Účastníci Web3 by se měli více zaměřit na segmentované scénáře a plně využít své jedinečné výhody v oblasti odolnosti vůči cenzuře, transparentnosti a sociální ověřitelnosti.
Autor: David & Goliath
Překlad: Shenchao TechFlow
V současnosti dominují v AI průmyslu výpočetní a tréninkové fáze centralizovaní giganti Web2. Tyto společnosti mají dominantní postavení díky silné kapitálové síle, nejmodernějšímu hardwaru a obrovským datovým zdrojům. Ačkoli tento stav může přetrvávat při vývoji nejmocnějších obecných modelů strojového učení (ML), pro střední nebo přizpůsobené modely se Web3 sítě mohou postupně stát ekonomičtějším a snadněji dostupným zdrojem výpočetních zdrojů.
Stejně tak, když poptávka po inferenci přesahuje schopnosti osobních okrajových zařízení, někteří zákazníci mohou zvolit Web3 sítě pro méně cenzurované a různorodější výstupy. Místo pokusu o úplné převrácení celého AI technologického stacku by se účastníci Web3 měli více zaměřit na tyto segmentované scénáře a plně využít své jedinečné výhody v oblasti odolnosti vůči cenzuře, transparentnosti a sociální ověřitelnosti.
Hardware potřebný k trénování další generace základních modelů (jako GPT nebo BERT) je vzácný a drahý, poptávka po nejvýkonnějších čipech bude i nadále převyšovat nabídku. Tato vzácnost zdrojů vede k tomu, že hardware je soustředěn v rukou několika firem s dostatečnými financemi, které využívají tento hardware k trénování a komercializaci nejvýkonnějších a nejkomplexnějších základních modelů.
Nicméně, rychlost aktualizace hardwaru je velmi vysoká. Jak tedy budou využívány zastaralé střední nebo nízké výkonnostní hardware?
Tento hardware bude pravděpodobně použit k trénování jednodušších nebo cílenějších modelů. Může být dosaženo optimálního rozložení zdrojů při přiřazení různých kategorií modelů k různému hardwaru s různým výkonem. V tomto případě může Web3 protokol hrát klíčovou roli tím, že usnadní přístup k různorodým a nákladově efektivním výpočetním zdrojům. Například spotřebitelé mohou použít jednoduché střední modely trénované na osobních datových souborech a volit si vysoce výkonné modely trénované a hostované centralizovanými podniky pouze při zpracování složitějších úloh, přičemž zajistí, že identita uživatele bude skryta a data budou šifrována.
Kromě problémů s efektivitou vzrůstají obavy o předsudky a potenciální cenzuru v centralizovaných modelech. Web3 prostředí je známé svou transparentností a ověřitelností, což může poskytnout tréninkovou podporu pro modely, které byly Web2 opomíjeny nebo považovány za příliš citlivé. Tyto modely, i když nemusí být konkurenceschopné z hlediska výkonu a inovace, stále mají důležitou hodnotu pro určité skupiny ve společnosti. Proto mohou Web3 protokoly otevřít jedinečný trh v této oblasti tím, že nabídnou otevřenější, důvěryhodnější a cenzuře odolné služby trénování modelů.
Zpočátku mohly koexistovat centralizované a decentralizované přístupy, které by sloužily různým případům použití. Avšak s neustálým zlepšováním vývojářské zkušenosti a platformové kompatibility Web3 a postupným projevováním síťových efektů otevřeného zdroje AI, by Web3 mohl nakonec konkurovat v klíčových oblastech centralizovaných podniků. Zvláště když si spotřebitelé stále více uvědomují omezení centralizovaných modelů, výhody Web3 se stanou ještě výraznějšími.
Kromě trénování středních nebo specifických modelů mají účastníci Web3 také výhodu poskytování transparentnějších a flexibilnějších inferenčních řešení. Decentralizované inferenční služby mohou přinést různé výhody, jako je nulová doba výpadku, modulární sestavení modelů, veřejné hodnocení výkonu modelů a různorodější, necenzurované výstupy. Tyto služby mohou také účinně zabránit spotřebitelům v tom, aby čelili problému "uzamčení dodavatele" kvůli závislosti na několika centralizovaných poskytovatelích. Stejně jako v případě trénování modelů se konkurenční výhoda decentralizované inferenční vrstvy neskrývá v samotné výpočetní síle, ale v řešení některých dlouhodobých problémů, jako je transparentnost uzavřených ladících parametrů, nedostatek ověřitelnosti a vysoké náklady.
Dan Olshansky předložil velmi slibnou vizi, jak prostřednictvím AI inferenčního směrovacího sítě POKT vytvořit více příležitostí pro výzkumníky a inženýry AI, aby mohli uvést své výzkumy do praxe a získat dodatečný příjem prostřednictvím přizpůsobených strojového učení (ML) nebo umělé inteligence (AI) modelů. Ještě důležitější je, že tato síť může podporovat spravedlivější konkurenci na trhu inferenčních služeb integrací výsledků inferencí z různých zdrojů (včetně decentralizovaných a centralizovaných poskytovatelů).
Ačkoli optimistické předpovědi naznačují, že celý AI technologický stack by se v budoucnu mohl plně přesunout na blockchain, v současnosti tato cílová vize stále čelí obrovským výzvám koncentrace dat a výpočetních zdrojů, jelikož tyto zdroje poskytují významnou konkurenční výhodu stávajícím gigantům. Nicméně decentralizované koordinační a výpočetní sítě prokázaly jedinečnou hodnotu v poskytování personalizovanějších, nákladově efektivnějších, otevřenějších a odolných vůči cenzuře AI služeb. Zaměřením na tyto nejkritičtější segmenty hodnoty může Web3 vybudovat své vlastní konkurenční bariéry, aby zajistil, že nejvlivnější technologie této éry mohou společně evolvovat v různých směrech, což přinese prospěch širšímu spektru zúčastněných stran, místo aby byly monopolizovány několika tradičními giganty.
Nakonec bych chtěl zvlášť poděkovat všem členům týmu Placeholder Investment, stejně jako Kyleu Samani 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 článku.