AI phi tập trung: kịch bản ứng dụng và kho lưu trữ dự án chính

Tác giả: Casey, Đối tác đầu tư của Paradigm; Bản dịch: Golden Finance xiaozou

Tôi tin rằng sự cởi mở mang lại sự đổi mới. Trong những năm gần đây, trí tuệ nhân tạo đã đạt được sự phát triển nhanh chóng và có tiện ích cũng như tầm ảnh hưởng toàn cầu. Vì sức mạnh tính toán tăng lên cùng với việc tích hợp các tài nguyên, trí tuệ nhân tạo đương nhiên sẽ làm nảy sinh các vấn đề tập trung hóa và bên nào có sức mạnh tính toán mạnh hơn sẽ dần chiếm ưu thế. Điều này sẽ cản trở tốc độ đổi mới của chúng ta. Tôi nghĩ rằng sự phân quyền và Web3 là những ứng cử viên nặng ký để giữ cho AI luôn mở.

1, điện toán phi tập trung để đào tạo trước và tinh chỉnh

Điện toán cộng đồng (CPU + GPU)

Nhận xét hỗ trợ: mô hình tài nguyên cộng đồng của airbnb/uber có thể được mở rộng Trong lĩnh vực điện toán , tài nguyên máy tính nhàn rỗi sẽ được tổng hợp thành một thị trường. Điều này có thể giải quyết các vấn đề như cung cấp tài nguyên điện toán rẻ hơn cho một số trường hợp sử dụng nhất định (xử lý một số lỗi ngừng hoạt động/độ trễ nhất định) và sử dụng tài nguyên điện toán chống kiểm duyệt để đào tạo các mô hình có thể bị quản lý hoặc bị cấm trong tương lai.

Phản đối: Điện toán nguồn lực cộng đồng không thể đạt được hiệu quả kinh tế nhờ quy mô; hầu hết các GPU hiệu suất cao không thuộc sở hữu của người tiêu dùng. Điện toán phi tập trung là một nghịch lý hoàn toàn; nó thực sự đối lập với điện toán hiệu năng cao... Chỉ cần hỏi bất kỳ kỹ sư cơ sở hạ tầng/máy học nào nếu bạn không tin tôi!

Ví dụ dự án: Akash, Render, io.net, Ritual, Hyperbolic, Gensyn

2, Lý luận phi tập trung

Chạy lý luận mô hình nguồn mở theo cách phi tập trung

Nhận xét ủng hộ: Mô hình nguồn mở (OS) đang tiến gần hơn đến mô hình nguồn đóng ở một số khía cạnh và ngày càng được áp dụng nhiều hơn. Hầu hết mọi người sử dụng các dịch vụ tập trung như HuggingFace hoặc Replicate để chạy suy luận mô hình hệ điều hành, những dịch vụ này gây ra các vấn đề về quyền riêng tư và kiểm duyệt. Một giải pháp là chạy suy luận thông qua một nhà cung cấp phi tập trung hoặc phân tán.

Phản đối: Không cần phân cấp lý luận, lý luận cục bộ sẽ là người chiến thắng cuối cùng. Các chip chuyên dụng có thể xử lý suy luận mô hình tham số 7b+ hiện đang được phát hành. Điện toán ranh giới là giải pháp của chúng tôi về quyền riêng tư và khả năng chống kiểm duyệt.

Ví dụ về dự án: Ritual, gpt4all (hosted), Ollama (web2), Edgellama (Web3, P2P Ollama), Petals

3, on-chainAIthông minh

Sử dụng máy học Bật -chainapps

Hỗ trợ nhận xét: Các tác nhân AI (ứng dụng sử dụng AI) cần một lớp phối hợp để thực hiện các giao dịch. Đối với các đại lý AI, việc sử dụng tiền điện tử để thanh toán là điều đương nhiên, vì bản thân nó là công nghệ kỹ thuật số và rõ ràng các đại lý không thể mở tài khoản ngân hàng thông qua chứng nhận KYC. Các tác nhân AI phi tập trung của con người chưa gặp rủi ro về nền tảng. Ví dụ: OpenAI có thể đột nhiên quyết định thay đổi kiến ​​trúc plugin ChatGPT của họ, điều này sẽ làm hỏng plugin Talk2Books của tôi mà không cần thông báo trước. Điều này đang thực sự xảy ra. Các đại lý được tạo trên chuỗi không gặp rủi ro nền tảng như vậy.

Phản đối: Các đại lý chưa sẵn sàng sản xuất... chút nào. BabyAGI, AutoGPT, v.v. đều là đồ chơi Ngoài ra, để thanh toán, thực thể tạo tác nhân AI có thể sử dụng API Stripe mà không cần mã hóa thanh toán. Đối với lập luận về rủi ro nền tảng, đây là một trường hợp sử dụng phổ biến đối với tiền điện tử mà chúng tôi chưa thấy diễn ra… Tại sao lần này lại khác?

Dự án Ví dụ: AI Arena, MyShell, Operator.io, Fetch.ai

4, nguồn dữ liệu và mô hình

Quản lý tự động và thu thập giá trị của dữ liệu và mô hình học máy

Nhận xét hỗ trợ: Quyền sở hữu dữ liệu phải thuộc về người tạo ra người dùng dữ liệu chứ không phải công ty thu thập dữ liệu. Dữ liệu là nguồn tài nguyên quý giá nhất trong thời đại kỹ thuật số nhưng lại bị các công ty công nghệ lớn độc quyền và có hiệu quả tài chính kém. Web được cá nhân hóa cao đang xuất hiện, yêu cầu dữ liệu và mô hình di động. Chúng tôi sẽ di chuyển dữ liệu và mô hình của mình từ ứng dụng này sang ứng dụng khác qua Internet, giống như chúng tôi di chuyển ví tiền điện tử giữa các dapp khác nhau. Nguồn dữ liệu là một vấn đề rất lớn, đặc biệt khi tình trạng gian lận ngày càng trở nên nghiêm trọng, và ngay cả Biden cũng đã thừa nhận điều này. Kiến trúc chuỗi khối có thể là giải pháp tốt nhất cho câu đố về nguồn gốc dữ liệu.

Phản đối: Không ai quan tâm đến việc sở hữu dữ liệu hoặc quyền riêng tư của họ. Chúng tôi đã thấy điều này nhiều lần với sở thích của người dùng. Chỉ cần nhìn vào số lượng đăng ký trên Facebook/Instagram! Cuối cùng, mọi người sẽ tin tưởng OpenAI với dữ liệu học máy của họ. Hãy đối mặt với nó.

Ví dụ dự án: Vana, Lượng mưa

5, Generation Khuyến khích bằng tiền xuỨng dụng (chẳng hạn nhưứng dụng đồng hành)

Hãy tưởng tượngCharacter.ai >Có phần thưởng bằng mã thông báo tiền điện tử

Nhận xét hỗ trợ: Khuyến khích bằng mã thông báo tiền điện tử rất hiệu quả trong việc khởi động các mạng và hành vi. Chúng ta sẽ thấy một số lượng lớn các ứng dụng tập trung vào AI áp dụng cơ chế này. Bạn đồng hành của AI là một thị trường hấp dẫn và chúng tôi tin rằng khu vực này sẽ là thị trường bản địa AI trị giá hàng nghìn tỷ đô la. Năm 2022, người Mỹ sẽ chi hơn 130 tỷ USD cho thú cưng; ứng dụng đồng hành với AI là thú cưng 2.0. Chúng tôi đã thấy rằng các ứng dụng đồng hành AI đã đạt được mức độ phù hợp với thị trường sản phẩm, với thời lượng phiên trung bình trên Character.ai là hơn 1 giờ. Chúng tôi sẽ không ngạc nhiên khi thấy một nền tảng được khuyến khích bằng tiền điện tử chiếm thị phần trong lĩnh vực này và các ngành ứng dụng AI khác.

Phản đối: Đây chỉ là phần mở rộng của cơn cuồng đầu cơ tiền điện tử và sẽ không kéo dài. Token là chi phí thu hút khách hàng của Web 3.0. Chẳng phải chúng ta đã học được bài học từ Axie Infinity sao?

Dự án ví dụ: MyShell, Deva

6, Generation Các hoạt động học máy được khuyến khích bằng tiền xu (chẳng hạn như đào tạo,RLHF, suy luận)

Hãy tưởng tượngScaleAI bằng mật mã mã thông báo Phần thưởng tiền xu

Nhận xét hỗ trợ: Có thể sử dụng ưu đãi tiền điện tử trong suốt quy trình làm việc của máy học để khuyến khích các hành vi như tối ưu hóa trọng số, tinh chỉnh, RLHF, v.v. - với sự phán đoán của con người Đầu ra của mô hình để tinh chỉnh thêm.

Phản đối: MLOps (hoạt động học máy) là trường hợp sử dụng kém đối với phần thưởng tiền điện tử vì chất lượng quá quan trọng. Mặc dù mã thông báo mật mã rất tốt trong việc khuyến khích hành vi của người tiêu dùng khi entropy không có vấn đề gì, nhưng chúng lại không giỏi trong việc điều phối hành vi khi chất lượng và độ chính xác là rất quan trọng.

Ví dụ dự án: BitTensor, Ritual

7, chuỗi Khả năng xác minh trên chuỗi (ZKML)

Chứng minh mô hình nào có thể chạy hiệu quả trên chuỗi và hòa nhập vào thế giới tiền điện tử

Hỗ trợ: Khả năng xác minh mô hình trên chuỗi sẽ mở khóa khả năng kết hợp, nghĩa là bạn có thể tận dụng các đầu ra kết hợp trong lĩnh vực DeFi và tiền điện tử. Trong 5 năm nữa, khi chúng ta có các đại lý chạy mô hình bác sĩ kiểm tra cơ thể chúng ta mà không cần phải đến bệnh viện khám bác sĩ, chúng ta sẽ cần có cách nào đó để xác thực kiến ​​​​thức của họ và mô hình nào đã được sử dụng để chẩn đoán cho họ. Khả năng kiểm chứng của một mô hình cũng giống như danh tiếng của trí thông minh.

Phản đối: Không ai cần xác minh mô hình nào đang được chạy. Đó là mối quan tâm ít nhất của chúng tôi. Chúng tôi đang đặt xe trước con ngựa. Không ai chạy llama2 mà không sợ các mô hình khác chạy ngầm. Đây là hệ quả của thực tế là mật mã học (bằng chứng không có kiến ​​thức) cố tình tìm cách tìm ra vấn đề để giải quyết và sự cường điệu xung quanh bằng chứng không có kiến ​​thức (ZK) đã thu hút được rất nhiều vốn đầu tư mạo hiểm.

Các dự án ví dụ: Modulus Labs, UpShot, EZKL