Uczestnicy Web3 powinni skupić się na szczególnych scenariuszach i w pełni wykorzystać swoje unikalne zalety w zakresie walki z cenzurą, przejrzystości i społecznej weryfikowalności.
Autor: David & Goliath
Kompilacja: Shenchao TechFlow
Obecnie obliczenia i etapy szkoleniowe w branży AI są głównie zdominowane przez scentralizowanych gigantów Web2. Te firmy, dysponując potężnymi zasobami kapitałowymi, najnowocześniejszym sprzętem oraz ogromnymi zasobami danych, zajmują dominującą pozycję. Choć ta sytuacja może utrzymać się w procesie opracowywania najsilniejszych modeli uczenia maszynowego (ML), dla modeli średniej klasy lub dostosowanych, sieć Web3 może stopniowo stać się bardziej ekonomicznym i dostępnym źródłem zasobów obliczeniowych.
Podobnie, gdy zapotrzebowanie na rozumowanie przekracza możliwości indywidualnych urządzeń brzegowych, niektórzy konsumenci mogą wybierać sieć Web3, aby uzyskać mniej cenzurowane i bardziej zróżnicowane wyniki. Zamiast próbować całkowicie zrewolucjonizować cały stos technologii AI, uczestnicy Web3 powinni skupić się na tych szczególnych scenariuszach i w pełni wykorzystać swoje unikalne zalety w zakresie walki z cenzurą, przejrzystości i społecznej weryfikowalności.
Zasoby sprzętowe potrzebne do szkolenia następnej generacji modeli bazowych (takich jak GPT lub BERT) są rzadkie i drogie, a zapotrzebowanie na najwydajniejsze chipy będzie nadal przewyższać podaż. Ta niedobór zasobów prowadzi do skoncentrowania sprzętu w rękach kilku dobrze finansowanych firm, które wykorzystują ten sprzęt do szkolenia i komercjalizacji modeli bazowych o najwyższej wydajności i największej złożoności.
Jednakże, tempo aktualizacji sprzętu jest niezwykle szybkie. Jak zatem można wykorzystać przestarzały sprzęt średniej klasy lub o niskiej wydajności?
Ten sprzęt prawdopodobnie zostanie wykorzystany do szkolenia prostszych lub bardziej ukierunkowanych modeli. Poprzez dopasowanie różnych kategorii modeli do sprzętu o różnej wydajności, można osiągnąć optymalne wykorzystanie zasobów. W takim przypadku protokół Web3 może odegrać kluczową rolę, koordynując dostęp do zróżnicowanych, niskokosztowych zasobów obliczeniowych. Na przykład, konsumenci mogą korzystać z prostych modeli średniej klasy, szkolonych na podstawie zbiorów danych osobistych, a tylko w przypadku bardziej złożonych zadań wybierać modele wysokiej klasy, trenowane i hostowane przez scentralizowane firmy, przy jednoczesnym zapewnieniu, że tożsamość użytkownika jest ukryta, a dane wejściowe są szyfrowane.
Oprócz problemów z efektywnością, rosną obawy dotyczące uprzedzeń i potencjalnej cenzury w modelach zcentralizowanych. Środowisko Web3 słynie z przejrzystości i weryfikowalności, co pozwala na szkolenie modeli, które zostały zignorowane lub uznane za zbyt wrażliwe przez Web2. Te modele, mimo że mogą nie być konkurencyjne pod względem wydajności i innowacji, wciąż mają znaczną wartość dla niektórych grup społecznych. W związku z tym protokoły Web3 mogą otworzyć unikalny rynek w tej dziedzinie, oferując bardziej otwarte, wiarygodne i cenzurowane usługi szkoleniowe modeli.
Początkowo, zcentralizowane i zdecentralizowane podejścia mogą współistnieć, obsługując różne przypadki użycia. Jednak wraz z ciągłym poprawianiem doświadczeń dewelopera i zgodności platformy w Web3 oraz stopniowym ujawnianiem efektów sieciowych otwartego AI, Web3 może ostatecznie konkurować w kluczowych obszarach zcentralizowanych przedsiębiorstw. Szczególnie, gdy konsumenci coraz bardziej zdają sobie sprawę z ograniczeń modeli zcentralizowanych, przewagi Web3 będą bardziej widoczne.
Oprócz szkolenia modeli średniej klasy lub w określonych dziedzinach, uczestnicy Web3 mają również przewagę w dostarczaniu bardziej przejrzystych i elastycznych rozwiązań w zakresie rozumowania. Zdecentralizowane usługi rozumowania mogą przynieść wiele korzyści, takich jak zero przestojów, modularne łączenie modeli, publiczne oceny wydajności modeli oraz bardziej zróżnicowane, niecenzurowane wyniki. Te usługi mogą również skutecznie zapobiegać problemowi „zablokowania dostawcy”, z którym borykają się konsumenci, polegając na kilku scentralizowanych dostawcach. Podobnie jak w przypadku szkolenia modeli, przewaga konkurencyjna zdecentralizowanej warstwy rozumowania nie polega na samej mocy obliczeniowej, lecz na rozwiązaniu kilku długotrwałych problemów, takich jak przejrzystość parametrów dostrajania zamkniętego źródła, brak weryfikowalności oraz wysokie koszty.
Dan Olshansky zaproponował obiecującą koncepcję stworzenia sieci routingu AI przez POKT, aby stworzyć więcej możliwości dla badaczy i inżynierów AI, umożliwiając im wdrażanie swoich badań w praktyce i uzyskiwanie dodatkowych dochodów poprzez dostosowane modele uczenia maszynowego (ML) lub sztucznej inteligencji (AI). Co ważniejsze, ta sieć, integrując wyniki rozumowania z różnych źródeł (w tym dostawców zdecentralizowanych i scentralizowanych), może promować bardziej sprawiedliwą konkurencję na rynku usług rozumowania.
Pomimo optymistycznych prognoz, które zakładają, że cały stos technologii AI może w przyszłości całkowicie przenieść się na blockchain, w obecnej chwili cel ten wciąż stoi przed ogromnymi wyzwaniami związanymi z centralizacją danych i zasobów obliczeniowych, ponieważ te zasoby zapewniają istniejącym gigantom znaczną przewagę konkurencyjną. Jednak zdecentralizowane sieci koordynacyjne i obliczeniowe wykazują unikalną wartość w dostarczaniu bardziej spersonalizowanych, ekonomicznych, konkurencyjnych i cenzurowanych usług AI. Skupiając się na tych szczególnych rynkach o kluczowej wartości, Web3 może zbudować swoje bariery konkurencyjne, zapewniając, że najwpływowsze technologie tej ery mogą ewoluować w różnych kierunkach, przynosząc korzyści szerszemu gronu interesariuszy, a nie być zmonopolizowane przez kilka tradycyjnych gigantów.
Na koniec, chciałbym szczególnie podziękować wszystkim członkom zespołu Placeholder Investment, a także Kyle Samani z Multicoin Capital, Anand Iyer z Canonical VC, Keccak Wong z Nectar AI, Alpin Yukseloglu z Osmosis Labs oraz Cameron Dennis z NEAR Foundation, którzy udzielili przeglądu i cennych informacji zwrotnych podczas pisania tego dokumentu.