Autor oryginalny |. @cebillhsu
Skompiluj |
Postęp technologii sztucznej inteligencji, takich jak GPT-4, Gemini 1.5 i Microsoft AI PC, jest imponujący, ale obecny rozwój sztucznej inteligencji wciąż napotyka pewne problemy. Bill, badacz Web3 w AppWorks, dogłębnie przestudiował problemy i omówił, w jaki sposób Crypto może to zrobić pomóż w 7 kierunkach wzmacniania sztucznej inteligencji.
Tokenizacja danych
Tradycyjne szkolenie AI opiera się głównie na danych publicznych dostępnych w Internecie, a dokładniej danych o ruchu w domenie publicznej. Z wyjątkiem kilku firm udostępniających otwarte interfejsy API, większość danych pozostaje niewykorzystana. Kluczowym kierunkiem jest umożliwienie większej liczbie posiadaczy danych przekazywania lub autoryzacji swoich danych na potrzeby szkoleń w zakresie sztucznej inteligencji, przy jednoczesnym zapewnieniu ochrony prywatności.
Jednak największym wyzwaniem stojącym przed tą dziedziną jest to, że dane są trudne do standaryzacji, podobnie jak moc obliczeniowa. Chociaż rozproszoną moc obliczeniową można określić ilościowo na podstawie typu procesora graficznego, ilość, jakość i wykorzystanie prywatnych danych są trudne do zmierzenia. Jeśli rozproszona moc obliczeniowa jest podobna do ERC 20, wówczas tokenizacja zbioru danych przypomina ERC 721, co sprawia, że płynność i kształtowanie rynku są większymi wyzwaniami niż ERC 20.
Funkcja Compute-to-Data protokołu Ocean Protocol umożliwia właścicielom danych sprzedaż prywatnych danych przy jednoczesnej ochronie prywatności. Vana daje użytkownikom Reddita możliwość agregowania danych i sprzedawania ich firmom, które szkolą duże modele AI.
Alokacja zasobów
Obecnie istnieje ogromna luka pomiędzy podażą i popytem na moc obliczeniową GPU, a duże firmy monopolizują większość zasobów GPU, co sprawia, że koszt modeli szkoleniowych dla małych firm jest bardzo wysoki. Wiele zespołów ciężko pracuje, aby obniżyć koszty poprzez koncentrację małych i intensywnie wykorzystywanych zasobów GPU w zdecentralizowanych sieciach, ale nadal stoją przed poważnymi wyzwaniami związanymi z zapewnieniem stabilnej mocy obliczeniowej i wystarczającej przepustowości.
Motywacyjny RLHF
RLHF (uczenie się przez wzmacnianie w oparciu o opinie ludzi) ma kluczowe znaczenie dla ulepszania dużych modeli, ale wymaga specjalistycznego szkolenia. Wraz ze wzrostem konkurencji na rynku rosną koszty zatrudnienia tych specjalistów. Aby obniżyć koszty przy zachowaniu wysokiej jakości adnotacji, można zastosować system tyczenia i cięcia. Jednym z największych wydatków związanych z adnotacją danych jest konieczność sprawdzania jakości przez osoby nadzorujące. Jednak na przestrzeni lat blockchain z powodzeniem wykorzystywał mechanizmy zachęt ekonomicznych w celu zapewnienia jakości pracy (PoW, PoS) i uważa się, że stworzenie dobrego tokenowego systemu ekonomicznego może skutecznie obniżyć koszty RLHF.
Na przykład Sapien AI wprowadził Tag 2 Earn i współpracował z wieloma gildiami gamefi; Hivemapper dysponuje 2 milionami kilometrów danych dotyczących szkoleń drogowych w ramach symbolicznego mechanizmu motywacyjnego; QuillAudits planuje uruchomić agenta audytu inteligentnych kontraktów typu open source, umożliwiającego wszystkim audytorom wspólne szkolenia agenta i otrzymaj nagrodę.
Sprawdzalność
Jak sprawdzić, czy dostawca mocy obliczeniowej realizuje zadania wnioskowania według określonych wymagań lub modeli? Użytkownicy nie mogą zweryfikować autentyczności i dokładności modelu AI i jego wyników. Brak możliwości sprawdzenia może prowadzić do braku zaufania, błędów, a nawet szkód w obszarach takich jak finanse, opieka zdrowotna i prawo.
Korzystając z systemów weryfikacji kryptograficznej, takich jak ZKP, OP i TEE, dostawcy usług wnioskowania mogą udowodnić, że dane wyjściowe zostały zrealizowane przez konkretny model. Korzyści wynikające ze stosowania weryfikacji kryptograficznej obejmują to, że dostawcy modeli mogą zachować poufność modelu, użytkownicy mogą sprawdzić, czy wykonanie modelu jest prawidłowe, a zintegrowanie kryptografii dowodowej z inteligentnymi kontraktami może obejść ograniczenia mocy obliczeniowej łańcucha bloków. Jednocześnie można rozważyć uruchomienie sztucznej inteligencji bezpośrednio po stronie urządzenia, aby rozwiązać problemy z wydajnością, ale jak dotąd nie widzieliśmy zadowalającej odpowiedzi. Projekty tworzone w tym obszarze obejmują Ritual, ORA i Aizel Network.
głębokie podróbki
Wraz z pojawieniem się produkcyjnej sztucznej inteligencji ludzie coraz większą uwagę zwracają na kwestię głębokich podróbek (DeepFake). Jednak technologia deepfake rozwija się szybciej niż technologia wykrywania, dlatego wykrywanie deepfake’ów staje się coraz trudniejsze. Chociaż technologie cyfrowego znaku wodnego (takie jak C 2 PA) mogą pomóc w identyfikacji głębokich podróbek, mają one również ograniczenia, ponieważ przetworzony obraz został zmodyfikowany i opinia publiczna nie może zweryfikować podpisu na oryginalnym obrazie, weryfikacja stanie się nim było bardzo trudne.
Technologia Blockchain może rozwiązać problem deepfakes na wiele sposobów. Uwierzytelnianie sprzętowe może wykorzystywać odporne na manipulacje kamery chipowe do osadzania dowodu kryptograficznego w każdym oryginalnym zdjęciu w celu sprawdzenia autentyczności obrazu. Blockchain jest niezmienny, umożliwiając dodawanie obrazów z metadanymi do bloków ze znacznikiem czasu, zapobiegając manipulacji i weryfikując oryginalne źródło. Dodatkowo portfeli można używać do dołączania podpisów kryptograficznych do publikowanych postów w celu weryfikacji autorstwa publikowanych treści, a infrastruktura KYC oparta na technologii ZK może powiązać portfele ze zweryfikowanymi tożsamościami, chroniąc jednocześnie prywatność użytkowników. Z punktu widzenia zachęt ekonomicznych autorzy powinni być karani za publikowanie fałszywych informacji, a użytkownicy mogą być nagradzani za identyfikowanie fałszywych informacji.
Numbers Protocol działa w tej przestrzeni od lat; narzędzie weryfikacyjne Fox News opiera się na blockchainie Polygon, umożliwiając użytkownikom wyszukiwanie artykułów i pobieranie powiązanych danych z blockchainu.
Prywatność
Kiedy modele sztucznej inteligencji otrzymują wrażliwe informacje z dziedzin takich jak finanse, opieka zdrowotna i prawo, niezwykle ważna jest ochrona prywatności danych podczas korzystania z nich. Szyfrowanie homomorficzne (FHE) może przetwarzać dane bez ich deszyfrowania, chroniąc w ten sposób prywatność podczas korzystania z modeli LLM. Przepływ pracy jest następujący:
Użytkownik rozpoczyna proces wnioskowania na urządzeniu lokalnym i kończy po ukończeniu warstwy początkowej. Ta warstwa początkowa nie jest uwzględniana w modelu udostępnionym serwerowi;
Klient szyfruje operacje pośrednie i przekazuje je do serwera;
Serwer wykonuje częściowe przetwarzanie mechanizmu uwagi na zaszyfrowanych danych i wysyła wynik z powrotem do klienta;
Klient odszyfrowuje wyniki i kontynuuje wnioskowanie lokalnie. W ten sposób FHE zapewnia ochronę prywatności danych użytkowników w całym procesie przetwarzania.
Zama tworzy rozwiązanie w pełni homomorficznego szyfrowania (FHE) i niedawno zebrała 73 miliony dolarów na wsparcie rozwoju.
Agent AI
Idea agentów AI jest bardzo futurystyczna. Jaka będzie przyszłość, jeśli agenci AI będą mogli posiadać aktywa i przeprowadzać transakcje? Może nastąpić odejście od stosowania dużych modeli ogólnego przeznaczenia do wspomagania podejmowania decyzji w kierunku przydzielania zadań wyspecjalizowanym agentom.
Agenci ci będą ze sobą współpracować i tak jak solidne relacje gospodarcze mogą poprawić współpracę między ludźmi, tak dodanie relacji gospodarczych do agentów AI może również poprawić ich efektywność. Blockchain może być poligonem doświadczalnym dla tej koncepcji. Na przykład Colony eksperymentuje z tym pomysłem poprzez gry, udostępniając portfele agentom AI, aby mogli przeprowadzać transakcje z innymi agentami lub prawdziwymi graczami, aby osiągnąć określone cele.
Wniosek
Większość pytań faktycznie dotyczy sztucznej inteligencji typu open source. Aby mieć pewność, że tak ważna technologia nie zostanie zmonopolizowana przez kilka firm w ciągu następnej dekady, symboliczny system gospodarczy może szybko wykorzystać zdecentralizowane zasoby obliczeniowe i zbiory danych szkoleniowych, zmniejszając lukę w zasobach między sztuczną inteligencją o otwartym kodzie źródłowym i o zamkniętym kodzie źródłowym. Blockchain może śledzić szkolenia i wnioskowanie AI w celu lepszego zarządzania danymi, podczas gdy kryptografia może zapewnić zaufanie w erze po AI oraz rozwiązać problemy związane z deepfakes i ochroną prywatności.
Powiązane lektury
Jeden artykuł podsumowujący kierunki i protokoły wdrażania Crypto z wykorzystaniem sztucznej inteligencji