Koncem července napsal Mark Zuckerberg dopis, v němž vysvětluje, proč „otevřený zdroj je nezbytný pro pozitivní budoucnost umělé inteligence“, kde poeticky líčí potřebu vývoje umělé inteligence s otevřeným zdrojovým kódem. Kdysi hloupý teen zakladatel, nyní proměněný ve wakeboarding, nošení zlatého řetízku a boj v jiu-jitsu „Zuck“, byl označen za mesiáše vývoje open-source modelů.

Ale zatím se on a tým Meta moc nevyjádřili o tom, jak jsou tyto modely nasazovány. Vzhledem k tomu, že složitost modelu zvyšuje výpočetní požadavky, pokud zavádění modelu řídí hrstka aktérů, nepodlehli jsme podobné formě centralizace? Decentralizovaná umělá inteligence slibuje, že tento problém vyřeší, ale tato technologie vyžaduje pokrok v oblasti špičkových kryptografických technik a jedinečných hybridních řešení.

Tento op-ed je součástí nového DePIN Vertical společnosti CoinDesk, který pokrývá vznikající odvětví decentralizované fyzické infrastruktury.

Na rozdíl od centralizovaných poskytovatelů cloudu distribuuje decentralizovaná umělá inteligence (DAI) výpočetní procesy pro odvození a školení umělé inteligence napříč různými systémy, sítěmi a umístěními. Pokud jsou správně implementovány, přinášejí tyto sítě, typ sítě decentralizované fyzické infrastruktury (DePIN), výhody v odolnosti proti cenzuře, výpočetním přístupu a nákladech.

DAI čelí výzvám ve dvou hlavních oblastech: prostředí AI a samotná decentralizovaná infrastruktura. Ve srovnání s centralizovanými systémy vyžaduje DAI další zabezpečení, aby se zabránilo neoprávněnému přístupu k podrobnostem modelu nebo krádeži a replikaci proprietárních informací. Z tohoto důvodu existuje nedostatečně prozkoumaná příležitost pro týmy, které se zaměřují na modely s otevřeným zdrojovým kódem, ale uvědomují si potenciální výkonnostní nevýhodu modelů s otevřeným zdrojovým kódem ve srovnání s jejich protějšky s uzavřeným zdrojovým kódem.

Decentralizované systémy konkrétně čelí překážkám v integritě sítě a režii zdrojů. Například distribuce klientských dat mezi samostatné uzly odhaluje více útočných vektorů. Útočníci by mohli roztočit uzel a analyzovat jeho výpočty, pokusit se zachytit datové přenosy mezi uzly nebo dokonce zavést zkreslení, která snižují výkon systému. I v bezpečném decentralizovaném modelu odvození musí existovat mechanismy pro audit výpočetních procesů. Uzly jsou motivovány k úspoře nákladů na zdroje předkládáním neúplných výpočtů a ověřování je komplikováno nedostatkem důvěryhodného centralizovaného aktéra.

Důkazy nulových znalostí

Důkazy s nulovými znalostmi (ZKP), i když jsou v současnosti příliš výpočetně nákladné, jsou jedním z potenciálních řešení některých problémů DAI. ZKP je kryptografický mechanismus, který umožňuje jedné straně (ověřovateli) přesvědčit druhou stranu (ověřovatele) o pravdivosti prohlášení, aniž by prozradil jakékoli podrobnosti o samotném prohlášení, kromě jeho platnosti. Ověření tohoto důkazu je pro ostatní uzly rychlé a nabízí způsob, jak každý uzel prokázat, že jednal v souladu s protokolem. Technické rozdíly mezi nátiskovými systémy a jejich implementacemi (o tom se podrobně ponoříme později) jsou důležité pro investory do prostoru.

Centralizovaný výpočet dělá modelový trénink exkluzivní pro hrstku dobře umístěných a vybavených hráčů. ZKP by mohly být jednou součástí odemykání nečinných výpočtů na spotřebním hardwaru; MacBook by například mohl využít svou extra výpočetní šířku pásma, aby pomohl trénovat model ve velkém jazyce a zároveň vydělávat tokeny pro uživatele.

Týmy jako Gensyn a Inference Labs se zaměřují na nasazení decentralizovaného školení nebo inference se spotřebitelským hardwarem; na rozdíl od decentralizované výpočetní sítě, jako je Akash nebo Render, sdílení výpočtů zvyšuje složitost, konkrétně problém s plovoucí desetinnou čárkou. Využití nevyužitých distribuovaných výpočetních zdrojů otevírá menším vývojářům dveře k testování a trénování vlastních sítí – pokud mají přístup k nástrojům, které řeší související problémy.

V současnosti jsou systémy ZKP zdánlivě o čtyři až šest řádů dražší než nativní spouštění výpočtů a pro úlohy, které vyžadují vysoký výpočetní výkon (např. trénování modelu) nebo nízkou latenci (jako modelové odvození), je použití ZKP neúměrně pomalé. Pro srovnání, pokles o šest řádů znamená, že špičkový systém (jako je Jolt a16z) běžící na čipu M3 Max může prokázat, že program je 150krát pomalejší než jeho spuštění na grafické kalkulačce TI-84.

Schopnost umělé inteligence zpracovávat velké množství dat ji činí kompatibilní s důkazy s nulovými znalostmi (ZKP), ale než budou moci být ZKP široce používány, je zapotřebí většího pokroku v kryptografii. Důležitým krokem k dosažení této vize bude mimo jiné práce týmů, jako je Irreducible (který navrhl systém důkazů Binius a schéma závazků), Gensyn, TensorOpera, Hellas a Inference Labs. Časové osy však zůstávají příliš optimistické, protože skutečné inovace vyžadují čas a matematický pokrok.

Mezitím stojí za zmínku další možnosti a hybridní řešení. HellasAI a další vyvíjejí nové metody reprezentace modelů a výpočtů, které mohou umožnit hru s optimistickou výzvou, umožňující pouze podmnožinu výpočtů, které je třeba zvládnout s nulovými znalostmi. Optimistické důkazy fungují pouze tehdy, když existuje sázka, schopnost prokázat pochybení a věrohodná hrozba, že výpočet je kontrolován jinými uzly v systému. Další metoda, vyvinutá společností Inference Labs, ověřuje podmnožinu dotazů, kde se uzel zavazuje vygenerovat ZKP s vazbou, ale důkaz předloží pouze v případě, že jej klient nejprve napadne.

Celkem

Decentralizované školení a vyvozování umělé inteligence poslouží jako ochrana proti konsolidaci moci několika významnými aktéry a zároveň odemkne dříve nedostupné výpočty. ZKP budou nedílnou součástí umožnění této vize. Váš počítač vám bude moci nepostřehnutelně vydělávat skutečné peníze využitím dodatečného výpočetního výkonu na pozadí. Stručné důkazy, že výpočet byl proveden správně, učiní důvěru, kterou největší poskytovatelé cloudu využívají, zbytečnou, což umožní výpočetním sítím s menšími poskytovateli přilákat podnikovou klientelu.

I když důkazy s nulovými znalostmi umožní tuto budoucnost a budou nezbytnou součástí více než jen výpočetních sítí (jako je vize Etherea o finalitě jednoho slotu), jejich výpočetní režie zůstává překážkou. Hybridní řešení, která kombinují mechaniku teorie her optimistických her se selektivním používáním důkazů s nulovými znalostmi, jsou lepším řešením a pravděpodobně se stanou všudypřítomnými jako překlenovací bod, dokud nebudou ZKP mnohem rychlejší.

Pro nativní i nenativní krypto investory bude pochopení hodnoty a výzev decentralizovaných systémů umělé inteligence zásadní pro efektivní nasazení kapitálu. Týmy by měly mít odpovědi na otázky týkající se důkazů výpočtu uzlů a redundance sítě. Kromě toho, jak jsme pozorovali v mnoha projektech DePIN, časem dochází k decentralizaci a jasný plán týmů k této vizi je nezbytný. Řešení problémů spojených s výpočetním systémem DePIN je zásadní pro předání kontroly zpět jednotlivcům a malým vývojářům – je to zásadní součást udržování našich systémů otevřených, svobodných a odolných vůči cenzuře.

Poznámka: Názory vyjádřené v tomto sloupci jsou názory autora a nemusí nutně odrážet názory společnosti CoinDesk, Inc. nebo jejích vlastníků a přidružených společností.