5 нових тенденцій у генеративному штучному інтелекті, до яких Web3 має бути готовим

«Створюйте для того, куди розвивається галузь, а не для того, де вона є». Ця мантра десятиліттями сприяла революційним інноваціям — Microsoft заробляла на мікропроцесорах, Salesforce використовувала хмару, а Uber процвітав у мобільній революції.

Той самий принцип застосовується до штучного інтелекту — генеративний штучний інтелект розвивається настільки швидко, що створення сучасних можливостей ризикує застаріти. Історично Web3 відігравав незначну роль у цій еволюції ШІ. Але чи зможе він адаптуватися до останніх тенденцій, які змінюють галузь?

2024 рік став ключовим роком для генеративного штучного інтелекту з новаторськими дослідженнями та інженерними досягненнями. Крім того, це був рік, коли наратив Web3-AI перейшов від спекулятивної реклами до проблисків реальної користі. У той час як перша хвиля штучного інтелекту оберталася навколо мега-моделей, тривалих циклів навчання, великих обчислювальних кластерів і глибоких корпоративних кишень, що робило їх майже недоступними для Web3, нові тенденції 2024 року відкривають двері для суттєвої інтеграції Web3.

На фронті Web3-AI у 2024 році домінували спекулятивні проекти, такі як агентські платформи, керовані мемами, які відображали позитивні настрої ринку, але пропонували мало користі в реальному світі. Коли цей ажіотаж зникає, з’являється вікно можливостей для переорієнтації на реальні випадки використання. Генеративний ландшафт штучного інтелекту 2025 року буде значно іншим із змінними змінами в дослідженнях і Технології. Багато з цих змін можуть прискорити впровадження Web3, але лише якщо галузь буде будувати на майбутнє.

Давайте розглянемо п’ять ключових тенденцій, що формують AI, і потенціал, який вони представляють для Web3.

1. Гонка міркувань

Міркування стало наступною межею для великих мовних моделей (LLM). Останні моделі, як-от GPT-01, DeepSeek R1 і Gemini Flash, поміщають можливості міркування в CORE своїх досягнень. Функціонально міркування дозволяє штучному інтелекту розбивати складні завдання логічного висновку на структуровані багатоетапні процеси, часто використовуючи методи ланцюжка думок (CoT). Подібно до того, як виконання інструкцій стало стандартом для LLM, міркування незабаром стане базовою здатністю для всіх основних моделей.

Можливість Web3-AI

Міркування включає в себе складні робочі процеси, які вимагають відстеження та прозорості — сфера, де Web3 сяє. Уявіть собі статтю, згенеровану штучним інтелектом, де кожен крок міркування можна перевірити в ланцюжку, забезпечуючи незмінний запис його логічної послідовності. У світі, де створений штучним інтелектом контент домінує над цифровою взаємодією, такий рівень походження може стати фундаментальною потребою. Web3 може забезпечити децентралізований, ненадійний рівень для перевірки шляхів міркування штучного інтелекту, заповнюючи критичну прогалину в сучасній екосистемі ШІ.

2. Навчання синтетичних даних збільшується

Синтетичні дані є ключовим засобом передового міркування. Такі моделі, як DeepSeek R1, використовують проміжні системи (такі як R1-Zero) для створення високоякісних наборів даних, які потім використовуються для тонкого налаштування. Цей підхід зменшує залежність від реальних наборів даних, прискорюючи розробку моделей і покращуючи надійність.

Можливість Web3-AI

Генерація синтетичних даних є завданням із високою розпаралеленістю, ідеальним для децентралізованих мереж. Фреймворк Web3 може стимулювати вузли до надання обчислювальної потужності для генерації синтетичних даних, отримуючи винагороду на основі використання набору даних. Це може сприяти децентралізованій економіці даних штучного інтелекту, в якій синтетичні набори даних живлять як моделі ШІ з відкритим вихідним кодом, так і пропрієтарні моделі ШІ.

3. Перехід до посттренінгових робочих процесів

Ранні моделі штучного інтелекту базувалися на величезних навантаженнях перед навчанням, які вимагали тисяч графічних процесорів. Однак такі моделі, як GPT-01, перенесли фокус на середину навчання та після нього, забезпечуючи більш спеціалізовані можливості, такі як розширене міркування. Ця зміна різко змінює вимоги до обчислень, зменшуючи залежність від централізованих кластерів.

Можливість Web3-AI

У той час як попереднє навчання вимагає централізованих ферм графічних процесорів, після навчання може бути розподілено між децентралізованими мережами. Web3 може сприяти вдосконаленню децентралізованої моделі штучного інтелекту, дозволяючи Автори робити ставку на обчислювальні ресурси в обмін на управління або фінансові стимули. Цей зсув демократизує розробку штучного інтелекту, роблячи децентралізовану навчальну інфраструктуру більш життєздатною.

4. Зростання дистильованих малих моделей

Дистиляція, процес, у якому великі моделі використовуються для навчання менших, спеціалізованих версій, спостерігає сплеск впровадження. Провідні сімейства штучного інтелекту, такі як Llama, Gemini, Gemma та DeepSeek, тепер включають дистильовані варіанти, оптимізовані для підвищення ефективності, що дозволяє їм працювати на звичайному обладнанні.

Можливість Web3-AI

Моделі Distilled досить компактні, щоб працювати на графічних або навіть центральних процесорах споживчого класу, що робить їх ідеальними для децентралізованих мереж виведення. Можуть з’явитися ринки штучного інтелекту на основі Web3, на яких вузли забезпечують обчислювальну потужність для виконання легких дистильованих моделей. Це децентралізує штучний інтелект, зменшить залежність від хмарних провайдерів і розблокує нові токенізовані структури стимулів для учасників.

5. Попит на прозорі оцінки ШІ

ONE з найбільших проблем у генеративному ШІ є оцінка. Багато моделей вищого рівня ефективно запам’ятали існуючі галузеві тести, що робить їх ненадійними для оцінки продуктивності в реальному світі. Коли ви бачите, що модель має надзвичайно високі результати за певним еталонним тестом, це часто відбувається тому, що цей еталонний тест було включено до навчального корпусу моделі. Сьогодні не існує надійних механізмів для перевірки результатів оцінки моделі, що змушує компанії покладатися на цифри, надані в технічних документах.

Можливість Web3-AI

Криптографічні докази на основі блокчейну можуть запровадити радикальну прозорість в оцінки ШІ. Децентралізовані мережі можуть перевіряти продуктивність моделі за допомогою стандартизованих тестів, зменшуючи залежність від неперевірених корпоративних заяв. Крім того, стимули Web3 можуть сприяти розробці нових стандартів оцінювання, керованих спільнотою, що підніме підзвітність ШІ на новий рівень.

Чи може Web3 адаптуватися до наступної хвилі ШІ?

Генеративний ШІ переживає зміну парадигми. На шляху до штучного загального інтелекту (AGI) більше не домінують лише монолітні моделі з тривалими циклами навчання. Нові прориви, такі як архітектури, що керуються міркуваннями, інновації синтетичних наборів даних, оптимізація після навчання та дистиляція моделей, децентралізують робочі процеси ШІ.

Web3 здебільшого був відсутній у першій хвилі генеративного штучного інтелекту, але ці нові тенденції відкривають нові можливості, де децентралізовані архітектури можуть забезпечити реальну користь. Вирішальне питання зараз таке: чи може Web3 рухатися достатньо швидко, щоб скористатися цим моментом і стати важливою силою в революції ШІ?