Rủi ro, thách thức và hướng phát triển trong tương lai của AI phi tập trung

Giới thiệu

Mặc dù AI phi tập trung có nhiều ưu điểm nhưng nó cũng phải đối mặt với nhiều vấn đề nhiều rủi ro và thách thức. Là bài viết thứ ba trong loạt bài này, bài viết này sẽ phân tích những thách thức này cho bạn và mong chờ hướng phát triển trong tương lai của AI phi tập trung.

Chúng tôi cũng hoan nghênh các doanh nhân và các bên tham gia dự án theo hướng này liên hệ với chúng tôi.

Cơ hội phát triển của Tác nhân AI

Tác nhân AI là sự phát triển tự nhiên của các mô hình lớn, bằng cách giới thiệu cơ chế bộ nhớ, phân tách tác vụ và Khả năng lập kế hoạch, AI Các tác nhân có thể nhận thức được môi trường, đưa ra quyết định một cách tự chủ và thực hiện các nhiệm vụ phức tạp.

Mặc dù các mô hình lớn hiện có có thể tạo ra văn bản và giải quyết vấn đề nhưng chúng vẫn chưa có khả năng lập kế hoạch và thực hiện nhiệm vụ hoàn chỉnh. AI Agent sẽ bù đắp thiếu sót này và cải thiện hiệu suất của AI trong các tác vụ phức tạp.

Nếu AI là năng lượng hạt nhân thì nó không nên chỉ nằm trong tay một số ít người. Tác nhân AI phi tập trung sẽ đảm bảo tính công bằng và minh bạch của công nghệ AI thông qua công nghệ chuỗi khối và mã hóa.

Trong xã hội đại lý tương lai, AI phi tập trung sẽ trở thành xu hướng tất yếu để giải quyết các vấn đề mà hệ thống AI tập trung hiện có đang gặp phải.

Cơ hội phát triển chú thích dữ liệu:

Chuẩn bị dữ liệu bao gồm Thu thập, làm sạch, chú thích và nâng cao dữ liệu, nhu cầu dữ liệu đa dạng của AI làm tăng sự phụ thuộc vào chú thích dữ liệu có độ chính xác cao và được tùy chỉnh cao. Chu kỳ làm việc dài và chi phí nhân công cao cho việc chú thích dữ liệu đã hạn chế sự phát triển của chú thích dữ liệu. Ngành công nghiệp AI.

Web3 có thể tiếp cận một số lượng lớn nhân viên thu thập và chú thích dữ liệu AI ở nhiều khu vực khác nhau trên thế giới thông quacơ chế khuyến khích kinh tế, cho phép họ hưởng lợi từ đóng góp dữ liệu. Kiếm lợi ích.

Trường hợp: Thị trường giao dịch dữ liệu Ocean Protocol

Cơ chế hoạt động

→ Nhà cung cấp: Nhà cung cấp dữ liệu có thể phát hành và bán mã thông báo dữ liệu của riêng họ để kiếm thu nhập.

→ Người tiêu dùng: Mua hoặc kiếm mã thông báo dữ liệu cần thiết để có được quyền truy cập.

^ Thị trường: Đề cập đến một thị trường giao dịch dữ liệu mở, minh bạch và công bằng do Ocean Protocol hoặc bên thứ ba cung cấp. Nó có thể kết nối. nhà cung cấp và người tiêu dùng trên toàn thế giới và cung cấp mã thông báo dữ liệu ở nhiều loại và lĩnh vực.

→ Mạng: Đề cập đến lớp mạng phi tập trung do Ocean Protocol cung cấp.

→ Người quản lý: Đề cập đến vai trò trong hệ sinh thái chịu trách nhiệm sàng lọc, quản lý và xem xét các tập dữ liệu. thông tin nguồn, nội dung, định dạng và giấy phép của tập dữ liệu để đảm bảo rằng tập dữ liệu đáp ứng các tiêu chuẩn và có thể được người dùng khác tin cậy và sử dụng.

^ Người xác minh (Người xác minh): Đề cập đến vai trò trong hệ sinh thái chịu trách nhiệm xác minh và kiểm tra các giao dịch dữ liệu và dịch vụ dữ liệu.

Tóm tắt: Tác nhân AIvàChú thích dữ liệu phi tập trung< /strong>hiện là hai trong số những hướng đi phổ biến hơn ở DeAI và nhiều nhóm khởi nghiệp đang phát triển theo hướng đó.

Rủi ro và thách thức mà AI phi tập trung phải đối mặt

• Hạn chế trong việc trao quyền cho AI của Web3: Do Số lượng người dùng mã hóa Web3 còn hạn chế và phạm vi của cơ chế khuyến khích kinh tế còn nhỏ. Điều này hạn chế sự phát triển nhanh chóng của AI phi tập trung và đòi hỏi nhiều sự tham gia và chấp nhận của người dùng hơn.

• Những thách thức của công nghệ chứng minh không có kiến ​​thức: độ chính xác định lượng, phần cứng yêu cầu và các cuộc tấn công thù địch. Công nghệ chứng minh không có kiến ​​thức (ZKP) có ý nghĩa lâu dài trong việc đạt được khả năng xác minh mô hình nhưng vẫn gặp phải những khó khăn kỹ thuật và thách thức triển khai.

• Sức hấp dẫn của lợi thế chi phí: Nếu nguồn cung điện toán trên thị trường được giảm bớt, đồng thời lợi thế về giá trị và chi phí của các mạng điện toán phi tập trung sẽ bị giảm đi. Điều này đòi hỏiphi tập trungAI phải liên tục nâng cao hiệu quả và giảm chi phí để duy trì khả năng cạnh tranh.

• AI và Các vấn đề về hiệu quả và chi phí khi kết hợp mật mã: Hiệu quả của việc thực hiện các tác vụ điện toán riêng tư bằng cách sử dụngcông nghệ chứng minh không có kiến ​​thức hoặc công nghệ mã hóa đồng cấu hoàn toàn (FHE) Thấp hơn nhiều so với việc thực thi văn bản thuần túy. Do yêu cầu tính toán cao của AI, việc bổ sung công nghệ mật mã sẽ làm tăng thêm chi phí và có thể khó triển khai trên thực tế.

• AI Sâu vấn đề giả mạo: AI gặp phải vấn đề tắc nghẽn giao tiếp đáng kể trong quá trình đào tạo mô hình. Việc trao đổi thường xuyên các tham số mô hình và thông tin độ dốc tiêu tốn rất nhiều băng thông mạng và tạo ra chi phí liên lạc cao. Đồng thời, các vấn đề đồng bộ hóa của mỗi nút cũng sẽ ảnh hưởng đến kết quả huấn luyện, đòi hỏi các hoạt động xác minh và đồng bộ hóa dữ liệu thường xuyên.

• AI Phổ biến dẫn đến tăng nguy cơ hàng giả sâu sắc. Trong kịch bản trao quyền chéo của Web3 và AI, cần ngăn chặnAI có nguy cơ bị làm giả.

Phi tập trungAIHướng phát triển trong tương lai< /p>

Lớp mô hình: Khi AI Tác nhân trở nên phổ biến hơn< span style="mso-highlight: màu vàng;">, trong tương lai người dùng sẽ dựa vào AI Tác nhân để giúp Tự mình hoàn thành nhiệm vụ là chìa khóa để kết nối lớp mô hình và lớp ứng dụng. Nền tảng đa dạng hóa mô hình đang dần hình thành và chi phí của các mô hình lớn vẫn cần thời gian để phát triển các ứng dụng "ngựa ô".

Lớp đào tạo: đào tạo phi tập trungAI Mô hình có khả năng triển khai, nhưng do yêu cầu suy luận lớn hơn nhiều so với yêu cầu đào tạo nên lớp đào tạo sẽ phụ thuộc nhiều hơn vào sức mạnh tính toán tập trung.

Lớp sức mạnh tính toán: sức mạnh tính toán phi tập trung giảm một cách hiệu quảChi phí sử dụng GPU, cấp doanh nghiệpGPU đáp ứng nhu cầu về sức mạnh tính toán hiện tại Trong tương lai, GPU dành cho người tiêu dùng sẽ hữu ích /p><. p style="text-align: left;">Lớp dữ liệu: Việc lấy dữ liệu công khai ngày càng trở nên khó khăn, thu thập dữ liệu phi tập trung và chú thích dữ liệusẽ là tương laiAIMột cách quan trọng để tạo nguồn và xử lý dữ liệu mô hình

Kết luận