CryptoX AI n'est plus populaire ? Un aperçu rapide des orientations narratives à fort potentiel que vous avez peut-être négligées

Auteur : Crypto, Distilled

Compilé par : Deep Tide TechFlow

Crypto et IA : est-ce la fin du chemin ?

En 2023, le Web3-AI est devenu un sujet brûlant.

Mais aujourd’hui, c’est plein d’imitateurs et de projets énormes sans véritable but.

Voici les malentendus à éviter et les points clés sur lesquels se concentrer.

Vue d'ensemble

Le PDG d'IntoTheBlock @jrdothoughts a récemment partagé ses idées dans un article.

Il aborde :

a Les principaux enjeux du Web3-AI

b Les tendances sur-médiatisées

c. chaque point ! Découvrons :

Marché actuel

Le marché actuel du Web3-AI est surfait et surfinancé.

De nombreux projets sont déconnectés des besoins réels de l'industrie de l'IA.

Cette déconnexion crée de la confusion, mais elle crée également des opportunités pour ceux qui ont de la perspicacité.

(Crédit à @coinbase)

Défis principaux

L'écart entre l'IA Web2 et Web3 se creuse pour trois raisons principales

Talent de recherche en IA limité

1. Infrastructure contrainte

2. Modèles, données et ressources informatiques insuffisants

Bases de l'IA générative

L'IA générative s'appuie sur trois éléments majeurs : le modèle, les données et les ressources informatiques.

Actuellement, aucun modèle majeur n'est optimisé pour l'infrastructure Web3.

Le financement initial a soutenu certains projets Web3 déconnectés de la réalité de l'IA.

Tendances surfaites

Malgré tout le battage médiatique, toutes les tendances Web3-AI ne valent pas la peine d'être prises en compte. Il y a quelques-unes des tendances qui, selon @jrdothoughts, sont les plus surfaites:

a. Crédits

@ModulusLabs)

Réseaux GPU décentralisés

Ces réseaux promettent de démocratiser la formation en IA. Mais la réalité est que la formation de grands modèles sur une infrastructure décentralisée est lente et peu pratique.

Cette tendance n’a pas encore tenu ses nobles promesses.

Modèle d'IA à connaissance zéro

Le modèle d'IA à connaissance zéro semble très attrayant en termes de protection de la vie privée.

Mais en pratique, ils sont coûteux en calcul et difficiles à interpréter.

Cela les rend moins pratiques pour les applications à grande échelle.

(Crédit à @oraprotocol)

Informations dans l'image :

b) Actuellement, la surcharge est jusqu'à 1000 fois.

Cependant, cette approche est loin d'être pratique, surtout pour des cas d'utilisation comme ceux décrits par Vitalik. Voici quelques exemples :

Le framework zkML EZKL prend environ 80 minutes pour générer une preuve pour un modèle 1M-nanoGPT.

Selon les données de Modulus Labs, la surcharge de zkML est plus de 1 000 fois supérieure à celle du calcul pur, le dernier rapport montrant 1 000 fois.

Selon le benchmark EZKL, le temps de preuve moyen de RISC Zero sur la tâche de classification aléatoire des forêts est de 173 secondes.

Preuve d'inférence

Le cadre de preuve d'inférence fournit des preuves cryptographiques pour les sorties de l'IA.

Cependant, @jrdothoughts estime que ces solutions résolvent des problèmes qui n'existent pas.

Ainsi, leurs applications dans le monde réel sont limitées.

Tendances à fort potentiel

Bien que certaines tendances soient exagérées, d'autres ont un potentiel important.

Voici quelques tendances sous-évaluées qui peuvent offrir de réelles opportunités :

a AI avec portefeuillesAgents

b. Fournir un financement c. Petit modèle de base

d.

Données synthétiquesGénérerAgent IA avec portefeuille

Imaginez un agent IA avec des capacités financières grâce à la crypto-monnaie.

Ces agents peuvent embaucher d'autres agents ou miser des fonds pour garantir la qualité.

Une autre application intéressante est celle des « agents prédictifs » comme mentionné par @vitalikbuterin.

Cryptocurrency Funding AI

Les projets d'IA générative sont souvent confrontés à des pénuries de financement.

Les méthodes efficaces de formation de capital des crypto-monnaies, telles que les parachutages et les incitations, fournissent un soutien financier essentiel aux projets d'IA open source.

Ces méthodes contribuent à stimuler l'innovation.

(Crédit à @oraprotocol)

Petits modèles de base

Les petits modèles de base, tels que le modèle Phi de Microsoft, démontrent l'idée que moins c'est plus.

1B-5B 매개변수가 있는 모델은 분산형 AI에 매우 중요하며 강력한 온디바이스 AI 솔루션을 제공할 수 있습니다.

(출처: @microsoft)

합성 데이터 생성

데이터 부족은 AI 개발의 주요 장애물 중 하나입니다.

기본 모델을 통해 생성된 합성 데이터는 실제 데이터 세트를 효과적으로 보완할 수 있습니다.

Beat the Hype

초기 Web3-AI 열풍은 주로 일부 비현실적인 가치 제안에 초점을 맞췄습니다.

@jrdothoughts는 이제 실제로 작동하는 솔루션을 구축하는 데 초점이 맞춰져야 한다고 믿습니다.

관심이 바뀌어도 AI 분야는 여전히 기회로 가득 차 있으며 예리한 눈이 발견하기를 기다리고 있습니다.

이 기사는 교육 목적으로만 작성되었으며 재정적 조언이 아닙니다. 귀중한 통찰력을 제공한 @jrdthoughts에게 큰 감사를 드립니다.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!