Sākotnējais autors |. @cebillhsu

Sastādīt |

AI tehnoloģiju, piemēram, GPT-4, Gemini 1.5 un Microsoft AI PC, progress ir iespaidīgs, taču pašreizējā AI attīstība joprojām saskaras ar dažām problēmām Bill, Web3 pētnieks no AppWorks, padziļināti pētīja problēmas un apsprieda, kā Crypto var palīdziet 7 AI pilnvarošanas virzienos.

Datu marķieri

Tradicionālā AI apmācība galvenokārt balstās uz publiskiem datiem, kas pieejami internetā, vai, precīzāk, publiski pieejamiem satiksmes datiem. Izņemot dažus uzņēmumus, kas nodrošina atvērtās API, lielākā daļa datu paliek neizmantoti. Galvenais virziens ir tas, kā dot iespēju lielākam skaitam datu turētāju sniegt vai autorizēt savus datus AI apmācībai, vienlaikus nodrošinot privātuma aizsardzību.

Tomēr lielākais izaicinājums šajā jomā ir tas, ka datus ir grūti standartizēt, piemēram, skaitļošanas jaudu. Lai gan sadalīto skaitļošanas jaudu var noteikt pēc GPU veida, privāto datu daudzumu, kvalitāti un lietojumu ir grūti izmērīt. Ja sadalītā skaitļošanas jauda ir līdzīga ERC 20, tad datu kopas marķieri ir kā ERC 721, kas padara likviditāti un tirgus veidošanu grūtāku nekā ERC 20.

Ocean Protocol funkcija Compute-to-Data ļauj datu īpašniekiem pārdot privātos datus, vienlaikus aizsargājot privātumu. Vana sniedz Reddit lietotājiem iespēju apkopot datus un pārdot tos uzņēmumiem, kas apmāca lielus AI modeļus.

Resursu sadale

Pašlaik pastāv milzīga plaisa starp GPU skaitļošanas jaudas piedāvājumu un pieprasījumu, un lielie uzņēmumi monopolizē lielāko daļu GPU resursu, kas maziem uzņēmumiem padara apmācības modeļu izmaksas ļoti augstas. Daudzas komandas smagi strādā, lai samazinātu izmaksas, koncentrējot maza mēroga, liela lietojuma GPU resursus, izmantojot decentralizētus tīklus, taču tās joprojām saskaras ar lielām problēmām, nodrošinot stabilu skaitļošanas jaudu un pietiekamu joslas platumu.

Motivējoša RLHF

RLHF (pastiprināšanas mācīšanās, pamatojoties uz cilvēku atgriezenisko saiti) ir ļoti svarīga lielu modeļu uzlabošanai, taču tai ir nepieciešama ekspertu apmācība. Palielinoties konkurencei tirgū, pieaug arī šo speciālistu algošanas izmaksas. Lai samazinātu izmaksas, vienlaikus saglabājot augstas kvalitātes anotāciju, var izmantot likšanas un slīpēšanas sistēmu. Viens no lielākajiem datu anotācijas izdevumiem ir nepieciešamība uzraugiem pārbaudīt kvalitāti. Tomēr gadu gaitā blokķēde ir veiksmīgi izmantojusi ekonomisko stimulu mehānismus, lai nodrošinātu darba kvalitāti (PoW, PoS), un tiek uzskatīts, ka labas simboliskas ekonomiskās sistēmas izveide var efektīvi samazināt RLHF izmaksas.

Piemēram, uzņēmums Sapien AI ir ieviesis Tag 2 Earn un sadarbojies ar vairākām gamefi ģildēm, izmantojot žetonu stimulēšanas mehānismu, un uzņēmums QuillAudits plāno ieviest atvērtā koda viedo līgumu audita aģentu, ļaujot visiem auditoriem kopīgi apmācīt aģents un saņemt atlīdzību.

Pārbaudāmība

Kā pārbaudīt, vai skaitļošanas jaudas nodrošinātājs veic secināšanas uzdevumus atbilstoši konkrētām prasībām vai modeļiem? Lietotāji nevar pārbaudīt AI modeļa un tā izvades autentiskumu un precizitāti. Šis pārbaudāmības trūkums var izraisīt neuzticēšanos, kļūdas un pat kaitējumu tādās jomās kā finanses, veselības aprūpe un tiesību akti.

Izmantojot kriptogrāfiskās verifikācijas sistēmas, piemēram, ZKP, OP un TEE, secinājumu pakalpojumu sniedzēji var pierādīt, ka izvadi veica konkrēts modelis. Kriptogrāfiskās verifikācijas izmantošanas priekšrocības ir tādas, ka modeļu nodrošinātāji var saglabāt modeļa konfidencialitāti, lietotāji var pārbaudīt, vai modeļa izpilde ir pareiza, un pierādījuma kriptogrāfijas integrēšana viedos līgumos var apiet blokķēdes skaitļošanas jaudas ierobežojumus. Tajā pašā laikā varat arī apsvērt iespēju AI palaist tieši ierīces pusē, lai atrisinātu veiktspējas problēmas, taču līdz šim mēs neesam redzējuši apmierinošu atbildi, kas šajā jomā ietver Ritual, ORA un Aizel Network.

deepfake

Līdz ar ražošanas AI parādīšanos cilvēki arvien vairāk pievērš uzmanību dziļo viltojumu (DeepFake) problēmai. Tomēr dziļo viltojumu tehnoloģija attīstās ātrāk nekā noteikšanas tehnoloģija, tāpēc dziļo viltojumu noteikšana kļūst arvien grūtāka. Lai gan digitālās ūdenszīmju tehnoloģijas (piemēram, C 2 PA) var palīdzēt identificēt dziļos viltojumus, tām ir arī ierobežojumi, jo apstrādātais attēls ir modificēts, un sabiedrība nevar pārbaudīt parakstu uz oriģinālā attēla, izmantojot tikai apstrādāto attēlu bija ļoti grūti.

Blockchain tehnoloģija var atrisināt dziļo viltojumu problēmu vairākos veidos. Aparatūras autentifikācijai var izmantot pret viltojumiem drošas mikroshēmas kameras, lai iegultu kriptogrāfisko pierādījumu katrā oriģinālajā fotoattēlā, lai pārbaudītu attēla autentiskumu. Blokķēde ir nemainīga, ļaujot attēlus ar metadatiem pievienot blokiem ar laikspiedolu, novēršot manipulācijas un pārbaudot sākotnējo avotu. Turklāt makus var izmantot, lai pievienotu kriptogrāfiskus parakstus publicētajām ziņām, lai pārbaudītu publicētā satura autorību, un KYC infrastruktūra, kuras pamatā ir zk tehnoloģija, var saistīt makus ar pārbaudītām identitātēm, vienlaikus aizsargājot lietotāju privātumu. No ekonomisko stimulu viedokļa autori ir jāsoda par nepatiesas informācijas publicēšanu, savukārt lietotāji var saņemt atlīdzību par nepatiesas informācijas atklāšanu.

Numbers Protocol ir strādājis šajā telpā gadiem ilgi; Fox News pārbaudes rīks ir balstīts uz daudzstūra blokķēdi, kas ļauj lietotājiem atrast rakstus un izgūt saistītos datus no blokķēdes.

privātumu

Ja mākslīgā intelekta modeļiem tiek ievadīta sensitīva informācija tādās jomās kā finanses, veselības aprūpe un tiesību akti, to izmantošanas laikā ir ārkārtīgi svarīgi aizsargāt datu privātumu. Homomorfā šifrēšana (FHE) var apstrādāt datus, tos neatšifrējot, tādējādi aizsargājot privātumu, izmantojot LLM modeļus. Darbplūsma ir šāda.

  1. Lietotājs sāk secināšanas procesu vietējā ierīcē un apstājas pēc sākotnējā slāņa pabeigšanas. Šis sākotnējais slānis nav iekļauts modelī, kas koplietots ar serveri;

  2. Klients šifrē starpoperācijas un pārsūta tās uz serveri;

  3. Serveris veic daļējas uzmanības mehānisma apstrādi šiem šifrētajiem datiem un nosūta rezultātu atpakaļ klientam;

  4. Klients atšifrē rezultātus un turpina lokāli izdarīt secinājumus. Tādā veidā FHE nodrošina, ka lietotāja datu privātums tiek aizsargāts visā apstrādes procesā.

Zama izstrādā pilnībā homomorfiskas šifrēšanas (FHE) risinājumu un nesen ir piesaistījis finansējumu 73 miljonu ASV dolāru apmērā, lai atbalstītu attīstību.

AI aģents

Ideja par AI aģentiem ir ļoti futūristiska. Kāda būs nākotne, ja AI aģenti varēs piederēt aktīviem un veikt darījumus? Var notikt pāreja no vispārējas nozīmes lielo modeļu izmantošanas, lai palīdzētu pieņemt lēmumus, uz uzdevumu piešķiršanu specializētiem aģentiem.

Šie aģenti sadarbosies viens ar otru, un, tāpat kā stabilas ekonomiskās attiecības var uzlabot cilvēku sadarbību, ekonomisko attiecību pievienošana AI aģentiem var arī uzlabot to efektivitāti. Blockchain var būt šīs koncepcijas izmēģinājumu laukums. Piemēram, Colony eksperimentē ar šo ideju, izmantojot spēles, nodrošinot AI aģentiem makus, lai veiktu darījumus ar citiem aģentiem vai reāliem spēlētājiem, lai sasniegtu konkrētus mērķus.

Secinājums

Lielākā daļa jautājumu faktiski attiecas uz atvērtā koda AI. Lai nodrošinātu, ka nākamajā desmitgadē daži uzņēmumi nemonopolizēs tik svarīgu tehnoloģiju, simboliskā ekonomiskā sistēma var ātri izmantot decentralizētus skaitļošanas resursus un apmācību datu kopas, samazinot resursu plaisu starp atvērtā koda un slēgtā koda AI. Blockchain var izsekot AI apmācībai un secinājumiem, lai nodrošinātu labāku datu pārvaldību, savukārt kriptogrāfija var nodrošināt uzticēšanos laikmetā pēc AI un risināt dziļās viltošanas un privātuma aizsardzības problēmas.

Saistītā lasīšana

Viens raksts, kurā aplūkoti AI pilnvarotie kriptovalūtu ieviešanas virzieni un protokoli