Pengarang: Delphi Labs
Disusun oleh: Deep Wave TechFlow
Artikel ini ditulis oleh Luke Saunders (lukedelphi) & Jose Macedo (ZeMariaMacedo).
Kecerdasan buatan mewakili revolusi teknologi terbesar dalam sejarah dan telah memicu perlombaan senjata teknologi yang belum pernah terjadi sebelumnya. Model AI saat ini telah menempati peringkat sepuluh besar dalam ujian perguruan tinggi yang paling terstandarisasi dan melampaui manusia dalam banyak tugas, termasuk penelitian AI itu sendiri. Bahkan pada tingkat saat ini, hal ini mempunyai dampak transformatif pada banyak industri seperti pencarian, layanan pelanggan, pembuatan konten, pemrograman, dan pendidikan.
Kami berharap kemampuan, pendanaan, dan dampak AI terhadap masyarakat akan semakin meningkat. Semua perusahaan teknologi besar menyadari bahwa AI sangat penting bagi bisnis mereka dan melakukan investasi yang sesuai. Pendapatan NVIDIA, yang merupakan indikator terbaik belanja modal AI, diperkirakan akan melebihi $100 miliar pada tahun 2024, lebih dari dua kali lipat pendapatan pada tahun 2023 dan lebih dari empat kali lipat pendapatan tahun sebelumnya.
Pendapat CEO Google Sundar Pichai mengenai investasi AI:
“Bagi kami, risiko kekurangan investasi jauh lebih besar dibandingkan risiko investasi berlebihan.”
Pada saat yang sama, para startup menyadari bahwa AI adalah kekuatan disruptif yang dapat menggantikan perusahaan-perusahaan yang telah berdiri selama beberapa dekade. Diperkirakan $83 miliar telah diinvestasikan pada startup AI selama 18 bulan terakhir.
Mengingat kemampuan AI cenderung tumbuh secara eksponensial seiring dengan kekuatan komputasi, kita kemungkinan besar akan mencapai sesuatu seperti Artificial General Intelligence (AGI) dalam satu dekade.
Sumber: Kesadaran Situasional
Pengarang: Leopoldasch
Dalam artikel ini, kami berpendapat bahwa lingkungan kompetitif akan menghasilkan dunia dengan jutaan model, dan kriptografi adalah landasan ideal dari dunia multi-model ini. Kita akan mulai dengan membahas mengapa menurut kami dunia multi-model merupakan konsekuensi yang tak terelakkan dari kecerdasan buatan. Selanjutnya, kita akan membahas keuntungan unik yang diberikan kriptografi terhadap kecerdasan buatan. Terakhir, kami akan memperkenalkan apa yang kami anggap sebagai tumpukan teknologi enkripsi dan kecerdasan buatan serta memberikan contoh proyek yang menarik bagi kami.
Memang terdapat banyak alasan filosofis dan etis yang kuat untuk menggabungkan AI open source dan kriptografi, dan ini telah dibahas dengan baik di tempat lain. Kami sepenuhnya setuju dengan pandangan ini, yang merupakan salah satu motivasi pengembangan kami di bidang ini. Namun, dalam artikel ini, kita akan fokus pada alasan praktis mengapa kriptografi yang dikombinasikan dengan kecerdasan buatan akan lebih unggul, daripada membahas alasan moral mengapa kriptografi harus lebih unggul.
Supermodel dan multimodel
Kini, kita bergerak menuju dunia di mana segelintir perusahaan teknologi besar yang terintegrasi secara vertikal menghasilkan “supermodel” yang mendominasi segalanya.
Namun, kami yakin ini bukanlah akhir karena beberapa alasan:
Masalah risiko: Organisasi, pengusaha, dan pengembang yang membangun pengalaman berbasis AI tidak ingin bergantung pada satu perusahaan sumber tertutup yang dapat mengubah model, mengubah ketentuan penggunaan, atau bahkan berhenti melayani sepenuhnya kapan saja.
Pertukaran antara biaya dan kinerja: Model yang sangat besar dan bertujuan umum yang disukai oleh perusahaan teknologi besar tentu saja lebih mahal untuk dilatih dan dijalankan. Akibatnya, hal ini menjadikannya terlalu mahal dan terlalu kuat untuk banyak kasus penggunaan. Meskipun hal ini bukan pertimbangan utama saat ini karena masyarakat tidak memikirkan profitabilitas, seiring berkembangnya AI, masyarakat akan mengoptimalkan untuk mendapatkan biaya terendah untuk tingkat kinerja yang diinginkan. Dalam banyak tugas, model besar tidak kompetitif dalam hal ini. Ada banyak penelitian yang mendukung gagasan ini, menunjukkan bahwa model yang lebih kecil dan lebih terspesialisasi dapat mengungguli model tujuan umum dalam berbagai tugas: diagnosis pencitraan medis, deteksi penipuan, pengenalan suara, dan banyak lagi.
Integrasi vertikal: Seperti yang telah dibuktikan Apple berkali-kali, produk terbaik sering kali dihasilkan dari integrasi vertikal seluruh rangkaian teknologi. Pengusaha yang ambisius akan berusaha mendapatkan keunggulan kompetitif dengan mengembangkan model khusus mereka sendiri ketika membuat produk berbasis AI. Hal ini memungkinkan produk-produk ini memperoleh nilai lebih dan dengan demikian menarik lebih banyak investasi.
Masalah privasi: Kecerdasan buatan akan menjadi teknologi inti dalam alur kerja organisasi hingga tingkat yang tidak dapat ditandingi oleh teknologi lain. Banyak organisasi yang enggan menyerahkan data sensitif kepada model ini.
Karena alasan di atas, kami yakin kemungkinan besar kami akan beralih ke dunia yang memiliki banyak model terspesialisasi dan lebih kecil yang dapat disesuaikan dan hemat biaya untuk kasus penggunaan tertentu. Pengembang dan pengguna aplikasi akan memanfaatkan model sumber terbuka, seperti yang disediakan oleh LLaMA atau MistralAI, sebagai dasar untuk menyempurnakan model khusus mereka, yang sering kali menggunakan data kepemilikan. Banyak model akan terus berjalan di server, namun aplikasi yang lebih kecil dan lebih berfokus pada privasi akan berjalan secara lokal di perangkat klien, sementara aplikasi lain yang perlu menolak sensor mungkin menggunakan platform komputasi terdesentralisasi.
Ini adalah dunia yang terdiri dari blok bangunan AI modular, tempat pengembang dan pengusaha bersaing untuk memberikan nilai kepada pengguna, yang dapat memilih dan menggabungkan berbagai layanan berdasarkan kebutuhan spesifik mereka. Perutean, orkestrasi, komposisi, pembayaran, dan semua jenis infrastruktur lainnya perlu dibangun untuk mengungkap tumpukan teknologi “Model Tuhan” dan melayani ekonomi AI yang sedang berkembang ini. Ini juga merupakan dunia di mana cryptocurrency sedang booming.
Kripto dan kecerdasan buatan
Secara intuitif, mata uang kripto tampak seperti sebuah area di mana utilitas dapat ditemukan di dunia multi-model ini. Namun, hype ini telah menyebabkan alokasi modal yang besar di sektor ini oleh banyak investor yang kurang informasi. Seperti gelembung infrastruktur sebelumnya, banyak proyek yang didanai dan dibangun yang mungkin seharusnya tidak ada. Akibatnya, sulit untuk menentukan sub-sektor mana dalam mata uang kripto dan ruang AI yang benar-benar memiliki nilai, sehingga banyak orang memandang seluruh bidang ini sebagai meme yang tidak memiliki nilai fundamental.
Menurut kami ini bukan meme, tetapi memang benar bahwa dunia multi-model ini secara teori bisa ada tanpa mata uang kripto. Oleh karena itu, penting untuk fokus pada karakteristik pembeda unik dari mata uang kripto yang membantu kita menciptakan produk yang lebih revolusioner, atau idealnya produk yang tidak dapat dibangun tanpa mata uang kripto. Untuk melakukan hal ini, pertama-tama kami mengidentifikasi sifat unik mata uang kripto dan bagaimana hal tersebut dapat diterapkan pada bidang kecerdasan buatan sehingga dapat menghasilkan produk yang lebih baik. Kami kemudian akan membahas tumpukan teknologi kriptografi dan kecerdasan buatan serta memberikan contoh kasus penggunaan yang kami yakini relevan.
Lapisan koordinasi: Rel terenkripsi unggul dalam memfasilitasi koordinasi kolektif tanpa memerlukan kontrol terpusat. Hal ini sangat efektif dalam mengatasi masalah ayam dan telur yang melekat di sebagian besar pasar, memungkinkannya dengan cepat menarik sejumlah besar pengguna baru melalui insentif asli kripto.
Tim kecil yang membangun model internal mungkin tidak memiliki akses langsung ke semua sumber daya yang dibutuhkan. Misalnya, meskipun laboratorium AI di perusahaan teknologi besar mungkin memiliki sumber daya komputasi sendiri, tim yang lebih kecil tidak memiliki sumber daya komputasi yang sama. Demikian pula, tim-tim ini memerlukan akses terhadap data dan mungkin perlu merekrut berbagai kelompok orang untuk memberikan masukan secara manusiawi. Kebutuhan ini sangat cocok untuk dipenuhi melalui pasar khusus, dan kami percaya pasar yang memanfaatkan infrastruktur kripto akan memiliki keunggulan kompetitif dibandingkan pasar yang tidak memanfaatkan infrastruktur kripto.
API terbuka dan tanpa izin: Cryptorails berfungsi sebagai API terbuka dan tanpa izin yang dapat diakses oleh siapa saja, di mana saja tanpa memerlukan KYC, memiliki kartu kredit, atau bentuk persetujuan lainnya. Hal ini penting bagi agen AI karena agar dapat bertindak secara mandiri, mereka harus dapat mengakses layanan, menerapkan kode, dan mentransfer nilai tanpa campur tangan manusia. Hal ini memungkinkan terjadinya perilaku seperti fiksi ilmiah seperti kolektif agen, di mana agen saling membayar untuk layanan, mengambil hutang, dan bahkan meningkatkan modal.
Tidak dapat dipercaya: Rel terenkripsi umumnya tidak dapat dipercaya, yang berarti Anda mendapatkan jaminan kriptografi bahwa rel tersebut tidak akan berubah, bahwa akses tidak akan ditarik secara tidak sengaja, dan Anda dapat memverifikasi bahwa eksekusi berfungsi seperti yang diharapkan. Hal ini penting untuk arsitektur AI modular karena, tidak seperti pendekatan terintegrasi, pembuat perlu menyusun serangkaian primitif yang tidak dapat mereka kendalikan, dan pengguna harus memercayai banyak layanan, yang banyak di antaranya bahkan tidak disadari oleh pengguna.
Resistensi Sensor: Aplikasi yang berjalan pada crypto-rails tidak dapat diblokir jika diterapkan sebagai kontrak yang tidak dapat diubah. Sekalipun dapat ditingkatkan, hal ini biasanya dilakukan oleh organisasi otonom terdesentralisasi (DAO) yang memerlukan konsensus. Dengan asumsi AI mempunyai kemampuan seperti yang kita harapkan, pemerintah kemungkinan besar akan berusaha mengendalikan dan mempengaruhinya. Faktanya, kita telah melihat hal ini terjadi. Sama seperti Bitcoin dan mata uang kripto yang menyediakan infrastruktur moneter/keuangan di luar sistem, kriptografi yang dikombinasikan dengan AI memberikan kecerdasan yang tidak dapat dihentikan.
Persimpangan antara kripto dan kecerdasan buatan
Mengingat manfaat-manfaat ini, aplikasi apa yang menurut kami sangat menarik di persimpangan antara kripto dan kecerdasan buatan?
Pusat Data dan Komputasi
Penggunaan komputasi model secara garis besar terbagi dalam dua kategori: pelatihan dan inferensi. Kami yakin penting untuk menggunakan komputasi terdesentralisasi di kedua area ini, dan kami akan membahasnya secara terpisah di bawah.
Pelatihan terdesentralisasi
Komputasi terdistribusi saat ini menghadapi kesulitan karena persyaratan komunikasi dan latensi yang ketat antar node selama pelatihan. Ada banyak tim yang mencoba memecahkan masalah ini, dan mengingat besarnya potensi keuntungan dan bakat para peserta, kami yakin masalah ini dapat diselesaikan. Beberapa pendekatan yang patut diperhatikan termasuk DisTrO dari NousResearch dan OpenDiLoCo dari PrimeIntellect.
Selain memecahkan tantangan teknis dari pelatihan terdistribusi dan membangun produk yang menyederhanakan kompleksitas ini, pemenang juga harus mengetahui:
Bagaimana memastikan kualitas dan akuntabilitas pada jaringan tanpa izin
Cara meluncurkan sisi pasokan, idealnya pusat data dan klaster, daripada perangkat keras tingkat konsumen. Insentif token mungkin merupakan strategi dasar untuk memberi insentif pada sisi pasokan, pendekatan yang lebih kreatif mungkin termasuk memberikan kepemilikan model akhir kepada penyedia komputasi.
Pada dasarnya, keuntungan dari pasar komputasi terdistribusi adalah dapat memanfaatkan biaya marjinal komputasi terendah di dunia. Hal ini menjadi semakin penting seiring dengan meningkatnya biaya penyedia layanan yang ada dan semakin banyak perusahaan dan organisasi yang mulai mundur dan mencari alternatif yang lebih murah. Kerugiannya mencakup latensi, perangkat keras yang heterogen, dan kurangnya semua optimalisasi dan skala ekonomi yang timbul saat membangun dan mengoperasikan pusat data Anda sendiri. Apa yang akan terjadi di masa depan masih harus dilihat.
kesimpulan yang dapat diverifikasi
Secara keseluruhan, kami memandang kasus penggunaan inferensi yang dapat diverifikasi sebagai perluasan sistem yang meminimalkan kepercayaan dengan kemampuan AI. Tidaklah praktis untuk menyematkan model ke dalam kontrak pintar, namun dimungkinkan untuk menjalankan model secara off-chain dan mempublikasikan beberapa bukti on-chain bahwa model tersebut berfungsi seperti yang diharapkan. Misalnya, proyek dapat dengan mudah mendelegasikan keputusan tata kelola (misalnya, keputusan tentang parameter risiko di pasar mata uang) ke model off-chain.
Konsep ini juga dapat digunakan secara lebih umum dengan model sumber terbuka atau tertutup, memberikan jaminan kepada pengguna bahwa keluarannya berasal dari model yang mereka harapkan. Hal ini kemungkinan akan menjadi semakin penting seiring dengan semakin banyaknya aplikasi dan pengguna yang menggunakan AI untuk tugas-tugas yang semakin penting. Ada banyak proyek yang mengatasi tantangan ini dengan cara berbeda, seperti proyek investasi Delphi Ventures, Inference Labs (inference_labs).
data
Saat ini, pelatihan model bahasa besar (LLM) adalah proses pelatihan multi-langkah yang memerlukan berbagai jenis data dan intervensi manusia. Prosesnya dimulai dengan pra-pelatihan, di mana model bahasa berukuran besar dilatih menggunakan perayapan umum yang telah dibersihkan dan dikurasi serta kumpulan data lain yang tersedia secara gratis. Dalam fase pasca-pelatihan, model-model ini dilatih pada kumpulan data berlabel yang lebih kecil dan lebih spesifik untuk memberi mereka pengetahuan yang relevan dalam domain tertentu (seperti kimia), seringkali dengan bantuan para ahli.
Untuk memastikan data segar atau eksklusif, laboratorium AI sering kali bermitra dengan pemilik sumber data besar. Misalnya, OpenAI menandatangani kesepakatan dengan Reddit yang dikabarkan bernilai $60 juta. Demikian pula, kontrak lima tahun News Corp dengan OpenAI bernilai lebih dari $250 juta, The Wall Street Journal melaporkan. Jelas sekali, data menjadi lebih berharga dari sebelumnya.
Kami percaya bahwa jaringan terenkripsi dapat secara efektif membantu tim mendapatkan data dan sumber daya yang mereka perlukan di setiap tahap. Mungkin area yang paling menarik dari hal ini adalah pengumpulan data, di mana kami yakin insentif kripto sangat cocok untuk mendorong sisi pasokan pengumpulan data dan memanfaatkan sejumlah besar sumber data penting jangka panjang.
Misalnya: Grass AI (getgrass_io) mendorong pengguna untuk berbagi bandwidth internet menganggur mereka untuk membantu mengumpulkan data dari web, yang kemudian disusun, dibersihkan, dan disediakan untuk pelatihan AI. Jika Grass dapat menghasilkan pasokan yang cukup, Grass dapat secara efektif berfungsi sebagai kunci API untuk memberi makan model dengan data internet terbaru.
Hivemapper adalah contoh bagus lainnya – jaringan ini diluncurkan pada November 2022 dan mengumpulkan jutaan kilometer citra jalan raya setiap minggunya, dan sudah mencakup 25% wilayah dunia. Jelas sekali bahwa model serupa dapat diterapkan pada bentuk data multimodal lain dan dijual secara menguntungkan ke laboratorium AI.
Seperti yang ditunjukkan oleh kesepakatan NewsCorp dan Reddit, banyak perusahaan memiliki data berharga, namun banyak juga yang terlalu kecil atau tidak memiliki koneksi ke laboratorium AI untuk menghasilkan uang. Demikian pula, mungkin tidak bermanfaat bagi laboratorium AI untuk mencapai kesepakatan dengan satu vendor kecil. Pasar data yang dirancang dengan baik dapat mengatasi masalah ini dengan menghubungkan vendor dengan laboratorium AI secara terpadu. Ada beberapa tantangan di sini, terutama dalam menangani kualitas data dan API serta pertukaran data.
Terakhir, persiapan data adalah serangkaian tugas penting termasuk anotasi, pembersihan, peningkatan data, transformasi, dll. Sebuah tim kecil mungkin tidak memiliki semua keterampilan ini dan oleh karena itu mungkin berusaha melakukan outsourcing. Scale AI (scale_AI) adalah perusahaan terpusat yang menyediakan layanan ini—saat ini diperkirakan memiliki pendapatan tahunan sekitar $700 juta dan berkembang pesat. Kami percaya bahwa pasar yang dirancang dengan baik dan sistem alur kerja berdasarkan kriptografi akan bekerja dengan baik di sini. Lightworks adalah perusahaan yang didukung oleh Delphi Ventures, bersama dengan beberapa perusahaan lainnya — semuanya masih dalam tahap awal.
Model
Menurut laporan Delphi Digital The Tower & The Square, produksi dan pengendalian model AI hampir seluruhnya dikendalikan oleh “perusahaan besar” dan pemerintah. Ini adalah keadaan yang lebih dystopian daripada kendali pemerintah terhadap mata uang, karena memungkinkan mereka untuk tidak hanya mengendalikan salah satu sumber daya ekonomi yang paling penting, namun juga mengendalikan narasi dengan menyensor dan memanipulasi informasi, mengecualikan orang-orang tertentu yang "tidak diinginkan", menggunakan interaksi AI pribadi seseorang terhadap mereka, atau sekadar menggunakan AI untuk memaksimalkan pendapatan iklan.
Ada banyak orang pintar yang bekerja keras untuk menciptakan "The Square" - jaringan terdesentralisasi dengan tujuan menghasilkan model yang sepenuhnya netral dan tahan sensor yang dapat diakses oleh semua orang. Jadi, sama seperti Bitcoin dan mata uang kripto menyediakan infrastruktur moneter/keuangan yang berada di luar sistem keuangan, crypto x AI akan menyediakan sistem cerdas yang berada di luar sistem.
Proyek semacam itu bertujuan untuk menciptakan model yang kuat yang bersaing dengan GPT dan LLaMA dengan mendesentralisasikan setiap aspek proses pembuatan model - jaringan bertanggung jawab untuk memperoleh dan menyiapkan data, melatih komputasi terdesentralisasinya sendiri, dan pada saat yang sama Proses inferensi berjalan secara komputasional dan seluruh proses dikoordinasikan melalui tata kelola yang terdesentralisasi. Tidak ada bagian dari proses yang terpusat, sehingga model benar-benar dimiliki oleh masyarakat dan tidak dapat dikendalikan oleh “menara”.
Tentu saja, akan sangat sulit untuk menciptakan model desentralisasi yang mendekati model mutakhir. Kita tidak dapat mengharapkan mayoritas pengguna menerima produk dengan kualitas rendah karena alasan etis. Kami memandang proyek-proyek semacam ini sebagai proyek yang tidak mungkin berhasil, namun akan sangat berharga jika berhasil - dan kami sangat berharap proyek-proyek tersebut berhasil.
Perlu disebutkan laboratorium AI terpusat yang menganut gagasan mata uang kripto dan mungkin memiliki token atau menggunakan kriptografi.
NousResearch dan PondGNN adalah beberapa contoh investasi dari Delphi Ventures. Terakhir, infrastruktur pembuatan model seperti Bittensor OpenTensor adalah bagian dari arsitektur model ini. Bittensor telah dibahas secara mendalam di tempat lain, jadi kami tidak akan membahas kelebihan dan kekurangannya.
Skenario aplikasi
Eric Schmidt mengatakan dalam pidatonya baru-baru ini:
Jika TikTok dilarang, inilah yang saya sarankan agar Anda masing-masing lakukan: katakan kepada Model Bahasa Besar (LLM) Anda: “Buatkan saya salinan TikTok, curi semua pengguna, curi semua musik, sesuaikan dengan preferensi saya, buat ini aplikasi dalam 30 detik berikutnya, posting, dan jika tidak menjadi viral dalam waktu satu jam, lakukan langkah serupa lainnya.”
Bagian ini menggambarkan kemampuan luas yang kami harapkan dimiliki oleh agen kami. Namun untuk menyelesaikan tugas-tugas ini dengan otonomi penuh, agen-agen ini harus dapat menggunakan berbagai layanan tanpa campur tangan manusia—mentransfer nilai dan membangun hubungan ekonomi, menyebarkan dan mengeksekusi kode tanpa izin.
Aplikasi perbankan tradisional, KYC (Know Your Customer) dan proses orientasi tidak cocok untuk agen ini. Mau tidak mau, mereka akan menghadapi sistem yang dirancang untuk manusia dan tidak dapat mengaksesnya tanpa bantuan.
Infrastruktur Crypto menyediakan platform yang sempurna. Mereka memberikan landasan tanpa izin, tanpa kepercayaan, dan tahan sensor bagi agen untuk beroperasi. Jika mereka perlu menerapkan aplikasi, mereka dapat melakukannya secara langsung secara on-chain. Token dapat dikirim jika mereka perlu membayar biaya tertentu. Kode dan data layanan on-chain bersifat terbuka dan konsisten, sehingga agen dapat memahami dan berinteraksi tanpa memerlukan API atau dokumentasi.
Agen juga dapat bertindak sebagai katalis untuk aktivitas on-chain dalam berbagai cara. Peralihan dari paradigma pengalaman pengguna (UX) di mana orang mengklik tombol di situs web menjadi berinteraksi melalui asisten pribadi AI kami dapat menyederhanakan kompleksitas orientasi ruang kripto yang terkenal buruk, sehingga mengurangi salah satu hambatan utama dalam menarik pengguna baru.
Proyek seperti Wayfinder (AIWayfinder), Autonolas (Autonolas), DAIN (dainprotocol) dan Almanak (Almanak__) sedang bergerak menuju masa depan ini.
sebagai kesimpulan
Kecerdasan buatan (AI) telah menjadi sumber daya paling kuat dan penting di abad ke-21, yang memberikan dampak besar terhadap masyarakat. Masa depan yang sepenuhnya dikendalikan oleh perusahaan teknologi besar dan negara adalah masa depan dystopian yang tidak ingin kita lihat. Dalam artikel ini, kami mencoba menunjukkan cara bagaimana kriptografi dapat mencegah monopoli ini, bukan dengan mengharapkan orang menggunakan solusi karena alasan filosofis, namun dengan memberikan solusi yang benar-benar lebih baik kepada pengembang dan pengguna.
Kita masih berada pada tahap awal era kecerdasan buatan (AI), khususnya era de-AI (deAI). Masih banyak pekerjaan yang perlu dilakukan untuk membawa kita dari keadaan saat ini menuju masa depan yang dibahas dalam artikel ini. Di Delphi Labs, kami bersemangat mengenai masa depan kripto dan kecerdasan buatan dan ingin berpartisipasi aktif dalam membentuk masa depan tersebut dengan bekerja sama dengan pengembang terkemuka di bidangnya.