Autor: Crypto, Distilled
Zusammengestellt von: Deep Tide TechFlow
Krypto und KI: Ist es das Ende der Fahnenstange?
Im Jahr 2023 wurde Web3-KI einst zu einem heißen Thema.
Aber heutzutage ist es voller Nachahmer und riesiger Projekte ohne wirklichen Zweck.
Im Folgenden sind die Missverständnisse aufgeführt, die es zu vermeiden gilt, und die wichtigsten Punkte, auf die man sich konzentrieren sollte.
IntoTheBlock CEO @jrdoughtoughts hat kürzlich seine Erkenntnisse in einem Artikel geteilt.
Er bespricht:
a. Kernherausforderungen von Web3-AI
b. Trends mit hohem Potenzial
jeder Punkt! Finden wir es heraus:
Aktueller Markt 
Viele Projekte haben keinen Bezug zu den tatsächlichen Bedürfnissen der KI-Branche.
Diese Trennung schafft Verwirrung, schafft aber auch Chancen für diejenigen mit Einsicht. (Credit to @coinbase) Begrenztes KI-Forschungstalent
Eingeschränkte Infrastruktur
Unzureichende Modelle, Daten und Rechenressourcen
Generative KI basiert auf drei Hauptelementen: Modell, Daten und Rechenressourcen.
Derzeit sind keine größeren Modelle für die Web3-Infrastruktur optimiert.
Mit der Anfangsfinanzierung wurden einige Web3-Projekte unterstützt, die keinen Bezug zur Realität der KI hatten.
Trotz allem Hype sind nicht alle Web3-KI-Trends es wert, beachtet zu werden.
Hier sind einige der Trends, die @jrdoughts am meisten überbewertet werden:
a. Dezentrales GPUNetzwerk
b. Beweis der Schlussfolgerung ( Credits
@ModulusLabs)
Dezentrale GPU-Netzwerke
Aber die Realität ist, dass das Training großer Modelle auf einer dezentralen Infrastruktur langsam und unpraktisch ist.
Dieser Trend muss seine hohen Versprechen noch halten.
Knowledge-KI-Modell
Aber in der Praxis sind sie rechenintensiv und schwer zu interpretieren.
Dadurch sind sie für großflächige Anwendungen weniger praktisch.
(Credit to @oraprotocol)
Informationen im Bild:
b) Derzeit beträgt der Overhead das bis zu 1000-fache.
Allerdings ist dieser Ansatz alles andere als praktikabel, insbesondere für Anwendungsfälle wie die von Vitalik beschriebenen. Hier einige Beispiele:
zkML-Framework EZKL benötigt etwa 80 Minuten, um einen Beweis für ein 1M-nanoGPT-Modell zu erstellen.
Modulus Labs의 데이터에 따르면 zkML의 오버헤드는 순수 계산보다 1000배 이상 높으며 최신 보고서에서는 1000배를 보여줍니다.
EZKL 벤치마크에 따르면 RISC Zero의 Random Forest 분류 작업에 대한 평균 증명 시간은 173초입니다.
추론 증명 프레임워크는 AI 출력에 대한 암호화 증명을 제공합니다.
그러나 @jrdothoughts는 이러한 솔루션이 존재하지 않는 문제를 해결한다고 믿습니다.
따라서 실제 적용 범위가 제한되어 있습니다.
일부 트렌드는 과장된 반면 다른 트렌드는 상당한 잠재력을 가지고 있습니다.
실제 기회를 제공할 수 있는 저평가된 트렌드는 다음과 같습니다.
a. AI with walletsAgents
b. 자금 제공 c. 소규모 기반 모델
d.
합성 데이터Generate지갑을 갖춘 AI 에이전트
이러한 에이전트는 품질을 보장하기 위해 다른 에이전트를 고용하거나 자금을 투자할 수 있습니다.
또 다른 흥미로운 응용 프로그램은 @vitalikbuterin이 언급한 "예측 에이전트"입니다.
Cryptocurrency Funding AI
에어드롭 및 인센티브와 같은 암호화폐의 효율적인 자본 형성 방법은 오픈 소스 AI 프로젝트에 중요한 재정적 지원을 제공합니다.
이러한 방법은 혁신을 추진하는 데 도움이 됩니다.
(제공: @oraprotocol)
소형 기본 모델
Modelle mit 1B-5B-Parametern sind für die dezentrale KI von entscheidender Bedeutung und können leistungsstarke KI-Lösungen auf dem Gerät bereitstellen.
(Quelle: @microsoft)
Datenknappheit ist eines der größten Hindernisse für die Entwicklung von KI.
Synthetische Daten, die durch Basismodelle generiert werden, können reale Datensätze effektiv ergänzen.
Der anfängliche Web3-AI-Trend konzentrierte sich hauptsächlich auf einige unrealistische Wertversprechen.
@jrdoughtoughts ist davon überzeugt, dass der Fokus nun auf der Entwicklung von Lösungen liegen sollte, die tatsächlich funktionieren.
Während sich die Aufmerksamkeit verschiebt, ist der Bereich der KI immer noch voller Möglichkeiten, die darauf warten, von scharfen Augen entdeckt zu werden.
Dieser Artikel dient nur zu Bildungszwecken, nicht zur Finanzberatung. Vielen Dank an @jrdthoughts für die wertvollen Einblicke.
Das obige ist der detaillierte Inhalt vonCryptoX AI ist nicht mehr beliebt? Ein kurzer Blick auf vielversprechende Erzählrichtungen, die Sie vielleicht übersehen haben. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!
