Penulis: David & Goliath
Disusun oleh: Shenchao TechFlow
Saat ini, tahap komputasi dan pelatihan dalam industri AI didominasi oleh raksasa Web2 terpusat. Perusahaan-perusahaan ini mendominasi berkat kekuatan modal yang kuat, perangkat keras mutakhir, dan sumber daya data yang besar. Meskipun keadaan ini mungkin terus ada saat mengembangkan model pembelajaran mesin (ML) umum yang paling kuat, jaringan Web3 dapat secara bertahap menjadi sumber daya komputasi yang lebih ekonomis dan mudah diakses untuk model menengah atau kustom.
Demikian juga, ketika permintaan inferensi melebihi kemampuan perangkat edge pribadi, beberapa konsumen mungkin memilih jaringan Web3 untuk mendapatkan keluaran yang lebih beragam dan kurang terfilter. Alih-alih mencoba menggulingkan seluruh tumpukan teknologi AI, peserta Web3 seharusnya lebih fokus pada skenario-segmen ini dan memanfaatkan keunggulan unik mereka dalam hal ketahanan terhadap sensor, transparansi, dan verifikasi sosial.
Sumber daya perangkat keras yang diperlukan untuk melatih model dasar generasi berikutnya (seperti GPT atau BERT) langka dan mahal, permintaan untuk chip berkinerja terbaik akan terus melebihi pasokan. Kelangkaan sumber daya ini menyebabkan perangkat keras terkonsentrasi di tangan beberapa perusahaan terkemuka yang memiliki dana cukup, yang menggunakan perangkat keras ini untuk melatih dan mengkomersilkan model dasar dengan kinerja terbaik dan kompleksitas tertinggi.
Namun, laju pembaruan perangkat keras sangat cepat. Lalu, bagaimana perangkat keras menengah atau berkinerja rendah yang sudah ketinggalan zaman dapat dimanfaatkan?
Perangkat keras ini kemungkinan besar digunakan untuk melatih model yang lebih sederhana atau lebih terfokus. Dengan mencocokkan berbagai kategori model dengan perangkat keras berkinerja berbeda, konfigurasi sumber daya yang optimal dapat dicapai. Dalam hal ini, protokol Web3 dapat memainkan peran kunci dengan mengoordinasikan akses ke sumber daya komputasi yang beragam dan berbiaya rendah. Misalnya, konsumen dapat menggunakan model menengah sederhana yang dilatih berdasarkan kumpulan data pribadi, dan hanya memilih model kelas atas yang dilatih dan dihosting oleh perusahaan terpusat saat menangani tugas yang lebih kompleks, sambil memastikan identitas pengguna tetap tersembunyi dan data yang diungkapkan dienkripsi.
Selain masalah efisiensi, kekhawatiran tentang bias dan potensi sensor dalam model terpusat juga semakin meningkat. Lingkungan Web3 terkenal dengan transparansi dan verifikasinya, mampu memberikan dukungan pelatihan untuk model-model yang diabaikan oleh Web2 atau dianggap terlalu sensitif. Meskipun model-model ini mungkin tidak kompetitif dalam hal kinerja dan inovasi, mereka tetap memiliki nilai penting bagi kelompok tertentu dalam masyarakat. Oleh karena itu, protokol Web3 dapat membuka pasar unik di bidang ini dengan menawarkan layanan pelatihan model yang lebih terbuka, dapat dipercaya, dan tahan sensor.
Pada awalnya, dua metode terpusat dan terdesentralisasi dapat coexist, masing-masing melayani kasus penggunaan yang berbeda. Namun, seiring dengan peningkatan pengalaman pengembang dan kompatibilitas platform Web3, serta efek jaringan AI sumber terbuka yang semakin terlihat, Web3 mungkin akhirnya bersaing di bidang inti perusahaan terpusat. Terutama ketika konsumen semakin menyadari keterbatasan model terpusat, keunggulan Web3 akan semakin mencolok.
Selain pelatihan model menengah atau spesifik, peserta Web3 juga memiliki keunggulan dalam menyediakan solusi inferensi yang lebih transparan dan fleksibel. Layanan inferensi terdesentralisasi dapat membawa berbagai manfaat, seperti waktu henti nol, kombinasi modular model, evaluasi kinerja model yang terbuka, dan keluaran yang lebih beragam dan tidak terfilter. Layanan ini juga dapat secara efektif menghindari masalah "kunci vendor" yang dihadapi konsumen karena bergantung pada beberapa penyedia terpusat. Mirip dengan pelatihan model, keunggulan kompetitif lapisan inferensi terdesentralisasi tidak terletak pada kemampuan komputasi itu sendiri, tetapi pada penyelesaian beberapa masalah yang telah lama ada, seperti transparansi parameter penyetelan yang tertutup, kurangnya verifikasi, dan biaya yang tinggi.
Dan Olshansky mengusulkan sebuah gagasan yang menjanjikan, yaitu melalui jaringan rute inferensi AI POKT, menciptakan lebih banyak peluang bagi peneliti dan insinyur AI untuk menerapkan hasil penelitian mereka dan mendapatkan pendapatan tambahan melalui model pembelajaran mesin (ML) atau kecerdasan buatan (AI) yang disesuaikan. Lebih penting lagi, jaringan ini dapat memfasilitasi persaingan yang lebih adil di pasar layanan inferensi dengan mengintegrasikan hasil inferensi dari berbagai sumber (termasuk penyedia terdesentralisasi dan terpusat).
Meskipun proyeksi optimis mengindikasikan bahwa seluruh tumpukan teknologi AI mungkin sepenuhnya beralih ke rantai di masa depan, saat ini, tujuan ini masih menghadapi tantangan besar dari konsentrasi data dan sumber daya komputasi, karena sumber daya ini memberikan keuntungan kompetitif yang signifikan bagi raksasa yang ada. Namun, jaringan koordinasi dan komputasi terdesentralisasi menunjukkan nilai unik dalam menyediakan layanan AI yang lebih personal, lebih ekonomis, lebih terbuka untuk bersaing, dan tahan sensor. Dengan memfokuskan pada segmen pasar yang paling penting dari nilai-nilai ini, Web3 dapat membangun penghalang kompetitifnya sendiri, memastikan bahwa teknologi yang paling berpengaruh di era ini dapat berkembang bersama dalam berbagai arah, sehingga menguntungkan pemangku kepentingan yang lebih luas, bukan hanya dikuasai oleh beberapa raksasa tradisional.
Akhirnya, saya ingin mengucapkan terima kasih khusus kepada semua anggota tim Placeholder Investment, serta Kyle Samani dari Multicoin Capital, Anand Iyer dari Canonical VC, Keccak Wong dari Nectar AI, Alpin Yukseloglu dari Osmosis Labs, dan Cameron Dennis dari NEAR Foundation, yang telah memberikan tinjauan dan umpan balik yang berharga selama penulisan artikel ini.