Autore originale |. @cebillhsu

Compila |.Golem

Il progresso delle tecnologie AI come GPT-4, Gemini 1.5 e Microsoft AI PC è impressionante, ma l'attuale sviluppo dell'intelligenza artificiale deve ancora affrontare alcuni problemi. Bill, un ricercatore Web3 presso AppWorks, ha studiato i problemi in modo approfondito e ha discusso di come Crypto possa farlo aiutare 7 direzioni di empowerment dell'IA.

Tokenizzazione dei dati

La formazione tradizionale basata sull’intelligenza artificiale si basa principalmente su dati pubblici disponibili su Internet o, più precisamente, su dati sul traffico di pubblico dominio. Fatta eccezione per alcune aziende che forniscono API aperte, la maggior parte dei dati rimane inutilizzata. Come consentire a più titolari di dati di contribuire o autorizzare i propri dati per la formazione sull’intelligenza artificiale garantendo al tempo stesso la tutela della privacy è una direzione chiave.

Tuttavia, la sfida più grande che questo campo deve affrontare è che i dati sono difficili da standardizzare, così come la potenza di calcolo. Sebbene la potenza di calcolo distribuita possa essere quantificata in base al tipo di GPU, la quantità, la qualità e l’utilizzo dei dati privati ​​sono difficili da misurare. Se la potenza di calcolo distribuita è come ERC 20, allora la tokenizzazione del set di dati è come ERC 721, il che rende la liquidità e la formazione del mercato più impegnative rispetto a ERC 20.

La funzionalità Compute-to-Data di Ocean Protocol consente ai proprietari di dati di vendere dati privati ​​proteggendo al contempo la privacy. Vana offre agli utenti di Reddit un modo per aggregare dati e venderli ad aziende che addestrano modelli di intelligenza artificiale di grandi dimensioni.

Assegnazione delle risorse

Attualmente esiste un enorme divario tra domanda e offerta di potenza di calcolo della GPU e le grandi aziende monopolizzano la maggior parte delle risorse GPU, il che rende molto elevato il costo dei modelli di formazione per le piccole imprese. Molti team stanno lavorando duramente per ridurre i costi concentrando risorse GPU su piccola scala e ad alto utilizzo attraverso reti decentralizzate, ma devono ancora affrontare sfide importanti per garantire una potenza di calcolo stabile e una larghezza di banda sufficiente.

RLHF motivazionale

L'RLHF (apprendimento per rinforzo basato sul feedback umano) è fondamentale per migliorare modelli di grandi dimensioni, ma richiede una formazione di esperti. Con l’aumento della concorrenza sul mercato, aumenta anche il costo dell’assunzione di questi professionisti. Per ridurre i costi mantenendo un'annotazione di alta qualità, è possibile utilizzare un sistema di picchettamento e taglio. Una delle spese maggiori legate all’annotazione dei dati è la necessità che i supervisori ne controllino la qualità. Tuttavia, nel corso degli anni, la blockchain ha utilizzato con successo meccanismi di incentivazione economica per garantire la qualità del lavoro (PoW, PoS), e si ritiene che la creazione di un buon sistema economico token possa ridurre efficacemente il costo di RLHF.

Ad esempio, Sapien AI ha introdotto Tag 2 Earn e ha collaborato con diverse gilde di gamefi; Hivemapper dispone di 2 milioni di chilometri di dati sulla formazione stradale attraverso un meccanismo di incentivi simbolici; QuillAudits prevede di lanciare un agente di audit del contratto intelligente open source, consentendo a tutti i revisori di formarsi congiuntamente l'agente e vieni ricompensato.

Verificabilità

Come verificare se il fornitore di potenza di calcolo esegue compiti di inferenza secondo requisiti o modelli specifici? Gli utenti non possono verificare l’autenticità e l’accuratezza del modello AI e del suo output. Questa mancanza di verificabilità può portare a sfiducia, errori e persino danni in settori quali la finanza, la sanità e il diritto.

Utilizzando sistemi di verifica crittografica come ZKP, OP e TEE, i fornitori di servizi di inferenza possono dimostrare che gli output sono stati eseguiti da un modello specifico. I vantaggi dell'utilizzo della verifica crittografica includono che i fornitori di modelli possono mantenere la riservatezza del modello, gli utenti possono verificare che l'esecuzione del modello sia corretta e l'integrazione della crittografia di prova nei contratti intelligenti può aggirare i limiti della potenza di calcolo della blockchain. Allo stesso tempo, puoi anche prendere in considerazione l'esecuzione dell'intelligenza artificiale direttamente sul lato del dispositivo per risolvere il problema delle prestazioni, ma finora non abbiamo visto una risposta soddisfacente. I progetti in questo campo includono Ritual, ORA e Aizel Network.

deepfake

Con l’emergere dell’intelligenza artificiale di produzione, le persone prestano sempre più attenzione alla questione dei deep fake (DeepFake). Tuttavia, la tecnologia dei deepfake sta avanzando più velocemente della tecnologia di rilevamento, quindi individuare i deepfake sta diventando sempre più difficile. Sebbene le tecnologie di filigrana digitale (come C 2 PA) possano aiutare a identificare i falsi profondi, presentano anche dei limiti perché l'immagine elaborata è stata modificata e il pubblico non può verificare la firma sull'immagine originale. Solo con l'immagine elaborata, la verifica diventerà It è stato molto difficile.

La tecnologia Blockchain può risolvere il problema dei deepfake in diversi modi. L'autenticazione hardware può utilizzare fotocamere con chip a prova di manomissione per incorporare una prova crittografica in ogni foto originale per verificare l'autenticità dell'immagine. La blockchain è immutabile e consente di aggiungere immagini con metadati a blocchi con timestamp, prevenendo manomissioni e verificando la fonte originale. Inoltre, i portafogli possono essere utilizzati per allegare firme crittografiche ai post pubblicati per verificare la paternità dei contenuti pubblicati, e l'infrastruttura KYC basata sulla tecnologia zk può legare i portafogli a identità verificate proteggendo al contempo la privacy degli utenti. Dal punto di vista degli incentivi economici, gli autori dovrebbero essere puniti per aver pubblicato informazioni false e gli utenti dovrebbero essere ricompensati per aver identificato informazioni false.

Il protocollo Numbers lavora in questo spazio da anni; lo strumento di verifica di Fox News si basa sulla blockchain di Polygon, consentendo agli utenti di trovare articoli e recuperare i dati correlati dalla blockchain.

privacy

Quando i modelli di intelligenza artificiale ricevono informazioni sensibili in settori quali finanza, sanità e diritto, è estremamente importante proteggere la privacy dei dati durante l’utilizzo. La crittografia omomorfica (FHE) può elaborare i dati senza decrittografarli, proteggendo così la privacy quando si utilizzano modelli LLM. Il flusso di lavoro è il seguente:

1. L'utente avvia il processo di inferenza sul dispositivo locale e si interrompe dopo aver completato il livello iniziale. Questo livello iniziale non è incluso nel modello condiviso con il server;

2. Il client crittografa le operazioni intermedie e le inoltra al server;

3. Il server esegue un'elaborazione del meccanismo di attenzione parziale su questi dati crittografati e invia il risultato al client;

4. Il client decrittografa i risultati e continua l'inferenza localmente. In questo modo, FHE garantisce che la privacy dei dati dell’utente sia protetta durante l’intero processo di elaborazione.

Zama sta costruendo una soluzione di crittografia completamente omomorfica (FHE) e ha recentemente raccolto 73 milioni di dollari in finanziamenti per sostenere lo sviluppo.

Agente dell'intelligenza artificiale

L’idea degli agenti AI è molto futuristica. Come sarà il futuro se gli agenti AI potessero possedere risorse ed effettuare transazioni? Potrebbe esserci un passaggio dall’utilizzo di grandi modelli generici per facilitare il processo decisionale all’assegnazione di compiti ad agenti specializzati.

Questi agenti collaboreranno tra loro e, proprio come solide relazioni economiche possono migliorare la collaborazione umana, anche l’aggiunta di relazioni economiche agli agenti di intelligenza artificiale può migliorare la loro efficienza. La blockchain può essere un banco di prova per questo concetto. Ad esempio, Colony sta sperimentando questa idea attraverso i giochi, fornendo portafogli agli agenti IA per effettuare transazioni con altri agenti o giocatori reali per raggiungere obiettivi specifici.

Conclusione

La maggior parte delle domande riguardano in realtà l’intelligenza artificiale open source. Per garantire che una tecnologia così importante non venga monopolizzata da poche aziende nel prossimo decennio, un sistema economico simbolico può utilizzare rapidamente risorse informatiche decentralizzate e set di dati di addestramento, riducendo il divario di risorse tra l’IA open source e quella closed source. La blockchain può tenere traccia della formazione e dell’inferenza dell’intelligenza artificiale per una migliore governance dei dati, mentre la crittografia può garantire la fiducia nell’era post-intelligenza artificiale e affrontare i deepfake e i problemi di protezione della privacy.

Lettura correlata

Un articolo che fa il punto sulle indicazioni e sui protocolli di implementazione di Crypto potenziati dall'intelligenza artificiale