Autor: David & Goliath
Překlad: Shenchao TechFlow
V současnosti je oblast výpočtů a trénování v AI průmyslu převážně dominována centralizovanými giganti Web2. Tyto společnosti, díky silným kapitálovým silám, nejmodernějším hardwarovým zařízením a rozsáhlým datovým zdrojům, zaujímají dominantní postavení. I když může tato situace přetrvávat při vývoji nejmocnějších obecných modelů strojového učení (ML), pro střední nebo přizpůsobené modely se může síť Web3 postupně stát ekonomičtějším a snadněji dostupným zdrojem výpočetních zdrojů.
Stejně tak, když poptávka po odvozování přesahuje schopnosti osobních okrajových zařízení, někteří spotřebitelé si mohou vybrat síť Web3 pro méně cenzurované a rozmanitější výstupy. Místo pokusu o úplné převrácení celého technologického stacku AI by se účastníci Web3 měli soustředit na tyto specifické scénáře a plně využít své jedinečné výhody v oblasti cenzurní odolnosti, transparentnosti a sociální ověřitelnosti.
Hardware potřebný k trénování generace základních modelů (např. GPT nebo BERT) je vzácný a drahý, poptávka po nejvýkonnějších čipech bude nadále překračovat nabídku. Tato vzácnost zdrojů vede k tomu, že se hardware soustřeďuje v rukou několika velkých podniků s dostatečným kapitálem, které tento hardware využívají k trénování a komercializaci vysoce výkonných a složitých základních modelů.
Rychlost obnovy hardwaru je však velmi vysoká. Jak tedy bude využíván zastaralý střední nebo nízký výkon hardwaru?
Tento hardware pravděpodobně slouží k trénování jednodušších nebo cílenějších modelů. Optimalizace rozdělení zdrojů může být dosažena tím, že se různé kategorie modelů přiřadí k různému výkonnému hardwaru. V tomto případě mohou protokoly Web3 hrát klíčovou roli v koordinaci přístupu k různorodým a nízkonákladovým výpočetním zdrojům. Například spotřebitelé mohou používat jednoduché střední modely trénované na základě osobních datových sad a pouze při zpracování složitějších úkolů si vybrat vysoce kvalitní modely trénované a hostované centralizovanými podniky, přičemž zajistí, že identita uživatelů zůstane skryta a výzvy k datům budou šifrovány.
Kromě otázek efektivity roste také znepokojení ohledně předsudků a potenciální cenzury v centralizovaných modelech. Prostředí Web3 je známé svou transparentností a ověřitelností, což mu umožňuje poskytovat tréninkovou podporu pro modely, které byly Web2 ignorovány nebo považovány za příliš citlivé. Tyto modely, i když nemusí konkurovat v oblasti výkonu a inovací, mají pro určité skupiny ve společnosti stále důležitou hodnotu. Proto může protokol Web3 otevřít unikátní trh tím, že nabídne otevřenější, důvěryhodnější a cenzurně odolné služby trénování modelů.
Zpočátku mohou koexistovat centralizované a decentralizované přístupy, které slouží různým případům použití. Avšak s neustálým zlepšováním zkušeností vývojářů a kompatibility platforem na Web3, jakož i s postupně se projevujícími síťovými efekty open-source AI, může Web3 nakonec konkurovat v klíčových oblastech centralizovaných podniků. Zejména když si spotřebitelé začnou více uvědomovat omezení centralizovaných modelů, výhody Web3 se stanou ještě výraznějšími.
Kromě trénování středních nebo specifických modelů mají účastníci Web3 také výhodu poskytování transparentnějších a flexibilnějších řešení pro odvozování. Decentralizované služby odvozování mohou přinést různé výhody, jako je nulová doba výpadku, modulární kombinace modelů, veřejné hodnocení výkonnosti modelů a rozmanitější, necenzurované výstupy. Tyto služby také efektivně zabraňují tomu, aby spotřebitelé čelili problému 'uzamčení dodavatele', který vyplývá z závislosti na několika centralizovaných poskytovatelích. Podobně jako u trénování modelů, konkurenceschopnost decentralizované vrstvy odvozování nespočívá v samotné výpočetní síle, ale v řešení některých dlouhodobých problémů, jako je transparentnost uzavřených ladicích parametrů, nedostatek ověřitelnosti a vysoké náklady.
Dan Olshansky předložil velmi slibnou vizi, jak vytvořit více příležitostí pro výzkumníky a inženýry AI prostřednictvím AI inference routing sítě POKT, což jim umožní uvádět své výzkumné výsledky do praxe a získávat dodatečný příjem prostřednictvím přizpůsobených modelů strojového učení (ML) nebo umělé inteligence (AI). Co je důležitější, tato síť prostřednictvím integrace výsledků odvozování z různých zdrojů (včetně decentralizovaných a centralizovaných poskytovatelů) dokáže podpořit spravedlivější konkurenci na trhu služeb odvozování.
I když optimistické předpovědi naznačují, že celý technologický stack AI by se mohl v budoucnu kompletně přesunout na blockchain, v současnosti se tento cíl stále potýká s obrovskými výzvami koncentrace dat a výpočetních zdrojů, protože tyto zdroje poskytují stávajícím gigantům značnou konkurenční výhodu. Na druhou stranu decentralizované koordinace a výpočetní sítě vykazují jedinečnou hodnotu při poskytování více personalizovaných, ekonomičtějších, otevřenějších a cenzurně odolných AI služeb. Zaměřením se na tyto klíčové segmenty trhu může Web3 vybudovat své vlastní konkurenční bariéry a zajistit, že nejvlivnější technologie této doby budou společně vyvíjeny ve více směrech, což prospěje širšímu spektru zúčastněných stran, a ne pouze několika tradičním gigantům.
Nakonec bych chtěl zvlášť poděkovat všem členům týmu Placeholder Investment a Kyle Samanim z Multicoin Capital, Anandovi Iyerovi z Canonical VC, Keccakovi Wongovi z Nectar AI, Alpinovi Yukseloglu z Osmosis Labs a Cameronovi Dennisovi z NEAR Foundation, kteří poskytli recenze a cenné zpětné vazby během psaní tohoto dokumentu.