TL;DR:

• Projetos Web3 baseados no conceito de IA tornaram-se alvos de investimento atraentes nos mercados primário e secundário.
• As oportunidades para a Web3 na indústria de IA residem em: usar incentivos distribuídos para coordenar o fornecimento potencial na long tail - através de dados, armazenamento e computação; enquanto isso, estabelecendo um modelo de código aberto e um mercado descentralizado para Agentes de IA.
• IA desempenha um papel fundamental na indústria Web3, principalmente em finanças on-chain (pagamentos em criptomoedas, negociação, análise de dados) e assistência ao desenvolvimento.
• A utilidade do AI+Web3 reside na complementaridade dos dois: espera-se que o Web3 contrarie a centralização do AI, e espera-se que o AI ajude o Web3 a se libertar do confinamento.

Introdução

Nos últimos dois anos, o desenvolvimento da IA foi acelerado, como um efeito borboleta instigado pelo Chatgpt, não apenas abrindo um novo mundo de inteligência artificial generativa, mas também agitando uma tendência na distante Web3.

Com a bênção do conceito de IA, o financiamento do mercado de criptomoedas foi significativamente impulsionado em comparação com a desaceleração. De acordo com estatísticas da mídia, somente no primeiro semestre de 2024, um total de 64 projetos Web3+IA completaram o financiamento, e o sistema operacional baseado em IA Zyber365 alcançou o maior valor de financiamento de 100 milhões de dólares americanos na rodada Série A.

O mercado secundário é mais próspero, e dados do site de agregação criptografado Coingecko mostram que em pouco mais de um ano, o valor de mercado total da pista de IA atingiu US$ 485 bilhões, com um volume de negociação de 24 horas de quase US$ 86 bilhões; os benefícios óbvios trazidos pelo progresso da tecnologia AI mainstream, após o lançamento do modelo de texto para vídeo do OpenAI, o preço médio do setor de AI subiu 151%; o efeito AI também se irradiou para um dos setores de absorção de ouro de criptomoeda Meme: o primeiro conceito de MemeCoin de Agente de IA - GOAT rapidamente se tornou popular e atingiu uma avaliação de US$ 1,4 bilhão, desencadeando com sucesso a loucura do Meme de AI.

As pesquisas e os temas sobre AI+Web3 estão igualmente quentes. De AI+Depin a AI Memecoin e ao atual AI Agent e AI DAO, a emoção do FOMO já ficou para trás em relação à velocidade da nova rotação narrativa.

IA+Web3, essa combinação de termos cheia de dinheiro quente, tendências e fantasias futuras, é inevitavelmente vista como um casamento arranjado pelo capital. Parece difícil para nós distinguir se é o terreno dos especuladores ou a véspera do amanhecer sob este manto magnífico.

Para responder a esta pergunta, uma consideração-chave para ambas as partes é se a outra se tornará melhor? Podem beneficiar dos padrões um do outro? Neste artigo, também tentamos examinar esta situação a partir da perspectiva de estar sobre os ombros dos predecessores: Como o Web3 pode desempenhar um papel em vários aspectos da pilha de tecnologia de IA, e que nova vitalidade a IA pode trazer para o Web3?

Quais oportunidades a Web3 tem sob o stack de IA?

Antes de nos aprofundarmos neste tópico, precisamos entender o conjunto técnico dos grandes modelos de IA:

Fonte da imagem: Delphi Digital

Em termos mais simples, o “grande modelo” é como o cérebro humano. Nas fases iniciais, este cérebro é como um recém-nascido que acabou de chegar ao mundo, precisando observar e absorver vastas quantidades de informações externas para entender o mundo. Esta é a fase de “coleta” de dados; uma vez que os computadores não possuem múltiplos sentidos como os humanos, antes do treinamento, as vastas quantidades de informações externas não anotadas em grande escala precisam ser “pré-processadas” para serem transformadas em um formato que os computadores possam entender e usar.

Após a entrada de dados, a IA constrói um modelo que tem a capacidade de entender e prever por meio do ‘treinamento’, que pode ser visto como o processo de um bebê gradualmente entendendo e aprendendo sobre o mundo externo. Os parâmetros do modelo são como a capacidade de linguagem que um bebê ajusta continuamente durante o processo de aprendizagem. Quando o conteúdo de aprendizagem começa a se especializar, ou quando recebe feedback ao interagir com as pessoas e faz correções, ele entra na fase de ‘ajuste fino’ de modelos grandes.

À medida que as crianças crescem e aprendem a falar, elas podem entender significados e expressar seus sentimentos e pensamentos em novas conversas, o que é semelhante à ‘inferência’ dos grandes modelos de IA. O modelo pode prever e analisar novas entradas de linguagem e texto. Os bebês expressam seus sentimentos, descrevem objetos e resolvem vários problemas por meio de habilidades linguísticas, o que também é semelhante à aplicação de grandes modelos de IA em várias tarefas específicas durante a fase de inferência após completar o treinamento, como classificação de imagem, reconhecimento de fala, etc.

Embora o Agente de IA esteja mais próximo da próxima forma de modelos grandes - sendo capaz de executar tarefas de forma independente e buscar objetivos complexos, não apenas possuindo capacidade de pensar, mas também sendo capaz de memorizar, planejar e interagir com o mundo usando ferramentas.

Atualmente, abordando os pontos problemáticos da IA em várias pilhas, a Web3 formou inicialmente um ecossistema interconectado em várias camadas, cobrindo diversas etapas dos processos de modelos de IA.

Primeiro, Camada Base: Airbnb do poder de computação e dados

Potência de computação

Atualmente, um dos maiores custos da IA é a potência de computação e energia necessária para treinar modelos e modelos de inferência.

Um exemplo é que o LLAMA3 da Meta requer 16.000 H100GPUs produzidas pela NVIDIA (uma unidade de processamento gráfico de ponta projetada especificamente para cargas de trabalho de inteligência artificial e computação de alto desempenho) para completar o treinamento em 30 dias. A versão de 80GB deste último tem um preço entre $30.000 e $40.000, exigindo um investimento em hardware de $4-7 bilhões (GPU + chips de rede). Além disso, o treinamento mensal consome 16 bilhões de quilowatts-hora, com um gasto de energia de quase $20 milhões por mês.

Para a descompressão do poder computacional de IA, também é o campo mais antigo onde Web3 se intersecta com IA - DePin (rede de infraestrutura física descentralizada). Atualmente, o site de dados do DePin Ninja exibiu mais de 1400 projetos, incluindo projetos representativos de compartilhamento de poder de computação de GPU como io.net, Aethir, Akash, Render Network, e assim por diante.

A lógica principal é: A plataforma permite que indivíduos ou entidades com recursos de GPU ociosos contribuam com seu poder de computação de forma descentralizada sem permissão, aumentando a utilização de recursos de GPU subutilizados por meio de um mercado online semelhante ao Uber ou Airbnb para compradores e vendedores, permitindo que os usuários finais obtenham recursos de computação mais econômicos e eficientes; ao mesmo tempo, o mecanismo de staking também garante que, se houver violações dos mecanismos de controle de qualidade ou interrupções de rede, os provedores de recursos enfrentarão penalidades correspondentes.

Suas características são:

• Agregando recursos ociosos de GPU: Os fornecedores são principalmente pequenos e médios centros de dados independentes de terceiros, recursos excedentes de energia de computação de operadores como minas criptografadas e hardware de mineração com mecanismos de consenso PoS, como FileCoin e mineradores de ETH. Atualmente, também existem projetos dedicados ao lançamento de dispositivos com barreiras de entrada mais baixas, como exolab utilizando dispositivos locais como MacBook, iPhone, iPad para estabelecer uma rede de energia de computação para executar inferências de modelos em larga escala.
• Enfrentando o mercado de longa cauda de energia computacional de IA: a. "Em termos de tecnologia," o mercado de energia computacional descentralizada é mais adequado para etapas de raciocínio. O treinamento depende mais da capacidade de processamento de dados trazida pelo super-grande cluster de GPU em escala, enquanto o raciocínio é relativamente baixo em desempenho de computação de GPU, como Aethir focando no trabalho de renderização de baixa latência e aplicações de inferência de IA. b. "Em termos de demanda," os demandantes de energia computacional de pequeno e médio porte não treinarão individualmente seus próprios modelos grandes, mas apenas escolherão otimizar e ajustar em torno de alguns modelos principais, e esses cenários são naturalmente adequados para recursos distribuídos de energia computacional ociosa.
• Propriedade descentralizada: A importância tecnológica do blockchain é que os proprietários de recursos sempre mantêm o controle sobre seus recursos, ajustam-se flexivelmente de acordo com a demanda e lucram ao mesmo tempo.

Dados

Os dados são a base da IA. Sem dados, a computação é inútil, e a relação entre dados e modelos é como o provérbio 'Lixo entra, lixo sai'. A quantidade e a qualidade dos dados determinam a qualidade da saída do modelo final. Para o treinamento dos modelos de IA atuais, os dados determinam a capacidade linguística, capacidade de compreensão e até mesmo os valores e desempenho humanizado do modelo. Atualmente, o dilema da demanda de dados da IA se concentra principalmente nos seguintes quatro aspectos:

• Fome de dados: o treinamento de modelos de IA depende muito de grandes quantidades de dados de entrada. Informações públicas mostram que o número de parâmetros para treinar o GPT-4 pela OpenAI atingiu o nível trilionário.
• Qualidade dos dados: Com a combinação de IA e várias indústrias, novos requisitos foram propostos para a atualidade, diversidade, profissionalismo de dados específicos da indústria e a entrada de fontes de dados emergentes, como o sentimento das redes sociais.
• Questões de Privacidade e Conformidade: Atualmente, vários países e empresas estão gradualmente percebendo a importância de conjuntos de dados de alta qualidade e estão impondo restrições à coleta de dados.
• Altos custos de processamento de dados: grandes quantidades de dados, processamento complexo. As informações públicas mostram que mais de 30% dos custos de P&D das empresas de IA são usados para coleta e processamento de dados básicos.

Atualmente, a solução da web3 é refletida nos seguintes quatro aspectos:

1. Coleta de dados: Os dados do mundo real livremente disponíveis para scraping estão rapidamente se esgotando, e as despesas das empresas de IA com dados têm aumentado ano após ano. No entanto, ao mesmo tempo, essa despesa não foi repassada aos reais contribuidores dos dados; as plataformas têm desfrutado totalmente da criação de valor trazida pelos dados, como o Reddit gerando um total de $203 milhões em receita por meio de acordos de licenciamento de dados com empresas de IA.

A visão do Web3 é permitir que os usuários que realmente contribuem também participem da criação de valor trazida pelos dados, e obtenham os dados pessoais e valiosos dos usuários de forma eficiente através de redes distribuídas e mecanismos de incentivo.

• Como o Grass é uma camada de dados e rede descentralizada, os usuários podem capturar dados em tempo real de toda a Internet executando nós Grass, contribuindo com largura de banda ociosa e tráfego de relé, e receber recompensas em tokens;
• Vana introduz um conceito único de Pool de Liquidez de Dados (DLP), onde os usuários podem carregar seus dados privados (como registros de compras, hábitos de navegação, atividades em redes sociais, etc.) para um DLP específico e escolher se autorizam seletivamente esses dados para uso de terceiros específicos;
• Em PublicAI, os usuários podem usar #AI ou #Web3 como tags de classificação em X@PublicAIA coleta de dados pode ser alcançada.

2. Pré-processamento de dados: No processamento de dados de IA, como os dados coletados geralmente são ruidosos e contêm erros, eles devem ser limpos e convertidos em um formato utilizável antes de treinar o modelo, envolvendo as tarefas repetitivas de padronização, filtragem e tratamento de valores ausentes. Esta etapa é um dos poucos processos manuais na indústria de IA, o que gerou a indústria de anotadores de dados. À medida que os requisitos do modelo para qualidade de dados aumentam, o limiar para os anotadores de dados também aumenta. Esta tarefa naturalmente se presta ao mecanismo de incentivo descentralizado da Web3.

• Atualmente, Grass e OpenLayer estão considerando adicionar a anotação de dados como uma etapa chave.
• Synesis propôs o conceito de ‘Train2earn’, enfatizando a qualidade dos dados, onde os usuários podem ser recompensados ao fornecer dados anotados, comentários ou outras formas de contribuição.
• O projeto de rotulagem de dados Sapien torna os trabalhos de rotulagem em um jogo e permite que os usuários apostem pontos para ganhar mais pontos.

3. Privacidade e Segurança de Dados: É necessário esclarecer que privacidade e segurança de dados são dois conceitos diferentes. Privacidade de dados envolve o manuseio de dados sensíveis, enquanto segurança de dados protege as informações de dados contra acesso não autorizado, destruição e roubo. Como resultado, as vantagens e cenários de aplicação potencial das tecnologias de privacidade da Web3 são refletidas em dois aspectos: (1) treinamento de dados sensíveis; (2) colaboração de dados: vários proprietários de dados podem participar do treinamento de IA juntos sem compartilhar seus dados originais.

Tecnologias de privacidade comuns no Web3 atualmente incluem:

• Ambiente de Execução Confiável (TEE), como Super Protocol;
• Fully Homomorphic Encryption (FHE), such as BasedAI, Fhenix.io, or Inco Network;
• Tecnologia de conhecimento zero (zk), como o Protocolo de Recuperação usando a tecnologia zkTLS, gera provas de conhecimento zero do tráfego HTTPS, permitindo que os usuários importem com segurança atividades, reputação e dados de identidade de sites externos sem expor informações sensíveis.

No entanto, o campo ainda está em seus estágios iniciais, com a maioria dos projetos ainda em fase de exploração. Atualmente, um dos dilemas é que os custos de computação são muito altos, com alguns exemplos sendo:

• A estrutura zkML EZKL leva cerca de 80 minutos para gerar uma prova de um modelo 1M-nanoGPT.
• De acordo com os dados do Modulus Labs, o custo adicional do zkML é mais de 1000 vezes maior do que a computação pura.

4. Armazenamento de dados: Após obter os dados, é necessário ter um local para armazená-los na cadeia e usar o LLM gerado pelos dados. Com a disponibilidade de dados (DA) como questão central, antes da atualização do Ethereum Danksharding, sua capacidade era de 0,08MB. Ao mesmo tempo, o treinamento e a inferência em tempo real de modelos de IA geralmente exigem uma capacidade de dados de 50 a 100GB por segundo. Essa diferença de ordem de magnitude torna as soluções existentes na cadeia inadequadas ao enfrentar 'aplicações de IA intensivas em recursos'.

• 0g.AI é um projeto representativo nesta categoria. É uma solução de armazenamento centralizada projetada para requisitos de AI de alto desempenho, com características-chave incluindo alto desempenho e escalabilidade, suportando o carregamento e download rápido de conjuntos de dados em grande escala através de tecnologias avançadas de fragmentação e codificação de erros, com velocidades de transferência de dados de até 5GB por segundo.

Dois, Middleware: Treinamento e Inferência do Modelo

Modelo de mercado descentralizado de código aberto

O debate sobre se os modelos de IA devem ser de código aberto ou fechado nunca cessou. A inovação coletiva trazida pelo código aberto é uma vantagem que os modelos de código fechado não podem igualar. No entanto, sob a premissa de um modelo sem fins lucrativos, como os modelos de código aberto podem aumentar a motivação dos desenvolvedores? Esta é uma direção que vale a pena ponderar. O fundador da Baidu, Robin Li, afirmou em abril deste ano: 'Os modelos de código aberto ficarão para trás cada vez mais.'

Nesse sentido, a Web3 propõe a possibilidade de um mercado de modelo descentralizado de código aberto, ou seja, tokenizando o próprio modelo, reservando uma certa proporção de tokens para a equipe e direcionando parte da renda futura do modelo para os detentores de tokens.

• O protocolo Bittensor estabelece um modelo de código aberto de um mercado P2P, consistindo de dezenas de 'sub-redes', onde os provedores de recursos (computação, coleta/armazenamento de dados, talento em aprendizado de máquina) competem entre si para atender aos objetivos de proprietários de sub-redes específicas. As sub-redes podem interagir e aprender umas com as outras, alcançando assim uma maior inteligência. As recompensas são distribuídas por votação da comunidade e posteriormente alocadas entre as sub-redes com base no desempenho competitivo.
• ORA introduz o conceito de Oferta de Modelo Inicial (IMO), tokenizando modelos de IA para compra, venda e desenvolvimento em redes descentralizadas.
• Sentient, uma plataforma AGI descentralizada, incentiva as pessoas a colaborar, construir, replicar e estender modelos de IA, recompensando os contribuintes.
• Spectral Nova focuses on the creation and application of AI and ML models.

Inferência Verificável

Para o dilema da 'caixa preta' no processo de raciocínio da IA, a solução padrão Web3 é ter vários validadores repetindo a mesma operação e comparando os resultados. No entanto, devido à atual escassez de 'chips Nvidia' de ponta, o desafio óbvio enfrentado por essa abordagem é o alto custo do raciocínio de IA.

Uma solução mais promissora é realizar provas de conhecimento zero (ZK) de cálculos de inferência de IA fora da cadeia, onde um provador pode provar a outro verificador que uma determinada afirmação é verdadeira sem revelar nenhuma informação adicional além da afirmação ser verdadeira, possibilitando a verificação sem permissão de cálculos de modelo de IA na cadeia. Isso requer provar na cadeia de forma criptografada que os cálculos fora da cadeia foram concluídos corretamente (por exemplo, o conjunto de dados não foi adulterado), garantindo que todos os dados permaneçam confidenciais.

As principais vantagens incluem:

• Escalabilidade: As provas de conhecimento zero podem confirmar rapidamente um grande número de cálculos fora da cadeia. Mesmo à medida que o número de transações aumenta, uma única prova de conhecimento zero pode verificar todas as transações.
• Proteção da privacidade: As informações detalhadas sobre dados e modelos de IA são mantidas confidenciais, enquanto todas as partes podem verificar que os dados e modelos não foram adulterados.
• Não é necessário confiar: você pode confirmar o cálculo sem depender de partes centralizadas.
• Integração Web2: Por definição, a Web2 é integrada off-chain, o que significa que o raciocínio verificável pode ajudar a trazer seus conjuntos de dados e computações de IA para a cadeia. Isso ajuda a melhorar a adoção da Web3.

Atualmente, a tecnologia verificável do Web3 para raciocínio verificável é a seguinte:

• ZKML: Combinando a prova de conhecimento zero com aprendizado de máquina para garantir a privacidade e confidencialidade de dados e modelos, permitindo computação verificável sem revelar certas propriedades subjacentes. A Modulus Labs lançou um provador ZK baseado em ZKML para construir IA, a fim de verificar efetivamente se os provedores de IA na cadeia manipulam algoritmos corretamente executados, mas atualmente os clientes são principalmente DApps na cadeia.
• opML: Usando o princípio de agregação otimista, verificando o momento da ocorrência da disputa, melhorando a escalabilidade e eficiência dos cálculos de ML, neste modelo, apenas uma pequena parte dos resultados gerados pelo 'validador' precisa ser verificada, mas a redução do custo econômico é definida alta o suficiente para aumentar o custo de trapaça pelos validadores e economizar cálculos redundantes.
• TeeML: Use trusted execution environment to securely execute ML calculations, protecting data and models from tampering and unauthorized access.

Três, Camada de Aplicação: Agente de IA

O desenvolvimento atual da IA já mostrou uma mudança de foco das capacidades do modelo para o cenário dos Agentes de IA. Empresas de tecnologia como OpenAI, o unicórnio da IA Anthropic, a Microsoft, etc., estão voltando-se para o desenvolvimento de Agentes de IA, tentando romper o atual platô técnico do LLM.

OpenAI define Agente de IA como um sistema impulsionado por LLM como seu cérebro, com a capacidade de entender autonomamente percepção, planejamento, memória e uso de ferramentas, e pode completar automaticamente tarefas complexas. Quando a IA transita de ser uma ferramenta usada para um sujeito que pode usar ferramentas, ela se torna um Agente de IA. Esta também é a razão pela qual Agentes de IA podem se tornar os assistentes inteligentes mais ideais para os humanos.

O que o Web3 pode trazer para o Agente?

1. Descentralização
A descentralização do Web3 pode tornar o sistema do Agente mais descentralizado e autônomo. Mecanismos de incentivo e penalidade para stakers e delegados podem promover a democratização do sistema do Agente, com GaiaNet, Theoriq e HajimeAI tentando fazê-lo.

2, Início Frio
O desenvolvimento e iteração do Agente de IA frequentemente requerem uma grande quantidade de apoio financeiro, e o Web3 pode ajudar projetos promissores de Agente de IA a obter financiamento em estágio inicial e iniciar a frio.

• Virtual Protocol lança a plataforma de criação de AI Agent e emissão de tokens fun.virtuals, onde qualquer usuário pode implantar AI Agents com um único clique e alcançar distribuição 100% justa dos tokens AI Agent.
• A Spectral propôs um conceito de produto que suporta a emissão de ativos de Agente de IA na cadeia: emitindo tokens através de IAO (Oferta Inicial de Agente), os Agentes de IA podem obter fundos diretamente dos investidores, enquanto se tornam membros da governança DAO, proporcionando aos investidores a oportunidade de participar do desenvolvimento do projeto e compartilhar lucros futuros.

Como a IA capacita o Web3?

O impacto da IA nos projetos Web3 é óbvio, pois beneficia a tecnologia blockchain otimizando operações on-chain (como execução de contratos inteligentes, otimização de liquidez e decisões de governança impulsionadas por IA). Ao mesmo tempo, também pode fornecer melhores insights orientados por dados, aprimorar a segurança on-chain e estabelecer a base para novas aplicações baseadas em Web3.

Um, IA e finanças on-chain

IA e Criptoeconomia

Em 31 de agosto, o CEO da Coinbase, Brian Armstrong, anunciou a primeira transação AI-to-AI criptografada na rede Base, afirmando que os Agentes de AI agora podem transacionar com humanos, comerciantes ou outras AIs na Base usando USD, com transações sendo instantâneas, globais e gratuitas.

Além dos pagamentos, a Luna do Virtuals Protocol também demonstrou pela primeira vez como os Agentes de IA executam autonomamente transações on-chain, atraindo atenção e posicionando os Agentes de IA como entidades inteligentes capazes de perceber o ambiente, tomar decisões e tomar ações, sendo assim vistos como o futuro das finanças on-chain. Atualmente, os cenários potenciais para os Agentes de IA são os seguintes:

1. Coleta e previsão de informações: Ajuda os investidores a coletar anúncios de trocas, informações públicas do projeto, emoções de pânico, riscos de opinião pública, etc., analisar e avaliar os fundamentos do ativo, condições de mercado em tempo real e prever tendências e riscos.

2. Gerenciamento de Ativos: Fornecer aos usuários alvos de investimento adequados, otimizar a alocação de ativos e executar automaticamente negociações.

3. Experiência financeira: Ajudar investidores a escolher o método de negociação on-chain mais rápido, automatizar operações manuais como transações entre cadeias e ajustar taxas de gás, reduzir o limiar e o custo das atividades financeiras on-chain.

Imagine este cenário: você instrui o Agente de IA da seguinte forma: "Tenho 1000USDT, por favor me ajude a encontrar a combinação de maior rendimento com um período de bloqueio de no máximo uma semana." O Agente de IA fornecerá o seguinte conselho: "Sugiro uma alocação inicial de 50% em A, 20% em B, 20% em X e 10% em Y. Vou monitorar as taxas de juros e observar mudanças em seus níveis de risco, e reequilibrar quando necessário." Além disso, procurar projetos potenciais de airdrop e sinais populares da comunidade de projetos Memecoin são todas ações futuras possíveis para o Agente de IA.

Fonte da imagem: Biconomy

Atualmente, as carteiras AI Agent Bitte e o protocolo de interação AI Wayfinder estão fazendo tais tentativas. Todos estão tentando acessar a API de modelo da OpenAI, permitindo que os usuários comandem agentes para completar várias operações on-chain em uma interface de janela de chat semelhante ao ChatGPT. Por exemplo, o primeiro protótipo lançado pelo WayFinder em abril deste ano demonstrou quatro operações básicas: troca, envio, ponte e stake nas mainnets da Base, Polygon e Ethereum.

Atualmente, a plataforma Agente descentralizada Morpheus também suporta o desenvolvimento de tais Agentes, como demonstrado pela Biconomy, mostrando um processo onde as permissões da carteira não são necessárias para autorizar o Agente de IA a trocar ETH por USDC.

IA e segurança de transações on-chain

No mundo Web3, a segurança das transações on-chain é crucial. A tecnologia de IA pode ser usada para aprimorar a segurança e a proteção da privacidade das transações on-chain, com cenários potenciais incluindo:

Monitoramento de negociação: A tecnologia de dados em tempo real monitora atividades de negociação anormais, fornecendo uma infraestrutura de alerta em tempo real para usuários e plataformas.

Análise de risco: Ajude a plataforma a analisar os dados de comportamento de negociação dos clientes e avaliar o nível de risco deles.

Por exemplo, a plataforma de segurança Web3 SeQure usa IA para detectar e prevenir ataques maliciosos, comportamento fraudulento e vazamentos de dados, e fornece mecanismos de monitoramento e alerta em tempo real para garantir a segurança e estabilidade das transações on-chain. Ferramentas de segurança semelhantes incluem o Sentinel alimentado por IA.

Segundo, IA e infraestrutura on-chain

IA e dados on-chain

A tecnologia de IA desempenha um papel importante na coleta e análise de dados on-chain, como:

• Web3 Analytics: uma plataforma de análise baseada em IA que utiliza algoritmos de aprendizado de máquina e mineração de dados para coletar, processar e analisar dados on-chain.
• MinMax AI: Ele fornece ferramentas de análise de dados on-chain baseadas em IA para ajudar os usuários a descobrir oportunidades e tendências de mercado potenciais.
• Kaito: Plataforma de pesquisa Web3 baseada no mecanismo de busca LLM.
• Seguindo: Integrado com o ChatGPT, ele coleta e integra informações relevantes dispersas em diferentes sites e plataformas comunitárias para apresentação.
• Outro cenário de aplicação é o oráculo, a IA pode obter preços de várias fontes para fornecer dados de precificação precisos. Por exemplo, Upshot usa IA para avaliar os preços voláteis de NFTs, fornecendo um erro percentual de 3-10% por meio de mais de cem milhões de avaliações por hora.

IA e Desenvolvimento&Auditoria

Recentemente, um editor de código de IA Web2, Cursor, tem atraído muita atenção na comunidade de desenvolvedores. Em sua plataforma, os usuários só precisam descrever em linguagem natural, e o Cursor pode gerar automaticamente código HTML, CSS e JavaScript correspondente, simplificando muito o processo de desenvolvimento de software. Essa lógica também se aplica à melhoria da eficiência do desenvolvimento Web3.

Atualmente, implantar contratos inteligentes e DApps em blockchains públicas geralmente requer seguir linguagens de desenvolvimento exclusivas como Solidity, Rust, Move, e assim por diante. A visão de novas linguagens de desenvolvimento é expandir o espaço de design de blockchains descentralizados, tornando-o mais adequado para o desenvolvimento de DApps. No entanto, dada a escassez significativa de desenvolvedores Web3, a educação de desenvolvedores sempre foi uma questão mais desafiadora.

Atualmente, a IA na assistência ao desenvolvimento Web3 pode ser imaginada em cenários que incluem: geração automática de código, verificação e teste de contratos inteligentes, implantação e manutenção de DApps, conclusão inteligente de código, resposta de diálogo de IA a questões difíceis de desenvolvimento, etc. Com a assistência da IA, não só ajuda a melhorar a eficiência e precisão do desenvolvimento, mas também reduz o limiar de programação, permitindo que não programadores transformem suas ideias em aplicações práticas, trazendo nova vitalidade para o desenvolvimento da tecnologia descentralizada.

Atualmente, o mais chamativo é uma plataforma de lançamento de token com um clique, como Clanker, um 'Token Bot' impulsionado por IA projetado para implantação rápida de token DIY. Você só precisa marcar Clanker nos clientes do protocolo SocialFi Farcaster como Warpcast ou Supercast, contar sua ideia de token para ele e ele lançará o token para você na Base da cadeia pública.

Existem também plataformas de desenvolvimento de contratos, como o Spectral, que fornecem funções de geração e implantação com um clique para contratos inteligentes, a fim de reduzir o limiar do desenvolvimento Web3, permitindo até mesmo que usuários novatos compilem e implantem contratos inteligentes.

Em termos de auditoria, a plataforma de auditoria Web3 Fuzzland usa IA para ajudar os auditores a verificar vulnerabilidades de código, fornecendo explicações em linguagem natural para auxiliar os profissionais de auditoria. A Fuzzland também usa IA para fornecer explicações em linguagem natural para especificações formais e código de contrato, bem como algum código de amostra para ajudar os desenvolvedores a entender possíveis problemas no código.

Três, AI e Web3 Nova Narrativa

A ascensão da IA generativa traz novas possibilidades para a nova narrativa da Web3.

NFT: AI injeta criatividade em NFTs generativos. Através da tecnologia AI, várias obras de arte e personagens únicos e diversos podem ser gerados. Esses NFTs generativos podem se tornar personagens, adereços ou elementos de cena em jogos, mundos virtuais ou metaversos, como Bicasso sob a Binance, onde os usuários podem gerar NFTs enviando imagens e inserindo palavras-chave para computação AI. Projetos similares incluem Solvo, Nicho, IgmnAI e CharacterGPT.

GameFi: Com a geração de linguagem natural, geração de imagens e capacidades inteligentes de NPCs em torno de IA, espera-se que o GameFi melhore a eficiência e a inovação na produção de conteúdo de jogos. Por exemplo, o primeiro jogo da cadeia AI Hero da Binaryx permite que os jogadores explorem diferentes opções de enredo por meio da aleatoriedade da IA; da mesma forma, há o jogo de companheiro virtual Sleepless AI, onde os jogadores podem desbloquear jogabilidade personalizada por meio de diferentes interações com base em AIGC e LLM.

DAO: Atualmente, a IA também é imaginada para ser aplicada aos DAOs, ajudando a rastrear interações comunitárias, registrar contribuições, recompensar os membros mais contribuintes, votação por procuração e assim por diante. Por exemplo, ai16z usa o Agente de IA para reunir informações de mercado on-chain e off-chain, analisar o consenso da comunidade e tomar decisões de investimento em combinação com sugestões dos membros do DAO.

A importância da integração AI+Web3: Tower e Square

No coração de Florença, na Itália, encontra-se a praça central, o local de encontro político mais importante para moradores locais e turistas. Aqui está uma torre do prédio da prefeitura de 95 metros de altura, criando um efeito estético dramático com a praça, inspirando o professor de história da Universidade de Harvard, Neil Ferguson, a explorar a história mundial de redes e hierarquias em seu livro ‘Square and Tower’, mostrando o fluxo e refluxo dos dois ao longo do tempo.

Esta excelente metáfora não está fora de lugar quando aplicada à relação entre IA e Web3 hoje. Olhando a longo prazo, a relação histórica não linear entre os dois, pode-se ver que os quadrados têm mais probabilidade de produzir coisas novas e criativas do que as torres, mas as torres ainda têm sua legitimidade e forte vitalidade.

Com a capacidade de agrupar dados de energia de computação em empresas de tecnologia, a IA desencadeou uma imaginação sem precedentes, levando os principais gigantes da tecnologia a fazerem grandes apostas, introduzindo várias iterações, desde diferentes chatbots até 'grandes modelos subjacentes' como GPT-4, GP4-4o. Um robô de programação automática (Devin) e Sora, com habilidades preliminares para simular o mundo físico real, surgiram um após o outro, ampliando infinitamente a imaginação da IA.

Ao mesmo tempo, a IA é essencialmente uma indústria em grande escala e centralizada, e esta revolução tecnológica empurrará as empresas de tecnologia que gradualmente ganharam domínio estrutural na 'era da Internet' para um ponto alto mais estreito. O enorme poder, o fluxo de caixa monopolista e os vastos conjuntos de dados necessários para dominar a era inteligente moldam barreiras mais altas para ela.

À medida que a torre cresce mais alta e os tomadores de decisão por trás das cenas diminuem, a centralização da IA traz muitos perigos ocultos. Como as massas reunidas na praça podem evitar as sombras sob a torre? Este é o problema que a Web3 espera resolver.

Essencialmente, as propriedades inerentes do blockchain potencializam os sistemas de inteligência artificial e trazem novas possibilidades, principalmente:

• Na era da inteligência artificial, 'o código é a lei' - alcançando regras de execução automática do sistema transparente através de contratos inteligentes e verificação de criptografia, entregando recompensas para a audiência mais próxima do alvo.
• Economia de tokens - criar e coordenar o comportamento dos participantes através do mecanismo de tokens, staking, redução, recompensas de tokens e penalidades.
• Governança descentralizada - nos instiga a questionar as fontes de informação e incentiva uma abordagem mais crítica e perspicaz em relação à tecnologia de inteligência artificial, evitando viés, desinformação e manipulação, nutrindo, em última instância, uma sociedade mais informada e empoderada.

O desenvolvimento da IA também trouxe nova vitalidade para Web3, talvez o impacto de Web3 na IA precise de tempo para ser comprovado, mas o impacto da IA na Web3 é imediato: seja a frenesi do Meme ou o Agente de IA que ajuda a diminuir a barreira de entrada para aplicativos on-chain, tudo isso é evidente.

Quando o Web3 é definido como autoindulgência por um pequeno grupo de pessoas, bem como estar preso em dúvidas sobre a replicação de indústrias tradicionais, a adição de IA traz um futuro previsível: uma base de usuários Web2 mais estável e escalável, modelos de negócios mais inovadores e serviços.

Vivemos em um mundo onde ‘torres e praças’ coexistem, embora a IA e a Web3 tenham linhas do tempo e pontos de partida diferentes, seu objetivo final é como fazer com que as máquinas sirvam melhor à humanidade, e ninguém pode definir um rio corrente. Esperamos ver o futuro da IA+Web3.

Declaração:

1. Este artigo é reproduzido a partir de [TechFlow]，o direito autoral pertence ao autor original [Coinspire]，如对转载有异议，请联系Equipe Gate Learn, a equipe irá processá-lo o mais breve possível de acordo com os procedimentos relevantes.
2. Aviso legal: As opiniões expressas neste artigo são exclusivamente do autor e não constituem qualquer conselho de investimento.
3. O artigo é traduzido para outros idiomas pela equipe Gate Learn, se não mencionadoGate.ioSob nenhuma circunstância os artigos traduzidos podem ser copiados, distribuídos ou plagiados.