Penulis asli |
Kompilasi |.Golem
Kemajuan teknologi AI seperti GPT-4, Gemini 1.5 dan Microsoft AI PC sangat mengesankan, namun perkembangan AI saat ini masih menghadapi beberapa masalah. Bill, peneliti Web3 di AppWorks, mempelajari masalah tersebut secara mendalam dan mendiskusikan bagaimana Crypto dapat melakukannya membantu 7 arah pemberdayaan AI.
Tokenisasi Data
Pelatihan AI tradisional terutama bergantung pada data publik yang tersedia di Internet, atau lebih tepatnya, lalu lintas data di domain publik. Kecuali beberapa perusahaan yang menyediakan API terbuka, sebagian besar data masih belum dimanfaatkan. Cara memungkinkan lebih banyak pemegang data untuk berkontribusi atau mengotorisasi data mereka untuk pelatihan AI sambil memastikan privasi terlindungi adalah arah utama.
Namun, tantangan terbesar yang dihadapi bidang ini adalah sulitnya standarisasi data seperti halnya daya komputasi. Meskipun daya komputasi yang didistribusikan dapat diukur berdasarkan jenis GPU, kuantitas, kualitas, dan penggunaan data pribadi sulit diukur. Jika daya komputasi terdistribusi seperti ERC 20, maka tokenisasi kumpulan datanya seperti ERC 721, yang membuat likuiditas dan pembentukan pasar lebih menantang dibandingkan ERC 20.
Fitur Komputasi-ke-Data dari Ocean Protocol memungkinkan pemilik data menjual data pribadi sekaligus melindungi privasi. Vana memberi pengguna Reddit cara untuk mengumpulkan data dan menjualnya ke perusahaan yang melatih model AI besar.
Alokasi sumber daya
Saat ini, terdapat kesenjangan besar antara pasokan dan permintaan daya komputasi GPU, dan perusahaan besar memonopoli sebagian besar sumber daya GPU, sehingga biaya model pelatihan untuk perusahaan kecil menjadi sangat tinggi. Banyak tim yang bekerja keras untuk mengurangi biaya dengan memusatkan sumber daya GPU skala kecil dan penggunaan tinggi melalui jaringan terdesentralisasi, namun mereka masih menghadapi tantangan besar dalam memastikan daya komputasi yang stabil dan bandwidth yang memadai.
RLHF motivasi
RLHF (pembelajaran penguatan berdasarkan umpan balik manusia) sangat penting untuk meningkatkan model besar, namun memerlukan pelatihan ahli. Ketika persaingan di pasar meningkat, biaya untuk mempekerjakan para profesional ini juga meningkat. Untuk mengurangi biaya sambil mempertahankan kualitas anotasi yang tinggi, sistem staking dan pemotongan dapat digunakan. Salah satu pengeluaran terbesar dalam anotasi data adalah kebutuhan supervisor untuk memeriksa kualitasnya. Namun, selama bertahun-tahun, blockchain telah berhasil menggunakan mekanisme insentif ekonomi untuk memastikan kualitas pekerjaan (PoW, PoS), dan diyakini bahwa menciptakan sistem ekonomi token yang baik dapat secara efektif mengurangi biaya RLHF.
Misalnya, Sapien AI telah memperkenalkan Tag 2 Earn dan bekerja sama dengan beberapa serikat gamefi; Hivemapper memiliki 2 juta kilometer data pelatihan jalan raya melalui mekanisme insentif token; QuillAudits berencana meluncurkan agen audit kontrak pintar sumber terbuka, yang memungkinkan semua auditor untuk berlatih bersama agen dan dapatkan imbalan.
Keterverifikasian
Bagaimana cara memverifikasi apakah penyedia daya komputasi melakukan tugas inferensi sesuai dengan persyaratan atau model tertentu? Pengguna tidak dapat memverifikasi keaslian dan keakuratan model AI dan keluarannya. Kurangnya kemampuan verifikasi dapat menyebabkan ketidakpercayaan, kesalahan, dan bahkan kerugian di berbagai bidang seperti keuangan, layanan kesehatan, dan hukum.
Dengan menggunakan sistem verifikasi kriptografi seperti ZKP, OP, dan TEE, penyedia layanan inferensi dapat membuktikan bahwa keluaran dilakukan oleh model tertentu. Manfaat menggunakan verifikasi kriptografi termasuk penyedia model dapat menjaga kerahasiaan model, pengguna dapat memverifikasi bahwa eksekusi model sudah benar, dan mengintegrasikan kriptografi bukti ke dalam kontrak pintar dapat menghindari keterbatasan daya komputasi blockchain. Pada saat yang sama, Anda juga dapat mempertimbangkan untuk menjalankan AI secara langsung di sisi perangkat untuk menyelesaikan masalah kinerja, namun sejauh ini kami belum melihat jawaban yang memuaskan. Proyek yang dibangun di bidang ini mencakup Ritual, ORA, dan Aizel Network.
palsu dalam
Dengan munculnya produksi AI, orang-orang semakin memperhatikan masalah pemalsuan mendalam (DeepFake). Namun, teknologi deepfake berkembang lebih cepat dibandingkan teknologi deteksi, sehingga pendeteksian deepfake menjadi semakin sulit. Meskipun teknologi watermarking digital (seperti C 2 PA) dapat membantu mengidentifikasi pemalsuan yang mendalam, teknologi tersebut juga memiliki keterbatasan karena gambar yang diproses telah dimodifikasi dan publik tidak dapat memverifikasi tanda tangan pada gambar asli. Dengan hanya gambar yang diproses, verifikasi akan menjadi Itu sangat sulit.
Teknologi Blockchain dapat mengatasi masalah deepfake dengan berbagai cara. Otentikasi perangkat keras dapat menggunakan kamera chip anti rusak untuk menyematkan bukti kriptografi di setiap foto asli guna memverifikasi keaslian gambar. Blockchain tidak dapat diubah, memungkinkan gambar dengan metadata ditambahkan ke blok yang diberi stempel waktu, mencegah gangguan dan memverifikasi sumber aslinya. Selain itu, dompet dapat digunakan untuk melampirkan tanda tangan kriptografi ke postingan yang dipublikasikan untuk memverifikasi kepenulisan konten yang dipublikasikan, dan infrastruktur KYC berdasarkan teknologi zk dapat mengikat dompet ke identitas terverifikasi sekaligus melindungi privasi pengguna. Dari perspektif insentif ekonomi, penulis harus dihukum karena menerbitkan informasi palsu, dan pengguna dapat diberi imbalan karena mengidentifikasi informasi palsu.
Numbers Protocol telah bekerja di bidang ini selama bertahun-tahun; alat verifikasi Fox News didasarkan pada blockchain Polygon, memungkinkan pengguna menemukan artikel dan mengambil data terkait dari blockchain.
pribadi
Ketika model AI memberikan informasi sensitif di berbagai bidang seperti keuangan, layanan kesehatan, dan hukum, sangatlah penting untuk melindungi privasi data saat menggunakannya. Enkripsi homomorfik (FHE) dapat memproses data tanpa mendekripsinya, sehingga melindungi privasi saat menggunakan model LLM.
Pengguna memulai proses inferensi pada perangkat lokal dan berhenti setelah menyelesaikan lapisan awal. Lapisan awal ini tidak disertakan dalam model yang dibagikan dengan server;
Klien mengenkripsi operasi perantara dan meneruskannya ke server;
Server melakukan pemrosesan mekanisme perhatian parsial pada data terenkripsi ini dan mengirimkan hasilnya kembali ke klien;
Klien mendekripsi hasilnya dan melanjutkan inferensi secara lokal. Dengan cara ini, FHE memastikan privasi data pengguna terlindungi selama seluruh proses pemrosesan.
Zama sedang membangun solusi enkripsi homomorfik penuh (FHE) dan baru-baru ini mengumpulkan dana sebesar $73 juta untuk mendukung pengembangan.
Agen AI
Ide agen AI sangat futuristik. Bagaimana masa depan jika agen AI bisa memiliki aset dan melakukan transaksi? Mungkin ada pergeseran dari penggunaan model besar yang bertujuan umum untuk membantu pengambilan keputusan ke arah pemberian tugas kepada agen khusus.
Agen-agen ini akan berkolaborasi satu sama lain, dan sama seperti hubungan ekonomi yang baik dapat meningkatkan kolaborasi manusia, menambahkan hubungan ekonomi ke agen AI juga dapat meningkatkan efisiensi mereka. Blockchain dapat menjadi ajang uji coba konsep ini. Misalnya, Colony bereksperimen dengan ide ini melalui permainan, menyediakan dompet bagi agen AI untuk bertransaksi dengan agen lain atau pemain sungguhan guna mencapai tujuan tertentu.
Kesimpulan
Sebagian besar pertanyaan sebenarnya berhubungan dengan AI open source. Untuk memastikan bahwa teknologi penting tersebut tidak akan dimonopoli oleh beberapa perusahaan dalam dekade berikutnya, sistem ekonomi token dapat dengan cepat memanfaatkan sumber daya komputasi terdesentralisasi dan kumpulan data pelatihan, sehingga mempersempit kesenjangan sumber daya antara AI sumber terbuka dan sumber tertutup. Blockchain dapat melacak pelatihan dan inferensi AI untuk tata kelola data yang lebih baik, sementara kriptografi dapat memastikan kepercayaan di era pasca-AI dan mengatasi masalah deepfake dan perlindungan privasi.
Bacaan Terkait
Satu artikel membahas arah dan protokol implementasi Crypto yang diberdayakan AI