ABCDE: Betrachtung von KI+Krypto aus der Perspektive des Primärmarktes

Mehr als ein Jahr nach der Veröffentlichung von ChatGPT sind die Diskussionen um AI+Crypto in letzter Zeit wieder hitzig geworden. KI gilt als einer der wichtigsten Tracks für den Bullenmarkt von 2024-2025, wobei sogar Vitalik Buterin selbst einen Artikel mit dem Titel "Das Versprechen und die Herausforderungen von Krypto + KI-Anwendungen" veröffentlicht hat, um mögliche Explorationsrichtungen für KI+Kryo in der Zukunft zu diskutieren. Dieser Artikel wird nicht zu viele subjektive Vorhersagen treffen, sondern einfach die im vergangenen Jahr beobachteten KI- und Krypto-Kombinationsprojekte aus der Perspektive des Primärmarktes sortieren, um zu sehen, aus welchen Blickwinkeln Unternehmer in den Markt eingetreten sind, welche Erfolge erzielt wurden und welche Bereiche noch erforscht werden.

I. Der Kreislauf von KI+Krypto

Im Laufe des Jahres 2023 haben wir fast Dutzende von AI+Crypto-Projekten diskutiert, bei denen ein klarer Zyklus zu beobachten war. Vor der Veröffentlichung von ChatGPT Ende 2022 gab es auf dem Sekundärmarkt nur wenige Blockchain-Projekte im Zusammenhang mit KI, wobei die wichtigsten ältere Projekte wie FET und AGIX waren. Auch auf dem Primärmarkt gab es nur wenige KI-bezogene Projekte.

Von Januar bis Mai 2023 gab es die erste konzentrierte Explosionsphase von KI-Projekten, vor allem, weil ChatGPT einen enormen Einfluss hatte. Viele alte Projekte auf dem Sekundärmarkt haben sich auf den KI-Track verlagert, und fast jede Woche gab es Diskussionen über AI+Crypto-Projekte auf dem Primärmarkt. Die KI-Projekte dieser Zeit fühlten sich jedoch relativ einfach an, von denen viele nur "reskinned" und "Blockchain-konvertierte" Projekte waren, die auf ChatGPT basierten, ohne jegliche technologische Kernbarrieren. Unser internes Entwicklungsteam konnte das Grundgerüst eines Projekts oft in nur ein oder zwei Tagen replizieren. Das hat dazu geführt, dass wir in dieser Zeit über viele KI-Projekte diskutiert haben, aber letztendlich haben wir keine Schritte unternommen.

Von Mai bis Oktober begann der Sekundärmarkt zu tragen, und interessanterweise ging auch die Zahl der KI-Projekte auf dem Primärmarkt deutlich zurück, bis die Zahl in den letzten ein oder zwei Monaten wieder zu steigen begann, wobei Diskussionen, Artikel und mehr über AI+Crypto reicher wurden. Wir sind wieder in einen "Boom" eingetreten, in dem wir jede Woche auf KI-Projekte stoßen konnten. Nach sechs Monaten hatten wir das Gefühl, dass die neuen KI-Projekte im Vergleich zur ersten KI-Hype-Phase ein deutlich verbessertes Verständnis für den KI-Track, die Implementierung kommerzieller Szenarien und die Integration von AI+Crypto aufwiesen. Obwohl die technologischen Barrieren noch nicht stark sind, hat der Gesamtreifegrad ein neues Niveau erreicht. Erst 2024 haben wir endlich unsere erste Wette auf die AI+Crpyto-Strecke abgeschlossen.

II. Im AI+Crypto Track

Vitalik prognostiziert in seinem Artikel über "Prognosen und Herausforderungen" aus mehreren relativ abstrakten Dimensionen und Perspektiven:

• KI als Akteur im Spiel
• KI als Gaming-Interface
• KI als Spielregeln
• KI als Gaming-Ziel

Wir fassen jedoch die KI-Projekte, die derzeit auf dem Primärmarkt zu sehen sind, aus einem konkreteren und direkteren Blickwinkel zusammen. Projekte im Bereich KI+Krypto drehen sich meist um den Kern von Krypto, der "technische (oder politische) Dezentralisierung + kommerzielle Assetisierung" ist.

Die Dezentralisierung muss nicht vorgestellt werden; es dreht sich alles um Web3. Basierend auf der Art der Assetisierung kann es grob in drei Hauptbereiche unterteilt werden:

• Assetisierung von Rechenleistung
• Assetisierung von Modellen
• Aktivierung von Daten

Assetisierung von Rechenleistung

Dies ist ein relativ dichter Track, der sowohl verschiedene neue Projekte als auch Pivots aus älteren Projekten wie Akash von Cosmos und Nosana von Solana umfasst. Die Token-Preise stiegen nach dem Pivot sprunghaft an, was den Optimismus des Marktes in Bezug auf die KI-Schiene widerspiegelt. Obwohl RNDR in erster Linie auf dezentrales Rendering ausgerichtet ist, kann es auch KI-Zwecken dienen, so dass viele RNDR und ähnliche Projekte im Zusammenhang mit Rechenleistung unter der KI-Schiene klassifizieren.

Die Assetisierung von Rechenleistung lässt sich weiter in zwei Richtungen unterteilen:

Dezentrales Computing für das KI-Training, vertreten durch Gensyn.

Dezentrales Computing für KI-Inferenz, repräsentiert durch die meisten Pivots und neuen Projekte.

Ein interessantes Phänomen, das in diesem Track beobachtet wird, oder besser gesagt, eine Skepsiskette, lautet wie folgt:

Traditionelle KI → dezentrale Inferenz → dezentrales Training

Diejenigen, die einen traditionellen KI-Hintergrund haben, sind skeptisch gegenüber dezentralem KI-Training oder Inferenz. Und im dezentralen Bereich zweifeln diejenigen, die sich auf Inferenz konzentrieren, an der Durchführbarkeit von dezentralem Training. Der Hauptgrund liegt in den technischen Herausforderungen, da das KI-Training (insbesondere für große Modelle) massive Datenmengen und vor allem eine hohe Bandbreite für die Datenkommunikation erfordert. Derzeit erfordert das Training großer Transformer-Modelle eine Matrix aus High-End-GPUs (wie der 4090 oder H100 für KI) sowie NVLink und professionellen Glasfaser-Switches für Kommunikationskanäle auf 100G-Ebene, was Zweifel an der Machbarkeit der Dezentralisierung für solche Aufgaben aufkommen lässt.

• Diejenigen, die von traditionellen KI-Majors kommen, sind nicht optimistisch, was dezentrales KI-Training oder -Denken angeht.
• Diejenigen, die dezentral argumentieren, sind nicht optimistisch, was die dezentrale Ausbildung angeht.

Der Grund dafür ist vor allem technischer Natur, denn KI-Training (insbesondere große Modell-KI) beinhaltet riesige Datenmengen, und was übertriebener ist als die Datenanforderungen, ist der Bandbreitenbedarf, der durch die Hochgeschwindigkeitskommunikation dieser Daten verursacht wird. In der aktuellen Transformer-Umgebung mit großen Modellen erfordert das Trainieren dieser großen Modelle eine große Anzahl von 4090-Level-High-End-Grafikkarten/H100-Professional-AI-Grafikkarten mit Rechenleistungsmatrix + 100G-Level-Kommunikationskanälen, die aus NVLink und professionellen Glasfaser-Switches bestehen. Du sagst, dass diese Sache dezentral implementiert werden kann, hmm...

KI-Argumentation erfordert weitaus weniger Rechenleistung und Kommunikationsbandbreite als KI-Training. Die Möglichkeit der Dezentralisierung ist natürlich viel größer als die der Ausbildung. Das ist der Grund, warum die meisten Projekte, die sich auf Rechenleistung beziehen, mit Argumentation beschäftigt sind, und Training ist im Grunde nur Gensyn. , ein großer Akteur wie Together, der über 100 Millionen Yuan aufgebracht hat. Aber auch unter dem Gesichtspunkt des Kosten-Leistungs-Verhältnisses und der Zuverlässigkeit ist zentralisierte Rechenleistung zumindest in dieser Phase immer noch weitaus besser als dezentrale Argumentation.

Es ist nicht schwer zu erklären, warum sie bei der Betrachtung von dezentralem Denken und dezentralem Training denken, dass "man es überhaupt nicht tun kann", während die traditionelle KI das dezentrale Training und Denken betrachtet und denkt, dass "Training technisch unrealistisch ist" und "Argumentation kommerziell unzuverlässig ist". Spektrum".

Einige Leute sagen, dass bei der Veröffentlichung von BTC/ETH auch alle gesagt haben, dass dieses Modell, bei dem alle verteilten Knoten gezählt werden, im Vergleich zum Cloud Computing nicht zuverlässig ist, aber hat es am Ende nicht funktioniert? Dann hängt es von den zukünftigen Anforderungen an KI-Training und KI-Argumentation für die Dimensionen Korrektheit, Nicht-Manipulationsfähigkeit und Redundanz ab. Sich einfach auf Leistung, Zuverlässigkeit und Preis zu konzentrieren, kann vorerst nicht besser sein als Zentralisierung.

Assetisierung von Modellen

Dieser Track ist überfüllt und im Vergleich zur Assetisierung von Rechenleistung relativ einfach zu verstehen. Die Popularität von ChatGPT und Anwendungen wie Character.AI haben das Potenzial großer Sprachmodelle gezeigt. Nutzer können sich von historischen Persönlichkeiten wie Sokrates oder Konfuzius inspirieren lassen, mit Prominenten wie Elon Musk oder Sam Altman chatten oder sogar romantische Gespräche mit virtuellen Idolen wie Hatsune Miku oder Raiden Shogun führen. Diese Magie ist großen Sprachmodellen zu verdanken, wobei das Konzept der KI-Agenten durch Character.AI tief verwurzelt ist.

Was wäre, wenn diese Agenten wie Konfuzius, Musk oder Raiden Shogun NFTs wären?

Ist das nicht AI X Crypto?!

Dies verkörpert das AI X Crypto-Konzept. Es geht mehr um die Assetisierung von Agenten, die aus großen Modellen erstellt werden, als um die Modelle selbst, da große Modelle nicht direkt auf der Blockchain platziert werden können. Der Schwerpunkt liegt auf der Zuordnung von Agenten zu NFTs, um ein Gefühl der "Modell-Assetization" im AI X Crypto-Bereich zu schaffen.

Derzeit gibt es Agenten zum Englischlernen, Dating und mehr, zusammen mit abgeleiteten Projekten wie Agentensuche und Marktplätzen. Ein häufiges Problem in diesem Track ist das Fehlen technischer Barrieren, da viele Projekte das Character.AI-Konzept einfach NFT-isieren. Die Integration in die Blockchain ist oft minimal, ähnlich wie GameFi-NFTs auf Ethereum möglicherweise nur eine URL oder einen Hash in ihren Metadaten speichern, wobei Modelle/Agenten auf Cloud-Servern gehostet werden. Der Handel auf der Blockchain beinhaltet im Wesentlichen Eigentumsrechte.

Trotz dieser Herausforderungen wird die Assetisierung von Modellen und Agenten wahrscheinlich ein wichtiger Schritt in AI x Crypto bleiben, mit der Hoffnung auf technisch robustere und Blockchain-integrierte Projekte in der Zukunft.

Assetisierung von Daten

Die Datenassetisierung eignet sich logischerweise am besten für AI+Crypto, da das traditionelle KI-Training in erster Linie sichtbare Daten verwendet, die im Internet verfügbar sind, oder genauer gesagt Daten aus dem öffentlichen Datenverkehr, der möglicherweise nur 10-20 % des Gesamtverkehrs ausmacht. Ein erheblicher Teil der Daten befindet sich tatsächlich im privaten Datenverkehr (einschließlich personenbezogener Daten). Wenn diese Verkehrsdaten für das Training oder die Feinabstimmung großer Modelle verwendet werden könnten, könnten wir zweifellos mehr spezialisierte Agenten/Bots in verschiedenen vertikalen Bereichen haben.

Der bekannteste Slogan des Web3 lautet "Lesen, Schreiben, Besitzen!"

Daher klingt es unter der Leitung dezentraler Anreize durch KI+Krypto nach einem sehr logischen Ansatz, individuelle und private Wunschverkehrsdaten für die Assetisierung freizugeben, um einen besseren und reichhaltigeren "Feed" für große Modelle bereitzustellen. In der Tat engagieren sich mehrere Teams intensiv in diesem Bereich.

Die größte Herausforderung in diesem Track ist jedoch, dass Daten nicht so einfach standardisiert werden können wie Rechenleistung. Bei dezentraler Rechenleistung ergibt sich aus dem Modell Ihrer Grafikkarte direkt eine bestimmte Rechenleistung, während die Quantität, Qualität und der Zweck privater Daten über verschiedene Dimensionen hinweg schwer zu messen sind. Wenn dezentrale Rechenleistung wie ERC20 ist, dann fühlt sich die Assetisierung von KI-Trainingsdaten für dezentrale KI eher wie ERC721 an, gemischt mit vielen Projekten und Merkmalen wie PunkAzuki, was die Liquidität und Marktentwicklung deutlich schwieriger macht als bei ERC20. Daher stehen Projekte, die sich mit der Assetisierung von KI-Daten befassen, vor erheblichen Schwierigkeiten.

Ein weiterer bemerkenswerter Aspekt der Datenspur ist die dezentrale Beschriftung. Die Datenassetisierung bezieht sich auf den Schritt "Datenerfassung", und die gesammelten Daten müssen verarbeitet werden, bevor sie an die KI weitergeleitet werden, und hier kommt die Datenkennzeichnung ins Spiel. Dieser Schritt ist derzeit eine zentralisierte, arbeitsintensive Aufgabe. Durch die Dezentralisierung dieses Prozesses durch Token-Belohnungen, die Umwandlung dieser Arbeitsarbeit in eine dezentrale Kennzeichnung zum Verdienen oder die Verteilung der Arbeit auf ähnliche Weise wie bei Crowdsourcing-Plattformen wird ein Konzept untersucht. Einige wenige Teams sind derzeit dabei, dieses Feld zu bewirtschaften.

III. Die fehlenden Puzzleteile in AI + Crypto

Lassen Sie uns aus unserer Sicht kurz die fehlenden Teile im AI + Crypto-Sektor besprechen.

1. Technologische Barrieren: Wie bereits erwähnt, haben die meisten AI + Crypto-Projekte im Vergleich zu traditionellen KI-Projekten im Web2-Bereich fast keine Barrieren. Sie verlassen sich mehr auf Wirtschaftsmodelle und symbolische Anreize und konzentrieren ihre Bemühungen auf Front-End-Erfahrung, Markt und Betrieb. Daran ist zwar nichts auszusetzen – Dezentralisierung und Wertverteilung sind in der Tat Stärken des Web3 –, aber das Fehlen von Kernbarrieren vermittelt oft eine "X to Earn"-Stimmung. Wir freuen uns immer noch darauf, dass weitere Teams mit Kerntechnologien, wie die Muttergesellschaft von RNDR, OTOY, bedeutende Fortschritte im Krypto-Bereich machen.

2. Aktueller Stand der Praktiker: Basierend auf unseren Beobachtungen sind einige Teams im AI x Crypto-Sektor sehr sachkundig in KI, aber es fehlt ihnen an einem tiefen Verständnis von Web3. Umgekehrt sind einige Teams sehr Crypto Native, haben aber ein oberflächliches Verständnis von KI. Dies ist dem frühen Gamefi-Sektor sehr ähnlich, bei dem die Teams entweder ein tiefes Verständnis von Spielen hatten und versuchten, Web2-Spiele an die Blockchain anzupassen, oder sich mit Web3 auskannten und sich auf Innovationen und die Optimierung verschiedener Verdienstmodelle konzentrierten. Matr1x war das erste Team, dem wir im Gamefi-Sektor begegnet sind, mit einem Double-A-Verständnis sowohl für Gaming als auch für Krypto, weshalb ich bereits erwähnt habe, dass Matr1x eines der drei Projekte im Jahr 2023 war, für die ich mich "direkt nach der Diskussion" entschieden habe. Wir freuen uns darauf, im Jahr 2024 Teams mit einem Doppel-A-Verständnis sowohl in KI als auch in Krypto zu sehen.

3. Kommerzielle Szenarien: AI X Crypto befindet sich in einem sehr frühen Stadium der Exploration. Die verschiedenen erwähnten Assetizations sind nur einige grobe Richtungen, die jeweils potenzielle Teilsektoren aufweisen, die akribisch erforscht und segmentiert werden können. Die Kombination von KI und Krypto in aktuellen Projekten fühlt sich oft "steif" oder "rau" an und schafft es nicht, die besten Wettbewerbsvorteile oder die Kombinierbarkeit von KI oder Krypto zu nutzen. Dies steht in engem Zusammenhang mit dem zweiten oben genannten Punkt. So hat unser hauseigenes Entwicklungsteam beispielsweise eine optimalere Kombinationsmethode konzipiert und entworfen. Leider haben wir trotz der Überprüfung vieler Projekte im KI-Sektor noch kein Team gefunden, das diese Nische betreten hat. Daher bleibt uns nichts anderes übrig, als weiter zu warten.

Warum konnte sich unser VC bestimmte Szenarien vor den Unternehmern des Marktes ausdenken? Denn unser internes KI-Team besteht aus sieben Mastern, von denen fünf in KI promoviert haben. Was das Verständnis des ABCDE-Teams von Krypto angeht, nun, wissen Sie...

Zusammenfassend lässt sich sagen, dass, obwohl AI x Crypto aus Sicht des Primärmarktes noch sehr früh und unausgereift ist, dies uns nicht daran hindert, optimistisch zu sein, was seine Aussichten in den Jahren 2024-2025 angeht. AI x Crypto könnte im nächsten Bullenmarkt zu einem der Hauptsektoren werden. Denn wenn KI Produktivkräfte freisetzt und Blockchain Produktionsverhältnisse befreit, welche bessere Kombination könnte es dann geben? :)

Verzichtserklärung:

1. Dieser Artikel ist ein Nachdruck von [ABCDE], Alle Urheberrechte liegen beim ursprünglichen Autor [ABCDE]. Wenn es Einwände gegen diesen Nachdruck gibt, wenden Sie sich bitte an das Gate Learn-Team , das sich umgehend darum kümmern wird.
2. Haftungsausschluss: Die in diesem Artikel geäußerten Ansichten und Meinungen sind ausschließlich die des Autors und stellen keine Anlageberatung dar.
3. Übersetzungen des Artikels in andere Sprachen werden vom Gate Learn-Team durchgeführt. Sofern nicht anders angegeben, ist das Kopieren, Verbreiten oder Plagiieren der übersetzten Artikel verboten.