Autor: Mahesh Ramakrishnan, Vinayak Kurup, CoinDesk Překladač: Tao Zhu, Golden Finance

Koncem července napsal Mark Zuckerberg dopis vysvětlující, proč „otevřený zdroj je nezbytný pro pozitivní budoucnost umělé inteligence“, ve kterém chválil potřebu rozvoje umělé inteligence s otevřeným zdrojovým kódem. Z kdysi praštěného náctiletého zakladatele se nyní stal „Zuckerberg“, který jezdí na vodních lyžích, nosí zlaté řetězy a dělá jujitsu a je známý jako zachránce vývoje modelů s otevřeným zdrojovým kódem.

Zatím ale on a tým Meta neupřesnili, jak budou tyto modely nasazeny. Jak se zvyšuje složitost modelu ve výpočetních požadavcích, podléháme podobné formě centralizace, pokud je nasazení modelu řízeno malým počtem aktérů? Decentralizovaná umělá inteligence je příslibem vyřešení tohoto problému, ale tato technologie vyžaduje pokrok v oblasti špičkové kryptografie a jedinečných hybridních řešení.

Na rozdíl od centralizovaných poskytovatelů cloudu distribuuje decentralizovaná AI (DAI) výpočetní procesy inference a školení AI mezi různé systémy, sítě a umístění. Pokud jsou správně implementovány, přinesou tyto sítě – síť decentralizované fyzické infrastruktury (DePIN) – výhody z hlediska odolnosti proti cenzuře, výpočetního přístupu a nákladů.

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 detailům modelu nebo krádeži a kopírování proprietárních informací. Proto existuje nedostatečně využitá příležitost pro týmy, které se zaměřují na modely s otevřeným zdrojovým kódem, ale uvědomují si potenciální výkonnostní nevýhody modelů s otevřeným zdrojovým kódem ve srovnání s modely s uzavřeným zdrojovým kódem.

Decentralizované systémy čelí zejména překážkám souvisejícím s integritou sítě a režií zdrojů. Například distribuce klientských dat mezi různé uzly odhaluje více vektorů útoku. Útočník může spustit uzel a analyzovat jeho výpočty, pokusit se zachytit přenosy dat mezi uzly nebo dokonce zavést zkreslení, která snižují výkon systému. I v bezpečných decentralizovaných modelech odvození musí existovat mechanismy pro audit výpočetního procesu. Uzly šetří náklady na zdroje vykreslováním neúplných výpočtů a ověřování je komplikováno tím, že neexistuje důvěryhodný centralizovaný účastník.

Důkaz nulových znalostí

Důkazy s nulovými znalostmi (ZKP), i když jsou v současnosti výpočetně nedostupné, 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. Tento důkaz může být rychle ověřen ostatními uzly a poskytuje každému uzlu způsob, jak prokázat, že jednal v souladu s protokolem. Pro investory v tomto prostoru je důležité ukázat technické rozdíly mezi systémem a jeho implementací (o tom později).

Centralizované výpočty omezují modelové školení na několik dobře umístěných účastníků bohatých na zdroje. ZKP by mohl být součástí odemykání nečinných počítačů na spotřebním hardwaru, například MacBook by mohl využít svou extra šířku pásma k trénování velkých jazykových modelů a zároveň vydělávat tokeny pro uživatele.

Nasazení decentralizovaného školení nebo inference pomocí spotřebitelského hardwaru je cílem týmů, jako jsou Gensyn a Inference Labs, na rozdíl od decentralizovaných výpočetních sítí, jako je Akash nebo Render, výpočetní sharding zvyšuje složitost, zejména problémy s pohyblivou řádovou čárkou. Využití nečinných distribuovaných výpočetních zdrojů otevírá malým vývojářům dveře k testování a trénování vlastních sítí – pokud mají přístup k nástrojům, které řeší příslušné výzvy.

V současné době se systémy ZKP zdají být o čtyři až šest řádů dražší než spouštění výpočtů lokálně, takže použití ZKP je velmi pomalé pro úlohy, které vyžadují vysoké výpočty (jako je trénování modelu) nebo nízkou latenci (jako je odvození modelu). Pro srovnání, pokles o šest řádů znamená, že špičkové systémy (jako Jolt a16z) běžící na čipu M3 Max demonstrují programy, které jsou 150krát pomalejší než běžící 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 realizaci této vize bude pokračující práce týmů, jako je Irreducible (který navrhl systém důkazů Binius a schéma závazků), Gensyn, TensorOpera, Hellas a Inference Labs. Časová osa je však stále příliš optimistická, protože skutečné inovace vyžadují časový a matematický pokrok.

Za pozornost přitom stojí i další možnosti a hybridní řešení. HellasAI a další společnosti vyvíjejí nové způsoby reprezentace modelů a výpočtů, které umožňují hry s optimistickými výzvami a umožňují pouze podmnožinu výpočtů, které je třeba zpracovat s nulovými znalostmi. Optimistické důkazy fungují pouze v případě, že existuje věrohodná hrozba vysazení, schopnost prokázat pochybení a další uzly v systému kontrolující výpočet. Další metoda vyvinutá společností Inference Labs ověřuje podmnožinu dotazů, kde se uzel zavazuje vytvořit ZKP s vkladem, ale poskytuje důkaz pouze v případě, že jej klient nejprve zpochybní.

Shrnout

Decentralizované školení a vyvozování umělé inteligence poslouží jako ochrana proti několika významným hráčům, kteří si upevní moc a zároveň odemknou dříve nedostupné výpočty. ZKP bude nedílnou součástí realizace této vize. Váš počítač vám bude moci vydělávat skutečné peníze, aniž byste si to uvědomovali, využitím dodatečného výpočetního výkonu na pozadí. Stručný důkaz, že výpočty byly provedeny správně, by zbytečnost důvěry využívané největšími poskytovateli cloudu umožnila přilákat podnikové zákazníky výpočetními sítěmi s menšími poskytovateli.

Zatímco důkazy s nulovými znalostmi umožní tuto budoucnost a stanou se důležitou součástí více než jen výpočetních sítí (jako je vize Etherea o jednoslotové finalitě), jejich výpočetní režie zůstává překážkou. Hybridní řešení, které kombinuje mechaniku teorie her optimistických her se selektivním používáním důkazů s nulovými znalostmi, je lepším řešením a pravděpodobně se stane všudypřítomným překlenovacím bodem, dokud nebude ZKP rychlejší.

Pro nativní i nenativní investory do kryptoměn je pochopení hodnoty a výzev decentralizovaných systémů umělé inteligence zásadní pro efektivní nasazení kapitálu. Tým by měl mít odpovědi na otázky týkající se výpočtových důkazů uzlů a redundance sítě. Navíc, jak jsme pozorovali u mnoha projektů DePIN, k decentralizace dochází v průběhu času a je důležité, aby tým měl jasný plán, jak této vize dosáhnout. Řešení problémů spojených s výpočetní technikou DePIN je zásadní pro předání kontroly zpět jednotlivcům a malým vývojářům – je to nezbytná součást udržování našich systémů otevřených, bezplatných a odolných vůči cenzuře.