Ursprünglicher Autor |. @cebillhsu
Kompilieren |. Golem
Der Fortschritt von KI-Technologien wie GPT-4, Gemini 1.5 und Microsoft AI PC ist beeindruckend, aber die aktuelle Entwicklung von KI steht immer noch vor einigen Problemen. Bill, ein Web3-Forscher bei AppWorks, untersuchte die Probleme eingehend und diskutierte, wie Crypto das kann Helfen Sie 7 Richtungen der KI-Befähigung.
Daten-Tokenisierung
Traditionelles KI-Training stützt sich hauptsächlich auf öffentliche Daten, die im Internet verfügbar sind, oder genauer gesagt, Verkehrsdaten im öffentlichen Bereich. Mit Ausnahme einiger weniger Unternehmen, die offene APIs bereitstellen, bleiben die meisten Daten ungenutzt. Eine Schlüsselrichtung besteht darin, mehr Dateninhabern die Möglichkeit zu geben, ihre Daten für KI-Schulungen beizutragen oder zu autorisieren und gleichzeitig den Schutz der Privatsphäre sicherzustellen.
Die größte Herausforderung in diesem Bereich besteht jedoch darin, dass Daten wie Rechenleistung schwer zu standardisieren sind. Während die verteilte Rechenleistung anhand des GPU-Typs quantifiziert werden kann, sind Quantität, Qualität und Nutzung privater Daten schwer zu messen. Wenn die verteilte Rechenleistung wie bei ERC 20 ist, dann ist die Tokenisierung des Datensatzes wie bei ERC 721, was Liquidität und Marktbildung schwieriger macht als bei ERC 20.
Die Compute-to-Data-Funktion von Ocean Protocol ermöglicht es Dateneigentümern, private Daten zu verkaufen und gleichzeitig die Privatsphäre zu schützen. Vana bietet Reddit-Benutzern die Möglichkeit, Daten zu aggregieren und an Unternehmen zu verkaufen, die große KI-Modelle trainieren.
Ressourcenzuteilung
Derzeit besteht eine große Lücke zwischen Angebot und Nachfrage an GPU-Rechenleistung, und große Unternehmen monopolisieren die meisten GPU-Ressourcen, was die Kosten für das Training von Modellen für kleine Unternehmen sehr hoch macht. Viele Teams arbeiten hart daran, die Kosten zu senken, indem sie kleine GPU-Ressourcen mit hoher Auslastung über dezentrale Netzwerke konzentrieren, stehen jedoch immer noch vor großen Herausforderungen bei der Gewährleistung einer stabilen Rechenleistung und ausreichender Bandbreite.
Motivierendes RLHF
RLHF (Reinforcement Learning basierend auf menschlichem Feedback) ist für die Verbesserung großer Modelle von entscheidender Bedeutung, erfordert jedoch eine Expertenschulung. Mit zunehmendem Wettbewerb auf dem Markt steigen auch die Kosten für die Einstellung dieser Fachkräfte. Um die Kosten zu senken und gleichzeitig eine hohe Qualität der Anmerkungen beizubehalten, kann ein Absteck- und Schrägstrichsystem verwendet werden. Einer der größten Kostenfaktoren bei der Datenannotation besteht darin, dass Vorgesetzte die Qualität überprüfen müssen. Im Laufe der Jahre hat die Blockchain jedoch erfolgreich wirtschaftliche Anreizmechanismen eingesetzt, um die Qualität der Arbeit sicherzustellen (PoW, PoS), und man geht davon aus, dass die Schaffung eines guten Token-Wirtschaftssystems die Kosten von RLHF effektiv senken kann.
Beispielsweise hat Sapien AI Tag 2 Earn eingeführt und mit mehreren Gamefi-Gilden zusammengearbeitet. Hivemapper verfügt über einen Token-Anreizmechanismus, der die Einführung eines Open-Source-Agenten für intelligente Vertragsprüfungen ermöglicht, der allen Prüfern eine gemeinsame Schulung ermöglicht den Agenten und werde belohnt.
Überprüfbarkeit
Wie kann überprüft werden, ob der Rechenleistungsanbieter Inferenzaufgaben gemäß bestimmten Anforderungen oder Modellen ausführt? Benutzer können die Authentizität und Genauigkeit des KI-Modells und seiner Ausgabe nicht überprüfen. Dieser Mangel an Überprüfbarkeit kann zu Misstrauen, Fehlern und sogar Schaden in Bereichen wie Finanzen, Gesundheitswesen und Recht führen.
Durch den Einsatz kryptografischer Verifizierungssysteme wie ZKP, OP und TEE können Inferenzdienstanbieter nachweisen, dass Ausgaben von einem bestimmten Modell durchgeführt wurden. Zu den Vorteilen der kryptografischen Verifizierung gehört, dass Modellanbieter die Modellvertraulichkeit wahren können, Benutzer überprüfen können, ob die Modellausführung korrekt ist, und durch die Integration von Proof-Kryptografie in Smart Contracts können die Einschränkungen der Rechenleistung der Blockchain umgangen werden. Gleichzeitig können Sie auch erwägen, KI direkt auf der Geräteseite auszuführen, um Leistungsprobleme zu lösen, aber bisher haben wir keine zufriedenstellende Antwort gesehen. Zu den Projekten, die in diesem Bereich entstehen, gehören Ritual, ORA und Aizel Network.
Deepfake
Mit dem Aufkommen der Produktions-KI widmen die Menschen dem Thema Deep Fakes (DeepFake) immer mehr Aufmerksamkeit. Allerdings schreitet die Deepfake-Technologie schneller voran als die Erkennungstechnologie, sodass die Erkennung von Deepfakes immer schwieriger wird. Obwohl digitale Wasserzeichentechnologien (wie C 2 PA) bei der Identifizierung von Deep Fakes helfen können, weisen sie auch Einschränkungen auf, da das verarbeitete Bild geändert wurde und die Öffentlichkeit die Signatur auf dem Originalbild nicht überprüfen kann war sehr schwierig.
Die Blockchain-Technologie kann das Problem von Deepfakes auf verschiedene Weise lösen. Bei der Hardware-Authentifizierung können manipulationssichere Chipkameras eingesetzt werden, um in jedes Originalfoto einen kryptografischen Beweis einzubetten und so die Echtheit des Bildes zu überprüfen. Blockchain ist unveränderlich und ermöglicht das Hinzufügen von Bildern mit Metadaten zu zeitgestempelten Blöcken, wodurch Manipulationen verhindert und die ursprüngliche Quelle überprüft werden. Darüber hinaus können Wallets verwendet werden, um kryptografische Signaturen an veröffentlichte Beiträge anzuhängen, um die Urheberschaft veröffentlichter Inhalte zu überprüfen, und die auf der ZK-Technologie basierende KYC-Infrastruktur kann Wallets mit verifizierten Identitäten verknüpfen und gleichzeitig die Privatsphäre der Benutzer schützen. Unter dem Gesichtspunkt wirtschaftlicher Anreize sollten Autoren für die Veröffentlichung falscher Informationen bestraft werden, und Benutzer können für die Identifizierung falscher Informationen belohnt werden.
Numbers Protocol arbeitet seit Jahren in diesem Bereich; das Verifizierungstool von Fox News basiert auf der Polygon-Blockchain und ermöglicht es Benutzern, Artikel zu finden und zugehörige Daten aus der Blockchain abzurufen.
Privatsphäre
Wenn KI-Modelle in Bereichen wie Finanzen, Gesundheitswesen und Recht mit sensiblen Informationen gefüttert werden, ist es äußerst wichtig, den Datenschutz bei der Verwendung zu schützen. Die homomorphe Verschlüsselung (FHE) kann Daten verarbeiten, ohne sie zu entschlüsseln, und schützt so die Privatsphäre bei der Verwendung von LLM-Modellen. Der Arbeitsablauf ist wie folgt:
Der Benutzer startet den Inferenzprozess auf dem lokalen Gerät und stoppt ihn nach Abschluss der ersten Ebene. Diese erste Ebene ist nicht in dem mit dem Server geteilten Modell enthalten;
Der Client verschlüsselt Zwischenoperationen und leitet sie an den Server weiter;
Der Server führt eine Teilaufmerksamkeitsmechanismusverarbeitung für diese verschlüsselten Daten durch und sendet das Ergebnis an den Client zurück.
Der Client entschlüsselt die Ergebnisse und setzt die Inferenz lokal fort. Dadurch stellt FHE sicher, dass die Privatsphäre der Nutzerdaten während des gesamten Verarbeitungsprozesses gewahrt bleibt.
Zama entwickelt eine vollständig homomorphe Verschlüsselungslösung (FHE) und hat kürzlich 73 Millionen US-Dollar an Finanzmitteln zur Unterstützung der Entwicklung gesammelt.
KI-Agent
Die Idee von KI-Agenten ist sehr futuristisch. Wie wird die Zukunft aussehen, wenn KI-Agenten Vermögenswerte besitzen und Transaktionen durchführen können? Möglicherweise kommt es zu einer Verlagerung von der Verwendung allgemeiner großer Modelle zur Unterstützung der Entscheidungsfindung hin zur Zuweisung von Aufgaben an spezialisierte Agenten.
Diese Agenten werden miteinander zusammenarbeiten, und ebenso wie solide wirtschaftliche Beziehungen die menschliche Zusammenarbeit verbessern können, kann das Hinzufügen wirtschaftlicher Beziehungen zu KI-Agenten auch deren Effizienz verbessern. Blockchain kann ein Testgelände für dieses Konzept sein. Colony experimentiert beispielsweise mit dieser Idee durch Spiele und stellt Wallets für KI-Agenten bereit, um mit anderen Agenten oder echten Spielern Transaktionen durchzuführen, um bestimmte Ziele zu erreichen.
Abschluss
Die meisten Fragen beziehen sich tatsächlich auf Open-Source-KI. Um sicherzustellen, dass eine so wichtige Technologie im nächsten Jahrzehnt nicht von einigen wenigen Unternehmen monopolisiert wird, kann ein Token-Wirtschaftssystem schnell dezentrale Rechenressourcen und Trainingsdatensätze nutzen und so die Ressourcenlücke zwischen Open-Source- und Closed-Source-KI verringern. Blockchain kann KI-Training und -Schlussfolgerungen für eine bessere Datenverwaltung verfolgen, während Kryptografie das Vertrauen in der Post-KI-Ära gewährleisten und Deepfakes und Datenschutzprobleme angehen kann.
Verwandte Lektüre
Ein Artikel mit einer Bestandsaufnahme der KI-gestützten Krypto-Implementierungsanweisungen und -Protokolle