue Web3-basierte Anwendungen legen.

Eins, KI und On-Chain-Finanzwesen

Künstliche Intelligenz und Kryptowirtschaft

Am 31. August kündigte der CEO von Coinbase, Brian Armstrong, die erste verschlüsselte KI-zu-KI-Transaktion im Base-Netzwerk an und erklärte, dass KI-Agenten jetzt mit Menschen, Händlern oder anderen KIs auf Base mit USD handeln können, wobei die Transaktionen sofortig, global und kostenlos sind.

Neben Zahlungen zeigte Virtuals Protocol's Luna erstmals, wie KI-Agenten autonom On-Chain-Transaktionen ausführen, Aufmerksamkeit erregen und KI-Agenten als intelligente Entitäten positionieren, die in der Lage sind, die Umgebung wahrzunehmen, Entscheidungen zu treffen und Maßnahmen zu ergreifen, und damit als die Zukunft der On-Chain-Finanzierung angesehen werden. Derzeit sind die potenziellen Szenarien für KI-Agenten wie folgt:

1. Informationssammlung und Vorhersage: Unterstützung von Investoren bei der Sammlung von Börsenankündigungen, öffentlichen Projektdaten, Panikemotionalitäten, öffentlichen Meinungsrisiken usw., Analyse und Bewertung von Vermögensgrundlagen, Marktbedingungen in Echtzeit und Vorhersage von Trends und Risiken.

2. Asset Management: Bieten Sie Benutzern geeignete Anlageziele, optimieren Sie die Vermögensallokation und führen Sie Trades automatisch aus.

3. Finanzerfahrung: Hilft Investoren, die schnellste On-Chain-Handelsmethode auszuwählen, automatisiert manuelle Vorgänge wie Cross-Chain-Transaktionen und die Anpassung von Gasgebühren, verringert die Schwelle und die Kosten für On-Chain-Finanzaktivitäten.

Stellen Sie sich folgendes Szenario vor: Sie geben dem KI-Agenten folgende Anweisung: "Ich habe 1000USDT, bitte helfen Sie mir, die höchste Renditekombination mit einer Sperrfrist von höchstens einer Woche zu finden." Der KI-Agent wird den folgenden Rat geben: "Ich schlage eine anfängliche Aufteilung von 50 % in A, 20 % in B, 20 % in X und 10 % in Y vor. Ich werde die Zinssätze überwachen und Änderungen in ihren Risikolevels beobachten und bei Bedarf neu ausbalancieren." Darüber hinaus sind zukünftige Aktionen des KI-Agenten wie die Suche nach potenziellen Airdrop-Projekten und beliebten Community-Signalen von Memecoin-Projekten alle möglich.

Bildquelle: Biconomy

Derzeit machen KI-Agenten Geldbörsen Bitte und KI-Interaktionsprotokoll Wayfinder solche Versuche. Sie alle versuchen, auf die Modell-API von OpenAI zuzugreifen, um Benutzern zu erlauben, Agenten über eine Chatfensterschnittstelle ähnlich wie ChatGPT zu befehligen, verschiedene On-Chain-Operationen abzuschließen. Zum Beispiel zeigte der im April dieses Jahres von WayFinder veröffentlichte erste Prototyp vier grundlegende Operationen: Swap, Send, Bridge und Stake auf den Mainnets von Base, Polygon und Ethereum.

Der dezentralisierte Agentenplattform Morpheus unterstützt auch die Entwicklung solcher Agenten, wie von Biconomy gezeigt wird, was einen Prozess zeigt, bei dem keine Wallet-Berechtigungen erforderlich sind, um den KI-Agenten zu autorisieren, ETH gegen USDC zu tauschen.

KI und On-Chain-Transaktionssicherheit

In der Web3-Welt ist die Sicherheit von On-Chain-Transaktionen entscheidend. KI-Technologie kann verwendet werden, um die Sicherheit und den Datenschutz von On-Chain-Transaktionen zu verbessern, mit potenziellen Szenarien wie:

Handelsüberwachung: Echtzeit-Datentechnologie überwacht abnormale Handelsaktivitäten und bietet eine Echtzeit-Warninfrastruktur für Benutzer und Plattformen.

Risikoanalyse: Unterstützen Sie die Plattform bei der Analyse von Kundentransaktionsverhaltensdaten und bewerten Sie deren Risikostufe.

Zum Beispiel nutzt die Web3-Sicherheitsplattform SeQure KI, um bösartige Angriffe, betrügerisches Verhalten und Datenlecks zu erkennen und zu verhindern sowie Echtzeitüberwachung und Warnmechanismen bereitzustellen, um die Sicherheit und Stabilität von On-Chain-Transaktionen zu gewährleisten. Ähnliche Sicherheitstools umfassen KI-gesteuerte Sentinel.

Zweite, KI und On-Chain-Infrastruktur

KI und On-Chain-Daten

KI-Technologie spielt eine wichtige Rolle bei der Erfassung und Analyse von On-Chain-Daten, wie zum Beispiel:

• Web3 Analytics: eine KI-basierte Analyseplattform, die maschinelles Lernen und Datenanalysealgorithmen verwendet, um On-Chain-Daten zu sammeln, zu verarbeiten und zu analysieren.
• MinMax KI: Es bietet KI-basierte On-Chain-Datenanalysetools, um Benutzern zu helfen, potenzielle Marktmöglichkeiten und Trends zu entdecken.
• Kaito: Web3-Suchplattform basierend auf dem LLM-Suchmotor.
• Integriert mit ChatGPT sammelt und integriert es relevante Informationen, die auf verschiedenen Websites und Community-Plattformen verstreut sind, zur Darstellung.
• Ein weiteres Anwendungsszenario ist das Orakel, KI kann Preise von mehreren Quellen erhalten, um genaue Preisdaten bereitzustellen. Zum Beispiel verwendet Upshot KI, um die volatilen Preise von NFTs zu bewerten und bietet einen Fehler von 3-10% durch über hundert Millionen Auswertungen pro Stunde.

AI und Entwicklung&Audit

Kürzlich hat ein Web2 KI-Code-Editor namens Cursor viel Aufmerksamkeit in der Entwickler-Community auf sich gezogen. Auf seiner Plattform müssen Benutzer nur in natürlicher Sprache beschreiben, und Cursor kann automatisch entsprechenden HTML-, CSS- und JavaScript-Code generieren, was den Softwareentwicklungsprozess erheblich vereinfacht. Diese Logik gilt auch für die Verbesserung der Effizienz bei der Web3-Entwicklung.

Derzeit erfordert die Bereitstellung von Smart Contracts und DApps auf öffentlichen Chains in der Regel das Befolgen exklusiver Entwicklungssprachen wie Solidity, Rust, Move und so weiter. Die Vision neuer Entwicklungssprachen besteht darin, den Gestaltungsspielraum dezentraler Blockchains zu erweitern und sie besser für die DApp-Entwicklung geeignet zu machen. Angesichts des erheblichen Mangels an Web3-Entwicklern war die Entwicklerausbildung jedoch immer eine größere Herausforderung.

Derzeit können Szenarien der KI bei der Unterstützung der Web3-Entwicklung vorgestellt werden, darunter: automatische Codegenerierung, Smart-Vertragsprüfung und -testung, Bereitstellung und Wartung von DApps, intelligente Codevervollständigung, KI-Dialogantworten auf schwierige Entwicklungsfragen usw. Mit Hilfe von KI wird nicht nur die Entwicklungseffizienz und -genauigkeit verbessert, sondern auch die Programmierschwelle gesenkt, sodass Nicht-Programmierer ihre Ideen in praktische Anwendungen umsetzen können und so der Entwicklung dezentralisierter Technologien neue Vitalität verleihen.

Derzeit am auffälligsten ist eine Plattform zur ein-Klick-Bereitstellung von Token, wie zum Beispiel Clanker, ein KI-gesteuerter „Token-Bot“, der für schnelle DIY-Token-Bereitstellung konzipiert ist. Sie müssen Clanker nur am SocialFi-Protokoll Farcaster-Clients wie Warpcast oder Supercast markieren, ihm Ihre Token-Idee mitteilen, und er wird den Token für Sie auf der öffentlichen Chain Base starten.

Es gibt auch Vertragsentwicklungsplattformen wie Spectral, die eine Ein-Klick-Generierungs- und Bereitstellungsfunktion für Smart Contracts bieten, um die Schwelle für die Web3-Entwicklung zu senken und es sogar unerfahrenen Benutzern zu ermöglichen, Smart Contracts zu kompilieren und bereitzustellen.

In Bezug auf die Prüfung verwendet die Web3-Prüfplattform Fuzzland KI, um Prüfer bei der Überprüfung von Code-Schwachstellen zu unterstützen und natürliche Spracherklärungen für die Unterstützung von Prüfexperten bereitzustellen. Fuzzland verwendet auch KI, um natürliche Spracherklärungen für formale Spezifikationen und Vertragscode sowie einige Beispielscode zur Unterstützung von Entwicklern bei der Beurteilung potenzieller Probleme im Code bereitzustellen.

Drei, KI und Web3 Neue Erzählung

Der Aufstieg der generativen KI bringt neue Möglichkeiten in die neue Erzählung von Web3.

NFT: KI bringt Kreativität in generative NFTs ein. Durch KI-Technologie können verschiedene einzigartige und vielfältige Kunstwerke und Charaktere generiert werden. Diese generativen NFTs können in Spielen, virtuellen Welten oder Metaversen zu Charakteren, Requisiten oder Szenenelementen werden, wie z.B. Bicasso unter Binance, wo Benutzer NFTs generieren können, indem sie Bilder hochladen und Stichwörter zur KI-Berechnung eingeben. Ähnliche Projekte sind Solvo, Nicho, IgmnAI und CharacterGPT.

GameFi: Mit der natürlichen Sprachgenerierung, der Bildgenerierung und den intelligenten NPC-Fähigkeiten rund um KI soll GameFi die Effizienz und Innovation in der Produktion von Spielinhalten verbessern. Zum Beispiel ermöglicht Binaryx's erstes Chain-Spiel AI Hero den Spielern, durch KI-Zufälligkeit verschiedene Handlungsoptionen zu erkunden; ähnlich verhält es sich mit dem virtuellen Begleiterspiel Sleepless AI, bei dem die Spieler durch verschiedene Interaktionen basierend auf AIGC und LLM personalisierte Spielabläufe freischalten können.

DAO: Derzeit wird auch davon ausgegangen, dass KI auf DAOs angewendet wird, um die Interaktionen der Gemeinschaft zu verfolgen, Beiträge zu erfassen, die am meisten beitragenden Mitglieder zu belohnen, Stellvertreterabstimmungen usw. Durchzuführen. Beispielsweise verwendet ai16z KI-Agenten, um Marktinformationen on-chain und off-chain zu sammeln, die Konsens in der Gemeinschaft zu analysieren und Investitionsentscheidungen in Kombination mit Vorschlägen der DAO-Mitglieder zu treffen.

Die Bedeutung der AI+Web3-Integration: Tower und Square

Im Herzen von Florenz, Italien, liegt der zentrale Platz, der wichtigste politische Treffpunkt für Einheimische und Touristen. Hier steht ein 95 Meter hoher Stadthallenturm, der mit dem Platz einen dramatischen ästhetischen Effekt erzeugt und den Harvard-Universitätsprofessor für Geschichte Neil Ferguson inspiriert hat, die Weltgeschichte von Netzwerken und Hierarchien in seinem Buch 'Square and Tower' zu erforschen, indem er das Auf und Ab der beiden im Laufe der Zeit zeigt.

Dieses ausgezeichnete Metapher ist nicht fehl am Platz, wenn es auf die Beziehung zwischen KI und Web3 heute angewendet wird. Wenn man sich die langfristige, nicht-lineare historische Beziehung zwischen den beiden ansieht, kann man feststellen, dass Quadrate eher neue und kreative Dinge produzieren als Türme, aber Türme haben immer noch ihre Legitimität und starke Vitalität.

Mit der Fähigkeit, Energie-Computing-Power-Daten in Technologieunternehmen zu bündeln, hat KI eine beispiellose Vorstellungskraft entfesselt, die führende Technologieriesen dazu veranlasst hat, schwere Wetten abzuschließen und verschiedene Iterationen von verschiedenen Chatbots bis hin zu 'zugrunde liegenden großen Modellen' wie GPT-4, GP4-4o einzuführen. Ein automatischer Programmierroboter (Devin) und Sora, mit vorläufigen Fähigkeiten, die reale physische Welt zu simulieren, sind nacheinander aufgetaucht und haben die Vorstellungskraft der KI unendlich verstärkt.

Gleichzeitig ist KI im Wesentlichen eine groß angelegte und zentralisierte Branche, und diese technologische Revolution wird Technologieunternehmen, die allmählich strukturelle Dominanz im 'Internetzeitalter' erlangt haben, auf einen engeren Höhepunkt drängen. Die enorme Macht, der monopolistische Geldfluss und die riesigen Datensätze, die erforderlich sind, um das intelligente Zeitalter zu beherrschen, schaffen höhere Barrieren dafür.

Da der Turm immer höher wächst und die Entscheidungsträger hinter den Kulissen schrumpfen, birgt die Zentralisierung von KI viele versteckte Gefahren. Wie können die Massen auf dem Platz vermeiden, im Schatten des Turms zu stehen? Dies ist das Problem, das Web3 zu lösen hofft.

Im Wesentlichen verbessern die inhärenten Eigenschaften der Blockchain künstliche Intelligenzsysteme und eröffnen hauptsächlich neue Möglichkeiten:

• Im Zeitalter der künstlichen Intelligenz gilt: 'Code is Gate' – transparente Systeme, automatische Ausführungsregeln durch Smart Contracts und Verschlüsselungsverifizierung erreichen, um Belohnungen an ein Publikum näher am Ziel zu liefern.
• Token-Ökonomie - Schaffen und Koordinieren des Verhaltens der Teilnehmer durch Token-Mechanismus, Staking, Reduzierung, Token-Belohnungen und Strafen.
• Dezentrale Governance - fordert uns heraus, die Quellen von Informationen zu hinterfragen und einen kritischeren und aufschlussreicheren Ansatz zur Technologie der künstlichen Intelligenz zu fördern, um Voreingenommenheit, Fehlinformationen und Manipulation zu verhindern und letztendlich eine informiertere und gestärkte Gesellschaft zu fördern.

Die Entwicklung der KI hat auch neue Vitalität in Web3 gebracht, vielleicht braucht es Zeit, um den Einfluss von Web3 auf KI zu beweisen, aber der Einfluss von KI auf Web3 ist sofort spürbar: Ob es sich um den Hype von Meme oder den KI-Agenten handelt, der dazu beiträgt, die Einstiegshürde für On-Chain-Anwendungen zu senken, alles ist offensichtlich.

Wenn Web3 von einer kleinen Gruppe von Menschen als Selbstsucht definiert wird und zugleich Zweifel an der Nachahmung traditioneller Branchen bestehen, bringt die Hinzufügung von KI eine absehbare Zukunft: eine stabilere und skalierbarere Web2-Benutzerbasis, innovativere Geschäftsmodelle und Dienstleistungen.

Wir leben in einer Welt, in der 'Türme und Plätze' nebeneinander existieren, obwohl KI und Web3 unterschiedliche Zeitpläne und Ausgangspunkte haben. Ihr ultimatives Ziel ist jedoch, wie Maschinen besser den Menschen dienen können, und niemand kann einen reißenden Fluss definieren. Wir freuen uns darauf, die Zukunft von KI+Web3 zu sehen.

Erklärung:

1. Dieser Artikel stammt aus [TechFlow], das Urheberrecht liegt beim ursprünglichen Autor [Coinspire]，如对转载有异议，请联系 Gate Learn Team, das Team wird es so bald wie möglich gemäß den entsprechenden Verfahren bearbeiten.
2. Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten und Meinungen sind ausschließlich die des Autors und stellen keine Anlageberatung dar.
3. Der Artikel wird von dem Gate Learn-Team in andere Sprachen übersetzt, wenn nicht anders angegebenGate.ioUnter keinen Umständen dürfen die übersetzten Artikel kopiert, verteilt oder plagiiert werden.