Autor original |
Compilar |
El progreso de las tecnologías de IA como GPT-4, Gemini 1.5 y Microsoft AI PC es impresionante, pero el desarrollo actual de la IA todavía enfrenta algunos problemas. Bill, un investigador de Web3 en AppWorks, estudió los problemas en profundidad y discutió cómo Crypto puede hacerlo. Ayuda a 7 direcciones del empoderamiento de la IA.
Tokenización de datos
El entrenamiento tradicional en IA se basa principalmente en datos públicos disponibles en Internet o, más precisamente, en datos de tráfico de dominio público. A excepción de unas pocas empresas que ofrecen API abiertas, la mayoría de los datos siguen sin explotar. Una dirección clave es cómo permitir que más titulares de datos contribuyan o autoricen sus datos para la capacitación en IA y al mismo tiempo se garantice la protección de la privacidad.
Sin embargo, el mayor desafío al que se enfrenta este campo es que los datos son difíciles de estandarizar, al igual que la potencia informática. Si bien la potencia informática distribuida se puede cuantificar por tipo de GPU, la cantidad, la calidad y el uso de datos privados son difíciles de medir. Si la potencia informática distribuida es como ERC 20, entonces la tokenización del conjunto de datos es como ERC 721, lo que hace que la liquidez y la formación de mercado sean más desafiantes que ERC 20.
La función Compute-to-Data de Ocean Protocol permite a los propietarios de datos vender datos privados mientras protegen la privacidad. Vana ofrece a los usuarios de Reddit una forma de agregar datos y venderlos a empresas que entrenan grandes modelos de IA.
Asignación de recursos
Actualmente, existe una gran brecha entre la oferta y la demanda de potencia informática de GPU, y las grandes empresas monopolizan la mayoría de los recursos de GPU, lo que hace que el costo de entrenar modelos para las pequeñas empresas sea muy alto. Muchos equipos están trabajando arduamente para reducir costos concentrando recursos de GPU de pequeña escala y de alto uso a través de redes descentralizadas, pero aún enfrentan desafíos importantes para garantizar una potencia informática estable y un ancho de banda suficiente.
RLHF motivacional
RLHF (aprendizaje por refuerzo basado en retroalimentación humana) es crucial para mejorar modelos grandes, pero requiere capacitación experta. A medida que aumenta la competencia en el mercado, también aumenta el costo de contratar a estos profesionales. Para reducir costos y al mismo tiempo mantener una anotación de alta calidad, se puede utilizar un sistema de replanteo y corte. Uno de los mayores gastos de la anotación de datos es la necesidad de que los supervisores verifiquen la calidad. Sin embargo, a lo largo de los años, blockchain ha utilizado con éxito mecanismos de incentivos económicos para garantizar la calidad del trabajo (PoW, PoS), y se cree que la creación de un buen sistema económico de tokens puede reducir efectivamente el costo de RLHF.
Por ejemplo, Sapien AI introdujo Tag 2 Earn y cooperó con múltiples gremios de gamefi; Hivemapper tiene 2 millones de kilómetros de datos de capacitación vial a través de un mecanismo de incentivo simbólico; QuillAudits planea lanzar un agente de auditoría de contratos inteligentes de código abierto, que permitirá a todos los auditores capacitarse conjuntamente; el agente y ser recompensado.
Verificabilidad
¿Cómo verificar si el proveedor de energía informática realiza tareas de inferencia de acuerdo con requisitos o modelos específicos? Los usuarios no pueden verificar la autenticidad y precisión del modelo de IA y su resultado. Esta falta de verificabilidad puede generar desconfianza, errores e incluso daños en áreas como las finanzas, la atención médica y el derecho.
Al utilizar sistemas de verificación criptográfica como ZKP, OP y TEE, los proveedores de servicios de inferencia pueden demostrar que los resultados fueron realizados por un modelo específico. Los beneficios de utilizar la verificación criptográfica incluyen que los proveedores de modelos pueden mantener la confidencialidad del modelo, los usuarios pueden verificar que la ejecución del modelo es correcta y la integración de criptografía de prueba en contratos inteligentes puede eludir las limitaciones de la potencia informática de la cadena de bloques. Al mismo tiempo, también se puede considerar ejecutar IA directamente en el dispositivo para resolver problemas de rendimiento, pero hasta ahora no hemos visto una respuesta satisfactoria. Los proyectos desarrollados en este campo incluyen Ritual, ORA y Aizel Network.
profundo
Con la aparición de la IA de producción, la gente presta cada vez más atención al tema de los deepfakes (DeepFake). Sin embargo, la tecnología deepfake avanza más rápido que la tecnología de detección, por lo que detectarlos es cada vez más difícil. Aunque las tecnologías de marcas de agua digitales (como C 2 PA) pueden ayudar a identificar falsificaciones profundas, también tienen limitaciones porque la imagen procesada ha sido modificada y el público no puede verificar la firma en la imagen original con solo la imagen procesada, la verificación se hará. Fue muy difícil.
La tecnología blockchain puede resolver el problema de los deepfakes de varias maneras. La autenticación de hardware puede utilizar cámaras con chip a prueba de manipulaciones para incrustar pruebas criptográficas en cada fotografía original para verificar la autenticidad de la imagen. Blockchain es inmutable, lo que permite agregar imágenes con metadatos a bloques con marca de tiempo, evitando la manipulación y verificando la fuente original. Además, las billeteras se pueden usar para adjuntar firmas criptográficas a las publicaciones publicadas para verificar la autoría del contenido publicado, y la infraestructura KYC basada en la tecnología zk puede vincular las billeteras a identidades verificadas y al mismo tiempo proteger la privacidad del usuario. Desde la perspectiva de los incentivos económicos, los autores deberían ser castigados por publicar información falsa y los usuarios pueden ser recompensados por identificar información falsa.
Numbers Protocol ha estado trabajando en este espacio durante años; la herramienta de verificación de Fox News se basa en la cadena de bloques Polygon, lo que permite a los usuarios encontrar artículos y recuperar datos relacionados de la cadena de bloques.
privacidad
Cuando los modelos de IA reciben información confidencial en campos como las finanzas, la atención médica y el derecho, es extremadamente importante proteger la privacidad de los datos mientras se usan. El cifrado homomórfico (FHE) puede procesar datos sin descifrarlos, protegiendo así la privacidad cuando se utilizan modelos LLM. El flujo de trabajo es el siguiente:
El usuario inicia el proceso de inferencia en el dispositivo local y se detiene después de completar la capa inicial. Esta capa inicial no está incluida en el modelo compartido con el servidor;
El cliente cifra las operaciones intermedias y las reenvía al servidor;
El servidor realiza un procesamiento del mecanismo de atención parcial sobre estos datos cifrados y envía el resultado al cliente;
El cliente descifra los resultados y continúa la inferencia localmente. De esta forma, FHE asegura que la privacidad de los datos de los usuarios está protegida durante todo el proceso de tratamiento.
Zama está construyendo una solución de cifrado totalmente homomórfico (FHE) y recientemente ha recaudado 73 millones de dólares en financiación para apoyar el desarrollo.
agente de IA
La idea de los agentes de IA es muy futurista. ¿Cómo será el futuro si los agentes de IA puedan poseer activos y realizar transacciones? Puede haber un cambio desde el uso de grandes modelos de propósito general para ayudar en la toma de decisiones hacia la asignación de tareas a agentes especializados.
Estos agentes colaborarán entre sí y, así como las relaciones económicas sólidas pueden mejorar la colaboración humana, agregar relaciones económicas a los agentes de IA también puede mejorar su eficiencia. Blockchain puede ser un campo de pruebas para este concepto. Por ejemplo, Colony está experimentando con esta idea a través de juegos, proporcionando billeteras para que los agentes de IA realicen transacciones con otros agentes o jugadores reales para lograr objetivos específicos.
Conclusión
La mayoría de las preguntas en realidad se relacionan con la IA de código abierto. Para garantizar que una tecnología tan importante no sea monopolizada por unas pocas empresas en la próxima década, un sistema económico simbólico puede utilizar rápidamente recursos informáticos descentralizados y conjuntos de datos de entrenamiento, reduciendo la brecha de recursos entre la IA de código abierto y de código cerrado. Blockchain puede rastrear el entrenamiento y la inferencia de la IA para una mejor gobernanza de los datos, mientras que la criptografía puede garantizar la confianza en la era posterior a la IA y abordar los problemas de protección de la privacidad y las falsificaciones profundas.
Lectura relacionada
Un artículo que hace un balance de las direcciones y protocolos de implementación de Crypto potenciados por IA
