“Стройте для будущего, а не для настоящего.” Эта философия вдохновляла на инновации в течение десятилетий — Microsoft сделала ставку на микропроцессоры, Salesforce использовала облачные технологии, а Uber преуспел в мобильной революции.
Тот же принцип применим и к искусственному интеллекту — генеративный ИИ развивается настолько быстро, что ориентирование на сегодняшние возможности рискует привести к устареванию. Исторически Web3 сыграл незначительную роль в этой эволюции ИИ. Но сможет ли он адаптироваться к последним трендам, меняющим индустрию?
2024 год стал поворотной точкой для генеративного ИИ, с прорывными исследованиями и достижениям в инженерии. Этот год также ознаменовал переход нарратива Web3-ИИ от спекулятивного ажиотажа к реальным возможностям. Если первая волна ИИ сосредоточилась на крупных моделях с долгими циклами обучения и огромными вычислительными мощностями, что делало их в основном недоступными для Web3, то новые тренды 2024 года открывают двери для значимой интеграции Web3.
На фронте Web3-ИИ 2024 год был доминирующим для спекулятивных проектов, таких как платформы с мемами, отражающие оптимистичное настроение на рынке, но не предлагающие реальной полезности. По мере угасания этого ажиотажа открывается окно возможностей для сосредоточения на осязаемых случаях применения. Генеративный ИИ в 2025 году будет значительно отличаться, с трансформационными изменениями в исследованиях и технологиях. Многие из этих изменений могут катализировать принятие Web3, но только если отрасль будет строить с прицелом на будущее.
Давайте рассмотрим пять ключевых трендов, формирующих ИИ и те возможности, которые они представляют для Web3.
1. Гонка разума
Размышление стало следующим рубежом для крупных языковых моделей (LLMs). Новейшие модели, такие как GPT-01, DeepSeek R1 и Gemini Flash, ставят способности к размышлению в центр своих достижений. Функционально размышление позволяет ИИ разбивать сложные задачи на структурированные многоэтапные процессы, часто используя технологии Chain of Thought (CoT). Подобно тому, как следование инструкциям стало стандартом для LLM, размышление вскоре станет базовой способностью всех основных моделей.
Возможности для Web3
Размышление включает сложные рабочие процессы, требующие прослеживаемости и прозрачности — в чем Web3 преуспевает. Представьте себе статью, сгенерированную ИИ, где каждый шаг размышления можно проверить в блокчейне, обеспечивая неизменяемую запись его логической последовательности. В мире, где контент, созданный ИИ, доминирует в цифровых взаимодействиях, такой уровень происхождения может стать фундаментальной необходимостью. Web3 может предоставить децентрализованный, бездоверительный слой для проверки путей размышления ИИ, заполняя критическую пустоту в экосистеме ИИ сегодня.
2. Увеличение масштабов обучения на синтетических данных
Ключевым фактором для продвинутого размышления являются синтетические данные. Модели, такие как DeepSeek R1, используют промежуточные системы (например, R1-Zero) для генерации высококачественных наборов данных для размышлений, которые затем используются для дообучения. Этот подход снижает зависимость от реальных наборов данных, ускоряя разработку моделей и повышая их надежность.
Возможности для Web3
Генерация синтетических данных — это задача, которую можно выполнять параллельно, что делает ее идеальной для децентрализованных сетей. Web3-структура может стимулировать узлы вносить вычислительные мощности для генерации синтетических данных, получая вознаграждения на основе использования набора данных. Это может способствовать созданию децентрализованной экономики данных ИИ, в которой синтетические наборы данных будут поддерживать как открытые, так и собственные модели ИИ.
3. Переход к рабочим процессам после обучения
Ранее модели ИИ полагались на огромные объемы предобучения, требующие тысяч GPU. Однако модели, такие как GPT-01, изменили фокус на среднее и постобучение, что позволяет получить более специализированные возможности, такие как продвинутое размышление. Этот переход кардинально меняет требования к вычислениям, снижая зависимость от централизованных кластеров.
Возможности для Web3
В то время как предобучение требует централизованных ферм GPU, постобучение может быть распределено по децентрализованным сетям. Web3 может способствовать децентрализованной доработке моделей ИИ, позволяя участникам ставить вычислительные ресурсы в обмен на управление или финансовые стимулы. Этот переход демократизирует разработку ИИ, делая децентрализованные тренировочные инфраструктуры более жизнеспособными.
4. Восход дистиллированных малых моделей
Дистилляция, процесс, при котором крупные модели используются для обучения меньших, специализированных версий, стала набирать популярность. Ведущие семейства ИИ, такие как Llama, Gemini, Gemma и DeepSeek, теперь включают дистиллированные варианты, оптимизированные для эффективности, позволяя им работать на обычном оборудовании.
Возможности для Web3
Дистиллированные модели достаточно компактны, чтобы работать на потребительских GPU или даже CPU, что делает их идеальными для децентрализованных сетей вывода. На базе Web3 могут возникнуть рынки вывода ИИ, на которых узлы предоставляют вычислительные мощности для выполнения легковесных дистиллированных моделей. Это децентрализует вывод ИИ, снижая зависимость от облачных провайдеров и открывая новые токенизированные структуры стимулов для участников.
5. Спрос на прозрачные оценки ИИ
Одной из самых больших проблем в генеративном ИИ является оценка. Многие модели высшего уровня эффективно запомнили существующие отраслевые стандарты, что делает их ненадежными для оценки реальной производительности. Когда вы видите, что модель набирает крайне высокий балл по определенному стандарту, это часто происходит из-за того, что этот стандарт был включен в обучающий корпус модели. В настоящее время не существует надежных механизмов для проверки результатов оценки моделей, что заставляет компании полагаться на саморепортируемые данные в технических документах.
Возможности для Web3
Криптографические доказательства на основе блокчейна могут ввести радикальную прозрачность в оценки ИИ. Децентрализованные сети могут проверять производительность модели по стандартным бенчмаркам, снижая зависимость от неподтвержденных корпоративных заявлений. Более того, стимулы Web3 могут способствовать разработке новых, управляемых сообществом стандартов оценки, поднимая подотчетность ИИ на новые высоты.
Сможет ли Web3 адаптироваться к следующей волне ИИ?
Генеративный ИИ переживает парадигмальный сдвиг. Путь к искусственному общему интеллекту (AGI) больше не определяется исключительно монолитными моделями с длительными циклами обучения. Новые прорывы — такие как архитектуры, основанные на размышлениях, инновации в синтетических наборах данных, оптимизации после обучения и дистилляция моделей — децентрализуют рабочие процессы ИИ.
Web3 в значительной степени отсутствовал на первой волне генеративного ИИ, но эти новые тренды открывают свежие возможности, где децентрализованные архитектуры могут предоставить реальную полезность. Ключевой вопрос сейчас заключается в том, сможет ли Web3 достаточно быстро среагировать, чтобы воспользоваться этой возможностью и стать значимой силой в революции ИИ?
