区块见闻 区块见闻
Ctrl+D收藏区块见闻
首页 > 币赢 > 正文

NFT:人工智能如何实现有趣的Web 3用例?_学人工智能后悔死了

作者:

时间:

自从ChatGPT和GPT-4推出后,有很多关于人工智能如何革新一切,包括Web 3的内容。多个行业的开发者报告称,通过利用ChatGPT作为共同驾驶员来自动化任务,如生成样板代码、进行单元测试、创建文档、调试和检测漏洞等,可以显著提高生产效率,范围从50%到500%不等。虽然本文将探讨人工智能如何实现新的有趣的Web 3用例,但其主要关注点是Web 3和人工智能之间的互利关系。很少有技术有能力显著影响人工智能的发展方向,而Web 3是其中之一。

尽管其具有巨大的潜力,但当前的人工智能模型面临着一些挑战,如数据隐私、专有模型的执行公正性以及创造和传播可信的虚假内容的能力等。一些现有的Web 3技术在应对这些挑战方面具有独特的优势。

Web 3 可以帮助 AI 的一个领域是通过协作创建专有数据集进行机器学习(ML)训练,即使用 PoPW 网络进行数据集创建。大规模数据集对于准确的 ML 模型至关重要,但在需要使用私有数据(如使用 ML 进行医学诊断)的用例中,其创建可能成为瓶颈。由于患者数据隐私的关注,医疗记录的访问是训练这些模型的必要条件,但患者可能因隐私问题而不愿意分享他们的医疗记录。为了解决这个问题,患者可以通过可验证的方式对其医疗记录进行匿名化,以保护他们的隐私同时仍然可以用于 ML 训练。

但是,匿名化的医疗记录的真实性是一个问题,因为虚假数据会严重影响模型的性能。为解决这个问题,可以使用零知识证明(ZKPs)来验证匿名化的医疗记录的真实性。患者可以生成 ZKPs,以证明匿名记录确实是原始记录的副本,即使在删除个人身份信息(PII)后也是如此。这样,患者可以将匿名记录与 ZKPs 一起提供给感兴趣的各方,并甚至获得他们的贡献的奖励,而不会牺牲他们的隐私。

马斯克:需要对人工智能安全进行监管:金色财经报道,马斯克称,人工智能是我们需要非常关切的问题,需要监管人工智能安全。?

近日,ChatGPT项目爆火,其上线两个月,活跃用户已经超过1亿人。关于ChatGPT,马斯克去年12月公开表示称:ChatGPT好得吓人,我们离强大到危险的人工智能不远了。?[2023/2/15 12:07:50]

当前LLM的一个主要弱点是处理私有数据。例如,当用户与chatGPT互动时,OpenAI会收集用户的私人数据,并将其用于模型的训练,这会导致敏感信息的泄露。这是三星公司的情况。零知识(zk)技术可以帮助解决ML模型在私有数据上执行推理时出现的一些问题。在这里,我们考虑两种情况:开源模型和专有模型。

对于开源模型,用户可以在其私有数据上本地下载模型并运行。例如,Worldcoin计划升级World ID。在此用例中,Worldcoin需要处理用户的私人生物识别数据,即用户的虹膜扫描,以创建名为IrisCode的每个用户的唯一标识符。在这种情况下,用户可以在其设备上保持其生物识别数据的私密性,下载用于IrisCode生成的ML模型,本地运行推理,并创建证明表明其IrisCode已成功创建。生成的证明保证了推理的真实性,同时保持了数据的隐私。像Modulus Labs开发的ML模型的高效zk证明机制对于这种用例至关重要。

另一种情况是当用于推理的ML模型是专有的。这项任务有点困难,因为本地推理不是一种选择。但是,ZKP有两种可能的方式可以帮助。第一种方法是使用ZKP将用户数据进行匿名处理,如前面数据集创建案例中所讨论的,然后将匿名化的数据发送到ML模型。另一种方法是在将预处理输出发送到ML模型之前,在私人数据上使用本地预处理步骤。在这种情况下,预处理步骤隐藏了用户的私人数据,以便无法重构。用户生成一个ZKP,表明预处理步骤的正确执行,然后专有模型的其余部分可以在模型所有者的服务器上远程执行。这里的示例用例可能包括可以分析潜在诊断的患者的医疗记录的AI医生,以及评估客户私人财务信息的金融风险评估算法。

最高法院周强:推进区块链、人工智能等新兴技术应用:1月17日消息,昨日下午,全国高级法院院长会议以电视电话会议形式召开,最高人民法院党组书记、院长周强出席会议并讲话。会议要求,要巩固提升智慧法院建设成果,创造更高水平的数字正义。要深化在线诉讼模式和规则创新,严格落实在线诉讼规则、在线调解规则和人民法院在线运行规则,深化互联网法院建设。要拓展信息技术在司法领域的应用场景,推进5G、区块链、人工智能等新兴技术应用,加强顶层设计和技术攻关。要积极参与推动数字治理,发掘海量司法大数据优势,加强相关领域重点案件深度研判,为经济社会发展趋势分析、矛盾纠纷化解、经济风险预警等提供决策参考。(北青网)[2022/1/17 8:54:38]

与专注于生成图片、音频和视频的生成式人工智能模型相比,chatGPT可能已经抢占了风头。然而,这些模型目前已经能够生成逼真的深度伪造作品。最近由AI生成的Drake歌曲就是这些模型所能实现的例子。由于人类被编程成相信所见所闻,这些深度伪造作品代表了一个重大威胁。有许多初创公司正在尝试使用Web 2技术来解决这个问题。然而,Web 3技术,如数字签名,更适合解决这个问题。

在Web 3中,用户的交互,即交易,由用户的私钥进行签名以证明其有效性。同样,无论是文本、图片、音频还是视频,内容也可以由创建者的私钥进行签名以证明其真实性。任何人都可以根据创建者的公共地址对签名进行验证,该地址在创建者的网站或社交媒体账户上提供。Web 3网络已经构建了所有需要的基础设施来实现此用例。Fred Wilson讨论了如何将内容与公共加密密钥关联起来,以有效打击错误信息。许多声誉良好的风险投资公司已经将其现有的社交媒体资料,如Twitter,或去中心化的社交媒体平台,如Lens Protocol和Mirror,与一个加密的公共地址相链接,这为数字签名作为内容认证方法的可信度提供了支持。

黄奇帆:基于人工智能和区块链技术建立数据可追溯系统:10月24日,复旦大学特聘教授、重庆市原市长黄奇帆在第三届外滩金融峰会上表示,合理分配好数据的管辖权、交易权、所有权、使用权、财产分配权,能够有效促进数据资源转化为数据资产,有利于保护数据主体权益并维护数据安全。

他进一步表示,各类数据活动具有公共产品的特性,它的管辖权、交易权应当归属于国家,内部的任何数据活动都应该遵循国家数据安全法规。国家可以成立中央数据部门对国内的数据活动进行统一管理,在确立总的管理规则后,主要城市可以设立定点数据交易所,类似在北京、上海、深圳设立的证券交易所,而其他的一般省会城市、地级市不能设立。

“同时基于人工智能和区块链技术建立数据可追溯系统,对数据无论是交易、使用、财产分配,有全息的可追溯过程,并且保证是不可更改的,从而保证数据交易安全有序。”(中国证券网)[2021/10/25 20:53:41]

尽管这个概念很简单,但仍然需要大量的工作来改进这个认证过程的用户体验。例如,需要自动化创建内容的数字签名,以提供无缝的流程给创建者使用。另一个挑战是如何生成已签名数据的子集,例如音频或视频片段,而无需重新签名。许多现有的Web 3技术独具优势,可以解决这些问题。

另一个Web 3可以为人工智能提供帮助的领域是,在专有机器学习模型作为服务提供时,最小化对服务提供者的信任。用户可能需要验证他们所支付的服务是否真正得到了提供,或获得机器学习模型公平执行的保证,即所有用户都使用同一模型。零知识证明可用于提供此类保证。在此架构中,机器学习模型的创建者生成一个表示该模型的零知识电路。需要时,该电路用于为用户推断生成零知识证明。零知识证明可以发送给用户进行验证,也可以发布到处理用户验证任务的公共链上。如果机器学习模型是私有的,则独立的第三方可以验证所使用的zk电路是否代表了该模型。机器学习模型的信任最小化方面在模型的执行结果具有高风险时特别有用。例如:

声音 | 贵阳市委书记:要加快区块链和人工智能、大数据、物联网等前沿信息技术的深度融合和应用:11月28日,“贵阳政法大数据工程”顶层设计发布仪式和“政法大数据重点实验室”“中国政法大学政法大数据研究中心”揭牌仪式在筑举行。省委常委、贵阳市委书记、贵安新区党工委书记赵德明出席并讲话。赵德明指出,要加快区块链和人工智能、大数据、物联网等前沿信息技术的深度融合和应用,创造更多的大数据政用、商用、民用应用场景,构建科学化、精细化、智能化的城市治理新模式。要建立完善适应大数据健康有序发展的法律治理体系,加快制定数据资源确权、开放、流通、交易等相关法规制度,以良法善治促进数字文明发展。[2019/11/29]

在这种用例中,患者提交其医疗数据以供机器学习模型进行潜在的诊断。患者需要确保目标机器学习模型已正确地应用于其数据。推断过程生成证明机器学习模型正确执行的零知识证明。

零知识证明可以确保银行和金融机构在评估信用价值时考虑申请人提交的所有财务信息。此外,零知识证明可以证明公平性,即证明所有用户都使用同一模型。

目前的保险理赔处理是手动和主观的。机器学习模型可以更公正地评估有关保险单和索赔详细信息的索赔。结合零知识证明,这些索赔处理的机器学习模型可以被证明已考虑所有政策和索赔细节,并且所有同一保险单下的索赔都使用同一模型进行处理。

创建和训练LLM是一个耗时且昂贵的过程,需要特定的领域专业知识、专用计算基础设施以及数百万美元的计算成本。这些特征可能会导致强大的中央实体(例如OpenAI),这些实体可以通过限制对其模型的访问来对其用户行使重大影响力。

考虑到这些集中化风险,人们正在就Web 3如何促进LLM不同方面的去中心化展开重要的讨论。一些Web 3的支持者提出采用去中心化计算作为与中央化玩家竞争的方法。其基本观点是,去中心化计算可以成为一种更便宜的选择。然而,我们认为这可能不是与中央化玩家竞争的最佳角度。去中心化计算的缺点在于,由于不同异构计算设备之间的通信开销,它在ML训练中可能会慢10-100倍。

动态 | 远光软件半年报:紧抓泛在电力物联网建设重大机遇,区块链及人工智能业务加速增长:据北极星输配电网报道,远光软件今日发布半年报。报告期内,公司紧抓 “泛在电力物联网”建设的重大发展机遇,开始完善产业布局;积极探索新技术对企业管理、智慧能源、社会互联等业务模式的变革,带来爆发式增长,区块链及人工智能销售收入1,625.98万元,同比增长393.61%。[2019/8/29]

作为替代方案,Web 3项目可以专注于以PoPW的方式创建独特且有竞争力的ML模型。这些PoPW网络还可以收集数据以构建独特的数据集来训练这些模型。一些正在朝这个方向发展的项目包括Together和Bittensor。

过去几周,利用LLMs来推理完成某个目标所需任务并执行这些任务以实现目标的AI代理正在崛起。AI代理的浪潮始于BabyAGI的想法,并迅速扩散到高级版本,包括AutoGPT。这里的一个重要预测是,AI代理将变得更加专业化,以在某些任务上表现出色。如果存在专门的AI代理市场,那么AI代理可以搜索、雇佣和支付其他AI代理来执行特定任务,从而实现主项目的完成。在此过程中,Web 3网络为AI代理提供了理想的环境。对于支付,AI代理可以配备加密货币钱包,用于接收付款和支付其他AI代理。此外,AI代理可以插入加密网络以无需获得许可地委托资源。例如,如果一个AI代理需要存储数据,那么AI代理可以创建一个Filecoin钱包,并支付IPFS上的分散式存储费用。AI代理还可以从分散式计算网络如Akash委托计算资源来执行某些任务,甚至扩展其自身的执行。

鉴于训练性能良好的ML模型需要大量数据,可以安全地假定任何公共数据都会被用于ML模型,以预测个人行为。此外,银行和金融机构可以建立自己的ML模型,这些模型是根据用户的财务信息进行训练的,并能够预测用户的未来财务行为。这可能是对隐私的重大侵犯。这种威胁的唯一缓解是默认的金融交易隐私。这种隐私可以通过使用zCash或Aztec支付等私人支付区块链和Penumbra和Aleo等私人DeFi协议来实现。

AI赋能的Web3应用案例

为非程序员玩家生成机器人

像Dark Forest这样的链上游戏创造了一种独特的范例,玩家可以通过开发和部署执行所需游戏任务的机器人来获得优势。这种范式转变可能会排除不能编写代码的玩家。然而,LLM可以改变这一点。LLM可以被微调来理解链上游戏逻辑,并允许玩家创建反映玩家策略的机器人,而不需要玩家编写任何代码。像Primodium和AI Arena这样的项目正在致力于为他们的游戏吸引人工智能和人类玩家。

机器人战斗、和投注

链上游戏的另一个可能性是完全自治的AI玩家。在这种情况下,玩家是一个AI代理,例如AutoGPT,它使用LLM作为后端,并可以访问外部资源,例如互联网访问和潜在的初始加密货币资金。这些AI玩家可以像机器人战争一样进行。这可以开辟一种关于这些注结果的投机和市场。

为链上游戏创建逼真的NPC环境

目前的游戏很少关注非玩家角色(NPC)。NPC的行动有限,对游戏进程的影响很小。鉴于人工智能和Web3的协同作用,可以创建更具吸引力的由AI控制的NPC,这些NPC可以打破可预测性,使游戏更有趣。这里潜在的挑战是如何在最小化与这些活动相关的吞吐量(TPS)的同时引入有意义的NPC动态。过度的NPC活动所需的TPS要求可能会导致网络拥塞,对实际玩家产生不良用户体验。

目前去中心化社交(DeSo)平台面临的一个挑战是,它们与现有的中心化平台相比并没有提供独特的用户体验。接受与AI的无缝集成可以提供缺乏Web2替代品的独特体验。例如,AI管理的帐户可以通过共享相关内容、在帖子上发表评论和参与讨论来帮助吸引新用户加入网络。AI帐户还可以用于新闻聚合,总结与用户兴趣相匹配的最新趋势。

基于LLM的AI代理可以定义目标、创建代码并执行代码的趋势为测试去中心化网络的安全性和经济健全性创造了机会。在这种情况下,AI代理被指示利用协议的安全性或经济平衡。AI代理可以首先审查协议文件和智能合约,识别弱点。然后,AI代理可以独立竞争执行机制来攻击协议,以最大化自己的收益。这种方法模拟了协议在启动后所经历的实际环境。根据这些测试结果,协议的设计者可以审查协议设计并修补弱点。迄今为止,只有专业公司(例如Gauntlet)具备为去中心化协议提供此类服务所需的技术技能集。然而,我们预计,经过Solidity、DeFi机制和先前的开发机制训练的LLM可以提供类似的功能。

尽管区块链数据是公开的,但索引该数据并提取有用的见解一直是一个持续的挑战。该领域的某些参与者(如CoinMetrics)专门从事索引数据和构建复杂指标以销售,而其他人(如Dune)专注于索引原始交易的主要组件,并通过社区贡献众包指标提取部分。最近的LLM进展表明,数据索引和指标提取可能会受到破坏。Dune已经认识到了这个威胁,并宣布了一个LLM路线图,其中包括SQL查询解释和基于NLP的查询的潜力。然而,我们预测LLM的影响将比这更深入。这里的一种可能性是基于LLM的索引,其中LLM模型直接与区块链节点交互,为特定的指标索引数据。像Dune Ninja这样的初创公司已经在探索创新的LLM应用于数据索引。

不同的区块链竞争吸引开发者来建立该生态系统中的应用程序。Web 3 开发者活动是某个生态系统成功的重要指标。开发者面临的主要难点是在开始学习和构建新生态系统时得到支持。生态系统已经投资数百万美元,以专门的开发者关系团队的形式支持探索生态系统的开发者。在这方面,新兴的LLMs已经展示出惊人的成果,可以解释复杂的代码、捕获错误,甚至创建文档。经过调整的LLMs可以补充人类经验,显著扩大开发人员关系团队的生产力。例如,LLMs可用于创建文档、教程、回答常见问题,甚至支持hackathon的开发人员使用模板代码或创建单元测试。

通过将人工智能集成到DeFi协议的逻辑中,许多DeFi协议的性能可以显著提高。迄今为止,集成AI到DeFi的主要瓶颈是实现链上AI的成本过高。AI模型可以在链下实现,但以前没有办法验证模型执行。然而,通过Modulus和ChainML等项目,链下执行的验证正在变得可能。这些项目允许在链下执行ML模型,同时限制链上成本。在Modulus的情况下,链上费用被限制为验证模型的ZKP。在ChainML的情况下,链上成本是支付给分散的AI执行网络的Oracle费用。

一些可以从AI集成中受益的DeFi用例。

AMM流动性供应,即更新Uniswap V3流动性的范围。

使用链上和链下数据保护债务头寸的清算保护。

复杂的DeFi结构化产品,其中金库机制由财务AI模型定义,而不是固定策略。这些策略可以包括由AI管理的交易、借贷或期权。

考虑不同链上的不同钱包的高级链上信用评分机制。

结论

我们认为Web3和AI在文化和技术上是兼容的。与Web2倾向于排斥机器人不同,Web3由于其无需权限的可编程性而允许AI蓬勃发展。更广泛地说,如果您将区块链视为一个网络,那么我们预计AI将主导网络的边缘。这适用于各种消费者应用,从社交媒体到游戏。到目前为止,Web 3网络的边缘在很大程度上是人类。人类启动和签署交易或实施具有固定策略的机器人。随着时间的推移,我们将看到越来越多的AI代理在网络边缘处。AI代理将通过智能合约与人类和彼此进行交互。这些交互将使新颖的消费者体验成为可能。

金色荐读

金色财经 善欧巴

Chainlink预言机

白话区块链

金色早8点

Odaily星球日报

欧科云链

深潮TechFlow

MarsBit

Arcane Labs

标签:人工智能区块链NFTMDT学人工智能后悔死了区块链dapp开发SNFTCMDT

币赢热门资讯
ETH:金色早报 | 美国国税局针对FTX破产提出价值440亿美元的索赔_iusd币价格

▌美国国税局针对FTX破产提出价值440亿美元的索赔美国国税局(IRS)已对破产的加密货币交易所FTX及其附属实体的财产提出价值近440亿美元的索赔,美国国税局向FTX公司提出了45项索赔.

ETH:Cosmos流动性质押生态分析_USDT

以太坊的质押从2020年11月开始,直至最近的上海升级才开通赎回功能,随着质押率的上升,质押收益率也在不断下降.

MDT:晚间必读5篇 | 亚马逊NFT平台即将上线 处于谷底的NFT市场会迎来复苏吗?_mdt币怎么样

1.Paradigm深度解读Blur新推出的点对点NFT借贷协议Blend2023年五一劳动节当日,Blur联合Paradigm推出点对点NFT借贷协议Blend.

WEB:什么是Rug Pull 我们又该如何甄别避免_区块链

随着加密货币投资的兴起,也随之兴起。加密世界中最常见的局之一是rug pull。本文将从什么是Rug Pull,它的不同类型,以及如何识别和避免这些欺诈行为等方面展开介绍.

AZUKI:以Azuki为例 揭开NFT保持逆势增长的秘密_Zuki Moba

 来源:NFTScan 浏览器从 NFTScan 的数据看,主流蓝筹NFT项目近期价格均出现较大幅度下跌,在一定程度上反映市场信心出现减弱,作为 NFT 市场的领头项目.

ZUKI:NFT下跌后Blur遭声讨 但Blur并非罪魁祸首_IAZUKI

NFT市场Blur推出的激励机制,使得“虚假”交易正在Blur上聚集,但当获利的NFT持有者不再接手时,市场一路下跌。在Blur遭到一片声讨中,也有观点认为,Blur并非罪魁祸首.