Bagaimana The Graph meningkatkan skala untuk menjadi infrastruktur Web3 yang didorong oleh AI

Ditulis oleh: ChainFeeds Research

Pada tahun 2022, OpenAI meluncurkan ChatGPT yang didukung oleh model GPT-3.5, yang sejak itu memicu gelombang narasi AI. Namun, meskipun ChatGPT dapat menangani masalah secara efektif dalam banyak kasus, kinerjanya mungkin masih terbatas ketika diperlukan pengetahuan domain spesifik atau data real-time. Misalnya, ketika ditanya tentang catatan perdagangan token Vitalik Buterin dalam 18 bulan terakhir, ChatGPT tidak dapat memberikan informasi yang andal dan rinci. Untuk alasan ini, tim pengembangan inti The Graph, Semiotic Labs, menggabungkan tumpukan perangkat lunak pengindeksan The Graph dan OpenAI untuk meluncurkan proyek Agentc, yang dapat menyediakan layanan analisis tren pasar cryptocurrency dan kueri data transaksi kepada pengguna.

Ketika menanyakan Agentc tentang catatan perdagangan token Vitalik Buterin dalam 18 bulan terakhir, Agentc memberikan jawaban yang lebih rinci. Namun, tata letak AI The Graph tidak terbatas pada ini. Dalam white paper "The Graph as AI Infrastructure", dinyatakan bahwa tujuannya bukan untuk meluncurkan aplikasi spesifik, tetapi untuk memanfaatkan keunggulannya sebagai protokol pengindeksan data terdesentralisasi untuk menyediakan alat bagi pengembang untuk membangun aplikasi AI asli Web3. Untuk mendukung tujuan ini, Semiotic Labs juga akan membuka kode sumber basis kode Agentc, memungkinkan pengembang untuk membuat dapps AI dengan fungsi serupa dengan Agentc, seperti agen analisis tren pasar NFT dan agen asisten perdagangan DeFi.

Peta Jalan AI Terdesentralisasi The Graph

The Graph diluncurkan pada Juli 2018 dan merupakan protokol terdesentralisasi untuk mengindeks dan mengkueri data blockchain. Melalui protokol ini, pengembang dapat menggunakan API terbuka untuk membuat dan menerbitkan indeks data yang disebut subgraf, memungkinkan aplikasi untuk mengambil data on-chain secara efisien. Sejauh ini, The Graph telah mendukung lebih dari 50 rantai, menampung lebih dari 75.000 proyek, dan memproses lebih dari 1,26 triliun kueri.

The Graph mampu memproses jumlah data yang sangat besar ini, yang tidak terlepas dari dukungan tim inti di belakangnya, termasuk Edge Node, Streamingfast, Semiotic, The Guild, GraphOps, Messari, dan Pinax. Di antaranya, Streamingfast terutama menyediakan teknologi arsitektur lintas rantai untuk aliran data blockchain, dan Semiotic AI berfokus pada penerapan AI dan kriptografi ke The Graph. The Guild, GraphOps, Messari, dan Pinax masing-masing berfokus pada area seperti pengembangan GraphQL, layanan pengindeksan, pengembangan subgraf, dan solusi aliran data.

Tata letak AI The Graph bukanlah ide baru. Pada Maret tahun lalu, The Graph Blog menerbitkan artikel yang menguraikan potensi penggunaan kemampuan pengindeksan datanya untuk aplikasi kecerdasan buatan. Pada Desember tahun lalu, The Graph merilis peta jalan baru yang disebut "New Era", merencanakan untuk menambahkan kueri yang dibantu AI untuk model bahasa besar. Dengan dirilisnya white paper baru-baru ini, peta jalan AI-nya menjadi lebih jelas. White paper tersebut memperkenalkan dua layanan AI: Layanan Inferensi dan Layanan Agen, yang memungkinkan pengembang untuk mengintegrasikan fungsi AI langsung ke front end aplikasi, dan seluruh proses didukung oleh The Graph.

Layanan Inferensi: Dukungan untuk beberapa model AI sumber terbuka

Dalam layanan inferensi tradisional, model membuat prediksi pada data input melalui sumber daya komputasi cloud terpusat. Misalnya, ketika Anda menanyakan pertanyaan kepada ChatGPT, ia akan menyimpulkan dan mengembalikan jawaban. Namun, pendekatan terpusat ini tidak hanya meningkatkan biaya, tetapi juga menimbulkan risiko sensor. The Graph berharap untuk menyelesaikan masalah ini dengan membangun pasar hosting model terdesentralisasi, memberikan pengembang dApp lebih banyak fleksibilitas dalam menerapkan dan menghosting model AI.

The Graph memberikan contoh dalam white paper, menunjukkan cara membuat aplikasi untuk membantu pengguna Farcaster memahami apakah postingan mereka akan menerima banyak suka. Pertama, gunakan layanan data subgraf The Graph untuk mengindeks jumlah komentar dan suka pada postingan Farcaster. Kemudian, latih jaringan saraf untuk memprediksi apakah komentar Farcaster baru akan disukai, dan terapkan jaringan saraf ke layanan inferensi The Graph. Pengembangan dApp akhir

d dapat membantu pengguna menulis postingan yang dapat mendapatkan lebih banyak suka.

Pendekatan ini memungkinkan pengembang untuk dengan mudah memanfaatkan infrastruktur The Graph, meng-host model yang telah dilatih sebelumnya di jaringan The Graph, dan mengintegrasikannya ke dalam aplikasi melalui antarmuka API, sehingga pengguna dapat langsung merasakan fitur-fitur ini saat menggunakan dApps.

Untuk memberikan lebih banyak pilihan dan fleksibilitas kepada pengembang, Layanan Inferensi The Graph mendukung sebagian besar model populer yang ada. Dalam white paper-nya, tertulis, "Pada tahap MVP, Layanan Inferensi The Graph akan mendukung serangkaian model AI open source populer yang telah disaring, termasuk Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok, dan Whisper, dll." Di masa depan, model terbuka apa pun yang telah diuji dengan cukup dan dioperasikan oleh indexer dapat diterapkan dalam Layanan Inferensi The Graph. Selain itu, untuk mengurangi kompleksitas teknis dalam menerapkan model AI, The Graph menyediakan antarmuka yang ramah pengguna yang menyederhanakan seluruh proses, memungkinkan pengembang untuk dengan mudah mengunggah dan mengelola model AI mereka tanpa khawatir tentang pemeliharaan infrastruktur.

Untuk lebih meningkatkan kinerja model dalam skenario aplikasi tertentu, The Graph juga mendukung penyesuaian model untuk set data tertentu. Namun, perlu dicatat bahwa penyesuaian biasanya tidak dilakukan di The Graph. Pengembang perlu menyesuaikan model secara eksternal dan kemudian menerapkannya menggunakan layanan inferensi The Graph. Untuk mendorong pengembang mengungkapkan model yang telah disesuaikan secara publik, The Graph sedang mengembangkan mekanisme insentif, seperti mengalokasikan biaya kueri secara wajar antara pembuat model dan indexer yang menyediakan model.

Dalam hal memverifikasi pelaksanaan tugas inferensi, The Graph menyediakan berbagai metode, seperti otoritas tepercaya, konsensus M-of-N, bukti penipuan interaktif, dan zk-SNARKs. Masing-masing dari empat metode ini memiliki kelebihan dan kekurangan. Otoritas tepercaya bergantung pada entitas tepercaya; konsensus M-of-N memerlukan verifikasi oleh beberapa indexer, yang meningkatkan kesulitan kecurangan sekaligus meningkatkan biaya komputasi dan koordinasi; bukti penipuan interaktif lebih aman, tetapi tidak cocok untuk aplikasi yang memerlukan respons cepat; dan zk-SNARKs lebih kompleks untuk diterapkan dan tidak cocok untuk model besar.

The Graph percaya bahwa pengembang dan pengguna harus memiliki hak untuk memilih tingkat keamanan yang sesuai berdasarkan kebutuhan mereka. Oleh karena itu, The Graph berencana untuk mendukung beberapa metode verifikasi dalam layanan inferensinya untuk menyesuaikan dengan kebutuhan keamanan dan skenario aplikasi yang berbeda. Misalnya, dalam situasi yang melibatkan transaksi keuangan atau logika bisnis penting, mungkin perlu menggunakan metode verifikasi yang lebih aman, seperti zk-SNARKs atau konsensus M-of-N. Untuk beberapa aplikasi berisiko rendah atau hiburan, Anda dapat memilih metode verifikasi yang lebih murah dan lebih sederhana untuk diterapkan, seperti otoritas tepercaya atau bukti penipuan interaktif. Selain itu, The Graph juga berencana untuk mengeksplorasi teknologi peningkatan privasi untuk meningkatkan masalah privasi model dan pengguna.

Layanan Agen: Membantu pengembang membangun aplikasi otonom yang didorong oleh AI

Dibandingkan dengan Layanan Inferensi, yang terutama menjalankan model AI yang telah dilatih untuk inferensi, Layanan Agen lebih kompleks dan memerlukan beberapa komponen untuk bekerja sama agar agen-agen ini dapat melakukan serangkaian tugas yang kompleks dan otomatis. Nilai proposisi dari Layanan Agen The Graph adalah mengintegrasikan konstruksi, hosting, dan eksekusi agen ke dalam The Graph dan menyediakan layanan dari jaringan indexer.

Secara khusus, The Graph akan menyediakan jaringan terdesentralisasi untuk mendukung konstruksi dan hosting agen. Setelah Agen diterapkan di jaringan The Graph, The Graph Indexer akan menyediakan dukungan eksekusi yang diperlukan.

rt, termasuk pengindeksan data, merespons peristiwa on-chain, dan permintaan interaktif lainnya.

Seperti yang disebutkan di atas, tim pengembangan inti The Graph, Semiotic Labs, telah meluncurkan produk eksperimental awal bernama Agentc, yang menggabungkan tumpukan perangkat lunak pengindeksan The Graph dan OpenAI. Fungsi utamanya adalah mengubah input bahasa alami menjadi kueri SQL, memungkinkan pengguna untuk langsung menanyakan data real-time di blockchain dan menyajikan hasil kueri kepada pengguna dalam bentuk yang mudah dipahami. Singkatnya, Agentc berfokus pada penyediaan analisis tren pasar cryptocurrency yang nyaman dan kueri data transaksi kepada pengguna. Semua datanya berasal dari Uniswap V2, Uniswap V3, Uniswap X, dan fork-nya di Ethereum, dan harga diperbarui setiap jam.

Selain itu, The Graph juga menyatakan bahwa model LLM yang digunakan oleh The Graph memiliki tingkat akurasi hanya 63,41%, sehingga ada masalah respons yang salah. Untuk mengatasi masalah ini, The Graph sedang mengembangkan model bahasa besar baru yang disebut KGLLM (Knowledge Graph-enabled Large Language Models).

KGLLM dapat secara signifikan mengurangi kemungkinan menghasilkan informasi yang salah dengan menggunakan data grafik pengetahuan terstruktur yang disediakan oleh Geo. Setiap pernyataan dalam sistem Geo didukung oleh stempel waktu on-chain dan verifikasi pemungutan suara. Setelah mengintegrasikan grafik pengetahuan Geo, agen dapat diterapkan pada berbagai skenario, termasuk regulasi medis, perkembangan politik, analisis pasar, dll., sehingga meningkatkan keragaman dan akurasi layanan agen. Misalnya, KGLLM dapat menggunakan data politik untuk memberikan rekomendasi perubahan kebijakan untuk organisasi otonom terdesentralisasi (DAO) dan memastikan bahwa mereka didasarkan pada informasi yang terkini dan akurat.

Keunggulan KGLLM juga termasuk:

Penggunaan data terstruktur: KGLLM menggunakan basis pengetahuan eksternal yang terstruktur. Informasi dimodelkan dalam bentuk grafis dalam grafik pengetahuan, membuat hubungan antara data jelas terlihat, sehingga kueri dan pemahaman data menjadi lebih intuitif;
Kemampuan pemrosesan data relasional: KGLLM sangat cocok untuk memproses data relasional, misalnya, dapat memahami hubungan antara orang, hubungan antara orang dan peristiwa, dll. Dan menggunakan algoritma penelusuran graf untuk menemukan informasi yang relevan dengan melompat beberapa node dalam grafik pengetahuan (mirip dengan bergerak di peta). Dengan cara ini, KGLLM dapat menemukan informasi yang paling relevan untuk menjawab pertanyaan;
Pengambilan dan pembuatan informasi yang efisien: Melalui algoritma penelusuran graf, hubungan yang diekstraksi oleh KGLLM diubah menjadi petunjuk yang dapat dipahami model dalam bahasa alami. Melalui instruksi yang jelas ini, model KGLLM dapat menghasilkan jawaban yang lebih akurat dan relevan.

Pandangan ke Depan

Sebagai "Google dari Web3", The Graph menggunakan keunggulannya untuk menutupi kekurangan data saat ini dari layanan AI dan menyederhanakan proses pengembangan proyek bagi pengembang dengan memperkenalkan layanan AI. Dengan perkembangan dan penggunaan lebih banyak aplikasi AI, pengalaman pengguna diharapkan akan semakin meningkat. Di masa depan, tim pengembangan The Graph akan terus mengeksplorasi kemungkinan menggabungkan kecerdasan buatan dengan Web3. Selain itu, tim lain dalam ekosistemnya, seperti Playgrounds Analytics dan DappLooker, juga sedang merancang solusi terkait layanan proxy.